CN111929527A - 设备故障特征规则化知识表示的适应性评价系统及方法 - Google Patents

设备故障特征规则化知识表示的适应性评价系统及方法 Download PDF

Info

Publication number
CN111929527A
CN111929527A CN202010504183.6A CN202010504183A CN111929527A CN 111929527 A CN111929527 A CN 111929527A CN 202010504183 A CN202010504183 A CN 202010504183A CN 111929527 A CN111929527 A CN 111929527A
Authority
CN
China
Prior art keywords
fault
knowledge representation
equipment
evaluation
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.)
Granted
Application number
CN202010504183.6A
Other languages
English (en)
Other versions
CN111929527B (zh
Inventor
李俊
张侃君
何诗琦
杜镇安
滕书宇
李雷
闪鑫
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 Hubei Electric Power Co Ltd
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
State Grid Hubei Electric Power Co Ltd
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System 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 Hubei Electric Power Co Ltd, NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical State Grid Hubei Electric Power Co Ltd
Priority to CN202010504183.6A priority Critical patent/CN111929527B/zh
Publication of CN111929527A publication Critical patent/CN111929527A/zh
Application granted granted Critical
Publication of CN111929527B publication Critical patent/CN111929527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • 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
    • 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

Abstract

本发明涉及一种设备故障特征规则化知识表示的适应性评价系统及方法，属于电力系统智能分析与控制技术领域，包括，通过分析输变电设备故障特征规则化知识表示方法，结合监控系统的数据模型以及数据接入情况，从样本容量、数据完整度、数据时效性、模型支撑程度等方面，多维度的评价不同类型的输变电设备在不同故障形态下的故障特征规则化知识表示方法在监控系统的适应性，以量化指标的方式评价规则的适用程度，有效的为故障诊断功能提供支撑。

