基于二次设备关键运行特征的工况可视化预警方法及系统技术方案

本发明专利技术属于二次设备检测技术领域，公开了基于二次设备关键运行特征的工况可视化预警方法及系统。该方法包括：采集当前二次设备关键运行特征的工况异常因素对应的预警样本数据集；依据预定的标准关键运行特征的工况对预警样本数据集进行绝对划分；基于机器学习方法的二次设备关键运行特征的工况异常因素与故障关联关系建模；建模结果准确性评价；确定二次设备关键运行特征的工况异常因素与故障的关联关系模型，对二次设备异常工况进行可视化预警示出。本发明专利技术对智能变电站二次设备的检修工作提供参考，有利于智能变电站的安全稳定运行。行。行。

【技术实现步骤摘要】
基于二次设备关键运行特征的工况可视化预警方法及系统


[0001]本专利技术属于二次设备检测
，尤其涉及基于二次设备关键运行特征的工况可视化预警方法及系统。

技术介绍

[0002]在变电所当中，输送和分配电能的设备被称为一次设备。一般而言一次设备可能包括：变压器、断路器、刀闸、互感器、母线、避雷器等。而对一次设备进行控制、检测、保护的设备被称为二次设备，例如熔断器、控制开关、继电器、控制电缆等设备均属于常见的二次设备。在变电设备的运行管理过程当中，二次设备的运行管理是一个尤为复杂和繁琐的环节。所以现阶段在本领域当中，普遍将提高二次设备的运行管理，避免误操作事故作为重点课题。
[0003]现阶段的二次设备运行管理，主要以传统的纸质文档或电子文档为主。二次设备运行管理当中涉及的包括一次主接线图、整定单、二次图纸、计算书、设备定级表、厂站信息表等相关的文档，数目庞大，种类繁多。仅以传统的纸质或电子文档进行管理的话，限于传统管理方式的依赖人工管理的局限性，则必然错在工作量大，易丢失，效率低下等缺点；并且在管理上也必须长期使用资料柜保存，查询、复制、存档，使得管理过程非常繁琐。不利于系统的管理和查找。
[0004]再者智能变电站二次设备的运行参数风险预警可以有效提高设备的可靠运行水平。目前为止对智能变电站二次设备的风险预警大都停留在定性层面，因此，如何有效对智能变电站二次设备的运行风险进行预警亟待解决。
[0005]通过上述分析，现有技术存在的问题及缺陷为：现有预警方法中，存在功能分散、数据源单一、准确性与时效性低的缺点。

技术实现思路

[0006]为克服相关技术中存在的问题，本专利技术公开实施例提供了基于二次设备关键运行特征的工况可视化预警方法及系统。
[0007]所述技术方案如下：基于二次设备关键运行特征的工况可视化预警方法，包括：
[0008]S1，采集当前二次设备关键运行特征的工况异常因素对应的预警样本数据集；
[0009]S2，依据预定的标准关键运行特征的工况，对预警样本数据集进行绝对划分；
[0010]S3，基于机器学习方法的二次设备关键运行特征的工况异常因素与故障关联关系建模；
[0011]S4，对建模结果准确性评价；
[0012]S5，确定二次设备关键运行特征的工况异常因素与故障的关联关系模型，对二次设备异常工况进行可视化预警示出；
[0013]进一步，所述二次设备关键运行特征的工况异常因素与故障关联关系建模，包括：
[0014]步骤1，输入当前二次设备关键运行特征的工况异常因素对应的预警样本数据组
成的k
×
X矩阵；k为故障因素中异常因素位点的个数，X为预警样本个数；预警样本的类别向量1
×
X维，当前二次设备关键运行特征的工况异常因素与故障的初始化关联关系模型YJ；
[0015]步骤2，输出当前二次设备关键运行特征的工况异常因素与故障的关联关系模型GL。
[0016]在步骤2中，输出当前二次设备关键运行特征的工况异常因素与故障的关联关系模型GL，具体包括：
[0017]第一步，对于输入的k
×
X的预警样本数据集，进行t次有放回的随机重采样，产生t个相同规模的重采样数据集T
i
；
[0018]第二步，对于重采样数据集T
i
，建立当前二次设备关键运行特征的工况异常因素其与故障的初始关联关系模型YJx：其中i＝1,2,3
…
t；
[0019]第三步，对在当前二次设备关键运行特征的工况异常因素上t次建模的结果进行平均，得到当前二次设备关键运行特征的工况异常因素与故障的初始关联关系模型YJ；
[0020][0021]第四步，对第i个重采样数据集T
i
依据初始关联关系模型YJ中的故障概率值，对预警样本数据集进行划分，得到划分后的数据集H
i
；
[0022]第五步，用划分后的数据集H
i
，对在当前二次设备关键运行特征的工况异常因素上t次建模的结果进行平均，得到当前输出的关联关系模型GL；
[0023][0024]式中，GL
i
为在第i个输出的关联关系模型；
[0025]第六步，判定当前关联关系模型GL的收敛性。
[0026]在第六步中，判定当前关联关系模型GL的收敛性，包括：
[0027]对于当前二次设备关键运行特征的工况异常因素，若即当前关联关系模型GL中各个状态组合上的平均变化值不超过设定阈值，threshold为0.005，则认为过程收敛，当前关联关系模型GL为最终所求关联关系模型，输出即可；式中，k表示故障因素中异常因素位点的个数，threshold表示当前关联关系模型GL收敛性阈值；
[0028]否则，利用当前关联关系模型GL的值将初始关联关系模型YJ更新，即GL＝YJ。
[0029]在第四步至第六步中，不断重复直到收敛，获得了该二次设备关键运行特征的工况异常因素与故障的关联关系模型GL；对每个二次设备关键运行特征的工况异常因重复第一步至第六步，获得每个二次设备关键运行特征的工况异常因素与故障的关联关系模型。
[0030]在第二步中，对于重采样数据集Ti
，
建立当前二次设备关键运行特征的工况异常因素其与故障的初始关联关系模型YJ
i
，包括：
[0031]通过CART决策树算法训练一个预测模型，将当前二次设备关键运行特征的工况异常因素的3
k
种异常因素状态组合中的每一个S
j
作为测试数据输入模型，分别记录模型的输出P
ij
(j＝1,2
…3k
)，则当前二次设备关键运行特征的工况异常因素与故障的初始化关联关
系模型为：
[0032]Y
Ji
＝(P
i1
,P
i2
…
P
ij
)。
[0033]在第四步中，对第i个重采样数据集T
i
依据初始关联关系模型YJ中的故障概率值，对预警样本数据集进行划分，得到划分后的数据集H
i
，包括：
[0034]用第i个划分后的数据集H
i
，分别建立当前二次设备关键运行特征的工况异常因素与故障的关联关系模型PM
i
，具体方法为：通过CART决策树算法训练一个预测模型，将当前二次设备关键运行特征的工况异常因素的3
k
种异常因素状态组合中的每一个S
j
作为测试数据输入模型，分别记录模型的输出P
ij
；得到当前二次设备关键运行特征的工况异常因素与故障的关联关系模型PM
i
，表达式为：
[0035]GL
i
＝(P
i1
,P
...

【技术保护点】

【技术特征摘要】
1.一种基于二次设备关键运行特征的工况可视化预警方法，其特征在于，该方法包括：S1，采集当前二次设备关键运行特征的工况异常因素对应的预警样本数据集；S2，依据预定的标准关键运行特征的工况，对预警样本数据集进行绝对划分；S3，基于机器学习方法的二次设备关键运行特征的工况异常因素与故障关联关系建模；S4，对建模结果准确性评价；S5，确定二次设备关键运行特征的工况异常因素与故障的关联关系模型，对二次设备异常工况进行可视化预警示出。2.根据权利要求1所述的基于二次设备关键运行特征的工况可视化预警方法，其特征在于，所述二次设备关键运行特征的工况异常因素与故障关联关系建模，包括：步骤1，输入当前二次设备关键运行特征的工况异常因素对应的预警样本数据组成的k
×
X矩阵；k为故障因素中异常因素位点的个数，X为预警样本个数；预警样本的类别向量1
×
X维，当前二次设备关键运行特征的工况异常因素与故障的初始化关联关系模型YJ；步骤2，输出当前二次设备关键运行特征的工况异常因素与故障的关联关系模型GL。3.根据权利要求2所述的基于二次设备关键运行特征的工况可视化预警方法，其特征在于，在步骤2中，输出当前二次设备关键运行特征的工况异常因素与故障的关联关系模型GL，具体包括：第一步，对于输入的k
×
X的预警样本数据集，进行t次有放回的随机重采样，产生t个相同规模的重采样数据集T
i
；第二步，对于重采样数据集T
i
，建立当前二次设备关键运行特征的工况异常因素其与故障的初始关联关系模型YJ
i
：其中i＝1,2,3
…
t；第三步，对在当前二次设备关键运行特征的工况异常因素上t次建模的结果进行平均，得到当前二次设备关键运行特征的工况异常因素与故障的初始关联关系模型YJ；第四步，对第i个重采样数据集T
i
依据初始关联关系模型YJ中的故障概率值，对预警样本数据集进行划分，得到划分后的数据集H
i
；第五步，用划分后的数据集H
i
，对在当前二次设备关键运行特征的工况异常因素上t次建模的结果进行平均，得到当前输出的关联关系模型GL；式中，GL
i
为在第i个输出的关联关系模型；第六步，判定当前关联关系模型GL的收敛性。4.根据权利要求3所述的基于二次设备关键运行特征的工况可视化预警方法，其特征在于，在第六步中，判定当前关联关系模型GL的收敛性，包括：对于当前二次设备关键运行特征的工况异常因素，若即当前关
联关系模型GL中各个状态组合上的平均变化值不超过设定阈值，threshold为0.005，则认为过程收敛，当前关联关系模型GL为最终所求关联关系模型，输出即可；式中，k表示故障因素中异常因素位点的个数，threshold表示当前关联关系模型GL收敛性阈值；否则，利用当前关联关系模型GL的值将初始关联关系模型YJ更新，即GL＝YJ。5.根据权利要求3所述的基于二次设备关键运行特征的工况可视化预警方法，其特征在于，在第四步至第六步中，不断重复直到收敛，获得了该二次设备关键运行特征的工况异常因素与故障的关联关系模型GL；对每个二次设备关键运行特征的工况异常因重复第一步至第六步，获得每个二次设备关键运行特征的工况异常因素与故障的关联关系模型。6.根据权利要求3所述的基于二次设备关键运行特征的工况可视化预警方法，其特征在于，在第二步中，对于重采样数据集T
i
，建立当前二次设备关键运行特征的工况异常因素其与故障的初始关联关系模型YJ
i
，包括：通过CART决策树算法训练一个预测模型，将当前二次设备关键运行特征的工况异常因素的3
k
种异常因素状态组合中的每一个S
j
作为测试数据输入模型，分别...

【专利技术属性】
技术研发人员：余文强，冯波，牛山草，王帅，万毅，李伟，董世令，王均慧，詹庆才，曾峰，周玉冰，周明，吕国勇，余扬波，刘天慈，龚昕，王鹏涛，叶小峰，杨震安，
申请(专利权)人：北京四方继保工程技术有限公司，
类型：发明
国别省市：