电力计量数据驱动的电力故障预测方法研究

电力计量数据驱动的电力故障预测方法研究

郭,志

国网临颍县供电公司，河南 临颍 462600

摘要：随着我国经济的发展和社会的进步，我国终端数据的接入量和采集量逐渐地上升，尤其是电力计量数据的积累呈现高储备的趋势。每天仅电力计量数据的积累就高达上亿，故障问题也随之频繁发生，因此需要有效的电力故障诊断模型从储备的电力计量数据中挖掘潜在的规律，科学准确地预测电力故障问题。电力故障的有效预测也可以帮助企业提高电网的运行效率，节约维护过程中所需的成本。针对该领域的研究正处于发展的阶段，部分专家学者利用回归分析法建立预测模型，从多因素预测角度出发，分析因素变量间的相关性，判定不同因素对电力故障的影响。也有部分专家学者从电力计量数据的角度出发，利用电力计量数据得到计量系统网络阻抗与电流互感器一次、二次侧短路故障之间的关系，将得到的规律应用在故障检测中，但是并没有真正地实现预测智能化，更好的还是将规律和主观经验判断相结合，再将判断后的经验用于预测。还有部分专家学者利用人工智能技术建立诊断模型，旨在从海量的电力计量数据中挖掘潜在的规律，但是模型更多是在理论上构建，并未真正地实现故障的诊断，也未真正地将模型搭建起来。

关键词：电力计量；数据驱动；故障预测

引言

故障预测技术是比故障诊断更好的现代维修防护手段，也是一门新的前沿科学。它们是机械、材料、通信控制、电力、电子、通信、计算机和人工智能等专业领域的组合。电力系统故障预测基于对电力系统故障演化机制的深入研究，结合系统或设备的结构特点、运行参数和历史统计数据，包括系统或设备的结构特点、运行参数和系统或设备的运行历史记录，根据cara参数对系统或设备进行分析和预测。

1电力行业自动化系统中的数据类型分析

基本类数据主要是设备属性数据，例如变压器、电动机等。电源管理在您自己的数据计划中是必需的。所有数据还必须与数据服务器同步，并且数据必须统一存储在Plancenter中，然后才能进行特殊排序和计算。实时类数据是在电力行业自动化系统实时运行过程中检索到的数据，由于数据量大，需要更多的存储空间。此数据来自特定的业务流程，需要在派单服务作出决定之前进行更详细的处理。我们各国能够改进电力系统的实时数据，并通过更稳定的界面更准确地收集数据。日常管理数据包括电力行业自动化系统的各种相关数据，以及各部门在处理电力系统运行问题后收到的数据。但是，此数据通常仅在一个区域中共享和同步。这反映了电力设施的状况，便于其他部门访问日常管理的数据。随着我国市场经济体制的逐步完善，与电力系统有关的数据的经济效率提高了。因此，运行过程中获得的数据对电力机组的发展具有重要影响。市场经济数据也为城市建设能耗总体规划提供了更广泛、更全面的依据。

2故障分析

电力计量数据的获取主要通过电度表、电压互感器、电流互感器，并获取二次侧电流。对于高压电力计量系统故障性质深入分析可知，将故障分为直接可诊断的故障和间接可诊断的故障。直接可诊断的故障即直接通过电力仪表的测量结果，判断是否可以直接发生，并不需要深入的研究潜在的故障特性。间接诊断的故障指电力计量数据长期储存后，通过相应的模型算法可以实现对故障的提前预测，因为电力计量数据是多维度数据的综合，因此可以在主观观测不到的情况下实现提前预测的功能。根据高压电力计量系统的结构，对计量回路的多个参数进行检测和电力实时监测样本的采集。将历史数据和实时监测的数据输入神经网络预测模型中，实现对监测情况的提前预测，对故障问题进行处理和分析。

3电力计量数据驱动的电力故障预测

3.1基于支持向量机的故障预测技术

向量支援是一种以范例为基础的自动学习方法，它会选取已知的范例，并透过比较和组合范例来识别未知的样式。它适用于小示例学习，并提供了更好的模型放大和非线性处理，以便更好地解决大尺寸和局部极性问题。对于故障预测研究，矢量设备支持比神经网络具有以下优点:参数选择简单、建模简单、模型可扩展性高、对导入数据的尺寸影响较小、模式驱动速度快、风险低等优点，通常用于状态评估和故障预测。文献支持SVM矢量设备与ANN神经元网络在电力系统静态稳定性评价中的综合比较，并支持矢量设备在适应性、驱动时间、分类精度等方面的比较。在一项基于巴西大众交通系统“仿真研究中，预测也比神经网络明显得多。本文提供了一种支持向量回归的电力变压器油中溶解气体体积比例的预测方法，并采用网格交叉验证方法寻找最佳参数组合，获得更好的预测。文献建议采用矢量回归技术并行预测几个特征参数，分析剩馀寿命不同特征和预测阶段的趋势，预测最终结果。

3.2梯形模糊事故树在大数据中的应用

梯形模糊事故树是大数据技术中常见的电力系统故障处理方法。它旨在利用事故树的构造方法表示模糊事故树梯形上故障事件的概率。事故树与小离散波分解相结合，不仅有助于从电气信号的角度分析电气系统的故障。为了确保采集信号的连续性，在噪声信号和有效电流信号之间建立平稳过渡区。

3.3故障预测过程

本研究中选定的系统要求第二站在初步分析后主动或通过查询机制将实地收集的数据传输到主站点。不能在整个系统中仅包括一个辅助站。因此，主站必须从不同的副站接收数据，并进一步分析和处理这些数据。预处理数据可以减少辅助站中不需要的数据，也可以将不需要的数据输入主站。要做到这一点，必须预处理传输的数据并消除过时和多馀的数据。数据在预处理过程中通过提取、转换、清理和监视进行处理。数据提取和清理包括特定于每个操作的任务。完成这些操作后，您需要监视和预测错误。检查电气系统中的数据是否有异常变化，如果有偏差，及时处理，使用数据监控，然后重新处理数据。

结束语

停电预测技术可防止电力系统故障，并能及时通知用户维护和确保与故障排除和处理技术相比，现代电力系统安全、稳定、高效、可靠地运行。但是，鉴于停电预测是新的，尚未成熟，电力系统的结构非常复杂，大部分处于理论和模拟阶段，可以有效地使用。但是，鉴于停电预测的迅速发展，预计故障预测技术不久将广泛应用于实际电力系统。本文阐述了基于概率模型、数据和统计的三种误差预测技术以及一些主要预测方法。这些技术在一个概览中明确分类，但也有缺点，目前许多误差预测技术研究倾向于整合、补充和改进。

参考文献

[1]潘磊.基于FP-Growth的电力系统故障预测方法[J].软件导刊,2020,19(10):152-155.

[2]吴林伟.电力系统故障分析[J].价值工程,2020,39(16):203-204.

[3]郭佳婧,严童,陈明,刘璐,马媛.基于大数据的电力计量装置故障智能化诊断研究[J].电子设计工程,2019,27(23):55-58+63.

[4]郑健生.人工智能技术在电力系统故障诊断中的运用分析[J].科技与创新,2019(02):136+139.

[5]郭彦楠.基于数据处理的电力系统故障诊断与预测[D].天津理工大学,2019.