[发明专利]一种变电站二次设备状态监测方法及可读存储介质

说明书

本发明公开了一种变电站二次设备状态监测方法及可读存储介质，所述方法包括，采集变电站二次设备的监测信号，对所述检测信号进行特征提取；对提取到的特征进行模型识别，并根据模型识别结果完成变电站二次设备状态信息的趋势预测。本发明方法利用数据点变化趋势的隐含信息，通过趋势预测，能够实现更先进的评价，有效缩小评价结果与设备实际状态间的差距。

技术领域

本发明涉及变电站故障监测技术领域，特别是一种变电站二次设备状态监测方法及可读存储介质。

背景技术

近年来，随着电网规模不断扩大，输变电电压水平不断提高，推动了新一代智能变电站的建设。这使得电力设备的数量和复杂度不断增加，设备维护成本不断增加，继电保护设备的维护工作量也急剧增加。为确保电网在二次设备多、设备复杂度高情况下的可靠运行，电力设备的维护策略正朝着状态检修方向发展。智能变电站二次设备运行状态诊断是风险评估和状态检修的重要依据。因此，状态监测的准确性对电网的安全和可靠性至关重要。

发明内容

有鉴于现有技术的上述缺陷，本发明的目的就是提供一种变电站二次设备状态监测方法及可读存储介质，利用数据点变化趋势的隐含信息，通过趋势预测，能够实现更先进的评价，有效缩小评价结果与设备实际状态间的差距。

本发明的目的之一是通过这样的技术方案实现的，一种变电站二次设备状态监测方法，所述方法包括，

采集变电站二次设备的监测信号，对所述监测信号进行特征提取；

对提取到的特征进行模型识别，并根据模型识别结果完成变电站二次设备状态信息的趋势预测。

可选的，所述对所述监测信号进行特征提取，包括：

将所采集到的信号波形划分为训练集和测试集；

对所述训练集和测试集的信号波形进行预处理；

所述预处理包括：滤波、计算波形均方根、提取弧垂数据段和重采样。

可选的，所述对所述监测信号进行特征提取，还包括：

根据所采集到的训练集的数据维度建立深度信念网络DBN模型，并根据所述DBN模型确定每个显层和隐层的节点数；

将所采集到的训练集的信号波形的时域数据输入DBN模型；

根据确定的节点数采用无监督的逐层训练方法提取DBN模型的信号特征。

可选的，对提取到的特征进行模型识别，包括：

将提取到的信号特征输入到DBN模型进行模型训练；

通过测试集对训练完成的DBN模型进行验证。

可选的，所述对所述监测信号进行特征提取，还包括：

通过特征离散度评价各隐层单元数和多层受限玻尔兹曼机RBM对DBN模型的影响以突出数据特征；

所述特征离散度，满足：

其中，D表示特征离散度，v表示当前类的特征距离，m表示同一类别的特征数，p_v，m表示当前类波形特征向量，p_v，c表示波形的特征中心向量，n表示同一种类别的特征数，u表示数据类别总数。

可选的，所述特征中心向量的选取原则满足：

其中，l，i，j均表示波形类别，p_v，i，p_v，j表示当前类的i，j波形的特征向量。

可选的，根据模型识别结果完成变电站二次设备状态信息的趋势预测，包括：