CN112924812B - 一种基于证据理论的电力终端错误数据辨识方法 - Google Patents
一种基于证据理论的电力终端错误数据辨识方法 Download PDFInfo
- Publication number
- CN112924812B CN112924812B CN202110117321.XA CN202110117321A CN112924812B CN 112924812 B CN112924812 B CN 112924812B CN 202110117321 A CN202110117321 A CN 202110117321A CN 112924812 B CN112924812 B CN 112924812B
- Authority
- CN
- China
- Prior art keywords
- data
- evidence
- power terminal
- homologous
- terminal system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 9
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明具体公开了一种基于证据理论的电力终端错误数据辨识方法，包括以下步骤：S1、获取电力终端系统的多源数据；S2、融合比较以判断电力终端系统中的多源数据是否一致，若一致，则判定电力终端系统不存在错误数据并开放保护跳闸出口，若不一致，则判定电力终端系统存在错误数据并进入步骤S3；S3、基于多源数据并利用保护算法生成证据；S4、基于所生成证据判断电力终端系统是否存在错误数据，若存在，则关闭保护跳闸出口并进入步骤S5，否则开放保护跳闸出口；S5、对电力终端系统中的错误数据进行告警。本发明能够在不影响正常工作的情况下对电力终端系统中的错误数据有效辨别，避免了可能出现的保护不正确动作，节省了CPU资源，保护灵敏度高。
Description
技术领域
本发明涉及电力终端系统技术领域，尤其涉及一种基于证据理论的电力终端错误数据辨识方法。
背景技术
随着国家《能源生产和消费革命战略2016-2030》的推进，大量终端设备及多元用户接入电网，逐步形成了开放互动网络环境，电力终端安全防护受到空前挑战。电网传统上主要依赖边界隔离和专用系统私有协议保障网络安全，一般基于通用软、硬件平台研发电力终端，除用户侧智能终端依赖较简单的国密SM1算法(SM1 cryptographic algorithm，是由国家密码管理局编制的一种商用密码分组标准对称算法)保障安全外，极少考虑网络安全防护。目前，电力网络受自身故障和网络攻击等异常行为较过去更多，而电力终端作为电网的薄弱环节，受威胁更大，电力终端在采样模块失效、强电磁干扰及程序异常时，会输入错误数据并可能做出错误的决策。另外，潜在的通信故障以及网络入侵等也可能导致保护接收到错误的数据而产生误动。
现有的针对电力终端错误数据辨识方法并未解决终端误动问题，现有对终端进行保护的方法只是通过对单一的数据进行分析，而随着电网向信息化、智能化发展，网络延伸至电网各个层次中，进而可获取大量的数据，如能将这些丰富的数据加以实时分析和利用，不仅可以获得比单一数据更加丰富和准确的信息，也使得快速识别错误数据并防止保护不正确动作。
发明内容
本发明的目的是提供一种基于证据理论的电力终端错误数据辨识方法，所述方法利用冗余信息进行特征分析，通过对多源数据的合理融合以辨识错误数据，从而防止电力终端误动。
为了解决上述技术问题，本发明提供一种基于证据理论的电力终端错误数据辨识方法，所述方法包括以下步骤：
S1、获取电力终端系统中同一测量点或/和不同测量点但存在关联性的多源数据；
S2、将所获取的多源数据进行融合比较以判断电力终端系统中的多源数据是否一致，若比较的多源数据一致，则判定电力终端系统不存在错误数据并开放保护跳闸出口，若比较的多源数据不一致，则判定电力终端系统存在错误数据并进入步骤S3；
S3、利用保护算法并根据步骤S1中所获取的多源数据生成证据；
S4、根据步骤S3中所生成的证据判断电力终端系统是否存在错误数据，若判断电力终端系统存在错误数据，则关闭保护跳闸出口并进入步骤S5，若判断电力终端系统不存在错误数据，则开放保护跳闸出口；
S5、将电力终端系统上获取的多源数据中所存在的错误数据进行告警。
优选地，所述步骤S1中的多源数据包括同源数据和/或非同源数据，所述同源数据是指通过不同设备或信号点采集的同一测量点数据，非同源数据是指存在关联性的不同测量点数据。
