智能电子设备的配置方法与流程

1.本发明涉及一种变电站自动化系统的智能电子设备(ied)。更具体地，本发明涉及生成用于电力系统的保护、控制和自动化功能的ied的配置。


背景技术：

2.变电站自动化包括变电站中各种一次设备的监测、控制、保护和/或计量。一次设备可以是发电机、电动机、电力变压器、输配电线路、断路器、电容器组等。
3.变电站自动化通常使用智能电子设备(ied)执行，该智能电子设备通常从一次设备接收电力系统信息，基于该信息来做出决策(例如，隔离并保护电气设备的跳闸决策)，并且提供监测，控制、保护和/或自动化功能。
4.不同ied通常被配置为完成不同应用功能，其中应用功能可以是监测、保护、控制等中的一项。ied也可以被配置为执行上文所提及的应用功能的组合的通用多功能，这些应用功能包括电气事件的记录功能。
5.在多功能中继器(ied)中，存在许多可能配置。通常，中继器(ied)由工程师针对客户目标(ied的应用功能)配置为测试阶段中的预先定义的配置组合，并且这些预先定义的配置可用作预配置模板。
6.目前，验证ied配置的方式可能有限(例如，基于订单代码或基于标识工程途径或ied的使用)。
7.多功能ied是托管多个应用的设备。ied用户/客户/工程师通常想要在安装ied后的一段时间内扩展ied的功能甚至改变ied的功能。通过设计附加功能或改变ied功能来扩展ied的功能需要设计ied配置并且向ied提供经更新配置。
8.对于大多数电力系统中继器，设计(ied配置)通常使用离线工具完成，然后当硬件到达时，将配置提供给ied。在许多情况下，离线设计可能与实际硬件不匹配，从而导致在进行这些校正上花费附加精力。所设计的配置可能不符合ied的给定型号或固件版本。所设计的配置或预配置可能具有一个或多个无效配置或子配置，这些无效配置或子配置在ied操作期间的故障或警告导致配置的无效段之后可能不明显。
9.因此，本发明的目的是避免由上文所提及的误差或不一致的来源引起的难题。该目的通过为客户/工程师提供早期访问的方法实现，该方法为ied的基于云的数字孪生(虚拟模型)，用于设计ied以实现范围广泛的应用功能。ied的设计通过基于所定义的ied的应用生成ied的自动化配置来执行。本发明的另一实施例允许通过ied配置的逐步推荐来引导ied的设计。


技术实现要素：

10.上文所提及的缺陷、缺点和问题在本文中得到解决，这将通过阅读和理解以下说明书来理解。
11.本发明提供了一种用于通过在计算系统上生成ied配置来设计ied的方法，计算系
统可以位于云(云计算系统)或/和边缘。在边缘或/和云计算系统上生成的ied配置被传输到物理ied上，从而使得物理ied能够执行与ied配置相对应的应用功能。
12.云计算系统提供有物理ied的虚拟模型，并且被配置为其数字孪生。所生成的ied配置与物理ied的一个或多个应用功能相对应。ied的应用功能通常由客户或工程师标识或定义。ied应用功能的示例可能涉及对变电站的一次设备或变电站的整个间隔执行监测、控制、计量等功能。
13.与ied应用功能相对应的配置以自动化机构或通过引导设计机构生成。在生成ied配置的自动化机构中，被托管在云计算系统上的序列预测机器学习算法(本文也称为序列预测技术)首先标识ied所需的应用功能，并且查看历史保存的并且托管在云计算系统上以执行相似性搜索的配置数据库。这种相似性搜索揭示了所请求的ied配置与历史保存的ied配置之间相似的任何配置。所标识的相似ied配置构成了用于生成需要被生成以满足客户/工程师的定义的配置的基础。
14.序列预测机器学习算法(序列预测技术)还标识已请求特定ied应用功能的客户/工程师配置文件。客户/工程师配置文件的性质包括：获取客户/工程师所使用的所有历史可用的ied配置或/和客户/工程师所优选的历史ied配置。这在本文中被称为协同过滤并且可以使用专用协同过滤算法或序列预测技术来执行。序列预测机器学习算法在这种历史数据集合上进行训练，该历史数据集合包含客户/工程师对ied配置(协同过滤)的特定偏好以及各种ied历史上用作其各自应用功能的其他典型配置。然后，序列预测机器学习算法(序列预测技术)根据客户/工程师的要求生成与应用功能相对应的最终ied配置。