CN111999591B - 一种配电网一次设备异常状态的识别方法 - Google Patents
一种配电网一次设备异常状态的识别方法 Download PDFInfo
- Publication number
- CN111999591B CN111999591B CN201910447860.2A CN201910447860A CN111999591B CN 111999591 B CN111999591 B CN 111999591B CN 201910447860 A CN201910447860 A CN 201910447860A CN 111999591 B CN111999591 B CN 111999591B
- Authority
- CN
- China
- Prior art keywords
- abnormal state
- classifier
- working condition
- recording data
- model
- 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
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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种配电网一次设备异常状态的识别方法,该识别方法包括:将配电网故障录波数据输入宏观分类器得到工况分类;将配电网故障录波数据输入微观分类器得到故障录波数据的模式标签;将所得到的工况分类和模式标签输入异常状态识别器,根据模式标签选择对应的异常状态识别子模型,根据工况分类、模式标签、线路运行信息及线路拓扑信息进行一次设备异常状态进行识别,得到一次设备异常状态的产生原因及位置。
Description
技术领域
本发明涉及输变电技术领域,尤其涉及一种配电网一次设备异常状态的识别方法。
背景技术
配电网一次设备异常导致电网不能按期望的方式运行,甚至引发严重后果,例如:保护设备异常导致拒保护或误保护,关键设备老化引发故障导致停电。当前,对异常设备的排查往往仅根据投运年限及外观来判定,工作量大且效果不好,如何识别设备的异常是高可靠性配电网面临的挑战。目前行业类尚无有效的技术方法识别各种设备异常,难点在于设备异常类型丰富,异常模式多样,无法通过单一手段对多种异常模式进行有效检测。因此只能够利用单一的技术手段来监测某一类型的异常模式。例如在CN106597185中提供了一种利用红外成像监测变电站一次设备的方法,但这种方法只能有利用红外热成像仪来监测出现热变反应的的异常一次设备,对于其他的异常状态无法实现有效识别。又如,CN207379628U中公开了一种利用光纤传感器监测一次设备的温度,从而监测一次设备异常状态,这种方法同样只能够监测一次设备的温度,而无法对他的异常状态无法实现有效识别。
申请人认为当配电网中某些设备发生异常时,会引发线路电流和电压出现特定模式的变化,如果能够识别这些特定模式,就有可能知道设备发生了什么异常。而暂态录波型故障指示器是一种可根据电流和电压变化触发录波的设备,采用高精度、高带宽的电流传感器和反应电压变化的电场传感器可捕获丰富的电流和电场信息。将暂态录波型故障指示器触发的录波存储在主站数据库中,同时将包括设备异常在内的线路事件也记录在主站中,形成案例。在形成海量案例后,分析与同类异常相关的录波,挖掘录波中仅存在于特定类异常中的模式,从而建立录波中特定模式与设备异常的关联关系,继而达到利用录波识别设备异常的目的。由此可见本技术领域中需要一种能够利用录波数据实现对一次设备的多种异常模式能够进行识别的方法,从而实现对一次设备的多种异常模式进行监测。
发明内容
本发明所要解决的技术问题是提供一种能够准确识别配电网一次设备异常状态的识别方法。该识别方法利用配电网录波数据准确识别一次设备的异常状态,并能够完成同时对种一次设备的多类型异常状态的同步监测识别。
为了解决上述技术问题,本发明提供了一种配电网一次设备异常状态的识别方法,该识别方法包括:
将配电网故障录波数据输入宏观分类器,对故障录波数据提取时域及频域特征形成特征向量,并将特征向量输入宏观分类器中的工况分类器得到工况分类;
将配电网故障录波数据输入微观分类器,对故障录波数据提取特定片段,并利用小波变换提取小波能量熵特征和小波奇异熵特征,将特定片段及小波能量熵特征和小波奇异熵特征输入微观分类器中的模式分类器得到故障录波数据的模式标签;
将所得到的工况分类和模式标签输入异常状态识别器,根据模式标签选择对应的异常状态识别子模型,根据工况分类、模式标签、线路运行信息及线路拓扑信息进行一次设备异常状态进行识别,得到一次设备异常状态的产生原因及位置。
在一个实施例中,所述宏观分类器使用包含多个三层前馈神经网络的分类器模型,所述工况分类包括停电、复电、接地、短路和励磁涌流。
在一个实施例中,所述微观分类器使用包括卷积层区域和全连接层区域的深度神经网络模型,所述模式标签包括避雷器击穿、绝缘子闪络、线路放电、开关真空泡击穿、断线和开关短路误保护。
在一个实施例中,所述异常状态识别器中包含针对多种异常状态类型的多个异常状态识别的子模型。
在一个实施例中,所述多种异常状态识别的子模型包括决策树模型和拓扑搜索模型。
在一个实施例中,所述线路运行信息包括温度、风力和降雨等信息;所述线路拓扑信息包括线路分布及一次设备位置。
在一个实施例中,所述对故障录波数据提取的时域特征包括:电流的周期最大值、周期最小值、周期均值、周期方差、周期均方根、最大均方根、最小均方根、均方根只差最大值和三相不平衡度。
在一个实施例中,所述对故障录波数据提取的频域特征包括:电流的直流分量含量、二次谐波分量和二次谐波分量含量。
根据本发明的另一方面,还提供了一种配电网一次设备异常状态的识别装置,所述识别装置包括:
宏观分类器,其对故障录波数据提取时域及频域特征形成特征向量,并将特征向量输入工况分类器得到工况分类;
微观分类器,其对故障录波数据提取特定片段,并利用小波变换提取小波能量熵特征和小波奇异熵特征,将特定片段及小波能量熵特征和小波奇异熵特征输入模式分类器得到故障录波数据的模式标签;
异常状态识别器,根据模式标签选择对应的异常状态识别子模型,根据工况分类、模式标签、线路运行信息及线路拓扑信息进行一次设备异常状态进行识别,得到一次设备异常状态的产生原因及位置。
在一个实施例中,所述宏观分类器使用包含多个三层前馈神经网络的分类器模型。
在一个实施例中,所述微观分类器使用包括卷积层区域和全连接层区域的深度神经网络模型。
异常状态识别器>
图1所示为本发明的异常状态识别方法流程示意图,异常状态识别模型利用线路拓扑中所有的由宏观分类模型输出录波的工况和由微观分类模型输出模式标签,结合线路状态信息,通过拓扑分析得到异常区段和异常原因。线路状态信息因不同异常类型而异。异常状态识别模型不是单一的模型,设备异常类型丰富,异常模式多样,识别出不同异常的规则和所需的数据源也会存在差异,因此需要根据特定异常的特性来选择模型和数据源。有些异常状态只体现在宏观尺度中因此只需要录波的工况,有些异常模式只体现在某个录波片段中因此只需要模式标签。
宏观分类器模型>
宏观分类模型用于为录波标记上工况类型,通过关注录波中大尺度视角的信息,比如整个录波中电流幅值的变化,最终为录波标记上工况类型。工况类型在本发明中表示某种线路事件,通常包括:停电、复电、接地、短路、励磁涌流等。如图2示本发明的宏观分类器模型在进行工况分类时,包含两个步骤:
1.特征提取及向量化:从录波中提取电流电场幅值,暂态稳态谐波分量等特征,形成特征向量;
2.工况识别:将特征向量传入有多个神经网络二分类器组成的工况分类器,得到工况类型。
本发明中首先从录波数据的时域和频域中提取多个特征,其中基于时域提取到的特征量如下表1所示。
表 1
上表中的I p,i (j)是检测器采集到的电流信号, p'表示A、B、C三相,p代表A、B、C、Z四相,i代表录波信号的1-16周期,j代表每个周期中的1-82个采样点,N为采样点个数82。
基于频域提取特征量的方法,主要是针对故障发生后稳态信号的直流和二次谐波分量,采用的是录波信号的第8-10个周期数据进行DFT分析。以一个周期电流信号为例,使用傅里叶级数展开,得到二次谐波的频域变换结果,
提取的特征量如下表2所示,
表 2
将前述得到的基于时域和频域得到的特征组成4 × N的矩阵,F = [A, B, C,D]。其中A、B、C、Z分别对应矩阵的一行,每个特征对应矩阵的一列,如A、B、C、Z中不存在对应的特征将其置0。N为特征个数。
如图3所示,对于工况类型的识别本发明先利用物理模型与工程经验,通过人工预判将工况集合进行树型,以便合理地使用分类器较少且分类效果良好的决策树模型,建立更准确的分类模型。其中短路和接地属于故障工况,考虑到其重要性,对短路和接地两大类工况需要遵照可漏判不误判的原则,首先对这两种工况进行识别。漏判即将原本为短路(接地)工况判断为别的工况类型,误判即将不属于短路(接地)的异常工况归类成故障工况。识别流程中二分类器的实现,使用拥有较强非线性拟合能力的三层前馈神经网络模型。
