【技术实现步骤摘要】
本专利技术涉及变电站二次设备领域，具体为基于多模型的变电站二次设备故障定位方法。
技术介绍
1、随着电力行业智能化的发展，智能变电站作为智能电网的主要结构单元迎来快速发展。相较于常规变电站，二者的主要区别是智能变电站二次设备网络化，即以数字信号取代物理电气信号、以通信网络取代传统二次回路。变电站内二次设备种类众多，按照类型可分为继电保护装置、自动安全装置、测控装置等，以上装置按功能单元可分为电源、cpu、开入、开出等模块。以往针对二次设备故障的诊断上过于依赖于个人经验或者厂家帮助，对于经验不足的人员可能会误诊断，从而导致工作效率低下，所以如何快速对二次设备中故障模块的诊断尤其重要。
2、中国专利，公开号：cn109491749a，公开日：2019年03月19日，公开了一种智能变电站虚端子内部连接动态展示方法及系统。该方法先将scd文件生成设备模型对应文件，简化了模型文件，直接生成设备间的订阅关系，该系统能够快速读取设备模型文件，准确定位设备与订阅设备的对应关系，降低了运维的难度，提高运维人员的工作效率。而该专利技术仅能辨别采样回路异常等典型故障范围，对部分故障诊断定位结果不准确。
技术实现思路
1、本专利技术的目的是针对现有技术在二次设备种类繁杂导致的故障定位不准确的问题；设计了基于多模型的变电站二次设备故障定位方法，通过构建的故障定位数据库对故障定位模型进行训练，基于设计的门限机制对目标特征信息进行分流，结合故障推理规则和故障定位模型对分流后的目标特征信息进行独立处理
2、为解决上述技术问题，本专利技术采用的技术方案为：基于多模型的变电站二次设备故障定位方法，包括以下步骤：
3、s1、获取历史故障特征信息与对应故障类型构建故障定位数据库；
4、s2、基于故障定位数据库对cnn-gru模型进行训练构建故障定位模型；
5、s3、获取时间序列上的二次设备特征数据，基于故障定位数据库筛选出二次设备特征数据中的目标特征信息；基于门限机制对目标特征信息进行分流处理得到第一故障特征数据和第二故障特征数据；采用故障推理规则对第一故障特征数据进行处理执行故障定位；采用故障定位模型对第二故障特征数据进行处理执行故障定位。
6、本方案中，为解决现有技术在二次设备种类繁杂导致的故障定位不准确的问题，提出了基于多模型的变电站二次设备故障定位方法，通过基于历史故障特征信息与对应故障类型构建的故障定位数据库对故障定位模型进行训练，基于设计的门限机制对目标特征信息进行分流，结合故障推理规则和故障定位模型对分流后的目标特征信息进行独立处理执行故障定位，可以提高二次设备故障定位的准确性。
7、作为优选，在构建故障定位数据库之前，还包括对获取的历史故障特征信息进行预处理，所述预处理步骤包括如下步骤：
8、通过归一化方法对历史故障特征集中的历史故障特征信息进行量纲统一得到初始故障特征集；为初始故障特征集配置对应的故障类型集；采用相关度算法计算初始故障特征集中的每一个故障特征和故障类型集中的故障类型之间的相关度；筛选出相关度大于设定阈值的故障特征信息作为对应故障类型的目标特征信息；基于故障类型与目标特征信息之间的映射关系构建故障定位数据库。
9、本方案中，为提高故障定位模型的精确度，让不同维度的数据具有一定的可比性并解决输入数据量纲不同的问题，利用归一化方法对历史故障特征集中的历史故障特征信息进行量纲统一得到初始故障特征集并为初始故障特征集配置对应的故障类型集，利用相关度算法可以得到初始故障特征集中的每一个故障特征和故障类型集中的故障类型之间的相关度，有利于更加清晰认识到故障类型与故障特征之间的映射关系。
10、作为优选，所述初始故障特征集中的故障特征信息包括二次设备运行状态信息、sv/goose接受状态信息和采样值。
11、本方案中，初始故障特征集中的故障特征信息分为二次设备运行状态信息集合xzti、sv/goose接收状态信息集合xsgi、采样值集合xcyi，以上三类集合共同组成由故障特征信息组成的故障的特征集xi。按照时间序列将故障特征信息排列并对应具体的二次设备故障。初始故障特征集的创建为得到故障特征和故障类型之间的相关度提供了基础。
12、作为优选，所述归一化方法的公式表述如下：
13、
14、式中，xi表示历史故障特征集中的特征向量，xi′是历史故障特征集标准化后的特征向量，xmax是历史故障特征集中的样本最大值，xmin是历史故障特征集中的样本最小值。
15、本方案中，为提高故障定位模型的精确度，让不同维度的数据具有一定的可比性并解决输入数据量纲不同的问题，采用min-max归一化方法对历史故障特征集数据进行处理。
16、作为优选，所述相关度算法包括皮尔逊相关系数法，所述皮尔逊相关系数法的公式表述如下：
17、
18、式中，r为故障特征和故障类型之间的相关系数；xi为第i个初始故障特征集中故障特征的值，yi为第i个故障类型集中故障类型的值；为故障特征的均值，为故障类型的均值；n为初始故障特征集或故障类型集的个数。
19、本方案中，通过利用皮尔逊相关系数法可以得到初始故障特征集中的每一个故障特征和故障类型集中的故障类型之间的相关度，有利于更加清晰认识到故障类型与故障特征之间的映射关系。
20、作为优选，所述s2包括：
21、以历史故障特征信息的目标特征信息作为cnn的输入利用cnn的全连接层将输入数据展平为一维数据，得到的一维数据通过gru模型进行训练进而构建故障定位模型。
22、本方案中，s2包括：
23、以历史故障特征信息的目标特征信息作为cnn的输入利用cnn的全连接层将输入数据展平为一维数据，得到的一维数据通过gru模型进行训练进而构建故障定位模型。首先利用cnn对目标特征信息进行处理。目标特征信息种类和数量多且复杂，从微观层面分析每个目标特征信息过程繁琐、效率低下，同时在高维情形下目标特征信息样本稀疏、距离计算困难会导致计算复杂性和理解难度增加，进而导致算法性能下降、模型训练时间增加。cnn利用卷积运算大大降低了数据的维数，利用cnn的全连接层将输入数据展平为一维数据，得到的一维数据通过gru模型进行训练进而得到故障定位模型。
24、作为优选，所述门限机制包括判断筛选出的二次设备特征数据中的目标特征信息总数是否超过设定阈值；若所述目标特征信息总数超过设定阈值，则根据故障执行条件对所述目标特征信息进行分流得到第一故障特征数据和第二故障特征数据。
25、本方案中，门限机制包括判断筛选出的二次设备特征数据中的目标特征信息总数是否超过设定阈值，若所述目标特征信息总数超过设定阈值，则根据故障执行条件对所述目标特征信息进行分流得到第一故障特征数据和第二故障特征数据；反之，则再次获取时间序列上的二次设备特征数据，基于故障定位本文档来自技高网...
【技术保护点】
1.基于多模型的变电站二次设备故障定位方法，其特征在于：
2.根据所述权利要求1所述的基于多模型的变电站二次设备故障定位方法，其特征在于：在构建故障定位数据库之前，还包括对获取的历史故障特征信息进行预处理，所述预处理步骤包括如下步骤：
3.根据所述权利要求2所述的基于多模型的变电站二次设备故障定位方法，其特征在于：所述初始故障特征集中的故障特征信息包括二次设备运行状态信息、SV/GOOSE接受状态信息和采样值。
4.根据所述权利要求2所述的基于多模型的变电站二次设备故障定位方法，其特征在于，所述归一化方法的公式表述如下：
5.根据所述权利要求2所述的基于多模型的变电站二次设备故障定位方法，其特征在于：所述相关度算法包括皮尔逊相关系数法，所述皮尔逊相关系数法的公式表述如下：
6.根据所述权利要求1所述的基于多模型的变电站二次设备故障定位方法，其特征在于，所述S2包括：
7.根据所述权利要求1所述的基于多模型的变电站二次设备故障定位方法，其特征在于：所述门限机制包括判断筛选出的二次设备特征数据中的目标特征信息总数
8.根据所述权利要求7所述的基于多模型的变电站二次设备故障定位方法，其特征在于：根据故障执行条件对所述目标特征信息进行分流得到第一故障特征数据和第二故障特征数据，包括：
9.根据所述权利要求8所述的基于多模型的变电站二次设备故障定位方法，其特征在于：故障推理规则的执行条件包括：
10.根据所述权利要求7所述的基于多模型的变电站二次设备故障定位方法，其特征在于：采用故障定位模型对第二故障特征数据进行处理执行故障定位，包括：
...【技术特征摘要】
1.基于多模型的变电站二次设备故障定位方法，其特征在于：
2.根据所述权利要求1所述的基于多模型的变电站二次设备故障定位方法，其特征在于：在构建故障定位数据库之前，还包括对获取的历史故障特征信息进行预处理，所述预处理步骤包括如下步骤：
3.根据所述权利要求2所述的基于多模型的变电站二次设备故障定位方法，其特征在于：所述初始故障特征集中的故障特征信息包括二次设备运行状态信息、sv/goose接受状态信息和采样值。
4.根据所述权利要求2所述的基于多模型的变电站二次设备故障定位方法，其特征在于，所述归一化方法的公式表述如下：
5.根据所述权利要求2所述的基于多模型的变电站二次设备故障定位方法，其特征在于：所述相关度算法包括皮尔逊相关系数法，所述皮尔逊相关系数法的公式表述如下：
6.根据所述权利要求1所述的基于多模型的变电站二次设备故...
【专利技术属性】
技术研发人员：常俊晓，王家琪，卢姬，叶敏芝，应宇鹏，周威铮，施怀远，管晟超，张书钰，周欣怡，陈伟华，林逸伦，张嘉翱，夏家辉，柯昌辉，
申请(专利权)人：国网浙江省电力有限公司台州供电公司，
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。