CN113325266A - 基于模糊积分多源信息融合的电网故障诊断方法及*** - Google Patents
基于模糊积分多源信息融合的电网故障诊断方法及*** Download PDFInfo
- Publication number
- CN113325266A CN113325266A CN202110545554.XA CN202110545554A CN113325266A CN 113325266 A CN113325266 A CN 113325266A CN 202110545554 A CN202110545554 A CN 202110545554A CN 113325266 A CN113325266 A CN 113325266A
- Authority
- CN
- China
- Prior art keywords
- fault
- power grid
- fault diagnosis
- module
- information
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 117
- 230000004927 fusion Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012098 association analyses Methods 0.000 claims abstract description 6
- 230000004224 protection Effects 0.000 claims description 38
- 150000001875 compounds Chemical class 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于模糊积分多源信息融合的电网故障诊断方法及***，***包括：电网数据获取模块、数据预处理模块、故障特征提取模块、中央控制模块、诊断模型构建模块、故障诊断模块；采用关联分析算法对当前电网配电线路上不同监测点的数据信息进行预处理，获得可疑元件集，从中提取故障特征参数集以构建电网多目标故障诊断模型，基于模糊积分算法对电网故障进行诊断。基于小波变换的故障处理方法能够更有效地减少信息冗余性，具有较强的扩展性和适用范围，故障诊断准确度高；采用模糊积分理论可以有效地集成多源信息，进行信息融合地故障诊断，鲁棒性更强，具有极高的故障覆盖率，可有效提高配电故障检测准确性。
Description
技术领域
本发明涉及电网故障诊断技术领域，具体地，涉及基于模糊积分多源信息融合的电网故障诊断方法及***。
背景技术
目前，电网是国民经济的支柱，经济的发展离不开电网的发展，一旦发生大面积停电事故将产生不可估量的损失。近年来，我国迎来电网建设的快速发展阶段，电网的故障诊断方法的研究成为国内外学者研究的重点，也是电力设备制造商所关注的问题。
现有技术中，由于电网故障的发生具有不可预知性，保护装置的原理又极其复杂，更关键的是，随着电力***迅速发展，大电网一体化特征日趋明显，***内部不同元素以及***与外部环境之间的耦合关系不断增强，使得电网信息多源化、高耦合度，传统的电网故障诊断方法在面向多源信息时，求解难度大、自动化程度低，经常存在误报、漏报现象，诊断效果不佳。因此，电网故障诊断仍有大量的工作需要进一步完善，实时准确地对故障进行诊断和及时修复故障设备恢复供电，对减少经济损失和提高供电可靠性具有十分重要的意义。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于模糊积分多源信息融合的电网故障诊断方法及***，对电网多源信息进行融合与集成，实现电网故障的自动诊断，避免误报、漏报，有效提高故障检测准确性。
本发明采用如下的技术方案。
基于模糊积分多源信息融合的电网故障诊断***，包括：电网数据获取模块、数据预处理模块、故障特征提取模块、中央控制模块、诊断模型构建模块、故障诊断模块、数据库构建模块、结果反馈模块、数据存储模块、更新显示模块；
电网数据获取模块，用于获取当前电网配电线路上不同监测点的数据信息；
数据预处理模块，用于采用关联分析算法对获取的当前电网配电线路上不同监测点的数据信息进行预处理，确定故障对象的可疑元件集；
故障特征提取模块，用于从所述可疑元件集中提取故障特征参数集，并计算可疑元件集中每个元件的故障概率；
诊断模型构建模块，用于根据故障特征参数集构建电网多目标故障诊断模型；
故障诊断模块，用于基于模糊积分算法利用电网多目标故障诊断模型对电网故障进行诊断；
数据库构建模块，用于通过电网故障诊断，存储电网配电线路上不同监测点的历史运行数据；
结果反馈模块，用于对故障检测结果进行反馈；
数据存储模块，用于存储所获取的当前电网配电线路上不同监测点的数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息；
更新显示模块，用于对所获取的当前电网配电线路上不同监测点的数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息的实时数据进行更新显示；
中央控制模块，用于通过中央处理器协调控制电网数据获取模块、数据预处理模块、故障特征提取模块、中央控制模块、诊断模型构建模块、故障诊断模块、数据库构建模块、结果反馈模块、数据存储模块、更新显示模块的正常运行。
基于模糊积分多源信息融合的电网故障诊断方法包括：
步骤1，采集当前电网配电线路上不同监测点的数据信息；
步骤2，采用关联分析算法对所获取的数据信息进行预处理，获得故障对象的可疑元件集；
步骤3，从可疑元件集中提取故障特征参数集，并计算可疑元件集中每个元件的故障概率；
步骤4，根据所述故障特征参数集构建电网多目标故障诊断的优化模型，对所述电网多目标故障诊断的优化模型进行线性化处理，得到最终的电网多目标故障诊断模型；
步骤5，基于模糊积分算法利用电网多目标故障诊断模型对电网故障进行诊断。
优选地，步骤1中，数据信息包括当前电网配电线路的故障告警信息、配电网拓扑结构信息以及当前电网配电线路上不同监测点的历史运行数据；
其中，所述当前电网配电线路的故障告警信息包括保护动作信息和断路器信息。
优选地，步骤2包括：
步骤2.1，建立数据信息的关联规则集合；其中，所述关联规则集合包括故障发生时间、地点、故障设备以及故障告警信息；
步骤2.2，根据关联规则集合，基于关联分析算法进行频繁项集的筛选以及关联规则的挖掘，计算每个设备发生故障的关联置信度，选择大于设定关联置信度阈值的设备作为可疑元件集中的元件。
优选地，步骤3包括：
步骤3.1，对可疑元件集中的q个元件进行小波分析，将p个尺度的小波分析结果构成p×q阶矩阵A；
步骤3.2，对可疑元件集中的第i个元件，以如下关系式计算小波奇异度yi：
式中，
λi＝diag(λ1,λ2,…,λt)为可疑元件集中第i个元件对应矩阵A的奇异值特征矩阵，其中，t＝min(p,q)，i＝1,2,…,n，
各元件的小波奇异度的集合即为所提取的故障特征参数集；
步骤3.3，在故障时刻t0，对可疑元件集中的第i个元件，以如下关系式计算小波故障度mWFD：
式中，
αF为可信度，
Fimax为第i个元件的电信号变化的最大幅值，
F′i为第i个元件的电信号在故障前后幅值的变化程度。
优选地，步骤4中，电网多目标故障诊断的优化模型中的目标函数，满足如下关系式；
minE(X)＝w1E1(X)+w2E2(X)
式中，
minE(X)为以错误指标最小为最优的目标函数，
E1(X)为动作逻辑错误指标，反映保护装置实际状态与期望状态间的偏差，
E2(X)为信息通信错误指标，反映保护装置实际状态与告警状态间的偏差，
w1为动作逻辑权重系数，
w2为信息通信权重系数，
X为故障假说，是所有停电元件状态组成；
其中，
式中，
Cj为第j台断路器的实际状态，
为第j台断路器的期望状态，
为第j台断路器的告警状态，
rkm为第k台主保护的实际状态，
为第k台主保护的期望状态，
rkp为第k台近后备保护的实际状态，
为第k台近后备保护的期望状态，
rks为第k台远后备保护的实际状态，
为第k台远后备保护的期望状态，
rk为第k台保护的实际状态，
为第k台保护的告警状态，
步骤4中，对电网多目标故障诊断的优化模型进行线性化处理，是确定各线路潮流值关于各机组出力值的近似表达式，包括：
步骤4.1，通过潮流仿真确定所有线路的潮流值都与各机组出力值成线性关系；
步骤4.2，进行线性拟合，利用最小二乘拟合法得到近似表达式。
优选地，步骤5包括：
步骤5.1，获取可疑元件集中的每个元件的故障特征参数和故障概率，即第i个元件的小波奇异度yi和小波故障度mWFD；
步骤5.2，基于模糊积分算法对第i个元件的小波奇异度yi和小波故障度mWFD进行融合，并获得全部元件的融合数据集；
步骤5.3，基于模糊C均值算法，利用电网多目标故障诊断模型对融合数据集进行分析，获得电网故障诊断结果。
步骤5.2包括：
步骤5.2.1，以故障录波信息、继电器保护信息和变电站监控信息作为多源信息；
步骤5.2.2，根据λ模糊测度算法，基于第i个元件的小波奇异度yi和小波故障度mWFD得到电网故障模糊测度，并计算多源信息对于电网故障模糊测度的影响系数；
步骤5.2.3，基于模糊积分算法，利用多源信息的值对影响系数构造一个模糊测度函数，求解模糊测度函数得到多源信融合后的决策模糊值，即为故障信息密度；
步骤5.2.4，将故障信息的每个支路决策模糊值大于等于决策阈值的多源信息，存储至融合数据集中。
优选地，基于模糊积分多源信息融合的电网故障诊断方法还包括：
步骤6.1，存储获数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息；
