CN115222104A - 一种基于极限学习机的智能变电站二次设备状态评估方法 - Google Patents
一种基于极限学习机的智能变电站二次设备状态评估方法 Download PDFInfo
- Publication number
- CN115222104A CN115222104A CN202210727516.0A CN202210727516A CN115222104A CN 115222104 A CN115222104 A CN 115222104A CN 202210727516 A CN202210727516 A CN 202210727516A CN 115222104 A CN115222104 A CN 115222104A
- Authority
- CN
- China
- Prior art keywords
- secondary equipment
- fault
- evaluation
- value
- learning machine
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000013256 coordination polymer Substances 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
- H02J13/00034—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving an electric power substation
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于极限学习机的智能变电站二次设备状态评估方法,包括:二次设备故障特征信息聚类和二次设备故障状态评估;所述二次设备故障特征信息聚类对不同类型故障场景下的特征信息进行聚类,形成不同故障运行场景集合,为设备故障评估提供高精度的数据基础;所述二次设备故障状态评估通过极限学习机的训练规则,建立基于智能变电站历史数据的二次设备评估模型,以解决二次设备故障评估与定位的问题。本发明利用粒子群算法优化二次设备状态评估模型输出权重,得到兼顾可靠性和准确度的结果;该方法在信息可靠性不足的情况下仍能取得良好的判别结果,容错性能良好。
Description
技术领域
本发明涉及变电站二次设备评估技术领域,具体为一种基于极限学习机的智能变电站二次设备状态评估方法。
背景技术
随着智能电网的建设,智能化变电站将不断代替传统变电站成为电网建设的主要组成。智能化变电站与常规变电站在综合自动化设备组成、硬件设备及专业技术要求上存在较大差异,因此对智能变电站内二次设备的状态监测和评估上提出了新的要求。虽然目前二次设备状态评估、状态检修已开展,但由于大量设备均为常规变电站设备,因此主要还是以单装置加二次回路来考虑,而在智能化变电站下的继电保护设备等二次设备可以认为属于整个综合自动化***中的一部分,在此情况下需要把站内二次设备状态监测和评估作为一个***性的问题来考虑,这样才可能避免状态监测出现“盲点”,二次设备状态检修技术才有可能在实际应用中得到推广。
目前国内设备的状态评估的数据主要是依靠人工周期性巡视、设备的运行状况信息和定期检修试验数据作为评估信息,通过人为输入某个评估***来判断设备当前状态以及设备下次检修时间和设备投入运行的要求。这些以人员巡视、设备后台信息的反应、设备故障诊断等手段来评估电力设备的健康状况,从根本上来讲都属于对评估信息的离线采集,在设备状态评估上存在滞后行为。其次在设备评估方法方面缺乏成熟的基于状态监测数据的设备故障率模型,为了量化每种维修活动的效果,目前有两种方法被提出。第一种方法分别统计设备中各个元部件各种故障模式的平均故障率,把预防性维修的效果看成是通过某种维修活动降低了某故障模式发生的概率,因而从设备总体故障率中按照一定百分比减去这种故障模式的故障率。第二种方法将设备总体故障率看成是各种故障模式故障率之和。将这种故障率模型表示成时间的函数,并用根据经验数据来拟合这种故障率模型。可以看出,这两种方法本身数据来源十分困难,并且还需人为经验参与模型的构建。
因此,目前对于二次设备的状态评估主要依赖与人工和离线方式进行,尚未对在线二次设备的状态评估进行深入研究,也没有通过检测数据来预测设备健康度的方法。迄今为止国内外还没有较好的专门针对二次设备实施状态在线监测和评价的设备出现。
发明内容
本发明旨在提供一种基于极限学习机的智能变电站二次设备状态评估方法,通过二次设备故障特征信息聚类和二次设备故障状态评估实现智能变电站不同二次设备状态的在线评估。
