本發(fā)明涉及電力系統(tǒng)保護與控制領域，尤其涉及一種斷路器防跳功能測試方法及系統(tǒng)。

背景技術：

1、在現(xiàn)代電力系統(tǒng)中，電力系統(tǒng)的可靠運行依賴于核心設備的性能與穩(wěn)定性，其中斷路器是關鍵的保護和控制設備，其功能直接關系到電力系統(tǒng)的安全穩(wěn)定運行。斷路器的防跳功能是為了防止誤操作或故障導致的重復跳閘，避免對設備和系統(tǒng)產(chǎn)生不必要的沖擊，在提升系統(tǒng)穩(wěn)定性和避免故障損害方面發(fā)揮了重要作用。然而，傳統(tǒng)的防跳功能測試方法往往依賴于單一的靜態(tài)測試或經(jīng)驗判斷，難以全面有效地評估斷路器的實際工作狀態(tài)和健康水平。且現(xiàn)有的防跳功能測試方法存在人工干預多、智能化程度低、測試精度不足等問題，已難以滿足現(xiàn)代電力系統(tǒng)對設備性能評估的需求。隨著人工智能、深度學習及量子計算技術的迅速發(fā)展，智能化的斷路器防跳測試方法逐漸成為研究熱點。

2、經(jīng)檢索，中國專利號cn113589156a公開了一種斷路器防跳功能測試方法，該發(fā)明雖然通過自學習獲得被測斷路器防跳測試有關參數(shù)，根據(jù)相關參數(shù)完成斷路器的分位防跳與合位防跳測試，有效提高斷路器防跳測試效率和準確性，但是容易陷入局部最優(yōu)問題，無法對實際操作條件下斷路器的狀態(tài)變化做出更加精確的響應，降低測試系統(tǒng)的靈活性和即時性；且現(xiàn)有的斷路器防跳功能測試方法及系統(tǒng)樣本代表性較差，且防跳測試的效果的可靠性低，提高數(shù)據(jù)處理的成本和時間，人為干預帶來的誤差較高；此外，現(xiàn)有的斷路器防跳功能測試方法及系統(tǒng)靜態(tài)評估的滯后性較高，因單一因素導致的誤判較多，降低健康評估的準確性，不利于系統(tǒng)的風險管控，故障發(fā)生的可能性較高；為此，我們提出一種斷路器防跳功能測試方法及系統(tǒng)。

技術實現(xiàn)思路

1、本發(fā)明的目的是為了解決現(xiàn)有技術中存在的缺陷，而提出的一種斷路器防跳功能測試方法及系統(tǒng)。

2、為了實現(xiàn)上述目的，本發(fā)明采用了如下技術方案：

3、一種斷路器防跳功能測試方法，該測試方法具體步驟如下：

4、ⅰ、提取斷路器數(shù)據(jù)并通過關系分析技術構建防跳功能圖譜；

5、ⅱ、建立防跳測試模型并進化篩選模型參數(shù)；

6、ⅲ、迭代模擬測試樣本再執(zhí)行斷路器防跳功能測試；

7、ⅳ、采集并記錄每個測試場景的操作數(shù)據(jù)和狀態(tài)信息；

8、ⅴ、對比測試結果與模型預測并標記存在問題的操作狀態(tài)；

9、ⅵ、分析測試結果并動態(tài)調(diào)整斷路器的健康評估；

10、ⅶ、基于測試與分析結果更新防跳功能圖譜以及防跳測試模型。

11、作為本發(fā)明的進一步方案，步驟ⅰ所述構建防跳功能圖譜具體步驟如下：

12、s1.1：從電力系統(tǒng)運行數(shù)據(jù)庫中提取斷路器歷史運行數(shù)據(jù)、故障數(shù)據(jù)和維護數(shù)據(jù)，并對提取出的各組數(shù)據(jù)依據(jù)設定的規(guī)則自動過濾，或工作人員手動過濾與斷路器防跳功能無關的信息，僅保留時間戳、故障類型、設備健康狀態(tài)以及操作次數(shù)各項數(shù)據(jù)；

13、s1.2：基于篩選出各組數(shù)據(jù)構建運行數(shù)據(jù)集，去除運行數(shù)據(jù)集中的重復數(shù)據(jù)和缺失值，并標準化記錄格式，再通過pearson相關系數(shù)方法，計算預處理后的運行數(shù)據(jù)集中各組數(shù)據(jù)之間的相關系數(shù)；

14、s1.3：對運行數(shù)據(jù)集中的數(shù)據(jù)進行初步分析，識別每組數(shù)據(jù)的屬性，根據(jù)數(shù)據(jù)內(nèi)容和屬性，將數(shù)據(jù)分成設備狀態(tài)、運行參數(shù)、環(huán)境因素、故障記錄以及維護記錄各類別，再未各類節(jié)點定義基本屬性，并根據(jù)提取的數(shù)據(jù)創(chuàng)建具體節(jié)點；

15、s1.4：采用唯一的id生成規(guī)則為每個節(jié)點生成id，并將每個節(jié)點的標識符與其具體的屬性信息相對應，從運行數(shù)據(jù)集中選擇與節(jié)點類別和屬性定義相符的數(shù)據(jù)，將匹配的數(shù)據(jù)填入節(jié)點的屬性字段中，檢查每個節(jié)點是否包含完整的屬性信息，并對缺少屬性的節(jié)點進行補充或重新創(chuàng)建；

16、s1.5：將節(jié)點加入到防跳功能圖譜的整體結構中，根據(jù)相關系數(shù)的計算結果，判斷兩個節(jié)點間是否存在顯著關聯(lián)，并在防跳功能圖譜中建立節(jié)點之間的邊，并根據(jù)相關系數(shù)的強度，賦予關系的權重和方向性，基于運行狀態(tài)和歷史維護記錄，計算每個斷路器的健康評分作為狀態(tài)指標，并在防跳功能圖譜中標注每個斷路器的設備健康狀態(tài)。

17、作為本發(fā)明的進一步方案，s1.2所述相關系數(shù)具體計算公式如下：

18、；式中，代表兩組斷電器變量x和y之間的相關系數(shù)；代表樣本數(shù)量；代表變量x在第個樣本上的觀測值；代表變量x的平均值；代表變量y在第個樣本上的觀測值；代表變量y的平均值；

19、s1.5中所述健康評分具體計算公式如下：

20、；式中，代表第h個斷路器的健康評分；代表第個影響因子；代表第個因子的權重；代表因子數(shù)量。

21、作為本發(fā)明的進一步方案，步驟ⅱ所述建立防跳測試模型具體步驟如下：

22、s2.1：從防跳功能圖譜中篩選出歷史防跳功能測試數(shù)據(jù)，并將提取的各組數(shù)據(jù)轉(zhuǎn)換為時間序列格式，之后對轉(zhuǎn)換后的時間序列數(shù)據(jù)進行歸一化處理，并將處理后的各組數(shù)據(jù)劃分為訓練集、驗證集以及測試集，基于輸入層、雙向gru層以及輸出層的bi-gru架構，構建防跳測試模型；

23、s2.2：將訓練集數(shù)據(jù)輸入至防跳測試模型中，輸入層將各組數(shù)據(jù)傳輸至雙向gru層中，之后雙向gru層中的前向gru單元逐步從時間序列的起始點到結束點依次傳遞隱藏狀態(tài)，同時后向gru單元從時間序列的結束點到起始點依次傳遞隱藏狀態(tài)；

24、s2.3：通過前向gru單元和后向gru單元的重置門計算候選隱藏狀態(tài)，依據(jù)計算出的候選隱藏狀態(tài)，通過兩組gru單元的更新門計算當前時刻的隱藏狀態(tài)，拼接前后向隱藏狀態(tài)以形成一個包含雙向信息的隱藏狀態(tài)向量；

25、s2.4：堆疊多層雙向gru層，將每一層雙向gru層的輸出隱藏狀態(tài)作為下一層的輸入，當輸入到最后一層時，將最后一層雙向gru層的前向和后向隱藏狀態(tài)拼接后，通過輸出層對輸出結果進行后處理后生成最終預測結果，再通過mse損失函數(shù)計算該預測結果與真實結果之間的誤差；

26、s2.5：將誤差值回傳至防跳測試模型中，并計算誤差值對于防跳測試模型各層的梯度值，基于各層的梯度值，通過adam優(yōu)化算法調(diào)整模型的參數(shù)，使用驗證集對訓練后的防跳測試模型進行評估，計算驗證集上的損失，并根據(jù)驗證集表現(xiàn)，調(diào)整模型的學習率以及gru單元數(shù)各項超參數(shù)；

27、s2.6：重復對防跳測試模型進行訓練以及驗證，直至達到預設迭代次數(shù)，之后在測試集上評估最終模型的預測性能，計算測試集上的損失值，并評估預測準確度，基于該模型準確度再次調(diào)整模型參數(shù)，將最終防跳測試模型應用于實時數(shù)據(jù)，預測斷路器的防跳功能表現(xiàn)。

28、作為本發(fā)明的進一步方案，步驟ⅱ所述進化篩選模型參數(shù)具體步驟如下：

29、s3.1：收集防跳測試模型在測試集上的準確度，若該模型準確度未達到預設準確率，則收集防跳測試模型的各參數(shù)信息，并將模型的每個參數(shù)用一個或多個量子比特表示，并用量子態(tài)代表各參數(shù)；

30、s3.2：對各組量子比特通過hadamard變換后，生成每個量子態(tài)的均勻疊加態(tài)，以獲取不同的參數(shù)組合的候選解，其中n代表候選參數(shù)組合的總數(shù)，代表概率幅，代表第個候選參數(shù)組合，基于防跳功能模型的預測準確率定義一個量子適應度函數(shù)，通過量子適應度函數(shù)評估每個候選參數(shù)值的適應度；

31、s3.3：構造目標函數(shù)，當候選參數(shù)值的適應度滿足預設條件時，通過oracle構造將此解的符號翻轉(zhuǎn)，再計算當前量子態(tài)各概率幅的平均值，通過grover擴散操作將所有解的概率幅相對于均值進行反射，其中d代表grover擴散操作符，代表當前量子態(tài)的投影算符，i代表單位矩陣；

32、s3.4：重復應用oracle構造和grover擴散操作，并在每次迭代后，放大目標解的概率幅，同時壓縮不符合條件的解概率幅，之后根據(jù)目標解與非目標解的距離，選擇門或門的旋轉(zhuǎn)角度放大滿足預設適應度閾值的解的概率幅，對量子態(tài)進行測量，重復測量步驟，并在多次測量后保留適應度符合預設閾值的測量結果；

33、s3.5：將測量得到的參數(shù)組合按適應度排序，選擇適應度最高的一組參數(shù)值作為最終解，并確定最優(yōu)解為該參數(shù)組合所代表的量子態(tài)，作為模型的最優(yōu)參數(shù)組合，再通過梯度下降算法對量子進化得到的參數(shù)進行微調(diào)。

34、一種斷路器防跳功能測試系統(tǒng)，包括采集預處理模塊、數(shù)據(jù)篩選模塊、圖譜構建模塊、學習訓練模塊、進化篩選模塊、樣本選擇模塊、實時監(jiān)控模塊、動態(tài)評估模塊、報警提示模塊、管理日志模塊以及可視化展示模塊；

35、所述采集預處理模塊用于從電力系統(tǒng)運行數(shù)據(jù)庫中提取各斷路器數(shù)據(jù)，并對采集到的數(shù)據(jù)進行清洗、格式轉(zhuǎn)換和缺失值填充處理；

36、所述數(shù)據(jù)篩選模塊用于根據(jù)斷路器的防跳功能需求，從預處理后的斷路器數(shù)據(jù)中篩選出與斷路器跳閘事件對應的關鍵數(shù)據(jù)；

37、所述圖譜構建模塊用于分析斷路器的各項運行數(shù)據(jù)之間的關聯(lián)關系，并基于數(shù)據(jù)篩選和關聯(lián)分析的結果構建防跳功能圖譜；

38、所述學習訓練模塊用于基于斷路器歷史防跳功能測試數(shù)據(jù)構建防跳測試模型，并對該模型進行訓練調(diào)整；

39、所述進化篩選模塊用于對防跳測試模型的參數(shù)進行進化篩選，選出最佳參數(shù)組合，從而優(yōu)化模型初始參數(shù)設置；

40、所述樣本選擇模塊用于迭代模擬測試樣本，并選出最具代表性和影響力的樣本；

41、所述實時監(jiān)控模塊用于接收斷路器的實時運行數(shù)據(jù)，并通過防跳測試模型判斷斷路器是否存在潛在故障或異常跳閘風險；

42、所述動態(tài)評估模塊用于結合歷史數(shù)據(jù)和當前測試結果，動態(tài)估計斷路器的健康狀態(tài)和防跳功能的穩(wěn)定性；

43、所述報警提示模塊用于檢測系統(tǒng)輸出的異常狀態(tài)及潛在風險，并根據(jù)系統(tǒng)設定的閾值自動觸發(fā)報警；

44、所述管理日志模塊用于負責系統(tǒng)運行的日常管理和狀態(tài)記錄；

45、所述可視化展示模塊用于對測試和分析的結果進行匯總、分析與可視化展示。

46、作為本發(fā)明的進一步方案，所述樣本選擇模塊迭代模擬測試樣本具體步驟如下：

47、s4.1：根據(jù)防跳功能圖譜中節(jié)點間的關聯(lián)關系以及防跳測試模型特征，并基于樣本對模型準確率或預測能力的提升效果，定義樣本選擇的目標函數(shù)，其中代表樣本的適應度值，代表樣本對模型訓練準確度的貢獻度，代表樣本在防跳功能圖譜中與其他樣本的距離，和分別代表調(diào)節(jié)參數(shù)；

48、s4.2：收集并處理不同工作狀態(tài)下斷路器運行數(shù)據(jù)，分別將處理后的不同狀態(tài)下的斷路器運行數(shù)據(jù)作為一組測試樣本，以構建一組測試樣本集，利用目標函數(shù)計算所有測試樣本的適應度，并基于預設的適應度閾值，將高于閾值的測試樣本作為“主要河流”，將低于閾值的測試樣本作為“支流”；

49、s4.3：基于主要河流樣本以及支流樣本的適應度，計算主要河流樣本與支流樣本之間的距離，通過模擬樣本特征的線性更新，不斷調(diào)整支流樣本的特征值，使支流樣本與主要河流樣本不斷靠近，以形成新的支流樣本；

50、s4.4：基于當前支流樣本適應度的平均值或中位數(shù)，設定適應度閾值，通過目標函數(shù)計算當前各支流樣本的適應度值，并分別比較計算出的適應度值與閾值的大小，若，則將對應樣本剔除，不再參與后續(xù)的優(yōu)化過程，其中代表第a個樣本的適應度值；

51、s4.5：通過隨機選擇的方法選擇一個大于1的系數(shù)作為降水因子，之后對于的測試樣本，通過，對滿足條件的各組高適應測試樣本進行降水因子的放大操作，以增加高適應度樣本在各測試樣本中的權重，其中代表降水后測試樣本的新特征值；

52、s4.6：在每輪迭代結束后，根據(jù)目標函數(shù)重新計算所有樣本的適應度，并更新主要河流和支流樣本，之后重新進行步驟s4.3至s4.5的操作，直至達到最大迭代次數(shù)，或整體測試樣本的適應度的增量小于設定的收斂閾值，或篩選出的測試樣本達到預設的質(zhì)量要求時，停止迭代更新，并篩選出適應度最高、且具有多樣性的測試樣本集作為最優(yōu)訓練樣本集，同時將其輸入防跳測試模型中進行斷路器防跳功能測試。

53、作為本發(fā)明的進一步方案，所述動態(tài)評估模塊動態(tài)估計斷路器的健康狀態(tài)和防跳功能的穩(wěn)定性的具體步驟如下：

54、s5.1：根據(jù)防跳功能圖譜和斷路器的運行歷史數(shù)據(jù)，構建貝葉斯網(wǎng)絡結構，并基于防跳功能圖譜識別斷路器的關鍵狀態(tài)，同時將識別出的斷電器的各關鍵狀態(tài)作為貝葉斯網(wǎng)絡的節(jié)點，將狀態(tài)間的依賴關系以有向邊的形式標識，以連接對應兩組節(jié)點；

55、s5.2：并利用防跳功能圖譜中的歷史數(shù)據(jù)計算每個節(jié)點在不同狀態(tài)組合下的概率分布，其中代表在父節(jié)點b給定的情況下，節(jié)點a取某一狀態(tài)的概率，代表防跳功能圖譜中記錄的歷史數(shù)據(jù)生成的初始條件概率表值，并基于計算出的概率分布為貝葉斯網(wǎng)絡的每個節(jié)點設定初始條件概率表；

56、s5.3：將防跳功能測試中得到的實時數(shù)據(jù)輸入貝葉斯網(wǎng)絡的相應節(jié)點，作為當前觀測值，并通過貝葉斯推斷算法計算在當前狀態(tài)下斷路器健康的后驗概率，根據(jù)計算出的健康概率更新目標節(jié)點的概率分布，同時依據(jù)新的測試數(shù)據(jù)更新條件概率表；

57、s5.4：將計算得到的健康狀態(tài)概率分布作為最終輸出結果，若存在狀態(tài)的后驗概率超出預設的風險閾值，報警提示模塊觸發(fā)告警，同時通過可視化模塊展示風險類型，并建議維護人員進行進一步檢查或維護，確保設備安全性，持續(xù)采集新數(shù)據(jù)并輸入貝葉斯網(wǎng)絡，并不斷對各斷路器進行動態(tài)斷路器的健康狀態(tài)和防跳功能的穩(wěn)定性。

58、作為本發(fā)明的進一步方案，s5.1所述斷路器的關鍵狀態(tài)具體包括電流、電壓、溫度以及跳閘次數(shù)各項狀態(tài)。

59、相比于現(xiàn)有技術，本發(fā)明的有益效果在于：

60、1、該斷路器防跳功能測試方法收集防跳測試模型在測試集上的準確度，若該模型準確度未達到預設準確率，則收集防跳測試模型的各參數(shù)信息，并將模型的每個參數(shù)用一個或多個量子比特表示，并用量子態(tài)代表各參數(shù)，對各組量子比特通過hadamard變換后，生成每個量子態(tài)的均勻疊加態(tài)，以獲取不同的參數(shù)組合的候選解，基于防跳功能模型的預測準確率定義一個量子適應度函數(shù)，通過量子適應度函數(shù)評估每個候選參數(shù)值的適應度，構造目標函數(shù)，當候選參數(shù)值的適應度滿足預設條件時，通過oracle構造將此解的符號翻轉(zhuǎn)，再計算當前量子態(tài)各概率幅的平均值，通過grover擴散操作將所有解的概率幅相對于均值進行反射，重復應用oracle構造和grover擴散操作，并在每次迭代后，放大目標解的概率幅，同時壓縮不符合條件的解概率幅，之后根據(jù)目標解與非目標解的距離，選擇需要的旋轉(zhuǎn)角度放大滿足預設適應度閾值的解的概率幅，對量子態(tài)進行測量，重復測量步驟，并在多次測量后保留適應度符合預設閾值的測量結果，將測量得到的參數(shù)組合按適應度排序，選擇適應度最高的一組參數(shù)值作為最終解，并確定最優(yōu)解為該參數(shù)組合所代表的量子態(tài)，作為模型的最優(yōu)參數(shù)組合，再通過梯度下降算法對量子進化得到的參數(shù)進行微調(diào)，提升模型優(yōu)化效率，避免局部最優(yōu)問題，使得模型對實際操作條件下斷路器的狀態(tài)變化能夠做出更加精確的響應，增加測試系統(tǒng)的靈活性和即時性。

61、2、該斷路器防跳功能測試系統(tǒng)根據(jù)防跳功能圖譜中節(jié)點間的關聯(lián)關系以及防跳測試模型特征，并基于樣本對模型準確率或預測能力的提升效果，定義樣本選擇的目標函數(shù)，收集并處理不同工作狀態(tài)下斷路器運行數(shù)據(jù)，分別將處理后的不同狀態(tài)下的斷路器運行數(shù)據(jù)作為一組測試樣本，以構建一組測試樣本集，利用目標函數(shù)計算所有測試樣本的適應度，并基于預設的適應度閾值，將測試樣本劃分為主要河流樣本以及支流樣本，模擬樣本特征的線性更新，不斷調(diào)整支流樣本的特征值，使支流樣本與主要河流樣本不斷靠近，以形成新的支流樣本，基于當前支流樣本適應度的平均值或中位數(shù)，設定適應度閾值，并比較計算出的各測試樣本適應度值與設定的適應度閾值，剔除低于該適應度閾值的測試樣本，并隨機生成一個降水因子對高于該適應度閾值的測試樣本進行加權調(diào)整，反復迭代更新，直至達到最大迭代次數(shù)，或整體測試樣本的適應度的增量小于設定的收斂閾值，或篩選出的測試樣本達到預設的質(zhì)量要求時，停止迭代更新，并篩選出適應度最高、且具有多樣性的測試樣本集作為最優(yōu)訓練樣本集，同時將其輸入防跳測試模型中進行斷路器防跳功能測試，優(yōu)化樣本代表性，使得防跳測試的效果更為可靠，降低數(shù)據(jù)處理的成本和時間，減少人為干預帶來的誤差，提升測試流程的智能化水平。

62、3、該斷路器防跳功能測試系統(tǒng)根據(jù)防跳功能圖譜和斷路器的運行歷史數(shù)據(jù)，構建貝葉斯網(wǎng)絡結構，并基于防跳功能圖譜識別斷路器的關鍵狀態(tài)，同時將識別出的斷電器的各關鍵狀態(tài)作為貝葉斯網(wǎng)絡的節(jié)點，將狀態(tài)間的依賴關系以有向邊的形式標識，以連接對應兩組節(jié)點，并利用防跳功能圖譜中的歷史數(shù)據(jù)計算每個節(jié)點在不同狀態(tài)組合下的概率分布，并基于計算出的概率分布為貝葉斯網(wǎng)絡的每個節(jié)點設定初始條件概率表，將防跳功能測試中得到的實時數(shù)據(jù)輸入貝葉斯網(wǎng)絡的相應節(jié)點，作為當前觀測值，并通過貝葉斯推斷算法計算在當前狀態(tài)下斷路器健康的后驗概率，根據(jù)計算出的健康概率更新目標節(jié)點的概率分布，同時依據(jù)新的測試數(shù)據(jù)更新條件概率表，將計算得到的健康狀態(tài)概率分布作為最終輸出結果，若存在狀態(tài)的后驗概率超出預設的風險閾值，報警提示模塊觸發(fā)告警，同時通過可視化模塊展示風險類型，并建議維護人員進行進一步檢查或維護，確保設備安全性，持續(xù)采集新數(shù)據(jù)并輸入貝葉斯網(wǎng)絡，并不斷對各斷路器進行動態(tài)斷路器的健康狀態(tài)和防跳功能的穩(wěn)定性，能夠避免靜態(tài)評估的滯后性，減少因單一因素導致的誤判，提高健康評估的準確性，有助于增強系統(tǒng)的風險管控能力，減少故障發(fā)生的可能性，提高電力系統(tǒng)的整體穩(wěn)定性。