步骤6.2，对数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息的实时数据进行更新显示；
步骤6.3，利用数据库构建程序构建电网故障诊断，存储电网配电线路上不同监测点的历史运行数据。
本发明的有益效果在于，与现有技术相比，基于小波变换的处理故障信息的方法能够更有效地减少信息的冗余性，具有较强的扩展性和适用范围，故障诊断准确度高；采用模糊积分理论可以有效地集成多源信息，进行信息融合地故障诊断，鲁棒性更强，具有极高的故障覆盖率，可有效提高配电故障检测准确性。
附图说明
图1是本发明实施例提供的基于模糊积分多源信息融合的电网故障诊断***的结构框图；
图2是本发明实施例提供的基于模糊积分多源信息融合的电网故障诊断方法的流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1，基于模糊积分多源信息融合的电网故障诊断***包括：电网数据获取模块、数据预处理模块、故障特征提取模块、数据库构建模块、中央控制模块、诊断模型构建模块、故障诊断模块、结果反馈模块、数据存储模块、更新显示模块。
电网数据获取模块，与数据预处理模块连接，用于通过数据获取设备获取当前电网配电线路上不同监测点的数据信息。
数据预处理模块，与故障特征提取模块连接，用于通过数据预处理程序采用Apriori算法对获取的当前电网配电线路上不同监测点的数据信息进行预处理，确定故障设备的可疑元件集。
故障特征提取模块，与数据库构建模块连接，用于通过特征提取程序提取所述可疑元件集的故障特征参数集，并计算可疑元件集中每个元件的故障概率。
数据库构建模块，与中央控制模块连接，用于通过数据库构建程序构建的电网故障诊断，存储电网配电线路上不同监测点的历史运行数据。
中央控制模块，与诊断模型构建模块连接，用于通过中央处理器协调控制电网数据获取模块、数据预处理模块、故障特征提取模块、数据库构建模块、中央控制模块、诊断模型构建模块、故障诊断模块、结果反馈模块、数据存储模块、更新显示模块的正常运行。
诊断模型构建模块，与故障诊断模块连接，用于通过模型构建程序根据故障特征参数集构建电网多目标故障诊断模型。
故障诊断模块，与结果反馈模块连接，用于通过故障诊断程序利用电网多目标故障诊断模型根据基于模糊积分算法理论对电网故障进行诊断。
结果反馈模块，与数据存储模块连接，用于通过结果反馈程序对故障检测结果进行反馈。
数据存储模块，与更新显示模块连接，用于通过存储器存储获取的当前电网配电线路上不同监测点的数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息。
更新显示模块，用于通过显示器对获取的当前电网配电线路上不同监测点的数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息的实时数据进行更新显示。
如图2，基于模糊积分多源信息融合的电网故障诊断方法包括：
步骤1，通过电网数据获取模块利用数据获取设备采集当前电网配电线路上不同监测点的数据信息。
具体地，步骤1中，数据信息包括当前电网配电线路的故障告警信息、配电网拓扑结构信息以及当前电网配电线路上不同监测点的历史运行数据；其中，当前电网配电线路的故障告警信息包括保护动作信息和断路器信息。
步骤2，通过数据预处理模块利用数据预处理程序采用Apriori算法对获取的当前电网配电线路上不同监测点的数据信息进行预处理，确定故障设备的可疑元件集。
具体地，步骤2包括：
步骤2.1，建立数据信息的关联规则集合；其中，关联规则集合包括故障发生时间、地点、故障设备以及故障告警信息；
步骤2.2，根据关联规则集合，基于关联分析算法进行频繁项集的筛选以及关联规则的挖掘，计算每个设备发生故障的关联置信度，选择大于设定关联置信度阈值的设备作为可疑元件集中的元件。
步骤3，通过故障特征提取模块利用特征提取程序提取可疑元件集的故障特征参数集，并计算可疑元件集中每个元件的故障概率。
具体地，步骤3包括：
步骤3.1，对可疑元件集中的q个元件进行小波分析，将p个尺度的小波分析结果构成p×q阶矩阵A；
步骤3.2，对可疑元件集中的第i个元件，以如下关系式计算小波奇异度yi：
式中，
λi＝diag(λ1,λ2，…，λt)为可疑元件集中第i个元件对应矩阵A的奇异值特征矩阵，其中，t＝min(p，q)，i＝1，2，…,n，
各元件的小波奇异度的集合即为所提取的故障特征参数集；
步骤3.3，在故障时刻t0，对可疑元件集中的第i个元件，以如下关系式计算小波故障度mWFD：
式中，
αF为可信度，
Fimax为第i个元件的信号变化的最大幅值，
F′i为第i个元件的信号在故障前后幅值的变化程度，满足如下关系式：
式中，当t＜t0，则Fif＝max(D(t))；当t≥t0，则Fib＝max(D(t))；其中，D(t)为细节系数，
各元件的小波故障度即为该元件的故障概率。
步骤4，通过诊断模型构建模块利用模型构建程序根据故障特征参数集构建电网多目标故障诊断模型。
具体地，步骤4中，电网多目标故障诊断的优化模型中的目标函数，满足如下关系式；
minE(X)＝w1E1(X)+w2E2(X)
式中，
minE(X)为以错误指标最小为最优的目标函数，
E1(X)为动作逻辑错误指标，反映保护装置实际状态与期望状态间的偏差，
E2(X)为信息通信错误指标，反映保护装置实际状态与告警状态间的偏差，
w1为动作逻辑权重系数，
w2为信息通信权重系数，
X为故障假说，是所有停电元件状态组成；
其中，
式中，
Cj为第j台断路器的实际状态，
为第j台断路器的期望状态，
为第j台断路器的告警状态，
rkm为第k台主保护的实际状态，
为第k台主保护的期望状态，
rkp为第k台近后备保护的实际状态，
为第k台近后备保护的期望状态，
rks为第k台远后备保护的实际状态，
为第k台远后备保护的期望状态，
rk为第k台保护的实际状态，
为第k台保护的告警状态，
步骤4中，对所述电网多目标故障诊断的优化模型进行线性化处理，是确定各线路潮流值关于各机组出力值的近似表达式，包括：
步骤4.1，通过潮流仿真确定所有线路的潮流值都与各机组出力值成线性关系；
步骤4.2，进行线性拟合，利用最小二乘拟合法得到近似表达式。
通过线性拟合，既对表达式进行了拟合优度的分析，也对式中各系数和常数也做出了合理性说明。
步骤5，通过故障诊断模块利用故障诊断程序利用电网多目标故障诊断模型根据基于模糊积分算法理论对电网故障进行诊断；通过结果反馈模块利用结果反馈程序对故障检测结果进行反馈。
具体地，步骤5包括：
步骤5.1，获取可疑元件集中的每个元件的故障特征参数和故障概率，即第i个元件的小波奇异度yi和小波故障度mWFD。
步骤5.2，基于模糊积分算法对第i个元件的小波奇异度yi和小波故障度mWFD进行融合，并获得全部元件的融合数据集。
具体地，步骤5.2包括：
步骤5.2.1，以故障录波信息、继电器保护信息和变电站监控信息作为多源信息；
步骤5.2.2，根据λ模糊测度算法，基于第i个元件的小波奇异度yi和小波故障度mWFD得到电网故障模糊测度，并计算多源信息对于电网故障模糊测度的影响系数；
步骤5.2.3，基于模糊积分算法，利用多源信息的值对影响系数构造一个模糊测度函数，求解模糊测度函数得到多源信融合后的决策模糊值，即为故障信息密度；
步骤5.2.4，将故障信息的每个支路决策模糊值大于等于决策阈值的多源信息，存储至融合数据集中。
步骤5.3，基于模糊C均值算法，利用电网多目标故障诊断模型对融合数据集进行分析，获得电网故障诊断结果。
基于模糊积分多源信息融合的电网故障诊断方法，还包括：
步骤6.1，通过数据存储模块利用存储器存储获取的当前电网配电线路上不同监测点的数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息。
步骤6.2，通过更新显示模块利用显示器对获取的当前电网配电线路上不同监测点的数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息的实时数据进行更新显示。
步骤6.3，通过数据库构建模块利用数据库构建程序构建电网故障诊断，存储电网配电线路上不同监测点的历史运行数据。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
本发明的有益效果在于，与现有技术相比，基于小波变换的处理故障信息的方法能够更有效地减少信息的冗余性，具有较强的扩展性和适用范围，故障诊断准确度高；采用模糊积分理论可以有效地集成多源信息，进行信息融合地故障诊断，鲁棒性更强，具有极高的故障覆盖率，可有效提高配电故障检测准确性。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.基于模糊积分多源信息融合的电网故障诊断***，其特征在于，
所述***包括：电网数据获取模块、数据预处理模块、故障特征提取模块、中央控制模块、诊断模型构建模块、故障诊断模块、数据库构建模块、结果反馈模块、数据存储模块、更新显示模块；
电网数据获取模块，用于获取当前电网配电线路上不同监测点的数据信息；
数据预处理模块，用于采用关联分析算法对获取的当前电网配电线路上不同监测点的数据信息进行预处理，确定故障对象的可疑元件集；
故障特征提取模块，用于从所述可疑元件集中提取故障特征参数集，并计算可疑元件集中每个元件的故障概率；
诊断模型构建模块，用于根据故障特征参数集构建电网多目标故障诊断模型；
故障诊断模块，用于基于模糊积分算法利用电网多目标故障诊断模型对电网故障进行诊断；
数据库构建模块，用于通过电网故障诊断，存储电网配电线路上不同监测点的历史运行数据；
结果反馈模块，用于对故障检测结果进行反馈；
数据存储模块，用于存储所获取的当前电网配电线路上不同监测点的数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息；
更新显示模块，用于对所获取的当前电网配电线路上不同监测点的数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息的实时数据进行更新显示；
中央控制模块，用于通过中央处理器协调控制电网数据获取模块、数据预处理模块、故障特征提取模块、中央控制模块、诊断模型构建模块、故障诊断模块、数据库构建模块、结果反馈模块、数据存储模块、更新显示模块的正常运行。
2.基于模糊积分多源信息融合的电网故障诊断方法，适用于权利要求1所述的基于模糊积分多源信息融合的电网故障诊断***中，其特征在于，
所述方法包括：
步骤1，采集当前电网配电线路上不同监测点的数据信息；
步骤2，采用关联分析算法对所获取的数据信息进行预处理，获得故障对象的可疑元件集；
步骤3，从可疑元件集中提取故障特征参数集，并计算可疑元件集中每个元件的故障概率；
步骤4，根据所述故障特征参数集构建电网多目标故障诊断的优化模型，对所述电网多目标故障诊断的优化模型进行线性化处理，得到最终的电网多目标故障诊断模型；
步骤5，基于模糊积分算法利用电网多目标故障诊断模型对电网故障进行诊断。
3.根据权利要求2所述的基于模糊积分多源信息融合的电网故障诊断方法，其特征在于，
步骤1中，所述数据信息包括当前电网配电线路的故障告警信息、配电网拓扑结构信息以及当前电网配电线路上不同监测点的历史运行数据；
其中，所述当前电网配电线路的故障告警信息包括保护动作信息和断路器信息。
4.根据权利要求2所述的基于模糊积分多源信息融合的电网故障诊断方法，其特征在于，
步骤2包括：
步骤2.1，建立数据信息的关联规则集合；其中，所述关联规则集合包括故障发生时间、地点、故障设备以及故障告警信息；
步骤2.2，根据关联规则集合，基于关联分析算法进行频繁项集的筛选以及关联规则的挖掘，计算每个设备发生故障的关联置信度，选择大于设定关联置信度阈值的设备作为可疑元件集中的元件。
5.根据权利要求4所述的基于模糊积分多源信息融合的电网故障诊断方法，其特征在于，
步骤3包括：
步骤3.1，对可疑元件集中的q个元件进行小波分析，将p个尺度的小波分析结果构成p×q阶矩阵A；
步骤3.2，对可疑元件集中的第i个元件，以如下关系式计算小波奇异度yi：
式中，
λi＝diag(λ1，λ2，...，λt)为可疑元件集中第i个元件对应矩阵A的奇异值特征矩阵，其中，t＝min(p，q)，i＝1，2，...，n，
各元件的小波奇异度的集合即为所提取的故障特征参数集；
步骤3.3，在故障时刻t0，对可疑元件集中的第i个元件，以如下关系式计算小波故障度mWFD：
式中，
αF为可信度，
Fimax为第i个元件的电信号变化的最大幅值，
F′i为第i个元件的电信号在故障前后幅值的变化程度。
6.根据权利要求2所述的基于模糊积分多源信息融合的电网故障诊断方法，其特征在于，
步骤4中，所述电网多目标故障诊断的优化模型中的目标函数，满足如下关系式；
minE(X)＝w1E1(X)+w2E2(X)
式中，
minE(X)为以错误指标最小为最优的目标函数，
E1(X)为动作逻辑错误指标，反映保护装置实际状态与期望状态间的偏差，
E2(X)为信息通信错误指标，反映保护装置实际状态与告警状态间的偏差，
w1为动作逻辑权重系数，
w2为信息通信权重系数，
X为故障假说，是所有停电元件状态组成；
其中，
式中，
Cj为第j台断路器的实际状态，
为第j台断路器的期望状态，
为第j台断路器的告警状态，
rkm为第k台主保护的实际状态，
为第k台主保护的期望状态，
rkp为第k台近后备保护的实际状态，
为第k台近后备保护的期望状态，
rks为第k台远后备保护的实际状态，
为第k台远后备保护的期望状态，
rk为第k台保护的实际状态，
为第k台保护的告警状态，
7.根据权利要求6所述的基于模糊积分多源信息融合的电网故障诊断方法，其特征在于，
步骤4中，对所述电网多目标故障诊断的优化模型进行线性化处理，是确定各线路潮流值关于各机组出力值的近似表达式，包括：
步骤4.1，通过潮流仿真确定所有线路的潮流值都与各机组出力值成线性关系；
步骤4.2，进行线性拟合，利用最小二乘拟合法得到近似表达式。
8.根据权利要求2所述的基于模糊积分多源信息融合的电网故障诊断方法，其特征在于，
步骤5包括：
步骤5.1，获取可疑元件集中的每个元件的故障特征参数和故障概率，即第i个元件的小波奇异度yi和小波故障度mWFD；
步骤5.2，基于模糊积分算法对第i个元件的小波奇异度yi和小波故障度mWFD进行融合，并获得全部元件的融合数据集；
步骤5.3，基于模糊C均值算法，利用电网多目标故障诊断模型对融合数据集进行分析，获得电网故障诊断结果。
9.根据权利要求7所述的基于模糊积分多源信息融合的电网故障诊断方法，其特征在于，
步骤5.2包括：
步骤5.2.1，以故障录波信息、继电器保护信息和变电站监控信息作为多源信息；
步骤5.2.2，根据λ模糊测度算法，基于第i个元件的小波奇异度yi和小波故障度mWFD得到电网故障模糊测度，并计算多源信息对于电网故障模糊测度的影响系数；
步骤5.2.3，基于模糊积分算法，利用多源信息的值对影响系数构造一个模糊测度函数，求解模糊测度函数得到多源信融合后的决策模糊值，即为故障信息密度；
步骤5.2.4，将故障信息的每个支路决策模糊值大于等于决策阈值的多源信息，存储至融合数据集中。
10.根据权利要求2所述的基于模糊积分多源信息融合的电网故障诊断方法，其特征在于，
基于模糊积分多源信息融合的电网故障诊断方法还包括：
步骤6.1，存储获数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息；
步骤6.2，对数据信息、数据预处理结果、故障特征参数集、故障概率、数据库、电网故障区域、电网多目标故障诊断模型、故障诊断结果以及结果反馈信息的实时数据进行更新显示；
步骤6.3，利用数据库构建程序构建电网故障诊断，存储电网配电线路上不同监测点的历史运行数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110545554.XA CN113325266A (zh) | 2021-05-19 | 2021-05-19 | 基于模糊积分多源信息融合的电网故障诊断方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110545554.XA CN113325266A (zh) | 2021-05-19 | 2021-05-19 | 基于模糊积分多源信息融合的电网故障诊断方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113325266A true CN113325266A (zh) | 2021-08-31 |
Family
ID=77415999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110545554.XA Pending CN113325266A (zh) | 2021-05-19 | 2021-05-19 | 基于模糊积分多源信息融合的电网故障诊断方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113325266A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115545355A (zh) * | 2022-11-30 | 2022-12-30 | 国网天津市电力公司电力科学研究院 | 基于多类信息融合识别的电网故障诊断方法、装置及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106019043A (zh) * | 2016-05-10 | 2016-10-12 | 国网山东省电力公司德州供电公司 | 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 |
| WO2019233047A1 (zh) * | 2018-06-07 | 2019-12-12 | 国电南瑞科技股份有限公司 | 基于电网调度的运维方法 |
| CN111123034A (zh) * | 2019-12-23 | 2020-05-08 | 南京工程学院 | 一种基于支路元件关联矩阵自动建模的电网故障诊断方法 |
-
2021
- 2021-05-19 CN CN202110545554.XA patent/CN113325266A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106019043A (zh) * | 2016-05-10 | 2016-10-12 | 国网山东省电力公司德州供电公司 | 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 |
| WO2019233047A1 (zh) * | 2018-06-07 | 2019-12-12 | 国电南瑞科技股份有限公司 | 基于电网调度的运维方法 |
| CN111123034A (zh) * | 2019-12-23 | 2020-05-08 | 南京工程学院 | 一种基于支路元件关联矩阵自动建模的电网故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周杰娜: "《现代电力***调度自动化》", 31 October 2002, 重庆大学出版社, pages: 102 - 103 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115545355A (zh) * | 2022-11-30 | 2022-12-30 | 国网天津市电力公司电力科学研究院 | 基于多类信息融合识别的电网故障诊断方法、装置及设备 |
| CN115545355B (zh) * | 2022-11-30 | 2023-05-02 | 国网天津市电力公司电力科学研究院 | 基于多类信息融合识别的电网故障诊断方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112749509B (zh) | 一种基于lstm神经网络的智能变电站故障诊断方法 | |
| CN103996077A (zh) | 一种基于多维时间序列的电气设备故障预测方法 | |
| CN112415331B (zh) | 基于多源故障信息的电网二次***故障诊断方法 | |
| CN108521123B (zh) | 一种可视化的多联络点配电网故障区段关联方法 | |
| US11740275B2 (en) | Method for intelligent fault detection and location of power distribution network | |
| CN116467674B (zh) | 一种配电网智能故障处理融合更新***及其方法 | |
| CN114004137A (zh) | 一种多源气象数据融合与预处理方法 | |
| CN108390380A (zh) | 一种变压器状态参量趋势预测方法及*** | |
| CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| CN116468426A (zh) | 基于Apriori算法的电网故障确定方法及存储介质 | |
| CN113325266A (zh) | 基于模糊积分多源信息融合的电网故障诊断方法及*** | |
| CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及*** | |
| CN106019043B (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 | |
| Tong et al. | Online monitoring data processing method of transformer oil chromatogram based on association rules | |
| CN105302476B (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储***及其存储方法 | |
| CN115514679B (zh) | 一种基于通信模块的异常来源监测方法及*** | |
| CN116203365A (zh) | 基于野马算法优化pnn的gis设备局部放电检测方法 | |
| CN103475527A (zh) | 一种网管故障可信度分析***及方法 | |
| Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
| Sun et al. | A vulnerability spatiotemporal distribution prognosis framework for integrated energy systems within intricate data scenes according to importance-fuzzy high-utility pattern identification | |
| Wu et al. | The medium-voltage distribution detwork fault fiagnosis based on data association analysis | |
| Du et al. | Fault diagnosis method of automation equipment in independent and controllable substation based on deep reinforcement learning | |
| Dunwen et al. | A trainsient voltage stability evaluation model based on morphological similarity distance online calculation | |
| Huang et al. | Research on Monitoring and Diagnosis Technology of Data Anomaly in Distribution Network |
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 |