CN115564331A - 配电网典型故障风险感知方法、配电网、设备及存储介质 - Google Patents
配电网典型故障风险感知方法、配电网、设备及存储介质 Download PDFInfo
- Publication number
- CN115564331A CN115564331A CN202211177382.6A CN202211177382A CN115564331A CN 115564331 A CN115564331 A CN 115564331A CN 202211177382 A CN202211177382 A CN 202211177382A CN 115564331 A CN115564331 A CN 115564331A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- fault
- gate
- wavelet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 210000004556 brain Anatomy 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 230000008447 perception Effects 0.000 claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000012502 risk assessment Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了配电网典型故障风险感知方法、配电网、设备及存储介质,涉及配电网风险评估技术领域。本发明包括以下步骤:获取配电网调控后台信息系统的历史监测数据以及实时运行数据;对获取的历史监测数据及实时运行数据进行小波变换,提取故障特征;根据提取的故障特征创建典型故障集,构建数字孪生智慧大脑故障判别体;将配电网实测数据输入构建的数字孪生智慧大脑故障判别体,对其进行特征提取,得到故障诊断结果。本发明实现了配电网风险感知,有效提高配电网规划和维护运行的收益,保证配电网稳定运行、降低了停电损失和设备损耗。
Description
技术领域
本发明涉及配电网风险评估技术领域,具体为配电网典型故障风险感知方法、配电网、设备及存储介质。
背景技术
配电网是电力系统的重要组成部分,直接面对终端用户网络,综合承接分布式电源,电动汽车等负荷。因此配电网的可靠性直接影响用户对电能使用的评价。随着电力系统建设的加快,配电网逐步接入高比例分布式电源,既带来了巨大的收益,也带来了被动接纳,管控不足,信息数字化程度较低、可观可控能力受限等问题,增加了运行的风险,配电网风险的根源在于其行为的概率性,设备的随机故障、负荷的不确定性、外部天气和人为施工等因素的影响都难以准确预测,这些因素可能导致系统发生局部甚至全网的大面积停电事故。
对配电网风险的评估具有重要意义,风险评估的方法和模型是研究的重点,当前所采用的方法有多种,如风险矩阵法,层次分析法和蒙特卡洛、主观评分法、贝叶斯法、故障树分析法、决策树法以及这些方法的组合等,考虑到有效提高配电网规划和维护运行的收益,保证配电网稳定运行、降低了停电损失和设备损耗,为此,我们提出配电网典型故障风险感知方法、配电网、设备及存储介质。
发明内容
本发明的目的在于提供配电网典型故障风险感知方法、配电网、设备及存储介质,用于实现配电网风险感知,有效提高配电网规划和维护运行的收益,保证配电网稳定运行、降低了停电损失和设备损耗。
为实现上述目的,本发明提供如下技术方案:配电网典型故障风险感知方法,包括以下步骤:
获取配电网调控后台信息系统的历史监测数据以及实时运行数据;
对获取的历史监测数据及实时运行数据进行小波变换,提取故障特征;
根据提取的故障特征创建典型故障集,构建数字孪生智慧大脑故障判别体;
将配电网实测数据输入构建的数字孪生智慧大脑故障判别体,对其进行特征提取,得到故障诊断结果。
进一步的,历史监测数据及实时运行数据的获取方法,具体步骤如下:
利用IEEE33节点仿真模型,选定不同负荷节点设置不同类型的短路故障;
采集故障节点的三相电压、电流值。
进一步的,对历史监测数据及实时运行数据进行小波变换提取故障特征的具体步骤如下:
根据尺度函数φ(t)和小波函数ψ(t)推导得出小波基,进而获得下一步的离散小波变换,具体如下:
φj,k(t)=2j/2φ(2jt-k)
ψj,k(t)=2j/2ψ(2jt-k)
式中,ψj,k(t)即为ψ(t)函数小波函数族中的幅值,其中j为尺度参数,决定小波基的频率特性,k为平移参数,φj,k(t)同理。
