基于深度学习的变电站防误操作方法

1.本发明涉及电力监控领域，特别是涉及一种基于深度学习的变电站防误操作方法。


背景技术：

2.变电站防误操作系统能够确保电力设备安全、稳定运行，避免设备故障和人身伤害事故发生，是电力系统运行中的重要部分。随着电网规模扩大，其安全运行所面临的问题更加复杂，对变电站防误操作的准确性和效率提出了更高的要求。
3.林静怀等人研究了一种远方操作安全防误技术(智能电网调度控制系统的远方操作安全防误技术[j].电力系统自动化,2015,39(01):60-64+240.)，实现调控和防误一体化建模、统一防误采集规范和一体化防误逻辑规则生成。陆洪建(基于实时状态诊断和多重防误操作的隔离开关控制系统设计与应用[j].科技创新与生产力,2022(11):81-84.)等人提出了一种实时状态诊断和多重防误操作控制系统，该系统可对变电站控制回路进行分析、整合，通过对隔离开关的实时监视与逻辑判别，实现隔离开关的防误操作。张海庭等人设计了一套变电站防误闭锁逻辑可视化校验系统(变电站防误闭锁逻辑可视化校验系统设计及应用[j].电力系统保护与控制,2021,49(12):181-187)，可实现防误闭锁逻辑的图形化和实时闭锁校验结果展示。陈文淦等人建立了线上线下统一的防误操作管理系统(基于电力物联网的变电站防止电气误操作研究[j].电力安全技术,2020,22(09):19-21.)，通过防误操作装置实现钥匙智能化管理。然而现有的防误操作方法主要基于防误规则或逻辑锁定，存在操作规则复杂、维护工作量大、易受人为因素干扰等问题。因此，需要新的方法来提高防误操作的准确性与效率。


技术实现要素：

[0004]
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于深度学习的变电站防误操作方法。
[0005]
为了实现本发明的上述目的，本发明提供了一种基于深度学习的变电站防误操作方法，包括以下步骤：
[0006]
通过对接线图中的电气元件和连接关系进行检测识别，得到网络拓扑模型，再将变电站的网络拓扑模型转换成拓扑图像，将拓扑图像输入卷积神经网络，使用卷积神经网络对拓扑图像的特征向量进行分类，通过分类结果判断是否存在误操作情况。
[0007]
进一步地，通过对接线图中的电气元件和连接关系进行检测识别，得到网络拓扑模型，具体包括以下步骤：
[0008]
s00，首先对变电站接线图进行特征提取，利用faster r-cnn目标检测技术对电气元件进行检测和识别，得到电气元件的位置和特征信息；
[0009]
s01，采用opencv轮廓跟踪技术，定位连接线上的元件，从而获取它们之间的连接关系；
[0010]
s02，利用数字图像处理技术，将连接关系转换成邻接矩阵和节点特征，从而形成网络拓扑模型。
[0011]
进一步地，在通过opencv轮廓跟踪技术之前进行预处理操作，预处理过程包括：
[0012]
为了确定接线图中连接线的拓扑结构，首先采用高斯滤波平滑处理去除图像信号噪声，高斯滤波公式如下：
[0013][0014]
式中，(x，y)代表像素值的坐标信息；
[0015]
θ为正态分布的标准偏差；
[0016]
e表示自然底数；
[0017]
然后将去除图像信号噪声的图像信号转换成三通道图像信号，以便于更快地捕捉其中的细节；
[0018]
最后，对图像信号进行二值化处理，使得连接线轮廓变得更加清晰。
[0019]
进一步地，所述网络拓扑模型包括一个邻接矩阵和若干个节点，将网络拓扑模型输入卷积神经网络前，对邻接矩阵和节点特征分别编码：
[0020]
将邻接矩阵编码为一个二维的黑白矩阵，黑色像素表示两个节点之间存在边，白色像素表示两个节点之间不存在边；
[0021]
对于节点特征，将其编码为一个单通道的灰度图像，其中每个像素表示一个节点的特征值，进而得到电网的拓扑结构特征，如电网的连通性、环路个数、节点度数分布。本发明中的拓扑图像即拓扑结构。
[0022]
进一步地，使用卷积神经网络对拓扑图像的特征向量进行分类包括：
[0023]
s00，将节点特征x和邻接矩阵特征a进行concat操作得到一个综合特征矩阵，充分利用两个矩阵的信息，可以降低数据处理的复杂性。综合特征矩阵公式如下：
[0024]zcat
＝[x,a](2)
[0025]
经过concat操作将两个矩阵按列方向连接起来，每个节点就对应了一个综合特征向量，其具有局部和全局的特征信息；
[0026]
s001，将concat后的特征矩阵输入到卷积层中提取拓扑节点的特征；
[0027]
s002，在全连接层中，设置6个全连接层神经元，其中5个神经元对应五防误操作类型，1个神经元对应正确的操作类型；
[0028]
通过全连接softmax层输出对应类型的预测结果概率，从而确定误操作类型；预测结果概率公式如下所示：
[0029][0030]
式中，表示将特征矩阵转化为指数形式；
[0031]
表示从1至h对特征矩阵指数形式求和；
[0032]
h是各种分类的数量。
[0033]
全连接softmax层即包含softmax的全连接层，其精度和速度相较于一般的全连接层更好。
[0034]
进一步地，在进行concat操作之前，对节点特征和邻接矩阵特征进行预处理，所述预处理包括以下步骤：
[0035]
首先，根据公式(3)，使节点矩阵和邻接矩阵特征标准化；
[0036][0037]
表示处理后的特征值；
[0038]
x表示处理前的特征值；
[0039]
u表示处理前的特征平均值；
[0040]
σ表示处理前的特征标准差；
[0041]
其次，根据公式(4)将节点矩阵和邻接矩阵特征归一化：
[0042][0043]
其中是归一化后的矩阵特征；
[0044]aij
是原始的矩阵特征；
[0045]
表示k从i到j对a
ik
求和；
[0046]
最后，节点矩阵和邻接矩阵特征值的缺失值采用公式(5)处理：
[0047][0048]
其中，xi和分别为处理前后的节点特征中第i个元素，如果xi为nan，则将设置为0，其中nan表示非数值。
[0049]
进一步地，所述卷积层包括se通道注意力，使用权重向量对节点特征进行加权，得到加权节点特征向量，具体过程包括：
[0050]
首先对卷积得到的特征图进行squeeze操作，得到channel级的全局特征，然后对全局特征进行excitation操作，学习各个channel间的关系，也得到不同channel的权重，最后乘以原来的特征图得到最终特征。
[0051]
所述squeeze操作为：
[0052][0053]
zc表示squeeze操作得到的特征值；
[0054]fsq
(uc)表示进行全局平均池化；
[0055]h×
w表示特征图的尺寸；
[0056]
uc表示特征图卷积得到的特征向量；
[0057]
c表示特征图的通道数。
[0058]
由于卷积只是在一个局部空间内进行操作，很难获得足够的信息来提取channel之间的关系，对于网络中前面的层这更严重。为此，senet提出squeeze操作，将一个channel上整个空间特征编码为一个全局特征，采用global average pooling来实现。
[0059]
所述excitation操作为：
[0060]
sequeeze操作得到了全局描述特征，接下来抓取channel之间的关系。这个操作需要满足两个准则：首先要灵活，它要可以学习到各个channel之间的非线性关系；第二点是学习的关系不是互斥的，因为这里允许多channel特征，而不是one-hot形式。基于此，采用sigmoid形式的gating机制：
[0061]
s＝f
ex
(z,w)＝σ(g(z,w))＝σ(w2relu(w1z))
[0062]
s表示通道权重值；
[0063]fex
()是后续函数操作的定义式；
[0064]
z表示上一步得到的向量；
[0065]
w表示权重；
[0066]
σ()表示sigmoid神经网络阈值函数；
[0067]
g()表示激活函数；
[0068]
w1、w2表示两个全连接层；
[0069]
relu()表示relu激活函数；
[0070]
其中为了降低模型复杂度以及提升泛化能力，这里采用包含两个全连接层的bottleneck结构，其中第一个fc层起到降维的作用，降维系数为r是个超参数，然后采用relu激活。最后的fc层恢复原始的维度。
[0071]
最后将学习到的各个channel的激活值(sigmoid激活，值0～1)乘以特征图u上的原始特征：
[0072][0073]
表示最终特征；
[0074]
fscale()是通道相乘的定义式；
[0075]
uc表示特征图卷积得到的特征向量；
[0076]
sc表示通道权重值；
[0077]
整个操作可以看成学习到了各个channel的权重系数，从而使得模型对各个channel的特征更有辨别能力。
[0078]
进一步地，还包括对误操作进行更改调整：
[0079]
s000，判断误操作的类别，并赋予相应标签；所述类别包括：误分合断路器、带负荷分合刀闸、误入带电隔离区间、带电挂接地线和带地线合刀闸；
[0080]
s001，根据标签定位到所在线路，将其所在线路判定为误操作区间，所述线路包括上级母线线路、电源线路、开关线路和一般线路；
[0081]
s002，对于误操作区间的电路结构与误操作模块资料库中的电路模板进行匹配操作；若果匹配成功，则自动根据电路模板在误操作区间进行电路绘制；如果匹配失败，则增大搜寻范围，将标签定位到所在环路，生成误操作环路图，将误操作环路图与误操作模块资料库的所有电路模板进行匹配操作；若仍然匹配失败，则手动调整；最终得到调整后的电路拓扑图像；
[0082]
s003，对调整后的电路拓扑图像判断各个母线上的关联设备是否重载或过载，若否，则输出当前电路拓扑图像。
[0083]
综上所述，由于采用了上述技术方案，本发明通过改进的卷积神经网络分类拓扑
结构特征向量，实现误操作类型分析；进而实现变电站智能防误操作，避免了人为因素影响，并提高了防误操作的准确性和效率。为电力系统安全生产管理提供有力支持，对提高供电的安全性和稳定性具有重要意义。
[0084]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0085]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0086]
图1是本发明网络拓扑建模流程图。
[0087]
图2是本发明电气元件识别流程示意图。
[0088]
图3是本发明局部网络拓扑图。
[0089]
图4是本发明邻接表示意图。
[0090]
图5是本发明卷积神经网络的体系结构示意图。
[0091]
图6是本发明改进cnn模型架构图。
[0092]
图7是本发明改进cnn算法流程图。
[0093]
图8是典型变电站接线图。
具体实施方式
[0094]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0095]
1网络拓扑建模
[0096]
通过识别接线图中电气元件和连接关系等信息，将连接关系转化为拓扑关系，实现数据分析和网络拓扑建模。采用特征提取模型从接线图中提取重要特征，将原始数据中信息转换为有意义的特征向量。
[0097]
网络拓扑建模过程如流程图1所示，首先识别接线图中的电气元件和连接关系，将其转换为拓扑关系，从而得到变电站的拓扑结构。接着，提取和存储拓扑结构中的复杂关系，以便模型分析，并加快模型计算。对于电力系统中的拓扑结构，可以利用深度学习算法进行建模。在此过程中，将拓扑结构转化为计算机可处理的数据形式。
[0098]
1.1电气元件识别
[0099]
电气元件的识别是拓扑关系识别的基础。faster r-cnn算法是一种高效的目标检测技术，它首先利用特征提取输入图像的特征图，然后将其共享给rpn(region proposal network)，利用rpn网络生成候选区域。roi(region of interest)池化层通过对信息综合分析，从候选区域提取特征图，将其输入全连接层，以确定目标类别。最后，通过分析候选区域的特征图，计算候选区域类别，并使用回归技术获取其位置。该模型可用于精确识别元件的类别和位置，其流程如图2所示。
[0100]
1.2连接线识别
[0101]
要获取接线图的拓扑关系还需要识别元件之间的连接线。为了确定接线图中连接
线的拓扑结构，首先采用高斯滤波平滑处理来去除图像信号噪声，高斯滤波公式如下：
[0102][0103]
式中，(x，y)代表像素值的坐标信息，θ为正态分布的标准偏差。然后将其转换成三通道图像信号，以便于更快地捕捉其中的细节。最后，对图像信号进行二值化处理，使得连接线轮廓变得更加清晰。
[0104]
预处理后，通过opencv轮廓跟踪算法获取连接线所连接的元件，从而确定其连接关系。基于轮廓跟踪算法以及电力接线图像素信息的特点，对保存的轮廓进行筛选，只保留与目标元件相连的连接线轮廓信息。之后，采集目标检测的结果数据，并对各电气元件的位置、名称等信息进行保存，用于后续连接线的连接情况判别，同时把连接线的连接关系转化为拓扑连接关系。
[0105]
1.3拓扑结构存储
[0106]
电网可以采用邻接表存储网络拓扑结构。通过邻接表，系统可以根据操作任务信息，从邻接表中搜索出所需要操作的电气设备，再对实时数据进行操作。邻接表是一种链式存储结构，记录元件之间的连接情况、电气特性和运行状态。通过绘制拓扑图，将电气元件的位置映射为节点，并建立相应的邻接表。
[0107]
以图3所示的局部网络拓扑图为例说明建立邻接表的过程，设图中kn1、kn3、bn2、gm1都投入运行。首先将网络中所有元件的两端依次标注为节点并编号，分别为1、2、3、4、5。以“元件类型线路号元件位置”的形式标识出元件，图中母线标注为gm1，刀闸分别标注为kn1和kn3，开关标注为bn2，然后以二维字符型数组的形式输入网络的结构信息，输入格式为：
[0108][0109]
系统根据输入的网络信息，首先生成邻接表各链表的首节点，然后逐一检索网络中各元件两端的节点号。如果两个元件共用一个节点号，则它们直接相连，并在相应的节点后面添加相邻元件。如果没有共同的节点，则表明它们不直接相连，因此不需要添加元件。构建的网络拓扑结构的邻接表如图4所示。
[0110]
通过邻接表对网络的拓扑结构、元件之间的连接情况以及元件编号、类别和电气特性进行储存，可以将其用于构建拓扑结构。
[0111]
1.4网络拓扑建模
[0112]
电网可以抽象为只存在“节点”和“支路”的图论模型，在变电站的scd配置文件中，定义了设备的外部电气连接点为拓扑节点。基于iec61850模型，可对拓扑点类型进行划分，包括电源、接地、负载，即电气连接状态划分为带电、接地、悬浮三种。通过提取拓扑节点的编码、类型和状态信息，构建三态拓扑模型。拓扑支路由电网中的分断装置形成，可用于描述电网中电气设备之间的连接状态和故障行为。根据电气元件的连接关系，为每个节点和支路分配编号，通过提取出支路编码、类型和开关状态等结构信息建立拓扑支路模型。
[0113]
根据电气元件之间的连接关系，建立起节点和支路之间的拓扑关系，生成邻接表
储存拓扑结构。再根据邻接表的链表结构构建一个对应的邻接矩阵。邻接矩阵模型是一种常用的拓扑模型表示方法，它利用所有节点和支路的编号构成矩阵，来描述节点之间的连接关系，当两个节点或支路之间有连接时，矩阵中对应的元素为1，否则为0，节点的特征也与邻接矩阵有关。
[0114]
用于后续卷积神经网络分析的拓扑模型包括一个邻接矩阵和若干个节点，通过将邻接矩阵和节点特征分别编码为图像来进行后续的卷积网络分析。其中，将邻接矩阵编码为一个二维的黑白矩阵，黑色像素表示两个节点之间存在边，白色像素表示两个节点之间不存在边。对于节点特征，将其编码为一个单通道的灰度图像，其中每个像素表示一个节点的特征值，进而得到电网的拓扑结构特征，如电网的连通性、环路个数、节点度数分布等。
[0115]
2改进卷积神经网络
[0116]
2.1卷积神经网络体系结构
[0117]
卷积神经网络是一种广泛应用于图像处理领域的深度学习算法，能够有效地提取图像中的特征信息，从而实现图像的分类、检测和识别等任务。近年来，cnn也开始应用于拓扑结构处理领域，能够有效地提取拓扑结构中的特征信息。cnn对拓扑结构进行处理有很大的优势：
①
cnn具有较好的扩展性，能够适应不同规模和复杂度的拓扑图。
②
cnn能够自动学习和提取拓扑图中的节点和邻接矩阵特征，无需手动选择和设计，提高了特征提取的效率和准确性。
③
cnn具有较好的泛化性能，通过在训练过程中学习拓扑图的共性和规律，可以适应新的拓扑图。综合来看，cnn适用于处理电网拓扑结构。
[0118]
拓扑图中的邻接矩阵可以看作是一种二维图像，因此，cnn可以通过对节点特征和邻接矩阵特征进行卷积操作，提取拓扑图的局部和全局特征，进而对其进行分类和检测。
[0119]
如图5所示，cnn对拓扑结构进行处理的过程为：首先，从输入层输入拓扑结构的节点特征和邻接矩阵特征，节点特征包括节点的位置、电压、负荷等信息，邻接矩阵特征包括节点之间的连接关系。然后，通过卷积层提取节点特征和邻接矩阵特征，从而捕捉输入数据中的局部特征信息。在拓扑结构中，通过最大池化操作对邻接矩阵特征进行处理，从而提取全局特征信息。池化层可以减小特征图的尺寸和参数数量，从而减少计算量和内存消耗。最后，通过全连接层将卷积层和池化层提取的特征信息映射到输出层，从而实现误操作分类任务。
[0120]
2.2改进卷积神经网络模型架构
[0121]
图6为改进的cnn模型架构图。其中在输入层输入一个大小为h
×
w的拓扑图像，h和w分别表示高度和宽度。针对拓扑模型中每种状态的节点，单独建立一个h
×
w的矩阵，并将矩阵中的元素设置为该节点的特征值。通过卷积神经网络提取每个状态下的特征，得到大小为h
×w×
c的卷积特征图，c表示特征图的通道数。从而可以有效提取拓扑节点的特征，并为后续拓扑计算提供重要的特征数据。具体算法流程如图7所示。
[0122]
将节点特征x和邻接矩阵特征a进行concat操作可以得到一个综合特征矩阵，充分利用两个矩阵的信息，可以降低数据处理的复杂性。综合特征矩阵公式如下：
[0123]zcat
＝[x，a]
ꢀꢀꢀꢀ
(2)
[0124]
在进行concat操作之前，通常需要对节点特征和邻接矩阵特征进行预处理，使其具有相同的维度和尺度。首先，根据公式3，使节点矩阵和邻接矩阵特征标准化。其次，根据公式4将节点矩阵和邻接矩阵特征归一化，即将特征缩放到[0，1]区间，其中a
ij
是原始的矩
阵特征，是归一化后的矩阵特征。最后，节点矩阵和邻接矩阵特征值的缺失值采用公式5处理，其中，xi和分别为处理前后的节点特征中第i个元素，如果xi为nan，则将设置为0。
[0125][0126][0127][0128]
经过concat操作将两个矩阵按列方向连接起来，每个节点就对应了一个综合特征向量，其具有局部和全局的特征信息。
[0129]
将concat后的特征矩阵输入到卷积神经网络模型中进行训练和预测。在训练过程中使用交叉熵作为损失函数来衡量预测值和真实值之间的差异，从而更新网络参数，提高网络的分类准确率。
[0130]
在全连接层网络中，设置6个全连接层神经元，其中5个神经元对应五防误操作类型，1个神经元对应正确的操作类型。在拓扑图像误操作预测分类任务中，通过全连接softmax层输出对应类型的预测结果概率，从而确定误操作类型。预测结果概率公式如下所示
[0131][0132]
式中，表示将特征矩阵转化为指数形式；
[0133]
表示从1至h对特征矩阵指数形式求和。
[0134]
h是各种分类的数量。
[0135]
通过本方法可以有效提取拓扑节点的特征，用于网络拓扑分析。同时，还可以根据实际需求自定义不同状态下的节点特征，更好地适应不同的应用场景。
[0136]
2.2.1se通道注意力
[0137]
注意力机制是一种在深度学习中广泛使用的技术，用于对模型输入中的重要信息进行加权处理。se通道注意力机制可对特征图进行加权处理，以凸显故障电气元件和相关线路的特征，提高模型对这些区域的关注度，从而进一步提高模型对故障电气元件和相关线路的预测准确率。
[0138]
如图6所示，se通道注意力对拓扑模型提取的特征图进行加权，并作用于模型的预测结果。其具体过程为：首先，根据输入的大小为h
×w×
c的特征图(其中h和w分别表示特征图的高度和宽度，c表示特征图的通道数)，计算每个像素点的se通道权重，在卷积特征提取层中添加se通道注意力模块，对提取的特征图进行加权处理。接下来，使用该权重向量对节点特征进行加权，得到加权节点特征向量。最后，将加权节点特征向量与邻接矩阵特征进行concat操作，得到的综合特征矩阵输入到全连接层中进行分类。在这个过程中，se通道注意力帮助网络更加聚焦于关键节点，从而提高了网络的性能和准确率。
[0139]
3模型训练
[0140]
3.1数据集：
[0141]
本文构建一组不同规模、类型和运行状态的包含10个变电站的600个拓扑模型的
数据集，用于训练和评估深度学习模型。
[0142]
数据集标注可以有效提高模型的训练效果和应用效果。在本文中，通过分析拓扑结构中节点之间的连接关系，来判断变电站电路系统是否存在误操作，并分类标注。根据实际变电站运行过程中可能发生的误操作情况，将电路操作分为以下六类，如表1所示。
[0143]
表1正常运行和五类误操作拓扑结构
[0144][0145]
3.2模型训练
[0146]
超参数的设置是深度学习模型训练中至关重要的一环，对于模型的性能和训练时间都有着直接的影响。在训练深度学习模型时，通常需要对超参数进行设置，如学习率、批量大小、优化器、正则化系数等。本文中使用改进卷积神经网络进行变电站拓扑结构误操作分类任务，以下是本文使用的超参数的设置和说明。
[0147]
1)学习率(learning rate)是影响训练过程的最重要的超参数之一，它决定了每一次迭代中权重更新的步长大小。本文将初始学习率设置为0.001，采用学习率衰减的策略，即每10个epochs将学习率乘以0.9。
[0148]
2)批量大小(batch size)是指每次迭代中用于计算梯度的样本数量。本文使用了32作为批量大小，这是常见的设置。
[0149]
3)迭代次数(number of epochs)是指模型在整个数据集上进行训练的次数。本文设置了200个epochs，因为在验证集上的性能开始停滞不前。
[0150]
4)正则化(regularization)是用来控制模型复杂度的方法，它有助于避免过拟合。本文使用了l2正则化，设置为0.0001。
[0151]
5)激活函数(activation function)是神经网络中非常重要的一环，它能够引入非线性，从而让神经网络能够学习更加复杂的函数。本文使用了relu激活函数。
[0152]
6)优化器(optimizer)是用来更新权重以最小化损失函数的方法。本文使用了adam优化器，这是一种自适应学习率的优化器。
[0153]
7)dropout是一种在训练过程中随机关闭一部分神经元的方法，有助于避免过拟合。本文将dropout设置为0.5。
[0154]
在进行训练之前，我们将数据集分成了训练集、验证集和测试集，其中训练集占总数据集的70％，验证集占20％，测试集占10％。应用该方法对训练集进行模型的训练和参数
调整，验证集对模型进行了多项超参数设置和trick操作，最终在测试集上获得了99％以上的准确率。
[0155]
3.3模拟实验
[0156]
一个典型的变电站接线图如图8所示，图中的数字为iec61850标准的scd配置文件中定义的设备拓扑点。按照前文所诉对节点的拓扑点编码、拓扑点类型和运行状态进行网络拓扑模型建模。
[0157]
分析设备的初始状态信息如表2所示。例如需要对节点13和15之间的接地开关进行闭合操作，则获取到节点13属于第2电气支路，处于接地状态，节点15属于第1电气支路，处于充电状态。因此属于带负荷分合刀闸，无法操作。
[0158]
表2节点初始信息表
[0159]
节点类型节点初始状态功率节点1带电状态负荷节点9、12悬浮电位接地节点13、14、18接地状态其他节点2、3、4、5、6、7、8、10、11、15、16、17悬浮状态
[0160]
当对节点5和6之间的隔离开关进行断开操作时，假定隔离开关断开，并更新电气环路如表3所示。可知断开节点5和6之间的隔离开关后，负载节点9和12从充电状态变为断电状态，应禁止隔离开关动作。
[0161]
表3假设断开隔离开关后的电气环路划分
[0162][0163][0164]
可见本方法能够提前对开关动作导致的故障进行判断，从而达到避免误操作的目的。
[0165]
综上所述，本发明针对变电站防误操作检测问题，提出了一种基于深度学习的防误操作方法。通过对接线图中的元件和连接关系进行检测识别，得到网络拓扑模型，再将变电站拓扑结构转换成图像格式，使用改进卷积神经网络对特征向量进行分类，预测开关动作后的电力设备状态，从而实现误操作检测。与传统方法相比，本方法通过网络拓扑建模，操作简单，易于实现；且特征提取的特征向量包含了更多信息，可提高分类的准确性；此外，使用卷积神经网络进行分类，具有较高的准确性和可扩展性。
[0166]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

技术特征：
1.一种基于深度学习的变电站防误操作方法，其特征在于，包括以下步骤：通过对接线图中的电气元件和连接关系进行检测识别，得到网络拓扑模型，再将变电站的网络拓扑模型转换成拓扑图像，将拓扑图像输入卷积神经网络，使用卷积神经网络对拓扑图像的特征向量进行分类，通过分类结果判断是否存在误操作情况。2.根据权利要求1所述的一种基于深度学习的变电站防误操作方法，其特征在于，通过对接线图中的电气元件和连接关系进行检测识别，得到网络拓扑模型，具体包括以下步骤：s00，首先对变电站接线图进行特征提取，利用faster r-cnn目标检测技术对电气元件进行检测和识别，得到电气元件的位置和特征信息；s01，采用opencv轮廓跟踪技术，定位连接线上的元件，从而获取它们之间的连接关系；s02，利用数字图像处理技术，将连接关系转换成邻接矩阵和节点特征，从而形成网络拓扑模型。3.根据权利要求2所述的一种基于深度学习的变电站防误操作方法，其特征在于，在通过opencv轮廓跟踪技术之前进行预处理操作，预处理过程包括：为了确定接线图中连接线的拓扑结构，首先采用高斯滤波平滑处理去除图像信号噪声，高斯滤波公式如下：式中，(x，y)代表像素值的坐标信息；θ为正态分布的标准偏差；e表示自然底数；然后将去除图像信号噪声的图像信号转换成三通道图像信号，以便于更快地捕捉其中的细节；最后，对图像信号进行二值化处理，使得连接线轮廓变得更加清晰。4.根据权利要求2所述的一种基于深度学习的变电站防误操作方法，其特征在于，所述网络拓扑模型包括一个邻接矩阵和若干个节点，将网络拓扑模型输入卷积神经网络前，对邻接矩阵和节点特征分别编码：将邻接矩阵编码为一个二维的黑白矩阵，黑色像素表示两个节点之间存在边，白色像素表示两个节点之间不存在边；对于节点特征，将其编码为一个单通道的灰度图像，其中每个像素表示一个节点的特征值，进而得到电网的拓扑结构特征，如电网的连通性、环路个数、节点度数分布。5.根据权利要求1所述的一种基于深度学习的变电站防误操作方法，其特征在于，使用卷积神经网络对拓扑图像的特征向量进行分类包括：s00，将节点特征x和邻接矩阵特征a进行concat操作得到一个综合特征矩阵，综合特征矩阵公式如下：z
cat
＝[x,a](2)经过concat操作将两个矩阵按列方向连接起来，每个节点就对应了一个综合特征向量，其具有局部和全局的特征信息；s001，将concat后的特征矩阵输入到卷积层中提取拓扑节点的特征；s002，在全连接层中，设置6个全连接层神经元，其中5个神经元对应五防误操作类型，1
个神经元对应正确的操作类型；通过全连接softmax层输出对应类型的预测结果概率，从而确定误操作类型；预测结果概率公式如下所示：式中，表示将特征矩阵转化为指数形式；表示从1至h对特征矩阵指数形式求和；h是各种分类的数量。6.根据权利要求5所述的一种基于深度学习的变电站防误操作方法，其特征在于，在进行concat操作之前，对节点特征和邻接矩阵特征进行预处理，所述预处理包括以下步骤：首先，根据公式(3)，使节点矩阵和邻接矩阵特征标准化；首先，根据公式(3)，使节点矩阵和邻接矩阵特征标准化；表示处理后的特征值；x表示处理前的特征值；u表示处理前的特征平均值；σ表示处理前的特征标准差；其次，根据公式(4)将节点矩阵和邻接矩阵特征归一化：其中是归一化后的矩阵特征；a
ij
是原始的矩阵特征；表示k从i到j对a
ik
求和；最后，节点矩阵和邻接矩阵特征值的缺失值采用公式(5)处理：其中，x
i
和分别为处理前后的节点特征中第i个元素，如果x
i
为nan，则将设置为0，其中nan表示非数值。7.根据权利要求5所述的一种基于深度学习的变电站防误操作方法，其特征在于，所述卷积层包括se通道注意力，使用权重向量对节点特征进行加权，得到加权节点特征向量，具体过程包括：首先对卷积得到的特征图进行squeeze操作，得到channel级的全局特征，然后对全局特征进行excitation操作，学习各个channel间的关系，也得到不同channel的权重，最后乘以原来的特征图得到最终特征。8.根据权利要求1所述的一种基于深度学习的变电站防误操作方法，其特征在于，还包括对误操作进行更改调整：s000，判断误操作的类别，并赋予相应标签；所述类别包括：误分合断路器、带负荷分合
刀闸、误入带电隔离区间、带电挂接地线和带地线合刀闸；s001，根据标签定位到所在线路，将其所在线路判定为误操作区间，所述线路包括上级母线线路、电源线路、开关线路和一般线路；s002，对于误操作区间的电路结构与误操作模块资料库中的电路模板进行匹配操作；若果匹配成功，则自动根据电路模板在误操作区间进行电路绘制；如果匹配失败，则增大搜寻范围，将标签定位到所在环路，生成误操作环路图，将误操作环路图与误操作模块资料库的所有电路模板进行匹配操作；若仍然匹配失败，则手动调整；最终得到调整后的电路拓扑图像；s003，对调整后的电路拓扑图像判断各个母线上的关联设备是否重载或过载，若否，则输出当前电路拓扑图像。

技术总结
本发明提出了一种基于深度学习的变电站防误操作方法，包括以下步骤：通过对接线图中的电气元件和连接关系进行检测识别，得到网络拓扑模型，再将变电站的网络拓扑模型转换成拓扑图像，将拓扑图像输入卷积神经网络，使用卷积神经网络对拓扑图像的特征向量进行分类，通过分类结果判断是否存在误操作情况。本发明通过改进的卷积神经网络分类拓扑结构特征向量，实现误操作类型分析；进而实现变电站智能防误操作，避免了人为因素影响，并提高了防误操作的准确性和效率。为电力系统安全生产管理提供有力支持，对提高供电的安全性和稳定性具有重要意义。要意义。要意义。


技术研发人员：李成祥 杨帆 周言 米彦 陈丹 王鹏飞
受保护的技术使用者：重庆大学
技术研发日：2023.07.03
技术公布日：2023/10/6