对于每一个ANN分类器,函数都为tan-sig函数,输出层激活函数为log-sig函数,将需要分类的工况集实际标记类型为0和1。一般的模型的性能函数为均方误差,
其中,代价函数等于,
X为输入矩阵,每一列一组输入的工况参数,/>为ANN模型的第i个输入的输出,y为已知标记工况类型。ANN分类器1和2系数训练中,代价函数需要遵循接地和短路故障可漏判不误判的原则,在函数中加入权重因子K(K>1),接地与短路工况标记为1,即,
所有神经网络训练算法选用自适应学习速度算法,最大训练次数选为2000次。
训练过程中,所有工况数据一共使用2924组,其中接地522组,短路236组,励磁涌流560组,雷击601组,复电524组,停电293组,其他工况188组,按7:3的比例分配训练集与测试集,训练集为2046组,测试集为878组,其中为防止过拟合模型训练过程中性能函数加入正则项,其中正则项系数设为0.00001。因为工况数据是随机混合再分配,图4所示得使用10次实验的平均结果,其展示了训练与测试的误差,即误判和漏判数和与总的工况数和之比,以及误判的误差,其中调节权重因子K来满足功能需求。
图4中可以看出当权重因子K从1增加到4的过程中,误判误差有一定幅度的下降,K等于4时已经接近于0,同时总的误差也没有太大的变化。最后使用的分类器在训练和测试的过程的误差,以及整个识别流程的总误差如表3所示。
表3
从结果中可以看出以决策树模型为基础的多工况分类流程结合各个工况的ANN分类器,能将多工况识别误差控制在6%以下,并在模型中加入权重因子,满足尽量不误判故障工况的要求。
微观分类模型>
微观分类模型主要用于将录波中的特定片段标注上模式标签。模式标签在本发明中表示某种特定异常状态,例如模式标签包括避雷器击穿、绝缘子闪络、线路放电、开关真空泡击穿、断线和开关短路误保护。整个模型包含两个步骤:
①数据预处理。从录波中提出特征片段,并利用小波变换提取小波能量熵和小波奇异熵等特征;
②模式分类。将录波片段和特征传入模式分类器,得到模式标签。模式分类器是主要由4层卷积层和2层全连接层组成的深度神经网络。
本发明中,小波变换是分析暂态信号的一种有效工具,在多种工程领域的故障诊断中应用效果良好,其原理是将原始信号分解到J个不同尺度上进行分析,能提取出多个频段的低频和高频分量。运用小波变换提取配电网馈线异常运行发生时刻的暂态信号,运用小波变换将采集到的异常信号进行分解。
其中为信号经J阶小波分解重构得到的低频分量系数,/>为i阶高频分量系数。为了方便后续表示,/>用/>代替 ,则有
异常信号的高频分量特征为Dfp(i),
统计对象为异常信号出现前后半个周期的高频分量系数绝对值之和。为了有效分解出配电网馈线异常工况的暂态信号,使用了3阶db5小波变换。除了使用小波分解中的细节分量系数提取特征,小波特征提取算法中结合表征信息混乱程度的Shannon信息熵,提取了小波能量熵和小波奇异熵,用来表示在异常工况发生的时段内信号能量在不同频段分布的混乱程度。定义在不同尺度i时间k上的信号能谱为尺度i上所有时刻的能量和。则小波了能量熵WEE可以定义如下式,
其中近似为信号的总能量。将小波变换重构后的系数/>构成一个(J+1) ×M的矩阵/>,将矩阵进行奇异值分解,能够得到J+1个非负的奇异值 ,则小波奇异熵定义如下,
根据工程经验,为了能够表示出异常信号出现时暂态信号的混乱程度,在小波能量熵和小波奇异熵计算中,使用信号的区段为检测到奇异信号出现的前后10个样本点。
本发明的微观分类器中的模式分类器使用了包括卷积层区域和全连接层区域的深度神经网络分类器。在卷积层区域包括输入卷积层、卷积块、平均池化层,卷积层中所涉及的卷积运算采用现有技术中公知的卷积运算方法,在卷积运算中所使用的卷积核及相关参数是通过超参数机器训练得到的优化超参数。时序波形时间间隔小的采样点相关性强,越大则越弱,适宜用卷积层提取特征。在卷积层区域中通过设置多层卷积层以实现对局部到全局的特征提取,以及抽象到具体的特征提取。卷积层区域后连接全连接区域,该全连接区域内部含两层全连接层及softmax输出层。全连接层的第一层会输入工况标识和线路运行信息,线路运行信息的选择需要由异常类型决定。最终经softmax输出层后得到异常模式标签。
