【技术实现步骤摘要】
本专利技术属于避雷器监测，具体涉及一种基于机器学习算法的避雷器早期受潮预警方法。
技术介绍
1、氧化锌避雷器(moa)性能的好坏直接影响电力系统的安全运行。在实际运行中，氧化锌避雷器内部老化和受潮后，流过阀片的全电流会大幅增加，使阀片温度升高，当有过电压产生，可能使避雷器产生热崩溃，使避雷器失去保护作用，甚至发生避雷器爆炸。
2、由于避雷器受潮后，泄漏电流中的全电流会有明显的增大趋势，可以通过带电测试对全电流进行监测，全电流的增大同时也会导致局部发热，也可以通过红外测温对不同部位的温度进行监测。
3、但是，避雷器受潮早期，全电流及温度变化不明显的情况，无论是监测全电流或者监测温度，均难以准确地进行受潮故障的诊断。若能提前对可能存在受潮故障的避雷器进行定位，就能针对性的安排相关检修项目，减少避雷器受潮故障带来的危害。然而，当前的监测方法，均未能实现这一目标。
技术实现思路
1、本专利技术针对现有避雷器监测方法难以识别避雷器早期受潮的不足，提供一种基于机器学习算法的避雷器早期受潮预警方法，对避雷器的全电流和温度变化趋势进行预测，实现对处于早期受潮状态的避雷器的及时预警，以优化检修策略。
2、为实现上述目的，本专利技术采用如下技术方案：一种基于机器学习算法的避雷器早期受潮预警方法，所述基于机器学习算法的避雷器早期受潮预警方法包括：
3、构建模型，模型的输出为预测的受潮相关特征量；
4、获取故障避雷器在早期受潮阶段的受潮相关特征量
5、获取运行中的待监测避雷器的实测数据，当实测数据与模型预测数据的偏差达到预警阈值时，判断避雷器较大可能受潮，发出早期受潮预警。
6、本专利技术的基于机器学习算法的避雷器早期受潮预警方法，首先建立正常运行的避雷器的模型，然后获取受潮故障的避雷器故障检出时刻前一段时长的数据，将该数据与正常运行的避雷器的数据进行比对，得到预警阈值，当实测数据与预测数据的偏差达到预警阈值时，判断避雷器较大可能受潮，发出早期受潮预警，实现避雷器早期受潮预警。
7、作为改进，基于机器学习算法的避雷器早期受潮预警方法包括：
8、步骤s1、获取已正常运行一段时间的避雷器的数据作为样本集数据，样本集数据包括含有时间信息的受潮相关特征量，将样本集数据分为训练样本集和测试样本集；
9、步骤s2、使用机器学习模型对样本集数据进行训练和测试，得到学习后模型；
10、步骤s3、根据学习后模型得到正常运行的避雷器的受潮相关特征量的预测数据，将预测数据与得到的样本集数据进行比对，将二者做差并取绝对值的均值得到拟合偏差平均值；
11、步骤s4、筛选检测出受潮故障的同条件的避雷器，截取故障检出时刻前一定时长的数据，将该数据与正常运行的避雷器的数据进行比对，参考拟合偏差平均值提取波动较大的数据点，计算得到波动较大的数据点对应的偏差均值，将该偏差均值作为预警阈值的参考值；
12、步骤s5、获取运行中的待监测避雷器的实测数据，当实测数据与预测数据的偏差达到预警阈值时，判断避雷器较大可能受潮，发出早期受潮预警。
13、作为改进，步骤s1中，受潮相关特征量包括全电流和温度中的至少一个。
14、作为改进，步骤s1中，删去含有缺失值或波动异常的数据列，删去检出故障的避雷器的数据。
15、作为改进，步骤s1中，收集某变电站近十年避雷器的运行数据，将所得数据列统一截取成合适的长度，将数据列随机分为训练样本集和测试样本集。
16、作为改进，步骤s2中，使用不同的机器学习模型进行训练和测试，基于均方误差、平均绝对误差、平均相对误差绝对值和拟合优度四项指标对模型效果进行对比和评价，综合考虑时效性、稳定性和准确性选择最合适的机器学习模型，并对其参数进行优化。
17、作为改进，步骤s2中，机器学习模型包括长短期记忆网络模型。
18、作为改进，训练样本集和测试样本集的占比分别为80％和20％，将原本的时间序列形式的数据转换为输入输出形式，即时间序列中的前一个数据作为输入，后一个数据作为其输出，为了加速收敛对其进行缩放，将数据范围缩放至[-1,1]范围内，基于训练样本集数据对初始模型进行训练，使用训练好的模型遍历测试集数据，对输出进行逆缩放后得到预测结果，对预测效果进行评估。
19、作为改进，步骤s4中，波动较大的数据点的提取标准为高于拟合偏差平均值的两倍。
20、作为改进，步骤s1中，样本集数据还包括避雷器电压等级、避雷器外套类型、避雷器工作环境。
21、作为改进，步骤s4中，截取故障检出时刻前24h和48h的数据。
22、本专利技术的基于机器学习算法的避雷器早期受潮预警方法的有益效果是：首首先建立正常运行的避雷器的模型，然后获取受潮故障的避雷器故障检出时刻前一段时长的数据，将该数据与正常运行的避雷器的数据进行比对，得到预警阈值，当实测数据与预测数据的偏差达到预警阈值时，判断避雷器较大可能受潮，发出早期受潮预警，实现避雷器早期受潮预警。
本文档来自技高网...【技术保护点】
1.一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：所述基于机器学习算法的避雷器早期受潮预警方法包括：
2.根据权利要求1所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：构建模型的具体过程包括：
3.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤S1中，受潮相关特征量包括全电流和温度中的至少一个。
4.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤S1中，删去含有缺失值或波动异常的数据列，删去检出故障的避雷器的数据。
5.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤S1中，收集某变电站近十年避雷器的运行数据，将所得数据列统一截取成合适的长度，将数据列随机分为训练样本集和测试样本集。
6.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤S2中，使用不同的机器学习模型进行训练和测试，基于均方误差、平均绝对误差、平均相对误差绝对值和拟合优度四项指标对模型效果进
7.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤S2中，机器学习模型包括长短期记忆网络模型。
8.根据权利要求7所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：训练样本集和测试样本集的占比分别为80％和20％，将原本的时间序列形式的数据转换为输入输出形式，即时间序列中的前一个数据作为输入，后一个数据作为其输出，为了加速收敛对其进行缩放，将数据范围缩放至[-1,1]范围内，基于训练样本集数据对初始模型进行训练，使用训练好的模型遍历测试集数据，对输出进行逆缩放后得到预测结果，对预测效果进行评估。
9.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤S1中，样本集数据还包括避雷器电压等级、避雷器外套类型、避雷器工作环境。
10.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤S4中，波动较大的数据点的提取标准为高于拟合偏差平均值的两倍；步骤S4中，截取故障检出时刻前24h和48h的数据。
...【技术特征摘要】
1.一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：所述基于机器学习算法的避雷器早期受潮预警方法包括：
2.根据权利要求1所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：构建模型的具体过程包括：
3.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤s1中，受潮相关特征量包括全电流和温度中的至少一个。
4.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤s1中，删去含有缺失值或波动异常的数据列，删去检出故障的避雷器的数据。
5.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤s1中，收集某变电站近十年避雷器的运行数据，将所得数据列统一截取成合适的长度，将数据列随机分为训练样本集和测试样本集。
6.根据权利要求2所述的一种基于机器学习算法的避雷器早期受潮预警方法，其特征在于：步骤s2中，使用不同的机器学习模型进行训练和测试，基于均方误差、平均绝对误差、平均相对误差绝对值和拟合优度四项指标对模型效果进行对比和评价，综合考虑时效性、...
【专利技术属性】
技术研发人员：蒋鹏，杨帆，王文浩，韩睿，冯洋，姜雄伟，许映兰，柳姝姌，王一凡，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。