CN117726071A - 基于大数据的变电站故障智能分析诊断方法和系统 - Google Patents

Abstract

本发明公开了基于大数据的变电站故障智能分析诊断方法和系统，包括：信息获取单元、故障诊断知识库、推理机和人机界面，本发明涉及变电站故障智能分析技术领域，解决了如何将操作人员的经验等转化为专家知识库，形成一种针对变电站故障进行智能分析诊断的技术方案，从而实现对变电站故障进行快速、准确处理的技术问题，本发明通过提供的故障诊断规则，将运维人员的专业技术与经验转换为智能诊断知识库，可以辅助变电站运维人员短时间内完成变电站故障的分析诊断与处理，提高了故障诊断的准确性，通过故障诊断规则自学习，能够使采用本方法的决策系统进行自动优化升级，减少人工干预，保证智能诊断的自动迭代更新，使之更加精准。

Description

基于大数据的变电站故障智能分析诊断方法和系统

技术领域

本发明涉及变电站故障分析诊断技术领域，具体为基于大数据的变电站故障智能分析诊断方法和系统。

背景技术

当前大多数企业仍沿用传统的方法对变电运行进行维护与管理，当变电站出现运行故障时，往往还是采用传统的方法依靠人工经验去分析解决。故障发生时，尤其是出现大面积停电等故障时，现场情况紧急，操作人员会比较慌乱，加之技术水平参差不齐，极有可能由于判断错误导致误操作事故，致使故障进一步扩大，严重时造成设备损坏及人员伤亡事故，对电力系统的正常运行产生严重的不利影响。

综上所述，如何将操作人员的经验等转化为专家知识库，形成一种针对变电站故障进行智能分析诊断的技术方案，辅助操作人员对变电站故障进行快速、准确的处理，是本领域技术人员研究的重点内容。

发明内容

针对现有技术的不足，本发明提供了基于大数据的变电站故障智能分析诊断方法和系统，解决了如何将操作人员的经验等转化为专家知识库，形成一种针对变电站故障进行智能分析诊断的技术方案，从而实现对变电站故障进行快速、准确处理的问题。

为实现以上目的，本发明通过以下技术方案予以实现：基于大数据的变电站故障智能分析诊断方法，该方法具体包括以下步骤：

步骤一：建立故障模型库，并基于故障模型库建立智能分析诊断规则，其中故障模型库包括：故障数据库和故障诊断规则库，且故障诊断规则库包括：设备层级判别规则、故障信息分类规则、故障类型判别规则，故障数据库包括：故障类型、故障特征和故障处理策略数据；

所述设备层级判别规则用于判别设备的层级，所述故障信息分类规则用于对故障进行分类，且故障分类包括：低电压故障和短路故障。

具体的，故障信息分类规则用于对故障进行分类，其中包括低电压故障和短路故障，且具体的分类为：保护动作信号中包含“低电压”文字的均属于低电压故障，保护动作信号中包含“过流”、“速断”等文字的均属于短路故障。

具体的断路器动作判别规则用于识别断路器的分合闸状态，当断路器分闸信号=1时，表示断路器在分闸位置；断路器合闸信号=1时，表示断路器在合闸位置；故障类型判别规则用于进行故障分析诊断，得出故障分析诊断结果。

步骤二：获取变电站故障时的故障信息，包括故障回路设备编号、保护动作信号、断路器开断信号；且生成保护动作信号的具体方式为：

S1：将变电站设备进行标号处理且记作n，且n=1、2、…、m，接着对设备的实时电压和实时电流进行采集并记作Un，和In，同时将获取到的实时电压和实时电流与预存的正常数据进行比较；

S2：当设备实时电压和实时电流与正常数据相同时，则表示设备正常，并生成正常信号，反之当设备实时电压和实时电流与正常数据不相同时，则表示设备异常，并生成异常信号；

S3：接着对生成的异常信号进行分析，获取到异常设备对应的异常数据，并生成对应的保护动作信号。

步骤三：根据变电站的故障信息，并根据故障智能分析诊断规则对故障信息进行故障分析，得到故障分析诊断结果；

优选地，对故障分析诊断结果的具体判定方式为：

P1：获取“故障类型”判定结果。

P2：根据设备层级判别规则对所有产生保护动作的设备层级进行判定，确定导致故障发生的设备，关联到“故障原因”。此时分为两种情况，如果P1的判别结果为低电压故障，则判定“故障原因”为：最高层级的设备发生故障；如果P1的判别结果为短路故障，且只有唯一设备有短路故障的保护动作信号，则判定“故障原因”为：该设备发生故障；此时如果有短路故障保护动作信号的设备发生在两个及以上设备层级，则判定“故障原因”为：最低层级的设备发生故障。

P3：获取根据断路器动作判别规则对所有断路器的分合闸状态的判别结果，结合设备编号规则及P1和P2的结果判定“故障原因”和“故障结果”。

步骤四：将故障分析诊断结果通过人机界面进行输出。

本发明提供了基于大数据的变电站故障智能分析诊断方法和系统。与现有技术相比具备以下有益效果：

本发明通过提供的故障诊断规则，将运维人员的专业技术与经验转换为智能诊断知识库，可以辅助变电站运维人员短时间内完成变电站故障的分析诊断与处理，提高了故障诊断的准确性，通过故障诊断规则自学习，能够使采用本方法的决策系统进行自动优化升级，减少人工干预，保证智能诊断的自动迭代更新，使之更加精准。

附图说明

图1为本发明方法图；

图2为本发明系统框图；

图3为本发明石化企业典型的电气一次主接线图。

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。

实施例一，请参阅图1、图2和图3，本申请提供了基于大数据的变电站故障智能分析诊断方法，该方法具体包括以下步骤：

步骤一：建立故障模型库，并基于故障模型库建立智能分析诊断规则。

优选地，故障模型库包括故障数据库和故障诊断规则库，且故障诊断规则库和故障数据库相互交互。

故障诊断规则库包括：设备层级判别规则、故障信息分类规则、故障类型判别规则；

故障数据库包括：故障类型、故障特征、故障处理策略等数据，且数据主要来源于实际运行过程中的历史故障案例和操作人员的工作经验总结。

具体的，设备层级判别规则用于判别设备是属于哪一层级，结合附图3进行说明，根据电源层级关系对设备进行层级分类，如图所示，11G、12G为110kV电源进线，定义为第①层级；21G、22G为主变压器110kV高压侧进线电源，定义为第②层级；31G、32G为主变6kV低压侧，也是6kV变电站的进线电源，定义为第③层级；41G、42G等为6kV变电站配出设备，定义为第④层级；51G、52G为380V变电站的进线电源，定义为第⑤层级。

具体的，故障信息分类规则用于对故障进行分类，其中包括低电压故障和短路故障，且具体的分类为：保护动作信号中包含“低电压”文字的均属于低电压故障，保护动作信号中包含“过流”、“速断”等文字的均属于短路故障。

具体的断路器动作判别规则用于识别断路器的分合闸状态，当断路器分闸信号=1时，表示断路器在分闸位置；断路器合闸信号=1时，表示断路器在合闸位置；故障类型判别规则用于进行故障分析诊断，得出故障分析诊断结果。

步骤二：获取变电站故障时的故障信息，包括故障回路设备编号、保护动作信号、断路器开断信号，且生成保护动作信号的具体方式为：

S1：将变电站设备进行标号处理且记作n，且n=1、2、…、m，接着对设备的实时电压和实时电流进行采集并记作Un，和In，同时将获取到的实时电压和实时电流与预存的正常数据进行比较；且正常数据为设备正常工作中产生的数据，也就是正常工作时对应的电压和电流，数据通过历史数据和设备上的铭牌标记得到。

S2：当设备实时电压和实时电流与正常数据相同时，则表示设备正常，并生成正常信号，反之当设备实时电压和实时电流与正常数据不相同时，则表示设备异常，并生成异常信号，同时生成故障设备信号；

S3：接着对生成的异常信号进行分析，获取到异常设备对应的异常数据，并生成对应的保护动作信号，具体的，如果异常设备对应的为电压过低，则保护动作信号则为低电压信号，如果异常设备对应的为电流过大，则保护动作信号为过流信号。

断路器开断信号的具体生成方式为：当断路器分闸信号=1，且电流=0时，表示断路器在分闸位置，并生成断路器开闸信号；断路器合闸信号=1且电流﹥0时，表示断路器在合闸位置，并生成断路器断闸信号。

