CN107037278A - 一种iec61850标准下的智能变电站故障诊断方法 - Google Patents
一种iec61850标准下的智能变电站故障诊断方法 Download PDFInfo
- Publication number
- CN107037278A CN107037278A CN201610963005.3A CN201610963005A CN107037278A CN 107037278 A CN107037278 A CN 107037278A CN 201610963005 A CN201610963005 A CN 201610963005A CN 107037278 A CN107037278 A CN 107037278A
- Authority
- CN
- China
- Prior art keywords
- intelligent substation
- fault diagnosis
- information
- hidden
- diagnosis result
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种IEC61850标准下的智能变电站故障诊断方法,实施步骤包括通过智能变电站的功能配置模型获得智能变电站的静态信息,通过智能变电站的报文获取智能变电站的动态信息,将获得的静态信息、动态信息输入训练好的基于深度学习网络的故障诊断模型中,输出智能变电站的故障诊断结果,检测故障诊断结果,如果故障诊断结果为智能变电站发生故障,则根据故障类型分类进行故障录波,并输出控制信息修复智能变电站的故障状态。本发明学习能力强、故障检测准确度高、抗噪性能好、检测速度快,尤其适用于非线性问题求解,用于模式识别和分类有很大的优越性。
Description
技术领域
本发明涉及智能变电站的故障诊断与评估技术,具体涉及一种IEC61850标准下的智能变电站故障诊断方法。
背景技术
现代电力***的规模越来越大,输电线路的电压等级越来越高,长度越来越长,输电线路所处的环境也更复杂,因此发生故障的可能性和次数也不可避免的大量增加。因此,电力故障检测算法研究具有非常重要的理论意义和广阔的应用前景。此外,为了适应数字化变电站及未来变电站自动化***发展要求,在故障诊断***中实现IEC61850通信标准,可以很大的提升变电站内智能电子设备间的互操作能力。
变电站智能化之后,其二次***结构和形态与常规变电站相比发生革命性变化,表现为物理的通信网络承载功能逻辑信号,常规二次回路变为通信网络,信号之间的连接变为虚拟端子和虚拟回路。网络物理拓扑与功能信息及信号的输入输出之间不再存在一一对应关系,传统的故障诊断及评估方法大多是基于二次电气回路的故障检测和分析,无法应用于智能变电站,导致对智能变电站故障检测和分析等业务很难开展。同时,现有的变电站故障诊断方法大多仅利用变电站内一次设备本身的运行状态及告警信息抑或利用断路器动作情况及故障报告来进行故障诊断,给出设备故障的概率。智能变电站二次***结构的变化及其对管理和维护手段的自动化和智能化要求提高,使传统的故障诊断和评估方法在诊断深度和诊断方法上已不能满足变电站智能化运行的需求。目前故障诊断算法很多,但是仍然存在两个问题:1)普通算法虽然计算简单,但是其鲁棒性差,易受噪声影响;2)智能算法的适应性差,缺乏自学习能力。为了解决这些问题,有必要设计一个适应性强,鲁棒性高的方法。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种学习能力强、故障检测准确度高、抗噪性能好、检测速度快,尤其适用于非线性问题求解,用于模式识别和分类有很大的优越性的IEC61850标准下的智能变电站故障诊断方法。
为了解决上述技术问题,本发明采用的技术方案为:
一种IEC61850标准下的智能变电站故障诊断方法,实施步骤包括:
1)通过智能变电站的功能配置模型获得智能变电站的静态信息,所述静态信息包括智能变电站主接线拓扑、一次设备和二次装置的物理和逻辑关联信息、通信网络基本信息;
2)通过智能变电站的报文获取智能变电站的动态信息,所述动态信息包括一次设备的运行信息、断路器和隔离开关的位置、保护和控制装置的动作信息、网络流量信息;
3)将获得的静态信息、动态信息输入训练好的基于深度学习网络的故障诊断模型中,输出智能变电站的故障诊断结果,所述基于深度学习网络的故障诊断模型中训练包含了静态信息、动态信息和智能变电站的故障诊断结果之间的分类映射关系;
4)检测故障诊断结果,如果故障诊断结果为智能变电站发生故障,则根据故障类型分类进行故障录波,并输出控制信息修复智能变电站的故障状态。
优选地,步骤3)中基于深度学习网络的故障诊断模型为受限玻尔兹曼机模型,所述受限玻尔兹曼机模型由可视层v和隐层h组成,可视层v包含m个可视层单元v1~vm,隐层h包含n个隐层单元h1~hn,可视层v的偏置向量a{a1~an},隐层单元的偏置向量b{b1~bm},可视层v和隐层h同层单元节点间均没有连接,可视层单元和隐层单元之间的边的权重W,且针对受限玻尔兹曼机模型采用对比散度法进行训练。
本发明IEC61850标准下的智能变电站故障诊断方法具有下述优点:
1、本发明利用深度学习网络特征学习能力强,故障检测准确度高,抗噪性能好等优点,在该模型的基础上设计IEC61850标准下的智能变电站故障诊断方法,将采集的智能变电站信息作为深度学习网络输入,从而方便快捷地完成故障诊断,具有学习能力强、故障检测准确度高、抗噪性能好、检测速度快的优点。
2、本发明基于深度学习网络构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性,易获得全局最优解,适用于非线性问题求解,用于模式识别和分类有很大的优越性。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例方法的受限玻尔兹曼机模型示意图。
图3为本发明实施例方法的深度学习网络迭代曲线。
图4为本发明实施例方法的效果比较示意图。
具体实施方式
如图1所示,本实施例IEC61850标准下的智能变电站故障诊断方法的实施步骤包括:
1)通过智能变电站的功能配置模型获得智能变电站的静态信息,静态信息包括智能变电站主接线拓扑、一次设备和二次装置的物理和逻辑关联信息、通信网络基本信息;
2)通过智能变电站的报文获取智能变电站的动态信息,动态信息包括一次设备的运行信息、断路器和隔离开关的位置、保护和控制装置的动作信息、网络流量信息;
3)将获得的静态信息、动态信息输入训练好的基于深度学习网络的故障诊断模型中,输出智能变电站的故障诊断结果,基于深度学习网络的故障诊断模型中训练包含了静态信息、动态信息和智能变电站的故障诊断结果之间的分类映射关系;
4)检测故障诊断结果,如果故障诊断结果为智能变电站发生故障,则根据故障类型分类进行故障录波,并输出控制信息修复智能变电站的故障状态。
本实施例步骤3)中基于深度学习网络的故障诊断模型为受限玻尔兹曼机模型,受限玻尔兹曼机模型由可视层v和隐层h组成,可视层v包含m个可视层单元v1~vm,隐层h包含n个隐层单元h1~hn,可视层v的偏置向量a{a1~an},隐层单元的偏置向量b{b1~bm},可视层v和隐层h同层单元节点间均没有连接,可视层单元和隐层单元之间的边的权重W,且针对受限玻尔兹曼机模型采用对比散度法进行训练。如图2所示,本实施例的受限玻尔兹曼机模型由可视层v(v1~vm)和隐层h(h1~hn)组成,可视层v1~vm间没有连接,隐层h1~hn间没有连接,可视层单元的偏置向量a(a1~an),隐层单元的偏置向量b(b1~bm),可视层vm、隐层hn之间的边的权重wnm。
对于受限玻尔兹曼机模型而言,当输入v时,根据p(h|v)得到隐层h;得到隐层h之后,通过p(v|h)又能够得到可视层。受限玻尔兹曼机模型(RBM)是一种基于能量模型,受限玻尔兹曼机模型的可视变量v和隐藏变量h的联合配置的能量如式(1)所示;
式(1)中,E(v,h)表示可视变量v和隐藏变量h的联合配置的能量,ai表示第i个可视变量vi的偏置参数,vi表示第i个可视变量,bj表示第j个隐藏变量hj的偏置参数,hj表示第j个隐藏变量,wij表示第i个可视变量vi、第j个隐藏变量hj之间的边的权重。
通常,受限玻尔兹曼机模型的参数可表示为θ={W,a,b},其中W为可见单元和隐藏单元之间的边的权重,a和b分别为可见单元和隐藏单元的偏置向量。从可视层v和隐藏层h的联合配置的能量可以得到v和h的联合概率如式(2)所示;
式(2)中,Pθ(v,h)表示v和h的联合概率,Z(θ)表示参数θ的规则化系数,E(v,h;θ)表示参数θ下的可视变量v和隐藏变量h的联合配置能量。通过训练受限玻尔兹曼机模型参数,可使受限玻尔兹曼机模型获得最优性能。
并行回火采样对受限玻尔兹曼机模型训练是一种很有效率的方法。在训练过程中,每个温度对应一条吉布斯链并使用并行回火的方法采样。每条吉布斯链对应一个不同的温度ti,ti满足1=t1<……<ti<……<tM-1<tM,不同温度链之间根据一定的条件决定是否交换采样值。根据式(2),在不同的温度下,并行回火受限玻尔兹曼机模型联合概率如式(3)所示;
式(3)中,Pr(v,h)表示模型联合概率,Z(ti)表示参数ti的规则化系数,ti表示温度,E(v,h;θ)表示参数θ下的可视变量v和隐藏变量h的联合配置能量,M表示吉布斯链的个数。
受限玻尔兹曼机模型的并行回火蒙特卡罗算法包括两个阶段:
1、Metropolis-Hastings采样阶段:根据已有的采样值计算当前温度的下一个采样点,基本采样计算公式如式(4)所示;
式(4)中,xi+1表示第i+1个采样点,xi表示第i个采样点,Metropolis-Hastings表示采样函数,表示均值为0、方差为的正态分布函数,tk表示温度。
2、交换阶段:采样完成之后,计算温度集内的两个相邻的温度(tr和tr-1)下的显隐层节点(vr,hr)与(vr-1,hr-1)是否满***换的条件,并行回火受限玻尔兹曼机模型的交换条件如式(5)所示;
式(5)中,tr和tr-1表示温度集内的两个相邻的温度,E(vr,hr)表示可视变量vr和隐藏变量hr的联合配置的能量,E(vr-1,hr-1)表示可视变量vr-1和隐藏变量hr-1的联合配置的能量。如果满足式(5)所示条件,就把相邻的温度链下的采样点交换,否则不交换。经过多次循环采样、交换,最终将t1=1温度下的采样值用于受限玻尔兹曼机模型预训练模型参数θ,采用并行回火获取的目标采样值可使受限玻尔兹曼机模型训练获得较好的应用效果。通过将式(1)的受限玻尔兹曼机模型的参数θRBM={W,a,b}中的显层节点与隐层之节点间的连接权值W乘以温度β,整个模型的参数变为θRBM-PT={βW,a,b},对于偏置权值a和b并未改变。此时,并行回火算法可与受限波尔兹曼机有机结合,改善训练效率。
为了改善深度学习网络识别效果,首先对本实施例IEC61850标准下的智能变电站故障诊断方法的基于深度学习网络的故障诊断模型(受限玻尔兹曼机模型)进行训练。本文随机选取训练样本300个和测试样本100个。将随机选取的训练样本带入受限玻尔兹曼机模型进行训练,最大训练次数为5000次,训练目标误差为10-5。图3为深度学习网络迭代曲线,由图3可知,经过612次训练后,受限玻尔兹曼机模型的均方误差收敛至预期误差要求。取测试样本对训练好的受限玻尔兹曼机模型进行验证,得到故障识别模型。
为了验证本实施例IEC61850标准下的智能变电站故障诊断方法的鲁棒性,将本实施例IEC61850标准下的智能变电站故障诊断方法(图中简称为提出方法)分别比较了另外两种算法(小波系数法,神经网络法)的故障检测性能。每次测试计算5种信噪比,信号的信噪比为-10dB到10dB。图4为故障检测算法效果比较示意图,从图4可知,随着信噪比的降低,本实施例IEC61850标准下的智能变电站故障诊断方法的故障检测率不断降低。从算法角度比较,本实施例IEC61850标准下的智能变电站故障诊断方法的故障检测率最高,神经网络算法次之,小波系数法检测率最低。对比故障检出率,本实施例IEC61850标准下的智能变电站故障诊断方法的故障检测率比神经网络算法高17.8%,比小波系数法高10.4%。
综上所述,本实施例IEC61850标准下的智能变电站故障诊断方法构建IEC61850标准下的基于深度学习网络的故障诊断模型(受限玻尔兹曼机模型),通过采集智能变电站设备的电压、电流、频率等静态及动态参数,将静态及动态参数输入基于深度学习网络的故障诊断模型(受限玻尔兹曼机模型)中,输出故障类型;根据故障类型,输出控制信息修复变电站状态,并分类进行故障录波。本实施例IEC61850标准下的智能变电站故障诊断方法具有诊断过程清晰明了、诊断方法自我完善、诊断结果精确可靠的优点,从而提高电网安全性。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种IEC61850标准下的智能变电站故障诊断方法,其特征在于实施步骤包括:
1)通过智能变电站的功能配置模型获得智能变电站的静态信息,所述静态信息包括智能变电站主接线拓扑、一次设备和二次装置的物理和逻辑关联信息、通信网络基本信息;
2)通过智能变电站的报文获取智能变电站的动态信息,所述动态信息包括一次设备的运行信息、断路器和隔离开关的位置、保护和控制装置的动作信息、网络流量信息;
3)将获得的静态信息、动态信息输入训练好的基于深度学习网络的故障诊断模型中,输出智能变电站的故障诊断结果,所述基于深度学习网络的故障诊断模型中训练包含了静态信息、动态信息和智能变电站的故障诊断结果之间的分类映射关系;
4)检测故障诊断结果,如果故障诊断结果为智能变电站发生故障,则根据故障类型分类进行故障录波,并输出控制信息修复智能变电站的故障状态。
2.根据权利要求1所述的IEC61850标准下的智能变电站故障诊断方法,其特征在于,步骤3)中基于深度学习网络的故障诊断模型为受限玻尔兹曼机模型,所述受限玻尔兹曼机模型由可视层v和隐层h组成,可视层v包含m个可视层单元v1~vm,隐层h包含n个隐层单元h1~hn,可视层v的偏置向量a{a1~an},隐层单元的偏置向量b{b1~bm},可视层v和隐层h同层单元节点间均没有连接,可视层单元和隐层单元之间的边的权重W,且针对受限玻尔兹曼机模型采用对比散度法进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610963005.3A CN107037278A (zh) | 2016-11-04 | 2016-11-04 | 一种iec61850标准下的智能变电站故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610963005.3A CN107037278A (zh) | 2016-11-04 | 2016-11-04 | 一种iec61850标准下的智能变电站故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107037278A true CN107037278A (zh) | 2017-08-11 |
Family
ID=59530325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610963005.3A Pending CN107037278A (zh) | 2016-11-04 | 2016-11-04 | 一种iec61850标准下的智能变电站故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107037278A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520472A (zh) * | 2018-02-28 | 2018-09-11 | 北京邮电大学 | 一种处理电力***数据的方法、装置及电子设备 |
CN109672175A (zh) * | 2018-12-30 | 2019-04-23 | 国网北京市电力公司 | 电网控制方法及装置 |
CN109902373A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 一种辖区变电站故障诊断、定位方法及*** |
WO2020007372A1 (zh) * | 2018-07-06 | 2020-01-09 | 东莞市李群自动化技术有限公司 | 基于工业以太网的控制方法及装置 |
CN112510699A (zh) * | 2020-11-25 | 2021-03-16 | 国网湖北省电力有限公司咸宁供电公司 | 一种基于大数据的变电站二次设备状态分析方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102570599A (zh) * | 2010-12-30 | 2012-07-11 | 郑州平高自动化有限公司 | 低电压等级变电站通讯的方法 |
CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与*** |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
US20160004964A1 (en) * | 2014-07-07 | 2016-01-07 | Gwangju Institute Of Science And Technology | Neuromorphic system and method for operating the same |
-
2016
- 2016-11-04 CN CN201610963005.3A patent/CN107037278A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102570599A (zh) * | 2010-12-30 | 2012-07-11 | 郑州平高自动化有限公司 | 低电压等级变电站通讯的方法 |
CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与*** |
US20160004964A1 (en) * | 2014-07-07 | 2016-01-07 | Gwangju Institute Of Science And Technology | Neuromorphic system and method for operating the same |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520472A (zh) * | 2018-02-28 | 2018-09-11 | 北京邮电大学 | 一种处理电力***数据的方法、装置及电子设备 |
WO2020007372A1 (zh) * | 2018-07-06 | 2020-01-09 | 东莞市李群自动化技术有限公司 | 基于工业以太网的控制方法及装置 |
CN109672175A (zh) * | 2018-12-30 | 2019-04-23 | 国网北京市电力公司 | 电网控制方法及装置 |
CN109672175B (zh) * | 2018-12-30 | 2023-07-14 | 国网北京市电力公司 | 电网控制方法及装置 |
CN109902373A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 一种辖区变电站故障诊断、定位方法及*** |
CN112510699A (zh) * | 2020-11-25 | 2021-03-16 | 国网湖北省电力有限公司咸宁供电公司 | 一种基于大数据的变电站二次设备状态分析方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107037278A (zh) | 一种iec61850标准下的智能变电站故障诊断方法 | |
CN106202886B (zh) | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 | |
US20160124031A1 (en) | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications | |
CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
Hassani et al. | Unsupervised concrete feature selection based on mutual information for diagnosing faults and cyber-attacks in power systems | |
Gao et al. | Fault line detection using waveform fusion and one-dimensional convolutional neural network in resonant grounding distribution systems | |
CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
Poudel et al. | Circuit topology estimation in an adaptive protection system | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
Kanwal et al. | Artificial intelligence based faults identification, classification, and localization techniques in transmission lines-a review | |
CN107462810A (zh) | 一种适用于有源配电网的故障区段定位方法 | |
CN106019043A (zh) | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 | |
Chang et al. | Fault location identification in power transmission networks: Using novel nonintrusive fault-monitoring systems | |
Alabbawi et al. | Faults detection, location, and classification of the elements in the power system using intelligent algorithm | |
Afrasiabi et al. | Machine Learning-Based Condition Monitoring of Solar Photovoltaic Systems: A Review | |
He et al. | Application and comparative analysis of traditional machine learning and deep learning in transmission line fault classification | |
CN114384319A (zh) | 一种并网逆变器孤岛检测方法、***、终端及介质 | |
Sun et al. | Transmission Line Fault Diagnosis Method Based on Improved Multiple SVM Model | |
Zhong et al. | Fault Diagnosis of PV Array Based on Time Series and Support Vector Machine | |
Ojetola et al. | Time Series Classification for Detecting Fault Location in a DC Microgrid | |
Okoli et al. | Application of Composite Method for Determining Fault Location on Electrical Power Distribution Lines | |
Wu et al. | A deep recognition network of capacitor voltage transformer based on dilated convolution and Bi-LSTM | |
Zhou et al. | Detecting and classifying multiple class events in a power distribution system based on an eigenvalue fluctuation model | |
Gong et al. | State detection method of secondary equipment in smart substation based on deep belief network and trend prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170811 |