CN117406026A - 一种适用于分布式电源的配电网故障检测方法 - Google Patents
一种适用于分布式电源的配电网故障检测方法 Download PDFInfo
- Publication number
- CN117406026A CN117406026A CN202311395319.4A CN202311395319A CN117406026A CN 117406026 A CN117406026 A CN 117406026A CN 202311395319 A CN202311395319 A CN 202311395319A CN 117406026 A CN117406026 A CN 117406026A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- voltage
- frequency
- distribution network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 2
- 230000008054 signal transmission Effects 0.000 claims 1
- 230000001960 triggered effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000013499 data model Methods 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 238000013486 operation strategy Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000006467 substitution reaction 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
Abstract
本发明公开了一种适用于分布式电源的配电网故障检测方法,具体涉及配电网故障检测领域,包括利用多重数据模型从大量的实时监控数据中提取潜在的故障模式和规律,实现对各种故障类型的准确检测和诊断,通过对实时采集的数据进行处理和分析,能够及时发现故障信号并触发相应的警报和通知机制,提高对故障的响应速度和处理效率,通过不断数据迭代和模型更新,能够适应系统的变化和不同类型的故障情况,提高检测的鲁棒性和准确性,通过及时检测和诊断故障,有效优化电网运行策略,提高能源利用效率,降低能源消耗和运维成本。
Description
技术领域
本发明涉及配电网故障检测领域,具体涉及一种适用于分布式电源的配电网故障检测方法。
背景技术
随着可再生能源技术的发展和环保意识的提高,分布式电源在配电网中的规模和比例不断增加,传统的中央化电源逐渐向分布式电源转变,分布式电源的引入使得配电网出现更多种类的故障,需要针对分布式电源特点进行准确检测和诊断。
配电网作为电力系统中与电力用户直接相连的电能载体,其安全、可靠的工作对整个电力系统的正常工作起着重要的作用,当配电网发生故障时,会影响电力用户的用电,甚至造成电力系统的故障,因此需要尽快找到故障并将其解决,现有的配电网故障检测方法,通常采用人工巡检和故障报警的方法,工作效率低下,不能及时解决日常工作生活遇到的问题。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种适用于分布式电源的配电网故障检测方法,通过对电流、电压以及频率故障风险监测点,计算电流信号峰值与正常预期峰值的偏差,计算电压变动率评估电压瞬时变动情况,计算实时频率和正常频率之间差异值范围,以解决上述背景技术中提出的问题。
本发明采用的技术方案是,一种适用于分布式电源的配电网故障检测方法,包括以下步骤:
101、利用智能电表和传感器组成数据采集单元,实时采集电流、电压和频率的电力多维参数数据,利用归一化算法对数据进行预处理和均值方差法进行异常数据监测修正;
102、使用特征提取算法提取故障特征,提取电流标准差特征反映电流异常情况,利用带阻滤波器分离谐波成分,提取电压总谐波畸变率特征,设置频率偏移参考基准,判断频率偏移是否超过正常范围;
103、计算观测数据与正态分布之间的差异,建立决策树分类模型,通过决策规则递归分化,通过模型输出识别和分类配电网故障;
104、划分电流、电压和频率故障风险监测点,计算电流信号峰值与正常预期峰值的偏差,计算电压变动率评估电压瞬时变动情况,计算实时频率和正常频率之间差异值范围,利用超出正常范围大小划分故障级别;
105、根据模型输出的结果,确定故障的具体原因,利用故障定位算法,结合模型输出的结果,定位故障发生的具体位置;
106、连接各个分布式电源和配电网络中的传感器和监测设备,根据故障诊断定位的结果,根据故障诊断定位的结果和云数据中心测试报告,通过可视化展示触发报警机制,实时监控设备的运行状态、参数设置,进行远程配置、升级、诊断操作。
在一个优选地实施方式中,上述步骤101中,利用智能电表和传感器组成数据采集单元,实时采集电流、电压和频率的电力多维参数数据,通过无线通信方式传输到中央监测系统进行处理和分析,具体内容包括以下步骤:
步骤1:利用分布式电源的不同节点安装智能电表和传感器,利用智能电表和传感器组成数据采集单元,集成通信控制信息技术部署关键节点,所述通信控制信息技术建立智能电网系统,集成不同设备之间相互通信和交换信息,控制分布式电源的综合处理、调度,实时采集电流、电压和频率的电力多维参数数据,通过无线通信方式传输到中央监测系统进行处理和分析。
步骤2:对中央监测系统获取的数据进行归一化和异常数据监测修正,使得不同维度的数据具有相同的尺度,所述最小-最大归一化公式为:
其中Z表示归一化后的数据,x表示原始数据,xmin表示原始数据的最小值,xmax表示原始数据的最大值,通过异常检测算法对归一化数据进行异常值识别,并根据具体情况进行修正剔除,利用均值方差法对数据进行异常检测分析,上述均值方差法基于样本均值和标准差判断数据是否偏离正常,其具体公式为:
其中n表示数据个数,S表示数据样本均值,C表示数据样本方差值,对于每个数据点,计算其与均值之间的差值,然后与均值的标准差进行比较,当差值超过设定的阈值,将该数据点标记为异常,遍历判定数据集,将符合异常值定义的数据标记,对于明显的异常值直接剔除,利用插值法替换异常值,所述插值法根据周围数据的线性趋势,在异常值的前后数值之间进行线性插值。
在一个优选地实施方式中,上述步骤102中,根据中央监测系统传输数据,使用特征提取算法提取故障特征,通过监测电网中的电流数据、电压数据和频率数据,检测电流异常、电压波动和频率偏移情况,提取电流标准差特征反映电流异常情况,上述标准差具体公式为:
其中n表示电流数据个数,S表示数据样本均值,C表示数据样本方差值,利用带阻滤波器分离谐波成分,提取电压总谐波畸变率特征,所述总谐波畸变率具体公式为:
其中T表示电压总谐波畸变率,H表示谐波成分的有效值,xi表示每个样本点的电压值,n表示电压数据的样本数量,用于分析电压波动和稳定性,设置频率偏移参考基准,判断频率偏移是否超过正常范围。
在一个优选地实施方式中,上述步骤103中,收集电流、电压和频率的特征值,根据分布式电源系统的故障类型建立相应的故障模式识别模型,上述故障类型包括电流异常、电压波动以及频率偏移,上述故障模式识别模型基于正态分布的离群点检测,通过假设正常状态下的观测数据服从正态分布,计算观测数据与正态分布之间的差异,上述计算具体公式为:
其中Z表示观测数据点相对于正态分布的偏离程度,X表示观测电流、电压和频率数据点的值,μ表示正态分布的均值,σ表示正态分布的标准差,根据偏离程度设置阈值判断是否存在离群点进行故障识别,收集已知故障类型的数据集,包括特征参数和相应的故障标签,根据领域知识和数据分析,选取与故障模式相关的特征参数,建立决策树分类模型,决策树分类模型具体公式为:
L=fk(Ai,θi)
其中L表示决策树叶子节点的故障类别,k表示特征向量数量,Ai表示第i个非叶子节点的特征向量,θi表示第i个非叶子节点的阈值,fk(x)表示左右子节点递归循环函数,通过决策规则递归分化,预测分类结果为叶子节点的故障类别,所述决策规则通过比较Ai、θi判断故障特征进入左右节点位置,将数据集划分为训练集、验证集和测试集,根据训练集进行模型训练,并通过验证集进行超参数调优,使用测试集采用交叉验证评估模型的性能,所述交叉验证利用相等数据子集作为训练集,使用验证集评估模型性能,重复多次将评估结果平均值作为模型性能指标,将提取的特征参数输入到模型中,通过模型输出识别和分类配电网故障。
在一个优选地实施方式中,上述步骤104中,根据提取的特征获取和实际情况划分电流、电压和频率故障风险监测点,利用故障指数定义不同故障级别,具体内容包括以下步骤:
步骤1:在电流故障风险监测点中,利用故障指数计算算法获取故障指数,云数据中心指定正常预期值,遍历电流特征数据点,比较当前数据点与其相邻数据点的大小关系,当前数据点大于前一个数据点且大于后一个数据点,经过迭代比较,判定当前数据点是否为峰值点,计算电流信号峰值与正常预期峰值的偏差,所述峰值偏差计算具体公式为:
P=Pa-Pb
其中P表示峰值偏差,Pa表示当前电流信号数据峰值,Pb表示正常预期峰值,评估故障程度,利用故障指数定义电流故障级别,包括轻度波动故障、中度分流故障和重度泄流故障。
步骤2:在电压故障风险监测点中,遍历电压特征数据点,获取电压波形数值,云数据中心获取电压波形基准值,计算电压变动率评估电压瞬时变动情况,所述电压变动率计算具体公式为:
其中TV表示电压变动率,Vmax表示电压波形的最大值,Vmin表示电压波形的最小值,Vn表示电压的波性基准值,表征电压不稳定性,利用电压变动率判断电压故障级别,包括短时电压变动和长时间电压变动。
步骤3:在频率故障风险监测点中,云数据中心指定正常频率的基准值,获取系统的实时频率数据,计算实时频率和正常频率之间差异值范围,所述计算具体公式为:
F=|Fr-Fn|
其中F表示频率变化范围,Fr表示实时频率,Fn表示正常频率,设置阈值判断频率故障变化是否超出正常范围,利用超出正常范围大小划分故障级别,包括轻度频率抖动故障、中度频率失调故障和重度频率缺失故障。
在一个优选地实施方式中,上述步骤105中,根据模型输出的结果,分析可能的故障类型,结合实际情况确定故障的具体原因,根据模型输出的结果和系统拓扑结构,分析可能的故障位置,利用故障定位算法,所述故障定位算法具体公式为:
S=V*T
其中S表示故障位置距离电流、电压和频率测量点的距离,V表示电流、电压和频率信号传输速度,T表示传输电流、电压和频率测量点的时间,结合模型输出的结果,定位故障发生的具体位置,根据故障的具体原因,提供相应的修复建议,执行相应的修复措施,包括配电网调整配置和修复网络连接操作,确定测试故障位置,云数据中心收录测试结果,包括测试的步骤、测试的数据和测试的结论。
在一个优选地实施方式中,上述步骤106中,利用无线通信协议,连接各个分布式电源和配电网络中的传感器和监测设备,实时监测获取分布式电源配电网的相关数据,包括电源电流、电压和频率,与云数据中心进行数据交互,获取测试报告和故障分析结果,根据故障诊断定位的结果和云数据中心测试报告,通过可视化展示触发报警机制,利用远程监控中心对分布式电源和配电网进行远程操作与控制,实时监控设备的运行状态、参数设置,进行远程配置、升级、诊断操作,远程切换电源、调度备用设备维护措施。
本发明的技术效果和优点:
本发明利用多重数据模型从大量的实时监控数据中提取潜在的故障模式和规律,实现对各种故障类型的准确检测和诊断,通过对实时采集的数据进行处理和分析,能够及时发现故障信号并触发相应的警报和通知机制,提高对故障的响应速度和处理效率,根据配电网的运行状态和环境变化进行自适应调整,通过不断数据迭代和模型更新,能够适应系统的变化和不同类型的故障情况,提高检测的鲁棒性和准确性,通过及时检测和诊断故障,有效优化电网运行策略,提高能源利用效率,降低能源消耗和运维成本。
附图说明
图1为本发明的方法流程图。
具体实施方式
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,都属于本发明保护的范围。
实施例1
本实施例提供了如图1所示一种适用于分布式电源的配电网故障检测方法,具体包括以下步骤:
101、利用智能电表和传感器组成数据采集单元,实时采集电流、电压和频率的电力多维参数数据,利用归一化算法对数据进行预处理和均值方差法进行异常数据监测修正;
进一步的,利用智能电表和传感器组成数据采集单元,实时采集电流、电压和频率的电力多维参数数据,通过无线通信方式传输到中央监测系统进行处理和分析,具体内容包括以下步骤:
步骤1:利用分布式电源的不同节点安装智能电表和传感器,利用智能电表和传感器组成数据采集单元,集成通信控制信息技术部署关键节点,所述通信控制信息技术建立智能电网系统,集成不同设备之间相互通信和交换信息,控制分布式电源的综合处理、调度,实时采集电流、电压和频率的电力多维参数数据,通过无线通信方式传输到中央监测系统进行处理和分析。
步骤2:对中央监测系统获取的数据进行归一化和异常数据监测修正,使得不同维度的数据具有相同的尺度,上述最小-最大归一化公式为:
其中Z表示归一化后的数据,x表示原始数据,xmin表示原始数据的最小值,xmax表示原始数据的最大值,通过异常检测算法对归一化数据进行异常值识别,并根据具体情况进行修正剔除,利用均值方差法对数据进行异常检测分析,上述均值方差法基于样本均值和标准差判断数据是否偏离正常,其具体公式为:
其中n表示数据个数,S表示数据样本均值,C表示数据样本方差值,对于每个数据点,计算其与均值之间的差值,然后与均值的标准差进行比较,当差值超过设定的阈值,将该数据点标记为异常,遍历判定数据集,将符合异常值定义的数据标记,对于明显的异常值直接剔除,利用插值法替换异常值,上述插值法根据周围数据的线性趋势,在异常值的前后数值之间进行线性插值。
102、使用特征提取算法提取故障特征,提取电流标准差特征反映电流异常情况,利用带阻滤波器分离谐波成分,提取电压总谐波畸变率特征,设置频率偏移参考基准,判断频率偏移是否超过正常范围;
进一步的,根据中央监测系统传输数据,使用特征提取算法提取故障特征,通过监测电网中的电流数据、电压数据和频率数据,检测电流异常、电压波动和频率偏移情况,提取电流标准差特征反映电流异常情况,上述电流标准差具体公式为:
其中n表示电流数据个数,S表示数据样本均值,C表示数据样本方差值,利用带阻滤波器分离谐波成分,提取电压总谐波畸变率特征,上述总谐波畸变率具体公式为:
其中T表示电压总谐波畸变率,H表示谐波成分的有效值,xi表示每个样本点的电压值,n表示电压数据的样本数量,用于分析电压波动和稳定性,设置频率偏移参考基准,判断频率偏移是否超过正常范围。
103、计算观测数据与正态分布之间的差异,建立决策树分类模型,通过决策规则递归分化,通过模型输出识别和分类配电网故障;
进一步的,收集电流、电压和频率的特征值,根据分布式电源系统的故障类型建立相应的故障模式识别模型,上述故障类型包括电流异常、电压波动以及频率偏移,上述故障模式识别模型基于正态分布的离群点检测,通过假设正常状态下的观测数据服从正态分布,计算观测数据与正态分布之间的差异,计算公式为:
其中Z表示观测数据点相对于正态分布的偏离程度,X表示观测电流、电压和频率数据点的值,μ表示正态分布的均值,σ表示正态分布的标准差,根据偏离程度设置阈值判断是否存在离群点进行故障识别,收集已知故障类型的数据集,包括特征参数和相应的故障标签,根据领域知识和数据分析,选取与故障模式相关的特征参数,建立决策树分类模型,决策树分类模型的计算公式为:
L=fk(Ai,θi)
其中L表示决策树叶子节点的故障类别,k表示特征向量数量,Ai表示第i个非叶子节点的特征向量,θi表示第i个非叶子节点的阈值,fk(x)表示左右子节点递归循环函数,通过决策规则递归分化,预测分类结果为叶子节点的故障类别,所述决策规则通过比较Ai、θi判断故障特征进入左右节点位置,将数据集划分为训练集、验证集和测试集,根据训练集进行模型训练,并通过验证集进行超参数调优,使用测试集采用交叉验证评估模型的性能,交叉验证利用相等数据子集作为训练集,使用验证集评估模型性能,重复多次将评估结果平均值作为模型性能指标,将提取的特征参数输入到模型中,通过模型输出识别和分类配电网故障。
104、划分电流、电压和频率故障风险监测点,计算电流信号峰值与正常预期峰值的偏差,计算电压变动率评估电压瞬时变动情况,计算实时频率和正常频率之间差异值范围,利用超出正常范围大小划分故障级别;
进一步的根据提取的特征获取和实际情况划分电流、电压和频率故障风险监测点,利用故障指数定义不同故障级别,具体内容包括以下步骤:
步骤1:在电流故障风险监测点中,利用故障指数计算算法获取故障指数,云数据中心指定正常预期值,遍历电流特征数据点,比较当前数据点与其相邻数据点的大小关系,当前数据点大于前一个数据点且大于后一个数据点,经过迭代比较,判定当前数据点是否为峰值点,计算电流信号峰值与正常预期峰值的偏差,所述峰值偏差计算具体公式为:
P=Pa-Pb
其中P表示峰值偏差,Pa表示当前电流信号数据峰值,Pb表示正常预期峰值,评估故障程度,利用故障指数定义电流故障级别,包括轻度波动故障、中度分流故障和重度泄流故障。
步骤2:在电压故障风险监测点中,遍历电压特征数据点,获取电压波形数值,云数据中心获取电压波形基准值,计算电压变动率评估电压瞬时变动情况,所述电压变动率计算具体公式为:
其中TV表示电压变动率,Vmax表示电压波形的最大值,Vmin表示电压波形的最小值,Vn表示电压的波性基准值,表征电压不稳定性,利用电压变动率判断电压故障级别,包括短时电压变动和长时间电压变动。
步骤3:在频率故障风险监测点中,云数据中心指定正常频率的基准值,获取系统的实时频率数据,计算实时频率和正常频率之间差异值范围,所述计算具体公式为:
F=|Fr-Fn|
其中F表示频率变化范围,Fr表示实时频率,Fn表示正常频率,设置阈值判断频率故障变化是否超出正常范围,利用超出正常范围大小划分故障级别,包括轻度频率抖动故障、中度频率失调故障和重度频率缺失故障。
105、根据模型输出的结果,确定故障的具体原因,利用故障定位算法,结合模型输出的结果,定位故障发生的具体位置;
进一步的,根据模型输出的结果,分析可能的故障类型,结合实际情况确定故障的具体原因,根据模型输出的结果和系统拓扑结构,分析可能的故障位置,利用故障定位算法,所述故障定位算法具体公式为:
S=V*T
其中S表示故障位置距离电流、电压和频率测量点的距离,V表示电流、电压和频率信号传输速度,T表示传输电流、电压和频率测量点的时间,结合模型输出的结果,定位故障发生的具体位置,根据故障的具体原因,提供相应的修复建议,执行相应的修复措施,包括配电网调整配置和修复网络连接操作,确定测试故障位置。
106、连接各个分布式电源和配电网络中的传感器和监测设备,根据故障诊断定位的结果,根据故障诊断定位的结果和云数据中心测试报告,通过可视化展示触发报警机制,实时监控设备的运行状态、参数设置,进行远程配置、升级、诊断操作;
进一步的,利用无线通信协议,连接各个分布式电源和配电网络中的传感器和监测设备,实时监测获取分布式电源配电网的相关数据,包括电源电流、电压和频率,与云数据中心进行数据交互,获取测试报告和故障分析结果,根据故障诊断定位的结果和云数据中心测试报告,通过可视化展示触发报警机制,利用远程监控中心对分布式电源和配电网进行远程操作与控制,实时监控设备的运行状态、参数设置,进行远程配置、升级、诊断操作,远程切换电源、调度备用设备维护措施。
本发明中的公式是去除量纲取其数值计算,通过采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设比例系数由本领域的技术人员根据实际情况设定或者通过大量数据模拟获取。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
最后: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,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。
Claims (9)
1.一种适用于分布式电源的配电网故障检测方法,其特征在于,包括以下步骤:
101、利用数据采集单元实时采集电流、电压和频率的电力多维参数数据,并对数据进行预处理和异常数据监测修正;
102、提取故障特征,提取电流标准差特征反映电流异常情况,利用带阻滤波器分离谐波成分,提取电压总谐波畸变率特征,设置频率偏移参考基准,判断频率偏移是否超过正常范围;
103、计算观测数据与正态分布之间的差异,建立决策树分类模型,通过决策规则递归分化,通过模型输出识别和分类配电网故障;
104、划分电流、电压和频率故障风险监测点,计算电流信号峰值与正常预期峰值的偏差,计算电压变动率评估电压瞬时变动情况,计算实时频率和正常频率之间差异值范围,利用超出正常范围大小划分故障级别;
105、根据模型输出的结果,确定故障的具体原因,利用故障定位算法,结合模型输出的结果,定位故障发生的具体位置;
106、连接各个分布式电源和配电网络中的传感器和监测设备,根据故障诊断定位的结果,触发报警机制,实时监控设备的运行状态、参数设置,进行远程配置、升级、诊断操作。
2.根据权利要求1所述的一种适用于分布式电源的配电网故障检测方法,其特征在于,所述步骤101中,利用智能电表和传感器组成数据采集单元,利用归一化算法对数据进行预处理和均值方差法进行异常数据监测修正,归一化算法为最小-最大归一化,其公式为:
其中Z表示归一化后的数据,x表示原始数据,xmin表示原始数据的最小值,xmax表示原始数据的最大值,所述均值方差法的公式为:
其中n表示数据个数,S表示数据样本均值,C表示数据样本方差值。
3.根据权利要求1所述的一种适用于分布式电源的配电网故障检测方法,其特征在于,所述步骤102中,电流标准差的计算公式为:
其中n表示电流数据个数,S表示数据样本均值,C表示数据样本方差值;
所述总谐波畸变率公式为:
其中T表示电压总谐波畸变率,H表示谐波成分的有效值,xi表示每个样本点的电压值,n表示电压数据的样本数量。
4.根据权利要求1所述的一种适用于分布式电源的配电网故障检测方法,其特征在于:所述步骤103中,建立相应的故障模式识别模型和决策树分类模型,故障类型包括电流异常、电压波动以及频率偏移,根据偏离程度设置阈值判断是否存在离群点进行故障识别,通过决策规则递归分化,预测分类结果为叶子节点的故障类别,通过模型输出识别和分类配电网故障。
5.根据权利要求4所述的一种适用于分布式电源的配电网故障检测方法,其特征在于:所述故障模式识别模型基于正态分布的离群点检测,其计算具体公式为:
其中Z表示观测数据点相对于正态分布的偏离程度,X表示观测电流、电压和频率数据点的值,μ表示正态分布的均值,σ表示正态分布的标准差,所述决策树分类模型具体公式为:
L=fk(Ai,θi)
其中L表示决策树叶子节点的故障类别,k表示特征向量数量,Ai表示第i个非叶子节点的特征向量,θi表示第i个非叶子节点的阈值,fk(x)表示左右子节点递归循环函数。
6.根据权利要求1所述的一种适用于分布式电源的配电网故障检测方法,其特征在于:所述步骤104中,电流信号峰值与正常预期峰值偏差的计算公式为:
P=Pa-Pb
其中P表示峰值偏差,Pa表示当前电流信号数据峰值,Pb表示正常预期峰值,所述电压变动率计算公式为:
其中TV表示电压变动率,Vmax表示电压波形的最大值,Vmin表示电压波形的最小值,Vn表示电压的波性基准值,所述实时频率和正常频率之间差异值范围计算公式为:
F=|Fr-Fn|
其中F表示频率变化范围,Fr表示实时频率,Fn表示正常频率。
7.根据权利要求1所述的一种适用于分布式电源的配电网故障检测方法,其特征在于:所述步骤105中,利用故障定位算法结合模型输出的结果,根据模型输出的结果和系统拓扑结构,定位故障发生的具体位置。
8.根据权利要求7所述的一种适用于分布式电源的配电网故障检测方法,其特征在于:所述故障定位算法具体公式为:
S=V*T
其中S表示故障位置距离电流、电压和频率测量点的距离,V表示电流、电压和频率信号传输速度,T表示传输电流、电压和频率测量点的时间。
9.根据权利要求1所述的一种适用于分布式电源的配电网故障检测方法,其特征在于:所述步骤106中,连接各个分布式电源和配电网络中的传感器和监测设备,根据故障诊断定位的结果,根据故障诊断定位的结果和云数据中心测试报告,通过可视化展示触发报警机制,利用远程监控中心实时监控设备的运行状态、参数设置,进行远程配置、升级、诊断操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395319.4A CN117406026A (zh) | 2023-10-26 | 2023-10-26 | 一种适用于分布式电源的配电网故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395319.4A CN117406026A (zh) | 2023-10-26 | 2023-10-26 | 一种适用于分布式电源的配电网故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117406026A true CN117406026A (zh) | 2024-01-16 |
Family
ID=89499560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311395319.4A Pending CN117406026A (zh) | 2023-10-26 | 2023-10-26 | 一种适用于分布式电源的配电网故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406026A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117714246A (zh) * | 2024-02-06 | 2024-03-15 | 成都宽域信息安全技术有限公司 | 一种宽频信号测量方法及系统 |
CN117849536A (zh) * | 2024-03-07 | 2024-04-09 | 江苏中恩网络科技有限公司 | 一种电网配电线路故障在线监测方法及系统 |
CN117849653B (zh) * | 2024-03-08 | 2024-05-07 | 备倍电科技(深圳)有限公司 | 一种基于电源管理的工作状态监测方法及系统 |
-
2023
- 2023-10-26 CN CN202311395319.4A patent/CN117406026A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117714246A (zh) * | 2024-02-06 | 2024-03-15 | 成都宽域信息安全技术有限公司 | 一种宽频信号测量方法及系统 |
CN117849536A (zh) * | 2024-03-07 | 2024-04-09 | 江苏中恩网络科技有限公司 | 一种电网配电线路故障在线监测方法及系统 |
CN117849653B (zh) * | 2024-03-08 | 2024-05-07 | 备倍电科技(深圳)有限公司 | 一种基于电源管理的工作状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
CN112101764B (zh) | 基于状态监测的船舶技术状况综合评估系统 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN110646685B (zh) | 一种开关柜状态综合评估方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN111627199A (zh) | 一种水电站大坝安全监测系统及监测方法 | |
CN117176560A (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN116184265A (zh) | 一种基于多分类svm的避雷器泄漏电流检测方法和系统 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
CN115037603A (zh) | 用电信息采集设备的诊断评估方法、装置及系统 | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
CN116881661A (zh) | 一种基于低压电力电容器的性能自动化分析方法及系统 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建系统 | |
CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
Gong et al. | State detection method of secondary equipment in smart substation based on deep belief network and trend prediction | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 | |
CN117764167A (zh) | 一种逆变器智能故障推理的方法 | |
CN117786578A (zh) | 一种电力运行状态检测方法、装置、设备及存储介质 | |
CN117575153A (zh) | 一种基于物联网的配电终端设备性能监管方法和系统 | |
CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、系统及存储介质 |
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 |