CN112149877B - 多元复杂城市电网多源数据驱动的故障预测方法及其系统 - Google Patents

多元复杂城市电网多源数据驱动的故障预测方法及其系统 Download PDF

Info

Publication number
CN112149877B
CN112149877B CN202010896029.8A CN202010896029A CN112149877B CN 112149877 B CN112149877 B CN 112149877B CN 202010896029 A CN202010896029 A CN 202010896029A CN 112149877 B CN112149877 B CN 112149877B
Authority
CN
China
Prior art keywords
fault
data
suspicious
static
prediction
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.)
Active
Application number
CN202010896029.8A
Other languages
English (en)
Other versions
CN112149877A (zh
Inventor
赵家庆
顾雅茹
张志昌
庄卫金
黄学良
闪鑫
吕洋
陈中
赵奇
龚育成
俞瑜
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.)
Southeast University
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Southeast University
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu 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 Southeast University, China Electric Power Research Institute Co Ltd CEPRI, State Grid Jiangsu Electric Power Co Ltd, State Grid Electric Power Research Institute, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Southeast University
Priority to CN202010896029.8A priority Critical patent/CN112149877B/zh
Publication of CN112149877A publication Critical patent/CN112149877A/zh
Application granted granted Critical
Publication of CN112149877B publication Critical patent/CN112149877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种多元复杂城市电网多源数据驱动的故障预测方法及其系统，首先采集电网数据，对动态电气量和静态物理量进行数据预处理标准化后，采用逐步回归分析法建立回归模型，并计算区域内监控对象的故障危险性系数，形成可疑故障数据集，并得出可疑故障概要信息表；由此调取每个采集样本点的电气量预测值，形成可疑故障详细信息。整合可疑故障详细信息与故障发生时间和故障距离，实现故障超前感知全信息整合，根据可疑故障类型读取超前控制指令库，调用建议预防控制办法，下发至反馈调度端。本发明解决了故障预测存在的问题，并给出故障趋势的全信息输出，以及建议采取的超前控制手段，从而减少电力系统故障的发生。

Description

多元复杂城市电网多源数据驱动的故障预测方法及其系统
技术领域
本发明属于发电、变电或配电技术领域，涉及多元复杂城市电网多源数据驱动的故障预测方法及其系统。
背景技术
在现代大型电力系统中，由于某些故障无法快速判断并及时处理，则可能引起大范围停电等严重事故。而随着电力系统信息技术的广泛应用，在系统运行中可获得大量的多源多态数据，利用多源多态数据，目前，现有技术(郑茂然等.基于大数据的输电线路故障预警模型设计[J].南方电网技术，2017，11(04):30-37.)涉及电力系统故障感知方法主要是利用电力系统中电气量、开关量种类两种信息进行大数据挖掘，寻找故障发生前电气量、开关量二者之间的故障数据特性，从而形成故障预警，但该类方法在提供准确故障类型方面仍存在较大误差，且无法提供故障的全部信息，为后续故障预防控制带来较大困难。
发明内容
为了解决现有技术存在的问题，本发明的目的在于，提供了多元复杂城市电网多源数据驱动的故障预测方法及其系统。该方法将电力系统故障趋势预测与电力系统故障趋势诊断结合起来，在现有的基于电气量和开关量数据挖掘的故障趋势预测技术基础上，加入物理量如天气、温度等气象信息，融合多源数据，建立故障判别指标体系，提高故障类型预测准确度，并且基于预测结果，创新性地将现有的故障事后诊断技术应用到故障超前感知技术上来，构建故障全信息超前感知体系，从而给出更精确、更详细的故障超前感知结果，为电力系统故障预防工作提供了重要指导作用。该方法将电力系统故障趋势预测与电力系统故障趋势诊断结合起来，运用先进的智能化技术对电力系统故障趋势进行超前感知，使得对电力系统故障防患于未然，便具有了极大的意义。
本发明采用如下的技术方案：
一种多元复杂城市电网多源数据驱动的故障预测方法，包括以下步骤：
步骤1：采集历史动态电气量，并将其划分为多元序列分析ARIMAX算法的训练集和测试集，并进行算法训练和故障预测日的动态电气量预测，生成预测动态电气量；
步骤2：分析电网数据中的静态开关量和静态物理量，以及步骤1所得预测动态电气量，以此判断静态开关量是否存在动作量；
步骤3：选取电网的节点负荷、输电线路为故障预测的监控对象，对预测动态电气量和静态物理量进行无量纲化处理，采用逐步回归分析法建立回归模型，通过逐步回归分析法确立预测自变量系数，根据公式(1)得出区域内监控对象的故障危险性系数
Figure BDA0002658481580000021
Figure BDA0002658481580000022
其中，
Figure BDA0002658481580000023
为区域内监控对象的故障危险性系数，Xi指代预测动态电气量及静态物理量中的数据，i取值范围为1至n，n代表数据类别总数；
步骤4：利用步骤3的方式对历史动态电气量和静态物理量进行历史故障危险性系数计算，将计算结果划分为训练集和测试集，训练SVM算法；
步骤5：利用步骤4训练好的SVM算法对输入的每个时刻各个节点的预测故障危险系数进行测试，并判断是否存在发生故障的可能性，输出所得到的数据分类结果散点图，以此预计电力系统发生故障或正常运行，
其中，SVM为支持向量机；
步骤6：利用步骤5所得SVM算法分类输出的故障节点数据，遍历每个可疑故障对应的ai系数，选取数值最大的可疑故障的系数对应的静态物理量Xi，读取故障数据库，输出该类数据出现问题后发生的故障类型，提取可疑故障指标，当电力系统发生故障时，同一电气量或物理量出现问题后导致一种或一种以上故障类型，相应的可疑故障指标为一种或一种以上，当可疑故障类型数目是一种时，则输出可疑故障概要信息表，当可疑故障类型数目是一种以上时，则跳转步骤7；
步骤7：舍弃步骤6所选取的最大的可疑故障的系数，选取此时最大的可疑故障的系数对应数据类型Xi，读取故障数据库，输出该类数据出现问题后导致的故障类型，判断可疑故障类型数目是否为一种，当可疑故障类型数目是一种以上时，则重新执行步骤7，当可疑故障类型数目是一种时，则输出可疑故障概要信息表；
步骤8：根据步骤6和步骤7所得可疑故障概要信息表调取每个采集样本点的静态电气量预测值，形成可疑故障详细信息；
步骤9：计算故障距离；
步骤10：结合步骤8所得可疑故障详细信息与步骤9所得故障距离，形成故障超前感知全信息整合，并传输至反馈调度端。
所述步骤1中，ARIMAX算法的时间序列模型参数选定为ARIMAX(1，1，1)。
所述步骤2中，当采集的静态开关量不存在动作量时，则舍弃静态开关量，输入两类数据，包括预测动态电气量以及静态物理量；当采集的静态开关量存在动作量时，则输入三类数据，包括静态开关量、预测动态电气量以及静态物理量。
所述步骤3中，每个自变量的数据都需要通过公式(2)进行无量纲化处理，
Figure BDA0002658481580000031
其中，x*为无量纲化后数值，x为初始自变量数据值，xμ为自变量数据均值，xδ为自变量数据标准差。
所述步骤8中，检测每个时间点t的静态电气量预测值γ，是否满足公式(3)，γmax为故障发生阈值，阈值取1.0～1.2倍峰值，记录不满足公式(3)此刻时间tsta,，继续检测直至预测值γ恢复满足公式(3)，记录时间tend，tsta为开始时刻，tend为结束时刻，
γt≤γmax (3)。
所述阈值取1.15倍峰值。
所述步骤9中，计算公式(4)、(5)得到故障距离结果，其中x为故障点到可疑故障设备节点端口的位置距离，l为线路总长，v为行波波速，tsta为开始时刻，tend为结束时刻，L为线路电感，C为线路电容；
Figure BDA0002658481580000032
Figure BDA0002658481580000033
一种多元复杂城市电网多源数据驱动的故障预测方法的故障预测系统，所述故障预测系统包括电气量预测模块、数据读取模块、回归模型建立模块、故障可能性数据挖掘模块、可疑故障迭代模块、故障距离及时间计算模块、故障超前感知全信息整合模块，
所述电气量预测模块利用历史电气量对未来电气量进行预测，读取历史动态电气量，作为多元序列分析ARIMAX算法的训练集和测试集，从而进行算法训练和故障预测日的动态电气量预测，得到预测动态电气预测量；
所述数据读取模块读取电网数据，包括静态开关量、预测动态电气量和历史及预测静态物理量，其中动态电气量包括输入/输出电压值、输入/输出电流值以及有功功率，静态物理量包括气象数据、地理数据、季节、电力系统电力元件维修数与更换数；
所述回归模型建立模块分析所采集的静态开关量是否存在动作量，当采集的静态开关量不存在动作量时，则舍弃静态开关量，输入两类数据，包括动态电气量以及静态物理量；存在动作量时输入三类数据，包括静态开关量、动态电气量以及静态物理量；选取其中的节点负荷、输电线路为故障预测的监控对象，对动态电气量和静态物理量进行无量纲化处理，采用逐步回归分析法建立回归模型，自变量包括动态电气量和静态物理量，且每个自变量的数据进行无量纲化处理，通过逐步回归分析法确立自变量系数；
所述故障可能性数据挖掘模块利用故障危险性系数构造大数据故障超前感知模型，即利用故障危险性系数训练SVM算法，对故障预测对象即电网节点进行故障危险系数是否存在发生故障的可能性的数据挖掘，即使用历史故障类型及其对应故障危险性系数进行数据集训练，数据集包括所读取的动态电气量和静态物理量，使用训练完成后的SVM算法对实时输入的每个时刻各个节点的故障危险系数进行测试，输出所得到的数据分类结果散点图，以此预计电力系统发生故障或正常运行，
其中，SVM为支持向量机；
所述可疑故障迭代模块对SVM算法数据挖掘输出的节点数据构造可疑故障数据集，遍历每个可疑故障对应的ai系数，选取数值最大的可疑故障的系数对应的静态物理量Xi，读取故障数据库，输出该类数据出现问题后最易发生的故障类型，即提取可疑故障指标，可疑故障指标指代故障类型，当电力系统发生故障时，同一电气量或物理量出现问题后导致一种或一种以上故障类型，相应的可疑故障指标为一种或一种以上，当可疑故障类型数目是一种以上时，则舍弃上一步所选取的最大的可疑故障的系数，继续进行迭代，选取此时最大的可疑故障的系数对应数据类型X，读取故障数据库，输出该类数据出现问题后导致的故障类型，判断可疑故障类型数目是否为一种，当可疑故障类型数目是一种以上时，则重新执行，当可疑故障类型数目是一种时，则输出可疑故障概要信息表，可疑故障概要信息表包括位置、可疑故障类型以及数据类型X对应时间序号，最终根据所得可疑故障概要信息表对应每个采集样本点的静态电气量预测值，形成可疑故障详细信息，其中静态电气量包括电流值和功率值；
所述故障距离及时间计算模块计算得到故障距离及故障时间结果；
所述故障超前感知全信息整合模块结合所得可疑故障详细信息与所得故障发生时间和故障距离，形成故障超前感知全信息整合，根据可疑故障类型读取超前控制指令库，调用建议预防控制措施，下发至反馈调度端。
与现有技术相比，本发明的有益效果在于：
(1)本方法输入端数据种类涵盖较广，利用多源数据之间的冗余性，提高准确性；
(2)利用电力系统多源数据进行的故障趋势超前感知相比于传统意义的故障预测，输出故障趋势信息更明晰准确；
