CN113343586A - 电网故障智能分析方法、系统、终端设备及存储介质 - Google Patents
电网故障智能分析方法、系统、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113343586A CN113343586A CN202110744862.5A CN202110744862A CN113343586A CN 113343586 A CN113343586 A CN 113343586A CN 202110744862 A CN202110744862 A CN 202110744862A CN 113343586 A CN113343586 A CN 113343586A
- Authority
- CN
- China
- Prior art keywords
- fault
- power grid
- switching value
- petri network
- intelligent analysis
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 42
- 230000001537 neural effect Effects 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 230000009471 action Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 238000000034 method Methods 0.000 abstract description 13
- 238000013528 artificial neural network Methods 0.000 abstract description 12
- 208000024891 symptom Diseases 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007257 malfunction Effects 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
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电网故障智能分析方法、系统、终端设备及存储介质，该方法包括获取被测对象的开关量信号、模拟量信号；根据模拟量信号提取被测对象中录波器的电流、电压的模拟量故障特征；根据开关量信号提取被测对象中断路器、保护动作出口的开关量故障特征；根据模拟量故障特征、开关量故障特征建立Petri网产生式规则，并以该规则为输入，故障情况为输出建立电网故障神经Petri网仿真模型；将测试数据输入至电网故障神经Petri网仿真模型，进行电网故障智能分析。本发明将开关量与模拟量信号融合，利用RBF神经网络电网故障诊断的神经Petri网仿真模型，准确有效地实现了电网故障特性的动态连续仿真。
Description
技术领域
本发明涉及电网故障分析技术领域，具体涉及一种电网故障智能分析方法、系统、终端设备及存储介质。
背景技术
电力系统故障诊断是利用故障发生所引起的警报信息，及时、有效地确定故障元件，从而为调度人员快速分析处理故障提供辅助决策。目前，基于开关量的电网故障诊断领域开展了大量研究，并提出了专家系统、人工神经网络、Petri网、优化技术、模糊集等故障诊断方法。
然而，在现有电网故障诊断方法中，由于断路器变位以及保护动作等开关量信息是离散化事件，如果发生保护和断路器误动、拒动，或者由于通信干扰或信号接入错误而引起开关量的错报、漏报，均会影响诊断结果。因此，单纯基于开关量的诊断往往不能准确甄别故障元件与非故障停电元件。
发明内容
本发明的目的在于提供一种电网故障智能分析方法、系统、终端设备及存储介质，以解决现有的电网故障诊断方法无法准确定位故障元件的技术问题。
为了克服上述现有技术中的缺陷，本发明提供了一种电网故障智能分析方法，包括：
获取被测对象的开关量信号、模拟量信号；
根据所述模拟量信号，分别提取被测对象中录波器的电流、电压的模拟量故障特征；
根据所述开关量信号，分别提取被测对象中断路器、保护动作出口的开关量故障特征；
根据所述模拟量故障特征、所述开关量故障特征，建立用于电网故障智能分析的Petri网产生式规则；
以所述Petri网产生式规则为输入，故障情况为输出建立电网故障神经Petri网仿真模型；
将从测试库中提取的开关量故障特征和模拟量故障特征作为测试数据，将所述测试数据输入至所述电网故障神经Petri网仿真模型，进行电网故障智能分析。
进一步地，所述被测对象包括关联线路、母线及变压器。
进一步地，所述根据所述模拟量故障特征、所述开关量故障特征，建立用于电网故障智能分析的Petri网产生式规则，包括：
根据所述模拟量故障特征、所述开关量故障特征，用Petri网的输入库表示故障征兆，输出库表示故障类型，变迁表示故障征兆与故障类型之间的对应关系，建立用于电网故障智能分析的Petri网产生式规则。
进一步地，所述电网故障神经Petri网仿真模型包括：
输入层，用于对接收的Petri网产生式规信号进行特征提取；
隐含层，用于利用高斯函数对特征提取结果进行非线性变换，得到非线性激活函数；
输出层，用于输出训练结果。
本发明还提供了一种电网故障智能分析系统，包括：
信号采集单元，用于获取被测对象的开关量信号、模拟量信号；
模拟量故障特征提取单元，用于根据所述模拟量信号，分别提取被测对象中录波器的电流、电压的模拟量故障特征；
开关量故障特征提取单元，用于根据所述开关量信号，分别提取被测对象中断路器、保护动作出口的开关量故障特征；
规则生成单元，用于根据所述模拟量故障特征、所述开关量故障特征，建立用于电网故障智能分析的Petri网产生式规则；
仿真模型构建单元，用于以所述Petri网产生式规则为输入，故障情况为输出建立电网故障神经Petri网仿真模型；
故障分析单元，用于将从测试库中提取的开关量故障特征和模拟量故障特征作为测试数据，将所述测试数据输入至所述电网故障神经Petri网仿真模型，进行电网故障智能分析。
进一步地，所述被测对象包括关联线路、母线及变压器。
进一步地，所述规则生成单元，还用于：
根据所述模拟量故障特征、所述开关量故障特征，用Petri网的输入库表示故障征兆，输出库表示故障类型，变迁表示故障征兆与故障类型之间的对应关系，建立用于电网故障智能分析的Petri网产生式规则。
进一步地，所述电网故障神经Petri网仿真模型包括：
输入层，用于对接收的Petri网产生式规信号进行特征提取；
隐含层，用于利用高斯函数对特征提取结果进行非线性变换，得到非线性激活函数；
输出层，用于输出训练结果。
本发明还提供了一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的电网故障智能分析方法。
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，所述计算机程序被处理器执行实现如上任一项所述的电网故障智能分析方法。
相对于现有技术，本发明的有益效果在于：
本发明提供的一种电网故障智能分析方法，包括获取被测对象的开关量信号、模拟量信号；根据所述模拟量信号，分别提取被测对象中录波器的电流、电压的模拟量故障特征；根据所述开关量信号，分别提取被测对象中断路器、保护动作出口的开关量故障特征；根据所述模拟量故障特征、所述开关量故障特征，建立用于电网故障智能分析的Petri网产生式规则；以所述Petri网产生式规则为输入，故障情况为输出建立电网故障神经Petri网仿真模型；将从测试库中提取的开关量故障特征和模拟量故障特征作为测试数据，将所述测试数据输入至所述电网故障神经Petri网仿真模型，进行电网故障智能分析。
本发明将提取的开关量和模拟量故障特征进行组合，建立相应的故障论域。根据电网一次设备故障特征，用Petri网的输入库所表示故障征兆，输出库所表示故障类型，变迁表示故障征兆与故障类型之间的对应关系，制定电网故障的Petri网产生式规则。利用RBF神经网络建立电网故障诊断的神经Petri网仿真模型，将模型测试库中提取的相关开关量和模拟量故障特征代入所建立的电网故障神经Petri网仿真模型，从而能准确、有效地实现配电网络故障特性的动态连续仿真。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的电网故障智能分析方法的流程示意图；
图2是本发明某一实施例提供的电网故障智能分析方法的程序框图；
图3是本发明某一实施例提供的电网故障神经Petri网仿真模型的结构示意图；
图4是本发明某一实施例提供的电网故障智能分析系统的结构示意图；
图5是本发明某一实施例提供的终端设备的结构示意图。
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。
第一方面：
请参阅图1-2，本发明某一实施例提供了一种电网故障智能分析方法，包括：
S10、获取被测对象的开关量信号、模拟量信号。
本步骤中，主要从配电自动化主站系统采集与关联线路、母线和变压器所对应的开关量和模拟量信号；其中，被测对象主要包括关联线路、母线及变压器。
S20、根据所述模拟量信号，分别提取被测对象中录波器的电流、电压的模拟量故障特征。
如图2所示，本步骤中，主要通过电力故障录波装置分别提取线路、母线和变压器录波器的电流模拟量故障特征、电压模拟量故障特征，记作A＝{A1,A2,...,An}。其中，Ai按以下规则取值：
在某一实施例中，Ai的在不同故障情况下的取值规则包括：
2.1)当线路录波器中的电流>1.3额定电流时，A1＝1，否则A1＝0；
2.2)当线路录波器中的电压<0.9额定电压时，A2＝1，否则A2＝0；
2.3)当母线录波器中的电流>1.3额定电流时，A3＝1，否则A3＝0；
2.4)当母线录波器中的电压<0.9额定电压时，A4＝1，否则A4＝0；
2.5)当变压器录波器中的电流>1.3额定电流时，A5＝1，否则A5＝0；
2.6)当变压器录波器中的电压<0.9额定电压时，A6＝1，否则A6＝0；
2.7)当线路中检测到某线电流消失，无门槛电流为0.05倍额定电流时，A7＝1，否则A7＝0；
2.8)当母线中检测到的差流>0.1倍额定电流时，A8＝1，否则A8＝0；
2.9)当变压器中检测到的差流>0.1倍额定电流时，A9＝1，否则A9＝0。
S30、根据所述开关量信号，分别提取被测对象中断路器、保护动作出口的开关量故障特征。
如图2所示，本步骤中，分别提取断路器、保护动作出口开关量故障特征，记作B＝{B1，B2，…，Bm}。其中，Bj按以下规则取值：
在某一实施例中，Bj的在不同情况下的取值规则包括：
3.1)线路中检测到的断路器开关量变位时，B1＝1，否则B1＝0；
3.2)线路中检测到的保护动作出口开关量变位时，B2＝1，否则B2＝0；
3.3)母线中检测到的断路器开关量变位时，B3＝1，否则B3＝0；
3.4)母线中检测到的保护动作出口开关量变位时，B4＝1，否则B4＝0；
3.5)变压器中检测到的断路器开关量变位时，B5＝1，否则B5＝0；
3.6)变压器中检测到的保护动作出口开关量变位时，B6＝1，否则B6＝0。
S40、根据所述模拟量故障特征、所述开关量故障特征，建立用于电网故障智能分析的Petri网产生式规则。
