一种换流阀的状态检测方法及装置与流程

1.本发明涉及输变电设备运维技术领域，具体涉及一种换流阀的状态检测方法及装置。


背景技术：

2.特高压直流输电在我国乃至世界已广泛应用，换流阀是特高压直流输电核心设备，换流阀故障不仅会导致直流输电的停运，甚至引发重大的安全事故。国内外已充分认识到直流输电工程在可再生能源和新型电力系统建设中的重要作用。发达国家已经开展特高压直流工程关键设备状态在线监测技术的研究，并已经开展实际应用，同时为工程用户提供远程数据分析和技术咨询等服务。国内现有的直流输电换流阀监测功能相对简单，只能通过定期计划检修来检测设备工作状态，这不但影响了直流输电系统的可利用率，也大大的增加了运行维护成本。
3.虽然取得了一些成果，但目前国内外只能对换流阀的状态是否正常进行判断，而无法判断换流阀的健康状态，更无法预测换流阀关键零部件的预期寿命和检修/更换计划。目前监测系统存在一些不足之处：(1)监测手段单一，仅能判断运行正常与否，无法准确判断健康状态；(2)监测点少，监测范围窄，监测数据的有效性很难验证；(3)故障数据样本少，现场运行故障数据类型少、单一，不足以建立准确的状态评估模型。


技术实现要素：

4.为了克服上述缺陷，本发明提出了一种换流阀的状态检测方法及装置。
5.第一方面，提供一种换流阀的状态检测方法，所述换流阀的状态检测方法包括：
6.将换流阀的实测数据输入至预先建立的孪生神经网络模型，获取预先建立的孪生神经网络模型输出的实测数据特征量；
7.基于所述实测数据特征量确定换流阀的状态。
8.优选的，所述换流阀的实测数据为换流阀的关键元器件电压值、电流值、电阻值、电容值、阻抗值、有功值或无功值。
9.进一步的，所述关键元器件为晶闸管、饱和电抗器、并联阻尼电阻、阻尼电容或直流均压电阻。
10.优选的，所述将换流阀的实测数据输入至预先建立的孪生神经网络模型，获取预先建立的孪生神经网络模型输出的实测数据特征量之前，包括：
11.对换流阀的实测数据进行数据预处理。
12.进一步的，按下式对换流阀的实测数据进行归一化处理：
[0013][0014]
按下式对归一化处理后的换流阀的实测数据进行标准化处理：
[0015]
[0016]
上式中，x
normal
为换流阀的实测数据归一化值，x为换流阀的实测数据，x
min
为换流阀的实测数据下限值，x
max
为换流阀的实测数据上限值，x
standard
为归一化处理后的换流阀的实测数据的标准化值，μ为原始换流阀的实测数据的均值，δ为原始换流阀的实测数据的方差。
[0017]
优选的，所述预先建立的孪生神经网络模型的建立过程包括：
[0018]
利用人工标注的换流阀的仿真数据和实测数据构建训练数据集、验证数据集和测试数据集，其中，当仿真数据和实测数据相同时数据标注为1，当仿真数据和实测数据不相同时数据标注为0；
[0019]
利用所述训练数据集、验证数据集和测试数据集对初始孪生神经网络进行训练，得到所述预先建立的孪生神经网络模型。
[0020]
进一步的，所述初始孪生神经网络的主干网络为卷积神经网络cnn，该卷积神经网络cnn由1层输入层、2层卷积层、2层池化层和1层全连接层组成。
[0021]
优选的，所述基于所述实测数据特征量确定换流阀的状态，包括：
[0022]
在预设换流阀的状态与特征量关联对应表中获取所述实测数据特征量对应的换流阀的状态。
[0023]
优选的，所述换流阀的状态至少包括下述中的一种：老化状态、短路状态、断路状态。
[0024]
第二方面，提供一种换流阀的状态检测装置，所述换流阀的状态检测装置包括：
[0025]
获取模块，用于将换流阀的实测数据输入至预先建立的孪生神经网络模型，获取预先建立的孪生神经网络模型输出的实测数据特征量；
[0026]
确定模块，用于基于所述实测数据特征量确定换流阀的状态。
[0027]
第三方面，提供一种计算机设备，包括：一个或多个处理器；
[0028]
所述处理器，用于存储一个或多个程序；
[0029]
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的换流阀的状态检测方法。
[0030]
第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的换流阀的状态检测方法。
[0031]
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
[0032]
本发明涉及输变电设备运维技术领域，具体提供了一种换流阀的状态检测方法及装置，包括：将换流阀的实测数据输入至预先建立的孪生神经网络模型，获取预先建立的孪生神经网络模型输出的实测数据特征量；基于所述实测数据特征量确定换流阀的状态。本发明提供的技术方案，解决了因工程现场换流阀监测手段单一、监测数据的有效性很难验证、故障数据样本少等问题，有助于建立准确的仿真模型、状态评估模型，能够及时发现、记录并报警换流阀关键零部件在运行时的异常问题，预防各种安全事故隐患，降低换流阀设备故障停运的概率，有效提高换流阀运行的可靠性，保障特高压直流输电安全；积累更多特高压换流阀状态数据和信息，为换流阀运行提供更加安全可靠的技术支持；节约运行、维护成本，提高供电的可靠性，保证电能质量，提升新能源消纳能力；推动特高压直流换流阀的综合监测技术的全面发展，引领直流输电主设备监测、状态评估技术的发展方向。
附图说明
[0033]
图1是本发明实施例的换流阀的状态检测方法的主要步骤流程示意图；
[0034]
图2是本发明实施例的换流阀的状态检测装置的主要结构框图。
具体实施方式
[0035]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0036]
为使本发明实施例的目的、技术方案和优点更加清楚，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它实施例，都属于本发明保护的范围。
[0037]
实施例1
[0038]
参阅附图1，图1是本发明的一个实施例的换流阀的状态检测方法的主要步骤流程示意图。如图1所示，本发明实施例中的换流阀的状态检测方法主要包括以下步骤：
[0039]
步骤s101：将换流阀的实测数据输入至预先建立的孪生神经网络模型，获取预先建立的孪生神经网络模型输出的实测数据特征量；
[0040]
步骤s102：基于所述实测数据特征量确定换流阀的状态。
[0041]
其中，所述换流阀的实测数据为换流阀的关键元器件电压值、电流值、电阻值、电容值、阻抗值、有功值或无功值。所述关键元器件为晶闸管、饱和电抗器、并联阻尼电阻、阻尼电容或直流均压电阻。
[0042]
本实施例中，所述将换流阀的实测数据输入至预先建立的孪生神经网络模型，获取预先建立的孪生神经网络模型输出的实测数据特征量之前，包括：
[0043]
对换流阀的实测数据进行数据预处理。
[0044]
在一个实施方式中，按下式对换流阀的实测数据进行归一化处理：
[0045][0046]
按下式对归一化处理后的换流阀的实测数据进行标准化处理：
[0047][0048]
上式中，x
normal
为换流阀的实测数据归一化值，x为换流阀的实测数据，x
min
为换流阀的实测数据下限值，x
max
为换流阀的实测数据上限值，x
standard
为归一化处理后的换流阀的实测数据的标准化值，μ为原始换流阀的实测数据的均值，δ为原始换流阀的实测数据的方差。
[0049]
本实施例中，所述预先建立的孪生神经网络模型的建立过程包括：
[0050]
利用人工标注的换流阀的仿真数据和实测数据构建训练数据集、验证数据集和测试数据集，其中，当仿真数据和实测数据相同时数据标注为1，当仿真数据和实测数据不相同时数据标注为0；
[0051]
利用所述训练数据集、验证数据集和测试数据集对初始孪生神经网络进行训练，得到所述预先建立的孪生神经网络模型。
[0052]
在一个实施方式中，所述初始孪生神经网络的主干网络为卷积神经网络cnn，该卷
积神经网络cnn由1层输入层、2层卷积层、2层池化层和1层全连接层组成。
[0053]
本实施例中，所述基于所述实测数据特征量确定换流阀的状态，包括：
[0054]
在预设换流阀的状态与特征量关联对应表中获取所述实测数据特征量对应的换流阀的状态。
[0055]
本实施例中，所述换流阀的状态至少包括下述中的一种：老化状态、短路状态、断路状态。
[0056]
基于上述方案，本发明提供了一种最优的实施方式，首先利用pscad仿真软件按照实际工程参数搭建细颗粒度换流阀仿真电路模型，提取换流阀晶闸管、饱和电抗器、并联阻尼电阻、阻尼电容及直流均压电阻等关键元器件电气数据，对数据进行标准化、归一化预处理；其次收集工程现场换流阀关键元器件实际运行数据，对数据进行标准化、归一化预处理；其次提出一种基于孪生神经网络的换流阀仿真数据与实测数据混合验证方法，提取两方面数据的特征参量，利用欧式距离度量公式完成对仿真数据与工程实际运行数据之间相似度计算，进而完成相互验证、校核，优化仿真模型，实现仿真模型与实际运行工程换流阀运行一致；构建基于仿真数据与实测数据关联分析模型库、故障库，仿真故障数据主要通过改变仿真模型的参数或者增加噪声干扰等手段制造短路、断路等各类型故障，提取换流阀设备进行故障特性与关键参量的关联分析数据，实测数据来自工程现场。
[0057]
具体的，本发明的实现分为三个步骤：
[0058]
步骤一：搭建细颗粒度换流阀仿真模型；
[0059]
步骤二：提取仿真数据和实测数据；
[0060]
步骤三：提出混合验证方法；
[0061]
步骤四：构建基于仿真数据与实测数据关联分析模型库、故障库；
[0062]
以下将对上述个步骤展开详细阐述。
[0063]
步骤一：搭建细颗粒度换流阀仿真模型。首先选定某条特高压直流工程，按照实际工程参数，利用pscad仿真软件搭建细颗粒度换流阀仿真电路模型。
[0064]
步骤二：提取仿真数据和实测数据。从仿真模型中收集、提取换流阀晶闸管、饱和电抗器、并联阻尼电阻、阻尼电容及直流均压电阻等关键元器件电压值、电流值、电阻值、电容值、阻抗值、有功值、无功值等数据；从工程现场收集、提取换流阀关键元器件实际运行数据，并对仿真和实测的原始数据进行归一化、标准化预处理，归一化公式将原始数据转换到[0,1]的范围的数据，标准化公式将原始数据归一化为均值为0、方差为1的数据。
[0065]
步骤三：提出混合验证方法。通过步骤二预处理后的数据，建立样本库，构建并训练孪生神经网络，网架结构以卷积神经网络cnn为主干网络，主要包括1层输入层、2层卷积层、2层池化层、1层全连接层，卷积层和池化层作为特征参数提取层，用于提取仿真数据和实测数据的特征参量，利用欧式距离度量公式完成对仿真数据与工程实际运行数据之间相似度计算，进而完成相互验证、校核，优化仿真模型，一方面是继续调整模型参数，实现仿真模型与实际运行工程换流阀运行一致，另一方面细化仿真模型颗粒度。
[0066]
主干网络定义输入层为24*1000，从电气量监测点中选取24个监测点，且每个电气量截取1000个采样点，组成一个24*1000输入样本。采用2层卷积层和2层池化层作为特征提取，定义第1层卷积层的权重和偏置量为卷积核为5*5，初始值为标准差为0.1的随机序列，共有32个卷积核，偏置量初始化为0.1，第1层池化层取样池大小设为2*2，步长也为2*2，图
片边缘补齐方式是“same”，即补齐0。定义第2层卷积层的权重和偏置量为卷积核为5*5，初始值为标准差为0.1的随机序列，共有64个卷积核，偏置量初始化为0.1，输入为32张特征图(因为第1卷积层的输出，作为这一层的输入)，第2层池化层取样池大小设为2*2，步长也为2*2，图片边缘补齐方式是“same”，即补齐0。第2层卷积层后加入1*1卷积核，最后全连接一个1024维向量的输出层。
[0067]
其中池化层采用的最大池化方式，每个卷积层后加激活层，激活函数为relu。
[0068]
步骤四：构建基于仿真数据与实测数据关联分析模型库、故障库。仿真故障数据主要通过改变仿真模型的参数模拟老化现象或者制造短路、断路等类型故障，提取换流阀设备进行故障特性与关键参量的关联分析数据，实测数据来自工程现场。
[0069]
实施例2
[0070]
基于同一发明构思，本发明提供一种换流阀的状态检测装置，如图2所示，所述换流阀的状态检测装置包括：
[0071]
获取模块，用于将换流阀的实测数据输入至预先建立的孪生神经网络模型，获取预先建立的孪生神经网络模型输出的实测数据特征量；
[0072]
确定模块，用于基于所述实测数据特征量确定换流阀的状态。
[0073]
优选的，所述换流阀的实测数据为换流阀的关键元器件电压值、电流值、电阻值、电容值、阻抗值、有功值或无功值。
[0074]
进一步的，所述关键元器件为晶闸管、饱和电抗器、并联阻尼电阻、阻尼电容或直流均压电阻。
[0075]
优选的，所述将换流阀的实测数据输入至预先建立的孪生神经网络模型，获取预先建立的孪生神经网络模型输出的实测数据特征量之前，包括：
[0076]
对换流阀的实测数据进行数据预处理。
[0077]
进一步的，按下式对换流阀的实测数据进行归一化处理：
[0078][0079]
按下式对归一化处理后的换流阀的实测数据进行标准化处理：
[0080][0081]
上式中，x
normal
为换流阀的实测数据归一化值，x为换流阀的实测数据，x
min
为换流阀的实测数据下限值，x
max
为换流阀的实测数据上限值，x
standard
为归一化处理后的换流阀的实测数据的标准化值，μ为原始换流阀的实测数据的均值，δ为原始换流阀的实测数据的方差。
[0082]
优选的，所述预先建立的孪生神经网络模型的建立过程包括：
[0083]
利用人工标注的换流阀的仿真数据和实测数据构建训练数据集、验证数据集和测试数据集，其中，当仿真数据和实测数据相同时数据标注为1，当仿真数据和实测数据不相同时数据标注为0；
[0084]
利用所述训练数据集、验证数据集和测试数据集对初始孪生神经网络进行训练，得到所述预先建立的孪生神经网络模型。
[0085]
进一步的，所述初始孪生神经网络的主干网络为卷积神经网络cnn，该卷积神经网
络cnn由1层输入层、2层卷积层、2层池化层和1层全连接层组成。
[0086]
优选的，所述基于所述实测数据特征量确定换流阀的状态，包括：
[0087]
在预设换流阀的状态与特征量关联对应表中获取所述实测数据特征量对应的换流阀的状态。
[0088]
优选的，所述换流阀的状态至少包括下述中的一种：老化状态、短路状态、断路状态。
[0089]
实施例3
[0090]
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种换流阀的状态检测方法的步骤。
[0091]
实施例4
[0092]
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种换流阀的状态检测方法的步骤。
[0093]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0094]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0095]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0096]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0097]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。