一种基于云边协同的配电台区重过载异常判断方法及系统技术方案

本发明专利技术公开了一种基于云边协同的配电台区重过载异常判断方法及系统，其中方法包括：采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将特征数据发送至云端服务器；在云端服务器建立配电台区重过载异常聚类模型，通过配电台区重过载异常聚类模型基于接收到的特征数据对配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将配电台区重过载异常聚类模型的参数发送至边缘侧终端；通过边缘侧终端基于接收到的配电台区重过载异常聚类模型的参数建立重过载异常研判模型；计算边缘侧配电台区的实时特征数据，通过重过载异常研判模型基于实时特征数据对配电台区的当前重过载异常进行判断。断。断。

【技术实现步骤摘要】
一种基于云边协同的配电台区重过载异常判断方法及系统


[0001]本专利技术涉及配电台区异常状态研判
，更具体地，涉及一种基于云边协同的配电台区重过载异常判断方法及系统。

技术介绍

[0002]随着能源储输技术、通信技术、互联网技术等电力工业技术和新一代信息通信技术的不断进步，配电网将向着信息流、电力流、能源流高度融合的开放、智能、柔性、清洁的新型运行模式持续发展。配电网具有规模巨大、结构复杂、不确定的信息较多、智能化程度不够等特征。低压配电台区是配电网的最底层单元，是智能配电网建设的关键元素。随着配电自动化、电能质量监控、用户能效管理等系统的推广应用及成套设备的部署，配电台区产生的异构、多元数据成指数级增长，但这些数据却没有被有效利用和分析，仅简单地经台区终端采集后上送至各系统，无法对供电可靠性和精益化管理的提升产生价值，使得当前的配电台区仅具备配电变压器附近各类电气设备监测功能，从配电变压器出线到用户电之间的低压配电网仍然缺乏智能监测管控手段。
[0003]随着深入应用“云大物移智”等先进的配电物联网技术，从本质上可以助推配电网建设、运维、管理水平的提升，实现跨越式发展。配电物联网是传统工业技术与物联网技术深度融合产生的一种新型电力网络形态，通过配电网设备间的全面互联、互通、互操作，具有能量流、信息流与业务流交互耦合的特征，能够实现配电网的全面感知、数据融合和智能应用，满足配电网精益化、智能化管理需求。但是，当前我国配电物联网建设正处于起步阶段，存在以下关键技术挑战：
①
传感器的覆盖不充分，电网仍存在监测盲区；
②
数据模型和通信标准没有统一，信息孤岛难以消除；
③
数据分析智能化程度低，供用电数据价值尚未被有效挖掘；
④
尚未建立有效的协作模型，多主体间协作机制尚未成熟等。
[0004]随着信息技术和物联网的飞速发展，电网提出配电物联网作为配电台区业务的解决方案。配电物联网技术采用“云管边端”架构，云中心负责数据深度挖掘和高级业务的处理，边缘计算终端负责数据采集和就地处理，满足实时业务的延时要求。随着电网数字化转型程度不断加深，配电业务不断涌现新兴业务，云中心无法承载指数增长的配电数据带来的通讯压力，边缘计算终端无法匹配不断更新增长的配电业务计算资源需求。云边协同体系能将原有云计算模型的部分或全部计算任务迁移到网络边缘设备上，降低云计算中心带宽的压力，减缓边缘计算终端的计算资源需求，提高海量数据的处理效率。因此需要研究将配用电业务的云边协同技术，从而提高配用电边缘数据的处理效率，加强边缘计算终端的靠近数据端的优势。
[0005]因此，需要一种技术，以实现基于云边协同对配电台区重过载异常进行判断。

