CN113033078A - 继电保护设备故障预警模型的构建方法、系统及预警方法 - Google Patents
继电保护设备故障预警模型的构建方法、系统及预警方法 Download PDFInfo
- Publication number
- CN113033078A CN113033078A CN202110245050.6A CN202110245050A CN113033078A CN 113033078 A CN113033078 A CN 113033078A CN 202110245050 A CN202110245050 A CN 202110245050A CN 113033078 A CN113033078 A CN 113033078A
- Authority
- CN
- China
- Prior art keywords
- fault
- faults
- early warning
- relay protection
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000010276 construction Methods 0.000 title claims description 7
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 65
- 239000010410 layer Substances 0.000 claims description 39
- 238000012937 correction Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明提供了一种继电保护设备故障预警模型的构建方法,包括步骤A:收集继电保护设备的历史故障信息,将所有故障划分为至少两个等级;步骤B:整理保护功能失效的故障数据得到结果向量,以对应的历史故障信息构建的矩阵作为原因矩阵;步骤C:对结果向量和原因矩阵分别进行归一化处理;步骤D:确定BP神经网络的结构和参数,将归一化后的原因矩阵和结果向量分别作为输入和输出值导入BP神经网络进行训练。本发明还提供了基于该模型进行故障预警的方法。本发明导致保护功能失效的故障作为原因,以保护功能失效的故障作为结果,对继电保护设备进行预警,降低异常损失,提升电网运行的稳定性和可靠性。
Description
技术领域
本发明涉及继电保护技术领域,尤其涉及继电保护设备故障预警模型的构建方法、系统及预警方法。
背景技术
随着经济和各类产业的发展,人们的供电需求不断增长。电力系统作为经济发展的重要保障,其运行的稳定性、可靠性和安全性的问题也越来越重要。但电力系统从发电到用电的一系列过程具有复杂性和耦合性,这使得其可靠、安全和稳定地运行面临诸多问题和考验。因此人们在现代输配电网系统中,引入智能变电站。智能变电站的出现标志着我国电网从信息化、数字化、自动化和互动化等方面朝着智能化方面的发展。但在智能变电站实际的应用过程中,可能会出现各种因素影响智能变电站的正常运作,导致无法进行稳定的供电,甚至无法供电,为人们的生产、生活带来巨大影响。不仅如此,还会导致相关设备的损坏,造成经济损失。
继电保护装置是智能变电站的重要设备之一,它可以有效减轻发生故障时对设备以及其他方面造成的影响,是确保电力系统安全运行的重要保证。当电力系统在运行中,一旦发生故障,智能变电站可以在继电保护设备的保护下发出预警,进而提醒相关技术人员进行检修,降低故障损失。
传统的继电保护设备预警技术虽然能够对设备的运行状态和故障进行监督和预警,但是存在着几个问题:第一,当系统报警时,设备已经发生故障,只能停机维修;第二,继电保护装置正常运行的过程中会产生大量物理参数,而对这些数据处理则依赖于专家经验。需要一个从事运维的专家根据经验对故障进行分析,进而做出判断和诊断。但是现代化的预警系统要求在故障发生之前进行准确的预警与诊断。此外由于网络技术和信号处理技术的发展,继电保护设备每时每刻都在产生海量的信息,如果仅仅依靠有限的专家,是无法处理的。
公开号为CN107918690A的发明专利申请公开了一种基于BP神经网络算法的继电保护设备状态评估方法,将历史维修数据导入BP神经网络进行学习形成状态评估模型,利用状态评估模型对继电保护装置的无设备运行环境等情况进行评价,获得评价结果,从而安排检修,但该方法主要用于确定检修范围,并不能实现对继电保护设备故障的提前预警。
发明内容
本发明所要解决的技术问题在于提供一种基于BP神经网络进行训练对继电保护设备的故障进行提前预警的模型训练方法及预警方法。
本发明是通过以下技术方案解决上述技术问题的:一种继电保护设备故障预警模型的构建方法,包括
步骤A:收集继电保护设备的历史故障信息,根据继电保护功能是否失效将所有故障划分为至少两个等级;
步骤B:对导致保护功能失效的故障进行赋值,同时统计在这类故障发生之前发生过的其他等级故障的类型和次数,整理保护功能失效的故障数据得到结果向量,以对应的历史故障信息构建的矩阵作为原因矩阵;
步骤C:对结果向量和原因矩阵分别进行归一化处理;
步骤D:确定BP神经网络的结构和参数,将归一化后的原因矩阵和结果向量分别作为输入和输出值导入BP神经网络进行训练。
本发明通过对历史故障信息进行整理和归一化处理,以导致保护功能失效的故障作为原因,以保护功能失效的故障作为结果,通过BP神经网络进行训练,获得能够对保护功能失效进行预警的预警模型,能够提前安排检修处理可能发生的故障,降低异常损失,提升电网运行的稳定性和可靠性。
优选的,步骤A中将继电保护设备的历史故障划分为严重、异常、一般三个等级,其中严重故障为装置保护功能失效的情况,异常故障为保护功能部分失效的情况,一般故障为保护功能未受影响的情况。
优选的,步骤B中整理得到的原因矩阵表示为结果向量表示为{dn,n∈[1,N]},其中dn表示原因矩阵中的第n行数据对应的严重故障的赋值,同样的严重故障,其赋值相同;表示dn对应的严重故障发生时,第i中故障类型发生的次数。
优选的,所述归一化处理中引入修正函数使处理后的数值处于[0.1,0.9]范围内。
优选的,归一化的公式为
其中,g(a)为修正函数。
优选的,步骤D中BP神经网络的输入层神经元为I个,分别对应I种故障类型,输出层神经元为k个,对应k种严重故障类型,单层隐含层时,容许误差为5%-10%,双层隐含层时,容许误差为10%。
优选的,步骤D中BP神经网络的训练过程如下:
步骤ii:将输入值传递到隐含层,
把隐含层数据传输到输出层
zn=f(Sn)
其中,Sn为中间变量,ωjn为传递参数,cn为偏移量;
步骤iii:计算神经网络的误差
如果En<τ,输出模型;否则转至步骤iii;
步骤iv:计算修正量
Δcn=-η2en
en=(zn-dn)f′(Sn)
步骤v:修正权重参数,
ωjn=ωjn-1+Δωjn+αΔωjn-1
cn=cn-1+Δcn
步骤vi:令n=n+1,返回步骤ii,直到在步骤iii中输出模型。
优选的,所有严重故障均赋值为1,结果向量{dn,n∈[1,N]}不进行归一化处理,训练过程中,所有κn均为1,输出层神经元为1个。
本发明还提供了一种继电保护设备故障预警模型的构建系统,包括
故障等级划分模块:收集继电保护设备的历史故障信息,根据继电保护功能是否失效将所有故障划分为至少两个等级;
故障数据整理模块:对导致保护功能失效的故障进行赋值,同时统计在这类故障发生之前发生过的其他等级故障的类型和次数,整理保护功能失效的故障数据得到结果向量,以对应的历史故障信息构建的矩阵作为原因矩阵;
归一化模块:对结果向量和原因矩阵分别进行归一化处理;
训练模块:确定BP神经网络的结构和参数,将归一化后的原因矩阵和结果向量分别作为输入和输出值导入BP神经网络进行训练。
本发明还提供了基于所述的预警模型的继电保护设备故障预警方法,统统计继电保护设备各种故障发生的次数,得到故障信息向量,对故障信息向量进行归一化处理后输入所述预警模型中,根据结果判断该继电保护设备是否有发生保护功能失效的故障的风险。
优选的,如果输出值z∈[-ε,ε],则没有严重故障的风险,否则认为有发生严重故障的风险。
本发明提供的继电保护设备故障预警模型的构建方法、系统及预警方法的优点在于:通过对历史故障信息进行整理和归一化处理,以导致保护功能失效的故障作为原因,以保护功能失效的故障作为结果,通过BP神经网络进行训练,获得能够对保护功能失效进行预警的预警模型,能够提前安排检修处理可能发生的故障,降低异常损失,提升电网运行的稳定性和可靠性。通过引入修正函数避免了极值的出现,提升算法收敛速度,通过动量因子加速梯度过缓区域的收敛速度,同时对收敛过速区域的收敛率起到了抑制性的稳定效应。
附图说明
图1为本发明的实施例提供的继电保护设备故障预警方法的流程图。
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明白,以下结合具体实施例,并参照附图,对本发明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作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。
如图1所示,本实施例提供了一种继电保护设备故障预警模型的构建方法,包括
步骤A:收集继电保护设备的历史故障信息,根据继电保护功能是否失效将所有故障划分为至少两个等级;
步骤B:对导致保护功能失效的故障进行赋值,同时统计在这类故障发生之前发生过的其他等级故障的类型和次数;
步骤C:整理保护功能失效的故障数据得到结果向量,以对应的历史故障信息构建的矩阵作为原因矩阵,对结果向量和原因矩阵分别进行归一化处理;
步骤D:确定BP神经网络的结构和参数,将归一化后的原因矩阵和结果向量分别作为输入和输出值导入BP神经网络进行训练。
本实施例通过对历史故障信息进行整理和归一化处理,以导致保护功能失效的故障作为原因,以保护功能失效的故障作为结果,通过BP神经网络进行训练,获得能够对保护功能失效进行预警的预警模型,能够提前安排检修处理可能发生的故障,降低异常损失,提升电网运行的稳定性和可靠性。
具体步骤如下:
步骤A:收集继电保护设备的历史故障信息,根据继电保护功能是否失效将所有故障划分为至少两个等级;
本实施例将继电保护设备的历史故障划分为严重、异常、一般三个等级,其中严重故障为装置保护功能失效的情况,异常故障为保护功能部分失效的情况,一般故障为保护功能未受影响的情况;
步骤B:对导致保护功能失效的故障进行赋值,同时统计在这类故障发生之前发生过的其他等级故障的类型和次数,整理保护功能失效的故障数据得到结果向量,以对应的历史故障信息构建的矩阵作为原因矩阵;
整理得到的原因矩阵表示为结果向量表示为{dn,n∈[1,N]},其中dn表示原因矩阵中的第n行数据对应的严重故障的赋值,同样的严重故障,其赋值相同;表示dn对应的严重故障发生时,第i中故障类型发生的次数。
步骤C:对结果向量和原因矩阵分别进行归一化处理;具体为:
其中,g(a)为修正函数。
传统的BP神经网络模型以值域在[0,1]区间的S型函数为激活函数,因此大多数算法采用标准的归一方法将原始数据也映射到[0,1]区间;但是归一化之后的输出值存在极值0和1。它们的存在要求神经网络中相应的权重足够大才能收敛,因此需要极大的训练次数来不断修正权值,导致训练的收敛速度变慢。本实施例通过引入修正函数g(a),将归一化后的数值处于[0.1,0.9]范围内,且该修正函数在[0,1]区间是单调增函数,确保了数据的一一映射,避免极值0和1的出现,提升收敛速度。
步骤D:确定BP神经网络的结构和参数,将归一化后的原因矩阵和结果向量分别作为输入和输出值导入BP神经网络进行训练。
本实施例中BP神经网的结果为:输入层神经元为I个,分别对应I种故障类型,输出层神经元为k个,对应k种严重故障类型,单层隐含层时,容许误差为5%-10%,双层隐含层时,容许误差为10%。
具体训练方法如下:
步骤ii:将输入值传递到隐含层,
把隐含层数据传输到输出层
zn=f(Sn)
其中,Sn为中间变量,ωjn为传递参数,cn为偏移量;
步骤iii:计算神经网络的误差
如果En<τ,输出模型;否则转至步骤iii;
步骤iv:计算修正量
Δcn=-η2en
en=(zn-dn)f′(Sn)
步骤v:修正权重参数,
ωjn=ωjn-1+Δωjn+αΔωjn-1
cn=cn-1+Δcn
其中,ωj0,c0,均初始化为0-1之间的随机数,动量因子α∈[0.1,0.8]为常数,Δωjn-1和为第n-1组数据给出的修正量;通过动量因子加速梯度过缓区域的收敛速度,同时对收敛过速区域的收敛率起到了抑制性的稳定效应。
步骤vi:令n=n+1,返回步骤ii,直到在步骤iii中输出模型。
BP神经网络算法的原理是在模拟训练过程中不断重复地收集神经网络所产生的误差,再反馈这些误差以调整神经元的权重,最终达到一个满意的人工神经网络系统。具体来说,把输入数据通过神经网络向前传递得到输出数据,再统计输出数据和期望数据间的误差并估算传递参数的修正量,再向后反馈给神经网络,并修正神经网络的传递参数。重复上述过程,直至输出误差趋于0。
通过给不同的严重故障类型赋值,训练得到的模型即可预测处继电保护设备可能发生的严重故障类型,本实施例中,继电保护设备的部分历史故障信息如下:
本实施例中仅分析严重故障发生的风险,不需要确定具体严重故障类型,因此,所有严重故障赋值为1,此时BP神经网络的输出层神经元只需要1个,结果向量{dn,n∈[1,N]}不进行归一化处理,训练过程中,所有κn均为1。
在进行训练时,不同隐含层层数和容许误差下的收敛时间如下:
容许误差 | 隐含层层数 | 收敛时间 |
10% | 1 | 23h |
5% | 1 | 30h |
10% | 2 | 32h |
5% | 2 | (未收敛) |
因此,在单层隐含层的情况下,容许误差范围至少为5%~10%。
将历史数据输入到训练得到的预测模型中进行验证,结果如下:
以上结果中只有一条识别错误,准确率极高,能够满足故障预警的需要。
本实施例还提供了一种继电保护设备故障预警模型的构建系统,包括
故障等级划分模块:收集继电保护设备的历史故障信息,根据继电保护功能是否失效将所有故障划分为至少两个等级;
故障数据整理模块:对导致保护功能失效的故障进行赋值,同时统计在这类故障发生之前发生过的其他等级故障的类型和次数,整理保护功能失效的故障数据得到结果向量,以对应的历史故障信息构建的矩阵作为原因矩阵;
归一化模块:对结果向量和原因矩阵分别进行归一化处理;
训练模块:确定BP神经网络的结构和参数,将归一化后的原因矩阵和结果向量分别作为输入和输出值导入BP神经网络进行训练。
本实施例还提供了一种基于训练得到的预警模型进行继电保护设备故障预警的方法,通过统计继电保护设备各种故障发生的次数,得到故障信息向量,对该故障信息向量以步骤C中的归一化公式进行归一化处理,其中最大值和最小值与训练阶段的数值相同;将归一化后的向量输入所述预警模型中,根据结果判断该继电保护设备是否有发生保护功能失效的故障的风险,如果输出值z∈[-ε,ε],则没有严重故障的风险,否则认为有发生严重故障的风险。本实施例中,令ε=0.05。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种继电保护设备故障预警模型的构建方法,其特征在于:包括
步骤A:收集继电保护设备的历史故障信息,根据继电保护功能是否失效将所有故障划分为至少两个等级;
步骤B:对导致保护功能失效的故障进行赋值,同时统计在这类故障发生之前发生过的其他等级故障的类型和次数,整理保护功能失效的故障数据得到结果向量,以对应的历史故障信息构建的矩阵作为原因矩阵;
步骤C:对结果向量和原因矩阵分别进行归一化处理;
步骤D:确定BP神经网络的结构和参数,将归一化后的原因矩阵和结果向量分别作为输入和输出值导入BP神经网络进行训练。
2.根据权利要求1所述的一种继电保护设备故障预警模型的构建方法,其特征在于:步骤A中将继电保护设备的历史故障划分为严重、异常、一般三个等级,其中严重故障为装置保护功能失效的情况,异常故障为保护功能部分失效的情况,一般故障为保护功能未受影响的情况。
4.根据权利要求3所述的一种继电保护设备故障预警模型的构建方法,其特征在于:所述归一化处理中引入修正函数使处理后的数值处于[0.1,0.9]范围内。
6.根据权利要求5所述的一种继电保护设备故障预警模型的构建方法,其特征在于:步骤D中BP神经网络的输入层神经元为I个,分别对应I种故障类型,输出层神经元为k个,对应k种严重故障类型,单层隐含层时,容许误差为5%-10%,双层隐含层时,容许误差为10%。
7.根据权利要求6所述的一种继电保护设备故障预警模型的构建方法,其特征在于:步骤D中BP神经网络的训练过程如下:
步骤ii:将输入值传递到隐含层,
把隐含层数据传输到输出层
zn=f(Sn)
其中,Sn为中间变量,ωjn为传递参数,cn为偏移量;
步骤iii:计算神经网络的误差
如果En<τ,输出模型;否则转至步骤iii;
步骤iv:计算修正量
Δcn=-η2en
en=(zn-dn)f′(Sn)
步骤v:修正权重参数,
ωjn=ωjn-1+Δωjn+αΔωjn-1
cn=cn-1+Δcn
步骤vi:令n=n+1,返回步骤ii,直到在步骤iii中输出模型。
8.根据权利要求7所述的一种继电保护设备故障预警模型的构建方法,其特征在于:所有严重故障均赋值为1,结果向量{dn,n∈[1,N]}不进行归一化处理,训练过程中,所有κn均为1,输出层神经元为1个。
10.一种继电保护设备故障预警模型的构建系统,其特征在于:包括
故障等级划分模块:收集继电保护设备的历史故障信息,根据继电保护功能是否失效将所有故障划分为至少两个等级;
故障数据整理模块:对导致保护功能失效的故障进行赋值,同时统计在这类故障发生之前发生过的其他等级故障的类型和次数,整理保护功能失效的故障数据得到结果向量,以对应的历史故障信息构建的矩阵作为原因矩阵;
归一化模块:对结果向量和原因矩阵分别进行归一化处理;
训练模块:确定BP神经网络的结构和参数,将归一化后的原因矩阵和结果向量分别作为输入和输出值导入BP神经网络进行训练。
11.使用权利要求1-9任一项所述的方法构建的预警模型进行继电保护设备故障预警的方法,其特征在于:统计继电保护设备各种故障发生的次数,得到故障信息向量,对故障信息向量进行归一化处理后输入所述预警模型中,根据结果判断该继电保护设备是否有发生保护功能失效的故障的风险。
12.根据权利要求11所述的一种继电保护设备故障预警方法,其特征在于:如果输出值z∈[-ε,ε],则没有严重故障的风险,否则认为有发生严重故障的风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245050.6A CN113033078B (zh) | 2021-03-05 | 2021-03-05 | 继电保护设备故障预警模型的构建方法、系统及预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245050.6A CN113033078B (zh) | 2021-03-05 | 2021-03-05 | 继电保护设备故障预警模型的构建方法、系统及预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033078A true CN113033078A (zh) | 2021-06-25 |
CN113033078B CN113033078B (zh) | 2022-06-03 |
Family
ID=76467982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110245050.6A Active CN113033078B (zh) | 2021-03-05 | 2021-03-05 | 继电保护设备故障预警模型的构建方法、系统及预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033078B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848471A (zh) * | 2021-10-20 | 2021-12-28 | 南京理工大学 | 继电保护系统的故障智能定位方法及系统 |
CN116146402A (zh) * | 2022-12-27 | 2023-05-23 | 中国长江电力股份有限公司 | 水电站调速器主配压阀抽动故障诊断预警方法 |
CN116187248A (zh) * | 2023-03-13 | 2023-05-30 | 华能新能源股份有限公司河北分公司 | 基于大数据的继电保护定值分析校验方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7103460B1 (en) * | 1994-05-09 | 2006-09-05 | Automotive Technologies International, Inc. | System and method for vehicle diagnostics |
CN107832219A (zh) * | 2017-11-13 | 2018-03-23 | 北京航空航天大学 | 基于静态分析和神经网络的软件故障预测技术的构建方法 |
CN110308339A (zh) * | 2019-04-11 | 2019-10-08 | 武汉理工大学 | 基于证据推理规则的电压源型变频器直流母线电容器的故障诊断方法 |
CN110647830A (zh) * | 2019-09-12 | 2020-01-03 | 华中科技大学 | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 |
CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
CN111915101A (zh) * | 2020-08-17 | 2020-11-10 | 安徽三禾一信息科技有限公司 | 基于lpp-hmm方法的复杂装备故障预测方法及系统 |
US20200393505A1 (en) * | 2019-06-11 | 2020-12-17 | Arizona Board Of Regents On Behalf Of Arizona State University | Effective feature set-based high impedance fault detection |
-
2021
- 2021-03-05 CN CN202110245050.6A patent/CN113033078B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7103460B1 (en) * | 1994-05-09 | 2006-09-05 | Automotive Technologies International, Inc. | System and method for vehicle diagnostics |
CN107832219A (zh) * | 2017-11-13 | 2018-03-23 | 北京航空航天大学 | 基于静态分析和神经网络的软件故障预测技术的构建方法 |
CN110308339A (zh) * | 2019-04-11 | 2019-10-08 | 武汉理工大学 | 基于证据推理规则的电压源型变频器直流母线电容器的故障诊断方法 |
US20200393505A1 (en) * | 2019-06-11 | 2020-12-17 | Arizona Board Of Regents On Behalf Of Arizona State University | Effective feature set-based high impedance fault detection |
CN110647830A (zh) * | 2019-09-12 | 2020-01-03 | 华中科技大学 | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 |
CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
CN111915101A (zh) * | 2020-08-17 | 2020-11-10 | 安徽三禾一信息科技有限公司 | 基于lpp-hmm方法的复杂装备故障预测方法及系统 |
Non-Patent Citations (10)
Title |
---|
ANAMIKA YADAV,ET AL.: "An Overview of Transmission Line Protection by Artificial Neural Network: Fault Detection, Fault Classification, Fault Location, and Fault Direction Discrimination", 《HINDAWI PUBLISHING CORPORATION ADVANCES IN ARTIFICIAL NEURAL SYSTEMS》 * |
ANAMIKA YADAV,ET AL.: "An Overview of Transmission Line Protection by Artificial Neural Network: Fault Detection, Fault Classification, Fault Location, and Fault Direction Discrimination", 《HINDAWI PUBLISHING CORPORATION ADVANCES IN ARTIFICIAL NEURAL SYSTEMS》, 28 December 2014 (2014-12-28), pages 1 - 20, XP055868180, DOI: 10.1155/2014/230382 * |
J.UPENDAR,ET AL.: "PSO and ANN-based fault classification for protective relaying", 《IET GENERATION, TRANSMISSION & DISTRIBUTION》 * |
J.UPENDAR,ET AL.: "PSO and ANN-based fault classification for protective relaying", 《IET GENERATION, TRANSMISSION & DISTRIBUTION》, 31 October 2010 (2010-10-31), pages 1197 - 1212, XP006036317, DOI: 10.1049/IET-GTD:20090488 * |
姜陈 等: "基于BP神经网络的动车组客室空调故障识别与预警研究", 《铁道标准设计》 * |
姜陈 等: "基于BP神经网络的动车组客室空调故障识别与预警研究", 《铁道标准设计》, vol. 62, no. 2, 28 February 2018 (2018-02-28), pages 173 - 179 * |
巨林仓 等: "基于LM算法建立风电机组神经网络故障预警诊断模型", 《热力发电》 * |
巨林仓 等: "基于LM算法建立风电机组神经网络故障预警诊断模型", 《热力发电》, vol. 39, no. 12, 31 December 2010 (2010-12-31), pages 44 - 49 * |
熊峰 等: "动量因子BP神经网络算法在设备故障预测中的应用", 《制造业自动化》 * |
熊峰 等: "动量因子BP神经网络算法在设备故障预测中的应用", 《制造业自动化》, vol. 33, no. 12, 31 December 2011 (2011-12-31), pages 13 - 16 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848471A (zh) * | 2021-10-20 | 2021-12-28 | 南京理工大学 | 继电保护系统的故障智能定位方法及系统 |
CN113848471B (zh) * | 2021-10-20 | 2024-04-05 | 南京理工大学 | 继电保护系统的故障智能定位方法及系统 |
CN116146402A (zh) * | 2022-12-27 | 2023-05-23 | 中国长江电力股份有限公司 | 水电站调速器主配压阀抽动故障诊断预警方法 |
CN116146402B (zh) * | 2022-12-27 | 2024-01-05 | 中国长江电力股份有限公司 | 水电站调速器主配压阀抽动故障诊断预警方法 |
CN116187248A (zh) * | 2023-03-13 | 2023-05-30 | 华能新能源股份有限公司河北分公司 | 基于大数据的继电保护定值分析校验方法及系统 |
CN116187248B (zh) * | 2023-03-13 | 2023-08-25 | 华能新能源股份有限公司河北分公司 | 基于大数据的继电保护定值分析校验方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113033078B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033078B (zh) | 继电保护设备故障预警模型的构建方法、系统及预警方法 | |
CN110728457B (zh) | 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 | |
Hokstad et al. | Common cause failure modeling: status and trends | |
CN113011530B (zh) | 一种基于多分类器融合的智能电表故障预测方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN104917085A (zh) | 一种优化可靠性与经济性的变压器检修决策方法 | |
CN111931989A (zh) | 基于深度学习神经网络的电力系统短期负荷预测方法 | |
CN113236508B (zh) | 一种用于风力发电机组风速-功率异常数据检测的方法 | |
CN112821424B (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN109359742B (zh) | 一种地铁子系统预防维修周期的生成方法 | |
CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
CN112036718B (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
CN117575575A (zh) | 一种面向智能制造的生产数据动态分析系统 | |
CN110889646A (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
CN113609912B (zh) | 一种基于多源信息融合的输电网故障诊断方法 | |
Chu et al. | A relaxed support vector data description algorithm based fault detection in distribution systems | |
CN114861969A (zh) | 一种基于lstm的电力系统振荡风险预测方法 | |
Zou et al. | Fault diagnosis of shield machine based on SOM-BP neural network fusion | |
Xie et al. | Evaluation algorithm of high voltage switchgear based on bayesian fusion | |
Khalyasmaa et al. | Training sample formation for intelligent recognition of circuit breakers states patterns | |
Jianli et al. | Wind power forecasting by using artificial neural networks and Grubbs criterion | |
Shan et al. | Root Cause Analysis of Failures for Power Communication Network Based on CNN | |
Li et al. | A Remote Out-of-Tolerance Classification Method of Gateway Electric Energy Meters Based on Feature Selection and Deep Belief Network |
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 |