CN114266487B - 一种适用于数字化移交场景的变电站故障处置方法 - Google Patents
一种适用于数字化移交场景的变电站故障处置方法 Download PDFInfo
- Publication number
- CN114266487B CN114266487B CN202111599635.4A CN202111599635A CN114266487B CN 114266487 B CN114266487 B CN 114266487B CN 202111599635 A CN202111599635 A CN 202111599635A CN 114266487 B CN114266487 B CN 114266487B
- Authority
- CN
- China
- Prior art keywords
- digital
- substation
- fault
- protection
- digital substation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000002131 composite material Substances 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000009471 action Effects 0.000 claims description 111
- 238000012549 training Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000012850 discrimination method Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000013329 compounding Methods 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种适用于数字化移交场景的变电站故障处置方法，该方法包括以下步骤：S1、采用复合加权法设计复合贡献因子，并基于复合贡献因子得到改进的数字化变电站故障解析模型；S2、将数字化变电站故障诊断表述为马尔科夫决策过程，建立双深度Q网络故障处置流程；S3、将数字化变电站故障数据通过数字化方式输入改进的数字化变电站故障解析模型中，然后基于双深度Q网络故障处理流程确定数字化变电站故障。本设计能够有效减少估计误差，提高对故障的处置速度和精度。
Description
技术领域
本发明涉及数字化变电站故障处置技术领域，尤其涉及一种适用于数字化移交场景的变电站故障处置方法，主要适用于提高故障的处置精度。
背景技术
数字化变电站具有变换电压等级、汇集电流、分配电能和调整电压等重要作用，实现数字化移交是数字化变电站设计的发展方向。为了维持数字化变电站的正常运行，需对站内设备的运行状态进行监测并对故障数据处置。然而，随着科学技术的飞速发展，传统的故障处置方式存在数据复用率低、无法有效表达主要信息等问题。因此，有必要研究一种适用于数字化移交场景的变电站故障处置方法。
现有技术文献中：文献《基于拓扑建模的电网故障诊断优化模型》(徐彪,尹项根,张哲,李旭升.基于拓扑建模的电网故障诊断优化模型[J].电网技术,2018,42(10):3241-3248.)提出一种基于故障解析模型的故障处置方法，其中的解析模型能够很好反映电网中各个保护以及断路器动作状态，极大提高了故障处置精度。文献《电网故障诊断改进解析模型及其自适应生物地理学优化方法》(熊国江,石东源.电网故障诊断改进解析模型及其自适应生物地理学优化方法[J].电工技术学报,2014,29(04):205-211.)提出了考虑保护动作优先权的故障处置方法，提高了电网故障诊断结果的准确度。文献An Analytic Modelfor Fault Diagnosis in Power Systems Utilizing Redundancy and TemporalInformation of Alarm Messages(ZHANG Yan,CHUNG Chiyun,WEN Fushuan,et al.AnAnalytic Model for Fault Diagnosis in Power Systems Utilizing Redundancy andTemporal Information of Alarm Messages[J].IEEE Transactions on Power Systems,2016,31(6):4877-1886.)提出了一种考虑告警信息冗余的电网故障处置方法，该故障处置方法在告警信息错误时仍然能够对故障快速处置。然而，上述文献均采用启发式算法对故障进行处置，在求解时容易得到局部最优解，导致其方法的故障处置精度不高。同时，上述文献未针对数字化移交场景中的变电站故障处置方法进行分析，方法的适用场景具有局限性。
发明内容
本发明的目的是克服现有技术中存在的故障处置精度低的缺陷与问题，提供一种故障处置精度高的适用于数字化移交场景的变电站故障处置方法。
为实现以上目的，本发明的技术解决方案是：一种适用于数字化移交场景的变电站故障处置方法，该方法包括以下步骤：
S1、采用复合加权法设计复合贡献因子，并基于复合贡献因子得到改进的数字化变电站故障解析模型；
S2、将数字化变电站故障诊断表述为马尔科夫决策过程，建立双深度Q网络故障处置流程；
S3、将数字化变电站故障数据通过数字化方式输入改进的数字化变电站故障解析模型中，然后基于双深度Q网络故障处理流程确定数字化变电站故障。
步骤S1中，采用最小鉴别法对主观贡献因子和客观贡献因子进行最优复合，得到复合贡献因子：
其中，wh为数字化变电站各设备的第h项处置指标的主观贡献因子，w'h为数字化变电站各设备的第h项处置指标的客观贡献因子，
为数字化变电站各设备的第h项处置指标的复合贡献因子。
步骤S1中，客观贡献因子的计算步骤如下：
(1)对数字化变电站故障发生前后变电站内各设备的处置指标进行归一化处理：
其中，b′hj为归一化处理后的数字化变电站故障发生前后变电站内各设备的处置指标，bhj为数字化变电站故障发生前后变电站内各设备的主保护、近后备保护、远后备保护、断路器动作、断路器失灵保护以及方向元件的六项处置指标，bhj，min为数字化变电站内各设备的第h项处置指标在故障发生前后的最小值，bhj，max为数字化变电站内各设备的第h项处置指标在故障发生前后的最大值；j表示保护及断路器是否动作，j＝1表示不动作，j＝2表示动作；
(2)计算数字化变电站各设备的各项处置指标的标准差：
其中，
为数字化变电站各设备的第h项处置指标的平均值，sh为数字化变电站各设备的第h项处置指标的标准差；
(3)基于各标准差计算变异系数：
其中，Vh为数字化变电站各设备的第h项处置指标的变异系数；
(4)基于各变异系数计算客观贡献因子：
其中，w′h为数字化变电站各设备的第h项处置指标的客观贡献因子。
步骤S1中，基于复合贡献因子的数字化变电站故障解析模型如下：
其中，X* 1为数字化变电站内各设备的主保护的复合故障处置指标，X* 2为数字化变电站内各设备的近后备保护的复合故障处置指标，X* 3为数字化变电站内各设备的远后备保护的复合故障处置指标，X* 4为数字化变电站内各设备的断路器动作的复合故障处置指标，X* 5为数字化变电站内各设备的断路器失灵保护的复合故障处置指标，X* 6为数字化变电站内各设备的方向元件的复合故障处置指标，rkm为数字化变电站内各设备的主保护的实际动作变量，rkp为数字化变电站内各设备的近后备保护的实际动作变量，rks为数字化变电站内各设备的远后备保护的实际动作变量，rif为数字化变电站内各设备的断路器失灵保护的实际动作变量，rnd为数字化变电站内各设备的方向元件的实际动作变量，
为数字化变电站内各设备的主保护的期望动作变量，
为数字化变电站内各设备的近后备保护的期望动作变量，
为数字化变电站内各设备的远后备保护的期望动作变量，
为数字化变电站内各设备的断路器失灵保护的期望动作变量，
为数字化变电站内各设备的方向元件的期望动作变量，Ci为断路器实际动作变量，
为断路器期望动作变量，
为连或运算。
步骤S2具体包括以下步骤：
S21、建立双深度Q网络状态空间
数字化变电站故障发生前，状态空间为：
其中，
为t时刻数字化变电站内各设备的主保护的状态，
为t时刻数字化变电站内各设备的近后备保护的状态，
为t时刻数字化变电站内各设备的远后备保护的状态，
为t时刻数字化变电站内各设备的方向元件的状态，
为t时刻数字化变电站内各设备的断路器的状态；
S22、建立双深度Q网络动作空间
双深度Q网络的动作集合如下所示：
其中，
为t时刻数字化变电站内各设备的主保护的实际动作，
为t时刻数字化变电站内各设备的近后备保护的实际动作，
为t时刻数字化变电站内各设备的远后备保护的实际动作，
为t时刻数字化变电站内各设备的断路器失灵保护的实际动作，
为t时刻数字化变电站内各设备的方向元件的实际动作，
为t时刻数字化变电站内各设备的断路器的实际动作；
S23、建立状态转移函数
状态st转移到状态st+1可表示为：
St+1＝f(st，at，τt)
其中，st为当前时刻状态，st+1为下一时刻状态，at为当前时刻动作，τt为随机量；
S24、建立双深度Q网络奖励值函数
数字化变电站故障处置的目的是最小化故障解析模型中的函数E*(X)，t时刻的奖励值函数可表示为：
R(st，st+1，at)＝-E*[X(st，at)]
数字化变电站故障处置过程中的动作a优劣通过值函数Qπ(st，at)来评价，目标是利用最优策略π*使Qπ(st，at)最大化：
π*＝arg max Qπ(st，at)。
步骤S3具体包括以下步骤：
S31、数字化变电站发生故障时，通过数字化方式获取各保护及断路器的状态信息；
S32、构造数字化变电站故障解析函数；
S33、初始化各个参数，输入各保护的当前状态st；
S34、采用双深度Q网络计算Q值；
S35、依据贪婪策略对当前状态st执行动作at，在动作效果评估后得到回报r，并获得下一状态st+1；
S36、判断是否达到最大训练次数T，若达到最大训练次数，则结束训练确定数字化变电站故障，否则基于当前状态选择下一个动作；
S37、重复步骤S35至步骤S36直到满足终止条件。
与现有技术相比，本发明的有益效果为：
本发明一种适用于数字化移交场景的变电站故障处置方法中，首先，考虑数字化变电站各个保护动作和断路器的优先权和其自身的实时状态，采用复合贡献因子以改进数字化变电站故障解析模型；其次，将数字化变电站故障诊断表述为马尔科夫决策过程；最后，使用双深度Q网络，通过不同的网络执行动作的评估与选择，对这两个部分进行解耦来解决深度Q网络中计算Q值过估计的问题，能有效减少估计误差，提高对故障的处置速度和精度。
附图说明
图1是本发明中基于双深度Q网络的故障处置流程图。
图2是本发明的实施例中的算例系统结构图。
图3是本发明的实施例中的场景1下三种处置方法的处置结果。
图4是本发明的实施例中的场景2下三种处置方法的处置结果。
图5是本发明的实施例中的场景3下三种处置方法的处置结果。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1，一种适用于数字化移交场景的变电站故障处置方法，该方法包括以下步骤：
S1、采用复合加权法设计复合贡献因子，并基于复合贡献因子得到改进的数字化变电站故障解析模型；
S2、将数字化变电站故障诊断表述为马尔科夫决策过程，建立双深度Q网络故障处置流程；
S3、将数字化变电站故障数据通过数字化方式输入改进的数字化变电站故障解析模型中，然后基于双深度Q网络故障处理流程确定数字化变电站故障。
步骤S1中，采用最小鉴别法对主观贡献因子和客观贡献因子进行最优复合，得到复合贡献因子：
其中，wh为数字化变电站各设备的第h项处置指标的主观贡献因子，w′h为数字化变电站各设备的第h项处置指标的客观贡献因子，
为数字化变电站各设备的第h项处置指标的复合贡献因子。
步骤S1中，客观贡献因子的计算步骤如下：
(1)对数字化变电站故障发生前后变电站内各设备的处置指标进行归一化处理：
其中，b′hj为归一化处理后的数字化变电站故障发生前后变电站内各设备的处置指标，bhj为数字化变电站故障发生前后变电站内各设备的主保护、近后备保护、远后备保护、断路器动作、断路器失灵保护以及方向元件的六项处置指标，bhj，min为数字化变电站内各设备的第h项处置指标在故障发生前后的最小值，bhj，max为数字化变电站内各设备的第h项处置指标在故障发生前后的最大值；j表示保护及断路器是否动作，j＝1表示不动作，j＝2表示动作；
(2)计算数字化变电站各设备的各项处置指标的标准差：
其中，
为数字化变电站各设备的第h项处置指标的平均值，sh为数字化变电站各设备的第h项处置指标的标准差；
(3)基于各标准差计算变异系数：
其中，Vh为数字化变电站各设备的第h项处置指标的变异系数；
(4)基于各变异系数计算客观贡献因子：
其中，w′h为数字化变电站各设备的第h项处置指标的客观贡献因子。
步骤S1中，基于复合贡献因子的数字化变电站故障解析模型如下：
其中，X* 1为数字化变电站内各设备的主保护的复合故障处置指标，X* 2为数字化变电站内各设备的近后备保护的复合故障处置指标，X* 3为数字化变电站内各设备的远后备保护的复合故障处置指标，X* 4为数字化变电站内各设备的断路器动作的复合故障处置指标，X* 5为数字化变电站内各设备的断路器失灵保护的复合故障处置指标，X* 6为数字化变电站内各设备的方向元件的复合故障处置指标，rkm为数字化变电站内各设备的主保护的实际动作变量，rkp为数字化变电站内各设备的近后备保护的实际动作变量，rks为数字化变电站内各设备的远后备保护的实际动作变量，rif为数字化变电站内各设备的断路器失灵保护的实际动作变量，rnd为数字化变电站内各设备的方向元件的实际动作变量，
为数字化变电站内各设备的主保护的期望动作变量，
为数字化变电站内各设备的近后备保护的期望动作变量，
为数字化变电站内各设备的远后备保护的期望动作变量，
为数字化变电站内各设备的断路器失灵保护的期望动作变量，
为数字化变电站内各设备的方向元件的期望动作变量，Ci为断路器实际动作变量，
为断路器期望动作变量，
为连或运算。
步骤S2具体包括以下步骤：
S21、建立双深度Q网络状态空间
数字化变电站故障发生前，状态空间为：
其中，
为t时刻数字化变电站内各设备的主保护的状态，
为t时刻数字化变电站内各设备的近后备保护的状态，
为t时刻数字化变电站内各设备的远后备保护的状态，
为t时刻数字化变电站内各设备的方向元件的状态，
为t时刻数字化变电站内各设备的断路器的状态；
S22、建立双深度Q网络动作空间
双深度Q网络的动作集合如下所示：
其中，
为t时刻数字化变电站内各设备的主保护的实际动作，
为t时刻数字化变电站内各设备的近后备保护的实际动作，
为t时刻数字化变电站内各设备的远后备保护的实际动作，
为t时刻数字化变电站内各设备的断路器失灵保护的实际动作，
为t时刻数字化变电站内各设备的方向元件的实际动作，
为t时刻数字化变电站内各设备的断路器的实际动作；
S23、建立状态转移函数
状态st转移到状态st+1可表示为：
st+1＝f(st，at，τt)
其中，st为当前时刻状态，st+1为下一时刻状态，at为当前时刻动作，τt为随机量；
S24、建立双深度Q网络奖励值函数
数字化变电站故障处置的目的是最小化故障解析模型中的函数E*(X)，t时刻的奖励值函数可表示为：
R(st，st+1，at)＝-E*[X(st，at)]
数字化变电站故障处置过程中的动作a优劣通过值函数Qπ(st，at)来评价，目标是利用最优策略π*使Qπ(st，at)最大化：
π*＝arg max Qπ(st，at)。
步骤S3具体包括以下步骤：
S31、数字化变电站发生故障时，通过数字化方式获取各保护及断路器的状态信息；
S32、构造数字化变电站故障解析函数；
S33、初始化各个参数，输入各保护的当前状态st；
S34、采用双深度Q网络计算Q值；
S35、依据贪婪策略对当前状态st执行动作at，在动作效果评估后得到回报r，并获得下一状态st+1；
S36、判断是否达到最大训练次数T，若达到最大训练次数，则结束训练确定数字化变电站故障，否则基于当前状态选择下一个动作；
S37、重复步骤S35至步骤S36直到满足终止条件。
本发明的原理说明如下：
针对现有技术存在的问题，本设计提出了一种适用于数字化移交场景的变电站故障处置方法，该方法中的改进故障解析模型通过构建复合贡献因子，同时考虑了保护动作和断路器的优先权和其自身的实时状态；另外，该方法还采用双深度Q网络，通过不同的网络执行动作的评估与选择，对这两个部分进行解耦来解决深度Q网络中计算Q值过估计的问题。因此，本设计所提故障处置方法能够有效减少估计误差，提高对故障的处置速度和精度。
实施例：
参见图1，一种适用于数字化移交场景的变电站故障处置方法，该方法包括以下步骤：
S1、采用复合加权法设计复合贡献因子，并基于复合贡献因子得到改进的数字化变电站故障解析模型；
采用最小鉴别法对主观贡献因子和客观贡献因子进行最优复合，得到复合贡献因子：
其中，wh为数字化变电站各设备的第h项处置指标的主观贡献因子，w′h为数字化变电站各设备的第h项处置指标的客观贡献因子，
为数字化变电站各设备的第h项处置指标的复合贡献因子；
客观贡献因子的计算步骤如下：
(1)对数字化变电站故障发生前后变电站内各设备的处置指标进行归一化处理：
其中，b′hj为归一化处理后的数字化变电站故障发生前后变电站内各设备的处置指标，bhj为数字化变电站故障发生前后变电站内各设备的主保护、近后备保护、远后备保护、断路器动作、断路器失灵保护以及方向元件的六项处置指标，bhj，min为数字化变电站内各设备的第h项处置指标在故障发生前后的最小值，bhj，max为数字化变电站内各设备的第h项处置指标在故障发生前后的最大值；j表示保护及断路器是否动作，j＝1表示不动作，j＝2表示动作；
(2)计算数字化变电站各设备的各项处置指标的标准差：
其中，
为数字化变电站各设备的第h项处置指标的平均值，sh为数字化变电站各设备的第h项处置指标的标准差；
(3)基于各标准差计算变异系数：
其中，Vh为数字化变电站各设备的第h项处置指标的变异系数；
(4)基于各变异系数计算客观贡献因子：
其中，w′h为数字化变电站各设备的第h项处置指标的客观贡献因子；
基于复合贡献因子的数字化变电站故障解析模型如下：
其中，X* 1为数字化变电站内各设备的主保护的复合故障处置指标，X* 2为数字化变电站内各设备的近后备保护的复合故障处置指标，X* 3为数字化变电站内各设备的远后备保护的复合故障处置指标，X* 4为数字化变电站内各设备的断路器动作的复合故障处置指标，X* 5为数字化变电站内各设备的断路器失灵保护的复合故障处置指标，X* 6为数字化变电站内各设备的方向元件的复合故障处置指标；X＝(Z，C，r)为系统的状态向量；rkm为数字化变电站内各设备的主保护的实际动作变量，rkp为数字化变电站内各设备的近后备保护的实际动作变量，rks为数字化变电站内各设备的远后备保护的实际动作变量，rif为数字化变电站内各设备的断路器失灵保护的实际动作变量，rnd为数字化变电站内各设备的方向元件的实际动作变量(稳定时为0，故障时为1)，
为数字化变电站内各设备的主保护的期望动作变量，
为数字化变电站内各设备的近后备保护的期望动作变量，
为数字化变电站内各设备的远后备保护的期望动作变量，
为数字化变电站内各设备的断路器失灵保护的期望动作变量，
为数字化变电站内各设备的方向元件的期望动作变量(稳定运行时为0，故障时为1)，Ci为断路器实际动作变量，
为断路器期望动作变量(稳定运行时为0，故障时为1)；
为连或运算，当
中累加数不全为0时，结果为1；w1赋值为0.9，w2赋值为0.8，w3赋值为0.7，w4赋值为0.95，w5赋值为0.7，w6赋值为0.85；
S2、将数字化变电站故障诊断表述为马尔科夫决策过程，建立双深度Q网络故障处置流程；具体包括以下步骤：
S21、建立双深度Q网络状态空间
数字化变电站故障发生前，状态空间为：
其中，
为t时刻数字化变电站内各设备的主保护的状态，
为t时刻数字化变电站内各设备的近后备保护的状态，
为t时刻数字化变电站内各设备的远后备保护的状态，
为t时刻数字化变电站内各设备的方向元件的状态，
为t时刻数字化变电站内各设备的断路器的状态；
S22、建立双深度Q网络动作空间
双深度Q网络的动作集合如下所示：
其中，
为t时刻数字化变电站内各设备的主保护的实际动作，
为t时刻数字化变电站内各设备的近后备保护的实际动作，
为t时刻数字化变电站内各设备的远后备保护的实际动作，
为t时刻数字化变电站内各设备的断路器失灵保护的实际动作，
为t时刻数字化变电站内各设备的方向元件的实际动作，
为t时刻数字化变电站内各设备的断路器的实际动作；
S23、建立状态转移函数
状态st转移到状态st+1可表示为：
st+1＝f(st，at，τt)
其中，st为当前时刻状态，st+1为下一时刻状态，at为当前时刻动作，τt为随机量；
S24、建立双深度Q网络奖励值函数
数字化变电站故障处置的目的是最小化故障解析模型中的函数E*(X)，t时刻的奖励值函数可表示为：
R(st，st+1，at)＝-E*[X(st，at)]
数字化变电站故障处置过程中的动作a优劣通过值函数Qπ(st，at)来评价，目标是利用最优策略π*使Qπ(st，at)最大化：
π*＝arg maxQπ(st，at)；
S3、将数字化变电站故障数据通过数字化方式输入改进的数字化变电站故障解析模型中，然后基于双深度Q网络故障处理流程确定数字化变电站故障；具体包括以下步骤：
S31、数字化变电站发生故障时，通过数字化方式获取各保护及断路器的状态信息；
S32、构造数字化变电站故障解析函数；
S33、初始化各个参数，输入各保护的当前状态st；
S34、采用双深度Q网络计算Q值；
S35、依据贪婪策略对当前状态st执行动作at，在动作效果评估后得到回报r，并获得下一状态st+1；
S36、判断是否达到最大训练次数T，若达到最大训练次数，则结束训练确定数字化变电站故障，否则基于当前状态选择下一个动作；
S37、重复步骤S35至步骤S36直到满足终止条件。
表1是数字化变电站故障的实际状况。本发明选取了三种不同的故障场景来对本发明所提故障处置方法与考虑保护动作优先权的故障处置方法以及考虑冗余告警信息的故障处置方法进行对比分析。
表1
表2是三种处置方法的处置速度以及处置精度对比。从表2中可以看出，本发明所提故障处置方法处置精度为100％，相比考虑保护动作优先权无误处置方法以及考虑冗余告警信息无误处置方法，本发明所提故障处置方法在故障处置精度上分别提高了37.5％以及25％；在场景3中故障确定时间上，相比于考虑保护动作优先权无误处置方法以及计及考虑冗余告警信息无误处置方法，本发明所提故障处置方法在确定故障时间上分别减少了23.4％以及35.11％；测试对比表明，本发明所提故障处置方法具有良好的适应性，在处置精度以及处置速度两方面均优于其他两种故障处置方法。
表2
图1是基于双深度Q网络的故障处置流程图。首先，当数字化变电站发生故障时，通过数字化方式获取各保护及断路器的状态信息，这时构造数字化变电站故障解析函数，初始化各个参数，输入各保护的当前状态；再采用双深度Q网络计算Q值，依据贪婪策略对当前状态执行动作，在动作效果评估后得到回报，并获得下一状态；最后判断是否达到最大训练次数，若达到最大训练次数，则结束训练确定数字化变电站故障，否则基于当前状态选择下一个动作；重复计算Q值、得到回报并获得下一状态、判断是否达到最大训练次数，直到满足终止条件。
图2是算例系统结构图。以某数字化变电站系统线路图进行算例分析，其中CB1～CB56为断路器，T1～T8为变压器，A1～A4为母线，L1～L18为线路。
图3是场景1下三种处置方法的处置结果。从图3可以看出，在简单故障场景1中，三种故障处置方法都能精准的找出故障A1、L1，并且没有发生误诊现象。
图4和图5分别是场景2和场景3下三种处置方法的处置结果。从图4和图5可以看出，复杂故障场景2、场景3中，本发明所提故障处置方法能将所有数字化变电站故障找出并且没出现误诊断现象，但是考虑保护动作优先权故障处置方法以及考虑冗余告警信息故障处置方法均没有将数字化变电站故障全部找出，并且出现了不同程度的误诊现象。可以分析得出，本发明所提故障处置方法无论是在简单故障场景还是复杂故障场景下均能够准确无误的找出数字化变电站故障。
Claims (3)
1.一种适用于数字化移交场景的变电站故障处置方法，其特征在于，该方法包括以下步骤：
S1、采用复合加权法设计复合贡献因子，并基于复合贡献因子得到改进的数字化变电站故障解析模型；
采用最小鉴别法对主观贡献因子和客观贡献因子进行最优复合，得到复合贡献因子：
其中，wh为数字化变电站各设备的第h项处置指标的主观贡献因子，w′h为数字化变电站各设备的第h项处置指标的客观贡献因子，
为数字化变电站各设备的第h项处置指标的复合贡献因子；
基于复合贡献因子的数字化变电站故障解析模型如下：
其中，X* 1为数字化变电站内各设备的主保护的复合故障处置指标，X* 2为数字化变电站内各设备的近后备保护的复合故障处置指标，X* 3为数字化变电站内各设备的远后备保护的复合故障处置指标，X* 4为数字化变电站内各设备的断路器动作的复合故障处置指标，X* 5为数字化变电站内各设备的断路器失灵保护的复合故障处置指标，X* 6为数字化变电站内各设备的方向元件的复合故障处置指标，rkm为数字化变电站内各设备的主保护的实际动作变量，rkp为数字化变电站内各设备的近后备保护的实际动作变量，rks为数字化变电站内各设备的远后备保护的实际动作变量，rif为数字化变电站内各设备的断路器失灵保护的实际动作变量，rnd为数字化变电站内各设备的方向元件的实际动作变量，
为数字化变电站内各设备的主保护的期望动作变量，
为数字化变电站内各设备的近后备保护的期望动作变量，
为数字化变电站内各设备的远后备保护的期望动作变量，
为数字化变电站内各设备的断路器失灵保护的期望动作变量，
为数字化变电站内各设备的方向元件的期望动作变量，Ci为断路器实际动作变量，
为断路器期望动作变量，
为连或运算；
S2、将数字化变电站故障诊断表述为马尔科夫决策过程，建立双深度Q网络故障处置流程；具体包括以下步骤：
S21、建立双深度Q网络状态空间
数字化变电站故障发生前，状态空间为：
S：
其中，
为t时刻数字化变电站内各设备的主保护的状态，
为t时刻数字化变电站内各设备的近后备保护的状态，
为t时刻数字化变电站内各设备的远后备保护的状态，
为t时刻数字化变电站内各设备的方向元件的状态，
为t时刻数字化变电站内各设备的断路器的状态；
S22、建立双深度Q网络动作空间
双深度Q网络的动作集合如下所示：
A：
其中，
为t时刻数字化变电站内各设备的主保护的实际动作，
为t时刻数字化变电站内各设备的近后备保护的实际动作，
为t时刻数字化变电站内各设备的远后备保护的实际动作，
为t时刻数字化变电站内各设备的断路器失灵保护的实际动作，
为t时刻数字化变电站内各设备的方向元件的实际动作，
为t时刻数字化变电站内各设备的断路器的实际动作；
S23、建立状态转移函数
状态st转移到状态st+1可表示为：
st+1＝f(st，at，τt)
其中，st为当前时刻状态，st+1为下一时刻状态，at为当前时刻动作，τt为随机量；
S24、建立双深度Q网络奖励值函数
数字化变电站故障处置的目的是最小化故障解析模型中的函数E*(X)，t时刻的奖励值函数可表示为：
R(st，st+1，at)＝-E*[X(st，at)]
数字化变电站故障处置过程中的动作a优劣通过值函数Qπ(st，at)来评价，目标是利用最优策略π*使Qπ(st，at)最大化：
π*＝arg maxQπ(st，at)；
S3、将数字化变电站故障数据通过数字化方式输入改进的数字化变电站故障解析模型中，然后基于双深度Q网络故障处理流程确定数字化变电站故障。
2.根据权利要求1所述的一种适用于数字化移交场景的变电站故障处置方法，其特征在于：步骤S1中，客观贡献因子的计算步骤如下：
(1)对数字化变电站故障发生前后变电站内各设备的处置指标进行归一化处理：
其中，b′hj为归一化处理后的数字化变电站故障发生前后变电站内各设备的处置指标，bhj为数字化变电站故障发生前后变电站内各设备的主保护、近后备保护、远后备保护、断路器动作、断路器失灵保护以及方向元件的六项处置指标，bhj，min为数字化变电站内各设备的第h项处置指标在故障发生前后的最小值，bhj，max为数字化变电站内各设备的第h项处置指标在故障发生前后的最大值；j表示保护及断路器是否动作，j＝1表示不动作，j＝2表示动作；
(2)计算数字化变电站各设备的各项处置指标的标准差：
其中，
为数字化变电站各设备的第h项处置指标的平均值，sh为数字化变电站各设备的第h项处置指标的标准差；
(3)基于各标准差计算变异系数：
其中，Vh为数字化变电站各设备的第h项处置指标的变异系数；
(4)基于各变异系数计算客观贡献因子：
其中，w′h为数字化变电站各设备的第h项处置指标的客观贡献因子。
3.根据权利要求1所述的一种适用于数字化移交场景的变电站故障处置方法，其特征在于：步骤S3具体包括以下步骤：
S31、数字化变电站发生故障时，通过数字化方式获取各保护及断路器的状态信息；
S32、构造数字化变电站故障解析函数；
S33、初始化各个参数，输入各保护的当前状态st；
S34、采用双深度Q网络计算Q值；
S35、依据贪婪策略对当前状态st执行动作at，在动作效果评估后得到回报r，并获得下一状态st+1；
S36、判断是否达到最大训练次数T，若达到最大训练次数，则结束训练确定数字化变电站故障，否则基于当前状态选择下一个动作；
S37、重复步骤S35至步骤S36直到满足终止条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111599635.4A CN114266487B (zh) | 2021-12-24 | 2021-12-24 | 一种适用于数字化移交场景的变电站故障处置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111599635.4A CN114266487B (zh) | 2021-12-24 | 2021-12-24 | 一种适用于数字化移交场景的变电站故障处置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114266487A CN114266487A (zh) | 2022-04-01 |
| CN114266487B true CN114266487B (zh) | 2022-08-26 |
Family
ID=80829803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111599635.4A Active CN114266487B (zh) | 2021-12-24 | 2021-12-24 | 一种适用于数字化移交场景的变电站故障处置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114266487B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105974232A (zh) * | 2016-05-10 | 2016-09-28 | 国网山东省电力公司德州供电公司 | 一种适用于高压输电网的电网故障诊断方法 |
| CN109583751A (zh) * | 2018-11-27 | 2019-04-05 | 中国科学院空间应用工程与技术中心 | 有效载荷的故障决策方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10345358B2 (en) * | 2016-04-25 | 2019-07-09 | Qatar University | Smart fault detection device to anticipate impending faults in power transformers |
| CN110941918B (zh) * | 2019-12-30 | 2024-03-19 | 国网安徽省电力有限公司 | 智能化变电站故障分析系统 |
| CN113110089A (zh) * | 2021-04-29 | 2021-07-13 | 广东电网有限责任公司 | 一种家庭电器优化使用管理方法、装置、设备及介质 |
| CN113452026B (zh) * | 2021-06-29 | 2022-09-20 | 华中科技大学 | 一种电力系统薄弱评估智能体训练方法、评估方法和系统 |
| CN113676371A (zh) * | 2021-07-27 | 2021-11-19 | 南京邮电大学 | 一种基于深度q学习的网络故障检测与诊断方法 |
-
2021
- 2021-12-24 CN CN202111599635.4A patent/CN114266487B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105974232A (zh) * | 2016-05-10 | 2016-09-28 | 国网山东省电力公司德州供电公司 | 一种适用于高压输电网的电网故障诊断方法 |
| CN109583751A (zh) * | 2018-11-27 | 2019-04-05 | 中国科学院空间应用工程与技术中心 | 有效载荷的故障决策方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114266487A (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Application of NSGA-II algorithm for fault diagnosis in power system | |
| WO2022179302A1 (zh) | 配电网自愈重构规划方法、装置及终端 | |
| CN107609725B (zh) | 一种考虑变电站影响的输电网风险评估方法 | |
| CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
| CN109740863A (zh) | 基于大电源接入系统的综合评价方法 | |
| CN106709651B (zh) | 一种基于风险理论的电力系统安全性评估系统 | |
| CN111144638B (zh) | 一种基于大数据的配电网运行态势预测方法 | |
| Wei et al. | Waveform matching approach for fault diagnosis of a high-voltage transmission line employing harmony search algorithm | |
| CN109034676B (zh) | 不完备指标权重信息下的配电网故障恢复方案区间评估方法 | |
| CN110361609B (zh) | 特高压设备监测系统及方法 | |
| CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
| CN112232381B (zh) | 主导负荷参数类噪声辨识的模型参数后处理方法和装置 | |
| CN111426905A (zh) | 一种配电网同母线变关系异常诊断方法、装置及系统 | |
| CN112070413A (zh) | 一种基于小样本条件下牵引供电系统的可靠性研究方法 | |
| CN115587685A (zh) | 含高渗透率分布式电源的韧性配电网评价体系 | |
| CN114266487B (zh) | 一种适用于数字化移交场景的变电站故障处置方法 | |
| CN110676844A (zh) | 一种智能配电网负荷转移方法及装置 | |
| CN114123194A (zh) | 一种基于贝叶斯模型的中压配电网拓扑修正方法 | |
| CN111628498A (zh) | 一种考虑配电网可靠性的多目标配电网重构方法和装置 | |
| CN110874672A (zh) | 基于量子遗传算法的farima模型电力负荷预测方法 | |
| CN111126821A (zh) | 一种适用于核心元器件国产化继电保护的测试性指标评价方法 | |
| CN112463362A (zh) | 多信息边缘计算的干式变压器故障模式识别系统及方法 | |
| CN114967649A (zh) | 紧急切机控制措施整定的智能体训练方法、预整定方法 | |
| CN112001073A (zh) | 一种牵引供电系统的可靠性分析研究方法 | |
| Du et al. | Fault diagnosis method of automation equipment in independent and controllable substation based on deep reinforcement learning |
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 |