CN115864644A - 一种继电保护装置状态评价方法、系统、设备及介质 - Google Patents
一种继电保护装置状态评价方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115864644A CN115864644A CN202211551760.2A CN202211551760A CN115864644A CN 115864644 A CN115864644 A CN 115864644A CN 202211551760 A CN202211551760 A CN 202211551760A CN 115864644 A CN115864644 A CN 115864644A
- Authority
- CN
- China
- Prior art keywords
- protection device
- relay protection
- state evaluation
- svm
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 97
- 238000013210 evaluation model Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 19
- 241000282461 Canis lupus Species 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000009413 insulation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 48
- 238000010586 diagram Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Abstract
本发明属于电力系统继电保护技术领域，具体公开了一种继电保护装置状态评价方法、系统、设备及介质；本发明提出了基于COA‑SVM的继电保护装置的状态评价模型，将COA算法用于优化SVM的惩罚因子和核函数参数，对COA‑SVM状态评价模型进行训练，获取继电保护装置状态评价指标，输入训练好的COA‑SVM状态评价模型对继电保护装置的运行状态进行评价，获得继电保护装置状态评价结果并输出继电保护装置状态评价结果；使得评价模型能够更加有效、准确的评价继电保护装置的健康状态；基于实时的继电保护装置评价指标数据，通过仿真对比实验验证出本发明所提出的状态评价模型具有较好的评价效果，可以为继电保护装置的运维提供决策支持。
Description
技术领域
本发明属于电力系统继电保护技术领域，具体涉及一种继电保护装置状态评价方法、系统、设备及介质。
背景技术
随着交直流混联电网的发展，保护设备的数量急剧增长，结构日益复杂，居民用电和工业用电对供电的稳定性要求也越来越高，给电网的运行、维护带来了巨大挑战。因此，对保护装置进行状态评价和状态检修，确保保护装置正常运行显得尤其重要。继电保护装置作为电力系统的第一道防线，其可靠运行是电力系统安全稳定的重要保证。为了确保保护装置正常工作，通常会对保护装置进行定期检修，但由于运维人员的编制相对固定及运维检修任务繁重等问题，在检修过程中会出现漏检、过检、盲检等情况，以及不能准确评价继电保护装置的健康状态，进而引发安全隐患。因此需要对保护装置在线监视获取保护装置的运行数据，并对保护装置的健康状态进行评价，将评价结果作为继电保护装置检修的主要依据。
根据继电保护装置的状态评价可以制定维护策略，有效提高继电保护装置的可靠性。目前，继电保护装置的状态评价方法主要有不确定理论、贝叶斯网络、云理论、灰色聚类方法、加权平均法等。以上所提出的评价方法，其中掺杂人为主观因素，人为主观判断的偏差会使得状态评价结果与实际情况存在一定程度的误差。针对以上方法中的不足，现有文献提出了智能评价方法，基于SVM(支持向量机算法，Support Vector Machine)算法进行状态评价，通过历史检修数据来训练状态评价模型，利用最优评价模型来开展继电保护装置的状态评价。其中SVM算法中惩罚因子和核函数参数的选取影响最终评价模型的准确率，现有文献分别采用GA算法和SSA算法优化SVM算法中的参数，以提高评价模型的准确率和有效性，但是继电保护装置状态评价指标体系的评价指标并不完善，使得评价结果与实际结果相悖。
现有技术的缺陷和不足：
1、用支持向量机来识别保护装置的状态，其算法中的核函数参数、惩罚因子的选取结果较差使得状态评价应用范围仅限于小样本情况，且状态评价的准确性有待提高；
2、在评价指标方面，状态指标选取与实际应用联系不紧密。继电保护状态指标多根据相关标准规范及人工巡检数据选取，对在线数据利用不够全面，不能保证获取信息的实时性；
3、保护设备结构和功能差异显著，影响运行状态的特征指标量大、种类繁多，合理选取表征设备运行状态的指标未满足可行性、准确性要求。
发明内容
为了克服现有技术的缺点，本发明的目的在于提供一种继电保护装置状态评价方法、系统、设备及介质，以解决状态评价的准确性不足，对在线数据利用不够全面，不能保证获取信息的实时性的问题。
为了达到上述目的，本发明采用以下技术方案实现：
第一方面，本发明提供一种继电保护装置状态评价方法，包括：
采用COA算法优化SVM算法的惩罚因子和核函数参数，基于训练集对COA-SVM状态评价模型进行训练，获得训练好的COA-SVM状态评价模型；
获取继电保护装置状态评价指标，将继电保护装置状态评价指标的相关数据输入训练好的COA-SVM状态评价模型对继电保护装置的运行状态进行评价，获得继电保护装置状态评价结果；
输出所述继电保护装置状态评价结果。
进一步的，所述继电保护装置状态评价指标包括检修指标和运行指标。
进一步的，所述检修指标包括家族缺陷率、反措未落实情况、绝缘性能、不正确动作率、设备故障次数，运行指标包括异常告警率、断路器误动次数、CPU温度、工作电压、断路器不动作次数、接收光功率、发送光功率。
进一步的，所述采用COA算法优化SVM算法的惩罚因子和核函数参数的步骤，具体包括：以SVM中的惩罚因子与核函数参数作为郊狼个体，经过COA的多次迭代以后，得到最优的惩罚系数C和核函数参数σ参数。
进一步的，所述采用COA算法优化SVM算法的惩罚因子和核函数参数，基于训练集对COA-SVM状态评价模型进行训练，获得训练好的COA-SVM状态评价模型的步骤，具体包括：
初始化SVM中惩罚系数C与核函数参数σ的取值，初始化COA算法中的郊狼部落个数Np以及每个部落中郊狼个数Nc；
假设COA算法的迭代次数为t，令t＝1；
挑选适应能力较强的郊狼个体，更新郊狼部落和个体数目，将训练集数据输入SVM中，利用现在的C和σ参数值输出当前的预测值，来计算适应度函数的值；适应度函数为：
式中，x(i)为实际值，
为预测值，N为训练集的长度；
更新SVM中C和σ参数，计算新的适应度，适应度满足预设要求或达到最大迭代次数时，终止算法并输出SVM的最优参数，输出训练好的COA-SVM状态评价模型。
进一步的，所述对COA-SVM状态评价模型进行训练的步骤中，将获取的继电保护装置状态评价指标，以矩阵的形式作为COA-SVM状态评价模型的输入，分类训练出健康、良好、异常、严重的分类边界。
进一步的，所述分类边界的具体划分方式为：
通过继电保护装置状态评价指标的采样数据到健康运行状态的距离来判断继电保护装置所处的运行状态；根据数据划分的最优超平面，其样本点的数据xi与最优超平面的距离d如下所示：
数据划分的最优超平面为：f(x)＝ω·+
ω为法向量，b为截距；根据距离d的大小来判断继电保护装置所处的运行状态；
当d＜-1，继电保护装置为严重状态；当-1≤d≤0，继电保护装置发生异常；当0＜d≤1，继电保护装置为良好状态；当d＞1，继电保护装置为健康状态。
第二方面，本发明一种继电保护装置状态评价系统，包括：
参数优化及状态评价模型训练模块，用于
采用COA算法优化SVM算法的惩罚因子和核函数参数，基于训练集对COA-SVM状态评价模型进行训练，获得训练好的COA-SVM状态评价模型；
继电保护装置状态的评价模块，用于获取继电保护装置状态评价指标，将继电保护装置状态评价指标的相关数据输入训练好的COA-SVM状态评价模型对继电保护装置的运行状态进行评价，获得继电保护装置状态评价结果；
继电保护装置状态评价结果输出模块，用于输出所述继电保护装置状态评价结果。
第三方面，本发明一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述中任一项所述的一种继电保护装置状态评价方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述中任一项所述的一种继电保护装置状态评价方法。
本发明至少具有以下有益效果：
1、本发明提出了基于COA-SVM的继电保护装置的状态评价模型，将COA算法用于优化SVM的惩罚因子和核函数参数，对COA-SVM状态评价模型进行训练，获取继电保护装置状态评价指标，输入训练好的COA-SVM状态评价模型对继电保护装置的运行状态进行评价，获得继电保护装置状态评价结果并输出继电保护装置状态评价结果；使得评价模型能够更加有效、准确的评价继电保护装置的健康状态；基于实时的继电保护装置评价指标数据，通过仿真对比实验验证出本发明所提出的状态评价模型具有较好的评价效果，可以为继电保护装置的运维提供决策支持。
2、本发明基于COA算法优化了SSA算法、SVM算法和PSO优化ELM算法中的参数；COA-SVM与SVM相比其准确率得到提升，验证出COA算法的有效性；COA-SVM与SSA-SVM模型相比，评价结果的准确率和时间均得到了一定的提升，表明COA-SVM在继电保护装置状态评价方面能够更好的应用；COA-SVM与PSO-ELM模型的对比，验证本发明提出的状态评价模型的有效性。
3、仿真结果表明，本发明所提出的状态评价模型的准确率达到了99.3％，能够更加准确且有效的评价继电保护装置的运行状态，并且可以为检修人员提供重要的检修依据。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为SVM算法分类思想示意图；
图2为继电保护装置状态评价指标体系图；
图3为继电保护装置状态评价流程图；
图4为SVM算法参数寻优结果图；
图5为COA-SVM算法仿真实验评价结果图；
图6为不同智能评价模型的仿真评价结果图；
图7为一种继电保护装置状态评价系统模块示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
一种继电保护装置状态评价方法，包括：
本发明采用郊狼优化算法(Coyote Optimization Algorithm，COA)对SVM算法的参数进行优化，构建出最优的COA-SVM状态评价模型，对继电保护健康状态进行分类。
(1)SVM算法原理
支持向量机(Support Vector Machine，SVM)算法是由Vapink等人，在1995年提出的一种基于统计学原理的机器学习算法。
对于线性可分问题的判别函数为f(x)＝Tx+b，当所有的训练数据都满足|f(xi)|≥1，且两类训练数据的间隔为
时，最优超平面能够将所有的训练数据正确分类。将样本最优分类，其SVM算法分类思想示意图如图1所示。
图1中L1：ω·x+b＝0，L2：ω·x+b＝+1，L3：ω·x+b＝-1，根据SVM算法的分类思想可知，线性可分问题的判别函数如下所示：
f(x)＝sign(ωTx+b)
对于非线性可分问题，引入非线性映射函数，将非线性数据映射至高维线性空间，通过在高维空间采用线性可分的方法来寻求最优超平面。
引入松弛变量ξi、
惩罚系数C，根据结构风险最小化原则，寻求ω和b的最优问题可以转换为：
引入Lagrange函数，将其转化为对偶问题，最后得出非线性可分问题的判别函数如下所示：
式中：ai与
为拉格朗日因子；K(x，xi)为核函数，主要包括线性核函数、多项式核函数、高斯核函数，本发明选取高斯核函数中的RBF核函数作为SVM中的核函数。
(2)COA算法原理
郊狼优化算法(Coyote Optimization Algorithm，COA)是由Pierezan等人，在2018年提出的一种新的启发式全局优化算法，注重郊狼种群的社会结构和狼群部落之间的学习交流。
假设将郊狼种群分为Np个部落，其中每个部落内包含有Nc只郊狼。在t时刻，第p个部落中第c只郊狼个体的社会条件可表示为：
式中：D为解的维数，xi为决策变量。
在t时刻，第p个部落中第c只郊狼个体的环境适应度可表示为：
引入中值定理，在t时刻，第p个部落的文化趋势为：
式中：Op,t为社会条件，j∈[1,D]为空间维度。
在t时刻，第p个部落中的头狼被定义为：
每个部落之间均会进行文化交流，郊狼的社会条件和环境的适应度会因影响因素的不同而产生变化。并且部落中的郊狼存在出生与死亡的现象，出生的郊狼可表示为：
式中：γ1与γ2为父代郊狼，j1与j2为维数；rndj为第j维的决策变量。其中Pa与Ps分别是关联概率与离散概率，如下表示：
随着郊狼的出生与死亡，郊狼个体还可能会脱离郊狼种群部落，每个部落中郊狼个体数目基本保持为一个稳定的数值。将子代与父代郊狼的适应度进行对比，筛选出适应度最大的郊狼。
S1：获取样本数据，获取继电保护装置状态评价指标
在分析设备运行状态时，不仅需要根据当前设备运行维护数据和同类设备的相关数据来评价继电保护装置的状态，还需要根据设备的当前环境状态评价继电保护状态。
根据以上分析，基于继电保护系统运行中的实际影响因素和保护系统结构，本发明依据Q/GDW 11285-2022《继电保护状态评价导则》从继电保护装置、二次回路和通信通道等方面分析了继电保护装置的动态时变环境影响因素；继电保护装置状态评价指标包括检修指标和运行指标，并从检修指标和运行指标两个角度来构建如图2所示的继电保护装置状态评价指标体系；其中检修指标包括家族缺陷率、反措未落实情况、绝缘性能、不正确动作率、设备故障次数，运行指标包括异常告警率、断路器误动次数、CPU温度、工作电压、断路器不动作次数、接收光功率、发送光功率。
S2：采用COA算法优化SVM算法的惩罚因子和核函数参数，基于训练集对COA-SVM状态评价模型进行训练，获得训练好的COA-SVM状态评价模型；；
如图3所示，以SVM中的惩罚因子与核函数参数作为郊狼个体，经过COA的多次迭代以后，得到最优的惩罚系数C和核函数参数σ参数。
具体步骤如下：
S21：初始化SVM中惩罚系数C与核函数参数σ的取值，初始化COA算法中的郊狼部落个数Np以及每个部落中郊狼个数Nc；
S22：假设COA算法的迭代次数为t，令t＝1；
S23：挑选适应能力较强的郊狼个体，更新郊狼部落和个体数目，将训练集数据输入SVM中，利用现在的C和σ参数值输出当前的预测值，来计算适应度函数的值。适应度函数定义如下：
式中，x(i)为实际值，
为预测值，N为训练集的长度。
首先，将样本数据划分为两个互斥的的集合，即：训练集和测试集，然后两个集合的交集为空集，而两个集合的并集为整个样本数据集合。通常在训练集上进行训练，然后基于测试集来评估模型的误差。
在训练集和测试集的划分过程中，要尽可能保持数据分布的一致性，例如从1000个数据里，分层采样训练集占70％和测试集占30％，若数据集中包含500个正例，500个反例，则分层采样得到的训练集应包含350个正例，350个反例，测试集应包含150个正例，150个反例。
一般在采用留出法划分训练集和测试集时，训练集主要占据数据集的10％左右，以训练出更好的评估模型。
S24：更新SVM中C和σ参数，计算新的适应度，适应度满足预设要求或达到最大迭代次数时，终止算法并输出SVM的最优参数，输出训练好的COA-SVM状态评价模型；否则，t＝t+1，返回到步骤S123并再次迭代。
SVM算法中不同的核函数，其最优超平面不一致，使得样本数据分类效果处于不同的情况，因此本发明SVM算法中的核函数均采用RBF核函数。基于COA算法来优化SVM算法中惩罚系数C与核函数参数σ，使得状态评价模型的结果更有效且准确。基于COA-SVM的状态评价流程如图3所示。
当继电保护装置处于正在运行状态时，其中健康和严重的运行状态能够较容易的区分，而继电保护装置处于运行状态的过渡期很难进行区分。
将获取的继电保护装置状态评价指标，以矩阵的形式作为COA-SVM状态评价模型的输入，分类训练出健康、良好、异常、严重的分类边界。此时可以将继电保护装置的状态评价问题转化为样本数据的分类问题，根据其运行状态的分类边界可以将继电保护装置的运行状态划分为健康、良好、异常、严重四种状态。
基于SVM算法的分类思想，通过状态评价指标的采样数据到最优超平面的距离来判断继电保护装置所处的运行状态。根据数据划分的最优超平面，其样本点的数据xi与最优超平面的距离d如下所示：
数据划分的最优超平面为：f(x)＝ω·+
ω为法向量，b为截距；根据距离d的大小来判断继电保护装置所处的运行状态。当d＜-1，继电保护装置为严重状态，用“4”表示，需要立即停电对继电保护装置进行检修；当-1≤d≤0，继电保护装置发生异常，用“3”表示，此时需要安排运维检修人员对继电保护装置进行查看；当0＜d≤1，继电保护装置为良好状态，用“2”表示，需要特别注意继电保护装置的运行状态；当d＞1，继电保护装置为健康状态，用“1”表示，可以正常运行。
S3：将继电保护装置状态评价指标的相关数据输入训练好的COA-SVM状态评价模型对继电保护装置的运行状态进行评价，获得继电保护装置状态评价结果。
S4：输出继电保护装置状态评价结果。
实施例2
继电保护装置评价指标的采样数据来源于某220KV变电站，主要采集处于严重状态和健康状态的数据，其中健康状态的数据是继电保护装置刚运行时所采集的，严重状态的数据是继电保护装置故障时所采集的。
(1)样本训练
将家族缺陷率、反措未落实情况、绝缘性能、不正确动作率、设备故障次数、异常告警率、断路器误动次数、CPU温度、工作电压、断路器不动作次数、接收光功率、发送光功率等评价指标的数据作为样本数据，首先将获得的严重和健康状态的数据进行预处理，然后将获得的数据分为训练样本和测试样本，其中训练样本有10000组，测试样本有150组，样本数据以矩阵的形式输入至状态评价模型中。将10000组样本的数据作为COA-SVM状态评价模型的训练样本，使其能够更加有效准确的评价继电保护装置的实时运行状态。其中，部分训练样本的数据如表1所示。
表1部分训练样本的数据
基于COA算法优化SVM参数，首先将训练样本的数据作为COA-SVM模型的输入，然后利用COA算法的寻优能力，获取最优的C和σ参数。设定COA算法中的郊狼部落个数Np＝62以及每个部落中的郊狼个数nc＝40，采用COA算法对SVM进行参数寻优时，迭代次数达到76代时获得参数的最优值，此时惩罚系数C为205，核函数参数σ为0.6986。SVM参数的寻优结果如图4所示。
(2)状态评价
基于训练样本所得出SVM算法的最优参数，惩罚系数C为205，核函数参数σ为0.6986，采用交叉验证所得出的正确率为98.8764％。将最优参数C和σ代入SVM算法中，将COA算法优化后的SVM算法进行继电保护装置的状态评价。
为了验证所提出的状态评价模型的有效性，将150组测试样本作为COA-SVM的输入数据，COA-SVM算法仿真实验评价结果如图5所示。部分测试样本及结果如表2所示。
表2部分测试样本的数据
从图5中可以看出，在150组测试样本中，仅有1组样本数据的评价结果与实际情况相悖，其准确率为99.3％，能够较为准确且有效的评价出继电保护装置的运行状态。
(3)智能评价模型的比较
为了进一步验证COA-SVM评价继电保护装置的运行状态的有效性和准确性，基于150组测试样本，分别采用SSA-SVM、SVM、PSO-BP神经网络算法来评价继电保护装置的运行状态，不同智能评价模型的仿真评价结果如图6所示，其不同智能评价模型的结果如表3所示。
表3不同智能评价模型的结果
| 评价模型 | 准确率/％ | 时间/ms |
| COA-SVM | 99.3％ | 325 |
| SSA-SVM | 98％ | 364 |
| SVM | 93.3％ | 298 |
| PSO-ELM | 94.7％ | 402 |
从表3和图6中可以看出，虽然SVM算法比COA-SVM用时较短，但是COA-SVM与SVM相比其准确率得到提升，验证出COA算法的有效性。而COA-SVM与SSA-SVM模型相比，评价结果的准确率和时间均得到了一定的提升，表明COA-SVM在继电保护装置状态评价方面能够更好的应用，通过其与PSO-ELM模型的对比，能够验证出本发明所提出的状态评价模型的有效性。
实施例3
如图7所示，一种继电保护装置状态评价系统，包括：
参数优化及状态评价模型训练模块，用于采用COA算法优化SVM算法的惩罚因子和核函数参数，基于训练集对COA-SVM状态评价模型进行训练，获得训练好的COA-SVM状态评价模型；
继电保护装置状态的评价模块，用于获取继电保护装置状态评价指标，将继电保护装置状态评价指标的相关数据输入训练好的COA-SVM状态评价模型对继电保护装置的运行状态进行评价，获得继电保护装置状态评价结果；
继电保护装置状态评价结果输出模块，用于输出继电保护装置状态评价结果。
实施例4
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种继电保护装置状态评价方法。
实施例5
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种继电保护装置状态评价方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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权利要求保护范围之内。
Claims (10)
1.一种继电保护装置状态评价方法，其特征在于，包括：
采用COA算法优化SVM算法的惩罚因子和核函数参数，基于训练集对COA-SVM状态评价模型进行训练，获得训练好的COA-SVM状态评价模型；
获取继电保护装置状态评价指标，将继电保护装置状态评价指标的相关数据输入训练好的COA-SVM状态评价模型对继电保护装置的运行状态进行评价，获得继电保护装置状态评价结果；
输出所述继电保护装置状态评价结果。
2.根据权利要求1所述的一种继电保护装置状态评价方法，其特征在于，所述继电保护装置状态评价指标包括检修指标和运行指标。
3.根据权利要求2所述的一种继电保护装置状态评价方法，其特征在于，所述检修指标包括家族缺陷率、反措未落实情况、绝缘性能、不正确动作率、设备故障次数，运行指标包括异常告警率、断路器误动次数、CPU温度、工作电压、断路器不动作次数、接收光功率、发送光功率。
4.根据权利要求1所述的一种继电保护装置状态评价方法，其特征在于，所述采用COA算法优化SVM算法的惩罚因子和核函数参数的步骤，具体包括：以SVM中的惩罚因子与核函数参数作为郊狼个体，经过COA的多次迭代以后，得到最优的惩罚系数C和核函数参数σ参数。
5.根据权利要求1或4所述的一种继电保护装置状态评价方法，其特征在于，所述采用COA算法优化SVM算法的惩罚因子和核函数参数，基于训练集对COA-SVM状态评价模型进行训练，获得训练好的COA-SVM状态评价模型的步骤，具体包括：
初始化SVM中惩罚系数C与核函数参数σ的取值，初始化COA算法中的郊狼部落个数Np以及每个部落中郊狼个数Nc；
假设COA算法的迭代次数为t，令t＝1；
挑选适应能力较强的郊狼个体，更新郊狼部落和个体数目，将训练集数据输入SVM中，利用现在的C和σ参数值输出当前的预测值，来计算适应度函数的值；适应度函数为：
式中，x(i)为实际值，
为预测值，N为训练集的长度；
更新SVM中C和σ参数，计算新的适应度，适应度满足预设要求或达到最大迭代次数时，终止算法并输出SVM的最优参数，输出训练好的COA-SVM状态评价模型。
6.根据权利要求1所述的一种继电保护装置状态评价方法，其特征在于，所述对COA-SVM状态评价模型进行训练的步骤中，将获取的继电保护装置状态评价指标，以矩阵的形式作为COA-SVM状态评价模型的输入，分类训练出健康、良好、异常、严重的分类边界。
7.根据权利要求6所述的一种继电保护装置状态评价方法，其特征在于，所述分类边界的具体划分方式为：
通过继电保护装置状态评价指标的采样数据到健康运行状态的距离来判断继电保护装置所处的运行状态；根据数据划分的最优超平面，其样本点的数据xi与最优超平面的距离d如下所示：
数据划分的最优超平面为：f(x)＝ω·+
ω为法向量，b为截距；根据距离d的大小来判断继电保护装置所处的运行状态；
当d＜-1，继电保护装置为严重状态；当-1≤d≤0，继电保护装置发生异常；当0＜d≤1，继电保护装置为良好状态；当d＞1，继电保护装置为健康状态。
8.一种继电保护装置状态评价系统，包括：
参数优化及状态评价模型训练模块，用于采用COA算法优化SVM算法的惩罚因子和核函数参数，基于训练集对COA-SVM状态评价模型进行训练，获得训练好的COA-SVM状态评价模型；
继电保护装置状态的评价模块，用于获取继电保护装置状态评价指标，将继电保护装置状态评价指标的相关数据输入训练好的COA-SVM状态评价模型对继电保护装置的运行状态进行评价，获得继电保护装置状态评价结果；
继电保护装置状态评价结果输出模块，用于输出所述继电保护装置状态评价结果。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的一种继电保护装置状态评价方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的一种继电保护装置状态评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211551760.2A CN115864644A (zh) | 2022-12-05 | 2022-12-05 | 一种继电保护装置状态评价方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211551760.2A CN115864644A (zh) | 2022-12-05 | 2022-12-05 | 一种继电保护装置状态评价方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115864644A true CN115864644A (zh) | 2023-03-28 |
Family
ID=85670028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211551760.2A Pending CN115864644A (zh) | 2022-12-05 | 2022-12-05 | 一种继电保护装置状态评价方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115864644A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756548A (zh) * | 2023-08-22 | 2023-09-15 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118174A (zh) * | 2021-12-20 | 2022-03-01 | 安徽工业大学 | 一种滚动轴承故障诊断方法及系统 |
| CN114548498A (zh) * | 2022-01-14 | 2022-05-27 | 国网山东省电力公司电力科学研究院 | 一种架空输电线路局部区域的风速预测方法及系统 |
-
2022
- 2022-12-05 CN CN202211551760.2A patent/CN115864644A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118174A (zh) * | 2021-12-20 | 2022-03-01 | 安徽工业大学 | 一种滚动轴承故障诊断方法及系统 |
| CN114548498A (zh) * | 2022-01-14 | 2022-05-27 | 国网山东省电力公司电力科学研究院 | 一种架空输电线路局部区域的风速预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈海涛 等: "基于GA优化SVM参数与云模型的继电保护装置状态评估方法", 《电网分析与研究》, vol. 48, no. 7, pages 88 - 92 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756548A (zh) * | 2023-08-22 | 2023-09-15 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
| CN116756548B (zh) * | 2023-08-22 | 2023-10-24 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
| CN104715318A (zh) | 面向通信网络的多维度运行风险评价方法 | |
| CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
| CN109492857A (zh) | 一种配电网故障风险等级预测方法和装置 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN105512448A (zh) | 一种配电网健康指数的评估方法 | |
| CN113887846B (zh) | 一种电容式电压互感器的超差风险预警方法 | |
| CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
| CN108537394A (zh) | 一种智能电网实时安全预警方法和装置 | |
| CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
| CN114118524A (zh) | 一种基于知识推理的设备状态综合分析方法 | |
| CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
| Browell et al. | Forecasting for day-ahead offshore maintenance scheduling under uncertainty | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 | |
| CN114548800A (zh) | 基于电网知识图谱的未来态电网检修风险辨识方法及装置 | |
| CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
| CN114997578A (zh) | 一种基于深度学习的智慧风电场实时状态评估方法 | |
| CN113253709B (zh) | 一种适用于轨道交通车辆健康诊断方法及装置 | |
| ZHANG et al. | Improved GWO-MCSVM algorithm based on nonlinear convergence factor and tent chaotic mapping and its application in transformer condition assessment | |
| CN103675518A (zh) | 油浸式高压设备检修方法及装置 | |
| CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
| CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
| Pisica et al. | Feature selection filter for classification of power system operating states |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |