基于DTW技术的电站故障诊断[1]

合集下载

基于大数据分析的火力发电厂设备故障诊断与预测

基于大数据分析的火力发电厂设备故障诊断与预测摘要：火力发电厂设备故障诊断与预测是保障发电厂安全稳定运行的重要任务。

本文基于大数据分析技术，探讨了火力发电厂设备故障诊断与预测的方法与应用。

传统方法包括基于规则、专家系统和模型的方法，而大数据分析方法包括数据预处理、特征提取与选择以及故障诊断与预测模型。

通过收集整合设备运行数据、维护数据和环境参数数据，利用机器学习和深度学习模型进行故障诊断与预测。

最后，本文提出了一个故障诊断与预测系统架构。

关键词：大数据分析；火力发电厂；设备故障诊断；设备故障预测引言火力发电厂设备故障会导致停机维修和损失，因此准确的故障诊断与预测对于保障发电厂的安全稳定运行至关重要。

传统的故障诊断方法存在着一定的局限性，而大数据分析技术的应用为火力发电厂设备故障诊断与预测提供了新的思路和方法。

本文将探讨基于大数据分析的火力发电厂设备故障诊断与预测方法和技术应用。

一、火力发电厂设备故障诊断与预测的重要性火力发电厂设备的故障诊断与预测对于保障发电厂的安全稳定运行具有重要意义。

设备故障不仅会导致停机维修和损失，还可能造成环境污染和能源浪费。

因此，及时准确地诊断和预测设备故障，可以避免发生严重事故和降低维修成本，提高发电厂的运行效率和安全性。

同时，设备故障的预测也有助于制定合理的维护计划，延长设备的使用寿命。

二、火力发电厂设备故障诊断与预测方法2.1.1 基于规则的方法基于规则的故障诊断方法是通过建立一系列的规则和规则库，根据设备故障的特征和规律进行诊断。

这种方法的优点是简单直观，易于理解和实施。

通过设定一些规则，可以根据设备的工作状态和参数变化判断是否存在故障。

然而，基于规则的方法往往需要专家的经验和知识，且规则库的构建和维护较为繁琐。

同时，该方法对于复杂的故障和异常情况的诊断效果有限，难以满足实际应用的需求。

2.1.2 基于专家系统的方法基于专家系统的故障诊断方法是利用专家知识和经验构建一个模拟人类专家决策的系统。

基于数字化变电站的电力设备故障诊断分析

基于数字化变电站的电力设备故障诊断分析前言电力设备的故障诊断是进行电力设备检修的前提性和基础性工作，目前，我国电力系统的检修方式是预防性的，这种方式也是目前国内所采用的普遍性方法。

预防性检修需要有计划地规划检修周期，根据电力设备的一般规律以及在检修实践中所积累的经验来确定检修时间周期。

但是这种检修方式的问题依然比较严峻，因为在检修过程中，范围十分广大，目的性不强，检修技术相对老旧，达不到预期效果。

在这种情况下，存在几点弊端，一是检修过程中所花费的人力物力庞大，二是，检修效果不尽人意。

于是，我国在电力设备的检修问题上开始不断研发新的措施，以促进电力系统的安全稳定运行，保障我国经济的正常发展。

一、数字化变电站基本构造变电站的数字化是目前电力设备的发展趋势，各种电力设备不断智能化、网络化和自动化，这是我国电力系统的时代性进步。

但是在数字化变电站当中，各种设备故障问题也越来越难以处理，需要更为先进的检修技术，来解决数字化变电站当中的一些检修难题。

数字化变电站一般具有过程层、间隔层以及站控层三个层面的结构，以下是对数字化变电站基本构造分析：（一）过程层过程层是数字化变电站一次设备与二次设备结合的地方，设备一般是远方I/O、智能传感器以及执行器组成。

电量的监测是通过对电压以及电流的运算实现的。

这种电流互感器与传统互感器存在差别，传统的采集主要依靠人工进行，如今已经逐步实现数字化和信息化。

在这种互感器中，抗干扰性比较强，另外还具有抗饱和性。

驱动操作中存在变压器的控制和电抗器以及电容的控制，直流电源放电以及充电的整个过程都包括在内。

（二）间隔层间隔层主要组成是各个单元，实现实时数据的汇总，能够保护一次设备，并对数据的采集进行有效的控制，通过统计和运算控制命令。

间隔层还具有一定的通行功能，具有全双工式的网络接口，保障网络通信的可靠性，全面提升数据重复度。

（三）站控层站空层的组成需要员工的操作，员工主要进行数据库计算机的操作，加上远方通信接口，形成站控层。

基于DTW匹配的粒子滤波故障预报①

计算机系统应用

2016 年第 25 卷第 3 期
基于 DTW 匹配的粒子滤波故障预报①
蒋欣, 王开军, 陈黎飞
(福建师范大学数学与计算机科学学院福建省网络安全与密码技术重点实验室, 福州 350007)
摘要: 现有的粒子滤波故障预报方法主要是通过粒子滤波算法得到对应时刻的预测值, 然后比较预测序列与观测序列的距离来对故障进行预报, 但这种基于相同长度时间序列的故障预报方法不能处理预测序列与观测序列长度不同的情况. 本文借助适用于不同长度时间序列的动态时间弯曲技术, 对故障相关的时间序列进行分析, 从动态时间弯曲算法度量设备正常工作的时间序列与潜在故障引起的异常序列之间相似度的角度, 设计了系统正常度及反常度来判别设备是否正常运行, 进而对潜在故障进行预报. 实验结果验证了该方法的可行性, 并能及时准确地预报出系统故障. 关键词: 动态时间弯曲; 粒子滤波; 正常度; 反常度; 故障预报
当前时刻为 k 时, 已知观测变量 y 当前时刻 k 及前一段时间数据{y1, y2,…, yk-1}, 根据粒子滤波算法进
行 q 步反向预测, 可得反向预测序列 yk q , yk q1 yk 1 ,
然后根据动态时间弯曲(DTW)算法将反向的预测序列
2016 年第 25 卷第 3 期

计算机系统应用
的故障预测方法, 该方法能有效的解决现代设备非线性非高斯系统的故障预测问题[5], 目前已被广泛应用于诸多领域[7], 在经济学领域, 它被应用在经济数据预测; 在军事领域已经被应用于雷达跟踪空中飞行物, 空对空、空对地的被动式跟踪; 在交通管制领域它被应用在对车或人视频监控. 目前, 最常见的模式匹配方法包括欧几里得距离、曼哈顿距离、切比雪夫距离等, 本文提出一种基于动态时间弯曲(DTW, Dynamic Time Warping)匹配的新方法, 在故障预报阶段, 采用 DTW 算法度量设备正常工作的时间序列数据与潜在故障引起的异常数据之间的相似性来进行故障预报, 以期进一步提高故障预报的及时性和准确性.

基于VMD-DTW聚类的配电网故障选线方法研究

D O I:10.13393/j.c n k i.i s s n.1672-948X.2021.03.012引用格式:舒征宇,汪俊,许欣慧,等.基于VM D-D TW聚类的配电网故障选线方法研究[J].三峡大学学报(自然科学版),2021,43(3):65-71.基于V M D-D T W聚类的配电网故障选线方法研究舒征宇1汪俊1许欣慧1翟二杰1黄志鹏1杨世勇2(1.三峡大学电气与新能源学院,湖北宜昌443002;2.国家电网宜昌供电公司,湖北宜昌443000)摘要:提出了一种基于VM D-D TW聚类的小电流接地系统故障选线方法.通过变分模态分解法(VM D)提取和增强原始信号,而后引入动态时间归整法(D TW)实现不同线路零序电流相似性测度和聚类,根据聚类结果区分故障线路和健康线路,从而实现故障选线的目的.最终的仿真试验结果证明,本文所提方法在不同场景下的适应性较强,特别是在接地电阻大㊁消弧线圈电抗较高等故障特征较弱的场景中可以提升故障选线的准确率.同时,该方法具有较强的鲁棒性,当初始信号采样频率和采样存在噪声时依然可以准确地选定故障线路.关键词:变分模态分解(VM D);动态时间归整(D TW);层次凝聚聚类;故障选线中图分类号:T M862文献标志码:A 文章编号:1672-948X(2021)03-0065-07R e s e a r c h o n F a u l t L i n e S e l e c t i o n M e t h o d o f D i s t r i b u t i o nN e t w o r k B b a s e d o n V M D-D T W C l u s t e r i n gS H U Z h e n g y u1 W A N G J u n1 X U X i n h u i1Z H A I E r j i e1 H U A N G Z h i p e n g1 Y A N G S h i y o n g2(1.C o l l e g e o f E l e c t r i c a l E n g i n e e r i n g&N e w E n e r g y,C h i n a T h r e e G o r g e s U n i v.,Y i c h a n g443002,C h i n a;2.S t a t e G r i d Y i c h a n g P o w e r S u p p l y C o m p a n y,Y i c h a n g443000,C h i n a)A b s t r a c t A n o v e l m e t h o d o f f a u l t l i n e s e l e c t i o n f o r s m a l l c u r r e n t g r o u n d i n g s y s t e m b a s e d o n VM D-D TWc l u s t e r i n g i s p r o p o s ed i n t h i s p a pe r.T h e o r i g i n a l s i g n a l i s e x t r a c t e d a n d e n h a n c e d b y t h e v a r i a t i o n a l m o d ed e c o m p o s i t i o n(VM D),a n d t h e n t h e d y n a m i c t i m e w a r p i n g m e t h o d(D TW)i s i n t r o d u c e d t o a c h i e v e t h e s i m i l a r i t y m e a s u r e m e n t a n d c l u s t e r i n g o f z e r o-s e q u e n c e c u r r e n t s i n t h e d i f f e r e n t l i n e s.M o r e o v e r,t h e f a u l t l i n e a n d t h e h e a l t h y l i n e a r e d i s t i n g u i s h e d a c c o r d i n g t o t h e c l u s t e r i n g r e s u l t s.T h e r e b y t h e p u r p o s e o f f a u l t l i n e s e l e c t i o n i s a c h i e v e d.T h e s i m u l a t i o n s p r o v e t h a t t h e p r o p o s e d m e t h o d i n t h i s p a p e r i s m o r e a d a p t a b l e i n t h e d i f f e r e n t s c e n a r i o s,e s p e c i a l l y t h e s c e n a r i o s w i t h w e a k f a u l t c h a r a c t e r i s t i c s,s u c h a s l a r g e g r o u n d i n g r e s i s t a n c e a n d h i g h a r c s u p p r e s s i o n c o i l r e a c t a n c e.T h e a c c u r a c y o f f a u l t l i n e s e l e c t i o n i s i m p r o v e d.A t t h e s a m e t i m e, t h e p r o p o s e d m e t h o d h a s s t r o n g e r r o b u s t n e s s.F u r t h e r m o r e,t h e f a u l t l i n e c a n s t i l l b e a c c u r a t e l y s e l e c t e d w h i l e t h e i n i t i a l s i g n a l s a m p l i n g f r e q u e n c y a n d s a m p l i n g a r e n o i s y.K e y w o r d s v a r i a t i o n a l m o d e d e c o m p o s i t i o n(VM D);d y n a m i c t i m e w a r p i n g(D TW);h i e r a r c h i c a l a g g r e g a t i o n c l u s t e r i n g;f a u l t l i n e s e l e c t i o n配电网作为电力供应中的最后一环,其运行状态将直接影响供电可靠性.在实际工程中,为保障供电可靠性允许配电网单相接地故障的情况下依旧运行.同时为排除故障,电网调度人员则会通过拉路法[1]逐一断开变电站中出线断路器来区分故障线路.然而高压断路器的操作步骤较多,这种方法会导致接地故障第43卷第3期2021年6月三峡大学学报(自然科学版)J o f C h i n a T h r e e G o r g e s U n i v.(N a t u r a l S c i e n c e s)V o l.43N o.3 J u n.2021收稿日期:2020-08-21基金项目:国家自然科学基金青年基金项目(61876097)通信作者:舒征宇(1983-),男,副教授,博士,研究方向为电力系统运行与控制.E-m a i l:18702031@q q.c o m在较长时间内维系存在,使得电网存在较大安全隐患.小电流接地系统故障选线研究主要分为基于暂态信息和基于稳态信息两类.无论采用何种分析方法,故障选线的准确率都依赖于优越的信号处理方法.目前在故障选线领域,应用频率最高的信号处理方法大致可分为3类:第一类为时域分析法,是指根据信号的时间历程记录波形,分析信号的组成和特征量的方法;第二类为频域分析法,指将时域信号转换到频域信号进行分析,包括傅里叶变换和功率谱分析法等,此类方法对平稳信号都有很好的处理效果,方法简单㊁适用性强,但不能对信号做局部分析,具有一定的局限性[2,3];第三类为时频分析法,可以反映信号频率与时间之间的相互关系,以及信号的局部特征,主要包括小波变换㊁短时傅里叶变换和S 变换等.如文献[4]采用S 变换,综合利用暂态和稳态下的零序电流信号提取故障特征,加大了故障线路与健康线路的特征区分程度.文献[5]应用粗集理论的数据挖掘能力,对采样的零序电流信号进行增强处理,然后再用小波变换对该信号进行分析,实现故障选线的目的.以上所述方法都是利用信号处理方法对故障特征量进行数据预处理,而后通过智能分类方法区分故障线路和健康线路.然而在较为极端的情况下,例如故障时刻相角为0ʎ㊁变压器中性点经消弧线圈接地且接地过渡电阻较大时,零序电流本身幅值较低且衰减较快,容易受到噪声干扰,使得故障特征提取的效果不佳,从而影响此类诊断方法的准确率.鉴于此,文章提出一种基于VM D -D TW 聚类的小电流接地系统故障选线方法.通过VM D 分解法分解原始信号,而后引入D TW 法实现不同线路零序电流相似性测度和聚类,根据聚类结果区分故障线路和健康线路,从而实现故障选线的目的.1 配电网故障零序电流特性分析图1为中性点经消弧线圈接地系统的暂态等值电路,其中r p ㊁L p 为变压器消弧线圈的等值电阻和电感;U 0为母线电压;L 0㊁R 0为中性点经消弧线圈接地系统配电网的等值电感和等值电阻;C 为线路的对地电容.图1 单相故障等值电路根据图1的暂态等值电路可以列写配网系统故障的暂态电容电流i C 以及暂态电感电流i L 的表达式,其结果如式(1)~(2)所示:i C =I C M [ωf ωs i n φs i n (ωt )-c o s φc o s (ωf t )]e -δt +I C M c o s (ωt +φ)(1)i L =I C M c o s φe -tτL-I L M c o s (ωt +φ)(2)式中:I C M ㊁I L M 分别为电容电流和电感电流的极值;ω为系统角频率;ωf 为暂态自由振荡角频率;φ为故障时刻对应的相角;δ为自由振荡的衰减系数.由式(1)~(2)可知,当故障发生后系统存在容性电流和感性电流.一般情况下,由于故障产生的容性电流幅值较大,为防止系统故障时危害电网和设备安全,会加入消弧线圈对电容电流进行补偿,这一方式会降低容性电流的幅值,导致基于稳态信息的故障选线方法在小电流接地系统中难以适用[6].基于暂态信息的选线方法主要通过对比故障线路和健康线路中的高频容性电流进行故障选线.然而高频容性电流的采样存在能量损失㊁信号衰减较快等问题,在信号采集中往往存在高频电流信号能量损失的情况,导致此类方法应用效果不佳[7].为此,文章提出基于变分模态分解(v a r i a t i o n a l m o d e d e c o m po s i t i o n ,VM D )与动态时间归整法(d y n a m i c t i m e w a r p i n g,D TW )相结合的聚类分析方法用于小电流接地系统的故障选线.其核心思想是在VM D 分解的基础上提取高中低频率的分量,并利用D TW 相似性测度算法对于时间数据序列处理的鲁棒性,聚类故障线路和健康线路,从而实现故障线路辨识的目的.2 基于V M D 的信号分解变分模态分解是一种自适应信号处理方法.其特点是可以自由设定分解得到的信号个数i ,假设分解得到的i 个模态分量具有各自的中心频率.以模态分量之和为总信号作为约束条件,模态分量带宽最小为优化目标构建模态分量求解模型,通过迭代求解完成信号频域的自适应分解,从而得到多个窄带的分解信号{I M F i },其中i ɪ[0,N ],N 为模态分量总数[8].其具体的求解步骤如下所述.步骤1:构建变分模态分解的数学模型.根据VM D 分解原则,可以将分解问题看做是以式(3)为目标和约束的优化问题.ði t [(δ(t )+j 1πt)u i (t )]e -j ωit 2s .t .ðu i (t )=f (t )(3)66三峡大学学报(自然科学版) 2021年6月其中:f (t )为初始信号;u i (t )为分解得到的第i 个本征模态分量;ωi 为u i (t )的中心频率;δ(t )为狄拉克函数.步骤2:构造增广拉格朗日表达式L .引入拉格朗日乘子,基于VM D 分解优化目标为基础构造增广拉格朗日表达式L ,如式(4)所示:L =αðit [(δ(t )+j 1πt)u i(t )]e -j ωit 2+f (t )-ðiu i (t )22+<λ(t ),f (t )-ðiu i (t )>(4)其中:λ为拉格朗日乘子;α为二次惩罚因子.步骤3:采用乘法算子交替方向法对增广拉格朗日表达式迭代优化,根据a r g{m i n L }求解u k㊁模态分量中心频率ωk .其计算方法如式(5)~(6)所示:u k +1i(ω)=f (ω)-ðu i (ω)+λk(ω)/21+2α(ω-ωi )2(5)ωk +1i=ʏωu k +1i(ω)2d ωʏuk +1i(ω)2d ω(6)其中:u (ω)㊁f (ω)为对应模态分量和初始信号经过傅里叶变换的结果;k 为迭代次数;i 为模态分量编号,i ɪ[0,N ];N 为模态分量总数,根据式(5)~(6)逐个求得第k +1次迭代中所有模态分量为止.步骤4:根据原始信号与模态分量的差异反馈更新λk直至达到迭代终止条件.式(7)为第k +1次迭代中λ更新算式:λk +1(ω)=λk (ω)+τf (ω)-ðu k +1i (ω) (7) 若式(8)成立,则停止迭代并输出分解所得模态分量集合{u i (t )};如果式(8)不成立,则转入步骤3重复以上步骤,通常设置ε=1.0ˑ10-6.ði u k +1i -u ki2u k i2<ε(8) 根据配电网故障零序电流特点,其主要包含高频的容性电流分量㊁补偿后的工频电流分量以及衰减直流分量;其中高频容性电流分量振荡频率最高,工频交流分量次之,衰减直流分量几乎无振荡[9-11].因此,采用VM D 算法对各出线零序电流进行分解时,设置模态分量个数K =3,来提取零序电流的高㊁中㊁低频分量.3 基于D T W -H A C 聚类的故障选线3.1 基于D T W 的相似性测度采用聚类方法解决特征分类问题的关键在于相似性的测度.D TW 在处理时序数据序列时具有较高的鲁棒性[12,13].文章引入D TW 用于测度零序电流VM D 分解各个模态分量的相似性,并以此为基础实现健康线路和故障线路的聚类.D TW 的核心在于构建两个时间序列在形状上的对应关系,而后在此基础上再进行相似性测度的计算.假设存在两个时间序列数据,X ={x 1, ,x n }㊁Y ={y 1, ,y m }.两组数据序列中存在对应关系:P ={P 1,1, ,P i ,j , ,P n ,m },其中P i ,j =(x i ,y j )为两个序列中的对应关系,表示X 序列中的第i 个元素x i 和Y 序列中第j 个元素的y j 对应.这种对应关系的图形化的表达如图2中所示的路径P .图2 D TW 路径示意图在D TW 算法中规定有效路径P 需要满足两个约束条件,即:1)边界性:有效路径P 是以(1,1)为起点㊁(n ,m )为终点,且路径中任意段都在n ˑm 的平面内;2)连续性与单调性:也称之为有界性,即有效路径P 中任意点向下一点移动的方向总是向上㊁向右以及右上相邻单元格移动.有效路径P 的长度l P 满足m a x (n ,m )ɤl P ɤm +n -1的约束条件.序列X 和Y 之间D TW 相似性测度结果:D TW (X ,Y )=m i n ðWp i ,j d (p i ,j )(9)其中:D TW (X ,Y )为归一化处理后数据序列X 和Y 之间的D TW 相似性测度结果.一般情况下取欧氏距离作为距离测度标准.式(9)的最小值求解问题可以看作是以d (p i ,j )为边的权重的相邻全连接有向图最短路径求解问题,该有向图的权重矩阵W 为:W =d (p 11) d (p 1m )︙︙d (p n 1) d (p n m )(10) 根据该权重矩阵可以通过D i jk s t r a 等最短路径搜索算法求得[14],此处不再复述.3.2 基于层次凝聚聚类的故障选线层次凝聚聚类(h i e r a r c h i c a l a g gl o m e r a t i v e c l u s -76第43卷第3期舒征宇,等基于VM D -D TW 聚类的配电网故障选线方法研究t e r i n g ,HA C )是一种不用事先设定分类个数的聚类方法.其原理是根据数据样本之间相似性测度结果合并样本形成新的簇中心,从而逐步完善样本的分类.文章对故障发生后所有线路的零序电流进行VM D 分解,得到零序电流高中低频段的模态分量,并对其进行归一化处理,得到[I H (i ),I M (i ),I L (i )].其中I H (i ),I M (i ),I L (i )分别为归一化后的第i 条线路中零序电流高中低频段的模态分量.在此基础上,采用D TW -H A C 聚类实现故障线路和健康线路的区分,实现零序电流特征的聚类,达到故障选线的目的其对应的步骤如图所示图3 基于D TW -HA C 聚类的故障选线流程步骤1:获取线路零序电流测量结果[I 1,I 2,,I N ],其中I 为零序电流的采样时序数据序列.步骤2:引入VM D 分解算法分解零序电流.预设分解分量个数K =3,求解变分问题的优化解,并将模态分量进行归一化处理,得到的模态分量向量[I H (i ),I M (i ),I L (i )],i 为线路编号.步骤3:以各个线路零序电流的模态分量向量表示各自的簇中心,采用D TW 相似性测度计算各线路在高中低频段的相似性,得到各个线路零序电流(即不同簇中心)的相似性矩阵R :R =r 11r 1N ︙︙r N 1 r NN(11)其中:r i j ɪ[0,1]表示线路i ㊁j 零序电流的相似性测度结果,即零序电流在高低和衰减直流频段的欧式距离,数值越小表示相似性越好.其计算公式如式(12)所示:r i j =13{D TW [I H (i ),I H (j )]2+D TW [I M (i ),I M (j )]2+D TW [I L (i ),I L (j )]2}(12) 步骤4:选择相似性最高(即矩阵R 中r 值最小元素)所代表的的线路对象a ㊁b ,将其进行合并,按照式(13)更新得到新的簇中心:I H i =[I H i (a )+I H j (b )]/2I M i =[I M i (a )+I M j (b )]/2I L i =[I L i (a )+I L j (b )]/2(13)其中:[I H i ,I M i ,I L i ]为更新后的簇中心.步骤5:重复上述步骤3㊁步骤4直至满足式(14)所示的收敛条件.将含有样本较少的聚类簇作为故障线路簇,其中的样本作为故障选线结果.m i n [R l a s t ]>μˑm a x [R 0](14)其中:R l a s t ㊁R 0分别为最后更新的和初始的相关性矩阵;m a x [R ]为相关性矩阵中最大元素的值;μɪ[0,1]为停止迭代的阈值,设置过低会将健康线路误判为故障线路,设置过高则会使得聚类的迭代过程难以收敛,降低故障选线的效率.根据大量仿真实验,设定阈值μ=0.6可以满足工程要求.4 仿真分析所用仿真系统为一个有7条线路的110/10k V变电所,变压器为Δ/Y 0接线,配电网单相接地故障等值电路如图1所示.架空线参数为:r 1=0.147Ω/k m ,l 1=0.43Ω/k m ,c 1=0.0093μF /k m ,r 0=0.514Ω/k m ,l 0=1.3885Ω/k m ,c 0=0.006μF /k m.消弧线圈采用5%的过补偿方式.线路长度均为10k m.4.1 故障选线准确率分析影响单相接地故障特征的要素较多,包括故障时刻系统相角㊁故障距离㊁接地电阻以及消弧线圈电抗大小等.为验证文章所提方法的有效性,按照表1所述场景设置故障条件.表1 故障场景设置场景编号φ/(ʎ)R f /ΩD f /k m P a s c/%190072245200653201000510表1中φ为故障时刻的相角,R f 为故障的接地86三峡大学学报(自然科学版) 2021年6月电阻,D f 为故障点到母线的距离,P a s c 为消弧线圈的补偿度.图4为3种场景下故障线路零序电流的对比结果.图4 场景1至场景3故障线路零序电流对比如图4所示,受到接地电阻和接地消弧线圈的影响,零序电流存在差异.场景3故障时刻相角为20ʎ㊁接地电阻和消弧线圈电抗最大,对应的故障线路的零序电流在初期暂态和稳态时的幅值较小,并且故障电流衰减较快.因此,在3个场景中,场景1的故障线路特征最为明显,场景3的故障线路特征最弱,其故障选线的难度更大.随后,对初始的零序电流信号进行VM D 分解和归一化处理,其结果如图5所示.图5 故障线路零序电流VM D 分解结果对比图4和图5可以发现,随着故障相角㊁接地电阻和消弧线圈电抗的变化,零序电流变化较大,特别是用于区分故障线路和健康线路的高频段震荡分量的幅值变化较大.在经过VM D 分解及归一化处理后,可以较好地分离零序电流中的高中低频段分量以及更好地保留高频段信号的特征,为后续的故障选线奠定基础.最后,采用3.2节所述方法进行相似性测度和故障选线.根据式(11)~(13)迭代更新不同场景下的健康簇和故障簇,并根据各个线路的模态特征与簇中心的相似性测度结果归入对应的簇中,完成故障选线.