Description

设备故障特征规则化知识表示的适应性评价系统及方法
技术领域
本发明属于电力系统智能分析与控制技术领域，尤指一种输变电设备故障特征规则化知识表示的适应性评价系统及方法。
背景技术
人工智能的学习和推理技术，能够充分利用电网一、二次设备的实时状态信息、离线仿真数据、动态模拟实验数据，通过测量和分析故障后电网中电流、电压等点起量以及保护和断路器的开关量变化信息，识别故障原件。智能方法能够模拟、延伸和扩展人类的智能行为，弥补数学模型诊断方法的不足，为电网故障诊断领域开辟了新途径。因此，故障诊断方法由传统技术向智能化技术发展是该领域未来研究的重点和热点。专家系统将专家的知识应用于电网故障诊断，可以保证诊断系统的实时性和有效性，但是基于知识的本质和实现故障诊断的原理没有变，专家知识是认为移植到计算机的，所以难以建立完备的知识库；对于保护和断路器的误动作及知识库中不包括的情况很难以给出正确的判断，容错性差；系统的维护难度非常大，知识库要经常根据实际情况进行更新。
发明内容
为解决上述技术问题，本发明提供一种输变电设备故障特征规则化知识表示的适应性评价系统及方法，通过分析输变电设备故障特征规则化知识表示方法，结合监控系统的数据模型以及数据接入情况，从样本容量、数据完整度、数据时效性、模型支撑程度等方面，多维度的评价不同类型的输变电设备在不同故障形态下的故障特征规则化知识表示方法在监控系统的适应性，以量化指标的方式评价规则的适用程度，有效的为故障诊断功能提供支撑。
本发明采用的技术方案如下：
一方面，本发明提供一种输变电设备故障特征规则化知识表示的适应性评价系统，包括：
数据输入模块用于，从智能电网调度控制系统的数据库中获取故障在线诊断的分析结果，从智能电网调度控制系统中获取调度日志，设备模型，信号模型和历史故障，以及获取设备故障特征规则化知识表示；
故障样本容量评价模块用于，根据获取的调度日志和故障在线诊断的分析结果，以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对于故障样本容量的评价指标；
模型完整程度评价模块用于，根据获取的不同设备模型在不同故障模式下的故障特征与设备模型、信号模型的匹配程度，以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对于模型完整程度的评价指标；
数据时域特性评价模块用于，根据获取的历史故障，以及故障特征规则化知识表示，计算故障特征规则化的知识表示对于数据时域特性的评价指标；
知识表示适应性综合评价模块用于，根据故障样本容量评价模块，模型完整程度评价模块和数据时域特性评价模块的计算结果，评估故障特征规则化的知识表示在调控系统的适用性。
进一步的，所述故障在线诊断的分析结果包括线路故障、母线故障和主变故障。
进一步的，所述设备模型包括交流线段表、交流线段端点表、母线表、发电机组表、变压器表、变压器绕组表和断路器表；
从设备模型中获取信息包括设备名称、设备ID、电压等级、设备所属间隔、设备所属厂站和设备连接点号。
进一步的，所述信号模型包括遥测表，遥信表和保护信号表；
从遥测表中获取遥测信息包括遥测名称、遥测ID、所属厂站、遥测类型和电压等级；
从遥信表中获取遥信信息包括遥信名称、遥信ID、所属厂站、遥信类型和告警方式；
从保护信号表中获取保护信号信息包括保护信号名称、所属厂站、电压等级、信号类型、所属间隔和所属责任区。
进一步的，所述历史故障包括电网遥测的历史采样信息，PMU数据的历史采样信息和历史的遥信信息；
所述电网遥测的历史采样信息包括采样类型、采样间隔、数据延迟平均时间、数据延迟率和通道正常工况率；
所述PMU数据的历史采样信息包括采样类型、采样间隔、数据延迟平均时间、数据延迟率和通道正常工况率；
所述历史的遥信信息包括信号时间和接收时间，以及通过设置阀值统计信号延迟率。
进一步的，通过CSV格式文件获取设备故障特征规则化知识表示的具体内容，包括：设备类型、故障类型、设备所连开关动作、设备保护信号动作、故障前后设备量测变化、以及故障前后WAMS曲线。
进一步的，所述故障样本容量评价模块具体用于，
从调度日志中获取故障的实际情况；
以故障的实际情况为依据从故障在线诊断结果中筛选出实际的故障样本；
根据故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对于故障样本容量的评价指标：
Figure RE-GDA0002630844380000021
KD＝(KD1+KD1+…+KDN)/N；
其中，KDi表示故障类型i的样本容量评价结果，HDi表示故障类型i的历史故障样本数量， i＝1,2,…,N，N表示故障类型数量，KD表示故障样本容量的综合评价指标。
进一步的，所述模型完整程度评价模块具体用于，
计算模型完整程度指标如下：
Figure RE-GDA0002630844380000031
