本發(fā)明涉及主網(wǎng)異常信號數(shù)據(jù)分析，特別是一種基于異常信號的故障研判方法及系統(tǒng)。

背景技術(shù)：

1、隨著云南電網(wǎng)調(diào)度業(yè)務(wù)的迅猛發(fā)展，電廠和變電站的數(shù)量不斷增加，使得調(diào)控員需要監(jiān)控處理的信息和工作任務(wù)變得越來越繁重；隨著電網(wǎng)異常信號數(shù)據(jù)的大體量增長，將大數(shù)據(jù)研判技術(shù)與電網(wǎng)調(diào)控業(yè)務(wù)相結(jié)合，實現(xiàn)智能主網(wǎng)調(diào)控業(yè)務(wù)的發(fā)展已經(jīng)成為必然趨勢，這一趨勢不僅是應(yīng)對業(yè)務(wù)規(guī)模擴大的需求，更是為了提高調(diào)控員處理信息的效率和準(zhǔn)確性；然而盡管大數(shù)據(jù)研判技術(shù)的應(yīng)用前景廣泛，目前現(xiàn)有的主網(wǎng)調(diào)控業(yè)務(wù)監(jiān)視系統(tǒng)卻尚未跟上這一發(fā)展步伐，系統(tǒng)仍然停留在統(tǒng)計分析階段，未能結(jié)合算法與大數(shù)據(jù)實現(xiàn)智能主網(wǎng)調(diào)控，這導(dǎo)致了現(xiàn)有主網(wǎng)異常信號數(shù)據(jù)的潛在價值未能得到充分利用；為了克服這一限制，系統(tǒng)升級和改進是不可避免的，引入更先進的技術(shù)手段，使其能夠更精準(zhǔn)地分析和判斷電網(wǎng)異常信號數(shù)據(jù)，是當(dāng)前亟需解決的問題。

2、目前常見的解決方案存在諸多缺點，包括：現(xiàn)有的調(diào)控數(shù)據(jù)分析系統(tǒng)多采用springcloud框架、echarts技術(shù)和bootstrap技術(shù)，但對數(shù)據(jù)的分析停留在表面的圖形和報表的簡單統(tǒng)計分析層面，未能深度挖掘和分析數(shù)據(jù)的潛在信息，導(dǎo)致調(diào)控員未能獲取到他們急需的信息，對異常信號數(shù)據(jù)的分析和利用程度不夠；在技術(shù)方面，現(xiàn)有的系統(tǒng)在故障研判上采用了一些算法，然而這些算法并未結(jié)合時間段內(nèi)的異常信號數(shù)據(jù)，導(dǎo)致研判結(jié)果產(chǎn)生偏差。

技術(shù)實現(xiàn)思路

1、鑒于對電網(wǎng)調(diào)度業(yè)務(wù)進行監(jiān)控處理時，現(xiàn)有技術(shù)中對異常信號數(shù)據(jù)的分析和利用程度不夠，研判時并未結(jié)合時間段內(nèi)的異常信號數(shù)據(jù)，導(dǎo)致研判結(jié)果產(chǎn)生偏差等問題，提出了本發(fā)明。

2、因此，本發(fā)明所要解決的問題在于如何提供一種結(jié)合時間段內(nèi)的異常信號數(shù)據(jù)，提高故障研判準(zhǔn)確率的方法。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實施例提供了一種基于異常信號的故障研判方法，其包括采集主網(wǎng)異常信號數(shù)據(jù)并形成數(shù)據(jù)集，利用k均值聚類k-means++算法進行聚類中心的初始化；計算所述數(shù)據(jù)集中的數(shù)據(jù)點與所述聚類中心的距離，并將數(shù)據(jù)點分配到距離最近的聚類中心對應(yīng)的簇中；根據(jù)所述簇更新聚類中心并進行迭代；利用輪廓系數(shù)評估所述k均值聚類k-means++算法的性能。

5、作為本發(fā)明所述基于異常信號的故障研判方法的一種優(yōu)選方案，其中：所述主網(wǎng)異常信號數(shù)據(jù)包括故障時的異常信號、故障前的異常信號和故障后的異常信號；所述利用k均值聚類k-means++算法進行聚類中心的初始化包括以下步驟：隨機選擇所述數(shù)據(jù)集中的一個數(shù)據(jù)點作為第一個聚類中心；計算未被選擇為聚類中心的數(shù)據(jù)點被選為下一個聚類中心的概率，并選擇下一個聚類中心；重復(fù)上述計算未被選擇為聚類中心的數(shù)據(jù)點被選為下一個聚類中心的概率步驟，直到選擇了k個聚類中心。

6、作為本發(fā)明所述基于異常信號的故障研判方法的一種優(yōu)選方案，其中：所述計算未被選擇為聚類中心的數(shù)據(jù)點被選為下一個聚類中心的概率包括以下步驟：計算未被選擇的數(shù)據(jù)點與已選擇的聚類中心的最短距離；根據(jù)所述最短距離計算未被選擇的數(shù)據(jù)點被選為下一個聚類中心的概率；所述未被選擇的數(shù)據(jù)點被選為下一個聚類中心的概率的具體公式如下：

7、

8、其中，p(x)為數(shù)據(jù)點被選為下一個聚類中心的概率；x為未被選擇的數(shù)據(jù)點；為未被選擇的數(shù)據(jù)點x到最近聚類中心的距離平方；σ為控制概率分布形狀的參數(shù)；n為數(shù)據(jù)集中的數(shù)據(jù)點總數(shù)；為未被選擇的數(shù)據(jù)點j到最近聚類中心的距離平方。

9、作為本發(fā)明所述基于異常信號的故障研判方法的一種優(yōu)選方案，其中：計算所述數(shù)據(jù)集中的數(shù)據(jù)點與所述聚類中心的距離的具體公式如下：

10、

11、其中，xi為數(shù)據(jù)集中所有的數(shù)據(jù)點；cj為所有的聚類中心；distance(xi,cj)為數(shù)據(jù)集中的數(shù)據(jù)點與聚類中心的距離；n為聚類中心的數(shù)量；xi,k為第k個數(shù)據(jù)點；cj,k為第k個聚類中心。

12、作為本發(fā)明所述基于異常信號的故障研判方法的一種優(yōu)選方案，其中：所述將數(shù)據(jù)點分配到距離最近的聚類中心對應(yīng)的簇中的具體公式如下：

13、j＝argminjdistance(,cj)

14、其中，j為簇中心的索引，表示數(shù)據(jù)點xi被分配到的聚類中心cj所對應(yīng)的簇的索引；cj為第j個簇的中心。

15、作為本發(fā)明所述基于異常信號的故障研判方法的一種優(yōu)選方案，其中：所述更新聚類中心通過將簇內(nèi)所有數(shù)據(jù)點的均值作為新的聚類中心；所述更新聚類中心的具體公式如下：

16、

17、其中，cj為聚類中心cj對應(yīng)的簇；所述迭代的停止條件為最大迭代次數(shù)、聚類中心不再改變或簇內(nèi)平方誤差。

18、作為本發(fā)明所述基于異常信號的故障研判方法的一種優(yōu)選方案，其中：所述輪廓系數(shù)包括內(nèi)聚度和分離度；所述內(nèi)聚度為一個樣本點與類內(nèi)元素的緊密程度；所述分離度為一個樣本點與類外元素的緊密程度；所述輪廓系數(shù)的具體公式如下：

19、

20、其中，s為輪廓系數(shù)；ai為第i個數(shù)據(jù)點的內(nèi)聚度，表示對應(yīng)數(shù)據(jù)點到同簇內(nèi)其他點的平均距離；bi為第i個數(shù)據(jù)點的分離度，表示對應(yīng)數(shù)據(jù)點到最近鄰簇內(nèi)所有點的平均距離；n為數(shù)據(jù)集中的數(shù)據(jù)點總數(shù)。

21、第二方面，本發(fā)明為進一步解決故障研判中存在的安全問題，實施例提供了一種基于異常信號的故障研判系統(tǒng)，其包括：數(shù)據(jù)處理模塊，用于采集主網(wǎng)異常信號數(shù)據(jù)并形成數(shù)據(jù)集，利用k均值聚類k-means++算法選擇初始的聚類中心；數(shù)據(jù)更新模塊，用于計算數(shù)據(jù)點與聚類中心的距離，將數(shù)據(jù)點分配到距離最近的聚類中心對應(yīng)的簇中，根據(jù)簇更新初始的聚類中心并進行迭代；評估模塊，用于利用輪廓系數(shù)評估k均值聚類k-means++算法的性能。

22、第三方面，本發(fā)明實施例提供了一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的一種基于異常信號的故障研判方法的任一步驟。

23、第四方面，本發(fā)明實施例提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的一種基于異常信號的故障研判方法的任一步驟。

24、本發(fā)明有益效果為：本發(fā)明根據(jù)電網(wǎng)故障發(fā)生時的異常信號發(fā)出有先后順序和故障發(fā)生后的異常信號與伴生信號有相關(guān)規(guī)律的特點，通過利用k均值聚類k-means++算法將歷史數(shù)據(jù)中故障時的異常信號、故障前的異常信號和故障后的異常信號提取出來，并代入k均值聚類k-means++算法進行機器學(xué)習(xí)，通過多次運行算法優(yōu)化輸出結(jié)果，即研判出的故障結(jié)果，從而進行基于異常信號的故障研判，提高了研判的準(zhǔn)確率。

技術(shù)特征：

1.一種基于異常信號的故障研判方法，其特征在于：包括：

2.如權(quán)利要求1所述的基于異常信號的故障研判方法，其特征在于：所述主網(wǎng)異常信號數(shù)據(jù)包括故障時的異常信號、故障前的異常信號和故障后的異常信號；

3.如權(quán)利要求2所述的基于異常信號的故障研判方法，其特征在于：所述計算未被選擇為聚類中心的數(shù)據(jù)點被選為下一個聚類中心的概率包括以下步驟：

4.如權(quán)利要求3所述的基于異常信號的故障研判方法，其特征在于：計算所述數(shù)據(jù)集中的數(shù)據(jù)點與所述聚類中心的距離的具體公式如下：

5.如權(quán)利要求4所述的基于異常信號的故障研判方法，其特征在于：所述將數(shù)據(jù)點分配到距離最近的聚類中心對應(yīng)的簇中的具體公式如下：

6.如權(quán)利要求5所述的基于異常信號的故障研判方法，其特征在于：所述更新聚類中心通過將簇內(nèi)所有數(shù)據(jù)點的均值作為新的聚類中心；

7.如權(quán)利要求6所述的基于異常信號的故障研判方法，其特征在于：所述輪廓系數(shù)包括內(nèi)聚度和分離度；

8.一種基于異常信號的故障研判系統(tǒng)，基于權(quán)利要求1～7任一所述的一種基于異常信號的故障研判方法，其特征在于：包括，

9.一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于：所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1～7任一所述的一種基于異常信號的故障研判方法的步驟。

10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1～7任一所述的一種基于異常信號的故障研判方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種基于異常信號的故障研判方法及系統(tǒng)，涉及主網(wǎng)異常信號數(shù)據(jù)分析技術(shù)領(lǐng)域，包括采集主網(wǎng)異常信號數(shù)據(jù)并形成數(shù)據(jù)集，利用k均值聚類K?Means++算法進行聚類中心的初始化；計算所述數(shù)據(jù)集中的數(shù)據(jù)點與所述聚類中心的距離，并將數(shù)據(jù)點分配到距離最近的聚類中心對應(yīng)的簇中；根據(jù)所述簇更新聚類中心并進行迭代；利用輪廓系數(shù)評估所述k均值聚類K?Means++算法的性能。本發(fā)明根據(jù)電網(wǎng)故障時異常信號發(fā)出的先后順序和故障發(fā)生后的異常信號與伴生信號的相關(guān)規(guī)律，利用k均值聚類K?Means++算法對主網(wǎng)異常信號數(shù)據(jù)進行提取并進行機器學(xué)習(xí)，通過多次運行算法優(yōu)化輸出結(jié)果，即研判出的故障結(jié)果，從而進行基于異常信號的故障研判，提高研判的準(zhǔn)確率。

技術(shù)研發(fā)人員：楊再鶴,張敏,張凌云,嚴(yán)涵,朱余啟,高道春,杜凡,莫熙,蔣迪,陶亦然,周一凡,董慶九,趙建鋒
受保護的技術(shù)使用者：云南電網(wǎng)有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19