CN111444472B - 一种考虑综合信息的变电站设备故障辨识方法及其*** - Google Patents
一种考虑综合信息的变电站设备故障辨识方法及其*** Download PDFInfo
- Publication number
- CN111444472B CN111444472B CN202010170141.3A CN202010170141A CN111444472B CN 111444472 B CN111444472 B CN 111444472B CN 202010170141 A CN202010170141 A CN 202010170141A CN 111444472 B CN111444472 B CN 111444472B
- Authority
- CN
- China
- Prior art keywords
- information
- fault
- source
- probability
- suspicious
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种考虑综合信息的变电站设备故障辨识方法及***,该方法包括:(1)采集故障发生时刻的保护及开关的变位信息、主站开辟时间窗下确定的时序信息以及外界环境信息,形成综合信息集;(2)依据变电站的历史支撑数据和综合信息集,采用灰狼优化核极限学习机初步计算得到对应于不同可疑信源的先验概率;(3)通过对信道传输的不确定性计算得到上述可疑信源的后验概率;(4)依据后验概率最大原则确定最可信信源,即确定最可信故障情况作为辨识的结果输出,其中,最可信故障情况包括故障位置、故障原因、保护和开关状态、是否有信息丢失或误传现象。本发明能够快速且准确地确定故障情况。
Description
技术领域
本发明涉及变电站设备故障识别技术领域,具体涉及一种考虑综合信息的变电站设备故障辨识方法及其***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着国民经济的不断发展,各行业对电力的需求也在不断的提高,输送电能的压力不断提高迫使着电网向着更智能化、更自动化的方向发展。为了实现电网的智能化,作为智能电网重要环节的智能变电站的建设是发展的重点之一,而智能变电站的进一步发展也对变电站设备的运行稳定性和故障快速修复能力有更高的要求,如何更快更准确地找到变电站发生故障时的故障位置和故障原因也就成为了一个很受重视的研究点。
传统的故障诊断领域的解决方法主要有:专家***、人工神经网络、粗糙集理论、Petri网、矩阵拓扑分析法、多智能算法融合等,这些方法多数都是仅考虑断路器和开关的遥信作为故障诊断的依据,对于信息传输过程中的转移情况和开关的拒动、误动情况都没有进行考虑,此外,传统方法对于变电站的外界环境数据等未能实现有效的利用,对于一些外界环境导致的故障,在综合考虑外界环境数据的情况下能够得到优于传统方法的诊断结果。
发明内容
针对传统故障诊断方法所存在的忽略了信息传输过程不确定性和外界环境数据的缺陷,本发明提供一种考虑综合信息的变电站设备故障辨识方法及其***,利用灰狼优化核极限学习机根据包含外界环境信息的综合信息集初步计算可疑信源的先验概率,再通过对信道的不确定性计算确定信源的后验概率,通过信息理论解决了信息传输过程不稳定性对故障诊断的影响,使得本发明能够快速且准确地确定故障情况。
第一方面,本发明提供一种考虑综合信息的变电站设备故障辨识方法,其特征在于:包括:
(1)采集故障发生时刻的保护及开关的变位信息、主站开辟时间窗下确定的时序信息以及外界环境信息,形成综合信息集;
(2)依据变电站的历史支撑数据和综合信息集,采用灰狼优化核极限学习机初步计算得到对应于不同可疑信源的先验概率;
(3)通过对信道传输的不确定性计算得到上述可疑信源的后验概率;
(4)依据后验概率最大原则确定最可信信源,得到最可信故障情况,其中,最可信故障情况包括故障位置、故障原因、保护和开关状态、是否有信息丢失或误传现象。
第二方面,本发明提供一种考虑综合信息的变电站设备故障辨识***,其特征在于:包括:
综合信息采集模块:用于接收实时故障信息和外界环境信息;实时故障信息包括故障发生所引起的保护及开关动作通过远动通道传递的故障变位信息、保护和开关的时序信息;外界环境信息包含温度、湿度、雷电和降水;
参用数据库:包括本地参用数据库、数据库更新工具和云端数据库;云端数据库用于储存变电站长时间尺度的历史支撑数据,其中包括变电站一次和二次设备模型、站内保护设备信息、站内保护装置信息、历史故障记录;本地参用数据库用于储存变电站往年当季度的短时间尺度的历史数据以及实时数据的保存更新;数据库更新工具用于本地参用数据库与云端数据库之间的数据交互;
故障辨识核心模块:用于根据变电站的历史支撑数据和综合信息集,采用灰狼优化核极限学习机初步计算得到对应于不同可疑信源的先验概率,然后通过对信道传输的不确定性计算确定可疑信源的后验概率,最后根据后验概率最大原则确定最可信故障情况,作为辨识结果输出,其中,最可信故障情况包括故障位置、故障原因、保护和开关状态、是否有信息丢失或误传现象。
第三方面,本发明提供一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的考虑综合信息的变电站设备故障辨识方法。
第四方面,本发明提供一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令,计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行上述的考虑综合信息的变电站设备故障辨识方法。
本发明的有益效果是:
1、充分考虑了包含了主站开辟时间窗下确定的时序信息以及各类外界环境信息的综合信息:传统方法中忽略了保护动作的时序在不同变电站采用不同时标时有可能会出现错误,而采用根据主站接收时间开辟信息采集的统一时间窗能够避免不同时标造成的时序错乱问题,保证了时序信息的准确性。通过结合包含温度、湿度、雷电、降水等各类与故障发生可能相关的外界环境信息一起分析,能够将故障产生的因素更大限度地利用起来,从而对于由外界环境引起的故障能够更快、更准确地实现辨识。
2、充分考虑了信息传输中的不确定性:通过采用灰狼优化核极限学习机实现初步计算得到可疑信源的先验概率,再通过信道转移的不确定计算得到可疑信源的后验概率,最后根据后验概率最大原则确定最可信故障情况。相较于传统不考虑传输过程不确定性的故障辨识算法,本发明的故障辨识算法有更高的准确性,同时采用灰狼优化核极限学习机进行初步计算也提高了辨识算法的效率和准确性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明实施例提供的一种考虑综合信息的变电站设备故障辨识方法的流程示意图。
图2为本发明实施例提供的灰狼优化核极限学习机初步计算的流程示意图。
图3为本发明实施例提供的一种考虑综合信息的变电站设备故障辨识***的原理示意图。
具体实施方式
下面将结合本公开的一个或多个实施例中的附图,对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本公开的一个或多个实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和***的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合,下面结合附图与实施例对本公开作进一步说明。
根据本公开的一个或多个实施例的一个方面,提供一种考虑综合信息的变电站设备故障辨识方法。
如图1所示,一种考虑综合信息的变电站设备故障辨识方法,该方法包括以下步骤:
(1)采集故障发生时刻的保护及开关的变位信息、主站开辟时间窗下确定的时序信息以及各类外界环境信息,形成综合信息集;
(2)依据变电站的历史支撑数据和综合信息集,采用灰狼优化核极限学习机初步计算得到对应于不同可疑信源的先验概率,即对应于不同可疑故障情况的先验概率;
(3)通过对信道传输的不确定性计算得到上述可疑信源的后验概率;
(4)依据后验概率最大原则确定最可信信源,即确定最可信故障情况作为辨识的结果输出,其中最可信故障情况包括故障位置、故障原因、保护和开关状态(包括是否正确动作)、是否有信息丢失或误传现象。
步骤(1)中所提到的保护及开关的变位信息即为故障发生所引起的保护及开关动作通过远动通道传递的故障变位信息Tr,同时为了保证所得的时序信息是统一的,考虑接收的时序信息是根据主站接收时间开辟信息采集的统一时间窗所记录的保护和开关的时序信息Ti,而外界环境信息根据变电站常见故障外部影响因素可定为:当地故障时段温度值Te,湿度Tw,故障当日雷击小时数或故障时段雷击次数Tx,降水量Ta。综上可知,综合信息集Tc={Tr,Ti,Te,Tw,Tx,Ta}。
步骤(2)所提到的历史支撑数据包括变电站一次和二次设备模型、站内保护设备信息、站内保护装置信息、历史故障记录。其中变电站一次和二次设备模型Bm是指要对所研究变电站的具体设备的电磁特性、机械结构建有基本的数学模型;站内保护设备信息Bp是指根据继电保护的动作逻辑所形成的多重信息,信息结构包括保护设备ID,保护的性质(级别)、保护动作时限、保护方向以及通讯所用软报文等;站内保护装置信息Br指的是保护设备与动作关联开关以及一次电气设备的关系,信息结构包括保护设备ID、关联开关及其相关信息、所属一次设备及其相关信息;历史故障记录Be包括变电站过往发生故障时刻的运行数据、该时刻的外界环境信息以及最后查找到的故障情况。综上所述,历史支撑数据Bh={Bm,Bp,Br,Be}。
步骤(2)中,在上述的数据支撑下,通过灰狼优化核极限学习机(GWO-KELM)计算出可疑信源的先验概率,其具体的步骤如下:
(21)采用灰狼优化法优化成本参数U和核参数γ。
如图2所示即为灰狼优化核极限学习机初步计算的流程,根据上述步骤得到的综合信息集Tc和历史支撑数据Bh,对于GWO-KELM的计算参数U和γ(U表示与稳定性能和广义性能有关的成本参数,γ表示为核参数),先采用灰狼优化算法进行确定,具体的步骤是:初始化各层(Alpha、Beta、Delta、Omega)灰狼群的位置;然后计算每一头灰狼的适应度值,如果满足终止条件则输出所选择的最佳参数,如果不满足则更新灰狼群的位置,进入下一次围攻行为。
(22)建立GWO-KELM分类器,计算可疑信源的先验概率。
综合信息集为x=[x1,x2,x3,x4,x5,x6,x7,x8,x9,xN]T=[Tr,Ti,Te,Tw,Tx,Ta,Bm,Bp,Br,Be]T,为故障发生时所采集的各类综合信息的集合,可疑的信源集合由Be的故障原因确定,即可疑信源集为A=[t1,t2,…,tM]T∈Be,为所有可能发生的故障情况的集合,其中,N为综合信息集的信息种类数,M为所有可能发生的故障情况的总数,则可疑信源的先验概率计算如下:
式中,y(T)为可疑信源的先验概率,ΩELM=K(xi,xj)为极限学习机的核函数,U表示与稳定性能和广义性能有关的成本参数,I为单位对角矩阵,γ表示为核参数。
步骤(3)中,考虑到信息运动过程中可能出现的信息传输错误的概率,即是认为信息传递过程存在不确定性,为了更准确地判断变电站设备的故障,需要进行不确定计算,得到疑信源的后验概率,具体计算步骤为:
(31)计算传输信源先验概率:
设ti为可疑信源集A的第i个可疑信源,则有:
y(ti)=y(Ti)(1-yre)ayre b(1-ysw)cysw d
式中,y(ti)表示可疑信源ti的传输信源先验概率,y(Ti)表示可疑信源ti的先验概率,yre表示保护装置的误动、拒动先验概率,ysw表示开关的误动、拒动先验概率,a、b、c、d分别表示可疑信源ti中正确动作和正确不动作的保护个数、误动和拒动的保护个数、正确动作和正确不动作的开关个数以及误动和拒动的开关个数;
(32)计算信道转移完备概率:
设t为可疑信源ti通过信道转移变化后的信宿,且ti和t的符号长度为L,记ti={e1,e2,…,eL},t={l1,l2,…,lL},认为传输的信源各符号间是相互独立的,并且均为0、1序列集,由于通信信道可以视为L个独立的二元信道组合而成,设信道j中信号传输出现错误的概率为yxj,则:
式中,y(t|ti)为信道转移完备概率,y(ej|lj)为单一信号的转移完备概率,ej和lj分别为ti和t的第j个符号,均为0、1序列集;
(33)计算可疑信源的后验概率:
式中,y(ti|t)为可疑信源的后验概率,y(ti)为可疑信源ti的传输信源先验概率,y(t|ti)为可疑信源ti的信道转移完备概率。
步骤(4)中,根据后验概率最大原则确定最可信信源,即最可信故障情况,并将这个最可信的故障情况作为故障辨识的结果输出,输出的结果信息包括故障位置、故障原因、保护和开关状态(包括是否正确动作)、是否有信息丢失或误传现象。
根据本公开的一个或多个实施例的一个方面,提供一种计算机可读存储介质。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种考虑综合信息的变电站设备故障辨识方法。
根据本公开的一个或多个实施例的一个方面,提供一种终端设备。
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种考虑综合信息的变电站设备故障辨识方法。
这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。
在本实施例中,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开内容的各个方面。
根据本公开的一个或多个实施例的一个方面,提供一种考虑综合信息的变电站设备故障辨识***。
如图3所示,一种考虑综合信息的变电站设备故障辨识***,包括:
综合信息采集模块:用于接收实时故障信息,其中包括故障发生所引起的保护及开关动作通过远动通道传递的故障变位信息、保护和开关的时序信息,同时还能采集包含温度、湿度、雷电、降水等在内的外界环境信息。另外,在站内发生新的故障时,能够将故障时段的运行数据、外界环境参数及其故障诊断结果进行暂存保留,并在之后确定了实际故障情况后进行录入,作为更新历史数据并入本地历史故障记录中保存到本地参用数据库并同步到云端数据库。
参用数据库:包括本地参用数据库、数据库更新工具、云端数据库三个部分。云端数据库含有变电站长时间尺度的历史信息,其中包括变电站一次和二次设备模型、站内保护设备信息、站内保护装置信息、历史运行及故障记录。本地参用数据库所含数据内容与云端数据库类似,主要是在时间尺度上,本地参用数据库仅包含往年当季度的短时间尺度的历史信息和该时段内的更新历史数据。数据库更新工具主要是协调本地参用数据库与云端数据库之间的数据交互,即本地参用数据库的时段调用以及更新历史数据的上传同步。
故障辨识核心模块:用于根据变电站历史支撑数据和收集到的综合信息,形成故障辨识信息集,通过上述的一种考虑综合信息的变电站设备故障辨识方法进行故障辨识,得到最可信的故障辨识结果。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种考虑综合信息的变电站设备故障辨识方法,其特征在于:包括:
