CN114740288A - 避雷器故障诊断方法、装置、电子设备及存储介质 - Google Patents
避雷器故障诊断方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114740288A CN114740288A CN202210240483.7A CN202210240483A CN114740288A CN 114740288 A CN114740288 A CN 114740288A CN 202210240483 A CN202210240483 A CN 202210240483A CN 114740288 A CN114740288 A CN 114740288A
- Authority
- CN
- China
- Prior art keywords
- fault
- lightning arrester
- neural network
- sample
- arrester
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 35
- 210000002569 neuron Anatomy 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 17
- 230000005284 excitation Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 210000004205 output neuron Anatomy 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000032683 aging Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000011787 zinc oxide Substances 0.000 description 2
- 229910009447 Y1-Yn Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明实施例公开了一种避雷器故障诊断方法、装置、电子设备及存储介质，其中方法包括：获取不同故障类型的避雷器故障样本；将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型，可以准确进行避雷器故障诊断，且系统具有极强的自组织能力与自学能力。
Description
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种避雷器故障诊断方法、装置、电子设备及存储介质。
背景技术
中低压避雷器作为配网电气设备过电压保护的重要手段，对其故障状态的诊断对配网安全稳定运行具有十分重要的意义。传统的避雷器故障诊断方法，确实在理论上能够一定程度地反映避雷器的故障状态，但是在实际应用中的效果却不尽如人意。造成这一现象的主要原因是：避雷器的实际工作运行环境很复杂，温度、湿度、表面污秽等实际存在的现场因素使得实测数据的准确性降低，数据同期可比性较差，测量量难以作为最终结果的判断依据。
发明内容
本发明的主要目的在于提供一种避雷器故障诊断方法、装置、电子设备及存储介质，具有容错和容差能力，具有很强的自适应能力，能把识别处理和干预处理融合在一起；具有识别速度快、学习算法稳定、易于训练等特点。
为实现上述目的，本申请第一方面提供一种避雷器故障诊断方法，所述方法包括：
获取不同故障类型的避雷器故障样本；
将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；
将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型。
可选地，所述避雷器故障样本包括但不限于无间隙避雷器、带串联间隙避雷器和跌落式避雷器的故障样本。
可选地，所述神经网络包括输入层、隐含层和输出层；
所述输入层的输入设置包括但不限于避雷器的泄漏电流、阻性电流和三次谐波电流；
所述隐含层用于所述神经网络的计算且将计算结果输出到输出层；
所述输出层的分类设置包括但不限于避雷器受潮、避雷器阀片老化、避雷器阀片击穿和避雷器放电四种故障类型。
可选地，所述使神经网络对每种故障类型的所述避雷器故障样本进行学习，包括：
使所述神经网络基于预设的基函数和激励函数，对每种故障类型的所述避雷器故障样本进行学习，以修正所述神经网络的训练权值。
可选地，所述预设的基函数选用径向基函数；所述预设的激励函数选用tanh函数。
可选地，所述修正所述神经网络的训练权值，包括：
通过NAG算法以及预设的动量因子修正所述神经网络的训练权值。
可选地，所述将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型，包括：
将待测样本输入所述避雷器故障诊断模型进行处理，获得所述待测样本的输出神经元在输出层的位置；
根据所述待测样本的输出神经元在输出层的位置，确定所述待测样本的目标故障类型。
为实现上述目的，本申请第二方面提供一种避雷器故障诊断装置，包括：
获取模块，用于获取不同故障类型的避雷器故障样本；
训练模块，用于将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；
处理模块，用于将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型。
本申请第三方面提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面及其任一种可能的实现方式的步骤。
为实现上述目的，本申请第四方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如第一方面所述的方法中的各个步骤。
本申请提供一种避雷器故障诊断方法，通过获取不同故障类型的避雷器故障样本；将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型，可以准确进行避雷器故障诊断，且系统具有极强的自组织能力与自学能力，相较于其它故障诊断方法具有较多明显优势：具有容错和容差能力，具有很强的自适应能力；能把识别处理和干预处理融合在一起；具有识别速度快、学习算法稳定、易于训练等特点。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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，还可以根据这些附图获得其他的附图。
其中：
图1为本申请实施例所提供的一种避雷器故障诊断方法的流程示意图；
图2为本申请实施例所提供的一种神经网络模型结构示意图；
图3为本申请实施例所提供的一种避雷器故障诊断装置的结构示意图；
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例中提到的避雷器是用于保护电气设备免受高瞬态过电压危害并限制续流时间也常限制续流幅值的一种电器。
本申请实施例中涉及的神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参阅图1，为本申请实施例中一种避雷器故障诊断方法的流程示意图，如图1所示，该方法包括：
101、获取不同故障类型的避雷器故障样本。
本申请实施例中的执行主体可以为一种避雷器故障诊断装置，在具体实现中可以为一种电子设备，上述电子设备可以为终端设备，包括但不限于诸如台式计算机、平板电脑、移动终端(如手机)、智能穿戴设备等智能设备。本申请实施例中的方法可以通过电子设备中的软件系统实现。
具体的，本申请实施例中所采用的避雷器故障样本可以是中低压避雷器故障样本，可以基于避雷器的常见故障类型进行样本选择，可以选择不同故障类型的标准故障样本。避雷器故障样本标注有相应的故障类型，通常可以选择多种不同故障类型的样本，每种故障类型的样本可以有多个，以更全面地训练神经网络模型。
在一种可选的实施方式中，上述避雷器故障样本可包括但不限于：无间隙避雷器(arrester without gaps)、带串联间隙避雷器(arrester with series gaps)和跌落式避雷器的故障样本。其中，跌落式(可投式、可卸式)避雷器是将配电型氧化锌避雷器改装后巧妙地安装在跌落式熔断器的跌落式机构上，达到在不断电的情况下，可以借助绝缘拉闸操纵杆方便地对避雷器进行检测、维修与更换。
102、将上述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的上述避雷器故障样本进行学习，在上述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型。
可以基于选取的样本训练神经网络模型。具体的，不同故障类型的样本具有不同的特征，神经网络可以对避雷器的每一种标准故障样本进行学习，网络训练结束后，对具有最大输出的神经元做出此类故障类型的标记，以获得最终的避雷器故障诊断模型。训练后的避雷器故障诊断模型可以用于对避雷器的故障类型进行诊断。
在一种可选的实施方式中，上述神经网络包括输入层、隐含层和输出层；
上述输入层的输入设置包括但不限于避雷器的泄漏电流、阻性电流和三次谐波电流；
上述隐含层用于上述神经网络的计算且将计算结果输出到输出层；
上述输出层的分类设置包括但不限于避雷器受潮、避雷器阀片老化、避雷器阀片击穿和避雷器放电四种故障类型。
本申请实施例中可以根据需要选择和调整神经网络架构，此处不做限制。本申请实施例中的神经网络结构主要可包括输入层、隐含层和输出层，其中：
输入层的输入设置可包括避雷器的泄漏电流、阻性电流和三次谐波电流；
隐含层用于上述神经网络的计算且将计算结果输出到输出层；
输出层的分类设置可包括避雷器受潮、避雷器阀片老化、避雷器阀片击穿和避雷器放电四种故障类型。
具体的，可以参见图2，图2为本申请实施例提供的一种神经网络模型结构示意图，如图2所示，神经网络由多个神经单元组成，X1-X10可以看作输入层神经元，Y1-Yn可以看作隐含层神经元，看作输出层神经元。
神经网络通过输入层激活信号，再通过隐含层提取特征，不同隐含层神经元对应不同输入层的神经元权重和自身偏置均可能不同，输入层兴奋传递到隐含层兴奋，最后输出层根据不同的隐含层权重和自身偏置输出结果。
其中，本申请实施例中输入层的输入设置可包括避雷器的泄漏电流、阻性电流和三次谐波电流，上述输出层神经元Q1-Q4可以对应不同的分类结果，即可以是避雷器受潮、避雷器阀片老化、避雷器阀片击穿和避雷器放电四种故障类型。也可以根据需要设置和调整各层神经元的数量、具体的输入层所需输入和输出层的分类，本申请实施例对此不做限制。
进一步可选的，上述输入层的输入设置具体可以包括：
A相避雷器泄漏电流X1、A相避雷器阻性电流X2、A相三次谐波电流X3、B相避雷器泄漏电流X4、B相避雷器阻性电流X5、B相三次谐波电流X6、C相避雷器泄漏电流X7、C相避雷器阻性电流X8、C相三次谐波电流X9、零序泄漏电流X10。
可选的，针对上述隐含层，相对于传统的神经网络结构设计，本申请实施例中采用NAG算法(Nesterov accelerated gradient)优化网络权向量。具体可以参见后续描述。
在一种可选的实施方式中，上述使神经网络对每种故障类型的上述避雷器故障样本进行学习，包括：
使上述神经网络基于预设的基函数和激励函数，对每种故障类型的上述避雷器故障样本进行学习，以修正上述神经网络的训练权值。
进一步可选的，上述预设的基函数选用径向基函数；上述预设的激励函数选用tanh函数。
具体的，神经网络模型的设计包括基函数、激励函数的选取和神经网络的优化。本申请实施例中神经网络的基函数选用高级的径向基函数，其公式如下：
其中μt为中心点，σt为径基宽度。上述基函数只在距离中心点附近的某一邻域内响应显著，而函数值随着与中心点的距离的增大呈单调递减趋势。
可选的，本申请实施例中神经网络的激励函数可选用tanh函数，其公式如下：
tanh函数单调连续，二阶连续可微并且收敛速度非常快，可作为本申请实施例中神经网络的激励函数。
在一种可选的实施方式中，上述修正上述神经网络的训练权值，包括：
通过NAG算法以及预设的动量因子修正上述神经网络的训练权值。
具体的，记vt为第t次迭代梯度的累积，公式如下：
其中，γ是动量因子，也可称衰减率，η代表学习率，可以根据需要进行设置。例如可以取γ＝0.9，η＝0.01。
本申请实施例中神经网络的优化通过NAG算法修正训练权值，有效地解决了神经网络局部收敛的问题，并且加快了收敛速度。
103、将待测样本输入上述避雷器故障诊断模型，获得上述待测样本的目标故障类型。
通过前述步骤可以训练神经网络，获得训练后的避雷器故障诊断模型。上述待测样本可以为任意待检测故障类型的中低压避雷器故障样本，在应用中，可以将待测样本输入该训练后的避雷器故障诊断模型，从而可以输出待测样本的目标故障类型。
在一种可选的实施方式中，上述将待测样本输入上述避雷器故障诊断模型，获得上述待测样本的目标故障类型，包括：
将待测样本输入上述避雷器故障诊断模型进行处理，获得上述待测样本的输出神经元在输出层的位置；
根据上述待测样本的输出神经元在输出层的位置，确定上述待测样本的目标故障类型。
基于模型训练，不同的输出神经元对应不同的故障类型，则将待测样本输入该避雷器故障诊断模型之后，模型可以识别该待测样本的特征，确定相应的输出神经元在输出层的位置，进而可以根据输出神经元在输出层的位置和避雷器某种标准故障样本的输出比对结果，判断待测样本发生的故障类型。
其中，待测样本的输入可以包括模型训练时输入层的输入设置的内容，此处不再赘述。
在一种可选的实施方式中，上述步骤101和步骤102可以在第一设备中实现，即训练网络模型，而上述步骤103可以在该第一设备中实现，也可以在第二设备中实现，即可以将第一设备中训练好的网络模型存储于第二设备中，执行如步骤103所示的处理。
传统的避雷器故障诊断方法，在理论上能够一定程度地反映避雷器的故障状态，但是在实际应用中的效果却不尽如人意。造成这一现象的主要原因是：避雷器的实际工作运行环境很复杂，温度、湿度、表面污秽等实际存在的现场因素使得实测数据的准确性降低，数据同期可比性较差，测量量难以作为最终结果的判断依据。
本申请实施例中，通过获取不同故障类型的避雷器故障样本；将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型，可以准确进行避雷器故障诊断，且系统具有极强的自组织能力与自学能力。其中，具体可以输入避雷器泄漏电流、阻性电流和三次谐波电流，采用高级的径向基函数作为神经网络的神经元函数、tanh函数作为激励函数，NAG优化神经网络权值，与神经网络模式识别相结合设计出故障诊断系统模型，识别出避雷器受潮、避雷器阀片老化、避雷器阀片击穿、避雷器放电四种故障类型。使用NAG优化算法与神经网络模式识别相结合的新算法，使得所设计的避雷器故障诊断系统具有极强的自组织能力与自学能力。相较于其它故障诊断方法具有较多明显优势：具有容错和容差能力，具有很强的自适应能力；能把识别处理和干预处理融合在一起；具有识别速度快、学习算法稳定、易于训练等特点。
基于上述避雷器故障诊断方法实施例的描述，本申请实施例还公开了一种避雷器故障诊断装置，请参见图3，该避雷器故障诊断装置300包括：
获取模块310，用于获取不同故障类型的避雷器故障样本；
训练模块320，用于将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；
处理模块330，用于将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型。
在一种可选的实施方式中，上述避雷器故障样本包括但不限于无间隙避雷器、带串联间隙避雷器和跌落式避雷器的故障样本。
在一种可选的实施方式中，上述神经网络包括输入层、隐含层和输出层；
上述输入层的输入设置包括但不限于避雷器的泄漏电流、阻性电流和三次谐波电流；
上述隐含层用于上述神经网络的计算且将计算结果输出到输出层；
上述输出层的分类设置包括但不限于避雷器受潮、避雷器阀片老化、避雷器阀片击穿和避雷器放电四种故障类型。
在一种可选的实施方式中，上述训练模块320具体由于：
使上述神经网络基于预设的基函数和激励函数，对每种故障类型的上述避雷器故障样本进行学习，以修正上述神经网络的训练权值。
在一种可选的实施方式中，上述预设的基函数选用径向基函数；上述预设的激励函数选用tanh函数。
在一种可选的实施方式中，上述修正上述神经网络的训练权值，包括：
通过NAG算法以及预设的动量因子修正上述神经网络的训练权值。
在一种可选的实施方式中，上述处理模块330具体用于：
将待测样本输入上述避雷器故障诊断模型进行处理，获得上述待测样本的输出神经元在输出层的位置；
根据上述待测样本的输出神经元在输出层的位置，确定上述待测样本的目标故障类型。
可以理解的是，涉及到图3中的各个模块的相关内容在前述方法实施例中已经进行详细描述，具体可以参阅方法实施例中的内容，此处不做赘述。并且，图3所示实施例中涉及到的神经网络模型的结构可以参考图1和图2所示实施例中的描述，此处不再赘述。
本申请实施例中的避雷器故障诊断装置300，避雷器故障诊断装置300可以获取不同故障类型的避雷器故障样本；将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型，可以准确进行避雷器故障诊断。
在本申请的一个实施例中，还提出了一种电子设备。请参见图4，图4为本申请实施例提供的一种电子设备的结构示意图。如图4所示，该电子设备400包括处理器401和存储器402，所述存储器402存储有计算机程序，还可以包括本申请实施例中的避雷器故障诊断模型，所述计算机程序被所述处理器401执行时，将执行如图1所示方法实施例中的任意步骤。
在一个实施例中，还提出了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，所述计算机程序被处理器401执行时，使得所述处理器401执行上述方法实施例中的任意步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种避雷器故障诊断方法，其特征在于，所述方法包括：
获取不同故障类型的避雷器故障样本；
将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；
将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型。
2.根据权利要求1所述方法，其特征在于，所述避雷器故障样本包括但不限于无间隙避雷器、带串联间隙避雷器和跌落式避雷器的故障样本。
3.根据权利要求2所述方法，其特征在于，所述神经网络包括输入层、隐含层和输出层；
所述输入层的输入设置包括但不限于避雷器的泄漏电流、阻性电流和三次谐波电流；
所述隐含层用于所述神经网络的计算且将计算结果输出到输出层；
所述输出层的分类设置包括但不限于避雷器受潮、避雷器阀片老化、避雷器阀片击穿和避雷器放电四种故障类型。
4.根据权利要求1所述方法，其特征在于，所述使神经网络对每种故障类型的所述避雷器故障样本进行学习，包括：
使所述神经网络基于预设的基函数和激励函数，对每种故障类型的所述避雷器故障样本进行学习，以修正所述神经网络的训练权值。
5.根据权利要求4所述方法，其特征在于，所述预设的基函数选用径向基函数；所述预设的激励函数选用tanh函数。
6.根据权利要求4所述方法，其特征在于，所述修正所述神经网络的训练权值，包括：
通过NAG算法以及预设的动量因子修正所述神经网络的训练权值。
7.根据权利要求1所述方法，其特征在于，所述将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型，包括：
将待测样本输入所述避雷器故障诊断模型进行处理，获得所述待测样本的输出神经元在输出层的位置；
根据所述待测样本的输出神经元在输出层的位置，确定所述待测样本的目标故障类型。
8.一种避雷器故障诊断装置，其特征在于，包括：
获取模块，用于获取不同故障类型的避雷器故障样本；
训练模块，用于将所述不同故障类型的避雷器故障样本输入神经网络，使神经网络对每种故障类型的所述避雷器故障样本进行学习，在所述神经网络训练结束后对具有最大输出的神经元做出相应的故障类型的标记，获得避雷器故障诊断模型；
处理模块，用于将待测样本输入所述避雷器故障诊断模型，获得所述待测样本的目标故障类型。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210240483.7A CN114740288A (zh) | 2022-03-10 | 2022-03-10 | 避雷器故障诊断方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210240483.7A CN114740288A (zh) | 2022-03-10 | 2022-03-10 | 避雷器故障诊断方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114740288A true CN114740288A (zh) | 2022-07-12 |
Family
ID=82276167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210240483.7A Pending CN114740288A (zh) | 2022-03-10 | 2022-03-10 | 避雷器故障诊断方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114740288A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201237622Y (zh) * | 2008-04-22 | 2009-05-13 | 南京伏安电力设备有限公司 | 柜内三相避雷器在线监测装置 |
| CN102288850A (zh) * | 2011-07-11 | 2011-12-21 | 广东电网公司电力科学研究院 | 氧化锌避雷器监测装置 |
| CN103809069A (zh) * | 2012-11-15 | 2014-05-21 | 国家电网公司 | 避雷器故障指示方法及装置 |
| CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
| CN108919059A (zh) * | 2018-08-23 | 2018-11-30 | 广东电网有限责任公司 | 一种电网故障诊断方法、装置、设备及可读存储介质 |
| CN114021475A (zh) * | 2021-11-17 | 2022-02-08 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于lstm的避雷器故障判断方法、装置、设备、介质和产品 |
-
2022
- 2022-03-10 CN CN202210240483.7A patent/CN114740288A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201237622Y (zh) * | 2008-04-22 | 2009-05-13 | 南京伏安电力设备有限公司 | 柜内三相避雷器在线监测装置 |
| CN102288850A (zh) * | 2011-07-11 | 2011-12-21 | 广东电网公司电力科学研究院 | 氧化锌避雷器监测装置 |
| CN103809069A (zh) * | 2012-11-15 | 2014-05-21 | 国家电网公司 | 避雷器故障指示方法及装置 |
| CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
| CN108919059A (zh) * | 2018-08-23 | 2018-11-30 | 广东电网有限责任公司 | 一种电网故障诊断方法、装置、设备及可读存储介质 |
| CN114021475A (zh) * | 2021-11-17 | 2022-02-08 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于lstm的避雷器故障判断方法、装置、设备、介质和产品 |
Non-Patent Citations (1)
| Title |
|---|
| 张明鉴: "变电站避雷器在线监测系统的研究与设计", pages 45 - 49 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
| EP3809592A1 (en) | Methods and systems for fault detection, diagnosis and localization in solar panel network | |
| CN112149554B (zh) | 故障分类模型的训练、故障检测方法及相关装置 | |
| CN113792495B (zh) | 一种基于在线监测数据的避雷器运行状态识别方法、装置 | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN111160241B (zh) | 一种基于深度学习的配电网故障分类方法、系统和介质 | |
| Lira et al. | MOSA monitoring technique based on analysis of total leakage current | |
| CN110334865B (zh) | 一种基于卷积神经网络的电力设备故障率预测方法及系统 | |
| CN113850330A (zh) | 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法 | |
| CN112444748A (zh) | 电池异常检测方法、装置、电子设备及存储介质 | |
| CN115656673A (zh) | 变压器数据的处理及装置、设备存储介质 | |
| CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
| Khaleghi et al. | Transient fault area location and fault classification for distribution systems based on wavelet transform and adaptive neuro-fuzzy inference system (ANFIS) | |
| CN111832653B (zh) | 基于XGboost算法的避雷器缺陷诊断方法及系统 | |
| CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
| CN111600309A (zh) | 电压控制方法、装置、设备、计算机设备和存储介质 | |
| CN114740288A (zh) | 避雷器故障诊断方法、装置、电子设备及存储介质 | |
| CN117114161A (zh) | 一种基于元学习的输电线路风偏闪络风险的预测方法 | |
| Chen et al. | Parameter optimisation of support vector machine using mutant particle swarm optimisation for diagnosis of metal-oxide surge arrester conditions | |
| CN115656747A (zh) | 基于异构数据的变压器缺陷诊断方法、装置和计算机设备 | |
| CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
| CN113344435B (zh) | 台区供电状态评估、装置、电子设备和存储介质 | |
| CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 | |
| CN115085368A (zh) | 变压器健康状态监测方法、装置、计算机设备和存储介质 | |
| CN114239636A (zh) | 缺陷类型识别方法、装置、计算机设备、存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220712 |