优选地，所述同源数据和非同源数据均为通过电流互感器采集的电流值和电压互感器采集的电压值。
优选地，所述步骤S2的具体实现方式为：首先设定一个比较差值阈值，采用积分比对方式分别融合比较两两多源数据之间的差值，若比较的差值小于比较差值阈值，则判定相比较的两个多源数据一致并开放保护跳闸出口，若比较的差值大于该差值阈值，则判定相比较的多源数据不一致并进入步骤S3。
优选地，所述步骤S3的具体实现方式包括：
S31、选取合适的典型样本；
S32、计算所获取的多源数据与合适的典型样本之间的欧氏距离并将所计算的欧式距离指数化，然后构造基于典型样本的证据，其中欧氏距离的计算公式表示为：
式(1)中，
表示多源数据样本与典型样本之间的欧氏距离，xl表示多源数据样本，l表示多源数据样本和典型样本的数量，Ajn表示第n个典型样本；
S33、计算所构造证据之间的相似度和支持度，以及证据的可信度，并利用基于加权方法对证据进行合成以生成合成后的证据。
优选地，所述步骤S31中所选取的典型样本包括各种典型故障后的首周波电流和电压有效值。
优选地，所述步骤S31中所述的各种典型故障包括不同故障元件、不同故障类型、不同故障位置和不同过渡电阻以及其组合，其中，不同故障元件包括变压器、线路和母线，不同故障类型包括单相短路、两相短路、两相短路接地和三相短路，不同故障位置包括线路首段、线路中间处和线路末端。
优选地，所述步骤S33的具体实现方式包括：
S331、计算所构造的两个证据之间的相似度，用公式表示为：
式(2)中，S(mt，mv)表示证据mt与证据mv之间的相似度，pt表示证据mt的概率，qt表示证据mv的概率，n表示证据mt与证据mv的数量；
S332、计算所构造的两个证据之间的支持度，用公式表示为：
式(3)中，Sup(mt)表示证据mt相对于证据mv的支持度；
S333、计算所构造的证据的可信度，用公式表示为：
式(4)中，Crd(mt)表示证据mt在所有构造的证据中的的可信度；
S334、基于加权方法对所计算出的相似度、支持度和可信度进行合成，进而完成对证据的合成，其加权处理用公式表示为：
Q＝aS(mt，mv)+bSup(mt)+cCrd(mt) (5)
式(5)中，Q表示合成后的证据，a∈[0，1]表示证据相似度的加权系数，b∈[0，1]表示证据支持度的加权系数，c∈[0，1]表示证据可信度的加权系数，且a+b+c＝1。
优选地，还包括步骤S6、基于步骤S1中所获取的多源数据获取电力终端系统特定故障数据演化规律和关联关系。
优选地，所述步骤S6的具体实现方式包括：
S61、基于所获取的同源数据和/或非同源数据构造Hankel矩阵，并通过奇异值分解求出对应的奇异值，然后利用所求出的奇异值的分布特性获取电力终端系统的故障数据演化规律；
S23、基于所采集的同源数据和非同源数据进行相关性分析以确定其关联关系，用公式表示为：
式(6)和式(7)中，ρ1k、ρ2k分别表示不同故障类型下历史故障数据与同源数据、非同源数据的相关系数，N表示同源数据和非同源数据的信号长度，i表示信号长度序号，x1、x2分别表示对应同源数据和非同源数据，yki表示历史故障数据，x1i表示同源数据的第i个信号长度，x2i表示非同源数据的第i个信号长度，其中k＝1，2，3，4分别表示单相接地故障、两相接地故障、两相相间故障和三相短路故障，
与现有技术比较，本发明中的一种基于证据理论的电力终端错误数据辨识方法优化了系统的保护动作，当且仅当融合比较结果和保护算法同时判断电力终端系统存在错误数据时，保护动作方可启动，从而避免了可能出现的保护不正确动作，在不影响正常工作的情况下通过基于证据理论能够对电力终端的错误数据进行辨别，有效节省了CPU资源，具有保护灵敏度高的特点。
附图说明
图1是本发明一种基于证据理论的电力终端错误数据辨识方法的流程图，
图2是本发明中基于多源数据构造证据的方法流程图，
图3是本发明中基于构造证据得到合成后的证据的方法流程图，
图4是本发明中获取电力终端系统的故障数据演化规律及多源数据关联关系的方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
如图1所示，一种基于证据理论的电力终端错误数据辨识方法，所述方法包括以下步骤：
S1、获取电力终端系统中同一测量点或/和不同测量点但存在关联性的多源数据；
S2、将所获取的多源数据进行融合比较以判断电力终端系统中的多源数据是否一致，若比较的多源数据一致，则判定电力终端系统不存在错误数据并开放保护跳闸出口，若比较的多源数据不一致，则判定电力终端系统存在错误数据并进入步骤S3；
S3、利用保护算法并根据步骤S1中所获取的多源数据生成证据；
