CN116070140B - 一种配电变电站安全运行状态监测系统及方法 - Google Patents
一种配电变电站安全运行状态监测系统及方法 Download PDFInfo
- Publication number
- CN116070140B CN116070140B CN202310339441.3A CN202310339441A CN116070140B CN 116070140 B CN116070140 B CN 116070140B CN 202310339441 A CN202310339441 A CN 202310339441A CN 116070140 B CN116070140 B CN 116070140B
- Authority
- CN
- China
- Prior art keywords
- state data
- data
- state
- distribution substation
- power distribution
- 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 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000036541 health Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提出了一种配电变电站安全运行状态监测系统及方法,涉及配电变电站安全技术领域,通过智能传感器层对不同采样点的配电变电站故障前期的状态数据进行采集,对所采集到的状态数据进行数据归一化和标准化数据预处理;构成多组归一化值构成的阵列,计算阵列数据之间的距离,来表征数据异常程度,将距离大于阈值的采样点的状态数据去除;预测正常状态数据对应的配电变电站的剩余寿命;提取故障时刻的电流波形,构造特征量序列;利用小波神经网络进行状态数据分析,将运行状态归类。提高了配电变压站在线监测管理水平和类型分析的效率,提升了配电变压站的安全性和可靠性。
Description
技术领域
本发明涉及配电变电站安全监测技术领域,具体涉及一种配电变电站安全运行状态监测系统及方法。
背景技术
配电网作为电力系统的终端部分,其运行的安全性和稳定性直接影响电力系统的供电可靠性,配电变压站作为配电网的关键设备之一,它的正常运行是配电系统可靠,安全,经济,高质量运行的重要保证。实际运行时,配电变压站会经历一系列的老化状态,当老化程度逐渐加重,由量变积累到质变时,最终会导致配电变压站故障。因此,配电变压站健康管理中的一个重要环节,就是对配电变压站从正常到故障之间的演变规律进行准确地判断和划分,这一环节对配电变压站的健康管理过程非常重要。为了确保配电变压站能够稳定运行,对其进行健康状态评估,进而进行风险评估,并制定状态检修策略意义重大。
目前,针对配电变压站在实际运行过程中可能产生的故障,主要采用定期检修和事检按后检修的方式来消除,但上述检修方法无法达到预期的效果,反而存在检修费用高、修过度,出现故障时无法及时检修等不足。
对变压站运行状态评估方面的研究比较广泛,但对配电变压站健康状态评估的研究相对较少。对配电变压站健康状态进行评估时,采用的评估方法单一、评估理论各有优缺点,因而很难准确地评估配电变压站的健康状态,为了更科学准确地评估配电变压站的健康状态,今后的研究应朝着将多种评估方法、理论进行融合,完成配电变压站的健康状态评估。健康状态评估是状态检修决策的基础和核心,因此,对配电变压站进行健康状态评估意义巨大。
发明内容
为了解决上述技术问题,本发明提出了一种配电变电站安全运行状态监测方法,包括如下步骤:
S1、通过智能传感器层对不同采样点的配电变电站故障前期的状态数据进行采集,对所采集到的状态数据进行数据归一化和标准化数据预处理;
S2、以当前采样点的M个点为一组,构成多组归一化值构成的阵列,计算阵列数据之间的距离,来表征数据异常程度,将距离大于阈值的采样点的状态数据去除;
S3、根据去除异常的状态数据后剩余的正常状态数据,预测正常状态数据对应的配电变电站的剩余寿命;
S4、基于配电变压站的平均剩余寿命,生成故障时刻,提取故障时刻的电流波形,构造特征量序列;
S5、将特征量序列作为输入数据,利用小波神经网络进行状态数据分析,将运行状态归类。
其中,j为两个采样点之间的间隔数,j=1,2,…,n;
进一步地,x为采集终端采集到的波形收集信号,将故障时刻的电流波形提取,波形信号x的频率函数f(x)为:
式中:N为分解总层数;
以能量比作为特征量序列Z,即:
进一步地,步骤S5中,
采用小波神经网络进行状态数据分析,将运行状态归类。
本发明还提出了一种配电变电站安全运行状态监测系统,用于实现配电变电站安全运行状态监测方法,包括:智能传感器层、数据处理单元、异常数据判断单元和运行状态归类单元;
所述智能传感器层,用于对2n个采样点的配电变电站故障前期的状态数据进行采集;
数据处理单元,计算目标n个采样点的状态数据x(n)与其余的n个采样点的状态数据y(n)归一化值;
所述异常数据判断单元,将多组归一化值构成阵列,计算阵列中数据之间的距离,来表征数据异常程度,将距离大于阈值的状态数据y(n+1)至y(n+M)中的状态数据去除;
所述运行状态归类单元,根据去除异常的状态数据后剩余的正常状态数据,预测正常状态数据对应的配电变电站的剩余寿命和故障概率,提取故障时刻配电变压站的电流波形,构造特征量序列,利用小波神经网络函数进行状态数据分析,将运行状态归类。
进一步地,运行状态归类单元包括:剩余寿命计算模块、特征量序列构造模块和小波神经网络分析模块;
所述剩余寿命计算模块,根据去除异常的状态数据后剩余的正常状态数据,预测正常状态数据对应的配电变电站的剩余寿命和故障概率。
所述特征量序列构造模块,提取故障时刻配电变压站的电流波形,构造特征量序列。
所述小波神经网络分析模块,将特征量序列作为输入数据,利用小波神经网络函数进行状态数据分析,将运行状态归类。
相比于现有技术,本发明具有如下有益技术效果:
通过智能传感器层对不同采样点的配电变电站故障前期的状态数据进行采集,对所采集到的状态数据进行数据归一化和标准化数据预处理;计算阵列数据之间的距离,来表征数据异常程度,将距离大于阈值的采样点的状态数据去除;根据去除异常的状态数据后剩余的正常状态数据,预测正常状态数据对应的配电变电站的剩余寿命提取故障时刻的电流波形,构造特征量序列;将特征量序列作为输入数据,利用小波神经网络进行状态数据分析,将运行状态归类。提高了配电变压站在线监测管理水平和类型分析的效率,提升了配电变压站的安全性和可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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他的附图。
图1为本发明的配电变电站安全运行状态监测方法的流程示意图;
图2为本发明的配电变电站安全运行状态监测系统结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本发明的具体实施例附图中,为了更好、更清楚的描述系统中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示,为本发明的配电变电站安全运行状态监测方法的流程示意图,包括如下步骤:
S1、通过智能传感器层对2n个采样点的配电变电站故障前期的状态数据进行采集,计算目标n个采样点的状态数据x(n)与其余的n个采样点的状态数据y(n)归一化值。
其中,j为两个采样点之间的间隔数,j=1,2,…,n-1。
S2、以距离每个采样点的状态数据x(n)的1至M个间隔数的状态数据y(n+1)至y(n+M)为一组,得到一组归一化值,多组归一化值构成阵列,计算阵列中数据之间的距离,来表征数据异常程度,将距离大于阈值的状态数据y(n+1)至y(n+M)中的状态数据去除。
式中表示阵列元素的向量内积,阵列元素间的距离反映它们之间的支持程度,距离越小,表示阵列元素间的支持程度越大。阵列元素间的相似度是根据阵列元素间的距离计算的,相似度越大,表示阵列元素间的距离越小,支持程度越大。
S3、根据去除异常的状态数据后剩余的正常状态数据,预测正常状态数据对应的配电变电站的剩余寿命和故障概率。
S4、提取故障时刻配电变压站的电流波形,构造特征量序列Z。
设x为采集终端采集到的配电变压站的波形信号,将故障时刻的电流波形提取出来,为了将故障时刻的电流波形能量完整保留,使用正交分解法,波形信号x的频率函数f(x)为:
式中:N为分解总层数。
以能量比作为特征量序列Z,即:
S5、将特征量序列作为输入数据,利用小波神经网络函数进行状态数据分析,将运行状态归类。
小波神经网络是基于小波分析理论构造的一种神经元网络,它由输入层、隐含层和输出层组成。神经元网络的诊断策略是通过不断改变小波基的形状和尺度来调整网络的权值和阈值,进而使得误差平方和最小。
小波神经网络既有小波变换良好的局部化优势,也具有神经网络自学习能力,具有更强的逼近能力和模式识别能力,因此本发明把小波神经网络引入到配电变电站的状态监测系统中。
采用小波神经网络进行状态数据分析,将运行状态归类。
在优选实施例中,根据配电变压站状态数据和输入的类型标签,计算小波神经网络能够训练的最大网络层数,使用得到的小波神经网络对未含有类型标签的配电变压站状态数据进行故障预测。
如图2所示,为本发明的配电变电站安全运行状态监测系统结构示意图,包括:智能传感器层、数据处理单元、异常数据判断单元和运行状态归类单元。
通过智能传感器层对2n个采样点的配电变电站故障前期的状态数据进行采集;
数据处理单元,计算目标n个采样点的状态数据x(n)与其余的n个采样点的状态数据y(n)归一化值;
异常数据判断单元,将多组归一化值构成阵列,计算阵列中数据之间的距离,来表征数据异常程度,将距离大于阈值的状态数据y(n+1)至y(n+M)中的状态数据去除。
运行状态归类单元,根据去除异常的状态数据后剩余的正常状态数据,预测正常状态数据对应的配电变电站的剩余寿命和故障概率,提取故障时刻配电变压站的电流波形,构造特征量序列,利用小波神经网络函数进行状态数据分析,将运行状态归类。
运行状态归类单元包括:剩余寿命计算模块、特征量序列构造模块和小波神经网络分析模块。
剩余寿命计算模块,根据去除异常的状态数据后剩余的正常状态数据,预测正常状态数据对应的配电变电站的剩余寿命和故障概率。
特征量序列构造模块,提取故障时刻配电变压站的电流波形,构造特征量序列。
小波神经网络分析模块,将特征量序列作为输入数据,利用小波神经网络函数进行状态数据分析,将运行状态归类。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种配电变电站安全运行状态监测方法,其特征在于,包括如下步骤:
S1、通过智能传感器层对2n个采样点的配电变电站故障前期的状态数据进行采集,将2n个采样点下具有不同单位的状态数据进行归一化和标准化处理,将目标n个采样点的状态数据x(n)与其余的n个采样点的状态数据y(n)分别求取有效值为:
其中,定义n个采样点的状态数据x(n)与其余的n个采样点的状态数据y(n)关联函数rxy(j)如下:
其中,j为两个采样点之间的间隔数,j=1,2,…,n-1;
S2、以距离每个采样点的状态数据x(n)的1至M个间隔数的状态数据y(n+1) 至y(n+M)为一组,得到一组归一化值,多组归一化值构成阵列,计算阵列中数据之间的距离,将距离大于阈值的状态数据y(n+1)至y(n+M)中的状态数据去除;
S3、根据去除异常的状态数据后剩余的正常状态数据,预测正常状态数据对应的配电变电站的剩余寿命和故障概率;
S4、提取故障时刻配电变压站的电流波形,构造特征量序列;
S5、将特征量序列作为输入数据,利用小波神经网络函数进行状态数据分析,将运行状态归类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339441.3A CN116070140B (zh) | 2023-04-03 | 2023-04-03 | 一种配电变电站安全运行状态监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339441.3A CN116070140B (zh) | 2023-04-03 | 2023-04-03 | 一种配电变电站安全运行状态监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070140A CN116070140A (zh) | 2023-05-05 |
CN116070140B true CN116070140B (zh) | 2023-07-14 |
Family
ID=86171781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310339441.3A Active CN116070140B (zh) | 2023-04-03 | 2023-04-03 | 一种配电变电站安全运行状态监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070140B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251804B (zh) * | 2023-11-17 | 2024-04-19 | 天津中电华利电器科技集团有限公司 | 一种变电室运行状态监测数据处理系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002090266A (ja) * | 2000-09-20 | 2002-03-27 | Mitsui Eng & Shipbuild Co Ltd | 余寿命予測装置 |
CN103018673B (zh) * | 2012-11-19 | 2015-01-21 | 北京航空航天大学 | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 |
CN103941191B (zh) * | 2014-03-26 | 2016-05-04 | 海博瑞恩电子科技无锡有限公司 | 一种储能装置综合管理的方法及储能装置 |
CN109389325B (zh) * | 2018-11-02 | 2021-10-08 | 国网四川省电力公司电力科学研究院 | 基于小波神经网络的变电站电子式互感器状态评估方法 |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
-
2023
- 2023-04-03 CN CN202310339441.3A patent/CN116070140B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116070140A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN103675525B (zh) | 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法 | |
Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
WO2024146353A1 (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN116070140B (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
CN112180204A (zh) | 一种基于电气量信息的电网线路故障诊断方法 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
CN113985156A (zh) | 一种基于变压器声纹大数据的智能故障识别方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN117350447A (zh) | 一种适用于电网的多源异构电力数据融合算法 | |
CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和系统 | |
CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN113098640B (zh) | 一种基于频道占用度预测的频谱异常检测方法 | |
Chu et al. | A relaxed support vector data description algorithm based fault detection in distribution systems | |
CN112001073A (zh) | 一种牵引供电系统的可靠性分析研究方法 | |
CN111913065A (zh) | 一种基于Pair-Copula的贝叶斯网络变压器状态评估方法 | |
Li et al. | A Multiple Anomaly Detection Scheme and Random Forest Algorithm for Identifying the Incipient Faults in Transmission Network | |
Li et al. | Switchgear Insulation Condition Assessment with Multi-Dimensional Feature Database Based on an Optimal Grade Clustering Method | |
CN117172139B (zh) | 通信用铜包铝合金电缆的性能测试方法及系统 |
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 |