基于时空联合聚类方法的输变电设备状态异常检测

鉴于传统的输变电设备状态异常检测方法较少考虑到状态数据的空间信息,提出一种基于时空联合聚类方法的设备状态异常检测方法,该方法综合利用大量设备状态、气象环境等历史数据,在实现异常检测的同时将结果形象化。其具体做法为：通过移动时窗将状态数据时间序列划分为多个子序列,并将子序列与空间位置坐标相结合以构成时空联合数据;使用c均值模糊聚类方法对每个时窗中的时空联合数据进行聚类分析,并基于历史状态数据对每一类赋予异常度值,根据异常度值的大小判断该类数据是否异常;通过在每个时窗的类之间建立模糊关系实现异常状态沿连续时间段传播过程的形象化。最后结合实例验证了提出方法的有效性。     

基于时间序列分析的输变电设备状态大数据清洗方法

数据清洗是输变电设备状态评估数据预处理的一个关键步骤,有助于提高数据质量和数据利用率。文中将设备状态信息等效成各状态量的时间序列,提出了一种基于时间序列分析的双循环迭代检验法。首先,将时间序列中的异常数据进行了分类,并将缺失值归纳为其中一类异常值。然后,分析了不同类别异常值对时间序列模型的影响,并阐述了迭代检验法的实现步骤。最后,利用所述方法对南网某变压器和线路的监测数据进行了数据清洗,结果表明该方法能识别并修正数据中的噪声点,填补缺失值,满足数据清洗要求。     

基于时间序列提取和维诺图的电力数据异常检测方法

电力网络中信息系统与物理系统的深度融合,导致现代电力系统易受异常数据的影响。现有的电力数据异常检测方法未能充分挖掘数据特征,存在计算复杂、灵活性差、精度较低等缺点。提出一种基于时间序列提取和维诺图的异常数据检测方法,利用重要点分段的时间序列提取方法,将高维数据进行降维处理,并将其映射到二维平面上,构造维诺图分区,进而检测出异常数据。该方法可降低数据维度和算法复杂度,能根据序列特征灵活设定异常阈值,实现异常数据的准确检测,仿真实验证明所提方法的有效性。     

基于大数据分析的异常检测技术应用于石油催化

石油化工领域生产装置异常检测与诊断依赖机理模型和人工经验,存在主观性强、与实际参数不匹配等缺陷.在实践和总结现行石油化工生产装置异常检测与诊断技术的基础上,结合目前主流的大数据分析技术,对生产装置上获得的温度、流量、压力等数据进行实时分析,寻找大数据后面隐藏的规律,让大数据发声,及时预警和处理故障,并做出更明智的决策,减小损失.通过对某催化装置主分馏塔的塔顶温度变化幅度预警测试,比人工提前6 min发现故障,将事故消除在萌芽状态.该技术具有工程实用价值,值得在工业控制现场进行实践和推广.     

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在设备故障,结合大数据分析技术和设备评估技术,提出了一种将时间序列和神经网络相结合用于电力设备状态数据异常检测。首先通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,对时间轴上的状态变量转移概率进行计算,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。 结果表明,该方法能快速有效地检测出电力设备的异常状态。     

智能电网大数据流式处理方法与状态监测异常检测

针对智能电网大数据流的实时性、易失性、无序性等特点,提出智能电网大数据的实时流处理框架,实现数据收集、数据缓冲与流式计算,满足状态监测异常检测与用电数据分析等快速处理需要。通过采集系统节点监听数据源变化并实时收集数据,利用消息订阅模式对数据进行缓冲,解决数据采集与流式计算速度不一致的问题。提出一种基于Storm的状态监测数据流滑动窗口处理方法,在规定时间内分批处理状态监测数据流,保证数据的连续计算,通过阈值判断进行异常检测。实验结果表明,在集群规模一定的条件下,适当地改变工作进程数以及执行器线程的并发数设置,可以增大滑动窗口的元件吞吐量,提高状态监测异常检测的实时处理效率。     

基于用电大数据的智能电能表异常评估系统

智能电能表在复杂的环境下运行,由于目前缺少一定的技术管理手段,因此通过合理的技术手段分析出智能电能表在运行中的状态能够有效减少人力物力的投入。基于用电大数据和决策树算法,设计了一种智能电能表异常评估系统。所设计的系统可以对智能电能表在运行过程所计的用电量、电压、电流以及档案信息进行分析,对智能电能表异常提供合理的评估分析。     

基于聚类和时间序列分析的变压器状态评价方法

传统的电力变压器DGA故障诊断方法,仅能二值化地判断设备处于健康或故障状态,无法表征变压器的潜在故障情况,也无法确定变压器向故障状态转化的趋势。对此,提出了一种基于聚类和时间序列分析的变压器状态评价方法。首先,基于点密度判据进行数据预处理,消除噪声影响。其次,基于大数据聚类思想,计算采样数据和历史故障数据簇的相对邻近度,根据计算结果将设备状态划分为健康、潜伏故障或故障。在此基础上判断故障设备的故障类型,基于故障类型关联权重计算健康设备的健康得分,通过时间序列相似性分析方法获取潜伏故障设备的预测故障发展时间。算例分析验证了该方法的可行性与有效性。     

基于改进PSO-PFCM聚类算法的电力大数据异常检测方法

针对传统电力大数据异常检测方法检测精度低、复杂度高等问题,提出了一种将可能性模糊C均值算法和改进的粒子群优化算法相结合的电力大数据异常检测方法.使用改进的粒子群优化算法和重新定义的聚类有效函数来优化可能性模糊C均值算法的初始中心和数目.通过仿真将该算法与改进前算法进行对比分析,验证该算法的优越性.实验结果表明,该算法能...     

基于多维时间序列的光伏逆变器异常检测方法

光伏逆变器的异常检测对于提高发电效率和逆变器使用寿命尤为重要。由于光伏设备数据具有复杂的时间依赖性和不确定性,因此难以选择一个适用于时间序列数据的通用模型,对光伏设备数据进行异常检测,并且缺乏对现有方法的比较分析和对实际光伏设备的有效验证。因此,提出了一种基于长短期深度自编码高斯混合模型(LSTM-DAGMM);首先,通过滑动窗口的方式将原始数据生成统计性特征作为模型的输入;然后,采用自编码器将生成的低维特征和重构误差端到端的输入到GMM;最后,通过能量密度概率判断异常。通过实际光伏设备数据实验表明,该模型能够有效地检测设备的异常状态并作出预警,具有良好的泛化能力。     

大数据挖掘分析在电力设备状态评估中的应用

为提高电力设备状态评估的准确性和效率,提出了将大数据挖掘分析应用于电力设备状态评估的思路和方法。介绍了大数据挖掘分析的架构,将电力设备状态的多维度数据解析为静态、动态、准动态和外部参数四大类,分析了数据关联规则、关联度和权重,最后给出了大数据挖掘分析技术的应用前景。     

基于Spark框架的电力大数据清洗模型

针对电力大数据清洗过程中的提取统一异常检测模式困难、异常数据修正连续性及准确性低下等问题,提出了一种基于Spark框架的电力大数据清洗模型。首先基于改进CURE聚类算法获取正常簇;其次,实现了正常簇的边界样本获取方法,并设计了基于边界样本的异常识别算法;最后通过指数加权移动平均数实现了异常数据修正。通过对某风电场风力发电监测数据进行了数据清洗实验分析,验证了清洗模型的高效性、准确性。     

基于大数据的技改投资预测模型在电力行业中的应用研究

大数据概念自提出以来,已经对社会经济发展的各个方面产生了巨大的影响,其价值也通过实际应用得到了证实.随着电力行业的持续发展,传统的分析方法已经难以处理日趋繁杂的电网运行数据,将大数据技术引入到电力行业成为了一种必然趋势.基于“资产墙”分析方法,利用大数据技术,对电网系统运营数据进行存储、处理和过滤,构建针对输变电一次主设备的资产墙模型.并利用依赖大数据分析方法,根据结构化与非结构化的大量信息,形成多维度评价体系,对设备预期使用寿命进行准确评估,完善“资产墙”模型,从而形成更加科学的技改投资预测方法.本模型的应用,科学评估预测未来技改项目的投资规模,实现技改项目的提前计划,提高资金支出平滑度,最大化发挥公司投资效益.     

基于大数据分析的暂态电能质量综合评估方法

运用基于大数据处理架构的Naive Bayes分类方法提出了暂态电能质量评估方法,将数据来源扩展至电网运行监测数据、电力用户数据和公共信息数据等方面,并将评估结果按严重程度分为暂态正常状态、短时电压暂降状态、短时深度电压暂降状态、短时电压失压状态。基于MapReduce架构,设计分布式Naive Bayes算法实现状态分类。在分类器训练阶段,对海量历史数据进行分布式学习,周期性地生成评估规则库并部署到所有评估节点。在状态评估阶段,各评估节点基于流处理框架快速生成实时评估样本,并根据当前规则库实时地得出评估结果。试验结果表明,所提出的基于大数据分析的暂态电能质量评估方法是可行,在准确率和处理速度上都取得了较好的效果。     

基于深度信念网络与数据聚合模型的智能电表数据异常检测方法

针对智能电网中广泛应用的智能电表(smart meters,SM)可能在测量和监视电能消耗的过程中遭受的多种网络攻击的问题,提出了一种新的异常模式检测框架,以防止智能电表的能源欺诈。所提方法首先基于智能电表向智能配变终端发送用户的用电特征数据,采用分布式数据模型对数据进行聚合,以更好地解决用户隐私保护问题;然后利用深度信念网络(deep belief network,DBN)将得到的数据与期望数据进行对比,以更好地获取数据特征,并对训练结果进行自上而下的特征优化;最后,通过智能配变终端将集群中的智能电表从1到N进行标记,并将执行数据经过深度信念网络提取特征传送至电表数据计量管理系统(meter data management system,MDMS),检查并更换故障或受损的智能电表,以获得更精确的非专业技术损失检测分析。实验结果表明,所提方法相对于传统智能电表数据异常检测具有更高的检测率和适用性。     

基于量测大数据和数学形态学的配电网故障检测及定位方法研究

提出基于量测大数据和数学形态学的配电网故障检测及定位方法,该方法基于多点同步测量的采集分析架构可使所有数据在同一个时间剖面。首先,通过同步量测采集到的行波信号和工频信号,结合配电网拓扑结构,构建全网大数据矩阵;然后利用Trace检测、圆环定律等方法判别波形信号奇异点,快速判别是否存在故障及不同类型故障的波形畸变规律,从而达到快速故障检测的目的;在检测到故障后,采用基于现代D型行波故障定位方法对故障点进行高精度定位。最后,在PSCAD 80节点配电网模型中对该方法进行了仿真验证,验证结果说明本文提出的方法具有不受线路长度和波速影响,精确度较高的特点。