CN116991660A - 基于源告警决策树的电力二次系统状态监测方法及系统 - Google Patents

基于源告警决策树的电力二次系统状态监测方法及系统 Download PDF

Info

Publication number
CN116991660A
CN116991660A CN202310854139.1A CN202310854139A CN116991660A CN 116991660 A CN116991660 A CN 116991660A CN 202310854139 A CN202310854139 A CN 202310854139A CN 116991660 A CN116991660 A CN 116991660A
Authority
CN
China
Prior art keywords
secondary system
power secondary
decision tree
association
electric power
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
Application number
CN202310854139.1A
Other languages
English (en)
Inventor
万毅
李伟
陈飞
周碧波
张晓煜
鲁闯
曹聪
杨常府
王均慧
潘俊文
李巍威
周玉冰
周明
王涛
罗猛
龚昕
张福雪
程元
胡波涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suizhou Power Supply Co of State Grid Hubei Electric Power Co Ltd
Beijing Sifang Engineering Co Ltd
Original Assignee
Suizhou Power Supply Co of State Grid Hubei Electric Power Co Ltd
Beijing Sifang Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suizhou Power Supply Co of State Grid Hubei Electric Power Co Ltd, Beijing Sifang Engineering Co Ltd filed Critical Suizhou Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority to CN202310854139.1A priority Critical patent/CN116991660A/zh
Publication of CN116991660A publication Critical patent/CN116991660A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电力设备监测技术领域，公开了基于源告警决策树的电力二次系统状态监测方法及系统。该方法包括：构建基于源告警决策树的电力二次系统状态运行特征库；基于所述电力二次系统状态运行特征库，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度；根据关联影响程度，获取继电保护缺陷定位、状态检修信息，进行继电保护生命周期管理，对超期服役进行预警。本发明实现了智能继电保护检修计划，调整定检周期及定检项，提升二次设备工况监视与异常诊断的技术水平。本发明通过采用排序的方法，把故障树排序过程实时处理，能够获得最小的处理时间，反应快，获取信息准确度得到提高。

Description

基于源告警决策树的电力二次系统状态监测方法及系统
技术领域
本发明属于电力设备监测技术领域，尤其涉及基于源告警决策树的电力二次系统状态监测方法及系统。
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。目前，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，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
决策树是一种基于树形结构的机器学习方法。由于每个人的行为都有一定的行为依据，因此可以利用决策树将人的行为进行分析，进而得出相应的决策行为依据，这种方法在当前互联网领域的应用越来越广泛。
决策树具有较好的可解释性，能够有效帮助决策者进行决策分析，被广泛应用于电网工作中。建模人员可以通过手工配置树形结构、配置从属关系，进而得到一个决策树。
常用的决策树构建工具如SAS，属于单机交互式建模工具，主要特点是可以通过自定义配置实现数据建模，需要建模人员手工单个节点构建决策树，构建时间长，可处理少量数据，不支持批量数据分析。利用分布式存储的训练数据进行交互式建模虽然可以解决单机交互式建模数据处理量少的问题，但不能真正解决决策结果高效、准确的要求。
虽然数据来源多种多样，但是因为低效的数据分析流程，导致动态不能实时定位，不能第一时间输出决策行动，大多还是靠人工触发，将大量时间和精力投入在低效的数据分析和手工响应上成为了日常面临的高频挑战。
综上所述，在现有电网交互式建模技术中，由于人工编写决策树的过程重复繁琐，且效率低，且数据时效性差，极易造成电力二次系统状态监测效果差。所以丞需一种基于源告警决策树的电力二次系统状态监测方法。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了基于源告警决策树的电力二次系统状态监测方法及系统。
所述技术方案如下：一种基于源告警决策树的电力二次系统状态监测方法包括：
S1，构建基于源告警决策树的电力二次系统状态运行特征库；
S2，基于所述电力二次系统状态运行特征库，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度；
S3，根据关联影响程度，获取继电保护缺陷定位、状态检修信息，进行继电保护生命周期管理，对超期服役进行预警。
进一步的，在步骤S2中，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度包括：
步骤一，分别记录在搭载负载和不搭载负载情况下的电力二次系统位置，计算关联影响程度；
步骤二，以测量电力二次系统实时温度工况、触电离合特征和关联影响程度为训练数据，采用决策树分析法排序获得简化关联模型的电力二次系统关联参数；
步骤三，以电力二次系统关联为参数建立简化关联模型，并依据简化关联模型生成大量仿真数据，记为源域数据，记实测数据为目标域数据；
步骤四，基于神经网络框架，搭建电力二次系统关联影响程度预测的反演自适应域优化神经网络，并构造神经网络优化目标函数；
步骤五，以源域数据与目标域数据为训练数据，采用多阶递推方法进行反演自适应域优化神经网络训练；采用训练获得反演自适应域优化神经网络进行电力二次系统关联影响程度预测。
进一步的，所述步骤一中，采用激光跟踪仪测量电力二次系统在不搭载负载与搭载负载情况下的电力二次系统坐标，分别记为pe、pe′，并利用计算机计算砝码经绳索作用于电力二次系统触电离合特征、不搭载负载与搭载负载情况下的电力二次系统坐标的差值Δpe＝pe-pe′，所述差值记为电力二次系统的关联影响程度Δpe。
4、根据权利要求2所述的基于源告警决策树的电力二次系统状态监测方法，其特征在于，所述步骤二中，以测量电力二次系统实时温度工况q、触电离合特征f与关联影响程度Δpe采用决策树分析法排序获得简化关联模型的电力二次系统关联参数Kq。
进一步的，所述步骤三中的简化关联模型表示为：
Δpe,i＝(Ki)-1fi；
式中，Ki为电力二次系统在第i个关联影响程度测量位置处笛卡尔关联；为电力二次系统在第i个关联影响程度测量位置处的雅克比矩阵，由电力二次系统电力二次系统qi决定；Kq为电力二次系统的虚拟电力二次系统关联，在虚拟电力二次系统关联模型中电力二次系统的虚拟电力二次系统关联Kq为定值。
进一步的，以决策树获得电力二次系统关联模型建模电力二次系统简化关联模型，并仿真生成大量的数据，记为源域数据D s，以实测数据作为目标域数据D t。
进一步的，所述步骤四中的电力二次系统关联影响程度预测的反演自适应域优化神经网络包括特征鉴别器Gf(x；θf)、源域反演器Gs(z；θs)、目标域反演器Gt(z；θt)、域判定器Gd(z；θd)、梯度反转层GRL，其中z、θf、θs、θt、θd分别为共同特征、特征鉴别器的网络参数、源域反演器的网络参数、目标域反演器的网络参数、域判定器的网络参数。
进一步的，网络的源域反演器与目标域反演器的判定函数表示为：
网络的域判定器的判别数据xi是来源于源域数据D s或目标域数据D t，对源域数据D s与目标域数据D t认为赋予标签di，若数据xi来源于源域数据D s，则di＝1；若数据xi来源于源域数据D t，则di＝0，域判定器的判定函数表示为：
则网络的总判定函数表示为：
L＝＝Ls(qf,qs)+Lt(qf,qt)-Ld(qf,qd)；
对所表示的整个网络的总判定函数，采用随机梯度下降方法进行网络训练，并获得最优的网络参数θf、θs、θt、θd。
进一步的，在获得网络参数θf、θs、θt、θd后，目标域关联影响程度的预测函数表示为：
h(x)＝Gf(x；θf)·Gt(z；θt)＝Gt(Gf(x；θf)；θt)；
采用目标域真实数据计算获得电力二次系统关联影响程度模型为h(x)，则对于由新的电力二次系统电流强度q与末端功率f构成的输入x＝[q,f]，关联影响程度Δpe＝h(x)。
本发明的另一目的在于提供一种基于源告警决策树的电力二次系统状态监测系统包括：
电力二次系统状态运行特征库构建模块，用于构建基于源告警决策树的电力二次系统状态运行特征库；
关联影响程度获取模块，用于基于所述电力二次系统状态运行特征库，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度；
预警模块，用于根据关联影响程度，获取继电保护缺陷定位、状态检修信息，进行继电保护生命周期管理，对超期服役进行预警。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
本发明构建基于源告警决策树的电力二次系统状态运行特征库，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度，实现继电保护缺陷定位、状态检修，继电保护生命周期管理等，例如超期服役预警等，实现智能继电保护检修计划，调整定检周期及定检项，提升二次设备工况监视与异常诊断的技术水平。本发明通过采用排序的方法，把故障树排序过程实时处理，能够获得最小的处理时间，反应快，获取信息准确度得到提高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的基于源告警决策树的电力二次系统状态监测方法流程图；
图2是本发明实施例提供的通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度流程图；
图3是本发明实施例提供的基于源告警决策树的电力二次系统状态监测系统示意图；
图中：1、电力二次系统状态运行特征库构建模块；2、关联影响程度获取模块；3、预警模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
实施例1，如图1所示，本发明实施例提供的基于源告警决策树的电力二次系统状态监测方法包括：
S1，构建基于源告警决策树的电力二次系统状态运行特征库；
S2，基于所述电力二次系统状态运行特征库，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度；
S3，根据关联影响程度，获取继电保护缺陷定位、状态检修信息，进行继电保护生命周期管理，对超期服役进行预警。
如图2所示，在本发明实施例中，在步骤S2中，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度包括：
S201，分别记录在搭载负载和不搭载负载情况下的电力二次系统位置，计算关联影响程度；
S202，以测量电力二次系统实时温度工况、触电离合特征和关联影响程度为训练数据，采用决策树分析法排序获得简化关联模型的电力二次系统关联参数；
S203，以电力二次系统关联为参数建立简化关联模型，并依据简化关联模型生成大量仿真数据，记为源域数据，记实测数据为目标域数据；
S204，基于神经网络框架，搭建电力二次系统关联影响程度预测的反演自适应域优化神经网络，并构造神经网络优化目标函数；
S205，以源域数据与目标域数据为训练数据，采用多阶递推方法进行反演自适应域优化神经网络训练；采用训练获得反演自适应域优化神经网络进行电力二次系统关联影响程度预测。
在本发明实施例中，所述步骤S201中，采用激光跟踪仪测量电力二次系统在不搭载负载与搭载负载情况下的电力二次系统坐标，分别记为pe、pe′，并利用计算机计算砝码经绳索作用于电力二次系统触电离合特征、不搭载负载与搭载负载情况下的电力二次系统坐标的差值Δpe＝pe-pe′，所述差值记为电力二次系统的关联影响程度Δpe。
所述步骤S202中，以测量电力二次系统实时温度工况q、触电离合特征f与关联影响程度Δpe采用决策树分析法排序获得简化关联模型的电力二次系统关联参数Kq。
在本发明实施例中，所述步骤三中的简化关联模型表示为：
Δpe,i＝(Ki)-1fi；
式中，Ki为电力二次系统在第i个关联影响程度测量位置处笛卡尔关联；为电力二次系统在第i个关联影响程度测量位置处的雅克比矩阵，由电力二次系统电力二次系统qi决定；Kq为电力二次系统的虚拟电力二次系统关联，在虚拟电力二次系统关联模型中电力二次系统的虚拟电力二次系统关联Kq为定值。
在本发明实施例中，以决策树获得电力二次系统关联模型建模电力二次系统简化关联模型，并仿真生成大量的数据，记为源域数据D s，以实测数据作为目标域数据D t。
在本发明实施例中，所述步骤四中的电力二次系统关联影响程度预测的反演自适应域优化神经网络包括特征鉴别器Gf(x；θf)、源域反演器Gs(z；θs)、目标域反演器Gt(z；θt)、域判定器Gd(z；θd)、梯度反转层GRL，其中z、θf、θs、θt、θd分别为共同特征、特征鉴别器的网络参数、源域反演器的网络参数、目标域反演器的网络参数、域判定器的网络参数。
在本发明实施例中，网络的源域反演器与目标域反演器的判定函数表示为：
网络的域判定器的判别数据xi是来源于源域数据D s或目标域数据D t，对源域数据D s与目标域数据D t认为赋予标签di，若数据xi来源于源域数据D s，则di＝1；若数据xi来源于源域数据D t，则di＝0，域判定器的判定函数表示为：
则网络的总判定函数表示为：
L＝＝Ls(qf,qs)+Lt(qf,qt)-Ld(qf,qd)；
对所表示的整个网络的总判定函数，采用随机梯度下降方法进行网络训练，并获得最优的网络参数θf、θs、θt、θd。
在本发明实施例中，在获得网络参数θf、θs、θt、θd后，目标域关联影响程度的预测函数表示为：
h(x)＝Gf(x；θf)·Gt(z；θt)＝Gt(Gf(x；θf)；θt)；
采用目标域真实数据计算获得电力二次系统关联影响程度模型为h(x)，则对于由新的电力二次系统电流强度q与末端功率f构成的输入x＝[q,f]，关联影响程度Δpe＝h(x)。
实施例2，如图3所示，本发明实施例提供的基于源告警决策树的电力二次系统状态监测系统包括：
电力二次系统状态运行特征库构建模块1，用于构建基于源告警决策树的电力二次系统状态运行特征库；
关联影响程度获取模块2，用于基于所述电力二次系统状态运行特征库，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度；
预警模块3，用于根据关联影响程度，获取继电保护缺陷定位、状态检修信息，进行继电保护生命周期管理，对超期服役进行预警。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
基于上述本发明实施例记载的技术方案，进一步的可提出以下应用例。
根据本申请的实施例，本发明还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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任意各个方法实施例中的步骤。
本发明实施例还提供了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可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于源告警决策树的电力二次系统状态监测方法，其特征在于，该方法包括：
S1，构建基于源告警决策树的电力二次系统状态运行特征库；
S2，基于所述电力二次系统状态运行特征库，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度；
S3，根据关联影响程度，获取继电保护缺陷定位、状态检修信息，进行继电保护生命周期管理，对超期服役进行预警。
2.根据权利要求1所述的基于源告警决策树的电力二次系统状态监测方法，其特征在于，在步骤S2中，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度包括：
步骤一，分别记录在搭载负载和不搭载负载情况下的电力二次系统位置，计算关联影响程度；
步骤二，以测量电力二次系统实时温度工况、触电离合特征和关联影响程度为训练数据，采用决策树分析法排序获得简化关联模型的电力二次系统关联参数；
步骤三，以电力二次系统关联为参数建立简化关联模型，并依据简化关联模型生成大量仿真数据，记为源域数据，记实测数据为目标域数据；
步骤四，基于神经网络框架，搭建电力二次系统关联影响程度预测的反演自适应域优化神经网络，并构造神经网络优化目标函数；
步骤五，以源域数据与目标域数据为训练数据，采用多阶递推方法进行反演自适应域优化神经网络训练；采用训练获得反演自适应域优化神经网络进行电力二次系统关联影响程度预测。
3.根据权利要求2所述的基于源告警决策树的电力二次系统状态监测方法，其特征在于，所述步骤一中，采用激光跟踪仪测量电力二次系统在不搭载负载与搭载负载情况下的电力二次系统坐标，分别记为pe、pe′，并利用计算机计算砝码经绳索作用于电力二次系统触电离合特征、不搭载负载与搭载负载情况下的电力二次系统坐标的差值Δpe＝pe-pe′，所述差值记为电力二次系统的关联影响程度Δpe。
4.根据权利要求2所述的基于源告警决策树的电力二次系统状态监测方法，其特征在于，所述步骤二中，以测量电力二次系统实时温度工况q、触电离合特征f与关联影响程度Δpe采用决策树分析法排序获得简化关联模型的电力二次系统关联参数Kq。
5.根据权利要求2所述的基于源告警决策树的电力二次系统状态监测方法，其特征在于，所述步骤三中的简化关联模型表示为：
Δpe,i＝(Ki)-1fi；
式中，Ki为电力二次系统在第i个关联影响程度测量位置处笛卡尔关联；Jqi为电力二次系统在第i个关联影响程度测量位置处的雅克比矩阵，由电力二次系统电力二次系统qi决定；Kq为电力二次系统的虚拟电力二次系统关联，在虚拟电力二次系统关联模型中电力二次系统的虚拟电力二次系统关联Kq为定值。
6.根据权利要求5所述的基于源告警决策树的电力二次系统状态监测方法，其特征在于，以决策树获得电力二次系统关联模型建模电力二次系统简化关联模型，并仿真生成大量的数据，记为源域数据Ds，以实测数据作为目标域数据Dt。
7.根据权利要求2所述的基于源告警决策树的电力二次系统状态监测方法，其特征在于，所述步骤四中的电力二次系统关联影响程度预测的反演自适应域优化神经网络包括特征鉴别器Gf(x；θf)、源域反演器Gs(z；θs)、目标域反演器Gt(z；θt)、域判定器Gd(z；θd)、梯度反转层GRL，其中z、θf、θs、θt、θd分别为共同特征、特征鉴别器的网络参数、源域反演器的网络参数、目标域反演器的网络参数、域判定器的网络参数。
8.根据权利要求7所述的基于源告警决策树的电力二次系统状态监测方法，其特征在于，网络的源域反演器与目标域反演器的判定函数表示为：
网络的域判定器的判别数据xi是来源于源域数据Ds或目标域数据Dt，对源域数据Ds与目标域数据Dt认为赋予标签di，若数据xi来源于源域数据Ds，则di＝1；若数据xi来源于源域数据Dt，则di＝0，域判定器的判定函数表示为：
则网络的总判定函数表示为：
L＝＝Ls(qf,qs)+Lt(qf,qt)-Ld(qf,qd)；
对所表示的整个网络的总判定函数，采用随机梯度下降方法进行网络训练，并获得最优的网络参数θf、θs、θt、θd。
9.根据权利要求7所述的基于源告警决策树的电力二次系统状态监测方法，其特征在于，在获得网络参数θf、θs、θt、θd后，目标域关联影响程度的预测函数表示为：
h(x)＝Gf(x；θf)·Gt(z；θt)＝Gt(Gf(x；θf)；θt)；
采用目标域真实数据计算获得电力二次系统关联影响程度模型为h(x)，则对于由新的电力二次系统电流强度q与末端功率f构成的输入x＝[q,f]，关联影响程度Δpe＝h(x)。
10.一种基于源告警决策树的电力二次系统状态监测系统，其特征在于，实施权利要求1-9任意一项所述基于源告警决策树的电力二次系统状态监测方法，该系统包括：
电力二次系统状态运行特征库构建模块(1)，用于构建基于源告警决策树的电力二次系统状态运行特征库；
关联影响程度获取模块(2)，用于基于所述电力二次系统状态运行特征库，通过在线分析电力二次系统实时工况信息与其对应运行特征的关联影响程度；
预警模块(3)，用于根据关联影响程度，获取继电保护缺陷定位、状态检修信息，进行继电保护生命周期管理，对超期服役进行预警。
CN202310854139.1A 2023-07-13 2023-07-13 基于源告警决策树的电力二次系统状态监测方法及系统 Pending CN116991660A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310854139.1A CN116991660A (zh) 2023-07-13 2023-07-13 基于源告警决策树的电力二次系统状态监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310854139.1A CN116991660A (zh) 2023-07-13 2023-07-13 基于源告警决策树的电力二次系统状态监测方法及系统

Publications (1)

Publication Number Publication Date
CN116991660A true CN116991660A (zh) 2023-11-03

Family

ID=88527620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310854139.1A Pending CN116991660A (zh) 2023-07-13 2023-07-13 基于源告警决策树的电力二次系统状态监测方法及系统

Country Status (1)

Country Link
CN (1) CN116991660A (zh)

Similar Documents

Publication Publication Date Title
EP3557819A1 (en) Server failure detection method and system
CN108418841A (zh) 基于ai的下一代关键信息基础设施网络安全态势感知系统
CN109766334A (zh) 用于电力设备在线监测异常数据的处理方法及系统
CN112561736A (zh) 智能变电站继电器保护装置故障诊断系统和方法
CN112884199B (zh) 水电站设备故障预测方法、装置、计算机设备和存储介质
CN117176560B (zh) 一种基于物联网的监测设备监管系统及其方法
CN115358155A (zh) 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN212895016U (zh) 一种基于LoRa无线测控技术的铝电解槽况诊断系统
CN112346893A (zh) 故障预测方法、装置、终端及存储介质
JP2019016039A (ja) プロセスの異常状態診断方法および異常状態診断装置
CN115145788A (zh) 一种针对智能运维系统的检测数据生成方法和装置
CN113204919B (zh) 基于数字孪生的主变油枕状态预测方法、装置及电子设备
CN117973902A (zh) 一种基于保电平台故障处置智能决策方法及系统
CN114138601A (zh) 一种业务告警方法、装置、设备及存储介质
CN115114124A (zh) 主机风险的评估方法及评估装置
CN117408162A (zh) 基于数字孪生的电网故障控制方法
CN117674249A (zh) 一种含分布式光伏的配电网故障自愈控制与评价方法
CN117235664A (zh) 配电通信设备的故障诊断方法、系统和计算机设备
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及系统
CN116991660A (zh) 基于源告警决策树的电力二次系统状态监测方法及系统
CN110175083A (zh) 操作系统的监控方法和装置
CN111382946B (zh) 设备健康状态的自主评估方法、系统及工业互联网设备
CN117979667B (zh) 一种大型机房循环冷却水控制系统、方法、设备及介质
CN117272844B (zh) 配电盘工作寿命的预测方法及系统
CN113780788B (zh) 一种用于嵌入式设备健康评价的建模方法

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