CN112101422A - 电力***故障案例的典型案例自学习方法 - Google Patents
电力***故障案例的典型案例自学习方法 Download PDFInfo
- Publication number
- CN112101422A CN112101422A CN202010839126.3A CN202010839126A CN112101422A CN 112101422 A CN112101422 A CN 112101422A CN 202010839126 A CN202010839126 A CN 202010839126A CN 112101422 A CN112101422 A CN 112101422A
- Authority
- CN
- China
- Prior art keywords
- case
- characteristic value
- actual
- value
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 34
- 238000012423 maintenance Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
电力***故障案例的典型案例自学习方法，包括：定义匹配特征值，所述匹配特征值为特征值可信度大于或者等于第一阈值的案例特征值；定义特征值矩阵，所述特征值矩阵为各个典型案例所含所述匹配特征值的矩阵；在实际案例发生后，获取该实际案例的状态值；将所述状态值与各个所述典型案例的所述特征值矩阵进行匹配，计算该实际案例与各个典型案例的案例匹配度，以获取最大案例匹配度；当所述最大案例匹配度小于第二阈值，将该实际案例进行第一处理；当所述最大案例匹配度大于或者等于所述第二阈值，将该实际案例进行第二处理。所述方法能够自动生成和划分相应的典型案例，为电力***工作人员提供丰富的学习资料。
Description
技术领域
本发明涉及电力***领域，尤其涉及一种电力***故障案例的典型案例自学习方法。
背景技术
电力***是把很多的发电站、变电站、配电站和用户等由输电和配电线路连接起来形成的***。它通常由发电机、变压器、母线、输配电线路及用电设备等组成。各电气元件、设备及***通常处于正常运行状态，但也可能出现故障或异常运行状态。
电力***故障是指电气元件和设备不能按照预期的指标进行工作的一种状态，也就是说电气元件和设备未达到其应该达到的功能，故障包括有发电机组故障、变压器故障、输电线路故障、变电所故障和母线故障等。
随着电力***的规模越来越大，结构越来越复杂，故障产生不可避免。电力***故障处理过程可以是，从***的运行状态中检测到拓扑变化，从拓扑变化相关联的区域(单元)内检测故障征兆信息，经过对这些信息进行分析处理，重点根据保护动作的信号，判断故障发生的具体区域与位置(如故障范围或故障点)。故障范围或故障点确定后，先确保故障区域(单元)可靠切除或被可靠隔离，再完成失电负荷的供电恢复，最后进行故障原因排查与故障消缺处理。
用于电力***诊断的专门***，为相应的电力***故障诊断专家***。
在电力***中，对其运行检修所使用的信号采集设备种类较多，***维护人员无法对这些信号采集设备进行熟练运用，这样就会造成电力***维护效率低，维护效果差等问题。为此，电力企业往往会开展一些专业案例培训活动以及刊行案例培训手册等。这种方法虽然在一定程度上能够帮助运维人员提高业务素质，但是，由于电力***所涉及的电力设备较多，案例培训活动以及刊行案例培训手册往往无法满足电力***运行维护的要求。
发明内容
本发明解决的问题是提供电力***故障案例的典型案例自学习方法，以自动生成和划分相应的典型案例，为电力***工作人员提供丰富的学习资料。
为解决上述问题，本发明提供了一种电力***故障案例的典型案例自学习方法，包括：定义匹配特征值，所述匹配特征值为特征值可信度大于或者等于第一阈值的案例特征值；定义特征值矩阵，所述特征值矩阵为各个典型案例所含所述匹配特征值的矩阵；在实际案例发生后，获取该实际案例的状态值；将所述状态值与各个所述典型案例的所述特征值矩阵进行匹配，计算该实际案例与各个典型案例的案例匹配度，以获取最大案例匹配度；当所述最大案例匹配度小于第二阈值，将该实际案例进行第一处理；当所述最大案例匹配度大于或者等于所述第二阈值，将该实际案例进行第二处理。
可选的，所述第一处理包括：利用该实际案例生成新典型案例。
可选的，所述第一处理包括：将所述新典型案例的所述状态值生成为新案例特征值，计算所述新案例特征值的特征值可信度。
可选的，所述第二处理包括：定义所述最大案例匹配度对应的所述典型案例为该实际案例的最相似案例；定义该实际案例的所述状态值中，满足匹配特征值条件的所述状态值为该实际案例的实际案例状态值；计算该实际案例状态值的特征值可信度，作为实际特征值可信度；根据该实际特征值可信度和所述最大案例匹配度，计算该实际案例为所述最相似案例的案例可信度。
可选的，所述第二处理还包括：在计算该实际案例为所述最相似案例的可信度之后，更新所述最相似案例的数据，然后重新计算该实际案例状态值的可信度；将重新计算的该实际特征值可信度，更新到所述最相似案例的所述特征值矩阵。
可选的，将该实际案例的所述状态值中，未满足成为所述匹配特征值的所述状态值定义为该实际案例的样本状态值，将所述样本状态值进行特征值培养。
可选的，将所述样本状态值进行特征值培养包括：当该实际案例发生N次以上时，如果所述样本状态值在这些次数中出现的比例不低于K％时，将所述样本状态值转化为该实际案例的案例特征值，并计算该案例特征值的特征值可信度，且判断该案例特征值是否可以作为匹配特征值；其中N为3以上的整数，K为50至100的数字。
可选的，所述案例特征值和所述案例状态值在用户电网的全景数据中生成，所述全景数据包括以下数据的至少其中之一：变电站SCADA***数据；电力集控SCADA***数据；电力调度SCADA***数据；保护信息***数据；继电保护装置数据；安全稳定与自动控制装置数据；智能测控装置数据；故障录波装置数据；电力设备状态监测数据；生产工艺过程数据。
可选的，所述案例特征值具有关联属性。
本发明技术方案的其中一个方面中，定义匹配特征值，所述匹配特征值为特征值可信度大于或者等于第一阈值的案例特征值；定义特征值矩阵，所述特征值矩阵为各个典型案例所含所述匹配特征值的矩阵；在实际案例发生后，获取该实际案例的状态值；将所述状态值与各个所述典型案例的所述特征值矩阵进行匹配，计算该实际案例与各个典型案例的案例匹配度，以获取最大案例匹配度；当所述最大案例匹配度小于第二阈值，将该实际案例进行第一处理；当所述最大案例匹配度大于或者等于所述第二阈值，将该实际案例进行第二处理。所述方法能够自动生成和划分相应的典型案例，即能够实现典型案件的生成、匹配和入库等操作，为工作人员的案例学习提供了丰富准确的各类典型案例，即为电力***工作人员提供丰富的学习资料，从而使工作人员能够掌握更好的电力***故障处理分析能力。
附图说明
图1是实施例一，电力***故障诊断专家***中诊断***主站与调度中心(或集控中心)的设置结构示意图；
图2是实施例一，电力***故障诊断专家***的诊断***主站部署结构示意图；
图3是实施例二，电力***故障诊断专家***的诊断***主站部署结构示意图；
图4是本发明实施例三提供的电力***故障案例的典型案例自学习方法对应的一种场景步骤示意图。
具体实施方式
为更加清楚的表示，下面结合附图对本发明做详细的说明。
实施例一
请结合参考图1和图2，显示了本发明提供的一种电力***故障诊断专家***。
电力***故障诊断专家***包括诊断***主站，本实施例诊断***主站直接利用调度主站(或称集控主站)的网络来设置(以下统称为调度主站)。
图1中，虚线左侧为调度主站的结构，虚线右侧为故障诊断专家***的诊断***主站。
由图1可知，本实施例诊断***主站挂设在调度主站的网络结构中。
如图1所示，相应的调度主站可以包括：调度主站数据存储结构、工程师站与操作员站、远动转发/调度通信单元和调度主站服务器等结构。
调度主站的远动转发/调度通信单元可以接入电力调度网。调度主站的服务器接入集控区域各变电站的SCADA信息。
诊断***主站可以直接利用调度主站的通信设备接入电力***。
图2显示了诊断***主站的一种具体部署结构。
如图2所示，诊断***主站包括：数据存储结构(如图2中虚线框所示)、专家知识库、前置服务器、分析引擎和运行工作站。
数据存储结构用于数据的存储。专家知识库用于专家知识存储。前置服务器用于采集电力***的运行参数，并执行数据预处理。分析引擎用于作为实时推理机，从前置服务器采集缓存推理所需的观测信息，从专家知识库搜索合适的专家知识，完成推理，并保存推理过程与推理结果。运行工作站用于作为用户客户端，以显示信息等。
如图2所示，本实施例中，数据存储结构可以包括有数据服务器和磁盘阵列。本实施例的数据存储结构包括两台数据服务器。两台数据服务器可以作为历史数据服务器，以存储历史案例、历史报告和静稳分析历史数据等。这种采用两台数据服务器的冗余配置，可以确保数据存在的安全。磁盘阵列可以用于长期历史数据的单独保存。磁盘的个数可按需选配。其它实施例中，也可以采用其它的数据存储结构，例如可以省略磁盘阵列，或者可以仅使用一台数据服务器。
如图2所示，本实施例中，专家知识库用于存储和更新各类电力***故障诊断用的专家知识，相应的专家知识可以按一定的规则进行存储，以便调用。专家知识库适合于独立配置。
如图2所示，本实施例中，前置服务器可以是实时采集电力***的运行参数，并执行相关的数据预处理。前置服务器适合于采用独立部署。
如图2所示，本实施例中，分析引擎作为实时推理机，可以从相应的前置服务器采集缓存推理所需的各观测信息，并且能够从专家知识库搜索合适的专家知识，进而完成推理，并实时保存推理过程与中间结论(即分析引擎的推理结果可以是包括诊断中间结论)。分析引擎宜独立部署，以使得诊断***的分析推理过程更加高效和可靠。
如图2所示，本实施例中，运行工作站作为用户客户端，显示的信息包括用户***(客户端***)的运行信息。运行工作站具体可以显示用户***的实时运行信息，也可以用于显示专家预警信息和专家诊断报告，还可以利用于启动诊断追踪、启动案例反演等功能。并且，运行工作站可以用于启动远程问诊云端专家***功能。运行工作站采用与服务器分开部署的方式设置。
需要说明的是，结合图1和图2，可知，本实施例的诊断***布置方案是一种站端部署方案(设置在站控层站端)。但是，其它实施例中，诊断***布置方案也可部署在其它结构位置中。
请继续参考图2，诊断***主站还可以包括维护工作站。维护工作站用于实现对诊断***的维护。维护工作站具体可以供用户工程师(知识工程师)通过该工作站，实现对诊断***的维护。例如实现对电力***建模组态和专家库知识维护等。本实施例中，维护工作站独立部署，有利于其维护功能的更好实现。其它实施例中，维护工作站也可与诊断***的运行工作站合并。
请继续参考图2，诊断***主站还可以包括应急指挥中心接口服务器。应急指挥中心接口服务器用于与企业应急指挥中心通信连接。应急指挥中心接口服务器具体可以是负责与企业应急指挥中心的实时通信。本实施例中，应急指挥中心接口服务器采用独立部署，这种结构能够更加发挥其作用。其它实施例中，应急指挥中心接口服务器也可与分析引擎或运行工作站合并。
请继续参考图2，诊断***主站还可以包括WEB服务器。WEB服务器用于实现信息的WEB发布和短信(移动信息)推送。WEB服务器具体可以是将电子***故障的报告用WEB发布，并且，可以将相应的故障信息通过短信(移动信息)推送等方式及时通知相关人员。其它实施例中，WEB服务器也可以不必采用，即省略。
请继续参考图2，诊断***主站还可以包括云端专家***接口服务器。云端专家***接口服务器用于与云端专家***通信连接。云端专家***接口服务器在实现与云端专家***的通信时，拓展了诊断***的故障诊断能力，并且保证了故障云诊断的实现。本实施例中，采用独立的服务器，即采用独立部署结构，从而使云诊断更加高效、安全、可靠和及时。其它实施例中，云端专家***接口服务器也可以与WEB服务器合并。
请继续参考图2，诊断***主站还可以包括防火墙。WEB服务器和云端专家***接口服务器被隔离在防火墙外部。防火墙用于***的安全分区，本实施例将WEB服务器和云端专家***接口服务器与***的其它部分隔开，达到对其它结构的更好保护，使***更加稳定。
请继续参考图2，诊断***主站还可以包括各个网络设备。这些网络设备用于保证***的通讯。如图2中所示，网络设备具体选择采用交换机实现，图2所示诊断***主站包括前置交换机一、交换机二和交换机三。对于诊断***主站的前置交换机一，根据接入***的具体情形，可以采用光纤接口，宜选用千兆带宽的交换机。交换机二和交换机三同样可以采用千兆带宽的交换机。
请继续参考图2，诊断***主站还可以包括输出设备。输出设备具体可以为打印机，如图2所示。打印机用于随时打印相应的故障报告和诊断报告等。
请继续参考图2，本实施例中，通过前置服务器，使诊断***主站接入的***包括同步时钟(***)、SCADA***和IED(***)，以及保信***和安全管控平台***等。同步时钟即电力***同步时钟，用于保证数据的时钟同步。保信***为继电保护信息处理***，用于管理继电保护定值与故障报文信息等。
如图2，本实施例采用单一的前置服务器，因此，此结构可以称为单前置单网结构。单前置单网结构使诊断***主站的内部网络结构为单网结构，结构更加简单，因此，***成本可以降低。
需要说明的是，结合图1和图2的上述内容可知，图2的各节点是逻辑功能定义节点，实际部署时，可以按图中方案，将逻辑功能节点与物理节点完全一一对应，也可以根据需要，进行功能节点的剪裁、物理节点合并等。比如前面所述，对于运行工作站和维护工作站两个逻辑功能节点，在物理实现时，可以用一台工作站计算机实现。
结合图1和图2可知，本实施例中，在站控层部署电力***故障诊断专家***的站端，诊断***主站具体可以部署在调度中心站端、集控中心站端或变电所站端。通过SCADA***开通与专家***站端的转发通道，可以以IEC 60870-5-104或IEC61850标准规约，将全厂各变电站内专家***所需的实时信息转发至专家***站端。该部署方案可充分复用资源，对新建项目和已有项目改造均有很好的实用性。
实施例二
请参考图3，显示了本发明提供的另一种电力***故障诊断专家***。
本实施例所提供的故障诊断专家***大部分结构与前述实施例相同，因此，可以结合参考前述实施例相应内容。
这些相同包括诊断***主站的相同部分，具体是诊断***主站包括：数据存储结构、专家知识库、前置服务器、分析引擎和运行工作站；其中，数据存储结构可以包括有数据服务器和磁盘阵列；另外，同样还包括维护工作站、应急指挥中心接口服务器、WEB服务器、云端专家***接口服务器、防火墙、网络设备和输出设备(输出设备具体可以为打印机)等；通过前置服务器，诊断***主站接入同步时钟、SCADA***和IED***，以及保信***和安全管控平台***等。这些结构的性质、特点和优势可以参考前述实施例相应内容。
与图1和图2所示诊断***不同的，图3所示诊断***中，诊断***主站具有两台的前置服务器。
虽然诊断***主站具有两台的前置服务器，但是，本实施例的诊断***主站中，前置服务器以内的网络结构仍然是单网结构，因此，这种部署结构可以称为双前置单网结构。
这种结构中，两台前置服务器不仅可以是实时采集电力***的运行参数，并更快速有效地执行相关的数据预处理，而且，采用两台服务器的冗余部署，能够更好地实现负载均衡。
另一个与图1和图2所示诊断***不同的结构在于，图3所示诊断***中，还包括诊断***子站。
图3中，诊断***子站被设置为与前置服务器连接。诊断***子站的设置，使得整个故障诊断专家***的应用范围能够得到进一步拓展，适用区域能够进一步扩大。
另外，由于子站的设置，本实施例提供的电力***的故障诊断专家***，可以使***或者***主体部分(诊断***主站)进一步不必一定设置在调度主站的站端等位置，而是可以设置部署在调度中心、集控中心或变电所内，因此，适用性更强。
实施例三
本发明实施例提供一种电力***故障案例的典型案例自学习方法，包括：
定义匹配特征值，所述匹配特征值为特征值可信度大于或者等于第一阈值的案例特征值；本实施例中，第一阈值可以为例如是80％，或者也可以为例如是50％，通常第一阈值在60％以上；
定义特征值矩阵，所述特征值矩阵为各个典型案例所含所述匹配特征值的矩阵；本实施例中，各个典型案例可以位于典型案例库中；
在实际案例发生后，获取该实际案例的状态值；
将所述状态值与各个所述典型案例的所述特征值矩阵进行匹配，计算该实际案例与各个典型案例的案例匹配度，以获取最大案例匹配度；
当所述最大案例匹配度小于第二阈值，将该实际案例进行第一处理；本实施例中，第二阈值可以为例如为25％，或者为30％；
当所述最大案例匹配度大于或者等于所述第二阈值，将该实际案例进行第二处理。
本实施例中，计算该实际案例与各个典型案例的案例匹配度可以采用多种方法进行。其中一种方法可以为：当用户电网发生实际扰动案例时(即发生实际电网***故障案例时)，通过对全景数据中的各类数据源获取本实际案例的各类状态数据，并将该实际案例的状态值(即状态数据)预先定义的“类别”，与典型案例库中的各个典型案例的特征值矩阵中的匹配特征值进行匹配，以计算实际案例状态值(状态数据)与各个典型案例的特征值矩阵中，各“类别”的匹配特征值的匹配占比，并进而计算出匹配的“类别”平均值，作为该实际案例与对应典型案例的案件匹配度，其中，特征值矩阵用M表示，案件匹配度用MP表示。
根据上述内容，获取最大案例匹配度可以相应为：当遍历典型案例库中的所有典型案例的特征值矩阵M后，在所有的案件匹配度中，即MP中，确定最大值最大案例匹配度，最大案例匹配度记为MPmax。
上述内容中，状态值由用户电网的全景数据中生成，所述全景数据包括以下数据的至少其中之一：变电站SCADA***数据；电力集控SCADA***数据；电力调度SCADA***数据；保护信息***数据；继电保护装置数据；安全稳定与自动控制装置数据；智能测控装置数据；故障录波装置数据；电力设备状态监测数据；生产工艺过程数据。需要说明的是，相应的案件特征值也是在这些全景数据中生成，从而保证相应值的一致性。
上述全景数据中，还可以用于定义案例特征值具有“类别”属性，具体的类别可分为“拓扑关系类”、“继保信息类”、“安自信息类”、“模拟量类”、“状态监测类”和“工艺信息类”等属性值，类别的划分。
本发明中上述“类别”属性，仅作为说明示例用，并不能视为对本发明的限制。这与对应于前面案例匹配度的计算过程。
本实施例中，所述第一处理可以包括：利用该实际案例生成新典型案例。
进一步的，所述第一处理可以包括：将所述新典型案例的所述状态值生成为新案例特征值，计算所述新案例特征值的特征值可信度。
上述过程中，例如对于最大案例匹配度仍然低于25％的扰动案例，可以视为有别于典型案例库中目前存有的各个典型案例的一次新的案例来处理。这时***可以给出新建典型案例界面，用户可以决定是否将本次案例作为新的典型案例进行创建，或人工手动进行典型案例匹配。即第一处理可以包括为所述新典型新案例提供定义界面或者信息交互界面。
本实施例中，所述第二处理可以包括：
定义所述最大案例匹配度对应的所述典型案例为该实际案例的最相似案例；最相似案例即与该实际案件相似度最高的案例；
定义该实际案例的所述状态值中，满足匹配特征值条件的所述状态值为该实际案例的实际案例状态值；
计算该实际案例状态值的特征值可信度，作为实际特征值可信度；
根据该实际特征值可信度和所述最大案例匹配度，计算该实际案例为所述最相似案例的案例可信度：
CF＝f(CFi,MPmax)…………(1)
上述公式1中，CF为案例可信度，CFi为实际特征值可信度，MPmax为所述最大案例匹配度。
其中，最大案例匹配度MPmax超过例如25％，则可以认为本次故障案例(该实际案件)与该最大案例匹配度MPmax对应的典型案例的相似度最高，即确认此典型案件为最相似案例。即可以进一步由已经匹配的典型案例特征值可信度CFi及MPmax，计算出本次故障案例相似为该典型案例的可信度CF，并最终给出结论。
本实施例中，进一步的，所述第二处理还可以包括：
在计算该实际案例为所述最相似案例的可信度之后，更新所述最相似案例的数据，然后重新计算该实际案例状态值的可信度；
将重新计算的该实际特征值可信度，更新到所述最相似案例的所述特征值矩阵M(即将最新计算结果同步到典型案例的特征值矩阵M中)。
将该实际案例的所述状态值中，未满足成为所述匹配特征值的所述状态值定义为该实际案例的样本状态值，将所述样本状态值进行特征值培养。
将所述样本状态值进行特征值培养包括：
当该实际案例发生N次以上时，如果所述样本状态值在这些次数中出现的比例不低于K％时，将所述样本状态值转化为该实际案例的案例特征值，并计算该案例特征值的特征值可信度，且判断该案例特征值是否可以作为匹配特征值；其中N为3以上的整数，K为50至100的数字。
上述过程中，即对于本次扰动案例与最大案例匹配度MPmax对应的典型案例未匹配上的状态值，继续案例特征值样本培养。首先筛选出仅本扰动案例相关的状态值作为培养样本。例如当本相似典型案例发生5次以上时，做历史大数据统计分析，某个培养样本在历史案例中出现的比例不低于例如80％时，可将该培养样本转化为本典型案例的特征值，按本发明后续的方法计算该特征值案例特征值，并根据方法的结论决定是否将其作为典型案例匹配特征值存入特征值矩阵M矩阵中。若经过历史数据分析，培养样本不满足案例特征值转化条件时，继续培养。而对于并非本扰动案例特有的状态值，则可以选择存入历史库中，同时给出提示信息，以决定是否进一步检查处理。
确定所述特征值可信度包括：
Cf＝f(Cf0,Kach,N,m)…………(2)
上述公式2中，Cf为案例特征值的特征值可信度，Cf0为案例特征值的特征值可信度先验值，Kach为获取方式属性权值，N为案例特征值对应案例的发生次数，m为案例特征值出现的次数。
Kach为获取方式属性权值，即本实施例中，案例特征值除了具有“关联性”属性和“类别”属性外，还具有“获取方式”属性。对于实际案例发生后，可以通过网络通讯，从全景数据中定义的各数据源可靠实时获取的案例特征值，其“获取方式”属性定义为“自动”。相反，如果无法明确保证能从上述全景数据中自动获取的特征值，其“获取方式”属性定义为“非自动”。不同的“获取方式”，其计算特征值可信度时的获取方式属性权值权重Kach不同，“自动获取”的特征值权重较高。
由公式2可知，本实施例中，包括了获取案例特征值的可信度先验值(可以通过工作人员根据赋值方式确定)，获取方式属性的确认，获取案例特征值对应案例的发生次数，以及获取案例特征值出现的次数等内容。通过公式2计算，当某个特征值(案例特征值)的Cf不低于例如50％时，可以认为该特征值可作为本案例的匹配特征值，存入本典型案例的匹配特征值矩阵M中。
本实施例中，可以设置所述案例特征值具有关联属性。关联属性与预处理相关。因此，本实施例提供的方法还可以包括预存若干典型案例进入案例库，预先定义若干案例特征值。
具体的，电力***故障专家诊断***可以内置典型案例库。对于一个新的项目，可以预先定义若干的典型案例入库。如“变压器本体内部故障案例”、“线路范围内故障案例”和“母线失压案例”等等。对于每种类型的典型案例，可以定义对应的案例特征值。最理想的案例特征值具有排他性，即为本案特有，而并非多个案例共有。但对于***性的故障案例，如“母线失压案例”，其特征值可能为多个案例共有，例如进线保护动作造成母线失压，“进线保护动作”这一特征值即为“母线失压案例”与“线路范围内故障案例”所共有。据此，将特征值赋予“关联性”属性，该属性的取值可以设置为“案例特有”或“***关联”等属性值。
本发明上述“关联性”属性，仅作为说明示例用，并不能视为对本发明的限制。
需要说明的是，对于上述不同属性，不同的案例特征值，其相应赋值可以为“0/1”型(数字型)，也可能为一模拟量值型。对于前者，定义“0”或“1”某种状态作为特征值即可，即相应的案件特征值可以为二元化；对于后者，定义一个取值区间作为特征值。这样，当某个实际采集的数据满足对应的“0/1”状态，或落入定义的取值区间内，即认为该采集数据与典型案例对应的特征值匹配，即符合相应案例特征值定义。
本发明实施例对应的一种具体场景如下，请结合参考图4：
步骤100：实际案件发生；该实际案例为前面所述的扰动事件等；
步骤10步骤1：获取案例状态值；如前所述，案例状态值可以从相应的扰动事件全景数据中得到；
步骤102：(案例状态值)与(典型)案例库中各典型案件的M(特征值矩阵)进行相似度匹配；相似度匹配的计算方法可以多种，可参考前述内容；
步骤103：计算(案例状态值)与各典型案件的匹配度，即MP；计算方法参考前述相应内容；
步骤104：得出最高案件匹配度MPmax；
步骤105：判断MPmax是否大于等于25％，即是否超过相应的第二阈值；
步骤106：当步骤105的判断结果为”N”(否)，则生成新的案例；步骤106即对应于前述的第一处理，并且第一处理选择将实际案件作为新典型案件的生成；
步骤107：推出典型案例定义界面，与用户交互去定义新的典型案例；步骤107即第一处理的进一步内容，让用户可以进行相应更多的新典型案例的定义和操作；
步骤108：定义典型案例；步骤108即在步骤107之后，完成的操作可以认为是实现了定义典型案例的一种途径；当然，在前面提到，也可以是在遇到一个新项目时，进行相应的定义典型案例操作；
步骤109：生成案例特征值，相应的生成过程可以是预先直接入库的定义，也可以参考后续提到的步骤116至步骤120相应过程；
步骤110：计算特征值可信度Cf；可以参考前述的公式2相应内容；
步骤111：(根据110的计算结果)判断Cf是否大于或等于50％；
步骤112：当Cf大于或者等于50％，即111的判断结果为“Y”(是)时，则将该特征值写入案例特征值值匹配矩阵；相反，步骤111的判断结果为“N”(否)时，返回步骤110；
步骤113：预置案例特征值初值Cf0(即先验值)；该步骤作用于步骤110；
步骤114：当步骤105的判断结果为“Y”(是)，则由MPmax(最高案件匹配度)对应的M(特征值矩阵)中的已匹配特征值，计算M对应案例的发生可信度CF；
步骤115：根据步骤114，得出本案结论；
步骤116：未匹配上的本案状态值进行特征值样本培养(即对应于前述的第二处理的进一步过程)；
步骤117：判断相应的状态值是不是本案特性状态值；如果步骤117为“N”(否)，则进入步骤118；
步骤118：存库待查，即将相应的状态值存在相应的数据库中，待后续处理；
相反，如果步骤117为“Y”(是)，则进入步骤119；步骤119：判断(含有相应状态值的)样本案例数是否大于或者等于5；
如果步骤119的判断结果为“否”，则返回步骤116；
如果步骤119的判断结果为“Y”(是)，则进入步骤120，即继续判断培养状态值出现比例是否大于或者等于80％；如果步骤120的判断结果为“N”(否)，则返回步骤116；如果步骤120的判断结果为“Y”(是)，则进入步骤109。
根据上述场景可知，本实施例提供的方法能够实现典型案件的生成、匹配和入库等操作，为工作人员的案例学习提供了丰富准确的各类典型案例，从而使工作人员能够掌握更好的电力***故障处理分析能力。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种电力***故障案例的典型案例自学习方法，其特征在于，包括：
定义匹配特征值，所述匹配特征值为特征值可信度大于或者等于第一阈值的案例特征值；
定义特征值矩阵，所述特征值矩阵为各个典型案例所含所述匹配特征值的矩阵；
在实际案例发生后，获取该实际案例的状态值；
将所述状态值与各个所述典型案例的所述特征值矩阵进行匹配，计算该实际案例与各个典型案例的案例匹配度，以获取最大案例匹配度；
当所述最大案例匹配度小于第二阈值，将该实际案例进行第一处理；
当所述最大案例匹配度大于或者等于所述第二阈值，将该实际案例进行第二处理。
2.如权利要求1所述的电力***故障案例的典型案例自学习方法，其特征在于，所述第一处理包括：利用该实际案例生成新典型案例。
3.如权利要求2所述的电力***故障案例的典型案例自学习方法，其特征在于，所述第一处理包括：将所述新典型案例的所述状态值生成为新案例特征值，计算所述新案例特征值的特征值可信度。
4.如权利要求1、2或3所述的电力***故障案例的典型案例自学习方法，其特征在于，所述第二处理包括：
定义所述最大案例匹配度对应的所述典型案例为该实际案例的最相似案例；
定义该实际案例的所述状态值中，满足匹配特征值条件的所述状态值为该实际案例的实际案例状态值；
计算该实际案例状态值的特征值可信度，作为实际特征值可信度；
根据该实际特征值可信度和所述最大案例匹配度，计算该实际案例为所述最相似案例的案例可信度。
5.如权利要求4所述的电力***故障案例的典型案例自学习方法，其特征在于，所述第二处理还包括：
在计算该实际案例为所述最相似案例的可信度之后，更新所述最相似案例的数据，然后重新计算该实际案例状态值的可信度；
将重新计算的该实际特征值可信度，更新到所述最相似案例的所述特征值矩阵。
6.如权利要求5所述的电力***故障案例的典型案例自学习方法，其特征在于，将该实际案例的所述状态值中，未满足成为所述匹配特征值的所述状态值定义为该实际案例的样本状态值，将所述样本状态值进行特征值培养。
7.如权利要求6所述的电力***故障案例的典型案例自学习方法，其特征在于，将所述样本状态值进行特征值培养包括：
当该实际案例发生N次以上时，如果所述样本状态值在这些次数中出现的比例不低于K％时，将所述样本状态值转化为该实际案例的案例特征值，并计算该案例特征值的特征值可信度，且判断该案例特征值是否可以作为匹配特征值；其中N为3以上的整数，K为50至100的数字。
8.如权利要求1所述的电力***故障案例的典型案例自学习方法，其特征在于，所述案例特征值和所述案例状态值在用户电网的全景数据中生成，所述全景数据包括以下数据的至少其中之一：变电站SCADA***数据；电力集控SCADA***数据；电力调度SCADA***数据；保护信息***数据；继电保护装置数据；安全稳定与自动控制装置数据；智能测控装置数据；故障录波装置数据。
9.如权利要求8所述的电力***故障案例的典型案例自学习方法，其特征在于，所述全景数据还包括电力设备状态监测数据和生产工艺过程数据。
10.如权利要求1所述的电力***故障案例的典型案例自学习方法，其特征在于，所述案例特征值具有关联属性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010839126.3A CN112101422B (zh) | 2020-08-19 | 2020-08-19 | 电力***故障案例的典型案例自学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010839126.3A CN112101422B (zh) | 2020-08-19 | 2020-08-19 | 电力***故障案例的典型案例自学习方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112101422A true CN112101422A (zh) | 2020-12-18 |
| CN112101422B CN112101422B (zh) | 2024-02-13 |
Family
ID=73754605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010839126.3A Active CN112101422B (zh) | 2020-08-19 | 2020-08-19 | 电力***故障案例的典型案例自学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101422B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113759876A (zh) * | 2021-09-14 | 2021-12-07 | 西安交通大学 | 基于案例推理的风电机组故障诊断方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080168018A1 (en) * | 2005-03-18 | 2008-07-10 | Rohlfing David M | Fault Diagnostics |
| CN102284517A (zh) * | 2011-06-30 | 2011-12-21 | 东北大学 | 基于案例推理的轧后冷却长期自学习方法 |
| CN104573062A (zh) * | 2015-01-23 | 2015-04-29 | 桂林电子科技大学 | 基于描述逻辑和案例推理的智能学习方法 |
| CN108040036A (zh) * | 2017-11-22 | 2018-05-15 | 江苏翼企云通信科技有限公司 | 一种行业云Webshell安全防护方法 |
| CN108090567A (zh) * | 2018-01-19 | 2018-05-29 | 国家电网公司 | 电力通信***故障诊断方法及装置 |
| CN109977146A (zh) * | 2019-05-07 | 2019-07-05 | 山东省科学院激光研究所 | 故障诊断方法、装置及电子设备 |
| CN111553380A (zh) * | 2020-03-22 | 2020-08-18 | 中润普达(十堰)大数据中心有限公司 | 一种汽车故障征兆的辅助诊断***及其使用方法 |
-
2020
- 2020-08-19 CN CN202010839126.3A patent/CN112101422B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080168018A1 (en) * | 2005-03-18 | 2008-07-10 | Rohlfing David M | Fault Diagnostics |
| CN102284517A (zh) * | 2011-06-30 | 2011-12-21 | 东北大学 | 基于案例推理的轧后冷却长期自学习方法 |
| CN104573062A (zh) * | 2015-01-23 | 2015-04-29 | 桂林电子科技大学 | 基于描述逻辑和案例推理的智能学习方法 |
| CN108040036A (zh) * | 2017-11-22 | 2018-05-15 | 江苏翼企云通信科技有限公司 | 一种行业云Webshell安全防护方法 |
| CN108090567A (zh) * | 2018-01-19 | 2018-05-29 | 国家电网公司 | 电力通信***故障诊断方法及装置 |
| CN109977146A (zh) * | 2019-05-07 | 2019-07-05 | 山东省科学院激光研究所 | 故障诊断方法、装置及电子设备 |
| CN111553380A (zh) * | 2020-03-22 | 2020-08-18 | 中润普达(十堰)大数据中心有限公司 | 一种汽车故障征兆的辅助诊断***及其使用方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘芳: "基于案例库的电力通信故障诊断算法研究", 河北电力技术, vol. 38, no. 04, pages 38 - 41 * |
| 赵辉: "案例推理的动态学习模型及其在TE 过程", 中国博士学位论文全文数据库信息科技辑, no. 03, pages 1688 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113759876A (zh) * | 2021-09-14 | 2021-12-07 | 西安交通大学 | 基于案例推理的风电机组故障诊断方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112101422B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106709580B (zh) | 一种变电站二次***运维云平台 | |
| CN105790441B (zh) | 一种智能变电站继电保护巡检*** | |
| EP3913555A1 (en) | Power distribution network operation aided decision-making analysis system and method | |
| CN103501047B (zh) | 一种智能故障录波主站信息管理*** | |
| CN104753178A (zh) | 一种电网故障处理*** | |
| CN103902816A (zh) | 基于数据挖掘技术的带电检测数据处理方法 | |
| CN104657913A (zh) | 一种基于全数据模型的智能告警*** | |
| CN104463696A (zh) | 电网运行风险识防方法及*** | |
| CN108446396B (zh) | 一种基于改进型cim模型的电力数据处理方法 | |
| CN114138982B (zh) | 一种用于干式变压器故障诊断的知识图谱的构建方法 | |
| CN112072642B (zh) | 电力***运行异常状态预估方法 | |
| CN103765469A (zh) | 动态设备管理*** | |
| CN111276929B (zh) | 电力***故障专家诊断的信息录波方法 | |
| CN116094174A (zh) | 基于知识图谱的电网运维监控方法、***、设备及介质 | |
| CN112054510B (zh) | 电力***运行异常状态预估方法 | |
| CN108596450B (zh) | 电网风险预警方法和*** | |
| CN111327474B (zh) | 基于拓扑分析的电力***故障诊断方法 | |
| CN112101422B (zh) | 电力***故障案例的典型案例自学习方法 | |
| CN106776750B (zh) | 一种图模一体化的配电网数字化预案*** | |
| CN112054511A (zh) | 电力***事故处理措施与标准票的关联生成方法 | |
| CN117118062A (zh) | 用于电力调度自动化的二次***数据融合监视方法和*** | |
| CN112614017B (zh) | 停电信息管理***、停电信息管理方法及存储介质 | |
| CN115267616A (zh) | 基于企业数据中台的变压器运行状态监测***及方法 | |
| CN112104073B (zh) | 电力***实时信息标定方法 | |
| Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining |
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 |