断路器故障诊断系统中关联规则的提取

关联规则应用于电力设备故障时,能很好的找出设备故障现象和故障类别之间的关联关系.本文利用FP增长算法求得频繁项集,以断路器故障为例,很好的说明了算法的执行情况,所得结果验证了方法的有效性.     

基于特征挖掘的电网故障诊断方法

专家系统在应用方面的主要瓶颈是:规则库的维护;推理的速度和准确度的协调。分析了故障信息序列中必有或特有的信息,提出了基于特征挖掘的关联规则挖掘方法。结合电网故障信息的特征,改进了频繁模式(frequent pattern,FP)–算法:考虑了故障信息的特征,如时序和因果关联关系、故障性质、严重故障、稀有故障等因素;增加了规则的或逻辑;改进了FP-树的修剪技术。算例表明该算法能够大量减少无效挖掘,推理速度和准确度显著提高,适用于在线诊断。     

交直流混联电网连锁故障特征事件智能溯源及预测方法

交直流混联电网跨区连锁故障严重威胁电网安全,调度运行面临巨大压力和事故风险.文中提出了融合知识图谱和机器学习算法的特征事件智能溯源及预测方法,实现连锁故障事故链的在线溯源和预测.将电网运行状态量和故障信息作为输入特征量,结合物理机理分析和皮尔逊系数法提取关键特征量,通过支持向量机判断特征事件间的关联关系.建立两层级的知识图谱结构,通过检测到的特征事件类型匹配上、下层事件的关联关系.根据特征事件关联关系判断结果和时序特征,基于深度优先搜索策略识别连锁故障演化路径.通过对实际电网在线数据的案例分析验证了该方法的有效性.     

基于信息融合的电网运行风险态势感知技术应用研究

电网的安全运行对经济社会的发展稳定至关重要,为了提高电网运行的风险管控力度、提升故障预判水平、解决电网运行中存在的关联故障感知不足、降低电网数据在传输过程中存在延时等问题,切实保障电网的稳定安全运行,提出基于信息融合的电网运行风险态势感知技术。通过电网故障态势感知平台的故障感知预测、故障检索、故障处理及故障点排查等功能,基于电网运行安全态势的评估指标,分别引入专家系统、神经网络和模糊理论对电网运行风险态势进行预测和信息整合,实现了对电网运行中故障的预判及故障点的准确排查,消除了运行过程中的故障排查薄弱环节和潜在风险,切实提升了电网运行的稳定性。     

关联规则挖掘在电厂设备故障监测中应用

关联规则挖掘是数据挖掘的重要分支,其通过描述数据库中不同数据属性之间所存在的潜在关系规则,找出满足给定支持度阀值和置信度阀值多个域之间的依赖关系。随着电厂设备运行期间各种故障的发生,各状态监测点参数也会发生相应变化,利用关联规则挖掘算法,找出故障发生时故障现象与故障类别之间的关联关系,更好地对设备进行故障监测与诊断。阐述了关联规则挖掘的主要概念,对挖掘时最常用的Apriori算法进行探讨,并以汽轮机凝汽器的一种典型故障为例说明了算法的执行情况,对挖掘结果进行了解释。结果验证了所用方法的可行性与正确性。     

基于大数据挖掘的电网企业风险防控体系研究与应用

随着电力体制改革的深入推进,售电侧产业格局正在发生根本性的改变,电网企业面临竞争与冲击已是不争的事实。为保证各级电网企业在新形式下的良好发展,提高市场竞争力,降低风险,迫切需要深化和完善目前的风险防控体系。本文结合电网企业应用实际,提出以大数据挖掘为技术手段,发掘各项指标间潜在的关联关系,据此建立风险防控体系。通过指标异动预判其关联指标的变化趋势,发现潜在风险、定位管理漏洞,使风险在异动发生前被干预处理,从而为企业辅助决策提供有效手段。文章使用相关分析、回归分析等数据挖掘分析技术对方案的正确性进行了验证,目前,此方案已在相关电网企业获得试点,并取得显著成效。此外,本文在挖掘指标关联关系、发现潜在风险、定位管理漏洞等方面进行了全新探索,得到一些有益的启示,可供相关电网企业参考与借鉴。     

基于数据挖掘的抽水蓄能机组故障关联关系分析

随着抽水蓄能电站规模的不断扩大,当机组发生故障时,大量丰富的故障信息送入控制中心,这些海量信息蕴含了丰富的故障原因与故障特征。为了从故障数据中发现隐含的故障征兆,获取能提高电站机组安全稳定运行水平的故障信息,本文借助数据挖掘技术中的关联规则提取方法,对机组不同运行工况下的历史数据与信息进行快速有效的分析、加工与提炼,依据电站运行记录与巡检记录,构建不同故障状态下的事务集,利用频繁模式增长算法分析故障样本事务集,挖掘满足预先指定的最小支持度与置信度的关联关系,获得不同故障下的机组典型关联关系。通过在某电站历史数据上的实际应用,关联分析结果验证了该方法的有效性,提取了机组有效故障信息,为电站运维人员提供了检修指导意见。     

基于GIS的电网故障信息红外热影像采集系统

红外测温技术是检测电网设备状态的一种先进方法,应用红外测温技术能有效预判电网设备外部连接点的发热隐患,从而及早发现设备外部过热、内部绝缘等故障。以红外测温技术和基础GIS空间导航算法为基础,通过与原始蚁群算法对比、分析,提出了线路加权路径规划的改进算法,红外图像的采集降噪处理和结合WCDMA网络的传输方式,结合农村电网特点设计成可视化后台管理系统。该系统可对野外电力设备进行红外图像采集并进行简单降噪处理,通过3G网络发送回后台服务端显示,供人工辅助加以预判电网故障,同时通过改进的导航算法,科学规划抢修巡检路径,提高了电网运行的可靠性。     

基于MapReduce的电力通信网故障信息频繁项集挖掘算法

电力通信网故障信息的频繁项集挖掘对于电力通信网故障诊断及排除具有重要意义。依据组合学基本原理和集合理论,提出一种将频繁项集挖掘转化成统计问题的算法。该算法利用Hadoop平台,只进行1次数据库扫描,即可完成频繁项集的挖掘;当改变支持度参数时无须重新挖掘。实验结果表明:该算法具有极好的扩展性;且对于大量事务数据,算法时间开销小,对于电力通信网故障诊断具有重要意义。     

XGBoost算法在风机主轴承故障预测中的应用

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。     

基于深度稀疏自编码网络和场景分类器的 电网气象故障预警方法

为保证电网安全稳定运行,提高电网防灾减灾和弹性水平,提出了一种基于深度稀疏自编码网络和场景分类器的电网气象故障预警方法。首先,采用主客观权重相结合的动态赋权方法,对气象因子进行初始赋权,以合理表征不同气象因子对电网故障的影响程度。然后,对传统的深度自编码网络增加稀疏性约束条件,以提高网络训练的收敛性,并在深度自编码网络的最后一层增加场景分类器,以提高气象因子与电网故障场景间关联关系的合理性。最后,将带权重的气象因子以及设备因子和环境因子作为深度稀疏自编码网络的输入,利用支持向量机构建多因素耦合的电网气象灾害故障预警模型。采用实际电网故障算例验证了所提方法的有效性。     

关联规则的ECLAT算法

关联规则挖掘是数据挖掘的一个重要应用,而频繁项集挖掘对关联规则挖掘的效果起了决定性的作用。经典的频繁项集挖掘主要有Apriori算法和FP-Growth算法,它们都是基于水平数据表示的算法,本文分析基于垂直数据表示的ECLAT算法。     

基于电力系统大数据平台的安全管控机制探讨

随着电网规模不断扩大,智能化设备大量应用,电网运行过程中会产生海量、多元、复杂的数据,导致电网的安全管控面临着新的机遇和挑战。文章应用时间序列、聚类等大数据分析手段,对电力系统海量数据进行描述性和预测性分析,并深度挖掘数据关联关系以及潜在附加价值,基于云计算技术实现了电力系统数据信息"收集—辨识—加工—整合"的平台集成化;基于集成平台探讨了"事前主动预防、事中积极应对、事后妥善处置"的全方位电网运行安全管控机制,以期实现电网运行风险的能控、可控、在控;最后,通过我国天津地区的典型案例,验证了所提的安全管控机制的可行性。     

基于云模型的输变电设备状态预测研究

输电变设备是电力系统的核心,其健康水平直接关系到"多供电、供好电"战略目标的实现程度。文章针对输变电设备故障爆发呈现随机性的特点,提出采用基于云理论的不确定推测模型来进行运行数据挖掘并预判输变电设备的故障几率,从而为电网运维提供新的科学的辅助决策方法。案例表明,文章的研究成果比较符合实际情况,具有一定推广价值。     

大型电力网络数据库故障数据关联查询模型

<正>大型电力网络数据库聚集和存储大量的分布式电力电网管理系统数据,常因为通信冲突和电网节点损耗产生故障数据,对故障进行有效的查询是实现电力数据调度和故障诊断的关键。传统的大型电力网络数据库故障数据查询模型采用平均互信息关联维提取算法,当关联维特征出现独立同分布状态时。对故障数据提取性能受限,查询准确度不高。提出一种基于差分累积函数特征挖掘的大型电力网络数据库故障数据查询算法。构建大型电力网络数据库的实体模型。分析     

基于全景监测与智能预警的配电网全域大数据应用研究

面对不断扩大的电网规模及愈加复杂的外部环境,影响电网安全稳定运行的因素也在不断增加,为此提出了基于大数据机器学习算法的设备状态监测方法。运用成熟的数据挖掘技术,基于当前大量的数据积累开展数据价值的挖掘分析,构建基于随机森林的设备状态评价模型、基于D-S证据论的故障预警模型等,以云计算为支撑,以"互联、共享、智能"为理念引领全景监测体系,建设风险和隐患智能感知体系,实现低风险系数下配电网安全稳定运行。本文从数据关联融合、数据清洗转换、相关性分析及特征提取、模型构建四个方面着手,挖掘配电数据的潜在价值,预知配电网故障发生,进一步提高配电网精益化、智能化管理水平,促进电网企业提质增效提供指导,为电网安全生产及电网企业优质服务提供高效益的数据化科学决策依据。     

基于电网监测数据的智能化故障研判与处置平台

为了更好地应对电网突发故障,改善算法因数据量大而导致计算速度慢的问题,建立了基于电网监测数据的智能化故障研判与处置平台,利用关联规则(Apriori)算法挖掘数据间的逻辑关联性,以准确判断故障类型和发生位置,结合停电范围和电网实时运行状态,利用案例推理(CBR)算法检索历史相似故障案例,继而形成新故障处置策略,完成故障处理与恢复供电。     

多维时间序列关联分析方法在电力设备故障预测中的应用

提出基于多维时间序列关联分析的电力设备故障预测方法:将电力设备拓扑网络设备节点的历史时间序列数据进行规范化,运用时间序列分解算法将时间序列进行分解;用一种时间序列模式表示方法,提取关键设备发生故障之前网络拓扑中设备节点的特征事件;并采用关联分析的方法挖掘设备指标运行趋势与设备工况之间存在的隐含关系,达到对故障或冲击进行有效预测的目的。实验证明,该方法能充分利用时间序列数据,发挥数据挖掘对于不确定性关系的分析和表达的优势,能够准确、有效地进行复杂电力设备故障预测。     

基于大数据的告警信息处理和故障设备定位技术研究

电网故障发生后,巡维中心主站可以从电网运行控制中心的各主站系统收集到关于故障事件的大量告警和状态信息,这往往给运行人员造成很大的工作压力,也难以保证对事故告警判断和处理的正确性。提出的巡维中心驾驶舱(运行管理系统)的告警信息处理和故障设备定位功能将各主站信息收集至巡维中心一体化信息平台实时库后,采用大数据存储和数据挖掘技术,对故障的特征以及与设备的关联关系实现提取,结合周边变电站信息,对告警变电站的运行状态进行在线实时分析和推理,采用决策树技术定位发生故障或出现危险情况的具体设备和故障原因,协助运行人员及时地分析和处理事故。     

一种新型无差拍UPQC预测直接控制策略

为解决目前电力设备故障识别系统识别敏感度低的问题，提出基于云计算关联分析的电力设备故障识别模型。利用关联分析法、Model-1故障特征提取法、Copula函数的故障特征分类法，对电力设备故障特征进行提取和分类，将分类后的特征数据随机组成训练集X，并在此基础上获得故障特征优化的二维数据，将Copula函数的输出结果导入优化ID3的井漏类型分类算法中以完成对故障特征的优化，得到电力设备故障特征分类矩阵；利用非对称性卷积层的CNN模型，实现对电力设备多种故障类型的快速识别。实验结果表明：在进行故障准确性检测时，所提方法的故障识别率平均高达87.2%、识别精准率平均高达71.06%；在不同负荷对系统灵敏性影响的测试中，所提方法在任意负荷状态下的故障识别数据计数不低于40次，优于对比方法；在对电力设备匝间短路故障位点的识别性能测试中，所提方法在任意匝间短路故障位点的故障识别数据计数均高于140次，优于对比方法。所提方法的故障识别精确度高、故障位置识别敏感性高，可促进电网安全运行和发展。