CN113450612A - 一种应用于继电保护培训的成套教学装置的开发方法 - Google Patents

Abstract

本发明涉及一种应用于继电保护培训的成套教学装置的开发方法，属于电力***继电保护培训技术领域。该方法包括建设电力大数据存储和计算平台、建设电网运行方式的模式库、形成基于机器学习的培训操作决策树、实现实时培训操作校验和防误等步骤。本发明能够实现培训机器人取代教师对学员形成一对一的培训辅导，结合鉴定数据的分析结论，自主确定教学的调整方向并自主生成培训课件，自动记录学员培训记录，结合后台大数据分析算法，从而有效分析判断培训学员的学习状况，易于推广应用。

Description

一种应用于继电保护培训的成套教学装置的开发方法

技术领域

本发明属于电力***继电保护培训技术领域，具体涉及一种应用于继电保护培训的成套教学装置的开发方法。

背景技术

目前在电力二次***，尤其是在二次专业技能培训方面的运用还未深入研究，对于二次专业技能的培训完全依靠专业老师采用人工理论加实操的方式结合培训。目前的教育培训机构的管理***非常落后，导致培训教学人员的分配非常不合理，造成资源浪费，严重影响培训机构的教育水平，需要一种培训教学人员的管理***，用来提高培训机构的管理效率。传统的教育培训机构是存在着一定问题的，其主要如下：教师水平参差不齐所造成的限制，教学硬件受资金的直接影响，学员实践能力不强，教育费用高，受教的时间不稳定。

因此如何克服现有技术的不足是目前电力***继电保护培训技术领域亟需解决的问题。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种应用于继电保护培训的成套教学装置的开发方法，可以事先对继保装置报文及测试仪设置报文进行监控判别，对操作过程与保护装置动作过程的数据比对及纠正，对学员提供语音指导，并进行纠正后操作的再次判别。

为实现上述目的，本发明采用的技术方案如下：

一种应用于继电保护培训的成套教学装置的开发方法，包括主流继电保护装置和主流继电保护测试仪，所述成套教学装置的开发方法包括：

第一步，建设电力大数据存储和计算平台，所述电力大数据存储和计算平台主要用于抽取和存储多种具有一定相关性的结构与非结构化的电网模型数据、电网运行数据、培训操作和运行告警数据，并采用Hadoop技术构建高性能分布式计算和存储集群；

第二步，建设电网运行方式的模式库，运用滤波算法和特征提取方法，准确描述不同电网运行方式的本质区别和特征，通过关联分析、假设检验、回归分析的技术手段，基于大数据分析平台计算描述电网运行模型参数的通用指标与区分模型对象差异的关键指标，筛选影响电网运行特征模型构建的因素，从而建立通用、标准化的电网运行方式模式库；

第三步，形成基于机器学习的培训操作决策树，运用机器学习技术和开源通用机器学习库，对各类电网运行模式下的历史培训操作记录进行学习和训练，以培训操作对象、操作影响对象和操作次序分析培训操作的结果和影响，提出培训操作特征量和电网运行模式状态关联规则提取算法，进行综合分析计算和机器学习，形成培训操作正向决策树。

第四步，实现实时培训操作校验和防误，将机器学习中的关联规则分析和决策树分析引入到继电保护装置在线培训操作中，并建立智能决策和分析***。

优选的，在步骤一中，所述电力大数据存储和计算平台提供基于map-reduce的多机多核并行计算框架，为电网运行模式识别计算和电网操作决策树的机器学习提供基础的并行计算引擎，其中，在map-reduce的mapper阶段，按照预设分片分别读取增量源数据和增量目的数据，对每一个增量源数据和/或每一个增量目的数据进行清洗转换，将增量源数据和增量目的数据分别映射为相应的key/value结构，写入map-reduce的context，其中key为增量源或增量目各自的唯一标识符序列化后的数据；在map-reduce的reducer阶段，从context中接收每一对key/value结构归约后生成的key/values结构，根据key/values结构的类型判断需进行的同步操作。

优选的，在步骤二中，采用基于Kalman滤波算法的电网信息观测方法，通过电网信息观测***在分布式电源并网点采集三相电压信号测量值，建立电网***状态空间模型，对三相电压信号经坐标变换，对kalman滤波算法中状态变量赋予初值；将两相信号输入kalman滤波器进行计算、分离，对电网同步信息进行预测和校正，在预测环节，根据***模型，由电网***之前的状态估计得到电网***当前的状态估计，在校正环节，通过实测数据，根据协方差矩阵对当前状态估计修正，得到更加精确的当前状态值，其中，在电网信息观测的过程中，通过卡尔曼滤波器将其输出值输入给三相锁频环，由三相锁频环提取基波频率，并反馈给Kalman滤波器，并进行下一时刻电压的信息观测。

优选的，在步骤三中，在形成基于机器学习的培训操作决策树时，运用TensorFlow、Caffe的机器学习技术和开源通用机器学习库进行培训。形成基于机器学习的培训操作决策树时，提取的所述培训操作特征量，包括培训操作对象、操作影响对象、操作次序的特征，将行向量形式的操作特征转换为操作特征矩阵，将定制培训特征表示为行向量形式，将行向量形式的定制培训特征转换为定制培训特征矩阵，将特征矩阵作为输入，并利用模型预测继电保护培训成果。

优选的，在步骤四中，实现实时培训操作校验和防误的过程中，使用人工神经元网络推导和判断当前电网的运行模型，根据决策树对培训操作指令进行实时分析，实时评估和预测操作操作的合理性以及对电网运行的影响。

优选的，使用IEC103以太网通讯规约实现主流继电保护装置的运行状态监控，包括装置的各种动作、报警及故障。

优选的，通过以太网实现对所述主流继电保护测试仪的实时监控，能够准确无误的抓取主流继电保护测试仪正在执行的各项测试参数。

优选的，成套教学装置针对各类继电保护的培训内容进行了课题分类，所述各类继电保护的的课题严格按其流程，通过语音及图文的形式辅导学员在学习理论知识的同时进行实际演练。

优选的，成套教学装置能对学员的操作进行客观评判，并记录其自始至终的操作数据，上报至中央控制台为AI分析提供基础数据。

优选的，所述电力大数据存储和计算平台包括关联约束知识库和异构数据融合平台，其中，所述关联约束知识库包括经典模型库和设备特征与属性数据库，所述异构数据融合平台至少包括电网模型数据、电网运行数据、断面监视数据、历史数据、操作记录数据以及运行告警数据。

本发明针对目前在电力二次***专业技能培训方面的运用的运用还未深入研究，对于二次专业技能的培训完全依靠专业老师采用人工理论加实操的方式结合培训的现状，通过建设电力大数据存储和计算平台，实现电网运行方式的模式库和形成基于机器学习的培训操作决策树，并对学员进行实时培训操作校验和防误的方式，能够实现培训机器人取代教师对学员形成一对一的培训辅导，结合鉴定数据的分析结论，自主确定教学的调整方向并自主生成培训课件，自动记录学员培训记录，结合后台大数据分析算法，从而有效分析判断培训学员的学习状况，并提出改进方案。

本发明与现有技术相比，其有益效果为：

1、由培训机器人取代教师对学员形成一对一的培训辅导；

2、结合鉴定数据的分析结论，自主确定教学的调整方向并生成培训课件；

3、自动记录学员培训记录，结合后台大数据分析算法，从而有效分析判断培训学员的学习状况，并提出改进方案。

附图说明

图1为本发明用于继电保护培训的成套教学装置的开发的流程示意图。

具体实施方式

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，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。

提供以下详细的描述以辅助读者获得对本文所描述的方法、装置和/或***的全面理解。因此，将向本领域的普通技术人员建议本文所描述的方法、装置和/或***的各种改变、修改和等同物。所描述的处理操作的进展是示例；然而，操作的顺序和/或操作不限于本文所阐述的，并且可以如本领域中已知的那样改变，除了必须以特定顺序发生的操作以外。另外，为了更加清楚和简洁，可以省略公知的功能和结构的相应的描述。

此外，将在下文中参考附图更全面地描述示例性实施例。然而，示例性实施例可以不同的形式实施，并且不应被解释为限于本文所阐述的实施例。提供这些实施例以使得本公开将是彻底且完整的，并且将向本领域的普通技术人员充分地传达示例性实施例。

应该理解，尽管术语第一、第二等可以在本文用于描述各种元件，但这些元件不应该受这些术语的限制。这些术语仅用于将一个元件与另一个元件区别开。如本文所使用的术语“和/或”包括一个或多个相关所列项目的任何和所有组合。

应该理解，当元件被称为“连接”或“耦合”到另一元件时，其可以直接连接或耦合到另一元件，或者可以存在中间元件。相反，当元件被称为“直接连接”或“直接耦合”到另一元件时，不存在中间元件。

本文所使用的术语仅是为了描述特定实施例的目的，而不是限制性的。如本文所使用的，除非上下文另有明确说明，否则单数形式“一”、“一个”和“该”也旨在包括复数形式。

现在将详细参考本公开的示例性实施例，本公开的示例在附图中示出，其中相同的参考标号始终表示相同的元件。

然而，本公开可以许多不同的形式实施，并且不应被解释为限于本文所阐述的实施例；相反，提供这些实施例以使得本公开将是彻底的且完整的，并且将向本领域的普通技术人员充分地传达本公开的概念。

如图1的流程示意图所示，一种应用于继电保护培训的成套教学装置的开发方法，包括主流继电保护装置和主流继电保护测试仪，成套教学装置的开发方法包括：

第一步，建设电力大数据存储和计算平台，其中，电力大数据存储和计算平台主要用于抽取和存储多种具有一定相关性的结构与非结构化的电网模型数据、电网运行数据、培训操作和运行告警数据，并采用Hadoop技术构建高性能分布式计算和存储集群；

电力大数据存储和计算平台提供基于map-reduce的多机多核并行计算框架，为电网运行模式识别计算和电网操作决策树的机器学习提供基础的并行计算引擎，其中，在map-reduce的mapper阶段，按照预设分片分别读取增量源数据和增量目的数据，对每一个增量源数据和/或每一个增量目的数据进行清洗转换，将增量源数据和增量目的数据分别映射为相应的key/value结构，写入map-reduce的context，其中key为增量源或增量目各自的唯一标识符序列化后的数据；在map-reduce的reducer阶段，从context中接收每一对key/value结构归约后生成的key/values结构，根据key/values结构的类型判断需进行的同步操作。

在本实施例的具体实施场景中，增量源与增量目的在数据结构上可能存在不一致，如在数据库场景中，表的字段名、字段个数、字段数据类型等属性可能不同，在文件同步场景中，文件头、文件格式等可能不同。将每一个增量源和每一个增量目的中包含的数据进行清洗转换，包括去除每一个增量源不需要同步的数据，以及其他相应的转换。清洗和转换步骤从增量源中清洗掉不需要同步的数据，仅保留增量目的需要的数据，并同时进行数据类型的转换；另外，增量比对过程中，需要通过增量目的与增量源字段匹配映射关系，将对应的增量源和增量目的数据结构调整为一致，以确保写入增量目的数据正确。当增量目的与增量源数据结构不完全相同时，如字段名，字段个数，字段顺序等不完全相同时，需进行增量目的与增量源字段的匹配映射。增量源数据调整为与增量目的相同的结构后，方可进行后续同步操作。

其中，将每一组对应的增量源数据和增量目的数据分别映射为相应的key/value结构，写入map-reduce的context，其中key为增量源或增量目各自的唯一标识符序列化后的数据。在进行数据的增量同步时，为了利用map-reduce的特性，需要在mapper阶段将增量源数据和增量目的数据分别映射为key/value结构并写入context后，才能够在reducer阶段通过hadoop后台的归并排序将相同的key对应的value放入同一个values中进行比对，而无需进行额外的数据排序和key匹配操作，避免了大量数据排序和key匹配导致的同步效率降低。具体的，key可以使用增量源和增量目的原有的唯一标识符，如数据库的键值、唯一连接列、文件的id等，且value与增量源和增量目的原始数据相对应。

将对应的增量源和增量目的组织为key/value结构并写入mappercontext后，map-reduce会自动将将key相同的key/value归并为key/values结构写入reducercontext中，因此在reducer阶段，从context中取出的数据即为已归并好的key/values结构。当数据同时存在于增量源和增量目的中时，key/values结构中包含两个value，即{key；增量源value；增量目的value}；数据仅存在于增量源时，key/values结构仅包含一个value，即{key；增量源value}；数据仅存在于增量目的中时，key/values结构为也仅包含一个value，即{key；增量目的value}。Reducer阶段从reducercontext接收的各组key/values结构互相独立，因此可以对所有的key/values结构并行进行对比，提高对比效率。同时，由于map-reduce中能够快速自动实现大规模数据的归并排序，因此无需使用者对数据进行额外的组合和排序，省去了现有增量数据同步方法中对数据排序的操作，节省了大规模数据排序花费的时间，提高了数据同步效率。

第二步，建设电网运行方式的模式库，运用滤波算法和特征提取方法，准确描述不同电网运行方式的本质区别和特征，通过关联分析、假设检验、回归分析的技术手段，基于大数据分析平台计算描述电网运行模型参数的通用指标与区分模型对象差异的关键指标，筛选影响电网运行特征模型构建的因素，从而建立通用、标准化的电网运行方式模式库；

采用基于Kalman滤波算法的电网信息观测方法，通过电网信息观测***在分布式电源并网点采集三相电压信号测量值，建立电网***状态空间模型，对三相电压信号经坐标变换，对kalman滤波算法中状态变量赋予初值；将两相信号输入kalman滤波器进行计算、分离，对电网同步信息进行预测和校正，在预测环节，根据***模型，由电网***之前的状态估计得到电网***当前的状态估计，在校正环节，通过实测数据，根据协方差矩阵对当前状态估计修正，得到更加精确的当前状态值，其中，在电网信息观测的过程中，通过卡尔曼滤波器将其输出值输入给三相锁频环，由三相锁频环提取基波频率，并反馈给Kalman滤波器，并进行下一时刻电压的信息观测。

目前分布式电源要想大规模地并入电网需要解决两大难题：一是由于分布式电源具有间歇性、波动性和随机性等特点，因此分布式发电难以满足充裕性要求；二是电网是动态***，在各种扰动甚至故障情况下分布式电源并网***应能够保持不间断运行能力，即具备故障穿越能力。以往的电网准则要求当分布式发电***出现故障时，分布式发电***会被迫立即切出电网独立运行，这种并网准则仅适用于小容量的发电***，当光伏并网规模增大时，冒然切出电网会使得电网产生大范围的功率波动，甚至可能导致电网电压崩溃，造成大范围的严重停电事故。为了提高分布式电源并入电网的运行可靠性，新的并网准则要求电网出现短时故障时分布式电源并网***必须保持不间断运行，且具备低压穿越能力，而电网正负序分量的快速分离提取为其首先要解决的问题，因此，快速而精确的正负序提取方法对解决以上工程问题具有重要意义。电网信息观测***通过采样模块、MCU(DSP、ARM等)、kalman滤波器、锁频环和显示模块，通过采样板采集电网信息，将采样信息输入MCU，在MCU中编程实现kalman滤波算法和锁频环算法，锁频环输出即为频率的实时值，kalman滤波器输出即为各次谐波信息；输出最后用DA模块显示。

三相锁频环包括kalman滤波器、第一加法器、第二加法器、第三加法器、第一乘法器、第二乘法器、放大器和积分器。kalman滤波器输出的对α相的跟踪信号yα1和卡尔曼滤波器输入的α相电压信号uα经第一加法器到第一乘法器；同时yα1的正交信号yα2也输入第一乘法器，两个信号经第一乘法器处理后，再到第三加法器；kalman滤波器输出的对β相的跟踪信号yβ1和卡尔曼滤波器输入的β相电压信号uβ经第二加法器到第二乘法器；同时yβ1的正交信号yβ2也输入第二乘法器，两个信号经第二乘法器处理后，再到第三加法器；两种输入到第三加法器的信号经处理，经放大器放大后，再经积分器积分后的角频率ω输入kalman滤波器，实现锁频，与常见的电网信息观测方法如快速傅里叶变换(FFT)、离散傅里叶变换(DFT)等方法相比较，卡尔曼滤波器具有下列优点：1)获得未知分布的均值和协方差仅需保存较少的信息量，却能支持大多数的操作过程；2)均值和协方差具有线性传递性；3)均值和协方差估计的集合能用来表征分布的附加特征等。卡尔曼滤波既不局限于稳态信号，能追踪时变的谐波信号，也不要求整数周期内整数抽样，它更适合于单一频率指数幅值的信号和各种高频谐波的检测，不会出现采不到高频谐波和泄漏的情况，在某些采样频率下，比FFT、DFT更精确和敏感。当电压信号的频率在线性变换时，卡尔曼滤波可以动态追踪电力***的幅值、相位、频率和谐波信息。目前应用广泛、研究较多的锁频环，或仅可以处理三相不平衡情况，或仅可以在单相信号中分解直流分量，或仅可以针对谐波情况处理，但是没有相关研究能够达到本发明的所有要求，因此本发明提出的基于kalman滤波电网信息观测方法的一个显著优势是可以处理应对各种故障情况，并且快速、有效的分离电压信号。

第三步，形成基于机器学习的培训操作决策树，运用机器学习技术和开源通用机器学习库，对各类电网运行模式下的历史培训操作记录进行学习和训练，以培训操作对象、操作影响对象、操作次序以及其他特征指标分析培训操作的结果和影响，提出培训操作特征量和电网运行模式状态关联规则提取算法，进行综合分析计算和机器学习，形成培训操作正向决策树。在形成基于机器学习的培训操作决策树时，运用TensorFlow、Caffe的机器学习技术和开源通用机器学习库进行培训。形成基于机器学习的培训操作决策树时，提取的所述培训操作特征量，包括培训操作对象、操作影响对象、操作次序的特征，将行向量形式的操作特征转换为操作特征矩阵，将定制培训特征表示为行向量形式，将行向量形式的定制培训特征转换为定制培训特征矩阵，例如，在培训特征矩阵中，设A是n阶方阵，如果数λ和n维非零列向量x使关系式Ax=λx成立，那么这样的数λ称为矩阵A特征值，非零向量x称为A的对应于特征值λ的特征向量。式Ax=λx也可写成( A-λE)X=0。这是n个未知数n个方程的齐次线性方程组，它有非零解的充分必要条件是系数行列式| A-λE|=0，系数行列式如下所示：

系数行列式|A-λE|称为A的特征多项式，记¦(λ)=|λE-A|，是一个P上的关于λ的n次多项式，E是单位矩阵。(λ)=|λE-A|=λn+a1λn-1+…+an= 0是一个n次代数方程，称为A的特征方程。特征方程¦(λ)=|λE-A|=0的根(如：λ0)称为A的特征根(或特征值)。n次代数方程在复数域内有且仅有n个根，而在实数域内不一定有根，因此特征根的多少和有无，不仅与A有关，与数域P也有关。以A的特征值λ0代入(λE-A)X=θ，得方程组(λ0E-A)X=θ，是一个齐次方程组，称为A的关于λ0的特征方程组。因为|λ0E-A|=0，(λ0E-A)X=θ必存在非零解X⁰，X⁰为A的属于λ0的特征向量。所有λ0的特征向量全体构成了λ0的特征向量空间。

将特征矩阵作为输入，并利用模型预测继电保护培训成果。当然，基于深度神经网络的使用，可以不需要做大量的特征工程甚至略去，可以直接把数据灌进去，让网络自己训练，自我修正。例如构建DNN深度神经网络回归模型或分类模型，并使用历史数据对模型进行训练。DNN内部的神经网络层可以包括三类：输入层，隐藏层和输出层。第一层是输入层，最后一层是输出层，而中间的都是隐藏层。使用DNN前向传播算法，设定损失函数，进行神经网络的训练与预测。除了构建深度神经网络模型，在其他方法中，也可构建逻辑回归模型、线性回归模型、支持向量回归模型、多项式回归模型、岭回归模型、Lasso回归模型、弹性网络回归模型等。

第四步，实现实时培训操作校验和防误，将机器学习中的关联规则分析和决策树分析引入到继电保护装置在线培训操作中，并建立智能决策和分析***。实现实时培训操作校验和防误的过程中，使用人工神经元网络推导和判断当前电网的运行模型，根据决策树对培训操作指令进行实时分析，实时评估和预测操作操作的合理性以及对电网运行的影响。使用IEC103以太网通讯规约实现主流继电保护装置的运行状态监控，包括装置的各种动作、报警及故障。通过以太网实现对所述主流继电保护测试仪的实时监控，能够准确无误的抓取主流继电保护测试仪正在执行的各项测试参数。成套教学装置针对各类继电保护的培训内容进行了课题分类，所述各类继电保护的的课题严格按其流程，通过语音及图文的形式辅导学员在学习理论知识的同时进行实际演练。成套教学装置能对学员的操作进行客观评判，并记录其自始至终的操作数据，上报至中央控制台为AI分析提供基础数据。

电力大数据存储和计算平台包括关联约束知识库和异构数据融合平台，其中，关联约束知识库包括经典模型库和设备特征与属性数据库，异构数据融合平台至少包括电网模型数据、电网运行数据、断面监视数据、历史数据、操作记录数据以及运行告警数据。其中，目标间的协同关联性约束、尤其是图像间关联性约束，主要指在单张图像处理受到制约或瓶颈时，通过引入其他图像或参考源，分析相互间关系，构建全局的关联性约束，以此来辅助提升图像处理的效果。但是现有的协同关联性约束算法大多数集中于多张图像之间的近似物体关联约束，而且算法构造复杂、计算量大。在本文中，将深入研究协同关联性约束的核心思想，理解其构成形式。一方面，进一步挖掘多图像间的关联性约束，提高多张图片间的的协同处理效果。另一方面，还将借鉴协同关联分割的思想，将其协同约束的思想拓展到单幅图像的应用中，通过构建单张图像不同区域间的关联，以及单图像相关源间的关联，提高图像的处理效果。通过聚类构建多张图像之间的协同关联性约束。基于图像生物视觉显著性原理和多图像间目标关联性约束，协同显著性主要指多图像中的重复出现的同一或近似的视觉显著性物体，通过聚类构建多图像之间的物体全局关联结构,依据三种自底向上的协同显著性测度，包括特征对比度、中心偏移度、以及图间分布度，对图像进行聚类级别的协同显著性测量，最终将各测度结果进行融合，提取出多张图片中的协同显著性目标。的协同显著性物体检测算法避免了大量繁重的学习训练过程，具有简单高效的特点。该算法不仅在多张图片的协同显著性物体检测中取得优异结果，而且在单张图片的视觉显著性物体检测中，也取得了良好的测试结果。此外，还深入挖掘协同显著性物体检测算法的相关应用，提出四种典型应用：协同分割、鲁棒的图像测距、弱监督学习、以及视频前景提取等，进一步彰显了协同显著性检测在图像处理中的应用潜力。

单张图像不同区域间的关联性约束，挖掘单张图像中物体自身的几何结构约束，对图像的不同区域间建立协同联系。自然图片中的物体往往满足一定的几何结构，这使得各个区域之间可以构建协同关联性约束。利用物体自身的这种几何结构约束，引入协同分割思想，提出图像内关联区域之间的几何结构约束分割算法。为了反映不同区域之间的协同关联性约束，首先利用物体自身的几何结构约束建立一个像素级别的稠密几何结构映射矩阵，该矩阵在描述前景物体的位置分布的同时，也反映了物体自身的几何结构约束。然后将这种几何结构矩阵引入到基于图的能量函数模型中，提出新的基于几何结构约束的图分割模型，该模型满足子模性，可以通过图分割算法优化求解。除此之外，还将该几何结构约束模型拓展到基于组件的分割框架中，以满足弱几何约束、以及复杂几何约束的物体分割需求。实验表明，这种不同区域之间的协同关联性约束提供了高级别的图像语义关联，相对于仅仅使用低级别特征的分割算法，的算法取得了更好的分割效果。

单图像相关源间的关联性约束：除了单张图片不同区域间的关联以外，还发现，同图片的不同处理源之间也可以协同关联性约束。通过研究这些不同处理源之间的关联性约束，建立单幅图像与镜头畸变、以及单幅图像与其不同操作处理层之间的协同关联性，提出基于图像畸变度的广角图像伪造区域盲检测分割算法。镜头的径向几何畸变在绝大多数图像处理中通常被认为是需要消除的不良性质，但提出该几何畸变反映了镜头的内部结构属性，而且对图像提供一个全局的几何约束。因此将这种镜头径向几何畸变性质作为度量指标，引入到图像篡改盲检测取证算法中。首先，提出了镜头径向畸变映射模型，在该模型中，空间直线将在映射半球上投影成一个大切圆。其次，依据该几何约束，设计了两种底层测度用于获取目标图像的伪造取证分布图，检测图像中伪造物体的位置。最后，通过构造基于图分割的能量函数，将目标图像与其伪造取证分布图关联起来，作为单图像的两个处理层，构建协同关联，提取出像素级别的目标取证呈现。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种应用于继电保护培训的成套教学装置的开发方法，成套教学装置包括主流继电保护装置和继电保护测试仪，其特征在于，所述方法包括：

第一步，建设电力大数据存储和计算平台，所述电力大数据存储和计算平台用于抽取和存储多种结构与非结构化的电网模型数据、电网运行数据、培训操作和运行告警数据，并采用Hadoop技术构建高性能分布式计算和存储集群；

第二步，建设电网运行方式的模式库，运用滤波算法和特征提取方法，通过关联分析、假设检验、回归分析的技术手段，基于大数据分析平台计算描述电网运行模型参数的通用指标与区分模型对象差异的关键指标，筛选影响电网运行特征模型构建的因素，从而建立通用、标准化的电网运行方式模式库；

第三步，形成基于机器学习的培训操作决策树，运用机器学习技术和开源通用机器学习库，对各类电网运行模式下的历史培训操作记录进行学习和训练，以培训操作对象、操作影响对象和操作次序分析培训操作的结果和影响，提出培训操作特征量和电网运行模式状态关联规则提取算法，进行综合分析计算和机器学习，形成培训操作正向决策树；

第四步，实现实时培训操作校验和防误，将机器学习中的关联规则分析和决策树分析引入到继电保护装置在线培训操作中，并建立智能决策和分析***。

2.根据权利要求1所述的应用于继电保护培训的成套教学装置的开发方法，其特征在于，在步骤一中，所述电力大数据存储和计算平台提供基于map-reduce的多机多核并行计算框架，为电网运行模式识别计算和电网操作决策树的机器学习提供基础的并行计算引擎。

3.根据权利要求2所述的应用于继电保护培训的成套教学装置的开发方法，其特征在于，在map-reduce的mapper阶段，按照预设分片分别读取增量源数据和增量目的数据，对每一个增量源数据和/或每一个增量目的数据进行清洗转换，将增量源数据和增量目的数据分别映射为相应的key/value结构，写入map-reduce的context，其中key为增量源或增量目各自的唯一标识符序列化后的数据；在map-reduce的reducer阶段，从context中接收每一对key/value结构归约后生成的key/values结构，根据key/values结构的类型判断需进行的同步操作。

4.根据权利要求1所述的应用于继电保护培训的成套教学装置的开发方法，其特征在于，在步骤二中，采用基于Kalman滤波算法的电网信息观测方法，通过电网信息观测***在分布式电源并网点采集三相电压信号测量值，建立电网***状态空间模型，对三相电压信号经坐标变换，对kalman滤波算法中状态变量赋予初值；将两相信号输入kalman滤波器进行计算、分离，对电网同步信息进行预测和校正，在预测环节，根据***模型，由电网***之前的状态估计得到电网***当前的状态估计；在校正环节，通过实测数据，根据协方差矩阵对当前状态估计修正，得到更加精确的当前状态值。

5.根据权利要求4所述的应用于继电保护培训的成套教学装置的开发方法，其特征在于，在电网信息观测的过程中，通过卡尔曼滤波器将其输出值输入给三相锁频环，由三相锁频环提取基波频率，并反馈给Kalman滤波器，并进行下一时刻电压的信息观测。

6.根据权利要求1所述的应用于继电保护培训的成套教学装置的开发方法，其特征在于，在步骤三中，在形成基于机器学习的培训操作决策树时，运用TensorFlow、Caffe的机器学习技术和开源通用机器学习库进行培训。

7.根据权利要求1所述的应用于继电保护培训的成套教学装置的开发方法，其特征在于，在步骤三中，形成基于机器学习的培训操作决策树时，提取的所述培训操作特征量，包括培训操作对象、操作影响对象、操作次序的特征，将行向量形式的操作特征转换为操作特征矩阵，将定制培训特征表示为行向量形式，将行向量形式的定制培训特征转换为定制培训特征矩阵，将特征矩阵作为输入，并利用模型预测继电保护培训成果。

8.根据权利要求1所述的应用于继电保护培训的成套教学装置的开发方法，其特征在于，在步骤四中，实现实时培训操作校验和防误的过程中，使用人工神经元网络推导和判断当前电网的运行模型，根据决策树对培训操作指令进行实时分析，实时评估和预测操作操作的合理性以及对电网运行的影响。

9.根据权利要求1所述的应用于继电保护培训的成套教学装置的开发方法，其特征在于，使用IEC103以太网通讯规约实现继电保护装置的运行状态监控，包括装置的各种动作、报警及故障；通过以太网实现对所述继电保护测试仪的实时监控，能够准确无误的抓取继电保护测试仪正在执行的各项测试参数；所述成套教学装置针对各类继电保护的培训内容进行了课题分类，所述各类继电保护的的课题严格按其流程，通过语音及图文的形式辅导学员在学习理论知识的同时进行实际演练；所述成套教学装置能对学员的操作进行客观评判，并记录其自始至终的操作数据，上报至中央控制台为AI分析提供基础数据。

10.根据权利要求1所述的应用于继电保护培训的成套教学装置的开发方法，其特征在于，所述电力大数据存储和计算平台包括关联约束知识库和异构数据融合平台，其中，所述关联约束知识库包括经典模型库和设备特征与属性数据库，所述异构数据融合平台至少包括电网模型数据、电网运行数据、断面监视数据、历史数据、操作记录数据以及运行告警数据。

Images