(3)考虑未发生故障和已发生故障是否会发生连锁故障的情况下的故障趋势感知。
附图说明
图1是本发明方法的算法流程图；
图2是某地区电力系统节点图；
图3是故障位置示意图；
图4是一种多元复杂城市电网多源数据驱动的故障预测方法的故障预测系统具体工作流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明的保护范围。
实例默认故障类型库包含灾害导致断路、灾害导致短路、老化导致断路、鸟害导致短路四大类，且已建立对应故障历史数据库。实例进行前，调试算法，默认采用对应故障及其历史特征数据(影响因子)计算的故障危险系数y对SVM算法完成了训练。且算法所用输入数据为预测数据。
在本实施例中提供了多元复杂城市电网多源数据驱动的故障预测方法及其系统，图1是根据本发明实施例算法的流程图，如图1所示，包括如下步骤：
步骤1：采集历史动态电气量，并将其划分为多元序列分析ARIMAX算法的训练集和测试集，并进行算法训练和故障预测日的动态电气量预测，生成预测动态电气量；
ARIMAX算法的时间序列模型参数选定为ARIMAX(1，1，1)。
步骤2：分析电网数据中的静态开关量和静态物理量，以及步骤1所得预测动态电气量，以此判断静态开关量是否存在动作量；
当采集的静态开关量不存在动作量时，则舍弃静态开关量，输入两类数据，包括预测动态电气量以及静态物理量；当采集的静态开关量存在动作量时，则输入三类数据，包括静态开关量、预测动态电气量以及静态物理量。
步骤3：选取电网的节点负荷、输电线路为故障预测的监控对象，对预测动态电气量和静态物理量进行无量纲化处理，采用逐步回归分析法建立回归模型，通过逐步回归分析法确立预测自变量系数，根据公式(1)得出区域内监控对象的故障危险性系数
Figure BDA0002658481580000061
Figure BDA0002658481580000062
其中，
Figure BDA0002658481580000063
为区域内监控对象的故障危险性系数，Xi指代预测动态电气量及静态物理量中的数据，i取值范围为1至n，n代表数据类别总数；
每个自变量的数据都需要通过公式(2)进行无量纲化处理，
Figure BDA0002658481580000064
其中，x*为无量纲化后数值，x为初始自变量数据值，xμ为自变量数据均值，xδ为自变量数据标准差。
步骤4：利用步骤3的方式对历史动态电气量和静态物理量进行历史故障危险性系数计算，将计算结果划分为训练集和测试集，训练SVM算法；
对步骤3中的故障预测监控对象的故障危险系数是否存在发生故障的可能性进行数据挖掘，即使用历史故障类型及其对应故障危险性系数进行数据集训练，数据集包括步骤1所采集的采集历史动态电气量，使用训练完成后的SVM算法对实时输入的每个时刻各个节点的故障危险系数进行测试，输出所得到的数据分类结果散点图，以此预计电力系统发生故障或正常运行，
其中，SVM为支持向量机；
步骤5：利用步骤4训练好的SVM算法对输入的每个时刻各个节点的预测故障危险系数进行测试，并判断是否存在发生故障的可能性，输出所得到的数据分类结果散点图，以此预计电力系统发生故障或正常运行；
步骤6：利用步骤5所得SVM算法分类输出的故障节点数据，遍历每个可疑故障对应的ai系数，选取数值最大的可疑故障的系数对应的静态物理量Xi，读取故障数据库，输出该类数据出现问题后发生的故障类型，提取可疑故障指标，当电力系统发生故障时，同一电气量或物理量出现问题后导致一种或一种以上故障类型，相应的可疑故障指标为一种或一种以上，当可疑故障类型数目是一种时，则输出可疑故障概要信息表，当可疑故障类型数目是一种以上时，则跳转步骤7；
步骤7：舍弃步骤6所选取的最大的可疑故障的系数，选取此时最大的可疑故障的系数对应数据类型Xi，读取故障数据库，输出该类数据出现问题后导致的故障类型，判断可疑故障类型数目是否为一种，当可疑故障类型数目是一种以上时，则重新执行步骤7，当可疑故障类型数目是一种时，则输出可疑故障概要信息表；
步骤8：根据步骤6和步骤7所得可疑故障概要信息表调取每个采集样本点的静态电气量预测值，形成可疑故障详细信息；
检测每个时间点t的静态电气量预测值γ，是否满足公式(3)，γmax为故障发生阈值，阈值取1.0～1.2倍峰值，本申请选取的阈值为1.15倍峰值，记录不满足公式(3)此刻时间tsta，，继续检测直至预测值γ恢复满足公式(3)，记录时间tend，tsta为开始时刻，tend为结束时刻，
γt≤γmax (3)。
步骤9：计算故障距离；
计算公式(4)、(5)得到故障距离结果，其中x为故障点到可疑故障设备节点端口的位置距离，l为线路总长，v为行波波速，tsta为开始时刻，tend为结束时刻，L为线路电感，C为线路电容；
Figure BDA0002658481580000081
Figure BDA0002658481580000082
步骤10：结合步骤8所得可疑故障详细信息与步骤9所得故障距离，形成故障超前感知全信息整合，根据可疑故障类型读取超前控制指令库，调用建议预防控制办法，下发至反馈调度端。
下面通过一个实例对本发明实施例进行举例说明。
假设图2为某地区电力系统节点图，1cm代表10km，线路默认为LGJ-185，正序电抗为0.1Ω/km，Xi(i＝1，2，3，4)代表节点电流I、节点电压U、有功功率P及无功功率Q，Xj(j＝5，6，7)代表降雨量R、降雪量S、日平均气温T，ARIMAX模型参数采取ARIMAX(1，1，1)。仿真模拟对第二天该系统的预测值进行故障趋势超前感知，设定输入的预测数据体现为老化导致继电保护元件误动故障于系统开始运行(t＝0)5分钟后发生在节点17与18中点处(全长20km)，运行专利提出的系统，得到结果如表1所示。
表1
实例：基于IEEE39节点系统进行的，算法步骤1-7的演算实例
Figure BDA0002658481580000083
其中，故障位置示意图如图3中17与18之间的方框所示。
本申请还同时公开了一种多元复杂城市电网多源数据驱动的故障预测方法的故障预测系统，具体工作流程如图4所示。
一种多元复杂城市电网多源数据驱动的故障预测方法的故障预测系统，包括电气量预测模块、数据读取模块、回归模型建立模块、故障可能性数据挖掘模块、可疑故障迭代模块、故障距离及时间计算模块、故障超前感知全信息整合模块，
电气量预测模块利用历史电气量对未来电气量进行预测，读取历史动态电气量，作为多元序列分析ARIMAX算法的训练集和测试集，从而进行算法训练和故障预测日的动态电气量预测，得到预测动态电气预测量；
数据读取模块读取电网数据，包括静态开关量、预测动态电气量和历史及预测静态物理量，其中动态电气量包括输入/输出电压值、输入/输出电流值以及有功功率，静态物理量包括气象数据、地理数据、季节、电力系统电力元件维修数与更换数；
回归模型建立模块分析所采集的静态开关量是否存在动作量，当采集的静态开关量不存在动作量时，则舍弃静态开关量，输入两类数据，包括动态电气量以及静态物理量；存在动作量时输入三类数据，包括静态开关量、动态电气量以及静态物理量；选取其中的节点负荷、输电线路为故障预测的监控对象，对动态电气量和静态物理量进行无量纲化处理，采用逐步回归分析法建立回归模型，自变量包括动态电气量和静态物理量，且每个自变量的数据进行无量纲化处理，通过逐步回归分析法确立自变量系数；
故障可能性数据挖掘模块利用故障危险性系数构造大数据故障超前感知模型，即利用故障危险性系数训练SVM算法，对故障预测对象即电网节点进行故障危险系数是否存在发生故障的可能性的数据挖掘，即使用历史故障类型及其对应故障危险性系数进行数据集训练，数据集包括所读取的动态电气量和静态物理量，使用训练完成后的SVM算法对实时输入的每个时刻各个节点的故障危险系数进行测试，输出所得到的数据分类结果散点图，以此预计电力系统发生故障或正常运行，
其中，SVM为支持向量机；
可疑故障迭代模块对SVM算法数据挖掘输出的节点数据构造可疑故障数据集，遍历每个可疑故障对应的ai系数，选取数值最大的可疑故障的系数对应的静态物理量Xi，读取故障数据库，输出该类数据出现问题后最易发生的故障类型，即提取可疑故障指标，可疑故障指标指代故障类型，当电力系统发生故障时，同一电气量或物理量出现问题后导致一种或一种以上故障类型，相应的可疑故障指标为一种或一种以上，当可疑故障类型数目是一种以上时，则舍弃上一步所选取的最大的可疑故障的系数，继续进行迭代，选取此时最大的可疑故障的系数对应数据类型X，读取故障数据库，输出该类数据出现问题后导致的故障类型，判断可疑故障类型数目是否为一种，当可疑故障类型数目是一种以上时，则重新执行，当可疑故障类型数目是一种时，则输出可疑故障概要信息表，可疑故障概要信息表包括位置、可疑故障类型以及数据类型X对应时间序号，最终根据所得可疑故障概要信息表对应每个采集样本点的静态电气量预测值，形成可疑故障详细信息，其中静态电气量包括电流值和功率值；
故障距离及时间计算模块计算得到故障距离及故障时间结果；
故障超前感知全信息整合模块结合所得可疑故障详细信息与所得故障发生时间和故障距离，形成故障超前感知全信息整合，根据可疑故障类型读取超前控制指令库，调用建议预防控制措施，下发至反馈调度端。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种多元复杂城市电网多源数据驱动的故障预测方法，其特征在于，包括以下步骤：
步骤1：采集历史动态电气量，并将其划分为多元序列分析ARIMAX算法的训练集和测试集，并进行算法训练和故障预测日的动态电气量预测，生成预测动态电气量；
步骤2：分析电网数据中的静态开关量和静态物理量，以及步骤1所得预测动态电气量，以此判断静态开关量是否存在动作量；
步骤3：选取电网的节点负荷、输电线路为故障预测的监控对象，对预测动态电气量和静态物理量进行无量纲化处理，采用逐步回归分析法建立回归模型，通过逐步回归分析法确立预测自变量系数，根据公式(1)得出区域内监控对象的故障危险性系数
Figure FDA0003624510540000011
Figure FDA0003624510540000012
其中，
Figure FDA0003624510540000013
为区域内监控对象的故障危险性系数，Xi指代预测动态电气量及静态物理量中的数据，i取值范围为1至n，n代表数据类别总数；
步骤4：利用步骤3的方式对历史动态电气量和静态物理量进行历史故障危险性系数计算，将计算结果划分为训练集和测试集，训练SVM算法；
步骤5：利用步骤4训练好的SVM算法对输入的每个时刻各个节点的预测故障危险系数进行测试，并判断是否存在发生故障的可能性，输出所得到的数据分类结果散点图，以此预计电力系统发生故障或正常运行，
其中，SVM为支持向量机；
步骤6：利用步骤5所得SVM算法分类输出的故障节点数据，遍历每个可疑故障对应的ai系数，选取数值最大的可疑故障的系数对应的静态物理量Xi，读取故障数据库，输出该数据出现问题后发生的故障类型，提取可疑故障指标，当电力系统发生故障时，同一电气量或物理量出现问题后导致一种或两种以上故障类型，相应的可疑故障指标为一种或两种以上，当可疑故障类型数目是一种时，则输出可疑故障概要信息表，当可疑故障类型数目是两种以上时，则跳转步骤7；
步骤7：舍弃步骤6所选取的最大的可疑故障的系数，选取此时最大的可疑故障的系数对应数据类型Xi，读取故障数据库，输出该数据出现问题后导致的故障类型，判断可疑故障类型数目是否为一种，当可疑故障类型数目是两种以上时，则重新执行步骤7，当可疑故障类型数目是一种时，则输出可疑故障概要信息表；
步骤8：根据步骤6和步骤7所得可疑故障概要信息表调取每个采集样本点的静态电气量预测值，形成可疑故障详细信息；
步骤9：计算故障距离；
步骤10：结合步骤8所得可疑故障详细信息与步骤9所得故障距离，形成故障超前感知全信息整合，并传输至反馈调度端。
2.根据权利要求1所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：
所述步骤1中，ARIMAX算法的时间序列模型参数选定为ARIMAX(1，1，1)。
3.根据权利要求1所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：
所述步骤2中，当采集的静态开关量不存在动作量时，则舍弃静态开关量，输入两类数据，包括预测动态电气量以及静态物理量；当采集的静态开关量存在动作量时，则输入三类数据，包括静态开关量、预测动态电气量以及静态物理量。
4.根据权利要求1所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：
所述步骤3中，每个自变量的数据都需要通过公式(2)进行无量纲化处理，
Figure FDA0003624510540000021
其中，x*为无量纲化后数值，x为初始自变量数据值，xμ为自变量数据均值，xδ为自变量数据标准差。
5.根据权利要求1所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：
所述步骤8中，检测每个时间点t的静态电气量预测值γ，是否满足公式(3)，γmax为故障发生阈值，阈值取1.0～1.2倍峰值，记录不满足公式(3)此刻时间tsta，继续检测直至预测值γ恢复满足公式(3)，记录时间tend，tsta为开始时刻，tend为结束时刻，
γt≤γmax (3)。
6.根据权利要求5所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：
所述阈值取1.15倍峰值。
7.根据权利要求5所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：
所述步骤9中，计算公式(4)、(5)得到故障距离结果，其中x为故障点到可疑故障设备节点端口的位置距离，l为线路总长，v为行波波速，tsta为开始时刻，tend为结束时刻，L为线路电感，C为线路电容；
Figure FDA0003624510540000031
Figure FDA0003624510540000032
8.一种利用权利要求1-7中任一权利要求所述一种多元复杂城市电网多源数据驱动的故障预测方法的故障预测系统，所述故障预测系统包括电气量预测模块、数据读取模块、回归模型建立模块、故障可能性数据挖掘模块、可疑故障迭代模块、故障距离及时间计算模块、故障超前感知全信息整合模块，其特征在于：
所述电气量预测模块利用历史电气量对未来电气量进行预测，读取历史动态电气量，作为多元序列分析ARIMAX算法的训练集和测试集，从而进行算法训练和故障预测日的动态电气量预测，得到预测动态电气预测量；
所述数据读取模块读取电网数据，包括静态开关量、预测动态电气量和历史及预测静态物理量，其中动态电气量包括输入/输出电压值、输入/输出电流值以及有功功率，静态物理量包括气象数据、地理数据、季节、电力系统电力元件维修数与更换数；
所述回归模型建立模块分析所采集的静态开关量是否存在动作量，当采集的静态开关量不存在动作量时，则舍弃静态开关量，输入两类数据，包括动态电气量以及静态物理量；存在动作量时输入三类数据，包括静态开关量、动态电气量以及静态物理量；选取其中的节点负荷、输电线路为故障预测的监控对象，对动态电气量和静态物理量进行无量纲化处理，采用逐步回归分析法建立回归模型，自变量包括动态电气量和静态物理量，且每个自变量的数据进行无量纲化处理，通过逐步回归分析法确立自变量系数；
所述故障可能性数据挖掘模块利用故障危险性系数构造大数据故障超前感知模型，即利用故障危险性系数训练SVM算法，对故障预测对象即电网节点进行故障危险系数是否存在发生故障的可能性的数据挖掘，即使用历史故障类型及其对应故障危险性系数进行数据集训练，数据集包括所读取的动态电气量和静态物理量，使用训练完成后的SVM算法对实时输入的每个时刻各个节点的故障危险系数进行测试，输出所得到的数据分类结果散点图，以此预计电力系统发生故障或正常运行，
其中，SVM为支持向量机；
所述可疑故障迭代模块对SVM算法数据挖掘输出的节点数据构造可疑故障数据集，遍历每个可疑故障对应的ai系数，选取数值最大的可疑故障的系数对应的静态物理量Xi，读取故障数据库，输出该类数据出现问题后最易发生的故障类型，即提取可疑故障指标，可疑故障指标指代故障类型，当电力系统发生故障时，同一电气量或物理量出现问题后导致一种或一种以上故障类型，相应的可疑故障指标为一种或一种以上，当可疑故障类型数目是一种以上时，则舍弃上一步所选取的最大的可疑故障的系数，继续进行迭代，选取此时最大的可疑故障的系数对应数据类型X，读取故障数据库，输出该类数据出现问题后导致的故障类型，判断可疑故障类型数目是否为一种，当可疑故障类型数目是一种以上时，则重新执行，当可疑故障类型数目是一种时，则输出可疑故障概要信息表，可疑故障概要信息表包括位置、可疑故障类型以及数据类型X对应时间序号，最终根据所得可疑故障概要信息表对应每个采集样本点的静态电气量预测值，形成可疑故障详细信息，其中静态电气量包括电流值和功率值；
所述故障距离及时间计算模块计算得到故障距离及故障时间结果；
所述故障超前感知全信息整合模块结合所得可疑故障详细信息与所得故障发生时间和故障距离，形成故障超前感知全信息整合，根据可疑故障类型读取超前控制指令库，调用建议预防控制措施，下发至反馈调度端。
CN202010896029.8A 2020-08-31 2020-08-31 多元复杂城市电网多源数据驱动的故障预测方法及其系统 Active CN112149877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010896029.8A CN112149877B (zh) 2020-08-31 2020-08-31 多元复杂城市电网多源数据驱动的故障预测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010896029.8A CN112149877B (zh) 2020-08-31 2020-08-31 多元复杂城市电网多源数据驱动的故障预测方法及其系统

Publications (2)

Publication Number Publication Date
CN112149877A CN112149877A (zh) 2020-12-29
CN112149877B true CN112149877B (zh) 2022-07-05

Family

ID=73890205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010896029.8A Active CN112149877B (zh) 2020-08-31 2020-08-31 多元复杂城市电网多源数据驱动的故障预测方法及其系统

Country Status (1)

Country Link
CN (1) CN112149877B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116136987B (zh) * 2023-02-21 2023-08-15 北京思维实创科技有限公司 一种基于pscada数据的供电设备可靠性在线评估方法及其系统
CN116539128B (zh) 2023-06-26 2023-11-17 成都秦川物联网科技股份有限公司 智慧燃气超声波计量仪表准确度诊断方法及物联网系统
CN117370872B (zh) * 2023-12-07 2024-03-26 国网江苏省电力有限公司南通供电分公司 电力设备的寻优控制方法及装置
CN117937491B (zh) * 2023-12-14 2024-10-08 国家电网有限公司华东分部 新能源车辆调度方法及装置、计算机设备和可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256536A (zh) * 2016-12-28 2018-07-06 全球能源互联网研究院 一种基于地理位置关系的电力网络态势感知方法和装置
CN110209999A (zh) * 2018-02-28 2019-09-06 广州地铁集团有限公司 一种车载设备故障趋势预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256536A (zh) * 2016-12-28 2018-07-06 全球能源互联网研究院 一种基于地理位置关系的电力网络态势感知方法和装置
CN110209999A (zh) * 2018-02-28 2019-09-06 广州地铁集团有限公司 一种车载设备故障趋势预测方法

Also Published As

Publication number Publication date
CN112149877A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN112149877B (zh) 多元复杂城市电网多源数据驱动的故障预测方法及其系统
CN108627720B (zh) 一种基于贝叶斯算法的电力设备状态监测方法
CN105846780A (zh) 一种基于决策树模型的光伏组件故障诊断方法
CN110378042B (zh) 基于scada数据的风电机组齿轮箱油温异常检测方法及系统
CN112883634B (zh) 基于多维度分析的直流测量系统状态预测方法及系统
CN112861350B (zh) 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN112836941B (zh) 一种煤电机组汽轮机高加系统在线健康状况评估方法
CN110210606A (zh) 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质
CN112287602A (zh) 一种基于机器学习和孤立森林的动车轴温故障预警方法
CN111669123A (zh) 用于对光伏组串进行故障诊断的方法和装置
CN112187528A (zh) 基于sarima的工业控制系统通信流量在线监测方法
CN112598144A (zh) 基于相关性分析的cnn-lstm突发故障预警方法
CN112231624A (zh) 基于物联网的多变压器绕组抗短路能力的实时评估系统
CN117706258B (zh) 一种基于大数据处理的故障检测系统
CN105958474B (zh) 一种电网调控系统用输电线路动态增容方法和系统
CN117992896A (zh) 煤矿区高压供电故障定位选线系统
CN113390641A (zh) 风烟系统设备故障的智能预警与在线诊断方法及系统
CN117494009A (zh) 基于绝缘材料热解分析的电气设备状态评估方法及云平台
CN105225167A (zh) 一种连锁故障序列识别系统及方法
CN112418662A (zh) 一种利用人工神经网络的配电网运行可靠性分析方法
CN115017143A (zh) 一种智能化高压开关的数据清洗方法
CN111814325B (zh) 燃煤发电装备非平稳运行的单变量报警阈值优化方法
CN113537338A (zh) 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法
CN113078880A (zh) 光伏发电组件分布式在线故障诊断方法及系统
CN116146402B (zh) 水电站调速器主配压阀抽动故障诊断预警方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220112

Address after: 215004 No. 555 Labor Road, Gusu District, Suzhou City, Jiangsu Province

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUZHOU BRANCH

Applicant after: SOUTHEAST University

Applicant after: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant after: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Address before: 215004 No. 555 Labor Road, Gusu District, Suzhou City, Jiangsu Province

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUZHOU BRANCH

Applicant before: SOUTHEAST University

Applicant before: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant before: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant