[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113792495B - 一种基于在线监测数据的避雷器运行状态识别方法、装置 - Google Patents

一种基于在线监测数据的避雷器运行状态识别方法、装置 Download PDF

Info

Publication number
CN113792495B
CN113792495B CN202111344700.9A CN202111344700A CN113792495B CN 113792495 B CN113792495 B CN 113792495B CN 202111344700 A CN202111344700 A CN 202111344700A CN 113792495 B CN113792495 B CN 113792495B
Authority
CN
China
Prior art keywords
lightning arrester
arrester
data sequence
leakage current
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111344700.9A
Other languages
English (en)
Other versions
CN113792495A (zh
Inventor
方文田
李旭宏
杨永辉
蔡伟贤
陈晓彬
李涛
朱育钊
方逸越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jieyang Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Jieyang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jieyang Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Jieyang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111344700.9A priority Critical patent/CN113792495B/zh
Publication of CN113792495A publication Critical patent/CN113792495A/zh
Application granted granted Critical
Publication of CN113792495B publication Critical patent/CN113792495B/zh
Priority to PCT/CN2022/131878 priority patent/WO2023083366A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Thermistors And Varistors (AREA)

Abstract

本发明实施例公开了一种基于在线监测数据的避雷器运行状态识别方法、装置，该方法包括：获取避雷器在线监测数据；将在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM‑RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列；将更新避雷器泄漏电流总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到避雷器的状态识别预测结果。本发明实施例对避雷器运行状态进行实时监测，在避雷器劣化前期发现隐患，为供电部门制定避雷器检修试验计划提供了参考依据，提高电网的智能化水平。

Description

一种基于在线监测数据的避雷器运行状态识别方法、装置
技术领域
本发明涉及电网系统避雷器运行状态监测技术，尤其涉及一种基于在线监测数据的避雷器运行状态识别方法、装置。
背景技术
氧化锌避雷器由于具备结构简单、体积小以及通流能力强等诸多优点，广泛应用于电力系统的雷电过电压和操作过电压的防护，为供电系统的持续安全运行提供了可靠保证。
氧化锌避雷器除了遭受雷电过电压和操作过电压等威胁外，在运行过程中还会受老化及受潮等因素的影响，导致泄漏电流增大及避雷器发热，严重时可能出现热失控现象，严重影响氧化锌避雷器的性能及电网系统的安全。因此，必须对氧化锌避雷器的运行状态进行监控。随着数字智能变电站的推广，避雷器在线监测逐渐取代了带电试验以及运行巡视的部分内容。避雷器在线监测的原理与避雷器带电测试容性补偿法一致，可以总结为把带电测试设备安装在了生产现场，再通过通讯线路把测试数据实时传输到监控终端。避雷器在线监测的优势在于其能不间断的跟踪避雷器的运行阻性电流与全电流，可为试验计划的制定提供依据，但也仍存在易受相间干扰影响与谐波干扰的问题。
发明内容
本发明提供一种基于在线监测数据的避雷器运行状态识别方法、装置，以实现对避雷器运行状态进行实时监测，在避雷器劣化前期发现隐患，为供电部门制定避雷器检修试验计划提供了参考依据，提高电网的智能化水平。
第一方面，本发明实施例提供了一种基于在线监测数据的避雷器运行状态识别方法，该方法包括：
获取避雷器在线监测数据，所述在线监测数据至少包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列；
将所述在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM-RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列；
将所述更新避雷器泄漏电流总畸变率在线数据序列、所述避雷器泄漏电流全电流在线数据序列和所述避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到所述避雷器的状态识别预测结果。
第二方面，本发明实施例还提供了一种基于在线监测数据的避雷器运行状态识别装置，该装置包括：
获取模块，用于获取避雷器在线监测数据，所述在线监测数据至少包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列；
谐波消除模块，用于将所述在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM-RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列；
预测模块，用于将所述更新避雷器泄漏电流总畸变率在线数据序列、所述避雷器泄漏电流全电流在线数据序列和所述避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到所述避雷器的状态识别预测结果。
第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的基于在线监测数据的避雷器运行状态识别方法。
本发明实施例提供的基于在线监测数据的避雷器运行状态识别方法，通过获取避雷器在线监测数据，在线监测数据至少包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列；将在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM-RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列；将更新避雷器泄漏电流总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到避雷器的状态识别预测结果。本发明实施例利用LSTM-RNN模型对避雷器泄漏电流谐波进行处理，消除了电网谐波对后续分析的影响。利用随机森林模型，选取了避雷器泄漏电流阻性电流、避雷器泄漏电流全电流、避雷器泄漏电流谐波总畸变率作为特征量，实现对避雷器运行状态的识别。该方法利用了现有的避雷器监测数据作为特征量，不需要额外增加传感器；实现了对避雷器运行状态的实时监控，在避雷器劣化前期就可以及时发现隐患，为供电部门制定避雷器检修试验计划提供参考依据，提高了电网的智能化水平与供电可靠性。
附图说明
图1是本发明实施例一提供的一种基于在线监测数据的避雷器运行状态识别方法的流程图；
图2是本发明实施例二提供的一种基于在线监测数据的避雷器运行状态识别方法的流程图；
图3是本发明实施例二提供的运行电压下避雷器的等效电路图；
图4是本发明实施例三提供的一种基于在线监测数据的避雷器运行状态识别方法的流程图；
图5是本发明实施例三提供的避雷器阀片部分受潮等效电路图；
图6是本发明实施例三提供的避雷器受潮时泄漏电流变化示意图；
图7是本发明实施例三提供的避雷器受污秽影响时泄漏电流变化示意图；
图8是本发明实施例三提供的氧化锌避雷器伏安特性曲线示意图；
图9是本发明实施例三提供的运行电压下避雷器谐波电流总畸变率与非线性特性关系示意图；
图10是本发明实施例四提供的一种基于在线监测数据的避雷器运行状态识别装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种基于在线监测数据的避雷器运行状态识别方法的流程图，本实施例可适用于对避雷器运行状态进行监测，该方法可以由避雷器运行状态识别装置来执行，具体包括如下步骤：
S110、获取避雷器在线监测数据，在线监测数据至少包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列。
其中，避雷器电压谐波总畸变率可以理解为用于衡量电压波形畸变程度的参数，以各次谐波电压的均方根值与基波电压有效值之比的百分数来表示。
在理想状态下，电压波形应该是周期性标准正弦波，但由于电力系统中存在有大量非线性阻抗特性的供用电设备，这些设备向公用电网注入谐波电流或在公用电网中产生谐波电压，称为谐波源。谐波源使得实际的电压波形偏离正弦波，这种现象称为电压正弦波形畸变。
通过氧化锌电阻片的电流叫做氧化锌避雷器的泄漏电流，也被认为成避雷器的泄漏全电流。避雷器泄漏电流全电流可以反应避雷器的绝缘情况，是运行电压下判断避雷器好坏的重要手段。
