CN117478511A - 一种继电保护业务管理系统及方法 - Google Patents

一种继电保护业务管理系统及方法 Download PDF

Info

Publication number
CN117478511A
CN117478511A CN202311561197.1A CN202311561197A CN117478511A CN 117478511 A CN117478511 A CN 117478511A CN 202311561197 A CN202311561197 A CN 202311561197A CN 117478511 A CN117478511 A CN 117478511A
Authority
CN
China
Prior art keywords
sequence
configuration data
service configuration
training
relay protection
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
CN202311561197.1A
Other languages
English (en)
Inventor
刘硕钰
胡广
陆文卿
苏燕
唐文斌
仲晓翔
王谦
季文嬿
黄陈杰
刘超
顾炜曦
张辉
徐志亮
朱燕
张希子
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.)
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Original Assignee
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
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 Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co filed Critical Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Priority to CN202311561197.1A priority Critical patent/CN117478511A/zh
Publication of CN117478511A publication Critical patent/CN117478511A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0866—Checking the configuration
    • H04L41/0869—Validating the configuration within one network element
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Emergency Protection Circuit Devices (AREA)

Abstract

本发明公开了一种继电保护业务管理系统及方法，涉及智能化继电保护技术领域，该系统包括：数据项划分模块，其用于将采集的变更后复用通道的业务配置数据按照数据项划分，从而得到第一序列；词嵌入转换模块，用于对第一序列词采用词嵌入向量转换方法得到第二序列；语义理解模块，用于将第二序列通过上下文编码器得到第三序列，还用于将第三序列排列为输入矩阵，并通过提取器得到局部关联强化特征图；数据校验模块，用于将业务管理系统中的当前局部关联强化特征图通过分类器，得到分类结果。本发明实现了对变更后复用通道的业务配置正确性的自动校验和判断，从而提高了继电保护设备配置的准确性和管理效率，进一步提升了电力系统的安全性和可靠性。

Description

一种继电保护业务管理系统及方法
技术领域
本发明涉及智能化继电保护技术领域，尤其涉及一种继电保护业务管理系统及方法。
背景技术
随着一次能源供给日趋复杂，新能源消纳对电网稳定运行产生严峻威胁，为了确保电网运行第一道防线稳固，继电保护也有了双重化、三路由、三差保护等演进需求，也对继电保护承载网络及其管理提出了更高要求。继电保护装置除了自身须满足可靠性、选择性、灵敏性和速动性的要求外，还需要传输通道将保护信号准确、迅速、可靠地传送出去，使故障点在最短时间内被隔离(切除)，确保电网整体安全运行，这对电力通信系统提供的传输通道可靠性提出了严格要求。
新型电力系统下继电保护等二次系统严重依赖通信系统，在当前500kV、220kV线路上，光纤通道电流差动保护作为主要的继电保护方式被广泛使用。传输继电保护信息的通信通道既可以是专用通道，也可以是复用通道。但通信和保护专业在保护通道管理上还存在传统上的“烟囱型”管理，打破专业管理壁垒，实现保护通道信息共享已成为各专业间紧密、有序、流畅、高效合作的关键。
在进行复用通道的配置变更时，需要确保变更后的业务配置的正确性，这是因为复用通道的正确配置对于继电保护设备的正常工作至关重要。如果业务配置存在错误或不一致，可能导致继电保护设备无法正确接收或解析业务信号，从而导致设备失效或误动作，对电力系统的安全性和可靠性产生不利影响。为了确保复用通道配置变更后的业务配置的正确性，通常需要进行正确性校验，这包括：验证所做的配置变更是否符合继电保护设备和通信规约的要求，以及确保新配置下的复用通道能够正常传输业务信号。校验的方法可以包括使用仿真工具进行离线仿真测试，或者在实际系统中进行在线测试和监测。通过正确性校验，可以确保复用通道配置变更后的业务配置的准确性和可靠性，从而保证继电保护设备的正常运行和可靠性保护电力系统的功能，这对于继电保护业务管理系统的运行和电力系统的稳定运行都至关重要。
传统的继电保护业务管理系统存在一些挑战和问题，包括人工操作容易出现配置错误、繁琐耗时的配置和管理过程、缺乏自动校验机制以及无法及时发现配置错误等，这些问题可能导致继电保护设备无法正常工作或产生误操作，对电力系统的安全稳定运行带来风险。一方面，传统系统依赖人工进行继电保护设备的配置和管理，而人工操作容易受到主观因素的影响，增加了配置错误的风险，人为的疏忽、疲劳或缺乏经验可能导致配置错误或遗漏，进而影响到设备的正常运行。
另一方面，传统系统的配置和管理过程通常较为繁琐和耗时，人工操作需要逐个设备进行配置，涉及到大量的参数设置和交叉验证，耗费了大量的时间和人力资源。此外，由于缺乏自动校验机制，系统无法对变更后的业务配置进行实时的正确性校验，即使配置发生了错误，系统也无法及时发现和纠正，可能导致继电保护设备无法正常工作或误操作。
发明内容
发明目的：为了解决缺乏自动校验机制，无法对变更后的业务配置进行实时的正确性校验的问题，本发明提供一种继电保护业务管理系统，还提供一种继电保护业务管理方法。
技术方案：根据本发明的第一方面，提供一种继电保护业务管理系统，该系统包括：
数据项划分模块，其用于将采集的变更后复用通道的业务配置数据按照数据项划分，从而得到第一序列，所述第一序列为业务配置数据项的序列；
词嵌入转换模块，其用于对所述第一序列词采用词嵌入向量转换方法得到第二序列，所述第二序列为业务配置数据项嵌入向量的序列；
语义理解模块，其用于将第二序列通过上下文编码器得到第三序列，所述第三序列为上下文业务配置数据项语义特征向量的序列，还用于将第三序列排列为输入矩阵，并通过提取器得到局部关联强化特征图，将所述局部关联强化特征图作为所述业务配置数据项语义特征；
数据校验模块，其用于将业务管理系统中的当前局部关联强化特征图优化后，得到优化局部关联强化特征图，并通过分类器后得到分类结果，所述分类结果用于表示变更后复用通道的业务配置数据是否正确。
进一步的，包括：
该系统还包括训练模块，其用于设置输入和对应的输出分类，并初始化权重矩阵，然后采用分类器对优化局部关联强化特征图进行迭代训练，进而更新权重矩阵，所述分类器以如下训练分类公式对所述优化局部关联强化特征图进行处理，以生成训练分类结果，其中，所述训练分类公式表示为：
softmax{(Wc,Bc)|Project(F)}；
其中，Project(F)表示将所述优化局部关联强化特征图投影为向量，作为神经网络的输入，Wc为全连接的权重矩阵，Bc表示全连接的偏置向量，softmax表示归一化指数函数；以及，计算所述训练分类结果与真实值之间的交叉熵值作为分类损失函数值。
进一步的，包括：
所述权重矩阵的更新公式表示如下：
其中，M1和M2分别是上次和本次迭代对应的权重矩阵，其中，在首次迭代时，采用不同的初始化策略设置M1和M2，Vc是所述优化局部关联强化特征图展开后得到局部关联强化特征向量，和/>分别表示特征向量V1和V2的全局均值，且Mb是偏置矩阵，/>表示特征向量V2的转置向量，/>表示按位置加法，⊙表示按位置点乘，/>表示矩阵乘法，max(·)表示最大值函数，M'2是下一次迭代的权重矩阵。
进一步的，包括：
所述提取器采用卷积操作在所述输入矩阵的局部区域上提取特征，识别和强化业务配置数据的各个数据项之间的依赖关系或模式，进而得到局部关联强化特征图。
进一步的，包括：
所述上下文编码器是基于转换器模块的上下文编码器，其能够有效地捕捉到所述业务配置数据中的各个数据项之间的全局语义关联特征。
另一方面，本发明还提供一种继电保护业务管理方法，包括以下步骤：
S1获取变更后复用通道的业务配置数据；
S2对所述业务配置数据按照数据项进行划分以得到第一序列，所述第一序列为业务配置数据项的序列；
S3对所述第一序列进行词嵌入向量转换以得到第二序列，所述第二序列为业务配置数据项嵌入向量的序列；
S4对所述第二序列进行语义编码以得到业务配置数据项语义特征；
S5基于所述业务配置数据项语义特征，确定变更后复用通道的业务配置数据是否正确。
进一步的，包括：
所述步骤S4具体包括：
S41将第二序列通过上下文编码器得到第三序列，所述第三序列为上下文业务配置数据项语义特征向量的序列；
S42将第三序列排列为输入矩阵，并通过提取器得到局部关联强化特征图，将所述特征图作为所述业务配置数据项语义特征。
进一步的，包括：
该方法还包括：首先，对局部关联强化特征图进行优化，得到优化局部关联强化特征图，然后，对所述分类器进行训练，并采用基于所述分类损失函数单元和梯度下降的方向迭代训练，所述分类损失函数单元包括：
分类器以如下训练分类公式对所述优化局部关联强化特征图进行处理，以生成训练分类结果，其中，所述训练分类公式表示为：
softmax{(Wc,Bc)|Project(F)}，
其中，Project(F)表示将所述优化局部关联强化特征图投影为向量，作为神经网络的输入，Wc为全连接的权重矩阵，Bc表示全连接的偏置向量，softmax表示归一化指数函数；以及，计算所述训练分类结果与真实值之间的交叉熵值作为分类损失函数值。
进一步的，包括：
所述下一次迭代训练的权重矩阵，表示如下：
其中，M1和M2分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置M1和M2，Vc是所述训练业务配置数据局部关联强化特征图展开后得到训练业务配置数据局部关联强化特征向量，和/>分别表示特征向量V1和V2的全局均值，且Mb是偏置矩阵，/>表示特征向量V2的转置向量，/>表示按位置加法，⊙表示按位置点乘，/>表示矩阵乘法，max(·)表示最大值函数，M'2是下一次迭代的权重矩阵。
进一步的，包括：
所述提取器采用卷积操作在所述输入矩阵的局部区域上提取特征，识别和强化业务配置数据的各个数据项之间的依赖关系或模式，进而得到局部关联强化特征图；所述上下文编码器是基于转换器模块的上下文编码器，其能够有效地捕捉到所述业务配置数据中的各个数据项之间的全局语义关联特征。有益效果：与现有技术相比，本发明具有以下优点：本发明所述的继电保护业务管理系统及方法，其在复用通道配置变更后，通过实时采集变更后复用通道的业务配置数据，并在后端引入数据处理和语义理解算法来进行该变更后复用通道的业务配置数据的语义理解，以此来对变动的复用通道的业务配置数据进行正确性校验，同时能够提示报错网元节点和业务的时隙，从而提高复用通道配置正确性校验的效率和准确性。这样，实现了对变更后复用通道的业务配置正确性的自动校验和判断，从而提高了继电保护设备配置的准确性和管理效率，进一步提升了电力系统的安全性和可靠性。
附图说明
图1为本发明实施例中提供的一种继电保护业务管理系统的框图；
图2为本发明实施例中提供的一种继电保护业务管理方法的流程图；
图3为本发明实施例中提供的一种继电保护业务管理方法的系统架构的示意图；
图4为本发明实施例中提供的一种继电保护业务管理系统的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，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。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
继电保护业务管理系统是用于监控和管理电力系统中的继电保护设备和相关业务配置的系统，提供了对继电保护设备的实时监测、故障录波、事件分析等功能，并且可以对继电保护设备的参数进行配置和管理。
复用通道配置变更是指在继电保护业务管理系统中对复用通道的参数进行修改，复用通道是用于传输继电保护设备之间的业务信号的通道，可以同时传输多个不同的业务信号，配置变更可能包括增加或删除业务信号、调整时隙分配等操作。
复用通道的配置变更可能涉及到不同业务的调整和重新配置，为了确保变更后的业务配置的正确性，需要对变动的业务配置进行正确性校验，以确保复用通道能够正常传输业务信号，否则可能导致继电保护设备失效或误动作。
为了解决这些问题，可以引入一些优化措施和技术：引入自动化工具和算法，实现对继电保护设备的自动配置和管理，通过与设备通信和数据交换，系统可以自动获取设备的参数和配置信息，并根据需求进行自动配置，减少了人工操作的需求，降低了配置错误的风险。具备智能校验机制，能够对变更后的业务配置进行实时的正确性校验，通过对配置信息进行自动分析和比对，系统可以及时发现配置错误或遗漏，并给出相应的警告或修正建议，减少了配置错误的可能性。
实时监测继电保护设备的状态和运行情况，通过数据分析和故障诊断算法，能够及时发现设备的异常行为或故障，并给出相应的报警和处理建议，这样可以提高设备的可靠性和运行效率，减少误操作的风险。支持远程管理和控制功能，运维人员可以通过网络远程访问和管理继电保护设备，进行参数配置、状态监测和故障处理等操作，这样可以提高运维效率，减少了人工巡检和操作的需求。对设备运行数据进行收集和分析，通过数据挖掘和机器学习等技术，可以发现设备的潜在问题和性能瓶颈，并提供优化建议，这样可以提高设备的可靠性和效率，减少了不必要的维护和运营成本。
通过引入自动化、智能化和远程管理等技术，优化的继电保护业务管理系统可以提高配置的准确性和效率，降低了人为错误和误操作的风险，提高了设备的可靠性和运行效率，这样的系统可以更好地满足继电保护业务的需求，并为电力系统的安全稳定运行提供有力支持。
在本发明的一个实施例中，提供一种继电保护业务管理系统，该系统包括：
数据项划分模块，其用于将采集的变更后复用通道的业务配置数据按照数据项划分，从而得到第一序列，所述第一序列为业务配置数据项的序列；
词嵌入转换模块，其用于对所述第一序列词采用词嵌入向量转换方法得到第二序列，所述第二序列为业务配置数据项嵌入向量的序列；
语义理解模块，其用于将第二序列通过上下文编码器得到第三序列，所述第三序列为上下文业务配置数据项语义特征向量的序列，还用于将第三序列排列为输入矩阵，并通过提取器得到局部关联强化特征图，将所述局部关联强化特征图作为所述业务配置数据项语义特征；
提取器采用卷积操作在所述输入矩阵的局部区域上提取特征，识别和强化业务配置数据的各个数据项之间的依赖关系或模式，进而得到局部关联强化特征图。
所述上下文编码器是基于转换器模块的上下文编码器，其能够有效地捕捉到所述业务配置数据中的各个数据项之间的全局语义关联特征
数据校验模块，其用于将业务管理系统中的当前局部关联强化特征图通过分类器，得到分类结果，所述分类结果用于表示变更后复用通道的业务配置数据是否正确。
训练模块，其用于设置输入和对应的输出分类，并初始化权重矩阵，然后采用分类器对局部关联强化特征图进行迭代训练，进而更新权重矩阵，所述分类器以如下训练分类公式对所述局部关联强化特征图进行处理，以生成训练分类结果，其中，所述训练分类公式表示为：
softmax{(Wc,Bc)|Project(F)}；
其中，Project(F)表示将所述局部关联强化特征图投影为向量，作为神经网络的输入，Wc为全连接的权重矩阵，Bc表示全连接的偏置向量，softmax表示归一化指数函数；以及，计算所述训练分类结果与真实值之间的交叉熵值作为分类损失函数值。
权重矩阵的更新公式表示如下：
其中，M1和M2分别是上次和本次迭代对应的权重矩阵，其中，在首次迭代时，采用不同的初始化策略设置M1和M2，Vc是所述局部关联强化特征图展开后得到局部关联强化特征向量，和/>分别表示特征向量V1和V2的全局均值，且Mb是偏置矩阵，/>表示特征向量V2的转置向量，/>表示按位置加法，⊙表示按位置点乘，/>表示矩阵乘法，max(·)表示最大值函数，M'2是下一次迭代的权重矩阵。
优选的，在本发明的另一个实施例中，图1为本发明实施例中提供的一种继电保护业务管理系统的框图。如图1所示，根据本发明实施例的继电保护业务管理系统100，包括：
采集模块110，其用于获取变更后复用通道的业务配置数据.
数据项划分模块120，其用于将采集的变更后复用通道的业务配置数据按照数据项划分，从而得到第一序列，所述第一序列为业务配置数据项的序列。
在所述采集模块110中，确保能够准确获取变更后复用通道的业务配置数据，确保采集到的数据具有完整性和准确性，能够涵盖所有需要配置的参数和信息。通过准确获取变更后的业务配置数据，为后续的处理和校验提供了基础数据，避免了数据缺失或错误导致的配置问题。
将业务配置数据按照数据项进行划分，将其转化为数据项的序列，根据业务配置数据的结构和语义进行合理的划分，确保每个数据项能够独立进行处理和分析。通过将业务配置数据划分为数据项的序列，可以为后续的处理提供更精细的数据单元，方便进行词嵌入转换和语义理解等操作。
词嵌入转换模块130，其用于对第一序列词采用词嵌入向量转换方法得到第二序列，所述第二序列为业务配置数据项嵌入向量的序列。
在词嵌入转换模块130中，将业务配置数据项的序列转换为词嵌入向量的序列，选择合适的词嵌入模型和算法，将每个数据项映射为向量表示，保留数据项之间的语义关系。通过词嵌入转换，将业务配置数据项转化为向量表示，可以捕捉到数据项之间的语义相似性和关联性，为后续的语义理解和校验提供更丰富的特征表示。
语义理解模块140，其用于将第二序列通过上下文编码器得到第三序列，所述第三序列为上下文业务配置数据项语义特征向量的序列，还用于将第三序列排列为输入矩阵，并通过提取器得到局部关联强化特征图，将所述局部关联强化特征图作为所述业务配置数据项语义特征。
对业务配置数据项嵌入向量的序列进行语义编码，提取出业务配置数据项的语义特征，使用合适的模型和算法，对嵌入向量进行分析和处理，以获取数据项的语义信息。通过语义理解，可以深入理解业务配置数据项的含义和关联，提取出数据项的语义特征，为后续的校验提供更准确和全面的信息。
数据校验模块150，其用于将业务管理系统中的当前局部关联强化特征图通过分类器，得到分类结果，所述分类结果用于表示变更后复用通道的业务配置数据是否正确
基于业务配置数据项的语义特征，确定变更后复用通道的业务配置数据是否正确，设计合适的校验算法和规则，结合语义特征进行校验判断。通过校验模块，可以基于语义特征对变更后的业务配置数据进行准确性校验，及时发现配置错误或遗漏，确保变更后的复用通道能够正常工作，提高了配置的准确性和可靠性。
针对上述技术问题，本申请的技术构思为在复用通道配置变更后，通过实时采集变更后复用通道的业务配置数据，并在后端引入数据处理和语义理解算法来进行该变更后复用通道的业务配置数据的语义理解，以此来对变动的复用通道的业务配置数据进行正确性校验，同时能够提示报错网元节点和业务的时隙，从而提高复用通道配置正确性校验的效率和准确性。这样，实现了对变更后复用通道的业务配置正确性的自动校验和判断，从而提高了继电保护设备配置的准确性和管理效率，进一步提升了电力系统的安全性和可靠性。
具体地，在本申请的技术方案中，首先，获取变更后复用通道的业务配置数据。接着，考虑到由于所述变更后复用通道的业务配置数据存在不同的数据项，例如通道标识、通道类型和通道参数等，这些数据项提供了关于所述变更后复用通道的业务配置数据的不同特征信息，因此，为了能够更为充分地对于所述变更后复用通道的业务配置数据进行语义分析以对变动的复用通道的业务配置数据进行正确性校验，需要对所述业务配置数据按照数据项进行划分以得到业务配置数据项的序列。这样，能够将业务配置数据中的不同配置信息分开处理，减少不同数据项之间的词嵌入干扰和复杂性。
然后，为了能够对于所述变更后复用通道的业务配置数据中的各个数据项进行语义分析，以此来进行变更后复用通道的业务配置数据的正确性检验，需要对于所述变更后复用通道的业务配置数据进行语义理解，也就是说，对于所述变更后复用通道的业务配置数据的各个数据项进行语义关联分析。因此，在本申请的技术方案中，需要首先将所述业务配置数据项的序列通过词嵌入层以得到业务配置数据项嵌入向量的序列，以此来将所述变更后复用通道的业务配置数据中的各个数据项进行词嵌入转换以将所述各个数据项映射到词嵌入高维空间中来得到词嵌入向量，以便于后续的语义编码和分析。
在本申请的一个具体实施例中，所述词嵌入转换模块，用于：将所述业务配置数据项的序列通过词嵌入层以得到所述业务配置数据项嵌入向量的序列。
进一步地，将所述业务配置数据项嵌入向量的序列通过基于转换器的上下文编码器中进行语义编码处理，以提取出所述变更后复用通道的业务配置数据中的各个数据项之间基于全局的上下文语义关联特征信息，从而得到上下文业务配置数据项语义特征向量的序列。
接着，考虑到虽然所述基于转换器的上下文编码器能够有效地捕捉到所述业务配置数据中的各个数据项之间的全局语义关联特征，但是对于局部的数据项间语义感知度较弱，而这种数据项之间的局部语义关联关系对于和后续的分类有着重要意义。
因此，在本申请的技术方案中，进一步将所述上下文业务配置数据项语义特征向量的序列排列为输入矩阵后通过基于卷积神经网络模型的局部关联语义特征提取器中进行特征挖掘，以提取出所述变更后复用通道的业务配置数据中的各个数据项之间的局部语义关联强化特征信息，从而得到业务配置数据局部关联强化特征图。应可以理解，通过卷积神经网络模型，可以捕捉到所述业务配置数据中的各个数据项之间的局部关联性。卷积操作可以在输入矩阵的局部区域上提取特征，这有助于识别和强化业务配置数据的各个数据项之间的局部关联特征，例如相邻数据项之间的依赖关系或模式。
在本申请的一个具体实施例中，所述业务配置数据语义理解模块140，包括：
业务配置数据上下文语义编码单元，用于将所述业务配置数据项嵌入向量的序列通过基于转换器的上下文编码器以得到上下文业务配置数据项语义特征向量的序列；
业务配置数据局部语义关联强化模块，用于将所述上下文业务配置数据项语义特征向量的序列排列为输入矩阵后通过基于卷积神经网络模型的局部关联语义特征提取器以得到业务配置数据局部关联强化特征图作为所述业务配置数据项语义特征。
继而，再将所述业务配置数据局部关联强化特征图通过分类器以得到分类结果，所述分类结果用于表示变更后复用通道的业务配置数据是否正确。也就是说，利用所述业务配置数据的各个数据项之间的语义关联特征来进行分类处理，一次来对变动的复用通道的业务配置数据进行正确性校验，同时能够提示报错网元节点和业务的时隙，从而提高复用通道配置正确性校验的效率和准确性。
特别地，在本申请的技术方案中，所述基于转换器的上下文编码器通过基于各个数据项之间源数据语义上下文对数据项进行一维向量内语义编码，使得所述上下文业务配置数据项语义特征向量的序列用于表达所述业务配置数据的各个数据项的上下文关联的文本语义特征，这样，将所述上下文业务配置数据项语义特征向量的序列排列为输入矩阵后进一步通过基于卷积神经网络模型的局部关联语义特征提取器，可以提取数据项的文本语义特征的向量间上下文的二维局部高阶关联特征，使得所述业务配置数据局部关联强化特征图具有与多阶次文本语义关联特征对应的向量内-向量间语义多维度密集分布表示，从而导致所述业务配置数据局部关联强化特征图的整体特征表示的局部特征分布稀疏化，即相对于整体高维特征流形的分布外稀疏化子流形，这会使得在将所述业务配置数据局部关联强化特征图通过分类器进行类概率回归映射时，所述业务配置数据局部关联强化特征图到概率空间内的预定回归概率表示的收敛性差，影响分类结果的准确性。
在本申请的一个具体实施例中，所述变更后复用通道业务配置数据校验模块150，包括：对所述业务配置数据局部关联强化特征图进行逐位置特征值优化以得到优化业务配置数据局部关联强化特征图；将所述优化业务配置数据局部关联强化特征图通过分类器以得到分类结果，所述分类结果用于表示变更后复用通道的业务配置数据是否正确。
因此，优选地，对所述业务配置数据局部关联强化特征图进行逐位置特征值优化以得到优化业务配置数据局部关联强化特征图，具体为：以如下公式对所述业务配置数据局部关联强化特征图进行逐位置特征值优化以得到所述优化业务配置数据局部关联强化特征图，其中，所述公式为：
其中，F是所述业务配置数据局部关联强化特征图，fi是所述业务配置数据局部关联强化特征图F的第i个位置的特征值，fi'是所述优化业务配置数据局部关联强化特征图的第i个位置的特征值。
也就是，通过基于重概率的正则化来处理高维特征空间内的稀疏分布，以激活所述业务配置数据局部关联强化特征图F在高维特征空间内的几何流形到概率空间的自然分布转移，从而通过对所述业务配置数据局部关联强化特征图F的高维特征流形的分布稀疏子流形进行基于重概率化的平滑正则的方式，提高具有高空间稀疏性的复杂高维特征流形在预定回归概率分布下的收敛性，从而提升所述业务配置数据局部关联强化特征图F通过分类器得到的分类结果的准确性。
在本申请的另一个实施例中，还包括对所述基于转换器的上下文编码器、所述基于卷积神经网络模型的局部关联语义特征提取器和所述分类器进行训练的训练模块。
所述训练模块，包括：
训练数据采集单元，用于获取训练数据，所述训练数据包括变更后复用通道的训练业务配置数据，以及，所述变更后复用通道的业务配置数据是否正确的真实值；
训练业务配置数据项划分单元，用于对所述训练业务配置数据按照数据项进行划分以得到训练业务配置数据项的序列；
训练词嵌入单元，用于将所述训练业务配置数据项的序列通过所述词嵌入层以得到训练业务配置数据项嵌入向量的序列；
训练业务配置数据项上下文语义特征提取单元，用于将所述训练业务配置数据项嵌入向量的序列通过所述基于转换器的上下文编码器以得到训练上下文业务配置数据项语义特征向量的序列；
训练业务配置数据项局部语义特征强化单元，用于将所述训练上下文业务配置数据项语义特征向量的序列排列为训练输入矩阵后通过所述基于卷积神经网络模型的局部关联语义特征提取器以得到训练业务配置数据局部关联强化特征图；
分类损失单元，用于将所述训练业务配置数据局部关联强化特征图优化后，通过所述分类器以得到分类损失函数值；
模型训练单元，用于基于分类损失函数值并通过梯度下降的方向传播来对所述基于转换器的上下文编码器、基于卷积神经网络模型的局部关联语义特征提取器和所述分类器进行训练，其中，在训练的每次权重矩阵迭代时，对训练业务配置数据局部关联强化特征图展开后得到训练业务配置数据局部关联强化特征向量进行特征修正。
其中，所述分类损失单元，用于：分类器以如下训练分类公式对优化后的训练业务配置数据局部关联强化特征图进行处理以生成训练分类结果，其中，所述训练分类公式为：
softmax{(Wc,Bc)|Project(F)}；
其中，Project(F)表示将优化局部关联强化特征图投影为向量，作为神经网络的输入，Wc为全连接的权重矩阵，Bc表示全连接的偏置向量，softmax表示归一化指数函数；以及，计算所述训练分类结果与真实值之间的交叉熵值作为分类损失函数值。
这里，在本申请的技术方案中，考虑到将训练上下文业务配置数据项语义特征向量的序列排列为输入矩阵后进一步通过基于卷积神经网络模型的局部关联语义特征提取器，可以提取数据项的文本语义特征的向量间上下文的二维局部高阶关联特征，也会使得所述训练业务配置数据局部关联强化特征图具有与多阶次文本语义关联特征对应的向量内-向量间语义多维度密集分布表示，从而导致在所述训练业务配置数据局部关联强化特征图通过分类器进行分类回归训练时，所述分类器的权重矩阵的训练效率降低。
基于分类器的权重矩阵的效率降低的问题，本发明在将所述训练业务配置数据局部关联强化特征图通过分类器进行分类回归的训练时，在将所述训练业务配置数据局部关联强化特征图展开后得到训练业务配置数据局部关联强化特征向量时，基于所述训练业务配置数据局部关联强化特征向量来进行分类器的训练，具体表示为：
以如下优化公式将所述训练业务配置数据局部关联强化特征图展开后得到训练业务配置数据局部关联强化特征向量时，基于所述训练业务配置数据局部关联强化特征向量来进行分类器的训练；其中，下一次迭代训练的权重矩阵，即优化公式为：
其中，M1和M2分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置M1和M2，例如，M1是单位矩阵而M2是以待分类的业务配置数据局部关联强化特征向量的全局特征均值为对角特征值的均值对角矩阵，Vc是所述训练业务配置数据局部关联强化特征图展开后得到训练业务配置数据局部关联强化特征向量，和/>分别表示特征向量V1和V2的全局均值，且Mb是偏置矩阵，例如初始设置为单位矩阵，向量以列向量形式，M2′是迭代后的权重矩阵，V2 T表示特征向量V2的转置向量，/>表示按位置加法，⊙表示按位置点乘，/>表示矩阵乘法，max(·)表示最大值函数。
也即，考虑到在进行基于待分类的训练业务配置数据局部关联强化特征向量Vc的密集预测任务时，需要将权重矩阵的高分辨率表示与待分类的训练业务配置数据局部关联强化特征向量Vc的语义特征分布多维度密集关联上下文进行集成，因此通过在迭代过程中最大化权重空间的分布边界，来基于迭代关联表示资源认知地实现渐进集成，从而提高权重矩阵的训练效果，提升分类器整体的训练效率。这样，实现了对变更后复用通道的业务配置正确性的自动校验和判断，同时能够提示报错网元节点和业务的时隙，从而提高了继电保护设备配置的准确性和管理效率，提升了电力系统的安全性和可靠性。
新型电力系统下继电保护等二次系统严重依赖通信系统，在当前500kV、220kV线路上，光纤通道电流差动保护作为主要的继电保护方式被广泛使用。传输继电保护信息的通信通道既可以是专用通道，也可以是复用通道。但通信和保护专业在保护通道管理上还存在传统上的“烟囱型”管理，打破专业管理壁垒，实现保护通道信息共享已成为各专业间紧密、有序、流畅、高效合作的关键。
在本申请的一个实施例中，根据继电保护通道运维工作开发一套继电保护业务通道在线管理工具，可以提供对继电保护业务的台账管理，业务校核、业务智能展示、仿真等功能，降低运维工作量，提高工作效率，降低运维工作成本。实现运维工作标准化、规范化、精细化，保障继电保护业务通运维工作在有序、可控的范围进行。
其中，继电保护业务通道在线管理工具，主要涵盖以下功能单元：
1、实现保护通道台账在线管理：支持对保护通道、相关承载设备、站端光缆资源等信息按不同的条件进行信息查询、统计和导出导入；
2、实现保护业务配置正确性校核：支持保护复用通道业务配置正确性校验，保护通道核查表线上流转；
3、实现保护通道智能展示：支持对保护通道智能化展示，业务通道起始点、光缆占用信息展示和查询、复用通道关键信息推送；
4、实现保护业务通道仿真：支持对有复用通道新增或者变更需求仿真操作，自动计算主备通道路由，提高方式安排工作效率。
具体地，继电保护业务通道在线管理工具，可以提供对继电保护业务的台账管理，业务校核、业务智能展示、仿真等功能，降低运维工作量，提高工作效率，降低运维工作成本。实现运维工作标准化、规范化、精细化，保障继电保护业务通运维工作在有序、可控的范围进行。
台账管理的功能包括：支持对保护通道类型及相关承载设备、厂家、接口等信息分类统计，支持在按不同的条件进行信息筛选；支持保护承载设备投退运时间、现场板卡变更时间的记录查询；支持自定义不同筛选条件对不同类型的业务筛选及展示业务详情信息；支持对各站端光缆资源和路由信息统计及筛选；支持台账信息导出导入和便捷打印。
业务校核的功能包括：支持保护通道业务数据导入、导出；支持复用通道配置变更后，对变动的业务配置正确性校验，并能提示报错网元节点和承载业务的时隙；支持对保护通道方式通信、保护专业间线上流转，并完成核查表线上备案。
智能展示的功能包括：支持对保护通道智能化展示，自定义各类筛选条件对进行业务筛选展示；支持单条通道能够将业务的起始点、中间点、站端光配光缆占用信息展示和查询；支持复用通道推送告警信息后能将影响业务的关键信息(站点、业务类型、光纤资源)查询。
业务仿真的功能包括：支持对有复用通道新增或者变更需求时仿真操作，能够在平台模拟配置，通过业务配置校验功能检查无误后，导出配置到生产环境；支持根据设定的条件自动安排相应主备通道路由，减少人工查询计算工作量，提高方式安排工作效率。
当然，该继电保护业务通道在线管理工具还可以包括其他功能，例如：实现与调度自动化等其他常用业务信息管理的贯通；站点管理，实现设备基础数据、光缆资源、机房平面图、机柜组屏图的展示、编辑；设备基础属性设置、面板图展示编辑、板卡业务信息备注等；变电站电源模块信息管理，空开、模块配置、端子信息、进线、负荷信息，能够自动生成电源系统图；变电站光配、光缆资源信息的管理，各站点纤芯、衰耗、承载业务统计管理。
综上，基于本发明实施例的继电保护业务管理系统100被阐明，其实现了对变更后复用通道的业务配置正确性的自动校验和判断，从而提高了继电保护设备配置的准确性和管理效率，进一步提升了电力系统的安全性和可靠性。
如上所述，根据本发明实施例的继电保护业务管理系统100可以实现在各种终端设备中，例如用于继电保护业务管理的服务器等。在一个示例中，根据本发明实施例的继电保护业务管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该继电保护业务管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该继电保护业务管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该继电保护业务管理系统100与该终端设备也可以是分立的设备，并且该继电保护业务管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图2为本发明实施例中提供的一种继电保护业务管理方法的流程图。图3为本发明实施例中提供的一种继电保护业务管理方法的系统架构的示意图。如图2和图3所示，一种继电保护业务管理方法，包括：
210，获取变更后复用通道的业务配置数据；
220，对所述业务配置数据按照数据项进行划分以得到业务配置数据项的序列；
230，对所述业务配置数据项的序列进行词嵌入向量转换以得到业务配置数据项嵌入向量的序列；
240，对所述业务配置数据项嵌入向量的序列进行语义编码以得到业务配置数据项语义特征；
250，基于所述业务配置数据项语义特征，确定变更后复用通道的业务配置数据是否正确。
在所述继电保护业务管理方法中，对所述业务配置数据项的序列进行词嵌入向量转换以得到业务配置数据项嵌入向量的序列，包括：将所述业务配置数据项的序列通过词嵌入层以得到所述业务配置数据项嵌入向量的序列。
在所述继电保护业务管理方法中，对所述业务配置数据项嵌入向量的序列进行语义编码以得到业务配置数据项语义特征，包括：将所述业务配置数据项嵌入向量的序列通过基于转换器的上下文编码器以得到上下文业务配置数据项语义特征向量的序列；将所述上下文业务配置数据项语义特征向量的序列排列为输入矩阵后通过基于卷积神经网络模型的局部关联语义特征提取器以得到业务配置数据局部关联强化特征图作为所述业务配置数据项语义特征。
本领域技术人员可以理解，上述继电保护业务管理方法中的各个步骤的具体操作已经在上面参考图1的继电保护业务管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图4为本发明实施例中提供的一种继电保护业务管理系统的应用场景图。如图4所示，在该应用场景中，首先，获取变更后复用通道的业务配置数据(例如，如图4中所示意的C)；然后，将获取的业务配置数据输入至部署有继电保护业务管理算法的服务器(例如，如图4中所示意的S)中，其中，所述服务器能够基于继电保护业务管理算法对所述业务配置数据进行处理，以确定变更后复用通道的业务配置数据是否正确。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种继电保护业务管理系统，其特征在于，该系统包括：
数据项划分模块，其用于将采集的变更后复用通道的业务配置数据按照数据项划分，从而得到第一序列，所述第一序列为业务配置数据项的序列；
词嵌入转换模块，其用于对所述第一序列词采用词嵌入向量转换方法得到第二序列，所述第二序列为业务配置数据项嵌入向量的序列；
语义理解模块，其用于将第二序列通过上下文编码器得到第三序列，所述第三序列为上下文业务配置数据项语义特征向量的序列，还用于将第三序列排列为输入矩阵，并通过提取器得到局部关联强化特征图，将所述局部关联强化特征图作为所述业务配置数据项语义特征；
数据校验模块，其用于将业务管理系统中的当前局部关联强化特征图优化后，得到优化局部关联强化特征图，并通过分类器后得到分类结果，所述分类结果用于表示变更后复用通道的业务配置数据是否正确。
2.根据权利要求1所述的继电保护业务管理系统，其特征在于，该系统还包括训练模块，其用于设置输入和对应的输出分类，并初始化权重矩阵，然后采用分类器对优化局部关联强化特征图进行迭代训练，进而更新权重矩阵，所述分类器以如下训练分类公式对所述优化局部关联强化特征图进行处理，以生成训练分类结果，其中，所述训练分类公式表示为：
soft max{(Wc,Bc)|Project(F)}；
其中，Project(F)表示将所述优化局部关联强化特征图投影为向量，作为神经网络的输入，Wc为全连接的权重矩阵，Bc表示全连接的偏置向量，soft max表示归一化指数函数；以及，计算所述训练分类结果与真实值之间的交叉熵值作为分类损失函数值。
3.根据权利要求2所述的继电保护业务管理系统，其特征在于，所述权重矩阵的更新公式表示如下：
其中，M1和M2分别是上次和本次迭代对应的权重矩阵，其中，在首次迭代时，采用不同的初始化策略设置M1和M2，Vc是所述优化局部关联强化特征图展开后得到局部关联强化特征向量，和/>分别表示特征向量V1和V2的全局均值，且Mb是偏置矩阵，/>表示特征向量V2的转置向量，/>表示按位置加法，⊙表示按位置点乘，/>表示矩阵乘法，max(·)表示最大值函数，M'2是下一次迭代的权重矩阵。
4.根据权利要求1所述的继电保护业务管理系统，其特征在于，所述提取器采用卷积操作在所述输入矩阵的局部区域上提取特征，识别和强化业务配置数据的各个数据项之间的依赖关系或模式，进而得到局部关联强化特征图。
5.根据权利要求1所述的继电保护业务管理系统，其特征在于，所述上下文编码器是基于转换器模块的上下文编码器，其能够有效地捕捉到所述业务配置数据中的各个数据项之间的全局语义关联特征。
6.一种继电保护业务管理方法，其特征在于，包括以下步骤：
S1获取变更后复用通道的业务配置数据；
S2对所述业务配置数据按照数据项进行划分以得到第一序列，所述第一序列为业务配置数据项的序列；
S3对所述第一序列进行词嵌入向量转换以得到第二序列，所述第二序列为业务配置数据项嵌入向量的序列；
S4对所述第二序列进行语义编码以得到业务配置数据项语义特征；
S5基于所述业务配置数据项语义特征，确定变更后复用通道的业务配置数据是否正确。
7.根据权利要求6所述的继电保护业务管理方法，其特征在于，所述步骤S4具体包括：
S41将第二序列通过上下文编码器得到第三序列，所述第三序列为上下文业务配置数据项语义特征向量的序列；
S42将第三序列排列为输入矩阵，并通过提取器得到局部关联强化特征图，将所述特征图作为所述业务配置数据项语义特征。
8.根据权利要求7所述的继电保护业务管理方法，其特征在于，该方法还包括：首先，对局部关联强化特征图进行优化，得到优化局部关联强化特征图，然后，对所述分类器进行训练，并采用基于所述分类损失函数单元和梯度下降的方向迭代训练，所述分类损失函数单元包括：
分类器以如下训练分类公式对所述优化局部关联强化特征图进行处理，以生成训练分类结果，其中，所述训练分类公式表示为：
soft max{(Wc,Bc)|Project(F)}，
其中，Project(F)表示将所述优化局部关联强化特征图投影为向量，作为神经网络的输入，Wc为全连接的权重矩阵，Bc表示全连接的偏置向量，soft max表示归一化指数函数；以及，计算所述训练分类结果与真实值之间的交叉熵值作为分类损失函数值。
9.根据权利要求8所述的继电保护业务管理方法，其特征在于，所述下一次迭代训练的权重矩阵，表示如下：
其中，M1和M2分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置M1和M2，Vc是所述训练业务配置数据局部关联强化特征图展开后得到训练业务配置数据局部关联强化特征向量，和/>分别表示特征向量V1和V2的全局均值，且Mb是偏置矩阵，/>表示特征向量V2的转置向量，/>表示按位置加法，⊙表示按位置点乘，/>表示矩阵乘法，max(·)表示最大值函数，M'2是下一次迭代的权重矩阵。
10.根据权利要求9所述的继电保护业务管理方法，其特征在于，所述提取器采用卷积操作在所述输入矩阵的局部区域上提取特征，识别和强化业务配置数据的各个数据项之间的依赖关系或模式，进而得到局部关联强化特征图；所述上下文编码器是基于转换器模块的上下文编码器，其能够有效地捕捉到所述业务配置数据中的各个数据项之间的全局语义关联特征。
CN202311561197.1A 2023-11-21 2023-11-21 一种继电保护业务管理系统及方法 Pending CN117478511A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311561197.1A CN117478511A (zh) 2023-11-21 2023-11-21 一种继电保护业务管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311561197.1A CN117478511A (zh) 2023-11-21 2023-11-21 一种继电保护业务管理系统及方法

Publications (1)

Publication Number Publication Date
CN117478511A true CN117478511A (zh) 2024-01-30

Family

ID=89637861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311561197.1A Pending CN117478511A (zh) 2023-11-21 2023-11-21 一种继电保护业务管理系统及方法

Country Status (1)

Country Link
CN (1) CN117478511A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210012199A1 (en) * 2019-07-04 2021-01-14 Zhejiang University Address information feature extraction method based on deep neural network model
CN115146488A (zh) * 2022-09-05 2022-10-04 山东鼹鼠人才知果数据科技有限公司 基于大数据的可变业务流程智能建模系统及其方法
CN115693918A (zh) * 2022-09-07 2023-02-03 浙江心友机电设备安装有限公司 一种建筑综合智能用电系统及其方法
CN116363474A (zh) * 2022-12-06 2023-06-30 国网江苏省电力有限公司超高压分公司 基于时空注意力机制cnn的继电保护装置检测方法及系统
CN116700403A (zh) * 2023-06-26 2023-09-05 杭州国辰智企科技有限公司 基于工业系统角色划分的自动化系统及其方法
CN116824481A (zh) * 2023-05-18 2023-09-29 国网信息通信产业集团有限公司北京分公司 基于图像识别的变电站巡检方法及其系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210012199A1 (en) * 2019-07-04 2021-01-14 Zhejiang University Address information feature extraction method based on deep neural network model
CN115146488A (zh) * 2022-09-05 2022-10-04 山东鼹鼠人才知果数据科技有限公司 基于大数据的可变业务流程智能建模系统及其方法
CN115693918A (zh) * 2022-09-07 2023-02-03 浙江心友机电设备安装有限公司 一种建筑综合智能用电系统及其方法
CN116363474A (zh) * 2022-12-06 2023-06-30 国网江苏省电力有限公司超高压分公司 基于时空注意力机制cnn的继电保护装置检测方法及系统
CN116824481A (zh) * 2023-05-18 2023-09-29 国网信息通信产业集团有限公司北京分公司 基于图像识别的变电站巡检方法及其系统
CN116700403A (zh) * 2023-06-26 2023-09-05 杭州国辰智企科技有限公司 基于工业系统角色划分的自动化系统及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田铭威: "某区域大电网高压继电保护文本缺陷数据分析及应用研究", 华北电力大学(北京), 16 December 2021 (2021-12-16), pages 16 - 48 *

Similar Documents

Publication Publication Date Title
CN106600457B (zh) 一种变电站微机五防主接线图分析系统
CN110175324B (zh) 一种基于数据挖掘的电网运行操作指令校验方法及系统
CN110084158B (zh) 一种基于智能算法的用电设备识别方法
CN109669844A (zh) 设备故障处理方法、装置、设备和存储介质
CN110361609A (zh) 特高压设备监测系统及方法
CN113740666A (zh) 一种数据中心电力系统告警风暴根源故障的定位方法
CN112541011A (zh) 基于rpa和ai的电网终端故障处理方法及装置
CN117478511A (zh) 一种继电保护业务管理系统及方法
CN109687592A (zh) 变电站信息显示控制方法、装置及电子设备
CN206097123U (zh) 风电设备可靠性信息安全存储系统
CN115438093A (zh) 一种电力通信设备故障判断方法与检测系统
CN110070189B (zh) 一种智能变电站保护系统安措校核方法
CN112542892B (zh) 变电站调控一体化控制方法及控制装置
CN113825162B (zh) 电信网络故障原因定位方法及装置
CN111859370B (zh) 识别服务的方法、装置、电子设备和计算机可读存储介质
CN114062995A (zh) 基于电气量多特征融合的互感器故障诊断方法、设备及介质
CN113472068A (zh) 一种海岛微电网远程运维方法、系统及存储介质
CN103886520A (zh) 利用数字化配电网进行故障处理的方法及系统
CN113672647B (zh) 一种计划停电规范校验方法及装置
CN113569904B (zh) 母线接线类型辨识方法、系统、存储介质及计算设备
Zhao et al. Research on machine learning-based correlation analysis method for power equipment alarms
CN103248121A (zh) 一种基于Profibus-DP总线的高压直流输电控制数据监测方法
CN116702397A (zh) 电力系统厂站端二次回路模型描述文件生成方法及装置
CN115205235A (zh) 一种血液细胞类型检测系统及方法
CN106339803B (zh) 一种考虑通信失效的配电网风险评估方法

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