CN113420832B - 基于多维数据相似性匹配的电网故障诊断***及方法 - Google Patents
基于多维数据相似性匹配的电网故障诊断***及方法 Download PDFInfo
- Publication number
- CN113420832B CN113420832B CN202110804967.5A CN202110804967A CN113420832B CN 113420832 B CN113420832 B CN 113420832B CN 202110804967 A CN202110804967 A CN 202110804967A CN 113420832 B CN113420832 B CN 113420832B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- module
- power grid
- clustering
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000007621 cluster analysis Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 47
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000007405 data analysis Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 239000003016 pheromone Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多维数据相似性匹配的电网故障诊断***及方法,***包括数据采集模块、数据处理模块、数据分析模块、中央控制模块、关键指标提取模块、聚类模块、数据融合模块、相似性匹配、故障诊断模块以及显示模块。本发明采用聚类分析对数据进行初步分析,综合各类数据进行数据融合诊断,能够全面、准确的进行电网故障判断,具有良好的应用前景。本发明能够实现各种情况下的电网故障诊断,判别故障类型,针对性强且诊断结果准确迅速;本发明诊断速度快,通过相似性匹配实现对电网故障的快速、精确诊断。
Description
技术领域
本发明属于电网故障诊断技术领域,尤其涉及一种基于多维数据相似性匹配的电网故障诊断***及方法。
背景技术
目前,随着电网规模的日益扩大,智能化、自动化设备的大量应用,人们对电网的安全可靠运行提出了更高要求。传统的故障诊断主要是利用故障发生后,SCADA***提供的断路器与保护的动作情况来进行判断,主要方法有专家***、神经网络、粗糙集理论、petri网等。随着监控数据的不断增多,在电网的拓扑结构和运行方式改变时,传统的诊断方法适应能力差;在面对复杂故障、不准确不完备信息时其出现容错性低的问题,因此有必要研究一种适应性强、容错性高并且快速可靠的故障诊断新方法。
现有的故障诊断方法中,影响设备运行状态的维度众多,同一维度下又分为不同的子因素及严重性等级,在各类设备状态的评估过程中,各维度之间很难形成一个统一判定的体系来进行综合评估,且在诊断过程中过多的依赖专家经验进行判断,样本的数量、对不同运行方式的适应性、对当前电网新特征的适应性方面存在问题,容易造成判断偏差。
通过上述分析,现有技术存在的问题及缺陷为:现有的故障诊断方法无法全面、准确的进行电网故障诊断。
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,提供一种基于多维数据相似性匹配的电网故障诊断***及方法,采用聚类分析对数据进行初步分析,综合各类数据进行数据融合诊断,全面、准确的进行电网故障判断。
本发明采用如下的技术方案。
一种基于多维数据相似性匹配的电网故障诊断***,所述***包括数据采集模块,数据处理模块,数据分析模块,中央控制模块,关键指标提取模块,聚类模块,数据融合模块,相似性匹配,故障诊断模块;
数据采集模块,用于采集、抽取相应的电网故障数据;
数据处理模块,用于对采集抽取的电网故障数据进行清洗、转换处理;
数据分析模块,用于对清洗转换处理后的电网故障数据进行分析,确定电网故障数据的关键数据;
中央控制模块,与数据采集模块、数据处理模块、数据分析模块、关键指标提取模块、聚类模块、数据融合模块、相似性匹配、故障诊断模块,用于利用单片机或控制器控制各个模块正常工作;
关键指标提取模块,用于对确定的关键数据进行故障关键指标的提取;
聚类模块,用于基于提取的故障关键指标进行故障数据的聚类分析;
数据融合模块,用于基于聚类分析结果进行故障数据的融合;
相似性匹配,用于基于当前故障数据融合结果与历史故障数据融合结果进行相似性匹配;
故障诊断模块,用于基于相似度匹配确定电网故障,得到故障诊断结果。
进一步地,所述***还包括显示模块,与中央控制模块连接,用于显示故障诊断结果并输出相应的历史解决措施。
进一步地,所述数据采集模块,抽取相应的电网故障数据,包括:
(1.1)根据采集的三相电压信号,提取三相电压行波信号,对三相电压行波信号进行卡布伦尔变换;
(1.2)通过固有时间尺度分解,分解线模分量,确定含有故障数据的高频分量;
(1.3)根据分解得到的高频分量,确定瞬时相位和瞬时频率,并确定出频率中首次突变的最大的点,及所需的时间;
(1.4)利用双端定位的故障距离公式确定故障点位置。
进一步地,固有时间尺度分解公式包括:
Ht=Xt-Lt
其中,Xt为原始信号,L为基线提取算子,Lt为基线信号,Ht为固有旋转分量;τk为原始信号Xt的局部极值点,各极值点对应的时间点为Xt和Lt设为X(τk)和L(τk)。
进一步地,所述数据处理模块,对采集抽取的故障数据进行清洗、转换处理,包括:
(2.1)获取采集抽取的故障数据,并识别所述故障数据的数据属性,根据所述数据属性将所述故障数据划分为多个数据模块;
(2.2)获取所述数据模块的源字段构成,并对所述源字段进行路径配置,得到目标字段,建立所述源字段与所述目标字段的关系,得到配置文件;
(2.3)提取所述数据模块的数据,得到原始数据,并根据所述配置文件中所述源字段与所述目标字段的关系,对所述原始数据进行处理,得到待处理数据;
(2.4)将所述待处理数据进行合并和清洗处理,得到目标数据。
进一步地,所述数据分析模块,对转换处理后的相应故障数据进行分析,确定故障数据的关键数据,包括:
(3.1)确定分析转换处理后的故障数据的维度集、与所述维度集相对应的指标集以及数据特征限制范围;
(3.2)根据所述待分析数据的所述维度集、所述指标集和所述数据特征限定范围,设置所述待分析数据中应用数据处理的多个数据集;
(3.3)采用蚁群算法对所述每一个数据集进行数据处理,令蚁群中的每只蚂蚁走完所述每一个数据集中的所有数据,以从所述每一个数据集中选择出信息素高于设定阈值的数据,其中信息素越高的数据与预设的故障的相关性越高。
进一步地,针对所述故障数据建立数据图谱;在采用所述蚁群算法对所述故障数据进行数据处理时,参考所述数据图谱确定应用数据处理的所述多个数据集;和/或在采用所述蚁群算法对所述故障数据进行数据处理时,参考所述数据图谱确定所述初始化参数。
进一步地,所述聚类模块,基于提取的故障关键指标进行故障数据的聚类分析,包括:
(4.1)利用欧氏距离作为故障数据样本间的相似性度量;
(4.2)选择评价聚类性能的准则函数;
(4.3)选择故障数据的初始分类,之后采用迭代的方法得到聚类结果,通过评价聚类性能的准则函数公式取得最优值。
进一步地,所述数据融合模块,基于聚类分析结果进行故障数据的融合,包括:
(5.1)获取聚类分析结果,并随机选取一个聚类作为初始融合点;
(5.2)随机再选取一个聚类中心点,判断所述聚类中心点与所述初始融合点的距离是否在预设值中,若在预设值中,则转向步骤(5.3),否则,转向步骤(5.4);
(5.3)将与初始融合点的距离在预设值中的聚类中心点的聚类标识发送至所述初始融合点,并将所述聚类中心点的数据与所述初始融合点的数据进行融合;遍历所有除初始融合点之外的全部聚类中心点;
(5.4)在剩余聚类中心点中随机选取一个作为融合点,重复步骤(5.2)至步骤(5.4)直至所有聚类点遍历完成。
一种基于多维数据相似性匹配的电网故障诊断方法,所述方法包括步骤:
(1)通过数据采集模块采集、抽取相应的电网故障数据;
(2)通过数据处理模块对采集抽取的电网故障数据进行清洗、转换处理;
(3)通过数据分析模块对清洗转换处理后的电网故障数据进行分析,确定电网故障数据的关键数据;
(4)通过中央控制模块利用单片机或控制器控制各个模块正常工作;
(5)通过关键指标提取模块对确定的关键数据进行故障关键指标的提取;
(6)通过聚类模块基于提取的故障关键指标进行故障数据的聚类分析;
(7)通过数据融合模块基于聚类分析结果进行故障数据的融合;
(8)通过相似性匹配基于当前故障数据融合结果与历史故障数据融合结果进行相似性匹配;
(9)通过故障诊断模块基于相似度匹配确定电网故障,得到故障诊断结果;
(10)通过显示模块显示故障诊断结果并输出相应的历史解决措施。
本发明的有益效果在于,与现有技术相比,本发明采用聚类分析对数据进行初步分析,综合各类数据进行数据融合诊断,能够全面、准确的进行电网故障判断,具有良好的应用前景。本发明能够实现各种情况下的电网故障诊断,判别故障类型,针对性强且诊断结果准确迅速;本发明诊断速度快,通过相似性匹配实现对电网故障的快速、精确诊断。
附图说明
图1是本发明基于多维数据相似性匹配的电网故障诊断***示意图;
图2是本发明数据处理模块对采集抽取的故障数据进行清洗、转换处理的方法流程图;
图3是本发明数据分析模块对转换处理后的相应故障数据进行分析,确定故障数据的关键数据的方法流程图;
图4是本发明聚类模块基于提取的故障关键指标进行故障数据的聚类分析的方法流程图;
图5是本发明数据融合模块基于聚类分析结果进行故障数据的融合的方法流程图。
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所示,本发明所述的基于多维数据相似性匹配的电网故障诊断***,包括数据采集模块1,数据处理模块2,数据分析模块3,中央控制模块4,关键指标提取模块5,聚类模块6,数据融合模块7,相似性匹配8,故障诊断模块9,显示模块10。
数据采集模块1,与中央控制模块4连接,用于采集、抽取相应的电网故障数据。
数据处理模块2,与中央控制模块4连接,用于对采集抽取的电网故障数据进行清洗、转换处理。
数据分析模块3,与中央控制模块4连接,用于对清洗转换处理后的电网故障数据进行分析,确定电网故障数据的关键数据。
中央控制模块4,与数据采集模块1、数据处理模块2、数据分析模块3、关键指标提取模块5、聚类模块6、数据融合模块7、相似性匹配8、故障诊断模块9以及显示模块10连接,用于利用单片机或控制器控制各个模块正常工作。
关键指标提取模块5,与中央控制模块4连接,用于对确定的关键数据进行故障关键指标的提取。
聚类模块6,与中央控制模块4连接,用于基于提取的故障关键指标进行故障数据的聚类分析。
数据融合模块7,与中央控制模块4连接,用于基于聚类分析结果进行故障数据的融合。
相似性匹配8,与中央控制模块4连接,用于基于当前故障数据融合结果与历史故障数据融合结果进行相似性匹配。
故障诊断模块9,与中央控制模块4连接,用于基于相似度匹配确定电网故障,得到故障诊断结果。
显示模块10,与中央控制模块4连接,用于显示故障诊断结果并输出相应的历史解决措施。
本发明实施例中数据采集模块中抽取相应的电网故障数据的具体过程为:
根据采集的三相电压信号,提取三相电压行波信号,对三相电压行波信号进行卡布伦尔变换(Karenbauer);
通过固有时间尺度分解(ITD),分解线模分量,确定含有故障数据的高频分量;
固有时间尺度分解公式包括:
Ht=Xt-Lt
其中,Xt为原始信号,L为基线提取算子,Lt为基线信号,Ht为固有旋转分量;τk为原始信号Xt的局部极值点,各极值点对应的时间点为Xt和Lt设为X(τk)和L(τk)。
根据分解得到的高频分量,确定瞬时相位和瞬时频率,并确定出频率中首次突变的最大的点,及所需的时间;
所述确定瞬时相位和瞬时频率具体过程为:
瞬时相位数学模型为:
其中,t1和t5为连续两个上过零时刻,t2为正极值时刻,t3为下过零时刻,t4为负极值时刻,A1和A2分别为极大值和极小值的幅值。
瞬时频率数据模型为:
根据上述公式确定出频率中首次突变的最大的点,及所需的时间。
利用双端定位的故障距离公式确定故障点位置。
双端定位的故障距离公式如下:
其中,t1、t2分别为两端的时刻,v为波速,l为两端测量点之间的线路长度,x线路的故障点距离t1端的距离。
如图2所示,本发明实施例中数据处理模块,对采集抽取的故障数据进行清洗、转换处理,包括:
S101,获取采集抽取的故障数据,并识别所述故障数据的数据属性,根据所述数据属性将所述故障数据划分为多个数据模块;
S102,获取所述数据模块的源字段构成,并对所述源字段进行路径配置,得到目标字段,建立所述源字段与所述目标字段的关系,得到配置文件;
S103,提取所述数据模块的数据,得到原始数据,并根据所述配置文件中所述源字段与所述目标字段的关系,对所述原始数据进行处理,得到待处理数据;
S104,将所述待处理数据进行合并和清洗处理,得到目标数据。
本发明实施例中每一数据模块对应一种数据属性。
如图3所示,本发明实施例中数据分析模块对转换处理后的相应故障数据进行分析,确定故障数据的关键数据,包括:
S201,确定分析转换处理后的故障数据的维度集、与所述维度集相对应的指标集以及数据特征限制范围;
S202,根据所述待分析数据的所述维度集、所述指标集和所述数据特征限定范围,设置所述待分析数据中应用数据处理的多个数据集;
