基于滑动窗口和聚类算法的变压器状态异常检测

在线监测数据在变压器运行状态中发挥出重要角色,而传统的异常状态检测一般基于阈值判定法,难以及时发现变电设备的异常情况,甄别噪声数据。针对上述问题,根据变压器在线监测数据中异常值特点,提出了一种基于滑动窗口和聚类算法的变压器状态异常检测方法。首先,利用时间序列和滑动窗口对多维的在线监测数据流进行筛选,记录异常点的发生时间和类型,建立候选异常数据集合的判断模型;其次,基于无监督的k-means聚类方法建立多元特征量数据点的异常检测模型,并用于在线监测实时数据的异常检测,判断异常时刻与异常类型。通过某变电站的油中气体数据对本文算法进行了验证,结果表明,该方法可以实时检测在线监测数据流中因运行状态变化而产生的趋势异常,并祛除少量传感器噪声或突变值的影响,具有较高的实用价值。     

面向智能调度监测的流计算并行滑动窗口技术

针对智能调度监测中大量实时数据的快速处理问题,在实时流计算框架和并行拓扑编程基础上,研究一种配电网监测信息流计算的并行滑动窗口实时处理新方法。结合连续遥测对象的拓扑并行处理过程,利用并行滑动窗口的窗格聚集、窗格元组缓存与窗口聚集等设计技巧,实现监测信息流连续计算的快速滑动窗口拓扑实例。以一个配电网调度监控的工程系统为算例,对若干组拓扑实例进行快速滑动窗口的多节点集群测试,结果表明:集群环境下各元组可得到ms级的窗口计算平均处理延时,合理设置拓扑工作进程的并行度和螺栓组件执行线程的并发数等并行参数有利于降低滑动窗口处理延时,验证了流计算拓扑的集群和并行度对提高智能配电网大规模连续监测信息的实时响应能力和处理效率具有重要意义。     

基于智能配变终端的低压配电网智能运检体系构建研究

低压配电网作为连接电网和用户的末端环节,一直存在线路实时运行状态获取困难,无法形成有效的数据流,可通过信息化、智能化的手段对低压配电网的运检工作进行有效的支撑,进而提升供电可靠性和用电服务质量。智能配变终端是集用电信息采集、设备运行状态监测、智能控制与通信等功能于一体的二次设备,可综合处理低压配电网中的数据信息。文章介绍了智能配变终端所具备的强大的本地计算处理与服务能力,分析通过挖掘智能配变终端的数据采集和计算能力,建立强大的数据流,来支撑后台管理信息系统,从而建立低压配电网智能运检体系。     

基于滑动窗口和多元高斯分布的变压器油色谱异常值检测

现有的变压器油色谱在线监测数据因监测装置问题频繁出现失真,严重影响了整个在线监测系统的有效性和实用性。传统阈值判定法无法灵活及时地发现变压器本体设备和监测装置的异常。对此,提出了一种基于滑动窗口和多元高斯分布的变压器油色谱异常值检测方法,利用指数加权移动平均法和滑动窗口计算历史每笔数据中氢气、乙炔、总烃的估计值,获取到与监测值的残差数据后,再通过多元高斯分布,进行异常值检测。通过某变电站油中气体数据对本算法进行验证结果表明,该方法不仅能实时检测出变压器本体异常还能发现监测装置数据失真,并能祛除数据突变和噪声带来的影响,具有一定实用价值。     

基于流式计算的暂态电压扰动并行实时监测技术

暂态电压扰动模式识别面临两个挑战,一是局限于单一监测点的扰动识别不能准确解释复杂扰动的完整过程,另一是离线分析很难满足辅助决策实时性的要求。提出基于Storm流式计算框架,结合logstash和Kafka消息中间件,构建面向多监测点的实时数据监测处理平台。采用滑动时间窗口算法,实现Storm编程逻辑拓扑。通过设置基本时间窗口大小和数量,实现面向区域电网的多时空尺度、多业务模型的暂态电压扰动模式识别。实验结果表明,合理设置Storm组件的任务数目能够最大限度发挥并行处理能力。通过仿真数据测试得到的吞吐量和平均处理延迟结果,能够满足电网对流数据实时处理的高吞吐量、可扩展性、实时性和准确性的要求。     

采用滑动窗口及多重加噪比堆栈降噪自编码的风电机组状态异常检测方法

该文提出一种基于多元变量数据重构的风电机组状态异常检测方法。针对风电场数据采集与监控(SCADA)系统数据,首先,建立基于滑动窗口的堆栈降噪自编码(SDAE)模型,在获取机组正常运行状态下变量间的互相关性和各变量短时相依性的基础上重构机组状态数据;其次,为提高模型特征学习能力,提出多重加噪比的SDAE模型训练方法学习机组状态参数的全局和局部特征;最后,采用重构误差的马氏距离为机组状态监测指标,通过核密度估计方法分析机组正常数据监测指标的概率密度分布,确定机组正常运行状态下监测指标的阈值,定义监测指标连续越限数监测机组状态,计算各状态参数对监测指标越限的贡献度,实现机组参数异常检测。华东某风电场SCADA数据分析结果表明该方法可有效地用于实际风电机组运行状态的异常检测。     

吉林电网调控大数据动态预警平台架构及关键技术

为应对实时、复杂变化的大电网运行环境,提升电网智能化调控水平,提出了电网调控大数据动态预警平台架构和建设目标原则.在此基础上,研究了电网运行状态预警体系、适应调控运行业务的大数据汇集处理与服务等关键技术,实现免模型维护的电网实时数据汇总、监测及预警.开发的大数据动态预警平台在吉林电网试点应用,结果表明该平台可以提供全面、实时、准确的电网运行状态监视预警,有效降低调控人员工作强度,显著提升电网智能调控水平.     

依托Hadoop架构的海量变压器实时监测与存储方案构建

随着智能电网的建设以及电力变压器在线监测技术的成熟,电力变压器在线监测数据呈现出体量大、类型多等特点。使用传统存储技术存储变压器在线监测数据,已不能满足实时、快速的需求。为此,设计基于Hadoop集群的变压器在线监测数据存储方案。该方案利用HBase(分布式列式数据库)具有快速实时读写数据的优势,将变压器在线监测系统采集的海量数据实时快速地存储。为能自动快速实时收集数据和避免因数据流过大造成系统崩溃,分别采用Flume(日志收集工具)和Kafka(分布式流处理平台)收集和缓存数据。以电力变压器在线监测的油色谱数据为例,验证了所提存储方案的可行性和有效性。     

基于孤立森林算法的电力调度流数据异常检测方法

调度是电力系统安全运行的保障。针对具有"概念漂移"特点的调度监测流数据,基于离线数据分析或简单阈值判定的异常检测方法,存在与生产系统实时运行状态结合不紧密、依赖专家经验等问题。提出了一种基于孤立森林算法的电力调度流数据异常检测方法,利用历史数据集训练构建多个子森林异常检测器,组成基森林异常检测器;据此,在线根据滑动窗口中数据的异常情况及缓冲区数据量大小,触发检测器更新。提出一种根据异常偏差率大小筛选子森林异常检测器的更新策略,解决因模型随机更新导致异常检测器整体性能下降的问题。以服务器和某省级电网调度中心业务流数据集作为训练与测试样本,验证了所提方法在异常检测查全率及查准率等综合性能上的先进性及其在实际系统应用中的可行性。     

HBase在智能电网异构数据同步中的应用

未来的智能电网在运行中将会产生海量的多态、异构数据,对这些数据的可靠获取、实时分析、同步及处理会给电网信息系统带来前所未有的压力。因此,把电网大数据迁移到云端—数据中心,来实现异构数据的精准、实时同步则显得尤为必要。以解决未来智能电网大数据处理问题为出发点,通过对电网数据中心相关功能需求进行细致分析,对比传统的关系型数据库建模基础,提出了基于Hbase架构的智能电网数据中心的解决方案。最后通过对比MySQL性能进行模拟测试,得出所提出的设计方案能够很好地适用于未来智能电网数据中心的构建以及异构数据的同步,达到电网大数据的实时共享、监测及准确分析、处理的目的,在未来智能电网信息管理系统中具有广阔的应用前景。     

面向智能电网监测的分布式数据流处理

由智能电能表等设备组成的传感器网络以极高的速率生成与传输大量数据。分布式流处理系统可以对数据实现并行化处理,提高数据分析的效率。但当前的分布式流处理方案并不专注于智能电网的高负载环境设计,当负载增大时,系统性能会显著下降。针对这一问题,提出面向物联网数据工作负载的分布式流处理框架。该框架基于分布式事件流处理系统,适用于智能电网中产生的实时数据。系统采用层级结构,使得方案具有更高的可扩展性。通过实验验证了该框架所具有的低延迟与高吞吐量优势。     

基于增量式相对熵的风电机组实时状态监测

针对风电机组的实时状态监测问题,提出了一种基于增量式相对熵的残差分析方法。 首先,通过分析滑动窗口数据特 点,推导了适用于实时运算的增量式相对熵的计算公式,其时间复杂度为 O(1),要低于常规计算方法的 O( n)。 接下来,提出 了一种基于数据驱动和正常行为建模的风电机组实时状态监测方法,并将增量式相对熵作为实时残差分析的指标。 最后,用某 2 MW 风电机组的实际齿轮箱故障数据为算例,验证了该方法的有效性。 结果表明,相对熵残差分析能够至少提前 8 ~ 10 d 实 现故障预警,优于常规的统计量;增量式相对熵的计算时间仅相当于常规方法的 0. 4% ~ 1. 9%,在实时性上有显著优势。     

实时数据库系统研发及其在智能电网中的应用

随着智能电网的发展,电网生产实时数据呈现出数据量大、实时性强等特点。为满足智能电网对海量实时数据处理需求,基于多线程实时处理技术,研发了一种实时数据库管理系统。文章介绍了该系统特点及系统结构,及其在用电信息采集、智能园区、能效管理平台、变电站热点监控等智能电网领域中的应用情况。该系统很好地实现了智能电网海量实时数据的采集、处理、分析、存储及展示,满足智能电网海量实时数据采集频率高、数据量大的应用需求。     

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。     

智能电网调度控制系统集群化技术

针对智能电网调度控制系统信息规模及处理压力剧增的情况,面向电网发展的实际需求,分析了通用集群技术在智能电网调度控制系统中的适用性,提出了超大规模电网调度控制系统集群化总体架构。介绍了资源管理、心跳管理、资源定位、分布式数据存储与访问等平台集群化支撑技术,以及数据采集、实时监控、公式计算、在线预警等典型应用功能的集群化方法。     

电力设备监测数据的流式计算与动态可视化展示

电力设备监测数据的实时分析和可视化展示是智能电网建设的重要内容。以Hadoop为代表的传统数据处理模型不能满足业务时延要求。提出基于阿里云流计算(Stream Compute)的电力设备监测数据流式计算与动态可视化展示方法,并应用Stream Compute的上下游服务搭建了用于电力设备监测数据的时频分析和可视化展示的应用系统。试验测试表明,所搭建的系统整体的处理延迟被控制在s级,能够满足电力设备在线监测及实时数据展示的性能要求。     

智能电网调度控制系统综合智能告警研究及应用

随着特高压电网的建设和新能源的快速发展,电网运行特性发生重大变化,现有调度自动化系统告警处理功能已不能适应特大电网一体化运行的发展要求,需要对调度实时监控中各个业务的告警信息进行综合处理,以提高调度对电网运行状态的整体感知能力,以及应对电网故障的紧急处置能力。文中结合智能电网调度控制系统综合智能告警功能的研发和应用,介绍了其整体架构、关键技术,形成了面向调度运行模式的综合告警、设备故障的在线快速诊断以及多级调度间的故障信息实时共享,并给出了示范应用效果以及未来研究展望。     

基于改进OCSVM的智能变电站数据流异常检测方法研究

目前智能变电站的数据流异常检测对准确性和实时性要求较高,采用简单阈值的检测方法已无法满足要求。针对这一问题,基于智能变电站体系架构,提出了一种将改进的密度聚类算法和改进的单类支持向量机算法相结合用于智能变电站异常数据流检测的方法。使用k-dist图优化密度聚类算法对正常数据流样本进行聚类,形成样本簇。使用改进的粒子群算法优化单类支持向量机算法建立相应的检测模型,对异常数据流进行检测。通过仿真与传统检测方法进行对比分析,验证了所提方法的有效性。结果表明,与传统OCSVM方法相比,所提异常检测方法将常规数据流样本拆分为多个OCSVM模型,可以更紧密地包裹正常样本,检测效果较为理想,检测准确率高于99%,可以满足异常数据检测对准确性和实时性的要求。     

智能电网多业务数据集成技术

智能电网以坚强网架为基础,以通信信息平台为支撑,以智能控制为手段,包含电力系统的发电、输电、变电、配电、用电和调度各个环节,覆盖所有电压等级,实现“电力流、信息流、业务流”的高度一体化融合,是坚强可靠、经济高效、清洁环保、透明开放、友好互动的现代电网.文章将在国家电网公司SG-ERP工程技术架构指导下,探讨符合智能电网多业务数据集成的关键技术,满足智能电网对海量数据、实时数据以及多业务信息的集成需要,为进一步探索未来智能电网数据集成积累采样数据,更为完善数据集成架构做技术积累.