CN111521905A - 一种基于多维数据故障度智能融合的电网故障诊断方法 - Google Patents
一种基于多维数据故障度智能融合的电网故障诊断方法 Download PDFInfo
- Publication number
- CN111521905A CN111521905A CN202010234271.9A CN202010234271A CN111521905A CN 111521905 A CN111521905 A CN 111521905A CN 202010234271 A CN202010234271 A CN 202010234271A CN 111521905 A CN111521905 A CN 111521905A
- Authority
- CN
- China
- Prior art keywords
- fault
- degree
- suspicion
- power grid
- degrees
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 208000024891 symptom Diseases 0.000 claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 claims abstract description 22
- 230000011664 signaling Effects 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于多维数据故障度智能融合的电网故障诊断方法,该方法考虑故障诊断过程中故障特征的差异性,保护和断路器信息的丢失和误报,首先利用小波变换对电气量信息中的幅值特征和能量特征进行分析,提取关键指标;然后根据遥信信息接收的开关量信号,利用有向二分图更新故障征兆,确定故障边界,计算疑似度;最后,利用改进的证据理论合成综合故障度,作为样本建立支持向量机(Support Vector Machine,SVM)故障分类模型对故障线路做出判别。仿真结果表明,采用此方法能有效地实现故障诊断,具有较好的运用前景。
Description
技术领域
本发明涉及电网故障诊断技术领域,尤其是涉及一种基于多维数据故障度智能融合的电网故障诊断方法。
背景技术
随着电网规模的日益扩大,智能化、自动化设备的大量应用,人们对电网的安全可靠运行提出了更高要求。传统的故障诊断主要是利用故障发生后,SCADA系统提供的断路器与保护的动作情况来进行判断,主要方法有专家系统、神经网络、粗糙集理论、petri网等。随着监控数据的不断增多,在电网的拓扑结构和运行方式改变时,传统的诊断方法适应能力差;在面对复杂故障、不准确不完备信息时其出现容错性低的问题,因此有必要研究一种适应性强、容错性高并且快速可靠的故障诊断新方法。
目前,国内外专家学者针对故障诊断的技术困难提出了新的解决方法,主要从如下两个角度展开:
1)当前电网主流的诊断方法是采用单一的传统智能诊断技术,此类传统的智能方法本身存在一定的缺陷和限制,将多种智能方法相结合,不断改善算法性能是故障诊断研究的趋势。有文献考虑从非结构化数据中提取故障信息,基于深度学习的方法,构建并改进神经网络,提高了大数据背景下故障诊断的准确率。有文献提出一种粗糙集理论和神经网络相结合的混合数据挖掘的方法,提高了诊断的容错性。还有文献将模糊petri网与BP算法相结合,简化了推理过程并实现算法的动态适应性。以上文献,未充分考虑网络的物理特性,对电网的时序特征未能有效利用。
2)综合利用开关量和电气量信息的多数据源故障诊断技术,可大大改善单一数据源下不确定故障信息的诊断精度。有文献引入电力系统的稳态潮流信息,提出一种通过分析故障后支路潮流的变化情况识别故障支路的方法。有文献利用广域测量系统(WAMS)实时获取故障电气量信息,实现故障区域的快速识别。还有文献利用小波技术提取故障信息分量,避免了不确定信息的错误诊断,提高了诊断速度。
随着电网大数据平台建设的深入,能够用于电网故障诊断的数据越来越丰富,除了包括只有“0”和“1”状态的遥信量,还有连续变化电气量波形的故障录波数据,幅值和相角的PMU广域测量数据,以及记录保护装置动作量,如电流、电压幅值,测量电阻,谐波幅值等数据。随着数据样本的不断丰富,为人工智能算法作用于调度端进行电网故障诊断创造了条件。利用人工神经网络和支持向量机等基于数据样本建模的故障识别和分类方法,需要统一标度的数据样本,而电网中的不同含义的数据样本的混合使用,使得样本的含义不明确,甚至自相矛盾,混合样本中包含多个规则,使得建模困难、模型对故障识别率低,甚至错误。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多维数据故障度智能融合的电网故障诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于多维数据故障度智能融合的电网故障诊断方法,该方法包括以下步骤:
步骤1:通过故障录波采集电气量并进一步利用小波变换提取故障特征形成幅值疑似度和能量疑似度;
步骤2:通过遥信信息采集开关量并进一步利用有向二分图形成贝叶斯疑似度;
步骤3:基于D-S证据理论对贝叶斯疑似度、幅值疑似度和能量疑似度合成综合故障度并作为样本建立改进的支持向量机故障分类模型对实际故障线路做出判别,得到电网故障诊断结果。
进一步地,所述的步骤1中的幅值疑似度,其计算公式为:
式中,Ik为线路信号在故障前后电流的幅值变化程度值,Fkf,Fkb分别为线路信号故障前后的幅值,Xk为线路的幅值疑似度,I1,I2...In分别为n个线路各自自身故障前后电流的幅值变化程度值,n为自然数。
进一步地,所述的步骤1中的能量疑似度,其计算公式为:
式中,Wkh为线路信号的高频能量表征,Wkl为线路信号的低频能量表征,t为分解尺度,Dkj为线路信号在第j∈(1,2...t)个分解尺度下的细节系数,Akt为线路信号在第t个分解尺度下的相似系数,Wk为线路信号能量高低频变化程度值,wk为线路的能量疑似度,W1,W2...Wn为n个线路各自自身的信号能量高低频变化程度值,t为自然数。
进一步地,所述的步骤2包括以下分步骤:
步骤201:根据调度系统的遥信信息确定固定时间窗内的告警信息集;
步骤202:利用继电保护原理和时序性约束筛选识别告警信息;
步骤203:针对告警信息通过有向二分图计算贝叶斯疑似度,并进行归一化处理。
进一步地,所述的步骤3中与改进的支持向量机故障分类模型对应的代价函数,其描述公式为:
式中,C为正则化系数,T表示转置,上标括号中的i表示第i个样本,t1和t2为代价函数中的权重系数,m为训练样本的个数,n·为训练样本的特征个数,x为模型中的特征向量,y为实际结果向量,θ为支持向量机优化的目标参数,代价函数取值最小值时,求取的一组最优参数值,θj为支持向量机优化的目标参数,代价函数取值最小值时,求取的一组最优参数值中第j个特征。
进一步地,所述的步骤3中的综合故障度,其计算公式为:
式中,IFD为综合故障度,ASD为幅值疑似度,ESD为能量疑似度,BSD为贝叶斯疑似度。
进一步地,所述的步骤2中的贝叶斯疑似度,其计算公式为:
式中,Bsd(f,SN)为贝叶斯疑似度,SN表示实际出现的征兆,Sy表示故障f可能出现的完备征兆,p(f|sj)为第j个征兆下发生故障的概率,p(f)为先验概率,p(s|f)为故障f发生的条件下征兆s出现的概率,p(s|fi)为第i个故障f发生的条件下征兆s出现的概率,F为所有故障的集合。
进一步地,所述的步骤203中的归一化处理后的贝叶斯疑似度,其计算公式为:
式中,bsd(fk)表示归一化处理后的贝叶斯疑似度,Bsd(fk,SN)为第k个故障元件的贝叶斯疑似度,Bsd(f1,SN),Bsd(f2,SN)…Bsd(fn,SN)分别为第1~n个故障元件的贝叶斯疑似度。
与现有技术相比,本发明具有以下优点:
(1)本发明方法包括以下步骤:故障信息的获取,即分别通过故障录波和遥信信息采集电气量与开关量;故障信息处理,利用小波变换提取故障特征形成幅值疑似度和能量疑似度两个证据体,同时对调度系统收到的征兆信息采用有向二图模型形成贝叶斯疑似度;融合及诊断决策,基于改进的支持向量机算法的诊断决策模型,对合成结果分类,得到诊断结果,本方法考虑了调度信息的多种特征,能够满足一般电网的故障诊断工作,有良好的运用前景。
(2)本发明方法中利用小波变换技术提取故障特征中的电气量信息,针对幅值和能量的特征选取了两个指标,对故障诊断进行了辅助修正,提高了诊断精度。
(3)本发明方法中通过有向二分法确定了故障征兆,缩小了诊断范围,考虑了开关量信息的误报、丢失和时序特征,并构建开关量指标。
(4)本发明方法中利用改进证据理论融合故障度计算结果获取支持向量机数据样本,通过训练建立分类模型,对故障数据进行分类。
附图说明
图1为本发明提供的有向二分图;
图2为本发明提供的电气量和遥信数据智能融合的故障诊断方法图;
图3为本发明提供的仿真模型图;
图4为本发明提供的诊断模型图;
图5为本发明提供的故障线路L4电流波形图;
图6为本发明提供的非故障线路L3电流波形图;
图7为本发明提供的故障线路L4重构后的高频能量表征图;
图8为本发明提供的故障线路L4重构后的低频能量表征图;
图9为本发明提供的IEEE39节点系统图;
图10为本发明提供的有向二分图诊断模型图。
具体实施方式
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明方法在融合开关量和故障录波数据的基础上提出一种以融合数据为样本,建立支持向量机分类模型的电网故障诊断方法;
本发明首先利用小波变换将故障电流信息提取为幅值疑似度和能量疑似度指标;接着利用事件顺序系统(SOE)记录故障诊断时序信息并用于数据处理,把时序特征的动作信息作为故障征兆,利用有向二分图对故障征兆信息进行处理,计算贝叶斯疑似度;接着利用D-S证据理论对幅值疑似度、能量疑似度和贝叶斯疑似度三个故障指标进行融合,形成综合故障度指标,将其输入支撑向量机模型进行训练,构造基于信息融合的支持向量机故障识别模型。并仿真验证了该模型的有效性。本发明适用于电网故障诊断。
本发明方法具体细节如下:
一:故障录波数据的故障度
电力系统发生故障时,电气量的变化速度要快于保护动作,并且电气量信息不存在开关量信息缺失和误报的问题,所以根据故障前后元件电气量的变化特点可实现故障元件的快速准确辨识。采用小波变换技术对电气量信息进行预处理,并提出反映故障元件特征的幅值疑似度和能量疑似度指标。
(1)幅值疑似度
幅值疑似度为故障前后电流幅值的变化情况,故障线路的电流幅值变化程度要远大于非故障线路。设电网出现故障时,第k(k=1,...,n)个元件的故障信号为xk(n),利用小波变换提取故障时刻,计算故障发生前后一个周期中所有线路电流的幅值,即:
式中,Ik为线路信号在故障前后电流的幅值变化程度值,Fkf,Fkb分别为线路信号故障前后的幅值,Xk为线路的幅值疑似度,I1,I2...In分别为n个线路各自自身故障前后电流的幅值变化程度值,n为自然数。
(2)能量疑似度
幅值疑似度能有效的表征故障线路,但是有些非故障线路在故障发生后其电流的幅值疑似度会很大,不利于故障诊断,所以还需引入用于表征电流能量强弱程度的能量疑似度,即:
式中,Wkh为线路信号的高频能量表征,Wkl为线路信号的低频能量表征,t为分解尺度,Dkj为线路信号在第j∈(1,2...t)个分解尺度下的细节系数,Akt为线路信号在第t个分解尺度下的相似系数,Wk为线路信号能量高低频变化程度值,wk为线路的能量疑似度,W1,W2...Wn为n个线路各自自身的信号能量高低频变化程度值,t为自然数。
二:遥信数据的故障度转换
(1)遥信数据的征兆信息表示
利用事件顺序系统(SOE)记录故障诊断时序信息并用于数据处理,把时序特征的动作信息作为故障征兆,利用有向二分图对故障征兆信息进行处理,转换为遥信数据的故障度。
征兆信息的识别有利于缩小可疑故障元件的范围,为了明确地建立征兆与故障的直观联系,实现快速准确的故障诊断,并能有效地反映不确定信息,本发明方法采用有向二分图作为开关量信息处理的方法。有向二分图是贝叶斯网络的简化,它能简单而明确地表达故障与征兆的关系,同时具有较强的建模能力,减小了操作的复杂度。有向二分图包含三个部分,故障集合F,征兆集合S和概率集P,由故障原因产生征兆结果的概率组成概率集。
图1的有向二分图由三个故障信息和四个征兆信息构成,其中故障集合F={f1,f2,f3},征兆集合S={s1,s2,s3,s4}。征兆s1可能由故障f1引起,记为D(s1)={f1},类似的有记为D(s2)={f1,f2},同理有D(s3)={f1,f3},D(s4)={f2,f3}。故障f1能够造成s1,s2,s3三种故障征兆,表示为Sy(f1)={s1,s2,s3},同理Sy(f2)={s2,s4},Sy(f3)={s3,s4}。图中Pf=(0.005,0.01,0.008)是三个故障的发生概率,其对应的征兆概率为:
(2)贝叶斯疑似度
根据有向二分图,定义可疑故障元件的开关量信息指标为贝叶斯疑似度(Bayessuspected degree,BSD),它表示某元件在某种相应征兆下发生故障的概率与其在完整信息条件下发生故障概率之比。该数值越大,发生相应故障的概率也就越大。
对应的计算公式包括:
式中,Bsd(f,SN)为贝叶斯疑似度,SN表示实际出现的征兆,Sy表示故障f可能出现的完备征兆,p(f|sj)为第j个征兆下发生故障的概率,p(f)为先验概率,p(s|f)为故障f发生的条件下征兆s出现的概率,p(s|fi)为第i个故障f发生的条件下征兆s出现的概率,F为所有故障的集合。
归一化处理后的贝叶斯疑似度,其计算公式为:
式中,bsd(fk)表示归一化处理后的贝叶斯疑似度,Bsd(fk,SN)为第k个故障元件的贝叶斯疑似度,Bsd(f1,SN),Bsd(f2,SN)…Bsd(fn,SN)分别为第1~n个故障元件的贝叶斯疑似度。
基于有向二分图模型的遥信数据转化流程如下:
Step1:根据调度系统D5000的遥信信息确定固定时间窗内的告警信息集;
Step2:利用继电保护原理和时序性约束筛选识别告警信息;
Step3:通过有向二分图计算贝叶斯疑似度,并进行归一化处理。
在诊断系统的应用中,可以根据电网的实际情况灵活设置时间窗。在本发明方法中,时间窗口设置为6s。
三:基于支持向量机的的数据智能融合方法
实际上在深度学习发展迅猛的当下,在没有大数据的支持时,无论是逻辑回归还是神经网络亦或是支持向量机,这些算法在预测的效果上非常接近,并非常依赖于使用者的经验和知识。例如:使用者为自己指定的学习算法设置一些特征,梯度下降的学习率还有正则化系数等等。被广泛应用的学习算法支持向量机的代价函数,可以看作通过逻辑回归一步步改进所得来的,代价函数如下所示:
式中,C为正则化系数,T表示转置,上标括号中的i表示第i个样本,t1和t2为代价函数中的权重系数,m为训练样本的个数,n·为训练样本的特征个数,x为模型中的特征向量,y为实际结果向量,θ为支持向量机优化的目标参数,代价函数取值最小值时,求取的一组最优参数值,θj为支持向量机优化的目标参数,代价函数取值最小值时,求取的一组最优参数值中第j个特征。
支持向量机的学习样本可以通过对电气量故障度和遥信量故障度的融合获取。本文提出采用改进的D-S证据理论对三个故障指标进行信息融合。
考虑到故障诊断过程中诸多影响因素,如电气量信息、保护信息丢失或误报和时序信息等的影响,将三个证据体(幅值疑似度、能量疑似度和贝叶斯疑似度)进行证据融合,综合故障度(Integrated fault degree,IFD),定义如下:
式中,IFD为综合故障度,ASD为幅值疑似度,ESD为能量疑似度,BSD为贝叶斯疑似度。从综合故障度定义的体情况来看,它同时考虑了电气量和开关量信息对故障诊断的影响,IFD取值范围为[0,1],取值越大故障的可能性越大。
基于故障度的智能融合诊断算法流程图如图2,其实现过程为如下四部分:
Step1:故障信息的获取,分别通过故障录波和遥信信息采集电气量与开关量;
Step2:故障信息处理,利用小波变换提取故障特征形成幅值疑似度和能量疑似度两个证据体,同时对调度系统收到的征兆信息采用有向二图模型形成贝叶斯疑似度;
Step3:融合及诊断决策,基于改进的支持向量机算法的诊断决策模型,对合成结果分类,得到诊断结果。
四:算例分析
为验证本发明方法,利用PSACD/EMTDC与MATLAB混合编程进行仿真,在仿真系统中搭建两个案例进行分析。
案例一:选IEEE 9节点系统为例,如下图3。
故障为发生在线路L4上的A相短路接地故障,设置故障发生时间为5秒时,并经0.2秒后故障切除,调度系统D5000遥信信息描述如表1所示:
表1警报信息
表中L4m为线路4的主保护,CB为断路器,B6m为母线保护。
由表1即可得到征兆SN={L4m(100)=1,CB18(185)=1,CB15(210)=1,B6m(490)=1,CB20(750)=1}。根据上文所述方法进行故障诊断,按照识别规则1,规则2,规则3,可得S3={L4m(100)=1,CB18(185)=1,CB19=[0],B6m(490)=1,CB20(750)=1}。其中CB15(210)=1属于误报,CB19=[0]属于漏报,状态未知,赋以0。
根据线路故障后继电保护时序逻辑模式建立二分图模型,并结合已知的先验概率对模型进行疑似度分析如图4所示。
贝叶斯疑似度计算结果为bsd(fL4)=0.7386,bsd(fL3)=0.2613。
故障录波采集6条线路上电流曲线,图5为故障线路L4电流波形图,图6非故障线路L3电流波形图,由两图比较可以看出,故障线路L4在故障时刻的电气量变化要远大于非故障线路。
选用dB40小波对故障信号进行分析,图7为故障线路L4重构后的高频能量表征,图8为故障线路L4重构后的低频能量表征,根据小波变换结果,计算电网每条线路的幅值疑似度和能量疑似度,将其与贝叶斯疑似度结合,共同形成证据体,基于改进的D-S证据理论进行信息合成,计算综合故障度I,综合故障度的最终决策f为1代表非故障元件,2代表故障元件,结果如表2所示。
表2故障诊断结果
根据表中结果可知故障诊断结果为线路L4,与初始结论一致。
案例二:以IEEE 39节点系统为例,如图9。
D5000调度系统经过筛选得到的警报信息如下表3:
表3警报信息
故障为发生在线路L39-9的单相接地故障,保护L39-9m动作,断路器CB39-9变位,CB39-1跳闸。根据有向二分图分析故障征兆,并取故障诊断框架为Θ={L39-1,L39-9,L8-9}如下图10,故障诊断结果如下表4。
表4IEEE-39节点系统故障诊断结果
根据诊断模型的分析结果,确定故障元件为线路L39-9,与正确结论一致。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于多维数据故障度智能融合的电网故障诊断方法,其特征在于,该方法包括以下步骤:
步骤1:通过故障录波采集电气量并进一步利用小波变换提取故障特征形成幅值疑似度和能量疑似度;
步骤2:通过遥信信息采集开关量并进一步利用有向二分图形成贝叶斯疑似度;
步骤3:基于D-S证据理论对贝叶斯疑似度、幅值疑似度和能量疑似度合成综合故障度并作为样本建立改进的支持向量机故障分类模型对实际故障线路做出判别,得到电网故障诊断结果。
4.根据权利要求1所述的一种基于多维数据故障度智能融合的电网故障诊断方法,其特征在于,所述的步骤2包括以下分步骤:
步骤201:根据调度系统的遥信信息确定固定时间窗内的告警信息集;
步骤202:利用继电保护原理和时序性约束筛选识别告警信息;
步骤203:针对告警信息通过有向二分图计算贝叶斯疑似度,并进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010234271.9A CN111521905A (zh) | 2020-03-30 | 2020-03-30 | 一种基于多维数据故障度智能融合的电网故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010234271.9A CN111521905A (zh) | 2020-03-30 | 2020-03-30 | 一种基于多维数据故障度智能融合的电网故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111521905A true CN111521905A (zh) | 2020-08-11 |
Family
ID=71901686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010234271.9A Pending CN111521905A (zh) | 2020-03-30 | 2020-03-30 | 一种基于多维数据故障度智能融合的电网故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111521905A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964960A (zh) * | 2021-02-04 | 2021-06-15 | 国网上海市电力公司 | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 |
CN113884805A (zh) * | 2021-09-17 | 2022-01-04 | 国网山东省电力公司德州供电公司 | 基于d-s证据理论的单相接地故障绝缘劣化识别方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100687732B1 (ko) * | 2005-11-24 | 2007-02-27 | 한국전자통신연구원 | 내용 기반 멀티 모달 특징값을 이용한 유해 동영상 차단방법 및 그 장치 |
CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
CN103633739A (zh) * | 2013-11-28 | 2014-03-12 | 中国科学院广州能源研究所 | 一种微电网能量管理系统和方法 |
CN106226658A (zh) * | 2016-09-07 | 2016-12-14 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于多数据融合的电网故障诊断方法 |
EP3285078A1 (en) * | 2016-08-17 | 2018-02-21 | General Electric Technology GmbH | Improvements in or relating to locating faults in power transmission conduits |
CN109255333A (zh) * | 2018-09-25 | 2019-01-22 | 内蒙古工业大学 | 一种大型风电机组滚动轴承故障混合诊断方法 |
CN109633370A (zh) * | 2018-12-08 | 2019-04-16 | 国网山东省电力公司德州供电公司 | 一种基于故障信息编码和融合方法的电网故障诊断方法 |
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 |
-
2020
- 2020-03-30 CN CN202010234271.9A patent/CN111521905A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100687732B1 (ko) * | 2005-11-24 | 2007-02-27 | 한국전자통신연구원 | 내용 기반 멀티 모달 특징값을 이용한 유해 동영상 차단방법 및 그 장치 |
CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
CN103633739A (zh) * | 2013-11-28 | 2014-03-12 | 中国科学院广州能源研究所 | 一种微电网能量管理系统和方法 |
EP3285078A1 (en) * | 2016-08-17 | 2018-02-21 | General Electric Technology GmbH | Improvements in or relating to locating faults in power transmission conduits |
CN106226658A (zh) * | 2016-09-07 | 2016-12-14 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于多数据融合的电网故障诊断方法 |
CN109255333A (zh) * | 2018-09-25 | 2019-01-22 | 内蒙古工业大学 | 一种大型风电机组滚动轴承故障混合诊断方法 |
CN109633370A (zh) * | 2018-12-08 | 2019-04-16 | 国网山东省电力公司德州供电公司 | 一种基于故障信息编码和融合方法的电网故障诊断方法 |
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 |
Non-Patent Citations (2)
Title |
---|
JINYONG ZHAO等: "power grid fault diagnosis based on fault information coding and fusion method", 《IEEE》 * |
彭文季 等: "基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断研究", 《力发电学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964960A (zh) * | 2021-02-04 | 2021-06-15 | 国网上海市电力公司 | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 |
CN112964960B (zh) * | 2021-02-04 | 2024-04-12 | 国网上海市电力公司 | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 |
CN113884805A (zh) * | 2021-09-17 | 2022-01-04 | 国网山东省电力公司德州供电公司 | 基于d-s证据理论的单相接地故障绝缘劣化识别方法及系统 |
CN113884805B (zh) * | 2021-09-17 | 2023-10-20 | 国网山东省电力公司德州供电公司 | 基于d-s证据理论的单相接地故障绝缘劣化识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
Han et al. | Short-time wavelet entropy integrating improved LSTM for fault diagnosis of modular multilevel converter | |
CN109633370B (zh) | 一种基于故障信息编码和融合方法的电网故障诊断方法 | |
Zhang et al. | Fault diagnosis of power grid based on variational mode decomposition and convolutional neural network | |
CN105932774A (zh) | 基于ica算法的智能变电站设备状态预警方法 | |
CN101726688A (zh) | 一种多数据源信息融合的电网故障诊断方法 | |
Kezunovic | Translational knowledge: From collecting data to making decisions in a smart grid | |
CN112180204A (zh) | 一种基于电气量信息的电网线路故障诊断方法 | |
Cheng et al. | Online power system event detection via bidirectional generative adversarial networks | |
CN111521905A (zh) | 一种基于多维数据故障度智能融合的电网故障诊断方法 | |
CN112101210A (zh) | 一种基于多源信息融合的低压配电网故障诊断方法 | |
Kanwal et al. | Artificial intelligence based faults identification, classification, and localization techniques in transmission lines-a review | |
CN114384319A (zh) | 一种并网逆变器孤岛检测方法、系统、终端及介质 | |
Liu et al. | Collaborate Global and Local: An Efficient PV Compound Fault Diagnosis Scheme With Multi-Label Learning and Model Fusion | |
CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
Wang et al. | Synthetic data in DC microgrids: Label creation for ensemble learning for fault isolation | |
Ke et al. | Fault diagnosis for modular multilevel converter switching devices via multimodal attention fusion | |
Zhao et al. | Power grid fault diagnosis based on fault information coding and fusion method | |
Vaish et al. | Comparative Study of Machine Learning Models for Power System Fault Identification and Localization | |
CN112993977A (zh) | 一种基于hht及rvm的主动配电网电能质量扰动识别方法 | |
Ding et al. | Research on power grid fault diagnosis method based on PMU data and convolutional neural network | |
Ou et al. | Single-phase Grounding Fault Type Identification of Distribution Network Based on LSTM | |
Zhou et al. | Wide-band Oscillation Disturbance Source Location Based on Compressed Sensing and CNN-LSTM | |
CN114814457B (zh) | 一种基于vgg16算法的高压交流线路智能故障诊断方法及系统 | |
Li et al. | Review of the Intelligent Diagnosis Methods for the Power Transmission Lines |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200811 |