CN110674189A - 一种智能变电站二次状态监测与故障定位的方法 - Google Patents
一种智能变电站二次状态监测与故障定位的方法 Download PDFInfo
- Publication number
- CN110674189A CN110674189A CN201910924956.3A CN201910924956A CN110674189A CN 110674189 A CN110674189 A CN 110674189A CN 201910924956 A CN201910924956 A CN 201910924956A CN 110674189 A CN110674189 A CN 110674189A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- information
- alarm information
- intelligent substation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
- Y04S10/16—Electric power substations
Abstract
本发明公开了一种智能变电站二次状态监测与故障定位的方法,包括:基于获取的监测数据对二次设备状态进行监测;基于获取的监测数据,建立告警信息数据库;将故障告警信息分为通信链路故障告警信息和其他故障告警信息;当故障告警信息为通信链路故障告警信息时,基于图论的光纤链路故障定位实现智能变电站通信链路的故障定位;当故障告警信息为可直接判断故障电的故障告警信息时,则直接判断是否故障以及故障点信息;当故障告警信息为有复合因素导致的故障告警信息时,基于RNN循环神经网络对故障告警信息进行故障分析和定位,本方法可以实现对二次状态监测与控制的智能变电站二次状态海量监测数据分析处理。
Description
技术领域
本发明涉及智能变电站二次状态数据分析技术领域,具体地,涉及一种智能变电站二次状态监测与故障定位的方法。
背景技术
传统的智能变电站二次系统中保护装置所需要的模拟量信息和设备运行状态信息之间的传递是需要依靠大量的电缆进行,动作逻辑需要在多个装置之间传递启动和闭锁信号,各保护装置之间存在较多硬开入连线,导致二次回路接线比较复杂,容易出错、可靠性不高。智能变电站中,网络通信取代了传统的二次回路,物理信号被数字信号所取代,实现二次设备的网络化。网络报文分析装置作为智能变电站网络通信状态监测的重要设备,实现报文的存储及分析、网络流量实时监视以及告警功能。然而目前二次回路的状态监测主要依靠专业技术人员根据网络报文记录分析装置中的通信报文辅助分析异常原因,但记录的信息量大且复杂,缺乏直观有效的手段对网络信息中的故障特征进行定量和定性分析,导致一些重要的信息被淹没,无法形成完整的二次回路预警和分析策略,进而运维人员难以对全站的二次状态进行实时监测故障定位。
发明内容
针对上述问题,本发明目的在于提供一种利用智能变电站二次状态海量监测数据作为数据初始来源,在此基础上进行信息提取后进行优化训练,可以实现对二次状态监测与控制的智能变电站二次状态海量监测数据分析处理。
为实现上述发明目的,本申请提供了一种智能变电站二次状态监测与故障定位的方法,所述方法包括:
获取智能变电站二次状态监测数据,从获取的数据中提取出与二次设备状态相关的GOOSE状态控制块配置信息和MMS状态报告控制块配置信息,基于提取的信息,对二次设备状态进行监测;
基于获取的智能变电站二次状态监测数据,建立告警信息数据库;
对告警信息数据库中的故障告警信息及相关数据进行预处理,并将告警信息数据库中的故障告警信息分为通信链路故障告警信息和其他故障告警信息;对其他故障告警信息进行分类,分为:可直接判断故障电的故障告警信息和有复合因素导致的故障告警信息;
当故障告警信息为通信链路故障告警信息时,基于图论的光纤链路故障定位实现智能变电站通信链路的故障定位;
实现基于图论的光纤链路故障定位的方法包括:
单间隔中由网络报文分析仪所连接的交换机,以及次相连的合并单元、保护装置、智能终端等之间的信息交互通过数字信号进行实现。
解析报文的SCD文件中IEDname,得到此间隔内所有的IED设备并进行编号得到数集X:
X={x1,x2…xn}
其中,xn为IED设备编号;
通过对所有IED设备的所有订阅关系进行集结组合,建立起一个关于IED订阅关系的数据集Q:
通过有无订阅关系的0/1值得到该装置xn的订阅关系数据集合Qn为:
Qn=[q(xn,x1) q(xn,x2) … q(xn,xn)]
其中,q(x1,xn)为编号为x1的装置与编号为xn的装置之间的订阅关系;q为对应编号设备之间的订阅关系;
在智能变电站二次状态监测中出现光纤链路异常的情况时,各装置告警信息数据集合P:
P=[p1 p2 … pn]T
其中,pn为异常情况下光纤链路中第n个装置告警信息数据;T为数据矩阵的转置;
P数据集组成包括:若装置xn有告警信息,则其对应的pn得值为1,反之若无告警信息,则其值为0。
则IED设备xn出现故障的可能性Fn为:
Fn=Qn·P
通过对数据集合Pn进行由大到小的排序,实现通信链路的故诊断及定位。
上述可直接判断故障电的故障告警信息处理方法为:
当故障告警信息为可直接判断故障电的故障告警信息时,则直接判断是否故障以及故障点信息;
当故障告警信息为有复合因素导致的故障告警信息时,基于RNN循环神经网络对故障告警信息进行故障分析和定位。
其中,本方法将智能变电站二次状态监测数据经过ETL(抽取、转化、清洗、装载),加载到数据仓库中。ETL将分散在各个业务系统的数据,进行一系列的操作,使得这些基础数据成为智能变电站监测系统高质量有价值的数据,也就是对应的告警信息。建立数据库之后进行相应的优化操作,进行基于RNN循环神经网络二次系统告警信息的预判以及故障分析与定位。
其中,本发明提供了一种基于深度学习的智能变电站二次状态监测及故障定位的方法,包括对智能变电站二次状态监测中监测数据的提取,以及对应告警信息的预处理和基于RNN循环神经网络算法故障定位。同时设计了在RNN循环神经网络优化算法下,导入SCD文件,由IED文件名对应故障溯源,最后完成整个智能变电站二次状态监测告警信息的故障诊断与定位。
针对智能变电站海量二次状态监测数据,本发明提出了在HADOOP软件平台上进行大数据的预处理以及基于python语言的RNN优化算法处理,大量减少的人力输出,优化智能变电站二次状态监测与故障定位性能。本发明实现了对智能变电站二次状态海量监测数据的分析,为状态检修与故障定位提供了有力的数据支持,为运维提供了足够的溯源信息,可作为运维检修数据平台。
优选的,将智能变电站二次状态监测数据经过ETL处理加载到告警信息数据库中。
优选的,ETL处理包括:
数据抽取是从多个不同状态监测系统抽取出历史数据和持续更新的监测数据,根据主题的不同将抽取出的数据进行组织。
数据转化主要是解决设备的状态监测数据的不一致问题,需要通过合并或聚合数据以及转化数据类型或格式来保证监测数据类型和数据格式的单一性。
清洗主要是去掉一部分脏数据,同时将下一步会使用到的数据属性抽取出来,过滤掉暂时不适用的部分字段,因而避免了浪费存储空间,也减小了以后扫描的开销。
数据装载的主要目的是把去除脏数据的数据集根据自定义数据模型的表类型载入要求的数据仓库表中,同时拥有数据恢复、错误报告以及数据备份等强大的功能。
优选的,所述方法包括:将分散在各个业务系统的基础数据进行预设操作生成对应的告警信息,具体包括:
数据采集层主要通过CAC(状态接入控制器)、传感器等采集变电设备数据,以Web服务的方式传送给CAG(状态接入网关机)。
使用Sqoop这一开源工具,对所需的数据进行ETL(抽取、转化装载),再次经过数据的关联和聚合后采用统一结构来存储数据。而完成查询、计算、统计分析任务后,Sqoop也可以将分析出的结果导出到外部的关系型数据库MySQL中,供用户查看。
将具有统一规范的状态监测大数据存储在分布式文件系统HDFS中,MySQL主要用于存储变电设备状态监测的各个模型信息和管理Hive的元数据,Hive创建的表、字段和间隔符都会存储在MySQL中。
在执行数据操作的同时,需要启动MySQL引擎来验证元数据是否存在。
数据分析层设计了三种不同的数据分析方案,选择任意一种方案均可完成对变电设备状态监测数据的分布式OLAP分析。
优选的,可直接判断故障电的故障告警信息包括:CT、PT检修不一致信息;零序电流保护、停用重合闸软压板信息;保护装置SV、GOOSE链路中断信息。
优选的,有复合因素导致的故障告警信息包括:合并单元GOOSE总告警信息,合并单元GOOSE数据异常信息;保护装置同期电压电流异常信息;智能终端运行异常信息。
优选的,当故障告警信息为通信链路故障告警信息时,对基于图论的光纤链路监测及故障定位系统进行训练优化,基于训练优化后的光纤链路监测及故障定位系统和以SCD文件解析的IEDname编号进行故障设备溯源。
优选的,当故障告警信息为有复合因素导致的故障告警信息时,将故障告警信息作为输入量进行基于python语言加入RNN循环神经网络进行训练和优化;
基于python语言加入RNN循环神经网络进行训练和优化包括:
主要分为模型建立、训练模块、故障预测定位模块。
其中模型建立包括:数据归一化处理,提高训练速度;训练模块中我们将确定的数据长度L_len与故障种类batch,预测模块中对最终所获得的循环神经网络的权值进行验证,即对整个单间隔故障定位模型进行验证。分别设置三十二组测试集数据进行验证,分别是25组交叉验证集、3组新的故障数据集,了4组告警信息不完备的故障数据集,其中3组仅考虑单个告警信息缺省的情况,剩余1组为多个告警信息缺省的情况。
将待处理的故障告警信息输入训练和优化后的RNN循环神经网络,训练和优化后的RNN循环神经网络输出五位0与1组合的数组对应相关逻辑表进行故障查询,基于查询结果实现智能变电站二次状态监测与故障定位。
优选的,获取智能变电站二次状态监测数据,解析SCD文件,从SCD文件中提取出与二次设备状态相关的GOOSE状态控制块配置信息和MMS状态报告控制块配置信息;
对与上述配置信息匹配的GOOSE报文和MMS报文进行解析并过滤,得到原始元素类型为BOOLEAN或BITSTRING的状态数据,所述状态数据包括GOOSE虚端子配置信息和MMS报告控制块单点、双点配置信息;存储上述状态数据;
提取GOOSE虚端子配置信息和MMS报告控制块单点、双点配置信息,对二次设备状态进行监测。
优选的,将有复合因素导致的故障告警信息进行相应的数据训练,经过归一化操作后得到标准化后的输入量;
针对标准化后的有复合因素导致的故障告警信息作为RNN循环神经网络的输入,故障点作为输出进行数据学习训练,保存训练完成之后的RNN循环神经网络各层参数。
其中,本方法在建立之前所述的数据库的基础之上,完善智能变电站二次系统告警信息与故障定位逻辑推理机,加入模板进行优化输入。根据现场实际运维经验将告警信息分为两大类。第一类别为可以直接根据告警信息进行故障点定位,第二类是生产设备在各种故障综合作用下,无法直接溯源的告警信息。这一数据信息分析基于长期的实际运维经验,或者依靠智能设备的自检信息得到一些故障告警我们是直接可以定位进行优化,比如CT、PT检修不一致;零序电流保护、停用重合闸软压板;保护装置SV、GOOSE链路中断等。在智能变电站运维系统中由于一些复合故障因素导致,无法直接进行故障定位与溯源,需要后续的经过一些辅助分析才能判断故障位置的告警信息我们归于第二大类。主要表现在合并单元,保护装置及智能终端之间的传输过程或者接收过程,例如合并单元GOOSE总告警,合并单元GOOSE数据异常;保护装置同期电压电流异常;智能终端运行异常等。
对于第二类告警信息预处理方案包括:将第二大类告警信息中智能变电站通信链路故障告警单独提出基于图论的光纤链路监测及故障定位系统训练优化,以SCD文件解析的IEDname编号进行故障设备溯源。
对于上述的第二大类告警信息(除开通信链路故障告警)建立在数据库中,作为输入量进行基于python语言加入RNN循环神经网络算法进行优化,以最后输出五位0与1组合的数组对应相关逻辑表进行故障查询,最后实现整个智能变电站二次系统的在线监测与故障定位。
本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明基于告警信息以及监测状态数据(故障数据)进行故障定位的分析方法可以提高智能变电站二次状态系统监测系统的控制效率,很大程度上减少智能电网的人力输入,也从根本上解决了人为误判事故的问题。介于信息数据的预判情况下,提高了实际训练速度有了更强的实用性,RNN循环神经网络的引入使得推理准确率达到一定预期值。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1是本申请中智能变电站二次状态监测与故障定位的方法的流程示意图;
图2典型的220KV的智能变电站220KV线路间隔的网络结构图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1-图2,本申请提供了一种基于深度学习的智能变电站二次状态监测与故障定位的方法,包括:
获取智能变电站二次状态监测数据,解析SCD文件,从中提取出与二次设备状态相关的GOOSE状态控制块配置信息和MMS状态报告控制块配置信息;
对与上述配置信息匹配的GOOSE报文和MMS报文进行解析并过滤,得到原始元素类型为BOOLEAN或BITSTRING的状态数据,所述状态数据包括GOOSE虚端子配置信息和MMS报告控制块单点、双点配置信息;
存储上述状态数据。
提取GOOSE虚端子配置信息和MMS报告控制块单点、双点配置信息,实现了对二次设备状态的完善监测,为状态检修提供了有利的数据支持,为运维提供了足够溯源信息。
对建立数据库中大量故障告警信息及相关数据进行预处理分类。
为了简化输入量,将智能变电站中通信链路故障诊断进行划分独立,基于图论的方法进行实现故障定位。除此之外的输入量再形成单独的数据库进行相应的算法和逻辑训练。
对上述所描述的单独数据库信息进行预处理分两类,包括:
第一类中可直接由告警信息进行故障定位的监测信息从原数据库中进行提取,直接输出故障点供相关工作人员参考。
第一类分类信息的预处理方法为:根据大量运维经验以及技术规范组成的逻辑模块进行对比处理,判断是否发生故障以及相应的故障点。
对于有些复杂情况下的告警信息,在各因素综合作用下不能直接溯源的告警信息我们放置第二类信息库中,以此达到简化RNN循环神经网络输入量和减少数据处理平台的负荷,提高数据的训练速度。
整理有关通信链路故障告警成单独的数据库,进行基于图论的光纤链路故障定位系统优化,实现智能变电站通信链路的故障定位。
将剩余第二类信息数据进行相应的数据训练,经过归一化等操作后得到标准化后的输入量。
针对标准化后的第二类信息数据作为RNN循环神经网络的输入,故障点作为输出进行数据学习训练,保存训练完成之后的各层参数。
对于复杂的告警信息进行综合情况分析后给出相应的推理结果,算法的输出结果在于五位数的0与1的数字结合(如表1所示,表1为故障模式逻辑数字标识),根据智能变电站二次系统逻辑找到具体的故障点,完成整个系统的基于告警信息的故障定位。
表1
与现有技术相比,本发明的优势在于:本发明基于告警信息以及监测状态数据(故障数据)进行故障定位的分析方法可以提高智能变电站二次状态系统监测系统的控制效率,很大程度上减少智能电网的人力输入,也从根本上解决了人为误判事故的问题。介于信息数据的预判情况下,提高了实际训练速度有了更强的实用性,RNN循环神经网络的引入使得推理准确率达到一定预期值。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种智能变电站二次状态监测与故障定位的方法,其特征在于,所述方法包括:
获取智能变电站二次状态监测数据,从获取的数据中提取出与二次设备状态相关的GOOSE状态控制块配置信息和MMS状态报告控制块配置信息,基于提取的信息,对二次设备状态进行监测;
基于获取的智能变电站二次状态监测数据,建立告警信息数据库;
对告警信息数据库中的故障告警信息及相关数据进行预处理,并将告警信息数据库中的故障告警信息分为通信链路故障告警信息和其他故障告警信息;对其他故障告警信息进行分类,分为:可直接判断故障电的故障告警信息和有复合因素导致的故障告警信息;
当故障告警信息为通信链路故障告警信息时,基于图论的光纤链路故障定位实现智能变电站通信链路的故障定位;
当故障告警信息为可直接判断故障电的故障告警信息时,则直接判断是否故障以及故障点信息;
当故障告警信息为有复合因素导致的故障告警信息时,基于RNN循环神经网络对故障告警信息进行故障分析和定位。
2.根据权利要求1所述的智能变电站二次状态监测与故障定位的方法,其特征在于,将智能变电站二次状态监测数据经过ETL处理加载到告警信息数据库中。
3.根据权利要求2所述的智能变电站二次状态监测与故障定位的方法,其特征在于,ETL处理包括:
数据抽取处理:从多个不同状态监测系统抽取出历史数据和持续更新的监测数据,根据主题的不同将抽取出的数据进行组织;
数据转化处理:通过合并或聚合数据以及转化数据类型或格式,保证监测数据类型和数据格式的单一性;
清洗处理:去掉一部分脏数据,同时将下一步会使用到的数据属性抽取出来,过滤掉暂时不适用的部分字段;
数据装载:把去除脏数据的数据集根据自定义数据模型的表类型载入要求的数据仓库表中,同时拥有数据恢复、错误报告以及数据备份功能。
4.根据权利要求1所述的智能变电站二次状态监测与故障定位的方法,其特征在于,所述方法包括:将分散在各个业务系统的基础数据进行预设操作生成对应的告警信息,具体包括:
采集变电设备数据并传送给CAG;
使用Sqoop对采集的数据进行ETL处理,经过数据的关联和聚合后采用统一结构来存储数据;完成查询、计算、统计分析任务后,Sqoop能够将分析出的结果导出到外部的关系型数据库MySQL中,供用户查看;
将具有统一规范的状态监测数据存储在分布式文件系统HDFS中,MySQL用于存储变电设备状态监测的各个模型信息和管理Hive的元数据,Hive创建的表、字段和间隔符存储在MySQL中;
在执行数据操作的同时,启动MySQL引擎验证元数据是否存在;
设计三种不同的数据分析方案,选择任意一种方案均能够完成对变电设备状态监测数据的分布式OLAP分析。
5.根据权利要求1所述的智能变电站二次状态监测与故障定位的方法,其特征在于,可直接判断故障电的故障告警信息包括:CT、PT检修不一致信息;零序电流保护、停用重合闸软压板信息;保护装置SV、GOOSE链路中断信息。
6.根据权利要求1所述的智能变电站二次状态监测与故障定位的方法,其特征在于,有复合因素导致的故障告警信息包括:合并单元GOOSE总告警信息,合并单元GOOSE数据异常信息;保护装置同期电压电流异常信息;智能终端运行异常信息。
7.根据权利要求1所述的智能变电站二次状态监测与故障定位的方法,其特征在于,当故障告警信息为通信链路故障告警信息时,对基于图论的光纤链路监测及故障定位系统进行训练优化,基于训练优化后的光纤链路监测及故障定位系统和以SCD文件解析的IEDname编号进行故障设备溯源。
8.根据权利要求1所述的智能变电站二次状态监测与故障定位的方法,其特征在于,当故障告警信息为有复合因素导致的故障告警信息时,将故障告警信息作为输入量进行RNN循环神经网络进行训练和优化;将待处理的故障告警信息输入训练和优化后的RNN循环神经网络,训练和优化后的RNN循环神经网络输出五位0与1组合的数组对应相关逻辑表进行故障查询,基于查询结果实现智能变电站二次状态监测与故障定位。
9.根据权利要求1所述的智能变电站二次状态监测与故障定位的方法,其特征在于,获取智能变电站二次状态监测数据,解析SCD文件,从SCD文件中提取出与二次设备状态相关的GOOSE状态控制块配置信息和MMS状态报告控制块配置信息;
对与上述配置信息匹配的GOOSE报文和MMS报文进行解析并过滤,得到原始元素类型为BOOLEAN或BITSTRING的状态数据,所述状态数据包括GOOSE虚端子配置信息和MMS报告控制块单点、双点配置信息;存储上述状态数据;
提取GOOSE虚端子配置信息和MMS报告控制块单点、双点配置信息,对二次设备状态进行监测。
10.根据权利要求1所述的智能变电站二次状态监测与故障定位的方法,其特征在于,将有复合因素导致的故障告警信息进行相应的数据训练,经过归一化操作后得到标准化后的输入量;
针对标准化后的有复合因素导致的故障告警信息作为RNN循环神经网络的输入,故障点作为输出进行数据学习训练,保存训练完成之后的RNN循环神经网络各层参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924956.3A CN110674189B (zh) | 2019-09-27 | 2019-09-27 | 一种智能变电站二次状态监测与故障定位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924956.3A CN110674189B (zh) | 2019-09-27 | 2019-09-27 | 一种智能变电站二次状态监测与故障定位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674189A true CN110674189A (zh) | 2020-01-10 |
CN110674189B CN110674189B (zh) | 2022-05-17 |
Family
ID=69079549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910924956.3A Active CN110674189B (zh) | 2019-09-27 | 2019-09-27 | 一种智能变电站二次状态监测与故障定位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674189B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882194A (zh) * | 2020-07-21 | 2020-11-03 | 国家电网有限公司 | 一种智能变电站继电保护状态监测及诊断系统 |
CN112510699A (zh) * | 2020-11-25 | 2021-03-16 | 国网湖北省电力有限公司咸宁供电公司 | 一种基于大数据的变电站二次设备状态分析方法及设备 |
CN112749509A (zh) * | 2020-12-30 | 2021-05-04 | 西华大学 | 一种基于lstm神经网络的智能变电站故障诊断方法 |
CN113283462A (zh) * | 2021-03-24 | 2021-08-20 | 国网四川省电力公司电力科学研究院 | 一种基于改进idnn模型的二次系统故障定位方法 |
CN113484693A (zh) * | 2021-07-30 | 2021-10-08 | 国网四川省电力公司电力科学研究院 | 基于图神经网络的变电站二次回路故障定位方法及系统 |
CN113591393A (zh) * | 2021-08-10 | 2021-11-02 | 国网河北省电力有限公司电力科学研究院 | 智能变电站的故障诊断方法、装置、设备和存储介质 |
CN113884809A (zh) * | 2021-09-28 | 2022-01-04 | 国网黑龙江省电力有限公司 | 一种基于神经网络的二次设备故障定位方法及系统 |
CN114089118A (zh) * | 2021-11-24 | 2022-02-25 | 重庆大学 | 基于门控循环单元网络的智能变电站故障定位方法 |
CN114200203A (zh) * | 2021-12-10 | 2022-03-18 | 国网山东省电力公司济南供电公司 | 一种变电站计量装置故障监控方法和系统 |
CN116405110A (zh) * | 2023-06-06 | 2023-07-07 | 四川天中星航空科技有限公司 | 一种多芯光缆故障定位分析设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104779702A (zh) * | 2015-04-23 | 2015-07-15 | 国网四川省电力公司电力科学研究院 | 智能变电站二次设备状态数据告警展示方法 |
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 |
CN106656588A (zh) * | 2016-12-12 | 2017-05-10 | 国网北京市电力公司 | 智能变电站的故障定位方法和装置 |
US20180091364A1 (en) * | 2016-09-29 | 2018-03-29 | Kyland Technology Co., Ltd. | Software-defined realization method based on protection and control system for intelligent substation |
CN107909508A (zh) * | 2017-09-26 | 2018-04-13 | 国网辽宁省电力有限公司 | 一种配电变压器负荷异常告警方法 |
CN108768750A (zh) * | 2018-06-22 | 2018-11-06 | 广东电网有限责任公司 | 通信网络故障定位方法及装置 |
-
2019
- 2019-09-27 CN CN201910924956.3A patent/CN110674189B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104779702A (zh) * | 2015-04-23 | 2015-07-15 | 国网四川省电力公司电力科学研究院 | 智能变电站二次设备状态数据告警展示方法 |
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 |
US20180091364A1 (en) * | 2016-09-29 | 2018-03-29 | Kyland Technology Co., Ltd. | Software-defined realization method based on protection and control system for intelligent substation |
CN106656588A (zh) * | 2016-12-12 | 2017-05-10 | 国网北京市电力公司 | 智能变电站的故障定位方法和装置 |
CN107909508A (zh) * | 2017-09-26 | 2018-04-13 | 国网辽宁省电力有限公司 | 一种配电变压器负荷异常告警方法 |
CN108768750A (zh) * | 2018-06-22 | 2018-11-06 | 广东电网有限责任公司 | 通信网络故障定位方法及装置 |
Non-Patent Citations (1)
Title |
---|
方保垒: "智能变电站二次系统检修维护新方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882194A (zh) * | 2020-07-21 | 2020-11-03 | 国家电网有限公司 | 一种智能变电站继电保护状态监测及诊断系统 |
CN112510699A (zh) * | 2020-11-25 | 2021-03-16 | 国网湖北省电力有限公司咸宁供电公司 | 一种基于大数据的变电站二次设备状态分析方法及设备 |
CN112749509A (zh) * | 2020-12-30 | 2021-05-04 | 西华大学 | 一种基于lstm神经网络的智能变电站故障诊断方法 |
CN113283462A (zh) * | 2021-03-24 | 2021-08-20 | 国网四川省电力公司电力科学研究院 | 一种基于改进idnn模型的二次系统故障定位方法 |
CN113484693A (zh) * | 2021-07-30 | 2021-10-08 | 国网四川省电力公司电力科学研究院 | 基于图神经网络的变电站二次回路故障定位方法及系统 |
CN113591393A (zh) * | 2021-08-10 | 2021-11-02 | 国网河北省电力有限公司电力科学研究院 | 智能变电站的故障诊断方法、装置、设备和存储介质 |
CN113884809A (zh) * | 2021-09-28 | 2022-01-04 | 国网黑龙江省电力有限公司 | 一种基于神经网络的二次设备故障定位方法及系统 |
CN114089118A (zh) * | 2021-11-24 | 2022-02-25 | 重庆大学 | 基于门控循环单元网络的智能变电站故障定位方法 |
CN114089118B (zh) * | 2021-11-24 | 2022-08-05 | 重庆大学 | 基于门控循环单元网络的智能变电站故障定位方法 |
CN114200203A (zh) * | 2021-12-10 | 2022-03-18 | 国网山东省电力公司济南供电公司 | 一种变电站计量装置故障监控方法和系统 |
CN114200203B (zh) * | 2021-12-10 | 2023-11-17 | 国网山东省电力公司济南供电公司 | 一种变电站计量装置故障监控方法和系统 |
CN116405110A (zh) * | 2023-06-06 | 2023-07-07 | 四川天中星航空科技有限公司 | 一种多芯光缆故障定位分析设备 |
CN116405110B (zh) * | 2023-06-06 | 2023-08-15 | 四川天中星航空科技有限公司 | 一种多芯光缆故障定位分析设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110674189B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
CN106557991B (zh) | 电压监测数据平台 | |
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN106157167B (zh) | 一种二次设备遥控操作票系统和二次设备遥控操作票的实现方法 | |
CN102130783B (zh) | 神经网络的智能化告警监控方法 | |
CN107346466A (zh) | 一种电力调度系统的控制方法及装置 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN106533754A (zh) | 用于高校教学服务器故障诊断的方法及专家系统 | |
CN111815132A (zh) | 一种电力监控系统网络安全管理信息发布方法及系统 | |
CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
CN109885021A (zh) | 一种基于实时采集数据对采集设备进行监测的方法及系统 | |
CN101833324B (zh) | 胎面挤出过程智能故障诊断系统及其诊断方法 | |
CN110688389B (zh) | 变电站二次设备缺陷云管理系统 | |
CN105967063B (zh) | 维保平台故障分析处理系统及方法 | |
CN104680612A (zh) | It设备自动巡检的方法 | |
CN109473945B (zh) | 一种继电保护模型数据校验及自动配置方法 | |
CN110687473A (zh) | 一种智能变电站继电保护测试故障定位方法及系统 | |
CN110728381A (zh) | 一种基于rfid和数据处理的发电厂智能巡检方法及系统 | |
CN112560214A (zh) | 变电站母线平衡故障诊断方法、系统、设备及存储介质 | |
CN112862242A (zh) | 用于变电站基建工程的生产全过程验收工具 | |
CN116401605A (zh) | 电力故障波形的判定系统及方法 | |
CN110298585B (zh) | 一种变电站设备监控信息分层分级自动审核方法 | |
CN111539642B (zh) | 一种基于面向对象的电厂数据采集处理系统及其方法 | |
CN107748701A (zh) | 一种电能计量自动化系统的可靠性分析方法 | |
CN111200315B (zh) | 一种变电站监控后台故障诊断系统和方法 |
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 |