一种基于神经网络的二次设备故障定位方法及系统技术方案

本申请公开了一种基于神经网络的二次设备故障定位方法及系统，包括：获取二次设备故障特征信息，所述的故障特征信息包括运行状态信息、SV/GOOSE/MMS接收状态信息、电压电流采样值；判断所述二次设备的故障特征信息能否通过知识库信息推理得到故障定位；若能，则根据所述的二次设备的故障特征信息与知识库信息，进行故障定位；若不能，则将二次设备的故障特征信息输入到训练好的故障定位模型中获得电网故障定位结果，所述的训练好的故障定位模型通过二次设备的历史故障信息对LSTM

【技术实现步骤摘要】
一种基于神经网络的二次设备故障定位方法及系统


[0001]本专利技术属于电力细系统保护相关
，尤其涉及一种基于神经网络的二次设备故障定位方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]一次设备的智能化和二次设备的网络化是智能变电站最为显著的特征，二次设备的安全可靠是智能变电站稳定运行的有力保障。目前针对二次设备的故障识别主要是由技术人员依据通信报文装置辅助判别异常原因，但是由于数量太大其缺少有效的分析故障特征，导致许多重要的信息被遗忘，故无法实现二次设备故障的精确定位。
[0004]目前的二次设备的故障定位中存在如下问题：二次设备的故障类型较多，但判据较少且故障特征之间的关联性较弱；二次设备间的连接关系复杂，常规的方法无法高效准确的分析海量的多维度数据。

技术实现思路

[0005]为了解决上述问题，本专利技术提供一种基于神经网络的二次设备故障定位方法及系统，通过LST
‑
RNN网络建立的故障定位模型能够根据二次设备的故障特征信息进行故障定位，提高了二次设备故障定位的准确性。
[0006]为了实现上述目的，本专利技术的第一个方面提供，采用如下技术方案：
[0007]获取二次设备故障特征信息，所述的故障特征信息包括运行状态信息、SV/GOOSE/MMS接收状态信息、电压电流采样值；
[0008]判断所述二次设备的故障特征信息能否通过知识库信息推理得到故障定位；/>[0009]若能，则根据所述的二次设备的故障特征信息与知识库信息，进行故障定位；
[0010]若不能，则将二次设备的故障特征信息输入到训练好的故障定位模型中获得电网故障定位结果，所述的训练好的故障定位模型通过二次设备的历史故障信息对LSTM
‑
RNN网络训练获得。
[0011]进一步的，所述的运行状态信息包括合并单元、线路保护、智能终端和测控装置的自检状态；所述的SV/GOOSE/MMS接收状态信息包括合并单元、线路/母线保护、智能终端、测控装置报文接收状态；所述的电压电流采样值为保护状态的双通道三相电压电流采样值。
[0012]进一步的，所述的知识库中存储有故障类型、特征信息及推理规则。
[0013]进一步的，对故障特征信息进行归一化处理，所述的归一化公式为：
[0014][0015]其中，X
max
和X
min
分别为数据集中的最大值和最小值，X
i
'为数据集中原始值X
i
映射到区间[0,1]中的值。
[0016]进一步的，所述的LSTM
‑
RNN网络包括1个输入层、3个隐藏层和1个输出层。
[0017]进一步的，所述的LSTM
‑
RNN网络的损失函数为均方差函数。
[0018]进一步的，采用Adam方法不断地更新权重获得隐含层的网络，以损失函数最小为优化目标，对所述的LSTM
‑
RNN网络进行训练。
[0019]一个或多个实施例提供了一种基于神经网络的二次设备故障定位系统，包括：
[0020]获取模块，其被配置为：获取二次设备故障特征信息，所述的故障特征信息包括运行状态信息、SV/GOOSE接收状态信息、电压电流采样值；
[0021]判断模块，其被配置为：判断所述二次设备的故障特征信息能否通过知识库信息推理得到故障定位；所述的知识库中存储有故障类型、特征信息及其推理规则；
[0022]定位模块，其被配置为：根据根据所述的二次设备的故障特征信息与知识库信息，进行故障定位；
[0023]和/或
[0024]定位模块，其被配置为：将二次设备的故障特征信息输入到训练好的故障定位模型中获得故障定位结果，所述的训练好的故障定位模型通过二次设备的历史故障信息对LSTM
‑
RNN网络训练获得。
[0025]一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
[0026]一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
[0027]本专利技术的有益效果是：
[0028]本申请通过LSTM
‑
RNN网络建立故障定位模型，能够实现对海量、高维度的二次设备故障特征进行定位分析，能够提高二次设备故障定位的准确性。
附图说明
[0029]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0030]图1是本专利技术实施例一所涉及的流程图；
[0031]图2位本专利技术实施例一中所涉及的二次设备故障定位推理规则；
具体实施方式
[0032]下面结合附图与实施例对本专利技术作进一步说明。
[0033]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0034]实施例一
[0035]如图1所示，本专利技术一种基于神经网络的二次设备故障定位方法，包括以下步骤：
[0036]获取二次设备故障特征信息，所述的故障特征信息包括运行状态信息、SV/GOOSE/MMS接收状态信息、电压电流采样值；
[0037]判断所述二次设备的故障特征信息能否通过知识库信息推理得到故障定位；所述
的知识库中存储有故障类型、特征信息及其推理规则；
[0038]若能，则根据所述的二次设备的故障特征信息与知识库信息，进行故障定位；
[0039]若不能，则将二次设备的故障特征信息输入到训练好的故障定位模型中获得电网故障定位结果，所述的训练好的故障定位模型通过二次设备的历史故障信息对LSTM
‑
RNN网络训练获得。
[0040]所述的二次设备为合并单元、智能终端和保护装置、测控装置等。所述的故障特征信息包括运行状态信息、SV/GOOSE/MMS接收状态信息、电压电流采样值。其中运行状态信息包括了合并单元、线路保护、智能终端和测控装置的自检状态。SV/GOOSE/MMS接收状态信息包括合并单元、线路/母线保护、智能终端、测控装置等二次设备的报文接收状态。采样值为保护状态的双通道三相电压电流采样值。
[0041]如图2所示，知识库中预存有故障类型及对应的故障特征信息以及故障定位推理规则，根据所得到的故障特征信息，二次设备的某些故障类型可通过知识库简单的推理获得。
[0042]对于所得到的故障特征信息不能通过知识库进行简单推理得到的，通过训练好的故障定位模型进行故障定位。
[0043]所述的故障定位模型是通过历史故障特征信息基于LS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的二次设备故障定位方法，其特征是，包括：获取二次设备故障特征信息，所述的故障特征信息包括运行状态信息、SV/GOOSE/MMS接收状态信息、电压电流采样值；判断所述二次设备的故障特征信息能否通过知识库信息推理得到故障定位；若能，则根据所述的二次设备的故障特征信息与知识库信息，进行故障定位；若不能，则将二次设备的故障特征信息输入到训练好的故障定位模型中获得故障定位结果，所述的训练好的故障定位模型通过二次设备的历史故障信息对LSTM
‑
RNN网络训练获得。2.如权利要求1所述的一种基于神经网络的二次设备故障定位方法，其特征是，所述的运行状态信息包括合并单元、线路保护、智能终端和测控装置的自检状态；所述的SV/GOOSE/MMS接收状态信息包括合并单元、线路/母线保护、智能终端、测控装置报文接收状态；所述的电压电流采样值为保护状态的双通道三相电压电流采样值。3.如权利要求1所述的一种基于神经网络的二次设备故障定位方法，其特征是，所述的知识库中存储有故障类型、特征信息及推理规则。4.如权利要求1所述的一种基于神经网络的二次设备故障定位方法，其特征是，对故障特征信息进行归一化处理，所述的归一化公式为：其中，X
max
和X
min
分别为数据集中的最大值和最小值，X
i
'为数据集中原始值X
i
映射到区间[0,1]中的值。5.如权利要求1所述的一种基于神经网络的二次设备故障定位方法，其特征是，所述的LSTM
‑
RNN网络包括1个输入层、3个隐藏层和1个输出层...

【专利技术属性】
技术研发人员：郑浩野，郭学艳，邢智辉，刘烨，梁誉文，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：