CN117148048B - 基于数字孪生技术的配电网故障预测方法及*** - Google Patents
基于数字孪生技术的配电网故障预测方法及*** Download PDFInfo
- Publication number
- CN117148048B CN117148048B CN202311417083.XA CN202311417083A CN117148048B CN 117148048 B CN117148048 B CN 117148048B CN 202311417083 A CN202311417083 A CN 202311417083A CN 117148048 B CN117148048 B CN 117148048B
- Authority
- CN
- China
- Prior art keywords
- node
- fault
- equipment
- distribution network
- power distribution
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 238000013523 data management Methods 0.000 claims abstract description 22
- 230000003993 interaction Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 20
- 238000003745 diagnosis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及配电网故障预测技术领域,提供基于数字孪生技术的配电网故障预测方法及***。所述方法包括:交互数据管理端,采集第一配电网的设备信息;构建第一电网设备拓扑网络;交互所述数据管理端,获得第一电网预控制指令;获得Q个标准预控制特征;基于数字孪生技术,获得Q个节点设备仿真工况数据集;基于故障预测信度评价函数,构建节点故障预测通道,根据所述Q个节点设备仿真工况数据集进行所述第一配电网的故障预测,获得配电网故障预测报告。本申请解决了现有技术中配电网故障发现不及时,定位不准确的技术问题,达到了提高预测配电网故障的准确率,可以精准找到故障设备的技术效果。
Description
技术领域
本申请涉及配电网故障预测技术领域,特别是涉及基于数字孪生技术的配电网故障预测方法及***。
背景技术
电网故障诊断就是通过测量和分析故障后电网中电流、电压等电量以及保护和断路器动作的开关量变化信息,识别故障元件。良好地诊断策略对于缩短故障时间,防止事故扩大具有重要意义。故障发生时,监控***采集到的大量故障信息涌入调度中心,基于传统数学模型的诊断方法已很大程度上不能保证诊断的准确性和快速性等要求,各种诊断方法在处理不确定和不完备信息时容错性差,而且对于该问题仍没有给出明确的解决方式;像前文所介绍的,这些智能方法本身还存在应用的限制和缺陷,电网的运行方式和网络拓扑结构的变化对故障诊断结果有明显的影响;电网智能故障诊断实用化的研究还不够。
综上所述,现有技术中存在配电网故障发现不及时,故障设备定位不准确的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预测配电网故障的准确率,可以精准找到故障设备的基于数字孪生技术的配电网故障预测方法及***。
第一方面,本申请提供了基于数字孪生技术的配电网故障预测方法,所述方法包括:交互数据管理端,采集第一配电网的设备信息,获得所述第一配电网的Q个电网设备对应的Q个设备信息集合,其中,Q为大于1的正整数;基于所述Q个设备信息集合,构建第一电网设备拓扑网络,其中,所述第一电网设备拓扑网络包括Q个设备拓扑节点,且,所述Q个设备拓扑节点具有对应标识的Q个设备约束算子;交互所述数据管理端,获得第一电网预控制指令,其中,所述第一电网预控制指令包括所述Q个设备拓扑节点对应的Q个设备预控制特征;遍历所述Q个设备预控制特征进行数据清洗,获得Q个标准预控制特征;基于数字孪生技术,根据所述Q个标准预控制特征,分别对所述Q个设备拓扑节点进行仿真控制,获得Q个节点设备仿真工况数据集;基于故障预测信度评价函数,构建节点故障预测通道,并基于所述节点故障预测通道,根据所述Q个节点设备仿真工况数据集进行所述第一配电网的故障预测,获得配电网故障预测报告,其中,所述配电网故障预测报告包括所述Q个设备拓扑节点对应的Q个节点故障预测子报告。
第二方面,本申请提供了基于数字孪生技术的配电网故障预测***,所述***包括:配电网设备信息采集模块,所述配电网设备信息采集模块用于交互数据管理端,采集第一配电网的设备信息,获得所述第一配电网的Q个电网设备对应的Q个设备信息集合,其中,Q为大于1的正整数;电网设备拓扑网络构建模块,所述电网设备拓扑网络构建模块用于基于所述Q个设备信息集合,构建第一电网设备拓扑网络,其中,所述第一电网设备拓扑网络包括Q个设备拓扑节点,且,所述Q个设备拓扑节点具有对应标识的Q个设备约束算子;电网预控制指令获得模块,所述电网预控制指令获得模块用于交互所述数据管理端,获得第一电网预控制指令,其中,所述第一电网预控制指令包括所述Q个设备拓扑节点对应的Q个设备预控制特征;标准预控制特征获得模块,所述标准预控制特征获得模块用于遍历所述Q个设备预控制特征进行数据清洗,获得Q个标准预控制特征;仿真工况数据集获取模块,所述仿真工况数据集获取模块用于基于数字孪生技术,根据所述Q个标准预控制特征和所述Q个设备约束算子分别对所述Q个设备拓扑节点进行仿真控制,获得Q个节点设备仿真工况数据集;节点故障预测通道构建模块,所述节点故障预测通道构建模块用于基于故障预测信度评价函数,构建节点故障预测通道,并基于所述节点故障预测通道,根据所述Q个节点设备仿真工况数据集进行所述第一配电网的故障预测,获得配电网故障预测报告,其中,所述配电网故障预测报告包括所述Q个设备拓扑节点对应的Q个节点故障预测子报告。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
首先,交互数据管理端,采集第一配电网的设备信息,获得所述第一配电网的Q个电网设备对应的Q个设备信息集合,其中,Q为大于1的正整数;其次基于所述Q个设备信息集合,构建第一电网设备拓扑网络,其中,所述第一电网设备拓扑网络包括Q个设备拓扑节点,且,所述Q个设备拓扑节点具有对应标识的Q个设备约束算子;接下来交互所述数据管理端,获得第一电网预控制指令,其中,所述第一电网预控制指令包括所述Q个设备拓扑节点对应的Q个设备预控制特征;然后遍历所述Q个设备预控制特征进行数据清洗,获得Q个标准预控制特征;再基于数字孪生技术,根据所述Q个标准预控制特征,分别对所述Q个设备拓扑节点进行仿真控制,获得Q个节点设备仿真工况数据集;最后基于故障预测信度评价函数,构建节点故障预测通道,并基于所述节点故障预测通道,根据所述Q个节点设备仿真工况数据集进行所述第一配电网的故障预测,获得配电网故障预测报告,其中,所述配电网故障预测报告包括所述Q个设备拓扑节点对应的Q个节点故障预测子报告。本申请解决了现有技术中配电网故障发现不及时,定位不准确的技术问题,达到了提高预测配电网故障的准确率,可以精准找到故障设备的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中基于数字孪生技术的配电网故障预测方法的流程示意图;
图2为一个实施例中基于数字孪生技术的配电网故障预测方法的对配电网故障预测报告优化的流程示意图;
图3为一个实施例中基于数字孪生技术的配电网故障预测***的结构框图。
附图标记说明:配电网设备信息采集模块11,电网设备拓扑网络构建模块12,电网预控制指令获得模块13,标准预控制特征获得模块14,仿真工况数据集获取模块15,节点故障预测通道构建模块16。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了基于数字孪生技术的配电网故障预测方法,其特征在于,所述方法包括:
交互数据管理端,采集第一配电网的设备信息,获得所述第一配电网的Q个电网设备对应的Q个设备信息集合,其中,Q为大于1的正整数;
数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程;配电网故障是指导致配电设备不能按要求正常工作的物理状态,包括绝缘破坏故障与断线故障。本申请通过提供基于数字孪生技术的配电网故障预测方法,达到了实时监测配电网故障,精准定位配电网故障区域的技术效果。
数据管理端是指管理配电网设备及配电网设备连接的数据库端口,其中包括配电网的设备、配电网的分布线路等;配电网是指从输电网或地区发电厂接受电能,通过配电设施就地分配或按电压逐级分配给各类用户的电力网,配电网是由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿电容以及一些附属设施等组成的,第一配电网是指所有配电网中选出的任意配电网,记作第一配电网;电网设备是指架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿电容以及一些附属设施等组成配电网的设施;设备信息集合是指所述配电网设备的结构等。通过配电网设备信息查询网站,获得所述第一配电网的设备信息,根据获得的所述第一配电网的Q个电网设备对应的Q个设备信息集合,为后续构建第一电网设备拓扑网络做出了铺垫。
基于所述Q个设备信息集合,构建第一电网设备拓扑网络,其中,所述第一电网设备拓扑网络包括Q个设备拓扑节点,且,所述Q个设备拓扑节点具有对应标识的Q个设备约束算子;
电网的拓扑结构,就是将电网通过断路器等开关设备将母线、发电机、同步电动机、负荷点等元件相联系,抽象成与其样式无关的一个个节点,而把连接这些节点的电力线路抽象成线,进而以拓扑图的形式来表示这些节点之间的关系,第一电网设备拓扑网络是指所述第一电网中设备的连接方式网络图;设备拓扑节点是指所述第一配电网中的设备;所述Q个设备拓扑节点具有对应标识的Q个设备约束算子,所述设备约束算子带有不同所述设备拓扑节点的标志,其中设备约束算子是指节点故障置信度和节点关联重度执行预设权重约束的加权计算后的数字。通过构建第一电网设备拓扑网络,提高了后续配电网故障的预测速度以及精确度。
基于所述Q个设备拓扑节点,获得第q设备拓扑节点,且,q为正整数,q属于Q;
连接所述数据管理端,获得第一历史时域内所述第一配电网对应的设备故障记录库;
基于所述设备故障记录库对所述第q设备拓扑节点进行故障置信度计算,获得第q节点故障置信度;
对所述第q设备拓扑节点进行节点重度分析,获得第q节点关联重度;
对所述第q节点故障置信度和所述第q节点关联重度执行预设权重约束的加权计算,获得第q设备约束算子,并将所述第q设备约束算子添加至所述Q个设备约束算子。
在所述Q个设备拓扑节点中,选择任意一个设备拓扑节点,记作第q设备拓扑节点,由于是从所述Q个设备拓扑节点中任选,所以q属于Q;第一历史时域是指在过去时间段内;设备故障记录库是指所述第一配电网中的所有设备出现故障记录的数据整合成的数据库;置信度是指特定个体对待特定命题真实性相信的程度,也就是概率是对个人信念合理性的量度,在抽样对总体参数作出估计时,由于样本的随机性,其结论总是不确定的,在本申请中获得第q节点故障置信度是为了对所述第q节点故障发生的概率做出铺垫;节点重度分析是指所述第q设备拓扑节点在整个所述第一配电网中的重要性分析;对所述第q节点故障置信度和所述第q节点关联重度执行预设权重约束的加权计算,获得第q设备约束算子,预设权重约束是指工作人员自行设定的数字,用来计算第q设备约束算子,节点之间的链接关系计算每个节点的权重,反映了该节点在整个网络中的重要性。通过获得第q设备拓扑节点,然后查找所述第一配电网对应的设备故障记录库,根据所述设备故障记录库对所述第q设备拓扑节点进行故障置信度计算,获得第q节点故障置信度,再计算所述第q节点故障置信度和所述第q节点关联重度执行预设权重约束的加权计算,获得第q设备约束算子,通过对所述Q个设备拓扑节点的加权计算,获得第q设备约束算子,为后续的设备控制特征的获得做出了贡献。
遍历所述Q个设备拓扑节点进行两两作业关联度分析,获得多个节点作业关联度;
将所述多个节点作业关联度与预设作业关联度进行比对,获得大于所述预设作业关联度的多个标识节点关联度;
基于所述多个标识节点关联度对所述Q个设备拓扑节点进行关联标记,获得第二电网设备拓扑网络;
基于所述第二电网设备拓扑网络对所述第q设备拓扑节点进行关联节点匹配,获得第q关联节点匹配结果;
基于所述第q关联节点匹配结果,计算所述第q节点关联重度。
作业关联度是指两个不同的设备节点在工作时的关联程度,例如开关开启,使发电设备运行,然后根据发电设备运行带动运输设备,由运输设备传送至用电设备进行使用,发电设备和运输设备的关联度就比发电设备和用电设备要高,对所述Q个设备拓扑节点中所有设备拓扑节点进行两两关联度分析,其中关联度值介于0~1之间,该值越大代表其相关联性越强;预设作业关联度是工作人员根据经验设置的数据,用来对比所述多个节点作业关联度的,将所述多个节点作业关联度大于所述预设作业关联度的进行标注识别,获得多个标识节点关联度;基于所述多个标识节点关联度对所述Q个设备拓扑节点进行关联标记,获得第二电网设备拓扑网络,基于所述第二电网设备拓扑网络对所述第q设备拓扑节点进行关联节点匹配,获得第q关联节点匹配结果,其中第q关联节点匹配结果是指所述第q设备拓扑节点对应所述多个节点作业关联度大于所述预设作业关联度的节点数量;所述第q节点关联重度是指所述第q关联节点匹配结果与所述Q个设备拓扑节点进行关联标记的比值。通过计算所述第q节点关联重度,对所述第q节点故障置信度和所述第q节点关联重度执行预设权重约束的加权计算提供了支持。
交互所述数据管理端,获得第一电网预控制指令,其中,所述第一电网预控制指令包括所述Q个设备拓扑节点对应的Q个设备预控制特征;
第一电网预控制指令是指所述第一电网准备运行时的控制指令,例如使用多久、用电量多少等,所述第一电网预控制指令包括所述Q个设备拓扑节点对应的Q个设备预控制特征,其中设备预控制特征是指每个设备运行时的可能控制参数。通过交互所述数据管理端,获得第一电网预控制指令,为后续的数据清洗做出了贡献。
遍历所述Q个设备预控制特征进行数据清洗,获得Q个标准预控制特征;
遍历是指从所述Q个设备预控制特征逐个访问,数据清洗是指数据预处理,一般进行数据清洗需要通过7个步骤进行处理:选择子集,列名重命名,删除重复值,缺失值处理,一致化处理,数据排序处理,异常值处理,本申请中是指对所述Q个设备预控制特征进行筛选,得到Q个标准预控制特征,所述Q个标准预控制特征是指对每个设备的控制数据进行筛选,获得最符合要求的控制数据,遍历所述Q个设备预控制特征进行数据清洗,获得Q个标准预控制特征,通过获得Q个标准预控制特征,为后续的仿真控制提供了支持。
基于数字孪生技术,根据所述Q个标准预控制特征和所述Q个设备约束算子分别对所述Q个设备拓扑节点进行仿真控制,获得Q个节点设备仿真工况数据集;
数字孪生技术简单来说,就是在一个设备或者***的基础上,创造一个数字版的克隆体,所述克隆体被创建在信息化平台上,是虚拟的;通过创造配电网的数字孪生体,根据所述Q个标准预控制特征和所述Q个设备约束算子分别对所述Q个设备拓扑节点进行仿真控制,仿真控制是指应用电子计算机对***的结构、功能和行为以及参与***控制的人的思维过程和行为进行动态性逼真的模仿,在本申请中是指对所述配电网的数字孪生体进行所述Q个标准预控制特征和所述Q个设备约束算子的仿真,使其模仿真正的配电网在运行,获得Q个节点设备仿真工况数据集,所述Q个节点设备仿真工况数据集是指在进行仿真模拟时,所述Q个节点设备仿真的工作情况的数据整合获得的数据集。通过获得Q个节点设备仿真工况数据集,为后续评价所述第一配电网的故障预测做出了铺垫。
基于故障预测信度评价函数,构建节点故障预测通道,并基于所述节点故障预测通道,根据所述Q个节点设备仿真工况数据集进行所述第一配电网的故障预测,获得配电网故障预测报告,其中,所述配电网故障预测报告包括所述Q个设备拓扑节点对应的Q个节点故障预测子报告。
节点故障预测通道是指对所述节点故障进行预测的模型,根据所述Q个节点设备仿真工况数据集进行所述第一配电网的故障预测,获得配电网故障预测报告,其中,所述配电网故障预测报告包括所述Q个设备拓扑节点对应的Q个节点故障预测子报告,节点故障预测子报告包括对应的设备节点和Q个节点故障风险系数,故障预测信度评价函数是指对所述故障预测信度进行评价的函数,通过构建节点故障预测通道,可以提高配电网的故障预测的精准度。
获得样本故障预测记录集,并根据预设比例权重执行所述样本故障预测记录集的样本划分,获得样本训练集和样本测试集;
基于所述样本训练集,训练故障预测器;
基于所述样本测试集对所述故障预测器进行测试,获得故障预测准度和故障预测误度;
将所述故障预测准度和所述故障预测误度输入所述故障预测信度评价函数,获得故障预测信度;
若所述故障预测信度大于预测信度阈值,将所述故障预测器添加至所述节点故障预测通道。
样本故障预测记录集是指在过去的时间内,所述配电网出现故障的预测报告的集合;构建节点故障预测通道,所述节点故障预测通道为机器学习中可以不断进行迭代优化的神经网络模型,通过样本训练集进行监督训练获得。按照预设比例权重将所述样本故障预测记录集划分为样本训练集和样本测试集,所述预设数据划分比例本领域技术人员可基于实际情况自定义设置,例如:85%、15%。故障预测准度和故障预测误度为故障预测的准确程度和错误程度。故障预测信度评价函数为,其中,/>表征故障预测信度,表征故障预测准度,/>表征故障预测误度。当模型输出结果趋于收敛状态时,即所述故障预测信度大于预测信度阈值,将所述故障预测器添加至所述节点故障预测通道。通过基于神经网络构建节点故障预测通道,可以提高故障预测准确度获得的效率和准确率。
构建所述故障预测信度评价函数,所述故障预测信度评价函数为:;其中,/>表征故障预测信度,/>表征故障预测准度,/>表征故障预测误度。故障预测信度评价函数是指对所述故障预测的准确度进行评价的函数,故障预测准度是指所述故障预测器预测的故障符合样本数据的百分比,故障预测误度是指所述故障预测器预测的故障不符合样本数据的百分比,其中故障预测准度和故障预测误度的和为1。当所述故障预测信度评价函数为收敛函数时,则所述故障预测准度符合建立所述节点故障预测通道的要求,通过构建所述故障预测信度评价函数,提高了节点故障预测通道的准确度和精度。
如图2所示,基于所述Q个节点故障预测子报告,获得Q个节点故障风险系数;
判断所述Q个节点故障风险系数是否大于预设故障风险系数;
若所述Q个节点故障风险系数中的任意一个节点故障风险系数大于所述预设故障风险系数,生成节点诱导故障分析指令,并根据所述节点诱导故障分析指令对所述配电网故障预测报告进行优化。
节点故障风险系数是指所述节点发生故障风险大小;预设故障风险系数是指工作人员根据经验设置的系数;若所述Q个节点故障风险系数中的任意一个节点故障风险系数大于所述预设故障风险系数,生成节点诱导故障分析指令,所述节点诱导故障分析指令是指对诱导所述节点发生故障的原因进行分析,根据所述节点诱导故障分析指令对所述配电网故障预测报告进行优化,例如优先检修哪个节点等。
根据所述节点诱导故障分析指令,获得高风险-节点故障预测子报告,并根据所述高风险-节点故障预测子报告对所述Q个设备拓扑节点进行定位,获得高故障风险节点;
基于第二电网设备拓扑网络对所述高故障风险节点进行关联节点匹配,获得高风险节点-关联节点匹配结果;
基于所述高风险-节点故障预测子报告执行所述高风险节点-关联节点匹配结果的诱导故障分析,获得高风险节点-诱导故障分析结果,并根据所述高风险节点-诱导故障分析结果对所述配电网故障预测报告进行优化。
高风险-节点故障预测子报告是指所述Q个节点故障风险系数中节点故障风险系数大于所述预设故障风险系数的节点故障预测子报告,根据数字孪生仿真后获得的容易发生故障的节点对所述Q个设备拓扑节点进行位置寻找,获得高故障风险节点;基于第二电网设备拓扑网络对所述高故障风险节点进行关联节点匹配,获得高风险节点-关联节点匹配结果,其中高风险节点-关联节点匹配结果是指所述高故障风险节点对应的所述第二电网设备拓扑网络对应的关联节点,基于所述高风险-节点故障预测子报告执行所述高风险节点-关联节点匹配结果的诱导故障分析,是指根据所述设备的关联设备分析诱导故障的原因,是否因为某个关联设备故障导致所述节点故障等。根据所述高风险节点-诱导故障分析结果对所述配电网故障预测报告进行优化,本申请解决了现有技术中配电网故障发现不及时,故障设备定位不准确的技术问题,达到了提高预测配电网故障的准确率,可以精准找到故障设备的技术效果。
如图3所示,本申请还提供了基于数字孪生技术的配电网故障预测***,所述***包括:
配电网设备信息采集模块11,所述配电网设备信息采集模块11用于交互数据管理端,采集第一配电网的设备信息,获得所述第一配电网的Q个电网设备对应的Q个设备信息集合,其中,Q为大于1的正整数;
电网设备拓扑网络构建模块12,所述电网设备拓扑网络构建模块12用于基于所述Q个设备信息集合,构建第一电网设备拓扑网络,其中,所述第一电网设备拓扑网络包括Q个设备拓扑节点,且,所述Q个设备拓扑节点具有对应标识的Q个设备约束算子;
电网预控制指令获得模块13,所述电网预控制指令获得模块13用于交互所述数据管理端,获得第一电网预控制指令,其中,所述第一电网预控制指令包括所述Q个设备拓扑节点对应的Q个设备预控制特征;
标准预控制特征获得模块14,所述标准预控制特征获得模块14用于遍历所述Q个设备预控制特征进行数据清洗,获得Q个标准预控制特征;
仿真工况数据集获取模块15,所述仿真工况数据集获取模块15用于基于数字孪生技术,根据所述Q个标准预控制特征和所述Q个设备约束算子分别对所述Q个设备拓扑节点进行仿真控制,获得Q个节点设备仿真工况数据集;
节点故障预测通道构建模块16,所述节点故障预测通道构建模块16用于基于故障预测信度评价函数,构建节点故障预测通道,并基于所述节点故障预测通道,根据所述Q个节点设备仿真工况数据集进行所述第一配电网的故障预测,获得配电网故障预测报告,其中,所述配电网故障预测报告包括所述Q个设备拓扑节点对应的Q个节点故障预测子报告。
进一步地,本申请实施例还包括:
设备节点获得模块,所述设备节点获得模块用于基于所述Q个设备拓扑节点,获得第q设备拓扑节点,且,q为正整数,q属于Q;
设备故障记录库获得模块,所述设备故障记录库获得模块用于连接所述数据管理端,获得第一历史时域内所述第一配电网对应的设备故障记录库;
故障置信度计算模块,所述故障置信度计算模块用于基于所述设备故障记录库对所述第q设备拓扑节点进行故障置信度计算,获得第q节点故障置信度;
节点关联重度获得模块,所述节点关联重度获得模块用于对所述第q设备拓扑节点进行节点重度分析,获得第q节点关联重度;
设备约束算子获得模块,所述设备约束算子获得模块用于对所述第q节点故障置信度和所述第q节点关联重度执行预设权重约束的加权计算,获得第q设备约束算子,并将所述第q设备约束算子添加至所述Q个设备约束算子。
进一步地,本申请实施例还包括:
节点作业关联度获得模块,所述节点作业关联度获得模块用于遍历所述Q个设备拓扑节点进行两两作业关联度分析,获得多个节点作业关联度;
标识节点关联度获得模块,所述标识节点关联度获得模块用于将所述多个节点作业关联度与预设作业关联度进行比对,获得大于所述预设作业关联度的多个标识节点关联度;
设备拓扑节点关联标记模块,所述设备拓扑节点关联标记模块用于基于所述多个标识节点关联度对所述Q个设备拓扑节点进行关联标记,获得第二电网设备拓扑网络;
关联节点匹配结果获得模块,所述关联节点匹配结果获得模块用于基于所述第二电网设备拓扑网络对所述第q设备拓扑节点进行关联节点匹配,获得第q关联节点匹配结果;
节点关联重度计算模块,所述节点关联重度计算模块用于基于所述第q关联节点匹配结果,计算所述第q节点关联重度。
进一步地,本申请实施例还包括:
样本故障预测记录集获得模块,所述样本故障预测记录集获得模块用于获得样本故障预测记录集,并根据预设比例权重执行所述样本故障预测记录集的样本划分,获得样本训练集和样本测试集;
故障预测器训练模块,所述故障预测器训练模块用于基于所述样本训练集,训练故障预测器;
故障预测器测试模块,所述故障预测器测试模块用于基于所述样本测试集对所述故障预测器进行测试,获得故障预测准度和故障预测误度;
故障预测信度获得模块,所述故障预测信度获得模块用于将所述故障预测准度和所述故障预测误度输入所述故障预测信度评价函数,获得故障预测信度;
故障预测器添加模块,所述故障预测器添加模块用于若所述故障预测信度大于预测信度阈值,将所述故障预测器添加至所述节点故障预测通道。
进一步地,本申请实施例还包括:
故障预测信度评价函数构建模块,所述故障预测信度评价函数构建模块用于构建所述故障预测信度评价函数,所述故障预测信度评价函数为:;其中,/>表征故障预测信度,/>表征故障预测准度,/>表征故障预测误度。
进一步地,本申请实施例还包括:
节点故障风险系数获得模块,所述节点故障风险系数获得模块用于基于所述Q个节点故障预测子报告,获得Q个节点故障风险系数;
节点故障风险系数判断模块,所述节点故障风险系数判断模块用于判断所述Q个节点故障风险系数是否大于预设故障风险系数;
配电网故障预测报告优化模块,所述配电网故障预测报告优化模块用于若所述Q个节点故障风险系数中的任意一个节点故障风险系数大于所述预设故障风险系数,生成节点诱导故障分析指令,并根据所述节点诱导故障分析指令对所述配电网故障预测报告进行优化。
进一步地,本申请实施例还包括:
高故障风险节点获得模块,所述高故障风险节点获得模块用于根据所述节点诱导故障分析指令,获得高风险-节点故障预测子报告,并根据所述高风险-节点故障预测子报告对所述Q个设备拓扑节点进行定位,获得高故障风险节点;
关联节点匹配模块,所述关联节点匹配模块用于基于第二电网设备拓扑网络对所述高故障风险节点进行关联节点匹配,获得高风险节点-关联节点匹配结果;
故障分析结果获得模块,所述故障分析结果获得模块用于基于所述高风险-节点故障预测子报告执行所述高风险节点-关联节点匹配结果的诱导故障分析,获得高风险节点-诱导故障分析结果,并根据所述高风险节点-诱导故障分析结果对所述配电网故障预测报告进行优化。
关于基于数字孪生技术的配电网故障预测***的具体实施例可以参见上文中对于基于数字孪生技术的配电网故障预测方法的实施例,在此不再赘述。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.基于数字孪生技术的配电网故障预测方法,其特征在于,所述方法包括:
交互数据管理端,采集第一配电网的设备信息,获得所述第一配电网的Q个电网设备对应的Q个设备信息集合,其中,Q为大于1的正整数;
基于所述Q个设备信息集合,构建第一电网设备拓扑网络,其中,所述第一电网设备拓扑网络包括Q个设备拓扑节点,且,所述Q个设备拓扑节点具有对应标识的Q个设备约束算子;
交互所述数据管理端,获得第一电网预控制指令,其中,所述第一电网预控制指令包括所述Q个设备拓扑节点对应的Q个设备预控制特征;
遍历所述Q个设备预控制特征进行数据清洗,获得Q个标准预控制特征;
基于数字孪生技术,根据所述Q个标准预控制特征和所述Q个设备约束算子分别对所述Q个设备拓扑节点进行仿真控制,获得Q个节点设备仿真工况数据集;
基于故障预测信度评价函数,构建节点故障预测通道,并基于所述节点故障预测通道,根据所述Q个节点设备仿真工况数据集进行所述第一配电网的故障预测,获得配电网故障预测报告,其中,所述配电网故障预测报告包括所述Q个设备拓扑节点对应的Q个节点故障预测子报告;
所述方法包括:
基于所述Q个设备拓扑节点,获得第q设备拓扑节点,且,q为正整数,q属于Q;
连接所述数据管理端,获得第一历史时域内所述第一配电网对应的设备故障记录库;
基于所述设备故障记录库对所述第q设备拓扑节点进行故障置信度计算,获得第q节点故障置信度;
对所述第q设备拓扑节点进行节点重度分析,获得第q节点关联重度;
对所述第q节点故障置信度和所述第q节点关联重度执行预设权重约束的加权计算,获得第q设备约束算子,并将所述第q设备约束算子添加至所述Q个设备约束算子;
对所述第q设备拓扑节点进行节点重度分析,获得第q节点关联重度,包括:
遍历所述Q个设备拓扑节点进行两两作业关联度分析,获得多个节点作业关联度;
将所述多个节点作业关联度与预设作业关联度进行比对,获得大于所述预设作业关联度的多个标识节点关联度;
基于所述多个标识节点关联度对所述Q个设备拓扑节点进行关联标记,获得第二电网设备拓扑网络;
基于所述第二电网设备拓扑网络对所述第q设备拓扑节点进行关联节点匹配,获得第q关联节点匹配结果;
基于所述第q关联节点匹配结果,计算所述第q节点关联重度。
2.如权利要求1所述的方法,其特征在于,基于故障预测信度评价函数,构建节点故障预测通道,包括:
获得样本故障预测记录集,并根据预设比例权重执行所述样本故障预测记录集的样本划分,获得样本训练集和样本测试集;
基于所述样本训练集,训练故障预测器;
基于所述样本测试集对所述故障预测器进行测试,获得故障预测准度和故障预测误度;
将所述故障预测准度和所述故障预测误度输入所述故障预测信度评价函数,获得故障预测信度;
若所述故障预测信度大于预测信度阈值,将所述故障预测器添加至所述节点故障预测通道。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
构建所述故障预测信度评价函数,所述故障预测信度评价函数为:;其中,/>表征故障预测信度,/>表征故障预测准度,/>表征故障预测误度。
4.如权利要求1所述的方法,其特征在于,获得配电网故障预测报告之后,所述方法还包括:
基于所述Q个节点故障预测子报告,获得Q个节点故障风险系数;
判断所述Q个节点故障风险系数是否大于预设故障风险系数;
若所述Q个节点故障风险系数中的任意一个节点故障风险系数大于所述预设故障风险系数,生成节点诱导故障分析指令,并根据所述节点诱导故障分析指令对所述配电网故障预测报告进行优化。
5.如权利要求4所述的方法,其特征在于,根据所述节点诱导故障分析指令对所述配电网故障预测报告进行优化,包括:
根据所述节点诱导故障分析指令,获得高风险-节点故障预测子报告,并根据所述高风险-节点故障预测子报告对所述Q个设备拓扑节点进行定位,获得高故障风险节点;
基于第二电网设备拓扑网络对所述高故障风险节点进行关联节点匹配,获得高风险节点-关联节点匹配结果;
基于所述高风险-节点故障预测子报告执行所述高风险节点-关联节点匹配结果的诱导故障分析,获得高风险节点-诱导故障分析结果,并根据所述高风险节点-诱导故障分析结果对所述配电网故障预测报告进行优化。
6.基于数字孪生技术的配电网故障预测***,其特征在于,所述***包括:
配电网设备信息采集模块,所述配电网设备信息采集模块用于交互数据管理端,采集第一配电网的设备信息,获得所述第一配电网的Q个电网设备对应的Q个设备信息集合,其中,Q为大于1的正整数;
电网设备拓扑网络构建模块,所述电网设备拓扑网络构建模块用于基于所述Q个设备信息集合,构建第一电网设备拓扑网络,其中,所述第一电网设备拓扑网络包括Q个设备拓扑节点,且,所述Q个设备拓扑节点具有对应标识的Q个设备约束算子;
电网预控制指令获得模块,所述电网预控制指令获得模块用于交互所述数据管理端,获得第一电网预控制指令,其中,所述第一电网预控制指令包括所述Q个设备拓扑节点对应的Q个设备预控制特征;
标准预控制特征获得模块,所述标准预控制特征获得模块用于遍历所述Q个设备预控制特征进行数据清洗,获得Q个标准预控制特征;
仿真工况数据集获取模块,所述仿真工况数据集获取模块用于基于数字孪生技术,根据所述Q个标准预控制特征和所述Q个设备约束算子分别对所述Q个设备拓扑节点进行仿真控制,获得Q个节点设备仿真工况数据集;
节点故障预测通道构建模块,所述节点故障预测通道构建模块用于基于故障预测信度评价函数,构建节点故障预测通道,并基于所述节点故障预测通道,根据所述Q个节点设备仿真工况数据集进行所述第一配电网的故障预测,获得配电网故障预测报告,其中,所述配电网故障预测报告包括所述Q个设备拓扑节点对应的Q个节点故障预测子报告;
所述***还包括:
设备节点获得模块,所述设备节点获得模块用于基于所述Q个设备拓扑节点,获得第q设备拓扑节点,且,q为正整数,q属于Q;
设备故障记录库获得模块,所述设备故障记录库获得模块用于连接所述数据管理端,获得第一历史时域内所述第一配电网对应的设备故障记录库;
故障置信度计算模块,所述故障置信度计算模块用于基于所述设备故障记录库对所述第q设备拓扑节点进行故障置信度计算,获得第q节点故障置信度;
节点关联重度获得模块,所述节点关联重度获得模块用于对所述第q设备拓扑节点进行节点重度分析,获得第q节点关联重度;
设备约束算子获得模块,所述设备约束算子获得模块用于对所述第q节点故障置信度和所述第q节点关联重度执行预设权重约束的加权计算,获得第q设备约束算子,并将所述第q设备约束算子添加至所述Q个设备约束算子;
节点作业关联度获得模块,所述节点作业关联度获得模块用于遍历所述Q个设备拓扑节点进行两两作业关联度分析,获得多个节点作业关联度;
标识节点关联度获得模块,所述标识节点关联度获得模块用于将所述多个节点作业关联度与预设作业关联度进行比对,获得大于所述预设作业关联度的多个标识节点关联度;
设备拓扑节点关联标记模块,所述设备拓扑节点关联标记模块用于基于所述多个标识节点关联度对所述Q个设备拓扑节点进行关联标记,获得第二电网设备拓扑网络;
关联节点匹配结果获得模块,所述关联节点匹配结果获得模块用于基于所述第二电网设备拓扑网络对所述第q设备拓扑节点进行关联节点匹配,获得第q关联节点匹配结果;
节点关联重度计算模块,所述节点关联重度计算模块用于基于所述第q关联节点匹配结果,计算所述第q节点关联重度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311417083.XA CN117148048B (zh) | 2023-10-30 | 2023-10-30 | 基于数字孪生技术的配电网故障预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311417083.XA CN117148048B (zh) | 2023-10-30 | 2023-10-30 | 基于数字孪生技术的配电网故障预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117148048A CN117148048A (zh) | 2023-12-01 |
CN117148048B true CN117148048B (zh) | 2024-01-12 |
Family
ID=88910450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311417083.XA Active CN117148048B (zh) | 2023-10-30 | 2023-10-30 | 基于数字孪生技术的配电网故障预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148048B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200045924A (ko) * | 2018-10-23 | 2020-05-06 | 디포커스 (주) | 디지털 트윈 기반의 건설기계 안전관리를 위한 고장 원인분석 및 예측 모델 시스템 |
CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德(珠海)人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
CN113410813A (zh) * | 2021-05-31 | 2021-09-17 | 广西电网有限责任公司电力科学研究院 | 一种基于数字孪生配网故障的诊断方法及相关装置 |
CN114386626A (zh) * | 2021-12-10 | 2022-04-22 | 南方电网科学研究院有限责任公司 | 基于数字孪生的设备状态评价及运维策略制定实现*** |
CN114881292A (zh) * | 2022-04-14 | 2022-08-09 | 广东电网有限责任公司 | 基于数字孪生的变电站故障预警***及方法 |
CN115392037A (zh) * | 2022-08-31 | 2022-11-25 | 中国工业互联网研究院 | 设备故障预测方法、装置、设备及存储介质 |
CN115412947A (zh) * | 2022-08-26 | 2022-11-29 | 武汉烽火技术服务有限公司 | 一种基于数字孪生与ai算法的故障仿真方法和*** |
CN115561583A (zh) * | 2022-12-07 | 2023-01-03 | 国网冀北电力有限公司 | 一种基于数字孪生技术的电力设备巡检方法、装置及*** |
CN115935825A (zh) * | 2022-12-26 | 2023-04-07 | 国网河北省电力有限公司电力科学研究院 | 一种基于数字孪生模型的配电网故障处理方法及装置 |
CN116298701A (zh) * | 2023-05-22 | 2023-06-23 | 广东电网有限责任公司江门供电局 | 一种基于数字孪生***的配电网故障检测方法及相关装置 |
CN116384109A (zh) * | 2023-04-03 | 2023-07-04 | 国网智能电网研究院有限公司 | 一种面向新型配电网的数字孪生模型自动重构方法及装置 |
CN116505665A (zh) * | 2023-06-30 | 2023-07-28 | 国网江苏省电力有限公司南通供电分公司 | 一种电网配电线路的故障监测方法及*** |
-
2023
- 2023-10-30 CN CN202311417083.XA patent/CN117148048B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200045924A (ko) * | 2018-10-23 | 2020-05-06 | 디포커스 (주) | 디지털 트윈 기반의 건설기계 안전관리를 위한 고장 원인분석 및 예측 모델 시스템 |
CN113410813A (zh) * | 2021-05-31 | 2021-09-17 | 广西电网有限责任公司电力科学研究院 | 一种基于数字孪生配网故障的诊断方法及相关装置 |
CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德(珠海)人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
WO2022257925A1 (zh) * | 2021-06-09 | 2022-12-15 | 五邑大学 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
CN114386626A (zh) * | 2021-12-10 | 2022-04-22 | 南方电网科学研究院有限责任公司 | 基于数字孪生的设备状态评价及运维策略制定实现*** |
CN114881292A (zh) * | 2022-04-14 | 2022-08-09 | 广东电网有限责任公司 | 基于数字孪生的变电站故障预警***及方法 |
CN115412947A (zh) * | 2022-08-26 | 2022-11-29 | 武汉烽火技术服务有限公司 | 一种基于数字孪生与ai算法的故障仿真方法和*** |
CN115392037A (zh) * | 2022-08-31 | 2022-11-25 | 中国工业互联网研究院 | 设备故障预测方法、装置、设备及存储介质 |
CN115561583A (zh) * | 2022-12-07 | 2023-01-03 | 国网冀北电力有限公司 | 一种基于数字孪生技术的电力设备巡检方法、装置及*** |
CN115935825A (zh) * | 2022-12-26 | 2023-04-07 | 国网河北省电力有限公司电力科学研究院 | 一种基于数字孪生模型的配电网故障处理方法及装置 |
CN116384109A (zh) * | 2023-04-03 | 2023-07-04 | 国网智能电网研究院有限公司 | 一种面向新型配电网的数字孪生模型自动重构方法及装置 |
CN116298701A (zh) * | 2023-05-22 | 2023-06-23 | 广东电网有限责任公司江门供电局 | 一种基于数字孪生***的配电网故障检测方法及相关装置 |
CN116505665A (zh) * | 2023-06-30 | 2023-07-28 | 国网江苏省电力有限公司南通供电分公司 | 一种电网配电线路的故障监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117148048A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
CN113189451A (zh) | 配电网故障定位研判方法、***、计算机设备和存储介质 | |
CN109752629B (zh) | 一种电网量测问题智能诊断方法及*** | |
CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及*** | |
CN112749509A (zh) | 一种基于lstm神经网络的智能变电站故障诊断方法 | |
CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及*** | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN113239132A (zh) | 一种电压互感器的超差在线辨识方法 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测*** | |
CN111896845A (zh) | 基于多源信息融合的配电网故障诊断方法及*** | |
CN114915546A (zh) | 一种停电用户定位方法、装置、设备、介质 | |
CN114154722A (zh) | 一种基于数字孪生技术的配电台区管理方法、***及装置 | |
CN113033617A (zh) | 一种基于大数据台区线损数据深度挖掘分析方法 | |
CN115186974A (zh) | 一种基于业务中台的配电网供电质量综合评价方法及*** | |
CN113987724A (zh) | 基于拓扑分析的电网风险辨识方法及*** | |
CN113487051B (zh) | 一种配电网故障抢修维护数据处理方法、设备及计算机存储介质 | |
CN108596450B (zh) | 电网风险预警方法和*** | |
CN111999695B (zh) | 一种变电站计量装置状态评估与异常诊断方法 | |
CN112308736B (zh) | 一种面向台区复杂环境的信息处理方法和装置 | |
CN117639228A (zh) | 基于数字孪生的配电网运行状态预测方法及*** | |
CN117148048B (zh) | 基于数字孪生技术的配电网故障预测方法及*** | |
CN116433018A (zh) | 基于数字孪生的配电网风险态势感知方法及装置 | |
CN115438093A (zh) | 一种电力通信设备故障判断方法与检测*** | |
CN113379279B (zh) | 基于不完整数据的深度强化学习短期电压稳定性评估方法 | |
CN113962062A (zh) | 一种数字孪生驱动的高压干式套管故障预测方法及*** |
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 |