基于模糊证据推理的智能变电站运行态势异常告警方法技术

本发明专利技术涉及电力系统故障诊断方法技术领域，是一种基于模糊证据推理的智能变电站运行态势异常告警方法，包括对变电站数据进行故障预测以及特征提取处理，选取出对检测结果影响较小的特征；判断运行态势异常，利用马尔可夫模型对所述变电站实际运行过程中态势进行预测；告警所述变电站运行态势异常，计算异常目标运行态势的模糊隶属函数，实现资源状态的实时管理、更新、在线设备识别、运行状态异常告警。本发明专利技术通过模糊证据推理和信息事件化方法，完成异常告警，解决了识别率低、告警异常情况所需时间长以及抗噪能力差的问题，同时，能够明确各个设备间的关联性，当其中一个环节出现问题，及时发出告警信息，避免产生连锁问题。避免产生连锁问题。避免产生连锁问题。

【技术实现步骤摘要】
基于模糊证据推理的智能变电站运行态势异常告警方法


[0001]本专利技术涉及电力系统故障诊断方法
，是一种基于模糊证据推理的智能变电站运行态势异常告警方法，其是一种基于模糊证据推理的智能变电站运行态势异常实时在线告警方法。

技术介绍

[0002]随着新型电力系统的建设，每个变电站均有着信息高度集成共享的规则，各个电力线路监测得到的信息量中带有海量设备状态数据，若利用目前异常告警对海量信息量进行检测，会出现告警不及时的问题，工作人员无法在短时间内得知发生故障的线路，从而耽误线路维修，最终造成不必要的影响。
[0003]线路监测和警告是相辅相成的关系，只有及际运行状态，模拟出实时状态下变电站的各项参数，对运行过程中正常运行状态和实际运行的电力状态进行对比，判断目前两种状态间是否存在差异，若出现异常则及时发出告警时监测到变电站存在故障变电站才能及时告警。目前有部分专家提出首先预测变电站的实。也有部分专家提出首先根据原始电力攻击观测序列识别出所有预警，同时使用动态计算方法计算出预警的信息物理协同判据，缩小变电站告警范围，并对该范围线路进行检测同时加以告警。
[0004]但是在实际告警过程中，没有对智能变电站可能发生故障和异常情况进行预测，导致异常检测范围过大，加大工作量，获取的异常线路特征单一且冗余量大，存在识别率低、态势分析耗时时间长以及噪声干扰下告警时延长的问题。为了解决上述问题，提出模糊证据推理下的智能变电站运行态势异常实时在线告警方法。

技术实现思路

[0005]本专利技术提供了一种基于模糊证据推理的智能变电站运行态势异常告警方法，克服了上述现有技术之不足，其对智能变电站运行态势异常识别率高、态势分析耗时短、加入噪声后的告警时延短；同时，能够明确各个设备间的关联性，当其中一个环节出现问题，及时发出告警信息，避免产生连锁问题。
[0006]本专利技术的提供了一种基于模糊证据推理的智能变电站运行态势异常告警方法，所述方法包括：
[0007]步骤1，提取智能变电站运行数据特征，对所述变电站的数据特征进行选择，选取出对检测结果影响较小的特征；
[0008]步骤2，判断运行态势异常，利用马尔可夫模型对所述变电站实际运行过程中态势进行预测；
[0009]步骤3，告警所述变电站运行态势异常，计算异常目标运行态势的模糊隶属函数，实现资源状态的实时管理、更新、在线设备识别、运行状态异常告警。
[0010]进一步地，步骤1中，将RVM视为分类器的输入向量，由于数据中不可避免带有一些冗余数据，这会影响特征提取、分类以及最终的异常检测结果，因此需要对变电站的数据特
征进行选择，选取出对检测结果影响较小的特征。
[0011]进一步地，步骤2中，利用马尔可夫模型对变电站实际运行过程中态势进行预测，通过详细分析变电站的异常机制，可定义出变电站中较为薄弱的环节参数，将参数引入到模型中，得出变电站运行的可靠性模型δ，其表达式为：
[0012][0013]式中，a代表各个子系统对应的故障率，b代表各个子系统对应的故障修复率，n表示总子系统数量。
[0014]进一步地，步骤3中，告警所述变电站运行态势异常，计算异常目标运行态势的模糊隶属函数，具体包括：根据模糊证据推理原理，对所述变电站运行态势异常告警，具体为：
[0015]计算异常目标运行态势的模糊隶属函数；
[0016]根据证据理论合成所有目标对象的隶属函数；
[0017]依据判决准则检测异常并加以警告。
[0018]进一步地，步骤3具体包括：设所述变电站的论域为U，模糊数据集合为A，则A在U上的映射u
A
表达式为：
[0019][0020]式中，u
A
代表集合A的隶属度函数，将其使用于智能变电站中，对智能变电站的异常态势数据实施特征提取预处理后，计算出异常数据的隶属度，并依据实际的数据性质，选取模糊分布的形式；不同的变电站中因设备的不同，导致其模糊集合也是不尽相同的，因此隶属度函数针对每个变电站设备均是不同的，所述隶属度函数有三角形隶属度函数以及梯形隶属度函数；假设变电站的全部运行态势异常集合为θ＝{θ1,θ2,
…
,θ
n
}，集合中的某个节点A
′
的告警证据集合为则告警对故障的支持度计算公式为：
[0021][0022]其中，代表确实为需要告警的异常运行姿态个数，N
A
′
代表变电站设备异常运行姿态告警的总数；
[0023]u
A
′
＝{u
A
′
(θ1),u
A
′
(θ2),
…
,u
A
′
(θ
n
)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0024]在所述隶属度函数的基础上，得出智能变电站运行态势异常告警证据的隶属度函数计算公式：
[0025][0026]式中，a
″′
和b
″′
均代表隶属度函数的参数；
[0027]由式(3)至(4)得出所述变电站中每种设备针对不同异常姿态的支持度模糊隶属度，生成下列支持度集合表达式：
[0028]f
A
′
＝{f
A
′
(θ1),f
A
′
(θ2),
…
,f
A
′
(θ
n
)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0029]为了更好的统一变电站运行姿态的隶属度，对支持度集合进行归一化处理，将所有带有量纲隶属度转化成无量纲的，更加直观比较隶属度结果，隶属度的归一化公式为：
[0030][0031]经过归一化处理后的隶属度，就能够完成整合处理，最终对其中的异常进行选取并加以告警即可。
[0032]进一步地，三角形隶属度函数的计算公式为：
[0033][0034]其中，a
′
和c
′
代表三角形隶属度函数的参数，b
′
代表三角形隶属度函数“峰”的参数。进一步地，梯形隶属度函数的计算公式为：
[0035][0036][0037]其中，a
″
和d
″
均代表梯形隶属度函数“脚”的参数，b
″
和c
″
均代表梯形隶属度函数“肩膀”的参数。
[0038]本专利技术所述基于模糊证据推理下的智能变电站运行态势异常告警方法，对变电站数据进行故障预测以及特征提取处理，通过模糊证据推理和信息事件化方法，完成异常告警，解决了识别率低、告警异常情况所需时间长以及抗噪能力差的问题，同时，能够明确各个设备间的关联性，当其中一个环节出现问题，及时发出告警信息，避免产生连锁问题，加强新型电力系统工作能力，可大大加长电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模糊证据推理的智能变电站运行态势异常告警方法，其特征在于，所述方法包括：步骤1，提取智能变电站运行数据特征，对所述变电站的数据特征进行选择，选取出对检测结果影响较小的特征；步骤2，判断运行态势异常，利用马尔可夫模型对所述变电站实际运行过程中态势进行预测；步骤3，告警所述变电站运行态势异常，计算异常目标运行态势的模糊隶属函数，实现资源状态的实时管理、更新、在线设备识别、运行状态异常告警。2.根据权利要求1所述的基于模糊证据推理的智能变电站运行态势异常告警方法，其特征在于，步骤1中，将RVM视为分类器的输入向量，由于数据中带有冗余数据，这会影响特征提取、分类以及最终的异常检测结果，因此需要对所述变电站的数据特征进行选择，选取出对检测结果影响较小的特征。3.根据权利要求1或2所述的基于模糊证据推理的智能变电站运行态势异常告警方法，其特征在于，步骤2中，利用马尔可夫模型对所述变电站实际运行过程中态势进行预测，通过详细分析变电站的异常机制，定义出所述变电站中较为薄弱的环节参数，将参数引入到马尔可夫模型中，得出所述变电站运行的可靠性模型δ，其表达式为：式中，a代表各个子系统对应的故障率，b代表各个子系统对应的故障修复率，n表示总子系统数量。4.根据权利要求1所述的基于模糊证据推理的智能变电站运行态势异常告警方法，其特征在于步骤3中，告警所述变电站运行态势异常，计算异常目标运行态势的模糊隶属函数，具体包括：根据模糊证据推理原理，对所述变电站运行态势异常告警，具体为：计算异常目标运行态势的模糊隶属函数；根据证据理论合成所有目标对象的隶属函数；依据判决准则检测异常并加以警告。5.根据权利要求4所述的基于模糊证据推理的智能变电站运行态势异常告警方法，其特征在于具体包括：设所述变电站的论域为U，模糊数据集合为A，则A在U上的映射u
A
表达式为：式中，u
A
代表集合A的隶属度函数，将其使用于智能变电站中，对智能变电站的异常态势数据实施特征提取预处理后，计算出异常数据的隶属度，并依据实际的数据性质，选取模糊分布的形式；不同的变电站中因设备的不同，导致其模糊集合也是不尽相同的，因此隶属度函数针对每个变电站设备均是不同的，所述隶属度函数有三角形隶属度函数以及梯形隶属度函数；假设变电站的全部运行态势异常集合为θ＝{θ1,θ2,
…
,θ
...

【专利技术属性】
技术研发人员：加依达尔，
申请(专利权)人：国网新疆电力有限公司国家电网有限公司，
类型：发明
国别省市：