[发明专利]一种基于大数据与设备状态异常跟踪的电网状态检修方法

摘要

本发明公开一种基于大数据与设备状态异常跟踪的电网状态检修方法。本发明利用k‑means聚类算法对设备的相关大数据进行状态异常检出与跟踪，利用设备状态的异常情况来安排状态检修计划。本发明采用大数据聚类技术实现了电网设备的异常状态检出与跟踪，为电网状态检修计划的制定提供了更为详细的参考数据，相较于传统的检修方法能更为有效地利用设备实时数据，降低电网运行风险,实现方法简单快速，便于实际工程的使用。

主权项

一种基于大数据与设备状态异常跟踪的电网状态检修方法,其特征在于本方法利用k‑means聚类算法对设备的相关大数据进行状态异常检出与跟踪，利用设备状态的异常情况来安排状态检修计划；其中利用k‑means聚类算法对设备的相关大数据进行状态异常检出与跟踪，具体包括如下步骤：步骤1、多状态量数据的收集与整理；收集并整理每条线路与每台变压器的状态监测数据，线路状态监测数据的状态量包括包括覆冰、风速、污秽、环境温度、负荷、服役时间、检修次数等，变压器状态监测量包括负荷、环境温度、服役时间、冷却类型、油气信息等；每条线路对应一个状态向量xi，假设有n段需要检测异常状态的线路，则形成线路样本集合X＝{x1,x2,...,xn}，每台变压器对应一个状态向量yi，假设有m台需要检测异常状态的变压器，则形成线路样本集合Y＝{y1,y2,...,ym}步骤2、利用k‑means聚类算法对线路多维数据进行聚类；在实际运行过程中，由于输变电设备的设备属性、运行工况、环境的差异，对于设备的状态监测数据，多维数据之间的关系难以用精确、统一的函数来描述；因此，本步骤采用k‑means聚类算法对多维数据进行聚类，既能充分利用大数据来源广、信息完备的优势，又能将各参量间的复杂相关关系简化；给定线路样本集合X＝{x1,x2,...,xn}，k‑means算法针对聚类所得簇划分C＝{C1,C2,...,Ck}，最小化平方误差E=Σi=1kΣx∈Ci||x-μi||22---(1)]]>其中μi是簇Ci的均值向量；步骤2‑1、从线路样本集合X＝{x1,x2,...,xn}中随机选择k个样本作为初始线路均值向量；步骤2‑2、簇划分的迭代过程；步骤2‑2‑1、计算各线路样本xj与各线路均值向量μi的欧式距离dji=||xj-μi||2=Σu=1n|xju-μiu|2---(2)]]>根据距离最近的均值向量确定xj的簇标记λj＝argmini∈{1,2,...,k}dji，将样本xj划入相应的簇Cλj＝Cλj∪{xj}；由此将所有样本分类到各个簇中；步骤2‑2‑2、计算每个簇新的线路均值向量μi′=1|Ci|Σx∈Cix---(3)]]>如果新计算的线路均值向量与当前线路均值向量相同，则保持当前线路均值向量不变，否则更新为新计算的线路均值向量；步骤2‑2‑3、重复步骤重复2‑2‑1和2‑2‑2，直至每个均值向量都不再变更，迭代停止；最终形成k个簇，每个簇中包含状态相近的线路样本；步骤3、重复步骤2，利用k‑means聚类算法对变压器多维数据进行聚类，最终形成得到变压器均值向量η′；步骤4、计算状态异常设备的异常偏离度；步骤4‑1、找出包含线路样本最多的簇，则一般情况下，该簇所含样本为正常线路，记为正常簇，该簇均值向量记为基准状态向量μB；找出包含变压器样本最多的簇，则一般情况下，该簇所含样本为正常变压器，记为正常簇，该簇均值向量记为基准状态向量ηB；步骤4‑2、计算不在正常簇内的所有状态异常的na条线路样本的异常偏离度D1与所有状态异常的ma台变压器样本的异常偏离度Dt，即各设备状态向量与基准状态向量的欧氏距离；得到异常偏离度向量D＝{D1，Dt}Dli=||xi-μB||2=Σu=1n|xiu-μBu|2---(4)]]>Dti=||yi-ηB||2=Σv=1m|yiv-ηBv|2---(5).]]>