S203,采用蚁群算法对所述每一个数据集进行数据处理,令蚁群中的每只蚂蚁走完所述每一个数据集中的所有数据,以从所述每一个数据集中选择出信息素高于设定阈值的数据,其中信息素越高的数据与预设的故障的相关性越高。
本发明实施例中对转换处理后的相应故障数据进行分析,确定故障数据的关键数据,还包括:
针对所述故障数据建立数据图谱;在采用所述蚁群算法对所述故障数据进行数据处理时,参考所述数据图谱确定应用数据处理的所述多个数据集;和/或在采用所述蚁群算法对所述故障数据进行数据处理时,参考所述数据图谱确定所述初始化参数。
如图4所示,本发明实施例中聚类模块基于提取的故障关键指标进行故障数据的聚类分析包括:
S301,利用欧氏距离作为故障数据样本间的相似性度量:
其中,X={Xm|m=1,2,…,total}为故障数据集;X中的样本用数目为d个描述属性A1,A2,…Ad表示,且d个描述属性都是连续型属性;数据样本Xi=(Xi1,Xi2,…Xid),数据样本Xj=(Xj1,Xj2,…Xjd);Xi1,Xi2,…Xid和Xj1,Xj2,…Xjd分别是样本Xi和Xj对应d个描述属性A1,A2,...Ad的取值;d(xi,xj)表示数据样本Xi和Xj之间的相似度。
S302,选择评价聚类性能的准则函数,如下:
其中,故障数据集X包含数目为k的聚类子集X1,X2,...,Xk,各个聚类子集的均值代表点分别为m1,m2,...,mk;p为样本特征向量。
S303,选择故障数据的初始分类,之后采用迭代的方法得到聚类结果,通过评价聚类性能的准则函数公式取得最优值。
如图5所示,本发明实施例中数据融合模块基于聚类分析结果进行故障数据的融合,包括:
S401,获取聚类分析结果,并随机选取一个聚类作为初始融合点;
S402,随机再选取一个聚类中心点,判断所述聚类中心点与所述初始融合点的距离是否在预设值中,若在预设值中,则转向步骤S403,否则,转向步骤S404;
S403,将与初始融合点的距离在预设值中的聚类中心点的聚类标识发送至所述初始融合点,并将所述聚类中心点的数据与所述初始融合点的数据进行融合;遍历所有除初始融合点之外的全部聚类中心点;
S404,在剩余聚类中心点中随机选取一个作为融合点,重复步骤S402至步骤S404直至所有聚类点遍历完成。
本发明还提供一种基于多维数据相似性匹配的电网故障诊断方法,具体包括以下步骤:
(1)通过数据采集模块采集、抽取相应的电网故障数据;
(2)通过数据处理模块对采集抽取的电网故障数据进行清洗、转换处理;
(3)通过数据分析模块对清洗转换处理后的电网故障数据进行分析,确定电网故障数据的关键数据;
(4)通过中央控制模块利用单片机或控制器控制各个模块正常工作;
(5)通过关键指标提取模块对确定的关键数据进行故障关键指标的提取;
(6)通过聚类模块基于提取的故障关键指标进行故障数据的聚类分析;
(7)通过数据融合模块基于聚类分析结果进行故障数据的融合;
(8)通过相似性匹配基于当前故障数据融合结果与历史故障数据融合结果进行相似性匹配;
(9)通过故障诊断模块基于相似度匹配确定电网故障,得到故障诊断结果;
(10)通过显示模块显示故障诊断结果并输出相应的历史解决措施。
本发明的有益效果在于,与现有技术相比,本发明采用聚类分析对数据进行初步分析,综合各类数据进行数据融合诊断,能够全面、准确的进行电网故障判断,具有良好的应用前景。本发明能够实现各种情况下的电网故障诊断,判别故障类型,针对性强且诊断结果准确迅速;本发明诊断速度快,通过相似性匹配实现对电网故障的快速、精确诊断。
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 (5)
1.一种基于多维数据相似性匹配的电网故障诊断***,其特征在于,所述***包括数据采集模块,数据处理模块,数据分析模块,中央控制模块,关键指标提取模块,聚类模块,数据融合模块,相似性匹配,故障诊断模块;
数据采集模块,用于采集、抽取相应的电网故障数据;
(1.1)根据采集的三相电压信号,提取三相电压行波信号,对三相电压行波信号进行卡布伦尔变换;
(1.2)通过固有时间尺度分解,分解线模分量,确定含有故障数据的高频分量;
(1.3)根据分解得到的高频分量,确定瞬时相位和瞬时频率,并确定出频率中首次突变的最大的点,及所需的时间;
(1.4)利用双端定位的故障距离公式确定故障点位置;
数据处理模块,用于对采集抽取的电网故障数据进行清洗、转换处理;
数据分析模块,用于对清洗转换处理后的电网故障数据进行分析,确定电网故障数据的关键数据;
(3.1)确定分析转换处理后的故障数据的维度集、与所述维度集相对应的指标集以及数据特征限制范围;
(3.2)根据待分析数据的所述维度集、所述指标集和所述数据特征限定范围,设置所述待分析数据中应用数据处理的多个数据集;
(3.3)采用蚁群算法对每一个数据集进行数据处理,令蚁群中的每只蚂蚁走完所述每一个数据集中的所有数据,以从所述每一个数据集中选择出信息素高于设定阈值的数据,其中信息素越高的数据与预设的故障的相关性越高;
针对所述故障数据建立数据图谱;在采用所述蚁群算法对所述故障数据进行数据处理时,参考所述数据图谱确定应用数据处理的所述多个数据集;和/或在采用所述蚁群算法对所述故障数据进行数据处理时,参考所述数据图谱确定初始化参数;中央控制模块,与数据采集模块、数据处理模块、数据分析模块、关键指标提取模块、聚类模块、数据融合模块、相似性匹配、故障诊断模块,用于利用单片机或控制器控制各个模块正常工作;
关键指标提取模块,用于对确定的关键数据进行故障关键指标的提取;
聚类模块,用于基于提取的故障关键指标进行故障数据的聚类分析;
(4.1)利用欧氏距离作为故障数据样本间的相似性度量;
(4.2)选择评价聚类性能的准则函数;
(4.3)选择故障数据的初始分类,之后采用迭代的方法得到聚类结果,通过评价聚类性能的准则函数公式取得最优值;数据融合模块,用于基于聚类分析结果进行故障数据的融合;
(5.1)获取聚类分析结果,并随机选取一个聚类作为初始融合点;
(5.2)随机再选取一个聚类中心点,判断所述聚类中心点与所述初始融合点的距离是否在预设值中,若在预设值中,则转向步骤(5.3),否则,转向步骤(5.4);
(5.3)将与初始融合点的距离在预设值中的聚类中心点的聚类标识发送至所述初始融合点,并将所述聚类中心点的数据与所述初始融合点的数据进行融合;遍历所有除初始融合点之外的全部聚类中心点;
(5.4)在剩余聚类中心点中随机选取一个作为融合点,重复步骤(5.2)至步骤(5.4)直至所有聚类点遍历完成;
相似性匹配,用于基于当前故障数据融合结果与历史故障数据融合结果进行相似性匹配;
故障诊断模块,用于基于相似度匹配确定电网故障,得到故障诊断结果。
2.根据权利要求1所述的基于多维数据相似性匹配的电网故障诊断***,其特征在于,
所述***还包括显示模块,与中央控制模块连接,用于显示故障诊断结果并输出相应的历史解决措施。
3.根据权利要求2所述的基于多维数据相似性匹配的电网故障诊断***,其特征在于,固有时间尺度分解公式包括:
其中,为原始信号,/>为基线提取算子,/>为基线信号,/>为固有旋转分量;/>为原始信号/>的局部极值点,各极值点对应的时间点为/>和/>设为/>和/>。
4.根据权利要求1所述的基于多维数据相似性匹配的电网故障诊断***,其特征在于,所述数据处理模块,对采集抽取的故障数据进行清洗、转换处理,包括:
(2.1)获取采集抽取的故障数据,并识别所述故障数据的数据属性,根据所述数据属性将所述故障数据划分为多个数据模块;
(2.2)获取所述数据模块的源字段构成,并对所述源字段进行路径配置,得到目标字段,建立所述源字段与所述目标字段的关系,得到配置文件;
(2.3)提取所述数据模块的数据,得到原始数据,并根据所述配置文件中所述源字段与所述目标字段的关系,对所述原始数据进行处理,得到待处理数据;
(2.4)将所述待处理数据进行合并和清洗处理,得到目标数据。
5.一种基于多维数据相似性匹配的电网故障诊断方法,其特征在于,所述方法包括步骤:
(1)通过数据采集模块采集、抽取相应的电网故障数据;
(1.1)根据采集的三相电压信号,提取三相电压行波信号,对三相电压行波信号进行卡布伦尔变换;
(1.2)通过固有时间尺度分解,分解线模分量,确定含有故障数据的高频分量;
(1.3)根据分解得到的高频分量,确定瞬时相位和瞬时频率,并确定出频率中首次突变的最大的点,及所需的时间;
(1.4)利用双端定位的故障距离公式确定故障点位置;
(2)通过数据处理模块对采集抽取的电网故障数据进行清洗、转换处理;
(3)通过数据分析模块对清洗转换处理后的电网故障数据进行分析,确定电网故障数据的关键数据;
(3.1)确定分析转换处理后的故障数据的维度集、与所述维度集相对应的指标集以及数据特征限制范围;
(3.2)根据待分析数据的所述维度集、所述指标集和所述数据特征限定范围,设置所述待分析数据中应用数据处理的多个数据集;
(3.3)采用蚁群算法对每一个数据集进行数据处理,令蚁群中的每只蚂蚁走完所述每一个数据集中的所有数据,以从所述每一个数据集中选择出信息素高于设定阈值的数据,其中信息素越高的数据与预设的故障的相关性越高;
针对所述故障数据建立数据图谱;在采用所述蚁群算法对所述故障数据进行数据处理时,参考所述数据图谱确定应用数据处理的所述多个数据集;和/或在采用所述蚁群算法对所述故障数据进行数据处理时,参考所述数据图谱确定初始化参数;
(4)通过中央控制模块利用单片机或控制器控制各个模块正常工作;
(5)通过关键指标提取模块对确定的关键数据进行故障关键指标的提取;
(6)通过聚类模块基于提取的故障关键指标进行故障数据的聚类分析;
(4.1)利用欧氏距离作为故障数据样本间的相似性度量;
(4.2)选择评价聚类性能的准则函数;
(4.3)选择故障数据的初始分类,之后采用迭代的方法得到聚类结果,通过评价聚类性能的准则函数公式取得最优值;
(7)通过数据融合模块基于聚类分析结果进行故障数据的融合;
(5.1)获取聚类分析结果,并随机选取一个聚类作为初始融合点;
(5.2)随机再选取一个聚类中心点,判断所述聚类中心点与所述初始融合点的距离是否在预设值中,若在预设值中,则转向步骤(5.3),否则,转向步骤(5.4);
(5.3)将与初始融合点的距离在预设值中的聚类中心点的聚类标识发送至所述初始融合点,并将所述聚类中心点的数据与所述初始融合点的数据进行融合;遍历所有除初始融合点之外的全部聚类中心点;
(5.4)在剩余聚类中心点中随机选取一个作为融合点,重复步骤(5.2)至步骤(5.4)直至所有聚类点遍历完成;
(8)通过相似性匹配基于当前故障数据融合结果与历史故障数据融合结果进行相似性匹配;
(9)通过故障诊断模块基于相似度匹配确定电网故障,得到故障诊断结果;
(10)通过显示模块显示故障诊断结果并输出相应的历史解决措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804967.5A CN113420832B (zh) | 2021-07-16 | 2021-07-16 | 基于多维数据相似性匹配的电网故障诊断***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804967.5A CN113420832B (zh) | 2021-07-16 | 2021-07-16 | 基于多维数据相似性匹配的电网故障诊断***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420832A CN113420832A (zh) | 2021-09-21 |
CN113420832B true CN113420832B (zh) | 2024-02-02 |
Family
ID=77721146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110804967.5A Active CN113420832B (zh) | 2021-07-16 | 2021-07-16 | 基于多维数据相似性匹配的电网故障诊断***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420832B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372557A (zh) * | 2015-12-03 | 2016-03-02 | 国家电网公司 | 基于关联规则的电网资源故障诊断方法 |
WO2018045689A1 (zh) * | 2016-09-07 | 2018-03-15 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
CN109633369A (zh) * | 2018-12-08 | 2019-04-16 | 国网山东省电力公司德州供电公司 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
CN109858503A (zh) * | 2017-11-30 | 2019-06-07 | 株洲中车时代电气股份有限公司 | 基于梯度提升决策树的牵引变流器故障诊断方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210003626A1 (en) * | 2019-07-03 | 2021-01-07 | King Fahd University Of Petroleum And Minerals | Method for inaccuracy prediction and mitigation of impedance-based fault location in distribution grids |
-
2021
- 2021-07-16 CN CN202110804967.5A patent/CN113420832B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372557A (zh) * | 2015-12-03 | 2016-03-02 | 国家电网公司 | 基于关联规则的电网资源故障诊断方法 |
WO2018045689A1 (zh) * | 2016-09-07 | 2018-03-15 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
CN109858503A (zh) * | 2017-11-30 | 2019-06-07 | 株洲中车时代电气股份有限公司 | 基于梯度提升决策树的牵引变流器故障诊断方法 |
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 |
CN109633369A (zh) * | 2018-12-08 | 2019-04-16 | 国网山东省电力公司德州供电公司 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
人工智能在电力***中的应用研究与实践综述;朱永利;尹金良;;发电技术(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420832A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898669B (zh) | 一种基于机器学习的直流矿热炉异常事件预警*** | |
CN112884089A (zh) | 一种基于数据挖掘的电力变压器故障预警*** | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及*** | |
CN108197817A (zh) | 一种基于大数据的非侵入式负荷暂态监测的方法 | |
CN114580666A (zh) | 一种多模式融合电动机智能维护*** | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测***及方法 | |
CN105978145B (zh) | 智能变电站二次***信息融合*** | |
CN111582338A (zh) | 一种电动汽车充电设施运行状态评估方法和*** | |
CN112684295A (zh) | 一种基于相似离度的高渗透率下配电网故障选线方法及*** | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN113420832B (zh) | 基于多维数据相似性匹配的电网故障诊断***及方法 | |
CN106406257A (zh) | 一种基于案例推理的铁矿浮选精矿品位软测量方法及*** | |
CN117491813A (zh) | 新能源汽车动力电池***绝缘异常检测方法 | |
CN116168019B (zh) | 基于机器视觉技术的电网故障检测方法及*** | |
CN116908610A (zh) | 一种基于北斗短报文的线路故障定位方法 | |
CN111391694A (zh) | 一种充电站运行维护的多层次快速数据监测方法和*** | |
CN114781551B (zh) | 一种基于大数据的电池多故障智能分类识别方法 | |
CN111178679A (zh) | 一种基于聚类算法和网络搜索的相位识别方法 | |
CN116317103A (zh) | 一种配电网电压数据处理方法 | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN114760194A (zh) | 一种物联网设备的故障研判方法 | |
CN113253056A (zh) | 基于时频域能量比的柔性直流电缆故障测距方法 | |
CN114384377A (zh) | 一种基于qga-vmd的电缆绝缘状况监测方法和*** | |
CN112381130A (zh) | 一种基于聚类分析的配电房多元数据异常检测方法 | |
CN112348262A (zh) | 一种电力电缆运行安全预警方法 |
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 |