优选地，设备编号规则具体为：设备编号xxxG，G前面的数字为两位数的设备为进线和母联，第一位数字代表x段母线，例如1代表I段母线，2代表II段母线；第二位数字代表x段进线或母联，例如1代表1#进线，2代表2#进线，0代表母联；G前面的数字为三位数的设备为电机等负载设备。

结合实际分析，如果故障时6kV变电站断路器分合状态为：31G分，30G合，32G合，第④层级设备均为合；步骤1判定故障类型为：低电压故障；步骤2判定故障层级为第①级。则可判定“故障原因”为：“110kV变电站 1#进线”发生“低电压”故障，“故障结果”为：“6kV变电站1#进线”发生“低电压”故障“分闸”，“6kV变电站母联”“合闸”。

步骤三：根据变电站的故障信息，并根据故障智能分析诊断规则对故障信息进行故障分析，得到故障分析诊断结果，且按照以下的分析方式得到故障分析诊断结果：

优选地，对故障分析诊断结果的具体判定方式为：

P1：获取“故障类型”判定结果。

P2：根据设备层级判别规则对所有产生保护动作的设备层级进行判定，确定导致故障发生的设备，关联到“故障原因”。此时分为两种情况，如果P1的判别结果为低电压故障，则判定“故障原因”为：最高层级的设备发生故障；如果P1的判别结果为短路故障，且只有唯一设备有短路故障的保护动作信号，则判定“故障原因”为：该设备发生故障；此时如果有短路故障保护动作信号的设备发生在两个及以上设备层级，则判定“故障原因”为：最低层级的设备发生故障。

P3：获取根据断路器动作判别规则对所有断路器的分合闸状态的判别结果，结合设备编号规则及P1和P2的结果判定“故障原因”和“故障结果”。

步骤四：将故障分析诊断结果通过人机界面进行输出。

实施例二，本实施例在实施例一的基础上实施，且与实施例一的区别之处在于，本实施例还包括故障诊断规则自学习方法。

故障诊断规则自学习方法，用于对故障诊断知识库进行完善，并对故障诊断规则进行调整。

具体的，对故障诊断规则进行调整的方式为：

A1：在故障诊断规则中搜索，是否存在相同的匹配，即在故障诊断规则库中找与规则前件完全一致匹配的条件内容。

A2：如果规则前件不存在，说明该类信息还没有建立诊断规则，则增加一个对应的规则，如果规则前件存在，但是规则后件与实际情况不匹配，说明该类故障已经建立故障诊断规则，但是故障诊断知识库中对应的“故障结果”不匹配，则对故障诊断规则进行调整。

例如，建立规则： If：保护动作信号中包含“复压过流”；

then：按照“复压过流”进行故障类型判别；

如果if后，前件没有找到完全一致的内容，则在规则库中增加“复压过流”这条规则。

如果if后，前件存在相同的匹配，但是系统输出的“故障结果”与实际情况不匹配，则对故障诊断规则进行调整。

通过故障诊断规则自学习，能够使采用本方法的决策系统进行自动优化升级，减少人工干预，保证智能诊断的自动迭代更新，使之更加精准。

实施例三，本实施例在实施例二的基础上实施，且与实施例二的区别之处在于，基于大数据的变电站故障智能分析诊断系统，该系统包括：信息获取单元、故障诊断知识库、推理机和人机界面。

信息获取单元，用于对变电站对应的设备信息进行获取，并将获取到的设备信息传输到故障诊断知识库。

故障诊断知识库，用于根据生成的故障回路设备编号、保护动作信号和断路器开断信号对变电站设备故障原因进行分析。

推理机与故障诊断知识库连接并通过人机界面输出结果，人机界面的人工干预界面以及规则与数据的管理界面仅与故障诊断知识库中的故障数据库和故障诊断规则库关联。

该设置中，将推理机与规则库从逻辑上分开，人工干预界面以及规则与数据的管理界面仅与故障诊断知识库中的故障数据库和故障诊断规则库关联，与推理机无关。 这样可以根据不同用户的要求，随时调整规则库，实现决策者的意图与要 求，保证了系统开放和可拓展。

人机界面的功能主要表现在：对规则与实际情况的确认与调整；对所产生输出结果的验证；对数据库和规则库中不完善部分的优化和调整。

实施例四，作为本发明的实施例四，重点在于将实施例一、实施例二和实施例三的实施过程结合实施。

上述公式中的部分数据均是去其纲量进行数值计算，同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。

以上实施例仅用以说明本发明的技术方法而非限制，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法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.基于大数据的变电站故障智能分析诊断方法，其特征在于，该方法具体包括以下步骤：

步骤一：建立故障模型库，并基于故障模型库建立智能分析诊断规则；

步骤二：获取变电站故障时的故障信息，包括故障回路设备编号、保护动作信号、断路器开断信号；

步骤三：根据变电站的故障信息，并根据故障智能分析诊断规则对故障信息进行故障分析，得到故障分析诊断结果；

步骤四：将故障分析诊断结果通过人机界面进行输出。

2.根据权利要求1所述的基于大数据的变电站故障智能分析诊断方法，其特征在于，所述步骤一中的故障模型库包括：故障数据库和故障诊断规则库，且故障诊断规则库包括：设备层级判别规则、故障信息分类规则、故障类型判别规则，故障数据库包括：故障类型、故障特征和故障处理策略数据。

3.根据权利要求2所述的基于大数据的变电站故障智能分析诊断方法，其特征在于，所述设备层级判别规则用于判别设备的层级，所述故障信息分类规则用于对故障进行分类，且故障分类包括：低电压故障和短路故障。

4.根据权利要求1所述的基于大数据的变电站故障智能分析诊断方法，其特征在于，所述步骤二中生成保护动作信号的具体方式为：

S1：将变电站设备进行标号处理且记作n，且n=1、2、…、m，接着对设备的实时电压和实时电流进行采集并记作Un，和In，同时将获取到的实时电压和实时电流与预存的正常数据进行比较；

S2：当设备实时电压和实时电流与正常数据相同时，则表示设备正常，并生成正常信号，反之当设备实时电压和实时电流与正常数据不相同时，则表示设备异常，并生成异常信号；

S3：接着对生成的异常信号进行分析，获取到异常设备对应的异常数据，并生成对应的保护动作信号。

5.根据权利要求1所述的基于大数据的变电站故障智能分析诊断方法，其特征在于，所述步骤二中生成断路器开断信号的具体方式为：

当断路器分闸信号=1，且电流=0时，表示断路器在分闸位置，并生成断路器开闸信号；断路器合闸信号=1且电流﹥0时，表示断路器在合闸位置，并生成断路器断闸信号。

6.根据权利要求1所述的基于大数据的变电站故障智能分析诊断方法，其特征在于，所述步骤三中生成故障分析诊断结果的具体方式为：

当“故障类型”判定结果为低电压故障时，则判定“故障原因”为最高层级设备发生故障，当“故障类型”判定结果为短路故障，且只存在唯一设备生成短路故障的保护动作信号，则判定“故障原因”为单一设备故障，当短路故障保护动作信号的设备发生在两个及以上设备层级，则判定“故障原因”为最低层级的设备发生故障。

7.根据权利要求1所述的基于大数据的变电站故障智能分析诊断方法，其特征在于，该故障智能分析诊断方法还包括故障诊断规则自调整，且具体的自调整方式为：

A1：在故障诊断规则中搜索，是否存在相同的匹配，即在故障诊断规则库中找与规则前件完全一致匹配的条件内容；

A2：若存在规则前件，则表示未建立诊断规则，同时自动增加对应规则，若不存在规则前件，且规则后件与实际情况不匹配，则表示已建立故障诊断规则，当故障诊断知识库中对应的“故障结果”不匹配时，则对故障诊断规则进行调整。

8.执行权利要求1-7任一所述的基于大数据的变电站故障智能分析诊断方法的诊断系统，其特征在于，该诊断系统包括：信息获取单元、故障诊断知识库、推理机和人机界面；

信息获取单元，用于对变电站对应的设备信息进行获取，并将获取到的设备信息传输到故障诊断知识库；

故障诊断知识库，用于根据生成的故障回路设备编号、保护动作信号和断路器开断信号对变电站设备故障原因进行分析；

推理机与故障诊断知识库连接并通过人机界面输出结果；

人机界面，用于对对规则与实际情况的确认与调整，对所产生输出结果的验证；对数据库和规则库中不完善部分的优化和调整。