为解决上述技术问题,本发明采用以下技术方案:一种基于极限学习机的智能变电站二次设备状态评估方法,其特征在于:包括:二次设备故障特征信息聚类和二次设备故障状态评估;
所述二次设备故障特征信息聚类对不同类型故障场景下的特征信息进行聚类,形成不同故障运行场景集合,为设备故障评估提供高精度的数据基础;
所述二次设备故障状态评估通过极限学习机的训练规则,建立基于智能变电站历史数据的二次设备评估模型,以解决二次设备故障评估与定位的问题。
进一步的,所述二次设备故障特征信息聚类包括以下步骤:
步骤一:将二次设备故障特征量集合按照自检信息、通信运行状态、传统二次回路方面进行分类,并进行编码,以定量建立起故障特征和故障类型间的非线性映射关系,形成故障运行场景集合(X,Y);其中:X为故障特征量集合,Y为故障类型编码;
步骤二:使用k-means算法将生成的故障运行场景集合(X,Y)分解成k类,每个分类称为一个约束类;
步骤三:对每一个所述约束类,将其看作一个新的样本集,使用普通链接算法进行层次分类;
步骤四:所生成的k个分类,通过普通链接算法整合成一个完整的二次设备故障集分类,即{(XZT,YZT),(XSG,YSG),(XCY,YCY)};其中,XZT、 YZT代表二次设备自检信息异常及其相应的故障编码,XSG、YSG代表二次设备通信状态异常及其相应的故障编码,XCY、YCY代表二次设备采样值异常及其相应的故障编码。
进一步的,所述二次设备故障状态评估包括以下步骤:
步骤一:将智能变电站二次设备历史运行数据集按一定的比例分成训练数据和测试数据;
步骤二:将二次设备故障特征量数据进行归一化,对不同故障场景下的训练数据进行分类,采用所述二次设备故障特征信息聚类获得不同故障运行场景下的故障特征集合,将同一类别的数据带入下阶段;
步骤三:将步骤二中同一类别的训练数据细分为训练数据和验证数据,随机给定极限学习机评估模型的输入权重和隐含层偏置,对训练数据对应二次设备故障类型编码值进行小幅上下浮动,作为评估模型的初始输出值,带入训练数据故障特征量得到初始输出权重β0;
步骤四:根据粒子群算法的步骤,对初始输出权重进行优化,根据综合评价指标在每次迭代中计算每个粒子的适应值,寻找全局最优解,得到最优输出权重βbest;
步骤五:带入测试数据的二次设备故障特征量,采用参数优化后的评估模型得到最终输出权重,即二次设备状态评估结果。
进一步的,所述二次设备故障特征量集合包括采样异常、出口异常、定值出错、FLASH擦写次数、扇区健康状况、光纤通信误码率、光功率、光衰耗、接收中断次数、丢数据帧数、网络流量、网络拥塞、采样值通道状态、装置电源回路。
进一步的,利用单隐层神经网络,建立具有L个隐层节点的单隐层极限学习机评估模型:
式中,g(x)为激活函数,本专利采用双曲正切Sigmoid函数作为激活函数,wi为输入权重,βi为输出权重,bi为第i个隐含层单元的偏置,xj为二次设备故障集,yj为二次设备故障编码值,N为训练样本总数;
用矩阵可以表示为:Hβ=Y,H表示隐层节点输出,Y为期望输出:
进一步的,根据步骤五,对所述最终输出权重进行优化,其综合评价指标为:
CIE=[1-(1+λAD)·MPW·(1+e-η(CP-PINC))]×100% (3)
其中,λ,η,PINC是自定义的参数,PINC为规定的置信水平,η是置信水平与覆盖概率的差异放大系数,λ是累计偏差的控制系数;
CP表示为评估值在评估置信水平区间内的概率,可表示为:
式中,ci为0-1变量,若评估值在置信区间内ci=1,反之为0;
MPW表示评估值与实测值的偏差,可表示为:
式中,ti为评估值,yi为实测值。
AD表示故障状态评估的累积偏差,可表示为:
式中,R是对累计偏差进行标准化处理的因子,δi为偏差值。
有益效果:与现有技术相比,本发明利用粒子群算法优化二次设备状态评估模型输出权重,得到兼顾可靠性和准确度的结果;该方法在信息可靠性不足的情况下仍能取得良好的判别结果,容错性能良好。
附图说明
图1为本发明的二次设备故障特征信息聚类流程示意图。
图2为本发明的二次设备故障状态评估流程示意图。
具体实施方式
为了便于理解本发明,下面将参照附图对本发明进行更加全面的描述。本发明可以通过不同的形式来实现,并不限于文本所描述的实施例。相反的,提供实施例是为了使本发明公开的内容更加透彻全面。
本发明公开了一种基于极限学习机的智能变电站二次设备状态评估方法,适用于智能化变电站二次设备状态评估。本发明提出的智能变电站二次设备状态评估流程图如图1、2所示,该方法主要由两部分构成:二次设备故障特征信息聚类和二次设备故障状态评估。
所述二次设备故障特征信息聚类对不同类型故障场景下的特征信息进行聚类,形成不同故障运行场景集合,为设备故障评估提供高精度的数据基础。所述二次设备故障状态评估利用极限学习机的训练规则,建立基于智能变电站历史数据的二次设备评估模型,以解决二次设备故障评估与定位的问题。
所述二次设备故障特征信息聚类针对智能变电站中合并单元、线路/变压器保护、智能终端、测控装置等二次设备,以上二次设备涉及的故障特征量主要包括采样异常、出口异常、定值出错、FLASH擦写次数、扇区健康状况、光纤通信误码率、光功率、光衰耗、接收中断次数、丢数据帧数、网络流量、网络拥塞、采样值通道状态、装置电源回路等,对这些特征量根据故障场景分类有利于二次设备的状态评估。因此,对不同类型故障场景下的特征信息进行聚类,得到不同故障运行场景下的故障特征集合分类,其过程如下:
步骤一:将二次设备故障特征量集合按照自检信息、通信运行状态、传统二次回路方面进行分类,并进行编码,以定量建立起故障特征和故障类型间的非线性映射关系,形成故障运行场景集合(X,Y);其中:X为故障特征量集合,Y为故障类型编码;
步骤二:使用k-means算法将生成的故障运行场景集合(X,Y)分解成k类,每个分类称为一个约束类;
步骤三:对每一个所述约束类,将其看作一个新的样本集,使用普通链接算法进行层次分类;
步骤四:所生成的k个分类,通过普通链接算法整合成一个完整的二次设备故障集分类,即{(XZT,YZT),(XSG,YSG),(XCY,YCY)};其中,XZT、 YZT代表二次设备自检信息异常及其相应的故障编码,XSG、YSG代表二次设备通信状态异常及其相应的故障编码,XCY、YCY代表二次设备采样值异常及其相应的故障编码。
所述二次设备故障状态评估利用极限学习机的训练规则,建立基于智能变电站历史数据的二次设备评估模型,以解决二次设备故障评估与定位的问题。该方法利用粒子群算法优化评估模型输出权重,得到兼顾可靠性和准确度的结果。根据图2所示设备评估流程,其具体评估过程如下:
步骤一:将智能变电站二次设备历史运行数据集按一定的比例分成训练数据和测试数据;
步骤二:将二次设备故障特征量数据进行归一化(消除不同维度数据之间的差异,避免因为取值大小不同而对评估结果产生影响),对不同故障场景下的训练数据进行分类,采用所提二次设备故障特征信息聚类方法获得不同故障运行场景下的故障特征集合,将同一类别的数据带入下阶段;
步骤三:将步骤二中同一类别的训练数据细分为训练数据和验证数据,随机给定极限学习机评估模型的输入权重和隐含层偏置,对训练数据对应二次设备故障类型编码值进行小幅上下浮动,作为评估模型的初始输出值,带入训练数据故障特征量得到初始输出权重β0;
步骤四:根据粒子群算法的步骤,对初始输出权重进行优化,根据综合评价指标在每次迭代中计算每个粒子的适应值,寻找全局最优解,得到最优输出权重βbest;
步骤五:带入测试数据的二次设备故障特征量,采用参数优化后的评估模型得到最终输出权重,即二次设备状态评估结果。
利用单隐层神经网络,建立具有L个隐层节点的单隐层极限学习机评估模型:
式中,g(x)为激活函数,本专利采用双曲正切Sigmoid函数作为激活函数,wi为输入权重,βi为输出权重,bi为第i个隐含层单元的偏置,xj为二次设备故障集,yj为二次设备故障编码值,N为训练样本总数;
用矩阵可以表示为:Hβ=Y,H表示隐层节点输出,Y为期望输出:
本发明利用粒子群算法对极限学习机评估模型的输出权重进行优化,其综合评价指标为:
CIE=[1-(1+λAD)·MPW·(1+e-η(CP-PINC))]×100% (3)
其中,λ,η,PINC是自定义的参数,PINC为规定的置信水平,η是置信水平与覆盖概率的差异放大系数,λ是累计偏差的控制系数。
CP表示为评估值在评估置信水平区间内的概率,可表示为:
式中,ci为0-1变量,若评估值在置信区间内ci=1,反之为0。
MPW表示评估值与实测值的偏差,可表示为:
式中,ti为评估值,yi为实测值。
AD表示故障状态评估的累积偏差,可表示为:
式中,R是对累计偏差进行标准化处理的因子,δi为偏差值。
所述CP、MPW和AD三个指标相互独立,各自对应于评估值的不同方面,但是又相互制约。评估值需要同时满足3个指标的要求,使CP值尽可能大,MPW和AD的值尽可能小。
在上述实施例中可以实现全部功能,或根据需要实现部分功能。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
Claims (6)
1.一种基于极限学习机的智能变电站二次设备状态评估方法,其特征在于:包括:二次设备故障特征信息聚类和二次设备故障状态评估两部分;
所述二次设备故障特征信息聚类对不同类型故障场景下的特征信息进行聚类,形成不同故障运行场景集合,为设备故障评估提供高精度的数据基础;
所述二次设备故障状态评估通过极限学习机的训练规则,建立基于智能变电站历史数据的二次设备评估模型,以解决二次设备故障评估与定位的问题。
2.根据权利要求1所述的一种基于极限学习机的智能变电站二次设备状态评估方法,其特征是:所述二次设备故障特征信息聚类包括以下步骤:
步骤一:将二次设备故障特征量集合按照自检信息、通信运行状态、传统二次回路方面进行分类,并进行编码,以定量建立起故障特征和故障类型间的非线性映射关系,形成故障运行场景集合(X,Y);其中:X为故障特征量集合,Y为故障类型编码;
步骤二:使用k-means算法将生成的故障运行场景集合(X,Y)分解成k类,每个分类称为一个约束类;
步骤三:对每一个所述约束类,将其看作一个新的样本集,使用普通链接算法进行层次分类;
步骤四:所生成的k个分类,通过普通链接算法整合成一个完整的二次设备故障集分类,即{(XZT,YZT),(XSG,YSG),(XCY,YCY)};其中,XZT、YZT代表二次设备自检信息异常及其相应的故障编码,XSG、YSG代表二次设备通信状态异常及其相应的故障编码,XCY、YCY代表二次设备采样值异常及其相应的故障编码。
3.根据权利要求1所述的一种基于极限学习机的智能变电站二次设备状态评估方法,其特征是:所述二次设备故障状态评估包括以下步骤:
步骤一:将智能变电站二次设备历史运行数据集按一定的比例分成训练数据和测试数据;
步骤二:将二次设备故障特征量数据进行归一化,对不同故障场景下的训练数据进行分类,采用所述二次设备故障特征信息聚类获得不同故障运行场景下的故障特征集合,将同一类别的数据带入下阶段;
步骤三:将步骤二中同一类别的训练数据细分为训练数据和验证数据,随机给定极限学习机评估模型的输入权重和隐含层偏置,对训练数据对应二次设备故障类型编码值进行小幅上下浮动,作为评估模型的初始输出值,带入训练数据故障特征量得到初始输出权重β0;
步骤四:根据粒子群算法的步骤,对初始输出权重进行优化,根据综合评价指标在每次迭代中计算每个粒子的适应值,寻找全局最优解,得到最优输出权重βbest;
步骤五:带入测试数据的二次设备故障特征量,采用参数优化后的评估模型得到最终输出权重,即二次设备状态评估结果。
4.根据权利要求2所述的一种基于极限学习机的智能变电站二次设备状态评估方法,其特征是:所述二次设备故障特征量集合包括采样异常、出口异常、定值出错、FLASH擦写次数、扇区健康状况、光纤通信误码率、光功率、光衰耗、接收中断次数、丢数据帧数、网络流量、网络拥塞、采样值通道状态、装置电源回路。
6.根据权利要求3所述的一种基于极限学习机的智能变电站二次设备状态评估方法,其特征是:根据步骤五,对所述最终输出权重进行优化,其综合评价指标为:
CIE=[1-(1+λAD)·MPW·(1+e-η(CP-PINC))]×100% (3)
其中,λ,η,PINC是自定义的参数,PINC为规定的置信水平,η是置信水平与覆盖概率的差异放大系数,λ是累计偏差的控制系数;
CP表示为评估值在评估置信水平区间内的概率,可表示为:
式中,ci为0-1变量,若评估值在置信区间内ci=1,反之为0;
MPW表示评估值与实测值的偏差,可表示为:
式中,ti为评估值,yi为实测值;
AD表示故障状态评估的累积偏差,可表示为:
式中,R是对累计偏差进行标准化处理的因子,δi为偏差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210727516.0A CN115222104A (zh) | 2022-06-24 | 2022-06-24 | 一种基于极限学习机的智能变电站二次设备状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210727516.0A CN115222104A (zh) | 2022-06-24 | 2022-06-24 | 一种基于极限学习机的智能变电站二次设备状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222104A true CN115222104A (zh) | 2022-10-21 |
Family
ID=83609076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210727516.0A Pending CN115222104A (zh) | 2022-06-24 | 2022-06-24 | 一种基于极限学习机的智能变电站二次设备状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222104A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795276A (zh) * | 2022-11-22 | 2023-03-14 | 南京电力设计研究院有限公司 | 一种基于小波分析与机器学习二次回路压板状态评估方法 |
CN116316613A (zh) * | 2023-05-18 | 2023-06-23 | 中国电建集团山东电力建设第一工程有限公司 | 电力设备运行监测方法、***、电子设备及存储介质 |
CN116561638A (zh) * | 2023-05-24 | 2023-08-08 | 南京电力设计研究院有限公司 | 基于神经网络学习及状态评估的保护压板不对应校验方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930901A (zh) * | 2016-07-18 | 2016-09-07 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
CN108875783A (zh) * | 2018-05-09 | 2018-11-23 | 西安工程大学 | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 |
CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
CN109697570A (zh) * | 2018-12-27 | 2019-04-30 | 北京科东电力控制***有限责任公司 | 变电站二次设备状态评估方法、***及设备 |
CN112749509A (zh) * | 2020-12-30 | 2021-05-04 | 西华大学 | 一种基于lstm神经网络的智能变电站故障诊断方法 |
CN112748372A (zh) * | 2020-12-21 | 2021-05-04 | 湘潭大学 | 一种人工蜂群优化极限学习机的变压器故障诊断方法 |
CN113177357A (zh) * | 2021-04-29 | 2021-07-27 | 清华大学 | 一种电力***暂态稳定评估方法 |
CN113884807A (zh) * | 2021-09-24 | 2022-01-04 | 广西电网有限责任公司电力科学研究院 | 基于随机森林和多层架构聚类的配电网故障预测方法 |
-
2022
- 2022-06-24 CN CN202210727516.0A patent/CN115222104A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930901A (zh) * | 2016-07-18 | 2016-09-07 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
CN108875783A (zh) * | 2018-05-09 | 2018-11-23 | 西安工程大学 | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 |
CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
CN109697570A (zh) * | 2018-12-27 | 2019-04-30 | 北京科东电力控制***有限责任公司 | 变电站二次设备状态评估方法、***及设备 |
CN112748372A (zh) * | 2020-12-21 | 2021-05-04 | 湘潭大学 | 一种人工蜂群优化极限学习机的变压器故障诊断方法 |
CN112749509A (zh) * | 2020-12-30 | 2021-05-04 | 西华大学 | 一种基于lstm神经网络的智能变电站故障诊断方法 |
CN113177357A (zh) * | 2021-04-29 | 2021-07-27 | 清华大学 | 一种电力***暂态稳定评估方法 |
CN113884807A (zh) * | 2021-09-24 | 2022-01-04 | 广西电网有限责任公司电力科学研究院 | 基于随机森林和多层架构聚类的配电网故障预测方法 |
Non-Patent Citations (1)
Title |
---|
徐怡悦: "分布式光伏功率预测技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊),工程科技Ⅱ辑》, no. 04, 15 April 2018 (2018-04-15), pages 042 - 425 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795276A (zh) * | 2022-11-22 | 2023-03-14 | 南京电力设计研究院有限公司 | 一种基于小波分析与机器学习二次回路压板状态评估方法 |
CN115795276B (zh) * | 2022-11-22 | 2024-04-26 | 南京电力设计研究院有限公司 | 一种基于小波分析与机器学习二次回路压板状态评估方法 |
CN116316613A (zh) * | 2023-05-18 | 2023-06-23 | 中国电建集团山东电力建设第一工程有限公司 | 电力设备运行监测方法、***、电子设备及存储介质 |
CN116316613B (zh) * | 2023-05-18 | 2023-10-20 | 中国电建集团山东电力建设第一工程有限公司 | 电力设备运行监测方法、***、电子设备及存储介质 |
CN116561638A (zh) * | 2023-05-24 | 2023-08-08 | 南京电力设计研究院有限公司 | 基于神经网络学习及状态评估的保护压板不对应校验方法 |
CN116561638B (zh) * | 2023-05-24 | 2024-05-31 | 南京电力设计研究院有限公司 | 基于神经网络学习及状态评估的保护压板不对应校验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115222104A (zh) | 一种基于极限学习机的智能变电站二次设备状态评估方法 | |
JP2023042527A (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN108038300A (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN106651169A (zh) | 基于模糊综合评价的配电自动化终端状态评价方法及*** | |
CN111981635B (zh) | 一种双智能算法的中央空调故障预测与诊断方法 | |
Li et al. | Preventive maintenance decision model of urban transportation system equipment based on multi-control units | |
CN112163371A (zh) | 一种变压器套管状态评估方法 | |
CN116937575A (zh) | 一种网格***用的能源监控管理*** | |
CN116259797A (zh) | 固体氧化物燃料电池***的健康评估与预测方法及其*** | |
CN110880055A (zh) | 楼宇智能电表*** | |
CN117669960A (zh) | 一种基于多变量气象因子的新能源功率预测方法 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN115564310A (zh) | 一种基于卷积神经网络的新能源电力***可靠性评估方法 | |
CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
CN113642244A (zh) | 一种基于人工智能的电力计量设备故障预测方法 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
CN117553840A (zh) | 一种基于智能化管理的仪表及其*** | |
CN117277435A (zh) | 一种光伏逆变器的健康评估方法、***及装置 | |
CN117312939A (zh) | 基于深度学习的sofc***工况辨识方法 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及*** | |
CN112016241A (zh) | 一种基于mLASSO-MLP模型的软测量建模方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN115796341A (zh) | 一种基于碳效码的企业低碳经济表现的协同测度方法 |
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 |