[发明专利]电力系统设备故障诊断方法及系统

说明书

技术领域

本发明涉及电力系统的故障诊断领域，特别涉及一种电力设备故障诊断方法。

背景技术

随着现代电力系统规模日益扩大、电压等级不断提高，输电线路故障对社会经济和人民生活造成的危害更加严重。快速、准确的故障暂态识别是快速恢复电网供电的前提，也是故障分析的一个重要部分。因此，研究快速可靠的故障暂态识别方法对保障电力系统的安全性与经济性具有重要的意义。

针对电力系统设备故障诊断方法的研究，前人已经做了很多有益的探索。例如电力系统设备故障诊断领域常用的人工智能技术包括专家系统、人工神经网络、决策树理论等，此外近几年也出现了数据挖掘、模糊理论、粗糙集理论、Petri网络、贝叶斯网络、信息融合、信息论、支持向量机、仿生学的应用及多智能体系统等技术以及上述方法的综合应用。

现有技术中有一种基于故障树的多层次电力系统设备故障诊断系统，其运用故障树分析技术（FTA）建立电力系统发生内部故障的分类树模型，并将其应用于诊断系统建立的过程中，从而为系统诊断的建立找到一条简捷的途径，其具有知识表述直观、形式统一、易理解和解释方便等优点。但是这种方法的缺陷在于：1.针对越来越复杂的电力系统网络所观测到的症状与所对应诊断之间的联系是相当复杂的，通过归纳专家经验来获取规则进而诊断故障，准确度和通用性不佳；2.该方法只能有效地检测到故障的发生，而具备预测故障点发生的功能，属于先故障后诊断。

现有技术中还有一种基于粗糙集理论的电力系统设备故障诊断，粗糙集理论能有效地分析和处理不精确、不一致、不完整等各种不完备数据，从中发现隐含知识，揭示潜在规律用粗糙集理论进行故障诊断，能较强地处理信息不完整和信息冗余的情形。但是该方法也有需要改进之处：①粗糙集方法的诊断规则的获取取决于条件属性集下各种故障情况训练样本集。②当丢失或出错的警报信息是关键信号时，诊断结果将受到影响。③当电网较复杂、庞大时，将导致决策表的规模变大，约简困难，诊断速度和精度降低。

另外，现有技术中还有一种局域贝叶斯网络的电力系统设备故障诊断，贝叶斯网络方法能有效地提高诊断精度和速度，且适合较大规模故障信息的复杂性和不确定性。贝叶斯网络逐渐应用于水电机组故障诊断、变压器故障诊断以及架空输电线路的状态估计中，并取得不错效果。但该方法还有以下不足：①获取知识较为困难。②如何实现信息融合下的故障诊断。③怎样实现复杂电网下的自动建模。④距离工程实际还有一段距离。

目前，还有一种基于ANN的电力系统设备故障诊断，它从该领域的专家提供的大量的实例形成用于故障诊断的神经网络模型和训练样本集，通过学习和训练实现该模型诊断功能，并且具有一定的泛化能力。ANN在电力系统设备故障诊断中的应用主要是故障定位和故障类型识别两个方面，具有鲁棒性好，学习能力强，不需要构造推理机，推理速度较快等特点。但是目前ANN在应用中也出现一些问题：①如何在大型系统中获得一个完备的知识库。②难以确保ANN训练时收敛的快速性和避免陷入局部最小。③缺乏解释自身行为和输出结果的能力。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种电力系统设备故障诊断方法及系统。

本发明的目的之一是提出一种电力系统设备故障诊断方法；本发明的目的之二是提出一种电力系统设备故障诊断系统。

本发明的目的之一是通过以下技术方案来实现的：

本发明提供的电力系统设备故障诊断方法，包括以下步骤：

S1：获取电力设备物理结构参数信息；

S2：获取电力设备红外图像信息；

S3：通过图像处理方法从电力设备红外图像信息中分割出故障点图像；

S4：根据故障点图像从电力设备物理结构参数信息中进行匹配获取具有故障的目标电力设备的物理结构参数信息；

S5：根据目标电力设备的物理结构参数信息结合故障点图像采用数据融合分析法分析出目标电力设备故障结果。

进一步，还包括建立电力设备物理结构模型，所述电力设备物理结构模型包括电力设备物理结构参数信息数据库和故障模型；

所述电力设备物理结构参数信息数据库包括电力设备的类型和位置坐标；

所述故障模型，存储有不同类型的电力设备关联故障类型。

进一步，所述步骤S3中的故障点图像是通过以下步骤来实现的：

S31：采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像；

S32：通过人工神经网络分类模型对目标分割图像进行分类得到分类图像；