一种电力二次设备数字建模及智能检测方法技术

本发明专利技术公开了一种电力二次设备数字建模及智能检测方法，包括以下步骤：提取电力二次设备的电气信号、物理位置和信息属性，并基于电力二次设备的电气信号、物理位置和信息属性构建出电力二次设备的数字建模标签，基于电力二次设备的数字建模标签同一性构建出电力二次设备的多个社团数字模型；依次在每个社团数字模型中依据电力二次设备的数字建模标签通过神经网络制定出每个社团数字模型的最优社团测试用例。本发明专利技术局部检测利用神经网络对测试用例进行评估以选取保障社团测试用例在社团数字模型中测试覆盖性最高的最佳测试用例，使得社团数字模型的统一检测，以电力系统关联性对电力设备进行统一检测，提高检测效率，提高故障定位的准确度。高故障定位的准确度。高故障定位的准确度。

【技术实现步骤摘要】
一种电力二次设备数字建模及智能检测方法


[0001]本专利技术涉及电网建模
，具体涉及一种电力二次设备数字建模及智能检测方法。

技术介绍

[0002]全国智能电网产业基地，尤其在继电保护以及电力系统自动化行业方面发展较为领先，国内80%的相关制造工厂聚集在此。但是在人口红利消失、劳动力成本上升的大环境下，对我国制造业的国际竞争力形成了巨大制约。电力系统自动化行业和大多数制造行业一样，“工业4.0”是发展不可绕开的必由之路，需要较大程度地降低对劳动力的依赖、满足用户个性化需求，所以寻求可替代人工并且提高生产效率、提升产品质量和确保产品一致性的先进技术是势在必行的。
[0003]现有技术CN202111280411.7公开了一种电力二次设备数字建模与智能检测系统，包括数字建模、生成自动检测系统软、硬件配置的人工智能软件和闭环智能检测，是将数字主线的思想应用于电力系统二次设备厂家的智能生产检测过程中，以同一语法语义从底层建模二次设备数字模型具有同一数据来源，因此数字化模型具有标准开发的描述，逐级传输不失真，可回溯。数字主线是一种可以利用单一真实来源创建统一数据访问的方法。在整个企业中使用时，这种方法可以将一组可靠的数据与不同的功能相对应，从而实现一致性并加强协作。数据集启用后，数据可以实时同步，这样上游和下游信息对所有用户都可用，以上方式促进产品创新，优化流程，提高效率和工人生产率。虽然上述现有技术在设备建模和智能检测方面具有一定的优越性，但是也存在一些缺陷，比如各个电力设备进行全局数字建模，隔断电力系统的设备关联性，进而导致智能检测失去完整性，在电路故障定位时降低准确度，同时全局检测利用测试用例采用人为设定，随机主观性强，进一步造成故障定位的准确度降低。

技术实现思路

[0004]本专利技术的目的在于提供一种电力二次设备数字建模及智能检测方法，以解决现有技术中各个电力设备进行全局数字建模，隔断电力系统的设备关联性，进而导致智能检测失去完整性，在电路故障定位时降低准确度，同时全局检测利用测试用例采用人为设定，随机主观性强，进一步造成故障定位的准确度降低的技术问题。
[0005]为解决上述技术问题，本专利技术具体提供下述技术方案：一种电力二次设备数字建模及智能检测方法，包括以下步骤：步骤S1、提取电力二次设备的电气信号、物理位置和信息属性，并基于电力二次设备的电气信号、物理位置和信息属性构建出电力二次设备的数字建模标签，基于电力二次设备的数字建模标签同一性构建出电力二次设备的多个社团数字模型；步骤S2、依次在每个社团数字模型中依据电力二次设备的数字建模标签通过神经网络制定出每个社团数字模型的最优社团测试用例，以保障社团测试用例在社团数字模型
中测试覆盖性最高实现社团数字模型的统一检测；步骤S3、将施加最优社团测试用例的社团数字模型中电力二次设备的显示数据输入至预设检测模型定位出社团数字模型中的电力故障点。
[0006]作为本专利技术的一种优选方案，所述基于电力二次设备的电气信号、物理位置和信息属性构建出电力二次设备的数字建模标签，包括：对电气信号、物理位置和信息属性进行主成分分析得到多个数字特征，并对各个数字特征进行加权建模得到特征网络模型；将特征网络模型进行最小化生成树分解演化得到动态网络模型，并对动态网络模型进行拓扑特征提取得到拓扑特征向量作为电力二次设备的数字建模标签。
[0007]作为本专利技术的一种优选方案，所述特征网络模型的构建，包括：将各个数字特征作为特征网络模型的网络拓扑节点，并将任意两个数字特征之间设置拓扑连接边；将任意两个数字特征间的欧式距离作为对应的网络拓扑节点间的拓扑连接的边权重，以得到所述特征网络模型。
[0008]作为本专利技术的一种优选方案，所述动态网络模型的演化表达式为：T
i
=MST(G
cn0
‑ꢀ
G
cni
‑1)：G
cni = G
cni
‑1+ T
i
；式中，T
i
为第i次演化得到的最小生成树，G
cni
‑1为第i次演化得到的动态网络模型，G
cn0
为特征网络模型，G
cn0
‑ꢀ
G
cni
‑1为G
cn0
和G
cn i
‑1的图形差运算，MST为最小生成树生成算法，i为演化次数的计数项，i∈[2,N]，N为演化总次数，G
cnN
为动态网络模型；其中，T1=MST(G
cn0
)，G
cn1 = T1；式中，T1为第1次演化得到的最小生成树，G
cn1
为第1次演化得到的动态网络模型。
[0009]作为本专利技术的一种优选方案，所述基于电力二次设备的数字建模标签同一性构建出电力二次设备的多个社团数字模型，包括：将各个电力二次设备基于数字建模标签进行聚类运算以将各个电力二次设备归类至多个设备社团，并对各个设备社团利用社团聚类中心点处对应的数字建模标签进行数字建模得到所述多个社团数字模型。
[0010]作为本专利技术的一种优选方案，所述依次在每个社团数字模型中依据电力二次设备的数字建模标签通过神经网络制定出每个社团数字模型的最优社团测试用例，包括：选取多组测试用例，以及多个电力二次设备，依次将各组测试用例应用至各个电力二次设备上监测测试准确度和测试匹配度；为每个电力二次设备选择最高测试准确度和测试匹配度的测试用例，提取电力二次设备的拓扑特征向量作为神经网络的输入项，将测试用例作为神经网络的输出项；利用神经网络对输入项和输出项进行网络训练得到测试用例匹配模型，将每个社团数字模型的数字建模标签输入至测试用例匹配模型得到每个社团数字模型达到最高测试准确度和测试匹配度的测试用例作为每个社团数字模型的最优社团测试用例。
[0011]作为本专利技术的一种优选方案，所述将施加最优社团测试用例的社团数字模型中电力二次设备的显示数据输入至预设检测模型定位出社团数字模型中的电力故障点，包括：将最优社团测试用例施加至社团数字模型上，并获取社团数字模型中电力二次设
备的显示数据；将所述显示数据输出至预设检测模型，由预设检测模型判断每个电力二次设备的运行状态，将运行状态判定为故障状态的电力二次设备的物理位置处标定为电力故障点。
[0012]作为本专利技术的一种优选方案，所述预设检测模型的构建由分类器模型经大数据训练得到。
[0013]作为本专利技术的一种优选方案，所述拓扑特征向量包括最大度、平均度、熵、能量、平均联合度、平均最短路径长度和平均聚类系数。
[0014]作为本专利技术的一种优选方案，所述聚类运算设定为小社团聚类，以保证社团数字模型中的电力二次设备的数字建模标签同一性。
[0015]本专利技术与现有技术相比较具有如下有益效果：本专利技术对各个电力二次设备进行局部数字建模，保证建模时电力系统的设备关联性，进而保证智能检测的电力完整性，提高电路故障定位准确度，同时局部检测利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力二次设备数字建模及智能检测方法，其特征在于：包括以下步骤：步骤S1、提取电力二次设备的电气信号、物理位置和信息属性，并基于电力二次设备的电气信号、物理位置和信息属性构建出电力二次设备的数字建模标签，基于电力二次设备的数字建模标签同一性构建出电力二次设备的多个社团数字模型；步骤S2、依次在每个社团数字模型中依据电力二次设备的数字建模标签通过神经网络制定出每个社团数字模型的最优社团测试用例，以保障社团测试用例在社团数字模型中测试覆盖性最高实现社团数字模型的统一检测；步骤S3、将施加最优社团测试用例的社团数字模型中电力二次设备的显示数据输入至预设检测模型定位出社团数字模型中的电力故障点。2.根据权利要求1所述的一种电力二次设备数字建模及智能检测方法，其特征在于：所述基于电力二次设备的电气信号、物理位置和信息属性构建出电力二次设备的数字建模标签，包括：对电气信号、物理位置和信息属性进行主成分分析得到多个数字特征，并对各个数字特征进行加权建模得到特征网络模型；将特征网络模型进行最小化生成树分解演化得到动态网络模型，并对动态网络模型进行拓扑特征提取得到拓扑特征向量作为电力二次设备的数字建模标签。3.根据权利要求2所述的一种电力二次设备数字建模及智能检测方法，其特征在于：所述特征网络模型的构建，包括：将各个数字特征作为特征网络模型的网络拓扑节点，并将任意两个数字特征之间设置拓扑连接边；将任意两个数字特征间的欧式距离作为对应的网络拓扑节点间的拓扑连接的边权重，以得到所述特征网络模型。4.根据权利要求3所述的一种电力二次设备数字建模及智能检测方法，其特征在于：所述动态网络模型的演化表达式为：T
i
=MST(G
cn0
‑ꢀ
G
cni
‑1)：G
cni = G
cni
‑1+ T
i
；式中，T
i
为第i次演化得到的最小生成树，G
cni
‑1为第i次演化得到的动态网络模型，G
cn0
为特征网络模型，G
cn0
‑ꢀ
G
cni
‑1为G
cn0
和G
cn i
‑1的图形差运算，MST为最小生成树生成算法，i为演化次数的计数项，i∈[2,N]，N为演化总次数，G
cnN

【专利技术属性】
技术研发人员：廖峪，苏茂才，李林宽，孙操，林仁辉，唐泰可，
申请(专利权)人：诺比侃人工智能科技成都股份有限公司，
类型：发明
国别省市：