一种电力继保运行监测方法、设备及存储介质与流程

本发明涉及电力，尤其涉及一种电力继保运行监测方法、设备及存储介质。

背景技术：

1、根据能源分布与负荷消费地域分布特点，电网发展方式逐步趋向智能变电站，智能变电站对各类能源(尤其是大规模的风电和太阳能)发电的计入和送出适应性强，能够实现能源资源的大范围、高效率配置。

2、在智能变电站运行的过程中，二次设备(即电力继保设备)可能出现故障，目前多是使用深度学习技术对智能变电站二次设备的故障进行定位，制定相应的检修计划，保障智能变电站的正常运行。

3、但是，深度学习技术依赖大量的样本进行训练，而智能变电站中二次设备的故障次数有限，样本数量有限，使得故障定位的精度较低。

技术实现思路

1、有鉴于此，本发明提供了一种电力继保运行监测方法、设备及存储介质，用以提高智能变电站二次设备故障定位的精度。

2、本发明的第一方面提供了一种电力继保运行监测方法，包括：

3、在电力继保设备运行的过程中，检测所述电力继保设备的运行状态；

4、若所述运行状态为故障，则对所述电力继保设备选择测试节点，驱动所述测试节点向所述电力继保设备输入测试激励、得到观测信号；

5、对所述观测信号执行时频转换操作；

6、若完成所述时频转换操作，则构建用于反映所述观测信号的传输特性的混合矩阵；

7、依据所述混合矩阵生成所述电力继保设备在先运行时的预测信号；

8、依据所述预测信号之间产生的突变度构成故障特征向量；

9、依据所述故障特征向量制定维修规划方案。

10、可选地，所述对所述观测信号执行时频转换操作，包括：

11、通过如下公式对所述观测信号执行时频转换操作：

12、

13、式中，h(g,z)为频域上的所述观测信号，h(g)为时域上的所述观测信号，m(τ-g)为窗口函数，为复指数项。

14、可选地，所述构建用于反映所述观测信号的传输特性的混合矩阵，包括：

15、计算所述观测信号在每个频率下的幅值矢量的总和；

16、查询所述幅值矢量的总和对应的峰值频率；

17、对所述峰值频率执行模糊c均值聚类，得到多个簇；各个所述簇中具有中心点；

18、以所述中心点构造的方向向量作为列，构建用于反映所述观测信号的传输特性的混合矩阵。

19、可选地，所述幅值矢量的总和表示为：

20、

21、式中，v(z)为所述幅值矢量的总和，i∈m，m为所述观测信号的数量，[-h,h]为所述观测信号的频率范围，hi(g,z)为第i个所述观测信号，f(hi(g,z))为第i个所述观测信号的实部，i(hi(g,z))为第i个所述观测信号的虚部；

22、所述混合矩阵表示为：

23、h(t)＝dw(g)

24、式中，h(t)为t时刻的所述观测信号，w(g)为g时刻的所述观测信号，d为所述混合矩阵。

25、可选地，所述依据所述混合矩阵生成所述电力继保设备在先运行时的预测信号，包括：

26、计算所述观测信号的向量的第一方向角，以及，计算所述混合矩阵列向量的第二方向角；

27、计算所述第一方向角和所述第二方向角之间的绝对差；

28、若所述绝对差小于或等于预设的阈值，则把所述混合矩阵的列向量标记为所述观测信号的向量的一个待评估分解项；所述阈值小于所述混合矩阵相邻列向量的第二方向角之间绝对差的最大值；

29、筛选出在所述观测信号向量方向之上或所述观测信号向量方向之下的所述待评估分解项、以构成向量矩阵，以及，对所述向量矩阵计算所有解；

30、计算每个所述解的l1范数，以及，依据所述l1范数计算权重；

31、将所述解与所述权重之间的乘积进行叠加，得到所述电力继保设备在先运行时的预测信号。

32、可选地，所述解表示为：

33、

34、式中，w(d)(g)为所述解，为第1分解项，为第2分解项，为第n分解项。

35、可选地，所述l1范数与所述权重表示为：

36、

37、式中，gd为l1范数，qd为权重，i∈n，n为所述解中分解项的数量，为所述解中的第i分解项，ci为维度的数量。

38、可选地，所述故障特征向量表示为：

39、vs＝v{w4(g)-3v2{w2(g)}}

40、式中，vs为所述故障特征向量，v为幅值矢量，w2(g)为第2个所述预测信号，w4(g)为第4个所述预测信号。

41、本发明的第二方面提供了一种电力继保运行监测装置，包括：

42、运行状态检测模块，用于在电力继保设备运行的过程中，检测所述电力继保设备的运行状态；

43、观测信号检测模块，用于若所述运行状态为故障，则对所述电力继保设备选择测试节点，驱动所述测试节点向所述电力继保设备输入测试激励、得到观测信号；

44、时频转换操作执行模块，用于对所述观测信号执行时频转换操作；

45、混合矩阵构建模块，用于若完成所述时频转换操作，则构建用于反映所述观测信号的传输特性的混合矩阵；

46、预测信号生成模块，用于依据所述混合矩阵生成所述电力继保设备在先运行时的预测信号；

47、故障特征向量构建模块，用于依据所述预测信号之间产生的突变度构成故障特征向量；

48、维修规划方案制定模块，用于依据所述故障特征向量制定维修规划方案。

49、可选地，所述时频转换操作执行模块还用于：

50、通过如下公式对所述观测信号执行时频转换操作：

51、

52、式中，h(g,z)为频域上的所述观测信号，h(g)为时域上的所述观测信号，m(τ-g)为窗口函数，为复指数项。

53、可选地，所述混合矩阵构建模块还用于：

54、计算所述观测信号在每个频率下的幅值矢量的总和；

55、查询所述幅值矢量的总和对应的峰值频率；

56、对所述峰值频率执行模糊c均值聚类，得到多个簇；各个所述簇中具有中心点；

57、以所述中心点构造的方向向量作为列，构建用于反映所述观测信号的传输特性的混合矩阵。

58、可选地，所述幅值矢量的总和表示为：

59、

60、式中，v(z)为所述幅值矢量的总和，i∈m，m为所述观测信号的数量，[-h,h]为所述观测信号的频率范围，hi(g,z)为第i个所述观测信号，f(hi(g,z))为第i个所述观测信号的实部，i(hi(g,z))为第i个所述观测信号的虚部；

61、所述混合矩阵表示为：

62、h(t)＝dw(g)

63、式中，h(t)为t时刻的所述观测信号，w(g)为g时刻的所述观测信号，d为所述混合矩阵。

64、可选地，所述预测信号生成模块还用于：

65、计算所述观测信号的向量的第一方向角，以及，计算所述混合矩阵列向量的第二方向角；

66、计算所述第一方向角和所述第二方向角之间的绝对差；

67、若所述绝对差小于或等于预设的阈值，则把所述混合矩阵的列向量标记为所述观测信号的向量的一个待评估分解项；所述阈值小于所述混合矩阵相邻列向量的第二方向角之间绝对差的最大值；

68、筛选出在所述观测信号向量方向之上或所述观测信号向量方向之下的所述待评估分解项、以构成向量矩阵，以及，对所述向量矩阵计算所有解；

69、计算每个所述解的l1范数，以及，依据所述l1范数计算权重；

70、将所述解与所述权重之间的乘积进行叠加，得到所述电力继保设备在先运行时的预测信号。

71、可选地，所述解表示为：

72、

73、式中，w(d)(g)为所述解，为第1分解项，为第2分解项，为第n分解项。

74、在本发明的一个实施例中，所述l1范数与所述权重表示为：

75、

76、式中，gd为l1范数，qd为权重，i∈n，n为所述解中分解项的数量，为所述解中的第i分解项，ci为维度的数量。

77、可选地，所述故障特征向量表示为：

78、

79、式中，vs为所述故障特征向量，v为幅值矢量，w2(g)为第2个所述预测信号，w4(g)为第4个所述预测信号。

80、本发明的第三方面提供了一种电子设备，所述电子设备包括：

81、至少一个处理器；以及

82、与所述至少一个处理器通信连接的存储器；其中，

83、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述第一方面所述的电力继保运行监测方法。

84、本发明的第四方面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实现如上述第一方面所述的电力继保运行监测方法。

85、本发明的第五方面提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的电力继保运行监测方法。

86、在本实施例中，在电力继保设备运行的过程中，检测电力继保设备的运行状态；若运行状态为故障，则对电力继保设备选择测试节点，驱动测试节点向电力继保设备输入测试激励、得到观测信号；对观测信号执行时频转换操作；若完成时频转换操作，则构建用于反映观测信号的传输特性的混合矩阵；依据混合矩阵生成电力继保设备在先运行时的预测信号；依据预测信号之间产生的突变度构成故障特征向量；依据故障特征向量制定维修规划方案。本实施例挖掘电力继保设备在故障早期的预测信号，为维修电力继保设备提供运维指导流程，实时发现电力继保的运行故障情况，可应用于二次设备的运维辅助作业，有效提高现场作业效率，降低安全风险。并且，挖掘的过程中有效降低了对深度学习技术的依赖，缓解样本数量有限对深度学习技术的影响，保证故障定位的精度。

87、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。