CN117589233A - 继电保护装置运行状态智能检测方法及系统 - Google Patents
继电保护装置运行状态智能检测方法及系统 Download PDFInfo
- Publication number
- CN117589233A CN117589233A CN202311561460.7A CN202311561460A CN117589233A CN 117589233 A CN117589233 A CN 117589233A CN 202311561460 A CN202311561460 A CN 202311561460A CN 117589233 A CN117589233 A CN 117589233A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- input vector
- operation parameter
- feature
- protection device
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 118
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 230000001105 regulatory effect Effects 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 14
- 238000011176 pooling Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本申请公开了一种继电保护装置运行状态智能检测方法及系统,涉及智能检测领域。其首先获取被监测继电保护装置在预定时间段内多个预定时间点的运行数据,所述运行数据包括电流、电压、温度和湿度,将所述多个预定时间点的运行数据按照样本维度和时间维度进行规整以得到电流时序输入向量、电压时序输入向量、温度时序输入向量和湿度时序输入向量,对所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量进行运行参数时序协同关联分析以得到运行参数时序协同关联特征,最后,基于所述运行参数时序协同关联特征,确定被监测继电保护装置的运行状态是否存在异常。这样,可以保障电力系统的安全稳定运行。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种继电保护装置运行状态智能检测方法及系统。
背景技术
继电保护装置是电力系统中的重要设备,用于检测电力系统中的故障和异常情况,并采取相应的措施来保护电力设备和系统的安全运行。然而,由于电力系统的复杂性和多变性,继电保护装置可能会受到各种因素的影响而导致异常运行,例如电力负荷变化、设备老化、环境条件变化等,从而导致保护功能失效或误动作,给电力系统带来严重的安全隐患。因此,对继电保护装置的运行状态进行检测,及时发现并排除异常情况,是提高电力系统可靠性和安全性的重要措施。
然而,传统的继电保护装置运行状态检测方案通常需要依靠经验丰富的专业人员对继电保护装置的运行状态进行判断和诊断。这种方法存在主观性和局限性,容易受到人为误判和主观偏见的影响,同时也对专业人员的经验水平有较高的要求。此外,传统方案通常是基于预先定义的规则进行运行状态检测,对于不同类型的继电保护装置或运行环境,需要手动调整和适应。这种方法在面对复杂多变的电力系统和装置时,可能无法适应新的情况,导致检测性能下降。
因此,期望一种继电保护装置运行状态智能检测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种继电保护装置运行状态智能检测方法及系统。其可以提高继电保护装置的故障检测和诊断的准确性和效率,有助于保障电力系统的安全稳定运行。
根据本申请的一个方面,提供了一种继电保护装置运行状态智能检测方法,其包括:
获取被监测继电保护装置在预定时间段内多个预定时间点的运行数据,所述运行数据包括电流、电压、温度和湿度;
将所述多个预定时间点的运行数据按照样本维度和时间维度进行规整以得到电流时序输入向量、电压时序输入向量、温度时序输入向量和湿度时序输入向量;
对所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量进行运行参数时序协同关联分析以得到运行参数时序协同关联特征;以及
基于所述运行参数时序协同关联特征,确定被监测继电保护装置的运行状态是否存在异常。
根据本申请的另一个方面,提供了一种继电保护装置运行状态智能检测系统,其包括:
运行数据获取模块,用于获取被监测继电保护装置在预定时间段内多个预定时间点的运行数据,所述运行数据包括电流、电压、温度和湿度;
规整模块,用于将所述多个预定时间点的运行数据按照样本维度和时间维度进行规整以得到电流时序输入向量、电压时序输入向量、温度时序输入向量和湿度时序输入向量;
时序协同关联分析模块,用于对所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量进行运行参数时序协同关联分析以得到运行参数时序协同关联特征;以及
运行状态分析模块,用于基于所述运行参数时序协同关联特征,确定被监测继电保护装置的运行状态是否存在异常。
与现有技术相比,本申请提供的继电保护装置运行状态智能检测方法及系统,其首先获取被监测继电保护装置在预定时间段内多个预定时间点的运行数据,所述运行数据包括电流、电压、温度和湿度,接着,将所述多个预定时间点的运行数据按照样本维度和时间维度进行规整以得到电流时序输入向量、电压时序输入向量、温度时序输入向量和湿度时序输入向量,然后,对所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量进行运行参数时序协同关联分析以得到运行参数时序协同关联特征,最后,基于所述运行参数时序协同关联特征,确定被监测继电保护装置的运行状态是否存在异常。这样,可以保障电力系统的安全稳定运行。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的继电保护装置运行状态智能检测方法的流程图。
图2为根据本申请实施例的继电保护装置运行状态智能检测方法的架构示意图。
图3为根据本申请实施例的继电保护装置运行状态智能检测方法的子步骤S130的流程图。
图4为根据本申请实施例的继电保护装置运行状态智能检测方法的子步骤S140的流程图。
图5为根据本申请实施例的继电保护装置运行状态智能检测系统的框图。
图6为根据本申请实施例的继电保护装置运行状态智能检测方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,本申请的技术构思为通过实时采集继电保护装置的运行数据,例如电流、电压、温度和湿度数据信息,并在后端引入数据处理和分析算法来进行多项运行数据的时序分析,以此来对于继电保护装置的运行状态异常情况进行自动化检测。这样,能够提高继电保护装置的故障检测和诊断的准确性和效率,有助于保障电力系统的安全稳定运行。
图1为根据本申请实施例的继电保护装置运行状态智能检测方法的流程图。图2为根据本申请实施例的继电保护装置运行状态智能检测方法的架构示意图。如图1和图2所示,根据本申请实施例的继电保护装置运行状态智能检测方法,包括步骤:S110,获取被监测继电保护装置在预定时间段内多个预定时间点的运行数据,所述运行数据包括电流、电压、温度和湿度;S120,将所述多个预定时间点的运行数据按照样本维度和时间维度进行规整以得到电流时序输入向量、电压时序输入向量、温度时序输入向量和湿度时序输入向量;S130,对所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量进行运行参数时序协同关联分析以得到运行参数时序协同关联特征;以及,S140,基于所述运行参数时序协同关联特征,确定被监测继电保护装置的运行状态是否存在异常。
具体地,在本申请的技术方案中,首先,获取被监测继电保护装置在预定时间段内多个预定时间点的运行数据,所述运行数据包括电流、电压、温度和湿度。接着,考虑到由于所述继电保护装置的各项运行数据在时间维度上都具有着时序的动态变化规律,并且所述各项运行数据之间还具有着时序的协同关联关系,共同对于继电保护装置的运行状态异常检测产生影响。因此,在本申请的技术方案中,需要先将所述多个预定时间点的运行数据按照样本维度和时间维度进行规整以得到电流时序输入向量、电压时序输入向量、温度时序输入向量和湿度时序输入向量,以此来分别整合所述各项运行数据在时间维度上的时序分布信息。
然后,为了更好地表示所述各项运行数据的时序分布,从而更为充分和准确地进行所述各项运行数据的时序分析,在本申请的技术方案中,进一步将所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量分别通过向量-图像格式转换器以得到电流时序图像、电压时序图像、温度时序图像和湿度时序图像。应可以理解,通过将所述各项运行时序数据转换为图像后,可以直观地展示不同参数之间的时序关系。例如,电流和电压的波形变化、温度和湿度的趋势等。这样可以帮助更好地理解和分析数据,并发现异常模式和规律。并且,通过向量-图像的格式转换还可以在后续利用图像处理算法来捕捉到所述各项运行时序数据中的空间和时间关系,以提供更全面的特征表示。
应可以理解,不同的运行参数(如电流、电压、温度和湿度)都包含了关于继电保护装置运行状态的重要信息。为了能够对于所述各项运行数据的时序分布进行整合分析,以此来提高对于所述被监测继电保护装置的运行状态异常检测的精准度,在本申请的技术方案中,需要将所述电流时序图像、所述电压时序图像、所述温度时序图像和所述湿度时序图像沿着通道维度进行聚合以得到运行参数多通道图像。通过将所述各项运行数据参数的时序图像沿着通道维度进行聚合,可以将不同参数的时序信息综合起来,形成一个更全面、更丰富的特征表示,这有助于提高继电保护装置故障检测和诊断的准确性。
进一步地,使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的特征提取器对所述运行参数多通道图像进行特征挖掘,以提取出所述运行参数多通道图像中有关于各项运行数据参数时序特征分布之间的关联性特征信息,从而得到运行参数时序特征图。
应可以理解,在实际进行继电保护装置的运行状态检测时,所述运行参数多通道图像中的不同通道的运行参数图像特征可能具有不同的重要性和贡献度,其对于最终的继电保护装置的运行状态检测的影响不同。因此,在本申请的技术方案中,为了能够更为精准地进行所述被监测继电保护装置的运行状态异常检测,需要进一步将所述运行参数时序特征图通过通道注意力模块以得到通道维度显著化运行参数时序特征图。通过应用所述通道注意力模块,可以自动学习每个通道的权重,将更多的注意力集中在对当前任务更有意义和相关的通道上。这有助于强化关键通道的信息,提高继电保护装置运行状态的检测和诊断效果。
相应地,如图3所示,对所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量进行运行参数时序协同关联分析以得到运行参数时序协同关联特征,包括:S131,将所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量分别通过向量-图像格式转换器以得到电流时序图像、电压时序图像、温度时序图像和湿度时序图像;S132,将所述电流时序图像、所述电压时序图像、所述温度时序图像和所述湿度时序图像沿着通道维度进行聚合以得到运行参数多通道图像;S133,通过基于深度神经网络模型的特征提取器对所述运行参数多通道图像进行特征提取以得到运行参数时序特征图;以及,S134,对所述运行参数时序特征图进行通道注意力显化处理以得到通道维度显著化运行参数时序特征图作为所述运行参数时序协同关联特征。应可以理解,步骤S131的目的是将原始的时序数据转换为图像格式,以便后续的处理和分析。步骤S132的目的是将不同的时序图像合并成一个多通道图像,以便综合考虑不同参数之间的关联性。步骤S133的目的是利用深度神经网络模型提取图像中的特征,从而捕捉到运行参数之间的时序关联信息。步骤S134的目的是通过注意力机制强调特征图中对于协同关联分析最重要的通道,以提高后续任务的性能。综合来说,这个算法通过将原始的电流、电压、温度和湿度时序数据转换为图像格式,并利用深度神经网络模型提取特征和注意力机制强调关键通道,以得到运行参数时序协同关联特征。这些特征可以用于后续的分析和任务,例如故障诊断、预测等。
其中,在步骤133中,所述深度神经网络模型为卷积神经网络模型。值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度神经网络模型,特别适用于处理具有网格结构的数据,卷积神经网络的核心思想是通过卷积层、池化层和全连接层构建网络结构。它的主要特点是参数共享和局部感知野。具体来说:1.卷积层(Convolutional Layer):卷积层使用一组可学习的滤波器(也称为卷积核)对输入数据进行卷积操作,提取出不同的特征图。每个卷积核在输入数据上滑动,通过计算卷积操作来提取局部特征。2.池化层(Pooling Layer):池化层用于降低特征图的空间尺寸,并减少网络参数的数量。常见的池化操作包括最大池化(Max Pooling)和平均池化(AveragePooling),它们分别提取局部区域的最大值或平均值作为输出。3.全连接层(FullyConnected Layer):全连接层将前面的卷积层和池化层输出的特征图展平为一维向量,并通过全连接操作进行分类或回归。全连接层的神经元与前一层的所有神经元相连,每个连接都有一个可学习的权重。通过多个卷积层、池化层和全连接层的堆叠,CNN能够逐层提取图像的低级特征(如边缘、纹理)和高级特征(如形状、物体),并用于图像分类、目标检测、图像生成等任务。卷积神经网络的参数是通过反向传播算法进行训练,以最小化损失函数来优化网络权重。
更具体地,在步骤134中,对所述运行参数时序特征图进行通道注意力显化处理以得到通道维度显著化运行参数时序特征图作为所述运行参数时序协同关联特征,包括:将所述运行参数时序特征图通过通道注意力模块以得到所述通道维度显著化运行参数时序特征图。值得一提的是,通道注意力模块(Channel Attention Module)是一种用于增强神经网络中通道维度的注意力机制。它的作用是通过学习通道之间的相互关系,自适应地调整通道的权重,从而强调对于特定任务或特征表示最重要的通道。通道注意力模块通常由以下几个步骤组成:1.全局平均池化(Global Average Pooling):将输入的特征图在空间维度上进行平均池化,得到每个通道的全局平均值。这个操作可以减少特征图的维度,将注意力的计算集中在通道维度上。2.全连接层(Fully Connected Layer):将全局平均池化后的特征向量输入到一个全连接层中,利用神经网络学习通道之间的权重关系。这个全连接层通常包括多个隐藏单元和激活函数,用于提取通道之间的非线性关系。3.通道注意力权重计算:通过对全连接层的输出进行适当的处理,例如使用激活函数(如sigmoid函数)将输出限制在0到1的范围内,得到每个通道的注意力权重。这些权重表示了每个通道对于特定任务的重要性或贡献程度。4.特征重加权:将注意力权重与原始特征图相乘,以实现对特征图中每个通道的加权。这个操作可以增强对于重要通道的响应,抑制对于不重要通道的响应,从而得到通道维度显著化的特征图。通过引入通道注意力模块,神经网络可以自动学习并强调对于特定任务最重要的通道,提高模型的表达能力和性能。这在许多计算机视觉任务中都具有重要的应用,如图像分类、目标检测和图像分割等。
更具体地,将所述运行参数时序特征图通过通道注意力模块以得到所述通道维度显著化运行参数时序特征图,包括:将所述运行参数时序特征图输入所述通道注意力模块的多层卷积层以得到运行参数卷积特征图;计算所述运行参数卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到运行参数通道特征向量;将所述运行参数通道特征向量输入所述Sigmoid激活函数以得到运行参数通道注意力权重向量;以及,以所述运行参数通道注意力权重向量中各个位置的特征值作为权重分别对所述运行参数卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道维度显著化运行参数时序特征图。
继而,再将所述通道维度显著化运行参数时序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被监测继电保护装置的运行状态是否存在异常。也就是说,利用经过通道特征显化后的有关于所述被监测继电保护装置的各项运行数据的时序分布特征之间的关联性特征信息来进行分类处理,从而对于继电保护装置的运行状态异常情况进行自动化检测。这样,能够提高继电保护装置的故障检测和诊断的准确性和效率,有助于保障电力系统的安全稳定运行。
相应地,如图4所示,基于所述运行参数时序协同关联特征,确定被监测继电保护装置的运行状态是否存在异常,包括:S141,对于所述通道维度显著化运行参数时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化以得到优化通道维度显著化运行参数时序特征图;以及,S142,将所述优化通道维度显著化运行参数时序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被监测继电保护装置的运行状态是否存在异常。应可以理解,在基于运行参数时序协同关联特征进行异常检测的过程中,包括两个主要步骤:S141和S142。在步骤S141中,针对通道维度显著化运行参数时序特征图的各个特征矩阵,进行特征尺度约束的概率密度收敛优化,具体来说,这一步骤的目的是通过优化特征矩阵的概率密度分布,使其满足预设的尺度约束。特征尺度约束是为了确保运行参数时序特征图在不同特征维度上具有一致的尺度范围,以避免某些特征对异常检测结果的影响过大。通过概率密度收敛优化,可以调整特征矩阵的分布,使其满足预设的尺度约束条件。在步骤S142中,将经过优化的通道维度显著化运行参数时序特征图输入到分类器中,以得到分类结果。分类器是一个训练好的模型,用于判断被监测继电保护装置的运行状态是否存在异常。分类器可以是一个机器学习模型,如支持向量机(Support Vector Machine)、随机森林(Random Forest)或深度学习模型,如卷积神经网络(Convolutional NeuralNetwork)等。通过将优化后的特征图输入分类器,可以根据模型学习到的特征与异常样本的差异,对继电保护装置的运行状态进行分类判断,从而判断是否存在异常。综合来说,S141通过优化特征矩阵的概率密度分布,确保了特征的尺度约束,而S142则利用分类器对优化后的特征图进行分类,以判断被监测继电保护装置的运行状态是否存在异常。这两个步骤共同构成了基于运行参数时序协同关联特征的异常检测方法。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
更具体地,在步骤S142中,将所述优化通道维度显著化运行参数时序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被监测继电保护装置的运行状态是否存在异常,包括:将所述优化通道维度显著化运行参数时序特征图按照行向量展开为优化分类特征向量;使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
特别地,在本申请的技术方案中,将所述运行参数多通道图像通过基于卷积神经网络模型的特征提取器后,得到的所述运行参数时序特征图的各个特征矩阵用于表达电流、电压、温度和湿度的局部时域内-局部时域间时序关联特征,这样,通过通道注意力模块,可以进一步强化某些样本数据的在基于所述卷积神经网络模型的通道维度下的时序关联特征表达,但是,如果将所述通道维度显著化运行参数时序特征图作为整体,则其对于各个样本的时序关联特征表达可能存在不均衡,并且,本申请的申请人进一步发现,这种不均衡在很大程度上与特征表达尺度相关,即特征矩阵的空间维度上的时序关联特征表达尺度,和各个特征矩阵间的通道维度上的通道关联尺度,例如,可以理解为相对于预定尺度,特征值之间的分布越不均衡,则特征图的整体表达也越不均衡。
因此,优选地,对于所述通道维度显著化运行参数时序特征图的各个特征矩阵,例如记为Mk进行特征尺度约束的概率密度收敛优化。
相应地,在一个具体示例中,对于所述通道维度显著化运行参数时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化以得到优化通道维度显著化运行参数时序特征图,包括:以如下优化公式对于所述通道维度显著化运行参数时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化以得到所述优化通道维度显著化运行参数时序特征图;其中,所述优化公式为:
其中,Mk是所述通道维度显著化运行参数时序特征图沿通道的各个特征矩阵,L是所述通道维度显著化运行参数时序特征图的通道数,mi,j是特征矩阵Mk的第(i,j)位置的特征值,vk是特征矩阵Mk的全局特征均值,V是vk组成的特征向量,表示特征向量V的二范数的平方,S是特征矩阵Mk的尺度,即宽度乘以高度,且/>表示特征矩阵Mk的Frobenius范数的平方,w1是特征向量V的加权权重,w2k是特征矩阵Mk的加权权重;以及,以权重w1×w2k对所述通道维度显著化运行参数时序特征图沿通道的每个特征矩阵Mk进行加权以得到所述优化通道维度显著化运行参数时序特征图。
这里,所述特征尺度约束的概率密度收敛优化可以通过类标准柯西分布式的尾部分布加强机制,来基于特征尺度对高维特征空间内的特征概率密度分布进行多层次分布结构的相关性约束,以使得具有不同尺度的高维特征的概率密度分布在整体概率密度空间内进行均匀性展开,从而弥补特征尺度偏差导致的概率密度收敛异质性。这样,以上述权重w1×w2k对沿通道的每个特征矩阵Mk进行加权,就可以提升优化后的通道维度显著化运行参数时序特征图相对于预定类概率的收敛性,从而提升其通过分类器得到的分类结果的准确性。这样,能够基于继电保护装置的运行数据时序协同变化情况来对于继电保护装置的运行状态异常进行自动化检测,以此来提高继电保护装置的故障检测和诊断的准确性和效率,有助于保障电力系统的安全稳定运行。
综上,基于本申请实施例的继电保护装置运行状态智能检测方法被阐明,其可以保障电力系统的安全稳定运行。
图5为根据本申请实施例的继电保护装置运行状态智能检测系统100的框图。如图5所示,根据本申请实施例的继电保护装置运行状态智能检测系统100,包括:运行数据获取模块110,用于获取被监测继电保护装置在预定时间段内多个预定时间点的运行数据,所述运行数据包括电流、电压、温度和湿度;规整模块120,用于将所述多个预定时间点的运行数据按照样本维度和时间维度进行规整以得到电流时序输入向量、电压时序输入向量、温度时序输入向量和湿度时序输入向量;时序协同关联分析模块130,用于对所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量进行运行参数时序协同关联分析以得到运行参数时序协同关联特征;以及,运行状态分析模块140,用于基于所述运行参数时序协同关联特征,确定被监测继电保护装置的运行状态是否存在异常。
在一个示例中,在上述继电保护装置运行状态智能检测系统100中,所述时序协同关联分析模块130,包括:格式转换单元,用于将所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量分别通过向量-图像格式转换器以得到电流时序图像、电压时序图像、温度时序图像和湿度时序图像;图像聚合单元,用于将所述电流时序图像、所述电压时序图像、所述温度时序图像和所述湿度时序图像沿着通道维度进行聚合以得到运行参数多通道图像;特征提取单元,用于通过基于深度神经网络模型的特征提取器对所述运行参数多通道图像进行特征提取以得到运行参数时序特征图;以及,通道注意力显化处理单元,用于对所述运行参数时序特征图进行通道注意力显化处理以得到通道维度显著化运行参数时序特征图作为所述运行参数时序协同关联特征。
在一个示例中,在上述继电保护装置运行状态智能检测系统100中,所述深度神经网络模型为卷积神经网络模型。
这里,本领域技术人员可以理解,上述继电保护装置运行状态智能检测系统100中的各个模块的具体功能和操作已经在上面参考图1到图4的继电保护装置运行状态智能检测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的继电保护装置运行状态智能检测系统100可以实现在各种无线终端中,例如具有继电保护装置运行状态智能检测算法的服务器等。在一个示例中,根据本申请实施例的继电保护装置运行状态智能检测系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该继电保护装置运行状态智能检测系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该继电保护装置运行状态智能检测系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该继电保护装置运行状态智能检测系统100与该无线终端也可以是分立的设备,并且该继电保护装置运行状态智能检测系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的继电保护装置运行状态智能检测方法的应用场景图。如图6所示,在该应用场景中,首先,获取被监测继电保护装置在预定时间段内多个预定时间点的运行数据(例如,图6中所示意的D),所述运行数据包括电流、电压、温度和湿度,然后,将所述多个预定时间点的运行数据输入至部署有继电保护装置运行状态智能检测算法的服务器(例如,图6中所示意的S)中,其中,所述服务器能够使用所述继电保护装置运行状态智能检测算法对所述多个预定时间点的运行数据进行处理以得到用于表示被监测继电保护装置的运行状态是否存在异常的分类结果。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种继电保护装置运行状态智能检测方法,其特征在于,包括:
获取被监测继电保护装置在预定时间段内多个预定时间点的运行数据,所述运行数据包括电流、电压、温度和湿度;
将所述多个预定时间点的运行数据按照样本维度和时间维度进行规整以得到电流时序输入向量、电压时序输入向量、温度时序输入向量和湿度时序输入向量;
对所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量进行运行参数时序协同关联分析以得到运行参数时序协同关联特征;以及
基于所述运行参数时序协同关联特征,确定被监测继电保护装置的运行状态是否存在异常。
2.根据权利要求1所述的继电保护装置运行状态智能检测方法,其特征在于,对所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量进行运行参数时序协同关联分析以得到运行参数时序协同关联特征,包括:
将所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量分别通过向量-图像格式转换器以得到电流时序图像、电压时序图像、温度时序图像和湿度时序图像;
将所述电流时序图像、所述电压时序图像、所述温度时序图像和所述湿度时序图像沿着通道维度进行聚合以得到运行参数多通道图像;
通过基于深度神经网络模型的特征提取器对所述运行参数多通道图像进行特征提取以得到运行参数时序特征图;以及
对所述运行参数时序特征图进行通道注意力显化处理以得到通道维度显著化运行参数时序特征图作为所述运行参数时序协同关联特征。
3.根据权利要求2所述的继电保护装置运行状态智能检测方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的继电保护装置运行状态智能检测方法,其特征在于,对所述运行参数时序特征图进行通道注意力显化处理以得到通道维度显著化运行参数时序特征图作为所述运行参数时序协同关联特征,包括:
将所述运行参数时序特征图通过通道注意力模块以得到所述通道维度显著化运行参数时序特征图。
5.根据权利要求4所述的继电保护装置运行状态智能检测方法,其特征在于,将所述运行参数时序特征图通过通道注意力模块以得到所述通道维度显著化运行参数时序特征图,包括:
将所述运行参数时序特征图输入所述通道注意力模块的多层卷积层以得到运行参数卷积特征图;
计算所述运行参数卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到运行参数通道特征向量;
将所述运行参数通道特征向量输入所述Sigmoid激活函数以得到运行参数通道注意力权重向量;以及
以所述运行参数通道注意力权重向量中各个位置的特征值作为权重分别对所述运行参数卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道维度显著化运行参数时序特征图。
6.根据权利要求5所述的继电保护装置运行状态智能检测方法,其特征在于,基于所述运行参数时序协同关联特征,确定被监测继电保护装置的运行状态是否存在异常,包括:
对于所述通道维度显著化运行参数时序特征图的各个特征矩阵进行特征尺度约束的概率密度收敛优化以得到优化通道维度显著化运行参数时序特征图;以及
将所述优化通道维度显著化运行参数时序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被监测继电保护装置的运行状态是否存在异常。
7.根据权利要求6所述的继电保护装置运行状态智能检测方法,其特征在于,将所述优化通道维度显著化运行参数时序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被监测继电保护装置的运行状态是否存在异常,包括:
将所述优化通道维度显著化运行参数时序特征图按照行向量展开为优化分类特征向量;
使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种继电保护装置运行状态智能检测系统,其特征在于,包括:
运行数据获取模块,用于获取被监测继电保护装置在预定时间段内多个预定时间点的运行数据,所述运行数据包括电流、电压、温度和湿度;
规整模块,用于将所述多个预定时间点的运行数据按照样本维度和时间维度进行规整以得到电流时序输入向量、电压时序输入向量、温度时序输入向量和湿度时序输入向量;
时序协同关联分析模块,用于对所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量进行运行参数时序协同关联分析以得到运行参数时序协同关联特征;以及
运行状态分析模块,用于基于所述运行参数时序协同关联特征,确定被监测继电保护装置的运行状态是否存在异常。
9.根据权利要求8所述的继电保护装置运行状态智能检测系统,其特征在于,所述时序协同关联分析模块,包括:
格式转换单元,用于将所述电流时序输入向量、所述电压时序输入向量、所述温度时序输入向量和所述湿度时序输入向量分别通过向量-图像格式转换器以得到电流时序图像、电压时序图像、温度时序图像和湿度时序图像;
图像聚合单元,用于将所述电流时序图像、所述电压时序图像、所述温度时序图像和所述湿度时序图像沿着通道维度进行聚合以得到运行参数多通道图像;
特征提取单元,用于通过基于深度神经网络模型的特征提取器对所述运行参数多通道图像进行特征提取以得到运行参数时序特征图;以及
通道注意力显化处理单元,用于对所述运行参数时序特征图进行通道注意力显化处理以得到通道维度显著化运行参数时序特征图作为所述运行参数时序协同关联特征。
10.根据权利要求9所述的继电保护装置运行状态智能检测系统,其特征在于,所述深度神经网络模型为卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311561460.7A CN117589233A (zh) | 2023-11-22 | 2023-11-22 | 继电保护装置运行状态智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311561460.7A CN117589233A (zh) | 2023-11-22 | 2023-11-22 | 继电保护装置运行状态智能检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117589233A true CN117589233A (zh) | 2024-02-23 |
Family
ID=89910989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311561460.7A Pending CN117589233A (zh) | 2023-11-22 | 2023-11-22 | 继电保护装置运行状态智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117589233A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805607A (zh) * | 2024-02-29 | 2024-04-02 | 山西漳电科学技术研究院(有限公司) | 发电厂直流系统直流级差配合试验方法 |
-
2023
- 2023-11-22 CN CN202311561460.7A patent/CN117589233A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805607A (zh) * | 2024-02-29 | 2024-04-02 | 山西漳电科学技术研究院(有限公司) | 发电厂直流系统直流级差配合试验方法 |
CN117805607B (zh) * | 2024-02-29 | 2024-05-07 | 山西漳电科学技术研究院(有限公司) | 发电厂直流系统直流级差配合试验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN117589233A (zh) | 继电保护装置运行状态智能检测方法及系统 | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN116893336B (zh) | 高低压开关设备及其方法 | |
CN116776273B (zh) | 物联网设备的运行状态监测方法及系统 | |
Monroy et al. | Fault diagnosis of a benchmark fermentation process: a comparative study of feature extraction and classification techniques | |
CN116934304A (zh) | 智能配电房设备运行维护管理系统及其方法 | |
CN117113218A (zh) | 可视化的数据分析系统及其方法 | |
CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
CN117579101B (zh) | 载波通讯模块的控制方法及其系统 | |
CN113526282B (zh) | 一种电梯中长期老化故障诊断方法、装置、介质和设备 | |
CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
CN116402777A (zh) | 基于机器视觉的电力设备检测方法及系统 | |
Mohamed et al. | Thermal Images Captured and Classifier-based Fault Detection System for Electric Motors Through ML Based Model | |
Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN108388232B (zh) | 一种原油脱盐过程的运行模式故障监测方法 | |
CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
CN117274903B (zh) | 基于智能ai芯片的电力巡检智能预警设备及其方法 | |
CN117951646A (zh) | 一种基于边缘云的数据融合方法及系统 |
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 |