CN117310353B - 一种变电站一、二次回路通流加压故障测试方法及*** - Google Patents
一种变电站一、二次回路通流加压故障测试方法及*** Download PDFInfo
- Publication number
- CN117310353B CN117310353B CN202311619237.3A CN202311619237A CN117310353B CN 117310353 B CN117310353 B CN 117310353B CN 202311619237 A CN202311619237 A CN 202311619237A CN 117310353 B CN117310353 B CN 117310353B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- signal
- neural network
- extracting
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 238000013075 data extraction Methods 0.000 claims description 25
- 238000012790 confirmation Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000010998 test method Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000272814 Anser sp. Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种变电站一、二次回路通流加压故障测试方法及***，属于测量电变量领域，本发明通过变电站工作节点设置的故障识别模组获取到故障异常信号，提取故障异常信号位置的故障信号数据，同时提取故障异常信号位置的干扰噪声数据，将故障信号数据和干扰噪声数据导入构建的真实信号神经网络模型中提取真实故障信号数据，对真实故障信号数据进行判断，判断是否为假故障信号，将真实故障信号导入初步故障位置识别策略中进行初步故障位置的识别，将初步故障位置的元件的历史运行数据提取，导入故障位置确认策略中进行故障位置的确认，有效的提高了故障元器件判断的准确性，有效增强了故障识别效果。
Description
技术领域
本发明属于测量电变量技术领域，具体的说是一种变电站一、二次回路通流加压故障测试方法及***。
背景技术
一次回路通流加压是指通过变电站的高压侧一次回路中的设备，如断路器、隔离开关等，施加一定电压后，使电流在一次回路中流通。这可以用于检测高压侧设备的静态和动态特性，并确定设备的正常工作状态，二次回路通流加压是指通过变电站的低压侧二次回路中的设备，如继电器、保护装置等，施加一定电压后，使电流在二次回路中流通。这可以用于检测低压侧设备的工作状态和性能，以验证保护装置的正确性和可靠性，通流加压测试是变电站运行中常用的一种测试方法，通过施加一定的电压，检测回路中设备的电流响应和工作特性，以及保护装置的动作性能，确保变电站设备和保护***的正常运行，而由于在变压站设备运行过程中，有大量设备运行的噪声和振动会对监测数据造成干扰，导致数据监测不准确，在测试过程中，故障位置造成的数据可能会因为蝴蝶效应引起下一个或下下个监测位置的数据造成异常，在测试过程中无法将历史数据和测试数据进行联系对故障位置进行准确定位，进而无法对故障位置进行准确识别并预警，现有技术中均存在上述问题；
例如在申请公开号为CN115629257A的中国专利中公开种变电站故障仿真测试***，包括人机交互模块，SCD解析模块，主接线绘制模块，测试参数设置模块，故障计算仿真模块，测试控制模块，测试结果分析展示模块，对时模块，GOOSE收发模块和SV发送模块。该发明通过建立常见一次主接线图模板库，并通过便捷的建模方法，加快了建模速度，降低了建模难度，提高了现场测试人员的测试效率，从而该发明能够简化变电站的故障仿真测试过程，实现智能变电站整站故障仿真测试，提升了变电站的安全运行可靠性；
同时例如在授权公告号为CN112800637B的中国专利中公开了一种智能变电站仿真测试装置及方法，该申请通过获取被测元件在仿真运行过程中，被测元件接收到的源数据以及经被测元件处理后发出的消息数据，再按照被测元件的元件类型及对应的测试项信息，分别对源数据和消息数据进行数据提取，得到第一测试数据和第二测试数据，以根据所述第一测试数据和所述第二测试数据的比对结果确定被测元件的数据处理正确性测试结果，解决了智能变电站仿真元件测试效率低的技术问题。
以上专利均存在本背景技术提出的问题：由于在变压站设备运行过程中，有大量设备运行的噪声和振动会对监测数据造成干扰，导致数据监测不准确，在测试过程中，故障位置造成的数据可能会因为蝴蝶效应引起下一个或下下个监测位置的数据造成异常，在测试过程中无法将历史数据和测试数据进行联系对故障位置进行准确定位，进而无法对故障位置进行准确识别并预警，为了解决这些问题，本申请设计了一种变电站一、二次回路通流加压故障测试方法及***。
发明内容
针对现有技术的不足，本发明提出了一种变电站一、二次回路通流加压故障测试方法及***，本发明通过变电站工作节点设置的故障识别模组获取到故障异常信号，提取故障异常信号位置的故障信号数据，同时提取故障异常信号位置的干扰噪声数据，将故障信号数据和干扰噪声数据导入构建的真实信号神经网络模型中提取真实故障信号数据，对真实故障信号数据进行判断，判断是否为假故障信号，将真实故障信号导入初步故障位置识别策略中进行初步故障位置的识别，将初步故障位置的元件的历史运行数据提取，导入故障位置确认策略中进行故障位置的确认，有效的提高了故障元器件判断的准确性，有效增强了故障识别效果。
为实现上述目的，本发明提供如下技术方案：
一种变电站一、二次回路通流加压故障测试方法，包括以下具体步骤：
S1、变电站工作节点设置的故障识别模组获取到故障异常信号；
S2、提取故障异常信号位置的故障信号数据，同时提取故障异常信号位置的干扰噪声数据；
S3、将故障信号数据和干扰噪声数据导入构建的真实信号神经网络模型中提取真实故障信号数据；
S4、对真实故障信号数据进行判断，判断是否为假故障信号，若是，则忽略该故障异常信号，若否，则进行S5；
S5、将真实故障信号导入初步故障位置识别策略中进行初步故障位置的识别；
S6、将初步故障位置的元件的历史运行数据提取，导入故障位置确认策略中进行故障位置的确认。
具体的，所述S1包括以下具体步骤：
S11、在变电站工作节点对节点检测数据进行提取，同时提取节点检测数据的安全范围数据；
S12、将节点检测数据与对应的安全范围数据进行对比，若节点检测数据位置对应的安全范围数据内，则不获取故障异常信号，否则获取故障异常信号并传输。
具体的，所述S2的具体步骤如下：
S21、提取故障异常信号位置的对应时间内的故障信号数据变化曲线，同时提取对应时间内故障异常信号位置的设备运行干扰噪声波形数据；
S22、构建输入为干扰状态下故障信号数据变化曲线和设备运行干扰噪声波形数据，输出为无干扰状态下故障信号数据变化曲线的神经网络模型，获取无噪声情况下的测量设备测量的故障信号数据波形、同一时间采集在有设备运行干扰噪声波形干扰下的同一类型测量设备测量的故障信号数据波形和多个设备运行干扰噪声波形，将每个波形的波形数据在不同时间点下的峰值作为70%的系数训练集和30%的系数测试集；构建神经网络预测模型，将70%的系数训练集输入所述神经网络模型进行训练，以得到初始神经网络预测模型；利用30%的系数测试集对所述神经网络模型进行测试，输出满足预设波形测试准确度的最优初始神经网络预测模型作为神经网络预测模型，所述神经网络预测模型的表达式为：，其中/>为神经网络第i+1层的输出，k为神经网络第i层的数量，/>为神经网络第i层中第p个数据的占比系数，/>为神经网络中第i层的输入，/>为偏置系数。
具体的，所述S3的具体步骤如下：
S31、提取故障异常信号时间段的故障信号数据，同时提取故障异常信号时间段的干扰噪声强度数据；
S32、将提取的故障信号数据和干扰噪声强度数据导入构建的神经网络预测模型中，输出真实故障信号数据。
具体的，所述S4的具体步骤包括以下内容：
将获取的真实故障信号数据与对应的安全范围数据进行对比，若节点检测数据位置对应的安全范围数据内，则忽略该故障异常信号，否则进行S5。
具体的，所述S5中初步故障位置识别策略的具体步骤为：
S51、提取工作节点的实时故障数据，其中的故障数据包括三相电压、三相电流，零序电流/>、SF6气体的含量C，同时提取历史该工作节点的故障数据和故障原因数据；
S52、将历史该工作节点的故障数据和工作节点的实时故障数据导入初步故障位置查找公式中进行初步故障值的计算，其中，所述初步故障值公式为：，其中/>为三相电压占比系数，/>为三相电流占比系数，/>为零序电流占比系数，/>为SF6气体的含量占比系数，/>为第j组历史该工作节点的故障数据中的三相电压采集值，/>为第j组历史该工作节点的故障数据中的三相电流采集值，/>为第j组历史该工作节点的故障数据中的零序电流采集值，/>为第j组历史该工作节点的故障数据中的SF6气体的含量采集值，；
S53、将计算得到历史该工作节点的故障数据对应的初步故障值降序或升序排列，找到其中最小的三个初步故障值对应的故障原因位置列为初步故障位置，对找到的故障原因位置对应的故障元件运行数据进行提取。
具体的，所述S6的故障位置确认策略的具体步骤为：
S61、提取初步故障位置的元件的运行工作数据集合，同时提取元件的对应的正常运行工作数据范围；
S62、将运行工作数据集合和正常运行工作数据范围代入故障确认公式中计算故障确认值，故障确认公式为：，其中/>为故障确认值，n为运行工作数据集合中数据类型数量，/>为运行工作数据集合中第i个类型数据，/>为对应的正常运行工作数据范围中最接近/>的值，/>为/>对应的正常运行工作数据范围，/>为/>的占比系数；
S63、将初步故障位置元件的故障确认值计算，找出其中的最大值，即设为故障位置。
具体的，本发明还提出一种变电站一、二次回路通流加压故障测试***，其基于上述一种变电站一、二次回路通流加压故障测试方法实现，其具体包括：控制模块、故障异常信号获取模块、数据提取模块、神经网络构建模块、判断模块、初步故障位置查找模块和故障位置确认模块，所述控制模块用于控制故障异常信号获取模块、数据提取模块、神经网络构建模块、判断模块、初步故障位置查找模块和故障位置确认模块的运行，所述故障异常信号获取模块用于通过变电站工作节点设置的故障识别模组获取到故障异常信号，所述数据提取模块用于提取故障异常信号位置的故障信号数据，同时提取故障异常信号位置的干扰噪声数据，所述神经网络构建模块用于构建输入为干扰状态下故障信号数据变化曲线和设备运行干扰噪声波形数据，输出为无干扰状态下故障信号数据变化曲线的神经网络模型，所述判断模块用于将故障信号数据和干扰噪声数据导入构建的真实信号神经网络模型中提取真实故障信号数据，对真实故障信号数据进行判断，判断是否为假故障信号，所述初步故障位置查找模块用于将真实故障信号导入初步故障位置识别策略中进行初步故障位置的识别，所述故障位置确认模块用于将初步故障位置的元件的历史运行数据提取，导入故障位置确认策略中进行故障位置的确认。
具体的，所述数据提取模块包括故障信号数据提取单元和干扰噪声数据提取单元，所述故障信号数据提取单元用于提取故障异常信号位置的对应时间内的故障信号数据变化曲线，所述干扰噪声数据提取单元用于提取对应时间内故障异常信号位置的设备运行干扰噪声波形数据。
具体的，本发明还公开一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种变电站一、二次回路通流加压故障测试方法。
具体的，本发明还公开一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的一种变电站一、二次回路通流加压故障测试方法。
与现有技术相比，本发明的有益效果是：
本发明通过变电站工作节点设置的故障识别模组获取到故障异常信号，提取故障异常信号位置的故障信号数据，同时提取故障异常信号位置的干扰噪声数据，将故障信号数据和干扰噪声数据导入构建的真实信号神经网络模型中提取真实故障信号数据，对真实故障信号数据进行判断，判断是否为假故障信号，将真实故障信号导入初步故障位置识别策略中进行初步故障位置的识别，将初步故障位置的元件的历史运行数据提取，导入故障位置确认策略中进行故障位置的确认，有效的提高了故障元器件判断的准确性，有效增强了故障识别效果。
附图说明
图1为本发明变电站一、二次回路通流加压故障测试方法流程示意图；
图2为本发明变电站一、二次回路通流加压故障测试方法S1步具体流程示意图；
图3为本发明变电站一、二次回路通流加压故障测试方法S5步具体流程示意图；
图4为本发明变电站一、二次回路通流加压故障测试***整体构架示意图；
图5为本发明变电站一、二次回路通流加压故障测试***数据提取模块构架示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例1
请参阅图1-图3，本发明提供的一种实施例：一种变电站一、二次回路通流加压故障测试方法，其包括以下具体步骤：
S1、变电站工作节点设置的故障识别模组获取到故障异常信号；
在本实施例中，S1包括以下具体步骤：
S11、在变电站工作节点对节点检测数据进行提取，同时提取节点检测数据的安全范围数据；
S12、将节点检测数据与对应的安全范围数据进行对比，若节点检测数据位置对应的安全范围数据内，则不获取故障异常信号，否则获取故障异常信号并传输；
S2、提取故障异常信号位置的故障信号数据，同时提取故障异常信号位置的干扰噪声数据；
这里为了保证故障异常信号的准确性，设置了神经网络模型以对无干扰状态下故障信号数据变化曲线进行输出；
具体在本实施例中，S2的具体步骤如下：
S21、提取故障异常信号位置的对应时间内的故障信号数据变化曲线，同时提取对应时间内故障异常信号位置的设备运行干扰噪声波形数据；
S22、构建输入为干扰状态下故障信号数据变化曲线和设备运行干扰噪声波形数据，输出为无干扰状态下故障信号数据变化曲线的神经网络模型，获取无噪声情况下的测量设备测量的故障信号数据波形、同一时间采集在有设备运行干扰噪声波形干扰下的同一类型测量设备测量的故障信号数据波形和多个设备运行干扰噪声波形，将每个波形的波形数据在不同时间点下的峰值作为70%的系数训练集和30%的系数测试集；构建神经网络预测模型，将70%的系数训练集输入神经网络模型进行训练，以得到初始神经网络预测模型；利用30%的系数测试集对神经网络模型进行测试，输出满足预设波形测试准确度的最优初始神经网络预测模型作为神经网络预测模型，神经网络预测模型的表达式为：，其中/>为神经网络第i+1层的输出，k为神经网络第i层的数量，为神经网络第i层中第p个数据的占比系数，/>为神经网络中第i层的输入，/>为偏置系数；
神经网络模型的具体代码表示为：用于构建输入为干扰状态下故障信号数据变化曲线和设备运行干扰噪声波形数据，输出为无干扰状态下故障信号数据变化曲线的神经网络模型。
下面的实施例公开一组神经网络模型的具体代码，该代码可以实现上述功能，该代码采用python编程。
```python
import numpy as np
import tensorflow as tf
# 构建输入数据
input_data = np.random.rand(1000, 10) # 干扰状态下的故障信号数据变化曲线和设备运行干扰噪声波形数据
# 构建输出数据
output_data = np.random.rand(1000, 10) # 无干扰状态下的故障信号数据变化曲线
# 划分训练集和测试集
train_size = int(0.7 * len(input_data))
train_input = input_data[:train_size]
train_output = output_data[:train_size]
test_input = input_data[train_size:]
test_output = output_data[train_size:]
# 定义神经网络模型
model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(10,)),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(10)
])
# 编译模型
model.compile(optimizer='adam',
loss=tf.keras.losses.MeanSquaredError(),
metrics=['mse'])
# 训练模型
model.fit(train_input, train_output, epochs=10, batch_size=32)
# 评估模型
test_loss, test_mse = model.evaluate(test_input, test_output)
print('Test Loss:', test_loss)
print('Test MSE:', test_mse)
```
请注意，模型的结构和参数可能需要根据实际情况进行调整，该示例使用了一个具有两个隐藏层的全连接神经网络，并采用均方误差作为损失函数，根据数据的特点和需求，在实际操作中可能需要调整网络结构、损失函数和其他超参数来获得更好的模型性能；
S3、将故障信号数据和干扰噪声数据导入构建的真实信号神经网络模型中提取真实故障信号数据；
在本实施例中，S3的具体步骤如下：
S31、提取故障异常信号时间段的故障信号数据，同时提取故障异常信号时间段的干扰噪声强度数据；
S32、将提取的故障信号数据和干扰噪声强度数据导入构建的神经网络预测模型中，输出真实故障信号数据；
这样获取真实故障信号数据，减小变电站中的干扰噪声对测试的影响；
S4、对真实故障信号数据进行判断，判断是否为假故障信号，若是，则忽略该故障异常信号，若否，则进行S5；具体为：将获取的真实故障信号数据与对应的安全范围数据进行对比，若节点检测数据位置对应的安全范围数据内，则忽略该故障异常信号，否则进行S5；
S5、将真实故障信号导入初步故障位置识别策略中进行初步故障位置的识别；
在本实施例中，S5中初步故障位置识别策略的具体步骤为：
S51、提取工作节点的实时故障数据，其中的故障数据包括三相电压、三相电流，零序电流/>、SF6气体的含量C，同时提取历史该工作节点的故障数据和故障原因数据；
S52、将历史该工作节点的故障数据和工作节点的实时故障数据导入初步故障位置查找公式中进行初步故障值的计算，其中，初步故障值公式为：，其中/>为三相电压占比系数，/>为三相电流占比系数，/>为零序电流占比系数，/>为SF6气体的含量占比系数，/>为第j组历史该工作节点的故障数据中的三相电压采集值，/>为第j组历史该工作节点的故障数据中的三相电流采集值，/>为第j组历史该工作节点的故障数据中的零序电流采集值，/>为第j组历史该工作节点的故障数据中的SF6气体的含量采集值，；
S53、将计算得到历史该工作节点的故障数据对应的初步故障值降序或升序排列，找到其中最小的三个初步故障值对应的故障原因位置列为初步故障位置，对找到的故障原因位置对应的故障元件运行数据进行提取；
S6、将初步故障位置的元件的历史运行数据提取，导入故障位置确认策略中进行故障位置的确认；
在本实施例中，S6的故障位置确认策略的具体步骤为：
S61、提取初步故障位置的元件的运行工作数据集合，同时提取元件的对应的正常运行工作数据范围；
在此需要说明的是，元件的运行工作数据根据其具体元件灵活设置；
1. 变压器数据：包括变压器的额定容量、运行电流、运行温度、冷却方式、绝缘电阻、油位、湿度；
2. 断路器数据：包括断路器的额定电流、电压等级、动作时间、接触电阻、工作状态；
3. 避雷器数据：包括避雷器的电流容量、工作电压等级、耐受过电压能力；
4. 绝缘子数据：包括绝缘子的工作电压等级、绝缘电阻、洁净度；
5. 电流互感器（CT）数据：包括CT的额定电流比、准确度、相位角误差；
6. 电压互感器（VT）数据：包括VT的额定电压比、准确度、相位角误差；
7. 电池组数据：包括电池组的电压、容量、充放电状态、内阻；
S62、将运行工作数据集合和正常运行工作数据范围代入故障确认公式中计算故障确认值，故障确认公式为：，其中/>为故障确认值，n为运行工作数据集合中数据类型数量，/>为运行工作数据集合中第i个类型数据，/>为对应的正常运行工作数据范围中最接近/>的值，/>为/>对应的正常运行工作数据范围，/>为/>的占比系数；
S63、将初步故障位置元件的故障确认值计算，找出其中的最大值，即设为故障位置；
在此需要说明的是，本发明通过变电站工作节点设置的故障识别模组获取到故障异常信号，提取故障异常信号位置的故障信号数据，同时提取故障异常信号位置的干扰噪声数据，将故障信号数据和干扰噪声数据导入构建的真实信号神经网络模型中提取真实故障信号数据，对真实故障信号数据进行判断，判断是否为假故障信号，将真实故障信号导入初步故障位置识别策略中进行初步故障位置的识别，将初步故障位置的元件的历史运行数据提取，导入故障位置确认策略中进行故障位置的确认，有效的提高了故障元器件判断的准确性，有效增强了故障识别效果。
实施例2
如图4-图5所示，一种变电站一、二次回路通流加压故障测试***，其基于上述一种变电站一、二次回路通流加压故障测试方法实现，其具体包括：控制模块、故障异常信号获取模块、数据提取模块、神经网络构建模块、判断模块、初步故障位置查找模块和故障位置确认模块，控制模块用于控制故障异常信号获取模块、数据提取模块、神经网络构建模块、判断模块、初步故障位置查找模块和故障位置确认模块的运行，故障异常信号获取模块用于通过变电站工作节点设置的故障识别模组获取到故障异常信号，数据提取模块用于提取故障异常信号位置的故障信号数据，同时提取故障异常信号位置的干扰噪声数据，神经网络构建模块用于构建输入为干扰状态下故障信号数据变化曲线和设备运行干扰噪声波形数据，输出为无干扰状态下故障信号数据变化曲线的神经网络模型，判断模块用于将故障信号数据和干扰噪声数据导入构建的真实信号神经网络模型中提取真实故障信号数据，对真实故障信号数据进行判断，判断是否为假故障信号，初步故障位置查找模块用于将真实故障信号导入初步故障位置识别策略中进行初步故障位置的识别，故障位置确认模块用于将初步故障位置的元件的历史运行数据提取，导入故障位置确认策略中进行故障位置的确认；
在本实施例中，数据提取模块包括故障信号数据提取单元和干扰噪声数据提取单元，故障信号数据提取单元用于提取故障异常信号位置的对应时间内的故障信号数据变化曲线，干扰噪声数据提取单元用于提取对应时间内故障异常信号位置的设备运行干扰噪声波形数据。
实施例3
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的一种变电站一、二次回路通流加压故障测试方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种变电站一、二次回路通流加压故障测试方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种变电站一、二次回路通流加压故障测试方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一 种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种变电站一、二次回路通流加压故障测试方法，其特征在于，其包括以下具体步骤：
S1、变电站工作节点设置的故障识别模组获取到故障异常信号；
S2、提取故障异常信号位置的故障信号数据，同时提取故障异常信号位置的干扰噪声数据；
S3、将故障信号数据和干扰噪声数据导入构建的真实信号神经网络模型中提取真实故障信号数据；
S4、对真实故障信号数据进行判断，判断是否为假故障信号，若是，则忽略该故障异常信号，若否，则进行S5；
S5、将真实故障信号导入初步故障位置识别策略中进行初步故障位置的识别；
S6、提取初步故障位置的元件的历史运行数据，导入故障位置确认策略中进行故障位置的确认；所述S1包括以下具体步骤：
S11、在变电站工作节点对节点检测数据进行提取，同时提取节点检测数据的安全范围数据；
S12、将节点检测数据与对应的安全范围数据进行对比，若节点检测数据位置对应在安全范围数据内，则不获取故障异常信号，否则获取故障异常信号并传输；所述S2的具体步骤如下：
S21、提取故障异常信号位置的对应时间内的故障信号数据变化曲线，同时提取对应时间内故障异常信号位置的设备运行干扰噪声波形数据；
S22、构建输入为干扰状态下故障信号数据变化曲线和设备运行干扰噪声波形数据，输出为无干扰状态下故障信号数据变化曲线的神经网络模型，获取无噪声情况下的测量设备测量的故障信号数据波形、同一时间采集在有设备运行干扰噪声波形干扰下的同一类型测量设备测量的故障信号数据波形和多个设备运行干扰噪声波形，将每个波形的波形数据在不同时间点下的峰值作为70%的系数训练集和30%的系数测试集；构建神经网络预测模型，将70%的系数训练集输入所述神经网络模型进行训练，以得到初始神经网络预测模型；利用30%的系数测试集对所述神经网络模型进行测试，输出满足预设波形测试准确度的最优初始神经网络预测模型作为神经网络预测模型，所述神经网络预测模型的表达式为：，其中/>为神经网络第i+1层的输出，k为神经网络第i层的数量，为神经网络第i层中第p个数据的占比系数，/>为神经网络中第i层的输入，/>为偏置系数；所述S3的具体步骤如下：
S31、提取故障异常信号时间段的故障信号数据，同时提取故障异常信号时间段的干扰噪声强度数据；
S32、将提取的故障信号数据和干扰噪声强度数据导入构建的神经网络预测模型中，输出真实故障信号数据；所述S4的具体步骤包括以下内容：
将获取的真实故障信号数据与对应的安全范围数据进行对比，若节点检测数据位置对应在安全范围数据内，则忽略该故障异常信号，否则进行S5；所述S5中初步故障位置识别策略的具体步骤为：
S51、提取工作节点的实时故障数据，其中的故障数据包括三相电压、三相电流/>，零序电流/>、SF6气体的含量C，同时提取历史该工作节点的故障数据和故障原因数据；
S52、将历史该工作节点的故障数据和工作节点的实时故障数据导入初步故障位置查找公式中进行初步故障值的计算，其中，所述初步故障值公式为：，其中/>为三相电压占比系数，/>为三相电流占比系数，/>为零序电流占比系数，/>为SF6气体的含量占比系数，为第j组历史该工作节点的故障数据中的三相电压采集值，/>为第j组历史该工作节点的故障数据中的三相电流采集值，/>为第j组历史该工作节点的故障数据中的零序电流采集值，/>为第j组历史该工作节点的故障数据中的SF6气体的含量采集值，；
S53、将计算得到历史该工作节点的故障数据对应的初步故障值降序或升序排列，找到其中最小的三个初步故障值对应的故障原因位置列为初步故障位置，对找到的故障原因位置对应的故障元件运行数据进行提取；所述S6中所述故障位置确认策略包括：
S61、提取初步故障位置的元件的运行工作数据集合，同时提取元件对应的正常运行工作数据范围；
S62、将运行工作数据集合和正常运行工作数据范围代入故障确认公式中计算故障确认值，故障确认公式为：，其中/>为故障确认值，n为运行工作数据集合中数据类型数量，/>为运行工作数据集合中第i个类型数据，/>为对应的正常运行工作数据范围中最接近/>的值，/>为/>对应的正常运行工作数据范围，/>为/>的占比系数；
S63、将初步故障位置元件的故障确认值计算，找出其中的最大值，即设为故障位置。
2.一种变电站一、二次回路通流加压故障测试***，其基于如权利要求1的所述一种变电站一、二次回路通流加压故障测试方法实现，其特征在于，其具体包括：控制模块、故障异常信号获取模块、数据提取模块、神经网络构建模块、判断模块、初步故障位置查找模块和故障位置确认模块，所述控制模块用于控制故障异常信号获取模块、数据提取模块、神经网络构建模块、判断模块、初步故障位置查找模块和故障位置确认模块的运行，所述故障异常信号获取模块用于通过变电站工作节点设置的故障识别模组获取到故障异常信号，所述数据提取模块用于提取故障异常信号位置的故障信号数据，同时提取故障异常信号位置的干扰噪声数据，所述神经网络构建模块用于构建输入为干扰状态下故障信号数据变化曲线和设备运行干扰噪声波形数据，输出为无干扰状态下故障信号数据变化曲线的神经网络模型。
3.如权利要求2所述的变电站一、二次回路通流加压故障测试***，其特征在于，所述判断模块用于将故障信号数据和干扰噪声数据导入构建的真实信号神经网络模型中提取真实故障信号数据，对真实故障信号数据进行判断，判断是否为假故障信号，所述初步故障位置查找模块用于将真实故障信号导入初步故障位置识别策略中进行初步故障位置的识别，所述故障位置确认模块用于将初步故障位置的元件的历史运行数据提取，导入故障位置确认策略中进行故障位置的确认。
4.如权利要求3所述的变电站一、二次回路通流加压故障测试***，其特征在于，所述数据提取模块包括故障信号数据提取单元和干扰噪声数据提取单元，所述故障信号数据提取单元用于提取故障异常信号位置的对应时间内的故障信号数据变化曲线，所述干扰噪声数据提取单元用于提取对应时间内故障异常信号位置的设备运行干扰噪声波形数据。
5.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1所述的一种变电站一、二次回路通流加压故障测试方法。
6.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1所述的一种变电站一、二次回路通流加压故障测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311619237.3A CN117310353B (zh) | 2023-11-30 | 2023-11-30 | 一种变电站一、二次回路通流加压故障测试方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311619237.3A CN117310353B (zh) | 2023-11-30 | 2023-11-30 | 一种变电站一、二次回路通流加压故障测试方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117310353A CN117310353A (zh) | 2023-12-29 |
| CN117310353B true CN117310353B (zh) | 2024-02-09 |
Family
ID=89281613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311619237.3A Active CN117310353B (zh) | 2023-11-30 | 2023-11-30 | 一种变电站一、二次回路通流加压故障测试方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117310353B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892085A (zh) * | 2024-01-15 | 2024-04-16 | 南京龟兔赛跑软件研究院有限公司 | 一种用于新能源自控柜运行操作演示***及方法 |
| CN117851954B (zh) * | 2024-03-06 | 2024-05-24 | 大连海泰轴承制造有限公司 | 基于数据分析的轴承加工设备运行质量检测***和方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106940407A (zh) * | 2017-03-15 | 2017-07-11 | 湘潭大学 | 一种配电网***电能质量扰动定位与识别方法 |
| CN112380782A (zh) * | 2020-12-07 | 2021-02-19 | 重庆忽米网络科技有限公司 | 一种基于混合指标和神经网络的旋转设备故障预测方法 |
| CN113759199A (zh) * | 2021-09-26 | 2021-12-07 | 淮安苏达电气有限公司 | 一种作用于配电网一二次融合设备的试验装置及试验方法 |
| CN114510164A (zh) * | 2022-02-17 | 2022-05-17 | 上海科世达-华阳汽车电器有限公司 | 一种电磁干扰噪声抑制方法、装置、设备及存储介质 |
| CN116973819A (zh) * | 2023-09-22 | 2023-10-31 | 上海优立检测技术股份有限公司 | 一种微波电磁参数三维测试方法、***及储存介质 |
| WO2023216553A1 (zh) * | 2022-05-11 | 2023-11-16 | 广东电网有限责任公司东莞供电局 | 一种配电网多重故障诊断方法及*** |
| CN117093941A (zh) * | 2023-08-22 | 2023-11-21 | 广东电网有限责任公司 | 一种消除环境噪声的振动波滤波方法、***、设备和介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11740275B2 (en) * | 2021-09-16 | 2023-08-29 | Hunan University Of Science And Technology | Method for intelligent fault detection and location of power distribution network |
-
2023
- 2023-11-30 CN CN202311619237.3A patent/CN117310353B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106940407A (zh) * | 2017-03-15 | 2017-07-11 | 湘潭大学 | 一种配电网***电能质量扰动定位与识别方法 |
| CN112380782A (zh) * | 2020-12-07 | 2021-02-19 | 重庆忽米网络科技有限公司 | 一种基于混合指标和神经网络的旋转设备故障预测方法 |
| CN113759199A (zh) * | 2021-09-26 | 2021-12-07 | 淮安苏达电气有限公司 | 一种作用于配电网一二次融合设备的试验装置及试验方法 |
| CN114510164A (zh) * | 2022-02-17 | 2022-05-17 | 上海科世达-华阳汽车电器有限公司 | 一种电磁干扰噪声抑制方法、装置、设备及存储介质 |
| WO2023216553A1 (zh) * | 2022-05-11 | 2023-11-16 | 广东电网有限责任公司东莞供电局 | 一种配电网多重故障诊断方法及*** |
| CN117093941A (zh) * | 2023-08-22 | 2023-11-21 | 广东电网有限责任公司 | 一种消除环境噪声的振动波滤波方法、***、设备和介质 |
| CN116973819A (zh) * | 2023-09-22 | 2023-10-31 | 上海优立检测技术股份有限公司 | 一种微波电磁参数三维测试方法、***及储存介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数字孪生技术的变电站设备故障定位预警;周展利 等;《电脑编程技巧与维护》;173-176 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117310353A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117310353B (zh) | 一种变电站一、二次回路通流加压故障测试方法及*** | |
| Shukla et al. | DC offset estimation‐based fault detection in transmission line during power swing using ensemble of decision tree | |
| CN102221651B (zh) | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 | |
| CN108459295B (zh) | 基于分布式数据采集处理的cvt在线监测***和方法 | |
| CN108508320A (zh) | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 | |
| Lira et al. | MOSA monitoring technique based on analysis of total leakage current | |
| Nosratian Ahour et al. | Determination and localisation of turn‐to‐turn fault in transformer winding using frequency response analysis | |
| CN105425768A (zh) | 一种电力二次设备监测装置及方法 | |
| CN110118900A (zh) | 一种负载识别以及工频串联电弧故障检测方法 | |
| CN106773993A (zh) | 现场数据采集终端及*** | |
| CN112305319B (zh) | 一种用于在线监测换流变压器阀侧套管参数的方法和*** | |
| CN107515339A (zh) | 一种基于直流电流分布情况的风险识别方法及*** | |
| CN112909939A (zh) | 一种基于故障前后潮流特征的电力***暂态稳定评估方法 | |
| CN117748507A (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
| CN113848471B (zh) | 继电保护***的故障智能定位方法及*** | |
| CN111525495A (zh) | 一种继电保护定值在线校核方法、***、计算机存储介质 | |
| CN109522615B (zh) | 电力***继电保护的零序涌流耐受能力评估方法及装置 | |
| Zhang et al. | Incipient fault identification of distribution networks based on feature matching of power disturbance data | |
| Abasi et al. | Broken conductor fault location in power transmission lines using GMDH function and single-terminal data independent of line parameters | |
| CN103364669B (zh) | Gis设备运行状态在线检测方法与*** | |
| Bin et al. | Research on mechanical fault diagnosis method of power transformer winding | |
| CN105116323B (zh) | 一种基于rbf的电机故障检测方法 | |
| Li et al. | Real time evaluation algorithm for measurement performance of substation voltage transformer based on artificial neural network | |
| Babayomi et al. | Intelligent fault diagnosis in a power distribution network | |
| Daryani et al. | Evidence theory‐based identification of aging for capacitive voltage transformers |
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 |