一种变电站二次设备状态监测方法及可读存储介质与流程

本发明涉及变电站故障监测
技术领域：
，特别是一种变电站二次设备状态监测方法及可读存储介质。
背景技术：
：近年来，随着电网规模不断扩大，输变电电压水平不断提高，推动了新一代智能变电站的建设。这使得电力设备的数量和复杂度不断增加，设备维护成本不断增加，继电保护设备的维护工作量也急剧增加。为确保电网在二次设备多、设备复杂度高情况下的可靠运行，电力设备的维护策略正朝着状态检修方向发展。智能变电站二次设备运行状态诊断是风险评估和状态检修的重要依据。因此，状态监测的准确性对电网的安全和可靠性至关重要。技术实现要素：有鉴于现有技术的上述缺陷，本发明的目的就是提供一种变电站二次设备状态监测方法及可读存储介质，利用数据点变化趋势的隐含信息，通过趋势预测，能够实现更先进的评价，有效缩小评价结果与设备实际状态间的差距。本发明的目的之一是通过这样的技术方案实现的，一种变电站二次设备状态监测方法，所述方法包括，采集变电站二次设备的监测信号，对所述检测信号进行特征提取；对提取到的特征进行模型识别，并根据模型识别结果完成变电站二次设备状态信息的趋势预测。可选的，所述对所述检测信号进行特征提取，包括：将所采集到的信号波形划分为训练集和测试集；对所述训练集和测试集的信号波形进行预处理；所述预处理包括：滤波、计算波形均方根、提取弧垂数据段和重采样。可选的，所述对所述检测信号进行特征提取，还包括：根据所采集到的训练集的数据维度建立深度信念网络dbn模型，并根据所述dbn模型确定每个显层和隐层的节点数；将所采集到的训练集的信号波形的时域数据输入dbn模型；根据确定的节点数采用无监督的逐层训练方法提取dbn模型的信号特征。可选的，对提取到的特征进行模型识别，包括：将提取到的信号特征输入到dbn模型进行模型训练；通过测试集对训练完成的dbn模型进行验证。可选的，所述对所述检测信号进行特征提取，还包括：通过特征离散度评价各隐层单元数和多层受限玻尔兹曼机rbm对dbn模型的影响以突出数据特征；所述特征离散度，满足：其中，d表示特征离散度，v表示当前类的特征距离，m表示同一类别的特征数，pv,m表示当前类波形特征向量，pv,c表示波形的特征中心向量，n表示同一种类别的特征数，u表示数据类别总数。可选的，所述特征中心向量的选取原则满足：其中，m，i，j均表示波形类别，pv,i，pv,j表示当前类的i，j波形的特征向量。可选的，根据模型识别结果完成变电站二次设备状态信息的趋势预测，包括：根据模型识别结果采用二次指数平滑法对状态信息趋势进行预测；所述二次指数平滑法的预测模型满足：其中，xt+t表示预测结果，ε表示平滑系数，at，bt均为中间量，t表示迭代次数，分别表示第一个和第二个平滑值。可选的，根据模型识别结果完成变电站二次设备状态信息的趋势预测，还包括：选取平滑系数的范围，确定监测值和预测值之间的最小方差和误差平方和，满足：其中，n为训练样本数，k表示组数，是第k组监测值的预测值，xk是第k组监测值的实际值。本发明的目的之二是通过这样的技术方案实现的，一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现前述的方法的步骤。由于采用了上述技术方案，本发明具有如下的优点：传统的监测方法只利用时间段信息，具有一定的滞后性。而本发明方法利用数据点变化趋势的隐含信息，通过趋势预测，能够实现更先进的评价，有效缩小评价结果与设备实际状态间的差距。本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。附图说明本发明的附图说明如下：图1为本发明实施例流程图；图2为本发明实施例二次设备实时状态信息示意图；图3为本发明实施例电压预测值与监测值对比示意图。具体实施方式下面结合附图和实施例对本发明作进一步说明。本发明第一实施例提出一种变电站二次设备状态监测方法，如图1所示，所述方法包括，采集变电站二次设备的监测信号，对所述检测信号进行特征提取；对提取到的特征进行模型识别，并根据模型识别结果完成变电站二次设备状态信息的趋势预测。本发明方法利用数据点变化趋势的隐含信息，通过趋势预测，能够实现更先进的评价，有效缩小评价结果与设备实际状态间的差距。可选的，在本发明一个可选的实施例中，所述对所述检测信号进行特征提取，包括：将所采集到的信号波形划分为训练集和测试集；对所述训练集和测试集的信号波形进行预处理；所述预处理包括：滤波、计算波形均方根、提取弧垂数据段和重采样。具体的说，二次设备状态特征提取，深度信念网络(dbn)由多层受限玻尔兹曼机(rbm)和一层bp神经网络组成，它不仅具有良好的分类效果，还具有高效的特征提取能力。该算法的核心是利用逐层贪婪学习算法优化层间连接权重。对于给定的状态集(v,h)，受限玻尔兹曼机(rbm)的联合分配能量函数为：式中，vi和ai为i显层单元的状态和偏移量；n和m分别为rbm的显层单元数和隐层单元数；hj和bj为j隐层单元的状态和偏移量；θ＝(w,a,b)为rbm模型的参数。s＝{v1,v2,l,vs}为训练样本，通过最大化样本上rbm的对数似然函数得到模型参数，并对训练样本进行拟合，可将隐层作为输入数据在显层中的特征。对数似然函数使用对比散度算法得到θ，进而得到：因此，ωij可以更新为：其中，为动量、η为学习速度。在上述描述的基础上，基于dbn的二次设备状态特征识别，包括：1)监测系统获取各类二次设备的时域监测信号；2)将所有数据划分为训练集和测试集，同时对波形数据进行预处理：滤波、计算波形均方根、提取弧垂数据段、重采样。可选的，所述对所述检测信号进行特征提取，还包括：根据所采集到的训练集的数据维度建立深度信念网络dbn模型，并根据所述dbn模型确定每个显层和隐层的节点数；将所采集到的训练集的信号波形的时域数据输入dbn模型；根据确定的节点数采用无监督的逐层训练方法提取dbn模型的信号特征。具体的说，上述方案包括：3)根据数据维度建立多隐藏层dbn模型，以准确算出每个显层和隐层的节点数；4)将时域数据输入dbn模型，采用无监督的逐层训练方法提取dbn模型的特征。可选的，对提取到的特征进行模型识别，包括：将提取到的信号特征输入到dbn模型进行模型训练；通过测试集对训练完成的dbn模型进行验证。具体的说，5)将待辨识的波形数据输入到dbn模型中，通过训练后的模型对二次设备的状态数据进行辨识，以验证本发明方法的辨识精度。可选的，所述对所述检测信号进行特征提取，还包括：通过特征离散度评价各隐层单元数和多层受限玻尔兹曼机rbm对dbn模型的影响以突出数据特征；所述特征离散度，满足：其中，d表示特征离散度，v表示当前类的特征距离，m表示同一类别的特征数，pv,m表示当前类波形特征向量，pv,c表示波形的特征中心向量，n表示同一种类别的特征数，u表示数据类别总数。可选的，所述特征中心向量的选取原则满足：其中，m，i，j均表示波形类别，pv,i，pv,j表示当前类的i，j波形的特征向量。具体的说，本实施例中，为了评估不同参数下特征提取的聚类程度，定义了特征离散度，以评价各隐层单元数和rbm对dbn模型的影响。通常情况下，为有效突出数据特征并使其不易拟合，期望从同一类数据中提取的特征尽可能接近。因此，特征离散度d越小，提取的特征越好。特征离散度d定义为每类特征向量与其特征中心向量之间的最大距离的平均值，特征离散度d满足：其中，d表示特征离散度，v表示当前类的特征距离，m表示同一类别的特征数，pv,m表示当前类波形特征向量，pv,c表示波形的特征中心向量，n表示同一种类别的特征数，u表示数据类别总数。特征中心向量的选取原则满足：式中，m为同一类别的特征数；v为当前v类的特征距离；pv,m，pv,i，pv,j分别为v类m、i、j波形的特征向量，pv,c表示波形的特征中心向量。可选的，根据模型识别结果完成变电站二次设备状态信息的趋势预测，包括：根据模型识别结果采用二次指数平滑法对状态信息趋势进行预测；所述二次指数平滑法的预测模型满足：其中，xt+t表示预测结果，ε表示平滑系数，at，bt均为中间量，t表示迭代次数，分别表示第一个和第二个平滑值。具体的说，如图2所示，二次设备的功能受部件可靠性的影响很大，事故是随机发生的，传统的状态评估方法依赖于设备的历史运行状态，其准确性和及时性得不到保证。而在本实施例中，基于智能变电站二次设备的自检信息和报警信息，结合关键历史运行信息，建立了状态预测信息模型，现有文献中的状态评估结果主要取决于历史信息和近期数据，而这种方法存在以下问题：部分信息点状况良好，但有明显恶化趋势，应引起重视；部分信息点状况较差，但有改善趋势，没有必要立即处理。因此，本实施例中提出一种采用实时数据预测信息趋势，然后基于预测结果进行模糊评价的策略，在一定程度上改善了评价误差。信息趋势预测扩大了设备状态的变化，通过扩大状态恶化趋势，可以更及时地发现隐患；通过扩大状态优化趋势，可避免无效的工作过程并节约成本。进一步的，在本实施例中采用二次指数平滑法对状态信息趋势进行预测；如果监测参数的时间序列是x1，x2，l，xt，以3～5个数据的算术平均值为初值和二次指数平滑法的预测模型如下：预测结果记录为，xt+1，xt+2，l，xt+t。可选的，根据模型识别结果完成变电站二次设备状态信息的趋势预测，还包括：选取平滑系数的范围，确定监测值和预测值之间的最小方差和误差平方和，满足：其中，n为训练样本数，k表示组数，是第k组监测值的预测值，xk是第k组监测值的实际值。具体的说，在本实施例中，平滑系数ε决定了预测值和实际值之间的响应灵敏度和平滑程度。ε值越大，长期监测参数对预测值的贡献越小；ε值越小，长期监测参数对预测值的贡献越大。ε的大小取决于设备测试参数的变化。因此在本实施例中，首先，选择ε的近似范围；然后通过计算和选择，得到监测值和预测值之间的最小方差和误差平方和。其中，n为训练样本数，k表示组数，是第k组监测值的预测值，xk是第k组监测值的实际值。通过上述方法，本发明方法具备如下优点1)充分利用深信网络的特征提取能力，将人工特征提取转化为自动特征提取。它融合了特征的提取和分类，以解决人工特征抽取过于依赖专家经验，且未知特征通用性不足的问题。2)传统的监测方法只利用时间段信息，具有一定的滞后性。而利用数据点变化趋势的隐含信息，通过趋势预测，能够实现更先进的评价，有效缩小评价结果与设备实际状态间的差距。3)通过与其它方法的比较，验证了该方法的优越性和有效性。本发明第二实施例提出一种变电站二次设备状态监测方法的实施案例通过实例分析了国网某220kv智能变电站二次设备的状态，并与典型的二次设备状态监测方法进行了比较。a.基于dbn的二次设备状态识别结果分析本实施例中dbn模型的输入层包括五层，每层单元数为35，最后一层中的单元数是提取的特征数。rbm的最大迭代次数为12，动量参数为4。基于dbn的二次设备识别方法的准确率见表1。实验结果表明，利用dbn模型提取特征向量并对其进行分类的识别方法准确率为98.03％，网络交换机和测控设备的识别准确率可达99.97％。表1基于dbn的二次设备状态监测方法的正确率二次设备类别测试样本数正确识别数量正确率％继电保护设备201995测控设备2020100智能终端201995通讯设备2020100合计807898.03b状态信息趋势预测结果分析采用二次指数平滑预测方法，实现了设备信息点的一步短期时间序列预测。利用数据的变化趋势提高评价的准确性和及时性，利用实时监测值更新后续状态的预测结果。设备电压预测结果如图3所示，由于只进行一步预测，预测精度高，ε的值为0.4。当设备电压大于正常值时，预测值将突出电压增大的趋势；当电压降低时，预测值将突出电压较小的趋势。预测结果受到局部惩罚，即预测值突出了实际值的恶化趋势，留下了安全缓冲裕度，这与采用状态评估实现状态维修的意义是一致的。本发明的目的之二是通过这样的技术方案实现的，一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现前述的方法的步骤。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的保护范围之内。当前第1页1 2 3