避雷器故障诊断方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种避雷器故障诊断方法、装置、电子设备及存储介质，其中方法包括：获取不同故障类型的避雷器故障样本；将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型，可以准确进行避雷器故障诊断，且系统具有极强的自组织能力与自学能力。且系统具有极强的自组织能力与自学能力。且系统具有极强的自组织能力与自学能力。

Lightning arrester fault diagnosis method, device, electronic equipment and storage medium

【技术实现步骤摘要】
避雷器故障诊断方法、装置、电子设备及存储介质


[0001]本专利技术涉及故障诊断
，尤其涉及一种避雷器故障诊断方法、装置、电子设备及存储介质。

技术介绍

[0002]中低压避雷器作为配网电气设备过电压保护的重要手段，对其故障状态的诊断对配网安全稳定运行具有十分重要的意义。传统的避雷器故障诊断方法，确实在理论上能够一定程度地反映避雷器的故障状态，但是在实际应用中的效果却不尽如人意。造成这一现象的主要原因是：避雷器的实际工作运行环境很复杂，温度、湿度、表面污秽等实际存在的现场因素使得实测数据的准确性降低，数据同期可比性较差，测量量难以作为最终结果的判断依据。

技术实现思路

[0003]本专利技术的主要目的在于提供一种避雷器故障诊断方法、装置、电子设备及存储介质，具有容错和容差能力，具有很强的自适应能力，能把识别处理和干预处理融合在一起；具有识别速度快、学习算法稳定、易于训练等特点。
[0004]为实现上述目的，本申请第一方面提供一种避雷器故障诊断方法，所述方法包括：
[0005]获取不同故障类型的避雷器故障样本；
[0006]将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；
[0007]将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型。
[0008]可选地，所述避雷器故障样本包括但不限于无间隙避雷器、带串联间隙避雷器和跌落式避雷器的故障样本。
[0009]可选地，所述神经网络包括输入层、隐含层和输出层；
[0010]所述输入层的输入设置包括但不限于避雷器的泄漏电流、阻性电流和三次谐波电流；
[0011]所述隐含层用于所述神经网络的计算且将计算结果输出到输出层；
[0012]所述输出层的分类设置包括但不限于避雷器受潮、避雷器阀片老化、避雷器阀片击穿和避雷器放电四种故障类型。
[0013]可选地，所述使神经网络对每种故障类型的所述避雷器故障样本进行学习，包括：
[0014]使所述神经网络基于预设的基函数和激励函数，对每种故障类型的所述避雷器故障样本进行学习，以修正所述神经网络的训练权值。
[0015]可选地，所述预设的基函数选用径向基函数；所述预设的激励函数选用tanh函数。
[0016]可选地，所述修正所述神经网络的训练权值，包括：
[0017]通过NAG算法以及预设的动量因子修正所述神经网络的训练权值。
[0018]可选地，所述将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型，包括：
[0019]将待测样本输入所述避雷器故障诊断模型进行处理，获得所述待测样本的输出神经元在输出层的位置；
[0020]根据所述待测样本的输出神经元在输出层的位置，确定所述待测样本的目标故障类型。
[0021]为实现上述目的，本申请第二方面提供一种避雷器故障诊断装置，包括：
[0022]获取模块，用于获取不同故障类型的避雷器故障样本；
[0023]训练模块，用于将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；
[0024]处理模块，用于将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型。
[0025]本申请第三方面提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面及其任一种可能的实现方式的步骤。
[0026]为实现上述目的，本申请第四方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如第一方面所述的方法中的各个步骤。
[0027]本申请提供一种避雷器故障诊断方法，通过获取不同故障类型的避雷器故障样本；将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型，可以准确进行避雷器故障诊断，且系统具有极强的自组织能力与自学能力，相较于其它故障诊断方法具有较多明显优势：具有容错和容差能力，具有很强的自适应能力；能把识别处理和干预处理融合在一起；具有识别速度快、学习算法稳定、易于训练等特点。
附图说明
[0028]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0029]其中：
[0030]图1为本申请实施例所提供的一种避雷器故障诊断方法的流程示意图；
[0031]图2为本申请实施例所提供的一种神经网络模型结构示意图；
[0032]图3为本申请实施例所提供的一种避雷器故障诊断装置的结构示意图；
[0033]图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0034]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0035]本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0036]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0037]本申请实施例中提到的避雷器是用于保护电气设备免受高瞬态过电压危害并限制续流时间也常限制续流幅值的一种电器。
[0038]本申请实施例中涉及的神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种避雷器故障诊断方法，其特征在于，所述方法包括：获取不同故障类型的避雷器故障样本；将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型。2.根据权利要求1所述方法，其特征在于，所述避雷器故障样本包括但不限于无间隙避雷器、带串联间隙避雷器和跌落式避雷器的故障样本。3.根据权利要求2所述方法，其特征在于，所述神经网络包括输入层、隐含层和输出层；所述输入层的输入设置包括但不限于避雷器的泄漏电流、阻性电流和三次谐波电流；所述隐含层用于所述神经网络的计算且将计算结果输出到输出层；所述输出层的分类设置包括但不限于避雷器受潮、避雷器阀片老化、避雷器阀片击穿和避雷器放电四种故障类型。4.根据权利要求1所述方法，其特征在于，所述使神经网络对每种故障类型的所述避雷器故障样本进行学习，包括：使所述神经网络基于预设的基函数和激励函数，对每种故障类型的所述避雷器故障样本进行学习，以修正所述神经网络的训练权值。5.根据权利要求4所述方法，其特征在于，所述预设的基函数选用径向基函数；所述预设的激励函数选用tanh函数。6.根据权利要求4所述方法，其特征在于，...

【专利技术属性】
技术研发人员：王科，项恩新，徐肖伟，秦忠，张贵鹏，李荣秦，李学芳，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：