CN113449044A - 基于学习推理机的智能站设备检修安措自动生成方法及装置 - Google Patents
基于学习推理机的智能站设备检修安措自动生成方法及装置 Download PDFInfo
- Publication number
- CN113449044A CN113449044A CN202110570297.5A CN202110570297A CN113449044A CN 113449044 A CN113449044 A CN 113449044A CN 202110570297 A CN202110570297 A CN 202110570297A CN 113449044 A CN113449044 A CN 113449044A
- Authority
- CN
- China
- Prior art keywords
- equipment
- safety measure
- maintenance
- stopping
- accompanying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000003825 pressing Methods 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 claims description 4
- 238000009411 base construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 241000272814 Anser sp. Species 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 108010006519 Molecular Chaperones Proteins 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于学习推理机的智能站设备检修安措自动生成方法。根据选定的检修设备,从关联陪停库和关联运行库内查找检修设备对应的关联陪停设备和关联运行设备,采集检修设备及对应的关联陪停设备和关联运行设备的运行信息;将采集到的运行信息输入由神经网络模型训练生成的推理机,获得各类设备对应的推理结果;由解释器基于安全措施规则知识库解释推理结果生成检修设备及对应的关联陪停设备和关联运行设备的安措;将检修安措信息以图形化展示。本方法能自动生成待检设备所需安措,有效降低了检修测试人员制定不正确安措带来的设备运行风险。
Description
技术领域
本发明属于电力***继电保护技术领域,具体涉及一种基于学习推理机的智能站设备检修安措自动生成方法,还涉及一种基于学习推理机的智能站设备检修安措自动生成装置。
背景技术
变电站是电网体系中的一个关键枢纽环节。随着智能变电站的逐年推广和投运,对智能站定期进行检修测试成为了电网公司的一项重要任务。由此,在检修测试智能变电站相关设备的工作过程时对于变电站内的其他关联设备的安全问题,也是检修人员在进行作业时必须考虑的重要方面。在制定方面智能变电站与传统变电站有很大的不同,目前对智能变电站现场工作制定了通用原则或技术要求,而在现场工作中,需要二次检修人员根据现场运行方式、设备运行状态、以及工作方式的不同,手工编制全站安全措施票,存在工作量巨大的同时,正确性也无法得到保障。
从现阶段变电站检修工作人员制定安措票方式总结,可以将工作方法分成两种:第一种是作业人员凭借过往经验及其专业能力来制定安措;第二种是基于事先编制的典型检修测试安措票对应待检修对象,采用一致性套用的原则制定检修安措票,即相同对象则使用同一张过往安措票,当待作业设备的检修测试条件与过往已制定的存在差异时,此时仍由作业人员依照检修规定进行现场更改,制定新安措票。第一种方法所编写安措票的完整性对检修测试专业人员专业素质有强大的依赖性,不同操作人员专业水平的不同会直接影响安措票的完整性。第二种方法制定的安措票缺乏灵活性,当检修对象的某些检修测试条件发生变化时,仍需技术人员临时添加安措项。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种基于学习推理机的智能站设备检修安措自动生成方法,基于推理机和解释器自动生成检修设备及对应的关联陪停设备和关联运行设备的安措。
为解决上述技术问题,本发明提供了如下技术方案。
第一方面,本发明提供了一种基于学习推理机的智能站设备检修安措自动生成方法,包括以下过程:
分析智能变电站结构和功能特点,依据智能变电站标准安全措施,确定面向设备的安措范围和安措规则,形成安全措施规则知识库;
根据站内设备关系确定各检修设备及检修设备对应的关联陪停设备和关联运行设备,形成检修设备对应的关联陪停库和关联运行库;
获取选定的检修设备,并从关联陪停库和关联运行库内查找检修设备对应的关联陪停设备和关联运行设备,采集检修设备及对应的关联陪停设备和关联运行设备的运行信息;
将采集到的运行信息输入由神经网络模型训练生成的推理机,获得各类设备对应的推理结果;
由解释器基于安全措施规则知识库解释推理结果生成检修设备及对应的关联陪停设备和关联运行设备的安措。
可选的,利用SCD设备名模糊近似匹配技术查找检修设备对应的关联陪停设备和关联运行设备。
可选的,所述推理机的网络结构按照检修设备的一二次设备不同类型确定。
可选的,还包括对推理结果进行筛选:
(1)执行安措的顺序为:一次设备、关联运行二次设备、关联陪停二次设备、检修二次设备、拔光纤;
(2)检修作业中展示同类设备的顺序为:调度编号从小到大、先高电压等级后低电压等级、处理完一个间隔内设备后处理下个间隔设备;
(3)若一次设备需进行检修或与其它作业存在信息交互需要关联陪停时,应执行该设备所有安措;
(4)关联运行设备的安措包括退出与检修设备有信息交互的输入输出压板;
(5)与待检修设备存在信息交互的关联陪停设备压板均需退出。
可选的,还包括:将安措结果图形化展示。
可选的,检修设备、关联陪停、关联运行设备的安措分类展示。
第二方面,本发明还提供了一种基于学习推理机的智能站设备检修安措自动生成装置,包括:
知识库构建模块,用于分析智能变电站结构和功能特点,依据智能变电站标准安全措施,确定面向设备的安措范围和安措规则,形成安全措施规则知识库;
关联设备确定模块,用于根据站内设备关系确定各检修设备及检修设备对应的关联陪停设备和关联运行设备,形成检修设备对应的关联陪停库和关联运行库;
信息采集模块,用于获取选定的检修设备,并从关联陪停库和关联运行库内查找检修设备对应的关联陪停设备和关联运行设备,采集检修设备及对应的关联陪停设备和关联运行设备的运行信息;
推理计算模块,用于将采集到的运行信息输入由神经网络模型训练生成的推理机,获得各类设备对应的推理结果;
安措生成模块,用于由解释器基于安全措施规则知识库解释推理结果生成检修设备及对应的关联陪停设备和关联运行设备的安措。
与现有技术相比,本发明所达到的有益效果是:本发明根据实际检修工作场景选择检修设备和检修任务后,对变电站设备数据进行分析,利用设备关联关系及设备名称模糊匹配得出关联陪停设备、关联运行设备。构建基于双层神经网络算法的学习推理机,利用检修边界概念实现安措自动生成并图形化展示,可与检修测试工作人员开具的安措票进行对比,降低检修测试工作者制定不正确安措带来的设备运行风险。
附图说明
图1为线路保护装置功能关联关系示意图;
图2为推理机模式***结构示意图;
图3为双层神经网络结构示意图;
图4为本发明方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供了一种基于学习推理机的智能站检修安措自动生成方法,根据实际检修工作场景选择检修设备和检修任务后,对变电站设备数据进行分析,利用设备关联关系及设备名称模糊匹配得出关联陪停设备、关联运行设备。构建基于双层神经网络算法的学习推理机,利用检修边界概念实现安措自动生成并图形化展示,可与检修测试工作人员开具的安措票进行对比,降低检修测试工作者制定不正确安措带来的设备运行风险。
本发明的一种基于学习推理机的智能站检修安措自动生成方法,参见图4所示,包括:
步骤1,分析智能变电站结构和功能特点,依据从业人员经验及智能变电站标准安全措施,构建面向设备的安全措施规则知识库;知识库包括一二次设备运行状态定义、二次设备安全措施范围、GOOSE链路安措规则、SV链路安措规则。此知识库用于定义神经网络输入变量结构。
二次设备运行状态定义包括:
(1)保护装置设置跳闸、信号和停用三种状态,具体含义为:
保护装置跳闸,是指保护装置交直流回路正常,主保护及后备保护功能软压板投入,跳闸、启失灵GOOSE软压板投入,取下检修压板;
保护装置信号,是指保护装置交直流回路正常,主保护及后备保护功能软压板投入,跳闸、启失灵GOOSE软压板退出,取下检修压板;
保护装置停用,是指保护装置交直流回路正常,主保护及后备保护功能软压板退出,跳闸、启失灵GOOSE软压板退出,放上检修压板;
(2)智能终端设置跳闸、信号和停用三种状态,具体含义为:
智能终端跳闸,是指智能终端直流回路正常,放上跳合闸出口硬压板,取下检修压板;
智能终端信号,是指智能终端直流回路正常,取下跳合闸出口硬压板,取下检修压板;
智能终端停用,是指智能终端直流回路正常,取下跳合闸出口硬压板,放上检修压板;
(3)合并单元装置设置跳闸、停用两种状态,具体含义为:
合并单元装置跳闸,是指合并单元直流回路正常,取下检修压板;
合并单元装置停用,是指合并单元直流回路正常,放上检修压板;
(4)线路保护设置跳闸、信号两种状态,具体含义为:
跳闸是指线路保护重合闸出口软压板投入,停用重合闸软压板退出;
信号是指线路保护重合闸出口软压板退出,停用重合闸软压板投入;
一次设备运行状态包括:
(1)开关冷备用,是指开关间隔内的开关及其两侧闸刀都在断开位置,并取下该开关间隔的母差保护GOOSE出口软压板、失灵保护GOOSE接收软压板;
(2)开关检修,是指开关间隔内的开关及其两侧闸刀都在断开位置,开关两侧合上接地闸刀,并取下该开关间隔的母差保护GOOSE出口软压板、失灵保护GOOSE接收软压板、SV接收软压板。
一次设备安措包含:
(1)拉开操作电源安措
(2)拉开控制电源安措
(3)合地刀安措
(4)挂接地线安措
根据国家电网公司所提出的《智能变电站继电保护和电网安全自动装置现场工作保安规定》,制定智能站二次设备检修安措的规则如下:
规则1:退出检修设备保护功能压板。
规则2:退出检修设备与关联运行设备的起失灵软压板。
规则3:退出检修设备与关联运行设备之间的失灵联跳软压板。
规则4:退出检修设备与关联运行设备间的其他的跳闸软压板。
规则5:退出检修设备出口硬压板。
规则6:退出关联运行设备对检修设备的SV接收软压板。
规则7:投入所有检修设备的检修压板等。
根据规则,具体二次设备安措范围为:
(1)二设备安措包含:
a.断开软硬压板以及发送、接收压板信息。压板包括GOOSE软压板、SV接收软压板、功能压板、出口硬压板、检修硬压板等;
b.拔光纤。
(2)二次设备检修安措主要是针对检修设备与运行设备间过程层的链路做隔离措施。根据SCD虚端子连接查找待检修设备与关联运行设备之间的过程层链路关系。链路两端均为检修设备,不需要制定对应的安全隔离措施,链路一侧检修另一侧运行(包含关联陪停和关联运行),此链路需根据具体安措规则进行隔离;查找待隔离的过程层设备连接关系,生成对应的安措链路表。安措链路按功能划分为GOOSE链路和SV链路,其中:
GOOSE链路安措规则:
线路保护装置检修时,需要退出保护装置的输出压板,诸如“保护跳闸软压板”、“启失灵软压板”、“重合闸软压板”、“三相不一致软压板”、“永跳软压板”等,以及保护装置的功能压板诸如“差动保护”、距离保护”、“零序过流”、“停用重合闸”等。
SV链路安措规则:
(1)间隔一次设备运行,若该间隔合并单元检修,接收该间隔合并单元发送的SV链路的“关联运行二次装置”需“退出运行”作为关联陪停设备。
(2)间隔一次设备停运,若该间隔合并单元检修,接收该间隔合并单单元发送的SV链路的“关联运行二次装置”需退出该SV链路的接收压板;
(3)母线合并单元检修时,接收该母线合并单元SV链路的“关联运行二次装置”需“退出运行”,接收该母线合并单元SV链路的间隔合并单元置“检修标志”,接收检修标志的合并单元(可能为母线或间隔)置检修标志。
(4)检修装置接收运行合并单元(可能为母线或间隔)的SV不用做安全隔离措施。
步骤2,根据站内设备关系划分不同类型设备,通过对SSD(***配置文件)、SCD(变电站配置文件)文件的解析,分析文件内部内容总结构建站内设备配置信息,接线形式及交互关系等内容建立设备关联陪停库、关联运行库;
对设备类型定义为:
(1)检修测试设备:
在制定检修计划时最终实施作业的电气设备。
(2)关联陪停设备:
在检修测试工作中,对于某个设备按照规定计划实施方案进行时,其方案实施时产生的结果可能对站内其他的正常运行设备功能产生影响而出现非预期结果,造成更加严重的后果,为了保证变电站能够安全稳定运行,需要对可能会在对设备检修时误动或引起故障的其他设备进行退出。并且在工作过程中,此类设备需一直保持退出状态,不得在此类设备上进行工作。
(3)关联运行设备
上述两种类型设备间,存在输入输出传输数据关联,可能会受到如(2)类关联陪停设备在进行检修时造成的本设备功能影响的设备。因此,可根据上面描述将此类设备归为两类:与检修二次设备存在信息互操作以及与关联陪停的二次设备存在信息互操作的运行设备。
通过对SSD(***配置文件)、SCD(变电站配置文件)文件的解析,分析文件内部内容总结构建站内设备配置信息,接线形式及交互关系等内容建立检修设备的关联陪停库、关联运行库。
以220kV线路保护装置为例,与线路相关的变电站设备关联关系示意图如图1所示。当线路保护装置检测故障发生时,向与其有信息交互关系的装置发送相关信息,这些装置包括线路合并单元、线路与母线间交换机、线路与监控后台连接交换机、线路智能终端。因此保护装置需进行检修测试时上述都需要纳入关联陪停设备。根据图中关系可为检修测试边界划分及相关设备分类、安措制定提供基础。
关联陪停设备库结构如下:
表1关联陪停设备库结构
字段 | 说明 |
检修设备描述 | 检修设备的中文描述,例如”线路保护”,“测控装置” |
检修设备别称 | 检修设备的符号描述,例如“PL”,“ML”,支持多种 |
关联陪停设备描述 | 同检修设备描述,这里是关联陪停设备的中文描述 |
关联陪停设备别称 | 同检修设备的别称,这里是关联陪停设备的符号描述 |
是否同间隔 | 标示陪停设备与检修设备是否默认具有一致的编号 |
在构建设备关联陪停库时不可能完全按照变电站SCD中的设备模型来定义。只能按照抽象的设备类型定义,如“220kV线路保护”。首先根据检修设备,在关联陪停库中匹配到对应的设备类型;然后根据此设备类型查找对应的关联陪停设备类型,最后从SCD中找出具体关联陪停设备。220kV智能站关联陪停库所需列出检修设备描述和别称如下表:
表2 220kV智能站设备关联陪停库检修设备表
描述 | 别称 |
220kV线路保护装置A、B套 | PL22A、PL22B |
220kV合并单元A、B套 | ML22A、ML22B |
220kV智能终端A、B套 | IL22A、IL22B |
220kV母线保护A、B套 | PM22A、PM22B |
220kV母联保护A、B套 | PF22A、PF22B |
110kV线路保护测控装置 | SL11 |
110kV线路合智一体装置 | ML11 |
主变保护装置A、B套 | PTA、PTB |
对于SCD具体设备名称与抽象设备名称的匹配问题可采用模糊匹配方式处理。首先定义从原字符转换到目标字符所需最少操作数为N,操作包括删除、替换、***等。记原字符和目标字符中较长者长度为L(字符个数),则可定义两个字符串相似度根据SCD设备描述,关联陪停库中相近关键字相似度计算结果如下:
表3设备描述相似度表
根据表3别称相似度计算结果如下:
表4别称相似度表
别称字符 | 操作数 | 相似度(%) |
PL22A | 2 | 71.4 |
PL22B | 3 | 57.1 |
PM22A | 3 | 57.1 |
PT | 6 | 14.3 |
PF22A | 3 | 57.1 |
以上设备描述相似度与别称相似度两表比较取相似度较高者匹配220kV线路保护A套。
利用SCD设备名模糊近似匹配技术查找关联陪停设备,步骤如下:
a.根据检修设备,在关联陪停库中匹配对应设备类型;
b.根据设备类型查找关联陪停设备类型;
c.定义字符相似度;
d.在SCD中根据设备名模糊近似匹配查找具体关联陪停设备。
关联运行设备的查找采用同样的原理。
步骤3,建立双层神经网络算法推理机,输入为待检修设备参数,输出为检修安措。
推理机学习训练及推理检修设备安措过程如图2所示。首先基于步骤1中知识库所述规则来定义神经网络输入及输出层神经元个数,从而确立神经网络输入输出向量结构。再将领域专家解决问题的实例以及《智能变电站继电保护和安全自动装置现场检修安全措施指导意见》对于变电站站内装置的安措样例作为样本对推理机进行训练,使同样输入的情况下,神经网络获得与专家解答尽可能相同的输出。通过学习训练获得神经网络权值,通过经验获得阈值参数。选定检修设备后,并从关联陪停库和关联运行库内查找检修设备对应的关联陪停设备和关联运行设备,采集检修设备及对应的关联陪停设备和关联运行设备的运行信息;
输入推理机进行推理,输出结果经解释器生成具体安措步骤。最后在界面上对安措信息进行图形化展示。
为了避免神经网络连接权数与样本组合数过大,将待检设备按不同子类构建神经网络结构。这些子类包括不限于:
1.地刀
2.开关
3.主变
4.母线
5.合并单元
6.保测一体装置
7.保护装置
8.测控装置
9.智能终端
10.合智一体装置
其中1~4为一次设备,根据步骤1知识库中安措规则可定义其神经网络输出层神经元数量为4,输出向量结构如下表:
表5一次设备安措输出向量结构
5~10为二次设备,根据步骤1知识库中安措规则可定义其神经网络输出层数量为6,输出向量结构如下表:
表6二次设备安措输出向量结构
以保护装置为例,构建的双层神经网络结构如图3所示。定义输入层神经元数量为9,隐含层神经元数量为6,输出层神经元数量为6。为了将输入的逻辑概念变换为固定模式的输入向量,先根据定义域特点确定变换规则,再根据规则将样本状态变为输入向量。
保护装置依据设备间输入输出关系包括根据SCD虚端子连接查找待检修设备与关联运行设备间的过程层链路关系、待隔离的过程层设备连接关系等,以及步骤1知识库中所述设备运行状态定义,建立保护装置输入向量结构下表:
表7线路保护样本输入向量结构
神经网络能够类似生物神经的神经元进行自学习过程,各层输出由通往该层各路径权重w和对应函数决定。结构如图3所示。
隐含层神经元输出为:
输出层神经元输出为:
路径权重w通过误差反传算法来学习,阈值θ根据经验选取。训练后的参数值保存在***中。利用推理机对此例线路保护进行推理,推理结果为:
Y1 | Y2 | Y3 | Y4 | Y5 | Y6 |
0.891 | 0.357 | 0.788 | 0.693 | 0.126 | 0.238 |
推理结果只有符合基准规则才能由解释器生成正确安措票,基准规则包括不限于:
(1)执行安措的顺序为:一次设备、关联运行二次设备、关联陪停二次设备、检修二次设备、拔光纤;
(2)检修作业中展示同类设备的顺序为:调度编号(接入电网设备的统一编号)从小到大、先高电压等级后低电压等级、处理完一个间隔内设备后处理下个间隔设备;
(3)若一次设备需进行检修或与其它作业存在信息交互需要关联陪停时,应执行该设备所有安措;
(4)关联运行设备的安措包括退出与检修设备有信息交互的输入输出压板;
(5)与待检修设备存在信息交互的关联陪停设备压板均需退出。
解释器根据步骤1知识库所述规则生成线路保护装置检修具体安措如下:
表8线路保护装置检修测试安措
次序 | 二次设备隔离安措 |
1 | 220kV线路保护装置A套SV接收软压退出 |
2 | 220kV线路保护装置A套启动失灵软压板退出 |
3 | 220kV线路保护装置A套跳闸出口硬压板退出 |
4 | 220kV线路保护装置A套检修硬压板投入 |
步骤4,确定检修边界并将检修安措信息图形化展示。
检修边界为检修设备与关联陪停设备、关联运行设备的信息交互边界。所有检修安全措施作用于检修边界上的信息交互点。根据检修库、关联陪停库、关联运行库以及推理结果,确定设备间检修边界;用于安措票的图形化展示,检修设备、关联陪停、关联运行设备的安措分类展示,边界清晰。
安措信息图形展示功能包括:
(1)自动生成的检修设备安措按检修设备、关联陪停设备、关联运行设备三种分类展示;
(2)生成的检修安措显示当前运行需要执行的安措条例;
(3)将检修设备安措及对应检修边界以逻辑图形式呈现,图像显示安措信息与文字显示安措信息有联动对应关系。
在检修安措信息图形化界面上,当选中二次设备中的某保护装置时,在检修设备列表、陪停设备列表以及关联设备列表中均出现相对应设备。
点击“校核验证”按钮,切换到安措的验证界面。***将待检修装置的安措及对应检修边界图形化呈现,将逻辑模型转换成图像模型。
界面图像模型所展示的检修边界的安措信息与文字显示的检修安措具有一一对应关系,即检修装置变化或者发生其他安措变化时,对应显示内容将跟随发生变化。通过此种方式可让检修操作者根据图像直观的对所制定的安措合理性进行判断。
实施例2
基于与实施例1同样的发明构思,本发明的一种基于学习推理机的智能站设备检修安措自动生成装置,包括:
知识库构建模块,用于分析智能变电站结构和功能特点,依据智能变电站标准安全措施,确定面向设备的安措范围和安措规则,形成安全措施规则知识库;
关联设备确定模块,用于根据站内设备关系确定各检修设备及检修设备对应的关联陪停设备和关联运行设备,形成检修设备对应的关联陪停库和关联运行库;
信息采集模块,用于获取选定的检修设备,并从关联陪停库和关联运行库内查找检修设备对应的关联陪停设备和关联运行设备,采集检修设备及对应的关联陪停设备和关联运行设备的运行信息;
推理计算模块,用于将采集到的运行信息输入由神经网络模型训练生成的推理机,获得各类设备对应的推理结果;
安措生成模块,用于由解释器基于安全措施规则知识库解释推理结果生成检修设备及对应的关联陪停设备和关联运行设备的安措。
本发明装置中各模块的具体实现方案参见实施例1方法中各步骤处理过程。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、设备(***)、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。
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。
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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (7)
1.一种基于学习推理机的智能站设备检修安措自动生成方法,其特征是,包括以下过程:
分析智能变电站结构和功能特点,依据智能变电站标准安全措施,确定面向设备的安措范围和安措规则,形成安全措施规则知识库;
根据站内设备关系确定各检修设备及检修设备对应的关联陪停设备和关联运行设备,形成检修设备对应的关联陪停库和关联运行库;
获取选定的检修设备,并从关联陪停库和关联运行库内查找检修设备对应的关联陪停设备和关联运行设备,采集检修设备及对应的关联陪停设备和关联运行设备的运行信息;
将采集到的运行信息输入由神经网络模型训练生成的推理机,获得各类设备对应的推理结果;
由解释器基于安全措施规则知识库解释推理结果生成检修设备及对应的关联陪停设备和关联运行设备的安措。
2.根据权利要求1所述的一种基于学习推理机的智能站设备检修安措自动生成方法,其特征是,利用SCD设备名模糊近似匹配技术查找检修设备对应的关联陪停设备和关联运行设备。
3.根据权利要求1所述的一种基于学习推理机的智能站设备检修安措自动生成方法,其特征是的,所述推理机的网络结构按照检修设备的一二次设备不同类型确定。
4.根据权利要求1所述的一种基于学习推理机的智能站设备检修安措自动生成方法,其特征是,还包括对推理结果进行筛选:
(1)执行安措的顺序为:一次设备、关联运行二次设备、关联陪停二次设备、检修二次设备、拔光纤;
(2)检修作业中展示同类设备的顺序为:调度编号从小到大、先高电压等级后低电压等级、处理完一个间隔内设备后处理下个间隔设备;
(3)若一次设备需进行检修或与其它作业存在信息交互需要关联陪停时,应执行该设备所有安措;
(4)关联运行设备的安措包括退出与检修设备有信息交互的输入输出压板;
(5)与待检修设备存在信息交互的关联陪停设备压板均需退出。
5.根据权利要求1所述的一种基于学习推理机的智能站设备检修安措自动生成方法,其特征是,还包括:将安措结果图形化展示。
6.根据权利要求5所述的一种基于学习推理机的智能站设备检修安措自动生成方法,其特征是,检修设备、关联陪停、关联运行设备的安措分类展示。
7.一种基于学习推理机的智能站设备检修安措自动生成装置,其特征是,包括:
知识库构建模块,用于分析智能变电站结构和功能特点,依据智能变电站标准安全措施,确定面向设备的安措范围和安措规则,形成安全措施规则知识库;
关联设备确定模块,用于根据站内设备关系确定各检修设备及检修设备对应的关联陪停设备和关联运行设备,形成检修设备对应的关联陪停库和关联运行库;
信息采集模块,用于获取选定的检修设备,并从关联陪停库和关联运行库内查找检修设备对应的关联陪停设备和关联运行设备,采集检修设备及对应的关联陪停设备和关联运行设备的运行信息;
推理计算模块,用于将采集到的运行信息输入由神经网络模型训练生成的推理机,获得各类设备对应的推理结果;
安措生成模块,用于由解释器基于安全措施规则知识库解释推理结果生成检修设备及对应的关联陪停设备和关联运行设备的安措。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570297.5A CN113449044A (zh) | 2021-05-25 | 2021-05-25 | 基于学习推理机的智能站设备检修安措自动生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570297.5A CN113449044A (zh) | 2021-05-25 | 2021-05-25 | 基于学习推理机的智能站设备检修安措自动生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113449044A true CN113449044A (zh) | 2021-09-28 |
Family
ID=77810169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110570297.5A Pending CN113449044A (zh) | 2021-05-25 | 2021-05-25 | 基于学习推理机的智能站设备检修安措自动生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449044A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965504A (zh) * | 2021-10-25 | 2022-01-21 | 国网福建省电力有限公司检修分公司 | 一种变电站网络设备安全加固验收方法及*** |
CN115460042A (zh) * | 2022-09-30 | 2022-12-09 | 国家电网有限公司 | 基于试验专用网络的智能变电站保护试验方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293415A (zh) * | 2013-05-23 | 2013-09-11 | 江西中能电气科技有限公司 | 一种基于神经网络专家***的微逆变器故障检测方法 |
CN106159759A (zh) * | 2016-07-13 | 2016-11-23 | 国网四川省电力公司电力科学研究院 | 一种自动生成智能变电站二次***检修安全措施的方法 |
CN109086889A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 基于神经网络的终端故障诊断方法、装置和*** |
US20190170822A1 (en) * | 2017-12-05 | 2019-06-06 | State Grid Hebei Electric Power Research Institute | Fully-automatic closed-loop detection method and device for intelligent substation |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111563658A (zh) * | 2020-04-10 | 2020-08-21 | 国网安徽省电力有限公司滁州供电公司 | 一种二次安措中压板可视化在线校核方法及装置 |
-
2021
- 2021-05-25 CN CN202110570297.5A patent/CN113449044A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293415A (zh) * | 2013-05-23 | 2013-09-11 | 江西中能电气科技有限公司 | 一种基于神经网络专家***的微逆变器故障检测方法 |
CN106159759A (zh) * | 2016-07-13 | 2016-11-23 | 国网四川省电力公司电力科学研究院 | 一种自动生成智能变电站二次***检修安全措施的方法 |
US20190170822A1 (en) * | 2017-12-05 | 2019-06-06 | State Grid Hebei Electric Power Research Institute | Fully-automatic closed-loop detection method and device for intelligent substation |
CN109086889A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 基于神经网络的终端故障诊断方法、装置和*** |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111563658A (zh) * | 2020-04-10 | 2020-08-21 | 国网安徽省电力有限公司滁州供电公司 | 一种二次安措中压板可视化在线校核方法及装置 |
Non-Patent Citations (3)
Title |
---|
杨向飞、赵子涵等: "基于神经网络专家***的智能变电站检修测试安措", 《中国测试》 * |
赵子涵、刘鑫等: "智能变电站二次***"一键式"安措自动生成方法", 《电测与仪表》 * |
郭炎福、黄文英等: "基于专家***的智能变电站二次检修安措票自动生成技术", 《电气技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965504A (zh) * | 2021-10-25 | 2022-01-21 | 国网福建省电力有限公司检修分公司 | 一种变电站网络设备安全加固验收方法及*** |
CN115460042A (zh) * | 2022-09-30 | 2022-12-09 | 国家电网有限公司 | 基于试验专用网络的智能变电站保护试验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tomsovic et al. | An expert system as a dispatchers' aid for the isolation of line section faults | |
Chen et al. | On-line fault diagnosis of distribution substations using hybrid cause-effect network and fuzzy rule-based method | |
CN109962443B (zh) | 一种基于scd的保护检修安措策略自动生成***及方法 | |
Ma et al. | Operational experience and maintenance of online expert system for customer restoration and fault testing | |
CN103996099B (zh) | 在培训***中对学员运行操作进行智能评估的方法 | |
CN113449044A (zh) | 基于学习推理机的智能站设备检修安措自动生成方法及装置 | |
CN111563658A (zh) | 一种二次安措中压板可视化在线校核方法及装置 | |
CN111143630A (zh) | 一种智能变电站检修安措执行状态校核方法及装置 | |
CN111832977A (zh) | 一种基于自然语言解析的检修申请自动成票方法 | |
CN107045706A (zh) | 智能变电站二次安全措施操作票自动生成方法 | |
CN108090674A (zh) | 地区电网运行方式风险评估与辅助决策方法及*** | |
Mu et al. | An online intelligent alarm-processing system based on abductive reasoning network | |
CN107104414A (zh) | 一种基于在线数据的继电保护检修辅助决策方法 | |
CN112906389B (zh) | 一种基于多维度数据分析的故障跳闸判别方法 | |
CN113848471A (zh) | 继电保护***的故障智能定位方法及*** | |
CN116453390A (zh) | 一种集控站模式下人员一站式岗位培训方法 | |
CN112528043A (zh) | 一种基于知识图谱的电网检修单结构化存储方法及*** | |
CN110070189B (zh) | 一种智能变电站保护***安措校核方法 | |
Yunguang et al. | Research on secondary circuit identification technology and condition-based maintenance mode of intelligent substation | |
CN107872022B (zh) | 针对光纤通信的变电站二次检修安全措施匹配方法 | |
CN117272571B (zh) | 一种电网新设备启动方案的可视化校核方法及*** | |
Burt et al. | Intelligent on-line decision support for distribution system control and operation | |
CN113111189B (zh) | 可解释性电网作业风险评估方法与装置 | |
Liu | Knowledge-based systems in power systems: Applications and development methods | |
Wu et al. | Research on automatic generation technology for secondary equipment of security measures of smart substation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |
|
RJ01 | Rejection of invention patent application after publication |