避雷器的总泄漏全电流包含阻性电流（有功分量）和容性电流（无功分量），即避雷器泄漏电流全电流包含泄漏电流阻性电流和泄漏电流容性电流。在正常运行情况下，流过避雷器的主要电流为容性电流，阻性电流只占很小一部分，约为10%~20%左右。泄漏电流中的阻性成分对非线性金属氧化物电阻的电压-电流特性变化较为敏感，因此，避雷器泄漏电流阻性电流可以作为一个良好的诊断指示，用以指示运行中的氧化锌避雷器的健康状态。
可以通过应用在生产现场的避雷器在线监测系统获取数据，该数据包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列。
S120、将在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM-RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列。
其中，长短时记忆循环神经网络（LSTM-RNN）是一种特殊的神经网络（RNN）模型。RNN模型是一种用以处理序列输入的深度学习模型，广泛用于语音识别、状态识别与机器翻译。相较于LSTM-RNN而言，RNN没有记忆功能，容易造成梯度消失与梯度爆炸现象，而LSTM-RNN引入了遗忘操作、输入操作与输出操作三个核心要素，满足了需要长时间记忆信息和遗忘信息的需求。
在实际应用中，泄漏电流的谐波主要有两个来源，一个是来自避雷器氧化锌阀片的非线性特性造成的，另一个来源于电网谐波。而随着非线性负载以及换流站的增加，电网谐波的污染会逐渐加剧。电网的谐波大致为无规律的波动，但也存在一定的周期性，比如白天非线性负载接入较多，谐波含量也较大这将导致在实际的测试中，工作人员无法直接利用避雷器在线监测数据的泄漏电流谐波总畸变率作为评价避雷器健康状态的指标。避雷器在线监测系统获取的数据还包括了避雷器电压谐波序列，而避雷器电压谐波含量恰恰能反映电网谐波含量。因此，采用LSTM-RNN模型来处理避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列，以消除电网谐波对后续分析的影响。
S130、将更新避雷器泄漏电流总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到避雷器的状态识别预测结果。
其中，在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。随机森林是集成式机器学习的其中一种算法，随机森林在某种程度上可以说是决策树的优化版本，它的基本思想是通过合成多个决策树的输出结果，以提高模型的泛化能力。
因此，将更新避雷器泄漏电流总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得出避雷器健康状态评价模型。然后根据这个评价模型，利用避雷器在线监测系统获取的实时数据，实现对避雷器状态的实时跟踪，进而得到避雷器的状态识别预测结果。
本实施例提供的基于在线监测数据的避雷器运行状态识别方法，通过获取避雷器在线监测数据，在线监测数据至少包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列；将在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM-RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列；将更新避雷器泄漏电流总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到避雷器的状态识别预测结果。本发明实施例利用LSTM-RNN模型对避雷器泄漏电流谐波进行处理，消除了电网谐波对后续分析的影响。利用随机森林模型，选取了避雷器泄漏电流阻性电流、避雷器泄漏电流全电流、避雷器泄漏电流谐波总畸变率作为特征量，实现对避雷器运行状态的识别。该方法利用了现有的避雷器监测数据作为特征量，不需要额外增加传感器；实现了对避雷器运行状态的实时监控，在避雷器劣化前期就可以及时发现隐患，为供电部门制定避雷器检修试验计划提供参考依据，提高了电网的智能化水平与供电可靠性。
实施例二
本实施例以上述实施例为基础进行细化，图2是本发明实施例二提供的一种基于在线监测数据的避雷器运行状态识别方法的流程图，参考图2，该方法包括：
S210、获取避雷器在线监测数据，在线监测数据至少包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列。
S220、建立运行电压下避雷器的等效电路仿真模型，并根据避雷器的等效电路仿真模型得到的仿真数据进行模型训练，得到训练完成的LSTM-RNN模型。
可选地，建立运行电压下避雷器的等效电路仿真模型，并根据避雷器的等效电路仿真模型得到的仿真数据进行模型训练，得到训练完成的LSTM-RNN模型，包括：
建立运行电压下避雷器的等效电路仿真模型，避雷器的等效电路仿真模型包括电压源和串联在电压源一侧的多个阻容单元，阻容单元包括串联的固定电阻和固定电容，避雷器的等效电路仿真模型多个非线性电阻，每个非线性电阻与一固定电容并联连接；
设置电压源的频率为电网标准频率，并随机设置避雷器的非线性参数以使非线性电阻的阻值随机，获取避雷器泄漏电流谐波总畸变率第一仿真数据序列；
随机设置电压源的谐波幅值，获取避雷器泄漏电流谐波总畸变率第二仿真数据序列，并获取避雷器电压谐波总畸变率仿真数据序列；
搭建LSTM-RNN初始模型，将所述避雷器泄漏电流谐波总畸变率第二仿真数据序列和所述避雷器电压谐波总畸变率仿真数据序列作为所述LSTM-RNN初始模型的输入，将所述避雷器泄漏电流谐波总畸变率第一仿真数据序列作为所述LSTM-RNN初始模型的输出进行模型训练，得到训练完成的所述LSTM-RNN模型。
氧化锌避雷器是一种用来保护电力设备的装置，主要由腔体、瓷套、一次端子以及多个氧化锌阀片堆叠组成。图3是本发明实施例二提供的运行电压下避雷器的等效电路图，参考图3，避雷器的等效电路仿真模型包括电压源和串联在电压源一侧的多个阻容单元，阻容单元包括串联的固定电阻和固定电容，避雷器的等效电路仿真模型多个非线性电阻，每个非线性电阻与一个固定电容并联连接。其中R n 表示第n个氧化锌阀片之间的接触电阻（其中，n>1时，第n个氧化锌阀片之间的接触电阻具体是第n个氧化锌阀片与第n-1个氧化锌阀片之间的接触电阻；其中n=1时，第n个氧化锌阀片之间的接触电阻具体是第n个氧化锌阀片与电压源之间的接触电阻），R nl1 用来表示第1个阀片的非线性特性电阻，R nl2 用来表示第2个阀片的非线性特性电阻，R nln 用来表示第n个阀片的非线性特性电阻。 C 1 表示第1个阀片的等效电容，C 2 表示第2个阀片的等效电容，C n 表示第n个阀片的等效电容。C 0 表示避雷器腔体、瓷套与空气的等效电容，R 0 表示避雷器腔体、瓷套与空气的等效电阻。氧化锌避雷器电阻具有非线性特性，在正常电压下，流过避雷器的电流极小。而在过电压下，氧化锌避雷器电阻迅速减小，能量得到快速释放，起到了保护电力设备的作用。
示例性的，泄漏电流谐波的预测具体步骤为：
步骤一：采用图3所示模型，设置电压源频率为电网标准频率50Hz，随机设置避雷器的非线性参数(K i,a i) 以使非线性电阻的阻值随机，获取N个时刻的避雷器泄漏电流谐波总畸变率，并把这N个数据输出记为第一仿真数据序列X1。
步骤二：在步骤一的基础上，在避雷器高压端增加电压源，模拟电网所含的谐波，并随机设置电压源的谐波幅值，仿真得到N个时刻的数据。可以通过设置一个随机数发生器，使得每个时刻的电压谐波都随机波动，模拟电网谐波的波动。
步骤三：获取步骤二所仿真得到的N个时刻的避雷器泄漏电流总畸变率，并把这N个数据记为第二仿真数据序列X2；同时获取N个时刻的避雷器电压谐波总畸变率，并把这N个数据记为避雷器电压谐波总畸变率仿真数据序列Y1。
步骤四：利用机器学习算法的工具包Tensorflow在软件PYCHARM上进行运行，从而搭建LSTM-RNN模型，把上述避雷器泄漏电流谐波总畸变率第二仿真数据序列X2和避雷器电压谐波总畸变率仿真数据序列Y1作为LSTM-RNN初始模型的输入数据，避雷器泄漏电流谐波总畸变率第一仿真数据序列X1作为LSTM-RNN初始模型的输出数据，进行模型训练并保存训练好的模型。
S230、将在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM-RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列。
S240、将更新避雷器泄漏电流总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到避雷器的状态识别预测结果。
本实施例的技术方案，通过建立运行电压下避雷器的等效电路仿真模型，并根据避雷器的等效电路仿真模型得到的仿真数据进行模型训练，得到训练完成的LSTM-RNN模型；利用LSTM-RNN模型来处理避雷器泄漏电流谐波序列，以消除电网谐波的影响，实现对避雷器泄漏电流谐波的预测。
实施例三
本实施例以上述实施例为基础进行细化，图4是本发明实施例三提供的一种基于在线监测数据的避雷器运行状态识别方法的流程图，参考图4，该方法包括：
S310、获取避雷器在线监测数据，在线监测数据至少包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列。
S320、将在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM-RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列。
S330、将建立运行电压下避雷器的等效电路仿真模型；
改变避雷器的等效电路仿真模型的参数，分别仿真得到避雷器状态为正常、劣化、受潮、污秽时输出的特征值集合，特征值集合中包括避雷器泄漏电流全电流仿真数据序列和避雷器泄漏电流阻性电流仿真数据序列和避雷器泄漏电流谐波总畸变率第三仿真数据序列，并把特征值集合作为随机森林模型的训练样本集；
采用训练样本集进行随机森林模型训练，得到包括多个决策树的训练完成的随机森林模型。
长时间处于生产现场运行的避雷器难免会受到外界环境的干扰，避雷器劣化指的是氧化锌阀片的劣化，氧化锌阀片发生劣化是一个缓慢的过程。在劣化初期仅表现为避雷器泄漏电流谐波含量的增加，而对避雷器泄漏电流阻性电流，避雷器泄漏电流容性电流的影响很微小。
避雷器密封不良是造成受潮的主要原因，氧化锌阀片烘干不彻底，密封垫圈安放位置不当甚至没有安装，使用材料不合格也会造成水分渗入。阀片受潮后，导致避雷器泄漏电流全电流以及避雷器泄漏电流阻性电流明显增大。
避雷器瓷套表面污秽对避雷器的影响较大。避雷器在运行过程中，外套污秽则可能导致内部绝缘杆已变为棕黄色，芯体上部甚至附着油状物，芯体绝缘出现明显老化电阻片侧面绝缘釉也呈磨砂状，失去光泽。其长期运行在比正常运行温度稍高的温度下，导致电阻片劣化。
首先建立运行电压下避雷器的等效电路仿真模型，改变避雷器的等效电路仿真模型的参数，分别仿真得到避雷器状态为正常、劣化、受潮、污秽时输出的特征值集合。
可选地，避雷器的等效电路仿真模型包括电压源和串联在电压源一侧的多个阻容单元，阻容单元包括串联的固定电阻和固定电容，避雷器的等效电路仿真模型包括多个非线性电阻，每个非线性电阻与一固定电容并联连接；避雷器的等效电路仿真模型还包括避雷器腔体、瓷套与空气的等效电阻与等效电容，其中等效电阻与串联的多个阻容单元并联连接，等效电容与等效电阻并联连接。
改变避雷器的等效电路仿真模型的参数，分别仿真得到避雷器状态为正常、劣化、受潮、污秽时输出的特征值集合，特征值集合中包括避雷器泄漏电流全电流仿真数据序列和避雷器泄漏电流阻性电流仿真数据序列和避雷器泄漏电流谐波总畸变率第三仿真数据序列，并把特征值集合作为随机森林模型的训练样本集，包括：
(1)改变避雷器的非线性参数，以仿真得到避雷器状态为劣化时的输出特征值集合。
(2)在至少一个非线性电阻的两端并联旁路电阻，改变旁路电阻的阻值，以仿真得到避雷器状态为受潮时的输出特征值集合。
(3)改变等效电阻的阻值，以仿真得到避雷器状态为污秽时的输出特征值结合。
图5是本发明实施例三提供的避雷器阀片部分受潮等效电路图，参考图5，避雷器的等效电路仿真模型包括电压源和串联在电压源一侧的多个阻容单元，阻容单元包括串联的固定电阻和固定电容，避雷器的等效电路仿真模型包括多个非线性电阻，每个非线性电阻与一固定电容并联连接；避雷器的等效电路仿真模型还包括避雷器腔体、瓷套与空气的等效电阻与等效电容，其中等效电阻与串联的多个阻容单元并联连接，等效电容与等效电阻并联连接。其中R n 表示第n个氧化锌阀片之间的接触电阻（其中，n>1时，第n个氧化锌阀片之间的接触电阻具体是第n个氧化锌阀片与第n-1个氧化锌阀片之间的接触电阻；其中n=1时，第n个氧化锌阀片之间的接触电阻具体是第n个氧化锌阀片与电压源之间的接触电阻），R nl1 用来表示第1个阀片的非线性特性电阻，R nl2 用来表示第2个阀片的非线性特性电阻，R nln 用来表示第n个阀片的非线性特性电阻。C 1 表示第1个阀片的等效电容，C 2 表示第2个阀片的等效电容，C n 表示第n个阀片的等效电容。C 0 表示避雷器腔体、瓷套与空气的等效电容，R 0 表示避雷器腔体、瓷套与空气的等效电阻。
避雷器阀片受潮将导致阀片间形成泄漏旁路，增大泄漏电流，但对避雷器非线性特性的影响不大。当避雷器阀片部分受潮时，图3所示的等效模型变为图5，具体改变是在避雷器阀片等效电路上并连一个旁路电阻R s ，模拟水汽的泄漏旁路。通过改变旁路电阻R s 的值，获取运行电压下氧化锌阀片受潮时的避雷器泄漏电流全电流与避雷器泄漏电流阻性电流。
图6是本发明实施例三提供的避雷器受潮时泄漏电流变化示意图，参考图6，图6的纵轴表示电流，单位是uA，横轴表示电阻，单位是MΩ，从图6中可以看出：随着受潮程度的增加，避雷器泄漏电流全电流逐渐增加，并且避雷器泄漏电流阻性电流的增速明显比避雷器泄漏电流全电流快。
当避雷器瓷套表面污秽严重时，图5所示避雷器的等效电路仿真模型中的等效电阻R 0 将减小，导致避雷器泄漏电流阻性电流增大。图7是本发明实施例三提供的避雷器受污秽影响时泄漏电流变化示意图，参考图7，图7中的纵轴表示电流，单位是uA，横轴表示电阻，单位是GΩ，从图7中可以看出：避雷器泄漏电流阻性电流的增速明显快于避雷器泄漏电流全电流。
通过改变避雷器的非线性参数，以仿真得到避雷器状态为劣化时的输出特征值集合；在至少一个非线性电阻的两端并联旁路电阻R s ，改变旁路电阻R s 的阻值，以仿真得到避雷器状态为受潮时的输出特征值集合；改变等效电阻R 0 的阻值，以仿真得到避雷器状态为污秽时的输出特征值结合。
可选地，避雷器的非线性特性由以下公式表示：
Figure DEST_PATH_IMAGE001
；
I为流过避雷器阀片电流，U为避雷器阀片端电压，k i 为决定避雷器阀片非线性特性的第一参数，a i 为决定避雷器阀片非线性特性第二参数。
避雷器阀片非线性特性的第一参数与阀片材料有关。避雷器阀片的电阻随端电压的变化而变化，因此，描述其非线性特性的函数为分段函数。图8是本发明实施例三提供的氧化锌避雷器伏安特性曲线示意图，参考图8，图中的纵坐标表示电流I、横坐标表示电压U。从图中可以看出，初始阶段处于线性区，电压达到参考电压Vref以后处于非线性区。其中k i 对应于线性区与非线性区分界点处的第一参数，a i 对应于线性区与非线性区分界点处的第二参数。氧化锌阀片发生劣化是一个缓慢的过程，在劣化初期仅表现为泄漏电流谐波含量的增加，而对阻性电流基波，容性电容的影响很微小。因此，可通过获取氧化锌避雷器运行电压下的泄漏电流，并对其成分加以分析实现对阀片劣化的识别。
图9是本发明实施例三提供的运行电压下避雷器谐波电流总畸变率与非线性特性 关系示意图，参考图9，图中的纵轴表示避雷器阀片非线性特性的第一参数K i 、横轴表示避 雷器阀片非线性特性第二参数a i 、竖轴表示避雷器谐波电流总畸变率。通过Simulink构建 避雷器等效电路，通过改变氧化锌阀片非线性特性，获得与之相对应的避雷器泄漏电流谐 波总畸变率。根据避雷器非线性特性公式
Figure 100002_DEST_PATH_IMAGE002
的计算结果得出结论：避雷器泄漏电流 总畸率随K i 值的变小而变大，随a i 值的变大而变小。其中，K i 值的变化对泄漏电流总畸率的 影响较敏感。
可选地，采用训练样本集进行随机森林模型训练，得到包括多个决策树的训练完成的随机森林模型，包括：
步骤一：采用有放回的抽取方式在训练样本集中的N个训练样本中抽取n个训练样本作为随机森林模型中决策树的根节点样本来训练决策树，其中n<N。
其中，训练样本集中训练样本个数N以及抽取的训练样本个数n可以根据实际需要进行设置，本发明实施例对具体个数并不进行限制。
步骤二：进行在每个训练样本的M个属性中随机选择m个属性，根据最大信息熵选择选取决策树的子节点的分裂属性，其中m<M。
需要说明的是属性是指避雷器泄漏电流全电流仿真数据序列和避雷器泄漏电流阻性电流仿真数据序列和避雷器泄漏电流谐波总畸变率第三仿真数据序列；最大信息熵是指决策树的划分采用最大信息增益原则，信息增益详见下述公式(7)。
步骤三：重复进行步骤二直至决策树的所有子节点不能再分裂，输出一个决策树模型。
步骤四：重复进行步骤一至步骤三，输出多个决策树模型构成训练完成的随机森林模型。
本实施例中，选取的特征集合均为连续值，因此，采用决策树算法训练数据，决策树的划分采用最大信息增益原则，信息增益可用公式(1)定义。
Figure DEST_PATH_IMAGE003
(1)
式中，D表示所有训练样本，a表示特征集合，特征集合可以为避雷器泄漏电流全电流仿真数据序列和避雷器泄漏电流阻性电流仿真数据序列和避雷器泄漏电流谐波总畸变率第三仿真数据序列，V表示特征a可能的取值集合。Ent(D)为信息熵的定义，如公式(2)所示：
Figure DEST_PATH_IMAGE004
(2)
式中，y为决策树的输出类别，输出类别分别为正常、受潮、污秽、劣化四类，P k 为第k个类别所对应的输出概率。
S340、将更新避雷器泄漏电流总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到避雷器的状态识别预测结果。
可选地，根据随机森林模型中输出相同状态的决策树模型的个数和随机森林模型所包括的决策树模型的总个数确定避雷器每个状态的概率。
随机森林的结合策略采用投票法，最后的输出结果为每个类别所对应的概率如公式(3)所示：
Figure DEST_PATH_IMAGE005
(3)
式中P k 为第k个类别所对应的输出概率，M为决策树个数，m k 为输出结果为第k个类别的决策树个数。
其中，决策数模型的个数作为参数可以根据实际需要进行设置，完成决策树模型个数的设置后，对数据集进行训练，训练好之后，结合随机森林模型的总个数，根据每个决策树相对应的预测结果进行统计，可确定避雷器每个状态的概率。示例性的，可以设置100个决策树，100个决策树都会得到100个预测结果，比如预测结果是受潮的有20个，正常的40个，劣化的有10个、污秽的有30个、总数是100个，这样可以求得避雷器受潮的概率为20%，避雷器正常的概率为40%，避雷器劣化的概率为10%，避雷器污秽的概率为30%。
本实施例通过仿真获取避雷器劣化、受潮或表面污秽时各特征量的变化情况，运用随机森林模型对数据进行训练，得出避雷器健康状态评价模型。然后根据该评价模型，利用避雷器在线监测的实时数据，实现对避雷器状态的实时跟踪。
实施例四
图10是本发明实施例四提供的一种基于在线监测数据的避雷器运行状态识别装置的结构示意图，本实施例对应上述方法实施例，该装置400包括：获取模块401、谐波消除模块402和预测模块403。
获取模块401用于获取避雷器在线监测数据，在线监测数据至少包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列。
谐波消除模块402用于将在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM-RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列。
预测模块403用于将更新避雷器泄漏电流总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到避雷器的状态识别预测结果。
本发明实施例所提供的基于在线监测数据的避雷器运行状态识别装置可执行本发明任意实施例所提供的基于在线监测数据的避雷器运行状态识别方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述避雷器运行状态识别确定装置的实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的一种基于在线监测数据的避雷器运行状态识别方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Ruby、Go，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，以及AI算法的计算机语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种基于在线监测数据的避雷器运行状态识别方法，其特征在于，包括：
获取避雷器在线监测数据，所述在线监测数据至少包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列；
建立运行电压下所述避雷器的等效电路仿真模型，并根据所述避雷器的等效电路仿真模型得到的仿真数据进行模型训练，得到训练完成的LSTM-RNN模型；
设置电压源的频率为电网标准频率，并随机设置避雷器的非线性参数以使非线性电阻的阻值随机，获取避雷器泄漏电流谐波总畸变率第一仿真数据序列；
随机设置所述电压源的谐波幅值，获取避雷器泄漏电流谐波总畸变率第二仿真数据序列，并获取避雷器电压谐波总畸变率仿真数据序列；
搭建LSTM-RNN初始模型，将所述避雷器泄漏电流谐波总畸变率第二仿真数据序列和所述避雷器电压谐波总畸变率仿真数据序列作为所述LSTM-RNN初始模型的输入，将所述避雷器泄漏电流谐波总畸变率第一仿真数据序列作为所述LSTM-RNN初始模型的输出进行模型训练，得到训练完成的所述LSTM-RNN模型；
将所述在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM-RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列；
改变所述避雷器的等效电路仿真模型的参数，分别仿真得到避雷器状态为正常、劣化、受潮、污秽时输出的特征值集合，所述特征值集合中包括避雷器泄漏电流全电流仿真数据序列和所述避雷器泄漏电流阻性电流仿真数据序列和避雷器泄漏电流谐波总畸变率第三仿真数据序列，并把所述特征值集合作为随机森林模型的训练样本集；
采用所述训练样本集进行随机森林模型训练，得到包括多个决策树的训练完成的随机森林模型；
将所述更新避雷器泄漏电流总畸变率在线数据序列、所述避雷器泄漏电流全电流在线数据序列和所述避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到所述避雷器的状态识别预测结果。
2.根据权利要求1所述的基于在线监测数据的避雷器运行状态识别方法，其特征在于，所述建立运行电压下所述避雷器的等效电路仿真模型，并根据所述避雷器的等效电路仿真模型得到的仿真数据进行模型训练，得到训练完成的LSTM-RNN模型，包括：
建立运行电压下所述避雷器的等效电路仿真模型，所述避雷器的等效电路仿真模型包括电压源和串联在所述电压源一侧的多个阻容单元，所述阻容单元包括串联的固定电阻和固定电容，所述避雷器的等效电路仿真模型多个非线性电阻，每个所述非线性电阻与一所述固定电容并联连接；
设置电压源的频率为电网标准频率，并随机设置避雷器的非线性参数以使所述非线性电阻的阻值随机，获取避雷器泄漏电流谐波总畸变率第一仿真数据序列；
随机设置所述电压源的谐波幅值，获取避雷器泄漏电流谐波总畸变率第二仿真数据序列，并获取避雷器电压谐波总畸变率仿真数据序列；
搭建LSTM-RNN初始模型，将所述避雷器泄漏电流谐波总畸变率第二仿真数据序列和所述避雷器电压谐波总畸变率仿真数据序列作为所述LSTM-RNN初始模型的输入，将所述避雷器泄漏电流谐波总畸变率第一仿真数据序列作为所述LSTM-RNN初始模型的输出进行模型训练，得到训练完成的所述LSTM-RNN模型。
3.根据权利要求1所述的基于在线监测数据的避雷器运行状态识别方法，其特征在于，在所述将所述更新避雷器泄漏电流总畸变率在线数据序列、所述避雷器泄漏电流全电流在线数据序列和所述避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到所述避雷器的状态识别预测结果之前，还包括：
建立运行电压下所述避雷器的等效电路仿真模型；
改变所述避雷器的等效电路仿真模型的参数，分别仿真得到避雷器状态为正常、劣化、受潮、污秽时输出的特征值集合，所述特征值集合中包括避雷器泄漏电流全电流仿真数据序列和所述避雷器泄漏电流阻性电流仿真数据序列和避雷器泄漏电流谐波总畸变率第三仿真数据序列，并把所述特征值集合所述随机森林模型的训练样本集；
采用所述训练样本集进行随机森林模型训练，得到包括多个决策树的训练完成的随机森林模型。
4.根据权利要求3所述的基于在线监测数据的避雷器运行状态识别方法，其特征在于，所述采用所述训练样本集进行随机森林模型训练，得到包括多个决策树的训练完成的随机森林模型，包括：
步骤一：采用有放回的抽取方式在所述训练样本集中的N个训练样本中抽取n个训练样本作为所述随机森林模型中决策树的根节点样本来训练决策树，其中n<N；
步骤二：进行在每个所述训练样本的M个属性中随机选择m个属性，根据最大信息熵选择选取所述决策树的子节点的分裂属性，其中m<M；
步骤三：重复进行所述步骤二直至所述决策树的所有子节点不能再分裂，输出一个决策树模型；
步骤四：重复进行所述步骤一至所述步骤三，输出多个决策树模型构成训练完成的随机森林模型。
5.根据权利要求3所述的基于在线监测数据的避雷器运行状态识别方法，其特征在于，所述避雷器的等效电路仿真模型包括电压源和串联在所述电压源一侧的多个阻容单元，所述阻容单元包括串联的固定电阻和固定电容，所述避雷器的等效电路仿真模型包括多个非线性电阻，每个所述非线性电阻与一所述固定电容并联连接；所述避雷器的等效电路仿真模型还包括避雷器腔体、瓷套与空气的等效电阻与等效电容，其中所述等效电阻与串联的多个阻容单元并联连接，所述等效电容与所述等效电阻并联连接；
所述改变所述避雷器的等效电路仿真模型的参数，分别仿真得到避雷器状态为正常、劣化、受潮、污秽时输出的特征值集合，所述特征值集合中包括避雷器泄漏电流全电流仿真数据序列和所述避雷器泄漏电流阻性电流仿真数据序列和避雷器泄漏电流谐波总畸变率第三仿真数据序列，并把所述特征值集合作为所述随机森林模型的训练样本集，包括：
改变所述避雷器的非线性参数，以仿真得到避雷器状态为劣化时的输出特征值集合；
在至少一个所述非线性电阻的两端并联旁路电阻，改变所述旁路电阻的阻值，以仿真得到避雷器状态为受潮时的输出特征值集合；
改变所述等效电阻的阻值，以仿真得到所述避雷器状态为污秽时的输出特征值结合。
6.根据权利要求2或5所述的基于在线监测数据的避雷器运行状态识别方法，其特征在于，所述避雷器的非线性特性由以下公式表示：
Figure DEST_PATH_IMAGE002
；
I为流过避雷器阀片电流，U为避雷器阀片端电压，k i 为决定避雷器阀片非线性特性的第一参数，a i 为决定避雷器阀片非线性特性第二参数。
7.根据权利要求3所述的基于在线监测数据的避雷器运行状态识别方法，其特征在于，将所述更新避雷器泄漏电流总畸变率在线数据序列、所述避雷器泄漏电流全电流在线数据序列和所述避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到所述避雷器的状态识别预测结果，包括：
根据所述随机森林模型中输出相同状态的决策树模型的个数和随机森林模型所包括的决策树模型的总个数确定所述避雷器每个状态的概率。
8.一种基于在线监测数据的避雷器运行状态识别装置，其特征在于，包括：
获取模块，用于获取避雷器在线监测数据，所述在线监测数据至少包括避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列、避雷器泄漏电流全电流在线数据序列和避雷器泄漏电流阻性电流在线数据序列；
谐波消除模块，用于建立运行电压下所述避雷器的等效电路仿真模型，并根据所述避雷器的等效电路仿真模型得到的仿真数据进行模型训练，得到训练完成的LSTM-RNN模型；设置电压源的频率为电网标准频率，并随机设置避雷器的非线性参数以使非线性电阻的阻值随机，获取避雷器泄漏电流谐波总畸变率第一仿真数据序列；随机设置所述电压源的谐波幅值，获取避雷器泄漏电流谐波总畸变率第二仿真数据序列，并获取避雷器电压谐波总畸变率仿真数据序列；搭建LSTM-RNN初始模型，将所述避雷器泄漏电流谐波总畸变率第二仿真数据序列和所述避雷器电压谐波总畸变率仿真数据序列作为所述LSTM-RNN初始模型的输入，将所述避雷器泄漏电流谐波总畸变率第一仿真数据序列作为所述LSTM-RNN初始模型的输出进行模型训练，得到训练完成的所述LSTM-RNN模型；将所述在线监测数据中避雷器泄漏电流总畸变率在线数据序列、避雷器电压谐波总畸变率在线数据序列输入训练完成的LSTM-RNN模型，得到消除电网谐波的更新避雷器泄漏电流总畸变率在线数据序列；
预测模块，用于改变所述避雷器的等效电路仿真模型的参数，分别仿真得到避雷器状态为正常、劣化、受潮、污秽时输出的特征值集合，所述特征值集合中包括避雷器泄漏电流全电流仿真数据序列和所述避雷器泄漏电流阻性电流仿真数据序列和避雷器泄漏电流谐波总畸变率第三仿真数据序列，并把所述特征值集合作为随机森林模型的训练样本集；采用所述训练样本集进行随机森林模型训练，得到包括多个决策树的训练完成的随机森林模型；将所述更新避雷器泄漏电流总畸变率在线数据序列、所述避雷器泄漏电流全电流在线数据序列和所述避雷器泄漏电流阻性电流在线数据序列输入到训练完成的随机森林模型，得到所述避雷器的状态识别预测结果。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的基于在线监测数据的避雷器运行状态识别方法。
CN202111344700.9A 2021-11-15 2021-11-15 一种基于在线监测数据的避雷器运行状态识别方法、装置 Active CN113792495B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111344700.9A CN113792495B (zh) 2021-11-15 2021-11-15 一种基于在线监测数据的避雷器运行状态识别方法、装置
PCT/CN2022/131878 WO2023083366A1 (zh) 2021-11-15 2022-11-15 基于在线监测数据的避雷器运行状态识别方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111344700.9A CN113792495B (zh) 2021-11-15 2021-11-15 一种基于在线监测数据的避雷器运行状态识别方法、装置

Publications (2)

Publication Number Publication Date
CN113792495A CN113792495A (zh) 2021-12-14
CN113792495B true CN113792495B (zh) 2022-04-01

Family

ID=78955192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111344700.9A Active CN113792495B (zh) 2021-11-15 2021-11-15 一种基于在线监测数据的避雷器运行状态识别方法、装置

Country Status (2)

Country Link
CN (1) CN113792495B (zh)
WO (1) WO2023083366A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792495B (zh) * 2021-11-15 2022-04-01 广东电网有限责任公司揭阳供电局 一种基于在线监测数据的避雷器运行状态识别方法、装置
CN116399405B (zh) * 2023-06-07 2023-09-15 国网上海市电力公司 一种基于多模态融合感知的绝缘子串状态诊断方法和系统
CN116910668B (zh) * 2023-09-11 2024-04-02 国网浙江省电力有限公司余姚市供电公司 一种避雷器故障预警方法、装置、设备及存储介质
CN116930667A (zh) * 2023-09-15 2023-10-24 广东电网有限责任公司 一种台区电网边缘测试方法、装置、设备及存储介质
CN117332410B (zh) * 2023-10-25 2024-04-12 北京航空航天大学 一种基于信息熵特征的电磁泄漏红黑信号辨识方法
CN117407675A (zh) * 2023-10-26 2024-01-16 国网青海省电力公司海北供电公司 基于多变量重构联合动态权重的避雷器泄漏电流预测方法
CN117493953B (zh) * 2023-10-31 2024-08-23 国网青海省电力公司海北供电公司 一种基于缺陷数据挖掘的避雷器状态评估方法
CN117435947A (zh) * 2023-12-20 2024-01-23 山东和兑智能科技有限公司 一种避雷器状态监测系统和方法
CN117949757B (zh) * 2024-01-31 2025-02-14 四川瑞霆智汇科技有限公司 避雷器监测方法及系统
CN118534364B (zh) * 2024-07-24 2024-10-15 中国电力科学研究院有限公司 计算避雷器阻性电流的方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650037A (zh) * 2016-11-30 2017-05-10 国网江苏省电力公司盐城供电公司 一种基于支持向量机回归的避雷器状态诊断方法
CN107367673A (zh) * 2017-08-16 2017-11-21 上海电力学院 一种避雷器阀片电阻运行状态诊断方法
CN110826750A (zh) * 2018-08-08 2020-02-21 阿里巴巴集团控股有限公司 一种电力负荷预测方法、装置、设备及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207336B (zh) * 2013-03-22 2015-02-04 中国电力科学研究院 一种避雷器运行模拟仿真系统
KR101553773B1 (ko) * 2014-05-13 2015-09-16 엘에스산전 주식회사 고전압 직류 송전 시스템의 피뢰기 검증 장치
CN109444637A (zh) * 2018-11-20 2019-03-08 武汉大学 一种考虑谐波影响的避雷器阻性电流计算方法
AU2019434963B2 (en) * 2019-03-11 2023-06-01 Hitachi Energy Ltd Leakage current based remote monitoring device and method for disconnector devices
CN111707971A (zh) * 2020-06-30 2020-09-25 国网冀北电力有限公司唐山供电公司 一种避雷器绝缘状态检测方法
CN112016246A (zh) * 2020-08-26 2020-12-01 国网湖南省电力有限公司长沙市望城区供电分公司 基于防雷效率预测的电磁泄流型避雷器分布优化方法
CN113255147B (zh) * 2021-06-04 2021-11-02 广东电网有限责任公司 Cvt电容量在线监测方法、装置、终端设备及存储介质
CN113792495B (zh) * 2021-11-15 2022-04-01 广东电网有限责任公司揭阳供电局 一种基于在线监测数据的避雷器运行状态识别方法、装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650037A (zh) * 2016-11-30 2017-05-10 国网江苏省电力公司盐城供电公司 一种基于支持向量机回归的避雷器状态诊断方法
CN107367673A (zh) * 2017-08-16 2017-11-21 上海电力学院 一种避雷器阀片电阻运行状态诊断方法
CN110826750A (zh) * 2018-08-08 2020-02-21 阿里巴巴集团控股有限公司 一种电力负荷预测方法、装置、设备及系统

Also Published As

Publication number Publication date
WO2023083366A1 (zh) 2023-05-19
CN113792495A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN113792495B (zh) 一种基于在线监测数据的避雷器运行状态识别方法、装置
CN112255484B (zh) 一种避雷器运行状态在线监测及评估方法和系统
Fernando et al. Leakage current patterns on contaminated polymeric surfaces
CN111756034B (zh) 基于图时空网络的电力系统暂态电压稳定评估方法
Bagheri et al. Effect of transformer winding mechanical defects, internal and external electrical faults and inrush currents on performance of differential protection
CN107063349A (zh) 一种诊断变压器故障的方法及装置
Khodsuz et al. Monitoring and identification of metal–oxide surge arrester conditions using multi‐layer support vector machine
Rashidi et al. LEs based framework for transient instability prediction and mitigation using PMU data
CN111044859A (zh) Gis设备的故障处理方法、存储介质及设备
Dobrić et al. The application of genetic algorithm in diagnostics of metal-oxide surge arrester
Wang et al. Application of extension neural network algorithm and chaos synchronization detection method to partial discharge diagnosis of power capacitor
Nikoofekr et al. Nature of fault determination on transmission lines for single phase autoreclosing applications
Sahebi et al. Efficient practical method for differential protection of power transformer in the presence of the fault current limiters
Pradhan et al. Condition assessment of outdoor porcelain insulator based on dielectric dissipation factor evaluated from non‐linear equivalent circuit
CN118311395B (zh) 一种电力电缆直流绝缘试验智能控制方法及系统
Shariatinasab et al. Development of an adaptive neural‐fuzzy inference system based meta‐model for estimating lightning related failures in polluted environments
Babayomi et al. Intelligent fault diagnosis in a power distribution network
Zhang et al. CNN‐LSTM based power grid voltage stability emergency control coordination strategy
Liang et al. Comprehensive study on tree‐contact single‐phase‐to‐ground faults: Modelling, risk analysis, and detection recommendations
CN116256592B (zh) 一种中压配电电缆潜伏性故障检测方法及系统
Zhao et al. Evaluating the contamination level of polluted insulators based on the characteristics of leakage current
Palangar et al. Detecting of unnormal conditions of polluted insulators based on analysis phase angle of leakage current
Chen et al. Assessing partial discharge intensity of electrical equipment based on UV detection and the ANFIS algorithm
Khodsuz et al. Surge Arrester Monitoring under Different Operating Conditions Using Bees-ANFIS.
Duan et al. Identification of current transformer saturation based on the improved gradient mathematical morphology method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant