[發明專利]一種基于大數據的變電站二次設備狀態分析方法及設備

在審

• 申請號: 202011341411.9
• 申請日: 2020-11-25
• 公開（公告）號: CN112510699A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 肖宇洋;張弘;徐娜;吳畏;黃翀藝;鄭文豪;杜律君;沈益新;譚文惠;汪志勇;肖思
• 申請（專利權）人: 國網湖北省電力有限公司咸寧供電公司
• 主分類號: H02J3/00
• 分類號: H02J3/00;H02J13/00
• 代理公司: 武漢智嘉聯合知識產權代理事務所(普通合伙) 42231
• 代理人: 丁倩

1.一種基于大數據的變電站二次設備狀態分析方法，其特征在于，包括如下步驟：

從設備異常狀態記錄庫中獲取若干組二次設備的歷史狀態數據以及與所述歷史狀態數據對應的異常狀態類型；

以若干組歷史狀態數據及其對應的異常狀態類型作為訓練集，根據所述訓練集建立狀態數據與所述異常狀態類型之間的深度學習模型，以得到狀態分析模型；

獲取二次設備的實時狀態數據，利用所述狀態分析模型對所述二次設備的實時狀態進行分析。

2.根據權利要求1所述的基于大數據的變電站二次設備狀態分析方法，其特征在于，所述歷史狀態數據至少包括二次設備的自檢信息、對時狀態信息、通信網絡中的MMS報文、GOOSE以及SV報文監測所得到的告警信息，所述異常狀態類型至少包括裝置溫度越限、裝置電壓越限、光強越限以及差流越限。

3.根據權利要求1所述的基于大數據的變電站二次設備狀態分析方法，其特征在于，所述以若干組歷史狀態數據及其對應的異常狀態類型作為訓練集，根據所述訓練集建立狀態數據與所述異常狀態類型之間的深度學習模型，以得到狀態分析模型的步驟具體包括：

以若干組歷史狀態數據及其對應的異常狀態類型作為訓練集；

確定所述深度學習模型的輸入層和輸出層，其中，所述輸入層為狀態數據，輸出層為異常狀態類型；

根據所述訓練集的特征值和目標值建立狀態數據與所述異常狀態類型之間的深度學習模型，以得到狀態分析模型，其中，所述特征值為歷史狀態數據，目標值為異常狀態類型。

4.根據權利要求1所述的基于大數據的變電站二次設備狀態分析方法，其特征在于，所述根據所述訓練集的特征值和目標值建立狀態數據與所述異常狀態類型之間的深度學習模型的步驟包括：

將訓練集中的特征值輸入第一層自編碼器中，對第一層自編碼器進行訓練后，以前一層自編碼器的隱含層的輸出作為后一層自編碼器的輸入依次訓練每一層自編碼器，以得到各層網絡的隱含層的輸出；

利用損失函數調整各層網絡的隱含層的權重和偏置。

5.根據權利要求4所述的基于大數據的變電站二次設備狀態分析方法，其特征在于，所述自編碼器的隱含層的輸出為：

H_j＝σ(W₁^jX_j+b₁^j)，

其中，H_j為第j個隱含層的輸出，σ為非線性映射，W₁^j為第j個自編碼器的輸入層到隱含層的權重，b₁^j為第j個自編碼器的輸入層到隱含層的偏置，X_j為第j個自編碼器的輸入。

6.根據權利要求5所述的基于大數據的變電站二次設備狀態分析方法，其特征在于，所述損失函數為：

其中，y_i為實際目標值，y_pre_i為預測目標值。

7.根據權利要求1所述的基于大數據的變電站二次設備狀態分析方法，其特征在于，所述獲取二次設備的實時狀態數據，利用所述狀態分析模型對所述二次設備的實時狀態進行分析的步驟具體包括：

獲取二次設備的實時狀態數據，將二次設備的實時狀態數據作為輸入層輸入至所述狀態分析模型中，利用所述狀態分析模型得到與所述實時狀態數據對應的輸出層，并以所述輸出層作為所述二次設備的實時狀態。

8.根據權利要求1所述的基于大數據的變電站二次設備狀態分析方法，其特征在于，所述獲取二次設備的實時狀態數據，利用所述狀態分析模型對所述二次設備的實時狀態進行分析的步驟之后還包括：

根據所述二次設備的實時狀態進行預警提示。