一种面向录波与行波异构数据的输电线路故障原因辨识方法及系统与流程

摘要: 本发明涉及电力系统故障辨识与智能分析,具体涉及一种面向录波与行波异构数据的输电线路故障原因辨识方法及系统。背景技术:1、输电线路是电力系统能量传输的核心基础设施...
一种面向录波与行波异构数据的输电线路故障原因辨识方法及系统与流程

本发明涉及电力系统故障辨识与智能分析,具体涉及一种面向录波与行波异构数据的输电线路故障原因辨识方法及系统。

背景技术:

1、输电线路是电力系统能量传输的核心基础设施,具有电压等级高、覆盖范围广、运行环境复杂等核心特点,长期面临极端天气,如雷击、冰害、风害与外部干扰,如外力破坏、鸟害的严峻考验,极易发生多种类型的故障。由于不同故障的表现形式多样、电气特征相互交织,导致故障类型难以准确辨识,显著增加了故障定位与排除的难度,对电网的安全稳定运行构成严重威胁。随着智能电网建设的持续推进,电网规模不断扩大、网络结构日益复杂,行业对输电线路故障辨识的实时性、准确性及自适应能力提出了更高要求,传统基于人工分析或简单算法的故障辨识方法已表现出明显的局限性,难以满足实际应用需求。

2、在电网发生故障或较大扰动时,故障录波装置、保护装置及相关终端能够记录故障前后电压、电流等多通道波形数据,形成comtrade标准格式文件;与此同时,行波监测装置能够在更高时间分辨率下提供暂态波头信息。上述两类数据对故障性质判定与原因辨识具有互补的辨识价值。

3、为突破传统方法的瓶颈,基于人工智能技术的输电线路故障辨识方案成为研究热点,现有技术主要归结为传统机器学习方法与深度神经网络方法两大类,但两类方法均存在显著缺陷。然而,现有故障原因辨识技术在工程落地过程中仍存在以下四方面核心问题:

4、(1)录波数据与行波数据在文件结构、通道配置、采样频率、可用特征维度等方面差异显著。现有方案对录波数据与行波数据多采用分散处理方式,缺乏统一的数据类型识别、链路分流与结果汇聚机制,不同来源数据之间难以实现协同辨识,导致异构故障数据的互补信息难以被充分利用。

5、(2)comtrade录波文件在字符编码、通道命名、零序量表示方式以及厂商私有字段方面存在明显差异,且现场数据可能伴随缺失、错位、量纲异常或截断饱和等问题;若缺乏物理一致性校验、通道标准化与映射置信度约束,容易将语义不确定或质量不可信的数据直接输入后续辨识流程。

6、(3)现有智能辨识方法通常默认模型始终可用且输入特征始终匹配,缺少针对模型不可用、特征维度不一致、关键通道缺失或低置信数据的安全降级与拒识机制;一旦发生强行推理,容易输出形式上确定但实际错误的辨识结论,工程风险较高。

7、(4)现有技术普遍缺乏“一致性校验、人工复核、样本沉淀、受控增量更新”的闭环机制,辨识结果难以做到全过程可追溯、可复核和可审计,模型也难以随新场景、新设备和新样本稳定演进。

8、因此,需要一种面向异构故障数据的工程可落地方案,在保证数据可信与模型适配的前提下,实现可靠输出、冲突复核、可追溯沉淀与报告归档;同时支持专家知识的结构化沉淀与模型的受控迭代更新,形成辨识、审核、样本沉淀与受控迭代更新的闭环流程。

技术实现思路

1、本发明要解决的技术问题:现有输电线路故障原因辨识方法中录波数据与行波数据处理方式不统一、不同来源辨识结果缺少一致性校验、模型资源及输入特征适配性缺少检查,以及自动辨识结果与人工确认结果边界不明确。

2、针对现有技术的上述问题,提供一种面向录波与行波异构数据的输电线路故障原因辨识方法及系统,通过录波与行波异构数据处理、模型资源可用性检查、特征输入适配性检查、自动候选辨识结果形成、人工审核、拒识分流、样本沉淀及报告归档,实现故障原因辨识过程的可核查和可追溯。

3、为了解决上述技术问题,本发明采用的技术方案为:

4、一种面向录波与行波异构数据的输电线路故障原因辨识方法,包括以下步骤:

5、获取待分析的故障数据,识别所述故障数据包含的数据类型;

6、对故障数据中的录波数据执行可信处理得到录波特征向量,对故障数据中的行波数据提取行波特征得到行波特征向量,并使用预设规则对行波特征向量进行判别得到故障类别的行波判别结果;

7、进行录波数据或行波数据的门控条件检测,录波数据或行波数据满足门控条件时,进行对应故障分类模型的门控条件检测,当故障分类模型满足门控条件时,将对应的录波特征向量或行波特征向量输入所述故障分类模型进行模型推理,得到故障类别的模型预测结果;当不满足门控条件时,记录异常原因,若故障数据满足预设人工审核准入条件,则基于异常原因构建对应的异常待审核对象;

8、汇总属于同一故障事件的故障数据的有效自动辨识结果,所述有效自动辨识结果包括所述模型预测结果和所述行波判别结果中的至少一种;当仅获得一个有效自动辨识结果时形成单源自动候选辨识结果,当获得多个一致的有效自动辨识结果时形成一致性融合候选结果,当多个有效自动辨识结果不一致时形成冲突待审核对象;

9、将待审核对象提交人工审核,得到最终故障原因辨识结论,所述待审核对象包括单源自动候选辨识结果、一致性融合候选结果、冲突待审核对象、异常待审核对象中的至少一种;

10、将最终故障原因辨识结论加入样本库并更新所述故障分类模型,生成最终故障原因辨识结论对应的故障原因辨识报告。

11、进一步的,对故障数据中的录波数据执行可信处理时,包括以下步骤:

12、对故障数据中的录波数据进行多编码容错解析;

13、对解析所得通道数据执行物理合法性校验;

14、对通道名称执行标准化处理,将零序通道表示统一转换为目标标准通道名集合;

15、利用自适应通道映射算法将校验后通道数据的原始通道映射至标准通道,并计算映射置信度,所述映射置信度为通道名称字符串相似度、信号峰值与有效值的量级范围匹配度的加权融合结果;

16、若所述通道数据包括三相电压与三相电流通道,以故障前预稳态区间作为基准对各通道数据执行标幺值归一化得到录波特征向量。

17、进一步的,对故障数据中的行波数据提取行波特征时,具体包括:

18、从二进制行波数据文件中以预定义字节偏移位置读取多通道暂态波形数据,构成采样矩阵;

19、对所述采样矩阵执行波形质量检查,波形质量检查包括解析完整性检查,用于判断二进制数据是否能够按照预设字节偏移位置、字节序、数据类型和通道排列方式正确解析;

20、当波形质量检查通过时,从所述采样矩阵提取行波特征集合;

21、当波形质量检查未完全通过但暂态波形能够正常显示且仍能够获得可供专家判断的有效特征或中间判别结果时,生成异常原因并构建对应的异常待审核对象;

22、当波形质量检查严重不通过且现有信息不足以支持专家判断时,将当前记录标记为跳过状态。

23、进一步的,进行录波数据或行波数据的门控条件检测时,包括:

24、对故障数据中的录波数据检查对应的映射置信度是否大于预设阈值,对故障数据中的行波数据检查对应的波形质量中二进制数据解析质量;

25、若映射置信度大于预设阈值,则进行录波数据对应的故障分类模型的门控条件检测,若映射置信度小于预设阈值;

26、若二进制数据能够按照预设字节偏移位置、字节序、数据类型和通道排列方式正确解析,则进行行波数据对应的故障分类模型的门控条件检测;

27、若映射置信度小于预设阈值,或者二进制数据不能够按照预设字节偏移位置、字节序、数据类型和通道排列方式正确解析,则记录异常原因,判断故障数据是否满足预设人工审核准入条件,满足预设人工审核准入条件时基于异常原因构建对应的异常待审核对象,不满足预设人工审核准入条件时将当前记录标记为跳过状态。

28、进一步的,进行对应故障分类模型的门控条件检测时,包括:

29、检查与当前分析链路对应的故障分类模型、特征标准化器及标签映射信息是否存在且能够正常加载,当前分析链路包括录波可信处理链路或行波处理链路,分别与录波数据或行波数据相对应;

30、当任一模型资源不存在、无法加载或运行异常时,禁止调用对应故障分类模型,生成并记录模型资源异常的原因标识或原因说明;

31、当模型资源能够正常加载时,读取对应模型的期望输入特征名称、排列顺序和维度,并与当前输入特征向量进行比较;当当前输入特征向量的特征名称、排列顺序或维度与对应模型的期望输入信息不一致时,禁止调用对应故障分类模型,生成并记录特征输入不适配的原因标识或原因说明;

32、当模型资源异常、特征输入不适配或模型运行失败时,判断当前故障数据是否满足预设人工审核准入条件;所述预设人工审核准入条件至少包括:故障数据能够有效解析,原始波形能够正常显示,对应分析链路的关键通道达到预设最低要求,并且能够获得至少一项可供专家判断的有效特征、中间判别结果或数据质量信息;

33、满足预设人工审核准入条件时,基于异常原因、原始波形、通道状态、已提取特征及已有中间判别信息构建异常待审核对象并提交人工审核;不满足预设人工审核准入条件时,记录异常原因并终止本次分析流程,不形成自动候选辨识结果,且不将该记录写入模型训练样本库。

34、进一步的,所述行波判别结果包括行波特征向量的候选故障类别与规则匹配信息,所述模型预测结果包括故障分类模型对录波特征向量或行波特征向量进行推理得到的候选故障类别与置信度;

35、形成一致性融合候选结果时,具体是对各有效自动辨识结果的置信度或规则匹配信息进行加权融合得到融合置信度,并记录各有效自动辨识结果的来源、关键特征及一致性校验状态;

36、形成冲突待审核对象时,具体是保留各冲突的有效自动辨识结果的候选故障类别、结果来源、置信度或规则匹配信息、关键特征及冲突状态。

37、进一步的,将待审核对象提交人工审核时,具体包括:

38、当接收所述单源自动候选辨识结果或所述一致性融合候选结果时,展示候选故障类别、候选结果来源、模型置信度或规则匹配信息、原始波形、关键特征及处理链路记录;

39、当接收所述冲突待审核对象时,展示各冲突结果的候选故障类别、结果来源、模型置信度或规则匹配信息、原始波形、关键特征及冲突状态;

40、当接收所述异常待审核对象时,展示异常原因标识或原因说明、原始波形、数据解析状态、关键通道完备情况、已提取特征及已有中间判别信息;

41、接收确认指令、修正标签、直接确定的故障类别或跳过指令;

42、响应于确认指令,将候选故障类别确定为最终故障原因辨识结论;响应于修正标签或直接确定的故障类别,将修正标签或直接确定的故障类别所确定的故障类别作为最终故障原因辨识结论;响应于跳过指令,将当前记录标记为跳过状态。

43、进一步的,将形成最终故障原因辨识结论的审核结果加入样本库以更新所述故障分类模型时,包括:

44、当样本库累积数量满足要求,计算最近若干条样本的模型预测正确率,当正确率低于预设门限时触发增量更新;

45、从所述样本库提取新增样本的特征与实际标签,调用已有的特征标准化器执行预处理,并复用原始模型训练超参数;

46、从历史特征档案加载历史样本集,按照新增样本数量的预设倍数与预设下限值中的较小值作为回放规模,随机抽取历史样本构成回放集;

47、选取与待更新模型的数据类型、特征名称、排列顺序和输入维度一致的审核样本,将所述历史回放集与新增审核样本合并形成增量数据集,执行过采样增强;

48、使用所述超参数在增强数据集上训练增量子模型,将所述增量子模型与原始模型以加权融合方式进行融合得到融合模型,所述原始模型权重高于增量子模型权重;

49、在验证集上计算融合模型准确率,当融合模型准确率超过预设质量门限且不低于原模型在同一验证集上的准确率时,以融合模型替换原始模型并持久化保存,否则维持原模型不更新。

50、进一步的,生成与最终故障原因辨识结论相对应的故障原因辨识报告时,故障原因辨识报告包括:

51、自动候选辨识结果,包括候选故障类别、候选结果来源以及对应的模型置信度或规则匹配信息;

52、人工审核操作类型,包括确认、修正、直接确定故障类别或跳过中的至少一种;

53、经人工审核形成的最终故障原因辨识结论或跳过状态;

54、分析模式标识及候选结果来源标识;

55、关键特征列表;

56、路径标识,包括模型推理、行波规则判别、单源自动候选结果形成、一致性融合候选结果形成、冲突人工审核、异常人工审核、人工确认、人工修正、人工直接确定故障类别、跳过或流程终止中的一项;

57、链路记录,包括数据类型识别结果、映射置信度、关键通道完备情况、异常原因标识或原因说明、一致性校验状态及冲突信息。

58、本发明还提出一种面向录波与行波异构数据的输电线路故障原因辨识系统,包括互相连接的处理器和计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被所述处理器执行以实现所述的面向录波与行波异构数据的输电线路故障原因辨识方法。

59、与现有技术相比,本发明的优点在于:

60、本发明通过对录波数据执行可信处理、对行波数据提取特征并执行规则判别,能够兼容不同来源及不同数据结构的故障数据,解决录波数据与行波数据处理方式不统一的问题;通过进行录波数据或行波数据的门控条件检测,并在数据满足门控条件时进行对应故障分类模型的门控条件检测,避免在模型资源不可用或输入特征不匹配的情况下强制调用故障分类模型,解决模型资源及输入特征适配性缺少检查的问题;通过汇总属于同一故障事件的有效自动辨识结果,形成单源自动候选辨识结果、一致性融合候选结果或冲突待审核对象,将自动辨识结果统一形成自动候选辨识结果并经人工审核确认或修正后形成最终故障原因辨识结论,明确了自动辨识结果与最终结论之间的关系,解决不同来源辨识结果缺少一致性校验以及自动辨识结果与人工确认结果边界不明确的问题;通过人工审核准入条件将异常数据分流至人工审核或流程终止处理,并通过审核样本沉淀和报告归档提高辨识过程的可核查性和可追溯性。