一种基于灰色预测理论的电力设备状态趋势感知方法

摘要

本发明涉及一种基于灰色预测理论的电力设备状态趋势感知方法，包括以下步骤：获取电力设备状态相关数据，并根据典型应用场景进行数据整合；对获取的数据进行数据清洗及数据噪声过滤处理；选取灰色预测模型检验方式，并预设精度检验等级；构建灰色预测模型GM(1,1)，动态预测电力设备运行状况。本发明通过多渠道获取数据信息，通过鉴别因素之间发展趋势的相异程度，进行关联分析，分析历史数据中隐藏的变动规律，建立相应的微分方程模型，动态预测电力设备运行状况，实现对电力设备运行状态的实时趋势感知，能够满足对电力设备状态的趋势感知需求，并辅助设备检修计划与停电计划的制定，具有非常广阔的工程应用价值。

说明书

技术领域

本发明属于电力自动化领域，涉及人工智能技术，尤其是一种基于灰色预测理论的电力设备状态趋势感知方法。

背景技术

随着电力系统智能化和信息化的不断推进，电力系统中的数据信息量也迅猛增加。然而，当前电力设备的状态感知仍大量地依靠人工经验，需要人工搜寻大量文本资料、查阅大量的数据，综合考虑多种因素判定设备状态趋势。上述实现方法实现困难、工作量巨大且预测不准确。

灰色预测理论是一种对含有不确定因素的系统进行预测的方法。灰色预测方法通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。如何利用灰色预测技术为含有不确定因素的设备运行状态进行状态趋势预测是目前迫切需要解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、预测准确且易于实现的基于灰色预测理论的电力设备状态趋势感知方法。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种基于灰色预测理论的电力设备状态趋势感知方法，包括以下步骤：

步骤1、获取电力设备状态相关数据，并根据典型应用场景进行数据整合；

步骤2、对获取的数据进行数据清洗及数据噪声过滤处理；

步骤3、选取灰色预测模型检验方式，并预设精度检验等级；

步骤4、构建灰色预测模型GM(1,1)，动态预测电力设备运行状况。

进一步，所述步骤1的具体实现方法包括以下步骤：

⑴确定数据信息来源；

⑵获取电网监控数据和电网运行数据；

⑶划分典型应用场景，并根据典型应用场景整合所需数据内容。

进一步，所述步骤⑴中的数据信息来源包括电力EMS、OMS、监控大数据、监控事件化、调控云获取的监控告警信息与调度运行数据。

进一步，所述步骤⑵中的电网监控数据包括电网目前是否正常运行、异常元件及动作信息；所述电网运行数据包括电网及设备运行数据及其他系统的相关辅助信息。

进一步，所述步骤⑶中的典型应用场景包括故障判断、异常判断、设备检修和设备停复役，故障判断场景下的数据内容包括告警信息、遥测数据、开关位置和检修信息；异常判断场景下的数据内容包括告警信息、缺陷记录和检修记录；设备检修场景下的数据内容包括告警信息、检修记录和操作信息；设备停复役场景下的数据内容包括告警信息和操作信息。

进一步，所述步骤2的具体实现方法包括以下步骤：

⑴数据清洗处理：将数据中的非结构化数据转化为结构化数据，处理结构化数据中的异常内容，完成对数据的检验；

⑵数据噪声过滤处理：使用两步聚类方法对数据进行聚类，通过构造聚类特征树将大量零散的数据样本浓缩成可管理数量的子簇，从聚类特征树叶节点的子簇开始利用凝聚法，逐个地合并子簇，直到期望的簇数量，在完成数据集中所有数据样本到聚类特征树上的插入后，仍为潜在离群点的元项，视为最终离群点，从数据集中剥离这些离群点。

进一步，所述步骤3的具体实现方法包括以下步骤：

⑴基于动态预测理念，选定后验差检验方法评估模型精度；

⑵根据后验差比值与小误差概率预设模型精度检验等级。

进一步，所述步骤4的具体实现方法包括以下步骤：

⑴整合原始运行数据列，建立所要预测参数的原始数据列，并对原始数据列进行累加处理；

⑵建立包含单一变量与一阶微分方程的灰色模型GM(1,1)，使用最小二乘法获取模型发展系数与灰色作用量，建立相应拟合序列；

⑶将拟合序列进行一次累减运算求得预测值；

⑷针对拟合值进行精度检验，如果拟合值不符合精度要求，则进行反复迭代直至符合精度要求，得到电力设备运行预测结果。

本发明的优点和积极效果是：

本发明通过多渠道获取数据信息，通过鉴别因素之间发展趋势的相异程度，进行关联分析，分析历史数据中隐藏的变动规律，建立相应的微分方程模型，动态预测电力设备运行状况，实现对电力设备运行状态的实时趋势感知，能够满足对电力设备状态的趋势感知需求，并辅助设备检修计划与停电计划的制定，具有非常广阔的工程应用价值。

附图说明

图1是本发明的处理流程图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

一种基于灰色预测理论的电力设备状态趋势感知方法，如图1所示，包括以下步骤：

步骤1、多渠道获取包括监控告警信息、调度运行数据等在内的与电力设备状态相关的结构化与非结构化信息，并根据典型应用场景进行数据整合。

本步骤的具体实现方法包括以下步骤：

(1)确定数据信息来源，包括从电力EMS、OMS、监控大数据、监控事件化、调控云等系统上获取监控告警信息与调度运行数据。

其中，监控告警信息按照其对电网的影响程度可分为五类：异常、事故、越限、变位、告知。

(2)获取电网监控数据，包括电网目前是否正常运行、异常元件及动作信息；获取包括电网及设备运行数据及其他系统的相关辅助信息的电网运行数据。

在本实施例中，电网运行数据主要包括从监控系统接入的设备模型、监控数据(四遥)、输变电在线监测信息、二次设备在线监测数据(录波数据等)等电网及设备运行数据，以及OMS系统的设备检修、设备故障、设备缺陷、设备台账等基础管理数据，气象、操作票、雷电监测、GIS系统等其他系统的相关辅助信息。

(3)划分包括故障判断、异常判断、设备检修、设备停复役等在内的典型应用场景，根据场景需要整合所需数据内容。

表1各典型场景所需主要数据表

步骤2、为提高数据可靠性，对获取的数据进行数据清洗与数据噪声过滤等预处理工作；

本步骤的具体实现方法包括以下步骤：

(1)进行数据清洗：将非结构化数据转化为结构化数据，处理结构化数据中的异常内容，完成对数据的检验；

在对结构化数据类型中的缺失值、异常值、重复值进行异常处理时，根据异常情况进行相应的补全与真值转换。

其中，对非结构化数据进行处理部分，主要是对设备参数形成的表格和图片中记录的数据进行处理，使用人工或是相关图片转文字软件，将表格中的描述性数据和图片中的数据整理形成结构化数据，然后运用相同的方法对其中的缺失值、异常值、重复值进行处理，最后形成可以使用的结构化数据。

(2)使用两步聚类方法对数据进行聚类，通过构造聚类特征树将大量零散的数据样本浓缩成可管理数量的子簇，从聚类特征树叶节点的子簇开始利用凝聚法，逐个地合并子簇，直到期望的簇数量，在完成数据集中所有数据样本到聚类特征树上的插入后，仍为潜在离群点的元项，视为最终离群点，从数据集中剥离这些离群点，实现对数据的噪声过滤。

步骤3、选取灰色预测模型检验方式，并预设精度检验等级。

本步骤的具体实现方法包括以下步骤：

(1)基于动态预测理念，选定后验差检验方法评估模型精度。

其中，定义残差均值

其中，定义后验差比值c为

(2)根据后验差比值与小误差概率预设模型精度检验等级。

预测模型精度检验等级如表2所示：

表2预测模型1检验等级

步骤4、构建灰色预测模型GM(1,1)，动态预测电力设备运行状况。

本步骤的具体实现方法包括以下步骤：

(1)整合原始运行数据列，建立所要预测参数的原始数据列：x

(2)建立包含单一变量与一阶微分方程的灰色模型GM(1,1)，使用最小二乘法获取模型发展系数a与灰色作用量b，根据时间响应函数求解

(3)将拟合序列进行一次累减运算求得预测值；

(4)针对拟合值进行精度检验，如果拟合值不符合精度要求，需进行反复迭代直至符合精度要求，得到电力设备运行预测结果。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。