CN118150943B - 配电网接地故障定位方法、***、电子设备及存储介质 - Google Patents
配电网接地故障定位方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118150943B CN118150943B CN202410576345.5A CN202410576345A CN118150943B CN 118150943 B CN118150943 B CN 118150943B CN 202410576345 A CN202410576345 A CN 202410576345A CN 118150943 B CN118150943 B CN 118150943B
- Authority
- CN
- China
- Prior art keywords
- fault
- power line
- fluctuation
- occurrence
- maintenance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000009826 distribution Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 95
- 238000007689 inspection Methods 0.000 claims abstract description 52
- 230000032683 aging Effects 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000011328 necessary treatment Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000011282 treatment Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力故障处理的技术领域,特别是涉及一种配电网接地故障定位方法、***、电子设备及存储介质,其能够提高故障定位准确性,提高故障处理效率,提高故障巡检的安全性;方法包括:收集故障影响区域内每条电力线路在故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录;基于故障发生前后的运行参数波动向量,计算对应电力线路的异常波动指数;基于历史故障记录,计算对应电力线路在故障发生前设定时间窗口内的故障频率;基于设备老化状况,计算对应电力线路发生故障时各元器件的综合寿命指数;基于运维检修历史记录,计算对应电力线路发生故障时与最近一次运维检修之间的时间间隔。
Description
技术领域
本发明涉及电力故障处理的技术领域,特别是涉及一种配电网接地故障定位方法、***、电子设备及存储介质。
背景技术
随着现代社会的快速发展,电力需求日益增长,配电网的规模和复杂性也随之增加。然而,配电网的运行过程中,由于各种原因,如设备老化、过载、外部干扰等,时常会发生接地故障。接地故障不仅会影响电力***的稳定运行,还可能对设备和人员安全构成威胁。因此,及时、准确地定位接地故障并采取相应的处理措施,对于保障电力***的安全、可靠运行至关重要。
传统的配电网接地故障定位方法主要依赖于人工巡检和信号分析方法。人工巡检虽然直观、可靠,但效率低下,难以满足大规模配电网的故障定位需求。而信号分析方法,如电流法、电磁波法、注入信号法等,虽然在一定程度上能够实现故障区段的初步定位,但在复杂条件下,特别是在接地故障初期阶段,往往因数据信息不足或者受干扰较大而降低定位精度。
发明内容
为解决上述技术问题,本发明提供一种能够提高故障定位准确性,提高故障处理效率,提高故障巡检的安全性的配电网接地故障定位方法。
第一方面,本发明提供了配电网接地故障定位方法,所述方法包括:
收集故障影响区域内每条电力线路在故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录;
基于故障发生前后的运行参数波动向量,计算对应电力线路的异常波动指数;基于历史故障记录,计算对应电力线路在故障发生前设定时间窗口内的故障频率;基于设备老化状况,计算对应电力线路发生故障时各元器件的综合寿命指数;基于运维检修历史记录,计算对应电力线路发生故障时与最近一次运维检修之间的时间间隔;
将同一条电力线路的异常波动指数、故障频率、综合寿命指数以及时间间隔,输入至预先构建的电力线路故障分析模型中,获得对应电力线路的故障决策因子;
根据故障决策因子对故障影响区域内的电力线路进行排序,获得潜在故障电力线路序列,在所述潜在故障电力线路序列中,故障决策因子越大优先级越高;
根据潜在故障电力线路序列中各条电力线路的优先级,控制巡检无人机对电力线路逐一进行自动巡检,直至确定接地故障所在点位。
进一步地,所述运行参数波动向量为:
;
其中,表示第i条电力线路在故障发生前后的电压波动数值,表示第i条电力线路在故障发生前后的电流波动数值,表示第i条电力线路在故障发生前后的功率因数波动数值,表示第i条电力线路在故障发生前后的交流电频率波动数值,表示第i条电力线路在故障发生前后的谐波含量波动数值。