对于函数f(t)∈L2(R)的离散小波变换的计算公式为:
Wf(2j,2jk)=2-j/2∫Rf(t)ψ*(2-jt-k)dt
式中,f(t)∈L2(R)表示,要求目标函数f(t)为勒贝格空间(L)在实数集合R上任意时刻t均平方可积的函数。对f(t)进行小波变换以实现数据降维以及特征提取。
考虑信号(即配电网采样所得电压电流波形)的各个频带成分,对小波变换后的信号计算信息熵,设信号序列f(n)在各个频段上的小波系数为D(n),则小波能量可由下式得到:
式中,E为对目标信号进行计算所得的小波能量。
信息熵概率需满足和为1,进行标幺化后为:
式中,P即为小波信号的相对能量。
得到一段信号的小波信息熵为:
ε=-∑P(ln(P))
式中,ε即为小波信息熵,小波能量熵随时间的变化规律反映了信号在时域的能量分布特征和频率变化,可以视为特征信息,因此对信号故障前后几个周期进行小波信息熵计算,即可提取故障特征。
进一步的,数字孪生智慧大脑故障判别体的具体构建步骤如下:
构建长短期记忆网络(LSTM);
利用获取的历史监测数据对长短期记忆网络(LSTM)进行训练;
将历史运行数据小波变换后的结果代入以LSTM网络和历史资料库结合而成的配电网诊断模型,形成数字孪生智慧大脑故障判别体。
进一步的,长短期记忆网络(LSTM)的构件步骤如下:
LSTM由遗忘门,输入门,输出门三部分组成,计算式如下式所示:
遗忘门:
ft=σ(Wf[ht-1,xt]+bf)
输入门:
it=σ(Wi[ht-1,xt]+bi)
同时更新细胞状态,将Ct-1更新为Ct:
输出门:
ot=σ(Wo[ht-1,xt]+bo)
输出结果:
ht=ot*tanh(Ct)
其中Wf,Wi,Wo分别为遗忘门,输入门和输出门的权值矩阵,bf,bi,bo分别为遗忘门,输入门和输出门的偏置权值,Wc和bc分别为更新权值矩阵和更新偏置矩阵。t为当前时刻,t-1为前一时刻,σ为sigmod激活函数,xt表示当前细胞的输入,ht表示当前隐藏状态(hiddenstate),Ct为当前细胞状态值(cell state),为当前细胞状态估计值,ht和Ct为LSTM网络的两个传输状态变量;ft为遗忘门输出,输出范围为(0~1),决定细胞状态Ct是否舍弃上一时刻状态值Ct-1;it为输入门输出,决定Ct中估计值的占比;ot为输出门输出。
进一步的,利用获取的历史监测数据对长短期记忆网络(LSTM)进行训练的具体步骤如下:
LSTM的输入数据为序列数据,采用随时间反向传播(BPTT)算法进行训练。
损失函数选择最小均方差为标准。
为简化表示,令s(t)=tanh(Ct)
训练权重计算公式如下:
式中,ωf,ωi,ωo为遗忘门,输入门,更新矩阵和输出门的单项权重,s(t)为细胞状态Ct取双曲正切变形所得,xt表示当前细胞的输入,ht表示当前隐藏状态(hiddenstate),为当前细胞状态估计值,ht和Ct为LSTM网络的两个传输状态变量;ft为遗忘门输出,输出范围为(0~1),it为输入门输出,决定Ct中估计值的占比,ot为输出门输出。
根据本发明的一个方面,本发明提供一种配电网,包括用于对电力进行输送的配电线路、用于将输电电压转为配电电压的变电站、用于分配所述配电线路的开关站、用于将高电压转换为用电电压的配电室,所述配电室中设置有变压器、开关柜,该配电网使用配电网典型故障风险感知方法进行故障诊断。
根据本发明的另一个方面,本发明提供一种设备,包括一个或多个处理器、
用于存储一个或多个程序的存储器;
当所述一个或多个程序被所述一个或多个处理器执行,使得一个或多个处理器运行所述的配电网典型故障风险感知方法。
根据本发明的另一个方面,本发明提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行所述的配电网典型故障风险感知方法。
本发明至少具备以下有益效果:
本发明首先通过从配电网调控后台信息系统获取历史监测数据以及实时运行数据,然后对采集数据进行小波变换提取故障特征,并利用提取的各类故障特征创建典型故障集,构建数字孪生智慧大脑故障判别体,即可将实时数据进行小波变换提取特征,将特征代入数字孪生体进行故障诊断,实现了配电网风险感知,有效提高配电网规划和维护运行的收益,保证配电网稳定运行、降低了停电损失和设备损耗。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明实施步骤的流程图;
图2为本发明LSTM计算流程图;
图3为本发明LSTM网络示意图;
图4为本发明小波变换对信号进行特征提取及重构;
图5为本发明初始信号、小波变换、能量熵信号对比;
图6为本发明IEEE33节点仿真模型的拓扑结构图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