本步骤中，将所提取的开关量故障特征和模拟量故障特征进行融合，建立相应的故障论域为：C＝{(A1，A2，...，An，B1，B2，...，Bm，Ai＝0，1(i＝1，2，...，n)，Bj＝0，1(j＝1，2，...，m)}。其中，C＝{C1，C2}，C1＝1表示电网区内故障，C2＝1表示电网区外故障。按照电网一次设备开关量和模拟量故障特征，制定电网故障诊断规则，用Petri网的输入库所表示故障征兆，输出库所表示故障类型，变迁表示故障征兆与故障类型之间的对应关系，建立基于开关量和模拟量多源信息融合的电网故障神经Petri网仿真模型。
进一步地，适于电网故障智能分析的Petri网产生式规则制定过程如下：
If A1＝1 and A2＝1 and A7＝1 and B1＝1 and B2＝1 Then C1＝1
If A1＝1 and A2＝1 and A7＝1 and B2＝1 Then C1＝1
If A1＝1 and A2＝1 and A7＝1 and B1＝1 Then C1＝1
If A1＝1 and A2＝1 Then C2＝1
If A3＝1 and A4＝1 and A8＝1 and B3＝1 and B4＝1 Then C1＝1
If A3＝1 and A4＝1 and A8＝1 and B3＝1 Then C1＝1
If A3＝1 and A4＝1 and A8＝1 and B4＝1 Then C1＝1
If A3＝1 and A4＝1 Then C2＝1
If A5＝1 and A6＝1 and A9＝1 and B5＝1 and B6＝1 Then C1＝1
If A5＝1 and A6＝1 and A9＝1 and B5＝1 Then C1＝1
If A5＝1 and A6＝1 and A9＝1 and B6＝1 Then C1＝1
If A5＝1 and A6＝1 Then C2＝1
进一步地，将上述产生式规则整理成电网典型故障论域特征向量，如下表1所示。
表1电网区内和区外故障
S50、以所述Petri网产生式规则为输入，故障情况为输出建立电网故障神经Petri网仿真模型。
本实施例中，根据电网故障Petri网产生式规则生成方法，利用RBF神经网络建立电网故障智能分析仿真模型，如图3所示。
具体地，所述电网故障神经Petri网仿真模型包括：
输入层，用于对接收的Petri网产生式规信号进行特征提取；
隐含层，用于利用高斯函数对特征提取结果进行非线性变换，得到非线性激活函数；
输出层，用于输出训练结果。
需要说明的是，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，将电网典型故障论域特征向量作为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；可能的故障类型作为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：
其中，连接权值
其中，本实施例中的故障定位规则为：如果Y(k)达到最大，则Tk触发而点火，则对应的Ck＝1。
进一步地，根据图4所示的电网故障神经Petri网模型，其输入和输出矩阵分别如下：
5.1)RBF神经Petri网的训练样本为：
5.2)RBF神经Petri网的输出样本为：
然后，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。
S60、将从测试库中提取的开关量故障特征和模拟量故障特征作为测试数据，将所述测试数据输入至所述电网故障神经Petri网仿真模型，进行电网故障智能分析。
本步骤中，将模型测试库中提取的相关开关量和模拟量故障特征Ptest作为测试数据代入所建立的电网故障神经Petri网仿真模型，实现配电网络故障特性的动态连续仿真。
在某一实施例中，根据模型测试库，当线路的A1＝1、A2＝1时，t1触发点火；当A7＝1,B1＝1时，t3触发点火，T2＝1同步触发而点火，则测试样本Ptest＝[110000100100000]；将Ptest代入训练好的RBF神经Petri网络进行仿真分析，则模型输出结果为T＝[010000]，即存在电网区内故障，与实际情况相符。
本发明实施例提供的电网故障智能分析方法，通过将提取的开关量和模拟量故障特征进行组合，建立了相应的故障论域。根据电网一次设备故障特征，用Petri网的输入库所表示故障征兆，输出库所表示故障类型，变迁表示故障征兆与故障类型之间的对应关系，制定电网故障的Petri网产生式规则。利用RBF神经网络建立电网故障诊断的神经Petri网仿真模型，将模型测试库中提取的相关开关量和模拟量故障特征代入所建立的电网故障神经Petri网仿真模型，从而能准确、有效地实现配电网络故障特性的动态连续仿真。
第二方面：
请参阅图4，本发明某一实施例还提供了一种电网故障智能分析系统，包括：
信号采集单元01，用于获取被测对象的开关量信号、模拟量信号；
模拟量故障特征提取单元02，用于根据所述模拟量信号，分别提取被测对象中录波器的电流、电压的模拟量故障特征；
开关量故障特征提取单元03，用于根据所述开关量信号，分别提取被测对象中断路器、保护动作出口的开关量故障特征；
规则生成单元04，用于根据所述模拟量故障特征、所述开关量故障特征，建立用于电网故障智能分析的Petri网产生式规则；
仿真模型构建单元05，用于以所述Petri网产生式规则为输入，故障情况为输出建立电网故障神经Petri网仿真模型；
故障分析单元06，用于将从测试库中提取的开关量故障特征和模拟量故障特征作为测试数据，将所述测试数据输入至所述电网故障神经Petri网仿真模型，进行电网故障智能分析。
在某一实施例中，所述被测对象包括关联线路、母线及变压器。
在某一实施例中，所述规则生成单元04，还用于：
根据所述模拟量故障特征、所述开关量故障特征，用Petri网的输入库表示故障征兆，输出库表示故障类型，变迁表示故障征兆与故障类型之间的对应关系，建立用于电网故障智能分析的Petri网产生式规则。
在某一实施例中，所述电网故障神经Petri网仿真模型包括：
输入层，用于对接收的Petri网产生式规信号进行特征提取；
隐含层，用于利用高斯函数对特征提取结果进行非线性变换，得到非线性激活函数；
输出层，用于输出训练结果。
需要说明的是，本发明实施例提供的电网故障智能分析系统用于执行如第一方面所述的电网故障智能分析方法。其中，该方法通过将提取的开关量和模拟量故障特征进行组合，建立了相应的故障论域。根据电网一次设备故障特征，用Petri网的输入库所表示故障征兆，输出库所表示故障类型，变迁表示故障征兆与故障类型之间的对应关系，制定电网故障的Petri网产生式规则。利用RBF神经网络建立电网故障诊断的神经Petri网仿真模型，将模型测试库中提取的相关开关量和模拟量故障特征代入所建立的电网故障神经Petri网仿真模型，从而能准确、有效地实现配电网络故障特性的动态连续仿真。
第三方面
请参阅图5，本发明某一实施例还提供了一种终端设备，该终端设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本申请的第一方面所示的电网故障智能分析方法对应的操作。
在一个可选实施例中提供了一种终端设备，如图5所示，图5所示的终端设备包括：处理器001和存储器003。其中，处理器001和存储器003相连，如通过总线002相连。可选地，终端设备000还可以包括收发器004。需要说明的是，实际应用中收发器004不限于一个，该终端设备000的结构并不构成对本申请实施例的限定。
处理器001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线002可包括一通路，在上述组件之间传送信息。总线002可以是PCI总线或EISA总线等。总线002可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器003用于存储执行本申请方案的应用程序代码，并由处理器001来控制执行。处理器001用于执行存储器003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
其中，终端设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
本申请的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中的相应内容。
以上所述是本发明的优选实施方式，应当指出，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电网故障智能分析方法，其特征在于，包括：
获取被测对象的开关量信号、模拟量信号；
根据所述模拟量信号，分别提取被测对象中录波器的电流、电压的模拟量故障特征；
根据所述开关量信号，分别提取被测对象中断路器、保护动作出口的开关量故障特征；
根据所述模拟量故障特征、所述开关量故障特征，建立用于电网故障智能分析的Petri网产生式规则；
以所述Petri网产生式规则为输入，故障情况为输出建立电网故障神经Petri网仿真模型；
将从测试库中提取的开关量故障特征和模拟量故障特征作为测试数据，将所述测试数据输入至所述电网故障神经Petri网仿真模型，进行电网故障智能分析。
2.根据权利要求1所述的电网故障智能分析方法，其特征在于，所述被测对象包括关联线路、母线及变压器。
3.根据权利要求1所述的电网故障智能分析方法，其特征在于，所述根据所述模拟量故障特征、所述开关量故障特征，建立用于电网故障智能分析的Petri网产生式规则，包括：
根据所述模拟量故障特征、所述开关量故障特征，用Petri网的输入库表示故障征兆，输出库表示故障类型，变迁表示故障征兆与故障类型之间的对应关系，建立用于电网故障智能分析的Petri网产生式规则。
4.根据权利要求1-3任一项所述的电网故障智能分析方法，其特征在于，所述电网故障神经Petri网仿真模型包括：
输入层，用于对接收的Petri网产生式规信号进行特征提取；
隐含层，用于利用高斯函数对特征提取结果进行非线性变换，得到非线性激活函数；
输出层，用于输出训练结果。
5.一种电网故障智能分析系统，其特征在于，包括：
信号采集单元，用于获取被测对象的开关量信号、模拟量信号；
模拟量故障特征提取单元，用于根据所述模拟量信号，分别提取被测对象中录波器的电流、电压的模拟量故障特征；
开关量故障特征提取单元，用于根据所述开关量信号，分别提取被测对象中断路器、保护动作出口的开关量故障特征；
规则生成单元，用于根据所述模拟量故障特征、所述开关量故障特征，建立用于电网故障智能分析的Petri网产生式规则；
仿真模型构建单元，用于以所述Petri网产生式规则为输入，故障情况为输出建立电网故障神经Petri网仿真模型；
故障分析单元，用于将从测试库中提取的开关量故障特征和模拟量故障特征作为测试数据，将所述测试数据输入至所述电网故障神经Petri网仿真模型，进行电网故障智能分析。
6.根据权利要求5所述的电网故障智能分析系统，其特征在于，所述被测对象包括关联线路、母线及变压器。
7.根据权利要求5所述的电网故障智能分析系统，其特征在于，所述规则生成单元，还用于：
根据所述模拟量故障特征、所述开关量故障特征，用Petri网的输入库表示故障征兆，输出库表示故障类型，变迁表示故障征兆与故障类型之间的对应关系，建立用于电网故障智能分析的Petri网产生式规则。
8.根据权利要求5-7任一项所述的电网故障智能分析系统，其特征在于，所述电网故障神经Petri网仿真模型包括：
输入层，用于对接收的Petri网产生式规信号进行特征提取；
隐含层，用于利用高斯函数对特征提取结果进行非线性变换，得到非线性激活函数；
输出层，用于输出训练结果。
9.一种终端设备，其特征在于，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的电网故障智能分析方法。
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实现如权利要求1至4任一项所述的电网故障智能分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110744862.5A CN113343586A (zh) | 2021-06-30 | 2021-06-30 | 电网故障智能分析方法、系统、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110744862.5A CN113343586A (zh) | 2021-06-30 | 2021-06-30 | 电网故障智能分析方法、系统、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113343586A true CN113343586A (zh) | 2021-09-03 |
Family
ID=77482042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110744862.5A Pending CN113343586A (zh) | 2021-06-30 | 2021-06-30 | 电网故障智能分析方法、系统、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343586A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
| CN104360237A (zh) * | 2014-11-21 | 2015-02-18 | 国家电网公司 | 地区电网主设备故障在线智能辨识方法 |
| US20150106314A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing a dynamic adaptive neural network array (danna) |
| CN106199337A (zh) * | 2016-07-20 | 2016-12-07 | 武汉中元华电软件有限公司 | 一种基于模拟量和开关量组合判断的电网故障分析方法 |
-
2021
- 2021-06-30 CN CN202110744862.5A patent/CN113343586A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
| US20150106314A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing a dynamic adaptive neural network array (danna) |
| CN104360237A (zh) * | 2014-11-21 | 2015-02-18 | 国家电网公司 | 地区电网主设备故障在线智能辨识方法 |
| CN106199337A (zh) * | 2016-07-20 | 2016-12-07 | 武汉中元华电软件有限公司 | 一种基于模拟量和开关量组合判断的电网故障分析方法 |
Non-Patent Citations (5)
| Title |
|---|
| 王海港等: "基于贝叶斯网络和故障录波数据的电网故障综合诊断方法", 《电气自动化》, no. 4, pages 93 - 96 * |
| 罗小安等: "基于正交算法的RBF网络在高压断路器故障诊断中的应用研究", 《电力科学与工程》, vol. 24, no. 3, pages 13 - 15 * |
| 谢敏等: "基于改进动态自适应模糊Petri网与BP算法的电网故障诊断", 《中国电机工程学报 》, vol. 35, no. 12, pages 3008 - 3017 * |
| 陈莉等: "基于BP和RBF神经网络在高压断路器故障诊断中的应用", 《煤矿机电》, no. 3, pages 8 - 11 * |
| 高正中等: "基于BP网络算法优化粗糙-Petri网的电网故障诊断", 《中国电力》, vol. 49, no. 8, pages 220 - 221 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gashteroodkhani et al. | A combined deep belief network and time-time transform based intelligent protection Scheme for microgrids | |
| Swetapadma et al. | A novel single-ended fault location scheme for parallel transmission lines using k-nearest neighbor algorithm | |
| Shukla et al. | DC offset estimation‐based fault detection in transmission line during power swing using ensemble of decision tree | |
| Mohamed et al. | A neural network-based scheme for fault diagnosis of power transformers | |
| CN106226658B (zh) | 一种基于多数据融合的电网故障诊断方法 | |
| Decker et al. | Experience and applications of phasor measurements to the Brazilian interconnected power system | |
| Resmi et al. | Detection, classification and zone location of fault in transmission line using artificial neural network | |
| Kumar et al. | Backup protection scheme for transmission line compensated with UPFC during high impedance faults and dynamic situations | |
| CN103105550A (zh) | 一种智能化继电保护装置检测方法及系统 | |
| Prasad et al. | Importance of artificial neural networks for location of faults in transmission systems: A survey | |
| Al‐Emadi et al. | Synchrophasor‐based backup distance protection of multi‐terminal transmission lines | |
| CN112800637B (zh) | 一种智能变电站仿真测试装置及方法 | |
| AsghariGovar et al. | Adaptive CWT‐based overcurrent protection for smart distribution grids considering CT saturation and high‐impedance fault | |
| Das et al. | Secured zone‐3 protection during power swing and voltage instability: an online approach | |
| Ashok et al. | A protection scheme for cross-country faults and transforming faults in dual-circuit transmission line using real-time digital simulator: a case study of Chhattisgarh state transmission utility | |
| Kezunovic | Translational knowledge: From collecting data to making decisions in a smart grid | |
| Jena et al. | Intelligent relaying scheme for series-compensated double circuit lines using phase angle of differential impedance | |
| Manohar et al. | Microgrid protection against high impedance faults with robustness to harmonic intrusion and weather intermittency | |
| Yadav et al. | A finite-state machine based approach for fault detection and classification in transmission lines | |
| Sarailoo et al. | Transient stability assessment of large lossy power systems | |
| Zhang et al. | Time‐domain single‐ended fault location method that does not need remote‐end system information | |
| Nougain et al. | Synchro‐phasors assisted back‐up protection of transmission line | |
| Gao et al. | Advancing high impedance fault localization via adaptive transient process calibration and multiscale correlation analysis in active distribution networks | |
| Chatterjee et al. | Prediction of line contingency catastrophic failures using synchrophasor measurements | |
| Tailor et al. | Analysis of faulted power system during simultaneous open conductor and ground fault |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |
|
| RJ01 | Rejection of invention patent application after publication |