用于为控制器生成决策逻辑的方法和计算机系统与流程

1.本发明涉及用于生成工业自动化控制系统(iacs)，特别是输电或配电系统或发电 系统，的控制器的决策逻辑的方法和设备。更具体地，本发明涉及机器学习用于生成决 策逻辑的用途。


背景技术：

2.现代工业自动化控制系统(iacs)(诸如发电系统或输电系统、电网或变电站)以 及现代工业系统包括大量部件。此类系统的保护设备(诸如保护继电器)的决策逻辑决 定在何种情况下采取各种行动中的哪一种。
3.作为说明，在电力设施的实时操作中，传输和分配系统装备(包括变压器、架空线、 地下线缆、串联/分流元件等)通过测量系统(电压、电流)、数字继电器和断路器来保 护。部署在数字继电器中的控制逻辑利用所测量的信号、标识是否存在应被清除以避免 对系统装备的损坏的严重故障，并最终向断路器发送信号以断开。快速标识和清除故障 对于整个系统的可靠性和安全性至关重要。
4.用于每个继电器的决策逻辑(即保护逻辑)以及多个继电器之间的协调方案是在预 期的电网场景下进行设计和测试的。常规地，这是由人类专家工程师完成的。在设计阶 段期间，工程师对电网中的故障和其他干扰(诸如开关事件)进行模拟，以估计和改进保 护控制逻辑的性能。性能度量通常通过用于给定网格的主流实践进行设置。一旦部署， 保护逻辑保持不变，直到观察到其性能方面的错误。
5.由于转换器接口发电(converter-interfaced generation)的激增(其在时间和空间上给 电力供应带来了更多随机性)取代了常规发电机、以及给需求带来了更多随机性的电移 动性，随着电网接近其极限操作，保护系统的设计越来越具有挑战性。此外，由于缺少短 路电流容量和由转换器接口发电机提供的短路电流的不同性质(例如延迟的过零、失真 的信号等)，以及由于变化的发电空间模式而产生的多向电流，保护系统期望针对变化 的环境进行调节。
6.因此，保护逻辑的开发成为日益复杂的任务。另外，因为由于电网基础设施以及发 电/需求模式方面的变化而需要更频繁地重新估计保护系统的适用性，所以需要越来越经 常地执行这个任务。
7.保护逻辑设计的常规实践使得对于每个特定的设计情况，专家工程师在多个保护功 能(诸如过电流、方向、距离、差动保护)或它们的组合中当中进行选择，并确定与所选 择的(一个或多个)功能相关联的设置(即功能参数)。目标是在它们之间提出一组保护 功能和逻辑，使得保护系统的安全性(即在必要时激活保护系统的成功率)和可靠性(即 在不必要的情况下不激活保护系统的成功率)被最大化，同时能够尽可能快地响应任何 故障。
8.专家工程师通过预测与手头上的保护设计任务相关的潜在事件(例如故障和非故障， 诸如涌入状况、开关操作等)来实现这一点，并对所选择的事件中的每一个进行数值模 拟(例如电磁瞬变的模拟、故障后稳态短路分析)以便标识由保护继电器将观察到的所 得
到的信号，(一个或多个)保护功能将基于这些信号在现场操作。这允许人们定义和测 试用于所有预期事件的保护功能、逻辑和设置，以确保正确的决策。通常，这是通过遵循 由人类工程师微调的一组工程实践来执行的。
9.如果该组常用的保护功能不允许可接受的保护系统性能，则需要考虑新的保护功能。 总的来说，这是困难的启发式任务。
10.将神经网络应用于电力系统保护，特别是应用于故障检测、分类和定位中例如在以 下文献中提出：t.s.sidhu等人的“design,implementation and testing of an artificial neuralnetwork based fault direction discriminator for protecting transmission lines(用于保护输电线 路的基于人工神经网络的故障方向鉴别器的设计、实施和测试)”，ieee transactions onpower delivery,vol.10,no.2,pp.697
–
706,1995；d.novosel等人的“algorithms forlocating faults on series compensated lines using neural network and deterministic methods,e techniques for real world applications(用于使用神经网络和确定性方法定位串联补偿线路 上故障的算法，用于现实世界应用的e技术)”，ieee transactions on power delivery,vol. 11,no.4,pp.1728
–
1736,1996；a.g.jongepier和l.van der sluis的“adaptive distanceprotection of double-circuit lines using artificial neural networks(使用人工神经网络的双回 线的自适应距离保护)”，ieee transactions on power delivery,vol.12,no.1,pp.97
–ꢀ
105,1997；d.v.coury和d.c.jorge的“artificial neural network approach to distanceprotection of transmission lines(输电线路的距离保护的人工神经网络方法)”，ieeetransactions on power delivery,vol.13,no.1,pp.102
–
108,1998；和m.sanaye-pasand 和o.p.malik的“implementation and laboratory test results of an elman network-basedtransmission line directional relay(基于elman网络的输电线方向继电器的实施和实验室测 试结果)”，ieee transactions on power delivery,vol.14,no.3,pp.782-788,1999。
11.已经提出了特定的信号处理(例如短窗口傅立叶变换或离散小波变换)来从电压和 电流信号中提取有价值的信息，以用于保护功能。s.vasilic和m.kezunovic，“fuzzyart neural network algorithm for classifying the power system faults(用于分类电力系统故 障的模糊art神经网络算法)”，ieee transactions on power delivery,vol.20,no.2,pp. 1306-1314,2005；和u.lahiri等人，“modular neural network-based directional relay fortransmission line protection(用于输电线路保护的基于模块化神经网络的方向继电器)”， ieee transactions on power systems,vol.20,no.4,pp.2154-2155,2005是示例性的。
12.典型的机器学习系统在学习各种功能的能力方面很强，但对人类工程师来说，它们 表现得像黑匣子。这可能具有各种缺点。作为说明，对于人类工程师来说，通常不可能理 解通过训练机器学习模型获得的决策逻辑如何将输入信号映射到各种可能的控制动作。 这使得决策逻辑的验证更具挑战性，并且当决策逻辑可能需要响应于电力系统拓扑方面 的改变或对电力系统的其他更新而被修正时，给人类工程师带来了挑战性任务。


技术实现要素：

13.需要提供用于生成决策逻辑的改进的技术，该决策逻辑由工业自动化控制系统iacs 的控制器执行，特别是由配电系统或发电系统执行。特别地需要这样的改进技术，这些 技术允许使用机器学习(machine learning，ml)来生成决策逻辑，同时促进由专家工程 师出于例如验证的目的来翻译由ml过程产生的决策逻辑。
14.根据本发明的实施例，提供了允许利用机器学习来生成决策逻辑(例如，保护继电 器的决策逻辑)的方法和系统。被训练的机器学习模型具体地以这样的方式设计，即在 计算流程中引入一个或几个检查点。(一个或多个)检查点便于提供例如使用图像用户 界面(gui)来指示如何进行以下动作的信息：
[0015]-决策逻辑的输入在(一个或多个)检查点处被处理成有限数量(例如，两个或三个) 的中间信号，
[0016]-(一个或多个)检查点处的中间信号被处理成可能的控制动作，即控制器的输出， 以及
[0017]-如果提供了几个检查点，经训练的机器学习模型如何将检查点中的一个处的中间 信号处理成连续检查点处的中间信号。
[0018]
因此，提供了使用特定机器学习架构来充当可翻译保护逻辑的方法和设备。在这个 架构中，ml模型的内部计算被分解成几个子过程。
[0019]
子过程中的一个的输出(也称为计算的“中间信号”)用于可视化经训练的ml模 型的操作，或者以其他方式提供关于仅训练的ml模型的信息。子过程中的一个的这些 输出形成了用于翻译、验证、可视化和/或检验经训练的ml模型(优选地是整个经训练 的ml模型)的计算子过程中的至少一个的检查点。
[0020]
方法和设备中使用的机器学习模型被以这样的方式设计，即较小数量的中间信号(诸 如两个或三个实值标量中间信号)从计算子过程中的一个移交给下一计算子过程。
[0021]
虽然正在被训练的ml模型以这样的方式人工设计，即有较小数量的中间信号(诸 如两个或三个实值标量中间信号)从计算子过程中的一个移交到下一计算子过程，但是 中间信号对ml模型的输入的依赖性和ml模型的输出对中间信号的依赖性是训练过程 的结果。
[0022]
应当理解的是，由所公开的方法和系统提供的经训练的ml模型(其被部署为控制 器的决策逻辑)的可翻译性提供了各种益处。作为说明，通常期望或要求专家工程师能 够追溯保护继电器的决策，并推导出导致这个决策的原因(例如，由于特定的干扰/事件， 观察到的阻抗高于/低于某个信号)。
[0023]
根据实施例，运行在控制器(例如，保护继电器)中的保护功能和逻辑由基于机器学 习的功能实施，该功能可以基于所接收的输入信号以连续的方式做出关于是否致动断路 器的决策。
[0024]
受监督的机器学习可以用来训练ml模型。受监督的机器学习可以使用经标记的训 练数据完全自动运行。替代性地，可以使用强化学习。
[0025]
根据实施例的一种为工业自动化控制系统iacs的控制器、特别是用于电力系统保 护的控制器生成决策逻辑的方法包括使用经标记的数据执行机器学习ml，从而训练ml 模型来生成决策逻辑。ml模型具有ml模型输入和ml模型输出。ml模型被分解成多 个子过程，
以提供至少一个中间检查点，其中由计算子过程中的一个输出的中间信号被 输入到计算子过程中的后续(例如，连续的)一个中。该方法还可以包括基于中间信号生 成和输出关于经训练的ml模型的信息，用于计算子过程中的至少一个的翻译、验证、 可视化和/或检验。
[0026]
该方法由至少一个集成电路执行。
[0027]
执行机器学习可以是或者可以包括执行受监督的机器学习。
[0028]
执行机器学习可以是或者可以包括执行强化学习。
[0029]
由子过程中的一个输出并输入到子过程中的另一个的中间信号用作检查经训练的 ml模型的操作的“检查点”。
[0030]
该方法还可以包括基于所生成的关于经训练的ml模型的信息来控制光学输出设备 以输出图像。
[0031]
图像可以依赖于作为中间信号的函数的决策逻辑的至少一个决策边界。
[0032]
图像可以依赖于作为中间信号的函数的决策逻辑的至少一个数值函数。
[0033]
决策逻辑可以是确定必须执行至少两个或至少三个不同控制动作中的哪一个的分类 器。
[0034]
图像可以可视化将控制动作分离的至少两个决策边界。
[0035]
图像可以依赖于回归和/或评分函数。
[0036]
图像可以描绘中间信号对ml模型输入的依赖性。
[0037]
图像可以包括用于训练ml模型的训练数据。
[0038]
中间信号的总数可以等于或小于三个。
[0039]
中间信号可以是三个或少于三个实值标量变量。
[0040]
如果引入几个检查点，则在至少一个检查点处，并且优选地在检查点中的每一个处， 中间信号的总数可以等于或小于三个。
[0041]
通过实施这样的低维检查点，检查点之间的映射可以被人类工程师完全可视化、翻 译和检查。
[0042]
计算子过程的数量可以少于五个，特别是少于四个，特别是两个或三个。
[0043]
由第一计算子过程输出的中间信号可以输入到并行操作的两个分离的第二计算子过 程中。
[0044]
并行操作的两个第二计算子过程可以与不同的分类任务相关联。作为说明，第二计 算子过程中的一个可以确定断路器是否跳闸。第二计算子过程中的另一个可以确定跳闸 (如果发生的话)是立即跳闸还是延迟跳闸。
[0045]
第一计算子过程和第二计算子过程两者可以分别包括人工神经网络(artificial neuralnetwork，ann)。ann可以是具有非线性激活的前馈ann。
[0046]
第二子过程中的每一个可以是二元分类任务。
[0047]
中间信号的总数可以大于三个。中间信号可以是三个以上的实值标量变量。该方法 还可以包括执行决策边界到二维或三维空间中的投影。
[0048]
可以生成将决策边界到二维或三维空间中的投影可视化的图像。
[0049]
投影可以是线性或非线性投影。投影到低维空间中可能涉及沿着可以是直线或曲线 的线积分。
[0050]
ml可以通过分阶段学习来迭代执行。
[0051]
当经训练的ml模型的性能被认为不足时和/或当决策逻辑被认为太复杂而不能被人 类专家理解时，可以启动ml模型的新迭代。
[0052]
当决策逻辑被认为太复杂而不能被人类专家理解或翻译时，ml模型的计算图像的 部分可以在通过按阶段学习方法的后续迭代中被替换或移除。
[0053]
该方法可以包括选择性地修改ml模型，包括移除和/或替换计算图像的至少一部分， 以及针对经修改的ml模型重复ml。
[0054]
可以响应于用户输入或者响应于中间值对ml模型输入的依赖性和/或ml模型输出 对中间值的依赖性的自动估计，选择性地修改ml模型。
[0055]
关于经训练的ml模型是否被认为是人类专家可翻译的决策可以自动做出，而不是 通过依赖于用户输入。
[0056]
作为说明，可以使用经训练的ml模型的决策边界的拓扑特性以便确定是否需要通 过按阶段学习方法的新迭代。
[0057]
替代性地或附加地，分阶段学习可以用于替换已经通过机器学习(例如，通过受监 督的机器学习或强化学习)训练的子过程的部分。作为说明，如果子过程在训练之后类 似于线性或其他明确已知的函数，则该子过程可以被该明确已知的函数代替，以进一步 促进经训练的ml模型的可翻译性，该模型然后被用作决策逻辑。
[0058]
ml模型可以接收时间动态输入，对于多个时间步长中的每一个，该时间动态输入包 括ml模型输入的n元组。
[0059]
然后，ml模型可以为时间步长中的每一个生成ml模型输出。
[0060]
该方法还可以包括根据用于多个时间步长的ml模型输入的n元组生成聚集信息， 并且结合中间信号使用聚集信息来生成关于经训练的ml模型的信息。
[0061]
该方法还通常可以包括根据ml模型输入的n元组生成聚集信息，并且结合中间信 号使用聚集信息来生成关于经训练的ml模型的信息。
[0062]
ml模型可以接收多组ml模型输入。
[0063]
多组ml模型输入可以根据时间或根据信号类型进行分组。分组可以指确定哪些 信号一起被供应给计算子过程(诸如人工神经网络或其他分类器或计算子过程)的动作。
[0064]
将不同的群组分别供应给不同的人工神经网络或其他分类器或计算子过程。
[0065]
根据要生成的决策逻辑的类型，多组ml模型输入可以被不同地分组。作为说明， 对于第一种类型的决策逻辑，可以使用按信号类型的信号分组，而按时间的分组可以用 于第二种类型的决策逻辑。
[0066]
按时间分组可以以这样的方式实施，即与相同时间相关但具有不同信号类型(例 如，直流电压、直流电流、q电流、零电流)的信号被供应给相同的人工神经网络或其他 分类器或计算子过程。具有不同信号类型但与相同第一时间相关的第一组信号(例如， 第一时间处的直流电压、直流电流、q电流、零电流)可以被供应给第一ann、分类器 或计算子过程。具有这些不同信号类型但与不同于第一时间的相同第二时间相关的第二 组信号(例如，第二时间处的直流电压、直流电流、q电流、零电流)可以被供应给第二 ann、分类器或计算子过程。第二ann可以具有与第一ann相同的层和节点数，但是 可以具有独立于用于第一ann确定的那些权重的权重。这个概念可以扩展到两次以上。
[0067]
按信号类型分组可以以这样的方式实施，即具有相同信号类型(例如，直流电压、
直 流电流、q电流、零电流中的一个)但与不同时间(诸如在第一时间、第二时间、第三时 间和第四时间处测量的直流电压)相关的信号被供应给相同的人工神经网络或其他分类 器或计算子过程。具有相同信号类型但与不同时间相关的第一组信号(诸如在第一时间、 第二时间、第三时间和第四时间处测量的直流电压)可以被供应给第一ann、分类器或 计算子过程。具有不同信号类型但与相同时间相关的第二组信号(例如在第一时间、第 二时间、第三时间和第四时间处测量的直流电流)可以被供应给第二ann、分类器或计 算子过程。第二ann可以具有与第一ann相同的层和节点数，但是可以具有独立于用 于第一ann确定的那些权重的权重。这个概念可以扩展到两种以上的信号类型。
[0068]
当ml模型是动态ml模型时，时间序列数据可以用于同时学习计算图像的静态和 动态部分。
[0069]
替代性地，为了训练动态ml模型，可以首先学习计算图像的静态部分。随后，可 以训练动态部分(其包括从一个时隙处的计算图像向下一时隙处的计算图像提供数据)。
[0070]
替代性地，为了训练动态ml模型，可以学习计算图像的静态部分，并且可以例如 基于专家知识在不学习的情况下适配这个动态部分。
[0071]
该方法还可以包括将通过训练ml模型获得的决策逻辑部署到控制器以便进行执行。
[0072]
ml模型可以包括人工神经网络。
[0073]
ml模型可以包括多个人工神经网络。多个人工神经网络可以通过前馈函数和/或隐 藏层的数量相互区分。
[0074]
ml模型可以由多个人工神经网络组成。
[0075]
ml模型可以包括至少一个支持向量机(support vector machine，svm)。
[0076]
决策逻辑可以是电力系统保护逻辑。
[0077]
决策逻辑可以是距离保护逻辑。
[0078]
决策逻辑可以是保护继电器决策逻辑。
[0079]
决策逻辑的输出，即ml模型输出，可以确定要执行预定义的一组控制动作中的哪 一个。
[0080]
决策逻辑可以确定断路器是否跳闸，并且可选地，确定跳闸是立即跳闸还是有延迟 的跳闸。
[0081]
ml模型输出可以对应于用于立即跳闸、有延迟的跳闸和断路器的抑制的控制动作。
[0082]
虽然原始信号可以被输入到ml模型中，但是可以执行预处理来计算从原始信号输 入到ml模型中的输入。作为说明，ml模型输入可以包括相电流和相电压。这个数据可 以呈原始信号、相量、序列分量、叠加量或小波分解的形式。
[0083]
附加地或替代性地，ml模型输入可以包括相阻抗。这个数据可以呈基于电流和电压 相量计算的序列分量或故障类型特定的阻抗的形式。
[0084]
附加地或替代性地，ml模型输入可以包括相导纳。这个数据可以呈基于电流和电压 相量计算的序列分量或故障类型特定的导纳的形式。
[0085]
附加地或替代性地，ml模型输入可以包括基于电流和电压相量计算的相视在功率 或视在功率的序列分量。
频率 分析。
[0126]
预处理所接收的原始信号可以包括对电压和电流应用信号变换(诸如clarke变换或 dq0变换)。
[0127]
预处理所接收的原始信号可以包括应用具有通过基于ml的技术递送的系数的定制 数字滤波器。
[0128]
预处理所接收的原始信号可以包括使用来自相邻变电站以及来自更宽区域的信息。 这种信息可以包括频率测量或其他信息。
[0129]
根据实施例的一种用于为工业自动化控制系统iacs的控制器、特别是用于电力系 统保护的控制器生成决策逻辑的计算机系统包括至少一个集成电路，该集成电路适于使 用经标记的数据执行机器ml学习，从而训练ml模型来生成决策逻辑。ml模型有ml 模型输入和ml模型输出。ml模型被分解成多个子过程，其中由计算子过程中的一个输 出的中间信号被输入到计算子过程中的后续(例如，连续的)一个中。该至少一个集成电 路适于基于中间信号生成关于经训练的ml模型的信息，用于计算子过程中的至少一个 的翻译、验证、可视化和/或检验。计算机系统还具有适于输出关于经训练的ml模型的 信息的输出接口。
[0130]
该至少一个集成电路适于执行受监督的机器学习或强化学习来生成决策逻辑。
[0131]
输出接口可以是适于基于所生成的关于经训练的ml模型的信息输出图像的光学输 出设备。
[0132]
计算机系统可以被适配成使得由光学输出设备输出的图像可以依赖于作为中间信号 的函数的决策逻辑的至少一个判定边界。
[0133]
计算机系统可以被适配成使得由光学输出设备输出的图像可以依赖于作为中间信号 的函数的决策逻辑的至少一个数值函数。
[0134]
计算机系统可以被适配成使得决策逻辑是确定要执行至少两个或至少三个不同控制 动作中的哪一个的分类器。
[0135]
计算机系统可以被适配成使得由光学输出设备输出的图像可以可视化将控制动作分 离的至少两个决策边界。
[0136]
计算机系统可以被适配成使得图像依赖于回归和/或评分函数。
[0137]
计算机系统可以被适配成使得图像描述中间信号对ml模型输入的依赖。
[0138]
计算机系统可以被适配成使得图像包括用于训练ml模型的训练数据。
[0139]
计算机系统可以被适配成使得中间信号的总数等于或小于三个。中间信号可以是三 个或少于三个实值变量。
[0140]
计算机系统可以被适配成使得，如果引入几个检查点，则在至少一个检查点处，并 且优选地在检查点中的每一个处，中间信号的总数可以等于或小于三个。
[0141]
计算机系统可以被适配成使得计算子过程的数量可以少于五个，特别是少于四个， 特别是两个或三个。
[0142]
计算机系统可以被适配成使得由第一计算子过程输出的中间信号可以输入到并行操 作的两个分离的第二计算子过程中。
[0143]
计算机系统可以被适配成使得并行操作的两个第二计算子过程可以与不同的分类任 务相关联。作为说明，第二计算子过程中的一个可以确定断路器是否跳闸。第二计算子 过程中的另一个可以确定跳闸(如果发生的话)是立即跳闸还是延迟跳闸。
[0144]
计算机系统可以被适配成使得第一计算子过程和第二计算子过程两者可以分别包括 人工神经网络(ann)。ann可以是具有非线性激活的前馈ann。
[0145]
计算机系统可以被适配成使得第二子过程中的每一个可以是二进制分类任务。
[0146]
计算机系统可以被适配成使得中间信号的总数大于三个。计算机系统可以适于执行 决策边界到二维或三维空间中的投影。
[0147]
计算机系统可以被适配成使得可以生成将决策边界到二维或三维空间中的投影可视 化的图像。
[0148]
计算机系统可以被适配成使得投影可以是线性或非线性投影。投影到低维空间中可 能涉及沿着可以是直线或曲线的线积分。
[0149]
计算机系统可以被适配成使得ml可以通过分阶段学习来迭代执行。
[0150]
计算机系统可以被适配成使得当经训练的ml模型的性能被认为不足时和/或当决策 逻辑被认为太复杂而不能被人类专家翻译时，可以选择性地启动ml模型的新迭代。
[0151]
计算机系统可以被适配成使得ml模型的计算图像的部分可以在通过按阶段学习方 法的后续迭代中被替换或移除。
[0152]
计算机系统可以被适配成使得可以响应于用户输入或者响应于中间值对ml模型输 入的依赖性和/或ml模型输出对中间值的依赖性的自动估计，选择性地修改ml模型。
[0153]
计算机系统可以适于响应于确定关于经训练的ml模型的信息不满足可翻译性标准， 修改ml模型。这可以包括移除和/或替换计算图像的至少一部分，以及针对经修改的ml 模型重复ml。
[0154]
计算机系统可以适于自动进行关于经训练的ml模型是否被认为是人类专家可翻译 的决策。
[0155]
计算机系统可以适于可以使用经训练的ml模型的决策边界的拓扑特性以便确定是 否需要通过按阶段学习方法的新迭代。
[0156]
计算机系统可以适于使用分阶段学习来替换已经通过机器学习(例如，通过受监督 的机器学习或强化学习)训练的子过程的部分。作为说明，如果子过程在训练之后类似 于线性或其他明确已知的函数，则该子过程可以被该明确已知的函数代替，以进一步促 进经训练的ml模型的可翻译性，该模型然后被用作决策逻辑。
[0157]
计算机系统可以被适配成使得ml模型可以接收时间动态输入，对于多个时间步长 中的每一个，该时间动态输入包括ml模型输入的n元组。
[0158]
计算机系统可以被适配成使得ml模型然后为时间步长中的每一个生成ml模型输 出。
[0159]
计算机系统可以适于根据用于多个时间步长的ml模型输入的n元组生成聚集信息， 并且结合中间信号使用聚集信息来生成关于经训练的ml模型的信息。
[0160]
计算机系统通常可以适于根据ml模型输入的n元组生成聚集信息，并且结合中间 信号使用聚集信息来生成关于经训练的ml模型的信息。
[0161]
ml模型可以接收多组ml模型输入。
[0162]
多组ml模型输入可以根据时间或根据信号类型进行分组。分组可以指确定哪些信 号一起被供应给计算子过程(诸如人工神经网络或其他分类器或计算子过程)的动作。
[0163]
计算机系统可以适于将不同的群组分别供应给不同的人工神经网络或其他分类
器或 计算子过程。
[0164]
计算机系统可以被适配成使得根据要生成的决策逻辑的类型，多组ml模型输入被 不同地分组。作为说明，对于第一种类型的决策逻辑，可以使用按信号类型的信号分组， 而按时间的分组可以用于第二种类型的决策逻辑。
[0165]
计算机系统可以被适配成使得按时间分组可以以这样的方式实施，即与相同时间相 关但具有不同信号类型(例如，直流电压、直流电流、q电流、零电流)的信号被供应给 相同的人工神经网络或其他分类器或计算子过程。具有不同信号类型但与相同第一时间 相关的第一组信号(例如，第一时间处的直流电压、直流电流、q电流、零电流)可以被 供应给第一ann、分类器或计算子过程。具有这些不同信号类型但与不同于第一时间的 相同第二时间相关的第二组信号(例如，第二时间处的直流电压、直流电流、q电流、零 电流)可以被供应给第二ann、分类器或计算子过程。第二ann可以具有与第一ann 相同的层和节点数，但是可以具有独立于用于第一ann确定的那些权重的权重。这个概 念可以扩展到两次以上。
[0166]
计算机系统可以被适配成使得按信号类型分组可以以这样的方式实施，即具有相同 信号类型(例如，直流电压、直流电流、q电流、零电流中的一个)但与不同时间(诸如 在第一时间、第二时间、第三时间和第四时间处测量的直流电压)相关的信号被供应给 相同的人工神经网络或其他分类器或计算子过程。具有相同信号类型但与不同时间相同 的第一组信号(诸如在第一时间、第二时间、第三时间和第四时间处测量的直流电压)可 以被供应给第一ann、分类器或计算子过程。具有不同信号类型但与相同时间相关的第 二组信号(例如在第一时间、第二时间、第三时间和第四时间处测量的直流电流)可以被 供应给第二ann、分类器或计算子过程。第二ann可以具有与第一ann相同的层和节 点数，但是可以具有独立于用于第一ann确定的那些权重的权重。这个概念可以扩展到 两种以上的信号类型。计算机系统可以被适配成使得当ml模型是动态ml模型时，时 间序列数据可以用于同时学习计算图像的静态和动态部分。
[0167]
计算机系统可以被适配成使得为了训练动态ml模型，可以首先学习计算图像的静 态部分。随后，可以训练动态部分(其包括从一个时隙处的计算图像向下一时隙处的计 算图像提供数据)。
[0168]
计算机系统可以被适配成使得为了训练动态ml模型，可以学习计算图像的静态部 分，并且可以例如基于专家知识在不学习的情况下适配这个动态部分。
[0169]
计算机系统可以适于将通过训练ml模型获得的决策逻辑部署到控制器以便进行执 行。
[0170]
计算机系统可以被适配成使得ml模型包括人工神经网络。
[0171]
在示例性实施例中，ml模型可以包括接收ml模型输入并输出三个实值中间信号 的第一人工神经网络。ml模型可以包括接收三个实值中间信号并且输出标识控制动作 的二进制决策的至少一个并且优选地第二人工神经网络。一个第二人工神经网络可以输 出指示是执行断路器跳闸还是断路器受限的二进制决策。另一第二人工神经网络可以输 出指示执行立即跳闸或延迟跳闸的二进制决策。
[0172]
计算机系统可以被适配成使得ml模型输入是与三个不同相相关联的三个复值导纳。
[0173]
计算机系统可以被适配成使得执行机器学习可以包括预处理经标记的训练数据
以计 算与三个不同相相关联的三个复值导纳，以便为机器学习生成ml模型输入。
[0174]
计算机系统可以被适配成使得生成和输出与决策逻辑相关联的信息可以包括：
[0175]-生成并输出表示中间信号中的一个对导纳中的一个的实部和虚部的相互依赖性的 至少一个第一图；和/或
[0176]-生成并输出表示不同控制动作(诸如断路器受限、立即断路器跳闸和有延迟的断路 器跳闸)之间的决策边界对三个实值中间信号的相互依赖性的至少一个第二图。
[0177]
计算机系统可以被适配成使得ml模型可以包括多个人工神经网络。
[0178]
多个人工神经网络可以通过前馈函数和/或隐藏层的数量相互区分。
[0179]
计算机系统可以被适配成使得ml模型可以由多个人工神经网络组成。
[0180]
计算机系统可以被适配成使得ml模型可以包括至少一个支持向量机(svm)。
[0181]
计算机系统可以被适配成使得决策逻辑是电力系统保护逻辑。
[0182]
计算机系统可以被适配成使得决策逻辑是保护继电器决策逻辑。
[0183]
计算机系统可以被适配成使得决策逻辑的输出，即ml模型输出，确定要执行预定 义的一组控制动作中的哪一个。
[0184]
计算机系统可以被适配成使得决策逻辑确定断路器是否跳闸，并且可选地，确定跳 闸是立即跳闸还是延迟跳闸。
[0185]
计算机系统可以被适配成使得ml模型输出可对应于用于立即跳闸、有延迟的跳闸 和断路器的抑制的控制动作。
[0186]
计算机系统可以被适配成使得ml模型输入包括线的3相导纳，或者可以基于从3 相导纳计算的特征。
[0187]
计算机系统可以被适配成使得原始信号可以被输入到ml模型中。计算机系统可以 适于执行预处理以计算从原始信号输入到ml模型中的输入。
[0188]
作为说明，计算机系统可以被适配成使得ml模型输入可以包括相电流和相电压。 这个数据可以呈原始信号、相量、序列分量、叠加量或小波分解的形式。
[0189]
附加地或替代性地，计算机系统可以被适配成使得ml模型输入可以包括相阻抗。 这个数据可以呈基于电流和电压相量计算的序列分量或故障类型特定的阻抗的形式。
[0190]
附加地或替代地，计算机系统可以被适配成使得ml模型输入可以包括相导纳。这 个数据可以呈基于电流和电压相量计算的序列分量或故障类型特定的阻抗的形式。
[0191]
附加地或替代性地，计算机系统可以被适配成使得ml模型输入可以包括基于电流 和电压相量计算的相视在功率或视在功率的序列分量。
[0192]
