CN113283602B - 基于离线知识学习和在线动态修正电网系统故障诊断方法 - Google Patents

基于离线知识学习和在线动态修正电网系统故障诊断方法 Download PDF

Info

Publication number
CN113283602B
CN113283602B CN202110545170.8A CN202110545170A CN113283602B CN 113283602 B CN113283602 B CN 113283602B CN 202110545170 A CN202110545170 A CN 202110545170A CN 113283602 B CN113283602 B CN 113283602B
Authority
CN
China
Prior art keywords
power grid
fault
grid system
trigger
online
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
CN202110545170.8A
Other languages
English (en)
Other versions
CN113283602A (zh
Inventor
唐俊刺
皮俊波
李铁
高凯
葛延峰
陈晓东
崔岱
姜枫
姜狄
王淼
刘赫
孙文涛
何晓洋
周志
王明凯
高梓济
李桐
王刚
宋进良
孙茜
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 Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning 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 State Grid Corp of China SGCC, State Grid Liaoning Electric Power Co Ltd, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110545170.8A priority Critical patent/CN113283602B/zh
Publication of CN113283602A publication Critical patent/CN113283602A/zh
Application granted granted Critical
Publication of CN113283602B publication Critical patent/CN113283602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biophysics (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

基于离线知识学习和在线动态修正电网系统故障诊断方法，从电网故障离线仿真数据和电网故障历史运行数据中提取简单事件，形成电网系统故障简单事件集；利用在线安全分析数据对电网故障处理预案进行在线动态修正，以作为电网系统故障在线诊断策略；基于复杂事件处理算法，根据电网系统故障在线诊断策略，构建电网系统故障在线诊断触发器，以电网系统故障简单事件集作为触发器的输入数据，由触发器输出匹配电网系统故障的因果关系；实现电网系统级故障在线诊断。该方法智能辨识各事件的因果关系，给出电网系统级故障诊断结果，实现电网系统故障全景式告警，从而提升现有调控系统对电网系统故障的感知能力和智能处置能力。

Description

基于离线知识学习和在线动态修正电网系统故障诊断方法
技术领域
本发明涉及电网系统故障诊断技术领域，更具体地，涉及基于离线知识学习和在线动态修正电网系统故障诊断方法。
背景技术
我国高度重视人工智能产业的发展，从2016年起陆续出台了多个国家层面的政策，分别从产品、企业和产业层面分层次落实发展任务，人工智能的企业、产品和服务层出不穷，人工智能与经济社会各行业各领域融合创新水平不断提升。随着调控云平台等新技术的建设与完善，电力系统数据量与计算能力近期都有较大提升，为开展电力调控领域人工智能技术研究创造了有利的条件。
随着电力系统迅速发展，电力市场化工作推进，大电网一体化特征日趋明显，系统内部不同元素以及系统与外部环境之间的耦合关系不断增强，电网调度运行是一项极为复杂的系统性工程，需要充分结合人工智能技术，高效精准的进行电网系统故障诊断，以解决大电网安全运行问题。
现有技术中，国内外学者先后提出智能调控、调度助手、调度机器人的概念，2015年构建专家知识库生成智能调控辅助策略，2018年设计出“智慧能源机器人”的架构，2019年提出智能调控机器人整体架构，并具备智能学习、决策、监视、执行等功能模块，同年还面向调控领域构建了知识图谱，指出所建知识图谱如何在各应用场景实现，并基于语音识别、自然语言处理等人工智能技术，提出面向调控领域的操作智能助手方案。
其中，电网调控机器人具备调度运行智能助手和调控智能搜索两个人工智能应用模块，调度运行智能助手基于语音交互技术，实现新增断面、设备挂牌、数据查询、数据计算等功能操作；电网调控知识图谱技术在电力系统得到了快速的发展，结合应用场景对知识图谱进行了积极研究，基于知识图谱开展研究工作的场景包括：故障处置、智能搜索、多轮对话、虚拟坐席、运行规则电子化等；在电网调控语音识别技术方面，通过整理大量的调控语言文字、音频资料，标记上万条电力专业词条，形成了“最小通用语料集+调控专业语料集”的电力专业语料库，训练出适用调控专业领域的专用语音识别模型，从而研制了语音调控助手，应用该助手可以实现人机自由便捷沟通，有利地支撑了线路故障处置、语音挂检修牌、语音查询设备参数、语音调阅画面、语音计算设备功率等业务场景；电网调控多轮对话技术，基于自然语言解析技术和对话规则配置技术，研发了多轮对话系统，但还存在智能化程度不够高、研发工作量大等问题。
综上，现有技术中关于电网系统故障诊断方面存在的问题及缺陷为：现行的面向电力系统故障诊断的调控方式主要以人工经验分析为主，调度人员需要将海量多样数据、方案模型进行经验知识关联，重复性人工劳动较多，效率较低。
尤其在特高压交直流混联电网中，其运行特性呈现全局化特征，单一设备故障容易引发全网连锁反应，各事件之间的关系涉及到电磁、机电暂态过程，内在机理十分复杂，单凭事件时序进行简单判断分析，可能会出现错误判断，同时由于上述事件属于小样本事件，无法进行训练学习，各个事件之间的内在因果关系无法高效精准的辨识，进而对系统级故障分析造成阻碍。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于离线知识学习和在线动态修正电网系统故障诊断方法，面向特高压交直流混联电网，智能辨识各个事件之间的内在因果关系，进而给出电网系统级故障的诊断结果，实现电网系统故障的全景式告警，从而提升现有调控系统对电网系统故障的感知能力和智能处置能力。
本发明采用如下的技术方案。
基于离线知识学习和在线动态修正电网系统故障诊断方法包括：
步骤1，采集电网故障离线仿真数据、电网故障历史运行数据、在线安全分析数据；
步骤2，基于自适应权重FCM算法，从电网故障离线仿真数据和电网故障历史运行数据中提取简单事件，形成电网系统故障简单事件集；电网系统故障简单事件集中，各简单事件之间以时间顺序关系为约束条件；其中，自适应权重FCM算法中，对聚类后特征的时间属性进行离线知识学习以实现特征权重的自适应更新；
步骤3，利用在线安全分析数据对电网故障处理预案进行在线动态修正，以作为电网系统故障在线诊断策略；
步骤4，基于复杂事件处理算法，根据电网系统故障在线诊断策略，构建电网系统故障在线诊断触发器，以电网系统故障简单事件集作为触发器的输入数据，由触发器输出匹配电网系统故障的因果关系；因果关系是触发器被匹配时所有简单事件的集合；实现电网系统级故障在线诊断。
优选地，
步骤1中，电网故障离线仿真数据，是基于电网典型运行方式下，将电网网络节点分为五类，通过离线仿真分析得到的各采样周期下的各类节点的电网故障运行数据，包括：电压、电流、保护动作时间、合闸时间；其中，网络节点的类型包括：故障区域类、故障直接影响区域类、故障影响且无法自恢复区域类、故障影响且能够自恢复区域类以及不受故障影响区域类；
电网故障历史运行数据，是从电网故障历史数据中提取的电网故障后稳态、动态和暂态下的电流、电压变化值和设备运行状态变化值。
优选地，
步骤2包括：
步骤2.1，使用自然语言处理方法，对电网故障离线仿真数据和电网故障历史运行数据进行分句、分词以及词性标注，根据词性筛选出触发词，形成面向电网系统故障创建原始触发词库；
步骤2.2，从原始触发词库中提取触发词以及该触发词所在上下文中的时间顺序特征，创建训练集；
步骤2.3，使用训练好的基于自适应权重FCM算法的简单事件提取模型对测试集进行分类，以提取不同的简单事件；其中，测试集是电网系统故障创建原始触发词库；简单事件提取模型输出的各简单事件之间以时间顺序关系为约束条件，各简单事件构成电网系统故障简单事件集；
其中，训练好的基于自适应权重FCM算法的简单事件提取模型，利用预设特征权重对训练集进行聚类，对聚类后各特征的时间属性进行离线知识学习以实现特征权重的自适应更新；通过多次聚类迭代和特征权重更新，直至特征权重收敛，获得训练集的最佳聚类划分，以每个聚类作为电网系统故障简单事件集；
步骤2.4，采用两种不同的效果评价模型，对简单事件的提取进行效果评价。
进一步，步骤2.4中，第一种效果评价模型是基于召回率和准确率的微平均值模型，满足如下关系式：
F＝2×PR/(P+R)
式中，F为微平均值，P为准确率，R为召回率；
进一步，步骤2.4中，第二种效果评价模型是基于丢失率和误报率的错误识别代价模型，满足如下关系式：
C＝Cmiss×L×Ltar+Cfa×M×(1-Ltar)
式中，C为错误识别代价，Cmiss为一次丢失的代价，Cfa为一次误报的代价，Ltar为系统作出肯定判断的先验概率，L为丢失率，M为误报率。
优选地，
步骤3包括：
步骤3.1，采集电网故障处理预案中非结构化数据和半结构化数据；
步骤3.2，使用自然语言处理算法对非结构化数据和半结构化数据进行结构化处理，获得电网故障处理预案结构化数据；
步骤3.3，对于任一电网系统故障类型，从电网故障处理预案结构化数据中提取事件清单和设备清单；其中，设备清单，是与发生故障的电网系统存在电气连接的全部电气设备；事件清单，是电网故障类型，包括：横向故障、纵向故障；事件清单和设备清单构成电网系统故障离线诊断策略；
步骤3.4，利用在线安全分析滚动计算结果和在线安控策略，获取安控执行对象的设备清单、电网实时运行风险和实时辅助决策，对电网系统故障离线诊断策略进行动态补充，获得电网系统故障在线诊断策略；其中，电网实时运行风险包括：电力设备风险，电力线路风险，人为误操作风险；各风险对应的参数包括：运行电压、电流、供电负荷。
优选地，
步骤4中，触发器按照电网系统故障类型进行构建，包括：短路故障触发器、断相故障触发器、复杂故障触发器、自然灾害故障触发器；
步骤4包括：
步骤4.1，使用语言解析器对电网系统故障在线诊断策略进行解析处理，以获得电网系统故障类型匹配规则，输入至电网系统故障在线诊断触发器中；
步骤4.2，通过事件读取方式从电网系统故障简单事件集中，将简单事件接入电网系统故障在线诊断触发器中；
步骤4.3，对于任一简单事件，当某一类型的触发器中的电网系统故障类型匹配规则被匹配时，则将该简单事件存储至该故障类型的复杂事件集合中；
步骤4.4，事件匹配结束后，所得的复杂事件集合对应为电网系统故障在线诊断结果。
进一步，步骤4.4还包括：电网系统故障在线诊断的同时，采用分布式并行处理方法，实现电网系统级故障告警。
本发明的有益效果在于，与现有技术相比，基于离线知识学习方法，实现电网系统故障事件的提取，避免人工操作、提高效率和准确性；在进行电网系统故障因果关系推算时，强调各事件之间的时间关系，有利于提高调度的决策正确性；面向交直流混联电网，从系统层面进行故障原因在线诊断与全景式告警，为故障恢复辅助决策提供依据，形成故障机理与当前电网运行情况最优匹配的故障恢复方案系统级。
本发明的有益效果还在于，向各级调控中心应用的“提升人机交互水平、提高应对处置效率、替代简单事务性工作、提升分析决策能力”的智能调控辅助系统，提供一种故障的智能诊断和辅助调控的实现方法，有助于提升各级调控中心对海量数据的处理效率、以及调控方案与经验知识的关联程度，高效精准的解决大电网安全运行问题。
附图说明
图1是本发明基于离线知识学习和在线动态修正电网系统故障诊断方法的流程示意图；
图2是本发明基于离线知识学习和在线动态修正电网系统故障诊断方法中，利用在线安全分析数据对电网故障处理预案进行在线动态修正，以作为电网系统故障在线诊断策略。
具体实施方式
下面结合附图对本申请作进一步描述。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申请的保护范围。
以特高压交直流混联电网为研究对象。
如图1，基于离线知识学习和在线动态修正电网系统故障诊断方法包括：
步骤1，采集电网故障离线仿真数据、电网故障历史运行数据、在线安全分析数据。
具体地，
步骤1中，电网故障离线仿真数据，是基于电网典型运行方式下，将电网网络节点分为五类，通过离线仿真分析得到的各采样周期下的各类节点的电网故障运行数据，包括：电压、电流、保护动作时间、合闸时间；其中，网络节点的类型包括：故障区域类、故障直接影响区域类、故障影响且无法自恢复区域类、故障影响且能够自恢复区域类以及不受故障影响区域类。
电网故障历史运行数据，是从电网故障历史数据中提取的电网故障后稳态、动态和暂态下的电流、电压变化值和设备运行状态变化值。
步骤2，基于自适应权重FCM算法，从电网故障离线仿真数据和电网故障历史运行数据中提取简单事件，形成电网系统故障简单事件集；电网系统故障简单事件集中，各简单事件之间以时间顺序关系为约束条件；其中，自适应权重FCM算法中，对聚类后特征的时间属性进行离线知识学习以实现特征权重的自适应更新。
简单事件之间有时间、因果和聚合三个约束条件，遗传参数被添加到简单事件中，用于编码事件的时间与其他事件的关系，而遗传参数中间包含了事件的时间信息和因果向量，其中因果向量是事件集合，包含了导致本事件的所有简单事件。
具体地，
步骤2包括：
步骤2.1，使用自然语言处理方法，对电网故障离线仿真数据和电网故障历史运行数据进行分句、分词以及词性标注，根据词性筛选出触发词，形成面向电网系统故障创建原始触发词库。
步骤2.2，从原始触发词库中提取触发词以及该触发词所在上下文中的时间顺序特征，创建训练集。
步骤2.3，使用训练好的基于自适应权重FCM算法的简单事件提取模型对测试集进行分类，以提取不同的简单事件；其中，测试集是电网系统故障创建原始触发词库；简单事件提取模型输出的各简单事件之间以时间顺序关系为约束条件，各简单事件构成电网系统故障简单事件集。
其中，训练好的基于自适应权重FCM算法的简单事件提取模型，利用预设特征权重对训练集进行聚类，对聚类后各特征的时间属性进行离线知识学习以实现特征权重的自适应更新；通过多次聚类迭代和特征权重更新，直至特征权重收敛，获得训练集的最佳聚类划分，以每个聚类作为电网系统故障简单事件集。
步骤2.4，采用两种不同的效果评价模型，对简单事件的提取进行效果评价。
进一步，步骤2.4中，第一种效果评价模型是基于召回率和准确率的微平均值模型，满足如下关系式：
F＝2×PR/(P+R)
式中，F为微平均值，P为准确率，R为召回率。
进一步，步骤2.4中，第二种效果评价模型是基于丢失率和误报率的错误识别代价模型，满足如下关系式：
C＝Cmiss×L×Ltar+Cfa×M×(1-Ltar)
式中，C为错误识别代价，Cmiss为一次丢失的代价，Cfa为一次误报的代价，Ltar为系统作出肯定判断的先验概率，L为丢失率，M为误报率。
步骤3，如图2，利用在线安全分析数据对电网故障处理预案进行在线动态修正，以作为电网系统故障在线诊断策略。
具体地，
步骤3包括：
步骤3.1，采集电网故障处理预案中非结构化数据和半结构化数据。
步骤3.2，使用自然语言处理算法对非结构化数据和半结构化数据进行结构化处理，获得电网故障处理预案结构化数据。
步骤3.3，对于任一电网系统故障类型，从电网故障处理预案结构化数据中提取事件清单和设备清单；其中，设备清单，是与发生故障的电网系统存在电气连接的全部电气设备；事件清单，是电网故障类型，包括：横向故障、纵向故障；事件清单和设备清单构成电网系统故障离线诊断策略。
步骤3.4，利用在线安全分析滚动计算结果和在线安控策略，获取安控执行对象的设备清单、电网实时运行风险和实时辅助决策，对电网系统故障离线诊断策略进行动态补充，获得电网系统故障在线诊断策略；其中，电网实时运行风险包括：电力设备风险，电力线路风险，人为误操作风险；各风险对应的参数包括：运行电压、电流、供电负荷。
步骤4，基于复杂事件处理算法，根据电网系统故障在线诊断策略，构建电网系统故障在线诊断触发器，以电网系统故障简单事件集作为触发器的输入数据，由触发器输出匹配电网系统故障的因果关系；因果关系是触发器被匹配时所有简单事件的集合；实现电网系统级故障在线诊断。
本优选实施例中，特高压直流闭锁发生后，在一定的时间窗口内，不同调控系统、不同应用产生大量不同类型的事件信息，事件间存在顺序、聚合、依赖、因果等关联关系，需要判断事件的相关性并快速推导事件反映电网运行本质，场景特征同复杂事件处理技术的特点具有良好匹配度，将该技术应用于特高压直流闭锁故障诊断，有助于提高系统级故障的分析能力和处理速度。
具体地，
步骤4中，触发器按照电网系统故障类型进行构建，包括：短路故障触发器、断相故障触发器、复杂故障触发器、自然灾害故障触发器。
步骤4包括：
步骤4.1，使用语言解析器对电网系统故障在线诊断策略进行解析处理，以获得电网系统故障类型匹配规则，输入至电网系统故障在线诊断触发器中。
步骤4.2，通过事件读取方式从电网系统故障简单事件集中，将简单事件接入电网系统故障在线诊断触发器中。
步骤4.3，对于任一简单事件，当某一类型的触发器中的电网系统故障类型匹配规则被匹配时，则将该简单事件存储至该故障类型的复杂事件集合中。
步骤4.4，事件匹配结束后，所得的复杂事件集合对应为电网系统故障在线诊断结果。
进一步，步骤4.4还包括：电网系统故障在线诊断的同时，采用分布式并行处理方法，实现电网系统级故障告警。
本发明的有益效果在于，与现有技术相比，基于离线知识学习方法，实现电网系统故障事件的提取，避免人工操作、提高效率和准确性；在进行电网系统故障因果关系推算时，强调各事件之间的时间关系，有利于提高调度的决策正确性；面向交直流混联电网，从系统层面进行故障原因在线诊断与全景式告警，为故障恢复辅助决策提供依据，形成故障机理与当前电网运行情况最优匹配的故障恢复方案系统级。
本发明的有益效果还在于，向各级调控中心应用的“提升人机交互水平、提高应对处置效率、替代简单事务性工作、提升分析决策能力”的智能调控辅助系统，提供一种故障的智能诊断和辅助调控的实现方法，有助于提升各级调控中心对海量数据的处理效率、以及调控方案与经验知识的关联程度，高效精准的解决大电网安全运行问题。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (8)

1.基于离线知识学习和在线动态修正电网系统故障诊断方法，其特征在于，所述方法包括：
步骤1，采集电网故障离线仿真数据、电网故障历史运行数据、在线安全分析数据；
步骤2，基于自适应权重FCM算法，从电网故障离线仿真数据和电网故障历史运行数据中提取简单事件，形成电网系统故障简单事件集；所述电网系统故障简单事件集中，各简单事件之间以时间顺序关系为约束条件；其中，所述自适应权重FCM算法中，对聚类后特征的时间属性进行离线知识学习以实现特征权重的自适应更新；
步骤2包括：
步骤2.1，使用自然语言处理方法，对电网故障离线仿真数据和电网故障历史运行数据进行分句、分词以及词性标注，根据词性筛选出触发词，形成面向电网系统故障创建原始触发词库；
步骤2.2，从原始触发词库中提取触发词以及该触发词所在上下文中的时间顺序特征，创建训练集；
步骤2.3，使用训练好的基于自适应权重FCM算法的简单事件提取模型对测试集进行分类，以提取不同的简单事件；其中，所述测试集是电网系统故障创建原始触发词库；所述简单事件提取模型输出的各简单事件之间以时间顺序关系为约束条件，各简单事件构成电网系统故障简单事件集；
步骤2.4，采用两种不同的效果评价模型，对简单事件的提取进行效果评价；
步骤3，利用在线安全分析数据对电网故障处理预案进行在线动态修正，以作为电网系统故障在线诊断策略；
步骤3包括：
步骤3.1，采集电网故障处理预案中非结构化数据和半结构化数据；
步骤3.2，使用自然语言处理算法对非结构化数据和半结构化数据进行结构化处理，获得电网故障处理预案结构化数据；
步骤3.3，对于任一电网系统故障类型，从电网故障处理预案结构化数据中提取事件清单和设备清单；其中，所述设备清单，是与发生故障的电网系统存在电气连接的全部电气设备；所述事件清单，是电网故障类型，包括：横向故障、纵向故障；所述事件清单和设备清单构成电网系统故障离线诊断策略；
步骤3.4，利用在线安全分析滚动计算结果和在线安控策略，获取安控执行对象的设备清单、电网实时运行风险和实时辅助决策，对电网系统故障离线诊断策略进行动态补充，获得电网系统故障在线诊断策略；
步骤4，基于复杂事件处理算法，根据电网系统故障在线诊断策略，构建电网系统故障在线诊断触发器，以电网系统故障简单事件集作为触发器的输入数据，由触发器输出匹配电网系统故障的因果关系；所述因果关系是所述触发器被匹配时所有简单事件的集合；实现电网系统级故障在线诊断。
2.根据权利要求1所述的基于离线知识学习和在线动态修正电网系统故障诊断方法，其特征在于，
步骤1中，所述电网故障离线仿真数据，是基于电网典型运行方式下，将电网网络节点分为五类，通过离线仿真分析得到的各采样周期下的各类节点的电网故障运行数据，包括：电压、电流、保护动作时间、合闸时间；
所述电网故障历史运行数据，是从电网故障历史数据中提取的电网故障后稳态、动态和暂态下的电流、电压变化值和设备运行状态变化值。
3.根据权利要求2所述的基于离线知识学习和在线动态修正电网系统故障诊断方法，其特征在于，
所述网络节点的类型包括：故障区域类、故障直接影响区域类、故障影响且无法自恢复区域类、故障影响且能够自恢复区域类以及不受故障影响区域类。
4.根据权利要求1所述的基于离线知识学习和在线动态修正电网系统故障诊断方法，其特征在于，
步骤2.3中，所述训练好的基于自适应权重FCM算法的简单事件提取模型，利用预设特征权重对训练集进行聚类，对聚类后各特征的时间属性进行离线知识学习以实现特征权重的自适应更新；通过多次聚类迭代和特征权重更新，直至特征权重收敛，获得训练集的最佳聚类划分，以每个聚类作为电网系统故障简单事件集。
5.根据权利要求1所述的基于离线知识学习和在线动态修正电网系统故障诊断方法，其特征在于，
步骤2.4中，第一种效果评价模型是基于召回率和准确率的微平均值模型，满足如下关系式：
F＝t×PR/(P+R)
式中，F为微平均值，P为准确率，R为召回率；
步骤2.4中，第二种效果评价模型是基于丢失率和误报率的错误识别代价模型，满足如下关系式：
C＝Cmiss×L×Ltar+Cfa×M×(1-Ltar)
式中，C为错误识别代价，Cmiss为一次丢失的代价，Cfa为一次误报的代价，Ltar为系统作出肯定判断的先验概率，L为丢失率，M为误报率。
6.根据权利要求1所述的基于离线知识学习和在线动态修正电网系统故障诊断方法，其特征在于，
步骤3.4中，所述电网实时运行风险包括：电力设备风险，电力线路风险，人为误操作风险；各风险对应的参数包括：运行电压、电流、供电负荷。
7.根据权利要求1所述的基于离线知识学习和在线动态修正电网系统故障诊断方法，其特征在于，
步骤4中，所述触发器按照电网系统故障类型进行构建，包括：短路故障触发器、断相故障触发器、复杂故障触发器、自然灾害故障触发器；
步骤4包括：
步骤4.1，使用语言解析器对电网系统故障在线诊断策略进行解析处理，以获得电网系统故障类型匹配规则，输入至电网系统故障在线诊断触发器中；
步骤4.2，通过事件读取方式从电网系统故障简单事件集中，将简单事件接入电网系统故障在线诊断触发器中；
步骤4.3，对于任一简单事件，当某一类型的触发器中的电网系统故障类型匹配规则被匹配时，则将该简单事件存储至该故障类型的复杂事件集合中；
步骤4.4，事件匹配结束后，所得的复杂事件集合对应为电网系统故障在线诊断结果。
8.根据权利要求7所述的基于离线知识学习和在线动态修正电网系统故障诊断方法，其特征在于，
所述步骤4.4还包括：电网系统故障在线诊断的同时，采用分布式并行处理方法，实现电网系统级故障告警。
CN202110545170.8A 2021-05-19 2021-05-19 基于离线知识学习和在线动态修正电网系统故障诊断方法 Active CN113283602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110545170.8A CN113283602B (zh) 2021-05-19 2021-05-19 基于离线知识学习和在线动态修正电网系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110545170.8A CN113283602B (zh) 2021-05-19 2021-05-19 基于离线知识学习和在线动态修正电网系统故障诊断方法

Publications (2)

Publication Number Publication Date
CN113283602A CN113283602A (zh) 2021-08-20
CN113283602B true CN113283602B (zh) 2024-05-10

Family

ID=77279826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110545170.8A Active CN113283602B (zh) 2021-05-19 2021-05-19 基于离线知识学习和在线动态修正电网系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN113283602B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850017B (zh) * 2021-08-27 2024-04-02 国家电网有限公司 一种基于潮流变化图谱的系统级故障分析系统及方法
CN113947320B (zh) * 2021-10-25 2024-05-28 国网天津市电力公司电力科学研究院 一种基于多模态强化学习的电网调控方法
CN114715806B (zh) * 2022-06-08 2023-06-16 杭州未名信科科技有限公司 一种塔机异常状态的应急控制方法、装置、介质及塔机
CN116245357B (zh) * 2023-01-31 2023-09-22 南京工大金泓能源科技有限公司 一种数智节能柜故障诊断方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208643A (zh) * 2019-04-28 2019-09-06 国网辽宁省电力有限公司电力科学研究院 一种基于pmu数据和故障录波数据的电网故障诊断方法
CN111985561A (zh) * 2020-08-19 2020-11-24 安徽蓝杰鑫信息科技有限公司 一种智能电表的故障诊断方法、系统及电子装置
CN112415330A (zh) * 2020-10-27 2021-02-26 山东山大电力技术股份有限公司 一种基于广域信息的电网故障智能辨识方法及系统
CN112507006A (zh) * 2020-10-28 2021-03-16 国网浙江省电力有限公司杭州供电公司 基于云端的电网企业运行数据整合系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208643A (zh) * 2019-04-28 2019-09-06 国网辽宁省电力有限公司电力科学研究院 一种基于pmu数据和故障录波数据的电网故障诊断方法
CN111985561A (zh) * 2020-08-19 2020-11-24 安徽蓝杰鑫信息科技有限公司 一种智能电表的故障诊断方法、系统及电子装置
CN112415330A (zh) * 2020-10-27 2021-02-26 山东山大电力技术股份有限公司 一种基于广域信息的电网故障智能辨识方法及系统
CN112507006A (zh) * 2020-10-28 2021-03-16 国网浙江省电力有限公司杭州供电公司 基于云端的电网企业运行数据整合系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数据挖掘的电网系统故障智能诊断系统研究;李英;钱建国;王晓;莫建国;施正钗;;自动化与仪器仪表(第07期);全文 *

Also Published As

Publication number Publication date
CN113283602A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113283602B (zh) 基于离线知识学习和在线动态修正电网系统故障诊断方法
CN114168745B (zh) 面向环氧乙烷衍生品生产过程的知识图谱构建方法
CN109501834A (zh) 一种道岔转辙机故障预测方法及装置
Tan et al. Network fault prediction based on CNN-LSTM hybrid neural network
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN107103363A (zh) 一种基于lda的软件故障专家系统的构建方法
CN111474444A (zh) 一种基于知识图谱的线路故障复电决策方法
CN110175324A (zh) 一种基于数据挖掘的电网运行操作指令校验方法及系统
CN115481726A (zh) 一种工业机器人整机健康评估方法及系统
Huang et al. An intelligent system for advanced dynamic security assessment
CN117239713A (zh) 一种基于配电网调度智慧安全的管控方法及系统
CN114021758A (zh) 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置
CN116611813B (zh) 一种基于知识图谱的智能运维管理方法及系统
Ma et al. Review and comparison of the demand analysis methods of maritime emergency resources
CN116780530A (zh) 面向大规模新能源接入电网薄弱环节识别预测方法及系统
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
CN115239153A (zh) 一种用于化工园区事故的应急指挥决策方法、系统及介质
CN113076217A (zh) 基于国产平台的磁盘故障预测方法
CN114819350A (zh) 基于多任务的传感器故障情况下的rul预测方法
CN113807704A (zh) 一种城市轨道交通数据的智能算法平台构建方法
Xie et al. Data asset management and visualization based on intelligent algorithm: taking power equipment data as an example
CN113268604B (zh) 知识库自适应扩展方法及系统
Liu et al. Design of equipment condition maintenance knowledge base in power IoT based on edge computing
CN112508276B (zh) 一种电网快速诊断与优化系统及优化方法
Zheng et al. Research on Text Classification Method of Distribution Network Terminal Debugging Job Based on Hierarchical Comprehensive Context

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