CN112415337B - 一种基于动态集合覆盖的配电网故障诊断方法 - Google Patents
一种基于动态集合覆盖的配电网故障诊断方法 Download PDFInfo
- Publication number
- CN112415337B CN112415337B CN202011460803.7A CN202011460803A CN112415337B CN 112415337 B CN112415337 B CN 112415337B CN 202011460803 A CN202011460803 A CN 202011460803A CN 112415337 B CN112415337 B CN 112415337B
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- power distribution
- line
- nodes
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于动态集合覆盖的配电网故障诊断方法,包括步骤:对配电网故障区段的节点和供电线路进行统一编号并引入可达矩阵对各节点间的连通性进行建模;同时构建与可达矩阵对应的故障电流信息‑故障区段相关矩阵,并建立动态集合覆盖模型;使用维特比译码求解动态集合覆盖模型,得到配电网中每条线路区段的工作状态变化序列;根据工作状态变化序列判定设定的时间周期上配电网的线路区段状态集合是否能够覆盖所有故障电流信息,得到故障线路的区段集合。本发明可以根据每个时间周期FTU设备上报的故障电流信息集合预测出现故障的线路区段集合,并可以准确定位同时出现故障的多个线路区段。
Description
技术领域
本发明涉及配电网故障诊断技术领域,特别是一种基于动态集合覆盖的配电网故障诊断方法。
背景技术
配电网作为电力网络中直接向用户供电的末端基础环节,其工作状态将直接影响电力用户的用电质量和用电体验。当前电力用户对供电可靠性的要求随着国民经济的快速发展变得越来越高,因此,在配电网中出现故障时,精确快速的故障定位是保证供电可靠性、降低电力用户停电时长的重要手段之一。
为了实现对配电网故障的精确定位,当前大多研究都是基于同时结合稳态和暂态电气信息的故障诊断方法。当配电网发生故障时,根据各区段内谐振频率的差异,利用聚类方法提取重心频率,将其与幅值特征相对照从而定位出故障线路区段。但该类方法的准确度会受配电网拓扑的影响。
发明内容
有鉴于此,本发明的目的是提出一种基于动态集合覆盖的配电网故障诊断方法,可以根据每个时间周期FTU设备上报的故障电流信息集合预测出现故障的线路区段集合,并可以准确定位同时出现故障的多个线路区段。
本发明采用以下方案实现:一种基于动态集合覆盖的配电网故障诊断方法,具体包括以下步骤:
对配电网故障区段的节点和供电线路进行统一编号并引入可达矩阵对各节点间的连通性进行建模;
收集可达矩阵表示的配电网拓扑信息和所有节点的馈线终端单元上报的故障电流信息;同时构建与可达矩阵对应的故障电流信息-故障区段相关矩阵,并建立动态集合覆盖模型;
根据可达矩阵和故障电流信息使用维特比译码求解动态集合覆盖模型,得到配电网中每条线路区段的工作状态变化序列;
根据工作状态变化序列判定设定的时间周期上配电网的线路区段状态集合是否能够覆盖所有故障电流信息,若不能,则根据回报函数增量最大化准则选择继续将其它故障线路区段放进解决方案,循环直至满足每个时间周期的覆盖条件,得到故障线路的区段集合。
进一步地,所述对配电网故障区段的节点和供电线路进行统一编号具体为:
定义主电源向电力用户供电的方向为正方向,逆方向为反方向;
将距离主电源最近的节点编号为1,之后沿着正方向对其它节点依次进行编号;
供电线路的区段编号和其流入节点的编号一致。
进一步地,所述引入可达矩阵对各节点间的连通性进行建模具体为:
设节点i和节点j是配电网中的两个节点,则从节点i到节点j的可达性rij∈R可定义如下:
R表示n×n的可达矩阵,n表示网络中的节点总数,rij为可达矩阵中的元素,若满足i=j,则rij=1。
进一步地,所述馈线终端单元上报的故障电流信息采用矢量S=[s1,s2,...,sn]表示,其中n表示配电网中的节点总数,若节点j的馈线终端单元监测到正向故障电流,则sj=1,否则sj=0,1≤j≤n。
进一步地,所述构建与可达矩阵对应的故障电流信息-故障区段相关矩阵具体为:
所述故障电流信息-线路区段相关矩阵Q={qji|1≤j≤n,1≤i≤|L|}中的qji的值对应节点j的故障电流信息和线路区段i的相关关系,该项值为1表示的是当线路区段i出现故障时,节点j的馈线终端单元监测到正向故障电流,否则该值为0;在配电网中节点总数n和线路区段总数|L|满足n=|L|,相关矩阵和可达矩阵一一对应。
进一步地,所述建立动态集合覆盖模型具体为:
将连续时间周期上的故障诊断问题建立为动态集合覆盖模型,并将该模型对应为多个相似的HMM;
在时刻k第i条线路区段的状态表示为xi(k);将每一个条线路区段的状态xi(k)建模为双态的隐马尔科夫模型,由此将动态集合覆盖问题可表示为DSC={M,κ,Pa,Pv,S},每一个元素表示的含义如下:
M={m1,...,m|L|}是配电网拓扑中|L|条可能出现故障的线路区段集合;
κ={0,1,...,k,...,K}是离散的观测时刻;让xi(k)表示线路区段i在时刻k的状态,则xi(k)=1表明在时刻k,线路区段i在最小覆盖的解决方案中,也即是线路区段i出现故障,否则xi(k)=0,表明线路区段i工作状态正常;
假设配电网拓扑中每条线路区段有两个工作状态;在每个时刻,对于每条线路区段i,其出现故障的概率Pai(k)和该故障恢复正常的概率Pvi(k)分别定义为Pai(k)=Pr(xi(k)=1|xi(k)=0)和Pvi(k)=Pr(xi(k)=0|xi(k-1)=1)。
S=[s1,s2,...,sn]为每个节点的馈线终端单元检测到的电流信息,也即是故障诊断阶段的输入信息;在每个观测时刻k,k∈κ,之前时刻和当前时刻的观测值是已知的;
设约束矩阵为Qs(k),该矩阵为相关矩阵Q的行子集,包含k时刻出现正向故障电流信息的节点所在的所有行,其中(qs(k))ji表示Qs(k)的第{j,i}项。
进一步地,所述根据可达矩阵和故障电流信息使用维特比译码求解动态集合覆盖模型,得到配电网中每条线路区段的工作状态变化序列具体为:
在初始时刻,计算目标函数在时刻1上的值以用于维特比译码初始化;
初始化后在整个时间周期使用维特比译码进行循环递归,也即是在时刻2到时刻K上运行,在每个时刻和初始时刻执行相同的步骤;
当遍历完K个时间周期后,方法终止,方法终止后,进行最优状态序列回溯,得到线路区段i在K个时间周期上的最优状态序列,即线路区段i在这段时间周期上的工作状态变化序列。
进一步地,所述目标函数如下:
P2:xi(k)∈{0,1},k=1,2,...,K
式中,K表示总时间周期,|L|表示线路区段个数,(qs(k))ji表示约束矩阵Qs(k)的第{j,i}项,xi(k)=1表明在时刻k,线路区段i在最小覆盖的解决方案中,也即是线路区段i出现故障,否则xi(k)=0;
fki(xi(k),xi(k-1))的展开形式为:
式中,中Pai(k)和Pvi(k)分别表示每条线路区段i出现故障的概率Pai(k)和该故障恢复正常的概率Pvi(k)。
本发明还提供了一种基于动态集合覆盖的配电网故障诊断系统,包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:本发明可充分利用矩阵分析法的简易性和机器学习方法的智能性,根据配电网拓扑建立电流信息-故障区段相关矩阵,并利用隐马尔科夫模型刻画每条线路区段的变化序列,基于每个时间周期FTU设备上报的故障电流信息集合,建立基于动态集合覆盖的配电网故障诊断模型,并采用维特比译码预测满足集合覆盖条件的每条线路区段的工作状态变化序列,从而实现对配电网的在线故障诊断。本发明使用的基于动态集合覆盖的故障诊断方法可以快速准确地定位出同时出现故障的线路区段集合。
附图说明
图1为本发明实施例的配电网拓扑示意图。
图2为本发明实施例的基于动态集合覆盖的故障诊断原理图。
图3为本发明实施例的使用隐马尔可夫模型观测线路区段状态原理图。
图4为本发明实施例的基于维特比译码的线路区段状态序列预测方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种基于动态集合覆盖的配电网故障诊断方法,具体包括以下步骤:
对配电网故障区段的节点和供电线路进行统一编号并引入可达矩阵对各节点间的连通性进行建模;
收集可达矩阵表示的配电网拓扑信息和所有节点的馈线终端单元上报的故障电流信息;同时构建与可达矩阵对应的故障电流信息-故障区段相关矩阵,并建立动态集合覆盖模型;
根据可达矩阵和故障电流信息使用维特比译码求解动态集合覆盖模型,得到配电网中每条线路区段的工作状态变化序列;
根据工作状态变化序列判定设定的时间周期上配电网的线路区段状态集合是否能够覆盖所有故障电流信息,若不能,则根据回报函数增量最大化准则选择继续将其它故障线路区段放进解决方案,循环直至满足每个时间周期的覆盖条件,得到故障线路的区段集合。
在本实施例中,所述对配电网故障区段的节点和供电线路进行统一编号具体为:
定义主电源向电力用户供电的方向为正方向,逆方向为反方向;
将距离主电源最近的节点编号为1,之后沿着正方向对其它节点依次进行编号;
供电线路的区段编号和其流入节点的编号一致。
在本实施例中,所述引入可达矩阵对各节点间的连通性进行建模具体为:
设节点i和节点j是配电网中的节点,则从节点i到节点j的可达性rij∈R可定义如下:
R表示n×n的可达矩阵,n表示网络中的节点总数,rij为可达矩阵中的元素,若满足i=j,则rij=1。其中,i,j表示配电网中的两个节点,同时也表示可达矩阵的行和列,i=j时rij为对角线元素,因节点到其本身一定是可达的,故若满足i=j,则rij=1。
在本实施例中,所述馈线终端单元上报的故障电流信息采用矢量S=[s1,s2,...,sn]表示,其中n表示配电网中的节点总数,若节点j的馈线终端单元监测到正向故障电流,则sj=1,否则sj=0,1≤j≤n。
在本实施例中,所述构建与可达矩阵对应的故障电流信息-故障区段相关矩阵具体为:
所述故障电流信息-线路区段相关矩阵Q={qji|1≤j≤n,1≤i≤|L|}中的qji的值对应节点j的故障电流信息和线路区段i的相关关系,该项值为1表示的是当线路区段i出现故障时,节点j的馈线终端单元监测到正向故障电流,否则该值为0;在配电网中节点总数n和线路区段总数|L|满足n=|L|,相关矩阵和可达矩阵一一对应。
在本实施例中,动态集合覆盖模型包含一系列时间耦合的最小集合覆盖问题。最小集合覆盖需要在保证最小成本的前提下覆盖所有上报正向故障电流信息的节点。在无权重的集合覆盖问题中,最小集合覆盖包含最少的故障位置。从故障线路区段中移除任一故障都不能覆盖所有上报正向故障电流信息的节点。基于动态集合覆盖的故障诊断模型需要根据每个时间周期收集到的故障电流信息集合推测出每条线路区段的工作状态序列。因此线路区段的运行状态在连续时间周期上是相关的,引入隐马尔可夫模型(Hidden MarkovModels,HMM)刻画线路区段状态在时间序列上的变化情况,并将每个节点的正向故障电流信息定义为HMM中的观测状态,将每条线路区段的运行状态定义为HMM中的隐藏状态,因此,动态集合覆盖问题可对应于多个相似的HMM。
所述建立动态集合覆盖模型具体为:
将连续时间周期上的故障诊断问题建立为动态集合覆盖模型,并将该模型对应为多个相似的HMM;因出现故障的线路区段集合是隐藏的(未知的),需要根据正向故障电流信息集合推断得到,因此隐马尔科夫模型可以完美地对动态集合覆盖问题。
在时刻k第i条线路区段的状态表示为xi(k);将每一个条线路区段的状态xi(k)建模为双态的隐马尔科夫模型,由此将动态集合覆盖问题可表示为DSC={M,κ,Pa,Pv,S},每一个元素表示的含义如下:
M={m1,...,m|L|}是配电网拓扑中|L|条可能出现故障的线路区段集合;
κ={0,1,...,k,...,K}是离散的观测时刻;让xi(k)表示线路区段i在时刻k的状态,则xi(k)=1表明在时刻k,线路区段i在最小覆盖的解决方案中,也即是线路区段i出现故障,否则xi(k)=0,表明线路区段i工作状态正常;
假设配电网拓扑中每条线路区段有两个工作状态;在每个时刻,对于每条线路区段i,其出现故障的概率Pai(k)和该故障恢复正常的概率Pvi(k)分别定义为Pai(k)=Pr(xi(k)=1|xi(k)=0)和Pvi(k)=Pr(xi(k)=0|xi(k-1)=1)。
S=[s1,s2,...,sn]为每个节点的馈线终端单元检测到的电流信息,也即是故障诊断阶段的输入信息;在每个观测时刻k,k∈κ,之前时刻和当前时刻的观测值是已知的;
矩阵Q(Q={qji|1≤j≤n,1≤i≤|L|})用于表示电流信息和线路段之间的相关关系,其中故障线路区段为矩阵中的列,正向故障电流信息为矩阵中的行。若qji=1,表示当故障线路区段i出现故障时,节点j的馈线终端单元可以监测到正向故障电流信息,也即是说i能够覆盖j。设约束矩阵为Qs(k),该矩阵为相关矩阵Q的行子集,包含k时刻出现正向故障电流信息的节点所在的所有行,其中(qs(k))ji表示Qs(k)的第{j,i}项。
在本实施例中,所述根据可达矩阵和故障电流信息使用维特比译码求解动态集合覆盖模型,得到配电网中每条线路区段的工作状态变化序列具体为:
在初始时刻,计算目标函数在时刻1上的值以用于维特比译码初始化;
初始化后在整个时间周期使用维特比译码进行循环递归,也即是在时刻2到时刻K上运行,在每个时刻和初始时刻执行相同的步骤;
当遍历完K个时间周期后,方法终止,方法终止后,进行最优状态序列回溯,得到线路区段i在K个时间周期上的最优状态序列,即线路区段i在这段时间周期上的工作状态变化序列。
在本实施例中,为了实现配电网在连续时间周期上的故障诊断,将该问题建立为动态集合覆盖模型,并将该模型对应为个相似的HMM。连续时间周期上的故障诊断问题需要找到每个时间周期上最小的故障线路区段集合,该集合能够覆盖每个观测周期的正向故障电流信息集合,也即是推测配电网中线路区段的工作状态随着时间变化的情况,,该序列能够最好地解释观测序列。此时,基于动态集合覆盖的故障诊断问题就可通过寻找最大后验概率的方式解决,而最大后验概率问题的目标函数如下所示:
P2:xi(k)∈{0,1},k=1,2,...,K
式中,K表示总时间周期,|L|表示线路区段个数,(qs(k))ji表示约束矩阵Qs(k)的第{j,i}项,xi(k)=1表明在时刻k,线路区段i在最小覆盖的解决方案中,也即是线路区段i出现故障,否则xi(k)=0;
fki(xi(k),xi(k-1))的展开形式为:
式中,中Pai(k)和Pvi(k)分别表示每条线路区段i出现故障的概率Pai(k)和该故障恢复正常的概率Pvi(k)。
本实施例还提供了一种基于动态集合覆盖的配电网故障诊断系统,包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
接下来本实施例结合附图对上述过程进行更进一步的描述。
参见图1,图1为配电网拓扑示意图。在本发明实施例中,为了方便实现对配电网的故障定位,对配电网中的相应节点和供电线路进行了统一编号和定义:定义主电源向电力用户供电的方向为正方向,逆方向为反方向;将距离主电源最近的节点编号为1,之后沿着正方向对其它节点依次进行编号;供电线路的区段编号和其流入节点的编号一致,其中每个节点均配置了FTU。
参见图2,图2为基于动态集合覆盖的故障诊断原理图。假设在周期1,FTU上报的电流信息为S=[1,0,0,0,0,0,0]。动态集合覆盖方法根据相关矩阵和电流信息集合S推断故障线路区段集合,此时线路区段l1是唯一的怀疑目标。此时,其它故障点不可能是故障源,因为它们被正常的电流信息覆盖,因此线路区段l1是时刻1的最小故障源。相似地,在时刻3,根据电流信息集合S和最小集合覆盖准则,推测出现故障的线路区段为l5和l7。动态集合覆盖问题是在给定的正向故障电流信息集合S下推断一个时间范围内的故障线路区段,正常情况下,故障线路区段不会像图2一样是频繁变化的,本实施例在图2中考虑的是一种极端的情况。
参见图3,图3为隐马尔可夫模型观测线路区段状态原理图。动态集合覆盖问题需要根据正向故障电流信息集合得到故障线路区段序列,因此。每一个条线路区段的状态可以建模为双态的隐马尔科夫模型。因为出现故障的线路区段集合是隐藏的(未知的),需要根据正向故障电流信息集合推断得到,因此隐马尔科夫模型可以完美地对应动态集合覆盖问题。在图3中,表示线路区段状态转移概率,表示正向电流信息观测概率。
参见图4,图4为基于维特比译码的线路区段状态序列预测方法流程图,步骤如下:
步骤401:收集每个时间周期上配电网中每个节点FTU上报的电流信息;
步骤402:根据配电网拓扑建立电流信息-故障线路区段相关矩阵;
步骤403:将每条线路区段状态随时间变化的情况建立为隐马尔科夫模型;
步骤404:在初始时刻,计算集合覆盖目标函数进行维特比算法初始化;
步骤405:使用维特比算法在整个时间周期上进行循环递归;
步骤406:判定是否遍历完K个时间周期;若判定结果为否,返回步骤405继续遍历;若判定结果为时,继续执行步骤407;
步骤407:通过最优状态回溯得到每条线路区段的最优状态序列;
步骤408:根据集合覆盖条件调整步骤407得到的线路区段状态,得到满足覆盖条件的故障线路区段集合。
本实施例可充分利用矩阵分析法的简易性和机器学习方法的智能性,根据配电网拓扑建立电流信息-故障区段相关矩阵,并利用隐马尔科夫模型刻画每条线路区段的变化序列,基于每个时间周期FTU设备上报的故障电流信息集合,建立基于动态集合覆盖的配电网故障诊断模型,并采用维特比译码预测满足集合覆盖条件的每条线路区段的工作状态变化序列,从而实现对配电网的在线故障诊断。该装置使用的基于动态集合覆盖的故障诊断方法可以快速准确地定位出同时出现故障的线路区段集合。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (9)
1.一种基于动态集合覆盖的配电网故障诊断方法,其特征在于,包括以下步骤:
对配电网故障区段的节点和供电线路进行统一编号并引入可达矩阵对各节点间的连通性进行建模;
收集可达矩阵表示的配电网拓扑信息和所有节点的馈线终端单元上报的故障电流信息;同时构建与可达矩阵对应的故障电流信息-故障区段相关矩阵,并建立动态集合覆盖模型;
根据可达矩阵和故障电流信息使用维特比译码求解动态集合覆盖模型,得到配电网中每条线路区段的工作状态变化序列;
根据工作状态变化序列判定设定的时间周期上配电网的线路区段状态集合是否能够覆盖所有故障电流信息,若不能,则根据回报函数增量最大化准则选择继续将其它故障线路区段放进解决方案,循环直至满足每个时间周期的覆盖条件,得到故障线路的区段集合;
所述对配电网故障区段的节点和供电线路进行统一编号具体为:
定义主电源向电力用户供电的方向为正方向,逆方向为反方向;
将距离主电源最近的节点编号为1,之后沿着正方向对其它节点依次进行编号;
供电线路的区段编号和其流入节点的编号一致。
3.根据权利要求1所述的一种基于动态集合覆盖的配电网故障诊断方法,其特征在于,所述馈线终端单元上报的故障电流信息采用矢量S=[s1,s2,...,sn]表示,其中n表示配电网中的节点总数,若节点j的馈线终端单元监测到正向故障电流,则sj=1,否则sj=0,1≤j≤n。
4.根据权利要求1所述的一种基于动态集合覆盖的配电网故障诊断方法,其特征在于,所述构建与可达矩阵对应的故障电流信息-故障区段相关矩阵具体为:
所述故障电流信息-线路区段相关矩阵Q={qji|1≤j≤n,1≤i≤|L|}中的qji的值对应节点j的故障电流信息和线路区段i的相关关系,该项值为1表示的是当线路区段i出现故障时,节点j的馈线终端单元监测到正向故障电流,否则该值为0;在配电网中节点总数n和线路区段总数|L|满足n=|L|,相关矩阵和可达矩阵一一对应。
5.根据权利要求1所述的一种基于动态集合覆盖的配电网故障诊断方法,其特征在于,所述建立动态集合覆盖模型具体为:
将连续时间周期上的故障诊断问题建立为动态集合覆盖模型,并将该模型对应为多个相似的HMM;
在时刻k第i条线路区段的状态表示为xi(k);将每一条线路区段的状态xi(k)建模为双态的隐马尔科夫模型,由此将动态集合覆盖问题可表示为DSC={M,κ,Pa,Pv,S},每一个元素表示的含义如下:
M={m1,...,m|L|}是配电网拓扑中|L|条可能出现故障的线路区段集合;
κ={0,1,...,k,...,K}是离散的观测时刻;让xi(k)表示线路区段i在时刻k的状态,则xi(k)=1表明在时刻k,线路区段i在最小覆盖的解决方案中,也即是线路区段i出现故障,否则xi(k)=0,表明线路区段i工作状态正常;
假设配电网拓扑中每条线路区段有两个工作状态;在每个时刻,对于每条线路区段i,其出现故障的概率Pai(k)和该故障恢复正常的概率Pvi(k)分别定义为Pai(k)=Pr(xi(k)=1|xi(k)=0)和Pvi(k)=Pr(xi(k)=0|xi(k-1)=1);
S=[s1,s2,...,sn]为每个节点的馈线终端单元检测到的电流信息,也即是故障诊断阶段的输入信息;在每个观测时刻k,k∈κ,之前时刻和当前时刻的观测值是已知的;
设约束矩阵为Qs(k),该矩阵为相关矩阵Q的行子集,包含k时刻出现正向故障电流信息的节点所在的所有行,其中(qs(k))ji表示Qs(k)的第{j,i}项。
6.根据权利要求1所述的一种基于动态集合覆盖的配电网故障诊断方法,其特征在于,所述根据可达矩阵和故障电流信息使用维特比译码求解动态集合覆盖模型,得到配电网中每条线路区段的工作状态变化序列具体为:
在初始时刻,计算目标函数在时刻1上的值以用于维特比译码初始化;
初始化后在整个时间周期使用维特比译码进行循环递归,也即是在时刻2到时刻K上运行,在每个时刻和初始时刻执行相同的步骤;
当遍历完K个时间周期后,方法终止,方法终止后,进行最优状态序列回溯,得到线路区段i在K个时间周期上的最优状态序列,即线路区段i在这段时间周期上的工作状态变化序列。
8.一种基于动态集合覆盖的配电网故障诊断系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-7任一项所述的方法步骤。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011460803.7A CN112415337B (zh) | 2020-12-11 | 2020-12-11 | 一种基于动态集合覆盖的配电网故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011460803.7A CN112415337B (zh) | 2020-12-11 | 2020-12-11 | 一种基于动态集合覆盖的配电网故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112415337A CN112415337A (zh) | 2021-02-26 |
CN112415337B true CN112415337B (zh) | 2022-05-13 |
Family
ID=74776673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011460803.7A Active CN112415337B (zh) | 2020-12-11 | 2020-12-11 | 一种基于动态集合覆盖的配电网故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112415337B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113055897B (zh) * | 2021-03-05 | 2022-06-24 | 五邑大学 | 一种基站天线弱覆盖区域定位方法、系统及存储介质 |
CN115935807A (zh) * | 2021-06-28 | 2023-04-07 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的诊断模型的训练方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8451739B2 (en) * | 2010-04-15 | 2013-05-28 | Silver Spring Networks, Inc. | Method and system for detecting failures of network nodes |
SG11201610035RA (en) * | 2014-06-30 | 2017-01-27 | Evolving Machine Intelligence Pty Ltd | A system and method for modelling system behaviour |
CN106406229B (zh) * | 2016-12-20 | 2018-04-03 | 吉林大学 | 一种数控机床故障诊断方法 |
CN107872058B (zh) * | 2017-11-22 | 2021-07-02 | 深圳供电局有限公司 | 一种融合线路自愈的配网一体化保护方法 |
-
2020
- 2020-12-11 CN CN202011460803.7A patent/CN112415337B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112415337A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102080468B1 (ko) | 타깃 시스템의 기능을 모델링하여 타깃 시스템 제어에 도움을 주는 센서 데이터의 사용 | |
CN112415337B (zh) | 一种基于动态集合覆盖的配电网故障诊断方法 | |
Darong et al. | Fault diagnosis for the motor drive system of urban transit based on improved Hidden Markov Model | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
CN109194707B (zh) | 分布式图嵌入的方法及装置 | |
Vodenčarević et al. | Identifying behavior models for process plants | |
Mohammadi et al. | Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages | |
Bhusal et al. | Deep ensemble learning-based approach to real-time power system state estimation | |
CN110943453A (zh) | 面向迁移学习的电力系统故障样本生成和模型构建方法 | |
CN111475953B (zh) | 供能可靠性影响分析方法、装置设备及存储介质 | |
Abaei et al. | Fault prediction by utilizing self-organizing map and threshold | |
Lockhart et al. | Scission: Performance-driven and context-aware cloud-edge distribution of deep neural networks | |
CN114152839A (zh) | 一种分布式电力并网环境下的配电网故障定位方法及系统 | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
CN109343952B (zh) | 贝叶斯网络确定方法、装置、存储介质和电子设备 | |
CN116225752A (zh) | 基于故障模式库的微服务系统故障根因分析方法及系统 | |
Baljak et al. | Fault classification and model learning from sensory readings—Framework for fault tolerance in wireless sensor networks | |
CN107220710A (zh) | 稀缺样本数据集条件下bn模型参数的学习系统及方法 | |
Choi et al. | Consistent and efficient reconstruction of latent tree models | |
Yin et al. | Process decomposition and distributed fault detection of large-scale industrial processes | |
JP6407205B2 (ja) | ラベル列生成装置、ラベル列生成方法、及びプログラム | |
Johnson et al. | Improving power system neural network construction using modal analysis | |
CN112507554B (zh) | 一种基于图计算的水文模型并行率定方法和系统 | |
CN113901619B (zh) | 一种基于偏相关分析的配电网网状拓扑识别方法 | |
Abbas et al. | Models for quality analysis of computer structures |
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 |