一种基于模仿学习技术的智能继电保护系统与方法与流程

本发明涉及电力系统继电保护领域，特别是涉及一种基于模仿学习技术的智能继电保护系统与方法。

背景技术：

1、在电力系统中，继电保护系统是保障电网安全稳定运行的关键部分，其主要功能是监测电力系统中的异常情况，并在出现故障时采取必要措施以防止电力设备损坏或系统崩溃。继电保护的核心任务包括过流保护、接地保护、差动保护、过压保护等。保护装置通常会根据测量的电流、电压和其他参数来监测系统中的异常，并触发适当的动作来保护电力设备。

2、传统的继电保护系统主要通过预设的规则和阈值来监测和响应故障，这种方式对于已知的故障模式具有一定的识别和保护能力，能够快速响应电力系统中的常见异常情况，保护电力设备免受损坏。由于电力系统结构变得越来越复杂和动态，而传统继电保护系统又受限于静态规则和预先设定的阈值，这使得传统的继电保护系统难以适应复杂多变的电力网络环境，对于新型故障模式，往往需要人工干预和频繁调整。在大规模复杂电力系统中，传统方法可能无法覆盖所有潜在的故障模式。

3、由于传统的继电保护系统受限于静态规则和预先设定的阈值，不能适用于新型的故障模式以及结构动态变化的电力系统。

技术实现思路

1、本发明所要解决的技术问题在于，提供一种基于模仿学习技术的智能继电保护系统及方法，通过结合循环神经网络和模仿学习算法，可以实现自动学习和模仿优秀继电保护操作员的策略，提高了电力系统的可靠性以及继电保护的自适应性。

2、为解决上述技术问题，作为本发明的一方面，提供一种基于模仿学习技术的智能继电保护方法，其包括如下步骤：

3、步骤s10，实时采集电力系统的多个传感器数据；

4、步骤s11，对所述传感器数据进行预处理，包括数据清洗、归一化和特征提取；

5、步骤s12，采集和记录继电保护操作员的历史决策行为；

6、步骤s13，构建循环神经网络模型；

7、步骤s14，基于历史数据，采用模仿学习算法，对所述循环神经网络模型进行训练以模仿操作员的策略；

8、步骤s15，实时监测电力系统状态，输入至已训练的循环神经网络模型；

9、步骤s16，获得循环神经网络所输出的策略，实时自动化继电保护决策；

10、步骤s17，基于电力系统状态和历史数据，不断更新循环神经网络模型，以持续改进继电保护策略。

11、其中，步骤s11中对传感器数据进行预处理，进一步包括：

12、步骤s110，进行数据清洗，删除或修复数据中的错误、缺失或异常值；

13、步骤s111，对数据进行归一化处理，将数据缩放到[0,1]范围内，其公式如下：

14、xnorm＝(x-xmin)/(xmax-xmin)

15、其中，xnorm是归一化后的数据，x是原始数据，xmin是原始数据中的最小值，xmax是原始数据中的最大值；

16、步骤s112，从采集的数据中提取出有用的特征，包括：功率因素、谐波分量、峰谷比特征；

17、步骤s113，使用主成分分析(pca)对数据进行降维处理，提取其中重要的特征量。

18、其中，在步骤s113中，使用主成分分析(pca)对数据进行降维处理进一步包括：

19、步骤s1130，计算出数据的协方差矩阵，其计算公式如下：

20、

21、其中，x是数据矩阵，每一行代表一个样本，每一列代表一个特征，xt为数据矩阵的转置；

22、步骤s1131，对协方差矩阵进行特征值分解，得到特征值和对应的特征向量；

23、步骤s1131，对特征值进行从大到小排序，选取最大的k个特征值对应的特征向量，k为降维后的目标维数，这些特征向量构成新的特征空间；

24、步骤s1132，将原始数据投影到选定的前k个特征向量构成的子空间中，即将数据矩阵x和由前k个特征值对应的特征向量所组成的投影矩阵p相乘，从而得到降维后的数据矩阵；其计算公式为：

25、y＝xp

26、其中，y为降维后的数据矩阵，每一行代表一个样本，每一列代表一个主成分。

27、其中，在步骤s13中，构建循环神经网络模型，进一步包括：

28、步骤s130，定义循环神经网络的时间步数，表示为t；定义输入特征的维数，表示为d；定义循环神经网络单元中隐藏状态的维度，表示为h；

29、步骤s131，在循环神经网络单元中采用下述公式将输入序列映射到隐藏状态序列：

30、ht＝activation(whxxt+whhht-1+bh)

31、其中，ht是当前时间步t的隐藏状态，xt表示当前时间步的输入特征，whx是输入到隐藏状态的权重矩阵，whh是隐藏状态到隐藏状态的权重矩阵，bh是偏执向量，函数activation是激活函数，选择为relu函数，其公式如下：

32、relu＝max(0,x)

33、其中，x表示输入值；

34、步骤s132，将输出层定义为softmax层，其中类别的总数为n，对于每个类别i，采用下述的计算公式：

35、

36、其中，p(y＝i)表示样本属于类别i的概率，zi是原始输出的第i个元素；

37、步骤s133，定义损失函数为均方误差函数，用e表示。

38、其中，在步骤s14中，基于历史数据，采用模仿学习算法，对所述循环神经网络模型进行训练以模仿操作员的策略，进一步包括：

39、步骤s140，定义奖励函数如下：

40、r＝1/e

41、步骤s141，采用策略梯度方法计算模型参数的梯度，以最大化期望奖励；

42、步骤s142，采用下述计算公式更新模型参数：

43、

44、其中，α为学习率，θ为模型的参数，为上一步计算出的梯度；

45、步骤s143，不断更新模型参数，使得奖励函数收敛，即奖励函数变化前后的差距满足精度要求。

46、相应地，本发明的另一方面，还提供一种基于模仿学习技术的智能继电保护系统，其包括：

47、传感器单元，用于实时监测电力系统的多种参数，包括电流、电压、频率；

48、数据采集单元，用于获取所述来自传感器单元的传感器数据并传输至数据处理系统；

49、数据处理系统，用于进行数据预处理，建立循环神经网络模型，并采用于模仿学习算法对传感器数据进行分析和建模；

50、控制单元，用于实时采取所述数据处理系统获得的最佳继电保护动作，以应对检测到的电力系统故障。

51、其中，传感器单元为一系列用于监测电力系统的各种参数的测量设备，包括如下电流传感器、电压传感器、频率传感器、功率传感器、电能质量传感器、温度传感器、位移传感器、压力传感器。

52、实施本发明实施例，具有如下的有益效果：

53、本发明提供了一种基于模仿学习技术的智能继电保护系统与方法，通过采用基于循环神经网络的模仿学习模式，能够自动学习电力系统的状态和历史数据，并对可能的故障模式进行预测和识别。相较于传统的基于固定规则和阈值的保护系统，本发明提供的智能学习系统具有更高的灵活性和智能化，能够适应新型故障和动态变化的电力系统环境。

54、由于循环神经网络能够学习并理解时间序列数据的特征，因此本发明提供系统在故障诊断和保护决策方面具有更高的准确性和及时性。可以快速、准确地识别潜在的故障情况，并执行相应的保护措施，有效降低电力系统受损的风险。

55、本发明采用模仿学习驱动的智能继电保护系统，可以在不断学习和模仿历史数据的基础上，能够不断优化自身的模型，以适应电力系统运行状态的变化。相较于传统的固定模式，本发明的智能继电保护系统具有更强的适应性，可以应对新型故障模式和动态条件变化。实施本发明，可以降低维护成本，提高电力系统的鲁棒性。