一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法技术

一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，所述方法对电力二次设备特征提取、主成份分析、可靠概率统计分布、距离计算来进行异常样本识别，综合分析二次设备监测的历史大数据，采用快速相关性分析的方法，完成对二次设备的软件、硬件、通信系统等隐性故障进行诊断。该方法的数据来源是SCADA系统中的实时数据和历史数据。本发明专利技术的基于异常点监测和大数据分析的二次设备隐患故障诊断方法提高了二次设备隐性故障诊断的准确性和快速性，具有极其重要的实际意义。

A hidden fault diagnosis method for two equipment based on outlier monitoring and large data analysis

One of the two hidden equipment fault diagnosis method of outlier analysis and monitoring data based on the method of feature extraction, the two power equipment of principal component analysis, probability statistical distribution, distance calculation of abnormal sample recognition, the historical data of the two equipment monitoring and comprehensive analysis, using the method of fast correlation analysis the diagnosis of hidden failures, for a two time to complete the hardware and software of communication system, etc.. The data source of the method is real-time data and historical data in the SCADA system. The hidden trouble diagnosis method of the two equipment based on the monitoring of abnormal points and the analysis of large data improves the accuracy and rapidity of the hidden fault diagnosis of the two equipment, and has extremely important practical significance.

【技术实现步骤摘要】
一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法
本专利技术涉及一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，适用于对变电站内二次设备隐患故障诊断。
技术介绍
智能变电站内二次设备状态信息繁多、需要加工处理，才能识别二次设备隐患故障。在传统的设备隐患评估系统中，通常先建立指标体系，采用人工收集数据，并进行自动打分与综合加权判断的方式，实现对设备状态的评估。但是这一方式存在着诸多问题：指标区间不准确和难以确定，人工录入数据具有一定的主观性和不便性等。这些使得传统方法难以达到监测设备隐患的目标。采用基于异常点监测和大数据分析的二次设备隐患故障诊断方法，是对具有在功能类型、型号、厂商等某个方面具有可比性的二次设备数据进行抽样和样本组织，进而用于基于模型、距离的方法进行异常点监测，结合大数据分析设备隐患故障相关性，可以有效地发现工况处于异常的设备。
技术实现思路
本专利技术的目的在于提供一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，它能够对电力二次设备特征提取、主成份分析、可靠概率统计分布、距离计算来进行异常样本识别，综合分析二次设备监测的历史大数据，采用快速相关本文档来自技高网...

【技术保护点】
一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：所述二次设备隐患故障诊断方法获取的数据源是变电站端或者调度端的SCADA监控系统中的实时数据和历史数据，这些数据经过整理、加工、计算和分析，来达到对设备隐患故障的诊断。

【技术特征摘要】
1.一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：所述二次设备隐患故障诊断方法获取的数据源是变电站端或者调度端的SCADA监控系统中的实时数据和历史数据，这些数据经过整理、加工、计算和分析，来达到对设备隐患故障的诊断。2.一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于，所述二次设备隐患故障诊断方法包括以下步骤：(1)选择二次设备的数据源，获取二次设备的实时数据和历史数据；(2)提取步骤(1)获得的二次设备实时数据中描述二次设备参数的特征值；(3)对步骤(2)所提取的特征值向量进行降维处理；(4)对步骤(3)中得到的降维处理之后的特征值向量计算可靠估计概率分布；(5)根据步骤(4)得到的概率分布的中心数据，对步骤(2)描述二次设备参数的特征值进行距离计算；(6)根据步骤(5)的距离计算结果标识步骤(2)二次设备实时数据中描述二次设备参数的特征值中的异常样本；(7)计算二次设备历史数据中描述二次设备参数的特征值中的异常样本；(8)计算步骤(6)所标识的实时数据中的异常样本和步骤(7)得到的历史数据中的异常样本的拟合程度；(9)根据步骤(8)计算的拟合程度，识别出二次设备隐患故障趋势，拟合程度越高，二次设备隐患故障发生的可能性越大。3.根据权利要求2所述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：在步骤(1)中，所述二次设备的数据源为SCADA监控系统的实时库和历史库；从SCADA监控系统的实时数据中找出描述二次设备软件、硬件、通信系统的参数；SCADA监控系统的历史数据是实时数据的转储。4.根据权利要求2所述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：在步骤(1)中，描述二次设备软件的参数有CPU使用率、内存占用率、硬盘使用率；描述二次设备硬件的参数有模拟量采集错、装置参数错、ROM校验和错、定值错、定值区指针错、开出不响应、开出击穿、压板模式未确认、软压板错、开出EEPROM出错；描述二次设备通信系统的参数有GOOSE板通信中断、CPU召唤无应答、GOOSE无开入信息。5.根据权利要求2所述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：在步骤(2)中，将二次设备参数的时间序列进行简化分解，采用自回归积分滑动平均模型即ARIMA模型提取二次设备参数的特征值。6.根据权利要求2所述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：在步骤(3)中，将步骤(2)提取的特征值数据集映射到一组新的坐标系下；新坐标系的第一个维度是第一个主成份，保留K个主成份，从而达到降维目的，其中，1≤K≤5。7...

【专利技术属性】
技术研发人员：丁晓兵，王申强，余江，魏雷远，张弛，黄佳胤，牛智勇，徐鹏，彭业，刘千宽，白文，
申请(专利权)人：中国南方电网有限责任公司，北京四方继保自动化股份有限公司，
类型：发明
国别省市：广东,44