CN116125204A - 一种基于电网数字化的故障预测系统 - Google Patents

一种基于电网数字化的故障预测系统 Download PDF

Info

Publication number
CN116125204A
CN116125204A CN202310037343.4A CN202310037343A CN116125204A CN 116125204 A CN116125204 A CN 116125204A CN 202310037343 A CN202310037343 A CN 202310037343A CN 116125204 A CN116125204 A CN 116125204A
Authority
CN
China
Prior art keywords
data
power grid
fault
module
information
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
CN202310037343.4A
Other languages
English (en)
Inventor
程凌森
曾乔迪
王庭松
赵惠超
许杨俊
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.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute 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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202310037343.4A priority Critical patent/CN116125204A/zh
Publication of CN116125204A publication Critical patent/CN116125204A/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
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)

Abstract

本发明公开了一种基于电网数字化的故障预测系统，具体涉及电力系统的数字化处理技术领域，包括数据传输通信协议模块，是通过在电网中插入采集芯片，利用芯片的协议接口与电网数字化的故障预测系统中其他模块进行协议连接，用于数据的输入输出进行模块通信，将采集到电网的模拟信号传输到采集数据处理模块中进行数据处理；本发明具体采用数据传输通信协议模块增加了信号传输的专用通道功能，采集数据处理模块增加了采集信号的预处理，智能故障诊断模块增加了独立的处理器进行分布式综合计算，实现了故障诊断计算的准确性计算功能，达到了在电网数据分析处理时，解决效率提高和预测故障耗用时间较短的效果。

Description

一种基于电网数字化的故障预测系统
技术领域
本发明涉及电力系统的数字化处理技术领域，更具体地说，本发明涉及一种基于电网数字化的故障预测系统。
背景技术
随着电力电网系统的不断发展，对于电网中出现故障已经从最初的人工观察法到现在采用计算机技术、网络通信技术结合构建的软件系统进行电网故障检测，以及在搭建电网时就采用监控系统对电网出现故障问题进行在线监控，目前，智能故障预测技术和检测故障的方法，存在电力系统检测信息是局部的，以及检测故障处于浅层面上的分析处理。
现有的电网故障预测系统在采集数据时，采用理论方法在电网故障表面上进行故障诊断，评判故障浅显，处于表层面的预测，精确度较低，在采集信号时，通过遥测检测数据的更新变化，对电网通信运行状态进行故障判断，其次，工作人员在电网的变电站中进行电源开关、线路断控、有无功率局部测量及编辑执行指令反馈接收信号状态进行电网的故障检测，不能智能化预测故障信号。
现有的基于电网数字化的故障预测系统，通过有无线网络采集的数据量庞大，进行分析处理时，解决效率低和预测故障耗用时间长的问题，以及在电网故障时，传输的故障信息和传输过程的干扰信号，导致预测故障信息的不精确性的问题。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于电网数字化的故障预测系统，通过通信协议模块采集数据，避免干扰信号，多处理器接收信息共享分布式处理数据，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于电网数字化的故障预测系统，包括数据传输通信协议模块，是通过在电网中插入采集芯片，利用芯片的协议接口与电网数字化的故障预测系统中其他模块进行协议连接，用于数据的输入输出进行模块通信，将采集到电网的模拟信号传输到采集数据处理模块中进行数据处理；
采集数据处理模块，是通过模块上的协议端口接收数据传输通信协议模块传输的电网数据信息，将模拟信号转换成数字信号后，使用CPU进行数据信息的分类、判断、处理及存储，将处理后的数据信息分别传输到故障预测模块和智能故障诊断模块的处理器中进行并行分布式计算处理；
智能故障诊断模块，是接收采集数据处理模块初步处理的数字化电网数据信号，采用人工神经网络算法对异常信息进行识别诊断，以及采用粗糙集算法判断异常信号的具体类型，通过智能诊断出异常数据给传输到故障预测模块进行综合性状态预测评估；
故障预测模块，是接收采集数据处理模块初步处理的数字化电网数据信号和接收智能故障诊断模块诊断出的异常信号，通过实时数据信息的反馈与电网正常状态运行的数据进行趋势对比分析，预测故障根源，并把故障预测的数据结果传输到预警服务模块进行管控处理；
预警服务模块，是接收故障预测模块的预测数据信息，根据信息产生的故障影响度进行预警提示，以及利用电网自动化设备进行智能化调控服务，提高电网运行的稳定性和效率性。
在一个优选地实施方式中，所述数据传输通信协议模块是由变电站、智能传感器及电网传输线路结构通过有线连接模块引脚构成的，在模块上设有协议端口，用于匹配采集数据处理模块的协议端口进行数据信号的传输，所述变电站是电网中对电流、电压实行变换、升降处理及接受电能、分配电能的物理设备，变电站是由继电保护装置、自动装置、测控装置及计量装置组成的，通过自动化系统进行自动化控制；所述智能传感器是传感器集成化和微处理机结合组成的，具有信息采集、处理及交换通信功能的传感器，智能传感器检测电网中能够智能化舍弃干扰信号数据，把检测的模拟信号传送出来；所述电网传输线路是贯穿发电系统、输电系统和配电系统中的输送电力的高低压线路，电网传输线路是由导线、地线、杆塔、绝缘子和金属材料构架组成。
在一个优选地实施方式中，所述采集数据处理模块包括有采集信息统一模型处理、数据处理分析及数字化信息存储，所述采集信息统一模型处理是采用模数转换器，把采集电网智能传感器传输的模拟信号转换成CPU可处理的数字化信号，将采集的模拟信号统一化转换成数字化信号后，建立统一过程二维模型用于采集数据预处理，具体模型建立分为初始化阶段，将采集的电网的电流、电压、功率及运行状态数据信息进行初步分析；细化阶段，是完善数据信息的类属框架分析；构建阶段，是实现电网正常运行工作的配置过程；以及转换阶段，是将采集的信号部署到实际运行状态中，进行对比分析；所述数据处理分析是利用计算机技术中的处理器CPU将采集信息统一模型处理分析计算后的数据进行再处理，将对于原始电网运行正常的数字化信息对比分析后，清洗整理相同数据，分析出异常数据信息；所述数字化信息存储是使用随机存取存储器RAM的二进制数据存储单元与CPU直接联系，对CPU处理后的数据信息进行存放，读取及编写，存储单元进行数据交换、提取及储存，每个单元能存放一个二进制数及一条由二进制编码表示的指令。
在一个优选地实施方式中，所述智能故障诊断模块包括有ANN识别算法诊断和粗糙集归属算法分析，所述ANN识别算法诊断是以数学模型模拟神经元活动的，对模仿大脑神经网络结构和功能的信息处理单元，ANN算法是将若干个神经元相互连接形成的复杂处理算法，其中神经元之间用带可变权重的有向弧连接，网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重的方法，达到处理信息、模拟输入输出之间关系的目的，因此，采用ANN算法进行电网数字化故障的预测计算，具体是在数据传递过程中，输入层传输到中间层使用S型正切函数
Figure BDA0004041844070000041
中间层传输到输出层使用S型对数函数
Figure BDA0004041844070000042
将预测故障的计算步骤是先归一化处理
Figure BDA0004041844070000043
式中，max，min是已经故障信号的最大值和最小值；再根据数据分组处理，然后采用神经元进行网络训练和预测；最后将预测结果进行反归一化，得出预测结果n+1＝λn+1(max-min)+min。
在一个优选地实施方式中，所述粗糙集归属算法分析是将模糊的、不确定、不精确及没有明确界限的数据信息，粗糙集算法方法是使用等价关系将集合中的故障信息元素进行分类，生成集合的进行类属划分，与等价关系相对应，根据机器学习技术进行数据集的不定向描述与以用隶属度进行度量处理，具体为将电网中采集的数据信息的异常信号程度用粗糙度表示为
Figure BDA0004041844070000044
式中，card为故障信息集合的基数，通过判断αR(X)＝1的接近程度确认集合X相对于R的精度，X关于A粗糙度测量为ρA＝1-αR(X)，式中，0≤ρA＜1，粗糙性测度反应了信号的不完全程度，对于故障信号进行分类的能力和认知程度取决于所有故障信号的总量，故障信号总量越多分类能力越强，相反的，故障信号总量越少分类能力越模糊。
在一个优选地实施方式中，所述故障预测模块包括有电网故障状态评估、异常参数预测计算更正及拓扑结构错误预测，所述电网故障状态评估是根据电网运行的气象、负荷结构、时间、电流、电压及有无功率因素的加成影响，进行故障状态的综合评估计算，其计算公式Risk(Xf)＝i∑pr(Ei)×Sev(Ei，Xf)，式中，Xf为系统运行方式，Ei为第i个故障信息，pr(Ei)为故障Ei发生的概率，Sev(Ei，Xf)为在Xf的运行方式下发生第i个故障后系统的损失严重程度，Risk(Xf)为系统在Xf运行方式下的运行风险指标，预测故障风险损失值；所述异常参数预测计算更正是将检测到的异常数据信息进行故障预测计算处理后，采用挖掘算法将异常数据按照电网正常运行状态模式进行修正，并且保持时间序列上的连续性，挖掘算法是根据电网创建数据挖掘模型的一组试探计算法，通过分析原电网正常运行状态找寻挖掘模型的定义参数进行修正计算；所述拓扑结构错误预测是通过网元连接关系发现拓扑结构进行识别、分析及预测处理，以此辨别拓扑错误。
在一个优选地实施方式中，所述预警服务模块包括有预警维修电网设备和电网自动化EMS管控服务，所述预警维修电网设备是通过故障预测模块进行电网数字化异常数据计算处理后，产生电网运行故障的数据触发预警信号，通过计算机显示屏反馈到工作人员瞳孔中进行信息交互，并把产生故障的电网局部进行断电处理，采用维修电网的人工修理方法；所述电网自动化EMS管控服务是基于电网数字化的故障预测系统对电网进行网元管理，能够对电网中的拓扑结构进行管控，实现自动化调控电网运行状态的功能。
本发明的技术效果和优点：
本发明具体采用数据传输通信协议模块增加了信号传输的专用通道功能，实现了避免干扰信号的作用，达到了电网故障时，传输的故障信息不掺杂干扰信号，预测故障信息的计算较精确的效果。
本发明具体采用采集数据处理模块增加了采集信号的预处理，智能故障诊断模块增加了独立的处理器进行分布式综合计算，实现了故障诊断计算的准确性计算功能，达到了在电网数据分析处理时，解决效率提高和预测故障耗用时间较短的效果。
附图说明
图1为本发明的基于电网数字化的故障预测系统结构框图。
图2为本发明的数据传输通信协议模块图。
图3为本发明的采集数据处理模块图。
图4为本发明的智能故障诊断模块图。
图5为本发明的故障预测模块图。
图6为本发明的预警服务模块图。
具体实施方式
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，所描述的实施例仅仅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。
本实施例提供了如图1所示一种基于电网数字化的故障预测系统，包括数据传输通信协议模块，是通过在电网中插入采集芯片，利用芯片的协议接口与电网数字化的故障预测系统中其他模块进行协议连接，用于数据的输入输出进行模块通信，将采集到电网的模拟信号传输到采集数据处理模块中进行数据处理；
采集数据处理模块，是通过模块上的协议端口接收数据传输通信协议模块传输的电网数据信息，将模拟信号转换成数字信号后，使用CPU进行数据信息的分类、判断、处理及存储，将处理后的数据信息分别传输到故障预测模块和智能故障诊断模块的处理器中进行并行分布式计算处理；
智能故障诊断模块，是接收采集数据处理模块初步处理的数字化电网数据信号，采用人工神经网络算法对异常信息进行识别诊断，以及采用粗糙集算法判断异常信号的具体类型，通过智能诊断出异常数据给传输到故障预测模块进行综合性状态预测评估；
故障预测模块，是接收采集数据处理模块初步处理的数字化电网数据信号和接收智能故障诊断模块诊断出的异常信号，通过实时数据信息的反馈与电网正常状态运行的数据进行趋势对比分析，预测故障根源，并把故障预测的数据结果传输到预警服务模块进行管控处理；
预警服务模块，是接收故障预测模块的预测数据信息，根据信息产生的故障影响度进行预警提示，以及利用电网自动化设备进行智能化调控服务，提高电网运行的稳定性和效率性。
如图2本实施例中，具体说明的是所述数据传输通信协议模块是由变电站、智能传感器及电网传输线路结构通过有线连接模块引脚构成的，在模块上设有协议端口，用于匹配采集数据处理模块的协议端口进行数据信号的传输，所述变电站是电网中对电流、电压实行变换、升降处理及接受电能、分配电能的物理设备，变电站是由继电保护装置、自动装置、测控装置及计量装置组成的，通过自动化系统进行自动化控制；所述智能传感器是传感器集成化和微处理机结合组成的，具有信息采集、处理及交换通信功能的传感器，智能传感器检测电网中能够智能化舍弃干扰信号数据，把检测的模拟信号传送出来；所述电网传输线路是贯穿发电系统、输电系统和配电系统中的输送电力的高低压线路，电网传输线路是由导线、地线、杆塔、绝缘子和金属材料构架组成。
如图3本实施例中，具体说明的是所述采集数据处理模块包括有采集信息统一模型处理、数据处理分析及数字化信息存储，所述采集信息统一模型处理是采用模数转换器，把采集电网智能传感器传输的模拟信号转换成CPU可处理的数字化信号，将采集的模拟信号统一化转换成数字化信号后，建立统一过程二维模型用于采集数据预处理，具体模型建立分为初始化阶段，将采集的电网的电流、电压、功率及运行状态数据信息进行初步分析；细化阶段，是完善数据信息的类属框架分析；构建阶段，是实现电网正常运行工作的配置过程；以及转换阶段，是将采集的信号部署到实际运行状态中，进行对比分析；所述数据处理分析是利用计算机技术中的处理器CPU将采集信息统一模型处理分析计算后的数据进行再处理，将对于原始电网运行正常的数字化信息对比分析后，清洗整理相同数据，分析出异常数据信息；所述数字化信息存储是使用随机存取存储器RAM的二进制数据存储单元与CPU直接联系，对CPU处理后的数据信息进行存放，读取及编写，存储单元进行数据交换、提取及储存，每个单元能存放一个二进制数及一条由二进制编码表示的指令。
如图4本实施例中，具体说明的是所述智能故障诊断模块包括有ANN识别算法诊断和粗糙集归属算法分析，所述ANN识别算法诊断是以数学模型模拟神经元活动的，对模仿大脑神经网络结构和功能的信息处理单元，ANN算法是将若干个神经元相互连接形成的复杂处理算法，其中神经元之间用带可变权重的有向弧连接，网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重的方法，达到处理信息、模拟输入输出之间关系的目的，因此，采用ANN算法进行电网数字化故障的预测计算，具体是在数据传递过程中，输入层传输到中间层使用S型正切函数
Figure BDA0004041844070000081
中间层传输到输出层使用S型对数函数
Figure BDA0004041844070000082
将预测故障的计算步骤是先归一化处理
Figure BDA0004041844070000083
式中，max，min是已经故障信号的最大值和最小值；再根据数据分组处理，然后采用神经元进行网络训练和预测；最后将预测结果进行反归一化，得出预测结果n+1＝λn+1(max-min)+min。
如图4本实施例中，具体说明的是所述粗糙集归属算法分析是将模糊的、不确定、不精确及没有明确界限的数据信息，粗糙集算法方法是使用等价关系将集合中的故障信息元素进行分类，生成集合的进行类属划分，与等价关系相对应，根据机器学习技术进行数据集的不定向描述与以用隶属度进行度量处理，具体为将电网中采集的数据信息的异常信号程度用粗糙度表示为
Figure BDA0004041844070000091
式中，card为故障信息集合的基数，通过判断αR(X)＝1的接近程度确认集合X相对于R的精度，X关于A粗糙度测量为ρA＝1-αR(X)，式中，0≤ρA＜1，粗糙性测度反应了信号的不完全程度，对于故障信号进行分类的能力和认知程度取决于所有故障信号的总量，故障信号总量越多分类能力越强，相反的，故障信号总量越少分类能力越模糊。
如图5本实施例中，具体说明的是所述故障预测模块包括有电网故障状态评估、异常参数预测计算更正及拓扑结构错误预测，所述电网故障状态评估是根据电网运行的气象、负荷结构、时间、电流、电压及有无功率因素的加成影响，进行故障状态的综合评估计算，其计算公式Risk(Xf)＝i∑pr(Ei)×Sev(Ei，Xf)，式中，Xf为系统运行方式，Ei为第i个故障信息，pr(Ei)为故障Ei发生的概率，Sev(Ei，Xf)为在Xf的运行方式下发生第i个故障后系统的损失严重程度，Risk(Xf)为系统在Xf运行方式下的运行风险指标，预测故障风险损失值；所述异常参数预测计算更正是将检测到的异常数据信息进行故障预测计算处理后，采用挖掘算法将异常数据按照电网正常运行状态模式进行修正，并且保持时间序列上的连续性，挖掘算法是根据电网创建数据挖掘模型的一组试探计算法，通过分析原电网正常运行状态找寻挖掘模型的定义参数进行修正计算；所述拓扑结构错误预测是通过网元连接关系发现拓扑结构进行识别、分析及预测处理，以此辨别拓扑错误。
如图6本实施例中，具体说明的是所述预警服务模块包括有预警维修电网设备和电网自动化EMS管控服务，所述预警维修电网设备是通过故障预测模块进行电网数字化异常数据计算处理后，产生电网运行故障的数据触发预警信号，通过计算机显示屏反馈到工作人员瞳孔中进行信息交互，并把产生故障的电网局部进行断电处理，采用维修电网的人工修理方法；所述电网自动化EMS管控服务是基于电网数字化的故障预测系统对电网进行网元管理，能够对电网中的拓扑结构进行管控，实现自动化调控电网运行状态的功能。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于电网数字化的故障预测系统，其特征在于：包括数据传输通信协议模块，是数据的输入输出进行模块通信，将采集到电网的模拟信号传输到采集数据处理模块中进行数据处理；
采集数据处理模块，是通过模块上的协议端口接收数据传输通信协议模块传输的电网数据信息，将模拟信号转换成数字信号后，使用CPU进行数据信息的分类、判断、处理及存储，将处理后的数据信息分别传输到故障预测模块和智能故障诊断模块的处理器中进行并行分布式计算处理；
智能故障诊断模块，是接收采集数据处理模块初步处理的数字化电网数据信号，采用人工神经网络算法对异常信息进行识别诊断，以及采用粗糙集算法判断异常信号的具体类型，通过智能诊断出异常数据给传输到故障预测模块进行综合性状态预测评估；
故障预测模块，是接收采集数据处理模块初步处理的数字化电网数据信号和接收智能故障诊断模块诊断出的异常信号，通过实时数据信息的反馈与电网正常状态运行的数据进行趋势对比分析，预测故障根源，并把故障预测的数据结果传输到预警服务模块进行管控处理；
预警服务模块，是接收故障预测模块的预测数据信息，根据信息产生的故障影响度进行预警提示，以及利用电网自动化设备进行智能化调控服务。
2.根据权利要求1所述的一种基于电网数字化的故障预测系统，其特征在于：所述数据传输通信协议模块是由变电站、智能传感器及电网传输线路结构通过有线连接模块引脚构成的，所述变电站是电网中对电流、电压实行变换、升降处理及接受电能、分配电能的物理设备；所述智能传感器检测电网中能够智能化舍弃干扰信号数据，把检测的模拟信号传送出来；所述电网传输线路是贯穿发电系统、输电系统和配电系统中的输送电力的高低压线路。
3.根据权利要求1所述的一种基于电网数字化的故障预测系统，其特征在于：所述采集数据处理模块包括有采集信息统一模型处理、数据处理分析及数字化信息存储，所述采集信息统一模型处理是采用模数转换器，把采集电网智能传感器传输的模拟信号转换成CPU可处理的数字化信号，将采集的模拟信号统一化转换成数字化信号后，建立统一过程二维模型用于采集数据预处理；所述数据处理分析是利用计算机技术中的处理器CPU将采集信息统一模型处理分析计算后的数据进行再处理，将对于原始电网运行正常的数字化信息对比分析后，清洗整理相同数据，分析出异常数据信息；所述数字化信息存储是使用随机存取存储器RAM的二进制数据存储单元与CPU直接联系，对CPU处理后的数据信息进行存放，读取及编写。
4.根据权利要求1所述的一种基于电网数字化的故障预测系统，其特征在于：所述智能故障诊断模块包括有ANN识别算法诊断和粗糙集归属算法分析，所述ANN识别算法诊断是以数学模型模拟神经元活动的，对模仿大脑神经网络结构和功能的信息处理单元，ANN算法是将若干个神经元相互连接形成的复杂处理算法，其中神经元之间用带可变权重的有向弧连接，网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重的方法因此，采用ANN算法进行电网数字化故障的预测计算，具体是在数据传递过程中，输入层传输到中间层使用S型正切函数
Figure FDA0004041844060000021
中间层传输到输出层使用S型对数函数
Figure FDA0004041844060000022
将预测故障的计算步骤是先归一化处理
Figure FDA0004041844060000023
式中，max，min是已经故障信号的最大值和最小值；再根据数据分组处理，然后采用神经元进行网络训练和预测；最后将预测结果进行反归一化，得出预测结果n+1＝n+1max-min+min。
5.根据权利要求4所述的一种基于电网数字化的故障预测系统，其特征在于：所述粗糙集归属算法分析是将模糊的、不确定、不精确及没有明确界限的数据信息，粗糙集算法方法是使用等价关系将集合中的故障信息元素进行分类，生成集合的进行类属划分，与等价关系相对应，根据机器学习技术进行数据集的不定向描述与以用隶属度进行度量处理，具体为将电网中采集的数据信息的异常信号程度用粗糙度表示为
Figure FDA0004041844060000031
式中，card为故障信息集合的基数，通过判断RX＝1的接近程度确认集合X相对于R的精度，X关于A粗糙度测量为A＝1-RX，式中，0≤A<1，粗糙性测度反应了信号的不完全程度，对于故障信号进行分类的能力和认知程度取决于所有故障信号的总量。
6.根据权利要求1所述的一种基于电网数字化的故障预测系统，其特征在于：所述故障预测模块包括有电网故障状态评估、异常参数预测计算更正及拓扑结构错误预测，所述电网故障状态评估是根据电网运行的气象、负荷结构、时间、电流、电压及有无功率因素的加成影响，进行故障状态的综合评估计算，预测故障风险损失值；所述异常参数预测计算更正是将检测到的异常数据信息进行故障预测计算处理后，采用挖掘算法将异常数据按照电网正常运行状态模式进行修正，并且保持时间序列上的连续性；所述拓扑结构错误预测是通过网元连接关系发现拓扑结构进行识别、分析及预测处理，以此辨别拓扑错误。
7.根据权利要求1所述的一种基于电网数字化的故障预测系统，其特征在于：所述预警服务模块包括有预警维修电网设备和电网自动化EMS管控服务，所述预警维修电网设备是通过故障预测模块进行电网数字化异常数据计算处理后，产生电网运行故障的数据触发预警信号，通过计算机显示屏反馈到工作人员瞳孔中进行信息交互，并把产生故障的电网局部进行断电处理；所述电网自动化EMS管控服务是基于电网数字化的故障预测系统对电网进行网元管理，能够对电网中的拓扑结构进行管控。
CN202310037343.4A 2023-01-06 2023-01-06 一种基于电网数字化的故障预测系统 Pending CN116125204A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310037343.4A CN116125204A (zh) 2023-01-06 2023-01-06 一种基于电网数字化的故障预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310037343.4A CN116125204A (zh) 2023-01-06 2023-01-06 一种基于电网数字化的故障预测系统

Publications (1)

Publication Number Publication Date
CN116125204A true CN116125204A (zh) 2023-05-16

Family

ID=86298833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310037343.4A Pending CN116125204A (zh) 2023-01-06 2023-01-06 一种基于电网数字化的故障预测系统

Country Status (1)

Country Link
CN (1) CN116125204A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116450102A (zh) * 2023-06-16 2023-07-18 服务型制造研究院(杭州)有限公司 智能产品服务生态系统的模块生成方法及系统
CN116937575A (zh) * 2023-09-14 2023-10-24 济南高品伟业信息科技有限公司 一种网格系统用的能源监控管理系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116450102A (zh) * 2023-06-16 2023-07-18 服务型制造研究院(杭州)有限公司 智能产品服务生态系统的模块生成方法及系统
CN116450102B (zh) * 2023-06-16 2023-09-01 服务型制造研究院(杭州)有限公司 智能产品服务生态系统的模块生成方法及系统
CN116937575A (zh) * 2023-09-14 2023-10-24 济南高品伟业信息科技有限公司 一种网格系统用的能源监控管理系统

Similar Documents

Publication Publication Date Title
CN114298863B (zh) 一种智能抄表终端的数据采集方法及系统
CN105512448B (zh) 一种配电网健康指数的评估方法
CN116125204A (zh) 一种基于电网数字化的故障预测系统
CN109872003B (zh) 对象状态预测方法、系统、计算机设备及存储介质
CN106204330A (zh) 一种配电网智能诊断系统
CN111880044B (zh) 一种含分布式电源配电网在线故障定位方法
CN117277958B (zh) 一种基于大数据的光伏电站的智能运维管理方法及系统
CN116937575A (zh) 一种网格系统用的能源监控管理系统
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN117176560A (zh) 一种基于物联网的监测设备监管系统及其方法
CN103617447A (zh) 智能变电站的评价系统及评价方法
CN115877198A (zh) 基于边缘计算的一二次融合开关故障诊断预警系统
CN116307641A (zh) 一种面向数字化电厂的资源协同调度管理方法及系统
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN112949207A (zh) 一种基于改进最小二乘支持向量机的短期负荷预测方法
CN117010573B (zh) 一种智能配电节能优化方法及系统
CN116681186B (zh) 一种基于智能终端的用电质量分析方法及装置
CN111965442A (zh) 一种数字孪生环境下的能源互联网故障诊断方法及装置
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
CN114442543A (zh) 一种适用于水电站故障预警的计算机监测方法
CN117674249A (zh) 一种含分布式光伏的配电网故障自愈控制与评价方法
CN117575308A (zh) 分布式配电网的风险评估方法、装置、设备及存储介质
CN116449129A (zh) 一种配电终端的故障检测方法、装置、设备及存储介质
Lijuan Research on Algorithm and Modification of Elman Network Based on Fuzzy Classification and Short-Term Electricity Consumption Prediction
CN118038230A (zh) 基于多算法融合的配电网缺陷识别系统及方法

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