S4、根据步骤S3中所生成的证据判断电力终端系统是否存在错误数据，若判断电力终端系统存在错误数据，则关闭保护跳闸出口并进入步骤S5，若判断电力终端系统不存在错误数据，则开放保护跳闸出口；
S5、将电力终端系统上获取的多源数据中所存在的错误数据进行告警。
本实施例中，首先获取电力终端系统的多源数据并对所获取的多源数据进行融合比较，若融合比较结果判定电力终端系统存在错误数据则利用保护算法构造证据以判断电力终端系统是否存在错误数据，当且仅当融合比较结果和保护算法同时判断电力终端系统存在错误数据时，保护动作方可启动，否则保护不动作，从而能够在不影响正常工作的情况下对电力终端的错误数据进行辨别，优化了保护动作，有效避免了可能出现的保护不正确动作，节省了CPU(central processing unit，中央处理器)资源，具有保护灵敏度高的特点。
其中，所述步骤S1中的多源数据包括同源数据和/或非同源数据，所述同源数据是指通过不同设备或信号点采集的同一测量点数据，非同源数据是指存在关联性的不同测量点数据。所述同源数据指同一实际数据由不同的设备或信号点采集，通过对这些不同设备或信号点的数据进行融合比较可以判断该设备是否可能存在异常，其中，同源数据可能来自于双套保护、同间隔二次设备、EMS(能量管理系统)与保护主站的重复数据以及同一次电网故障中的针对同一一次设备的录波暂态数据等；非同源数据是指针对不同测量点的数据存在一定关联特性，如断路器两侧CT采集的电流信息，两侧CT为非同一测量点但两侧CT采集的电流理论上应该相同。
其中，所述同源数据和非同源数据均为通过电流互感器采集的电流值和电压互感器采集的电压值。在其他实施例中，也可以根据实际情况选择其他类型的数据。
其中，所述步骤S2的具体实现方式为：首先设定一个比较差值阈值，采用积分比对方式分别融合比较两两多源数据之间的差值，若比较的差值小于比较差值阈值，则判定相比较的两个多源数据一致并开放保护跳闸出口，若比较的差值大于该差值阈值，则判定相比较的两个多源数据不一致并进入步骤S3。
如图2所示，所述步骤S3的具体实现方式包括：
S31、选取合适的典型样本；
S32、计算所获取的多源数据与合适的典型样本之间的欧氏距离并将所计算的欧式距离指数化，然后构造基于典型样本的证据，其中欧氏距离的计算公式表示为：
式(1)中，
表示多源数据样本与典型样本之间的欧氏距离，xl表示多源数据样本，l表示多源数据样本和典型样本的数量，Aj表示典型样本，Ajn表示第n个典型样本；
S33、计算所构造证据之间的相似度和支持度，以及证据的可信度，并利用基于加权方法对证据进行合成以生成合成后的证据。
其中，所述步骤S31中所选取的典型样本包括各种典型故障后的首周波电流和电压有效值。
其中，所述步骤S31中所述的各种典型故障包括不同故障元件、不同故障类型、不同故障位置和不同过渡电阻以及其组合，其中，不同故障元件包括变压器、线路和母线，不同故障类型包括单相短路、两相短路、两相短路接地和三相短路，不同故障位置包括线路首段、线路中间处和线路末端。
本实施例中，首先选择包括各种典型故障后的首周波电流和电压有效值作为典型样本，然后计算多源数据与典型样本之间的欧氏距离，并将所计算的欧氏距离进行指数化以放大证据之间的差异，进而构造生成基于典型样本的证据，计算出所构造生成证据之间的相似度和支持度，以及证据的可信度，并基于加权方法对证据进行合成，即当证据之间的高度冲突时，对冲突的证据进行加权平均，最后，基于所合成的证据判断电力终端系统中是否存在错误数据。
本实施例中，若设定电流互感器采集的数据为多源数据样本x，其样本数量为l，则电流互感器所采集的一组实际样本可表示为x＝{x1，x2，…，xl}，即可求出样本x与典型样本Aj之间的欧氏距离
定义样本x与典型样本Aj之间的距离为
即将欧氏距离进行指数化处理，显然
从而可进一步放大证据之间的差异，使得错误数据产生的证据凸显出来，经归一化处理后，样本x对典型样本Aj的支持程度R用公式表示为：
其中h表示典型样本的样本数量，经过分析可知，只要给定所选取的典型样本，即可唯一地确定任一组电流互感器所采集的数据产生的证据。同理，若以电压互感器采集的数据为多源数据样本x同样可唯一地确定任一组电流互感器所采集的数据产生的证据。
如图3所示，所述步骤S33的具体实现方式包括：
S331、计算所构造的两个证据之间的相似度，用公式表示为：
式(2)中，S(mt，mv)表示证据mt与证据mv之间的相似度，pt表示证据mt的概率，qt表示证据mv的概率，n表示证据mt与证据mv的数量；
S332、计算所构造的两个证据之间的支持度，用公式表示为：
式(3)中，Sup(mt)表示证据mt相对于证据mv的支持度；
S333、计算所构造的证据的可信度，用公式表示为：
式(4)中，Crd(mt)表示证据mt在所有构造的证据中的的可信度；
S334、基于加权方法对所计算出的相似度、支持度和可信度进行合成，进而完成对证据的合成，其加权处理用公式表示为：
Q＝aS(mt，mv)+bSup(mt)+cCrd(mt) (5)
式(5)中，Q表示合成后的证据，a∈[0，1]表示证据相似度的加权系数，b∈[0，1]表示证据支持度的加权系数，c∈[0，1]表示证据可信度的加权系数，且a+b+c＝1。
本实施例中，当证据之间的高度冲突时，对冲突的证据需要进行加权平均，通过依次计算出证据之间的相似度、支持度和可信度，并利用基于加权方法对证据进行加权处理，进而可得到合成后的证据，最后基于所合成的证据判断电力终端系统中是否存在错误数据。
如图1、图4所示，基于证据理论的电力终端错误数据辨识方法还包括步骤S6、基于步骤S1中所获取的多源数据获取电力终端系统特定故障数据演化规律和关联关系，具体实现方式包括：
S61、基于所采集的同源数据和/或非同源数据构造Hankel矩阵(汉克尔矩阵)，并通过奇异值分解求出对应的奇异值，然后利用所求出的奇异值的分布特性获取故障数据演化规律，其中SVD(Singular Value Descomposition，奇异值分解)是指：对于一个实矩阵A∈Rm×n，R表示矩阵，m表示矩阵的行，n表示矩阵的列，必定存在正交矩阵U＝[u1，u2，...，um]∈Rm×n，和正交矩阵V＝[u1，u2，...，um]∈Rm×n，使得A＝USVT成立，T表示矩阵转置，S＝[diag(σ1，σ2，...，σn)，0]或者其转置，且有：σ1≥σ2≥...≥σn，他们称为矩阵A的奇异值，0为零矩阵。
设信号x(n)为一维多源数据，利用此信号可以构造如下矩阵：
式(8)中，1＜n＜N，令m＝N-n+1，则A∈Rm×n，此矩阵即为Hankel矩阵，Hankel矩阵相邻两行将高度相关，矩阵呈现病态形式，这种病态矩阵的秩r远小于q，其中，q＝min(m，n)。
从信号处理的角度来看，奇异值分解属于一种非线性滤波，特征向量表示特征的基向量，奇异值表示特征的膨胀率，即该特征的重要性。因此，由奇异值的分布情况可获取故障数据演化规律；
S62、基于所采集的同源数据和非同源数据进行相关性分析以确定其关联关系，用公式表示为：
式(6)和式(7)中，ρ1k、ρ2k分别表示不同故障类型下历史故障数据与同源数据、非同源数据的相关系数，N表示同源数据和非同源数据的信号长度，i表示信号长度序号，x1、x2分别表示对应同源数据和非同源数据，yki表示历史故障数据，x1i表示同源数据的第i个信号长度，x2i表示非同源数据的第i个信号长度，其中，k＝＝1，2，3，4分别表示单相接地故障、两相接地故障、两相相间故障和三相短路故障，
本实施例中，通过同源数据和非同源数据构造对应的Hankel矩阵，并利用奇异值分解得到对应奇异值，然后根据奇异值分布特性获取电力终端系统的故障数据演化规律，同时基于同源数据和非同源数据的相关性分析得到其关联关系，进而为特定故障提供了证据支持，并通过与保护算法生成的证据进行融合处理，为电力终端系统的错误数据辨识提供理论基础。
以上对本发明所提供的一种基于证据理论的电力终端错误数据辨识方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种基于证据理论的电力终端错误数据辨识方法，其特征在于，所述方法包括以下步骤：
S1、获取电力终端系统中同一测量点或/和不同测量点但存在关联性的多源数据；
S2、将所获取的多源数据进行融合比较以判断电力终端系统中的多源数据是否一致，若比较的多源数据一致，则判定电力终端系统不存在错误数据并开放保护跳闸出口，若比较的多源数据不一致，则判定电力终端系统存在错误数据并进入步骤S3；
S3、利用保护算法并根据步骤S1中所获取的多源数据生成证据；
所述步骤S3的具体实现方式包括：
S31、选取合适的典型样本；
S32、计算所获取的多源数据与合适的典型样本之间的欧氏距离并将所计算的欧式距离指数化，然后构造基于典型样本的证据，其中欧氏距离的计算公式表示为：
式(1)中，
表示多源数据样本与典型样本之间的欧氏距离，xn表示多源数据样本，n表示多源数据样本和典型样本的数量，Ajn表示第n个典型样本；
S33、计算所构造证据之间的相似度和支持度，以及证据的可信度，并利用基于加权方法对证据进行合成以生成合成后的证据；
S4、根据步骤S3中所生成的证据判断电力终端系统是否存在错误数据，若判断电力终端系统存在错误数据，则关闭保护跳闸出口并进入步骤S5，若判断电力终端系统不存在错误数据，则开放保护跳闸出口；
S5、将电力终端系统上获取的多源数据中所存在的错误数据进行告警。
2.如权利要求1所述的基于证据理论的电力终端错误数据辨识方法，其特征在于，所述步骤S1中的多源数据包括同源数据和/或非同源数据，所述同源数据是指通过不同设备或信号点采集的同一测量点数据，非同源数据是指存在关联性的不同测量点数据。
3.如权利要求2所述的基于证据理论的电力终端错误数据辨识方法，其特征在于，所述同源数据和非同源数据均为通过电流互感器采集的电流值和电压互感器采集的电压值。
4.如权利要求1所述的基于证据理论的电力终端错误数据辨识方法，其特征在于，所述步骤S2的具体实现方式为：首先设定一个比较差值阈值，采用积分比对方式分别融合比较两两多源数据之间的差值，若比较的差值小于比较差值阈值，则判定相比较的两个多源数据一致并开放保护跳闸出口，若比较的差值大于该差值阈值，则判定相比较的两个多源数据不一致并进入步骤S3。
5.如权利要求1所述的基于证据理论的电力终端错误数据辨识方法，其特征在于，所述步骤S31中所选取的典型样本包括各种典型故障后的首周波电流和电压有效值。
6.如权利要求5所述的基于证据理论的电力终端错误数据辨识方法，其特征在于，所述步骤S31中所述的各种典型故障包括不同故障元件、不同故障类型、不同故障位置和不同过渡电阻以及其组合，其中，不同故障元件包括变压器、线路和母线，不同故障类型包括单相短路、两相短路、两相短路接地和三相短路，不同故障位置包括线路首段、线路中间处和线路末端。
7.如权利要求6所述的基于证据理论的电力终端错误数据辨识方法，其特征在于，所述步骤S33的具体实现方式包括：
S331、计算所构造的两个证据之间的相似度，用公式表示为：
式(2)中，S(mt，mv)表示证据mt与证据mv之间的相似度，pt表示证据mt的概率，qt表示证据mv的概率，n表示证据mt与证据mv的数量；
S332、计算所构造的两个证据之间的支持度，用公式表示为：
式(3)中，Sup(mt)表示证据mt相对于证据mv的支持度；
S333、计算所构造的证据的可信度，用公式表示为：
式(4)中，Crd(mt)表示证据mt在所有构造的证据中的可信度；
S334、基于加权方法对所计算出的相似度、支持度和可信度进行合成，进而完成对证据的合成，其加权处理用公式表示为：
Q＝aS(mt，mv)+bSup(mt)+cCrd(mt) (5)
式(5)中，Q表示合成后的证据，a∈[0，1]表示证据相似度的加权系数，b∈[0，1]表示证据支持度的加权系数，c∈[0，1]表示证据可信度的加权系数，且a+b+c＝1。
8.如权利要求7所述的基于证据理论的电力终端错误数据辨识方法，其特征在于，还包括步骤S6、基于步骤S1中所获取的多源数据获取电力终端系统特定故障数据演化规律和关联关系。
9.如权利要求8所述的基于证据理论的电力终端错误数据辨识方法，其特征在于，所述步骤S6的具体实现方式包括：
S61、基于所获取的同源数据和/或非同源数据构造Hankel矩阵，并通过奇异值分解求出对应的奇异值，然后利用所求出的奇异值的分布特性获取电力终端系统的故障数据演化规律；
S62、基于所采集的同源数据和非同源数据进行相关性分析以确定其关联关系，用公式表示为：
式(6)和式(7)中，ρ1k、ρ2k分别表示不同故障类型下历史故障数据与同源数据、非同源数据的相关系数，N表示同源数据和非同源数据的信号长度，i表示信号长度序号，x1、x2分别表示对应同源数据和非同源数据，yki表示历史故障数据，x1i表示同源数据的第i个信号长度，x2i表示非同源数据的第i个信号长度，其中，k＝1，2，3，4分别表示单相接地故障、两相接地故障、两相相间故障和三相短路故障，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110117321.XA CN112924812B (zh) | 2021-01-28 | 2021-01-28 | 一种基于证据理论的电力终端错误数据辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110117321.XA CN112924812B (zh) | 2021-01-28 | 2021-01-28 | 一种基于证据理论的电力终端错误数据辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112924812A CN112924812A (zh) | 2021-06-08 |
| CN112924812B true CN112924812B (zh) | 2023-03-14 |
Family
ID=76167787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110117321.XA Active CN112924812B (zh) | 2021-01-28 | 2021-01-28 | 一种基于证据理论的电力终端错误数据辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112924812B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743480B (zh) * | 2021-08-19 | 2024-11-22 | 中国电子科技集团公司第二十七研究所 | 基于相互一致性的多源数据融合异常值识别方法 |
| CN115864297A (zh) * | 2022-12-06 | 2023-03-28 | 丁伟伟 | 一种测控装置防误出口的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106841928A (zh) * | 2017-03-29 | 2017-06-13 | 中国电力科学研究院 | 一种基于多源信息融合的配电网故障区段定位方法及系统 |
| CN106932670A (zh) * | 2017-02-08 | 2017-07-07 | 国家电网公司 | 一种基于d‑s证据理论的配电自动化终端状态诊断方法 |
| CN107368854A (zh) * | 2017-07-20 | 2017-11-21 | 华北电力大学（保定） | 一种基于改进证据理论的断路器故障诊断方法 |
| CN110208643A (zh) * | 2019-04-28 | 2019-09-06 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于pmu数据和故障录波数据的电网故障诊断方法 |
-
2021
- 2021-01-28 CN CN202110117321.XA patent/CN112924812B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106932670A (zh) * | 2017-02-08 | 2017-07-07 | 国家电网公司 | 一种基于d‑s证据理论的配电自动化终端状态诊断方法 |
| CN106841928A (zh) * | 2017-03-29 | 2017-06-13 | 中国电力科学研究院 | 一种基于多源信息融合的配电网故障区段定位方法及系统 |
| CN107368854A (zh) * | 2017-07-20 | 2017-11-21 | 华北电力大学（保定） | 一种基于改进证据理论的断路器故障诊断方法 |
| CN110208643A (zh) * | 2019-04-28 | 2019-09-06 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于pmu数据和故障录波数据的电网故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于证据理论的数字化变电站继电保护容错方法;朱林等;《电工技术学报》;20110126(第01期);第154-161页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112924812A (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Majidi et al. | A sparse-data-driven approach for fault location in transmission networks | |
| Jamei et al. | Phasor measurement units optimal placement and performance limits for fault localization | |
| CN103308824B (zh) | 一种基于概率Petri网的电力系统故障诊断方法 | |
| CN112924812B (zh) | 一种基于证据理论的电力终端错误数据辨识方法 | |
| CN109872112B (zh) | 一种智能变电站全自动闭环检测方法及装置 | |
| WO2016007217A1 (en) | Decision support system for outage management and automated crew dispatch | |
| CN103424668A (zh) | 一种利用馈线零序电流主成分分析和证据理论融合的弧光接地故障连续选线方法 | |
| WO2022158989A1 (en) | Voltage based fault detection | |
| CN113285431A (zh) | 一种智能配电网信息物理融合保护系统及方法 | |
| CN107292512B (zh) | 一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法 | |
| Wang et al. | Stealthy false data injection attacks against state estimation in power systems: Switching network topologies | |
| El Chamie et al. | Physics-based features for anomaly detection in power grids with micro-pmus | |
| CN116500385B (zh) | 输电网监测校验方法、装置、设备和介质 | |
| Tejeswara Rao et al. | Prevention of maloperation of distance relay under severe stressed conditions for series compensated transmission line considering optimal placement of phasor measurement units | |
| Anderson et al. | Distribution system bad data detection using graph signal processing | |
| Wang et al. | Stator single-phase-to-ground fault protection for bus-connected powerformers based on hierarchical clustering algorithm | |
| CN112285464A (zh) | 电网故障诊断方法和系统 | |
| Dzafic et al. | Composite fault location for distribution management systems | |
| Baldwin et al. | Fault locating in distribution networks with the aid of advanced metering infrastructure | |
| Jena et al. | Initial travelling wavefront‐based bus zone protection scheme | |
| CN116522193A (zh) | 基于因子分析法的电网设备电压异常特征提取方法及系统 | |
| Narang et al. | Detection of cyber-attacks in smart power transmission system using mathematical morphology and autoencoder | |
| Ensina et al. | Fault classification in transmission lines with generalization competence | |
| Bera et al. | Intelligent protection & classification of transients in two-core symmetric phase angle regulating transformers | |
| Zhu et al. | Evidence theory-based fake measurement identification and fault-tolerant protection in digital substations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |