一种基于大数据的继电保护在线监测系统的制作方法

1.本公开总体说来涉及电力系统技术领域，更具体地讲，涉及一种基于大数据的继电保护在线监测系统。


背景技术：

2.继电保护是保障电力系统安全运行的重要装备，针对任何类型的故障均应不拒动、不误动，且要求具有灵敏度和快速性。但多年来的继电保护运行实践表明，因继电保护系统硬件(含所有回路)故障及缺陷、软件缺陷、整定错误等问题，导致的不正确动作事件仍时有发生。
3.相较于常规变电站，智能变电站的显著特征是二次设备网络化，即以数字信号取代物理电气信号、以通信网络取代传统二次回路。数字化的继电保护设备可以通过智能终端采集开关动作、二次回路、户外柜等的状态信息，合并单元采集采样回路和互感器的状态，继电保护自身通过统一的通信协议与其他设备共享自身的状态信息等，简言之，在智能变电站中，网络报文记录装置可采集全站goose(generic object oriented substation event，面向通用对象的变电站事件)、sv(sampledvalue，采样值)、mms(manufacturing message specification，制造报文规范)报文，从而达成报文存储、网络流量监视等功能。然而，由于智能变电站的各类实时信息过于庞杂，使得专业运维人员无法直接依靠网络报文数据对不正确动作事件等故障作出直观的定量和定性分析。


技术实现要素：

4.本公开提供一种基于大数据的继电保护在线监测系统，能够利用智能变电站的网络报文数据，快速准确地分析判断出继电保护设备是否发生不正确动作事件，从而可靠地对继电保护设备进行在线监测。
5.在一个总的方面，提供一种基于大数据的继电保护在线监测系统，所述继电保护在线监测系统包括：报文获取单元，用于获取继电保护设备的网络报文实时数据，其中，所述网络报文实时数据包括当前的预设时长内的多条报文记录，每条报文记录包括相同时刻的预设数量个报文参量；报文转码单元，用于将所述网络报文实时数据中的每个报文参量分别转换为16进制数，以得到16进制报文数据，然后将所述16进制报文数据中每4个相邻的数字结合为第一转码，再将所述第一转码转换为10进制的第二转码，以得到第二转码序列；概率预测单元，用于将所述第二转码序列输入预先训练收敛的保护动作监测模型，得到所述继电保护设备当前的保护动作状态概率，其中，所述保护动作状态概率表示所述继电保护设备的保护动作状态分别属于正常动作、误动、拒动和正常未动作的概率；状态确定单元，用于根据所述继电保护设备当前的保护动作状态概率，确定所述继电保护设备的保护动作状态，从而对所述继电保护设备进行在线监测。
6.可选地，所述报文转码单元包括第一转码单元和第二转码单元，其中，所述第一转码单元用于根据每条报文记录中的报文参量与16进制数的对应关系，将所有报文参量转换
为16进制数，以得到16进制报文数据，然后将所述16进制报文数据中每4个相邻的数字结合为第一转码，其中，所述对应关系基于每条报文记录中的所有报文参量去重后的数量来预先确定；所述第二转码单元用于根据预设字典将所述第一转码转换为10进制的第二转码，以得到第二转码序列，其中，所述预设字典中的每个第二转码各自对应一个第一转码。
7.可选地，所述继电保护在线监测系统还包括：模型训练单元，用于通过以下步骤将待训练的保护动作监测模型预先训练收敛：获取所述继电保护设备的网络报文样本数据和所述网络报文样本数据对应的保护动作标签，其中，所述网络报文样本数据包括历史上的预设时长内的多条历史报文记录，每条历史报文记录包括相同时刻的预设数量个报文参量，其中，所述保护动作标签包括正常动作注释信息、误动注释信息、拒动注释和正常未动作注释信息；将所述网络报文样本数据中的每个报文参量分别转换为16进制数，以得到16进制样本报文数据，然后将所述16进制样本报文数据中每4个相邻的数字结合为第一转码，再将所述第一转码转换为10进制的第二转码，以得到第二转码样本序列；将所述第二转码样本序列输入所述待训练的保护动作监测模型，得到所述继电保护设备历史上的保护动作状态预测概率，其中，所述保护动作状态预测概率表示所述继电保护设备的保护动作状态分别属于正常动作、误动、拒动和正常未动作的预测概率；将所述保护动作标签转换为自适应标签，并且根据所述保护动作预测概率和对应的所述自适应标签来计算模型损失值，然后根据所述模型损失值来调整所述待训练的保护动作监测模型的参数，从而对所述待训练的保护动作监测模型进行训练，其中，所述自适应标签基于所述网络报文样本数据对应的所述继电保护设备的动作持续时长来确定。
8.可选地，所述模型训练单元用于利用预设核函数对所述保护动作标签中的信息进行提取，以得到所述自适应标签。
9.可选地，所述模型训练单元还用于执行以下步骤：基于所述保护动作标签，确定所述网络报文样本数据对应的所述继电保护设备的动作持续时长；计算所述动作持续时长与所述预设时长的比值，并根据所述比值来确定所述预设核函数的超参数，其中，所述超参数用于确定所述预设核函数的函数曲线宽度；基于确定的所述超参数，将所述预设核函数与所述保护动作标签进行卷积，得到所述自适应标签。
10.可选地，所述超参数与所述比值的数值关系通过以下公式来表示：
[0011][0012]
其中，μ表示所述超参数，λ表示所述比值。
[0013]
可选地，所述模型训练单元还用于执行以下步骤：基于所述正常动作、误动、拒动和正常未动作的预测概率与对应的所述自适应标签，分别计算所述正常动作的预测概率对应的第一损失值、所述误动的预测概率对应的第二损失值、所述拒动的预测概率对应的第三损失值和所述正常未动作的预测概率对应的第四损失值；对所述第一损失值、所述第二损失值、所述第三损失值和所述第四损失值进行加权求和，得到所述模型损失值。
[0014]
可选地，所述状态确定单元还用于执行以下步骤：将所述正常动作、误动、拒动和正常未动作的概率分别与预设阈值进行比较；在所述正常动作的概率大于所述预设阈值的情况下，确定所述继电保护设备当前的保护动作状态为正常动作；在所述误动的概率大于所述预设阈值的情况下，确定所述继电保护设备当前的保护动作状态为误动，并发出第一
告警信号；在所述拒动的概率大于所述预设阈值的情况下，确定所述继电保护设备当前的保护动作状态为拒动，并发出第二告警信号；在所述正常未动作的概率大于所述预设阈值的情况下，确定所述继电保护设备当前的保护动作状态为正常未动作。
[0015]
根据本公开的实施例的基于大数据的继电保护在线监测系统，能够利用智能变电站的网络报文数据，通过特定的转码规则对获取的网络报文数据进行转码处理，并基于转码后的数据，通过预先训练收敛的保护动作监测模型，准确地得到继电保护设备当前的保护动作状态，从而能够快速地分析判断出继电保护设备是否发生不正确动作事件，可靠地实现了继电保护在线监测。
[0016]
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。
附图说明
[0017]
通过下面结合示出实施例的附图进行的描述，本公开的实施例的上述和其他目的和特点将会变得更加清楚，其中：
[0018]
图1是示出根据本公开的实施例的基于大数据的继电保护在线监测系统的框图。
具体实施方式
[0019]
提供下面的具体实施方式以帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而，在理解本技术的公开之后，在此描述的方法、设备和/或系统的各种改变、修改和等同物将是清楚的。例如，在此描述的操作的顺序仅是示例，并且不限于在此阐述的那些顺序，而是除了必须以特定的顺序发生的操作之外，可如在理解本技术的公开之后将是清楚的那样被改变。此外，为了更加清楚和简明，本领域已知的特征的描述可被省略。
[0020]
在此描述的特征可以以不同的形式来实现，而不应被解释为限于在此描述的示例。相反，已提供在此描述的示例，以仅示出实现在此描述的方法、设备和/或系统的许多可行方式中的一些可行方式，所述许多可行方式在理解本技术的公开之后将是清楚的。
[0021]
除非另有定义，否则在此使用的所有术语(包括技术术语和科学术语)具有与由本公开所属领域的普通技术人员在理解本公开之后通常理解的含义相同的含义。除非在此明确地如此定义，否则术语(诸如，在通用词典中定义的术语)应被解释为具有与它们在相关领域的上下文和本公开中的含义一致的含义，并且不应被理想化或过于形式化地解释。
[0022]
此外，在示例的描述中，当认为公知的相关结构或功能的详细描述将引起对本公开的模糊解释时，将省略这样的详细描述。
[0023]
随着智能变电站和智能电网的不断建设与发展，继电保护系统运行和监测所产生的数据量也在飞速增长，数据量的急速扩充为满足状态评价等在线监测高级应用提供了体量庞大、种类丰富的数据源。在此大数据背景下，对继电保护的网络报文数据进行挖掘、分析，为在线监测继电保护状态提供了新的可行途径。一般地，网络报文数据包含的信号总量十分可观，其通常可包含装置运行信息、告警信息、保护动作信息和sv/goose运行状态信息等方面的内容。进一步地，装置运行信息又可包含软硬件自检信息(例如运行温度、通道光强、电源电压等信息)、采样值(例如各支路电流、差动电流等信息)、开关量信息等报文参量；告警信息又可包含采样值异常警告(例如ct/pt断线、sv品质异常、sv链路中断、sv检修
状态不一致等)、开关量异常告警(例如开入量告警、goose链路中断、goose检修不一致等)、装置异常告警(例如失电告警、闭锁等)等报文参量；保护动作信息又可包含保护动作信号(例如保护起动、保护动作元件等)、动作出口信号(例如出口相别、整组动作时间等)等报文参量；sv/goose运行状态信息又可包含报文状态信息(例如幅值精度、相位精度、双ad一致性、报文等间隔性、检修状态、同步状态、数据有效性、同步信号丢失等)、格式异常信息(例如报文帧格式错误等)等报文参量。应理解，上述网络报文数据所包含的具体参量仅用于示例，本领域技术人员可根据实际需求来定制网络报文数据中信息的内容和维度，本公开对此不做限制。
[0024]
因此，根据本公开的实施例的基于大数据的继电保护在线监测系统，能够利用智能变电站的网络报文数据，通过特定的转码规则对获取的网络报文数据进行转码处理，并基于转码后的数据，通过预先训练收敛的保护动作监测模型，准确地得到继电保护设备当前的保护动作状态，从而能够快速地分析判断出继电保护设备是否发生不正确动作事件，可靠地实现了继电保护在线监测。
[0025]
下面将参照图1对根据本公开的实施例的基于大数据的继电保护在线监测系统进行详细描述。
[0026]
图1是示出根据本公开的实施例的基于大数据的继电保护在线监测系统的框图。根据本公开的实施例的基于大数据的继电保护在线监测系统可以在具有足够运算能力的计算装置中实现。
[0027]
参照图1，继电保护在线监测系统100可包括报文获取单元110、报文转码单元120、概率预测单元130和状态确定单元140。
[0028]
报文获取单元110可用于获取继电保护设备的网络报文实时数据。这里，网络报文实时数据可包括当前的预设时长内的多条报文记录，每条报文记录可包括相同时刻的预设数量个报文参量。进一步地，预设时长可由本领域技术人员根据实际情况进行设置，例如100ms，由于智能变电站中报文的采集频率通常是固定的(例如50hz)，因此根据预设时长的不同，每次获取的网络报文实时数据中的报文记录条数也会相应变化。更进一步地，每条报文记录中的各个报文参量可由本领域技术人员根据实际情况来确定，作为示例，每条报文记录α可包括时间β0、通道光强β1、运行温度β2、电源电压β3、支路电流β4、差动电流β5、保护起动β6、保护动作元件β7、整组动作时间β8、同步状态β9共10个维度的报文参量，即α＝[β0,β1,β2,β3,β4,β5,β6,β7,β8,β9]，从而预设数量为10，换言之，预设数量可根据实际使用的报文参量的数量来具体确定。
[0029]
报文转码单元120可用于将网络报文实时数据中的每个报文参量分别转换为16进制数，以得到16进制报文数据，然后将16进制报文数据中每4个相邻的数字结合为第一转码，再将第一转码转换为10进制的第二转码，以得到第二转码序列。
[0030]
根据本公开的实施例，报文转码单元120可包括第一转码单元(未示出)和第二转码单元(未示出)。这里，第一转码单元可用于根据每条报文记录中的报文参量与16进制数的对应关系，将所有报文参量转换为16进制数，以得到16进制报文数据，然后将16进制报文数据中每4个相邻的数字结合为第一转码。进一步地，对应关系可基于每条报文记录中的所有报文参量去重后的数量来预先确定。换言之，可统计对报文参量进行去重处理后剩下的报文参量的数量，然后本领域技术人员可根据实际情况来建立该数量个报文参量与16进制
数的对应关系，从而使去重后的特征元素与该对应关系中的16进制数一一对应。作为示例，针对上述α＝[β0,β1,β2,β3,β4,β5,β6,β7,β8,β9]，β0可转换为141610110a3223，β1可转换为1508，β2可转换为3319，β3可转换为10b2，β4可转换为e718，β5可转换为09，β6可转换为00，β7可转换为02，β8可转换为141610110a3117，β9可转换为01，从而得到16进制报文数据“141610110a32231508331910b2e718090002141610110a311701”，然后将其每4个相邻的数字结合为第一转码，得到“1416，1011，0a32，2315，0833，1910，b2e7，1809，0002，1416，1011，0a31，1701”。
[0031]
另外，第二转码单元可用于根据预设字典将第一转码转换为10进制的第二转码，以得到第二转码序列。这里，预设字典中的每个第二转码各自对应一个第一转码。进一步地，预设字典可包括65536种第一转码与第二转码的对应关系，而具体的对应关系可由本领域技术人员根据实际情况来设置。作为示例，针对上述“1416，1011，0a32，2315，0833，1910，b2e7，1809，0002，1416，1011，0a31，1701”，可将第一转码转换为第二转码，得到第二转码序列“24893，169，3842，88，69332，831，59654，2808，2，24893，169，3827，97”，然而本公开不限于此。
[0032]
概率预测单元130可用于将第二转码序列输入预先训练收敛的保护动作监测模型，得到继电保护设备当前的保护动作状态概率。这里，保护动作状态概率可表示继电保护设备的保护动作状态分别属于正常动作、误动、拒动和正常未动作的概率。
[0033]
根据本公开的实施例，继电保护在线监测系统100还可包括模型训练单元(未示出)。模型训练单元，用于可通过以下步骤将待训练的保护动作监测模型预先训练收敛：
[0034]
步骤一，获取继电保护设备的网络报文样本数据和网络报文样本数据对应的保护动作标签。这里，网络报文样本数据包括历史上的预设时长内的多条历史报文记录，每条历史报文记录包括相同时刻的预设数量个报文参量。进一步地，保护动作标签包括正常动作注释信息、误动注释信息、拒动注释和正常未动作注释信息。更进一步地，针对保护动作标签，可将正常动作表示为[1,0,0,0]，将误动表示为[0,1,0,0]，将拒动表示为[0,0,1,0]，将正常未动作表示为[0,0,0,1]，但不限于此。通过在保护动作标签中加入正常未动作的注释信息，能够在正常动作、误动、拒动和正常未动作的数量不平衡的情况下，避免模型过拟合。
[0035]
步骤二，将网络报文样本数据中的每个报文参量分别转换为16进制数，以得到16进制样本报文数据，然后将16进制样本报文数据中每4个相邻的数字结合为第一转码，再将第一转码转换为10进制的第二转码，以得到第二转码样本序列。应理解，可通过得到上述第二转码序列的方式来得到第二转码样本序列，这里不再赘述。
[0036]
步骤三，将第二转码样本序列输入待训练的保护动作监测模型，得到继电保护设备历史上的保护动作状态预测概率。这里，保护动作状态预测概率表示继电保护设备的保护动作状态分别属于正常动作、误动、拒动和正常未动作的预测概率。进一步地，保护动作监测模型可以基于crnn(convolutional recurrent neural network，卷积循环神经网络)来构建，以结合cnn(convolutional neural networks，卷积神经网络)和rnn(recurrent neural network，循环神经网络)的优点，既可以直接从输入特征学习到维度更少的局部特征，也可以学习长期依赖的时序信息。
[0037]
步骤四，将保护动作标签转换为自适应标签，并且根据保护动作预测概率和对应的自适应标签来计算模型损失值，然后根据模型损失值来调整待训练的保护动作监测模型
的参数，从而对待训练的保护动作监测模型进行训练。这里，考虑到对于电力设备而言，故障越严重，继电保护的动作触发时间越短，动作持续时间越长，反之，故障越轻微，继电保护的动作触发时间越长，动作持续时间越短，从而自适应标签可基于网络报文样本数据对应的继电保护设备的动作持续时长来确定，以助于模型收敛，提高保护动作监测模型的准确率。进一步地，可以但不限于通过随机梯度下降法来减小模型损失值以实现更新模型对应的参数，并利用适应性矩估计优化来加速模型训练迭代更新。
[0038]
根据本公开的实施例，模型训练单元可用于利用预设核函数对保护动作标签中的信息进行提取，以得到自适应标签。具体而言，模型训练单元还用于执行以下步骤：基于保护动作标签，确定网络报文样本数据对应的继电保护设备的动作持续时长；计算动作持续时长与预设时长的比值，并根据比值来确定预设核函数的超参数，这里，超参数用于确定预设核函数的函数曲线宽度；基于确定的超参数，将预设核函数与保护动作标签进行卷积，得到自适应标签。
[0039]
根据本公开的实施例，预设核函数可以是径向基函数核(radial basis function kernel，rbf kernel)，从而预设核函数k(x)可用以下公式(1)来表示：
[0040][0041]
这里，μ表示用于确定窗函数的曲线宽度的超参数，通过调整μ的大小，可以调整预设核函数的取值。
[0042]
根据本公开的实施例，超参数与比值的数值关系可通过以下公式(2)来表示：
[0043][0044]
这里，λ表示动作持续时长与预设时长的比值。
[0045]
根据本公开的实施例，模型训练单元还用于执行以下步骤：基于正常动作、误动、拒动和正常未动作的预测概率与对应的自适应标签，分别计算正常动作的预测概率对应的第一损失值、误动的预测概率对应的第二损失值、拒动的预测概率对应的第三损失值和正常未动作的预测概率对应的第四损失值；对第一损失值、第二损失值、第三损失值和第四损失值进行加权求和，得到模型损失值。这里，可使第一损失值、第二损失值、第三损失值和第四损失值的权重为19:49:29:1，然而本公开不限于此，本领域技术人员可根据实际情况调整第一损失值、第二损失值、第三损失值和第四损失值各自的权重，从而优化模型训练。进一步地，可利用加权交叉熵(weighted cross entropy)损失函数来计算模型损失值，但本公开不限于此。在训练的过程中，通过包含正常动作注释信息、误动注释信息、拒动注释和正常未动作注释信息的保护动作标签来计算模型损失值，并在此基础上调整保护动作监测模型的参数，能够有效避免模型过拟合。
[0046]
状态确定单元140可用于根据继电保护设备当前的保护动作状态概率，确定继电保护设备的保护动作状态，从而对继电保护设备进行在线监测。
[0047]
根据本公开的实施例，状态确定单元140还可用于执行以下步骤：将正常动作、误动、拒动和正常未动作的概率分别与预设阈值进行比较；在正常动作的概率大于预设阈值的情况下，确定继电保护设备当前的保护动作状态为正常动作；在误动的概率大于预设阈值的情况下，确定继电保护设备当前的保护动作状态为误动，并发出第一告警信号；在拒动的概率大于预设阈值的情况下，确定继电保护设备当前的保护动作状态为拒动，并发出第
二告警信号；在正常未动作的概率大于所述预设阈值的情况下，确定继电保护设备当前的保护动作状态为正常未动作。这里，预设阈值可由本领域技术人员根据实际情况来设置，例如0.95，但本公开不限于此。进一步地，本领域技术人员可根据实际情况对第一告警信号和第二告警信号进行设置，以使第一告警信号和第二告警信号之间具有明显区别，从而有助于运维人员及时分辨继电保护设备误动或拒动的情形。
[0048]
根据本公开的实施例的基于大数据的继电保护在线监测系统，能够利用智能变电站的网络报文数据，通过特定的转码规则对获取的网络报文数据进行转码处理，并基于转码后的数据，通过预先训练收敛的保护动作监测模型，准确地得到继电保护设备当前的保护动作状态，从而能够快速地分析判断出继电保护设备是否发生不正确动作事件，可靠地实现了继电保护在线监测。
[0049]
虽然已表示和描述了本公开的一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可以对这些实施例进行修改。