CN119482269A 基于北斗系统的配电线路故障定位方法及系统 （武汉惠程电气有限公司）

术开发区光谷大道301号海关监管场基于北斗系统的配电线路故障定位方法及本发明公开了基于北斗系统的配电线路故障定位方法及系统，涉及线路故障分析技术领不同状态数据的主成分矩阵构建故障模式识别式向量能够更准确地表示当前电力系统的整体2采集关键节点数据，根据分布式电源、故障指示器和智能电表的状基于历史故障数据计算下一时刻节点的状态概率，通过贝叶斯根据关键节点分析区域节点的故障概率，对数据进行安全加密和传基于配电线路将负载中心节点、主干线路分支节点、变电站节点基于获取AMI智能电表的状态数据，对于AMI智能电表的电表状态进行判分别基于分布式电源、故障指示器和智能电表的状态;其中表示降维的第i个状态数据的主成分矩阵，表示第i个状态数据的降维使用多层感知机MLP和根据三个视角的主成分矩阵分别构建故障模式识别模型，表示3;其中表示第i个状态数据主成分矩阵的模型输出，σ表示ReLU使用训练集并使用交叉熵损失函数计算模型预测与真实故障类别之间的误差，通过;使用训练集并使用交叉熵损失函数计算模型预测与真失函数对每个加权系数的梯度，通过Adam优化器并通过梯度下降法进行模型参数迭代优基于配电线路的关键节点作为动态贝叶斯网络DBN的节点，并根据节点状态定义该节根据配电线路的拓扑结构确定DBN节点的依赖关系，绘制有向无环图基于历史故障数据，统计在节点i发生的故障，相邻节点j在下一;时间步t的状态转移概率，表示时间t的节点i的状态s(t)转移至时间t+1的节点j通过贝叶斯定理，将状态概率与综合故障模式向量结合，更新每个节4;其中表示基于综合故障模式向量和当前时刻的节点状态概率的后验故障概率，表示节点状态为s(t)时观测到节点i综合故障模式向量M;(t)的概率，P(s;(t))表示节点i的先验状态概率，P(m(t))表示在所有节点状态记录历史数据统计节点的下一时刻节点的状态概率，并根据地理坐标计算两个节点的欧几里得距离，并基于关键节点根据地理位置选取区域内的基于当前时间步的后验故障概率，基于节点的欧几里得距离，计;基于区域节点的故障定位点概率，基于历史数据计算所有区域值与二倍标准差的和作为定位阈值，若计算的区域节点的故障定位点概率大于定位阈值，对检测数据AES加密算法对监测节点的位置信息进行加密存储，使用基于角色的访问将备份数据存储到异地服务器并进行数据完58.一种基于权利要求1_7任一所述的基于北斗系统的配电线路故障定位方法的系统，数据安全管理模块，对监测节点的位置信息和状态数据进行加被处理器执行时实现权利要求1至7中任一项所述的基于北斗系统的配电线路故障定位方6确区分因分布式电源波动引起的电力扰动与实际故障之间的差异，容易导致误判和漏判，且仅依靠单一或少量数据源进行分析，难以全面反映电力系统中各类状态数据的复杂关[0011]作为本发明所述基于北斗系统的配电线路故障定位7[0018]作为本发明所述基于北斗系统的配电线路故障定位[0023]其中表示降维的第i个状态数据的主成分矩阵，表示第i个状态数[0024]作为本发明所述基于北斗系统的配电线路故障定位[0025]使用多层感知机MLP和根据三个视角的主成分矩阵分别构建故障模式识别模型，8[0033]作为本发明所述基于北斗系统的配电线路故障定位[0034]基于配电线路的关键节点作为动态贝叶斯网络DBN的节点，并根据节点状态定义[0038]根据状态转移矩阵和当前时刻的状态概率计算下一时刻节点的状态概率，表示点i在时间步t的状态转移概率，表示时间t的节点i的状态s;(t)转移至时间t+1的[0043]其中表示基于综合故障模式向量和当前时刻的节点状态概率的M;(t)的概率，P(s;(t))表示节点i的先验状态概率，P(m(t))表示在所有节点状态9[0045]作为本发明所述基于北斗系统的配电线路故障定位点的地理坐标计算两个节点的欧几里得距离，并基于关键节点根据地理位置选取区域[0051]作为本发明所述基于北斗系统的配电线路故障定位[0053]对检测数据AES加密算法对监测节点的位置信息进行加密存储，使用基于角色的理器执行所述计算机程序时实现上述基于北斗系统的配电线路故障定位方法行时实现上述基于北斗系统的配电线路故障定位方区节点定义为关键节点，并在这些关键节点部署综合监测单元，可以实现对整个配电网络关键位置的精准监测，通过采集AMI智能电表、故障指示器和分布式电源的多维状态数据取电力参数和故障状态信息，通过将分布式电源和主干线路的监测数据进行联合分析，可以更好地评估电力系统的整体健康状态。[0090]其中表示降维的第i个状态数据的主成分矩阵，表示第i个状态数指示器和智能电表的状态数据构建数据矩阵，能够将多个数据源的特征信息进行有效融[0094]使用多层感知机MLP和根据三个视角的主成分矩阵分别构建故障模式识别模型，[0102]通过基于分布式电源、故障指示器和智能电表三个视角接入率的分布式电源数据进行主成分分析，可以提取出不同接入条件下电网的运行特征，[0103]MLP模型通过多个隐藏层的非线性变换（如ReLU激活函数能够学习到复杂的非同视角模型的加权融合，能够根据不同状态数据在故障模式识别中的贡献度自动调整权机MLP与主成分矩阵结合的故障模式识别模型，能够有效提升电力系统故障检测的精度和[0106]基于配电线路的关键节点作为动态贝叶斯网络DBN的节点，并根据节点状态定义S;(i)→s;(t+1)表示节点i在时间t的状态会影响节点j在时间t+1的状态；[0110]根据状态转移矩阵和当前时刻的状态概率计算下一时刻节点的状态概率，表示点i在时间步t的状态转移概率，表示时间t的节点i的状态s;(t)转移至时间t+1的[0115]其中表示基于综合故障模式向量和当前时刻的节点状态概率的M;(t)的概率，P(s;(t))表示节点i的先验状态概率，P(m(t))表示在所有节点状态点的地理坐标计算两个节点的欧几里得距离，并基于关键节点根据地理位置选取区域;[0128]通过北斗系统获取监测节点的高精度位置坐标，并计算节点之间的欧几里得距[0132]对检测数据AES加密算法对监测节点的位置信息进行加密存储