(1)采集故障发生时刻的保护及开关的变位信息、主站开辟时间窗下确定的时序信息以及外界环境信息,形成综合信息集;
(2)依据变电站的历史支撑数据和综合信息集,采用灰狼优化核极限学习机初步计算得到对应于不同可疑信源的先验概率;包括以下步骤:
(21)采用灰狼优化法优化成本参数U和核参数γ:
首先初始化各层灰狼群的位置;然后计算每一头灰狼的适应度值,如果满足终止条件则输出所选择的最佳参数,如果不满足则更新灰狼群的位置,进入下一次围攻行为;
(22)建立GWO-KELM分类器,计算可疑信源的先验概率:
设综合信息集设为x=[x1,x2,…,xN]T,可疑信源集设为A=[t1,t2,…,tM]T,其中,N为综合信息集的信息种类数,M为所有可能发生的故障情况的总数,则可疑信源的先验概率计算如下:
式中,y(T)为可疑信源的先验概率,ΩELM=K(xi,xj)为极限学习机的核函数,U表示与稳定性能和广义性能有关的成本参数,I为单位对角矩阵,γ表示为核参数;
(3)通过对信道传输的不确定性计算得到上述可疑信源的后验概率;包括以下步骤:
(31)计算传输信源先验概率:
设ti为可疑信源集A中的第i个可疑信源,则有:
y(ti)=y(Ti)(1-yre)ayre b(1-ysw)cysw d
式中,y(ti)表示可疑信源ti的传输信源先验概率,y(Ti)表示可疑信源ti的先验概率,yre表示保护装置的误动、拒动先验概率,ysw表示开关的误动、拒动先验概率,a、b、c、d分别表示可疑信源ti中正确动作和正确不动作的保护个数、误动和拒动的保护个数、正确动作和正确不动作的开关个数以及误动和拒动的开关个数;
(32)计算信道转移完备概率:
设t为可疑信源ti通过信道转移变化后的信宿,且ti和t的符号长度为L,记ti={e1,e2,…,eL},t={l1,l2,…,lL},认为传输的信源各符号间是相互独立的,并且均为0、1序列集,由于通信信道可以视为L个独立的二元信道组合而成,设信道j中信号传输出现错误的概率为yxj,则:
式中,y(t|ti)为信道转移完备概率,y(ej|lj)为单一信号的转移完备概率,ej和lj分别为ti和t的第j个符号,均为0、1序列集;
(33)计算可疑信源的后验概率:
式中,y(ti|t)为可疑信源的后验概率,y(ti)为可疑信源ti的传输信源先验概率,y(t|ti)为可疑信源ti的信道转移完备概率;
(4)依据后验概率最大原则确定最可信信源,得到最可信故障情况,其中,最可信故障情况包括故障位置、故障原因、保护和开关状态、是否有信息丢失或误传现象。
2.如权利要求1所述的一种考虑综合信息的变电站设备故障辨识方法,其特征在于:所述的变电站的历史支撑数据包括变电站一次和二次设备模型、站内保护设备信息、站内保护装置信息、历史故障记录。
3.一种考虑综合信息的变电站设备故障辨识***,其特征在于:包括:
综合信息采集模块:用于接收实时故障信息和外界环境信息;实时故障信息包括故障发生所引起的保护及开关动作通过远动通道传递的故障变位信息、保护和开关的时序信息;外界环境信息包含温度、湿度、雷电和降水;
参用数据库:包括本地参用数据库、数据库更新工具和云端数据库;云端数据库用于储存变电站长时间尺度的历史支撑数据,其中包括变电站一次和二次设备模型、站内保护设备信息、站内保护装置信息、历史故障记录;本地参用数据库用于储存变电站往年当季度的短时间尺度的历史数据以及实时数据的保存更新;数据库更新工具用于本地参用数据库与云端数据库之间的数据交互;
故障辨识核心模块:用于根据变电站的历史支撑数据和综合信息集,采用灰狼优化核极限学习机初步计算得到对应于不同可疑信源的先验概率,然后通过对信道传输的不确定性计算确定可疑信源的后验概率,最后根据后验概率最大原则确定最可信故障情况,作为辨识结果输出,其中,最可信故障情况包括故障位置、故障原因、保护和开关状态、是否有信息丢失或误传现象;
其中,可疑信源的先验概率的计算包括以下步骤:
采用灰狼优化法优化成本参数U和核参数γ:
首先初始化各层灰狼群的位置;然后计算每一头灰狼的适应度值,如果满足终止条件则输出所选择的最佳参数,如果不满足则更新灰狼群的位置,进入下一次围攻行为;
建立GWO-KELM分类器,计算可疑信源的先验概率:
设综合信息集设为x=[x1,x2,…,xN]T,可疑信源集设为A=[t1,t2,…,tM]T,其中,N为综合信息集的信息种类数,M为所有可能发生的故障情况的总数,则可疑信源的先验概率计算如下:
式中,y(T)为可疑信源的先验概率,ΩELM=K(xi,xj)为极限学习机的核函数,U表示与稳定性能和广义性能有关的成本参数,I为单位对角矩阵,γ表示为核参数;
可疑信源的后验概率的计算包括以下步骤
计算传输信源先验概率:
设ti为综可疑信源集A的第i个可疑信源,则有:
y(ti)=y(Ti)(1-yre)ayre b(1-ysw)cysw d
式中,y(ti)表示可疑信源ti的传输信源先验概率,y(Ti)表示可疑信源ti的先验概率,yre表示保护装置的误动、拒动先验概率,ysw表示开关的误动、拒动先验概率,a、b、c、d分别表示可疑信源ti中正确动作和正确不动作的保护个数、误动和拒动的保护个数、正确动作和正确不动作的开关个数以及误动和拒动的开关个数;
计算信道转移完备概率:
设t为可疑信源ti通过信道转移变化后的信宿,且ti和t的符号长度为L,记ti={e1,e2,…,eL},t={l1,l2,…,lL},认为传输的信源各符号间是相互独立的,并且均为0、1序列集,由于通信信道可以视为L个独立的二元信道组合而成,设信道j中信号传输出现错误的概率为yxj,则:
式中,y(t|ti)为信道转移完备概率,y(ej|lj)为单一信号的转移完备概率,ej和lj分别为ti和t的第j个符号,均为0、1序列集;
计算可疑信源的后验概率:
式中,y(ti|t)为可疑信源的后验概率,y(ti)为可疑信源ti的传输信源先验概率,y(t|ti)为可疑信源ti的信道转移完备概率。
4.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1-2任一项所述的一种考虑综合信息的变电站设备故障辨识方法。
5.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1-2任一项所述的一种考虑综合信息的变电站设备故障辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010170141.3A CN111444472B (zh) | 2020-03-12 | 2020-03-12 | 一种考虑综合信息的变电站设备故障辨识方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010170141.3A CN111444472B (zh) | 2020-03-12 | 2020-03-12 | 一种考虑综合信息的变电站设备故障辨识方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444472A CN111444472A (zh) | 2020-07-24 |
CN111444472B true CN111444472B (zh) | 2022-02-18 |
Family
ID=71653995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010170141.3A Active CN111444472B (zh) | 2020-03-12 | 2020-03-12 | 一种考虑综合信息的变电站设备故障辨识方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444472B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081483B (zh) * | 2022-07-01 | 2024-06-14 | 淮阴工学院 | 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011156400A1 (en) * | 2010-06-07 | 2011-12-15 | Abb Research Ltd. | Systems and methods for characterizing fault-clearing devices |
CN104297637A (zh) * | 2014-10-31 | 2015-01-21 | 国家电网公司 | 综合利用电气量和时序信息的电力***故障诊断方法 |
CN105528679A (zh) * | 2015-12-11 | 2016-04-27 | 谭焕玲 | 一种电力***故障诊断的方法 |
CN106226658A (zh) * | 2016-09-07 | 2016-12-14 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于多数据融合的电网故障诊断方法 |
CN106959404A (zh) * | 2017-05-31 | 2017-07-18 | 山东钢铁股份有限公司 | 一种查找电力线路短路故障位置的方法及*** |
-
2020
- 2020-03-12 CN CN202010170141.3A patent/CN111444472B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011156400A1 (en) * | 2010-06-07 | 2011-12-15 | Abb Research Ltd. | Systems and methods for characterizing fault-clearing devices |
CN104297637A (zh) * | 2014-10-31 | 2015-01-21 | 国家电网公司 | 综合利用电气量和时序信息的电力***故障诊断方法 |
CN105528679A (zh) * | 2015-12-11 | 2016-04-27 | 谭焕玲 | 一种电力***故障诊断的方法 |
CN106226658A (zh) * | 2016-09-07 | 2016-12-14 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于多数据融合的电网故障诊断方法 |
CN106959404A (zh) * | 2017-05-31 | 2017-07-18 | 山东钢铁股份有限公司 | 一种查找电力线路短路故障位置的方法及*** |
Non-Patent Citations (1)
Title |
---|
基于KELM和多传感器信息融合的风电齿轮箱故障诊断;龙霞飞等;《电力***自动化》;20190910;第43卷(第17期);第132页第2栏-第133页第1栏 * |
Also Published As
Publication number | Publication date |
---|---|
CN111444472A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100901319B1 (ko) | 배전지능화 시스템 및 그 방법 | |
CN110988596B (zh) | 一种新型主动配电网故障区段定位方法 | |
CN109902373B (zh) | 一种辖区变电站故障诊断、定位方法及*** | |
CN109063939B (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及*** | |
Di Giorgio et al. | A Bayesian network-based approach to the critical infrastructure interdependencies analysis | |
CN114328198A (zh) | 一种***故障检测方法、装置、设备及介质 | |
CN114915546B (zh) | 一种停电用户定位方法、装置、设备、介质 | |
CN114565779B (zh) | 一种低压台区户变拓扑辨识方法及*** | |
CN116614177B (zh) | 一种光纤状态多维度参量监测*** | |
CN111915081A (zh) | 一种基于深度学习的峰值敏感型出行需求预测方法 | |
CN111444472B (zh) | 一种考虑综合信息的变电站设备故障辨识方法及其*** | |
CN113191062B (zh) | 基于多源不完整信息的配电网故障区段定位方法及*** | |
CN117374978B (zh) | 结合知识图谱构建的并网调度管理方法及*** | |
CN108122054B (zh) | 一种基于图计算的电力***拓扑实时计算方法 | |
CN115759436A (zh) | 一种电网大数据下的用户电量电费预测方法及*** | |
CN115423041A (zh) | 一种基于深度学习的边缘云故障预测方法及*** | |
CN111062604B (zh) | 基于气象灾害的电网业务风险评估方法、装置及设备 | |
Jamshidieini et al. | Evaluating the capability of distribution networks to maintain power quality and voltage level, case study: Alborz Electric Power Distribution Company | |
CN108521124B (zh) | 一种可视化的配电网故障区段划分方法 | |
CN111461498B (zh) | 一种超高压变电站交流设备跳闸故障定位、辨识方法及*** | |
Ahmad et al. | Towards using utility data to quantify how investments would have increased the wind resilience of distribution systems | |
Robertson | Open and Extensible Control & Analytics Platform for Synchrophasor Data | |
Perkin et al. | Performance of probabilistic disturbance forecasts in extreme weather on the Icelandic power system | |
CN113793027A (zh) | 储能配电***的可靠性确定方法、装置、设备及介质 | |
CN113779800A (zh) | 柔直配电***的可靠性确定方法、装置、设备及介质 |
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 |