图5示了模型的详细结构。首先对录波数据做小波变换,随后利用三次样条插值法降低数据尺寸。在该深度神经网络分类器中输入卷积层中的卷积核的宽和长为6×5,个数为8。卷积块Ⅰ为单通道的双层卷积层,其中第一卷积层的卷积核的宽和长为6×3,个数为8,第二卷积层的卷积核的宽和长为6×3,个数为16。卷积块Ⅱ设置为具有三通道的卷积层,其通道a为双层卷积层,其中第一卷积层的卷积核的宽和长为6×2,个数为16,第二卷积层的卷积核的宽和长为6×3,个数为32。通道b为双层卷积层,其中第一卷积层的卷积核的宽和长为6×3,个数为32,第二卷积层的卷积核的宽和长为6×3,个数为32。通道c为三层卷积层,其中第一卷积层的卷积核的宽和长为6×3,个数为16,第二卷积层的卷积核的宽和长为6×4,个数为16,第三卷积层的卷积核的宽和长为6×3,个数为32,将卷积块Ⅱ三个通道的结果取和输入卷积块Ⅲ。卷积块Ⅲ设置为具有8个通道的卷积层,其每个通道均有双层卷积层构成,其中第一卷积层的卷积核的宽和长为6×3,个数为32,第二卷积层的卷积核的宽和长为6×3,个数为64。随后,将卷积块Ⅲ中8个通道的输出结果取和输入平均池化层。将平均池化层的输出结果输入第一全连接层,所述第一全连接层的神经元个数为24,第一全连接层输出结果输入第二全连接层,第二全连接层的神经元个数设置为与训练集的异常类型个数相同。
如图6所示,为本发明模式分类器模型的训练方法,将案例数据按5:5的比例分为训练数据集和测试数据集,按照图5所示的训练方法获取最优超参数组合。通过训练得到的参数包括卷积块数,还包括每一卷积块内部卷积层的卷积核的长度、宽度及个数数值,以及每一卷积块所包含的通道个数及每一通道上卷积层的层数,此外还包括全连接层中使用的神经元个数。
以绝缘薄弱异常为例,说明模型训练过程。在实际训练过程中,采用了100组绝缘薄弱数据和200组非绝缘薄弱数据,然后平均分配到测试集和验证集中。训练流程中的优化方法为批量Adam后向传输,当测试数据集正确率大于98%或训练超过10000轮时,训练停止,否则继续优化,多个超参数组合模型中验证数据集正确率最高的组合为最优超参数组合模型。最终的训练、测试误差如表4所示,可以看出绝缘薄弱的两项误差均低于2%,由于对于绝缘薄弱异常的识别目标是宁漏判不误判,所以满足实际应用需求。
表4 误差结果
类型 | 训练集误差(%) | 测试集误差(%) |
绝缘薄弱 | 1.5 | 1.8 |
与现有技术相比,本发明的具有如下重要发明点:
1.本发明中使用线网的暂态录波数据作为判断一次设备异常状态的依据,提高了对一次设备异常状态识别的准确性和完备性,实现了对多种设备的多种异常状态的同时识别。
2.本发明中提出了对暂态录波数据进行宏观分类和围观分类,从而得到了异常状态的工况识别和模式标签,因而能够使录波数据中更为有价值的信息被完整的利用,从而提高了异常状态识别的准确性。这是本发明关键发明点之一。
3.本发明中根据不同的一次设备的多种异常状态提出了异常状态识别模型,这一模型是一种复合型的模型,针对不同的有微观分类器得到的模式标签,该异常状态识别模型能够完成对不同异常状态的识别,从而实现了同时对多种异常状态的同步识别。这是本发明关键发明点之一。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明的配电网一次设备异常状态识别方法的流程图;
图2是根据本发明的宏观分类器输出工况类型流程示意图;
图3是根据本发明的工况分类模型示意图;
图4是根据本发明的工况分类模型的训练结果示意图;
图5是根据本发明的模式分类器结构示意图。
图6是根据本发明的模式分类器训练方法示意图。
图7是根据本发明第一实施例中的识别绝缘子闪路异常的流程示意图。
图8是根据本发明第二实施例中的识别线路放电异常的流程示意图。
图9是根据本发明第三实施例中的识别零序电流异常的流程示意图。
图10是根据本发明第四实施例中的识别开关保护误触发的线路拓扑结构示意图。
图11是根据本发明第四实施例中的识别开关保护误触发的线路拓扑着色示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合附图对本发明作进一步地详细说明。
第一实施例
图1是根据本实施例的配电网一次设备异常状态识别的方法流程示意图。下面结合图1对本方法进行说明。
本实施中首先将录波数据输入至宏观分类器和微观分类器,并分别获得工况分类和模式标签,本实施例中由宏观分类器输出的工况类型包括:停电、复电、接地、短路、励磁涌流;由围观分类器输出的模式标签包括:绝缘子闪路、线路放电、零序电流异常和开关短路保护误触发。
随后,将得到的工况类型和模式标签输入至异常状态识别模型,根据模式标签结果选择对应的识别模型进行判断。
