1.本发明属于变电站二次系统的状态评估技术领域。
背景技术：2.变电站作为电力系统的枢纽，其稳定运行对于保障电力系统安全起着至关重要的作用，变电站二次系统承担着电网的状态量测、保护、调控等重要功能，因此二次系统的状态评估就显得尤为重要。目前，变电站中对二次系统的状态评估主要体现在依据历史数据和实时数据的分析和评价方面，在状态预测方面则主要以独立设备的状态预测为主，尚缺乏对二次系统的整体预测评价方法，特别是依据状态数据属性进行分类预测和系统状态评估方面。
技术实现要素：3.本发明是为了解决现有技术中缺乏对变电站二次系统的整体预测评价方法的问题，现提供基于数据分类预测的变电站二次系统状态模糊评价方法。
4.基于数据分类预测的变电站二次系统状态模糊评价方法，包括以下步骤：
5.步骤一：将变电站二次设备的状态量按照时域类和突劣类进行划分，对于时域类状态量执行步骤二，对于突劣类状态量执行步骤三，
6.所述时域类状态量包括变电站二次设备的实时量测数据，所述突劣类状态量包括变电站二次设备的布尔型状态数据；
7.步骤二：提取时间长度为t的历史时域类状态量建立时域类状态量预测模型，并计算时域类状态量的预测值；该时域类状态量预测模型的输入为时域类状态量的实时量测值，该时域类状态量预测模型的输出为时域类状态量的预测值，然后执行步骤五；
8.步骤三：按照四级评分法对突劣类状态量进行量化，然后执行步骤四；
9.步骤四：利用下式计算突劣类状态量的预测量化值，然后执行步骤五，
[0010][0011]
其中，为突劣类状态量在t+1时刻的预测量化值，l
t
为t时刻的平滑因子，b
n,t
为第n种突劣类状态量在t时刻的量化值，s
t
为t时刻的周期因子，n＝1,2,...,n，n为突劣类状态量的种类数；
[0012]
步骤五：利用突劣类状态量的预测量化值和时域类状态量的预测值构建归一集合，然后执行步骤六，
[0013]
其中，ui为归一集合中的第i个元素，i＝1,2,...,m+n，m为时域类状态量的种类数，
[0014]
[0015]ym,t+1
为第m种时域类状态量在t+1时刻的预测值，m＝1,2,...,m；
[0016]
步骤六：利用归一集合构建评判矩阵r，然后执行步骤七，
[0017]
所述评判矩阵r的表达式如下：
[0018][0019]
其中，
[0020]
步骤七：构建突劣类状态量和时域类状态量的权重集合a{a1,a2,...,a
m+n
}，然后执行步骤八，
[0021]ai
为权重有名值，为标度值z
if
的归一化结果，f＝1,2,...,m+n；
[0022]
步骤八：根据下式计算变电站二次系统状态模糊评估集ki：
[0023][0024]
进一步利用下式得到变电站二次系统状态模糊总评结果c：
[0025]
c＝uk，
[0026]
其中，k＝[k
1 k2ꢀ…ꢀkm+n
]
t
，u＝[u
1 u2ꢀ…ꢀum+n
]。
[0027]
进一步的，上述步骤一中，所述时域类状态量包括：对时误差、光纤接口的发送/接收光强、装置温度、装置电源电压、装置湿度和通信延时；
[0028]
所述突劣类状态量包括：对时异常告警、sv链路中断、goose链路中断、mms网络中断、错误指令、装置异常告警、参数出错告警。
[0029]
进一步的，上述步骤二所述时域类状态量预测模型表达式如下：
[0030][0031]
其中，ψ
m,r
为第m种时域类状态量在过去第r时刻的相关系数，x
m,t+1-r
为第m种时域类状态量在t+1-r时刻的实时量测数据，φ
m,e
为第m种时域类状态量在过去第e时刻的权重系数，γ
m,t+1-e
为零均值的白噪声随机误差序列，r＝1,2,...,p，p为回归长度且取值为1～t，e＝1,2,...,q，q为移动平均长度且取值为1～t。
[0032]
进一步的，根据下式计算第m种时域类状态量在过去第r时刻的相关系数ψ
m,r
：
[0033]
α＝(q
t
q)-1qt
z，
[0034]
其中，α
t
＝(ψ
m,1
,ψ
m,2
,...,ψ
m,p
)，z＝(y
m,p+1
,y
m,p+2
,...,y
m,t
)，v
t
＝(y
m,t
,y
m,t-1
,...,y
m,t-p
)。
[0035]
进一步的，上述在建立了时域类状态量预测模型之后，先对时域类状态量预测模型进行校验，若校验结果符合标准正态分布，则校验结束并执行步骤五，否则调整p＝p+1、q＝q+1，然后重新执行步骤二。
[0036]
进一步的，利用下式对时域类状态量预测模型进行校验：
[0037][0038]
其中，y
m,t
和x
m,t
分别为第m种时域类状态量在t时刻的预测值和实时量测值，为t时刻的校验结果，
[0039]
当时，校验结果符合误差要求，其中时，校验结果符合误差要求，其中
[0040]
进一步的，上述步骤三所述四级评分法的评分规则为：
[0041]
突劣类状态量正常时评分为1，良好时评分为2，注意时评分为3，严重时评分为4。
[0042]
进一步的，上述步骤四中，先对所有突劣类状态量进行量化结果形成的数据序列进行调整指数计算，获得t时刻的平滑因子l
t
和周期因子s
t
，再计算突劣类状态量的预测量化值，
[0043][0044][0045]
其中，α、γ和β均为取值为常数的系数，0《α《1，0《γ《1，0《β《1，且取值步长为0.1；b
t-1
为t-1时刻的趋势参数，l
t-1
为t-1时刻的平滑因子，s
t-g
为t-g时刻的周期因子，将历史数据的时间长度平均划分为4段，g为每一段的长度。
[0046]
进一步的，根据下式计算t时刻的趋势参数b
t
：
[0047]bt
＝β(l
t-l
t-1
)+(1-β)b
t-1
。
[0048]
进一步的，上述步骤七中，
[0049][0050]
本发明所述的基于数据分类预测的变电站二次系统状态模糊评价方法，依据变电站二次系统的状态数据属性进行分类，建立不同的历史数据训练预测模型，对不同属性的数据进行数据预测；进一步，对各二次设备的状态预测信息建立预测状态集合，结合评判矩阵对各二次设备的状态进行预评估。应用本发明所述的方法对变电站二次设备的状态数据分类预测，实现对二次系统的状态预测，为变电站的智能化状态评价提供了有效的方法。
附图说明
[0051]
图1为本发明所述的基于数据分类预测的变电站二次系统状态模糊评价方法的流程图。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0053]
具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的基于数据分类预测的变电站二次系统状态模糊评价方法，包括以下步骤：
[0054]
步骤一：将变电站二次设备的状态量按照时域类和突劣类进行划分，所述时域类状态量包括变电站二次设备的实时量测数据，所述突劣类状态量包括变电站二次设备的布尔型状态数据。具体的，所述时域类状态量包括：对时误差、光纤接口的发送/接收光强、装置温度、装置电源电压、装置湿度和通信延时；所述突劣类状态量包括：对时异常告警、sv链路中断、goose链路中断、mms网络中断、错误指令、装置异常告警、参数出错告警。
[0055]
经过上述划分之后，对于时域类状态量执行步骤二，对于突劣类状态量执行步骤三。
[0056]
步骤二：以时域类状态量的实时量测值作为时域类状态量预测模型的输入，以时域类状态量的预测值作为该时域类状态量预测模型的输出，提取时间长度为t的历史时域类状态量建立时域类状态量预测模型，然后执行步骤五。
[0057]
所述时域类状态量预测模型表达式如下：
[0058][0059]
其中，ψ
m,r
为第m种时域类状态量在过去第r时刻的相关系数，x
m,t+1-r
为第m种时域类状态量在t+1-r时刻的实时量测数据，φ
m,e
为第m种时域类状态量在过去第e时刻的权重系数，γ
m,t+1-e
为零均值的白噪声随机误差序列，r＝1,2,...,p，p为回归长度且取值为1～t，e＝1,2,...,q，q为移动平均长度且取值为1～t。
[0060]
然后利用下式对时域类状态量预测模型进行校验：
[0061][0062]
其中，y
m,t
和x
m,t
分别为第m种时域类状态量在t时刻的预测值和实时量测值，为t时刻的校验结果。
[0063]
若上述校验结果符合标准正态分布，即当时，则校验结束并执行步骤五，否则调整p＝p+1、q＝q+1，然后重新执行步骤二。
[0064]
其中，
[0065]
本步骤中时域类状态量预测模型中第m种时域类状态量在过去第r时刻的相关系数ψm,r利用下式计算获得：
[0066]
α＝(q
t
q)-1qt
z，
[0067]
其中，α
t
＝(ψ
m,1
,ψ
m,2
,...,ψ
m,p
)，z＝(y
m,p+1
,y
m,p+2
,...,y
m,t
)，v
t
＝(y
m,t
,y
m,t-1
,...,y
m,t-p
)。
[0068]
步骤三：突劣类状态量正常时评分为1，良好时评分为2，注意时评分为3，严重时评分为4，按照该四级评分法对突劣类状态量进行量化，该量化的结果用b
n,t
表示，其含义为第n种突劣类状态量在t时刻的量化值(量化评分)，然后执行步骤四。
[0069]
步骤四：对所有突劣类状态量进行量化结果形成的数据序列进行调整指数计算，获得t时刻的平滑因子l
t
和周期因子s
t
。
[0070][0071][0072]
其中，α、γ和β均为取值为常数的系数，0《α《1，0《γ《1，0《β《1，且取值步长为0.1；l
t-1
为t-1时刻的平滑因子，s
t-g
为t-g时刻的周期因子，将历史数据的时间长度平均划分为4段，g为每一段的长度；b
t-1
为t-1时刻的趋势参数，该陈述根据下式计算：
[0073]bt
＝β(l
t-l
t-1
)+(1-β)b
t-1
。
[0074]
之后利用平滑因子和周期因子计算突劣类状态量的预测量化值，然后执行步骤五。
[0075]
计算突劣类状态量的预测量化值的公式为：
[0076][0077]
其中，为突劣类状态量在t+1时刻的预测量化值，l
t
为t时刻的平滑因子，s
t
为t时刻的周期因子，n＝1,2,...,n，n为突劣类状态量的种类数。
[0078]
步骤五：利用突劣类状态量的预测量化值和时域类状态量的预测值构建归一集合，然后执行步骤六。
[0079]
其中，ui为归一集合中的第i个元素，i＝1,2,...,m+n，m为时域类状态量的种类数，
[0080][0081]ym,t+1
为第m种时域类状态量在t+1时刻的预测值，m＝1,2,...,m。
[0082]
步骤六：利用归一集合构建评判矩阵r，然后执行步骤七。
[0083]
所述评判矩阵r的表达式如下：
[0084][0085]
其中，
[0086]
步骤七：构建突劣类状态量和时域类状态量的权重集合a{a1,a2,...,a
m+n
}，然后执行步骤八。
[0087][0088]ai
为权重有名值，为标度值z
if
的归一化结果，所述标度值z
if
是依据变电站二次系统的状态指标对设备的健康影响程度预先设定的已知量，f＝1,2,...,m+n。
[0089]
步骤八：根据下式计算变电站二次系统状态模糊评估集ki：
[0090]
[0091]
进一步利用下式得到变电站二次系统状态模糊总评结果c：
[0092]
c＝uk，
[0093]
其中，k＝[k
1 k2ꢀ…ꢀkm+n
]
t
，u＝[u
1 u2ꢀ…ꢀum+n
]。
[0094]
本实施方式基于数据分类预测的变电站二次系统状态模糊评价方法，利用变电站二次系统状态监测数据，依据数据属性，分别建立对应的数据预测模型，结合模糊评估方法对二次系统的综合状态进行预测，实现变电站二次系统的智能化状态分析和状态预测。
[0095]
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。
技术特征：1.基于数据分类预测的变电站二次系统状态模糊评价方法，其特征在于，包括以下步骤：步骤一：将变电站二次设备的状态量按照时域类和突劣类进行划分，对于时域类状态量执行步骤二，对于突劣类状态量执行步骤三，所述时域类状态量包括变电站二次设备的实时量测数据，所述突劣类状态量包括变电站二次设备的布尔型状态数据；步骤二：提取时间长度为t的历史时域类状态量建立时域类状态量预测模型，并计算时域类状态量的预测值；该时域类状态量预测模型的输入为时域类状态量的实时量测值，该时域类状态量预测模型的输出为时域类状态量的预测值，然后执行步骤五；步骤三：按照四级评分法对突劣类状态量进行量化，然后执行步骤四；步骤四：利用下式计算突劣类状态量的预测量化值，然后执行步骤五，其中，为突劣类状态量在t+1时刻的预测量化值，l
t
为t时刻的平滑因子，b
n,t
为第n种突劣类状态量在t时刻的量化值，s
t
为t时刻的周期因子，n＝1,2,...,n，n为突劣类状态量的种类数；步骤五：利用突劣类状态量的预测量化值和时域类状态量的预测值构建归一集合，然后执行步骤六，其中，u
i
为归一集合中的第i个元素，i＝1,2,...,m+n，m为时域类状态量的种类数，y
m,t+1
为第m种时域类状态量在t+1时刻的预测值，m＝1,2,...,m；步骤六：利用归一集合构建评判矩阵r，然后执行步骤七，所述评判矩阵r的表达式如下：其中，步骤七：构建突劣类状态量和时域类状态量的权重集合a{a1,a2,...,a
m+n
}，然后执行步骤八，
a
i
为权重有名值，为权重有名值，为标度值z
if
的归一化结果，f＝1,2,...,m+n；步骤八：根据下式计算变电站二次系统状态模糊评估集k
i
：进一步利用下式得到变电站二次系统状态模糊总评结果c：c＝uk，其中，k＝[k
1 k2…
k
m+n
]
t
，u＝[u
1 u2…
u
m+n
]。2.根据权利要求1所述的基于数据分类预测的变电站二次系统状态模糊评价方法，其特征在于，步骤一中，所述时域类状态量包括：对时误差、光纤接口的发送/接收光强、装置温度、装置电源电压、装置湿度和通信延时；所述突劣类状态量包括：对时异常告警、sv链路中断、goose链路中断、mms网络中断、错误指令、装置异常告警、参数出错告警。3.根据权利要求1所述的基于数据分类预测的变电站二次系统状态模糊评价方法，其特征在于，步骤二所述时域类状态量预测模型表达式如下：其中，ψ
m,r
为第m种时域类状态量在过去第r时刻的相关系数，x
m,t+1-r
为第m种时域类状态量在t+1-r时刻的实时量测数据，φ
m,e
为第m种时域类状态量在过去第e时刻的权重系数，υ
m,t+1-e
为零均值的白噪声随机误差序列，r＝1,2,...,p，p为回归长度且取值为1～t，e＝1,2,...,q，q为移动平均长度且取值为1～t。4.根据权利要求3所述的基于数据分类预测的变电站二次系统状态模糊评价方法，其特征在于，根据下式计算第m种时域类状态量在过去第r时刻的相关系数ψ
m,r
：α＝(q
t
q)-1
q
t
z，其中，α
t
＝(ψ
m,1
,ψ
m,2
,...,ψ
m,p
)，z＝(y
m,p+1
,y
m,p+2
,...,y
m,t
)，v
t
＝(y
m,t
,y
m,t-1
,...,y
m,t-p
)。5.根据权利要求3所述的基于数据分类预测的变电站二次系统状态模糊评价方法，其特征在于，在建立了时域类状态量预测模型之后，先对时域类状态量预测模型进行校验，若校验结果符合标准正态分布，则校验结束并执行步骤五，否则调整p＝p+1、q＝q+1，然后重新执行步骤二。6.根据权利要求5所述的基于数据分类预测的变电站二次系统状态模糊评价方法，其特征在于，利用下式对时域类状态量预测模型进行校验：
其中，y
m,t
和x
m,t
分别为第m种时域类状态量在t时刻的预测值和实时量测值，为t时刻的校验结果，当时，校验结果符合误差要求，其中时，校验结果符合误差要求，其中7.根据权利要求1所述的基于数据分类预测的变电站二次系统状态模糊评价方法，其特征在于，步骤三所述四级评分法的评分规则为：突劣类状态量正常时评分为1，良好时评分为2，注意时评分为3，严重时评分为4。8.根据权利要求1所述的基于数据分类预测的变电站二次系统状态模糊评价方法，其特征在于，步骤四中，先对所有突劣类状态量进行量化结果形成的数据序列进行调整指数计算，获得t时刻的平滑因子l
t
和周期因子s
t
，再计算突劣类状态量的预测量化值，，再计算突劣类状态量的预测量化值，其中，α、γ和β均为取值为常数的系数，0＜α＜1，0＜γ＜1，0＜β＜1，且取值步长为0.1；b
t-1
为t-1时刻的趋势参数，l
t-1
为t-1时刻的平滑因子，s
t-g
为t-g时刻的周期因子，将历史数据的时间长度平均划分为4段，g为每一段的长度。9.根据权利要求8所述的基于数据分类预测的变电站二次系统状态模糊评价方法，其特征在于，根据下式计算t时刻的趋势参数b
t
：b
t
＝β(l
t-l
t-1
)+(1-β)b
t-1
。10.根据权利要求1所述的基于数据分类预测的变电站二次系统状态模糊评价方法，其特征在于，步骤七中，
技术总结基于数据分类预测的变电站二次系统状态模糊评价方法，涉及变电站二次系统的状态评估技术领域。本发明是为了解决现有技术中缺乏对变电站二次系统的整体预测评价方法的问题。本发明所述的基于数据分类预测的变电站二次系统状态模糊评价方法，利用变电站二次系统状态监测数据，依据数据属性，分别建立对应的数据预测模型，结合模糊评估方法对二次系统的综合状态进行预测，实现变电站二次系统的智能化状态分析和状态预测。态分析和状态预测。态分析和状态预测。
技术研发人员：郭少宏 刘娟根 荆玉智 贾志义
受保护的技术使用者：国网山西省电力公司阳泉供电公司
技术研发日：2022.07.22
技术公布日：2022/11/1
