CN113295969A - 一种配电网故障快速定位方法、系统、终端和存储介质 - Google Patents
一种配电网故障快速定位方法、系统、终端和存储介质 Download PDFInfo
- Publication number
- CN113295969A CN113295969A CN202110740800.7A CN202110740800A CN113295969A CN 113295969 A CN113295969 A CN 113295969A CN 202110740800 A CN202110740800 A CN 202110740800A CN 113295969 A CN113295969 A CN 113295969A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- fault
- distribution network
- network
- petri
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 230000007704 transition Effects 0.000 claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 230000001537 neural effect Effects 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001364 causal effect Effects 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered 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
- 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
-
- 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
- G06N3/045—Combinations of 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
-
- 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
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网故障快速定位方法、系统、终端和存储介质,包括:获取配电网中心的报警信息,并根据报警信息建立配电网元件的Petri网离线模式辨识模型;根据预设的Petri网的故障区段定位规则和Petri网离线模式辨识模型,建立配电网的Petri网故障定位模型;根据Petri网的变迁库所和输出库所,生成配电网故障Petri网产生式规则;根据RBF神经网络和配电网的Petri网故障定位模型,建立配电网区段故障定位的神经Petri网模型;根据产生式规则,生成配电网典型故障论域特征向量集,并将特征向量集通过配电网区段故障定位的神经Petri网模型,获得故障定位的结果。本发明能够对含分布式电源的配电网系统进行快速准确的故障区段定位,有效提高故障诊断效率与容错性。
Description
技术领域
本发明涉及配电网故障定位技术领域,特别是涉及一种配电网故障快速定位方法、系统、终端和存储介质。
背景技术
配电网处于电网的中间环节,是连接电网和客户的重要纽带。随着分布式电源(Distributed generation,DG)加入传统配电系统并网,使得配电网由单电源辐射式网络转变为双端或多端有源复杂网络,传统的故障定位方法已无法满足含有DG的配电网安全稳定运行的要求。因此,针对含DG的配电网故障区段快速自动定位方法进行研究,对配电网安全稳定运行具有重大意义。
目前,配电网故障定位方法主要有矩阵算法和人工智能算法。矩阵算法要求故障信息的准确性很高,容错性较差,使其难以得到广泛应用。人工智能算法包括遗传算法、蝙蝠算法、人工神经网络等。这些方法容错能力较强,故障定位准确,但也存在一些不足。由于配电网故障区段定位系统具有异步、离散等特点,而Petri网是异步、并发系统建模与性能分析的有力工具。近年来,Petri网的应用已渗透到电力系统各个领域中,在传统的配电网中能够准确定位故障区段,但在分布式电源接入后,其定位方法失效。
发明内容
本发明的目的是:提供一种配电网故障快速定位方法、系统、终端和存储介质,能够对含分布式电源的配电网系统进行快速准确的故障区段定位,有效提高故障诊断效率与容错性。
为了实现上述目的,本发明提供了一种配电网故障快速定位方法,包括:
获取配电网中心的报警信息,并根据所述报警信息建立配电网元件的Petri网离线模式辨识模型;
根据预设的Petri网的故障区段定位规则和Petri网离线模式辨识模型,建立含分布式电源配电网的Petri网故障定位模型;
根据Petri网的变迁库所和输出库所,生成配电网故障Petri网产生式规则;
根据RBF神经网络和含分布式电源配电网的Petri网故障定位模型,建立配电网区段故障定位的神经Petri网模型;
根据所述产生式规则,生成配电网典型故障论域特征向量集,并将所述特征向量集通过所述配电网区段故障定位的神经Petri网模型,获得故障定位的结果。
进一步地,所述获取配电网中心的报警信息,并根据所述报警信息建立配电网元件的Petri网离线模式辨识模型,包括:
获取配电网中心的报警信息,并根据所述报警信息,快速搜索故障区域,并对配电网开关进行编号,获得配电网开关的编号结果;
根据所述报警信息和配电网开关的编号结果,建立配电网元件的Petri网离线模式辨识模型。
进一步地,所述预设的Petri网的故障区段定位规则,具体为:
依次判断配电中的节点与相邻输出节点有正向或者反向的故障信息,若所述节点与相邻输出节点有正向或者反向的故障信息,则所述节点与所有输出端节点围成的区段为非故障区段。
进一步地,所述配电网故障Petri网产生式规则,具体为:
将所述Petri网的变迁库所定义为所述产生式规则的前提部分,所述Petri网的输出库所定义为所述产生式规则的结论部分,命题与推理规则之间的因果关系用库所和变迁之间的有向弧表示。
本发明还提供一种配电网故障快速定位系统,包括:数据获取模块、第一构建模块、规则生成模块、第二构建模块和定位模块,其中,所述数据获取模块,用于获取配电网中心的报警信息,并根据所述报警信息建立配电网元件的Petri网离线模式辨识模型;
所述第一构建模块,用于根据预设的Petri网的故障区段定位规则和Petri网离线模式辨识模型,建立含分布式电源配电网的Petri网故障定位模型;
所述规则生成模块,用于根据Petri网的变迁库所和输出库所,生成配电网故障Petri网产生式规则;
所述第二构建模块,用于根据RBF神经网络和含分布式电源配电网的Petri网故障定位模型,建立配电网区段故障定位的神经Petri网模型;
所述定位模块,用于根据所述产生式规则,生成配电网典型故障论域特征向量集,并将所述特征向量集通过所述配电网区段故障定位的神经Petri网模型,获得故障定位的结果。
进一步地,所述数据获取模块,具体用于:
获取配电网中心的报警信息,并根据所述报警信息,快速搜索故障区域,并对配电网开关进行编号,获得配电网开关的编号结果;
根据所述报警信息和配电网开关的编号结果,建立配电网元件的Petri网离线模式辨识模型。
进一步地,所述预设的Petri网的故障区段定位规则,具体为:
依次判断配电中的节点与相邻输出节点有正向或者反向的故障信息,若所述节点与相邻输出节点有正向或者反向的故障信息,则所述节点与所有输出端节点围成的区段为非故障区段。
进一步地,所述配电网故障Petri网产生式规则,具体为:
将所述Petri网的变迁库所定义为所述产生式规则的前提部分,所述Petri网的输出库所定义为所述产生式规则的结论部分,命题与推理规则之间的因果关系用库所和变迁之间的有向弧表示。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的配电网故障快速定位方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的配电网故障快速定位方法。
本发明实施例一种配电网故障快速定位方法、系统、终端和存储介质与现有技术相比,其有益效果在于:
针对Petri网应用中存在的模型状态空间复杂及容错能力不足等问题,将神经网络引入到该模型,将Petri网模型作为与人工神经网络模型相联系的外部系统,将Petri网的调度结果作为神经网络模型的输入信息,根据产生式规则建立最优的神经Petri网故障诊断模型。该模型不仅提高了Petri网自学习能力,且充分利用了Petri网的图形化系统建模能力,使得用Petri网模型可以简单直观地表达较为复杂的诊断系统。
附图说明
图1是本发明某一实施例提供的一种配电网故障快速定位方法的流程示意图;
图2是本发明提供的为含DG的配电网单条馈线区段分布图;
图3是本发明提供的Petri网的区段定位模型;
图4是本发明提供的配电网故障区段定位的神经Petri网模型;
图5是本发明某一实施例提供的一种配电网故障快速定位系统的结构示意图。
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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1所示,本发明实施例的一种配电网故障快速定位方法,至少包括如下步骤:
S1、获取配电网中心的报警信息,并根据所述报警信息建立配电网元件的Petri网离线模式辨识模型;
具体地,从调度中心收到的配电网报警信息,快速搜索故障区域,对配电网开关进行编号,规定系统电源指向系统末端的方向为正方向,建立所有元件的Petri网离线模式辨识模型;
需要说明的是,可以由以下示例具体理解:
以含分布式电源的配电网单条馈线区段分布为例,对配电网开关进行如下编号;
Si表示区段(Si=1表示区段故障,Si=0表示区段正常);Ki表示开关(断路器、分段开关)处安装的馈线终端设备(Feeder Terminal Unit,FTU)节点(Ki=0表示无故障电流流过,Ki=1与正方向相同);CB表示断路器(CB=1表示断路器断开,CB=0表示断路器闭合);Li表示线路(Li=l表示线路故障,Li=0表示线路正常)。
Petri网故障诊断模型的定义;
用一个四元组表示Petri网模型,即PN=(P,T,F,M0)。其中,P={p1,p2,…,pn}表示库所的集合,用“o”表示;T={t1,t2,-,tn}表示变迁的集合,用“|”表示;M0:P→f0,1,2,...,}为初始标识;F∈(P×T)∪(T×P)为有向弧集;
Petri网的使能规则;
如果Petri网中某变迁的每一个输入位置至少包含一个标记,则称Petri网中该变迁是使能的;
Petri网的系统状态变迁分析;
Petri网的变迁触发方式不仅可以通过图形方式直观显示,也可以通过Petri网的状态方程方式分析Petri网的标识变化和变迁发生的情况。Mk表示系统的第k个进化状态(M0为系统的初始状态),为一列向量;
定义1:A表示系统的关联矩阵,以库所为行向量,以变迁为列向量,对每一个变迁在其对应输入库所置-1,输出库所置1,其余库所置0,即A=(aij)m×r,其中
定义2:设X为触发向量,用于表示各变迁的触发情况。当Petri网满足触发条件,存在一个n维的触发向量V,则Petri网的状态方程为:
M=M0+AV
S2、根据预设的Petri网的故障区段定位规则和Petri网离线模式辨识模型,建立含分布式电源配电网的Petri网故障定位模型;
具体地,在DG接入后,当某个区段发生故障时,故障区段判别方法是:如果某节点与相邻输出节点有正向(反向)故障信息,即Ki=Ki+1=1或Ki=Ki+1=-1,则判断本节点与所有输出端节点围成的区段为非故障区段;如果某节点与相邻输出节点方向相反,即Ki=1,Ki+1=-1,则为故障区段。在模型中构建双层冗余机制,即Ki利用遥信数据进行初始托肯赋值,ki利用遥测数据进行初始托肯赋值,Pi为第i个过渡库所处于激活状态。
S3、根据Petri网的变迁库所和输出库所,生成配电网故障Petri网产生式规则;
具体地,在Petri网模型中,用Petri网的变迁库所表示规则的前提部分,输出库所表示规则的结论部分,命题与推理规则之间的因果关系用库所和变迁之间的有向弧表示。产生式规则的前提部分或结论部分包含连接词“与”“或”的称为合成产生式规则。合成产生式规则通常可划分为如下三种:
类型1:If P1 and P2 and...Pn-1 Then Pn
类型2:If P1 Then P2 and...Pn
类型3:If P1 or P2 or...Pn-1 Then Pn
S4、根据RBF神经网络和含分布式电源配电网的Petri网故障定位模型,建立配电网区段故障定位的神经Petri网模型;
具体地,所述神经Petri网(NPN)模型可以定义为一个六元组,NPN=(P,T,Z,A,C,M0)。其中,P={P1,P2,...,Pn}为有限库所集;T={t1,t2,...,tn}为有限变迁集;P∩T=φ,P∪T≠φ;为有向弧集;A是在库所和变迁之间的连接模式;C为隐含和输出层库所的活动状态集;M0:P→{0,1,2,...}为初始标识。库所分为三个子网:P={INPUT,HIDDEN,OUTPUT]。
S5、根据所述产生式规则,生成配电网典型故障论域特征向量集,并将所述特征向量集通过所述配电网区段故障定位的神经Petri网模型,获得故障定位的结果。
具体地,以含DG的配电网单条馈线区段分布为例,根据配电网故障Petri网产生式规则生成方法,利用RBF神经网络建立配电网区段故障定位的神经Petri网模型。该模型分为故障诊断Petri网模型和具有自学习功能的RBF神经网络模型,将X1~X11作为RBF神经网络的输入,其作用是针对外界的不同输入做出响应;S1~S5作为RBF神经网络的输出;隐含层的作用是将由输入层进入的信号进行非线性变换,这里采用高斯函数将输入信号变换非线性的激活函数。
在本发明的某一实施例中,所述获取配电网中心的报警信息,并根据所述报警信息建立配电网元件的Petri网离线模式辨识模型,包括:
获取配电网中心的报警信息,并根据所述报警信息,快速搜索故障区域,并对配电网开关进行编号,获得配电网开关的编号结果;
根据所述报警信息和配电网开关的编号结果,建立配电网元件的Petri网离线模式辨识模型。
在本发明的某一个实施例中,所述预设的Petri网的故障区段定位规则,具体为:
依次判断配电中的节点与相邻输出节点有正向或者反向的故障信息,若所述节点与相邻输出节点有正向或者反向的故障信息,则所述节点与所有输出端节点围成的区段为非故障区段。
在本发明的某一个实施例中,所述配电网故障Petri网产生式规则,具体为:
将所述Petri网的变迁库所定义为所述产生式规则的前提部分,所述Petri网的输出库所定义为所述产生式规则的结论部分,命题与推理规则之间的因果关系用库所和变迁之间的有向弧表示。
为了更好的理解本发明,可以由以下示例具体理解:
如图2-图4所示,一种基于神经Petri网的含分布式电源配电网故障快速定位方法,图3是Petri网的区段定位模型。从图3可以看出,该条馈线被断路器、分段开关分成多个区段。当DG接入后,规定从主电源S流向DG为正方向。具体建模过程如下:
首先,根据调度中心收到的配电网报警信息,快速搜索故障区域,对配电网开关进行编号,规定网络正方向。其中,Si表示区段(Si=1表示区段故障,Si=0表示区段正常);Ki表示开关(断路器、分段开关)处安装的馈线终端设备(Feeder Terminal Unit,FTU)节点(Ki=0表示无故障电流流过,Ki=1与正方向相同);CB表示断路器(CB=1表示断路器断开,CB=0表示断路器闭合);Li表示线路(Li=1表示线路故障,Li=0表示线路正常)。
其次,建立所有元件的Petri网离线模式辨识模型。在DG接入后,当某个区段发生故障时,故障区段判别方法是:如果某节点与相邻输出节点有正向(反向)故障信息,即Ki=Ki+1=1或Ki=Ki+1=-1,则判断本节点与所有输出端节点围成的区段为非故障区段;如果某节点与相邻输出节点方向相反,即Ki=1,Ki+1=-1,则为故障区段。
最后,根据Petri网的故障区段定位规则,构建出如图3所示的Petri网定位模型。构建Ki与ki双层冗余机制,即Ki利用遥信数据进行初始托肯赋值、ki利用遥测数据进行初始托肯赋值,Pi为过渡库所i激活状态。
假设图1上的区段S3发了短路故障,此时断路器断开(CB=1)。断开之前,节点Ki遥信故障方向为[11000],节点ki遥测故障方向为
[11100],则各开关库所中的初始托肯状态矩阵为
M0=[Cb Ln P1 K1 k1 P2 K2 k2 P3 K3 k3 K4 k4 K5 k5 S1 S2 S3 S4 S5]′
=[10001101100100000000]′;
由使能规则可知t0满足点火条件,托肯发生转移,变迁t0的触发序列为V0=[1 0 00 0 0 0 0 0 0 0 0 0]′,则托肯状态矩阵更新为M1=M0+AV0=[01001101100100000000]';
当t1满足点火条件,托肯发生转移,变迁t1的触发序列为V1=[0100000000000]′,则托肯状态矩阵更新为M2=M1+AV1=[00101201200100000000]′;
当t1触发完成后,使变迁t6、t7和t8同时触发,触发序列为V2=[0000001110000]′,则托肯状态矩阵更新为M3=M2+AV2=[00101201-1-1-1-1-1-1-100300]′。
可见,在向量M3中,S3库所的元素不为0,则说明馈线段S3发生故障。
在Petri网模型中,用Petri网的变迁库所表示规则的前提部分,输出库所表示规则的结论部分,命题与推理规则之间的因果关系用库所和变迁之间的有向弧表示。产生式规则的前提部分或结论部分包含连接词“与”“或”的称为合成产生式规则。合成产生式规则通常可划分为如下三种:
类型1:If P1 and P2 and…Pn-1 Then Pn,
类型2:If P1 Then P2 and…Pn,
类型3:If P1 or P2 or…Pn-1 Then Pn,
例如,当CB=1时,Petri网的产生式规则如下:
If P1=1 and K1=1 and K2=1 or P1=1 and k1=1 and k2=1 Then S1=1
If P2=1 and K2=1 and K3=1 or P2=1 and k2=1 and k3=1 Then S2=1
If P3=1 and K3=1 and K4=1 and K5=1 or P3=1 and k3=1 and K4=1 andk5=1 or k3=1 and k4=1 and K5=1 Then S3=1
If K4=1 or k4=1 Then S4=1
If K5=1 or k5=1 Then S5=1
将上述产生式规则整理成该线路配电网典型故障论域特征向量如表1所示。
表1 配电网典型故障论域特征向量
Petri网和神经网络虽然起源不同,但是两者在形式上有着惊人的相似。人工神经网络可以看成是以人工神经元为节点,用有加权弧连接起来的有向图,有向弧的权值表示相互两个神经元之间相互作用的强弱。
故障神经Petri网的定义:神经Petri网(NPN)模型可以定义为一个六元组,NPN=(P,T,Z,A,C,M0)。其中,P={P1,P2,…,Pn}为有限库所集;T={t1,t2,…,tn}为有限变迁集;P∩T=φ,P∪T≠φ; 为有向弧集;A是在库所和变迁之间的连接模式;C为隐含和输出层库所的活动状态集;M0:P→{0,1,2,…}为初始标识。库所分为三个子网:P={INPUT,HIDDEN,OUTPUT]。
神经元细胞体的信号采集和阈值功能由库所Pi、变迁对(ti,Ti)实现,Pi根据f转换函数来计算输出,当超出阈值θii时,输入变迁ti将被激活;输入库所Pi的作用是托肯传递,作为Petri网的初始标识;输入变迁ti为普通变迁,不具有阈值功能,输入库所和输入变迁之间的权值设定为固定值1;阈值变迁Ti通过权值为θii的弧与整合隐含库所Pi连接。
图4是配电网故障区段定位的神经Petri网模型。根据配电网故障Petri网产生式规则生成方法,利用RBF神经网络建立配电网区段故障定位的神经Petri网模型,如图4所示。该模型分为故障诊断Petri网模型和具有自学习功能的RBF神经网络模型,将X1~X11作为RBF神经网络的输入,其作用是针对外界的不同输入做出响应;S1~S5作为RBF神经网络的输出;隐含层的作用是将由输入层进入的信号进行非线性变换,这里采用高斯函数将输入信号变换非线性的激活函数。输入库所Xi隐含层神经元的标记由式计算:
故障定位规则:如果Y(k)达到最大,则Tk触发而点火,则对应的Sk=1。
根据图4所示的配电网故障区段定位神经Petri网模型,其输入和输出矩阵分别如下:
RBF神经Petri网的训练样本为:
RBF神经Petri网的输出样本为:
同样以图2含DG的配电网区段故障诊断为例,监测到的故障信息Cb,K3,k4,k5均出现异常。当Cb=1时,t0触发点火,托肯从Cb转移到Ln;当Ln=1时,t1触发点火,同时K3=1,k4=1,k5=1,对应变迁t6、t7和t8同步触发而点火,RBF神经Petri网的测试样本为Ptest=[0000001110000]。利用MATLAB中的Newrbe()函数创建径向基神经网络基本函数:
Net=newrb(P,T,SPREAD)
其中,P为神经网络训练样本;T为神经网络输出目标;SPREAD为RBF神经网络的扩展速度,这里取0.8。
当RBF神经网络训练完后,应用该网络模型对Ptest实测数据进行故障定位,模型输出结果为T=[00100],即S3区段线路故障,与利用矩阵算法的故障定位结果相同。
从图4中可以看出,将Petri网模型作为与神经网络模型相联系的外部系统,将Petri网的调度结果作为神经网络模型的输入信息,充分利用了Petri网的图形化系统建模能力,同时提高了Petri网自学习能力,能够快速、可靠地实现较为复杂系统的故障诊断。
本发明实施例一种配电网故障快速定位方法与现有技术相比,其有益效果在于:
针对Petri网应用中存在的模型状态空间复杂及容错能力不足等问题,将神经网络引入到该模型,将Petri网模型作为与人工神经网络模型相联系的外部系统,将Petri网的调度结果作为神经网络模型的输入信息,根据产生式规则建立最优的神经Petri网故障诊断模型。该模型不仅提高了Petri网自学习能力,且充分利用了Petri网的图形化系统建模能力,使得用Petri网模型可以简单直观地表达较为复杂的诊断系统。
如图5所示,本发明还提供一种配电网故障快速定位系统200,包括:数据获取模块201、第一构建模块202、规则生成模块203、第二构建模块204和定位模块205,其中,
所述数据获取模块201,用于获取配电网中心的报警信息,并根据所述报警信息建立配电网元件的Petri网离线模式辨识模型;
所述第一构建模块202,用于根据预设的Petri网的故障区段定位规则和Petri网离线模式辨识模型,建立含分布式电源配电网的Petri网故障定位模型;
所述规则生成模块203,用于根据Petri网的变迁库所和输出库所,生成配电网故障Petri网产生式规则;
所述第二构建模块204,用于根据RBF神经网络和含分布式电源配电网的Petri网故障定位模型,建立配电网区段故障定位的神经Petri网模型;
所述定位模块205,用于根据所述产生式规则,生成配电网典型故障论域特征向量集,并将所述特征向量集通过所述配电网区段故障定位的神经Petri网模型,获得故障定位的结果。
在本发明的某一个实施例中,所述数据获取模块201,具体用于:
获取配电网中心的报警信息,并根据所述报警信息,快速搜索故障区域,并对配电网开关进行编号,获得配电网开关的编号结果;
根据所述报警信息和配电网开关的编号结果,建立配电网元件的Petri网离线模式辨识模型。
在本发明的某一个实施例中,所述预设的Petri网的故障区段定位规则,具体为:
依次判断配电中的节点与相邻输出节点有正向或者反向的故障信息,若所述节点与相邻输出节点有正向或者反向的故障信息,则所述节点与所有输出端节点围成的区段为非故障区段。
在本发明的某一个实施例中,所述配电网故障Petri网产生式规则,具体为:
将所述Petr i网的变迁库所定义为所述产生式规则的前提部分,所述Petri网的输出库所定义为所述产生式规则的结论部分,命题与推理规则之间的因果关系用库所和变迁之间的有向弧表示。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的配电网故障快速定位方法。
需要说明的是,所述处理器可以是中央处理单元(CentralProcess ingUni t,CPU),还可以是其他通用处理器、数字信号处理器(Digi talSignalProcessor,DSP)、专用集成电路(Appl icat ionSpecificIntegratedCircui t,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡和闪存卡(FlashCard)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的配电网故障快速定位方法。
需要说明的是,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电网故障快速定位方法,其特征在于,包括:
获取配电网中心的报警信息,并根据所述报警信息建立配电网元件的Petri网离线模式辨识模型;
根据预设的Petri网的故障区段定位规则和Petri网离线模式辨识模型,建立含分布式电源配电网的Petri网故障定位模型;
根据Petri网的变迁库所和输出库所,生成配电网故障Petri网产生式规则;
根据RBF神经网络和含分布式电源配电网的Petri网故障定位模型,建立配电网区段故障定位的神经Petri网模型;
根据所述产生式规则,生成配电网典型故障论域特征向量集,并将所述特征向量集通过所述配电网区段故障定位的神经Petri网模型,获得故障定位的结果。
2.根据权利要求1所述的一种配电网故障快速定位方法,其特征在于,所述获取配电网中心的报警信息,并根据所述报警信息建立配电网元件的Petri网离线模式辨识模型,包括:
获取配电网中心的报警信息,并根据所述报警信息,快速搜索故障区域,并对配电网开关进行编号,获得配电网开关的编号结果;
根据所述报警信息和配电网开关的编号结果,建立配电网元件的Petri网离线模式辨识模型。
3.根据权利要求1所述的一种配电网故障快速定位方法,其特征在于,所述预设的Petri网的故障区段定位规则,具体为:
依次判断配电中的节点与相邻输出节点有正向或者反向的故障信息,若所述节点与相邻输出节点有正向或者反向的故障信息,则所述节点与所有输出端节点围成的区段为非故障区段。
4.根据权利要求1所述的一种配电网故障快速定位方法,其特征在于,所述配电网故障Petri网产生式规则,具体为:
将所述Petri网的变迁库所定义为所述产生式规则的前提部分,所述Petri网的输出库所定义为所述产生式规则的结论部分,命题与推理规则之间的因果关系用库所和变迁之间的有向弧表示。
5.一种配电网故障快速定位系统,其特征在于,包括:数据获取模块、第一构建模块、规则生成模块、第二构建模块和定位模块,其中,所述数据获取模块,用于获取配电网中心的报警信息,并根据所述报警信息建立配电网元件的Petri网离线模式辨识模型;
所述第一构建模块,用于根据预设的Petri网的故障区段定位规则和Petri网离线模式辨识模型,建立含分布式电源配电网的Petri网故障定位模型;
所述规则生成模块,用于根据Petri网的变迁库所和输出库所,生成配电网故障Petri网产生式规则;
所述第二构建模块,用于根据RBF神经网络和含分布式电源配电网的Petri网故障定位模型,建立配电网区段故障定位的神经Petri网模型;
所述定位模块,用于根据所述产生式规则,生成配电网典型故障论域特征向量集,并将所述特征向量集通过所述配电网区段故障定位的神经Petri网模型,获得故障定位的结果。
6.根据权利要求5所述的一种配电网故障快速定位系统,其特征在于,所述数据获取模块,具体用于:
获取配电网中心的报警信息,并根据所述报警信息,快速搜索故障区域,并对配电网开关进行编号,获得配电网开关的编号结果;
根据所述报警信息和配电网开关的编号结果,建立配电网元件的Petri网离线模式辨识模型。
7.根据权利要求5所述的一种配电网故障快速定位系统,其特征在于,所述预设的Petri网的故障区段定位规则,具体为:
依次判断配电中的节点与相邻输出节点有正向或者反向的故障信息,若所述节点与相邻输出节点有正向或者反向的故障信息,则所述节点与所有输出端节点围成的区段为非故障区段。
8.根据权利要求5所述的一种配电网故障快速定位系统,其特征在于,所述配电网故障Petri网产生式规则,具体为:
将所述Petri网的变迁库所定义为所述产生式规则的前提部分,所述Petri网的输出库所定义为所述产生式规则的结论部分,命题与推理规则之间的因果关系用库所和变迁之间的有向弧表示。
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的配电网故障快速定位方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的配电网故障快速定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740800.7A CN113295969B (zh) | 2021-06-30 | 2021-06-30 | 一种配电网故障快速定位方法、系统、终端和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740800.7A CN113295969B (zh) | 2021-06-30 | 2021-06-30 | 一种配电网故障快速定位方法、系统、终端和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113295969A true CN113295969A (zh) | 2021-08-24 |
CN113295969B CN113295969B (zh) | 2022-05-27 |
Family
ID=77330125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110740800.7A Active CN113295969B (zh) | 2021-06-30 | 2021-06-30 | 一种配电网故障快速定位方法、系统、终端和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113295969B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113746073A (zh) * | 2021-08-30 | 2021-12-03 | 许昌许继软件技术有限公司 | 一种主站与终端协同自适应的配电网故障处理方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308824A (zh) * | 2013-05-31 | 2013-09-18 | 东北大学 | 一种基于概率Petri网的电力系统故障诊断方法 |
CN103487723A (zh) * | 2013-08-30 | 2014-01-01 | 中国南方电网有限责任公司 | 电力系统故障诊断方法及系统 |
CN107203202A (zh) * | 2017-07-03 | 2017-09-26 | 贵州大学 | 基于模糊Petri网的系统可靠性分析与故障诊断方法 |
CN107656176A (zh) * | 2017-11-09 | 2018-02-02 | 华北电力大学(保定) | 一种基于改进贝叶斯Petri网的电网故障诊断方法 |
CN107944657A (zh) * | 2017-10-20 | 2018-04-20 | 国网山东省电力公司 | 一种电力多源信息故障定位及预判方法 |
CN108919055A (zh) * | 2018-07-11 | 2018-11-30 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于Petri网的含高密度屋顶光伏配电网故障诊断方法 |
CN110470951A (zh) * | 2019-08-18 | 2019-11-19 | 天津大学 | 基于PMU信息和Petri网的有源配电网故障诊断方法 |
CN110927509A (zh) * | 2019-10-14 | 2020-03-27 | 山东科技大学 | 一种配电网的故障诊断方法 |
CN112215279A (zh) * | 2020-10-12 | 2021-01-12 | 国网新疆电力有限公司 | 一种基于免疫rbf神经网络的电网故障诊断方法 |
-
2021
- 2021-06-30 CN CN202110740800.7A patent/CN113295969B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308824A (zh) * | 2013-05-31 | 2013-09-18 | 东北大学 | 一种基于概率Petri网的电力系统故障诊断方法 |
CN103487723A (zh) * | 2013-08-30 | 2014-01-01 | 中国南方电网有限责任公司 | 电力系统故障诊断方法及系统 |
CN107203202A (zh) * | 2017-07-03 | 2017-09-26 | 贵州大学 | 基于模糊Petri网的系统可靠性分析与故障诊断方法 |
CN107944657A (zh) * | 2017-10-20 | 2018-04-20 | 国网山东省电力公司 | 一种电力多源信息故障定位及预判方法 |
CN107656176A (zh) * | 2017-11-09 | 2018-02-02 | 华北电力大学(保定) | 一种基于改进贝叶斯Petri网的电网故障诊断方法 |
CN108919055A (zh) * | 2018-07-11 | 2018-11-30 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于Petri网的含高密度屋顶光伏配电网故障诊断方法 |
CN110470951A (zh) * | 2019-08-18 | 2019-11-19 | 天津大学 | 基于PMU信息和Petri网的有源配电网故障诊断方法 |
CN110927509A (zh) * | 2019-10-14 | 2020-03-27 | 山东科技大学 | 一种配电网的故障诊断方法 |
CN112215279A (zh) * | 2020-10-12 | 2021-01-12 | 国网新疆电力有限公司 | 一种基于免疫rbf神经网络的电网故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
程学珍 等: "基于神经模糊Petri网的高压断路器故障诊断研究", 《电工技术学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113746073A (zh) * | 2021-08-30 | 2021-12-03 | 许昌许继软件技术有限公司 | 一种主站与终端协同自适应的配电网故障处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113295969B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | A deep imbalanced learning framework for transient stability assessment of power system | |
CN109633372B (zh) | 一种基于膜系统的电力系统故障自动诊断方法 | |
US4977390A (en) | Real time method for processing alaarms generated within a predetermined system | |
Huang et al. | Recurrent graph convolutional network-based multi-task transient stability assessment framework in power system | |
James et al. | Intelligent time-adaptive transient stability assessment system | |
Rong et al. | Automatic implementation of fuzzy reasoning spiking neural P systems for diagnosing faults in complex power systems | |
Xiong et al. | A new approach to fault diagnosis of power systems using fuzzy reasoning spiking neural P systems | |
Peng et al. | Fault diagnosis of power systems using fuzzy tissue-like P systems | |
CN103487723B (zh) | 电力系统故障诊断方法及系统 | |
CN110470951B (zh) | 基于PMU信息和Petri网的有源配电网故障诊断方法 | |
Wang et al. | An innovative minimum hitting set algorithm for model-based fault diagnosis in power distribution network | |
CN106771848B (zh) | 一种基于拓扑图元信息融合的电网故障诊断方法 | |
CN113295969B (zh) | 一种配电网故障快速定位方法、系统、终端和存储介质 | |
CN117419829A (zh) | 过热故障的预警方法、装置和电子设备 | |
CN114252727A (zh) | 一种基于人工智能技术的电网故障快速诊断方法 | |
Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
Shao et al. | Power System Fault Diagnosis Method Based on Intuitionistic Fuzzy Sets and Incidence Matrices | |
Wang et al. | A locational false data injection attack detection method in smart grid based on adversarial variational autoencoders | |
Tong et al. | Fault Detectability of Asynchronous Delayed Boolean Control Networks With Sampled-Data Control | |
Yuan | Network topology for the application research of electrical control system fault propagation | |
CN113484685B (zh) | 一种基于时序组织型p系统的电网故障诊断方法 | |
Zhao et al. | Remaining life prediction of turbofan engine based on multi-path feature fusion | |
Yu et al. | Fault diagnosis of power systems using fuzzy reasoning spiking neural P systems with interval-valued fuzzy numbers | |
Han et al. | A self-attention-embedded deep learning model for phasor measurement unit-based post-fault transient stability prediction | |
Rafi et al. | Enhancing Power Transmission Line Fault Detection with a Hybrid ANN-SVM Machine Learning Model: A Comparative Study |
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 |