基于MapReduce的电力设备并行故障诊断方法

以智能电网中电力变压器故障诊断为例,给出了基于MapReduce的电力变压器并行故障诊断过程,其应用4个MapReduce过程执行故障诊断算法的训练阶段,并得出分类模型,应用1个MapReduce过程完成对电力设备状态信息数据的故障诊断。建立了电力设备状态信息并行故障诊断实验平台,基于海量变压器油中溶解气体分析数据进行并行故障诊断实验,实验结果表明并行故障诊断速度高于传统单机环境下的诊断速度,满足智能电网环境下对海量电力设备状态信息快速故障诊断的要求。     

基于Spark的电力设备在线监测数据可视化方法

大数据可视化可以实现海量电力设备在线监测数据中各种属性、运行状态等电力特征信息的图形、图像化直观呈现,为设备运行状态的及时有效监控分析提供有力保障。因此,本文提出一种基于Spark的电力设备在线监测数据可视化方法,为实现大数据环境下的电力设备在线监测数据的状态信息快速提取,在Spark大数据计算平台上,建立了基于设备状态评估指标体系与模糊C均值聚类(FCM)的电力设备状态信息提取算法。针对数据的多维、时序特性,构建三维平行散点图的数据可视化展现形式,实现电力设备在线监测数据信息全貌的可视化展现。将该方法运用于吉林省某风电场的风电机组在线监测数据集,实验结果证明了该方法的有效性。     

WRSR与改进朴素贝叶斯融合的变压器故障诊断技术研究

电力变压器的运行状态评估及其故障准确定位,一直是制约电网运行安全和设备运维效率的技术瓶颈。建立一种基于加权秩和比(Weighted Rank Sum Ratio, WRSR)并结合改进朴素贝叶斯网络的诊断模型,用以评估电力变压器整体运行状态,确定故障位置及具体故障类型。首先从多个变电站收集变压器的历年故障数据,并将其作为训练集,在改进朴素贝叶斯网络中建立起特征参量与故障位置、故障类型之间的非线性映射关系。结合某电网的具体变压器运行状态信息与检测数据,利用WRSR模型对具体变压器整体运行状态进行评价,然后将状态性能较差的变压器故障检测数据作为测试集代入至改进朴素贝叶斯网络中来预测故障位置。最终结果表明,所提模型能够实现对电力变压器状态的合理评价,又可在预测故障部位及故障类型时保持较高的准确率。     

云平台下全维度电力设备状态数据并行化处理技术

数据集成和信息共享是建立智能电网的必然趋势,设备状态数据越来越多地被发送到控制中心,如何快速处理大量的历史数据和实时在线监测数据成为亟待解决的问题。结合开源云平台和大型数据处理技术,对电力设备运行状态监控数据进行并行计算和诊断研究,提出基于Spark内存技术的集合经验模型的分解并行算法EEMD,以补偿复杂场景处理中HDoop Map Reduce的不足,设计实现了两种不同结构的并行EEMD算法,并通过对比实验分析算法的性能,研究工作可为我国电力设备状态数据并行处理技术的发展提供一定的参考和借鉴。     

基于分布式图计算的台区负荷预测技术研究

随着智能电网数据采集技术的发展,电网公司积累的海量数据为台区负荷预测提供了数据基础。该文重点研究基于Apache Spark计算框架的台区短期负荷预测技术。首先,建立了包含温度、湿度、日类型等因素及负荷时间序列的动态贝叶斯网络,作为台区负荷预测模型。其次,为解决基于海量数据的模型参数计算及大规模配变负荷预测的并行化问题,搭建了基于Spark Graph X并行图计算组件的分布式计算平台,利用Graph X的Vertex Cut和并行边检索快速计算概率矩阵,以Pregel计算模型并行处理前向-后向算法,实现预测方法的分布式集群计算,保证全局预测任务的并行化。最后,通过实验结果表明,基于分布式图计算的台区负荷预测技术具有较高的预测精度和较快的计算速度,是一种高效可行的电力大数据分析技术。     

基于Spark平台和并行随机森林回归算法的短期电力负荷预测

随着智能电网、全球能源互联网的建设与相关技术的发展,现代电力系统中电力大数据的格局已经形成,如何对高维海量数据进行深度挖掘以实现数据的充分利用,成为当前电力工作者们关心的问题。该文针对电力大数据环境下高精度和实时性的负荷预测展开了研究,提出了基于Spark平台和并行随机森林回归算法(Spark platform and parallel random forest regression,SP-RFR)的短期电力负荷预测方法,通过3次弹性分布式数据集(resilient distributed datasets,RDD)转换实现单机随机森林算法的并行化改进,并在Spark分布式集群环境下实现部署。结合某区域实际电力负荷数据设计试验,进行模型训练和回归预测,通过试验证明,对同等的数据集,基于Spark平台的并行随机森林回归算法预测精度高于单机负荷预测算法;并行随机森林算法受离群数据干扰较小,且随着数据集的增大,并行随机森林算法表现出良好的鲁棒性;与单机算法在运行时间上相比,随着数据集的增大,基于分布式集群的方法优势明显。该文提出的方法能够有效地在分布式环境中进行电力负荷预测,为负荷预测提供了一种新思路。     

海量数据驱动的变压器故障类型高性能诊断方法

电力变压器故障与否直接影响电力系统运行可靠性,准确且高效的变压器故障诊断有助于及时发现电网不安全因素。本文提出一种基于海量数据驱动的优选训练样本的分布式神经网络决策变压器故障类型方法。首先通过比值法求取DGA的比值型特征向量,根据皮尔逊相关系数和欧氏距离双指标计算方法在各类别中选取更具该类代表性数据作为训练样本；再通过插值-随机抽样方法应对训练样本类间数据不平衡问题并对其进行抽样分块；为适应海量数据处理,在Spark平台上将BPNN算法并行化实现以提高算法性能表现,各BPNN学习不同训练样本块构建性能不同的子分类器；最后对子分类结果多数投票得到最终诊断类型。算例表明所提方法对变压器故障类型诊断效果良好,诊断正确率较IEC三比值法和传统串行BPNN高,证明了该方法对于变压器故障类型诊断的有效性与适用性。     

基于并行变量预测模型的变压器故障诊断及优化研究

针对传统变压器故障诊断方法存在小样本问题下分类效果差、海量监测数据的识别效率低下等问题,提出基于Spark计算框架的并行化变量预测模型。首先采用HDFS作为内存式存储系统,面向行存储的Row Matrix作为分布式矩阵存储结构,利用广播变量、调整分区数进行并行度优化。其次训练4种数学模型获取故障类型的最佳模型及相关参数完成故障诊断。实验结果表明,并行变量预测模型识别精度高于支持向量机,计算效率优于单机环境,对高维特征向量有较好的适应性。     

大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用

风电机组状态监测数据具有量大、多源、异构、复杂、增长迅速的电力大数据特点。现有的故障诊断与预警方法在处理大数据时难以在保证精度情况下进行快速处理,故提出了结合Storm实时流数据处理和Spark内存批处理技术的风电机组在线故障诊断与预警模型。以齿轮箱故障诊断与预警为例阐释该模型,引入了Storm处理状态监测数据流,设计了流数据处理的Topology结构;引入Spark,利用弹性分布式数据集(RDD)编程模型实现了朴素贝叶斯(NB)算法和反向传播(BP)算法对设备状态信息进行故障诊断与预测。实验结果显示,该故障诊断与预测方法在保证精度的前提下具有较好的加速比,也证明了该故障诊断与预警模型的有效性和可行性。     

基于贝叶斯网络和故障录波数据的电网故障综合诊断方法

电网故障诊断是保证系统安全运行的基础,故障录波系统提供的信息为电网故障的精确诊断提供了重要依据。为了有效利用故障录波数据,并在信息缺失或不确定条件下精确诊断电网故障,研究了基于贝叶斯网络和故障录波数据的电网故障综合诊断方法。通过在故障录波联网系统的主站建立输电网贝叶斯模型,结合从故障录波系统得到的模拟量和开关量数据,从而构成基于贝叶斯网络的电网故障识别模型。将贝叶斯网络得出的高可信度诊断结果融入专家系统的知识库,形成完备的故障诊断专家系统。实例分析表明,可快速并准确地定位故障元件,提高电网故障处理效率。     

变压器故障原因分析及在线监测诊断策略构建

电力变压器在电能传输过程中发挥着不可替代的关键作用,也是重要的电力设备,起着保障电网安全稳定运行、避免发生重大电力事故的作用。由此,防止电网输电突然中断、保证电力变压器顺利运行具有积极的意义。本文基于此背景下,对电力变压器存在的主要故障和诊断策略进行了深入分析,期望能够为电力系统的安全运行提供一定的借鉴和参考。     

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。     

基于朴素贝叶斯分类的变压器故障诊断

针对传统变压器故障诊断的不足,构建基于朴素贝叶斯分类的变压器故障诊断模型,合理选择分类器的属性变量和决策变量,并按阈值进行数据离散化.基于现场实际数据的实验证明,该模型能有效地诊断变压器的故障类型,诊断准确率高,并克服了三比值方法中编码缺失、对正常数据无法诊断等缺陷.     

RST和NBN用于电力变压器故障诊断

电力变压器发生故障后,当故障信息存在不完整或不确定性,甚至关键信息丢失时,会导致故障诊断难以得出正确结论。针对此问题,提出了一种将粗糙集理论(RST)与朴素贝叶斯网络(NBN)结合的电力变压器故障诊断新方法。首先将油中溶解气体分析(DGA)结果和其他电气试验结果作为条件属性,故障区域作为决策属性,考察各种故障与征兆间的连接关系并建立决策表,接着利用基于可辨识矩阵和信息熵的属性约简算法实现对专家知识的简化与故障特征的压缩,提取最佳属性约简组合,然后以最佳属性约简组合形成的约简决策表建立朴素贝叶斯网络模型,利用贝叶斯网络实现概率推理,便于描述故障特征的变化及对变压器故障原因的快速分析。最后对变压器故障进行实例分析,诊断结果证明该方法是正确和有效的,具有较好的实用价值。     

电网故障信息可视化故障告警分析及诊断

为了提高电网故障的快速诊断能力,减轻故障对电网造成的损害,建立电网故障告警分析诊断系统,应用 可视化服务引擎和动态模型,将系统采集的电网故障信息进行可视化显示.设计的柔性多端口直流断路器,由多个双 极性晶体管和快速机械开关组成,利用电容的充电效应缓解故障电流带来的冲击.基于贝叶斯网络构建故障诊断模 型,根据发生故障后电力设备动作信息的时序关系,计算可疑故障元件的故障概率.搭建仿真实验环境进行测试,实 验结果显示该系统计算出的概率最高可达到99.8％,并且能够有效显示故障线路的电流电压.     

基于深度学习的电力设备故障诊断方法研究综述

在大数据时代背景下，如何有效利用电网产生的大量数据快速、准确地判断设备的运行状态，并进行故障预警，成为近年来的研究热点。以基于电力设备监测数据的故障诊断方法为研究主题，总结电力设备数据的特点，阐述应用深度学习技术过程中面临的挑战，最后给出研究建议。应用可解释的深度学习模型、增强数据融合广度和提升诊断结果稳定性是进一步的研究方向。     

改进朴素贝叶斯模型在电力变压器故障定位中的应用北大核心CSCD

电力变压器故障能否精准定位一直是制约其状态检修有效开展的技术瓶颈。文中针对目前已有故障定位模型存在的不足,借助变压器故障类型与特征状态量之间的内在关系,将朴素贝叶斯网络模型进行特征属性加权改进,并将其扩展为改进的双层朴素贝叶斯网络模型应用至电力变压器故障定位中。在这一过程中,考虑到特征属性与类别之间和各特征属性之间的依赖关系,采用ReliefF算法和相关系数法分别对特征属性进行加权处理,构造出改进的朴素贝叶斯网络模型,并在MATLAB软件中进行了诊断对比预测,得到了较好的预测结果,文中最后利用实际案例进一步验证了所提模型与分析方法的有效性,可为电力变压器故障诊断提供技术指导。     

数据挖掘技术在电力设备故障诊断中的应用

电力设备运行状态信息具有海量、复杂性以及不完整的特点,给设备故障诊断带来了不小的困难。本文提出一种将粗糙集理论与朴素贝叶斯相结合的数据挖掘方法,通过粗糙集求取故障诊断最小属性约简集,并在此基础上利用朴素贝叶斯计算设备发生各种故障的概率,从而得出诊断结果。最后进行了变压器故障实例分析,诊断结果证明该方法的正确性和有效性。     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

基于贝叶斯分类的电网系统短期负荷预测方法

随着改革的不断深化,市场对电力的需求也在不断的变化.现阶段对电力系统短期负荷预测的要求逐渐提升,传统负荷预测方法的精度并不能满足应用需求,因此,提出一种基于贝叶斯分类的电网系统短期负荷预测方法,首先要建立电网系统短期负荷预测指标,通过预测指标建立基于贝叶斯分类的预测模型,然后运用基于贝叶斯分类的预测模型,在模型计算之后对数据进行并行化处理,最终得到电网系统短期负荷预测结果.通过测试实验证明该短期负荷预测方法比传统方法预测的精度更高.