CN103871003A - 一种应用历史故障数据的配电网故障诊断方法 - Google Patents

一种应用历史故障数据的配电网故障诊断方法 Download PDF

Info

Publication number
CN103871003A
CN103871003A CN201410125125.7A CN201410125125A CN103871003A CN 103871003 A CN103871003 A CN 103871003A CN 201410125125 A CN201410125125 A CN 201410125125A CN 103871003 A CN103871003 A CN 103871003A
Authority
CN
China
Prior art keywords
fault
collection
data
distribution network
item
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410125125.7A
Other languages
English (en)
Inventor
李天友
陈青
王庆华
陈金祥
陈敏维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Shandong University
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Shandong University
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Shandong University, Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, State Grid Fujian Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201410125125.7A priority Critical patent/CN103871003A/zh
Publication of CN103871003A publication Critical patent/CN103871003A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种应用历史故障数据的配电网故障诊断方法。该方法包括如下步骤，首先由配电网故障抢修记录建立故障信息数据库，并确定该故障信息数据库中包含的故障属性；然后规范故障属性的数据格式，将故障信息数据库中的故障属性数据离散化；应用关联规则挖掘方法挖掘故障信息数据库中的故障属性数据所包含的强关联规则；最后，根据故障的实际情况，依据上述挖掘的强关联规则，对配电网故障情况给出诊断结果。本发明方法有利于提高配电网的安全运行，具有较高的可靠性；且本发明具有适用范围广，应用灵活，离线运行，受配电网自动化程度影响小等优点，为配电网故障诊断与状态评估奠定了良好的基础。

Description

一种应用历史故障数据的配电网故障诊断方法
技术领域
本发明涉及一种应用历史故障数据的配电网故障诊断方法，尤其涉及配电网发生故障时，配电自动化***由于硬件、软件或通信故障而无法给出准确监测结果的故障诊断方法，特别是一种应用历史故障数据的配电网故障诊断方法。
背景技术
与输电网相比，配电网结构复杂，目前配电网的故障诊断技术主要是依据用电采集***、配变监测***、数据采集与监视控制***等自动化***所提供的电网运行状态信息。这些自动化***主要包括硬件部分、软件部分和通信部分，当***中任一部分出现故障时，就无法对配电网的运行状态作出准确判断。尤其在配电网发生故障时，自动化***的硬件部分和通信部分也极有可能发生故障，此时自动化***将无法给检修人员提供准确的故障情况，这就使得检修人员无法及时恢复故障区域的电力供应，降低了电网供电的可靠性，影响了电力用户正常的生产、生活。
目前电力***比较成熟的故障诊断技术有专家***、人工神经网络、Petri网络、粗糙集理论、模糊理论、贝叶斯网络等，这些方法都是在输电网领域比较成熟的故障诊断方法。由于配电网的网络拓扑、电力设备等与输电网有很大差别，这些故障诊断方法都无法直接应用到配电网中。而且，这些故障诊断方法大都依赖于自动化***提供的电网运行状态信息，在自动化***发生故障时，也无法给出故障诊断结果。
现有的配电网故障诊断方法都依赖于配电自动化设备所提供的设备监测信息，在缺乏设备监测信息的情况下无法给出故障诊断结果。现有方法诊断结果的准确性也依赖于所获得的配电网监测数据的准确性，当配电网监测信息出现错误时会产生错误的故障诊断结果。目前的诊断方法无法给出具体的故障原因，多是对故障类型和故障位置的诊断。本发明是利用配电网历史故障数据进行故障诊断，可以在离线情况下给出诊断结果，而且在故障数据出现少量错误的情况下也能给出正确的诊断结果。而且本发明可以通过对历史数据的分析，并结合实时状况，对可能出现的故障原因及各种故障原因可能性的大小做出诊断，这对于检修人员及时排除故障，恢复用户供电，提高配电网供电可靠性都具有十分重要的意义。
发明内容
本发明的目的在于提供一种具有适用范围广，应用灵活，离线运行，受配电网自动化程度影响小等优点，且具有较高的可靠性的应用历史故障数据的配电网故障诊断方法。
为实现上述目的，本发明的技术方案是：一种应用历史故障数据的配电网故障诊断方法，包括如下步骤，
步骤S01：由配电网故障抢修记录建立故障信息数据库，并确定该故障信息数据库中包含的故障属性；
步骤S02：规范故障属性的数据格式，将故障信息数据库中的故障属性数据离散化；
步骤S03：应用关联规则挖掘方法挖掘故障信息数据库中的故障属性数据所包含的强关联规则；
步骤S04：根据故障的实际情况，依据上述挖掘的强关联规则，对配电网故障情况给出诊断结果。
在本发明实施例中，所述步骤S02，具体实现过程如下，
步骤S21：确定并规范各故障属性的数据格式；
步骤S22：将故障信息数据库中的故障属性数据进行等宽划分离散化，该离散化过程具体为，
设定故障时长的最小值为 
Figure 2014101251257100002DEST_PATH_IMAGE002
，最大值为
Figure 2014101251257100002DEST_PATH_IMAGE004
，根据公式：                                               
Figure 538869DEST_PATH_IMAGE002
，获得间断点：
Figure 2014101251257100002DEST_PATH_IMAGE008
；
其中，δ为离散宽度，k为离散点数。
在本发明实施例中，所述步骤S03，具体为，
利用关联规则中的Apriori算法对故障信息数据库中的故障属性数据进行关联规则挖掘；在进行关联规则挖掘前，需要将量化型数据转化成布尔型数据，具体的转换方法为：
设项集是项的集合，项
Figure 2014101251257100002DEST_PATH_IMAGE012
的取值为量化值，其中，m为整数，且m=1，2，3…；要将量化关联规则转化成布尔关联规则，形成新的项集
Figure 2014101251257100002DEST_PATH_IMAGE014
，需要将
Figure DEST_PATH_IMAGE012A
离散化后的每一个值与项集
Figure 2014101251257100002DEST_PATH_IMAGE016
中的项
Figure 2014101251257100002DEST_PATH_IMAGE018
相对应；
然后对故障信息数据库中的故障属性数据进行关联规则挖掘，Apriori算法是最主要的布尔型频繁项集关联规则挖掘算法；Apriori算法是通过迭代搜索的方式来搜索频繁项集的；首先，搜索出频繁1-项集的集合
Figure 2014101251257100002DEST_PATH_IMAGE020
，然后由
Figure 2014101251257100002DEST_PATH_IMAGE022
搜索
Figure 2014101251257100002DEST_PATH_IMAGE024
，一直到搜索的频繁项集为空，不能继续搜索为止，其中，
Figure 2014101251257100002DEST_PATH_IMAGE026
为整数，
Figure DEST_PATH_IMAGE026A
=2，3，…，n；该频繁项集的生成主要分连接和剪枝两个步骤：
连接步：通过与自己连接产生候选k-项集的集合，连接方法
Figure 2014101251257100002DEST_PATH_IMAGE030
，即
Figure DEST_PATH_IMAGE028A
中的项集相互连接生成候选k-项集的集合
Figure 2014101251257100002DEST_PATH_IMAGE032
；在连接过程中要求连接的项集共享k-1个项；
剪枝步：在连接步获得候选项集的集合
Figure 2014101251257100002DEST_PATH_IMAGE034
后，要根据下述公式来确定频繁
Figure DEST_PATH_IMAGE026AA
-项集的集合，
假设项集
Figure 2014101251257100002DEST_PATH_IMAGE036
是
Figure DEST_PATH_IMAGE038
的一个子集，则
Figure DEST_PATH_IMAGE036A
在数据库
Figure DEST_PATH_IMAGE040
中的支持度Support是指在中包含
Figure DEST_PATH_IMAGE036AA
的事务数与
Figure DEST_PATH_IMAGE040AA
中事务总数的百分比值，即
Figure DEST_PATH_IMAGE042
 
对于项集
Figure DEST_PATH_IMAGE038A
与事务数据库
Figure DEST_PATH_IMAGE040AAA
，频繁项集是指支持度不小于所指定最小支持度Min_support的
Figure DEST_PATH_IMAGE038AA
的非空子集；判定项集
Figure DEST_PATH_IMAGE036AAA
为频繁项集的条件为
Figure DEST_PATH_IMAGE044
                        
但在这个过程中，如果
Figure DEST_PATH_IMAGE034A
很大，就会需要大量的计算才能获得，为减小计算量可以将
Figure DEST_PATH_IMAGE034AA
中的项集的（）-子集不在
Figure DEST_PATH_IMAGE028AA
中的候选
Figure DEST_PATH_IMAGE026AAA
-项集删除；因为根据Apriori性质，所有的非频繁（
Figure DEST_PATH_IMAGE046A
）-项集不可能为频繁
Figure DEST_PATH_IMAGE026AAAA
项集的子集，也就是
Figure DEST_PATH_IMAGE024AAA
中所有项集的（
Figure DEST_PATH_IMAGE046AA
）-子集都被包含在
Figure DEST_PATH_IMAGE028AAA
中；
其中，Apriori性质：频繁项集的所有非空子集都必须是频繁的；频繁项集即满足最小支持度的项集；为频繁k-项集。
在本发明实施例中，所述关联规则，主要分为布尔关联规则和量化关联规则两类，当所要挖掘的属性值为0或1，即为离散值时，关联规则为布尔型关联规则；当所要挖掘的属性值为量化值时，关联规则为量化型关联规则。
所述Apriori算法属于布尔型关联规则挖掘算法。
相较于现有技术，本发明具有以下有益效果：
1、本发明所利用的数据源是配电网运行过程中产生的大量故障处理数据，这些数据是配电监测***数据的粗略表达，同样包含故障发生时间、故障地点、设备/线路类型、故障原因等信息；因此，分析这些时空数据，并发掘其内在关联关系，对配电网的安全运行及管理具有重要的实际意义；
2、本发明利用关联规则挖掘方法对配电网故障处理数据进行关联规则分析，挖掘其中包含的关联规则，为配电网故障诊断提供依据，还可以对配电网设备的运行状况、外部环境对配电网的影响等作出可靠性评估；
3、本发明具有适用范围广，应用灵活，离线运行，受配电网自动化程度影响小等优点，为配电网故障诊断与状态评估奠定了良好的基础。
附图说明
图1为本发明应用历史数据的配电网故障诊断方法流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明一种应用历史故障数据的配电网故障诊断方法，包括如下步骤，
步骤S01：由配电网故障抢修记录建立故障信息数据库，并确定该故障信息数据库中包含的故障属性；
步骤S02：规范故障属性的数据格式，将故障信息数据库中的故障属性数据离散化；
步骤S03：应用关联规则挖掘方法挖掘故障信息数据库中的故障属性数据所包含的强关联规则；
步骤S04：根据故障的实际情况，依据上述挖掘的强关联规则，对配电网故障情况给出诊断结果。
所述步骤S02，具体实现过程如下，
步骤S21：确定并规范各故障属性的数据格式；
步骤S22：将故障信息数据库中的故障属性数据进行等宽划分离散化，该离散化过程具体为，
设定故障时长的最小值为
Figure 2014101251257100002DEST_PATH_IMAGE002A
，最大值为，根据公式：
Figure DEST_PATH_IMAGE006A
，获得间断点：
Figure DEST_PATH_IMAGE008A
；
其中，δ为离散宽度，k为离散点数。
所述步骤S03，具体为，
利用关联规则中的Apriori算法对故障信息数据库中的故障属性数据进行关联规则挖掘；在进行关联规则挖掘前，需要将量化型数据转化成布尔型数据，具体的转换方法为：
设项集
Figure DEST_PATH_IMAGE010A
是项的集合，项
Figure DEST_PATH_IMAGE012AA
的取值为量化值，其中，m为整数，且m=1，2，3…；要将量化关联规则转化成布尔关联规则，形成新的项集
Figure DEST_PATH_IMAGE014A
，需要将
Figure DEST_PATH_IMAGE012AAA
离散化后的每一个值与项集
Figure DEST_PATH_IMAGE016A
中的项
Figure DEST_PATH_IMAGE018A
相对应；
然后对故障信息数据库中的故障属性数据进行关联规则挖掘， Apriori算法是最主要的布尔型频繁项集关联规则挖掘算法；Apriori算法是通过迭代搜索的方式来搜索频繁项集的；首先，搜索出频繁1-项集的集合，然后由
Figure DEST_PATH_IMAGE022A
搜索
Figure DEST_PATH_IMAGE024AAAAA
，一直到搜索的频繁项集为空，不能继续搜索为止，其中，
Figure DEST_PATH_IMAGE026AAAAA
为整数，
Figure DEST_PATH_IMAGE026AAAAAA
=2，3，…，n；该频繁项集的生成主要分连接和剪枝两个步骤：
连接步：通过
Figure DEST_PATH_IMAGE028AAAA
与自己连接产生候选k-项集的集合，连接方法
Figure DEST_PATH_IMAGE030A
，即
Figure DEST_PATH_IMAGE028AAAAA
中的项集相互连接生成候选k-项集的集合；在连接过程中要求连接的项集共享k-1个项；
剪枝步：在连接步获得候选项集的集合
Figure DEST_PATH_IMAGE034AAA
后，要根据下述公式来确定频繁
Figure DEST_PATH_IMAGE026AAAAAAA
-项集的集合
Figure DEST_PATH_IMAGE024AAAAAA
，
假设项集
Figure DEST_PATH_IMAGE036AAAA
是
Figure DEST_PATH_IMAGE038AAA
的一个子集，则
Figure DEST_PATH_IMAGE036AAAAA
在数据库
Figure DEST_PATH_IMAGE040AAAA
中的支持度Support是指在
Figure DEST_PATH_IMAGE040AAAAA
中包含的事务数与
Figure DEST_PATH_IMAGE040AAAAAA
中事务总数的百分比值，即
 
对于项集
Figure DEST_PATH_IMAGE038AAAA
与事务数据库
Figure DEST_PATH_IMAGE040AAAAAAA
，频繁项集是指支持度不小于所指定最小支持度Min_support的
Figure DEST_PATH_IMAGE038AAAAA
的非空子集；判定项集为频繁项集的条件为
Figure DEST_PATH_IMAGE044A
                        
但在这个过程中，如果
Figure DEST_PATH_IMAGE034AAAA
很大，就会需要大量的计算才能获得
Figure DEST_PATH_IMAGE024AAAAAAA
，为减小计算量可以将
Figure DEST_PATH_IMAGE034AAAAA
中的项集的（
Figure DEST_PATH_IMAGE046AAA
）-子集不在
Figure DEST_PATH_IMAGE028AAAAAA
中的候选
Figure DEST_PATH_IMAGE026AAAAAAAA
-项集删除；因为根据Apriori性质，所有的非频繁（）-项集不可能为频繁
Figure DEST_PATH_IMAGE026AAAAAAAAA
项集的子集，也就是
Figure DEST_PATH_IMAGE024AAAAAAAA
中所有项集的（
Figure DEST_PATH_IMAGE046AAAAA
）-子集都被包含在
Figure DEST_PATH_IMAGE028AAAAAAA
中；
其中，Apriori性质：频繁项集的所有非空子集都必须是频繁的；频繁项集即满足最小支持度的项集；
Figure DEST_PATH_IMAGE024AAAAAAAAA
为频繁k-项集。
所述关联规则，主要分为布尔关联规则和量化关联规则两类，当所要挖掘的属性值为0或1，即为离散值时，关联规则为布尔型关联规则；当所要挖掘的属性值为量化值时，关联规则为量化型关联规则；所述Apriori算法属于布尔型关联规则挖掘算法。
为让本领域技术人员更了解本发明方法，以下所述为本发明的具体实施例。
如图1所示，一种应用历史故障数据的配电网故障诊断方法，具体步骤为：
步骤一：由配电网故障抢修记录形成故障信息数据库，确定数据库中包含的故障属性。 
配电网运行过程中产生的大量故障处理数据是配电监测***数据的粗略表达，其中包含故障发生时间、故障地点、故障元件、故障原因等信息。
配电网故障信息记录获取的途径主要有配变监测***、用电采集***、数据采集与监视控制***、GPMS***等自动化***；通过这些自动化***获得的配电网故障属性主要有故障发生时间、故障元件、元件所属设备类型、所属变电站、所属辖区、区域1、区域2、停电原因、故障类型、是否为瞬时故障、故障电流、故障阻抗、故障相角等。
不同地区的配电网故障抢修记录所形成的故障信息数据库只能适用于当地的配电网故障诊断；在建立故障信息数据库时，首先要确定数据源的时间和空间范围，其次要确定数据的准确性，要筛选并删除数据中的错误数据和重复数据，以确保下一步数据关联规则挖掘结果的准确性。
步骤二：规范故障属性数据格式，选择合适的方法，将故障信息数据库中的数据离散化。
① 确定各故障属性的数据格式。
故障发生时间：
故障发生时间是发生故障的时间，时间记录的内容包括年、月、日、时分、秒。
故障元件：
根据配电网的配置特点以及故障抢修记录的内容，配电网可能发生故障的元件主要有杆塔、导线、绝缘子、断路器、负荷开关、熔断器、隔离开关、避雷器、电缆本体、电缆终端、电缆中间接头、变压器本体、变压器高压引线、变压器低压配电设施等。
元件所属设备类型：
不同的设备类型包含的元件不同，同一元件安装位置不同所属设备类型也不同，配电网元件所属的主要设备类型有架空线路、电缆线路、开关站（开闭所）、环网柜、户外配电变压器、配电室、配电站、变电站、用户设备。各设备类型所包含的元件见表1所列。
所属变电站：
故障元件所属设备类型所在变电站。
所属辖区：
故障元件所属设备类型所在的行政辖区。
区域1：
依据配电网供电区域的地区特征，将配电网供电区域分为市中心区、市区、城镇、农村四类。四类区域的具体分类标准见表2所列。
Figure 51540DEST_PATH_IMAGE004
区域2：
依据配电网供电区域的负荷密度，将配电网供电区域划分为A+、A、B、C、D、E六类。六类区域的具体划分标准见表3所列。
Figure 2014101251257100002DEST_PATH_IMAGE005
停电原因：
停电原因主要是用来描述配电网停电的责任和缘由。主要分设施施工、设备原因、运行维护、外力因素、天气因素、用户影响、分布式电源影响几类，每类故障原因又具体分为几种详细原因。具体停电原因分类情况见表4所列。
Figure 2014101251257100002DEST_PATH_IMAGE007
故障类型：
配电网发生故障时主要的故障类型有故障类型、故障级别、是否为瞬时故障、故障电流、故障阻抗、故障相角等。
是否为瞬时故障：
电力***的运行经验表明，架空线路故障大都是“瞬时性”的，例如由雷电引起的绝缘子表面闪络、大风引起的碰线、通过鸟类、树枝等物碰在导线上引起的弧光短路等，在线路被保护迅速断开以后，电弧即行熄灭，故障点的绝缘强度重新恢复，外界物体也被电弧烧掉而消失。如果把断开的线路断路器再合上就能够恢复正常供电，这类故障就称为瞬时性故障。如果线路被断开后他们仍然存在，则为永久性故障。
故障电流：
故障电流指故障发生时利用录波监测设备监测到的故障电流值。
故障阻抗：
故障阻抗指故障发生时利用录波监测设备监测到的故障相导线与地间或者与几个故障相导线间发生的非正常连接的阻抗。
故障相角：
故障相角是指在故障发生时由录波监测设备监测到的故障电压与故障电流之间的相位差。设
Figure DEST_PATH_IMAGE048
为故障相角，
Figure DEST_PATH_IMAGE050
为故障电压相角，
Figure DEST_PATH_IMAGE052
为故障电流相角，则故障相角的计算方法如公式（1）所示。
                                       （1）
② 将故障信息数据库中的数据离散化。
关联规则挖掘算法处理的都是离散型的数据，在对配电网故障时空数据进行关联规则挖掘以前首先要对数据进行离散化处理。配电网故障属性中故障发生时间、故障电流、故障阻抗、故障相角的属性值是连续型数据，需要在关联规则挖掘前进行离散化处理。
等宽划分是比较典型的数据离散化方法，具体的离散过程为：
设定故障时长的最小值为
Figure 2014101251257100002DEST_PATH_IMAGE002AA
，最大值为
Figure DEST_PATH_IMAGE004AA
，要进行等宽离散主要有两种方法，一种方法是先设定离散宽度δ，求离散点数k；另一种方法是由离散点数求离散宽度δ。计算表达式见公式（2）
Figure DEST_PATH_IMAGE006AA
                                    （2）
通过该方法可以获得间断点
Figure DEST_PATH_IMAGE008AA
                        （3）
（注：此处的离散化是针对属性值为连续型数值的属性，与下述步骤三的离散化关联，对于连续型数值属性，需要先进行离散化再用下述步骤三所述的转换方法将量化型数据转化成离散型数据）
步骤三：应用合适的关联规则挖掘方法进行关联规则挖掘，发掘配电网故障信息中所包含的强关联规则。
利用关联规则挖掘中的Apriori算法对故障信息数据库中的数据进行关联规则挖掘；关联规则，主要分为布尔关联规则和量化关联规则两类；当所要挖掘的属性值为0或1的离散值时，关联规则为布尔型关联规则；当所要挖掘的属性值为量化值时，关联规则为量化型关联规则。 Apriori算法属于布尔型关联规则挖掘算法，在进行关联规则挖掘前，需要将量化型数据转化成布尔型数据；具体的转换方法为：
设项集
Figure DEST_PATH_IMAGE010AA
是项的集合，项
Figure DEST_PATH_IMAGE012AAAA
（m=1，2，3…）的取值为量化值，要将量化关联规则转化成布尔关联规则，形成新的项集
Figure DEST_PATH_IMAGE014AA
，需要将
Figure DEST_PATH_IMAGE012AAAAA
离散化后的每一个值与项集
Figure DEST_PATH_IMAGE016AA
中的项
Figure DEST_PATH_IMAGE018AA
相对应；具体转化方法见表5所列。
Figure 492623DEST_PATH_IMAGE008
表6为表5中当n=2时的情况，
Figure 2014101251257100002DEST_PATH_IMAGE009
假设项集
Figure DEST_PATH_IMAGE056
中的
Figure DEST_PATH_IMAGE058
取值为0、1、2、3，
Figure DEST_PATH_IMAGE060
的取值为0、1、2，则将项集
Figure DEST_PATH_IMAGE056A
中的量化型数据转化成项集
Figure DEST_PATH_IMAGE062
中布尔型数据的对应关系如表1所示，
Figure DEST_PATH_IMAGE058A
和
Figure DEST_PATH_IMAGE060A
的取值个数的和为7个，对应的
Figure DEST_PATH_IMAGE062A
中项也为7个。
当
Figure DEST_PATH_IMAGE058AA
的取值为0时，转化后的项集
Figure DEST_PATH_IMAGE062AA
中
Figure DEST_PATH_IMAGE064
的取值为1，
Figure DEST_PATH_IMAGE066
、、
Figure DEST_PATH_IMAGE070
的取值都为0；当
Figure DEST_PATH_IMAGE058AAA
的取值为1时，项集
Figure DEST_PATH_IMAGE062AAA
中
Figure DEST_PATH_IMAGE066A
的取值为1，
Figure DEST_PATH_IMAGE064A
、
Figure DEST_PATH_IMAGE068A
、
Figure DEST_PATH_IMAGE070A
的取值为0；当
Figure DEST_PATH_IMAGE058AAAA
的取值为2时，项集
Figure DEST_PATH_IMAGE062AAAA
中的取值为1，
Figure DEST_PATH_IMAGE064AA
、、
Figure DEST_PATH_IMAGE070AA
的取值为0；当
Figure DEST_PATH_IMAGE058AAAAA
的取值为3时，项集
Figure DEST_PATH_IMAGE062AAAAA
中
Figure DEST_PATH_IMAGE070AAA
的取值为1，
Figure DEST_PATH_IMAGE064AAA
、
Figure DEST_PATH_IMAGE066AAA
、
Figure DEST_PATH_IMAGE068AAA
的取值为0；
当
Figure DEST_PATH_IMAGE060AA
的取值为0时，转化后的项集
Figure DEST_PATH_IMAGE062AAAAAA
中
Figure DEST_PATH_IMAGE072
取值为1，
Figure DEST_PATH_IMAGE074
、
Figure DEST_PATH_IMAGE076
的取值都为0；当
Figure DEST_PATH_IMAGE060AAA
的取值为1时，项集
Figure DEST_PATH_IMAGE062AAAAAAA
中
Figure DEST_PATH_IMAGE074A
的取值为1，
Figure DEST_PATH_IMAGE072A
、
Figure DEST_PATH_IMAGE076A
的取值为0；当的取值为2时，项集中
Figure DEST_PATH_IMAGE076AA
的取值为1，、
Figure DEST_PATH_IMAGE074AA
的取值为0。
Apriori算法是最主要的布尔型频繁项集关联规则挖掘算法；Apriori算法是通过迭代搜索的方式来搜索频繁项集的；首先，搜索出频繁1-项集的集合
Figure DEST_PATH_IMAGE020AA
，然后由
Figure DEST_PATH_IMAGE022AA
搜索
Figure DEST_PATH_IMAGE024AAAAAAAAAA
（
Figure DEST_PATH_IMAGE026AAAAAAAAAA
=2，3，…，n），一直到搜索的频繁项集为空，不能继续搜索为止；该频繁项集的生成主要分连接和剪枝两个步骤：
连接步：通过
Figure DEST_PATH_IMAGE028AAAAAAAA
与自己连接产生候选k-项集的集合，连接方法
Figure DEST_PATH_IMAGE030AA
，即
Figure DEST_PATH_IMAGE028AAAAAAAAA
中的项集相互连接生成候选k-项集的集合
Figure DEST_PATH_IMAGE032AA
；在连接过程中要求连接的项集共享k-1个项；
剪枝步：在连接步获得候选项集的集合
Figure DEST_PATH_IMAGE034AAAAAA
后，要根据公式（5）来确定频繁
Figure DEST_PATH_IMAGE026AAAAAAAAAAA
-项集的集合
Figure DEST_PATH_IMAGE024AAAAAAAAAAA
；但在这个过程中，如果很大，就会需要大量的计算才能获得
Figure DEST_PATH_IMAGE024AAAAAAAAAAAA
，为减小计算量可以将
Figure DEST_PATH_IMAGE034AAAAAAAA
中的项集的（）-子集不在
Figure DEST_PATH_IMAGE028AAAAAAAAAA
中的候选-项集删除；因为根据Apriori性质，所有的非频繁（
Figure DEST_PATH_IMAGE046AAAAAAA
）-项集不可能为频繁
Figure DEST_PATH_IMAGE026AAAAAAAAAAAAA
项集的子集，也就是
Figure DEST_PATH_IMAGE024AAAAAAAAAAAAA
中所有项集的（
Figure DEST_PATH_IMAGE046AAAAAAAA
）-子集都被包含在中。
其中，Apriori性质：频繁项集的所有非空子集都必须是频繁的，频繁项集即满足最小支持度的项集；
Figure DEST_PATH_IMAGE024AAAAAAAAAAAAAA
为频繁k-项集。
假设项集是
Figure DEST_PATH_IMAGE038AAAAAA
的一个子集，则
Figure DEST_PATH_IMAGE036AAAAAAAAA
在数据库中的支持度（Support）是指在
Figure DEST_PATH_IMAGE040AAAAAAAAA
中包含
Figure DEST_PATH_IMAGE036AAAAAAAAAA
的事务数与
Figure DEST_PATH_IMAGE040AAAAAAAAAA
中事务总数的百分比值，即
Figure DEST_PATH_IMAGE042AA
；                      （4）
对于项集
Figure DEST_PATH_IMAGE038AAAAAAA
与事务数据库
Figure DEST_PATH_IMAGE040AAAAAAAAAAA
，频繁项集是指支持度不小于所指定最小支持度（Min_support）的的非空子集；判定项集
Figure DEST_PATH_IMAGE036AAAAAAAAAAA
为频繁项集的条件为
Figure DEST_PATH_IMAGE044AA
。                      （5）
步骤四：根据故障的实际情况，依据关联规则数据库中的内容，对配电网故障情况给出诊断结果。
根据已知的故障属性，如故障的时间属性、空间属性、故障电流等，利用关联规则数据库中的强关联规则，对故障情况作出诊断，如故障原因、故障元件、故障类型等。
如对我国某一城市2009-2012年的配电网故障抢修记录形成的关联规则数据库。已知故障发生的时间、故障区域、故障电流的大小，可以通过关联规则数据库中得到与该季节、该区域、该故障电流水平关联度最高的故障原因、故障元件、故障类型，从而对故障内容作出诊断，检修人员根据诊断结果作出快速反应，以最快速度排除故障，恢复故障区域电力供应。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种应用历史故障数据的配电网故障诊断方法，其特征在于：包括如下步骤，
步骤S01：由配电网故障抢修记录建立故障信息数据库，并确定该故障信息数据库中包含的故障属性；
步骤S02：规范故障属性的数据格式，将故障信息数据库中的故障属性数据离散化；
步骤S03：应用关联规则挖掘方法挖掘故障信息数据库中的故障属性数据所包含的强关联规则；
步骤S04：根据故障的实际情况，依据上述挖掘的强关联规则，对配电网故障情况给出诊断结果。
2.根据权利要求1所述的一种应用历史故障数据的配电网故障诊断方法，其特征在于：所述步骤S02，具体实现过程如下，
步骤S21：确定并规范各故障属性的数据格式；
步骤S22：将故障信息数据库中的故障属性数据进行等宽划分离散化，该离散化过程具体为，
设定故障时长的最小值为                                                
Figure 2014101251257100001DEST_PATH_IMAGE001
，最大值为
Figure 2014101251257100001DEST_PATH_IMAGE002
，根据公式：
Figure 2014101251257100001DEST_PATH_IMAGE003
，获得间断点：；
其中，δ为离散宽度，k为离散点数。
3.根据权利要求2所述的一种应用历史故障数据的配电网故障诊断方法，其特征在于：所述步骤S03，具体为，
利用关联规则中的Apriori算法对故障信息数据库中的故障属性数据进行关联规则挖掘；在进行关联规则挖掘前，需要将量化型数据转化成布尔型数据，具体的转换方法为：
设项集
Figure 2014101251257100001DEST_PATH_IMAGE005
是项的集合，项
Figure 2014101251257100001DEST_PATH_IMAGE006
的取值为量化值，其中，m为整数，且m=1，2，3…；要将量化关联规则转化成布尔关联规则，形成新的项集
Figure 2014101251257100001DEST_PATH_IMAGE007
，需要将
Figure 2014101251257100001DEST_PATH_IMAGE008
离散化后的每一个值与项集
Figure DEST_PATH_IMAGE009
中的项相对应；
然后对故障信息数据库中的故障属性数据进行关联规则挖掘，Apriori算法是最主要的布尔型频繁项集关联规则挖掘算法；Apriori算法是通过迭代搜索的方式来搜索频繁项集的；首先，搜索出频繁1-项集的集合
Figure DEST_PATH_IMAGE011
，然后由
Figure 2014101251257100001DEST_PATH_IMAGE012
搜索，一直到搜索的频繁项集为空，不能继续搜索为止，其中，
Figure 2014101251257100001DEST_PATH_IMAGE014
为整数，
Figure 545849DEST_PATH_IMAGE014
=2，3，…，n；该频繁项集的生成主要分连接和剪枝两个步骤：
连接步：通过与自己连接产生候选k-项集的集合，连接方法
Figure 2014101251257100001DEST_PATH_IMAGE016
，即中的项集相互连接生成候选k-项集的集合；在连接过程中要求连接的项集共享k-1个项；
剪枝步：在连接步获得候选项集的集合后，要根据下述公式来确定频繁
Figure 16090DEST_PATH_IMAGE014
-项集的集合
Figure 776235DEST_PATH_IMAGE019
，
假设项集
Figure 2014101251257100001DEST_PATH_IMAGE020
是
Figure 856318DEST_PATH_IMAGE021
的一个子集，则
Figure 992901DEST_PATH_IMAGE020
在数据库中的支持度Support是指在中包含
Figure 405876DEST_PATH_IMAGE023
的事务数与
Figure 97889DEST_PATH_IMAGE022
中事务总数的百分比值，即
Figure 2014101251257100001DEST_PATH_IMAGE024
 
对于项集
Figure 710267DEST_PATH_IMAGE021
与事务数据库
Figure 109018DEST_PATH_IMAGE025
，频繁项集是指支持度不小于所指定最小支持度Min_support的的非空子集；判定项集
Figure 414229DEST_PATH_IMAGE020
为频繁项集的条件为
Figure 593537DEST_PATH_IMAGE027
                        
但在这个过程中，如果很大，就会需要大量的计算才能获得
Figure 2014101251257100001DEST_PATH_IMAGE029
，为减小计算量可以将中的项集的（
Figure 2014101251257100001DEST_PATH_IMAGE030
）-子集不在中的候选
Figure 149949DEST_PATH_IMAGE014
-项集删除；因为根据Apriori性质，所有的非频繁（
Figure 422799DEST_PATH_IMAGE030
）-项集不可能为频繁
Figure 89403DEST_PATH_IMAGE014
项集的子集，也就是
Figure 105901DEST_PATH_IMAGE013
中所有项集的（
Figure 541562DEST_PATH_IMAGE030
）-子集都被包含在中；
其中，Apriori性质：频繁项集的所有非空子集都必须是频繁的；频繁项集即满足最小支持度的项集；
Figure 76896DEST_PATH_IMAGE019
为频繁k-项集。
4.根据权利要求3所述的一种应用历史故障数据的配电网故障诊断方法，其特征在于：所述关联规则，主要分为布尔关联规则和量化关联规则两类，当所要挖掘的属性值为0或1，即为离散值时，关联规则为布尔型关联规则；当所要挖掘的属性值为量化值时，关联规则为量化型关联规则。
5.根据权利要求3所述的一种应用历史故障数据的配电网故障诊断方法，其特征在于：所述Apriori算法属于布尔型关联规则挖掘算法。
CN201410125125.7A 2014-03-31 2014-03-31 一种应用历史故障数据的配电网故障诊断方法 Pending CN103871003A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410125125.7A CN103871003A (zh) 2014-03-31 2014-03-31 一种应用历史故障数据的配电网故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410125125.7A CN103871003A (zh) 2014-03-31 2014-03-31 一种应用历史故障数据的配电网故障诊断方法

Publications (1)

Publication Number Publication Date
CN103871003A true CN103871003A (zh) 2014-06-18

Family

ID=50909515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410125125.7A Pending CN103871003A (zh) 2014-03-31 2014-03-31 一种应用历史故障数据的配电网故障诊断方法

Country Status (1)

Country Link
CN (1) CN103871003A (zh)

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156881A (zh) * 2014-06-20 2014-11-19 天津大学 配电网故障风险综合评估方法
CN104460651A (zh) * 2014-10-24 2015-03-25 北京交控科技有限公司 一种基于自主学习的zc双系宕机故障预警方法与装置
CN104808645A (zh) * 2015-03-02 2015-07-29 中山大学 一种离散事件***故障诊断方法
CN105301450A (zh) * 2015-11-26 2016-02-03 云南电网有限责任公司电力科学研究院 一种配网故障自动诊断方法及***
CN105354336A (zh) * 2015-12-07 2016-02-24 Tcl集团股份有限公司 一种处理交易事务数据库数据的方法和装置
CN105608519A (zh) * 2015-11-09 2016-05-25 国家电网公司 一种电网通信设备运行状态的预测算法
CN106022950A (zh) * 2016-05-06 2016-10-12 中国电力科学研究院 一种配电网二次设备类型识别方法及***
CN106019084A (zh) * 2016-06-16 2016-10-12 上海交通大学 基于配用电数据关联的中压配电网断线故障诊断方法
CN106294076A (zh) * 2016-08-24 2017-01-04 浪潮(北京)电子信息产业有限公司 一种服务器关联故障预测方法及其***
CN106842106A (zh) * 2017-02-23 2017-06-13 广东电网有限责任公司茂名供电局 电能表故障预测方法和装置
CN107025293A (zh) * 2017-04-13 2017-08-08 广东电网有限责任公司电力科学研究院 一种电力二次设备缺陷数据挖掘方法及***
CN107092993A (zh) * 2017-06-05 2017-08-25 国网陕西省电力公司电力科学研究院 基于灾害类型和线路信息的重合闸成功率关联分析方法
CN107451708A (zh) * 2017-04-26 2017-12-08 国家电网公司 一种基于Apriori算法的电网设备监控信息置信关联分析方法
CN107483240A (zh) * 2017-08-07 2017-12-15 国网安徽省电力公司淮北供电公司 基于网络资源关联关系的电力通信网业务健康度分析方法
CN107506467A (zh) * 2017-08-30 2017-12-22 山东鲁能智能技术有限公司 一种充电桩检修的方法及***
CN107562603A (zh) * 2017-09-25 2018-01-09 郑州云海信息技术有限公司 一种基于linux的故障智能定位***及方法
CN107633093A (zh) * 2017-10-10 2018-01-26 南通大学 一种供电决策知识图谱的构建及其查询方法
CN107918670A (zh) * 2017-11-29 2018-04-17 国网电力信息通信有限公司 一种应用于电力通信***的告警处理方法
CN107967199A (zh) * 2017-12-05 2018-04-27 广东电网有限责任公司东莞供电局 一种基于关联规则挖掘的电力设备温度预警分析方法
CN108320040A (zh) * 2017-01-17 2018-07-24 国网重庆市电力公司 基于贝叶斯网络优化算法的采集终端故障预测方法及***
CN108873859A (zh) * 2018-05-31 2018-11-23 浙江工业大学 基于改进关联规则的桥式抓斗卸船机故障预测模型方法
CN109034604A (zh) * 2018-07-23 2018-12-18 长沙理工大学 一种考虑设备状态与气温的配网故障关联规则分析方法
CN109032872A (zh) * 2018-08-13 2018-12-18 广州供电局有限公司 基于贝叶斯网络的设备故障诊断方法及***
CN109254219A (zh) * 2018-11-22 2019-01-22 国网湖北省电力有限公司电力科学研究院 一种考虑多元因素态势演变的配变迁移学习故障诊断方法
CN109814526A (zh) * 2018-12-29 2019-05-28 卡斯柯信号有限公司 面向轨旁安全信号***的维护诊断方法
CN109857775A (zh) * 2018-12-30 2019-06-07 国网天津市电力公司电力科学研究院 一种配电网调度控制***的海量历史数据挖掘方法
CN110244184A (zh) * 2019-07-04 2019-09-17 国网江苏省电力有限公司 一种频繁项集的配网线路故障规律挖掘方法、***及介质
CN110334127A (zh) * 2019-07-04 2019-10-15 国网江苏省电力有限公司 一种配电网线路故障规律挖掘方法、***及存储介质
CN110632439A (zh) * 2019-09-29 2019-12-31 国网河南省电力公司电力科学研究院 基于同步波形与关联规则的配电网单相接地故障诊断技术
CN111091285A (zh) * 2019-12-12 2020-05-01 国网吉林省电力有限公司电力科学研究院 电力终端设备安全风险本体构建方法
CN112016602A (zh) * 2020-08-18 2020-12-01 广东电网有限责任公司韶关供电局 电网故障原因与状态量的关联分析方法，设备和存储介质
CN112101798A (zh) * 2020-09-18 2020-12-18 国网辽宁省电力有限公司电力科学研究院 一种基于大数据技术的电力设备寿命管理方法
CN112415331A (zh) * 2020-10-27 2021-02-26 中国南方电网有限责任公司 基于多源故障信息的电网二次***故障诊断方法
CN112785109A (zh) * 2019-11-11 2021-05-11 国网天津市电力公司 一种基于调控云的电网设备故障分析方法及***
CN113032912A (zh) * 2021-04-20 2021-06-25 上海交通大学 基于关联规则的船舶柴油机故障检测方法
CN113064934A (zh) * 2021-03-26 2021-07-02 安徽继远软件有限公司 电力传感网感知层故障关联规则挖掘方法及***
CN113556369A (zh) * 2020-04-24 2021-10-26 国网辽宁省电力有限公司 基于电力物联网的电网设备管控方法及管控***
CN113589098A (zh) * 2021-07-12 2021-11-02 国网河南省电力公司灵宝市供电公司 基于大数据驱动的电网故障预测和诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李栋: "面向故障诊断的并行关联规则算法研究与实现", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *
李育凤 等: "基于云模型的配电网故障停电风险综合评价", 《电力与电工》 *
梁志瑞 等: "关联规则挖掘在电厂设备故障监测中的应用", 《电力自动化设备》 *
王海龙 等: "基于关联规则挖掘技术的配电网故障数据分析", 《中国高等学校电力***及其自动化专业第29届学术年会会议》 *

Cited By (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156881A (zh) * 2014-06-20 2014-11-19 天津大学 配电网故障风险综合评估方法
CN104460651A (zh) * 2014-10-24 2015-03-25 北京交控科技有限公司 一种基于自主学习的zc双系宕机故障预警方法与装置
CN104808645A (zh) * 2015-03-02 2015-07-29 中山大学 一种离散事件***故障诊断方法
CN105608519A (zh) * 2015-11-09 2016-05-25 国家电网公司 一种电网通信设备运行状态的预测算法
CN105301450A (zh) * 2015-11-26 2016-02-03 云南电网有限责任公司电力科学研究院 一种配网故障自动诊断方法及***
CN105354336A (zh) * 2015-12-07 2016-02-24 Tcl集团股份有限公司 一种处理交易事务数据库数据的方法和装置
CN106022950A (zh) * 2016-05-06 2016-10-12 中国电力科学研究院 一种配电网二次设备类型识别方法及***
CN106019084B (zh) * 2016-06-16 2020-11-17 上海交通大学 基于配用电数据关联的中压配电网断线故障诊断方法
CN106019084A (zh) * 2016-06-16 2016-10-12 上海交通大学 基于配用电数据关联的中压配电网断线故障诊断方法
CN106294076A (zh) * 2016-08-24 2017-01-04 浪潮(北京)电子信息产业有限公司 一种服务器关联故障预测方法及其***
CN106294076B (zh) * 2016-08-24 2019-03-15 浪潮(北京)电子信息产业有限公司 一种服务器关联故障预测方法及其***
CN108320040B (zh) * 2017-01-17 2021-01-26 国网重庆市电力公司 基于贝叶斯网络优化算法的采集终端故障预测方法及***
CN108320040A (zh) * 2017-01-17 2018-07-24 国网重庆市电力公司 基于贝叶斯网络优化算法的采集终端故障预测方法及***
CN106842106A (zh) * 2017-02-23 2017-06-13 广东电网有限责任公司茂名供电局 电能表故障预测方法和装置
CN107025293A (zh) * 2017-04-13 2017-08-08 广东电网有限责任公司电力科学研究院 一种电力二次设备缺陷数据挖掘方法及***
CN107451708A (zh) * 2017-04-26 2017-12-08 国家电网公司 一种基于Apriori算法的电网设备监控信息置信关联分析方法
CN107092993A (zh) * 2017-06-05 2017-08-25 国网陕西省电力公司电力科学研究院 基于灾害类型和线路信息的重合闸成功率关联分析方法
CN107483240A (zh) * 2017-08-07 2017-12-15 国网安徽省电力公司淮北供电公司 基于网络资源关联关系的电力通信网业务健康度分析方法
CN107506467A (zh) * 2017-08-30 2017-12-22 山东鲁能智能技术有限公司 一种充电桩检修的方法及***
CN107562603A (zh) * 2017-09-25 2018-01-09 郑州云海信息技术有限公司 一种基于linux的故障智能定位***及方法
CN107633093A (zh) * 2017-10-10 2018-01-26 南通大学 一种供电决策知识图谱的构建及其查询方法
CN107918670A (zh) * 2017-11-29 2018-04-17 国网电力信息通信有限公司 一种应用于电力通信***的告警处理方法
CN107967199A (zh) * 2017-12-05 2018-04-27 广东电网有限责任公司东莞供电局 一种基于关联规则挖掘的电力设备温度预警分析方法
CN107967199B (zh) * 2017-12-05 2019-11-08 广东电网有限责任公司东莞供电局 一种基于关联规则挖掘的电力设备温度预警分析方法
CN108873859A (zh) * 2018-05-31 2018-11-23 浙江工业大学 基于改进关联规则的桥式抓斗卸船机故障预测模型方法
CN108873859B (zh) * 2018-05-31 2020-07-31 浙江工业大学 基于改进关联规则的桥式抓斗卸船机故障预测模型方法
CN109034604A (zh) * 2018-07-23 2018-12-18 长沙理工大学 一种考虑设备状态与气温的配网故障关联规则分析方法
CN109032872A (zh) * 2018-08-13 2018-12-18 广州供电局有限公司 基于贝叶斯网络的设备故障诊断方法及***
CN109032872B (zh) * 2018-08-13 2021-08-10 广东电网有限责任公司广州供电局 基于贝叶斯网络的设备故障诊断方法及***
CN109254219A (zh) * 2018-11-22 2019-01-22 国网湖北省电力有限公司电力科学研究院 一种考虑多元因素态势演变的配变迁移学习故障诊断方法
CN109814526B (zh) * 2018-12-29 2021-06-08 卡斯柯信号有限公司 面向轨旁安全信号***的维护诊断方法
CN109814526A (zh) * 2018-12-29 2019-05-28 卡斯柯信号有限公司 面向轨旁安全信号***的维护诊断方法
CN109857775A (zh) * 2018-12-30 2019-06-07 国网天津市电力公司电力科学研究院 一种配电网调度控制***的海量历史数据挖掘方法
CN110334127B (zh) * 2019-07-04 2022-08-19 国网江苏省电力有限公司 一种配电网线路故障规律挖掘方法、***及存储介质
CN110334127A (zh) * 2019-07-04 2019-10-15 国网江苏省电力有限公司 一种配电网线路故障规律挖掘方法、***及存储介质
CN110244184A (zh) * 2019-07-04 2019-09-17 国网江苏省电力有限公司 一种频繁项集的配网线路故障规律挖掘方法、***及介质
CN110632439A (zh) * 2019-09-29 2019-12-31 国网河南省电力公司电力科学研究院 基于同步波形与关联规则的配电网单相接地故障诊断技术
CN112785109A (zh) * 2019-11-11 2021-05-11 国网天津市电力公司 一种基于调控云的电网设备故障分析方法及***
CN111091285B (zh) * 2019-12-12 2022-08-09 国网吉林省电力有限公司电力科学研究院 电力终端设备安全风险本体构建方法
CN111091285A (zh) * 2019-12-12 2020-05-01 国网吉林省电力有限公司电力科学研究院 电力终端设备安全风险本体构建方法
CN113556369A (zh) * 2020-04-24 2021-10-26 国网辽宁省电力有限公司 基于电力物联网的电网设备管控方法及管控***
CN112016602A (zh) * 2020-08-18 2020-12-01 广东电网有限责任公司韶关供电局 电网故障原因与状态量的关联分析方法，设备和存储介质
CN112016602B (zh) * 2020-08-18 2021-08-10 广东电网有限责任公司韶关供电局 电网故障原因与状态量的关联分析方法，设备和存储介质
CN112101798A (zh) * 2020-09-18 2020-12-18 国网辽宁省电力有限公司电力科学研究院 一种基于大数据技术的电力设备寿命管理方法
CN112415331A (zh) * 2020-10-27 2021-02-26 中国南方电网有限责任公司 基于多源故障信息的电网二次***故障诊断方法
CN112415331B (zh) * 2020-10-27 2024-04-09 中国南方电网有限责任公司 基于多源故障信息的电网二次***故障诊断方法
CN113064934B (zh) * 2021-03-26 2023-12-08 安徽继远软件有限公司 电力传感网感知层故障关联规则挖掘方法及***
CN113064934A (zh) * 2021-03-26 2021-07-02 安徽继远软件有限公司 电力传感网感知层故障关联规则挖掘方法及***
CN113032912A (zh) * 2021-04-20 2021-06-25 上海交通大学 基于关联规则的船舶柴油机故障检测方法
CN113589098A (zh) * 2021-07-12 2021-11-02 国网河南省电力公司灵宝市供电公司 基于大数据驱动的电网故障预测和诊断方法
CN113589098B (zh) * 2021-07-12 2024-06-07 国网河南省电力公司灵宝市供电公司 基于大数据驱动的电网故障预测和诊断方法

