一种电网设备采集系统的故障诊断方法、装置及介质与流程

本发明涉及智能电网设备采集故障诊断，并且更具体地，涉及一种电网设备采集系统的故障诊断方法、装置及介质。

背景技术：

1、受电网设备老化和自然灾害等的影响，电网设备采集运行过程中难免会发生故障，而及时准确地诊断出故障元件，有助于恢复电力设备采集系统的正常运行。在这种情况下，非常有必要求助于先进的诊断技术。当电力设备采集发生故障时，调度中心会同时收到大量的信号，如何从大量信号中快速辨识出发生故障的设备，即所谓的“故障诊断”，对于保证和提升系统运行安全性具有重要意义，并成为电力调度中心的标配软件。迄今为止，电力设备采集系统故障诊断的主要方法包括专家系统(expert systems，ess)、解析模型方法、人工神经网络(artificial neural networks，anns)、petri网(petri nets，pns)、贝叶斯网络(bayesian networks，bns)、多代理系统法(multi-agent system，mas)、遗传算法(genetic algorithms，ga)和基于优化算法等方法。专家系统通过构建专家知识库及推理机制实现，根据专家经验获得设备故障与否的判断.该类方法因原理相对简单、运行稳定而成为实际电力设备采集系统故障诊断中应用最广泛的方法。而将专家系统与模糊系统和多智能体技术相结合应用于故障诊断问题，采用多种数据源对变压器各种可能发生的故障进行综合诊断.如何有效地获取专家经验知识，如何使得推理机制具有扩展性，是该类方法尚需克服的问题。petri网以图形的方式表示被保护元件、开关、保护等所组成系统的逻辑关系，从设备的相互逻辑关系角度分析设备采集故障发生过程。将petri网与模糊信息相结合，并基于petri网考虑保护和断路器可能发生的拒动误动情况建立多因素分级模型，通过计及时间约束增强模型的容错性。该类方法需要较充分的设备采集故障的先验概率数据，而这些数据往往又较难获得，相应地限制了其应用。神经网络方法把开关及故障信息作为网络的输入，而相应设备采集故障与否信息作为网络的输出，具有在线运行简单快速及强容错的特点。但神经网络方法因训练样本量往往较少，而使得其外推的能力有所欠缺，且训练的时间较长，样本数量上的不足与质量上的参差不齐是深度学习神经网络类方法应用于工程问题普遍存在的一大阻碍，有学者采用无监督预训练的方式对这一问题进行改善，但现有方法仍未从根本上解决问题。

2、根据对多个电力公司调度中心的调研，上述各类方法在实际工程中应用较多的是基于专家系统的故障诊断方法，具有很高的实际故障辨识率和很低的漏报率。目前困扰电力公司的主要问题是该方法的误报率偏高。而基于解析模型的电网设备采集故障分析方法具有严谨的数学依据且易于编程实现，所以很多学者都展开了相关的研究。解析模型方法构建可疑设备采集故障区域内的各种候选故障设备及相应的信息状态的理想与实际间差异最小化优化模型，通过优化的方法求得其最有可能的故障元件。并且有人进一步利用了pmu量测单元信息与不确定时间发生概率等先验知识.该类方法具有较好的理论支撑，但其往往会得到多解，无法有效确定电网的故障。

技术实现思路

1、针对现有技术的不足，本发明提供一种电网设备采集系统的故障诊断方法、装置及介质。

2、根据本发明的一个方面，提供了一种电网设备采集系统的故障诊断方法，包括：

3、根据获取的待检测电网设备采集系统的元器件动作构建电网设备采集系统的解析表达式；

4、根据解析表达式，构建电网设备采集系统的优化解析模型；

5、利用混沌粒子群混合灰狼优化算法对优化解析模型进行计算，确定优化解析模型的最优解；

6、将最优解带入解析表达式，确定待检测的电网设备采集系统的故障诊断结果。

7、可选地，根据获取的待检测电网设备采集系统的元器件动作构建电网设备采集系统的解析表达式，包括：

8、获取待检测电网设备采集系统的元件动作，并将元件动作进行动作期望表示，确定元件动作期望；

9、根据元件动作期望，构建解析表达式。

10、可选地，元件动作期望包括：主保护动作期望rm＝s＝1、第一后备保护动作期望rp＝1-rm＝1、第二后备保护动作期望rs＝1-rm-rp＝1、断路器失灵保护rcbf＝1-c、断路器动作期望c＝r，其中

11、s表示元件集，r为与s相关联的保护集，c为与r相关联的断路器集。

12、可选地，解析表达式为：

13、

14、式中，符号分别表示逻辑运算“或、非、等价变换”，fr、fc分别表示保护和断路器的期望激励，mr、mc分别为保护和断路器发生的误动，dr、dc分别为保护和断路器发生的拒动，wr、wc分别为保护和断路器发生的告警信息的误报，lr、lc分别为保护和断路器发生的告警信息的漏报，er、ec分别为保护、断路器告警信息错误的误报和漏报的合集，s为故障范围内元件类型参数，r为故障范围内的保护动作参数，c为故障范围内的断路器动作参数。

15、可选地，优化解析模型为：

16、v(s，r，c，e)＝∑r∈r(||er||+w1||dr||+w2||mr||)+∑c∈c(||ec||+w1||dc||+w2||mc||)

17、式中，(s，r，c，e)为变量集合，s表示故障元件集，r为与s相关联的保护集，c为与r相关联的断路器集，e为故障告警信息错误集；等式右边的第一项反映保护的错误动作和错误警报的情况；等式右边第二项反映断路器的错误动作和错误警报的情况；w1，w2为相对权值。

18、可选地，混沌粒子群混合灰狼优化算法的速度和位置更新表达式为：

19、

20、式中，c1和c2为控制局部最佳位置和全局最佳位置之间搜索空间的认知参数和社会参数，c3为搜索空间常数；r1、r2和r3为在[0 1]内均匀分布的随机数；为第k次迭代后第i个粒子的局部最佳；为第k次迭代后第i个粒子的全局最佳；

21、混沌粒子群混合灰狼优化算法的狼群追逐行为表达式为：

22、

23、式中，j＝α，β，δ；n＝1，2，3；表示α、β和δ到γ的欧氏距离；定义了γ向α、β和δ靠拢的步长和方向；表示了γ的最终位置，w为调节惯性权重，变化范围为[0.5，1]，γ为求解参数；

24、混沌粒子群混合灰狼优化算法的狼群的包围行为表达式为：

25、

26、式中，是灰狼与猎物之间的欧氏距离；t是目前的迭代次数，是灰狼运动t次后的位置向量；是猎物运动t次后的位置向量；在包围过程中，和是系数向量，收敛因子随着迭代次数线性地从2减少到0；和模的取值在[0，1]之间随机变化。

27、可选地，利用混沌粒子群混合灰狼优化算法对优化解析模型进行计算，确定优化解析模型的最优解，包括：

28、步骤1：初始化狼群的包围行为表达式的a、a、c值，设置灰狼种群规模n；

29、步骤2：随机初始化种群个体，同时计算灰狼个体适应度；

30、步骤3：取适应度值前三的个体为α，β，δ，其对应的位置信息分别为xα，xβ，xδ；

31、步骤4：根据狼群的包围行为表达式更新a、c的值；

32、步骤5：根据速度和位置更新表达式更新灰狼个体位置，并返回步骤2重新计算，再次更新α，β，δ；

33、步骤6：如果迭代次数t≥tmax，则灰狼们找到了最优解的位置，否则将会作为一次潜在解，返回步骤3继续寻找更好的位置。

34、根据本发明的另一个方面，提供了一种电网设备采集系统的故障诊断装置，包括：

35、第一构建模块，用于根据获取的待检测电网设备采集系统的元器件动作构建电网设备采集系统的解析表达式；

36、第二构建模块，用于根据解析表达式，构建电网设备采集系统的优化解析模型；

37、第一确定模块，用于利用混沌粒子群混合灰狼优化算法对优化解析模型进行计算，确定优化解析模型的最优解；

38、第二确定模块，用于将最优解带入解析表达式，确定待检测的电网设备采集系统的故障诊断结果。

39、根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。

40、根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。

41、从而，本技术提供一种电网设备采集系统的故障诊断，通过根据获取的待检测电网设备采集系统的元器件动作构建电网设备采集系统的解析表达式；根据解析表达式，构建电网设备采集系统的优化解析模型；利用混沌粒子群混合灰狼优化算法对优化解析模型进行计算，确定优化解析模型的最优解；将最优解带入解析表达式，确定待检测的电网设备采集系统的故障诊断结果。采用混沌粒子群混合灰狼优化算法对不同电网设备采集故障模型进行诊断，该方法能够有较高的电网故障诊断效率，有效地平衡局部搜索和全局开发的能力，加快了收敛速度，并拥有更高的寻优正确率。仿真结果也验证了该方案的良好性能。解决现有技术里面基于专家系统等方法中较低的设备采集故障诊断正确率以及较高的误报率等问题。