ied配置作为功能序列生成，其中序列预测机器学习算法(序列预测技术)还分配序列中功能的输入/输出信号连接序列。该功能序列及其输入/输出信号连接序列的分配可以通过序列预测机器学习算法自动生成——这构成了与所需ied应用功能相对应的ied配置的自动生成。在本发明的另一实施例中，序列预测机器学习算法推荐功能序列以及它们的输入/输出信号连接序列的分配，其中前一功能的输出形成对下一功能的输入。最终生成的ied配置可以通过将所生成的ied配置实现为ied的数字孪生来在云计算系统上验证。在将最终ied配置部署到物理ied之前，可以在云计算系统上验证各种测试场景。
附图说明
15.附图说明了如本文所公开的示例性实施例并且不应被认为是对范围的限制。在这些附图中：
16.图1是诸如ied之类的物理设备及其功能表示；
17.图2a是物理设备(诸如ied)的功能表示及其备选表示；
18.图2b是在边缘和云上实现为数字孪生的物理设备的功能表示；
19.图3是示出了关键部件以及各种系统部件之间的交互的完整系统表示；
20.图4是作为功能序列的ied配置的自动化生成以及功能序列的输入/输出信号的分配中涉及的一次元件的表示；
21.图5是通过生成功能序列的引导设计机构的ied配置的生成以及功能序列的输入/输出信号的分配中涉及的一次元件的表示；
22.图6是表示在边缘或云计算系统上生成ied配置的方法的总结；
23.图7是作为功能序列生成的ied配置以及功能输入/输出信号的分配的表示。ied应用功能用于使用经训练的序列预测算法、基于ied配置的自动化或引导设计来进行电力系统故障分析和跳闸触发，以供进行功能的序列预测和功能输入/输出信号连接的序列预测；以及
24.图8是表示在边缘或云计算系统上生成ied配置的方法的总结。
具体实施方式
25.变电站自动化(sa)系统包括用于保护、控制和监测变电站的几个基本sa功能。自动化功能可以与一次设备的各个组成部分有关，也可以与整个变电站间隔有关。
26.在电力系统中，智能电子设备(ied)从所安装的电力装置(一次设备)或/和电力系统中的各种传感器接收信息。ied生成控制命令，该控制命令可以维持系统处于正常操作。
27.在以下具体实施方式中，参考构成其一部分并且通过说明可以实施的特定实施例的方式示出的附图。对这些实施例进行了足够详细的描述，以使得本领域技术人员能够实践这些实施例，并且应当理解，可以利用其他实施例。因此，以下具体实施方式不应被理解为具有限制性。
28.图1a示出了诸如ied的典型物理设备以及以有助于构建其虚拟模型的方式来表示物理设备的机构的表示。由于虚拟模型被配置为在所有测试场景下复制物理设备(ied)的功能操作，所以虚拟模型在本文中被称为数字孪生。
29.在功能上，物理设备(ied)100可以表示为系统110，该系统由作为通过硬连线或通过总线连接到现场的独立元件的框架135、应用功能引擎120、服务130和通信引擎125组成。框架135被定义为指定特定于物理设备(ied)100的相关功能方面的可执行模型集合。它制定给定应用域内的结构和行为。框架135还由配置管理器150、数据模型单元140和诊断单元145组成。
30.配置管理器150可以促进配置构成物理设备100的功能表示的应用模块之间的各种交互。配置管理器150还可以帮助诸如设置功能模块执行的优先次序、各种相关功能之间的参数和数据传递的同步和异步方面。
31.数据模型单元140组织设备(ied)的不同数据元素并且使数据元素如何相互关联标准化。数据可以是结构化的或非结构化的。它还可以采用任何格式，诸如任意二进制数据、文本、json或序列化协议缓冲器。数据元素可以具有诸如物理设备(ied)的互联网协议(ip)地址和mac地址、设备的特定技术配置信息(诸如中断请求线、输入/输出端口等)、与设备、硬件、软件和固件版本相关的标签和标识符信息、设备型号和状态信息(诸如设备的健康、当前操作状态)之类的部件。
32.诊断模块145是有助于监测设备的各个方面以提供系统诊断的软件部件。它可以监测诸如电压、电流、设备内部温度等之类的参数。
33.应用功能引擎120是便于在物理设备或嵌入在物理设备中的计算单元上构建和运行应用功能的部件。各种应用功能使得能够执行设备特定任务，诸如测量一些参数或控制致动器等。通信引擎125为设备之间、传感器与设备之间、设备与网关之间、设备与数据管理系统之间等的数据传送提供各种连接选项的平台。它使得能够使用诸如广域网(wan)、局域网(lan)、近场通信(nfc)等之类的不同的网络类型以及诸如消息排队遥测传输(mqtt)等之
类的不同的通信协议和标准。
34.物理设备中的服务模块130可以与诸如误差和故障诊断、健康和性能监测等之类的服务部件相对应。服务模块可以集成所有不同的服务部件来完成所需服务功能。
35.物理设备(ied)100的上文所描述的功能表示形成了物理设备100在其功能部件方面的完整描述。然而，为了在边缘设备或/和云计算系统上实现物理设备的数字孪生，功能表示通常被进一步简化为备选表示。基于物理设备的特定方面(其功能需要在数字孪生中实现和研究)，这种备选表示使得能够进一步整合功能表示中的各种功能。
36.图2中描绘了一个这种备选表示。物理模型表示可以通过合并或消除模块来简化。这种简化表示可以通过检测并移除冗余属性或模块来优化。这将完全描述某些应用的物理设备或无需详细表示的物理设备。
37.这种表示将设备提供为由设备模型235、认知层230、服务模块220和训练管理器240组成。
38.设备模型235由表示物理设备的功能视图的逻辑设备组成。在功能上，它可以由包含数据模型单元、诊断模块和配置管理器的框架单元构成。
39.认知层230由用于使用比如机器学习算法使应用功能自适应以基于它们在其特定环境中处理的数据来改进它们的部件组成。认知层230还有助于对在真实环境中以及在被设计为模拟真实环境的虚拟环境中操作的智能应用和模块进行编程。
40.认知层230上方是应用功能引擎、通信引擎和少数选择服务225的表示。
41.服务模块220形成该逻辑表示的最顶层。物理设备中的服务模块可以与诸如误差和故障诊断、健康和性能监测等之类的服务部件中的任一部件相对应。服务模块可以集成所有不同的服务部件来完成所需的服务功能。
42.训练管理器听取(经预处理的)输入和输出并且标记样本以进行训练，从而导致准备概率表或训练结果集。标记在边缘/云处的训练管理器上完成。
43.如图2b所示，物理设备(ied)100的数字孪生可以在边缘设备210a或云计算系统210b上创建。物理设备100与边缘设备210a上的数字孪生之间的通信可以通过诸如modbus tcp、iec 61850mms(制造消息规范)等之类的不同的通信协议实现。物理设备100与云计算系统上的数字孪生之间的通信可以比如经由http接口实现。同样，边缘设备210a上的数字孪生与云计算系统210b上的数字孪生之间的通信可以经由http接口实现。
44.提供配置数据模块245以促进ied数字孪生读取和写入对应物理ied的所有配置和设置数据。它还可以查看并设置ied参数
45.图3示出了发明原理的表示的优选实施例。一个或多个ied 320a、320b的虚拟模型215在云计算系统210b上实现。每个ied在云计算系统210b上具有对应数字孪生215。ied 320a、320b被配置为与如在云计算系统210b上实现的它们对应的数字孪生215进行双向通信。比如，通信可以经由http。
46.每个ied 320a、320b可以是变电站自动化系统的一部分，其中它提供与自动化功能的应用功能相对应，该自动化功能包括变电站的保护、控制和监测中的一项或多项。ied 320a、320n的应用功能可以与各个初级变电站设备330a、330n的自动化或较大变电站间隔相对应。ied可以是现有ied 320a，它们已经投入使用并且目前正在运行，或者它们也可以是新ied 320b，这些新ied 320b已经被订购或采购并且在投入使用之前需要被配置为针对
变电站自动化进行操作。
47.为了针对特定应用功能而配置ied 320a、320b或将应用功能添加到ied，首先需要获取或具体识别需要在任何给定ied或所标识的ied上配置的一个或多个应用功能。应用功能可以包括自动化功能，诸如对变电站中的电气设备的保护、控制和/或监测。这些自动化功能可以通过对ied所接收的模拟或/和数字信号进行一个或多个处理来启用。一个或多个处理可以构成谐波检测、调度功能、特定波形记录等。这样的应用功能使得能够生成用于ied的配置，这些配置有助于使ied适应变电站中的电气设备的特定自动化操作。
48.用于配置ied的方法通常开始于云计算系统210b从客户设备300接收用于为ied中的至少一个应用功能生成至少一个配置的请求，其中该请求包括与ied 320a、320b相关联的标识符。
49.客户设备300可以是工作站，诸如变电站内的操作员工作站或设计工作站。客户设备300还可以是可以与云计算系统210b通信连接的便携式手持设备，诸如智能手机。
50.与ied 320a、320b相关联的标识符可以包括ied序列号、ied的ip地址、ied的媒体访问控制(mac)地址、ied中的固件和软件版本、型号、制造商名称等。
51.根据与ied 320a、320b相关联的标识符，云计算系统将ied确定为变电站中的现有ied 320a和针对变电站采购的新ied 320b中的至少一个ied。该确定通过将与需要配置的ied相关联的标识符与存储在计算系统215中用于生成至少一个配置的ied的标识符进行比较来完成。存储在计算系统215中的ied的标识符和配置与在变电站自动化中调试的每个现有ied相对应。如果比较未从所存储的标识符中揭示任何相同的标识符，则云计算系统接受所标识的ied作为新ied320b，该新ied 320b已被采购用于在变电站内进行调试。同样，如果比较确实从存储的标识符中揭示任何相同的标识符，则云计算系统接受所标识的ied作为已在变电站内调试的现有ied 320a，因此该标识的ied的当前配置相应改变。
52.ied可以提供有用于任何类型的初级变电站设备(诸如变压器、断路器等)或/和用于一个变电站间隔的定制或预先配置的应用功能(诸如，保护、监测、控制、计量等)。
53.在标识出需要配置的ied之后，云计算系统215通过将新ied的虚拟模型配置为数字孪生以复制云计算系统中的新ied的功能并且使用用于计算系统中包含的现有ied的预先配置的虚拟模型中的至少一个虚拟模型来调整ied的虚拟模型320at、320bt。
54.如果所标识的ied为现有ied中的一个ied，则云计算系统仅调整已经存在并存储在云计算系统内的现有ied的虚拟模型。
55.如果所标识的ied是新ied中的一个新ied，则云计算系统首先构建新ied的虚拟模型并且将该ied的虚拟模型存储在云计算系统内。虚拟模型使用标准程序和软件环境构建，诸如数字模拟器、中继器建模软件、ied配置器软件等。云计算系统可以从客户设备300接收供应商供应的ied能力描述(icd)文件。icd文件提供了云计算系统构建新ied虚拟模型所需的信息。信息可能由模拟和数字通道的数目、处理和存储能力、时间同步方法(诸如内部时钟或/和gps卫星时钟)等组成。
56.一旦构建(对于新ied 320b)或/和获取(对于现有ied 320a)了虚拟模型，云计算系统现在可以将ied的虚拟模型配置为数字孪生，以复制云计算系统中的新ied的功能。
57.参考图4和图5给出了关于为特定请求的应用功能而生成ied配置的更多细节。
58.图4仅示出了云计算系统210b上的物理设备的备选表示的最相关方面。本发明提
供了软件配置工具400，该软件配置工具400通常被托管在客户设备(300，图3)上。软件配置工具400从用户/客户接收对要在ied上实现的一个或多个应用功能的请求。比如，应用功能可以是对变电站中特定一次设备的监测、控制或/和计量。应用功能还可以包括其他功能，诸如谐波测量、电力因数等。应用功能可以与新ied配置或添加到给定配置的附加功能相对应。
59.软件配置工具400可以通过比如使用图形语言方法通过依序组织一起构成配置的各种功能块(图形元素)来生成ied配置。配置文件可以以诸如json文件格式410之类的各种文件格式上传到云计算系统210b。功能块与诸如模数转换过程中涉及的功能、对模拟或数字数据的预处理、对数据的处理等之类的具体功能相对应。对模拟或数字数据的预处理可能涉及对数据进行滤波(高通、低通、带通等)的功能、提高信噪比、使用一个以上的算法从所测量的数据值获取任何估计参数等。对数据的处理可能涉及执行各种功能，诸如快速傅立叶变换、离散傅立叶变换、小波变换、数据降维、用于生成控制信号的功能等。
60.上文所提及的图形语言方法可以使用序列预测技术，该序列预测技术可以是基于机器学习的模型，以促进ied配置的生成。序列预测技术可以执行模拟，这些模拟包括：执行相似性搜索以检查与所需ied配置相似的现有配置。这种相似性搜索使得序列预测技术能够了解需要按特定次序布置的功能序列。除了确定功能序列的布置次序之外，序列预测技术还有助于连接与功能的输入和输出相对应的信号。序列预测技术依序确定一个或多个功能的至少一个输入和至少一个输出之间的连接。这也使用上文所执行的相似性搜索来执行，其中序列预测技术可以从历史使用/存储的配置中学习输入-输出信号连接。
61.云计算系统210b被配置为从被托管在客户设备(300，图3)上的软件配置工具400接受json文件410。在云计算系统210b上，服务模块220包含处理这个json文件的配置功能。服务模块220内的配置功能生成对应json文件的二进制文件并且经由ftp写入框架135。
62.然后，应用功能块库(afl)执行引擎执行该二进制文件，该二进制文件是与ied应用功能相对应的ied配置。然后，afl执行引擎的二进制执行的任何误差、警告或状态传达420回到被托管在客户设备上的软件配置工具400(300，图3)。
63.本发明的备选实施例在图5中表示，其中提供虚拟代理或虚拟助理(本文中也称为聊天机器人)510作为工程师/客户500与托管ied的数字孪生的云计算系统210b之间的接口，并且使得能够生成上传到ied以针对特定应用功能对其进行配置的配置。
64.ied配置可以以自动化方法生成，或它们可以通过引导设计生成。ied配置的自动配置生成和引导设计通过ied功能表示的认知层230实现。
65.继续参考图5，工程师/客户500通过发起与虚拟代理510的会话开始，其中虚拟代理510可以被托管在任何客户设备(300，图3)上并且被配置为通过文本和语音接口与工程师/客户500交互。
66.工程师/客户可以向虚拟代理510发出话音命令或文本命令。命令可以是工程师/客户500的自然语言。命令的性质可以牵涉到向虚拟代理510发送关于ied配置的特定应用功能的信息。
67.然后，虚拟代理510使用自然语言处理和语音到文本等的标准算法实现方式将任何非结构化命令(诸如从工程师/客户的自然语言获取的命令)转换为结构化格式。然后，虚拟代理510将该结构化格式命令发送到云计算系统210b。云计算系统210b使用ied数字孪生
的认知层模块230来设计与ied的指定应用功能相对应的ied配置。ied配置的设计可以通过以下两种方式中的一种方式进行——通过自动化机构或通过引导工程机构。
68.在生成ied配置的引导工程机构中，作为ied的所实现的数字孪生的认知层模块230c的一部分的各种工具有助于使用被称为功能块的图形元素以逐步方式构建配置。功能块的各个方面已在前面参考图3的讨论中进行了描述。
69.图5进一步示出了由认知层模块230内的少数工具执行的少数相关功能230a、230b、230c。认知层模块230内的工具可以由通常采用用于时间序列预报的各种基于人工智能和机器学习的算法/模型构成。这些工具的示例可以是梯度提升模型、循环神经网络(rnn)模型、长短期记忆(lstm)网络等，它们可以基于先前时间或序列的输入/输出数据来执行时间序列预报或序列预测。
70.在图5中，云计算系统210b上的序列预报ml算法从虚拟代理510接收命令。
71.虚拟代理510与云计算系统210b之间的通信可以通过各种网络通信协议，诸如http、https等。
72.该命令可以是生成用于启用诸如对特定一次设备或变电站间隔的监测、控制等之类的特定应用功能的ied配置。一旦云计算系统210b接收到命令，云计算系统210b上的认知层模块230就处理该命令。该处理牵涉到搜索先前保存或存档的ied配置的数据库，该数据库与所接收的应用功能的ied配置在相似性上匹配。这由图5中的230a表示。基于序列预报机器学习算法找到的类似配置，序列预报机器学习算法生成或推荐下一配置。这些被称为机器学习配置230b。然后，机器学习配置被推送到被托管在客户设备(300，图3)上的虚拟助理510，如所推荐的后续步骤230c所示。因此，通过所推荐的后续步骤的过程构建功能序列，直到实现应用功能的目标。然后，该功能序列构成与所请求的应用功能相对应的ied配置。
73.在关于示例应用的讨论中提供了关于上文所描述的功能序列中的功能的详情及其输入/输出配置的进一步细节。
74.虽然如上所述的引导设计是用于生成ied配置的一种机构，但另一机构用于自动化生成ied配置。在ied配置的自动化生成中，序列预报机器学习算法首先以结构化格式接收特定应用功能的命令。然后，该算法搜索与所请求的应用功能相似的配置。这由图5中的230a表示。
75.总结所开发的过程，图6示出了生成ied配置时的关键步骤。
76.如步骤600所示，为了在云计算系统上设置ied的数字孪生，首先获取关于设置数字孪生和设计ied配置所需的云资源(处理和存储器)的估计。估计由被托管在设备接口上的软件配置工具执行。该估计在需要配置的ied应用功能和ied的其他配置数据的基础上获取。包括监督机器学习算法在内的各种标准算法可以用于这种资源估计。孪生资源的估计要考虑设备本身的大小，另外还有训练管理器和训练管理器的存储、更多训练数据的存储、以及与设备相比在孪生实例上获取的服务的考量。对于馈线设备，这可能大约是设备尺寸考量的3.5倍和处理能力的2倍。
77.然后，在步骤610中，使用如在步骤610中估计的存储器资源和处理能力来准备边缘或云计算系统。使用可用服务(如azure上的restful)，通过使用直接来自基于网络的工具/其他设计工具(诸如软件配置工具)的网络接口创建孪生实例(虚拟模型)。
78.在步骤620中，在步骤610中创建的数字孪生的实例部署在边缘或/和云计算系统
上。也就是说，部署物理设备(如ied)的设备模型和包括配置服务在内的服务。
79.在步骤630中，开始ied配置。一些配置基于先前功能在其他设备中的使用经验来在系统中预先学习。配置训练管理器听取配置管理器并且可以基于所保存的新配置来立即启动下一步骤。
80.在步骤640中，云计算系统开始基于经机器学习训练的存储库(比如，预测下一功能块和功能块之间的连接的基于长短期记忆(lstm)的循环神经网络)来搜索后续步骤。经机器学习训练的存储库由一种或多种序列预测技术组成，该一种或多种序列预测技术用于使用协作过滤算法根据客户配置文件对任何生成的预测进行进一步排名。
81.在步骤650中，序列预测技术提供配置ied的后续步骤。功能序列的预测可以基于功能作为网络途径。这些推荐以预测序列提供，从而通过设计的图形用户接口(gui)或类似对话接口(诸如聊天机器人)为用户提供对后续三个步骤的支持。对功能序列的推荐基于用户接受度进入设计的后续步骤并且通过接口不断向用户通知系统接受度，如cpu(处理器)负载估计。
82.上文所描述的发明的应用在图7中示出。图7中的过程的细节由图8中的步骤表示。下文对本发明的示例应用的描述将同时参考图7和图8两者。
83.首先从客户800接收对ied应用功能的请求。该请求由客户设备(300，图3)接收。ied的应用功能与工农路系统故障分析相对应并且基于故障分析来触发跳闸信号。应用功能还包括向网络中的其他ied发送有关电力系统故障的状态的goose消息。
84.为了生成与所接收的对应用功能的请求相对应的ied配置，客户设备(300，图3)与云计算系统(210b，图3)接口以开始生成ied配置。云计算系统上的认知层模型通过先前保存的ied配置的数据库查找与所需ied配置紧密匹配的所有相似配置(相似性搜索)。这由图8中的810表示。更进一步地，云计算系统上的认知层模型还检查针对客户保存的任何先前配置——也就是说，客户历史上使用的ied配置。这由图8中的820表示。标识客户配置文件820和标识相似ied配置810的过程用于自动化生成ied配置或/和针对ied的特定应用功能提供ied配置生成中的推荐步骤。
85.通常，配置以硬件通道开始，随后是预处理，然后将主要功能添加到配置中。从硬件通道到预处理和主要功能的连接序列将定义执行次序。执行周期也取决于该序列。
86.使用序列预报机器学习算法(序列预测技术)生成配置，其中训练以三种方式发生——
87.a.在聚类方面，如果这是个子应用，则应用k均值聚类。
88.b.在使用的概率方面，历史上如何为各种应用功能建立功能和连接的概率，以及
89.c.在排序方面，这被捕获为lstm网络。
90.基于在步骤810和820中获取的这种信息，序列预测算法生成牵涉到处理模拟电流的第一功能。这由图8中的830表示。本文中，由于存在四个电流互感器通道，所以这些通道首先出现-剩余电流(ir)710a和来自电力系统的三个相位的电流i1 710b、i2 710c和i3 710d。接收这些输入的功能块是电流互感器功能块。剩余电流(ir)710作为电流互感器功能块restctr 720的输入。电流互感器功能块iltctr 730接收来自电力系统的三个相位的电流i1 710b、i2 710c和i3 710d。这些功能模块可以配置为对所接收的电流执行各种处理，这些包括模数转换、均方根(rms)估计、谐波分析等。因此，tctr功能牵涉到预处理。
91.然后，序列预测技术再次检查如上所述从810和820收集的信息，并且确定接下来应该添加和连接过流功能。因此，序列预测技术添加了下一功能集合，这些功能为三相无方向过流保护功能phxptoc740a、740b、740c。本文中，过流保护可以与高阶段(x＝h)740a、低阶段(x＝l)740b和瞬时阶段(x＝i)740c相对应。当输入电流超过设定限值时，过流功能启动。所测量的相位电流逐相与每个相位的设定限值进行比较。如果测量值超过每个相位的设定限值，则过流保护功能phxptoc 740a、740b、740c会生成输出以反映这些超过电流值的状态。
92.同样，正如上文所描述的，序列预测技术添加了接地故障保护功能(efxptoc)750a、750b、750c，以从由剩余电流互感器功能restctr 720所执行的预处理中获得输入。
93.然后，序列预测技术再次检查从如上所述从810和820收集的信息，并且确定过流功能的输出应连接到具有二进制通道760和逻辑门sr触发器770的干扰记录器。因此，phhptoc 740a的输出作为输入连接到具有二进制通道760的干扰记录器。干扰记录器功能760被配置为记录模拟信号和二进制状态信号。启动干扰记录器功能760的条件可以通过功能中的参数设置自动定义。干扰记录器功能760继续记录输入达预先定义的总记录时间或直到满足另一条件的时间。过流保护功能phptoc 740a和phlptoc 740b的输出作为输入连接到sr触发器，以进行其他逻辑估计。
94.序列预测技术再次检查如上所述从810和820收集的信息，并且确定接地故障过电流功能750a、750b的输出应连接到逻辑and门780。
95.在示例性实施例中，在iltctr功能的拖放中，预测返回以进行保护、过流功能-phlptoc(高、高)、phlptoc(高、低)。iltctr的i3p连接到phlptoc的i3p。基于客户配置文件和了解接地故障很重要，接下来是restctr功能，通过预测返回earthfault相关功能(efhptoc、eflptoc等)，并且把ires和块连接起来。考虑到基于客户配置文件来捕获故障的需求，添加了a1radr功能和b1radr功能，因此连接起来以操作phhptoc(过电流)等功能。
96.对于时间关键的基于事件的消息，序列预测技术添加了用于直接在以太网链路层上传输通用面向对象的变电站事件(goose)消息的功能。为了将状态改变传送到另一ied 790b，添加了goosercv_bin 790a。针对goose定义的数据集可能包括默认数据集。
97.因此，生成所请求的应用功能的配置。如果ied是变电站内现有ied，则可以传输配置以使得ied能够执行如配置所定义的自动化操作。如果ied是已采购的新ied，则配置存储在云计算系统中，并且当新ied可用时，可以传输到新ied。
98.该书面描述使用示例来描述本文中的主题，该主题包括最佳模式；并且使得本领域的任何技术人员能够制作并使用该主题。本主题的专利范围由权利要求限定，并且可以包括本领域技术人员想到的其他示例。如果这些其他示例具有与权利要求的字面语言没有差异的结构元素或如果它们包括与权利要求的字面语言没有实质性差异的等同结构元素，则这些示例旨在处于权利要求的范围内。