智能变电站实时诊断及故障预警方法技术

本发明专利技术公开了智能变电站实时诊断及故障预警方法，其特征在于，所述方法包括如下步骤：S1：将变电站故障发生时的电气设备运行数据、网络流量数据、服务器日志数据输入数据库中形成故障数据，建立大量数据集样本训练空间；S2：通过网络包分析工具捕获网络包，并将网络包中的数据上传数据库进行分析并进行显示，网络包中的数据为网络数据；S3：在数据库内对数据进行机器学习，通过机器学习对故障数据和网络数据进行分类对比，获得故障模型；S4：基于前述的故障模型，形成变电站设备运行故障参数波动阈值，并接入变电站实时数据，当实时数据的波动阈值超过故障模型的预警值时，进行故障预警显示。

Real-time Diagnosis and Fault Early Warning Method for Intelligent Substation

The invention discloses a real-time diagnosis and fault early warning method for intelligent substation, which is characterized by the following steps: S1: Input the operation data of electrical equipment, network flow data and server log data when the substation fault occurs into the database to form fault data, and establish a large number of data set sample training space; S2: Capture the network through network package analysis tool. Packet and upload the data in the network package to the database for analysis and display, the data in the network package for network data; S3: machine learning in the database, through machine learning to classify and compare the fault data and network data, to obtain the fault model; S4: Based on the aforementioned fault model, to form the fluctuation threshold of the operation fault parameters of substation equipment, and When the fluctuation threshold of real-time data exceeds the early warning value of fault model, the fault early warning display is carried out when the real-time data is connected to the substation real-time data.

【技术实现步骤摘要】
智能变电站实时诊断及故障预警方法
本专利技术涉及一种故障预警方法，具体涉及智能变电站实时诊断及故障预警方法。
技术介绍
IEC61850规约实现了变电站的数字化和信息化，通过GOOSE、SV和MMS报文来实现全站设备之间的信息交互，完成设备的控制、保护和监测等功能。为了帮助运维人员和技术人员能在变电站事件发生后能及时定位故障点并倒找故障原因，智能变电站配有网络分析系统，现有网络分析系统实现了全网数据的采集存储、通信链路状态的监测、异常信息的告警功能，但缺乏有效地对各种告警信息进行分类和筛选的手段，往往使得运维人员在面对大量的告警信息时手足无措和毫无头绪。此外，链路异常和设备告警等信息相互独立存在，之间不具备关联分析能力，导致目前的网络分析系统只能异常展现，不具备智能分析能力，无法实现态势感知和主动预警。
技术实现思路
本专利技术所要解决的技术问题是诊断结果模糊化，仅能够提示大量的异常告警信息，无法对告警信息进行分类和给出消缺措施，不能动态展示整个变电站设备和网络运行状态，技术人员只能通过对数据包进行层层拆解分析并一步一步追根溯源，不仅技术门槛高，工作效率也极为低下，目的在于提供智能变电站实时诊断及故障预警方法，解决上述的问题。本专利技术通过下述技术方案实现：智能变电站实时诊断及故障预警方法，其特征在于，所述方法包括如下步骤：S1：将变电站故障发生时的电气设备运行数据、网络流量数据、服务器日志数据输入数据库中形成故障数据，建立大量数据集样本训练空间；S2：通过网络包分析工具捕获网络包，并将网络包中的数据上传数据库进行分析并进行显示，网络包中的数据为网络数据；S3：在数据库内对数据进行机器学习，通过机器学习对故障数据和网络数据进行分类对比，获得故障模型；S4：基于前述的故障模型，形成变电站设备运行故障参数波动阈值，并接入变电站实时数据，当实时数据的波动阈值超过故障模型的预警值时，进行故障预警显示。现有网络分析系统技术实现步骤：1)镜像交换机端口；2)采集全网数据报文并存储在本地硬盘；3)依据IEC61850协议解析采集到的数据报文；4)对异常情况(通信中断、测控设备未收到信号等)进行告警。这样会产生很多问题，如诊断结果模糊化，仅能够提示大量的异常告警信息，无法对告警信息进行分类和给出消缺措施；不能动态展示整个变电站设备和网络运行状态，技术人员只能通过对数据包进行层层拆解分析并一步一步追根溯源，不仅技术门槛高，工作效率也极为低下。为了解决上述技术问题，通过对智能变电站网络数据实时采集分析的方式，系统由前端数据采集系统、网络传输子系统和后端分析平台组成。实现对变电站的网络数据采集、处理、分析、判据及预测等，并对整个网络运行状态进行可视化展示。进一步地，所述步骤S3中的机器学习包括有监督机器学习和无监督机器学习，所述有监督机器学习是对变电站常见的故障和异常现象进行分类，建立时间序列算法来对当前变电站运行情况进行分析和预测；所述无监督机器学习采用关联分析方式，通过发现频繁项集和挖掘关联规则对故障数据和网络数据进行分类比较，随后进行分析预测。进一步地，所述无监督机器学习采用Apriori算法进行关联运算，通过逐层搜索的迭代对分类数据进行关联分类。进一步地，所述步骤S1中的电气设备运行数据包括电流、电压、有功值数据，在进行故障预警显示时，将电气设备中的各个数据进行显示。本专利技术与现有技术相比，具有如下的优点和有益效果：主要是针对智能变电站运维检修方式效率不高的现状，提出一种智能化诊断和预测技术的一种实现，结合了有监督机器学习、无监督机器学习等技术的优点，从根本上改变现有的变电站运维和诊断模式，提高变电站运维工作效率，实时在线诊断变电站“健康状况”，对可能出现的问题提前感知并给出预防指导意见，未雨绸缪，及时掐断故障的苗头，具有较高的社会和经济效益。附图说明此处所说明的附图用来提供对本专利技术实施例的进一步理解，构成本申请的一部分，并不构成对本专利技术实施例的限定。在附图中：图1为本专利技术处理流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本专利技术作进一步的详细说明，本专利技术的示意性实施方式及其说明仅用于解释本专利技术，并不作为对本专利技术的限定。实施例智能变电站实时诊断及故障预警方法，其特征在于，所述方法包括如下步骤：S1：将变电站故障发生时的电气设备运行数据、网络流量数据、服务器日志数据输入数据库中形成故障数据，建立大量数据集样本训练空间；S2：通过网络包分析工具捕获网络包，并将网络包中的数据上传数据库进行分析并进行显示，网络包中的数据为网络数据；S3：在数据库内对数据进行机器学习，通过机器学习对故障数据和网络数据进行分类对比，获得故障模型；S4：基于前述的故障模型，形成变电站设备运行故障参数波动阈值，并接入变电站实时数据，当实时数据的波动阈值超过故障模型的预警值时，进行故障预警显示。通过对智能变电站网络数据实时采集分析的方式，系统由前端数据采集系统、网络传输子系统和后端分析平台组成。实现对变电站的网络数据采集、处理、分析、判据及预测等，并对整个网络运行状态进行可视化展示。。(1)建立大量数据集样本训练空间搜集变电站典型故障案例并记录故障发生时电气设备运行数据(电流、电压、有功值等)、网络流量数据、服务器日志数据等，同时也可通过在实验室模拟不同的故障来获取相关数据。(2)数据包采集Sniffer、NetFlow和Wireshark是常见网络包分析工具的主要作用是尝试捕获网络包，并尝试显示包的尽可能详细的情况。主要特性有如下几部分：支持UNIX和Windows平台，在接口实时捕捉包，能详细显示包的详细协议信息，可以打开/保存捕捉的包，可以导入导出其他捕捉程序支持的包数据格式，可以通过多种方式过滤包，多种方式查找包，通过过滤以多种色彩显示包，创建多种统计分析，捕捉多种网络接口，支持多种其它程序捕捉的文件，支持多格式输出，对多种协议解码提供支持，开源软件。(3)有监督机器学习机器学习包含有监督学习和无监督学习，在有监督学习模式下，人为对变电站常见的故障和异常现象进行分类，建立时间序列算法(回归算法)来对当前变电站运行情况进行分析和预测。(4)无监督机器学习无监督几区学习最重要的一环便是关联分析，它可用于在大规模数据集中发现数据信息之间的关联性或相关性。关联分析的目标主要包括两个：发现频繁项集和挖掘关联规则。Apriori算法是一种发现频繁项集的有效算法，它使用一种称作逐层搜索的迭代方法，即k项集用于探索(k+1)项集：首先，找出频繁1项集的集合，该集合记作L1，L1用于找频繁2项集的集合L2，而L2用于找L3，如此下去，直到不能找到k项集。每找一个Lk需要一次数据库扫描。为提高频繁项集逐层产生的效率，一种称作Apriori的重要性质用于压缩搜索空间，其基本原理在于：1、如果某个项集是频繁的，那么它的所有子集势必也是频繁的；2、如果一个项集是非频繁项集，那么它所对应的超集就全都是非频繁项集。尽管Apriori算法可以避免项集数目的指数增长，从而在合理时间内计算出频繁项集，但是其效率仍然不太理想。为了更加快速地找出频繁项集，研究人员提出了FP-growth算法来弥补Apriori算法的不足。和Apriori算法本文档来自技高网...

