【技术实现步骤摘要】
本专利技术涉及电力故障定位，具体是基于多源电力信息整合的智能故障定位方法及系统。
技术介绍
1、电力系统是现代社会运转的重要基础设施,任何线路故障都可能导致大面积停电,造成巨大经济损失和社会影响。因此,对电力线路进行实时监测和快速精准的故障定位至关重要。
2、然而,传统的故障定位方式主要依赖人工经验分析和现场检查,效率低下且容易受人为因素影响。随着电网规模不断扩大,线路参数、负荷等信息越来越复杂,单一维度分析已难以满足精准故障定位的需求。
3、现有技术通常只关注单一信息源(如监测数据),忽视了线路参数、设备状态等其他重要信息的价值,导致故障原因分析的准确性不足。同时由于各个电力设备、负荷端等线路参数单位实时状态的更新可能存在误差或实时性问题，进一步的导致故障定位出现误差。
4、公布号为cn114595839a的中国专利公开了一种智能电能表故障原因分析方法和系统，包括：获取当前故障的故障相关信息；计算当前故障的故障相关信息与预先构建的关联规则集合中各条关联规则的相似度；基于所述相似度确定当前故障的故障原因；其中，所述预先构建的关联规则集合为基于智能电能表历史故障的故障原因和故障相关信息，通过对故障原因与故障相关信息之间关联规则的挖掘、修正和剔除冗余规则进行构建。然而该方法基于已知的关联规则，缺乏更为智能的关联规则的各项电力设备的故障关联系挖掘；
5、为此，本专利技术提出基于多源电力信息整合的智能故障定位方法及系统。
技术实现思路
1、本
2、为实现上述目的，本专利技术提出基于多源电力信息整合的智能故障定位方法，包括以下步骤：
3、步骤一：预先收集线路参数数据、节点负荷数据以及设备状态信息，组成线路辅助信息，并预先收集历史故障数据；
4、步骤二：基于线路辅助信息构建故障预测贝叶斯网络模型，并使用历史故障数据训练故障预测贝叶斯网络模型，生成节点条件概率表；
5、步骤三：收集电力线路的实时监测数据，并将实时监测数据映射为网络节点证据；
6、步骤四：向故障预测贝叶斯网络模型输入实时获取的网络节点证据，基于节点条件概率表，计算每个网络节点的故障概率，筛选出高异常概率的节点作为故障排查节点；
7、所述线路参数数据的收集方式为：
8、收集待监测的电力线路的线路电气参数、线路结构参数和线路走廊环境状况，组成线路参数数据；
9、所述节点负荷数据的收集方式为：
10、确定电力线路中的重要母线节点和重点用户节点；
11、收集重要母线节点的节点负荷曲线；
12、收集重点用户节点的用户用电数据；
13、收集各个重要负荷节点的时间属性；所述重要负荷节点包括重要母线节点和重点用户节点；
14、重要母线节点的节点负荷曲线、重点用户节点的用户用电数据和重要负荷节点的时间属性组成节点负荷数据；
15、所述设备状态数据的收集方式为：
16、收集电力线路中各台已知电力设备的缺陷和故障状态、设备检修计划和记录以及设备基本信息，组成设备状态数据；
17、所述历史故障数据的收集方式为：
18、收集电力线路中过去发生电力故障时的基本信息、收集每次电力故障发生时各电力设备的运行状态、收集故障演化过程和处理记录、并标注电力故障的起因，组成历史故障数据；
19、所述基于线路辅助信息构建故障预测贝叶斯网络模型包括以下步骤：
20、步骤11：基于线路参数数据和节点负荷数据，定义故障预测贝叶斯网络模型的网络节点及其初始状态；
21、步骤12：基于设备状态数据，为各个网络节点设计节点状态变量及其取值范围；
22、步骤13：构建各个节点间的拓扑依赖关系；
23、所述各个节点间的拓扑依赖关系的构建方式包括：
24、利用线路参数数据中的结构信息,建立物理连接依赖关系；
25、利用节点负荷数据中的供电关系,建立负荷-供电依赖关系；
26、所述使用历史故障数据训练故障预测贝叶斯网络模型，生成节点条件概率表包括以下步骤：
27、步骤21：将历史故障案例数据中获取每次电力故障时，各个节点的节点状态，获得每次电力故障时的故障状态向量；
28、步骤22：将每个故障状态向量按节点的对应关系输入至故障预测贝叶斯网络模型中，对每个节点的cpt参数进行cpt参数估计，利用参数学习和结构优化算法训练模型，直至节点的cpt参数的cpt参数估计值达到收敛，生成最优的网络模型结构时停止训练；
29、步骤23：读取每个节点的cpt参数，获得最终的节点条件概率表；
30、所述收集电力线路的实时监测数据的方式为：
31、收集电力线路在实时运行过程中的实时节点负荷数据以及实时设备状态信息，组成实时监测数据；
32、所述向故障预测贝叶斯网络模型输入实时获取的网络节点证据，基于节点条件概率表，计算每个网络节点的故障概率的方式为：
33、将故障定位特征向量输入故障预测贝叶斯网络模型中；
34、根据故障预测贝叶斯网络模型的网络拓扑结构确定各个网络节点的变量马尔可夫盘旋求解顺序；
35、按序遍历各个网络节点，从其父节点的节点条件概率表中查询条件概率，作为该网络节点的故障概率；
36、所述筛选出高异常概率的节点作为故障排查节点的方式为：
37、预先设置故障概率阈值，将所有故障概率大于故障概率阈值的网络节点筛选作为故障排查节点，并将故障排查节点按照故障概率从大到小进行排序。
38、提出基于多源电力信息整合的智能故障定位系统，包括基础数据收集模块、贝叶斯网络模型训练模块以及智能故障定位模块；其中，各个模块之间通过电性方式连接；
39、基础数据收集模块，预先收集线路参数数据、节点负荷数据以及设备状态信息，组成线路辅助信息，并预先收集历史故障数据，并将历史故障数据发送至贝叶斯网络模型训练模块；
40、贝叶斯网络模型训练模块，基于线路辅助信息构建故障预测贝叶斯网络模型，并使用历史故障数据训练故障预测贝叶斯网络模型，生成节点条件概率表，并将故障预测贝叶斯网络模型和节点条件概率表发送至智能故障定位模块；
41、智能故障定位模块，收集电力线路的实时监测数据，并将实时监测数据映射为网络节点证据，向故障预测贝叶斯网络模型输入实时获取的网络节点证据，基于节点条件概率表，计算每个网络节点的故障概率，筛选出高异常概率的节点作为故障排查节点。
42、本专利技术提出一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
本文档来自技高网...
【技术保护点】
1.基于多源电力信息整合的智能故障定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源电力信息整合的智能故障定位方法，其特征在于，所述线路参数数据的收集方式为：
3.根据权利要求2所述的基于多源电力信息整合的智能故障定位方法，其特征在于，所述节点负荷数据的收集方式为：
4.根据权利要求3所述的基于多源电力信息整合的智能故障定位方法，其特征在于，所述基于线路辅助信息构建故障预测贝叶斯网络模型包括以下步骤：
5.根据权利要求4所述的基于多源电力信息整合的智能故障定位方法，其特征在于，所述使用历史故障数据训练故障预测贝叶斯网络模型，生成节点条件概率表包括以下步骤：
6.根据权利要求5所述的基于多源电力信息整合的智能故障定位方法，其特征在于，所述向故障预测贝叶斯网络模型输入实时获取的网络节点证据，基于节点条件概率表，计算每个网络节点的故障概率的方式为：
7.根据权利要求6所述的基于多源电力信息整合的智能故障定位方法，其特征在于，所述筛选出高异常概率的节点作为故障排查节点的方式为：
8.基
9.一种电子设备，其特征在于，包括：处理器和存储器，其中，
10.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
...【技术特征摘要】
1.基于多源电力信息整合的智能故障定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源电力信息整合的智能故障定位方法，其特征在于，所述线路参数数据的收集方式为：
3.根据权利要求2所述的基于多源电力信息整合的智能故障定位方法，其特征在于，所述节点负荷数据的收集方式为：
4.根据权利要求3所述的基于多源电力信息整合的智能故障定位方法，其特征在于，所述基于线路辅助信息构建故障预测贝叶斯网络模型包括以下步骤：
5.根据权利要求4所述的基于多源电力信息整合的智能故障定位方法，其特征在于，所述使用历史故障数据训练故障预测贝叶斯网络模型，生成节点条件概率表包括以下步骤：
6.根据权利要求5所述的基于多源电力信息整合的智...
【专利技术属性】
技术研发人员：张禹，
申请(专利权)人：苏州纬讯光电科技有限公司，
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。