一种变电站二次设备状态监测方法及可读存储介质技术

本发明专利技术公开了一种变电站二次设备状态监测方法及可读存储介质，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。本发明专利技术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。

A state monitoring method and readable storage medium for secondary equipment in Substation

【技术实现步骤摘要】
一种变电站二次设备状态监测方法及可读存储介质
本专利技术涉及变电站故障监测
，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。
技术介绍
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。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术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。本专利技术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。本专利技术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，本专利技术具有如下的优点：传统的监测方法只利用时间段信息，具有一定的滞后性。而本专利技术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。本专利技术的其他优点、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，或者可以从本专利技术的实践中得到教导。附图说明本专利技术的附图说明如下：图1为本专利技术实施例流程图；图2为本专利技术实施例二次设备实时状态信息示意图；图3为本专利技术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专利技术作进一步说明。本专利技术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。本专利技术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，在本专利技术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；通过测试集对训本文档来自技高网...

【技术保护点】
1.一种变电站二次设备状态监测方法，其特征在于，所述方法包括，/n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；/n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。/n

【技术特征摘要】
1.一种变电站二次设备状态监测方法，其特征在于，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。


2.如权利要求1所述的方法，其特征在于，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。


3.如权利要求2所述的方法，其特征在于，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。


4.如权利要求3所述的方法，其特征在于，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。


5.如权利要求4所述的方法，其特征在于，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：

【专利技术属性】
技术研发人员：王洪彬，张友强，李杰，龚秋憬，余红欣，何燕，何荷，
申请(专利权)人：国网重庆市电力公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：重庆;50