CN117312611A - 一种电力故障快速定位及诊断方法及相关装置 - Google Patents

一种电力故障快速定位及诊断方法及相关装置 Download PDF

Info

Publication number
CN117312611A
CN117312611A CN202311279741.3A CN202311279741A CN117312611A CN 117312611 A CN117312611 A CN 117312611A CN 202311279741 A CN202311279741 A CN 202311279741A CN 117312611 A CN117312611 A CN 117312611A
Authority
CN
China
Prior art keywords
tree
shaped
causal
abnormal
graph model
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
CN202311279741.3A
Other languages
English (en)
Inventor
沈梓正
蒋连钿
李海勇
黄鹏飞
田君杨
黄超
杨彦
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.)
Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid 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 Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN202311279741.3A priority Critical patent/CN117312611A/zh
Publication of CN117312611A publication Critical patent/CN117312611A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—Trees
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种电力故障快速定位及诊断方法，包括以下步骤：基于运维历史数据构建电力故障与症状的因果关系；基于电力故障与症状的因果关系建立树形因果图模型，并以树形结构储存方式进行存储；基于树形因果图模型对告警信息进行快速定位异常设备；基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断；基于电力故障诊断结果定期更新树形因果图模型；实现了通过构建树形因果图模型，基于告警信息进行快速定位异常设备和进行电力故障诊断，精确定位发生故障的设备和电力故障的诊断。

Description

一种电力故障快速定位及诊断方法及相关装置
技术领域
本发明涉及电力故障监测技术领域，尤其涉及一种电力故障快速定位及诊断方法及相关装置。
背景技术
电力***的发输变配用五个环节，都离不开对用电的高效、节能、安全、自动化要求，这个问题就需要依靠电气二次设备来解决。电气二次设备可以对电气一次设备的运行状态进行测量、监控、控制和调节等。随着电网智能化管理，二次设备的种类越来越多，且趋向一二次融合(一次设备出厂时就带二次设备)。目前，在信息化飞速发展的时代，二次设备的检修方法也逐渐趋向自动化、智能化，基于智能变电站的技术，二次设备实现了网络化，可以通过网络通讯实时对二次设备进行线上监控，但是二次设备的故障定位及诊断技术还没有得到完善，无法精确定位发生故障的设备。
发明内容
为了克服现有技术的不足，本发明提供了一种电力故障快速定位及诊断方法及相关装置，实现了通过构建树形因果图模型，基于告警信息进行快速定位异常设备和进行电力故障诊断，精确定位发生故障的设备和电力故障的诊断。
为了实现上述发明目的，本发明采用以下技术方案：
本申请第一方面提供了一种电力故障快速定位及诊断方法，包括以下步骤：
S101、基于运维历史数据构建电力故障与症状的因果关系；
S102、基于电力故障与症状的因果关系建立树形因果图模型，并以树形结构储存方式进行存储；
S103、基于树形因果图模型对告警信息进行快速定位异常设备；
S104、基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断；
S105、基于电力故障诊断结果定期更新树形因果图模型；
进一步的，基于运维历史数据构建电力故障与症状的因果关系包括以下步骤：
提取运维历史数据中设备异常症状特征信息，对异常症状特征信息向量化形成训练数据集，使用K-means算法聚类分析出异常症状特征信息，K-means算法计算公式如下所示：
其中，xi为训练数据集的每一项值，μj为初始分类项，n为数据集总数，m为分类项总数；
基于欧式距离计算公式进行距离计算处理，并进行模型训练，最终类聚结果表征着在运维历史数据中所有设备异常症状的特征以及该特征下的记录；
抽取所有异常症状特征与其对应的故障诊断结果构建电力故障与症状的因果关系。
进一步的，树形因果图模型的具体结构为：以0作为根节点，第一特征作为第一层叶子节点，各个第二特征作为第三层叶子节点，以此类推，直至最后一层节点为故障诊断结果。
进一步的，树形因果图模型的总节点计算公式如下所示：
N＝N0+N1+N2+...+Nm
其中，N0～Nm为各层节点数，m为总层数。
进一步的，基于树形因果图模型对告警信息进行快速定位异常设备包括以下步骤：
在接收到告警信息时通过分析MMS告警信息，确定发出告警信息的IED设备；
再调取该IED设备的SCD文件并获取其物理端口位置；
基于其物理端口位置找到GOOSE报文中对应的具体线路，快速定位出一个基本的故障区域。
进一步的，基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断包括以下步骤：
基于MMS告警信息确定发出告警信息的IED设备，并通过网络通讯调取SV、GOOSE异常报文；
若该IED设备没有接收到报文，则说明该IED设备的GOOSE链路已断链，需要通过站控层的MMS报文上送相应的链路断链告警报文，数据管理单元就会通过订阅MMS报文获取到SV、GOOSE链路的异常数据；若该IED设备有接收到报文则直接进行解析；
对SV、GOOSE异常报文进行异常特征提取处理；
基于树形因果树模型对异常特征提取处理结果进行故障诊断处理。
进一步的，基于电力故障诊断结果定期更新树形因果图模型包括以下步骤：
判断电力故障诊断结果是否为新故障；
若是新故障，则进行载入，先检索树形因果树模型的第一特征，若不存在则添加为新的第一特征，在第一特征下添加新的第二特征，类推直至到最终结果节点，载入完成；若存在则继续检索第二特征，第三特征，直至不存在的特征节点出现则进行添加新的特征节点到最终结果节点；
若不是新故障，则按照上述进行载入方式进行特征检索，修正错误特征节点，完善树形因果树模型。
本申请第二方面提供了一种电力故障快速定位及诊断***，包括：
树形因果图模型建立模块,用于基于运维历史数据构建电力故障与症状的因果关系,并基于电力故障与症状的因果关系建立树形因果图模型，并以树形结构储存方式进行存储；
故障定位模块,用于基于树形因果图模型对告警信息进行快速定位异常设备；
故障诊断模块,用于基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断。
本申请第三方面提供了一种电力故障快速定位及诊断设备，包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行上述方法的电力故障快速定位及诊断方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的电力故障快速定位及诊断方法。
本申请的有益效果：实现了通过构建树形因果图模型，基于告警信息进行快速定位异常设备和进行电力故障诊断，精确定位发生故障的设备和电力故障的诊断。
实现了通过运维历史数据构建电力故障与症状的因果关系，并基于电力故障与症状的因果关系建立树形因果图模型，以树形结构储存方式进行存储，通过树形因果图模型对告警信息进行快速定位异常设备，基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断，并通过电力故障诊断结果定期更新树形因果图模型。
实现了通过结合树形因果图模型对二次设备的故障进行分析诊断，再加上智能变电站的线上监控技术可快速定位异常设备，实现快速定位及诊断电力故障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一种电力故障快速定位及诊断方法的步骤示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
一种电力故障快速定位及诊断方法，包括以下步骤：
S101、基于运维历史数据构建电力故障与症状的因果关系；
运维历史数据的获取方式一般有两种，电场有运维***的情况下在***中进行查询导出即可；传统运维方式的电场运维历史记录是以电子表格方式存储，导出表格即可。
在运维历史数据中就包含了故障出现的时间、相关设备、发生故障时的症状表现以及故障诊断信息等数据，这些数据需要经过分析整理形成因果关系。基于运维历史数据构建电力故障与症状的因果关系包括以下步骤：
提取运维历史数据中设备异常症状特征信息，对异常症状特征信息向量化形成训练数据集，使用K-means算法聚类分析出异常症状特征信息，K-means算法计算公式如下所示：
其中，xi为训练数据集的每一项值，μj为初始分类项，n为数据集总数，m为分类项总数；
基于欧式距离计算公式进行距离计算处理，并进行模型训练，最终类聚结果表征着在运维历史数据中所有设备异常症状的特征以及该特征下的记录；
抽取所有异常症状特征与其对应的故障诊断结果构建电力故障与症状的因果关系。
S102、基于电力故障与症状的因果关系建立树形因果图模型，并以树形结构储存方式进行存储；
需要说明的是，本实施例中因果图为贴合使用环境，改动为树形因果图，即基于电力故障与症状的因果关系建立树形因果图模型，树形因果图模型的具体结构为：以0作为根节点，第一特征作为第一层叶子节点，各个第二特征作为第三层叶子节点，以此类推，直至最后一层节点为故障诊断结果。
因为建立的树形因果图模型已经完全符合树形结构，所以采用树形存储结构储存方式进行存储。树形因果图模型的总节点计算公式如下所示：
N＝N0+N1+N2+...+Nm
其中，N0～Nm为各层节点数，m为总层数。
S103、基于树形因果图模型对告警信息进行快速定位异常设备；
基于智能变电站的二次设备网络化，通过连接交换机即可共享二次设备运行信息，且智能变电站下的电子智能设备还具有自检功能，一旦有异常会发出告警，除了设备自带的自检功能之外，还可以通过对设备运行信息的监测，设置其他告警项。
在智能变电站中所有IED设备按照IEC 61850标准建模，智能变电站的全站配置信息集成在全站***配置文件SCD中，SCD中的二次回路信息包含GOOSE、SV发布/订阅的控制块配置、DO的内部短地址、物理端口描述、虚端子循环冗余校验(cyclic redundancycheck,CRC)及版本信息等。基于树形因果图模型对告警信息进行快速定位异常设备包括以下步骤：
在接收到告警信息时通过分析MMS告警信息，确定发出告警信息的IED设备；
再调取该IED设备的SCD文件并获取其物理端口位置；
基于其物理端口位置找到GOOSE报文中对应的具体线路，快速定位出一个基本的故障区域。
S104、基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断；
基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断包括以下步骤：
基于MMS告警信息确定发出告警信息的IED设备，并通过网络通讯调取SV、GOOSE异常报文；
若该IED设备没有接收到报文，则说明该IED设备的GOOSE链路已断链，需要通过站控层的MMS报文上送相应的链路断链告警报文，数据管理单元就会通过订阅MMS报文获取到SV、GOOSE链路的异常数据；若该IED设备有接收到报文则直接进行解析；
对SV、GOOSE异常报文进行异常特征提取处理；
基于树形因果树模型对异常特征提取处理结果进行故障诊断处理。
基于树形因果树模型对异常特征提取处理结果进行故障诊断处理，例如，查询标准在进入根节点之前进行校验，根节点不设条件，第一异常特征进入第一层异常特征节点进行比对，找到相应节点之后再接着将第二异常特征与第二层异常特征节点比对，以此类推直至异常特征全部走完到最终结果节点，则判断诊断完成，返回故障诊断结果。
S105、基于电力故障诊断结果定期更新树形因果图模型；
基于电力故障诊断结果定期更新树形因果图模型包括以下步骤：
判断电力故障诊断结果是否为新故障；
若是新故障，则进行载入，先检索树形因果树模型的第一特征，若不存在则添加为新的第一特征，在第一特征下添加新的第二特征，类推直至到最终结果节点，载入完成；若存在则继续检索第二特征，第三特征，直至不存在的特征节点出现则进行添加新的特征节点到最终结果节点；
若不是新故障，则按照上述进行载入方式进行特征检索，修正错误特征节点，完善树形因果树模型。
需要说明的是，树形因果图模型属于知识库的一种，只能诊断知识库中存储的故障信息，因此在实际应用中需要对新出现的故障载入，定期对树形因果图模型进行完善，具体地，当电力故障诊断结果的判断故障是否为新故障，新故障判断方式为在所有诊断结果中模糊检索此次出现的故障，此时的故障诊断结果为人工诊断得出的，若为新故障，则进行载入，先检索树形因果树模型的第一特征，若不存在则添加为新的第一特征，在第一特征下添加新的第二特征，类推直至到最终结果节点，载入完成；若存在则继续检索第二特征，第三特征，直至不存在的特征节点出现则进行添加新的特征节点到最终结果节点；若不是新故障，则按照上述载入规则进行特征检索，修正错误特征节点，完善树形因果树模型。树形因果树模型决定了诊断结果的可靠性和准确性，因此定期更新树形因果图模型是必不可少的。
以上为本申请实施例中提供的一种电力故障快速定位及诊断方法，以下为本申请实施例中提供的一种电力故障快速定位及诊断***。
一种电力故障快速定位及诊断***，包括：
树形因果图模型建立模块,用于基于运维历史数据构建电力故障与症状的因果关系,并基于电力故障与症状的因果关系建立树形因果图模型，并以树形结构储存方式进行存储；
故障定位模块,用于基于树形因果图模型对告警信息进行快速定位异常设备；
故障诊断模块,用于基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断。
树形因果图模型建立模块,用于基于运维历史数据构建电力故障与症状的因果关系,并基于电力故障与症状的因果关系建立树形因果图模型，并以树形结构储存方式进行存储。运维历史数据的获取方式一般有两种，电场有运维***的情况下在***中进行查询导出即可；传统运维方式的电场运维历史记录是以电子表格方式存储，导出表格即可。
在运维历史数据中就包含了故障出现的时间、相关设备、发生故障时的症状表现以及故障诊断信息等数据，这些数据需要经过分析整理形成因果关系，具体地，首先提取历史数据中设备异常症状信息，对症状向量化形成训练数据集，使用K-means算法聚类分析出症状特征，K-means算法的计算公式为：
其中，xi为训练数据集的每一项值，μj为初始分类项，n为数据集总数，m为分类项总数。
距离计算采用欧式距离计算公式，最后使用MATLAB进行模型训练，最终类聚结果表征着在运维历史数据中所有设备异常症状的特征以及该特征下的记录。
抽取所有异常症状特征与其对应的故障诊断结果形成因果关系。
树形因果图模型建立模块负责根据异常症状特征与其对应的诊断结果的因果关系建立树形因果图模型，同时提供树形因果树模型维护服务。需要说明的是，本实施例中因果图为贴合使用环境，改动为树形因果图，以0作为根节点，第一特征作为第一层叶子节点，各个第二特征作为第三层叶子节点，以此类推，直至最后一层节点为故障诊断结果。
因为建立的树形因果图已经完全符合树形结构，所以采用树形存储结构进行存储。树形因果图总节点计算公式如下所示：
N＝N0+N1+N2+...+Nm
其中，N0～Nm为各层节点数，m为总层数。
树形因果图模型属于知识库的一种，只能诊断知识库中存储的故障信息，因此在实际应用中需要对新出现的故障载入，定期对树形因果图进行完善，具体地，当诊断失败时判断是否为新故障，新故障判断方式为在所有诊断结果中模糊检索此次出现的故障，此时的故障诊断结果为人工诊断得出的，若为新故障，则进行载入，先检索树形因果树的第一特征，若不存在则添加为新的第一特征，在第一特征下添加新的第二特征，类推直至到最终结果节点，载入完成；若存在则继续检索第二特征，第三特征，直至不存在的特征节点出现则进行添加新的特征节点到最终结果节点；若不是新故障，则按照上述载入规则进行特征检索，修正错误特征节点，完善树形因果树
故障定位模块负责通过报文分析来对故障物理位置进行快速定位的模块。基于智能变电站的二次设备网络化，通过连接交换机即可共享二次设备运行信息，且智能变电站下的电子智能设备还具有自检功能，一旦有异常会发出告警，除了设备自带的自检功能之外，还可以通过对设备运行信息的监测，设置其他告警项。
在智能变电站中所有IED设备按照IEC 61850标准建模，智能变电站的全站配置信息集成在全站***配置文件SCD中，SCD中的二次回路信息包含GOOSE、SV发布/订阅的控制块配置、DO的内部短地址、物理端口描述、虚端子循环冗余校验(cyclic redundancycheck,CRC)及版本信息等。在接收到告警时通过分析MMS告警信息，定位是哪台IED设备发出的告警，再调取该设备的SCD文件获取其物理端口位置，找到GOOSE报文中对应的具体线路，即可快速定位出一个基本的故障区域。
故障诊断模块是负责解析报文中异常特征利用建立完成的因果图进行故障诊断的模块。获取到MMS告警信息之后先分析是哪台IED设备发出的告警，再通过网络通讯调取SV、GOOSE异常报文，若该IED没有接收到报文，则说明该IED设备的GOOSE链路已断链，需要通过站控层的MMS报文上送相应的链路断链告警报文，这样，数据管理单元就会通过订阅MMS报文获取到SV、GOOSE链路的异常数据，若该IED有接收到报文则直接进行解析即可。
通过分析SV、GOOSE异常报文，提取异常特征，如果有多条特征则需要区分第一特征、第二特征等类推，其中特征的提取要符合树形因果图的查询标准，提取完成之后进入树形因果树进行故障诊断，查询标准在进入根节点之前进行校验，根节点不设条件，第一特征进入第一层特征节点进行比对，找到相应节点之后再接着将第二特征与第二层特征节点比对，以此类推直至特征全部走完到最终结果节点，则判断诊断完成，返回故障诊断结果。
进一步的，本申请实施例中还提供了一种电力故障快速定位及诊断设备，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行上述方法实施例的电力故障快速定位及诊断方法。
进一步地，本申请实施例中还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述方法实施例所述的电力故障快速定位及诊断方法。
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***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。
本申请的说明书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请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，仅仅为一种逻辑功能划分，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，在本申请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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种电力故障快速定位及诊断方法，其特征在于，包括以下步骤：
S101、基于运维历史数据构建电力故障与症状的因果关系；
S102、基于电力故障与症状的因果关系建立树形因果图模型，并以树形结构储存方式进行存储；
S103、基于树形因果图模型对告警信息进行快速定位异常设备；
S104、基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断；
S105、基于电力故障诊断结果定期更新树形因果图模型。
2.根据权利要求1所述的电力故障快速定位及诊断方法，其特征在于，所述基于运维历史数据构建电力故障与症状的因果关系包括以下步骤：
提取运维历史数据中设备异常症状特征信息，对异常症状特征信息向量化形成训练数据集，使用K-means算法聚类分析出异常症状特征信息；
基于欧式距离计算公式进行距离计算处理，并进行模型训练，最终类聚结果表征着在运维历史数据中所有设备异常症状的特征以及该特征下的记录；
抽取所有异常症状特征与其对应的故障诊断结果构建电力故障与症状的因果关系。
3.根据权利要求2所述的电力故障快速定位及诊断方法，其特征在于，所述使用K-means算法聚类分析出异常症状特征信息，所述K-means算法计算公式如下所示：
其中，xi为训练数据集的每一项值，μj为初始分类项，n为数据集总数，m为分类项总数。
4.根据权利要求1所述的电力故障快速定位及诊断方法，其特征在于，所述树形因果图模型的具体结构为：以0作为根节点，第一特征作为第一层叶子节点，各个第二特征作为第三层叶子节点，以此类推，直至最后一层节点为故障诊断结果。
5.根据权利要求1所述的电力故障快速定位及诊断方法，其特征在于，所述基于树形因果图模型对告警信息进行快速定位异常设备包括以下步骤：
在接收到告警信息时通过分析MMS告警信息，确定发出告警信息的IED设备；
再调取该IED设备的SCD文件并获取其物理端口位置；
基于其物理端口位置找到GOOSE报文中对应的具体线路，快速定位出一个基本的故障区域。
6.根据权利要求1所述的电力故障快速定位及诊断方法，其特征在于，所述基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断包括以下步骤：
基于MMS告警信息确定发出告警信息的IED设备，并通过网络通讯调取SV、GOOSE异常报文；
若该IED设备没有接收到报文，则说明该IED设备的GOOSE链路已断链，需要通过站控层的MMS报文上送相应的链路断链告警报文，数据管理单元就会通过订阅MMS报文获取到SV、GOOSE链路的异常数据；若该IED设备有接收到报文则直接进行解析；
对SV、GOOSE异常报文进行异常特征提取处理；
基于树形因果树模型对异常特征提取处理结果进行故障诊断处理。
7.根据权利要求1所述的电力故障快速定位及诊断方法，其特征在于，所述基于电力故障诊断结果定期更新树形因果图模型包括以下步骤：
判断电力故障诊断结果是否为新故障；
若是新故障，则进行载入，先检索树形因果树模型的第一特征，若不存在则添加为新的第一特征，在第一特征下添加新的第二特征，类推直至到最终结果节点，载入完成；若存在则继续检索第二特征，第三特征，直至不存在的特征节点出现则进行添加新的特征节点到最终结果节点；
若不是新故障，则按照上述进行载入方式进行特征检索，修正错误特征节点，完善树形因果树模型。
8.一种电力故障快速定位及诊断***，用于实现权利要求1-7任意一项所述的电力故障快速定位及诊断方法，其特征在于，包括：
树形因果图模型建立模块,用于基于运维历史数据构建电力故障与症状的因果关系,并基于电力故障与症状的因果关系建立树形因果图模型，并以树形结构储存方式进行存储；
故障定位模块,用于基于树形因果图模型对告警信息进行快速定位异常设备；
故障诊断模块,用于基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断。
9.一种电力故障快速定位及诊断设备，其特征在于，包括处理器以及存储器：
所述存储器用于存储程序代码，并将程序代码传输给处理器；
所述处理器用于根据程序代码中的指令执行权利要求1-7任一项所述的电力故障快速定位及诊断方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-7任一项所述的电力故障快速定位及诊断方法。
CN202311279741.3A 2023-09-28 2023-09-28 一种电力故障快速定位及诊断方法及相关装置 Pending CN117312611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311279741.3A CN117312611A (zh) 2023-09-28 2023-09-28 一种电力故障快速定位及诊断方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311279741.3A CN117312611A (zh) 2023-09-28 2023-09-28 一种电力故障快速定位及诊断方法及相关装置

Publications (1)

Publication Number Publication Date
CN117312611A true CN117312611A (zh) 2023-12-29

Family

ID=89254898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311279741.3A Pending CN117312611A (zh) 2023-09-28 2023-09-28 一种电力故障快速定位及诊断方法及相关装置

Country Status (1)

Country Link
CN (1) CN117312611A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872038A (zh) * 2024-03-11 2024-04-12 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872038A (zh) * 2024-03-11 2024-04-12 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置
CN117872038B (zh) * 2024-03-11 2024-05-17 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置

Similar Documents

Publication Publication Date Title
US11348023B2 (en) Identifying locations and causes of network faults
CN107886238A (zh) 一种基于海量数据分析的业务流程管理***及方法
CN110032463B (zh) 一种基于贝叶斯网络的***故障定位方法和***
CN104796273A (zh) 一种网络故障根源诊断的方法和装置
CN113542039A (zh) 一种通过ai算法定位5g网络虚拟化跨层问题的方法
CN112949874B (zh) 一种配电终端缺陷特征自诊断方法及***
CN112650200B (zh) 一种厂站设备故障的诊断方法及诊断装置
CN117312611A (zh) 一种电力故障快速定位及诊断方法及相关装置
CN113516244B (zh) 一种智能运维方法、装置、电子设备及存储介质
CN113282635A (zh) 一种微服务***故障根因定位方法及装置
CN109450094A (zh) 一种变电站继电保护巡检方法及***
CN113392893A (zh) 业务故障的定位方法、装置、存储介质及计算机程序产品
CN116719664B (zh) 基于微服务部署的应用和云平台跨层故障分析方法及***
CN115857469A (zh) 工业设备故障知识库构建方法、装置及故障诊断方法与***
CN113740666B (zh) 一种数据中心电力***告警风暴根源故障的定位方法
CN116167370A (zh) 基于日志时空特征分析的分布式***异常检测方法
CN113778960A (zh) 一种物联网***的故障确定方法、装置及存储介质
CN105892387B (zh) 基于跨平台多点数据采集mpca模型的机房隐患自动上报装置及方法
CN112101422B (zh) 电力***故障案例的典型案例自学习方法
CN113836203A (zh) 一种网络数据化诊断检测分析***
CN109492913B (zh) 一种配电终端的模块化风险预测方法、装置及可存储介质
Wang et al. LSTM-based alarm prediction in the mobile communication network
Zhao et al. Research on machine learning-based correlation analysis method for power equipment alarms
Chen et al. A data mining method for extracting key factors of distribution network reliability
CN111338900A (zh) 监控软件***的运行状态的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication