一种智能电网信息设备监控系统及方法与流程

1.本发明涉及电网监控领域，尤其涉及一种智能电网信息设备监控系统及方法。


背景技术：

2.为了发展基于数据驱动的电网态势感知理论与方法。需要对现有智能电网信息设备的静态阈值监控方式，进行优化升级，尝试研究以动态阈值方式进行智能电网信息设备的运行状态监控，提升智能电网信息熊监控指标的科学性及鲁棒性。通过动态阈值精准匹配系统时时刻刻的运行状态，解决由于信息系统业务量大幅波动造成的，信息设备静态阈值设定不准确问题，寻求解决业务高峰引起的静态阈值过载告警误报等问题。
3.现有监控工作当中存在一些不足之处，因信息机房复杂的工作环境、众多不同厂家的信息设备类型、数量庞大各类在运信息设备的巡检工作，现阶段所应用的信息设备静态阈值监测方法显得不够精确、不足以应付业务高峰低谷波动给信息设备运行状态参数带来的显著高频变化，产生设备告警静态阈值设置困难的问题，阈值设置过高无法起到监控指标过载监测作用，阈值设定过低，无法对抗业务高峰期正常高负载运行状态频频误报。监控静态阈值使用过程中给信息运维人员带来了种多设置困难从而使得运维人员工作效率及监控系统告警准确率不高。


技术实现要素：

4.本发明提供了一种智能电网信息设备监控系统及方法，利用海量历史监控数据，进行数据挖掘聚类分析、统计分析、机器学习挖掘、预测出设备健康运行状态动态阈值区间，使智能电网信息设备监测具有高准确度，告警收敛速度迅速，智能差异化感知、辨别故障，同时提升信息调度监控工作的准确率，提升运维人员的工作效率。
5.实现本发明目的的技术方案如下：
6.一方面，本发明实施例提供了一种智能电网信息设备监控系统，包括：
7.历史数据模块，所述历史数据模块存储有海量历史监控数据；
8.数据采集模块，所述数据采集模块实时采集电网的实时监控数据；
9.数据分析模块，所述数据分析模块基于所述海量历史监控数据分析出电网信息设备的动态阈值区间；所述数据分析模块还判断所述实时监控数据是否落入所述动态阈值区间；
10.告警模块，所述告警模块对尚未落入所述动态阈值区间的所述实时监控数据发出报警信号。
11.结合第一方面，在一种可能的实现方式中，所述数据分析模块分析出电网信息设备的动态阈值区间，包括：
12.基于所述海量历史监控数据进行数据挖掘聚类分析；
13.基于所述海量历史监控数据进行统计分析；
14.基于所述海量历史监控数据进行机器学习挖掘；
15.基于数据挖掘聚类分析、统计分析和机器学习挖掘得到电网信息设备的动态阈值区间。
16.结合第一方面，在一种可能的实现方式中，所述数据采集模块实时读取电网的负荷数据，所述数据采集模块与所述数据分析模块连接，所述数据采集模块把电网的负荷数据实时发送给所述数据分析模块，所述数据分析模块对电网的负荷数据实时分析。
17.结合第一方面，在一种可能的实现方式中，所述数据分析模块包括预测模型，所述预测模型构建预测数据矩阵，所述数据分析模块在预测数据矩阵输入电网的负荷数据得到当前负荷数据的最大特征值及当前负荷数据的动态阈值。
18.结合第一方面，在一种可能的实现方式中，所述数据分析模块与所述告警模块连接，所述数据分析模块对比实时负荷数据的最大特征值及实时负荷数据的动态阈值，若实时负荷数据的最大特征值未落入实时负荷数据的动态阈值，所述数据分析模块向所述告警模块发送报警信号。
19.另一方面，本发明实施例提供了一种智能电网信息设备监控方法，包括：
20.历史数据模块存储有海量历史监控数据；
21.数据采集模块实时采集电网的实时监控数据；
22.数据分析模块基于所述海量历史监控数据分析出电网信息设备的动态阈值区间、判断所述实时监控数据是否落入所述动态阈值区间；
23.告警模块对尚未落入所述动态阈值区间的所述实时监控数据发出报警信号。
24.结合第二方案，在一种可能的实现方式中，所述数据分析模块分析出电网信息设备的动态阈值区间，包括：
25.基于所述海量历史监控数据进行数据挖掘聚类分析；
26.基于所述海量历史监控数据进行统计分析；
27.基于所述海量历史监控数据进行机器学习挖掘；
28.基于数据挖掘聚类分析、统计分析和机器学习挖掘得到电网信息设备的动态阈值区间。
29.结合第二方案，在一种可能的实现方式中，所述数据采集模块实时读取电网的负荷数据；
30.所述数据采集模块与所述数据分析模块连接；
31.所述数据采集模块把电网的负荷数据实时发送给所述数据分析模块，所述数据分析模块对电网的负荷数据实时分析。
32.结合第二方案，在一种可能的实现方式中，所述数据分析模块包括预测模型；
33.所述预测模型构建预测数据矩阵；
34.所述数据分析模块在预测数据矩阵输入电网的负荷数据得到当前负荷数据的最大特征值及当前负荷数据的动态阈值。
35.结合第二方案，在一种可能的实现方式中，所述数据分析模块与所述告警模块连接；
36.所述数据分析模块对比实时负荷数据的最大特征值及实时负荷数据的动态阈值；
37.若实时负荷数据的最大特征值落入实时负荷数据的动态阈值，则继续比对下一时刻负荷数据的最大特征值及下一时刻负荷数据的动态阈值；
38.若实时负荷数据的最大特征值未落入实时负荷数据的动态阈值，所述数据分析模块向所述告警模块发送报警信号的同时，所述数据分析模块还继续比对下一时刻负荷数据的最大特征值及下一时刻负荷数据的动态阈值。
39.与现有技术相比，本发明的有益效果是：
40.本发明利用海量历史监控数据，进行数据挖掘聚类分析、统计分析、机器学习挖掘、预测出设备健康运行状态动态阈值区间，使智能电网信息设备监测具有高准确度，告警收敛速度迅速，智能差异化感知、辨别故障，同时提升信息调度监控工作的准确率，提升运维人员的工作效率。
附图说明
41.图1为智能电网信息设备监控系统的原理框图；
42.图2为智能电网信息设备监控方法的流程图。
具体实施方式
43.下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
44.材料中提到，在论文《适用于电网异常符合动态判别的cnn阈值模型》中，利用时序历史负荷数据，训练卷积神经网络模型进行负荷预测，并根据预测负荷值计算出电网未来的状态变量数据。然后通过该状态变量数据源矩阵的构造，依次构造其窗口矩阵，标准矩阵，样本协方差矩阵，进而设定基于样本协方差矩阵最大特征值的动态阈值。最后，通过该阈值，对当前时刻的最大特征值进行月姐判定。实现对电网异常负荷事件的动态判别。
45.在电网信息设备异常检测当中，可利用迁移学习的方法，迁移该卷积神经网络的特征提取层，进行同类监控数据动态阈值的提取及后续判别。
46.请参阅图1，本发明实施例提供了一种智能电网信息设备监控系统，包括：
47.历史数据模块，历史数据模块存储有海量历史监控数据；
48.数据采集模块，数据采集模块实时采集电网的实时监控数据；
49.数据分析模块，数据分析模块基于海量历史监控数据分析出电网信息设备的动态阈值区间；数据分析模块还判断实时监控数据是否落入动态阈值区间；
50.告警模块，告警模块对尚未落入动态阈值区间的实时监控数据发出报警信号。
51.优选数据分析模块分析出电网信息设备的动态阈值区间，包括：
52.基于海量历史监控数据进行数据挖掘聚类分析；
53.基于海量历史监控数据进行统计分析；
54.基于海量历史监控数据进行机器学习挖掘；
55.基于数据挖掘聚类分析、统计分析和机器学习挖掘得到电网信息设备的动态阈值区间。
56.优选数据采集模块实时读取电网的负荷数据，数据采集模块与数据分析模块连接，数据采集模块把电网的负荷数据实时发送给数据分析模块，数据分析模块对电网的负荷数据实时分析。
57.优选数据分析模块包括预测模型，预测模型构建预测数据矩阵，数据分析模块在预测数据矩阵输入电网的负荷数据得到当前负荷数据的最大特征值及当前负荷数据的动态阈值。
58.优选数据分析模块与告警模块连接，数据分析模块对比实时负荷数据的最大特征值及实时负荷数据的动态阈值，若实时负荷数据的最大特征值未落入实时负荷数据的动态阈值，数据分析模块向告警模块发送报警信号。
59.请参阅图2，本发明实施例提供了一种智能电网信息设备监控方法，包括以下步骤：
60.步骤s110、历史数据模块存储有海量历史监控数据；
61.步骤s120、数据采集模块实时采集电网的实时监控数据；
62.步骤s130、数据分析模块基于海量历史监控数据分析出电网信息设备的动态阈值区间、判断实时监控数据是否落入动态阈值区间；
63.步骤s140、告警模块对尚未落入动态阈值区间的实时监控数据发出报警信号。
64.上述的数据分析模块分析出电网信息设备的动态阈值区间，包括：
65.基于海量历史监控数据进行数据挖掘聚类分析；
66.基于海量历史监控数据进行统计分析；
67.基于海量历史监控数据进行机器学习挖掘；
68.基于数据挖掘聚类分析、统计分析和机器学习挖掘得到电网信息设备的动态阈值区间。
69.上述的数据采集模块实时读取电网的负荷数据；
70.数据采集模块与数据分析模块连接；
71.数据采集模块把电网的负荷数据实时发送给数据分析模块，数据分析模块对电网的负荷数据实时分析。
72.上述的数据分析模块包括预测模型；
73.预测模型构建预测数据矩阵；
74.数据分析模块在预测数据矩阵输入电网的负荷数据得到当前负荷数据的最大特征值及当前负荷数据的动态阈值。
75.上述的数据分析模块与告警模块连接；
76.数据分析模块对比实时负荷数据的最大特征值及实时负荷数据的动态阈值；
77.若实时负荷数据的最大特征值落入实时负荷数据的动态阈值，则继续比对下一时刻负荷数据的最大特征值及下一时刻负荷数据的动态阈值；
78.若实时负荷数据的最大特征值未落入实时负荷数据的动态阈值，数据分析模块向告警模块发送报警信号的同时，数据分析模块还继续比对下一时刻负荷数据的最大特征值及下一时刻负荷数据的动态阈值。
79.利用海量历史监控数据，进行数据挖掘聚类分析、统计分析、机器学习挖掘、预测出设备健康运行状态动态阈值区间，使智能电网信息设备监测具有高准确度，告警收敛速度迅速，智能差异化感知、辨别故障，同时提升信息调度监控工作的准确率，提升运维人员的工作效率。
80.上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说
明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
81.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
82.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。