KE＝KE1+KE2+…+KEN/N；
其中，KEi表示故障类型i的知识表示的模型完整程度评价结果，TEi表示故障类型i的知识表示中涉及电网模型的总数量，HEi表示实际监控系统中满足故障类型i的知识表示中的电网模型数量， i＝1,2,…,N，N表示故障类型数量，KE表示模型完整程度的综合评价指标。
进一步的，所述数据时域特性评价模块具体用于，
获取电网遥测的历史采样信息，PMU数据的历史采样信息和历史的遥信信息；
统计获取的各类数据上送时效以及采样频率；
综合考虑故障特征规则化知识中对于实时数据的要求，计算故障特征规则化的知识表示对于数据时域特性的评价指标：
Figure RE-GDA0002630844380000032
Figure RE-GDA0002630844380000033
KFi＝(HGi+HJi)/2；
KF＝KF1+KF2+…+KFN/N；
其中，GFi表示故障类型i的历史故障中在门槛时间范围内上送的特征数据数量，TFi表示故障类型i的历史故障中实际上送总的特征数据数量，IFi表示故障类型i根据监控系统模型应该上送的总故障特征数量，KFi表示故障类型i的知识表示的数据时域特性评价结果，KF表示数据时域特性的综合评价指标。
进一步的，所述知识表示适应性综合评价模块具体用于，
计算故障特征规则化的知识表示在调控系统的综合适用性评价指标：
K＝KD+KE+KF/3；
其中，K为综合适用性评价指标，KD表示故障样本容量的综合评价指标，KE表示模型完整程度的综合评价指标，KF表示数据时域特性的综合评价指标。
另一方面，本发明提供一种设备故障特征规则化知识表示的适应性评价方法，包括：
根据智能电网调度控制系统的调度日志，故障在线诊断结果以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对故障样本容量的评价指标；
根据获取的不同设备模型在不同故障模式下的故障特征与设备模型、信号模型的匹配程度，以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对模型完整程度的评价指标；
根据电网遥测的历史采样信息，PMU数据的历史采样信息和历史的遥信信息，以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对数据时域特性评价指标；
综合考虑故障样本容量的评价指标、模型完整程度的评价指标和数据时域特性评价指标，评估故障特征规则化的知识表示在调控系统的适用性。
本发明所达到的有益效果：
本发明的一种输变电设备故障特征规则化知识表示的适应性评价方法，结合本地监控系统的设备模型、实时数据、历史数据的情况，对基于人工智能的输变电设备故障诊断的故障特征规则化知识表示进行适应性评价，用量化指标表征故障特征的知识化表示与本地系统的契合程度，并以此为依据调整规则的知识表示方法，能直观的评价故障诊断规则与本地监控系统的契合程度，有效的根据评价结果做出调整，提升故障诊断的准确性。
本发明弥补专家系统本身的缺陷，使其在应对复杂电网环境确定性、不确定因素时均具有较强的学习和推理能力，充分发挥其快速精准识别故障能力在大电网安全稳定预警和防御控制中的作用。
附图说明
图1为本发明的输变电设备故障特征规则化知识表示的适应性评价架构图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
参见图1，本发明实施例一方面还提供一种输变电设备故障特征规则化知识表示的适应性评价系统，包括：数据输入模块、故障样本容量评价模块、模型完整程度评价模块、数据时域特性评价模块和知识表示适应性综合评价模块。
数据输入模块用于，从智能电网调度控制系统的数据库中获取故障在线诊断的分析结果，从智能电网调度控制系统中获取调度日志，设备模型，信号模型和历史故障，以及获取设备故障特征规则化知识表示。
进一步的，故障在线诊断的分析结果，包括线路故障、母线故障和主变故障等故障类型。
进一步的，设备模型包括交流线段表、交流线段端点表、母线表、发电机组表、变压器表、变压器绕组表和断路器表等设备表，从设备表中获取信息包括设备名称、设备ID、电压等级、设备所属间隔、设备所属厂站和设备连接点号等。
进一步的，信号模型包括遥测表，遥信表和保护信号表，从遥测表中获取遥测信息包括遥测名称、遥测ID、所属厂站、遥测类型和电压等级等；从遥信表中获取遥信信息包括遥信名称、遥信ID、所属厂站、遥信类型和告警方式等；从保护信号表中获取保护信号信息包括保护信号名称、所属厂站、电压等级、信号类型、所属间隔和所属责任区等。
进一步的，历史故障包括电网遥测的历史采样信息，PMU数据的历史采样信息和历史的遥信信息；其中，电网遥测的历史采样信息包括采样类型、采样间隔、数据延迟平均时间、数据延迟率和通道正常工况率等信息；PMU数据的历史采样信息包括采样类型、采样间隔、数据延迟平均时间、数据延迟率和通道正常工况率等信息；历史的遥信信息包括信号时间和接收时间等，以及通过设置阀值统计信号延迟率。
进一步的，通过CSV格式文件获取设备故障特征规则化知识表示的具体内容，包括：设备类型、故障类型、设备所连开关动作、设备保护信号动作、故障前后设备量测变化(有功、电流、电压等)、故障前后WAMS曲线(PMU的三相电压/相角，三相电流/相角等)。
故障样本容量评价模块用于，从调度日志中获取故障的实际情况，以此为依据从故障在线诊断结果中筛选出实际的故障样本，根据故障特征规则化的知识表示方法，综合考虑不同故障类型下的故障历史记录数量，评估历史故障数量能否生成有效的故障样本，计算故障特征规则化的知识表示对于故障样本容量的评价指标。
样本容量评价计算如下：
Figure RE-GDA0002630844380000051
KD＝(KD1+KD1+…+KDN)/N；
其中，KDi表示故障类型i的样本容量评价结果，HDi表示故障类型i的历史故障样本数量， i＝1,2,…,N，N表示故障类型数量，KD表示故障样本容量的综合评价结果。
模型完整程度评价模块用于，根据获取的不同设备模型在不同故障模式下的故障特征，根据故障特征与本地模型的匹配程度，计算故障特征规则化的知识表示对于模型完整程度的评价指标。
其中，不同设备模型在不同故障模式下的故障特征，指的是线路故障、母线故障、主变故障、机组故障等设备跳闸在重合成功、重合失败、未重合、主变本体故障、主变非本体故障等不同的故障模式下的故障特征，具体表现在当发生这些模式的故障时，开关信号、保护信号、量测变化等电网实时信息的特征。
本地模型是指智能电网调度控制系统内的设备模型和信号模型，是应用运行的基础，具体对应输入模块里面的不同的数据表的表结构以及表与表之间的关联关系，其中，设备模型包括交流线段表、交流线段端点表、母线表、发电机组表、变压器表、变压器绕组表和断路器表等，信号模型包括遥测表，遥信表和保护信号表。故障特征通过实时信号接收，需要通过模型的匹配关系解析具体的信息。
进一步的，模型完整程度指标的计算如下：
Figure RE-GDA0002630844380000061
KE＝KE1+KE2+…+KEN/N；
其中，KEi表示故障类型i的知识表示的模型完整程度评价结果，TEi表示故障类型i的知识表示中涉及电网模型的总数量，HEi表示实际监控系统中满足故障类型i的知识表示中的电网模型数量， i＝1,2,…,N，N表示故障类型数量，KE表示模型完整程度的综合评价结果。
数据时域特性评价模块用于，根据获取的电网遥测的历史采样信息，PMU数据的历史采样信息和历史的遥信信息；统计各类数据上送时效以及采样频率，综合考虑故障特征规则化知识中对于实时数据的要求，根据故障特征数据的时域特性分析结果，计算相应的数据时域特性评价指标。
进一步的，数据时域特性评价指标计算如下：
Figure RE-GDA0002630844380000062
Figure RE-GDA0002630844380000063
KFi＝(HGi+HJi)/2；
KF＝KF1+KF2+…+KFN/N；
其中，GFi表示故障类型i的历史故障中在门槛时间(15秒，可调整)范围内上送的特征数据数量，TFi表示故障类型i的历史故障中实际上送总的特征数据数量，IFi表示故障类型i根据监控系统模型应该上送的总故障特征数量，KFi表示故障类型i的知识表示的数据时域特性评价结果，KF表示数据时域特性的综合评价结果。
知识表示适应性综合评价模块用于，综合考虑系统的故障样本容量的评价指标、模型完整程度指标和数据时域特性指标，评估故障特征规则化的知识表示在调控系统的适用性，指标为百分制，分值越大规则化知识表示的适应性越高。
进一步的，故障特征规则化的知识表示在调控系统的综合适用性评价指标计算为：
K＝KD+KE+KF/3。
本发明实施例另一方面还提供一种输变电设备故障特征规则化知识表示的适应性评价方法，包括：
根据故障在线诊断结果以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对故障样本容量的评价指标；
根据不同设备模型在不同故障模式下的故障特征以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对模型完整程度的评价指标；
根据电网遥测的历史采样信息，PMU数据的历史采样信息和历史的遥信信息，以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对数据时域特性评价指标。
综合考虑故障样本容量的评价指标、模型完整程度指标和数据时域特性指标，评估故障特征规则化的知识表示在调控系统的适用性。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (11)

1.设备故障特征规则化知识表示的适应性评价系统，其特征在于，包括：
数据输入模块用于，从智能电网调度控制系统的数据库中获取故障在线诊断的分析结果，从智能电网调度控制系统中获取调度日志，设备模型，信号模型和历史故障，以及获取设备故障特征规则化知识表示；
故障样本容量评价模块用于，根据获取的调度日志和故障在线诊断的分析结果，以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对于故障样本容量的评价指标；
模型完整程度评价模块用于，根据获取的不同设备模型在不同故障模式下的故障特征与设备模型、信号模型的匹配程度，以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对于模型完整程度的评价指标；
数据时域特性评价模块用于，根据获取的历史故障，以及故障特征规则化知识表示，计算故障特征规则化的知识表示对于数据时域特性的评价指标；
知识表示适应性综合评价模块用于，根据故障样本容量评价模块，模型完整程度评价模块和数据时域特性评价模块的计算结果，评估故障特征规则化的知识表示在调控系统的适用性。
2.根据权利要求1所述的设备故障特征规则化知识表示的适应性评价系统，其特征在于，所述故障在线诊断的分析结果包括线路故障、母线故障和主变故障。
3.根据权利要求1所述的设备故障特征规则化知识表示的适应性评价系统，其特征在于，所述设备模型包括交流线段表、交流线段端点表、母线表、发电机组表、变压器表、变压器绕组表和断路器表；
从设备模型中获取信息包括设备名称、设备ID、电压等级、设备所属间隔、设备所属厂站和设备连接点号。
4.根据权利要求1所述的设备故障特征规则化知识表示的适应性评价系统，其特征在于，所述信号模型包括遥测表，遥信表和保护信号表；
从遥测表中获取遥测信息包括遥测名称、遥测ID、所属厂站、遥测类型和电压等级；
从遥信表中获取遥信信息包括遥信名称、遥信ID、所属厂站、遥信类型和告警方式；
从保护信号表中获取保护信号信息包括保护信号名称、所属厂站、电压等级、信号类型、所属间隔和所属责任区。
5.根据权利要求1所述的设备故障特征规则化知识表示的适应性评价系统，其特征在于，所述历史故障包括电网遥测的历史采样信息，PMU数据的历史采样信息和历史的遥信信息；
所述电网遥测的历史采样信息包括采样类型、采样间隔、数据延迟平均时间、数据延迟率和通道正常工况率；
所述PMU数据的历史采样信息包括采样类型、采样间隔、数据延迟平均时间、数据延迟率和通道正常工况率；
所述历史的遥信信息包括信号时间和接收时间，以及通过设置阀值统计信号延迟率。
6.根据权利要求1所述的设备故障特征规则化知识表示的适应性评价系统，其特征在于，通过CSV格式文件获取设备故障特征规则化知识表示的具体内容，包括：设备类型、故障类型、设备所连开关动作、设备保护信号动作、故障前后设备量测变化、以及故障前后WAMS曲线。
7.根据权利要求1所述的设备故障特征规则化知识表示的适应性评价系统，其特征在于，所述故障样本容量评价模块具体用于，
从调度日志中获取故障的实际情况；
以故障的实际情况为依据从故障在线诊断结果中筛选出实际的故障样本；
根据故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对于故障样本容量的评价指标：
Figure RE-FDA0002630844370000021
KD＝(KD1+KD1+…+KDN)/N；
其中，KDi表示故障类型i的样本容量评价结果，HDi表示故障类型i的历史故障样本数量，i＝1,2,…,N，N表示故障类型数量，KD表示故障样本容量的综合评价指标。
8.根据权利要求1所述的设备故障特征规则化知识表示的适应性评价系统，其特征在于，所述模型完整程度评价模块具体用于，
计算模型完整程度指标如下：
Figure RE-FDA0002630844370000022
KE＝KE1+KE2+…+KEN/N；
其中，KEi表示故障类型i的知识表示的模型完整程度评价结果，TEi表示故障类型i的知识表示中涉及电网模型的总数量，HEi表示实际监控系统中满足故障类型i的知识表示中的电网模型数量，i＝1,2,…,N，N表示故障类型数量，KE表示模型完整程度的综合评价指标。
9.根据权利要求1所述的设备故障特征规则化知识表示的适应性评价系统，其特征在于，所述数据时域特性评价模块具体用于，
获取电网遥测的历史采样信息，PMU数据的历史采样信息和历史的遥信信息；
统计获取的各类数据上送时效以及采样频率；
综合考虑故障特征规则化知识中对于实时数据的要求，计算故障特征规则化的知识表示对于数据时域特性的评价指标：
Figure RE-FDA0002630844370000031
Figure RE-FDA0002630844370000032
KFi＝(HGi+HJi)/2；
KF＝KF1+KF2+…+KFN/N；
其中，GFi表示故障类型i的历史故障中在门槛时间范围内上送的特征数据数量，TFi表示故障类型i的历史故障中实际上送总的特征数据数量，IFi表示故障类型i根据监控系统模型应该上送的总故障特征数量，KFi表示故障类型i的知识表示的数据时域特性评价结果，KF表示数据时域特性的综合评价指标。
10.根据权利要求1所述的设备故障特征规则化知识表示的适应性评价系统，其特征在于，所述知识表示适应性综合评价模块具体用于，
计算故障特征规则化的知识表示在调控系统的综合适用性评价指标：
K＝KD+KE+KF/3；
其中，K为综合适用性评价指标，KD表示故障样本容量的综合评价指标，KE表示模型完整程度的综合评价指标，KF表示数据时域特性的综合评价指标。
11.设备故障特征规则化知识表示的适应性评价方法，其特征在于，包括：
根据智能电网调度控制系统的调度日志，故障在线诊断结果以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对故障样本容量的评价指标；
根据获取的不同设备模型在不同故障模式下的故障特征与设备模型、信号模型的匹配程度，以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对模型完整程度的评价指标；
根据电网遥测的历史采样信息，PMU数据的历史采样信息和历史的遥信信息，以及故障特征规则化的知识表示方法，计算故障特征规则化的知识表示对数据时域特性评价指标；
综合考虑故障样本容量的评价指标、模型完整程度的评价指标和数据时域特性评价指标，评估故障特征规则化的知识表示在调控系统的适用性。
CN202010504183.6A 2020-06-05 2020-06-05 设备故障特征规则化知识表示的适应性评价系统及方法 Active CN111929527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010504183.6A CN111929527B (zh) 2020-06-05 2020-06-05 设备故障特征规则化知识表示的适应性评价系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010504183.6A CN111929527B (zh) 2020-06-05 2020-06-05 设备故障特征规则化知识表示的适应性评价系统及方法

Publications (2)

Publication Number Publication Date
CN111929527A true CN111929527A (zh) 2020-11-13
CN111929527B CN111929527B (zh) 2023-06-20

Family

ID=73317056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010504183.6A Active CN111929527B (zh) 2020-06-05 2020-06-05 设备故障特征规则化知识表示的适应性评价系统及方法

Country Status (1)

Country Link
CN (1) CN111929527B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541660A (zh) * 2020-11-30 2021-03-23 中冶华天工程技术有限公司 物料传输流程的评价系统和方法
CN116701339A (zh) * 2023-08-07 2023-09-05 拓锐科技有限公司 一种基于事件日志文件的数据分析处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559648A (zh) * 2013-10-30 2014-02-05 国家电网公司 电网设备状态检测与评价实训系统
CN106056315A (zh) * 2016-07-05 2016-10-26 国电南瑞科技股份有限公司 一种电网故障特征数据质量的分析评价系统和方法
US20180300288A1 (en) * 2017-04-12 2018-10-18 Samsung Electronics Co., Ltd. Generic high-dimensional importance sampling methodology
CN110766100A (zh) * 2019-12-02 2020-02-07 珠海格力电器股份有限公司 轴承故障诊断模型构建方法、诊断方法及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559648A (zh) * 2013-10-30 2014-02-05 国家电网公司 电网设备状态检测与评价实训系统
CN106056315A (zh) * 2016-07-05 2016-10-26 国电南瑞科技股份有限公司 一种电网故障特征数据质量的分析评价系统和方法
US20180300288A1 (en) * 2017-04-12 2018-10-18 Samsung Electronics Co., Ltd. Generic high-dimensional importance sampling methodology
CN110766100A (zh) * 2019-12-02 2020-02-07 珠海格力电器股份有限公司 轴承故障诊断模型构建方法、诊断方法及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱峻言: "机械设备运行状态实时监测与评价方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
阴妍: "盘式制动器摩擦故障融合诊断与智能预报方法研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541660A (zh) * 2020-11-30 2021-03-23 中冶华天工程技术有限公司 物料传输流程的评价系统和方法
CN116701339A (zh) * 2023-08-07 2023-09-05 拓锐科技有限公司 一种基于事件日志文件的数据分析处理方法
CN116701339B (zh) * 2023-08-07 2023-10-17 拓锐科技有限公司 一种基于事件日志文件的数据分析处理方法

Also Published As

Publication number Publication date
CN111929527B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
US20200292608A1 (en) Residual-based substation condition monitoring and fault diagnosis
CN103823433B (zh) 一种使用通讯过程分析实现继电保护设备在线监测的方法
CN108802525A (zh) 基于小样本的设备故障智能预测方法
CN103487682A (zh) 一种电压暂降扰动下敏感客户电能体验质量的预警方法
CN111929527A (zh) 设备故障特征规则化知识表示的适应性评价系统及方法
CN108512222A (zh) 一种智能变电站综合自动化系统
CN110826228B (zh) 一种地区电网运行品质极限评估方法
CN109086518A (zh) 一种智能变电站输变电一次设备状态评估的方法
CN103150635A (zh) 电力设备运维方法
CN114383652A (zh) 一种配电网潜在故障在线风险辨识方法、系统及装置
CN112467724A (zh) 一种低压配电网故障研判方法
CN113268590A (zh) 一种基于设备画像和集成学习的电网设备运行状态评估方法
CN115453267A (zh) 一种电力信息系统故障诊断系统
CN105093036A (zh) 一种多数据的变电站在线监测系统及其在线监测方法
CN104050377A (zh) 一种时变设备故障概率确定方法
CN107294205B (zh) 一种基于保信主站数据的变电站状态监视方法
CN105091947A (zh) 一种多数据的变电站在线监测系统的在线监测方法
CN116961217A (zh) 基于状态监测的电力设备多级协同预警方法及系统
CN114142495B (zh) 一种智能变压器及其控制方法
CN105071542A (zh) 一种变电站在线监测系统及其在线监测方法
CN115224684A (zh) 基于免疫危险理论的智能配电网风险状态辨识方法及系统
CN104392102A (zh) 一种继电保护设备在线监测指标自动提取和计算方法
Tippannavar et al. Smart Transformer-An Analysis of Recent Technologies for Monitoring Transformer
CN104375482A (zh) 一种继电保护装置在线评估方法
CN112559947B (zh) 一种基于设备的实时潮流数据检测方法及相关装置

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