【技术实现步骤摘要】
本专利技术属于配网避雷器状态评估，具体涉及一种基于缺陷数据挖掘的避雷器状态评估方法。
技术介绍
1、避雷器是变电站中重要的过电压保护设备，其正常运行对变电站的安全稳定运行具有重要意义。但避雷器在内部受潮、阀片老化等因素的影响下，其电阻片劣化，阻性电流增长，在运行电压或过电压情况下易发生故障或发热，严重时甚至爆炸，影响配网的运行安全。
2、为保证避雷器安全运行，配网避雷器在线监测技术已得到广泛应用。现有研究已提出泄漏电流、阻性电流、阻性电流三次谐波、五次谐波等多个避雷器评价指标，并制定了相应的检修试验规程和趋势分析方法实现避雷器的状态评价。但外部温湿度以及工频电磁场干扰会导致阻性电流的预测误差偏大，影响分析结果。同时也提出了在线参数修正方法，但建立的温度、湿度、全电流三维曲面模型具有一定的复杂性，谐波补偿法也只能针对基波电压下的阻性电流进行提取，大多数是利用监测、试验数据中选取的多个指标量，在指标组合权重计算的基础上，对运行风险进行综合量化评估。现有研究也将人工智能手段应用于设备故障诊断，但其应用一般基于样本的多样性，明确设备故障类型以及特征量，需收集一定量的数据才能实现准确评估。因此对于时序数据的预测和提取直接来判断状态限制性过大。不同于对时序数据的预测和提取并设置相关阈值的状态分析，我们基于层次聚类算法，从设备的运行数据挖掘出避雷器缺陷数据，以原子聚类、原子簇合并、基于层次聚类算法的缺陷数据识别三步骤以及自适应编解码框架将缺陷数据降维进而提取特征，并设成基于综合维度的神经网络的状态分类模型的输入数据。通过设置缺陷特
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供一种基于缺陷数据挖掘的避雷器状态评估方法，引入层次聚类算法、自适应编解码和卷积神经网络模型，实现状态的准确分类和评估。
2、为达到上述目的，本专利技术采用以下技术方案：
3、一种基于缺陷数据挖掘的避雷器状态评估方法，其特点在于，包括如下步骤：
4、步骤1：获取多支避雷器的运行数据，包括避雷器运行电压、泄漏电流、阻性电流、动作次数；并利用层次聚类法从所述运行数据中挖掘缺陷数据，如果没有缺陷数值表明设备运行正常；
5、步骤2：构建避雷器缺陷特征指标集，包括种类特征和数值特征设置缺陷分类状态标签；
6、步骤3：构建自动编码器网络结构和特征提取的流程，并且利用该降维的数据部分，作为后续所提出的缺陷状态评估分类器的训练数据和检测数据；
7、步骤4：对数据进行基于自动编码器的特征提取之后，将生成的低维度特征向量作为综合维度卷积神经网络的输入，经过综合维度卷积分类器的不断训练，实现避雷器设备状态分类。
8、进一步，从所述运行数据挖掘避雷器缺陷数据的方法，包括：
9、输入：不存在设备运行数据分类信息的聚类族集合、标准聚类族密度、设备正常运行数据和设备缺陷数据比率参数，输出：存在设备运行数据分类信息的聚类簇集合；
10、将聚类簇集合gd中聚类簇按照从大至小的顺序进行排列，@运算正常聚类簇的密度，运算各个聚类簇密度和正常聚类簇密度之比，如果此比值不大于缺陷数据比率参数s，则隶属为缺陷数据；如果没有挖掘出缺陷数数据则认为状态正常，评估结束。
11、进一步，所述的设置缺陷分类状态标签，把设备缺陷根据严重程度依次设成正常，老化，受潮，污秽。
12、进一步，所述的自动编码器网络结构包括输入层与输出层以及中间的隐藏层，整体流程主要包含初始化参数，预训练，微调后得到结果。
13、进一步，指标体系采用自动编码器算法进行特征提取，具体步骤如下：
14、步骤1：参数初始化：初始迭代次数设为0，预训练和微调的最大迭代次数均为200，将自动编码器设置为5层网络结构；
15、步骤2：预训练：将处理后的指标数据{z1，··，z15作为输入，通过调整权值得到输出，达到最大迭代次数之后，获得1维特征值，该降维后的特征值并不是具体的物理指标，但基本表示了原15维指标数据；
16、步骤3：微调：采用交叉函数，进而调整预训练得到初始权值，若达到最大迭代次数时，则得到最终的结果，否则继续达代。
17、进一步，所述综合维度卷积神经网络由输入层，“cnn层”和mlp层以及输出层组成；
18、卷积和子采样层的融合为“cnn层”，把剩下的层为mlp，迭代流程表示如下：
19、(1)初始化所有权重；
20、(2)对于每层网络循环迭代：
21、对于数据集中的每个样本循环迭代：
22、fp：从输入层向前传播到输出层，可以得找每个层的每个神经元的输出；
23、bp：在输出层计算增量误差并将其反向传播到一个隐藏层来计算增量误差为；
24、pp：后处理来计算误差对于权重和偏置的导数。
25、更新：用后处理中计算的偏导数更新权重和偏置。
26、与现有技术相比，本专利技术的有益效果是从设备的运行数据挖掘出避雷器缺陷数据，相比于以往的根据完备的历史数据或者预测数据评估避雷器的运行状态，本专利技术所需要的数据量大大减小，通过对缺陷数据的精准降维是的计算效率进一步提升的同时达到较好的评估结果。
本文档来自技高网...【技术保护点】
1.一种基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，包括：
2.根据权利要求1基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，从所述运行数据挖掘避雷器缺陷数据的方法，包括：
3.根据权利要求1基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，所述的设置缺陷分类状态标签，把设备缺陷根据严重程度依次设成正常，老化，受潮，污秽。
4.根据权利要求1基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，所述的自动编码器网络结构包括输入层与输出层以及中间的隐藏层，整体流程主要包含初始化参数，预训练，微调后得到结果。
5.根据权利要求4基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，指标体系采用自动编码器算法进行特征提取，具体步骤如下：
6.根据权利要求1基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，所述综合维度卷积神经网络由输入层，“CNN层”和MLP层以及输出层组成；
【技术特征摘要】
1.一种基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，包括：
2.根据权利要求1基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，从所述运行数据挖掘避雷器缺陷数据的方法，包括：
3.根据权利要求1基于缺陷数据挖掘的避雷器状态评估方法，其特征在于，所述的设置缺陷分类状态标签，把设备缺陷根据严重程度依次设成正常，老化，受潮，污秽。
4.根据权利要求1基于缺陷数据挖掘的避雷器状态评估...
【专利技术属性】
技术研发人员：罗毅，李东生，丁海波，马益鑫，曾博，李刚，朱朝平，常宽，张元月，庞伟生，杨振宇，魏中，李亮，陈凯，陈苹苹，庞磊，曹有锦，代珍山，郑高洁，许宝宏，柳强明，马明忠，刘一帆，朱锦伟，黄腾，李振兴，孙永柯，张雁君，
申请(专利权)人：国网青海省电力公司海北供电公司，
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。