【技术实现步骤摘要】
本专利技术涉及一种智能配电站房的故障判别和预警方法、装置，属于智能配电站。
技术介绍
1、近年来，智慧电厂建设正在逐步深入电厂日常运维的各个阶段，在智慧电厂建设过程中，配电站房设备的故障诊断和维修是极为重要的一部分，如何快速、准确判断配电站房设备是否故障，直接关系到整个电厂的安全运行。目前，很多电厂采用大量智能辅助设备来采集配电站房运行数据，进而对配电站房的健康状态进行评估，判断配电站房设备是否故障，然而，在实际使用过中智能辅助设备的简单堆积难以深度且高效地对配电站房进行智能状态评估与故障诊断。
技术实现思路
1、为了应对现有技术中配电站房故障诊断技术不足的问题，本专利技术提供了一种智能配电站房的故障判别和预警方法、装置，通过对配电站房设备的多模态运行数据的分析处理，获取故障边界条件，对配电站房设备是否故障进行快速、准确的判断，同时，本专利技术结合预测模型和分类器，预测配电站房设备的运行状态，判断配电站房设备的故障类型，从而实现准确可靠的故障预警和故障分类，实现深度且高效的配电站房的智能状态评估和故障诊断，提高智能配电站房的运行安全。
2、为达到上述目的/为解决上述技术问题，本专利技术是采用下述技术方案实现的。
3、第一方面，本专利技术提供一种智能配电站房的故障判别和预警方法，包括如下步骤：
4、根据配电站房设备的历史运行数据，利用主成分分析法和fcm聚类算法得到配电站房设备的故障边界条件；
5、根据配电站房设备的历史运行数据，利用l
6、根据预测运行数据和故障边界条件，得到预测故障数据和预测故障发生时刻；
7、利用mc-hbt分类器处理预测故障数据，得到预测故障类型；
8、根据预测故障数据、预测故障发生时刻和预测故障类型生成故障预警信息，进行故障预警。
9、结合第一方面，进一步的，所述根据配电站房设备的历史运行数据，利用主成分分析法和fcm聚类算法得到配电站房设备的故障边界条件，包括：
10、对配电站房设备的历史运行数据进行预处理，得到预处理后的历史运行数据；
11、利用主成分分析法对预处理后的历史运行数据进行数据降维，得到历史特征数据；
12、利用fcm聚类算法分别计算历史特征数据隶属于故障状态和正常运行状态的隶属度，得到配电站房设备的故障边界条件。
13、结合第一方面，进一步的，所述利用fcm聚类算法分别计算历史特征数据隶属于故障状态和正常运行状态的隶属度，得到配电站房设备的故障边界条件，包括：
14、将故障状态和正常运行状态作为两个模糊类别构建两个模糊分组，初始化每个历史特征数据隶属于每个模糊分组的隶属度值，得到每个模糊分组的初始隶属度矩阵；
15、根据当前每个模糊分组的隶属度矩阵更新每个模糊分组的聚类中心，计算公式如下：
16、；
17、其中，表示第个模糊分组的聚类中心，为第个历史特征数据隶属于第个模糊分组的隶属度，，k=1表示正常运行状态，k=2表示故障状态，a为加权参数，为第个历史特征数据，，n为历史特征数据总数；
18、根据更新后的聚类中心，更新每个历史特征数据隶属于每个模糊分组的隶属度值，从而更新每个模糊分组的隶属度矩阵，其中，隶属度的计算公式如下：
19、；
20、其中，为第个历史特征数据到第个聚类中心的欧氏距离，为第i个历史特征数据到第o个聚类中心的欧氏距离；
21、如果连续两次迭代中隶属度矩阵的变化小于预设的阈值或者达到最大迭代次数，则停止迭代，输出两个模糊分组的隶属度矩阵；
22、根据两个模糊分组的隶属度矩阵分析隶属度分布情况，确定正常运行状态和故障状态的隶属度边界，得到故障边界条件。
23、结合第一方面，进一步的，所述mc-hbt分类器的构建方法包括：
24、利用智能配电站房设备的正常运行数据和故障类别已知的故障数据作为训练样本，生成训练集a={a,b,c,d,e,f,g,h}；其中，a表示正常，b表示变压器故障，c表示保护装置故障，d表示三相接地故障，e表示单相接地故障，f表示电流取样信号未接故障，g表示开关触头故障，h表示电容柜补偿仪显示过压故障；
25、将类别为正常的训练样本{a}标记为1，其他训练样本{b,c,d,e,f,g,h}标记为-1，利用标记后的训练样本{a,b,c,d,e,f,g,h}训练svm模型，并利用rbf核函数同时进行遗传算法参数寻优，生成一层分类器；
26、将类别为变压器故障和保护装置故障的训练样本{ b,c }标记为 1，其他故障类的训练样本{d,e,f,g,h}标记为-1，利用标记后的训练样本{b,c,d,e,f,g,h}训练svm模型，并利用rbf核函数同时进行遗传算法参数寻优，生成二层分类器；
27、将类别为变压器故障的训练样本{b}标记为 1，类别为保护装置故障的训练样本{c}标记为-1，利用标记后的训练样本{b,c}训练svm模型，并利用rbf核函数同时进行遗传算法参数寻优，生成第一个三层分类器；
28、将类别为三相接地故障和单相接地故障的训练样本{d,e}标记为 1，其他故障类的训练样本{f,g,h}标记为-1，利用标记后的训练样本{d,e,f,g,h}训练svm模型，并利用rbf核函数同时进行遗传算法参数寻优，生成第二个三层分类器；
29、将类别为三相接地故障的训练样本{d}标记为1，类别为单相接地故障的训练样本{e}标记为-1，利用标记后的训练样本{d,e}训练svm模型，并利用 rbf核函数同时进行遗传算法参数寻优，生成第一个四层分类器；
30、将类别为电流取样信号未接故障的训练样本{f}标记为 1，其他故障类的训练样本{g,h}标记为-1，利用标记后的训练样本{ f,g,h }训练svm模型，并利用rbf核函数同时进行遗传算法参数寻优，生成第二个四层分类器；
31、将类别为开关触头故障的训练样本{g}标记为 1，类别为电容柜补偿仪显示过压故障的训练样本{h}标记为-1，利用标记后的训练样本{g,h}训练svm模型，并利用rbf核函数同时进行遗传算法参数寻优，生成五层分类器。
32、结合第一方面，进一步的，利用pca对训练集中的训练样本进行线性变换，通过选取的主成分对线性变换后的训练样本进行降维处理，包括：
33、根据训练集中的训练样本得到原始样本矩阵：
34、<mstyle displaystyle="true" mathcolor="#000000"><mstyle displaystyle="true" mathcolor="#000000"><mi>x</mi></mstyle><mstyle displaystyle="t本文档来自技高网...
【技术保护点】
1.一种智能配电站房的故障判别和预警方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的智能配电站房的故障判别和预警方法，其特征在于，所述根据配电站房设备的历史运行数据，利用主成分分析法和FCM聚类算法得到配电站房设备的故障边界条件，包括：
3.根据权利要去2所述的智能配电站房的故障判别和预警方法，其特征在于，所述利用FCM聚类算法分别计算历史特征数据隶属于故障状态和正常运行状态的隶属度，得到配电站房设备的故障边界条件，包括：
4.根据权利要求1所述的智能配电站房的故障判别和预警方法，其特征在于，所述MC-HBT分类器的构建方法包括：
5.根据权利要求4所述的智能配电站房的故障判别和预警方法，其特征在于，利用PCA对训练集中的训练样本进行线性变换，通过选取的主成分对线性变换后的训练样本进行降维处理，包括：
6.根据权利要求5所述的智能配电站房的故障判别和预警方法，其特征在于，所述预设的特征选择条件为：
7.根据权利要求4所述的智能配电站房的故障判别和预警方法，其特征在于，利用标记后的训练样本训练SVM模
8.根据权利要求1所述的智能配电站房的故障判别和预警方法，其特征在于，还包括：
9.一种智能配电站房的故障判别和预警装置，其特征在于，包括：
10.根据权利要求9所述的智能配电站房的故障判别和预警装置，其特征在于，所述边界确定模型被配置用于：
...【技术特征摘要】
1.一种智能配电站房的故障判别和预警方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的智能配电站房的故障判别和预警方法，其特征在于，所述根据配电站房设备的历史运行数据，利用主成分分析法和fcm聚类算法得到配电站房设备的故障边界条件，包括：
3.根据权利要去2所述的智能配电站房的故障判别和预警方法，其特征在于，所述利用fcm聚类算法分别计算历史特征数据隶属于故障状态和正常运行状态的隶属度，得到配电站房设备的故障边界条件，包括：
4.根据权利要求1所述的智能配电站房的故障判别和预警方法，其特征在于，所述mc-hbt分类器的构建方法包括：
5.根据权利要求4所述的智能配电站房的故障判别和预警方法，其特征在于...
【专利技术属性】
技术研发人员：宋庆武，官国飞，季昆玉，张浩，蒋峰，王昕平，朱天泽，李春鹏，栾奇麒，
申请(专利权)人：江苏方天电力技术有限公司，
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。