一种基于改进CNN的智能变电站通信链路故障定位方法转让专利
申请号 : CN202211283187.1
文献号 : CN115700962A
文献日 : 2023-02-07
发明人 : 皮志勇 , 廖玄 , 李振兴 , 王义波 , 方豪 , 朱益 , 胡冰清 , 吴沛 , 陈文豪 , 甄家林
申请人 : 国网湖北省电力有限公司荆门供电公司 , 三峡大学 , 武汉凯默电气有限公司
摘要 :
权利要求 :
1.一种基于改进CNN的智能变电站通信链路故障定位方法,其特征在于包括以下步骤:步骤1:通过解析智能变电站全站系统配置文件(SCD文件)获取二次装置信息交互与逻辑连接关系,构建通信网络连接矩阵A0;
步骤2:基于故障情况下装置的自检告警信息与报文接收/发送状态监测,以通信网络连接矩阵A0为基础构建带权重的报文状态自检特征矩阵X′message;
步骤3:基于交换机报文流量监测信息,以通信网络连接矩阵A0为基础,构建带权重的流量异常矩阵X′flow;
步骤4:根据IED之间信号交互关系以及交换机配置生成故障特征集Xi=[X′message,X′flow];
步骤5:根据后台告警信息初步判定链路故障间隔信息;
步骤6:搭建基于改进CNN的通信链路故障定位模型并利用训练样本集进行训练,将测试样本集输入至训练好的故障定位模型,结合模型输出结果、故障链路间隔信息与实际故障位置进行比较,分析模型故障定位的性能。
2.根据权利要求1所述的一种基于改进CNN的智能变电站通信链路故障定位方法,其特征在于所述二次装置信息交互与逻辑连接关系为变电站内IED之间SV/GOOSE报文发布与订阅关系、IED输入输出虚端子等装置信息交互与连接关系。
3.根据权利要求2所述的一种基于改进CNN的智能变电站通信链路故障定位方法,其特征在于以通信网络连接矩阵A0为基础,对角元素表征装置自检信息,如下式:非对角元素表征报文接收状态,如下
式: 构成报文状态自检特征
矩阵Xmessage,其中:i,j为报文状态自检特征矩阵Xmessage中元素的行、列;N为矩阵维数;
将二次装置之间流通的异常报文路径数量作为对应非对角元素的权重α1,由式(3)计算得到如下式: 其中:messagek为第k条报文的接收/发送状态,状态正常置为0,状态异常置为1,NR为装置之间报文合集大小;
将网络邻接矩阵Xmessage中对应元素与权重相乘,得到带权重的报文状态自检特征矩阵X′message,如下式:X′message=Xmessage·α1。
4.根据权利要求3所述的一种基于改进CNN的智能变电站通信链路故障定位方法,其特征在于所述交换机报文流量监测信息为通过增设变电站远程运维集控装置,故障情况下主动请求获取的,当监测到报文流量突减,发出低流量告警,并以与交换机存在逻辑连接关系的节点元素表征交换机至装置的流量状态,流量异常置为1,流量正常置为0,生成流量异常矩阵Xflow,如下式: 其中:Xflow_lk表示通信网络中第l台交换机与第k台装置报文流量状态,l、k分别为以网络邻接矩阵A0为基准的交换机与装置编号;
将交换机与二次装置之间流通的流量异常报文路径数量作为对应非对角元素的权重α2,计算公式如下式:对Xflow中智能终端至交换机的通信链路对应元素引入随机权重βij,如下式βij=1+rand[0,1],构建带权重的流量异常矩阵X′flow,如下式:X′flow=Xflow·β·α2。
5.根据权利要求4所述的一种基于改进CNN的智能变电站通信链路故障定位方法,其特征在于所述链路故障间隔信息通过如下方法初步判定:当通信链路故障时,故障链路的信宿装置(接收信息的装置)由于无法正常接收到所需信息会产生相应的告警信息传输至后台监控主机,通过此类信息能够获取故障链路所在间隔信息。
6.根据权利要求5所述的一种基于改进CNN的智能变电站通信链路故障定位方法,其特征在于通信链路故障的定位模型基于改进CNN搭建,具体步骤如下:步骤一:对故障位置进行编码;对不同装置之间链路故障进行编码,作为训练样本的标签与故障定位模型的输出;
步骤二:网络改进;基于常规CNN采用的多尺寸卷积核策略,提取跨包括间隔故障与多重故障的故障特征;输入采用多通道输入方式,特征提取后利用拼接层进行拼接,以全连接层作为输出层;
步骤三:模型训练与测试;将故障样本集按照7:2:1的比例划分为训练集、测试集、验证集,按照指定迭代次数进行训练,利用训练好的网络进行测试与验证。
7.一种基于改进CNN的智能变电站通信链路故障定位方法,其特征在于包括以下步骤:步骤1:通过解析智能变电站正常运行情况下全站系统配置文件(SCD文件)获取变电站内智能电力监测装置(IED)之间SV/GOOSE报文发布与订阅关系、智能电力监测装置(IED)输入输出虚端子的信息交互与连接关系,以此为依据生成通信网络邻接矩阵A0,其中以智能变电站二次装置为节点,并按照三层两网的结构分间隔排序,主要表征的装置节点合集S如下式:S={aC,aSWM_k,aPz_i,aPnet_i,aMC_j,aSWG_m,aSWS_n,aMU_p,aIT_q},其中:aC表示后台监控主机;aPz_i、aPnet_i分别表示保护装置直采直跳、网采网跳的连接方式,下标i表示第i台保护装置;aMC_j表示第j台测控装置;aSWM_k、aSWG_m、aSWS_n分别表示第k台、m台、n台MMS交换机、GOOSE交换机、SV交换机;aMU_p表示第p台合并单元;aIT_q表示第q台智能终端;
网络邻接矩阵A0中除对角元素为1表示装置本体外,其它元素aij定义如下式:
步骤2:通过网络分析仪(NA)监测报文接收状态,后台获取智能变电站二次装置自检告警信号(交换机不具备自检功能),以通信网络邻接矩阵A0为基础,对角元素表征装置自检信息,如下式: 非对角元素表征报文接收状态,如下式: 构成报文状态
自检特征矩阵Xmessage,其中:i,j为报文状态自检特征矩阵Xmessage中元素的行、列;N为矩阵维数;
将不同装置之间流通的异常报文路径数量作为非对角元素的权重,其中二次装置之间流通报文的状态合集Rmessage如下式:Rmessage=[message1,message2,...,messageNR],若监测到第k条报文接收/发送异常,则messagek=1,否则为0;对应装置连接关系的非对角元素权重由下式: 计算得到;
其中:NR为装置之间报文合集大小;将网络邻接矩阵Xmessage中对应元素与权重相乘,得到带权重的报文状态自检特征矩阵X′message,如下式:X′message=Xmessage·α1,其中:messagek为第k条报文的接收/发送状态,状态正常置为0,状态异常置为1;
步骤3:以通信网络邻接矩阵A0为基础,以与交换机存在逻辑连接关系的节点元素表征交换机至装置的流量状态,流量异常置为1,流量正常置为0,如式(8),生成流量异常矩阵Xflow,如下式: 其中:Xflow_lk表示通信网络中第l台交换机与第k台装置报文流量状态,l、k分别为以网络邻接矩阵A0为基准的交换机与装置编号;
将交换机与二次装置之间流通的流量异常报文路径数量作为对应非对角元素的权重α2,计算公式如下式: 对Xflow中智能终端至交换机的通信链路对应元素引入随机权重βij,如下式:βij=1+rand[0,1],构建带权重的流量异常矩阵X′flow,如下式:X′flow=Xflow·β·α2;
步骤4:故障样本集生成;基于整个二次通信网络中装置(节点)连接关系,输入外界影响因素,根据智能电力监测装置(IED)之间信号交互关系以及交换机配置生成故障特征集Xi=[X′message,X′flow],其中X′message、X′flow分别带权重的报文状态自检特征矩阵与带权重的流量异常矩阵;
步骤5:当通信链路故障时,故障链路的信宿装置(接收信息的装置)由于无法正常接收到所需信息会产生相应的告警信息传输至后台监控主机,通过此类信息能够清晰获取故障链路所在间隔信息,以此信息作为通信链路故障的初步定位;
步骤6:搭建基于改进CNN的通信链路故障定位模型并利用训练样本集进行训练,将测试样本集输入至训练好的定位模型,结合故障链路间隔初定信息实现通信链路的准确定位;
步骤一:对故障位置进行编码;对不同装置之间链路故障进行编码,作为训练样本的标签与故障定位模型的输出;
步骤二:网络改进;基于常规CNN采用的多尺寸卷积核策略,提取跨包括间隔故障与多重故障的故障特征;输入采用多通道输入方式,特征提取后利用拼接层进行拼接,以全连接层作为输出层;
步骤三:模型训练与测试;将故障样本集按照7:2:1的比例划分为训练集、测试集、验证集,按照指定迭代次数进行训练,利用训练好的网络进行测试与验证。
8.根据权利要求7所述的一种基于改进CNN的智能变电站通信链路故障定位方法,其特征在于所述外界影响因素,包括信源端口故障信息、网络拓扑变化信息、光纤链路中断信息。
说明书 :
一种基于改进CNN的智能变电站通信链路故障定位方法
技术领域
背景技术
发明内容
骤:
步骤1:通过解析智能变电站全站系统配置文件(SCD文件)获取二次装置信息交互
与逻辑连接关系,构建通信网络连接矩阵A0,其中以智能变电站二次装置为节点,并按照三层两网的结构分间隔排序;
步骤2:基于故障情况下装置的自检告警信息与报文接收/发送状态监测,以通信
网络连接矩阵A0为基础构建带权重的报文状态自检特征矩阵X′message;
步骤3:基于交换机报文流量监测信息,以通信网络连接矩阵A0为基础,构建带权重的流量异常矩阵X′flow;
步骤4:基于整个二次通信网络中装置(节点)连接关系,输入外界影响因素,根据IED之间信号交互关系以及交换机配置生成故障特征集Xi=[X′message,X′flow];
步骤5:根据后台告警信息初步判定链路故障间隔信息;
步骤6:搭建基于改进CNN的通信链路故障定位模型并利用训练样本集进行训练,
将测试样本集输入至训练好的故障定位模型,结合模型输出结果、故障链路间隔信息与实际故障位置进行比较,分析模型故障定位的性能。
将二次装置之间流通的异常报文路径数量作为对应非对角元素的权重α1,由式
(6)计算得到:
其中:messagek为第k条报文的接收/发送状态,状态正常置为0,状态异常置为1;NR为装置之间报文合集大小;
将网络邻接矩阵Xmessage中对应元素与权重相乘,得到带权重的报文状态自检特征矩阵X′message,如式(7):
X′message=Xmessage·α1 (7)
上述所述的一种基于改进CNN的智能变电站通信链路故障定位方法,其特征在于
所述交换机报文流量监测信息为通过增设变电站远程运维集控装置,故障情况下主动请求获取的,当监测到报文流量突减,发出低流量告警,并以与交换机存在逻辑连接关系的节点元素表征交换机至装置的流量状态,流量异常置为1,流量正常置为0,如式(4),生成流量异常矩阵Xflow:
其中:Xflow_lk表示通信网络中第l台交换机与第k台装置报文流量状态,l、k分别为以网络邻接矩阵A0为基准的交换机与装置编号。
X′flow=Xflow·β·α2 (10)
步骤二:网络改进;基于常规CNN采用的多尺寸卷积核策略,提取跨包括间隔故障与多重故障的故障特征;输入采用多通道输入方式,特征提取后利用拼接层进行拼接,以全连接层作为输出层;
步骤三:模型训练与测试;将故障样本集按照7:2:1的比例划分为训练集、测试集、验证集,按照指定迭代次数进行训练,利用训练好的网络进行测试与验证。
上述所述的一种基于改进CNN的智能变电站通信链路故障定位方法,其特征在于
主要表征的装置节点合集S为:
S={aC,aSWM_k,aPz_i,aPnet_i,aMC_j,aSWG_m,aSWS_n,aMU_p,aIT_q}; (1)
其中:aC表示后台监控主机;aPz_i表示保护装置直采直跳的连接方式、aPnet_i表示网采网跳的连接方式,下标i表示第i台保护装置,aMC_j表示第j台测控装置,aSWM_k表示第k台MMS交换机、aSWG_m表示m台GOOSE交换机、aSWS_n表示n台SV交换机,aMU_p表示第p台合并单元,aIT_q表示第q台智能终端;
