CN115902510A - 一种台区停电故障预警方法和系统 - Google Patents

一种台区停电故障预警方法和系统 Download PDF

Info

Publication number
CN115902510A
CN115902510A CN202211435256.6A CN202211435256A CN115902510A CN 115902510 A CN115902510 A CN 115902510A CN 202211435256 A CN202211435256 A CN 202211435256A CN 115902510 A CN115902510 A CN 115902510A
Authority
CN
China
Prior art keywords
fault
equipment
early warning
data
probability
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
CN202211435256.6A
Other languages
English (en)
Inventor
钱利宏
杨昆
郭晓燕
彭穗
娄源媛
刘新苗
赵紫辉
欧仲曦
顾延勋
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.)
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202211435256.6A priority Critical patent/CN115902510A/zh
Publication of CN115902510A publication Critical patent/CN115902510A/zh
Pending legal-status Critical Current

Links

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

本发明公开了一种台区停电故障预警方法和系统，方法包括：获取多种台区数据并进行归一化，得到多种待预警数据；通过目标DBN模型对各种待预警数据分别进行设备故障预测，生成多个设备故障概率向量；采用全部设备故障概率向量进行数据融合，生成设备综合故障概率向量；计算设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签；基于台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算台区故障设备标签对应的故障预警时间；采用台区故障设备标签和所述故障预警时间，生成预警信息并输出，该方法能够有效地利用台区多源信息，提高台区停电故障预警的准确度。

Description

一种台区停电故障预警方法和系统
技术领域
本发明涉及低压配电区停电故障预警技术领域，尤其涉及一种台区停电故障预警和系统。
背景技术
低压配电台区作为配电系统中的一个关键环节，其安全性关系到整个配电系统的安全稳定运行和用户的切身利益。台区因自身结构复杂，主要设备工作环境复杂、干扰因素众多，故障频发。且多数台区缺乏有效的停电预警及定位功能，因此极易受各种因素影响而停电。据相关统计，在用户停电事件中，80％以上都是配电网系统发生故障引起的，配电网系统故障不仅会给用户带来停电损失，也会对上游的发输电系统造成不可估量的经济损失和安全危害，甚至对整个国民经济发展都会造成较大影响。因此，加强对台区故障停电预警及定位的研究具有重大的现实意义。
目前，针对配电台区的停电预警技术，主要是侧重于对大电网进行整体监测，对中高压电网的故障预警研究相对较多，较少涉及低压台区的停电故障预警。现有技术对于配电网故障预警诊断主要是对开关保护的动作信息进行判断与分析，从而找到故障元件。
但是，这类方法并未考虑到故障情况下保护或开关拒动、误动以及信息畸变时对故障诊断产生的影响，且不能全面有效利用台区多源信息，导致台区故障预警的准确度较低。
发明内容
本发明提供了一种台区停电故障预警方法和系统，解决了现有技术中对于配电网故障预警诊断并未考虑到故障情况下保护或开关拒动、误动以及信息畸变时对故障诊断产生的影响，且不能全面有效利用台区多源信息，导致台区故障预警的准确度较低的技术问题。
本发明提供的一种台区停电故障预警方法，包括：
获取多种台区数据并进行归一化，得到多种待预警数据；
通过目标DBN模型对各种所述待预警数据分别进行设备故障预测，生成多个设备故障概率向量；
采用全部所述设备故障概率向量进行数据融合，生成设备综合故障概率向量；
计算所述设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签；
基于所述台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算所述台区故障设备标签对应的故障预警时间；
采用所述台区故障设备标签和所述故障预警时间，生成预警信息并输出。
可选地，所述方法还包括：
采用多层RBM网络结构和一层BP网络结构构建初始DBN模型；
获取台区历史数据并进行归一化，得到历史训练数据；
通过所述历史训练数据训练所述初始DBN模型，生成目标DBN模型。
可选地，所述通过历史训练数据训练所述初始DBN模型，生成DBN模型的步骤，包括：
将所述历史训练数据输入至首层所述RBM网络结构；
通过多层所述RBM网络结构生成目标神经元激活状态数据并输送至所述BP网络结构，并通过BP网络结构对各层所述RBM网络结构进行反向微调；
若所述反向微调的次数未达到预设的迭代阈值，则跳转执行将所述历史训练数据输入至首层所述RBM网络结构的步骤；
若所述反向微调的次数达到预设的迭代阈值，则采用当前时刻的多层所述RBM网络结构和所述BP网络结构，生成目标DBN模型。
可选地，所述RBM网络结构包括可视层和隐含层；所述通过多层所述RBM网络结构生成目标神经元激活状态数据并输送至所述BP网络结构，并通过BP网络结构对各层所述RBM网络结构进行反向微调的步骤，包括：
从多层所述RBM网络结构选取首个可视层作为当前时刻的队首可视层；
将所述历史训练数据输入到所述队首可视层；
通过所述队首可视层计算关联的所述隐含层的中间神经元激活状态数据；
从所述中间神经元激活状态数据中按照预设规则选取一个激活概率重构所述队首可视层，生成更新可视层；
计算所述更新可视层关联的隐含层的神经元激活概率并重构，生成更新隐含层；
将所述中间神经元激活状态数据作为新的历史训练数据，并从未选取的所述RBM网络结构中选取首个可视层作为当前时刻新的队首可视层；
跳转执行所述将所述历史训练数据输入到所述队首可视层的步骤，直至全部所述RBM网络结构被选取。
可选地，所述采用全部所述设备故障概率向量进行数据融合，生成设备综合故障概率向量的步骤，包括：
若所述设备故障概率向量不为空集时，将所述各个设备故障概率输入到融合函数中，分别生成设备综合故障概率；
采用全部所述设备综合故障概率生成设备综合故障概率向量；
其中，所述融合函数为：
Figure BDA0003946954400000031
式中：
Figure BDA0003946954400000032
为Tl时刻下融合后的k设备对应的设备故障状态标签，
Figure BDA0003946954400000033
Figure BDA0003946954400000034
和
Figure BDA0003946954400000035
是
Figure BDA0003946954400000036
的任意子集，
Figure BDA0003946954400000037
Figure BDA0003946954400000038
Figure BDA0003946954400000039
为s系统在Tl时刻下的k设备发生故障的概率，
Figure BDA00039469544000000310
为Tl时刻下的k设备对应的设备故障状态标签，
Figure BDA00039469544000000311
取值为1表示故障状态，
Figure BDA00039469544000000312
取值为0表示非故障状态，s＝1,2,3，分别表示配电自动化系统、用户用电信息采集系统和气象信息采集系统，k为设备的ID，k∈K＝{1,21,…,2i,31,…,3j,4}，k＝1表示变压器设备标签，k＝2i表示线路i设备标签，k＝3j表示用户j设备标签，k＝4表示设备处于正常状态标签。
可选地，所述计算所述设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签的步骤，包括：
计算所述设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值；
选取最大的信度函数值所属设备标签作为台区故障设备标签；
所述信度函数值为：
Figure BDA0003946954400000041
式中：
Figure BDA0003946954400000042
表示Tl时刻下融合后设备k故障信任度下限估计，
Figure BDA0003946954400000043
表示Tl时刻下融合后设备k的设备综合故障概率。
可选地，所述基于所述台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算所述台区故障设备标签对应的故障预警时间的步骤，包括：
构建各个所述设备综合故障概率对应的历史统计的停电故障预警时间、停电系数和设备使用年限之间的拟合函数；
采用最小二乘法计算出所述拟合函数内的待求参数，生成目标拟合函数；
将所述台区故障设备标签对应的综合故障概率、停电系数和使用年限输入到所述目标拟合函数中，生成所述台区故障设备标签对应的故障预警时间；
所述拟合函数为：
Figure BDA0003946954400000044
式中：t为历史统计的停电故障预警时间，σ为停电系数，p为设备综合故障概率，n为设备使用年限，α和β为待求参数。
本发明还提供了一种台区停电故障预警系统，包括：数据获取模块，用于获取多种台区数据并进行归一化，得到多种待预警数据；
故障预测模块，用于通过目标DBN模型对各种所述待预警数据分别进行设备故障预测，生成多个设备故障概率向量；
数据融合模块，用于采用全部所述设备故障概率向量进行数据融合，生成设备综合故障概率向量；
故障定位模块，用于计算所述设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签；
故障预警时间模块，用于基于所述台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算所述台区故障设备标签对应的故障预警时间；
故障信息预警输出模块，用于采用所述台区故障设备标签和所述故障预警时间，生成预警信息并输出。
可选地，所述系统还包括：
初始模型构建模块，用于采用多层RBM网络结构和一层BP网络结构构建初始DBN模型；
训练数据获取模块，用于获取台区历史数据并进行归一化，得到历史训练数据；
模型训练模块，用于通过所述历史训练数据训练所述初始DBN模型，生成目标DBN模型。
可选地，所述模型训练模块包括：
训练数据输入子模块，用于将所述历史训练数据输入至首层所述RBM网络结构；
数据调整子模块，用于通过多层所述RBM网络结构生成目标神经元激活状态数据并输送至所述BP网络结构，并通过BP网络结构对各层所述RBM网络结构进行反向微调；
返回子模块，用于若所述反向微调的次数未达到预设的迭代阈值，则跳转执行将所述历史训练数据输入至首层所述RBM网络结构的步骤；
目标模型生成子模块，用于若所述反向微调的次数达到预设的迭代阈值，则采用当前时刻的多层所述RBM网络结构和所述BP网络结构，生成目标DBN模型。
从以上技术方案可以看出，本发明具有以下优点：
本申请提供了一种台区停电故障预警方法和系统，其中方法包括：获取多种台区数据并进行归一化，得到多种待预警数据；通过目标DBN模型对各种待预警数据分别进行设备故障预测，生成多个设备故障概率向量并进行数据融合，从而生成设备综合故障概率向量；计算设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签；基于台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算台区故障设备标签对应的故障预警时间；采用台区故障设备标签和故障预警时间，生成预警信息并输出，从而解决了现有技术中对于配电网故障预警诊断并未考虑到故障情况下保护或开关拒动、误动以及信息畸变时对故障诊断产生的影响，且不能全面有效利用台区多源信息，导致台区故障预警的准确度较低的技术问题。
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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种台区停电故障预警方法的步骤流程图；
图2为本发明实施例提供的一种目标DBN模型的结构示意图；
图3为本发明可选实施例提供的一种台区停电故障预警方法的步骤流程图；
图4为本发明可选实施例提供的一种典型台区低压拓扑图；
图5为本发明实施例提供的一种台区停电故障预警系统的结构示意图。
具体实施方式
本发明实施例提供了一种台区停电故障预警方法和系统，用于解决现有技术中对于配电网故障预警诊断并未考虑到故障情况下保护或开关拒动、误动以及信息畸变时对故障诊断产生的影响，且不能全面有效利用台区多源信息，导致台区故障预警的准确度较低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种台区停电故障预警方法的步骤流程图。
本发明提供的一种台区停电故障预警方法，包括：
步骤101，获取多种台区数据并进行归一化，得到多种待预警数据。
在本申请实施例中，为获取多种台区数据，可以通过台区配电自动化系统、用户用电信息采集系统和气象采集系统进行采集，值得一提的是，在将多种预警数据分别输入到对应的目标DBN模型之前，需将用户用电信息采集系统对应的待预警数据内的设备停电时间和停电次数填充到台区配电自动化系统和气象采集系统对应的待预警数据中。
需要说明的是，台区配电自动化系统对应的待预警数据可以包括：变压器的三相电压、电流有功功率、无功功率、功率因数；用户用电信息采集系统对应的待预警数据可以包括：用户的三相电压、电流、有功功率、无功功率、功率因数、电量(相比于上一个采样点的电量差值)、历史停电时间、停电次数；气象采集系统对应的待预警数据可以包括：台区所在地的温度、湿度、压强、光照强度、平均光照小时数。
步骤102，通过目标DBN模型对各种待预警数据分别进行设备故障预测，生成多个设备故障概率向量。
请参阅图2，图2为本发明实施例提供的一种目标DBN模型结构示意图；需要说明的是，目标DBN模型主要是由多层受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)和一层反向传播神经网络(Back Propagation，BPNN)构成。
在获取到多种待预警数据后，将多种待预警数据分别输入到对应的目标DBN模型中进行设备故障预测，从而生成多个设备故障概率向量。
步骤103，采用全部设备故障概率向量进行数据融合，生成设备综合故障概率向量。
在本申请实施例中，将全部设备故障概率向量进行数据融合是基于DS证据理论，从而生成设备综合故障概率，再采用全部综合故障概率生成设备综合故障概率向量。
需要说明的是，DS证据理论融合是根据其融合规则把多个系统对同一事件的表征信息融合成一个表征该事件的信息，从而获得多个系统对该事件的一致性描述。
步骤104，计算设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签。
在本申请实施例中，信度函数是指台区某设备故障所有子集的概率之和，表示该设备故障为真的概率，由于融合后的台区某设备对应的故障概率只有一个，即台区某设备综合故障概率，因此台区某设备故障概率的信度函数值等于其综合故障概率，即
Figure BDA0003946954400000081
式中：
Figure BDA0003946954400000082
表示Tl时刻下融合后设备k故障信任度下限估计，
Figure BDA0003946954400000083
表示Tl时刻下融合后设备k的设备综合故障概率。
需要说明的是，设备标签包括：变压器故障标签、线路i设备故障标签、用户j设备故障标签和设备正常标签。
步骤105，基于台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算台区故障设备标签对应的故障预警时间。
需要说明的是，停电系数是由台区设备对应的历史停电次数所占该台区的总停电次数的比率统计得到，停电系数越大，表明该故障造成台区停电的概率越大。
在本申请实施例中，构建各个设备综合故障概率对应的历史统计的停电故障预警时间、停电系数和设备使用年限之间的拟合函数，即
Figure BDA0003946954400000084
式中，t为历史统计的停电故障预警时间，σ为停电系数，ρ为设备综合故障概率，n为设备使用年限，α和β为待求参数。
采用最小二乘法计算出拟合函数内的待求参数，生成目标拟合函数；将台区故障设备标签对应的综合故障概率、停电系数和使用年限输入到目标拟合函数中，生成台区故障设备标签对应的故障预警时间。
步骤106，采用台区故障设备标签和故障预警时间，生成预警信息并输出。
在本申请实施例中，采用台区故障设备标签和故障预警时间生成预警信息并输出，从而实现台区故障设备的定位和故障设备未来发生故障的时间预警。
在本申请实施例中，获取多种台区数据并进行归一化，得到多种待预警数据；通过目标DBN模型对各种待预警数据分别进行设备故障预测，生成多个设备故障概率向量并进行数据融合，从而生成设备综合故障概率向量；计算设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签；基于台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算台区故障设备标签对应的故障预警时间；采用台区故障设备标签和故障预警时间，生成预警信息并输出，从而解决了现有技术中对于配电网故障预警诊断并未考虑到故障情况下保护或开关拒动、误动以及信息畸变时对故障诊断产生的影响，且不能全面有效利用台区多源信息，导致台区故障预警的准确度较低的技术问题。
请参阅图3，图3为本发明可选实施例提供的一种台区停电故障预警方法的步骤流程图。
本发明提供了一种台区停电故障预警方法，所述方法包括以下步骤：
步骤201，获取多种台区数据并进行归一化，得到多种待预警数据。
在本申请可选实施例中，步骤201的具体实施过程与上述步骤101类似，在此不再赘述。
步骤202，采用多层RBM网络结构和一层BP网络结构构建初始DBN模型。
需要说明的是，初始DBN模型主要是由多层受限玻尔兹曼机(RestrictedBoltzmann Machine，RBM)和一层反向传播神经网络(Back Propagation，BPNN)构成。训练过程中，首先利用RBM的无监督学习方式进行预训练，再利用有监督的BP网络进行微调，充分结合了无监督学习和有监督学习的优势，不但解决了传统神经网络多层训练不适用问题，也解决了RBM训练无监督的问题。
步骤203，获取台区历史数据并进行归一化，得到历史训练数据。
在本申请可选实施例中，为获取多种台区历史数据，可以通过台区配电自动化系统、用户用电信息采集系统和气象采集系统进行采集，值得一提的是，在将历史训练数据输入到初始DBN模型之前，需将用户用电信息采集系统对应的历史训练数据内的设备停电时间和停电次数填充到台区配电自动化系统和气象采集系统对应的历史训练数据中。
步骤204，通过历史训练数据训练初始DBN模型，生成目标DBN模型。
步骤204包括以下子步骤S1-S4：
S1、将历史训练数据输入至首层RBM网络结构；
S2、通过多层RBM网络结构生成目标神经元激活状态数据并输送至BP网络结构，并通过BP网络结构对各层RBM网络结构进行反向微调；
需要说明的是，RBM网络结构是由可视层v(Visual Layer)和隐含层h(HiddenLayer)构成，可视层和隐含层之间神经元双向全连接，层内神经元不连接。
在本申请可选实施例中，从多层RBM网络结构选取首个可视层作为当前时刻的队首可视层，将历史训练数据输入到队首可视层；通过队首可视层计算关联的隐含层的中间神经元激活状态数据；从中间神经元激活状态数据中按照预设规则选取一个激活概率重构队首可视层，生成更新可视层；计算更新可视层关联的隐含层的神经元激活概率并重构，生成更新隐含层；将中间神经元激活状态数据作为新的历史训练数据，并从未选取的RBM网络结构中选取首个可视层作为当前时刻新的队首可视层；跳转执行将历史训练数据输入到队首可视层的步骤，直至全部RBM网络结构被选取。
在具体实现中，设置RBM网络结构有57个可视神经元，28个隐含神经元，在初始状态(1,1)下，其能量联合分布为：
Figure BDA0003946954400000101
式中，vi、hj分别为可视层的第i个可视神经元和隐含层的第j个隐含神经元，ai和bj分别为第i个可视神经元和第j个隐含神经元的偏置量，Wij为第i个可视神经元和第j个隐含神经元之间的连接权值。
利用定义的能量函数，可以给出状态(1,1)的联合概率分布，即
Figure BDA0003946954400000102
Figure BDA0003946954400000103
式中，Zθ为归一化因子，也称分配函数。
当第j个隐含神经元hj被激活时，其激活概率为：
Figure BDA0003946954400000111
式中，Sigmoid为激活函数，即
Figure BDA0003946954400000112
由于可视层和隐含层之间是双向连接的，当隐含层神经元被激活，可视层对应的神经元也同样被激活，其被激活的概率为：
Figure BDA0003946954400000113
RBM采用对比散度(Contrastive Divergence，CD)算法进行训练，通过计算隐含神经元hj被激活的概率，并设置μ＝0.8为激活阈值，当hj被激活的概率不小于μ时，则hj被激活，记hj＝1；否则不被激活，记hj＝0，即
P(hj|x)≥0.8,hj＝1
P(hj|x)＜0.8,hj＝0
采用Gibbs抽样，从计算得的隐含神经元激活概率分布中抽取一个样本，用于重构可视层，从而计算出可视层神经元被激活的概率；再用同样的抽样方法重新计算隐含层神经元被激活的概率。
S3、若反向微调的次数未达到预设的迭代阈值，则跳转执行将历史训练数据输入至首层RBM网络结构的步骤；
S4、若反向微调的次数达到预设的迭代阈值，则采用当前时刻的多层RBM网络结构和BP网络结构，生成目标DBN模型。
步骤205，通过目标DBN模型对各种待预警数据分别进行设备故障预测，生成多个设备故障概率向量。
在本申请可选实施例中，步骤205的具体实施过程与上述步骤102类似，在此不再赘述。
步骤206，采用全部设备故障概率向量进行数据融合，生成设备综合故障概率向量。
可选地，步骤206包括以下子步骤：
若设备故障概率向量不为空集时，将各个设备故障概率输入到融合函数中，分别生成设备综合故障概率；
在本申请可选实施例中，可以设定一个
Figure BDA0003946954400000114
为3个系统的融合框架，
Figure BDA0003946954400000121
表示每个系统故障概率可能取值的一个集合，
Figure BDA0003946954400000122
Figure BDA0003946954400000123
Figure BDA0003946954400000124
为Tl时刻下的k设备对应的设备故障状态标签，
Figure BDA0003946954400000125
取值为1表示故障状态，
Figure BDA0003946954400000126
取值为0表示非故障状态，s＝1,2,3，分别表示配电自动化系统、用户用电信息采集系统和气象信息采集系统，k为设备的ID，k＝1表示变压器设备标签，k＝2i表示线路i设备标签，k＝3j表示用户j设备标签，k＝4表示设备处于正常状态标签。
函数m:2U→[0,1](2U为U的所有子集构成的集合)，需满足下列条件。
Figure BDA0003946954400000127
式中，m为台区故障的概率分配函数，
Figure BDA0003946954400000128
为s系统在Tl时刻下的k设备发生故障的概率，即
Figure BDA0003946954400000129
为目标DBN模型生成的设备故障概率向量内的设备故障概率，
Figure BDA00039469544000001210
为空集。
当
Figure BDA00039469544000001211
为
Figure BDA00039469544000001212
时，融合框架U中每种设备故障概率融合后的设备综合故障概率为0；当
Figure BDA00039469544000001213
不为
Figure BDA00039469544000001214
时，融合框架U中每种设备故障概率融合后的设备综合故障概率为：
Figure BDA00039469544000001215
式中，
Figure BDA00039469544000001216
和
Figure BDA00039469544000001217
是
Figure BDA00039469544000001218
的任意子集，
Figure BDA00039469544000001219
为Tl时刻下融合后的k设备对应的设备故障状态标签，
Figure BDA00039469544000001220
为s系统在Tl时刻下的k设备发生故障的概率。
采用全部设备综合故障概率生成设备综合故障概率向量。
步骤207，计算设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签。
可选地，步骤207包括以下子步骤：
计算设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值；
选取最大的信度函数值所属设备标签作为台区故障设备标签。
步骤208，基于台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算台区故障设备标签对应的故障预警时间。
可选地，步骤208包括以下子步骤：
构建各个设备综合故障概率对应的历史统计的停电故障预警时间、停电系数和设备使用年限之间的拟合函数；
采用最小二乘法计算出拟合函数内的待求参数，生成目标拟合函数；
将台区故障设备标签对应的综合故障概率、停电系数和使用年限输入到目标拟合函数中，生成台区故障设备标签对应的故障预警时间。
在本申请可选实施例中，参考图4，以典型台区低压拓扑为例，将台区线路分成若干段，并且台区包含若干用户。该台区不同的故障类型对应的停电系数如表1所示。
表1不同故障类型停电系数
Figure BDA0003946954400000131
以典型台区拓扑为例，一个时刻的拟合样本集合由
Figure BDA0003946954400000132
共22个样本点构成，取T个时刻的历史统计样本集合作为拟合样本集合，则拟合样本点共22T个，构建
Figure BDA0003946954400000133
与tg,k的拟合函数，即
Figure BDA0003946954400000134
式中，t为历史统计的停电故障预警时间，σ为停电系数，p为设备综合故障概率，n为设备使用年限，α和β为待求参数。
采用最小二乘法求取待求参数α和β，得到拟合函数的残差平方和为：
Figure BDA0003946954400000141
式中，g＝1,…,T,k∈K＝{1,21,…,2i,31,…,3j,4}，tg,k为第g个时刻设备k的历史统计的停电故障预警时间，α和β为待求参数，nk为设备k的使用年限，σg,k为第g个时刻设备k的停电系数，pg,k为第g个时刻设备k的设备综合故障概率。
为使残差尽可能小，将拟合函数的残差平方和式子的右侧函数分别对α和β求偏导并令其等于0，得到拟合方程组，即
Figure BDA0003946954400000142
式中，g＝1,…,T,k∈K＝{1,21,…,2i,31,…,3j,4}，22T为拟合样本采样点的个数，nk为设备k的使用年限，σg,k为第g个时刻设备k的停电系数，pg,k为第g个时刻设备k的设备综合故障概率，tg,k为第g个时刻设备k的历史统计的停电故障预警时间。
将22T个拟合样本点代入拟合方程组中，求得待求参数α和β；将计算得到的待求参数α和β代入到拟合函数中，得到典型台区的目标拟合函数，即
Figure BDA0003946954400000143
式中，t为设备故障预警时间，σ为停电系数，n为设备使用年限，p为设备综合故障概率。
当目标拟合函数确定后，在运行阶段将台区故障设备标签对应的综合故障概率、停电系数和使用年限输入到目标拟合函数中，生成台区故障设备标签对应的故障预警时间。
步骤209，采用台区故障设备标签和故障预警时间，生成预警信息并输出。
在本申请实施例中，步骤209的具体实施过程与上述步骤106类似，在此不再赘述。
在本申请实施例中，获取多种台区数据并进行归一化，得到多种待预警数据；采用多层RBM网络结构和一层BP网络结构构建初始DBN模型，利用历史训练数据对初始DBN模型进行训练，生成目标DBN模型；通过目标DBN模型对各种待预警数据分别进行设备故障预测，生成多个设备故障概率向量并进行数据融合，从而生成设备综合故障概率向量；计算设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签；基于台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算台区故障设备标签对应的故障预警时间；采用台区故障设备标签和故障预警时间，生成预警信息并输出，从而解决了现有技术中对于配电网故障预警诊断并未考虑到故障情况下保护或开关拒动、误动以及信息畸变时对故障诊断产生的影响，且不能全面有效利用台区多源信息，导致台区故障预警的准确度较低的技术问题。
请参阅图5，图5为本发明实施例提供的一种台区停电故障预警系统，包括：
数据获取模块501，用于获取多种台区数据并进行归一化，得到多种待预警数据；
故障预测模块502，用于通过目标DBN模型对各种待预警数据分别进行设备故障预测，生成多个设备故障概率向量；
数据融合模块503，用于采用全部设备故障概率向量进行数据融合，生成设备综合故障概率向量；
故障定位模块504，用于计算设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签；
故障预警时间模块505，用于基于台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算台区故障设备标签对应的故障预警时间；
故障信息预警输出模块506，用于采用台区故障设备标签和故障预警时间，生成预警信息并输出；
可选地，系统还包括：
初始模型构建模块，用于采用多层RBM网络结构和一层BP网络结构构建初始DBN模型；
训练数据获取模块，用于获取台区历史数据并进行归一化，得到历史训练数据；
模型训练模块，用于通过历史训练数据训练初始DBN模型，生成目标DBN模型。
可选地，模型训练模块包括：
训练数据输入子模块，用于将历史训练数据输入至首层RBM网络结构；
数据调整子模块，用于通过多层RBM网络结构生成目标神经元激活状态数据并输送至BP网络结构，并通过BP网络结构对各层RBM网络结构进行反向微调；
返回子模块，用于若反向微调的次数未达到预设的迭代阈值，则跳转执行将历史训练数据输入至首层RBM网络结构的步骤；
目标模型生成子模块，用于若反向微调的次数达到预设的迭代阈值，则采用当前时刻的多层RBM网络结构和BP网络结构，生成目标DBN模型。
可选地，数据调整子模块包括：
输入单元，用于将历史训练数据输入到队首可视层；
激活单元，用于通过队首可视层计算关联的隐含层的中间神经元激活状态数据；
可视层更新单元，用于从中间神经元激活状态数据中按照预设规则选取一个激活概率重构队首可视层，生成更新可视层；
隐含层更新单元，用于计算更新可视层关联的隐含层的神经元激活概率并重构，生成更新隐含层；
选取单元，用于将中间神经元激活状态数据作为新的历史训练数据，并从未选取的RBM网络结构中选取首个可视层作为当前时刻新的队首可视层；
跳转单元，用于跳转执行将历史训练数据输入到队首可视层的步骤，直至全部RBM网络结构被选取。
可选地，数据融合模块包括：
设备综合故障概率生成子模块，用于若设备故障概率向量不为空集时，将各个设备故障概率输入到融合函数中，分别生成设备综合故障概率；
设备综合故障概率向量生成子模块，用于采用全部设备综合故障概率生成设备综合故障概率向量。
可选地，故障定位模块包括：
信度函数值计算模块，用于计算设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值；
台区故障设备标签选取模块，选取最大的信度函数值所属设备标签作为台区故障设备标签。
可选地，故障预警时间模块包括：
拟合函数构建模块，用于构建各个设备综合故障概率对应的历史统计的停电故障预警时间、停电系数和设备使用年限之间的拟合函数；
目标拟合函数生成模块，用于采用最小二乘法计算出拟合函数内的待求参数，生成目标拟合函数；
故障预警时间计算模块，用于将台区故障设备标签对应的综合故障概率、停电系数和使用年限输入到目标拟合函数中，生成台区故障设备标签对应的故障预警时间。
本申请实施例提供的台区停电故障预警系统，根据数据获取模块得到多种待预警数据，将多种待预警数据输入到故障预测模块进行故障预测，生成多个设备故障概率向量；将多个设备故障概率向量输入到数据融合模块生成设备综合故障概率向量并输入到故障定位模块，获取到台区故障设备标签；将台区故障设备标签故障预警时间模块生成故障预警时间；基于台区故障设备标签和故障预警时间，将其输入到故障信息预警输出模块，生成预警信息并输出，从而解决了现有技术中对于配电网故障预警诊断并未考虑到故障情况下保护或开关拒动、误动以及信息畸变时对故障诊断产生的影响，且不能全面有效利用台区多源信息，导致台区故障预警的准确度较低的技术问题。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，模块，子模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；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 (10)

1.一种台区停电故障预警方法，其特征在于，包括：
获取多种台区数据并进行归一化，得到多种待预警数据；
通过目标DBN模型对各种所述待预警数据分别进行设备故障预测，生成多个设备故障概率向量；
采用全部所述设备故障概率向量进行数据融合，生成设备综合故障概率向量；
计算所述设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签；
基于所述台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算所述台区故障设备标签对应的故障预警时间；
采用所述台区故障设备标签和所述故障预警时间，生成预警信息并输出。
2.根据权利要求1所述的台区停电故障预警方法，其特征在于，所述方法还包括：
采用多层RBM网络结构和一层BP网络结构构建初始DBN模型；
获取台区历史数据并进行归一化，得到历史训练数据；
通过所述历史训练数据训练所述初始DBN模型，生成目标DBN模型。
3.根据权利要求2所述的台区停电故障预警方法，其特征在于，所述通过历史训练数据训练所述初始DBN模型，生成DBN模型的步骤，包括：
将所述历史训练数据输入至首层所述RBM网络结构；
通过多层所述RBM网络结构生成目标神经元激活状态数据并输送至所述BP网络结构，并通过BP网络结构对各层所述RBM网络结构进行反向微调；
若所述反向微调的次数未达到预设的迭代阈值，则跳转执行将所述历史训练数据输入至首层所述RBM网络结构的步骤；
若所述反向微调的次数达到预设的迭代阈值，则采用当前时刻的多层所述RBM网络结构和所述BP网络结构，生成目标DBN模型。
4.根据权利要求3所述的台区停电故障预警方法，其特征在于，所述RBM网络结构包括可视层和隐含层；所述通过多层所述RBM网络结构生成目标神经元激活状态数据并输送至所述BP网络结构，并通过BP网络结构对各层所述RBM网络结构进行反向微调的步骤，包括：
从多层所述RBM网络结构选取首个可视层作为当前时刻的队首可视层；
将所述历史训练数据输入到所述队首可视层；
通过所述队首可视层计算关联的所述隐含层的中间神经元激活状态数据；
从所述中间神经元激活状态数据中按照预设规则选取一个激活概率重构所述队首可视层，生成更新可视层；
计算所述更新可视层关联的隐含层的神经元激活概率并重构，生成更新隐含层；
将所述中间神经元激活状态数据作为新的历史训练数据，并从未选取的所述RBM网络结构中选取首个可视层作为当前时刻新的队首可视层；
跳转执行所述将所述历史训练数据输入到所述队首可视层的步骤，直至全部所述RBM网络结构被选取。
5.根据权利要求1所述的台区停电故障预警方法，其特征在于，所述采用全部所述设备故障概率向量进行数据融合，生成设备综合故障概率向量的步骤，包括：
若所述设备故障概率向量不为空集时，将所述各个设备故障概率输入到融合函数中，分别生成设备综合故障概率；
采用全部所述设备综合故障概率生成设备综合故障概率向量；
其中，所述融合函数为：
Figure FDA0003946954390000021
式中：
Figure FDA0003946954390000022
为Tl时刻下融合后的k设备对应的设备故障状态标签，
Figure FDA0003946954390000023
Figure FDA0003946954390000024
和
Figure FDA0003946954390000025
是
Figure FDA0003946954390000026
的任意子集，
Figure FDA0003946954390000027
Figure FDA0003946954390000028
Figure FDA0003946954390000029
为s系统在Tl时刻下的k设备发生故障的概率，
Figure FDA00039469543900000210
为Tl时刻下的k设备对应的设备故障状态标签，
Figure FDA00039469543900000211
取值为1表示故障状态，
Figure FDA00039469543900000212
取值为0表示非故障状态，s＝1,2,3，分别表示配电自动化系统、用户用电信息采集系统和气象信息采集系统，k为设备的ID，k∈K＝{1,21,…,2i,31,…,3j,4}，k＝1表示变压器设备标签，k＝2i表示线路i设备标签，k＝3j表示用户j设备标签，k＝4表示设备处于正常状态标签。
6.根据权利要求1所述的台区停电故障预警方法，其特征在于，所述计算所述设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签的步骤，包括：
计算所述设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值；
选取最大的信度函数值所属设备标签作为台区故障设备标签；
所述信度函数值为：
Figure FDA0003946954390000031
式中：
Figure FDA0003946954390000032
表示Tl时刻下融合后设备k故障信任度下限估计，
Figure FDA0003946954390000033
表示Tl时刻下融合后设备k的设备综合故障概率。
7.根据权利要求1所述的台区停电故障预警方法，其特征在于，所述基于所述台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算所述台区故障设备标签对应的故障预警时间的步骤，包括：
构建各个所述设备综合故障概率对应的历史统计的停电故障预警时间、停电系数和设备使用年限之间的拟合函数；
采用最小二乘法计算出所述拟合函数内的待求参数，生成目标拟合函数；
将所述台区故障设备标签对应的综合故障概率、停电系数和使用年限输入到所述目标拟合函数中，生成所述台区故障设备标签对应的故障预警时间；
所述拟合函数为：
Figure FDA0003946954390000034
式中：t为历史统计的停电故障预警时间，σ为停电系数，p为设备综合故障概率，n为设备使用年限，α和β为待求参数。
8.一种台区停电故障预警系统，其特征在于，包括：
数据获取模块，用于获取多种台区数据并进行归一化，得到多种待预警数据；
故障预测模块，用于通过目标DBN模型对各种所述待预警数据分别进行设备故障预测，生成多个设备故障概率向量；
数据融合模块，用于采用全部所述设备故障概率向量进行数据融合，生成设备综合故障概率向量；
故障定位模块，用于计算所述设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签；
故障预警时间模块，用于基于所述台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算所述台区故障设备标签对应的故障预警时间；
故障信息预警输出模块，用于采用所述台区故障设备标签和所述故障预警时间，生成预警信息并输出。
9.根据权利要求8所述的台区停电故障预警系统，其特征在于，所述系统还包括：
初始模型构建模块，用于采用多层RBM网络结构和一层BP网络结构构建初始DBN模型；
训练数据获取模块，用于获取台区历史数据并进行归一化，得到历史训练数据；
模型训练模块，用于通过所述历史训练数据训练所述初始DBN模型，生成目标DBN模型。
10.根据权利要求9所述的台区停电故障预警系统，其特征在于，所述模型训练模块包括：
训练数据输入子模块，用于将所述历史训练数据输入至首层所述RBM网络结构；
数据调整子模块，用于通过多层所述RBM网络结构生成目标神经元激活状态数据并输送至所述BP网络结构，并通过BP网络结构对各层所述RBM网络结构进行反向微调；
返回子模块，用于若所述反向微调的次数未达到预设的迭代阈值，则跳转执行将所述历史训练数据输入至首层所述RBM网络结构的步骤；
目标模型生成子模块，用于若所述反向微调的次数达到预设的迭代阈值，则采用当前时刻的多层所述RBM网络结构和所述BP网络结构，生成目标DBN模型。
CN202211435256.6A 2022-11-16 2022-11-16 一种台区停电故障预警方法和系统 Pending CN115902510A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211435256.6A CN115902510A (zh) 2022-11-16 2022-11-16 一种台区停电故障预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211435256.6A CN115902510A (zh) 2022-11-16 2022-11-16 一种台区停电故障预警方法和系统

Publications (1)

Publication Number Publication Date
CN115902510A true CN115902510A (zh) 2023-04-04

Family

ID=86490945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211435256.6A Pending CN115902510A (zh) 2022-11-16 2022-11-16 一种台区停电故障预警方法和系统

Country Status (1)

Country Link
CN (1) CN115902510A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117074628A (zh) * 2023-10-17 2023-11-17 山东鑫建检测技术有限公司 一种多传感器空气质量检测设备故障定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117074628A (zh) * 2023-10-17 2023-11-17 山东鑫建检测技术有限公司 一种多传感器空气质量检测设备故障定位方法
CN117074628B (zh) * 2023-10-17 2024-01-09 山东鑫建检测技术有限公司 一种多传感器空气质量检测设备故障定位方法

Similar Documents

Publication Publication Date Title
Yongli et al. Bayesian networks-based approach for power systems fault diagnosis
CN105608634A (zh) 一种基于贝叶斯网络的电网风险预警评估模型
CN104459378A (zh) 一种智能变电站故障诊断方法
CN113343581B (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
Guo et al. Evidence-based approach to power transmission risk assessment with component failure risk analysis
CN115902510A (zh) 一种台区停电故障预警方法和系统
CN115453267A (zh) 一种电力信息系统故障诊断系统
CN110412417B (zh) 基于智能电力监测仪表的微电网数据故障诊断方法
Ying et al. Research on state evaluation and risk assessment for relay protection system based on machine learning algorithm
Atrigna et al. A machine learning approach to fault prediction of power distribution grids under heatwaves
WO2014185921A1 (en) Systems and methods for meter placement in power grid networks
Li et al. A probabilistic data-driven method for response-based load shedding against fault-induced delayed voltage recovery in power systems
Koziel et al. Application of big data analytics to support power networks and their transition towards smart grids
Mbey et al. Fault detection and classification using deep learning method and neuro‐fuzzy algorithm in a smart distribution grid
Shang et al. Loss of life estimation of distribution transformers considering corrupted AMI data recovery and field verification
Shan et al. Root Cause Analysis of Failures for Power Communication Network Based on CNN
CN114400776A (zh) 基于数字镜像的变电站自动化设备状态诊断方法和系统
CN111413583A (zh) 一种配电网区段定位的实时线性整数规划方法
Uzunoğlu Locating distribution power system fault employing Bayes theorem with subjective logic
CN112187526B (zh) 电网调度的复杂故障诊断方法、装置和计算机设备
Ebrahimi et al. A novel method for constructing the Bayesian network for detailed reliability assessment of power systems
Lakehal et al. A Hybrid Bayesian Network Based Method to Assess and Predict Electrical Power Network Reliability
CN117728585B (zh) 一种分布式光伏电站状态预测方法及系统
Chen et al. Intelligent Fault Diagnosis of CINRAD Radar Based on Fault Tree and Bayesian Network
Armendariz et al. Method for reliability analysis of distribution grid communications using PRMs-Monte Carlo methods

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