CN114113887B - 一种配电网故障定位方法与*** - Google Patents
一种配电网故障定位方法与*** Download PDFInfo
- Publication number
- CN114113887B CN114113887B CN202111384728.5A CN202111384728A CN114113887B CN 114113887 B CN114113887 B CN 114113887B CN 202111384728 A CN202111384728 A CN 202111384728A CN 114113887 B CN114113887 B CN 114113887B
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- equipment
- identification
- neural network
- 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
- 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
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种配电网故障定位方法与***,所述方法与***结合用户上报的信息初步确定故障区域,之后再从故障区域中确定故障设备及其位置,减少数据处理量,提供效率;并通过不同的方法训练两个神经网络模型,之后将两个神经网络模型融合,通过三种神经网络模型的识别结果,确定故障设备及其位置,更加准确。
Description
技术领域
本发明涉及配电网技术领域,具体涉及一种配电网故障定位方法与***。
背景技术
随着配电网规模的不断扩大,用电需求的不断增加,使得电网发生故障的概率增大,用电客户对供电可靠性要求越来越高。目前在发生停电事件以后主要依赖用电客户拨打95598,但是这种方法无法准确定位故障设备,影响供电抢修。
发明内容
本发明的目的在于提出一种配电网故障定位方法与***,实现快速准确定位配电网故障设备。
本发明的实施例提出一种配电网故障定位方法,包括如下步骤:
步骤S10、获取用户上报的停电信息,从所述停电信息中提取户编号,并根据所述用户编号确定配电网中的故障区域;
步骤S20、向所述故障区域中的各个智能终端发送电气参量获取请求,以获取故障区域中各个分支线路的当前电气参量;其中配电网的每一分支线路都设置有一个所述智能终端;
步骤S30、获取配电网拓扑信息;
步骤S40、将所述电气参量和所述配电网拓扑信息输入预先训练好的第一神经网络模型进行识别,获得第一识别结果;其中,所述第一识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
步骤S50、将所述电气参量和所述配电网拓扑信息输入预先训练好的第二神经网络模型进行识别,获得第二识别结果;其中,所述第一神经网络模型与所述第二神经网络模型分别采用不同的模型结构和训练方式获得,所述第二识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
步骤S60、将所述电气参量和所述配电网拓扑信息输入预先训练好的第三神经网络模型进行识别,获得第三识别结果;其中,所述第三神经网络模型为所述第一神经网络模型与所述第二神经网络模型融合得到,所述第三识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
步骤S70、比对所述第一识别结果、所述第二识别结果和所述第三识别结果,根据比对结果确定故障设备及其所在位置。
优选地,所述步骤S70,包括:
若所述第一识别结果、所述第二识别结果和所述第三识别结果均不相同,则重新执行步骤S20~步骤S70。
优选地,所述步骤S70,包括:
若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备的设备信息及其所在分支线路的位置信息相同,则根据该两个识别结果中的任一个确定故障设备及其所在位置。
优选地,所述步骤S70,包括:
若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备所在分支线路的位置信息相同,故障设备的设备信息不同,则根据该两个识别结果中的任一个确定故障设备所在位置,并获取该两个识别结果的故障设备的历史电气参量和当前电气参量,比对所述历史电气参量与所述当前电气参量进行,根据比对结果确定故障设备。
优选地,所述故障设备所在分支线路的位置信息为线路编号。
本发明的实施例还提出一种配电网故障定位***,包括:
故障区域确定单元,用于获取用户上报的停电信息,从所述停电信息中提取户编号,并根据所述用户编号确定配电网中的故障区域;
电气参量获取单元,用于向所述故障区域中的各个智能终端发送电气参量获取请求,以获取故障区域中各个分支线路的当前电气参量;其中配电网的每一分支线路都设置有一个所述智能终端;
配网拓扑获取单元,用于获取配电网拓扑信息;
第一识别单元,用于将所述电气参量和所述配电网拓扑信息输入预先训练好的第一神经网络模型进行识别,获得第一识别结果;其中,所述第一识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
第二识别单元,用于将所述电气参量和所述配电网拓扑信息输入预先训练好的第二神经网络模型进行识别,获得第二识别结果;其中,所述第一神经网络模型与所述第二神经网络模型分别采用不同的模型结构和训练方式获得,所述第二识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
第三识别单元,用于将所述电气参量和所述配电网拓扑信息输入预先训练好的第三神经网络模型进行识别,获得第三识别结果;其中,所述第三神经网络模型为所述第一神经网络模型与所述第二神经网络模型融合得到,所述第三识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;以及
故障识别单元,用于比对所述第一识别结果、所述第二识别结果和所述第三识别结果,根据比对结果确定故障设备及其所在位置。
优选地,所述故障识别单元,具体用于若所述第一识别结果、所述第二识别结果和所述第三识别结果均不相同,则重新执行步骤S20~步骤S70。
优选地,所述故障识别单元,具体用于若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备的设备信息及其所在分支线路的位置信息相同,则根据该两个识别结果中的任一个确定故障设备及其所在位置。
优选地,所述故障识别单元,具体用于若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备所在分支线路的位置信息相同,故障设备的设备信息不同,则根据该两个识别结果中的任一个确定故障设备所在位置,并获取该两个识别结果的故障设备的历史电气参量和当前电气参量,比对所述历史电气参量与所述当前电气参量进行,根据比对结果确定故障设备。
优选地,所述故障设备所在分支线路的位置信息为线路编号。
本发明实施例具有以下有益效果:
结合用户上报的信息初步确定故障区域,之后再从故障区域中确定故障设备及其位置,减少数据处理量,提供效率;并通过不同的方法训练两个神经网络模型,之后将两个神经网络模型融合,通过三种神经网络模型的识别结果,确定故障设备及其位置,更加准确。
本发明的实施例的其它特征和优点将在随后的说明书中阐述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种配电网故障定位方法流程图。
图2为本发明实施例中配电网局部拓扑示意图。
图3为本发明实施例中一种配电网故障定位***结构图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外,为了更好的说明本发明,在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的手段未作详细描述,以便于凸显本发明的主旨。
参阅图1,本发明的一实施例提出一种配电网故障定位方法,包括如下步骤:
步骤S10、获取用户上报的停电信息,从所述停电信息中提取户编号,并根据所述用户编号确定配电网中的故障区域;
具体而言,用户可以通过拨打95598上报停电信息,获取用户编码后,根据用户编码可以确定用户所在的区域。其中,配电网可以分为多个用户区域,每个用户区域中的用户所在支路存在关联,因此某个用户上报停电信息后,只能先确定该用户对应的用户区域,确定为故障区域;
步骤S20、向所述故障区域中的各个智能终端发送电气参量获取请求,以获取故障区域中各个分支线路的当前电气参量;其中配电网的每一分支线路都设置有一个所述智能终端;
其中,上述各个智能终端设置在故障区域中的各个分支线路上,如图2所示,电气参量可以包括电流、电压、有功及无功参量等;
步骤S30、获取配电网拓扑信息;
步骤S40、将所述电气参量和所述配电网拓扑信息输入预先训练好的第一神经网络模型进行识别,获得第一识别结果;其中,所述第一识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
步骤S50、将所述电气参量和所述配电网拓扑信息输入预先训练好的第二神经网络模型进行识别,获得第二识别结果;其中,所述第一神经网络模型与所述第二神经网络模型分别采用不同的模型结构和训练方式获得,所述第二识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
步骤S60、将所述电气参量和所述配电网拓扑信息输入预先训练好的第三神经网络模型进行识别,获得第三识别结果;其中,所述第三神经网络模型为所述第一神经网络模型与所述第二神经网络模型融合得到,所述第三识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
步骤S70、比对所述第一识别结果、所述第二识别结果和所述第三识别结果,根据比对结果确定故障设备及其所在位置。
进一步地,所述步骤S70,包括:
若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备的设备信息及其所在分支线路的位置信息相同,则根据该两个识别结果中的任一个确定故障设备及其所在位置;
举例而言,所述第一识别结果包括故障设备1(位置1)和故障设备2(位置2),所述第二识别结果包括故障设备3(位置3)和故障设备4(位置4),所述第三识别结果包括故障设备5(位置5)、故障设备6(位置6)和故障设备7(位置7);若故障设备1与故障设备3相同,位置1与位置3相同,故障设备2与故障设备4相同,位置2与位置4相同,则根据所述第一识别结果或所述第二识别结果确定故障设备及其位置。由于第三神经网络模型是由第一神经网络模型和第二神经网络模型融合得到,因此,在实际识别过程中,如果第一识别结果和第二识别结果相同,则一般情况下,第三识别结果与第一识别结果和第二识别结果也会相同。
若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备所在分支线路的位置信息相同,故障设备的设备信息不同,则根据该两个识别结果中的任一个确定故障设备所在位置,并获取该两个识别结果的故障设备的历史电气参量和当前电气参量,比对所述历史电气参量与所述当前电气参量进行,根据比对结果确定故障设备;
举例而言,所述第一识别结果包括故障设备1(位置1)和故障设备2(位置2),所述第二识别结果包括故障设备3(位置3)和故障设备4(位置4),所述第三识别结果包括故障设备5(位置5)和故障设备6(位置6);若故障设备1与故障设备3和故障设备5相同,位置1与位置3和位置5相同,则确定位置1所在的支路上的故障设备1存在故障;若位置2、位置4和位置6相同,而故障设备2、故障设备4和故障设备6不相同,则确定位置1、位置3和位置5所在的支路上存在故障,不能够确定具体是那个设备存在故障,之后,获取故障设备2、故障设备4和故障设备6的历史电气参量,根据当前电气参量与历史电气参量进行比对,确定最可能存在故障的设备;优选地,所述历史电气参量可以为与当前同等条件下的数据,例如时间相近或相同、天气相近或相同等,提高对比结果可靠性。
若所述第一识别结果、所述第二识别结果和所述第三识别结果均不相同,则重新执行步骤S20~步骤S70。
进一步地,所述故障设备所在分支线路的位置信息为线路编号。
参阅图2,智能终端用于设置在配电网的各个分支线路上,用于采集各个分支线路的电气参量,例如电流、电压、有功及无功参量等,并将电气参量发送给服务器,服务器作为执行本实施例方法的执行主体;服务器用于通过训练数据训练神经网络模型,训练数据可以包括分支线路的电气参量、故障设备的位置、配电网的拓扑信息。服务器还用于将发生故障时采集到的电气参量和拓扑信息输入训练后的神经网络模型,识别出配电网中故障设备的位置。智能终端可以设置在每个分支线路上,采集该分支的电气参量。右侧的三个智能终端位于下一级分支线路11、12、13上,左侧的一个智能终端位于上一级分支线路1上。理论上,右侧的三个智能终端采集到的三个分支线路的电气参量与左侧的一个智能终端采集到的一个分支线路的电气参量对应。例如,左侧三个分支线路的电流/功率之和与右侧分支线路的电流/功率相等。
本发明实施例结合用户上报的信息初步确定故障区域,之后再从故障区域中确定故障设备及其位置,减少数据处理量,提供效率;并通过不同的方法训练两个神经网络模型,之后将两个神经网络模型融合,通过三种神经网络模型的识别结果,确定故障设备及其位置,更加准确。
举例而言,所述第一神经网络模型的训练过程包括以下步骤:
步骤A1,提取训练集中各个训练数据的特征;
获取训练集,训练集中包括多个分支线路的电气参量(电压、电流、有功及无功参量等)、配电网故障设备的位置、配电网的拓扑信息;获取到训练集之后,从训练集中提取数据的数值、位置、拓扑等信息作为特征;
步骤A2,将训练集中各个训练数据的特征划分为Q个特征子集;
其中,Q大于1,且每个特征子集中包含的特征数不小于1;
例如,可以按照聚类划分划分等方式,将训练集中各个训练数据的特征或随机划分为Q个特征子集;
聚类划分为:设置聚类中心数目为Q,利用聚类算法,将原始数据特征聚类成Q份;随机划分为:创建Q个特征子集,依次为每个特征子集随机选择特征,使每份特征子集的规模相当;
步骤A3,基于上述Q个特征子集训练第一神经子网络,得到Q个第一神经子网络;
之后,根据各个特征子集确定各个特征子集所对应的目标训练子集;
假设Tj为第i个特征子集中的第j个特征,提取上述训练集中与特征Tj相对应的数据列,构成与第i个特征子集所对应的第i个目标训练子集的第j列,重复上述步骤,即提取上述训练集中与上述第i个特征子集中各个特征相对应的数据列,构成与第i个特征子集所对应的第i个目标训练子集;最终获得的目标训练子集是M×Ni′维的,其中M为上述训练集中某一特征所对应的数据数目,Ni′为第i个特征子集所包含的特征数目;
接着,基于隐含层节点数目和目标训练子集,对各个特征子集对应的第一神经子网络进行训练;
以Ki'为上述第i个第一神经子网络隐含层节点的数目,以上述第i个目标训练子集中的每一条数据同时作为上述第i个第一神经子网络的输入数据与输出数据(即令上述第一神经子网络的输入数据与输出数据相同),采用两阶段法计算第i个第一神经子网络的参数,其中,第i个第一神经子网络的参数包括该第一神经子网络隐含层节点的中心与宽度、隐含层节点与输出层节点的权重等;可选的,上述分别基于各个特征子集和各个特征子集所对应的目标训练子集,训练相应的第一神经子网络的训练过程可以并行执行,即可以同时执行对上述Q个第一神经子网络的训练,从而达到缩短时间,加快训练速度的目的;
步骤A4,将Q个第一神经子网络并列拼接成第一神经网络模型;将上述步骤中得到的Q个已训练的第一神经子网络进行排列,并列拼接成一个更宽的神经网络;
步骤A5,基于各个训练数据以及各个训练数据的预设分类对第一神经网络模型进行训练;
将训练集中各个训练数据输入第一神经网络模型的输入层,计算第一神经网络模型隐含层节点的输出矩阵;基于输出矩阵以训练集中各个训练数据的预设分类,计算第一神经网络模型内隐含层到输出层的权重。
举例而言,所述第二神经网络模型的训练过程包括以下步骤:
步骤B1,获取训练集;
训练集中包括多个分支线路的电气参量(电压、电流、有功及无功参量等)、配电网故障设备的位置、配电网的拓扑信息;
步骤B2,采用上述训练集对第二神经网络模型进行训练,获取第二神经网络模型满足预设要求的多个权值和阈值;
步骤B3,采用算法,从上述多个权值和阈值中确定第二神经网络模型的最佳权值和最佳阈值;
具体过程为:
1)随机生成若干个体,产生父代粒子群;每个个体对应所述神经网络模型的一组权值和阈值;计算父代粒子群中各个粒子的适应度;
2)选取父代粒子群中目标粒子的适应度和目标粒子的个体最优位置的适应度中的较大值作为目标粒子的个体极值,目标粒子为所述父代粒子群中的任意一个粒子;
3)选取父代粒子群中各个粒子的适应度和父代粒子群的群体最优位置的适应度中的最大值作为父代粒子群的局部极值;
4)根据个体极值及局部极值更新粒子的位置和速度,生成子代粒子群,将子代粒子群作为下一次迭代的父代粒子群,并更新学习因子及惯性因子;
5)若当前迭代次数达到预设的最大迭代次数,则输出最佳权值和最佳阈值;
步骤B4,将最佳权值和最佳阈值作为第二神经网络模型的权值初始值和阈值初始值,对第二神经网络模型再次进行训练,得到训练后的第二神经网络模型;
其中,步骤B2和步骤B4训练神经网络模型的过程相同,只是权值初始值和阈值初始值不同。
举例而言,在得到训练后的第一神经网络模型和第二神经网络模型之后,对第一神经网络模型和第二神经网络模型进行融合,得到第三神经网络模型;
融合后的第三神经网络模型包括输入层、非线性变换层、线性融合层和输出层;输入层包括两路网络结构相同的第一支路,每一个第一支路包括一个卷积层和一个修正线性单元;非线性变换层包括两路网络结构相同且分别与对应的第一支路连接的第二支路,每一个第二支路包括5层网络,每一层网络包括一个卷积层、一个批归一化和一个ReLU激活函数;线性融合层将非线性变换层的两个第二支路的结果融合,得到输出结果;输出层包括一个全局平均池化层、一个随机丢弃神经元连接和一个全连接层,线性融合层的输出结果输出至全局平均池化层。
参阅图3,本发明另一实施例提出一种配电网故障定位***,本实施例的***与上述实施例的方法对应,本实施例的***包括:
故障区域确定单元1,用于获取用户上报的停电信息,从所述停电信息中提取户编号,并根据所述用户编号确定配电网中的故障区域;
电气参量获取单元2,用于向所述故障区域中的各个智能终端发送电气参量获取请求,以获取故障区域中各个分支线路的当前电气参量;其中配电网的每一分支线路都设置有一个所述智能终端;
配网拓扑获取单元3,用于获取配电网拓扑信息;
第一识别单元4,用于将所述电气参量和所述配电网拓扑信息输入预先训练好的第一神经网络模型进行识别,获得第一识别结果;其中,所述第一识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
第二识别单元5,用于将所述电气参量和所述配电网拓扑信息输入预先训练好的第二神经网络模型进行识别,获得第二识别结果;其中,所述第一神经网络模型与所述第二神经网络模型分别采用不同的模型结构和训练方式获得,所述第二识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
第三识别单元6,用于将所述电气参量和所述配电网拓扑信息输入预先训练好的第三神经网络模型进行识别,获得第三识别结果;其中,所述第三神经网络模型为所述第一神经网络模型与所述第二神经网络模型融合得到,所述第三识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;以及
故障识别单元7,用于比对所述第一识别结果、所述第二识别结果和所述第三识别结果,根据比对结果确定故障设备及其所在位置。
进一步地,所述故障识别单元7,具体用于若所述第一识别结果、所述第二识别结果和所述第三识别结果均不相同,则重新执行步骤S20~步骤S70。
进一步地,所述故障识别单元7,具体用于若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备的设备信息及其所在分支线路的位置信息相同,则根据该两个识别结果中的任一个确定故障设备及其所在位置。
进一步地,所述故障识别单元7,具体用于若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备所在分支线路的位置信息相同,故障设备的设备信息不同,则根据该两个识别结果中的任一个确定故障设备所在位置,并获取该两个识别结果的故障设备的历史电气参量和当前电气参量,比对所述历史电气参量与所述当前电气参量进行,根据比对结果确定故障设备。
进一步地,所述故障设备所在分支线路的位置信息为线路编号。
本实施例的***与上述实施例的方法对应,因此,关于本实施例的***未详述的部分可以参阅上述实施例的方法获得,此处不再赘述。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种配电网故障定位方法,其特征在于,包括如下步骤:
步骤S10、获取用户上报的停电信息,从所述停电信息中提取用户编号,并根据所述用户编号确定配电网中的故障区域;
步骤S20、向所述故障区域中的各个智能终端发送电气参量获取请求,以获取故障区域中各个分支线路的当前电气参量;其中配电网的每一分支线路都设置有一个所述智能终端;
步骤S30、获取配电网拓扑信息;
步骤S40、将所述电气参量和所述配电网拓扑信息输入预先训练好的第一神经网络模型进行识别,获得第一识别结果;其中,所述第一识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
步骤S50、将所述电气参量和所述配电网拓扑信息输入预先训练好的第二神经网络模型进行识别,获得第二识别结果;其中,所述第一神经网络模型与所述第二神经网络模型分别采用不同的模型结构和训练方式获得,所述第二识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
步骤S60、将所述电气参量和所述配电网拓扑信息输入预先训练好的第三神经网络模型进行识别,获得第三识别结果;其中,所述第三神经网络模型为所述第一神经网络模型与所述第二神经网络模型融合得到,所述第三识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
步骤S70、比对所述第一识别结果、所述第二识别结果和所述第三识别结果,根据比对结果确定故障设备及其所在位置。
2.根据权利要求1所述的方法,其特征在于,所述步骤S70,包括:
若所述第一识别结果、所述第二识别结果和所述第三识别结果均不相同,则重新执行步骤S20~步骤S70。
3.根据权利要求2所述的方法,其特征在于,所述步骤S70,包括:
若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备的设备信息及其所在分支线路的位置信息相同,则根据该两个识别结果中的任一个确定故障设备及其所在位置。
4.根据权利要求3所述的方法,其特征在于,所述步骤S70,包括:
若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备所在分支线路的位置信息相同,故障设备的设备信息不同,则根据该两个识别结果中的任一个确定故障设备所在位置,并获取该两个识别结果的故障设备的历史电气参量和当前电气参量,比对所述历史电气参量与所述当前电气参量进行,根据比对结果确定故障设备。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述故障设备所在分支线路的位置信息为线路编号。
6.一种配电网故障定位***,其特征在于,包括:
故障区域确定单元,用于获取用户上报的停电信息,从所述停电信息中提取用户编号,并根据所述用户编号确定配电网中的故障区域;
电气参量获取单元,用于向所述故障区域中的各个智能终端发送电气参量获取请求,以获取故障区域中各个分支线路的当前电气参量;其中配电网的每一分支线路都设置有一个所述智能终端;
配网拓扑获取单元,用于获取配电网拓扑信息;
第一识别单元,用于将所述电气参量和所述配电网拓扑信息输入预先训练好的第一神经网络模型进行识别,获得第一识别结果;其中,所述第一识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
第二识别单元,用于将所述电气参量和所述配电网拓扑信息输入预先训练好的第二神经网络模型进行识别,获得第二识别结果;其中,所述第一神经网络模型与所述第二神经网络模型分别采用不同的模型结构和训练方式获得,所述第二识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;
第三识别单元,用于将所述电气参量和所述配电网拓扑信息输入预先训练好的第三神经网络模型进行识别,获得第三识别结果;其中,所述第三神经网络模型为所述第一神经网络模型与所述第二神经网络模型融合得到,所述第三识别结果包括至少一个故障设备的设备信息及其所在分支线路的位置信息;以及
故障识别单元,用于比对所述第一识别结果、所述第二识别结果和所述第三识别结果,根据比对结果确定故障设备及其所在位置。
