CN104281899A - 一种新的基于信息融合的故障诊断方法 - Google Patents
一种新的基于信息融合的故障诊断方法 Download PDFInfo
- Publication number
- CN104281899A CN104281899A CN201310276208.1A CN201310276208A CN104281899A CN 104281899 A CN104281899 A CN 104281899A CN 201310276208 A CN201310276208 A CN 201310276208A CN 104281899 A CN104281899 A CN 104281899A
- Authority
- CN
- China
- Prior art keywords
- fault
- protection
- diagnosis
- wavelet
- carried out
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000009471 action Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000007257 malfunction Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 238000007621 cluster analysis Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种新的基于信息融合的故障诊断方法,属于电网故障诊断技术领域。该方法包括可疑故障集获取模块,开关层故障诊断模块,电气层故障诊断模块,诊断结果决策和显示模块。该方法通过捕获的告警信息,综合开关量和电气量信息进行故障诊断,进而诊断出故障元件。首先依据保护配置和动作的逻辑关系来诊断出可疑故障集,对可疑故障集中元件基于开关量在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度,得到各线路相对故障度,并对可疑故障集中元件故障前后的电气量进行小波分析,求取相应的小波故障表征概率,在D-S证据理论基础下进行信息融合,基于信息融合结果进行决策聚类分析,从而诊断得到故障元件。本发明综合开关量和电气量信息进行诊断,有效降低了拒动、误动等因素的影响,避免了诊断信息准确性和完备性不高等缺陷,提高了诊断的准确度。
Description
技术领域
本发明涉及一种新的信息融合电网故障诊断方法,属于电力系统故障诊断和系统恢复领域。
技术背景
电网发生故障时,准确、实时诊断出故障元件可以减少电能中断的时间,这对电网的稳定运行意义重大。目前电网故障诊断方法主要有专家系统方法、人工神经网络方法、基于解析模型的方法、基于Petri网、粗糙集理论等方法。
以往的电网故障诊断方法大多基于开关量信息,即保护和断路器的动作信息。然而,电网发生故障时,由于保护和断路器存在误动、拒动以及信道干扰发生信息丢失等诸多不确定性因素,单一基于开关量信息的电网故障诊断很难得到精确的诊断结果。所以,将电气量信息引入电网的故障诊断,基于开关量信息在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度,重新定义了保护和断路器的动作期望表达式,构成目标函数,求解得到各线路相对故障度,并对故障前后电气量进行小波分析,求取相应的小波故障表征概率,再对证据体进行信息融合,进行综合故障诊断,有助于提高诊断结果的精确性。
发明内容
针对上述背景技术所提到的单纯基于开关量信息不能得到准确的故障诊断结果的不足和缺陷,本发明提出一种了多数据源信息融合的电网故障诊断方法,将电气量分析引入电网故障诊断,提高了诊断精确性。
为达到上述目的,该故障诊断方法包括以下步骤:
步骤1:对可疑故障集中的候选元件逐一进行开关层诊断求取故障概率,在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度,重新定义了保护和断路器的动作期望表达式,构成目标函数,求解得到各线路相对故障度;
步骤2:对可疑故障集中元件进行电气层故障诊断,分别对元件故障时刻前后一个周波电流信号进行小波分析,求取相应的小波能量变化率以及小波奇异变化率,从而得到各元件的相对小波故障表征概率;
步骤3:基于模糊K-均值决策模型对信息融合结果进行诊断决策,确定融合结果分为故障和非故障类,可以故障集外元件作为非故障元件参与模糊K-均值分析,首先初始化融合结果从属于各类的隶属度矩阵,求取各类的聚类中心,重新计算新的隶属度矩阵,再计算聚类中心,重复至达到收敛条件,根据最终的隶属度矩阵进行聚类划分得到故障设备集;
本发明所述开关层诊断,其特征在于在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度,电力系统故障诊断可以表示为以下目标函数最小化问题