其结果见表2.表2 各线路相似性测度结果线路编号场景1故障簇健康簇场景2故障簇健康簇场景3故障簇健康簇L 10.0690.9260.0670.8500.0830.776L 20.1230.9090.1020.9320.0950.711L 30.9300.0000.8920.0000.8040.000L 40.0650.9550.0730.8940.0880.832L 50.0290.9610.0210.8570.0380.818L 60.0410.9590.0350.9710.0340.825L 70.1470.8430.1340.8870.1520.893选线L 3L 3L 3由表2结果可知,在所有场景中文章所提方法都可以准确将零序电流样本分为两类,将健康线路和故障线路正确区分.在场景3中受到故障时刻相角等因素的影响,故障特征较弱,但经VM D 分解和归一化处理后依然可以有效抽取其特征,实现准确的故障选线.以下将本文所提方法与常见方法进行对比,验证其鲁棒性.4.2 噪声干扰下故障选线结果分析配电网由于电压等级较低,且随着自动化水平的不断提高,大量的电力电子设备被应用,系统中高次96第43卷第3期舒征宇,等基于VM D -D TW 聚类的配电网故障选线方法研究谐波的占比越来越高,会导致故障选线方法的准确率受到影响.以上文所建立的3个仿真场景为基础,在采集的零序电流中,以信噪比10d B加入高斯白噪声,得到噪声干扰时场景故障线路零序电流及VM D 分析结果图(图略).分析得知,添加高斯白噪声后,场景1和场景2故障线路零序电流受噪声影响较小,而场景3故障线路零序电流变化较为明显.各场景VM D分量均有所变化,尤以场景3的各VM D分量变化最为明显,其高频分量出现了严重变形.虑到本文所述方法选取高㊁中㊁低频3种分量共同作为选线依据,即使其中的一种分量出现畸变,也不会影响最终的选线结果.因此为验证加入噪声干扰后本文所提方法的有效性,将加入噪声以后的零序电流作为原始数据,采用文章所提方法以及文献[15,6,16]中所提的五次谐波法㊁半首波法和F C M聚类进行对比,结果见表3.表3加入噪声后故障选线结果场景编号VM D-D TW五次谐波半首波F C M聚类1ɿɿɿɿ2ɿˑɿɿ3ɿˑɿɿ表4为文章所提方法在加入噪声后的相似性测度结果.表4加入噪声后各线路相似性测度结果线路编号场景1故障簇健康簇场景2故障簇健康簇场景3故障簇健康簇L10.0730.9010.0850.8480.0900.81 L20.1220.9320.1070.7690.0940.817 L30.9130.0000.8580.0000.7390.000 L40.0720.8550.0650.8730.0770.774 L50.040.8730.0420.890.0220.726 L60.0490.8760.0310.8390.0320.732 L70.1910.8760.1570.7820.1610.843选线L3L3L3由计算结果可知,加入高斯白噪声后,文章所提方法依然可以准确地选择故障线路.五次谐波法主要依赖故障时系统高次谐波幅值的差异进行故障判断,而场景2和场景3中本身故障特征较弱,在加入高斯白噪声后则会出现故障选择出错的情况.4.3采样异步干扰下故障选线结果分析工程应用中,各信号采样不同步的问题往往难以避免.而采样同步出现问题则会导致信号时序错位,不能准确反映故障线路和健康线路的特征.文章在仿真案例中将故障线路的采样滞后健康线路0.002s,采用上述4种方法进行故障选线,表5为4种方法的选线结果统计,表6为文章所提方法相似性测度计算与选线结果.表5采样异步时故障选线结果场景编号VM D-D TW五次谐波半首波F C M聚类1ɿɿˑɿ2ɿˑˑɿ3ɿˑˑɿ表6采样异步时各线路相似性测度结果线路编号场景1故障簇健康簇场景2故障簇健康簇场景3故障簇健康簇L10.0830.9370.0840.8370.0920.658 L20.1250.7640.1000.8660.1240.77 L30.8860.0000.8040.0000.7240.000 L40.0740.8430.0840.8790.0750.74 L50.0210.8910.0330.8290.0450.688 L60.0580.920.0590.830.0460.765 L70.1860.7190.1660.8710.1290.805选线L3L3L3在场景1中除半首波法以外的3种方法都可以准确地选出故障线路.但是随着消弧线圈电抗和接地电阻的增加,在场景2㊁场景3中仅有文章所提方法以及F C M聚类方法可以准确选出故障线路,而半首波法在所有场景中皆不能正确选线.其原因在于故障线路的信号采样滞后会导致高频段信号出现能量损失,使得5次谐波法所提取的故障线路高频段特征难以与健康线路进行区分.另外,半首波法极为依赖零序电流的极性判断,当采样同步受到干扰时则会使得零序电流的极性发生改变,使得选线结果出错.4.4采样频率的影响分析系统采样频率将直接影响获取原始信号的波形,图6为以场景1为基础,并分别以每个周波50㊁100㊁200㊁500次的频率对原始信号采样和插值后得到的零序电流采集结果.图6不同采样频次对信号的影响07三峡大学学报(自然科学版)2021年6月如图6所示,在采样频率降低的情况下,会导致高频段的能量损失[6],当频率特别低时还会造成采样信号的失真,从而使得故障选线结果的准确率下降.而在实际工程应用中,采样频率往往受到技术和经济条件的约束.文章以100次/周波的频率对仿真信号采样,并在此基础上进行故障选线,对比4种方法在低频采样情况下的鲁棒性,对应的故障选线结果见表7.表8则为文章所提方法的相似性测度结果.表7低频采样时故障选线结果场景编号VM D-D TW五次谐波半首波F C M聚类1ɿɿɿɿ2ɿˑɿɿ3ɿˑˑˑ表8低频采样时各线路相似性测度结果线路编号场景1故障簇健康簇场景2故障簇健康簇场景3故障簇健康簇L10.0610.9140.0650.8620.0630.744 L20.1280.8640.1150.9590.0980.809 L30.9110.0000.8630.0000.7500.000 L40.0950.8230.0810.9150.0850.748 L50.0400.9290.0440.850.0410.719 L60.0490.9360.0630.8640.0320.741 L70.1810.9580.1290.8670.1510.784选线L3L3L3如表7所示,当采样频次较低时会使得原始信号的高频段能量产生损失,从而影响到故障选线的准确率.在场景3中由于高频段故障特征不明显,同时受到低频采样的影响则会导致采样极性准确率下降,使得半首波方法和F C M聚类方法选线结果发生错误.而文章所提方法在VM D分解后采用了归一化处理,变相的对高频信号进行了增强,因此,即便在采样频率较低㊁高频段信号存在能量损失的情况下,依然可以保障故障选线结果的准确率.5结语文章基于VM D分解和D TW-H A C聚类提出一种改进的配电网故障选线方法.其核心优势在于两点:1)通过VM D分解和归一化处理提取故障时多个频段的特征,并对其增强,提升了本方法在不同场景下的适应性,特别是在接地电阻大㊁消弧线圈电抗较高等故障特征较弱的场景中可以提升故障选线的准确率;2)以D TW相似性测度方法代替传统的欧氏距离作为聚类的标准,增强了方法的鲁棒性,当初始信号采样频率较低或采样存在噪声时依然可以准确地选定故障线路.最后,通过设置3个不同的仿真场景以及加入不同类型的干扰信号,将本文所提方法与传统方法进行了对比,验证了该方法的正确性和有效性.参考文献:[1]常仲学,宋国兵,张维.配电网单相断线故障的负序电压电流特征分析及区段定位[J].电网技术,2020,44(8): 3065-3074.[2]胡智勇,胡杰鑫,谢里阳,等.滚动轴承振动信号处理方法综述[J].中国工程机械学报,2016,14(6):525-531.[3]陈颖.小电流接地系统单相接地故障的特征提取及选线方法研究[D].秦皇岛:燕山大学,2015. [4]王旭强,杨青,张耀,等.基于多源信息融合的配电网故障选线新方法[J].智慧电力,2019,47(9):97-103. [5]庞清乐,孙同景,钟麦英,杨福刚.基于粗集理论的小电流接地系统故障选线[J].中国电机工程学报,2007(4): 60-64.[6]李恒.小电流接地系统单相接地故障选线方法研究[D].济南:山东大学,2018.[7]苏小青,余锐,白杰,等.利用暂态零序电流波形特征的谐振接地系统故障选线方法[J].电力电容器与无功补偿,2019,40(4):106-111.[8]路敬祎,马雯萍,叶东,等.基于VM D的声音信号增强算法研究[J].机械工程学报,2018,54(10):10-15. [9]但扬清,赵伟,朱艳伟,等.基于A B C-D N N的小电流接地故障选线方法[J].智慧电力,2019,47(4):46-52.[10]徐玉琴,张婧婷,边华跃.复杂配电网系统单相接地故障选线算法[J].电测与仪表,2019,56(1):22-27. [11]刘思怡,苏运,张焰.基于F P-G r o w t h算法的10k V配电网分支线断线故障诊断与定位方法[J].电网技术, 2019,43(12):4575-4582.[12]童晓阳,杨明杰,张广骁.基于改进D TW的行波波形相似性的高压直流输电线路保护方案[J].中国电机工程学报,2020,40(12):3878-3888.[13]李卫国,许文文,王旭光,等.基于D TW距离搜索的配电网故障区段定位方法[J].电力系统及其自动化学报, 2020,32(6):80-87.[14]Y a m i n L i,L o n g Z e n g,K a i T a n g,e t a l.O r i e n t a t i o n-p o i n tr e l a t i o n b a s e d i n s p e c t i o n p a t h p l a n n i n g m e t h o d f o r5-a x i s OM I s y s t e m[J].R o b o t i c s a n d C o m p u t e r-I n t e g r a t e dM a n u f a c t u r i n g,2020:61.[15]薛太林,靳贰伟,吴杰.基于五次谐波和混沌系统的谐振接地系统故障选线[J/O L].电测与仪表,2019:1-7[2020-08-01].h t t p://k n s.c n k i.n e t/k c m s/d e t a i l/23.1202.T H.20190826.1511.015.h t m l.[16]邵翔,郭谋发,游林旭.基于改进D TW的接地故障波形互相关度聚类选线方法[J].电力自动化设备,2018,38(11):63-71,78.[责任编辑张莉]17第43卷第3期舒征宇,等基于VM D-D TW聚类的配电网故障选线方法研究。

基于像处理的电力设备电弧故障诊断与处理

基于像处理的电力设备电弧故障诊断与处理基于图像处理的电力设备电弧故障诊断与处理电力设备的正常运行对于保障电力系统的稳定性和安全性至关重要。

然而，由于各种原因，电力设备可能会出现电弧故障，给电力系统带来严重的安全隐患和电力质量问题。

因此，研究基于图像处理的电力设备电弧故障的诊断与处理方法成为了重要的研究方向。

一、电弧故障的特点分析电力设备电弧故障的主要特点包括以下几个方面：1. 光谱特征：电弧故障产生的光谱具有明显的特征，可以通过光学传感器获取光谱数据。

2. 空间分布：电弧故障在电力设备中的空间分布不均匀，可以通过红外热像仪获取温度分布图像。

3. 时间变化：电弧故障的瞬态特性使得其在时间上具有一定的变化规律，可以通过记录时间序列数据进行分析。

二、基于图像处理的电弧故障诊断方法基于图像处理的电弧故障诊断方法可以分为以下几个步骤：1. 图像采集：利用光学传感器、红外热像仪等设备采集电弧故障的图像数据。

2. 图像预处理：对采集到的图像数据进行预处理，包括去噪、增强、边缘检测等操作，以提高后续处理的效果。

3. 特征提取：根据电弧故障的特点，提取图像中与故障相关的特征信息，例如光谱特征、温度分布等。

4. 特征分类：利用机器学习、模式识别等方法对提取到的特征进行分类，判断图像中是否存在电弧故障。

5. 故障定位：如果图像中存在电弧故障，进一步定位故障的位置，确定导致故障的具体原因。

三、电弧故障处理方法一旦电弧故障被诊断出来，需要及时采取处理措施以消除故障并保障电力设备的运行安全。

1. 切断电源：对于发生电弧故障的电力设备，首先应切断其供电电源，以防止继续扩大故障。

2. 引导电弧：利用合适的装置将电弧导向安全的位置，避免对设备和人员造成危害。

3. 绝缘处理：对于电力设备的绝缘材料，需要进行检测和维修，确保其绝缘性能符合要求。

4. 故障分析：对于造成电弧故障的具体原因，进行深入的故障分析和调查，查找根本原因，以防止类似故障再次发生。

基于EEMD和DTW相结合的故障识别算法

基于EEMD和DTW相结合的故障识别算法提出了一种集成的经验模式分解（EEMD）算法和动态时间规整（DTW）算法相结合的故障识别算法。

该算法首先利用正态分布白噪声在经验模式分解中具有的二进尺度分解特性，利用EEMD算法对实验样本与参考样本进行处理以去掉样本信号的非平稳性和噪声，然后对未知的实验样本与已知的参考样本之间的相似性利用DTW算法进行评价，采用它们之间的最短距离来进行分类，从而达到故障识别。

最后将此算法应用到Tennessee Eastman过程的故障识别中。

仿真结果表明基于EEMD和DTW相结合的算法能够准确地进行故障识别，而仅采用普通的DTW算法则存在一定的误差。

标签：EEMD；DTW；故障识别；TE过程1 EEMD算法EMD方法是一种非平稳的信号分析方法，它将任意非线性、非平稳信号从高频到低频分解为若干个具有物理意义的基本模式分量（IMF）及趋势项之和。

EEMD方法是对EMD方法进行改进得到的结果。

其核心思想是引入正态分布的白噪声具有频率均匀分布的统计特性，当信号加入白噪声后，将为分析信号提供了均匀分析的分解尺度，还能平滑脉冲的干扰，这样可以促进抗混分解，还能有效地抑制信号固有模式的混叠并能更好地显现信号的真实特征。

这样就能避免EMD方法中因为IMF不连续而造成模式的混叠现象。

EEMD方法本质上是一种噪声辅助数据分析方法，因为在不连续的信号中，它们的高频成分的极值点的分布间隔是密集的，而它们的低频成分的极值点的分布间隔是稀疏的，极值点分布间隔的不均匀将会产生极值点上、下包络线的拟合误差，从而产生了模式的混叠。

通过加入正态的白噪声，使信号在不同尺度上具有连续性，从而改变了信号高频、低频成分的极值点分布特性，使得信号在整个频带中极值点的分布间隔是均匀的，从而达到在EMD分解中避免模式混叠的目的。

EEMD方法步骤如下：2 DTW算法（dynamic time warping，DTW）DTW算法是一种模式匹配算法，把时间规整和距离测度计算结合起来的一种归整技术，可用于对两个动态样本进行比较。

基于机器学习的电力设备故障检测

基于机器学习的电力设备故障检测在当今高度依赖电力的社会中，电力设备的稳定运行至关重要。

然而，随着电力系统的日益复杂和电力设备的不断老化，故障的发生难以完全避免。

为了保障电力供应的可靠性和安全性，及时、准确地检测电力设备的故障变得尤为重要。

传统的电力设备故障检测方法往往依赖人工巡检和定期维护，不仅效率低下，而且难以发现潜在的早期故障。

近年来，机器学习技术的快速发展为电力设备故障检测带来了新的机遇。

机器学习是一种让计算机通过数据学习和自动改进的技术。

在电力设备故障检测中，机器学习可以通过分析大量的设备运行数据，自动识别出正常运行模式和故障模式之间的差异，从而实现对故障的准确检测和预测。

首先，我们需要收集大量的电力设备运行数据，包括电压、电流、功率、温度、湿度等多种参数。

这些数据可以通过传感器实时采集，也可以从设备的历史运行记录中获取。

数据的质量和数量对于机器学习模型的准确性和可靠性有着至关重要的影响。

因此，在数据采集过程中，需要确保数据的准确性、完整性和一致性。

接下来，对收集到的数据进行预处理是必不可少的步骤。

数据预处理包括数据清洗、数据归一化、特征提取等操作。

数据清洗主要是去除噪声、缺失值和异常值，以提高数据的质量。

数据归一化则是将数据映射到一个统一的范围，以便于模型的训练和比较。

特征提取是从原始数据中提取出能够反映设备运行状态的关键特征，这些特征可以是统计特征、频谱特征、时域特征等。

在完成数据预处理后，就可以选择合适的机器学习算法来构建故障检测模型。

常见的机器学习算法包括决策树、支持向量机、朴素贝叶斯、聚类算法等。

不同的算法适用于不同类型的数据和问题，需要根据具体情况进行选择。

例如，决策树算法适用于处理离散型数据和具有明确分类边界的问题；支持向量机算法在处理小样本、高维度数据时表现出色；朴素贝叶斯算法则适用于处理多类别分类问题。

以决策树算法为例，它通过对数据进行一系列的逻辑判断来构建一棵决策树，从而实现对故障的分类和预测。

基于大数据分析的道岔转换设备故障诊断系统

基于大数据分析的道岔转换设备故障诊断系统故障诊断系统是保障铁路交通安全和高效运行的重要环节之一。

在铁路道岔转换设备中，故障的发生可能导致列车运行受阻，进而影响行车调度和乘客出行。

传统的故障诊断方法存在诊断准确率低、耗时长等问题，难以满足实际的需求。

基于大数据分析的故障诊断系统则能够更准确地判断设备故障，并提供及时可靠的解决方案。

一、大数据分析在道岔转换设备故障诊断中的重要性随着信息技术的不断进步和发展，移动互联网、物联网等新兴技术蓬勃兴起，铁路运输系统实现了全面信息化和智能化。

在这样的背景下，大数据分析作为一种重要的数据处理和分析工具，对于道岔转换设备故障诊断至关重要。

首先，道岔转换设备的运行产生海量的数据，如温度、压力、电流等。

传统的诊断方法无法有效处理这样的大数据，并从中找出故障的关键信息。

而大数据分析技术能够通过对大规模数据的分析和挖掘，提取出故障模式和规律，为故障诊断提供有力支持。

其次，大数据分析可以借助机器学习和人工智能的方法，建立道岔转换设备故障的模型和预测算法。

通过对历史数据和实时数据的分析，系统可以学习设备不同状态下的特征，并进行故障预测和预警。

这将有助于及时采取措施，避免故障的发生，保障道岔转换设备的正常运行。

二、基于大数据分析的道岔转换设备故障诊断系统的框架基于大数据分析的道岔转换设备故障诊断系统通常包括数据采集、数据预处理、特征提取和故障诊断四个关键环节。

1. 数据采集在铁路系统中，道岔转换设备的运行数据可以通过传感器等设备进行实时采集，并通过网络传输至故障诊断系统。

在这一环节中，需要搭建稳定可靠的数据采集系统，确保数据的及时性和准确性。

2. 数据预处理由于采集到的数据通常存在噪声和缺失值等问题，需要进行数据清洗和预处理。

清洗过程包括去除异常值、填补缺失值等操作，以确保后续分析过程的准确性。

预处理后的数据即可进入下一步的特征提取。

3. 特征提取特征提取是识别和提取设备故障的关键特征，从而为故障诊断提供可靠依据。

数据仿真支持下的智能电网故障诊断

数据仿真支持下的智能电网故障诊断一、智能电网故障诊断的背景与重要性（一）智能电网的发展概述随着现代社会对电力需求的不断增长以及对电力供应可靠性和质量要求的日益提高，传统电网面临着诸多挑战。

智能电网应运而生，它是将先进的信息技术、通信技术、控制技术与传统电网相结合，实现对电力系统的智能化监测、控制和管理。

智能电网能够提高电网的运行效率、可靠性和安全性，同时促进可再生能源的接入和利用，是未来电网发展的必然趋势。

（二）故障诊断在智能电网中的关键作用智能电网的复杂性和庞大性使得故障的发生难以避免。

故障诊断是智能电网运行和维护的重要环节，其准确性和及时性直接影响到电网的安全稳定运行。

通过及时准确地诊断故障，可以快速采取有效的修复措施，减少停电时间和停电范围，降低经济损失和社会影响。

同时，故障诊断还可以为电网的优化运行提供依据，帮助电网运营商更好地了解电网的运行状态，预防故障的发生。

二、数据仿真在智能电网故障诊断中的应用（一）数据仿真技术概述数据仿真技术是一种利用计算机模型和算法对实际系统进行模拟和分析的技术。

在智能电网故障诊断中，数据仿真可以模拟电网的各种运行状态和故障情况，为故障诊断提供大量的数据支持。

数据仿真技术包括系统建模、数据生成、模拟运行和结果分析等环节。

通过建立准确的电网模型，可以模拟电网在不同工况下的运行特性，生成包含各种故障信息的数据样本。

（二）数据仿真在故障诊断中的优势1. 提供丰富的数据资源数据仿真可以生成大量的故障数据，这些数据涵盖了不同类型的故障、不同位置的故障以及不同程度的故障。

通过对这些数据的分析和挖掘，可以提取出故障的特征信息，为故障诊断算法的训练和优化提供充足的数据支持。

2. 可重复性和可控性数据仿真可以在相同的条件下重复进行，并且可以控制故障的发生时间、位置和类型等参数。

这使得研究人员可以对故障进行深入的研究和分析，验证故障诊断算法的有效性和可靠性。

3. 降低实验成本和风险在实际电网中进行故障实验是非常危险且成本高昂的。

基于机器学习算法的电气设备故障预测与诊断　

基于机器学习算法的电气设备故障预测与诊断李　赟（青岛特殊钢铁有限公司）摘　要：为防止钢铁厂内的电气故障发生，坚持早发现，早处理的原则，增加在施工现场内的观察，采用机器学习算法，完成电气设备故障问题的预测与诊断。

基于此，本文结合实际思考，首先简要分析了基于机器学习算法的电气设备故障类型，其次阐述了基于机器学习算法的电气设备故障预测与诊断措施。

以期对相关部门的工作有所帮助。

关键词：机器学习算法；电气设备；故障预测；诊断0　引言钢铁厂中电气设备的应用，关乎着工作人员的工作效率，更关乎工作人员的生命安全。

所以，电气设备故障预测与诊断工作的开展是必要的。

如何判别电气设备是否存在异常，防止故障问题的影响加剧，成为我们着重探讨的内容。

在此可以基于常见的几种电气设备损坏情况进行分析，了解绝缘损坏、断线以及短路问题所带来的影响，确认电气信号特征，以生成故障的诊断模型，从而运用故障诊断及分类的方式，确认是否存在故障，及时将其解决。

1　基于机器学习算法的电气设备故障类型1.1　测试设备时的故障在电气设备发生故障时，若测试环节未发生过大的问题，可能是测试设备所引发的故障。

例如：在测试阶段，员工出现误操作的情况，造成设备发生故障的可能性增加。

或者，在钢铁厂员工在观察电效应时，存在物理现象。

此时，需要借助示波器执行测定工作。

若操作环节未增加对电气设备方面的思考，则无法保证设备正常运行，导致低阻回路的情况发生，或是电线及电缆被老鼠咬断，也会引发设备发生故障，从而造成设备发生异常。

1.2　元器件损坏引发故障基于电子产品的应用层面进行分析。

因为电路内所含有的线路数量及元器件相对加多，所以，元器件多数相对精细。

如若在电路的组成区域内发生问题，则会引发电子电路故障，使电容、电阻和晶体管等发生异常，容易烧坏元器件，导致电路中的电力输入及输出情况发生异常。

1.3　电路接触环节故障若电路在运行过程中出现不稳定的情况，总是间歇性地进行通电，则会增加电路故障的概率。

基于大数据挖掘技术的输变电设备故障诊断方法探讨

基于大数据挖掘技术的输变电设备故障诊断方法探讨摘要: 在电网系统运行中输变电工程是极其重要的组成部分，关系到了用户正常用电，但是因为输变电系统中设备种类呈现出繁杂性与复杂性，所以各类设备故障问题层出不穷，对此供电企业需要做好输变电设备故障诊断工作尽可能降低故障问题所带来的影响。

鉴于此，本文笔者则主要分析了大数据挖掘技术在故障诊断中的应用策略。

关键词: 大数据挖掘技术; 输变电; 设备故障综合性较强是故障诊断的特征，主要是查询设备运行中的故障源。

工作人员需检查输变电系统中设备的实际运行情况，并根据反馈的数据判断故障发生的位置。

因此，工作人员在查询故障信息时耗时较长，影响电网的恢复运行。

通过大数据挖掘技术诊断输变电设备故障，可大大提升工作人员的工作效率和质量。

因此，研究基于大数据挖掘技术输变电设备故障诊断方法具有重要的现实意义。

1、故障诊断的意义故障诊断是依据设备的运行、检修、故障后产生停电的状态信息进行查找故障源，并制定解决办法的复杂性的学科。

它能实现设备在正常检测维修、甚至超负荷、一直处于工作状态等情况下，通过使用先进的技术对设备记录的各种数据展开研究和处理，从而知道设备有没有发生异常和故障。

故障的位置和产生原因以及劣势程度等，以制定合理的方案及时检测维修，从而来降低事故产生的损失、提高运行的稳定性和提高它的效益、降低用于修理设备所投入的钱2、输变电设备故障诊断的现状在线监测是输变电设备故障诊断的主要措施，在不影响输变电设备运行的条件下，对设备的电气、机械等状态参数进行连续或随时检测，取得设备电气与机械性能等运行状态的信息，对其进行综合处理和分析，取得设备状态的特征参量，诊断设备故障，分析判断设备的运行状态。

从整体角度分析，在输变电设备运行期间，如果缺乏有效的设备检修与养护，那么则会导致安全隐患的发生，近几年在相关政策的不断推动下供电企业虽然进行了输变电设备故障诊断工作，但是因受到传统因素所带来的影响，其检修中同样存在缺陷与不足，比如相关的工作人员在整个设备检修当中并没有按照相应的流程与制度，或者工作人员自身检修水平不足，出现错检漏检现象，还有一点是在当前计算机技术的不断发展下，大数据挖掘技术成为了供电企业发展中的重要技术之一，虽然众多大型供电企业已经加强应用大数据挖掘技术进行故障信息的收集与整理，但是因为工作人员缺乏对大数据挖掘技术的认识与了解，所以，在实际应用当中会对故障诊断效果造成影响，可以肯定的是大数据挖掘技术在输变电设备故障诊断仍处于初级发展阶段，存在缺陷与不足，无法发挥其作用与价值，所以需对其加以研究与重视。

基于DTW算法的参数缺失时的核动力系统故障诊断技术

基于DTW算法的参数缺失时的核动力系统故障诊断技术赵鑫;蔡琦;王晓龙【摘要】由于核动力系统的在线监测参数在获取、传输过程中受到噪声的干扰,导致最终监测信号的随机缺失,对操纵员判断事故种类造成了较大的干扰.为此,提出了滑动时间窗口的动态时间弯曲故障诊断模型:构建在线实时监测参数的待测多元时间序列和已有的事故标准序列,将构建的待测多元时间序列采用滑动窗口去动态寻找标准序列中的最小累积距离,使用动态时间弯曲的算法计算待测序列或标准序列中监测参数缺失导致的序列不等长现象,通过最小累积距离得到待测时间序列的模式类别.结果表明:该方法从核动力系统事故发生的基本原理出发,对诊断结果具有较强的解释性和鲁棒性,同时可引入其他标准事故序列对模型进行拓展,该模型具有较强的拓展性.【期刊名称】《原子能科学技术》【年(卷),期】2019(053)006【总页数】8页(P1070-1077)【关键词】动态时间弯曲;多元时间序列;随机缺失;滑动窗口;故障诊断【作者】赵鑫;蔡琦;王晓龙【作者单位】海军工程大学核科学技术学院,湖北武汉430033;海军工程大学核科学技术学院,湖北武汉430033;海军工程大学核科学技术学院,湖北武汉430033【正文语种】中文【中图分类】TL33随着以太网在核动力系统上的应用，核动力系统运行期间的各类监测参数可通过相关网络实时获取，因此数据驱动的核动力系统的故障诊断成为今后的发展趋势，而由于设备之间的干扰和网络传输的错误导致部分监测参数出现随机缺失，目前对监测数据完备情况下的故障诊断相对成熟，其对应的算法有支持向量机、时间序列、神经网络等[1-3]，对监测参数出现随机缺失的实时故障诊断研究较少：文献[4]采用了集成学习的概念，通过对基分类器的互补优势提升参数缺失情况下的诊断精度；文献[5]使用朴素贝叶斯和EM算法从缺失数据容忍和修复两个角度对数据进行预测，提高了历史监测数据随机缺失情况下的目标函数预测；文献[6]采用了多元动态时间弯曲(DTW, dynamic time warping)算法对多维时间序列进行模式匹配，对完整的事故过程具有较好的匹配效果。

基于电力通信管理系统的故障智能诊断研究与应用徐茹

基于电力通信管理系统的故障智能诊断研究与应用徐茹发表时间：2018-06-11T11:52:08.483Z 来源：《电力设备》2018年第2期作者：徐茹[导读] 摘要：电力通信网由于结构、设备、关联关系复杂而存在大量衍生的告警，此类海量衍生告警影响运维人员的判断及故障处理效率，针对该问题，采用结合电力通信管理系统实际情况建立故障智能诊断分析析模型的方法，实现告警分析的快速、准确发现。

（国网宁夏电力有限公司信息通信公司宁夏银川 750001）摘要：电力通信网由于结构、设备、关联关系复杂而存在大量衍生的告警，此类海量衍生告警影响运维人员的判断及故障处理效率，针对该问题，采用结合电力通信管理系统实际情况建立故障智能诊断分析析模型的方法，实现告警分析的快速、准确发现。

故障智能诊断的应用能够最终实现对大量衍生告警智能分析过滤的目的，从而实现帮助运维人员对通信网故障进行快速发现、准确定位和及时处理，提高故障处理效率。

关键词：电力通信网；故障智能诊断；告警关联规则0 引言电力通信网络覆盖面广、规模庞大、网络设备结构复杂，当网络出现问题时设备告警数量庞大，从而直接影响运维人员对告警的分析与判断，影响了对通信网故障的定位和处理速度。

同时，现有通信管理系统缺乏对告警的分析、过滤方面的技术性手段，在通信系统故障智能诊断方面存在一定的缺失。

通过研究发现通信系统告警信息间通常存在某些关联，某一设备发出的故障告警可以引发与其连接的多个网元同时刻发生告警，导致产生海量的告警衍生信息。

因此，提出对大量的告警之间存在的逻辑依赖关系、业务关联关系或之间与设备的关联关系等入手，针对告警之间逻辑关系的分析总结出规则库，从而最大限度的排除次要告警，对大量衍生告警实现过滤，快速定位单一问题以解决故障。

因此，必须引入优秀的告警分析技术，建立基于现有通信管理系统的告警自动化处理机制，开展故障智能诊断研究。

1 基于电力通信管理系统的故障智能诊断研究1.1原理介绍故障智能诊断依赖于告警信息本身和基础设备数据，从基础设备数据中获得资源间的关联关系、网络结构关系、设备历史告警等数据，让设备告警和资源间建立匹配规则，进而实现告警关联，规则库应根据不同的设备类型、网络构造制定不同的告警分析规则[1]。

电气工程中继电保护的故障诊断与处理对策_1

电气工程中继电保护的故障诊断与处理对策发布时间：2022-01-21T06:06:31.418Z 来源：《中国科技人才》2021年第30期作者：侯立宇宋俊洁秦士茹[导读] 在电力系统中，继电保护发挥着非常重要的作用。

如果不能对其进行有效地维护，那么将直接导致继电保护出现隐形故障问题，因此引发电力系统故障问题。

中国矿业大学徐海学院江苏徐州 221008摘要：在电力系统中，继电保护发挥着非常重要的作用。

如果不能对其进行有效地维护，那么将直接导致继电保护出现隐形故障问题，因此引发电力系统故障问题。

经过对电力故障问题进行分析发现，电力故障主要是由继电保护隐形故障诱发，其可以引发电力系统出现连锁反应，从而引发更大的电力问题。

要想有效地避免该问题，必须做好继电保护工作。

经过分析发现，继电器出现问题时往往引发大型的停电问题，并且继电器故障往往与隐形故障有关，由此可以看出，必须高度重视电力系统隐形故障问题，从而有效地优化电力系统的稳定性。

关键词：电气工程；继电保护；故障诊断引言继电保护作为电网的第一道防线，意义非凡，对于电网稳定性提升，有着深远影响。

如果稍有疏忽，就可能发生不可挽回的事故，造成大范围停电瘫痪。

近年来，为了降低事故概率，智能变电站的建设如火如荼，同时配备了新的电网设备,继电保护领域变革成果喜人，标准化工作也要跟上进程。

1继电保护的状态测量、保护和控制需求远程站的所有设备，如变压器二次电压和电流、电源电缆等，必须通过电缆向主控室供电，但是二次回路也很复杂,我国电力系统继电保护技术现状综述，它介绍了继电保护的定义、原则、目标和基本要求，并从未来继电保护技术发展的前景进行了展望，同时给出了继电保护的措施。

2继电保护的重要作用随着我国的经济不断发展，电网建设的规模不断扩大，一旦电气设备发生故障，将会造成停电，给用户的工作生活带来不便，甚至造成危及人身设备的安全事故。

继电保护系统是秉持可靠、快速、灵敏和选择的原则隔离故障，从而保障电气系统设备运行的安全稳定性。

变电站设备安全运行中的诊断技术_1

变电站设备安全运行中的诊断技术发布时间：2022-10-24T07:49:35.574Z 来源：《新型城镇化》2022年20期作者：赵宇亭[导读] 文章以500kV主变为研究对象，总结了变压器故障及套管故障的典型类型及原因，总结了故障排除的方法和步骤，并给出结合历史检修、试验结果、故障录波等综合材料进行诊断的方法；文章提出了变压器绝缘系统故障的防范措施、优化及改进措施，为更好地服务于电力系统的安全稳定运行提供了有效的参考。

国网山西省电力公司超高压变电分公司山西太原 030032摘要：文章以500kV主变为研究对象，总结了变压器故障及套管故障的典型类型及原因，总结了故障排除的方法和步骤，并给出结合历史检修、试验结果、故障录波等综合材料进行诊断的方法；文章提出了变压器绝缘系统故障的防范措施、优化及改进措施，为更好地服务于电力系统的安全稳定运行提供了有效的参考。

关键词：变电站；变压器；故障诊断提高变电站二次设备维护水平，需要将设备进行可视化展示，为变电站日常运维、异常处理、事故分析以及检修等工况提供多维度的可视化信息支撑、决策及安全操作的运维管理平台，从而提高设备精细化管理水平，改善现有诊断技术。

500kV变压器本体故障，主要包括调压开关与电路造成的故障、绝缘故障、产气故障、绕组故障、渗漏油故障、多点接地故障以及分接开关故障。

变压器本体故障诊断，是基于油色谱分析法的各种人工智能方法及混合方法，主要目标为诊断结果的可靠性和诊断速度的提高。

变压器套管，既是机械元件，又是电气元件，其故障主要由动稳定和热稳定受到破坏引起，故障诊断主要通过温度检测和局放检测实现。

对设备进行检修运行维护和必要的预防措施，可以减少电力变压器故障率，增加设备的可靠性。

目前，电力系统中变压器主要采用定期检修方式，这种方式存在着针对性低、工作量大、规程滞后等缺陷，这些缺陷增加了电网的检修成本，同时，降低了电网运行可靠性。

因此，采用科学合理的状态维修方式，对电力变压器的状态和故障做出实时的检测及故障诊断，是设备检修的发展前景和方向。

基于电力大数据的变电站设备状态检修研究

基于电力大数据的变电站设备状态检修研究发布时间：2023-01-11T02:36:20.087Z 来源：《中国科技信息》2022年第33卷16期作者：李晨润[导读] 随着科学技术不断发展，大数据技术作为我国先进技术的典型代表，在变电站得到广泛运用，对变电站设备的状态检修产生了一定影响。

李晨润国网渭南供电公司，陕西渭南714000摘要：随着科学技术不断发展，大数据技术作为我国先进技术的典型代表，在变电站得到广泛运用，对变电站设备的状态检修产生了一定影响。

我国早在2009年的相关会议上，就已经提出了电力系统智能化的目标，运用大数据技术能够实时监控和预判变电站设备状态，能够提升变电站设备检修效率。

关键词：电力大数据；变电站；设备；状态检修1大数据变电站状态检修架构根据智能巡检系统，获取变压器设备的运行数据信息。

数据信息包括变压器、隔离开关或电容器设备的运行数据信息，以及设备运行过程中的噪声、振动、电流负载、负载、工作电压负载等相关信息。

这些数据信息存储在一个专门的数据库系统中进行整合和准备，将杂乱的数据统计分析为有效的数据信息，最终获得清晰的数据信息。

在数据集成和处理之后，选择大数据技术分布式系统来存储和高效地解决信息。

采用大数据标准化算法模型对信息进行分析计算，从而完成变压器设备运行信息的分类和准确定位。

大数据随机森林算法模型的本科生学习整合了分类和定位的作用，同时准确定位了数据信息的来源，从而获得了变压器设备的位置，有利于客户立即全面地获取数据信息。

它对预测、分析和判断变电站设备故障的发生，改善变电站设备运行的健康状况具有重要作用。

2变电站设备状态检修的内容2.1状态监测在变电站设备状态检测环节，可以从在线、离线和及时故障维护三个方面进行检测。

变电站设备状态检测需要某些设备。

在在线监测环节，变压器企业可以充分利用数据管理系统、信息系统等相关系统软件。

同时，依托一定数量的检测设备，实时检测配电站的实际应用和状态，及时掌握变电站设备的运行状态；在离线检测环节，变压器企业可以利用一定的设备对变电站设备进行不定期检测，获取一些数据监控，分析变电站设备的实际情况；在按时故障维修环节，变电站设备处于大修或小修状态。

电力系统中配电线路运行故障检测技术_8

电力系统中配电线路运行故障检测技术发布时间：2022-04-24T01:28:40.934Z 来源：《福光技术》2022年8期作者：李佳书[导读] 一旦配电线路产生接地故障，就会对配电网和变电设备的实际运行质量与效果产生影响。

具体分为永久性接地和瞬间性接地两种故障形式，产生接地故障的原因有两种。

呼和浩特供电公司金桥分公司内蒙古呼和浩特 010050摘要：配电网作为电力系统中的运行核心，直接决定了电力系统供电的稳定性。

若配电网运行的过程中出现问题，那么则很有可能引发一系列恶性的事故，对整个电力系统产生巨大的影响。

基于此，本文将对电力系统中配电线路运行常见故障进行详细的研究与分析，并对故障检测技术进行阐述。

关键词：电力系统；配电线路；运行故障；检测技术1电力系统中配电线路运行故障1.1接地故障一旦配电线路产生接地故障，就会对配电网和变电设备的实际运行质量与效果产生影响。

具体分为永久性接地和瞬间性接地两种故障形式，产生接地故障的原因有两种。

一是对于供电而言，一旦配电线路电容发生突变的现象、电流要明显高于接地故障的正常数值、接地故障的正常参数超过当下的电压等，就会使导线出现烧断的现象，进而就会产生接地故障。

二是配电线路老化问题。

如果配电线路比较老化，无形中就会增加电线绝缘体的破裂概率；甚至是在恶劣天气的作用下，电线就会在自然物体的干扰下出现摇晃问题，进而会产生接地故障。

1.2超负荷故障配电网线路本身的负荷以及材料、结构也会使配电线路出现故障，要想使电力系统配电线路的运行效果达到最佳的状态，那么则必须要在负荷参数的要求范围内开始使用。

但结合当前的实际情况来看，电力系统中的配电线路长期处于一个超负荷的运行状态，这是非常容易发生电线故障的情况的。

一般来说，电力系统超负荷运行的情况都发生在夏季，这主要是由于夏季天气炎热，每个人家里都会使用大功率电器，若配电线路运行负荷，那么就很容易出现配电线路过热的现象，进而发生线路烧毁甚至引发严重的火灾事故。

基于DTW技术的电站故障诊断[1]

基于大数据分析的火力发电厂设备故障诊断与预测

基于数字化变电站的电力设备故障诊断分析

基于DTW匹配的粒子滤波故障预报①

基于VMD-DTW聚类的配电网故障选线方法研究

基于像处理的电力设备电弧故障诊断与处理

基于EEMD和DTW相结合的故障识别算法

基于机器学习的电力设备故障检测

基于大数据分析的道岔转换设备故障诊断系统

数据仿真支持下的智能电网故障诊断

基于机器学习算法的电气设备故障预测与诊断

基于大数据挖掘技术的输变电设备故障诊断方法探讨

基于DTW算法的参数缺失时的核动力系统故障诊断技术

基于电力通信管理系统的故障智能诊断研究与应用 徐茹

电气工程中继电保护的故障诊断与处理对策_1

变电站设备安全运行中的诊断技术_1

基于电力大数据的变电站设备状态检修研究

电力系统中配电线路运行故障检测技术_8

基于机器学习算法的电气设备故障预测与诊断　

基于电力通信管理系统的故障智能诊断研究与应用徐茹