【技术保护点】
1.智能变电站实时诊断及故障预警方法，其特征在于，所述方法包括如下步骤：S1：将变电站故障发生时的电气设备运行数据、网络流量数据、服务器日志数据输入数据库中形成故障数据，建立大量数据集样本训练空间；S2：通过网络包分析工具捕获网络包，并将网络包中的数据上传数据库进行分析并进行显示，网络包中的数据为网络数据；S3：在数据库内对数据进行机器学习，通过机器学习对故障数据和网络数据进行分类对比，获得故障模型；S4：基于前述的故障模型，形成变电站设备运行故障参数波动阈值，并接入变电站实时数据，当实时数据的波动阈值超过故障模型的预警值时，进行故障预警显示。

【技术特征摘要】
1.智能变电站实时诊断及故障预警方法，其特征在于，所述方法包括如下步骤：S1：将变电站故障发生时的电气设备运行数据、网络流量数据、服务器日志数据输入数据库中形成故障数据，建立大量数据集样本训练空间；S2：通过网络包分析工具捕获网络包，并将网络包中的数据上传数据库进行分析并进行显示，网络包中的数据为网络数据；S3：在数据库内对数据进行机器学习，通过机器学习对故障数据和网络数据进行分类对比，获得故障模型；S4：基于前述的故障模型，形成变电站设备运行故障参数波动阈值，并接入变电站实时数据，当实时数据的波动阈值超过故障模型的预警值时，进行故障预警显示。2.根据权利要求1所述的智能变电站实时诊断及故障预警方法，其特征在于，所述步骤S...

【专利技术属性】
技术研发人员：张泰，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：四川,51