当模式标签输出为绝缘子闪路时,如图7所示,本实施例采用决策树模型对异常状态进行识别,此模型的输入值如下表5所示。
表5
特征标号 | 特征名 |
F1 | 工况类型是否为接地 |
F2 | 模式标签为绝缘子闪路 |
F3 | 近30天内发生疑似绝缘子闪路的次数 |
F4 | 是否下雨 |
异常状态识别的结果如表6所示。
表6
输出标号 | 输出标签 |
T1 | 非绝缘子闪路 |
T2 | 疑似绝缘子闪路 |
T3 | 绝缘子闪路 |
针对绝缘子闪路异常的识别过程为:
1.判断工况类型是否为接地(F1),如不是,则直接输出非绝缘子闪路(T1);如是,则进入下一步判断;
2.判断模式标签是否为绝缘子闪路(F2),如果不是,则输出非绝缘子闪路(T1),如是,则进入下一步判断;
3.判断近30天内发生疑似绝缘子闪路的次数与第一阈值N1、第二阈值N2及第三阈值N3之间的数值关系,当发生疑似绝缘子闪路的次数小于第一阈值N1时,则输出异常状态判断结果为疑似绝缘子闪路(T2);当发生疑似绝缘子闪路的次数大于第三阈值N3时,则输出异常状态判断结果为绝缘子闪路(T3);当发生疑似绝缘子闪路的次数大于第二阈值N2时,则进入下一步判断。
4.判断录波发生时间段时是否下雨,如果不是,则输出异常状态判断结果为疑似绝缘子闪路(T2);如果是,则输出异常状态判断结果为绝缘子闪路(T3)。
在上述判断过程中,特征标号F3所代表的“近30天内发生疑似绝缘子闪路的次数”中的时间长度是根据工程实际经验所确定的,根据实际情况可调整为10天、15天或20天。而第一阈值N1、第二阈值N2及第三阈值N3是该决策树模型通过模型训练得到的。
第二实施例
本实施中首先将录波数据输入至宏观分类器和微观分类器,并分别获得工况分类和模式标签,本实施例中由宏观分类器输出的工况类型包括:停电、复电、接地、短路、励磁涌流;由围观分类器输出的模式标签包括:绝缘子闪路、线路放电、零序电流异常和开关短路保护误触发。
随后,将得到的工况类型和模式标签输入至异常状态识别模型,根据模式标签结果选择对应的识别模型进行判断。
当模式标签输出为线路放电时,如图8示,本实施例采用决策树模型对异常状态进行识别。模型的输入特征如表7。
表7
特征标号 | 特征名 |
F1 | 工况是否为接地 |
F2 | 模式标签为线路放电 |
F3 | 风力等级 |
表8为模型的输出值。
表8
输出标号 | 输出标签 |
T1 | 非线路放电 |
T2 | 线路放电 |
针对线路放电异常的识别过程为:
1. 判断工况类型是否为接地(F1),如不是,则直接输出非线路放电(T1);如是,则进入下一步判断;
2. 判断模式标签是否为线路放电(F2),如果不是,则输出非绝缘子闪路(T1),如是,则进入下一步判断;
3. 判断录波时段的风力等级是否超出阈值N,如果不是,则输出非绝缘子闪路(T1),如果是,则输出线路放电判断结果(T2)。
第三实施例
本实施中首先将录波数据输入至宏观分类器和微观分类器,并分别获得工况分类和模式标签,本实施例中由宏观分类器输出的工况类型包括:停电、复电、接地、短路、励磁涌流;由围观分类器输出的模式标签包括:绝缘子闪路、线路放电、零序电流异常和开关短路保护误触发。
随后,将得到的工况类型和模式标签输入至异常状态识别模型,根据模式标签结果选择对应的识别模型进行判断。
当模式标签输出为零序电流异常时,如图9,本实施例采用决策树模型对异常状态进行识别。模型的输入特征如表9。
表 9
特征标号 | 特征名 |
F1 | 工况是否为接地 |
F2 | 零序电流幅值 |
表10为模型的输出值。
表10
输出标号 | 输出标签 |
T1 | 零序电流状态未知 |
T2 | 零序电流异常 |
针对零序电流异常的识别过程为:
1. 判断工况类型是否为接地(F1),如不是,则直接输出零序电流状态未知(T1);如是,则进入下一步判断;
2. 判断模式标签是否为零序电流异常(F2),如果不是,则输出零序电流状态未知(T1),如是,则输出零序电流异常;
第四实施例
本实施中首先将录波数据输入至宏观分类器和微观分类器,并分别获得工况分类和模式标签,本实施例中由宏观分类器输出的工况类型包括:停电、复电、接地、短路、励磁涌流;由围观分类器输出的模式标签包括:绝缘子闪路、线路放电、零序电流异常和开关短路保护误触发。
随后,将得到的工况类型和模式标签输入至异常状态识别模型,根据模式标签结果选择对应的识别模型进行判断。
这类异常通常是因为开关保护定值设置不合理,导致不能躲避励磁涌流而误动作。这类异常的表现为,开关前的录波表现包含励磁涌流工况,开关后的录波表现为包含复电、励磁涌流、停电。此类异常需要根据拓扑分析来确定,需要的信息包括:拓扑下所有录波的工况、线路拓扑,输出包括异常原因和异常区段。
当模式标签输出为开关短路保护误触发时,则异常状态识别模型启动开关短路保护误触发定位搜索。如图10所示,逻辑结构上,线路拓扑是一棵以变电站(或母线)为根节点,录波设备为节点的树,同时线路拓扑描述信息中还包含获取录波和录波设备对应关系的必要信息。异常识别过程分为录波对应、拓扑着色、拓扑搜索三个步骤:
1. 录波对应。把录波数据与触发此录波的录波设备一一对应;
2. 宏观拓扑着色。根据工况标注拓扑中录波设备的颜色,工况仅为励磁涌流的标注为R,工况包含复电、励磁涌流、停电的点标注为G,其它类型的标注为B,如图11所示;
3. 拓扑搜索。首先找到包含红色节点的线路,然后按照根节点(变电站)到叶子节点的顺序搜索整条线路。将最后一个R节点标注为起始位置S,将S之后的第一个G节点标注为结束位置E,并输出“S至E之间有开关短路保护误动作“;如果S之后没有绿色节点,则输出“S之后有开关短路保护误动作“。
以上所述,仅为本发明的具体实施案例,本发明的保护范围并不局限于此,任何熟悉本技术的技术人员在本发明所述的技术规范内,对本发明的修改或替换,都应在本发明的保护范围之内。
Claims (4)
1.一种配电网一次设备异常状态的识别方法,其特征在于,该识别方法包括:
将配电网故障录波数据输入宏观分类器,对故障录波数据提取时域及频域特征形成特征向量,并将特征向量输入宏观分类器中的工况分类器得到工况分类;所述宏观分类器使用包含多个三层前馈神经网络的分类器模型,所述工况分类包括停电、复电、接地、短路和励磁涌流;
将配电网故障录波数据输入微观分类器,对故障录波数据提取特定片段,并利用小波变换提取小波能量熵特征和小波奇异熵特征,将特定片段及小波能量熵特征和小波奇异熵特征输入微观分类器中的模式分类器得到故障录波数据的模式标签;所述微观分类器使用包括卷积层区域和全连接层区域的深度神经网络模型,所述模式标签包括避雷器击穿、绝缘子闪络、线路放电、开关真空泡击穿、断线和开关短路误保护;所述特定片段是指在小波能量熵特征和小波奇异熵特征计算中使用信号的区段为检测到奇异信号出现的前后10个样本点;
将所得到的工况分类和模式标签输入异常状态识别器,根据模式标签选择对应的异常状态识别子模型,根据工况分类、模式标签、线路运行信息及线路拓扑信息进行一次设备异常状态进行识别,得到一次设备异常状态的产生原因及位置;
所述异常状态识别器中包含针对多种异常状态类型的多个异常状态识别的子模型,所述多种异常状态识别的子模型包括决策树模型和拓扑搜索模型;
所述线路运行信息包括温度、风力和降雨等信息;所述线路拓扑信息包括线路分布及一次设备位置。
2.根据权利要求1所述的配电网一次设备异常状态的识别方法,其特征在于,所述对故障录波数据提取的时域特征包括:电流的周期最大值、周期最小值、周期均值、周期方差、周期均方根、最大均方根、最小均方根、均方根只差最大值和三相不平衡度。
3.根据权利要求1所述的配电网一次设备异常状态的识别方法,其特征在于,所述对故障录波数据提取的频域特征包括:电流的直流分量含量、二次谐波分量和二次谐波分量含量。
4.一种配电网一次设备异常状态的识别装置,其特征在于,所述识别装置包括:
宏观分类器,其对故障录波数据提取时域及频域特征形成特征向量,并将特征向量输入工况分类器得到工况分类;所述宏观分类器使用包含多个三层前馈神经网络的分类器模型,所述工况分类包括停电、复电、接地、短路和励磁涌流;
微观分类器,其对故障录波数据提取特定片段,并利用小波变换提取小波能量熵特征和小波奇异熵特征,将特定片段及小波能量熵特征和小波奇异熵特征输入模式分类器得到故障录波数据的模式标签;所述微观分类器使用包括卷积层区域和全连接层区域的深度神经网络模型,所述模式标签包括避雷器击穿、绝缘子闪络、线路放电、开关真空泡击穿、断线和开关短路误保护;
异常状态识别器,根据模式标签选择对应的异常状态识别子模型,根据工况分类、模式标签、线路运行信息及线路拓扑信息进行一次设备异常状态进行识别,得到一次设备异常状态的产生原因及位置;所述异常状态识别器中包含针对多种异常状态类型的多个异常状态识别的子模型,所述多种异常状态识别的子模型包括决策树模型和拓扑搜索模型;
所述线路运行信息包括温度、风力和降雨等信息;所述线路拓扑信息包括线路分布及一次设备位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910447860.2A CN111999591B (zh) | 2019-05-27 | 2019-05-27 | 一种配电网一次设备异常状态的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910447860.2A CN111999591B (zh) | 2019-05-27 | 2019-05-27 | 一种配电网一次设备异常状态的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111999591A CN111999591A (zh) | 2020-11-27 |
CN111999591B true CN111999591B (zh) | 2023-07-21 |
Family
ID=73461700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910447860.2A Active CN111999591B (zh) | 2019-05-27 | 2019-05-27 | 一种配电网一次设备异常状态的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111999591B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112924810B (zh) * | 2021-01-27 | 2022-06-17 | 国网山东省电力公司淄博供电公司 | 一种基于高频信号识别的电力电缆故障诊断方法及*** |
CN112687068B (zh) * | 2021-03-19 | 2021-05-28 | 四川通信科研规划设计有限责任公司 | 一种基于微波和振动传感器数据的侵入检测方法 |
CN114325244B (zh) * | 2022-01-13 | 2023-10-17 | 清华大学 | 一种基于直接信号卷积的线路短路故障定位方法及*** |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10319084A (ja) * | 1997-05-16 | 1998-12-04 | Nissin Electric Co Ltd | 碍子汚染診断装置 |
CN102735966A (zh) * | 2012-06-12 | 2012-10-17 | 燕山大学 | 一种输电线路评估诊断***和方法 |
CN104502795B (zh) * | 2014-11-26 | 2017-11-14 | 国家电网公司 | 一种适用于微电网的智能故障诊断方法 |
CN204374353U (zh) * | 2014-12-29 | 2015-06-03 | 张家港江苏科技大学产业技术研究院 | 基于无线传感的矿井电网主动故障检测定位*** |
CN106124939A (zh) * | 2016-06-12 | 2016-11-16 | 西安博源电气有限公司 | 分布式高压电缆局部放电在线监测及定位*** |
CN106226654A (zh) * | 2016-08-12 | 2016-12-14 | 北京中恒博瑞数字电力科技有限公司 | 一种基于多源数据的高温天气下配电网故障线路定位方法 |
CN106405339B (zh) * | 2016-11-11 | 2019-01-08 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
CN106603274B (zh) * | 2016-11-21 | 2022-03-18 | 中国电力科学研究院 | 一种基于多维通信数据的配电网故障定位方法 |
CN107340456B (zh) * | 2017-05-25 | 2019-12-03 | 国家电网有限公司 | 基于多特征分析的配电网工况智能识别方法 |
CN107609569B (zh) * | 2017-07-31 | 2020-11-03 | 北京映翰通网络技术股份有限公司 | 一种基于多维特征向量的配电网接地故障定位方法 |
CN108120900B (zh) * | 2017-12-22 | 2020-02-11 | 北京映翰通网络技术股份有限公司 | 一种配电网故障定位方法及*** |
CN108107324B (zh) * | 2017-12-22 | 2020-04-17 | 北京映翰通网络技术股份有限公司 | 一种基于深度卷积神经网络的配电网故障定位方法 |
-
2019
- 2019-05-27 CN CN201910447860.2A patent/CN111999591B/zh active Active
Non-Patent Citations (2)
Title |
---|
汽轮机发电机组动静碰摩故障的诊断与处理;苏少锦;谢元广;龙新峰;;电力设备(09);全文 * |
采用自适应神经模糊推理***的配电网故障分类方法;张钧;***;何正友;;中国电机工程学报(25);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111999591A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107340456B (zh) | 基于多特征分析的配电网工况智能识别方法 | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
Xiong et al. | Incipient fault identification in power distribution systems via human-level concept learning | |
CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
CN105891629A (zh) | 一种变压器设备故障的辨识方法 | |
CN110208647B (zh) | 一种基于随机矩阵的配电网单相接地故障区段定位方法 | |
CN112147462A (zh) | 一种基于深度学习的输电线路故障辨识方法 | |
CN115932484B (zh) | 输电线路故障辨识与故障测距方法、装置和电子设备 | |
CN111723684B (zh) | 一种海上风电场内部暂态过电压类型的识别方法 | |
CN112462193B (zh) | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 | |
CN114254818A (zh) | 一种基于风险评估模型的低压配电网连锁故障预警方法 | |
McGrail et al. | Data mining techniques to assess the condition of high voltage electrical plant | |
Lira et al. | Metal-oxide surge arrester monitoring and diagnosis by self-organizing maps | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
CN113848471B (zh) | 继电保护***的故障智能定位方法及*** | |
CN107037278A (zh) | 一种iec61850标准下的智能变电站故障诊断方法 | |
CN113740666B (zh) | 一种数据中心电力***告警风暴根源故障的定位方法 | |
CN117110798B (zh) | 智能配电网的故障检测方法和*** | |
Rajabimendi et al. | A hybrid algorithm based on neural-fuzzy system for interpretation of dissolved gas analysis in power transformers | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及*** | |
CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及*** | |
CN116031828A (zh) | 基于小波变换与随机森林算法的10kV电缆早期故障辨识方法 | |
Ensina et al. | Fault classification in transmission lines with generalization competence |
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 |