一种配电网故障主动研判方法及终端

技术领域

本发明涉及配电网技术领域，尤其涉及一种配电网故障主动研判方法及终端。

背景技术

低压配电网是配电系统的末端环节，直接服务于用户，据统计，低压配电网用户占整个电力用户的90％以上，因此，低压配电网的可靠运行以及故障的主动、及时研判及快速抢修对提高供电可靠性和优质服务水平至关重要。

然而，长期以来，配电网故障研判主要集中于10kV配电网，研判范围从变电站出线开关到10KV分支线路，而根据近年来的配电网故障统计及分析情况来看，低压配电网(0.4KV)故障占整个配电网故障比例高达92％以上，开展低压配电网故障研判对于提升配电网状态管控力和运维管理穿透力具有重要意义。

传统基于无线传感器的配电网故障诊断预测模型，对大数据环境下的配电网数据实施诊断过程中，存在故障位置判断不准确且耗费大量时间的问题。

发明内容

本发明所要解决的技术问题是：提供一种配电网故障主动研判方法及终端，能够准确快速地对配电网的故障进行主动研判。

为了解决上述技术问题，本发明采用的一种技术方案为：

一种配电网故障主动研判方法，包括步骤：

S1、获取配电网的拓扑结构信息，根据所述拓扑结构信息构建对应的目标决策表，所述目标决策表中的每一个记录包括条件属性及其对应的结果属性；

S2、获取所述配电网中故障发生位置的故障特征，根据所述故障特征从所述目标决策表中确定匹配的条件属性，根据所述匹配的条件属性确定对应的目标结果属性；

S3、根据所述目标结果属性确定故障元件的第一候选集合，基于所述第一候选集合中的每一个候选故障元件获取对应的故障诊断预测模型；

S4、根据所述故障诊断预测模型确定每一个候选故障元件对应的故障可信度，构成故障可信度集合；

S5、基于所述故障可信度集合确定每一个候选故障元件对应的模糊积分值，根据所述模糊积分值确定所述配电网发生故障的元件。

为了解决上述技术问题，本发明采用的另一种技术方案为：

一种配电网故障主动研判终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

S1、获取配电网的拓扑结构信息，根据所述拓扑结构信息构建对应的目标决策表，所述目标决策表中的每一个记录包括条件属性及其对应的结果属性；

S2、获取所述配电网中故障发生位置的故障特征，根据所述故障特征从所述目标决策表中确定匹配的条件属性，根据所述匹配的条件属性确定对应的目标结果属性；

S3、根据所述目标结果属性确定故障元件的第一候选集合，基于所述第一候选集合中的每一个候选故障元件获取对应的故障诊断预测模型；

S4、根据所述故障诊断预测模型确定每一个候选故障元件对应的故障可信度，构成故障可信度集合；

S5、基于所述故障可信度集合确定每一个候选故障元件对应的模糊积分值，根据所述模糊积分值确定所述配电网发生故障的元件。

本发明的有益效果在于：根据配电网的拓扑结构构建对应的目标决策表，目标决策表中包含各个条件属性及其对应的结果属性，在获取到配电网中发生故障位置的故障特征时，先根据故障特征在目标决策表中进行匹配，确定故障元件的第一候选集合，接着基于第一候选集合获取每个候选故障元件对应的故障诊断预测模型，通过故障诊断预测模型确定每一个候选故障元件对应的故障可信度，最后基于故障可信度集合确定每一个候选故障元件对应的模糊积分值，基于模糊积分值确定配电网发生故障的元件，先通过目标决策表进行初步筛选，再在初步筛选结果的基础上进行故障诊断预测模型的介入以确定故障可信度，避免了传统故障检测中每个电力元件都要进行故障诊断预测模型的判断导致的计算量大，故障定位速度慢的问题，最后基于每个候选故障元件的故障可信度通过模糊积分融合的方法确定最终配电网发生故障的元件，保证了所确定出的发生故障的电力元件的准确性，从而实现了准确快速地对配电网的故障进行主动研判。

附图说明

图1为本发明实施例的一种配电网故障主动研判方法的步骤流程图；

图2为本发明实施例的一种配电网故障主动研判终端的结构示意图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1，一种配电网故障主动研判方法，其特征在于，包括步骤：

S1、获取配电网的拓扑结构信息，根据所述拓扑结构信息构建对应的目标决策表，所述目标决策表中的每一个记录包括条件属性及其对应的结果属性；

S2、获取所述配电网中故障发生位置的故障特征，根据所述故障特征从所述目标决策表中确定匹配的条件属性，根据所述匹配的条件属性确定对应的目标结果属性；

S3、根据所述目标结果属性确定故障元件的第一候选集合，基于所述第一候选集合中的每一个候选故障元件获取对应的故障诊断预测模型；

S4、根据所述故障诊断预测模型确定每一个候选故障元件对应的故障可信度，构成故障可信度集合；

S5、基于所述故障可信度集合确定每一个候选故障元件对应的模糊积分值，根据所述模糊积分值确定所述配电网发生故障的元件。

由上述描述可知，本发明的有益效果在于：根据配电网的拓扑结构构建对应的目标决策表，目标决策表中包含各个条件属性及其对应的结果属性，在获取到配电网中发生故障位置的故障特征时，先根据故障特征在目标决策表中进行匹配，确定故障元件的第一候选集合，接着基于第一候选集合获取每个候选故障元件对应的故障诊断预测模型，通过故障诊断预测模型确定每一个候选故障元件对应的故障可信度，最后基于故障可信度集合确定每一个候选故障元件对应的模糊积分值，基于模糊积分值确定配电网发生故障的元件，先通过目标决策表进行初步筛选，再在初步筛选结果的基础上进行故障诊断预测模型的介入以确定故障可信度，避免了传统故障检测中每个电力元件都要进行故障诊断预测模型的判断导致的计算量大，故障定位速度慢的问题，最后基于每个候选故障元件的故障可信度通过模糊积分融合的方法确定最终配电网发生故障的元件，保证了所确定出的发生故障的电力元件的准确性，从而实现了准确快速地对配电网的故障进行主动研判。

进一步地，所述根据所述拓扑结构信息构建对应的目标决策表包括：

根据所述拓扑结构信息构建对应的初始决策表，对所述初始决策表进行约简，得到最小约简表；

将所述最小约简表确定为目标决策表。

由上述描述可知，在根据拓扑结构信息构建对应的初始决策表后，对初始决策表进行约简，得到最小约简表，将最小约简表确定为目标决策表，避免了目标决策表的冗余繁杂，方便后续匹配候选故障元件时的快速性和准确性。

进一步地，所述S3之前还包括步骤：

根据所述目标决策表中每一记录的结果属性确定所述配电网所有的待诊断元件；

为每一个待诊断元件构建对应的故障诊断预测模型；

对所述故障诊断预测模型进行训练，得到训练好的故障诊断预测模型，形成故障诊断预测模型库；

所述S3中基于所述第一候选集合中的每一个候选故障元件从所述故障诊断预测模型库获取对应的故障诊断预测模型。

由上述描述可知，在确定出目标决策表后，基于目标决策表中的结果属性确定配电网所有的待诊断元件，然后为每一诊断元件构建对应的故障诊断预测模型，训练完成后加入故障诊断预测模型库，以方便后续形成第一候选故障元件集合后的直接调用。

进一步地，所述S2还包括：

判断所述目标结果属性的个数，若个数为一个，则直接确定所述目标结果属性对应的元件为所述配电网发生故障的元件，否则，执行步骤S3至S5。

由上述描述可知，如果根据目标决策表定位出的候选故障元件只有一个，则直接将该候选故障元件确定为配电网发生故障的元件，只有在确定出的候选故障元件多于一个时，才启动执行步骤S3至S5，进一步提高了定位配电网中故障元件的效率。

进一步地，所述根据所述模糊积分值确定所述配电网发生故障的元件包括：

确定模糊积分值最大的目标候选故障元件，将所述目标候选故障元件确定为所述配电网发生故障的元件。

由上述描述可知，将模糊积分值最大的候选故障元件确定为配电网发生故障的元件，能够保证所确定出的故障元件的准确性。

请参照图2，一种配电网故障主动研判终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

S1、获取配电网的拓扑结构信息，根据所述拓扑结构信息构建对应的目标决策表，所述目标决策表中的每一个记录包括条件属性及其对应的结果属性；

S2、获取所述配电网中故障发生位置的故障特征，根据所述故障特征从所述目标决策表中确定匹配的条件属性，根据所述匹配的条件属性确定对应的目标结果属性；

S3、根据所述目标结果属性确定故障元件的第一候选集合，基于所述第一候选集合中的每一个候选故障元件获取对应的故障诊断预测模型；

S4、根据所述故障诊断预测模型确定每一个候选故障元件对应的故障可信度，构成故障可信度集合；

S5、基于所述故障可信度集合确定每一个候选故障元件对应的模糊积分值，根据所述模糊积分值确定所述配电网发生故障的元件。

由上述描述可知，本发明的有益效果在于：根据配电网的拓扑结构构建对应的目标决策表，目标决策表中包含各个条件属性及其对应的结果属性，在获取到配电网中发生故障位置的故障特征时，先根据故障特征在目标决策表中进行匹配，确定故障元件的第一候选集合，接着基于第一候选集合获取每个候选故障元件对应的故障诊断预测模型，通过故障诊断预测模型确定每一个候选故障元件对应的故障可信度，最后基于故障可信度集合确定每一个候选故障元件对应的模糊积分值，基于模糊积分值确定配电网发生故障的元件，先通过目标决策表进行初步筛选，再在初步筛选结果的基础上进行故障诊断预测模型的介入以确定故障可信度，避免了传统故障检测中每个电力元件都要进行故障诊断预测模型的判断导致的计算量大，故障定位速度慢的问题，最后基于每个候选故障元件的故障可信度通过模糊积分融合的方法确定最终配电网发生故障的元件，保证了所确定出的发生故障的电力元件的准确性，从而实现了准确快速地对配电网的故障进行主动研判。

进一步地，所述根据所述拓扑结构信息构建对应的目标决策表包括：

根据所述拓扑结构信息构建对应的初始决策表，对所述初始决策表进行约简，得到最小约简表；

将所述最小约简表确定为目标决策表。

由上述描述可知，在根据拓扑结构信息构建对应的初始决策表后，对初始决策表进行约简，得到最小约简表，将最小约简表确定为目标决策表，避免了目标决策表的冗余繁杂，方便后续匹配候选故障元件时的快速性和准确性。

进一步地，所述S3之前还包括步骤：

根据所述目标决策表中每一记录的结果属性确定所述配电网所有的待诊断元件；

为每一个待诊断元件构建对应的故障诊断预测模型；

对所述故障诊断预测模型进行训练，得到训练好的故障诊断预测模型，形成故障诊断预测模型库；

所述S3中基于所述第一候选集合中的每一个候选故障元件从所述故障诊断预测模型库获取对应的故障诊断预测模型。

由上述描述可知，在确定出目标决策表后，基于目标决策表中的结果属性确定配电网所有的待诊断元件，然后为每一诊断元件构建对应的故障诊断预测模型，训练完成后加入故障诊断预测模型库，以方便后续形成第一候选故障元件集合后的直接调用。

进一步地，所述S2还包括：

判断所述目标结果属性的个数，若个数为一个，则直接确定所述目标结果属性对应的元件为所述配电网发生故障的元件，否则，执行步骤S3至S5。

由上述描述可知，如果根据目标决策表定位出的候选故障元件只有一个，则直接将该候选故障元件确定为配电网发生故障的元件，只有在确定出的候选故障元件多于一个时，才启动执行步骤S3至S5，进一步提高了定位配电网中故障元件的效率。

进一步地，所述根据所述模糊积分值确定所述配电网发生故障的元件包括：

确定模糊积分值最大的目标候选故障元件，将所述目标候选故障元件确定为所述配电网发生故障的元件。

由上述描述可知，将模糊积分值最大的候选故障元件确定为配电网发生故障的元件，能够保证所确定出的故障元件的准确性。

本申请上述配电网故障主动研判方法及终端能够适用于配电网中对于故障的研判，以下通过具体实施方式进行说明：

实施例一

请参照图1，一种配电网故障主动研判方法，包括步骤：

S1、获取配电网的拓扑结构信息，根据所述拓扑结构信息构建对应的目标决策表，所述目标决策表中的每一个记录包括条件属性及其对应的结果属性；

比如可以将配电网划分为多个供电区域，不同供电区域之间通过多个开关、变压器、母线、线路互联而成，即由多个开关、变压器、母线、线路之间互联形成配电网的拓扑结构信息，此时可以分别针对每个开关、每个变压器、每条母校、每条线路的故障与否确定出各个供电区域对应的工作状态，从而就形成了以各个供电区域对应的工作状态作为条件属性，以配电网各个电气元件的故障与否作为结果属性的决策表；

其中，所述根据所述拓扑结构信息构建对应的目标决策表包括：

根据所述拓扑结构信息构建对应的初始决策表，对所述初始决策表进行约简，得到最小约简表；

其中，可以采用现有的免疫算法或遗产算法实现对初始决策表的约简；

将所述最小约简表确定为目标决策表；

在一个可选的实施方式中，当配电网的拓扑结构发生变更时，可以基于变更的拓扑结构信息更新目标决策表，实现对目标决策表的动态更新以适应配电网的变更；

S2、获取所述配电网中故障发生位置的故障特征，根据所述故障特征从所述目标决策表中确定匹配的条件属性，根据所述匹配的条件属性确定对应的目标结果属性；

比如，确定的目标决策表如表1所示：

表1

表1中，条件属性中1表示对应供电区域工作状态正常，0表示对应供电区域工作状态非正常；

如果获取的配电网故障发生位置的故障特征为供电区域2对应的属性值为0，则通过表1可以匹配到第一条、第二条以及第四条记录，由此就可以确定对应的结果属性为故障元件：开关1、变压器1和变压器2；

判断所述目标结果属性的个数，若个数为一个，则直接确定所述目标结果属性对应的元件为所述配电网发生故障的元件，否则，执行步骤S3至S5；

比如表1中，如果获取的配电网故障发生位置的故障特征为供电区域4对应的属性值为0，则匹配到的是表1中的第五条记录，对应的结果属性只有一个，即母线1，因此，就可以直接确定配电网中的故障元件为母线1，而不需要执行步骤S3-S5；而如果是上面的例子，则结果属性的个数为3，则需要执行步骤S3-S5；

S3、根据所述目标结果属性确定故障元件的第一候选集合，基于所述第一候选集合中的每一个候选故障元件获取对应的故障诊断预测模型；

比如以表1中故障发生位置的故障特征为供电区域2对应的属性值为0为例进行说明，则可以得到第一候选集合为{开关1，变压器1，变压器2}，此时依次获取开关1、变压器1和变压器2对应的故障诊断预测模型；

所述S3之前还包括步骤：

根据所述目标决策表中每一记录的结果属性确定所述配电网所有的待诊断元件；

为每一个待诊断元件构建对应的故障诊断预测模型；

对所述故障诊断预测模型进行训练，得到训练好的故障诊断预测模型，形成故障诊断预测模型库；

即可以分别对配电网中的各个元件构建对应的故障诊断预测模型，并进行训练，得到训练好的故障诊断预测模型，具体的，可以构建RBF神经网络模型，如果是线路，就构建线路RBF神经网络模型，如果是母线，就构建母线RBF神经网络模型，如果是变压器，就构建变压器RBF神经网络模型；

所述S3中基于所述第一候选集合中的每一个候选故障元件从所述故障诊断预测模型库获取对应的故障诊断预测模型；

S4、根据所述故障诊断预测模型确定每一个候选故障元件对应的故障可信度，构成故障可信度集合；

S5、基于所述故障可信度集合确定每一个候选故障元件对应的模糊积分值，根据所述模糊积分值确定所述配电网发生故障的元件；

具体实现时，可以采用模糊积分技术中常用的Sugeno模糊积分或者Choquet模糊积分基于所述故障可信度集合确定每一个候选故障元件对应的模糊积分值；

所述根据所述模糊积分值确定所述配电网发生故障的元件包括：

确定模糊积分值最大的目标候选故障元件，将所述目标候选故障元件确定为所述配电网发生故障的元件；

在另一个可选的实施方式中，可能出现多个故障元件，因此，可以将模糊积分值大于预设阈值的候选故障元件确定为配电网发生故障的元件。

实施例二

请参照图2，一种配电网故障主动研判终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一所述的配电网故障主动研判方法中的各个步骤。

综上所述，本发明提供的一种配电网故障主动研判方法及终端，根据配电网的拓扑结构构建对应的目标决策表，目标决策表为最小简约表，表中包含各个条件属性及其对应的结果属性，在获取到配电网中发生故障位置的故障特征时，先根据故障特征在目标决策表中进行匹配，确定故障元件的第一候选集合，接着基于第一候选集合获取每个候选故障元件对应的故障诊断预测模型，通过故障诊断预测模型确定每一个候选故障元件对应的故障可信度，最后基于故障可信度集合确定每一个候选故障元件对应的模糊积分值，基于模糊积分值确定配电网发生故障的元件，先通过最小简约表进行初步筛选，再在初步筛选结果的基础上进行故障诊断预测模型的介入以确定故障可信度，避免了传统故障检测中每个电力元件都要进行故障诊断预测模型的判断导致的计算量大，故障定位速度慢的问题，最后基于每个候选故障元件的故障可信度通过模糊积分融合的方法确定最终配电网发生故障的元件，保证了所确定出的发生故障的电力元件的准确性，将决策判断、通过故障诊断预测模型进行故障可信度预测以及模糊积分技术相结合，实现了准确快速地对配电网的故障进行主动研判。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。