基于多通道深度卷积Q-learning的变电站开关柜状态监测方法技术

本发明专利技术公开了基于多通道深度卷积Q

【技术实现步骤摘要】
基于多通道深度卷积Q
‑
learning的变电站开关柜状态监测方法


[0001]本专利技术属于变电站开关柜状态智能监测
，具体地说，涉及一种基于多通道深度卷积Q
‑
learning的变电站开关柜状态监测方法。

技术介绍

[0002]变电站开关柜的主要任务是保护与控制配电系统，其运行状态直接影响到电力系统供电的安全性和稳定性。开关柜在工作过程中，会受到高温高电压和振动的影响，这将会降低其绝缘性能，并导致局部放电，进而给电力系统的造成严重的经济损失，甚至危机人生安全。因此实时监测变电站开关柜运行状态，能够及时发现其潜在故障风险以便有目的地对开关柜进行排查和维护。当前对开关柜的状态监测技术主要是采用温度监测和局部电压监测，如光纤测温、接触式测温和高频电流检测技术等，这些监测方法都需要直接接触监测设备，会影响到监测设备的正常运行；而且传统的监测手段都相对独立，无法将开关柜的多种监测数据进行综合分析，不能反映其真实的运行状态，甚至判断失误。因此，有必要开发能够充分挖掘开关柜监测数据的潜在信息的智能监测算法，实现开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多通道深度卷积Q
‑
learning的变电站开关柜状态监测方法，其特征在于：具体步骤如下：S1、信号采集系统采集变电站开关柜的多通道复合信号；S2、分解开关柜的多通道复合信号，堆叠多通道复合信号并生成样本集；S3、在每一阶段采用从样本集中交替选择样本策略，并确保每个样本的出现具有相同的概率；S4、在当前时间步长中，代理观察从环境反馈的当前状态，并选择最佳操作策略以预测状态类别，其中环境基于操作策略和示例标签返回当前奖励；待当前时间步长完成后继续执行下一时间步长，直到在一个训练中达到最大时间步长；S5、重复步骤S3和S4直到训练迭代次数达到设定值，深度Q
‑
Learning通过使用损失函数更新时序卷积神经网络参数；S6、连续执行步骤S3
–
S5直到网络误差达到阈值停止，将训练好的模型应用于变电站开关柜状态监测。2.根据权利要求1所述的基于多通道深度卷积Q
‑
learning的变电站开关柜状态监测方法，其特征在于：所述步骤S2中具体的工艺步骤如下：对采集到的变电站开关柜的温度、电压和电流三通道复合信号进行同步叠加，获取得到三通道复合信号的样本集，三通道的复合信号分别为x＝{x1，x2，...，x
T
}、Y＝{y1，y2，...，y
T
}和z＝{z1，z2,...，z
T
}，堆叠后样本集输入信号为F＝{(x1,y1,z1),(x2,y2,z2),...,(x
T
,y
T
,z
T
)},其中T表示监测时间。3.根据权利要求1所述的基于多通道深度卷积Q
‑
learning的变电站开关柜状态监测方法，其特征在于：所述步骤5)中的时序卷积神经网络模型由输入层、卷积层、池化层、全连接层和输出层五种类型组成，该模型用于处理由三通道堆叠转换而来的大小为3
×
4096信号；其输入层的输入为堆叠样本集信号；时序卷积层使用一维卷积方法，采用边缘0填充法来确保信号大小在被输入到卷积层和池化层后保持不变；同时第一卷积层用于有效地组合三信道数据，卷积核的大小为1
×
k，k表示信道数，填充值为0；具有相同时间节点的多信道数据在该层中混合，防止不同时间节点的数据混合。4.根据权利要求1所述的基于多通道深度卷积Q
‑
learning的变电站开关柜状态监测方法，其特征在于：步骤S4改进的Q
‑
Learning算法用于状态识别的四个部分即环境、神经网络、奖励和损失函数：所述环境采用策略是在每集从样本集中交替选择T个样本，并确保每个状态样...

【专利技术属性】
技术研发人员：刘益志，
申请(专利权)人：四川智仟科技有限公司，
类型：发明
国别省市：