一种智能变电站二次网络测量与多模决策方法及装置

1.一种智能变电站二次网络测量与多模决策装置，其特征在于：包括网络配置文件读取模块（20）、网络配置文件解析模块（21）、网络测量模块（22）、网络测量解析模块（23）、网络质量预测模块（24）、网络质量决策模块（25）、网络质量数据库（30）、网络质量模型库（31）及网络质量决策库（32）；
网络配置文件读取模块（20）的输入端与智能变电站后台（12）的输出端连接，用于读取智能变电站后台（12）导出的变电站配置描述文件；
网络配置文件解析模块（21）的输入端与网络配置文件读取模块（20）的输出端连接，用于解析网络配置文件读取模块（20）读取的变电站配置描述文件，将网络配置文件中的配置数据解析后生成智能变电站全站配置表；
网络测量模块（22）的一个输入端与网络配置文件解析模块（21）连接，用于利用全站配置表获取整个网络的拓扑结构，另两个输入端与智能变电站中的两个分光器连接，分别获取网络中传输的GOOSE报文和SV报文，利用收到的GOOSE报文、SV报文和整个网络的拓扑结构，并通过SNMP协议对智能变电站二次网络的质量参数进行全方位测量,形成网络测量的原始数据；
网络测量解析模块（23）的输入端与网络测量模块（22）输出端连接，用于对网络测量模块（22）中的获取的网络原始数据进行解析，利用网络原始数据中数据报文内容分析网络数据的流向特点，利用网络原始数据中的质量参数分析整个网络的网络质量，为网络数据的处理预测提供数据基础，并将网络测量模块（22）的网络原始数据解析以后得到的网络质量数据存入网络质量数据库（30）；
网络质量预测模块（24）用于利用网络质量数据库（30）中的网络质量数据动态训练多种模型建立网络质量模型库（31），对未来网络运行状态进行预测，并在智能变电站后台（12）动态展示；
网络质量决策模块（25）用于利用网络质量预测模块（24）对未来网络运行状态的预测结果，通过网络质量决策库（32）提供的决策方法进行推理，根据推理结果得到未来网络运行状态的安全等级和预警方案，为运行维护人员提前避障提供有效的辅助决策手段。
2.如权利要求1所述的智能变电站二次网络测量与多模决策装置，其特征在于：网络质量预测模块（24）通过灰色时变马尔科夫或粒子群小波神经网络算法对未来网络运行状态进行预测。
3.如权利要求1所述的智能变电站二次网络测量与多模决策装置，其特征在于：所述智能变电站二次网络的质量参数包括吞吐量、时延、丢包率、带宽利用率及网络伸缩性。
4.一种智能变电站二次网络测量与多模决策方法，其特征在于包括如下步骤：
步骤一：通过网络配置文件读取模块（20）读取智能变电站后台（12）导出的变电站配置描述文件；
步骤二:网络配置文件解析模块（21）解析网络配置文件读取模块（20）读取的SCD文件，将SCD文件中的配置数据解析后生成智能变电站全站配置表；
步骤三：网络测量模块（22）通过SV分光器（14）和GOOSE分光器（15）获取SV报文和GOOSE报文，利用收到的GOOSE报文、SV报文和整个网络的拓扑结构，并通过SNMP协议对智能变电站二次网络的质量参数进行全方位测量，并形成网络测量的原始数据；
步骤四：通过网络测量解析模块（23），对网络测量模块（22）测量的网络原始数据进行实时在线解析，并将解析后得到的网络质量数据存入网络质量数据库（30）；
步骤五：网络质量预测模块（24）利用网络质量数据库（30）中的网络质量数据动态训练多种模型建立网络质量模型库（31），对未来网络运行状态进行预测，并将预测结果在智能变电站后台（12）动态显示；
步骤六：网络质量决策模块（25）利用网络质量预测模块（24）对未来网络运行状态的预测结果，通过网络质量决策库（32）提供的决策规则进行推理，根据推理结果提出相应的预警方案，为运行维护人员提前避障提供有效的辅助决策手段。
5.如权利要求4所述的智能变电站二次网络测量与多模决策方法，其特征在于：步骤五中是利用网络质量模型库（31）中的灰色时变马尔科夫或粒子群小波神经网络两种模型算法对未来网络运行状态进行预测。
6.如权利要求4所述的智能变电站二次网络测量与多模决策方法，其特征在于：所述智能变电站二次网络的质量参数包括吞吐量、时延、丢包率、带宽利用率及网络伸缩性。

一种智能变电站二次网络测量与多模决策方法及装置 \n技术领域\n[0001] 本发明涉及智能变电站的检测领域，具体是一种智能变电站二次网络测量与多模决策方法及装置。\n背景技术\n[0002] 随着智能变电站相关技术的日益完善，智能变电站逐步进入大规模实用阶段。在智能变电站中，网络连接一次设备和间隔层设备，完成间隔层设备与一次设备之间、间隔层设备之间的实时信息交换，其用数字传输技术(光纤以太网)替代了常规变电站中沿用多年的二次电缆，为实现数据共享和设备的互操作性提供了必要的技术基础，这一重大变革将对未来变电站中二次设备的形态、设备调试流程、变电站检修和运行规范等各个方面都将产生深刻的影响。经过国内外多年的智能变电站建设实践及运行经验，面向通用对象的变电站事件(GOOSE)已经成功的应用于传送实时跳闸信号、间隔逻辑闭锁、检同期等，基于网络传输的数字化保护测试设备也逐步完善。网络的稳定可靠运行和IED设备之间准确无误的通信过程已经成为智能变电站成功的关键，对网络运行状况和IED设备之间通信过程的实时分析、监测、管理以及预测已经成为智能变电站安全运行的迫切要求。然而传统的故障录波器由于其原理结构以及架设模式，不能有效地监听、解析网络中的交互信息，当电力系统发生故障时，其 不能满足智能变电站网络条件下事故记录与分析的需要。针对以上的问题，需要一套记录监听网络通信报文，并针对通信协议及传输的报文进行在线解析，对于网络中存在的隐患及异常报文进行及时告警，并重现网络通信的全过程，进而准确定位和分析故障原因，为运行维护人员迅速排查故障提供有效的辅助手段。\n发明内容\n[0003] 本发明提供一种智能变电站二次网络测量与多模决策方法及装置，可以全面地检测智能变电站网络的二次网络质量，从而保障智能变电站网络的安全性和稳定性，为\n110kV、220kV及以上智能变电站网络的规划设计、升级改造、网络测试等提供技术依据，有利于电网安全生产和稳定运行。\n[0004] 一种智能变电站二次网络测量与多模决策装置，包括网络配置文件读取模块、网络配置文件解析模块、网络测量模块、网络测量解析模块、网络质量预测模块、网络质量决策模块、网络质量数据库、网络质量模型库及网络质量决策库；\n[0005] 网络配置文件读取模块的输入端与智能变电站后台的输出端连接，用于读取智能变电站后台导出的变电站配置描述文件；\n[0006] 网络配置文件解析模块的输入端与网络配置文件读取模块的输出端连接，用于解析网络配置文件读取模块读取的变电站配置描述文件，将网络配置文件中的配置数据解析后生成智能变电站全站配置表；\n[0007] 网络测量模块的一个输入端与网络配置文件解析模块连接，用 于利用全站配置表获取整个网络的拓扑结构，另两个输入端与智能变电站中的两个分光器连接，分别获取网络中传输的GOOSE报文和SV报文，利用收到的GOOSE报文、SV报文和整个网络的拓扑结构，并通过SNMP协议对智能变电站二次网络的质量参数进行全方位测量，形成网络测量的原始数据；\n[0008] 网络测量解析模块的输入端与网络测量模块输出端连接，用于对网络测量模块中的获取的网络原始数据进行解析，利用网络原始数据中数据报文内容分析网络数据的流向特点，利用网络原始数据中的质量参数分析整个网络的网络质量，为网络数据的处理预测提供数据基础，并将网络测量模块的网络原始数据解析以后得到的网络质量数据存入网络质量数据库；\n[0009] 网络质量预测模块用于利用网络质量数据库中的网络质量数据动态训练多种模型建立网络质量模型库，对未来网络运行状态进行预测，并在智能变电站后台动态展示；\n[0010] 网络质量决策模块用于利用网络质量预测模块对未来网络运行状态的预测，通过网络质量决策库提供的决策方法进行推理，根据推理结果得到未来网络运行状态的安全等级和预警方案，为运行维护人员提前避障提供有效的辅助决策手段。\n[0011] 一种智能变电站二次网络测量与多模决策方法，包括如下步骤：\n[0012] 步骤一：通过网络配置文件读取模块读取智能变电站后台导出的变电站配置描述文件；\n[0013] 步骤二：网络配置文件解析模块解析网络配置文件读取模块读 取的SCD文件，将SCD文件中的配置数据解析后生成智能变电站全站配置表；\n[0014] 步骤三：网络测量模块通过SV分光器和GOOSE分光器获取SV报文和GOOSE报文，利用收到的GOOSE报文、SV报文和整个网络的拓扑结构，并通过SNMP协议对智能变电站二次网络的质量参数进行全方位测量，并形成网络测量的原始数据；\n[0015] 步骤四、通过网络测量解析模块，对网络测量模块测量的网络原始数据进行实时在线解析，并将解析后得到的网络质量数据存入网络质量数据库；\n[0016] 步骤五：网络质量预测模块利用网络质量数据库中的网络质量数据动态训练多种模型建立网络质量模型库，利用网络质量模型库中的灰色时变马尔科夫或粒子群小波神经网络两种模型算法对未来网络运行状态进行预测，并将预测结果在智能变电站后台动态显示；\n[0017] 步骤六：网络质量决策模块利用网络质量预测模块对未来网络运行状态的预测结果，通过网络质量决策库提供的决策规则进行推理，根据推理结果提出相应的预警方案，为运行维护人员提前避障提供有效的辅助决策手段。\n[0018] 本发明实施例提供的智能变电站二次网络测量与多模决策方法及装置和方法，通过触探报文对智能变电站二次网络进行测量，将测量结果解析以后得到的网络质量数据存入网络质量数据库。利用网络质量数据动态训练多种模型建立模型库，进而对网络未来运行状态进行预测。决策库通过预测结果对智能变电站二次网络可能出 现的异常进行预警，为运行维护人员提前避障提供有效的辅助决策手段。本发明可用于全面检测智能变电站二次网络质量，保障智能变电站网络的安全性和稳定性，为110kV、220kV及以上智能变电站网络的规划设计、升级改造、网络测试等提供技术依据，有利于电网安全生产和稳定运行。\n附图说明\n[0019] 图1是本发明一种智能变电站二次网络测量与多模决策装置的结构示意图；\n[0020] 图2是本发明一种智能变电站二次网络测量与多模决策装置的接口布置图；\n[0021] 图3是本发明是网络质量预测模块与网络质量决策模块与网络质量预测模块的结构示意图。\n[0022] 图中：10-智能采集卡，11-智能终端，12-智能变电站后台，13-智能变电站合并单元，14-SV分光器，15-GOOSE分光器，20-网络配置文件读取模块，21-网络配置文件解析模块，22-网络测量模块，23-网络测量解析模块，24-网络质量预测模块，25-网络质量决策模块，30-网络质量数据库，31-网络质量模型库，32-网络质量决策库。\n具体实施方式\n[0023] 下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。\n[0024] 图1所示为本发明一种智能变电站二次网络测量与多模决策装 置的结构示意图，包括网络配置文件读取模块20、网络配置文件解析模块21、网络测量模块22、网络测量解析模块23、网络质量预测模块24、网络质量决策模块25、网络质量数据库30、网络质量模型库31、网络质量决策库32。\n[0025] 网络配置文件读取模块20的输入端与智能变电站后台12的输出端连接，用于读取智能变电站后台12导出的变电站配置描述(Substation Configuration Description，SCD)文件，以下简称SCD文件。所述SCD文件以变电站配置描述语言(Substation \nConfiguration description Language，SCL)描述特定变电站的模型以及通信连接。\n[0026] 网络配置文件解析模块21的输入端与网络配置文件读取模块20的输出端连接，用于解析网络配置文件读取模块20读取的变电站配置描述文件，将网络配置文件中的配置数据解析后生成智能变电站全站配置表。\n[0027] 网络测量模块22的一个输入端与网络配置文件解析模块21连接，用于读取所述变电站全站配置表获取整个网络的拓扑结构，另外两个输入端分别与SV分光器14和GOOSE分光器15连接，用于获取智能变电站网络中传递的SV报文和GOOSE报文。智能设备采集卡10对加载的遥测信号通过A/D转换后形成FT3格式报文，通过光纤传送至智能变电站合并单元13，智能变电站合并单元13对FT3格式报文经过数据处理输出SV报文。智能变电站合并单元13与SV分光器14的输入端连接，利用SV分光器14采集智能变 电站合并单元13发送的SV报文，最后发送至网络测量模块22；另外一个GOOSE分光器15采集智能终端11发送过来的GOOSE报文，发送至网络测量模块22。\n[0028] 网络测量模块22利用收到的GOOSE报文、SV报文和整个网络的拓扑结构，并通过SNMP(Simple Network Management Protocol)协议对智能变电站二次网络的质量参数，例如吞吐量、时延、丢包率、带宽利用率、网络伸缩性(scalability)等，进行全方位测量，并形成网络测量的原始数据，属于系统的数据输入模块。\n[0029] 网络测量解析模块23的输入端与网络测量模块22输出端连接，用于对网络测量模块22中获取的网络原始数据进行实时在线解析将网络原始数据解析以后得到的网络质量数据存入网络质量数据库30。具体的，利用网络原始数据中的数据报文内容分析网络数据的流向特点，利用网络原始数据中的质量参数，例如吞吐量、时延、丢包率等，分析整个网络的网络质量，为网络数据的处理预测提供数据基础。\n[0030] 网络质量预测模块24利用网络质量数据库30中的网络质量数据动态训练多种模型建立网络质量模型库31，并通过灰色时变马尔科夫或粒子群小波神经网络这两种算法对未来网络质量(主要指吞吐量、时延、丢包率等参数)进行预测并在智能变电站后台12动态展示。具体的两种预测方法步骤如下：\n[0031] 灰色时变马尔科夫：\n[0032] 步骤A1：网络质量数据获取。网络质量预测模块24从网络质 量解析模块23中不断得到原始数据序列；\n[0033] 步骤B1：网络质量数据预处理。设定时间滑动窗口W的长度length，步长为step，利用BX数据生成法对滑动窗口内的数据进行预处理，使其呈现较规则的波动变化，避免对预测模型的训练过程产生干扰；\n[0034] 步骤C1：建立灰色系统模型。对预处理后的数据进行拟合，建立灰色系统模型，并计算该灰色系统模型的残差；\n[0035] 步骤D1：建立马尔科夫模型。将灰色系统模型的残差划分为五个时域状态，进而构造马尔科夫状态转移概率矩阵；\n[0036] 步骤E1：确定预测值。根据五态马尔科夫状态转移概率预测未来状态的变化区间，确定未来时刻预测值；\n[0037] 步骤F1：继续得到网络质量数据，隔m*step分钟后，将滑动窗口W向后移动step长度，跳至步骤B继续下次建模及预测。\n[0038] 粒子群小波神经网络：\n[0039] 步骤A2：样本归一化处理。智能变电站网络质量具有突发性和随机性，为避免对预测模型的训练过程产生干扰，训练前必须先对从网络质量解析模块23中得到网络质量数据进行归一化处理，将所有数据归一化到[0.1，0.9]；\n[0040] 步骤B2：建立小波神经网络。取连续前24个时间段的网络质量数据为输入层节点，来预测后一个时间段的网络质量，所以输出层节点数设为1.xi为输入层的第i个输入样本，Wj为连接隐层结点 j和输出层结点的权值，aj和bj分别为第j个隐层小波元的伸缩和平移尺度；\n[0041] 步骤C2：参数编码。首先通过实数编码方法将小波神经网络中权值矩阵和隐层节点数编码成实数码串表示成个体；初始化小波神经网络参数.设定网络的输入层、隐含层和输出层的神经元个数，并将小波神经网络参数(a1，b1，w1)，...，(ak，bk，wk)作为每个粒子的位置向量，即：present(i)＝[w1，w2，...，wk，a1，a2，...，ak，b1，b2，...，bk]，其中k为隐含层神经元个数。初始化粒子群的规模数目i，同时按照上述个体结构随机产生i个体组成种群，其中不同粒子表示小波神经网络的两个权值矩阵和隐层节点数，对粒子个体最优值pBest和全局最优值gBest进行初始化；\n[0042] 步骤D2：小波神经网络训练。将粒子群中每一个体解码成小波神经网络。每一个体对应的神经网络对输入样本进行学习。通过对样本的学习和优化，从而保证所训练的神经网络具有较强的泛化能力；\n[0043] 步骤E2：适应度计算。粒子位置和速度更新计算每一个粒子群中每一个个体的适应度函数值，并与当前个体最优值pBest和全局最优值gBest进行比较，更新粒子位置和速度，适应度函数采用“嫡函数”替代“能量函数”。\n[0044] 步骤F2：算法结束。当目标函数值小于预测定的值时，参数寻优算法就终止，或者达到预先设定的误差，最终预测出未来时段网络质量。\n[0045] 具体的请参考图3，所述网络质量预测模块24包括网络测量数据预处理子模块、网络质量模型训练子模块及灰色时变马尔科夫预测子模块，在另一实施例中，所述网络质量预测模块24包括网络测量数据预处理子模块、网络质量模型训练子模块及粒子群小波神经网络预测子模块。\n[0046] 网络质量预测模块24从网络质量数据库30中得到网络质量数据，通过网络质量预测模块中24的网络质量数据预处理子模块对得到的网络质量数据进行预处理，避免对预测模型的训练过程产生干扰；网络质量预测模块24中的网络质量模型训练子模块(灰色时变马尔科夫模型训练子模块或粒子群小波神经网络模型训练子模块)通过调用网络质量模型库中的各种预测模型对输入样本分别进行训练，训练完后存入网络质量模型库31。\n通过对样本的学习和优化，从而保证所训练的各种模型具有较强的泛化能力；网络质量预测模块24中的灰色时变马尔科夫预测子模块或粒子群小波神经网络预测子模块利用训练模型对输入样本进行预测，并得到智能变电站未来的网络质量。\n[0047] 网络质量决策模块25利用网络质量预测模块24对未来网络运行状态的预测结果，通过网络质量决策库32提供的决策规则进行推理，根据推理结果得到未来网络运行状态的安全等级和预警方案，为运行维护人员提前避障提供有效的辅助决策手段。网络质量决策模块25的输出端与智能变电站后台12的输入端连接，智能变电站后台12可显示出预警方案，为运行维护人员提前避障提供有效的辅 助决策手段。\n[0048] 具体的，请参考图3，网络质量决策模块25包括预测结果分析子模块、问题处理子模块及预警方案生成子模块，网络质量预测模块24中得到的预测结果传入网络质量决策模块25中的预测结果分析子模块。预测结果分析子模块对多种模型预测的精度和收敛速度进行分析比对，找出最优的预测模型，提高网络质量预测的准确性；将预测结果分析子模块得到的较优的预测结果传入问题处理模块。通过调用网络质量决策库中的决策模型、问题处理集成机和推理机对预测结果进行推理。通过问题处理子模块得到的推理结果，网络质量决策模块25中的预警方案生成模块生成未来网络运行状态的安全等级和预警方案，并将预警方案发送至智能变电站后台，为运行维护人员提前避障提供有效的辅助决策手段。\n[0049] 网络质量数据库30和网络测量解析模块23连接，主要用于存储网络测量解析的网络质量数据，为网络质量预测模块24进行预测提供数据基础。\n[0050] 网络质量模型库31与网络质量预测模块24连接，主要用于存储网络质量预测模块24训练的多种模型，为网络质量预测模块24提供模型基础。\n[0051] 网络质量决策库32与网络决策模块25连接，主要用于存储各种决策规则，为网络决策模块25决策支持提供推理依据\n[0052] 本发明实施例还提供一种智能变电站二次网络测量与多模决策方法，包括如下步骤：\n[0053] 步骤一：通过网络配置文件读取模块20读取智能变电站后台12导出的变电站配置描述文件；\n[0054] 步骤二：网络配置文件解析模块21解析网络配置文件读取模块20读取的SCD文件，将SCD文件中的配置数据解析后生成智能变电站全站配置表；\n[0055] 步骤三：网络测量模块22通过SV分光器14和GOOSE分光器15获取SV报文和GOOSE报文，利用收到的GOOSE报文、SV报文和整个网络的拓扑结构，并通过SNMP协议对智能变电站二次网络的质量参数进行全方位测量，并形成网络测量的原始数据；\n[0056] 步骤四、通过网络测量解析模块23，对网络测量模块22测量的网络原始数据进行实时在线解析，并将解析后得到的网络质量数据存入网络质量数据库30；\n[0057] 步骤五：网络质量预测模块24利用网络质量数据库30中的网络质量数据动态训练多种模型建立网络质量模型库31，利用网络质量模型库31中的灰色时变马尔科夫或粒子群小波神经网络两种模型算法对未来网络运行状态进行预测，并将预测结果在智能变电站后台12动态显示；\n[0058] 步骤六：网络质量决策模块25利用网络质量预测模块24对未来网络运行状态的预测结果，通过网络质量决策库32提供的决策规则进行推理，根据推理结果提出相应的预警方案，为运行维护人员提前避障提供有效的辅助决策手段。\n[0059] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围 并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。