CN115632936A - 一种基于多告警信息融合的智能变电站通信链路故障定位方法 - Google Patents

一种基于多告警信息融合的智能变电站通信链路故障定位方法 Download PDF

Info

Publication number
CN115632936A
CN115632936A CN202211283183.3A CN202211283183A CN115632936A CN 115632936 A CN115632936 A CN 115632936A CN 202211283183 A CN202211283183 A CN 202211283183A CN 115632936 A CN115632936 A CN 115632936A
Authority
CN
China
Prior art keywords
node
link
state
switch
fault
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
Application number
CN202211283183.3A
Other languages
English (en)
Inventor
皮志勇
汪洋
李振兴
周坤
方豪
朱益
陈诚
刘飞
韩业虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Kemov Electric Co ltd
China Three Gorges University CTGU
Jingmen Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
Wuhan Kemov Electric Co ltd
China Three Gorges University CTGU
Jingmen Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Kemov Electric Co ltd, China Three Gorges University CTGU, Jingmen Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical Wuhan Kemov Electric Co ltd
Priority to CN202211283183.3A priority Critical patent/CN115632936A/zh
Publication of CN115632936A publication Critical patent/CN115632936A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0677—Localisation of faults
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明属于电力技术领域，尤其涉及一种基于多告警信息融合的智能变电站通信链路故障定位方法，包括：步骤1：二次***通信网络编号；步骤2：基于告警信息的通信链路故障辨识，确认相关节点状态；步骤3：构建节点链路编码原则，建立节点状态编码数组Nj；步骤4：构建四种典型局部连接结构，建立四种链路故障的局部节点期望
Figure DDA0003898862870000011
基于
Figure DDA0003898862870000012
拼接形成全网节点期望Nj(l)；步骤5：基于步骤4所述的Nj(l)构建适应度函数fit(n)；步骤6：迭代求解种群最佳fit(n)，输出最优粒子，完成链路定位；该方法原理简单、稳定性强、适应二次***多种类型的故障情况，能够很好地应用在智能变电站后台运维监控***中。

Description

一种基于多告警信息融合的智能变电站通信链路故障定位 方法
技术领域
本发明属于电力技术领域，涉及一种基于多告警信息融合的智能变电站通信链路故障定位方法，旨在精准化定位智能变电站二次回路故障链路，提高现场工作人员运维效率。
背景技术
智能变电站的快速发展带来了二次***通信链路故障定位的急迫需求，由某通信链路故障引起的后台告警信息众多，极大降低了现场运维效率。
目前智能变电站中，针对通信链路故障的告警停留在装置告警层面，一方面告警信息表征了原始故障信息，展现在后台运维界面，但另一方面链路故障后带来的装置告警信息繁多，未针对告警信息做新一步分析处理，直观化的链路定位结果缺失，导致现场运维困难。
装置原始告警信息实际蕴含了丰富的故障信息，分析装置告警信息并建立链路相关定位模型是精准化故障定位的根本。
目前，在智能变电站二次***通信链路定位和提高运维工作效率方面，有相关学者应用人工智能技术进行了相关尝试，为智能变电站二次***通信链路故障定位带来了新思路(任博,郑永康,王永福,盛四清,李劲松,张海洋,郑超.基于深度学习的智能变电站二次设备故障定位研究[J].电网技术,2021,45(02):713-721.)，但基于人工智能方法的链路定位方法对故障样本的依赖性较强，前期需大量样本进行训练，智能变电站难以提供充足能够表征故障的样本，目前来说基于人工智能方法的通信链路定位并未广泛使用。
此外，也有学者和相关工程师通过解析智能变电站SCD配置文件来实现二次回路的可视化(熊华强,万勇,桂小智,杜科,叶飞.智能变电站SCD文件可视化管理和分析决策***的设计与实现[J].电力自动化设备,2015,35(05):166-171.)，也有学者创建基于SCD文件解析的二次虚回路和二次物理回路可视***(徐岩,单肄超.基于SCD文件的智能变电站二次回路可视化[J/OL].电力***及其自动化学报:1-7[2022-09-21].DOI:10.19635/j.cnki.csu-epsa.001075.)，在一定程度上提高了现场运维的效率，但实际故障链路的位置却未直观显示。在后台告警信息分析方面，有学者基于知识图谱技术提出变电站告警信息故障知识表示方法(林凌云,陈青,金磊,王磊.基于知识图谱的变电站告警信息故障知识表示研究与应用[J].电力***保护与控制,2022,50(12):90-99.)，挖掘并展示告警信号间的行为逻辑，也提高了后台运维的效率，为二次***故障诊断，故障定位奠定了一定的基础。
本成果提出了二次***通信网络编号规则，基于告警信息的通信链路故障辨识，并构建节点链路编码规则和链路故障定位的节点期望，建立多信息融合的故障链路定位适应度函数，采用自适应遗传粒子群算法实现二次***通信链路的精确定位。
发明内容
为提高智能变电站现场运维效率，简化复杂冗余的告警信息判断流程，直观的通信链路定位结果至关重要。基于此，本发明提出了一种基于多告警信息融合的智能变电站通信链路故障定位方法。该方法建立二次***节点链路编号原则，通过装置告警信息对通信链路进行故障辨识，提出节点、链路编码规则，在二次***典型连接的基础上建立四种局部连接方式下的节点期望映射，在此基础上建立多信息融合的链路故障定位适应度函数，应用自适应遗传粒子群算法求解适应度函数定位故障链路。
本发明所采用的技术方案是：一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于包括以下步骤：
步骤1：对二次***通信网络进行编号；采用适用于二次***全网的节点链路编号原则，对二次***进行编号，所述适用于二次***全网的节点链路编号原则为遵循自上而下的节点编号原则，和遵循从上至下，从左到右，先实节点再虚节点，先本间隔再跨间隔的链路编号原则；
步骤2：基于告警信息的通信链路故障辨识，确认相关节点状态；
步骤3：构建节点链路编码原则，建立节点状态编码数组Nj；
步骤4：构建四种典型局部连接结构，建立四种链路故障的局部节点期望
Figure BDA0003898862850000021
基于
Figure BDA0003898862850000022
拼接形成全网节点期望Nj(l)；
步骤5：基于步骤4所述的Nj(l)构建适应度函数fit(n)；
步骤6：初始化AGA-ABPSO求解定位模型相关参数，将Nj作算法输入，随机初始化种群并建立链路状态编码数组Li，计算期望节点状态编码Nj(l)，迭代求解种群最佳fit(n)，输出最优粒子，完成链路定位。
上述所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于所述节点编号原则中对于既存在直连又存在经交换机连接的节点，该节点引入虚节点编号；对间隔层按保护、测控、录波的顺序依次编号；对于过程层设备按智能终端、合并单元的顺序依次编号；对于装置既存在直连又存在经交换机连接的情况，在对经交换机连接相关链路进行节点状态编码时，采用虚节点编号；链路编号原则中对于同一装置有多条链路与之连接的情况，按照链路下级节点从小到大依次编号。
上述所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于当后台接收到来自装置的告警信息后，按照如下机理确定节点状态：
(1)针对装置之间的直连链路时，通过后台接收装置的告警信息定位到链路两端的节点；采用BM字段匹配算法获取节点信息，取告警信息中的节点信息作为关键词，定位链路告警两端节点作为实测节点状态信息；
(2)针对经过交换机连接的链路时，在上述直连链路的基础上，附加告警信息差异化的分析；按照差异化的告警信息结合BM字段匹配算法，形成包含交换机链路两端的节点状态信息。
上述所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于所述节点状态编码数组Nj如式(1)。
Figure BDA0003898862850000031
其中Nj表示节点状态数组，nj(j＝1,2,…,m)为第j个节点的状态编码；m为包含虚节点在内的节点总数；
上述所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于所述链路故障的节点期望Nj(l)如下：
(1)后台-装置连接期望映射I，函数如下；
Figure BDA0003898862850000032
其中
Figure BDA0003898862850000033
表示第I类连接结构下的节点期望，下标j表示第j个节点的期望状态值；
Figure BDA0003898862850000034
表示循环运算，a为循环起点，b为循环终点，当在循环区间内时，执行c表达式的运算；li(i＝1,2,L e1)为第i条链路的状态编码；e1表示链路总数；KI表示链路下层与交换机的站控层交换机SW-A的连接情况，若链路lj的下层与SW-A有连接，则KI＝1，否则KI＝0；KII表示链路上层与交换机的站控层交换机SW-A的连接情况，若链路下层与SW-A有连接，则KII＝1，否则KII＝0；“|”表示逻辑或运算；
(2)装置-终端混连期望映射，如表1：
表1装置-终端混连结构映射(II)
Figure BDA0003898862850000035
Figure BDA0003898862850000041
(3)装置-终端网连期望映射，如表2：
表2装置-终端网连结构映射(III)
Figure BDA0003898862850000042
(4)跨间隔连接期望映射，如表3：
表3跨间隔连接结构映射(IV)
Figure BDA0003898862850000043
在上述局部映射关系的基础上计算得局部期望节点编码
Figure BDA0003898862850000044
其中x表示I-IV，基于全网节点编号和局部节点编号的对应关系，采用“或”原则的拼接方法，将局部节点编号拼接为全网期望节点编号，当某一节点隶属多个类别时，该节点的期望状态在多类别拼接过程中取“或”运算，形成期望节点编码数组Nj(l)。
上述所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于所述适应度函数fit(n)如式(4)：
Figure BDA0003898862850000045
其中，fit(n)为第n个个体的适应度值；M的值取为考虑所有间隔节在内节点(包括虚节
Figure BDA0003898862850000046
点)总数的2倍；Nj表示节点故障编码数组；Nj(l)表示期望节点编码数组；∑表示累积求和；η为[0,1]之间的正实数，称为权系数；表征权系数与所有链路状态编码之和的乘积，Li表示链路状态数组。
上述所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于所述链路状态数组Li是表征全网链路状态的一组参数，Li的定义如式(2)所示；
Figure BDA0003898862850000051
其中Li表示链路状态数组，li(i＝1,2,L e1)为第i条链路的状态编码，e1为链路总数。
上述所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于步骤6中自适应交叉、变异概率计算如式(5)(6)：
Figure BDA0003898862850000052
Figure BDA0003898862850000053
其中：Pc表示自适应交叉概率；Pm表示自适应变异概率；fmax代表种群中最大适应度函数值；favg代表每代种群的平均适应度函数值；f代表进行交叉操作的2个个体中较大的适应度函数值；f′代表进行变异操作的个体的适应度函数值；另外，k1＝0.9，k2＝0.6，k3＝0.1，k4＝0.01。
自适应惯性权重如式(7)：
Figure BDA0003898862850000054
其中：wmax和wmin分别为惯性权重的最大值和最小值，通常取wmax＝0.9，wmin＝0.4；f″、fmin、favg分别为粒子的当前适应度、最小适应度和平均适应度；t和Tmax分别表示当前迭代次数和最大迭代次数。
自适应加速因子如式(8)：
Figure BDA0003898862850000061
其中：c1max、c1min、c2max、c2min分别为加速因子c1和c2的最大值、最小值；t表示当前迭代次数；Tmax代表最大迭代次数；对于加速因子最值，选取c1max＝1.3、c1min＝1.1、c2max＝2.0、c2min＝1.2。
自适应粒子群算法的速度和方向更新如式(9)(10)：
为了防止式(10)中sigmiod函数的饱和，一般将粒子的速度限定在[-4,4]区间内。sigmiog函数如式(11)
Figure BDA0003898862850000062
Figure BDA0003898862850000063
Figure BDA0003898862850000064
其中：
Figure BDA0003898862850000065
分别为第i个粒子在第k+1次迭代时的速度和位置；w为惯性权重；
Figure BDA0003898862850000066
Figure BDA0003898862850000067
分别为i个粒子在第k次迭代时的速度和位置；c1、c2分别为自我加速因子和社会加速因子，通常为非负常数；r1、r2为在区间[0,1]之间的随机数；
Figure BDA0003898862850000068
分别为粒子所在的个体最优位置和全体最优位置；
Figure BDA0003898862850000069
为[0,1]范围的随机数；exp表示以自然常数e为底的指数函数。
本发明的有益效果在于：
(1)本发明仅使用智能变电站现有通信告警信息构建适应度函数，并利用节点链路映射关系能够实现不同层级、多重链路故障的情况下的精准定位；
(2)基于自适应遗传粒子群算法的通信链路定位模型，收敛速度快，适应度好，定位结果直观，很大程度地提高了现场运维效率。
附图说明
图1为智能变电站二次***典型拓扑(A网)。
图2为智能变电站单网单间隔编号示意图。
图3为交换机下层链路断链链路节点告警信分析图。
图4为交换机上层链路断链链路节点告警信分析图。
图5为后台-装置连接模型图。
图6为装置-终端混连模型图。
图7为装置-终端网连模型图。
图8为跨间隔连接模型图。
图9为自适应遗传粒子群算法链路定位模型。
图10为智能变电站多间隔示意图。
图11为个体适应度值分布图。
图12为维度状态值图。
图13为算法收敛速度对比图。
图14为基于多告警信息融合的智能变电站通信链路故障定位流程框图。
具体实施方式
本发明所提供的一种基于多告警信息融合的智能变电站通信链路故障定位方法，具体包括以下步骤：
步骤1：对二次***通信网络进行编号；
节点编号：节点编号遵循自上而下的原则，对于既存在直连又存在经交换机连接的节点，该节点引入虚节点编号；对间隔层按保护(R)、测控(MC)、录波的顺序依次编号；对于过程层设备按智能终端(IT)、合并单元(MU)的顺序依次编号；为确定每条链路存在唯一对应的节点编码，应对部分装置既存在直连又存在网连的情况，对于存在既存在直连又存在经交换机连接的装置节点引入虚节点编号，在对经交换机网连相关链路进行节点状态编码时，采用虚节点编号；
链路编号：链路编号遵循从上至下，从左到右，先实节点再虚节点，先本间隔再跨间隔的原则，对于同一装置有多条链路与之连接的情况，按照链路下级节点从小到大依次编号。
基于如图1所示的智能变电站二次***典型拓扑，按上述编号原则，形成的线路间隔编号如图2所示；
步骤2：基于告警信息的通信链路故障辨识，确定链路相关节点状态；后台接收到来自装置的告警信息后，按照如下机理确定节点状态；
(1)不经交换机连接链路节点状态确定；针对装置之间的直连链路，可通过后台接收装置的告警信息定位到链路两端的节点。采用BM字段匹配算法获取节点信息，取告警信息中的节点信息作为关键词，定位链路告警两端节点作为实测节点状态信息；
(2)经交换机连接链路节点状态确定；本发明提出的故障链路定位方法，在应对经过交换机连接的链路时，在上述直连链路的基础上，附加告警信息差异化的分析；如图3，交换机下层链路故障，交换机上层连接的所有装置丢失MU1采集的信息，如图4，交换机上层链路故障，仅有上层对应链路的装置发告警；按照差异化的告警信息结合BM字段匹配算法，形成包含交换机链路两端的节点状态分析；
基于上述告警信息链路故障辨识原则，完成全网节点状态的获取，为形成Nj节点状态数组做准备；
步骤3：构建节点链路编码规则，建立节点状态编码数组Nj；基于步骤2所获取的蕴含故障状态的节点状态信息，按照式(1)建立节点故障编码数组Nj；
Figure BDA0003898862850000081
其中Nj表示节点状态数组，nj(j＝1,2,…,m)为第j个节点的状态编码；m为包含虚节点在内的节点总数；
链路状态数组Li是表征全网链路状态的一组参数，Li的定义如式(2)所示，链路状态Li作为本发明提出方法的输出结果，式(2)为定义规则，具体输出和使用见后续步骤6；
Figure BDA0003898862850000082
其中Li表示链路状态数组，li(i＝1,2,L e1)为第i条链路的状态编码，e1为链路总数；
步骤4：建立二次***故障链路节点期望Nj(l)；根据二次***全网连接模式及特点，建立图5至图8所示的四种典型连接结构，基于图5至图8建立四类节点链路期望映射，如式(3)、表1-表3：
(1)后台-装置连接期望映射I，函数如下；
Figure BDA0003898862850000083
其中
Figure BDA0003898862850000084
表示第I类连接结构下的节点期望，下标j表示第j个节点的期望状态值；
Figure BDA0003898862850000085
表示循环运算，a为循环起点，b为循环终点，当在循环区间内时，执行c表达式的运算；e1表示链路总数；li(i＝1,2,L e1)为第i条链路的状态编码；KI表示链路下层与交换机的站控层交换机SW-A的连接情况，若链路lj的下层与SW-A有连接，则KI＝1，否则KI＝0；KII表示链路上层与交换机的站控层交换机SW-A的连接情况，若链路下层与SW-A有连接，则KII＝1，否则KII＝0；“|”表示逻辑或运算；
(2)装置-终端混连期望映射，如表1：
表1装置-终端混连结构映射(II)
Figure BDA0003898862850000091
(3)装置-终端网连期望映射，如表2：
表2装置-终端网连结构映射(III)
Figure BDA0003898862850000092
(4)跨间隔连接期望映射，如表3：
表3跨间隔连接结构映射(IV)
Figure BDA0003898862850000093
在上述局部映射关系的基础上计算得局部期望节点编码
Figure BDA0003898862850000094
其中x表示I-IV，基于全网节点编号和局部节点编号的对应关系，采用“或”原则的拼接方法，将局部节点编号拼接为全网期望节点编号，当某一节点隶属多个类别时，该节点的期望状态在多类别拼接过程中取“或”运算，形成期望节点编码数组Nj(l)；
步骤5：基于Nj(l)构建多信息融合的适应度函数fit(n)。适应度函数的构建是应用智能算法求解的基础，基于上述步骤4形成的全网节点期望状态编码Nj(l)，构建形成的适应度函数如式(4)所示：
Figure BDA0003898862850000101
其中，fit(n)为第n个个体的适应度值，总共有N个个体；M的值取为考虑所有间隔节在内节点(包括虚节点)总数的2倍；Nj表示节点故障编码数组；Nj(l)表示期望节点编码数组；∑表示累积求和；η为[0,1]之间的正实数，称为权系数；
Figure BDA0003898862850000102
表征权系数与所有链路状态编码之和的乘积，适应度函数加入这一项后，可以避免出现一值多解；
步骤6：AGA-ABPSO定位模型求解，输出定位信息。基于自适应遗传粒子群算法的定位模型如图9所示，完成算法相关参数初始化设置后，将实测节点故障编码数组Nj作算法输入，随机初始化的种群维度信息作链路状态编码Li，按照上述步骤4所述映射关系，形成全网节点期望状态编码Nj(l)，按步骤5所述适应度函数，迭代求解种群最优适应度fit(n)，输出最优粒子信息，完成故障链路定位；
自适应交叉、变异概率计算如式(5)(6)：
Figure BDA0003898862850000103
Figure BDA0003898862850000104
其中：Pc表示自适应交叉概率；Pm表示自适应变异概率；fmax代表种群中最大适应度函数值；favg代表每代种群的平均适应度函数值；f代表进行交叉操作的2个个体中较大的适应度函数值；f′代表进行变异操作的个体的适应度函数值。另外，k1＝0.9，k2＝0.6，k3＝0.1，k4＝0.01。
自适应惯性权重如式(7)：
Figure BDA0003898862850000111
其中：wmax和wmin分别为惯性权重的最大值和最小值，通常取wmax＝0.9，wmin＝0.4；f″、fmin、favg分别为粒子的当前适应度、最小适应度和平均适应度；t和Tmax分别表示当前迭代次数和最大迭代次数。
自适应加速因子如式(8)：
Figure BDA0003898862850000112
其中：c1max、c1min、c2max、c2min分别为加速因子c1和c2的最大值、最小值；t表示当前迭代次数；Tmax代表最大迭代次数。对于加速因子最值，选取c1max＝1.3、c1min＝1.1、c2max＝2.0、c2min＝1.2。
自适应粒子群算法的速度和方向更新如式(9)(10)：
为了防止式(10)中sigmiod函数的饱和，一般将粒子的速度限定在[-4,4]区间内。sigmiog函数如式(11)
Figure BDA0003898862850000113
Figure BDA0003898862850000114
Figure BDA0003898862850000115
其中：
Figure BDA0003898862850000116
分别为第i个粒子在第k+1次迭代时的速度和位置；w为惯性权重；
Figure BDA0003898862850000117
Figure BDA0003898862850000118
分别为i个粒子在第k次迭代时的速度和位置；c1、c2分别为自我加速因子和社会加速因子，通常为非负常数；r1、r2为在区间[0,1]之间的随机数；
Figure BDA0003898862850000119
分别为粒子所在的个体最优位置和全体最优位置；
Figure BDA00038988628500001110
为[0,1]范围的随机数；exp表示以自然常数e为底的指数函数。
算例分析：为验证本发明提出的二次***通信链路故障定位方法的有效性，本文基于某智能变电站220kV侧二次***典型间隔(线路、母线、变压器)为例进行验证。基于实际***编码的二次***多间隔连接示意如图10所示。其中节点和链路参照步骤一所述原则编号，节点编号标注于节点旁，链路编号标注于链路中。算法初始化设置种群数目N＝50，最大迭代次数T＝100，种群空间维数D＝41，编码长度L＝41，算法相关参数如上述步骤6所述。
上述拼接局部期望节点编码Nj x(l)形成期望节点编码数组Nj(l)时，采用的全网节点编号和局部节点编号的对应关系如下表，拼接过程按下表进行,表中1 7 8NA，指母线间隔中的节点1 7 8分别对应局部节点编号的1 2 3，NA表示与4节点无对应，仅按照1 7 8对应1 2 3映射：
Figure BDA0003898862850000121
(1)站控层链路故障算例
随机设置站控层相关链路故障，验证本发明所述定位方法的准确性；
假设链路8故障，有故障信息推理得到的节点状态信息表述为Nj＝[1 0 0 0 0 00 0 0 0 0 1 0 0 0 0 0]，将其输入到本文提出的算法中，得到个体适应度以及个体维度信息。由图11可知，当链路8发生故障时，个体的适应度值最大为59.9，对应的个体编号为19，由图12可知第19个个体的维度状态信息为：[0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0]，个体中第8维为状态1，对应链路8发生故障，结果与预预期结果相同。站控层中其余链路仿真验证结果如表4所示：
表4站控层链路故障仿真结果
Figure BDA0003898862850000122
Figure BDA0003898862850000131
(2)过程层链路故障算例
设置过程层相关链路故障，验证本发明所述定位方法的有效性。过程层相关算例中，特别选取了包含虚节点的链路(链路12)、跨间隔连接的链路(链路22)、过程层交换机下层链路(链路27)进行验证。仿真结果如表5：
Figure BDA0003898862850000132
(3)多重故障位置算例
设置多重位置链路故障，包括站控层多重、站控层和过程层同节点连接的链路、过程层跨间隔连接链路、过程层经交换机链路几种典型且复杂的链路进行验证。仿真结果如表6：
Figure BDA0003898862850000141
通过上述3种算例结果不难发现，本发明所述定位方法在应对不同层级的链路故障，尤其是直连、网联和跨间隔连接此类故障时，都能够精准定位故障链路，说明了本发明提出的基于智能变电站后台告警信息编码的通信链路定位方法的可行性以及结果的准确性；
(4)自适应遗传粒子群算法收敛速度对比
基于算例(1)，对比AGA-ABPSO、AGA及ABPSO算法收敛速度。三种算法收敛速度如图13。在迭代速度方面，AGA-ABPSO算法在应对基于二进制编码的信息输入和寻优过程展现出了较好的性能。本文算法设置最大迭代100次，本发明所采用的AGA-ABPSO算法在27次迭代就稳定在了全局最大适应度并保持稳定，具有较快的收敛速度。AGA算法虽然也能在最大迭代次数内达到稳定收敛，但在迭代速度方面远落后于本文使用的AGA-ABPSO算法，在第94次迭代才达到全局最优解，AGA算法在全局最优解的过程中，还出现了冗余迭代的现象，造成了迭代速度慢；ABPSO算法迭代速度位于二者之间，在迭代59次后达到全局收敛。
附图中GOOSE是一种面向通用对象的变电站事件。
附图中所述的SV是采样值。
上述实施例中所述的AGA为自适应遗传算法。
上述实施例中所述的AGA-ABPSO为自适应遗传粒子群算法。
上述实施例中所述的ABPSO为自适应粒子群算法算法。
本发明的有益效果在于：
(1)本发明仅使用智能变电站现有通信告警信息构建适应度函数，并利用节点链路映射关系能够实现不同层级、多重链路故障的情况下的精准定位；
(2)基于自适应遗传粒子群算法的通信链路定位模型，收敛速度快，适应度好，定位结果直观，很大程度地提高了现场运维效率。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (9)

1.一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于包括以下步骤：
步骤1：对二次***通信网络进行编号；采用适用于二次***全网的节点链路编号原则，对二次***进行编号，所述适用于二次***全网的节点链路编号原则为遵循自上而下的节点编号原则，和遵循从上至下，从左到右，先实节点再虚节点，先本间隔再跨间隔的链路编号原则；
步骤2：基于告警信息的通信链路故障辨识，确认相关节点状态；
步骤3：构建节点链路编码原则，建立节点状态编码数组Nj；
步骤4：构建四种典型局部连接结构，建立四种链路故障的局部节点期望
Figure FDA0003898862840000012
基于
Figure FDA0003898862840000013
拼接形成全网节点期望Nj(l)；
步骤5：基于步骤4所述的Nj(l)构建适应度函数fit(n)；
步骤6：初始化自适应遗传粒子群算法求解定位模型相关参数，将Nj作算法输入，随机初始化种群并建立链路状态编码数组Li，计算期望节点状态编码Nj(l)，迭代求解种群最佳fit(n)，输出最优粒子，完成链路定位。
2.根据权利要求1所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于所述节点编号原则中对于既存在直连又存在经交换机连接的节点，该节点引入虚节点编号；对间隔层按保护、测控、录波的顺序依次编号；对于过程层设备按智能终端、合并单元的顺序依次编号；对于装置既存在直连又存在经交换机连接的情况，在对经交换机连接相关链路进行节点状态编码时，采用虚节点编号；链路编号原则中对于同一装置有多条链路与之连接的情况，按照链路下级节点从小到大依次编号。
3.根据权利要求2所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于当后台接收到来自装置的告警信息后，按照如下机理确定节点状态：
(1)针对装置之间的直连链路时，通过后台接收装置的告警信息定位到链路两端的节点；采用BM字段匹配算法获取节点信息，取告警信息中的节点信息作为关键词，定位链路告警两端节点作为实测节点状态信息；
(2)针对经过交换机连接的链路时，在上述直连链路的基础上，附加告警信息差异化的分析；按照差异化的告警信息结合BM字段匹配算法，形成包含交换机链路两端的节点状态信息。
4.根据权利要求3所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于所述节点状态编码数组Nj如式下式：
Figure FDA0003898862840000011
其中Nj表示节点状态数组，nj(j＝1,2,…,m)为第j个节点的状态编码；m为包含虚节点在内的节点总数。
5.根据权利要求4所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于所述链路故障的节点期望Nj(l)如下：
(1)后台-装置连接期望映射I，函数如下：
Figure FDA0003898862840000021
其中
Figure FDA0003898862840000022
表示第I类连接结构下的节点期望，下标j表示第j个节点的期望状态值；
Figure FDA0003898862840000023
表示循环运算，a为循环起点，b为循环终点，当在循环区间内时，执行c表达式的运算；li(i＝1,2,Le1)为第i条链路的状态编码；e1表示链路总数；KI表示链路下层与交换机的站控层交换机SW-A的连接情况，若链路lj的下层与SW-A有连接，则KI＝1，否则KI＝0；KII表示链路上层与交换机的站控层交换机SW-A的连接情况，若链路下层与SW-A有连接，则KII＝1，否则KII＝0；“|”表示逻辑或运算；
(2)装置-终端混连期望映射Ⅱ，如下表：
Figure FDA0003898862840000024
(3)装置-终端网连期望映射Ⅲ，如下表：
Figure FDA0003898862840000025
(4)跨间隔连接期望映射Ⅳ，如下表：
Figure FDA0003898862840000031
在上述局部映射关系的基础上计算得局部期望节点编码
Figure FDA0003898862840000032
其中x表示I-IV，基于全网节点编号和局部节点编号的对应关系，采用或原则的拼接方法，将局部节点编号拼接为全网期望节点编号，当某一节点隶属多个类别时，该节点的期望状态在多类别拼接过程中取或运算，形成期望节点编码数组Nj(l)。
6.根据权利要求5所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于所述适应度函数fit(n)如下式：
Figure FDA0003898862840000033
其中，fit(n)为第n个个体的适应度值；M的值取为考虑所有间隔节在内节点(包括虚节点)总数的2倍；Nj表示节点故障编码数组；Nj(l)表示期望节点编码数组；∑表示累积求和；η为[0,1]之间的正实数，称为权系数；
Figure FDA0003898862840000034
表征权系数与所有链路状态编码之和的乘积，Li表示链路状态数组。
7.根据权利要求6所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于所述链路状态数组Li是表征全网链路状态的一组参数，Li的定义如下式：
Figure FDA0003898862840000035
其中Li表示链路状态数组，li(i＝1,2,L e1)为第i条链路的状态编码，e1为链路总数。
8.根据权利要求7所述的一种基于多告警信息融合的智能变电站通信链路故障定位方法，其特征在于以Nj作为算法输入，以步骤5中所得出的适应度函数最大值为输出目标，输出最优种群粒子，完成故障链路精准定位。
9.一种基于多告警信息融合的智能变电站通信链路故障定位方法，具体包括以下步骤：
步骤1：对二次***通信网络进行编号；
节点编号：节点编号遵循自上而下的原则，对于既存在直连又存在经交换机连接的节点，该节点引入虚节点编号；对间隔层按保护、测控、录波的顺序依次编号；对于过程层设备按智能终端、合并单元的顺序依次编号；为确定每条链路存在唯一对应的节点编码，对于既存在直连又存在经交换机连接的节点的装置节点引入虚节点编号，在对经交换机网连相关链路进行节点状态编码时，采用虚节点编号；
链路编号：链路编号遵循从上至下，从左到右，先实节点再虚节点，先本间隔再跨间隔的原则，对于同一装置有多条链路与之连接的情况，按照链路下级节点从小到大依次编号；
基于智能变电站二次***典型拓扑，按上述编号原则，形成的线路间隔编号；
步骤2：基于告警信息的通信链路故障辨识，确定链路相关节点状态；后台接收到来自装置的告警信息后，按照如下机理确定节点状态：
(1)不经交换机连接链路节点状态确定；针对装置之间的直连链路，可通过后台接收装置的告警信息定位到链路两端的节点；采用BM字段匹配算法获取节点信息，取告警信息中的节点信息作为关键词，定位链路告警两端节点作为实测节点状态信息；
(2)经交换机连接链路节点状态确定；在应对经过交换机连接的链路时，在上述直连链路的基础上，附加告警信息差异化的分析；交换机下层链路故障，交换机上层连接的所有装置丢失MU1采集的信息，交换机上层链路故障，仅有上层对应链路的装置发告警；按照差异化的告警信息结合BM字段匹配算法，形成包含交换机链路两端的节点状态分析；
基于上述告警信息链路故障辨识原则，完成全网节点状态的获取；
步骤3：构建节点链路编码规则，建立节点状态编码数组Nj；基于步骤2所获取的蕴含故障状态的节点状态信息，按照式(1)建立节点故障编码数组Nj如下式：
Figure FDA0003898862840000041
其中Nj表示节点状态数组，nj(j＝1,2,…,m)为第j个节点的状态编码；m为包含虚节点在内的节点总数，链路状态数组Li是表征全网链路状态的一组参数，Li的定义如下式：
Figure FDA0003898862840000042
其中Li表示链路状态数组，li(i＝1,2,Le1)为第i条链路的状态编码，e1为链路总数；
步骤4：建立二次***故障链路节点期望Nj(l)；根据二次***全网连接模式及特点，建立四种典型连接结构，并根据四种典型连接结构建立如下节点链路期望映射：
(1)后台-装置连接期望映射I，函数如下：
Figure FDA0003898862840000043
其中
Figure FDA0003898862840000044
表示第I类连接结构下的节点期望，下标j表示第j个节点的期望状态值；
Figure FDA0003898862840000045
表示循环运算，a为循环起点，b为循环终点，当在循环区间内时，执行c表达式的运算；li(i＝1,2,Le1)为第i条链路的状态编码；e1表示链路总数；KI表示链路下层与交换机的站控层交换机SW-A的连接情况，若链路lj的下层与SW-A有连接，则KI＝1，否则KI＝0；KII表示链路上层与交换机的站控层交换机SW-A的连接情况，若链路下层与SW-A有连接，则KII＝1，否则KII＝0；“|”表示逻辑或运算；
(2)装置-终端混连期望映射Ⅱ，如下表：
Figure FDA0003898862840000051
(3)装置-终端网连期望映射Ⅲ，如下表：
Figure FDA0003898862840000052
(4)跨间隔连接期望映射Ⅳ，如下表：
Figure FDA0003898862840000053
在上述局部映射关系的基础上计算得局部期望节点编码
Figure FDA0003898862840000066
其中x表示I-IV，基于全网节点编号和局部节点编号的对应关系，采用“或”原则的拼接方法，将局部节点编号拼接为全网期望节点编号，当某一节点隶属多个类别时，该节点的期望状态在多类别拼接过程中取“或”运算，形成期望节点编码数组Nj(l)。
步骤5：基于Nj(l)构建多信息融合的适应度函数fit(n)；基于上述步骤4形成的全网节点期望状态编码Nj(l)，构建形成的适应度函数如式(4)所示：
Figure FDA0003898862840000061
其中，fit(n)为第n个个体的适应度值，总共有N个个体；M的值取为考虑所有间隔节在内节点(包括虚节点)总数的2倍；Nj表示节点故障编码数组；Nj(l)表示期望节点编码数组；∑表示累积求和；η为[0,1]之间的正实数，称为权系数；
Figure FDA0003898862840000062
表征权系数与所有链路状态编码之和的乘积；
步骤6：自适应遗传粒子群算法定位模型求解，输出定位信息；完成算法相关参数初始化设置后，将实测节点故障编码数组Nj作算法输入，随机初始化的种群维度信息作链路状态编码Li，按照步骤4所述映射关系，形成全网节点期望状态编码Nj(l)，按步骤5所述适应度函数，迭代求解种群最优适应度fit(n)，输出最优粒子信息，完成故障链路定位；
自适应交叉概率如下式：
Figure FDA0003898862840000063
自适应变异概率计算如下式：
Figure FDA0003898862840000064
其中：Pc表示自适应交叉概率；Pm表示自适应变异概率；fmax代表种群中最大适应度函数值；favg代表每代种群的平均适应度函数值；f代表进行交叉操作的2个个体中较大的适应度函数值；f′代表进行变异操作的个体的适应度函数值。另外，k1＝0.9，k2＝0.6，k3＝0.1，k4＝0.01；
自适应惯性权重如下式：
Figure FDA0003898862840000065
其中：wmax和wmin分别为惯性权重的最大值和最小值，通常取wmax＝0.9，wmin＝0.4；f″、fmin、favg分别为粒子的当前适应度、最小适应度和平均适应度；t和Tmax分别表示当前迭代次数和最大迭代次数；
自适应加速因子如下式：
Figure FDA0003898862840000071
其中：c1max、c1min、c2max、c2min分别为加速因子c1和c2的最大值、最小值；t表示当前迭代次数；Tmax代表最大迭代次数。对于加速因子最值，选取c1max＝1.3、c1min＝1.1、c2max＝2.0、c2min＝1.2；
自适应粒子群算法的速度更新如下式：
Figure FDA0003898862840000072
自适应粒子群算法的方向更新如下式：
Figure FDA0003898862840000073
为了防止sigmiod函数的饱和，将粒子的速度限定在[-4,4]区间内，sigmiog函数如下式：
Figure FDA0003898862840000074
其中：
Figure FDA0003898862840000075
Figure FDA0003898862840000076
分别为第i个粒子在第k+1次迭代时的速度和位置；w为惯性权重；
Figure FDA0003898862840000077
分别为i个粒子在第k次迭代时的速度和位置；c1、c2分别为自我加速因子和社会加速因子，通常为非负常数；r1、r2为在区间[0,1]之间的随机数；
Figure FDA0003898862840000078
分别为粒子所在的个体最优位置和全体最优位置；
Figure FDA0003898862840000079
为[0,1]范围的随机数；exp表示以自然常数e为底的指数函数。
CN202211283183.3A 2022-10-20 2022-10-20 一种基于多告警信息融合的智能变电站通信链路故障定位方法 Pending CN115632936A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211283183.3A CN115632936A (zh) 2022-10-20 2022-10-20 一种基于多告警信息融合的智能变电站通信链路故障定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211283183.3A CN115632936A (zh) 2022-10-20 2022-10-20 一种基于多告警信息融合的智能变电站通信链路故障定位方法

Publications (1)

Publication Number Publication Date
CN115632936A true CN115632936A (zh) 2023-01-20

Family

ID=84907588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211283183.3A Pending CN115632936A (zh) 2022-10-20 2022-10-20 一种基于多告警信息融合的智能变电站通信链路故障定位方法

Country Status (1)

Country Link
CN (1) CN115632936A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108957246A (zh) * 2018-09-27 2018-12-07 广东电网有限责任公司 一种基于粒子群的配电网故障定位方法
CN110674189A (zh) * 2019-09-27 2020-01-10 国网四川省电力公司电力科学研究院 一种智能变电站二次状态监测与故障定位的方法
US20200195007A1 (en) * 2018-12-13 2020-06-18 Mitsubishi Electric Research Laboratories, Inc. Post-Disaster Topology Detection and Energy Flow Recovery in Power Distribution Network
CN112491047A (zh) * 2020-11-25 2021-03-12 国网湖北省电力有限公司咸宁供电公司 一种变电站二次设备的故障定位方法、装置及设备
CN113935630A (zh) * 2021-10-18 2022-01-14 国网福建省电力有限公司经济技术研究院 一种基于scd和spcd的变电站二次***链路故障排查指引方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108957246A (zh) * 2018-09-27 2018-12-07 广东电网有限责任公司 一种基于粒子群的配电网故障定位方法
US20200195007A1 (en) * 2018-12-13 2020-06-18 Mitsubishi Electric Research Laboratories, Inc. Post-Disaster Topology Detection and Energy Flow Recovery in Power Distribution Network
CN110674189A (zh) * 2019-09-27 2020-01-10 国网四川省电力公司电力科学研究院 一种智能变电站二次状态监测与故障定位的方法
CN112491047A (zh) * 2020-11-25 2021-03-12 国网湖北省电力有限公司咸宁供电公司 一种变电站二次设备的故障定位方法、装置及设备
CN113935630A (zh) * 2021-10-18 2022-01-14 国网福建省电力有限公司经济技术研究院 一种基于scd和spcd的变电站二次***链路故障排查指引方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王同文;刘宏君;邵庆祝;俞斌;: "智能变电站二次回路智能预警及故障诊断技术研究", 电测与仪表, no. 08 *
王彦;李进;李敏;郭明宇;: "智能变电站虚实回路映射及故障定位方法", 电力大数据, no. 12, 21 December 2017 (2017-12-21) *

Similar Documents

Publication Publication Date Title
CN106789190B (zh) 一种电力通信网脆弱性评估及路由优化方法
CN109165504B (zh) 一种基于对抗生成网络的电力***虚假数据攻击识别方法
CN108022002B (zh) 一种基于支持张量机的中性点接地方式决策方法及***
CN110988596B (zh) 一种新型主动配电网故障区段定位方法
CN111443259A (zh) 基于局部异常因子检测的有源配电网故障诊断方法及***
CN105976257A (zh) 基于隶属度函数的模糊综合评价法的电网脆弱性评估方法
Gen et al. A spanning tree-based genetic algorithm for bicriteria topological network design
CN110417011A (zh) 一种基于互信息与迭代随机森林的在线动态安全评估方法
CN113705085B (zh) 一种智能电网多层次结构建模及风险评估方法
CN105471647B (zh) 一种电力通信网故障定位方法
CN111426323B (zh) 一种巡检机器人路线规划方法及装置
CN115219838A (zh) 一种基于多源信息融合的配电网故障研判方法
CN111650472A (zh) 一种电压暂降源定位的方法
CN113740666B (zh) 一种数据中心电力***告警风暴根源故障的定位方法
CN110412417B (zh) 基于智能电力监测仪表的微电网数据故障诊断方法
CN115545479A (zh) 一种配电网重要节点或重要线路的确定方法及装置
CN110443481A (zh) 基于混合k-近邻算法的配电自动化终端状态评价***及方法
CN107277828B (zh) 一种均衡***失效风险的信息物理***规划方法
CN105871621A (zh) 一种基于改进贪心策略的探针部署方法
CN115632936A (zh) 一种基于多告警信息融合的智能变电站通信链路故障定位方法
CN108183481B (zh) 一种基于深度学习电网快速判稳方法和***
CN116432077A (zh) 基于优化bp神经网络的智能站二次***故障定位方法
Wang et al. Generating synthetic electric power system data with accurate electric topology and parameters
CN115600494A (zh) 一种低压台区拓扑自动识别方法及装置
CN108322334A (zh) 一种电力通讯***可靠性评估方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: No.2, Yulin Road, Dongbao District, Jingmen City, Hubei Province, 448000

Applicant after: STATE GRID HUBEI ELECTRIC POWER CO., LTD. JINGMEN POWER SUPPLY Co.

Applicant after: CHINA THREE GORGES University

Applicant after: WUHAN KEMOV ELECTRIC Co.,Ltd.

Address before: 448000 No. 2, Yulin Road, Dongbao District, Ezhou City, Hubei Province

Applicant before: STATE GRID HUBEI ELECTRIC POWER CO., LTD. JINGMEN POWER SUPPLY Co.

Country or region before: China

Applicant before: CHINA THREE GORGES University

Applicant before: WUHAN KEMOV ELECTRIC Co.,Ltd.