一种TMR运行监测及故障智能研判方法及系统与流程

本发明属电力系统故障检测领域，具体涉及一种tmr运行监测及故障研判方法及系统。

背景技术：

随着我国科学技术的发展、经济的腾飞，我国各行业对电力的需求日益加大，并且当前的电力系统正朝着超特高压、超大电网、智能化方向飞速发展，我国的电网已经不再是一个个相互孤立的小电网，而是正逐步形成跨省跨区的大电网。确保电网安全和人身安全，是国网公司重大的社会责任，也是安全工作的出发点和落脚点。电网稳定破坏和大面积停电事故，影响全局，造成的损失不仅仅是经济问题。而变电站是电力系统中电能传输的一个重要环节，在电网中有着不可替代的重要地位。它将各级电压的电网联系起，在电力系统中起着变换电压、接受和分配电能、控制电力的流向和调整电压的作用，在整个电力系统中更是有着无可替代的地位，因此，确保变电站内人身、设备及电网的持续安全稳定运行就显得尤为重要。

由于变电站的数量逐年大幅度增加，变电站的数量以及站内的设备数量和需求仍在不断增加，对电网安全生产的要求也随之提高。因此，也造成了变电站内的线路及设备故障频发，如长时间过负荷运行造成设备发热或开关跳线，以及线路上发生短路故障，造成相关设备跳闸，甚至跃级造成主变压器跳闸，因此，急需研究一种方法对变电站的线路和设备进行实时监测，从而能够尽早发现故障，以防故障进一步扩大。

tmr系统(电能量信息采集系统)的建设属于系统性的工程，它包括电力系统的各个方面，如营销系统、配电自动化系统、用电监控系统等等。它是一个综合性的数据应用平台,先进的计算机技术与数据库技术作为其基础，利用该技术采集、统计、分析、存储、发布电能量数据。然而目前的tmr系统缺乏灵活性、可操作性，对故障无法识别。因此，需要建立一个完整的tmr运行监测系统，将所有变电站的相关信息进行连接，从而对变电站的线路和设备运行状态进行在线监测，及时的发现运行中存在的异常信号，从而能够尽早发现故障，消除故障，保障电网的稳定运行。

技术实现要素：

本发明的目的在于提供一种tmr运行监测及故障研判方法及系统，能够实现实时监测变电站内线路和设备运行的情况，还能识别异常信息，判断故障类型，并生成相关故障隔离方案，为运检人员提供一个辅助决策，及时的消除故障，有效防止故障扩大。

本发明的技术方案：

一种tmr运行监测及故障智能研判方法，包括以下具体步骤：

s1.建立tmr运行监测平台，在线监测tmr运行的数据信息；

s2.依托上述tmr运行监测平台及其数据信息，将检测的异常信息传输至复合神经网络学习单元；

s3.利用复合神经网络学习单元的人工智能技术进行深入计算，智能匹配故障类型，从而发出相关报警信号，并提供故障隔离辅助决策；

s4.将tmr运行监测数据、复合神经网络学习单元判断结果传输至可视化数据输出终端，可视化数据输出终端对计算结果进行输出，更加直观的显示。

所述tmr运行监测平台包括数据对接与采集模块、运行状态监控模块以及系统管理模块，所述数据对接与采集模块将tmr运行监测平台与各个变电站、变电所进行数据对接，并采集电能量信息、用电实时监控信息、用电负荷情况、线损情况。

所述运行状态监控模块通过对所有变电站的线路和设备的电能进行监控，从而对其运行状态进行监控，主要获取的数据包括计量点表码、电量、事件、母线平衡以及变电站平衡，从而实现监控线路运行情况以及变电站设备运行情况，并且将所有监控的数据记录和传输至电力系统内部网络日志、异常信息库，以便相关人员随时随地进行查询。

所述系统管理模块主要包括是权限管理、在线校验管理以及数据更新管理。

所述步骤s2中的复合神经网络学习单元采用bp神经网络和深度卷积神经网络相结合的算法进行计算。

所述步骤s3中利用复合神经网络学习单元的人工智能技术进行深入计算，智能匹配故障类型的具体流程为，

tmr运行监测平台检测到异常信息，并将异常信息输送到复合神经网络学习单元；

复合神经网络学习单元分别通过bp神经网络算法和深度卷积神经网络算法提取异常信息中的特征量；

将bp神经网络算法和深度卷积神经网络算法提取的特征量进行交叉复合连接形成复合特征；

根据复合特征自动匹配故障类型，完成故障的智能研判。

所述步骤s4中可视化数据输出终端的直观显示具体方法为，输入变电站或设备双重名称，可视化数据输出终端显示tmr运行监测的实时数据和显示智能研判故障结果，并显示出在何处tmr运行监测的数据出现异常，以及相关的故障类型，还自动生成故障隔离的辅助方案供运维和检修人员参考，并以附件形式提供下载查阅。

一种tmr运行监测及故障智能研判系统，包括tmr运行监测平台、复合神经网络学习单元以及可视化数据输出终端；

所述tmr运行监测平台包括数据对接与采集模块、运行状态监控模块以及系统管理模块，用以实时监测tmr运行数据信息，并将异常数据信息传输到复合神经网络学习单元；

所述复合神经网络学习单元包括故障研判规则数据库、故障类型数据库、bp神经网络计算单元、深度卷积神经网络计算单元、报警信号发送单元以及辅助决策生成单元，用以对tmr运行监测平台发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成；

所述可视化数据输出终端用以显示tmr运行监测的实时数据、智能研判故障结果、在何处tmr运行监测的数据出现异常以及相关的故障类型。

所述数据对接与采集模块主要由主站系统、传输通道和采集终端构成，所述主站系统是计算机系统设备，承担着选择终端并与之进行信息交换的任务，主站系统由应用服务器、前置机与采控管理构成；所述主站系统与采集终端间是通过传输通道实现信息传送与连接的，主站系统通过传输通道的信息传递来向采集终端发布命令及请求电能量数据读取，采集终端同样通过传输通道把采集到的信息数据向采集主站系统传送。

所述运行状态监控模块通过对所有变电站的线路和设备的电能进行监控，从而对其运行状态进行监控，主要获取的数据包括计量点表码、电量、事件、母线平衡、变电站平衡数据，实现的主要功能包括监控线路运行情况以及变电站设备运行情况，运行状态监控模块将所有监控的数据进行记录，并传输至电力系统内部网络日志、异常信息库，以便相关人员随时随地进行查询。

与现有技术相比，本发明的有益效果是：能够对变电站线路和设备的电能进行实时监测，还能通过可视化界面能够实时查看相关信息，也能查询历史数据。大大增加了tmr系统的阅读性和可操作性，让运维检修人员能够及时掌握全站运行情况的变化，能够实现实时监测变电站内线路和设备运行的情况，还能识别异常信息，判断故障类型，并生成相关故障隔离方案，为运检人员提供一个辅助决策，及时的消除故障，有效防止故障扩大。本发明应用于变电站运行情况监控时，不仅能提高监控效率，在很大程度上也减少了相关人员的工作量，还提升了变电站运行监测的自动化程度，改善对故障的识别效率及相关人员的处理效率。

附图说明

图1为本发明方法流程示意图；

图2为本发明tmr运行监测平台运行状态监控模块监控流程示意图；

图3为本发明复合神经网络学习单元复合计算流程示意图；

图4为本发明bp神经网络结构图；

图5为本发明深度卷积神经网络结构示意图；

图6为本发明系统结构框图；

图7为本发明tmr运行监测平台结构框图；

图8为本发明可视化数据输出终端显示界面图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，一种tmr运行监测及故障智能研判方法，包括以下具体步骤：

s1.建立tmr运行监测平台，在线监测tmr运行的数据信息；

s2.依托上述tmr运行监测平台及其数据信息，将检测的异常信息传输至复合神经网络学习单元；

s3.利用复合神经网络学习单元的人工智能技术进行深入计算，智能匹配故障类型，从而发出相关报警信号，并提供故障隔离辅助决策；

s4.将tmr运行监测数据、复合神经网络学习单元判断结果传输至可视化数据输出终端，可视化数据输出终端对计算结果进行输出，更加直观的显示。

请参阅图2和图3，所述步骤s2中的复合神经网络学习单元采用bp神经网络和深度卷积神经网络相结合的算法进行计算。

所述步骤s3中利用复合神经网络学习单元的人工智能技术进行深入计算，智能匹配故障类型的具体流程为，

tmr运行监测平台检测到异常信息，并将异常信息输送到复合神经网络学习单元；

复合神经网络学习单元分别通过bp神经网络算法和深度卷积神经网络算法提取异常信息中的特征量；

将bp神经网络算法和深度卷积神经网络算法提取的特征量进行交叉复合连接形成复合特征；

根据复合特征自动匹配故障类型，完成故障的智能研判。

(1)bp神经网络

bp神经网络是目前应用最为广泛的神经网络，其基本思想是误差反向传递，被广泛运用于电力设备故障诊断。bp神经网络由三类层组成，如图4所示。输入层神经元为处理对象的特征值或特征向量，接收输入；隐含层为中间计算层；输出层为处理对象可能存在的类型。

x为神经网络输入，共有n个神经元，h为神经网络隐含层k个神经元，y为m个神经网络输出层神经元向量。

神经网络计算时，首先随机初始化权重和偏置b，然后根据初始化数据计算每一层的输出值h和y：

式中，ω¹ij和分别ω²ij为输入层与隐含层、隐含层与输出层神经元向量之间的权重，b¹i为隐含层第i个神经元的偏置，b²j为输出层第b¹i个神经元的偏置，f()一般为sigmoid函数：

f(z)的计算完成代表前向传递过程的结束，z为输出层激活函数的自变量，然后根据计算误差反向更新权重和偏置。设误差函数为e，则：

式中，t为神经网络的期望输出。使用误差逆向反馈的目标是通过更新权重和偏置使误差函数降为最小，从而使神经网络的输出达到或接近期望输出，更新公式为：

式中，ε为学习率。隐含层到输出层需要更新的参数为权重ω²ij和偏置b²j，输入层到隐含层需要更新的参数为权重ω¹ij和偏置b¹j，所以，输入层到隐含层参数更新公式为：

式中，q为迭代次数，f’(z)一次偏导数，当误差函数满足给定要求时结束更新过程，网络训练完成。

(2)深度卷积神经网络

深度神经网络(deepneuralnetwork，dnn)能够实现自动化的特征提取，并与分类过程融为一体。对应地使用卷积层和池化层交替地处理输入的需要学习匹配的信息，实现信息特征的提取，最终通过全连接层构成的分类器实现标签的分类和匹配。深度卷积神经网络dcnn最大特点是与输入层连接的是交替的卷积层和池化层而非普通的神经网络层(又称为全连接层)；相当于在普通的ann模型中靠近输入层的部分增加了卷积层和池化层的结果，其结构如图5所示。

其中最左侧信息获取为输入层，采用二维像素点矩阵表示，tmr运行监测平台数据文件一般为3个二维像素点矩阵，因此分成了3个通道。

紧接着cl代表卷积层(convolutionallayer)，它进行卷积操作的核心层，也叫做特征提取层，主要作用是提取输入数据特征。每一个不同的卷积核提取输入数据的特征都不相同，卷积核数量越多，提取输入数据的特征越多。一般来说，dcnn中可能有多个连续的卷积层，目的是抽取更为复杂抽象的特征，也可将这些连续的卷积层视为一个“复合卷积层”。

与卷积层相连的sl是池化层(samplinglayer,poolinglayer)，也叫下采样层，主要目的是在保留有用信息的基础上急剧减少数据处理量，加快训练网络的速度，同时还能够使网络对平移、缩放具有一定的不变性，增强网络的鲁棒性。通常每个复合卷积层的最后都是一个池化层。池化层中的每一个神经元的值是通过卷积层采样窗口中的神经元聚集(如求平均值或是最大值)得到的，使得前一层得到的特征信息减小，计算方法为：

其中，x为输入向量，y为采样后的结果，y’是带参数a和b的下采样结果，f为激活函数，sl1、sl2为池化层，m、n表示m个输出节点和n个输入节点。dcnn中往往不止有一组复合卷积层和池化层，而是依次有多个复合卷积层和池化层交替连接，从而实现了特征的逐步层级抽象提取。

最终靠近输出层一侧的一层或几层神经元与ann模型中的一致，又称为全连接层，与卷积层不同，全连接层中的每个神经元都和前一层的每一个神经元连接，而同一层的神经元节点之间不相互连接。全连接层的作用是将由卷积网络提取出来的特征进一步处理，实现通用线性分类器和降维的功能。虽然，dcnn中可以有多个全连接层，但是全连接层也是整个网络中参数最多的部分，因而需要控制其数目和每一层的神经元个数。

最右侧是输出层，其神经元节点的数目是根据具体应用任务来设定的。如果是分类任务，卷积神经网络输出层通常是一个分类器。

模型前向传播计算：卷积层cl1中的神经元输出可以由下式计算：

式中，w[i，j]表示卷积层的权值矩阵，bt中第t个神经元的偏置。类似地，池化层sl1中的神经元输出可以由下式计算：

其中u表示sl1层对应的窗口函数，pi和pj表示在窗口函数的二维位置，t表示的特征信息代码，表示采样函数。

以此类推，可以计算得到各卷积层和池化层的输出结果，而对于全连接层，其输出是最后一个池化层中所有特征信息的神经元。全连接层h中神经元的输出计算方式如下：

其中，sn表示最后一个全连接层，函数g()将sn层中所有特征图的神经元转化为一个k维特征向量。深度卷积神经网络具有以下几个优点：基于仿生学理论设计；具有端对端训练的能力；提取到的特征具有层次化结构；进行识别时计算量适中。

请参阅图6，一种tmr运行监测及故障智能研判系统，包括tmr运行监测平台100、复合神经网络学习单元,200以及可视化数据输出终端300；

所述tmr运行监测平台100包括数据对接与采集模块、运行状态监控模块以及系统管理模块，用以实时监测tmr运行数据信息，并将异常数据信息传输到复合神经网络学习单元；

所述复合神经网络学习单元200包括故障研判规则数据库、故障类型数据库、bp神经网络计算单元、深度卷积神经网络计算单元、报警信号发送单元以及辅助决策生成单元，用以对tmr运行监测平台发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成；

所述可视化数据输出终端300用以显示tmr运行监测的实时数据、智能研判故障结果、在何处tmr运行监测的数据出现异常以及相关的故障类型。

tmr运行监测管理平100能够增强tmr系统的阅读性和可操作性，具体结构如图7所示，包括：数据对接与采集模块、运行状态监控模块以及系统管理模块。建立的tmr运行监测管理平台能够通过数据传输至数据库，并可通过可视化窗口查看。

(1)数据对接与采集模块

数据对接与采集模块主要由主站系统、传输通道和采集终端构成。该模块主要承担将tmr运行监测管理平台与各个变电站、变电所进行数据对接，并采集相关的信息，包括电能量信息、用电实时监控信息、用电负荷情况、线损情况等相关信息。

主站系统作为整个系统的指挥中心，是tmr运行监测管理平台采集系统的中枢，有着外部接口、统计与分析信息数据、下发命令、管理采集终端及维护系统等功能。主站系统是计算机系统设备，承担着选择终端并与之进行信息交换的任务，它由应用服务器、前置机与采控管理构成。

采集主站系统与采集终端间是通过传输通道实现信息传送与连接的，采集主站系统通过传输通道的信息传递来向采集终端发布命令及请求电能量数据读取的，采集终端同样通过传输通道把采集到的信息数据向采集主站系统传送的。只有传输通道能够有效且稳定的工作，整个系统的运行才能有保障。随着通信技术、计算机技术的日益完善，系统通信通道也有了快速的发展且有了很好地应用效果，主要采用专网通信的方式，其稳定且可靠。

(2)运行状态监控模块

运行管理模块主要是通过对所有变电站的线路和设备的电能进行监控，从而对其运行状态进行监控，主要获取的数据包括：计量点表码、电量、事件、母线平衡、变电站平衡等，从而实现的主要功能有：监控线路运行情况、断路器、隔离开关以及其他设备运行情况。并且将所有监控的数据记录，并传输至电力系统内部网络日志、异常信息库，以便相关人员随时随地进行查询。查询的步骤为：首先进入系统，然后选择管理单位并点击查询，系统会列出此管理单位的所有的采集点，输入变电站或设备双重名称并查询，系统会列出相关的信息，即可以查看该设备的实时运行情况及历史数据。运行状态监控的实施流程图如图2所示。

(3)系统管理模块

系统管理模块主要包括是权限管理、在线校验管理以及数据更新管理。其中权限管理是对系统的操作人员权限的操作管理，分成了普通人员和管理人员两个类型。其中普通人员登入时，仅能进行查看和查询权限，对设备的情况和历史消息进行查阅；管理人员登入时，不仅能够查阅相关数据，还能对其进行相应的修改，信息的更新和发布。

tmr运行监测系统的数据文件作为变电站可靠运行的依据，必须严格满足设计文件的要求。在线校验管理保证相关数据文件的合理性、完整性。在线检验通过智能电子设备装置的过程层接口实现，接收并解析智能电子设备装置发送的软报文、校验其报文参数、通道数量、数据类型是否与tmr运行监测系统的数据文件描述的一致，从而完成正确的动作响应。

请参阅图8，可视化数据输出终端对计算结果进行输出，更加直观的显示。该系统登入后，输入变电站或设备双重名称，则能够显示tmr运行监测的实时数据，并且能够显示智能研判故障结果，并显示出在何处tmr运行监测的数据出现异常，以及相关的故障类型。还自动生成故障隔离的辅助方案供运维和检修人员参考，并以附件形式提供下载查阅，大大提高了故障查找和消缺的效率。此外，还能直接通过该数据终端查看相关历史数据，网络日志以及异常信息数据库等。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。