CN115166414A - 一种电网故障监测方法及系统 - Google Patents

一种电网故障监测方法及系统 Download PDF

Info

Publication number
CN115166414A
CN115166414A CN202210734404.8A CN202210734404A CN115166414A CN 115166414 A CN115166414 A CN 115166414A CN 202210734404 A CN202210734404 A CN 202210734404A CN 115166414 A CN115166414 A CN 115166414A
Authority
CN
China
Prior art keywords
fault
information
diagnosis
bayesian network
time sequence
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
Application number
CN202210734404.8A
Other languages
English (en)
Inventor
于勇
李来春
姜曈晟
陈存汉
许飞
张志龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liangshan Power Supply Co Of State Grid Shandong Electric Power Co
State Grid Corp of China SGCC
Jining Power Supply Co
Original Assignee
Liangshan Power Supply Co Of State Grid Shandong Electric Power Co
State Grid Corp of China SGCC
Jining Power Supply Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liangshan Power Supply Co Of State Grid Shandong Electric Power Co, State Grid Corp of China SGCC, Jining Power Supply Co filed Critical Liangshan Power Supply Co Of State Grid Shandong Electric Power Co
Priority to CN202210734404.8A priority Critical patent/CN115166414A/zh
Publication of CN115166414A publication Critical patent/CN115166414A/zh
Pending legal-status Critical Current

Links

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
    • G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出了一种电网故障监测方法及系统，包括S1、根据断路器与保护信息，通过已知动作信息识别疑似故障区域；S2、对故障区域中的节点构建蕴含时序属性的贝叶斯网络诊断模型；S3、基于贝叶斯网络和专家系统进行综合故障诊断；为了增强专家系统的容错性，实现对全系统复杂多重故障的精确诊断，本发明将贝叶斯网络的故障诊断方法融入专家系统的方法，可有效提升故障线路辨识的准确率，可有效降低信号传输噪音或误差对故障辨识准确率产生的影响，提高电网运行的安全性。

Description

一种电网故障监测方法及系统
技术领域
本发明属于电网故障监测领域，尤其涉及一种电网故障监测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
现阶段，人们对于供电质量的要求越来越高，电网建设的规模也在加大，电路结构日趋复杂。此时，一旦电网设备出现故障，将会直接影响相当数量的用电用户的正常用电，故障处理不当将会引起巨大的且无法逆转的经济社会损失，甚至伤及生命。因此，对电网故障的及时发现与处理显得尤为重要。
目前应用广泛的电网故障监测方法包括专家系统、人工神经网络、支持向量机、遗传算法、Petri网以及信息融合技术等，电网发生故障时，大量的故障信息会涌入调度控制中心，由于信号传输噪音的影响，容易产生故障情况的误判。导致故障处理不及时妥当，引发更严重的连锁故障，进而造成巨大损失。
发明内容
为克服上述现有技术的不足，本发明提供了一种电网故障监测方法及系统。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了一种电网故障监测方法，包括如下步骤：
S1、根据断路器与保护信息，通过已知动作信息识别疑似故障区域；
S2、对故障区域中的节点构建蕴含时序属性的贝叶斯网络诊断模型；
S2.1对于蕴含时序属性的贝叶斯网络诊断模型进行赋值；
通过设备的年故障频率w计算元件节点的故障先验概率；
计算断路器与保护装置联动的故障先验概率；
S2.2信息的时序一致性识别；
对于元件ci，其继电保护动作时序规则为Rule(ci)，获得的与ci关联的故障信息集为S＝S(0)∪S(1)；其中，S(0)为继电保护闭合信息集，S(1)为继电保护动作信息集；
ci的故障信息的一致性时序识别就是在S(1)中找出满足Rule(ci)的最大化信息集SRMax(1)；
S2.3确定故障元件概率
计算已知故障信息各条件下元件故障的后验概率，由此便可以得到元件的故障概率；
S3、基于贝叶斯网络和专家系统进行综合故障诊断
S3.1用贝叶斯网络模拟大量故障过程，得到诊断结果，选择高可信度的贝叶斯诊断结果融入专家系统的知识库；
S3.2故障发生时，利用专家系统的知识库去识别故障，找出故障元件；当某故障发生后专家系统无法判别，则用贝叶斯网络进行诊断，可信度为0则直接丢弃；
S3.3结合傅里叶变换、小波分析的定量分析方法确定故障类型。
本发明第二方面提供了一种电网故障监测系统，包括：
故障区域识别模块，被配置为：根据断路器与保护信息，通过已知动作信息识别疑似故障区域；
贝叶斯网络诊断模型构建模块，被配置为：对故障区域中的节点构建蕴含时序属性的贝叶斯网络诊断模型；
综合故障诊断模块，被配置为：基于贝叶斯网络和专家系统进行综合故障诊断；
所述贝叶斯网络诊断模型构建模块还包括：贝叶斯网络诊断模型赋值模块，被配置为：通过设备的年故障频率w计算元件节点的故障先验概率；计算断路器与保护装置联动的故障先验概率；
信息的时序一致性识别模块，被配置为：对于元件ci，其继电保护动作时序规则为Rule(ci)，获得的与ci关联的故障信息集为S＝S(0)∪S(1)；其中，S(0)为继电保护闭合信息集，S(1)为继电保护动作信息集；
ci的故障信息的一致性时序识别就是在S(1)中找出满足Rule(ci)的最大化信息集SRMax(1)；
故障元件概率确定模块，被配置为：计算已知故障信息各条件下元件故障的后验概率，由此便可以得到元件的故障概率；
所述综合故障诊断模块还包括：贝叶斯诊断结果融入模块，被配置为：用贝叶斯网络模拟大量故障过程，得到诊断结果，选择高可信度的贝叶斯诊断结果融入专家系统的知识库；
故障识别模块，被配置为：故障发生时，利用专家系统的知识库去识别故障，找出故障元件；当某故障发生后专家系统无法判别，则用贝叶斯网络进行诊断，可信度为0则直接丢弃；
故障类型确定模块，结合傅里叶变换、小波分析的定量分析方法确定故障类型。
本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的电网故障监测方法中的步骤。
本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的电网故障监测方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
(1)为了增强专家系统的容错性，实现对全系统复杂多重故障的精确诊断，本发明将贝叶斯网络的故障诊断方法融入专家系统的方法，可有效提升故障线路辨识的准确率，可有效降低信号传输噪音或误差对故障辨识准确率产生的影响，提高电网运行的安全性。
(2)利用本发明提出的一种电网故障监测方法，将精确推理变为概率推理，在原有知识的基础上进行辅助预测、决策以及分析，建立完备的专家系统知识库。在故障诊断过程中，对于每种故障假设，综合完善的专家系统、贝叶斯网络诊断和精确的定量分析，准确进行故障监测、故障定位。
(3)充分应用了继电保护信息的时序属性，有效提高了诊断结果的准确性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的局部电力系统继电保护示意图。
图2为第一个实施例的元件B1的蕴含时序属性的贝叶斯网络拓扑图。
图3为第一个实施例的贝叶斯入库流程图。
图4为第一个实施例的故障联合诊断方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本申请提供一种电网故障监测方法，包括：
S1、确定故障区域
从电网故障信息系统读取故障录波数据数据，提取主要故障特征分量，包括故障元件及位置、故障性质、故障类型、过渡电阻值、故障电流大小、保护动作时间、保护动作元件、开关分合闸时间、分合闸电流大小等；
根据系统中断路器与保护信息，通过已知动作信息识别疑似故障区域；
S2、对故障区域中的节点构建蕴含时序属性的贝叶斯网络诊断模型；
贝叶斯网络(Bayesian Network)是一种用来表示和推理不确定性知识的模型，是一种将因果知识和概率知识相结合的信息表示框架，贝叶斯网络是一个有向无环图，其中节点代表论域中的变量，有向弧代表变量间的关系，变量之间的关系强度由节点与其父节点之间的条件概率来表示。这种表示在故障诊断中可以准确地反映它们之间的依赖关系，并通过条件概率反映信息的不确定性。
在网络中，定性信息通过网络的拓扑结构表达，定量信息通过节点的联合概率密度表示。其数学描述:若论域U＝{x1,x2,…,xn}，其中，x1,x2,…,xn对应于网络中各节点，则联合概率P(x1,x2,…,xn)为：
Figure BDA0003715150070000051
式中，parent(xi)表示xi父节点的集合。
对一具有m个基本事件{xi1}，{xi2}，…，{xim}的随机变量xi，假设xi外所有与其相关变量的观察结果V＝(x1,…,xi-1,xi+1,…,xn)，则其条件概率为：
Figure BDA0003715150070000061
由于贝叶斯网络中关联节点间的影响存在着时间滞后，当计及信息的时序属性时，可以建立蕴含时序属性的贝叶斯网络。电网中元件关联的继电保护装置都设有整定动作时限，把它融合于贝叶斯网络中，即可建立蕴含时序属性的贝叶斯网络模型，考虑继电保护装置动作时间上的排序关系，根据元件蕴含时序属性的贝叶斯网络模型，可得到相应的时序规则，据此对故障信息进行时序一致性识别，即可筛选出符合时序规则的故障信息。
局部电力继电保护系统如图1所示，运用贝叶斯网络方法对其进行故障诊断的建模，其中有根节点的元件节点ci和继电保护节点Sj；ci是由可能导致系统出现继电保护信息的元件组成，ci＝0和ci＝1分别表示为“正常”和“故障”状态；Sj＝0和Sj＝1分别表示为“不动作”和“动作”状态，其状态一般可通过观测获得，并组成继电保护信息。
对于图1中的系统，根据母线B1发生故障时关联继电保护装置动作原理和时序属性，建立B1的蕴含时序属性的贝叶斯网络拓扑结构如图2所示；
S2.1对于蕴含时序属性的贝叶斯网络诊断模型进行赋值
对于各个元件节点的贝叶斯网络诊断模型，求解各个节点的故障先验概率；贝叶斯网络推理需要设置先验概率，它们是根节点的概率值和所有子节点在其母节点给定下的条件概率值。这些先验概率，可以是由大量历史的样本数据统计分析得到的，也可由领域专家长期的知识或经验总结主观给出的，或者根据具体情况事先假设给定。
本实施例对于元件节点的故障先验概率，通过设备的年故障频率w进行计算，即设备连续运行一段时间t后，发生故障的概率就是故障时间间隔为t的概率，
P1(T≤t)＝1-e-wt
式中T为设备连续无故障运行的时间，本实施例中t＝0.5；
对于断路器与保护装置联动的故障先验概率P2，P2通过以下公式进行求取：
Figure BDA0003715150070000071
式中，parent(xi)表示xi父节点的集合。
S2.2信息的时序一致性识别
对信息时序一致性的识别就是在故障信息中筛选出符合某一元件故障触发动作时序的信息。其信息的不一致是由其他关联元件故障或继电保护装置误动产生的，而不是该元件故障触发动作的，这些信息对故障诊断结果会产生负面干扰。
在实际运行中，当继电保护信息出现时，可通过事件顺序记录(SER)确定继电保护动作的时序，对故障信息进行时序一致性识别时，只需考虑继电保护出现动作的信息。在识别筛选后出现的不一致信息，不能应用于该元件的故障诊断。
对于元件ci，其继电保护动作时序规则为Rule(ci)，获得的与ci关联的故障信息集为S＝S(0)∪S(1)。其中，S(0)为继电保护闭合信息集，S(1)为继电保护动作信息集，ci的故障信息的一致性时序识别就是在S(1)中找出满足Rule(ci)的最大化信息集SRMax(1)。这里，最大化表达的是集合SRMax(1)的元素个数最多，这样就充分合理地利用了时序属性，其算法为：
(1)识别比较信息时序，以S(1)中每个元素Sj(1)为基时，以规则Rule(ci)扫描识别其它元素，获得时序一致性信息集SRj(1)；
(2)获得时序一致的最大化信息集，根据SRj(1)，通过比较元素个数得到SRMax(1)；
(3)修正时序不一致信息，在SRMax(1)基础上的时序不一致动作信息集Srest(1)＝S(1)-SRmax(1)，这些动作信息不是元件ci触发动作的，对于元件ci的故障诊断而言应修正为闭合状态，即将Srest(1)修正为Srest(0)；
(4)通过以上步骤得到继电保护时序一致性，用于元件ci的故障诊断信息集SF；SF＝S(0)∪Srest(0)∪SRmax(1)
S2.3贝叶斯网络的故障诊断推理
通过建立每个元件的故障诊断贝叶斯网络，根据已知节点的动作状态，可以通过贝叶斯网络的逆向推理得到根节点各种状态下的概率，也就是依据式(2)计算已知故障信息各条件下元件故障的后验概率，由此便可以得到元件的故障概率；
S3、基于贝叶斯网络和专家系统的综合故障诊断
故障诊断专家系统拥有一个包含大量故障诊断知识和经验的知识库，根据申力专家提供的知识和经验进行推理和判新，模拟专家的决策过程，以解决需要专家决策的复杂问题。当系统发生故障时，专家系统将接收到一系列来源于故障录波器或者SCADA的报警和事件信息，专家系统将在模型库中进行模拟，以搜索出与所获得的的报警或事件协调一致的故障原因。
用贝叶斯网络模拟尽量多的故障过程，得到诊断结果，选择高可信度的贝叶斯诊断结果融入专家系统的知识库。假设贝叶斯诊断结果可信度为Rbayes，则定义：
Figure BDA0003715150070000081
其中P(M)为故障区域内元件的贝叶斯诊断故障概率，当所有元件的故障概率均在(0.4,0.8)区间时可信度为0，均不在该区间时可信度为1，其它情况可信度为0.5。贝叶斯网络诊断结果融入知识库示意图如图3。
用贝叶斯网络诊断可以构建完备的专家系统知识库，故障发生时，可以利用完备的知识库去识别故障，找出故障元件。当某故障发生后专家系统无法判别，则用贝叶斯网络进行诊断，可信度为0则直接丢弃，最后结合傅里叶变换、小波分析等定量分析方法确定故障类型，诊断过程如图4所述。
实施例二
本发明第二方面提供了一种电网故障监测系统，包括：故障区域识别模块，被配置为：根据断路器与保护信息，通过已知动作信息识别疑似故障区域；
贝叶斯网络诊断模型构建模块，被配置为：对故障区域中的节点构建蕴含时序属性的贝叶斯网络诊断模型；
综合故障诊断模块，被配置为：基于贝叶斯网络和专家系统进行综合故障诊断；
所述贝叶斯网络诊断模型构建模块还包括：贝叶斯网络诊断模型赋值模块，被配置为：通过设备的年故障频率w计算元件节点的故障先验概率；计算断路器与保护装置联动的故障先验概率；
信息的时序一致性识别模块，被配置为：对于元件ci，其继电保护动作时序规则为Rule(ci)，获得的与ci关联的故障信息集为S＝S(0)∪S(1)；其中，S(0)为继电保护闭合信息集，S(1)为继电保护动作信息集；
ci的故障信息的一致性时序识别就是在S(1)中找出满足Rule(ci)的最大化信息集SRMax(1)；
故障元件概率确定模块，被配置为：计算已知故障信息各条件下元件故障的后验概率，由此便可以得到元件的故障概率；
所述综合故障诊断模块还包括：贝叶斯诊断结果融入模块，被配置为：用贝叶斯网络模拟大量故障过程，得到诊断结果，选择高可信度的贝叶斯诊断结果融入专家系统的知识库；
故障识别模块，被配置为：故障发生时，利用专家系统的知识库去识别故障，找出故障元件；当某故障发生后专家系统无法判别，则用贝叶斯网络进行诊断，可信度为0则直接丢弃；
故障类型确定模块，结合傅里叶变换、小波分析的定量分析方法确定故障类型。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例1所述的一种电网故障监测方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的电网故障监测方法中的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种电网故障监测方法，其特征在于，包括如下步骤：
S1、根据断路器与保护信息，通过已知动作信息识别疑似故障区域；
S2、对故障区域中的节点构建蕴含时序属性的贝叶斯网络诊断模型；
S2.1对于蕴含时序属性的贝叶斯网络诊断模型进行赋值；
通过设备的年故障频率w计算元件节点的故障先验概率；
计算断路器与保护装置联动的故障先验概率；
S2.2信息的时序一致性识别；
对于元件ci，其继电保护动作时序规则为Rule(ci)，获得的与ci关联的故障信息集为S＝S(0)∪S(1)；其中，S(0)为继电保护闭合信息集，S(1)为继电保护动作信息集；
ci的故障信息的一致性时序识别就是在S(1)中找出满足Rule(ci)的最大化信息集SRMax(1)；
S2.3确定故障元件概率
计算已知故障信息各条件下元件故障的后验概率，由此便可以得到元件的故障概率；
S3、基于贝叶斯网络和专家系统进行综合故障诊断
S3.1用贝叶斯网络模拟大量故障过程，得到诊断结果，选择高可信度的贝叶斯诊断结果融入专家系统的知识库；
S3.2故障发生时，利用专家系统的知识库去识别故障，找出故障元件；当某故障发生后专家系统无法判别，则用贝叶斯网络进行诊断，可信度为0则直接丢弃；
S3.3结合傅里叶变换、小波分析的定量分析方法确定故障类型。
2.如权利要求1所述的电网故障监测方法，其特征在于，所述S1包括：从电网故障信息系统读取故障录波数据数据，提取主要故障特征分量，包括故障元件及位置、故障性质、故障类型、过渡电阻值、故障电流大小、保护动作时间、保护动作元件、开关分合闸时间、分合闸电流大小。
3.如权利要求1所述的电网故障监测方法，其特征在于，所述S2.2具体包括：
(1)识别比较信息时序；
以S(1)中每个元素Sj(1)为基时，以规则Rule(ci)扫描识别其它元素，获得时序一致性信息集SRj(1)；
(2)获得时序一致的最大化信息集；
根据SRj(1)，通过比较元素个数得到SRMax(1)；
(3)修正时序不一致信息；
在SRMax(1)基础上的时序不一致动作信息集Srest(1)＝S(1)-SRmax(1)，这些动作信息不是元件ci触发动作的，对于元件ci的故障诊断而言应修正为闭合状态，即将Srest(1)修正为Srest(0)；
(4)通过以上步骤得到继电保护时序一致性，用于元件ci的故障诊断信息集SF；SF＝S(0)∪Srest(0)∪SRmax(1)。
4.如权利要求1所述的电网故障监测方法，其特征在于，所述S2.3包括：
对一具有m个基本事件{xi1}，{xi2}，…，{xim}的随机变量xi，假设xi外所有与其相关变量的观察结果V＝(x1,…,xi-1,xi+1,…,xn)，则其条件概率为：
Figure FDA0003715150060000031
5.如权利要求1所述的电网故障监测方法，其特征在于，所述的贝叶斯诊断结果可信度为
Figure FDA0003715150060000032
6.一种电网故障监测系统，其特征在于，包括：
故障区域识别模块，被配置为：根据断路器与保护信息，通过已知动作信息识别疑似故障区域；
贝叶斯网络诊断模型构建模块，被配置为：对故障区域中的节点构建蕴含时序属性的贝叶斯网络诊断模型；
综合故障诊断模块，被配置为：基于贝叶斯网络和专家系统进行综合故障诊断；
所述贝叶斯网络诊断模型构建模块还包括：贝叶斯网络诊断模型赋值模块，被配置为：通过设备的年故障频率w计算元件节点的故障先验概率；计算断路器与保护装置联动的故障先验概率；
信息的时序一致性识别模块，被配置为：对于元件ci，其继电保护动作时序规则为Rule(ci)，获得的与ci关联的故障信息集为S＝S(0)∪S(1)；其中，S(0)为继电保护闭合信息集，S(1)为继电保护动作信息集；
ci的故障信息的一致性时序识别就是在S(1)中找出满足Rule(ci)的最大化信息集SRMax(1)；
故障元件概率确定模块，被配置为：计算已知故障信息各条件下元件故障的后验概率，由此便可以得到元件的故障概率；
所述综合故障诊断模块还包括：贝叶斯诊断结果融入模块，被配置为：用贝叶斯网络模拟大量故障过程，得到诊断结果，选择高可信度的贝叶斯诊断结果融入专家系统的知识库；
故障识别模块，被配置为：故障发生时，利用专家系统的知识库去识别故障，找出故障元件；当某故障发生后专家系统无法判别，则用贝叶斯网络进行诊断，可信度为0则直接丢弃；
故障类型确定模块，结合傅里叶变换、小波分析的定量分析方法确定故障类型。
7.如权利要求6所述的一种电网故障监测系统，其特征在于：所述信息的时序一致性识别模块具体包括：
(1)识别比较信息时序；
以S(1)中每个元素Sj(1)为基时，以规则Rule(ci)扫描识别其它元素，获得时序一致性信息集SRj(1)；
(2)获得时序一致的最大化信息集；
根据SRj(1)，通过比较元素个数得到SRMax(1)；
(3)修正时序不一致信息；
在SRMax(1)基础上的时序不一致动作信息集Srest(1)＝S(1)-SRmax(1)，这些动作信息不是元件ci触发动作的，对于元件ci的故障诊断而言应修正为闭合状态，即将Srest(1)修正为Srest(0)；
(4)通过以上步骤得到继电保护时序一致性，用于元件ci的故障诊断信息集SF；SF＝S(0)∪Srest(0)∪SRmax(1)。
8.如权利要求6所述的一种电网故障监测系统，其特征在于：
所述的贝叶斯诊断结果可信度为
Figure FDA0003715150060000051
9.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的一种电网故障监测方法中的步骤。
10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的一种电网故障监测方法中的步骤。
CN202210734404.8A 2022-06-27 2022-06-27 一种电网故障监测方法及系统 Pending CN115166414A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210734404.8A CN115166414A (zh) 2022-06-27 2022-06-27 一种电网故障监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210734404.8A CN115166414A (zh) 2022-06-27 2022-06-27 一种电网故障监测方法及系统

Publications (1)

Publication Number Publication Date
CN115166414A true CN115166414A (zh) 2022-10-11

Family

ID=83486877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210734404.8A Pending CN115166414A (zh) 2022-06-27 2022-06-27 一种电网故障监测方法及系统

Country Status (1)

Country Link
CN (1) CN115166414A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116539128A (zh) * 2023-06-26 2023-08-04 成都秦川物联网科技股份有限公司 智慧燃气超声波计量仪表准确度诊断方法及物联网系统
US12007251B2 (en) 2023-06-26 2024-06-11 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and internet of things (IoT) systems for diagnosing accuracy of smart gas ultrasonic meters

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116539128A (zh) * 2023-06-26 2023-08-04 成都秦川物联网科技股份有限公司 智慧燃气超声波计量仪表准确度诊断方法及物联网系统
CN116539128B (zh) * 2023-06-26 2023-11-17 成都秦川物联网科技股份有限公司 智慧燃气超声波计量仪表准确度诊断方法及物联网系统
US12007251B2 (en) 2023-06-26 2024-06-11 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and internet of things (IoT) systems for diagnosing accuracy of smart gas ultrasonic meters

Similar Documents

Publication Publication Date Title
CN109787817B (zh) 网络故障诊断方法、装置和计算机可读存储介质
CN110286333B (zh) 一种锂动力电池系统故障诊断方法
JP4557337B2 (ja) Ｘリストに基づく多重エラー及び故障を診断する方法並びにシステム
JPWO2008114863A1 (ja) 診断装置
US20210262900A1 (en) Method and apparatus for monitoring operating data of boiler based on bayesian network
CN110018390B (zh) 基于综合变权的分层模糊petri网电网故障诊断方法
Marvasti et al. An anomaly event correlation engine: Identifying root causes, bottlenecks, and black swans in IT environments
CN112379325A (zh) 一种用于智能电表的故障诊断方法及系统
US20210359899A1 (en) Managing Event Data in a Network
CN115166414A (zh) 一种电网故障监测方法及系统
CN112559316A (zh) 软件测试方法和设备、计算机存储介质以及服务器
Krishnamoorthy et al. Simultaneous sensor and process fault detection and isolation in multiple-input–multiple-output systems
CN112965460B (zh) 故障诊断方法、装置及存储介质
CN114529067A (zh) 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
CN116593883A (zh) 一种智能化高压开关的断路器本体故障诊断方法、装置、设备及存储介质
Mondal et al. Sequential Modeling and Knowledge Source Integration for Identifying the Structure of a Bayesian Network for Multistage Process Monitoring and Diagnosis
Perreault et al. Deriving prognostic continuous time Bayesian networks from D-matrices
CN116049642A (zh) 一种故障诊断方法、系统、电子设备及计算机存储介质
Amati et al. An incremental approach to functional diagnosis
Ibraigheeth et al. Software reliability prediction in various software development stages
Li et al. A framework for supporting intelligent fault and performance management for communication networks
Kulkarni et al. Fault diagnosis for distributed systems using accuracy technique
CN111240881A (zh) 基于贝叶斯网络的Web服务组合异常诊断方法
CN112948154A (zh) 一种系统异常诊断方法、装置及存储介质
Kurz et al. Dynamic maintenance in semiconductor manufacturing using Bayesian networks

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