CN117668751B - 一种高低压电力系统故障诊断方法及装置 - Google Patents
一种高低压电力系统故障诊断方法及装置 Download PDFInfo
- Publication number
- CN117668751B CN117668751B CN202311645965.1A CN202311645965A CN117668751B CN 117668751 B CN117668751 B CN 117668751B CN 202311645965 A CN202311645965 A CN 202311645965A CN 117668751 B CN117668751 B CN 117668751B
- Authority
- CN
- China
- Prior art keywords
- data
- frequency
- time
- fault
- features
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000007726 management method Methods 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 20
- 230000008439 repair process Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 claims description 9
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000002203 pretreatment Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力系统领域，尤其涉及一种高低压电力系统故障诊断方法及装置，包括实时获取系统数据；对系统数据进行特征提取，得到时域特征、频域特征及时频特征；判断时域特征、频域特征及时频特征是否为故障数据；当时域特征、频域特征及时频特征中出现任意一个特征超出预设的阈值范围，则判定系统数据为故障数据；将故障数据的电流、电压及功率进行预处理，并将已预处理后的电流、电压及功率输出故障诊断模型中；通过故障诊断模型输出诊断结果发送至管理端。根据预设的阈值范围，判断时域、频域和时频特征是否超出正常范围。若任意一个特征超出阈值范围，则判断该系统数据为故障数据，通过量化特征参数，简化故障诊断问题，提高诊断准确性。
Description
技术领域
本申请涉及到电力系统技术领域，特别是涉及到一种高低压电力系统故障诊断方法及装置。
背景技术
随着我国电力系统的快速发展，高低压电力系统的稳定性和安全性越来越受到重视。然而，由于电力系统中各种设备的复杂性以及运行环境的不断变化，故障诊断成为电力系统运行中的一个重要问题。
现有的技术在高低压电力系统的故障诊断中存在一些缺陷。首先，现有的诊断方法大多依赖于人工经验，缺乏客观性和准确性。其次，部分诊断方法虽然采用了数据挖掘和机器学习等技术，但未能充分挖掘系统数据的时域、频域及时频特征，导致故障诊断的效率和准确性不高。此外，现有技术在故障诊断过程中，缺乏对故障数据传播路径的深入分析，难以准确确定故障位置。
因此，现有技术存在缺陷，需要改进。
发明内容
为了解决现有技术中的一个或者几个问题，本申请的主要目的为提供一种高低压电力系统故障诊断方法及装置。
为了实现上述发明目的，本申请提出一种高低压电力系统故障诊断方法，所述方法包括：
实时获取系统数据，所述系统数据包括电流、电压及功率；
对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征；
判断所述时域特征、频域特征及时频特征是否为故障数据；
当所述时域特征、频域特征及时频特征中出现任意一个特征超出预设的阈值范围，则判定所述系统数据为故障数据；
将所述时域特征、频域特征及时频特征进行预处理，并将已预处理后的时域特征、频域特征及时频特征输入故障诊断模型中；
通过所述故障诊断模型输出诊断结果，得到故障分类；
根据所述电力系统的原理生成故障树，将所述故障数据输入所述故障树中分析所述故障数据的传播路径；
标注所述电流、电压及功率在所述传播路径中的异常变化参数，根据所述异常变化参数确定故障定位；
基于所述故障分类和故障定位，发送至管理端。
进一步地，所述对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征，包括：
获取所述系统数据在每个时间序列的第一统计参数，所述第一统计参数包括均值、均方根值、标准差；
提取所述第一统计参数中的波形因子、峰值因子及脉冲因子；
基于所述波形因子、峰值因子及脉冲因子的提取结果，得到所述时域数据；
将所述时域数据转换成频谱成分，分析所述频谱成分的能量分布数据；
提取所述能量分布数据的频率分量和幅值，得到频域数据；
结合所述时域数据和频域数据，将所述时域数据和频域数据按照随时间变化的频率转换成时频数据；
将所述时域数据、频域数据及时频数据进行归一化处理，使所述时域数据、频域数据及时频数据分布在相同的区间内；
将所述时域数据、频域数据及时频数据的极端值和异常值进行去除，并对所述时域数据、频域数据及时频数据进行加权融合，得到处理后的时域特征、频域特征及时频特征。
进一步地，所述提取所述第一统计参数中的波形因子、峰值因子及脉冲因子，包括：
构建时域信号矩阵，将所述第一统计参数输入所述时域信号矩阵中，通过计算波形因子公式计算输出波形因子；
通过计算峰值因子公式计算输出峰值因子；
通过计算脉冲因子的公式计算输出脉冲因子；
基于输出的结果，得到波形因子、峰值因子及脉冲因子；
所述波形因子计算公式为：Kw＝(σ/μ)×(μ^2+σ^2)/(μ^2)，其中，σ和μ分别代表信号的均方根值和均值，波形因子的取值范围为0-1，当Kw越接近1时，信号波形越宽；当Kw越接近0时，信号波形越窄；
所述峰值因子计算公式为：Kp＝(max(y)-μ)/σ，其中，max(y)代表信号的最大值，μ代表信号的均值，σ代表信号的标准差，峰值因子的取值范围没有限制，越大表示信号峰值相对于均值的偏离程度越大；
所述脉冲因子计算公式为：Kr＝(σ/μ)×(μ^2+2σ^2)/(μ^2+σ^2)，其中，σ和μ分别代表信号的均方根值和均值，脉冲因子的取值范围为0-1，当Kr越接近1时，信号脉冲则越为尖锐，当Kr越接近0时，信号脉冲越宽。
进一步地，所述结合所述时域数据和频域数据，将所述时域数据和频域数据按照随时间变化的频率转换成时频数据，包括：
获取所述时域数据的信号瞬时值、均值、标准差；
获取所述频域数据的频谱幅度、频率分辨率；
构建时间窗口，将所述时域数据的信号瞬时值、均值、标准差和频域数据的频谱幅度、频率分辨率输入所述时间窗口内，按照预设的算法进行变换，得到信号的时频分布谱图；
将所述时频分布谱图按照预设的时频图格式转换成时频数据。
进一步地，所述将所述时域数据、频域数据及时频数据的极端值和异常值进行去除，并对所述时域数据、频域数据及时频数据进行加权融合，得到处理后的时域特征、频域特征及时频特征，包括：
对所述时域数据、频域数据和时频数据进行去除极端值和异常值；
将已去除极端值和异常值的所述时域数据、频域数据和时频数据进行添加权重；
将添加权重后的所述时域数据、频域数据和时频数据进行加权求和，得到数据的融合；
基于融合的结果，提取时域特征、频域特征及时频特征。
进一步地，所述方法还包括：
获取所述故障分类的类型；
判断所述类型是否为可修复故障，所述可修复故障包括软件故障和网络故障及硬件故障；
当所述类型为可修复故障时，则获取可修复故障的目标修复参数；
基于所述目标修复参数，修复所述故障定位的目标故障设备；
验证所述目标故障设备的故障是否已消除；
当所述故障设备的故障未消除时，生成故障未消除信息；
基于所述故障未消除信息和所述诊断结果，发送至管理端。
进一步地，所述将所述时域特征、频域特征及时频特征进行预处理，并将已预处理后的时域特征、频域特征及时频特征输入故障诊断模型中，包括：
对所述时域特征、频域特征和时频特征进行归一化处理；
通过线性判别分析法对所述时域特征、频域特征和时频特征进行数据融合，得到融合系数；
将所述融合系统按照预设的组合方式组成一个向量作为融合后的特征向量；
将所述融合后的特征向量进行归一化处理，再将所述融合后的特征向量输入故障诊断模型中。
本申请实施例还提供一种高低压电力系统故障诊断装置，包括：
获取模块，用于实时获取系统数据，所述系统数据包括电流、电压及功率；
提取模块，用于对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征；
判断模块，用于判断所述时域特征、频域特征及时频特征是否为故障数据；
判定模块，用于当所述时域特征、频域特征及时频特征中出现任意一个特征超出预设的阈值范围，则判定所述系统数据为故障数据；
预处理模块，用于将所述时域特征、频域特征及时频特征进行预处理，并将已预处理后的时域特征、频域特征及时频特征输入故障诊断模型中；
诊断模块，用于通过所述故障诊断模型输出诊断结果，得到故障分类；
分析模块，用于根据所述电力系统的原理生成故障树，将所述故障数据输入所述故障树中分析所述故障数据的传播路径；
定位模块，用于标注所述电流、电压及功率在所述传播路径中的异常变化参数，根据所述异常变化参数确定故障定位；
发送模块，用于基于所述故障分类和故障定位，发送至管理端。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其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任一项所述的方法的步骤。
本申请实施例的高低压电力系统故障诊断方法及装置，通过实时获取，可以确保数据的实时性和准确性，迅速发现并诊断故障，为后续故障诊断提供可靠的依据；根据预设的阈值范围，判断时域、频域和时频特征是否超出正常范围。如果任意一个特征超出阈值范围，则判断该系统数据为故障数据，通过量化特征参数，简化故障诊断问题，提高诊断的准确性；将预处理后的时域特征、频域特征及时频特征输入故障诊断模型；模型会根据输入数据，输出故障分类；根据电力系统原理，将故障数据输入故障树，分析故障传播路径，以便深入挖掘故障的路径定位，为故障处理提供依据。将诊断结果发送至管理端。管理端可以根据诊断结果，采取相应的措施。采用多种预处理方法和故障诊断模型，使得方法具有较强的适应性，可以应对不同类型的故障和环境条件。由上分析可知，本申请通过实时监测、特征提取、智能诊断及故障树分析，实现了快速、准确地识别和定位故障，为电力系统的安全稳定运行提供了保障。
附图说明
图1为本申请一实施例的高低压电力系统故障诊断方法的流程示意图；
图2为本申请一实施例的高低压电力系统故障诊断方法的流程示意图；
图3为本申请一实施例的高低压电力系统故障诊断装置的结构示意框图；
图4为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例中提供一种高低压电力系统故障诊断方法，所述方法包括：
S1、实时获取系统数据，所述系统数据包括电流、电压及功率；
S2、对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征；
S3、判断所述时域特征、频域特征及时频特征是否为故障数据；
S4、当所述时域特征、频域特征及时频特征中出现任意一个特征超出预设的阈值范围，则判定所述系统数据为故障数据；
S5、将所述时域特征、频域特征及时频特征进行预处理，并将已预处理后的时域特征、频域特征及时频特征输入故障诊断模型中；
S6、通过所述故障诊断模型输出诊断结果，得到故障分类；
S7、根据所述电力系统的原理生成故障树，将所述故障数据输入所述故障树中分析所述故障数据的传播路径；
S8、标注所述电流、电压及功率在所述传播路径中的异常变化参数，根据所述异常变化参数确定故障定位；
S9、基于所述故障分类和故障定位，发送至管理端。
如上述步骤S1所述，实时获取系统数据可通过传感器和监测设备，实时收集电流、电压和功率等系统数据。这些数据可以来源于输电线路、配电设备、变电站等电力系统的各个环节。通过实时获取，可以确保数据的实时性和准确性，为后续故障诊断提供可靠的依据。
如上述步骤S2所述，提取系统数据的特征中，时域特征主要包括均值、标准差、峭度等；频域特征主要包括频率、幅值、相位等；时频特征主要包括小波变换、希尔伯特-黄变换等。特征提取的目的在于将原始数据转化为更具代表性的特征向量，便于后续的故障诊断。
如上述步骤S3-S4所述，根据预设的阈值范围，判断时域、频域和时频特征是否超出正常范围。如果任意一个特征超出阈值范围，则判断该系统数据为故障数据。本步骤是通过量化特征参数，简化故障诊断问题，提高诊断的准确性。
如上述步骤S5-S6所述，对判断出的故障数据，进行时域特征、频域特征及时频特征的预处理。预处理方法包括滤波、去噪、归一化等，目的是消除噪声干扰，提高故障信号的清晰度，为后续故障诊断提供更好的输入数据。将预处理后的时域特征、频域特征及时频特征输入故障诊断模型。这里的故障诊断模型可以是各种机器学习算法，如支持向量机、神经网络、决策树等。模型会根据输入数据，输出故障分类，故障的分类可包括有可主动修复故障和不可主动修复故障，且包括有故障类型和原因。将诊断结果发送至管理端。管理端可以根据诊断结果，采取相应的措施，如调度发电机、切换输电线路等，以恢复电力系统的正常运行。同时，诊断结果也可以用于故障分析、设备维护和预警等方面。
如上述步骤S7-S9所述，根据电力系统原理，将故障数据输入故障树，分析故障传播路径。以便深入挖掘故障的路径，为故障处理提供依据，在传播路径中标注电流、电压和功率的异常变化参数，有助于定位故障原因。实现原理为分析故障数据在各传播路径上的变化情况，根据异常变化参数，确定故障发生的位置。将故障分类和故障定位发送至管理端，便于进行后续处理和维护。可通过通信技术(如无线通信、以太网等)将数据传输至管理终端。
具体的，根据电力系统的结构和原理，构建一个层次化的故障树。故障树由一个根节点开始，然后分为多个子节点，子节点再分为更多的子节点，直至最底层的叶子节点。每个节点表示一个可能的故障原因或系统组件；将收集到的故障数据，如电流、电压、功率等，输入到故障树中。这些数据将用于分析故障在系统中的传播路径；通过遍历故障树，分析故障从根节点到叶子节点的传播过程。在传播过程中，记录每个节点的电流、电压、功率等参数的异常变化；在传播路径中，找出电流、电压、功率等参数的异常变化，如大幅度波动、突变等。这些异常变化可能是故障的主要原因；根据标注的异常变化参数，追溯到故障源。分析异常变化的发生位置和时间，判断故障可能出现在哪个环节；将故障定位结果输出，为电力系统的故障诊断和维修提供依据。
值得一提的是，生成故障树有助于对电力系统故障进行系统化分析。故障树以图形化方式展示了故障的传播路径，使终端和相关人员能更清晰地了解故障的根源和影响范围；通过将故障数据输入故障树，可以沿着传播路径分析电流、电压及功率的异常变化，从而追溯到故障的起源。这有助于更精准定位到故障位置，为故障处理提供依据；标注电流、电压及功率在传播路径中的异常变化参数，可以快速定位故障发生的位置，有助于减少故障诊断的时间，提高故障处理的效率。故障树分析方法具有系统性和完整性，可以全面分析故障原因及其传播路径，从而为故障处理提供更为详细的参考信息，使该方法可以适应不同类型和规模的电力系统，具有较强的通用性。
如上述步骤所述，通过实时获取，可以确保数据的实时性和准确性，迅速发现并诊断故障，为后续故障诊断提供可靠的依据；根据预设的阈值范围，判断时域、频域和时频特征是否超出正常范围。如果任意一个特征超出阈值范围，则判断该系统数据为故障数据，通过量化特征参数，简化故障诊断问题，提高诊断的准确性；将预处理后的时域特征、频域特征及时频特征输入故障诊断模型；模型会根据输入数据，输出故障分类；根据电力系统原理，将故障数据输入故障树，分析故障传播路径，以便深入挖掘故障的路径，为故障处理提供依据。将诊断结果发送至管理端。管理端可以根据诊断结果，采取相应的措施。采用多种预处理方法和故障诊断模型，使得方法具有较强的适应性，可以应对不同类型的故障和环境条件。由上分析可知，本申请通过实时监测、特征提取、智能诊断及故障树分析，实现了快速、准确地识别和定位故障，为电力系统的安全稳定运行提供了保障。
在一可行实施例中，有一个包含三相电流、电压和功率的电力系统，通过实时监测，收集到如下数据：电流：I1＝10A，I2＝15A，I3＝8A电压：U1＝300V，U2＝290V，U3＝310V功率：P1＝15kW，P2＝20kW，P3＝12kW。基于本方法，首先，对电流、电压和功率数据进行实时获取。然后，提取时域、频域和时频特征。在此过程中，当电流I2和电压U2的时域特征超出预设阈值范围，因此判断这两组数据为故障数据。再对故障数据进行预处理，如滤波、去噪等。处理后，将数据输入故障诊断模型，如支持向量机。模型输出故障分类为电流故障，故障定位为线路2。其次，再将诊断结果发送至管理端。管理端根据诊断结果，发现线路2存在电流过大现象，可能是由于设备故障或线路老化等原因导致。管理端可安排人员进行现场检查，发现线路2的一处绝缘子破损，导致电流过大。随后，工作人员更换了破损的绝缘子，恢复了线路的正常运行。
参照图2，在一个实施例中，所述对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征，包括：
S21、获取所述系统数据在每个时间序列的第一统计参数，所述第一统计参数包括均值、均方根值、标准差；
S22、提取所述第一统计参数中的波形因子、峰值因子及脉冲因子；
S23、基于所述波形因子、峰值因子及脉冲因子的提取结果，得到所述时域数据；
S24、将所述时域数据转换成频谱成分，分析所述频谱成分的能量分布数据；
S25、提取所述能量分布数据的频率分量和幅值，得到频域数据；
S26、结合所述时域数据和频域数据，将所述时域数据和频域数据按照随时间变化的频率转换成时频数据；
S27、将所述时域数据、频域数据及时频数据进行归一化处理，使所述时域数据、频域数据及时频数据分布在相同的区间内；
S28、将所述时域数据、频域数据及时频数据的极端值和异常值进行去除，并对所述时域数据、频域数据及时频数据进行加权融合，得到处理后的时域特征、频域特征及时频特征。
如上述步骤S21所述，获取系统数据在每个时间序列的第一统计参数，包括均值、均方根值、标准差，提供了对系统数据的基本描述，有助于了解数据的集中趋势和离散程度。通过计算每个时间序列的均值、均方根值和标准差，可以得到数据的基本统计特性。为后续特征提取提供了基础数据，有助于更准确地分析系统数据的特征。
如上述步骤S22所述，通过提取计算波形因子、峰值因子和脉冲因子，可以得到数据在时域上的局部特征，波形因子、峰值因子和脉冲因子可以反映数据在不同时间点的变化情况，有助于识别系统的动态特性。
如上述步骤S23-S24所述，将上述因子组合成时域数据，以反映系统数据在时间上的变化特征。时域数据可以为后续的频域分析提供丰富的信息，有助于分析系统的动态行为。通过对时域数据进行傅里叶变换等数学处理，将其转换为频谱成分。然后分析频谱成分的能量分布，以获取频域特征。频谱成分的能量分布可以反映系统数据的频率特性，有助于识别系统的稳定性。
如上述步骤S25-S26所述，从频谱成分中提取频率分量和幅值，以获得更详细的频域特征，频域数据可以为后续的时频分析提供丰富的信息，有助于分析系统的频率特性；通过插值、融合等方法将时域数据和频域数据结合，得到时频数据。时频数据可以同时反映系统数据在时间和频率上的变化特征，有助于更全面地分析系统行为。
如上述步骤S27-S28所述，将时域数据、频域数据及时频数据映射到相同的区间，归一化处理有助于消除数据量纲和数值大小的影响，使数据在同一尺度上进行分析，通过对数据进行去异常、归一化和加权融合，可以得到更稳定、可靠的特征数据。去异常和加权融合可以提高特征数据的质量，有助于后续的系统分析和应用。
如上所述，通过提取系统数据的时域、频域及时频特征，实现了对系统行为的全面分析，提高系统分析的准确性、识别系统的动态特性和稳定性、消除数据量纲和数值大小的影响、提高特征数据的质量。
在一实施例中，所述提取所述第一统计参数中的波形因子、峰值因子及脉冲因子，包括：
构建时域信号矩阵，将所述第一统计参数输入所述时域信号矩阵中，通过计算波形因子公式计算输出波形因子；
通过计算峰值因子公式计算输出峰值因子；
通过计算脉冲因子的公式计算输出脉冲因子；
基于输出的结果，得到波形因子、峰值因子及脉冲因子；
所述波形因子计算公式为：Kw＝(σ/μ)×(μ^2+σ^2)/(μ^2)，其中，σ和μ分别代表信号的均方根值和均值，波形因子的取值范围为0-1，当Kw越接近1时，信号波形越宽；当Kw越接近0时，信号波形越窄；
所述峰值因子计算公式为：Kp＝(max(y)-μ)/σ，其中，max(y)代表信号的最大值，μ代表信号的均值，σ代表信号的标准差，峰值因子的取值范围没有限制，越大表示信号峰值相对于均值的偏离程度越大；
所述脉冲因子计算公式为：Kr＝(σ/μ)×(μ^2+2σ^2)/(μ^2+σ^2)，其中，σ和μ分别代表信号的均方根值和均值，脉冲因子的取值范围为0-1，当Kr越接近1时，信号脉冲则越为尖锐，当Kr越接近0时，信号脉冲越宽。
如上述步骤所述，将系统数据(如电流、电压等)输入时域信号矩阵中，以便计算波形因子、峰值因子和脉冲因子，通过收集电力系统各个监测点的数据，例如电流、电压等，将数据按时间顺序排列，形成时域信号，构建时域信号矩阵，将时域信号输入矩阵中；构建时域信号矩阵有助于对电力系统数据进行统一管理和分析，为计算波形因子、峰值因子和脉冲因子提供基础数据。波形因子可以反映信号波形的宽窄程度，有利于分析电力系统运行状态，波形因子的取值范围为0-1，便于比较不同信号的波形特征。峰值因子可以反映信号峰值相对于均值的偏离程度，峰值因子的取值范围无限制，可以更准确地描述信号的峰值特征，有利于进一步分析电力系统运行状态。脉冲因子可以反映信号脉冲的尖锐程度，有利于再进一步分析电力系统运行状态，以准确检测到电力系统的故障。通过对波形因子、峰值因子和脉冲因子的综合分析，可以更准确地了解电力系统的运行状态，可准确发现潜在的故障隐患。
在一实施例中，所述结合所述时域数据和频域数据，将所述时域数据和频域数据按照随时间变化的频率转换成时频数据，包括：
获取所述时域数据的信号瞬时值、均值、标准差；
获取所述频域数据的频谱幅度、频率分辨率；
构建时间窗口，将所述时域数据的信号瞬时值、均值、标准差和频域数据的频谱幅度、频率分辨率输入所述时间窗口内，按照预设的算法进行变换，得到信号的时频分布谱图；
将所述时频分布谱图按照预设的时频图格式转换成时频数据。
如上所述，获取时域数据的信号瞬时值、均值、标准差是通过计算信号的瞬时值、均值和标准差来描述信号的时域特性。瞬时值反映的是信号在某一瞬间的取值，可以理解为信号的瞬时强度。均值则是信号的平均值，用于表示信号的整体水平。标准差则用来描述信号的离散程度，标准差越小，信号越稳定，标准差越大，信号波动越大。获取频域数据的频谱幅度、频率分辨率是通过计算信号的频谱幅度和频率分辨率来描述信号的频域特性。频谱幅度表示的是信号在各个频率上的强度，频率分辨率则表示的是信号在频域上的变化精度。时间窗口是为了将时域数据和频域数据按照时间顺序进行融合。在构建时间窗口中，比如滑动窗口、固定窗口等。变换得到时频分布谱图是通过预设的算法，将时域数据和频域数据输入时间窗口内，进行变换，得到信号的时频分布谱图。这个步骤是将时域和频域信息进行融合，使得能够在时频域同时观察到信号的变化。
在一具体实施例中，假设有一信号x(t)，首先，通过采样得到其时域数据，然后通过傅里叶变换得到其频域数据。再构建一个滑动窗口，窗口长度为1000个采样点。将窗口从起始位置向后移动，每次移动100个采样点，直到覆盖整个信号。在每个窗口内，可计算信号的瞬时值、均值、标准差，以及频谱幅度和频率分辨率。然后，将这些数据输入预设的算法，如短时傅里叶变换，得到时频分布谱图。最后，我们将时频分布谱图转换成便于观察和分析的格式，如图像。由上分析，可同时观察到信号在时域和频域上的特性，实现更全面地理解信号的变化。同时，通过滑动窗口的构建，可以实现对信号的实时分析，提高了分析的效率。
在一实施例中，所述将所述时域数据、频域数据及时频数据的极端值和异常值进行去除，并对所述时域数据、频域数据及时频数据进行加权融合，得到处理后的时域特征、频域特征及时频特征，包括：
对所述时域数据、频域数据和时频数据进行去除极端值和异常值；
将已去除极端值和异常值的所述时域数据、频域数据和时频数据进行添加权重；
将添加权重后的所述时域数据、频域数据和时频数据进行加权求和，得到数据的融合；
基于融合的结果，提取时域特征、频域特征及时频特征。
如上所述，去除极端值和异常值是消除数据中的个别异常值对整体数据分析的影响。极端值和异常值可能是由于测量误差、数据传输错误等原因导致的。在加权融合过程中，为时域数据、频域数据和时频数据添加权重是为了在不同数据之间实现平衡。不同的数据在分析过程中可能具有不同的权重，通过添加权重可以突出某些数据的分析重要性。将添加权重后的时域数据、频域数据和时频数据进行加权求和，得到数据的融合。这一步是将不同数据的信息进行融合，形成一个综合的特征表示。基于融合的结果，我们可以提取出时域特征、频域特征和时频特征。这些特征可以用于描述信号的时域、频域以及时频域特性，有助于更全面地分析信号。例如：有一信号x(t)，首先对其进行采样得到时域数据，然后通过傅里叶变换得到频域数据。接下来，我们对时域数据、频域数据和时频数据进行分析。计算时域数据、频域数据和时频数据的平均值，然后分别计算每个数据与平均值的偏差。如果偏差超过一定的阈值，就将该数据视为异常值，予以去除；为了平衡不同数据的权重，我们可以设置一个权重系数，例如，时域数据的权重为0.4，频域数据的权重为0.3，时频数据的权重为0.3；将去除异常值后的时域数据、频域数据和时频数据分别乘以对应的权重，然后进行求和，得到融合的数据；我们对融合的数据进行特征提取，如计算均值、标准差、峭度等时域特征；计算频谱幅度、频率分辨率等频域特征；计算时频分布的集中趋势、离散程度等时频特征。去除极端值和异常值、添加权重、加权求和等步骤可以提高数据的可靠性和分析效果。
在一实施例中，所述方法还包括：
获取所述故障分类的类型；
判断所述类型是否为可修复故障，所述可修复故障包括软件故障和网络故障及硬件故障；
当所述类型为可修复故障时，则获取可修复故障的目标修复参数；
基于所述目标修复参数，修复所述故障定位的目标故障设备。
如上所述，在故障诊断过程中，首先需要对故障进行分类。故障类型可以分为软件故障、网络故障和硬件故障等。通过获取故障类型，可以为后续的故障修复提供依据，在实际应用中，并非所有故障都可以被修复。可修复故障包括软件故障、网络故障和硬件故障。判断故障类型是否为可修复故障，有助于确定后续的修复策略。当故障类型为可修复故障时，需要获取目标修复参数。这些参数包括修复所需的时间、成本、技术要求等，以便为修复故障提供具体的指导。基于目标修复参数，可以针对性地修复定位到的故障设备。这种方法可以提高修复效率，减少修复过程中的不确定性，降低修复成本。举例的是：假设正在运行一个服务器系统，系统中包含硬件设备、软件系统和网络设施。在某次运行过程中，检测到服务器出现了故障，首先需要确定故障的类型。通过分析故障现象，若判断该故障为硬件故障，由于该故障为硬件故障，它属于可自动修复故障的范畴，进一步获取修复该硬件故障所需的时间、成本和技术要求等信息，根据目标修复参数，针对性修复了出现故障的硬件设备。实现提高故障诊断和修复的效率，降低修复成本，提高系统的可靠性和稳定性。
在一实施例中，所述基于所述目标修复参数，修复所述故障定位的目标故障设备之后，还包括：
验证所述目标故障设备的故障是否已消除；
当所述故障设备的故障未消除时，生成故障未消除信息；
基于所述故障未消除信息和所述诊断结果，发送至管理端。
如上所述，在修复故障后，需要对故障设备进行验证，以确保故障已经得到解决。这一步骤可以通过重新运行诊断程序、检测设备性能指标等。如果故障设备的故障未消除，需要生成故障未消除信息。这些信息包括故障设备的具体信息、故障现象描述、修复措施等，以便向相关人员提供详细的故障情况。将生成的故障未消除信息发送至管理端，有助于管理人员了解故障情况，及时采取措施解决问题。此外，这些信息还可以用于分析故障趋势、优化维修策略。由上分析，可及时发现并修复故障，保证生产系统的正常运行。同时，验证故障消除和生成故障未消除信息步骤有助于提高故障诊断和修复的可靠性，为管理人员提供有效的决策依据。
在一实施例中，所述将所述时域特征、频域特征及时频特征进行预处理，并将已预处理后的时域特征、频域特征及时频特征输入故障诊断模型中，包括：
对所述时域特征、频域特征和时频特征进行归一化处理；
通过线性判别分析法对所述时域特征、频域特征和时频特征进行数据融合，得到融合系数；
将所述融合系统按照预设的组合方式组成一个向量作为融合后的特征向量；
将所述融合后的特征向量进行归一化处理，再将所述融合后的特征向量输入故障诊断模型中。
如上所述，归一化处理是将数据统一到一个标准范围内，采用最大最小法或Z分数法。最大最小法是将数据映射到[0，1]或[0，255]区间，Z分数法是将数据映射到均值为0，标准差为1的正态分布区间。归一化处理的目的是消除数据量纲和数值差异，使得不同特征(时域特征、频域特征和时频特征)之间的数据可以进行直接比较；数据融合是将多个源数据组合成一个更具代表性的新数据，这里采用线性判别分析法。线性判别分析法(LinearDiscriminant Analysis，LDA)是一种监督学习方法，其目标是找到一个最佳的分隔超平面，将不同类别的样本分开。在这个过程中，LDA会自动提取最具区分性的特征，从而实现特征降维和分类。根据预设的组合方式，将融合后的特征向量组成一个向量。这个向量包含了原始时域、频域和时频特征的信息，同时具有更好的区分性和代表性。在将融合后的特征向量输入故障诊断模型之前，再次进行归一化处理。这可以确保特征向量的稳定性和一致性，提高模型的预测准确性。由上分析，数据融合和线性判别分析法可以自动提取最具区分性的特征，实现特征降维。这有助于减少故障诊断模型计算复杂度，提高故障诊断的准确性。通过预处理和数据融合，新组成的特征向量具有更好的代表性和区分性，有助于提高故障诊断模型的泛化能力。这使得故障诊断模型在面临新的故障情况时，仍具有较高的诊断准确性。
本申请的高低压电力系统故障诊断方法，通过实时获取，可以确保数据的实时性和准确性，迅速发现并诊断故障，为后续故障诊断提供可靠的依据；根据预设的阈值范围，判断时域、频域和时频特征是否超出正常范围。如果任意一个特征超出阈值范围，则判断该系统数据为故障数据，通过量化特征参数，简化故障诊断问题，提高诊断的准确性；将预处理后的电流、电压和功率数据输入故障诊断模型；模型会根据输入数据，输出故障分类和故障定位结果。将诊断结果发送至管理端。管理端可以根据诊断结果，采取相应的措施。采用多种预处理方法和故障诊断模型，使得方法具有较强的适应性，可以应对不同类型的故障和环境条件。由上分析可知，本申请可解决电力系统中故障类型繁多，单一故障特征难以全面反映故障情况，且难以及时发现和定位高低压电力系统中的故障的问题。
参照图3，本申请实施例中还提供一种高低压电力系统故障诊断装置，包括：
获取模块1，用于实时获取系统数据，所述系统数据包括电流、电压及功率；
提取模块2，用于对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征；
判断模块3，用于判断所述时域特征、频域特征及时频特征是否为故障数据；
判定模块4，用于当所述时域特征、频域特征及时频特征中出现任意一个特征超出预设的阈值范围，则判定所述系统数据为故障数据；
预处理模块5，用于将所述时域特征、频域特征及时频特征进行预处理，并将已预处理后的时域特征、频域特征及时频特征输入故障诊断模型中；
诊断模块6，用于通过所述故障诊断模型输出诊断结果，得到故障分类；
分析模块7，用于根据所述电力系统的原理生成故障树，将所述故障数据输入所述故障树中分析所述故障数据的传播路径；
定位模块8，用于标注所述电流、电压及功率在所述传播路径中的异常变化参数，根据所述异常变化参数确定故障定位；
发送模块9，用于基于所述故障分类和故障定位，发送至管理端。
如上所述，可以理解地，本申请中提出的所述高低压电力系统故障诊断装置的各组成部分可以实现如上所述高低压电力系统故障诊断方法任一项的功能，具体结构不再赘述。
参照图4，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存监控数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种高低压电力系统故障诊断方法。
上述处理器执行上述的高低压电力系统故障诊断方法，包括：实时获取系统数据，所述系统数据包括电流、电压及功率；对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征；判断所述时域特征、频域特征及时频特征是否为故障数据；当所述时域特征、频域特征及时频特征中出现任意一个特征超出预设的阈值范围，则判定所述系统数据为故障数据；将所述故障数据的电流、电压及功率进行预处理，并将已预处理后的电流、电压及功率输出故障诊断模型中；通过所述故障诊断模型输出诊断结果，所述诊断结果包括故障分类和故障定位；基于所述诊断结果，发送至管理端。
上述的高低压电力系统故障诊断方法，通过实时获取，可以确保数据的实时性和准确性，迅速发现并诊断故障，为后续故障诊断提供可靠的依据；根据预设的阈值范围，判断时域、频域和时频特征是否超出正常范围。如果任意一个特征超出阈值范围，则判断该系统数据为故障数据，通过量化特征参数，简化故障诊断问题，提高诊断的准确性；将预处理后的电流、电压和功率数据输入故障诊断模型；模型会根据输入数据，输出故障分类和故障定位结果。将诊断结果发送至管理端。管理端可以根据诊断结果，采取相应的措施。采用多种预处理方法和故障诊断模型，使得方法具有较强的适应性，可以应对不同类型的故障和环境条件。由上分析可知，本申请可解决电力系统中故障类型繁多，单一故障特征难以全面反映故障情况，且难以及时发现和定位高低压电力系统中的故障的问题。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种高低压电力系统故障诊断方法，包括步骤：实时获取系统数据，所述系统数据包括电流、电压及功率；对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征；判断所述时域特征、频域特征及时频特征是否为故障数据；当所述时域特征、频域特征及时频特征中出现任意一个特征超出预设的阈值范围，则判定所述系统数据为故障数据；将所述故障数据的电流、电压及功率进行预处理，并将已预处理后的电流、电压及功率输出故障诊断模型中；通过所述故障诊断模型输出诊断结果，所述诊断结果包括故障分类和故障定位；基于所述诊断结果，发送至管理端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种高低压电力系统故障诊断方法，其特征在于，所述方法包括：
实时获取系统数据，所述系统数据包括电流、电压及功率；
对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征；
判断所述时域特征、频域特征及时频特征是否为故障数据；
当所述时域特征、频域特征及时频特征中出现任意一个特征超出预设的阈值范围，则判定所述系统数据为故障数据；
将所述时域特征、频域特征及时频特征进行预处理，并将已预处理后的时域特征、频域特征及时频特征输入故障诊断模型中；
通过所述故障诊断模型输出诊断结果，得到故障分类；
根据所述电力系统的原理生成故障树，将所述故障数据输入所述故障树中分析所述故障数据的传播路径；
标注所述电流、电压及功率在所述传播路径中的异常变化参数，根据所述异常变化参数确定故障定位；
基于所述故障分类和故障定位，发送至管理端；
所述对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征，包括：
获取所述系统数据在每个时间序列的第一统计参数，所述第一统计参数包括均值、均方根值、标准差；
提取所述第一统计参数中的波形因子、峰值因子及脉冲因子；
基于所述波形因子、峰值因子及脉冲因子的提取结果，得到所述时域数据；
将所述时域数据转换成频谱成分，分析所述频谱成分的能量分布数据；
提取所述能量分布数据的频率分量和幅值，得到频域数据；
结合所述时域数据和频域数据，将所述时域数据和频域数据按照随时间变化的频率转换成时频数据；
将所述时域数据、频域数据及时频数据进行归一化处理，使所述时域数据、频域数据及时频数据分布在相同的区间内；
将所述时域数据、频域数据及时频数据的极端值和异常值进行去除，并对所述时域数据、频域数据及时频数据进行加权融合，得到处理后的时域特征、频域特征及时频特征；
所述提取所述第一统计参数中的波形因子、峰值因子及脉冲因子，包括：
构建时域信号矩阵，将所述第一统计参数输入所述时域信号矩阵中，通过计算波形因子公式计算输出波形因子；
通过计算峰值因子公式计算输出峰值因子；
通过计算脉冲因子的公式计算输出脉冲因子；
基于输出的结果，得到波形因子、峰值因子及脉冲因子；
所述波形因子计算公式为：Kw＝(σ/μ)×(μ^2+σ^2)/(μ^2)，其中，σ和μ分别代表信号的均方根值和均值，波形因子的取值范围为0-1，当Kw越接近1时，信号波形越宽；当Kw越接近0时，信号波形越窄；
所述峰值因子计算公式为：Kp＝(max(y)-μ)/σ，其中，max(y)代表信号的最大值，μ代表信号的均值，σ代表信号的标准差，峰值因子的取值范围没有限制，越大表示信号峰值相对于均值的偏离程度越大；
所述脉冲因子计算公式为：Kr＝(σ/μ)×(μ^2+2σ^2)/(μ^2+σ^2)，其中，σ和μ分别代表信号的均方根值和均值，脉冲因子的取值范围为0-1，当Kr越接近1时，信号脉冲则越为尖锐，当Kr越接近0时，信号脉冲越宽。
2.根据权利要求1所述的高低压电力系统故障诊断方法，其特征在于，所述结合所述时域数据和频域数据，将所述时域数据和频域数据按照随时间变化的频率转换成时频数据，包括：
获取所述时域数据的信号瞬时值、均值、标准差；
获取所述频域数据的频谱幅度、频率分辨率；
构建时间窗口，将所述时域数据的信号瞬时值、均值、标准差和频域数据的频谱幅度、频率分辨率输入所述时间窗口内，按照预设的算法进行变换，得到信号的时频分布谱图；
将所述时频分布谱图按照预设的时频图格式转换成时频数据。
3.根据权利要求1所述的高低压电力系统故障诊断方法，其特征在于，所述将所述时域数据、频域数据及时频数据的极端值和异常值进行去除，并对所述时域数据、频域数据及时频数据进行加权融合，得到处理后的时域特征、频域特征及时频特征，包括：
对所述时域数据、频域数据和时频数据进行去除极端值和异常值；
将已去除极端值和异常值的所述时域数据、频域数据和时频数据进行添加权重；
将添加权重后的所述时域数据、频域数据和时频数据进行加权求和，得到数据的融合；
基于融合的结果，提取时域特征、频域特征及时频特征。
4.根据权利要求1所述的高低压电力系统故障诊断方法，其特征在于，所述方法还包括：
获取所述故障分类的类型；
判断所述类型是否为可修复故障，所述可修复故障包括软件故障和网络故障及硬件故障；
当所述类型为可修复故障时，则获取可修复故障的目标修复参数；
基于所述目标修复参数，修复所述故障定位的目标故障设备；
验证所述目标故障设备的故障是否已消除；
当所述故障设备的故障未消除时，生成故障未消除信息；
基于所述故障未消除信息和所述诊断结果，发送至管理端。
5.根据权利要求1所述的高低压电力系统故障诊断方法，其特征在于，所述将所述时域特征、频域特征及时频特征进行预处理，并将已预处理后的时域特征、频域特征及时频特征输入故障诊断模型中，包括：
对所述时域特征、频域特征和时频特征进行归一化处理；
通过线性判别分析法对所述时域特征、频域特征和时频特征进行数据融合，得到融合系数；
将所述融合系统按照预设的组合方式组成一个向量作为融合后的特征向量；
将所述融合后的特征向量进行归一化处理，再将所述融合后的特征向量输入故障诊断模型中。
6.一种高低压电力系统故障诊断装置，包括权利要求1-5任意一项所述的方法，其特征在于，包括：
获取模块，用于实时获取系统数据，所述系统数据包括电流、电压及功率；
提取模块，用于对所述系统数据进行特征提取，得到时域特征、频域特征及时频特征；
判断模块，用于判断所述时域特征、频域特征及时频特征是否为故障数据；
判定模块，用于当所述时域特征、频域特征及时频特征中出现任意一个特征超出预设的阈值范围，则判定所述系统数据为故障数据；
预处理模块，用于将所述时域特征、频域特征及时频特征进行预处理，并将已预处理后的时域特征、频域特征及时频特征输入故障诊断模型中；
诊断模块，用于通过所述故障诊断模型输出诊断结果，得到故障分类；
分析模块，用于根据所述电力系统的原理生成故障树，将所述故障数据输入所述故障树中分析所述故障数据的传播路径；
定位模块，用于标注所述电流、电压及功率在所述传播路径中的异常变化参数，根据所述异常变化参数确定故障定位；
发送模块，用于基于所述故障分类和故障定位，发送至管理端。
7.一种计算机设备，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5中任一项所述方法的步骤。
8.一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5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311645965.1A CN117668751B (zh) | 2023-11-30 | 2023-11-30 | 一种高低压电力系统故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311645965.1A CN117668751B (zh) | 2023-11-30 | 2023-11-30 | 一种高低压电力系统故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117668751A CN117668751A (zh) | 2024-03-08 |
| CN117668751B true CN117668751B (zh) | 2024-04-26 |
Family
ID=90065574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311645965.1A Active CN117668751B (zh) | 2023-11-30 | 2023-11-30 | 一种高低压电力系统故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117668751B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992931B (zh) * | 2024-04-03 | 2024-06-11 | 国网冀北电力有限公司 | 一种直流信号特征库与参比信号模型建立系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
| CN109934206A (zh) * | 2019-04-08 | 2019-06-25 | 中国矿业大学(北京) | 一种非平稳工况下的旋转机械故障诊断方法 |
| CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
| CN112464876A (zh) * | 2020-12-12 | 2021-03-09 | 南方电网数字电网研究院有限公司 | 电力设备的故障诊断方法、装置、计算机设备和存储介质 |
| 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 |
| CN116049661A (zh) * | 2021-09-24 | 2023-05-02 | 中科云谷科技有限公司 | 用于液压马达故障诊断的方法、装置及存储介质 |
| CN116578869A (zh) * | 2023-05-16 | 2023-08-11 | 南方电网科学研究院有限责任公司 | 电力系统的故障诊断方法、故障诊断装置与电子装置 |
| CN116861320A (zh) * | 2023-05-31 | 2023-10-10 | 西北工业大学 | 基于短时傅里叶同步压缩变换的转子故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11137318B2 (en) * | 2018-06-19 | 2021-10-05 | Palo Alto Research Center Incorporated | Model-based diagnosis in frequency domain |
-
2023
- 2023-11-30 CN CN202311645965.1A patent/CN117668751B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
| CN109934206A (zh) * | 2019-04-08 | 2019-06-25 | 中国矿业大学(北京) | 一种非平稳工况下的旋转机械故障诊断方法 |
| CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
| CN112464876A (zh) * | 2020-12-12 | 2021-03-09 | 南方电网数字电网研究院有限公司 | 电力设备的故障诊断方法、装置、计算机设备和存储介质 |
| CN116049661A (zh) * | 2021-09-24 | 2023-05-02 | 中科云谷科技有限公司 | 用于液压马达故障诊断的方法、装置及存储介质 |
| 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 |
| CN116578869A (zh) * | 2023-05-16 | 2023-08-11 | 南方电网科学研究院有限责任公司 | 电力系统的故障诊断方法、故障诊断装置与电子装置 |
| CN116861320A (zh) * | 2023-05-31 | 2023-10-10 | 西北工业大学 | 基于短时傅里叶同步压缩变换的转子故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117668751A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985279B (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
| CN109359271B (zh) | 一种基于逻辑回归的变压器绕组变形程度在线检测方法 | |
| CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 | |
| CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
| CN113447783B (zh) | 一种电压互感器绝缘故障辨识模型构建方法及装置 | |
| CN116552306B (zh) | 直流桩的监控系统及其方法 | |
| CN114217164B (zh) | 一种基于放电波形智能识别的电缆故障测距方法及系统 | |
| CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
| CN117554752A (zh) | 电力电缆故障在线检测系统及方法 | |
| CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
| CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
| 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 | |
| CN115409335A (zh) | 基于深度学习考虑未知扰动类型的电力系统扰动识别方法 | |
| CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
| Saucedo-Dorantes et al. | Novelty Detection Methodology Based on Self-Organizing Maps for Power Quality Monitoring | |
| CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
| Izadi | Data-Driven Analysis and Applications of Time-Synchronized Waveform Measurements in Power Systems | |
| CN117894317B (zh) | 基于声纹分析的箱式变压器在线监测方法及系统 | |
| CN116361634A (zh) | 一种继电保护设备状态检测系统及方法、设备、介质 | |
| de Andrade et al. | Power quality disturbances segmentation based on wavelet decomposition and adaptive thresholds | |
| JP7278499B1 (ja) | 学習装置、異常兆候検知装置、異常兆候検知システム、学習方法およびプログラム | |
| Khan et al. | A Robust Fault Diagnosis Scheme using Deep Learning for High Voltage Transmission Line | |
| Shekhar et al. | Improving Utility Cables Diagnostics and Prognostics using Machine Learning | |
| CN117764167A (zh) | 一种逆变器智能故障推理的方法 | |
| CN117220270A (zh) | 一种基于动态相序的台区拓扑辨识方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |