CN116259161B - 一种电力故障预警系统 - Google Patents
一种电力故障预警系统 Download PDFInfo
- Publication number
- CN116259161B CN116259161B CN202310544406.5A CN202310544406A CN116259161B CN 116259161 B CN116259161 B CN 116259161B CN 202310544406 A CN202310544406 A CN 202310544406A CN 116259161 B CN116259161 B CN 116259161B
- Authority
- CN
- China
- Prior art keywords
- path
- data
- fault detection
- particle
- fault
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及电力管理技术领域,更进一步地,涉及一种电力故障预警系统,包括数据获取、监测线确立、故障检测点确立、故障分析和预警等部分。该系统通过配置用于获取目标电力系统的历史故障数据和实时运行数据,通过确立监测线、故障检测点和故障分析,计算出在特定圆形区域内的故障发生率,当发生率超过设定阈值时,即可通过预警信息提醒相关人员进行故障处理。本发明的优点在于,不需要对所有的节点都进行监测,大大降低了故障检测和预警的复杂度,同时提高了预测的准确性和实时性,具有较好的应用前景。
Description
技术领域
本发明属于电网管理技术领域,具体涉及一种电力故障预警系统。
背景技术
随着电力系统的不断发展,对其可靠性和稳定性的要求越来越高。电力故障是导致电力系统发生故障的主要原因之一,也是影响电力系统可靠性和稳定性的重要因素。为了提高电力系统的可靠性和稳定性,电力故障预警系统应运而生。
电力故障预警系统是一种利用先进的技术手段和方法,对电力系统的运行状态进行实时监测、分析和预测,以提前发现和预警电力故障,减少电力系统的故障损失,保障电力系统的安全稳定运行。现有技术主要包括以下几种:
1.故障诊断技术:
故障诊断技术是一种利用先进的测试仪器和分析方法,对电力系统中出现的故障进行精确定位、分析和诊断的技术手段。其中,电力故障定位技术是一种基于电力系统故障波形数据的故障定位方法,它可以通过测量电压、电流等信号的波形,对故障位置进行精确定位,提高故障诊断的准确性。
2.统计分析技术:
统计分析技术是一种基于历史数据的统计分析方法,通过对历史数据的分析和研究,建立电力系统故障模型,预测电力系统故障发生的概率和故障类型,提高电力系统的可靠性和稳定性。其中,时间序列分析技术是一种常用的统计分析方法,它可以对电力系统故障数据进行时间序列分析,预测未来的故障趋势和发生的概率。
3.人工智能技术:
人工智能技术是一种基于计算机智能的技术手段,可以模拟人类的思维过程,对电力系统的运行状态进行智能化分析和预测,提高电力系统的可靠性和稳定性。其中,人工神经网络技术是一种常用的人工智能技术,它可以对电力系统的大量数据进行训练和学习,建立电力系统故障预测模型,提高电力系统的预测准确性。
虽然现有的电力故障预警技术已经具有一定的实用性和可靠性,但是仍然存在一些问题:
1.数据质量问题:
电力系统故障预警技术需要大量的数据支持,但是现有的数据往往存在质量问题,例如数据不完整、数据采集不准确、数据处理不规范等,这些问题可能会影响电力故障预警技术的准确性和可靠性。
2.故障类型问题:
现有的电力故障预警技术大多是基于历史数据和经验分析的,但是电力系统中存在着各种各样的故障类型和故障原因,如果预警技术没有考虑到所有可能的故障类型和原因,就可能会导致误判或漏判。
3.模型建立问题:
现有的电力故障预警技术主要是通过建立预测模型实现的,但是模型的建立需要考虑到多种因素,如数据的选择和处理、模型参数的确定、模型的评估等,如果这些问题没有得到妥善处理,就可能会影响模型的准确性和可靠性。
4.实时性问题:
电力故障预警技术需要实时监测电力系统的运行状态,但是现有的技术往往存在实时性问题,即不能及时反映电力系统的变化,导致预警效果不佳。
发明内容
本发明的主要目的在于提供一种电力故障预警系统,其不需要对所有的节点都进行监测,大大降低了故障检测和预警的复杂度,同时提高了预测的准确性和实时性,具有较好的应用前景。
为了解决上述问题,本发明的技术方案是这样实现的:
一种电力故障预警系统,系统包括:数据获取部分,配置用于获取目标电力系统的历史故障数据和目标电力系统的实时运行数据;历史故障数据包括:目标电力系统中历史发生故障的节点数据,包括节点位置数据和节点类型数据;监测线确立部分,配置用于根据历史故障数据中的节点位置数据,在目标电力系统网络中确立节点位置数据对应的监测点,确立一条最长的监测线;监测线满足以下约束条件,分别为:包含的监测点最多;在包含监测点的数量相同的情况下,长度最长;在包含监测点的数量相同,且长度相等的情况下,包含的历史未发生故障的节点最多;故障检测点确立部分,配置用于在确立的监测线中,基于各个监测点的节点类型数据,和监测线中各个监测点的节点位置数据,使用预设的故障检测点计算模型,确定监测线中的故障检测点;故障分析部分,配置用于基于获取到的目标电力系统中的故障检测点对应的实时运行数据和故障检测点在监测线中的节点位置数据,设定一个故障检测半径,计算出在以故障检测点的节点位置为圆心,以设定的故障检测半径为半径的圆形区域内,目标电力系统的故障发生率;预警部分,配置用于在以某个故障检测点的节点位置为圆心,以设定的故障检测半径为半径的圆形区域内的故障发生率超过设定的阈值,则发出预警信息;预警信息内包含该圆形区域的圆心和半径。
在一种可能的设计方法中,实时运行数据为电力系统中的节点的电压、电流、功率、频率、温度、湿度和振动频率。
在一种可能的设计方法中,监测线确立部分确立检测线的过程具体包括:从历史发生故障的节点中随机筛选出若干个节点,组成一条随机路径;初始化粒子集合,包含np个粒子,每个粒子表示一条随机路径;对于每个粒子,随机采样一条路径,并计算路径的权重;路径的权重表示为路径长度、路径的复杂度和路径的传输损耗的加权和;根据路径的权重计算每个粒子的概率,概率表征粒子的重要性;根据粒子的重要性进行重采样,得到一组新的粒子集合;根据新的粒子集合进行搜索,直到达到最大搜索深度或找到最优路径为止;将最优路径转换为一条最长路径,满足包含的监测点最多;在包含监测点的数量相同的情况下,长度最长;在包含监测点的数量相同、且长度相等的情况下,包含的历史未发生故障的节点最多的约束条件。
在一种可能的设计方法中,初始化粒子集合的公式为:
其中,np为粒子数,表示第i个粒子的初始位置;
对于每个粒子,随机采样一条路径的公式为:
其中,T为路径长度;定义表示第i个粒子的第t个位置;
计算路径的权重的公式为:
其中,g(·)为路径权重函数,表示路径长度、路径的复杂度和路径的传输损耗的加权和。
在一种可能的设计方法中,计算每个粒子的概率的公式为:
其中,p(i)表示第i个粒子的概率,w(j)表示第j个粒子的权重。
优选地,根据粒子的概率进行重采样的公式:
其中,Multinomial(·)表示多项式分布,表示重采样后的粒子集合,p(i)表示第i个粒子的概率;重采样过程中,每个粒子的概率都被考虑在内,概率大的粒子被选中的概率也较大;根据重采样后得到的粒子集合,可以继续进行搜索,直到找到最优路径为止。
在一种可能的设计方法中,对所有找到的路径进行排序的方法包括:
设定:S=s1,s2,…,sn,其中,sj表示第j条路径,n表示路径的总数;
S'=Sort(S),按照包含的监测点数量、路径长度和包含的历史未发生故障的节点数量的顺序对路径进行排序;
选择满足约束条件的最优路径:
使用如下公式找到长度最长的路径:lmax=maxl(s)|s∈S',count(s)=count(s1);
使用如下公式找到包含历史未发生故障的节点最多的路径:
pmax=maxp(s)|s∈S',l(s)=lmax,count(s)=count(s1);
选择路径pmax作为监测线;其中,l(s)表示路径s的长度,count(s)表示路径s中包含的监测点数量,p(s)表示路径s中包含的历史未发生故障的节点数量。
在一种可能的设计方法中,故障检测点确立部分确定监测线中的故障检测点的方法包括:假设目标电力系统中共有n个监测点,其中第i个监测点的节点类型数据为ti∈Rm,节点位置数据为pi∈Rd;对节点类型数据和位置数据进行特征提取,分别得到节点类型特征X和位置特征Y;将节点类型特征X和位置特征Y拼接在一起,形成一个特征矩阵:
其中n1表示节点类型特征的维度,n2表示位置特征的维度
使用一个全连接神经网络对特征矩阵进行处理,得到故障检测得分;假设全连接神经网络的输入为综合特征矩阵Z,输出为故障检测得分向量S∈Rn,则有:
Si=f3(W3Zi+b3);
其中,f3表示激活函数,表示权重参数,b3∈R表示偏置参数;根据故障检测得分确定监测线中的故障检测点;具体包括:先根据得分对所有监测点进行排序,然后依次选取得分最高的k个节点作为故障检测点;选取得分最高的节点时,保证所选节点之间的距离不小于一个预设的阈值。
在一种可能的设计方法中,对节点类型数据和位置数据进行特征提取的方法包括:对于节点类型数据,使用卷积神经网络进行特征提取;定义卷积神经网络的输入为节点类型数据矩阵T∈Rn×m,输出为节点类型特征矩阵其中n1表示节点类型特征的维度;使用如下公式表示卷积神经网络的计算过程:
Xi=f1(W1,k*Ti+b1);
其中,f1表示激活函数,*表示卷积操作,W1,k∈Rm×k表示卷积神经网络的卷积核参数,b1∈Rk表示偏置参数;
对于位置数据,使用循环神经网络进行特征提取;假设循环神经网络的输入为位置数据矩阵P∈Rn×d,输出为位置特征矩阵其中n2表示位置特征的维度;使用如下公式表示循环神经网络的计算过程:
Yi=f2(W2,1Pi+W2,2Yi-1+b2);
其中,f2表示激活函数,和/>表示循环神经网络的权重参数,/>表示偏置参数。
在一种可能的设计方法中,故障分析部分计算目标电力系统的故障发生率的方法包括:根据监测线上的故障检测点的节点位置数据,以故障检测点为圆心,设定故障检测半径,确定一个圆形区域;将该圆形区域内的目标电力系统的所有节点的实时运行数据作为输入,计算该区域内的故障发生率。
本发明的一种电力故障预警系统,具有以下有益效果:首先,本发明的监测线满足了包含的监测点最多、在包含监测点的数量相同的情况下,长度最长,以及在包含监测点的数量相同、且长度相等的情况下,包含的历史未发生故障的节点最多的约束条件。这种监测线的设立方式使得系统可以在最小化监测点数量的前提下,有效地覆盖整个电力系统。因此,本发明大大降低了故障检测和预警的复杂度,因为不需要对所有的节点都进行监测,而只需要对监测线上的节点进行监测即可。这种监测线的设立方式也可以减少对电力系统的影响和干扰。
其次,本发明通过对节点类型数据和位置数据的特征提取,使用卷积神经网络和循环神经网络进行特征提取,得到了节点类型特征和位置特征。这种特征提取方法可以将节点的信息压缩成为一组高维特征向量,这些向量可以很好地表示节点的状态和特性,进而用于故障检测。与传统的故障检测方法相比,本发明的特征提取方法可以提高故障检测的准确性和效率。
再次,本发明通过设立故障检测点,并使用全连接神经网络对特征矩阵进行处理,得到了故障检测得分。通过对所有监测点进行排序,然后依次选取得分最高的k个节点作为故障检测点,可以保证故障检测的准确性和效率。与传统的故障检测方法相比,本发明的故障检测点设立方式可以在更少的监测点的情况下,有效地检测故障的发生和位置。
最后,本发明的预警部分可以在以某个故障检测点的节点位置为圆心,以设定的故障检测半径为半径的圆形区域内的故障发生率超过设定的阈值时,发出预警信息。这种预警机制可以帮助电力系统及时发现潜在的故障,避免故障扩大化,并提高电力系统的安全性和可靠性。
附图说明
图1为本发明实施例提供的一种电力故障预警系统的系统结构示意图。
具体实施方式
提供了一种电力故障预警系统,该系统能够自动获取目标电力系统的历史故障数据和实时运行数据,然后根据历史故障数据中的节点位置数据,在目标电力系统网络中确立节点位置数据对应的监测点,并确立一条最长的监测线,该监测线满足约束条件,包含的监测点最多,长度最长,包含的历史未发生故障的节点最多。接着,系统使用预设的故障检测点计算模型,在监测线中确定故障检测点,然后基于故障检测点对应的实时运行数据和故障检测点在监测线中的节点位置数据,计算出目标电力系统的故障发生率,如果该圆形区域内的故障发生率超过设定的阈值,则发出预警信息。预警信息内包含该圆形区域的圆心和半径。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
以下分别进行详细说明。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。。
一种电力故障预警系统,其目的是为了提前预警电力系统中的故障,并及时采取相应的措施进行修复,从而确保电力系统的正常运行。该系统包括以下几个部分:数据获取部分:用于获取目标电力系统的历史故障数据和目标电力系统的实时运行数据。其中,历史故障数据包括目标电力系统中历史发生故障的节点数据,包括节点位置数据和节点类型数据。监测线确立部分:根据历史故障数据中的节点位置数据,在目标电力系统网络中确立节点位置数据对应的监测点,并确立一条最长的监测线。监测线需要满足以下约束条件:包含的监测点最多;在包含监测点的数量相同的情况下,长度最长;在包含监测点的数量相同,且长度相等的情况下,包含的历史未发生故障的节点最多。故障检测点确立部分:在确立的监测线中,基于各个监测点的节点类型数据和监测线中各个监测点的节点位置数据,使用预设的故障检测点计算模型,确定监测线中的故障检测点。故障分析部分:基于获取到的目标电力系统中的故障检测点对应的实时运行数据和故障检测点在监测线中的节点位置数据,设定一个故障检测半径,计算出在以故障检测点的节点位置为圆心,以设定的故障检测半径为半径的圆形区域内,目标电力系统的故障发生率。预警部分:在以某个故障检测点的节点位置为圆心,以设定的故障检测半径为半径的圆形区域内的故障发生率超过设定的阈值,则发出预警信息。预警信息内包含该圆形区域的圆心和半径。
总体而言,该电力故障预警系统的核心是基于历史故障数据建立监测线路,并利用实时数据计算出圆形区域内的故障发生率,从而实现电力故障的及时预警。该系统可为电力系统的安全运行提供有力的保障。
具体地,在这个电力故障预警系统中,实时运行数据指的是电力系统中的节点的电压、电流、功率、频率、温度、湿度和振动频率等各种指标的实时数据。这些数据可以通过传感器等设备实时采集,并通过数据采集部分传输到故障预警系统中进行处理和分析。
节点的电压、电流、功率、频率是电力系统运行状态的基本指标。通过对这些指标进行实时监测,可以及时发现电力系统中的异常情况,如过载、欠载、短路等问题,从而避免故障的发生。另外,温度、湿度和振动频率等指标也是电力系统运行状态的重要指标。温度过高或湿度过大可能导致电器设备的故障或损坏,振动频率的异常也可能表明设备存在问题。因此,对于这些指标的实时监测同样具有重要意义。
总体而言,实时运行数据的采集和分析是电力故障预警系统的核心部分之一,也是实现电力系统安全运行的基础。
具体地,监测线确立部分是该电力故障预警系统的重要组成部分之一,用于确定一条最长的监测线。监测线的确定是通过粒子群优化算法实现的,具体步骤如下:
从历史发生故障的节点中随机筛选出若干个节点,组成一条随机路径。这条随机路径被初始化为第一组粒子的路径。初始化粒子集合,包含np个粒子,每个粒子表示一条随机路径。每个粒子的路径是通过从第一组粒子的路径随机抽取一部分,再加入新的随机路径生成的。对于每个粒子,随机采样一条路径,并计算路径的权重。路径的权重表示为路径长度、路径的复杂度和路径的传输损耗的加权和。路径长度和传输损耗是越小越好的指标,而路径的复杂度则是越大越好的指标。根据路径的权重计算每个粒子的概率,概率表征粒子的重要性。概率越高的粒子越容易被选中。根据粒子的重要性进行重采样,得到一组新的粒子集合。重采样的目的是使得概率高的粒子被选择的概率更大,概率低的粒子被选择的概率更小。根据新的粒子集合进行搜索,直到达到最大搜索深度或找到最优路径为止。每次搜索时,选择路径权重最小的粒子进行扩展,直到搜索到监测点的数量达到设定的要求或搜索深度达到设定的最大值为止。将最优路径转换为一条最长路径,满足包含的监测点最多;在包含监测点的数量相同的情况下,长度最长;在包含监测点的数量相同、且长度相等的情况下,包含的历史未发生故障的节点最多的约束条件。
总体而言,监测线的确立过程是通过粒子群优化算法实现的。该算法通过对多条路径进行加权比较,逐步搜索出最优的监测线,从而保证了监测线的合理性和可行性。
具体地,初始化粒子集合的公式为:
其中,np为粒子数,表示第i个粒子的初始位置;
对于每个粒子,随机采样一条路径的公式为:
其中,T为路径长度;定义表示第i个粒子的第t个位置;
计算路径的权重的公式为:
其中,g(·)为路径权重函数,表示路径长度、路径的复杂度和路径的传输损耗的加权和。
假设路径由一系列的节点x1,x2,…,xT组成,其中T为路径的长度。为了描述路径的复杂度,可以引入曲率的概念。曲率表示路径的弯曲程度,可以用以下公式计算:
其中,|·|表示向量的模,κi表示路径在xi处的曲率。路径的曲率可以用曲率的平均值来表示,即:
路径的复杂度可以用曲率的平均值来表示,即路径的复杂度权重可以定义为:
其中,kc为路径复杂度的权重系数。路径复杂度权重wc越大,表示路径越复杂,对应的粒子权重越小,容易被淘汰或者重采样。反之,wc越小,表示路径越简单,对应的粒子权重越大,容易被保留或者继续搜索。
假设路径由一系列的节点x1,x2,…,xT组成,其中T为路径的长度。为了描述路径的传输损耗,可以引入信号传输模型的概念。不同的信号传输模型可以描述不同的传输媒介、环境因素、信号特征等影响因素,从而计算出路径的传输损耗。
以传输介质为电缆的情况为例,可以使用电缆传输模型来计算路径的传输损耗。电缆传输模型考虑电缆的电阻、电感、电容等特性,以及传输信号的频率、波形等特征,计算出路径的传输损耗。
具体地,电缆传输模型可以用以下公式表示:
其中,Pt是发射功率,Gt是发射天线的增益,Gr是接收天线的增益,λ是信号波长,d是路径长度,L是电缆的损耗因子。传输损耗Pl可以用发射功率和接收功率的比值来表示:
路径的传输损耗可以用传输损耗的平均值来表示,即:
路径的传输损耗权重可以定义为:
其中,kl为路径传输损耗的权重系数。路径传输损耗权重wl越大,表示路径的传输损耗越大,对应的粒子权重越小,容易被淘汰或者重采样。反之,wl越小,表示路径的传输损耗越小,对应的粒子权重越大,容易被保留或者继续搜索。
具体地,计算每个粒子的概率的公式为:
其中,p(i)表示第i个粒子的概率,w(j)表示第j个粒子的权重。
优选地,根据粒子的概率进行重采样的公式:
其中,Multinomial(·)表示多项式分布,表示重采样后的粒子集合,p(i)表示第i个粒子的概率;重采样过程中,每个粒子的概率都被考虑在内,概率大的粒子被选中的概率也较大;根据重采样后得到的粒子集合,可以继续进行搜索,直到找到最优路径为止。
具体地,对所有找到的路径进行排序的方法包括:
设定:S=s1,s2,…,sn,其中,sj表示第j条路径,n表示路径的总数;
S'=Sort(S),按照包含的监测点数量、路径长度和包含的历史未发生故障的节点数量的顺序对路径进行排序;
选择满足约束条件的最优路径:
使用如下公式找到长度最长的路径:lmax=maxl(s)|s∈S',count(s)=count(s1);
使用如下公式找到包含历史未发生故障的节点最多的路径:
pmax=maxp(s)|s∈S',l(s)=lmax,count(s)=count(s1);
选择路径pmax作为监测线;其中,l(s)表示路径s的长度,count(s)表示路径s中包含的监测点数量,p(s)表示路径s中包含的历史未发生故障的节点数量。
具体地,故障检测点确立部分确定监测线中的故障检测点的方法包括:假设目标电力系统中共有n个监测点,其中第i个监测点的节点类型数据为ti∈Rm,节点位置数据为pi∈Rd;对节点类型数据和位置数据进行特征提取,分别得到节点类型特征X和位置特征Y;将节点类型特征X和位置特征Y拼接在一起,形成一个特征矩阵:
其中n1表示节点类型特征的维度,n2表示位置特征的维度
使用一个全连接神经网络对特征矩阵进行处理,得到故障检测得分;假设全连接神经网络的输入为综合特征矩阵Z,输出为故障检测得分向量S∈Rn,则有:
Si=f3(W3Zi+b3);
其中,f3表示激活函数,表示权重参数,b3∈R表示偏置参数;根据故障检测得分确定监测线中的故障检测点;具体包括:先根据得分对所有监测点进行排序,然后依次选取得分最高的k个节点作为故障检测点;选取得分最高的节点时,保证所选节点之间的距离不小于一个预设的阈值。
故障检测点确立部分主要涉及到两个关键步骤:特征提取和故障检测得分计算。下面对这两个步骤进行一些详细说明:
特征提取:
在该部分中,首先需要对节点类型数据和位置数据进行特征提取。具体而言,通过对节点类型数据和位置数据进行不同的变换、降维或者组合,可以得到更加高维、丰富的节点特征。最后将节点类型特征和位置特征拼接起来,形成一个综合的特征矩阵,作为神经网络的输入。
在实际应用中,特征提取可以采用多种方法,例如基于统计分析、图像处理、时频分析等方法。这些方法可以在不同的维度、不同的角度上对节点数据进行分析,从而得到不同的特征表示。
故障检测得分计算:
在该部分中,需要使用一个全连接神经网络对特征矩阵进行处理,从而得到故障检测得分。全连接神经网络是一种常用的深度学习模型,可以通过多层神经元之间的连接和权重调整,实现对输入特征的非线性映射和抽象表示。
在实际应用中,需要设计合适的神经网络结构和参数,以最大化故障检测得分的准确性和稳定性。通常会采用交叉验证、网络剪枝等技术,对神经网络进行优化和调整,以提高模型的泛化性能和鲁棒性。
具体地,对节点类型数据和位置数据进行特征提取的方法包括:对于节点类型数据,使用卷积神经网络进行特征提取;定义卷积神经网络的输入为节点类型数据矩阵T∈Rn ×m,输出为节点类型特征矩阵其中n1表示节点类型特征的维度;使用如下公式表示卷积神经网络的计算过程:
Xi=f1(W1,k*Ti+b1);
其中,f1表示激活函数,*表示卷积操作,W1,k∈Rm×k表示卷积神经网络的卷积核参数,b1∈Rk表示偏置参数;
对于位置数据,使用循环神经网络进行特征提取;假设循环神经网络的输入为位置数据矩阵P∈Rn×d,输出为位置特征矩阵其中n2表示位置特征的维度;使用如下公式表示循环神经网络的计算过程:
Yi=f2(W2,1Pi+W2,2Yi-1+b2);
其中,f2表示激活函数,和/>表示循环神经网络的权重参数,/>表示偏置参数。
卷积神经网络是一种常用于图像、语音等信号处理领域的神经网络,其主要特点是通过卷积操作来提取局部特征,并在不同层次上对特征进行组合和抽象,最终得到全局的特征表示。CNN通常由卷积层、池化层、激活层和全连接层等组成,其中卷积层通过不同大小的卷积核对输入数据进行卷积操作,提取出不同的特征图;池化层则对特征图进行降采样,减少参数数量和计算量;激活层则引入非线性映射,增强网络的表达能力;全连接层则将特征进行组合,得到最终的输出结果。
循环神经网络则是一种常用于序列数据处理的神经网络,其主要特点是引入循环结构,通过对序列中的上下文信息进行记忆和传递,从而获得更为准确的序列建模能力。RNN通常由循环层、激活层和全连接层等组成,其中循环层通过引入记忆单元和门控机制,对序列中的上下文信息进行处理和传递;激活层则引入非线性映射,增强网络的表达能力;全连接层则将特征进行组合,得到最终的输出结果。
在故障检测点的确立过程中,通过将节点类型数据和位置数据分别输入CNN和RNN中进行特征提取,可以充分挖掘数据中的局部和上下文信息,得到更为准确和全面的节点特征表示,从而提高故障检测的准确率和鲁棒性。
具体地,故障分析部分计算目标电力系统的故障发生率的方法包括:根据监测线上的故障检测点的节点位置数据,以故障检测点为圆心,设定故障检测半径,确定一个圆形区域;将该圆形区域内的目标电力系统的所有节点的实时运行数据作为输入,计算该区域内的故障发生率。具体过程如下:根据监测线上的故障检测点的节点位置数据,以故障检测点为圆心,设定故障检测半径r,确定一个圆形区域。
将该圆形区域内的所有节点的实时运行数据作为输入,采用韦伯分布模型计算该区域内的故障发生率。韦伯分布模型是一种经典的概率分布模型,可以用于描述故障发生率随时间变化的特点。
假设该圆形区域内有n个节点,节点i的电压、电流、功率、频率、温度、湿度和振动频率分别为vi,i,pi,fi,ti,hi,si。则该区域内的故障发生率p可以表示为:
p=exp(-λ(t)*G(v1,i1,p1,f1,t1,h1,s1)*G(v2,i2,p2,f2,t2,h2,s2)*...*G(vn,in,pn,fn,tn,hn,sn));
其中,λ(t)表示时间t下的故障发生率基础值;G(v,i,p,f,t,h,s)表示以节点的电压v、电流i、功率p、频率f、温度t、湿度h和振动频率s作为自变量的韦伯分布函数,其表达式为:
G(v,i,p,f,t,h,s)=(λv/θv)(λv-1)*exp(-(λv/θv)λv)*(λi/θi)(λi-1)*exp(-(λi/θi)λi)*(λp/θp)(λp-1)*exp(-(λp/θp)λp)*(λf/θf)(λf-1)*exp(-(λf/θf)λf)*(λt/θt)(λt-1)*exp(-(λt/θt)λt)*(λh/θh)(λh-1)*exp(-(λh/θh)λh)*(λs/θs)(λs-1)*exp(-(λs/θs)λs);
其中,λv、λi、λp、λf、λt、λh、λs表示自变量的影响程度,而θv、θi、θp、θf、θt、Δh、Δs表示对应自变量的尺度参数,这些参数需要通过对实际数据进行拟合得到。
计算目标电力系统故障发生率的过程为:首先获取目标电力系统中的实时运行数据和故障检测点在监测线中的节点位置数据,然后设定一个故障检测半径。以故障检测点的节点位置为圆心,以设定的故障检测半径为半径的圆形区域内,获取该区域内的所有节点的实时运行数据,并以这些数据为自变量,代入韦伯分布函数G(v,i,p,f,t,h,s)中计算得到该区域内故障发生的概率。最后将该区域内所有节点的故障发生概率加权平均,即可得到该区域内目标电力系统的故障发生率。
对于每个故障检测点i,可以用韦伯分布表示在以该点为圆心,以设定的故障检测半径为半径的圆形区域内出现故障的概率密度函数,该概率密度函数可以表示为:
其中,r是以故障检测点i为圆心的圆形区域内的距离,k和λ为韦伯分布的两个参数,分别表示形状参数和尺度参数。
假设共有n个故障检测点,且它们在以目标电力系统的故障发生率为θ的背景下,相互独立地观测到了m次故障事件,则它们的联合似然函数可以表示为:
其中,rij表示第j次故障事件出现在以故障检测点i为圆心的圆形区域内的距离,δ为指示函数,当第j次故障事件发生在以故障检测点i为圆心的圆形区域内时,δ为1,否则δ为0。
为了估计模型中的参数,可以使用极大似然估计法,即最大化联合似然函数,得到:
最大化联合似然函数可以通过梯度下降等优化算法来实现。估计出韦伯分布的参数后,就可以利用该分布来计算在以故障检测点i为圆心,以设定的故障检测半径为半径的圆形区域内目标电力系统的故障发生率了。
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,装置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,装置和方法,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,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。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (9)
1.一种电力故障预警系统,其特征在于,所述系统包括:数据获取部分,配置用于获取目标电力系统的历史故障数据和目标电力系统的实时运行数据;所述历史故障数据包括:目标电力系统中历史发生故障的节点数据,包括节点位置数据和节点类型数据;监测线确立部分,配置用于根据历史故障数据中的节点位置数据,在目标电力系统网络中确立所述节点位置数据对应的监测点,确立一条最长的监测线;所述监测线满足以下约束条件,分别为:包含的监测点最多;在包含监测点的数量相同的情况下,长度最长;在包含监测点的数量相同,且长度相等的情况下,包含的历史未发生故障的节点最多;故障检测点确立部分,配置用于在确立的监测线中,基于各个监测点的节点类型数据,和监测线中各个监测点的节点位置数据,使用预设的故障检测点计算模型,确定监测线中的故障检测点;故障分析部分,配置用于基于获取到的目标电力系统中的故障检测点对应的实时运行数据和故障检测点在监测线中的节点位置数据,设定一个故障检测半径,计算出在以故障检测点的节点位置为圆心,以设定的故障检测半径为半径的圆形区域内,目标电力系统的故障发生率;预警部分,配置用于在以某个故障检测点的节点位置为圆心,以设定的故障检测半径为半径的圆形区域内的故障发生率超过设定的阈值,则发出预警信息;所述预警信息内包含该圆形区域的圆心和半径;
所述监测线确立部分确立检测线的过程具体包括:从历史发生故障的节点中随机筛选出若干个节点,组成一条随机路径;初始化粒子集合,包含np个粒子,每个粒子表示一条随机路径;对于每个粒子,随机采样一条路径,并计算路径的权重;路径的权重表示为路径长度、路径的复杂度和路径的传输损耗的加权和;根据路径的权重计算每个粒子的概率,所述概率表征粒子的重要性;根据粒子的重要性进行重采样,得到一组新的粒子集合;根据新的粒子集合进行搜索,直到达到最大搜索深度或找到最优路径为止;将最优路径转换为一条最长路径,满足包含的监测点最多;在包含监测点的数量相同的情况下,长度最长;在包含监测点的数量相同、且长度相等的情况下,包含的历史未发生故障的节点最多的约束条件。
2.如权利要求1所述的系统,其特征在于,所述实时运行数据为电力系统中的节点的电压、电流、功率、频率、温度、湿度和振动频率。
3.如权利要求1所述的系统,其特征在于,所述初始化粒子集合的公式为:
其中,np为粒子数,表示第i个粒子的初始位置;
对于每个粒子,随机采样一条路径的公式为:
其中,T为路径长度;定义表示第i个粒子的第t个位置;
计算路径的权重的公式为:
其中,g(·)为路径权重函数,表示路径长度、路径的复杂度和路径的传输损耗的加权和。
4.如权利要求3所述的系统,其特征在于,所述计算每个粒子的概率的公式为:
其中,p(i)表示第i个粒子的概率,w(j)表示第j个粒子的权重。
5.如权利要求4所述的系统,其特征在于,所述根据粒子的概率进行重采样的公式:
其中,Multinomial(·)表示多项式分布,表示重采样后的粒子集合,p(i)表示第i个粒子的概率;重采样过程中,每个粒子的概率都被考虑在内,概率大的粒子被选中的概率也较大;根据重采样后得到的粒子集合,可以继续进行搜索,直到找到最优路径为止。
6.如权利要求5所述的系统,其特征在于,对所有找到的路径进行排序的方法包括:
设定:S=s1,s2,…,sn,其中,sj表示第j条路径,n表示路径的总数;
S'=Sort(S),按照包含的监测点数量、路径长度和包含的历史未发生故障的节点数量的顺序对路径进行排序;
选择满足约束条件的最优路径:
使用如下公式找到长度最长的路径:lmax=maxl(s)|s∈S',count(s)=count(s1);
使用如下公式找到包含历史未发生故障的节点最多的路径:
pmax=maxp(s)|s∈S',l(s)=lmax,count(s)=count(s1);
选择路径pmax作为监测线;其中,l(s)表示路径s的长度,count(s)表示路径s中包含的监测点数量,p(s)表示路径s中包含的历史未发生故障的节点数量。
7.如权利要求6所述的系统,其特征在于,所述故障检测点确立部分确定监测线中的故障检测点的方法包括:假设目标电力系统中共有n个监测点,其中第i个监测点的节点类型数据为ti∈Rm,节点位置数据为pi∈Rd;对节点类型数据和位置数据进行特征提取,分别得到节点类型特征X和位置特征Y;将节点类型特征X和位置特征Y拼接在一起,形成一个特征矩阵:
其中n1表示节点类型特征的维度,n2表示位置特征的维度
使用一个全连接神经网络对特征矩阵进行处理,得到故障检测得分;假设全连接神经网络的输入为综合特征矩阵Z,输出为故障检测得分向量S∈Rn,则有:
Si=f3(W3Zi+b3);
其中,f3表示激活函数,表示权重参数,b3∈R表示偏置参数;根据故障检测得分确定监测线中的故障检测点;具体包括:先根据得分对所有监测点进行排序,然后依次选取得分最高的k个节点作为故障检测点;选取得分最高的节点时,保证所选节点之间的距离不小于一个预设的阈值。
8.如权利要求7所述的系统,其特征在于,所述对节点类型数据和位置数据进行特征提取的方法包括:对于节点类型数据,使用卷积神经网络进行特征提取;定义卷积神经网络的输入为节点类型数据矩阵T∈Rn×m,输出为节点类型特征矩阵其中n1表示节点类型特征的维度;使用如下公式表示卷积神经网络的计算过程:
Xi=f1(W1,k*Ti+b1);
其中,f1表示激活函数,*表示卷积操作,W1,k∈Rm×k表示卷积神经网络的卷积核参数,b1∈Rk表示偏置参数;
对于位置数据,使用循环神经网络进行特征提取;假设循环神经网络的输入为位置数据矩阵P∈Rn×d,输出为位置特征矩阵其中n2表示位置特征的维度;使用如下公式表示循环神经网络的计算过程:
Yi=f2(W2,1Pi+W2,2Yi-1+b2);
其中,f2表示激活函数,和/>表示循环神经网络的权重参数,/>表示偏置参数。
9.如权利要求2所述的系统,其特征在于,所述故障分析部分计算目标电力系统的故障发生率的方法包括:根据监测线上的故障检测点的节点位置数据,以故障检测点为圆心,设定故障检测半径,确定一个圆形区域;将该圆形区域内的目标电力系统的所有节点的实时运行数据作为输入,计算该区域内的故障发生率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310544406.5A CN116259161B (zh) | 2023-05-16 | 2023-05-16 | 一种电力故障预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310544406.5A CN116259161B (zh) | 2023-05-16 | 2023-05-16 | 一种电力故障预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116259161A CN116259161A (zh) | 2023-06-13 |
CN116259161B true CN116259161B (zh) | 2023-08-18 |
Family
ID=86688392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310544406.5A Active CN116259161B (zh) | 2023-05-16 | 2023-05-16 | 一种电力故障预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116259161B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037282B (zh) * | 2024-04-15 | 2024-07-05 | 华中科技大学 | 基于ai和云技术的电力业务数据智能处理系统与方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105406461A (zh) * | 2015-10-21 | 2016-03-16 | 广西电网有限责任公司北海供电局 | 一种配电网停电事件的负荷自适应动态监测方法 |
CN111795716A (zh) * | 2020-04-27 | 2020-10-20 | 厦门硅田系统工程有限公司 | 一种基于城市感知微网的管廊检修合法性判断方法 |
WO2021183339A1 (en) * | 2020-03-09 | 2021-09-16 | Commscope Technologies Llc | Smart pole based incident detection and alerting system |
CN114463957A (zh) * | 2022-02-21 | 2022-05-10 | 武汉小安科技有限公司 | 换电柜故障诊断方法、装置、电子设备及存储介质 |
CN115061009A (zh) * | 2022-06-01 | 2022-09-16 | 国网浙江省电力有限公司嘉兴供电公司 | 一种输电线故障分析预警方法 |
CN115331403A (zh) * | 2022-10-14 | 2022-11-11 | 浙江万胜智能科技股份有限公司 | 一种供电线路的故障数据可视化分析方法及系统 |
CN115561546A (zh) * | 2022-09-19 | 2023-01-03 | 苏州新吴源电力工程有限公司 | 电力系统异常检测报警系统 |
-
2023
- 2023-05-16 CN CN202310544406.5A patent/CN116259161B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105406461A (zh) * | 2015-10-21 | 2016-03-16 | 广西电网有限责任公司北海供电局 | 一种配电网停电事件的负荷自适应动态监测方法 |
WO2021183339A1 (en) * | 2020-03-09 | 2021-09-16 | Commscope Technologies Llc | Smart pole based incident detection and alerting system |
CN111795716A (zh) * | 2020-04-27 | 2020-10-20 | 厦门硅田系统工程有限公司 | 一种基于城市感知微网的管廊检修合法性判断方法 |
CN114463957A (zh) * | 2022-02-21 | 2022-05-10 | 武汉小安科技有限公司 | 换电柜故障诊断方法、装置、电子设备及存储介质 |
CN115061009A (zh) * | 2022-06-01 | 2022-09-16 | 国网浙江省电力有限公司嘉兴供电公司 | 一种输电线故障分析预警方法 |
CN115561546A (zh) * | 2022-09-19 | 2023-01-03 | 苏州新吴源电力工程有限公司 | 电力系统异常检测报警系统 |
CN115331403A (zh) * | 2022-10-14 | 2022-11-11 | 浙江万胜智能科技股份有限公司 | 一种供电线路的故障数据可视化分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116259161A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
CN113255848A (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN114399066B (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN116259161B (zh) | 一种电力故障预警系统 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN113919540B (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN117390536A (zh) | 基于人工智能的运维管理方法及系统 | |
CN104598968A (zh) | 变压器故障诊断方法 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN112464996A (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
Lei et al. | Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm | |
CN117388893B (zh) | 一种基于gps的多设备定位系统 | |
CN116470504A (zh) | 一种分布式配电网自愈控制系统 | |
CN114548701B (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
Chang et al. | Fault diagnosis of lithium-ion batteries based on voltage dip behavior | |
CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
Zhou et al. | Remaining useful life prediction of aero-engine using CNN-LSTM and mRMR feature selection | |
CN114046816A (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Chen et al. | Remaining Useful Life Prognostics and Uncertainty Quantification for Aircraft Engines Based on Convolutional Bayesian Long Short-Term Memory Neural Network |
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 |