CN113360555A - 一种基于电网二次设备大数据的故障诊断分析方法及系统 - Google Patents
一种基于电网二次设备大数据的故障诊断分析方法及系统 Download PDFInfo
- Publication number
- CN113360555A CN113360555A CN202110489517.1A CN202110489517A CN113360555A CN 113360555 A CN113360555 A CN 113360555A CN 202110489517 A CN202110489517 A CN 202110489517A CN 113360555 A CN113360555 A CN 113360555A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- power grid
- neural network
- 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 41
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 239000002245 particle Substances 0.000 claims description 29
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000004141 dimensional analysis Methods 0.000 claims 1
- 238000013499 data model Methods 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06F16/248—Presentation of query results
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
- G06F16/287—Visualization; Browsing
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
Abstract
本发明公开了一种基于电网二次设备大数据的故障诊断分析方法及系统,包括以下步骤:S1从电网统一数据平台中提取出事件信息作为基础时间序列;S2根据时间序列,获取不同装置的关键信息;S3基于录波文件与快速离散傅里叶变化获取各时序下电流、电压瞬时值;S4利用历史数据和提取的实时数据进行故障分析;S5前端通过查询整理后的表数据进行数据展示。上述技术方案在故障发生时通过大数据平台统一数据模型获取通道取得相应故障范围、时间的统一数据模型,并通过唯一性对象ID反解数据模型,剔除运行数据中与本次故障无关数据,完成二次数据处理,形成故障数据集,提高数据使用效率,避免干扰数据存在,使故障分析更为准确高效。
Description
技术领域
本发明涉及电力系统输变电设备技术领域,尤其涉及一种基于电网二次设 备大数据的故障诊断分析方法及系统。
背景技术
随着继电保护等二次设备联网系统的全网覆盖率显著提高,一二次设备异 常及故障形成了海量数据。目前,继电保护故障信息子站、故障录波器、二次 设备在线监视装置等各类二次设备分别组网,整定计算系统、SCD文件管理系 统等各信息系统亦分别独立部署,各类信息数据分布存储而独立应用,缺乏标 准的数据模型和交互协议。这种面向设备的二次数据,是孤立的,片面的,不 能也无法完整反映电网事件。
有资料显示,有效利用二次数据亟待解决的问题是设计面向电网事件的完 整二次数据结构,构建电网异常及动态事件数据集,在此基础上,开展基于人 工智能技术的电力系统调度端一二次设备在线监测和故障智能诊断与分析。
为充分挖掘电网一二次设备故障及异常数据价值,提高智能调度技术支撑 水平,需解决以下问题:一二次设备故障及异常动态数据格式的标准化,基于 COMMTRADE,以故障或异常事件为对象,条目数据应能够完整描述故障及异 常的一二次设备及电网结构信息;打通各系统间的信息交互障碍,确保故障录 波器联网系统、保护信息子站系统、网分及二次设备在线监视系统、调度支持 平台D5000系统间的实时数据交互能力,构建面向各级电网的完整故障及异常 数据集;基于海量数据集,开展机器学习技术研究,实现海量实时及历史数据 集信息挖掘,开展一二次设备运行状态评估,故障及异常诊断、调度支持信息 推送等方面的研究及应用。
中国专利文献CN110068746A公开了一种“电网故障诊断分析方法及系统”。 通过获取故障发生后电网内接入的故障录波装置采集的录波信息,对录波信息 进行分析,可以确定出录波信息中包含的电网内的故障位置、故障类型、故障 电流以及故障电压等信息。将录波信息与知识库中的知识信息进行匹配,寻找 出知识库中与录波信息相匹配的知识信息。得到的知识信息对应的已知故障设 备即为电网内的故障设备。上述技术方案无法有效利用二次数据的,且不具有 良好的泛化性能。
发明内容
本发明主要解决原有的技术方案无法有效利用二次数据的,且不具有良好 的泛化性能的技术问题,提供一种基于电网二次设备大数据的故障诊断分析方 法及系统,在故障发生时通过大数据平台统一数据模型获取通道取得相应故障 范围、时间的统一数据模型,并通过唯一性对象ID反解数据模型,剔除运行数 据中与本次故障无关数据,完成二次数据处理,形成故障数据集,提高数据使 用效率,避免干扰数据存在,使故障分析更为准确高效。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种基于电网二次设备大数据的故障诊断分析方法,包括以下步骤:
S1从电网统一数据平台中获取所选择的厂站的所有事件记录,并提取出事件信息作为基础时间序列;
S2根据时间序列,从电网统一数据平台及录波文件中获取不同装置的关键信息;
S3基于录波文件与快速离散傅里叶变化获取各时序下电流、电压瞬时值;
S4利用历史数据和提取的实时数据进行故障分析;整理后转存到缓存数据库中,用于前端页面展现和故障分析报告并提供相应的解决方案的生成。
S5前端通过查询整理后的表数据进行数据展示。通过查询整理后的表数据,通 过浏览器页面,利用JavaScript技术与DOM技术,以变电站二次数据流图与的 形式,将数据系统、立体、直观的展现出来,便于专业技术人员分析和监控及 对故障进行相应的处理、排查。
作为优选,所述的步骤S2关键信息包括不同装置的电流值、电压值、开入 开出状态、定值状态和压板状态。
作为优选,所述的步骤S4故障分析具体包括:
S4.1通过SCADA接受的故障告警信息和网络拓扑结构构建神经网络的样本;
S4.2选用一部分神经网络的样本作为神经网络学习样本并进行数据预处理;
S4.3对神经网络进行学习,并利用CPSO调整RBF神经网络参数设定;
S4.4选用一部分神经网络的样本建立神经网络测试样本并进行数据预处理;
S4.5测试样本故障激活故障诊断模块进行故障诊断;
S4.6对故障模块输出结果进行诊断分析;
S4.7得出电网发生故障的故障点。
作为优选,所述的步骤S4.3利用CPSO调整RBF神经网络参数设定具体包 括:
S4.31将RBF神经网络的权值wij和隐含层神经元的宽度qi定义为粒子,并初始化参数;
S4.32确定初始值的粒子的lbest和gbest并保存;
S4.33更新每个粒子的速度和位置,搜索当前粒子的lbest和gbest并与上个粒子的lbest和gbest进行比较,更新lbest和gbest并保存,如果当前速度和位置在运 算模型边界之外,则取上界或下界;
S4.34重复步骤S4.33,直到达到终止条件,即全部故障显示复归为止,全局最 佳gbest的值是优化后的RBFNN的隐含层神经元的宽度和输出权值。
作为优选,所述的步骤S4.31初始化参数包括种群数量、最大迭代次数、 每个粒子位置和速度。
作为优选,所述的步骤S4.3 RBF神经网络选择高斯函数形式:
式中,ξi(x)表示第i个隐含层神经元的输出,x=(x1,x2,…,xn)T表示神经网 络的输入,di表示第i个隐含层神经元的径向基函数的中心,qi表示第i个隐含层 神经元的宽度;
RBF神经网络的输出为:
式中,yj表示第j个输出层神经元的输出,wij表示第i个隐含层神经元与第j个 输出层神经元之间的权重,i=1,2,…,n,j=1,2,…,m。。
作为优选,所述的步骤S4.33更新每个粒子的速度和位置具体包括:在n维 搜索空间中,第k次迭代后的第i个粒子位置表示为
Xi(k)={xi1(k),xi2(k),…,xin(k)}
速度表示为
Vi(k)={vi1(k),vi2(k),…,vin(k)}
迭代k+1时,第i个粒子的速度和位置分别通过公式(3)和(4)计算得到 更新:
Vi(k+1)=wVi(k)+c1r1(lbesti(k)-Xi(k))+c2r2(gbesti(k)-Xi(k)) (3)
Xi(k+1)=Xi(k)+Vi(k+1) (4)
式中,其中w是惯性权重,c1(认知参数)和c2(社会参数)是控制局部最 佳(lbest)位置和全局最佳(gbest)位置之间搜索空间的常数,参数r1和r2是 在[0 1]内均匀分布的随机数。经过k+1迭代后,采用CPSO算法调整后的参数:
w(k+1)=4[wmin+(wmax-wmin)w(k)][1-wmin+(wmax-wmin)w(k)] (5)
cZ(k+1)=4[cmin+(cmax-cmin)cZ(k)][1-cmin+(cmax-cmin)w(k)] (6)
rz(k+1)=4r(k)(1-r(k)] (7)
式中,其中wmax/wmin表示最大/最小惯性权重,cmax/cmin表示最大/最小 搜索空间的常数,z=1,2。
一种基于电网二次设备大数据的故障诊断分析系统,包括:
采集模块,用于从数据源接收数据并转化,将数据加载到指定存储空间,与数 据处理模块相连;
存储模块,用于实现结构化数据存储、半结构化数据存储、非结构化数据存储、 分析数据来源及查询,与数据处理模块相连;
数据处理模块,用于利用历史数据和提取的实时数据进行故障分析,与数据转 化模块相连;
数据转化模块,用于将故障分析结果转化为图形、表格形式展示和多维分析,, 与通信模块相连;
通信模块,用于实现各组成部分、各平台间的信息交互,与监控管理云平台相 连;
监控管理云平台,用于存储采集数据和分析结果到云端;
前端,用于访问监控管理云平台,查询整理后的表数据进行数据展示,与监控 管理云平台相连。
本发明的有益效果是:在故障发生时通过大数据平台统一数据模型获取通 道取得相应故障范围、时间的统一数据模型,并通过唯一性对象ID反解数据模 型,剔除运行数据中与本次故障无关数据,完成二次数据处理,形成故障数据 集,提高数据使用效率,避免干扰数据存在,使故障分析更为准确高效。
附图说明
图1是本发明的一种流程图。
图2是本发明的一种故障分析流程图。
图3是本发明的一种原理连接结构图。
图4是本发明的一种CPSO-RBF神经网络与RBF神经网络的仿真结果图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于电网二次设备大数据的故障诊断分析方法, 如图1所示,包括以下步骤:
S1从电网统一数据平台中获取所选择的厂站的所有事件记录,并提取出事件信息作为基础时间序列;
S2根据时间序列,从电网统一数据平台及录波文件中获取不同装置的关键信息,关键信息包括不同装置的电流值、电压值、开入开出状态、定值状态和压板状 态。
S3基于录波文件与快速离散傅里叶变化获取各时序下电流、电压瞬时值;
S4利用历史数据和提取的实时数据进行故障分析,如图2所示,故障分析具体 包括:
S4.1通过SCADA接受的故障告警信息和网络拓扑结构构建神经网络的样本;
S4.2选用一部分神经网络的样本作为神经网络学习样本并进行数据预处理;
S4.3对神经网络进行学习,并利用CPSO调整RBF神经网络参数设定,RBF 神经网络选择高斯函数形式:
式中,ξi(x)表示第i个隐含层神经元的输出,x=(x1,x2,…,xn)T表示神经网 络的输入,di表示第i个隐含层神经元的径向基函数的中心,qi表示第i个隐含层 神经元的宽度;
RBF神经网络的输出为:
式中,yj表示第j个输出层神经元的输出,wij表示第i个隐含层神经元与第j个 输出层神经元之间的权重,i=1,2,…,n,j=1,2,…,m。
在n维搜索空间中,第k次迭代后的第i个粒子位置表示为
Xi(k)={xi1(k),xi2(k),…,xin(k)}
速度表示为
Vi(k)={vi1(k),vi2(k),…,vin(k)}
迭代k+1时,第i个粒子的速度和位置分别通过公式(3)和(4)计算得到 更新:
Vi(k+1)=wVi(k)+c1r1(lbesti(k)-Xi(k))+c2r2(gbesti(k)-Xi(k)) (3)
Xi(k+1)=Xi(k)+Vi(k+1) (4)
式中,其中w是惯性权重,c1(认知参数)和c2(社会参数)是控制局部最 佳(lbest)位置和全局最佳(gbest)位置之间搜索空间的常数,参数r1和r2是 在[0 1]内均匀分布的随机数。经过k+1迭代后,采用CPSO算法调整后的参数:
w(k+1)=4[wmin+(wmax-wmin)w(k)][1-wmin+(wmax-wmin)w(k)] (5)
cZ(k+1)=4[cmin+(cmax-cmin)cZ(k)][1-cmin+(cmax-cmin)w(k)] (6)
rz(k+1)=4r(k)(1-r(k)] (7)
式中,其中wmax/wmin表示最大/最小惯性权重,cmax/cmin表示最大/最小 搜索空间的常数,z=1,2。
具体包括:
S4.31将RBF神经网络的权值wij和隐含层神经元的宽度qi定义为粒子,并初 始化参数,初始化参数包括种群数量、最大迭代次数、每个粒子位置和速度;
S4.32确定初始值的粒子的lbest和gbest并保存;
S4.33通过公式(3)~(7)更新每个粒子的速度和位置,搜索当前粒子的lbest 和gbest并与上个粒子的lbest和gbest进行比较,更新lbest和gbest并保存,如 果当前速度和位置在运算模型边界之外,则取上界或下界;
S4.34重复步骤S4.33,直到达到终止条件,即全部故障显示复归为止,全 局最佳gbest的值是优化后的RBFNN的隐含层神经元的宽度和输出权值。
S4.4选用一部分神经网络的样本建立神经网络测试样本并进行数据预处理;
S4.5测试样本故障激活故障诊断模块进行故障诊断;
S4.6对故障模块输出结果进行诊断分析;
S4.7得出电网发生故障的故障点。
S5前端通过查询整理后的表数据进行数据展示。
一种基于电网二次设备大数据的故障诊断分析系统,包括数据处理模块和 分别与数据处理模块相连的采集模块、存储模块、数据转化模块、通信模块, 通信模块与监控管理云平台相连,前端与监控管理云平台相连。
采集模块,用于从数据源接收数据并转化,将数据加载到指定存储空间。 存储模块,用于实现结构化数据存储、半结构化数据存储、非结构化数据存储、 分析数据来源及查询。数据处理模块,用于利用历史数据和提取的实时数据进 行故障分析。数据转化模块,用于将故障分析结果转化为图形、表格形式展示 和多维分析。通信模块,用于实现各组成部分、各平台间的信息交互。监控管 理云平台,用于存储采集数据和分析结果到云端。前端,用于访问监控管理云 平台,查询整理后的表数据进行数据展示。
神经网络输出的是各个元件发生故障的可信度。如果RBF神经网络所有输 出中的某个输出结果大于0.5,则与之相对应的元件,可认为其是故障元件。选 择57种故障情况构建神经网络的学习样本集,同时选择11种不同于训练样本 集中的典型故障情况构建测试样本集。其中,测试样本如表1所示。
表1测试样本
为了验证CPSO优化后RBF神经网络在电网故障诊断中的效果,本文选取RBF 神经网络作为比较对象。为了验证本文提出的方法具有优势,排除其他因素的 影响,在选用两种方法测试时,在相同设备配置,隐含层神经元数目相同的情 况下进行,用相同的学习样本和测试样本(表1)进行学习和测试。
将理想输出和实际输出之间的均方误差作为适应度函数,仿真结果如图4 所示,CPSO-RBF表示基于混沌粒子群优化的径向基函数神经网络学习均方误差 曲线;RBF表示基于径向基函数神经网络学习均方误差曲线。由图4可以看出, 在学习误差和学习速度方面,经过CPSO优化的RBFNN比未经过CPSO优化的RBFNN 更好。
故障诊断模块输出结果如表2所示,输出结果大于0.5用下划线表明。对 于单故障点样本(样本1~9),本文提出的方法能有效诊断出发生故障的元件, 而RBFNN未能完全诊断出所有故障,样本4和样本7出现漏诊。对于多故障点 样本(样本10~11),本文提出的方法也成功诊断出发生故障的元件,而对于样 本10,RBFNN只诊断出一个故障元件,样本11就完全未能诊断出所有故障元件。 由表2可以看出本文提出的基于混沌粒子群优化的径向基函数神经网络相对于 未经混沌粒子群优化的径向基函数神经网络,故障诊断精度更高。
表2测试样本诊断输出
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属 技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采 用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定 义的范围。
尽管本文较多地使用了基础时间序列、故障分析等术语,但并不排除使用 其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本 质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (8)
1.一种基于电网二次设备大数据的故障诊断分析方法,其特征在于,包括以下步骤:
S1从电网统一数据平台中获取所选择的厂站的所有事件记录,并提取出事件信息作为基础时间序列;
S2根据时间序列,从电网统一数据平台及录波文件中获取不同装置的关键信息;
S3基于录波文件与快速离散傅里叶变化获取各时序下电流、电压瞬时值;
S4利用历史数据和提取的实时数据进行故障分析;
S5前端通过查询整理后的表数据进行数据展示。
2.根据权利要求1所述的一种基于电网二次设备大数据的故障诊断分析系统及方法,其特征在于,所述步骤S2关键信息包括不同装置的电流值、电压值、开入开出状态、定值状态和压板状态。
3.根据权利要求1所述的一种基于电网二次设备大数据的故障诊断分析系统及方法,其特征在于,所述步骤S4故障分析具体包括:
S4.1通过SCADA接受的故障告警信息和网络拓扑结构构建神经网络的样本;
S4.2选用一部分神经网络的样本作为神经网络学习样本并进行数据预处理;
S4.3对神经网络进行学习,并利用CPSO调整RBF神经网络参数设定;
S4.4选用一部分神经网络的样本建立神经网络测试样本并进行数据预处理;
S4.5测试样本故障激活故障诊断模块进行故障诊断;
S4.6对故障模块输出结果进行诊断分析;
S4.7得出电网发生故障的故障点。
4.根据权利要求1所述的一种基于电网二次设备大数据的故障诊断分析系统及方法,其特征在于,所述步骤S4.3利用CPSO调整RBF神经网络参数设定具体包括:
S4.31将RBF神经网络的权值wij和隐含层神经元的宽度qi定义为粒子,并初始化参数;
S4.32确定初始值的粒子的lbest和gbest并保存;
S4.33更新每个粒子的速度和位置,搜索当前粒子的lbest和gbest并与上个粒子的lbest和gbest进行比较,更新lbest和gbest并保存,如果当前速度和位置在运算模型边界之外,则取上界或下界;
S4.34重复步骤S4.33,直到达到终止条件,即全部故障显示复归为止,全局最佳gbest的值是优化后的RBFNN的隐含层神经元的宽度和输出权值。
5.根据权利要求4所述的一种基于电网二次设备大数据的故障诊断分析系统及方法,其特征在于,所述步骤S4.31初始化参数包括种群数量、最大迭代次数、每个粒子位置和速度。
7.根据权利要求1所述的一种基于电网二次设备大数据的故障诊断分析系统及方法,其特征在于,所述步骤S4.33更新每个粒子的速度和位置具体包括:在n维搜索空间中,第k次迭代后的第i个粒子位置表示为
Xi(k)={xi1(k),xi2(k),…,xin(k)}
速度表示为
Vi(k)={vi1(k),vi2(k),…,vin(k)}
迭代k+1时,第i个粒子的速度和位置分别通过公式(3)和(4)计算得到更新:
Vi(k+1)=wVi(k)+c1r1(lbesti(k)-Xi(k))+c2r2(gbesti(k)-Xi(k)) (3)
Xi(k+1)=Xi(k)+Vi(k+1) (4)
式中,其中w是惯性权重,c1(认知参数)和c2(社会参数)是控制局部最佳(lbest)位置和全局最佳(gbest)位置之间搜索空间的常数,参数r1和r2是在[0 1]内均匀分布的随机数。经过k+1迭代后,采用CPSO算法调整后的参数:
w(k+1)=4[wmin+(wmax-wmin)w(k)][1-wmin+(wmax-wmin)w(k)] (5)
cZ(k+1)=4[cmin+(cmax-cmin)cZ(k)][1-cmin+(cmax-cmin)w(k)] (6)
rz(k+1)=4r(k)(1-r(k)] (7)
式中,其中wmax/wmin表示最大/最小惯性权重,cmax/cmin表示最大/最小搜索空间的常数,z=1,2。
8.一种基于电网二次设备大数据的故障诊断分析系统,其特征在于,包括:
采集模块,用于从数据源接收数据并转化,将数据加载到指定存储空间,与数据处理模块相连;
存储模块,用于实现结构化数据存储、半结构化数据存储、非结构化数据存储、分析数据来源及查询,与数据处理模块相连;
数据处理模块,用于利用历史数据和提取的实时数据进行故障分析;
数据转化模块,用于将故障分析结果转化为图形、表格形式展示和多维分析,与数据处理模块相连;
通信模块,用于实现各组成部分、各平台间的信息交互,与数据处理模块相连;
监控管理云平台,用于存储采集数据和分析结果到云端,与通信模块相连;
前端,用于访问监控管理云平台,查询整理后的表数据进行数据展示,与监控管理云平台相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110489517.1A CN113360555A (zh) | 2021-04-30 | 2021-04-30 | 一种基于电网二次设备大数据的故障诊断分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110489517.1A CN113360555A (zh) | 2021-04-30 | 2021-04-30 | 一种基于电网二次设备大数据的故障诊断分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113360555A true CN113360555A (zh) | 2021-09-07 |
Family
ID=77525806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110489517.1A Pending CN113360555A (zh) | 2021-04-30 | 2021-04-30 | 一种基于电网二次设备大数据的故障诊断分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360555A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115268418A (zh) * | 2022-10-01 | 2022-11-01 | 深圳市世坤科技实业有限公司 | 一种电器控制设备故障报警系统及方法 |
CN116381480A (zh) * | 2023-03-30 | 2023-07-04 | 湖南雪墨电气科技有限公司 | 一种智能化脱硫脱硝除尘设备的监测方法、系统及介质 |
CN117874472A (zh) * | 2024-03-12 | 2024-04-12 | 国网江西省电力有限公司电力科学研究院 | 基于宽度学习网络的录波文件可信时间分析系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992665A (zh) * | 2017-11-27 | 2018-05-04 | 国家电网公司 | 一种特高压换流站交流滤波器在线故障诊断分析方法 |
CN110609210A (zh) * | 2019-09-25 | 2019-12-24 | 广东电网有限责任公司 | 一种基于多源数据融合的电网故障诊断告警方法 |
CN111221375A (zh) * | 2018-11-27 | 2020-06-02 | 汉能移动能源控股集团有限公司 | Mppt控制方法、装置、光伏发电设备及可读存储介质 |
-
2021
- 2021-04-30 CN CN202110489517.1A patent/CN113360555A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992665A (zh) * | 2017-11-27 | 2018-05-04 | 国家电网公司 | 一种特高压换流站交流滤波器在线故障诊断分析方法 |
CN111221375A (zh) * | 2018-11-27 | 2020-06-02 | 汉能移动能源控股集团有限公司 | Mppt控制方法、装置、光伏发电设备及可读存储介质 |
CN110609210A (zh) * | 2019-09-25 | 2019-12-24 | 广东电网有限责任公司 | 一种基于多源数据融合的电网故障诊断告警方法 |
Non-Patent Citations (2)
Title |
---|
杨硕: "基于大数据分析的电力系统远程运维及故障诊断", 《电力学报》 * |
邵庆祝: "基于CPSO优化的RBF神经网络的电网故障诊断", 《电气自动化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115268418A (zh) * | 2022-10-01 | 2022-11-01 | 深圳市世坤科技实业有限公司 | 一种电器控制设备故障报警系统及方法 |
CN116381480A (zh) * | 2023-03-30 | 2023-07-04 | 湖南雪墨电气科技有限公司 | 一种智能化脱硫脱硝除尘设备的监测方法、系统及介质 |
CN117874472A (zh) * | 2024-03-12 | 2024-04-12 | 国网江西省电力有限公司电力科学研究院 | 基于宽度学习网络的录波文件可信时间分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113360555A (zh) | 一种基于电网二次设备大数据的故障诊断分析方法及系统 | |
CN107179503B (zh) | 基于随机森林的风电机组故障智能诊断预警的方法 | |
CN110994604B (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
CN108168682A (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
CN110133393B (zh) | 一种基于非侵入式监测技术的用电监测系统及方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
Dai et al. | Fault diagnosis of data-driven photovoltaic power generation system based on deep reinforcement learning | |
CN208076016U (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN115563885A (zh) | 一种风电厂储能电池能量转换系统 | |
CN116644361A (zh) | 一种架空输电线路故障诊断方法及计算机可读介质 | |
CN116432077A (zh) | 基于优化bp神经网络的智能站二次系统故障定位方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
CN112993977A (zh) | 一种基于hht及rvm的主动配电网电能质量扰动识别方法 | |
CN113807462A (zh) | 一种基于ai的网络设备故障原因定位方法及其系统 | |
CN113092934A (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
Pei et al. | Research on Real-time State Identification Model of Electricity-heat System Considering Unbalanced Data | |
CN117148048B (zh) | 基于数字孪生技术的配电网故障预测方法及系统 | |
CN115714381B (zh) | 一种基于改进cnn模型的电网瞬态稳定性预测方法 | |
CN117572837B (zh) | 一种智慧电厂ai主动运维方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |