一种变电站二次设备故障诊断方法及系统

本发明属于智能变电站领域，尤其涉及一种变电站二次设备故障诊断方法及系统。

背景技术：

1、变电站作为电力系统的关键组成部分，为工业生产、居民生活和城市发展提供了稳定可靠的电力支持，变电站的安全稳定运行直接关系到电网的运行质量和供电可靠性，对维护社会正常运转具有不可替代的重要性。

2、目前，传统电网已经难以满足现阶段人民和社会的需求，所以国家正在大力推进智能电网和智能变电站的建设。近年来，传统变电站逐步向智能变电站转换，其二次系统的故障诊断对于确保电网安全稳定运行同样至关重要。随着能源互联网、人工智能和物联网技术的发展，智能变电站二次系统故障诊断研究备受关注。通过结合传感器数据、智能算法以及专家经验，可以实现对二次系统故障的实时监测、诊断和预测，提高了故障诊断的准确性和效率。目前，基于模型诊断、数据驱动的方法以及深度学习等技术在智能变电站二次系统故障诊断领域取得了显著进展，有效地提升了电力系统的可靠性和安全性。但是，相对于传统变电站，智能变电站数据繁多，系统出现故障时，庞大的信息会成为运维检修人员快速准确地分析故障原因并解决的阻碍。另外，现有的对智能变电站二次系统进行的故障诊断大多只采用单一的诊断方法，将一些较为简单就能判断出的故障与较为困难才能判断出的故障一起诊断，消耗不必要的计算量和时间成本。

技术实现思路

1、为解决上述技术问题，本发明针对二次系统中合并单元、保护装置和智能终端的相关故障，将其中的简单故障和复杂故障分开诊断，分别使用适合的诊断方法，保证故障诊断的高效率和准确性。

2、为实现上述目的，本发明采用如下技术方案：

3、一种变电站二次设备故障诊断方法，应用于智能变电站三层两网结构，包括以下步骤：

4、根据合并单元、保护装置和智能终端出现的故障及其与故障特征信息的关系，划分简单故障和复杂故障，并建立智能变电站goose链路和sv链路中的简单故障信息特征集合和复杂故障信息特征集合；

5、基于所述简单故障信息特征集合，运用专家系统知识库，建立简单故障诊断模型；

6、构建bas-svm模型，并使用所述复杂故障信息特征集合，对所述bas-svm模型进行训练，得到最优的bas-svm复杂故障诊断模型；

7、使用所述简单故障诊断模型和优化后的bas-svm复杂故障诊断模型对智能变电站合并单元、保护装置和智能终端的故障进行诊断。

8、优选的，所述简单故障指的是故障和故障特征信息一一对应；

9、所述复杂故障指的是故障和故障特征信息之间不存在一一对应的关系。

10、优选的，所述bas-svm复杂故障诊断模型的建立方法包括：

11、将分类器加入支持向量机svm中后，使用天牛须搜索算法bas对所述支持向量机svm的参数进行优化，得到bas-svm模型；

12、使用所述复杂故障信息特征集合，对所述bas-svm模型进行训练，得到最优的bas-svm复杂故障诊断模型。

13、优选的，将分类器加入支持向量机svm的具体操作如下：

14、

15、其中，是原始空间和n维特征空间之间的映射；xi＝(xi1,xi2,...,xin)是输入向量，是权重向量；c是正则化常数，是松弛变量，bmn是超平面阈值。

16、优选的，使用天牛须搜索算法bas对所述支持向量机svm的参数进行优化的方法包括：

17、建立天牛头随机朝向的k维空间向量并将其归一化处理，设置天牛须搜索算法的步长因子s；

18、设置天牛须的起点，并将新的起始点放入bestx进行存储，采用均方误差作为适应度评价函数，计算天牛须新的起始点适应度，并将新的函数值输入besty进行存储；

19、计算左右天牛须的坐标位置：

20、更新左右天牛须新的适应度以及天牛续的坐标位置，利用适应度函数f(·)计算左右天牛须的适应度，分别记为fright、fleft；结合步长、天牛头朝向、左右天牛须的适应度，更新天牛须的位置坐标，即对svm算法的参数c和核函数γ进行优化，同时实时记录bestx和besty；

21、判断迭代条件，当计算得到的适应度函数值满足预设的精度条件时得到最优参数。

22、本发明还提供了一种变电站二次设备故障诊断系统，应用于智能变电站三层两网结构，包括：故障集合单元、简单故障诊断模型单元、复杂故障诊断模型单元和故障诊断单元；

23、所述故障集合单元用于根据合并单元、保护装置和智能终端出现的故障及其与故障特征信息的关系，划分简单故障和复杂故障，并建立智能变电站goose链路和sv链路中的简单故障信息特征集合和复杂故障信息特征集合；

24、所述简单故障诊断模型单元用于基于所述简单故障信息特征集合，运用专家系统知识库，建立简单故障诊断模型；

25、所述复杂故障诊断模型单元用于构建bas-svm模型，并使用所述复杂故障信息特征集合，对所述bas-svm模型进行训练，得到最优的bas-svm复杂故障诊断模型；

26、所述故障诊断单元用于使用所述简单故障诊断模型和优化后的bas-svm复杂故障诊断模型对智能变电站合并单元、保护装置和智能终端的故障进行诊断。

27、优选的，所述简单故障指的是故障和故障特征信息一一对应；

28、所述复杂故障指的是故障和故障特征信息之间不存在一一对应的关系。

29、优选的，所述复杂故障诊断模型单元包括bas-svm模型和训练子单元：

30、所述bas-svm模型是将分类器加入支持向量机svm中后，使用天牛须搜索算法bas对所述支持向量机svm的参数进行优化，得到bas-svm模型；

31、所述训练子单元用于使用所述复杂故障信息特征集合，对所述bas-svm模型进行训练，得到最优的bas-svm复杂故障诊断模型。

32、优选的，将分类器加入支持向量机svm的具体操作如下：

33、

34、其中，是原始空间和n维特征空间之间的映射；xi＝(xi1,xi2,...,xin)是输入向量，是权重向量；c是正则化常数，是松弛变量，bmn是超平面阈值。

35、优选的，使用天牛须搜索算法bas对所述支持向量机svm的参数进行优化的方法包括：

36、建立天牛头随机朝向的k维空间向量并将其归一化处理，设置天牛须搜索算法的步长因子s；

37、设置天牛须的起点，并将新的起始点放入bestx进行存储，采用均方误差作为适应度评价函数，计算天牛须新的起始点适应度，并将新的函数值输入besty进行存储；

38、计算左右天牛须的坐标位置：

39、更新左右天牛须新的适应度以及天牛续的坐标位置，利用适应度函数f(·)计算左右天牛须的适应度，分别记为fright、fleft；结合步长、天牛头朝向、左右天牛须的适应度，更新天牛须的位置坐标，即对svm算法的参数c和核函数γ进行优化，同时实时记录bestx和besty；

40、判断迭代条件，当计算得到的适应度函数值满足预设的精度条件时得到最优参数。

41、本发明的有益效果如下：

42、与现有技术相比，本发明的上述技术方案具有如下有益的技术效果：

43、在智能变电站二次系统故障中，既考虑简单故障又考虑复杂故障，分别对其进行诊断，简单故障不必与复杂故障一样进行计算量大的运算过程，兼顾故障诊断的高效率和准确性。

44、对于诊断中使用的svm算法，采用bas算法来优化svm中的参数，使其在训练中得到更准确的诊断模型，该方法易于实现、拥有较强的全局搜索能力，并且能够减小整体计算量，提高诊断效率。

技术特征：

1.一种变电站二次设备故障诊断方法，所述故障诊断方法应用于智能变电站三层两网结构，其特征在于，包括以下步骤：

2.根据权利要求1所述的变电站二次设备故障诊断方法，其特征在于，

3.根据权利要求1所述的变电站二次设备故障诊断方法，其特征在于，

4.根据权利要求3所述的变电站二次设备故障诊断方法，其特征在于，

5.根据权利要求3所述的变电站二次设备故障诊断方法，其特征在于，

6.一种变电站二次设备故障诊断系统，所述故障诊断系统应用于智能变电站三层两网结构，其特征在于，包括：故障集合单元、简单故障诊断模型单元、复杂故障诊断模型单元和故障诊断单元；

7.根据权利要求6所述的变电站二次设备故障诊断系统，其特征在于，

8.根据权利要求6所述的变电站二次设备故障诊断系统，其特征在于，

9.根据权利要求8所述的变电站二次设备故障诊断系统，其特征在于，

10.根据权利要求8所述的变电站二次设备故障诊断系统，其特征在于，

技术总结
本发明属于智能变电站领域，公开了一种变电站二次设备故障诊断方法及系统，应用于智能变电站三层两网结构，本方法包括：建立智能变电站GOOSE链路和SV链路中的简单故障信息特征集合和复杂故障信息特征集合；运用专家系统知识库，建立简单故障诊断模型；以及构建BAS‑SVM模型，并使用复杂故障信息特征集合，对BAS‑SVM模型进行训练，得到最优的BAS‑SVM复杂故障诊断模型；利用两个故障诊断模型进行故障诊断。本发明既考虑简单故障又考虑复杂故障，分别对其进行诊断，提高诊断效率。

技术研发人员：龚钢军,李韶菊,於硕,刘祎明,强仁,文亚凤,刘向军
受保护的技术使用者：华北电力大学
技术研发日：
技术公布日：2024/9/23