CN116136985B - 一种变电所安全风险在线识别方法及其系统 - Google Patents
一种变电所安全风险在线识别方法及其系统 Download PDFInfo
- Publication number
- CN116136985B CN116136985B CN202310147858.XA CN202310147858A CN116136985B CN 116136985 B CN116136985 B CN 116136985B CN 202310147858 A CN202310147858 A CN 202310147858A CN 116136985 B CN116136985 B CN 116136985B
- Authority
- CN
- China
- Prior art keywords
- fault
- node
- influence
- processing
- nodes
- 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 57
- 238000012545 processing Methods 0.000 claims abstract description 163
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000003745 diagnosis Methods 0.000 claims description 70
- 238000011156 evaluation Methods 0.000 claims description 53
- 238000010586 diagram Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012502 risk assessment Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 125000002015 acyclic group Chemical group 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种变电所安全风险在线识别方法及其系统,其方法包括实时获取故障节点的自身运行信息和关联节点的影响运行信息,得到故障节点特征数据,对所述故障节点特征数据进行信息分类处理,得到符合故障节点与关联节点之间的逻辑关联关系的全图状态信息,对所述故障节点特征数据进行故障分析处理,得到与变电所供电设备故障影响情况相对应的故障事件信息,根据所述故障事件信息与所述全图状态信息,对故障节点和关联节点分别进行定位处理,得到变电所故障元件的故障影响定位数据。本申请具有提高对故障关联元件的间接安全风险的识别准确性的效果。
Description
技术领域
本发明涉及变电所安全风险识别的技术领域,尤其是涉及一种变电所安全风险在线识别方法及其系统。
背景技术
目前,在城市轨道交通中,通常都会设置变电所对电能进行集中的变换与分配,从而使城市轨道交通能够正常运行,因此,变电所在进行电能处理过程中存在的安全风险问题也提出了更高的要求。
现有的变电所安全风险识别方式一般为对供电设备的运行状态进行评估,并根据评估结果对故障设备进行定位,根据故障设备定位信息来进行故障原因分析,从而达到变电所安全风险识别的目的,但是,供电设备中的元件在产生故障后往往也会对关联的其他元件产生故障干扰,现有的变电所安全风险识别方式往往只能识别到故障元件而忽略关联元件中的间接安全风险,容易引起变电所安全风险识别的误差。
针对上述中的相关技术,发明人认为存在有对故障关联元件中的间接安全风险识别不够准确的缺陷。
发明内容
为了提高对故障关联元件的间接安全风险的识别准确性,本申请提供一种变电所安全风险在线识别方法及其系统。
本申请的上述发明目的一是通过以下技术方案得以实现的:
一种变电所安全风险在线识别方法,所述变电所安全风险在线识别方法包括:
实时获取故障节点的自身运行信息和关联节点的影响运行信息,得到故障节点特征数据;
对所述故障节点特征数据进行信息分类处理,得到符合故障节点与关联节点之间的逻辑关联关系的全图状态信息;
对所述故障节点特征数据进行故障分析处理,得到与变电所供电设备故障影响情况相对应的故障事件信息;
根据所述故障事件信息与所述全图状态信息,对故障节点和关联节点分别进行定位处理,得到变电所故障元件的故障影响定位数据。
通过采用上述技术方案,由于在对变电所的故障元件节点进行风险识别时,通常只能识别到发生故障事件的故障节点,而忽略与故障节点相关联的关联节点所受到的故障影响,因此,通过实时获取故障节点的自身运行信息和关联节点的影响运行信息,来检测供电设备的故障情况以及关联节点的故障影响范围,并通过对故障节点信息数据的信息分类处理,生成全图状态信息,能够更加直观地得到每个故障节点的故障影响范围,提高故障风险识别的精确性,并对故障节点特征数据进行故障分析,根据分析结果精确识别每个故障事件对关联节点的故障影响情况,从而得到对每个故障节点进行精准故障识别的故障事件信息,通过故障事件信息和全图状态信息分别对故障节点和关联节点进行故障定位处理,提高故障影响节点的定位精准性,从故障节点的直接故障影响和关联节点的简介故障影响来多维度地对变电所供电设备进行风险识别,提高对故障关联元件的间接安全风险的识别准确性。
本申请在一较佳示例中可以进一步配置为:所述对所述故障节点特征数据进行信息分类处理,得到符合故障节点与关联节点之间的逻辑关联关系的全图状态信息,具体包括:根据所述故障节点特征数据,构建故障节点与关联节点之间的逻辑关联关系;
根据所述逻辑关联关系,建立供电设备元件之间进行相互关联的拓扑关系图;
对所述拓扑关系图进行故障分类处理,得到携带有故障节点特征数据的故障拓扑图;
对供电设备元件的运行状态进行状态评估处理,根据评估结果对故障拓扑图进行全图标识,得到全图状态信息。
通过采用上述技术方案,由于变电所的供电设备元件之间往往都是相互影响的,当故障节点发生故障时,与故障节点相关联的关联节点也会发生间接的故障影响,因此,通过故障节点特征数据,构建故障节点与关联节点之间的逻辑关联关系,有助于更加直观地观察到每个供电设备的元件节点之间的故障影响范围,并根据逻辑关联关系来建立供电设备元件之间相互关联的拓扑关系图,有助于根据拓扑关系图得到每个关联节点收到故障节点的间接故障影响的故障概率,对供电设备元件的运行状态进行状态评估处理,从而根据评估结果来对故障拓扑图进行全图标识,从而得到变电所供电设备的全图状态信息,有助于通过全图状态信息对故障节点以及关联节点的运行状态进行全图识别,提高故障节点的间接影响范围的识别精准性。
本申请在一较佳示例中可以进一步配置为:所述对所述故障节点特征数据进行故障分析处理,得到与变电所供电设备故障影响情况相对应的故障事件信息,具体包括:
根据所述故障节点特征数据,获取相邻单位时间内的故障波动数据;
根据所述故障波动数据,对所述全图状态信息进行故障信息标识处理,得到携带有故障变化情况的全图标识信息;
对所述全图标识信息进行故障事件划分处理,得到按故障发生时间进行排序的故障事件类别;根据故障节点与关联节点之间的逻辑关联关系,对每个供电设备节点之间的所述故障事件类别进行事件关联处理,得到与节点故障影响情况相对应的故障事件信息。
通过采用上述技术方案,通过故障节点特征数据来获取相邻单位时间内的故障波动数据,有助于通过相邻单位时间内的状态波动来快速获取故障节点的故障信息,提高故障捕获的及时性,并通过对全图状态信息进行故障信息标识处理得到全图标识信息,有助于通过全图标识信息更加直观地观察到故障节点的故障变化情况以及对应的关联节点的简介故障影响情况,并通过对全图标识信息进行故障事件的划分处理,来对故障事件类别进行分类,并按照故障发生时间进行顺序排序,有助于对故障影响较大的关联节点进行优先处理,提高故障识别的有序性,并通过对供电设备节点之间的故障事件类别进行事件关联处理得到故障事件信息,从而通过故障事件信息来对变电所供电设备的节点故障影响情况进行及时的识别与处理,提高变电所的故障风险识别的及时性。
本申请在一较佳示例中可以进一步配置为:所述根据所述故障事件信息与所述全图状态信息,对故障节点和关联节点分别进行定位处理,得到变电所故障元件的故障影响定位数据,具体包括:
根据所述故障事件信息,判断所述故障节点与关联节点在所述全图状态信息中适配的故障类别,得到故障类别判断结果;
根据故障节点与关联节点之间的逻辑关联关系,对所述故障类别判断结果进行关联调整处理,得到故障类别调整结果;
对所述故障类别调整结果进行定位误差补偿处理,得到与故障节点和关联节点分别对应的故障定位补偿系数;
根据所述故障定位补偿系数,对与故障节点相关联的关联节点进行故障影响定位处理,得到变电所故障元件的故障影响定位数据。
通过采用上述技术方案,通过故障事件信息来判断故障节点与关联节点在全图状态信息中的故障类别,从而得到故障类别判断结果,有助于通过故障类别判断结果来对变电所安全风险进行初步的识别,并结合故障节点与关联节点之间的逻辑关联关系,对故障类别判断结果进行关联调整处理,从而提高故障类别判断结果与变电所供电设备之间的关联准确性,并通过对故障类别调整结果的故障定位误差补偿处理,来分别计算故障节点与关联节点之间的故障定位补偿系数,从而对每个故障影响节点都能进行精准的风险识别误差补偿,提高误差补偿的准确性,根据故障定位补偿系数来对与故障节点相互关联的关联节点进行故障影响定位处理,从而提高对每个存在间接故障影响的关联节点进行进行的故障影响定位,通过故障影响定位数据来提高存在间接故障影响的关联节点的定位准确性。
本申请在一较佳示例中可以进一步配置为:所述实时获取故障节点的自身运行信息和关联节点的影响运行信息,得到故障节点特征数据,还包括:
对所述自身运行信息和所述影响运行信息进行图结构化处理,得到供电设备所有元件的整体运行图;
获取所述整体运行图中的节点运行状态数据和关联节点之间的邻接矩阵数据;
根据所述节点运行状态数据和所述邻接矩阵数据,对供电设备的运行状态进行状态评估处理,得到供电设备的设备状态评估结果;
根据所述设备状态评估结果,对每个元件节点进行故障诊断处理,得到用于识别故障影响程度的故障诊断结果。
通过采用上述技术方案,通过对变电所供电设备的元件节点的自身运行信息和关联节点的影响运行信息进行图结构化处理,得到供电设备所有元件的整体运行图,从而便于对故障节点的影响范围进行结构化表示,对供电设备元件节点的当前运行状态数据以及关联节点的邻接矩阵数据进行获取,从而提高对故障影响范围识别的实时性,并通过对供电设备的运行状态进行状态评估,得到变电所供电设备的设备状态评估结果,有助于根据供电状态的设备状态评估结果来识别每个元件节点是否发生故障,提高故障发生概率与元件节点当前运行状态之间的契合度,并根据设备状态评估结果,对每个元件节点进行故障诊断处理,得到故障诊断结果,有助于实时识别供电设备元件节点的故障影响程度。
本申请在一较佳示例中可以进一步配置为:所述根据所述设备状态评估结果,对每个元件节点进行故障诊断处理,得到用于识别故障影响程度的故障诊断结果,具体包括:根据设备状态评估结果,对每个元件节点进行分类任务匹配处理,得到与每个元件节点的当前运行状态相对应的分类任务匹配策略;
根据所述分类任务匹配策略,调用预设的分类模型对元件节点进行权重计算,得到每个关联节点的故障损失参数;
分别调用与所述分类任务匹配策略相对应的故障识别策略,对所述故障损失参数进行损失补偿处理,得到与每个故障关联节点相关联的故障诊断策略;
根据所述故障诊断策略,对每个关联节点的故障影响程度进行风险评估处理,得到与所述故障节点当前损失影响相对应的故障诊断结果。
通过采用上述技术方案,通过对每个元件节点进行分类任务匹配处理,得到分类任务匹配策略,有助于对每个元件节点的当前运行状态进行及时分类,并调用预设的分类模型对元件节点进行权重计算,得到与当前运行状态相对应的故障损失参数,从而能够对故障损失误差进行快速补偿处理,提高误差补偿的精确性,调用与分类任务匹配策略相对应的故障识别策略,来对故障损失参数进行损失补偿处理,通过故障诊断策略来提高故障关联节点与故障诊断之间的关联契合度,并根据故障诊断策略来对每个关联节点的故障影响程度进行风险评估处理,根据风险评估结果来动态识别每个关联节点受到的故障节点当前损失影响,从而提供给故障诊断结果提高每个关联节点的间接故障影响的识别准确性。
本申请在一较佳示例中可以进一步配置为:所述根据所述故障诊断策略,对每个关联节点的故障影响程度进行风险评估处理,得到与所述故障节点当前损失影响相对应的故障诊断结果,具体包括:
根据所述故障诊断策略,计算每个元件节点当前运行状态下的运行耗损参数;
获取元件节点在进行故障定位过程中的定位误差参数;
当元件节点存在故障事件时,计算与所述故障节点相关联的每个关联节点的故障影响事件的识别误差参数;
分别对所述运行耗损参数、定位误差参数和识别误差参数进行耗损补偿处理,得到与每个元件节点的当前故障影响相对应的故障诊断结果。
通过采用上述技术方案,通过对每个元件节点在当前运行状态下的运行耗损参数的计算,来实时识别每个故障事件下的运行耗损参数,提高故障事件与当前运行状态的适配性,并计算在进行故障定位过程中的定位误差,从而得到元件节点的定位误差参数,有助于对定位误差参数进行精准补偿,并在元件节点存在故障事件时,计算每个关联节点的故障影响事件的识别误差参数,有助于进一步的对识别误差参数进行精准补偿,通过运行耗损参数、定位误差参数和识别误差参数的多维度误差补偿处理,提高故障节点与关联节点的间接故障影响范围的识别精准性,从而便于通过故障诊断结果来精准识别每个元件节点的当前故障影响,提高变电所供电设备的安全风险识别准确性。
本申请的上述发明目的二是通过以下技术方案得以实现的:
提供一种变电所安全风险在线识别系统,所述变电所安全风险在线识别系统包括:
特征数据获取模块,用于实时获取故障节点的自身运行信息和关联节点的影响运行信息,得到故障节点特征数据;
信息分类处理模块,用于对所述故障节点特征数据进行信息分类处理,得到符合故障节点与关联节点之间的逻辑关联关系的全图状态信息;
故障分析处理子模块,用于对所述故障节点特征数据进行故障分析处理,得到与变电所供电设备故障影响情况相对应的故障事件信息;
故障定位处理子模块,用于根据所述故障事件信息与所述全图状态信息,对故障节点和关联节点分别进行定位处理,得到变电所故障元件的故障影响定位数据。
通过采用上述技术方案,由于在对变电所的故障元件节点进行风险识别时,通常只能识别到发生故障事件的故障节点,而忽略与故障节点相关联的关联节点所受到的故障影响,因此,通过实时获取故障节点的自身运行信息和关联节点的影响运行信息,来监测供电设备的故障情况以及关联节点的故障影响范围,并通过对故障节点信息数据的信息分类处理,生成全图状态信息,能够更加直观地得到每个故障节点的故障影响范围,提高故障风险识别的精确性,并对故障节点特征数据进行故障分析,根据分析结果精确识别每个故障事件对关联节点的故障影响情况,从而得到对每个故障节点进行精准故障识别的故障事件信息,通过故障事件信息和全图状态信息分别对故障节点和关联节点进行故障定位处理,提高故障影响节点的定位精准性,从故障节点的直接故障影响和关联节点的简介故障影响来多维度地对变电所供电设备进行风险识别,提高对故障关联元件的间接安全风险的识别准确性。
本申请的上述目的三是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述变电所安全风险在线识别方法的步骤。
本申请的上述目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述变电所安全风险在线识别方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1、通过实时获取故障节点的自身运行信息和关联节点的影响运行信息,来监测供电设备的故障情况以及关联节点的故障影响范围,并通过对故障节点信息数据的信息分类处理,生成全图状态信息,能够更加直观地得到每个故障节点的故障影响范围,提高故障风险识别的精确性,并对故障节点特征数据进行故障分析,根据分析结果精确识别每个故障事件对关联节点的故障影响情况,从而得到对每个故障节点进行精准故障识别的故障事件信息,通过故障事件信息和全图状态信息分别对故障节点和关联节点进行故障定位处理,提高故障影响节点的定位精准性,从故障节点的直接故障影响和关联节点的简介故障影响来多维度地对变电所供电设备进行风险识别,提高对故障关联元件的间接安全风险的识别准确性;
2、通过故障节点特征数据,构建故障节点与关联节点之间的逻辑关联关系,有助于更加直观地观察到每个供电设备的元件节点之间的故障影响范围,并根据逻辑关联关系来建立供电设备元件之间相互关联的拓扑关系图,有助于根据拓扑关系图得到每个关联节点收到故障节点的间接故障影响的故障概率,对供电设备元件的运行状态进行状态评估处理,从而根据评估结果来对故障拓扑图进行全图标识,从而得到变电所供电设备的全图状态信息,有助于通过全图状态信息对故障节点以及关联节点的运行状态进行全图识别,提高故障节点的间接影响范围的识别精准性;
3、通过对每个元件节点在当前运行状态下的运行耗损参数的计算,来实时识别每个故障事件下的运行耗损参数,提高故障事件与当前运行状态的适配性,并计算在进行故障定位过程中的定位误差,从而得到元件节点的定位误差参数,有助于对定位误差参数进行精准补偿,并在元件节点存在故障事件时,计算每个关联节点的故障影响事件的识别误差参数,有助于进一步的对识别误差参数进行精准补偿,通过运行耗损参数、定位误差参数和识别误差参数的多维度误差补偿处理,提高故障节点与关联节点的间接故障影响范围的识别精准性,从而便于通过故障诊断结果来精准识别每个元件节点的当前故障影响,提高变电所供电设备的安全风险识别准确性。
附图说明
图1是本申请一实施例一种变电所安全风险在线识别方法的实现流程图。
图2是本申请一实施例变电所安全风险在线识别方法步骤S10的另一实现流程图。
图3是本申请一实施例变电所安全风险在线识别方法步骤S104的实现流程图。
图4是本申请一实施例变电所安全风险在线识别方法步骤S204的实现流程图。
图5是本申请一实施例变电所安全风险在线识别方法步骤S20的实现流程图。
图6是本申请一实施例变电所安全风险在线识别方法步骤S30的实现流程图。
图7是本申请一实施例变电所安全风险在线识别方法的步骤S40的实现流程图。
图8是本申请一实施例变电所安全风险在线识别系统的结构示意图。
图9是用于实现变电所安全风险在线识别方法的计算机设备内部结构示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中,如图1所示,本申请公开了一种变电所安全风险在线识别方法,具体包括如下步骤:
S10:实时获取故障节点的自身运行信息和关联节点的影响运行信息,得到故障节点特征数据。
具体的,通过预设的信息采集机制对变电所供电设备的元件节点分别进行运行数据采集,包括电力能源的转换、分配和流转等多个元件节点所产生的运行数据,在单位时间内,当元件节点发生故障时,记录同一单位时间的故障节点自身运行信息和对应的关联节点影响运行信息,其中,关联节点的影响运行信息包括故障节点发生故障时,关联节点的运行信息波动情况。
在一实施例中,如图2所示,步骤S10还包括:
S101:对自身运行信息和影响运行信息进行图结构化处理,得到供电设备所有元件的整体运行图。
具体的,通过图神经卷积网络对自身运行信息和影响运行信息进行结构化处理,通过图神经网络对变电所供电设备的元件节点的运行信息转换为特征向量,并根据各个元件节点的逻辑关联关系,将对应的元件节点进行关联连接,得到供电设备的整体运行图。
S102:获取整体运行图中的节点运行状态数据和关联节点之间的邻接矩阵数据。
具体的,根据变电所供电设备的各个元件节点的运行时间,实时调用对应的监测设备获取每个节点运行状态,从而得到以运行时间为顺序的节点运行状态数据,通过故障节点与关联节点之间的逻辑关联关系,计算故障节点与关联节点之间的关联性大小,从而根据关联程度来建立所有关联节点的邻接矩阵,从而得到对应的关联节点的邻接矩阵数据,邻接矩阵数据包括各个关联节点在故障节点影响下的运行状态信息。
S103:根据节点运行状态数据和邻接矩阵数据,对供电设备的运行状态进行状态评估处理,得到供电设备的设备状态评估结果。
具体的,根据节点运行状态数据和对应的邻接矩阵数据,来对每个单位时间下的供电设备的运行状态进行动态评估,根据相邻运行时间下的供电设备的运行状态波动情况得到供电设备在当前运行时间下的运行稳定结果,或者,在同一运行工况下,通过当前供电设备运行状态数据和历史运行数据进行比对,根据比对结果评估当前运行状态是否存在异常,从而得到供电设备的设备状态评估结果。
S104:根据设备状态评估结果,对每个元件节点进行故障诊断处理,得到用于识别故障影响程度的故障诊断结果。
具体的,根据设备状态评估结果中的运行状态波动情况来对每个元件节点进行故障诊断处理,如当故障节点的设备状态为故障时,同时获取供电设备的多个关联节点的运行状态波动数据,从而得到故障节点的故障影响影响程度,故障诊断结果包括故障节点的故障程度,以及关联节点的间接受影响范围等,其中故障影响程度的故障诊断结果由公式(1)计算得到。
其中,H(i+j)表示故障节点的故障影响范围值,σ(·)表示故障诊断的激活函数,H(i +j)表示图卷积神经网络中第i个故障节点的第j个关联节点的特征向量输入,H(i+j)∈Ri*j,其中R为供电设备的元件节点的所有叠加层级,可用于表示供电设备的运行状态,表示故障节点与关联节点之间的实际拓扑关系的邻接矩阵,W(i+j)表示第i个故障节点的第j个关联节点所在图卷积神经网络层级的权重矩阵,/>分别表示第i个故障节点和第j个关联节点在图卷积神经网络中所处层级的图卷积层数。
在一实施例中,为了更好地对故障影响程度进行精确的故障诊断,如图3所示,步骤S104具体包括:
S201:根据设备状态评估结果,对每个元件节点进行分类任务匹配处理,得到与每个元件节点的当前运行状态相对应的分类任务匹配策略。
具体的,根据设备状态评估结果,对每个元件节点进行分类任务匹配处理,根据供电设备的当前运行状态的评估结果,调用预设的分类任务对每个元件节点进行分类任务匹配处理,从而得到与每个任务节点的当前运行状态相匹配的分类任务匹配策略。
S202:根据分类任务匹配策略,调用预设的分类模型对元件节点进行权重计算,得到每个关联节点的故障损失参数。
具体的,根据分类任务匹配策略,调用与每个分类任务相对应的分类模型对元件节点进行权重计算,如根据故障节点与每一个关联节点的关联关系,计算每个关联节点受到的间接故障影响程度,根据关联节点的受影响程度对应设置每个关联节点的权重值,从而得到每个关联节点的故障损失参数。
S203:分别调用与分类任务匹配策略相对应的故障识别策略,对故障损失参数进行损失补偿处理,得到与每个故障关联节点相关联的故障诊断策略。
具体的,根据供电设备的元件节点的唯一识别码以及当前运行状态信息,分别调用与分裂任务匹配策略相对应的故障识别策略对元件节点进行故障识别处理,根据故障识别结果来对故障损失参数进行损失补偿处理,从而便于对每个类型的故障风险进行精准补偿,得到与每个故障关联节点相关联的故障诊断策略。
S204:根据故障诊断策略,对每个关联节点的故障影响程度进行风险评估处理,得到与故障节点当前损失影响相对应的故障诊断结果。
具体的,根据故障诊断策略对每个关联节点的故障影响程度进行风险评估处理,如根据故障节点的当前故障状态获取每个关联节点的运行状态波动数据,根据相邻工况或者相邻运行时间下的波动起伏设置关联节点的故障影响风险等级,从而得到与故障节点的当前损失影响以及关联节点的间接损失影响相对应的故障诊断结果。
在一实施例中,为了从多维度对故障定位误差进行补偿,提高故障定位的准确性,如图4所示,步骤S204具体包括:
S301:根据故障诊断策略,计算每个元件节点当前运行状态下的运行耗损参数。
具体的,根据故障诊断策略计算每个元件节点在当前运行状态下的运行耗损参数,如通过每个元件节点的当前正常运行的实际概率,以及每个元件节点可能收到故障节点的间接影响的可能性,来综合计算每个元件节点在供电设备所有元件节点中的运行耗损参数,可用于对供电设备运行状态是否正常的状态评估,运行耗损参数由公式(2)计算得到,公式(2)如下所示:
其中,lossp表示元件节点当前运行状态下的运行耗损参数,n表示变电所供电设备的元件节点数量,i表示故障节点的关联节点数量,pi表示关联节点正常故障的概率,表示关联节点的受故障可能性。
S302:获取元件节点在进行故障定位过程中的定位误差参数。
具体的,根据每个元件节点所关联的关联节点受到间接故障影响的实际概率,和关联节点出现故障误差影响的可能性,来综合计算关联节点在进行故障定位过程中出现的定位误差,从而得到每个元件节点以及对应的关联节点的定位误差参数,定位误差参数由公式(3)计算得到,公式(3)如下所示:
其中,lossq表示元件节点在进行故障定位过程中的定位误差参数,m是供电设备的关联节点的最大个数,qij表示i个故障节点中j个关联节点出现定位故障的实际概率,表示i个故障节点中j个关联节点出现定位故障的可能性。
S303:当元件节点存在故障事件时,计算与故障节点相关联的每个关联节点的故障影响事件的识别误差参数。
具体的,当元件节点存在故障事件时,根据故障事件发生时的关联节点的运行状态波动情况来获取关联节点的故障影响可能性,根据每个关联节点受到故障节点的间接故障影响可能性来计算对应的识别误差参数,识别误差参数由公式(4)计算得到,公式(4)如下所示:
其中,lossr表示关联节点受到故障影响的识别误差参数,rij表示第j个关联节点是由于第i个故障节点出现故障事件而产生故障的实际识别误差概率,表示第j个关联节点是由于第i个故障节点出现故障事件而产生故障的可能性。
S304:分别对运行耗损参数、定位误差参数和识别误差参数进行耗损补偿处理,得到与每个元件节点的当前故障影响相对应的故障诊断结果。
具体的,通过图卷积神经网络对整体运行图中的故障节点分别进行初级故障定位,通过运行耗损参数对初级故障定位进行定位耗损补偿处理,得到供电设备故障节点的运行状态诊断结果,并通过关联节点与故障节点的逻辑关联关系分别获取每个关联节点的故障影响波动情况,从而得到每个关联节点的进一步故障定位,并通过定位误差参数对关联节点进行故障定位误差补偿,从而得到减少定位误差之后的关联节点故障定位结果,并在对故障节点以及关联节点的故障事件进行故障原因分析的过程中,通过对识别误差参数对故障原因分析进行误差补偿处理,从而得到与每个元件节点的当前故障影响相对应的故障诊断结果。
S20:对故障节点特征数据进行信息分类处理,得到符合故障节点与关联节点之间的逻辑关联关系的全图状态信息。
具体的,如图5所示,步骤S20具体包括以下步骤:
S401:根据故障节点特征数据,构建故障节点与关联节点之间的逻辑关联关系。
具体的,根据故障节点特征数据,提取同一运行状态或者同一运行时间下的元件节点的运行状态波动数据,根据运行状态波动情况来判断故障节点与关联节点之间是否存在关联关系,对存在关联关系的故障节点和关联节点进行图神经卷积图层关联,得到故障节点与关联节点之间的逻辑关联关系。
S402:根据逻辑关联关系,建立供电设备元件之间进行相互关联的拓扑关系图。
具体的,根据故障节点与关联节点之间的逻辑关联关系,将存在逻辑关联的故障节点与关联节点进行连接,以故障节点为出发点,根据影响波动幅度的大小将故障节点与关联节点进行连接,并通过有向无环图指向对应受影响的关联节点,将供电设备中所有的故障节点与关联节点连接后的有向无环图进行叠加,从而得到供电设备元件节点之间进行相互关联的拓扑关系图。
S403:对拓扑关系图进行故障分类处理,得到携带有故障节点特征数据的故障拓扑图。
具体的,对拓扑关系图进行故障分类处理,根据故障的不同类型对拓扑关系图中的故障节点以及关联节点进行标记,从而得到携带有故障分类情况的故障拓扑图,通过故障拓扑图还有助于获取不同类型的故障之间的相互影响情况,从多维度识别供电设备的安全风险影响,故障拓扑图的故障影响传播规则通过公式(5)计算得到,公式(5)如下所示:
其中,Z表示故障拓扑图中的故障节点的影响范围层数,F表示将故障节点与关联节点之间的状态表示向量进行平均池化操作后得到层级数,Wi表示第i个故障节点所在层级的权重参数,Wj表示第j个关联节点所在层级的权重参数,表示供电设备的整体元件节点的邻接矩阵。
S404:对供电设备元件的运行状态进行状态评估处理,根据评估结果对故障拓扑图进行全图标识,得到全图状态信息。
具体的,通过各个元件节点的故障拓扑图对供电设备元件的整体运行状态进行状态评估处理,从而判断供电设备的整体运行情况是否处于安全范围内,若故障影响情况超过预设的安全范围阈值,则根据评估结果对故障拓扑图进行全图标识处理,从而得到表示供电设备整体运行情况的全图状态信息,有助于快速对标识的故障节点进行快速处理。
S30:对故障节点特征数据进行故障分析处理,得到与变电所供电设备故障影响情况相对应的故障事件信息。
具体的,如图6所示,步骤S30具体包括以下步骤:
S501:根据故障节点特征数据,获取相邻单位时间内的故障波动数据。
具体的,根据故障节点特征数据,通过预设的检测机制获取相邻单位时间内的故障波动数据,包括上一单位时间所对应的元件节点的历史运行状态参数和当前单位时间所对应的元件节点的当前运行状态参数,通过当前运行状态参数与历史运行状态参数之间的差值来获取相邻单位时间内的故障波动数据。
S502:根据故障波动数据,对全图状态信息进行故障信息标识处理,得到携带有故障变化情况的全图标识信息。
具体的,根据故障波动数据对全图状态信息进行故障信息标识处理,如对产生故障波动的故障节点与关联节点的层级信息进行标记,以及以故障节点为出发点将故障节点与关联节点之间的连接关系用特征向量进行表示,故障节点的影响传播方向指向对应的关联节点。
S503:对全图标识信息进行故障事件划分处理,得到按故障发生时间进行排序的故障事件类别。
具体的,对全图标识信息进行故障事件划分处理,通过全图标识信息以及故障节点的运行数据波动情况来分析故障节点的故障原因,并结合预设的故障事件进行故障匹配从而确定故障节点的故障事件,通过同一故障发生时间下关联节点的运行状态波动情况分析关联节点受到的间接故障影响,并按照故障发生时间的顺序将关联节点的间接故障影响与故障事件进行关联,从而得到按故障发生时间进行排序的故障事件类别。
S504:根据故障节点与关联节点之间的逻辑关联关系,对每个供电设备节点之间的故障事件类别进行事件关联处理,得到与节点故障影响情况相对应的故障事件信息。
具体的,根据故障节点与关联节点之间的逻辑关联关系,对每个供电设备节点之间的故障事件类别进行事件关联,包括不同类别的故障事件之间的相互影响所产生的事件关联,同一供电设备内部各个元件节点所对应的故障事件之间的事件关联等,根据每个元件节点的事件关联的影响概率,得到与节点故障影响情况相对应的故障事件信息。
S40:根据故障事件信息与全图状态信息,对故障节点和关联节点分别进行定位处理,得到变电所故障元件的故障影响定位数据。
具体的,如图7所示,步骤S40具体包括以下步骤:
S601:根据故障事件信息,判断故障节点与关联节点在全图状态信息中适配的故障类别,得到故障类别判断结果。
具体的,根据故障事件信息判断故障节点与关联节点在全图状态信息中适配的故障类别,如电能转换异常、电能分配异常或者电能调用异常等,从而根据每个元件节点所对应的故障事件信息,与预先设置的故障类别进行类别分类处理,从而得到与全图状态信息相适配的故障类别,进而得到供电设备每个元件节点的故障类别判断结果。
S602:根据故障节点与关联节点之间的逻辑关联关系,对故障类别判断结果进行关联调整处理,得到故障类别调整结果。
具体的,根据故障节点与关联节点之间的逻辑关联关系,对故障类别判断结果进行关联调整,如根据故障节点与每个关联节点之间的欧氏距离或者故障相似性等计算每个关联节点的故障类别可能性,将故障类别可能性最大的故障事件类别对故障类别判断结果进行关联调整,从而得到故障类别调整结果。
S603:对故障类别调整结果进行定位误差补偿处理,得到与故障节点和关联节点分别对应的故障定位补偿系数。
具体的,对故障类别调整结果进行定位误差补偿处理,如在推选出故障影响最大的故障事件类别之后,根据其他次于最大故障事件影响的影响干扰可能性,对关联节点进行定位误差补偿处理,降低其他故障事件的间接影响干扰,故障定位补偿系数可以通过关联节点所受到的最大故障事件干扰概率与次要故障影响干扰概率之间的差值计算得到。
S604:根据故障定位补偿系数,对与故障节点相关联的关联节点进行故障影响定位处理,得到变电所故障元件的故障影响定位数据。
具体的,通过故障定位补偿系数,对故障节点与关联节点之间的故障定位数据进行误差补偿处理,从而减少元件节点受到多个故障节点的间接干扰,并推选出故障影响程度最大的主要故障影响来进行故障影响定位,通过对故障元件的每个元件节点的联合故障定位,从而得到变电所故障元件的故障影响定位数据,包括当前的故障元件的故障定位以及关联的关联节点的故障影响定位等。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种变电所安全风险在线识别系统,该变电所安全风险在线识别系统与上述实施例中变电所安全风险在线识别方法一一对应。如图7所示,该变电所安全风险在线识别系统包括特征数据获取模块、信息分类处理模块、故障分析处理模块和故障定位处理模块。各功能模块详细说明如下:
特征数据获取模块,用于实时获取故障节点的自身运行信息和关联节点的影响运行信息,得到故障节点特征数据。
优选的,特征数据获取模块还包括:
图结构化处理子模块,用于对自身运行信息和影响运行信息进行图结构化处理,得到供电设备所有元件的整体运行图。
运行数据获取子模块,用于获取整体运行图中的节点运行状态数据和关联节点之间的邻接矩阵数据。
设备运行状态评估子模块,用于根据节点运行状态数据和邻接矩阵数据,对供电设备的运行状态进行状态评估处理,得到供电设备的设备状态评估结果。
故障诊断处理子模块,用于根据设备状态评估结果,对每个元件节点进行故障诊断处理,得到用于识别故障影响程度的故障诊断结果。
优选的,故障诊断处理子模块具体包括:
分类任务匹配单元,用于根据设备状态评估结果,对每个元件节点进行分类任务匹配处理,得到与每个元件节点的当前运行状态相对应的分类任务匹配策略。
故障损失权重计算单元,用于根据分类任务匹配策略,调用预设的分类模型对元件节点进行权重计算,得到每个关联节点的故障损失参数。
故障损失补偿处理单元,用于分别调用与分类任务匹配策略相对应的故障识别策略,对故障损失参数进行损失补偿处理,得到与每个故障关联节点相关联的故障诊断策略。
风险评估处理单元,用于根据故障诊断策略,对每个关联节点的故障影响程度进行风险评估处理,得到与故障节点当前损失影响相对应的故障诊断结果。
优选的,风险评估处理单元具体包括:
运行耗损计算子单元,用于根据故障诊断策略,计算每个元件节点当前运行状态下的运行耗损参数。
定位误差参数获取子单元,用于获取元件节点在进行故障定位过程中的定位误差参数。
识别误差参数获取子单元,用于当元件节点存在故障事件时,计算与故障节点相关联的每个关联节点的故障影响事件的识别误差参数。
耗损补偿处理子单元,用于分别对运行耗损参数、定位误差参数和识别误差参数进行耗损补偿处理,得到与每个元件节点的当前故障影响相对应的故障诊断结果。
信息分类处理模块,用于对故障节点特征数据进行信息分类处理,得到符合故障节点与关联节点之间的逻辑关联关系的全图状态信息。
优选的,信息分类处理模块具体包括:
逻辑关系构建子模块,用于根据故障节点特征数据,构建故障节点与关联节点之间的逻辑关联关系。
拓扑关系建立子模块,用于根据逻辑关联关系,建立供电设备元件之间进行相互关联的拓扑关系图。
故障分类处理子模块,用于对拓扑关系图进行故障分类处理,得到携带有故障节点特征数据的故障拓扑图。
状态评估处理子模块,用于对供电设备元件的运行状态进行状态评估处理,根据评估结果对故障拓扑图进行全图标识,得到全图状态信息。
故障分析处理模块,用于对故障节点特征数据进行故障分析处理,得到与变电所供电设备故障影响情况相对应的故障事件信息。
优选的,故障分析处理模块具体包括:
故障波动数据获取子模块,用于根据故障节点特征数据,获取相邻单位时间内的故障波动数据。
故障信息标识处理子模块,用于根据故障波动数据,对全图状态信息进行故障信息标识处理,得到携带有故障变化情况的全图标识信息。
故障事件划分子模块,用于对全图标识信息进行故障事件划分处理,得到按故障发生时间进行排序的故障事件类别。
事件关联处理子模块,用于根据故障节点与关联节点之间的逻辑关联关系,对每个供电设备节点之间的故障事件类别进行事件关联处理,得到与节点故障影响情况相对应的故障事件信息。
故障定位处理模块,用于根据故障事件信息与全图状态信息,对故障节点和关联节点分别进行定位处理,得到变电所故障元件的故障影响定位数据。
优选的,故障定位处理模块具体包括:
故障类别判断子模块,用于根据故障事件信息,判断故障节点与关联节点在全图状态信息中适配的故障类别,得到故障类别判断结果。
故障类别调整子模块,用于根据故障节点与关联节点之间的逻辑关联关系,对故障类别判断结果进行关联调整处理,得到故障类别调整结果。
定位误差补偿子模块,用于对故障类别调整结果进行定位误差补偿处理,得到与故障节点和关联节点分别对应的故障定位补偿系数。
故障影响定位子模块,用于根据故障定位补偿系数,对与故障节点相关联的关联节点进行故障影响定位处理,得到变电所故障元件的故障影响定位数据。
关于变电所安全风险在线识别系统的具体限定可以参见上文中对于变电所安全风险在线识别方法的限定,在此不再赘述。上述变电所安全风险在线识别系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储变电所供电设备所有元件节点的运行数据以及在进行故障定位影响识别过程中的中间文件。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种变电所安全风险在线识别方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述变电所安全风险在线识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种变电所安全风险在线识别方法,其特征在于,所述变电所安全风险在线识别方法包括:
实时获取故障节点的自身运行信息和关联节点的影响运行信息,得到故障节点特征数据;
对所述故障节点特征数据进行信息分类处理,得到符合故障节点与关联节点之间的逻辑关联关系的全图状态信息;
对所述故障节点特征数据进行故障分析处理,得到与变电所供电设备故障影响情况相对应的故障事件信息;
根据所述故障事件信息与所述全图状态信息,对故障节点和关联节点分别进行定位处理,得到变电所故障元件的故障影响定位数据;
其中,所述实时获取故障节点的自身运行信息和关联节点的影响运行信息,得到故障节点特征数据,还包括:
对所述自身运行信息和所述影响运行信息进行图结构化处理,得到供电设备所有元件的整体运行图;
获取所述整体运行图中的节点运行状态数据和关联节点之间的邻接矩阵数据;
根据所述节点运行状态数据和所述邻接矩阵数据,对供电设备的运行状态进行状态评估处理,得到供电设备的设备状态评估结果;
根据所述设备状态评估结果,对每个元件节点进行故障诊断处理,得到用于识别故障影响程度的故障诊断结果,其中,所述故障影响程度的故障诊断结果由公式(1)计算得到,公式(1)如下所示:
其中,H(i+j)表示故障节点的故障影响范围值,σ(·)表示故障诊断的激活函数,H(i+j)表示图卷积神经网络中第i个故障节点的第j个关联节点的特征向量输入,H(i+j)∈Ri*j,其中R为供电设备的元件节点的所有叠加层级,可用于表示供电设备的运行状态,表示故障节点与关联节点之间的实际拓扑关系的邻接矩阵,W(i+j)表示第i个故障节点的第j个关联节点所在图卷积神经网络层级的权重矩阵,/>分别表示第i个故障节点和第j个关联节点在图卷积神经网络中所处层级的图卷积层数;
其中,所述根据所述设备状态评估结果,对每个元件节点进行故障诊断处理,得到用于识别故障影响程度的故障诊断结果,具体包括:
根据设备状态评估结果,对每个元件节点进行分类任务匹配处理,得到与每个元件节点的当前运行状态相对应的分类任务匹配策略;
根据所述分类任务匹配策略,调用预设的分类模型对元件节点进行权重计算,得到每个关联节点的故障损失参数;
分别调用与所述分类任务匹配策略相对应的故障识别策略,对所述故障损失参数进行损失补偿处理,得到与每个故障关联节点相关联的故障诊断策略;
根据所述故障诊断策略,对每个关联节点的故障影响程度进行风险评估处理,得到与所述故障节点当前损失影响相对应的故障诊断结果;
其中,所述根据所述故障诊断策略,对每个关联节点的故障影响程度进行风险评估处理,得到与所述故障节点当前损失影响相对应的故障诊断结果,具体包括:
根据所述故障诊断策略,计算每个元件节点当前运行状态下的运行耗损参数,其中,所述运行耗损参数由公式(2)计算得到:
其中,lossp表示元件节点当前运行状态下的运行耗损参数,n表示变电所供电设备的元件节点数量,i表示故障节点的关联节点数量,pi表示关联节点正常故障的概率,表示关联节点的受故障可能性;
获取元件节点在进行故障定位过程中的定位误差参数,其中,所述定位误差参数由公式(3)计算得到:
其中,lossq表示元件节点在进行故障定位过程中的定位误差参数,m是供电设备的关联节点的最大个数,qij表示i个故障节点中j个关联节点出现定位故障的实际概率,表示i个故障节点中j个关联节点出现定位故障的可能性;
当元件节点存在故障事件时,计算与所述故障节点相关联的每个关联节点的故障影响事件的识别误差参数,其中,所述识别误差参数由公式(4)计算得到:
其中,lossr表示关联节点受到故障影响的识别误差参数,rij表示第j个关联节点是由于第i个故障节点出现故障事件而产生故障的实际识别误差概率,表示第j个关联节点是由于第i个故障节点出现故障事件而产生故障的可能性;
分别对所述运行耗损参数、定位误差参数和识别误差参数进行耗损补偿处理,得到与每个元件节点的当前故障影响相对应的故障诊断结果。
2.根据权利要求1所述的变电所安全风险在线识别方法,其特征在于,所述对所述故障节点特征数据进行信息分类处理,得到符合故障节点与关联节点之间的逻辑关联关系的全图状态信息,具体包括:
根据所述故障节点特征数据,构建故障节点与关联节点之间的逻辑关联关系;
根据所述逻辑关联关系,建立供电设备元件之间进行相互关联的拓扑关系图,具体的,以故障节点为出发点,根据影响波动幅度的大小将故障节点与关联节点进行连接,并通过有向无环图指向对应受影响的关联节点,将供电设备中所有的故障节点与关联节点连接后的有向无环图进行叠加,从而得到供电设备元件节点之间进行相互关联的拓扑关系图;
对所述拓扑关系图进行故障分类处理,得到携带有故障节点特征数据的故障拓扑图,其中,所述故障拓扑图的故障影响传播规则通过公式(5)计算得到,公式(5)如下所示:
其中,Z表示故障拓扑图中的故障节点的影响范围层数,F表示将故障节点与关联节点之间的状态表示向量进行平均池化操作后得到层级数,Wi表示第i个故障节点所在层级的权重参数,Wj表示第j个关联节点所在层级的权重参数,表示供电设备的整体元件节点的邻接矩阵;
对供电设备元件的运行状态进行状态评估处理,根据评估结果对故障拓扑图进行全图标识,得到全图状态信息。
3.根据权利要求1所述的变电所安全风险在线识别方法,其特征在于,所述对所述故障节点特征数据进行故障分析处理,得到与变电所供电设备故障影响情况相对应的故障事件信息,具体包括:
根据所述故障节点特征数据,获取相邻单位时间内的故障波动数据;
根据所述故障波动数据,对所述全图状态信息进行故障信息标识处理,得到携带有故障变化情况的全图标识信息;
对所述全图标识信息进行故障事件划分处理,得到按故障发生时间进行排序的故障事件类别;根据故障节点与关联节点之间的逻辑关联关系,对每个供电设备节点之间的所述故障事件类别进行事件关联处理,得到与节点故障影响情况相对应的故障事件信息。
4.根据权利要求1所述的变电所安全风险在线识别方法,其特征在于,所述根据所述故障事件信息与所述全图状态信息,对故障节点和关联节点分别进行定位处理,得到变电所故障元件的故障影响定位数据,具体包括:
根据所述故障事件信息,判断所述故障节点与关联节点在所述全图状态信息中适配的故障类别,得到故障类别判断结果;
根据故障节点与关联节点之间的逻辑关联关系,对所述故障类别判断结果进行关联调整处理,得到故障类别调整结果;
对所述故障类别调整结果进行定位误差补偿处理,得到与故障节点和关联节点分别对应的故障定位补偿系数;
根据所述故障定位补偿系数,对与故障节点相关联的关联节点进行故障影响定位处理,得到变电所故障元件的故障影响定位数据。
5.一种变电所安全风险在线识别系统,其特征在于,所述变电所安全风险在线识别系统包括:
特征数据获取模块,用于实时获取故障节点的自身运行信息和关联节点的影响运行信息,得到故障节点特征数据;
信息分类处理模块,用于对所述故障节点特征数据进行信息分类处理,得到符合故障节点与关联节点之间的逻辑关联关系的全图状态信息;
故障分析处理子模块,用于对所述故障节点特征数据进行故障分析处理,得到与变电所供电设备故障影响情况相对应的故障事件信息;
故障定位处理子模块,用于根据所述故障事件信息与所述全图状态信息,对故障节点和关联节点分别进行定位处理,得到变电所故障元件的故障影响定位数据;
其中,所述特征数据获取模块,还包括:
图结构化处理子模块,用于对所述自身运行信息和所述影响运行信息进行图结构化处理,得到供电设备所有元件的整体运行图;
运行数据获取子模块,用于获取所述整体运行图中的节点运行状态数据和关联节点之间的邻接矩阵数据;
设备运行状态评估子模块,用于根据所述节点运行状态数据和所述邻接矩阵数据,对供电设备的运行状态进行状态评估处理,得到供电设备的设备状态评估结果;
故障诊断处理子模块,用于根据所述设备状态评估结果,对每个元件节点进行故障诊断处理,得到用于识别故障影响程度的故障诊断结果,其中,所述故障影响程度的故障诊断结果由公式(1)计算得到,公式(1)如下所示:
其中,H(i+j)表示故障节点的故障影响范围值,σ(·)表示故障诊断的激活函数,H(i+j)表示图卷积神经网络中第i个故障节点的第j个关联节点的特征向量输入,H(i+j)∈Ri*j,其中R为供电设备的元件节点的所有叠加层级,可用于表示供电设备的运行状态,表示故障节点与关联节点之间的实际拓扑关系的邻接矩阵,W(i+j)表示第i个故障节点的第j个关联节点所在图卷积神经网络层级的权重矩阵,/>分别表示第i个故障节点和第j个关联节点在图卷积神经网络中所处层级的图卷积层数;
其中,所述故障诊断处理子模块,具体包括:
分类任务匹配单元,用于根据设备状态评估结果,对每个元件节点进行分类任务匹配处理,得到与每个元件节点的当前运行状态相对应的分类任务匹配策略;
故障损失权重计算单元,用于根据所述分类任务匹配策略,调用预设的分类模型对元件节点进行权重计算,得到每个关联节点的故障损失参数;
故障损失补偿处理单元,用于分别调用与所述分类任务匹配策略相对应的故障识别策略,对所述故障损失参数进行损失补偿处理,得到与每个故障关联节点相关联的故障诊断策略;
风险评估处理单元,用于根据所述故障诊断策略,对每个关联节点的故障影响程度进行风险评估处理,得到与所述故障节点当前损失影响相对应的故障诊断结果;
其中,所述风险评估处理单元,具体包括:
运行耗损计算子单元,用于根据所述故障诊断策略,计算每个元件节点当前运行状态下的运行耗损参数,其中,所述运行耗损参数由公式(2)计算得到:
其中,lossp表示元件节点当前运行状态下的运行耗损参数,n表示变电所供电设备的元件节点数量,i表示故障节点的关联节点数量,pi表示关联节点正常故障的概率,表示关联节点的受故障可能性;
定位误差参数获取子单元,用于获取元件节点在进行故障定位过程中的定位误差参数,其中,所述定位误差参数由公式(3)计算得到:
其中,lossq表示元件节点在进行故障定位过程中的定位误差参数,m是供电设备的关联节点的最大个数,qij表示i个故障节点中j个关联节点出现定位故障的实际概率,表示i个故障节点中j个关联节点出现定位故障的可能性;
识别误差参数获取子单元,用于当元件节点存在故障事件时,计算与所述故障节点相关联的每个关联节点的故障影响事件的识别误差参数,其中,所述识别误差参数由公式(4)计算得到:
其中,lossr表示关联节点受到故障影响的识别误差参数,rij表示第j个关联节点是由于第i个故障节点出现故障事件而产生故障的实际识别误差概率,表示第j个关联节点是由于第i个故障节点出现故障事件而产生故障的可能性;
耗损补偿处理子单元,用于分别对所述运行耗损参数、定位误差参数和识别误差参数进行耗损补偿处理,得到与每个元件节点的当前故障影响相对应的故障诊断结果。
6.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述变电所安全风险在线识别方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述变电所安全风险在线识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310147858.XA CN116136985B (zh) | 2023-02-21 | 2023-02-21 | 一种变电所安全风险在线识别方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310147858.XA CN116136985B (zh) | 2023-02-21 | 2023-02-21 | 一种变电所安全风险在线识别方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116136985A CN116136985A (zh) | 2023-05-19 |
CN116136985B true CN116136985B (zh) | 2023-09-05 |
Family
ID=86326842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310147858.XA Active CN116136985B (zh) | 2023-02-21 | 2023-02-21 | 一种变电所安全风险在线识别方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116136985B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007286924A (ja) * | 2006-04-17 | 2007-11-01 | Fuji Xerox Co Ltd | 故障診断モデル生成装置、故障診断モデル生成方法、故障診断システム、及び、故障診断方法 |
CN103023028A (zh) * | 2012-12-17 | 2013-04-03 | 江苏省电力公司 | 一种基于实体间依赖关系图的电网故障快速定位方法 |
KR20140032846A (ko) * | 2012-09-07 | 2014-03-17 | 한국전력공사 | 변전소의 이상상태 정보 제공 장치 |
CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
CN106656588A (zh) * | 2016-12-12 | 2017-05-10 | 国网北京市电力公司 | 智能变电站的故障定位方法和装置 |
CN110110870A (zh) * | 2019-06-05 | 2019-08-09 | 厦门邑通软件科技有限公司 | 一种基于事件图谱技术的设备故障智能监控方法 |
CN110674193A (zh) * | 2019-10-25 | 2020-01-10 | 国网四川省电力公司技能培训中心 | 一种智能变电站继电保护故障信息建模方法 |
WO2022160776A1 (zh) * | 2021-01-29 | 2022-08-04 | 国电南瑞科技股份有限公司 | 一种基于继电保护在线监视与分析系统的故障分析方法 |
WO2022205948A1 (zh) * | 2021-03-31 | 2022-10-06 | 贵州电网有限责任公司 | 基于灵敏度分析和设备故障率的电网事故事件等级预判系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10401417B2 (en) * | 2013-02-13 | 2019-09-03 | General Electric Technology Gmbh | Electrical fault location determination in a distribution system based on phasor information |
-
2023
- 2023-02-21 CN CN202310147858.XA patent/CN116136985B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007286924A (ja) * | 2006-04-17 | 2007-11-01 | Fuji Xerox Co Ltd | 故障診断モデル生成装置、故障診断モデル生成方法、故障診断システム、及び、故障診断方法 |
KR20140032846A (ko) * | 2012-09-07 | 2014-03-17 | 한국전력공사 | 변전소의 이상상태 정보 제공 장치 |
CN103023028A (zh) * | 2012-12-17 | 2013-04-03 | 江苏省电力公司 | 一种基于实体间依赖关系图的电网故障快速定位方法 |
CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
CN106656588A (zh) * | 2016-12-12 | 2017-05-10 | 国网北京市电力公司 | 智能变电站的故障定位方法和装置 |
CN110110870A (zh) * | 2019-06-05 | 2019-08-09 | 厦门邑通软件科技有限公司 | 一种基于事件图谱技术的设备故障智能监控方法 |
CN110674193A (zh) * | 2019-10-25 | 2020-01-10 | 国网四川省电力公司技能培训中心 | 一种智能变电站继电保护故障信息建模方法 |
WO2022160776A1 (zh) * | 2021-01-29 | 2022-08-04 | 国电南瑞科技股份有限公司 | 一种基于继电保护在线监视与分析系统的故障分析方法 |
WO2022205948A1 (zh) * | 2021-03-31 | 2022-10-06 | 贵州电网有限责任公司 | 基于灵敏度分析和设备故障率的电网事故事件等级预判系统和方法 |
Non-Patent Citations (1)
Title |
---|
基于多源数据融合的电力故障事件识别及预控系统;魏可慰;张琴;朱凌;谭迟幸;谢炜俊;;电子设计工程(第18期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116136985A (zh) | 2023-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7499777B2 (en) | Diagnostic and prognostic method and system | |
CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
CN110178121B (zh) | 一种数据库的检测方法及其终端 | |
JP2021511006A (ja) | 電力網アセットの状態分類を行うための方法および装置 | |
CN116467674B (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
CN115511136B (zh) | 基于层次分析和故障树的设备故障辅助诊断方法及系统 | |
CN111624986A (zh) | 基于案例库的故障诊断方法和系统 | |
CN115759923A (zh) | 基于备件历史消耗数据和故障预测的备件库存管理方法 | |
CN115421950A (zh) | 一种基于机器学习的自动化系统运维管理方法及系统 | |
Wu et al. | Sensor deployment based on fuzzy graph considering heterogeneity and multiple-objectives to diagnose manufacturing system | |
CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
CN111832631A (zh) | 特征识别方法、装置、计算机设备和存储介质 | |
CN115695150A (zh) | 一种基于分布式异构融合组网设备检测方法及装置 | |
CN111338876B (zh) | 一种故障模式与影响分析的决策方法、系统及存储介质 | |
CN116136985B (zh) | 一种变电所安全风险在线识别方法及其系统 | |
CN114707834A (zh) | 一种告警提醒方法、装置及存储介质 | |
Challagulla et al. | A unified framework for defect data analysis using the mbr technique | |
CN117763449A (zh) | 一种多源故障自主定位与分类方法 | |
CN112379913B (zh) | 基于风险识别的软件优化方法、装置、设备及存储介质 | |
CN116345690B (zh) | 基于供电系统设备清单的电力监测虚警识别方法及系统 | |
CN109784629B (zh) | 一种基于神经网络的变电站工控网络故障定位方法 | |
CN113962273B (zh) | 一种基于多指标的时间序列异常检测方法、系统及存储介质 | |
CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
CN114065937A (zh) | 一种设备故障诊断方法、装置及终端设备 | |
CN110716101B (zh) | 电力线路故障定位方法、装置、计算机和存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240108 Address after: Room 1227-1, 12th floor, Haitai building, No. 229, Middle North Fourth Ring Road, Haidian District, Beijing 100089 Patentee after: Beijing maglev Co.,Ltd. Address before: Room 408, 1-14, 4 / F, Hengxiang building, No.15 Tuanjie hunanli, Chaoyang District, Beijing 100020 Patentee before: Beijing thinking Shichuang Technology Co.,Ltd. |