Similar Documents

Publication Publication Date Title
CN103871003A (zh) 一种应用历史故障数据的配电网故障诊断方法
Jarventausta et al. Using fuzzy sets to model the uncertainty in the fault location process of distribution networks
Lin et al. A review of key strategies in realizing power system resilience
Suslov et al. Flexible Power Distribution Networks: New Opportunities and Applications.
CN105281435A (zh) 面向智能配电网的分布式故障检测与隔离***及工作方法
CN105467276B (zh) 一种线路故障监测方法和***
Liang et al. Typical fault cause recognition of single-phase-to-ground fault for overhead lines in nonsolidly earthed distribution networks
CN103093276B (zh) 一种城市电网风险评估方法
CN111478324B (zh) 一种电站告警分析***
CN105576660A (zh) 地区配电网在线仿真分析装置及***
CN105119251A (zh) 一种适用柔性直流配电***接地电阻方案的确定方法
Ciapessoni et al. An integrated platform for power system security assessment implementing probabilistic and deterministic methodologies
Cirio et al. Wide area monitoring in the Italian power system: architecture, functions and experiences
Siirto et al. Fault location, isolation and restoration in a city distribution network
CN105391030A (zh) 基于网络拓扑结构负荷逐渐加载聚合的计划孤岛划分方法
Emi et al. Fault detection in transformer using GSM technology
Emjedi et al. Reliability evaluation of distribution networks using fuzzy logic
CN107748315B (zh) 一种配网故障主动预警方法
Bragatto et al. Assessment and possible solution to increase the resilience of Terni distribution Grid: The ice sleeves formation threat
Lakshmi et al. IoT based protection of microgrid with grid-connected and islanded mode using wavelet approach
Hussein et al. Fault location and isolation using multi agent systems in 16 buses distribution system
Kashtanov et al. Application of graph theory as a tool for reconfiguration of the distribution network
Kargbo et al. Electric grid disaster response management—A systems of systems engineering approach
Nanadikar et al. Improved outage prediction using asset management data and intelligent multiple interruption event handling with fuzzy control during extreme climatic conditions
CN108667019A (zh) 一种用于配电网可靠性分析的简化配电网状态模型的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20140618

RJ01 Rejection of invention patent application after publication