一种智能变电站继电保护自动测试方法与流程

本发明属于电力系统继电保护技术领域，涉及智能变电站继电保护装置测试，更具体涉及一种智能变电站继电保护装置自动测试方法。

背景技术：

作为电力系统的关键组成部分，智能变电站一方面关系着电网系统的工作效率，另一方面，对于人们的用电需求能否得到满足和电力产业的发展也具有重要影响。而继电保护装置则是智能变电站的二次核心，其自身的可靠性和稳定性直接影响着电力系统的运行效率与运行安全，随着智能电网建设力度的不断加大，继电保护装置也得以在智能变电站中广泛应用。目前，以人工检验和操作为主的传统的继电保护测试已难以满足电网全面安全运行的要求，因此，加强对智能变电站继电保护装置自动测试系统的研究，并将其逐步投入到实际应用中，已成为电力领域的重点工作。与智能变电站相比，传统变电站继电保护装置存在对外接口不统一、通信规约版本过多、定值清单等问题，很大程度上限制了自动测试的实际应用。而智能变电站基于iec61850标准，对保护装置的功能、定值、接口等各方面都进行了严格的限定，为自动测试平台的通用化、实用化奠定了基础。

技术实现要素：

本发明的目的针对现有智能变电站继电保护装置测试的实际特点，基于闭环测试原理对智能变电站继电保护装置自动测试系统进行设计，并引入决策树算法，通过测量量、开入开出量以及时间等相关数据，自动地获取项目测试结果，进而满足继电保护装置的测试需要，可大大提高测试的效率和质量。

为实现上述发明目的，本发明具体采用以下技术方案。

一种智能变电站继电保护自动测试方法，其特征在于，所述测试方法包括以下步骤：

(1)在自动测试前应根据保护装置型号和定值确定测试方案；

(2)测试过程中，测试主机与保护装置建立通讯，以及通过与测试仪器与保护装置相连，实现数据的闭环共享；

(3)测试时，通过测试主机的测试状态监视界面，实时显示获取测试过程中的测量量、开入开出、时间相关数据，同时将被测保护装置的各种故障报告、录波、扰动数据上传至测试主机中，作为被测保护装置性能测试判断的依据；

(4)判断测试方案中的所有项目是否完成，如果未完成，则返回步骤(2)；如果完成，则进入步骤(5)；

(5)判断测试是否合格，复归信号，并修改不合格项目的定值；

基于决策树算法，根据获取的数据，自动识别项目测试状态，获取项目测试结果，实现修改定值、投退压板、测试数据的汇总处理操作；

(6)生成测试报告，结束测试。

本发明进一步包括以下优选方案。

在步骤(1)中，测试人员在自动测试前根据保护装置型号和定值编写测试方案，其中，测试方案包括测试项目和测试顺序。

在步骤(2)中，测试主机即pc机直接与保护装置通讯，以便在测试过程中从保护装置获取故障报告、录波、扰动数据，以及在测试完成后向保护装置下发信号复归命令，或者保护装置定值；

测试主机通过测试仪器与保护装置相连，测试仪器测量保护装置的电压、电流和开入信号，并上传至测试主机，测试主机通过测量仪器向保护装置输出电压电流并控制开出信号。

在步骤(3)中，通过测试主机的测试状态监视界面实时显示测试过称中的测量量、开入开出、时间相关数据。

在步骤(4)中，引入决策树算法，根据测试中获取的数据，自动诊断识别各测试项目结果及状态，所述状态包括未测试、测试不合格、测试完成且合格。

在步骤(4)中，在决策树中，将每一个节点代表一个测试项目即特征和对应的测试模式，决策的过程从根节点出发，通过对每个测试项目属性的度量进行样本划分，形成新的子节点，随后再对新的子节点进行属性划分直到最后的叶节点；计算各节点上下级间的熵不纯度变化即信息增益，通过计算不同特征的对下一分枝的信息增益值来选择具有最大信息增益的特征作为该节点的赋值，重复计算直到最后每个节点只剩一个类型。

在步骤(6)中，完成测试项目后，测试主机将自动生成保护测试报告，进而实现自动测试系统的智能化和自动化。

本发明的有益效果为：

基于智能变电站的iec61850标准，为实现继电保护装置的动测试平台的通用化、实用化，真正满足现场继电保护装置的测试需求，提出了一种智能变电站继电保护自动测试的研究方法。本发明自动测试方法，基于闭环测试原理，将自动测试软件、测试仪器以及保护装置三者互通相连，并由物理层、通讯接口层、数据层、逻辑层和应用层共同构成自动测试系统，进而实现继电保护的自动测试。同时在测试过程中引入决策树识别算法，可通过测试过程中的相关数据，诊断识别测试状态及结果。本发明满足了继电保护产品的测试需要，可大大提高测试的效率和质量。

附图说明

图1本发明公开的智能变电站继电保护自动测试方法流程示意图；

图2决策树示意图；

图3基于决策树的测试状态诊断技术原理图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

本发明公开了一种智能变电站继电保护自动测试方法，如附图1所示，所述测试方法包括以下步骤：

(1)在自动测试前应根据保护装置型号和定值确定测试方案；

本实施例中，还包括在步骤(1)中测试人员在系统建立初期编写标准的测试方案模板，测试人员在自动测试前根据保护装置型号和定值编写测试方案，其中，测试方案包括测试项目和测试顺序。

(2)测试过程中，测试主机与保护装置建立通讯，以及通过与测试仪器与保护装置相连，实现数据的闭环共享；

本实施例中，还包括在步骤(2)中采用闭环测试原理，通过pc机上的自动测试软件，同时与测试仪器以及保护装置建立通讯，实现数据的闭环共享。同时，本发明包括物理层、通讯接口层、数据层、逻辑层和应用层。其中上述构成闭环的自动测试方法属于物理层。通讯接口层包括测试仪通讯接口和保护装置通讯接口，用于测试仪与保护装置、pc机的通讯连接。数据层主要用于存储原始记录、模板数据、报告数据、规程信息等。逻辑层主要用于测试仪控制、保护通讯控制、数据管理、保护检验规程处理以及测试报告的生成。应用层则主要用于通讯规约的制定和运用、测试计划编辑、测试过程的调度和控制、测试报告处理以及接口的二次开发。由物理层、通讯接口层、数据层、逻辑层和应用层共同协调配合，即软硬件结合，进而实现继电保护装置的自动测试。

测试主机即pc机直接与保护装置通讯，以便在测试过程中从保护装置获取故障报告、录波、扰动数据，以及在测试完成后向保护装置下发信号复归命令，或者保护装置定值；

测试主机通过测试仪器与保护装置相连，测试仪器测量保护装置的电压、电流和开入信号，并上传至测试主机，测试主机通过测量仪器向保护装置输出电压电流并控制开出信号。

(3)测试时，通过测试主机的测试状态监视界面，实时显示获取测试过程中的测量量、开入开出、时间相关数据，同时将被测保护装置的各种故障报告、录波、扰动数据上传至测试主机中，作为被测保护装置性能测试判断的依据；

通过测试主机的测试状态监视界面实时显示测试过称中的测量量、开入开出、时间相关数据。

(4)判断测试方案中的所有项目是否完成，如果未完成，则返回步骤(2)；如果完成，则进入步骤(5)；

本实施例中，还包括引入决策树算法，可根据测试中获取的数据，自动且高效地诊断识别各测试项目结果及状态，如未测试、测试不合格、测试完成且合格等。

本实施例中，还包括按照需求完成测试项目后，系统将自动生成保护测试报告，进而实现自动测试系统的智能化和自动化。

在此需要对步骤(4)中基于决策树算法的的测试状态识别技术进行概述。

决策树是最直观的分类方法，它代表的是对象属性和对象类型间的一种映射关系，由于其决策过程由图像展示出后很像树的枝干，所以称之为决策树。决策树在短时间内可对大型数据源进行处理并且效果良好的结果。在决策树中，每一个节点代表一个特征和相应的决策规则，决策的过程从根节点出发，通过对每个属性的度量进行样本划分，形成新的子节点，随后再对新的子节点进行属性划分直到最后的叶节点。叶节点是最终的类型节点，而每个节点的属性则对应了样本的特征，图2为采用决策树对放电类型推理过程的示意图。

决策树的构建方法包括id3(interactivedichotomizer-3)、c4.5和cart(classificationandregressiontree)。id3(交互式二分法，interactivedichotomizer-3)是最著名的构建方法，该方法可是实现每个节点下多个子节点的划分，适用于多类型的分类过程，有助于提高识别准确率。id3的算法以香农(shannon)信息论中的熵(entropy)为基础，通过节点划分前后信息熵的变化实现分类效果的度量。现在假设一组样本共有k种类型，各种类型出现的概率为pi,i＝1,…,k，那么基于熵的度量可以表示为。

这种度量的被称为熵不纯度，它可以表示某一节点上的特征对该节点分类的贡献。如果一个样本可以被分为4类，每一类型出现的可能性是等概率事件pi＝0.25，那么熵不纯度为

i＝-(4×0.25×log20.25)＝2(2)

这表示对于4个分类的不确定度很高，如果分为2类，同样为等概率事件pi＝0.5，这样得到的熵不纯度为

i＝-(2×0.5×log20.5)＝1(3)

如果仅剩下1类，熵不纯度为0，分类过程将不存在不确定性。在分类的过程中，节点上下级间的熵不纯度变化称之为信息增益，它是对节点属性值的期望压缩，信息增益越大，表明期望压缩越为明显，所以最好的节点划分结果是使熵不纯度减少最大的分裂方向。假设特征把n个样本划分为m组，每组的样本个数为nm，信息增益可以表示为

通过gain最大值实现的分类过程即为id3算法，综上所述，id3算法流程首先要求计算当前节点样本的熵不纯度，通过计算不同特征的对下一分枝的gain值来选择具有最大gain的特征作为该节点的赋值，重复计算直到最后每个节点只剩一个类型。基于决策树算法，根据获取的数据，自动识别项目测试状态，获取项目测试结果，实现修改定值、投退压板、测试数据的汇总处理操作。

(5)判断测试是否合格，复归信号，并修改不合格项目的定值；

(6)生成测试报告，结束测试。

参见附图3，基于决策树的测试状态诊断技术流程如下：

1)建立测试的任务，确定测试的模式，选择测试的项目，其中测试的模式包括全部测试(中间不中断)、遇不合格数据中断测试、手动中断测试、仅测所选项目、测试全部不合格项目和从所选项目向下测试等基本模式，测试项目为一个树形结构图，可以方便地选择各个层次的实验项目。

2)通过测试状态监视界面，显示并获取测试过程中的测量量、开入开出、时间等相关数据。

3)基于决策树识别算法，根据测试过程中的测量量、开入开出、时间等相关数据，判断各测试项目的测试状态及结果。

4)并将所有测试结果汇总信息，自动生成测试报告，方便调试查询。

虽然结合说明书附图对本发明的具体实施方式做了详细的说明与描述，但是本领域技术人员应该理解，以上实施方式仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。