请参阅图1-6,本发明提供技术方案:配电网典型故障风险感知方法,具体如下:
1.获取配电网调控后台信息系统的历史监测数据以及实时运行数据;
历史监测数据及实时运行数据的获取方法,具体如下:
1.1利用IEEE33节点仿真模型,选定不同负荷节点设置不同类型的短路故障;
1.2采集故障节点的三相电压、电流值
2.对获取的历史监测数据及实时运行数据进行小波变换,提取故障特征;
对历史监测数据及实时运行数据进行小波变换提取故障特征的具体步骤如下:
2.1根据尺度函数φ(t)和小波函数ψ(t)推导得出小波基,进而获得步骤2.2中的离散小波变换,具体如下:
φj,k(t)=2j/2φ(2jt-k) (1.1)
ψj,k(t)=2j/2ψ(2jt-k) (1.2)
式中,ψj,k(t)即为ψ(t)函数小波函数族中的幅值,其中j为尺度参数,决定小波基的频率特性,k为平移参数,φj,k(t)同理。
2.2对于函数f(t)∈L2(R)的离散小波变换的计算公式为:
Wf(2j,2jk)=2-j/2∫Rf(t)ψ*(2-jt-k)dt (1.3)
式中,f(t)∈L2(R)表示,要求目标函数f(t)为勒贝格空间(L)在实数集合R上任意时刻t均平方可积的函数。对f(t)进行小波变换以实现数据降维以及特征提取。
2.3考虑信号的各个频带成分,对小波变换后的信号计算信息熵,设信号序列f(n)在各个频段上的小波系数为D(n),则小波能量可由下式得到:
式中,E为对目标信号进行计算所得的小波能量。
信息熵概率需满足和为1,进行标幺化后为:
式中,P即为小波信号的相对能量。
得到一段信号的小波信息熵为:
ε=-∑P(ln(P)) (1.6)
式中,ε即为小波信息熵,小波能量熵随时间的变化规律反映了信号在时域的能量分布特征和频率变化,可以视为特征信息,因此对信号故障前后几个周期进行小波信息熵计算,即可提取故障特征。
3.根据提取的故障特征创建典型故障集,构建数字孪生智慧大脑故障判别体;
数字孪生智慧大脑故障判别体的具体构建步骤如下:
3.1构建长短期记忆网络(LSTM)
如图4-5所示,LSTM模块由遗忘门,输入门,输出门三部分组成,遗忘门决定从细胞状态中丢弃什么信息,输入门决定哪些新信息留在细胞状态中,并更新细胞状态;输入门决定细胞状态的输出,计算式如下式所示:
遗忘门:
ft=σ(Wf[ht-1,xt]+bf) (1.7)
输入门:
it=σ(Wi[ht-1,xt]+bi) (1.8)
同时更新细胞状态,将Ct-1更新为Ct:
输出门:
ot=σ(Wo[ht-1,xt]+bo) (1.11)
输出结果:
ht=ot*tanh(Ct) (1.12)
其中Wf,Wi,Wo分别为遗忘门,输入门和输出门的权值矩阵,bf,bi,bo分别为遗忘门,输入门和输出门的偏置权值,Wc和bc分别为更新权值矩阵和更新偏置矩阵。t为当前时刻,t-1为前一时刻,σ为sigmod激活函数,xt表示当前细胞的输入,ht表示当前隐藏状态(hiddenstate),Ct为当前细胞状态值(cell state),为当前细胞状态估计值,ht和Ct为LSTM网络的两个传输状态变量;ft为遗忘门输出,输出范围为(0~1),决定细胞状态Ct是否舍弃上一时刻状态值Ct-1,it为输入门输出,决定Ct中估计值的占比,ot为输出门输出。
3.2利用获取的历史监测数据对长短期记忆网络(LSTM)进行训练,具体如下:
LSTM的输入数据为序列数据,采用随时间反向传播(BPTT)算法进行训练。
损失函数选择最小均方差为标准。
式中,l(t)为样本损失函数,由网络训练输出值h(t)与实际值y(t)的差决定。L为样本训练集总损失。
为简化表示,令s(t)=tanh(Ct)
训练权重计算公式如下:
式中,ωf,ωi,ωo为遗忘门,输入门,更新矩阵和输出门的单项权重,s(t)为细胞状态Ct取双曲正切变形所得,xt表示当前细胞的输入,ht表示当前隐藏状态(hiddenstate),为当前细胞状态估计值,ht和Ct为LSTM网络的两个传输状态变量;ft为遗忘门输出,输出范围为(0~1),it为输入门输出,决定Ct中估计值的占比,ot为输出门输出。
3.3将历史运行数据小波变换后的结果代入数字孪生智慧大脑故障判别体。
4.利用上述步骤得到配电网数字孪生智慧大脑故障判别体,输入配电网实测数据,对其进行特征提取并得到故障诊断结果。
根据本发明的一个方面,本发明提供一种配电网,包括用于对电力进行输送的配电线路、用于将输电电压转为配电电压的变电站、用于分配所述配电线路的开关站、用于将高电压转换为用电电压的配电室,所述配电室中设置有变压器、开关柜,该配电网使用配电网典型故障风险感知方法进行故障诊断。
根据本发明的另一个方面,本发明提供一种设备,包括一个或多个处理器、
用于存储一个或多个程序的存储器;
当所述一个或多个程序被所述一个或多个处理器执行,使得一个或多个处理器运行所述的配电网典型故障风险感知方法。
根据本发明的另一个方面,本发明提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行所述的配电网典型故障风险感知方法。
实施例:
如图6所示,以IEEE33节点仿真模型作为物理实体的仿真模型,产生历史故障数据。
以AB相间短路故障为例,采集故障点A相电压及其一层小波分解如图4所示;
考虑各个频段的综合影响,计算小波信息熵,如图5所示;
经过多次实验总结得下表,利用多次训练,其中以学习率为0.0002效果较好,该条件下方法平均准确率为92.18%,验证了本方法的有效性。
表1基于LSTM的配电网数字孪生故障态势感知
故障诊断方法 | 学习率 | 故障类型判断准确率 |
LSTM神经网络 | 0.0002 | 92.18% |
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。当元件被称为“装配于”、“安装于”、“固定于”或“设置于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
Claims (10)
1.配电网典型故障风险感知方法,其特征在于,包括以下步骤:
获取配电网调控后台信息系统的历史监测数据以及实时运行数据;
对获取的历史监测数据及实时运行数据进行小波变换,提取故障特征;
根据提取的故障特征创建典型故障集,构建数字孪生智慧大脑故障判别体;
将配电网实测数据输入构建的数字孪生智慧大脑故障判别体,对其进行特征提取,得到故障诊断结果。
2.根据权利要求1所述的配电网典型故障风险感知方法,其特征在于,历史监测数据及实时运行数据的获取方法,具体步骤如下:
利用IEEE33节点仿真模型,选定不同负荷节点设置不同类型的短路故障;
采集故障节点的三相电压、电流值。
3.根据权利要求1所述的配电网典型故障风险感知方法,其特征在于,对历史监测数据及实时运行数据进行小波变换以实现对波形的故障特征提取,具体步骤如下:
根据尺度函数φ(t)和小波函数ψ(t)推导得出小波基,进而获得后续步骤中波形的离散小波变换,具体如下:
φj,k(t)=2j/2φ(2jt-k)
ψj,k(t)=2j/2ψ(2jt-k)
式中,ψj,k(t)即为ψ(t)函数小波函数族中的幅值,其中j为尺度参数,决定小波基的频率特性,k为平移参数,φj,k(t)同理。
对于函数f(t)∈L2(R)的离散小波变换的计算公式为:
Wf(2j,2jk)=2-j/2∫Rf(t)ψ*(2-jt-k)dt
式中,f(t)∈L2(R)表示,要求目标函数f(t)为勒贝格空间(L)在实数集合R上任意时刻t均平方可积的函数;对f(t)进行小波变换以实现数据降维以及特征提取。
考虑信号(即配电网采样所得电压电流波形)的各个频带成分,对小波变换后的信号计算信息熵,设信号序列f(n)在各个频段上的小波系数为D(n),则小波能量可由下式得到:
式中,E为对目标信号进行计算所得的小波能量。
信息熵概率需满足和为1,进行标幺化后为:
式中,P即为小波信号的相对能量。
得到一段信号的小波信息熵为:
ε=-∑P(ln(P))
式中,ε即为小波信息熵。
4.根据权利要求1所述的配电网典型故障风险感知方法,其特征在于,数字孪生智慧大脑故障判别体的具体构建步骤如下:
构建长短期记忆网络(LSTM);
利用获取的历史监测数据对长短期记忆网络(LSTM)进行训练;
将历史运行数据小波变换后的结果代入以LSTM网络和历史资料库结合而成的配电网诊断模型,形成数字孪生智慧大脑故障判别体。
5.根据权利要求4所述的配电网典型故障风险感知方法,其特征在于,长短期记忆网络(LSTM)的构件步骤如下:
LSTM由遗忘门,输入门,输出门三部分组成,计算式如下式所示:
遗忘门:
ft=σ(Wf[ht-1,xt]+bf)
输入门:
it=σ(Wi[ht-1,xt]+bi)
同时更新细胞单元状态,将Ct-1更新为Ct:
输出门:
ot=σ(Wo[ht-1,xt]+bo)
输出结果:
ht=ot*tanh(Ct)
6.根据权利要求4所述的配电网典型故障风险感知方法,其特征在于,利用获取的历史监测数据对长短期记忆网络(LSTM)进行训练的具体步骤如下:
LSTM的输入数据为序列数据,采用随时间反向传播(BPTT)算法进行训练。
损失函数选择最小均方差为标准。
式中,l(t)为样本损失函数,由网络训练输出值h(t)与实际值y(t)的差决定。L为样本训练集总损失。
为简化表示,令s(t)=tanh(Ct)
训练权重计算公式如下:
7.一种配电网,其特征在于,其使用权利要求1-6中任一项所述的配电网典型故障风险感知方法进行故障诊断。
8.根据权利要求7所述的一种配电网,其特征在于,包括:
配电线路,通过配电网网架连接,用于对电力进行输送;
变电站,用于将电网的输电电压转为配电电压,并通过所述配电线路输出;
开关站,用于分配所述配电线路;
配电室,所述配电室中设置有变压器、开关柜,用于将高电压转换为用电电压。
9.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得一个或多个处理器实现如权利要求1-6中任一项所述的配电网典型故障风险感知方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一项所述的配电网典型故障风险感知方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211177382.6A CN115564331A (zh) | 2022-09-26 | 2022-09-26 | 配电网典型故障风险感知方法、配电网、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211177382.6A CN115564331A (zh) | 2022-09-26 | 2022-09-26 | 配电网典型故障风险感知方法、配电网、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564331A true CN115564331A (zh) | 2023-01-03 |
Family
ID=84742759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211177382.6A Pending CN115564331A (zh) | 2022-09-26 | 2022-09-26 | 配电网典型故障风险感知方法、配电网、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564331A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115719168A (zh) * | 2023-01-10 | 2023-02-28 | 佰聆数据股份有限公司 | 基于多电力终端协同的发电设备运行风险分析方法及装置 |
CN116245357A (zh) * | 2023-01-31 | 2023-06-09 | 南京工大金泓能源科技有限公司 | 一种数智节能柜故障诊断方法及系统 |
CN116565737A (zh) * | 2023-07-11 | 2023-08-08 | 江苏双汇电力发展股份有限公司 | 一种常压密封环保型环网柜及散热方法、检测方法 |
CN117353455A (zh) * | 2023-10-17 | 2024-01-05 | 济南泉晓电气设备有限公司 | 基于人工智能的输变电系统监管方法 |
CN117408162A (zh) * | 2023-11-14 | 2024-01-16 | 北京京能清洁能源电力股份有限公司内蒙古分公司 | 基于数字孪生的电网故障控制方法 |
CN118552186A (zh) * | 2024-07-29 | 2024-08-27 | 国网湖北省电力有限公司 | 基于数字孪生的变电站运维管理系统及方法 |
-
2022
- 2022-09-26 CN CN202211177382.6A patent/CN115564331A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115719168A (zh) * | 2023-01-10 | 2023-02-28 | 佰聆数据股份有限公司 | 基于多电力终端协同的发电设备运行风险分析方法及装置 |
CN116245357A (zh) * | 2023-01-31 | 2023-06-09 | 南京工大金泓能源科技有限公司 | 一种数智节能柜故障诊断方法及系统 |
CN116245357B (zh) * | 2023-01-31 | 2023-09-22 | 南京工大金泓能源科技有限公司 | 一种数智节能柜故障诊断方法及系统 |
CN116565737A (zh) * | 2023-07-11 | 2023-08-08 | 江苏双汇电力发展股份有限公司 | 一种常压密封环保型环网柜及散热方法、检测方法 |
CN117353455A (zh) * | 2023-10-17 | 2024-01-05 | 济南泉晓电气设备有限公司 | 基于人工智能的输变电系统监管方法 |
CN117353455B (zh) * | 2023-10-17 | 2024-03-29 | 济南泉晓电气设备有限公司 | 基于人工智能的输变电系统监管方法 |
CN117408162A (zh) * | 2023-11-14 | 2024-01-16 | 北京京能清洁能源电力股份有限公司内蒙古分公司 | 基于数字孪生的电网故障控制方法 |
CN118552186A (zh) * | 2024-07-29 | 2024-08-27 | 国网湖北省电力有限公司 | 基于数字孪生的变电站运维管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115564331A (zh) | 配电网典型故障风险感知方法、配电网、设备及存储介质 | |
CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
CN117421687A (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN110687393B (zh) | 一种基于vmd-svd-fcm的阀短路保护故障定位方法 | |
CN104037943A (zh) | 一种提高电网电压质量的电压监测方法及系统 | |
CN111537853A (zh) | 基于多源异构数据分析的开关柜局部放电智能检测方法 | |
Decanini et al. | Robust fault diagnosis in power distribution systems based on fuzzy ARTMAP neural network-aided evidence theory | |
CN111007364B (zh) | 一种电缆早期自恢复故障的识别方法 | |
CN111426905B (zh) | 一种配电网同母线变关系异常诊断方法、装置及系统 | |
CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
CN112180204A (zh) | 一种基于电气量信息的电网线路故障诊断方法 | |
CN114252103B (zh) | 融合电站运行故障预测方法 | |
CN112069666B (zh) | 一种基于概率潮流法的电网短期可靠性评估方法 | |
CN109103991A (zh) | 一种智能配电网的大数据分析方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
Dokur et al. | Hybrid model for short term wind speed forecasting using empirical mode decomposition and artificial neural network | |
CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
Wang et al. | Data-driven prediction method for characteristics of voltage sag based on fuzzy time series | |
CN112132283A (zh) | 一种基于遗传算法的非信号注入式户变拓扑关系识别方法 | |
Wang et al. | Multi‐harmonic sources location based on sparse component analysis and complex independent component analysis | |
Huang et al. | Data-driven reliability assessment of an electric vehicle penetrated grid utilizing the diffusion estimator and slice sampling | |
CN116995670A (zh) | 基于多模式分解和多分支输入的光伏功率超短期预测方法 | |
CN116566036A (zh) | 一种用能负荷在线智能监测系统 | |
CN116304918A (zh) | 一种基于深度森林算法的变电站设备故障辨识方法及系统 | |
CN113537573B (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 |
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 |