CN111222781A - 故障诊断方法和装置、存储介质 - Google Patents
故障诊断方法和装置、存储介质 Download PDFInfo
- Publication number
- CN111222781A CN111222781A CN201911419906.6A CN201911419906A CN111222781A CN 111222781 A CN111222781 A CN 111222781A CN 201911419906 A CN201911419906 A CN 201911419906A CN 111222781 A CN111222781 A CN 111222781A
- Authority
- CN
- China
- Prior art keywords
- variable
- fault
- variables
- target
- parameter
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- 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
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种故障诊断方法和装置、存储介质。其中,该方法包括:获取电力系统中与待诊断的目标故障相关联的电学变量集合,其中,电学变量集合中包括一个或多个供电参数变量;从电学变量集合中确定出候选变量,其中,候选变量用于描述目标故障;获取对候选变量进行分类后得到的目标分类变量,及与目标分类变量对应的故障系数;根据目标分类变量及故障系数,确定故障诊断指示参数,其中,故障诊断指示参数用于定位目标故障所在位置。本发明解决了相关技术中存在的故障诊断的操作复杂度较大的技术问题。
Description
技术领域
本发明涉及电学领域,具体而言,涉及一种故障诊断方法和装置、存储介质。
背景技术
在实际生产生活中,电力系统中的各个线路和各个变压器在长时间工作后会很容易产生故障,从而使得电力系统会经常出现断电,甚至出现区域性电力瘫痪等情况。
针对上述故障的影响因素往往包括很多种可能性,为了诊断得出具体的故障原因,往往需要对已经存储的线损数据进行大量的数据分析。然而,随着同期线损系统的应用,目前电力系统产生的大量数据都被集成到该应用平台中,使得线损数据量出现指数级增长。也就是说,由于存储的线损数据量越来越大,导致诊断出故障因素的操作复杂度也随之增加。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种故障诊断方法和装置、存储介质,以至少解决相关技术中存在的故障诊断的操作复杂度较大的技术问题。
根据本发明实施例的一个方面,提供了一种故障诊断方法,包括:获取电力系统中与待诊断的目标故障相关联的电学变量集合,其中,上述电学变量集合中包括一个或多个供电参数变量;从上述电学变量集合中确定出候选变量,其中,上述候选变量用于描述上述目标故障;获取对上述候选变量进行分类后得到的目标分类变量,及与上述目标分类变量对应的故障系数;根据上述目标分类变量及上述故障系数,确定故障诊断指示参数,其中,上述故障诊断指示参数用于定位上述目标故障所在位置。
作为一种可选的实施方式,上述从上述电学变量集合中确定出候选变量包括:获取上述变量相关度满足第一阈值条件的供电参数变量;获取上述变量相关度大于第一阈值的供电参数变量作为第一候选参数变量,其中,上述候选变量包括第一候选参数变量。
作为一种可选的实施方式,上述从上述电学变量集合中确定出候选变量包括:通过主成分分析法提取上述电学变量集合中各个变量中的公因子方差;获取上述公因子方差大于第二阈值的供电参数变量作为第二候选参数变量,其中,上述候选变量包括第二候选参数变量。
作为一种可选的实施方式,上述获取对上述候选变量进行分类后得到的目标分类变量,及与上述目标分类变量对应的故障系数包括:获取与各个上述候选变量分别对应的旋转成分矩阵;根据上述旋转成分矩阵对上述候选变量进行分类,以得到上述目标分类变量。
作为一种可选的实施方式,上述获取对上述候选变量进行分类后得到的目标分类变量,及与上述目标分类变量对应的故障系数包括:获取与上述目标分类变量对应的总方差,其中,上述总方差中包括以下至少之一:与上述供电参数变量的初始特征值对应的第一方差百分比,与上述供电参数变量的提取载荷平方和对应的第二方差百分比,与上述供电参数变量的旋转载荷平方和对应的第三方差百分比;根据上述总方差中确定出上述故障系数。
作为一种可选的实施方式,上述根据上述目标分类变量及上述故障系数,确定故障诊断指示参数包括:对上述目标分类变量及对应的上述故障系数进行加权求和,以得到上述故障诊断指示参数对应的参数值。
作为一种可选的实施方式,在上述根据上述目标分类变量及上述故障系数,确定故障诊断指示参数之后,还包括:获取上述故障诊断指示参数中的最大参数值;将上述最大参数值对应的地理位置确定为上述目标故障所在地理位置。
作为一种可选的实施方式,在上述将上述最大参数值对应的地理位置确定为上述目标故障所在地理位置之后,还包括:从与上述最大参数值对应的上述故障诊断指示参数中,获取上述目标分类变量中的最大分类变量值;将上述最大分类变量值对应的上述目标分类变量确定为故障分类变量;获取上述故障分类变量中的最大变量值;将上述最大变量值对应的上述候选变量确定为上述目标故障对应的故障位置。
根据本发明实施例的另一方面,还提供了一种故障诊断装置,包括:第一获取单元,用于获取电力系统中与待诊断的目标故障相关联的电学变量集合,其中,上述电学变量集合中包括一个或多个供电参数变量;第一确定单元,用于从上述电学变量集合中确定出候选变量,其中,上述候选变量用于描述上述目标故障;第二获取单元,用于获取对上述候选变量进行分类后得到的目标分类变量,及与上述目标分类变量对应的故障系数;诊断单元,用于根据上述目标分类变量及上述故障系数,确定故障诊断指示参数,其中,上述故障诊断指示参数用于定位上述目标故障所在位置。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述故障诊断方法。
在本发明实施例中,在获取造成目标故障的异常因素对应的供电参数变量之后,可以根据本实施例中提供的方式,确定用于描述该目标故障的候选变量,并对上述候选变量进行分类,从而得到目标分类变量及与该目标分类变量对应的故障系数。然后利用该目标分类变量及对应的故障系数来确定于目标故障相匹配的故障诊断指示参数,其中,该故障诊断指示参数用于定位目标故障所在位置(如地理位置和逻辑位置)。也就是说,通过对可能造成故障异常的供电参数变量进行分析聚类,从而实现自动从大量数据中定位出目标故障所在位置,简化故障诊断的操作。进而解决了相关技术中存在的故障诊断的操作复杂度较大的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的故障诊断方法的流程图;
图2是根据本发明实施例的一种可选的故障诊断方法的示意图;
图3是根据本发明实施例的另一种可选的故障诊断方法的示意图;
图4是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图5是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图6是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图7是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图8是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图9是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图10是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图11是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图12是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图13是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图14是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图15是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图16是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图17是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图18是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图19是根据本发明实施例的又一种可选的故障诊断方法的示意图;
图20是根据本发明实施例的一种可选的故障诊断装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种故障诊断方法,可选地,作为一种可选的实施方式,如图1所示,上述故障诊断方法包括:
S102,获取电力系统中与待诊断的目标故障相关联的电学变量集合,其中,电学变量集合中包括一个或多个供电参数变量;
S104,从电学变量集合中确定出候选变量,其中,候选变量用于描述目标故障;
S106,获取对候选变量进行分类后得到的目标分类变量,及与目标分类变量对应的故障系数;
S108,根据目标分类变量及故障系数,确定故障诊断指示参数,其中,故障诊断指示参数用于定位目标故障所在位置。
可选地,在本实施例中,上述故障诊断方法可以但不限于应用于统计产品与服务解决(Statistical Product Service Solutions,简称SPSS)的软件平台。应用场景可以包括但不限于:用于确定配线线损的异常因素、用于确定台区不平衡的异常因素。其中,上述配线线损异常的因素可以包括但不限于以下至少之一:配线供电量、配线所属公变电量、配线所属专变电量、供电半径、公变变压器容量、配线所属架空线路长度、配线所属电缆线路长度,公变占售电量比例。上述台区不平衡的异常因素可以包括但不限于以下至少之一:供电半径、低压线路总长度、总户数、实测输入电量、实测输出电量、三相不平衡率。上述为场景示例,本实施例中对此不作任何限定。
需要说明的是,在获取造成目标故障的异常因素对应的供电参数变量之后,可以根据本实施例中提供的方式,确定用于描述该目标故障的候选变量,并对上述候选变量进行分类,从而得到目标分类变量及与该目标分类变量对应的故障系数。然后利用该目标分类变量及对应的故障系数来确定于目标故障相匹配的故障诊断指示参数,其中,该故障诊断指示参数用于定位目标故障所在位置(如地理位置和逻辑位置)。也就是说,通过对可能造成故障异常的供电参数变量进行分析聚类,从而实现自动从大量数据中定位出目标故障所在位置,简化故障诊断的操作。进而克服相关技术中故障诊断的操作复杂度较大的问题。
可选地,在本实施例中,在获取电学变量集合之后,可以但不限于按照图2-图6所示,在应用平台中进行对应诊断配置。假设待诊断的目标故障为配线线损类的故障,则配置方式可以如下:
(1)如图2所示,选择该类故障诊断对应的电学变量集合,如包括:供电量、公变电量、专变电量、供电半径、变压器容量、架空线路长度、电缆线路长度,公变占售电量比例。
(2)对图2中所示“描述”按钮执行点击操作,打开如图3所示的描述对话框,并选择“初始解”和“KMO和巴特利检验”。
其中,初始解用于输出对供电参数变量的初始分析结果。输出主成分变量的相关或协方差矩阵的对角元素。KMO(Kaiser-Meyer-Oikin)和巴特利检验,这里KMO用于比较变量间简单相关系数和偏关系数的指标。这里巴特利检验是关于研究的变量是否适合进行因子分析的检验。KMO值等于变量间单相关系数的平方和与单相关系数平方和加上偏相关系数平方和之比。值越接近1,意味着变量间的相关性越强,越适合进行因子分分析,KMO值越接近0,则变量间的相关性越弱,越不适合进行因子分析。
(3)对图2中所示“提取”按钮执行点击操作,打开如图4所示的提取对话框。指定因子分析方法“主成分法”,指定分析采用“相关性矩阵”,指定输出为“未旋转因子解”和“碎石图”,指定提取“基于特征值”,最大收敛迭代次数为“25”。
其中,基于特征值:指定要提取因子的最小特征值,系统默认值1,也可以自定义特征值的数值。未旋转的因子解:显示未旋转的因子解。可以自定义特征值的数值。碎石图:显示碎石图,用于决定因子的提取个数。
(4)对图2中所示“旋转”按钮执行点击操作,打开如图5所示的旋转对话框。指定采用“最大方差法”,指定输出“旋转后的解”,最大收敛迭代次数为“25”。
其中,最大方差法:是因子旋转时常用的方法。输出旋转后的解:输出旋转后的因子载荷矩阵。
(5)对图2中所示“得分”按钮执行点击操作,打开如图6所示的得分对话框。
其中,选定采用方法“回归”,保存为变量,并显示“因子得分系数矩阵”。
在按照上述配置后,进一步可采用本实施例中提供的方式,从数据库存储的大量数据中,快速而准确地定位出待诊断的目标故障所在位置。其中,这里目标故障所在位置包括:目标故障所在地理位置,目标故障所在逻辑位置。也就是说,可以定位出上述目标故障的坐标地址,还可以定位出上述目标故障出现的逻辑异常因素,即具体哪个供电参数变量导致的故障。
通过本申请提供的实施例,在获取造成目标故障的异常因素对应的供电参数变量之后,可以根据本实施例中提供的方式,确定用于描述该目标故障的候选变量,并对上述候选变量进行分类,从而得到目标分类变量及与该目标分类变量对应的故障系数。然后利用该目标分类变量及对应的故障系数来确定于目标故障相匹配的故障诊断指示参数,其中,该故障诊断指示参数用于定位目标故障所在位置(如地理位置和逻辑位置)。也就是说,通过对可能造成故障异常的供电参数变量进行分析聚类,从而实现自动从大量数据中定位出目标故障所在位置,简化故障诊断的操作。
作为一种可选的方案,从电学变量集合中确定出候选变量包括:
S1,获取电学变量集合中各个变量之间的变量相关度;
