CN117454231A - 一种应用智能仿真技术的地铁直流保护测试系统 - Google Patents
一种应用智能仿真技术的地铁直流保护测试系统 Download PDFInfo
- Publication number
- CN117454231A CN117454231A CN202311592576.7A CN202311592576A CN117454231A CN 117454231 A CN117454231 A CN 117454231A CN 202311592576 A CN202311592576 A CN 202311592576A CN 117454231 A CN117454231 A CN 117454231A
- Authority
- CN
- China
- Prior art keywords
- protection
- simulation
- fault
- test
- action
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 137
- 238000012360 testing method Methods 0.000 title claims abstract description 109
- 238000005516 engineering process Methods 0.000 title claims abstract description 20
- 230000009471 action Effects 0.000 claims abstract description 119
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000001052 transient effect Effects 0.000 claims abstract description 6
- 230000005540 biological transmission Effects 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 13
- 230000000630 rising effect Effects 0.000 claims description 9
- 238000010998 test method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000007257 malfunction Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000004092 self-diagnosis Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 12
- 238000007689 inspection Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- VYMDGNCVAMGZFE-UHFFFAOYSA-N phenylbutazonum Chemical compound O=C1C(CCCC)C(=O)N(C=2C=CC=CC=2)N1C1=CC=CC=C1 VYMDGNCVAMGZFE-UHFFFAOYSA-N 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种应用智能仿真技术的地铁直流保护测试系统，属于测量电变量技术领域。所述测试系统通过构建仿真测试平台，利用历史运行数据训练分类模型，通过故障案例驱动的仿真测试来评估现有保护系统的性能。本测试系统包括仿真模块、数据模块、样本生成模块、模型构建模块和分析模块，运用电磁暂态仿真平台构建仿真环境，收集并标注历史运行数据，生成故障案例集合。采用LSTM模型分类故障案例，针对不同类别案例进行仿真测试，记录保护动作，并与预期进行对比分析，判断保护动作正确性，评估保护系统综合性能。该方案系统自动生成测试用例，覆盖不同故障情景，评估保护系统功能的优缺点。相较传统测试，可以大幅提升测试效率，降低测试成本。
Description
技术领域
本发明属于测量电变量技术领域，具体而言，涉及一种应用智能仿真技术的地铁直流保护测试系统。
背景技术
随着城市轨道交通网络的快速发展，地铁供电系统的规模和复杂性日益增加，对其供电可靠性和运行安全的要求也越来越高。与此同时，传统的地铁供电保护测试手段，主要依赖定期现场试验和少量人为引发的故障案例。这种测试方式周期长、风险大、覆盖有限。如何提高地铁供电保护系统的测试效率和评估能力，是当前该技术领域亟待解决的问题。
近年来，仿真技术和人工智能技术在电力系统分析和保护领域得到广泛应用，一些前沿的研究工作尝试将这些技术引入地铁供电保护测试。这为实现更高效、更智能的保护测试方式提供了可能性。但将其转化为实际的系统方案和工程应用，还面临着模型构建、数据采集、系统集成等多方面的技术挑战。
查阅已公开的相关文件，公开号为CN109709416A提出一种地铁直流测试装置，包括通过SPI总线连接的DSP和DAC模块，在装置内产生测试数据并接入现有继电保护装置进行测试后，评判测试的结果；公告号为KR101409352B1的技术方案提出一种用于在地下交通供电的具有保护电路的电源，通过该电源内置的保护电路，可以起到保护地铁直流输电线路的作用；公开号为US20170207622A1的技术方案提出一种用于直流输电电路的直流配电和故障保护方案，通过配置一个控制单元监察高压直流电的数据，及时作出保护性行为。
以上技术方案均提出了对于地下交通或者相关直流电路的保护方案，但对于具有大量复杂线路和元件的地铁交通输电系统的保护检测，由于涉及环节众多，还需要提出自为高效和精确的测试系统方案。
背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
发明内容
本发明的目的在于，提供一种应用智能仿真技术的地铁直流保护测试系统，通过构建仿真测试平台，利用历史运行数据训练分类模型，通过故障案例驱动的仿真测试来评估现有保护系统的性能。本测试系统包括仿真模块、数据模块、样本生成模块、模型构建模块和分析模块，运用电磁暂态仿真平台构建仿真环境，收集并标注历史运行数据，生成故障案例集合。采用LSTM模型分类故障案例，针对不同类别案例进行仿真测试，记录保护动作，并与预期进行对比分析，判断保护动作正确性，评估保护系统综合性能。该方案系统自动生成测试用例，覆盖不同故障情景，评估保护系统功能的优缺点。相较传统测试，可以大幅提升测试效率，降低测试成本。
本发明采用如下技术方案：
一种应用智能仿真技术的地铁直流保护测试系统，如附图1所示，所述测试系统包括：
仿真模块12，被配置为使用电磁暂态仿真平台，构建基于现有的地铁直流输电系统以及地铁直流保护系统的仿真测试平台，以用于运行具有以上现有系统的工作特性的仿真计算；
数据采集模块14，被配置为获取地铁直流输电系统以及地铁直流保护系统的历史运行数据；并且，对所述历史运行数据中，所述地铁直流保护系统的保护动作记录进行分类，并为分类后的每项保护动作记录赋予动作类别的标注；其中，所述动作类别包括：区内故障保护正确动作、区内故障保护误动、区外故障保护正确不动作以及区外故障保护误动；
样本生成模块16，被配置为遍历地铁直流输电系统中存在的故障特征参数，系统地组合故障特征参数，将组合后的故障特征参数形成故障模拟案例，并将多个故障模拟案例形成故障模拟案例集合；
分析模块18，被配置为采用一个或以上所述故障模拟案例作为输入样本，将所述输入样本输入到所述仿真模块以运行所述仿真测试平台，记录仿真测试平台对所述故障模拟案例所执行的保护动作，并将保护动作作为输出样本；根据输入样本与对应的输出样本的特征，分析地铁直流保护系统是否对故障采取了正确的保护动作，并分析对应的执行结果；
通过从多个故障模拟案例集合中筛选出指定动作类别属性的故障模拟案例，采用这些故障模拟案例执行仿真测试，观察仿真测试平台中的仿真地铁直流保护系统是否作出正确的保护动作，从而为相关技术人员提供修正和优化地铁直流保护系统的测试数据；
优选地，所述测试系统还包括：
模型构建模块20，被配置为基于长短期记忆神经网络建立测试类型分类模型21，并对所述测试类型分类模型进行训练，以建立用于依据故障模拟案例的动作类别属性进行故障模拟案例分类的模型；
其中，故障模拟案例的动作类别属性，是指一个故障模拟案例能够导致地铁直流保护系统产生以下四种动作类别的其中一种的属性：
(1)区内故障保护正确动作；
(2)区内故障保护误动；
(3)区外故障保护正确不动作；
(4)区外故障保护误动；
优选地，所述保护动作包括以下任意一种或一种以上的动作形式：大电流脱扣保护、电流上升率保护、电流增量、保护、过流保护、双边联调保护、接触网热过负荷保护、自动重合闸保护；
优选地，通过以下一个或以上关键参数的表现，评判现有地铁直流保护系统的性能优劣：
保护动作的启动正确率、过流保护的动作值、电流上升率保护的动作值、过流保护的动作时间、电流上升率保护的动作时间、保护装置的整定值、保护装置的采样频率、地铁直流保护系统的稳定性、地铁直流保护系统的自诊断功能；
优选地，所述测试类型分类模型的隐状态维度为128；时序长度为7；采用的损失函数为交叉熵损失函数；采用的学习率初始值为0.001；采用Adam优化器，自适应调整学习率；L2正则化系数为0.01；
优选地，所述测试类型分类模型的建立包括以下步骤：
E100：对历史运行数据中的保护动作记录进行人工标注所属的动作类别，并将历史运行数据构建为第一数据集；
E200：通过样本生成模块，遍历地铁直流输电系统中可能存在的故障特征参数，系统地组合故障特征参数，并将组合后的故障特征参数形成多个故障模拟案例；
E300：将多个故障模拟案例输入到仿真模块中进行仿真，记录仿真过程中的输电系统状态数据和保护系统的保护动作记录数据，并分别记为仿真输电系统记录以及仿真保护动作记录；
E400：将仿真输电系统记录以及仿真保护动作记录形成基于时序的数据集合，对当中的仿真保护动作记录进行人工标注所属的动作类别，最终形成第二数据集；
E500：对第一、第二数据集进行训练集和验证集的划分；
其中从第一数据集中划分的训练集为第一训练集；对所述第一训练集赋予较高权重；
从第二数据集中划分的训练集为第二训练集；对所述第二训练集赋予较低权重；
E600：将第一、第二训练集输入模型构建模块，训练并获得测试类型分类模型；
进一步的，提出一种应用智能仿真技术的地铁直流保护测试方法，所述测试方法应用于所述一种应用智能仿真技术的地铁直流保护测试系统；所述测试方法包括以下步骤：
S100：通过样本生成模块生成故障模拟案例集合；
S200：由测试类型分类模型对步骤S100中的故障模拟案例集合的每个故障模拟案例进行分类；
S300：由相关技术人员设定每个动作类别属性的故障模拟案例数量；
S400：根据步骤S300中的设定数量，形成测试样本集合；
S500：将测试样本集合输入仿真模块进行仿真测试。
本发明所取得的有益效果是：
1.本技术方案的巡检系统实现了检测的全面自动化，其中的移动检测架集成了移动机构、传感器和软件，可以自动导航覆盖整个电站的光伏组件，进行全自动化的检测，无需人工操作，大大提升了巡检效率；
2.本技术方案的巡检系统采用了多元检测方式，它同时结合了光学成像和电参数两种技术进行检测，两者相互验证，可以提高检测结果的准确性和可靠性；通过图像判断外形缺陷，电参数评估发电效率，两者相融合形成准确的检测结果；
3.本技术方案的巡检系统应用智能算法实现快速自适应，检测质量实时反馈实现扫描速度的智能调节，使检测架可以根据具体环境状况自适应优化速度；在保证检测效果的前提下，最大程度地缩短了检测时间，提高巡检效率；
4.本技术方案的巡检系统中的各工作部分采用模块化设计，可以通过单独优化和替换其中的工作模块，实现系统的维护和升级，降低了后续的使用成本和升级成本。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
附图标号说明：12-仿真模块；14-数据采集模块；16-样本生成模块；18-分析模块；20-模型构建模块；21-测试类型分类模型；22-历史运行数据；24-输电系统记录；26-保护动作记录；32-仿真运行数据；42-第一数据集；44-第二数据集；
图1为本发明所述测试系统的架构示意图；
图2为本发明实施例中测试类型分类模型的构建流程示意图；
图3为本发明实施例中采用测试类型分类模型进行故障模拟案例分类的示意图；
图4为本发明实施例中所述历史运行数据的示意图；
图5为本发明实施例所采用的计算机系统的示意图。
具体实施方式
为了使得本发明的目的技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内。包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位。以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例一：示例性地，提出一种应用智能仿真技术的地铁直流保护测试系统，如附图1所示，所述测试系统包括：
仿真模块12，被配置为使用电磁暂态仿真平台，构建基于现有的地铁直流输电系统以及地铁直流保护系统的仿真测试平台，以用于运行具有以上现有系统的工作特性的仿真计算；
数据采集模块14，被配置为获取地铁直流输电系统以及地铁直流保护系统的历史运行数据；并且，对所述历史运行数据中，所述地铁直流保护系统的保护动作记录进行分类，并为分类后的每项保护动作记录赋予动作类别的标注；其中，所述动作类别包括：区内故障保护正确动作、区内故障保护误动、区外故障保护正确不动作以及区外故障保护误动；
样本生成模块16，被配置为遍历地铁直流输电系统中存在的故障特征参数，系统地组合故障特征参数，将组合后的故障特征参数形成故障模拟案例，并将多个故障模拟案例形成故障模拟案例集合；
分析模块18，被配置为采用一个或以上所述故障模拟案例作为输入样本，将所述输入样本输入到所述仿真模块以运行所述仿真测试平台，记录仿真测试平台对所述故障模拟案例所执行的保护动作，并将保护动作作为输出样本；根据输入样本与对应的输出样本的特征，分析地铁直流保护系统是否对故障采取了正确的保护动作，并分析对应的执行结果；
通过从多个故障模拟案例集合中筛选出指定动作类别属性的故障模拟案例，采用这些故障模拟案例执行仿真测试，观察仿真测试平台中的仿真地铁直流保护系统是否作出正确的保护动作，从而为相关技术人员提供修正和优化地铁直流保护系统的测试数据；
优选地，所述测试系统还包括：
模型构建模块20，被配置为基于长短期记忆神经网络建立测试类型分类模型21，并对所述测试类型分类模型进行训练，以建立用于依据故障模拟案例的动作类别属性进行故障模拟案例分类的模型；
其中，故障模拟案例的动作类别属性，是指一个故障模拟案例能够导致地铁直流保护系统产生以下四种动作类别的其中一种的属性：
(1)区内故障保护正确动作；
(2)区内故障保护误动；
(3)区外故障保护正确不动作；
(4)区外故障保护误动；
优选地，所述保护动作包括以下任意一种或一种以上的动作形式：大电流脱扣保护、电流上升率保护、电流增量、保护、过流保护、双边联调保护、接触网热过负荷保护、自动重合闸保护；
优选地，通过以下一个或以上关键参数的表现，评判现有地铁直流保护系统的性能优劣：
保护动作的启动正确率、过流保护的动作值、电流上升率保护的动作值、过流保护的动作时间、电流上升率保护的动作时间、保护装置的整定值、保护装置的采样频率、地铁直流保护系统的稳定性、地铁直流保护系统的自诊断功能；
优选地，所述测试类型分类模型的隐状态维度为128；时序长度为7；采用的损失函数为交叉熵损失函数；采用的学习率初始值为0.001；采用Adam优化器，自适应调整学习率；L2正则化系数为0.01；
优选地，如附图2所示，所述测试类型分类模型的建立包括以下步骤：
E100：对历史运行数据中的保护动作记录进行人工标注所属的动作类别，并将历史运行数据构建为第一数据集42；
E200：通过样本生成模块，遍历地铁直流输电系统中可能存在的故障特征参数，系统地组合故障特征参数，并将组合后的故障特征参数形成多个故障模拟案例；
E300：将多个故障模拟案例输入到仿真模块中进行仿真，记录仿真过程中的输电系统状态数据和保护系统的保护动作记录数据，并分别记为仿真输电系统记录以及仿真保护动作记录；
E400：将仿真输电系统记录以及仿真保护动作记录形成基于时序的仿真运行数据32，对当中的仿真保护动作记录进行人工标注所属的动作类别，最终形成第二数据集44；
E500：对第一、第二数据集进行训练集和验证集的划分；
其中从第一数据集中划分的训练集为第一训练集；对所述第一训练集赋予较高权重；
从第二数据集中划分的训练集为第二训练集；对所述第二训练集赋予较低权重；
E600：将第一、第二训练集输入模型构建模块20，训练并获得测试类型分类模型21；
进一步的，如附图3所示，提出一种应用智能仿真技术的地铁直流保护测试方法，所述测试方法应用于所述一种应用智能仿真技术的地铁直流保护测试系统；所述测试方法包括以下步骤：
S100：通过样本生成模块生成故障模拟案例集合；
S200：由测试类型分类模型对步骤S100中的故障模拟案例集合的每个故障模拟案例进行分类；
S300：由相关技术人员设定每个动作类别属性的故障模拟案例数量；
S400：根据步骤S300中的设定数量，形成测试样本集合；
S500：将测试样本集合输入仿真模块进行仿真测试。
实施例二：本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进；
进一步的，如附图4所示，在示例性的实施方式中，所述历史运行数据22中包括了输电系统记录24以及保护动作记录26；输电系统记录24为现有地铁直流输电系统在工作过程中，各关键部件按照时间顺序，根据采样频率采集所得的大量历史监测数据；这些数据可以反映出系统在不同的运行状态下及故障情况下的运行参数，主要包括但不限于：
牵引变电所输出电压、电流；牵引供电线路电压、电流；列车运行状态(速度、位置等)；接触网电压、电流；等等；
采集的数据均基于时序进行标定，反映实际系统运行状态；优选地，输电系统记录24的采集频率一般为毫秒级，可以充分反映电气系统工作时各种动态变化过程；这些数据可以帮助仿真模型充分学习正常工作状况下各部件时序数据的模式，以及故障发生时的异常模式；
优选地，保护动作记录26中包含了历史故障发生时，各保护系统中各保护装置的动作时间、动作类型、动作顺序等数据；这些数据为模型提供了重要的保护动作响应的样本，可用于增强模型对正常和故障情况的识别能力；
基于所述历史运行数据22，能够呈现现实情况下现有的地铁直流输电系统以及地铁直流保护系统的性能特性，以用于训练所述测试类型分类模型；
进一步的，对每项保护动作记录所赋予的动作类别的标注，包括以下四类：区内故障保护正确动作、区内故障保护误动、区外故障保护正确不动作以及区外故障保护误动
并且每类动作类别的意义如下：
区内故障：是指发生在保护装置的保护区域内的故障；保护区域通常指该保护装置直接供电的电路或设备区域；
区外故障：是指发生在保护装置的保护区域外的故障，通常是发生在其他保护装置保护区域内的故障；
正确动作，即对区内故障执行正确的保护动作，或者对非区内(即区外)的故障不执行任何保护动作；与之相对的，
误动，即对区内故障没有执行保护动作或执行了错误的保护动作，或者对非区内(即区外)的故障执行了任意的保护动作；
举例来说，如果保护装置A保护着线路1到线路2之间的线路，那么；
线路1到线路2之间线路上的故障就是区内故障；
线路3到线路4之间线路上的故障就是区外故障；
对于区内故障，保护系统需要快速断开故障段；对于区外故障，保护系统则需要不动作，避免误断；
进一步的，所述数据采集模块14在获得保护动作记录26和对应的输电系统记录24后，可以通过数据对齐和时序统计的方法，将二者联系上，形成具有体现输电系统以及保护系统性能特征在组合数据；
在示例性的实施方式中，可以以保护动作发生的时间点为中心，从输电系统记录24中提取这个时间点前后的一段时间序列数据作为输入特征，并检索保护动作记录26，以最终形成一组组合数据；
以一组组合数据为例，如果在时间t1时刻，A区保护系统发生了动作，那么可以提取t1时刻前后1分钟的输电系统数据作为该样本的特征，并根据保护动作记录，由相关技术人员判断此次动作属于“区内故障保护正确动作”；
重复该过程，可以从全量数据中构建出大量带有特征和人工标注的样本；其中标注即为保护动作的四种类别之一：“区内故障保护正确动作”、“区内故障保护误动”、“区外故障保护正确不动作”和“区外故障保护误动”；
进一步的，通过作为真实数据样本的第一数据集，以及作为仿真模拟产生的数据样本的第二数据集，可以进一步进行测试类型分类模型的训练；
建立所述测试类型分类模型的目的在于，筛选出可能导致地铁直流保护系统作出某个动作类别的保护动作的故障模拟案例，采用这些具有某一个动作类别的故障模拟案例来执行仿真测试，观察仿真测试平台中的仿真地铁直流保护系统是否作出正确的执行动作，从而为相关技术人员提供修正和优化地铁直流保护系统的测试数据；
进一步的，在示例性的实施方式中，采用基于长短期记忆神经网络(LSTM)建立所述测试类型分类模型；
LSTM神经网络的优势在于其在处理时间序列数据方面独特的优势；如本技术方案中，保护动作记录和对应的输电系统记录是典型的时间序列数据，它们都包含了时间的顺序信息；而LSTM模型通过特殊的门控结构，能够学习和记忆时间序列中的长期依赖关系；相比其它分类模型如SVM、KNN等，LSTM更适合提取时间序列的内在规律，并在此基础上进行分类判断；
此外，LSTM还具备一定的容错能力和抗扰动能力。考虑到实际的输电系统记录可能含有一定的噪声或异常值，LSTM模型可以保证一定的鲁棒性，避免对这些噪声过度敏感；
进一步的，在示例性的实施方式中，所述测试类型分类模型具有以下参数特征：
输入特征维度，优选地选取过去24小时的采样数据作为输入，每分钟采样一次，则输入特征维度为24*60＝1440；
LSTM隐状态维度：优选地可以设置为128，可选地设置为64；LSTM隐状态维度关系到模型参数量和拟合能力；
时序长度：优选地设置为7，即模型在训练时会利用过去7个时间步的序列进行学习；
分类类别：设定为4类，对应区内正确、区内误动、区外正确、区外误动4种情况；
损失函数：交叉熵损失函数，用于softmax分类；
优化器：Adam优化器，自适应调整学习率；
学习率：初始为0.001，训练中可自适应调整；
训练周期：设定为80～100周期，可根据验证效果提前终止；
训练批次规模：可以设置为128或160，合适的训练批次规模有利于模型训练；
L2正则化：设置正则项系数为0.01，以减轻过拟合。
实施例三：本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进；
示例性地，如附图5所示，说明所述测试系统中所采用的计算机系统500的实施方式；
其中，计算机系统500包括总线502或用于传送信息的其他通信机制、与总线502耦合用于处理信息的一个或多个处理器504；处理器504可以是例如一个或多个通用微处理器；
计算机系统500还包括主存储器506，例如随机存取存储器(RAM)、高速缓存和/或其他动态存储设备，其耦合到总线502用于存储要由处理器504执行的信息和指令；主存储器506还可以用于在由处理器504执行的指令的执行期间存储临时变量或其他中间信息；这些指令当存储在处理器504可访问的存储介质中时，将计算机系统500呈现为被定制为执行指令中指定操作的专用机器；
计算机系统500还可以包括耦合到总线502的只读存储器(ROM)508或其他静态存储设备，用于存储处理器504的静态信息和指令；当中例如磁盘、光盘或USB驱动器(闪存驱动器)等的存储设备510将耦合到总线502以用于存储信息和指令；
并且进一步的，耦合到总线502还可以包括用于显示各种信息、数据、媒体等的显示器512、用于允许计算机系统500的用户控制、操纵计算机系统500和/或与计算机系统500交互的输入装置514；
优选的一种与所述管理系统进行交互的方式可以是通过光标控制设备516，例如计算机鼠标或类似的控制/导航机制；
进一步的，计算机系统500还可以包括耦合到总线502的网络设备518；其中网络设备518可以包括例如有线网卡、无线网卡、交换芯片、路由器、交换机等部件；
一般而言，本文所使用的词语“引擎”、“组件”、“系统”、“数据库”等可以指硬件或固件中体现的逻辑，或者指软件指令的集合，可能具有条目以及退出点，以诸如Java、C或C++的编程语言编写；软件组件可以被编译并链接成可执行程序，安装在动态链接库中，或者可以用解释型编程语言(例如BASIC、Perl或Python)来编写；应当理解，软件组件可以从其他组件或从它们自身调用，和/或可以响应于检测到的事件或中断而被调用；
配置为在计算设备上执行的软件组件可以在计算机可读介质上提供，例如光盘、数字视频盘、闪存驱动器、磁盘或任何其他有形介质，或者作为数字下载(并且可以最初存储)采用压缩或可安装格式，需要在执行之前安装、解压缩或解密)；这样的软件代码可以部分或全部存储在执行计算设备的存储器设备上，以供计算设备执行；软件指令可以嵌入固件中，例如EPROM。还应当理解，硬件组件可以由连接的逻辑单元(例如门和触发器)组成，和/或可以由可编程单元(例如可编程门阵列或处理器)组成；
计算机系统500包括可以使用定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑来实现本文描述的技术，所述程序逻辑与计算机系统相结合使得计算机系统500成为专用的计算设备；
根据一个或多个实施例，本文的技术由计算机系统500响应于处理器504执行主存储器506中包含的一个或多个指令的一个或多个序列而执行；这样的指令可以从诸如存储设备510之类的另一存储介质读入主存储器506；主存储器506中包含的指令序列的执行使得处理器504执行本文描述的处理步骤；在替代实施例中，可以使用硬连线电路来代替软件指令或与软件指令组合；
如本文所使用的术语“非暂时性介质”和类似术语指的是存储使机器以特定方式操作的数据和/或指令的任何介质；这样的非暂时性介质可以包括非易失性介质和/或易失性介质；非易失性介质包括例如光盘或磁盘，例如存储设备510；易失性介质包括动态存储器，例如主存储器506；
其中，非暂时性介质的常见形式包括例如软盘、软盘、硬盘、固态驱动器、磁带或任何其他磁性数据存储介质、CD-ROM、任何其他光学数据存储介质、任何具有孔图案的物理介质、RAM、PROM和EPROM、FLASH-EPROM、NVRAM、任何其他存储芯片或盒以及其网络版本；
非瞬态介质不同于传输介质，但可以与传输介质结合使用；传输介质参与非瞬态介质之间的信息传输；例如，传输介质包括同轴电缆、铜线和光纤，包括构成总线502的电线；传输介质还可以采用声波或光波的形式，例如无线电波和红外数据通信。
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。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法，系统和设备是示例。各种配置可以适当地省略，替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，和/或可以添加，省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置例如，已经示出了众所周知的电路，过程，算法，结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。
综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (8)
1.一种应用智能仿真技术的地铁直流保护测试系统，其特征在于，所述测试系统包括：
仿真模块，被配置为使用电磁暂态仿真平台，构建基于现有的地铁直流输电系统以及地铁直流保护系统的仿真测试平台，以用于运行具有以上现有系统的工作特性的仿真计算；
数据采集模块，被配置为获取地铁直流输电系统以及地铁直流保护系统的历史运行数据；并且，对所述历史运行数据中，所述地铁直流保护系统的保护动作记录进行分类，并为分类后的每项保护动作记录赋予动作类别的标注；其中，所述动作类别包括：区内故障保护正确动作、区内故障保护误动、区外故障保护正确不动作以及区外故障保护误动；
样本生成模块，被配置为遍历地铁直流输电系统中存在的故障特征参数，系统地组合故障特征参数，将组合后的故障特征参数形成故障模拟案例，并将多个故障模拟案例形成故障模拟案例集合；
分析模块，被配置为采用一个或以上所述故障模拟案例作为输入样本，将所述输入样本输入到所述仿真模块以运行所述仿真测试平台，记录仿真测试平台对所述故障模拟案例所执行的保护动作，并将保护动作作为输出样本；根据输入样本与对应的输出样本的特征，分析地铁直流保护系统是否对故障采取了正确的保护动作，并分析对应的执行结果；
通过从多个故障模拟案例集合中筛选出指定动作类别属性的故障模拟案例，采用这些故障模拟案例执行仿真测试，观察仿真测试平台中的仿真地铁直流保护系统是否作出正确的保护动作，从而为相关技术人员提供修正和优化地铁直流保护系统的测试数据。
2.如权利要求1所述测试系统，其特征在于，所述测试系统还包括：
模型构建模块，被配置为基于长短期记忆神经网络建立测试类型分类模型，并对所述测试类型分类模型进行训练，以建立用于依据故障模拟案例的动作类别属性进行故障模拟案例分类的模型；
其中，故障模拟案例的动作类别属性，是指一个故障模拟案例能够导致地铁直流保护系统产生以下四种动作类别的其中一种的属性：
(1)区内故障保护正确动作；
(2)区内故障保护误动；
(3)区外故障保护正确不动作；
(4)区外故障保护误动。
3.如权利要求2所述测试系统，其特征在于，所述保护动作包括以下任意一种或一种以上的动作形式：大电流脱扣保护、电流上升率保护、电流增量、保护、过流保护、双边联调保护、接触网热过负荷保护、自动重合闸保护。
4.如权利要求3所述测试系统，其特征在于，通过以下一个或以上关键参数的表现，评判现有地铁直流保护系统的性能优劣：
保护动作的启动正确率、过流保护的动作值、电流上升率保护的动作值、过流保护的动作时间、电流上升率保护的动作时间、保护装置的整定值、保护装置的采样频率、地铁直流保护系统的稳定性、地铁直流保护系统的自诊断功能。
5.如权利要求4所述测试系统，其特征在于，所述测试类型分类模型的隐状态维度为128；时序长度为7；采用的损失函数为交叉熵损失函数；采用的学习率初始值为0.001；采用Adam优化器，自适应调整学习率；L2正则化系数为0.01。
6.如权利要求5所述测试系统，其特征在于，所述测试类型分类模型的建立包括以下步骤：
E100：对历史运行数据中的保护动作记录进行人工标注所属的动作类别，并将历史运行数据构建为第一数据集；
E200：通过样本生成模块，遍历地铁直流输电系统中可能存在的故障特征参数，系统地组合故障特征参数，并将组合后的故障特征参数形成多个故障模拟案例；
E300：将多个故障模拟案例输入到仿真模块中进行仿真，记录仿真过程中的输电系统状态数据和保护系统的保护动作记录数据，并分别记为仿真输电系统记录以及仿真保护动作记录；
E400：将仿真输电系统记录以及仿真保护动作记录形成基于时序的数据集合，对当中的仿真保护动作记录进行人工标注所属的动作类别，最终形成第二数据集；
E500：对第一、第二数据集进行训练集和验证集的划分；
其中从第一数据集中划分的训练集为第一训练集；对所述第一训练集赋予较高权重；
从第二数据集中划分的训练集为第二训练集；对所述第二训练集赋予较低权重；
E600：将第一、第二训练集输入模型构建模块，训练并获得测试类型分类模型。
7.一种应用智能仿真技术的地铁直流保护测试方法，其特征在于，所述测试方法应用于如权利要求6所述一种应用智能仿真技术的地铁直流保护测试系统；所述测试方法包括以下步骤：
S100：通过样本生成模块生成故障模拟案例集合；
S200：由测试类型分类模型对步骤S100中的故障模拟案例集合的每个故障模拟案例进行分类；
S300：由相关技术人员设定每个动作类别属性的故障模拟案例数量；
S400：根据步骤S300中的设定数量，形成测试样本集合；
S500：将测试样本集合输入仿真模块进行仿真测试。
8.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求7所述一种应用智能仿真技术的地铁直流保护测试方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311592576.7A CN117454231B (zh) | 2023-11-27 | 2023-11-27 | 一种应用智能仿真技术的地铁直流保护测试系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311592576.7A CN117454231B (zh) | 2023-11-27 | 2023-11-27 | 一种应用智能仿真技术的地铁直流保护测试系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117454231A true CN117454231A (zh) | 2024-01-26 |
| CN117454231B CN117454231B (zh) | 2024-07-02 |
Family
ID=89585501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311592576.7A Active CN117454231B (zh) | 2023-11-27 | 2023-11-27 | 一种应用智能仿真技术的地铁直流保护测试系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454231B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892211A (zh) * | 2024-03-11 | 2024-04-16 | 国网上海市电力公司 | 一种基于svm的地铁和电网间电磁耦合故障识别方法 |
| CN118211538A (zh) * | 2024-05-20 | 2024-06-18 | 北京前景无忧电子科技股份有限公司 | 一种knn算法的芯片功能评估方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109142919A (zh) * | 2018-08-07 | 2019-01-04 | 国网江苏省电力有限公司电力科学研究院 | 基于全过程运行特性模拟的特高压直流保护现场测试方法、装置和系统 |
| CN111337781A (zh) * | 2020-03-31 | 2020-06-26 | 国网安徽省电力有限公司电力科学研究院 | 一种采样异常控制解耦的直流保护现场测试系统及方法 |
| CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 |
| CN113392589A (zh) * | 2021-06-30 | 2021-09-14 | 云南电网有限责任公司电力科学研究院 | 基于卷积神经网络的高压直流换流站故障分析方法及系统 |
| CN114662394A (zh) * | 2022-03-28 | 2022-06-24 | 国网安徽省电力有限公司电力科学研究院 | 一种基于yolo v3的高压交流线路保护行为评价方法及系统 |
| CN115201632A (zh) * | 2022-07-21 | 2022-10-18 | 国网福建省电力有限公司宁德供电公司 | 一种多端直流输电线路故障识别方法 |
| CN116087667A (zh) * | 2023-03-09 | 2023-05-09 | 国网安徽省电力有限公司超高压分公司 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
-
2023
- 2023-11-27 CN CN202311592576.7A patent/CN117454231B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109142919A (zh) * | 2018-08-07 | 2019-01-04 | 国网江苏省电力有限公司电力科学研究院 | 基于全过程运行特性模拟的特高压直流保护现场测试方法、装置和系统 |
| CN111337781A (zh) * | 2020-03-31 | 2020-06-26 | 国网安徽省电力有限公司电力科学研究院 | 一种采样异常控制解耦的直流保护现场测试系统及方法 |
| CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 |
| CN113392589A (zh) * | 2021-06-30 | 2021-09-14 | 云南电网有限责任公司电力科学研究院 | 基于卷积神经网络的高压直流换流站故障分析方法及系统 |
| CN114662394A (zh) * | 2022-03-28 | 2022-06-24 | 国网安徽省电力有限公司电力科学研究院 | 一种基于yolo v3的高压交流线路保护行为评价方法及系统 |
| CN115201632A (zh) * | 2022-07-21 | 2022-10-18 | 国网福建省电力有限公司宁德供电公司 | 一种多端直流输电线路故障识别方法 |
| CN116087667A (zh) * | 2023-03-09 | 2023-05-09 | 国网安徽省电力有限公司超高压分公司 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892211A (zh) * | 2024-03-11 | 2024-04-16 | 国网上海市电力公司 | 一种基于svm的地铁和电网间电磁耦合故障识别方法 |
| CN118211538A (zh) * | 2024-05-20 | 2024-06-18 | 北京前景无忧电子科技股份有限公司 | 一种knn算法的芯片功能评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117454231B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117454231B (zh) | 一种应用智能仿真技术的地铁直流保护测试系统 | |
| CN110647414A (zh) | 具有异常检测的改善的模拟功能安全 | |
| CN104951990A (zh) | 电网数据处理方法及设备 | |
| CN115983084A (zh) | 一种燃料电池剩余使用寿命预测方法、系统、设备及终端 | |
| CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
| CN113472079B (zh) | 配电站运维监控云机器人系统、后台处理及作业任务方法 | |
| CN112560997B (zh) | 故障识别模型训练方法、故障识别方法及相关装置 | |
| CN115668084A (zh) | 诊断装置、服务器以及诊断方法 | |
| CN118157333B (zh) | 一种基于物联网技术的配变台区智能监控方法及系统 | |
| CN117218495A (zh) | 一种电表箱的风险检测方法及系统 | |
| CN117611135A (zh) | 一种可视化设备运维管控方法及系统 | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| Chai et al. | A non-intrusive deep learning based diagnosis system for elevators | |
| CN117590130A (zh) | 一种基于数字孪生的输电线路态势感知方法 | |
| KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
| CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
| CN108761250B (zh) | 一种基于工控设备电压电流的入侵检测方法 | |
| US11436069B2 (en) | Method and apparatus for predicting hard drive failure | |
| Cheng et al. | A just-in-time manifold-based fault detection method for electrical drive systems of high-speed trains | |
| CN117074840B (zh) | 直流充电桩在线测试系统 | |
| CN117892252B (zh) | 基于大数据的智慧园区运营管理平台 | |
| US20220319240A1 (en) | Management system, maintenance schedule determination method, recording medium, and trained model generation method | |
| CN118041762A (zh) | 工业控制系统的通信网络故障预测方法及装置 | |
| Mortensen et al. | Designing digitally enabled proactive maintenance systems in power distribution grids: A scoping literature review | |
| CN117879155A (zh) | 一种基于智能录波器采集信息的辅助决策系统 |
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 | ||
| GR01 | Patent grant |