CN113609912A - 一种基于多源信息融合的输电网故障诊断方法 - Google Patents
一种基于多源信息融合的输电网故障诊断方法 Download PDFInfo
- Publication number
- CN113609912A CN113609912A CN202110773328.7A CN202110773328A CN113609912A CN 113609912 A CN113609912 A CN 113609912A CN 202110773328 A CN202110773328 A CN 202110773328A CN 113609912 A CN113609912 A CN 113609912A
- Authority
- CN
- China
- Prior art keywords
- fault
- line
- neuron
- information
- suspected
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000005540 biological transmission Effects 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 210000002569 neuron Anatomy 0.000 claims description 99
- 238000004364 calculation method Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 230000000946 synaptic effect Effects 0.000 claims description 18
- 238000010304 firing Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000001242 postsynaptic effect Effects 0.000 claims description 9
- 210000004205 output neuron Anatomy 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 6
- 210000000225 synapse Anatomy 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 25
- 238000007500 overflow downdraw method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000541 pulsatile effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于多源信息融合的输电网故障诊断方法,包括以下步骤:S1:获取输电网的故障诊断信息,并确定疑似故障线路;S2:对故障诊断信息进行特征提取,得到故障特征信息的故障度;S3:将故障诊断信息的故障度进行融合,得到疑似故障线路的综合故障度;S4:根据疑似故障线路的综合故障度,确定疑似故障线路的故障状态。基于电力系统受外界极端天气的影响,其设备可靠性降低,将多信源系统融合到故障诊断过程中,以提高诊断方法的准确率。本发明将气象因素融合进去,以提高诊断方法的准确率。
Description
技术领域
本发明属于输电网诊断技术领域,具体涉及一种基于多源信息融合的输电网故障诊断方法。
背景技术
输电网故障诊断指在当其发生故障后,通过控制中心获得的故障警报信息,准确识别故障元件,以加快系统供电的恢复进程。目前,输电网故障诊断所采用的主要方法,如专家系统、神经网络优化算法、Petri网、解析模型、贝叶斯网络和P系统等,其诊断过程所用信息主要是来自数据采集与监视控制(Supervisory Control And Data Acquisition,SCADA)系统的遥信量信息和电网基本拓扑结构。上述方法适用对象均是开关量。
而在实际中,单一的开关量继电保护系统存在开关设备误动作风险,以及外界因素干扰也可影响开关量的动作状态。针对电网发生复杂情况时,若仅仅采用开关量信息进行诊断具有一定的局限性,会导致诊断结果的不精确,甚至可能出现误判等情况。虽目前研究已对遥信量与遥测量有一定初步的融合诊断,但未考虑外界因素对信息系统本身可靠性的影响。例如,输电线路外部极端天气将导致信息采集设备的不灵敏、损坏等。现有的多信源融合方法是对整个电力系统建模,其运算量大,且计算过程较为繁杂。且所采用的的融合方法一般为D-S证据理论,其要求同级因素必须相互独立,因此当所融合的信息有关联关系时,融合效果将大大降低。
发明内容
本发明的目的是为了解决上述输电网诊断方法的问题,提出了一种基于多源信息融合的输电网故障诊断方法。
本发明的技术方案是:一种基于多源信息融合的输电网故障诊断方法包括以下步骤:
S1:获取输电网的故障诊断信息,并确定疑似故障线路;
S2:对故障诊断信息进行特征提取,得到故障特征信息的故障度;
S3:将故障诊断信息的故障度进行融合,得到疑似故障线路的综合故障度;
S4:根据疑似故障线路的综合故障度,确定疑似故障线路的故障状态。
进一步地,步骤S1中,故障诊断信息的信源包括输电线路故障时的开关量信号、电气量信号和输电线路外部的气象数据,其分别从SCADA系统、故障录波系统和气象站中获得;并采用结线分析法判定故障区域,确定疑似故障线路。
进一步地,步骤S2中故障特征信息的故障度包括脉冲故障度、幅值故障度和气象故障度,其获取方法包括以下子步骤:
S21:利用各个疑似故障线路的brSNPS诊断模型执行矩阵推理算法,获取疑似故障线路的脉冲故障度;
S22:对疑似故障线路电气量信号中的电压遥测量进行幅值计算,获取疑似故障线路的幅值故障度;
S23:对输电线路外部的气象数据进行特征提取,获取疑似故障线路的气象故障度。
进一步地,步骤S21中,brSNPS诊断模型Π的表达式为:
Π=(O,σ1,...,σm,syn,in,out)
其中,O={a}表示神经脉冲集合,a表示神经脉冲;σi表示第i个命题神经元,σi=(θi,ri),1≤i≤d;σj表示第j个规则神经元,σj=(θj,rj),1≤j≤k,且d+k=m;θi和θj的取值均为0或1的自然数,θi表示命题神经元内部脉冲值,θj表示规则神经元内部脉冲值;ri表示命题神经元的点火规则,其形式为E/aθ→aθ,表示当且仅当命题神经元接收到至少一个脉冲时执行点火规则,当点火规则被执行,命题神经元消耗一个脉冲值为θ的脉冲aθ,同时产生一个具有相同脉冲值为θ的新脉冲aθ,并将其向突触后神经元传递,若命题神经元无突触后神经元,则其仅积累脉冲值;rj表示规则神经元的点火规则,其形式表示当且仅当规则神经元接收到至少s个脉冲时执行点火规则,当点火规则被执行,规则神经元消耗s个脉冲,同时产生一个脉冲值为β的新脉冲aβ,并将其向突触后神经元传递;表示神经元之间的有向突触连接关系,对所有(i,j)∈syn,1≤i,j≤m有i≠j;分别表示输入和输出神经元,θ和β的取值均为0或1的自然数;
步骤S21中,执行矩阵推理算法包括以下子步骤:
A1:分别设定执行推理算法的停止条件和推理步数g=0,其停止条件包括第一停止条件01=(0,...,0)d和第二停止条件02=(0,...,0)k;
A2:当θp.g≠01或θr.g≠02时,若命题神经元σi满足点火条件,则进入步骤A3;若规则神经元σj满足点火条件,则进入步骤A4;其中,θp=(θ1,...,θd)T表示命题神经元的二进制脉冲值向量,θi(1≤i≤d)表示第i个命题神经元的脉冲值;θr=(θ1,...,θk)T表示规则神经元的二进制脉冲值向量,θj(1≤j≤k)表示第j个规则神经元的脉冲值;
A3:更新规则神经元的脉冲值向量θr.g+1,其更新公式为:
其中,C1=(cij)d×k,C2=(cij)d×k,C3=(cij)d×k;C1表示命题神经元到常规规则神经元的定向突触连接,C2表示命题神经元到与规则神经元的定向突触连接,C3表示命题神经元到或规则神经元的定向突触连接;若存在直接定向突触连接,则cij=1,其表示命题神经元与对应的规则神经元相连接,否则cij=0;
A4:更新命题神经元的脉冲值向量θp.g+1,其更新公式为:
其中,H=(hji)k×d为突触矩阵,表示规则神经元到命题神经元的定向突触连接;若存在直接定向突触连接,则hji=1,其表示规则神经元与命题神经元相连接,否则hji=0。
进一步地,步骤S22包括以下子步骤:
S221:对输电线路故障时的电气量信号进行经验模态分解,获取电气量信号的固有模态函数分量;
S222:对电气量信号的固有模态函数分量进行希尔伯特变换,获取固有模态函数分量的瞬时幅值,并计算疑似故障线路故障前后的固有模态函数分量的总幅值,其计算公式分别为:
其中,表示线路l故障前电气量信号的固有模态函数分量的总幅值,表示线路l故障后电气量信号的固有模态函数分量的总幅值,PJ表示线路故障发生时前三个周期波形的开始采样点,Pf表示故障发生时的采样点,Pg表示故障发生后三个周期波形的最后采样点,Alρ表示线路l的第ρ(1≤ρ≤n)阶固有模态函数分量的幅值,n表示固有模态函数分量的阶数,Nf表示表示线路故障发生前三个周波内的采样点个数,Ng表示表示线路故障发生后三个周波内的采样点个数,P表示采样点;
S223:根据疑似故障线路故障前后的固有模态函数分量的总幅值,计算其相对变化幅值ηl,并根据相对变化幅值ηl计算疑似故障线路的幅值故障度Al,其计算公式分别为:
进一步地,步骤S23中,疑似故障线路的气象故障度Rl的计算公式为:
其中,Ri表示第i种气象因素的故障率,h表示气象因素的个数。
进一步地,步骤S3包括以下子步骤:
S31:构建故障诊断信息中各信源的信源权重向量W;
S32:根据各信源的信源权重向量W,计算疑似故障线路的综合故障度Gl。
进一步地,步骤S31包括以下子步骤:
S331:构建输电线路故障时的开关量信号、电气量信号和输电线路外部的气象数据之间的关系矩阵V,其计算公式为:
V=[vij]u×u,1≤i,j≤u
其中,vij表示i信源相对于j信源的重要性,u表示信源的种类;
S332:根据关系矩阵V,计算故障诊断信息中各信源的权重值W,其计算公式为:
步骤S32中,疑似故障线路l的综合故障度Gl的计算公式为:
其中,Qi表示第i种信源的故障度。
进一步地,步骤S4中,确定疑似故障线路的故障状态的具体方法为:若综合故障度大于等于0.5,则判定疑似故障线路为故障线路,否则疑似故障线路没有故障。
本发明的有益效果是:
(1)基于电力系统受外界极端天气的影响,其设备可靠性降低,将多信源系统融合到故障诊断过程中,以提高诊断方法的准确率。
(2)常用的诊断系统所使用的故障信息一般都是SCADA系统的开关量信息和故障录波(WAMS)的电气量信息,未能将引发故障且大概率使上述两个系统可靠性降低的气象信息融入到诊断中,本发明将气象因素融合进去,以提高诊断方法的准确率。
(3)在传统方法中,融合SCADA系统的开关量信息和故障录波(WAMS)的电气量信息时,是将整个电力系统进行建模求解,然后归一化进行比较,其运算量大,且计算过程较为繁杂。而本发明是对系统中的单个元件进行建模,直接求解其故障状态,因此可以简化计算过程并提升计算效率。
(4)本方法中对多信源系统的融合方法采用的是层次分析法,其本质是由多个同级因素决定其目标状态,且其不需要满足同级因素一定相互独立这一前提条件。
附图说明
图1为输电网故障诊断方法的流程图;
图2为诊断方法示意图;
图3为标准IEEE39节点示意图;
图4为母线B1的brSNPS诊断模型示意图;
图5为母线B1的电压初始信号波形图;
图6(a)为A相的固有模态函数分量总幅值图;
图6(b)为B相的固有模态函数分量总幅值图;
图6(c)为C相的固有模态函数分量总幅值图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
在描述本发明的具体实施例之前,为使本发明的方案更加清楚完整,首先对本发明中出现的缩略语和关键术语定义进行说明:
SCADA系统:Supervisory Control And Data Acquisition,数据采集与监视控制系统。
故障录波系统:一种基于故障录波信息的调度端电网故障诊断系统。故障录波器用于电力系统,可在系统发生故障时,自动地、准确地记录故障前、后过程的各种电气量的变化情况,通过对这些电气量的分析、比较、对分析处理事故、判断保护是否正确动作、提高电力系统安全运行水平有着重要作用。
brSNPS诊断模型:二进制推理脉冲神经膜系统。
如图1和图2所示,本发明提供了一种基于多源信息融合的输电网故障诊断方法,包括以下步骤:
S1:获取输电网的故障诊断信息,并确定疑似故障线路;
S2:对故障诊断信息进行特征提取,得到故障特征信息的故障度;
S3:将故障诊断信息的故障度进行融合,得到疑似故障线路的综合故障度;
S4:根据疑似故障线路的综合故障度,确定疑似故障线路的故障状态。
在本发明实施例中,步骤S1中,故障诊断信息的信源包括输电线路故障时的开关量信号、电气量信号和输电线路外部的气象数据,其分别从SCADA系统、故障录波系统和气象站中获得;并采用结线分析法判定故障区域,确定疑似故障线路。
在本发明实施例中,步骤S2中故障特征信息的故障度包括脉冲故障度、幅值故障度和气象故障度,其获取方法包括以下子步骤:
S21:利用各个疑似故障线路的brSNPS诊断模型执行矩阵推理算法,获取疑似故障线路的脉冲故障度;
S22:对疑似故障线路电气量信号中的电压遥测量进行幅值计算,获取疑似故障线路的幅值故障度;
S23:对输电线路外部的气象数据进行特征提取,获取疑似故障线路的气象故障度。
在本发明实施例中,步骤S21中,brSNPS诊断模型Π的表达式为:
Π=(O,σ1,...,σm,syn,in,out)
其中,O={a}表示神经脉冲集合,a表示神经脉冲;σi表示第i个命题神经元,σi=(θi,ri),1≤i≤d;σj表示第j个规则神经元,σj=(θj,rj),1≤j≤k,且d+k=m;θi和θj的取值均为0或1的自然数,θi表示命题神经元内部脉冲值,θj表示规则神经元内部脉冲值;ri表示命题神经元的点火规则,其形式为E/aθ→aθ,表示当且仅当命题神经元接收到至少一个脉冲时执行点火规则,当点火规则被执行,命题神经元消耗一个脉冲值为θ的脉冲aθ,同时产生一个具有相同脉冲值为θ的新脉冲aθ,并将其向突触后神经元传递,若命题神经元无突触后神经元,则其仅积累脉冲值;rj表示规则神经元的点火规则,其形式表示当且仅当规则神经元接收到至少s个脉冲时执行点火规则,当点火规则被执行,规则神经元消耗s个脉冲,同时产生一个脉冲值为β的新脉冲aβ,并将其向突触后神经元传递;表示神经元之间的有向突触连接关系,对所有(i,j)∈syn,1≤i,j≤m有i≠j;分别表示输入和输出神经元,θ和β的取值均为0或1的自然数;
一个输入神经元对应保护装置(即保护继电器和断路器),它们从环境中读取信息,其为SCADA系统中保护装置的两种状态(即0和1):θ=1表示该神经元对应的保护装置动作;θ=0表示该神经元对应的保护装置未动作;一个输出神经元对应一条疑似故障线路,其脉冲值为对应线路的脉冲故障度。
步骤S21中,执行矩阵推理算法包括以下子步骤:
A1:分别设定执行推理算法的停止条件和推理步数g=0,其停止条件包括第一停止条件01=(0,...,0)d和第二停止条件02=(0,...,0)k;
A2:当θp.g≠01或θr.g≠02时,若命题神经元σi满足点火条件,则进入步骤A3;若规则神经元σj满足点火条件,则进入步骤A4;其中,θp=(θ1,...,θd)T表示命题神经元的二进制脉冲值向量,θi(1≤i≤d)表示第i个命题神经元的脉冲值;θr=(θ1,...,θk)T表示规则神经元的二进制脉冲值向量,θj(1≤j≤k)表示第j个规则神经元的脉冲值;
A3:更新规则神经元的脉冲值向量θr.g+1,其更新公式为:
其中,C1=(cij)d×k,C2=(cij)d×k,C3=(cij)d×k;C1表示命题神经元到常规规则神经元的定向突触连接,C2表示命题神经元到与规则神经元的定向突触连接,C3表示命题神经元到或规则神经元的定向突触连接;若存在直接定向突触连接,则cij=1,其表示命题神经元与对应的规则神经元相连接,否则cij=0;
A4:更新命题神经元的脉冲值向量θp.g+1,其更新公式为:
其中,H=(hji)k×d为突触矩阵,表示规则神经元到命题神经元的定向突触连接;若存在直接定向突触连接,则hji=1,其表示规则神经元与命题神经元相连接,否则hji=0。
输入:θp.0,θr.0,C1,C2,C3,H
输出:输出神经元的脉冲值
A1.设置停机条件,即01=(0,...,0)d,02=(0,...,0)k;推理步数g=0
A2.while(θp.g≠01或θr.g≠02)do
A3.if命题神经元满足点火条件then
A4.通过执行下式更新规则神经元的脉冲值向量θr.g+1
A5.end if
A6.if规则神经元满足点火条件then
A7.通过执行下式更新命题神经元的脉冲值向量θp.g+1
A8.end if
A9.end while
在本发明实施例中,步骤S22包括以下子步骤:
S221:对输电线路故障时的电气量信号进行经验模态分解,获取电气量信号的固有模态函数分量;
S222:对电气量信号的固有模态函数分量进行希尔伯特变换,获取固有模态函数分量的瞬时幅值,并计算疑似故障线路故障前后的固有模态函数分量的总幅值,其计算公式分别为:
其中,表示线路l故障前电气量信号的固有模态函数分量的总幅值,表示线路l故障后电气量信号的固有模态函数分量的总幅值,PJ表示线路故障发生时前三个周期波形的开始采样点,Pf表示故障发生时的采样点,Pg表示故障发生后三个周期波形的最后采样点,Alρ表示线路l的第ρ(1≤ρ≤n)阶固有模态函数分量的幅值,n表示固有模态函数分量的阶数,Nf表示表示线路故障发生前三个周波内的采样点个数,Ng表示表示线路故障发生后三个周波内的采样点个数,P表示采样点;
S223:根据疑似故障线路故障前后的固有模态函数分量的总幅值,计算其相对变化幅值ηl,并根据相对变化幅值ηl计算疑似故障线路的幅值故障度Al,其计算公式分别为:
在本发明实施例中,步骤S23中,疑似故障线路的气象故障度Rl的计算公式为:
其中,Ri表示第i种气象因素的故障率,h表示气象因素的个数。
各气象因素在不同等级下的故障率如表1所示。
表1
在本发明实施例中,步骤S3包括以下子步骤:
S31:构建故障诊断信息中各信源的信源权重向量W;
S32:根据各信源的信源权重向量W,计算疑似故障线路的综合故障度Gl。
在本发明实施例中,步骤S31包括以下子步骤:
S331:构建输电线路故障时的开关量信号、电气量信号和输电线路外部的气象数据之间的关系矩阵V,其计算公式为:
V=[vij]u×u,1≤i,j≤u
其中,vij表示i信源相对于j信源的重要性,u表示信源的种类;
利用表2中信源两两关系的重要性,建立所涉及的3种信源间的两两关系矩阵。
表2
S332:根据关系矩阵V,计算故障诊断信息中各信源的权重值W,其计算公式为:
步骤S32中,疑似故障线路l的综合故障度Gl的计算公式为:
其中,Qi表示第i种信源的故障度。
在本发明实施例中,步骤S4中,确定疑似故障线路的故障状态的具体方法为:若综合故障度大于等于0.5,则判定疑似故障线路为故障线路,否则疑似故障线路没有故障。
在本发明实施例中,下面以标准IEEE39节点系统为诊断对象,电力系统仿真软件PSCAD作为仿真建模工具,MATLAB软件用于数据分析和处理。以算例1为例,给出具体计算过程,以促进细节理解。图3为标准IEEE39节点网络拓扑图。
算例1的故障情景和故障诊断元件结果如表3所示。
表3
首先,在故障发生后,利用结线分析法判断出停电区域,得到疑似故障母线B1。建立母线B1的brSNPS诊断模型,如图4所示。
由表3信息得到brSNPS的规则神经元和命题神经元的初始脉冲值向量分别为θr.0=[O1×7],θp.0=[1,1,1,0,0,0,0,O1×7]。
连接矩阵C1,C2,C3,H由图3母线B1的brSNPS模型得到,其表示如下:
进行推理算法:
当g=0时,θr.0=[O1×7],θp.0=[1,1,1,0,0,0,0,O1×7]。
当g=1时,θr.1=[1,1,O1×5],θp.1=[O1×7,1,1,O1×5]。
当g=2时,θr.2=[O1×4,1,1,0],θp.2=[O1×11,1,1,0]。
当g=3时,θr.3=[O1×6,1],θp.3=[O1×13,1]。
当g=4时,θr.4=[O1×7]。
获取母线B1的故障电压初始信号波形,如图5所示,在MATLAB软件中对其进行HHT,得到各相的IMF分量总幅值,如图6所示。图6(a)对应A相;图6(b)对应B相;图6(c)对应C相。
本发明的工作原理及过程为:本发明提出一种基于多源信息融合的输电网故障诊断方法,以应对由于极端天气所引起的系统可靠性降低。根据这种情况下故障诊断问题的实际特点,提出了基于多源信息融合的输电网故障诊断方法。其需要解决如下技术问题:
(1)基于电力系统受外界极端天气的影响,其设备可靠性降低,将多信源系统融合到故障诊断过程中,以提高诊断方法的准确率。
(2)常规多信源的融合是将SCADA系统的开关量信息和故障录波(或WAMS系统)的电气量信息,通过整个电力系统进行建模求解,然后归一化,其运算量大,且计算过程较为繁杂。现需要对系统中的单条线路进行建模,并直接求解其故障状态,以此简化计算过程并提升计算效率。
(3)一般用D-S证据理论,其要求同级因素必须相互独立,若未互相独立,计算时存在着潜在的组合爆炸问题。本发明基于多源信息融合的输电网故障诊断方法中融合方法采用层次分析法,其本质是由多个同级因素决定其目标状态,不需要满足常用融合方法中同级因素一定相互独立这一要求。
本发明的创新点在于:
(1)基于电力系统受外界极端天气的影响,其设备可靠性降低(获取的故障信息的准确性相比正常情况下将大幅度降低,则利用单一系统的故障信息进行诊断,其准确率不高),将多信源系统融合到故障诊断过程中,以提高诊断方法的准确率。
(2)常用的诊断系统所使用的故障信息一般都是SCADA系统的开关量信息和故障录波(WAMS)的电气量信息,未能将引发故障且大概率使上述两个系统可靠性降低的气象信息融入到诊断中,本文将气象因素融合进去,以提高诊断方法的准确率。
(3)在其他文献中,融合SCADA系统的开关量信息和故障录波(WAMS)的电气量信息时,是将整个电力系统进行建模求解,然后归一化进行比较,其运算量大,且计算过程较为繁杂。而本文是对系统中的单个元件进行建模,直接求解其故障状态,因此可以简化计算过程并提升计算效率。
(4)本方法中对多信源系统的融合方法采用的是层次分析法,其本质是由多个同级因素决定其目标状态,且其不需要满足同级因素一定相互独立这一前提条件,相比于其他常用融合方法,例如D-S证据理论(其前提条件必须相互独立,若未互相独立,计算时存在着潜在的组合爆炸问题。其他文献常用融合方法),其前提条件更适用。(气象能影响SCADA系统和故障录波系统,三者不是互相独立的,不满足D-S证据理论的前提条件)。
本发明的有益效果为:
(1)基于电力系统受外界极端天气的影响,其设备可靠性降低,将多信源系统融合到故障诊断过程中,以提高诊断方法的准确率。
(2)常用的诊断系统所使用的故障信息一般都是SCADA系统的开关量信息和故障录波(WAMS)的电气量信息,未能将引发故障且大概率使上述两个系统可靠性降低的气象信息融入到诊断中,本发明将气象因素融合进去,以提高诊断方法的准确率。
(3)在传统方法中,融合SCADA系统的开关量信息和故障录波(WAMS)的电气量信息时,是将整个电力系统进行建模求解,然后归一化进行比较,其运算量大,且计算过程较为繁杂。而本发明是对系统中的单个元件进行建模,直接求解其故障状态,因此可以简化计算过程并提升计算效率。
(4)本方法中对多信源系统的融合方法采用的是层次分析法,其本质是由多个同级因素决定其目标状态,且其不需要满足同级因素一定相互独立这一前提条件。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (9)
1.一种基于多源信息融合的输电网故障诊断方法,其特征在于,包括以下步骤:
S1:获取输电网的故障诊断信息,并确定疑似故障线路;
S2:对故障诊断信息进行特征提取,得到故障特征信息的故障度;
S3:将故障诊断信息的故障度进行融合,得到疑似故障线路的综合故障度;
S4:根据疑似故障线路的综合故障度,确定疑似故障线路的故障状态。
2.根据权利要求1所述的基于多源信息融合的输电网故障诊断方法,其特征在于,所述步骤S1中,所述故障诊断信息的信源包括输电线路故障时的开关量信号、电气量信号和输电线路外部的气象数据,其分别从SCADA系统、故障录波系统和气象站中获得;并采用结线分析法判定故障区域,确定疑似故障线路。
3.根据权利要求1所述的基于多源信息融合的输电网故障诊断方法,其特征在于,所述步骤S2中故障特征信息的故障度包括脉冲故障度、幅值故障度和气象故障度,其获取方法包括以下子步骤:
S21:利用各个疑似故障线路的brSNPS诊断模型执行矩阵推理算法,获取疑似故障线路的脉冲故障度;
S22:对疑似故障线路电气量信号中的电压遥测量进行幅值计算,获取疑似故障线路的幅值故障度;
S23:对输电线路外部的气象数据进行特征提取,获取疑似故障线路的气象故障度。
4.根据权利要求3所述的基于多源信息融合的输电网故障诊断方法,其特征在于,所述步骤S21中,brSNPS诊断模型Π的表达式为:
Π=(O,σ1,...,σm,syn,in,out)
其中,O={a}表示神经脉冲集合,a表示神经脉冲;σi表示第i个命题神经元,σi=(θi,ri),1≤i≤d;σj表示第j个规则神经元,σj=(θj,rj),1≤j≤k,且d+k=m;θi和θj的取值均为0或1的自然数,θi表示命题神经元内部脉冲值,θj表示规则神经元内部脉冲值;ri表示命题神经元的点火规则,其形式为E/aθ→aθ,表示当且仅当命题神经元接收到至少一个脉冲时执行点火规则,当点火规则被执行,命题神经元消耗一个脉冲值为θ的脉冲aθ,同时产生一个具有相同脉冲值为θ的新脉冲aθ,并将其向突触后神经元传递,若命题神经元无突触后神经元,则其仅积累脉冲值;rj表示规则神经元的点火规则,其形式表示当且仅当规则神经元接收到至少s个脉冲时执行点火规则,当点火规则被执行,规则神经元消耗s个脉冲,同时产生一个脉冲值为β的新脉冲aβ,并将其向突触后神经元传递;表示神经元之间的有向突触连接关系,对所有(i,j)∈syn,1≤i,j≤m有i≠j;分别表示输入和输出神经元,θ和β的取值均为0或1的自然数;
所述步骤S21中,执行矩阵推理算法包括以下子步骤:
A1:分别设定执行推理算法的停止条件和推理步数g=0,其停止条件包括第一停止条件01=(0,...,0)d和第二停止条件02=(0,...,0)k;
A2:当θp.g≠01或θr.g≠02时,若命题神经元σi满足点火条件,则进入步骤A3;若规则神经元σj满足点火条件,则进入步骤A4;其中,θp=(θ1,...,θd)T表示命题神经元的二进制脉冲值向量,θi(1≤i≤d)表示第i个命题神经元的脉冲值;θr=(θ1,...,θk)T表示规则神经元的二进制脉冲值向量,θj(1≤j≤k)表示第j个规则神经元的脉冲值;
A3:更新规则神经元的脉冲值向量θr.g+1,其更新公式为:
其中,C1=(cij)d×k,C2=(cij)d×k,C3=(cij)d×k;C1表示命题神经元到常规规则神经元的定向突触连接,C2表示命题神经元到与规则神经元的定向突触连接,C3表示命题神经元到或规则神经元的定向突触连接;若存在直接定向突触连接,则cij=1,其表示命题神经元与对应的规则神经元相连接,否则cij=0;
A4:更新命题神经元的脉冲值向量θp.g+1,其更新公式为:
其中,H=(hji)k×d为突触矩阵,表示规则神经元到命题神经元的定向突触连接;若存在直接定向突触连接,则hji=1,其表示规则神经元与命题神经元相连接,否则hji=0。
5.根据权利要求3所述的基于多源信息融合的输电网故障诊断方法,其特征在于,所述步骤S22包括以下子步骤:
S221:对输电线路故障时的电气量信号进行经验模态分解,获取电气量信号的固有模态函数分量;
S222:对电气量信号的固有模态函数分量进行希尔伯特变换,获取固有模态函数分量的瞬时幅值,并计算疑似故障线路故障前后的固有模态函数分量的总幅值,其计算公式分别为:
其中,表示线路l故障前电气量信号的固有模态函数分量的总幅值,表示线路l故障后电气量信号的固有模态函数分量的总幅值,PJ表示线路故障发生时前三个周期波形的开始采样点,Pf表示故障发生时的采样点,Pg表示故障发生后三个周期波形的最后采样点,Alρ表示线路l的第ρ(1≤ρ≤n)阶固有模态函数分量的幅值,n表示固有模态函数分量的阶数,Nf表示表示线路故障发生前三个周波内的采样点个数,Ng表示表示线路故障发生后三个周波内的采样点个数,P表示采样点;
S223:根据疑似故障线路故障前后的固有模态函数分量的总幅值,计算其相对变化幅值ηl,并根据相对变化幅值ηl计算疑似故障线路的幅值故障度Al,其计算公式分别为:
7.根据权利要求1所述的基于多源信息融合的输电网故障诊断方法,其特征在于,所述步骤S3包括以下子步骤:
S31:构建故障诊断信息中各信源的信源权重向量W;
S32:根据各信源的信源权重向量W,计算疑似故障线路的综合故障度Gl。
9.根据权利要求1所述的基于多源信息融合的输电网故障诊断方法,其特征在于,所述步骤S4中,确定疑似故障线路的故障状态的具体方法为:若综合故障度大于等于0.5,则判定疑似故障线路为故障线路,否则疑似故障线路没有故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110773328.7A CN113609912B (zh) | 2021-07-08 | 2021-07-08 | 一种基于多源信息融合的输电网故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110773328.7A CN113609912B (zh) | 2021-07-08 | 2021-07-08 | 一种基于多源信息融合的输电网故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609912A true CN113609912A (zh) | 2021-11-05 |
CN113609912B CN113609912B (zh) | 2023-06-20 |
Family
ID=78304227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110773328.7A Active CN113609912B (zh) | 2021-07-08 | 2021-07-08 | 一种基于多源信息融合的输电网故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609912B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222142A (zh) * | 2022-07-29 | 2022-10-21 | 贵州电网有限责任公司 | 一种极端气象条件下输变电变压器设备故障预测分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006000103A1 (en) * | 2004-06-29 | 2006-01-05 | Universite De Sherbrooke | Spiking neural network and use thereof |
CN109445411A (zh) * | 2018-10-24 | 2019-03-08 | 西华大学 | 一种变电站故障诊断方法 |
CN109507527A (zh) * | 2018-11-06 | 2019-03-22 | 国网天津市电力公司电力科学研究院 | 一种基于突触可塑性的snp系统含分布式电源配电网故障定位方法 |
CN109633372A (zh) * | 2018-12-19 | 2019-04-16 | 西南交通大学 | 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法 |
CN111222714A (zh) * | 2020-01-19 | 2020-06-02 | 长沙理工大学 | 基于脉冲神经网络的天气敏感型电力负荷预测方法及装置 |
CN111413565A (zh) * | 2020-04-16 | 2020-07-14 | 西华大学 | 一种可识别量测篡改攻击的智能电网故障诊断方法 |
US20200272899A1 (en) * | 2019-02-22 | 2020-08-27 | Ubotica Technologies Limited | Systems and Methods for Deploying and Updating Neural Networks at the Edge of a Network |
CN112710914A (zh) * | 2020-12-16 | 2021-04-27 | 西华大学 | 计及控制中心故障信息篡改的智能变电站故障诊断方法 |
CN112867930A (zh) * | 2018-09-10 | 2021-05-28 | 3M创新有限公司 | 包括局部放电传感器的电力电缆监测装置 |
CN112926023A (zh) * | 2021-01-26 | 2021-06-08 | 西华大学 | 一种基于考虑气象因素p系统的输电网故障诊断方法 |
-
2021
- 2021-07-08 CN CN202110773328.7A patent/CN113609912B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006000103A1 (en) * | 2004-06-29 | 2006-01-05 | Universite De Sherbrooke | Spiking neural network and use thereof |
CN112867930A (zh) * | 2018-09-10 | 2021-05-28 | 3M创新有限公司 | 包括局部放电传感器的电力电缆监测装置 |
CN109445411A (zh) * | 2018-10-24 | 2019-03-08 | 西华大学 | 一种变电站故障诊断方法 |
CN109507527A (zh) * | 2018-11-06 | 2019-03-22 | 国网天津市电力公司电力科学研究院 | 一种基于突触可塑性的snp系统含分布式电源配电网故障定位方法 |
CN109633372A (zh) * | 2018-12-19 | 2019-04-16 | 西南交通大学 | 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法 |
US20200272899A1 (en) * | 2019-02-22 | 2020-08-27 | Ubotica Technologies Limited | Systems and Methods for Deploying and Updating Neural Networks at the Edge of a Network |
CN111222714A (zh) * | 2020-01-19 | 2020-06-02 | 长沙理工大学 | 基于脉冲神经网络的天气敏感型电力负荷预测方法及装置 |
CN111413565A (zh) * | 2020-04-16 | 2020-07-14 | 西华大学 | 一种可识别量测篡改攻击的智能电网故障诊断方法 |
CN112710914A (zh) * | 2020-12-16 | 2021-04-27 | 西华大学 | 计及控制中心故障信息篡改的智能变电站故障诊断方法 |
CN112926023A (zh) * | 2021-01-26 | 2021-06-08 | 西华大学 | 一种基于考虑气象因素p系统的输电网故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
HONG PENG等: "Fault Diagnosis of Power Systems Using Intuitionistic Fuzzy Spiking Neural P Systems", 《 IEEE TRANSACTIONS ON SMART GRID 》, vol. 9, no. 5, pages 4777 - 4784 * |
XIAOTIAN CHEN等: "A Fault Diagnosis Method Considering Meteorological Factors for Transmission Networks Based on P Systems", 《ENTROPY》, vol. 23, no. 8, pages 1 - 16 * |
王涛: "脉冲神经膜系统及其在电力系统故障诊断中的应用", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2, pages 042 - 32 * |
王清: "基于脉冲神经膜系统的电力系统故障定位与故障识别研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2, pages 042 - 1192 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222142A (zh) * | 2022-07-29 | 2022-10-21 | 贵州电网有限责任公司 | 一种极端气象条件下输变电变压器设备故障预测分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113609912B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Recurrent graph convolutional network-based multi-task transient stability assessment framework in power system | |
Yang et al. | Mode-independent fuzzy fault-tolerant variable sampling stabilization of nonlinear networked systems with both time-varying and random delays | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
CN112749509B (zh) | 一种基于lstm神经网络的智能变电站故障诊断方法 | |
Mayadevi | A Review on Expert System Applications in Power Plants | |
CN112926023B (zh) | 一种基于考虑气象因素p系统的输电网故障诊断方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
EP3610341B1 (en) | Method for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
CN112710914B (zh) | 计及控制中心故障信息篡改的智能变电站故障诊断方法 | |
CN112345858B (zh) | 一种计及量测篡改攻击引发虚假故障的电网故障诊断方法 | |
Nicolau et al. | Accident diagnosis system based on real-time decision tree expert system | |
CN113609912A (zh) | 一种基于多源信息融合的输电网故障诊断方法 | |
CN113256096B (zh) | 一种计及虚假数据注入攻击的电网故障诊断方法 | |
Herve et al. | ‘Networked iterative learning fault diagnosis algorithm for systems with sensor random packet losses, time-varying delays, limited communication and actuator failure: Application to the hydroturbine governor system | |
Hassani et al. | Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids | |
Wei et al. | Application of rough set and neural network in water energy utilization | |
CN113449914B (zh) | 一种电力系统监测方法及系统 | |
Yuanyuan et al. | Artificial intelligence and learning techniques in intelligent fault diagnosis | |
Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
Xia et al. | Smart substation network fault classification based on a hybrid optimization algorithm | |
CN113157516B (zh) | 一种准实时计算的模型监测系统及方法 | |
Zhang et al. | Turbo-generator vibration fault diagnosis based on PSO-BP neural networks | |
Wang et al. | Operating Condition Identification of Complete Wind Turbine using DBN and Improved DDPG-SOM | |
Zhang et al. | Analysis on Intelligent Fault Diagnosis Technology of Industrial Control Network | |
Chandrakar et al. | Deep-Learning based Multiple Class Events Detection and Classification using Micro-PMU Data |
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 |