CN103810386B - 一种基于非监督学习的继电保护装置聚类方法 - Google Patents

Abstract

本发明公开了一种基于非监督学习的继电保护装置聚类方法，其特征在于：在无样本或少量样本的前提下，以装置定值对继电保护装置进行聚类；其包括：继电保护装置数据预处理步骤、非监督学习的装置聚类步骤、可视化步骤，其中继电保护装置数据预处理模块确保无样本或少量样本时提供非监督学习的装置聚类模块所需要的初始化装置类型，非监督学习的装置聚类模块以统计学习的方式对高维数据且维数不确定的装置定值进行类型划分，可视化模块以树的形式展现聚类结果，并吸取专家知识进行分类优化。本发明克服了高维少样本统计学习的困难为生产系统中的海量继电保护装置进行分类，同时，利用专家知识的反馈，解决了海量继电保护装置分类困难的问题，实现了装置精确的自动聚类，提高了电网故障数据在电力二次系统中传输的精准性和可靠性。

Description

一种基于非监督学习的继电保护装置聚类方法

技术领域

本发明涉及的是一种电力二次系统自动化领域，特别是涉及电网故障信息系统中的一种基于非监督学习的继电保护装置聚类方法。

背景技术

在合理的电网结构前提下，继电保护装置是电力系统的重要组成部分，是保证电力系统和电力设备安全运行的关键。继电保护装置的正确动作对保障电力系统的安全运行起着重大作用。几乎每次重大的电力系统崩溃事故都是因为继电保护装置没有适合全局要求的误动作而引起。《继电保护和安全自动装置技术规程》GB/T14285-2006对不同电压等级的各种保护均提出了具体要求，面向线路装设全线速动保护，面向接地短路装设阶段式接地距离保护，面向相间短路装设相间距离保护。

为了保证区内故障时，继电保护装置不致拒动，采用功能重复的两套或多套保护装置，以防止个别继电保护元件或回路不正常而不能给断路器发出跳闸命令。这种双重保护或多重保护称为主保护和后备保护。主保护是满足系统稳定和设备安全要求，能以最快速度有选择地切除被保护设备和线路故障的保护，如线路纵联保护、距离I段保护、变压器中性点间隙过电流保护等。后备保护是主保护或断路器拒动时，切除故障的保护，包括远后备保护和近后备保护。为了补充主保护和后备保护的性能或当主保护和后备保护退出运行而增设的简单保护成为辅助保护，如直跳对侧保护、短引线保护。

继电保护装置实现了对电网事故切除的快速性和可控性，但是也为集成继电保护装置的系统，即电网故障信息系统，带来了装置种类多、数目多等数据灾难。一套对电网事故和保护装置动作行为进行及时、有效分析的信息系统，不仅需要对涉及电网安全运行的继电保护装置的运行信息、保护动作信息、整定值信息、动作特性信息、断路器动作信息等实现有效集成、分类、分析，还需要整合各厂家生产的各类继电保护装置，包括继电保护装置的分类、装置上传信息的识别、信号的机器学习等。在信息化发展越来越迅速的今天，以人工运维方式对成百上千座变电站，每个变电站成百上千套继电保护装置进行分类和关联的方式，十分被动。

发明内容

为了克服上述现有技术的不足，本发明目的是在于提供了一种基于非监督学习的继电保护装置聚类方法，实现了装置精确的自动聚类，提高了电网故障数据在电力二次系统中传输的精准性和可靠性。

为实现上述目的，本发明的技术方案如下:

一种基于非监督学习的继电保护装置聚类方法，包括：

步骤一：读取电网故障信息系统中的所有继电保护装置，将所有装置按父节点为变电站，子节点为继电保护装置，叶节点为装置定值的层次树进行展示；

步骤二：继电保护装置数据预处理步骤的初始化操作；在无先验知识的情况下将字符串类型的定值名称转化为非监督学习的数学输入,同时完成非监督学习的装置聚类模块所需的初始化操作和归一化操作；

所述初始化操作是以装置定值为基础数据集合，按定值数量和定值名称对比，所有装置中完全能匹配的成为装置初始化类型；

设所有初始化的已有装置类型集合i,其具有三个属性，{a₁,a₂,a₃,a₄,a₅,a₆,…},{w(a₁),w(a₂),w(a₃),w(a₄),w(a₅),w(a₆),…},{l_i,N_i},其中，a_i表示继电保护装置的定值名称，w(a_i)表示与装置类型定值名称对应的权重向量，i值为自然数，l_i表示装置类型阀值，N_i表示已有装置类型集合i含有的定值数目；

步骤三：继电保护装置数据归一化操作；将权重向量w(x)系数赋予值1，归一化w(x)系数，使得∑w(x)=1，赋予类型l_i值为0～1，i取所有初始化的已有装置类型集合；w(a_i)的元素值为0～1，x为a_i；

步骤四：非监督学习的装置聚类操作;根据分类函数将待分类装置集合C划分到所有初始化的已有装置类型集合i中，或者成为一个新装置类型集合C,按照非监督学习的装置聚类公式算法进行继电保护装置分类；所述非监督学习的装置聚类公式分类函数：

f_i=(1-|N_i-N_c|/max(N_i,N_c))·∑w(i∩C),其中i为自然数；∑w(i∩C)表示集合i与集合C进行相交，N_C表示待分类装置类型集合C含有的定值数目；

当f_i＞l_i时，则待分类装置集合C属于已有装置类型集合i；

当f_i≤l_i,则待分类装置集合C与已有装置类型集合i为非同一类型，待分类装置集合C与已有装置类型集合i的交集权重除以t，然后对已有装置类型集合i的权重向量进行归一化操作，则待分类装置集合C应另起新类。

步骤五：将已划分好类的装置聚类结果进行可视化，通过可视化进行正确和错误聚类选择，并记录错误聚类的数据字典，跳转到步骤三直至所有装置完全正确分类。

在步骤四中，若f_i＞l_i时，同时，另一已有装置类型集合m的f_m＞l_m,其中，m为自然数，且m不等于i，则比较f_i、f_m值大小，若f_i＞f_m，则待分类装置类型集合C属于已有装置类型集合i，反则属于已有装置类型集合m。

所述装置定值以保护装置设定的定值名称作为聚类的基础，所述定值名称是继电保护装置判定电网故障上送至信息系统的数据字典。

所述初始化操作是指将所有继电保护装置作为一个大集合，以定值数目相等和定值名称完全匹配作为识别装置类型的特征，完成非监督学习数学输入所需要的装置类型初始化，形成完全匹配的装置。

所述可视化包括继电保护装置聚类过程的可视化和继电保护装置聚类结果的可视化，所述继电保护装置聚类过程的可视化是指装置在聚类过程中将所有变电站的继电保护装置和装置定值以树的形式进行展示。树的父节点为变电站，第二层子节点为变电站中包含的继电保护装置，末端叶子节点为继电保护装置的定值，装置是否属于同一类的对比，继电保护装置聚类过程的可视化包括两列定值的一一对比展示。

所述继电保护装置聚类结果的可视化是根据专家知识库的专家知识前提下用于展示每个已有属类的装置具有错误聚类的展示模块。

于错误聚类的装置有两种错误聚类：

第一种错误聚类是指继电保护装置不属于该类，应另起新类；针对第一种错误聚类的情况，计算f_i的值，并将该分类函数值赋给阀值l_i以确保后续聚类具有更高的门槛。

第二种错误聚类是指继电保护装置不属于该类，应属于他类。针对第二中错误聚类的情况，计算f_i，将该分类函数值赋给阀值l_i提高门槛，然后提示该类在专家知识的指导下应属于已有类的哪一类。在专家知识选择完错误装置（设为C）所属的类（设为D）后，并让专家选择出集合D={d₁,d₂,d₃,d₄,d₅,d₆,…}与集合C={c₁,c₂,c₃,c₄,c₅,c₆,…}的交集，将一一对应的交集作为同一定值名称记录至配置文档，作为聚类模块的训练初始化经验。

本发明提供了一种基于非监督学习的继电保护装置聚类方法，从非监督学习、继电保护装置定值、专家知识库等三个角度实现了继电保护装置的自动聚类，使得在少量人工干预的情况下继电保护装置的分类成为可能。非监督学习的本质是解决继电保护装置的少样本高维统计学习。继电保护装置定值确保装置从使用功能的角度划分装置类型，专家知识从人工反馈的角度提高聚类的精确性。该方法结合了机器的计算性能优势和专家的预判性优势，克服了高维少样本统计学习的困难为生产系统中的海量继电保护装置进行分类，同时，利用专家知识的反馈，解决了海量继电保护装置分类困难的问题，实现了装置精确的自动聚类，提高了电网故障数据在电力二次系统中传输的精准性和可靠性。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1为本发明的一种基于非监督学习的继电保护装置聚类方法的装置类型交集示意图；

图2为本发明的一种基于非监督学习的继电保护装置聚类方法的框架示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

继电保护装置的分类不仅仅是将装置按厂家按型号的分类，还包括同一厂家同一型号不同功能的装置分类和不同型号同一功能的装置分类，如某一型号的线路保护装置和主变保护装置的划分。因此，本发明以保护装置设定的定值名称作为聚类的基础，其定值名称是继电保护装置判定电网故障上送至信息系统的数据字典。

如图2所示，本发明的一种基于非监督学习的继电保护装置聚类方法，包括：继电保护装置数据预处理模块、非监督学习的装置聚类模块、可视化模块。其方法步骤包括如下：

如图2所示，本发明具体实施例提供了非监督学习的继电保护装置聚类方法，包括：

步骤1：读取全省电网故障信息系统中的所有继电保护装置，将装置按父节点为变电站，子节点为继电保护装置，叶节点为装置定值的层次树进行展示。

本实施例假定已分好类的装置类型为集合A，集合B，待分类的装置为集合C。集合A具有三个属性，{a₁,a₂,a₃,a₄,a₅,a₆,…},{w(a₁),w(a₂),w(a₃),w(a₄),w(a₅),w(a₆),…},{l_a,N_A},a_i（i=1,2,3,……）表示继电保护装置的定值名称；w(a_i)（i=1,2,3,……）表示与装置类型定值名称对应的权重向量，其元素值在0～1之间；l_a表示装置类型集合A的阀值，N_A表示装置类型A含有的定值数目，类似地集合B具有三个属性，{b₁,b₂,b₃,b₄,b₅,b₆,…},{w(b₁),w(b₂),w(b₃),w(b₄),w(b₅),w(b₆),…},{l_b,N_B}。待分类的集合C具有两个属性，{c₁,c₂,c₃,c₄,c₅,c₆,…},N_c,c_i（i=1,2,3,……）表示继电保护装置C的定值名称,l_b表示装置类型集合B的阀值;N_C表示待分类装置C含有的定值数目,N_B表示装置类型B含有的定值数目。装置C属于类型A或者类型B或者作为一个新的装置类型C，取决于{c₁,c₂,c₃,c₄,c₅,c₆,…}与集合A={a₁,a₂,a₃,a₄,a₅,a₆,…}、集合B={b₁,b₂,b₃,b₄,b₅,b₆,…}的交集。

步骤2：以装置定值为基础数据集合，按定值数量和定值名称对比，所有装置中完全能匹配的成为装置初始化类型。

继电保护装置数据预处理模块是指在无先验知识的情况下将字符串类型的定值名称转化为非监督学习的数学输入,同时完成非监督学习的装置聚类模块所需的初始化操作和归一化操作。某一功能的继电保护装置（线路保护装置）含有的定值名称具有数量多和数目不确定等特点。一套保护装置含有的定值数在10～200个之间，相对于机器学习领域来说，其特征向量的维数不确定，具有多维小样本特点。因此，所述初始化操作是指将所有继电保护装置作为一个大集合，以定值数目相等和定值名称完全匹配作为识别装置类型的特征，完成非监督学习数学输入所需要的装置类型初始化，形成完全匹配的装置类型，如集合A、集合B。

步骤3：继电保护装置数据归一化操作；归一化操作是指将集合A、B的权重向量属性w(x)={w(a₁),w(a₂),w(a₃),w(a₄),w(a₅),w(a₆),…}或者{w(b₁),w(b₂),w(b₃),w(b₄),w(b₅),w(b₆),…}中的元素赋值1，然后进行归一化，使得∑w(a_i)=1,i=1,2,3……。

本实施例中，权重向量w(x)系数赋予值1，归一化w(x)系数，使得∑w(x)=1，赋予阀值li值0.66667，i取所有初始化的装置类型，其中，X代指a_i或b_i，即表示继电保护装置的定值名称。

步骤4：按照本发明的非监督学习的装置聚类模块算法进行继电保护装置分类；所述非监督学习的装置聚类模块是指根据分类函数将待分类装置C划分到已有装置类型A或装置类型B中，或者成为一个新类C。而本实施例的非监督学习的装置聚类模块算法其采用的是分类函数f_i=(1-|N_i-N_c|/max(N_i,N_c))·∑w(i∩C),其中（i=A，B）；∑w(i∩C)表示集合A或者集合B与集合C进行相交，如图1所示，相应地交集与权重向量w(x)一一映射，然后将对相交的权重向量求和。

若f_a>l_a，则装置C有可能属于类A，需要搜索所有类，以确定装置C是否属于其他类。将集合C={c₁,c₂,c₃,c₄,c₅,c₆,…}与B={b₁,b₂,b₃,b₄,b₅,b₆,b₇,…}进行相交运算，交集对应的权重向量求和∑w(B∩C)。若同时f_b>l_b，则出现冲突，求f_a和f_b的最大值，装置C则属于分类函数值最大的类。该类的与类C的交集权重乘以系数t，其他类与类C的交集权重除以t，然后对所有类的权重向量进行归一化操作。

若f_a≤l_a,则C集合与A集合为非同一类型，交集权重除以t，然后对类A的权重向量进行归一化操作；若同时f_b≤l_b,则C集合与B集合为非同一类型，交集权重除以t，然后对类B的权重向量进行归一化操作，则装置C应另起新类。

步骤5：将已划分好类的装置聚类结果进行可视化，根据专家知识对已划分好类的装置进行正确和错误聚类选择，并记录错误聚类的数据字典，跳转到步骤3直至所有装置完全正确分类。

本实施例实现可视化其采用了可视化模块，可视化模块包括继电保护装置聚类过程的可视化和继电保护装置聚类结果的可视化。

所述继电保护装置聚类过程的可视化是指装置在聚类过程中将所有变电站的继电保护装置和装置定值以树的形式进行展示。树的父节点为变电站，第二层子节点为变电站中包含的继电保护装置，末端叶子节点为继电保护装置的定值。装置是否属于同一类的对比，继电保护装置聚类过程的可视化包括两列定值的一一对比展示。

所述继电保护装置聚类结果的可视化是指在专家知识的前提下每个已有属类的装置具有错误聚类的展示模块。对于错误聚类的装置有两种错误聚类可能。第一种错误聚类是指继电保护装置不属于该类，应另起新类；第二种错误聚类是指继电保护装置不属于该类，应属于他类。针对第一种错误聚类的情况，计算f_i的值，并将该分类函数值赋给阀值l_i以确保后续聚类具有更高的门槛。针对第二中错误聚类的情况，计算f_i，将该分类函数值赋给阀值l_i提高门槛，然后提示该类在专家知识的指导下应属于已有类的哪一类。在专家知识选择完错误装置（设为C）所属的类（设为D）后，并让专家选择出集合D={d₁,d₂,d₃,d₄,d₅,d₆,…}与集合C={c₁,c₂,c₃,c₄,c₅,c₆,…}的交集，将一一对应的交集作为同一定值名称记录至配置文档，作为聚类模块的训练初始化经验。

本发明提供了一种基于非监督学习的继电保护装置聚类方法，如图2所示，从非监督学习、继电保护装置定值、专家知识库等三个角度实现了继电保护装置的自动聚类，使得在少量人工干预的情况下继电保护装置的分类成为可能。非监督学习的本质是解决继电保护装置的少样本高维统计学习。继电保护装置定值确保装置从使用功能的角度划分装置类型，专家知识从人工反馈的角度提高聚类的精确性。该方法结合了机器的计算性能优势和专家的预判性优势，克服了高维少样本统计学习的困难为生产系统中的海量继电保护装置进行分类，同时，利用专家知识的反馈，解决了海量继电保护装置分类困难的问题，实现了装置精确的自动聚类，提高了电网故障数据在电力二次系统中传输的精准性和可靠性。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于非监督学习的继电保护装置聚类方法，其特征在于，其方法步骤包括如下：

步骤一：读取电网故障信息系统中的所有继电保护装置，将所有装置按父节点为变电站，子节点为继电保护装置，叶节点为装置定值的层次树进行展示；

步骤二：继电保护装置数据预处理步骤的初始化操作；在无先验知识的情况下将字符串类型的定值名称转化为非监督学习的数学输入,同时完成非监督学习的装置聚类模块所需的初始化操作和归一化操作；

所述初始化操作是以装置定值为基础数据集合，按定值数量和定值名称对比，所有装置中完全能匹配的成为装置初始化类型；

设所有初始化的已有装置类型集合i,其具有三个属性，{a₁,a₂,a₃,a₄,a₅,a₆,…},{w(a₁),w(a₂),w(a₃),w(a₄),w(a₅),w(a₆),…},{l_i,N_i},其中，a_i表示继电保护装置的定值名称，w(a_i)表示与装置类型定值名称对应的权重向量，i值为自然数，l_i表示装置类型阈值，N_i表示已有装置类型集合i含有的定值数目；

步骤三：继电保护装置数据归一化操作；将权重向量w(x)系数赋予值1，归一化w(x)系数，使得∑w(x)＝1，赋予类型l_i值为0～1，i取所有初始化的已有装置类型集合；w(a_i)的元素值为0～1，x为a_i；

步骤四：非监督学习的装置聚类操作；根据分类函数将待分类装置集合C划分到所有初始化的已有装置类型集合i中，或者成为一个新装置类型集合C,按照非监督学习的装置聚类公式算法进行继电保护装置分类；所述非监督学习的装置聚类公式分类函数为：

f_i＝(1-|N_i-N_c|/max(N_i,N_c))·∑w(i∩C),其中i为自然数；∑w(i∩C)表示集合i与集合C进行相交，N_C表示待分类装置类型集合C含有的定值数目；

当f_i＞l_i时，则待分类装置集合C属于已有装置类型集合i；

当f_i≤l_i,则待分类装置集合C与已有装置类型集合i为非同一类型，待分类装置集合C与已有装置类型集合i的交集权重除以t，然后对已有装置类型集合i的权重向量进行归一化操作，则待分类装置集合C应另起新类；

步骤五：将已划分好类的装置聚类结果进行可视化，通过可视化进行正确和错误聚类选择，并记录错误聚类的数据字典，跳转到步骤三直至所有装置完全正确分类。

2.根据权利要求1所述基于非监督学习的继电保护装置聚类方法，其特征在于，在所述步骤四中，若f_i＞l_i时，同时，另一已有装置类型集合m的f_m＞l_m,其中，m为自然数，且m不等于i，则比较f_i、f_m值大小，若f_i＞f_m，则待分类装置类型集合C属于已有装置类型集合i，反则属于已有装置类型集合m。

3.根据权利要求1所述基于非监督学习的继电保护装置聚类方法，其特征在于，在所述步骤一中，所述装置定值以保护装置设定的定值名称作为聚类的基础，定值名称是继电保护装置判定电网故障上送至信息系统的数据字典。

4.根据权利要求1或3所述基于非监督学习的继电保护装置聚类方法，其特征在于，在所述步骤二中，所述初始化操作是指将所有继电保护装置作为一个大集合，以定值数目相等和定值名称完全匹配作为识别装置类型的特征，完成非监督学习数学输入所需要的装置类型初始化，形成完全匹配的装置。

5.根据权利要求1所述基于非监督学习的继电保护装置聚类方法，其特征在于，所述可视化包括继电保护装置聚类过程的可视化和继电保护装置聚类结果的可视化，所述继电保护装置聚类过程的可视化是指继电保护装置在聚类过程中将所有变电站的继电保护装置和装置定值以树的形式进行展示；树的父节点为变电站，第二层子节点为变电站中包含的继电保护装置，末端叶子节点为继电保护装置的定值，根据继电保护装置的定值判断继电保护装置是否属于同一类的对比，继电保护装置聚类过程的可视化包括两列定值的一一对比展示；

所述继电保护装置聚类结果的可视化是根据专家知识库的专家知识前提下用于展示每个已有属类的装置具有错误聚类的展示模块。

6.根据权利要求1或5所述基于非监督学习的继电保护装置聚类方法，其特征在于，在所述步骤五中，对于错误聚类的装置有两种错误聚类：

第一种错误聚类是指继电保护装置不属于该类，应另起新类；对于该错误聚类的情况，计算f_i的值，并将该分类函数值赋给阈值l_i以确保后续聚类具有更高的门槛；

第二种错误聚类是指继电保护装置不属于该类，应属于他类；针第二种错误聚类的情况，计算f_i，将该分类函数值赋给阈值l_i提高门槛，然后提示该类在专家知识的指导下应属于已有类的哪一类；依据专家知识库选择完错误装置所属的类后，并选择出错误装置集合与该错误装置所属的类集合的交集，将一一对应的交集作为同一定值名称记录至配置文档，作为聚类模块的训练初始化基础。