7.根据权利要求6所述的***,其特征在于,所述故障识别单元,具体用于若所述第一识别结果、所述第二识别结果和所述第三识别结果均不相同,则重新执行步骤S20~步骤S70。
8.根据权利要求7所述的***,其特征在于,所述故障识别单元,具体用于若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备的设备信息及其所在分支线路的位置信息相同,则根据该两个识别结果中的任一个确定故障设备及其所在位置。
9.根据权利要求8所述的***,其特征在于,所述故障识别单元,具体用于若所述第一识别结果、所述第二识别结果和所述第三识别结果中的任意两个识别结果的故障设备所在分支线路的位置信息相同,故障设备的设备信息不同,则根据该两个识别结果中的任一个确定故障设备所在位置,并获取该两个识别结果的故障设备的历史电气参量和当前电气参量,比对所述历史电气参量与所述当前电气参量进行,根据比对结果确定故障设备。
10.根据权利要求6-9中任一项所述的***,其特征在于,所述故障设备所在分支线路的位置信息为线路编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111384728.5A CN114113887B (zh) | 2021-11-22 | 2021-11-22 | 一种配电网故障定位方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111384728.5A CN114113887B (zh) | 2021-11-22 | 2021-11-22 | 一种配电网故障定位方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114113887A CN114113887A (zh) | 2022-03-01 |
CN114113887B true CN114113887B (zh) | 2023-06-20 |
Family
ID=80439145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111384728.5A Active CN114113887B (zh) | 2021-11-22 | 2021-11-22 | 一种配电网故障定位方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114113887B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115639327B (zh) * | 2022-12-21 | 2023-04-07 | 南方电网数字电网研究院有限公司 | 基于油浸式套管气体检测的套管故障检测方法和装置 |
CN115980512B (zh) * | 2022-12-28 | 2023-08-15 | 山东恒道信息技术有限公司 | 一种输配电网故障定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187687A (zh) * | 2007-12-21 | 2008-05-28 | 清华大学 | 基于暂态行波的高阻接地故障检测方法 |
CN106291245A (zh) * | 2016-08-25 | 2017-01-04 | 国网山东省电力公司青岛供电公司 | 一种配电网故障主动生成及派修方法和装置 |
CN107942183A (zh) * | 2017-10-23 | 2018-04-20 | 珠海许继芝电网自动化有限公司 | 一种单相接地故障定位检测处理方法及其*** |
CN110501615A (zh) * | 2019-09-29 | 2019-11-26 | 国网上海市电力公司 | 中压配电网三相型电缆故障定位***和方法 |
CN110531261A (zh) * | 2019-08-27 | 2019-12-03 | 国网江苏省电力有限公司检修分公司 | 一种非侵入式异步电动机初发故障检测方法及*** |
CN111796166A (zh) * | 2020-08-27 | 2020-10-20 | 广东电网有限责任公司电力调度控制中心 | 一种配电网单相高阻接地故障选线方法、***以及设备 |
CN111880044A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
-
2021
- 2021-11-22 CN CN202111384728.5A patent/CN114113887B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187687A (zh) * | 2007-12-21 | 2008-05-28 | 清华大学 | 基于暂态行波的高阻接地故障检测方法 |
CN106291245A (zh) * | 2016-08-25 | 2017-01-04 | 国网山东省电力公司青岛供电公司 | 一种配电网故障主动生成及派修方法和装置 |
CN107942183A (zh) * | 2017-10-23 | 2018-04-20 | 珠海许继芝电网自动化有限公司 | 一种单相接地故障定位检测处理方法及其*** |
CN110531261A (zh) * | 2019-08-27 | 2019-12-03 | 国网江苏省电力有限公司检修分公司 | 一种非侵入式异步电动机初发故障检测方法及*** |
CN110501615A (zh) * | 2019-09-29 | 2019-11-26 | 国网上海市电力公司 | 中压配电网三相型电缆故障定位***和方法 |
CN111880044A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
CN111796166A (zh) * | 2020-08-27 | 2020-10-20 | 广东电网有限责任公司电力调度控制中心 | 一种配电网单相高阻接地故障选线方法、***以及设备 |
Non-Patent Citations (2)
Title |
---|
赵传宗 等.基于小波变换和遗传算法的小电流接地故障定位技术研究.《工业安全与环保》.2019,第45卷(第1期),第62-65页. * |
钟高文.基于故障特征匹配的配电网故障区间定位软件开发.《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》.2020,(第7期),C042-607. * |
Also Published As
Publication number | Publication date |
---|---|
CN114113887A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114113887B (zh) | 一种配电网故障定位方法与*** | |
CN111897673B (zh) | 运维故障根因识别方法、装置、计算机设备和存储介质 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合*** | |
Castellano et al. | Cumulative merging percolation and the epidemic transition of the susceptible-infected-susceptible model in networks | |
CN112215157B (zh) | 一种基于多模型融合的人脸特征降维提取方法 | |
CN104156774B (zh) | 一种考虑了相邻***的电力支援方法 | |
CN112686494B (zh) | 基于线损异常台区的数据拟合方法、装置及智能设备 | |
Zhang et al. | Feature selection for intelligent stability assessment of power systems | |
CN117114250B (zh) | 一种基于大模型的智能决策*** | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN115905959B (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
CN115877068A (zh) | 基于深度学习的区域电网的电压暂降传播轨迹识别方法 | |
CN117557415A (zh) | 一种基于智慧物业的社区资源管理方法及*** | |
CN117668692A (zh) | 基于故障检测的智能化电能监控方法、装置、设备和介质 | |
CN116432136A (zh) | 一种基于用电采集***的分布式用电异常检测方法 | |
CN114492847B (zh) | 一种高效个性化联邦学习***和方法 | |
CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
CN110391935B (zh) | 计及信息物理耦合特性和信息扰动的量测度评估方法及*** | |
CN116975742A (zh) | 局部放电模式识别方法、装置、设备和存储介质 | |
CN113627655A (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN114038028A (zh) | 一种基于刷脸出行大数据的车站降级人脸库生成方法 | |
CN117271819B (zh) | 图像数据的处理方法和装置、存储介质及电子装置 | |
CN115001941B (zh) | 一种通信网管故障的确定方法及装置 | |
CN116050548B (zh) | 一种联邦学习方法、装置及电子设备 | |
CN116961072B (zh) | 基于时空卷积网络的多直流连锁换相失败识别方法及*** |
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 |