S2,获取变量相关度满足第一阈值条件的供电参数变量,作为第一候选参数变量,其中,候选变量包括第一候选参数变量。
可选地,在本实施例中,上述变量相关度可以但不限于:根据KMO和巴特利检验的检验结果确定。如KMO值大于阈值A,且巴特利检验的结果值小于阈值B的情况下,确定对应的变量相关度满足第一阈值条件。
例如,仍以待诊断的目标故障为配线线损类的故障为例进行说明。上述KMO和巴特利检验的检验结果可以如图7所示,在确定KMO值为0.635(如图所示用“.635”表示),大于阈值0.5,则说明了变量之间是存在相关性的,符合要求。进一步,对相关的供电参数变量进行巴特利检验(也可称作Bartlett球形检验),得到其结果的Sig.值为0.000,小于0.05。由此可知,上述相关的供电参数变量是可以进行因子分析的,即确定为第一候选参数变量。
通过本申请提供的实施例,通过获取各个变量之间的变量相关度,来从电学变量参数集合中的多个供电参数变量中筛选出第一候选参数变量,以确定可供因子分析的参数变量,过滤掉不符合条件的参数变量,从而简化后续的故障诊断操作。
作为一种可选的方案,从电学变量集合中确定出候选变量包括:
S1,通过主成分分析法提取电学变量集合中各个变量中的公因子方差;
S2,获取公因子方差大于第二阈值的供电参数变量作为第二候选参数变量,其中,候选变量包括第二候选参数变量。
可选地,在本实施例中,上述公因子方差可以但不限于用于标识上述供电参数变量,其中,在公因子方差的值大于第二阈值的情况下,说明该供电参数变量能被公因子合理表达。
例如,仍以待诊断的目标故障为配线线损类的故障为例进行说明。上述各个供电参数变量的公因子方差如图8所示,初始为“1.000”,分别提取不同数值的公因子方差。进一步假设第二阈值为0.7,如图8所示,上述8个供电参数变量均大于第二阈值,则可以确定上述8个供电参数变量均为第二候选参数变量。
需要说明的是,上述候选变量可以包括但不限于以下至少之一:第一候选参数变量、第二候选参数变量。也就是说,上述用于确定第一候选参数变量的方式,和用于确定第二候选参数变量的方式,二者可以分别单独使用,也可以组合使用。换言之,可以采用不同方式确定候选变量,也可以在得到第一候选参数变量之后,再从第一候选参数变量中确定出第二候选参数变量,以得到可供因子分析的候选变量。
通过本申请提供的实施例,通过获取公因子方差来从电学变量参数集合中的多个供电参数变量中筛选出第二候选参数变量,以确定可供因子分析的参数变量,过滤掉不符合条件的参数变量,从而简化后续的故障诊断操作。
作为一种可选的方案,获取对候选变量进行分类后得到的目标分类变量,及与目标分类变量对应的故障系数包括:
S1,获取与各个候选变量分别对应的旋转成分矩阵;
S2,根据旋转成分矩阵对候选变量进行分类,以得到目标分类变量。
可选地,在本实施例中,得到旋转成分矩阵的方法可以包括但不限于:凯撒正态化最大方差法。
例如,仍以待诊断的目标故障为配线线损类的故障为例进行说明。通过矩阵计算来实现旋转处理,以得到旋转后的成分矩阵,如图9所示。在成分1中,供电半径、架空线路长度及电缆线路长度均大于0.9,则确定三者为同一分类,在成分2中,公变电量、变压器容量及公变电量占比均大于0.6,可确定三者为同一类,最后在成分3中,专变电量和供电量均大于0.7,可确定二者为同一类,上述分类后得到三个目标分类变量。
又例如,还可以进一步转化计算,得到如图10所示的成分得分系数矩阵。其中,成分1中,供电半径、架空线路长度及电缆线路长度均大于0.3,则确定三者为同一分类,在成分2中,公变电量、变压器容量及公变电量占比均大于0.2,可确定三者为同一类,最后在成分3中,专变电量和供电量均大于0.3,可确定二者为同一类,上述分类后得到三个目标分类变量。
通过本申请提供的实施例,通过对候选变量进行分类可以得到多个目标分类变量,通过整理合并,简化数据处理逻辑,并减少数据处理量,从而达到简化诊断故障过程中的数据分析操作的目的。
作为一种可选的方案,获取对候选变量进行分类后得到的目标分类变量,及与目标分类变量对应的故障系数包括:
S1,获取与目标分类变量对应的总方差,其中,总方差中包括以下至少之一:与供电参数变量的初始特征值对应的第一方差百分比,与供电参数变量的提取载荷平方和对应的第二方差百分比,与供电参数变量的旋转载荷平方和对应的第三方差百分比;
S2,根据总方差中确定出故障系数。
例如,仍以待诊断的目标故障为配线线损类的故障为例进行说明。通过上述选项配置,还将得到总方差,如图11所示的总方差解释,其中包括与上述供电参数变量对应的初始特征值、提取载荷平方和及旋转载荷平方和。前三个因子的累计方差百分比达到了88.627%,此外如图12所示碎石图,可以表明从第三个因子之后折线就变得平缓了。则可提取前三个因子供因子分析。
进一步,假设以提取载荷平方和的方差百分比所占区中为100%为例,则将提取载荷平方和的方差百分比中前三个因子对应的数值,确定为上述三个目标分类变量分别对应的故障系数。
通过本申请提供的实施例,通过应用平台直接获取各个目标分类变量对应的故障系数,而无需额外的计算配置,从而达到了简化故障诊断操作的目的。
作为一种可选的方案,根据目标分类变量及故障系数,确定故障诊断指示参数包括:
S1,对目标分类变量及对应的故障系数进行加权求和,以得到故障诊断指示参数对应的参数值。
例如,仍以待诊断的目标故障为配线线损类的故障为例进行说明。对目标分类变量及对应的故障系数进行加权求和,得出故障诊断指示参数对应的参数值F,即:
F=(34.131F1+29.604F2+24.891F3)/88.627 (1)
其中,F1,F2及F3分别用于表示上述实施例中得出的三个分类变量。
通过本申请提供的实施例,通过对目标分类变量及对应的故障系数进行加权求和,来得到故障诊断指示参数对应的参数值,以便于利用故障诊断指示参数对应的参数值来定位出目标故障所在地理位置和逻辑位置。
作为一种可选的方案,在根据目标分类变量及故障系数,确定故障诊断指示参数之后,还包括:
S1,获取故障诊断指示参数中的最大参数值;
S2,将最大参数值对应的地理位置确定为目标故障所在地理位置。
可选地,在本实施例中,在将最大参数值对应的地理位置确定为目标故障所在地理位置之后,还包括:从与最大参数值对应的故障诊断指示参数中,获取目标分类变量中的最大分类变量值;将最大分类变量值对应的目标分类变量确定为故障分类变量;获取故障分类变量中的最大变量值;将最大变量值对应的候选变量确定为目标故障对应的故障位置。
需要说明的是,在得出故障诊断指示参数的参数值之后,可分析出配线受异常因素的影响程度,分数越高,受影响的程度越大;通过各个变量对应的数值,可分析出线损所在地理位置及主要影响变量,以便于工作人员可以快速定位故障,并提出相应整改措施。以表1所示为例进行说明。
表1
由上表数据可知,按照综合得分(即故障诊断指示参数的参数值)排名,地理位置A的线路的线损影响最大,则可以确定目标故障所在地理位置为地理位置A。进一步,通过地理位置A对应的3个目标分类变量的参数值可知,地理位置A受目标分类变量F1的影响较大,即受供电半径、架空线路长度、电缆线路长度这三个候选变量的影响较大,由此可有针对性的进行排查异常原因。
通过本申请提供的实施例,利用故障诊断指示参数的参数值逆推分析,可以准确且快速地定位出目标故障所在地理位置及逻辑位置(即出现异常的供电参数变量)。
此外,还可以以待诊断的目标故障为台区不平衡类的故障为例进行说明。在获取电学变量集合之后,可以但不限于按照图13及图3-图6所示,在应用平台中进行对应诊断配置。配置方式可以如下:
如图13所示,选择该类故障诊断对应的电学变量集合,如包括:供电半径、低压线路总长度、总户数、实测输入电量、实测输出电量、三相不平衡率。进一步关于诊断选项类的诊断配置可以参考图3-图6所示配置内容。本实施例中在此不再赘述。
上述KMO和巴特利检验的检验结果可以如图14所示,在确定KMO值为0.599(如图所示用“.599”表示)),大于阈值0.5,则说明了变量之间是存在相关性的,符合要求。进一步,对相关的供电参数变量进行巴特利检验(也可称作Bartlett球形检验),得到其结果的Sig.值为0.000,小于0.05。由此可知,上述相关的供电参数变量是可以进行因子分析的,即确定为第一候选参数变量。
此外,上述各个供电参数变量的公因子方差可以如图15所示,初始为“1.000”,分别提取不同数值的公因子方差。进一步假设第二阈值为0.7,如图15所示,上述6个供电参数变量均大于第二阈值,则可以确定上述6个供电参数变量均为第二候选参数变量。
进一步,通过矩阵计算来实现旋转处理,以得到旋转后的成分矩阵,如图16所示。在成分1中,实测输入电量、实测输出电量、总户数均大于0.8,则确定三者为同一分类,在成分2中,供电半径和低压线路总长度均大于0.9,可确定二者为同一类,最后在成分3中,三相不平衡率大于0.9,可确定为一类,上述分类后得到三个目标分类变量。
又例如,还可以进一步转化计算,得到如图17所示的成分得分系数矩阵。其中,成分1中,实测输入电量、实测输出电量、总户数均大于0.3,则确定三者为同一分类,在成分2中,供电半径和低压线路总长度均大于0.5,可确定二者为同一类,最后在成分3中,三相不平衡率大于0.9,可确定为一类,上述分类后得到三个目标分类变量。
进一步通过上述选项配置,还将得到总方差,如图18所示的总方差解释,其中包括与上述供电参数变量对应的初始特征值、提取载荷平方和及旋转载荷平方和。前三个因子的累计方差百分比达到了94.108%,此外如图19所示碎石图,可以表明从第三个因子之后折线就变得平缓了。则可提取前三个因子供因子分析。
然后,对目标分类变量及对应的故障系数进行加权求和,得出故障诊断指示参数对应的参数值F,即:
F=(45.843F1+31.358F2+16.907F3)/94.108 (2)
其中,F1,F2及F3分别用于表示上述实施例中得出的三个分类变量。
需要说明的是,在得出故障诊断指示参数的参数值之后,可分析出台区受异常因素的影响程度,分数越高,受影响的程度越大;通过各个变量对应的数值,可分析出线损所在地理位置及主要影响变量,以便于工作人员可以快速定位故障,并提出相应整改措施。以表2所示为例进行说明。
表2
由上表数据可知,按照综合得分(即故障诊断指示参数的参数值)排名,变压器1的线路的线损影响最大,则可以确定目标故障所在地理位置为变压器1所在地理位置。进一步,通过变压器1所在地理位置对应的3个目标分类变量的参数值可知,变压器1所在地理位置受目标分类变量F2的影响较大,即受供电半径和低压线路总长度这两个候选变量的影响较大,由此可有针对性的进行排查异常原因。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述故障诊断方法的故障诊断装置。如图20所示,该装置包括:
1)第一获取单元2002,用于获取电力系统中与待诊断的目标故障相关联的电学变量集合,其中,电学变量集合中包括一个或多个供电参数变量;
2)第一确定单元2004,用于从电学变量集合中确定出候选变量,其中,候选变量用于描述目标故障;
3)第二获取单元2006,用于获取对候选变量进行分类后得到的目标分类变量,及与目标分类变量对应的故障系数;
4)诊断单元2008,用于根据目标分类变量及故障系数,确定故障诊断指示参数,其中,故障诊断指示参数用于定位目标故障所在位置。
本方案中的实施例,可以但不限于参照上述方法实施例,本实施例中对此不作任何限定。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取电力系统中与待诊断的目标故障相关联的电学变量集合,其中,电学变量集合中包括一个或多个供电参数变量;
S2,从电学变量集合中确定出候选变量,其中,候选变量用于描述目标故障;
S3,获取对候选变量进行分类后得到的目标分类变量,及与目标分类变量对应的故障系数;
S4,根据目标分类变量及故障系数,确定故障诊断指示参数,其中,故障诊断指示参数用于定位目标故障所在位置。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种故障诊断方法,其特征在于,包括:
获取电力系统中与待诊断的目标故障相关联的电学变量集合,其中,所述电学变量集合中包括一个或多个供电参数变量;
从所述电学变量集合中确定出候选变量,其中,所述候选变量用于描述所述目标故障;
获取对所述候选变量进行分类后得到的目标分类变量,及与所述目标分类变量对应的故障系数;
根据所述目标分类变量及所述故障系数,确定故障诊断指示参数,其中,所述故障诊断指示参数用于定位所述目标故障所在位置。
2.根据权利要求1所述的方法,其特征在于,所述从所述电学变量集合中确定出候选变量包括:
获取所述电学变量集合中各个变量之间的变量相关度;
获取所述变量相关度满足第一阈值条件的供电参数变量,作为第一候选参数变量,其中,所述候选变量包括第一候选参数变量。
3.根据权利要求1或2所述的方法,其特征在于,所述从所述电学变量集合中确定出候选变量包括:
通过主成分分析法提取所述电学变量集合中各个变量中的公因子方差;
获取所述公因子方差大于第二阈值的供电参数变量作为第二候选参数变量,其中,所述候选变量包括第二候选参数变量。
4.根据权利要求1所述的方法,其特征在于,所述获取对所述候选变量进行分类后得到的目标分类变量,及与所述目标分类变量对应的故障系数包括:
获取与各个所述候选变量分别对应的旋转成分矩阵;
根据所述旋转成分矩阵对所述候选变量进行分类,以得到所述目标分类变量。
5.根据权利要求1所述的方法,其特征在于,所述获取对所述候选变量进行分类后得到的目标分类变量,及与所述目标分类变量对应的故障系数包括:
获取与所述目标分类变量对应的总方差,其中,所述总方差中包括以下至少之一:与所述供电参数变量的初始特征值对应的第一方差百分比,与所述供电参数变量的提取载荷平方和对应的第二方差百分比,与所述供电参数变量的旋转载荷平方和对应的第三方差百分比;
根据所述总方差中确定出所述故障系数。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标分类变量及所述故障系数,确定故障诊断指示参数包括:
对所述目标分类变量及对应的所述故障系数进行加权求和,以得到所述故障诊断指示参数对应的参数值。
7.根据权利要求6所述的方法,其特征在于,在所述根据所述目标分类变量及所述故障系数,确定故障诊断指示参数之后,还包括:
获取所述故障诊断指示参数中的最大参数值;
将所述最大参数值对应的地理位置确定为所述目标故障所在地理位置。
8.根据权利要求7所述的方法,其特征在于,在所述将所述最大参数值对应的地理位置确定为所述目标故障所在地理位置之后,还包括:
从与所述最大参数值对应的所述故障诊断指示参数中,获取所述目标分类变量中的最大分类变量值;
将所述最大分类变量值对应的所述目标分类变量确定为故障分类变量;
获取所述故障分类变量中的最大变量值;
将所述最大变量值对应的所述候选变量确定为所述目标故障对应的故障位置。
9.一种故障诊断装置,其特征在于,包括:
第一获取单元,用于获取电力系统中与待诊断的目标故障相关联的电学变量集合,其中,所述电学变量集合中包括一个或多个供电参数变量;
第一确定单元,用于从所述电学变量集合中确定出候选变量,其中,所述候选变量用于描述所述目标故障;
第二获取单元,用于获取对所述候选变量进行分类后得到的目标分类变量,及与所述目标分类变量对应的故障系数;
诊断单元,用于根据所述目标分类变量及所述故障系数,确定故障诊断指示参数,其中,所述故障诊断指示参数用于定位所述目标故障所在位置。
10.一种计算机可读的存储介质,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419906.6A CN111222781B (zh) | 2019-12-31 | 2019-12-31 | 故障诊断方法和装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419906.6A CN111222781B (zh) | 2019-12-31 | 2019-12-31 | 故障诊断方法和装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222781A true CN111222781A (zh) | 2020-06-02 |
CN111222781B CN111222781B (zh) | 2022-03-15 |
Family
ID=70828043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911419906.6A Active CN111222781B (zh) | 2019-12-31 | 2019-12-31 | 故障诊断方法和装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222781B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723634A (zh) * | 2021-08-30 | 2021-11-30 | 上海电气风电集团股份有限公司 | 故障变量确定方法、系统和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180101168A1 (en) * | 2016-10-11 | 2018-04-12 | International Business Machines Corporation | System, method and computer program product for fault detection and location in power grid |
CN108287278A (zh) * | 2017-12-29 | 2018-07-17 | 国网北京市电力公司 | 变电站的故障检测方法和系统、存储介质及处理器 |
CN108320043A (zh) * | 2017-12-19 | 2018-07-24 | 江苏瑞中数据股份有限公司 | 一种基于电力大数据的配电网设备状态诊断预测方法 |
CN109739209A (zh) * | 2018-12-11 | 2019-05-10 | 深圳供电局有限公司 | 一种基于分类数据挖掘的电网故障诊断方法 |
CN110336534A (zh) * | 2019-07-15 | 2019-10-15 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
-
2019
- 2019-12-31 CN CN201911419906.6A patent/CN111222781B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180101168A1 (en) * | 2016-10-11 | 2018-04-12 | International Business Machines Corporation | System, method and computer program product for fault detection and location in power grid |
CN108320043A (zh) * | 2017-12-19 | 2018-07-24 | 江苏瑞中数据股份有限公司 | 一种基于电力大数据的配电网设备状态诊断预测方法 |
CN108287278A (zh) * | 2017-12-29 | 2018-07-17 | 国网北京市电力公司 | 变电站的故障检测方法和系统、存储介质及处理器 |
CN109739209A (zh) * | 2018-12-11 | 2019-05-10 | 深圳供电局有限公司 | 一种基于分类数据挖掘的电网故障诊断方法 |
CN110336534A (zh) * | 2019-07-15 | 2019-10-15 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
RUI LI; RONGMIN CAO; YINGNIAN WU; DI YU: "Location and Recognition System for Lightning Fault of Transmission Line Based on Data-driven Technology", 《IEEE》 * |
吴浩: "基于广域信息的电网故障诊断方法研究", 《中国优秀博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723634A (zh) * | 2021-08-30 | 2021-11-30 | 上海电气风电集团股份有限公司 | 故障变量确定方法、系统和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111222781B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104866632B (zh) | 家电设备的故障数据获取方法、装置及终端 | |
CN108173670A (zh) | 检测网络的方法和装置 | |
CN112650200B (zh) | 一种厂站设备故障的诊断方法及诊断装置 | |
CN110556920A (zh) | 一种配电自动化监测方法、系统、终端及存储介质 | |
CN107543989B (zh) | 基于电能表失压断相判断线损异常的方法 | |
CN108197774A (zh) | 一种分布式光伏发电量异常诊断的方法及装置 | |
CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN111222781B (zh) | 故障诊断方法和装置、存储介质 | |
CN110543658A (zh) | 基于大数据的电厂设备诊断方法 | |
CN113222036A (zh) | 一种高压电缆接地系统的缺陷自动识别方法及装置 | |
CN116743079A (zh) | 光伏组串故障处理方法、装置、光伏管理系统及介质 | |
CN108376110A (zh) | 一种自动检测方法、系统及终端设备 | |
CN112148607A (zh) | 一种业务场景的接口测试方法和装置 | |
CN107451003A (zh) | 一种存储系统的测试方法及装置 | |
CN108009063A (zh) | 一种电子设备故障阈值检测的方法 | |
CN112965990A (zh) | 低压联络柜故障解决方案生成方法、装置 | |
CN113778960A (zh) | 一种物联网系统的故障确定方法、装置及存储介质 | |
CN111856299A (zh) | 电源状态的确定方法、装置及设备 | |
CN110609761B (zh) | 确定故障源的方法、装置、存储介质和电子设备 | |
Bala et al. | Random forest based fault analysis method in IEEE 14 bus system | |
CN110750500A (zh) | 一种智能变电站ccd文件与scd文件检验方法及系统 | |
CN109884533A (zh) | 电池故障的诊断方法及装置、设备及存储介质 | |
CN110543394A (zh) | 服务器sensor信息一致性测试方法、系统、终端及存储介质 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
CN112052620B (zh) | 城市配电台区智能化监视与分析系统 |
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 |