技术实现思路

[0006]本专利技术技术方案提供一种基于云边协同的配电台区重过载异常判断方法及系统，以解决如何基于云边协同对配电台区重过载异常进行判断的问题。
[0007]为了解决上述问题，本专利技术提供了一种基于云边协同的配电台区重过载异常判断方法，所述方法包括：
[0008]采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将所述特征数据发送至云端服务器；
[0009]在云端服务器建立配电台区重过载异常聚类模型，通过所述配电台区重过载异常聚类模型基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将所述配电台区重过载异常聚类模型的参数发送至边缘侧终端；
[0010]通过所述边缘侧终端基于接收到的所述配电台区重过载异常聚类模型的参数建立重过载异常研判模型；
[0011]计算边缘侧配电台区的实时特征数据，通过所述重过载异常研判模型基于所述实时特征数据对配电台区的当前重过载异常进行判断。
[0012]优选地，所述特征数据包括：负载率特征、重载累计时间特征、过载累计时间特征、重载持续时间特征、过载持续时间特征、重载频次特征、过载频次特征。
[0013]优选地，包括：
[0014]所述负载率特征计算公式为：
[0015][0016]其中，max(i
a
,i
b
,i
c
)为配电变压器低压侧三相电流最大值，i为配电变压器低压侧额定电流，load_rate为负载率特征；
[0017]所述重载累计时间特征计算公式为：
[0018][0019][0020]其中，load_rate
i
为第i时刻配电变压器的负载率，k
i
为第i时刻配电变压器重载状态，t为统计时间尺度，l
z
为重载累计时间特征；
[0021]所述过载累计时间特征计算公式为：
[0022][0023][0024]其中，load_rate
i
为第i时刻配电变压器的负载率，m
i
为第i时刻配电变压器重载状态，t为统计时间尺度，l
g
为过载累计时间特征；
[0025]所述重载持续时间特征计算公式为：
[0026][0027]其中，load_rate
i
为第i时刻配电变压器的负载率，c
z
‑1为配电变压器上一时刻的
重载持续时间，c
z
为重载持续时间特征；
[0028]所述过载持续时间特征计算公式为：
[0029][0030]其中，load_rate
i
为第i时刻配电变压器的负载率，c
g
‑1为配电变压器上一时刻的过载持续时间，c
g
为过载持续时间特征；
[0031]所述重载频次特征计算公式为：
[0032][0033][0034]其中，c
zi
为第i时刻配电变压器的重载持续时间，c
z(i
‑
1)
为第i
‑
1时刻的配电变压器重载持续时间，p
i
为第i时刻配电变压器发生重载事件标志，t为统计时间尺度，f
z
为重载频次特征；
[0035]所述过载频次特征计算公式为：
[0036][0037][0038]其中，c
gi
第i时刻配电变压器的过载持续时间，c
g(i
‑
1)
为第i
‑
1时刻的配电变压器过载持续时间，q
i
为第i时刻配电变压器发生过载事件标志，t为统计时间尺度，f
g
为过载频次特征。
[0039]优选地，还包括：将所述特征数据通过JSON格式发送至云端服务器。
[0040]优选地，还包括：所述配电台区重过载异常聚类模型通过K
‑
means算法基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练。
[0041]优选地，所述通过所述重过载异常研判模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云边协同的配电台区重过载异常判断方法，所述方法包括：采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将所述特征数据发送至云端服务器；在云端服务器建立配电台区重过载异常聚类模型，通过所述配电台区重过载异常聚类模型基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将所述配电台区重过载异常聚类模型的参数发送至边缘侧终端；通过所述边缘侧终端基于接收到的所述配电台区重过载异常聚类模型的参数建立重过载异常研判模型；计算边缘侧配电台区的实时特征数据，通过所述重过载异常研判模型基于所述实时特征数据对配电台区的当前重过载异常进行判断。2.根据权利要求1所述的方法，所述特征数据包括：负载率特征、重载累计时间特征、过载累计时间特征、重载持续时间特征、过载持续时间特征、重载频次特征、过载频次特征。3.根据权利要求2所述的方法，包括：所述负载率特征计算公式为：其中，max(i
a
,i
b
,i
c
)为配电变压器低压侧三相电流最大值，i为配电变压器低压侧额定电流，load_rate为负载率特征；所述重载累计时间特征计算公式为：所述重载累计时间特征计算公式为：其中，load_rate
i
为第i时刻配电变压器的负载率，k
i
为第i时刻配电变压器重载状态，t为统计时间尺度，l
z
为重载累计时间特征；所述过载累计时间特征计算公式为：所述过载累计时间特征计算公式为：其中，load_rate
i
为第i时刻配电变压器的负载率，m
i
为第i时刻配电变压器重载状态，t为统计时间尺度，l
g
为过载累计时间特征；所述重载持续时间特征计算公式为：其中，load_rate
i
为第i时刻配电变压器的负载率，c
z
‑1为配电变压器上一时刻的重载持
续时间，c
z
为重载持续时间特征；所述过载持续时间特征计算公式为：其中，load_rate
i
为第i时刻配电变压器的负载率，c
g
‑1为配电变压器上一时刻的过载持续时间，c
g
为过载持续时间特征；所述重载频次特征计算公式为：所述重载频次特征计算公式为：其中，c
zi
为第i时刻配电变压器的重载持续时间，c
z(i
‑
1)
为第i
‑
1时刻的配电变压器重载持续时间，p
i
为第i时刻配电变压器发生重载事件标志，t为统计时间尺度，f
z
为重载频次特征；所述过载频次特征计算公式为：载频次特征计算公式为：其中，c
gi
第i时刻配电变压器的过载持续时间，c
g(i
‑
1)
为第i
‑
1时刻的配电变压器过载持续时间，q
i
为第i时刻配电变压器发生过载事件标志，t为统计时间尺度，f
g
为过载频次特征。4.根据权利要求1所述的方法，还包括：将所述特征数据通过JSON格式发送至云端服务器。5.根据权利要求1所述的方法，还包括：所述配电台区重过载异常聚类模型通过K
‑
means算法基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练。6.根据权利要求1所述的方法，所述通过所述重过载异常研判模型基于所述实时特征数据对配电台区的当前重过载异常进行判断，判断公式为：其中，k为第k个聚类中心，n为该聚类中心的特征个数，h(x
i
)为该聚类中心第i个特征的值，y
i
为第i个特征的实时采集值；异常程度level的表示公式为：
其中，1、2、3、4分别代表正常、注意、异常以及严重。7.根据权利要求1所述的方法，还包括：通过所述边缘侧终端向云端服务器发送所述配电台区重过载异常聚类模型的参数的更新请求；所述云端服务器基于所述更新请求，请更新后的所述配电台区重过载异常聚类模型的参数发送至所述边缘侧终端；通过所述边缘侧终端计算更新后的所述配电台区重过载异常聚类模型的参数与现有的所述配电台区重过载异常聚类模型的参数的偏差，获取偏差结果；通过所述边缘侧终端基于所述偏差结果，确定是否应用更新后的所述配电台区重过载异常聚类模型的参数。8.一种基于云边协同的配电台区重过载异常判断系统，所述系统包括：...

【专利技术属性】
技术研发人员：张波，刘海涛，周勐，杨红磊，李玉凌，何连杰，孙智涛，许保平，李立生，张林利，樊迪，刘洋，
申请(专利权)人：国家电网有限公司国网山东省电力公司国网山东省电力公司电力科学研究院，
类型：发明
国别省市：