CN110796371A - 一种智能变电站安全措施校核方法 - Google Patents

Abstract

本发明公开了一种智能变电站安全措施校核方法，涉及变电站技术领域，所述方法包括如下步骤：采集站内智能电力监测装置IED在线监测数据；通过所述在线监测数据对深度神经网络DNN网络进行学习训练以建立表示状态数据与操作动作的映射关系数据库；根据所述映射关系数据库对变电站设备状态数据进行检测以完成二次在线安措的校验。本发明方法首先对智能变电站IED设备采集的周期性数据，再根据周期性数据进行DNN网络自主训练，随后建立状态数据与安全措施的映射关系数据库，最后对实时设备状态数据进行检测，并完成二次安措的校验，从而形成一套通用且可靠的安全措施自适应校验方法。

Description

一种智能变电站安全措施校核方法

技术领域

本发明涉及变电站技术领域，特别是一种智能变电站安全措施校核方法。

背景技术

随着我国电力行业的发展，新技术的应用，作为智能电网的重要组成部分之一的智能变电站，成为未来变电站的发展趋势。实现坚强智能电网建设，在全球能源和环境危机的背景下，是现代电网发展目标成为了必然趋势。智能变电站作为智能电网的核心，担负着电能传输和变换的重任，是智能电网最重要的组成部分，对电网的安全稳定运行有着直接影响。

智能变电站二次系统的一大特点突出的表现为物理的通信网络承载功能逻辑信号，因此智能变电站二次系统变得抽象。与常规变电站不同的是在进行二次设备安措的操作是由多种操作组合而成，存在操作要求不明显、压板数量多等问题。

配电运营商在一定指导意见上规范了检修工作期间的具体实施方式，但在实际实施过程中可能会导致保护装置误闭锁，同时还会影响设备组件的使用寿命，不利于智能变电站的稳定运行。

因此，针对智能变电站二次系统研究出一套通用且可靠的安全措施自适应校验方法十分必要。

发明内容

有鉴于现有技术的上述缺陷，本发明的目的就是提供一种智能变电站安全措施校核方法，提出一套通用且可靠的安全措施自适应校验方法。

本发明的目的之一是通过这样的技术方案实现的，一种智能变电站安全措施校核方法，所述方法包括如下步骤：

采集站内智能电力监测装置IED在线监测数据；

通过所述在线监测数据对深度神经网络DNN网络进行学习训练以建立表示状态数据与操作动作的映射关系数据库；

根据所述映射关系数据库对变电站设备状态数据进行检测以完成二次在线安措的校验。

可选的，采集站内智能电力监测装置IED在线监测数据之后，所述方法还包括：

基于所述在线监测数据构建相似矩阵进行数据预处理；

确定数据预处理后的监测数据变量之间的相似度以生成安措样本数据库。

可选的，基于所述在线监测数据构建相似矩阵进行数据预处理，包括：基于所述在线监测数据根据余弦相似度原理构建状态数据相似矩阵。

可选的，确定数据预处理后的监测数据变量之间的相似度以生成安措样本数据库，满足：

在线监测数据之间的余弦相似度S满足：

0≤S<0.4时，则监测数据变量之间不相关；

0.4≤S<0.8时，则监测数据变量之间相关；

0.8≤S<1时，则监测数据变量之间强相关。

可选的，在通过所述在线监测数据对DNN网络进行学习训练以建立表示状态数据与操作动作的映射关系数据库之前，所述方法还包括：利用逐层训练的方式建立DNN。

可选的，通过所述在线监测数据对DNN网络进行学习训练以建立表示状态数据与操作动作的映射关系数据库，包括：

以无监督的学习方式，对DNN进行逐层训练，将预处理后的数据作为输入数据进行样本数据特征的学习获得学习模型；

基于所述学习模型，以有监督学习方式对DNN参数进行微调以建立表示状态数据与操作动作的映射关系数据库。

可选的，将预处理后的数据作为输入数据进行样本数据特征的学习获得学习模型之后，所述方法还包括：

堆叠多个自动编码器DAE以获得DNN的隐藏层；

通过训练样本对所述隐藏层进行逐层训练以获得学习模型。

可选的，以有监督学习方式对DNN参数进行微调，包括：

通过BP算法对所述学习模型的输出进行有监督微调，满足：

其中，y^m表示学习模型的最后一层的输出，N表示训练网络的数量，表示最后一层隐藏层的输出。

由于采用了上述技术方案，本发明具有如下的优点：本发明方法首先对智能变电站IED设备采集的周期性数据，再根据周期性数据进行DNN网络自主训练，随后建立状态数据与安全措施的映射关系数据库，最后对实时设备状态数据进行检测，并完成二次安措的校验，从而形成一套通用且可靠的安全措施自适应校验方法。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。

附图说明

本发明的附图说明如下：

图1为本发明实施例流程图；

图2为本发明实施例DNN网络自主学习原理图；

图3为本发明实施例预训练和微调流程图；

图4为本发明实施例不同层数下深度网络的训练误差与校验错误率。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例

本发明的目的之一是通过这样的技术方案实现的，一种智能变电站安全措施校核方法，所述方法包括如下步骤：

采集站内智能电力监测装置IED在线监测数据；

通过所述在线监测数据对深度神经网络DNN网络进行学习训练以建立表示状态数据与操作动作的映射关系数据库；

根据所述映射关系数据库对变电站设备状态数据进行检测以完成二次在线安措的校验。

本发明方法首先对智能变电站IED设备采集的周期性数据，再根据周期性数据进行DNN网络自主训练，随后建立状态数据与安全措施的映射关系数据库，最后对实时设备状态数据进行检测，并完成二次安措的校验，从而形成一套通用且可靠的安全措施自适应校验方法。

可选的，采集站内智能电力监测装置IED在线监测数据之后，所述方法还包括：

基于所述在线监测数据构建相似矩阵进行数据预处理；

确定数据预处理后的监测数据变量之间的相似度以生成安措样本数据库。

可选的，基于所述在线监测数据构建相似矩阵进行数据预处理，包括：基于所述在线监测数据根据余弦相似度原理构建状态数据相似矩阵。

可选的，确定数据预处理后的监测数据变量之间的相似度以生成安措样本数据库，满足：

在线监测数据之间的余弦相似度S满足：

0≤S<0.4时，则监测数据变量之间不相关；

0.4≤S<0.8时，则监测数据变量之间相关；

0.8≤S<1时，则监测数据变量之间强相关。

具体的说，在本实施例中，本发明方法包括：

步骤1，在二次系统中采集智能变电站内IED设备数据。

步骤2，对所采集的周期性数据进行预处理。

预处理的过程为：基于余弦相似度原理构建状态数据相似矩阵，将个体的指标数据映射到向量空间，计算两个向量之间的夹角余弦值作为两个变量之间的相似性度量。

例如，状态数据为：

{x₁,x₂,x₃,…}

不同时间内的数据为：

{x′₁,x′₂,x′₃,…}

相似矩阵S满足：

根据实际情况设定相似度阈值来确定变量之间的相似度。阈值设定：

可选的，在通过所述在线监测数据对DNN网络进行学习训练以建立表示状态数据与操作动作的映射关系数据库之前，所述方法还包括：利用逐层训练的方式建立DNN。

可选的，通过所述在线监测数据对DNN网络进行学习训练以建立表示状态数据与操作动作的映射关系数据库，包括：

以无监督的学习方式，对DNN进行逐层训练，将预处理后的数据作为输入数据进行样本数据特征的学习获得学习模型；

基于所述学习模型，以有监督学习方式对DNN参数进行微调以建立表示状态数据与操作动作的映射关系数据库。

具体的说，在本实施例中，本发明方法还包括：

步骤3，深度学习方法利用逐层训练的方式建立深度神经网络(DNN)，训练采集的周期性IED状态数据。

如图2所示，基于去噪自动编码机原理，其基本单元事一个3层的非监督神经网络，分为编码网络和解码网络两个部分，编码网络将预处理数据作为输入数据转换为编码矢量，然后通过解码网络将编码矢量重构为代表安措操作的输出数据。由于在输出层对输入数据进行重构，使得编码矢量作为输入数据的一种特征表示。

