【技术实现步骤摘要】
本专利技术涉及变电站电力系统监测，具体为一种基于物理模型的在线监测故障诊断系统及方法。
技术介绍
1、在电力系统中，电能能够正常运行和提供是对各企业和个人能正常生活和生产的保障前提，电能的稳定供给依靠各种设备的相互配合调整得到稳定输入、输出的电能，然后通过电力网输送到千家万户，在动力系统中，一个小小的故障可能导致电力运行的系统的瘫痪或引发较大的安全事故，在电力系统运行时需要进行实施的监测和监测，能及时准确地诊断和定位故障是确保系统安全可靠运行的关键；传统的故障诊断方法往往依赖于经验和规则，往往通过人工判定或设备简单判定的方式来发现故障，存在着诊断准确度不高、依赖专业知识等问题；为此，申请人提出一种基于物理模型的在线监测故障诊断系统及方法，可以提高故障诊断的准确性和可靠性。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于物理模型的在线监测故障诊断系统及方法，通过建立数据采集模块、物理模型模块、比较分析模块、故障诊断模块和报告生成模块；引入基于机器学习的过滤方法利用机器学习模型来学习数据的模式和规律，并根据模型的预测结果来过滤数据；能够实时监测电力系统的运行状态，并根据物理模型进行故障诊断和定位，为操作人员提供及时有效的故障处理建议，提高了电力系统运行的可靠性和可用性。
2、为实现上述目的，本专利技术采取的技术方案是：
3、一种基于物理模型的在线监测故障诊断系统及方法，包括有数据采集模块、物理模型模块、比较分析模块、故障诊断模块和报告生成模块，其
4、数据采集模块：实时采集电缆系统运行中的电压、电流、温度、湿度和电力设备运行状态等参数；
5、物理模型模块：建立包含各种电力设备电路方程的物理模型；
6、比较分析模块：建立基于机器学习的过滤方法利用机器学习模型来学习数据的模式和规律的比较分析模块；
7、故障诊断模块：建立将实时观测数据输入到物理模型和比较分析模型中得出结果的偏差，确定故障类型和位置的故障诊断模块；
8、报告生成模块：建立电力系统故障以表格或文本的方式输出的报告生成模块，并联动报警器，以声光的方式输出警告信号。
9、进一步的，所述基于物理模型的在线监测故障诊断系统的方法包括以下步骤：
10、步骤一、建立电力系统物理模型；
11、包括各种电力设备的电路方程和参数，例如变压器、开关设备和gis设备等；
12、步骤二、采集实时观测数据；
13、包括电力系统运行过程中的气体含量、电压、电流、温度、湿度等参数，以及系统运行状态信息；
14、步骤三、将实时观测数据输入到物理模型中进行比较分析，检测障点；
15、将实时观测数据输入到物理模型中，与模型中的数据进行比较分析，以检测系统中可能存在的故障；
16、步骤四、识别和定位故障；
17、根据实时观测数据与模型预测结果的偏差，确定故障类型和位置；
18、步骤五、生成故障诊断报告；
19、将电力系统故障以表格或文本的方式输出，包括故障类型、位置、诊断依据等信息，并提供相应的处理建议。
20、进一步的，所述系统设置有比较分析模块；所述比较分析模块采用基于机器学习的过滤方法利用机器学习模型来学习数据的模式和规律，并根据模型的预测结果来过滤数据
21、进一步的，所述系统的机械学习模块运行步骤为：
22、步骤一、数据准备；
23、准备用于训练和测试的数据集，包括输入特征和标签，确保数据集经过预处理，包括特征缩放、处理缺失值、编码分类变量等；
24、步骤二、选择模型；
25、根据问题的性质和数据的特点选择合适的机器学习模型，常见的模型包括决策树、支持向量机、逻辑回归、神经网络等；
26、对于逻辑回归有必要进行进一步解释说明：
27、逻辑回归是一种用于分类问题的机器学习算法。尽管名字中含有“回归”，但实际上逻辑回归是一种分类算法，用于预测目标变量的类别；
28、逻辑回归的基本思想是通过将线性回归模型的输出通过一个特定的函数进行转换，将其映射到一个概率范围内，通常是0,10,1之间。这个函数被称为逻辑函数(或sigmoid函数)，它的形式为：
29、
30、其中，z是线性回归模型的输出；
31、逻辑回归模型假设了数据服从伯努利分布，即输出的是一个二元类别变量，比如正类和负类；模型的预测值表示某个样本属于某个类别的概率；通常，当概率超过一个阈值时，通常为0.5，我们将其划分为正类；否则，划分为负类；
32、逻辑回归的训练过程通常采用最大似然估计法，即通过最大化样本的似然函数来求解模型的参数；在实际应用中，通常使用梯度下降等优化算法来求解参数；
33、步骤三、模型训练；
34、使用训练数据来训练选择的机器学习模型，训练过程通过调整模型参数使其能够最好地拟合训练数据，并尽量减小在未见过的数据上的预测误差；
35、步骤四、模型评估；
36、使用测试数据对训练好的模型进行评估，评估指标可以根据具体问题选择，包括准确率、精确率、召回率、f1-score等；
37、准确率(accuracy)：准确率是最直观的评估指标，它表示模型预测正确的样本数占总样本数的比例；计算公式为：
38、
39、其中，tp表示真正例(模型将正类样本预测为正类)、tn表示真负例，模型将负类样本预测为负类、fp表示假正例，模型将负类样本预测为正类、fn表示假负例，模型将正类样本预测为负类；
40、精确率(precision)和召回率(recall)：精确率和召回率是用于衡量二分类模型的另外两个重要指标；精确率表示模型预测为正类的样本中有多少是真正的正类，计算公式为：
41、
42、召回率表示真正的正类样本中有多少被模型预测为正类，计算公式为：
43、
44、f1分数(f1-score)：f1分数是精确率和召回率的调和平均，它可以综合衡量模型的预测性能；f1分数越高，表示模型的性能越好；计算公式为：
45、
46、roc曲线和auc值：roc曲线是描述二分类模型性能的一种图形化方法，横轴是假正例率(false positive rate)，纵轴是真正例率(true positive rate)；auc(area undercurve)是roc曲线下的面积，用于衡量模型在不同阈值下的性能，auc值越大表示模型性能越好。
47、混淆矩阵(confusion matrix)：混淆矩阵是一种将模型预测结果以矩阵形式呈现的方法，可以清晰地展示模型在不同类别上的预测情况，有助于进一步分析模型的性能；
48、步骤五、过滤数据；
49、利用训练好的模型对新的数据进本文档来自技高网...
【技术保护点】
1.一种基于物理模型的在线监测故障诊断系统，包括有数据采集模块、物理模型模块、比较分析模块、故障诊断模块和报告生成模块，其特征在于：
2.根据权利要求1所述的一种基于物理模型的在线监测故障诊断系统用方法，其特征在于：所述基于物理模型的在线监测故障诊断系统的方法包括以下步骤：
3.根据权利要求1所述的一种基于物理模型的在线监测故障诊断系统用方法，其特征在于：所述系统设置有比较分析模块；所述比较分析模块采用基于机器学习的过滤方法利用机器学习模型来学习数据的模式和规律，并根据模型的预测结果来过滤数据。
4.根据权利要求3所述的一种基于物理模型的在线监测故障诊断系统用方法，其特征在于：所述系统的机械学习模块运行步骤为：
5.根据权利要求4所述的一种基于物理模型的在线监测故障诊断系统用方法，其特征在于：所述系统的机械学习模块使用对数损失函数，其数学表达式为：
【技术特征摘要】
1.一种基于物理模型的在线监测故障诊断系统，包括有数据采集模块、物理模型模块、比较分析模块、故障诊断模块和报告生成模块，其特征在于：
2.根据权利要求1所述的一种基于物理模型的在线监测故障诊断系统用方法，其特征在于：所述基于物理模型的在线监测故障诊断系统的方法包括以下步骤：
3.根据权利要求1所述的一种基于物理模型的在线监测故障诊断系统用方法，其特征在于：所述系统设置有比较分析...
【专利技术属性】
技术研发人员：杨林清，谷小亮，苗林，
申请(专利权)人：齐丰科技股份有限公司，
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。