Тип работы:
Предмет:
Язык работы:


Методы интеллектуального анализа данных аварийных событий и технологических нарушений в электрических системах

Работа №129023

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы49
Год сдачи2020
Стоимость4375 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
23
Не подходит работа?

Узнай цену на написание


Введение 3
Постановка задачи 5
Обзор литературы 7
Глава 1. Обзор решений 12
1.1. Обзор технических решений 12
1.2. Обзор методов 14
Глава 2. Разработка программного комплекса 15
2.1. Архитектура решения 15
2.1.1. Стек технологий 15
2.1.2. Структура модулей 20
2.2. Разработка аналитического компонента системы 21
2.3. Апробация и тестирование 28
2.3.1. Постановка эксперимента 28
2.3.2. Результаты эксперимента 33
Выводы 43
Заключение 44
Результаты работы 44
Перспективы развития 45
Список литературы 47

Электроэнергетика является одной из важнейших областей хозяйственно-экономической деятельности человечества. Стабильность электроэнергетических систем, таких как электросети, в значительной степени влияет на качество большинства социальных и экономических процессов. Ключевым показателем стабильности электросети, является частота отказов. Даже кратковременные отказы электросети влекут за собой крупные экономические издержки и могут приводить, к чрезвычайным ситуациям и катастрофам. В связи с этим, прогнозирование отказов электросети является важной и по сей день актуальной задачей.
Большой вклад в развитие данной и смежных областей внес институт IEEE. Институт инженеров электротехники и электроники (Institute of Electrical and Electronics Engineers) — международная некоммерческая ассоциация специалистов в области техники, мировой лидер в области разработки стандартов по радиоэлектронике, электротехнике и аппаратному обеспечению вычислительных систем и сетей. Благодаря базе знаний IEEE Xplore существует большое количество публикаций на тему прогнозирования аварий, электротехнических и аналитических методов обнаружения неполадок в электросистемах, некоторые из которых были упомянуты в данной работе [12], [16], [9], [6], [26], [22], [23], [18]. IEEE Xplore — это исследовательская база данных для поиска и доступа к журнальным статьям, материалам конференций, техническим стандартам и связанным материалам по информатике, электротехнике и электронике и смежным областям.
Объектом исследования в данной работе является набор данных о топологической структуре европейской электросети, содержащий данные о расположении и связи станций и подстанций. А также данные, полученные с устройств автоматической релейной защиты и датчиков газоанализаторов, предоставляющих информацию о состоянии линий электропередач и трансформаторов. Данные являются многомерным временным рядом, отображающим состояние системы в момент аварийных событий на подстанции и представленным в виде набора осциллограмм, в формате COMTRADE. Данная работа была реализована в рамках сотрудничества с отделом исследования и разработки, компании Siemens.
Постановка задачи
Целью работы является разработка системы для прогнозирования отказа компонентов электросети, на основе данных аварийных событий и технологических нарушений.
Для достижения данной цели необходимо выполнить ряд задач:
1. Разработка программного модуля обработки временных данных от компонентов электросети.
2. Построение алгоритма оценки компонентов электросети.
3. Построение алгоритма прогнозирования отказа компонента.
4. Разработка программного модуля визуализации электрокомпонентов на географической карте.
Для обработки исходных данных, поступающих с датчиков, отображающих состояние компонента, необходимо выполнить следующие задачи:
1. Разработка функций чтения осциллограмм в формате COMTRADE и сохранение в базе данных временных рядов Influx.
2. Разработка функций визуализации осциллограмм.
3. Разработка функций анализа данных об аварийных событиях и технологических нарушениях в электрических системах.
Для оценки наиболее важных узлов электросети необходимо выполнить следующие задачи:
1. Анализ топологической структуры электросети, построение ориентированного графа.
2. Определение свойств сети. Определение связности и центральности вершин.
3. Определение важности компонента сети, с точки зрения последствий его отключения от сети.
4. Оценка последствий селективного и случайного отключения компонентов.
Для построения алгоритма прогнозирования необходимо выполнить следующие задачи:
1. Сбор информации о физических свойствах компонентов электросети.
2. Обзор методов анализа данных об аварийных событиях и технологических нарушениях в электрических системах.
3. Обоснование выбора метода прогнозирования.
4. Реализация алгоритма обработки исходных данных.
5. Реализация алгоритма прогнозирования

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


По результатам работы, был выполнен ряд задач.
На языке программирования Python, с использованием СУБД Influx и средства визуализации GRAFANA, был разработан модуль обработки временных данных от компонентов электросети.
При построении алгоритма обработки исходных данных, поступающих от датчиков системы, были реализованы следующие подзадачи:
1. Разработана функция чтения осциллограмм в формате COMTRADE и сохранения в базе данных временных рядов Influx.
2. Разработана функций визуализации осциллограмм.
3. Разработка функций анализа данных об аварийных событиях и технологических нарушениях в электрических системах.
Построение алгоритма оценки компонентов электросети, на основе прироста количества компонент связности и проведение сравнения данного алгоритма оценки с классическими метриками, осуществлено посредствам реализации следующих подзадач:
1. Определены и продемонстрированы свойства сети. Рассчитаны связность графа и центральности вершин.
2. Построен алгоритм оценки важности компонента сети, с точки зрения последствий его отключения от сети.
3. Произведена оценка последствий селективного и случайного отключения компонентов, в соответствии с метриками closeness, degree и разработанной метрикой на основе прироста компоненты связности.
Разработка на основе, данных анализа растворенных газов, с точностью результатов 76% и построение алгоритм прогнозирования вероятности аварии на ЛЭП, на основе анализа шума, с точностью результатов 80%, осуществлено по средствам реализации следующих подзадач:
1. Произведен сбор информации о физических свойствах компонентов электросети.
2. Представлен обзор методов анализа данных об аварийных событиях и технологических нарушениях в электрических системах.
3. Произведено обоснование выбора метода прогнозирования.
4. Реализован алгоритм обработки исходных данных.
5. Реализован алгоритм прогнозирования на основе методов машинного обучения.
Разработан модуль визуализации электрокомпонентов и их параметров на географической карте.
Перспективы развития
Разработанная система имеет широкие возможности развития по нескольким направлениям.
По части графовых методов, является рациональным рассмотрение новых алгоритмов центральности узлов, а также использования альтернативных электротехнических или экономических метрик сравнения алгоритмов. Применение экономических метрик сравнения алгоритмов расчета центральностей позволит провести оптимизацию издержек, связанных с умышленным или случайным отключением компонента системы.
С точки зрения развития базы методов машинного обучения, использованных в системе, имеет смысл рассмотреть методы на основе нейронных сетей, а также ансамблевые методы. Однако применение большого количества новых методов, с одной стороны, позволит увеличить точность прогнозирования, с другой же стороны, увеличит расчетное время работы алгоритмов. Отсюда можно сделать вывод, что увеличение базы рассматриваемых методов машинного обучения рационально для крупных систем, имеющих большие расчетные мощности, и обеспечивающих важные электросети регионального или федерального масштаба.
По части структуры разработанного программного обеспечения оптимизация архитектуры системы может рассматриваться в двух направлениях. Использование дополнительных библиотек и модулей, для визуализации аварий, или, наоборот, отказ от использования стороннего программного обеспечения и разработка крупномасштабной системы, с собственным географическим модулем и модулем визуализации. Первый тип преобразования системы подойдет для процесса разработки, при котором заказчик не желает брать риски и финансовую ответственность, связанные с поддержкой и обновление программного обеспечения. Второй тип, подойдет для крупных систем, в которых есть кадровые ресурсы, для осуществления доработки и поддержки, но при этом необходима гарантия сохранности информации внутри системы.
Любой сценарий развития разработанной системы из предложенных приведет к качественному ее улучшению, однако для успешной реализации необходимо учитывать соответствующие риски и понимать все технические, экономические и социальные аспекты такого преобразования.



1. Алексеев В.Е., Таланов В.А. Графы. Модели вычислений. Структуры данных: Учебник //Нижний Новгород: Изд-во ННГУ. -2005. -307 с.
2. ГОСТ 19431. Энергетика и электрификация. Термины и определения
3. ГОСТ 24291. Электрическая часть электростанции и электрической сети. Термины и определения.
4. ГОСТ Р 55438-2013 Единая энергетическая система и изолированно работающие энергосистемы. Оперативно-диспетчерское управление. Релейная защита и автоматика. Взаимодействие субъектов электроэнергетики и потребителей электрической энергии при создании (модернизации) и эксплуатации. Общие требования (с Изменением N 1)
5. ГОСТ 16110-82 Трансформаторы силовые. Термины и определения
6. Ahmed Abu-Siada. Power Transformer Condition Monitoring and Diagnosis// The Institution of Engineering and Technology. - 2018. - 326 с.
7. Aida Asadi Majd, Haidar Samet & Teymoor Ghanbari. k-NN based fault detection and classification methods for power transmission systems//Prot Control Mod Power Syst 2. - 2017. - 32 c.
8. A. Recioui, B. Benseghier and H. Khalfallah. Power system fault detection, classification and location using the K-Nearest Neighbors//4th International Conference on Electrical Engineering (ICEE), Boumerdes. - 2015.- 287 c.
9. Bowen Kan, Wendong Zhu, Guangyi Liu, Xi Chen, Di Shi, Weiqing Yu. Topology Modeling and Analysis of a Power Grid Network Using a Graph Database// International Journal of Computational Intelligence Systems, Vol. 10. - 2017. - 1355-1363 c.
10. Bozic Milos, Stojanovic Milos, Stajic Zoran, Vukic D. Power transformer fault diagnosis based on dissolved gas analysis with logistic regression//Przeglad Elektrotechniczny - 2013. - 83-87 c.
11. C37.111-1999 - IEEE Standard Common Format for Transient Data Exchange (COMTRADE) for Power Systems.
12. C. Schneider, J. Staninovski, L. Cheim, J. Vines, S. Varad. Transformer Reliability Taking Predictive Maintenance Program to the Next Level// Cigre Study Committee A2. - 2017. - 10 c.
13. Debani Prasad Mishra, Papia Ray. Fault detection. Location and classification of a transmission line// Neural Comput & Applic. - 2018. - 1424 c.
14. Hui Hwang Goh, Sy yi, Sim, Asad Shaykh, Md.Humayun Kabir, Chin Wan Ling,Qing Shi Chua, Kai Chen Goh. Transmission Line Fault Detection: A Review// Indonesian Journal of Electrical Engineering and Computer Science. - 2017. - 205 c.
15. Fang Yuan, Jiang Guo, Zhihuai Xiao, Bing Zeng, Wenqiang Zhu,Sixu Huang. A Transformer Fault Diagnosis Model Based on Chemical Reaction Optimization and Twin Support Vector Machine// Energies. - 2019. - 18 c.
16. Matthew O. Jackson. Social and Economic Networks // Princeton University Press. - 2008. - 647 с.
17. M. Akbari, P. Khazaee. Failure Modes and Effects Analysis (FMEA) for Power Transformers// 28th International Power System Conference. - 2013. - 7 c.
18. Pallav Kumar Bera, Rajesh Kumar, Can Isik. Identification of Internal
Faults in Indirect Symmetrical Phase Shift Transformers Using Ensemble Learning//arxiv.org - 1991. [Электронный ресурс]. URL:
https://arxiv.org/abs/1811.04537
19. Prasenjit Shil, Ameren, Tom Anderson, SAS Institute Inc. Distribution Transformer Health Monitoring and Predictive Asset Maintenance// SAS global forum. - 2019. - 3944 с.
20. Raji Murugan, Raju Ramasamy. Failure analysis of power transformers for effective maintenance planning in electric utilities//Engineering Failure Analysis. - 2015. - 182-192 c.
21. Ricard V. Sole, Marti Rosas-Casals, Bernat Corominas-Murtra and Sergi Valverde. Robustness of the European power grids under intentional attack
//arxiv.org. - 1991. [Электронный ресурс]. URL:
https://arxiv.org/abs/0711.3710v1
22. Sayari Das, Shiv P. Sing, Bijaya K. Panigrahi. Transmission line fault detection and location using Wide Area Measurements// Electric Power Systems Research- 2017. - 96-105 c.
23. S. Souahlia, K. Bacha and A. Chaari. SVM-based decision for power transformers fault diagnosis using Rogers and Doernenburg ratios DGA//10th International Multi-Conferences on Systems, Signals & Devices. - 2013. - 495 c.
24. Valabhoju Ashok, Anamika Yadav. A real-time fault detection and
classification algorithm for transmission line faults based on MODWT during power swing//Wiley Online Library. - 2019. [Электронный ресурс]. URL:
https://onlinelibrary.wiley.com/doi/full/10.1002/2050-7038.12164
25. Vandermaar John. Condition Assessme^ of Power Transformers// Power and Energy Society General Meeting - Conversion and Delivery of Electrical Energy in the 21st Century. - 2008. - 168 c.
26. Zhang Zhe-wen, Wang Yong, Ying Ding, Tian lei, Zhou Ying-jian. A Transformer Fault Diagnosis Method Based on Bayesian Network// Journal of Physics: Conference Series. - 2019. - 8 c.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