基于长短期记忆循环神经网络的变电站监控系统智能故障推理方法

doi:10.3969/j.issn.2097-0706.2022.12.002

综合智慧能源 ›› 2022, Vol. 44 ›› Issue (12): 11-17.doi: 10.3969/j.issn.2097-0706.2022.12.002

基于长短期记忆循环神经网络的变电站监控系统智能故障推理方法

付豪¹(), 邹花蕾²(), 张腾飞²()

1.国电南京自动化股份有限公司，南京 210032
2.南京邮电大学自动化学院，南京 210023

收稿日期:2020-06-05 修回日期:2022-07-20 出版日期:2022-12-25 发布日期:2023-02-01
作者简介:付豪（1986），男，工程师，硕士，从事电力系统监控及其自动化、信息化、智能化方向的工作，yoyofu007@163.com；
邹花蕾（1986），女，讲师，博士，从事智能电网、微电网优化调度等方面的研究，zhl@njupt.edu.cn；
张腾飞（1980），男，教授，博士，从事智能信息处理、大数据分析等方面的研究，tfzhang@126.com。
基金资助:
国家自然科学基金项目(62073173)

Intelligent fault reasoning method for the substation monitoring system based on LSTM

FU Hao¹(), ZOU Hualei²(), ZHANG Tengfei²()

1. Guodian Nanjing Automation Company Limited，Nanjing 210032，China
2. College of Automation，Nanjing University of Posts and Telecommunications，Nanjing 210023，China

Received:2020-06-05 Revised:2022-07-20 Online:2022-12-25 Published:2023-02-01

摘要/Abstract

摘要：

针对变电站故障推理和分析应用存在人工总结的规则不全面、总结难度大、干扰信号多、故障推理配置可重用性低，以及故障推理往往需要考虑输入信号的时序性等问题，而采用传统机器学习算法无法有效解决此问题，提出一种基于长短期记忆循环神经网络（LSTM-RNN）、自然语言处理技术的变电站智能故障推理方法。分析了故障推理的应用场景，介绍了智能故障推理方法的整体架构、关键技术，并通过实际数据的应用试验进行了测试，验证了不依赖人工规则的智能故障推理方法的可行性，在信号时序可以记忆的场景中LSTM-RNN比其他机器学习算法有更好的适用性。

关键词: 变电站, 智能化, 故障推理, 长短期记忆循环神经网络, 自然语言处理

Abstract:

The substation fault reasoning rules and analysis applications summarized by human are incomplete，difficult and vulnerable to interfering signals. Fault reasoning's configurations are of low reusability and have to take time sequence of input signals into consideration， which cannot be effectively solved by traditional machine learning algorithms. Thus， a substation intelligent fault reasoning method based on long-short-term memory recurrent neural network （LSTM-RNN） and natural language processing（NLP） technology is proposed. Based on the analysis on the application scenarios of fault reasoning， the overall architecture and key technologies of the intelligent fault reasoning method are expounded. The feasibility of the intelligent fault reasoning method that does not rely on man-made rules is verified by the data of application tests，and the LSTM-RNN works better than other machine learning algorithms in the scenarios that time sequence of signals can be memorized.

Key words: substation, intellectualization, fault reasoning, LSTM, NLP

中图分类号:

TK01：TM01

付豪, 邹花蕾, 张腾飞. 基于长短期记忆循环神经网络的变电站监控系统智能故障推理方法[J]. 综合智慧能源, 2022, 44(12): 11-17.

FU Hao, ZOU Hualei, ZHANG Tengfei. Intelligent fault reasoning method for the substation monitoring system based on LSTM[J]. Integrated Intelligent Energy, 2022, 44(12): 11-17.

图/表 9

图1

图2

图3

图4

图5

图6

表1

图7

表2

参考文献 15

[1]	谭文忠, 陈浩, 王灿林, 等. 基于逻辑耦合的变电站集中监控信息智能告警研究[J]. 国网技术学院学报, 2016, 19(3):1-4.
	TAN Wenzhong, CHEN Hao, WANG Canlin, et al. Research on centralized monitoring information smart warning of substation based on logic coupling[J]. Journal of State Grid Technology College, 2016, 19(3):1-4.
[2]	庄博, 韩柳, 崔慧军. 面向监控业务的智能告警[J]. 华北电力技术, 2017(11):65-70.
	ZHUANG Bo, HAN Liu, CUI Huijun. Smart alarm for monitoring module[J]. North China Electric Power, 2017(11):65-70.
[3]	茹东武, 李永照, 陈喜凤, 等. 一种智能变电站智能告警专家系统推理机制的研究[J]. 电器与能效管理技术, 2017(5):44-49.
	RU Dongwu, LI Yongzhao, CHEN Xifeng, et al. Research on a smart substation intelligent alarm expert system inference mechanism[J]. Electrical & Energy Management Technology, 2017(5):44-49.
[4]	贾华伟, 郭利军, 叶海明, 等. 智能变电站分布式智能告警研究与应用[J]. 电力系统保护与控制, 2016, 44(12):92-99.
	JIA Huawei, GUO Lijun, YE Haiming, et al. Research and application of distributed intelligent alarm in smart substation[J]. Power System Protection and Control, 2016, 44(12):92-99.
[5]	阎博, 张昊, 郭子明, 等. 基于多源数据融合的电网故障综合分析与智能告警技术研究与应用[J]. 中国电力, 2018, 51(2):39-46.
	YAN Bo, ZHANG Hao, GUO Ziming, et al. Research and application of power grid fault integrated analysis and smart alarm based on multi-data source fusion[J]. Electric Power, 2018, 51(2):39-46.
[6]	陶涛, 王一达, 周博曦. 基于专家系统的智能变电站事故告警处理算法[J]. 国网技术学院学报, 2015, 18(3):23-27.
	TAO Tao, WANG Yida, ZHOU Boxi. Accident alarming processing algorithm for the intelligent substation based on expert system[J]. Journal of State Grid Technology College, 2015, 18(3):23-27.
[7]	王健, 陶玮, 汤卫东, 等. 基于贝叶斯定理的电网告警可信度算法研究[J]. 广东电力, 2016, 29(12):68-73,142.
	WANG Jian, TAO Wei, TANG Weidong, et al. Reliability algorithm for power grid alarm based on Bayesian theorem[J]. Guangdong Electric Power, 2016, 29(12):68-73,142.
[8]	苏永春, 汪晓明. 智能变电站全景数据采集方案[J]. 电力系统保护与控制, 2011, 39(2):75-79.
	SU Yongchun, WANG Xiaoming. Panorama data acquisition scheme for intelligent substation[J]. Power System Protection & Control, 2011, 39(2):75-79.
[9]	王东波, 刘伙玉. 面向论文相似性检测的数据预处理研究[J]. 数据分析与知识发现, 2015, 31(5):50-56.
	WANG Dongbo, LIU Huoyu. Research and implementation of data preprocessing oriented to paper similarity detection[J]. New Technology of Library and Information Service, 2015, 31(5):50-56.
[10]	蒋振超, 李丽双, 黄德根. 基于词语关系的词向量模型[J]. 中文信息学报, 2017, 31(3):25-31.
	JIANG Zhenchao, LI Lishuang, HUANG Degen. Word representation based on word relations[J]. Journal of Chinese Information Processing, 2017, 31(3):25-31.
[11]	WANG Y, ZOU H L, CHEN X, et al. Adaptive solar power forecasting based on machine learning methods[J]. Applied Sciences, 2018, 8(11):2224. doi: 10.3390/app8112224
[12]	BYEON W, BREUEL T M, RAUE F, et al. Scene labeling with LSTM recurrent neural networks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015:3547-3555.
[13]	TAO C, LU J, LANG J, et al. Short-term forecasting of photovoltaic power generation based on feature selection and bias Compensation-LSTM network[J]. Energies, 2021, 14(11):3086. doi: 10.3390/en14113086
[14]	崔博洋, 王永林, 王云, 等. 基于长短期记忆神经网络的吸收塔pH值预测模型[J]. 华电技术, 2020, 42(9):32-36.
	CUI Boyang, WANG Yonglin, WANG Yun, et al. Prediction model for the pH value of absorption tower slurry based on LSTM neural networks[J]. Huadian Technology, 2020, 42(9):32-36.
[15]	王立鼎, 詹庆才, 殷建军, 等. 变电站站用电源系统在线状态评估系统架构及关键策略研究[J]. 华电技术, 2021, 43(5):15-22.
	WANG Liding, ZHAN Qingcai, YIN Jianjun, et al. Architecture and key strategy of online state assessment system for substation auxiliary power supply system[J]. Huadian Technology, 2021, 43(5):15-22.

试验数据	平均准确率
第1组	78.1
第2组	83.4
第3组	85.2
第4组	85.7

算法名称	平均准确率
SVM	77.4
NB	75.8
LR	77.1
LSTM-RNN	85.3

基于长短期记忆循环神经网络的变电站监控系统智能故障推理方法

Intelligent fault reasoning method for the substation monitoring system based on LSTM

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王立鼎, 詹庆才, 殷建军, 杨常府, 王均慧, 聂晓波. 变电站站用电源系统在线状态评估系统架构及关键策略研究[J]. 华电技术, 2021, 43(5): 15-22.
[2]	郑丽娟, 郭强, 胡翔, 关山, 李吉献. 基于物联网信息集成的箱式变电站运行状态综合监控系统研究[J]. 华电技术, 2021, 43(1): 12-18.
[3]	郭强, 郑丽娟, 余桂华, 关山. 箱式变电站出厂试验智能化测试管理系统设计[J]. 华电技术, 2021, 43(1): 24-30.
[4]	吴路明，薛明军，陈琦，王永旭，唐治国，陈宏岩. 一起电子互感器异常引发的复杂发展性故障分析及改进[J]. 华电技术, 2020, 42(6): 10-15.
[5]	尚力阳，范素香，张智勇，于鹏辉，何勇，季艳茹. 输水干渠智能化拦藻设备设计及应用[J]. 华电技术, 2020, 42(6): 22-24.
[6]	张宪军，赵谦，梁志宝，晏平仲，杨瑞. 智能变电站交换机基于GOOSE管理技术设计与实现[J]. 华电技术, 2020, 42(2): 42-49.
[7]	刁培滨1，邓亚男2. 燃气分布式能源站智能生产管理系统开发及应用[J]. 华电技术, 2019, 41(8): 20-23.
[8]	谢坤1,2，赵谦1,2，程成1,2，李帅1,2，蔡亮亮1,2. 具有异常分析功能的通用型数字量输入式合并单元[J]. 华电技术, 2019, 41(6): 33-37.
[9]	王瑞彪1，郑文彬2. 智能变电站SCD文件版本的可视化管控研究[J]. 华电技术, 2019, 41(4): 14-18.
[10]	张晓瑞，纪陵，檀庭方，刘文彪，王冬霞. 智能变电站二次设备在线故障运维平台架构研究[J]. 华电技术, 2019, 41(2): 1-5.
[11]	赵龙，岳义博. 大型储能电站智能辅助调试系统的设计及应用[J]. 华电技术, 2019, 41(11): 53-56.
[12]	任新生. 火电企业供热生产集中化、智能化的改造实践[J]. 华电技术, 2019, 41(11): 70-75.
[13]	周金顺，鞠明. 燃气分布式能源站智能化建设思考[J]. 华电技术, 2019, 41(11): 80-84.
[14]	蔡亮亮，龚世敏，唐斌，李帅，张林，袁泉. 智能变电站虚拟后备测控单元自动投退及无缝切换技术研究[J]. 华电技术, 2019, 41(10): 30-34.
[15]	魏加栋1，崔修强2. 机器人燃煤制样系统的设计与应用[J]. 华电技术, 2018, 40(8): 14-17.