CN118093700A - 继电保护接入云平台的实现方法、装置、设备及存储介质 - Google Patents
继电保护接入云平台的实现方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118093700A CN118093700A CN202410266570.9A CN202410266570A CN118093700A CN 118093700 A CN118093700 A CN 118093700A CN 202410266570 A CN202410266570 A CN 202410266570A CN 118093700 A CN118093700 A CN 118093700A
- Authority
- CN
- China
- Prior art keywords
- network model
- data
- neural network
- relay protection
- access
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 118
- 230000015654 memory Effects 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 22
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种继电保护接入云平台的实现方法、装置、设备及存储介质,属于计算机技术领域,该方法包括:基于自适应学***台进行处理和可视化展示。本发明基于自适应学***台的可靠性、安全性和运行效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种继电保护接入云平台的实现方法、装置、设备及存储介质。
背景技术
继电保护接入云平台部署于智能变电站安全II区,用以实现变电站继电保护装置与集控等***之间的保护信息等实时数据的通信,为主站***实现变电站监视、远程服务等功能提供数据、模型和图形的传输服务的智能通信设备。
现有的继电保护接入云平台,仅通过通信管理机实现和调度一样的运行数据上传,全站设备状态并未上传,目前构架很难实现自适应各种厂家不同设备不同规约的接入,虽然IEC61850解决了部分问题但是还是有大量的设备需要现场人工调试接入。于此同时,既有通信管理机接入仅对接收到的数据进行转发处理,对于智能变电站各类设备接入方式只能按照规约人工添加,无法实现全信息采集,数据分析及数据挖掘能力有限。所以学***台是人工智能发展的必然趋势。
因此,亟需一种继电保护接入云平台的实现方法,能够解决如何提高变电站继电保护云平台的可靠性、安全性和运行效率的技术问题。
发明内容
本发明的主要目的在于提供了一种继电保护接入云平台的实现方法、***、设备及存储介质,旨在解决如何提高变电站继电保护云平台的可靠性、安全性和运行效率的技术问题。
为实现上述目的,本发明提供了一种继电保护接入云平台的实现方法,所述方法包括以下步骤:
基于自适应学习算法获取变电站继电保护***的接入规约数据;
根据预设分类策略确定所述接入规约数据对应的神经网络模型类别;
基于所述神经网络模型类别,依次将所述接入规约数据输入至对应的预设目标神经网络模型,获得所述接入规约数据的分析报告,所述预设目标神经网络模型为长短时记忆网络模型;
通过云计算技术将所述分析报告上传至云平台进行处理和可视化展示。
可选地,所述基于自适应学习算法获取变电站继电保护***的接入规约数据的步骤之前,还包括:
收集从各来源获取的变电站继电保护***的规约数据,并对所述规约数据进行预处理,获得预处理后的规约数据;
根据所述预处理后的规约数据的特点对所述预处理后的规约数据进行特征提取,获得目标规约数据;
根据建模需求对所述目标规约数据进行数据分类,获得分类结果;
构建长短时记忆网络模型,并根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得预设目标神经网络模型。
可选地,所述对所述规约数据进行预处理,获得预处理后的规约数据的步骤,包括:
对所述规约数据进行数据清洗去除重复数据和异常数据,获得清洗后的规约数据;
根据所述清洗后的规约数据的数据来源对所述清洗后的规约数据进行数据解析,获得解析结果;
根据所述解析结果对所述清洗后的规约数据进行格式转换,获得预处理后的规约数据。
可选地,所述基于所述神经网络模型类别,依次将所述接入规约数据输入至对应的预设目标神经网络模型,获得所述接入规约数据的分析报告的步骤之后,还包括:
通过增量学习算法根据所述接入规约数据对所述预设目标神经网络模型进行模型参数调整,获得所述神经网络模型类别对应的新的预设目标神经网络模型。
可选地,所述根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得预设目标神经网络模型的步骤,包括:
根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得训练结果;
根据所述训练结果,对所述长短时记忆网络模型进行参数优化,获得预设目标神经网络模型。
可选地,所述根据建模需求对所述目标规约数据进行数据分类,获得分类结果的步骤之后,还包括:
根据分类结果为所述分类结果对应的目标规约数据设置对应的标签;
在设置标签之后,将所述分类结果对应的目标规约数据和所述标签存储至目标数据库或目标数据仓库;
根据所述标签对所述目标数据库或所述目标数据仓库建立索引,以使用户根据所述索引进行数据查询。
可选地,所述根据所述训练结果,对所述长短时记忆网络模型进行参数优化,获得预设目标神经网络模型的步骤之后,还包括:
采用模型评价指标对所述目标神经网络模型进行评价,获得评价结果;
根据所述评价结果优化所述预设目标神经网络模型;
其中,所述模型评价指标包括:召回率Recall、精确率Precision、平均精度AP以及F1值,其公式如下:
式中,F1值是精确率Precision与召回率Recall的加权平均值。TP为检测正确的数量,FN为漏掉的数量,FP为检测错误的数量,AP指Precision曲线下面积。
此外,为实现上述目的,本发明还提出一种继电保护接入云平台的实现装置,所述装置包括:
数据获取模块,用于基于自适应学习算法获取变电站继电保护***的接入规约数据;
数据分类模块,用于根据预设分类策略确定所述接入规约数据对应的神经网络模型类别;
数据分析模块,用于基于所述神经网络模型类别,依次将所述接入规约数据输入至对应的预设目标神经网络模型,获得所述接入规约数据的分析报告,所述预设目标神经网络模型为长短时记忆网络模型;
数据处理模块,用于通过云计算技术将所述分析报告上传至云平台进行处理和可视化展示。
此外,为实现上述目的,本发明还提出一种继电保护接入云平台的实现设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的继电保护接入云平台的实现程序,所述继电保护接入云平台的实现程序配置为实现如上文所述的继电保护接入云平台的实现方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有继电保护接入云平台的实现程序,所述继电保护接入云平台的实现程序被处理器执行时实现如上文所述的继电保护接入云平台的实现方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明公开了基于自适应学***台进行处理和可视化展示。相比于现有技术,本发明基于自适应学***台进行处理和可视化展示,便于运维人员进行故障排查、性能评估和决策分析,进而提高了电站继电保护云平台的可靠性、安全性和运行效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的继电保护接入云平台的实现设备的结构示意图;
图2为本发明继电保护接入云平台的实现方法第一实施例的流程示意图;
图3为本发明继电保护接入云平台的实现方法中云平台的拓扑结构;
图4为本发明继电保护接入云平台的实现方法第二实施例的流程示意图;
图5为本发明继电保护接入云平台的实现方法第三实施例的流程示意图;
图6为本发明继电保护接入云平台的实现装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的继电保护接入云平台的实现设备结构示意图。
如图1所示,该继电保护接入云平台的实现设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对继电保护接入云平台的实现设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及继电保护接入云平台的实现程序。
在图1所示的继电保护接入云平台的实现设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明继电保护接入云平台的实现设备中的处理器1001、存储器1005可以设置在继电保护接入云平台的实现设备中,所述继电保护接入云平台的实现设备通过处理器1001调用存储器1005中存储的继电保护接入云平台的实现程序,并执行本发明实施例提供的继电保护接入云平台的实现方法。
本发明实施例提供了一种继电保护接入云平台的实现方法,参照图2,图2为本发明继电保护接入云平台的实现方法第一实施例的流程示意图。
本实施例中,所述继电保护接入云平台的实现方法包括以下步骤:
步骤S10:基于自适应学习算法获取变电站继电保护***的接入规约数据。
需要说明的是,本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备,例如服务器、平板电脑、个人电脑、手机等,或者是一种能够实现上述功能的电子设备、继电保护接入云平台的实现设备等。以下以继电保护接入云平台的实现设备为例,对本实施例及下述各实施例进行举例说明。
应理解的是,继电保护是对电力***中发生的故障或异常情况进行检测,从而发出报警信号,或直接将故障部分隔离、切除的一种重要措施。
需要解释的是,变电站继电保护***通常由多个不同厂家的设备组成,这些设备之间需要良好的互操作性。如果设备之间的兼容性存在问题,可能会导致数据传输错误或功能无法实现。因此,将自适应学习算法应用于设备规约接入的过程中,设备识别与适配设备规约接入时,自适应学习算法可以通过分析设备发送的数据包或协议信息,识别设备类型并自动适配相应的规约。进而可以实现对不同厂家、不同型号设备的智能识别和兼容性处理,简化设备接入的配置和管理。
需要说明的是,上述变电站继电保护***的接入规约数据,包括变电站继电保护***中的通信协议、数据标签和数据结构等信息。这些接入规约数据可以从设备手册、规范文件或变电站继电保护***中获取,也可以通过在线报文学习获得。
步骤S20:根据预设分类策略确定所述接入规约数据对应的神经网络模型类别。
需要解释的是,首先,由于变电站继电保护***通常需要借助光纤、无线、现场总线等多种物理层信道与其他设备进行通信,例如厂站控制***、远动设备等,如果通信链路接口不匹配,可能会导致变电站继电保护***无法正常工作。
其次,变电站继电保护***中的各项参数需要正确设置,以确保在发生故障时能够及时检测并采取相应的保护措施,如果参数设置不当,可能会导致误动、漏动等问题,影响变电站继电保护***的可靠性和安全性。
另外,变电站中通常存在多个层级的保护,如主保护和备用保护,这些保护设备需要协调工作,以便在故障发生时能够快速切除故障区域,同时保持对***的合理保护,如果备份保护协调存在问题,可能会导致误动或延迟故障切除等不良影响。
最后,随着时间的推移,变电站继电保护***可能会出现老化和故障,因此及时进行设备巡检和数据维护是保证变电站继电保护***可靠性的重要措施。
进一步,根据上述现有技术中存在的问题,可以利用机器学习算法实现对变电站继电保护***的故障检测与诊断、预测和优化运行和自动决策支持。
需要说明的是,故障检测与诊断是利用机器学习算法对变电站继电保护***的数据进行分析和处理,实时监测电力***状态,检测故障并进行准确的诊断,通过学习历史数据和模式,能够自动识别潜在的故障和异常情况,提前预警并采取相应措施。
预测和优化运行是通过机器学***台可以预测电力***未来的状态和性能,这些预测结果可以用于优化运行策略,例如调整设备参数、负荷预测和调度,以提高电力***的效率和稳定性。
自动化决策支持是基于机器学习技术,可以自动生成维护和操作决策的建议,根据实时数据和历史经验,能够评估不同的决策方案,并提供最佳的决策建议,帮助运维人员做出准确、快速的响应和决策。
进一步地,上述神经网络模型类别包括用于故障检测与诊断的神经网络模型、用于预测和优化运行的神经网络模型和用于自动化决策支持的神经网络模型。
需要解释的是,上述预设分类策略可以是根据现有技术存在的问题对接入规约数据进行分类,确定接入规约数据对应的神经网络模型类别的策略。
步骤S30:基于所述神经网络模型类别,依次将所述接入规约数据输入至对应的预设目标神经网络模型,获得所述接入规约数据的分析报告,所述预设目标神经网络模型为长短时记忆网络模型。
应理解的是,长短时记忆网络模型(Long Short-Term Memory,LSTM),LSTM是一种特殊类型的循环神经网络,主要用于解决传统循环神经网络RNN中长期依赖问题。通过引入门控机制,LSTM可以选择性地忘记或记住特定的信息,并具有较好的记忆能力。
步骤S40:通过云计算技术将所述分析报告上传至云平台进行处理和可视化展示。
需要说明的是,云平台通过高算力边缘计算网关将智能仪表与传感器采集的数据进行统一化、标准化处理后以有线或无线的网络传输模式上传到云服务器统一存储,并通过平台实现对电能在线实时监测、用能情况分析、设备的精益管理、任务的合理调度、月度报表展示等功能,以此来达到帮助用户分析变电所运行环境,减少故障停电时间,保障电网稳定供电与设备安全运行的目的。
需要解释的是,云平台采用分层分布式结构进行设计,云平台可以部署在用户购买的硬件服务器(私有云)上,也可以部署在用户租赁的云服务器(公有云,如阿里云、腾讯云、华为云等),私有云或公有云可以用于设备管理、数据管理、用户管理、规则引擎、事件管理和API接口,
例如,参考图3,图3为本发明继电保护接入云平台的实现方法中云平台的拓扑结构。私有云或公有云通过应用程序接口(REST API)可以实现数据AI、可视化展示、移动应用和报表创建,通过高算力边缘计算网关(物联网关)将智能仪表与传感器采集的数据进行统一化、标准化处理后通过信息传输协议以有线或无线的网络传输模式上传到云服务器统一存储。可理解的是,上述云平台可以用于智慧农业、电机监测、冷链物流、电梯运维、水质监测、织机监测以及其他行业应用定制服务。
本实施例公开了基于自适应学***台进行处理和可视化展示。相比于现有技术,本实施例基于自适应学***台进行处理和可视化展示,便于运维人员进行故障排查、性能评估和决策分析,进而提高了电站继电保护云平台的可靠性、安全性和运行效率。
参考图4,图4为本发明继电保护接入云平台的实现方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S10之前,还包括:
步骤S01:收集从各来源获取的变电站继电保护***的规约数据,并对所述规约数据进行预处理,获得预处理后的规约数据。
可理解的是,从各来源获取的变电站继电保护***的规约数据,包括设备手册、规范文件、历史记录和实际的数据流。可以利用数据抓取工具、API接口等方式进行数据收集,可以通过其他方式收集规约数据,本实施例对此不加以限制。
在具体实现中,可以对所述规约数据进行数据清洗去除重复数据和异常数据,获得清洗后的规约数据;根据所述清洗后的规约数据的数据来源对所述清洗后的规约数据进行数据解析,获得解析结果;根据所述解析结果对所述清洗后的规约数据进行格式转换,获得预处理后的规约数据。
应理解的是,数据清洗可以去除重复数据、处理缺失值、消除异常值等,确保数据的准确性和可靠性。
由于不同来源的数据数据格式也存在差异,因此可以将不同来源的规约数据进行解析,根据解析结果将清洗后的规约数据进行格式转换为统一的格式,并进行标准化处理。有助于提高数据的一致性和可比性,便于后续的构建网络模型,并对网络模型进行训练。
步骤S02:根据所述预处理后的规约数据的特点对所述预处理后的规约数据进行特征提取,获得目标规约数据。
根据所述预处理后的规约数据的特点和网络模型的构建需求,选择合适的特征进行提取,特征的提取可以利用相关领域知识和特征工程方法来识别和提取最相关的特征。
步骤S03:根据建模需求对所述目标规约数据进行数据分类,获得分类结果。
需要说明的是,由于神经网络模型类别包括用于故障检测与诊断的神经网络模型、用于预测和优化运行的神经网络模型和用于自动化决策支持的神经网络模型,因此,可以根据模型类别即建模需求对所述目标规约数据进行数据分类。
在具体实现中,获得分类结果后,还包括:根据分类结果为所述分类结果对应的目标规约数据设置对应的标签;在设置标签之后,将所述分类结果对应的目标规约数据和所述标签存储至目标数据库或目标数据仓库;根据所述标签对所述目标数据库或所述目标数据仓库建立索引,以使用户根据所述索引进行数据查询。
步骤S04:构建长短时记忆网络模型,并根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得预设目标神经网络模型。
在具体实现中,可以根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得训练结果;根据所述训练结果,对所述长短时记忆网络模型进行参数优化,获得预设目标神经网络模型。
需要说明的是,为了进一步优化预设目标神经网络模型,步骤S04之后,还包括:采用模型评价指标对所述目标神经网络模型进行评价,获得评价结果;根据所述评价结果优化所述预设目标神经网络模型,最后将最优的预设目标神经网络模型部署到实际***中;其中,所述模型评价指标包括:召回率Recall、精确率Precision、平均精度AP以及F1值,其公式如下:
式中,F1值是精确率Precision与召回率Recall的加权平均值。TP为检测正确的数量,FN为漏掉的数量,FP为检测错误的数量,AP指Precision曲线下面积。
本实施例公开了收集从各来源获取的变电站继电保护***的规约数据,并对所述规约数据进行预处理,获得预处理后的规约数据;根据所述预处理后的规约数据的特点对所述预处理后的规约数据进行特征提取,获得目标规约数据;根据建模需求对所述目标规约数据进行数据分类,获得分类结果;构建长短时记忆网络模型,并根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得预设目标神经网络模型;采用模型评价指标对所述目标神经网络模型进行评价,获得评价结果;根据所述评价结果优化所述预设目标神经网络模型。相比于现有技术,本实施例对规约数据进行预处理后,根据规约数据的特点对预处理后的规约数据进行特征提取,再据建模需求对目标规约数据进行数据分类,最后构建长短时记忆网络模型,并进行模型训练后采用模型评价指标对目标神经网络模型进行评价,根据评价结果优化模型,进而提高了预设目标神经网络模型的准确度。
参考图5,图5为本发明继电保护接入云平台的实现方法第三实施例的流程示意图。
基于上述各实施例,在本实施例中,所述步骤S30之后,还包括:
步骤S31:通过增量学习算法根据所述接入规约数据对所述预设目标神经网络模型进行模型参数调整,获得所述神经网络模型类别对应的新的预设目标神经网络模型。
需要说明的是,在线报文学习是一种机器学习算法,用于对在线流式数据中的报文进行实时分析和建模。这种算法可以快速适应不断变化的数据流,并动态地更新模型以适应新的报文。本实施例采用增量学习算法,增量学习是一种在线学习算法,它根据接入规约数据调整现有的预设目标神经网络模型的参数,而无需重新训练整个模型。因此,通过增量学习能够高效地处理大规模数据流,并在数据概念漂移时及时更新模型。
需要解释的是,为了保持预设目标神经网络模型的准确性和时效性,可以定期收集新的变电站继电保护***的规约数据,进行预设目标神经网络模型的再训练和优化。
本实施例公开了通过增量学习算法根据所述接入规约数据对所述预设目标神经网络模型进行模型参数调整,获得所述神经网络模型类别对应的新的预设目标神经网络模型。本实施例采用增量学习算法,根据接入规约数据调整现有的预设目标神经网络模型的参数,而无需重新训练整个模型。因此,通过增量学习能够高效地处理大规模数据流,并在数据概念漂移时及时更新预设目标神经网络模型。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有继电保护接入云平台的实现程序,所述继电保护接入云平台的实现程序被处理器执行时实现如上文所述的继电保护接入云平台的实现方法的步骤。
参照图6,图6为本发明继电保护接入云平台的实现装置第一实施例的结构框图。
如图6所示,本发明实施例提出的继电保护接入云平台的实现装置包括:数据获取模块601、数据分类模块602、数据分析模块603和数据处理模块604。
所述数据获取模块601,用于基于自适应学习算法获取变电站继电保护***的接入规约数据;
所述数据分类模块602,用于根据预设分类策略确定所述接入规约数据对应的神经网络模型类别;
所述数据分析模块603,用于基于所述神经网络模型类别,依次将所述接入规约数据输入至对应的预设目标神经网络模型,获得所述接入规约数据的分析报告,所述预设目标神经网络模型为长短时记忆网络模型;
所述数据处理模块604,用于通过云计算技术将所述分析报告上传至云平台进行处理和可视化展示。
本装置实施例公开了基于自适应学***台进行处理和可视化展示。相比于现有技术,本装置实施例基于自适应学***台进行处理和可视化展示,便于运维人员进行故障排查、性能评估和决策分析,进而提高了电站继电保护云平台的可靠性、安全性和运行效率。
基于本发明上述继电保护接入云平台的实现装置第一实施例,提出本发明继电保护接入云平台的实现装置的第二实施例。
在本实施例中,所述数据获取模块601,还用于收集从各来源获取的变电站继电保护***的规约数据,并对所述规约数据进行预处理,获得预处理后的规约数据;根据所述预处理后的规约数据的特点对所述预处理后的规约数据进行特征提取,获得目标规约数据;根据建模需求对所述目标规约数据进行数据分类,获得分类结果;构建长短时记忆网络模型,并根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得预设目标神经网络模型。
所述数据获取模块601,还用于对所述规约数据进行数据清洗去除重复数据和异常数据,获得清洗后的规约数据;根据所述清洗后的规约数据的数据来源对所述清洗后的规约数据进行数据解析,获得解析结果;根据所述解析结果对所述清洗后的规约数据进行格式转换,获得预处理后的规约数据。
所述数据获取模块601,还用于根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得训练结果;根据所述训练结果,对所述长短时记忆网络模型进行参数优化,获得预设目标神经网络模型。
所述数据获取模块601,还用于根据分类结果为所述分类结果对应的目标规约数据设置对应的标签;在设置标签之后,将所述分类结果对应的目标规约数据和所述标签存储至目标数据库或目标数据仓库;根据所述标签对所述目标数据库或所述目标数据仓库建立索引,以使用户根据所述索引进行数据查询。
所述数据获取模块601,还用于采用模型评价指标对所述目标神经网络模型进行评价,获得评价结果;根据所述评价结果优化所述预设目标神经网络模型。
本实施例公开了收集从各来源获取的变电站继电保护***的规约数据,并对所述规约数据进行预处理,获得预处理后的规约数据;根据所述预处理后的规约数据的特点对所述预处理后的规约数据进行特征提取,获得目标规约数据;根据建模需求对所述目标规约数据进行数据分类,获得分类结果;构建长短时记忆网络模型,并根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得预设目标神经网络模型;采用模型评价指标对所述目标神经网络模型进行评价,获得评价结果;根据所述评价结果优化所述预设目标神经网络模型。相比于现有技术,本实施例对规约数据进行预处理后,根据规约数据的特点对预处理后的规约数据进行特征提取,再据建模需求对目标规约数据进行数据分类,最后构建长短时记忆网络模型,并进行模型训练后采用模型评价指标对目标神经网络模型进行评价,根据评价结果优化模型,进而提高了预设目标神经网络模型的准确度。
基于本发明上述各实施例,提出本发明继电保护接入云平台的实现装置的第三实施例。
在本实施例中,所述数据分析模块603,还用于通过增量学习算法根据所述接入规约数据对所述预设目标神经网络模型进行模型参数调整,获得所述神经网络模型类别对应的新的预设目标神经网络模型。
本装置实施例公开了通过增量学习算法根据所述接入规约数据对所述预设目标神经网络模型进行模型参数调整,获得所述神经网络模型类别对应的新的预设目标神经网络模型。本装置实施例采用增量学习算法,根据接入规约数据调整现有的预设目标神经网络模型的参数,而无需重新训练整个模型。因此,通过增量学习能够高效地处理大规模数据流,并在数据概念漂移时及时更新预设目标神经网络模型。
本发明继电保护接入云平台的实现装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种继电保护接入云平台的实现方法,其特征在于,所述方法包括:
基于自适应学习算法获取变电站继电保护***的接入规约数据;
根据预设分类策略确定所述接入规约数据对应的神经网络模型类别;
基于所述神经网络模型类别,依次将所述接入规约数据输入至对应的预设目标神经网络模型,获得所述接入规约数据的分析报告,所述预设目标神经网络模型为长短时记忆网络模型;
通过云计算技术将所述分析报告上传至云平台进行处理和可视化展示。
2.如权利要求1所述的继电保护接入云平台的实现方法,其特征在于,所述基于自适应学习算法获取变电站继电保护***的接入规约数据的步骤之前,还包括:
收集从各来源获取的变电站继电保护***的规约数据,并对所述规约数据进行预处理,获得预处理后的规约数据;
根据所述预处理后的规约数据的特点对所述预处理后的规约数据进行特征提取,获得目标规约数据;
根据建模需求对所述目标规约数据进行数据分类,获得分类结果;
构建长短时记忆网络模型,并根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得预设目标神经网络模型。
3.如权利要求2所述的继电保护接入云平台的实现方法,其特征在于,所述对所述规约数据进行预处理,获得预处理后的规约数据的步骤,包括:
对所述规约数据进行数据清洗去除重复数据和异常数据,获得清洗后的规约数据;
根据所述清洗后的规约数据的数据来源对所述清洗后的规约数据进行数据解析,获得解析结果;
根据所述解析结果对所述清洗后的规约数据进行格式转换,获得预处理后的规约数据。
4.如权利要求1所述的继电保护接入云平台的实现方法,其特征在于,所述基于所述神经网络模型类别,依次将所述接入规约数据输入至对应的预设目标神经网络模型,获得所述接入规约数据的分析报告的步骤之后,还包括:
通过增量学习算法根据所述接入规约数据对所述预设目标神经网络模型进行模型参数调整,获得所述神经网络模型类别对应的新的预设目标神经网络模型。
5.如权利要求2所述的继电保护接入云平台的实现方法,其特征在于,所述根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得预设目标神经网络模型的步骤,包括:
根据所述分类结果对应的目标规约数据对所述长短时记忆网络模型进行训练,获得训练结果;
根据所述训练结果,对所述长短时记忆网络模型进行参数优化,获得预设目标神经网络模型。
6.如权利要求2所述的继电保护接入云平台的实现方法,其特征在于,所述根据建模需求对所述目标规约数据进行数据分类,获得分类结果的步骤之后,还包括:
根据分类结果为所述分类结果对应的目标规约数据设置对应的标签;
在设置标签之后,将所述分类结果对应的目标规约数据和所述标签存储至目标数据库或目标数据仓库;
根据所述标签对所述目标数据库或所述目标数据仓库建立索引,以使用户根据所述索引进行数据查询。
7.如权利要求5所述的继电保护接入云平台的实现方法,其特征在于,所述根据所述训练结果,对所述长短时记忆网络模型进行参数优化,获得预设目标神经网络模型的步骤之后,还包括:
采用模型评价指标对所述目标神经网络模型进行评价,获得评价结果;
根据所述评价结果优化所述预设目标神经网络模型;
其中,所述模型评价指标包括:召回率Recall、精确率Precision、平均精度AP以及F1值, F1值是精确率Precision与召回率Recall的加权平均值。TP为检测正确的数量,FN为漏掉的数量,FP为检测错误的数量,AP指Precision曲线下面积。
8.一种继电保护接入云平台的实现装置,其特征在于,所述装置包括:
数据获取模块,用于基于自适应学习算法获取变电站继电保护***的接入规约数据;
数据分类模块,用于根据预设分类策略确定所述接入规约数据对应的神经网络模型类别;
数据分析模块,用于基于所述神经网络模型类别,依次将所述接入规约数据输入至对应的预设目标神经网络模型,获得所述接入规约数据的分析报告,所述预设目标神经网络模型为长短时记忆网络模型;
数据处理模块,用于通过云计算技术将所述分析报告上传至云平台进行处理和可视化展示。
9.一种继电保护接入云平台的实现设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的继电保护接入云平台的实现程序,所述继电保护接入云平台的实现程序配置为实现如权利要求1至7中任一项所述的继电保护接入云平台的实现方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有继电保护接入云平台的实现程序,所述继电保护接入云平台的实现程序被处理器执行时实现如权利要求1至7任一项所述的继电保护接入云平台的实现方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410266570.9A CN118093700A (zh) | 2024-03-08 | 2024-03-08 | 继电保护接入云平台的实现方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410266570.9A CN118093700A (zh) | 2024-03-08 | 2024-03-08 | 继电保护接入云平台的实现方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118093700A true CN118093700A (zh) | 2024-05-28 |
Family
ID=91143673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410266570.9A Pending CN118093700A (zh) | 2024-03-08 | 2024-03-08 | 继电保护接入云平台的实现方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118093700A (zh) |
-
2024
- 2024-03-08 CN CN202410266570.9A patent/CN118093700A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717665B (zh) | 基于调度控制***故障辨识及趋性分析***和方法 | |
US11403164B2 (en) | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators | |
CN112910089A (zh) | 一种变电站二次设备故障逻辑可视化方法及*** | |
US11307916B2 (en) | Method and device for determining an estimated time before a technical incident in a computing infrastructure from values of performance indicators | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警***实现方法 | |
CN102032115A (zh) | 用于分析报告数据的***和方法 | |
CN111290913A (zh) | 一种基于运维数据预测的故障定位可视化***和方法 | |
CN113472079B (zh) | 配电站运维监控云机器人***、后台处理及作业任务方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及*** | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制*** | |
CN117289085A (zh) | 一种多线路故障分析诊断方法及*** | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理*** | |
CN116880402A (zh) | 智慧工厂协同管控***及其方法 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和*** | |
CN118093700A (zh) | 继电保护接入云平台的实现方法、装置、设备及存储介质 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
CN115731073A (zh) | 基于业务场景分析的调度操作异常监控方法 | |
CN115277473A (zh) | 边缘网关的远程运维方法、装置、计算机设备、存储介质 | |
CN111200315B (zh) | 一种变电站监控后台故障诊断***和方法 | |
CN117878925B (zh) | 一种智能电网的输电数据控制方法及*** | |
CN112187555B (zh) | 一种基于机器学习的实时kpi数据异常检测方法及装置 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
CN112269821A (zh) | 一种基于大数据的电力设备状态分析方法 |
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 |