配电站所终端遥测值异常检测方法及系统技术方案

本发明专利技术公开了配电站所终端遥测值异常检测方法及系统，涉及遥测值异常检测技术领域，通过训练预测配电站所是否异常的异常状态预测模型以及对异常进行设备定位的异常设备定位模型，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签，基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息；实现对电路故障的自动检测以及自动定位。实现对电路故障的自动检测以及自动定位。实现对电路故障的自动检测以及自动定位。

【技术实现步骤摘要】
配电站所终端遥测值异常检测方法及系统


[0001]本专利技术涉及遥测值异常检测
，具体是配电站所终端遥测值异常检测方法及系统。

技术介绍

[0002]现有配运行所终端遥测系统在长期过程中，由于传感器老化、连接故障、外部干扰等原因，会导致遥测参数出现跳变、突发性增大或减小、长期偏差较弱；而现有的配电站终端系统本身无法自动识别遥测参数的异常情况，需要运维人员通过经验判断来发现故障，这导致很多故障无法及时发现，延长了故障响应时间，降低了运维和维护的效率；而且基于经验的故障分析也难以快速的对故障设备进行定位，也难以提供准确的设备故障检测的顺序，从而为配电站的正常工作的维修效率带来挑战。
[0003]申请公开号为CN113820561A的中国专利公开了一种基于电流分析的配电站母线故障检测方法，采集所述配电站母线三相电流信号、各支路三相电流信号；计算所述配电站母线特征频带；提取所述特征频带的所述母线三相电流信号、所述各支路三相电流信号；计算瞬时零序电流；计算所述零序电流信号在所述特征频带内n
×
ΔT时间段内的积分；根据所述积分判断所述配电站母线是否存在异常；然而该方法未能实现故障的定位分析；为此，本专利技术提出配电站所终端遥测值异常检测方法及系统。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出配电站所终端遥测值异常检测方法及系统，提高了配电系统的安全稳定运行性。
[0005]为实现上述目的，根据本专利技术的实施例1提出配电站所终端遥测值异常检测方法，包括以下步骤：步骤一：收集配电站所布局数据，并基于配电站所布局数据，收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据；步骤二：以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型；步骤三：将历史遥测特征数据转化为历史遥测统计特征数据，并以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型；步骤四：在异常状态预测模型和异常设备定位模型生成后，实时收集配电站所的遥测特征数据；步骤五：预设遥测值范围集合，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签；若第一状态标签为异常，转至步骤六，否则，继续进行第一状态判断；步骤六：基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状
态标签，若第二状态标签为异常，转至步骤七，否则，转至步骤五；步骤七：将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息；所述收集配电站所布局数据的方式为：预先收集配电站所内所有待定位电气设备的位置和编号，所述配电站所布局数据包括每台待定位电气设备的编号与位置的对应关系；所述收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据的方式为：收集配电站所中，每一时刻的各项电气特征的遥测值，并将遥测值按时间顺序排列为对应电气特征的遥测值序列；将各项电气特征的遥测值序列按电路异常状态划分为正常遥测特征数据集合以及异常遥测特征数据集合；所述划分为正常遥测特征数据集合以及异常遥测特征数据集合的方式为：在按时间顺序收集遥测值序列的过程中，将遥测值序列收集的开始时刻作为第0序列开始时刻；若任意时刻中，任意的待定位电气设备发生异常，将该时刻作为第n序列开始时刻，将该待定位电气设备的异常修复完成的时刻作为第n序列结束时刻；其中，n为配电站所中按时间顺序，对出现待定位电气设备发生异常的事件设置的编号，且n>0；将第0序列开始时刻至第1序列开始时刻的时间段内，各项电气特征的遥测值序列段组成一组正常遥测特征数据；所述遥测值序列段为遥测值序列中的一段遥测值子序列；对于任意的n>0，将第n序列开始时刻至第n序列结束时刻的时间段内，各项电气特征的遥测值序列段组成一组异常遥测特征数据；对于任意的n>0，将第n序列结束时刻至第n+1序列开始时刻的时间段内，各项电气特征的遥测值序列段组成一组正常遥测特征数据；所有的正常遥测特征数据组成正常遥测特征数据集合；所有的异常遥测特征数据组成异常遥测特征数据集合；为正常遥测特征数据集合中的每组正常遥测特征数据的状态标签设置为正常，为异常遥测特征数据集合中每组异常遥测特征数据的状态标签设置为异常；所有正常遥测特征数据和异常遥测特征数据的状态标签组成历史遥测状态标签数据；在异常遥测特征数据集合中，为每组异常遥测特征数据设置一组定位标签向量，所述定位标签向量的长度为所有待定位电气设备的数量，且每个元素对应一个待定位电气设备，每个元素值为0或1中的一个；所有异常遥测特征数据的定位标签向量组成历史遥测异常定位数据；所述训练预测配电站所是否异常的异常状态预测模型的方式为：使用预设的滑动步长以及滑动窗口长度，使用滑动窗口方法将每组正常遥测特征数据和异常遥测特征数据分别转化为正样本集合和负样本集合，为正样本集合中的每条样本设置预测标签为0，为负样本集合中每条样本设置预测标签为1；从正样本集合和负样本集合中分别随机选择M%的正样本和负样本作为训练样本，
剩余的1
‑
M%的正样本和负样本作为测试样本；将每条训练样本作为异常状态预测模型的输入，将训练样本对应的预测标签作为异常状态预测模型的输出，对异常状态预测模型进行迭代训练，再通过使用测试样本集合验证异常状态预测模型的预测准确率，直至对测试样本集合的预测准确率达到预设的准确率阈值；所述将历史遥测特征数据转化为历史遥测统计特征数据的方式为：对于历史遥测特征数据中的每组异常遥测特征数据，收集异常遥测特征数据中的每项电气特征的遥测值序列段的各项数理统计值；对于每组异常遥测特征数据，将其各项电气特征的各项数理统计值组成一条遥测统计特征向量；所有的遥测统计特征向量组成历史遥测统计特征数据；其中，所述训练对异常进行设备定位的异常设备定位模型的方式为：构建贝叶斯网络模型结构；所述构建贝叶斯网络的方式为：构造层数为2层的贝叶斯网络模型；其中，将贝叶斯网络模型中第一层的节点数量设置为所有数理统计值的数量，每个节点对应于一项电气特征的数理统计值；其中，将贝叶斯网络模型中第二层的节点数量设置为所有待定位电气设备的数量；对于第一层中每个节点，具有一条有向边指向第二层中的任意一个节点；将历史遥测统计特征数据中的每组遥测统计特征向量作为贝叶斯网络模型的第一层的输入，以第二层中每个节点作为输出节点，每个输出节点输出值的范围为[0，1]；将该组遥测统计特征向量对应的定位标签向量中每个待定位电气设备的定位标签作为预测目标，以最小化贝叶斯网络模型的预测值与预测目标之间的预测误差之和作为预测目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练；所述异常设备定位模型为训练完成的所述贝叶斯网络模型；所述实时收集配电站所的遥测特征数据的方式为：实时采集配电站所中各项电气特征的实时遥测值，并以滑动窗口长度为时间单位，将各项电气特征的实时遥测值按时间顺序组合为单位遥测值序列；所述遥测特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.配电站所终端遥测值异常检测方法，其特征在于，包括以下步骤：步骤一：收集配电站所布局数据，并基于配电站所布局数据，收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据；步骤二：以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型；步骤三：将历史遥测特征数据转化为历史遥测统计特征数据，并以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型；步骤四：在异常状态预测模型和异常设备定位模型生成后，实时收集配电站所的遥测特征数据；步骤五：预设遥测值范围集合，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签；若第一状态标签为异常，转至步骤六，否则，继续进行第一状态判断；步骤六：基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，若第二状态标签为异常，转至步骤七，否则，转至步骤五；步骤七：将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息。2.根据权利要求1所述的配电站所终端遥测值异常检测方法，其特征在于，所述收集配电站所布局数据的方式为：预先收集配电站所内所有待定位电气设备的位置和编号，所述配电站所布局数据包括每台待定位电气设备的编号与位置的对应关系。3.根据权利要求2所述的配电站所终端遥测值异常检测方法，其特征在于，所述收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据的方式为：收集配电站所中，每一时刻的各项电气特征的遥测值，并将遥测值按时间顺序排列为对应电气特征的遥测值序列；将各项电气特征的遥测值序列按电路异常状态划分为正常遥测特征数据集合以及异常遥测特征数据集合；为正常遥测特征数据集合中的每组正常遥测特征数据的状态标签设置为正常，为异常遥测特征数据集合中每组异常遥测特征数据的状态标签设置为异常；所有正常遥测特征数据和异常遥测特征数据的状态标签组成历史遥测状态标签数据；在异常遥测特征数据集合中，为每组异常遥测特征数据设置一组定位标签向量，所述定位标签向量的长度为所有待定位电气设备的数量，且每个元素对应一个待定位电气设备，每个元素值为0或1中的一个；所有异常遥测特征数据的定位标签向量组成历史遥测异常定位数据。4.根据权利要求3所述的配电站所终端遥测值异常检测方法，其特征在于，所述划分为正常遥测特征数据集合以及异常遥测特征数据集合的方式为：在按时间顺序收集遥测值序列的过程中，将遥测值序列收集的开始时刻作为第0序列开始时刻；若任意时刻中，任意的待定位电气设备发生异常，将该时刻作为第n序列开始时刻，将
该待定位电气设备的异常修复完成的时刻作为第n序列结束时刻；其中，n为配电站所中按时间顺序，对出现待定位电气设备发生异常的事件设置的编号，且n>0；将第0序列开始时刻至第1序列开始时刻的时间段内，各项电气特征的遥测值序列段组成一组正常遥测特征数据；所述遥测值序列段为遥测值序列中的一段遥测值子序列；对于任意的n>0，将第n序列开始时刻至第n序列结束时刻的时间段内，各项电气特征的遥测值序列段组成一组异常遥测特征数据；对于任意的n>0，将第n序列结束时刻至第n+1序列开始时刻的时间段内，各项电气特征的遥测值序列段组成一组正常遥测特征数据；所有的正常遥测特征数据组成正常遥测特征数据集合；所有的异常遥测特征数据组成异常遥测特征数据集合。5.根据权利要求4所述的配电站所终端遥测值异常检测方法，其特征在于，所述训练预测配电站所是否异常的异常状态预测模型的方式为：使用预设的滑动步长以及滑动窗口长度，使用滑动窗口方法将每组正常遥测特征数据和异常遥测特征数据分别转化为正样本集合和负样本集合，为正样本集合中的每条样本设置预测标签为0，为负样本集合中每条样本设置预测标签为1；从正样本集合和负样本集合中分别随机选择M%的正样本和负样本作为训练样本，剩余的1
‑
M%的正样本和负样本作为测试样本；将每条训练样本作为异常状态预测模型的输入，将训练样本对应的预测标签作为异常状态预测模型的输出，对异常状态预测模型进行迭代训练，再通过使用测试样本集合验证异常状态预测模型的预测准确率，直至对测试样本集合的预测准确率达到预设的准确率阈值。6.根据权利要求5所述的配电站所终端遥测值异常检测方法，其特征在于，所述将历史遥测特征数据转化为历史遥测统计特征数据的方式为：对于历史遥测特征数据中的每组异常遥测特征数据，收集异常遥测特征数据中的每项电气特征的遥测值序列段的各项数理统计值；对于每组异常遥测特征数据，将其各项电气特征的各项数理统计值组成一条遥测统计特征向量；所有...

【专利技术属性】
技术研发人员：张校玮，燕永振，刘立广，魏军义，岳文欢，魏礼杨，刘建超，杜娟，牟云云，
申请(专利权)人：威海锐恩电子股份有限公司，
类型：发明
国别省市：