CN114114002B - 一种氧化物避雷器在线故障诊断与状态评估方法 - Google Patents

Abstract

本发明公开了一种氧化物避雷器在线故障诊断与状态评估方法，涉及氧化物避雷器检测技术领域。本发明首先提取与MOA运行状态相关指标参数，通过自适应FNN对运行状态特征指标进行学习，并且对隶属度函数参数进行自适应动态调整。然后基于DTMC融合不同时刻运行状态的历史特征数据，建立基于自适应FNN和DTMC的MOA在线故障监测与运行状态评估模型，最后计算最终MOA故障类型与运行状态评估概率值，根据诊断结果分析MOA的故障类型及概率，实现避雷器运行状态的在线监测，减少停电检修MOA的次数，极大提高电力系统运行可靠性。

Description

一种氧化物避雷器在线故障诊断与状态评估方法

技术领域

本发明涉及氧化物避雷器检测技术领域，特别涉及一种氧化物避雷器在线故障诊断与状态评估方法。

背景技术

随着我国经济的快速发展，电量需求呈幂指数增加，变电站设备正常稳定运行是用户可靠用电的前提和保证。氧化物避雷器(metal oxide arrester，MOA)作为变电站安全运行不可或缺地一部分，它不仅可以限制电气设备所承受的瞬态高电压，同时可以限制续流时间和侵入的电流值，防止电气设备遭受过电压的冲击。随着智慧变电站、5G、IOT、一键顺控和机器人巡视等技术快速发展，逐渐替代了运维人员大量地日常工作，同时原有定期试验模式转变为状态检修模式，即根据设备状态及时开展运维和检修工作，如何高效和快速对电气设备故障监测和诊断结果评估显得至关重。

目前对于MOA运行状态评估主要包括在线监测和离线停电试验判断两种方式。对于在线监测判断方式，有通过多层支持矢量机方法对MOA进行在线监测，其局限主要为MOA故障类型考虑单一；有通过变权云理论的避雷器状态进行评估，其仅仅对避雷器的绝缘老化程度进行评估，而没有考虑故障类型和运行状态综合评估；有通过对阻性电流分析并基于自适应VMD和A-SVD的MOA在线监测方法，但针对现有大部分变电站可以获得泄露电流，而无法快速得到阻性电流存在局限。

而针对离线停电试验判断，目前有基于信息融合的MOA运行状态综合评价方法，有通过模糊集对分析的MOA状态进行评估。但对于离线停电试验判断，首先需要将避雷器转为检修状态，继而带来的是并联在避雷器所有设备都需要停电，无法对避雷器运行状态进行在线监测，也无法满足电网供电可靠性。

发明内容

本发明的目的在于提供一种氧化物避雷器在线故障诊断与状态评估方法，解决了现有氧化物避雷器在线监测故障类型单一、故障类型和运行状态综合评估不全面，而停电拆卸检测既成本较大，又降低供电可靠性的问题，实现在线全面地对氧化物避雷器进行故障类型判断和运行状态诊断评估。

为实现上述目的，本发明提供如下技术方案：

一种氧化物避雷器在线故障诊断与状态评估方法，包括以下步骤：

步骤1：提取MOA运行状态评判特征数据；

步骤2：建立基于自适应FNN结构的模型；

步骤3：建立基于DTMC的MOA在线故障监测与评估模型；

步骤4：输入避雷器8个运行特征数据生成预测数据，并根据DTMC对预测数据计算得到最终故障类型和运行状态评估概率值。

进一步地，步骤1所述的提取MOA运行状态评判特征数据，具体步骤如下：

步骤1.1：将避雷器故障原因进行分类：

根据避雷器故障导致原因可以细化分为四个方面，分别为绝缘老化、外绝缘污秽、放电闪络和内部受潮等四个方面；

步骤1.2：归纳运行状态特征指标：

根据日常巡视判断情况，提出泄露监视电流表示数(P1)、使用年限(P2)、紫外成像放电程度(P3)、红外成像温升情况(P4)、外绝缘表面情况(P5)、放电声音(P6)、外套与法兰连接情况(P7)和外绝缘污秽程度(P8)8个运行状态特征指标；

步骤1.3：运行状态评估分类：

巡视时可以对避雷器运行状态评估分为三个等级，分别为“优”、“一般”、“差”，我们将其定义为FE(fuzzy excellent)、FW(fuzzy well)、FB(fuzzy bad)，具体意义分别为：

(1)FE：执行状态检修周期(避雷器运行状态正常，按照正常周期内对避雷器进行巡视、试验和检修)；

(2)FW：缩短监测周期，跟检(避雷器运行状态需要注意，需一个月内对设备进行试验，同时运维人员加强日常巡视)；

(3)FB：立即停电检修(避雷器运行状态严重，需立即汇报当值调控人员，尽快安排立停电、试验和检修)；

对于巡视时，所获得MOA运行状态特征数据类型主要包括有现场巡视数据和历史数据；现场巡视数据有泄露电流监视示数(P1)、紫外成像放电程度(P3)、红外成像温升情况(P4)、外绝缘污秽程度(P5)、避雷器使用年限(P2)和外套与法兰连接情况(P7)等；

步骤1.4：根据运行特征参数分析可导致的故障原因并进行状态评估，基于大参数背景下运行状态特征参数在一定程度可以表示故障类型，但针对单一避雷器设备，故障随机性大。

进一步地，建立基于自适应FNN与DTMC的MOA在线故障监测与评估模型，具体步骤如下：

步骤2.1：建立MOA运行状态评估计算流程：

由于MOA在现有状态下，对未来状态评判只与最新一次监测运行特征数据有关，而与过去监测运行特征数据无直接关系；基于自适应FNN计算得到结果转为DTMC模型转移概率值，对历史数据进行融合，得到最终故障类型和运行状态评估结果，由此建立MOA运行状态评估计算流程；

步骤2.2：输入量的模糊化：

自适应FNN基本论域的确定，对于MOA泄露电流监测示数(P1)和使用年限(P2)的定量指标通过归一化将输入值的论域设置为[0,1]，直接得到自适应FNN的输入参数；考虑到P1和P2均为越小越优型数据，一般当避雷器绝缘老化、外绝缘污秽或内部受潮，泄露电流监测示数较历史数据偏大，通过公式(1)进行归一化处理；

式中：x′为避雷器特征数据(P1和P2)实际值，max x′为P1和P2中最大值，min x′为P1和P2的最小值；

对于定性指标：紫外成像放电情况(P3)、红外成像温升情况(P4)和放电声音(P6)均可以通过传感器得到量化值；而对于外绝缘表面情况(P5)、外套与法兰连接情况(P7)和本体外绝缘抗污能力(P8)需通过图像采集装置并根据算法得到其运行状况；基于EfficientDet和双目摄像头对避雷器P5、P7和P8指标运行状况进行评估，同时根据检修和试验专家人员以及综合考虑以往案例进行量化打分，打分规则如表1～表3所示：

表1 外绝缘表面情况(P5)评分表

表2 外套与法兰连接情况(P7)评分表

表3 外绝缘污秽程度(P8)评分表

步骤2.3：模糊规则库的确定：

基于自适应FNN与DTMC的MOA运行状态评估建议其实质是专家评估系统，根据MOA现有运行状态，判断MOA是否存在故障、故障类型和故障严重程度；同样地，将避雷器8个运行状态特征量分为三个等级，分别为“优”、“一般”、“差”，模糊语言变量定义为FE(fuzzyexcellent)、FW(fuzzy well)、FB(fuzzy bad)，依据是已有避雷器故障数据组成的模糊规则库，语言规则为if-then结构，其模糊推理规则形式为：

R_t:if P1 is F(P1),P(n) is F(P(n)),

…P8 is F(P8)；Then y′ is G′_t,y″is G″_t

式中：R_t为第t个模糊推理规则；P(n)为第n个MOA运行状态特征类型；F(P(n))为第n个MOA运行状态特征数据对应的模糊等级，本专利包含三个等级“FB、FW和FE”，即F(P(n))∈{FB,FW,FE}；y是模糊推理输出类型，本专利y′为故障类型和y″为运行状态评估诊断建议；G′_t为故障类型输出结果(A1、A2、A3和A4)，分别表示绝缘老化、外绝缘污秽、放电闪络和内部受潮故障类型；G″_t为诊断结果评估建议的具体措施；

步骤2.4：建立自适应FNN结构；

模糊神经具有神经网络和模糊系统双重特点，可以很好解决非线性和模糊性的问题，本专利基于自适应FNN结构；自适应FNN包括输入层、模糊化层、模糊规则层和输出层：

(1)输入层：即MOA巡视获得运行状态特征数据，分别为P1，P2，…，P8；

(2)模糊化层：即隶属函数层，主要对避雷器每个指标量进行计算，利用隶属函数层计算FE、FW、FB语言变量对应值的集合，每一个避雷器运行状态特征量对应三个语言变量隶属度函数值；模糊神经网络隶属度函数有三角形、梯形、柯西和高斯等隶属度函数；考虑变量的连续性和高斯函数的平滑性，对于避雷器运行状态特征量电流在线监测仪示数(P1)、避雷器使用年限(P2)、紫外成像放电情况(P3)和红外成像温升情况(P4)等8个变量均利用高斯函数进行模糊求解，如式(2)所示

其中：a_ij为第i避雷器运行特征数据量的隶属函数值，Z_ij为隶属函数高斯中心值，σ_ij为高斯函数的宽度，n为避雷器运行状态特征数据个数，m为第2层节点的个数；

(3)模糊规则层，主要计算模糊规则库中的if-then语句，具体计算公式如式(3)所示，各个模糊规则均有对应节点，通过节点值计算每个对应隶属度参数值：

b_j＝a_1i(P₁)a_2r(P₂)…a_nl(P_n),j＝1,2,…,m (3)

其中：b_j为该层节点输出值；

(4)输出层，将模糊输出量清晰化，其公式(4)所示

式中：

为神经网络系数；

自适应FNN结构确定后，核心是通过样本数据计算高斯函数参数Z_ij和σ_ij，主要步骤有误差计算、系数修正和参数修正，公式分别为：

误差计算：

式中：y_d为故障类型或者诊断结果期望输出，y_c为故障类型或者诊断结果实际输出值；

系数修正：

式中：α为自适应FNN学习速率；

参数修正：

式中：β为自适应FNN参数调整系数；

步骤2.5：基于DTMC模型的历史数据融合：

针对同一避雷器，机器人或者运维人员巡视时，当判定各个指标正常时，将按照原有巡视周期进行巡视；当避雷器某一个运行指标存在问题，机器人或者运维人员会跟踪监测并通知检修人员处理；不同时刻的避雷器运行状态特征数据存在关联，且避雷器在现有状态下，对未来状态评判只与最新一次监测运行特征数据有关，而与过去监测运行特征数据无直接关系；比如，当避雷器实际为内部受潮故障，前一次运行状态为正常，如果不进行检修，未来几乎不可能再转为正常状态；对于同一避雷器在一段连续的时间运行特征状态，利用自适应FNN结果和时间信息相结合的方法，可以很好提高负荷辨识率和辨识的鲁棒性，利用DTMC对同一避雷器的运行状态特征进行融合；

步骤2.6：判定其最大值对应的MOA故障判断和评估建议：

DTMC当一个系统有n个有限状态，Q＝{q₁,q₂,…,q_n}，针对避雷器故障类型一共有5种状态，分别为绝缘老化、外绝缘污秽、放电闪络、内部受潮和正常；对于避雷器诊断评估一共3种状态，分别FW、FE和FD；随着时间推移，同一避雷器将从一个状态转移到另外一个状态；假定在t时刻的状态为s_t，在马尔可夫链中避雷器在t时刻处于q_t的概率取决于其在时刻1,2,…,t-1的状态；而在特定条件下，系统在t时刻的状态s_t只与其在t-1时刻的状态s_t-1有关，其概率为：

P(q_t＝s_j|q_t-1＝s_t,q_t-2＝s_k,…)＝P(q_t＝s_j|q_t-1＝s_t) (10)

则该避雷器构成一个离散的一阶马尔可夫链，可以将DTMC简记为：λ＝(α,β,Π)，其中：①状态转移概率分布α＝{a_ij}，a_ij＝P{q_t+1＝s_j|q_t＝s_i}，1≤i,j≤N，a_ij是从状态s_i到状态s_j的状态转移概率分布，即随机序列在t+1时刻所处的状态为s_j的概率，其取值只与它在t时刻的状态s_i有关，而与t时刻以前它所处的状态无关；②β为观测值概率矩阵，记为β＝{b_i(k)}，表示状态j输出相应观察值的概率，b_i(k)为t时刻观测值V_k的概率，b_i(k)＝P{O_t＝v_k|q_t＝S_i}，1≤j≤N，1≤k≤M；③初始化状态分布Π＝{π₁,π₂,…π_N}，用于描述给定的观察序列O＝{o₁,o₂,…,o_t}；在t＝1时刻状态q₁表示模型中初始状态的概率分布，即π_i＝P(q₁＝S_i),i＝1,2…,N，它满足关系式：

将自适应FNN输出值处理作为马尔科夫链状态转移概率值a_ij，不考虑人为和设备因素，避雷器的初始状态为正常或者执行状态检修周期，则初始状态概率分布π′⁽⁰⁾＝[00001]或者π″⁽⁰⁾＝[100]，根据马尔科夫链柯尔莫哥洛夫-开普曼定理，第t个时间的概率分布为：

P^(t)＝π⁽⁰⁾a_1→2a_2→3…a_(t-1)→t (11)

式中：a_(t-1)t为s_t-1状态变为s_t转移概率矩阵；利用Bayesian极大似然值思想，通过不同概率值的比较，判定其最大值对应的MOA故障判断和评估建议为辨识结果。

进一步地，输入避雷器8个运行特征数据生成预测数据，并根据DTMC对预测数据计算得到最终故障类型和运行状态评估概率值。

与现有技术相比，本发明的有益效果是：

本发明的评估方法首先提取与MOA运行状态相关指标参数，通过自适应FNN对运行状态特征指标进行学习，并且对隶属度函数参数进行自适应动态调整。然后基于DTMC融合不同时刻运行状态的历史特征数据，建立基于自适应FNN和DTMC的MOA在线故障监测与运行状态评估模型，最后计算最终MOA故障类型与运行状态评估概率值，根据诊断结果，分析MOV的故障类型及概率，实现避雷器运行状态的在线监测，减少停电检修MOV的次数，极大提高电力系统运行可靠性。

附图说明

图1为本发明的流程图；

图2为本发明运行状态特征数据类型、故障类型和运行状态的关系示意图；

图3为本发明基于自适应FNN与DTMC的避雷器运行状态评估计算框架图；

图4为本发明自适应FNN结构图；

图5为本发明自适应FNN各参数计算流程图；

图6为本发明模糊神经网络算法流程；

图7为本发明故障类型分类结果和误差值仿真结果图；

图8为本发明运行状态诊断建议和误差值仿真结果图。

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。

如图1-8所示，本实施例的一种氧化物避雷器在线故障诊断与状态评估方法，包括以下步骤：

步骤1：提取MOA运行状态评判特征数据；

步骤2：建立基于自适应FNN结构的模型；

步骤3：建立基于DTMC的MOA在线故障监测与评估模型；

步骤4：输入避雷器8个运行特征数据生成预测数据，并根据DTMC对预测数据计算得到最终故障类型和运行状态评估概率值。

建立基于自适应FNN与DTMC的MOA在线故障监测与评估模型；

步骤2.1：根据避雷器的运行状态特征数据，确定自适应FNN输入/输出节点数和隶属度函数个数。由于输入数据为8维，输出数据为故障类型和评估建议两类，故障类型为4维，评估建议为3维，规则数为64个，考虑计算的复杂度和时间，本专利将故障类型和评估建议单独考虑。网络学习速率0.05，参数调整系数为0.1。算法流程如附图5所示。

步骤2.2：即时数据训练。

为了测试算法的合理性和正确性，本专利将即时数据和融合历史数据结合DTMC模型进行训练。选择30组样本中除样本7、样本15、样本20、样本27和样本30外的作为训练样本，其余作为测试样本。

输入避雷器8个运行特征数据生成预测数据，并根据DTMC对预测数据计算得到最终故障类型和运行状态评估概率值；

步骤3.1：设置阈值参数；

设置本专利自适应FNN网络输出实际结果阈值为0.6，判断样本故障类型和诊断结果评估。故障类型训练样本和测试样本实际输出值和误差值如附图6。根据自适应FNN网络训练网络中的参数，重新对25个训练样本和5个测试样本数据进行分类，发现训练样本和测试样本均可以有效对故障类型进行分类，同时误差值均小于0.4。样本7、样本15、样本20、样本27和样本30故障类型与实际故障类型相符。案例表明基于模糊神经网络的避雷器运行状态故障类型判断是可行，并且判断准确率为100％。

步骤3.2：调整阈值参数；

当调整输出结果阈值分别为0.6、0.7、0.8和0.9时，其判断结果准确率如表4所示，可以发现随着阈值增大，绝缘老化和外绝缘污秽等故障类型的判断准确率有所下降。因此结合历史数据考虑故障类型显得较为重要。

表4 自适应FNN不同阈值时故障类型判断准确率

同样地，MOA运行状态诊断结果训练样本和测试样本实际输出值和误差值如附图7所示。附图7中诊断结果依次为FE、FW和FB。

步骤3.3：基于模糊神经网络的样本结果分析；

从附图7可以看到，样本7、样本15、样本27和样本30避雷器和训练样本的诊断结果与实际诊断结果都相同，表明基于模糊神经网络对避雷器运行状态进行诊断是可行的，准确率为96.7％，样本20判断错误，样本20实际诊断建议为缩短监测周期，跟检，而自适应FNN训练后结果为停电检修。同样地，改变设置阈值，判断准确度也有所降低，因此结合同一避雷器多组数据进行状态诊断显得尤为重要。

步骤3.4：融合历史数据MOA运行状态评估；

将测试样本7、样本15、样本20、样本27、样本30和25个训练样本仿真输出值转化为域值为[0,1]，作为DTMC转移概率分布。本专利以#5避雷器为例，其数据类型包括样本13、样本14和样本15的监测数据，样本15自适应FNN故障类型输出值转化为DTMC概率值为[0.016,0.691,0.156,0.138,0.000]。避雷器初始状态概率分布π′⁽⁰⁾＝[0,0,0,0,1]，表示为正常状态，则样本15时刻到t时刻故障类型转移概率矩阵为：

式中：第一行表示当MOA绝缘老化时，t时刻对应故障状态只可能是绝缘老化，其中本专利考虑避雷器只发生一种故障(避雷器同时发生两种或者两种以上的类型的故障，概率几乎为零)，所以第一行为[1,0,0,0,0]。同样地，第二、三、四行均是对角线概率值为1。第五行表示当避雷器为正常状态数据时，则下个时刻避雷器可能为绝缘老化、外绝缘污秽、放电闪络和内部受潮故障以及避雷器仍然为正常的五种可能，其概率值即为样本15的概率值。

根据自适应FNN同样可以计算a_13→14和a_14→15转移概率矩阵，则#5避雷器下一个状态或者即将发生状态故障类型概率为：

P^(t)＝π′⁽⁰⁾a_13→14a_14→15a_15→t

＝[0.0045,0.8449,0.0683,0.0822,0]

根据计算结果，概率最大值为0.8449，远大于其他故障类型概率值。综合判定#5避雷器为外绝缘污秽故障。

步骤3.5：多样本分析并检验；

本专利计算#1～#10避雷器综合故障概率值，最大值对应避雷器故障类型，如表5所示，发现故障类型判断结果与实际故障类型一致，其准确率为100％，通过DTMC融合不同时刻的故障信息可以有效避免设置当阈值不同自适应FNN计算准确度也不相同的问题。

表5 基于自适应FNN与DTMC的MOA故障类型输出值

针对MOA诊断结果评估，采用与故障类型判断同样地步骤进行计算，但需要注意诊断结果转移概率有所不同。当诊断结果为执行状态检修周期(正常)时，转移可能有三种状态；当诊断结果为缩短监测周期跟检时，可能仍然保持原状态，但也可能转变为立即停电检修状态；当诊断结果为立即停电检修时，则下一个状态只能是停电检修。这与故障类型转移概率的计算方法有所区别。以#7避雷器为例，其包括样本19、样本20和样本21的监测数据，样本21模糊神经网络诊断结果输出值转化为DTMC概率值为[0.028,0.173,0.799]。MOA初始状态概率分布π″⁽⁰⁾＝[1,0,0]，表示执行状态检修周期(正常)，则样本21时刻到t时刻诊断结果转移概率矩阵为：

式中：第一行表示，当避雷器诊断结果为执行状态检修周期(正常)时，可能变为执行状态检修周期(正常)、缩短监测周期跟检和立即停电检修三种状态，概率即为自适应FNN输出概率值；第二行表示，当为缩短监测周期跟检时，下一个诊断结果只可能保持原状态或者立即停电检修，同时考虑行概率和为1，则概率为[0,0.178,0.822]；第三行表示，当诊断结果为立即停电检修，下一个状态只可能为停电检修，则概率值为1。

根据自适应FNN同样可以计算a′_19→20和a′_20→21转移概率矩阵，则#7避雷器下一个状态或者即将发生状态避雷器诊断结果概率为：

P^(t)＝π″⁽⁰⁾a′_19→20a′_20→21a′_21→t＝[0,0.002,0.998]

根据计算结果，概率最大值为0.998，远大于其他运行状态评估概率值。综合判定#7避雷器运行状态评估为FB状态，需立即停电检修，与实际运行状态评估相同。

融合历史数据基于自适应FNN与DTMC的MOA运行状态评估结果输出值如表6所示。

表6 基于自适应FNN与DTMC的MOA诊断结果输出值

通过表6所示，融合历史数据基于自适应FNN与DTMC的MOA诊断结果与实际诊断结果一致，其准确率为100％，通过DTMC融合不同时刻的诊断信息数据可以有效避免设置当阈值不同，自适应FNN计算准确度也不相同的缺点。

综上所述，本发明基于自适应FNN和DTMC模型对MOA进行故障类型判断和运行状态诊断评估是有效且高效的，文中首先提取与MOA运行状态相关指标参数，并通过自适应FNN对运行状态特征指标进行学习和进行自适应动态调整，然后基于DTMC模型融合历史数据，建立基于自适应FNN和DTMC的MOA在线故障监测与运行状态评估模型；最后通过即时数据仿真实验和融合历史数据仿真试验，证明了所提算法的合理性和可靠性能够达到在线故障监测和运行状态评估的要求。

以上所述，仅为本发明较佳的具体实施方式，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技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种氧化物避雷器在线故障诊断与状态评估方法，其特征在于：包括以下步骤：

步骤1：提取MOA运行状态特征指标数据，具体步骤如下：

步骤1.1：将避雷器故障原因进行分类：

根据避雷器故障导致原因细化分为四个方面，分别为绝缘老化、外绝缘污秽、放电闪络和内部受潮四个方面；

步骤1.2：归纳运行状态特征指标：

根据日常巡视判断情况，提出泄露监视电流表示数P1、使用年限P2、紫外成像放电程度P3、红外成像温升情况P4、外绝缘表面情况P5、放电声音P6、外套与法兰连接情况P7和外绝缘污秽程度P8八个运行状态特征指标；

步骤1.3：运行状态评估分类：

巡视时对避雷器运行状态评估分为三个等级，分别为“优”、“一般”、“差”，我们将其定义为FE、FW、FB，具体意义分别为：

(1)FE：执行状态检修周期，避雷器运行状态正常，按照正常周期内对避雷器进行巡视、试验和检修；

(2)FW：缩短监测周期，跟检，避雷器运行状态需要注意，需一个月内对设备进行试验，同时运维人员加强日常巡视；

(3)FB：立即停电检修，避雷器运行状态严重，需立即汇报当值调控人员，尽快安排立停电、试验和检修；

对于巡视时，所获得MOA运行状态特征指标数据类型主要包括有现场巡视数据和历史数据；现场巡视数据有泄露监视电流表示数P1、紫外成像放电程度P3、红外成像温升情况P4、外绝缘表面情况P5、外绝缘污秽程度P8、放电声音P6、避雷器使用年限P2和外套与法兰连接情况P7；

步骤1.4：根据运行状态特征指标数据分析可导致的故障原因并进行状态评估，基于大参数背景下运行状态特征指标在一定程度可以表示故障类型，但针对单一避雷器设备，故障随机性大；

步骤2：建立基于自适应FNN与DTMC的MOA在线故障监测与评估模型，具体步骤如下：

步骤2.1：建立MOA运行状态评估计算流程：

由于MOA在现有状态下，对未来状态评判只与最新一次监测运行特征数据有关，而与过去监测运行特征数据无直接关系；基于自适应FNN计算得到结果转为DTMC模型转移概率值，对历史数据进行融合，得到最终故障类型和运行状态评估结果，由此建立MOA运行状态评估计算流程；

步骤2.2：输入量的模糊化：

自适应FNN基本论域的确定，对于MOA泄露监视电流表示数P1和使用年限P2的定量指标通过归一化将输入值的论域设置为[0，1]，直接得到自适应FNN的输入参数；考虑到P1和P2均为越小越优型数据，当避雷器绝缘老化、外绝缘污秽或内部受潮，泄露监视电流表示数较历史数据偏大，通过公式(1)进行归一化处理；

式中：x′为避雷器特征数据P1和P2实际值，maxx′为P1和P2中最大值，minx′为P1和P2的最小值；

对于定性指标：紫外成像放电程度P3、红外成像温升情况P4和放电声音P6均通过传感器得到量化值；而对于外绝缘表面情况P5、外套与法兰连接情况P7和本体外绝缘污秽程度P8需通过图像采集装置并根据算法得到其运行状况；基于EfficientDet和双目摄像头对避雷器P5、P7和P8指标运行状况进行评估，同时根据检修和试验专家人员以及综合考虑以往案例进行量化打分；

步骤2.3：模糊规则库的确定：

基于自适应FNN与DTMC的MOA运行状态评估建议其实质是专家评估系统，根据MOA现有运行状态，判断MOA是否存在故障、故障类型和故障严重程度；同样地，将避雷器8个运行状态特征指标分为三个等级，分别为“优”、“一般”、“差”，模糊语言变量定义为FE、FW、FB，依据是已有避雷器故障数据组成的模糊规则库，语言规则为if-then结构，其模糊推理规则形式为：

R_t:if P1 is F(P1),P(n)is F(P(n)),

…P8 is F(P8)；Then y′ is G′_t,y″ is G″_t

式中：R_t为第t个模糊推理规则；P(n)为第n个MOA运行状态特征类型；F(P(n))为第n个MOA运行状态特征数据对应的模糊等级，三个等级“FB、FW和FE”，即F(P(n))∈{FB,FW,FE}；y是模糊推理输出类型，y′为故障类型和y″为运行状态评估诊断建议；G′_t为故障类型输出结果A1、A2、A3和A4，分别表示绝缘老化、外绝缘污秽、放电闪络和内部受潮故障类型；G″_t为诊断结果评估建议的具体措施；

步骤2.4：建立自适应FNN结构：

模糊神经具有神经网络和模糊系统双重特点，可以很好解决非线性和模糊性的问题；基于自适应FNN结构，自适应FNN包括输入层、模糊化层、模糊规则层和输出层：

(1)输入层：即MOA巡视获得运行状态特征数据，分别为P1，P2，P3，P4，P5，P6，P7，P8；

(2)模糊化层：即隶属函数层，主要对避雷器每个指标量进行计算，利用隶属函数层计算FE、FW、FB语言变量对应值的集合，每一个避雷器运行状态特征指标对应三个语言变量隶属度函数值；模糊神经网络隶属度函数有三角形、梯形、柯西和高斯隶属度函数；考虑变量的连续性和高斯函数的平滑性，对于避雷器运行状态特征指标泄露监视电流表示数P1、避雷器使用年限P2、紫外成像放电程度P3、红外成像温升情况P4、外绝缘表面情况P5、放电声音P6、外套与法兰连接情况P7和外绝缘污秽程度P8八个变量均利用高斯函数进行模糊求解，如式(2)所示

其中：a_ij为第i避雷器运行状态特征指标的隶属函数值，Z_ij为隶属函数高斯中心值，σ_ij为高斯函数的宽度，n为避雷器运行状态特征数据个数，m为第2层节点的个数；

(3)模糊规则层，主要计算模糊规则库中的if-then语句，具体计算公式如式(3)所示，各个模糊规则均有对应节点，通过节点值计算每个对应隶属度参数值：

b_j＝a_1i(P₁)a_2r(P₂)…a_nl(P_n),j＝1,2,…,m (3)

其中：b_j为该层节点输出值；

(4)输出层，将模糊输出量清晰化，其公式(4)所示

式中：

为神经网络系数；

自适应FNN结构确定后，核心是通过样本数据计算高斯函数参数Z_ij和σ_ij，主要步骤有误差计算、系数修正和参数修正，公式分别为：

误差计算：

式中：y_d为故障类型或者诊断结果期望输出，y_c为故障类型或者诊断结果实际输出值；

系数修正：

式中：α为自适应FNN学习速率；

参数修正：

式中：β为自适应FNN参数调整系数；

步骤2.5：基于DTMC模型的历史数据融合：

针对同一避雷器，机器人或者运维人员巡视时，当判定各个指标正常时，将按照原有巡视周期进行巡视；当避雷器某一个运行指标存在问题，机器人或者运维人员会跟踪监测并通知检修人员处理；不同时刻的避雷器运行状态特征数据存在关联，且避雷器在现有状态下，对未来状态评判只与最新一次监测运行特征数据有关，而与过去监测运行特征数据无直接关系；当避雷器实际为内部受潮故障，前一次运行状态为正常，如果不进行检修，未来几乎不可能再转为正常状态；对于同一避雷器在一段连续的时间运行特征状态，利用自适应FNN结果和时间信息相结合的方法，可以很好提高负荷辨识率和辨识的鲁棒性，利用DTMC对同一避雷器的运行状态特征指标进行融合；

步骤2.6：判定其最大值对应的MOA故障判断和评估建议：

DTMC当一个系统有n个有限状态，Q＝{q₁,q₂,…,q_n}，针对避雷器故障类型一共有5种状态，分别为绝缘老化、外绝缘污秽、放电闪络、内部受潮和正常；对于避雷器诊断评估一共3种状态，分别FW、FE和FD；随着时间推移，同一避雷器将从一个状态转移到另外一个状态；假定在t时刻的状态为s_t，在马尔可夫链中避雷器在t时刻处于q_t的概率取决于其在时刻1，2，…，t-1的状态；而在特定条件下，系统在t时刻的状态s_t只与其在t-1时刻的状态s_t-1有关，其概率为：

P(q_t＝s_j|q_t-1＝s_t,q_t-2＝s_k,…)＝P(q_t＝s_j|q_t-1＝s_t) (10)

则该避雷器构成一个离散的一阶马尔可夫链，将DTMC简记为：λ＝(α,β,Π)，其中：①状态转移概率分布α＝{a_ij}，a_ij＝P{q_t+1＝s_j|q_t＝s_i}，1≤i,j≤N，a_ij是从状态s_i到状态s_j的状态转移概率分布，即随机序列在t+1时刻所处的状态为s_j的概率，其取值只与它在t时刻的状态s_i有关，而与t时刻以前它所处的状态无关；②β为观测值概率矩阵，记为β＝{b_i(k)}，表示状态j输出相应观察值的概率，b_i(k)为t时刻观测值V_k的概率，b_i(k)＝P{O_t＝v_k|q_t＝S_i}，1≤j≤N，1≤k≤M；③初始化状态分布Π＝{π₁,π₂,…π_N}，用于描述给定的观察序列O＝{o₁,o₂,…,o_t}；在t＝1时刻状态q₁表示模型中初始状态的概率分布，即π_i＝P(q₁＝S_i),i＝1,2…,N，它满足关系式：

将自适应FNN输出值处理作为马尔科夫链状态转移概率值a_ij，不考虑人为和设备因素，避雷器的初始状态为正常或者执行状态检修周期，则初始状态概率分布π′⁽⁰⁾＝[00001]或者π″⁽⁰⁾＝[100]，根据马尔科夫链柯尔莫哥洛夫-开普曼定理，第t个时间的概率分布为：

P^(t)＝π⁽⁰⁾a_1→2a_2→3…a_(t-1)→t (11)

式中：a_(t-1)→t 为s_t-1状态变为s_t转移概率矩阵；利用Bayesian极大似然值思想，通过不同概率值的比较，判定其最大值对应的MOA故障判断和评估建议为辨识结果；

步骤3：输入避雷器8个运行特征数据生成预测数据，并根据DTMC对预测数据计算得到最终故障类型和运行状态评估概率值。

Images