CN115564075A - 一种城市电网主配一体故障协同诊断方法、系统 - Google Patents
一种城市电网主配一体故障协同诊断方法、系统 Download PDFInfo
- Publication number
- CN115564075A CN115564075A CN202211550312.0A CN202211550312A CN115564075A CN 115564075 A CN115564075 A CN 115564075A CN 202211550312 A CN202211550312 A CN 202211550312A CN 115564075 A CN115564075 A CN 115564075A
- Authority
- CN
- China
- Prior art keywords
- matrix
- fault
- distribution network
- network
- module
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 149
- 238000000513 principal component analysis Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims description 30
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000013139 quantization Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 238000012847 principal component analysis method Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种城市电网主配一体故障协同诊断方法、系统,所述方法包括获取主网‑配网协同动态数据矩阵;根据所述主网‑配网协同动态数据矩阵确定主网‑配网协同的基于核主元分析的故障诊断模型;采集实时数据,并将所述实时数据输入所述主网‑配网协同的基于核主元分析的故障诊断模型,确定故障诊断结果。建立基于informer模型和KPCA的城市电网主配一体协同故障诊断模型,实现城市电网的故障协同检测,为电网操作人员进行快速处置提供辅助决策。避免了物理模型复杂、参数无法识别的难点,同时具有快速处理、实时检测的优点,能够准确及时发现城市电网主配网的故障隐患,降低维护成本,保护设备和人员的财产安全,提高配网运维效率。
Description
技术领域
本发明属于电力系统及其自动化、计算机科学与技术领域,特别涉及一种城市电网主配一体故障协同诊断方法、系统。
背景技术
随着新能源发电、智能电网、特高压输电互联等新兴技术的高速发展,我国电网正成为一个全国范围内互联性逐渐增强的、集成了更加复杂的发电和控制设备的超大规模电网。以新能源高渗透、特高压输电互联、电网数字化智能化为发展趋势的现代电力系统安全稳定运行面临着诸多挑战,使电力系统的动态特性呈现出新特点,这对电力系统运行的安全性和稳定性提出了更高的要求。
主成分分析法是一种多元统计分析方法,利用降维的思想,将多个指标转化为若干综合指标。主成分分析方法是将高维信息投影到低维子空间,最大程度保留数据的原始信息,其基本思想是:寻找一组低维的新变量代替高维的原变量,且新变量是原变量的线性组合。低维的新变量数据更集中的反应了原变量数据所包含的变化信息,根据数据变化的方差大小来确定变化方向的主次地位,按主次顺序得到主成分,依次称为第一主成分、第二主成分等,这些主成分之间是相互独立的。动态主成分分析法是将动态序列数据的构造和主成分分析法相结合的一种新型多元统计学建模方法。此方法利用动态时间序列将原变量的静态数据,扩展成动态时间数据,通过对动态时间数据的分析,可以简化原始数据分析的复杂程度,有效地提取系统变量间的动态关系,在保证预测精度的情况下提高评估效率。
通过数字化仿真和人工智能方法为故障诊断模型的预测和实际诊断提供仿真和真实物理协同环境,具有高精度,高实时性,良好交互性的特点,为城市电网主配协同故障处置提供重要技术手段,切实提升城市电网智能化、安全性、可靠性,助理数字电网的转型升级。
现有的电网运行状态评估方法仍然以机器记录与人工分析和观测为主,暂时没有实现预测的功能,人工智能方法在运行状态监测中的应用也尚未成熟。另一方面,现有的电网监测方法以局部点为主,并未实现主网-配网协同监测与处置的功能。
发明内容
针对上述问题,本发明提出一种城市电网主配一体故障协同诊断方法,所述方法包括:
获取主网-配网协同动态数据矩阵;
根据所述主网-配网协同动态数据矩阵确定主网-配网协同的基于核主元分析的故障诊断模型;
采集实时数据,并将所述实时数据输入所述主网-配网协同的基于核主元分析的故障诊断模型,确定故障诊断结果。
进一步的,获取主网-配网协同动态数据矩阵前还包括对城市电网主网和配网的实时运行数据进行预处理、补全并去噪。
进一步的,所述对城市电网主网和配网的实时运行数据进行预处理后还包括对所述预处理后的数据提取典型故障特征,建立关联约束知识库。
进一步的,对城市电网主网和配网的实时运行数据进行补全并去噪包括:
通过时间序列预测模型对所述预处理后的数据进行补全并形成完整的时间序列信号;
将所述时间序列信号进行小波包分解;
根据第一阈值对所述小波包分解后的系数进行阈值量化处理;
对所述阈值量化处理的小波包信号重构,完成去噪。
进一步的,获取主网-配网协同动态数据矩阵包括:
分别建立在第一时刻、第一时间尺度主网和配网的监测量数据矩阵;
根据所述主网和配网的监测量数据矩阵确定主网-配网协同动态数据矩阵。
进一步的,根据所述主网-配网协同动态数据矩阵确定主网-配网协同的基于核主元分析的故障诊断模型包括:
将所述主网-配网协同动态数据矩阵映射到高维空间中,得到非线性映射样本;
根据所述非线性映射样本确定所述高维空间中的核矩阵;
计算所述核矩阵的协方差矩阵,并确定所述协方差矩阵的特征值和单位特征向量;
根据所述单位特征向量和所述核矩阵确定非线性主元,并根据所述非线性主元进行主网-配网协同的基于核主元分析的故障诊断模型构建。
进一步的,采集实时数据,并将所述实时数据输入所述主网-配网协同的基于核主元分析的故障诊断模型,确定故障诊断结果包括:
确定所述核矩阵的载荷矩阵;
根据所述载荷矩阵和单位矩阵确定所述实时数据的误差贡献量;
根据所述误差贡献量确定故障诊断结果。
本发明还提供一种城市电网主配一体故障协同诊断系统,所述系统包括:获取单元、模型确定单元和故障确定单元;
获取单元,用于获取主网-配网协同动态数据矩阵;
模型确定单元,与所述获取单元通信连接,用于根据所述主网-配网协同动态数据矩阵确定主网-配网协同的基于核主元分析的故障诊断模型;
故障确定单元,与所述模型确定单元通信连接,用于采集实时数据,并将所述实时数据输入所述主网-配网协同的基于核主元分析的故障诊断模型,确定故障诊断结果。
进一步的,所述系统还包括预处理单元、补全单元和去噪单元;
预处理单元,用于对城市电网主网和配网的实时运行数据进行预处理;
补全单元,与所述预处理单元通信连接,用于对所述预处理后的数据进行补全;
去噪单元,与所述补全单元通信连接,用于对补全的数据进行去噪。
进一步的,所述系统还包括关联单元,与所述预处理单元通信连接,用于对所述预处理后的数据提取典型故障特征,建立关联约束知识库。
进一步的,所述去噪单元包括分解模块、量化模块和重构模块;
分解模块,用于接收所述补全单元发送的完整的时间序列信号,并将所述时间序列信号进行小波包分解;
量化模块,与所述分解模块通信连接,用于根据第一阈值对所述小波包分解后的系数进行阈值量化处理;
重构模块,与所述量化模块通信连接,用于对所述阈值量化处理的小波包信号重构,完成去噪。
进一步的,所述获取单元包括矩阵模块和第一确定模块,
所述矩阵模块,用于分别建立在第一时刻、第一时间尺度主网和配网的监测量数据矩阵;
第一确定模块,与矩阵模块通信连接,用于根据所述主网和配网的监测量数据矩阵确定主网-配网协同动态数据矩阵。
进一步的,所述模型确定单元包括映射模块、核矩阵模块、第二确定模块、第三确定模块和构建模块;
映射模块,用于将所述主网-配网协同动态数据矩阵映射到高维空间中,得到非线性映射样本;
核矩阵模块,用于根据所述非线性映射样本确定所述高维空间中的核矩阵;
第二确定模块,用于计算所述核矩阵的协方差矩阵,并确定所述协方差矩阵的特征值和单位特征向量;
第三确定模块,用于根据所述单位特征向量和所述核矩阵确定非线性主元;
构建模块,用于根据所述非线性主元进行主网-配网协同的基于核主元分析的故障诊断模型构建。
进一步的,所述故障确定单元包括载荷模块、第四确定模块和比较模块;
载荷模块,用于确定所述核矩阵的载荷矩阵;
第四确定模块,用于根据所述载荷矩阵和单位矩阵确定所述实时数据的误差贡献量;
比较模块,用于比较所述误差贡献量确定故障诊断结果。
本发明的城市电网主配一体故障协同诊断方法、系统,基于城市电网主网和配网的历史数据和实时数据,利用主元分析-深度学习框架构成的电网运行状态数字模型,针对丢失数据的时序测量值通过预测方法进行数据补全,滤波,提取典型故障特征,建立基于informer模型(时间序列预测模型)和KPCA(Kernelbased Principle ComponentAnalysis-核主成分分析)的城市电网主配一体协同故障诊断模型,从而实现城市电网的故障协同检测,为电网操作人员进行快速处置提供辅助决策。该方法基于数据驱动理论,避免了物理模型复杂、参数无法识别的难点,同时具有快速处理、实时检测的优点,能够准确及时发现城市电网主配网的故障隐患,降低维护成本,保护设备和人员的财产安全,提高配网运维效率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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示出了本发明实施例中的城市电网主配一体故障协同诊断方法流程示意图;
图2示出了本发明实施例中的多源数据融合和特征提取流程示意图;
图3示出了本发明实施例中的Informer深度学习预测模型结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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做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。
本发明根据城市电网的实时和历史运行数据,构建主元分析-深度学习的电网运行状态数字化模型,对城市电网主网-配网故障进行协同检测与诊断。本发明提出一种基于数据驱动的协同诊断模型,不依赖电网拓扑结构和物理模型,解决了参数复杂、难以辨识等问题,该方法可以实时监测城市电网主网-配网运行状态,实现故障早期的协同诊断,缩短了运行评估时间、提高了检测效率。本发明的实施,能够从更大空间尺度范围实现主网-配网协同检测与诊断,从而使得故障诊断更加准确,处置更加及时,及早提出最优化运维方案,节约运行维护成本,提高城市电网的工作效率。
本发明公开了一种基于数字化仿真混合模型的城市电网主配一体故障协同诊断方法及系统,首先采集城市电网主网和配网的实时运行数据,进行数据预处理,提取典型故障的特征,建立关联约束知识库;然后针对故障数据的丢失数据情况,采用时间序列预测模型进行数据补全,之后利用多层小波重构方法进行降噪,并提取潜藏在时间序列信号中更加精确的信息。最后将预处理及补全的数据,形成主网-配网协同动态数据矩阵,输入数字化仿真模型中,利用核主元分析进行故障检测建模过程,最终输出带检测控制限的结果图,从而实现主配网协同故障诊断。相比于传统的检测方法,具有操作简单、目的性强、准确性高、速度快等优点。
本发明实施例中提供一种城市电网主配一体故障协同诊断方法,图1示出了所述诊断方法流程示意图,包括获取主网-配网协同动态数据矩阵;
根据所述主网-配网协同动态数据矩阵确定主网-配网协同的基于核主元分析的故障诊断模型;
采集实时数据,并将所述实时数据输入所述主网-配网协同的基于核主元分析的故障诊断模型,确定故障诊断结果。
具体的,获取主网-配网协同动态数据矩阵前还包括对城市电网主网和配网的实时运行数据进行预处理、补全并去噪。对城市电网主网和配网的实时运行数据进行补全并去噪包括:通过时间序列预测模型对所述预处理后的数据进行补全并形成完整的时间序列信号;将所述时间序列信号进行小波包分解;根据第一阈值对所述小波包分解后的系数进行阈值量化处理;对所述阈值量化处理的小波包信号重构,完成去噪。
具体的,所述对城市电网主网和配网的实时运行数据进行预处理后还包括对所述预处理后的数据提取典型故障特征,建立关联约束知识库。提取典型故障特征包括:对预处理之后的数据进行时频域分析,获取时频域信号分布图,提取典型故障的高频和低频幅值和分布区间,存储至典型故障数据库;并根据专家经验和历史经验,将典型故障因素、故障表现形式与时频域分布信号相关联,形成关联约束知识库。
具体的,获取主网-配网协同动态数据矩阵包括:
分别建立在第一时刻、第一时间尺度主网和配网的监测量数据矩阵;
根据所述主网和配网的监测量数据矩阵确定主网-配网协同动态数据矩阵。
具体的,根据所述主网-配网协同动态数据矩阵确定主网-配网协同的基于核主元分析的故障诊断模型包括:将所述主网-配网协同动态数据矩阵映射到高维空间中,得到非线性映射样本;根据所述非线性映射样本确定所述高维空间中的核矩阵;计算所述核矩阵的协方差矩阵,并确定所述协方差矩阵的特征值和单位特征向量;根据所述单位特征向量和所述核矩阵确定非线性主元,并根据所述非线性主元进行主网-配网协同的基于核主元分析的故障诊断模型构建。
具体的,采集实时数据,并将所述实时数据输入所述主网-配网协同的基于核主元分析的故障诊断模型,确定故障诊断结果包括:确定所述核矩阵的载荷矩阵;根据所述载荷矩阵和单位矩阵确定所述实时数据的误差贡献量;根据所述误差贡献量确定故障诊断结果。
本发明实施例中公开一种基于数字化仿真混合模型的城市电网主配一体故障协同诊断方法包括数据采集、数据预处理(主要指数据清洗,去除明显的噪声点以及错误数据)、提取典型故障特征、建立关联约束知识库、基于深度学习的数据补全、主配网协同动态数据矩阵生成,以及基于核主元分析故障检测分析阶段。下面对上述步骤进行具体说明:
步骤1:采集城市电网设备运行、维护、实时测量、气象\环境监测等多阶段数据,研究主-配网多源异构数据特性,进行数据重构,具体过程包括:如图2所示:将采集到的城市电网运行数据、维护数据、历史数据以及相关环境数据首先进行高维特征表达,提取状态、时间、空间等要素,通过逐级元素融合方法或者特征中心融合的方法构建融合池化结果,从而进行领域本体的构建;
步骤2:在数据收集的过程中,特别是对于电网故障数据而言,当故障发生时,故障监测传感器以及故障数据存储设备可能会发生数据丢失的情况。因此需要使用时间序列预测模型informer对原始的数据进行数据补全,informer结构如图3所示,具体做法包括:
步骤2.1:图3中左边为编码器,其编码过程为:编码器接收长序列输入(Xfeed-en表示存在丢失数据的部分),通过串联的多头概率稀疏自注意力机制模块,得到特征表示。右边为解码器,解码过程为:解码器接收长序列输入(Xfeed-dc为丢失数据部分,即预测目标部分设置为0),本发明实施例中Xfeed-dc={Xtoken,X0},其中,Xtoken表示作为输入的原始数据部分,X0表示初始化为0的预测数据,通过隐式多头概率稀疏注意力机制和多头注意力机制与编码特征进行交互,隐式多头概率稀疏注意力机制采用稀疏矩阵,多头注意力机制不需要用到稀疏矩阵,最后一次性直接预测输出目标部分(为补全的全连接层时间序列数据);
步骤2.2:由此完成对不平衡数据集的补全,并将完整的时间序列故障数据上传至虚拟环境中;
步骤3:对于大量的时间序列信号,存在很多噪声数据,需要对原始的数据进行滤波除噪,由此使用一维信号的多层小波重构,降低噪声,提取潜藏在时间序列信号中更加精确的信息,具体包括:
1)对信号进行小波包分解,将频带部分多层次划分;
2)小波包分解系数的阈值化,选择一个恰当的阈值对小波包分解后的系数进行阈值量化处理,本发明实施例中,具体阈值是会根据协同动态数据矩阵而变化的,实际运用中只要分解结果满意即可;
3)信号的小波包重构,具体的,通过将分解之后的频率成分再进行叠加,完成去噪;
其中,表示主网在t时刻的时间尺度为a的监测量数据,,R表示实
数集合,n表示数据样本的个数,本发明实施例中,zt并不是单独的变量,仅表示的是x的角
标,整体表示为主网的监测量数据;配网在t时刻的时间尺度为a的监测量数据表示为,具体的,pt也并不是单独的变量,整体表示为配网的监测量数据,将主网和配网
数据构成协同动态数据矩阵,表示为:
协同动态数据矩阵构造完成后,对协同动态数据矩阵X进行z-score标准化处理,处理过程为:
步骤5:建立主网-配网协同的基于核主元分析的故障诊断模型,具体包括:
高维空间H中的核矩阵表示为,表示高维空
间中的核矩阵,k表示单个数据对应的高维空间数据,和分别表示第i个或者第j个
数据对应的时间长度为a的时滞矩阵,表示矩阵数据在高维空间H映射之后的结
果,表示矩阵数据在高维空间H映射之后的结果;
求出协同动态数据矩阵的高维空间核矩阵的协方差矩阵S,对其进行特征分解:
步骤5.2:求取协方差矩阵的特征值及对应的单位特征向量。将协方差矩阵特征值分解得到特征值对角矩阵,进一步得到特征向量矩阵并将其正交化:
步骤5.4:高维空间的协同动态数据矩阵的核矩阵进行主元分析故障诊断模型建模,与线性主元分析方法一致,计算统计指标T2,T2表示主元空间的变化情况,该指标的建立可以用来检测故障是否发生,通过计算统计指标和统计指标的统计控制限,超过控制限即认为故障发生。具体步骤如下:
1)计算主元分析模型的统计指标T2,按如下公式计算:
步骤6:输入实时数据,得到故障协同诊断结果,计算误差贡献量,公式如下:
式中,表示每个变量对变化误差的贡献值,表示单位矩阵I的第i列,P表示核
数据矩阵的载荷矩阵,T表示矩阵的转置,i表示第i个数据,x表示输入的实时数据;通过误
差贡献量的大小,可以确定故障变量,误差贡献量越大,表示该变量出现的概率越
大,从而进一步诊断出故障变量,进行故障定位,定位的精度根据信号采集传感器的布局的
精度而定。
本发明提出的城市电网主配协同检测方法通过实时运行和历史数据,利用核主元分析方法同时对主网数据和配网数据进行处理,对于超过监测控制限的数据,能够快速的进行故障的检测和定位,采用核主元分析方法能够同时对主网和配网多个地点的运行数据进行同时检测,避免了单一对象处理时可能带来的误判,有助于提高智能电网配网保护自动化与信息化水平。
本发明实施例中,还提供一种城市电网主配一体故障协同诊断系统,所述系统包括:获取单元、模型确定单元和故障确定单元;
获取单元,用于获取主网-配网协同动态数据矩阵;
模型确定单元,与所述获取单元通信连接,用于根据所述主网-配网协同动态数据矩阵确定主网-配网协同的基于核主元分析的故障诊断模型;
故障确定单元,与所述模型确定单元通信连接,用于采集实时数据,并将所述实时数据输入所述主网-配网协同的基于核主元分析的故障诊断模型,确定故障诊断结果。
具体的,所述系统还包括预处理单元、补全单元和去噪单元,预处理单元,用于对城市电网主网和配网的实时运行数据进行预处理;补全单元,与所述预处理单元通信连接,用于对所述预处理后的数据进行补全;去噪单元,与所述补全单元通信连接,用于对补全的数据进行去噪。
具体的,所述系统还包括关联单元,与所述预处理单元通信连接,用于对所述预处理后的数据提取典型故障特征,建立关联约束知识库。
具体的,所述去噪单元包括分解模块、量化模块和重构模块;分解模块,用于接收所述补全单元发送的完整的时间序列信号,并将所述时间序列信号进行小波包分解;量化模块,与所述分解模块通信连接,用于根据第一阈值对所述小波包分解后的系数进行阈值量化处理;重构模块,与所述量化模块通信连接,用于对所述阈值量化处理的小波包信号重构,完成去噪。
具体的,所述获取单元包括矩阵模块和第一确定模块,所述矩阵模块,用于分别建立在第一时刻、第一时间尺度主网和配网的监测量数据矩阵;第一确定模块,与矩阵模块通信连接,用于根据所述主网和配网的监测量数据矩阵确定主网-配网协同动态数据矩阵。
具体的,所述模型确定单元包括映射模块、核矩阵模块、第二确定模块、第三确定模块和构建模块;映射模块,用于将所述主网-配网协同动态数据矩阵映射到高维空间中,得到非线性映射样本;核矩阵模块,用于根据所述非线性映射样本确定所述高维空间中的核矩阵;第二确定模块,用于计算所述核矩阵的协方差矩阵,并确定所述协方差矩阵的特征值和单位特征向量;第三确定模块,用于根据所述单位特征向量和所述核矩阵确定非线性主元;构建模块,用于根据所述非线性主元进行主网-配网协同的基于核主元分析的故障诊断模型构建。
具体的,所述故障确定单元包括载荷模块、第四确定模块和比较模块;载荷模块,用于确定所述核矩阵的载荷矩阵;第四确定模块,用于根据所述载荷矩阵和单位矩阵确定所述实时数据的误差贡献量;比较模块,用于比较所述误差贡献量确定故障诊断结果。
本发明的城市电网主配一体故障协同诊断方法、系统,基于城市电网主网和配网的历史数据和实时数据,利用主元分析-深度学习框架构成的电网运行状态数字模型,针对丢失数据的时序测量值通过预测方法进行数据补全,滤波,提取典型故障特征,建立基于informer模型(时间序列预测模型)和KPCA(Kernelbased Principle ComponentAnalysis-核主成分分析)的城市电网主配一体协同故障诊断模型,从而实现城市电网的故障协同检测,为电网操作人员进行快速处置提供辅助决策。该方法基于数据驱动理论,避免了物理模型复杂、参数无法识别的难点,同时具有快速处理、实时检测的优点,能够准确及时发现城市电网主配网的故障隐患,降低维护成本,保护设备和人员的财产安全,提高配网运维效率。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种城市电网主配一体故障协同诊断方法,其特征在于,所述方法包括:
获取主网-配网协同动态数据矩阵;
根据所述主网-配网协同动态数据矩阵确定主网-配网协同的基于核主元分析的故障诊断模型;
采集实时数据,并将所述实时数据输入所述主网-配网协同的基于核主元分析的故障诊断模型,确定故障诊断结果。
2.根据权利要求1所述的城市电网主配一体故障协同诊断方法,其特征在于,获取主网-配网协同动态数据矩阵前还包括对城市电网主网和配网的实时运行数据进行预处理、补全并去噪。
3.根据权利要求2所述的城市电网主配一体故障协同诊断方法,其特征在于,所述对城市电网主网和配网的实时运行数据进行预处理后还包括对所述预处理后的数据提取典型故障特征,建立关联约束知识库。
4.根据权利要求2或3所述的城市电网主配一体故障协同诊断方法,其特征在于,对城市电网主网和配网的实时运行数据进行补全并去噪包括:
通过时间序列预测模型对所述预处理后的数据进行补全并形成完整的时间序列信号;
将所述时间序列信号进行小波包分解;
根据第一阈值对所述小波包分解后的系数进行阈值量化处理,其中,所述第一阈值为小波包分解系数的阈值;
对所述阈值量化处理的小波包信号重构,完成去噪。
5.根据权利要求1所述的城市电网主配一体故障协同诊断方法,其特征在于,获取主网-配网协同动态数据矩阵包括:
分别建立在第一时刻、第一时间尺度主网和配网的监测量数据矩阵;
根据所述主网和配网的监测量数据矩阵确定主网-配网协同动态数据矩阵。
6.根据权利要求1所述的城市电网主配一体故障协同诊断方法,其特征在于,根据所述主网-配网协同动态数据矩阵确定主网-配网协同的基于核主元分析的故障诊断模型包括:
将所述主网-配网协同动态数据矩阵映射到高维空间中,得到非线性映射样本;
根据所述非线性映射样本确定所述高维空间中的核矩阵;
计算所述核矩阵的协方差矩阵,并确定所述协方差矩阵的特征值和单位特征向量;
根据所述单位特征向量和所述核矩阵确定非线性主元,并根据所述非线性主元进行主网-配网协同的基于核主元分析的故障诊断模型构建。
7.根据权利要求6所述的城市电网主配一体故障协同诊断方法,其特征在于,采集实时数据,并将所述实时数据输入所述主网-配网协同的基于核主元分析的故障诊断模型,确定故障诊断结果包括:
确定所述核矩阵的载荷矩阵;
根据所述载荷矩阵和单位矩阵确定所述实时数据的误差贡献量;
根据所述误差贡献量确定故障诊断结果。
8.一种城市电网主配一体故障协同诊断系统,其特征在于,所述系统包括:获取单元、模型确定单元和故障确定单元;
获取单元,用于获取主网-配网协同动态数据矩阵;
模型确定单元,与所述获取单元通信连接,用于根据所述主网-配网协同动态数据矩阵确定主网-配网协同的基于核主元分析的故障诊断模型;
故障确定单元,与所述模型确定单元通信连接,用于采集实时数据,并将所述实时数据输入所述主网-配网协同的基于核主元分析的故障诊断模型,确定故障诊断结果。
9.根据权利要求8所述的城市电网主配一体故障协同诊断系统,其特征在于,所述系统还包括预处理单元、补全单元和去噪单元;
预处理单元,用于对城市电网主网和配网的实时运行数据进行预处理;
补全单元,与所述预处理单元通信连接,用于对所述预处理后的数据进行补全;
去噪单元,与所述补全单元通信连接,用于对补全的数据进行去噪。
10.根据权利要求9所述的城市电网主配一体故障协同诊断系统,其特征在于,所述系统还包括关联单元,与所述预处理单元通信连接,用于对所述预处理后的数据提取典型故障特征,建立关联约束知识库。
11.根据权利要求9或10所述的城市电网主配一体故障协同诊断系统,其特征在于,所述去噪单元包括分解模块、量化模块和重构模块;
分解模块,用于接收所述补全单元发送的完整的时间序列信号,并将所述时间序列信号进行小波包分解;
量化模块,与所述分解模块通信连接,用于根据第一阈值对所述小波包分解后的系数进行阈值量化处理,其中,所述第一阈值为小波包分解系数的阈值;
重构模块,与所述量化模块通信连接,用于对所述阈值量化处理的小波包信号重构,完成去噪。
12.根据权利要求8所述的城市电网主配一体故障协同诊断系统,其特征在于,所述获取单元包括矩阵模块和第一确定模块,
所述矩阵模块,用于分别建立在第一时刻、第一时间尺度主网和配网的监测量数据矩阵;
第一确定模块,与矩阵模块通信连接,用于根据所述主网和配网的监测量数据矩阵确定主网-配网协同动态数据矩阵。
13.根据权利要求8所述的城市电网主配一体故障协同诊断系统,其特征在于,所述模型确定单元包括映射模块、核矩阵模块、第二确定模块、第三确定模块和构建模块;
映射模块,用于将所述主网-配网协同动态数据矩阵映射到高维空间中,得到非线性映射样本;
核矩阵模块,用于根据所述非线性映射样本确定所述高维空间中的核矩阵;
第二确定模块,用于计算所述核矩阵的协方差矩阵,并确定所述协方差矩阵的特征值和单位特征向量;
第三确定模块,用于根据所述单位特征向量和所述核矩阵确定非线性主元;
构建模块,用于根据所述非线性主元进行主网-配网协同的基于核主元分析的故障诊断模型构建。
14.根据权利要求13所述的城市电网主配一体故障协同诊断系统,其特征在于,所述故障确定单元包括载荷模块、第四确定模块和比较模块;
载荷模块,用于确定所述核矩阵的载荷矩阵;
第四确定模块,用于根据所述载荷矩阵和单位矩阵确定所述实时数据的误差贡献量;
比较模块,用于比较所述误差贡献量确定故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211550312.0A CN115564075B (zh) | 2022-12-05 | 2022-12-05 | 一种城市电网主配一体故障协同诊断方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211550312.0A CN115564075B (zh) | 2022-12-05 | 2022-12-05 | 一种城市电网主配一体故障协同诊断方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115564075A true CN115564075A (zh) | 2023-01-03 |
CN115564075B CN115564075B (zh) | 2023-04-07 |
Family
ID=84769690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211550312.0A Active CN115564075B (zh) | 2022-12-05 | 2022-12-05 | 一种城市电网主配一体故障协同诊断方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564075B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116519021A (zh) * | 2023-06-29 | 2023-08-01 | 西北工业大学 | 一种惯性导航系统故障诊断方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107846011A (zh) * | 2017-07-17 | 2018-03-27 | 中国南方电网有限责任公司 | 一种基于主配网协同控制的配电网故障恢复方法 |
CN108062565A (zh) * | 2017-12-12 | 2018-05-22 | 重庆科技学院 | 基于化工te过程的双主元-动态核主元分析故障诊断方法 |
CN112611936A (zh) * | 2020-11-27 | 2021-04-06 | 云南大学 | 一种基于边缘计算的配网变压器故障动态检测与分类系统 |
CN115356599A (zh) * | 2022-10-21 | 2022-11-18 | 国网天津市电力公司城西供电分公司 | 一种多模态城市电网故障诊断方法及系统 |
-
2022
- 2022-12-05 CN CN202211550312.0A patent/CN115564075B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107846011A (zh) * | 2017-07-17 | 2018-03-27 | 中国南方电网有限责任公司 | 一种基于主配网协同控制的配电网故障恢复方法 |
CN108062565A (zh) * | 2017-12-12 | 2018-05-22 | 重庆科技学院 | 基于化工te过程的双主元-动态核主元分析故障诊断方法 |
CN112611936A (zh) * | 2020-11-27 | 2021-04-06 | 云南大学 | 一种基于边缘计算的配网变压器故障动态检测与分类系统 |
CN115356599A (zh) * | 2022-10-21 | 2022-11-18 | 国网天津市电力公司城西供电分公司 | 一种多模态城市电网故障诊断方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116519021A (zh) * | 2023-06-29 | 2023-08-01 | 西北工业大学 | 一种惯性导航系统故障诊断方法、系统及设备 |
CN116519021B (zh) * | 2023-06-29 | 2023-09-15 | 西北工业大学 | 一种惯性导航系统故障诊断方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115564075B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
CN108398268B (zh) | 一种轴承性能退化评估方法 | |
CN101799368B (zh) | 一种机电设备非线性故障预测方法 | |
CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
CN113705396B (zh) | 一种电机故障诊断方法、系统及设备 | |
CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN106682835A (zh) | 一种数据驱动的复杂机电系统服役质量状态评估方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
CN113627358A (zh) | 一种多特征融合的道岔智能故障诊断方法及系统和设备 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN116821610A (zh) | 一种利用大数据优化风力发电效率的方法 | |
CN116610940A (zh) | 一种基于小波变换与深度神经网络的装备故障诊断系统 | |
GB2623358A (en) | Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network | |
CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 | |
CN113887320B (zh) | 一种基于多尺度图模型的平面并联机构状态诊断方法 | |
CN116125922B (zh) | 一种基于平行式字典学习的复杂工业过程监测方法和系统 | |
CN117992863B (zh) | 基于可解释平稳小波包卷积网络的旋转机械故障诊断方法 | |
CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
CN113420387B (zh) | 一种压实机械滚动轴承的迁移诊断方法和系统 | |
Xing et al. | Spatio-Temporal Failure Prediction Using LSTGM for Optical 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |