CN109902373B - 一种辖区变电站故障诊断、定位方法及系统 - Google Patents
一种辖区变电站故障诊断、定位方法及系统 Download PDFInfo
- Publication number
- CN109902373B CN109902373B CN201910130169.1A CN201910130169A CN109902373B CN 109902373 B CN109902373 B CN 109902373B CN 201910130169 A CN201910130169 A CN 201910130169A CN 109902373 B CN109902373 B CN 109902373B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- fault
- substation
- operation data
- data
- 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
Images
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
本发明公开了一种辖区变电站故障诊断、定位方法及系统,该方法包括:接收辖区变电站基本数据、运行数据和故障样本数据;所述运行数据包括实时运行数据和历史运行数据;根据辖区变电站基本数据、历史运行数据和故障样本数据建立故障诊断模型;根据历史运行数据建立故障诊断表,根据实时运行数据结合故障诊断表进行变电站故障诊断和定位,得到故障诊断结果和定位结果;将实时运行数据输入故障诊断模型,将其输出与故障诊断结果进行校对优化,得到最终的辖区变电站故障诊断结果。
Description
技术领域
本公开属于变电站的技术领域,涉及一种辖区变电站故障诊断、定位方法及系统。
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。
随着社会的快速发展,对智能电网的稳定和健康性要求越来越高,智能变电站遇到故障,需要第一时间响应,快速恢复电网的正常运行。目前的智能变电站中故障信息系统已经实现了保护设备的智能管理,其局限性表现为故障定值相对独立,仅依赖于继电保护管理设备、便携性差、故障定位精确度特别是地理位置定位功能相对较弱。
目前,随着我国智能电网的发展,智能变电站也进入了高速发展的阶段。智能变电站应具有智能告警和故障信息综合分析决策能力,自动报告变电站异常并提出故障处理指导意见,这表明智能变电站故障诊断在智能变电站自动化运行中起着非常重要的作用,也是智能变电站研究的一个重要方向。传统变电站故障诊断多基于保护和断路器动作信息以及故障录波信息,采用数学解析、优化算法以及人工智能方法实现对变电站故障元件的定位。
然而,智能变电站相较于传统变电站结构和功能都发生了很大的变化,这些变化导致传统的变电站故障诊断方法不能很好地适用于智能变电站故障诊断中。
发明内容
针对现有技术中存在的不足,本公开的一个或多个实施例提供了一种辖区变电站故障诊断、定位方法及系统。
根据本公开的一个或多个实施例的一个方面,提供一种辖区变电站故障诊断、定位方法。
一种辖区变电站故障诊断、定位方法,该方法包括:
接收辖区变电站基本数据、运行数据和故障样本数据;所述运行数据包括实时运行数据和历史运行数据;
根据辖区变电站基本数据、历史运行数据和故障样本数据建立故障诊断模型;
根据历史运行数据建立故障诊断表,根据实时运行数据结合故障诊断表进行变电站故障诊断和定位,得到故障诊断结果和定位结果;
将实时运行数据输入故障诊断模型,将其输出与故障诊断结果进行校对优化,得到最终的辖区变电站故障诊断结果。
进一步地,在该方法中,所述辖区变电站基本数据包括智能变电站主接线拓扑、一次设备和二次装置的物理和逻辑关联信息、通信网络基本信息。
进一步地,在该方法中,所述辖区变电站运行数据包括一次设备的运行信息、断路器和隔离开关的位置、保护和控制装置的动作信息、网络流量信息;所述辖区变电站运行数据采用报文形式。
进一步地,在该方法中,所述历史运行数据还包括历史运行数据对应的故障数据。
进一步地,在该方法中,对建立的所述故障诊断表进行约简,并将约简后的所述故障诊断表获取故障区域可信度,并筛选出故障区域可信度的最大值,通过最大值确定故障定位结果,所述故障定位结果为辖区变电站发生故障的区域。
进一步地,在该方法中,根据所述故障定位结果确定故障区域的子故障诊断表,并对子故障诊断表进行约简,并将约简后的所述子故障诊断表获取故障种类可信度,并筛选出故障种类可信度的最大值,通过最大值确定故障诊断结果,所述故障诊断结果为辖区变电站故障区域的故障种类。
进一步地,在该方法中,所述故障诊断模型为基于深度学习网络的故障诊断模型。
根据本公开的一个或多个实施例的一个方面,提供一种计算机可读存储介质。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种辖区变电站故障诊断、定位方法。
根据本公开的一个或多个实施例的一个方面,提供一种终端设备。
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种辖区变电站故障诊断、定位方法。
根据本公开的一个或多个实施例的一个方面,提供一种辖区变电站故障诊断、定位系统。
一种辖区变电站故障诊断、定位系统,该系统基于所述的一种辖区变电站故障诊断、定位方法,包括:
数据采集模块,用于接收辖区变电站基本数据、运行数据和故障样本数据;所述运行数据包括实时运行数据和历史运行数据;将辖区变电站基本数据、历史运行数据和故障样本数据发送至故障诊断模型建立模块,将实时运行数据发送至故障诊断定位模块和故障诊断优化模块;
故障诊断模型建立模块,用于根据辖区变电站基本数据、历史运行数据和故障样本数据建立故障诊断模型,并发送至故障诊断优化模块;
故障诊断定位模块,用于根据历史运行数据建立故障诊断表,根据实时运行数据结合故障诊断表进行变电站故障诊断和定位,得到故障诊断结果和定位结果,并发送至故障诊断优化模块;
故障诊断优化模块,用于实时运行数据输入故障诊断模型,将其输出与故障诊断结果进行校对优化,得到最终的辖区变电站故障诊断结果。
本公开的有益效果:
本公开所述的一种辖区变电站故障诊断、定位方法及系统,在辖区变电站故障诊断和故障定位中通过变电站基本数据、实时运行数据、历史运行数据和故障样本数据等多种数据,在故障的诊断、定位有机的将故障诊断模型和故障诊断表进行结合,有效提高辖区智能变电站故障诊断、定位的准确性。
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是根据一个或多个实施例的一种辖区变电站故障诊断、定位方法流程图。
具体实施方式:
下面将结合本公开的一个或多个实施例中的附图,对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本公开的一个或多个实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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,本实施例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。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合,下面结合附图与实施例对本公开作进一步说明。
根据本公开的一个或多个实施例的一个方面,提供一种辖区变电站故障诊断、定位方法。
如图1所示,一种辖区变电站故障诊断、定位方法,该方法包括:
S101:接收辖区变电站基本数据、运行数据和故障样本数据;所述运行数据包括实时运行数据和历史运行数据;
S102:根据辖区变电站基本数据、历史运行数据和故障样本数据建立故障诊断模型;
S103:根据历史运行数据建立故障诊断表,根据实时运行数据结合故障诊断表进行变电站故障诊断和定位,得到故障诊断结果和定位结果;
S104:将实时运行数据输入故障诊断模型,将其输出与故障诊断结果进行校对优化,得到最终的辖区变电站故障诊断结果。
在本实施例的步骤S101中,所述辖区变电站基本数据包括智能变电站主接线拓扑、一次设备和二次装置的物理和逻辑关联信息、通信网络基本信息。
在本实施例的步骤S101中,所述辖区变电站运行数据包括一次设备的运行信息、断路器和隔离开关的位置、保护和控制装置的动作信息、网络流量信息;所述辖区变电站运行数据采用报文形式。
在本实施例的步骤S101中,所述历史运行数据还包括历史运行数据对应的故障数据。
在本实施例的步骤S102中,所述故障诊断模型为基于深度学习网络的故障诊断模型。
在本实施例中,基于深度学习网络的故障诊断模型为受限玻尔兹曼机模型,受限玻尔兹曼机模型由可视层v和隐层h组成,可视层v包含m个可视层单元v1~vm,隐层h包含n个隐层单元h1~hn,可视层v的偏置向量a{a1~an},隐层单元的偏置向量b{b1~bm},可视层v和隐层h同层单元节点间均没有连接,可视层单元和隐层单元之间的边的权重W,且针对受限玻尔兹曼机模型采用对比散度法进行训练。
本实施例的受限玻尔兹曼机模型由可视层v(v1~vm)和隐层h(h1~hn)组成,可视层v1~vm间没有连接,隐层h1~hn间没有连接,可视层单元的偏置向量a(a1~an),隐层单元的偏置向量b(b1~bm),可视层vm、隐层hn之间的边的权重wnm。对于受限玻尔兹曼机模型而言,当输入v时,根据p(h|v)得到隐层h;得到隐层h之后,通过p(v|h)又能够得到可视层。通常,受限玻尔兹曼机模型的参数可表示为θ={W,a,b},其中W为可见单元和隐藏单元之间的边的权重,a和b分别为可见单元和隐藏单元的偏置向量。从可视层v和隐藏层h的联合配置的能量可以得到v和h的联合概率。通过训练受限玻尔兹曼机模型参数,可使受限玻尔兹曼机模型获得最优性能。
为了改善深度学习网络识别效果,首先对本实施例基于深度学习网络的故障诊断模型(受限玻尔兹曼机模型)进行训练。本文随机选取训练样本300个和测试样本100个。将随机选取的训练样本带入受限玻尔兹曼机模型进行训练,最大训练次数为5000次,训练目标误差为10-5。经过612次训练后,受限玻尔兹曼机模型的均方误差收敛至预期误差要求。取测试样本对训练好的受限玻尔兹曼机模型进行验证,得到故障诊断模型。
本实施例利用深度学习网络特征学习能力强,故障检测准确度高,抗噪性能好等优点,在该模型的基础上设计IEC61850标准下的智能变电站故障诊断方法,将采集的智能变电站信息作为深度学习网络输入,从而方便快捷地完成故障诊断,具有学习能力强、故障检测准确度高、抗噪性能好、检测速度快的优点。基于深度学习网络构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性,易获得全局最优解,适用于非线性问题求解,用于模式识别和分类有很大的优越性。
S103:根据历史运行数据建立故障诊断表,根据实时运行数据结合故障诊断表进行变电站故障诊断和定位,得到故障诊断结果和定位结果;
其中,数字化变电站故障诊断的输入信息来自两个方面:一是来源于GOOSE报文,包括:断路器、保护信号;二是来源于采样值报文,包括:电压、电流的测量信息。在变电站实际运行中,发生电力系统短路故障的同时,也可能伴随着发生诸如保护装置拒动、断路器拒动等装置故障。为了同时诊断出故障区域和故障装置,将故障装置的类别也作为决策对象。因此,这里的决策表条件属性包括:断路器、保护信号、电压和电流;决策属性包括:故障区域和故障装置。这样决策表能使故障事例进一步细化,从而提高了变电站故障诊断系统对复合故障的辨识能力。
电力系统短路时的母线电压和线路电流大小与系统电压、短路故障类型、短路故障位置,以及短路过渡阻抗有关,故电压和电流条件属性的取值是一个模糊的区间数。离散化之后形成原始决策表,进行约简算法。
在本实施例的步骤S103中,对建立的所述故障诊断表进行约简,并将约简后的所述故障诊断表获取故障区域可信度,并筛选出故障区域可信度的最大值,通过最大值确定故障定位结果,所述故障定位结果为辖区变电站发生故障的区域。
其中,寻找约简的方法分两步:①通过从决策表条件属性中逐个删减元素的方式求得条件属性的核;②通过把非核条件属性逐个加入核的方式得到约简。
在从核扩展到约简的过程中,采用Apriori算法的思想,从含n个元素的非核条件属性集合推出含n+1个元素的非核条件属性集合。
将故障告警信息直接与原始决策表中的事例进行比较,可能因为信息传输错误得不到完全匹配的事例,或者因为装置故障得到多个完全匹配的事例。将相同故障区域属性值事例中最大的事例可信度作为该故障区域的可信度。为了综合各种约简表对故障区域和故障装置做出的初步判断,采用信息融合技术获取总的故障区域可信度和故障装置可信度,应特别注意:计算故障区域可信度用原始决策表的约简(不考虑故障装置决策属性)。
在本实施例的步骤S103中,根据所述故障定位结果确定故障区域的子故障诊断表,并对子故障诊断表进行约简,并将约简后的所述子故障诊断表获取故障种类可信度,并筛选出故障种类可信度的最大值,通过最大值确定故障诊断结果,所述故障诊断结果为辖区变电站故障区域的故障种类。具体简约方法啊同上。
在变电站发生故障时快速准确地定位各个故障区域以及判断何种装置故障,并且对传输错误有很好的应对能力。本发明将装置故障也作为决策对象,形成比较详细的变电站故障诊断原始决策表,能够提高变电站故障诊断系统的辨识能力。将电压、电流作为条件属性不仅使约简的数量大幅度增加,而且有效地避免核属性的出现,有利于提高故障诊断的正确率。
在本实施例中的校正优化还包括了对智能变电站网络设备故障特征进行准确提取,采用无线传感器对智能变电站网络设备的异常信息进行原始采集,对采集的数据进行信息融合和滤波处理,提取反映智能变电站网络设备的谱特征量,结合高阶累积量特征匹配方法进行故障特征压缩和信息配对,实现对变电站网络设备故障的快速定位识别,完成故障诊断,并基于此校正原故障诊断结果和故障定位结果。
根据本公开的一个或多个实施例的一个方面,提供一种计算机可读存储介质。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种辖区变电站故障诊断、定位方法。
根据本公开的一个或多个实施例的一个方面,提供一种终端设备。
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种辖区变电站故障诊断、定位方法。
这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。
在本实施例中,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开内容的各个方面。
根据本公开的一个或多个实施例的一个方面,提供一种辖区变电站故障诊断、定位系统。
一种辖区变电站故障诊断、定位系统,该系统基于所述的一种辖区变电站故障诊断、定位方法,包括:
数据采集模块,用于接收辖区变电站基本数据、运行数据和故障样本数据;所述运行数据包括实时运行数据和历史运行数据;将辖区变电站基本数据、历史运行数据和故障样本数据发送至故障诊断模型建立模块,将实时运行数据发送至故障诊断定位模块和故障诊断优化模块;
故障诊断模型建立模块,用于根据辖区变电站基本数据、历史运行数据和故障样本数据建立故障诊断模型,并发送至故障诊断优化模块;
故障诊断定位模块,用于根据历史运行数据建立故障诊断表,根据实时运行数据结合故障诊断表进行变电站故障诊断和定位,得到故障诊断结果和定位结果,并发送至故障诊断优化模块;
故障诊断优化模块,用于实时运行数据输入故障诊断模型,将其输出与故障诊断结果进行校对优化,得到最终的辖区变电站故障诊断结果。
应当注意,尽管在上文的详细描述中提及了设备的若干模块或子模块,但是这种划分仅仅是示例性而非强制性的。实际上,根据本公开的实施例,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
本公开的有益效果:
本公开所述的一种辖区变电站故障诊断、定位方法及系统,在辖区变电站故障诊断和故障定位中通过变电站基本数据、实时运行数据、历史运行数据和故障样本数据等多种数据,在故障的诊断、定位有机的将故障诊断模型和故障诊断表进行结合,有效提高辖区智能变电站故障诊断、定位的准确性。
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。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种辖区变电站故障诊断、定位方法,其特征在于,该方法包括:
接收辖区变电站基本数据、运行数据和故障样本数据;所述运行数据包括实时运行数据和历史运行数据;所述历史运行数据还包括历史运行数据对应的故障数据;
根据辖区变电站基本数据、历史运行数据和故障样本数据建立故障诊断模型;
根据历史运行数据建立故障诊断表,根据实时运行数据结合故障诊断表进行变电站故障诊断和定位,得到故障诊断结果和定位结果;对建立的所述故障诊断表进行约简,并将约简后的所述故障诊断表获取故障区域可信度,并筛选出故障区域可信度的最大值,通过最大值确定故障定位结果,所述故障定位结果为辖区变电站发生故障的区域;根据所述故障定位结果确定故障区域的子故障诊断表,并对子故障诊断表进行约简,并将约简后的所述子故障诊断表获取故障种类可信度,并筛选出故障种类可信度的最大值,通过最大值确定故障诊断结果,所述故障诊断结果为辖区变电站故障区域的故障种类;
将实时运行数据输入故障诊断模型,将其输出与故障诊断结果进行校对优化,得到最终的辖区变电站故障诊断结果;
诊断过程中的校正优化还包括对智能变电站网络设备故障特征进行准确提取,采用无线传感器对智能变电站网络设备的异常信息进行原始采集,对采集的数据进行信息融合和滤波处理,提取反映智能变电站网络设备的谱特征量,结合高阶累积量特征匹配方法进行故障特征压缩和信息配对,实现对变电站网络设备故障的快速定位识别,完成故障诊断,并基于此校正原故障诊断结果和故障定位结果。
2.如权利要求1所述的一种辖区变电站故障诊断、定位方法,其特征在于,
在该方法中,所述辖区变电站基本数据包括智能变电站主接线拓扑、一次设备和二次装置的物理和逻辑关联信息、通信网络基本信息。
3.如权利要求1所述的一种辖区变电站故障诊断、定位方法,其特征在于,
在该方法中,所述辖区变电站运行数据包括一次设备的运行信息、断路器和隔离开关的位置、保护和控制装置的动作信息、网络流量信息;所述辖区变电站运行数据采用报文形式。
4.如权利要求1所述的一种辖区变电站故障诊断、定位方法,其特征在于,
在该方法中,所述故障诊断模型为基于深度学习网络的故障诊断模型。
5.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1-4任一项所述的一种辖区变电站故障诊断、定位方法。
6.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1-4任一项所述的一种辖区变电站故障诊断、定位方法。
7.一种辖区变电站故障诊断、定位系统,该系统基于如权利要求1-4任一项所述的一种辖区变电站故障诊断、定位方法,包括:
数据采集模块,用于接收辖区变电站基本数据、运行数据和故障样本数据;所述运行数据包括实时运行数据和历史运行数据;将辖区变电站基本数据、历史运行数据和故障样本数据发送至故障诊断模型建立模块,将实时运行数据发送至故障诊断定位模块和故障诊断优化模块;
故障诊断模型建立模块,用于根据辖区变电站基本数据、历史运行数据和故障样本数据建立故障诊断模型,并发送至故障诊断优化模块;
故障诊断定位模块,用于根据历史运行数据建立故障诊断表,根据实时运行数据结合故障诊断表进行变电站故障诊断和定位,得到故障诊断结果和定位结果,并发送至故障诊断优化模块;
故障诊断优化模块,用于实时运行数据输入故障诊断模型,将其输出与故障诊断结果进行校对优化,得到最终的辖区变电站故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130169.1A CN109902373B (zh) | 2019-02-21 | 2019-02-21 | 一种辖区变电站故障诊断、定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130169.1A CN109902373B (zh) | 2019-02-21 | 2019-02-21 | 一种辖区变电站故障诊断、定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902373A CN109902373A (zh) | 2019-06-18 |
CN109902373B true CN109902373B (zh) | 2023-06-23 |
Family
ID=66945220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910130169.1A Active CN109902373B (zh) | 2019-02-21 | 2019-02-21 | 一种辖区变电站故障诊断、定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902373B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703743A (zh) * | 2019-11-12 | 2020-01-17 | 深圳市亲邻科技有限公司 | 设备故障预测与检测系统和方法 |
CN111461498B (zh) * | 2020-03-12 | 2022-02-01 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种超高压变电站交流设备跳闸故障定位、辨识方法及系统 |
CN111709447A (zh) * | 2020-05-14 | 2020-09-25 | 中国电力科学研究院有限公司 | 电网异常检测方法、装置、计算机设备和存储介质 |
CN111929520B (zh) * | 2020-08-17 | 2023-03-14 | 呼和浩特市奥祥电力自动化有限公司 | 电力系统故障录波触发方法及装置 |
CN113471864A (zh) * | 2021-06-11 | 2021-10-01 | 国网山东省电力公司金乡县供电公司 | 一种变电站二次设备现场检修装置及方法 |
CN117034174B (zh) * | 2023-09-26 | 2023-12-29 | 国网安徽省电力有限公司经济技术研究院 | 变电站设备异常检测方法及其系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1016869A2 (en) * | 1998-12-28 | 2000-07-05 | Nippon Kouatsu Electric Co., Ltd | Fault point location system |
EP1269138A1 (en) * | 2000-02-28 | 2003-01-02 | Metso Paper Automation OY | Monitoring system and its use |
WO2008148075A1 (en) * | 2007-05-24 | 2008-12-04 | Alexander George Parlos | Machine condition assessment through power distribution networks |
CN102279327A (zh) * | 2011-05-06 | 2011-12-14 | 重庆大学 | 光伏并网发电在线监测与状态评估系统 |
CN102735968A (zh) * | 2012-06-13 | 2012-10-17 | 江苏省电力公司南京供电公司 | 基于振动信号频谱分析的gis故障诊断系统及方法 |
CN103457791A (zh) * | 2013-08-19 | 2013-12-18 | 国家电网公司 | 一种智能变电站网络采样和控制链路的自诊断方法 |
CN104360240A (zh) * | 2014-08-07 | 2015-02-18 | 国家电网公司 | 变电站缺陷设备快速检测装置及检测方法 |
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 |
CN108491580A (zh) * | 2018-02-26 | 2018-09-04 | 上海理工大学 | 一种设备故障诊断装置及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100843130B1 (ko) * | 2007-01-30 | 2008-07-03 | 명지대학교 산학협력단 | Iec61850 기반의 변전소 자동화 시스템에서 온라인ied 고장 진단 장치 및 방법 |
CN101251564B (zh) * | 2008-04-08 | 2010-06-09 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN102637019B (zh) * | 2011-02-10 | 2014-04-02 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN102142716B (zh) * | 2011-02-17 | 2013-01-30 | 国电南瑞科技股份有限公司 | 一种基于三态数据多维协同处理的电网在线故障诊断方法 |
CN102928738B (zh) * | 2012-10-31 | 2014-12-10 | 辽宁省电力有限公司沈阳供电公司 | 一种智能电网故障的动态层次诊断装置及方法 |
CN103001328B (zh) * | 2012-11-19 | 2014-06-18 | 山东大学 | 一种智能变电站的故障诊断与评估方法 |
CN104281899A (zh) * | 2013-07-03 | 2015-01-14 | 云南电力调度控制中心 | 一种新的基于信息融合的故障诊断方法 |
CN103810340B (zh) * | 2014-02-18 | 2017-01-04 | 国家电网公司 | 基于站内主接线图映射的故障矢量分析及故障诊断方法 |
CN104659917B (zh) * | 2015-02-04 | 2017-02-22 | 天津大学 | 一种基于多约简和可信度的故障诊断方法 |
CN107037278A (zh) * | 2016-11-04 | 2017-08-11 | 国家电网公司 | 一种iec61850标准下的智能变电站故障诊断方法 |
-
2019
- 2019-02-21 CN CN201910130169.1A patent/CN109902373B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1016869A2 (en) * | 1998-12-28 | 2000-07-05 | Nippon Kouatsu Electric Co., Ltd | Fault point location system |
EP1269138A1 (en) * | 2000-02-28 | 2003-01-02 | Metso Paper Automation OY | Monitoring system and its use |
WO2008148075A1 (en) * | 2007-05-24 | 2008-12-04 | Alexander George Parlos | Machine condition assessment through power distribution networks |
CN102279327A (zh) * | 2011-05-06 | 2011-12-14 | 重庆大学 | 光伏并网发电在线监测与状态评估系统 |
CN102735968A (zh) * | 2012-06-13 | 2012-10-17 | 江苏省电力公司南京供电公司 | 基于振动信号频谱分析的gis故障诊断系统及方法 |
CN103457791A (zh) * | 2013-08-19 | 2013-12-18 | 国家电网公司 | 一种智能变电站网络采样和控制链路的自诊断方法 |
CN104360240A (zh) * | 2014-08-07 | 2015-02-18 | 国家电网公司 | 变电站缺陷设备快速检测装置及检测方法 |
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 |
CN108491580A (zh) * | 2018-02-26 | 2018-09-04 | 上海理工大学 | 一种设备故障诊断装置及系统 |
Non-Patent Citations (4)
Title |
---|
Application of Dual Spectrum Analysis to Mechanical Vibration Signal Process of High Voltage Circuit Breakers Based on WP-AR Model;Dong Yue;《High Voltage Apparatus》;第45卷(第4期);第137-141页 * |
