一种电力设备异常状况的预测方法及系统

本发明涉及数据预测，尤其涉及一种电力设备异常状况的预测方法及系统。

背景技术：

1、随着电力设备进入智能化时代，每时每刻都在监控、测量、存储电力设备运行状态相关的数据，电网已经积累了大量数据。从终端电力设备来看，单个设备所记录的设备状态信息量逐步积累，而且电力设备种类繁多，由此电力设备记录数据汇总之后就变成了海量数据。如何基于海量数据在不增加计算开销的情况下对电力设备的异常状况进行监控和预测，是现在越来越被关注的问题。

2、现有对异常的检测主要是检测数据集中与绝大多数正常范围内数据分布不一致的、游离于数据簇之外的样本点，包括基于统计、分类和聚类的方法。

3、基于统计的方法利用待检测样本点与正常数据分布的相似性作为检测评价的标准，比较简单、易于实现，但该类方法不适用于海量数据。而当电力设备数据因为内部元器件的氧化或负载不规律的变化会发生概念漂移时，单独采用分类和聚类方法无法准确检测出异常状况。概念漂移(concept drift)是指数据分布随着时间的推移以不可预见的方式变化，极大影响电力设备状况预测的准确性。

技术实现思路

1、鉴于上述的分析，本发明实施例旨在提供一种电力设备异常状况的预测方法及系统，用以解决现有电力设备异常状况预测不准确的问题。

2、一方面，本发明实施例提供了一种电力设备异常状况的预测方法，包括以下步骤：

3、获取电力调度系统中电力设备的监控数据，预处理后得到初始数据集；从初始数据集中提取多维数据特征，构建样本集；

4、根据聚类模型和分类模型构建特征融合模型和结果融合模型，并利用样本集分别训练特征融合模型和结果融合模型；

5、根据多维数据特征从监控数据中获取待预测样本，识别待预测样本是否发生概念漂移，如果发生，则将待预测样本传入训练好的特征融合模型，否则，传入训练好的结果融合模型；根据特征融合模型或结果融合模型的输出得到各预测结果。

6、基于上述方法的进一步改进，从初始数据集中提取多维数据特征，包括：从初始数据集中的电力设备数据及其所属线路数据中获取基本数据特征，根据基本数据特征之间的关系衍生出领域数据特征，以及根据基本数据特征与理论数据之间的误差衍生出误差数据特征。

7、基于上述方法的进一步改进，特征融合模型是从聚类模型的结果中提取新的数据特征与样本的数据特征进行融合后再利用分类模型得到预测结果的模型；结果融合模型是对分类模型和聚类模型的结果进行加权融合得到预测结果的模型。

8、基于上述方法的进一步改进，利用样本集分别训练特征融合模型和结果融合模型，是将样本集划分为未发生概念漂移的样本集和发生概念漂移的样本集，利用未发生概念漂移的样本集训练结果融合模型，利用发生概念漂移的样本集训练特征融合模型。

9、基于上述方法的进一步改进，结果融合模型包括第一分类模块、第一聚类模块和逻辑回归模块；其中，第一分类模块用于利用未发生概念漂移的样本集训练分类模型，并根据训练好的分类模型获取样本被分类为异常的第一概率；第一聚类模块用于将电力设备的类型数量作为聚类数量，利用聚类模型将未发生概念漂移的样本集划分为多个簇，获取每条样本到所属簇中心的距离并归一化至[0,1]范围内作为每条样本分类为异常的第二概率；逻辑回归模块用于将每条样本的第一概率和第二概率作为逻辑回归模型的输入，样本的标签作为输出，利用极大似然估计，计算出两个输入的权重，再根据权重加权两个异常的概率，得到融合后的异常概率值。

10、基于上述方法的进一步改进，特征融合模型包括第二聚类模块、特征融合模块和第二分类模块；其中，第二聚类模块将电力设备的类型数量作为聚类数量，利用聚类模型将发生概念漂移的样本集划分为多个簇，获取每条样本所属簇标号和到所属簇中心的距离；特征融合模块用于将第二聚类模块输出的每条样本所属簇标号和到所属簇中心的距离，与对应样本的原数据合并，得到待分类样本集；第二分类模块用于利用待分类样本集训练分类模型，得到用于实际预测的分类模型。

11、基于上述方法的进一步改进，基本数据特征包括：采样时间、设备类型、电压等级、测量状态、线路电流上限、线路功率限值、线路短期载流量、线路电流值、线路电压值、电力设备在三相线路中的a相、b相、c相的电流值和电压值。

12、基于上述方法的进一步改进，领域数据特征包括：将线路电流除以线路电流上限，得到电流负载率；将电力设备的有用功率除以线路功率限值，得到功率负载率；将b相电流值除以c相电流值，得到bc相电流比值；将a相电流值除以b相电流值，得到ab相电流比值；将a相电压值除以b相电压值，得到ab相电压比值；将a相电压值除以c相电压值，得到ac相电压比值；将bc相电压值除以b相电压值，得到bc第一相间电压比值；将bc相电压值除以c相电压值，得到bc第二相间电压比值；将bc相电压值除以ca相电压值，得到bc第三相间电压比值。

13、基于上述方法的进一步改进，误差数据特征是根据电力设备的功率因素、有功功率和无功功率分别与计算得到的功率因素、有功功率和无功功率的比值而得到功率因数误差比值、有功功率误差比值和无功功率误差比值。

14、另一方面，本发明实施例提供了一种电力设备异常状况的预测系统，包括：

15、样本集构建模块，用于获取电力调度系统中电力设备的监控数据，预处理后得到初始数据集；从初始数据集中提取多维数据特征，构建样本集；

16、预测模型训练模块，用于根据聚类模型和分类模型构建特征融合模型和结果融合模型，并利用样本集分别训练特征融合模型和结果融合模型；

17、电力设备预测模块，用于根据多维数据特征从监控数据中获取待预测样本，识别待预测样本是否发生概念漂移，如果发生，则将待预测样本传入训练好的特征融合模型，否则，传入训练好的结果融合模型；根据特征融合模型或结果融合模型的输出得到各预测结果。

18、与现有技术相比，本发明至少可实现如下有益效果之一：

19、1、结合电力领域知识提取多维数据特征，捕捉数据的变化趋势和相互作用，完善数据特征维度，提高了预测准确率。

20、2、考虑数据发生概念漂移的影响，从分类与聚类两方面进行不同方式的建模，提高模型的预测能力和泛化能力；对未发生概念漂移的数据进行加权融合两类结果，提升结果的准确性；对发生概念漂移的数据从聚类结果中提取新的数据特征，克服数据发生概念漂移的影响。

21、3、适用于国内外电力调度系统对电力设备异常状况的实时监测，为调度运行人员科学的决策提供指导。

22、本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

技术特征：

1.一种电力设备异常状况的预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的电力设备异常状况的预测方法，其特征在于，所述从初始数据集中提取多维数据特征，包括：从初始数据集中的电力设备数据及其所属线路数据中获取基本数据特征，根据基本数据特征之间的关系衍生出领域数据特征，以及根据基本数据特征与理论数据之间的误差衍生出误差数据特征。

3.根据权利要求1所述的电力设备异常状况的预测方法，其特征在于，所述特征融合模型是从聚类模型的结果中提取新的数据特征与样本的数据特征进行融合后再利用分类模型得到预测结果的模型；所述结果融合模型是对分类模型和聚类模型的结果进行加权融合得到预测结果的模型。

4.根据权利要求3所述的电力设备异常状况的预测方法，其特征在于，所述利用样本集分别训练特征融合模型和结果融合模型，是将样本集划分为未发生概念漂移的样本集和发生概念漂移的样本集，利用未发生概念漂移的样本集训练结果融合模型，利用发生概念漂移的样本集训练特征融合模型。

5.根据权利要求4所述的电力设备异常状况的预测方法，其特征在于，所述结果融合模型包括第一分类模块、第一聚类模块和逻辑回归模块；其中，第一分类模块用于利用未发生概念漂移的样本集训练分类模型，并根据训练好的分类模型获取样本被分类为异常的第一概率；第一聚类模块用于将电力设备的类型数量作为聚类数量，利用聚类模型将未发生概念漂移的样本集划分为多个簇，获取每条样本到所属簇中心的距离并归一化至[0,1]范围内作为每条样本分类为异常的第二概率；所述逻辑回归模块用于将每条样本的第一概率和第二概率作为逻辑回归模型的输入，样本的标签作为输出，利用极大似然估计，计算出两个输入的权重，再根据权重加权两个异常的概率，得到融合后的异常概率值。

6.根据权利要求4所述的电力设备异常状况的预测方法，其特征在于，所述特征融合模型包括第二聚类模块、特征融合模块和第二分类模块；其中，第二聚类模块将电力设备的类型数量作为聚类数量，利用聚类模型将发生概念漂移的样本集划分为多个簇，获取每条样本所属簇标号和到所属簇中心的距离；所述特征融合模块用于将第二聚类模块输出的每条样本所属簇标号和到所属簇中心的距离，与对应样本的原数据合并，得到待分类样本集；所述第二分类模块用于利用待分类样本集训练分类模型，得到用于实际预测的分类模型。

7.根据权利要求2所述的电力设备异常状况的预测方法，其特征在于，所述基本数据特征包括：采样时间、设备类型、电压等级、测量状态、线路电流上限、线路功率限值、线路短期载流量、线路电流值、线路电压值、电力设备在三相线路中的a相、b相、c相的电流值和电压值。

8.根据权利要求2所述的电力设备异常状况的预测方法，其特征在于，所述领域数据特征包括：将线路电流除以线路电流上限，得到电流负载率；将电力设备的有用功率除以线路功率限值，得到功率负载率；将b相电流值除以c相电流值，得到bc相电流比值；将a相电流值除以b相电流值，得到ab相电流比值；将a相电压值除以b相电压值，得到ab相电压比值；将a相电压值除以c相电压值，得到ac相电压比值；将bc相电压值除以b相电压值，得到bc第一相间电压比值；将bc相电压值除以c相电压值，得到bc第二相间电压比值；将bc相电压值除以ca相电压值，得到bc第三相间电压比值。

9.根据权利要求2所述的电力设备异常状况的预测方法，其特征在于，所述误差数据特征是根据电力设备的功率因素、有功功率和无功功率分别与计算得到的功率因素、有功功率和无功功率的比值而得到功率因数误差比值、有功功率误差比值和无功功率误差比值。

10.一种电力设备异常状况的预测系统，其特征在于，包括：

技术总结
本发明涉及一种电力设备异常状况的预测方法及系统，属于数据预测技术领域，解决了现有电力设备异常状况预测不准确的问题。包括：获取电力调度系统中电力设备的监控数据，预处理后得到初始数据集；从初始数据集中提取多维数据特征，构建样本集；根据聚类模型和分类模型构建特征融合模型和结果融合模型，并利用样本集分别训练特征融合模型和结果融合模型；根据多维数据特征从监控数据中获取待预测样本，识别待预测样本是否发生概念漂移，如果发生，则将待预测样本传入训练好的特征融合模型，否则，传入训练好的结果融合模型；根据特征融合模型或结果融合模型的输出得到各预测结果。实现了电力设备异常状况的准确预测。

技术研发人员：高兴宇,陈振宇,陈项中,朱精果,李学锋
受保护的技术使用者：中国科学院微电子研究所
技术研发日：
技术公布日：2024/4/22