CN116660679A - 一种基于网络拓扑的配电网故障分析方法 - Google Patents
一种基于网络拓扑的配电网故障分析方法 Download PDFInfo
- Publication number
- CN116660679A CN116660679A CN202310591774.5A CN202310591774A CN116660679A CN 116660679 A CN116660679 A CN 116660679A CN 202310591774 A CN202310591774 A CN 202310591774A CN 116660679 A CN116660679 A CN 116660679A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- fault
- network topology
- diagnosis
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 46
- 238000010586 diagram Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 235000013599 spices Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及电力配送技术领域，具体涉及一种基于网络拓扑的配电网故障分析方法，利用机器学习算法对历史数据进行学习，发现配电网故障的规律和特征，并将其应用到新数据的故障诊断中，提高故障诊断的准确性和效率；同时，本发明可自动化地建立电路模型和参数设置，降低人工干预的程度，提高诊断的可靠性和稳定性。具体的，本发明适用于各种规模和复杂程度的配电网，广泛应用于电力行业和工业领域，能有效解决传统基于电气拓扑结构的配电网故障分析技术存在的问题。
Description
技术领域
本发明涉及电力配送技术领域，具体涉及一种基于网络拓扑的配电网故障分析方法。
背景技术
在电力系统领域中，配电网故障的快速定位和修复是一个重要的问题。传统的故障检测和定位方法主要依赖于人工巡检和经验判断，存在效率低、准确性不高等问题。为了解决这些问题，近年来出现了基于电气拓扑结构的配电网故障分析技术。
基于电气拓扑结构的配电网故障分析技术是一种基于电路模型的故障诊断方法。该方法通过建立配电网的电路模型，并计算各个节点的电气参数，进而诊断配电网的故障位置和类型。该方法具有定位准确、速度快、可靠性高等优点，逐渐成为电力系统领域中的一种重要的故障诊断技术。
然而，传统的基于电气拓扑结构的配电网故障分析技术存在一些问题。首先，由于配电网的复杂性和不确定性，该方法的准确性和效率有待进一步提高。其次，该方法依赖于人工建模和参数设置，存在主观性和不确定性等问题。
发明内容
本发明的目的在于提供一种基于网络拓扑的配电网故障分析方法，旨在解决现有的配电网故障诊断技术依赖人工诊断以及人工建模导致的准确性和效率不高的技术问题。
为实现上述目的，本发明提供了一种基于网络拓扑的配电网故障分析方法，包括下列步骤：
数据采集；
电路模型建立；
电气参数计算；
使用机器学习算法学习；
故障诊断；
结果输出。
其中，数据采集的过程，具体为收集配电网的接线图和相关参数，其中通过现场勘察或者电力公司提供的文档获取接线图，通过现场测量或者历史数据查询得到相关参数。
其中，在电路模型建立的过程中，利用软件工具实现电路模型的建立和仿真，将配电网的拓扑结构模型转化为电路模型，并建立节点之间的电气连接关系。
其中，电气参数计算的过程，使用电路分析工具进行电路分析，计算各个节点的电气参数。
其中，使用机器学习算法学习的过程，具体为选择机器学习算法对历史数据进行学习，发现配电网故障的规律和特征，并应用到新数据的故障诊断。
其中，故障诊断的过程，具体为比较各个节点的电压、电流、功率及电气参数，找出异常的节点，进而判断故障类型和位置。
其中，结果输出的过程，具体为将诊断结果输出，并提供相应的故障修复建议，所述诊断结果通过报表或者图表的形式展示。
本发明提供了一种基于网络拓扑的配电网故障分析方法，利用机器学习算法对历史数据进行学习，发现配电网故障的规律和特征，并将其应用到新数据的故障诊断中，提高故障诊断的准确性和效率；同时，本发明可自动化地建立电路模型和参数设置，降低人工干预的程度，提高诊断的可靠性和稳定性。具体的，本发明适用于各种规模和复杂程度的配电网，广泛应用于电力行业和工业领域，能有效解决传统基于电气拓扑结构的配电网故障分析技术存在的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于网络拓扑的配电网故障分析方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1，本发明提供了一种基于网络拓扑的配电网故障分析方法，包括下列步骤：
S1：数据采集；
S2：电路模型建立；
S3：电气参数计算；
S4：使用机器学习算法学习；
S5：故障诊断；
S6：结果输出。
以下结合具体步骤作进一步说明：
步骤S1.数据采集
收集配电网的接线图和相关参数，可以通过现场勘察或者电力公司提供的文档获取接线图，通过现场测量或者历史数据查询得到相关参数。
步骤S2.电路模型建立
将配电网的拓扑结构模型转化为电路模型，并建立节点之间的电气连接关系。可以利用软件工具，如MATLAB、Simulink等，实现电路模型的建立和仿真。
步骤S3.电气参数计算
计算各个节点的电气参数，包括电压、电流、功率等。可以使用电路分析工具，如SPICE、PSpice等，进行电路分析和计算。
步骤S4.机器学习算法
选择机器学习算法，如支持向量机、决策树、随机森林等，对历史数据进行学习，发现配电网故障的规律和特征，并将其应用到新数据的故障诊断中，提高故障诊断的准确性和效率。
步骤S5.故障诊断
通过对电气参数的分析，诊断配电网的故障位置和类型。具体地，比较各个节点的电压、电流、功率等参数，找出异常的节点，进而判断故障类型和位置。
步骤S6.结果输出
将诊断结果输出，并提供相应的故障修复建议。可以将诊断结果通过报表或者图表的形式展示出来，方便用户进行查看和分析。
具体的，用机器学习算法的故障诊断方法可以提高故障诊断的准确性和效率，降低漏诊和误诊的风险。同时，自动化建模和参数设置可以提高诊断的可靠性和稳定性。通过本发明提出的故障诊断方法，可以有效地提高配电网的可靠性和稳定性，减少停电时间和损失，降低配电网的运行成本，为电力行业和工业领域带来重要的经济和社会效益。
以下结合具体实施例进行说明：
假设有一个10kV配电网，包括5个节点，拓扑结构如下：
节点1--节点2--节点3--节点4--节点5
我们将采用本发明提出的故障诊断方法对该配电网进行故障诊断。
步骤1：数据采集从电力公司获取该配电网的接线图和相关参数，包括线路阻抗、节点负荷等。
步骤2：电路模型建立利用MATLAB软件，根据接线图和相关参数建立该配电网的电路模型。
步骤3：电气参数计算利用SPICE工具计算各个节点的电气参数，包括电压、电流、功率等。
步骤4：机器学习算法选用随机森林算法，对历史故障数据进行学习，发现故障特征和规律。
步骤5：故障诊断根据计算出的电气参数和机器学习算法的结果，对配电网进行故障诊断。假设在节点3发生了短路故障，通过对比各节点的电压、电流、功率等参数，发现节点3的电压降低，电流增大，判断为短路故障，并确定故障位置为节点3。
步骤6：结果输出将故障诊断结果以图表的形式输出，并给出故障修复建议，如切断节点3的电源，进行现场检修等。
对比实验：选择传统的故障诊断方法，如经验判断法，对同一配电网进行故障诊断。比较发现，本发明提出的故障诊断方法具有更高的准确性和效率。
现场应用：在实际的配电网中应用本发明提出的故障诊断方法，用户反馈效果良好，证明该方法具有实用性和有效性。
数值模拟：通过数值模拟不同类型和位置的故障，验证本发明提出的故障诊断方法在各种情况下的适用性和稳定性。
本发明还通过以下方式进一步证明其有效性：
1.对比实验
可以选择传统的故障诊断方法和本发明提出的故障诊断方法，进行对比实验。在相同的实验条件下，比较两种方法的故障诊断准确性和效率，验证本发明提出的故障诊断方法的优越性。
2.现场应用
可以在实际的配电网中应用本发明提出的故障诊断方法，进行现场测试和验证。通过实际应用的效果和用户的反馈，验证本发明提出的故障诊断方法的实用性和有效性。
3.数值模拟
可以通过数值模拟的方式，模拟不同情况下的配电网故障，比较采用机器学习算法的故障诊断方法和传统方法的故障诊断准确性和效率。通过数值模拟，可以验证本发明提出的故障诊断方法的可靠性和稳定性。
综上所述，本发明提出的基于电气拓扑结构的配电网故障分析方法，采用机器学习算法优化故障诊断的准确性和效率，具有显著的应用价值和社会效益。可以通过不同的实验方法和数据，进一步证明本发明的有效性和实用性。
此外，本发明还可以通过原理的阐述进一步证明其技术方案能够解决所述的技术问题并得到所述的有益效果。主要包括以下几个方面：
1.机器学习算法的应用
本发明采用机器学习算法对历史数据进行学习，发现配电网故障的规律和特征，并将其应用到新数据的故障诊断中，提高故障诊断的准确性和效率。机器学习算法可以自动学习和发现数据中的规律和特征，避免传统方法的主观性和不确定性，从而提高故障诊断的准确性和效率。
2.自动化建模和参数设置
本发明可自动化地建立电路模型和参数设置，降低人工干预的程度，提高诊断的可靠性和稳定性。自动化建模和参数设置可以避免传统方法需要人工设置电路模型和相关参数的问题，从而提高诊断的准确性和效率。
3.故障诊断思路的创新
本发明提出了基于电气拓扑结构的配电网故障分析方法，通过建立电路模型和计算节点的电气参数，从而诊断配电网的故障位置和类型。该方法创新性地将电气拓扑结构与故障诊断相结合，避免传统方法的主观性和不确定性，从而提高故障诊断的准确性和效率。。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (7)
1.一种基于网络拓扑的配电网故障分析方法，其特征在于，包括下列步骤：
数据采集；
电路模型建立；
电气参数计算；
使用机器学习算法学习；
故障诊断；
结果输出。
2.如权利要求1所述的基于网络拓扑的配电网故障分析方法，其特征在于，
数据采集的过程，具体为收集配电网的接线图和相关参数，其中通过现场勘察或者电力公司提供的文档获取接线图，通过现场测量或者历史数据查询得到相关参数。
3.如权利要求2所述的基于网络拓扑的配电网故障分析方法，其特征在于，
在电路模型建立的过程中，利用软件工具实现电路模型的建立和仿真，将配电网的拓扑结构模型转化为电路模型，并建立节点之间的电气连接关系。
4.如权利要求3所述的基于网络拓扑的配电网故障分析方法，其特征在于，
电气参数计算的过程，使用电路分析工具进行电路分析，计算各个节点的电气参数。
5.如权利要求4所述的基于网络拓扑的配电网故障分析方法，其特征在于，
使用机器学习算法学习的过程，具体为选择机器学习算法对历史数据进行学习，发现配电网故障的规律和特征，并应用到新数据的故障诊断。
6.如权利要求5所述的基于网络拓扑的配电网故障分析方法，其特征在于，
故障诊断的过程，具体为比较各个节点的电压、电流、功率及电气参数，找出异常的节点，进而判断故障类型和位置。
7.如权利要求6所述的基于网络拓扑的配电网故障分析方法，其特征在于，
结果输出的过程，具体为将诊断结果输出，并提供相应的故障修复建议，所述诊断结果通过报表或者图表的形式展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310591774.5A CN116660679A (zh) | 2023-05-24 | 2023-05-24 | 一种基于网络拓扑的配电网故障分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310591774.5A CN116660679A (zh) | 2023-05-24 | 2023-05-24 | 一种基于网络拓扑的配电网故障分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116660679A true CN116660679A (zh) | 2023-08-29 |
Family
ID=87727173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310591774.5A Pending CN116660679A (zh) | 2023-05-24 | 2023-05-24 | 一种基于网络拓扑的配电网故障分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116660679A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117148024A (zh) * | 2023-10-31 | 2023-12-01 | 南通豪强电器设备有限公司 | 一种高压开关柜的运行故障监测方法及系统 |
-
2023
- 2023-05-24 CN CN202310591774.5A patent/CN116660679A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117148024A (zh) * | 2023-10-31 | 2023-12-01 | 南通豪强电器设备有限公司 | 一种高压开关柜的运行故障监测方法及系统 |
| CN117148024B (zh) * | 2023-10-31 | 2023-12-26 | 南通豪强电器设备有限公司 | 一种高压开关柜的运行故障监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106100579B (zh) | 一种基于数据分析的光伏电站故障诊断方法 | |
| JP2013208051A (ja) | 電力系統のバスの状態を求める方法及びシステム | |
| CN101499659B (zh) | 基于基尔霍夫电流定律的变电站分布式状态估计方法 | |
| CN108667005B (zh) | 一种计及新能源影响的电网静动态结合脆弱性评估方法 | |
| CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
| CN109698521B (zh) | 一种基于实测数据的光伏逆变器的低穿特性辨识方法 | |
| CN106548410B (zh) | 一种含分布式电源的配电网电压不平衡概率评估方法 | |
| CN109918762B (zh) | 一种交直流电网混合仿真对比模型构建方法 | |
| CN109428327B (zh) | 基于响应的电网关键支路与主导稳定模式识别方法及系统 | |
| CN110350515B (zh) | 一种适用于故障电流分析的柔性直流电网建模方法 | |
| CN116660679A (zh) | 一种基于网络拓扑的配电网故障分析方法 | |
| US20230083078A1 (en) | Method for intelligent fault detection and location of power distribution network | |
| CN107271853A (zh) | 配电自动化系统分布式小电流接地故障定位方法及系统 | |
| CN112288326A (zh) | 一种适用于输电系统韧性评估的故障场景集削减方法 | |
| CN109494726A (zh) | 基于dlrnn神经网络的电力系统稳定性在线评估方法 | |
| CN114021433A (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
| CN111415059A (zh) | 一种实用模型机构建及在线应用方法 | |
| CN114006413A (zh) | 一种基于图神经网络的电力系统暂态稳定控制方法及系统 | |
| CN103887792A (zh) | 一种含分布式电源的低压配电网建模方法 | |
| CN109782126B (zh) | 基于类人概念学习的配电网早期故障检测方法 | |
| CN112993988B (zh) | 一种电力电网线损分析方法 | |
| CN111262238A (zh) | 基于机器学习的含iidg配电网短路电流预测方法 | |
| CN104569785A (zh) | 一种逆变电路故障诊断方法 | |
| CN108233356B (zh) | 一种光伏逆变器控制器一致性评估方法及其评估平台 | |
| CN111339624B (zh) | 基于psasp和emtp/atp短路电流直流分量计算方法 |
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 |