一种断路器防跳功能测试方法及系统与流程

本发明涉及电力系统保护与控制领域，尤其涉及一种断路器防跳功能测试方法及系统。

背景技术：

1、在现代电力系统中，电力系统的可靠运行依赖于核心设备的性能与稳定性，其中断路器是关键的保护和控制设备，其功能直接关系到电力系统的安全稳定运行。断路器的防跳功能是为了防止误操作或故障导致的重复跳闸，避免对设备和系统产生不必要的冲击，在提升系统稳定性和避免故障损害方面发挥了重要作用。然而，传统的防跳功能测试方法往往依赖于单一的静态测试或经验判断，难以全面有效地评估断路器的实际工作状态和健康水平。且现有的防跳功能测试方法存在人工干预多、智能化程度低、测试精度不足等问题，已难以满足现代电力系统对设备性能评估的需求。随着人工智能、深度学习及量子计算技术的迅速发展，智能化的断路器防跳测试方法逐渐成为研究热点。

2、经检索，中国专利号cn113589156a公开了一种断路器防跳功能测试方法，该发明虽然通过自学习获得被测断路器防跳测试有关参数，根据相关参数完成断路器的分位防跳与合位防跳测试，有效提高断路器防跳测试效率和准确性，但是容易陷入局部最优问题，无法对实际操作条件下断路器的状态变化做出更加精确的响应，降低测试系统的灵活性和即时性；且现有的断路器防跳功能测试方法及系统样本代表性较差，且防跳测试的效果的可靠性低，提高数据处理的成本和时间，人为干预带来的误差较高；此外，现有的断路器防跳功能测试方法及系统静态评估的滞后性较高，因单一因素导致的误判较多，降低健康评估的准确性，不利于系统的风险管控，故障发生的可能性较高；为此，我们提出一种断路器防跳功能测试方法及系统。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种断路器防跳功能测试方法及系统。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种断路器防跳功能测试方法，该测试方法具体步骤如下：

4、ⅰ、提取断路器数据并通过关系分析技术构建防跳功能图谱；

5、ⅱ、建立防跳测试模型并进化筛选模型参数；

6、ⅲ、迭代模拟测试样本再执行断路器防跳功能测试；

7、ⅳ、采集并记录每个测试场景的操作数据和状态信息；

8、ⅴ、对比测试结果与模型预测并标记存在问题的操作状态；

9、ⅵ、分析测试结果并动态调整断路器的健康评估；

10、ⅶ、基于测试与分析结果更新防跳功能图谱以及防跳测试模型。

11、作为本发明的进一步方案，步骤ⅰ所述构建防跳功能图谱具体步骤如下：

12、s1.1：从电力系统运行数据库中提取断路器历史运行数据、故障数据和维护数据，并对提取出的各组数据依据设定的规则自动过滤，或工作人员手动过滤与断路器防跳功能无关的信息，仅保留时间戳、故障类型、设备健康状态以及操作次数各项数据；

13、s1.2：基于筛选出各组数据构建运行数据集，去除运行数据集中的重复数据和缺失值，并标准化记录格式，再通过pearson相关系数方法，计算预处理后的运行数据集中各组数据之间的相关系数；

14、s1.3：对运行数据集中的数据进行初步分析，识别每组数据的属性，根据数据内容和属性，将数据分成设备状态、运行参数、环境因素、故障记录以及维护记录各类别，再未各类节点定义基本属性，并根据提取的数据创建具体节点；

15、s1.4：采用唯一的id生成规则为每个节点生成id，并将每个节点的标识符与其具体的属性信息相对应，从运行数据集中选择与节点类别和属性定义相符的数据，将匹配的数据填入节点的属性字段中，检查每个节点是否包含完整的属性信息，并对缺少属性的节点进行补充或重新创建；

16、s1.5：将节点加入到防跳功能图谱的整体结构中，根据相关系数的计算结果，判断两个节点间是否存在显著关联，并在防跳功能图谱中建立节点之间的边，并根据相关系数的强度，赋予关系的权重和方向性，基于运行状态和历史维护记录，计算每个断路器的健康评分作为状态指标，并在防跳功能图谱中标注每个断路器的设备健康状态。

17、作为本发明的进一步方案，s1.2所述相关系数具体计算公式如下：

18、；式中，代表两组断电器变量x和y之间的相关系数；代表样本数量；代表变量x在第个样本上的观测值；代表变量x的平均值；代表变量y在第个样本上的观测值；代表变量y的平均值；

19、s1.5中所述健康评分具体计算公式如下：

20、；式中，代表第h个断路器的健康评分；代表第个影响因子；代表第个因子的权重；代表因子数量。

21、作为本发明的进一步方案，步骤ⅱ所述建立防跳测试模型具体步骤如下：

22、s2.1：从防跳功能图谱中筛选出历史防跳功能测试数据，并将提取的各组数据转换为时间序列格式，之后对转换后的时间序列数据进行归一化处理，并将处理后的各组数据划分为训练集、验证集以及测试集，基于输入层、双向gru层以及输出层的bi-gru架构，构建防跳测试模型；

23、s2.2：将训练集数据输入至防跳测试模型中，输入层将各组数据传输至双向gru层中，之后双向gru层中的前向gru单元逐步从时间序列的起始点到结束点依次传递隐藏状态，同时后向gru单元从时间序列的结束点到起始点依次传递隐藏状态；

24、s2.3：通过前向gru单元和后向gru单元的重置门计算候选隐藏状态，依据计算出的候选隐藏状态，通过两组gru单元的更新门计算当前时刻的隐藏状态，拼接前后向隐藏状态以形成一个包含双向信息的隐藏状态向量；

25、s2.4：堆叠多层双向gru层，将每一层双向gru层的输出隐藏状态作为下一层的输入，当输入到最后一层时，将最后一层双向gru层的前向和后向隐藏状态拼接后，通过输出层对输出结果进行后处理后生成最终预测结果，再通过mse损失函数计算该预测结果与真实结果之间的误差；

26、s2.5：将误差值回传至防跳测试模型中，并计算误差值对于防跳测试模型各层的梯度值，基于各层的梯度值，通过adam优化算法调整模型的参数，使用验证集对训练后的防跳测试模型进行评估，计算验证集上的损失，并根据验证集表现，调整模型的学习率以及gru单元数各项超参数；

27、s2.6：重复对防跳测试模型进行训练以及验证，直至达到预设迭代次数，之后在测试集上评估最终模型的预测性能，计算测试集上的损失值，并评估预测准确度，基于该模型准确度再次调整模型参数，将最终防跳测试模型应用于实时数据，预测断路器的防跳功能表现。

28、作为本发明的进一步方案，步骤ⅱ所述进化筛选模型参数具体步骤如下：

29、s3.1：收集防跳测试模型在测试集上的准确度，若该模型准确度未达到预设准确率，则收集防跳测试模型的各参数信息，并将模型的每个参数用一个或多个量子比特表示，并用量子态代表各参数；

30、s3.2：对各组量子比特通过hadamard变换后，生成每个量子态的均匀叠加态，以获取不同的参数组合的候选解，其中n代表候选参数组合的总数，代表概率幅，代表第个候选参数组合，基于防跳功能模型的预测准确率定义一个量子适应度函数，通过量子适应度函数评估每个候选参数值的适应度；

31、s3.3：构造目标函数，当候选参数值的适应度满足预设条件时，通过oracle构造将此解的符号翻转，再计算当前量子态各概率幅的平均值，通过grover扩散操作将所有解的概率幅相对于均值进行反射，其中d代表grover扩散操作符，代表当前量子态的投影算符，i代表单位矩阵；

32、s3.4：重复应用oracle构造和grover扩散操作，并在每次迭代后，放大目标解的概率幅，同时压缩不符合条件的解概率幅，之后根据目标解与非目标解的距离，选择门或门的旋转角度放大满足预设适应度阈值的解的概率幅，对量子态进行测量，重复测量步骤，并在多次测量后保留适应度符合预设阈值的测量结果；

33、s3.5：将测量得到的参数组合按适应度排序，选择适应度最高的一组参数值作为最终解，并确定最优解为该参数组合所代表的量子态，作为模型的最优参数组合，再通过梯度下降算法对量子进化得到的参数进行微调。

34、一种断路器防跳功能测试系统，包括采集预处理模块、数据筛选模块、图谱构建模块、学习训练模块、进化筛选模块、样本选择模块、实时监控模块、动态评估模块、报警提示模块、管理日志模块以及可视化展示模块；

35、所述采集预处理模块用于从电力系统运行数据库中提取各断路器数据，并对采集到的数据进行清洗、格式转换和缺失值填充处理；

36、所述数据筛选模块用于根据断路器的防跳功能需求，从预处理后的断路器数据中筛选出与断路器跳闸事件对应的关键数据；

37、所述图谱构建模块用于分析断路器的各项运行数据之间的关联关系，并基于数据筛选和关联分析的结果构建防跳功能图谱；

38、所述学习训练模块用于基于断路器历史防跳功能测试数据构建防跳测试模型，并对该模型进行训练调整；

39、所述进化筛选模块用于对防跳测试模型的参数进行进化筛选，选出最佳参数组合，从而优化模型初始参数设置；

40、所述样本选择模块用于迭代模拟测试样本，并选出最具代表性和影响力的样本；

41、所述实时监控模块用于接收断路器的实时运行数据，并通过防跳测试模型判断断路器是否存在潜在故障或异常跳闸风险；

42、所述动态评估模块用于结合历史数据和当前测试结果，动态估计断路器的健康状态和防跳功能的稳定性；

43、所述报警提示模块用于检测系统输出的异常状态及潜在风险，并根据系统设定的阈值自动触发报警；

44、所述管理日志模块用于负责系统运行的日常管理和状态记录；

45、所述可视化展示模块用于对测试和分析的结果进行汇总、分析与可视化展示。

46、作为本发明的进一步方案，所述样本选择模块迭代模拟测试样本具体步骤如下：

47、s4.1：根据防跳功能图谱中节点间的关联关系以及防跳测试模型特征，并基于样本对模型准确率或预测能力的提升效果，定义样本选择的目标函数，其中代表样本的适应度值，代表样本对模型训练准确度的贡献度，代表样本在防跳功能图谱中与其他样本的距离，和分别代表调节参数；

48、s4.2：收集并处理不同工作状态下断路器运行数据，分别将处理后的不同状态下的断路器运行数据作为一组测试样本，以构建一组测试样本集，利用目标函数计算所有测试样本的适应度，并基于预设的适应度阈值，将高于阈值的测试样本作为“主要河流”，将低于阈值的测试样本作为“支流”；

49、s4.3：基于主要河流样本以及支流样本的适应度，计算主要河流样本与支流样本之间的距离，通过模拟样本特征的线性更新，不断调整支流样本的特征值，使支流样本与主要河流样本不断靠近，以形成新的支流样本；

50、s4.4：基于当前支流样本适应度的平均值或中位数，设定适应度阈值，通过目标函数计算当前各支流样本的适应度值，并分别比较计算出的适应度值与阈值的大小，若，则将对应样本剔除，不再参与后续的优化过程，其中代表第a个样本的适应度值；

51、s4.5：通过随机选择的方法选择一个大于1的系数作为降水因子，之后对于的测试样本，通过，对满足条件的各组高适应测试样本进行降水因子的放大操作，以增加高适应度样本在各测试样本中的权重，其中代表降水后测试样本的新特征值；

52、s4.6：在每轮迭代结束后，根据目标函数重新计算所有样本的适应度，并更新主要河流和支流样本，之后重新进行步骤s4.3至s4.5的操作，直至达到最大迭代次数，或整体测试样本的适应度的增量小于设定的收敛阈值，或筛选出的测试样本达到预设的质量要求时，停止迭代更新，并筛选出适应度最高、且具有多样性的测试样本集作为最优训练样本集，同时将其输入防跳测试模型中进行断路器防跳功能测试。

53、作为本发明的进一步方案，所述动态评估模块动态估计断路器的健康状态和防跳功能的稳定性的具体步骤如下：

54、s5.1：根据防跳功能图谱和断路器的运行历史数据，构建贝叶斯网络结构，并基于防跳功能图谱识别断路器的关键状态，同时将识别出的断电器的各关键状态作为贝叶斯网络的节点，将状态间的依赖关系以有向边的形式标识，以连接对应两组节点；

55、s5.2：并利用防跳功能图谱中的历史数据计算每个节点在不同状态组合下的概率分布，其中代表在父节点b给定的情况下，节点a取某一状态的概率，代表防跳功能图谱中记录的历史数据生成的初始条件概率表值，并基于计算出的概率分布为贝叶斯网络的每个节点设定初始条件概率表；

56、s5.3：将防跳功能测试中得到的实时数据输入贝叶斯网络的相应节点，作为当前观测值，并通过贝叶斯推断算法计算在当前状态下断路器健康的后验概率，根据计算出的健康概率更新目标节点的概率分布，同时依据新的测试数据更新条件概率表；

57、s5.4：将计算得到的健康状态概率分布作为最终输出结果，若存在状态的后验概率超出预设的风险阈值，报警提示模块触发告警，同时通过可视化模块展示风险类型，并建议维护人员进行进一步检查或维护，确保设备安全性，持续采集新数据并输入贝叶斯网络，并不断对各断路器进行动态断路器的健康状态和防跳功能的稳定性。

58、作为本发明的进一步方案，s5.1所述断路器的关键状态具体包括电流、电压、温度以及跳闸次数各项状态。

59、相比于现有技术，本发明的有益效果在于：

60、1、该断路器防跳功能测试方法收集防跳测试模型在测试集上的准确度，若该模型准确度未达到预设准确率，则收集防跳测试模型的各参数信息，并将模型的每个参数用一个或多个量子比特表示，并用量子态代表各参数，对各组量子比特通过hadamard变换后，生成每个量子态的均匀叠加态，以获取不同的参数组合的候选解，基于防跳功能模型的预测准确率定义一个量子适应度函数，通过量子适应度函数评估每个候选参数值的适应度，构造目标函数，当候选参数值的适应度满足预设条件时，通过oracle构造将此解的符号翻转，再计算当前量子态各概率幅的平均值，通过grover扩散操作将所有解的概率幅相对于均值进行反射，重复应用oracle构造和grover扩散操作，并在每次迭代后，放大目标解的概率幅，同时压缩不符合条件的解概率幅，之后根据目标解与非目标解的距离，选择需要的旋转角度放大满足预设适应度阈值的解的概率幅，对量子态进行测量，重复测量步骤，并在多次测量后保留适应度符合预设阈值的测量结果，将测量得到的参数组合按适应度排序，选择适应度最高的一组参数值作为最终解，并确定最优解为该参数组合所代表的量子态，作为模型的最优参数组合，再通过梯度下降算法对量子进化得到的参数进行微调，提升模型优化效率，避免局部最优问题，使得模型对实际操作条件下断路器的状态变化能够做出更加精确的响应，增加测试系统的灵活性和即时性。

61、2、该断路器防跳功能测试系统根据防跳功能图谱中节点间的关联关系以及防跳测试模型特征，并基于样本对模型准确率或预测能力的提升效果，定义样本选择的目标函数，收集并处理不同工作状态下断路器运行数据，分别将处理后的不同状态下的断路器运行数据作为一组测试样本，以构建一组测试样本集，利用目标函数计算所有测试样本的适应度，并基于预设的适应度阈值，将测试样本划分为主要河流样本以及支流样本，模拟样本特征的线性更新，不断调整支流样本的特征值，使支流样本与主要河流样本不断靠近，以形成新的支流样本，基于当前支流样本适应度的平均值或中位数，设定适应度阈值，并比较计算出的各测试样本适应度值与设定的适应度阈值，剔除低于该适应度阈值的测试样本，并随机生成一个降水因子对高于该适应度阈值的测试样本进行加权调整，反复迭代更新，直至达到最大迭代次数，或整体测试样本的适应度的增量小于设定的收敛阈值，或筛选出的测试样本达到预设的质量要求时，停止迭代更新，并筛选出适应度最高、且具有多样性的测试样本集作为最优训练样本集，同时将其输入防跳测试模型中进行断路器防跳功能测试，优化样本代表性，使得防跳测试的效果更为可靠，降低数据处理的成本和时间，减少人为干预带来的误差，提升测试流程的智能化水平。

62、3、该断路器防跳功能测试系统根据防跳功能图谱和断路器的运行历史数据，构建贝叶斯网络结构，并基于防跳功能图谱识别断路器的关键状态，同时将识别出的断电器的各关键状态作为贝叶斯网络的节点，将状态间的依赖关系以有向边的形式标识，以连接对应两组节点，并利用防跳功能图谱中的历史数据计算每个节点在不同状态组合下的概率分布，并基于计算出的概率分布为贝叶斯网络的每个节点设定初始条件概率表，将防跳功能测试中得到的实时数据输入贝叶斯网络的相应节点，作为当前观测值，并通过贝叶斯推断算法计算在当前状态下断路器健康的后验概率，根据计算出的健康概率更新目标节点的概率分布，同时依据新的测试数据更新条件概率表，将计算得到的健康状态概率分布作为最终输出结果，若存在状态的后验概率超出预设的风险阈值，报警提示模块触发告警，同时通过可视化模块展示风险类型，并建议维护人员进行进一步检查或维护，确保设备安全性，持续采集新数据并输入贝叶斯网络，并不断对各断路器进行动态断路器的健康状态和防跳功能的稳定性，能够避免静态评估的滞后性，减少因单一因素导致的误判，提高健康评估的准确性，有助于增强系统的风险管控能力，减少故障发生的可能性，提高电力系统的整体稳定性。