CN108957230B - 一种基于分层计时序自适应模糊h网的配电网故障诊断方法及系统 - Google Patents
一种基于分层计时序自适应模糊h网的配电网故障诊断方法及系统 Download PDFInfo
- Publication number
- CN108957230B CN108957230B CN201810753893.5A CN201810753893A CN108957230B CN 108957230 B CN108957230 B CN 108957230B CN 201810753893 A CN201810753893 A CN 201810753893A CN 108957230 B CN108957230 B CN 108957230B
- Authority
- CN
- China
- Prior art keywords
- fault
- power distribution
- distribution network
- node
- network
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 107
- 238000009826 distribution Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012546 transfer Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000003786 synthesis reaction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009466 transformation 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
- G01R31/081—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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种基于分层计时序自适应模糊H网的配电网故障诊断方法,其特征在于,包括以下步骤:系统数据更新初始化(801)、获取故障数据(802)、时序约束检查(803)、调用模糊H网模型(804)、AFHN算法推理(805)、故障分析定论(806)、故障处理指示(807);同时还涉及一种基于分层计时序自适应模糊H网的配电网故障诊断装置,用于实现所提供的故障诊断方法。根据本发明该方法及系统,能进行配电网故障快速自动诊断,达到较好的故障诊断效果。本发明构造了基于分层计时序自适应模糊H网的配电网故障诊断模型,有着模型简单、结构新颖,适应性强、诊断迅速准确、容错性好的优点,适用于配电网故障自动快速诊断。
Description
技术领域
本发明涉及一种基于分层计时序自适应模糊H网的配电网故障诊断方法及系统,属于电网故障诊断技术领域。
背景技术
随着现代化社会的不断发展,电能应用的普及和电网系统的不断扩大,人们的生活已经离不开电,因而电力系统的安全性、可靠性和经济性也显得越来越重要。然而随着特高压电网的建设、区域电网的互联、交直流混联电网的发展,一方面全网电气联系日趋紧密,另一方面电网运行复杂程度越来越高,社会对电能质量的要求越来越高,加上气象条件和人为因素的影响,电网故障的发生在所难免。我国电力的生产和运行是一个复杂过程,基本可分为发电、输电、变电、配电、用电等五大环节。据统计,电网故障中80%以上都是配电网系统故障。当配电网发生故障或者运行异常时,及时准确的找到故障原因和故障源,快速排除故障恢复供电尤为重要。配电网作为电力网的最后一环,其结构复杂程度相对较大,且故障发生频繁。基于调度人员的角度,面对电网发生故障后的海量报警信息,迅速正确地判断故障是相当困难的,尤其是在发生复杂连锁故障或保护、断路器不正确动作以及报警信息丢失、错误时,更为严重。因此,需要利用报警信息进行故障诊断研究,找到真实故障设备的精确位置,排除非故障设备的干扰,辅助调度人员决策,才能尽快排除故障,恢复供电。
配电网自动化的引入是解决这一问题的重要手段。配电自动化系统综合了计算机技术、现代通信技术、电力系统理论和自动控制技术。它包括配电网数据采集和监控系统(SCADA)、配电地理信息系统(GIS)、需方管理系统(DSM)以及其他高级应用系统等。信息源主要来自配电网数据采集和监控系统(SCADA)、保护故障信息管理系统(RPMS)、广域测量系统(WAMS)三种途径。诊断算法方面,当前应用较为广泛的电网故障诊断的智能方法,其中包括专家系统、神经网络、模糊集理论、粗糙集理论、Petri网络、贝叶斯网络等,都有着各自的优点,但其内在本质上的缺点越来越突显出来,而且很多缺陷无法解决。因此,提出一种全新的、全面的、可靠的故障诊断方法是亟待解决的问题。
此次发明专利在Petri网理论的基础上做出了改进,基于SCADA系统信息源的基础上,在算法上采用基于分层计时序的自适应模糊H网模型进行电网故障诊断。通过各种故障信息的综合诊断,能取得非常好的故障诊断效率。该系统有着模型简单、适应性强、诊断迅速准确、容错性好、可靠性高等优点,对于实际电网故障诊断有着一定的研究意义和价值。
发明内容
本系统在获取配电网SCADA系统信息的基础上,进行深入的故障诊断,诊断迅速准确、容错性好,适用于配电网故障自动快速诊断。系统的特点是采用了基于分层计时序自适应模糊H网(简称AFHN,Adaptive Fuzzy H Network)的配电网故障诊断方法,针对Petri网模型的组合爆炸、矩阵维数过大和自适应性差等问题,对离散的配电网系统进行分层分子网,缩小了模型的规模、降低了矩阵的维数,模型更加简化明朗,诊断更加准确详细,可靠性更高;采用适合配电网特性的自适应算法对系统模型进行自适应学习,使系统数据更加准确可靠。考虑到了时序因素,可判断出元件误动、拒动以及信息漏报、误报等,并加以修正,可使诊断更加可靠。因此,此次基于分层计时序自适应模糊H网的配电网故障诊断方法具有广阔的应用前景。
这种基于分层计时序自适应的模糊H网可以描述为一个八元组:
H={P,R,U,τ,D,FT,Ff,FC,}
其中,P为结点标识值矩阵,R为结点关联矩阵,U为结点转移权值矩阵,τ为转移激发阀值矩阵,D为时序约束规则,FT为输入标识修正函数,Ff为转移激发函数,FC为概率合成函数,下标T,f,c分别是英语单词Time,fire,compound的首字母,用来区别各个函数。
一种基于分层计时序自适应模糊H网的配电网故障诊断方法,包括以下几个步骤:
(1)系统初始化
该步骤在作为实际故障诊断前的准备工作,需进行系统数据更新,主要是模型的建立、算法的形成和自适应学习。包括以下步骤:
1)建立模糊H网模型。根据实际离散的配电网系统的结构图及各个位置发生故障的先验知识,选择一定的模糊产生式规则,根据相应的故障信息进行递推,最终推理出导致故障的最终原因,进而构造分层分子网的配电网故障诊断模糊H网模型。根据AFHN故障诊断模型,分析各AFHN结点间的逻辑关系,建立各AFHN结点的关联矩阵R,描述出各个模糊H结点之间的相邻关系,并确定时序约束规则D。
2)算法的形成。根据配电网的实际运行原理和数据,结合模糊H网的产生式规则,推算出模糊H结点转移的三个相关计算函数:输入标识修正函数FT、转移激发函数Ff、概率合成函数FC。
3)自适应学习。根据配电网的实际运行数据,按照一定的自适应算法,推算并不断修正系统模型中的转移权值矩阵U、转移激发阀值矩阵τ,以提高模糊H网的自适应性,尽量减小误差,增强故障诊断系统数据的准确性与可靠性。
(2)获取数据信息
通过SCADA系统从网络传来的信息,收集相关数据。若存在故障信息,则进入故障诊断进程,否则继续获取数据信息。
(3)构造可疑故障元件库
对故障信息进行分析推理,确定可能发生故障的元件,组成一个可疑故障元件库。
(4)时序约束修正
利用保护和断路器动作信息的时序要求,对各模型中动作了的保护和断路器所对应的结点,通过时序约束检查来修正结点的输入初始标识值,满足时序约束则保持原值进行赋值,否则,按照输入标识修正函数FT降低其概率值。这样使得模型的诊断推理过程更符合真实的保护和断路器的动作情况,可以提高诊断的准确性与可靠性。
(5)调用模糊H网子网模型
根据可疑故障元件库中的各个元件出现的故障数据,调用该元件的模糊H网故障诊断子网模型。
(6)模糊H网模型子网求解
根据形成的故障诊断模型进行故障推理运算,得出该可疑故障元件的故障概率。
(7)模糊H网综合故障诊断
根据可疑故障元件库构成模糊H网综合故障诊断模型,对可疑故障元件进行可信度比较,进而确定故障元件。
(8)分析定论
对故障诊断结果进行分析,推理出最终的故障元件。再结合时序信息、电气量信息和相关录波信息进行故障类型、时间和位置判定,最后再对各元件运行情况进行综合评判。
1)故障元件判定。根据综合故障诊断结果,推理出故障产生原因,得出诊断结果。故障元件判定是根据可信度比较而推理出最终的故障元件。
2)故障类型、时间和位置判定。根据故障元件的判定结果,再结合时序信息、电气量信息和相关录波信息进行故障类型、时间和位置判定。
3)综合评判。结合保护和断路器动作情况,根据故障元件判定结果和故障类型、时间和位置判定结果,判断保护和断路器是否发生拒动、误动以及信息漏报、误报的情况,对配电网各元件的运行情况进行综合评判。
(9)故障处理指示
根据诊断结果发出信号由执行机构进行相应操作,自动将故障设备从系统中切除,以减轻或避免设备的损坏和对相邻地区供电的影响,或者对调度人员做出相应的指示,以便调度人员进行相应的操作,使电网尽快恢复正常运行、缩小断电区域,尽量减少损失。
(10)返回
返回到系统数据更新步骤,将此次故障诊断的数据反馈给系统进行数据的更新,以提高系统的自适应性。
其中,模糊H网的建立应包括以下几个步骤:
(1)确定模糊产生式规则
模糊产生式规则是指根据配电网故障诊断系统中的逻辑关系生成的规则,是用来描述事件之间的关系,此模型中常用逻辑框图如下图所示。为满足实际配电网故障诊断的需求,此模型中常用模糊产生式规则定义如下:
规则1:If A and B,then C,点火条件为:max{PA×u1,PB×u2}≥τ,运算结果为:,其中,x=max{PA×u1,PB×u2}。
规则2:If A or B,then C,点火条件为:PA×u1+PB×u2≥τ,运算结果为:其中,x=PA×u1+PB×u2。
其中,u1和u2分别为事件A和B的权值,满足0≤u1,u2≤1。A、B、C表示不同的事件结点,PA、PB分别是事件结点A、B的初始标识值,τ是结点C的点火阀值,FC是结点C的概率合成函数,a=2.7726。
(2)确定时序约束规则D
对于保护和断路器所对应的结点,确定其时序约束规则D,从而建立起基于分层计时序的AFHN模型。在配置元件保护时,各个保护的设置在时间上都有一定的配合关系,取主保护动作延时为0.01-0.02s,断路器跳闸延迟时间为0.02-0.04s。各级保护之间的时间配合等级取0.5s,考虑到测量数据存在的误差,区间最大值与最小值分别取±5%。参考图3、图4可以更清楚的理解时序约束规则,图中带有双箭头指示的同高度虚线代表相应的一个元件或一类同等级元件动作的最早和最迟时间约束区间,对应时间轴中的约束规则为:
1)各级保护动作时刻与相应断路器跳闸时刻的二元距离时间约束为20ms-40ms,即最早间隔20ms,最迟间隔40ms。
2)元件故障发生时刻与各保护动作时刻的二元时间距离约束关系:
主保护:10-20ms,即最早间隔10ms,最迟间隔20ms;
近后备保护:485-545ms,即最早间隔485ms,最迟间隔545ms;
远后备保护:960-1060ms,即最早间隔960ms,最迟间隔1060ms。
3)元件三段式保护动作时刻之间的二元时间距离约束关系为:
主保护动作时刻与近后备保护动作时刻的二元时间距离约束为475ms-525ms,即最早间隔475ms,最迟间隔525ms;
近后备保护动作时刻与远后备保护动作时刻的二元时间距离约束为475ms-525ms;即最早间隔475ms,最迟间隔525ms;
主保护动作时刻与远后备保护动作时刻的二元时间距离约束为950ms-1050ms,即最早间隔950ms,最迟间隔1050ms。
注:以上参数仅供参考,实际数据可根据配电网运行实际情况而定。
(3)建立故障诊断模糊H网子网模型
对于线路和变压器,对元件两端(送端和受端)分别建立主保护、近后备保护和远后备保护子网模型,再建立一个综合诊断子网对两端子网进行综合;对于母线,先建立其各出线方向子网,再建立综合诊断子网模型。
(4)建立综合故障诊断模糊H网模型
对可能出现故障的元件,构建各种不同的组合,形成一个完整的综合故障诊断模糊H网模型系统,以便于故障诊断的时候直接进行调用。
算法的形成主要涉及结点转移的三个相关计算函数:输入标识修正函数FT,转移激发函数Ff,概率合成函数FC。各个函数是根据一定的规则形成的,假设某模糊H网中有m个转移模块,n个模糊H结点,所有转移模块中输入结点数最大值为k。uij代表第i个转移模块中第j个输入模糊H结点的转移权值,其中,1≤i≤m,1≤j≤k且i、j、m和n均为整数。假设这个输入结点数最大的转移模块为第t个转移模块,现对其中第t个转移模块进行分析举例,假设其中有k个输入模糊H结点,一个输出模糊H结点Pk+1(在下一级转移模块中又成为输入模糊H结点),Py表示故障时第y个输入模糊H结点应该输入的标识值,1≤y≤k,1≤t≤m,y、t、k均为整数。三个相关计算函数的形成方法为:
(1)确定输入标识修正函数FT
根据结点标识矩阵的输入数据,对于各个保护和断路器所对应的结点,结合其时序约束规则D,进行基于时序约束的修正,形成输入标识修正函数FT,可表示为:
其中,b的取值应根据实际情况进行设置,对满足时序约束的输入结点标识值进行保持,对不满足时序约束的结点标识值降低为b。例如,取b=0.2。
(2)确定转移激发函数Ff
转移激发函数Ff的作用是决定结点是否点火转移,当满足输入模糊H结点的立即可达结点Pk+1的点火条件时,结点Pk+1点火动作,Pk+1结点初始标识值自动增加,输入模糊H结点的初始标识值则自动减为0,避免多次触发点火。
按照模糊规则产生式1和2的转移激发函数Ff可表示为:
其中,1≤t≤m。x按照不同的模糊产生式规则对应的计算值为:
其中,Ff=1表示转移激发,结点点火转移;Ff=0表示转移不能激发,结点不能点火转移。ut1、ut2、……utk分别为对应第t个转移模块中第1到k个输入模糊H结点P1-Pk的转移权值,i满足1≤y≤k,τt是转移结点Pk+1的点火阀值。
(3)确定输出概率合成函数FC
输出概率合成函数FC是确定点火后按照不同模糊规则产生式得到相应输出概率的计算方法,假设结点初始值为0,x表示结点转移后得到的标识值。按照模糊规则产生式1和模糊规则产生式2结点Pk+1点火后的输出概率合成函数FC(x)可表示为:
其中,1≤t≤m。x按照不同的规则对应的计算值为:
ut1、ut2、……utk分别为对应第t个转移模块中第1到k个输入模糊H结点P1-Pk的转移权值,τt是转移结点Pk+1的点火阀值。a=2.7726,此处a的设置是根据实际需要求算出来的,为了使模型求解结果符合实际情况的同时,还使得大于0.5的概率值得到了增大,使小于0.5的概率值得到了减小,间接扩大了各个元件诊断故障概率值的差距,使得诊断结果更加明显。
自适应学习方法包括以下几个方面:
(1)输入标识矩阵自适应
为提高该系统的自适应性,各保护或断路器动作的置信度可根据实际情况调整,输入结点的标识值取为元件动作置信度,其置信度为:
(2)转移权值矩阵自适应
权值表示该元件在特定保护中的作用所占的比重,作为模糊H网的故障诊断系统数据对于诊断结果尤为重要,为提高系统的自适应性,针对各保护或断路器动作的权值以及三段式保护各个级别的权值,本次发明提供了一种自适应算法。现对其中一个结点Pr的权值utr进行自适应算法举例,1≤r≤k。utr经过更新后的权值为:
u(t) (λ+1)=u(t) (λ)+γF′c(x)e(t)
其中,F′c(x)为概率合成函数Fc(x)的导数,可表示为:
E为第t个转移模块中期望输出概率值p*与实际输出概率值p之间的误差,可表示为:
E=p*-p
e(t)为第t个转移模块中对于结点Pr单独存在的误差,按照不同的规则对应的计算值可表示为:
其中,γ为自适应增益,0≤γ≤1,1≤y≤k。Pr结点Pr的输入标识值。u(λ+1)为本次(第λ+1次)更新后的权值,uλ为本次更新前一次(第λ次)的权值。x按照不同的规则对应的计算值与上面三个相关函数的计算方法相同,可表示为:
ut1、ut2、……utk分别为对应第t个转移模块中第1到k个输入模糊H结点P1-Pk的转移权值。
其自适应方法可描述为以下几个步骤:
1)根据实际情况结合相关理论设置合理的初始权值;
2)选取若干个数据样本,从第一个样本开始,将数据输入到相关模糊H网模型中,并通过模型求解出每个转移结点的输出概率,先从综合模糊H网的最终输出结点(终止结点)开始,结合其期望输出值计算出误差,然后利用上述的自适应公式更新权值;
3)依次向后回溯至每一个转移结点,计算出每个转移结点的输出概率误差,利用上述的自适应公式更新权值,直至将所有的转移权值更新完成;
4)依次将其他样本数据输入到模型中,重复步骤2)和3)相同的过程,直至将所有的样本数据输入到模糊H网模型进行求解并更新完成;
5)当最终误差e满足期望的精度即可认为自适应训练完成,达到自适应学习目标。
(3)转移激发阀值矩阵自适应
为提高该系统的自适应性,各保护或断路器动作后引发故障结点点火的阀值应根据实际情况进行初步调整,然后结合自适应训练后的转移权值进行整定。某结点转移阀值按照下列方法来取值,可表示为:
τi=min{发生故障时上一级结点标识值Py×该结点转移权值μij}
说明:假设某模糊H网中有m个转移模块,n个模糊H结点,所有转移模块中输入结点数最大值为k,uij代表第i个转移模块中第j个输入模糊H结点的转移权值,1≤i≤m,1≤j≤k且i、j、k、m和n均为整数。
基于分层计时序配电网故障诊断的AFHN推理算法步骤如下:
(1)系统初始化并给相应的结点赋初值,根据专家经验和历史数据进行自适应学习得到的结果,设置模糊H结点的转移权值uij和点火阀值τj。
(2)时序约束检查和初值的输入。假设结点P1收到故障信号而激活,则通过相应的时序约束规则进行检查,满足时序约束就按照概率修正函数保持输入标识值,否则,按照概率修正函数降低其概率值;
(3)按照模糊产生式规则2,假设结点Pj为输入模糊H结点P1的立即可达结点,1≤j≤k。当满足输入模糊H结点P1的立即可达结点Pj的点火条件时,结点Pj点火动作,Pj结点初始标识值自动增加,输入模糊H结点的初始标识值则自动减为0,避免多次触发点火。经过概率合成函数的运算,得出转移函数值。Pj结点点火动作后,按照模糊H网模型继续按此规则进行点火运算,直至得出最终结果;
(4)如果(3)中路径上任意一个结点算出的转移函数值小于相应点火阈值,说明该结点所在的转移模块不能点火动作,则该路径上没有故障信息或者该可疑故障元件没有故障,输出该可疑元件故障概率f1=0。否则,得出该可疑故障元件的故障概率f1;
(5)若无其他可疑故障元件则得出诊断结果并输出故障概率,否则再对其它可疑元件进行类似推理,重复以上步骤,直到得出最终故障概率f2…fn,并按照规则产生式1推理出故障元件及原因。
本发明还提供了一种实现此次基于分层计时序自适应模糊H网故障诊断方法的硬件装置,即一种基于DSP和FPGA的新型配电网故障诊断系统。系统设备包括:配电网、电压互感器、电流互感器、故障录波器、开关电路1、AD转换器、FPGA处理器、DSP处理器、存储器,光电耦合器、光纤网、工控机、显示器、键盘、报警器、DA转换器、开关电路2和执行机构。
电压互感器,将强电压信号变为弱电压信号;
电流互感器,将强电流信号变为弱电流信号;
开关电路1,实现通道切换,根据需要采集各通道数据,节省硬件资源;
AD转换器,对模拟信号进行采样保持,并使用ADC模块进行模数转换,使采集的模拟信号转换成为能被工控机处理的数字信号;
FPGA处理器,控制AD转换器进行采样,进行数据的滤波、整合时序、逻辑判断、高速缓存和传输;
存储器,存储程序和数据并进行数据交互,存储器包括ROM、EPROM、EEPROM和双口SRAM。程序存储于只读存储器EPROM,计算过程和故障数据存储在随机读写存储器ROM中,设定值和其他重要信息存储于可擦除可编程存储器EEPROM中。FPGA处理器、DSP处理器两者之间利用双口SRAM实现并行通信,通过各自的并行接口操作共同的SRAM实现数据交互;
DSP处理器,以恒定的频率提取FPGA处理器传来的数据并进行相关运算、故障判断和通信控制;
故障录波器,自动地、准确地记录故障前后各种电气量的变化信号,并进行故障类型和位置判断以及简单的故障分析,并将故障记录数据和初步分析结果送到远方主站进行进一步的处理;
光电耦合器,将输入端和输出端隔离,抑制电磁波的干扰;
CAN总线,完成信号的通讯,将信号传递给相关执行机构或工控机;
工控机,接收并处理CAN总线传来的信息,根据需要调用程序进行故障诊断,通过这些电气量的分析、比较、对比分析处理事故以及判断保护或断路器是否正确动作;
显示器,显示配电网相关电气量,开关量等信息并进行故障诊断结果的显示,便于调度人员实时监控配电网运行情况;
键盘,进行初始数据的输入,以及根据需要执行的操作输入指令以实时控制电网的运行情况;
报警器,发生故障时进行报警;
DA转换器,将通过CAN总线传过来的数字信号采集出来,并使用DAC模块进行数模转换,使采集的数字信号转换成为模拟信号传递给开关电路2;
开关电路2,实现通道切换,根据需要控制执行机构执行不同操作;
执行机构,根据开关电路2的状态执行相应的操作以排除故障。
配电网,需要监控诊断的配电网系统。
通过结合以下附图,阅读本发明实施方式的详细描述后,本发明的其他特征、特点和优点将会变得更加清楚。
附图说明
图1为一种基于分层计时序自适应模糊H网的配电网故障诊断流程图;
图2为一种局部配电网模型示意图;
图3为针对图2局部配电网中线路L1的送端模糊H网诊断模型;
图4针为对图2局部配电网中线路L1的受端模糊H网诊断模型;
图5为为线路L1送受端综合诊断模糊H网子网诊断模型;
图6为针对图2局部配电网的一种综合诊断模糊H网模型;
图7为实现此次算法的硬件装置示意图。
图8为该故障诊断算法的整体简略流程图。
具体实施方式
下面将结合附图对本发明的具体实施方式进行详细说明:
图1是本发明中基于分层计时序自适应模糊H网的配电网故障诊断算法流程图。
在步骤101,故障诊断系统开始运行;
在步骤102,系统数据更新初始化。需进行系统数据更新,包括模型的建立、自适应学习和算法的形成;
在步骤103,获取通讯系统传来的监控数据信息;
在步骤104,通过数据信息判断是否存在故障,存在则进入步骤105,否则返回步骤103继续获取数据信息;
在步骤105,系统根据故障信息构造故障可疑元件库;
在步骤106,对收到的故障数据信息进行时序约束修正;
在步骤107,系统调用其中故障可疑元件的模糊H网诊断模型;
在步骤108,系统进行模糊H网子网模型求解;
在步骤109,系统判断是否已经对所有可疑故障元件进行了故障诊断,若是则进入步骤110,否则返回步骤107;
在步骤110,系统形成综合故障诊断模糊H网模型并求解,根据各元件故障概率对所有故障可疑元件进行可信度比较,判断出最有可能故障的元件;
在步骤111,系统结合时序信息、电气量信息和相关录波信息进行故障类型、时间和位置判定。最后,系统再根据结果进行正反向推理论证,结合保护和断路器的实际动作情况,判断保护和断路器是否发生拒动、误动以及信息漏报、误报等情况,对配电网各元件的运行情况进行综合评判;
在步骤112,系统对故障诊断结果所应采取的应对措施进行指示,发出信号由执行机构进行相应操作,自动将故障设备从系统中切除,以减轻或避免设备的损坏和对相邻地区供电的影响,或者对调度人员做出相应的指示,以便调度人员进行相应的操作,使电网尽快恢复正常运行、缩小断电区域,尽量减少损失。
在步骤113,系统将此次故障诊断的数据反馈给系统进行数据的更新,以提高系统的自适应性。
图2为一种局部配电网模型示意图,主要对象元件均已画出,包括:断路器CB1(201)、变压器T1(202)、断路器CB2(203)、断路器CB3(204)、变压器T2(205)、断路器CB4(206)、母线B(207)、断路器CB5(208)、线路L1(209)、断路器CB6(210)、断路器CB7(211)、线路L2(212)、断路器CB8(213)、断路器CB9(214)、线路L3(215)、断路器CB10(216)、断路器CB11(217)、线路L4(218)、断路器CB12(219)。
假设可疑故障元件为:线路L1、变压器T1、母线B,现调用这三个元件的故障诊断模糊H网模型。由于三个元件中线路L1的故障诊断模型最为复杂,现仅针对线路L1进行详细的故障诊断模型分析,以体现出基于分层计时序自适应模糊H网的配电网故障诊断方法在简化模型上的优越性、诊断算法上的准确性、容错性以及系统本身的自适应性。
图3、图4、图5、图6为一种基于分层计时序自适应模糊H网的配电网故障诊断模型举例图。
图3为针对图2局部配电网中线路L1送端的模糊H网故障诊断子网模型。现对图3中各结点的运算规则进行详述(以下结点转移均按照模糊规则产生式2来执行):
结点301:若线路L1送端主保护L1sm动作且满足时序约束,则L1sm结点激活,赋予其标识值P1=0.99,权值u11=0.65;
结点302:若线路L1送端断路器CB5动作且满足时序约束,则CB5结点激活,赋予其标识值P2=0.98,权值u12=0.35;
结点303:若结点301或者302有输入且满足点火条件,则PL1m结点激活,标识值P11=P1×u11+P2×u12,权值u51=0.5;
结点304:若线路L1送端近后备保护L1sp动作且满足时序约束,则L1sp结点激活,赋予其标识值P3=0.99,权值u21=0.65;
结点305:若线路L1送端近后备保护对应的断路器CBp动作且满足时序约束,则CBp结点激活,赋予其标识值P4=0.98,权值u22=0.35;
结点306:若结点304或者305有输入且满足点火条件,则PL1p结点激活,标识值P12=P3×u21+P4×u22,权值u52=0.3;
结点307:若变压器T1处远后备保护LT1s动作且满足时序约束,则LT1s结点激活,赋予其标识值P5=0.99,权值u31=0.65;
结点308:若变压器T1处断路器CB2动作且满足时序约束,则CB2结点激活,赋予其标识值P6=0.98,权值u32=0.35;
结点309:若结点307或者308有输入且满足点火条件,则PL1s1结点激活,标识值P13=P5×u31+P6×u32,权值
结点310:若变压器T2处远后备保护LT2s动作且满足时序约束,则LT2s结点激活,赋予其标识值P7=0.99,权值u33=0.65;
结点311:若变压器T2处远后备保护对应的断路器CB4动作且满足时序约束,则CB4结点激活,赋予其标识值P8=0.98,权值u34=0.35;
结点312:若结点310或者311有输入且满足点火条件,则PL1s2结点激活,标识值P14=P7×u33+P8×u34,权值
结点313:若线路L2处的远后备保护LT2s动作且满足时序约束,则LT2s结点激活,赋予其标识值P9=0.99,u35=0.65;
结点314:若线路L2处的远后备保护对应的断路器CB8动作且满足时序约束,则CB8结点激活,赋予其标识值P10=0.98,u36=0.35:
结点315:若结点307或者308有输入且满足点火条件,则PL1s3结点激活,标识值P15=P9×u35+P10×u36,权值
结点316:若结点309或者312或者315有输入且满足点火条件,则PL1s结点激活,标识值P16=P13×u41+P14×u42+P15×u43,权值u53=0.2;
结点317:若结点303或者306或者316有输入且满足点火条件,则PL1结点激活,标识值P17=P11×u41+P12×u42+P16×u43;
时间轴318:针对输入P1-P10结点的标识值所采取的时序约束规则,满足时序约束的保持原值,不满足的输入标识值按输入标识修正函数fT降至较低值b(b=0.2)。图中带有双箭头指示的同高度虚线代表相应的一个元件或一类同等级元件动作的最早和最迟时间约束区间。
注:以上参数仅供参考,实际数据应该根据配电网运行实际情况和自适应算法结果而定。
图4为针对图2局部配电网中线路L1受端的模糊H网故障诊断子网模型。现对图4中各结点的运算规则进行详述(以下结点转移均按照模糊规则产生式2来执行):
结点401:若线路L1受端主保护L1Rm动作且满足时序约束,则L1Rm结点激活,赋予其标识值P′1=0.99,权值u′11=0.65;
结点402:若线路L1受端断路器CB6动作且满足时序约束,则CB6结点激活,赋予其标识值P′2=0.98,权值u′12=0.35;
结点403:若结点401或者402有输入且满足点火条件,则P′L1m结点激活,标识值P′7=P′1×u′11+P2×u′12,权值u′41=0.5;
结点404:若线路L1受端近后备保护L′1sp动作且满足时序约束,则L′1sp结点激活,赋予其标识值P′3=0.99,权值u′21=0.65;
结点405:若线路L1受端近后备保护对应的断路器CB′p动作且满足时序约束,则CB′p结点激活,赋予其标识值P′4=0.98,权值u′22=0.35;
结点406:若结点404或者405有输入且满足点火条件,则P′L1p结点激活,赋予其标识值P′8=P′3×u′21+P′4×u′22,权值u′42=0.3;
结点407:若线路L3处的远后备保护LRs动作且满足时序约束,则LRs结点激活,赋予其标识值P′5=0.99,u′31=0.65;
结点408:若线路L3处的远后备保护对应的断路器CB10动作且满足时序约束,则CB10结点激活,赋予其标识值P′6=0.98,权值u′32=0.35;
结点409:若结点407或者408有输入且满足点火条件,则P′L1s结点激活,标识值P′9=P′5×u′31+P′6×u′32,权值u′43=0.2;
结点410:若结点403或者406或者409有输入且满足点火条件,则PL1R结点激活,标识值P′10=P′7×u′41+P′8×u′42+P′9×u′43;
时间轴411:对输入P1-P10结点的标识值进行修正,满足时序约束的保持输入值,不满足的按输入标识修正函数fT降至较低值b(b=0.2)。图中带有双箭头指示的同高度虚线代表相应的一个元件或一类同等级元件动作的最早和最迟时间约束区间。
注:以上参数仅供参考,实际数据应该根据配电网运行实际情况和自适应算法结果而定。
图5为针对图2局部配电网中线路L1送端、受端的综合故障诊断子网模型。现对图5中各结点的运算规则进行详述(以下结点转移按照模糊规则产生式2来执行):
结点501:即为图3中的结点317,其标识值为线路L1送端故障概率;
结点502:即为图4中的结点410,其标识值为线路L1受端故障概率;
结点503:若结点501或者502有输入且满足点火条件,则L1结点激活,赋予其标识值L1=P17×u51+P′10×u52,其中,u51=0.5,,u52=0.5,;
图6为综合诊断模糊H网模型。现对图6中各结点的运算规则进行详述(以下结点转移按照模糊规则产生式1来执行):
结点601:即为图4中的结点503,其标识值为线路L1的故障概率;
结点602:变压器T1相关诊断子网输出结点,其标识值为变压器T1的故障概率;
结点603:母线B相关诊断子网的输出结点,其标识值为母线B的故障概率;
结点604:若结点601、602、603有输入且满足点火条件,则H结点激活,其标识值H=max{L1×u61,,T1×u62,B×u63},其中,u61=1,u62=1,u63=1;
注:以上参数仅供参考,实际数据应该根据配电网运行实际情况和自适应算法结果而定。
图7为一种适合此次基于分层计时序自适应模糊H网故障诊断方法的硬件装置图。
一种基于DSP和FPGA的新型配电网故障诊断系统,系统设备包括:配电网(701)、电压互感器(702)、电流互感器(703)、开关电路1(704)、AD转换器(705)、FPGA处理器(706)、存储器(707)、DSP处理器(708)、故障录波器(709)、光电耦合器(710)、CAN总线(711)、工控机(712)、显示器(713)、键盘(714)、报警器(715)、DA转换器(716)、开关电路2(717)和执行机构(718)。其特征在于,工控机(712)分别与显示器(713)、键盘(714)、报警器(715)相连,电压互感器(702)、电流互感器(703)两者经过开关电路1(704)连接到AD转换器(705)。AD转换器(705)与FPGA处理器(706)相连,再连接到DSP处理器(708),FPGA处理器(706)、DSP处理器(708)分别与存储器(707)连接。故障录波器(709)、DSP处理器(708)二者连接到光电耦合器(710),然后通过CAN总线(711)连接到工控机(712)。DSP处理器(708)又经过光电耦合器(710)连接到DA转换器(716),工控机(712)也经过光电耦合器(710)、CAN总线(711)连接到DA转换器(716),然后DA转换器(716)与开关电路2(717)连接,开关电路2(717)与执行机构(718)连接,执行机构(718)与配电网(701)相关一次设备连接。
电压互感器(702),将强电压信号变为弱电压信号;
电流互感器(703),将强电流信号变为弱电流信号;
开关电路1(704),实现通道切换,根据需要采集各通道数据,节省硬件资源;
AD转换器(705),对模拟信号进行采样保持,并使用ADC模块进行模数转换,使采集的模拟信号转换成为能被工控机处理的数字信号;
FPGA处理器(706),控制AD转换器进行采样,进行数据的滤波、整合时序、逻辑判断、高速缓存和传输;
存储器(707),存储程序和数据并进行数据交互,存储器包括ROM、EPROM、EEPROM和双口SRAM。程序存储于只读存储器EPROM,计算过程和故障数据存储在随机读写存储器ROM中,设定值和其他重要信息存储于可擦除可编程存储器EEPROM中。FPGA处理器、DSP处理器两者之间利用双口SRAM实现并行通信,通过各自的并行接口操作共同的SRAM实现数据交互;
DSP处理器(708),以恒定的频率提取FPGA处理器传来的数据并进行相关运算、故障判断和通信控制;
故障录波器(709),自动地、准确地记录故障前后各种电气量的变化信号,并进行故障类型和位置判断以及简单的故障分析,并将故障记录数据和初步分析结果送到远方主站进行进一步的处理;
光电耦合器(710),将输入端和输出端隔离,抑制电磁波的干扰;
CAN总线(711),完成信号的通讯,将信号传递给相关执行机构或工控机;
工控机(712),接收并处理CAN总线传来的信息,根据需要调用程序进行故障诊断,通过这些电气量的分析、比较、对比分析处理事故以及判断保护或断路器是否正确动作;
显示器(713),显示配电网相关电气量,开关量等信息并进行故障诊断结果的显示,便于调度人员实时监控配电网运行情况;
键盘(714),进行初始数据的输入,以及根据需要执行的操作输入指令以实时控制电网的运行情况;
报警器(715),发生故障时进行报警;
DA转换器(716),将通过CAN总线传过来的数字信号采集出来,并使用DAC模块进行数模转换,使采集的数字信号转换成为模拟信号传递给开关电路2;
开关电路2(717),实现通道切换,根据需要控制执行机构执行不同操作;
执行机构(718),根据开关电路2的状态执行相应的操作以排除故障。
配电网(701),需要监控诊断的配电网系统。
技术方案是:电压互感器(702)、电流互感器(703)直接与配电网(707)相关一次设备连接,将强电压、电流信号变为弱电压、电流信号。电压互感器(702)、电流互感器(703)二者与开关电路1(704)相连,使各自的数据信息被AD转换器(705)采集到并进行采样保持和AD转换。FPGA处理器(706)控制AD转换器(705)进行采样,整合时序并进行数据的缓存和传输。FPGA处理器(706)、DSP处理器(708)两者又分别与存储器(707)相连,两者之间利用双口SRAM实现并行通信,并通过各自的并行接口操作共同的SRAM实现数据交互。两个处理器的程序和数据存储在相应的存储器中,并进行不定时的更新。DSP处理器(708)以恒定的频率提取FPGA处理器(706)从双口SRAM传来的数据并进行滤波、运算和调制。故障录波器(709)安装在配电网相关一次设备处,能自动地、准确地记录故障前后各种电气量的变化信号。
当故障发生时,电压互感器(702)、电流互感器(703)会直接将异常电气信号通过开关电路1(704)传递给AD转换器(705),经过FPGA处理器(706)的时序整合、数据缓存后传输到DSP处理器进行相关运算,电压或电流等电气量采集值大于整定值就会产生相关信号经过光电耦合器(710)、DA转换器(716)、开关电路2(717)后传递给中间继电器、时间继电器等相关执行机构(718),然后相关继电器发出相应信号,例如闭锁信号、跳闸信号等。再由分闸线圈、继电器、电机等相关执行机构(718)控制相关断路器、隔离开关等一次设备执行相应操作。相关故障信号通过CAN总线(711)传输到工控机(712),在显示器(713)上显示出来,并通过相应的报警器(714)进行报警动作。同时,工控机(712)根据收集到的故障信息调用相应的故障诊断程序进行故障诊断,确定最可能的故障元件,并结合故障录波器(709)的相关数据,确定故障类型、时间和故障位置,以及其他的故障分析结果,确定需要执行的操作后直接发出指令信号或者由调度人员从键盘(714)输入指令信号,通过CAN总线(711)传递给DA转换器(716),继而控制开关电路2(717),开关电路2(717)控制相应的执行机构(718)进行相应的操作(如切换或隔离相关一次设备),以使电网恢复正常运行、缩小断电区域,实现最短时间和最小区域内,自动将故障设备从系统中切除,或发出信号由调度人员从键盘(714)输入指令信号,消除异常工况根源后,减轻或避免设备的损坏和对相邻地区供电的影响,尽量减少损失。
图8为该故障诊断系统的整体简略流程图。包括以下步骤:
在步骤801,系统数据更新初始化;
在步骤802,系统获取故障数据;
在步骤803,系统对数据进行时序约束检查;
在步骤804,系统调用模糊H网模型;
在步骤805,系统进行AFHN算法推理;
在步骤806,系统进行故障分析定论诊断出结果后,又将数据反馈到系统进行数据更新。
在步骤807,系统进行故障处理指示。
本发明的有益效果为:本发明涉及了一种基于分层计时序自适应模糊H网的配电网故障诊断方法,该方法构造了分层分子网配电网故障诊断模糊H网模型,考虑到了时序因素,通过时序约束,可判断出元件误动、拒动以及信息误报、漏报,并加以修正,可使诊断更加迅速、准确、可靠。根据各个可疑故障元件的AFHN模型,分层进行诊断推理,能简单、快捷地推理出故障元件并计算出故障概率,准确的定位出故障位置、时间和类型。此外,由于AFHN只有一种H结点,相较于Petri网,其模型更加简化,诊断过程更加简单,效率更高,有效的避免了Petri网中组合爆炸的问题。因此,此方法在配电网系统的故障诊断中具有积极意义。
根据本发明该方法及系统,能进行配电网故障快速自动诊断,达到较好的故障诊断效果。本发明构造了基于分层计时序自适应模糊H网的配电网故障诊断模型,有着模型简单、结构新颖,适应性强、诊断迅速准确、容错性好的优点,适用于配电网故障自动快速诊断。
Claims (2)
1.一种基于分层计时序自适应模糊H网的配电网故障诊断方法,其特征在于,具体包括以下步骤:
(1)确定模糊产生式规则;
(2)确定时序约束规则;
(3)建立故障诊断模糊H网子网模型;
(4)建立综合故障诊断模糊H网模型;
(5)确定输入标识值修正函数;
(6)确定转移判量函数;
(7)确定转移激发函数;
(8)确定输出概率合成函数;
(9)输入标识矩阵自适应;
(10)转移权值矩阵自适应;
(11)转移激发阀值矩阵自适应;
(12)故障分析定论;
(13)故障处理指示。
2.一种基于DSP和FPGA的新型配电网故障诊断硬件装置,用以实现权利要求1所述的基于分层计时序自适应模糊H网的配电网故障诊断方法,包括:配电网、电压互感器、电流互感器、故障录波器、开关电路1、AD转换器、FPGA处理器、DSP处理器、存储器,光电耦合器、CAN总线、工控机、显示器、键盘、报警器、DA转换器、开关电路2和执行机构;工控机分别与显示器、键盘、报警器相连,电压互感器、电流互感器安装在配电网相关一次设备处;故障录波器安装在配电网相关一次设备处,电压互感器、电流互感器两者经过开关电路1连接到AD转换器;AD转换器与FPGA处理器相连;DSP处理器、FPGA处理器分别与存储器连接;故障录波器、DSP处理器二者连接到光电耦合器,然后通过CAN总线连接到工控机;DSP处理器又经过光电耦合器连接到DA转换器,工控机也经过光电耦合器、CAN总线连接到DA转换器,然后DA转换器连接到开关电路2,开关电路2与执行机构连接,执行机构与配电网相关一次设备连接;其特征在于包括:
电压互感器的作用是将强电压信号变为弱电压信号;
电流互感器的作用是将强电流信号变为弱电流信号;
开关电路1的作用是实现通道切换,根据需要采集各通道数据,节省硬件资源;
AD转换器的作用是对模拟信号进行采样保持,并使用ADC模块进行模数转换,使采集的模拟信号转换成为数字信号;
FPGA处理器的作用是控制AD转换器进行采样,进行数据的滤波、整合时序、逻辑判断、高速缓存和传输;
存储器的作用是存储程序和数据并进行数据交互,存储器包括ROM、EPROM、EEPROM和双口SRAM;程序存储于只读存储器EPROM,计算过程和故障数据存储在随机读写存储器ROM中,设定值和其他重要信息存储于可擦除可编程存储器EEPROM中;FPGA处理器、DSP处理器两者之间利用双口SRAM实现并行通信,通过各自的并行接口操作共同的SRAM实现数据交互;
DSP处理器的作用是以恒定的频率提取FPGA处理器传来的数据并进行相关运算、故障诊断和通信控制;
故障录波器的作用是自动地、准确地记录故障前后各种电气量的变化信号,并进行故障类型和位置判断以及简单的故障分析,并将故障记录数据和初步分析结果送到远方主站进行进一步的处理;
光电耦合器的作用是将输入端和输出端隔离,抑制电磁波的干扰;
CAN总线的作用是完成信号的通讯,将信号传递给相关执行机构或工控机;
工控机的作用是接收并处理CAN总线传来的信息,根据需要调用程序进行故障诊断,通过这些电气量的分析、比较、对比分析处理事故以及判断保护或断路器是否正确动作;
显示器的作用是显示配电网相关电气量,开关量信息并进行故障诊断结果的显示,便于调度人员实时监控配电网运行情况;
键盘的作用主要是进行初始数据的输入,以及根据需要执行的操作输入指令以实时控制电网的运行情况;
报警器的作用是发生故障时进行报警;
DA转换器的作用是将通过CAN总线传过来的数字信号采集出来,并使用DAC模块进行数模转换,使采集的数字信号转换成为模拟信号传递给开关电路;
开关电路2的作用是实现通道切换,根据需要接通不同开关,以控制执行机构执行不同操作;
执行机构的作用是根据开关电路2的开关状态执行相应的操作以排除故障;
配电网指需要监控诊断的配电网系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810753893.5A CN108957230B (zh) | 2018-06-28 | 2018-06-28 | 一种基于分层计时序自适应模糊h网的配电网故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810753893.5A CN108957230B (zh) | 2018-06-28 | 2018-06-28 | 一种基于分层计时序自适应模糊h网的配电网故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108957230A CN108957230A (zh) | 2018-12-07 |
CN108957230B true CN108957230B (zh) | 2024-04-23 |
Family
ID=64482697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810753893.5A Active CN108957230B (zh) | 2018-06-28 | 2018-06-28 | 一种基于分层计时序自适应模糊h网的配电网故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108957230B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716449A (zh) * | 2019-10-21 | 2020-01-21 | 上海科梁信息工程股份有限公司 | 模拟电网的控制方法、系统、电子设备及存储介质 |
CN113219303B (zh) * | 2021-05-12 | 2023-06-23 | 广西大学 | 一种小电流接地系统单相接地故障数据的提取方法 |
CN113281616A (zh) * | 2021-05-28 | 2021-08-20 | 国网冀北电力有限公司承德供电公司 | 一种基于专家系统的输电线路故障诊断方法、系统及架构 |
CN113689308A (zh) * | 2021-08-05 | 2021-11-23 | 北京航空航天大学 | 基于动态模糊网络和多源信息融合的供电系统级故障诊断 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003230225A (ja) * | 2002-01-31 | 2003-08-15 | Chubu Electric Power Co Inc | 故障点標定装置 |
CN103487723A (zh) * | 2013-08-30 | 2014-01-01 | 中国南方电网有限责任公司 | 电力系统故障诊断方法及系统 |
CN106646110A (zh) * | 2016-11-09 | 2017-05-10 | 国网山东省电力公司东阿县供电公司 | 基于GIS和Petri技术的低压配电网故障定位系统 |
CN106771853A (zh) * | 2016-11-29 | 2017-05-31 | 华中科技大学 | 一种基于事件起点的智能化电网故障诊断方法 |
CN106841910A (zh) * | 2016-12-20 | 2017-06-13 | 国网辽宁省电力有限公司沈阳供电公司 | 将仿电磁学算法融于时序模糊Petri网的配电网故障诊断方法 |
-
2018
- 2018-06-28 CN CN201810753893.5A patent/CN108957230B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003230225A (ja) * | 2002-01-31 | 2003-08-15 | Chubu Electric Power Co Inc | 故障点標定装置 |
CN103487723A (zh) * | 2013-08-30 | 2014-01-01 | 中国南方电网有限责任公司 | 电力系统故障诊断方法及系统 |
CN106646110A (zh) * | 2016-11-09 | 2017-05-10 | 国网山东省电力公司东阿县供电公司 | 基于GIS和Petri技术的低压配电网故障定位系统 |
CN106771853A (zh) * | 2016-11-29 | 2017-05-31 | 华中科技大学 | 一种基于事件起点的智能化电网故障诊断方法 |
CN106841910A (zh) * | 2016-12-20 | 2017-06-13 | 国网辽宁省电力有限公司沈阳供电公司 | 将仿电磁学算法融于时序模糊Petri网的配电网故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于模糊H网的配电网故障诊断方法研究;李遥;中国优秀硕士学位论文全文库;第21-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108957230A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108957230B (zh) | 一种基于分层计时序自适应模糊h网的配电网故障诊断方法及系统 | |
CN102637019B (zh) | 一种工业生产过程智能集成故障诊断方法及装置 | |
CN109193652B (zh) | 一种基于态势感知的含分布式电源的配电网故障自愈系统 | |
EP3108317B1 (en) | System and method of fault detection for an aircraft | |
CN110988596B (zh) | 一种新型主动配电网故障区段定位方法 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN110311398B (zh) | 一种新型储能电池系统的连接拓扑、控制系统及方法 | |
CN105183952B (zh) | 一种基于分层时间模糊Petri网的输电网故障诊断方法 | |
CN106786531B (zh) | 一种配电终端优化配置方法 | |
CN106961349A (zh) | 一种基于数据融合的传感器故障识别系统及方法 | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN111044846B (zh) | 一种复杂有源配电网容错性在线故障定位的概率评估方法 | |
CN110011414B (zh) | 基于同源数据比对的智能变电站采样回路故障判定方法 | |
CN105759165B (zh) | 基于馈线故障状态诊断的配电自动化主站实用化评测方法 | |
CN109740770A (zh) | 设备异常处理方法、装置、计算机设备和存储介质 | |
CN112949073A (zh) | 基于模糊算法的智能变电站继电保护可靠性评估方法 | |
CN117554907A (zh) | 一种雷达系统多故障诊断方法 | |
CN113590368B (zh) | 一种基于边边协同的异常设备诊断方法及系统 | |
Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
CN113609912A (zh) | 一种基于多源信息融合的输电网故障诊断方法 | |
Ashouri et al. | A new approach for fault detection in digital relays-based power system using Petri nets | |
CN113418632A (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
Wu et al. | Research on Intelligent Operation Inspection Fault Diagnosis Method of Substation Relay Protection Logic Link | |
Dong et al. | GIS-integrated analytical model for fault diagnosis of power distribution network | |
CN114696460B (zh) | 一种分布式电站协同的智能管理方法及系统 |
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 |