CN117420380A - 一种配电网故障预警、处置方法及系统 - Google Patents
一种配电网故障预警、处置方法及系统 Download PDFInfo
- Publication number
- CN117420380A CN117420380A CN202311185298.3A CN202311185298A CN117420380A CN 117420380 A CN117420380 A CN 117420380A CN 202311185298 A CN202311185298 A CN 202311185298A CN 117420380 A CN117420380 A CN 117420380A
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- power distribution
- area
- model
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 13
- 230000036541 health Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 230000008439 repair process Effects 0.000 description 8
- 238000009413 insulation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003466 welding 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
-
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网故障预警、处置方法及系统，涉及配电网预警技术领域，包括：收集配电网数据信息，构建模型并定义边界；实时监测配电网的状态，当监控到异常信号；将实际的故障信息与模型进行对比，判断是否发生故障，识别出故障区域范围；在已定位的故障区域内，进行初步的故障检查，对于初步的故障检查结果，执行初步调整策略；初步调整策略后，再次验证故障是否已被锁定和消除，对处理过的区域进行测试，判断是否恢复正常。本发明提供的配电网故障预警、处置方法提高了故障检测的准确性和及时性。降低了突发故障的风险。减少人为因素的干扰，提高故障处理的自动化程度，不断优化和迭代故障处理策略，提高了配电网的整体稳定性和可靠性。
Description
技术领域
本发明涉及配电网预警技术领域，具体为一种配电网故障预警、处置方法及系统。
背景技术
随着现代社会对电能的日益依赖，配电网的稳定与可靠运行已成为一项重要的议题。传统的配电网故障诊断方法主要基于设备的物理特性和经验规则来进行，例如，通过测量设备的电流、电压和温度等参数，结合经验阈值进行判断。但这种方法对于复杂、动态的配电网系统来说，存在明显的局限性：首先，这种方法对于隐藏的、不易察觉的故障难以及时发现；其次，基于经验的阈值可能并不适用于所有场景，容易导致误报或漏报。
配电网故障预警是指通过监测、分析和预测配电网运行状态的技术手段，提前预测和警示可能发生的故障情况。但是现有的处理方式一般是通过报警告诉工作人员出现问题并不会表示那一区域出现问题，需要工作人员多整个配电网进行逐个排查才能检测出问题所在，这样的处置放置大大降低了工作人员在实际工作过程中的工作效率，从而使得其在实际使用过程中的实用性有所降低。
而在大量的历史故障数据、设备信息和电网的运行数据中，蕴含了大量的知识和规律，如果能有效利用这些数据，构建模型进行故障的预测和定位，将极大地提高配电网的稳定性和可靠性。
因此亟需一种配电网故障预警、处置方法，解决传统方法在处理配电网故障时的局限性问题，无法及时识别隐藏和即将发生的故障。依赖于经验阈值，导致误报和漏报。对于复杂和动态变化的配电网，传统方法的适应性差。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有基于经验规则的配电网故障诊断方法存在无法及时识别隐藏故障、依赖经验导致误报和漏报，以及如何实现基于数据驱动的故障预测和处理的优化问题。
为解决上述技术问题，本发明提供如下技术方案：一种配电网故障预警、处置方法，包括：收集配电网数据信息，构建模型并定义边界；实时监测配电网的状态，当监控到异常信号；将实际的故障信息与模型进行对比，判断是否发生故障，识别出故障区域范围；在已定位的故障区域内，进行初步的故障检查，对于初步的故障检查结果，执行初步调整策略；初步调整策略后，再次验证故障是否已被锁定和消除，对处理过的区域进行测试，判断是否恢复正常；对已处理和验证无误的区域，恢复其正常运行，基于故障调整策略对配电网执行维护策略迭代。
作为本发明所述的配电网故障预警、处置方法的一种优选方案，其中：所述收集配电网数据信息包括配电网的拓扑结构、设备信息、连接方式、实时电气参数、历史故障数据、功能信息和地理位置；
所述构建模型包括：根据配电网的拓扑结构，识别供电节点和分支节点，确定节点间的连通关系，集成设备属性，构建随机森林模型，基于历史数据训练所述模型；
所述定义边界包括：根据所述配电网数据信息，划分为子区域，确定子区域的边界上的关键节点，根据节点连通关系，绘制子区域的边界线，标注连接的设备类型、线路规格和传输能力信息。
作为本发明所述的配电网故障预警、处置方法的一种优选方案，其中：所述监测配电网的状态包括利用随机森林模型对实时电气参数进行预测，得到当前时刻每个子区域的故障概率，将模型的预测结果与实际采集的数据进行比对，若子区域的实际参数与模型预测偏差大于预设第一阈值，标记为一次疑似异常，对标记子区域进行故障定位加权，计算出每个疑似故障区域的权重，对标记子区域计算健康评分，若健康评分低于设定的阈值，确认为二次疑似异常，若子区域确认为二次疑似异常，根据子区域的定义边界信息和节点连通关系，确定故障的范围，若子区域的实际参数与模型预测偏差大于预设第一阈值，标记为异常，执行策略进行设备调整；
所述疑似故障区域的权重表示为，
其中，ωi表示第i个区域的权重，表示第i个区域的状态误差，j表示疑似故障的区域指标。
作为本发明所述的配电网故障预警、处置方法的一种优选方案，其中：所述初步的故障检查表示为，
Qn＝∫|Bn(t)|2dt
Φ＝αωi+βQn+γIn
其中，Z(t)表示实时电气参数，Bn(t)表示第n层的小波变换近似系数，Gn,m(t)表示第n层、m位置的小波变换细节系数，Qn表示第n层的小波变换近似系数的能量，In表示第n层的小波变换近似系数的熵，Φ表示综合评分，α,β,γ表示权重参数。
作为本发明所述的配电网故障预警、处置方法的一种优选方案，其中：所述初步的故障检查包括当Φ＜60时，判断设备稳定状态A1，当60≤Φ≤85时，判断设备不稳定状态A2，当Φ＞85时，判断设备故障状态A3。
作为本发明所述的配电网故障预警、处置方法的一种优选方案，其中：所述初步调整策略包括当判断设备状态为A1时按照预设周期对系统进行健康检查，执行设备自检、通讯链路检查，备份数据参数，执行预设算法自动优化供电策略；
当判断设备状体为A2时，确定故障区域，并与正常供电区域隔离，使用备用供电路径绕过故障区域，恢复部分供电，通过故障录波、时域反射技术定位精准故障点，根据故障类型，进行修复；
当判断设备状体为A3时，使用快速傅里叶变换分析信号的频域成分，判断是否存在高于预设值的谐波成分，利用相量图查看电流和电压的相位关系，判断是否存在偏差，利用深度神经网络对输入信号进行分类，将当前的电气参数与历史正常值进行对比，若差异超过预设阈值判断为设备不稳定状态A2，执行A2调整策略，若差异未超过预设阈值判断为设备稳定状态A1，执行A1调整策略。
作为本发明所述的配电网故障预警、处置方法的一种优选方案，其中：所述对处理过的区域进行测试包括再次从执行调整策略后的区域收集实时参数，使用深度学习模型对新数据进行预测，判断此区域是否有可能的故障发生，基于预测模型的结果，比较实时监测的结果和预测模型的输出，判断实际的运行状态是否与预测相符，若输出对比差值小于预设阈值判断已处理且验证无误区域，恢复其正常运行。
本发明的另外一个目的是提供一种配电网故障预警、处置系统，其能通过利用大数据和机器学习技术对配电网的状态进行实时监测和预测，解决了故障检测的不及时和不准确问题。
为解决上述技术问题，本发明提供如下技术方案：一种配电网故障预警、处置系统，包括：数据收集模块、模型构建模块、故障检测模块以及故障处理模块；所述数据收集模块用于从配电网中收集所需的各种数据，对收集的数据进行预处理；所述模型构建模块用于根据历史数据和配电网的特性构建随机森林模型，使用历史数据对模型进行训练，进行模型迭代和优化；所述故障检测模块用于对实时的配电网数据进行实时监测和分析，利用模型构建模块中训练好的模型预测配电网的健康状况，并根据阈值判断是否出现故障，进一步进行故障定位，精确确定故障位置和原因；所述故障处理模块用于根据故障检测模块的结果，确定处理策略，进行后续的验证和测试，根据历史故障和处理结果，调整和优化处理策略。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述配电网故障预警、处置方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述配电网故障预警、处置方法的步骤。
本发明的有益效果：本发明提供的配电网故障预警、处置方法利用大数据和机器学习技术，提高了故障检测的准确性和及时性。能够对配电网的健康状况进行实时监测和预测，降低了突发故障的风险。减少了人为因素的干扰，提高了故障处理的自动化程度。通过系统的自我学习，不断优化和迭代故障处理策略，提高了配电网的整体稳定性和可靠性。
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为本发明一个实施例提供的一种配电网故障预警、处置方法的整体流程图。
图2为本发明第二个实施例提供的一种配电网故障预警、处置系统的整体结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种配电网故障预警、处置方法，包括：
收集配电网数据信息，构建模型并定义边界；实时监测配电网的状态，当监控到异常信号；将实际的故障信息与模型进行对比，判断是否发生故障，识别出故障区域范围；在已定位的故障区域内，进行初步的故障检查，对于初步的故障检查结果，执行初步调整策略；初步调整策略后，再次验证故障是否已被锁定和消除，对处理过的区域进行测试，判断是否恢复正常；对已处理和验证无误的区域，恢复其正常运行，基于故障调整策略对配电网执行维护策略迭代。
收集配电网数据信息包括配电网的拓扑结构、设备信息、连接方式、实时电气参数、历史故障数据、功能信息和地理位置；构建模型包括：根据配电网的拓扑结构，识别供电节点和分支节点，确定节点间的连通关系，集成设备属性，构建随机森林模型，基于历史数据训练模型；定义边界包括：根据配电网数据信息，划分为子区域，确定子区域的边界上的关键节点，根据节点连通关系，绘制子区域的边界线，标注连接的设备类型、线路规格和传输能力信息。
监测配电网的状态包括利用随机森林模型对实时电气参数进行预测，得到当前时刻每个子区域的故障概率，将模型的预测结果与实际采集的数据进行比对，若子区域的实际参数与模型预测偏差大于预设第一阈值，标记为一次疑似异常，对标记子区域进行故障定位加权，计算出每个疑似故障区域的权重，对标记子区域计算健康评分，若健康评分低于设定的阈值，确认为二次疑似异常，若子区域确认为二次疑似异常，根据子区域的定义边界信息和节点连通关系，确定故障的范围，若子区域的实际参数与模型预测偏差大于预设第一阈值，标记为异常，执行策略进行设备调整；
疑似故障区域的权重表示为，
其中，ωi表示第i个区域的权重，表示第i个区域的状态误差，j表示疑似故障的区域指标。
初步的故障检查表示为，
Qn＝∫|Bn(t)|2dt
Φ＝αωi+βQn+γIn
其中，Z(t)表示实时电气参数，Bn(t)表示第n层的小波变换近似系数，Gn,m(t)表示第n层、m位置的小波变换细节系数，Qn表示第n层的小波变换近似系数的能量，In表示第n层的小波变换近似系数的熵，Φ表示综合评分，α,β,γ表示权重参数。
初步的故障检查包括当Φ＜60时，判断设备稳定状态A1，当60≤Φ≤85时，判断设备不稳定状态A2，当Φ＞85时，判断设备故障状态A3。
初步调整策略包括当判断设备状态为A1时按照预设周期对系统进行健康检查，执行设备自检、通讯链路检查，备份数据参数，执行预设算法自动优化供电策略。
当判断设备状体为A2时，确定故障区域，并与正常供电区域隔离，使用备用供电路径绕过故障区域，恢复部分供电，通过故障录波、时域反射技术定位精准故障点，根据故障类型，进行修复。
故障区域修复中，根据故障的性质和程度，采取相应的措施对故障区域进行隔离，并切断相应的电源，故障排查过程中需要对输电线路和电缆进行检查，包括检查是否存在断线、短路、接触不良等问题，可以通过视觉观察和测量测试来确定线路的连通性、绝缘状况以及电阻等参数，以便发现并修复线路故障。
检查是否存在断线、短路、接触不良等问题，可以通过视觉观察和测量测试来确定线路的连通性、绝缘状况以及电阻等参数，以便发现并修复线路故障，以及需要检查变压器瓦片、线圈、绝缘体等部位是否存在破损、老化、绝缘失效等问题，并检查接线端子、开关、仪表等配电设备是否运行正常，排查过程中还会进行温度测量、绝缘测试等，以确定设备是否存在故障。
当确定了故障的具体部位或元件后，可以尝试修复故障，修复的目标是通过修补、调整或重新配置来修复故障元件，使其恢复正常工作状态，修复的过程可能包括清洁、紧固连接、更换电线、焊接、调整参数等操作，修复的关键是确保修复措施可靠、安全并符合相关技术标准和规范。
在某些情况下，修复可能无法有效解决故障或故障元件已经达到无法修复的状态，这时需要进行更换，更换的目标是将故障元件完全替换为新的、正常工作的元件，更换的过程可能涉及拆卸、取下旧元件、安装新元件、重新连接电路等操作，在更换过程中需要注意选择适配的元件，并确保操作过程安全、有效，更换后还需要进行相应的测试和验证，以确保故障已经得到修复。
例如进行绝缘测试、电阻测量、负荷试验等，若是结果检测以及供电测试尚未发现问题之后工作人员可以根据问题对操作进行记录反馈；若是尚未解决问题需要工作人员重新断电进行排查检测。
当判断设备状体为A3时，使用快速傅里叶变换分析信号的频域成分，判断是否存在高于预设值的谐波成分，利用相量图查看电流和电压的相位关系，判断是否存在偏差，利用深度神经网络对输入信号进行分类，将当前的电气参数与历史正常值进行对比，若差异超过预设阈值判断为设备不稳定状态A2，执行A2调整策略，若差异未超过预设阈值判断为设备稳定状态A1，执行A1调整策略。
对处理过的区域进行测试包括再次从执行调整策略后的区域收集实时参数，使用深度学习模型对新数据进行预测，判断此区域是否有可能的故障发生，基于预测模型的结果，比较实时监测的结果和预测模型的输出，判断实际的运行状态是否与预测相符，若输出对比差值小于预设阈值判断已处理且验证无误区域，恢复其正常运行。
实施例2
参照图2，为本发明的一个实施例，提供了一种配电网故障预警、处置系统，包括：
数据收集模块、模型构建模块、故障检测模块以及故障处理模块。
数据收集模块用于从配电网中收集所需的各种数据，对收集的数据进行预处理。
模型构建模块用于根据历史数据和配电网的特性构建随机森林模型，使用历史数据对模型进行训练，进行模型迭代和优化。
故障检测模块用于对实时的配电网数据进行实时监测和分析，利用模型构建模块中训练好的模型预测配电网的健康状况，并根据阈值判断是否出现故障，进一步进行故障定位，精确确定故障位置和原因。
故障处理模块用于根据故障检测模块的结果，确定处理策略，进行后续的验证和测试，根据历史故障和处理结果，调整和优化处理策略。
实施例3
本发明的一个实施例，其不同于前两个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明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。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
实施例4
为本发明的一个实施例，提供了一种配电网故障预警、处置方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
验证配电网故障预警、处置系统在真实环境下的有效性，并与传统方法进行对比，从而证明新系统的优越性。
选择某城市的5个配电站作为实验对象，每个站点都具有相似的负载和设备配置。
在每个配电站同时部署传统的故障预警方法和本发明的系统，为期三个月的持续监测。
对以下指标进行记录：总故障次数、误报次数、漏报次数、平均故障处理时间、故障处理成功率，实验结果如表1所示。
表1实验结果对比表
本发明的配电网故障预警、处置系统具有更低的误报率。误报会浪费维护团队的时间，导致不必要的维修成本和系统宕机。与传统方法相比，本系统能更准确地检测实际故障，从而降低误报。
我方发明方法的漏报次数也有所降低。即使在隐蔽的、不易察觉的情况下，本系统也能够及时检测到潜在的故障。
我方发明方法能够缩短平均故障处理时间，这显示了它在故障发生后的快速响应能力。快速响应不仅减少了停机时间，而且可以避免更大的损坏或更多的能源浪费。
本发明方法的成功处理率普遍高于传统方法。这意味着，与传统方法相比，我方发明方法能够更准确、更迅速地识别故障原因，并提供相应的解决方案。
从长远来看，减少误报和漏报，以及提高故障处理效率，不仅可以为企业节省大量的维护成本，还可以显著提高配电网的可靠性和稳定性。这将为用户提供更为稳定的电力供应，减少因故障导致的潜在风险。
本发明的配电网故障预警、处置系统具有广泛的适用性。从给出的5个配电站的数据中可以看出，无论配电站的规模和故障频率如何，我方发明方法都显示出了明显的优越性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种配电网故障预警、处置方法，其特征在于，包括：
收集配电网数据信息，构建模型并定义边界；
实时监测配电网的状态，当监控到异常信号；
将实际的故障信息与模型进行对比，判断是否发生故障，识别出故障区域范围；
在已定位的故障区域内，进行初步的故障检查，对于初步的故障检查结果，执行初步调整策略；
初步调整策略后，再次验证故障是否已被锁定和消除，对处理过的区域进行测试，判断是否恢复正常；
对已处理和验证无误的区域，恢复其正常运行，基于故障调整策略对配电网执行维护策略迭代。
2.如权利要求1所述的配电网故障预警、处置方法，其特征在于：所述收集配电网数据信息包括配电网的拓扑结构、设备信息、连接方式、实时电气参数、历史故障数据、功能信息和地理位置；
所述构建模型包括：根据配电网的拓扑结构，识别供电节点和分支节点，确定节点间的连通关系，集成设备属性，构建随机森林模型，基于历史数据训练所述模型；
所述定义边界包括：根据所述配电网数据信息，划分为子区域，确定子区域的边界上的关键节点，根据节点连通关系，绘制子区域的边界线，标注连接的设备类型、线路规格和传输能力信息。
3.如权利要求2所述的配电网故障预警、处置方法，其特征在于：所述监测配电网的状态包括利用随机森林模型对实时电气参数进行预测，得到当前时刻每个子区域的故障概率，将模型的预测结果与实际采集的数据进行比对，若子区域的实际参数与模型预测偏差大于预设第一阈值，标记为一次疑似异常，对标记子区域进行故障定位加权，计算出每个疑似故障区域的权重，对标记子区域计算健康评分，若健康评分低于设定的阈值，确认为二次疑似异常，若子区域确认为二次疑似异常，根据子区域的定义边界信息和节点连通关系，确定故障的范围，若子区域的实际参数与模型预测偏差大于预设第一阈值，标记为异常，执行策略进行设备调整；
所述疑似故障区域的权重表示为，
其中，ωi表示第i个区域的权重，表示第i个区域的状态误差，j表示疑似故障的区域指标。
4.如权利要求3所述的配电网故障预警、处置方法，其特征在于：所述初步的故障检查表示为，
Qn＝∫|Bn(t)|2dt
Φ＝αωi+βQn+γIn
其中，Z(t)表示实时电气参数，Bn(t)表示第n层的小波变换近似系数，Gn,m(t)表示第n层、m位置的小波变换细节系数，Qn表示第n层的小波变换近似系数的能量，In表示第n层的小波变换近似系数的熵，Φ表示综合评分，α,β,γ表示权重参数。
5.如权利要求4所述的配电网故障预警、处置方法，其特征在于：所述初步的故障检查包括当Φ＜60时，判断设备稳定状态A1，当60≤Φ≤85时，判断设备不稳定状态A2，当Φ＞85时，判断设备故障状态A3。
6.如权利要求5所述的配电网故障预警、处置方法，其特征在于：所述初步调整策略包括当判断设备状体为A1时按照预设周期对系统进行健康检查，执行设备自检、通讯链路检查，备份数据参数，执行预设算法自动优化供电策略；
当判断设备状体为A2时，确定故障区域，并与正常供电区域隔离，使用备用供电路径绕过故障区域，恢复部分供电，通过故障录波、时域反射技术定位精准故障点，根据故障类型，进行修复；
当判断设备状体为A3时，使用快速傅里叶变换分析信号的频域成分，判断是否存在高于预设值的谐波成分，利用相量图查看电流和电压的相位关系，判断是否存在偏差，利用深度神经网络对输入信号进行分类，将当前的电气参数与历史正常值进行对比，若差异超过预设阈值判断为设备不稳定状态A2，执行A2调整策略，若差异未超过预设阈值判断为设备稳定状态A1，执行A1调整策略。
7.如权利要求6所述的配电网故障预警、处置方法，其特征在于：所述对处理过的区域进行测试包括再次从执行调整策略后的区域收集实时参数，使用深度学习模型对新数据进行预测，判断此区域是否有可能的故障发生，基于预测模型的结果，比较实时监测的结果和预测模型的输出，判断实际的运行状态是否与预测相符，若输出对比差值小于预设阈值判断已处理且验证无误区域，恢复其正常运行。
8.一种采用如权利要求1～7任一所述的配电网故障预警、处置方法的系统，其特征在于，包括：数据收集模块、模型构建模块、故障检测模块以及故障处理模块；
所述数据收集模块用于从配电网中收集所需的各种数据，对收集的数据进行预处理；
所述模型构建模块用于根据历史数据和配电网的特性构建随机森林模型，使用历史数据对模型进行训练，进行模型迭代和优化；
所述故障检测模块用于对实时的配电网数据进行实时监测和分析，利用模型构建模块中训练好的模型预测配电网的健康状况，并根据阈值判断是否出现故障，进一步进行故障定位，精确确定故障位置和原因；
所述故障处理模块用于根据故障检测模块的结果，确定处理策略，进行后续的验证和测试，根据历史故障和处理结果，调整和优化处理策略。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的配电网故障预警、处置方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的配电网故障预警、处置方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311185298.3A CN117420380A (zh) | 2023-09-14 | 2023-09-14 | 一种配电网故障预警、处置方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311185298.3A CN117420380A (zh) | 2023-09-14 | 2023-09-14 | 一种配电网故障预警、处置方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117420380A true CN117420380A (zh) | 2024-01-19 |
Family
ID=89531508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311185298.3A Pending CN117420380A (zh) | 2023-09-14 | 2023-09-14 | 一种配电网故障预警、处置方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117420380A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117665546A (zh) * | 2024-02-02 | 2024-03-08 | 深圳市鑫恒天电子有限公司 | 一种pcba板的自动化测试方法及系统 |
| CN117706943A (zh) * | 2024-02-06 | 2024-03-15 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
| CN117761469A (zh) * | 2024-02-22 | 2024-03-26 | 陕西公众电气股份有限公司 | 一种诊断配电网架空线路局部放电的巡检方法及系统 |
| CN117879176A (zh) * | 2024-01-22 | 2024-04-12 | 广东阿马托科技有限公司 | 一种配电网全景信息可视化监测系统及方法 |
| CN117973902A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于保电平台故障处置智能决策方法及系统 |
| CN118035852A (zh) * | 2024-04-12 | 2024-05-14 | 山东三牛机械集团股份有限公司 | 一种基于集成学习的鼓风机寿命预测及故障分析检测系统 |
| CN118101429A (zh) * | 2024-04-26 | 2024-05-28 | 国网福建省电力有限公司信息通信分公司 | 一种配电网通信故障诊断方法及系统 |
| CN118275824A (zh) * | 2024-05-30 | 2024-07-02 | 深圳友讯达科技股份有限公司 | 基于环网箱的智能化检测预警方法及相关设备 |
| CN118367682A (zh) * | 2024-06-19 | 2024-07-19 | 赛润电气(杭州)有限公司 | 一种电气设备智能状态识别调控方法及系统 |
| CN118472942A (zh) * | 2024-07-09 | 2024-08-09 | 江苏思行达信息技术股份有限公司 | 一种基于电力源网荷系统控制终端的检测方法及装置 |
-
2023
- 2023-09-14 CN CN202311185298.3A patent/CN117420380A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117879176A (zh) * | 2024-01-22 | 2024-04-12 | 广东阿马托科技有限公司 | 一种配电网全景信息可视化监测系统及方法 |
| CN117665546A (zh) * | 2024-02-02 | 2024-03-08 | 深圳市鑫恒天电子有限公司 | 一种pcba板的自动化测试方法及系统 |
| CN117665546B (zh) * | 2024-02-02 | 2024-04-30 | 深圳市鑫恒天电子有限公司 | 一种pcba板的自动化测试方法及系统 |
| CN117706943A (zh) * | 2024-02-06 | 2024-03-15 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
| CN117706943B (zh) * | 2024-02-06 | 2024-04-16 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
| CN117761469A (zh) * | 2024-02-22 | 2024-03-26 | 陕西公众电气股份有限公司 | 一种诊断配电网架空线路局部放电的巡检方法及系统 |
| CN117973902A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于保电平台故障处置智能决策方法及系统 |
| CN118035852A (zh) * | 2024-04-12 | 2024-05-14 | 山东三牛机械集团股份有限公司 | 一种基于集成学习的鼓风机寿命预测及故障分析检测系统 |
| CN118101429A (zh) * | 2024-04-26 | 2024-05-28 | 国网福建省电力有限公司信息通信分公司 | 一种配电网通信故障诊断方法及系统 |
| CN118275824A (zh) * | 2024-05-30 | 2024-07-02 | 深圳友讯达科技股份有限公司 | 基于环网箱的智能化检测预警方法及相关设备 |
| CN118275824B (zh) * | 2024-05-30 | 2024-08-13 | 深圳友讯达科技股份有限公司 | 基于环网箱的智能化检测预警方法及相关设备 |
| CN118367682A (zh) * | 2024-06-19 | 2024-07-19 | 赛润电气(杭州)有限公司 | 一种电气设备智能状态识别调控方法及系统 |
| CN118472942A (zh) * | 2024-07-09 | 2024-08-09 | 江苏思行达信息技术股份有限公司 | 一种基于电力源网荷系统控制终端的检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117420380A (zh) | 一种配电网故障预警、处置方法及系统 | |
| KR102092185B1 (ko) | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 | |
| CN107831422B (zh) | 一种gis设备局部放电诊断方法及系统 | |
| CN107203816B (zh) | 一种电力系统二次设备的故障检修方法及系统 | |
| CN112713649B (zh) | 一种基于极限学习机的电力设备剩余寿命预测方法 | |
| WO2009005810A1 (en) | System and method for predictive maintenance of a battery assembly using temporal signal processing | |
| GB2522926A (en) | Method of identifying anomalies | |
| CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
| CN118112359B (zh) | 基于物联网的开关柜故障诊断方法及系统 | |
| CN118091490B (zh) | 一种架空高压电缆线路电流检测方法 | |
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及系统 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
| CN117533180A (zh) | 一种充电桩安全防护的评估方法及系统 | |
| CN117607531A (zh) | 一种变电站直流系统故障排查系统及其排查方法 | |
| CN117686829A (zh) | 一种集电线路故障预警系统及方法 | |
| CN117040111A (zh) | 一种用于辅助水电站智慧运行的方法及系统 | |
| CN116247820A (zh) | 一种自主运维管理系统 | |
| CN105138755A (zh) | 一种液体火箭发动机试验台故障响应生成器的设计方法 | |
| Lapworth et al. | Transformer failure modes and planned replacement | |
| KR20240013412A (ko) | 인공지능 기반 전력설비 고장 인식 시스템 및 그 동작방법 | |
| CN114837902A (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
| Genz et al. | Test the Right Stuff: Using Data to Improve Relay Availability, Reduce Failures, and Optimize Test Intervals | |
| CN218567503U (zh) | 一种配电网系统故障类型的诊断系统 | |
| CN116562693B (zh) | 一种配电网可靠性评估方法及计算机设备 |
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 |