Fault Diagnosis of Substation Considering Uncertainties by Using the Multi-Source Information of the Primary and Secondary System;Chang, Xiaoqing;《2017 IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION》;第120-125页 * |
变压器绕组局部变形故障判断分析;赵祥龙;《山东电力技术》;第44卷(第7期);第68-72页 * |
智能变电站网络设备故障的快速准确定位技术;姜学朴;《电测与仪表》;第56卷(第8期);第94-98页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109902373A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902373B (zh) | 一种辖区变电站故障诊断、定位方法及系统 | |
CN110988596B (zh) | 一种新型主动配电网故障区段定位方法 | |
CN109241169A (zh) | 配电网运行信息多源异构数据融合数据库集成方法 | |
CN112415331B (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
CN114565779B (zh) | 一种低压台区户变拓扑辨识方法及系统 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
CN103698657A (zh) | 基于信息补全和校正的配电网故障定位容错方法 | |
Kezunovic | Translational knowledge: From collecting data to making decisions in a smart grid | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN114138982A (zh) | 一种用于干式变压器故障诊断的知识图谱的构建方法 | |
CN112688310A (zh) | 一种应用于配电网的线损分析方法及装置 | |
CN117117780A (zh) | 基于变电站一二次信息融合的断路器防拒动方法及系统 | |
CN109932617B (zh) | 一种基于深度学习的自适应电网故障诊断方法 | |
CN116595713A (zh) | 基于标准虚回路模型的scd过程层虚回路配置方法及系统 | |
CN115456109B (zh) | 电网故障元件辨识方法、系统、计算机设备及存储介质 | |
CN111444472B (zh) | 一种考虑综合信息的变电站设备故障辨识方法及其系统 | |
CN115729728A (zh) | 一种识别根因故障节点的方法以及装置 | |
CN104659917A (zh) | 一种基于多约简和可信度的故障诊断方法 | |
Yan et al. | Application of random matrix model in multiple abnormal sources detection and location based on PMU monitoring data in distribution network | |
Fayyad et al. | IoT based Fourth Generation SCADA System for High Voltage Networks Fault Diagnosis based on BSDT-ANN | |
Ding et al. | Research on power grid fault diagnosis method based on PMU data and convolutional neural network | |
CN113591937B (zh) | 一种基于局部距离编码的电力系统关键节点识别方法 | |
Ren et al. | Automatic recognition algorithm of information architecture reliability based on energy internet network topology | |
CN116298844B (zh) | 基于半动态布置的变电站高压断路器状态监测系统及方法 | |
Gao et al. | New pilot protection method based on the current fault component waveform similarity |
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 |