附加地或替代地，计算机系统可以被适配成使得ml模型输入可以包括电压和/或电 流信号的频谱。频谱可以使用短期傅立叶或离散小波变换来确定。可以在模式变换之后 对电压和电流信号执行时间-频率分析。
[0193]
附加地或替代性地，计算机系统可以被适配成使得ml模型输入可以包括以上提及 的任何特征上的滑动窗口。作为说明，ml模型输入和/或中间值可以表示时间序列上的 有限脉冲响应(finite impulse response,fir)滤波器或无限脉冲响应(infinite impulseresponse,iir)滤波器。
[0194]
附加地或替代性地，计算机系统可以被适配成使得ml模型输入可以包括由clarke 变换或dq0变换而变换的电压和/或电流。
[0195]
附加地或替代性地，计算机系统可以被适配成使得ml模型输入可以包括具有通过 基于ml的技术递送的系数的定制数字滤波器。
[0196]
附加地或替代地，计算机系统可以被适配呈使得ml模型输入可以包括来自相邻变 电站以及来自更广泛区域的信息。这种信息可以包括频率测量或其他信息。
[0197]
当在输入到ml模型中之前执行信号的预处理时，计算机系统可以适于选择信号的 多个潜在候选组合并执行机器学习。这可以针对不同的候选信号组合重复进行。
[0198]
计算机系统可以适于确保ml模型输入的数量保持小于或等于预定阈值。预定阈值 可以是十、九、八、七、六或少于六。
[0199]
计算机系统可以适于使用标识要用作ml模型输入的、示出最佳性能的信号组合的 搜索算法自动执行特征选择任务，同时可选地确保决策逻辑保持可由人类工程师翻译。
[0200]
计算机系统可以适于执行正则化或ann剪裁技术来限制ml模型输入的数量。
[0201]
计算机系统可以适于从可能的ml模型的数据库中选择ml模型。计算机系统可以 适于基于电力系统或iacs的拓扑自动确定ml模型中的哪一个将被训练。
[0202]
计算机系统可以适于根据iacs或控制器被用于其中的电力系统的标准化配置描述 (诸如根据iec 61850的scd文件)自动确定拓扑。
[0203]
计算机系统可以适于自动执行评估模块，该评估模块评估通过训练ml模型获得的 决策逻辑是否满足预定义标准。
[0204]
计算机系统可以被适配成使得预定义标准可以是量化ml模型输入和中间信号之间 的映射和/或中间信号和ml模型输出之间的映射是否可以由人类专家翻译的度量。
[0205]
替代性地或附加地，计算机系统可以被适配成使得评估模块可以评估决策逻辑是否 具有预期特性。作为说明，如果决策进行过程下的物理系统具有某种对称性(如三相电 力系统中的故障保护的情况)，则评估模块可以评估经训练的ml模型是否具有符合这 种对称性的特性。作为说明，评估模块可以评估中间值和/或ml模型输出在期望对称的 特征ml模型输入的排列(诸如当电力系统在这种循环排列下对称时的3相阻抗的循环 排列)下是否如预期的那样表现。
[0206]
评估模块可以通过机器学习来训练。
[0207]
计算机系统可以适于响应于触发信号或事件重复决策逻辑的生成。
[0208]
触发可以是电力系统拓扑方面的改变和/或电力系统中智能电子设备(intelligentelectronic device，ied)的更换。
[0209]
工业自动化控制系统iacs，特别是电力系统，包括适于执行决策逻辑以决定采取 几个控制动作中的哪一个的控制器，以及根据本发明的用于生成决策逻辑的计算机系统。
[0210]
计算机系统可以被适配成使得仅当在生成决策逻辑期间，决策逻辑被认为满足预定 义标准的情况下，决策逻辑才可以选择性地部署到控制器。预定义的标准可以依赖于一 个或几个决策边界的拓扑或定义ml模型输入和中间值之间和/或中间值和ml模型输出 之间的映射的其他特性。
[0211]
预定义的标准可以取决于人类专家是否能够理解ml模型输入和中间值之间和/或中 间值和ml模型输出之间的映射。
[0212]
控制器可以适于执行决策逻辑以生成控制命令并将其输出到电力系统资产。
[0213]
控制命令可能触发断路器跳闸。
[0214]
控制器可以是数字保护继电器。
[0215]
该系统还可以包括控制设备。受控设备可以是断路器。受控设备可以是发电系统、 配电系统或电力传输系统的主要部件。
[0216]
控制器可以适于从传感器和/或合并单元接收原始信号。
[0217]
控制器可以适于预处理所接收的原始信号，以生成输入到由控制器执行的决策逻辑 中的ml模型输入。
[0218]
控制器可以被适配成使得预处理所接收的原始信号可以包括计算相阻抗。这个数据 可以以基于电流和电压相量计算的序列分量或故障类型特定的阻抗的形式计算。
[0219]
控制器可以被适配成使得预处理所接收的原始信号可以包括计算相导纳。这个数据 可以以基于电流和电压相量计算的序列分量或故障类型特定的导纳的形式计算。
[0220]
控制器可以被适配成使得预处理所接收的原始信号可以包括计算基于电流和电压相 量计算的相视在功率或视在功率的序列分量。
[0221]
预处理所接收的原始信号可以包括计算电压和/或电流信号的频谱。频谱可以使用短 期傅立叶或离散小波变换来确定。可以在模式变换之后对电压和电流信号执行时间-频率 分析。
[0222]
控制器可以被适配成使得预处理所接收的原始信号可以包括计算clarke变换或dq0 变换。
[0223]
控制器可以被适配成使得预处理所接收的原始信号可以包括应用具有通过基于ml 的技术递送的系数的定制数字滤波器。
[0224]
控制器可以被适配成使得预处理所接收的原始信号可以包括使用来自相邻变电站以 及来自更宽区域的信息。这种信息可以包括频率测量或其他信息。
[0225]
通过根据实施例的方法和计算机系统获得了各种效果。
[0226]
作为说明，根据实施例的方法和系统促进自动化设计决策逻辑的过程。人类专家工 程师可以影响该过程，例如通过选择在学习中使用的经标记的训练数据。人类专家工程 师还可以基于在计算图像的一个或几个位置处引入的(一个或多个)检查点，可视化、查 验或控制由机器学习生成的决策逻辑。这促进人类专家工程师与机器学习过程的交互。
[0227]
根据实施例的方法和系统还促进在由于电力系统拓扑和参数方面的预期或未知变化 而产生附加需求的情况下更快地重新设计。作为说明，当这种变化可以被映射到相关的 训练数据时，例如通过在相对应的仿真系统中表示它们，或者通过从操作数据中观察它 们，决策逻辑的重新设计可以通过以其设立ml模型的特定方式来促进。通常，只有一 些，但不是全部的子过程可能需要经历重新训练。
附图说明
[0228]
将参考附图中示出的优选示例性实施例更详细地解释本发明的主题，在附图中：
[0229]
图1是包括保护逻辑发生器的系统的示意性表示。
[0230]
图2是系统的示意性表示。
[0231]
图3是信号流程图。
[0232]
图4是静态计算图像。
[0233]
图5示出了计算图像。
处被处理成中间信号的信息，
[0264]-关于(一个或多个)检查点处的中间信号如何被处理成可能的控制动作，即控制器 的输出的信息，以及
[0265]-如果提供了几个检查点，经训练的机器学习模型如何将检查点中的一个处的中间 信号处理成连续检查点处的中间信号。
[0266]
关于中间信号如何映射成可能的控制动作的信息可以例如包括描绘决策边界或决策 边界的投影的三维图像。
[0267]
决策逻辑生成器20可以具有用于输出决策逻辑的接口26，该决策逻辑通过ml模 型的受监督的机器学习获得。接口26可以例如经由通信集线器19通信耦合到控制器31、 32、33。应当理解的是，不同的决策逻辑将被输出到控制器31、32、33中的每一个，这 取决于在其中使用相应控制器的发电系统、配电系统或输电系统的配置和拓扑。
[0268]
决策逻辑生成器20可以被适配成使得除了经训练的ml模型的性能之外，将ml模 型的中间信号与ml模型输入和/或ml模型输出相关的信息的复杂性也可以被认为是经 训练的ml模型适合被部署到控制器中的一个的总和的标准。以这样的方式，只有在符 合可翻译性标准的同时具有高性能的经训练的ml模型才能被输出。
[0269]
作为说明，决策边界的拓扑特性(诸如当作为三个实值中间信号的函数来路由决策 边界时，组成决策边界的未连接部分的数量)可以用作可翻译性标准。
[0270]
应当理解的是，中间信号对ml模型输入的依赖性和ml模型输出对中间信号的依 赖性不是已知的优先级。相反，这种依赖是受监督的机器学习的结果。
[0271]
在发电网络、配电网络或传输网络的操作期间，控制器31、32、33可以执行部署在 其上的决策逻辑。控制器31、32、33中的一个或几个可以使用这个决策逻辑来处理信号 (诸如电流、电压或从时域或频域中导出的量)，以确定是否以及何时将执行断路器跳 闸。应当理解的是，根据控制器31、32、33的期望用途，可以执行其他控制动作。
[0272]
可选地，控制器31、32、33可以向保护逻辑发生器20提供操作数据。操作数据可 以用于执行性能评估和/或用于存储在数据存储设备23中。在被标记的情况下，这些数据 可以用于未来训练。
[0273]
图2是示出决策逻辑生成器20和执行由与配电系统或发电系统的部件结合使用的决 策逻辑生成器20自动生成的决策逻辑的控制器31的示意图。作为说明，电力变电站的 隔间可以包括开关qb1、qb2、qc2、aq1、qb9和qc9、用于电流感测的变压器bc1、 bc2和用于电压感测的变压器ba1。传感器设备被部署来生成原始信号，这些原始信号 可以可选地经由合并单元或其他单元被提供给控制器31。
[0274]
决策逻辑生成器20适于自动生成并可选地自动部署由控制器31执行的决策逻辑， 如本文更详细描述的那样。
[0275]
ml模型可以接收电流和电压作为时域或频域的原始信号。这既适用于受监督的机 器学习(当决策逻辑由决策逻辑生成器20生成时)，也适用于相应控制器31、32、33中 决策逻辑的操作。
[0276]
可选地，可以执行预处理。作为说明，除了原始电压和电流测量之外，或者代替原始 电压和电流测量，机器学习模型可以依赖于不同类型的输入信号，这取决于所寻求的保 护类型(例如，距离继电保护、(欠/过)频继电保护等)。输入信号源不需要局限于本 地仪
器，而是可以是广域仪器，也可以是中央scada。这既适用于受监督的机器学习， 也适用于相应控制器31、32、33中决策逻辑的操作。
[0277]
图3示出了示例性信号流40。原始信号41可以由信号预处理模块42处理。信号预 处理模块42的输出可以是例如阻抗、电导、电纳、导纳或其他导出量。可以分别为三个 相位中的每一个相位确定这些信号。这些信号可以分别是复值的(即，在复平面中具有 振幅和自变量或相位)。ml模型43生成输出44，该输出可以是关于要执行哪个控制动 作的决策。
[0278]
如上所解释那样，ml模型43被分解成几个计算子过程。这有助于解释正在被执行 的决策逻辑。
[0279]
可以用作ml模型输入并且可以由信号预处理42在预处理中生成的潜在的、非穷举 的信号列表如下(特别地，其中任何复量可以由笛卡尔或极坐标表示给出)：
[0280]
1.相电流i和电压v、原始信号、相量、序列分量、叠加量或小波分解
[0281]
2.相阻抗z、基于电流和电压相量计算的序列分量或故障类型特定的阻抗，
[0282]
3.相导纳y、基于电流和电压相量计算的序列分量或故障类型特定的导纳
[0283]
4.基于电流和电压相量计算的相视在功率、序列分量视在功率，
[0284]
5.使用短期傅立叶或离散小波变换的电压和电流信号的频谱。可以在模式变换之后 对电压和电流信号执行这个时间-频率分析。
[0285]
6.通过clarke变换或dq0变换进行的电压和电流信号变换。
[0286]
7.自定义数字滤波器，其中滤波器系数由数据驱动的ml算法递送。
[0287]
8.来自邻近变电站以及来自更广区域的信息(诸如频率测量)、来自wams的数据、 需求和发电状态、(拓扑)连通性、来自ems/scada的最新状态估计结果、诸 如湿度、温度等的气象数据。
[0288]
可以基于原始信号(电压、电流)上的滑动窗口或移动平均值来计算可以通过特征 计算42中的预处理确定的以上列出的量中的至少一些。相量计算可以通过具有基频的单 个完整周期长度的标准正弦、余弦fir滤波器来执行，或者通过使用半周期滤波器或任 何其他定制调谐滤波器权重或定制滤波器长度来执行。
[0289]
除了在某个时间点的这些和其他特征之外，或者作为这些和其他特征的替代性方案， 它们的短期动态情况(例如它们的导数的估计，或者来自滑动时间窗的信号)可以被用 作ml模型输入。
[0290]
因此，在ml模型之前可以是信号预处理模块，该信号预处理模块将原始电压和电 流测量值转换为适合分类的ml模型输入(输入特征，诸如所估计的阻抗)，如图3所 示。本发明的一方面描述了如何自动标识应该选择哪些候选输入(候选输入的哪个组合)， 使得保护性能被最大化，同时确保可翻译性，如将参考图24更详细地解释的那样。注意， 原始测量(诸如三相中的每一个的电流和电压信号)也可以直接馈送到ml模型。
[0291]
一般而言，到由决策逻辑生成器20训练的ml模型的输入和到被部署为控制器31、 32、33中的决策逻辑的经训练的ml模型的输入可以是时间相关的。换句话说，这些ml 模型输入可以是信号随时间的轨迹。输入信号的实例在本文中也被称为信号矢量轨迹。 术语“信号矢量轨迹”既反映了它是某个时间段范围内的轨迹，也反映了在每个时间点 存在信号矢量。这种类型的数据也被称为时间数据或时间动态数据。例如，一组时间数 据可以由某个时间段(例如，最后500ms)内的所计算的线阻抗组成。从时间数据中进 行学习的任务
间信号64。中间信号64可以是三个或少于三个实数(其在本文中也称为分数)。中间信 号64被输入到另一连续的第二人工神经网络66中。连续的第二人工神经网络6提供可 以指示断路器跳闸(如果有的话)是立即跳闸还是延迟跳闸的输出53b。
[0304]
因此，如图5所示，接收三个复信号(它们可以由呈笛卡尔或极坐标表示的形式的 六个实信号表示)作为输入数据71。两个并行的第一人工神经网络61、62执行处理72 (其相当于两次处理三个复信号)，以生成两组三个实信号62、64。两个并行的第二人 工神经网络65、66执行处理74(其相当于两次处理三个实信号)以生成决策75，该决 策可以是二进制决策。
[0305]
如图6所示，ml模型输入被提供给第一人工神经网络81，该第一人工神经网络输 出中间信号83。中间信号83可以是三个或少于三个实数(其在本文中也称为分数)。
[0306]
中间信号83被输入到连续的第二人工神经网络85中。连续的第二人工神经网络65 提供指示将采取断路器跳闸还是断路器抑制动作的输出53a。
[0307]
中间信号83也被输入到连续的第二人工神经网络86中。连续的第二人工神经网络 86提供可以指示断路器跳闸(如果有的话)是立即跳闸还是延迟跳闸的输出53a。
[0308]
因此，如图6所示，接收三个复信号(它们可以由呈笛卡尔或极坐标表示的形式的 六个实信号表示)作为输入数据91。第一人工神经网络81执行处理72(相当于处理三 个复信号)以生成一组三个实信号93。两个并行的第二人工神经网络85、86执行处理94 (其相当于两次处理三个实信号)以生成决策75，该决策可以是二进制决策。
[0309]
计算图像的图节点中的激活函数可以被实现为具有非线性激活(例如relu、 sigmoid/tanh或任何其他非线性函数)的前馈ann。它们可以包括可变数量的任意大小 的隐藏层(n1、n2、n3、n4)。每层的不同数量的隐藏单元是可能的。
[0310]
作为更具体的示例，图5和图6的ml模型将针对到ml模型的输入是包含线的所 估计的3相导纳的静态信号向量的情况进行翻译，该线由继电器监督。也就是说，输入 信号向量包含每个相的复数(即具有实部和虚部)，从而产生六个数字输入的大小。决策 逻辑的可翻译性以两个步骤实现：
[0311]
1.处理全部三个复量(即，全部三相导纳)以计算三个标量，也称为分数。这是通过 一个或多个函数将复数(2d)映射到标量(1d)来实现的。这三个分数构成了低 维的检查点(3d)。三个分数可能是实值标量。
[0312]
2.ml模型输出(即，跳闸/非跳闸决策)根据三个前面提及的分数获得。这通过将 3d映射到1d的函数来实现。
[0313]
图5示出了实施上述步骤的第一变型，并且图6示出了第二变型。在这两种情况下， 计算图像假设输入为3个复数量，以及输出为保护逻辑的三种可能决策中的一个：“抑 制”、“有延迟的跳闸”或“立即跳闸”。这三个决策通过两个二元分类器分离，一个二 元分类器将“抑制”与“跳闸”分离，一个二元分类器将“立即跳闸”与“有延迟的跳闸
”ꢀ
分离。代替使用两个级联的二进制分类器，可以替代性地使用单个3类分类器(例如， 通过softmax输出层实施)。分类器的选择可以依赖于输出是否保持是可翻译的，并且可 以通过输出是否保持是可翻译的而被驱动。
[0314]
两个决策步骤(2d处理和3d处理)中的每一个包含标准的前馈计算图像。“2d处 理”可以指采用2d输入并产生标量输出的计算，即它采用单个复数输入特征(诸如导 纳)并
计算分数。“3d处理”可以指采用3d输入(即分数)并计算分类输出的计算。
[0315]
在一个实施方式中，每个二进制分类器可以依赖于由专用子图61、62计算的其自己 的输入分数63、64，如图5所示。为了减少需要调谐的参数的数量，并且也为了增强可 翻译性，优选的是如图6所示的联合2d流架构，其中2d处理在两个3d分类器(上面 介绍的两个级联二进制分类器)之间共享。
[0316]
如上所提及那样，计算图像的图节点中的激活函数可以被实现为具有非线性激活(例 如relu、sigmoid/tanh或任何其他非线性函数)的前馈ann。它们可以包括可变数量的 任意大小的隐藏层(n1、n2、n3、n4)。每层的不同数量的隐藏单元是可能的，如图5和 图6所示。由于学习二进制分类任务，输出单元的激活通常是但不一定是sigmoid。如上 所提及那样，在其他实施例中也可以使用具有softmax或任何其他激活的多类别分类。
[0317]
训练过程(其中目标是尽可能精确地训练ml模型)的一个隐含结果是，学习系统 将学习中间分数，使得它们携带用于适当地做出正确决策的最高值。当学习ml模型时， 这个事实将极大地促进分数的可翻译性。
[0318]
从机器学习过程的角度来看，中间检查点(即实值分数63、64、83)没有物理意义。 它们确切地说作为将物理数据压缩成用于进行决策的有价值的度量的方式起作用。
[0319]
如从图5和图6中将可以理解的那样，ml模型可以具体地以这样的方式设计，即在 ml模型中的处理的中间阶段处提供多个(例如最多三个)中间信号，从而人为地限制计 算流中这个点处的变量的数量。
[0320]
对于一般的时间动态设置，与不同时间相关联的ml模型输入被输入到ann(或其 他分类器)中的方式可能取决于要生成的决策逻辑的类型。作为说明，对于第一种类型 的决策逻辑，可以使用按信号类型的信号分组，而按时间的分组可以用于第二种类型的 决策逻辑。
[0321]
按时间分组可以以这样的方式实施，即与相同时间相关但具有不同信号类型(例如， 直流电压、直流电流、q电流、零电流)的信号被供应给相同的人工神经网络或其他分类 器或计算子过程。具有不同信号类型但与相同第一时间相关的第一组信号(例如，第一 时间处的直流电压、直流电流、q电流、零电流)可以被供应给第一ann、分类器或计 算子过程。具有这些不同信号类型但与不同于第一时间的相同第二时间相关的第二组信 号(例如，第二时间处的直流电压、直流电流、q电流、零电流)可以被供应给第二ann、 分类器或计算子过程。第二ann可以具有与第一ann相同的层和节点数，但是可以具 有独立于用于第一ann确定的那些权重的权重。这个概念可以扩展到两次以上。
[0322]
按信号类型分组可以以这样的方式实施，即具有相同信号类型(例如，直流电压、直 流电流、q电流、零电流中的一个)但与不同时间(诸如在第一时间、第二时间、第三时 间和第四时间处测量的直流电压)相关的信号被供应给相同的人工神经网络或其他分类 器或计算子过程。具有相同信号类型但与不同时间相同的第一组信号(诸如在第一时间、 第二时间、第三时间和第四时间处测量的直流电压)可以被供应给第一ann、分类器或 计算子过程。具有不同信号类型但与相同时间相关的第二组信号(例如在第一时间、第 二时间、第三时间和第四时间处测量的直流电流)可以被供应给第二ann、分类器或计 算子过程。第二ann可以具有与第一ann相同的层和节点数，但是可以具有独立于用 于第一ann确定的那些权重的权重。这个概念可以扩展到两种以上的信号类型。
[0323]
图7是根据实施例的方法100的流程图。方法100可以由决策逻辑生成器20自动执 行。
[0324]
在步骤101，执行受监督的机器学习以生成决策逻辑。这是通过训练一个或几个ml 模型来完成的。在经训练的几个ml模型中，可以在训练后在性能方面并且可选地在他 们的可翻译性方面对它们进行估计。
[0325]
在步骤102，输出关于ml模型的子过程中的一个或几个的信息。信息可能包括以下 中的一项或多项：
[0326]-关于旨在用作决策逻辑的经训练的ml模型的输入如何在(一个或多个)检查点 处被处理成中间信号的信息，
[0327]-关于(一个或多个)检查点处的中间信号如何被处理成可能的控制动作，即控制器 的输出的信息，以及
[0328]-如果提供了几个检查点，经训练的机器学习模型如何将检查点中的一个处的中间 信号处理成连续检查点处的中间信号。
[0329]
这个信息可以通过图像用户界面或其他光学输出设备输出。
[0330]
在步骤103，可以将决策逻辑(即，经训练的ml模型)部署到控制器。应当理解的 是，不同的决策逻辑将被部署到不同的控制器。决策逻辑可以分别是保护逻辑。
[0331]
图8至图11示出了对于其中分别针对面中的每一个的导纳y＝g jb＝1/z被用作 ml模型输入的情况，根据实施例的方法和决策逻辑生成器20的操作。在此，y表示导 纳，g表示电导，b表示电纳，j表示虚部，以及z表示阻抗。假设三个实值分数由第一 计算子过程计算，例如如图6所示。进一步假设，ml模型充当可以输出关于断路器约 束、立即断路器跳闸或延迟的断路器跳闸的决策的分类器。
[0332]
图8和图9示出了三个实值中间信号(即分数)中的一个对相中的一个的导纳的电 导和电纳的依赖性。这些图像示出了第一计算子过程81和图6的操作。
[0333]
分数由用于分数-0.5、-0.2、-0.1、0.1、0.2和0.5的等分数线示出。分数接近最大信 号 1的区域111、121通过分数接近最小信号-1的区域113、123、通过分数接近零的区 域113、123分离。点114、124中的每一个表示训练数据。
[0334]
描绘中间信号对ml模型输入的依赖性的图像110、120可以在给用户的输出中生 成。如前所述，中间信号或分数通常没有直接的物理解释。尽管如此，图8和9的图像 在由将参考图10和图11描述的图像补充时允许人类工程师理解由受监督的机器学习生 成的决策逻辑。
[0335]
图10和图11示出了决策边界对三个实值中间信号(即分数)的依赖性。这些图像 示出了第二计算子过程85、86和图6的操作。图10和图11从不同的角度示出了分别作 为三个实值中间信号(即分数)的函数的决策边界。这些决策边界通过训练ml模型获 得。
[0336]
一个决策边界122将断路器抑制决策和跳闸决策分离。在其他情况下，决策边界121 将立即跳闸决策和延迟跳闸决策分离。
[0337]
训练数据133表示抑制，训练数据131表示立即跳闸，以及训练数据132表示延迟 跳闸。
[0338]
应当理解的是，以其设计ml模型并且其中第一计算子过程的实值输出(其然后由 ml模型的另一子过程进一步处理)的数量被限制为例如三个或少于三个的具体方式允 许
决策边界在以2d或3d可视化。
[0339]
决策逻辑生成器20和/或用户界面27可以被适配呈使得表示依赖于三个实值中间信 号(即分数)的决策边界的图像可以被用户输入旋转。这进一步帮助人类专家工程师评 估决策逻辑操作的方式。
[0340]
应当理解的是，可以生成和输出表示训练后中间信号(即分数)对ml模型输入的 依赖性和ml模型输出对中间信号(即分数)的依赖性的图像。可以由人类专家工程师 使用这个信息来校验和/或翻译部署到控制器并由控制器执行的决策逻辑。
[0341]
图8至图11中示出的图像是通过模拟图14中示出的系统获得的。保护继电器201 处理电压和/或电流信号。
[0342]
决策逻辑生成器20为继电器201生成可翻译的保护逻辑。为了简单起见，仅模拟了 线1-2和1-3中的故障。对于这两条线，针对几个代表性的负载条件、故障位置、故障起 始角和故障电阻模拟了全部类型的故障。线1-3中的故障对应于“抑制”继电器决策，线 1-2(区1)的高达80％的故障对应于“立即跳闸”决策，而线1-2(区2)的超过80％的 故障对应于“有延迟的跳闸”决策。注意，这不是保护设计示例，而是简化的用例，以进 一步示出根据实施例的方法和系统的操作。
[0343]
如上所解释那样，ml模型包含两个子图：首先，基于由继电器监督的相导纳计算每 相的一个分数，从而产生三个分数，并且随后，根据全部这三个分数计算最终决策(即 ml输出)。图8可视化了导纳到分数的映射(每相；图12中给出了全部三个相的全貌)， 并且图10和图11示出了分数到决策的映射。用于训练ml模型的测试例也在这些图中 示出为点。对于每个相可以使用相同的评分函数，如图12所示。因此，图12中的三个 曲线图(它们表示用于不同相的评分函数)看起来非常相似。在图8、图9和图12中， 具有相同分数的等分数线以线指示。在图181、182、183中，具有正分数的区域位于具 有分数小于0.1的幅值的区域上方，由最中间的一对等分数线标记，并且具有负分数的区 域位于具有低分数的区域下方，如上已经解释那样。然而，图181、182、183中的一个 上的任何所选择的点(即模拟数据184至189的模拟情况；不同的决策由图12中的不同 符号指示)通常将对应于其他图的另一位置。
[0344]
可以由专家工程师使用这种可视化。由此，人类工程师可以批准决策逻辑以便进行 部署。除了由人类工程师进行的评估或作为由人类工程师进行的评估的替代性方案，可 以自动评估经过训练的ml逻辑的可翻译性。
[0345]
分数的组合允许第二子图进行区分，如图10和图11所示。人们可以观察到，在两 侧处取接近 1和-1的信号的情况下，评分函数基于导纳角在大部分导纳平面中进行非常 尖锐的分离，而在导纳较低(即阻抗较高)的区域其取接近零的信号，从而产生不太尖锐 的分离。如图10和图11所见，这个区域允许人们标识区2故障(“有延迟的跳闸”)。 这三个分数的结合使人们能够区分跳闸决策和抑制决策。
[0346]
为了进一步示出，让我们关注故障的子集，仅涉及相a(即a-g、a-b、a-b-g、a
‑ꢀ
b-c)。评分函数在图13中绘出。例如，导纳角接近于零(对应于某些系统负载条件) 的a-b故障将接收等于 1的分数a、等于 1的分数c和等于-1的分数b(参见图12中 的直箭头194)，从而允许第二子图将其分类为“立即跳闸”情况(参见图10和图11)。 图12还示出了用于从相位a-b到接地的故障的训练数据195、用于a-b-c故障的训练 数据196以及用于从a到接地的故障的训练数据197。
[0347]
前面的段落仅基于三相导纳作为输入示出了特殊情况。以类似的方式，可以生成可 翻译的计算图像，这些计算图像将不同的信号取为输入，例如阻抗等，或者原始信号(如 电压和电流)。这可能会导致不同数量和/或维度的检查点。
[0348]
应当理解的是，优选地除了示出训练后中间信号(即分数)对ml模型输入的依赖 性的图像之外，可以生成和输出表示ml模型输出对中间信号(即分数)的依赖性的图 像。可以由人类专家工程师使用这个信息来校验和/或翻译部署到控制器并由控制器执行 的决策逻辑。
[0349]
当ml模型输入的数量小于阈值时(诸如十个实值标量或六个或更少的实值标量时)， 本文公开的概念通常对训练ml模型特别有用。学习某项任务以获得期望的性能水平所 需的ml模型输入数量越多，设计可翻译的计算图像就越有挑战性。对于任何给定的任 务，是否存在具有期望属性(性能水平、可翻译性)的学习模型的问题可以通过经验来回 答，因为这是机器学习应用所固有的。
[0350]
本发明的一个优选方法是保持输入维度尽可能低，以促进可翻译性，同时保持经学 习的分类器的性能非常高。将参考图24描述在ml模型的学习阶段期间选择具有尽可能 低的维度的一组ml模型输入的方法。
[0351]
所提出的计算图像也可能包含不经受学习的部分。为了示出，在计算一组分数之后， 计算图像可以对分数应用取最大值的算子，这例如对应于选择分数中的“最差”的直觉。
[0352]
虽然优选的是具有低维检查点(即，ml模型的实值中间信号的数量为两个或三个) 以便于生成用于经由ui 27输出的可翻译图像，但是本文公开的技术不限于此。作为说 明，如果存在由第一子过程61、62、81输出并输入到第二子过程65、66、85、86中的 三个以上的实值中间信号，则仍然可以生成表示经训练的ml模型的操作的图像。作为 说明，可以使用以下技术中的任何一种：
[0353]-线性低维子空间上的投影以及可视化
[0354]-非线性低维子空间(流形)上的投影和可视化
[0355]-低维映射的属性(诸如梯度、变化、最小值/最大值、沿较低维流形的单调性等) 的分析
[0356]
应当理解的是，在用于可视化的较低维子空间上的投影可以是线性或非线性投影。 投影可以包括在具有多于三维的空间中沿着直线或曲线进行积分。
[0357]
虽然优选的是人为地将中间信号的数量限制为两个或三个实值变量，并且保持ml 模型输入的总数相当小，但是本文描述的技术不限于此。例如，如果计算子过程的结果 以线性方式组合，即使当中间信号的数量大于3时，人类专家也能理解决策逻辑的操作。 可以输出表示各种逻辑子过程的多个图像。作为说明，如图5所示，通过指定要以这样 的方式训练的ml模型，即它包括两个二进制分类器，两个分类器中的每一个的操作(例 如，作为第一分类器的结果的“跳闸”或“抑制”，或作为第二分类器的结果的“立即跳 闸”或“有延迟的跳闸”)可以由工程师分离地考虑和估计。
[0358]
训练ml模型的过程可以迭代地重复。这样做可以提高性能和/或确保经训练的ml 模型上的输出信息可容易地被人类专家理解。ml模型可以在连续迭代之间被修改。
[0359]
图15是方法140的流程图。方法140可以由决策逻辑生成器20自动执行。
[0360]
在步骤141，执行受监督的机器学习来训练ml模型。
[0361]
在步骤142，确定决策边界。决策边界可以根据实值中间信号(即分数)来确定。
[0362]
在步骤143，确定随后经由用户界面输出的决策边界是否足够简单，以便经训练的 ml模型被认为是可翻译的。虽然在步骤143可以使用用户输入，但是步骤143可以完全 或至少部分自动实施。作为说明，可以确定决策边界的拓扑特性，以便评估经训练的ml 模型是否被认为是可翻译的。作为说明而非限制，可以确定由三个实值分数跨越的三维 空间中表示决策边界的不相交表面的数量，并将其与阈值信号进行比较，以评估经训练 的ml模型是否满足标准(诸如可由人类翻译)。也可以使用决策边界的其他拓扑特性 (诸如由三个实值分数跨越的三维空间中的梯度和/或曲率)。
[0363]
在步骤144，如果经训练的ml模型被认为是不可翻译的(在输出信息太复杂的意义 上)，则可以修改ml模型。这可以使用各种技术来完成，如将参考图18更详细地解释 的那样。
[0364]
在步骤145，如果经训练的ml模型被认为是可翻译的，则ml模型可以作为决策逻 辑被部署到控制器，诸如数字保护继电器。
[0365]
具有一次学习的低维检查点的静态计算图像可能已经满足了可翻译性方面的要求。 然而，存在在第一次中学习的函数过于复杂或费解的情况。图16(其建立在参考图8至 图14呈现的示例上)示出了这样的情况，其中在计算图像的第二部分中学习的决策函数 中的一个非常复杂，并且因此难以解释。
[0366]
为了增加可翻译性，ml模型中的被认为太难而不能理解(即不可翻译)的部分被允 许可翻译性的更简单的模型代替，例如通过已经讨论过的可视化。这是分阶段学习方法， 因为学习最终ml模型的任务不是在一次运行中完成的，而是在迭代中完成的。
[0367]
图18可视化了所提出的想法。新的更简单的模型也可以是机器学习模型，诸如ann 或支持向量机(svm)，其具有确保较低复杂性的结构(例如较浅的ann、具有线性或 非线性核函数的svm等)。注意，对于每个子图(即，一方面对于子过程61、62、81， 以及另一方面对于子过程65、66、85、86)，降低模型复杂性可能需要几次迭代，其中 复杂性逐渐降低。
[0368]
如图16所示，在原始计算图像中，具体地在两个最右边的子图中学习到的决策边界 过于复杂，并且应该被简化。这特别地适用于立即跳闸和延迟跳闸之间的决策边界151。 因此，相对应的子图从ml模型中移除，并由不同的计算代替，如图18所示，从而生成 可更容易理解的图像，如图17所示。
[0369]
应当理解的是，在图16和图17中，训练数据133表示抑制，训练数据131表示立 即跳闸，以及训练数据132表示延迟跳闸。图16和图17两者示出了将抑制决策与跳闸 决策分离的决策边界162。另一决策边界151、161将立即跳闸决策和延迟跳闸决策分离。 决策边界151非常复杂。
[0370]
回到图18，各自可以是ann的子图85、86可以通过以递增顺序排序171、173这3 个分数、随后是svm 172、174来替换。
[0371]
推动排序171、173的事实是存在期望的对称性属性，这可以通过修改计算图像来强 制实施：由于ml模型输入是三相导纳，分类输出不应取决于输入的排列，并且因此也 不应取决于分数的排列，因为任何相中的故障都应导致保护逻辑的相同行为。这种对称 性属性可以通过在将这3个分数馈送到svm分类172、174之前以递增的顺序对它们进 行排序来
强制实施。这种对称性适用于相位相关输入，但不适用于序列分量相关输入。
[0372]
应当理解的是，排序不仅可以以递增的顺序执行，也可以以递减的顺序执行。进一 步，当输入不是导纳被用作ml模型输入时，排序也是有用的。作为说明，当三相阻抗 用作ml模型输入时，可以执行排序以得到相同的效果。
[0373]
由于不存在获得可以被更容易地翻译的信息的先验保证，所以可以使用迭代技术来 评估当作为三个中间信号(即分数)的函数绘制时，决策边界的复杂性是否可以被降低。 因此，可用的机器学习模型的范围显著增强。可以找到可翻译的经训练的ml模型的机 会增加了。
[0374]
参考图15至图18解释的分级训练不仅可以用于促进经训练的ml模型的校验。
[0375]
作为说明，替代性地或附加地，按阶段学习可以用于提供了利用特定函数替换经学 习的子图。例如，如果在视觉检验期间或当由决策逻辑生成器20估计时，由子图表示的 函数被确定为接近已知的线性或非线性函数，则它可以由相应的函数近似，并相应地在 计算图像中被替换。在这个替换步骤之后，执行训练的下一迭代。
[0376]
训练
[0377]
下文中将描述与ml模型的训练相关的各方面。
[0378]
本发明提出的决策逻辑设计过程是基于受监督的机器学习：包含模拟信号和可能地 历史现场数据xi和标签yi的训练数据集25被用于训练ml模型。在此训练意味着利用调 谐方法(诸如随机梯度下降)，以便基于训练数据集设置ml模型的参数(例如神经网 络的权重)。
[0379]
训练数据集
[0380]
对于训练数据25的每个信号向量轨迹xi，相对应的标签yi指示在这个轨迹期间是否 已经发生故障、故障已经发生的时间、以及保护逻辑的期望的所得到的决策(例如立即 跳闸、在一定延迟后跳闸或抑制)或决策的某种导数(例如决策上的概率分布)。
[0381]
可以通过使用为其设计保护逻辑的特定输电或配电网的模型或者为其设计保护功能 的不同拓扑的多个输电或配电网的模型来模拟各种事件来获得训练数据(如上提及的时 间动态或静态的训练数据)。
[0382]
人类设计者可以决定执行什么模拟，以便生成由机器学习过程使用的适当训练数据。 替代性地，数据可以由软件使用对抗或其他方法以自主方式生成。
[0383]
只要相关的历史数据可用(例如在过去网中已经发生的事件的历史数据)，它们也 可以用来增强训练数据集。
[0384]
训练过程
[0385]
用于这个决策逻辑的目标ml模型(其可以将信号向量轨迹取为输入，并且可以在 在线操作期间输出决策轨迹)不一定在单个训练运行中以所谓的按阶段学习进行学习， 而是可能在迭代中进行学习。
[0386]
如果静态计算图像有一个以上的检查点，可以以不同的顺序布置多个学习阶段。例 如，在第一阶段，第一子图可以被保留，而其余的被丢弃和重建，或者前两个子图可以被 保留等。
[0387]
学习时间动态计算图像可以以几种不同的复杂和精确性方法来完成，如参考图19至 图21所述。
[0388]
图19示出了时间动态计算图像210。为了执行保护逻辑决策而要学习的ml模型可 以是如图19所示的时间动态计算图像，其中箭头表示数据流(通常是数字向量)并且框 212、213、222、223、232、233表示计算。在时间动态计算图像210中，输出224、234 不仅取决于当前输入221、231，还取决于先前的输入，这与仅将当前观察到的输入映射 到输出的静态计算图像(图4)相反。时间动态计算图像通常包含携带随时间变化的历史 的至少一个内部状态向量(例如，内部计算213、223的输出)。在图19中，这在“内 部计算(2)”层中示出。
[0389]
在操作中，(例如，保护继电器中的)控制器的决策逻辑是ml模型，其以连续的方 式随时间一个接一个地接收信号向量211、221、231，并且相应地随时间一个接一个地计 算输出214、224、234。在机器学习术语中，这被称为在线(相对于批处理)计算。
[0390]
所提出的时间动态图210包含相互连接的子图。为了充当保护逻辑，静态ml模型 因此可以被扩展，以便在时间动态设置中操作。这可以以确保决策系统的鲁棒性和速度 被优化的方式来实现，即保护逻辑的可靠性、安全性和速度或者被最大化或者被下限化。
[0391]
由于测量可能包含零星的不良数据，静态决策通常不足以做出稳健的分类/决策。
[0392]
图19的时间动态模型由静态模型的重复构成，一个静态模型向另一静态模型提供输 入。与静态ml模型(图4)相比，时间动态ml模型210包含更多子图。因此，通常需 要在计算图像中引入更多的低维检查点，而更多的“子图”需要通过按阶段学习的方式 被更低复杂度的模型所替代(如参考图15至图18所解释的那样)。
[0393]
ml模型的最终决策(例如，立即跳闸/无跳闸/延迟跳闸)的可翻译性可以作为用于 评估是否可以部署经训练的ml模型的相关标准。除了已经描述的实现其的方式之外(通 过子图的可视化和/或按阶段学习)，还可以通过随时间聚集静态子模型的各个输出来增 强可翻译性，这些静态子模型通过可翻译函数一起构成时间动态模型210。例如，聚集可 以以以下方式中的一个执行：
[0394]-低通滤波：最终决策是由213、223输出到后续静态图的静态决策的低通滤波版本。 替代性地，可以使用任何其他滤波器(iir滤波器、fir滤波器等)。
[0395]-计数和阈值化：对静态决策(例如214、224、234处的跳闸决策)进行计数。如果 连续已经计数一定数量的静态跳闸决策，则动态决策为跳闸。
[0396]
虽然多组输入信号的聚集对于时变输入是有吸引力的，但是上述技术也可以用于多 组输入信号被提供给ml模型作为输入的其他情况。
[0397]
在全动态计算图像中，中间静态输出(例如，第一内部计算213的输出)可以被放 宽为连续的决策分数，而不是分类决策。第二内部计算223可以用于存储关于计数和阈 值化的信息，或者实施如前所述的低通滤波器。这允许在其解析实时进入的数据时基于 静态模型的聚集“内部计算(1)”212、222的决策。这样，可以消除异常值和错误，并 建立更具鲁棒性的决策。
[0398]
可以使用各种技术来训练由图19的时间动态计算图像表示的ml模型：
[0399]
i.训练数据25可以包括时间序列数据。时间序列数据可以用于同时学习计算图像的 静态部分和动态部分。在此静态部分表示图中直到“内部计算(1)”212、222、 232的部分，并且动态部分表示图中名为“内部计算(2)”213、223、233的部 分。现有的最先进的框架允许利用各种学习算法(例如，具有子梯度方法的梯度下 降)进行这种计算。这特别地能够将提供给计算223、233等的中间静态输出放宽 为决策分数，而不是硬决策。这也使得能够
使静态子图进行(微)调谐。
[0400]
ii.独立地训练决策逻辑的计算图像的静态部分(可能通过按阶段学习，如上所解释那 样)。一旦学习了静态部分，就可以调谐动态部分或聚集层(例如图19中的“内 部计算(2)”213、223等)。在许多情况下，这可以通过非常简单的参数调谐来 实现，特别是对于简单的聚合函数。
[0401]
iii.独立地学习计算图像的静态部分并且在不学习的情况下对动态部分使用基于启发 式“专家知识”的聚合(例如，如果静态决策已经跳闸了持续多个连续的时间步 长，则跳闸)。在这种情况下，用于决策逻辑的学习过程只需要静态数据。
[0402]
应当理解的是，对于选项i和ii，受监督的机器学习可以用于图的静态部分(即，不 将数据从一个时间步长运送到下一时间步长的计算子过程212、222、232)和图的动态部 分(即，将数据从一个时间步长运送到下一时间步长的计算子过程213、223、233)。
[0403]
这种方法的结构允许本文描述的大多数调谐/学习步骤在用于操纵计算图像的最先 进的框架(诸如(但不限于)tensorflow、pytorch、caffe或mxnet)中的一个中执行(通 常通过随机梯度下降)。这些框架还允许对非常大的计算图像(诸如多个时间步长上的 动态图)进行计算高效的处理。然而，没有必要求助于这样的框架：在此描述的全部学习 可以通过众所周知的算法(诸如参数扫描或梯度下降)来执行。
[0404]
经学习的ml模型的部分将是通常所说的“人工神经网络(ann)”，并且可以通 过采用相对应的最先进的方法(诸如随机梯度下降)来获得(“训练”)。然而，如上所 解释那样，决策逻辑可以包含以不同方式获得的部分，例如支持向量机。
[0405]
图20是根据实施例的方法240的流程图。方法240可以由决策逻辑生成器20自动 执行。
[0406]
在步骤241，使用经标记的数据训练计算图像的静态部分(即，不将数据从一个时间 步长传送到另一时间步长的部分)。经标记的数据是时间序列数据。
[0407]
在步骤242，使用经标记的数据训练计算图像的动态部分(即，将数据从一个时间步 长运送到另一时间步长的部分)。经标记的数据是时间序列数据。
[0408]
在步骤243，可以聚集时间动态输入，以便促进可视化。这可以以各种方式来实现。 作为说明，可以使用低通滤波、iir滤波或fir滤波。应当理解的是，这种聚集减少了用 于经训练的ml模型的可视化、验证或其他翻译的输入参数的数量。
[0409]
在步骤244，生成并输出关于将被用作决策逻辑的经训练的ml模型的信息。生成和 输出的信息可以包括表示在步骤243确定的聚集输入和由ml模型执行的内部计算的中 间信号之间的相互依赖性的一个或几个图。
[0410]
图21是根据实施例的方法245的流程图。方法245可以由决策逻辑生成器20自动 执行。
[0411]
在步骤246，使用经标记的数据训练由时间动态计算图像表示的ml模型。经标记的 数据是时间序列数据。这可以使用用于操纵计算图像的框架来完成(例如，通过随机梯 度下降)，诸如(但不限于)tensorflow、pytorch、caffe或mxnet。
[0412]
在步骤247，可以聚集时间动态输入，以便促进可视化。这可以以各种方式来实现。 作为说明，可以使用低通滤波、iir滤波或fir滤波。应当理解的是，这种聚集减少了用 于经训练的ml模型的可视化、验证或其他翻译的输入参数的数量。
[0413]
在步骤248，生成并输出关于将被用作决策逻辑的经训练的ml模型的信息。生成和 输出的信息可以包括表示在步骤247确定的聚集输入和由ml模型执行的内部计算的中 间信号之间的相互依赖性的一个或几个图。
[0414]
本文描述的用于生成由发电系统、配电系统或输电系统的控制器执行的决策逻辑的 技术考虑了经训练的ml模型的性能。只有当经训练的ml模型具有足够的性能时，它 才被部署为决策逻辑。然而，可以使用决定经训练的ml模型是否适合被部署为决策逻 辑的其他标准。作为说明，本文描述的ml模型以这样的方式专门设立，即它们使得它 们自己易于由人类专家进行验证、检验、检查、校验或其他查验。为此，通过定义子过程 并将从一个主体过程移交给另一子过程的中间信号的数量强制实施为较小(例如，两个 或三个)，将低维检查点引入到计算流中。结果和经训练的ml模型的可翻译性可以用 作用于利用经训练的ml模型确定适合作为决策逻辑部署到控制器的另一标准。
[0415]
图22是根据实施例的方法250的流程图。方法250可以由决策逻辑生成器20自动 执行。方法250对于按阶段学习方法是示例性的。
[0416]
在步骤251，选择初始计算图像架构，并启动迭代过程。初始计算图像体系结构可以 包括一个或几个人工神经网络。
[0417]
在步骤252，开始第n学习阶段。在第一迭代中，n＝1。
[0418]
在步骤253，执行受监督的机器学习。
[0419]
在步骤254，确定是否满足性能标准。验证是否满足性能标准可以基于未包括在经标 记的训练数据25中的测试数据。如果不满足性能标准，则该方法返回到步骤253。如果 满足性能标准，则该方法进行到步骤255。
[0420]
应当理解的是，评估性能可以以各种方式实施。作为说明，训练数据中没有包括的 几个测试场景可以被供应给经训练的ml模型，并且控制逻辑生成器20可以确定是否做 出正确的决策。应当理解的是，测试数据也是经标记的数据，但是不包括在训练数据中。 对于特别关键的测试场景，正确决策的比例和/或决策逻辑的性能可以用来评估是否满足 性能标准。
[0421]
在步骤255，可以估计经训练的ml模型的其他特征，以便利用经训练的ml模型来 确定适合作为决策逻辑部署到控制器。
[0422]
在一些示例中，可以估计经训练的ml模型的可翻译性。这可以以各种方式来实现。 作为说明，提供以下的图像可以被提供给人类工程师：
[0423]-关于旨在用作决策逻辑的经训练的ml模型的输入如何在(一个或多个)检查点 处被映射成两个或三个实值标量中间信号的信息，
[0424]-关于(一个或多个)检查点处的中间信号如何被处理成可能的控制动作，即控制器 的输出的信息，以及
[0425]-如果提供了几个检查点，经训练的机器学习模型如何将检查点中的一个处的中间 信号处理成连续检查点处的中间信号。
[0426]
基于来自人类工程师的响应，可以确定是否满足标准。虽然可通过使用用户输入来 评估可翻译性，但是步骤255处的可翻译性的评估可以部分或完全自动化。作为说明，2 维或3维图的拓扑特性(其可以表示中间信号所跨越的空间中的决策边界)可以用于评 估经训练的ml模型的可翻译性。
[0427]
在步骤256，如果ml模型被认为是不可翻译的，则迭代n中使用的计算图像的部 分可以被移除。
[0428]
在步骤257，替代性地或附加地，计算图像的部分可以由另一计算子过程或已知函数 代替。作为说明，如果这在上文中已经解释过，如果计算子过程中的一个被认为是不可 翻译的，则计算子过程的这各部分可以被支持向量机或另一函数代替。
[0429]
在步骤258，所得到的新计算图像架构被用作后续学习级中的计算图像架构。该方法 返回到步骤252。
[0430]
如果在步骤255，确定经训练的ml模型不仅满足在步骤254检查的性能标准，而且 附加地还满足在步骤255检查的标准，则在步骤259，经训练的ml模型可以作为决策逻 辑输出。
[0431]
图23是简化方法260的流程图。方法260可以由决策逻辑生成器20自动执行。
[0432]
在步骤261，执行受监督的机器学习以生成决策逻辑。
[0433]
在步骤262，测试所生成的决策逻辑的性能。这可能包括模拟决策逻辑响应于测试场 景的行为。测试场景可以基于历史数据和/或通过模拟生成的数据。
[0434]
在步骤263，确定性能是否被认为是可接受的并且满足可选的其他标准(例如，如果 决策逻辑产生了当经由ui 27输出时可以被人类工程师容易理解的决策边界)。如果性 能不可接受或者如果不满足其他标准，则该方法返回到步骤261。可以选择新的ml模型 用于下一次迭代的训练。
[0435]
如果性能是可接受的，并且满足可以在步骤263检查的其他标准，则在步骤264，决 策逻辑可以被部署到控制器以便进行执行。
[0436]
应当理解的是，可以使用各种其他标准来确定是否需要ml的新的迭代。作为说明， 如果其中决策逻辑将由控制器执行的电力系统具有对称性(电力系统的三个相通常是这 种情况)，则经训练的ml模型可以在其行为是否反映了这种对称性方面被自动估计。 例如，可以验证与不同相相关联的ml模型输入的循环排列是否也导致预期的一致决策 逻辑行为。
[0437]
虽然用户输入可以用于接收关于经训练的ml模型的反馈，但是本文公开的方法和 计算机系统可以利用自动评估经学习的决策逻辑的模块来加强。这个模块可以通过机器 学习再次进行训练。
[0438]
通常期望的是ml模型输入的数量保持较小，以便允许通过可视化的方式实现的基 于低维检查点的可翻译性是有效的。
[0439]
实现这一点的一种现象是，例如由人类工程师定义多个潜在信号组合。决策逻辑生 成器20然后可以针对每个组合运行受监督的机器学习训练。也就是说，以各种方式将几 个原始信号组合成更小的ml模型输入集，并且对每个这样的组合执行受监督的机器学 习。例如，这可以通过从时间序列数据计算导纳或阻抗来实现。替代性地或附加地，小波 变换或滤波可以用于将原始信号压缩成更少数量的ml模型输入。可以选择原始信号的 最合适的组合，即在保护性能和可翻译性之间实现良好或最佳平衡的组合。
[0440]“特征选择”任务(其涉及预处理模块42如何操作)可以通过标识实现最佳性能的 特征(输入信号)的组合的搜索算法部分自动化。人类工程师可以可选地选择这些组合 中的哪一个导致更“可翻译”的保护逻辑。为了促进由人类专家对特征进行选择，向人类 专家
提供了许多更高级别的可视化以便进行选择。
[0441]
这在图24中说明，图24是方法270的流程图。方法270可以由决策逻辑生成器20 执行。在步骤271，可以启动对最佳输入(即原始信号的组合)的搜索。在步骤272，执 行机器学习，并存储所得到的经训练的ml模型用于进一步估计。该方法返回到步骤271， 其中原始信号的不同组合被选择为输入。最后，在它们的性能，以及优选地它们的可翻 译性方面比较各种决策逻辑。诸如反映基础电力系统对称性的预期行为(例如，在三相 循环置换下)的标准可以用于评估经训练的ml模型。
[0442]
另一替代性方案是训练具有多个输入特征的模型，并使用一些正则化或ann剪裁技 术(诸如l1正则化或随机失活)来限制输入特征的数量。
[0443]
通过根据实施例的方法和计算机系统获得了各种效果和优点。作为说明，决策逻辑 可以使用机器学习(ml)自动生成。此外，决策逻辑的翻译性由专家工程师从ml过程 产生，例如校验。这有助于决定需要何时以及如何响应于电力系统方面的变化(例如，拓 扑方面的变化或部件中的一个的变化)而修改决策逻辑。
[0444]
虽然已经在保护继电器的上下文中描述了实施例，但是方法和计算机系统不限于生 成和/或使用发电系统、配电系统或电力传输系统的保护继电器的决策逻辑。相反，所公 开的方法和计算机系统可以用于生成iacs的一个控制器或几个控制器的决策逻辑。
[0445]
虽然已经在附图和前面的描述中详细描述了本发明，但是这种描述被认为是说明性 的或示例性的，并且不是限制性的。根据对附图、公开内容和所附权利要求的研究，本领 域中的和实践所要求保护的发明的技术人员人可以理解和实现所公开的实施例的变化。 在权利要求中，词语“包含”不排除其它元件或步骤，并且不定冠词“一”或“一个”不 排除多个。在不同的权利要求中引用某些元素或步骤的单纯事实并不指示这些元素或步 骤的组合不能被有利地利用，具体地说除了实际的权利要求依赖性之外，任何另外的有 意义的权利要求组合应被认为是公开的。