System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及电力系统保护,特别涉及一种基于fcma算法的电力系统故障诊断方法及系统。
技术介绍
1、目前,我国应用最广泛的输电方式仍然是交流输电,相对于普通交流输电,高压交流输电具有电路损耗小,传输效率高等优点。在输电方面,我国的特高压交流输电在国际上一骑绝尘,许多国家望尘莫及,但是特高压输电仍要面对输电损耗,输电效率低和造价昂贵等问题。
2、hvdc输电具有线缆输送容量大、造价低、损耗小、传输距离远和电力系统之间的非同步联网等优势。但是,hvdc系统是一个非常庞大和复杂的系统,在运行过程中难免会出现各种故障情况,当系统故障时需要及时针对故障进行判断和诊断,避免导致整个系统出现停运的糟糕情况,若出现故障导致的系统停运,将会给整个系统造成巨大的经济损失,并且影响用户的用电需求,严重的话会降低并联电网的运行稳定性,对整个电力系统的经济性、安全性、稳定性造成巨大的影响。因此,迫切需要建立高压直流输电故障诊断系统,以实现对高压直流输电系统故障的快速诊断和处理。
技术实现思路
1、本专利提出了一种基于fcma算法的电力系统故障诊断方法及系统,用于实现对hvdc系统各种故障进行诊断,以达到快速、准确地实现系统故障诊断。并且该系统故障诊断模型自动化程度高、适应性好、鲁棒性强,可以很好地解决高压直流输电系统中的故障识别准确率低的问题。
2、本专利技术提供了一种基于fcma算法的电力系统故障诊断方法及系统,首先,对故障数据进行特征提取和数据处理并划分训练集和验证集;然后,建立f
3、具体的,所述方法包括:
4、s1:收集hvdc系统的故障数据,对故障样本数据进行标签处理;
5、s2:将收集到的故障数据进行特征提取,并对特征数据进行归一化处理,建立样本数据集;通过对收集到的故障数据进行特征提取和归一化处理,有效地提取出能够反映系统故障特征的特征向量,为后续的故障诊断建模奠定基础。
6、s3:将样本数据集中的特征进行模糊化处理,建立fcma故障诊断模型;
7、s4:采用遗传算法对所述fcma故障诊断模型进行全局优化,获得最优fcma故障诊断模型用于电力系统故障诊断,并输出可视化结果。
8、在本优选实施例中,所述对故障样本数据进行标签处理,具体包括:
9、定义hvdc系统的故障类型;
10、计算所述故障样本数据和hvdc系统的故障类型的相似特征;
11、根据所述相似特征进行故障样本数据贴标签。
12、在本优选实施例中,所述s2中将收集到的故障数据进行特征提取,具体包括:
13、提取所述故障数据的电气参数和参数特征值,使用信号处理技术对所述故障数据进行预处理和特征提取;再使用机器学习中的特征工程方法,对特征进行降维或提取更有信息量的特征。
14、所述s3中将样本数据集中的特征进行模糊化处理,具体包括:
15、定义模糊集合;
16、为每个模糊集合设计隶属度函数;
17、对于样本数据集中每个需要模糊化的特征值,计算其属于不同模糊集合的隶属度;
18、将每个特征值的隶属度值转换为模糊特征;
19、其中,目标函数
20、式中u=(uik)c×n为隶属度矩阵,uik为第k个样本隶属于第i簇的隶属度,uik∈[0,1],dik为第i个聚类中心与第k个数据点间的欧几里得矩阵,dik=‖xk-vi‖;j(u,v)表示了各类中样品到聚类中心的加权平方距离之和,权重是样品xk属于第i类的隶属度的m次方。
21、所述采用遗传算法对所述fcma故障诊断模型进行全局优化,具体为:
22、定义一个适应度函数;
23、初始化种群,根据个体的适应度值,采用选择操作从种群中选择一部分个体作为父代;根据个体的适应度值,采用选择操作从种群中选择一部分个体作为父代;交叉操作采用算术交叉,变异算子采用非均匀变异;用新生成的子代个体替换部分较差的父代个体,形成新的种群;多次迭代达到特定的迭代次数,在最终的种群中选择适应度最佳的个体作为优化结果,在最终的种群中选择适应度最佳的个体作为优化结果。
24、所述fcma故障诊断模型,还包括:计算最终的隶属度矩阵u和聚类中心v,使得目标函数j(u,v)的值达到最小,具体为:
25、
26、修正隶属度矩阵u(l),计算目标函数值j(l):
27、
28、
29、
30、对给定的隶属度终止容限εu>0,或目标函数终止容限εj>0,或最大迭代步长lmax;当或当l>1,|j(l)-j(l-1)|<εl或l≥lmax)时,停止迭代,否则j=j+1,重新计算聚类中心v(l)。
31、根据最终的隶属度矩阵u中元素的取值确定所以样本数据的归属,当时,可将样品xk归为第j类。
32、基于同一专利技术思路,本专利技术还提供一种基于fcma算法的电力系统故障诊断系统,所述诊断系统包括:
33、数据采集单元,用于收集hvdc系统的故障数据;
34、标签处理单元,用于对故障样本数据进行标签处理;
35、预处理单元,用于将收集到的故障数据进行特征提取,并对特征数据进行归一化处理,建立样本数据集;
36、第一处理单元,用于将样本数据集中的特征进行模糊化处理,建立fcma故障诊断模型诊断单元,采用最优fcma故障诊断模型进行电力系统故障诊断;
37、以及可视化处理单元,用于将所述电力系统故障诊断进行可视化处理后并呈现。
38、通过训练优化后的fcma故障诊断模型,并输入待诊断的数据,可以得到故障诊断结果。将这些结果进行可视化展示,通过图表、曲线等形式直观地展示系统的故障类型、位置和概率,方便用户理解和应用。
39、进一步的,所述诊断系统,还包括:
40、第二处理单元,用于采用遗传算法对所述fcma故障诊断模型进行全局优化,获得最优fcma故障诊断模型。
41、基于同一专利技术思路,本专利技术还提供一种fcma故障诊断模型,所述模型为如上所述的基于fcma算法的电力系统故障诊断方法中的fcma故障诊断模型。
42、本专利技术相对于现有技术的存在如下有益效果:
43、1、本专利技术采用遗传算法对fcma故障诊断模型进行全局优化,通过对模型参数的优化和调整,寻找最优解空间,提高模型的准确性、鲁棒性和泛化能力。
44、2、本专利技术该基于fcma算法的电力系统故障诊断方法及系统通过综合运用特征提取、模糊化处理、遗传算法优化和可视化展示等技术手段,能够有效地进行电力系统的故障诊断,并为电力系统的运行和维护提供重要的支持。
本文档来自技高网...【技术保护点】
1.一种基于FCMA算法的电力系统故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于FCMA算法的电力系统故障诊断方法,其特征在于,所述对故障样本数据进行标签处理,具体包括:
3.根据权利要求2所述的一种基于FCMA算法的电力系统故障诊断方法,其特征在于,所述S2中将收集到的故障数据进行特征提取,具体包括:
4.根据权利要求3所述的一种基于FCMA算法的电力系统故障诊断方法,其特征在于,所述S3中将样本数据集中的特征进行模糊化处理,具体包括:
5.根据权利要求4所述的一种基于FCMA算法的电力系统故障诊断方法,其特征在于,所述采用遗传算法对所述FCMA故障诊断模型进行全局优化,具体为:
6.根据权利要求5所述的一种基于FCMA算法的电力系统故障诊断方法,其特征在于,所述FCMA故障诊断模型,还包括:计算最终的隶属度矩阵U和聚类中心V,使得目标函数J(U,V)的值达到最小,具体为:
7.根据权利要求6所述的一种基于FCMA算法的电力系统故障诊断方法,其特征在于,还包括:根据最终的隶属度矩
8.一种根据权利要求1-7任一所述的一种基于FCMA算法的电力系统故障诊断方法的系统,其特征在于,所述系统包括:
9.一种根据权利要求8所述的系统,其特征在于,所述系统,还包括:第二处理单元,用于采用遗传算法对所述FCMA故障诊断模型进行全局优化,获得最优FCMA故障诊断模型。
10.一种FCMA故障诊断模型,其特征在于,所述FCMA故障诊断模型为如权利要求1-7任一所述的一种基于FCMA算法的电力系统故障诊断方法中的FCMA故障诊断模型。
...【技术特征摘要】
1.一种基于fcma算法的电力系统故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于fcma算法的电力系统故障诊断方法,其特征在于,所述对故障样本数据进行标签处理,具体包括:
3.根据权利要求2所述的一种基于fcma算法的电力系统故障诊断方法,其特征在于,所述s2中将收集到的故障数据进行特征提取,具体包括:
4.根据权利要求3所述的一种基于fcma算法的电力系统故障诊断方法,其特征在于,所述s3中将样本数据集中的特征进行模糊化处理,具体包括:
5.根据权利要求4所述的一种基于fcma算法的电力系统故障诊断方法,其特征在于,所述采用遗传算法对所述fcma故障诊断模型进行全局优化,具体为:
6.根据权利要求5所述的一种基于fcma算法的电力系统故障诊断方法,其特征在于,所述fcma故障...
【专利技术属性】
技术研发人员:李强,陈潜,武霁阳,陈礼昕,黄之笛,龚泽,覃广斌,李浩,肖耀辉,余俊松,王林,乔柱桥,
申请(专利权)人:中国南方电网有限责任公司超高压输电公司电力科研院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。