CN116467674A - 一种配电网智能故障处理融合更新系统及其方法 - Google Patents
一种配电网智能故障处理融合更新系统及其方法 Download PDFInfo
- Publication number
- CN116467674A CN116467674A CN202310374883.1A CN202310374883A CN116467674A CN 116467674 A CN116467674 A CN 116467674A CN 202310374883 A CN202310374883 A CN 202310374883A CN 116467674 A CN116467674 A CN 116467674A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- fault
- module
- data
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 70
- 238000012545 processing Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000012512 characterization method Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/175—Indicating the instants of passage of current or voltage through a given value, e.g. passage through zero
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明公开了一种配电网智能故障处理融合更新系统及其方法，包括用于配电网数据获取处理的配电网边缘计算端以及融合更新处理端，所述配电网边缘计算端包括数据获取模块、数据预处理模块和特征提取模块，融合更新处理端与所述配电网边缘计算端连接，且融合更新处理端包括权值更新模块、诊断评估模块和故障问题关联模块；本发明利用边缘计算和融合更新的拓扑智能化应用，能够减低融合数据的繁琐，通过在配电网边缘计算端对故障问题的误差分析判断，可大大提高数据的精度和完整可信度，并改善了融合更新卷积层的分析计算方法，通过精准的管理分析以及历史信息风险值，能够及时精准关联多尺度表征和多维度的相关信息知识。
Description
技术领域
本发明涉及配电网数据处理技术领域，具体涉及一种配电网智能故障处理融合更新系统及其方法。
背景技术
当电网出现故障情况时，不同的故障对应着不同的故障处理方案，涉及到不同的电力设备、变压器、联结点等，不同的术语，不同的故障预案和不同的故障记录。同时随着电力系统的快速发展，电网结构和运行模式愈加复杂，电力设备、处置预案均在不断发展。因此，在知识图谱构建之后需要持续地更新，以保证知识图谱中知识的有效性。
现有的知识推理模型往往需要大量高质量的样本进行训练学习，需要耗费很大的代价去获取样本。需要通过良好的故障信息智能解析算法，配合知识图谱辅助决策，将非结构化的操作规程、故障预案、调度规程等非结构化内容转换为可推理的结构化知识图谱。此时，由于计算资源和存储资源的占用较大，且现有算法效率存在瓶颈，应用到电网系统这类大规模数据时往往无法满足实时、准实时或及时的计算决策要求。
由于上述现有技术的知识图谱融合更新的智能化程度较低，局限性大，没有边缘计算的自主学习功能，现有的配电网智能故障处理系统的智能化程度还有待发展，难以边缘化处理不同配电网处的故障信息，以及为了获取不同故障精准的融合更新信息，我们提出一种配电网智能故障处理融合更新系统及其方法。
发明内容
鉴于上述现有的配电网故障数据处理中存在的问题，提出了本发明。
因此，本发明其中的一个目的是提供一种配电网智能故障处理融合更新系统及其方法，利用边缘计算和融合更新的拓扑智能化应用，能够减低融合数据的繁琐，通过在配电网边缘计算端对故障问题的误差分析判断，可大大提高数据的精度和完整可信度，并改善了融合更新卷积层的分析计算方法，通过精准的管理分析以及历史信息风险值，能够及时精准关联多尺度表征和多维度的相关信息知识，以此达到高效的智能化应用效果。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供一种配电网智能故障处理融合更新系统，包括用于配电网数据获取处理的配电网边缘计算端以及融合更新处理端，所述配电网边缘计算端包括用于获取配电网关键节点的数据信息的数据获取模块、用于对数据获取模块获取的配电网关键节点的数据信息进行预处理的数据预处理模块、用于对所述配电网关键节点的数据信息进行特征提取的特征提取模块，以此获得基于时间序列的配电网故障特征，以及用于配电网故障的诊断并生成故障诊断结果的配电网故障诊断模块；所述配电网故障诊断模块包括由输入层、隐藏层和输出层，所述隐藏层包括卷积层、池化层和全连接层；
其中，卷积层由一组小滤波器定义，所述卷积层包括误差计算单元，所述误差计算单元用于计算所述故障特征提取模块采用模糊匹配方法提取的故障的时间、位置、类型、原因数据，以特征关键词形式来表示历史故障和故障预案，
所述融合更新处理端与所述配电网边缘计算端连接，且所述融合更新处理端包括卷积层计算模块、灵敏度计算模块以及偏导的偏导计算模块、权值更新模块、诊断评估模块和故障问题关联模块；所述卷积层计算模块连接误差计算单元，用于对所述误差计算单元数据的更新处理；所述权值更新模块用于配电网故障信息中对应故障数据信息权值的更新，所述故障问题关联模块用于在图谱中自动生成及更新案例事件簇，形成对于单次故障的多尺度表征和多维度关联，以此完成故障发生时自动搜索匹配相关记录辅助决策。
作为本发明的一种优选方案，其中：所述配电网边缘计算端中误差计算单元的输出，通过式(1)分析计算平方误差代价函数E，公式如下：
其中，N表示样本个数；c表示标签的维度，即样本被分为c类；表示第n个样本tn标签的第k维；/>表示第n个样本网络输出的第k维；
所述融合更新处理端中的卷积层计算模块通过式(2)分析计算卷积层的第k层的输出如下：
其中，i表示第i种特征值，f为激活函数，Mj表示选择的输入特征值组合，表示第k层的上一层输出，/>为输入的第i种特征值和输出的第j种特征值之间用于连接的卷积核，bj为第j种特征值对应的偏置；
所述灵敏度计算模块通过式(3)分析计算灵敏度如下：
其中，uk为偏导权重更新系数；
所述偏导的偏导计算模块通过式(4)计算平方误差代价函数E对偏置bj的偏导，以及求和计算平方误差代价函数E对卷积层的偏导，如下：
其中，(u,v)为灵敏矩阵中元素的位置；
所述权值更新模块通过式(5)更新卷积网络中采样层的权值如下：
其中，down表示下采样层，表示上一采样层的权值，af1为激活函数，/>为加性偏置。
作为本发明的一种优选方案，其中：所述诊断评估模块通过对配电网故障诊断结果进行评估，生成最终的配电网故障诊断报告，所述配电网故障诊断报告采用均方差来作为综合评估值模型的代价函数MSE对配电网故障诊断结果进行评估，生成最终的配电网故障诊断报告，综合评估值模型的代价函数MSE如式(6)所示：
其中，表示第i个样本的单个预测值，yi表示第i个样本的真实值，n为序号。
作为本发明的一种优选方案，其中：所述故障问题关联模块用于至少两个故障元件信息的诊断分析，包括进行多数据、多信息特征融合后进行智能判别，具体地通过案例事件簇形成的故障信息进行匹对，找到异常信息关键点，实现自动化故障智能判断。
作为本发明的一种优选方案，其中：所述故障问题关联模块引入斯皮尔曼系数r来量化关联历史风险值特征数据与对于故障问题特征数据之间的相关关系，所述斯皮尔曼系数r的计算式子如下：
其中X，Y分别为历史风险值特征数据与故障问题特征数据，分别为历史风险值特征数据与故障问题特征数据的均值。
作为本发明的一种优选方案，其中：所述数据预处理模块包括样本标注、主成分分析和数据增广处理；所述卷积层的误差计算单元用于构建三相电流、零序电流、负序电流和零序有功和无功功率语义分割模型，将所述三相电流、零序电流、负序电流和零序有功和无功功率数据输入到所述语义分割模型进行训练，并调节所述语义分割模型的分割参数；以此进行配电网边缘计算端的故障特征量的选择、网络关联矩阵的构建以及区域差分化处理。
作为本发明的一种优选方案，其中：所述融合更新处理端还包括反馈模块，所述反馈模块用于根据所述最终的配电网故障诊断报告，进行关联所述故障元件信息后，生成相应的反馈数据传输至所述配电网边缘计算端，通过对应的所述反馈数据用于所述配电网边缘计算端，进行对应的故障问题特征数据的优化。
一方面，本发明提供一种配电网智能故障处理融合更新系统的方法，包括以下步骤：
步骤S1，配电网边缘计算端通过所述数据获取模块获取配电网关键节点的数据信息，配电网关键节点的数据信息包括三相电流、零序电流、负序电流和零序有功和无功功率信息；通过所述数据预处理模块对数据获取模块获取的配电网关键节点的数据信息进行预处理，包括去除冗余或错误信息；通过特征提取模块对所述配电网关键节点的数据信息进行特征提取，以此获得基于时间序列的配电网故障特征提取；通过故障诊断模块进行配电网故障的诊断并生成故障诊断结果，具体地通过误差计算单元对卷积层中的误差计算；
步骤S2，基于所述融合更新处理端，通过卷积层计算模块对所述误差计算单元数据的更新处理，通过所述权值更新模块对配电网故障信息中对应故障数据信息权值的更新，通过所述故障问题关联模块用于在图谱中自动生成及更新案例事件簇，形成对于单次故障的多尺度表征和多维度关联，以此完成故障发生时自动搜索匹配相关记录辅助决策；
步骤S3，所述融合更新处理端通过诊断评估模块对配电网故障诊断结果进行评估，生成最终的配电网故障诊断报告；
步骤S4，所述融合更新处理端的反馈模块根据所述最终的配电网故障诊断报告信息，进行关联所述故障元件信息后，生成相应的反馈数据传输至所述配电网边缘计算端，通过对应的所述反馈数据用于所述配电网边缘计算端进行对应的故障问题特征数据的优化
一方面，本发明提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如一种配电网智能故障处理融合更新系统或执行如一种配电网智能故障处理融合更新系统的方法。
一方面，本发明提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如一种配电网智能故障处理融合更新系统或执行如一种配电网智能故障处理融合更新系统的方法。
本发明的有益效果：利用边缘计算和融合更新的拓扑智能化应用，能够减低融合数据的繁琐，通过在配电网边缘计算端对故障问题的误差分析判断，可大大提高数据的精度和完整可信度，并改善了融合更新卷积层的分析计算方法，通过精准的管理分析以及历史信息风险值，能够及时精准关联多尺度表征和多维度的相关信息知识，以此达到高效的智能化应用效果；可知，本发明在现有技术上配电网信息知识图谱构建的过程中，增加了配电网边缘计算端的相关设备以及程序，能够直接的对配电网边缘计算端发生的故障进行高精度的诊断，同时在诊断的过程中，与云端的融合更新处理服务器连接，能够高效的处理相关数据，进行高效的特征提取、匹配、关联等自主学习操作，并且能够生成相关的诊断报告，进行直接反馈至相应的配电网边缘计算端故障问题处或直接进行存储，以便于后续的关联学习更新，进而进一步地优化处置策略，提升工作效率，规范业务操作，减少误操作和安全事故的发生，使调度人员能够快速的获得所需的知识和信息，并能准确的分析出信息之间潜在的关系。
附图说明
为了更清楚地说明本发明实施例的技术方案，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它的附图。其中：
图1为本发明配电网智能故障处理融合更新系统中配电网边缘计算端的模块化结构示意图；
图2为本发明配电网智能故障处理融合更新系统中融合更新处理端的模块化结构示意图；
图3为本发明配电网智能故障处理融合更新系统的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例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发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
参照图1、2和3，为本发明的一个实施例，该实施例提供了一种配电网智能故障处理融合更新系统及其方法。
参照图1和2，本发明提供一种配电网智能故障处理融合更新系统，包括用于配电网数据获取处理的配电网边缘计算端以及融合更新处理端，配电网边缘计算端包括用于获取配电网关键节点的数据信息的数据获取模块、用于对数据获取模块获取的配电网关键节点的数据信息进行预处理的数据预处理模块、用于对配电网关键节点的数据信息进行特征提取的特征提取模块，以此获得基于时间序列的配电网故障特征，以及用于配电网故障的诊断并生成故障诊断结果的配电网故障诊断模块；配电网故障诊断模块包括由输入层、隐藏层和输出层，隐藏层包括卷积层、池化层和全连接层；
其中，卷积层由一组小滤波器定义，卷积层包括误差计算单元，误差计算单元用于计算故障特征提取模块采用模糊匹配方法提取的故障的时间、位置、类型、原因数据，以特征关键词形式来表示历史故障和故障预案，
本实施例的融合更新处理端与配电网边缘计算端连接，且融合更新处理端包括卷积层计算模块、灵敏度计算模块以及偏导的偏导计算模块、权值更新模块、诊断评估模块和故障问题关联模块；卷积层计算模块连接误差计算单元，用于对误差计算单元数据的更新处理；权值更新模块用于配电网故障信息中对应故障数据信息权值的更新，故障问题关联模块用于在图谱中自动生成及更新案例事件簇，形成对于单次故障的多尺度表征和多维度关联，以此完成故障发生时自动搜索匹配相关记录辅助决策。
本实施例的配电网边缘计算端中误差计算单元的输出，通过式(1)分析计算平方误差代价函数E，公式如下：
其中，N表示样本个数；c表示标签的维度，即样本被分为c类；表示第n个样本tn标签的第k维；/>表示第n个样本网络输出的第k维；
融合更新处理端中的卷积层计算模块通过式(2)分析计算卷积层的第k层的输出如下：
其中，i表示第i种特征值，f为融合更新激活函数，Mj表示选择的输入特征值组合，表示第k层的上一层输出，/>为输入的第i种特征值和输出的第j种特征值之间用于连接的卷积核，bj为第j种特征值对应的偏置；
灵敏度计算模块通过式(3)分析计算灵敏度如下：
其中，uk为偏导权重更新系数；
偏导的偏导计算模块通过式(4)计算平方误差代价函数E对偏置bj的偏导，以及求和计算平方误差代价函数E对卷积层的偏导，如下：
其中，(u,v)为灵敏矩阵中元素的位置；
权值更新模块通过式(5)更新卷积网络中采样层的权值如下：
其中，down表示下采样层，表示上一采样层的权值，af1为权值更新激活函数，/>为加性偏置。
具体地，诊断评估模块通过对配电网故障诊断结果进行评估，生成最终的配电网故障诊断报告，配电网故障诊断报告采用均方差来作为综合评估值模型的代价函数MSE对配电网故障诊断结果进行评估，生成最终的配电网故障诊断报告，综合评估值模型的代价函数MSE如式(6)所示：
其中，表示第i个样本的单个预测值，yi表示第i个样本的真实值，n为序号。
进一步说明，该故障问题关联模块用于至少两个故障元件信息的诊断分析，包括进行多数据、多信息特征融合后进行智能判别，具体地通过案例事件簇形成的故障信息进行匹对，找到异常信息关键点，实现自动化故障智能判断。
其中，故障问题关联模块引入斯皮尔曼系数r来量化关联历史风险值特征数据与对于故障问题特征数据之间的相关关系，斯皮尔曼系数r的计算式子如下：
其中X，Y分别为历史风险值特征数据与故障问题特征数据，分别为历史风险值特征数据与故障问题特征数据的均值。
优选地，数据预处理模块包括样本标注、主成分分析和数据增广处理；卷积层的误差计算单元用于构建三相电流、零序电流、负序电流和零序有功和无功功率语义分割模型，将三相电流、零序电流、负序电流和零序有功和无功功率数据输入到语义分割模型进行训练，并调节语义分割模型的分割参数；以此进行配电网边缘计算端的故障特征量的选择、网络关联矩阵的构建以及区域差分化处理。
需要强调的是，融合更新处理端还包括反馈模块，反馈模块用于根据最终的配电网故障诊断报告，进行关联故障元件信息后，生成相应的反馈数据传输至配电网边缘计算端，通过对应的反馈数据用于配电网边缘计算端，进行对应的故障问题特征数据的优化。
参照图3，本实施例基于上述系统还提供该故障处理融合更新系统的合的方法，包括以下步骤：
步骤S1，配电网边缘计算端通过数据获取模块获取配电网关键节点的数据信息，配电网关键节点的数据信息包括三相电流、零序电流、负序电流和零序有功和无功功率信息；通过数据预处理模块对数据获取模块获取的配电网关键节点的数据信息进行预处理，包括去除冗余或错误信息；通过特征提取模块对配电网关键节点的数据信息进行特征提取，以此获得基于时间序列的配电网故障特征提取；通过故障诊断模块进行配电网故障的诊断并生成故障诊断结果，具体地通过误差计算单元对卷积层中的误差计算；
步骤S2，基于融合更新处理端，通过卷积层计算模块对误差计算单元数据的更新处理，通过权值更新模块对配电网故障信息中对应故障数据信息权值的更新，通过故障问题关联模块用于在图谱中自动生成及更新案例事件簇，形成对于单次故障的多尺度表征和多维度关联，以此完成故障发生时自动搜索匹配相关记录辅助决策；
步骤S3，融合更新处理端通过诊断评估模块对配电网故障诊断结果进行评估，生成最终的配电网故障诊断报告；
步骤S4，融合更新处理端的反馈模块根据最终的配电网故障诊断报告信息，进行关联故障元件信息后，生成相应的反馈数据传输至配电网边缘计算端，通过对应的反馈数据用于配电网边缘计算端进行对应的故障问题特征数据的优化。
基于上述可知，本发明在现有技术上配电网信息知识图谱构建的过程中，增加了配电网边缘计算端的相关设备以及程序，能够直接的对配电网边缘计算端发生的故障进行高精度的诊断，同时在诊断的过程中，与云端的融合更新处理服务器连接，能够高效的处理相关数据，进行高效的特征提取、匹配、关联等自主学习操作，并且能够生成相关的诊断报告，进行直接反馈至相应的配电网边缘计算端故障问题处或直接进行存储，以便于后续的关联学习更新，进而进一步地优化处置策略，提升工作效率，规范业务操作，减少误操作和安全事故的发生，使调度人员能够快速的获得所需的知识和信息，并能准确的分析出信息之间潜在的关系。
本实施例还提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如一种配电网智能故障处理融合更新系统或执行如一种配电网智能故障处理融合更新系统的方法。此外，本实施例还提供一种计算机可读存储介质，储存有指令，当指令在计算机上运行时，使得计算机应用如一种配电网智能故障处理融合更新系统或执行如一种配电网智能故障处理融合更新系统的方法。
综上，本发明的利用边缘计算和融合更新的拓扑智能化应用，能够减低融合数据的繁琐，通过在配电网边缘计算端对故障问题的误差分析判断，可大大提高数据的精度和完整可信度，并改善了融合更新卷积层的分析计算方法，通过精准的管理分析以及历史信息风险值，能够及时精准关联多尺度表征和多维度的相关信息知识，以此达到高效的智能化应用效果。
其中，非易失性存储器可以包括只读存储器(read-onlymemory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic random access memory，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data dateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(directrambus RAM，DR RAM)。
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。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计算机程序指令时，全部或部分地产生按照本申请的流程或功能。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。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。
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，可轻易想到其各种变化或替换，这些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 (10)
1.一种配电网智能故障处理融合更新系统，其特征在于，包括用于配电网数据获取处理的配电网边缘计算端以及融合更新处理端，所述配电网边缘计算端包括用于获取配电网关键节点的数据信息的数据获取模块、用于对数据获取模块获取的配电网关键节点的数据信息进行预处理的数据预处理模块、用于对所述配电网关键节点的数据信息进行特征提取的特征提取模块，以此获得基于时间序列的配电网故障特征，以及用于配电网故障的诊断并生成故障诊断结果的配电网故障诊断模块；所述配电网故障诊断模块包括由输入层、隐藏层和输出层，所述隐藏层包括卷积层、池化层和全连接层；
其中，卷积层由一组小滤波器定义，所述卷积层包括误差计算单元，所述误差计算单元用于计算所述故障特征提取模块采用模糊匹配方法提取的故障的时间、位置、类型、原因数据，以特征关键词形式来表示历史故障和故障预案，
所述融合更新处理端与所述配电网边缘计算端连接，且所述融合更新处理端包括卷积层计算模块、灵敏度计算模块以及偏导的偏导计算模块、权值更新模块、诊断评估模块和故障问题关联模块；所述卷积层计算模块连接误差计算单元，用于对所述误差计算单元数据的更新处理；所述权值更新模块用于配电网故障信息中对应故障数据信息权值的更新，所述故障问题关联模块用于在图谱中自动生成及更新案例事件簇，形成对于单次故障的多尺度表征和多维度关联，以此完成故障发生时自动搜索匹配相关记录辅助决策。
2.如权利要求1所述的一种配电网智能故障处理融合更新系统，其特征在于，所述配电网边缘计算端中误差计算单元的输出，通过式(1)分析计算平方误差代价函数E，公式如下：
其中，N表示样本个数；c表示标签的维度，即样本被分为c类；表示第n个样本tn标签的第k维；/>表示第n个样本网络输出的第k维；
所述融合更新处理端中的卷积层计算模块通过式(2)分析计算卷积层的第k层的输出如下：
其中，i表示第i种特征值，f为激活函数，Mj表示选择的输入特征值组合，表示第k层的上一层输出，/>为输入的第i种特征值和输出的第j种特征值之间用于连接的卷积核，bj为第j种特征值对应的偏置；
所述灵敏度计算模块通过式(3)分析计算灵敏度如下：
其中，uk为偏导权重更新系数；
所述偏导的偏导计算模块通过式(4)计算平方误差代价函数E对偏置bj的偏导，以及求和计算平方误差代价函数E对卷积层的偏导，如下：
其中，(u,v)为灵敏矩阵中元素的位置；
所述权值更新模块通过式(5)更新卷积网络中采样层的权值如下：
其中，down表示下采样层，表示上一采样层的权值，af1为激活函数，/>为加性偏置。
3.如权利要求1所述的一种配电网智能故障处理融合更新系统，其特征在于，所述诊断评估模块通过对配电网故障诊断结果进行评估，生成最终的配电网故障诊断报告，所述配电网故障诊断报告采用均方差来作为综合评估值模型的代价函数MSE对配电网故障诊断结果进行评估，生成最终的配电网故障诊断报告，综合评估值模型的代价函数MSE如式(6)所示：
其中，表示第i个样本的单个预测值，yi表示第i个样本的真实值，n为序号。
4.如权利要求1所述的一种配电网智能故障处理融合更新系统，其特征在于，所述故障问题关联模块用于至少两个故障元件信息的诊断分析，包括进行多数据、多信息特征融合后进行智能判别，具体地通过案例事件簇形成的故障信息进行匹对，找到异常信息关键点，实现自动化故障智能判断。
5.如权利要求1所述的一种配电网智能故障处理融合更新系统，其特征在于，所述故障问题关联模块引入斯皮尔曼系数r来量化关联历史风险值特征数据与对于故障问题特征数据之间的相关关系，所述斯皮尔曼系数r的计算式子如下：
其中X，Y分别为历史风险值特征数据与故障问题特征数据，分别为历史风险值特征数据与故障问题特征数据的均值。
6.如权利要求1所述的一种配电网智能故障处理融合更新系统，其特征在于，所述数据预处理模块包括样本标注、主成分分析和数据增广处理；所述卷积层的误差计算单元用于构建三相电流、零序电流、负序电流和零序有功和无功功率语义分割模型，将所述三相电流、零序电流、负序电流和零序有功和无功功率数据输入到所述语义分割模型进行训练，并调节所述语义分割模型的分割参数；以此进行配电网边缘计算端的故障特征量的选择、网络关联矩阵的构建以及区域差分化处理。
7.如权利要求1所述的一种配电网智能故障处理融合更新系统，其特征在于，所述融合更新处理端还包括反馈模块，所述反馈模块用于根据所述最终的配电网故障诊断报告，进行关联所述故障元件信息后，生成相应的反馈数据传输至所述配电网边缘计算端，通过对应的所述反馈数据用于所述配电网边缘计算端，进行对应的故障问题特征数据的优化。
8.如权利要求1所述的一种配电网智能故障处理融合更新系统的方法，其特征在于，包括以下步骤：
步骤S1，配电网边缘计算端通过所述数据获取模块获取配电网关键节点的数据信息，配电网关键节点的数据信息包括三相电流、零序电流、负序电流和零序有功和无功功率信息；通过所述数据预处理模块对数据获取模块获取的配电网关键节点的数据信息进行预处理，包括去除冗余或错误信息；通过特征提取模块对所述配电网关键节点的数据信息进行特征提取，以此获得基于时间序列的配电网故障特征提取；通过故障诊断模块进行配电网故障的诊断并生成故障诊断结果，具体地通过误差计算单元对卷积层中的误差计算；
步骤S2，基于所述融合更新处理端，通过卷积层计算模块对所述误差计算单元数据的更新处理，通过所述权值更新模块对配电网故障信息中对应故障数据信息权值的更新，通过所述故障问题关联模块用于在图谱中自动生成及更新案例事件簇，形成对于单次故障的多尺度表征和多维度关联，以此完成故障发生时自动搜索匹配相关记录辅助决策；
步骤S3，所述融合更新处理端通过诊断评估模块对配电网故障诊断结果进行评估，生成最终的配电网故障诊断报告；
步骤S4，所述融合更新处理端的反馈模块根据所述最终的配电网故障诊断报告信息，进行关联所述故障元件信息后，生成相应的反馈数据传输至所述配电网边缘计算端，通过对应的所述反馈数据用于所述配电网边缘计算端，进行对应的故障问题特征数据的优化。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如权利要求1～7任意一项所述的基于一种配电网智能故障处理融合更新系统或执行如权利要求8所述的一种配电网智能故障处理融合更新系统的方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如权利要求1～7任意一项所述的一种配电网智能故障处理融合更新系统或执行如权利要求8所述的一种配电网智能故障处理融合更新系统的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374883.1A CN116467674B (zh) | 2023-04-10 | 一种配电网智能故障处理融合更新系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374883.1A CN116467674B (zh) | 2023-04-10 | 一种配电网智能故障处理融合更新系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116467674A true CN116467674A (zh) | 2023-07-21 |
| CN116467674B CN116467674B (zh) | 2024-05-17 |
Family
ID=
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251825A (zh) * | 2023-11-20 | 2023-12-19 | 浙江大学 | 一种新能源电站多传感器数据融合平台 |
| CN117368651A (zh) * | 2023-12-07 | 2024-01-09 | 江苏索杰智能科技有限公司 | 一种配电网故障综合分析系统及方法 |
| CN117498561A (zh) * | 2024-01-03 | 2024-02-02 | 成都菁蓉联创科技有限公司 | 一种基于边缘计算的电网异常运行状态监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 |
| CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
| CN113325267A (zh) * | 2021-05-20 | 2021-08-31 | 国网辽宁省电力有限公司 | 一种配电网故障诊断系统、方法及计算机程序产品 |
| CN114201322A (zh) * | 2020-09-18 | 2022-03-18 | 东北大学 | 一种基于嵌入边缘计算的旋转机电设备故障追溯系统 |
| CN115219838A (zh) * | 2021-04-16 | 2022-10-21 | 国网经济技术研究院有限公司 | 一种基于多源信息融合的配电网故障研判方法 |
| WO2022228049A1 (zh) * | 2021-04-27 | 2022-11-03 | 浙大城市学院 | 基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 |
| CN114201322A (zh) * | 2020-09-18 | 2022-03-18 | 东北大学 | 一种基于嵌入边缘计算的旋转机电设备故障追溯系统 |
| CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
| CN115219838A (zh) * | 2021-04-16 | 2022-10-21 | 国网经济技术研究院有限公司 | 一种基于多源信息融合的配电网故障研判方法 |
| WO2022228049A1 (zh) * | 2021-04-27 | 2022-11-03 | 浙大城市学院 | 基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
| CN113325267A (zh) * | 2021-05-20 | 2021-08-31 | 国网辽宁省电力有限公司 | 一种配电网故障诊断系统、方法及计算机程序产品 |
Non-Patent Citations (1)
| Title |
|---|
| 侯仁政;张岩;张小易;袁宇波;: "基于多源数据融合的电力系统故障诊断与评估平台开发", 机电工程, no. 10, 20 October 2017 (2017-10-20) * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251825A (zh) * | 2023-11-20 | 2023-12-19 | 浙江大学 | 一种新能源电站多传感器数据融合平台 |
| CN117251825B (zh) * | 2023-11-20 | 2024-02-09 | 浙江大学 | 一种新能源电站多传感器数据融合平台 |
| CN117368651A (zh) * | 2023-12-07 | 2024-01-09 | 江苏索杰智能科技有限公司 | 一种配电网故障综合分析系统及方法 |
| CN117368651B (zh) * | 2023-12-07 | 2024-03-08 | 江苏索杰智能科技有限公司 | 一种配电网故障综合分析系统及方法 |
| CN117498561A (zh) * | 2024-01-03 | 2024-02-02 | 成都菁蓉联创科技有限公司 | 一种基于边缘计算的电网异常运行状态监测方法 |
| CN117498561B (zh) * | 2024-01-03 | 2024-03-19 | 成都菁蓉联创科技有限公司 | 一种基于边缘计算的电网异常运行状态监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
| JP6817426B2 (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
| US20230213895A1 (en) | Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof | |
| CN113312447A (zh) | 基于概率标签估计的半监督日志异常检测方法 | |
| CN114968727B (zh) | 基于人工智能运维的数据库贯穿基础设施的故障定位方法 | |
| CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
| CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| Wang et al. | Software defect fault intelligent location and identification method based on data mining | |
| Wickramarachchi et al. | Towards population-based structural health monitoring, Part V: Networks and databases | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN116467674B (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
| CN116467674A (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
| Fan | Data mining model for predicting the quality level and classification of construction projects | |
| CN113723637B (zh) | 一种面向船舶维修体系的经济性修理级别分析方法及系统 | |
| Al Rashdan et al. | Development of a Technology Roadmap for Online Monitoring of Nuclear Power Plants | |
| CN114818460A (zh) | 基于自动机器学习的实验室设备剩余使用寿命预测方法 | |
| CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
| CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
| CN112363465A (zh) | 一种专家规则集训练方法、训练器和工业设备预警系统 | |
| Lei et al. | Application of distributed machine learning model in fault diagnosis of air preheater | |
| CN109886292B (zh) | 一种基于异常关联图的异常原因诊断方法 | |
| Yadav et al. | Hybrid model for software fault prediction |
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 |