本发明涉及数据管理，具体为一种基于云计算的电网数据管理系统及方法。
背景技术：
1、局部放电监测是电力行业中的重要技术，主要用于发现电气设备中存在的隐患，提前进行维护和修理；局部放电是指在介质内部电场强度大于其击穿电场强度时，局部区域出现放电现象，这种放电现象很难被发现，但是长期存在会对设备造成严重损害，甚至导致设备失效或事故发生；
2、现有技术中，采用不同的检测方法，如嵌入式传感器检测、离线检测和在线检测等进行局部放电监测，但是传感器等技术的监测，存在一定的测试误差，从而不利于电力设备的维护和故障诊断。
技术实现思路
1、本发明的目的在于提供一种基于云计算的电网数据管理系统及方法，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：
3、一种基于云计算的电网数据管理系统，本系统包括：电网局部放电行为数据采集模块、数据云预处理模块、局部放电严重程度评估模块和云智能预警模块；
4、所述电网局部放电行为数据采集模块，用于建立局部放电类型档案库，归档各种局部放电类型，并存储监测到局部放电时的局部放电源信息；建立监测点动态数据簇，记录每个监测点处局放传感器识别到的局部放电类型；
5、所述数据云预处理模块，用于建立局部放电行为模型矩阵，将不同监测点处对应记录的监测点动态数据簇摘录到局部放电行为模型矩阵中；以时间节点为线索，形成节点线索信息对，将节点线索信息对依次映射到局部放电行为模型矩阵中，并形成局部放电时间线行为画像矩阵；
6、所述局部放电严重程度评估模块，根据局部放电时间线行为画像矩阵，计算局部放电时间线行为的相似度；建立局部放电严重程度评估模型，构建二维坐标系，在二维坐标系中绘制相似度的标点平滑曲线，并转化成曲线函数，计算局部放电严重程度评估值；
7、所述云智能预警模块，根据局部放电严重程度评估值，进行预警提示，并根据局部放电时间线行为画像矩阵，生成待排查特征群序列，发送至工作人员端口。
8、进一步的，所述电网局部放电行为数据采集模块还包括局放传感器监测单元和监测点动态数据簇单元；
9、所述局放传感器监测单元，用于建立局部放电类型档案库，所述局部放电类型档案库中存储每一种局部放电类型的局部放电源信息，所述局部放电源通过局部放电监测点处的局放传感器进行监测，其中，一个局部放电监测点处放置至少一种局放传感器，且所述局部放电监测点位于电网设备中的不同位置处；分别统筹全部局部放电监测点和局部放电类型，并分别进行统一编码，其中，一个局部放电监测点和一种局部放电类型分别具有对应的唯一编码属性；
10、所述监测点动态数据簇单元，用于建立监测点动态数据簇，所述监测点动态数据簇中存储局部放电监测点处局放传感器识别到的局部放电类型，当局放传感器监测到有局部放电产生时，存储局放传感器识别到的局部放电类型至监测点动态数据簇，其中，一个局部放电监测点对应建立一种监测点动态数据簇；将任意一个监测点动态数据簇记为ii＝{cdt(tx)|x∈[1，k]}，其中，ii表示第i个局部放电监测点处对应建立的监测点动态数据簇，tx表示局放传感器识别到局部放电类型时对应的第x个时间节点，cdt(tx)表示在第i个局部放电监测点处时间节点tx时发生的全部局部放电类型组成的节点标签集合，且cdt(tx)＝{cdtiy|y∈[1，y]}，cdtiy表示在第i个局部放电监测点处时间节点tx时局放传感器识别到的第y种局部放电类型，k表示当前时间节点的序号，y表示局部放电类型的最大编码。
11、进一步的，所述数据云预处理模块还包括数据载体单元和数据画像单元；
12、所述数据载体单元，用于建立局部放电行为模型矩阵，所述局部放电行为模型矩阵的行对应局部放电监测点，所述局部放电行为模型矩阵的列对应局部放电类型，则所述局部放电行为模型矩阵的行号依次顺序对应局部放电监测点的编码号，所述局部放电行为模型矩阵的列号依次顺序对应局部放电类型的编码号，将所述局部放电行为模型矩阵中任意一个矩阵元素置为cdtiy；
13、所述数据画像单元，根据监测点动态数据簇，以时间节点为线索，构建局部放电时间线行为画像矩阵，在每个监测点动态数据簇中分别提取在不同时间节点时记录的节点标签集合，形成节点线索信息对，记为ii→cdt(tx)＝{cdtiy|y∈[1，y]}，将节点线索信息对，以局部放电行为模型矩阵为矩阵形式模板，进行矩阵映射，其中，映射规则为：将节点线索信息对，按照局部放电监测点的编码号i对应映射为局部放电行为模型矩阵的行号，将节点线索信息对的节点标签集合cdt(tx)中的每一个元素对应映射到局部放电行为模型矩阵第i行中的每一个矩阵元素位置处，在映射的过程中，如果节点线索信息对中存在被映射的矩阵元素缺失，则将局部放电行为模型矩阵第i行中的没有被映射到的矩阵元素位置，置0，如果节点线索信息对中存在被映射的矩阵元素未缺失，则将局部放电行为模型矩阵第i行中的被映射到的矩阵元素位置，置1，最终根据局部放电行为模型矩阵，将节点线索信息对依次映射到局部放电行为模型矩阵中，并形成局部放电时间线行为画像矩阵；以时间节点tx为线索，构建的局部放电时间线行为画像矩阵，记为pm(tx)。
14、进一步的，所述局部放电严重程度评估模块还包括行为画像分析单元和局部放电严重程度评估模型单元；
15、所述行为画像分析单元，根据局部放电时间线行为画像矩阵pm(tx)，计算局部放电时间线行为的相似度，具体计算公式如下：
16、
17、其中，cd(tk→tn)表示当前第k个时间节点tk与第n个时间节点tn之间的局部放电时间线行为的相似度，num[pm(tk)∩pm(tn)]表示局部放电时间线行为画像矩阵pm(tk)与局部放电时间线行为画像矩阵pm(tn)之间的交集布尔矩阵中包含1的矩阵元素数量，num[pm(tk)∪pm(tn)]表示局部放电时间线行为画像矩阵pm(tk)与局部放电时间线行为画像矩阵pm(tn)之间的并集布尔矩阵中包含1的矩阵元素数量，其中，n∈[1，k)；
18、所述局部放电严重程度评估模型单元，用于建立局部放电严重程度评估模型，构建二维坐标系，在二维坐标系中依次平滑连接点(n，cd(tk→tn))，形成连续的平滑曲线，并通过matlab软件将连续的平滑曲线转化为曲线函数，记为f(m)，其中m表示时间节点序号自变量，且m∈[1，k)，计算局部放电严重程度评估值，具体计算公式如下：
19、
20、其中，ev(tk)表示当前第k个时间节点tk时的局部放电严重程度评估值，f(m)表示局部放电严重程度门限函数，且f(m)＝am+b，a和b分别为局部放电严重程度门限函数的调节系数。
21、进一步的，所述云智能预警模块还包括特征群分析单元和智能预警单元；
22、所述特征群分析单元，根据局部放电时间线行为画像矩阵pm(tk)，统计局部放电时间线行为画像矩阵pm(tk)中第i行包含1的矩阵元素数量，记为n[i|pm(tk)]；汇总局部放电时间线行为画像矩阵pm(tk)中每一行包含1的矩阵元素数量，并按照n[i|pm(tk)]值由大到小的顺序依次排列成待排查特征群序列；
23、所述智能预警单元，用于预设局部放电严重程度阈值，如果局部放电严重程度评估值ev(tk)大于等于局部放电严重程度阈值，则发出预警提示，并将所述待排查特征群序列发送至工作人员端口；工作人员根据所述待排查特征群序列，依次分别对每个局部放电监测点进行排查，并将每个局部放电监测点处各个局放传感器识别到的局部放电源信息提供给工作人员。
24、一种基于云计算的电网数据管理方法，本方法包括以下步骤：
25、步骤s100：建立局部放电类型档案库，归档各种局部放电类型，并存储监测到局部放电时的局部放电源信息；建立监测点动态数据簇，记录每个监测点处局放传感器识别到的局部放电类型；
26、步骤s200：建立局部放电行为模型矩阵，将不同监测点处对应记录的监测点动态数据簇摘录到局部放电行为模型矩阵中；以时间节点为线索，形成节点线索信息对，将节点线索信息对依次映射到局部放电行为模型矩阵中，并形成局部放电时间线行为画像矩阵；
27、步骤s300：根据局部放电时间线行为画像矩阵，计算局部放电时间线行为的相似度；建立局部放电严重程度评估模型，构建二维坐标系，在二维坐标系中绘制相似度的标点平滑曲线，并转化成曲线函数，计算局部放电严重程度评估值；
28、步骤s400：根据局部放电严重程度评估值，进行预警提示，并根据局部放电时间线行为画像矩阵，生成待排查特征群序列，发送至工作人员端口。
29、进一步的，所述步骤s100的具体实施过程包括：
30、步骤s101：建立局部放电类型档案库，所述局部放电类型档案库中存储每一种局部放电类型的局部放电源信息，所述局部放电源通过局部放电监测点处的局放传感器进行监测，其中，一个局部放电监测点处放置至少一种局放传感器，且所述局部放电监测点位于电网设备中的不同位置处；分别统筹全部局部放电监测点和局部放电类型，并分别进行统一编码，其中，一个局部放电监测点和一种局部放电类型分别具有对应的唯一编码属性；
31、步骤s102：建立监测点动态数据簇，所述监测点动态数据簇中存储局部放电监测点处局放传感器识别到的局部放电类型，当局放传感器监测到有局部放电产生时，存储局放传感器识别到的局部放电类型至监测点动态数据簇，其中，一个局部放电监测点对应建立一种监测点动态数据簇；将任意一个监测点动态数据簇记为ii＝{cdt(tx)|x∈[1，k]}，其中，ii表示第i个局部放电监测点处对应建立的监测点动态数据簇，tx表示局放传感器识别到局部放电类型时对应的第x个时间节点，cdt(tx)表示在第i个局部放电监测点处时间节点tx时发生的全部局部放电类型组成的节点标签集合，且cdt(tx)＝{cdtiy|y∈[1，y]}，cdtiy表示在第i个局部放电监测点处时间节点tx时局放传感器识别到的第y种局部放电类型，k表示当前时间节点的序号，y表示局部放电类型的最大编码。
32、进一步的，所述步骤s200的具体实施过程包括：
33、步骤s201：建立局部放电行为模型矩阵，所述局部放电行为模型矩阵的行对应局部放电监测点，所述局部放电行为模型矩阵的列对应局部放电类型，则所述局部放电行为模型矩阵的行号依次顺序对应局部放电监测点的编码号，所述局部放电行为模型矩阵的列号依次顺序对应局部放电类型的编码号，将所述局部放电行为模型矩阵中任意一个矩阵元素置为cdtiy；
34、步骤s202：根据监测点动态数据簇，以时间节点为线索，构建局部放电时间线行为画像矩阵，在每个监测点动态数据簇中分别提取在不同时间节点时记录的节点标签集合，形成节点线索信息对，记为ii→cdt(tx)＝{cdtiy|y∈[1，y]}，将节点线索信息对，以局部放电行为模型矩阵为矩阵形式模板，进行矩阵映射，其中，映射规则为：将节点线索信息对，按照局部放电监测点的编码号i对应映射为局部放电行为模型矩阵的行号，将节点线索信息对的节点标签集合cdt(tx)中的每一个元素对应映射到局部放电行为模型矩阵第i行中的每一个矩阵元素位置处，在映射的过程中，如果节点线索信息对中存在被映射的矩阵元素缺失，则将局部放电行为模型矩阵第i行中的没有被映射到的矩阵元素位置，置0，如果节点线索信息对中存在被映射的矩阵元素未缺失，则将局部放电行为模型矩阵第i行中的被映射到的矩阵元素位置，置1，最终根据局部放电行为模型矩阵，将节点线索信息对依次映射到局部放电行为模型矩阵中，并形成局部放电时间线行为画像矩阵；以时间节点tx为线索，构建的局部放电时间线行为画像矩阵，记为pm(tx)。
35、进一步的，所述步骤s300的具体实施过程包括：
36、步骤s301：根据局部放电时间线行为画像矩阵pm(tx)，计算局部放电时间线行为的相似度，具体计算公式如下：
37、
38、其中，cd(tk→tn)表示当前第k个时间节点tk与第n个时间节点tn之间的局部放电时间线行为的相似度，num[pm(tk)∩pm(tn)]表示局部放电时间线行为画像矩阵pm(tk)与局部放电时间线行为画像矩阵pm(tn)之间的交集布尔矩阵中包含1的矩阵元素数量，num[pm(tk)∪pm(tn)]表示局部放电时间线行为画像矩阵pm(tk)与局部放电时间线行为画像矩阵pm(tn)之间的并集布尔矩阵中包含1的矩阵元素数量，其中，n∈[1，k)；
39、步骤s302：建立局部放电严重程度评估模型，构建二维坐标系，在二维坐标系中依次平滑连接点(n，cd(tk→tn))，形成连续的平滑曲线，并通过matlab软件将连续的平滑曲线转化为曲线函数，记为f(m)，其中m表示时间节点序号自变量，且m∈[1，k)，计算局部放电严重程度评估值，具体计算公式如下：
40、
41、其中，ev(tk)表示当前第k个时间节点tk时的局部放电严重程度评估值，f(m)表示局部放电严重程度门限函数，且f(m)＝am+b，a和b分别为局部放电严重程度门限函数的调节系数。
42、根据上述方法，由于电网中各个设备属性不同，不同监测点处监测到的局部放电类型存在差异，同时，电网设备的生命周期老化程度也不同，使得局部放电的严重程度也存在差异，不同的局部放电类型可能会在同一个设备中同时出现，例如，设备中的金属突起和微粒可能会同时引起尖端放电和自由颗粒放电，悬浮放电和绝缘气体放电也可能同时出现在同一个设备中，不同的局部放电类型之间可能会相互影响，例如，金属突起和微粒引起的尖端放电可能会加速设备的老化，进而导致悬浮放电和绝缘气体放电的出现，悬浮放电和绝缘气体放电也可能会加剧设备的局部放电问题，进而影响设备的性能和使用寿命；进而在对局部放电行为的长短期监测中，局部放电的现象是复杂而难以找到规律的，本技术以时间节点为线索，构建局部放电行为模型矩阵，并以局部放电行为模型矩阵为统一化数据载体，生成局部放电时间线行为画像矩阵，从而从局放传感器、局部放电监测点和局部放电类型三个层面来梳理复杂而不规律的局部放电的现象；并且，基于时间节点为线索而生成的局部放电时间线行为画像矩阵，分析每一个时间节点处的局部放电行为与历史其他时间节点的局部放电行为之间的相似性，来诠释随着电网生命周期的衰减而导致的局部放电现象的变化规律特征，继而，构建二维坐标系，来模拟变化规律特征的行为画像流曲线函数，从而对局部放电严重程度进行评估；随着电网设备生命周期的延续，设备老化程度加重，局部放电类型出现的频次和种类也会越来越多，进而当前时间节点与最开始的第一个时间节点的相似度差距，原则上应该最大，当前时间节点与其前一个时间节点的相似度差距，原则上最小，进而局部放电严重程度门限函数是一个递减的函数，通过数据模拟可以模拟出理想状态下的局部放电严重程度门限函数，局部放电严重程度评估值计算公式，表示实际曲线函数与局部放电严重程度门限函数之间的逼近程度，逼近程度即局部放电严重程度评估值，越大，表示当前局部放电现象越严重。
43、进一步的，所述步骤s400的具体实施过程包括：
44、步骤s401：根据局部放电时间线行为画像矩阵pm(tk)，统计局部放电时间线行为画像矩阵pm(tk)中第i行包含1的矩阵元素数量，记为n[i|pm(tk)]；汇总局部放电时间线行为画像矩阵pm(tk)中每一行包含1的矩阵元素数量，并按照n[i|pm(tk)]值由大到小的顺序依次排列成待排查特征群序列；
45、步骤s402：预设局部放电严重程度阈值，如果局部放电严重程度评估值ev(tk)大于等于局部放电严重程度阈值，则发出预警提示，并将所述待排查特征群序列发送至工作人员端口；工作人员根据所述待排查特征群序列，依次分别对每个局部放电监测点进行排查，并将每个局部放电监测点处各个局放传感器识别到的局部放电源信息提供给工作人员。
46、与现有技术相比，本发明所达到的有益效果是：本发明提供的一种基于云计算的电网数据管理系统及方法中，建立监测点动态数据簇，记录每个监测点处局放传感器识别到的局部放电类型；建立局部放电行为模型矩阵，将不同监测点处对应记录的监测点动态数据簇摘录到局部放电行为模型矩阵中，以时间节点为线索，形成局部放电时间线行为画像矩阵；计算局部放电时间线行为相似度，建立局部放电严重程度评估模型，在二维坐标系中绘制相似度的标点平滑曲线，转化成曲线函数，计算局部放电严重程度评估值；从而能够结合云技术，诠释随着电网设备生命周期的衰减而导致的局部放电现象的变化规律特征，进行快速地局部放电诊断和风险预警，生成待排查特征群序列，发送至工作人员端口。
1.一种基于云计算的电网数据管理方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于云计算的电网数据管理方法，其特征在于，所述步骤s100的具体实施过程包括：
3.根据权利要求2所述的基于云计算的电网数据管理方法，其特征在于，所述步骤s200的具体实施过程包括：
4.根据权利要求3所述的基于云计算的电网数据管理方法，其特征在于，所述步骤s300的具体实施过程包括：
5.根据权利要求4所述的基于云计算的电网数据管理方法，其特征在于，所述步骤s400的具体实施过程包括：
6.一种基于云计算的电网数据管理系统，其特征在于，所述系统包括：电网局部放电行为数据采集模块、数据云预处理模块、局部放电严重程度评估模块和云智能预警模块；
7.根据权利要求6所述的基于云计算的电网数据管理系统，其特征在于：所述电网局部放电行为数据采集模块还包括局放传感器监测单元和监测点动态数据簇单元；
8.根据权利要求7所述的基于云计算的电网数据管理系统，其特征在于：所述数据云预处理模块还包括数据载体单元和数据画像单元；
9.根据权利要求8所述的基于云计算的电网数据管理系统，其特征在于：所述局部放电严重程度评估模块还包括行为画像分析单元和局部放电严重程度评估模型单元；
10.根据权利要求9所述的基于云计算的电网数据管理系统，其特征在于：所述云智能预警模块还包括特征群分析单元和智能预警单元；
