CN111965442A - 一种数字孪生环境下的能源互联网故障诊断方法及装置 - Google Patents
一种数字孪生环境下的能源互联网故障诊断方法及装置 Download PDFInfo
- Publication number
- CN111965442A CN111965442A CN202010627059.9A CN202010627059A CN111965442A CN 111965442 A CN111965442 A CN 111965442A CN 202010627059 A CN202010627059 A CN 202010627059A CN 111965442 A CN111965442 A CN 111965442A
- Authority
- CN
- China
- Prior art keywords
- energy internet
- spatial distribution
- digital twin
- determining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 112
- 238000012549 training Methods 0.000 claims description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 230000009467 reduction Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 21
- 230000000694 effects Effects 0.000 description 8
- 239000006185 dispersion Substances 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000013079 data visualisation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012706 support-vector machine 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种数字孪生环境下的能源互联网故障诊断方法及装置,所述方法包括:获取预设时间段内的能源互联网数据;基于第一空间分布确定规则,确定所述能源互联网数据对应的目标空间分布;基于所述目标空间分布以及数字孪生环境中能源互联网故障类型与空间分布的对应关系,确定所述能源互联网数据对应的故障类型。本发明的方法通过确定所述能源互联网数据对应的目标空间分布,并基于数字孪生环境中能源互联网故障类型与空间分布的对应关系,能够快速实现能源互联网故障类型确定。
Description
技术领域
本发明涉及互联网技术领域,具体是一种数字孪生环境下的能源互联网故障诊断方法及装置。
背景技术
能源互联网借鉴互联网理念,在特定区域内实现电源、电网、负荷以及储能等环节的互联和供需平衡,以局部消纳优先、广域互联在后的原则,自下而上构建新型能源基础设施。能源互联网的任务是输送与分配电能,改变电压。能源互联网故障诊断是对各级各类保护装置、断路器的动作信息以及电压电流等电气量的测量信息进行分析,根据保护动作的逻辑和运行人员的经验来推断可能的故障位置和故障类型,为调度员的决策提供相关的判据。当能源互联网发生故障时,准确、快速、自动的故障诊断对迅速恢复能源互联网供电具有重要意义。
根据分析所使用的数据类型、诊断方法的不同,能源互联网故障诊断的发展可以分为四个阶段。
在第一阶段,由于测量手段有限,可以获取的数据类型和数量非常少,这个阶段的故障诊断主要依靠人工实现。基于经验的故障诊断可靠性很低,同时,效率也很低,故障定位要占到整个故障处理时间的三分之一以上。
第二阶段主要依靠数据采集与监视控制系统(SCADA,Supervisory Control AndData Acquisition),采集的数据类型主要是保护装置和断路器的动作信息。这一阶段的故障诊断主要是依靠故障后电力系统的一系列事件数据。使用的方法主要是专家系统,即通过建立故障信息知识库,通过逻辑约束产生事件信息和故障之间的对应关系。专家系统方法的优点是能源互联网中保护动作和故障之间的关系可以用直观的、模块化的规则表达出来,解释能力强。缺点是能源互联网规模比较大时,构建和更新知识库难;主动学习能力差。在第二阶段中,基本已经实现了有效的故障诊断,但是由于不采集暂态波形信息,无法完成对故障信息的直接分析。
在第三阶段中,由于故障信息系统的使用,克服了这个问题。通过采集故障时暂态录波信息,加强了对故障信息的直接分析。在第四阶段,广域信息系统(WAMS,Wide AreaMeasurement System)信息系统兼具了SCADA系统和故障录波系统的功能。其前置PMU单元可以高频率的采集能源互联网电流、电压信息,同时计算出功角、有功、无功等信息。WAMS最大的特点是通过全球定位系统(GPS)校对,可以保证各个监测点数据的同步性。由于WAMS的使用大大丰富了可供使用的数据类型和数量,传统基于逻辑推理方法的实施难度很大,因此一批基于机器学习的方法得到广泛应用,主要包括人工神经网络、支持向量机、Petri网、贝叶斯网络、粗糙集等方法。
未来随着由传统能源互联网向能源互联网发展,网络的拓扑结构越来越复杂,传感器数量的越来越多,可供分析和挖掘的数据量和数据类型也越来越多。随着数据量的增大,数据中所蕴含的信息量也更大,但是其中冗余的信息也成倍增加,对于大数据的故障诊断所耗费的时间和精力也成倍增加。
因此,传统的技术方案对基于大数据的故障诊断分析存在效率低的缺陷。
数字孪生环境的成熟使得信息物理融合(CPS)理念达到极致,是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。数字孪生尤其在虚拟环境下开展故障诊断、故障定位等工作,并模拟优化和决策支持的效果,可以解决利用人工智能进行数据分析过程中的故障样本不足和效率低下等问题。
发明内容
本发明的目的在于提供一种数字孪生环境下的能源互联网故障诊断方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种数字孪生环境下的能源互联网故障诊断方法,其特征在于,包含以下步骤:
步骤1,获取预设时间段内的能源互联网数据;
步骤2,基于第一空间分布确定规则,确定所述能源互联网数据对应的目标空间分布;
步骤3,基于所述目标空间分布以及数字孪生环境中能源互联网故障类型与空间分布的对应关系,确定所述能源互联网数据对应故障类型。
作为本发明的进一步技术方案:还包括:
步骤21,在数字孪生环境中获取能源互联网训练数据,所述能源互联网训练数据携带能源互联网故障类型;
步骤22,基于第一空间分布确定规则,确定数字孪生环境中能源互联网训练数据对应的空间分布;
步骤23,对所述能源互联网训练数据进行训练,确定数字孪生环境中能源互联网故障类型与空间分布的对应关系。
作为本发明的进一步技术方案:还包括:
步骤221,基于第二空间分布确定规则,确定数字孪生环境中能源互联网训练数据的近邻数和维数,所述近邻数为距离预设参考点最近邻的所述能源互联网训练数据的个数;
步骤222,基于第一空间分布确定规则,根据所述近邻数和维数,确定数字孪生环境中能源互联网训练数据对应的空间分布。
作为本发明的进一步技术方案:还包括:
步骤2211,确定近邻数和维数的取值范围;
步骤2212,基于第二空间分布确定规则,针对数字孪生环境中能源互联网训练数据的空间分布,遍历所述近邻数和维数的取值范围;
步骤2213,将数字孪生环境中能源互联网训练数据的空间分布最集中时对应的近邻数和维数,确定为所述能源互联网训练数据的近邻数和维数。
作为本发明的进一步技术方案:所述第一空间分布确定规则为非线性降维算法,用于将所述能源互联网数据/数字孪生环境中能源互联网训练数据映射到空间上。
作为本发明的进一步技术方案:所述非线性降维算法为LLE算法。
作为本发明的进一步技术方案:所述第二空间分布确定规则为线性降维算法,用于将数字孪生环境中能源互联网训练数据映射到空间上,进行空间分布集中分析。
作为本发明的进一步技术方案:线性降维算法为Fisher准则。
作为本发明的进一步技术方案:所述能源互联网数据和/或数字孪生环境中能源互联网训练数据为以下至少一者:电压、电流、有功功率、无功功率。
一种数字孪生环境下的能源互联网故障诊断装置,包括:
获取单元,用于获取预设时间段内的能源互联网数据;
第一确定单元,用于基于第一空间分布确定规则,确定所述能源互联网数据对应的目标空间分布;
第二确定单元,用于基于所述目标空间分布以及数字孪生环境中能源互联网故障类型与空间分布的对应关系,确定所述能源互联网数据对应的能源互联网故障类型。
与现有技术相比,本发明的有益效果是:本发明通过确定所述能源互联网数据对应的目标空间分布,并基于数字孪生环境中能源互联网故障类型与空间分布的对应关系,能够快速实现能源互联网故障类型确定。
附图说明
图1为一种能源互联网故障类型确定装置的结构示意图。
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,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
能源互联网可理解是综合运用先进的电力电子技术,信息技术和智能管理技术,将大量由分布式能量采集装置,分布式能量储存装置和各种类型负载构成的新型电力网络、石油网络、天然气网络等能源节点互联起来,以实现能量双向流动的能量对等交换与共享网络。
数字孪生环境可以提供对区域能源互联网的极致模拟,本发明提供的一种数字孪生环境下的能源互联网故障类型确定方法可针对采集的能源互联网数据进行故障诊断。
本实施例中,故障类型可以是短路和断路故障。短路故障可以包括三相短路、两相短路、单项接地短路、两相接地短路;断路故障包括单项断路、两相断路和三相断路等。
随着能源互联网发展,采集的数据量的增大,数据结构也更加复杂,通常能源互联网数据是较为复杂的高维数据。
流形学习(Manifold Learning)是从高维采样数据中恢复低维流形结构,即找到高维空间中的低维流形,并求出相应的嵌入映射,以实现维数约简或者数据可视化。它是从观测到的现象中去寻找事物的本质,找到产生数据的内在规律。
具体地,流形学习是在高维空间中,找到其对应的低维流形嵌入,使得高维空间中数据点彼此之间的近邻关系得以保持,是一种非线性的降维方法。将原始特征空间的全局非线性看作局部线性,使得降维过程中不改变其拓扑结构和固有流形,因此也是一种特征提取方法。
本发明实施例一,一种数字孪生环境下的能源互联网故障诊断方法,具体包括以下步骤:
1、获取预设时间段内的能源互联网数据;
在本步骤中,可从区域能源互联网系统中的监控系统采集能源互联网数据。所述预设时间段可为10s,可根据实际情况进行调整。
其中,所述能源互联网数据可为以下至少一者:电压、电流、有功功率、无功功率。
举例来说,所述能源互联网数据可为电压、电流、有功功率、无功功率及其衍生量,且采集得到的能源互联网数据可以是高维矩阵,也就是说,所述能源互联网数据可为电压、电流、有功功率、无功功率四个数据的高维矩阵。
2、基于第一空间分布确定规则,确定所述能源互联网数据对应的目标空间分布;
在本步骤中,可采用流形学习方法,实现数据可视化,也即,基于第一空间分布确定规则,对所述能源互联网数据进行数据可视化,得到确定所述能源互联网数据对应的目标空间分布。
其中,基于第一空间分布确定规则,也可实现维数约简,也即,将高维矩阵降维为低维矩阵。
举例来说,所述第一空间分布确定规则可为非线性降维算法。
具体地,非线性降维算法是流形学习方法的一种,包括保留局部特征算法及保留全局特征算法。其中,保留局部特征算法包括LLE(Locally Linear Embedding,局部线性嵌入算法)等。LLE算法是在保持原始数据性质不变的情况下,将高维空间的数据映射到低维空间上,即特征值的二次提取。不仅可使降维后的数据保持原有拓扑结构,而且算法操作相对简单。
3、基于所述目标空间分布以及数字孪生环境中能源互联网故障类型与空间分布的对应关系,确定所述能源互联网数据对应的能源互联网故障类型。
在本步骤中,获取数字孪生环境中能源互联网故障类型与空间分布的对应关系,将所述目标空间分布与所述对应关系进行比对,以确定所述目标空间分布所对应的能源互联网故障类型,从而实现确定所述能源互联网数据对应的能源互联网故障类型。
其中,所述能源互联网故障类型与空间分布的对应关系可通过机器学习(MachineLearning,ML)原理预先对所述能源互联网数据进行能源互联网故障类型学习得到。
本实施例一提供的一种能源互联网故障类型确定方法,至少具有以下技术效果:
通过确定所述能源互联网数据对应的目标空间分布,并基于数字孪生环境中能源互联网故障类型与空间分布的对应关系,能够快速实现能源互联网故障类型确定。
本发明实施例二提供的一种能源互联网故障类型确定方法,在所述步骤103之前,还包括确定所述能源互联网故障类型与空间分布的对应关系的步骤,具体包括:
21、在数字孪生环境中获取能源互联网训练数据,所述能源互联网训练数据携带能源互联网故障类型;
在本步骤之前,自监控系统采集数据,对所述数据进行预处理、分析,依据现有技术中的故障诊断手段,加上技术人员的经验判断,得到所述数据的能源互联网故障类型,并对所述数据进行人为的标记动作。由此可获得携带能源互联网故障类型的所述能源互联网训练数据。
在本步骤中,使用机器学习之前,需要对机器进行学习训练,为机器提供学习的训练样本。
22、基于第一空间分布确定规则,确定所述数字孪生环境下的能源互联网训练数据对应的空间分布;
在本步骤中,可基于第一空间分布确定规则,对所述能源互联网训练数据进行数据可视化,得到确定所述能源互联网数据对应的目标空间分布。
可选地,所述第一空间分布确定规则可为非线性降维算法。
23、对所述能源互联网训练数据进行训练,确定所述能源互联网故障类型与空间分布的对应关系。
在本步骤中,利用所述能源互联网数据对应的目标空间分布与能源互联网故障类型建立映射函数,训练的结果可得到所述能源互联网故障类型与空间分布的对应关系。
其中,所述能源互联网故障类型与空间分布的对应关系可以是一种能源互联网故障类型对应一种空间分布。
在上述实施例的基础上,可将各实施例的内容做自由组合。
本实施例二提供的一种能源互联网故障类型确定方法,至少具有以下技术效果:
通过为机器学习提供数字孪生环境下获得的能源互联网训练数据,能够确定能源互联网故障类型与空间分布的对应关系,从而为能源互联网故障诊断提供基础。
本发明实施例三提供的一种能源互联网故障类型确定方法,所述步骤202具体包括:
221、基于第二空间分布确定规则,确定所述能源互联网训练数据的近邻数和维数,所述近邻数为距离预设参考点最近邻的所述能源互联网训练数据的个数;
在本步骤中,可通过第二空间分布确定规则,以需要确定的两个参数近邻数k和维数d。
所述近邻数k为距离预设参考点最近邻的所述能源互联网训练数据的个数,个数可预先给定。
所述维数d为所述能源互联网训练数据的内嵌维度。
其中,所述第二空间分布确定规则可为线性降维算法,将所述能源互联网训练数据映射到空间上,进行空间分布集中分析。
可选地,所述线性降维算法可为Fisher准则(Fisher Linear Discriminant,FLD),也称线性判别式分析(Linear Discriminant Analysis,简称LDA)。
Fisher准则的基本思想是将高维的样本投影到最佳鉴别矢量空间,以达到抽取分类信息和压缩特征空间维数的效果,投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离,即模式在该空间中有最佳的可分离性。因此,它是一种有效的特征抽取方法。使用这种方法能够使投影后样本的类间散布矩阵最大,并且同时类内散布矩阵最小,即模式在该空间中有最佳的可分离性。
具体地,所述步骤221包括图未示出的步骤2211-2213:
2211、确定近邻数和维数的取值范围;
2212、基于第二空间分布确定规则,针对数字孪生环境下的能源互联网训练数据的空间分布,遍历所述近邻数和维数的取值范围;
在本步骤中,将所述近邻数和维数分别代入所述数字孪生环境下的能源互联网训练数据的空间分布,可得到对应所述近邻数和维数的空间分布。
2213、将所述能源互联网训练数据的空间分布最集中时对应的近邻数和维数,确定为所述能源互联网训练数据的近邻数和维数。
在本步骤中,分析各个近邻数和维数的空间分布,选择所述数字孪生环境下能源互联网训练数据在空间分布最集中的空间分布,获得空间分布最集中时所对应的近邻数和维数,由此可确定为数字孪生环境下能源互联网训练数据的近邻数和维数。
也即,通过Fisher准则,对所述近邻数和维数进行优化,将不同近邻数和维数所对应的数字孪生环境下能源互联网训练数据的空间分布分开,获得最优近邻数和维数。
222、基于第一空间分布确定规则,根据所述近邻数和维数,确定数字孪生环境下能源互联网训练数据对应的空间分布。
相应地,可基于LLE算法,根据获得的最优所述近邻数和维数,确定数字孪生环境下能源互联网训练数据对应的空间分布。
在上述实施例的基础上,可将各实施例的内容做自由组合。
本实施例三提供的一种能源互联网故障类型确定方法,至少具有以下技术效果:
通过第二空间分布确定规则,确定第一空间分布确定规则所需的参数,由此确定数字孪生环境下能源互联网训练数据对应的空间分布,从而可确定能源互联网故障类型与空间分布的对应关系。
为了更清楚的描述实施例,以下具体描述上述实施例。
所述步骤22,利用LLE算法对数字孪生环境下能源互联网训练数据进行降维,具体步骤如下S1-S3:
应当说明的是,数字孪生环境下能源互联网训练数据简称样本,映射至空间上成为样本点。
步骤S1、计算出每个样本的k个近邻点。把相对于所求样本点距离最近的k个样本点规定为所求样本点的近邻点,k是一个预先给定值。
可选地,可根据预设距离算法,获得所述样本的近邻点。本实施例中,由于针对多个样本点,可采用的是欧氏距离作为距离算法,可减轻计算的复杂程度,可以理解的是,也可采用其他现有距离算法。
步骤S2、计算出样本点的局部重建权值矩阵w。
首先,可根据以下公式一定义重构误差:
式中,ε为任取变量,w是为局部重建权值矩阵,X表示一个特定的点,i取值从1到N,N为样本个数,j取值1到k,k为近邻点个数。
其次,可根据以下公式二定义协方差矩阵C:
式中,X的k个紧邻点用η表示。
于是,可根据以下公式三定义目标函数:
式中,∑jwj=1
再次,可根据以下公式四得到局部重建权值矩阵w:
其中,对协方差C采用拉格朗日乘子法。
步骤S3、将所有的样本点映射到低维空间中。
映射条件满足以下公式五:
进一步地,公式五可转化为以下公式六:
式中,M是一个NXN的对称矩阵,M=(I-W)T(I-W),I是kxk的单位矩阵。
可得到公式七:
公式七:MY=λY
其中,λ表示映射关系,要使损失函数值达到最小,标准的特征分解问题,即取Y为M的最小的m个非零特征值所对应的特征向量。在处理过程中,将M的特征值从小到大排列,第一个特征值几乎接近于零,那么舍去第一个特征值。通常取第2到m+1间的特征值所对应的特征向量组成列向量,作为输出结果,即一个Nxm的数据表达矩阵Y。
相应地,所述步骤102,可基于LLE算法,确定所述能源互联网数据对应的目标空间分布。
所述步骤2021,利用Fisher准则确定LLE算法的两个核心参数:近邻数k和内嵌维度d,具体步骤如下S4-S8:
步骤S4、根据经验,选择k和d的取值范围.
举例来说,近邻数k的取值范围可以是5-10个,维数d可以是3-5维,当然可根据实际情况调整。
步骤S5、在k和d的参数范围中,分别选择一个,组成参数组合,带入到步骤二中利用LLE算法进行降维,得到降维后的数据集Y。
举例来说,近邻数k可包括6个取值,维度d可包括3个取值,自取值范围分别选择一个,由此可组成18个参数的组合。
步骤S6、利用降维后的数据,可根据以下计算步骤评价指标Fisher准则。
首先,假设降维后的数据为Y={y1,y2,…yN}
其中,Y是一个N×m的矩阵,N是样本个数,d是内嵌维度
其次,可通过公式八得到均值向量c。
式中,s表示s个不同类别的故障,分别为φ1,φ2,…,φs,在每一个类别中,均值向量通过公式八计算。
再次,根据均值向量,计算类内离散度矩阵,可通过公式九定义所有类别的类内离散度矩阵Si。
然后,根据类内离散度矩阵,可通过公式十计算总类内离散度矩阵,混合类内离散度矩阵即为所有类内离散度矩阵的求和。
公式十:Sw=S1+S2+…Ss
此外,可通过公式十一计算类间离散度矩阵Sb。
最后,Fisher准则判别式可通过公式十二计算:
步骤S7、选择另一组参数组合,重复步骤S5和步骤S6中,得到所有参数组合的F,也即,遍历所有k和d的参数组合,得到所有参数组合的判别式的值。
S8、判别式的分子为类间间距,分母为类内间距,类间间距越大,类内间距越小,判别式F的值越大。选择最大的F所对应的参数组合k和d,在这组参数下,在新的降维空间中,类内间距最小,类间间距最大。
所述步骤103、对新样本,即未知故障类型的样本进行故障诊断
当有未知类型的样本时,利用步骤2021中确定的参数,通过LLE算法进行降维。通过其在降维后空间中的分布,确定其故障类型。
在上述实施例的基础上,可将各实施例的内容做自由组合。
本实施例三提供的一种数字孪生环境下的能源互联网故障类型确定方法,至少具有以下技术效果:
通过Fisher准则,确定LLE算法所需的参数,由此确定数字孪生环境下能源互联网训练数据对应的空间分布,从而可确定能源互联网故障类型与空间分布的对应关系,在当有未知类型的能源互联网数据时,可直接通过所述对应关系,得到能源互联网数据的故障类型。
本发明实施例四提供的一种能源互联网故障类型确定装置,包括:获取单元、第一确定单元和第二确定单元。
其中,获取单元,用于获取预设时间段内的能源互联网数据;
第一确定单元,用于基于第一空间分布确定规则,确定所述能源互联网数据对应的目标空间分布;
第二确定单元,用于基于所述目标空间分布以及数字孪生环境中能源互联网故障类型与空间分布的对应关系,确定所述能源互联网数据对应的能源互联网故障类型。
可选地,所述获取单元监控系统中采集能源互联网数据,例如为电压、电流、有功功率、无功功率及其衍生量,且采集得到的能源互联网数据可以是高维矩阵。
可选地,所述第一确定单元可采用流形学习方法,基于第一空间分布确定规则,对所述能源互联网数据进行数据可视化,得到确定数字孪生环境下能源互联网数据对应的目标空间分布。
可选地,所述第二确定单元可获取数字孪生环境中能源互联网故障类型与空间分布的对应关系,将所述目标空间分布与所述对应关系进行比对,以确定所述目标空间分布所对应的能源互联网故障类型,从而实现确定所述能源互联网数据对应的能源互联网故障类型。
其中,所述能源互联网故障类型与空间分布的对应关系可通过机器学习原理预先对数字孪生环境下能源互联网数据进行能源互联网故障类型学习得到。
本实施例四提供的一种能源互联网故障类型确定方法,至少具有以下技术效果:
通过所述第一确定单元42确定所述能源互联网数据对应的目标空间分布,并基于数字孪生环境中能源互联网故障类型与空间分布的对应关系,所述第二确定单元43能够快速实现能源互联网故障类型确定。
本实施例四还用以执行上述方法实施例,具体不再详述。
由以上各实施例可知,本发明提供的一种能源互联网故障类型确定方法及装置,根据降维后的数据在低维空间中的分布来判断故障的类型。所述方法包括训练部分和预测部分,训练部分通过历史数据进行机器学习,依据Fisher准则确定其中的关键参数:近邻数k和内嵌维度d。使得在低维空间中,最大化类间距离,最小化类内距离。分类器训练完成后,对新增的未知类别数据利用LLE算法进行降维,然后根据其在空间中所处的位置判断故障类型。
本发明使用流形学习中的LLE算法应用于能源互联网故障诊断,核心思想是使用LLE算法降维后,相同故障类型的数据会相对聚集。
本发明提供的一种能源互联网故障类型确定方法及装置,至少具有以下技术效果:面对高维度大数据量样本,计算速度快,比较适合在线系统。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
本领域技术人员可以理解,实施例中的各步骤可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种数字孪生环境下的能源互联网故障诊断方法,其特征在于,包含以下步骤:
步骤1,获取预设时间段内的能源互联网数据;
步骤2,基于第一空间分布确定规则,确定所述能源互联网数据对应的目标空间分布;
步骤3,基于所述目标空间分布以及数字孪生环境中能源互联网故障类型与空间分布的对应关系,确定所述能源互联网数据对应故障类型。
2.根据权利要求1所述的一种数字孪生环境下的能源互联网故障诊断方法,其特征在于,步骤3之前,还包括确定所述能源互联网故障类型与空间分布的对应关系的步骤,具体包括:
步骤21,在数字孪生环境中获取能源互联网训练数据,所述能源互联网训练数据携带能源互联网故障类型;
步骤22,基于第一空间分布确定规则,确定数字孪生环境中能源互联网训练数据对应的空间分布;
步骤23,对所述能源互联网训练数据进行训练,确定数字孪生环境中能源互联网故障类型与空间分布的对应关系。
3.根据权利要求2所述的一种数字孪生环境下的能源互联网故障诊断方法,其特征在于,所述步骤22具体包括:
步骤221,基于第二空间分布确定规则,确定数字孪生环境中能源互联网训练数据的近邻数和维数,所述近邻数为距离预设参考点最近邻的所述能源互联网训练数据的个数;
步骤222,基于第一空间分布确定规则,根据所述近邻数和维数,确定数字孪生环境中能源互联网训练数据对应的空间分布。
4.根据权利要求3所述的一种数字孪生环境下的能源互联网故障诊断方法,其特征在于,所述步骤22具体包括:
步骤2211,确定近邻数和维数的取值范围;
步骤2212,基于第二空间分布确定规则,针对数字孪生环境中能源互联网训练数据的空间分布,遍历所述近邻数和维数的取值范围;
步骤2213,将数字孪生环境中能源互联网训练数据的空间分布最集中时对应的近邻数和维数,确定为所述能源互联网训练数据的近邻数和维数。
5.根据权利要求1-4任一所述的一种数字孪生环境下的能源互联网故障诊断方法,其特征在于,所述第一空间分布确定规则为非线性降维算法,用于将所述能源互联网数据/数字孪生环境中能源互联网训练数据映射到空间上。
6.根据权利要求5所述的一种数字孪生环境下的能源互联网故障诊断方法,其特征在于,所述非线性降维算法为LLE算法。
7.根据权利要求1-4任一所述的一种数字孪生环境下的能源互联网故障诊断方法,其特征在于,所述第二空间分布确定规则为线性降维算法,用于将数字孪生环境中能源互联网训练数据映射到空间上,进行空间分布集中分析。
8.根据权利要求7所述的一种数字孪生环境下的能源互联网故障诊断方法,其特征在于,所述线性降维算法为Fisher准则。
9.根据权利要求8所述的一种数字孪生环境下的能源互联网故障诊断方法,其特征在于,所述能源互联网数据和/或数字孪生环境中能源互联网训练数据为以下至少一者:电压、电流、有功功率、无功功率。
10.一种数字孪生环境下的能源互联网故障诊断装置,其特征在于,包括:
获取单元,用于获取预设时间段内的能源互联网数据;
第一确定单元,用于基于第一空间分布确定规则,确定所述能源互联网数据对应的目标空间分布;
第二确定单元,用于基于所述目标空间分布以及数字孪生环境中能源互联网故障类型与空间分布的对应关系,确定所述能源互联网数据对应的能源互联网故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010627059.9A CN111965442A (zh) | 2020-07-02 | 2020-07-02 | 一种数字孪生环境下的能源互联网故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010627059.9A CN111965442A (zh) | 2020-07-02 | 2020-07-02 | 一种数字孪生环境下的能源互联网故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111965442A true CN111965442A (zh) | 2020-11-20 |
Family
ID=73361861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010627059.9A Pending CN111965442A (zh) | 2020-07-02 | 2020-07-02 | 一种数字孪生环境下的能源互联网故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111965442A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420448A (zh) * | 2021-06-25 | 2021-09-21 | 中国兵器装备集团自动化研究所有限公司 | 一种弹药熔铸装药成型过程的数字孪生系统及方法 |
CN114239867A (zh) * | 2021-11-08 | 2022-03-25 | 深圳供电局有限公司 | 故障类型确定方法、装置、计算机设备和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085164A (zh) * | 2017-03-22 | 2017-08-22 | 清华大学 | 一种电网故障类型确定方法及装置 |
CN110503338A (zh) * | 2019-08-26 | 2019-11-26 | 江苏方天电力技术有限公司 | 一种泛在电力物联网监测方法 |
-
2020
- 2020-07-02 CN CN202010627059.9A patent/CN111965442A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085164A (zh) * | 2017-03-22 | 2017-08-22 | 清华大学 | 一种电网故障类型确定方法及装置 |
CN110503338A (zh) * | 2019-08-26 | 2019-11-26 | 江苏方天电力技术有限公司 | 一种泛在电力物联网监测方法 |
Non-Patent Citations (2)
Title |
---|
沈沉等: "能源互联网数字孪生及其应用", 《全球能源互联网》 * |
纪志伟: "基于数字孪生的泛在电力物联网模型研究", 《电力学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420448A (zh) * | 2021-06-25 | 2021-09-21 | 中国兵器装备集团自动化研究所有限公司 | 一种弹药熔铸装药成型过程的数字孪生系统及方法 |
CN113420448B (zh) * | 2021-06-25 | 2023-05-23 | 中国兵器装备集团自动化研究所有限公司 | 一种弹药熔铸装药成型过程的数字孪生系统及方法 |
CN114239867A (zh) * | 2021-11-08 | 2022-03-25 | 深圳供电局有限公司 | 故障类型确定方法、装置、计算机设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107085164A (zh) | 一种电网故障类型确定方法及装置 | |
Kamwa et al. | Automatic segmentation of large power systems into fuzzy coherent areas for dynamic vulnerability assessment | |
CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及系统 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN110070282A (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN112508442A (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
CN108132423B (zh) | 一种基于状态转移概率电力系统监测数据失真的快速定位方法 | |
CN112069723A (zh) | 一种用于评估电力系统暂态稳定的方法及系统 | |
CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
CN108647838A (zh) | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 | |
Zhan et al. | A Two-Stage transient stability prediction method using convolutional residual memory network and gated recurrent unit | |
CN118017509A (zh) | 基于数字孪生空间的大规模配电网并行优化方法 | |
CN113901622A (zh) | 一种基于遗传算法优化的svm的配电网拓扑辨识方法 | |
CN112285482A (zh) | 一种有源配电网故障确定方法和系统 | |
CN109684749A (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
CN116911161A (zh) | 一种结合数据增强的深度学习暂态电压稳定评估方法 | |
CN106356994A (zh) | 一种基于电网pmu大数据的电网稳定性判别方法 | |
CN113949079B (zh) | 基于深度学习的配电台区用户三相不平衡预测优化方法 | |
CN108920810A (zh) | 基于大数据架构的电力仿真方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201120 |
|
RJ01 | Rejection of invention patent application after publication |