CN110412417A - 基于智能电力监测仪表的微电网数据故障诊断方法 - Google Patents
基于智能电力监测仪表的微电网数据故障诊断方法 Download PDFInfo
- Publication number
- CN110412417A CN110412417A CN201910634294.6A CN201910634294A CN110412417A CN 110412417 A CN110412417 A CN 110412417A CN 201910634294 A CN201910634294 A CN 201910634294A CN 110412417 A CN110412417 A CN 110412417A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- diagnosis
- node
- micro
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000003745 diagnosis Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000008439 repair process Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 22
- 238000002405 diagnostic procedure Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000011157 data evaluation Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 2
- 230000001413 cellular effect Effects 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims 1
- 230000000977 initiatory effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于智能电力监测仪表的微电网数据故障诊断方法，包括如下步骤：(10)构建物理约束方程：根据拓扑连接关系和物理关系，生成物理关系约束方程；(20)定时发起诊断：通过设定诊断周期，定时地发起诊断任务；(30)获取微电网数据：获得***运行的原始数据和电力参数，包括电压、电流监测数值；(40)建立数据修复与故障诊断模型：基于电力参数，设定目标函数，并建立无中心数据修复与诊断优化模型；(50)分布式优化求解：求解优化方程，求解微点网电力参数的估计值；(60)故障诊断与修复：根据故障数据库比对得出故障类型，修复错误数据并发布警告通知。本发明的微电网数据故障诊断方法，鲁棒性强、运行效率高。
Description
技术领域
本发明属于供配电网络远距离监测技术领域，特别是一种鲁棒性强、运行效率高的基于智能电力监测仪表的微电网数据故障诊断方法。
背景技术
随着全球能源危机和环境污染问题日趋严峻，分布式电源(DG)以其特有的可靠高效等优点引起了世界范围内的广泛关注。微电网是以分布式发电技术为基础，整合了分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置等单元的小型发配电***。相比于传统的集中式电力***，微点网具有诸多优点，例如：能够实现自我控制、保护和管理，传输损耗低，发电与安装灵活，供电可靠安全等。微电网技术是未来智能电网改革和转型的关键支撑技术，是分布式清洁能源接入电力***乃至整个能源***的核心技术手段。随着智能电网的发展，微电网在运行、设备状态监测、用电信息采集等各个方面产生并沉淀了大量的数据。在维持微电网能源和负荷不确定性平衡关系的基础上，能够正确地获取微电网***运行数据是控制和优化***实现各项功能的核心问题之一。然而由于微电网***具有随机性、波动性、间歇性等特点，获取的运行数据中会通常会夹杂着不良量测数据。这些数据会使***产生误报警，使***不能正常运行，影响***性能和增加能耗，给后续的控制、决策带来严重的影响，甚至造成不可估量的损失。因此，在微电网运行过程中，及时发现和定位故障数据具有重要意义。
当前电力***不良数据故障诊断方法普遍采用状态估计算法，通过对给定***结构及量测配置，在量测量有误差的情况下，运用状态估计器估算出***的真实状态，即各母线上的潮流分布。国内外关于电力***状态估计算法已经进行了大量的研究，其对象主要针对传统大规模电网。计算的方法一种是以加权最小二乘算法(WLS)、加权最小绝对值算法(WLAV)为代表的静态估计算法，另外一种是以卡尔曼滤波为代表的动态估计法。但对于微电网***的状态估计算法的研究还不够深入，这是由于微电网的分布式特性以及监测数据量大、控制方式灵活多变等特点。现有的状态估计算法应用于微电网中，会出现诊断效率不高且鲁棒性较差的现象。
总之，现有技术存在的问题是：
1、故障诊断***鲁棒性较差。现有的故障诊断方法是设置微电网调度中心，通过集中式的状态估计算法，完成微电网的故障数据的诊断与修复。一旦中央基站出现故障，故障诊断过程将无法开展。
2、诊断方法效率较低。由于状态估计算法是在调度中心完成，收集与处理的数据需要占用大量的内存空间。且对于规模较大、数据量较大的微电网，传输信道会发生阻塞，进而影响算法的运行效率。
发明内容
本发明的目的在于提供一种基于智能电力监测仪表的微电网数据故障诊断方法，鲁棒性强、运行效率高。
实现本发明目的的技术解决方案为：
一种基于智能电力监测仪表的微电网数据故障诊断方法，适用于具备分布式智能电力监测仪表的微电网，电网中每个数据监测点设有至少一个智能电力监测仪表，相邻的智能电力监测仪表间信号双向联通，各智能电力监测仪表以自组织、即插即用的方式，根据线路物理拓扑建立电力监测仪表测量网络；该方法包括如下步骤：
(10)构建物理约束方程：根据相邻节点的拓扑连接关系和本地节点与相邻节点的物理关系，生成物理关系约束方程；
(20)定时发起诊断：通过设定诊断周期，定时地发起诊断任务，若微电网设备本身发生硬件故障，则发出设备故障报警信号；若无故障，则对各节点监测的数据进行诊断；
(30)获取微电网数据：通过智能监测仪表获得***运行的原始数据，获取***微电网的各项电力参数，包括电压、电流监测数值；
(40)建立数据修复与故障诊断模型：基于智能电力监测仪表网络和微电网的电力参数，设定目标函数，并建立无中心数据修复与诊断优化模型；
(50)分布式优化求解：各智能仪表设定基于罚函数的优化方程，通过梯度下降法对优化方程进行求解，之后通过与相邻节点通信与协调进行分布式、并行协同计算，共同求解微点网电力参数的估计值；
(60)故障诊断与修复：利用故障数据库判断微电网是否出现故障，根据工程实践常见电气故障建立故障数据库，通过比对得出故障类型，修复错误数据并向工作人员发布警告通知。
本发明与现有技术相比，其显著优点为：
1、鲁棒性强：(1)针对传统方法鲁棒性差的缺点，本方法将电力监测仪表内置智能芯片，使其升级为智能电力监测仪表，微电网中各个智能电力监测仪表作为网络节点，相邻节点用网线连接。一旦微电网中存在故障节点，整个故障诊断***依旧可以重新根据约束建立故障诊断方程，保证故障诊断***的正常运行。
(2)本方法是分布式并行计算的模式，故障诊断过程不依赖于微电网调度中心，完全由各节点自组织进行。
(3)每个节点建立的数学模型为指数型目标函数，在面对小规模扰动和大规模故障时均可对故障数据进行有效的诊断。
2、运行效率高：(1)针对诊断方法效率低的缺点，本方法中每个智能电力检测仪表均内置一个微型处理单元，用于求解本地的优化问题。将微电网全局状态估计问题分解为每个节点的优化子问题，通过求解各节点的局部最优解即可得到全局最优解，从而算法的效率得到了提升。
(2)本方法建立通过节点间的互相协作、通信，完成故障数据的诊断，算法本身不受微电网大小及分支多少的影响。
(3)智能电力监测仪表仅需要诊断本地数据有无问题，不需要收取全局的数据，占用的内存相比于传统方法小。
下面结合附图和具体实施方式对本发明作进一步的详细描述。
附图说明
图1为本发明基于智能电力监测仪表的微电网数据故障诊断方法的主流程图。
图2为图1中构建物理约束方程步骤的流程图。
图3为图1中定时发起诊断步骤的流程图。
图4为图1中建立数据修复与故障诊断模型步骤的流程图。
图5为图1中分布式优化求解流程图。
图6为图1中数据修复与诊断步骤的流程图。
图7为改造后的智能微电网架构。
图8为分布式算法仿真图像。
具体实施方式
本发明基于智能电力监测仪表的微电网数据故障诊断方法，适用于具备分布式智能电力监测仪表的微电网，电网中每个数据监测点设有至少一个智能电力监测仪表，相邻的智能电力监测仪表间信号双向联通，各智能电力监测仪表以自组织、即插即用的方式，根据线路物理拓扑建立电力监测仪表测量网络。
如图1所示，本发明基于智能电力监测仪表的微电网数据故障诊断方法，包括如下步骤：
(10)构建物理约束方程：根据相邻节点的拓扑连接关系和本地节点与相邻节点的物理关系，生成物理关系约束方程；
如图2所示，所述(10)构建物理约束方程步骤包括：
(11)逻辑关系辨识：根据微电网智能电力监测仪表之间固有的物理连接关系与元器件等效模型，判断微电网中各智能电力监测仪表的连接关系，利用电力监测仪表的自组网能力，完成拓扑连接关系的辨识；
(12)物理关系约束方程生成：根据基本物理方程、基尔霍夫定理及网络逻辑关系，各节点得到本地节点与相邻节点的物理关系，生成物理关系约束方程。(20)定时发起诊断：通过设定诊断周期，定时地发起诊断任务，若微电网设备本身发生硬件故障，则发出设备故障报警信号；若无故障，则对各节点监测的数据进行诊断；
如图3所示，所述(20)定时发起诊断步骤包括：
(21)诊断周期设定：根据设定的诊断周期，定时触发任务开始；
(22)设备状态判断：根据智能电力监测仪表中的设备运行状态标志位，判断每个设备的实际运行状态，若设备均无故障，则跳转到步骤(24)；
(23)发出维修警报：发出警报提示设备故障，并提示需要人工维修，而后跳转到(21)诊断周期设定步骤，等待下一次周期触发；
(24)发起诊断任务：硬件设备均无故障，发起数据诊断任务。
(30)获取微电网数据：通过智能监测仪表获得***运行的原始数据，获取***微电网的各项电力参数，包括电压、电流监测数值；
(40)建立数据修复与故障诊断模型：基于智能电力监测仪表网络和微电网的电力参数，设定目标函数，并建立无中心数据修复与诊断优化模型；
如图4所示，所述(40)建立数据修复与故障诊断模型步骤包括：
(41)设定目标函数：根据电力参数设定数据修复与诊断目标函数；
其中，J(x)为目标函数，I为单位向量，x为数据修正向量，xmeasure为仪表上的实际电压、电流监测数值；
(42)建立优化模型：建立无中心数据修复与诊断优化模型，
其中，Ji(xi)为节点i对应的目标函数，xi为节点i的数据修正向量，xj为节点j的数据修正向量，Xi为节点i的数据修正向量空间，gi(xi|xj＝0)为节点i与邻居节点j构成的约束关系，Ni为i的邻居节点空间，n为节点总数。
(50)分布式优化求解：各智能仪表设定基于罚函数的优化方程，通过梯度下降法对优化方程进行求解，之后通过与相邻节点通信与协调进行分布式、并行协同计算，共同求解微点网电力参数的估计值；
如图5所示，所述(50)分布式优化求解步骤包括：
(51)设定优化方程：根据数据修复与诊断优化模型设定基于罚函数的优化方程为，
Fi(xi,ρi|xj)＝Ji(xi)+ρigi(xi|xj) (3)
其中，Fi(xi,ρi|xj)为基于罚函数的优化方程，ρi为节点i的惩罚因子，当设定固定的惩罚因子运算时，算法求出的解会陷入局部最优，并不是全局最优，故采用变惩罚因子对优化方程进行改进，优化方程求解的迭代过程中，惩罚因子随着迭代次数的增加而改变，惩罚因子的更新方程为，
其中，k为迭代次数，为i节点第k次迭代时对应的学习步长，kmax为最大迭代次数，为i节点第k次迭代时对应的惩罚因子值，为i节点第k+1次迭代时对应的惩罚因子值；
(52)优化方程求解：利用梯度下降法对优化方程进行求解，迭代过程为，
(53)邻居交互迭代：将本地计算结果发送给所有邻居节点，并根据收到的邻居节点数据进行计算迭代，当节点数据收敛或达到最大迭代次数，优化求解完成。
(60)故障诊断与修复：利用故障数据库判断微电网是否出现故障，根据工程实践常见电气故障建立故障数据库，通过比对得出故障类型，修复错误数据并向工作人员发布警告通知。
如图6所示，所述(60)数据诊断与修复步骤包括：
(61)故障判断：各个节点将步骤(50)求解出的电力参数的估计值代入式(1)进一步求解J(x)，若J(x)值小于等于ε，则判断本地设备无故障，跳转至步骤(66)；若J(x)值大于ε，则判断设备发生故障，跳转至步骤(63)；
(62)故障类型诊断：根据工程实际常见电气故障类型的运行参数，建立故障诊断数据库，故障节点的智能电力监测仪表根据测量数据和当前网络状态信息，比对故障诊断数据库，进而判断故障类型，若为软故障，则跳转至步骤(63)；若为硬故障，则跳转至步骤(64)；
(63)软故障修复：通过进一步比对故障诊断规则库，辨别电力监测仪表测量过程中的软故障具体情况，并利用步骤(50)计算得到的电力参数的估计值修复原始的测量值，然后生成数据评价与修复结果，跳转至步骤(65)；
(64)硬故障报警：硬件设备发生的不可修复性的硬故障，生成报警结果；
(65)故障点信息发布：故障点将智能电力监测仪表生成的数据评价与修复结果和报警结果向工作人员发布，并依据不同类型发出相应的故障警报；
(66)诊断完成：一次数据故障诊断完成，等待执行下一周期诊断任务。
仿真实验验证
如图7所示为嵌入智能电力监测仪表的微电网***架构。每个智能电表管理一定区域的微电网，仅监测本地电网的运行状态。节点间通过电路传输线进行通信，通过与邻居节点的相互协作完成一系列的故障诊断任务。仿真验证实验中，以电流状态量为例，选取线路2、4、6为故障线路，分别在各自线路上加入高斯噪声，生成故障样本。通过本发明提出的方法进行故障诊断，如图8所示为智能电力监测仪表通过分布式优化算法得出的各线路电流误差修正曲线。由图可以看出，本发明具有以下特点：
1、鲁棒性强。针对图7所示传输线路仅有6条的小型微电网***，本实验的故障样本设置为其中3条线路的电流测量值出现不同偏差。其故障概率已经达到50％，且线路4设置的偏差为-10A。对于传统的状态估计算法，故障点较多会对估计的结果产生很大的影响。而本发明提出的完全分布式的算法，各线路通过智能电力仪表的运算，最终电流误差值均可收敛到0，既满足约束又使目标函数达到最小值。且本方法采用指数型目标函数形式，对于小扰动和大偏差都可以进行快速诊断与修复，算法的鲁棒性较强。
2、算法效率高。由仿真曲线可看出，各节点仅需30次迭代便可达到收敛，即线路上监测电流的误差值达到稳定。对于大规模微电网，仅仅是增加智能电力检测仪表节点的数量。对于每一个节点而言，需要处理的数据仅为自身与周围邻居节点的数据，运算量得到大大地减少，从而使算法的效率得到提高。
Claims (6)
1.一种基于智能电力监测仪表的微电网数据故障诊断方法，适用于具备分布式智能电力监测仪表的微电网，电网中每个数据监测点设有至少一个智能电力监测仪表，相邻的智能电力监测仪表间信号双向联通，各智能电力监测仪表以自组织、即插即用的方式，根据线路物理拓扑建立电力监测仪表测量网络；该方法包括如下步骤：
(10)构建物理约束方程：根据相邻节点的拓扑连接关系和本地节点与相邻节点的物理关系，生成物理关系约束方程；
(20)定时发起诊断：通过设定诊断周期，定时地发起诊断任务，若微电网设备本身发生硬件故障，则发出设备故障报警信号；若无故障，则对各节点监测的数据进行诊断；
(30)获取微电网数据：通过智能监测仪表获得***运行的原始数据，获取***微电网的各项电力参数，包括电压、电流监测数值；
(40)建立数据修复与故障诊断模型：基于智能电力监测仪表网络和微电网的电力参数，设定目标函数，并建立无中心数据修复与诊断优化模型；
(50)分布式优化求解：各智能仪表设定基于罚函数的优化方程，通过梯度下降法对优化方程进行求解，之后通过与相邻节点通信与协调进行分布式、并行协同计算，共同求解微点网电力参数的估计值；
(60)故障诊断与修复：利用故障数据库判断微电网是否出现故障，根据工程实践常见电气故障建立故障数据库，通过比对得出故障类型，修复错误数据并向工作人员发布警告通知。
2.根据权利要求1所述的故障诊断方法，其特征在于，所述(10)构建物理约束方程步骤包括：
(11)逻辑关系辨识：根据微电网智能电力监测仪表之间固有的物理连接关系与元器件等效模型，判断微电网中各智能电力监测仪表的连接关系，利用电力监测仪表的自组网能力，完成拓扑连接关系的辨识；
(12)物理关系约束方程生成：根据基本物理方程、基尔霍夫定理及网络逻辑关系，各节点得到本地节点与相邻节点的物理关系，生成物理关系约束方程。
3.根据权利要求1所述的故障诊断方法，其特征在于，所述(20)定时发起诊断步骤包括：
(21)诊断周期设定：根据设定的诊断周期，定时触发任务开始；
(22)设备状态判断：根据智能电力监测仪表中的设备运行状态标志位，判断每个设备的实际运行状态，若设备均无故障，则跳转到步骤(24)；
(23)发出维修警报：发出警报提示设备故障，并提示需要人工维修，而后跳转到(21)诊断周期设定步骤，等待下一次周期触发；
(24)发起诊断任务：硬件设备均无故障，发起数据诊断任务。
4.根据权利要求1所述的故障诊断方法，其特征在于，所述(40)建立数据修复与故障诊断模型步骤包括：
(41)设定目标函数：根据电力参数设定数据修复与诊断目标函数；
其中，J(x)为目标函数，I为单位向量，x为数据修正向量，xmeasure为仪表上的实际电压、电流监测数值；
(42)建立优化模型：建立无中心数据修复与诊断优化模型，
其中，Ji(xi)为节点i对应的目标函数，xi为节点i的数据修正向量，xj为节点j的数据修正向量，Xi为节点i的数据修正向量空间，gi(xi|xj＝0)为节点i与邻居节点j构成的约束关系，Ni为i的邻居节点空间，n为节点总数。
5.根据权利要求1所述的故障诊断方法，其特征在于，所述(50)分布式优化求解步骤包括：
(51)设定优化方程：根据数据修复与诊断优化模型设定基于罚函数的优化方程为，
其中，Fi(xi,ρi|xj)为基于罚函数的优化方程，ρi为节点i的惩罚因子，当设定固定的惩罚因子运算时，算法求出的解会陷入局部最优，并不是全局最优，故采用变惩罚因子对优化方程进行改进，优化方程求解的迭代过程中，惩罚因子随着迭代次数的增加而改变，惩罚因子的更新方程为，
其中，k为迭代次数，为i节点第k次迭代时对应的学习步长，kmax为最大迭代次数，为i节点第k次迭代时对应的惩罚因子值，为i节点第k+1次迭代时对应的惩罚因子值；
(52)优化方程求解：利用梯度下降法对优化方程进行求解，迭代过程为，
(53)邻居交互迭代：将本地计算结果发送给所有邻居节点，并根据收到的邻居节点数据进行计算迭代，当节点数据收敛或达到最大迭代次数，优化求解完成。
6.根据权利要求1所述的故障诊断方法，其特征在于，所述(60)数据诊断与修复步骤包括：
(61)故障判断：各个节点将步骤(50)求解出的电力参数的估计值代入式(1)进一步求解J(x)，若J(x)值小于等于ε，则判断本地设备无故障，跳转至步骤(66)；若J(x)值大于ε，则判断设备发生故障，跳转至步骤(63)；
(62)故障类型诊断：根据工程实际常见电气故障类型的运行参数，建立故障诊断数据库，故障节点的智能电力监测仪表根据测量数据和当前网络状态信息，比对故障诊断数据库，进而判断故障类型，若为软故障，则跳转至步骤(63)；若为硬故障，则跳转至步骤(64)；
(63)软故障修复：通过进一步比对故障诊断规则库，辨别电力监测仪表测量过程中的软故障具体情况，并利用步骤(50)计算得到的电力参数的估计值修复原始的测量值，然后生成数据评价与修复结果，跳转至步骤(65)；
(64)硬故障报警：硬件设备发生的不可修复性的硬故障，生成报警结果；
(65)故障点信息发布：故障点将智能电力监测仪表生成的数据评价与修复结果和报警结果向工作人员发布，并依据不同类型发出相应的故障警报；
(66)诊断完成：一次数据故障诊断完成，等待执行下一周期诊断任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910634294.6A CN110412417B (zh) | 2019-07-15 | 2019-07-15 | 基于智能电力监测仪表的微电网数据故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910634294.6A CN110412417B (zh) | 2019-07-15 | 2019-07-15 | 基于智能电力监测仪表的微电网数据故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110412417A true CN110412417A (zh) | 2019-11-05 |
| CN110412417B CN110412417B (zh) | 2021-07-06 |
Family
ID=68361402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910634294.6A Active CN110412417B (zh) | 2019-07-15 | 2019-07-15 | 基于智能电力监测仪表的微电网数据故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110412417B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115146707A (zh) * | 2022-06-07 | 2022-10-04 | 湖南雪墨电气科技有限公司 | 一种多功能物联网功率因素检测方法 |
| CN116842459A (zh) * | 2023-09-01 | 2023-10-03 | 国网信息通信产业集团有限公司 | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 |
| CN117494654A (zh) * | 2023-12-28 | 2024-02-02 | 成都行芯科技有限公司 | 电压降签核方法、电子设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103390887A (zh) * | 2013-08-07 | 2013-11-13 | 孙鸣 | 含微电网的配电***故障隔离方法 |
| CN103439629A (zh) * | 2013-08-05 | 2013-12-11 | 国家电网公司 | 基于数据网格的配电网故障诊断*** |
| CN104022500A (zh) * | 2014-05-14 | 2014-09-03 | 华南理工大学 | 含V/f控制逆变型分布式电源的微电网故障分析方法 |
| CN104934924A (zh) * | 2015-05-18 | 2015-09-23 | 国电南京自动化股份有限公司 | 基于分布式邻接表的微电网保护控制方法 |
| CN105515206A (zh) * | 2016-02-16 | 2016-04-20 | 国网山东省电力公司淄博供电公司 | 一种分布式电源及其微电网智能预警方法 |
| CN105826944A (zh) * | 2016-03-18 | 2016-08-03 | 上海电机学院 | 一种微电网群的功率预测方法和*** |
| US20170003330A1 (en) * | 2015-07-02 | 2017-01-05 | Aplicaciones En Informatica Avanzada, S.A. | System and method for obtaining the powerflow in dc grids with constant power loads and devices with algebraic nonlinearities |
| CN106611966A (zh) * | 2015-10-21 | 2017-05-03 | 中国科学院沈阳自动化研究所 | 多逆变器型交流微电网分布式经济性自动发电控制算法 |
| CN108400584A (zh) * | 2018-02-08 | 2018-08-14 | 浙江大学华南工业技术研究院 | 一种基于相关分析匹配度的微电网故障诊断方法 |
| CN109193652A (zh) * | 2018-10-30 | 2019-01-11 | 贵州电网有限责任公司 | 一种基于态势感知的含分布式电源的配电网故障自愈*** |
| CN109301878A (zh) * | 2018-10-19 | 2019-02-01 | 三峡大学 | 一种基于多智能体的分布式电源一致性控制方法及控制*** |
| CN109473988A (zh) * | 2018-12-05 | 2019-03-15 | 许继集团有限公司 | 含微电网的智能配电网潮流控制、故障处理方法及装置 |
-
2019
- 2019-07-15 CN CN201910634294.6A patent/CN110412417B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439629A (zh) * | 2013-08-05 | 2013-12-11 | 国家电网公司 | 基于数据网格的配电网故障诊断*** |
| CN103390887A (zh) * | 2013-08-07 | 2013-11-13 | 孙鸣 | 含微电网的配电***故障隔离方法 |
| CN104022500A (zh) * | 2014-05-14 | 2014-09-03 | 华南理工大学 | 含V/f控制逆变型分布式电源的微电网故障分析方法 |
| CN104934924A (zh) * | 2015-05-18 | 2015-09-23 | 国电南京自动化股份有限公司 | 基于分布式邻接表的微电网保护控制方法 |
| US20170003330A1 (en) * | 2015-07-02 | 2017-01-05 | Aplicaciones En Informatica Avanzada, S.A. | System and method for obtaining the powerflow in dc grids with constant power loads and devices with algebraic nonlinearities |
| CN106611966A (zh) * | 2015-10-21 | 2017-05-03 | 中国科学院沈阳自动化研究所 | 多逆变器型交流微电网分布式经济性自动发电控制算法 |
| CN105515206A (zh) * | 2016-02-16 | 2016-04-20 | 国网山东省电力公司淄博供电公司 | 一种分布式电源及其微电网智能预警方法 |
| CN105826944A (zh) * | 2016-03-18 | 2016-08-03 | 上海电机学院 | 一种微电网群的功率预测方法和*** |
| CN108400584A (zh) * | 2018-02-08 | 2018-08-14 | 浙江大学华南工业技术研究院 | 一种基于相关分析匹配度的微电网故障诊断方法 |
| CN109301878A (zh) * | 2018-10-19 | 2019-02-01 | 三峡大学 | 一种基于多智能体的分布式电源一致性控制方法及控制*** |
| CN109193652A (zh) * | 2018-10-30 | 2019-01-11 | 贵州电网有限责任公司 | 一种基于态势感知的含分布式电源的配电网故障自愈*** |
| CN109473988A (zh) * | 2018-12-05 | 2019-03-15 | 许继集团有限公司 | 含微电网的智能配电网潮流控制、故障处理方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| YUNCHUANG DAI等: "A decentralized algorithm for optimal distribution in HVAC systems", 《BUILDING AND ENVIRONMENT》 * |
| 吴雄等: "微电网能量管理***研究综述", 《电力自动化设备》 * |
| 张玉晗等: "面向群智能***架构的防护工程配电网故障诊断方法研究", 《防护工程》 * |
| 曾德辉等: "含V/f控制DG的微电网故障分析方法", 《中国电机工程学报》 * |
| 魏慧君: "含DG的配电网故障定位及微电网接地方式研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115146707A (zh) * | 2022-06-07 | 2022-10-04 | 湖南雪墨电气科技有限公司 | 一种多功能物联网功率因素检测方法 |
| CN116842459A (zh) * | 2023-09-01 | 2023-10-03 | 国网信息通信产业集团有限公司 | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 |
| CN116842459B (zh) * | 2023-09-01 | 2023-11-21 | 国网信息通信产业集团有限公司 | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 |
| CN117494654A (zh) * | 2023-12-28 | 2024-02-02 | 成都行芯科技有限公司 | 电压降签核方法、电子设备及存储介质 |
| CN117494654B (zh) * | 2023-12-28 | 2024-05-14 | 成都行芯科技有限公司 | 电压降签核方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110412417B (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103001328B (zh) | 一种智能变电站的故障诊断与评估方法 | |
| CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
| CN103487723B (zh) | 电力***故障诊断方法及*** | |
| CN105515184B (zh) | 基于无线传感网络的多传感器多参量配网协同监测*** | |
| CN110412417A (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
| CN105183952B (zh) | 一种基于分层时间模糊Petri网的输电网故障诊断方法 | |
| CN106771848B (zh) | 一种基于拓扑图元信息融合的电网故障诊断方法 | |
| Kandaperumal et al. | AWR: Anticipate, withstand, and recover resilience metric for operational and planning decision support in electric distribution system | |
| CN110133448A (zh) | 基于松弛优化的配电网故障区间高容错性故障定位方法 | |
| CN104750878A (zh) | 一种基于混合搜索策略的拓扑故障诊断方法 | |
| CN110348114A (zh) | 一种电网完备性状态信息重构的非精确故障识别方法 | |
| CN114370380A (zh) | 一种计及气象因素的风电机组故障诊断方法 | |
| CN109061391A (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及*** | |
| CN110266046B (zh) | 基于复杂网络的电热微网拓扑综合诊断方法与*** | |
| CN106026079A (zh) | 海上风电场集电***拓扑结构综合评估方法 | |
| CN109447424B (zh) | 考虑风险状态传播的电力信息物理***风险传播分析算法 | |
| CN110443481A (zh) | 基于混合k-近邻算法的配电自动化终端状态评价***及方法 | |
| CN109932617A (zh) | 一种基于深度学习的自适应电网故障诊断方法 | |
| Li et al. | Reliability modeling and assessment for integrated energy system: a review of the research status and future prospects | |
| Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
| CN108270219B (zh) | 一种基于信息熵评估的pmu优化配置方法 | |
| Yu et al. | A Probabilistic Approach for Modeling the Resilience of Interdependent Power and Water Infrastructure Networks | |
| CN112906169B (zh) | 一种基于虚拟流故障定位方法 | |
| Li et al. | An Effective Node‐To‐Edge Interdependent Network and Vulnerability Analysis for Digital Coupled Power Grids | |
| CN114221901A (zh) | 一种能源互联网cps韧性调度方法、***及其存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |