基于神经网络学习及状态评估的保护压板不对应校验方法技术

本发明专利技术公开基于神经网络学习及状态评估的保护压板不对应校验方法，该方法包括：采集变电站主要设备的关键断面的电压、电流实时信息；对实时信息进行预处理，获得正确的断面状态z；根据变电站网络拓扑结构及相关设备参数，求解目标函数最小值获得变电站全站一次设备的状态评估量；对实测数据进行不良数据检测及确定具体不良数据，剔除不良数据后重复上述步骤直至获得最终的状态评估值。本发明专利技术通过通过对大量数据的学习，自动提取其中的规律和特征，进而实现对未知数据的分类、识别等任务。本发明专利技术的实施提高了判断的准确性和效率，减少了漏判、误判的问题；可以实现自动化、智能化的判断和校核，大大减轻了工作量和人力成本。大大减轻了工作量和人力成本。大大减轻了工作量和人力成本。

【技术实现步骤摘要】
基于神经网络学习及状态评估的保护压板不对应校验方法


[0001]本专利技术涉及变电站保护压板不对应校验
，具体为基于神经网络学习及状态评估的保护压板不对应校验方法。

技术介绍

[0002]变电站是电力系统中的重要组成部分，主要用于电力的输送、转换和分配。变电站内部有各种各样的设备，例如变压器、开关设备、保护装置等，它们共同构成了电力系统的核心，直接影响着电网的运行安全和可靠性。保护压板作为变电站中保护装置的重要组成部分，主要用于保护设备在发生故障时自动断开电源，避免电力设备受到过载、短路等故障引起的损坏。由于保护压板起着非常重要的作用，因此其正确的安装和状态的判断对于变电站的安全运行具有非常重要的意义。
[0003]然而，在实际的变电站运行中，由于设备的数量庞大、结构复杂以及受到外部环境的影响，导致变电站内部设备的投运状态和保护压板之间的对应关系常常发生变化，而传统的判断方法主要依靠工程师的经验和直觉，存在以下问题：一是工作量大，需要大量人力物力投入，容易出现人为疏忽、错误等问题；二是效率低，需要较长的时间才能完成校核；三是难以发现设备投运状态与保护压板之间的对应关系，因此需要一种能够自动判断设备投运状态与保护压板之间对应关系的方法。除此之外，研究者通过采用图像处理和模式识别等方法来实现设备状态和保护压板之间的关系的判断，这种方法虽然能够在一定程度上减少人工操作，但是由于传统图像处理方法对于图像中的光照、遮挡等因素的敏感度较高，因此其在实际应用中存在着一定的局限性。同时，这种方法还需要大量的人工标注和手动调整参数，难以实现全自动化的校核流程。
[0004]当前，机器学习技术的应用逐渐成为研究热点之一，该技术可以通过对大量数据的学习，自动提取其中的规律和特征，进而实现对未知数据的分类、识别等任务。因此，将机器学习技术应用于变电站保护压板校核，有望实现自动判断设备投运状态与保护压板之间对应关系的目的。基于机器学习的方法可以通过学习大量的数据来自动地判断设备状态和保护压板之间的对应关系，相比于传统的方法具有更好的鲁棒性和准确性。

技术实现思路

[0005]本专利技术的目的在于提供基于神经网络学习及状态评估的保护压板不对应校验方法，以解决上述技术问题：一是工作量大，需要大量人力物力投入，容易出现人为疏忽、错误等问题；二是效率低，需要较长的时间才能完成校核；三是难以发现设备投运状态与保护压板之间的对应关系等。
[0006]为解决上述技术问题，本专利技术采用以下技术方案：基于神经网络学习及状态评估的保护压板不对应校验方法，包括：变电站一次设备运行状态评估及基于神经网络学习的保护压板不对应校验。
[0007]进一步的，所述变电站一次设备运行状态评估的具体步骤包括：
[0008]步骤S11，采集变电站主要设备的关键断面的电压、电流实时信息；在此基础上，对实时信息进行预处理，滤除干扰和错误数据，获得正确的断面状态z；
[0009]步骤S12，根据变电站网络拓扑结构及相关设备参数，构建量测函数方程h(x)及量测误差方差阵R；以变电站全局待评估量xp为变量，构建评估目标函数R＝z
‑
h(xp)，求解目标函数最小值获得变电站全站一次设备的状态评估量；
[0010]步骤S13，以获得的一次设备状态评估量为基础，对实测数据进行不良数据检测及确定具体不良数据，剔除不良数据后重复上述步骤直至获得最终的状态评估值。
[0011]进一步的，所述基于神经网络学习的保护压板不对应校验的具体步骤包括：
[0012]步骤S21，将变电站保护设备压板历史状态与对应变电站一次设备投运状态数据集按一定的比例分成训练数据和验证测试数据；
[0013]步骤S22，将上一步的训练数据带入基于神经网络的学习模型中，随机给定学习模型的输入权重，将训练数据对应的保护压板状态作为学习模型的初始输出值，对模型进行训练获得初始输出权重；
[0014]步骤S23，带入验证测试数据，对初始输出权重进行优化，得到最优输出权重，从而优化校验模型参数，获得设备运行状态和保护压板之间的关系模型；
[0015]步骤S24，带入全站一次设备状态评估量，采用参数优化后的关系模型得到最终输出结果，即保护回路压板的状态评估结果。将此结果与当前保护压板状态比较，检验不对应关系。
[0016]进一步的，所述主要设备包括母线、馈线、变压器等。
[0017]进一步的，所述关键断面包括主要设备的母线、馈线。
[0018]进一步的，所述基于神经网络学习的模型采用单隐层极限学习机模型，建立的基于L个隐层节点的学习模型如下：
[0019][0020]式中，g(x)为激活函数，本专利采用双曲正切Sigmoid函数作为激活函数，wi为输入权重，βi为输出权重，bi为第i个隐含层单元的偏置，xj为一次设备投运状态值，yj为二次保护压板状态值，N为训练样本总数；
[0021]用矩阵可以表示为：Hβ＝Y：
[0022][0023]式中，H表示隐层节点输出，Y为期望输出。
[0024]有益效果：与现有技术相比，本专利技术通过通过对大量数据的学习，自动提取其中的规律和特征，进而实现对未知数据的分类、识别等任务。本专利技术的实施提高了判断的准确性和效率，减少了漏判、误判的问题；可以实现自动化、智能化的判断和校核，大大减轻了工作
量和人力成本。
附图说明
[0025]图1为本专利技术保护压板状态校验流程图。
具体实施方式
[0026]为了便于理解本专利技术，下面将参照附图对本专利技术进行更加全面的描述。本专利技术可以通过不同的形式来实现，并不限于文本所描述的实施例。相反的，提供实施例是为了使对本专利技术公开的内容更加透彻全面。
[0027]本专利技术提供基于神经网络学习及状态评估的保护压板不对应校验方法，适用于智能化变电站二次回路压板状态校验。本专利技术提出的保护压板状态校验流程图如图1所示，该方法主要由两部分构成：变电站一次设备运行状态评估及基于神经网络学习的保护压板不对应校验。
[0028]所述变电站一次设备运行状态评估，对采集的变电站实时数据进行清洗和处理，从中提取关键断面电流、电压、功率等信息，并进行变电站全站一次设备状态评估，用于关系模型输入；所述基于神经网络学习的保护压板不对应校验，通过收集变电站内部设备的历史运行数据，利用历史数据进行训练，建立设备运行状态和保护压板之间的关系模型，以进行压板不对应校验。
[0029]所述变电站一次设备运行状态评估，其为后续保护压板校验提供输入数据，具体步骤如下：
[0030]步骤一：采集变电站主要设备(母线、馈线、变压器等)关键断面(母线、馈线)的电压、电流实时信息；在此基础上，对实时信息进行预处理，滤除干扰和错误数据，获得正确的断面状态z；
[0031]步骤二：根据变电站网络拓扑结构及相关设备参数，构建量测函数方程h(x)及量测误差方差阵R；以变电站全局待评估量xp为变量，构建评估目标函数R＝z...

【技术保护点】

【技术特征摘要】
1.基于神经网络学习及状态评估的保护压板不对应校验方法，其特征在于：包括变电站一次设备运行状态评估及基于神经网络学习的保护压板不对应校验。2.根据权利要求1所述的基于神经网络学习及状态评估的保护压板不对应校验方法，其特征在于：所述变电站一次设备运行状态评估的具体步骤包括：步骤S11，采集变电站主要设备的关键断面的电压、电流实时信息；在此基础上，对实时信息进行预处理，滤除干扰和错误数据，获得正确的断面状态z；步骤S12，根据变电站网络拓扑结构及相关设备参数，构建量测函数方程h(x)及量测误差方差阵R；以变电站全局待评估量xp为变量，构建评估目标函数R＝z
‑
h(xp)，求解目标函数最小值获得变电站全站一次设备的状态评估量；步骤S13，以获得的一次设备状态评估量为基础，对实测数据进行不良数据检测及确定具体不良数据，剔除不良数据后重复上述步骤直至获得最终的状态评估值。3.根据权利要求1所述的基于神经网络学习及状态评估的保护压板不对应校验方法，其特征在于：所述基于神经网络学习的保护压板不对应校验的具体步骤包括：步骤S21，将变电站保护设备压板历史状态与对应变电站一次设备投运状态数据集按一定的比例分成训练数据和验证测试数据；步骤S22，将上一步的训练数据带入基于神经网络的学习模型中，随机给定学习模...

【专利技术属性】
技术研发人员：马斌，郑馨怡，王昱婷，徐琼璟，端凌立，
申请(专利权)人：南京电力设计研究院有限公司，
类型：发明
国别省市：