一种配网避雷器状态监测方法、系统及存储介质

技术领域

本发明涉及避雷器检测技术领域，更具体的说是涉及一种配网避雷器状态监测方法、系统及存储介质。

背景技术

避雷器是用于保护配网系统中线路及电气设备免受雷击时高瞬态过电压、操作过电压、工频暂态过电压的危害，并限制续流时间，也常限制续流赋值的一种电器，避雷器有时也称为过电压保护器或过电压限制器。避雷器连接在线缆和大地之间，通常与被保护设备并联，可以有效地保护电气设备。当电气设备在正常工作电压下运行时，避雷器不会产生作用，对地面来说视为断路；当出现高电压且危及被保护设备绝缘时，避雷器立即动作，将高电压冲击电流导向大地，从而限制电压幅值，保护电力线路和设备；当过电压消失后，避雷器迅速恢复原状，使电气设备正常工作。

避雷器作为配网系统重要的过电压保护设备，其本身运行状况的优劣将直接影响到配网系统的安全。由于长期在高电压等级以及户外的环境下运行，避雷器的工作性能会出现变化，并且易发生损坏，而避雷器发生故障的后果很严重，不仅会丧失保护设备及线路的基本功能，甚至还会造成配网系统过电压事故。因此，对配网系统中避雷器进行带电检测显得尤为重要。

而传统的对避雷器状态监测技术中仅通过阻性电流这一因素进行绝缘性的判断，具有判断结果不准确，不全面的缺陷。如专利号CN114660387A，公开了一种基于泄漏电流传感器和BP神经网络算法的避雷器监控方法，但是该方法是通过分析得到单独由避雷器引起的三次谐波电流分量，并建立阻性电流三次谐波与总的阻性电流之间的关系，未涉及到环境温度以及待测避雷器表面测量温度之间的关系，也没有涉及到测避雷器表面测量温度与泄漏电流之间的关系，无法全面反映配网避雷器的状态，最终得到状态结果也就无法在配网系统运行时，给予准确的数据支持。

因此，如何提供一种配网避雷器状态监测方法、系统及存储介质是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种配网避雷器状态监测方法、系统及存储介质，用以解决上述现有技术中存在的技术问题。

为了实现上述目的，本发明提供如下技术方案：

一方面，本发明提供了一种配网避雷器状态监测方法，包括以下步骤：

采集待测避雷器的表面测量温度以及对应的泄漏电流；

建立初始深度置信网络模型，并对所述初始深度置信网络模型训练及优化，得到最终的深度置信网络模型；

将避雷器表面目标温度以及对应的泄漏电流作为输入量输入至所述深度置信网络模型，输出故障状态；

整合配电网中所有避雷器的故障状态，得到配网避雷器状态评估结果，对配网避雷器进行在线监测。

可选的，所述采集待测避雷器的表面测量温度以及对应的泄漏电流，包括：

采集当前环境温度以及待测避雷器当前表面测量温度，计算当前环境温度以及待测避雷器当前表面测量温度之间的关系系数；

基于关系系数，采用补偿法得到待测避雷器表面测量温度下对应的泄漏电流。

可选的，所述采集当前环境温度以及待测避雷器当前表面测量温度，计算当前环境温度以及待测避雷器当前表面测量温度之间的关系系数，包括：

式中，δ

可选的，基于关系系数，采用补偿法得到待测避雷器表面测量温度下对应的泄漏电流，包括：

T

式中，T

可选的，所述建立初始深度置信网络模型，并对所述初始深度置信网络模型训练及优化，得到最终的深度置信网络模型，包括：

设置所述初始深度置信网络模型的输入层、可视层、隐含层、多层前馈神经网络层以及输出层；

采用逐层地无监督贪婪学习来训练初始深度置信网络模型中的可视层及隐含层；

采用监督学习对最后一层的多层前馈神经网络进行训练，得到最终的深度置信网络模型。

可选的，设置所述初始深度置信网络模型的输入层、可视层、隐含层、多层前馈神经网络层以及输出层，其中，依据调整后的待测避雷器表面测量温度以及对应的泄漏电流，列出避雷器运行状态类型；

根据输出状态类型确定输入层节点个数，并设置输出层节点数唯一，表示故障状态，其中，0表示正常，1表示故障。

可选的，采用逐层地无监督贪婪学习来训练初始深度置信网络模型中的可视层及隐含层，包括：

计算可视层h

式中，b

可选的，采用监督学习对最后一层的多层前馈神经网络进行训练，得到最终的深度置信网络模型，包括：将最后一层RBM的输出由BP输入端传到输出端，然后根据前向传播的输出结果与预期值的误差从输出端到输入端进行反向传播，对整个深度置信网络模型的参数进行微调，直到迭代次数达到设定值为止，结束训练，得到最终的深度置信网络模型。

另一方面，本发明提供了一种配网避雷器状态监测系统，包括：

采集模块，用于采集避雷器的表面测量温度以及对应的泄漏电流；

构建模块，用于建立初始深度置信网络模型，并对所述初始深度置信网络模型训练及优化，得到最终的深度置信网络模型；

监测模块，用于将待测避雷器表面目标温度以及对应的泄漏电流作为输入量输入至所述深度置信网络模型，输出故障状态；

整合模块，用于整合配电网中所有避雷器的故障状态，得到配网避雷器状态评估结果，对配网避雷器进行在线监测。

再一方面，本发明还提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现配网避雷器状态监测方法的步骤。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种配网避雷器状态监测方法、系统及存储介质，将环境温度作为判断避雷器状态因素，建立环境温度与待测避雷器表面测量温度之间的关系，以及建立测避雷器表面测量温度与泄漏电流之间的关系，实现基于泄漏电流与温度参数对配网避雷器状态进行全面监控，同时，本发明构建并训练得到的深度置信网络模型比传统BP神经网络、SVM算法的拟合精度更高，实现避雷器运行状态的准确在线监测，提高电力配网系统运行可靠性。

附图说明

为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明的方法流程示意图；

图2为本发明的系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种配网避雷器状态监测方法、系统及存储介质，该方法包括：采集待测避雷器的表面测量温度以及对应的泄漏电流；建立初始深度置信网络模型，并对初始深度置信网络模型训练及优化，得到最终的深度置信网络模型；将避雷器表面目标温度以及对应的泄漏电流作为输入量输入至深度置信网络模型，输出故障状态；整合配电网中所有避雷器的故障状态，得到配网避雷器状态评估结果，对配网避雷器进行在线监测。通过本发明能够实现避雷器运行状态的全面、准确在线监测，提高电力配网系统运行可靠性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参见图1所示，本发明实施例公开了一种配网避雷器状态监测方法，包括以下步骤：

采集待测避雷器的表面测量温度以及对应的泄漏电流；

建立初始深度置信网络模型，并对初始深度置信网络模型训练及优化，得到最终的深度置信网络模型；

将避雷器表面目标温度以及对应的泄漏电流作为输入量输入至深度置信网络模型，输出故障状态；

整合配电网中所有避雷器的故障状态，得到配网避雷器状态评估结果，对配网避雷器进行在线监测。

在一个具体实施例中，采集待测避雷器的表面测量温度以及对应的泄漏电流，包括：

采集当前环境温度以及待测避雷器当前表面测量温度，计算当前环境温度以及待测避雷器当前表面测量温度之间的关系系数；

基于关系系数，采用补偿法得到待测避雷器表面测量温度下对应的泄漏电流。

在一个具体实施例中，采集当前环境温度以及待测避雷器当前表面测量温度，计算当前环境温度以及待测避雷器当前表面测量温度之间的关系系数，包括：

式中，δ

在一个具体实施例中，基于关系系数，采用补偿法得到待测避雷器表面测量温度下对应的泄漏电流，包括：

T

式中，T

在一个具体实施例中，建立初始深度置信网络模型，并对初始深度置信网络模型训练及优化，得到最终的深度置信网络模型，包括：

设置初始深度置信网络模型的输入层、可视层、隐含层、多层前馈神经网络层以及输出层；

采用逐层地无监督贪婪学习来训练初始深度置信网络模型中的可视层及隐含层；

采用无监督学习对最后一层的多层前馈神经网络进行训练，得到最终的深度置信网络模型。

在一个具体实施例中，设置初始深度置信网络模型的输入层、可视层、隐含层、多层前馈神经网络层以及输出层，其中，依据调整后的待测避雷器表面测量温度以及对应的泄漏电流，列出避雷器运行状态类型；

根据输出状态类型确定输入层节点个数，并设置输出层节点数唯一，表示故障状态，其中，0表示正常，1表示故障。

将调整后的待测避雷器表面测量温度以及对应的泄漏电流输入至初始深度置信网络模型中的输入层，并将避雷器运行状态分析结果类型作为初始深度置信网络模型的输出。

具体的，依据避雷器表面温度以及对应的泄漏电流，列出避雷器运行状态分析结果类型，包括：

设置第一阈值及第二阈值；

当泄露电流小于第一阈值，则待测避雷器处于正常运行状态；

当泄露电流大于第一预设泄露电流阈值且小于第二预设泄露电流阈值，则待测避雷器处于第一运行异常状态；

当泄露电流超过第二阈值，则待测避雷器处于第二运行异常状态。

在一个具体实施例中，采用逐层地无监督贪婪学习来训练初始深度置信网络模型中的可视层及隐含层，包括：

计算可视层h

式中，b

在一个具体实施例中，采用监督学习对最后一层的多层前馈神经网络进行训练，得到最终的深度置信网络模型，包括：将最后一层RBM的输出由BP输入端传到输出端，然后根据前向传播的输出结果与预期值的误差从输出端到输入端进行反向传播，对整个深度置信网络模型的参数进行微调，直到迭代次数达到设定值为止(如50次)，结束训练，得到最终的深度置信网络模型。

具体的，本发明对传统的深度置信网络进行优化及训练，结合了无监督学习和有监督学习，是由若干层无监督的受限玻尔兹曼机(RBM，restricted Boltz-Mann machine)和一层有监督的反向传播网络(BP，back-propagation)组成的一种深层神经网络，其基本思想是采用无监督学习方法逐层训练每一个RBM，最后对整个网络采用有监督学习进行微调。

具体的，采集带有测避雷器的表面测量温度以及对应的泄漏电流的样本数据集，随机抽取其中500个样本作为训练样本，剩余的128个作为测试样本验证本发明提供的深度置信网络模型、传统BP神经网络模型和SVM模型的性能。通过训练仿真结果可以看出本发明提供的深度置信网络模型要比BP神经网络、SVM算法的拟合精度更高，实现了避雷器运行状态的准确在线监测，提高电力配网系统运行可靠性。

参见图2所示，本发明实施例还提供了一种配网避雷器状态监测系统，包括：

采集模块，用于采集避雷器的表面测量温度以及对应的泄漏电流；

构建模块，用于建立初始深度置信网络模型，并对初始深度置信网络模型训练及优化，得到最终的深度置信网络模型；

监测模块，用于将待测避雷器表面目标温度以及对应的泄漏电流作为输入量输入至深度置信网络模型，输出故障状态；

整合模块，用于整合配电网中所有避雷器的故障状态，得到配网避雷器状态评估结果，对配网避雷器进行在线监测。

另一方面，本发明实施例公开了一种计算机存储介质，计算机存储介质上存储有计算机程序，计算机程序被处理器执行时实现配网避雷器状态监测方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。