给定一个无标签的数据样本集x^m，编码网络通过编码函数f_θ将训练样本x^m变换为编码矢量z^m，即

z^m＝f_θ(x^m)＝s_f(Wx^m+b)

式中：m为样本集内各样本数据维数；s_f是编码网络的激活函数；θ为编码网络的参数集合，且θ＝{W,b}。然后通过解码函数g_θ将编码矢量z^m反向变换为x^m的重构表示y^m，即

y^m＝g_θ(z^m)＝s_g(W′z^m+d)

式中：s_g为解码网络的激活函数；θ′为解码网络的参数集合，θ′＝{W′,b}。自动编码机通过最小化输入x^m和输出的y^m的重构误差R(x,y)，保证操作分类的准确性，完成网络基本单元的训练

式中：n为样本总个数。通过编码网络和解码网络，如果能很好地将输入x^m重构为输出y^m，则输出数据保留了输入数据的主要信息，但由于设备所处的环境复杂、工况多样，使得样本数据容易受到干扰，只保留x^m的信息，并不足以使自动编码机获得一种有效的特征表示。因此，要给自动编码机一定的约束，使它学习到一种鲁棒的特征表示，降低DAE对微小随机扰动的敏感性，提高特征表达的鲁棒性。

DAE通过重构含有噪声的样本数据解决这个问题，在输入样本数据x中加入一种分布形式为qD的噪声，变为x′，通过编码网络，将x′编码为编码矢量z，通过z重构出输入得到y，然后最小化x，y的重构误差R(x,y)，通过随机梯度下降算法一步步优化代价函数，从含有噪声的输入x′中，最大化重构原始输入数据x。

可选的，将预处理后的数据作为输入数据进行样本数据特征的学习获得学习模型之后，所述方法还包括：

堆叠多个自动编码器DAE以获得DNN的隐藏层；

通过训练样本对所述隐藏层进行逐层训练以获得学习模型。

具体的说，在本实施例中，本发明方法还包括：

步骤4，根据自主训练后的数据，建立状态数据与安全措施的映射关系库。

如图3所示，深度学习的网络预训练是利用无监督的方法，将多个DAE堆叠起来，形成网络的隐层结构。具体方式如下：

首先使用训练样本x^m训练第1层DAE1，将x^m通过编码网络，得到编码矢量

式中，θ₁为DAE1的参数。这样

就获得了x^m的主要信息，然后利用

训练第2层DAE2，得到编码矢量

也即累计的逐层训练。

重复上述步骤，直到将网络训练完毕，得到最终的编码矢量为：

式中，N为网络训练的层数。通过预训练，把多个DAE串联起来，构成整个网络的隐层，从而实现对数据的层层提取。

可选的，以有监督学习方式对DNN参数进行微调，包括：

通过BP算法对所述学习模型的输出进行有监督微调，满足：

其中，y^m表示学习模型的最后一层的输出，N表示训练网络的数量，

表示最后一层隐藏层的输出。

具体的，在本实施例中，当预训练结束以后，则需要一层具有分类功能的输出层来判断安措校核结果，使用BP算法对深度学习网络进行有监督微调，其输出层输出表示为：

式中，θ_N+1是输出层的参数。

最后，步骤5，根据映射关系数据库，对实时设备状态数据进行检测，完成二次安措校验，在本实施例中，建立表示状态数据与操作动作的非线性映射关系数据库，与训练和微调深度学习网络，具备安措校核能力。

当训练集批量作为输入进入DNN网络，DNN网络即对IED的状态数据进行特征学习训练，随着训练数据不断输入，识别率逐渐升高。DNN层数对准确率影响较大，训练样本在不同层数下的训练速度与校核结果有着不同的表现：层数少在特征的前期学习速度较快，但随着迭代次数的增加学习效率逐渐变差；层数多的网络会拖累训练速度，达到同样的校核准确率耗时相对更长。

针对二次系统中状态数据，不同层数对深度网络的训练误差与错误率的影响如图4所示。当训练集批量作为输入进入DNN网络，DNN网络即对IED的状态数据进行特征学习训练，随着训练数据不断输入，识别率逐渐升高。DNN层数对准确率影响较大，训练样本在不同层数下的训练速度与校核结果有着不同的表现：层数少在特征的前期学习速度较快，但随着迭代次数的增加学习效率逐渐变差；层数多的网络会拖累训练速度，达到同样的校核准确率耗时相对更长。

在本实施例中，DNN层数为5层时，训练误差率变现最好在迭代次数为200时保持在10-10，且安措校核错误也在200次迭代后与6层DNN错误率一致保持在0.09，故本实施例中，二次安措校核DNN的训练层数选择为5层。

综上，本发明首先对智能变电站IED设备采集的周期性数据基于预先相似原理进行预处理，再根据预处理后的数据进行DNN网络自主训练(即深度学习)，其过程如下：首先以无监督的学习方式，对DNN进行逐层训练，将预处理后的数据作为输入数据导入，学习样本数据的特征；然后以有监督学习方式对DNN参数进行微调，完成安措操作样本库的搭建，进行自适应安措校核。随后建立状态数据与安全措施的映射关系数据库，将多个DAE堆叠起来，形成网络的隐层结构，最后对实时设备状态数据进行检测，并完成二次安措的校验。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的保护范围之内。

Claims (8)

1.一种智能变电站安全措施校核方法，其特征在于，所述方法包括如下步骤：

采集站内智能电力监测装置IED在线监测数据；

通过所述在线监测数据对深度神经网络DNN网络进行学习训练以建立表示状态数据与操作动作的映射关系数据库；

根据所述映射关系数据库对变电站设备状态数据进行检测以完成二次在线安措的校验。

2.如权利要求1所述的方法，其特征在于，采集站内智能电力监测装置IED在线监测数据之后，所述方法还包括：

基于所述在线监测数据构建相似矩阵进行数据预处理；

确定数据预处理后的监测数据变量之间的相似度以生成安措样本数据库。

3.如权利要求2的方法，其特征在于，基于所述在线监测数据构建相似矩阵进行数据预处理，包括：基于所述在线监测数据根据余弦相似度原理构建状态数据相似矩阵。

4.如权利要求3的方法，其特征在于，确定数据预处理后的监测数据变量之间的相似度以生成安措样本数据库，满足：

在线监测数据之间的余弦相似度S满足：

0≤S<0.4时，则监测数据变量之间不相关；

0.4≤S<0.8时，则监测数据变量之间相关；

0.8≤S<1时，则监测数据变量之间强相关。

5.如权利要求2的方法，其特征在于，在通过所述在线监测数据对DNN网络进行学习训练以建立表示状态数据与操作动作的映射关系数据库之前，所述方法还包括：利用逐层训练的方式建立DNN。

6.如权利要求2的方法，其特征在于，通过所述在线监测数据对DNN网络进行学习训练以建立表示状态数据与操作动作的映射关系数据库，包括：

以无监督的学习方式，对DNN进行逐层训练，将预处理后的数据作为输入数据进行样本数据特征的学习获得学习模型；

基于所述学习模型，以有监督学习方式对DNN参数进行微调以建立表示状态数据与操作动作的映射关系数据库。

7.如权利要求6的方法，其特征在于，将预处理后的数据作为输入数据进行样本数据特征的学习获得学习模型之后，所述方法还包括：

堆叠多个自动编码器DAE以获得DNN的隐藏层；

通过训练样本对所述隐藏层进行逐层训练以获得学习模型。

8.如权利要求7的方法，其特征在于，以有监督学习方式对DNN参数进行微调，包括：

通过BP算法对所述学习模型的输出进行有监督微调，满足：

其中，y^m表示学习模型的最后一层的输出，N表示训练网络的数量，

表示最后一层隐藏层的输出。

Images