【技术实现步骤摘要】
本专利技术涉及配电网络检测领域，尤其涉及一种基于数据中台和边缘计算的配电网络智能监测方法及系统。
技术介绍
1、随着配电网络的规模和复杂性不断增加，其运行稳定性和可靠性变得尤为重要。配电网络异常监测作为保障电力系统正常运行和故障处理的关键环节，正受到越来越多的关注和研究。异常监测技术旨在快速检测、诊断和响应配电网络中可能出现的各种异常情况，如设备故障、线路过载、短路故障、电压跌落和谐波失真等。
2、而传统的配电网络监测通常依赖于少数关键点上的监测设备，难以实现全网范围内的实时监测，容易出现监测盲区。而且数据采集和传输速度较慢，无法及时响应快速变化的异常情况，缺乏智能化的数据分析能力。
技术实现思路
1、为了解决上述问题，本专利技术的目的在于提供一种基于数据中台和边缘计算的配电网络智能监测方法及系统，通过整合边缘计算和数据中台，通过多级检测和全面分析，及时发现和预测网络中的异常，为配电网络的智能化管理和优化提供可靠保障。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一种基于数据中台和边缘计算的配电网络智能监测方法，包括以下步骤：
4、步骤s1:在配电网络中布置传感器，实时采集关键数据，包括电流、电压、温度,并对采集的数据进行去噪处理和归一化处理；
5、步骤s2:在边缘端利用轻量级gmm模型，对处理后的数据进行初步异常检测，并将预处理后的数据和初步异常检测结果传输至数据中台；
6、步骤s3:数据中台集中存
7、步骤s4:构建配电网络因果关系图，并基于最终的检测结果，进行异常分析，获取异常分析结果；
8、步骤s5:根据最终的检测结果和异常分析结果，生成维护报告，并将维护报告可视化展示发送至维护人员。
9、进一步的，对采集的数据进行去噪处理和归一化处理具体为：
10、对于第c个传感器采集的数据x(c)，通过低通滤波器进行去噪处理：
11、y(c)＝αy(c-1)+(1-α)x(c)
12、其中，α是滤波器的平滑因子，y(c)是第k个传感器的输出数据；
13、并采用min-max归一化处理：
14、
15、其中，x(c)min和x(c)max分别第c个传感器的最小值和最大值。
16、进一步的，步骤s2具体为：
17、步骤s21：根据去噪和归一化后的数据集x＝{x1,x2,...,xi,...,xn}，每个数据点xi是一个三维向量，分别代表归一化后的电流、电压和温度；
18、步骤s22：设数据点x由k个多元高斯分布的线性组合生成，并基于bic确定gmm模型的最优高斯成分数量k，数据点x的概率密度为：
19、
20、步骤s23：使用em算法迭代更新gmm模型参数θ；
21、步骤s24：对每个数据点计算其对数似然概率；
22、
23、其中，πk为混合权重，μk为均值；∑k为协方差矩阵；
24、步骤s25：设定阈值∈，对低于该阈值的数据点进行标记，得到初步异常检测结果：
25、
26、其中，labeli表示数据点i。
27、进一步的，基于bic确定gmm模型的最优高斯成分数量k，具体如下：
28、①确定候选的k值范围；
29、②初始化存储最佳bic值和对应k值的变量；
30、③对于每个候选的k值，执行以下步骤：
31、使用gmm模型拟合数据集，获取最大似然估计值ln(l)；
32、计算模型参数的个数k：
33、
34、其中，d是数据的维数(本实施例中d＝3)；
35、计算bic值：
36、bic＝k ln(n)-2ln(l)
37、如果当前bic值小于存储的最佳bic值，则更新最佳bic值和对应的k值；
38、④选择具有最小bic值的k作为最终的高斯成分数量。
39、进一步的，使用em算法迭代更新gmm模型参数θ，具体如下：
40、初始化gmm模型参数：
41、
42、重复以下步骤，直到模型收敛：
43、a.计算每个数据点属于每个高斯成分的后验概率：
44、
45、其中，是高斯分布概率密度函数；
46、b.使用责任值更新模型参数：
47、
48、
49、
50、其中上标t表示转置。
51、进一步的，对于每一个新到的数据点xnew，利用贝叶斯更新公式实时更新轻量级gmm模型参数：
52、混合权重的更新：
53、
54、其中，γk是新数据点xnew对应的责任值责任值；γk表示新数据点属于第k个高斯成分的后验概率，计算公式如下：
55、
56、均值向量的贝叶斯更新：
57、
58、协方差矩阵的贝叶斯更新：
59、
60、进一步的，变分自编码器包括编码器和解码器，具体如下：
61、编码器把初步异常检测结果x′映射到隐变量z的均值u(x′)和方差σ2(x′)的分布，其中隐变量遵循多维正态分布：
62、qφ(z|x′)＝ν(z；u(x′),σ2(x′))；
63、其中，ν()表示正态分布，φ为编码器的参数；
64、解码器从隐变量z重构输入数据输出生成的概率分布：
65、
66、其中，θ′为解码器参数；
67、通过梯度下降法进行优化，采用重参数化技巧将随机性从网络中剥离出来：
68、z＝u(x′)+σ(x′)·ε,ε～ν(0,i)；
69、得到了确定性的z后，通过解码器生成重构数据
70、变分自编码器训练目标是最大化elbo，即最小化以下损失函数：
71、l＝lrec+lkl；
72、
73、
74、其中，lrec为重构误差，用于衡量输入数据x′与重构数据之间的差异：lkl为kl散度衡，用于量编码器的输出分布与先验分布。
75、进一步的，使用peter-clark算法、gies算法以及领域知识来构建配电网络因果关系图，具体如下：
76、基于条件独立性测试构建无向骨架图，并对无向边进行定向；
77、初始化无向骨架图g：
78、对于每对变量xi和xj，若xi⊥xj∣s，则删除边xi-xj；
79、s是变量集合，初始为空，逐渐增加变量；
80、其中，xi⊥xj∣s表示对xi和xj在所有可能的条件集合s下进行本文档来自技高网...
【技术保护点】
1.一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述对采集的数据进行去噪处理和归一化处理具体为：
3.根据权利要求1所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述步骤S2具体为：
4.根据权利要求3所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述基于BIC确定GMM模型的最优高斯成分数量K，具体如下：
5.根据权利要求4所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述使用EM算法迭代更新GMM模型参数θ，具体如下：初始化GMM模型参数：
6.根据权利要求5所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，对于每一个新到的数据点xnew，利用贝叶斯更新公式实时更新轻量级GMM模型参数：
7.根据权利要求1所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述变分自编码器包括编码器和解码
8.根据权利要求1所述一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述使用Peter-Clark算法、GIES算法以及领域知识来构建配电网络因果关系图，具体如下：
9.根据权利要求8所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述基于最终的检测结果，进行异常分析，获取异常分析结果，具体如下：
10.一种基于数据中台和边缘计算的配电网络智能监测系统，其特征在于，包括数据采集单元、边缘计算单元、数据中台和移动单元；所述数据采集单元通过在配电网络中布置的传感器，实时采集关键数据，包括电流、电压、温度,并对采集的数据进行去噪处理和归一化处理；所述边缘计算单元，利用轻量级GMM模型，对处理后的数据进行初步异常检测，并将预处理后的数据和初步异常检测结果传输至数据中台；所述数据中台集中存储来自边缘节点的预处理数据，并基于初步异常检测结果，采用变分自编码器进行二次检测，得到最终的检测结果，并使用Peter-Clark算法、GIES算法以及领域知识来构建配电网络因果关系图，并基于最终的检测结果，进行异常分析，获取异常分析结果；根据最终的检测结果和异常分析结果，生成维护报告，并将维护报告发送至移动端。
...【技术特征摘要】
1.一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述对采集的数据进行去噪处理和归一化处理具体为：
3.根据权利要求1所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述步骤s2具体为：
4.根据权利要求3所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述基于bic确定gmm模型的最优高斯成分数量k，具体如下：
5.根据权利要求4所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述使用em算法迭代更新gmm模型参数θ，具体如下：初始化gmm模型参数：
6.根据权利要求5所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，对于每一个新到的数据点xnew，利用贝叶斯更新公式实时更新轻量级gmm模型参数：
7.根据权利要求1所述的一种基于数据中台和边缘计算的配电网络智能监测方法，其特征在于，所述变分自编码器包括编码器和解码器，具体如下：
8.根据权利要求1所...
【专利技术属性】
技术研发人员：刘洋，孔庆泽，陆鑫，张勇，陈婧，张利锋，李岩，迟承哲，王海燕，张婉明，席海阔，张添洋，
申请(专利权)人：国网冀北电力有限公司承德供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。