【技术实现步骤摘要】
本专利技术涉及电力系统监测与维护，更具体的说是涉及一种基于变电站一次设备的故障监测定位方法与系统。
技术介绍
1、传统的变电站监测与维护方法主要依赖于离散的传感器数据和断路器状态信息，这种方法在实现对变电站拓扑结构全面监测以及故障定位方面存在一些限制。变电站的故障不仅可能导致设备损坏，还可能对整个电力系统的运行产生严重影响，因此对于变电站的实时监测与精准定位显得尤为重要。
2、随着变电站的不断发展和扩大，其拓扑结构变得更加复杂，传统方法难以满足对实时、全面监测的需求。此外，传统方法对于系统中潜在问题的预测和分析能力相对有限，因而缺乏对于故障传播路径的深入理解。因此，研发一种更加综合、全面的变电故障监测与定位方法显得尤为迫切。
3、在电力系统领域，关联矩阵不仅为电力系统的拓扑结构提供了直观而高效的表示方式，还在实时更新、故障监测和智能分析等方面展现出独特的优势。通过实时测量电路中各节点电压的变化，关联矩阵能够动态反映拓扑结构的变化，尤其是在发生故障时，能够敏锐地感知到拓扑连接关系的变动，从而为系统的故障传播途径提供了关键的信息源，通过特征提取以及人工智能算法等，为运维人员提供了实时、精准的故障信息，还为电力系统的智能化管理奠定了数据基础。
4、因此，提出一种基于变电站一次设备的故障监测定位方法与系统，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于变电站一次设备的故障监测定位方法与系统
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种基于变电站一次设备的故障监测定位方法，包括以下步骤：
4、s1、采集变电站一次设备拓扑连接关系上各节点的电压数据，构建基于变电站拓扑连接关系的关联矩阵；
5、s2、对关联矩阵进行特征提取，得到关联矩阵特征；
6、s3、对于变电站一次设备的正常运行状态和已知故障状态，进行数据标注，且标注后的数据与关联矩阵的特征提取结果对应，形成一个训练集，利用训练集对支持向量机模型进行训练，得到训练好的支持向量机模型msvm；
7、s4、采集变电站一次设备实时数据，构建关联矩阵，并进行特征提取，得到测试集，利用训练好的支持向量机模型msvm对测试集进行预测，判断变电站一次设备是否故障，若为是，则进一步分析关联矩阵，定位到具体的故障节点。
8、可选的，s1具体为：
9、利用电压互感器实时采集变电站一次设备拓扑连接关系上各节点的电压数据，用于构建关联矩阵m，关联矩阵m表达式如下：
10、
11、其中，关联矩阵的列对应变电站中的节点，行对应支路，关联矩阵元素的值为1、-1或0，分别表示正向连接、负向连接和无连接。
12、可选的，s2中特征提取函数为f(m)，提取的特征包括：节点度di、聚类系数ccluster，i、介数中心性bi和接近中心性cclose，i。
13、可选的，节点度di公式为：
14、
15、其中，di为节点度，mij为关联矩阵。
16、可选的，聚类系数ccluster，i获取过程为：
17、获取节点i的邻居节点数ni和邻居节点集合ni，根据为i行所有非零值得到：
18、
19、计算节点i实际存在的三角形数ti：
20、
21、其中，ti是三角形数，x、y是变量符号，是邻接矩阵第sx行，第sy列的值，也是第sx个节点和第sy个节点的连接关系；
22、计算得到聚类系数ccluster，i：
23、
24、其中，ccluster，i为聚类系数，ti为三角形数，ni为邻居节点数。
25、可选的，利用dijkstra算法计算出节点i的介数中心性bi和接近中心性cclose，i的公式为：
26、介数中心性bi：
27、
28、接近中心性cclose，i：
29、
30、将源节点i到自身的距离设置为0，其他节点到源节点i的距离设置为无穷大，并将所有节点标记为未访问；
31、选择未访问的节点中距离源节点i最近的节点，设为当前节点，通过迭代，找到源节点i到当前节点距离最短的路径，并记录最短路径、路径长度，每个节点到源节点i的逆距离之和，重复上述步骤，直到所有的节点都被访问。
32、可选的，s3具体为：
33、形成的训练集为d＝{(f(mi),yi)}，其中，yi为第i个样本的标签，1为正常状态，-1为故障状态；
34、利用训练集d对支持向量机模型进行训练，支持向量机通过寻找一个最优的决策边界，使得正常状态和故障状态样本正确分类，训练后得到一个训练好的支持向量机模型msvm，支持向量机的决策函数表示为：
35、
36、其中，αi为支持向量机的权重，yi为样本的标签，k(xi,x)为核函数的计算结果，b为偏置项，n为训练样本的数量。
37、一种基于变电站一次设备的故障监测定位系统，执行上述任一项所述的一种基于变电站一次设备的故障监测定位方法，包括依次连接的构建关联矩阵模块、特征提取模块、训练模型模块、svm故障监测模块；其中，
38、构建关联矩阵模块：采集变电站一次设备拓扑连接关系上各节点的电压数据，构建基于变电站拓扑连接关系的关联矩阵；
39、特征提取模块：对关联矩阵进行特征提取，得到关联矩阵特征；
40、训练模型模块：对于变电站一次设备的正常运行状态和已知故障状态，进行数据标注，且标注后的数据与关联矩阵的特征提取结果对应，形成一个训练集，利用训练集对支持向量机模型进行训练，得到训练好的支持向量机模型msvm；
41、svm故障监测模块：采集变电站一次设备实时数据，构建关联矩阵，并进行特征提取，得到测试集，利用训练好的支持向量机模型msvm对测试集进行预测，判断变电站一次设备是否故障，若为是，则进一步分析关联矩阵，定位到具体的故障节点。
42、可选的，还包括通讯模块，通讯模块基于iec 61850协议和以太网交换机进行交换与传输。
43、可选的，还包括与通讯模块相连的云端、边端、设备端。
44、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于变电站一次设备的故障监测定位方法与系统，其有益效果为：
45、1)在基于关联矩阵的支持向量机(svm)故障分析算法方面，本专利技术综合利用关联矩阵，通过对关联矩阵进行节点度、聚类系数和中心性等关键特征的提取，有效捕捉设备之间的拓扑结构和连接关系，为故障监测提供了有利的信息基础；引入支持向量机(svm)作为分类器，利用其在处理复杂非线性问题上具有出色的性能，使得算法能够更好地适应变电站系统的复杂性；
【技术保护点】
1.一种基于变电站一次设备的故障监测定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于变电站一次设备的故障监测定位方法，其特征在于，S1具体为：
3.根据权利要求1所述的一种基于变电站一次设备的故障监测定位方法，其特征在于，S2中特征提取函数为F(M)，提取的特征包括：节点度Di、聚类系数Ccluster，i、介数中心性Bi和接近中心性Cclose，i。
4.根据权利要求3所述的一种基于变电站一次设备的故障监测定位方法，其特征在于，节点度Di公式为：
5.根据权利要求3所述的一种基于变电站一次设备的故障监测定位方法，其特征在于，聚类系数Ccluster，i获取过程为：
6.根据权利要求3所述的一种基于变电站一次设备的故障监测定位方法，其特征在于，利用Dijkstra算法计算出节点i的介数中心性Bi和接近中心性Cclose，i的公式为：
7.根据权利要求1所述的一种基于变电站一次设备的故障监测定位方法，其特征在于，S3具体为：
8.一种基于变电站一次设备的故障监测定位系统，其特征
9.根据权利要求8所述的一种基于变电站一次设备的故障监测定位系统，其特征在于，还包括通讯模块，通讯模块基于IEC 61850协议和以太网交换机进行交换与传输。
10.根据权利要求9所述的一种基于变电站一次设备的故障监测定位系统，其特征在于，还包括与通讯模块相连的云端、边端、设备端。
...【技术特征摘要】
1.一种基于变电站一次设备的故障监测定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于变电站一次设备的故障监测定位方法，其特征在于，s1具体为：
3.根据权利要求1所述的一种基于变电站一次设备的故障监测定位方法，其特征在于，s2中特征提取函数为f(m)，提取的特征包括：节点度di、聚类系数ccluster，i、介数中心性bi和接近中心性cclose，i。
4.根据权利要求3所述的一种基于变电站一次设备的故障监测定位方法，其特征在于，节点度di公式为：
5.根据权利要求3所述的一种基于变电站一次设备的故障监测定位方法，其特征在于，聚类系数ccluster，i获取过程为：
6.根据权利要求3所述的一种基于变电站一次设备的故障监测定位方法，其特征在于...
【专利技术属性】
技术研发人员：黄新春，陈波，康华，黄怡，
申请(专利权)人：上海南华兰陵电气有限公司，
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。