一种配电辅助监测预警系统的制作方法

本发明涉及配电监测，尤其涉及一种配电辅助监测预警系统。

背景技术：

1、配电系统是电力系统的重要组成部分，其运行的安全性和可靠性直接关系到电力供应的稳定性。然而，传统的配电系统监测和预警方法存在以下问题和技术挑战：

2、但是经本发明人探索发现该技术方案仍然存在至少以下缺陷：

3、第一，数据采集和处理滞后：传统配电系统的监测通常依赖于少量关键节点的数据采集，这种方法覆盖范围有限，难以全面反映整个配电系统的运行状态。此外，数据处理速度滞后，无法实时反映系统的变化，导致潜在故障难以及时发现和处理。

4、第二，故障识别准确性不足：传统的故障识别方法多依赖于简单的统计分析和规则匹配，这些方法在处理复杂故障模式和微小异常变化时表现出明显的局限性。因此，故障诊断的准确性和及时性往往难以满足实际需求，容易导致故障扩散，影响系统的整体运行。

5、第三，预警系统反应迟缓：传统预警系统通常依赖于预设的固定阈值和人工判断，缺乏实时调整和优化的能力。当电网出现异常情况时，预警信号的及时性和准确性较低，难以及时通知维护人员进行处理，导致故障处置不够及时。

6、模型训练和优化效率低；

7、第四，传统模型的训练和优化通常依赖于固定的优化算法和人工调参，缺乏自适应和智能化的调优机制。随着电网结构和运行条件的不断变化，传统模型往往难以保持高效的故障检测和预警能力，导致模型性能不稳定，泛化能力不足。

技术实现思路

1、基于上述目的，本发明提供了一种配电辅助监测预警系统，一种配电辅助监测预警系统，包括以下步骤。

2、可选的，包括数据采集模块、多点温度应变监测模块、数据处理模块、电网拓扑分析模块以及通信模块，其中；

3、所述数据采集模块实时采集配电系统中各个节点的运行参数，包括电流和电压值；

4、所述多点温度应变监测模块利用布置在配电系统多个节点的传感器，实时采集温度和应变数据，识别复杂的温度和应变模式；

5、所述数据处理模块对采集的运行参数以及温度和应变数据进行故障诊断，并根据故障诊断的结果生成预警信号；

6、所述电网拓扑分析模块建立电网的拓扑结构模型，分析电网的运行状态和故障传播路径，提供实时的拓扑结构变化和故障影响评估；

7、所述通信模块用于将预警信号传输至远程监控中心和维护人员的移动设备。

8、可选的，所述数据采集模块包括：

9、传感器布置：在配电系统的各个节点上布置多个传感器单元，每个传感器单元实时采集所在节点的运行参数；

10、数据预处理：对实时采集的运行参数进行预处理，包括数据去噪、数据平滑以及数据标准化，其中：

11、数据去噪使用滤波器或噪声消除算法，去除运行参数中的高频噪声和随机干扰；

12、数据传输：对预处理后的运行参数进行实时传输；

13、通过传感器布置、数据预处理和实时数据传输，确保了各节点运行参数的高效、准确和实时监测。

14、可选的，所述多点温度应变监测模块包括：

15、温度和应变数据采集：在配电系统的多个节点布置温度传感器和应变传感器，采集所在节点的温度和应变数据；

16、数据初步处理：对采集的温度和应变数据进行初步处理，包括去除噪声和异常值；

17、温度和应变数据分析：利用局部异常因子(lof)算法对初步处理后的温度和应变数据进行分析，识别复杂的温度和应变模式。

18、可选的，所述局部异常因子(lof)算法包括：

19、数据预处理：将温度和应变数据进行标准化处理并形成温度和应变数据集；

20、选择参数k：通过交叉验证法确定局部异常因子(lof)算法中的参数k，即每个点的邻居数量；

21、计算k-距离和k-距离邻居：对于温度和应变数据集中每个数据点p，找到其k-距离k_dist(p)和k-距离邻居集合nk(p)，表示为：

22、k_dist(p)＝min{r:|nk(p)|＝k}；

23、其中，nk(p)是点p的k最近邻集合；

24、计算可达距离：对于温度和应变数据集中每个点o相对于点p，计算可达距离，表示为：reach_distk(p,o)＝max(k_dist(o),d(p,o))，其中，d(p,o)是点p和o之间的欧氏距离；

25、计算局部可达密度(lrd)：对于每个数据点p，计算其局部可达密度，表示为：

26、

27、计算局部异常因子：对于每个数据点p，计算其局部异常因子，表示为：

28、根据lofk(p)的值判断点p是否为异常点；

29、识别复杂模式和提取关键特征：根据计算得到的lof值，识别出具有高lof值的点作为异常点，并分析异常点的分布和模式，提取温度和应变特征，具体包括温度急剧升高点提取、应变突变点提取，对提取的温度急剧升高点和应变突变点进行模式识别，识别出频繁出现的异常模式和特征，确定其原因和影响范围；

30、所述模式识别具体包括：

31、特征向量构建：将每个温度急剧升高点和应变突变点的数据表示为特征向量x，x＝[δti,δi]；

32、其中，δti是第i时刻的温度变化量，δi是第i时刻的应变变化量；

33、k-means聚类分析：使用k-means聚类算法对特征向量进行聚类，识别出频繁出现的异常模式和特征，表示为：

34、

35、其中，ck是第k个聚类，μk是第k个聚类的中心点；

36、异常模式识别：对每个聚类结果进行分析，识别出频繁出现的异常模式，表示为：

37、

38、其中，p(ck|x)是特征向量x属于聚类ck的概率，nk是聚类ck的数据点数量；

39、模式特征提取：提取每个聚类中的关键特征，分析温度急剧升高点和应变突变点的频率、幅度和分布，表示为：

40、

41、其中，μk是聚类ck的均值特征向量，反映该聚类的平均特征；

42、原因分析和影响范围评估：通过分析聚类中心和特征向量的分布，确定异常模式的原因和影响范围，表示为：

43、

44、其中，rk是聚类ck的平均影响范围，反映该聚类的异常分布广度。

45、可选的，所述数据处理模块包括：

46、特征提取：利用电源波动检测，使用快速傅里叶变换(fft)分析电流信号的频谱，提取电流波动特征，表示为：

47、

48、其中，x(f)是频谱，x[n]是时域信号，n是采样点数

49、模式识别：使用支持向量机(svm)算法对提取的特征进行分类，初步识别潜在故障模式，表示为：

50、

51、subjecttoyi(wtφ(xi)+b)≥1-ξi,ξi≥0；

52、其中，w是权重向量，b是偏置，ξi是松弛变量，c是惩罚参数，φ(xi)是核函数；

53、故障类型判断：对识别出的故障模式利用朴素贝叶斯分类器进行类型判断，确定故障的具体类型(如短路、过载、设备老化等)，表示为：

54、

55、其中，p(ck|x)是给定数据x属于类别ck的概率，p(x|ck)是在类别ck下数据x的似然，p(ck)是类别ck的先验概率，p(x)是数据x的边际概率；

56、故障严重程度评估：基于模糊逻辑算法对故障的严重程度进行评估，量化故障对配电系统的影响，表示为：

57、

58、其中，s是故障严重程度，wi是第i个模糊规则的权重，μi(x)是第i个模糊隶属函数；

59、预警信号生成：根据故障诊断的结果，生成预警信号，预警信号包括故障类型、位置、严重程度和建议的维护措施，表示为：

60、alert＝(tfault,lfault,sfault,,msuggest)；

61、其中，tfault是故障类型,lfault是故障位置，sfault是故障严重程度，msuggest是建议的维护措施。

62、可选的，所述电网拓扑分析模块利用图卷积网络(gcn)对电网的拓扑结构进行建模包括：

63、数据收集：收集配电系统的拓扑结构数据，包括节点(如变电站、配电设备)和边(如电力线)之间的连接关系及其属性(如电阻、电容、负载)；

64、图结构构建：将收集的拓扑数据表示为图结构g＝(v,e)，其中v是节点集合，e是边集合，每个节点和边包含其特定的属性信息；

65、邻接矩阵构建：构建图的邻接矩阵a，其中aij表示节点i和节点j之间的连接关系，如果节点i和节点j之间存在连接，则aij≠0；否则，aij＝0；

66、节点特征矩阵构建：构建节点特征矩阵x，每个节点的特征向量包含其属性信息，属性信息包括：电流、电压、负载；

67、图卷积层设计：设计图卷积层，对图结构中的节点特征进行卷积运算，表示为：

68、

69、其中，是加上自环的邻接矩阵，是的度矩阵，h(l)是第l层的节点特征矩阵，w(l)是第l层的权重矩阵，σ是激活函数；

70、模型构建和调试：使用收集的历史运行数据，训练图卷积网络模型，验证集数据评估训练好的gcn模型；

