CN117406027A - 一种配电网故障测距方法及其系统 - Google Patents
一种配电网故障测距方法及其系统 Download PDFInfo
- Publication number
- CN117406027A CN117406027A CN202311395321.1A CN202311395321A CN117406027A CN 117406027 A CN117406027 A CN 117406027A CN 202311395321 A CN202311395321 A CN 202311395321A CN 117406027 A CN117406027 A CN 117406027A
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- data
- power distribution
- parameters
- 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
- 238000000691 measurement method Methods 0.000 title description 2
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 238000003384 imaging method Methods 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 230000008439 repair process Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000000819 phase cycle Methods 0.000 claims description 2
- 238000013024 troubleshooting Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008054 signal transmission 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
-
- 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)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种配电网故障测距方法及其系统,该系统包括数据采集模块、三维成像模块、故障识别模块、故障定位模块、故障修复模块和人机界面模块,通过建立配电网无线传感器网络实时获取配电网参数实时数据并整合环境信息,建立定点配电网三维坐标系成像,通过多种算法建立模型进行实时诊断分类新的故障数据参数,根据云数据修复策略和优先级,利用图表形式实时显示配电网数据,通过三维模型实时查看故障位置和定位结果,推送故障诊断修复方案于工作人员,提供工作人员和系统交互能力,有助于减少维护人员的搜索范围和排查时间,提高故障修复的效率,能够灵活配置在配电网的关键位置和故障频发区域。
Description
技术领域
本发明涉及电力系统保护与控制技术领域,具体涉及一种配电网故障测距方法,还涉及一种配电网故障测距系统。
背景技术
电力系统中故障事件不可避免,快速和精确的故障定位是保障电力系统运行稳定和提高电力系统可靠性的关键,快速故障定位的自动化方法能够更快地响应故障,并准确定位故障位置,提高电力系统的可靠性和安全性,减小故障影响范围。
传统数据传输通过电力通信网络,存在一定延迟,影响故障测距结果的实时性和准确性,监测设备采集频率低以及数据传输周期较长,无法及时反映电力系统的实际情况,目前的配电网传统测距方法缺失异常值处理和数据预处理,会对故障测距结果产生重大影响,导致测距错误和不准确,配电网通常具有复杂的拓扑结构和分布式特性,导致故障测距面临更大的挑战,受到信号传输延迟、噪声干扰和设备精度的因素影响,输出数据的精度存在误差。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种配电网故障测距方法及其系统。
为实现上述目的,本发明提供如下技术方案,一种配电网故障测距方法,包括以下步骤:
101、建立配电网网络获取配电网参数实时数据,对采集的原始数据预处理;
102、采集配电网相关数据,并进行滤波降噪处理,建立定点配电网三维坐标系成像,获取配电网硬件故障坐标点;
103、对步骤102处理的多个参数进行特征提取,建立故障识别模型,实时诊断分类新的故障数据参数;
104、根据配电网参数实时数据和线路三维模型数据建立故障测距模型,根据特征信息,预测故障位置,并输出故障距离的估计结果以及故障参数;
105、接收定位和诊断故障信息,根据云数据修复策略和优先级,生成故障修复方案;
106、实时显示配电网数据,通过三维模型实时查看故障位置和定位结果,推送故障诊断修复方案于工作人员。
优选地,上述步骤101中,建立配电网无线传感器网络实时获取配电网参数实时数据,通过温度、湿度传感器整合环境信息,利用最小-最大归一化对采集原始数据进行预处理,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。
优选地,上述步骤102中,等距安装配电网摄像头采集配电网相关数据,包括线路几何参数、拓扑关系、节点位置,并进行滤波降噪处理,滤波降噪公式为:
其中l′(x,y)表示滤波后的图像像素值,l(a,b)表示邻域像素的坐标,k2表示滤波器的大小。
优选地,上述步骤103中,利用均值方差和傅里叶算法对处理的多个参数进行特征提取,通过大量历史故障数据训练,利用卷积神经网络模型建立故障识别模型,进行实时诊断分类新的故障数据参数,傅里叶算法公式为:
其中X(k)表示频域序列中第k个频率分量的幅度和相位信息,x(n)表示时域信号,j表示虚数单位,满足j2=1,n表示时域序列的索引,从0到N-1,k表示频域序列的索引,从0到N-1,N表示时域信号序列的长度;获取频谱和相位信息,提取频谱幅度、相位信息以及频率因数特征作为特征向量。
优选地,上述卷积神经网络中卷积运算公式为:
其中ηk表示卷积层,k表示卷积核的个数,表示卷积核参数,θ表示偏置参数,x表示卷积,λ表示激活函数,划分训练集和测试集对模型进行训练和评估验证,根据评估结果进行模型调优,应用训练完成模型进行故障识别和分类,部署实时配电网系统,实现自动化故障识别。
优选地,上述步骤104中,利用神经网络算法根据配电网参数实时数据和线路三维模型数据建立故障测距模型,所述神经网络算法计算输出具体公式为:
其中a表示输出值,Af(x)表示激活函数,xi表示输入值,wi表示输入权重值,b表示偏置项,神经算法中前向传播计算具体公式为:
Z^(I)=W^(I)A^(I-1)+b^I
其中Z^(I)表示第l层的加权输入,W^(I)表示第l层的权重矩阵,A^(I-1)表示第l-1层的输出特征向量,b^I表示第l层的偏置向量,划分训练集和验证集进行交叉验证,输入特征信息进行故障定位,输出预测故障位置和故障距离并判断故障严重程度。
优选地,上述步骤105中,优先级计算具体公式为:
T=Wg*Wy*Ws
其中T表示优先级权重,Wg表示故障严重程度权重,Wy表示影响范围权重,其中使用区域的面积和用户数量度量影响范围,Ws设备类型权重,其中使用不同类型设备的贡献程度度量设备类型权重,基于定位和诊断结果、云端数据的修复策略和优先级,生成故障修复方案,包括设备更换、线路切换、维修组调度。
优选地,上述步骤106中,利用图表形式实时显示配电网数据,提供工作人员和系统交互能力,进行配置参数、实时修复方案以及记录导出相关数据。
应用于上述一种配电网故障测距方法的系统,该配电网故障测距系统包括:
数据采集模块,利用电流、电压、频率因数传感器建立配电网无线传感器网络,实时获取配电网相位角和相序参数实时数据,通过温度、湿度传感器整合环境信息,对采集原始数据进行预处理,包括滤波、去噪以及数据校正处理;
三维成像模块,等距安装配电网摄像头,收集配电网相关数据,包括线路几何参数、拓扑关系、节点位置,建立定点配电网三维坐标系模型,获取配电网硬件故障坐标点;
故障识别模块,对处理的多个参数进行特征提取,通过大量历史故障数据训练利用机器学习算法建立故障识别模型,进行实时诊断分类新的故障数据参数;
故障定位模块,利用神经网络算法根据实时数据和线路三维模型数据建立故障测距模型,根据输入的特征信息,准确预测故障位置,并输出故障距离的估计结果以及故障参数;
故障修复模块,接收定位和诊断故障信息,根据云数据修复策略和优先级,生成故障修复方案,包括设备更换、线路切换、维修组调度;
人机界面模块,利用图表形式实时显示配电网数据,利用三维模型实时查看故障位置和定位结果,推送故障诊断修复方案于工作人员,提供工作人员和系统交互能力,进行配置参数、实时修复方案以及记录导出相关数据。
相较现有技术,本发明具有以下优点:
本发明通过建立配电网无线传感器网络实时获取配电网参数实时数据并整合环境信息,建立定点配电网三维坐标系成像,能够实时提供故障位置的信息,通过多种算法建立模型进行实时诊断分类新的故障数据参数,能够实现高精度的故障定位和故障测距,根据云数据修复策略和优先级,生成故障修复方案,利用图表形式实时显示配电网数据,通过三维模型实时查看故障位置和定位结果,推送故障诊断修复方案于工作人员,提供工作人员和系统交互能力,有助于减少维护人员的搜索范围和排查时间,提高故障修复的效率,能够灵活配置在配电网的关键位置和故障频发区域。
附图说明
图1为本发明的系统结构框图;
图2为本发明的系统流程图。
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
如图1所示,本实施例提供了一种配电网故障测距系统,具体包括:数据采集模块、三维成像模块、故障识别模块、故障定位模块、故障修复模块和人机界面模块。
数据采集模块:利用电流、电压、频率因数传感器建立配电网无线传感器网络,实时获取配电网参数实时数据,通过温度、湿度传感器整合环境信息,对采集原始数据进行预处理,包括滤波、去噪以及数据校正处理;
在一个优选地实施方式中,所述数据采集模块包括无线传感器网络、环境信息整合以及数据预处理三个子单元,具体包括以下内容:
无线传感器网络:安装分布不同测量点的多个电流、电压和频率因数传感器并设置传感器节点,实时获取配电网电流相关数据参数,传感器节点通过连接配电网数据采集传感器,通过无线通信技术实现数据参数的采集、传输和共享。
环境信息整合:根据环境参数具体要求,安装多个环境传感器,包括温度传感器和湿度传感器,用于实时获取温度、湿度的环境参数,根据数据中心传输电力参数数据在相同时间轴进行整合,提供故障诊断和测距全面的背景信息。
数据预处理:根据环境信息数据和电力参数数据的频率特征,确定滤波保留有效频率范围,利用滑动窗口设置针对不同参数的滤波器,输入数据于滤波器获取滤波后的输出数据,保留输出数据所需的频率范围,并抑制其他频率范围的噪声和干扰,将所有数据信息利用最小-最大归一化缩小到指定范围,并映射到相同尺度进行数据校正处理,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。
三维成像模块:等距安装配电网摄像头,采集配电网相关数据,包括线路几何参数、拓扑关系、节点位置,建立定点配电网三维坐标系成像,获取配电网硬件故障坐标点。
在一个优选地实施方式中,所述三维成像模块包括摄像数据采集、线路信息提取、三维坐标成像三个子单元,具体包括以下内容:
摄像数据采集:安装等距配电网摄像头覆盖系统区域,用于实时获取配电网相关视频数据并进行预处理操作,包括视频降噪、增强和调整,利用均值滤波对每一帧图像进行降噪处理,用于去除视觉噪点和伪影,其具体计算公式为:
其中l′(x,y)表示滤波后的图像像素值,l(a,b)表示邻域像素的坐标,k2表示滤波器的大小,利用对比度增强改善图像的视觉质量和提高可见性,对于特定图像帧数要求进行调整操作,包括图像缩放、旋转、翻转以及色彩空间变换。
线路信息提取:将配电网线路目标视频数据作为训练集,标注目标位置和类别信息,搭建目标检测模型对输入视频数据进行逐帧分析和处理,并输出每个检测到的目标的类别、位置和置信度信息,根据检测到的线路目标,确定线路图像的位置和形状,并使用图像处理方法获取线路的几何参数,包括配电网长度、角度和高度,分析线路的连接方式和相互关系,推断出线路之间的拓扑关系,结合已知的系统拓扑结构,确定线路目标节点的位置。
三维坐标成像:根据摄像头布置的位置和角度,结合采集数据进行坐标系的成像操作,利用立体视觉和多视角集合,通过分析摄像头视角关系建立配电网线路三维坐标系,用于后续模块检测硬件故障点获取其在三维坐标系中坐标位置。
故障识别模块:对处理的多个参数进行特征提取,通过大量历史故障数据训练利用机器学习算法建立故障识别模型,进行实时诊断分类新的故障数据参数。
在一个优选地实施方式中,所述故障识别模块包括参数特征提取、故障识别模型两个子单元,具体包括以下内容:
参数特征提取:使用均值方差的统计特征提取温度、湿度的环境信息数据,用于描述数据集中趋势和数据离散程度,利用提取均值方差表示特征向量,对配电网参数时间域数据通过快速傅里叶算法高效实现转换频域,所述傅里叶算法具体公式为:
其中X(k)表示频域序列中第k个频率分量的幅度和相位信息,x(n)表示时域信号,j表示虚数单位,满足j2=1,n表示时域序列的索引,从0到N-1,k表示频域序列的索引,从0到N-1,N表示时域信号序列的长度,获取频谱和相位信息,提取频谱幅度、相位信息以及频率因数特征作为特征向量。
故障识别模型:利用提取的环境信息统计特征和配电网参数频域特征,建立卷积神经网络模型,设置模型结构设计,通过输入层接收环境信息统计特征和配电网参数频域特征作为输入,使用多个卷积核利用卷积运算提取特征,根据数据的复杂性和规模设置不同数量和大小的卷积核,通过最大池化减小特征图的尺寸并减少参数数量,将池化层输出的特征图展平,并连接到全连接层进行分类,根据故障类别的数量设置合适的输出节点,设置学习超参数和迭代次数超参数,控制每次参数更新的步长和模型训练的总轮数,所述卷积运算公式为:
其中ηk表示卷积层,k表示卷积核的个数,表示卷积核参数,θ表示偏置参数,x表示卷积,λ表示激活函数,划分训练集和测试集对模型进行训练和评估验证,根据评估结果进行模型调优,应用训练完成模型进行故障识别和分类,部署实时配电网系统,实现自动化故障识别。
故障定位模块:利用神经网络算法根据实时配电网参数数据和线路三维模型数据建立故障测距模型,根据输入的特征信息,准确预测故障位置,并输出故障距离的估计结果以及故障参数。
在一个优选地实施方式中,所述故障定位模块调用故障识别模块特征提取步骤,获取实时配电网参数数据和线路三维模型数据特征,使用已知故障数据对线路进行标注,包括故障位置、对应故障距离以及故障类型,特征和标签作为输入使用神经网络算法进行模型训练,利用神经元接收输入并计算距离输出值,通过层与层之间的前向传播实现信息流动和模型的计算,利用损失函数度量模型预测结果与真实标签之间的差距,所述计算输出具体公式为:
其中a表示输出值,Af(x)表示激活函数,xi表示输入值,wi表示输入权重值,b表示偏置项,所述前向传播计算具体公式为:
Z^(I)=W^(I)A^(I-1)+b^I
其中Z^(I)表示第l层的加权输入,W^(I)表示第l层的权重矩阵,A^(I-1)表示第l-1层的输出特征向量,b^I表示第l层的偏置向量,划分训练集和验证集进行交叉验证,输入特征信息进行故障定位,输出预测故障位置和故障距离并判断故障严重程度。
故障修复模块:接收定位和诊断故障信息,根据云数据修复策略和优先级,生成故障修复方案,包括设备更换、线路切换、维修组调度。
在一个优选地实施方式中,所述故障修复模块调用接收其他模块定位和诊断故障信息数据,包括故障类型、故障位置、故障距离和故障严重程度,系统利用无线通信技术访问数据存储和处理平台,获取相关修复故障策略和参数,包括故障类型历史数据、故障修复经验以及配电网修复手册,根据故障严重程度、影响范围、设备类型确定修复优先级,利用0到1数值表示优先级权重,其中1表示最高重要性,0表示最低重要性,其计算具体公式为:
T=Wg*Wy*Ws
其中T表示优先级权重,Wg表示故障严重程度权重,Wy表示影响范围权重,其中使用区域的面积和用户数量度量影响范围,Ws设备类型权重,其中使用不同类型设备的贡献程度度量设备类型权重,基于定位和诊断结果、云端数据的修复策略和优先级,生成故障修复方案,包括设备更换、线路切换、维修组调度。
人机界面模块:利用图表形式实时显示配电网数据,通过三维模型实时查看故障位置和定位结果,推送故障诊断修复方案于工作人员,提供工作人员和系统交互能力,进行配置参数、实时修复方案以及记录导出相关数据。
在一个优选地实施方式中,所述人机界面模块使用数据处理和分析得到的性能指标数据,生成各种图表和仪表盘,包括折线图、柱状图、饼图,展示系统的性能趋势、各个指标的变化情况,将多个指标的数据以仪表盘的形式展示,实现实时更新功能,保持展示的数据和系统的最新状态保持一致,提供交互功能,包括缩放、平移、筛选操作,工作人员根据需要自定义展示的内容和时间范围,利用图表形式实时显示配电网参数数据,包括电流、电压、频率因数以及温、湿度,通过三维模型实时查看故障位置和定位结果,推送故障诊断修复方案于工作人员,提供工作人员和系统交互能力,包括配置参数、输入修复方案,进行配置参数、实时修复方案以及记录导出相关数据。
实施例2
本实施例提供了如图2所示的一种配电网故障测距方法,具体包括以下步骤:
101、建立配电网无线传感器网络实时获取配电网参数实时数据,通过温度、湿度传感器整合环境信息,利用最小-最大归一化对采集原始数据进行预处理;
本实施例中,具体需要说明的是数据采集,数据采集模块包括无线传感器网络、环境信息整合以及数据预处理三个子单元,具体包括以下内容:
无线传感器网络:安装分布不同测量点的多个电流、电压和频率因数传感器并设置传感器节点,实时获取配电网电流相关数据参数,传感器节点通过连接配电网数据采集传感器,通过无线通信技术实现数据参数的采集、传输和共享。
环境信息整合:根据环境参数具体要求,安装多个环境传感器,包括温度传感器和湿度传感器,用于实时获取温度、湿度的环境参数,根据数据中心传输电力参数数据在相同时间轴进行整合,提供故障诊断和测距全面的背景信息。
数据预处理:根据环境信息数据和电力参数数据的频率特征,确定滤波保留有效频率范围,利用滑动窗口设置针对不同参数的滤波器,输入数据于滤波器获取滤波后的输出数据,保留输出数据所需的频率范围,并抑制其他频率范围的噪声和干扰,将所有数据信息利用最小-最大归一化缩小到指定范围,并映射到相同尺度进行数据校正处理,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。
102、等距安装配电网摄像头采集配电网相关数据,并进行滤波降噪处理,建立定点配电网三维坐标系成像,获取配电网硬件故障坐标点;
本实施例中,具体需要说明的是三维成像,三维成像模块包括摄像数据采集、线路信息提取、三维坐标成像三个子单元,具体包括以下内容:
摄像数据采集:安装等距配电网摄像头覆盖系统区域,用于实时获取配电网相关视频数据并进行预处理操作,包括视频降噪、增强和调整,利用均值滤波对每一帧图像进行降噪处理,用于去除视觉噪点和伪影,其具体计算公式为:
其中l′(x,y)表示滤波后的图像像素值,l(a,b)表示邻域像素的坐标,k2表示滤波器的大小,利用对比度增强改善图像的视觉质量和提高可见性,对于特定图像帧数要求进行调整操作,包括图像缩放、旋转、翻转以及色彩空间变换。
线路信息提取:将配电网线路目标视频数据作为训练集,标注目标位置和类别信息,搭建目标检测模型对输入视频数据进行逐帧分析和处理,并输出每个检测到的目标的类别、位置和置信度信息,根据检测到的线路目标,确定线路图像的位置和形状,并使用图像处理方法获取线路的几何参数,包括配电网长度、角度和高度,分析线路的连接方式和相互关系,推断出线路之间的拓扑关系,结合已知的系统拓扑结构,确定线路目标节点的位置。
三维坐标成像:根据摄像头布置的位置和角度,结合采集数据进行坐标系的成像操作,利用立体视觉和多视角集合,通过分析摄像头视角关系建立配电网线路三维坐标系,用于后续模块检测硬件故障点获取其在三维坐标系中坐标位置。
103、利用均值方差和傅里叶算法对处理的多个参数进行特征提取,通过大量历史故障数据训练利用卷积神经网络模型建立故障识别模型,进行实时诊断分类新的故障数据参数;
本实施例中,具体需要说明的是故障识别,故障识别模块包括参数特征提取、故障识别模型两个子单元,具体包括以下内容:
参数特征提取:使用均值方差的统计特征提取温度、湿度的环境信息数据,用于描述数据集中趋势和数据离散程度,利用提取均值方差表示特征向量,对配电网参数时间域数据通过快速傅里叶算法高效实现转换频域,所述傅里叶算法具体公式为:
其中X(k)表示频域序列中第k个频率分量的幅度和相位信息,x(n)表示时域信号,j表示虚数单位,满足j2=1,n表示时域序列的索引,从0到N-1,k表示频域序列的索引,从0到N-1,N表示时域信号序列的长度,获取频谱和相位信息,提取频谱幅度、相位信息以及频率因数特征作为特征向量。
故障识别模型:利用提取的环境信息统计特征和配电网参数频域特征,建立卷积神经网络模型,设置模型结构设计,通过输入层接收环境信息统计特征和配电网参数频域特征作为输入,使用多个卷积核利用卷积运算提取特征,根据数据的复杂性和规模设置不同数量和大小的卷积核,通过最大池化减小特征图的尺寸并减少参数数量,将池化层输出的特征图展平,并连接到全连接层进行分类,根据故障类别的数量设置合适的输出节点,设置学习超参数和迭代次数超参数,控制每次参数更新的步长和模型训练的总轮数,所述卷积运算公式为:
其中ηk表示卷积层,k表示卷积核的个数,表示卷积核参数,θ表示偏置参数,x表示卷积,λ表示激活函数,划分训练集和测试集对模型进行训练和评估验证,根据评估结果进行模型调优,应用训练完成模型进行故障识别和分类,部署实时配电网系统,实现自动化故障识别。
104、利用神经网络算法根据实时配电网参数数据和线路三维模型数据建立故障测距模型,根据输入的特征信息,准确预测故障位置,并输出故障距离的估计结果以及故障参数;
本实施例中,具体需要说明的是故障定位,故障定位模块调用故障识别模块特征提取步骤,获取实时配电网参数数据和线路三维模型数据特征,使用已知故障数据对线路进行标注,包括故障位置、对应故障距离以及故障类型,特征和标签作为输入使用神经网络算法进行模型训练,利用神经元接收输入并计算距离输出值,通过层与层之间的前向传播实现信息流动和模型的计算,利用损失函数度量模型预测结果与真实标签之间的差距,计算输出具体公式为:
其中a表示输出值,Af(x)表示激活函数,xi表示输入值,wi表示输入权重值,b表示偏置项,所述前向传播计算具体公式为:
Z^(I)=W^(I)A^(I-1)+b^I
其中Z^(I)表示第l层的加权输入,W^(I)表示第l层的权重矩阵,A^(I-1)表示第l-1层的输出特征向量,b^I表示第l层的偏置向量,划分训练集和验证集进行交叉验证,输入特征信息进行故障定位,输出预测故障位置和故障距离并判断故障严重程度。
105、接收定位和诊断故障信息,根据云数据修复策略和优先级,生成故障修复方案,包括设备更换、线路切换、维修组调度;
本实施例中,具体需要说明的是故障修复模块,所述故障修复模块调用接收其他模块定位和诊断故障信息数据,包括故障类型、故障位置、故障距离和故障严重程度,系统利用无线通信技术访问数据存储和处理平台,获取相关修复故障策略和参数,包括故障类型历史数据、故障修复经验以及配电网修复手册,根据故障严重程度、影响范围、设备类型确定修复优先级,利用0到1数值表示优先级权重,其中1表示最高重要性,0表示最低重要性,其计算具体公式为:
T=Wg*Wy*Ws
其中T表示优先级权重,Wg表示故障严重程度权重,Wy表示影响范围权重,其中使用区域的面积和用户数量度量影响范围,Ws设备类型权重,其中使用不同类型设备的贡献程度度量设备类型权重,基于定位和诊断结果、云端数据的修复策略和优先级,生成故障修复方案,包括设备更换、线路切换、维修组调度。
106、利用图表形式实时显示配电网数据,通过三维模型实时查看故障位置和定位结果,推送故障诊断修复方案于工作人员,提供工作人员和系统交互能力,进行配置参数、实时修复方案以及记录导出相关数据;
本实施例中,具体需要说明的是人机界面模块,所述人机界面模块使用数据处理和分析得到的性能指标数据,生成各种图表和仪表盘,包括折线图、柱状图、饼图,展示系统的性能趋势、各个指标的变化情况,将多个指标的数据以仪表盘的形式展示,实现实时更新功能,保持展示的数据和系统的最新状态保持一致,提供交互功能,包括缩放、平移、筛选操作,工作人员根据需要自定义展示的内容和时间范围,利用图表形式实时显示配电网参数数据,包括电流、电压、频率因数以及温、湿度,通过三维模型实时查看故障位置和定位结果,推送故障诊断修复方案于工作人员,提供工作人员和系统交互能力,包括配置参数、输入修复方案,进行配置参数、实时修复方案以及记录导出相关数据。
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。
Claims (9)
1.一种配电网故障测距方法,其特征在于,包括以下步骤:
101、获取配电网参数实时数据,对采集的原始数据预处理;
102、采集配电网相关数据,并进行滤波降噪处理,建立定点配电网三维坐标系成像,获取配电网硬件故障坐标点;
103、对步骤102处理的多个参数进行特征提取,建立故障识别模型,实时诊断分类新的故障数据参数;
104、根据配电网参数实时数据和线路三维模型数据建立故障测距模型,根据特征信息,预测故障位置,并输出故障距离的估计结果以及故障参数;
105、接收定位和诊断故障信息,根据云数据修复策略和优先级,生成故障修复方案;
106、实时显示配电网数据,通过三维模型实时查看故障位置和定位结果,推送故障诊断修复方案于工作人员。
2.根据权利要求1所述的一种配电网故障测距方法,其特征在于,所述步骤101中,建立配电网无线传感器网络获取配电网参数实时数据,通过温度、湿度传感器整合环境信息,利用最小-最大归一化对采集原始数据进行预处理,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。
3.根据权利要求1所述的一种配电网故障测距方法,其特征在于,所述步骤102中,等距安装配电网摄像头采集配电网相关数据,包括线路几何参数、拓扑关系、节点位置,并对相关数据进行滤波降噪处理,所述滤波降噪公式为:
其中l′(x,y)表示滤波后的图像像素值,l(a,b)表示邻域像素的坐标,k2表示滤波器的大小。
4.根据权利要求1所述的一种配电网故障测距方法,其特征在于,所述步骤103中,利用均值方差和傅里叶算法对处理的多个参数进行特征提取,通过大量历史故障数据训练,利用卷积神经网络模型建立故障识别模型,进行实时诊断分类新的故障数据参数,所述傅里叶算法公式为:
其中X(k)表示频域序列中第k个频率分量的幅度和相位信息,x(n)表示时域信号,j表示虚数单位,满足j2=1,n表示时域序列的索引,从0到N-1,k表示频域序列的索引,从0到N-1,N表示时域信号序列的长度;获取频谱和相位信息,提取频谱幅度、相位信息以及频率因数特征作为特征向量。
5.根据权利要求4所述的一种配电网故障测距方法,其特征在于,所述卷积神经网络中卷积运算公式为:
其中ηk表示卷积层,k表示卷积核的个数,表示卷积核参数,θ表示偏置参数,x表示卷积,λ表示激活函数,划分训练集和测试集对模型进行训练和评估验证,根据评估结果进行模型调优,应用训练完成模型进行故障识别和分类,部署实时配电网系统,实现自动化故障识别。
6.根据权利要求1所述的一种配电网故障测距方法,其特征在于,所述步骤104中,利用神经网络算法根据配电网参数实时数据和线路三维模型数据建立故障测距模型,所述神经网络算法计算输出公式为:
其中a表示输出值,Af(x)表示激活函数,xi表示输入值,wi表示输入权重值,b表示偏置项,所述神经算法中前向传播计算公式为:
Z^(I)=W^(I)A^(I-1)+b^I
其中Z^(I)表示第l层的加权输入,W^(I)表示第l层的权重矩阵,A^(I-1)表示第l-1层的输出特征向量,b^I表示第l层的偏置向量,划分训练集和验证集进行交叉验证,输入特征信息进行故障定位,输出预测故障位置和故障距离并判断故障严重程度。
7.根据权利要求1所述的一种配电网故障测距方法,其特征在于,所述步骤105中,优先级计算公式为:
T=Wg*Wy*Ws
其中T表示优先级权重,Wg表示故障严重程度权重,Wy表示影响范围权重,其中使用区域的面积和用户数量度量影响范围,Ws设备类型权重,其中使用不同类型设备的贡献程度度量设备类型权重,基于定位和诊断结果、云端数据的修复策略和优先级,生成故障修复方案,包括设备更换、线路切换、维修组调度。
8.根据权利要求1所述的一种配电网故障测距方法,其特征在于,所述步骤106中,利用图表形式实时显示配电网数据,提供工作人员和系统交互能力,进行配置参数、实时修复方案以及记录导出相关数据。
9.一种配电网故障测距系统应用于如权利要求1-8任一所述的一种配电网故障测距方法,其特征在于,所述故障测距系统包括:
数据采集模块,利用电流、电压、频率因数传感器建立配电网无线传感器网络,实时获取配电网相位角和相序参数实时数据,通过温度、湿度传感器整合环境信息,对采集原始数据进行预处理,包括滤波、去噪以及数据校正处理;
三维成像模块,等距安装配电网摄像头,收集配电网相关数据,包括线路几何参数、拓扑关系、节点位置,建立定点配电网三维坐标系模型,获取配电网硬件故障坐标点;
故障识别模块,对处理的多个参数进行特征提取,通过大量历史故障数据训练利用机器学习算法建立故障识别模型,进行实时诊断分类新的故障数据参数;
故障定位模块,利用神经网络算法根据实时数据和线路三维模型数据建立故障测距模型,根据输入的特征信息,准确预测故障位置,并输出故障距离的估计结果以及故障参数;
故障修复模块,接收定位和诊断故障信息,根据云数据修复策略和优先级,生成故障修复方案,包括设备更换、线路切换、维修组调度;
人机界面模块,利用图表形式实时显示配电网数据,利用三维模型实时查看故障位置和定位结果,推送故障诊断修复方案于工作人员,提供工作人员和系统交互能力,进行配置参数、实时修复方案以及记录导出相关数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395321.1A CN117406027A (zh) | 2023-10-26 | 2023-10-26 | 一种配电网故障测距方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395321.1A CN117406027A (zh) | 2023-10-26 | 2023-10-26 | 一种配电网故障测距方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117406027A true CN117406027A (zh) | 2024-01-16 |
Family
ID=89495707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311395321.1A Pending CN117406027A (zh) | 2023-10-26 | 2023-10-26 | 一种配电网故障测距方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406027A (zh) |
Cited By (1)
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 |
-
2023
- 2023-10-26 CN CN202311395321.1A patent/CN117406027A/zh active Pending
Cited By (2)
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 |
---|---|---|
JP6313929B2 (ja) | 構造物を監視するための方法及びシステム | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN117406027A (zh) | 一种配电网故障测距方法及其系统 | |
CN114266944B (zh) | 快速模型训练结果检验系统 | |
CN111896549A (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
CN108921840A (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
CN115277464A (zh) | 基于多维时间序列分析的云网络变更流量异常检测方法 | |
CN113902710A (zh) | 基于异常检测算法进行工业零件表面缺陷检测方法及系统 | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
CN116704733A (zh) | 铝合金电缆的老化预警方法和系统 | |
CN112419243A (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN112419301A (zh) | 一种基于多源数据融合的电力设备缺陷诊断装置及方法 | |
CN116840240A (zh) | 电源分配器视觉检测系统 | |
KR102470520B1 (ko) | 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 | |
CN115980690A (zh) | 晴空回波识别模型构建方法、晴空回波滤波方法及装置 | |
CN115830514A (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN116451554A (zh) | 考虑多种气象因子的电网气象风险预测方法 | |
CN113781436B (zh) | 一种基于摄像机和角度测量的高压开关状态监测方法 | |
CN113077002A (zh) | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 | |
CN113468823A (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN116754467B (zh) | 一种天然橡胶老化性能的测评方法 | |
CN110688919A (zh) | 一种智能巡线故障识别方法 | |
CN117291443B (zh) | 基于多维感知技术的智能放线系统 |
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 |