网络邻接矩阵A0中除对角元素为1表示装置本体外,其它元素aij定义为:
本发明的有益效果在于:
(1)将通信网络链路故障定位至故障链路两端的装置,极大地改善现场通信链路
故障的排查与处置,具有工程实用价值。
(2)利用样本生成方法构建全站故障样本集,应用改进CNN,有利于应对全站不同
位置故障情况。
(3)相较于传统定位方法具有更高的定位精准度,并针对告警信息错报/误报/漏
报情形具有较好的信息容错性。
附图说明
具体实施方式
电站内智能电力监测装置(IED)之间SV/GOOSE报文发布与订阅关系、智能电力监测装置(IED)输入输出虚端子等装置的信息交互与连接关系,以此为依据生成通信网络邻接矩阵A0,并以智能变电站二次装置为节点,并按照三层两网的结构分间隔排序,主要表征的装置节点合集S为:
S={aC,aSWM_k,aPz_i,aPnet_i,aMC_j,aSWG_m,aSWS_n,aMU_p,aIT_q}; (1)
其中:aC表示后台监控主机;aPz_i表示保护装置直采直跳的连接方式、aPnet_i表示网采网跳的连接方式,下标i表示第i台保护装置,aMC_j表示第j台测控装置,aSWM_k表示第k台MMS交换机、aSWG_m表示m台GOOSE交换机、aSWS_n表示n台SV交换机,aMU_p表示第p台合并单元,aIT_q表示第q台智能终端;节点合集S中二次设备总数为N;
网络邻接矩阵A0中除对角元素为1表示装置本体外,其它元素aij定义为:
步骤2:由于引起通信链路中断或异常的原因并不唯一,但均会导致报文发布与订阅关系的异常,可将由于通信链路中断而产生的二次设备告警信号归纳为报文的发送/接收异常;通过网络分析仪(NA)监测报文接收状态,后台获取智能变电站二次装置自检告警信号(交换机不具备自检功能),以通信网络邻接矩阵A0为基础,对角元素表征装置自检信息,如式(3),非对角元素表征报文接收状态,如式(4),构成报文状态自检特征矩阵Xmessage;
其中:i,j为报文状态自检特征矩阵Xmessage中元素的行、列;N为矩阵维数,由智能变电站二次装置数量决定;
将不同装置之间流通的异常报文路径数量作为非对角元素的权重,其中二次装置
之间流通报文的状态合集Rmessage如式(5)所示,若监测到第k条报文接收/发送异常,则messagek=1,否则为0;对应装置连接关系的非对角元素权重由式(6)计算得到;
Rmessage=[message1,message2,...,messageNR] (5)
其中:NR为装置之间报文合集大小;将网络邻接矩阵Xmessage中对应元素与权重相乘,得到带权重的报文状态自检特征矩阵X′message,如式(7):
X′message=Xmessage·α1 (7)
其中:messagek为第k条报文的接收/发送状态,状态正常置为0,状态异常置为1;
步骤3:通信网络故障情形下交换机中传输的信息流将出现异常特征,但交换机不具备自检告警功能;通过增设变电站远程运维集控装置,故障情况下主动请求获取交换机报文流量信息,监测到报文流量突减,发出低流量告警;以通信网络邻接矩阵A0为基础,以与交换机存在逻辑连接关系的节点元素表征交换机至装置的流量状态,流量异常置为1,流量正常置为0,如式(8),生成流量异常矩阵Xflow:
其中:Xflow_lk表示通信网络中第l台交换机与第k台装置报文流量状态,l、k分别为以网络邻接矩阵A0为基准的交换机与装置编号;
将交换机与二次装置之间流通的流量异常报文路径数量作为对应非对角元素的
权重α2,计算公式参考式(6);对Xflow中智能终端至交换机的通信链路对应元素引入随机权重βij,如式(9),构建带权重的流量异常矩阵X′flow;
βij=1+rand[0,1] (9)
X′flow=Xflow·β·α2 (10)
步骤4:故障样本集生成;由于深度学习网络依赖于大量训练样本,但智能变电站实际运行与维护过程中对于通信网络故障事件数据的积累量受限于实际故障发生频率,类型少、积累周期长,难以提供大量丰富的训练样本;本发明基于整个二次通信网络中装置(节点)连接关系,输入外界影响因素,包括信源端口故障、网络拓扑变化、光纤链路中断等信息,根据智能电力监测装置(IED)之间信号交互关系以及交换机配置生成故障特征集Xi=[X′message,X′flow],其中X′message、X′flow分别带权重的报文状态自检特征矩阵与带权重的流量异常矩阵,由式(7)、(10)计算得到;
步骤5:在实际运行过程中,智能变电站后台告警信息与装置就地告警信号是故障处置的主要判断依据;当通信链路故障时,故障链路的信宿装置(接收信息的装置)由于无法正常接收到所需信息会产生相应的告警信息传输至后台监控主机,通过此类信息能够清晰获取故障链路所在间隔信息,以此信息作为通信链路故障的初步定位;
步骤6:搭建基于改进CNN的通信链路故障定位模型并利用训练样本集进行训练,
将测试样本集输入至训练好的定位模型,结合故障链路间隔初定信息实现通信链路的准确定位;具体步骤如下:
(1)故障位置编码;考虑到通信链路由信号发出、接收装置与通信通道构成,本发明以通信链路两端的装置作为定位目标域确定故障链路位置,故障目标域与编码如表1所示,编码作为故障链路定位模型的输出:
表1故障目标域与编码
其中:SW1表示站控层中心交换机,即MMS网;SW2表示过程层交换机,即SV/GOOSE网;
(2)网络改进;本发明在常规CNN基础上,设置多输入通道并针对报文状态自检特
征矩阵X′message采用多尺寸卷积核策略,进行卷积操作以提取通信网络故障断面下不同层次的局部特征,经过多层信息传递之后再将提取后的特征进行拼接(Concatenate),改进卷积神经网络架构如图2所示;
(3)模型训练与测试;将故障样本集按照7:2:1的比例划分为训练集、测试集、验证集,按照指定迭代次数进行训练,利用训练好的网络进行测试与验证;智能变电站通信链路故障定位流程框如图3所示。
以图4所示间隔中变压器合并单元至过程层交换机通信链路中断以及线路智能终
端至保护装置链路中断的双重故障为例,母线保护装置、变压器保护装置以及测控装置由于直采/网采接收信息不一致发出SV数据异常告警,变压器间隔合并单元自检通信链路中断发出SV通信链路中断告警,通过主动请求方式监测到交换机(15)与交换机(10)、保护装置、测控装置以及合并单元等出现报文流量突减发出低流量告警信息;线路保护装置、智能终端发出GOOSE通信链路中断告警。根据步骤2与步骤3中分析对此场景下故障特征进行表征:
将以上特征矩阵与网络邻接矩阵A相乘并叠加权重后得到故障特征集Xi,输入训
练好的改进CNN故障定位模型中并得到输出结果Y(输出阈值设置为0.8):
根据输出结果可知,故障性质为双重故障,故障位置分别在保护装置‑智能终端、合并单元‑过程层交换机。此故障情形下,线路间隔与变压器间隔均会向后台发出相应通信链路故障告警信号。在上述多重目标域情况下,运维人员结合装置的就地告警信息(故障指示灯亮),能够实现故障链路与装置目标域的对应并处置故障。传统定位方法以交叉路径法为例,根据其诊断流程可知,在报文传输路径无交集的多重故障情形下,诊断结果为空集,无法实现故障链路的准确定位。
在智能变电站实际运行过程中,会出现告警信息错发或漏发的情形,称此情形为
告警信息不可信情形。为验证故障定位模型的容错性能的普遍性,在测试样本与验证样本集中随机抽取100组传统定位方法、常规BP、CNN以及改进CNN方法均能准确定位的样本,通过修改故障样本矩阵中随机装置的状态作为信息不可信故障样本,并对上述4种方法针对信息不可信样本的定位结果进行分析,结果如图6所示;其中第一竖条为错判样本数,第二竖条为正确样本数。
故障的排查与处置,具有工程实用价值;
(2)利用样本生成方法构建全站故障样本集,应用改进CNN,有利于应对全站不同
位置故障情况;
(3)相较于传统定位方法具有更高的定位精准度,并针对告警信息错报/误报/漏
报情形具有较好的信息容错性。