其中:r为保护,c为断路器,nr为保护数目,nc为断路器总数目
经典模型中保护和断路器动作为1,不动作为0,两者的期望的求取与保护原理有关,在模糊优化型故障诊断模型中考虑故障时告警信息的可信度,且保护先动作然后驱动断路器动作,以及主保护在正常情况下动作的概率比后备保护高,第一后备保护比第二后备保护高,这里将主保护概率值设定为0.95,第一后备保护和第二后备保护的概率值分别为0.9和0.85,断路器动作概率值设定为0.8,保护和断路器没动作的概率设定为0.1,在此基础上重新定义保护和断路器的期望值。
主保护的期望状态=元件状态。即
fr=si (2)
即
即
即
这里∧表示模糊逻辑与,a∧b=min(a,b),∨表示模糊逻辑或,a∨b=max(a,b),∑表示模糊连∨运算。
基于改进粒子群算法对目标函数最小值进行求解,得到最优解S=[s1,s2,…,sn],并做如下处理
zi=si/(s1+s2+…+sn) (6)
zi称为第i个元件的模糊故障度,作为证据体参与证据融合。
本发明所述电气层故障诊断,其特征在于在可疑故障集的基础上,针对每个元件获取电气量信号x(n),分别对故障前故障后信号进行相应的小波分析,得到小波变换结果Di,求得信号在m个尺度上的小波能量分布E1,E2,...,Em,其中
分别得到元件故障前后对应小波能量值Wp,其中
进而求得故障前后小波能量变化率
定义小波能量变化度xp为
信号x(n)在m个尺度的分解结果构成一个m×n的小波变换矩阵A,通过对A进行奇异值分解得到A=UΛVT,其中Λ=diag(λ1,λ2,...,λt)
基于特征值矩阵求取故障前后对应小波奇异值Sp,其中
求得故障前后小波奇异变化率
定义小波奇异变化度yp为
将二者作为单独证据体参与证据融合。
一种新的基于信息融合的故障诊断方法,其具体步骤如下:
1)从告警信息中获取开关量信息,即保护断路器动作信息,并找到停电区域,作为可疑故障设备集。
2)根据可疑故障集中元件的个数做以下判断:若个数为1,则转到7),否则转到3)。
3)对可疑故障集中的候选元件逐一基于模糊优化型故障诊断模型求取故障概率,并得到各线路相对故障度。
4)对可疑故障集中元件所对应的电气量进行小波分析,得到各元件的故障表征概率。
5)将3个故障度作为证据体,基于D-S证据理论进行融合。
6)根据诊断决策模型进行决策。
7)得到诊断结果。
附图说明
图1为本发明故障诊断体系图
图2为本发明的电力系统故障诊断流程图。
图3为IEEE39节点仿真测试系统结构示意图。
具体实施方式
下面结合附图对本发明做进一步详细的说明,本发明提出的一种基于多信息融合故障诊断方法,包括以下内容:
1.可疑故障设备集确定模块
依据保护配置和动作的逻辑关系来进行故障诊断,从报警信息中提取保护动作信息和断路器动作信息,基于保护字典中报警信息与保护和断路器元件的对应关系,确定动作的断路器集合以及动作的保护元件集合,基于动作断路器经网络拓扑分析确定相关的电网设备集合,再利用故障设备肯定是失电设备,利用设备的带电状态对相关设备集合进行筛选,得到可疑故障设备集F。
再根据F中包含元件个数s进入以下判定模块:
1)若s=1,电网发生单一故障,则该元件作为故障元件输出。
2)若s>1,即可疑故障元件为多个,则结合电气量信息进入融合层故障诊断。
2.基于模糊优化型故障诊断模型求取模糊故障度模块
将电力系统故障诊断可以表示为以下目标函数最小化问题
其中:r为保护,c为断路器,nr为保护数目,nc为断路器总数目
本发明中考虑到故障时,保护先动作然后驱动断路器动作,且主保护在正常情况下动作的概率比后备保护高,第一后备保护比第二后备保护高,加入开关量信息的可信度描述,保护和断路器的期望表达如下所示:
主保护的期望状态=元件状态。即fr=si;
即
即
这里∧表示模糊逻辑与,a∧b=min(a,b),∨表示模糊逻辑或,a∨b=max(a,b)∑表示模糊连∨运算。
基于改进粒子群算法对目标函数最小值进行求解,得到最优解S=[s1,s2,…,sn]
做如下处理
zi=si/(s1+s2+…+sn) (17)
zi称为第i个元件的模糊故障度,作为证据体参与证据融合。
3.电气量故障诊断模块
本发明以下关于小波故障度的定义和计算都是基于多分辨分析的小波变换结果Di。
3.1小波能量变化度
本发明定义一个小波能量变化度作为故障表征,以小波变换系数为基准对信号进行能量表征,最终以一个能量值来反映信号能量的强弱。
发生故障时,第p(p=1,2,...,N)个元件的故障信号为xp(n),对其进行小波变换,E1,E2,...,Em为信号在m个尺度上的小波能量分布,其中
Wp为故障后小波能量值。
同理对故障前一个周波信号按(2)式计算得到
wp为元件小波能量变化率
xp为第p个元件的小波能量变化度,作为证据融合证据体。
3.2小波奇异变化度
本发明定义了一个小波奇异变化度作为故障表征,根据信号x(n)在m个尺度的分解结果可以构成一个m×n的矩阵,通过奇异值分解理论对小波变换矩阵进行处理,根据奇异值分解理论,m×n阶矩阵A的奇异值分解可表示为A=UΛVT,其中:U和V分别为m×m阶和n×n阶正交矩阵,Λ=diag(λ1,λ2,...,λt)为对角矩阵,为4的奇异特征值,体现了小波变换系数矩阵的模态特征。
发生故障时,第p(p=1,2,...,N)个元件的故障信号为xp(n),对故障信号进行小波变换,Ap=diag(λ1,λ2,...,λt)设为系统第p个元件的奇异值特征矩阵
再对故障前信号进行小波分析,按上述方法得到
sp为元件小波奇异变化率
yp称为故障发生后第p个元件的小波奇异变化度,作为证据融合证据体。
4.信息融合处理
本发明以模糊故障度、小波能量变化度和小波奇异变化度作为独立的证据体构造基本可信度分配函数,设n个元件对应的q条证据构成一个n×q维的向量X,则第i个元件的第j类证据体对应的基本可信度定义为
其中xij为第i个元件对应的第j类证据体的故障支持度,xj为第j类证据体各元件的故障支持度之和,μj为第j类证据体的不确定度,xj表示第j类证据体值之和。mj(Hi)即为第i个元件故障的第j类证据体对应的基本可信度。
5.基本模糊K-均值决策模型
本发明采用模糊K-均值聚类方法对融合结果进行诊断决策,具体步骤如下。
(1)确定模式类数K=2,表示分别故障类和非故障类。
(2)建立初始隶属度矩阵U(0)=[μij(0)],其中i为类别编号、矩阵的行号,j为样本编号、矩阵的列号。μij表示第j个元素对第i个类的隶属度。
(3)求各类的聚类中心Zi(L),L为迭代次数。
(4)计算新的隶属度矩阵U(L+1)
其中i=1,2,…,K,j=1,2,…,N,m≥2
(5)回到(3)求聚类中心,重复至收敛。收敛条件:
(6)根据隶属度矩阵U(L+1)进行聚类,按照隶属原则进行划分。
本发明详细实施说明如下
利用本发明基于新英格兰39节点测试系统进行验证,系统接线图如图3所示,该系统包含10台发电机、39条母线。
1、警报信号分析
线路L4-14发生单相接地短路故障,母线4侧线路主保护动作跳开CB1,母线14侧线路主保护动作,但CB2失灵,导致相邻线路L13-14、L14-15后备保护动作,跳开CB3、CB6,母线14主保护误报。
收到的告警信息:L4-14Sm、L4-14Rm、L13-14Rs、L14-15Ss、B14m、CB1、CB3、CB6
2.找到可疑故障集
根据收到的保护和断路器动作信息,基于专家系统得到初步可疑故障集{L4-14,L13-14,L14-15,B14},可疑故障集中包含多个元件,需采用信息融合模型进行进一步的故障诊断。
3.对可疑故障进行信息融合故障诊断
根据给定的报警条件不难得出断路器实际状态向量C=[0.8,0.1,0.8,0.1,0.1,0.8],分别对应断路器CB1、CB2、CB3、CB4、CB5、CB6,以及保护实际状态向量R=[0.95,0.95,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.85,0.85,0.1],分别对应B14m、L4-14Sm、L4-14Rm、L13-14Sm、L13-14Rm、L14-15Sm、L14-15Rm、L4-14Sp、L4-14Rp、L13-14Sp、L13-14Rp、L14-15Sp、L14-15Rp、L4-14Ss、L4-14Rs、L13-14Ss、L13-14Rs、L14-15Ss、L14-15Rs。
求得目标函数最优解,计算得到模糊故障度,如下所示。
表1各线路模糊故障度
线路 | L4-14 | L13-14 | L14-15 | B14 |
模糊故障度 | 0.4733 | 0.0500 | 0.0503 | 0.4264 |
提取故障元件电流、电压波形数据,分别求取小波分析故障概率表征,取最大值作为元件的小波故障概率表征,如下所示。
表2各线路小波故障度
线路 | L4-14 | L13-14 | L14-15 | B14 |
小波能量变化度 | 0.6319 | 0.1211 | 0.1871 | 0.0653 |
小波奇异变化度 | 0.5624 | 0.1381 | 0.2364 | 0.0098 |
综合三条证据体基于D-S证据理论进行融合,结果如下所示
表3信息融合结果
线路 | L4-14 | L13-14 | L14-15 | B14 | 其他支路 |
模糊故障度 | 0.4733 | 0.0500 | 0.0503 | 0.4264 | |
小波能量变化度 | 0.6319 | 0.1211 | 0.1871 | 0.0653 | |
小波奇异变化度 | 0.5624 | 0.1381 | 0.2364 | 0.0098 | |
融合结果 | 0.9725 | 0.0048 | 0.0125 | 0.1010 | 设为0 |
故障类 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
根据模糊K-均值决策模型,由表3可知排除L13-14、L14-15、B14,得到故障元件为L4-14,结果正确。
从算例的运行结果来看,本发明具有以下优点:在传统开关量诊断的基础上,加入电气量进行双数据源分析,有效解决了开关量信息单数据源面临的信息不准确、信息不完备等缺陷。首先依据保护配置和动作的逻辑关系来诊断得到可疑故障集,有效地缩小了诊断范围,通过模糊优化型故障诊断模型和小波分析对故障信息进行特征提取,得到相应的模糊故障度和小波故障表征,并且基于D-S证据理论进行信息融合,有效降低了拒动、误动等因素的影响,避免了诊断信息准确性和完备性不高等缺陷,提高了诊断的准确度。
Claims (4)
1.一种新的基于信息融合的故障诊断方法,其特征是该方法包括以下步骤:
步骤1:对可疑故障集中的候选元件逐一进行开关层诊断求取故障概率,在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度,重新定义了保护和断路器的动作期望表达式,构成目标函数,求解得到各线路相对故障度;
步骤2:对可疑故障集中元件进行电气层故障诊断,分别对元件故障时刻前后一个周波电流信号进行小波分析,求取相应的小波能量变化率以及小波奇异变化率,从而得到各元件的相对小波故障表征概率;
步骤3:基于模糊K-均值决策模型对信息融合结果进行诊断决策,确定融合结果分为故障和非故障类,可以故障集外元件作为非故障元件参与模糊K-均值分析,首先初始化融合结果从属于各类的隶属度矩阵,求取各类的聚类中心,重新计算新的隶属度矩阵,再计算聚类中心,重复至达到收敛条件,根据最终的隶属度矩阵进行聚类划分得到故障设备集。
2.根据权利要求1所述开关层诊断,其特征在于在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度,电力系统故障诊断可以表示为以下目标函数最小化问题
其中:r为保护,c为断路器,nr为保护数目,nc为断路器总数目
经典模型中保护和断路器动作为1,不动作为0,两者的期望的求取与保护原理有关,在模糊优化型故障诊断模型中考虑故障时告警信息的可信度,且保护先动作然后驱动断路器动作,以及主保护在正常情况下动作的概率比后备保 护高,第一后备保护比第二后备保护高,这里将主保护概率值设定为0.95,第一后备保护和第二后备保护的概率值分别为0.9和0.85,断路器动作概率值设定为0.8,保护和断路器没动作的概率设定为0.1,在此基础上重新定义保护和断路器的期望值。
主保护的期望状态=元件状态。即
fr=si (2)
即
即
即
这里∧表示模糊逻辑与,a∧b=min(a,b),∨表示模糊逻辑或,a∨b=max(a,b),∑表示模糊连∨运算
基于改进粒子群算法对目标函数最小值进行求解,得到最优解S=[s1,s2,…,sn],并做如下处理
zi=si/(s1+s2+…+sn) (6)
zi称为第i个元件的模糊故障度,作为证据体参与证据融合。
3.根据权利要求1所述电气层故障诊断,其特征在于在可疑故障集的基础上,针对每个元件获取电气量信号x(n),分别对故障前故障后信号进行相应的小波分析,得到小波变换结果Di,求得信号在m个尺度上的小波能量分布 E1,E2,...,Em,其中
分别得到元件故障前后对应小波能量值Wp,其中
进而求得故障前后小波能量变化率
定义小波能量变化度xp,为
信号x(n)在m个尺度的分解结果构成一个m×n的小波变换矩阵A,通过对A进行奇异值分解得到A=UΛVT,其中Λ=diag(λ1,λ2,...,λt)
基于特征值矩阵求取故障前后对应小波奇异值Sp,其中
求得故障前后小波奇异变化率
定义小波奇异变化度yp为
将二者作为单独证据体参与证据融合。
4.一种新的基于信息融合的故障诊断方法,其具体步骤如下:
1)从告警信息中获取开关量信息,即保护断路器动作信息,并找到停电区域,作为可疑故障设备集。
2)根据可疑故障集中元件的个数做以下判断:若个数为1,则转到7),否则转到3)。
3)对可疑故障集中的候选元件逐一基于模糊优化型故障诊断模型求取故障概率,并得到各线路相对故障度。
4)对可疑故障集中元件所对应的电气量进行小波分析,得到各元件的故障表征概率。
5)将3个故障度作为证据体,基于D-S证据理论进行融合。
6)根据诊断决策模型进行决策。
7)得到诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310276208.1A CN104281899A (zh) | 2013-07-03 | 2013-07-03 | 一种新的基于信息融合的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310276208.1A CN104281899A (zh) | 2013-07-03 | 2013-07-03 | 一种新的基于信息融合的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104281899A true CN104281899A (zh) | 2015-01-14 |
Family
ID=52256759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310276208.1A Pending CN104281899A (zh) | 2013-07-03 | 2013-07-03 | 一种新的基于信息融合的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104281899A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104698343A (zh) * | 2015-03-26 | 2015-06-10 | 广东电网有限责任公司电力调度控制中心 | 基于历史录波数据的电网故障判断方法和系统 |
CN104764979A (zh) * | 2015-03-30 | 2015-07-08 | 国网河南省电力公司经济技术研究院 | 一种基于概率推理的虚拟信息融合电网报警方法 |
CN104865959A (zh) * | 2015-06-19 | 2015-08-26 | 长春工业大学 | 一种消防电源控制系统的故障自诊断方法 |
CN105528741A (zh) * | 2016-01-11 | 2016-04-27 | 广东电网有限责任公司电力科学研究院 | 一种基于多信号特征融合的断路器状态识别方法 |
CN105975995A (zh) * | 2016-05-26 | 2016-09-28 | 山东省计算中心(国家超级计算济南中心) | 基于模糊偏好关系的多振动信号融合方法 |
CN105974232A (zh) * | 2016-05-10 | 2016-09-28 | 国网山东省电力公司德州供电公司 | 一种适用于高压输电网的电网故障诊断方法 |
CN106019043A (zh) * | 2016-05-10 | 2016-10-12 | 国网山东省电力公司德州供电公司 | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 |
CN106207998A (zh) * | 2016-09-06 | 2016-12-07 | 国家电网公司 | 基于信息容错的保护系统与方法 |
CN105224667B (zh) * | 2015-10-10 | 2018-08-14 | 国家电网公司 | 基于电网智能监控信息的多站端故障诊断与辅助决策方法 |
CN108897309A (zh) * | 2018-07-13 | 2018-11-27 | 南京航空航天大学 | 基于模糊隶属度的航空发动机传感器故障诊断与隔离方法 |
CN109902373A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 一种辖区变电站故障诊断、定位方法及系统 |
CN110208643A (zh) * | 2019-04-28 | 2019-09-06 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于pmu数据和故障录波数据的电网故障诊断方法 |
CN110618347A (zh) * | 2018-06-20 | 2019-12-27 | 南京理工大学 | 一种基于小波变换和粗糙集理论的区域电网故障诊断方法 |
WO2020029155A1 (en) * | 2018-08-09 | 2020-02-13 | Abb Schweiz Ag | Method for monitoring circuit breaker and apparaus and internet of things using the same |
CN111044850A (zh) * | 2020-01-14 | 2020-04-21 | 广东电网有限责任公司 | 一种基于设备故障概率的电网故障诊断方法 |
CN111781435A (zh) * | 2019-04-04 | 2020-10-16 | 中车唐山机车车辆有限公司 | 四象限整流器的故障检测方法及装置 |
CN112748331A (zh) * | 2020-12-24 | 2021-05-04 | 国网江苏省电力有限公司电力科学研究院 | 一种基于ds证据融合的断路器机械故障识别方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
-
2013
- 2013-07-03 CN CN201310276208.1A patent/CN104281899A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
叶萍: "基于隶属度改进的模糊K-均值算法", 《长春工程学院学报(自然科学版)》 * |
张阳,何正友,林圣: "一种基于DS证据理论的电网故障诊断方法", 《继电器》 * |
翁汉琍,毛鹏,林湘宁: "一种改进的电网故障诊断优化模型", 《电力系统自动化》 * |
苏广宁,胡炎: "一种优化型电网故障诊断的实用改进模型", 《华北电力大学学报》 * |
郭创新,彭明伟,刘毅: "多数据源信息融合的电网故障诊断新方法", 《中国电机工程学报》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104698343A (zh) * | 2015-03-26 | 2015-06-10 | 广东电网有限责任公司电力调度控制中心 | 基于历史录波数据的电网故障判断方法和系统 |
CN104764979A (zh) * | 2015-03-30 | 2015-07-08 | 国网河南省电力公司经济技术研究院 | 一种基于概率推理的虚拟信息融合电网报警方法 |
CN104865959B (zh) * | 2015-06-19 | 2018-03-02 | 长春工业大学 | 一种消防电源控制系统的故障自诊断方法 |
CN104865959A (zh) * | 2015-06-19 | 2015-08-26 | 长春工业大学 | 一种消防电源控制系统的故障自诊断方法 |
CN105224667B (zh) * | 2015-10-10 | 2018-08-14 | 国家电网公司 | 基于电网智能监控信息的多站端故障诊断与辅助决策方法 |
CN105528741B (zh) * | 2016-01-11 | 2017-03-22 | 广东电网有限责任公司电力科学研究院 | 一种基于多信号特征融合的断路器状态识别方法 |
CN105528741A (zh) * | 2016-01-11 | 2016-04-27 | 广东电网有限责任公司电力科学研究院 | 一种基于多信号特征融合的断路器状态识别方法 |
CN106019043A (zh) * | 2016-05-10 | 2016-10-12 | 国网山东省电力公司德州供电公司 | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 |
CN105974232A (zh) * | 2016-05-10 | 2016-09-28 | 国网山东省电力公司德州供电公司 | 一种适用于高压输电网的电网故障诊断方法 |
CN105974232B (zh) * | 2016-05-10 | 2018-10-26 | 国网山东省电力公司德州供电公司 | 一种适用于高压输电网的电网故障诊断方法 |
CN106019043B (zh) * | 2016-05-10 | 2020-05-26 | 国网山东省电力公司德州供电公司 | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 |
CN105975995A (zh) * | 2016-05-26 | 2016-09-28 | 山东省计算中心(国家超级计算济南中心) | 基于模糊偏好关系的多振动信号融合方法 |
CN105975995B (zh) * | 2016-05-26 | 2019-03-15 | 山东省计算中心(国家超级计算济南中心) | 基于模糊偏好关系的多振动信号融合方法 |
CN106207998A (zh) * | 2016-09-06 | 2016-12-07 | 国家电网公司 | 基于信息容错的保护系统与方法 |
CN110618347A (zh) * | 2018-06-20 | 2019-12-27 | 南京理工大学 | 一种基于小波变换和粗糙集理论的区域电网故障诊断方法 |
CN110618347B (zh) * | 2018-06-20 | 2022-04-01 | 南京理工大学 | 一种基于小波变换和粗糙集理论的区域电网故障诊断方法 |
CN108897309A (zh) * | 2018-07-13 | 2018-11-27 | 南京航空航天大学 | 基于模糊隶属度的航空发动机传感器故障诊断与隔离方法 |
CN108897309B (zh) * | 2018-07-13 | 2019-09-06 | 南京航空航天大学 | 基于模糊隶属度的航空发动机传感器故障诊断与隔离方法 |
WO2020029155A1 (en) * | 2018-08-09 | 2020-02-13 | Abb Schweiz Ag | Method for monitoring circuit breaker and apparaus and internet of things using the same |
US11867763B2 (en) | 2018-08-09 | 2024-01-09 | Abb Schweiz Ag | Method for monitoring circuit breaker and apparatus and internet of things using the same |
CN109902373A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 一种辖区变电站故障诊断、定位方法及系统 |
CN111781435A (zh) * | 2019-04-04 | 2020-10-16 | 中车唐山机车车辆有限公司 | 四象限整流器的故障检测方法及装置 |
CN110208643A (zh) * | 2019-04-28 | 2019-09-06 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于pmu数据和故障录波数据的电网故障诊断方法 |
CN111044850A (zh) * | 2020-01-14 | 2020-04-21 | 广东电网有限责任公司 | 一种基于设备故障概率的电网故障诊断方法 |
CN112748331A (zh) * | 2020-12-24 | 2021-05-04 | 国网江苏省电力有限公司电力科学研究院 | 一种基于ds证据融合的断路器机械故障识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104281899A (zh) | 一种新的基于信息融合的故障诊断方法 | |
CN103793853B (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN100595990C (zh) | 一种考虑高风险连锁故障路径的pmu配置方法 | |
CN104931857B (zh) | 一种基于d-s证据理论的配电网故障定位方法 | |
CN103336222B (zh) | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 | |
CN103487723B (zh) | 电力系统故障诊断方法及系统 | |
CN103995215B (zh) | 一种基于多层次反馈调整的智能电网故障诊断方法 | |
CN103944162B (zh) | 一种基于实时预想事故集的配电网故障恢复方法 | |
CN106841909B (zh) | 基于方向分层模糊Petri网的多源信息融合配电网故障分析 | |
CN104765965A (zh) | 基于模糊Petri的GIS故障诊断与可靠性分析方法 | |
CN108120903A (zh) | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 | |
Wang et al. | A novel fault diagnosis method of smart grids based on memory spiking neural P systems considering measurement tampering attacks | |
CN109557414B (zh) | 综合电力系统故障诊断告警处理系统及方法 | |
CN105974232B (zh) | 一种适用于高压输电网的电网故障诊断方法 | |
CN106771848B (zh) | 一种基于拓扑图元信息融合的电网故障诊断方法 | |
CN108022002A (zh) | 一种基于支持张量机的中性点接地方式决策方法及系统 | |
CN105606931A (zh) | 一种基于量子遗传算法的中压配电网故障诊断方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN106709651A (zh) | 一种基于风险理论的电力系统安全性评估系统 | |
CN104133143A (zh) | 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法 | |
CN109782124A (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 | |
CN112180204A (zh) | 一种基于电气量信息的电网线路故障诊断方法 | |
CN104077393A (zh) | 一种基于半监督谱聚类的最优解列断面搜索方法 | |
CN104459378A (zh) | 一种智能变电站故障诊断方法 | |
CN113256096A (zh) | 一种计及虚假数据注入攻击的电网故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150114 |