[發(fā)明專利]一種基于大數(shù)據(jù)與設(shè)備狀態(tài)異常跟蹤的電網(wǎng)狀態(tài)檢修方法

在審

• 申請?zhí)枺?/td>: 201710124497.1
• 申請日: 2017-03-03
• 公開（公告）號: CN107122879A
• 公開（公告）日: 2017-09-01
• 發(fā)明（設(shè)計(jì)）人: 李潔珊;王朝碩
• 申請（專利權(quán)）人: 廣東南方電力通信有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06K9/62
• 代理公司: 杭州求是專利事務(wù)所有限公司33200
• 代理人: 葉志堅(jiān)

技術(shù)領(lǐng)域

本發(fā)明屬于電網(wǎng)狀態(tài)檢修計(jì)劃制定領(lǐng)域，具體涉及了一種基于大數(shù)據(jù)與設(shè)備狀態(tài)異常跟蹤的電網(wǎng)狀態(tài)檢修方法。

背景技術(shù)

目前，針對電網(wǎng)狀態(tài)檢修的方法主要基于設(shè)備的故障概率角度對狀態(tài)檢修策略進(jìn)行優(yōu)化，然而故障概率模型的準(zhǔn)確性往往受到諸多因素的限制，如實(shí)時(shí)的環(huán)境影響、設(shè)備的歷史運(yùn)行狀態(tài)以及模型固有的誤差等。由此而制定的狀態(tài)檢修計(jì)劃可能無法滿足當(dāng)前設(shè)備的檢修需求。

隨著電力大數(shù)據(jù)的快速發(fā)展，電力系統(tǒng)的數(shù)據(jù)呈爆炸式增長，而利用大數(shù)據(jù)挖掘技術(shù)對設(shè)備狀態(tài)進(jìn)行異常檢測也得以實(shí)現(xiàn)。通過對設(shè)備歷史運(yùn)行數(shù)據(jù)、故障檢修記錄、當(dāng)前環(huán)境信息以及運(yùn)行檢測信息等電力大數(shù)據(jù)的挖掘分析，可有效檢出狀態(tài)異常的設(shè)備，并進(jìn)行預(yù)警與利用。

本發(fā)明提出了一種基于大數(shù)據(jù)與設(shè)備狀態(tài)異常跟蹤的電網(wǎng)狀態(tài)檢修方法。利用k-means聚類算法對設(shè)備的相關(guān)大數(shù)據(jù)進(jìn)行狀態(tài)異常檢出與跟蹤，利用設(shè)備狀態(tài)的異常情況來安排狀態(tài)檢修計(jì)劃。

發(fā)明內(nèi)容

針對現(xiàn)有電網(wǎng)狀態(tài)檢修方法存在的上述問題，本發(fā)明的目的在于提出一種基于大數(shù)據(jù)與設(shè)備狀態(tài)異常跟蹤的電網(wǎng)狀態(tài)檢修方法。本方法利用k-means聚類算法對設(shè)備的相關(guān)大數(shù)據(jù)進(jìn)行狀態(tài)異常檢出與跟蹤，利用設(shè)備狀態(tài)的異常情況來安排狀態(tài)檢修計(jì)劃。

步驟一、利用k-means聚類算法對設(shè)備的相關(guān)大數(shù)據(jù)進(jìn)行狀態(tài)異常檢出與跟蹤，具體包括如下步驟：

步驟1、多狀態(tài)量數(shù)據(jù)的收集與整理。

收集并整理每條線路與每臺變壓器的狀態(tài)監(jiān)測數(shù)據(jù)，線路狀態(tài)監(jiān)測數(shù)據(jù)的狀態(tài)量包括包括覆冰、風(fēng)速、污穢、環(huán)境溫度、負(fù)荷、服役時(shí)間、檢修次數(shù)等，變壓器狀態(tài)監(jiān)測量包括負(fù)荷、環(huán)境溫度、服役時(shí)間、冷卻類型、油氣信息等。每條線路對應(yīng)一個(gè)狀態(tài)向量x_i，假設(shè)有n段需要檢測異常狀態(tài)的線路，則形成線路樣本集合X＝{x₁,x₂,...,x_n}，每臺變壓器對應(yīng)一個(gè)狀態(tài)向量y_i，假設(shè)有m臺需要檢測異常狀態(tài)的變壓器，則形成線路樣本集合Y＝{y₁,y₂,...,y_m}

步驟2、利用k-means聚類算法對線路多維數(shù)據(jù)進(jìn)行聚類。

在實(shí)際運(yùn)行過程中，由于輸變電設(shè)備的設(shè)備屬性、運(yùn)行工況、環(huán)境的差異，對于設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)，多維數(shù)據(jù)之間的關(guān)系難以用精確、統(tǒng)一的函數(shù)來描述。因此，本步驟采用k-means聚類算法對多維數(shù)據(jù)進(jìn)行聚類，既能充分利用大數(shù)據(jù)來源廣、信息完備的優(yōu)勢，又能將各參量間的復(fù)雜相關(guān)關(guān)系簡化。

給定線路樣本集合X＝{x₁,x₂,...,x_n}，k-means算法針對聚類所得簇劃分C＝{C₁,C₂,...,C_k}，最小化平方誤差

其中μ_i是簇C_i的均值向量。

步驟2-1、從線路樣本集合X＝{x₁,x₂,...,x_n}中隨機(jī)選擇k個(gè)樣本作為初始線路均值向量。

步驟2-2、簇劃分的迭代過程。

步驟2-2-1、計(jì)算各線路樣本x_j與各線路均值向量μ_i的歐式距離

根據(jù)距離最近的均值向量確定x_j的簇標(biāo)記λ_j＝arg min_{i∈{1,2,...,k}}d_ji，將樣本x_j劃入相應(yīng)的簇C_λj＝C_λj∪{x_j}。由此將所有樣本分類到各個(gè)簇中。

步驟2-2-2、計(jì)算每個(gè)簇新的線路均值向量

如果新計(jì)算的線路均值向量與當(dāng)前線路均值向量相同，則保持當(dāng)前線路均值向量不變，否則更新為新計(jì)算的線路均值向量。

步驟2-2-3、重復(fù)步驟重復(fù)2-2-1和2-2-2，直至每個(gè)均值向量都不再變更，迭代停止。最終形成k個(gè)簇，每個(gè)簇中包含狀態(tài)相近的線路樣本。

步驟3、重復(fù)步驟2，利用k-means聚類算法對變壓器多維數(shù)據(jù)進(jìn)行聚類，最終形成得到變壓器均值向量η′。

步驟4、計(jì)算狀態(tài)異常設(shè)備的異常偏離度。