基于多源数据融合的变电站巡视双层检验数据模型及其应用的制作方法

本发明涉及变电站智能巡视领域，尤其是基于多源数据融合与电力事件导向下关联算法的变电站巡视数据模型及其应用。

背景技术：

1、在现代电力系统中，变电站作为电能传输和分配的关键节点，其稳定性和效率对整个电网的安全运行至关重要。随着技术的发展，变电站内部安装了多种监测设备，如温度、电压、电流和振动传感器，用于实时监控设备状态和环境变化。传统的变电站智能巡检数据处理方法通常依靠设定静态阈值来判断设备状态是否正常，但这种方法无法有效适应环境变化和复杂的电力事件，容易产生误报或漏报。

2、在传统的变电站巡检系统中，每个传感器的输出都被设置了一个固定的阈值，例如，如果变压器的温度超过了100℃，系统就会触发一个报警，这种方法简单直观，但它不能反映设备在不同环境和负载条件下的实际运行状态，可能导致频繁的误报或漏报；许多传统系统只依赖单一来源的数据进行分析和判断，例如，只根据电流的异常来判断设备是否有故障，而忽略了与电压波动或温度升高相关的数据，这种方法忽视了数据之间的潜在关联性，可能无法准确地诊断复杂的电力事件；一些系统使用简单的趋势分析工具，比如线性回归分析来预测设备的未来状态，这种方法虽然可以预测一些常规的设备退化趋势，但对于突发事件和非线性复杂变化的预测能力有限，传统的预测维护方法主要依赖历史数据和经验公式来设定维护周期，而不是基于设备的实际运行状况，这种方法可能导致过早或过晚进行维护，增加维护成本或风险。

3、基于本技术领域的上述现有技术可见，随着电力系统的复杂化和自动化程度的提升，传统的变电站巡检监控和维护方法已经难以满足现代电力系统对于实时性、准确性和智能化的需求。因此，开发一种能够提升变电站智能巡检数据处理动态适应性和故障诊断准确性的数据模型并将其应用，对于提高系统的稳定性和安全性显得尤为重要。

技术实现思路

1、本发明要解决的技术问题是提供一种基于多源数据融合与电力事件导向下关联算法的变电站巡视数据模型及其应用，以期能够提升智能变电站巡检数据处理动态适应性和故障诊断准确性的数据模型并将其应用，提高变电站智能巡检系统的稳定性和安全性。

2、为解决上述技术问题，本发明所采取的技术方案如下：

3、基于多源数据融合与电力事件导向下关联算法的变电站巡视数据处理方法，其特征在于，该数据处理方法收集并分析历史监测数据，同时动态调整统计范围以适应环境变化，基于当前数据与历史数据指标的统计比对进行初步的变电站异常数据筛查；核心的，进一步将初筛异常数据与预构建的多源融合子数据模型进行比对，判断初筛异常数据是否与电力事件相关；根据初筛异常数据与已知事件的匹配情况，确认初筛异常数据是否指示设备或系统故障。

4、进一步优选的，该数据处理方法通过引入动态统计分析模型和多源数据融合技术，提升数据处理的动态适应性和故障诊断的准确性，实时调整监测阈值，综合分析各种监测数据之间的相互关系，识别正常运营与实际故障之间的细微差异，减少误报和漏报，提高系统的稳定性和安全性，为变电站智能巡检系统的未来发展提供了强大的技术支持，使变电站智能巡检系统能够更好地适应快速变化的运营环境和日益增长的自动化需求。

5、进一步优选的，包括如下步骤：

6、a.建立动态统计分析模型：

7、数据收集：从变电站的各类监测设备收集历史数据；

8、统计分析：使用统计方法分析历史数据，建立每种监测数据的动态统计范围，所述动态统计范围会根据历史数据的变化动态调整，以适应环境和操作条件的变化；

9、异常检测：实时监测数据与所述动态统计范围进行比较，如果监测数据超出所述动态统计范围，则标记为初筛异常数据；

10、b.多源融合子数据模型的构建和应用：

11、数据标注与模型构建：标注与电力事件相关的监测数据，构建一个多源融合子数据模型，该模型包含不同监测数据之间的关联性，尤其包含在特定电力事件下的数据响应模式；

12、关联性分析：将初筛异常数据与多源融合子数据模型进行对比；分析所述初筛异常数据是否与所述多源融合子数据模型中标注的电力事件相关联的数据模式一致；

13、最终异常判定：如果数据的异常模式不符合任何已知的电力事件导致的数据变化模式，则确认这些异常数据指示潜在的设备或系统故障；如果异常数据与某个电力事件的数据模式一致，则将这种异常视为正常的事件响应，不进行故障报警。

14、基于多源数据融合与电力事件导向下关联算法的变电站巡视数据模型，其特征在于，包括：该数据模型包括如下数据内涵：数据收集与预处理、统计分析与动态范围确定、异常检测、多源数据融合与关联性建模、异常验证与最终检测。

15、进一步优选的，该数据模型具体包括如下数据内涵：

16、1-1.数据收集与预处理：

17、初始数据集构建一个包含多个监测数据点(传感器)各自采集的离散数据集，此数据集具有双层结构，第一层结构为任一变电站数据监测点传感器依照其采样频率所采集的数据集，此数据集天然依照时间顺序进行排序；第二层结构为不同监测点所对应采集数据集的二次集合，此二层数据集依照监测点或传感设备编号或依照人为编号进行排序；

18、数据预处理：根据后续数据统计处理的需要进行必要的数据预处理算法；重要的一点在于：在数据结构中设置冗余数据空间，以便于后续由于变电站监测位点或传感器位点的增加而进行数据模型的扩张，由此建立数据模型的扩展性；

19、1-2.统计分析：

20、对于初始数据集中最底层数据，即其双层结构下第一层结构中的按照时间排序的采样数据集，构建如下统计量作为统计数据集合：均值μ；标准差σ；第一四分位数q1：数据排序后第(n+1)/4个数据点；第三四分位数q3：数据排序后第3(n+1)/4个数据点；四分位距iqr：第三四分位数与第一四分位数之差，即iqr＝q3-q1；其他参考统计量：按需拓展构建；

21、1-3.动态范围确定：

22、基于历史数据的统计处理得到normal range，此normal range作为变电站实时传感监测数据是否异常的参考标准；

23、具体的，normal range的数据构建进程依照标准差法、四分位数法或其他数学方法进行确定，当采用标准差法时，得到normal rangeσ，采用四分位数法时，得到normalrangeiqr；另外，对于特殊情形，也可以根据传感器的采样频率、设备的运行周期或其他关联因素进行人为指定，此时得到的得到normal rangeg；

24、1-4.异常检测：

25、对于变电站实时传感监测数据，检测其是否在落在上步所得normal range内；其中normal range根据具体情况选自normal rangeσ、normal rangeiqr、normal rangeg或其他选定的normal range类型；落到normal range之外的数据作为初筛异常数据集；

26、2-1.多源数据：

27、对于k种变电站传感监测数据，其数据化表示为{xij}；其中i角标依照任一传感数据类型在选定时间段的获取先后顺序依次排序，而j代表不同种类的传感数据；这样的数据角标设定与“1-1.数据收集与预处理”中构建的初始数据集所具有的双层数据结构保持一致对应性；与此同时，对于任一已知的某种电力事件，数据化表示为{ei}；这里的i为已知电力事件的种类数目；

28、2-2.关联性建模：

29、关联于任一种电力事件ei，将在此电力事件ei发生时不同变电站传感监测数据{xij}的变化特性进行数据表征，变化特性的可选数据外延包括但不限于：各个xij的变化幅度、各个xij的百分比变化烈度、各个xij之间变化的关联性；其中，各个xij之间变化的关联性通过交叉数据关联算法表征；

30、2-3.异常验证：

31、对于1-4中获得的初筛异常数据集，将其导入2-2中的关联性建模数据中；具体的：

32、如果关联性建模以各个xij的变化幅度、各个xij的百分比变化烈度这两个指标为数据内涵，则比对初筛异常数据集整体上的变异模式与关联性建模数据中预存储的已知电力事件下xij的变异模式是否对应，由此甄别初筛异常数据来源于特定的电力事件或者来源于真实的故障；

33、核心的，如果关联性建模各个xij之间变化的关联性为数据内涵，则对于每个异常数据点，考察其与其他监测数据的相关性，检查这些异常数据是否符合已知的非故障类电力事件下的数据关联性，若然则认为该异常是由已知电力事件引起的，而不是故障，由此甄别初筛异常数据来源于特定的电力事件或者来源于真实的故障。

34、基于多源数据融合与电力事件导向下关联算法的变电站巡视数据结构，其特征在于：

35、a.数据收集与预处理；

36、b.统计分析与动态范围确定：构建calculate_statistical_ranges函数计算每种监测数据的均值、标准差、四分位数和四分位距；确定正常范围：使用均值±3倍标准差和四分位数范围；

37、c.异常检测：构建detect_anomalies函数将实时监测数据与正常范围进行对比，检测异常数据；

38、d.多源数据融合与关联性建模：基于如下数据内涵：各个xij之间变化的关联性，构建build_association_model函数根据已知电力事件构建关联性矩阵；关联性矩阵表征在特定电力事件类型下不同监测数据之间的相关性；

39、e.异常验证与最终检测：构建validate_anomalies_with_association_model函数验证检测到的异常数据是否符合关联性模型；构建is_correlated函数检查异常数据是否符合关联性。

40、进一步优选的，上述数据结构对应的数据库结构及其运行结构为：将历史监测数据、实时监测数据和电力事件数据分别保存为historical_data.csv、current_data.csv和event_data.csv；运行上，主函数main将依次执行数据收集与预处理、统计分析与动态范围确定、异常检测、多源数据融合与关联性建模、以及异常验证与最终检测，最终输出经双层数据模型验证后的异常数据。

41、采用上述技术方案所产生的有益效果在于：

42、本发明构建了全新的双层数据模型，通过动态统计分析监测数据，并根据环境和操作条件的变化自动调整，提高了数据处理的灵活性和准确性；在变电站智能巡检的数据处理进程中，多源数据融合和关联性分析帮助区分正常的电力事件响应与真正的设备或系统故障，降低误报率，降低无效数据存储及其对数据模型的负面干扰效应，减少不必要的维护成本和运营干扰；传统变电站巡检数据处理过程中的单变量阈值模型相比，本发明构建的融合了电力事件对变电站多来源多维度数据实质影响的全新双层数据模型，能够快速准确地识别潜在的故障和异常，加快响应速度，提高变电站智能巡检系统的稳定性和可靠性。