基于深度学习的智能变电站继电保护定值校核方法

摘要

【目的】在变电站继电保护装置定值校核过程中，传统方法主要依赖人工校核或简单程序校核。人工校核的准确性存在较大差异，且校核效率较低;简单程序校核在效率方面有所提升，但在准确性上仍有改进空间。针对上述不足，本研究提出一种基于深度学习的智能变电站继电保护装置定值校核方法。【方法】首先采用改进卷积循环神经网络(convolutional recurrent neural network,CRNN)对继电保护定值进行识别并利用卷积神经网络(CNN )将文本图像转换为特征序列，其次通过循环神经网络(recurrent neural network,RNN)对特征序列进行识别，最后使用基于词典的连接时序分类(connectionist temporal classification,CTC)损失函数实现转录，从而获得定值文本信息。在此基础上，引入转换门控单元对RNN模块进行改进，形成双向转换门控长短时记忆(bidirectional convert gate long short-term memory,Bi-CGLSTM )网络模型，以实现数据权值的自适应调节。随后，结合中文分词技术开展定值校核并构建完整的定值名称词典，采用Levenshtein距离算法计算待校核文本与标准文本的相似度，并结合改进的正向最大匹配算法完成定值文本匹配，从而实现对继电保护装置定值的逐一校核。【结果】为验证本文方法可行性和有效性，选取某供电公司240份包含10种常用设备型号的定值单作为实验样本进行验证。深度学习模型的训练参数设置为迭代次数100、学习率0.001，权重和偏置参数优化器为Adam。实验结果表明，改进CRNN模型的识别准确率高于97%，本文方法的校核准确率达97.07%，平均校核时间较短，整体性能显著优于对比方法。【结论】改进的深度神经网络能够有效提升大规模数据条件下继电保护装置定值文本的识别精度。基于Levenshtein距离算法与改进正向最大匹配算法的联合应用，不仅保证了校核准确率，还显著提升了校核效率。该方法为智能变电站的智慧运维提供了有力的技术支撑。

关键词

智能变电站 / 继电保护装置 / 定值校核 / 卷积循环神经网络 / 词典 / 改进正向最大匹配算法 / 注意力机制