进一步地,所述异常波动指数的计算公式为:
;
其中,表示第i条电力线路的异常波动指数,表示第i条电力线路在故障发生前的电压数值,表示第i条电力线路在故障发生前的电流数值,表示第i条电力线路在故障发生前的功率因数数值,表示第i条电力线路在故障发生前的交流电频率数值,表示第i条电力线路在故障发生前的谐波含量数值, 、、、和分别表示电压波动、电流波动、功率因数波动、交流电频率波动以及谐波含量波动对应的权重系数。
进一步地,故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录的收集方法包括:
使用智能电表记录每条电力线路在故障发生前后的运行参数波动情况,通过高频率的数据采样来捕捉故障发生时的运行参数波动情况;
通过故障记录数据库、维修日志和相关维护文件获取每条电力线路的历史故障记录,包括故障类型、发生时间、持续时间和维修情况;
通过定期的检查、设备健康监测***的数据和设备寿命模型获取每条电力线路上关键设备的老化状况信息;
通过维护记录、维修日志和相关维护数据库获取每条电力线路的运维检修历史记录,包括维护时间、维护内容和更换部件;
整合收集到的各种数据,建立电力线路的全面运行参数信息库。
进一步地,所述电力线路故障分析模型的构建方法包括:
收集历史电力线路故障数据,包括故障类型、故障发生时间、故障地点和电力参数变化;获取与电力线路相关的其他数据,包括天气数据、设备运行参数和维护记录;
对数据进行清洗、转换和处理,处理缺失值和异常值,从收集到的数据中提取特征;
根据问题的性质和数据的特点建立故障分析模型,模型包括逻辑回归、决策树、随机森林、支持向量机和神经网络;
使用历史数据对模型进行训练,并进行模型参数的调优和优化,提高模型的性能和泛化能力;
使用独立的测试数据集对训练好的模型进行验证,评估模型的准确性、精确度和召回率;
将训练好的模型部署到实际应用环境中,用于实时监测电力线路的运行状态并预测潜在的故障风险。
进一步地,所述潜在故障电力线路序列的获取方法包括:
计算各条线路的故障决策因子;
对故障决策因子中的各个指标赋予相应的权重,以反映各项因素在影响故障发生的相对重要性;
将每条电力线路的故障决策因子按照数值大小进行排序,数值越大表明该线路存在故障风险更高;
排序完成后,形成一个依据故障决策因子高低排列的潜在故障电力线路序列。
进一步地,巡检无人机对电力线路自动巡检的方法包括:
根据实际情况选择适用于电力线路巡检的无人机,所述无人机配备高分辨率摄像头和红外热像仪;
基于潜在故障电力线路序列,规划无人机的飞行路径;
采用自动驾驶技术,通过云端的飞行控制***控制无人机的飞行,实现自主巡检;
在飞行过程中,无人机通过高分辨率摄像头和红外热像仪采集电力线路的影像和温度分布数据;
在飞行过程中,实时监控无人机的位置、飞行状态以及传感器数据的采集情况;
通过无线通信将采集到的实时数据传输至云端服务器,以便实时监测巡检进展和故障定位信息;
利用巡检无人机采集到的数据,结合故障决策因子,使用专业的图像处理和数据分析算法进行故障定位;
确定接地故障所在位置后,将定位信息反馈给运维人员,及时采取必要的处理措施。
另一方面,本申请还提供了配电网接地故障定位***,所述***包括:
数据采集模块,用于收集故障影响区域内每条电力线路在故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录,并发送;
数据处理应用模块,用于接收故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录,基于故障发生前后的运行参数波动向量,计算对应电力线路的异常波动指数;基于历史故障记录,计算对应电力线路在故障发生前设定时间窗口内的故障频率;基于设备老化状况,计算对应电力线路发生故障时各元器件的综合寿命指数;基于运维检修历史记录,计算对应电力线路发生故障时与最近一次运维检修之间的时间间隔,并发送;
电力线路故障分析模块,用于接收异常波动指数、故障频率、综合寿命指数以及时间间隔,将同一条电力线路的异常波动指数、故障频率、综合寿命指数以及时间间隔,输入至预先构建的电力线路故障分析模型中,获得对应电力线路的故障决策因子,并发送;
电力线路排序模块,用于接收故障决策因子,根据故障决策因子对故障影响区域内的电力线路进行排序,获得潜在故障电力线路序列,并发送;在所述潜在故障电力线路序列中,故障决策因子越大优先级越高;
自动巡检模块,用于接收潜在故障电力线路序列,根据潜在故障电力线路序列中各条电力线路的优先级,控制巡检无人机对电力线路逐一进行自动巡检,直至确定接地故障所在点位。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:通过综合考虑运行参数波动、历史故障记录、设备老化状况以及运维检修历史记录等多维度信息,本发明能够更全面地评估电力线路的故障风险,从而提高接地故障定位的精度;传统方法主要依赖人工巡检,效率低下,而本发明利用无人机进行自动巡检,能够显著提高巡检效率,降低人工成本;本发明通过实时收集运行参数波动向量,能够及时发现并定位接地故障,增强了对故障处理的实时性;
除了对已经发生的故障进行定位,本发明还能通过分析电力线路的故障决策因子,预测潜在故障电力线路,从而提前进行预防性维护,避免故障的发生;通过电力线路故障分析模型,本发明能够自动计算故障决策因子,为运维人员提供智能化决策支持,提高故障处理的效率和质量;本发明不仅适用于简单条件下的故障定位,还能在复杂条件下,如接地故障初期阶段,通过多维度信息分析,提高定位精度,显示出较强的适应性。
附图说明
图1是本发明的流程图;
图2是电力线路故障分析模型的构建方法的流程图;
图3是巡检无人机对电力线路自动巡检的方法的流程图;
图4是配电网接地故障定位***的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的***、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一:如图1至图3所示,本发明的配电网接地故障定位方法,具体包括以下步骤:
S1、收集故障影响区域内每条电力线路在故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录;
在电力故障处理领域,收集电力线路的运行参数信息是关键的第一步,它涉及到从多个方面获取数据,以便后续的故障定位和决策因子的计算;故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录的收集方法包括:
S11、使用智能电表记录每条电力线路在故障发生前后的运行参数波动情况,通过高频率的数据采样来捕捉故障发生时的运行参数波动情况;
S12、通过故障记录数据库、维修日志和相关维护文件获取每条电力线路的历史故障记录,包括故障类型、发生时间、持续时间和维修情况;
S13、通过定期的检查、设备健康监测***的数据和设备寿命模型获取每条电力线路上关键设备的老化状况信息;
S14、通过维护记录、维修日志和相关维护数据库获取每条电力线路的运维检修历史记录,包括维护时间、维护内容和更换部件;
S15、整合收集到的各种数据,建立电力线路的全面运行参数信息库;
所述运行参数波动向量为:
;
其中,表示第i条电力线路在故障发生前后的电压波动数值,表示第i条电力线路在故障发生前后的电流波动数值,表示第i条电力线路在故障发生前后的功率因数波动数值,表示第i条电力线路在故障发生前后的交流电频率波动数值,表示第i条电力线路在故障发生前后的谐波含量波动数值。
在本步骤中,通过收集电力线路在故障发生前后的运行参数波动情况,能够捕捉到故障发生时的电力***状态变化;结合历史故障记录、设备老化状况和运维检修历史记录,能够更准确地分析故障发生的可能原因和位置,从而提高故障定位的准确性;
通过对历史故障记录和设备老化状况的分析,能够发现电力线路存在的潜在问题和隐患,进而预测可能发生的故障类型和时间,进而采取预防性的维护措施,减少故障的发生频率,提高电力***的可靠性和稳定性;
运维检修历史记录的收集和分析能够帮助了解电力线路的维护情况和运行状态,从而制定更合理的运维管理策略。通过分析维护时间、维护内容和更换部件等信息,能够优化维护计划,延长设备的使用寿命,降低运维成本;
整合收集到的各种数据,建立电力线路的全面运行参数信息库,为后续的故障分析和决策提供了可靠的数据支持;
综上所述,S1阶段的数据收集对于提高电力***的安全性、可靠性和经济性具有重要意义,能够实现故障预防、故障定位和优化运维管理等目标。
S2、基于故障发生前后的运行参数波动向量,计算对应电力线路的异常波动指数;基于历史故障记录,计算对应电力线路在故障发生前设定时间窗口内的故障频率;基于设备老化状况,计算对应电力线路发生故障时各元器件的综合寿命指数;基于运维检修历史记录,计算对应电力线路发生故障时与最近一次运维检修之间的时间间隔;
所述异常波动指数的计算公式为:
;
其中,表示第i条电力线路的异常波动指数,表示第i条电力线路在故障发生前的电压数值,表示第i条电力线路在故障发生前的电流数值,表示第i条电力线路在故障发生前的功率因数数值,表示第i条电力线路在故障发生前的交流电频率数值,表示第i条电力线路在故障发生前的谐波含量数值, 、、、和分别表示电压波动、电流波动、功率因数波动、交流电频率波动以及谐波含量波动对应的权重系数;
所述故障频率的计算方法包括:
S221、根据故障发生前的时间窗口设定,确定计算故障频率的时间范围;这个时间窗口可以根据实际情况选择,通常选择与电力线路特性和设备老化状况相关的时间段;
S222、对于每条电力线路,通过历史故障记录在设定的时间窗口内计算故障频率,计算方法是故障次数除以时间窗口的总时长;
S223、考虑到不同类型的故障对***影响不同,为不同类型的故障赋予权重;同时,还考虑修正因素,在过去时间内的故障可能与现在的***状态有关,需要进行修正以反映当前的***状态;
所述综合寿命指数的计算方法包括:
S231、获取设备老化状况,包括但不限于电缆、变压器、开关设备等的型号、制造年限、安装位置、额定参数等;
S232、根据设备的工作环境和历史运行数据,建立相应的老化指标;
S233、综合考虑各项指标,采用加权求和计算方法,计算出每个设备的综合寿命指数;这个指数通常是一个综合评估设备老化状况的相对值,用于比较不同设备之间的寿命状况;
S234、在计算过程中,需要考虑修正因素,包括设备的维护记录和最近一次检修的时间等,以反映当前的设备状态;
所述时间间隔的计算方法包括:
S241、获取运维检修历史记录,包括维护、检修、更换设备等情况;记录每次检修的时间、内容、维护项目、设备更换情况等信息;
S242、对于每条电力线路,将当前故障发生时刻与最近一次运维检修时刻进行对比,计算这两个时间点之间的时间间隔,以确定故障发生时距离上次运维检修的时间。
在本步骤中,通过计算异常波动指数,能够综合考虑电压、电流、功率因数、交流电频率以及谐波含量等参数的波动情况,帮助确定电力线路的运行状态是否异常;提高对接地故障的检测准确性,尤其是在接地故障初期阶段,能够更早地发现潜在问题,减少故障发生后的影响范围;
通过计算故障频率,能够评估电力线路在一定时间窗口内发生故障的概率;进而识别故障频率较高的电力线路,提示运维人员关注和加强对这些线路的监测和维护,以降低故障的发生率,提高***的可靠性;
综合考虑设备的老化状况,能够通过计算综合寿命指数来评估设备的健康状态;进而确定哪些设备可能更容易出现故障,从而优先考虑对这些设备进行检修或更换,提高设备的可靠性和***的稳定性;
通过计算故障发生时距离上次运维检修的时间间隔,能够了解电力线路设备的维护情况;进而帮助判断设备的维护频率是否足够,及时发现长时间未进行维护的设备,以预防因设备老化或故障导致的接地故障发生;
综上所述,这些计算方法和指标的应用能够提高对接地故障的检测准确性、降低故障的发生率,并且有助于提前发现设备的健康状况,从而加强对配电网的监测和维护,保障电力***的安全、可靠运行。
S3、将同一条电力线路的异常波动指数、故障频率、综合寿命指数以及时间间隔,输入至预先构建的电力线路故障分析模型中,获得对应电力线路的故障决策因子;
在S3步骤中,预先构建的电力线路故障分析模型是整个接地故障定位方法的核心部分,这个模型需要能够从收集到的异常波动指数、故障频率、综合寿命指数以及时间间隔等参数中,准确地计算出对应电力线路的故障决策因子;
所述电力线路故障分析模型的构建方法包括:
S31、收集历史电力线路故障数据,包括故障类型、故障发生时间、故障地点和电力参数变化;获取与电力线路相关的其他数据,包括天气数据、设备运行参数和维护记录;
S32、对数据进行清洗、转换和处理,处理缺失值和异常值,从收集到的数据中提取特征;
S33、根据问题的性质和数据的特点建立故障分析模型,模型包括逻辑回归、决策树、随机森林、支持向量机和神经网络;
S34、使用历史数据对模型进行训练,并进行模型参数的调优和优化,以提高模型的性能和泛化能力;
S35、使用独立的测试数据集对训练好的模型进行验证,评估模型的准确性、精确度、召回率等性能指标;
S36、将训练好的模型部署到实际应用环境中,用于实时监测电力线路的运行状态并预测潜在的故障风险。
在本步骤中,通过收集历史故障数据和其他相关数据,并进行数据清洗、处理、特征提取,能够确保模型建立在充分而准确的数据基础上,提升模型的准确性;
利用不同的建模方法,对模型进行训练和优化,能够提高模型的预测性能和泛化能力,使其能够更准确地预测电力线路的故障风险;将异常波动指数、故障频率、综合寿命指数以及时间间隔等参数输入到预先构建的模型中,能够获得对应电力线路的故障决策因子,这些因子有助于帮助运维人员进行故障定位和决策;
将训练好的模型部署到实际应用环境中,能够实现对电力线路运行状态的实时监测,并预测潜在的故障风险,提高了故障检测和处理的效率;通过模型的部署和应用,能够更好地利用数据和人力资源,及时发现和处理电力线路的故障,减少因故障造成的损失和影响;
综上所述,本步骤能够提高故障预测的准确性和效率,优化资源利用,并为电力线路运维人员提供有效的决策支持,从而降低故障带来的损失,提高电力***的可靠性和稳定性。
S4、根据故障决策因子对故障影响区域内的电力线路进行排序,获得潜在故障电力线路序列,在所述潜在故障电力线路序列中,故障决策因子越大优先级越高;
在S4步骤中,根据故障决策因子对故障影响区域内的电力线路进行排序是一个关键的环节,它决定了在巡检阶段应该优先考虑哪些电力线路,以提高故障定位的效率;
所述潜在故障电力线路序列的获取方法包括:
S41、计算各条线路的故障决策因子;
S42、对故障决策因子中的各个指标赋予相应的权重,以反映各项因素在影响故障发生的相对重要性;
S43、将每条电力线路的故障决策因子按照数值大小进行排序,数值越大表明该线路存在故障风险更高;
S44、排序完成后,形成一个依据故障决策因子高低排列的潜在故障电力线路序列;在这个序列中,排在前面的线路优先级最高,意味着它们是最需要优先排查的对象。
在本步骤中,通过根据故障决策因子对电力线路进行排序,将潜在故障风险较高的线路排在前面,有助于在巡检阶段优先考虑这些线路,从而提高了故障定位的效率和准确性;将故障决策因子作为排序依据,能够优先处理存在较高故障风险的电力线路,从而减少了故障处理的时间和成本,有助于缩短故障恢复时间,降低停电损失;根据故障决策因子排序电力线路,使得资源能够更加精准地分配到最需要关注的线路上,进而避免资源浪费在对低风险线路的巡检上,提高了资源利用效率;
通过优先处理故障风险较高的电力线路,能够更快速地排除潜在故障隐患,提高了配电网的稳定性和可靠性,减少了因故障而引发的意外事件和安全风险;
采用故障决策因子进行排序,使得决策更加智能化和科学化;综合考虑各项因素的权衡,能够使得决策更为客观、准确,为运维人员提供了有力的决策支持;
综上所述,S4步骤的实施能够有效提升电力***的运行效率、稳定性和可靠性,为供电服务的持续提升提供了重要支撑。
S5、根据潜在故障电力线路序列中各条电力线路的优先级,控制巡检无人机对电力线路逐一进行自动巡检,直至确定接地故障所在点位;
在S5步骤中,使用无人机进行电力线路的自动巡检是一种创新的方法,它结合了现代无人机技术和电力故障处理领域的需求;
巡检无人机对电力线路自动巡检的方法包括:
S51、根据实际情况选择适用于电力线路巡检的无人机,所述无人机配备高分辨率摄像头和红外热像仪;
S52、基于潜在故障电力线路序列,使用专业的路径规划算法规划无人机的飞行路径;确保完整覆盖潜在故障电力线路,最小化飞行时间;
S53、采用自动驾驶技术,通过云端的飞行控制***控制无人机的飞行,实现自主巡检;
S54、在飞行过程中,无人机通过高分辨率摄像头和红外热像仪采集电力线路的影像和温度分布数据;
S55、在飞行过程中,实时监控无人机的位置、飞行状态以及传感器数据的采集情况;
S56、通过无线通信将采集到的实时数据传输至云端服务器,以便实时监测巡检进展和故障定位信息;
S57、利用巡检无人机采集到的数据,结合故障决策因子,使用专业的图像处理和数据分析算法进行故障定位;
S58、确定接地故障所在位置后,将定位信息反馈给运维人员,及时采取必要的处理措施。
在本步骤中,通过自动化巡检,无人机能够快速覆盖大范围的电力线路,提高了巡检效率;无人机飞行路径的规划算法能够最小化飞行时间,从而减少了巡检所需的时间成本;
高分辨率摄像头和红外热像仪等传感器的使用使得无人机能够获取电力线路的详细影像和温度分布数据;结合图像处理和数据分析算法,能够实现对接地故障位置的精准定位,减少了误差和漏检的可能性;
无人机的自主飞行和避障技术确保了巡检过程中的安全性;运用自动驾驶技术,无人机能够根据预设的飞行路径自主飞行,减少了人为操作的风险;实时监控飞行状态和传感器数据的采集情况,能够及时应对意外情况,保障了巡检人员和设备的安全;
通过无线通信将采集到的实时数据传输至云端服务器,实现对巡检进展和故障定位信息的实时监测;一旦确定接地故障所在位置,定位信息能够即时反馈给运维人员,使其能够及时采取必要的处理措施,缩短了故障处理的响应时间;
结合故障决策因子和专业的数据分析算法,无人机能够实现智能化的故障定位;不仅提高了故障定位的准确性,还能够根据不同电力线路的优先级进行有序巡检,优化了资源的利用,提升了整体的故障处理效率;
综上所述,使用无人机进行电力线路的自动巡检在提高效率、精准度和安全性方面都具有显著的优势,有助于保障电力***的稳定运行和故障处理的及时性。
实施例二:如图4所示,本发明的配电网接地故障定位***,具体包括以下模块;
数据采集模块,用于收集故障影响区域内每条电力线路在故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录,并发送;
数据处理应用模块,用于接收故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录,基于故障发生前后的运行参数波动向量,计算对应电力线路的异常波动指数;基于历史故障记录,计算对应电力线路在故障发生前设定时间窗口内的故障频率;基于设备老化状况,计算对应电力线路发生故障时各元器件的综合寿命指数;基于运维检修历史记录,计算对应电力线路发生故障时与最近一次运维检修之间的时间间隔,并发送;
电力线路故障分析模块,用于接收异常波动指数、故障频率、综合寿命指数以及时间间隔,将同一条电力线路的异常波动指数、故障频率、综合寿命指数以及时间间隔,输入至预先构建的电力线路故障分析模型中,获得对应电力线路的故障决策因子,并发送;
电力线路排序模块,用于接收故障决策因子,根据故障决策因子对故障影响区域内的电力线路进行排序,获得潜在故障电力线路序列,并发送;在所述潜在故障电力线路序列中,故障决策因子越大优先级越高;
自动巡检模块,用于接收潜在故障电力线路序列,根据潜在故障电力线路序列中各条电力线路的优先级,控制巡检无人机对电力线路逐一进行自动巡检,直至确定接地故障所在点位。
该***通过数据采集模块,***能够迅速、准确地获取每条电力线路在故障前后的关键参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录,数据处理应用模块有效地分析这些数据,提高了故障定位的准确性;
