CN109557414A - 综合电力系统故障诊断告警处理系统及方法 - Google Patents
综合电力系统故障诊断告警处理系统及方法 Download PDFInfo
- Publication number
- CN109557414A CN109557414A CN201811459429.1A CN201811459429A CN109557414A CN 109557414 A CN109557414 A CN 109557414A CN 201811459429 A CN201811459429 A CN 201811459429A CN 109557414 A CN109557414 A CN 109557414A
- Authority
- CN
- China
- Prior art keywords
- failure
- fault diagnosis
- fault
- state machine
- breaker
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 230000007704 transition Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000002123 temporal effect Effects 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 230000003068 static effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered 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
- 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
-
- 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
Abstract
本公开提供了一种综合电力系统故障诊断告警处理系统及方法,包括人工神经网络模块,被配置为构建前向神经元网络,利用构建的网络进行对于故障类型和选择故障相别,找出跳闸范围和可能的故障元件,根据获得的开关跳闸信息和保护动作信息;和有限状态机建模模块,被配置为构建有限状态机,以电力系统告警序列为驱动,有限状态机识别各故障事件的信号状态变化的先后次序,并采用状态转换图对有限状态机识别结果进行表示,形成全过程的告警信息,本公开对于电力系统通用故障告警判断具有快速、容错和学习能力强等特点。
Description
技术领域
本公开涉及一种综合电力系统故障诊断告警处理系统及方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
电力系统发生故障时,要求调度人员迅速、准确判断故障元件和故障性质,及时处理故障,恢复系统正常运行。由于现代电力系统规模很大,当电力系统发生故障时一般会有大量的报警信息集中涌现,调度员要在极短的时间内抓住报替实质,判断故障元件有时十分困难。
到目前为止,国内外已经提出了多种变电站告警处理方法,主要包括基于专家系统(ES)、基于智能优化算法(AI)、以及基于解析模型方法等。其中ES擅长逻辑推理和符号信息处理,所以适合于电力系统故障诊断问题,然而,的推理时间取决于问题的复杂程度,在实际应用中,复杂问题的求解时间较长,可能不满足实时运行的要求;基于AI的故障具有执行速度快、鲁棒性好和学习功能强等特点,但AI不具备表达电网拓扑结构的能力,一般仅能用于具有固定接线方式的小规模电网;基于解析模型方法通过构造一个反映实际警报信息与期望警报信息之间差异的目标函数,该种方法的缺陷是不擅长处理启发性知识,缺乏解释自身行为和输出结果的能力。
综上,如果孤立地应用的研究都暴露出很大的局限性。
发明内容
本公开为了解决上述问题,提出了一种综合电力系统故障诊断告警处理系统及方法,本公开结合人工神经网络(ANN)和有限状态机(FSM),对电力系统告警信息进行处理,对于电力系统通用故障告警判断具有快速、容错和学习能力强等特点,对应用于大规模电力系统的在线故障诊断问题的解决具有重要意义。
根据一些实施例,本公开采用如下技术方案:
一种综合电力系统故障诊断告警处理系统,包括:
数据库,被配置为存储告警序列的实时信息;
人工神经网络模块,被配置为构建前向神经元网络,利用构建的网络进行对于故障类型和选择故障相别的学习,找出跳闸范围和可能的故障元件,得到推理逻辑推理故障假说;
有限状态机建模模块,被配置为构建有限状态机,接收推理逻辑推理故障假说和实时告警序列,以电力系统告警序列为驱动,识别各故障事件的时序逻辑关系,形成全过程的告警信息。
作为进一步的限定,所述人工神经网络模块包括人工神经网络模型和知识库,所述人工神经网络模型构建神经网络模型,以学习输入信息,所述知识库用于诊断和识别告警处理系统中对于故障类型和选择故障相别的存储。
作为更进一步的限定,所述人工神经网络模型为三层前向神经元网络,采用误差反传学习算法,网络中每一层的传递函数选用S型函数。
作为更进一步的限定,所述知识库中,用于线路故障诊断共有多个特征输入量,且采用不同的输入参数表示各个特征输入量,特征输入量具体包括:
线路及其联变开关保护一次动作信号;
线路及其联变断路器A相分闸信号;
线路及其联变断路器B相断路器一次分闸信号;
线路及其联变断路器C相断路器一次分闸信号;
重合闸动作信号;
线路及其联变断路器A相断路器合闸信号;
线路及其联变断路器B相断路器合闸信号;
线路及其联变断路器C相断路器合闸信号;
线路及其联变开关保护二次动作信号;
线路及其联变断路器分闸二次信号。
作为更进一步的限定,所述知识库中,用于母线故障诊断的特征输入量,且采用不同的输入参数表示各个特征输入量,具体包括:
母线保护动作信息;
母线相连线路开关分闸信息;
母联开关分闸信息;
联络母线开关分闸信息;
母线所连线路对侧开关分闸信息;
母线所连主变主保护动作信息;
主变所连开关分闸信息。
作为更进一步的限定,所述知识库中,用于变压器故障诊断的特征输入量,且采用不同的输入参数表示各个特征输入量,具体包括:
变压器主保护动作信息和变压器相连开关分闸信息。
作为进一步的限定,所述人工神经网络模块经过BP算法训练,利用告警历史数据库中发生的各种故障数据进行不同的特征量提取,得到网络输入层节点值和各种故障类型的权值矩阵和阀值矩阵,综合判断各子网络的输出结果,最终得到识别结果。
作为进一步的限定,所述有限状态机建模模块设定每个故障事件发生的时间,利用时间区间来表示不确定时间点的约束,表示任意两个故障事件之间的时间距离的约束。
作为进一步的限定,所述有限状态机识别各故障事件的信号状态变化的先后次序,并采用状态转换图对有限状态机识别结果进行表示,状态转换图为有向图,利用状态转换图的指向,表示故障事件的发生顺序。
一种电力系统故障诊断告警处理方法,包括以下步骤:
构建前向神经元网络,利用构建的网络进行对于故障类型和选择故障相别,找出跳闸范围和可能的故障元件,得到推理逻辑推理故障假说;
构建有限状态机,接收推理逻辑推理故障假说和实时告警序列,以电力系统告警序列为驱动,识别各故障事件的时序逻辑关系,形成全过程的告警信息。
与现有技术相比,本公开的有益效果为:
本公开具有较强的通用性,故障诊断知识库存放在ANN的连接权矩阵中,知识获取方便,知识库修改和扩充只需重新训练ANN;FSM可对告警信息动态数据库中过程记录、原因分析和告警处理结果分析,对于电力系统通用故障告警判断具有快速、容错和学习能力强等特点,对应用于大规模电力系统的在线故障诊断问题的解决具有重要意义。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本公开的ANN-FSM总体结构图;
图2是本公开的故障诊断ANN网络;
图3是本公开的事件时间距离约束的叠加示意图;
图4是本公开的状态转换图;
图5是本实施例的系统故障前运行情况示意图;
图6是本实施例的系统故障后运行情况;
图7是本实施例的有限状态机运行示意图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。
正如背景技术中所述的,若孤立地应用的研究都暴露出很大的局限性,所以本公开将不同方法结合进行研究以解决电力系统告警处理,取长补短,将会取得意想不到的改进。ANN具有快速执行和学习能力,告警信息的知识表达和逻辑推理功能完全可由ANN对静态数据库的数值运算来实现;进一步的,电力系统告警信息具有明显的时序特性也为告警处理提供了客观条件,FSM模型对电力系统中各种事件之间的时序逻辑关系进行建模,可完成动态数据库中告警过程记录、原因分析和告警处理结果分析。最后,采用实际电力系统告警案例,证明所提出方法的可行性和有效性。
基于人工神经网络与有限状态机的综合电力系统故障诊断告警处理系统的总体结构,如图1所示,故障诊断告警处理系统包括(1)静态数据库管理系统;(2)静态数据库—电网拓扑结构与保护配置数据库;(3)ANN运算器和连接权矩阵(ANNES的知识库);(4)推理机;(5)动态数据库,即告警序列的实时信息;(6)有限状态机模型(过程记录和推理结论等子数据库);(7)解释系统和人机界面系统。
其中,静态数据库管理系统和静态数据库—电网拓扑结构与保护配置数据库可以选用或连接现有的电力系统数据库。
动态数据库存储有告警序列的实时信息;
推理机,用于得到逻辑推理故障假说;
解释系统和人机界面系统,用于输出故障的行为和结果,并对其进行解释。
其中,(3)ANN运算器和连接权矩阵(ANNES的知识库);(5)动态数据库,和(6)有限状态机模型(过程记录和推理结论等子数据库)为基础必要部分。
在该ANN-FSM系统中,利用静态数据库管理系统,用户可方便地建造任何一个实际电网的静态数据库。然后,ANN能够通过学习系统将其具有的知识表达和逻辑推理故障假说传给FSM;FSM模型根据动态数据库发来的实时告警序列及各种事件之间的时序逻辑关系,完成中告警选择、原因分析和告警处理结果分析;最后通过解释系统和人机界面对系统故障的行为和输出结果进行解释。
本公开构建的综合电力系统故障诊断告警处理系统,具体包括:
(1)ANN模型和知识库
人工神经网络系统的推理机是对静态数据库进行告警的逻辑推理,本公开所采用的人工神经网络模型是三层前向神经元网络。它是分布式并行处理系统,具有很强的容错能力,采用误差反传学习算法(BP算法),网络中每一层的传递函数选用S型函数。每一种特征量均连续计算3次,分别加于输入节点,以增强网络的可靠性和冗余性。
如图2所示,ANN的节点函数采用S型函数。
设为输入量,为隐层节点和输入节点的连接权值,则隐层节点的输入为:
(i=1,2,......,n,?)
为Wji为输出节点和隐层节点j的连接权值,则ANN输出量y为:
(j=1,2,……,N,N为隐层节点的个数)
ANN故障诊断知识库
故障诊断知识库用于诊断和识别告警处理系统中对于故障类型和选择故障相别。找出跳闸范围和可能的故障元件,然后根据获得的开关跳闸信息和保护动作信息,总结为以下几个特征量为ANN的输入。
用于线路故障诊断的ANN共10个特征输入量,分别定义如下:
x1:线路及其联变开关保护一次动作信号;
x2:线路及其联变断路器A相分闸信号;
x3:线路及其联变断路器B相断路器一次分闸信号;
x4:线路及其联变断路器C相断路器一次分闸信号;
x5:重合闸动作信号;
x6:线路及其联变断路器A相断路器合闸信号;
x7:线路及其联变断路器B相断路器合闸信号;
x8:线路及其联变断路器C相断路器合闸信号;
x9:线路及其联变开关保护二次动作信号;
x10:线路及其联变断路器分闸二次信号
输出层y={y0,y1,y2,……y10},当取值为1时分别代表A相接地、B相接地、C相接地、相间接地、以及三相接地的瞬时故障和永久性故障。
用于母线故障诊断的ANN共7个特征输入量,分别定义如下:
x1:母线保护动作信息。
x2:母线相连线路开关分闸信息。
x3:母联开关分闸信息。
x4:联络母线开关分闸信息。
x5:母线所连线路对侧开关分闸信息。
x6:母线所连主变主保护动作信息。
x7:主变所连开关分闸信息。
输出层y={y0,y1,y2,y3},其中y0为母线故障,母线所连开关分闸;y1为母线故障,母线所连开关拒动,跳联络母线及上一级变压器开关。y2母线故障,母联开关拒动,跳联络母线所有开关。
对于变压器故障诊断的ANN共2个特征输入量,分别定义如下:
x1:变压器主保护动作信息。
x2:变压器相连开关分闸信息。
输出层y={y0,y1,y2,y3},其中y0为主变内部故障;y1为主变外部故障;y2为线路故障,线路断路器拒动;y3为母线故障,母线断路器拒动。
ANN训练需要足够的样本获得,将输入向量X输入ANN,令期望输出y=1,用BP算法对ANN进行训练。按照告警历史数据库中发生的各种故障数据进行了不同的特征量提取,从而得到网络输入层节点值。通过大量的训练、检验样本,得到各种故障类型的权值矩阵和阀值矩阵,然后用一些不同于训练样本的检验样本,对它们同时进行检验,综合判断各子网络的输出结果,最终得到识别结果。
(2)有限状态机FSM
有限状态机在软件工程中本质是对具有逻辑顺序或时序顺序事件的一种数学描述模型。系统以事件驱动的方式工作,有限状态机做出响应,产生一个输出,并伴有状态迁移。
一个确定的有限状态机可以形式化地表示为一个六元有序集合:
M=[S,I,O,f,g,S0]
其中,S={S1,S2,…,Sn}是系统内所有状态的有限集合,称为状态集合;I={I1,I2,…,In},O={O1,O2,…,On}是两个有限集合,分别表示系统的输入信号集合和输出信号集合;f定义为状态转移函数,它是一个从S×I→S上的单值部分映射,SK+1=f(Sk,Ij)表示当前状态Sk、输入信号为Ij时,系统将转换到SK+1状态。
电力系统告警序列为基于全球定位系统(GPS)对时的事件顺序记录(SOE信息),有限状态机事件发生次序要识别各事件信号状态变化的先后次序。假设事件I发生的时间为T(t),由于系统的信号接收具有一定程度的不确定性,设时间区间T(t)=[t-,t+]表示不确定时间点t的约束,t-和t+表示为T(t)起点和终点。
如图3所示,则任意两个事件之间的时间距离可用d(ti,tj)表示,即d(ti,tj)=ti-tj。假设事件i,j分别在ti,tj(ij)时相继发生,那么
由此,假设有N个事件,起始事件为触发时间,其发生的确定时间为t,设任意两个事件ti和tj之间的时间距离约束应满足:
采用状态转换图对FSM的形式化描述。状态转换图是一个有向图。若一个有限状态机的表示形式化表示为:
M=[{S1,S2,S3,S4},{a,b},O,f,g,{S0}],其中f为:f(S0,a)=S1,f(S0,b)=S2,f(S1,a)=S3,f(S1,b)=S2,f(S3,a)=S3,f(S3,b)=S3,则其对应的状态图如图4所示。
具体实施例,以中国山东某供电公司220kV变电站的SCADA系统中的实际告警运行为模型,图5为系统接线图。
事故经过:2017年12月,城西站110kVII母发生永久性故障,故障类型为母线AB相相间短路,其联变断路器侯阳站侯城线170开关拒动,候阳站变压器后备保护动作,跳开110kV母联101开关和2号主变110kV侧112开关。
现将网络中的部分训练样本及结果举例示于表1-3中。
表1线路故障训练样本举例
表2母线故障训练样本举例
表3变压器故障训练样本举例
根据ANN训练结果,事故发生为“母线故障,母联断路器拒动,跳联络母线所有开关”,“联变开关拒动,发生越级跳闸,跳主变上级开关”。
FSM模型及告警处理结果分析如图7所示,状态转换表
X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 | X10 | |
S0 | S1 | |||||||||
S1 | S2 | S2 | S2 | S2 | S2 | S2 | ||||
S2 | S3 | |||||||||
S3 | S4 | S4 | ||||||||
S4 | - | - | - | - | - | - | - | - | - | - |
X1:城西站110kVII母B2母线保护动作;X2:断路器CB5分闸;X3:断路器CB6分闸;X4:断路器CB7分闸;X5:断路器CB8分闸;X6:断路器CB8分闸;X7:断路器CB10分闸;X8:侯阳站T3主变后背保护动作;X9:断路器CB16分闸;X10:断路器CB13分闸。
经FSM警报分析如下:
1.故障原因:城西站110kVII母发生永久性故障,故障类型为母线AB相相间短路。
2.保护动作情况:侯阳站侯城线保护动作,但侯城线170开关拒动,候阳站变压器后备保护动作,跳开110kV母联101开关和2号主变110kV侧112开关。
3.事故结果:事故造成侯阳站110kVII母停电,城西站全站停电。
警报处理结果与实际发生的事件相符。
综上,本公开结合人工神经网络(ANN)和有限状态机(FSM),对电力系统告警信息进行处理的方法,该方法具有较强的通用性。故障诊断知识库存放在ANN的连接权矩阵中,知识获取方便,知识库修改和扩充只需重新训练ANN;FSM可对告警信息动态数据库中过程记录、原因分析和告警处理结果分析。通过对实际电网进行仿真,其结果证明,该方法对于电力系统通用故障告警判断具有快速、容错和学习能力强等特点,对应用于大规模电力系统的在线故障诊断问题的解决具有重要意义。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种综合电力系统故障诊断告警处理系统,其特征是:包括:
数据库,被配置为存储告警序列的实时信息;
人工神经网络模块,被配置为构建前向神经元网络,利用构建的网络进行对于故障类型和选择故障相别,找出跳闸范围和可能的故障元件,得到推理逻辑推理故障假说;
有限状态机建模模块,被配置为构建有限状态机,接收推理逻辑推理故障假说和实时告警序列,以电力系统告警序列为驱动,识别各故障事件的时序逻辑关系,形成全过程的告警信息。
2.如权利要求1所述的一种综合电力系统故障诊断告警处理系统,其特征是:所述人工神经网络模块包括人工神经网络模型和知识库,所述人工神经网络模型构建神经网络模型,以学习输入信息,所述知识库用于诊断和识别告警处理系统中对于故障类型和选择故障相别的存储。
3.如权利要求2所述的一种综合电力系统故障诊断告警处理系统,其特征是:所述人工神经网络模型为三层前向神经元网络,采用误差反传学习算法,网络中每一层的传递函数选用S型函数。
4.如权利要求2所述的一种综合电力系统故障诊断告警处理系统,其特征是:所述知识库中,用于线路故障诊断共有多个特征输入量,且采用不同的输入参数表示各个特征输入量,特征输入量具体包括:
线路及其联变开关保护一次动作信号;
线路及其联变断路器A相分闸信号;
线路及其联变断路器B相断路器一次分闸信号;
线路及其联变断路器C相断路器一次分闸信号;
重合闸动作信号;
线路及其联变断路器A相断路器合闸信号;
线路及其联变断路器B相断路器合闸信号;
线路及其联变断路器C相断路器合闸信号;
线路及其联变开关保护二次动作信号;
线路及其联变断路器分闸二次信号。
5.如权利要求2所述的一种综合电力系统故障诊断告警处理系统,其特征是:所述知识库中,用于母线故障诊断的特征输入量,且采用不同的输入参数表示各个特征输入量,具体包括:
母线保护动作信息;
母线相连线路开关分闸信息;
母联开关分闸信息;
联络母线开关分闸信息;
母线所连线路对侧开关分闸信息;
母线所连主变主保护动作信息;
主变所连开关分闸信息。
6.如权利要求2所述的一种综合电力系统故障诊断告警处理系统,其特征是:所述知识库中,用于变压器故障诊断的特征输入量,且采用不同的输入参数表示各个特征输入量,具体包括:
变压器主保护动作信息和变压器相连开关分闸信息。
7.如权利要求1所述的一种综合电力系统故障诊断告警处理系统,其特征是:所述人工神经网络模块经过BP算法训练,利用告警历史数据库中发生的各种故障数据进行不同的特征量提取,得到网络输入层节点值和各种故障类型的权值矩阵和阀值矩阵,综合判断各子网络的输出结果,最终得到识别结果。
8.如权利要求1所述的一种综合电力系统故障诊断告警处理系统,其特征是:所述有限状态机建模模块设定每个故障事件发生的时间,利用时间区间来表示不确定时间点的约束,表示任意两个故障事件之间的时间距离的约束。
9.如权利要求1所述的一种综合电力系统故障诊断告警处理系统,其特征是:所述有限状态机识别各故障事件的信号状态变化的先后次序,并采用状态转换图对有限状态机识别结果进行表示,状态转换图为有向图,利用状态转换图的指向,表示故障事件的发生时序。
10.一种电力系统故障诊断告警处理方法,其特征是:包括以下步骤:
构建前向神经元网络,利用构建的网络进行对于故障类型和选择故障相别,找出跳闸范围和可能的故障元件,得到推理逻辑推理故障假说;
构建有限状态机,接收推理逻辑推理故障假说和实时告警序列,以电力系统告警序列为驱动,识别各故障事件的时序逻辑关系,形成全过程的告警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811459429.1A CN109557414B (zh) | 2018-11-30 | 2018-11-30 | 综合电力系统故障诊断告警处理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811459429.1A CN109557414B (zh) | 2018-11-30 | 2018-11-30 | 综合电力系统故障诊断告警处理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109557414A true CN109557414A (zh) | 2019-04-02 |
CN109557414B CN109557414B (zh) | 2021-04-13 |
Family
ID=65868397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811459429.1A Expired - Fee Related CN109557414B (zh) | 2018-11-30 | 2018-11-30 | 综合电力系统故障诊断告警处理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109557414B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176808A (zh) * | 2019-06-10 | 2019-08-27 | 国网福建省电力有限公司泉州供电公司 | 基于事件驱动和有向图搜索的调控远方操作故障诊断方法 |
CN110263172A (zh) * | 2019-06-26 | 2019-09-20 | 国网江苏省电力有限公司南京供电分公司 | 一种电网监控告警信息事件化自主识别方法 |
CN111126277A (zh) * | 2019-12-24 | 2020-05-08 | 广东电科院能源技术有限责任公司 | 一种电力故障告警信号识别方法、装置、终端及存储介质 |
CN111966076A (zh) * | 2020-08-11 | 2020-11-20 | 广东工业大学 | 基于有限状态机和图神经网络的故障定位方法 |
CN113067314A (zh) * | 2021-05-17 | 2021-07-02 | 广东电网有限责任公司 | 一种应对站用直流电源失压的站域保护方法及装置 |
CN113447760A (zh) * | 2021-06-24 | 2021-09-28 | 积成电子股份有限公司 | 一种全电磁暂态故障扫描中复合故障元件建模方法与系统 |
CN113884803A (zh) * | 2021-08-27 | 2022-01-04 | 国网山东省电力公司日照供电公司 | 配网故障研判方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080208372A1 (en) * | 2003-11-10 | 2008-08-28 | Pannese Patrick D | Scheduling with neural networks and state machines |
CN103835882A (zh) * | 2014-03-18 | 2014-06-04 | 上海电机学院 | 大型风力发电机组状态监测与故障诊断系统 |
CN106296440A (zh) * | 2015-05-18 | 2017-01-04 | 中国电力科学研究院 | 基于ann和es集成的变电站告警信息分析决策系统和方法 |
CN106526431A (zh) * | 2016-12-30 | 2017-03-22 | 北京鼎科远图科技有限公司 | 接地和/或短路故障报警反演方法及装置 |
CN107037311A (zh) * | 2016-10-27 | 2017-08-11 | 国家电网公司 | 一种变压器绕组匝间绝缘故障诊断方法与装置 |
-
2018
- 2018-11-30 CN CN201811459429.1A patent/CN109557414B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080208372A1 (en) * | 2003-11-10 | 2008-08-28 | Pannese Patrick D | Scheduling with neural networks and state machines |
CN103835882A (zh) * | 2014-03-18 | 2014-06-04 | 上海电机学院 | 大型风力发电机组状态监测与故障诊断系统 |
CN106296440A (zh) * | 2015-05-18 | 2017-01-04 | 中国电力科学研究院 | 基于ann和es集成的变电站告警信息分析决策系统和方法 |
CN107037311A (zh) * | 2016-10-27 | 2017-08-11 | 国家电网公司 | 一种变压器绕组匝间绝缘故障诊断方法与装置 |
CN106526431A (zh) * | 2016-12-30 | 2017-03-22 | 北京鼎科远图科技有限公司 | 接地和/或短路故障报警反演方法及装置 |
Non-Patent Citations (1)
Title |
---|
肖飞等: ""基于有限状态机故障因果链的连锁跳闸故障诊断和预测研究"", 《电力大数据》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176808A (zh) * | 2019-06-10 | 2019-08-27 | 国网福建省电力有限公司泉州供电公司 | 基于事件驱动和有向图搜索的调控远方操作故障诊断方法 |
CN110176808B (zh) * | 2019-06-10 | 2022-05-17 | 国网福建省电力有限公司泉州供电公司 | 基于事件驱动和有向图搜索的调控远方操作故障诊断方法 |
CN110263172A (zh) * | 2019-06-26 | 2019-09-20 | 国网江苏省电力有限公司南京供电分公司 | 一种电网监控告警信息事件化自主识别方法 |
CN110263172B (zh) * | 2019-06-26 | 2021-05-25 | 国网江苏省电力有限公司南京供电分公司 | 一种电网监控告警信息事件化自主识别方法 |
CN111126277A (zh) * | 2019-12-24 | 2020-05-08 | 广东电科院能源技术有限责任公司 | 一种电力故障告警信号识别方法、装置、终端及存储介质 |
CN111966076A (zh) * | 2020-08-11 | 2020-11-20 | 广东工业大学 | 基于有限状态机和图神经网络的故障定位方法 |
CN113067314A (zh) * | 2021-05-17 | 2021-07-02 | 广东电网有限责任公司 | 一种应对站用直流电源失压的站域保护方法及装置 |
CN113447760A (zh) * | 2021-06-24 | 2021-09-28 | 积成电子股份有限公司 | 一种全电磁暂态故障扫描中复合故障元件建模方法与系统 |
CN113884803A (zh) * | 2021-08-27 | 2022-01-04 | 国网山东省电力公司日照供电公司 | 配网故障研判方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109557414B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109557414A (zh) | 综合电力系统故障诊断告警处理系统及方法 | |
CN103001328B (zh) | 一种智能变电站的故障诊断与评估方法 | |
CN108931972B (zh) | 一种基于模型驱动的变电站二次设备状态智能诊断方法 | |
Yongli et al. | Bayesian networks-based approach for power systems fault diagnosis | |
CN105225566B (zh) | 一种电网应急演练可视化仿真推演系统 | |
CN106199276A (zh) | 一种用电信息采集系统中异常信息的智能诊断系统及方法 | |
Dai et al. | Reliability evaluation of the communication network in wide-area protection | |
CN103679293A (zh) | 智能变电站告警和辅助决策系统 | |
CN103308824A (zh) | 一种基于概率Petri网的电力系统故障诊断方法 | |
CN105067956A (zh) | 一种基于蚁群算法配网故障定位的方法 | |
CN101251835A (zh) | 一种±800kV换流站主接线可靠性评估方法 | |
CN106771848B (zh) | 一种基于拓扑图元信息融合的电网故障诊断方法 | |
CN107644304A (zh) | 一种智能变电站二次网络设备数据全息分析展现方法 | |
CN105606931A (zh) | 一种基于量子遗传算法的中压配电网故障诊断方法 | |
CN111896845A (zh) | 基于多源信息融合的配电网故障诊断方法及系统 | |
Lekkas et al. | Development of distributed problem solving systems for dynamic environments | |
KAluđer et al. | Fault diagnosis and identification in the distribution network using the fuzzy expert system | |
Rayudu | A knowledge-based architecture for distributed fault analysis in power networks | |
KR100969155B1 (ko) | Uml시험모델을 이용한 모선보호 ied시험 방법 | |
CN113902316A (zh) | 一种电网故障处置预案生成方法及系统 | |
Teo et al. | Artificial intelligence in diagnosis and supply restoration for a distribution network | |
Liu | Knowledge-based systems in power systems: Applications and development methods | |
Qiong et al. | Intelligent decision support system for power grid dispatching based on multi-agent system | |
Dong et al. | GIS-integrated analytical model for fault diagnosis of power distribution network | |
Al-Muhaini et al. | Customized reduction techniques for power distribution system reliability analysis |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210413 |
|
CF01 | Termination of patent right due to non-payment of annual fee |