CN117493953B - 一种基于缺陷数据挖掘的避雷器状态评估方法 - Google Patents

Abstract

本发明提出一种基于缺陷数据挖掘的避雷器状态评估方法。为了准确判断与分析配网避雷器运行状态。不同于对时序数据的预测并设置相关阈值的状态分析，我们基于层次聚类算法，从设备的运行数据挖掘出避雷器缺陷数据，以原子聚类、原子簇合并、基于层次聚类算法的缺陷数据识别三步骤以及自适应编解码框架将缺陷数据降维进而提取特征，并设成基于综合维度的神经网络的状态分类模型的输入数据。通过设置缺陷特征指标集、缺陷级别标签后，有效挖掘避雷器缺陷数据，然后通过神经网络模型，实现避雷器的缺陷状态识别。

Description

一种基于缺陷数据挖掘的避雷器状态评估方法

技术领域

本发明属于配网避雷器状态评估技术领域，具体涉及一种基于缺陷数据挖掘的避雷器状态评估方法。

背景技术

避雷器是变电站中重要的过电压保护设备，其正常运行对变电站的安全稳定运行具有重要意义。但避雷器在内部受潮、阀片老化等因素的影响下，其电阻片劣化，阻性电流增长，在运行电压或过电压情况下易发生故障或发热，严重时甚至爆炸，影响配网的运行安全。

为保证避雷器安全运行，配网避雷器在线监测技术已得到广泛应用。现有研究已提出泄漏电流、阻性电流、阻性电流三次谐波、五次谐波等多个避雷器评价指标，并制定了相应的检修试验规程和趋势分析方法实现避雷器的状态评价。但外部温湿度以及工频电磁场干扰会导致阻性电流的预测误差偏大，影响分析结果。同时也提出了在线参数修正方法，但建立的温度、湿度、全电流三维曲面模型具有一定的复杂性，谐波补偿法也只能针对基波电压下的阻性电流进行提取，大多数是利用监测、试验数据中选取的多个指标量，在指标组合权重计算的基础上，对运行风险进行综合量化评估。现有研究也将人工智能手段应用于设备故障诊断，但其应用一般基于样本的多样性，明确设备故障类型以及特征量，需收集一定量的数据才能实现准确评估。因此对于时序数据的预测和提取直接来判断状态限制性过大。不同于对时序数据的预测和提取并设置相关阈值的状态分析，我们基于层次聚类算法，从设备的运行数据挖掘出避雷器缺陷数据，以原子聚类、原子簇合并、基于层次聚类算法的缺陷数据识别三步骤以及自适应编解码框架将缺陷数据降维进而提取特征，并设成基于综合维度的神经网络的状态分类模型的输入数据。通过设置缺陷特征指标集、缺陷级别标签后，有效挖掘避雷器缺陷数据，然后通过神经网络模型，实现避雷器的缺陷状态识别。

发明内容

为克服上述现有技术的不足，本发明提供一种基于缺陷数据挖掘的避雷器状态评估方法，引入层次聚类算法、自适应编解码和卷积神经网络模型，实现状态的准确分类和评估。

为达到上述目的，本发明采用以下技术方案：

一种基于缺陷数据挖掘的避雷器状态评估方法，其特点在于，包括如下步骤：

步骤1：获取多支避雷器的运行数据，包括避雷器运行电压、泄漏电流、阻性电流、动作次数；并利用层次聚类法从所述运行数据中挖掘缺陷数据，如果没有缺陷数值表明设备运行正常；

步骤2：构建避雷器缺陷特征指标集，包括种类特征和数值特征设置缺陷分类状态标签；

步骤3：构建自动编码器网络结构和特征提取的流程，并且利用该降维的数据部分，作为后续所提出的缺陷状态评估分类器的训练数据和检测数据；

步骤4：对数据进行基于自动编码器的特征提取之后，将生成的低维度特征向量作为综合维度卷积神经网络的输入，经过综合维度卷积分类器的不断训练，实现避雷器设备状态分类。

进一步，从所述运行数据挖掘避雷器缺陷数据的方法，包括：

输入：不存在设备运行数据分类信息的聚类族集合、标准聚类族密度、设备正常运行数据和设备缺陷数据比率参数，输出：存在设备运行数据分类信息的聚类簇集合；

将聚类簇集合GD中聚类簇按照从大至小的顺序进行排列，@运算正常聚类簇的密度，运算各个聚类簇密度和正常聚类簇密度之比，如果此比值不大于缺陷数据比率参数S，则隶属为缺陷数据；如果没有挖掘出缺陷数数据则认为状态正常，评估结束。

进一步，所述的设置缺陷分类状态标签，把设备缺陷根据严重程度依次设成正常，老化，受潮，污秽。

进一步，所述的自动编码器网络结构包括输入层与输出层以及中间的隐藏层，整体流程主要包含初始化参数，预训练，微调后得到结果。

进一步，指标体系采用自动编码器算法进行特征提取，具体步骤如下：

步骤1：参数初始化：初始迭代次数设为0，预训练和微调的最大迭代次数均为200，将自动编码器设置为5层网络结构；

步骤2：预训练：将处理后的指标数据{z1，··，z15作为输入，通过调整权值得到输出，达到最大迭代次数之后，获得1维特征值，该降维后的特征值并不是具体的物理指标，但基本表示了原15维指标数据；

步骤3：微调：采用交叉函数，进而调整预训练得到初始权值，若达到最大迭代次数时，则得到最终的结果，否则继续达代。

进一步，所述综合维度卷积神经网络由输入层，“CNN层”和MLP层以及输出层组成；

卷积和子采样层的融合为“CNN层”，把剩下的层为MLP，迭代流程表示如下：

(1)初始化所有权重；

(2)对于每层网络循环迭代：

对于数据集中的每个样本循环迭代：

FP：从输入层向前传播到输出层，可以得找每个层的每个神经元的输出；

BP：在输出层计算增量误差并将其反向传播到一个隐藏层来计算增量误差为；

PP：后处理来计算误差对于权重和偏置的导数。

更新：用后处理中计算的偏导数更新权重和偏置。

与现有技术相比，本发明的有益效果是从设备的运行数据挖掘出避雷器缺陷数据，相比于以往的根据完备的历史数据或者预测数据评估避雷器的运行状态，本发明所需要的数据量大大减小，通过对缺陷数据的精准降维是的计算效率进一步提升的同时达到较好的评估结果。

附图说明

图1为本发明基于缺陷数据挖掘的避雷器状态评估方法的流程图；

图2为本发明中原子聚类算法；

图3为采用3种方法的识别效果示意图；

图4为自动编码器算法降维过程的流程图；

图5为缺陷数据的处理流程；

图6为综合维度卷积神经网络分类器模型架构；

图7为应用在避雷器缺陷数据中训练模型的ROC曲线；

图8为不同算法的时间对比图。

具体实施方式

为了进一步揭示本发明实施例或现有技术中的技术构造，下面将简要介绍用于描述实施例或现有技术的附图。显然，以下所描述的附图仅仅是本发明的示例性实施方式，对于本领域的普通技术人员来说，无需进行任何创造性的劳动即可根据所提供的附图获得其他的附图。

一种基于缺陷数据挖掘的避雷器状态评估方法，包括如下步骤：

步骤1：基于全站监测的多支避雷器运行数据，包括避雷器运行电压、泄漏电流、阻性电流、动作次数等组成多维运行数据的数据集，把设备运行数据集分别切割成多个数据组，各组存在多个数据目标，在各个数据组中启动原子聚类算法进而在原子簇集合中启动原子簇合并算法，最终基于层次聚类算法完成缺陷数据挖掘，倘若没有缺陷数据则认为设备运行状态正常。

步骤1.1：结合避雷器实际运行维护情况，避雷器监测、检测、试验缺陷等信息无法同时获取，采用多阶段信息提取，并选择抗电磁干扰的避雷器传感装置获取数据，基于全站监测的82支避雷器数据，包括避雷器运行电压、泄漏电流、阻性电流、以及设备台账数据。分析避雷器存在的异常原因，指导现场进行检测，并将采集的数据结果不断更新。为测试本发明方法的应用性能，在Matlab软件中，以多站避雷器数据集为测试数据集，对性能进行仿真测试。此数据集中存在100000个避雷器运行数据目标，数据来源于多站某年度的82个避雷器的指标运行数据。在实验过程中将该陷数据进行筛选后，随机提取单个避雷器的5000个数据目标作为本实施例数据。

步骤1.2：基于层次聚类算法的避雷器设备缺陷数据挖掘方法操作流程如下。输入：存在m个e维设备运行数据的数据集R；输出：正常数据聚类结果与缺陷数据聚类结果。

把设备运行数据集分别切割成多个数据组，各组存在多个数据目标，在各个数据组中启动原子聚类算法。原子即为避雷器中随机一个运行数据目标，原子聚类算法把数据组中的设备运行数据聚类设置为原子簇，原子聚类算法如图2所示。其原子聚类算法输入：设备的运行数据集合R中一个数据组，运行数据目标Q、原子距离参数d1；输出：原子簇集合∑BD。

(1)运算避雷器运行数据集合中数据目标q与另一数据目标p的距离D(q，p)，如果D(q，p)小于原子距离参数d1，2个数据目标则隶属相同原子簇BD。

(2)原子簇集合得出中心点D_BD设置为每个原子簇的形心。原子聚类算法属于一种分类算法，此算法和别的聚类算法之间差异是：原子聚类算法的参数不具有复杂性，主要参数是原子簇数值的距离阈值d1且该算法迭代次数仅需要一次，操作简单。

原子聚类变成原子簇后，启动原子簇合并算法，把原子簇合并后便可获取聚类簇。原子簇合并算法属于凝聚聚类算法，可逐步合并近邻原子簇。

输入：根据上述原子聚类算法获取的原子簇集合∑BD以及原子簇距离参数d2。输出：聚类簇集合∑GD。

(1)运算原子簇集合∑BD中不同原子簇GDj、GDi的距离D(GDj，GDi)，如果D(GDj，GDi)不大于d2，原子簇GDj、GDi则隶属相同聚类簇GD。

(2)运算每个聚类簇的密度。原子簇合并算法在运行过程中，若2个聚类簇具有“邻居”关系，便把这2个聚类簇相融为一体。2个原子簇间距可看作两者中心点的密度：

根据上述分析，设计避雷器缺陷数据识别算法流程如下。输入：不存在设备运行数据分类信息的聚类族集合、标准聚类族密度、设备正常运行数据和设备缺陷数据比率参数，输出：存在设备运行数据分类信息的聚类簇集合。

将聚类簇集合GD中聚类簇按照从大至小的顺序进行排列，@运算正常聚类簇的密度，运算各个聚类簇密度和正常聚类簇密度之比，如果此比值不大于缺陷数据比率参数S，则隶属为缺陷数据。如果没有挖掘出缺陷数数据则认为状态正常，评估结束。

为测试本方法对避雷器数据挖掘性能是否具有准确性，测试该方法在随机提取的5000个避雷器运行数据中对缺陷数据的挖掘效果。挖掘效果主要以缺陷数据样本的挖掘量作为描述，对泄漏电流、温度、局放、阻性电流、输出电压5种避雷器运行指标的缺陷数据挖掘结果如表所示，结果和实际缺数据样本数一致，本发明方法的挖掘结果较为精准。

为测试本方法对电力系统避雷器数据分析性能是否具有优势，以FP-growth方法、灰色理论-云模型方法作为对比，测试3种方法在随机提取的5000个避雷器运行数据中对缺陷数据的分析效果。分析效果主要通过3种方法对5种指标的缺陷级别识别效果体现，识别效果需要通过准确率测试结果如图3所示

步骤2)：为准确分类避雷器设备缺陷类型，设置缺陷分类状态标签，需要提取缺陷数据中的具体的数据特征，我们根据监测数据和检测以及现场试验数据等构建避雷器缺陷特征指标集：与避雷器缺陷存在关联的特征量类型主要是种类特征、数值特征，具体包含以下步骤：

步骤(2.1)：根据监测数据和检测以及现场试验数据等构建避雷器缺陷特征指标集。

由表可知，与避雷器缺陷存在关联的特征量类型主要是种类特征、数值特征。考虑到后续的CNN模型的输入仅支持数值，必须将缺陷数据的种类特征实施编码，把种类特征变换成数值特征。围绕输入的种类特征，因为各个特征存在的属性数目较少，我们使用独热编码的模式实现设备缺陷数据的种类特征编码，通过0与1描述此类种类特征。

步骤2.2：按照步骤(1)提出的基于层次聚类算法的避雷器设备缺陷数据挖掘结果形成避雷器设备缺陷数据库。补全缺失数据。由于避雷器具备高可靠性，避雷器缺陷类型具备分散性。在此情况下，盲目删除部分属性缺失的记录会缩小样本，易丢失一些小样本包含的关联规则，通过查询检修报告补全缺失数据。同样对各个目标数据进行数值归一化以消除量纲性，最后把设备缺陷根据严重程度依次设成正常，老化，受潮，污秽。

步骤3：使用自动编码器网络结构的设计针对避雷器指标体系进行了特征约简，设计了针对降维使用的自动编码器网络结构以及特征提取的流程。并且利用该降维的数据部分，作为后续所提出的缺陷状态评估分类器的训练数据和检测数据。包含以下步骤：

步骤(3.1)：根据上文分析内容，在设置特征和缺陷级别标签的基础上构建避雷器缺陷数据特征约简模型。

自动编码器网络结构包括输入层与输出层以及中间的隐藏层，而隐含层的层数决定了网络结构的非线性复杂程度。我们针对指标体系中的14个指标，选用5层自动编码器网络结构，包含了3曾隐含层表示数据之间的非线性关系。

整体流程主要包含初始化参数，预训练，微调，后得到结果。

针对避雷器的指标体系采用自动编码器网络结构进行特征提取，该算法的主要流程如下。

步骤1：参数初始化。初始迭代次数设为0，预训练和微调的最大迭代次数均为200。将自动编码器设置为5层网络结构。

步骤2：预训练。将处理后的指标数据{z1，··，z15作为输入，通过调整权值得到输出。达到最大迭代次数之后，获得1维特征值，该降维后的特征值并不是具体的物理指标，但基本表示了原15维指标数据。

步骤3：微调。为了使重构误差到最小，采用交叉函数，进而调整预训练得到初始权值。若达到最大迭代次数时，则得到最终的结果，否则继续达代。

经过上述的步骤得到自动编码器算法降维过程的流程图，如图4所示，经过初始化参数，预训练，微调，最后得到结果。

步骤(4)：提出了一种基于综合维度神经网络的避雷器状态评估分类算法，能够将传统的分类评估方法融为一个学习体：特征提取和分类。提出的整体模型先对数据进行基于自动编码器的特征提取，随后将生成的低维度特征向量作为综合维度卷积神经网络的输入，经过综合维度卷积分类器的不断训练，实现了避雷器设备状态的多分类。具体包含以下步骤：

步骤(4.1)：如图5所示，上述的避雷器的状态监测量通过自动编码器进行特征提取，得到的低维度向量作为避雷器状态监测分类模型的输入进行设备状态分类。

模型能够以概率形式输出分类结果。避雷器状态监测分类模型是由若干层卷积层和若干层子采样层加上全连接层组成，输出层利用Softmax激活函数来做避雷器的状态分类。通过分析避雷器的每个监测指标，可以看出，避雷器的许多指标之间是互相联系、互相影响的，此模型减少了以往的状态监测系统对各个指标进行复杂的运算和关联性分析。

步骤(4.2)：提出了一种基于综合维度神经网络的避雷器状态评估分类算法，能够将传统的分类评估方法融为一个学习体。我们对CNN拓扑结构进行了一些修改，并进一步制定了一维向量的CNN的反向投影的训练。把卷积和子采样层的融合称为“CNN层”，仍然把剩下的层称为MLP。综合维度CNN具有卷积层的隐藏神经元，其可以执行卷积和子采样操作。因此，综合维度CNN网络结构由输入层，“CNN层”和MLP层以及输出层组成。CNN算法的迭代流程表示如下：

(1)初始化所有权重；

(2)对于每层网络循环迭代：

对于数据集中的每个样本循环迭代：

FP：从输入层向前传播到输出层，可以得找每个层的每个神经元的输出；

BP：在输出层计算增量误差并将其反向传播到一个隐藏层来计算增量误差为；

PP：后处理来计算误差对于权重和偏置的导数。

更新：用后处理中计算的偏导数更新权重和偏置。

步骤(4.3)：在综合维度卷积神经网络的输出层利用Softmax激活函数构造了分类器，可以得到一个基于卷积神经网络的状态评估分类模型。这个分类模型的作用是输入一个经过自动编码器降维的一维特征值，再经过若干个卷积层和降采样层以后，经过全连接到Softmax分类器输出一个N*1的分类矩阵值。其中N代表多分类数目。如图6所示，基于综合维度卷积神经网络的变电设备状态监测分类器模型的特征提取参数是通过训练数据集得到因此避免了人工特征的提取。而且权值共享可以实现并行训练和计算，大大提高了分类器的计算效率。

步骤(4.4)：将所选取的模型和数据集进行划分并训练来完成状态评估的任务。为了验证本文所提的避雷器设备状态监测模型，在CPU Intel core 2duo 3.4GHz，15G的RAM硬件平台下运行模拟实验。本文采取用pytorch环境下，进行模型的训练和验证。实验数据依旧选择步骤3所提取的多站避雷器运行数据，通过归一化和补充不完备的样本数值得到总共15维度的样本集合包含30000条缺陷数据。

首先，为了验证我们所选取的自动编码器降维方法的正确性和有效性，本实施例将利用不同降维方法产生的数据用于状态监测分类模型的训练和测试中，从检测精度出发，证明选取自动编码器降维方法的正确性和有效性。其次，利用状态监测分类模型的ROC曲线和模型训练时间，判断不同状态监测分类方法有效性和高效性。针对每条样本数据，实验统一将其维度利用自动编码器约简到1维，在避雷器指标下有15-1维的降维方式。在使用自动编码器的方法降维时，基于AE-1D CNN-Softmax算法的状态监测分类器模型的建立中，按着训练数据和测试数据比例为4:1的比例下进行实验，训练样本数据24000条，测试样本6000条。经过训练和测试，得到最终的评估结果。

为了验证所选分类方法的有效性，将避雷器样本数据输入到不同分类方法的状态监测分类模型中，如表所示，在误检率相同的情况下，本文提出的方法正检率最高，其次，再比较分类模型的检测精度，基于AE-1DCNN-Softmax方法的状态监测分类模型检测精度为95.8％证明了采取基于AE-1DCNN-Softmax方法的状态监测分类模型在分类精度方面更具有优势。

方法	正确率	误检率	精度
				AE-1D-CNN-Softmax	95.2	11.3	95.6
AE-1D-CNN-SVM	94.5	11.3	95.5
				AE-1D-CNN-XGBoost	92.7	11.2	94.6
PCA-1D-CNN-Softmax	85.8	11.1	84.0
				PCA-1D-CNN-SVM	83.3	11.2	82.4
PCA-1D-CNN-XGBoost	82.2	11.2	81.5

为了综合比较所提出基于AE-1DCNN-Sftmax状态监测分类方法的优越性选取了避雷器10000条量测样本为实验数据，其中按4:1的比例组成训练和测试样本集。关于避雷器ROC曲线和运行时间分别如图7和图8所示。

Claims (3)

1.一种基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，包括：

步骤1：获取多支避雷器的运行数据，包括避雷器运行电压、泄漏电流、阻性电流、动作次数；并利用层次聚类法从所述运行数据中挖掘缺陷数据，如果没有缺陷数据表明设备运行正常；

步骤2：构建避雷器缺陷特征指标集包括种类特征和数值特征，设置缺陷分类状态标签；

步骤3：构建自动编码器网络结构和设计特征提取的流程，并且利用降维的数据部分，作为后续所提出的缺陷状态评估分类器的训练数据和检测数据；

步骤4：对数据进行基于自动编码器的特征提取之后，将生成的低维度特征向量作为综合维度卷积神经网络的输入，经过综合维度卷积神经网络的不断训练，实现避雷器设备状态分类；

其中：

利用层次聚类法从所述运行数据挖掘避雷器缺陷数据，包括：

把设备运行数据集分别切割成多个数据组，各组存在多个数据目标，在各个数据组中启动原子聚类算法进而在原子簇集合中启动原子簇合并算法，最终基于层次聚类算法完成缺陷数据挖掘，倘若没有缺陷数据则认为设备运行状态正常；其中：

结合避雷器实际运行维护情况，采用多阶段信息提取，并选择抗电磁干扰的避雷器传感装置获取数据，分析避雷器存在异常的原因，指导现场进行检测，并将采集的数据结果不断更新；

原子即为避雷器中随机一个运行数据目标，原子聚类算法把数据组中的设备运行数据聚类设置为原子簇，其中原子聚类算法输入：设备的运行数据集合R中一个数据组，运行数据目标Q、原子距离参数d1；输出：原子簇集合∑BD；

运算避雷器运行数据集合中数据目标q与另一数据目标p的距离D(q，p)，如果D(q，p)小于原子距离参数d1，则2个数据目标隶属相同原子簇BD；

将原子簇集合得出的中心点D_BD设置为每个原子簇的形心；

原子聚类变成原子簇后，启动原子簇合并算法，把原子簇合并后便可获取聚类簇；

原子簇合并算法输入：上述原子聚类算法获取的原子簇集合∑BD以及原子簇距离参数d2；原子簇合并算法输出：聚类簇集合∑GD；

运算原子簇集合∑BD中不同原子簇GDj、GDi的距离D(GDj，GDi)，如果D(GDj，GDi)不大于d2，则原子簇GDj、GDi隶属相同聚类簇GD；

运算每个聚类簇的密度；在运行原子簇合并算法的过程中，若2个原子簇具有″邻居″关系，便把这2个原子簇相融为一体；2个原子簇间距可看作两者中心点的密度：

根据上述分析，设计避雷器缺陷数据识别算法流程如下：输入：不存在设备运行数据分类信息的聚类簇集合、标准聚类簇密度、设备正常运行数据和设备缺陷数据比率参数，输出：存在设备运行数据分类信息的聚类簇集合；

将聚类簇集合∑GD中聚类簇按照从大至小的顺序进行排列，对正常聚类簇的密度进行计算，运算各个聚类簇密度和正常聚类簇密度之比，如果此比值大于缺陷数据比率参数S，则该聚类簇隶属为缺陷数据；如果没有挖掘出缺陷数据则认为状态正常，评估结束；

所述自动编码器网络结构包括输入层与输出层以及中间的隐藏层，整体流程主要包含初始化参数，预训练，微调后得到结果；其中，避雷器缺陷特征指标集采用自动编码器算法进行特征提取，具体步骤如下：

步骤S1：参数初始化：初始迭代次数设为0，预训练和微调的最大迭代次数均为200，将自动编码器设置为5层网络结构；

步骤S2：预训练：将处理后的避雷器缺陷特征指标集中的数据{z1；，z15}作为输入，通过调整权值得到输出，达到最大迭代次数之后，获得1维特征值，该降维后的特征值并不是具体的物理指标，但基本表示了原15维指标数据；

步骤S3：微调：采用交叉函数，进而调整预训练得到初始权值，若达到最大迭代次数，则得到最终的结果，否则继续迭代；所述经过综合维度卷积神经网络的不断训练，包括：

初始化所有权重；

对于每层网络循环迭代：

对于数据集中的每个样本循环迭代：

FP：从输入层向前传播到输出层，可以得找每个层的每个神经元的输出；

BP：在输出层计算增量误差并将其反向传播到一个隐藏层来计算增量误差；

PP：后处理来计算误差对于权重和偏置的导数；

更新：用后处理中计算的偏导数更新权重和偏置。

2.根据权利要求1基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，所述设置缺陷分类状态标签中，把设备缺陷根据严重程度依次设成正常，老化，受潮，污秽。

3.根据权利要求1基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，所述综合维度卷积神经网络由输入层，″CNN层″和MLP层以及输出层组成；

卷积层和子采样层的融合为″CNN层″，剩下的层为MLP。