采用综合寿命指数、异常波动指数、故障频率以及运维时间间隔等多个指标,通过电力线路故障分析模块进行综合分析,有助于全面评估电力线路的健康状况,提高了***对接地故障的敏感性和准确性;
通过电力线路排序模块,***能够根据故障决策因子对潜在故障电力线路进行智能排序,使得优先处理具有更高故障风险的电力线路,从而提高了整体的处理效率;
利用自动巡检模块,***实现了对潜在故障电力线路的自动巡检,不仅提高了巡检效率,而且在故障初期能够更快速地确定接地故障的位置,有助于及时采取相应的处理措施;传统的人工巡检难以应对大规模配电网的需求,而***的自动化和智能化设计使得它能够高效处理大量电力线路数据,更好地满足了现代社会电力需求的增长;通过引入无人机自动巡检,***减少了人为巡检的风险,提高了安全性,尤其是在接地故障可能导致设备和人员安全威胁的情况下;
综上所述,该***能够提高故障定位准确性,提高故障处理效率,提高了故障巡检的安全性。
前述实施例一中的配电网接地故障定位方法的各种变化方式和具体实施例同样适用于本实施例的配电网接地故障定位***,通过前述对配电网接地故障定位方法的详细描述,本领域技术人员可以清楚的知道本实施例中配电网接地故障定位***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (8)
1.一种配电网接地故障定位方法,其特征在于,所述方法包括:
收集故障影响区域内每条电力线路在故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录;
基于故障发生前后的运行参数波动向量,计算对应电力线路的异常波动指数;基于历史故障记录,计算对应电力线路在故障发生前设定时间窗口内的故障频率;基于设备老化状况,计算对应电力线路发生故障时各元器件的综合寿命指数;基于运维检修历史记录,计算对应电力线路发生故障时与最近一次运维检修之间的时间间隔;
将同一条电力线路的异常波动指数、故障频率、综合寿命指数以及时间间隔,输入至预先构建的电力线路故障分析模型中,获得对应电力线路的故障决策因子;
根据故障决策因子对故障影响区域内的电力线路进行排序,获得潜在故障电力线路序列,在所述潜在故障电力线路序列中,故障决策因子越大优先级越高;
根据潜在故障电力线路序列中各条电力线路的优先级,控制巡检无人机对电力线路逐一进行自动巡检,直至确定接地故障所在点位;
所述运行参数波动向量为:;
其中,表示第i条电力线路在故障发生前后的电压波动数值,表示第i条电力线路在故障发生前后的电流波动数值,表示第i条电力线路在故障发生前后的功率因数波动数值,表示第i条电力线路在故障发生前后的交流电频率波动数值,表示第i条电力线路在故障发生前后的谐波含量波动数值;
所述异常波动指数的计算公式为:
;
其中,表示第i条电力线路的异常波动指数,表示第i条电力线路在故障发生前的电压数值,表示第i条电力线路在故障发生前的电流数值,表示第i条电力线路在故障发生前的功率因数数值,表示第i条电力线路在故障发生前的交流电频率数值,表示第i条电力线路在故障发生前的谐波含量数值, 、、、和分别表示电压波动、电流波动、功率因数波动、交流电频率波动以及谐波含量波动对应的权重系数。
2.如权利要求1所述的配电网接地故障定位方法,其特征在于,故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录的收集方法包括:
使用智能电表记录每条电力线路在故障发生前后的运行参数波动情况,通过高频率的数据采样来捕捉故障发生时的运行参数波动情况;
通过故障记录数据库、维修日志和相关维护文件获取每条电力线路的历史故障记录,包括故障类型、发生时间、持续时间和维修情况;
通过定期的检查、设备健康监测***的数据和设备寿命模型获取每条电力线路上关键设备的老化状况信息;
通过维护记录、维修日志和相关维护数据库获取每条电力线路的运维检修历史记录,包括维护时间、维护内容和更换部件;
整合收集到的各种数据,建立电力线路的全面运行参数信息库。
3.如权利要求1所述的配电网接地故障定位方法,其特征在于,所述电力线路故障分析模型的构建方法包括:
收集历史电力线路故障数据,包括故障类型、故障发生时间、故障地点和电力参数变化;获取与电力线路相关的其他数据,包括天气数据、设备运行参数和维护记录;
对数据进行清洗、转换和处理,处理缺失值和异常值,从收集到的数据中提取特征;
根据问题的性质和数据的特点建立故障分析模型,模型包括逻辑回归、决策树、随机森林、支持向量机和神经网络;
使用历史数据对模型进行训练,并进行模型参数的调优和优化,提高模型的性能和泛化能力;
使用独立的测试数据集对训练好的模型进行验证,评估模型的准确性、精确度和召回率;
将训练好的模型部署到实际应用环境中,用于实时监测电力线路的运行状态并预测潜在的故障风险。
4.如权利要求1所述的配电网接地故障定位方法,其特征在于,所述潜在故障电力线路序列的获取方法包括:
计算各条线路的故障决策因子;
对故障决策因子中的各个指标赋予相应的权重,以反映各项因素在影响故障发生的相对重要性;
将每条电力线路的故障决策因子按照数值大小进行排序,数值越大表明该线路存在故障风险更高;
排序完成后,形成一个依据故障决策因子高低排列的潜在故障电力线路序列。
5.如权利要求1所述的配电网接地故障定位方法,其特征在于,巡检无人机对电力线路自动巡检的方法包括:
根据实际情况选择适用于电力线路巡检的无人机,所述无人机配备高分辨率摄像头和红外热像仪;
基于潜在故障电力线路序列,规划无人机的飞行路径;
采用自动驾驶技术,通过云端的飞行控制***控制无人机的飞行,实现自主巡检;
在飞行过程中,无人机通过高分辨率摄像头和红外热像仪采集电力线路的影像和温度分布数据;
在飞行过程中,实时监控无人机的位置、飞行状态以及传感器数据的采集情况;
通过无线通信将采集到的实时数据传输至云端服务器,以便实时监测巡检进展和故障定位信息;
利用巡检无人机采集到的数据,结合故障决策因子,使用专业的图像处理和数据分析算法进行故障定位;
确定接地故障所在位置后,将定位信息反馈给运维人员,及时采取必要的处理措施。
6.一种配电网接地故障定位***,其特征在于,所述***包括:
数据采集模块,用于收集故障影响区域内每条电力线路在故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录,并发送;
数据处理应用模块,用于接收故障发生前后的运行参数波动向量、历史故障记录、设备老化状况以及运维检修历史记录,基于故障发生前后的运行参数波动向量,计算对应电力线路的异常波动指数;基于历史故障记录,计算对应电力线路在故障发生前设定时间窗口内的故障频率;基于设备老化状况,计算对应电力线路发生故障时各元器件的综合寿命指数;基于运维检修历史记录,计算对应电力线路发生故障时与最近一次运维检修之间的时间间隔,并发送;
电力线路故障分析模块,用于接收异常波动指数、故障频率、综合寿命指数以及时间间隔,将同一条电力线路的异常波动指数、故障频率、综合寿命指数以及时间间隔,输入至预先构建的电力线路故障分析模型中,获得对应电力线路的故障决策因子,并发送;
电力线路排序模块,用于接收故障决策因子,根据故障决策因子对故障影响区域内的电力线路进行排序,获得潜在故障电力线路序列,并发送;在所述潜在故障电力线路序列中,故障决策因子越大优先级越高;
自动巡检模块,用于接收潜在故障电力线路序列,根据潜在故障电力线路序列中各条电力线路的优先级,控制巡检无人机对电力线路逐一进行自动巡检,直至确定接地故障所在点位;所述运行参数波动向量为:
;
其中,表示第i条电力线路在故障发生前后的电压波动数值,表示第i条电力线路在故障发生前后的电流波动数值,表示第i条电力线路在故障发生前后的功率因数波动数值,表示第i条电力线路在故障发生前后的交流电频率波动数值,表示第i条电力线路在故障发生前后的谐波含量波动数值;
所述异常波动指数的计算公式为:
;
其中,表示第i条电力线路的异常波动指数,表示第i条电力线路在故障发生前的电压数值,表示第i条电力线路在故障发生前的电流数值,表示第i条电力线路在故障发生前的功率因数数值,表示第i条电力线路在故障发生前的交流电频率数值,表示第i条电力线路在故障发生前的谐波含量数值,、、、和分别表示电压波动、电流波动、功率因数波动、交流电频率波动以及谐波含量波动对应的权重系数。
7.一种配电网接地故障定位电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410576345.5A CN118150943B (zh) | 2024-05-10 | 2024-05-10 | 配电网接地故障定位方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410576345.5A CN118150943B (zh) | 2024-05-10 | 2024-05-10 | 配电网接地故障定位方法、***、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118150943A CN118150943A (zh) | 2024-06-07 |
CN118150943B true CN118150943B (zh) | 2024-07-05 |
Family
ID=91297034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410576345.5A Active CN118150943B (zh) | 2024-05-10 | 2024-05-10 | 配电网接地故障定位方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118150943B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107340457A (zh) * | 2017-06-05 | 2017-11-10 | 三峡大学 | 一种新型配电网故障定位装置 |
CN108562821A (zh) * | 2018-05-08 | 2018-09-21 | 中国电力科学研究院有限公司 | 一种基于Softmax确定配电网单相接地故障选线的方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100060289A1 (en) * | 2008-09-05 | 2010-03-11 | Skf Usa, Inc. | System for Electrical Apparatus Testing |
KR101830308B1 (ko) * | 2015-10-15 | 2018-02-20 | 순천대학교 산학협력단 | 고장진단 및 전력변동성 계측을 위한 원격계측시스템 |
CN110247420B (zh) * | 2019-07-17 | 2020-07-28 | 四川轻化工大学 | 一种hvdc输电线路故障智能识别方法 |
CN116754901B (zh) * | 2023-08-21 | 2023-11-03 | 安徽博诺思信息科技有限公司 | 一种基于快速定位的配电网故障分析管理平台 |
CN117578713A (zh) * | 2023-11-16 | 2024-02-20 | 国网湖北省电力有限公司随州供电公司 | 基于三位一体的变电站智能巡检*** |
CN117872115B (zh) * | 2023-12-29 | 2024-06-25 | 广东电网有限责任公司江门供电局 | 一种高压断路器未标记故障诊断方法 |
-
2024
- 2024-05-10 CN CN202410576345.5A patent/CN118150943B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107340457A (zh) * | 2017-06-05 | 2017-11-10 | 三峡大学 | 一种新型配电网故障定位装置 |
CN108562821A (zh) * | 2018-05-08 | 2018-09-21 | 中国电力科学研究院有限公司 | 一种基于Softmax确定配电网单相接地故障选线的方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN118150943A (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106598791B (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及*** | |
CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
CN113675944A (zh) | 一种光伏电站智能分析决策***及方法 | |
CN117907754B (zh) | 基于故障分析的配电网维护方法及*** | |
CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
CN117764422B (zh) | 智慧节能运维管理云平台 | |
CN111932060A (zh) | 一种基于前后端融合数据对电缆线路进行移动巡检的方法及*** | |
CN118150943B (zh) | 配电网接地故障定位方法、***、电子设备及存储介质 | |
CN116127324A (zh) | 不间断电源内部关键部件的故障检测方法和装置 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和*** | |
WO2021042233A1 (en) | Remote diagnosis system, apparatus and method for power tool | |
CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及*** | |
CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、***、设备及存储介质 | |
CN117474357B (zh) | 基于深度学习的配电房运维管理方法及*** | |
CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
CN116502156B (zh) | 一种换流站光ct异常状态智能辨识方法及*** | |
CN117490338A (zh) | 基于深度学习的船舶冷却机组控制方法及*** | |
CN117540330B (zh) | 基于自学习功能的配电柜*** | |
CN118096112A (zh) | 一种智能建筑设施运维方法、***、设备及介质 | |
CN117977795A (zh) | 一种输电线路监测方法 | |
CN118034343A (zh) | 一种远程无人机房设备的巡视方法及*** | |
CN118400835A (zh) | 基于深度学习的led驱动电源故障预警方法及*** | |
CN117607531A (zh) | 一种变电站直流***故障排查***及其排查方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |