首页 / 专利库 / 电脑零配件 / 计算机系统 / 软件 / 软件包 / 软件组件 / 插件 / 一种智能变电站继电保护测试故障定位方法及系统

一种智能变电站继电保护测试故障定位方法及系统

阅读:1012发布:2020-07-10

专利汇可以提供一种智能变电站继电保护测试故障定位方法及系统专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种智能变电站继电保护测试故障 定位 方法及系统,包括对告警信息、数据的预处理,对重复的数据进行剔除,对可用于直接推理的告警信息和数据从原始表中剔除并另行保存;进行故障定位,利用现有的模板对可用于直接推理的告警信息和数据进行故障定位,对需要复杂推理的告警信息和数据利用RNN循环神经网络进行 深度学习 训练出的参数进行故障定位;本发明实现了继电保护测试故障自动定位,大大提高了故障处理速度,大幅度提升了继电保护装置测试效率。,下面是一种智能变电站继电保护测试故障定位方法及系统专利的具体信息内容。

1.一种智能变电站继电保护测试故障定位方法,其特征在于,所述方法包括:
步骤一:收集智能变电站继电保护测试历史故障告警信息及相关数据,对收集的故障告警信息及相关数据进行预处理:将收集的故障告警信息及相关数据分为两类:其中第一类数据是能够直接利用现有模板进行故障推理的数据;第二类数据是除去第一类数据后剩下的数据;
步骤二:将第二类数据作为RNN循环神经网络的输入,以具体故障定位作为输出,进行深度学习训练,保存训练出的RNN循环神经网络各层参数;
步骤三:导入智能变电站SCD文件,从GOOSE报文和SV报文中获取故障告警信息及相关数据;
步骤四:智能变电站继电保护测试过程中若发生故障,对获得的故障告警信息及相关数据进行分类处理,对于分类出的第一类数据,利用现有模板进行故障推理,获得第一故障定位信息;对于分类出的第二类数据,输入RNN循环神经网络进行故障推理,获得第二故障定位信息;综合第一故障定位信息和第二故障定位信息进行故障概率排序,其故障概率最大者即为智能变电站继电保护测试故障定位结果。
2.根据权利要求1所述的智能变电站继电保护测试故障定位方法,其特征在于,对收集的故障告警信息及相关数据进行预处理还包括:对收集的故障告警信息及相关数据中的重复数据进行剔除,对第二类数据进行标准化处理。
3.根据权利要求1所述的智能变电站继电保护测试故障定位方法,其特征在于,第一类数据具体包括:保护CPU插件错误数据、保护装置失电告警数据、保护装置定值不一致数据、合并单元失电告警数据、合并单元SV配置错误数据、智能终端失电告警数据、智能终端压异常数据,第一类数据为与设备自身相关且具有一定独特性的告警信息,通过第一类数据中的单项数据或两项数据或三项告警信息则能够确定测试故障;第二类数据具体包括:保护装置采样异常数据、保护装置不动作数据、合并单元装置自检异常数据、合并单元采样异常数据、智能终端GOOSE数据异常数据、智能终端GOOSE通信中断数据,第二类数据为不仅与设备自身相关且具有一定泛化性的告警信息,通过第二类数据中的五项及以上的数据则能够确定测试故障。
4.根据权利要求1所述的智能变电站继电保护测试故障定位方法,其特征在于,故障告警信息及相关数据的预处理方法包括:
对告警信息原始表中重复的数据进行剔除;
对告警信息进行分类,对单一故障可由一项或两项或三项告警信息能够利用已有模版进行推理的,即可用于直接推理的告警信息,从告警原始表中剔除,另行存储为第一类数据;
对需要利用RNN循环神经网络进行推理的告警信息和数据进行标准化处理,告警信息存在则取值为1,反之取值为0,其余相关数据按比例缩小化处理,处理之后另行存储为第二类数据。
5.根据权利要求1所述的智能变电站继电保护测试故障定位方法,其特征在于,所述步骤四中,故障推理的方法包括:
对分类处理过后的告警信息和相关数据分别进行故障推理;
对于第一类数据,利用现有的模板文件进行故障推理;
对于第二类数据,经过数据预处理后,送入前期训练得到的RNN循环神经网络中进行故障推理。
6.一种智能变电站继电保护测试故障定位系统,其特征在于,所述系统包括:
数据采集及预处理单元,用于收集智能变电站继电保护测试历史故障告警信息及相关数据,对收集的故障告警信息及相关数据进行预处理:将收集的故障告警信息及相关数据分为两类:其中第一类数据是能够直接利用现有模板进行故障推理的数据;第二类数据除去第一类数据后剩下的数据;
训练单元,用于将第二类数据作为RNN循环神经网络的输入,以具体故障定位作为输出,进行深度学习训练,保存训练出的RNN循环神经网络各层参数;
导入单元,导入智能变电站SCD文件,从GOOSE报文和SV报文中获取故障告警信息及相关数据;
故障定位单元,用于智能变电站继电保护测试过程中若发生故障,对获得的故障告警信息及相关数据进行分类处理,对于分类出的第一类数据,利用现有模板进行故障推理,获得第一故障定位信息;对于分类出的第二类数据,输入RNN循环神经网络进行故障推理,获得第二故障定位信息;综合第一故障定位信息和第二故障定位信息进行故障概率排序,其故障概率最大者即为智能变电站继电保护测试故障定位结果。
7.根据权利要求6所述的智能变电站继电保护测试故障定位系统,其特征在于,对收集的故障告警信息及相关数据进行预处理还包括:对收集的故障告警信息及相关数据中的重复数据进行剔除,对第二类数据进行标准化处理。
8.根据权利要求6所述的智能变电站继电保护测试故障定位系统,其特征在于,,第一类数据具体包括:保护CPU插件错误数据、保护装置失电告警数据、保护装置定值不一致数据、合并单元失电告警数据、合并单元SV配置错误数据、智能终端失电告警数据、智能终端压力异常数据,第一类数据为与设备自身相关且具有一定独特性的告警信息,通过第一类数据中的单项数据或两项数据或三项告警信息则能够确定测试故障;第二类数据具体包括:保护装置采样异常数据、保护装置不动作数据、合并单元装置自检异常数据、合并单元采样异常数据、智能终端GOOSE数据异常数据、智能终端GOOSE通信中断数据,第二类数据为不仅与设备自身相关且具有一定泛化性的告警信息,通过第二类数据中的五项及以上的数据则能够确定测试故障。
9.根据权利要求6所述的智能变电站继电保护测试故障定位系统,其特征在于,故障告警信息及相关数据的预处理方法包括:
对告警信息原始表中重复的数据进行剔除;
对告警信息进行分类,对单一故障可由一项或两项或三项告警信息能够利用已有模版进行推理的,即可用于直接推理的告警信息,从告警原始表中剔除,另行存储为第一类数据;
对需要利用RNN循环神经网络进行推理的告警信息和数据进行标准化处理,告警信息存在则取值为1,反之取值为0,其余相关数据按比例缩小化处理,处理之后另行存储为第二类数据。
10.根据权利要求6所述的智能变电站继电保护测试故障定位系统,其特征在于,所述步骤四中,故障推理的方法包括:
对分类处理过后的告警信息和相关数据分别进行故障推理;
对于第一类数据,利用现有的模板文件进行故障推理;
对于第二类数据,经过数据预处理后,送入前期训练得到的RNN循环神经网络中进行故障推理。

说明书全文

一种智能变电站继电保护测试故障定位方法及系统

技术领域

[0001] 本发明涉及数字式继电保护测试仪的自动化领域,具体地,涉及一种基于深度学习的智能变电站继电保护测试故障定位方法及系统。

背景技术

[0002] 随着数字化、智能化变电站的逐渐推广和应用,IEC 61850标准被广泛应用于变电站自动化系统中。IEC 61850使继电保护装置的内部数据具有极强的自描述特性,信息模型是按统一的方法、数据类建立起来的,IEC 61850也对信息的访问方式做了统一规范,给设备间的互操作带来了基础,为数字式继电保护测试仪实现自动化提供了契机。
[0003] 目前,在智能变电站继电保护装置出厂联调、现场调试阶段主要通过数字式继电保护测试仪进行调试。数字式继电保护测试仪是在保护装置上正确设置软压板、控制字和定值的前提下,通过手动选取不同的试验模,然后针对不同的故障类型,相应的计算并输入不同的故障量和故障时间,以及其他的一些量值(比如正常态时间、电压电流相位),当这些输入能正确反映不同的故障状态时,保护装置相应的行为就能准确动作。但是,根据现场的调试经验,特别是保护单体的调试来看,利用现有的继电保护测试仪进行保护装置的单体调试常常需要消耗大量的人和时间。因为调试人员需要在全站所有保护装置上不断的对各类型保护进行软压板、控制字和定值,以及在继电保护测试仪上进行故障量、故障时间等一系列的修改与设置。由四川省电科院牵头研制的第一代智能变电站自动化继电保护测试仪集成了保护测试功能与站控层功能,并结合保护测试模型、站控层模型等技术,真正实现了保护装置全自动测试,但是作为一代机仍有很多不足,例如在测试过程中有时会出现异常情况,而通过人工排查解决测试过程中的一个问题往往就会消耗几个小时的时间,从而降低了保护装置的调试效率。

发明内容

[0004] 本发明提出利用深度学习理论对测试过程中的故障进行自动定位,以此解决上述问题。本发明的目的在于提供一种基于深度学习的智能变电站继电保护测试故障定位方法及系统,解决了继电保护装置测试中排除故障复杂耗时,而且使得整个智能变电站继电保护装置测试效率变低的问题。
[0005] 为实现上述发明目的,本申请一方面提供了一种智能变电站继电保护测试故障定位方法,所述方法包括:
[0006] 步骤一:收集智能变电站继电保护测试历史故障告警信息及相关数据,对收集的故障告警信息及相关数据进行预处理:将收集的故障告警信息及相关数据分为两类:其中第一类数据是能够直接利用现有模板进行故障推理的数据;第二类数据是除去第一类数据后剩下的数据;
[0007] 步骤二:将第二类数据作为RNN循环神经网络的输入,以具体故障定位作为输出,进行深度学习训练,保存训练出的RNN循环神经网络各层参数;
[0008] 步骤三:导入智能变电站SCD文件,从GOOSE报文和SV报文中获取故障告警信息及相关数据;
[0009] 步骤四:智能变电站继电保护测试过程中若发生故障,对获得的故障告警信息及相关数据进行分类处理,对于分类出的第一类数据,利用现有模板进行故障推理,获得第一故障定位信息;对于分类出的第二类数据,输入RNN循环神经网络进行故障推理,获得第二故障定位信息;综合第一故障定位信息和第二故障定位信息进行故障概率排序,其故障概率最大者即为智能变电站继电保护测试故障定位结果。
[0010] 进一步的,对收集的故障告警信息及相关数据进行预处理还包括:对收集的故障告警信息及相关数据中的重复数据进行剔除,对第二类数据进行标准化处理。
[0011] 进一步的,第一类数据具体为:保护CPU插件错误、保护装置失电告警、保护装置定值不一致、合并单元失电告警、合并单元SV配置错误、智能终端失电告警、智能终端压力异常等与设备自身相关且具有一定独特性的告警信息,即单个至多两、三个就可以确定测试故障的告警信息;第二类数据具体为:保护装置采样异常、保护装置不动作、合并单元装置自检异常、合并单元采样异常、智能终端GOOSE数据异常、智能终端GOOSE通信中断等不仅与设备自身相关还具有一定泛化性的告警信息,即需要五个及以上才可以确定测试故障的告警信息。
[0012] 进一步的,故障告警信息及相关数据的预处理方法包括:
[0013] 对告警信息原始表中重复的数据进行剔除;
[0014] 对告警信息进行分类,对单一故障可由一个或两、三个告警信息利用已有模版进行推理的,即可用于直接推理的告警信息,从告警原始表中剔除,另行存储为第一类数据;
[0015] 对需要利用RNN循环神经网络进行推理的告警信息和数据进行标准化处理,告警信息存在则取值为1,反之取值为0,其余相关数据按比例缩小化处理,处理之后另行存储为第二类数据。
[0016] 进一步的,所述步骤四中,故障推理的方法包括:
[0017] 对分类处理过后的告警信息和相关数据分别进行故障推理;
[0018] 对于第一类数据,利用现有的模板文件进行故障推理;
[0019] 对于第二类数据,经过数据预处理后,送入前期训练得到的RNN循环神经网络中进行故障推理。
[0020] 另一方面,本发明还提供了一种智能变电站继电保护测试故障定位系统,所述系统包括:
[0021] 数据采集及预处理单元,用于收集智能变电站继电保护测试历史故障告警信息及相关数据,对收集的故障告警信息及相关数据进行预处理:将收集的故障告警信息及相关数据分为两类:其中第一类数据是能够直接利用现有模板进行故障推理的数据;第二类数据除去第一类数据后剩下的数据;
[0022] 训练单元,用于将第二类数据作为RNN循环神经网络的输入,以具体故障定位作为输出,进行深度学习训练,保存训练出的RNN循环神经网络各层参数;
[0023] 导入单元,用于导入智能变电站SCD文件,从GOOSE报文和SV报文中获取故障告警信息及相关数据;
[0024] 故障定位单元,用于智能变电站继电保护测试过程中若发生故障,对获得的故障告警信息及相关数据进行分类处理,对于分类出的第一类数据,利用现有模板进行故障推理,获得第一故障定位信息;对于分类出的第二类数据,输入RNN循环神经网络进行故障推理,获得第二故障定位信息;综合第一故障定位信息和第二故障定位信息进行故障概率排序,其故障概率最大者即为智能变电站继电保护测试故障定位结果。
[0025] 其中,对收集的故障告警信息及相关数据进行预处理还包括:对收集的故障告警信息及相关数据中的重复数据进行剔除,对第二类数据进行标准化处理。
[0026] 其中,第一类数据具体为:保护CPU插件错误、保护装置失电告警、保护装置定值不一致、合并单元失电告警、合并单元SV配置错误、智能终端失电告警、智能终端压力异常等与设备自身相关且具有一定独特性的告警信息,即单个至多两、三个就可以确定测试故障的告警信息;第二类数据具体为:保护装置采样异常、保护装置不动作、合并单元装置自检异常、合并单元采样异常、智能终端GOOSE数据异常、智能终端GOOSE通信中断等不仅与设备自身相关还具有一定泛化性的告警信息,即需要五个及以上才可以确定测试故障的告警信息。
[0027] 其中,故障告警信息及相关数据的预处理方法包括:
[0028] 对告警信息原始表中重复的数据进行剔除;
[0029] 对告警信息进行分类,对单一故障可由一个或两、三个告警信息利用已有模版进行推理的,即可用于直接推理的告警信息,从告警原始表中剔除,另行存储为第一类数据;
[0030] 对需要利用RNN循环神经网络进行推理的告警信息和数据进行标准化处理,告警信息存在则取值为1,反之取值为0,其余相关数据按比例缩小化处理,处理之后另行存储为第二类数据。
[0031] 其中,所述步骤四中,故障推理的方法包括:
[0032] 对分类处理过后的告警信息和相关数据分别进行故障推理;
[0033] 对于第一类数据,利用现有的模板文件进行故障推理;
[0034] 对于第二类数据,经过数据预处理后,送入前期训练得到的RNN循环神经网络中进行故障推理。
[0035] 本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:
[0036] 本故障定位方法及系统可以提高智能变电站继电保护装置测试的效率,减少测试人员的工作负担、减少人为出错;通过对告警信息和相关数据进行分类,减少输入量,提高了实际训练的速度,更有利于现场应用;引入RNN循环神经网络比传统机器学习能得到更好的训练效果,推理准确率更高。附图说明
[0037] 此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
[0038] 图1是本申请中基于深度学习的智能变电站继电保护测试故障定位方法的流程示意图;
[0039] 图2是本申请中基于深度学习的智能变电站继电保护测试故障定位系统的组成示意图。

具体实施方式

[0040] 为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
[0041] 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,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
[0042] 请参考图1,本申请提供了一种基于深度学习的智能变电站继电保护测试故障定位方法,包括以下步骤:
[0043] 步骤一,对所收集的大量故障告警信息及相关数据进行预处理,对重复的数据进行剔除,将例如保护CPU插件错误、保护装置失电告警、保护装置定值不一致、合并单元失电告警、合并单元SV配置错误、智能终端失电告警、智能终端压力异常等与设备自身相关且具有一定独特性的告警信息,即单个至多两、三个就可以确定测试故障的告警信息进行剔除,对例如保护装置采样异常、保护装置不动作、合并单元装置自检异常、合并单元采样异常、智能终端GOOSE数据异常、智能终端GOOSE通信中断等不仅与设备自身相关且具有一定泛化性的告警信息,即需要五个及以上才可以确定测试故障的告警信息,再进行标准化处理;
[0044] 步骤二,以标准化后的故障数据作为RNN循环神经网络的输入,以具体故障作为输出,进行深度学习,保存训练出的各层参数;
[0045] 步骤三,导入SCD文件,从GOOSE报文和SV报文中获取告警信息及相关数据;
[0046] 步骤四,智能变电站继电保护测试过程中若发生故障,对获得的故障信息进行预处理,对于可用于直接推理的告警信息利用现有模版,例如合并单元失电故障模版、智能终端配置错误模版、保护装置配置错误模版等进行故障推理,对需要复杂推理的告警信息和数据经标准化处理后输入RNN循环神经网络进行故障推理,综合所有情况对故障概率进行排序自动给出推理结果。
[0047] 进一步的技术方案是,所述步骤一中,所收集的告警信息和相关数据是从各变电站SCD文件中的所有设备的SV报文和GOOSE报文中提取,存放于独立的数据库中,对上述故障数据进行预处理,旨在减少RNN循环神经网络的输入,提高训练速度。预处理的方法是:
[0048] 首先对原始数据表进行减重处理,剔除重复数据;
[0049] 其次根据相关国家标准以及技术规范,将可用于直接推理的告警信息从原始数据表中剥离,另行保存;
[0050] 最后,将经过上述处理的原始数据表进行标准化处理,另行保存。
[0051] 所述步骤四中,根据告警信息和相关数据的分类不同,其推理的方法分为两种。
[0052] 更进一步的技术方案是,所述故障推理的方法如下:
[0053] 对于故障数据预处理后得到的可用于直接推理的告警信息和相关数据,采用现有的模板进行套用,直接进行故障推理,判断是否发生相关的故障;
[0054] 对于需要复杂推理的告警信息和相关数据,在经过标准化处理后,输入到前期通过对历史数据经过深度学习的RNN循环神经网络中进行故障推理,判断是否发生相关的故障。
[0055] 请参考图2,本发明实施例提供了一种智能变电站继电保护测试故障定位系统,所述系统包括:
[0056] 数据采集及预处理单元,用于收集智能变电站继电保护测试历史故障告警信息及相关数据,对收集的故障告警信息及相关数据进行预处理:将收集的故障告警信息及相关数据分为两类:其中第一类数据是能够直接利用现有模板进行故障推理的数据;第二类数据除去第一类数据后剩下的数据;
[0057] 训练单元,用于将第二类数据作为RNN循环神经网络的输入,以具体故障定位作为输出,进行深度学习训练,保存训练出的RNN循环神经网络各层参数;
[0058] 导入单元,用于导入智能变电站SCD文件,从GOOSE报文和SV报文中获取故障告警信息及相关数据;
[0059] 故障定位单元,用于智能变电站继电保护测试过程中若发生故障,对获得的故障告警信息及相关数据进行分类处理,对于分类出的第一类数据,利用现有模板进行故障推理,获得第一故障定位信息;对于分类出的第二类数据,输入RNN循环神经网络进行故障推理,获得第二故障定位信息;综合第一故障定位信息和第二故障定位信息进行故障概率排序,其故障概率最大者即为智能变电站继电保护测试故障定位结果。
[0060] 下面,本发明结合具体的例子对本方法进行介绍:
[0061] 在进行智能变电站继电保护测试过程中,假设发生了纵联通道故障,从SV报文和GOOSE报文中获取的告警信息有:保护装置开入通信中断,保护装置开出通信中断,保护装置传动状态未复归,保护装置开入击穿,保护装置开入输入不正常,保护装置开入自检回路出错,保护装置双AD采样不一致,保护装置开入EEPROM出错,保护装置过负荷告警,互感器断线告警,保护装置闭,保护装置不动作,智能终端无反馈,断路器不动作,重合闸不动作。
[0062] 由于告警信息超过了五个,因此需要进行复杂推理,即利用前期训练得到的RNN循环神经网络,将所获的的数据进行预处理后送入到RNN循环神经网络中,即可得到相应的故障标识,表明发生了相应的故障,置相应故障概率位为1。
[0063] 因为未故障数据未经过现有模版进行直接推理,故各故障模版的故障概率位为0。
[0064] 综合第一故障定位信息和第二故障定位信息进行故障概率排序,即可得到该测试过程中所发生的故障。
[0065] 尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0066] 显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