资产保护、监测或控制装置和方法以及电力系统制造方法及图纸

资产保护、监测或控制装置(30)能够操作以执行决策制定逻辑(34)以处理输入并生成包括一个或多个时间序列的决策制定逻辑输出，使用机器学习模型(35)来处理决策制定逻辑输出，并且使得响应于机器学习模型输出而执行动作。且使得响应于机器学习模型输出而执行动作。且使得响应于机器学习模型输出而执行动作。

【技术实现步骤摘要】
资产保护、监测或控制装置和方法以及电力系统


[0001]本专利技术涉及用于资产保护、监测或控制的装置、系统和方法。本专利技术具体地涉及检测故障并且响应于故障检测而采取动作的装置、系统和方法。

技术介绍

[0002]有许多应用需要包括保护、监测和/或控制系统，以防止重大故障。这种应用的示例除其他外还包括电力系统保护，其中保护装置用于断开电网的故障部分，或包括过程监测系统，其用于识别工业工厂中的可能指示正在发展的故障的异常行为。这些保护、监测和/或控制系统可以包括高度自动化，因为可能需要比人类操作员更快地做出决策和/或在任何给定时间必须监测的装置(和由装置记录的信号)往往太多。
[0003]自动化可以包括用于确定是否采用缓减动作(例如，使断路器跳闸，或向操作员发出警报)的决策制定逻辑。必须尽快做出正确的决策。具体而言，重要的是，保护、监测和/或控制系统的装置做出的决策是：
[0004]·
快速的：保护系统识别故障所需的时间越短，所产生的缓减动作就越有可能防止故障引发重大故障。
[0005]·
可靠的：
[0006]ο漏警报(存在故障但决策制定逻辑未能做出反应)必须最小。漏警报的后果可能是故障可能升级为重大故障，并带来相关联的财务和安全隐患。
[0007]ο误警报(不存在故障但决策制定逻辑错误地发起缓减动作)可能会对安全和运营产生影响，例如，如果部分电网被断开或者如果工业工厂被关闭的话。
[0008]ο另外，误警报和漏警报都会产生降低对保护系统的信心的影响。<br/>[0009]在保护、监测和/或控制系统的可靠运行与快速运行之间经常存在折衷。被调整为更快反应的保护、监测和/或控制系统通常更容易出现误警报，因为算法的灵敏度被提高以确保快速反应，这意味着系统更容易受到噪声或瞬变的影响。相反，被调整为过于保守的保护、监测和/或控制系统可能不会导致误警报，因为灵敏度降低了，但同时可能会导致反应速度变慢和潜在的漏警报。
[0010]决策制定逻辑可以基于指标值与阈值之间的比较，所述指标值被认为代表系统可能被认为有故障的程度，并且阈值指示系统中存在故障时的指标水平。阈值比较解决了灵敏度与可靠性之间的折衷。
[0011]EP0369577A2公开了一种保护继电器，其检测配电系统中的故障，其中包括比较器。
[0012]此时，决策制定逻辑可能针对典型事件(如切换操作)或下一个保护区域中的故障指示误警报。为了克服这个问题，许多保护系统采用了附加计数器。该计数器可以对指标水平超过其阈值的连续样本的数量进行计数。仅当超过阈值的样本数量达到预定义数量时，才会指示故障并启动缓减动作。
[0013]这种方法在速度与安全性之间取得了平衡。如果确实存在故障，则指标值将继续
无限期地超过阈值。如果指标值由于噪声和/或瞬变而间歇性地超过阈值，则指标通常会再次下降至阈值以下，从而复位计数器。因此，以较慢的反应时间为代价提高了做出正确保护决策的可能性。
[0014]图12是使用计数器来对指标水平超过其阈值的连续样本的数量进行计数的技术的示意性框图120。将输入信号提供给保护算法121。保护算法121的输出是代表系统是否被保护算法认为有故障的指标值。在122处执行阈值比较以将保护算法121的输出与阈值进行比较。如果输出等于或超过阈值，则计数器123递增。如果输出小于阈值，则复位计数器123。当计数器123达到另一个阈值时触发动作。
[0015]设置如图12所示的逻辑的参数是一项相当大的挑战。为了便于说明，设置计数器123必须达到以执行动作的阈值和预定值是相当大的挑战。当不仅一个，而是多个保护算法并行运行并提供需要评估的输出(例如，使用如图12所示的阈值比较和计数器，其中计数器通过布尔逻辑组合)来识别故障时，困难会加剧。

技术实现思路

[0016]需要为资产保护、监测或控制提供改进的技术。尤其需要缓减或消除设置用于处理由决策制定逻辑提供的指标值的参数以平衡速度和可靠性的困难的装置、系统和方法。还需要在平衡速度和可靠性的同时仅适度增加存储或内存空间需求的装置、系统和方法。还期望提供能够提供由决策制定逻辑提供的指标值的处理方式的可解释性以确定是否要采取校正或其他动作的装置、系统和方法。
[0017]根据实施例，使用机器学习(ML)模型来处理决策制定逻辑的输出。可以训练ML模型以提供非线性低通滤波器特性。
[0018]ML模型可以具有一个或多个人工神经网络(ANN)层。
[0019]ML模型可以具有一个或多个循环神经网络(RNN)层。这有助于处理决策制定逻辑的输出的时间序列。
[0020]ML模型可以具有长短期记忆(LSTM)单元或门控循环单元(GRU)单元、或包括不同门的另一循环架构。LTSM单元或GRU单元具有门，所述门促进训练ML模型以起到决策制定逻辑输出的非线性低通滤波器的作用，从而平衡使用ML模型的装置的速度和可靠性。
[0021]训练后的ANN或RNN的参数(例如，LSTM单元或GRU单元的参数)有助于人类操作员对其进行解释。
[0022]决策制定逻辑可以由第一ML模型实施，并且第二ML模型可以用于处理第一ML模型的输出。可以同时训练第一ML模型和第二ML模型，从而提高整体性能。也可以单独训练第一ML模型和第二ML模型。
[0023]根据实施例的资产监测、保护或控制装置包括用于接收与资产相关的输入的接口以及至少一个集成电路(IC)。所述至少一个IC能够操作以执行决策制定逻辑以处理输入并生成决策制定逻辑输出，使用ML模型处理决策制定逻辑输出，并使得响应于ML模型输出而执行动作。
[0024]决策制定逻辑输出(其作为ML模型输入馈送到ML模型)可以包括一个或多个时间序列。
[0025]ML模型可以使用ML进行训练。
[0026]ML模型可以具有一个或多个ANN层。
[0027]ML模型可以具有一个RNN层。
[0028]ML模型可以具有多个RNN层。
[0029]ML模型可以能够操作以接收决策制定逻辑输出作为ML模型输入，并输出可以指示是否要采取动作的ML模型输出。
[0030]所述装置可以是资产保护装置，所述动作可以是保护动作，并且所述资产保护装置可以进一步包括用于输出控制信号以实现所述保护动作的输出接口。
[0031]ML模型可以能够操作以处理由至少一个附加决策制定逻辑提供的至少一个附加决策制定逻辑输出。
[0032]至少一个附加决策制定逻辑输出可以包括一个或多个附加时间序列。
[0033]决策逻辑和至少一个附加决策制定逻辑之一可以是时域保护功能。
[0034]决策逻辑和至少一个附加决策制定逻辑中的另一个可以是距离保护功能。
[0035]由决策制定逻辑馈送到ML模型的一个或多个时间序列和/或(如果存在)由至少一个附加决策制定逻辑馈送到ML模型的一个或多个附加时间序列可以包括指示决策制定逻辑认为存在故障还是不存在故障的指标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资产保护、监测或控制装置(30)，所述装置(30)包括：接口(31)，所述接口用于接收与所述资产相关的输入；至少一个集成电路(32)，所述至少一个集成电路能够操作以：执行决策制定逻辑(34)以处理所述输入并生成包括一个或多个时间序列(50)的决策制定逻辑输出，使用机器学习ML模型(35)处理所述决策制定逻辑输出，以及使动作响应于ML模型输出而被执行。2.如权利要求1所述的装置(30)，其中，所述ML模型能够操作以：接收所述决策制定逻辑输出作为ML模型输入，以及输出指示是否要采取所述动作的所述ML模型输出(60)。3.如权利要求1或权利要求2所述的装置(30)，其中，所述装置是资产保护装置(30)，所述动作是保护动作，并且所述资产保护装置(30)还包括用于输出控制信号以实现所述保护动作的输出接口(33)。4.如前述权利要求中任一项所述的装置(30)，其中，所述一个或多个时间序列(50)包括指示所述决策制定逻辑(34)认为存在故障或不存在故障的指标值。5.如前述权利要求中任一项所述的装置(30)，其中，所述一个或多个时间序列(50)在两个、三个或更多个不同的离散值之间切换。6.如前述权利要求中任一项所述的装置(30)，其中，所述ML模型(35)具有一个循环神经网络RNN层。7.如前述权利要求中任一项所述的装置(30)，其中，所述ML模型(35)具有多个RNN层。8.如权利要求7所述的装置(30)，其中，所述ML模型(35)能够操作以处理由至少一个附加的决策制定逻辑(34)提供的至少一个附加的决策制定逻辑输出。9.如前述权利要求中任一项所述的装置(30)，其中，所述ML模型(35)包括长短期记忆LSTM单元、门控循环单元GRU单元(40)、或至少一个其他门控单元，可选地其中，所述LSTM单元或GRU单元(40)的偏置为零，和/或所述GRU单元是全门控GRU单元。10.如前述权利要求中任一项所述的装置(30)，其中，所述ML模型(35)具有输出密集层。11.如前述权利要求中任一项所述的装置(30)，其中，所述ML模型(35)能够操作以对决策制定逻辑输出执行非...

【专利技术属性】
技术研发人员：P，
申请(专利权)人：日立能源瑞士股份公司，
类型：发明
国别省市：