一种保护控制设备智能三元异构体构建方法、装置及系统与流程

本发明涉及电力系统保护与控制，尤其涉及一种保护控制设备智能三元异构体构建方法、装置及系统。

背景技术：

1、继电保护作为电力系统安全稳定运行的核心防线，其设备的可靠性直接关系到电网的供电连续性与故障处置效率。随着电力系统规模的扩大、新能源并网比例的提升以及二次设备数量的快速增长，保护控制设备面临的运行环境愈发复杂，对其状态评价和隐性故障检测能力提出了更高要求。

2、现有技术中，保护控制设备的隐性故障检测与状态评价存在诸多不足。首先，继电保护相关数据来源于一、二次对象交互数据，数据结构各异、体量巨大，传统数据处理方法难以快速高效地对多源异构数据进行融合与清洗，导致保护控制设备状态评价和隐性故障检测缺乏可靠的数据支撑。其次，现有设备运行工况分析多局限于设备及线路的动作行为、故障定位、原因诊断，大量正常态线路/设备的暂态录波信息未被有效利用，缺乏对保护控制设备整机/板卡/元器件老化劣化、采样回路偏差、保护逻辑失效、定值漂移等隐性故障的专项检测手段。

3、保护控制设备的隐性故障呈现随机、非线性等复杂特征，传统基于信号处理的故障分析方法计算开销大、分析难度高，难以准确提取故障特征并完成异常状态检测、故障类型辨识和定位。人工智能技术以其强大的数据降维、非线性拟合和端到端学习能力，为保护控制领域的状态检测、故障辨识与定位提供了新的技术路径，但高性能算法依赖大规模数据样本集和强算力支撑，且模型可解释性有待提升，难以直接应用于保护跳闸等确定性决策场景。

技术实现思路

1、发明目的：本发明的目的是提供一种能够实现隐性故障精准识别、智能模型与硬件动态协同及基于工况样本的在线迭代学习的保护控制设备智能三元异构体构建方法、装置及系统。

2、技术方案：本发明所述的保护控制设备智能三元异构体构建方法，包括如下步骤：

3、（1）构建保护控制设备三元异构内核组架构，各核组功能解耦部署且协同通信；所述三元异构内核组架构包括：保护控制算法核组、运行管理核组、人工智能诊断核组；

4、（2）设计异构体装置及系统的硬件集成形态；

5、（3）构建涵盖保护监控隐性故障的专项诊断库，设计特征匹配度算法；

6、（4）构建适应所述保护控制设备端侧人工智能模型轻量化部署方法；

7、（5）提出模型自适应隐性故障诊断算法迭代方法；

8、（6）自动采集并关联保护控制设备内部状态数据与变电站内关联设备状态数据，得到动静态学习工况样本库；

9、（7）当所述样本库中高权重样本累积至设定阈值时，触发所述人工智能诊断核组中的轻量化故障诊断模型进行在线增量学习，以完成基于设备运行工况的模型自学习优化。

10、进一步地，步骤（1）中，所述保护控制算法核组部署于专用信号处理模块，采用直接存储器访问技术，将运算结果直接映射至运行管理核组的共享内存指定区域；

11、所述运行管理核组部署于含专属存储控制器的存储单元，采用分区式共享存储设计，通过专用总线向人工智能诊断核组输出标准化数据帧；

12、所述人工智能诊断核组部署于含运算加速模块与专属cpu的异构计算单元，构建跨簇数据统一接入与协议转换软件中间件层，部署基于知识蒸馏的轻量化故障诊断模型。

13、进一步地，步骤（2）中，所述硬件集成形态包括：

14、（21）单芯片集成形态：采用系统级芯片，所述保护控制算法核组部署于内置的高性能信号处理内核，所述运行管理核组依托存储控制器外接内存，所述人工智能诊断核组集成系统级芯片内低功耗gpu微核与多核cpu；

15、（22）多芯片互联形态：采用多芯片模组封装，所述三个核组分别部署于独立芯片，所述多芯片模组内集成跨核交互控制cpu与共享内存控制器；

16、（23）服务器互联形态：采用三独立服务器和专用网络架构，所述三个核组分别部署于三台物理独立的专用服务器中。

17、进一步地，步骤（3）中，所述隐性故障包括：采样回路偏差故障、保护逻辑判断模块失效、开入开出回路异常、定值漂移、一二次回路故障、通信链路异常、设备整机/板卡/元器件劣化老化；

18、所述专项诊断库覆盖采样、逻辑、出口、通信、定值、整机/板卡/元器件参量全维度，各参数含故障关联属性与量化阈值；

19、故障特征库提取，针对电流、电压、故障录波、振动信号非平稳时序参量，采用小波包变换算法，提取波形时频域特征；

20、劣化特征库建立，针对设备状态参数和性能指标强时序依赖性的参量，基于双向长短时记忆网络，输入为设备连续采样周期的参数，输出为劣化趋势系数，引入注意力机制，注意力机制权重基于参数对劣化的影响度分配；

21、所述特征匹配度算法，用于计算实时参量特征与诊断库中特征的余弦相似度。

22、进一步地，步骤（4）中，所述设备端侧模型轻量化部署方法包括：

23、（41）从所述保护控制设备实时采集的核心参数中，设计特征选择与筛选算法，将特征维度压缩至预设维度，形成专项特征集；

24、（42）采用提示调优式知识蒸馏技术，以通用ai模型为教师模型，引入保护控制场景提示向量嵌入教师模型特征层，构建故障诊断任务与知识蒸馏特征对齐损失结合的混合损失函数；

25、（43）对简化后的模型进行通道剪枝；

26、（44）对权重矩阵进行低秩分解；

27、（45）在推理时对模型进行量化。

28、进一步地，步骤（5）中，所述的模型自适应隐性故障诊断算法迭代方法包括：设计芯片软件兼容适配协议中间件，硬件芯片迭代升级时，中间件自动读取新芯片的算力参数、接口协议，动态调整模型层参数与数据传输格式。

29、进一步地，步骤（6）中，所述静态学习工况样本库的构建包括：

30、设备出厂测试阶段，搭建与保护控制设备硬件完全一致的模拟测试平台，批量采集对应的设备本体多层级状态量初值、电气特征量、共性性能指标及时序信号；

31、保护控制设备及系统运行阶段，设计实时数据反馈、定期校验的双向迭代机制，实时采集本体运行数据，当数据超出正常阈值时，自动标记为疑似本体异常，通过特征匹配，存储为新增的有效数据；

32、所述动态学习工况样本库的构建包括：

33、整合设备本地监测数据、关联设备状态数据、大模型定性结论三类动态数据，构建数据输入体系；

34、设计带有时标扩展字段的环形内存池结构，对流入样本库的数据附加高精度同步时标。

35、进一步地，步骤（7）中，所述设备工况的模型自学习，包括：

36、（71）构建隐性故障-设备状态特征映射表，以故障类型为索引，采用改进cart决策树算法挖掘状态参数与故障的关联性，计算各参数的信息增益，筛选出关键影响因子，形成场景化状态特征库；

37、（72）为每对关联样本自动生成动态权重索引标签，高权重样本在后续模型训练中被优先采样；

38、（73）当所述人工智能诊断核组连续多次对同一类型隐性故障的诊断置信度低于阈值，或设备工况特征库中新增未识别的状态模式时，自动触发模型迭代流程；

39、（74）将学习到的设备状态特征按故障场景分类，通过特征增强模块生成扩展样本，以预设比例与原始故障样本混合，构成迭代训练集；

40、（75）使用联邦学习框架，利用保护控制设备产生的数据更新模型参数；

41、所述联邦学习框架包括：

42、设备侧具备模型训练能力时，聚合节点为变电站内具备人工智能模型训练的服务器硬件或集控站内部署综合研判大模型的硬件设备；

43、设备侧不具备模型训练能力时，本地节点和聚合节点为变电站内具备人工智能模型训练的服务器硬件设备，聚合节点为集控站内部署综合研判大模型的硬件设备。

44、一种保护控制设备智能三元异构体构建装置，包括：电源模块、保护控制算法内核组、运行管理内核组、人工智能诊断内核组、总线；

45、所述保护控制算法内核组包括核心算法内核和第一支撑协同模块；

46、所述运行管理内核组的核心管理内核和第二支撑协同模块；

47、所述人工智能诊断内核组包括核心诊断与计算内核和第三支撑协同模块；

48、所述总线包括电源总线与数据总线。

49、一种保护控制设备智能三元异构体构建系统，包括：

50、硬件层：配置为单芯片集成、多芯片互联、服务器互联形态；

51、软件中间件层：用于部署跨簇数据接入、协议转换及硬件参数解析模块；

52、算法模型层：用于集成故障诊断、模型轻量化、工况自学习相关算法；

53、样本库层：用于包含静态学习、动态学习样本库及全维度隐性故障专项诊断库。

54、有益效果：与现有技术相比，本发明具有如下显著优点：1、通过构建三元异构架构，实现核心保护逻辑的物理隔离与资源独占，为智能诊断提供了高效、标准化的数据通路；2、实现对多类隐性故障的精准识别与设备劣化趋势的动态追踪，显著提升诊断的全面性和前瞻性；3、模型在保持高精度的同时，具备在有限资源下运行及跨芯片平台的泛化能力；4、提出的三种可配置的硬件集成形态，实现了从嵌入式装置到分布式系统的灵活部署，能够满足不同场景下对算力、集成度与成本的差异化需求。