CN110739771A - 一种输变电设备在线监测装置的故障识别方法 - Google Patents

一种输变电设备在线监测装置的故障识别方法 Download PDF

Info

Publication number
CN110739771A
CN110739771A CN201911012007.4A CN201911012007A CN110739771A CN 110739771 A CN110739771 A CN 110739771A CN 201911012007 A CN201911012007 A CN 201911012007A CN 110739771 A CN110739771 A CN 110739771A
Authority
CN
China
Prior art keywords
fault
value
online monitoring
monitoring device
equipment
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
Application number
CN201911012007.4A
Other languages
English (en)
Inventor
梁建权
张洪达
李国强
李琳
孙巍
冯海涛
王悦
张朋
谭龙
曲利民
刘贺千
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Heilongjiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Heilongjiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Heilongjiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911012007.4A priority Critical patent/CN110739771A/zh
Publication of CN110739771A publication Critical patent/CN110739771A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

一种输变电设备在线监测装置的故障识别方法，涉及输变电设备在线监测装置领域。本发明是为了解决目前运行的在线监测装置普遍存在容易对所监测设备发生误判的问题。本发明结合直推信度机K‑近邻算法和1/4超球体的单类支持向量机算法，对某一在线监测装置的测量值进行二级判别，从而更加精准地判别出所监测设备的故障状态。

Description

一种输变电设备在线监测装置的故障识别方法
技术领域
本发明属于输变电设备在线监测装置领域。
背景技术
输变电设备状态监测技术的应用，使得输变电设备管理部门对其所管辖设备的运行状况有了全面的了解和掌握，对提高设备的管理水平、增强电力系统运行的可靠性提供了有力保障。在线监测装置也已经在电网中得到广泛的应用。
然而，目前运行的在线监测装置普遍存在容易对所监测设备发生误判的问题，且误判率较高，这不但增加了电网运维人员的工作量，更影响到了电网的可靠运行。
发明内容
本发明是为了解决目前运行的在线监测装置普遍存在容易对所监测设备发生误判的问题，现提供一种输变电设备在线监测装置的故障识别方法。
一种输变电设备在线监测装置的故障识别方法，包括以下步骤：
步骤一：对待识别的在线监测装置当前时刻所采集的设备状态值进行加窗处理，构建监测值时间序列；
步骤二：采用直推信度机K-近邻算法对监测值序列进行一级故障识别，若存在故障则执行步骤三，否则返回步骤一；
步骤三：采用1/4超球体的单类支持向量机算法对监测值序列进行二级故障识别，若存在故障，则判定当前输变电设备在线监测装置存在故障，否则返回步骤一。
进一步的，步骤一中待识别的在线监测装置j在任意时刻t所采集的设备状态值为T(IMj,t)，对T(IMj,t)进行加窗处理之后，则在一个宽度为w的时间窗内的监测值时间序列Tj(w)为：
Tj(w)＝{T(IMj,t1),T(IMj,t2),...,T(IMj,tw)}。
进一步的，步骤二中进行一级故障识别的具体方法为：
利用正常状态下采集的设备状态值构建训练集T，
分别计算待识别的在线监测装置j在当前时刻tj所采集的设备状态值T(IMj,tj)与训练集T中每个状态值T(IM,ta)之间的距离Dja：
Dja＝|T(IMj,tj)-T(IM,ta)|，
分别计算训练集T中每一时刻所采集的设备状态值T(IM,ta)与训练集T中剩余状态值T(IM,tb)之间的距离Dab：
Dab＝|T(IM,ta)-T(IM,tb)|，
其中，a＝1,2,...,K，b＝1,2,...,K，a≠b，K为训练集T中的样本个数，
根据Dja和Dab分别计算T(IMj,tj)的奇异值αj和中T(IM,ta)的奇异值αa，
根据αj和αa利用直推信度机K-近邻算法计算当前时刻所采集的设备状态值关于训练集T的置信度P(αj)：
判断P(αj)与已设定的置信度阈值τ的大小，
当P(αj)≤τ时，则当前时刻所采集的设备状态值处于异常状态，则判断存在故障，
当P(αj)>τ时，则当前时刻所采集的设备状态值处于正常状态，则判断不存在故障。
进一步的，步骤三中进行二级故障识别的具体方法为：
设n为在线监测装置的总数量，j＝1,2,...,n，训练样本数为l＝n-1，则在线监测装置训练样本空间表示为：
S＝{T1(w),T2(w),...,Ti(w),...,Tl(w)}，
其中，i＝1,2,...,l，
建立基于1/4超球体的单类支持向量机算法的核函数，利用以下公式获得基于1/4超球体的单类支持向量机算法的原核函数值K：
K＝exp(-γ·||Ti(w)-Tj(w)||2)，
其中，
Figure BDA0002244476930000023
σ为方差参数，
根据下式计算更新后的核函数值
Figure BDA0002244476930000024
Figure BDA0002244476930000025
其中，1l为l×l的矩阵，矩阵中每个元素的值为1/l，K＝φ[Ti(w)]·φ[Tj(w)]，
Figure BDA0002244476930000031
φ[Ti(w)]表示Ti(w)的特征向量，
结合更新后的核函数值
Figure BDA0002244476930000032
并利用线性优化技术获得拉格朗日乘子集合{αi}：
Figure BDA0002244476930000033
Figure BDA0002244476930000035
其中，ν为误差限制，
根据拉格朗日乘子对Ti(w)进行分类：
Figure BDA0002244476930000036
根据
Figure BDA0002244476930000037
条件中的Ti(w)求得1/4超球体的半径
Figure BDA0002244476930000038
Tj(w)经过中心化后的映射特征向量
Figure BDA0002244476930000039
到1/4超球体原点的距离d2[Tj(w)]为：
Figure BDA00022444769300000310
将d2[Tj(w)]与R2进行比较，
当d2[Tj(w)]>R2时，则Tj(w)异常，即待识别的在线监测装置存在故障，
当d2[Tj(w)]≤R2时，则Tj(w)正常，即待识别的在线监测装置不存在故障。
本发明提出了一种输变电设备在线监测装置的故障识别方法，该方法通过对某一在线监测装置的测量值进行二级判别，从而更加精准地判别出所监测设备的故障状态。本发明提出的方法能够提高在线监测装置的故障识别精度，准确定位输变电设备故障，提高输变电设备的运行可靠性。
附图说明
图1为本发明所述故障识别方法的流程图；
图2为监测值时间序列示意图。
具体实施方式
具体实施方式一：参照图1和2具体说明本实施方式，本实施方式所述的一种输变电设备在线监测装置的故障识别方法，其特征在于，包括以下步骤：
步骤一：对待识别的在线监测装置当前时刻所采集的设备状态值进行加窗处理，构建监测值时间序列；
具体的，待识别的在线监测装置j在任意时刻t所采集的设备状态值为T(IMj,t)，对T(IMj,t)进行加窗处理之后，则在一个宽度为w的时间窗内的监测值时间序列Tj(w)为：
Tj(w)＝{T(IMj,t1),T(IMj,t2),...,T(IMj,tw)}。
步骤二：采用直推信度机K-近邻算法(TCM-KNN)对监测值序列进行一级故障识别，若存在故障则执行步骤三，否则返回步骤一；
具体的识别方法为：
利用正常状态下采集的设备状态值构建训练集T，
分别计算待识别的在线监测装置j在当前时刻tj所采集的设备状态值T(IMj,tj)与训练集T中每个状态值T(IM,ta)之间的距离Dja：
Dja＝|T(IMj,tj)-T(IM,ta)|，
分别计算训练集T中每一时刻所采集的设备状态值T(IM,ta)与训练集T中剩余状态值T(IM,tb)之间的距离Dab：
Dab＝|T(IM,ta)-T(IM,tb)|，
其中，a＝1,2,...,K，b＝1,2,...,K，a≠b，K为训练集T中的样本个数，
根据Dja和Dab分别计算T(IMj,tj)的奇异值αj和中T(IM,ta)的奇异值αa，
Figure BDA0002244476930000041
根据αj和αa利用直推信度机K-近邻算法计算当前时刻所采集的设备状态值关于训练集T的置信度P(αj)：
Figure BDA0002244476930000051
#表示结合的势，表示满足集合{}中条件的样本个数，
判断P(αj)与已设定的置信度阈值τ的大小，
当P(αj)≤τ时，则当前时刻所采集的设备状态值处于异常状态，则判断存在故障，
当P(αj)>τ时，则当前时刻所采集的设备状态值处于正常状态，则判断不存在故障。
步骤三：采用1/4超球体的单类支持向量机算法对监测值序列进行二级故障识别，若存在故障，则判定当前输变电设备在线监测装置存在故障，然后执行步骤四，否则返回步骤一；
具体的识别方法为：
设n为在线监测装置的总数量，j＝1,2,...,n，训练样本数为l＝n-1，则在线监测装置训练样本空间表示为：
S＝{T1(w),T2(w),...,Ti(w),...,Tl(w)}，
其中，i＝1,2,...,l，
建立基于1/4超球体的单类支持向量机算法(QS-OCSVM)的核函数，利用以下公式获得基于1/4超球体的单类支持向量机算法的原核函数值K：
K＝exp(-γ·||Ti(w)-Tj(w)||2)，
其中，σ为方差参数，
根据下式计算更新后的核函数值
Figure BDA0002244476930000053
Figure BDA0002244476930000054
其中，1l为l×l的矩阵，矩阵中每个元素的值为1/l，K＝φ[Ti(w)]·φ[Tj(w)]，
Figure BDA0002244476930000055
φ[Ti(w)]表示Ti(w)的特征向量，
结合更新后的核函数值并利用线性优化技术获得拉格朗日乘子集合{αi}：
Figure BDA0002244476930000061
Figure BDA0002244476930000062
其中，ν为误差限制，也称属性，是预先定义的百分比参数估计值，ν∈(0,1]；
根据拉格朗日乘子对Ti(w)进行分类：
根据
Figure BDA0002244476930000065
条件中的Ti(w)求得1/4超球体的半径
Figure BDA0002244476930000066
Tj(w)经过中心化后的映射特征向量
Figure BDA0002244476930000067
到1/4超球体原点的距离d2[Tj(w)]为：
Figure BDA0002244476930000068
将d2[Tj(w)]与R2进行比较，
当d2[Tj(w)]>R2时，则Tj(w)异常，即待识别的在线监测装置存在故障，
当d2[Tj(w)]≤R2时，则Tj(w)正常，即待识别的在线监测装置不存在故障。
步骤四：采取故障响应措施。

Claims (5)

1.一种输变电设备在线监测装置的故障识别方法，其特征在于，包括以下步骤：
步骤一：对待识别的在线监测装置当前时刻所采集的设备状态值进行加窗处理，构建监测值时间序列；
步骤二：采用直推信度机K-近邻算法对监测值序列进行一级故障识别，若存在故障则执行步骤三，否则返回步骤一；
步骤三：采用1/4超球体的单类支持向量机算法对监测值序列进行二级故障识别，若存在故障，则判定当前输变电设备在线监测装置存在故障，否则返回步骤一。
2.根据权利要求1所述的一种输变电设备在线监测装置的故障识别方法，其特征在于，步骤三中当前输变电设备在线监测装置存在故障时，采取故障响应措施。
3.根据权利要求1或2所述的一种输变电设备在线监测装置的故障识别方法，其特征在于，步骤一中，待识别的在线监测装置j在任意时刻t所采集的设备状态值为T(IMj,t)，对T(IMj,t)进行加窗处理之后，则在一个宽度为w的时间窗内的监测值时间序列Tj(w)为：
Tj(w)＝{T(IMj,t1),T(IMj,t2),...,T(IMj,tw)}。
4.根据权利要求1或2所述的一种输变电设备在线监测装置的故障识别方法，其特征在于，步骤二中进行一级故障识别的具体方法为：
利用正常状态下采集的设备状态值构建训练集T，
分别计算待识别的在线监测装置j在当前时刻tj所采集的设备状态值T(IMj,tj)与训练集T中每个状态值T(IM,ta)之间的距离Dja：
Dja＝|T(IMj,tj)-T(IM,ta)|，
分别计算训练集T中每一时刻所采集的设备状态值T(IM,ta)与训练集T中剩余状态值T(IM,tb)之间的距离Dab：
Dab＝|T(IM,ta)-T(IM,tb)|，
其中，a＝1,2,...,K，b＝1,2,...,K，a≠b，K为训练集T中的样本个数，
根据Dja和Dab分别计算T(IMj,tj)的奇异值αj和中T(IM,ta)的奇异值αa，
Figure FDA0002244476920000011
根据αj和αa利用直推信度机K-近邻算法计算当前时刻所采集的设备状态值关于训练集T的置信度P(αj)：
Figure FDA0002244476920000021
判断P(αj)与已设定的置信度阈值τ的大小，
当P(αj)≤τ时，则当前时刻所采集的设备状态值处于异常状态，则判断存在故障，
当P(αj)>τ时，则当前时刻所采集的设备状态值处于正常状态，则判断不存在故障。
5.根据权利要求3所述的一种输变电设备在线监测装置的故障识别方法，其特征在于，步骤三中进行二级故障识别的具体方法为：
设n为在线监测装置的总数量，j＝1,2,...,n，训练样本数为l＝n-1，则在线监测装置训练样本空间表示为：
S＝{T1(w),T2(w),...,Ti(w),...,Tl(w)}，
其中，i＝1,2,...,l，
建立基于1/4超球体的单类支持向量机算法的核函数，利用以下公式获得基于1/4超球体的单类支持向量机算法的原核函数值K：
K＝exp(-γ·||Ti(w)-Tj(w)||2)，
其中，
Figure FDA0002244476920000022
σ为方差参数，
根据下式计算更新后的核函数值
Figure FDA0002244476920000024
其中，1l为l×l的矩阵，矩阵中每个元素的值为1/l，K＝φ[Ti(w)]·φ[Tj(w)]，
Figure FDA0002244476920000025
φ[Ti(w)]表示Ti(w)的特征向量，结合更新后的核函数值
Figure FDA0002244476920000026
并利用线性优化技术获得拉格朗日乘子集合{αi}：
Figure FDA0002244476920000027
Figure FDA0002244476920000029
其中，ν为误差限制，
根据拉格朗日乘子对Ti(w)进行分类：
Figure FDA0002244476920000031
根据
Figure FDA0002244476920000032
条件中的Ti(w)求得1/4超球体的半径
Tj(w)经过中心化后的映射特征向量
Figure FDA0002244476920000034
到1/4超球体原点的距离d2[Tj(w)]为：
将d2[Tj(w)]与R2进行比较，
当d2[Tj(w)]>R2时，则Tj(w)异常，即待识别的在线监测装置存在故障，
当d2[Tj(w)]≤R2时，则Tj(w)正常，即待识别的在线监测装置不存在故障。
CN201911012007.4A 2019-10-23 2019-10-23 一种输变电设备在线监测装置的故障识别方法 Pending CN110739771A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911012007.4A CN110739771A (zh) 2019-10-23 2019-10-23 一种输变电设备在线监测装置的故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911012007.4A CN110739771A (zh) 2019-10-23 2019-10-23 一种输变电设备在线监测装置的故障识别方法

Publications (1)

Publication Number Publication Date
CN110739771A true CN110739771A (zh) 2020-01-31

Family

ID=69270946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911012007.4A Pending CN110739771A (zh) 2019-10-23 2019-10-23 一种输变电设备在线监测装置的故障识别方法

Country Status (1)

Country Link
CN (1) CN110739771A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103974139A (zh) * 2014-05-20 2014-08-06 北京速能数码网络技术有限公司 一种终端网络故障检测方法、设备和系统
CN106597196A (zh) * 2016-12-08 2017-04-26 北京国网富达科技发展有限责任公司 输变电设备状态监测智能诊断分析系统及方法
CN108399486A (zh) * 2018-01-22 2018-08-14 国网福建省电力有限公司泉州供电公司 一种基于最小二乘向量机的电力设备故障检测方法
JP2018153015A (ja) * 2017-03-14 2018-09-27 株式会社東芝 電力監視制御システム、電力監視制御システム用故障検出装置、電力監視制御システム用プログラム、電力監視制御システム用故障検出方法
CN110276372A (zh) * 2019-05-08 2019-09-24 复变时空(武汉)数据科技有限公司 基于云平台的燃料电池发动机故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103974139A (zh) * 2014-05-20 2014-08-06 北京速能数码网络技术有限公司 一种终端网络故障检测方法、设备和系统
CN106597196A (zh) * 2016-12-08 2017-04-26 北京国网富达科技发展有限责任公司 输变电设备状态监测智能诊断分析系统及方法
JP2018153015A (ja) * 2017-03-14 2018-09-27 株式会社東芝 電力監視制御システム、電力監視制御システム用故障検出装置、電力監視制御システム用プログラム、電力監視制御システム用故障検出方法
CN108399486A (zh) * 2018-01-22 2018-08-14 国网福建省电力有限公司泉州供电公司 一种基于最小二乘向量机的电力设备故障检测方法
CN110276372A (zh) * 2019-05-08 2019-09-24 复变时空(武汉)数据科技有限公司 基于云平台的燃料电池发动机故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李岩等: "数据驱动的输电线路在线监测装置可靠性评估", 《中国电机工程学报》 *
梁建权: "高级量测体系WSNs安全防御技术研究", 《中国博士学位论文全文数据库（电子期刊）工程科技II辑》 *

Similar Documents

Publication Publication Date Title
CN106888205B (zh) 一种非侵入式基于功耗分析的plc异常检测方法
CN107016236B (zh) 基于非线性量测方程的电网假数据注入攻击检测方法
CN109489977B (zh) 基于KNN-AdaBoost的轴承故障诊断方法
CN104392390A (zh) 一种基于topsis模型的智能变电站二次设备评估方法
CN110466381B (zh) 充电桩状态的评估方法
CN113156917A (zh) 基于人工智能的电网设备故障诊断方法及系统
CN105372528B (zh) 一种电力变压器内部故障的状态检修方法
CN110942137A (zh) 一种基于深度学习的电网信息运维监控方法
CN107220500B (zh) 基于逆高斯过程的性能退化试验贝叶斯可靠性评估方法
CN110852509A (zh) Igbt模块的故障预测方法、装置及存储介质
CN105023044A (zh) 基于大量时间序列的交通流因果关系挖掘方法
CN110990788A (zh) 一种基于三元维纳过程的轴承剩余寿命预测方法
CN114818817B (zh) 一种电容式电压互感器微弱故障识别系统及方法
CN115664038A (zh) 一种用于电气安全管理的智能配电运维监控系统
CN116086537A (zh) 一种设备状态监测方法、装置、设备及存储介质
CN106126875A (zh) 一种基于态势感知理论的变压器状态评估方法
CN116664015A (zh) 一种智能充电桩管理系统及其方法
CN105718733B (zh) 基于模糊贴近度和粒子滤波的故障预报方法
CN114666117A (zh) 一种面向电力互联网的网络安全态势度量和预测方法
CN109324591B (zh) 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法
CN117031182B (zh) 配电站所终端遥测值异常检测方法及系统
CN113112123B (zh) 一种基于关联矩阵的飞机航电系统故障诊断评估方法
CN112989587B (zh) 一种电容式电压互感器劣化成因在线分析方法及系统
CN112149054B (zh) 基于时序扩展的正交邻域保持嵌入模型的构建与应用
CN110739771A (zh) 一种输变电设备在线监测装置的故障识别方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200131

WD01 Invention patent application deemed withdrawn after publication