CN105425768B - 一种电力二次设备监测装置及方法 - Google Patents

Abstract

本发明提出了一种电力二次设备监测装置，包括：二次设备状态监测服务器和至少一个二次设备状态监测终端；其中，二次设备状态监测服务器，接收二次设备状态监测终端传输的监测数据；二次设备状态监测终端，用于对二次设备的状态进行监测，并将获得的监测数据发送给二次设备状态监测服务器；二次设备状态监测服务器和二次设备状态监测终端通过有线或无线方式连接。本发明还提出了一种电力二次设备监测方法。本发明提出的电力二次设备监测系统和方法，提高了二次设备故障风险诊断的全面性和准确性。

Description

一种电力二次设备监测装置及方法

技术领域

本发明涉及电力设备监测领域，具体涉及一种电力二次设备监测装置及方法。

背景技术

电力设备的安全是电网安全、稳定、可靠运行的基础，对电力设备进行有效、准确的监测和诊断，是提高供电可靠性以及电网运行智能化水平的有效途径。随着电网和电力系统向超(特)高压、大容量、大系统迅猛发展，对安全可靠性要求也越来越高，电力系统迫切需要更为准确、快速的输变电设备状态在线监测与诊断技术，因此数据挖掘和信息融合技术将引领电网状态监测新方向，得到越来越广泛的应用。

随着电力市场的逐步开放，电力行业的竞争将加大，状态检修成为目前我国电力企业和各级科研机构研究的热门课题。我国改革开放以来，电力电子技术、计算机技术以及通信技术等的发展日新月异，为实现电力设备的状态检修奠定了坚实的基础。目前，我国学者针对电力一次设备的状态检修研究较多，但对一次设备实施保护、控制、监视、测量作用的二次设备的状态检修研究较少。

长期以来，我国二次设备一直沿用以时间为基础的定期检修制，例如传统的继电保护设备，根据相关的条例和规程要求，对继电保护设备、安全自动装置及二次回路进行定期检验。传统的定期检修方式在某种程度上可以确保二次设备的功能完好以及运行正常，但也存在着弊端，如果二次设备在两次检修之间出现缺陷或者故障，要等到下一次的设备检修或者装置功能失效时才能够被发现，而二次设备运行状态发生异常可能会对电力系统造成重大的损失。因此，迫切需要针对二次设备进行状态评价，合理地预估二次设备的运行状态，实行状态检修，有效配合一次设备的状态检修的同步发展，保证电力系统的稳定运行。

根据功能和作用的差异，电力设备可以分为一次设备和二次设备，其中二次设备主要包括继电保护设备、安自设备、自动化设备、直流设备以及通信设备等。二次设备的正常可靠的运行直接关系到电力系统的运行稳定以及一次设备的运行安全。在电网实际运行当中，经常可以发生由于二次设备的故障导致系统事故的情况。以继电保护为例，随着时代的发展和技术的进步，继电保护的正确动作率呈现出上升的趋势，但是不正确动作次数仍然较多，不可忽视。在继电保护运行实际中，保护运行人员、设计质量、制造质量、自然灾害以及操作失误等都有可能导致保护误动或者拒动。随着微电子技术和计算机技术的普及应用，使得新型继电保护设备的运行可靠性大大提高，与此同时，社会经济的发展和人民生活的需求在不断增加，线路不停电检修技术的应用和发展，促使传统的定期检修制度向状态检修方向变革。一次设备状态检修的大力推广，也将带动二次设备状态检修的转变。因此，二次设备急需在检修体制、检修策略以及检修周期等方面的深入研究和拓展，实现二次设备的状态检修势在必行，是电力系统发展的需要。

根据二次设备的状态参数来预估二次设备的故障风险，这是二次设备状态检修技术中的一项基本功能和基础功能，如何提高故障风险诊断的全面性和准确性是现有技术中需要解决的问题。

发明内容

至少部分的解决现有技术中所存在的问题，本发明提出一种电力二次设备监测装置，包括：二次设备状态监测服务器和至少一个二次设备状态监测终端；其中，

二次设备状态监测服务器，接收二次设备状态监测终端传输的监测数据；

二次设备状态监测终端，用于对二次设备的状态进行监测，并将获得的监测数据发送给二次设备状态监测服务器；

二次设备状态监测服务器和二次设备状态监测终端通过有线或无线方式连接。

所述的电力二次设备监测装置，其中，

所述二次设备状态监测服务器包括机器学习模型，用于对二次设备进行故障诊断，电力二次设备监测装置根据机器学习模型输出的故障风险值与给定的故障风险阈值之间的关系，判断所述二次设备存在的故障风险等级。

所述的电力二次设备监测装置，其中，所述给定的故障风险阈值包括阈值B、阈值C、阈值D，

当故障风险值小于阈值B时，表明所述二次设备运行正常；

当故障风险值大于等于阈值B小于阈值C时，表明所述二次设备可能有异常；

当故障风险值大于等于阈值C小于阈值D时，表明所述二次设备存在比较严重的缺陷；

当故障风险值大于等于阈值D时，表明所述二次设备存在严重缺陷。

所述的电力二次设备监测装置，其中，所述机器学习模型为支持向量机模型。

所述的电力二次设备监测装置，其中，每种二次设备分别采用各自对应的支持向量机模型进行故障诊断，支持向量机模型的输入向量为其对应二次设备的状态参数，即二次设备状态监测终端获得的监测数据。

所述的电力二次设备监测装置，其中，对所有二次设备采用一个支持向量机模型，得到所有二次设备的综合故障风险等级，采用以下状态参数作为支持向量机模型的输入向量：电子式互感器采样数据品质参数、合并单元采样数据品质参数、合并单元电源自检信息、变电站主要通信信道误码率、网络交换机接受和发送数据量之比、网络报文记录分析装置记录信息的完整程度、继电保护设备硬件模块自检信息、继电保护程序CRC校验码、继电保护设备与过程层设备通信传输速率、继电保护设备上送信息的完整程度、二次设备运行环境的温度参数、二次设备运行环境的湿度参数、智能终端发送的反馈报文正确率、断路器位置指示灯异常、不间断电源系统的工作环境参数、不间断电源系统的负载情况、不间断电源系统的工作时间、站用交流电源母线电压状况、变电站重要馈电线路电流状况、直流母线和馈线的绝缘状况、直流母线电压偏移程度、蓄电池荷电状态。

所述的电力二次设备监测装置，其中，二次设备的状态参数赋予权重后再作为支持向量机模型的输入向量参与故障诊断，其中，二次设备状态参数的权重计算过程：

步骤1、组织m位专家对二次设备的n个状态参数进行权重分配，每位专家独立的确定出n个状态参数的权重值为：

W_i1，W_i2，...，W_ij，...，W_in(1≤i≤m，1≤j≤n，)，其中，i表示第i位专家，j表示第j个状态参数，W_ij表示第i位专家给第j个状态参数所分配的权重值；

步骤2、求出m位专家给出的权重值的平均值：

步骤3、得出权重值和权重平值之间的偏差：

步骤4、对于偏差Δ_ij大于给定阈值的W_ij需要重新处理，反馈到第i位专家重新分配第j个状态参数的权重值，直至所有的Δ_ij满足要求为止。

本发明还提出一种电力二次设备监测方法，使用所述的电力二次设备监测装置对二次设备进行故障诊断，包括：

步骤100，二次设备状态监测终端对二次设备的状态进行监测，并将获得的监测数据，即二次设备的状态参数，发送给二次设备状态监测服务器；

步骤200，二次设备状态监测服务器接收二次设备状态监测终端传输的监测数据；

步骤300，二次设备状态监测服务器中的支持向量机模型根据接收的二次设备的状态参数，对二次设备进行故障诊断。

所述的电力二次设备监测方法，在步骤300之前还包括训练所述支持向量机模型的过程：

首先将训练集和测试集采用相同的方法进行归一化处理，以训练集作为支持向量机的训练样本，通过不断地优化核函数参数来训练支持向量机，如果故障诊断结果的正确率达不到要求，则需要对核函数的参数范围进行重新选择，直到诊断结果的正确率达到要求为止，此时得到满足要求的支持向量机模型，最后用测试集验证所训练的支持向量机对故障的诊断结果是否正确。

所述的电力二次设备监测方法，其中，采用所述支持向量机模型进行二次设备故障诊断具体包括：

(1)获取具有明确故障结论的电力二次设备样本数据，将二次设备样本数据分为训练集和测试集，并对二次设备样本数据按照故障风险等级进行分类；

(2)将二次设备样本数据转化为矩阵，并且采用相同的方法，分别对训练集和测试集进行归一化处理；

(3)选择合适的核函数，首先输入较大的数据搜索范采用网格搜索法粗略地选择参数惩罚因子c和核函数δ，然后在粗略搜索的基础上，合理地减小数据搜索范围，利用网格搜索法精确地选择出最佳参数c和δ；

(4)利用训练集样本训练基于支持向量机的数据模型，并用测试集样本预测诊断结果是否达到要求，如果否，则返冋到步骤(3)重新选择核函数的参数范围；

(5)将需要诊断的二次设备状态参数数据代入模型中获得诊断结果。

所述的电力二次设备监测方法，其中，利用网格搜索法设置惩罚因子c的取值范围为[2^-10，2¹⁰]，步进为0.4；核函数参数δ的取值范围为[2^-10，2¹⁰]，步进为0.4，通过对支持向量机训练，惩罚因子c的最佳取值为0.83282，核函数参数δ的最佳取值为0.39227，支持向量机分类器选择参数的准确率为77.5536％。

所述的电力二次设备监测方法，其中，利用网格搜索法设置惩罚因子c的取值范围为[2^-10，2⁰]，步进0.2；核函数参数δ的取值范围为[2^-10，2⁰]，步进0.2，经过对支持向量机训练，惩罚因子c的最佳取值为0.40421，核函数参数δ最佳取值为1.00231，支持向量机分类器选择参数的准确率为93.1196％。

所述的电力二次设备监测方法，其中，利用网格搜索法设置惩罚因子c的取值范围[2⁰，2¹⁰]，步进0.2；核函数参数δ的取值范围为[2⁰，2¹⁰]，步进0.2，经过训练支持向量机，惩罚因子c的最佳取值为1.2986，核函数参数δ最佳取值为1.4093，支持向量机分类器选择参数的准确率为96.088％。

所述的电力二次设备监测方法，其中，利用网格搜索法设置惩罚因子c的取值范围为[2⁰，2¹⁰]，步进0.2，核函数参数δ的取值范围为[2^-10，2⁰]，步进0.2，通过训练支持向量机，惩罚因子c的最佳取值为23.2312，核函数参数δ最佳取值为0.025102，支持向量机分类器选择参数的准确率达到96.6598％。

所述的电力二次设备监测方法，其中，支持向量机采用基于粒子群优化的支持向量机，基于粒子群优化的支持向量机的建模过程为：

(1)初始化粒子群，通过调整粒子群惯性权重ω的方法对粒子群支持向量机的核函数δ和惩罚因子c进行优化，使参数c和δ构成一个微粒，即(c，δ)，并设最大速度为V_max，用pbest表示每个微粒的初始位置，用gbest表示粒子群中所有微粒的最好初始位置；

(2)评价每个微粒的适应度，计算每个微粒的最优位置；

(3)将优化后每个微粒的适应值与其历史最优位置pbest进行比较，如果当前适应值优于最优位置，则将适应值作为粒子当前的最好位置pbest；

(4)将优化后每个微粒的适应值与群体微粒的历史最优位置gbest进行比较，如果适应值优于群体微粒的历史最优位置gbest，则将适应值作为群体微粒的最优位置gbest；

(5)根据改进的粒子群算法调整当前微粒的速度和位置；

(6)当适应值满足条件时，迭代结束，否则返回第二步继续优化参数，当第六步完成后，就会优化出最佳的参数c和δ，这样就可以得到最理想的支持向量机模型，用此模型进行故障预测。

所述的电力二次设备监测方法，其中，设种群大小N＝20，惯性权重ω＝0.9，加速常数C₁＝1.4，C₂＝1.6，训练支持向量机，得到惩罚因子c的最佳取值为3.8326，核函数δ的最佳取值为0.50433，经粒子群算法优化，支持向量机分类器的分类准确率达到98.9234％。

所述的电力二次设备监测方法，其中，支持向量机采用基于遗传算法的支持向量机，基于遗传算法的支持向量机的建模过程为：

(1)初始化种群，生成一定数量的个体作为初始种群，每条染色体由(c，δ)组成，其中c为惩罚因子，δ为核函数；

(2)选定目标函数对初始种群进行支持向量机训练，把支持向量机的均方误差作为目标函数，计算每个个体的适应度；

(3)进行选择运算、交叉运算、变异运算得到新一代种群，对新产生的种群进行支持向量机训练；

(4)如果新产生的种群满足终止规则，则输出具有最大适应度的个体作为最优参数，用最优参数进行预测，否则增加进化代数，转入步骤(3)继续执行。

本发明提出的一种电力二次设备监测装置及方法，能够实时监测电力二次设备的状态参数，采用机器学习模型对二次设备的故障风险进行预估诊断，并且经过试验选择适当的状态参数作为机器学习模型的输入向量，同时考虑到不同状态参数对故障诊断产生的影响不同而为其设置不同的权重，而且采用各种方法提高了机器学习模型诊断的准确性。

附图说明

图1是本发明提出的电力二次设备监测装置的示意框图；

具体实施方式

下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述。这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

参见图1，本发明提出的一种电力二次设备监测装置，包括：二次设备状态监测服务器和至少一个二次设备状态监测终端；其中，

二次设备状态监测服务器，接收二次设备状态监测终端传输的监测数据；

二次设备状态监测终端，用于对二次设备的状态进行监测，并将获得的监测数据发送给二次设备状态监测服务器。

本实施例中，二次设备状态监测终端对不同的二次设备进行实时的状态检测，并将获得状态监测数据发送给二次设备状态监测服务器。一个二次设备状态监测终端可以仅对一个二次设备进行监测，也可以同时对多个二次设备进行监测。

设备状态评估主要指设备状态的技术评估，根据设备运行工况、负荷数据、各类状态检测数据、缺陷信息、故障和事故信息、检修数据等综合状态信息，依据规程标准、运行经验、设备厂家技术指标等判据，对设备的状态信息进行量化评分，从而判断评估设备的真实状态。

本发明将将二次设备状态分为四种：

A一正常状态：指设备资料齐全，运行及各种试验数据正常，容许个别数据稍有偏差，只要变化趋势稳定没有运行安全隐患的设备；

B一可疑状态：指存在不明原因的缺陷或某些试验数据表明设备可能有异常，但仍有某些不确定因素无法定论的设备；

C一可靠性下降状态：指设备存在比较严重的缺陷，或试验结果分析存在问题，且已基本确定隐患部位及原因，同时该隐患在短期内不会发展成事故的设备；

D一危险状态：是指设备存在严重缺陷，或根据试验数据，运行状况表明随时有发生事故的可能。

故障诊断，就是通过设备运行或检修时表现出的异常现象，对设备异常的程度、原因做出判断。

故障和征兆之间不存在简单的一一对应关系造成了故障诊断的困难性，由于设备故障与征兆之间关系的复杂性和设备故障的复杂性，形成了设备故障诊断是一种探索性的反复试验的特点，故障诊断过程是复杂的，各种数学诊断方法又各有优缺点，研究故障诊断的方法成为设备故障诊断技术这一学科的重点和难点，因此不能采用单一的方法进行诊断，而应将多种方法结合起来应用，以期得到最正确最接近事实的诊断结果，这也是今后诊断方法发展的方向。

本发明中的二次设备状态监测服务器可以包括各种机器学习模型，对二次设备进行故障诊断。根据机器学习模型输出的故障风险值与给定的故障风险阈值之间的关系，判断所述二次设备存在的故障风险等级。

所述给定的故障风险阈值包括阈值B、阈值C、阈值D，

当故障风险值小于阈值B时，表明所述二次设备运行正常；

当故障风险值大于等于阈值B小于阈值C时，表明所述二次设备可能有异常；

当故障风险值大于等于阈值C小于阈值D时，表明所述二次设备存在比较严重的缺陷；

当故障风险值大于等于阈值D时，表明所述二次设备存在严重缺陷。

本发明的一个实施例采用支持向量机模型对二次设备进行故障诊断，每种二次设备分别采用各自对应的支持向量机模型进行故障诊断，支持向量机模型的输入向量为其对应二次设备的状态参数(即二次设备状态监测终端获得的监测数据)，根据支持向量机模型输出的故障风险值与给定的故障风险阈值之间的关系，判断所述二次设备存在的故障风险等级。

建立支持向量机模型是关键和难点。由于样本数据差值很大，需要将样本数据进行归一化处理。在处理样本之前，需要将样本数据分成两部分，一部分作为训练集，剩余的作为测试集。其模型训练的过程为：首先将训练集和测试集采用相同的方法进行归一化处理，以训练集作为支持向量机的训练样本，通过不断地优化核函数参数来训练支持向量机，如果故障诊断结果的正确率达不到要求，则需要对核函数的参数范围进行重新选择，直到诊断结果的正确率达到要求为止，此时即为最理想的支持向量机，最后用测试集验证所训练的向量机对故障的诊断结果是否正确。

支持向量机在二次设备故障诊断中的具体实现步骤可以表述如下：

(1)获取具有明确故障结论的电力二次设备样本数据，将二次设备样本数据分为训练集和测试集，并对二次设备样本数据按照故障风险等级进行分类；

(2)将二次设备样本数据转化为矩阵，并且采用相同的方法，分别对训练集和测试集进行归一化处理；

(3)选择合适的核函数，首先输入较大的数据搜索范采用网格搜索法粗略地选择参数惩罚因子c和核函数δ，然后在粗略搜索的基础上，合理地减小数据搜索范围，利用网格搜索法精确地选择出最佳参数c和δ；

(4)利用训练集样本训练基于支持向量机的数据模型，并用测试集样本预测诊断结果是否达到要求，如果否，则返同到步骤(3)重新选择核函数的参数范围；

(5)将需要诊断的二次设备状态参数数据代入模型中获得诊断结果。

为了使支持向量机分类器达到较高的分类准确率，避免在学习过程中出现“过学习”成者“欠学习”的情况，选择交叉验证优化支持向量机，采用网格搜索法来选择最优的核函数参数。其原理是将二次设备样本分为两部分，取其中的一部分作为训练集，剩余的一部分作为测试集。首先用训练集样本对支持向量机进行训练，利用网格搜索法选择得到最优参数，构造合适的决策函数，再用测试集样本来验证训练得到的支持向量机模型，以支持向發机分类器对故障判断的准确率作为评价支持向机分类器的性能指标。

样本数据预处理

本发明对于每种二次设备各收集了400组状态参数数据作为样本数据，每组数据都有明确的故障结论。将二次设备样本数据分成训练集样本和测试集样本，其中训练集有300个样本，剩余的100个样本作为测试集。将整理获得的400样本数据转化为矩阵，作为支持向量机的输入数据，

网格搜索法选取最佳参数c，δ

将归一化处理后的二次设备样本数据导入数据库，采用网格搜索法选择核函数最佳参数δ和惩罚因子c。综合考虑二次设备样本数据类型、数据量等因素，选择10折交叉验证法。将400个二次设备样本数据分成10组，取其中的8组合并作为训练集，剩下的作为测试集，经过训练，将获得10次分类准确率，最后取10次分类准确率的算数平均值作为支持向量机分类器的性能指标。

网格搜索法设置惩罚因子c的取值范围为[2^-10，2¹⁰]，步进为0.4；核函数参数δ的取值范围为[2^-10，2^10]，步进为0.4。通过对支持向量机训练，惩罚因子c的最佳取值为0.83282，核函数参数δ的最佳取值为0.39227，支持向量机分类器选择参数的准确率为77.5536％。

缩小网格搜索法的搜索范围，对支持向量机继续进行训练，以找到最优的参数，提高支持向量机分类器选择参数的准确率。网格搜索法设置惩罚因子c的取值范围为[2^-10，2⁰]，步进0.2；核函数参数δ的取值范围为[2^-10，2⁰]，步进0.2。经过对支持向量机训练，惩罚因子c的最佳取值为0.40421，核函数参数δ最佳取值为1.00231，支持向量机分类器选择参数的准确率为93.1196％。

网格搜索法设置惩罚因子c的取值范围[2⁰，2¹⁰]，步进0.2；核函数参数δ的取值范围为[2⁰，2¹⁰]，步进0.2。经过训练支持向量机，惩罚因子c的最佳取值为1.2986，核函数参数δ最佳取值为1.4093，支持向量机分类器选择参数的准确率为96.088％。

为了分析惩罚因子c和核函数参数δ对支持向量机分类器训练的影响，改变搜索范围，继续训练支持向量机。网格搜索法设置惩罚因子c的取值范围为[2⁰，2¹⁰]，步进0.2，核函数参数δ的取值范围为[2^-10，2⁰]，步进0.2。通过训练支持向量机，惩罚因子c的最佳取值为23.2312，核函数参数δ最佳取值为0.025102，支持向量机分类器选择参数的准确率达到96.6598％。

由以上分析不难得出：核函数参数δ值取得过大或者过小都会造成对二次设备样本的″欠学习”或者“过学习”。惩罚因子c起着调节最大分类间隔和最小化训练错误的作用，支持向量机分类器进行分类时，如果惩罚因子c值取得较大时，支持向量机的泛化能力较差；如果惩罚因子c取值较小时，支持向量机的泛化能力较好。如果惩罚因子c的值超过一定数值时，就会加大支持向量机的复杂程度，并使其达到数据空间所需的最大值。即使惩罚因子c的范围扩大，支持向量机的训练准确率将不断变化，但支持向量机的测试准确率不再发生变化。

采用网格搜索法获得惩罚因子c的最佳取值为23.2312，核函数参数δ最佳取值为0.025102，支持向量机分类器选择参数的准确率达到96.6598％。利用训练得到的符合要求的支持向量机分类器预测测试集，将测试集100个二次设备样本输入到支持向量机分类器，支持向量机对测试集样本的分类准确率达到93.36％。

本发明的支持向量机模型还可以采用基于粒子群优化的支持向量机，基于粒子群优化的支持向量机的建模过程为：

(1)初始化粒子群，通过调整粒子群惯性权重ω的方法对粒子群支持向量机的核函数δ和惩罚因子c进行优化，使参数c和δ构成一个微粒，即(c，δ)，并设最大速度为V_max，用pbest表示每个微粒的初始位置，用gbest表示粒子群中所有微粒的最好初始位置；

(2)评价每个微粒的适应度，计算每个微粒的最优位置；

(3)将优化后每个微粒的适应值与其历史最优位置pbest进行比较，如果当前适应值优于最优位置，则将适应值作为粒子当前的最好位置pbest；

(4)将优化后每个微粒的适应值与群体微粒的历史最优位置gbest进行比较，如果适应值优于群体微粒的历史最优位置gbest，则将适应值作为群体微粒的最优位置gbest；

(5)根据改进的粒子群算法调整当前微粒的速度和位置；

(6)当适应值满足条件时，迭代结束，否则返回第二步继续优化参数，当第六步完成后，就会优化出最佳的参数c和δ，这样就可以得到最理想的支持向量机模型，用此模型进行故障预测。

设种群大小N＝20，惯性权重ω＝0.9，加速常数C₁＝1.4，C₂＝1.6，训练支持向量机，得到惩罚因子c的最佳取值为3.8326，核函数δ的最佳取值为0.50433。经粒子群算法优化，支持向量机分类器的分类准确率达到98.9234％。

本发明的支持向量机模型还可以是采用基于遗传算法的支持向量机，基于遗传算法的支持向量机的建模过程为：

(1)初始化种群，生成一定数量的个体作为初始种群，每条染色体由(c，δ)组成，其中c为惩罚因子，δ为核函数；

(2)选定目标函数对初始种群进行支持向量机训练，把支持向量机的均方误差作为目标函数，计算每个个体的适应度；

(3)进行选择运算、交叉运算、变异运算得到新一代种群，对新产生的种群进行支持向量机训练；

(4)如果新产生的种群满足终止规则，则输出具有最大适应度的个体作为最优参数，用最优参数进行预测，否则增加进化代数，转入步骤(3)继续执行；

本发明中上述方法得到的c取值为50，δ取值为0.52时，分类准确率为94.5％。

对于不同种类的二次设备，其对应的支持向量机模型的输入向量不同，即输入的二次设备的状态参数不同，但是对于支持向量机的训练过程和故障诊断过程都是一样的。

上述实施例中对于不同的二次设备采用不同的支持向量机模型，还可以对所有二次设备采用一个支持向量机模型，得到所有二次设备的综合故障风险等级。对于所有二次设备采用一个支持向量机模型的情况，选择哪些状态参数作为支持向量机模型的输入向量需要综合考虑和不断试验，本发明采用以下状态参数作为支持向量机模型的输入向量：电子式互感器采样数据品质参数、合并单元采样数据品质参数、合并单元电源自检信息、变电站主要通信信道误码率、网络交换机接受和发送数据量之比、网络报文记录分析装置记录信息的完整程度、继电保护设备硬件模块自检信息、继电保护程序CRC校验码、继电保护设备与过程层设备通信传输速率、继电保护设备上送信息的完整程度、二次设备运行环境的温度参数、二次设备运行环境的湿度参数、智能终端发送的反馈报文正确率、断路器位置指示灯异常、不间断电源系统的工作环境参数、不间断电源系统的负载情况、不间断电源系统的工作时间、站用交流电源母线电压状况、变电站重要馈电线路电流状况、直流母线和馈线的绝缘状况、直流母线电压偏移程度、蓄电池荷电状态。

不论是对于不同的二次设备采用不同的支持向量机模型，还是对所有二次设备采用一个支持向量机模型，二次设备的不同状态参数对于二次设备的故障诊断具有不同的重要程度，因此需要对不同的状态参数赋予不同的权重，之后再作为支持向量机模型的输入向量参与故障诊断。

二次设备状态参数的权重计算过程：

步骤1、组织m位专家对二次设备的n个状态参数进行权重分配，每位专家独立的确定出n个状态参数的权重值为：

W_i1，W_i2，...，W_ij，...，W_in(1≤i≤m，1≤j≤n，)，其中，i表示第i位专家，j表示第j个状态参数，W_ij表示第i位专家给第j个状态参数所分配的权重值；

步骤2、求出m位专家给出的权重值的平均值：

步骤3、得出权重值和权重平值之间的偏差：

步骤4、对于偏差Δ_ij大于给定阈值的W_ij需要重新处理，反馈到第i位专家重新分配第j个状态参数的权重值，直至所有的Δ_ij满足要求为止。

本发明提出的一种电力二次设备监测装置及方法，能够实时监测电力二次设备的状态参数，采用机器学习模型对二次设备的故障风险进行预估诊断，并且经过试验选择适当的状态参数作为机器学习模型的输入向量，同时考虑到不同状态参数对故障诊断产生的影响不同而为其设置不同的权重，而且采用各种方法提高了机器学习模型诊断的准确性。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (2)

1.一种电力二次设备监测方法，使用电力二次设备监测装置对二次设备进行故障诊断，其中，所述电力二次设备监测装置包括：二次设备状态监测服务器和至少一个二次设备状态监测终端；其中，

二次设备状态监测服务器，接收二次设备状态监测终端传输的监测数据；

二次设备状态监测终端，用于对二次设备的状态进行监测，并将获得的监测数据发送给二次设备状态监测服务器；

二次设备状态监测服务器和二次设备状态监测终端通过有线或无线方式连接；其中，

所述二次设备状态监测服务器包括机器学习模型，用于对二次设备进行故障诊断，电力二次设备监测装置根据机器学习模型输出的故障风险值与给定的故障风险阈值之间的关系，判断所述二次设备存在的故障风险等级；

其中，所述机器学习模型为支持向量机模型；

其中，对所有二次设备采用一个支持向量机模型，得到所有二次设备的综合故障风险等级，采用以下状态参数作为支持向量机模型的输入向量：电子式互感器采样数据品质参数、合并单元采样数据品质参数、合并单元电源自检信息、变电站主要通信信道误码率、网络交换机接受和发送数据量之比、网络报文记录分析装置记录信息的完整程度、继电保护设备硬件模块自检信息、继电保护程序CRC校验码、继电保护设备与过程层设备通信传输速率、继电保护设备上送信息的完整程度、二次设备运行环境的温度参数、二次设备运行环境的湿度参数、智能终端发送的反馈报文正确率、断路器位置指示灯异常、不间断电源系统的工作环境参数、不间断电源系统的负载情况、不间断电源系统的工作时间、站用交流电源母线电压状况、变电站重要馈电线路电流状况、直流母线和馈线的绝缘状况、直流母线电压偏移程度、蓄电池荷电状态；

所述电力二次设备监测方法包括：

步骤100，二次设备状态监测终端对二次设备的状态进行监测，并将获得的监测数据，即二次设备的状态参数，发送给二次设备状态监测服务器；

步骤200，二次设备状态监测服务器接收二次设备状态监测终端传输的监测数据；

步骤300，二次设备状态监测服务器中的支持向量机模型根据接收的二次设备的状态参数，对二次设备进行故障诊断；

在步骤300之前还包括训练所述支持向量机模型的过程：

首先将训练集和测试集采用相同的方法进行归一化处理,以训练集作为支持向量机的训练样本,通过不断地优化核函数参数来训练支持向量机,如果故障诊断结果的正确率达不到要求,则需要对核函数的参数范围进行重新选择,直到诊断结果的正确率达到要求为止,此时得到满足要求的支持向量机模型,最后用测试集验证所训练的支持向量机对故障的诊断结果是否正确；

其中，采用所述支持向量机模型进行二次设备故障诊断具体包括：

(1)获取具有明确故障结论的电力二次设备样本数据,将二次设备样本数据分为训练集和测试集,并对二次设备样本数据按照故障风险等级进行分类；

(2)将二次设备样本数据转化为矩阵,并且采用相同的方法,分别对训练集和测试集进行归一化处理；

(3)选择合适的核函数,首先输入较大的数据搜索范采用网格搜索法粗略地选择参数惩罚因子c和核函数δ,然后在粗略搜索的基础上,合理地减小数据搜索范围,利用网格搜索法精确地选择出最佳参数c和δ；

(4)利用训练集样本训练基于支持向量机的数据模型,并用测试集样本预测诊断结果是否达到要求,如果否,则返冋到步骤(3)重新选择核函数的参数范围；

(5)将需要诊断的二次设备状态参数数据代入模型中获得诊断结果；

其中，支持向量机采用基于粒子群优化的支持向量机，基于粒子群优化的支持向量机的建模过程为：

(1)初始化粒子群,通过调整粒子群惯性权重ω的方法对粒子群支持向量机的核函数δ和惩罚因子c进行优化,使参数c和δ构成一个微粒,即(c,δ),并设最大速度为V_max，用pbest表示每个微粒的初始位置,用gbest表示粒子群中所有微粒的最好初始位置；

(2)评价每个微粒的适应度,计算每个微粒的最优位置；

(3)将优化后每个微粒的适应值与其历史最优位置pbest进行比较,如果当前适应值优于最优位置,则将适应值作为粒子当前的最好位置pbest；

(4)将优化后每个微粒的适应值与群体微粒的历史最优位置gbest进行比较,如果适应值优于群体微粒的历史最优位置gbest,则将适应值作为群体微粒的最优位置gbest；

(5)根据改进的粒子群算法调整当前微粒的速度和位置；

(6)当适应值满足条件时,迭代结束,否则返回第二步继续优化参数，当第六步完成后,就会优化出最佳的参数c和δ,这样就可以得到最理想的支持向量机模型,用此模型进行故障预测。

2.如权利要求1所述的电力二次设备监测方法，其中，设种群大小N＝20,惯性权重ω＝0.9,加速常数C₁＝1.4,C₂＝1.6,训练支持向量机，得到惩罚因子c的最佳取值为3.8326,核函数δ的最佳取值为0.50433，经粒子群算法优化,支持向量机分类器的分类准确率达到98.9234％。