CN112488208B - 一种海岛支柱式绝缘子剩余寿命获取方法 - Google Patents

Abstract

本发明涉及一种海岛支柱式绝缘子剩余寿命获取方法，以海岛最中心故障绝缘子为中心，选取四个方位的故障绝缘子，并整理为故障绝缘子样本集合；采集各故障绝缘子的故障频率和影响用户数，利用Kmeans聚类算法寻找最优聚类中心，将样本集划分成两类最优故障分区；以各分区内的聚类中心故障绝缘子为代表，采集故障特征数据和气象数据；通过构建改进集成神经网络获取输入矩阵；利用Attention机制计算海岛气象环境注意力概率分布值，增加气象数据权重；利用DBILSTM神经网络计算绝缘子泄漏电流初步值；以该值与实际值差值的绝对值作为判定条件选取最优泄漏电流，进而获取海岛支柱式瓷绝缘子的剩余寿命。与现有技术相比，本发明具有提高计算精度等优点。

Description

一种海岛支柱式绝缘子剩余寿命获取方法

技术领域

本发明涉及海岛气候环境下配电网绝缘子的故障监测技术领域，尤其是涉及一种海岛支柱式绝缘子剩余寿命获取方法。

背景技术

随着国家海洋战略的不断推进实施，海岛开发不断加快，海岛配电网规模逐步扩大。由于海岛特殊地理气候环境，主要表现为：强风速、重盐雾、大湿度，特别是海岛内部微气候环境差异仍然很大，海岛岛内陆地、渔农村镇和礁岸区域因微气候环境影响产生的故障程度显著不同，礁岸区域的风速、盐雾、湿度密度远远高于岛内陆地和渔农村镇区域，导致礁岸区域配电线路劣化速度较地区严重加快，劣化规律呈现出显著不同。且因海岛分布支离分散、交通不便导致配电网运行维护困难，强风速、重盐雾、大湿度的特殊气象环境导致的配电线路辅材类设备故障频发问题尤其突出。

电网多年运行经验表明，架空输电线路等输变电设备长期暴露于大气环境之中，易受气象灾害如雷暴、冰灾、风灾、地质灾害等的袭击而发生故障，电网能否安全可靠运行与外部气象环境有密切关系。国际大电网会议(CIGRE)的相关工作组报告指出：恶劣天气事件导致的杆塔结构和电气失效是影响架空输电线路安全运行的最主要原因。现有考虑自然环境因素的故障诊断方法：有通过构建输电线路失效模型，结合多因素误差修正，进行以模型驱动为主的输电线路失效预测；有采用对气象环境因素做加权关联规则化处理，通过关联规则之间的置信概率训练实现故障预测。然而当考虑因素增多，复杂性变强时，该预测模型会变得复杂，预测精度下降。目前鲜有技术对海岛自然环境因素进行系统研究，上述研究还停留在传统模型或机器学习方法阶段，普遍存在预测精度不高的问题。

随着人工智能算法及大数据技术的广泛应用，以深度学习为主的人工智能神经网络方法在设备故障监测和预测方面取得了一定的成果。其中以卷积神经网络(CNN)和长短期神经网络(LSTM)为代表的深度学习算法，实现了自主提取电力设备特征因素并有效监测其运行状态，用于设备的早期故障预警和诊断。但没有考虑自然环境因素对电力设备运行的影响，大多从设备本身故障特征出发，在一定程度上具有局限性。

发明内容

本发明的目的就是为了上述现有技术未做研究的海岛支柱式瓷绝缘子设备故障诊断、克服上述现有的故障诊断、设备健康监管技术存在的缺陷而提供一种海岛支柱式绝缘子剩余寿命获取方法，该方法充分考虑海岛自然环境特征的复杂多变性，针对支柱式瓷绝缘子的故障特性，建立了改进集成神经网络寿命计算模型，并通过贝叶斯优化，能够提高计算精度。

本发明的目的可以通过以下技术方案来实现：

一种海岛支柱式绝缘子剩余寿命获取方法，包括如下步骤：

S1、以海岛最中心故障绝缘子为中心，每五公里范围取四个方位的故障绝缘子，至海岸线为止，将采集的故障绝缘子标记并整理为故障绝缘子样本集合。

S2、采集各故障绝缘子的故障频率和影响用户数，利用Kmeans聚类算法，通过不断迭代寻找最优聚类中心，将故障绝缘子样本集划分成两类最优故障分区。具体包括以下步骤：

21)假设步骤S1得到的故障绝缘子样本集合为大小为n的故障特征集S，令迭代次数O＝1，选取两个初始聚类中心Z_j(O)，j＝1,2,O，Z_j(O)代表不同迭代轮数的聚类中心；

22)计算每个样本特征对象x_i与聚类中心之间的距离D(x_i,Z_j(O))，i＝1,2,...，并分成两类，距离的表达式为：

D(x_i,Z_j(O))＝||x_i-Z_j(O)||

23)令O＝O+1，计算聚类中心距离误差平方和目标函数值J_c(O)：

式中：x_k为第k个故障特征个数，k＝1,2,...,i，K为特征聚类中心的总数，α_jk为权重系数，J_c(O)＝f(O)；

24)若|f(O+1)-f(O)|＜θ或划分得到的两类故障分区中的故障样本绝缘子样本不再发生分区变化，则算法结束，算法结束后，保留此时的聚类中心点，计算故障绝缘子样本集合S中除两个聚类中心点外的其它样本特征与此时两个聚类中心点之间的距离，并判断距离最近的聚类中心点，将该样本特征划分到距离最近的聚类中心点所处的区域，进而划分得到最优两类故障分区S₁、S₂，否则令O＝O+1，返回步骤22)，f(O+1)，f(O)分别为迭代次数为O和O+1的聚类中心距离误差平方和目标函数值，θ＝0.005。

S3、将各分区内的聚类中心故障绝缘子为代表，采集该处故障绝缘子的故障特征数据，以及气象数据。采集的故障绝缘子的故障特征数据包括泄漏电流和设备温升，采集的气象数据包括日最高温度、日最低温度、日均湿度、日最大风速、日最低风速、日最高盐雾度和日最低盐雾度。

S4、构建CNN-Attention-DBILSTM改进集成神经网络，利用CNN神经网络自主读取步骤S3采集的所有数据，构成时序输入矩阵：[I_s,w_s,w_h,w_l,w_w,w_m,w_n,w_y,w_v]，该输入矩阵有k组。

S5、利用Attention机制计算海岛气象环境注意力概率分布值，增加日均湿度、日最大风速和日最高盐雾度的权重。

S6、利用DBILSTM神经网络计算绝缘子泄漏电流初步值。

S7、采用贝叶斯优化算法自主调整改进神经网络的超参数。

S8、以绝缘子泄漏电流初步值与实际值差值的绝对值作为判定条件选取最优泄漏电流。

S9、以最优泄漏电流为表征绝缘子寿命的指标，获取海岛支柱式瓷绝缘子的剩余寿命。

进一步地，步骤S5中，应用Attention机制对采集到的九种数据中的日均湿度权重w_w，日最大风速权重w_m和日最高盐雾度权重w_y进行注意力得分e_i的计算，并增加其权重，得到k组序列[I_s,w_s,w_h,w_l,w′_w,w′_m,w_n,w′_y,w_v]；

注意力概率分布值的计算式为：

e_i＝u tanh(wh_i+b)

式中：e_i为第t时刻由神经网络隐藏层输出向量h_i所决定的注意力概率分布值，i＝1,2,...T，t为第t步，T为第t步对应的T时刻，a_i为概率分布，u和w为权重系数，b为偏置系数，y_i为Attention机制在t时刻增加日均湿度、日最大风速和日最高盐雾度权重后的输出矩阵数值。

进一步地，步骤S6中，将k组序列[I_s,w_s,w_h,w_l,w′_w,w′_m,w_n,w′_y,w_v]按照时序方式输入值DBILSTM神经网络中，通过神经网络数据处理，输出I_s初步预测值。利用DBILSTM神经网络计算绝缘子泄漏电流初步值的具体过程为：

输入的第k组序列为x_k＝[I_s,w_s,w_h,w_l,w′_w,w′_m,w_n,w′_y,w_v]，w′_w，w′_m，w′_y分别为增加权重后的日均湿度权重，日最大风速权重和日最高盐雾度权重，I_s为故障绝缘子每天的泄漏电流、w_s为故障绝缘子每天的设备温升，w_h为日最高温度，w_l为日最低温度，w_n为日最低风速，w_v为日最低盐雾度，则此时通过DBILSTM神经网络的隐层的第一层输出为：

式中：f为BILSTM的激活函数，

为由前向传播的

与后向传播的

相加所得，

的(1)代表第一层，h_t,t＝1,2...t为输入数据序列的第t个数值，

分别为当前时间节点的前向和后向传递；

则通过DBILSTM神经网络的隐层的第n层的输出为：

最终通过DBILSTM神经网络的全连接层的输出为：

y_c＝W_oO_d

式中：g为全连接层的激活函数，O_d为全输出层的值，W_d、W_o分别为全输出层和输出层的权重，b_d为全输出层的偏置，y_c为输出的泄漏电流初步计算值。

进一步地，步骤S8的具体内容为：

判定条件|y′_c-y_true|是否最小，其中y_true为泄漏电流实际值，y′_c为步骤S7优化后的泄漏电流计算值，若是，则输出最优泄漏电流y′_c，否则继续按照步骤S7进行调整，直至满足判定条件|y′_c-y_true|最小的要求。

进一步地，步骤S9的具体内容为：

以最优泄漏电流y′_c为表征绝缘子寿命的指标，选取支柱式绝缘子最大允许泄漏电流值的95％为最终寿命状态，计算二者之差0.95y-y′_c作为海岛支柱式瓷绝缘子的剩余寿命。

本发明提供的海岛支柱式绝缘子剩余寿命获取方法，相较于现有技术至少包括如下有益效果：

一、本发明充分考虑海岛微气候环境对支柱式瓷绝缘子故障会产生不同的影响程度，使用Kmeans聚类方法划分故障分区，即故障分区内的故障绝缘子具有相同的影响程度，并以聚类中心绝缘子为典型故障绝缘子，保障了绝缘子泄漏电流计算的代表性；

二、本发明充分结合海岛气象环境因素和绝缘子故障特性，对集成神经网络进行改进，引入Attention机制，计算注意力得分，增加日均湿度、日最大风速、日最高盐雾度的权重，能够保证预测结果更符合海岛实际情况，提高预测准确性；

三、本发明运用贝叶斯优化，自主调整神经网络的超参数，提高了泄漏电流初值计算的精度和神经网络的鲁棒性。

附图说明

图1为实施例中海岛支柱式绝缘子剩余寿命获取方法的流程示意图；

图2为实施例中故障绝缘子样本集示意图；

图3为实施例中故障分区示意图；

图4为实施例中DBILSTM结构图；

图5为实施例中海岛支柱式瓷绝缘子剩余寿命示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

本发明涉及一种海岛支柱式绝缘子剩余寿命获取方法，该方法以海岛最中心故障绝缘子为中心，每5公里范围取4个方位的故障绝缘子，至海岸线为止，构成故障绝缘子样本集合S；其次，采集各故障绝缘子的故障频率f_g、影响用户数n_s两种故障数据，采用Kmeans聚类算法，将故障绝缘子样本集合划分成两类最优故障分区S₁、S₂；取各分区内聚类中心故障绝缘子为该分区代表，采集该绝缘子的泄漏电流I_s、设备温升w_s两种故障数据，结合该处的日最高温度w_h、日最低温度w_l、日均湿度w_w、日最大风速w_m、日最低风速w_n、日最高盐雾度w_y、日最低盐雾度w_v7种气象数据，构建改进集成神经网络CNN-Attention-DBILSTM模型。通过CNN神经网络自主读取9种数据集构建输入矩阵，Attention机制通过计算注意力得分e_i(注意力概率分布值)，增加w_w、w_m、w_y的权重，DBILSTM计算绝缘子泄漏电流初步值y_c；最后引入贝叶斯优化自主调整模型的超参数，以泄漏电流初步计算值与实际值差值的绝对值为判定条件，取得最优泄漏电流计算值y′_c；以绝缘子泄漏电流值为表征寿命的指标，取支柱式绝缘子最大允许泄漏电流y的95％为最终寿命状态，通过计算两者之差评估海岛支柱式绝缘子剩余寿命的多少。

本发明海岛支柱式绝缘子剩余寿命计算方法的主要原理为：一、采用Kmeans聚类，以故障绝缘子样本集S的故障频率f_g、影响用户数n_s两种故障数据为指标，划分2类最优故障分区S₁、S₂，简化计算范围、提高绝缘子计算的准确性。二、提出一种改进集成神经网络CNN-Attention-DBILSTM来计算绝缘子泄漏电流初值y_c。三、应用贝叶斯超参数优化，提高泄漏电流计算精度。四、以绝缘子泄漏电流值y′_c来表征寿命，将其与最大允许泄漏电流值y的95％做差，以此来表征海岛支柱式瓷绝缘子的剩余寿命。

本发明海岛支柱式绝缘子剩余寿命计算方法具体包括如下步骤内容：

步骤一、以海岛最中心故障绝缘子为中心，每5公里范围取4个方位的故障绝缘子，至海岸线为止，将采集的故障绝缘子标记并整理为故障绝缘子样本集合S。

步骤二、采集各个故障绝缘子的故障频率f_g、影响用户数n_s这两种故障数据，即样本集合S中故障绝缘子样本的数据表示为：(f_g,n_s)，采用Kmeans聚类算法，设定划分故障分区类别数为2，通过不断迭代寻找最优聚类中心，将故障绝缘子样本集划分成两类最优故障分区S₁、S₂，此S₁、S₂只为类别的名称，两类别无比较含义。

Kmeans算法是一种典型的基于距离算法的聚类方法，采用距离作为相似性的评价指标，即两个对象的距离越近，其相似度就越大。

算法步骤如下：

a)大小为n的故障特征集S：(f_g,n_s)，令迭代次数O＝1，选取S中2个初始聚类中心Z_j(O)，j＝1,2,Z_j(O)代表不同迭代轮数的聚类中心，Z_j(O)∈S；

b)计算每个x_i与聚类中心Z_j(O)的距离D(x_i,Z_j(O))，i＝1,2,...，并按照设定类别数划分成两类S₁、S₂，x_i表示故障绝缘子样本特征，x_i∈S；

D(x_i,Z_j(O))＝||x_i-Z_j(O)||

c)令O＝O+1，计算新的聚类中心、误差平方和准则f(目标函数)值：

式中：J_c表示聚类中心距离平方和目标函数，J_c(O)＝f(O)，x_k表示第k个故障绝缘子样本特征，k＝1,2,...,i，K表示特征聚类中心的总数，α_jk表示权重系数。

d)若|f(O+1)-f(O)|＜θ或者划分得到的S₁、S₂中的故障样本绝缘子样本不再发生分区变化，算法结束，否则O＝O+1，返回步骤b)。f(O+1)，f(O)分别为迭代次数为O和O+1的准则f的值，θ＝0.005。算法判别结束后，保留此时的聚类中心点，计算样本集S中除两个聚类中心点外的其它样本的特征(f_g,n_s)与此时两个聚类中心点的距离，判断与哪个聚类中心点距离近，则将该样本特征划分到该聚类中心点所处的区域，最终划分得到最优两类故障分区S₁、S₂，即其中一个故障分区包括一个聚类中心点以及与该聚类中心点距离最近的其他样本特征，另一个故障分区包括另一个聚类中心点。

步骤三、取各分区内的聚类中心故障绝缘子为代表，采集该处故障绝缘子每天的泄漏电流I_s、设备温升w_s两种故障特征数据，以及日最高温度w_h、日最低温度w_l、日均湿度w_w、日最大风速w_m、日最低风速w_n、日最高盐雾度w_y、日最低盐雾度w_v七种气象数据。

步骤四、构建CNN-Attention-DBILSTM改进集成神经网络。本改进集成神经网络是对已有CNN-DBILSTM集成神经网络的改进，由卷积神经网络，Attention机制，DBILSTM神经网络三部分构成，改进部分为加入Attention机制。首先通过CNN神经网络自主读取采集的9种数据，构成时序输入矩阵：[I_s,w_s,w_h,w_l,w_w,w_m,w_n,w_y,w_v]，该输入矩阵有k组。其次应用Attention机制对采集到的9种数据中的w_w，w_m，w_y进行注意力得分e_i的计算，并增加其权重，得到k组[I_s,w_s,w_h,w_l,w′_w,w′_m,w_n,w′_y,w_v]；最后将k组[I_s,w_s,w_h,w_l,w′_w,w′_m,w_n,w′_y,w_v]按照时序方式输入到DBILSTM神经网络中，通过神经网络数据处理，最后输出I_s初步预测值。

CNN神经网络设置如下：

a)使用一维卷积，卷积核为1维，卷积核沿着时序方向进行特征信息提取；

b)设置卷积层数为50层，卷积通道数目为2，池化层数目为2。

步骤五、利用Attention机制计算海岛气象环境注意力得分e_i(注意力概率分布值)，增加日均湿度w_w、日最大风速w_m、日最高盐雾度w_y的权重。

Attention机制是连接编码层和解码层的一个通道，它优化了传统解码层对每一个输入都赋予相同向量的缺点，而是根据输入因素的不同赋予不同的权重。

假设第t步的隐藏状态为S_t，在每个第t步利用S_t和神经网络隐藏层输出向量h_i进行dot点积之后经过softmax激活函数处理，得到注意力得分e_i(概率分布值)，然后按照注意力得分，计算编码层的隐藏状态进行加权求和，计算权重系数，并为w_w、w_m、w_y增加权值。

注意力得分e_i(概率分布值)的计算公式如下：

e_i＝u tanh(wh_i+b)

式中：e_i为第t时刻由神经网络隐藏层输出向量h_i所决定的注意力概率分布值，i＝1,2,...T，t为第t步，T为第t步对应的T时刻，a_i为概率分布，u和w为权重系数，b为偏置系数，y_i为Attention机制在T时刻的输出。即此时的输出y_i即为增加了权重后的矩阵数值。

步骤六、DBILSTM计算绝缘子泄漏电流初步值y_c；

DBILSTM神经网络由隐层计算绝缘子前后时序故障特性，最后由全连接层汇总并输出。其中，隐层是数据处理层，其由n个BILSTM层构成，每个BILSTM层包含正向和反向两个LSTM层，用以实现获取前后两个方向的信息。前n-1层的输出通过加法器进行信息融合并传递到下一层，第n层只出序列的最后一个时间结果并通过一个全连接层输出预测结果。计算过程如下：

输入的第k组数据序列为x_k＝[I_s,w_s,w_h,w_l,w′_w,w′_m,w_n,w′_y,w_v]，w′_w，w′_m，w′_y分别为增加权重后的w_w，w_m，w_y，则此时通过隐层的第一层输出可表示为：

式中：f为BILSTM的激活函数，

分别代表当前时间节点的前向和后向传递，

是由前向传播的

与后向传播的

相加所得，

的(1)代表第一层，h_t,t＝1,2...t为输入数据序列的第t个数值，即在本发明中t＝9，

为加法计算，保持原数据维度不变。

则第n层的输出为：

最终通过全连接层输出为：

y_c＝W_oO_d

式中：g为全连接层的激活函数，取Rule函数。O_d为全输出层的值，W_d，W_o分别为全输出层和输出层的权重，b_d为全输出层的偏置，y_c为输出层输出的泄漏电流初步计算值。

设置DBILSTM的初始隐层的层数为3层，运行周期为100，步长为5，梯度迭代次数为60。

步骤七、引入已有的贝叶斯优化算法，自主重新调整改进神经网络的超参数：包括运行周期、步长、隐层层数、卷积层数、池化层数，激活函数，并以泄漏电流初步计算值y_c与实际值差值y_true的绝对值为判定条件。

超参数是定义模型属性或者定义训练过程的参数。超参数的选择对模型最终的效果会产生极大的影响，不同模型会有不同的最优超参数组合，传统超参数调整依靠经验或者随机的方法来尝试，耗时费力且准确度不高。贝叶斯超参数优化是一种为序列模式的模型提供的求全局最优化的方法。对于选择一组新的超参数后的目标函数提升表示为：

I(λ)＝max(c^*-c(λ),0)

式中，c^*是当前记录中所有c(风险函数)的一个分割点，λ为超参数。

如果一个新的λ对应的提升期望大于0，则可认为这个λ是有较大可能性使得风险减小的，则期望满足下式：

式中：p(λ|c)为λ在条件c发生的前提下所发生的的概率。

其定义为：

p(c)为c发生的概率，p(λ)为λ发生的概率。

通常是在所有c中，满足p(c＜c^*)＝γ，γ默认可设置为0.15，这样，所有的历史记录就分成了两部分，即风险较小的部分和风险较大的部分，l(λ)是由所有风险较小的部分超参数集合形成的分布，g(λ)是由所有风险较大的部分超参数集合形成分布。最终得到期望：

即在l(λ)的分布下取样得到的参数更有可能让EI(λ)有更大的值。

最后估计超参数λ的分布，假设存在n个取值(x₁,x₂,...x_n)，概率密度的估计

计算：

式中，

L为损失函数，A为记录了所有(λ，L)的历史集合。

当概率密度估计

值最大时，即此时超参数λ最优，输出最优泄漏电流计算值y′_c。

判定条件计算公式：

|y′_c-y_true|

式中，y_true为泄漏电流实际值，y′_c为优化后泄漏电流计算值。

步骤八、判定条件|y′_c-y_true|是否最小？若值最小则输出最优泄漏电流y′_c，否则继续调整。

步骤九、以最优泄漏电流y′_c为表征绝缘子寿命的指标，取支柱式绝缘子最大允许泄漏电流值的95％为最终寿命状态，计算两者之差：0.95y-y′_c。以差值的计算来表示海岛支柱式瓷绝缘子的剩余寿命。

本发明充分考虑海岛微气候环境对支柱式瓷绝缘子故障会产生不同的影响程度，使用Kmeans聚类方法划分故障分区，即故障分区内的故障绝缘子具有相同的影响程度，并以聚类中心绝缘子为典型故障绝缘子，保障了绝缘子泄漏电流计算的代表性；而充分结合海岛气象环境因素和绝缘子故障特性，对集成神经网络进行改进，引入Attention机制计算注意力得分，增加日均湿度、日最大风速、日最高盐雾度的权重，能够进一步保证预测结果更符合海岛实际情况，提高预测准确性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种海岛支柱式绝缘子剩余寿命获取方法，其特征在于，包括下列步骤：

1)以海岛最中心故障绝缘子为中心，每五公里范围取四个方位的故障绝缘子，至海岸线为止，将采集的故障绝缘子标记并整理为故障绝缘子样本集合；

2)采集各故障绝缘子的故障频率和影响用户数，利用Kmeans聚类算法，通过不断迭代寻找最优聚类中心，将故障绝缘子样本集划分成两类最优故障分区；

3)将各分区内的聚类中心故障绝缘子为代表，采集该处故障绝缘子的故障特征数据，以及气象数据；

4)构建CNN-Attention-DBILSTM改进集成神经网络，利用CNN神经网络自主读取步骤3)采集的所有数据，构成输入矩阵；

5)利用Attention机制计算海岛气象环境注意力概率分布值，增加日均湿度、日最大风速和日最高盐雾度的权重；

6)利用DBILSTM神经网络计算绝缘子泄漏电流初步值；

7)采用贝叶斯优化算法自主调整改进神经网络的超参数；

8)以绝缘子泄漏电流初步值与实际值差值的绝对值作为判定条件选取最优泄漏电流；

9)以最优泄漏电流为表征绝缘子寿命的指标，获取海岛支柱式瓷绝缘子的剩余寿命。

2.根据权利要求1所述的海岛支柱式绝缘子剩余寿命获取方法，其特征在于，步骤3)中，采集的故障绝缘子的故障特征数据包括泄漏电流和设备温升，采集的气象数据包括日最高温度、日最低温度、日均湿度、日最大风速、日最低风速、日最高盐雾度和日最低盐雾度。

3.根据权利要求1所述的海岛支柱式绝缘子剩余寿命获取方法，其特征在于，步骤2)具体包括以下步骤：

21)假设步骤1)得到的故障绝缘子样本集合为大小为n的故障特征集S，令迭代次数O＝1，选取两个初始聚类中心Z_j(O)，j＝1,2；Z_j(O)代表不同迭代轮数的聚类中心；

22)计算每个样本特征对象x_i与聚类中心之间的距离D(x_i,Z_j(O))，i＝1,2,...，并分成两类，距离的表达式为：

D(x_i,Z_j(O))＝||x_i-Z_j(O)||

23)令O＝O+1，计算聚类中心距离误差平方和目标函数值J_c(O)：

式中：x_k为第k个故障特征个数，k＝1,2,...,i，K为特征聚类中心的总数，α_jk为权重系数，J_c(O)＝f(O)；

24)若|f(O+1)-f(O)|＜θ或划分得到的两类故障分区中的故障样本绝缘子样本不再发生分区变化，f(O+1)，f(O)分别为迭代次数为O和O+1的聚类中心距离误差平方和目标函数值，θ＝0.005，则算法结束，保留此时的聚类中心点，划分得到最优两类故障分区S₁、S₂，否则令O＝O+1，返回步骤22)。

4.根据权利要求3所述的海岛支柱式绝缘子剩余寿命获取方法，其特征在于，步骤24)的具体内容为：

若|f(O+1)-f(O)|＜θ或划分得到的两类故障分区中的故障样本绝缘子样本不再发生分区变化，则算法结束，算法结束后，保留此时的聚类中心点，计算故障绝缘子样本集合S中除两个聚类中心点外的其它样本特征与此时两个聚类中心点之间的距离，并判断距离最近的聚类中心点，将该样本特征划分到距离最近的聚类中心点所处的区域，进而划分得到最优两类故障分区S₁、S₂，否则令O＝O+1，返回步骤22)。

5.根据权利要求1所述的海岛支柱式绝缘子剩余寿命获取方法，其特征在于，步骤5)中，注意力概率分布值的计算式为：

e_i＝utanh(wh_i+b)

式中：e_i为第t时刻由神经网络隐藏层输出向量h_i所决定的注意力概率分布值，i＝1,2,...T，t为第t步，T为第t步对应的T时刻，a_i为概率分布，u和w为权重系数，b为偏置系数，y_i为Attention机制在t时刻增加日均湿度、日最大风速和日最高盐雾度权重后的输出矩阵数值。

6.根据权利要求2所述的海岛支柱式绝缘子剩余寿命获取方法，其特征在于，步骤4)中，采用CNN神经网络自主读取采集包括故障特征数据和气象数据在内的九种数据，构成时序输入矩阵：[I_s,w_s,w_h,w_l,w_w,w_m,w_n,w_y,w_v]，该输入矩阵有k组。

7.根据权利要求6所述的海岛支柱式绝缘子剩余寿命获取方法，其特征在于，步骤6)中，利用DBILSTM神经网络计算绝缘子泄漏电流初步值的具体过程为：

输入的第k组序列为x_k＝[I_s,w_s,w_h,w_l,w′_w,w′_m,w_n,w′_y,w_v]，w′_w，w′_m，w′_y分别为增加权重后的日均湿度权重，日最大风速权重和日最高盐雾度权重，I_s为故障绝缘子每天的泄漏电流、w_s为故障绝缘子每天的设备温升，w_h为日最高温度，w_l为日最低温度，w_n为日最低风速，w_v为日最低盐雾度，则此时通过DBILSTM神经网络的隐层的第一层输出为：

式中：f为BILSTM的激活函数，

为由前向传播的

与后向传播的

相加所得，

的(1)代表第一层，h_t,t＝1,2...t为输入数据序列的第t个数值，

分别为当前时间节点的前向和后向传递；

则通过DBILSTM神经网络的隐层的第n层的输出为：

最终通过DBILSTM神经网络的全连接层的输出为：

y_c＝W_oO_d

式中：g为全连接层的激活函数，O_d为全输出层的值，W_d、W_o分别为全输出层和输出层的权重，b_d为全输出层的偏置，y_c为输出的泄漏电流初步计算值。

8.根据权利要求6所述的海岛支柱式绝缘子剩余寿命获取方法，其特征在于，步骤5)中，应用Attention机制对采集到的九种数据中的日均湿度权重w_w，日最大风速权重w_m和日最高盐雾度权重w_y进行注意力得分e_i的计算，并增加其权重，得到k组序列[I_s,w_s,w_h,w_l,w′_w,w′_m,w_n,w′_y,w_v]；

步骤6)中，将k组序列[I_s,w_s,w_h,w_l,w′_w,w′_m,w_n,w′_y,w_v]按照时序方式输入值DBILSTM神经网络中，通过神经网络数据处理，输出I_s初步预测值。

9.根据权利要求1所述的海岛支柱式绝缘子剩余寿命获取方法，其特征在于，步骤8)的具体内容为：

判定条件|y′_c-y_true|是否最小，其中y_true为泄漏电流实际值，y′_c为步骤7)优化后的泄漏电流计算值，若是，则输出最优泄漏电流y′_c，否则继续按照步骤7)进行调整，直至满足判定条件|y′_c-y_true|最小的要求。

10.根据权利要求1所述的海岛支柱式绝缘子剩余寿命获取方法，其特征在于，步骤9)的具体内容为：

以最优泄漏电流y′_c为表征绝缘子寿命的指标，选取支柱式绝缘子最大允许泄漏电流值的95％为最终寿命状态，计算二者之差0.95y-y′_c作为海岛支柱式瓷绝缘子的剩余寿命。

Images