一种避雷器缺陷识别方法技术

本申请实施例提供了一种避雷器缺陷识别方法

【技术实现步骤摘要】
一种避雷器缺陷识别方法、装置及电子设备


[0001]本申请涉及故障检测
，尤其涉及一种避雷器缺陷识别方法
、
装置及电子设备
。

技术介绍

[0002]避雷器是电网中重要的过电压保护设备，避雷器的正常运行决定了电力系统是否能够安全
、
稳定地运行
。
目前，金属避雷器
MOA(Metal
‑
Oxide Arresters)
因其具有优良的电气性能，已普遍取代了传统的碳化硅的避雷器
。
但是，金属避雷器仍会因为缺陷导致电气性能降低而进一步导致稳定性降低
。
[0003]因此，如何准确识别
MOA
避雷器存在的缺陷，成为提升电力系统的稳定性亟需解决的技术问题
。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种避雷器缺陷识别方法
、
装置及电子设备，以提高
MOA
避雷器缺陷识别准确性，进一步提升电力系统的稳定性
。
[0005]第一方面，本申请实施例提供了一种避雷器缺陷识别方法，其中，所述方法包括：
[0006]获取目标缺陷样本数据，其中，所述缺陷样本数据中包括避雷器产生的若干种特征参量数据；
[0007]以所述目标缺陷样本数据作为训练样本数据，对初始缺陷识别模型进行训练，以得到目标缺陷识别模型；
[0008]将目标避雷器当前产生的若干类型的特征参量数据输入至所述目标缺陷识别模型中，输出所述目标避雷器存在的缺陷类型
。
[0009]结合第一种可能的实施例，在第二种可能的实施例中，所述目标缺陷样本数据包括历史缺陷样本数据以及扩展后的缺陷样本数据，所述扩展后的缺陷样本数据通过如下方式得到：
[0010]获取历史缺陷样本数据，其中，所述历史缺陷样本数据为电力系统中避雷器历史产生的缺陷记录数据；
[0011]将所述历史缺陷样本数据输入至目标缺陷样本数据扩展模型中，以得到所述扩展后的缺陷样本数据，其中，所述目标缺陷样本数据扩展模型为基于预设数据扩展规则构建的神经网络型，所述预设数据扩展规则基于所述不同类型的特征参量数据之间的贝叶斯概率构建得到的
。
[0012]结合第一方面的第二种可能的实施例，在第三种可能的实施例中，所述方法还包括：
[0013]将所述目标缺陷样本数据扩展模型与所述缺陷识别模型级联，以得到目标缺陷预警模型；
[0014]利用所述目标缺陷预警模型，基于所述目标缺陷识别模型输出的目标避雷器存在
的缺陷类型，按照预设预警策略，输出预警信号
。
[0015]结合第一方面的第二种可能的实施例，在第四种可能的实施例中，所述历史缺陷样本数据包括待分类缺陷样本数据，所述将所述历史缺陷样本数据输入至目标缺陷样本数据扩展模型中，以得到所述扩展后的缺陷样本数据包括：
[0016]将所述历史缺陷样本数据输入至所述目标缺陷样本数据扩展模型中，借助所述目标缺陷样本数据扩展模型，计算出待分类缺陷样本数据的分类结果的后验概率；
[0017]确定所述分类结果的后验概率大于预设后验概率阈值的第一目标待分类缺陷样本数据为扩展后的缺陷样本数据
。
[0018]结合第一方面的第四种可能的实施例，在第五种可能的实施例中，所述方法还包括：
[0019]将所述电力系统中避雷器的历史缺陷检查数据，输入至所述目标缺陷样本数据扩展模型中，其中，所述历史缺陷检查数据包括：正常状态检查数据
、
老化状态检查数据
、
受潮状态检查数据
、
污秽状态检查数据；
[0020]借助所述目标缺陷样本数据扩展模型，以所述分类结果的后验概率大于预设后验概率阈值的第二目标待分类缺陷样本数据作为先验信息；计算各所述历史缺陷检查数据，在所述先验信息发生的情况下发生的条件概率；
[0021]确定所述条件概率大于预设条件概率阈值的第二目标待分类缺陷样本数据为扩展后的缺陷样本数据
。
[0022]第二方面，本申请实施例提供了一种避雷器缺陷识别装置，其中，所述装置包括：
[0023]第一获取模块，用于获取目标缺陷样本数据，其中，所述缺陷样本数据中包括避雷器产生的若干种特征参量数据；
[0024]训练模块，用于以所述目标缺陷样本数据作为训练样本数据，对初始缺陷识别模型进行训练，以得到目标缺陷识别模型；
[0025]缺陷识别模块，用于将目标避雷器当前产生的若干类型的特征参量数据输入至所述目标缺陷识别模型中，输出所述目标避雷器存在的缺陷类型
。
[0026]结合第二方面，在第二种可能的实施例中，所述目标缺陷样本数据包括历史缺陷样本数据以及扩展后的缺陷样本数据，所述装置还包括：
[0027]第二获取模块，用于获取历史缺陷样本数据，其中，所述历史缺陷样本数据为电力系统中避雷器历史产生的缺陷记录数据；
[0028]第三获取模块，用于将所述历史缺陷样本数据输入至目标缺陷样本数据扩展模型中，以得到所述扩展后的缺陷样本数据，其中，所述目标缺陷样本数据扩展模型为基于预设数据扩展规则构建的神经网络型，所述预设数据扩展规则基于所述不同类型的特征参量数据之间的贝叶斯概率构建得到的结合第二方面的第二种可能的实施例，在第三种可能的实施例中，所述装置还包括：
[0029]模型构建模块，用于将所述目标缺陷样本数据扩展模型与所述缺陷识别模型级联，以得到目标缺陷预警模型；
[0030]预警模块，用于利用所述目标缺陷预警模型，基于所述目标缺陷识别模型输出的目标避雷器存在的缺陷类型，按照预设预警策略，输出预警信号
。
[0031]结合第二方面的第二种可能的实施例，在第四种可能的实施例中，所述装置还包
括：
[0032]概率计算模块，用于将所述历史缺陷样本数据输入至所述目标缺陷样本数据扩展模型中，借助所述目标缺陷样本数据扩展模型，计算出待分类缺陷样本数据的分类结果的后验概率；
[0033]第一确定模块，用于确定所述分类结果的后验概率大于预设后验概率阈值的第一目标待分类缺陷样本数据为扩展后的缺陷样本数据
。
[0034]结合第二方面的第四种可能的实施例，在第五种可能的实施例中，所述装置还包括：
[0035]输入模块，用于将所述电力系统中避雷器的历史缺陷检查数据，输入至所述目标缺陷样本数据扩展模型中，其中，所述历史缺陷检查数据包括：正常状态检查数据
、
老化状态检查数据
、
受潮状态检查数据
、
污秽状态检查数据；
[0036]所述概率计算模块，用于借助所述目标缺陷样本数据扩展模型，以所述分类结果的后验概率大于预设后验概率阈值的第二目标待分类缺陷样本数据作为先验信息；计算各所述历史缺陷检查数据，在所述先验信息发生的情况下发生的条件概率；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种避雷器缺陷识别方法，其特征在于，所述方法包括：获取目标缺陷样本数据，其中，所述缺陷样本数据中包括避雷器的若干种特征参量数据；以所述目标缺陷样本数据作为训练样本数据，对初始缺陷识别模型进行训练，以得到目标缺陷识别模型；将目标避雷器当前产生的若干类型的特征参量数据输入至所述目标缺陷识别模型中，借助所述目标缺陷识别模型，输出所述目标避雷器存在的缺陷类型
。2.
根据权利要求1所述的方法，其特征在于，所述目标缺陷样本数据包括历史缺陷样本数据以及扩展后的缺陷样本数据，所述扩展后的缺陷样本数据通过如下方式得到：获取历史缺陷样本数据，其中，所述历史缺陷样本数据为电力系统中避雷器历史产生的缺陷记录数据；将所述历史缺陷样本数据输入至目标缺陷样本数据扩展模型中，以得到所述扩展后的缺陷样本数据，其中，所述目标缺陷样本数据扩展模型为基于预设数据扩展规则构建的神经网络型，所述预设数据扩展规则基于所述不同类型的特征参量数据之间的贝叶斯概率构建得到的
。3.
根据权利要求2所述的方法，其特征在于，所述方法还包括：将所述目标缺陷样本数据扩展模型与所述缺陷识别模型级联，以得到目标缺陷预警模型；利用所述目标缺陷预警模型，基于所述目标缺陷识别模型输出的目标避雷器存在的缺陷类型，按照预设预警策略，输出预警信号
。4.
根据权利要求2所述的方法，其特征在于，所述历史缺陷样本数据包括待分类缺陷样本数据，所述将所述历史缺陷样本数据输入至目标缺陷样本数据扩展模型中，以得到所述扩展后的缺陷样本数据包括：将所述历史缺陷样本数据输入至所述目标缺陷样本数据扩展模型中，借助所述目标缺陷样本数据扩展模型，计算出待分类缺陷样本数据的分类结果的后验概率；确定所述分类结果的后验概率大于预设后验概率阈值的第一目标待分类缺陷样本数据为扩展后的缺陷样本数据
。5.
根据权利要求4所述的方法，其特征在于，所述方法还包括：将所述电力系统中避雷器的历史缺陷检查数据，输入至所述目标缺陷样本数据扩展模型中，其中，所述历史缺陷检查数据包括：正常状态检查数据
、
老化状态检查数据
、
受潮状态检查数据
、
污秽状态检查数据；借助所述目标缺陷样本数据扩展模型，以所述分类结果的后验概率小于预设后验概率阈值的第二目标待分类缺陷样本数据作为先验信息；计算各所述历史缺陷检查数据，在所述先验信息发生的情况下发生的条件概率；确定所述条件概率大于预设条件概率阈值的第二目标待分类缺陷样本数据为扩展后的缺陷样本数据
。6.
一种避雷器缺陷识别装置，其特征在于，所述装置包括：第一获取模块，用于获取目标缺陷样本数据，其中，所述缺陷样本数据中包括避雷器的...

【专利技术属性】
技术研发人员：齐定强，钟宁，于仁龙，
申请(专利权)人：西安力传智能技术有限公司，
类型：发明
国别省市：