CN107037278A - 一种iec61850标准下的智能变电站故障诊断方法 - Google Patents

Abstract

本发明公开了一种IEC61850标准下的智能变电站故障诊断方法，实施步骤包括通过智能变电站的功能配置模型获得智能变电站的静态信息，通过智能变电站的报文获取智能变电站的动态信息，将获得的静态信息、动态信息输入训练好的基于深度学习网络的故障诊断模型中，输出智能变电站的故障诊断结果，检测故障诊断结果，如果故障诊断结果为智能变电站发生故障，则根据故障类型分类进行故障录波，并输出控制信息修复智能变电站的故障状态。本发明学习能力强、故障检测准确度高、抗噪性能好、检测速度快，尤其适用于非线性问题求解，用于模式识别和分类有很大的优越性。

Description

一种IEC61850标准下的智能变电站故障诊断方法

技术领域

本发明涉及智能变电站的故障诊断与评估技术，具体涉及一种IEC61850标准下的智能变电站故障诊断方法。

背景技术

现代电力***的规模越来越大,输电线路的电压等级越来越高,长度越来越长,输电线路所处的环境也更复杂,因此发生故障的可能性和次数也不可避免的大量增加。因此，电力故障检测算法研究具有非常重要的理论意义和广阔的应用前景。此外，为了适应数字化变电站及未来变电站自动化***发展要求，在故障诊断***中实现IEC61850通信标准,可以很大的提升变电站内智能电子设备间的互操作能力。

变电站智能化之后，其二次***结构和形态与常规变电站相比发生革命性变化，表现为物理的通信网络承载功能逻辑信号，常规二次回路变为通信网络，信号之间的连接变为虚拟端子和虚拟回路。网络物理拓扑与功能信息及信号的输入输出之间不再存在一一对应关系，传统的故障诊断及评估方法大多是基于二次电气回路的故障检测和分析，无法应用于智能变电站，导致对智能变电站故障检测和分析等业务很难开展。同时，现有的变电站故障诊断方法大多仅利用变电站内一次设备本身的运行状态及告警信息抑或利用断路器动作情况及故障报告来进行故障诊断，给出设备故障的概率。智能变电站二次***结构的变化及其对管理和维护手段的自动化和智能化要求提高，使传统的故障诊断和评估方法在诊断深度和诊断方法上已不能满足变电站智能化运行的需求。目前故障诊断算法很多，但是仍然存在两个问题：1)普通算法虽然计算简单，但是其鲁棒性差，易受噪声影响；2)智能算法的适应性差，缺乏自学习能力。为了解决这些问题，有必要设计一个适应性强，鲁棒性高的方法。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种学习能力强、故障检测准确度高、抗噪性能好、检测速度快，尤其适用于非线性问题求解，用于模式识别和分类有很大的优越性的IEC61850标准下的智能变电站故障诊断方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种IEC61850标准下的智能变电站故障诊断方法，实施步骤包括：

1)通过智能变电站的功能配置模型获得智能变电站的静态信息，所述静态信息包括智能变电站主接线拓扑、一次设备和二次装置的物理和逻辑关联信息、通信网络基本信息；

2)通过智能变电站的报文获取智能变电站的动态信息，所述动态信息包括一次设备的运行信息、断路器和隔离开关的位置、保护和控制装置的动作信息、网络流量信息；

3)将获得的静态信息、动态信息输入训练好的基于深度学习网络的故障诊断模型中，输出智能变电站的故障诊断结果，所述基于深度学习网络的故障诊断模型中训练包含了静态信息、动态信息和智能变电站的故障诊断结果之间的分类映射关系；

4)检测故障诊断结果，如果故障诊断结果为智能变电站发生故障，则根据故障类型分类进行故障录波，并输出控制信息修复智能变电站的故障状态。

优选地，步骤3)中基于深度学习网络的故障诊断模型为受限玻尔兹曼机模型，所述受限玻尔兹曼机模型由可视层v和隐层h组成，可视层v包含m个可视层单元v₁～v_m，隐层h包含n个隐层单元h₁～h_n，可视层v的偏置向量a{a₁～a_n}，隐层单元的偏置向量b{b₁～b_m}，可视层v和隐层h同层单元节点间均没有连接，可视层单元和隐层单元之间的边的权重W，且针对受限玻尔兹曼机模型采用对比散度法进行训练。

本发明IEC61850标准下的智能变电站故障诊断方法具有下述优点：

1、本发明利用深度学习网络特征学习能力强，故障检测准确度高，抗噪性能好等优点，在该模型的基础上设计IEC61850标准下的智能变电站故障诊断方法，将采集的智能变电站信息作为深度学习网络输入，从而方便快捷地完成故障诊断，具有学习能力强、故障检测准确度高、抗噪性能好、检测速度快的优点。

2、本发明基于深度学习网络构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性，易获得全局最优解，适用于非线性问题求解，用于模式识别和分类有很大的优越性。

附图说明

图1为本发明实施例方法的基本流程示意图。

图2为本发明实施例方法的受限玻尔兹曼机模型示意图。

图3为本发明实施例方法的深度学习网络迭代曲线。

图4为本发明实施例方法的效果比较示意图。

具体实施方式

如图1所示，本实施例IEC61850标准下的智能变电站故障诊断方法的实施步骤包括：

1)通过智能变电站的功能配置模型获得智能变电站的静态信息，静态信息包括智能变电站主接线拓扑、一次设备和二次装置的物理和逻辑关联信息、通信网络基本信息；

2)通过智能变电站的报文获取智能变电站的动态信息，动态信息包括一次设备的运行信息、断路器和隔离开关的位置、保护和控制装置的动作信息、网络流量信息；

3)将获得的静态信息、动态信息输入训练好的基于深度学习网络的故障诊断模型中，输出智能变电站的故障诊断结果，基于深度学习网络的故障诊断模型中训练包含了静态信息、动态信息和智能变电站的故障诊断结果之间的分类映射关系；

4)检测故障诊断结果，如果故障诊断结果为智能变电站发生故障，则根据故障类型分类进行故障录波，并输出控制信息修复智能变电站的故障状态。

本实施例步骤3)中基于深度学习网络的故障诊断模型为受限玻尔兹曼机模型，受限玻尔兹曼机模型由可视层v和隐层h组成，可视层v包含m个可视层单元v₁～v_m，隐层h包含n个隐层单元h₁～h_n，可视层v的偏置向量a{a₁～a_n}，隐层单元的偏置向量b{b₁～b_m}，可视层v和隐层h同层单元节点间均没有连接，可视层单元和隐层单元之间的边的权重W，且针对受限玻尔兹曼机模型采用对比散度法进行训练。如图2所示，本实施例的受限玻尔兹曼机模型由可视层v(v₁～v_m)和隐层h(h₁～h_n)组成，可视层v₁～v_m间没有连接，隐层h₁～h_n间没有连接，可视层单元的偏置向量a(a₁～a_n)，隐层单元的偏置向量b(b₁～b_m)，可视层v_m、隐层h_n之间的边的权重w_nm。

对于受限玻尔兹曼机模型而言，当输入v时，根据p(h|v)得到隐层h；得到隐层h之后，通过p(v|h)又能够得到可视层。受限玻尔兹曼机模型(RBM)是一种基于能量模型，受限玻尔兹曼机模型的可视变量v和隐藏变量h的联合配置的能量如式(1)所示；

式(1)中，E(v,h)表示可视变量v和隐藏变量h的联合配置的能量，a_i表示第i个可视变量v_i的偏置参数，v_i表示第i个可视变量，b_j表示第j个隐藏变量h_j的偏置参数，h_j表示第j个隐藏变量，w_ij表示第i个可视变量v_i、第j个隐藏变量h_j之间的边的权重。

通常，受限玻尔兹曼机模型的参数可表示为θ＝{W,a,b}，其中W为可见单元和隐藏单元之间的边的权重，a和b分别为可见单元和隐藏单元的偏置向量。从可视层v和隐藏层h的联合配置的能量可以得到v和h的联合概率如式(2)所示；

式(2)中，P_θ(v,h)表示v和h的联合概率，Z(θ)表示参数θ的规则化系数，E(v,h；θ)表示参数θ下的可视变量v和隐藏变量h的联合配置能量。通过训练受限玻尔兹曼机模型参数，可使受限玻尔兹曼机模型获得最优性能。

并行回火采样对受限玻尔兹曼机模型训练是一种很有效率的方法。在训练过程中，每个温度对应一条吉布斯链并使用并行回火的方法采样。每条吉布斯链对应一个不同的温度t_i，t_i满足1＝t₁<……<t_i<……<t_M-1<t_M，不同温度链之间根据一定的条件决定是否交换采样值。根据式(2)，在不同的温度下，并行回火受限玻尔兹曼机模型联合概率如式(3)所示；

式(3)中，P_r(v,h)表示模型联合概率，Z(t_i)表示参数t_i的规则化系数，t_i表示温度，E(v,h；θ)表示参数θ下的可视变量v和隐藏变量h的联合配置能量，M表示吉布斯链的个数。

受限玻尔兹曼机模型的并行回火蒙特卡罗算法包括两个阶段：

1、Metropolis-Hastings采样阶段：根据已有的采样值计算当前温度的下一个采样点，基本采样计算公式如式(4)所示；

式(4)中，xⁱ⁺¹表示第i+1个采样点，xⁱ表示第i个采样点，Metropolis-Hastings表示采样函数，表示均值为0、方差为的正态分布函数，t_k表示温度。

2、交换阶段：采样完成之后，计算温度集内的两个相邻的温度(t_r和t_r-1)下的显隐层节点(v_r,h_r)与(v_r-1,h_r-1)是否满***换的条件，并行回火受限玻尔兹曼机模型的交换条件如式(5)所示；

式(5)中，t_r和t_r-1表示温度集内的两个相邻的温度，E(v_r,h_r)表示可视变量v_r和隐藏变量h_r的联合配置的能量，E(v_r-1,h_r-1)表示可视变量v_r-1和隐藏变量h_r-1的联合配置的能量。如果满足式(5)所示条件，就把相邻的温度链下的采样点交换，否则不交换。经过多次循环采样、交换，最终将t₁＝1温度下的采样值用于受限玻尔兹曼机模型预训练模型参数θ，采用并行回火获取的目标采样值可使受限玻尔兹曼机模型训练获得较好的应用效果。通过将式(1)的受限玻尔兹曼机模型的参数θ_RBM＝{W,a,b}中的显层节点与隐层之节点间的连接权值W乘以温度β，整个模型的参数变为θ_RBM-PT＝{βW,a,b}，对于偏置权值a和b并未改变。此时，并行回火算法可与受限波尔兹曼机有机结合，改善训练效率。

为了改善深度学习网络识别效果，首先对本实施例IEC61850标准下的智能变电站故障诊断方法的基于深度学习网络的故障诊断模型(受限玻尔兹曼机模型)进行训练。本文随机选取训练样本300个和测试样本100个。将随机选取的训练样本带入受限玻尔兹曼机模型进行训练，最大训练次数为5000次，训练目标误差为10^-5。图3为深度学习网络迭代曲线，由图3可知，经过612次训练后，受限玻尔兹曼机模型的均方误差收敛至预期误差要求。取测试样本对训练好的受限玻尔兹曼机模型进行验证，得到故障识别模型。

为了验证本实施例IEC61850标准下的智能变电站故障诊断方法的鲁棒性，将本实施例IEC61850标准下的智能变电站故障诊断方法(图中简称为提出方法)分别比较了另外两种算法(小波系数法，神经网络法)的故障检测性能。每次测试计算5种信噪比，信号的信噪比为-10dB到10dB。图4为故障检测算法效果比较示意图，从图4可知，随着信噪比的降低，本实施例IEC61850标准下的智能变电站故障诊断方法的故障检测率不断降低。从算法角度比较，本实施例IEC61850标准下的智能变电站故障诊断方法的故障检测率最高，神经网络算法次之，小波系数法检测率最低。对比故障检出率，本实施例IEC61850标准下的智能变电站故障诊断方法的故障检测率比神经网络算法高17.8％，比小波系数法高10.4％。

综上所述，本实施例IEC61850标准下的智能变电站故障诊断方法构建IEC61850标准下的基于深度学习网络的故障诊断模型(受限玻尔兹曼机模型)，通过采集智能变电站设备的电压、电流、频率等静态及动态参数，将静态及动态参数输入基于深度学习网络的故障诊断模型(受限玻尔兹曼机模型)中，输出故障类型；根据故障类型，输出控制信息修复变电站状态，并分类进行故障录波。本实施例IEC61850标准下的智能变电站故障诊断方法具有诊断过程清晰明了、诊断方法自我完善、诊断结果精确可靠的优点，从而提高电网安全性。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种IEC61850标准下的智能变电站故障诊断方法，其特征在于实施步骤包括：

1)通过智能变电站的功能配置模型获得智能变电站的静态信息，所述静态信息包括智能变电站主接线拓扑、一次设备和二次装置的物理和逻辑关联信息、通信网络基本信息；

2)通过智能变电站的报文获取智能变电站的动态信息，所述动态信息包括一次设备的运行信息、断路器和隔离开关的位置、保护和控制装置的动作信息、网络流量信息；

3)将获得的静态信息、动态信息输入训练好的基于深度学习网络的故障诊断模型中，输出智能变电站的故障诊断结果，所述基于深度学习网络的故障诊断模型中训练包含了静态信息、动态信息和智能变电站的故障诊断结果之间的分类映射关系；

4)检测故障诊断结果，如果故障诊断结果为智能变电站发生故障，则根据故障类型分类进行故障录波，并输出控制信息修复智能变电站的故障状态。

2.根据权利要求1所述的IEC61850标准下的智能变电站故障诊断方法，其特征在于，步骤3)中基于深度学习网络的故障诊断模型为受限玻尔兹曼机模型，所述受限玻尔兹曼机模型由可视层v和隐层h组成，可视层v包含m个可视层单元v₁～v_m，隐层h包含n个隐层单元h₁～h_n，可视层v的偏置向量a{a₁～a_n}，隐层单元的偏置向量b{b₁～b_m}，可视层v和隐层h同层单元节点间均没有连接，可视层单元和隐层单元之间的边的权重W，且针对受限玻尔兹曼机模型采用对比散度法进行训练。