71、实时拓扑建模：将实时监测数据输入训练好的gcn模型，实时更新节点特征和拓扑结构，提供电网的当前拓扑状态和运行特征。

72、可选的，所述模型构建和调试包括：

73、模型训练：使用训练集数据对gcn模型进行训练，通过优化器adam调整模型参数；

74、超参数调优：使用验证集数据进行超参数调优，优化模型的超参数(如学习率、层数、隐藏单元数)；

75、模型验证：使用验证集数据评估训练好的gcn模型，确保其在拓扑结构建模上的准确性，计算验证集上的性能指标，包括准确率、召回率、f1分数；

76、准确率(accuracy)：

77、其中，tp为真正例，tn为真负例，fp为假正例，fn为假负例；

78、精确率(precision)：

79、召回率(recall)：

80、f1分数(f1score)：

81、损失函数：对于图卷积网络，常用的损失函数为交叉熵损失：

82、

83、其中，yi是实际标签，是预测概率，n是样本总数；

84、模型测试：使用测试集数据评估最终模型的性能，验证其在未见过的数据上的表现；

85、模型部署与监控：将训练和验证好的gcn模型部署到配电系统的实时监控平台上，实时分析电网拓扑结构和运行状态；

86、持续监控模型的运行效果，定期更新和优化模型。

87、可选的，通过优化器adam进行模型训练包括：

88、初始化一阶矩估计和二阶矩估计，表示为：

89、mt＝β1mt-1+(1-β1)gt；

90、

91、其中，mt和vt分别是一阶和二阶矩估计，gt是当前梯度，β1和β2是衰减率；

92、偏差修正，表示为：

93、

94、参数更新，表示为：

95、

96、其中，θt是第t次迭代的参数，α是学习率，是防止除零的小常数。

97、可选的，分析电网的运行状态和故障传播路径,提供实时的拓扑结构变化和故障影响评估，包括：

98、运行状态评估：基于图卷积运算的结果，分析每个节点的特征向量，评估节点的运行状态，检测电流、电压、负载等运行参数的异常变化，识别出潜在故障节点；

99、故障传播路径模拟：在识别出故障节点后，利用gcn模型模拟故障在电网中的传播路径，通过对邻接矩阵和节点特征的动态更新，预测故障从初始节点传播到其他节点的可能路径；

100、传播概率计算：计算故障传播过程中，每个节点被影响的概率，设初始故障节点为i，传播到节点j的概率为pij，表示为：

101、

102、其中，n(j)是节点j的邻居节点集合，ajk是节点j和k之间的连接关系，hk是节点k的特征向量；

103、故障影响范围评估：根据故障传播路径和传播概率，评估故障的影响范围，确定受到影响的节点和边，并计算其受影响的程度。

104、可选的，所述通信模块包括将运行状态评估和故障传播路径模拟的结果通过通信模块输出；生成详细的故障影响报告，包含故障节点、传播路径、影响范围和建议的应对措施，同时生成预警信号，通知远程监控中心和维护人员及时处理。

105、本发明的有益效果：

106、本发明本发明通过在配电系统的多个节点布置温度和应变传感器，实时采集各节点的温度和应变数据，并通过数据预处理去除噪声和异常值，确保数据的准确性。利用局部异常因子(lof)算法对初步处理后的温度和应变数据进行分析，能够识别复杂的温度和应变模式，精准定位异常点。结合快速傅里叶变换(fft)对电流信号的频谱分析和支持向量机(svm)算法对特征进行分类，能够高效识别和分类故障模式，确定故障的类型、位置和严重程度，从而提升故障诊断的准确性和响应速度。

107、本发明通过模糊逻辑算法对故障的严重程度进行评估，量化故障对配电系统的影响，并生成预警信号，包含详细的故障类型、位置、严重程度和建议的维护措施。预警信号能够及时传递到远程监控中心和维护人员，确保快速响应和处理。同时，采用adam优化器进行模型训练，通过初始化一阶和二阶矩估计、偏差修正和参数更新，实现了自适应学习率的高效优化。使用验证集数据进行超参数调优，优化模型的超参数(如学习率、层数、隐藏单元数)，提高模型的性能和泛化能力，从而确保模型在复杂和动态的配电环境中保持高性能和可靠性。

108、本发明将训练和验证好的图卷积网络(gcn)模型部署到配电系统的实时监控平台上，实时分析电网拓扑结构和运行状态。通过持续监控模型的运行效果，定期更新和优化模型，以适应电网结构和运行条件的变化，确保系统的长期稳定运行。该系统能够提供实时的拓扑结构变化和故障影响评估，提升了电网运行状态监测的精确性和故障传播路径模拟的准确性，为电网的可靠运行提供了强有力的技术支持。