CN117517859A - 一种基于数字孪生的交直流混联配电网故障检测系统 - Google Patents
一种基于数字孪生的交直流混联配电网故障检测系统 Download PDFInfo
- Publication number
- CN117517859A CN117517859A CN202311439514.2A CN202311439514A CN117517859A CN 117517859 A CN117517859 A CN 117517859A CN 202311439514 A CN202311439514 A CN 202311439514A CN 117517859 A CN117517859 A CN 117517859A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- equipment
- index
- abnormality index
- 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 513
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 172
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012800 visualization Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 62
- 238000000034 method Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 108010063499 Sigma Factor Proteins 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 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
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于数字孪生的交直流混联配电网故障检测系统，涉及配电网故障检测技术领域。该一种基于数字孪生的交直流混联配电网故障检测系统，通过设置数据获取模块、数据处理模块、故障分析模块、判断模块、预警模块、可视化模块，实现了通过可视化展示配电网数字孪生模型、配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数，从而可以根据异常指数的变化趋势，预测潜在的故障风险并及时采取措施进行处理，确定故障发生的具体时间和位置，快速定位问题并进行修复，及时发现配电设备运行状态的异常，避免由此带来的损失和风险，最大程度地保障配电网的正常运行和安全性，提高配电网的安全性和可靠性。
Description
技术领域
本发明涉及配电网故障检测技术领域，具体为一种基于数字孪生的交直流混联配电网故障检测系统。
背景技术
随着我国经济的高速发展和人民生活水平的不断提高，对电能质量、可靠性和安全等方面的要求越来越高。为了满足这些要求并适应未来电力系统的发展，智能电网建设已经成为未来电力行业发展的重要方向之一。同时，随着社会的变化和技术的进步，配电网也在不断演进和创新，以适应未来的发展需求。因此需要对配电网的故障进行监测，为保证配电网的安全稳定运行做出保障。
例如公告号：CN116298701B一种基于数字孪生系统的配电网故障检测方法及相关装置，装置用于根据预置的配电网实体数据和所述电力场景图像构建配电网三维模型，并编制北斗网格码；融合实时的配电网数据信息来得到配电网数字孪生体；当监测到数字孪生体存在故障时，通过配电网摄像头获取故障电力设备检修图像，识别故障所在的北斗网格码；通过数字孪生体及时准确的反应配电网的状态和信息，并对电力设备有北斗网格码准确定位，在出现故障设备时，通过对应摄像头识别故障所在的北斗网格码，使得故障能快速准确修复，保障配电网稳定供电。
但是检测故障的手段比较单一，缺少针对配电网异常指数的具体分析以及对配电网故障的可视化展示。
发明内容
针对现有技术的不足，本发明提供了一种基于数字孪生的交直流混联配电网故障检测系统，解决了上述技术背景的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于数字孪生的交直流混联配电网故障检测系统，包括以下步骤：数据获取模块、数据处理模块、故障分析模块、判断模块、预警模块、可视化模块；所述数据获取模块用于获取配电网数据，其中配电网数据包括：配电网实时运行数据、配电网历史运行数据、设备状态数据、配网拓扑数据、图像数据；所述数据处理模块用于对配电网数据进行预处理，通过数字孪生技术构建配电网数字孪生模型，基于配电网数字孪生模型模拟配电网正常运行，获取配电网正常运行数据；所述故障分析模块用于基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电流异常指数，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电压异常指数，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网设备温度异常指数；所述判断模块用于基于配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数与配电网电流异常指数阈值、配电网电压异常指数阈值、配电网设备温度异常指数阈值比较，计算配电网异常指数；所述预警模块用于基于配电网异常指数，分析配电网异常情况，并及时发出警报；所述可视化模块用于对配电网数字孪生模型、配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数进行可视化展示。
进一步地，所述配电网实时运行数据包括：配电设备实时电流、电压、功率因数、温度；所述配电网历史运行数据包括：配电设备历史电流、电压、功率因数、温度；所述设备状态数据包括：配电设备的开关状态、设备健康状况、运行时间；所述配网拓扑数据包括：配电设备节点、线路、变压器元素之间的连接关系：所述图像数据包括：配电网结构图像、场景图像。
进一步地，配电网数据进行预处理，通过数字孪生技术构建配电网数字孪生模型的具体过程如下：配电网数据进行预处理包括：将配电网实时运行数据、配电网历史运行数据、设备状态数据、配网拓扑数据、图像数据进行数据清洗、校正和归一化处理；基于预处理配电网数据，对其进行特征值提取，建立配电网的拓扑模型、配电设备的状态模型、和配电网物理模型，使用数字孪生技术将各模型进行数据交互以及集成和验证，构建配电网数字孪生模型；基于配电网历史运行数据，与配电网数字孪生模型运行数据进行比较，优化和调整配电网数字孪生模型；所述配电网正常运行数据包括：配电设备正常运行电流、配电设备正常运行电压、配电设备正常运行功率因数、配电设备正常运行温度。
进一步地，所述基于配电网历史运行数据，与配电网数字孪生模型运行数据进行比较，优化和调整配电网数字孪生模型的具体过程如下：基于配电网历史运行数据，进行特征选择和提取，筛选符合配电网数字孪生模型的特征值，减少输入维度并提取最具信息量的特征；基于配电网历史运行数据划分为训练集和验证集，通过迭代训练和验证，优化数字孪生模型的参数和权重，并通过均方根误差和平均绝对误差来量化模型的预测精度。
进一步地，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电流异常指数的计算公式如下：
其中χ表示配电网电流异常指数，I表示配电设备实时电流，Ia表示配电设备正常运行电流，ΔI表示电流异常允许的偏差值，P表示配电设备实时功率因数，Pa表示配电设备正常运行功率因数，ω1,ω2表示配电设备电流和功率因数对应配电网电流异常指数的权重因子，e表示自然数。
进一步地，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电压异常指数的计算公式如下：
其中γ表示配电网电压异常指数，V表示配电设备实时电压，Vb表示配电设备正常运行电压，ΔV表示电压异常允许的偏差值，P表示配电设备实时功率因数，Pa表示配电设备正常运行功率因数，σ1,σ2表示配电设备电流和功率因数对应配电网电流异常指数的权重因子，e表示自然数。
进一步地，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网设备温度异常指数的计算过程如下：
其中ν表示配电网设备温度异常指数，T表示配电设备实时温度，Tc表示配电设备正常运行温度，ΔT表示配电设备温度异常允许的偏差值，χ表示配电网电流异常指数，γ表示配电网电压异常指数，α1,α2,α3表示配电设备温度、配电网电流异常指数、配电网电压异常指数对应配电网设备温度异常指数的权重因子，e表示自然数。
进一步地，基于配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数与配电网电流异常指数阈值、配电网电压异常指数阈值、配电网设备温度异常指数阈值比较，计算配电网异常指数的计算公式如下：
其中μ表示配电网异常指数，χ阈表示配电网电流异常指数阈值，γ阈配电网电压异常指数阈值，ν阈表示配电网设备温度异常指数阈值。
进一步地，基于配电网异常指数，分析配电网异常情况，并及时发出警报的具体过程如下：基于水利异常指数，当配电网异常指数等于1时，表示配电网电流存在异常情况，并发出警报通知故障监测人员，当配电网异常指数等于2时，表示配电网电压存在异常情况，并发出警报通知故障监测人员，当配电网异常指数等于3时，表示配电网设备温度存在异常情况常情况，并发出警报通知故障监测人员，当配电网异常指数等于0时，不需要发出警报通知故障监测人员。
进一步地，对配电网数字孪生模型、配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数进行可视化展示的具体过程如下：基于配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数，可视化界面通过折线图展示配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数变化趋势，使用三维建模软件，将配电网的各个组成部分以三维模型的形式展示给用户。
本发明具有以下有益效果：
(1)、该一种基于数字孪生的交直流混联配电网故障检测系统，通过数字孪生技术构建配电网数字孪生模型，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电流、电压、电网设备温度异常指数，进而估算配电网异常指数，从而可以及时发现配电设备运行状态的异常，预测潜在的故障风险并及时采取措施进行处理，从而避免由此带来的损失和风险，最大程度地保障配电网的正常运行和安全性。
(2)、该一种基于数字孪生的交直流混联配电网故障检测系统，通过可视化展示配电网数字孪生模型、配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数，可以根据异常指数的变化趋势，确定故障发生的具体时间和位置，从而快速定位问题并进行修复，同时可以为基于数字孪生的交直流混联配电网故障检测系统提供实时监测、故障诊断、预警预测和故障分析的帮助，从而提高配电网的安全性和可靠性。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明一种基于数字孪生的交直流混联配电网故障检测系统流程图。
图2为本发明估算配电网电流异常指数流程图。
图3为本发明估算配电网电压异常指数流程图。
图4为本发明估算配电网设备温度异常指数流程图。
图5为本发明计算配电网异常指数统流程图。
具体实施方式
本申请实施例通过该一种基于数字孪生的交直流混联配电网故障检测系统，实现了交直流混联配电网故障检测的问题。
本申请实施例中的问题，总体思路如下：
首先获取配电网数据，对配电网数据进行预处理，通过数字孪生技术构建配电网数字孪生模型，基于配电网数字孪生模型模拟配电网正常运行，获取配电网正常运行数据。
基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电流异常指数，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电压异常指数，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网设备温度异常指数；基于配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数与配电网电流异常指数阈值、配电网电压异常指数阈值、配电网设备温度异常指数阈值比较，计算配电网异常指数。
基于配电网异常指数，分析配电网异常情况，并及时发出警报；对配电网数字孪生模型、配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数进行可视化展示。
请参阅图1，本发明实施例提供一种技术方案：一种基于数字孪生的交直流混联配电网故障检测系统，包括以下步骤：数据获取模块、数据处理模块、故障分析模块、判断模块、预警模块、可视化模块。
数据获取模块用于获取配电网数据，其中配电网数据包括：配电网实时运行数据、配电网历史运行数据、设备状态数据、配网拓扑数据、图像数据。
具体地，配电网实时运行数据包括：配电设备实时电流、电压、功率因数、温度；配电网历史运行数据包括：配电设备历史电流、电压、功率因数、温度；设备状态数据包括：配电设备的开关状态、设备健康状况、运行时间；配网拓扑数据包括：配电设备节点、线路、变压器元素之间的连接关系：图像数据包括：配电网结构图像、场景图像。
本实施方案中实时运行数据、历史运行数据、设备状态数据、配网拓扑数据和图像数据对于基于数字孪生的交直流混联配电网故障检测系统具有重要的辅助作用，可以提供实时监测、故障预测、状态评估和信息展示等功能，从而提高配电网的运行效率和安全性。
数据处理模块用于对配电网数据进行预处理，通过数字孪生技术构建配电网数字孪生模型，基于配电网数字孪生模型模拟配电网正常运行，获取配电网正常运行数据。
具体地，配电网数据进行预处理，通过数字孪生技术构建配电网数字孪生模型的具体过程如下：配电网数据进行预处理包括：将配电网实时运行数据、配电网历史运行数据、设备状态数据、配网拓扑数据、图像数据进行数据清洗、校正和归一化处理；基于预处理配电网数据，对其进行特征值提取，建立配电网的拓扑模型、配电设备的状态模型和配电网物理模型，使用数字孪生技术将各模型进行数据交互以及集成和验证，构建配电网数字孪生模型；基于配电网历史运行数据，与配电网数字孪生模型运行数据进行比较，优化和调整配电网数字孪生模型；配电网正常运行数据包括：配电设备正常运行电流、配电设备正常运行电压、配电设备正常运行功率因数、配电设备正常运行温度。
本实施方案中，数据清洗、校正和归一化处理：可以有效地降低数据噪声和异常值的影响，提高预测和诊断的准确性和可靠性；特征值提取：可以从大量数据中提取特征信息，然后用这些信息建立配电网的状态模型和物理模型，帮助进行故障诊断和优化控制；使用历史运行数据与数字孪生模型运行数据进行比较，可以发现数字孪生模型的不足之处，从而进行优化和调整，提高数字孪生模型的准确性和可预测性；构建配电网数字孪生模型可以提高系统运行效率、降低故障风险和提高安全性，并为实现数字孪生技术在配电网故障检测方面的应用提供了重要的技术支持。
具体地，基于配电网历史运行数据，与配电网数字孪生模型运行数据进行比较，优化和调整配电网数字孪生模型的具体过程如下：基于配电网历史运行数据，进行特征选择和提取，筛选符合配电网数字孪生模型的特征值，减少输入维度并提取最具信息量的特征；基于配电网历史运行数据划分为训练集和验证集，通过迭代训练和验证，优化数字孪生模型的参数和权重，并通过均方根误差和平均绝对误差来量化模型的预测精度。
本实施方案中，通过基于配电网历史运行数据进行特征选择和提取，可以减少输入维度并提取最具信息量的特征。这有助于降低模型的复杂度，提高训练和预测的效率，并且能够更好地捕捉配电网运行中的关键特征；使用配电网历史运行数据作为训练集和验证集，通过迭代训练和验证过程，可以优化数字孪生模型的参数和权重。这有助于提高模型的准确性和泛化能力，使其能够更好地适应不同情况下的配电网运行状态；通过优化和调整数字孪生模型，可以提高故障检测和预测的准确性。对于配电网的异常情况，数字孪生模型能够更好地识别和预测故障，并提供及时的警报和决策支持，以避免潜在的安全风险和经济损失。
故障分析模块用于基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电流异常指数，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电压异常指数，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网设备温度异常指数。
具体地，请参阅图2，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电流异常指数的计算公式如下：
其中χ表示配电网电流异常指数，I表示配电设备实时电流，Ia表示配电设备正常运行电流，ΔI表示电流异常允许的偏差值，P表示配电设备实时功率因数，Pa表示配电设备正常运行功率因数，ω1,ω2表示配电设备电流和功率因数对应配电网电流异常指数的权重因子，e表示自然数。
本实施方案中，通过使用配电网电流异常指数的计算公式，可以估算配电网电流异常程度。这有助于评估配电网运行状态，并确定电流异常的严重程度，为后续的故障检测和预测提供参考；通过分析配电网实时运行数据和正常运行数据，可以更好地识别故障隐患和预测故障的发生。数字孪生模型能够识别和分析不同类型的故障模式。
具体地，请参阅图3，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电压异常指数的计算公式如下：
其中γ表示配电网电压异常指数，V表示配电设备实时电压，Vb表示配电设备正常运行电压，ΔV表示电压异常允许的偏差值，P表示配电设备实时功率因数，Pa表示配电设备正常运行功率因数，σ1,σ2表示配电设备电流和功率因数对应配电网电流异常指数的权重因子，e表示自然数。
本实施方案中，公式中考虑了配电设备实时功率因数和正常运行功率因数。功率因数是衡量电力系统能效的重要指标，对于电压异常的分析也具有一定的影响。通过引入功率因数相关的权重因子，能够更全面地考虑功率因数对电压异常的影响；通过使用配电网电压异常指数的计算公式，可以估算配电网电压异常程度。根据实时电压与正常运行电压之间的偏差以及允许的偏差值，计算电压异常指数，以定量评估配电网的电压状态；通过实时监测电压、计算电压异常指数，并结合功率因数和其他因素进行综合分析，系统能够更准确地评估配电网的电压状态，提高故障检测和预测的准确性，从而提升配电网的可靠性和安全性。
具体地，请参阅图4，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网设备温度异常指数的计算过程如下：
其中ν表示配电网设备温度异常指数，T表示配电设备实时温度，Tc表示配电设备正常运行温度，ΔT表示配电设备温度异常允许的偏差值，χ表示配电网电流异常指数，γ表示配电网电压异常指数，α1,α2,α3表示配电设备温度、配电网电流异常指数、配电网电压异常指数对应配电网设备温度异常指数的权重因子，e表示自然数。
本实施方案中，公式中引入了配电网电流异常指数和电压异常指数作为权重因子，用于综合考虑配电网其他因素对设备温度异常的影响。通过将这些因素融合在一起，可以更全面地评估配电网设备的温度状况，提高故障检测的准确性；利用配电设备的实时温度与正常运行温度之间的偏差以及允许的偏差值，计算出温度异常指数。该指数可以量化评估配电设备的温度状态，更准确地判断设备是否存在温度异常问题。
判断模块用于基于配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数与配电网电流异常指数阈值、配电网电压异常指数阈值、配电网设备温度异常指数阈值比较，计算配电网异常指数。
具体地，请参阅图5，基于配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数与配电网电流异常指数阈值、配电网电压异常指数阈值、配电网设备温度异常指数阈值比较，计算配电网异常指数的计算公式如下：
其中μ表示配电网异常指数，χ阈表示配电网电流异常指数阈值，γ阈配电网电压异常指数阈值，ν阈表示配电网设备温度异常指数阈值。
本实施方案中，计算公式中引入了电流异常指数、电压异常指数和设备温度异常指数三个因素，通过综合考虑这些因素，可以全面监测配电网的运行情况。若异常指数高，说明配电网中至少有一项因素产生了异常情况，有可能会导致设备损坏或者对供电质量造成影响，因此需要及时进行故障检测和处理；通过计算配电网异常指数，可以对配电网进行整体的故障分析和性能评估。根据计算结果，可以对配电网进行优化，提高设备的可靠性和安全性，减少维修成本。
预警模块用于基于配电网异常指数，分析配电网异常情况，并及时发出警报。
具体地，基于配电网异常指数，分析配电网异常情况，并及时发出警报的具体过程如下：基于水利异常指数，当配电网异常指数等于1时，表示配电网电流存在异常情况，并发出警报通知故障监测人员，当配电网异常指数等于2时，表示配电网电压存在异常情况，并发出警报通知故障监测人员，当配电网异常指数等于3时，表示配电网设备温度存在异常情况常情况，并发出警报通知故障监测人员，当配电网异常指数等于0时，不需要发出警报通知故障监测人员。
本实施方案中，引入了电流异常指数阈值、电压异常指数阈值和设备温度异常指数阈值三个参数，当配电网异常指数高于阈值时，系统会发出警报，提示操作人员及时采取措施避免设备故障或者对市电供应造成不良影响。
所述可视化模块用于对配电网数字孪生模型、配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数进行可视化展示。
具体地，对配电网数字孪生模型、配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数进行可视化展示的具体过程如下：基于配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数，可视化界面通过折线图展示配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数变化趋势，使用三维建模软件，将配电网的各个组成部分以三维模型的形式展示给用户。
本实施方案中，通过折线图展示配电网电流异常指数、电压异常指数和设备温度异常指数的变化趋势，使用户能够直观地了解配电网各项指标的变化情况。这有助于用户及时发现异常情况，并对配电网的整体运行状况有更清晰的认识；通过使用三维建模软件，将配电网的各个组成部分以三维模型的形式展示给用户，可以更加直观地呈现配电网的物理结构和设备布局。这有助于用户更好地理解配电网的拓扑结构，从而更精准地定位故障和进行维修。
综上，本申请至少具有以下效果：
通过数字孪生技术构建配电网数字孪生模型，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电流、电压、电网设备温度异常指数，进而估算配电网异常指数，通过可视化展示配电网数字孪生模型、配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数，从而可以根据异常指数的变化趋势，确定故障发生的具体时间和位置，快速定位问题并进行修复，及时发现配电设备运行状态的异常，避免由此带来的损失和风险，最大程度地保障配电网的正常运行和安全性，提高配电网的安全性和可靠性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的系统、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于数字孪生的交直流混联配电网故障检测系统，其特征在于，包括：数据获取模块、数据处理模块、故障分析模块、判断模块、预警模块、可视化模块；
所述数据获取模块用于获取配电网数据，其中配电网数据包括：配电网实时运行数据、配电网历史运行数据、设备状态数据、配网拓扑数据、图像数据；
所述数据处理模块，用于对配电网数据进行预处理，通过数字孪生技术构建配电网数字孪生模型，基于配电网数字孪生模型模拟配电网正常运行，获取配电网正常运行数据；
所述故障分析模块，用于基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电流异常指数，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电压异常指数，基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网设备温度异常指数；
所述判断模块，用于基于配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数与配电网电流异常指数阈值、配电网电压异常指数阈值、配电网设备温度异常指数阈值比较，计算配电网异常指数；
所述预警模块用于基于配电网异常指数，分析配电网异常情况，并及时发出警报；
所述可视化模块，用于对配电网数字孪生模型、配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数进行可视化展示。
2.根据权利要求1所述的一种基于数字孪生的交直流混联配电网故障检测系统，其特征在于：
所述配电网实时运行数据包括：配电设备实时电流、电压、功率因数、温度；
所述配电网历史运行数据包括：配电设备历史电流、电压、功率因数、温度；
所述设备状态数据包括：配电设备的开关状态、设备健康状况、运行时间；
所述配网拓扑数据包括：配电设备节点、线路、变压器元素之间的连接关系：
所述图像数据包括：配电网结构图像、场景图像。
3.根据权利要求2所述的一种基于数字孪生的交直流混联配电网故障检测系统，其特征在于：配电网数据进行预处理，通过数字孪生技术构建配电网数字孪生模型的具体过程如下：
配电网数据进行预处理包括：将配电网实时运行数据、配电网历史运行数据、设备状态数据、配网拓扑数据、图像数据进行数据清洗、校正和归一化处理；
基于预处理配电网数据，对其进行特征值提取，建立配电网的拓扑模型、配电设备的状态模型和配电网物理模型，使用数字孪生技术将各模型进行数据交互以及集成和验证，构建配电网数字孪生模型；
基于配电网历史运行数据，与配电网数字孪生模型运行数据进行比较，优化和调整配电网数字孪生模型；
所述配电网正常运行数据包括：配电设备正常运行电流、配电设备正常运行电压、配电设备正常运行功率因数、配电设备正常运行温度。
4.根据权利要求3所述的一种基于数字孪生的交直流混联配电网故障检测系统，其特征在于：所述基于配电网历史运行数据，与配电网数字孪生模型运行数据进行比较，优化和调整配电网数字孪生模型的具体过程如下：
基于配电网历史运行数据，进行特征选择和提取，筛选符合配电网数字孪生模型的特征值，减少输入维度并提取最具信息量的特征；
基于配电网历史运行数据划分为训练集和验证集，通过迭代训练和验证，优化数字孪生模型的参数和权重，并通过均方根误差和平均绝对误差来量化模型的预测精度。
5.根据权利要求4所述的一种基于数字孪生的交直流混联配电网故障检测系统，其特征在于：基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电流异常指数的计算公式如下：
其中χ表示配电网电流异常指数，I表示配电设备实时电流，Ia表示配电设备正常运行电流，ΔI表示电流异常允许的偏差值，P表示配电设备实时功率因数，Pa表示配电设备正常运行功率因数，ω1，ω2表示配电设备电流和功率因数对应配电网电流异常指数的权重因子，e表示自然数。
6.根据权利要求5所述的一种基于数字孪生的交直流混联配电网故障检测系统，其特征在于：基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网电压异常指数的计算公式如下：
其中γ表示配电网电压异常指数，V表示配电设备实时电压，Vb表示配电设备正常运行电压，ΔV表示电压异常允许的偏差值，P表示配电设备实时功率因数，Pa表示配电设备正常运行功率因数，σ1，σ2表示配电设备电流和功率因数对应配电网电流异常指数的权重因子，e表示自然数。
7.根据权利要求6所述的一种基于数字孪生的交直流混联配电网故障检测系统，其特征在于：基于配电网正常运行数据，与配电网实时运行进行分析，估算配电网设备温度异常指数的计算过程如下：
其中V表示配电网设备温度异常指数，T表示配电设备实时温度，Tc表示配电设备正常运行温度，ΔT表示配电设备温度异常允许的偏差值，χ表示配电网电流异常指数，γ表示配电网电压异常指数，α1，α2，α3表示配电设备温度、配电网电流异常指数、配电网电压异常指数对应配电网设备温度异常指数的权重因子，e表示自然数。
8.根据权利要求7所述的一种基于数字孪生的交直流混联配电网故障检测系统，其特征在于：基于配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数与配电网电流异常指数阈值、配电网电压异常指数阈值、配电网设备温度异常指数阈值比较，计算配电网异常指数的计算公式如下：
其中μ表示配电网异常指数，χ阈表示配电网电流异常指数阈值，γ阈配电网电压异常指数阈值，v阈表示配电网设备温度异常指数阈值。
9.根据权利要求8所述的一种基于数字孪生的交直流混联配电网故障检测系统，其特征在于：基于配电网异常指数，分析配电网异常情况，并及时发出警报的具体过程如下：
基于水利异常指数，当配电网异常指数等于1时，表示配电网电流存在异常情况，并发出警报通知故障监测人员，当配电网异常指数等于2时，表示配电网电压存在异常情况，并发出警报通知故障监测人员，当配电网异常指数等于3时，表示配电网设备温度存在异常情况常情况，并发出警报通知故障监测人员，当配电网异常指数等于0时，不需要发出警报通知故障监测人员。
10.根据权利要求9所述的一种基于数字孪生的交直流混联配电网故障检测系统，其特征在于：对配电网数字孪生模型、配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数进行可视化展示的具体过程如下：
基于配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数，可视化界面通过折线图展示配电网电流异常指数、配电网电压异常指数、配电网设备温度异常指数变化趋势，使用三维建模软件，将配电网的各个组成部分以三维模型的形式展示给用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311439514.2A CN117517859A (zh) | 2023-10-31 | 2023-10-31 | 一种基于数字孪生的交直流混联配电网故障检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311439514.2A CN117517859A (zh) | 2023-10-31 | 2023-10-31 | 一种基于数字孪生的交直流混联配电网故障检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117517859A true CN117517859A (zh) | 2024-02-06 |
Family
ID=89759808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311439514.2A Pending CN117517859A (zh) | 2023-10-31 | 2023-10-31 | 一种基于数字孪生的交直流混联配电网故障检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117517859A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118263852A (zh) * | 2024-03-27 | 2024-06-28 | 华中科技大学 | 一种基于数字孪生的故障预判方法及系统 |
| CN118446843A (zh) * | 2024-05-20 | 2024-08-06 | 国网青海省电力公司信息通信公司 | 基于数据深度融合的电网作业安全感知方法及装置 |
| CN118446843B (zh) * | 2024-05-20 | 2024-10-25 | 国网青海省电力公司信息通信公司 | 基于数据深度融合的电网作业安全感知方法及装置 |
-
2023
- 2023-10-31 CN CN202311439514.2A patent/CN117517859A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118263852A (zh) * | 2024-03-27 | 2024-06-28 | 华中科技大学 | 一种基于数字孪生的故障预判方法及系统 |
| CN118263852B (zh) * | 2024-03-27 | 2024-09-03 | 华中科技大学 | 一种基于数字孪生的故障预判方法及系统 |
| CN118446843A (zh) * | 2024-05-20 | 2024-08-06 | 国网青海省电力公司信息通信公司 | 基于数据深度融合的电网作业安全感知方法及装置 |
| CN118446843B (zh) * | 2024-05-20 | 2024-10-25 | 国网青海省电力公司信息通信公司 | 基于数据深度融合的电网作业安全感知方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及系统 | |
| CN109061341A (zh) | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 | |
| KR102344852B1 (ko) | 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치 | |
| CN109188227B (zh) | 一种双馈型风力发电机绝缘状态评估方法及系统 | |
| CN117517859A (zh) | 一种基于数字孪生的交直流混联配电网故障检测系统 | |
| CN110320893B (zh) | 一种基于rcm的火电机组设备检修方法 | |
| CN113673600B (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
| CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
| CN110879586A (zh) | 一种调相机故障诊断和状态监测方法和系统 | |
| CN114925718A (zh) | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
| CN117992776A (zh) | 基于人工智能的电网设备健康状态实时预测方法 | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| CN117040111A (zh) | 一种用于辅助水电站智慧运行的方法及系统 | |
| CN111898794A (zh) | 一种大型燃煤锅炉热效率的异常监测方法 | |
| CN116258467A (zh) | 一种电力施工管控系统 | |
| CN116490933A (zh) | 使用神经网络模型跟踪异常状态判断依据的装置和方法 | |
| CN114091618A (zh) | 工业设备健康状态诊断管理方法、装置及服务器 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| TWI853554B (zh) | 品質肇因分析系統 | |
| CN118608131B (zh) | 一种工程设备故障诊断方法及诊断系统 | |
| CN112241511B (zh) | 交通工具辅助电气系统的性能检测方法及装置、终端 | |
| CN118013847A (zh) | 一种基于数字孪生技术的仿真模型和预测方法 | |
| CN118739332A (zh) | 一种评估电力系统小干扰稳定性的优化方法及系统 | |
| CN115985072A (zh) | 基于机器学习的风力发电机机舱温度监测预警方法及系统 |
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 |