CN117092445A - 基于大数据的配电系统的故障检测方法及系统 - Google Patents

基于大数据的配电系统的故障检测方法及系统 Download PDF

Info

Publication number
CN117092445A
CN117092445A CN202311359019.0A CN202311359019A CN117092445A CN 117092445 A CN117092445 A CN 117092445A CN 202311359019 A CN202311359019 A CN 202311359019A CN 117092445 A CN117092445 A CN 117092445A
Authority
CN
China
Prior art keywords
power distribution
fault
distribution system
data
fault 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.)
Pending
Application number
CN202311359019.0A
Other languages
English (en)
Inventor
朱家禄
谢洪潮
武明虎
赵楠
李丹
李德军
游田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenglong Electric Group Co Ltd
Original Assignee
Shenglong Electric Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenglong Electric Group Co Ltd filed Critical Shenglong Electric Group Co Ltd
Priority to CN202311359019.0A priority Critical patent/CN117092445A/zh
Publication of CN117092445A publication Critical patent/CN117092445A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/56—Testing of electric apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提供了基于大数据的配电系统的故障检测方法及系统，涉及电力系统技术领域，包括获取配电系统设备的故障数据，所述故障数据包括电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据；利用联合分布函数，搭建配电系统设备故障特征函数；根据所述配电系统设备故障特征函数，构建配电系统故障数据集模型；对配电系统进行故障检测。本发明的有益效果为通过获取故障数据，建立函数和模型，对故障进行检测且判断精度高，并且提高了故障识别精度。

Description

基于大数据的配电系统的故障检测方法及系统
技术领域
本发明涉及电力系统技术领域，具体而言，涉及基于大数据的配电系统的故障检测方法及系统。
背景技术
配电系统设备是指为了维护电力系统设备的安全稳定运行，是由多种配电设备（或元件）和配电设施所组成的变换电压和直接向终端用户分配电能的一个电力网络系统。为了保证电能质量，针对配电设施和用电设施，进行规划设计、安装调试、运行监测、维护保养和设备检修等专业服务，以实现“安全、经济、优质”的用电目的。随着社会经济信息化的发展，常用的故障检测难以满足工程实践对于准确性和快速检测的需要。
发明内容
本发明的目的在于提供基于大数据的配电系统的故障检测方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了基于大数据的配电系统的故障检测方法，包括：
获取配电系统设备的故障数据，所述故障数据包括电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据；
利用联合分布函数，搭建配电系统设备故障特征函数；其中，在本步骤中的配电系统故障检测中，将A定义为配电系统的故障数据集，其中所述配电系统的故障数据集为在历史配电系统故障检测中采集得到的，其中将故障数据样本采集的分块设置为1200，采用周期为0.05s，在提取过程中的迭代次数为100次，并利用联合分布函数，n个随机变量的情况，称n个随机变量X1，X2，…，Xn的总体X=(X1，X2，…，Xn)为n维随机变量(或n元随机变量)，或称n维随机矢量，计算如下：
上式为n元函数，即n维随机矢量X=(X1，X2，…，Xn)的联合分布函数；X1，X2，…，Xn表示单个随机变量；x1 x2，…，xn表示单个随机变量的影响因素；它表示事件X1<x1，X2<x2，…，Xn<xn同时出现的概率；其中，X1，X2，…，Xn作为矩阵的行向量；
根据配电系统的故障在频域内的特征，利用故障数据响应变量和配电系统的故障数据集，构建对应的函数关系，其中，所述故障数据响应变量为某个故障数据特征参数向量的变化而导致另一个故障数据特征参数向量发生变化；根据联合分布函数，将一个特征向量集合内的数据映射到另一个故障特征向量集合内，需要满足配电系统故障数据挖掘方程：
式中，y为配电系统故障数据的平均挖掘频率，为故障信号的瞬间幅度，x为频域内的谐振幅度，/>为故障数据的训练集合，其中故障数据的训练集合包括对电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据进行训练的分类集合；
根据所述配电系统设备故障特征函数，构建配电系统故障数据集模型；
基于所述配电系统故障数据集模型和所述故障数据对配电系统进行故障检测。
优选地，所述获取配电系统设备的故障数据，其中包括：
去除所述故障数据中的噪声，并对所述故障数据所处的频带进行分类，得到故障信号分配频带；
利用小波奇异值分解法对所述故障信号分配频带进行分解，得到分解后的结果；
获取故障信号特征的重构矩阵，将所述分解后的结果输入至所述重构矩阵进行奇异值排序，筛选出所述奇异值不等于零的第一故障数据，将所述第一故障数据记做配电系统设备的所述故障数据。
优选地，所述去除所述故障数据中的噪声，之后包括：
针对去除后的所述故障数据，提取出异常数据；
对所述异常数据采用噪音平滑处理，得到光滑数据，建立回归函数拟合所述光滑数据；
通过聚类检测离群点去除所述光滑数据中的错误数据，得到去除后的结果；
利用贝叶斯推论，对去除后的所述结果中的缺失值的数据清洗，并对清洗后的数据进行归一化处理，得到处理后的检测数据，并保存到所述数据库中。
优选地，所述基于所述配电系统故障数据集模型和所述故障数据对配电系统进行故障检测，其中包括：
基于所述配电系统故障数据集模型，利用DBN结构对配电系统进行训练，以确定所述配电系统设备是否出现异常，若出现异常，则故障检测完成，若没有出现异常，则继续进行故障检测；所述DBN结构包括至少两个受限波尔茨曼机的无监督训练以及有监督反向调参，其中包括对每层的所述受限波尔茨曼机采取贪婪学习的方式进行无监督训练。
优选地，所述以确定所述配电系统设备是否出现异常，之后包括：
根据配电系统设备出现异常反馈的结果，确定所对应的处理方式，其中，若所述结果为配电系统设备发生漏电，则根据拍摄设备所采集的第一图像信息确定目标区域，并发送第一控制命令，所述第一控制命令为对所述配电系统进行断电保护的命令；所述第一图像信息为漏电情况下的所有电路图像情况；
若所述结果为所述配电系统设备发生短路，则根据拍摄设备所采集的第二图像确定所述配电系统设备至少一个区域的温度信息，并根据每个区域的温度信息发送第二控制命令，所述第二控制命令用于控制液氮存储器对每个所述区域的配电系统设备的待降温区域进行降温；所述第二图像为发生短路情况下每个区域的电路图像情况。
第二方面，本申请还提供了基于大数据的配电系统的故障检测系统，包括获取模块、搭建模块、构建模块和检测模块，其中：
获取模块：用于获取配电系统设备的故障数据，所述故障数据包括电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据；
搭建模块：用于利用联合分布函数，搭建配电系统设备故障特征函数；其中，在本步骤中的配电系统故障检测中，将A定义为配电系统的故障数据集，其中所述配电系统的故障数据集为在历史配电系统故障检测中采集得到的，其中将故障数据样本采集的分块设置为1200，采用周期为0.05s，在提取过程中的迭代次数为100次，并利用联合分布函数，n个随机变量的情况，称n个随机变量X1，X2，…，Xn的总体X=(X1，X2，…，Xn)为n维随机变量(或n元随机变量)，或称n维随机矢量，计算如下：
上式为n元函数，即n维随机矢量X=(X1，X2，…，Xn)的联合分布函数；X1，X2，…，Xn表示单个随机变量；x1 x2，…，xn表示单个随机变量的影响因素；它表示事件X1<x1，X2<x2，…，Xn<xn同时出现的概率；其中，X1，X2，…，Xn作为矩阵的行向量；
根据配电系统的故障在频域内的特征，利用故障数据响应变量和配电系统的故障数据集，构建对应的函数关系，其中，所述故障数据响应变量为某个故障数据特征参数向量的变化而导致另一个故障数据特征参数向量发生变化；根据联合分布函数，将一个特征向量集合内的数据映射到另一个故障特征向量集合内，需要满足配电系统故障数据挖掘方程：
式中，y为配电系统故障数据的平均挖掘频率，为故障信号的瞬间幅度，x为频域内的谐振幅度，/>为故障数据的训练集合；其中故障数据的训练集合包括对电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据进行训练的分类集合；
构建模块：用于根据所述配电系统设备故障特征函数，构建配电系统故障数据集模型；
检测模块：用于基于所述配电系统故障数据集模型和所述故障数据对配电系统进行故障检测。
第三方面，本申请实施例提供了基于大数据的配电系统的故障检测设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述基于油烟机的风量自适应调节方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于大数据的配电系统的故障检测方法的步骤。
本发明的有益效果为：
本发明采用联合分布函数可以描述两个或者多个变量之间的相互关系，预测两者或者多个变量之间的相关性，即变量之间是否存在某种程度的相关性，有利于搭建配电系统故障函数，增强数据之间的连接性和整体性，得到了数据之间的信任关系；利用联合分布函数，搭建配电系统设备故障特征函数，便于获取配电系统设备发生故障的位置。
本发明利用DBN结构对配电系统进行训练，最大程度保留数据的特征信息，利用无标签样本进行无监督训练，充分提取数据内部的特征，并抽象为高层的数据特征，并进行构造故障特征数据集作为DBN的输入，更加保证了故障检测数据结果的准确性和鲁棒性。
本发明采用的小波分析具有非常强大的抗噪音能力，可以描述出配电系统故障信号的幅值变化情况，可以有效地反映出故障信号的特征，便于对故障信息做出有效的处理。
本发明对故障数据进行去噪和平滑处理后，再利用贝叶斯进行清洗，并将处理后的所述运行指标数据保存到数据库中，提高处理速度，并且数据涵盖面广，故障判断精度高，进一步提高了故障识别精度。
本发明实现了精确定位故障设备的同时对故障类型进行分类，从而提高了配电系统设备故障检测的准确性。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的基于大数据的配电系统的故障检测方法流程示意图;
图2为本发明实施例中所述的基于大数据的配电系统的故障检测系统结构示意图；
图3是本发明实施例中所述的基于大数据的配电系统的故障检测设备结构示意图。
图中：701、获取模块；7011、第一处理单元；70111、提取单元；70112、建立函数单元；70113、第二处理单元；70114、第三处理单元；7012、分解单元；7013、筛选单元；702、搭建模块；703、构建模块；704、检测模块；7041、判断单元；7042、第一确定单元；7043、第二确定单元；800、配电系统的故障检测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了基于大数据的配电系统的故障检测方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
S100、获取配电系统设备的故障数据，所述故障数据包括电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据；
可以理解的是，在S100步骤中，包括但是不限于故障数据包括电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据；其中，电压告警故障数据为很多故障而引起的数据。就比如说设备电压告警的原因有很多种，主要是电压过高、过低、相序接反，或者电压失压；发电机故障数据大部分因为柴油发电机无法正常启动，可能因为油机进风口堵，启动电池的电压不足；又或是因为水温过高、超速、油路中断等因素突然停机；UPS设备故障数据可能是因为UPS设备无输出、UPS开机无法启动、UPS设备突然停机、UPS设备出现旁路模式等；配电柜故障数据可能是因为 ATS坏和ATS处于手动切换等现象出现而产生的数据。
需要说明的是，步骤S100包括S101、S102和S103，其中：
S101、去除所述故障数据中的噪声，并对所述故障数据所处的频带进行分类，得到故障信号分配频带；
S102、利用小波奇异值分解法对所述故障信号分配频带进行分解，得到分解后的结果；
需要说明的是，将小波系数作为配电系统的故障信号的特征，将原始信号分解为U层，小波分析具有非常强大的抗噪音能力，可以描述出配电系统故障信号的幅值变化情况。
S103、获取故障信号特征的重构矩阵，将所述分解后的结果输入至所述重构矩阵进行奇异值排序，筛选出所述奇异值不等于零的第一故障数据，将所述第一故障数据记做配电系统设备的所述故障数据。
需要说明的是，在小波分析中，根据其一知分解的原理和形状发现，配电系统设备故障信号的特征向量能够体现出小波系数的矩阵特征，利用矩阵特征反映出配电系统设备故障信号的特征。其中，计算出信号的奇异值，设置阈值与该时刻的奇异值进行比较，若阈值小于奇异值，则表明出现了故障。
在本实施例中，步骤S101中去除所述故障数据中的噪声之后还包括步骤S1011、步骤S1012、步骤S1013和步骤S1014，其中：
S1011、针对去除后的所述故障数据，提取出异常数据；
需要说明的是，去除后的故障数据为第一次筛选，将异常数据提取出去指的是进行第二次筛选，对故障数据的把控更为精确。
S1012、对所述异常数据采用噪音平滑处理，得到光滑数据，建立回归函数拟合所述光滑数据；
S1013、通过聚类检测离群点去除所述光滑数据中的错误数据，得到去除后的结果；
S1014、利用贝叶斯推论，对去除后的所述结果中的缺失值的数据清洗，并对清洗后的数据进行归一化处理，得到处理后的检测数据，并保存到所述数据库中。
需要说明的是，针对异常数据中存在的缺失值，可考虑使用数据清洗技术加以解决，具体可以应用的方法包括：使用贝叶斯形式化的基于推理的工具、使用决策树归纳法或直接使用监测的指标数据均值填充缺失值；为了尽快可靠地找到配电系统中异常数据阈值，先将配电系统指标每日监测数据以该指标PCC点的额定值或配电系统双方的协议值为基准做标准化处理，即得到归一化数据。
S200、利用联合分布函数，搭建配电系统设备故障特征函数。
可以理解的是，在本步骤中，配电系统故障检测中，
将A定义为配电系统的故障数据集，其中所述配电系统的故障数据集为在历史配电系统故障检测中采集得到的，其中将故障数据样本采集的分块设置为1200，采用周期为0.05s，在提取过程中的迭代次数为100次，并利用联合分布函数，n个随机变量的情况，称n个随机变量X1，X2，…，Xn的总体X=(X1，X2，…，Xn)为n维随机变量(或n元随机变量)，或称n维随机矢量，计算如下：
上式为n元函数，即n维随机矢量X=(X1，X2，…，Xn)的联合分布函数；X1，X2，…，Xn表示单个随机变量；x1 x2，…，xn表示单个随机变量的影响因素；它表示事件X1<x1，X2<x2，…，Xn<xn同时出现的概率；其中，X1，X2，…，Xn作为矩阵的行向量；
根据配电系统的故障在频域内的特征，利用故障数据响应变量和配电系统的故障数据集，构建对应的函数关系，其中，所述故障数据响应变量为某个故障数据特征参数向量的变化而导致另一个故障数据特征参数向量发生变化；根据联合分布函数，将一个特征向量集合内的数据映射到另一个故障特征向量集合内，需要满足配电系统故障数据挖掘方程：
式中，y为配电系统故障数据的平均挖掘频率，为故障信号的瞬间幅度，x为频域内的谐振幅度，/>为故障数据的训练集合，其中故障数据的训练集合包括对电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据进行训练的分类集合。。
本发明采用联合分布函数可以描述两个或者多个变量之间的相互关系，预测两者或者多个变量之间的相关性，即变量之间是否存在某种程度的相关性，根据配电系统的故障在频域内的特征，在故障数据响应变量和配电系统的故障数据集之间，构建对应的函数关系。根据联合分布函数，在配电系统的频率内有多个变量特征，即对两个随机变量X和Y，其联合分布是同时对于X和Y的概率分布，而对于相互依赖变量的联合分布，可以将一个特征向量集合内的数据映射到另一个故障特征向量集合内，那么联合分布函数就是它们之间的概率关系表示的函数，因此，有利于搭建配电系统故障函数，增强数据之间的连接性和整体性，得到了数据之间的信任关系；利用联合分布函数，搭建配电系统设备故障特征函数，便于获取配电系统设备发生故障的位置。
S300、根据所述配电系统设备故障特征函数，构建配电系统故障数据集模型；
可以理解的是，在S300步骤中，配电系统故障数据集模型表示为：
式中，为配电系统故障的状态矢量，/>为故障特征，/>为配电系统故障的特征向量，/>为配电系统故障的特征参数，/>为配电系统故障的状态特征，/>为配电系统故障的分类中心。
需要说明的是，利用联合分布函数，构建故障特征函数，根据故障状态方程，计算出故障信息的时频特征，通过配电系统故障信息的状态函数，构建了配电系统故障数据集模型。
S400、基于所述配电系统故障数据集模型和所述故障数据对配电系统进行故障检测。
可以理解的是，在S400步骤中包括S401，其中：
S401、基于所述配电系统故障数据集模型，利用DBN结构对配电系统进行训练，以确定所述配电系统设备是否出现异常，若出现异常，则故障检测完成，若没有出现异常，则继续进行故障检测；所述DBN结构包括至少两个受限波尔茨曼机的无监督训练以及有监督反向调参其中包括对每层的所述受限波尔茨曼机采取贪婪学习的方式进行无监督训练；
在DBN训练的过程中是通过神经网络训练找到合适的映射关系，包括各层之间的权值矩阵、偏置和激活函数，以满足输入向量和输出向量之间的线性关系，在训练过程中，可能会出现梯度爆炸，因此需要对输入特征量进行标准化处理，公式如下：
（/>）/（/>）
式中，为处理后的特征量；/>分别为/>中的最小值和最大值。
需要说明的是，在此过程中，利用DBN结构对配电系统进行训练，最大程度保留数据的特征信息，利用无标签样本进行无监督训练，充分提取数据内部的特征，并抽象为高层的数据特征，并进行构造故障特征数据集作为DBN的输入，更加保证了故障检测数据结果的准确性和鲁棒性。
其中，需要说明的是，步骤S401之后包括步骤S4011和S4012，其中：
S4011、根据配电系统设备出现异常反馈的结果，确定所对应的处理方式，其中，若所述结果为配电系统设备发生漏电，则根据拍摄设备所采集的第一图像信息确定目标区域，并发送第一控制命令，所述第一控制命令为对所述配电系统进行断电保护的命令；所述第一图像信息为漏电情况下的所有电路图像情况；
S4012、若所述结果为所述配电系统设备发生短路，则根据拍摄设备所采集的第二图像确定所述配电系统设备至少一个区域的温度信息，并根据每个区域的温度信息发送第二控制命令，所述第二控制命令用于控制液氮存储器对每个所述区域的配电系统设备的待降温区域进行降温；所述第二图像为发生短路情况下每个区域的电路图像情况。
需要说明的是，由于配电系统设备发生漏电或者短路时，需要采取相应的措施来进行故障保护，从而保证配电系统人员进行维修之前的人身安全，当配电系统设备发生短路时，需要及时对配电系统设备进行降温，以避免设备发生爆炸，危及排查人员的人身安全。
实施例2：
如图2所示，本实施例提供了基于大数据的配电系统的故障检测系统，参见图2所述系统包括获取模块701、搭建模块702、构建模块703和检测模块704，其中：
获取模块701：用于获取配电系统设备的故障数据，所述故障数据包括电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据；
搭建模块702：用于
利用联合分布函数，搭建配电系统设备故障特征函数；其中，在本步骤中的配电系统故障检测中，将A定义为配电系统的故障数据集，其中所述配电系统的故障数据集为在历史配电系统故障检测中采集得到的，其中将故障数据样本采集的分块设置为1200，采用周期为0.05s，在提取过程中的迭代次数为100次，并利用联合分布函数，n个随机变量的情况，称n个随机变量X1，X2，…，Xn的总体X=(X1，X2，…，Xn)为n维随机变量(或n元随机变量)，或称n维随机矢量，计算如下：
上式为n元函数，即n维随机矢量X=(X1，X2，…，Xn)的联合分布函数；X1，X2，…，Xn表示单个随机变量；x1 x2，…，xn表示单个随机变量的影响因素；它表示事件X1<x1，X2<x2，…，Xn<xn同时出现的概率；其中，X1，X2，…，Xn作为矩阵的行向量；
根据配电系统的故障在频域内的特征，利用故障数据响应变量和配电系统的故障数据集，构建对应的函数关系，其中，所述故障数据响应变量为某个故障数据特征参数向量的变化而导致另一个故障数据特征参数向量发生变化；根据联合分布函数，将一个特征向量集合内的数据映射到另一个故障特征向量集合内，需要满足配电系统故障数据挖掘方程：
式中，y为配电系统故障数据的平均挖掘频率，为故障信号的瞬间幅度，x为频域内的谐振幅度，/>为故障数据的训练集合，其中故障数据的训练集合包括对电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据进行训练的分类集合；
根据所述配电系统设备故障特征函数，构建配电系统故障数据集模型；
基于所述配电系统故障数据集模型和所述故障数据对配电系统进行故障检测；
构建模块703：用于根据所述配电系统设备故障特征函数，构建配电系统故障数据集模型；
检测模块704：用于基于所述配电系统故障数据集模型和所述故障数据对配电系统进行故障检测。
具体地，所述获取模块701，其中包括第一处理单元7011、分解单元7012和筛选单元7013，其中：
第一处理单元7011：用于去除所述故障数据中的噪声，并对所述故障数据所处的频带进行分类，得到故障信号分配频带；
分解单元7012：用于利用小波奇异值分解法对所述故障信号分配频带进行分解，得到分解后的结果；
筛选单元7013：用于获取故障信号特征的重构矩阵，将所述分解后的结果输入至所述重构矩阵进行奇异值排序，筛选出所述奇异值不等于零的第一故障数据，将所述第一故障数据记做配电系统设备的所述故障数据。
具体地，所述第一处理单元7011中去除所述故障数据中的噪声，之后包括提取单元70111、建立函数单元70112、第二处理单元70113和第三处理单元70114，其中：
提取单元70111：用于针对去除后的所述故障数据，提取出异常数据；
建立函数单元70112：用于对所述异常数据采用噪音平滑处理，得到光滑数据，建立回归函数拟合所述光滑数据；
第二处理单元70113：用于通过聚类检测离群点去除所述光滑数据中的错误数据，得到去除后的结果；
第三处理单元70114：用于利用贝叶斯推论，对去除后的所述结果中的缺失值的数据清洗，并对清洗后的数据进行归一化处理，得到处理后的检测数据，并保存到所述数据库中。
具体地，所述检测模块704，其中包括判断单元7041：
判断单元7041：用于基于所述配电系统故障数据集模型，利用DBN结构对配电系统进行训练，以确定所述配电系统设备是否出现异常，若出现异常，则故障检测完成，若没有出现异常，则继续进行故障检测；所述DBN结构包括至少两个受限波尔茨曼机的无监督训练以及有监督反向调参，其中包括对每层的所述受限波尔茨曼机采取贪婪学习的方式进行无监督训练。
具体地，所述判断单元7041，之后包括第一确定单元7042和第二确定单元7043，其中：
第一确定单元7042：用于根据配电系统设备出现异常反馈的结果，确定所对应的处理方式，其中，若所述结果为配电系统设备发生漏电，则根据拍摄设备所采集的第一图像信息确定目标区域，并发送第一控制命令，所述第一控制命令为对所述配电系统进行断电保护的命令；所述第一图像信息为漏电情况下的所有电路图像情况；
第二确定单元7043：用于若所述结果为所述配电系统设备发生短路，则根据拍摄设备所采集的第二图像确定所述配电系统设备至少一个区域的温度信息，并根据每个区域的温度信息发送第二控制命令，所述第二控制命令用于控制液氮存储器对每个所述区域的配电系统设备的待降温区域进行降温；所述第二图像为发生短路情况下每个区域的电路图像情况。
需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
对应于上面的方法实施例，本实施例中还提供了一种基于大数据的配电系统的故障检测方法设备，下文描述的一种基于大数据的配电系统的故障检测方法设备与上文描述的一种基于大数据的配电系统的故障检测方法方法可相互对应参照。
图3是根据示例性实施例示出的一种基于大数据的配电系统的故障检测方法设备800的框图。如图3所示，该基于大数据的配电系统的故障检测方法设备800包括：处理器801和存储器802。该基于大数据的配电系统的故障检测方法设备800还包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该基于大数据的配电系统的故障检测方法设备800的整体操作，以完成上述的基于大数据的配电系统的故障检测方法方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于大数据的配电系统的故障检测方法设备800的操作，这些数据例如可以包括用于在该基于大数据的配电系统的故障检测方法设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘、鼠标或按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于大数据的配电系统的故障检测方法设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi、蓝牙、近场通信(Near FieldCommunication，简称NFC)、2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块、蓝牙模块或NFC模块。
在一示例性实施例中，基于大数据的配电系统的故障检测方法设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(ProgrammableLogic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于大数据的配电系统的故障检测方法方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于大数据的配电系统的故障检测方法方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于大数据的配电系统的故障检测方法设备800的处理器801执行以完成上述的基于大数据的配电系统的故障检测方法方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于大数据的配电系统的故障检测方法方法可相互对应参照。
可读存储介质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方法实施例的基于大数据的配电系统的故障检测方法方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.基于大数据的配电系统的故障检测方法，其特征在于，包括：
获取配电系统设备的故障数据，所述故障数据包括电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据；
利用联合分布函数，搭建配电系统设备故障特征函数；其中，在本步骤中的配电系统故障检测中，将A定义为配电系统的故障数据集，其中所述配电系统的故障数据集为在历史配电系统故障检测中采集得到的，其中将故障数据样本采集的分块设置为1200，采用周期为0.05s，在提取过程中的迭代次数为100次，并利用联合分布函数，n个随机变量的情况，称n个随机变量X1，X2，…，Xn的总体X=(X1，X2，…，Xn)为n维随机变量(或n元随机变量)，或称n维随机矢量，计算如下：
上式为n元函数，即n维随机矢量X=(X1，X2，…，Xn)的联合分布函数；X1，X2，…，Xn表示单个随机变量；x1 x2，…，xn表示单个随机变量的影响因素；它表示事件X1<x1，X2<x2，…，Xn<xn同时出现的概率；其中，X1，X2，…，Xn作为矩阵的行向量；X1<x1中为当事件X1出现的概率小于事件x1出现的概率的时刻；
根据配电系统的故障在频域内的特征，利用故障数据响应变量和配电系统的故障数据集，构建对应的函数关系，其中，所述故障数据响应变量为某个故障数据特征参数向量的变化而导致另一个故障数据特征参数向量发生变化；根据联合分布函数，将一个特征向量集合内的数据映射到另一个故障特征向量集合内，需要满足配电系统故障数据挖掘方程：
式中，y为配电系统故障数据的平均挖掘频率，为故障信号的瞬间幅度，x为频域内的谐振幅度，/>为故障数据的训练集合，其中故障数据的训练集合包括对电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据进行训练的分类集合；
根据所述配电系统设备故障特征函数，构建配电系统故障数据集模型；
基于所述配电系统故障数据集模型和所述故障数据对配电系统进行故障检测。
2.根据权利要求1所述的基于大数据的配电系统的故障检测方法，其特征在于，所述获取配电系统设备的故障数据，其中包括：
去除所述故障数据中的噪声，并对所述故障数据所处的频带进行分类，得到故障信号分配频带；
利用小波奇异值分解法对所述故障信号分配频带进行分解，得到分解后的结果；
获取故障信号特征的重构矩阵，将所述分解后的结果输入至所述重构矩阵进行奇异值排序，筛选出所述奇异值不等于零的第一故障数据，将所述第一故障数据记做配电系统设备的所述故障数据。
3.根据权利要求2所述的基于大数据的配电系统的故障检测方法，其特征在于，所述去除所述故障数据中的噪声，之后包括：
针对去除后的所述故障数据，提取出异常数据；
对所述异常数据采用噪音平滑处理，得到光滑数据，建立回归函数拟合所述光滑数据；
通过聚类检测离群点去除所述光滑数据中的错误数据，得到去除后的结果；
利用贝叶斯推论，对去除后的所述结果中的缺失值的数据清洗，并对清洗后的数据进行归一化处理，得到处理后的检测数据，并保存到数据库中。
4.根据权利要求1所述的基于大数据的配电系统的故障检测方法，其特征在于，所述基于所述配电系统故障数据集模型和所述故障数据对配电系统进行故障检测，其中包括：
基于所述配电系统故障数据集模型，利用DBN结构对配电系统进行训练，以确定所述配电系统设备是否出现异常，若出现异常，则故障检测完成，若没有出现异常，则继续进行故障检测；所述DBN结构包括至少两个受限波尔茨曼机的无监督训练以及有监督反向调参，其中包括对每层的所述受限波尔茨曼机采取贪婪学习的方式进行无监督训练。
5.根据权利要求4所述的基于大数据的配电系统的故障检测方法，其特征在于，所述以确定所述配电系统设备是否出现异常，之后包括：
根据配电系统设备出现异常反馈的结果，确定所对应的处理方式，其中，若所述结果为配电系统设备发生漏电，则根据拍摄设备所采集的第一图像信息确定目标区域，并发送第一控制命令，所述第一控制命令为对所述配电系统进行断电保护的命令；所述第一图像信息为漏电情况下的所有电路图像情况；
若所述结果为所述配电系统设备发生短路，则根据拍摄设备所采集的第二图像确定所述配电系统设备至少一个区域的温度信息，并根据每个区域的温度信息发送第二控制命令，所述第二控制命令用于控制液氮存储器对每个所述区域的配电系统设备的待降温区域进行降温；所述第二图像为发生短路情况下每个区域的电路图像情况。
6.基于大数据的配电系统的故障检测系统，其特征在于，包括：
获取模块：用于获取配电系统设备的故障数据，所述故障数据包括电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据；
搭建模块：用于利用联合分布函数，搭建配电系统设备故障特征函数；其中，在本步骤中的配电系统故障检测中，将A定义为配电系统的故障数据集，其中所述配电系统的故障数据集为在历史配电系统故障检测中采集得到的，其中将故障数据样本采集的分块设置为1200，采用周期为0.05s，在提取过程中的迭代次数为100次，并利用联合分布函数，n个随机变量的情况，称n个随机变量X1，X2，…，Xn的总体X=(X1，X2，…，Xn)为n维随机变量(或n元随机变量)，或称n维随机矢量，计算如下：
上式为n元函数，即n维随机矢量X=(X1，X2，…，Xn)的联合分布函数；X1，X2，…，Xn表示单个随机变量；x1 x2，…，xn表示单个随机变量的影响因素；它表示事件X1<x1，X2<x2，…，Xn<xn同时出现的概率；其中，X1，X2，…，Xn作为矩阵的行向量；
根据配电系统的故障在频域内的特征，利用故障数据响应变量和配电系统的故障数据集，构建对应的函数关系，其中，所述故障数据响应变量为某个故障数据特征参数向量的变化而导致另一个故障数据特征参数向量发生变化；根据联合分布函数，将一个特征向量集合内的数据映射到另一个故障特征向量集合内，需要满足配电系统故障数据挖掘方程：
式中，y为配电系统故障数据的平均挖掘频率，为故障信号的瞬间幅度，x为频域内的谐振幅度，/>为故障数据的训练集合；其中故障数据的训练集合包括对电压告警故障数据、发电机故障数据、UPS设备故障数据和配电柜故障数据进行训练的分类集合；
构建模块：用于根据所述配电系统设备故障特征函数，构建配电系统故障数据集模型；
检测模块：用于基于所述配电系统故障数据集模型和所述故障数据对配电系统进行故障检测。
7.根据权利要求6所述的基于大数据的配电系统的故障检测系统，其特征在于，所述获取模块，其中包括：
第一处理单元：用于去除所述故障数据中的噪声，并对所述故障数据所处的频带进行分类，得到故障信号分配频带；
分解单元：用于利用小波奇异值分解法对所述故障信号分配频带进行分解，得到分解后的结果；
筛选单元：用于获取故障信号特征的重构矩阵，将所述分解后的结果输入至所述重构矩阵进行奇异值排序，筛选出所述奇异值不等于零的第一故障数据，将所述第一故障数据记做配电系统设备的所述故障数据。
8.根据权利要求7所述的基于大数据的配电系统的故障检测系统，其特征在于，所述第一处理单元中去除所述故障数据中的噪声，之后包括：
提取单元：用于针对去除后的所述故障数据，提取出异常数据；
建立函数单元：用于对所述异常数据采用噪音平滑处理，得到光滑数据，建立回归函数拟合所述光滑数据；
第二处理单元：用于通过聚类检测离群点去除所述光滑数据中的错误数据，得到去除后的结果；
第三处理单元：用于利用贝叶斯推论，对去除后的所述结果中的缺失值的数据清洗，并对清洗后的数据进行归一化处理，得到处理后的检测数据，并保存到数据库中。
9.根据权利要求6所述的基于大数据的配电系统的故障检测系统，其特征在于，所述检测模块，其中包括：
判断单元：用于基于所述配电系统故障数据集模型，利用DBN结构对配电系统进行训练，以确定所述配电系统设备是否出现异常，若出现异常，则故障检测完成，若没有出现异常，则继续进行故障检测；所述DBN结构包括至少两个受限波尔茨曼机的无监督训练以及有监督反向调参，其中包括对每层的所述受限波尔茨曼机采取贪婪学习的方式进行无监督训练。
10.根据权利要求9所述的基于大数据的配电系统的故障检测系统，其特征在于，所述判断单元，之后包括：
第一确定单元：用于根据配电系统设备出现异常反馈的结果，确定所对应的处理方式，其中，若所述结果为配电系统设备发生漏电，则根据拍摄设备所采集的第一图像信息确定目标区域，并发送第一控制命令，所述第一控制命令为对所述配电系统进行断电保护的命令；所述第一图像信息为漏电情况下的所有电路图像情况；
第二确定单元：用于若所述结果为所述配电系统设备发生短路，则根据拍摄设备所采集的第二图像确定所述配电系统设备至少一个区域的温度信息，并根据每个区域的温度信息发送第二控制命令，所述第二控制命令用于控制液氮存储器对每个所述区域的配电系统设备的待降温区域进行降温；所述第二图像为发生短路情况下每个区域的电路图像情况。
CN202311359019.0A 2023-10-19 2023-10-19 基于大数据的配电系统的故障检测方法及系统 Pending CN117092445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311359019.0A CN117092445A (zh) 2023-10-19 2023-10-19 基于大数据的配电系统的故障检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311359019.0A CN117092445A (zh) 2023-10-19 2023-10-19 基于大数据的配电系统的故障检测方法及系统

Publications (1)

Publication Number Publication Date
CN117092445A true CN117092445A (zh) 2023-11-21

Family

ID=88780232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311359019.0A Pending CN117092445A (zh) 2023-10-19 2023-10-19 基于大数据的配电系统的故障检测方法及系统

Country Status (1)

Country Link
CN (1) CN117092445A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117783769A (zh) * 2024-02-28 2024-03-29 国网山西省电力公司太原供电公司 基于可视平台的配电网络故障定位方法、系统、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650929A (zh) * 2016-10-11 2017-05-10 天津大学 基于递归图的深度学习模型及在油水相含率测量中的应用
CN110610212A (zh) * 2019-09-20 2019-12-24 云南电网有限责任公司电力科学研究院 一种配电网的变压器的故障分类方法和故障分类装置
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN112379325A (zh) * 2019-11-25 2021-02-19 国家电网公司 一种用于智能电表的故障诊断方法及系统
CN114358085A (zh) * 2022-01-10 2022-04-15 湖南大学 基于异构模型融合的线路故障诊断方法及装置
CN115358155A (zh) * 2022-09-02 2022-11-18 安徽双恒电力科技有限公司 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN116227538A (zh) * 2023-04-26 2023-06-06 国网山西省电力公司晋城供电公司 基于聚类和深度学习的小电流接地故障选线方法及设备
CN116226644A (zh) * 2023-03-24 2023-06-06 广东电网有限责任公司广州供电局 设备故障类型的确定方法、装置、电子设备及存储介质
CN116243110A (zh) * 2023-04-14 2023-06-09 长沙理工大学 一种一级式配电网故障识别与定位方法及相关设备
CN116494766A (zh) * 2023-04-27 2023-07-28 重庆赛力斯新能源汽车设计院有限公司 一种汽车碰撞中电池安全防护方法及系统
CN116680635A (zh) * 2023-06-07 2023-09-01 国网安徽省电力有限公司电力科学研究院 电力网故障位置推断法方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650929A (zh) * 2016-10-11 2017-05-10 天津大学 基于递归图的深度学习模型及在油水相含率测量中的应用
CN110610212A (zh) * 2019-09-20 2019-12-24 云南电网有限责任公司电力科学研究院 一种配电网的变压器的故障分类方法和故障分类装置
CN112379325A (zh) * 2019-11-25 2021-02-19 国家电网公司 一种用于智能电表的故障诊断方法及系统
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN114358085A (zh) * 2022-01-10 2022-04-15 湖南大学 基于异构模型融合的线路故障诊断方法及装置
CN115358155A (zh) * 2022-09-02 2022-11-18 安徽双恒电力科技有限公司 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN116226644A (zh) * 2023-03-24 2023-06-06 广东电网有限责任公司广州供电局 设备故障类型的确定方法、装置、电子设备及存储介质
CN116243110A (zh) * 2023-04-14 2023-06-09 长沙理工大学 一种一级式配电网故障识别与定位方法及相关设备
CN116227538A (zh) * 2023-04-26 2023-06-06 国网山西省电力公司晋城供电公司 基于聚类和深度学习的小电流接地故障选线方法及设备
CN116494766A (zh) * 2023-04-27 2023-07-28 重庆赛力斯新能源汽车设计院有限公司 一种汽车碰撞中电池安全防护方法及系统
CN116680635A (zh) * 2023-06-07 2023-09-01 国网安徽省电力有限公司电力科学研究院 电力网故障位置推断法方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘宸轩: "基于小波分析的电气设备故障检测方法研究", 《专用汽车》, vol. 2023, no. 1, pages 58 - 61 *
汪光远: "基于深度置信网络的柔性直流配电网高灵敏故障辨识策略", 《电力系统自动化》, vol. 45, no. 17, pages 180 - 188 *
汪洋: "基于深度置信网络的交直流配电网直流故障检测技术", 《电力工程技术》, vol. 42, no. 1, pages 251 - 259 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117783769A (zh) * 2024-02-28 2024-03-29 国网山西省电力公司太原供电公司 基于可视平台的配电网络故障定位方法、系统、设备及存储介质
CN117783769B (zh) * 2024-02-28 2024-05-10 国网山西省电力公司太原供电公司 基于可视平台的配电网络故障定位方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
US12099571B2 (en) Feature extractions to model large-scale complex control systems
EP3373552A1 (en) Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid
EP3373091A1 (en) Generic framework to detect cyber threats in electric power grid
US10686806B2 (en) Multi-class decision system for categorizing industrial asset attack and fault types
Sun et al. Fault diagnosis of power transformers using computational intelligence: A review
EP3223095B1 (en) Method and apparatus for optimizing diagnostics of rotating equipment
Yan et al. Big-data-driven based intelligent prognostics scheme in industry 4.0 environment
CN117092445A (zh) 基于大数据的配电系统的故障检测方法及系统
US12039619B2 (en) Using an irrelevance filter to facilitate efficient RUL analyses for electronic devices
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
CN118035904A (zh) 一种基于多频段数据融合的振摆监测故障诊断方法及系统
De Caro et al. Review of data-driven techniques for on-line static and dynamic security assessment of modern power systems
Giampieri et al. A supervised classification system based on evolutive multi-agent clustering for smart grids faults prediction
CN113447813B (zh) 海上风力发电机组的故障诊断方法及设备
KR102350636B1 (ko) 플랜트 고장 예지 장치 및 방법
KR20230075150A (ko) 시스템 건전성을 관리하기 위한 방법 및 장치
Kesici et al. A novel integrated framework for real-time prediction of transient instabilities in power systems with their severity levels using deep learning
Nguyen Feature Engineering and Health Indicator Construction for Fault Detection and Diagnostic
Varde et al. Prognostics and health management
CN114691459B (zh) 一种软件系统老化预测方法及系统
CN112512072B (zh) VoLTE网络故障预测方法及设备
Weng et al. Dirichlet probability navigated fault detection via key-group memory auto-encoder under non-stationary working conditions
de Paula Monteiro et al. Opportunities in Neural Networks for Industry 4.0
Guo et al. A fault diagnosis method for flexible converter valve equipment based on DSC-BIGRU-MA
CN118396642A (zh) 电力设备故障溯源方法、系统、计算机设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20231121