CN117192312B - 基于机器学习的二次交流电缆绝缘异常监测方法及系统 - Google Patents
基于机器学习的二次交流电缆绝缘异常监测方法及系统 Download PDFInfo
- Publication number
- CN117192312B CN117192312B CN202311465736.1A CN202311465736A CN117192312B CN 117192312 B CN117192312 B CN 117192312B CN 202311465736 A CN202311465736 A CN 202311465736A CN 117192312 B CN117192312 B CN 117192312B
- Authority
- CN
- China
- Prior art keywords
- ground
- alternating current
- insulation
- cable
- phase
- 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.)
- Active
Links
- 238000009413 insulation Methods 0.000 title claims abstract description 273
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000005856 abnormality Effects 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000010801 machine learning Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 claims abstract description 85
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000009795 derivation Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 63
- 230000007935 neutral effect Effects 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012800 visualization Methods 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000003869 coulometry Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000520 microinjection Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- 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
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及电缆绝缘异常在线监测技术领域，公开了基于机器学习的二次交流电缆绝缘异常监测方法及系统包括，收集二次交流电流回路电参量进行特征衍生，并筛选出适用于二次交流回路对地绝缘异常诊断的有效高维特征集；构建基于树结构概率密度计算的参数优化的XGBoost模型，用高维特征样本集对XGBoost模型进行训练；基于树结构概率密度计算法的参数优化的XGBoost模型中引入TreeSHAP解释性框架。本发明所述方法利用特征衍生技术处理继电保护二次交流电流、电压回路电缆对地绝缘异常数据，采用树结构概率密度计算法优化二次电缆对地绝缘异常诊断模型参数，从而得到最佳的继电保护二次交流回路电缆对地绝缘诊断模型。
Description
技术领域
本发明涉及电缆绝缘异常在线监测技术领域，尤其涉及基于机器学习的二次交流电缆绝缘异常监测方法及系统。
背景技术
继电保护系统在电网的安全和稳定运行中起着关键作用。二次交流回路电缆的对地绝缘能力直接影响继电保护装置的可靠性和准确性。如果二次交流回路电缆的绝缘损伤或老化，将导致信号失真、干扰增加甚至导致保护误动或故障漏判，降低继电保护装置对电力系统故障的检测和隔离能力。然而，继电保护二次交流回路电缆的工作环境复杂，绝缘能力时刻受到考验。施工过程中的电缆敷设、碰撞、迁移以及小动物的咬嚼等情况都可能损伤绝缘。长期运行后，微弱缺陷可能逐渐加重，导致信号传输不准确，甚至引发误动和拒动，威胁电网的安全稳定运行。
为防止继电保护二次交流回路电缆绝缘损伤引发的误动事件，目前二次电缆对地绝缘判断主要是通过人工摇绝缘试验，但人工摇绝缘试验检测周期长、工作量大且检测期间设备必须停运，因此，人工摇绝缘无法及时发现二次交流回路电缆对地隐患，且受主观因素的影响，可能导致漏检或误判。
在线监测判断二次交流电缆对地绝缘是一种及时发现电缆绝缘缺陷的重要技术途径。在交流电缆绝缘监测方面，目前已有大量研究，但主要集中在一次电缆绝缘方面，其在线监测方法可分为三大类：电量分析法、信号注入法和综合分析法。电量分析法是通过对电缆的电流、电压、电阻等参数进行分析来评估电缆的绝缘的状况，例如：申请号202211641768.8专利公开了一种基于线路传导特性的电缆绝缘监测技术，该技术通过分析监测到的接地线电流与已有的各种电缆绝缘异常情况下接地线电流变化曲线的相关度，诊断线路绝缘缺陷；申请号202211641932.5专利公开了一种高压电缆绝缘在线监测方法，用实时采集到的电压、电流求解最小二乘意义下的电缆模型参数估计值，据此得到的电缆线路对地绝缘电阻值，从而判断电缆的绝缘水平；申请号202310053069.X专利公开了一种高压电缆绝缘在线监测方法，通过电缆绝缘参数模型将泄漏电流转换为绝缘电阻值来表征电缆绝缘情况。信号注入法是通过将高频信号或脉冲信号注入电缆中以测试其绝缘性能的方法，例如：申请号202310460127.0专利公开了一种实时采集装置、设计方法及电缆在线监测方法，采用微注入法得到电缆的绝缘电阻，进而判断电阻判断待测电缆的劣化程度。综合分析法结合了电量分析法和信号注入法的优点，通过多种参数和技术手段进行综合分析来评估电缆的绝缘的状态，例如：申请号201510589199.0的专利公开了一种变电站电缆的绝缘监测方法及装置，通过实时监测和分析电缆的端子温度、局部放电情况和零序电流、电压，实现对电缆的运行状态的评估。
从已公开的专利来看，目前针对一次电缆绝缘在线监测的技术较为丰富，但不能直接应用于二次电缆绝缘监测。此外，虽然已经有技术通过测量接地线的电流来检测二次电流回路电缆是否存在接地问题，如：申请号201420577869.8的专利公开了一种二次电流回路多点接地故障检测装置，这类方法是为了解决现场在拆除安全措施时漏拆接地线的情况，且二次电流回路多点接地是二次电缆绝缘故障的极端情况，它并不能直接判断电缆是否存在绝缘不足问题。
综上所述，现有绝缘检测技术存在以下问题：
（1）通过人工摇绝缘试验开展电缆绝缘检测，很大程度上依赖于操作者的专业知识和经验，容易受到主观因素的影响，且人工摇绝缘试验必须在设备停电时开展，因此，无法实时跟踪和准确判断电缆对地的绝缘状态。
（2）现有的绝缘监测技术主要针对一次电缆，适用于高电压、大电流信号，而继电保护二次交流电缆对地绝缘异常信号属于振幅低、波动小的小信号，因此，现有的一次电缆绝缘异常检测技术不能满足继电保护二次交流电缆对地绝缘异常的检测要求。
（3）对于如何准确判断二次电缆对地绝缘不足的技术研究和应用仍相对有限，导致未能及时检测和处理对地绝缘不良的二次电缆，进一步增加了电力系统运行的安全风险。
发明内容
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了基于机器学习的二次交流电缆绝缘异常监测方法，能够解决传统的通过人工摇绝缘试验开展电缆绝缘检测，很大程度上依赖于操作者的专业知识和经验，容易受到主观因素的影响，且人工摇绝缘试验必须在设备停电时开展，因此，无法实时跟踪和准确判断电缆对地的绝缘状态的问题。
为解决上述技术问题，本发明提供如下技术方案，基于机器学习的二次交流电缆绝缘异常监测方法，包括：
收集二次交流电流回路电参量进行特征衍生，并筛选出适用于二次交流回路对地绝缘异常诊断的有效高维特征集；
构建基于树结构概率密度计算的参数优化的XGBoost模型，用高维特征集对XGBoost模型进行训练，设定测试集准确率为模型优化收敛条件，当满足准确率时，输出最优绝缘异常诊断模型，当准确率不足时，在训练集下采用树结构概率密度估计算法对XGBoost模型进行参数寻优，直至模型性能满足收敛条件为止；
基于树结构概率密度计算法的参数优化的XGBoost模型中引入TreeSHAP解释性框架，通过TreeSHAP解释性框架实现诊断模型训练过程中，特征量与诊断结果间的内在关系及数据规律挖掘，实现故障诊断过程的可视化及可解释化。
作为本发明所述的基于机器学习的二次交流电缆绝缘异常监测方法的一种优选方案，其中：所述收集二次交流电流回路电参量包括，通过集中监测管理单元模块对继电保护二次电流回路A、B、C三相电流有效值进行采集得到Ia、Ib、 Ic，通过在继电保护二次交流电流回路中性线的接地线上安装高精度微型电流传感器，采集电流回路中性线电流I0，通过在继电保护二次交流电流回路一点接地的接电线上安装多个开口式高精度微型电流传感器，采集电流回路接地线电流Ie_c，通过在继电保护二次交流电压回路全站N600一点接地的接地线上安装多个开口式高精度微型电流传感器，采集电压回路接地线电流Ie_v，通过在继电保护二次交流电流回路A、B、C三相上安装接地电阻指示器，检测三相电流回路接地电阻Ra-g、Rb-g、Rc-g，通过在继电保护二次交流电流回路中性线的接地线上安装接地电阻指示器，检测电流回路中性线接地电阻Rn-g。
作为本发明所述的基于机器学习的二次交流电缆绝缘异常监测方法的一种优选方案，其中：所述特征衍生包括，定义继电保护装置二次交流电流回路A相电流不平衡差异度为特征量/>，A相不平衡差异度表达式为，
；
其中，Ia、Ib和 Ic分别继电保护二次交流电流回路A、B、C三相电流有效值，Ie_c表示继电保护二次交流电流回路地线电流，N表示电流样本数，Iav表示三相电流的平均值，p是差异度增强可调参数，用于控制不平衡度计算的敏感度，q 是地线关联度可调参数，用于调节相电流与地线电流差异的敏感度，β是权重系数，α是表示Ia与Ie_c接近程度阈值；
当二次交流回路电缆对地绝缘良好的情况下，A、B、C三相电流为平衡状态，当二次交流回路中一相电缆对地绝缘破损导致接地时，相比正常三相电流，电流回路多了一条对地的支路，根据基尔霍夫定理，A、B、C三相电流将不再平衡；
通过A相电流不平衡差异度，表征继电保护装置二次交流电流A相回路电缆对地绝缘是否异常；
定义继电保护装置二次交流电流回路B相电流不平衡差异度DifVal_Ib为特征量xi,2，b相不平衡差异度表达式为，
；
通过b相电流不平衡差异度，判定B相二次交流回路电缆对地绝缘是否异常；
定义继电保护装置二次交流电流回路C相电流不平衡差异度DifVal_Ic为特征量xi,3，c相不平衡差异度表达式为，
；
通过C相电流不平衡差异度，判定C相二次交流回路电缆对地绝缘是否异常；
定义继电保护装置二次交流电流回路中地线综合偏离指数MREI_I0-e为特征量xi,4，中地线综合偏离指数表达式为，
；
其中，I0表示继电保护二次交流电流回路中性线零序电流，r是相关系数，用于表示继电保护二次交流电流回路中性线零序电流与地线电流之间的相关程度，γ是权重系数，用于调整中性线零序电流与地线电流的权重关系；
继电保护装置二次交流电流回路电缆对地绝缘良好的情况下，A、B、C三相电流基本平衡，中性线电流I0值趋近于Ia+Ib+Ic，地线电流Ie_c趋近于0，当中性线电缆绝缘异常时，地线回路与中性线回路形成通道，地线电流Ie_c≠0，且Ie_c≥r·I0（r推荐取值为0.25），通过中地线综合偏离指数MREI_I0-e，表征二次交流回路中性线电缆对地绝缘是否异常；
定义继电保护装置二次交流电流回路A相电缆对地绝缘变化度指示值IndVal_Ra-g为特征量xi,5，A相电缆对地绝缘变化度指示值IndVal_Ra-g表达式，
；
其中，0~T为计算变化度指示值的时间窗，Ra-g表示A相电缆对地绝缘电阻，表示A相电缆对地绝缘电阻的初始值，即电缆新投时记录下的电阻数值，ϵ 表示容错参数，用于限制电阻变化的范围,当电阻变化超过容错参数时，剔除异常值；
通过计算A相电缆对地绝缘电阻随时间变化率的绝对值在一定时间窗口内的积分，与A相电缆对地绝缘电阻的平方加上容错参数和初始值差的最大值之间的比值，评估A相电缆对地绝缘的变化程度，评估值能够量化A相电缆对地绝缘的稳定性和健康状况，并具有容错能力以剔除异常值；
定义继电保护装置二次交流电流回路B相电缆对地绝缘变化度指示值IndVal_Rb-g为特征量xi,6，B相电缆对地绝缘变化度指示值IndVal_Rb-g表达式为，
；
定义继电保护装置二次交流电流回路C相电缆对地绝缘变化度指示值IndVal_Rc-g为特征量xi,7，C相电缆对地绝缘变化度指示值IndVal_Rc-g表达式为，
；
定义继电保护装置二次交流电流回路中性线电缆对地绝缘变化度指示值IndVal_Rn-g为特征量xi,8，中性线电缆对地绝缘变化度指示值IndVal_Rn-g表达式为，
。
作为本发明所述的基于机器学习的二次交流电缆绝缘异常监测方法的一种优选方案，其中：所述特征衍生还包括，定义继电保护装置二次交流电压回路N600一点接地的接地线电流变化度指示值IndVal_Ie_v为特征量xi,9，电压回路N600一点接地的接地线电流变化度指示值IndVal_Ie_v表达式为，
；
其中，Ie_v为第i时刻，继电保护装置二次电压回路全站N600接地线上的实时采样数据，0~t为Ie_v计算变化度指示值的时间窗；
二次交流回路电缆对地绝缘良好的情况下，N600一点地线电流Ie-v趋近于0,二次交流回路电缆对地绝缘异常情况下，此时，地线电流Ie-v≠0，按照现场巡检要求，若当Ie-v新测量的电流值超过大于上一次测量值20mA，或者若发现N600接地线上流过的电流大于50mA时，则判断二次交流回路电缆对地绝缘异常，应立即对电压互感器二次回路及其接地绝缘情况进行检查，根据现场应用需求提出N600一点接地的接地线电流变化度指示值IndVal_Ie_v，用于评估N600接地线电流是否异常；
定义A相电流平稳度指示值StaVal_Ia为特征量xi,10，表达式为，
；
其中，0~T为计算电流平稳度指示值的时间窗，Ia为继电保护二次交流电流回路A相电流有效值；
二次交流回路电缆对地绝缘良好的情况下，A、B、C三相电流平稳，当二次交流回路中一相电缆对地绝缘破损导致接地时，将造成接地相电流波动，通过A相电流平稳度指示值StaVal_Ia量化A相电流波动性的程度，判断电流是否稳定作为表征A相电缆对地绝缘状态的一种特征量；
定义B相电流平稳度指示值StaVal_Ib为特征量xi,11，表达式为，
；
定义C相电流平稳度指示值StaVal_Ic为特·征量xi,12，表达式为，
。
作为本发明所述的基于机器学习的二次交流电缆绝缘异常监测方法的一种优选方案，其中：所述有效高维特征集包括，通过集中监测管理单元模块历史记录，收集继电保护二次电流回路A、B、C三相电流有效值Ia、Ib、Ic；电流回路中性线电流I0；二次电流回路接地线电流Ie_c；二次电压回路接地线电流Ie_v；二次交流电流回路三相接地电阻Ra-g、Rb-g、Rc-g；二次交流电流回路中性线接地电阻Rn-g及故障类型；
将二次回路交流电缆对地绝缘故障类型Y进行划分5类，即：二次交流电流回路A相对地绝缘异常PI-A、二次交流电流回路B相对地绝缘异常PI-B、二次交流电流回路C相对地绝缘异常PI-C、二次交流电流回路中性线对地绝缘异常PI-N、电压回路对地异常PI-V；
通过XGBoost模型进行训练学习，建立初步的分类模型，
；
其中，是一个布尔函数，当真实绝缘异常标签/>和模型诊断得到的绝缘异常标签/>相等时取值为 1，当真实绝缘异常标签/>和模型诊断得到的绝缘异常标签/>不相等时取值为 0，N_ttl总样本数；
对于特征集合xi=[DifVal_Ia，DifVal_Ib，DifVal_Ic，MREI_I0-e，IndVal_Rg-a，IndVal_Rg-b，IndVal_Rg-c，IndVal_Rg-n，IndVal_Ie_v，StaVal_Ia，StaVal_Ib，StaVal_Ic]，其中包含了12个特征量，通过逐一添加这12个特征量，并重新训练和测试模型，观察每个特征量的移除或添加对模型准确率的影响，对于特征量 xi,m∈xi，定义两个准确率：一个是在不考虑特征量xi的情况下得到的准确率 Acc-Xi,m，另一个是在考虑特征量xi的情况下得到的准确率 Acc+Xi,m，
；
其中，Acc-xi,m表示从特征集合xi中移除特征量xi,m后的准确率，Acc+xi,m表示将特征量xi,m添加到特征集合xi中的准确率，通过计算特征量xi,m的添加对模型准确率的影响筛选出对诊断结果具有较大影响的有效特征量，当特征数量由m提升至n时，继续增加特征数量，诊断结果的准确率Acc（xi_eff）趋于设定的收敛状态即设定的准确率L时，则得到有效特征量集合xi_eff；
；
其中，xi_eff表示有效特征量集合，xi,m表示样本xi的第m个特征量，limm→nAcc(xi_eff)表示特征数量m趋近于有效特征数量n时的准确率极限，模型准确率趋近于设定极限值L。
作为本发明所述的基于机器学习的二次交流电缆绝缘异常监测方法的一种优选方案，其中：所述树结构概率密度计算的参数优化的XGBoost模型包括，设定参数空间，以二次交流回路对地绝缘电缆诊断错误率为损失函数，
；
其中，I为布尔函数，布尔函数返回值为1或0，取决于所诊断结果是否错误，当诊断结果错误为真时，布尔函数的值为1，当诊断结果错误为假时，布尔函数的值为0，表示真实的绝缘异常结果，/>表示诊断的绝缘异常结果；
计算XGBoost模型参数后验概率分布P(s|z），
；
其中，s表示 XGBoost 模型的参数组，p(s|z) 表示参数 s 在给定 z 的条件下的后验概率分布。z*为最优采样阈值，l(s)和 g(s)为在采样z空间中，以z*为分界的 p(s|z)在损失函数中的两种概率估计，M 包含了每个参数 s 对应的目标函数值Error(s)，即在M集合中对于每个样本点有（si, Error(si)）；
采用提升期望作为采样函数，表达式为，
；
其中，l(s)和 g(s)为模型参数后验概率分布p(s|z)在损失函数中的两种概率估计，α为(s)和 g(s)之间的权重系数，通过计算使期望值达到最大值z*时对应的参数s，指导XGBoost诊断模型参数下一次采样的选择，以提高搜索最优参数的效率；
；
其中，sopt表示当前的最优参数点，若预采样参数点 s' 的提升期望值 Ez*(s')大于当前最优参数点s的提升期望值 Ez*(s)，则将 s' 更新为当前最优参数点，若预采样参数点 s' 的提升期望值 Ez*(s')小于当前最优参数点s的提升期望值 Ez*(s)，则保持当前最优参数点不变，当提升期望Ez*(s)最大时，此时可返回最优采样对应的参数点sopt。
作为本发明所述的基于机器学习的二次交流电缆绝缘异常监测方法的一种优选方案，其中：所述TreeSHAP解释性框架包括，TreeSHAP将诊断结果解释为输入特征量的归因值之和，则第 i 个样本 xi对应树结构概率密度估计参数优化的XGBoost 诊断结果的归因值表达式为,
；
其中，为样本特征量对应的 SHAP 值，/>是模型对样本诊断的基准值，通过基于树模型的解释性框架挖掘输入特征量xi与诊断结果/>间的内在关系及数据规律，实现故障诊断过程的可视化及可解释化。
本发明的另外一个目的是提供基于机器学习的二次交流电缆绝缘异常监测方法的系统，结合精确的数据采集、高效的特征衍生、先进的XGBoost训练及参数优化技术，以及深入的模型解释性框架，为电力系统提供了准确且透明的故障检测。此方法不仅确保了实时运行中的高准确性，还通过深入的数据洞察和实时评估，为电力系统的稳定运行和后续模型迭代提供了有力的技术支撑。
作为本发明所述的基于机器学习的二次交流电缆绝缘异常监测方法的系统的一种优选方案，其中：包括数据与特征模块、模型构建与优化模块、解释性与可视化模块、故障分类模块；
所述数据与特征模块，通过集中监测管理单元模块对继电保护二次电流回路A、B、C三相电流有效值进行采集；
所述型构建与优化模块，使用筛选出的高维特征样本集对XGBoost模型进行训练；
所述解释性与可视化模块，在XGBoost模型中引入TreeSHAP解释性框架；
所述业故障分类模块，将二次回路交流电缆对地绝缘故障类型划分为五类。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于机器学习的二次交流电缆绝缘异常监测方法中任一项所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于机器学习的二次交流电缆绝缘异常监测方法中任一项所述的方法的步骤。
本发明的有益效果：本方法利用特征衍生技术处理继电保护二次交流电流、电压回路电缆对地绝缘异常数据，采用树结构概率密度计算法优化二次电缆对地绝缘异常诊断模型参数，从而得到最佳的继电保护二次交流回路电缆对地绝缘诊断模型。同时，引入可解释性框架，在模型诊断过程中挖掘特征量与诊断结果之间的内在关系和数据规律，实现对二次交流电缆对地绝缘异常的准确诊断，并提供可解释的诊断结果，为运维检修决策提供科学指导建议。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。
图1为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测方法的一种融合XGBoost参数优化和TreeSHAP可解释框架的继电保护二次交流电缆对地绝缘诊断方法示意图。
图2为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测方法的继电保护装置二次交流回路数据采集示意图。
图3为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测方法的获取高维有效特征集技术路线图。
图4为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测方法的样本数据分布示意图。
图5为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测方法的不同特征数量的诊断结果示意图。
图6为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测方法的树结构概率密度估计算法对XGBoost模型参数优化流程图。
图7为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测方法的二次交流回路A相对地绝缘异常特征分析概要图。
图8为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测方法的树结构概率密度估计算法对XGBoost模型参数优化过程图。
图9为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测方法的测试集诊断结果。
图10为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测方法验证集诊断结果。
图11为本发明一个实施例提供的基于机器学习的二次交流电缆绝缘异常监测系统流程示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1-图7，为本发明的第一个实施例，该实施例提供了基于机器学习的二次交流电缆绝缘异常监测方法，包括：
S1：收集二次交流电流回路电参量进行特征衍生，并筛选出适用于二次交流回路对地绝缘异常诊断的有效高维特征集。
应说明的是，所述收集二次交流电流回路电参量包括，通过集中监测管理单元模块对继电保护二次电流回路A、B、C三相电流有效值进行采集得到Ia、Ib、Ic，通过在继电保护二次交流电流回路中性线的接地线上安装高精度微型电流传感器，采集电流回路中性线电流I0，通过在继电保护二次交流电流回路一点接地的接电线上安装多个开口式高精度微型电流传感器，采集电流回路接地线电流Ie_c，通过在继电保护二次交流电压回路全站N600一点接地的接地线上安装多个开口式高精度微型电流传感器，采集电压回路接地线电流Ie_v，通过在继电保护二次交流电流回路A、B、C三相上安装接地电阻指示器，检测三相电流回路接地电阻Ra-g、Rb-g、Rc-g，通过在继电保护二次交流电流回路中性线的接地线上安装接地电阻指示器，检测电流回路中性线接地电阻Rn-g，如图2所示。
特征衍生：对收集到的电参量数据进行特征提取和衍生，以便更好地描述二次交流回路的状态和性能。
①定义继电保护装置二次交流电流回路A相电流不平衡差异度DifVal_Ia为特征量xi,1，A相不平衡差异度表达式为：
式（1）；
式（1）中，Ia、Ib和 Ic分别继电保护二次交流电流回路A、B、C三相电流有效值。Ie_c表示继电保护二次交流电流回路地线电流；N表示电流样本数。Iav表示三相电流的平均值。p是差异度增强可调参数，用于控制不平衡度计算的敏感度；q 是地线关联度可调参数，用于调节相电流与地线电流差异的敏感度；β 是权重系数；α是接近程度阈值。
二次交流回路电缆对地绝缘良好的情况下，A、B、C三相电流基本平衡，但当二次交流回路中某相电缆对地绝缘破损导致接地时，此时，相比正常三相电流回路，多了一条对地的支路，根据基尔霍夫定理，A、B、C三相电流将不再平衡，对地绝缘异常相的不平衡差异度与对地绝缘良好的相的不平衡差异度有很大区别。
因此，通过A相电流不平衡差异度，可以表征继电保护装置二次交流电流A相回路电缆对地绝缘是否异常。
同理，可以得到B相电流不平衡差异度DifVal_Ib见式（2）和C相电流不平衡差异度DifVal_Ic见式（3）,通过B相电流不平衡差异度或C相电流不平衡差异度，可以表征继电保护装置二次交流电流B相或C相回路电缆对地绝缘是否异常。
②定义继电保护装置二次交流电流回路B相电流不平衡差异度DiffVal_Ib为特征量xi,2，b相不平衡差异度表达式为：
式（2）；
式（2）中，Ia、Ib和 Ic分别继电保护二次交流电流回路A、B、C三相电流有效值。Ie_c表示继电保护二次交流电流回路地线电流；N表示电流样本数。Iav表示三相电流的平均值。p是差异度增强可调参数，用于控制不平衡度计算的敏感度；q 是地线关联度可调参数，用于调节相电流与地线电流差异的敏感度；β 是权重系数；α是接近程度阈值。通过b相电流不平衡差异度，可以判定B相二次交流回路电缆对地绝缘是否异常。
③定义继电保护装置二次交流电流回路C相电流不平衡差异度DiffVal_Ic为特征量xi,3，b相不平衡差异度表达式为：
式（3）；
式（3）中，Ia、Ib和 Ic分别继电保护二次交流电流回路A、B、C三相电流有效值。Ie_c表示继电保护二次交流电流回路地线电流；N表示电流样本数。Iav表示三相电流的平均值。p是差异度增强可调参数，用于控制不平衡度计算的敏感度；q 是地线关联度可调参数，用于调节相电流与地线电流差异的敏感度；β 是权重系数；α是接近程度阈值。通过C相电流不平衡差异度，可以判定C相二次交流回路电缆对地绝缘是否异常。
④定义继电保护装置二次交流电流回路中地线综合偏离指数MREI_I0-e为特征量xi,4，中地线综合偏离指数表达式为：
式（4）；
式（4）中，Ia、Ib和 Ic分别继电保护二次交流电流回路A、B、C三相电流有效值，Ie_c表示继电保护二次交流电流回路地线电流，Iav表示三相电流的平均值，I0表示继电保护二次交流电流回路中性线零序电流，r是相关系数，用于表示继电保护二次交流电流回路中性线零序电流与地线电流之间的相关程度，γ是权重系数，用于调整中性线零序电流与地线电流的权重关系。
继电保护装置二次交流电流回路电缆对地绝缘良好的情况下，A、B、C三相电流基本平衡，中性线电流I0值趋近于Ia+Ib+Ic，地线电流Ie_c趋近于0，当中性线电缆绝缘异常时，虽然二次交流电流回路三相电流基本平衡，但由于中性线电缆对地绝缘破损，地线回路与中性线回路形成通道，此时地线电流Ie_c≠0，且Ie_c≥r·I0（r推荐取值为0.25），因此，通过中地线综合偏离指数MREI_I0-e，可以表征二次交流回路中性线电缆对地绝缘是否异常。
⑤定义继电保护装置二次交流电流回路A相电缆对地绝缘变化度指示值IndVal_Ra-g为特征量xi,5，A相电缆对地绝缘变化度指示值IndVal_Ra-g表达式：
式（5）；
式（5）中，0~T为计算变化度指示值的时间窗，Ra-g表示A相电缆对地绝缘电阻，表示A相电缆对地绝缘电阻的初始值，即电缆新投时记录下的电阻数值，ϵ 表示容错参数，用于限制电阻变化的范围,当电阻变化超过容错参数时，可以剔除异常值。
通过计算A相电缆对地绝缘电阻随时间变化率的绝对值在一定时间窗口内的积分，与A相电缆对地绝缘电阻的平方加上容错参数和初始值差的最大值之间的比值，可以评估A相电缆对地绝缘的变化程度。这个评估值能够量化A相电缆对地绝缘的稳定性和健康状况，并具有一定的容错能力以剔除异常值。
⑥定义继电保护装置二次交流电流回路B相电缆对地绝缘变化度指示值IndVal_Rb-g为特征量xi,6，B相电缆对地绝缘变化度指示值IndVal_Rb-g表达式为：
式（6）；
式（6）中，0~T为计算变化度指示值的时间窗，Rb-g表示B相电缆对地绝缘电阻，表示B相电缆对地绝缘电阻的初始值，即电缆新投时记录下的电阻数值，ϵ 表示容错参数，用于限制电阻变化的范围，当电阻变化超过容错参数时，可以剔除异常值。
通过计算B相电缆对地绝缘电阻随时间变化率的绝对值在一定时间窗口内的积分，与B相电缆对地绝缘电阻的平方加上容错参数和初始值差的最大值之间的比值，可以评估B相电缆对地绝缘的变化程度。这个评估值能够量化B相电缆对地绝缘的稳定性和健康状况，并具有一定的容错能力以剔除异常值。
⑦定义继电保护装置二次交流电流回路C相电缆对地绝缘变化度指示值IndVal_Rc-g为特征量xi,7，C相电缆对地绝缘变化度指示值IndVal_Rc-g表达式为：
式（7）；
式子中，0~T为计算变化度指示值的时间窗，Rc-g表示C相电缆对地绝缘电阻，表示C相电缆对地绝缘电阻的初始值，即电缆新投时记录下的电阻数值，ϵ 表示容错参数，用于限制电阻变化的范围,当电阻变化超过容错参数时，可以剔除异常值。
通过计算C相电缆对地绝缘电阻随时间变化率的绝对值在一定时间窗口内的积分，与C相电缆对地绝缘电阻的平方加上容错参数和初始值差的最大值之间的比值，可以评估C相电缆对地绝缘的变化程度。这个评估值能够量化C相电缆对地绝缘的稳定性和健康状况，并具有一定的容错能力以剔除异常值。
⑧定义继电保护装置二次交流电流回路中性线电缆对地绝缘变化度指示值IndVal_Rn-g为特征量xi,8，中性线电缆对地绝缘变化度指示值IndVal_Rn-g表达式为：
式（8）；
式子中，0~T为计算变化度指示值的时间窗，Rn-g表示C相电缆对地绝缘电阻，表示N相电缆对地绝缘电阻的初始值，即电缆新投时记录下的电阻数值，ϵ 表示容错参数，用于限制电阻变化的范围,当电阻变化超过容错参数时，可以剔除异常值。
通过计算N相电缆对地绝缘电阻随时间变化率的绝对值在一定时间窗口内的积分，与N相电缆对地绝缘电阻的平方加上容错参数和初始值差的最大值之间的比值，可以评估N相电缆对地绝缘的变化程度。这个评估值能够量化N相电缆对地绝缘的稳定性和健康状况，并具有一定的容错能力以剔除异常值。
⑨定义继电保护装置二次交流电压回路N600一点接地的接地线电流变化度指示值IndVal_Ie_v为特征量xi,9，电压回路N600一点接地的接地线电流变化度指示值IndVal_Ie_v表达式为：
式（9）；
式（9）中，Ie_v为第i时刻，继电保护装置二次电压回路全站N600接地线上的实时采样数据，0~t为Ie_v计算变化度指示值的时间窗。
二次交流回路电缆对地绝缘良好地情况下，N600一点地线电流Ie-v趋近于0,二次交流回路电缆对地绝缘异常情况下，此时，地线电流Ie-v≠0，按照现场巡检要求，若当Ie-v新测量的电流值超过大于上一次测量值20mA，或者若发现N600接地线上流过的电流大于50mA时，则判断二次交流回路电缆对地绝缘异常，应立即对电压互感器二次回路及其接地绝缘情况进行检查。根据现场应用需求提出了N600一点接地的接地线电流变化度指示值IndVal_Ie_v，用于评估N600接地线电流是否异常。
⑩定义A相电流平稳度指示值StaVal_Ia为特征量xi,10，表达式为：
式（10）；
式（10）中，0~T为计算电流平稳度指示值的时间窗，Ia为继电保护二次交流电流回路A相电流有效值。
二次交流回路电缆对地绝缘良好的情况下，A、B、C三相电流基本平稳，但当二次交流回路中某相电缆对地绝缘破损导致接地时，此时，将造成接地相电流呈现很大的波动性，因此，通过A相电流平稳度指示值StaVal_Ia量化A相电流波动性的程度，判断电流是否稳定可以作为表征A相电缆对地绝缘状态的一种特征量。
同理，可以得到B相平稳度指示值StaVal_Ib见式（11）和C相电流平稳度指示值StaVal_Ic见式（12）,通过B相平稳度指示值或C电流平稳度指示值，可以表征继电保护装置二次交流电流B相或C相回路电缆对地绝缘是否异常。
⑪定义B相电流平稳度指示值StaVal_Ib为特征量xi,11，表达式为：
式（11）；
⑫定义C相电流平稳度指示值StaVal_Ic为特·征量xi,12，表达式为：
式（12）；
综上，经过特征衍生得到12维特征集合，如表1所示，样本集中，样本xi有12个特征，也即/>，m=12。
表1 特征量
为实现继电保护装置二次交流电缆不同故障类型与特征量区间阈值关系的量化分析，通过设置特征量的数值范围作为判据对特征量进行编码。通过将不同的特征量转化为一种统一的表示方式，以尽量减少单个特征量的差异对故障诊断结果的影响，以提高诊断准确性。结合现场应用需求对12种特征量进行离散分箱处理，其编码规则如表 2 所示。
表2 二次交流电缆对地绝缘状态编码规则
获取高维有效特征集：筛选出适用于二次交流回路对地绝缘异常诊断的高维特征集。
在二次交流回路电缆对地绝缘故障诊断过程中，拓展特征量维度可有效提升诊断的准确率，但也会延长诊断时间。因此，合适的关键特征集对于故障诊断模型的性能提升更有意义。本专利先对XGBoost 模型进行训练学习，评估特征量对诊断结果的影响度，并以此为依据筛选出有效的特征量。技术路线如图3所示。
收集二次交流电缆对地绝缘数据样本，并将数据集划分为训练集和测试集。
通过集中监测管理单元模块历史记录，收集继电保护二次电流回路A、B、C三相电流有效值Ia、Ib、Ic；电流回路中性线电流I0；二次电流回路接地线电流Ie_c；二次电压回路接地线电流Ie_v；二次交流电流回路三相接地电阻Ra-g、Rb-g、Rc-g；二次交流电流回路中性线接地电阻Rn-g及故障类型。其中，对数据进行特征衍生，本专利的特征衍生式见式（1）至式（12），得到样本数据包括特征量和对应的故障类型标签，见表3所示。
表3 二次交流电缆对地绝缘状态特征量及故障标签
本专利将二次回路交流电缆对地绝缘故障类型Y划分5类，二次交流电流回路A相对地绝缘异常（PI-A）、二次交流电流回路B相对地绝缘异常（PI-B）、二次交流电流回路C相对地绝缘异常（PI-C）、二次交流电流回路中性线对地绝缘异常（PI-N）、电压回路对地异常（PI-V）。
将数据样本按照一定比例随机划分为训练集和测试集。确保划分后的训练集和测试集中都包含各种类别的样本，以保持数据的平衡性。以实施例数据为例，对训练集和测试集的划分对如图4所示。
通过XGBoost模型进行训练学习，建立初步的分类模型。使用测试集数据，通过该训练好的模型进行诊断，并与实际的故障类型进行比较，计算模型准确率。
式（13）；
式（13）中，是一个布尔函数，当真实绝缘异常标签/>和模型诊断得到的绝缘异常标签/>相等时取值为 1，当真实绝缘异常标签/>和模型诊断得到的绝缘异常标签/>不相等时取值为 0，N_ttl总样本数。
逐个排除或添加特征量，在重新训练和测试模型后，观察每个特征量的移除或添加对模型准确率的影响。根据特征量对模型准确率的影响度，筛选出对诊断结果具有较大影响的有效特征量，最终确定合适的有效特征集。
对于特征集合xi=[DifVal_Ia，DifVal_Ib，DifVal_Ic，MREI_I0-e，IndVal_Rg-a，IndVal_Rg-b，IndVal_Rg-c，IndVal_Rg-n，IndVal_Ie_v，StaVal_Ia，StaVal_Ib，StaVal_Ic]，其中包含了12个特征量。通过逐步添加这些特征量，并重新训练和测试模型，观察每个特征量的移除或添加对模型准确率的影响。具体地，对于特征量 xi,m∈xi，定义两个准确率：一个是在不考虑该特征量的情况下得到的准确率 Acc-Xi,m，另一个是在考虑该特征量的情况下得到的准确率 Acc+Xi,m。
式（14）；
其中，Acc-xi,m表示从特征集合xi中移除特征量xi,m后的准确率，Acc+xi,m表示将特征量xi,m添加到特征集合xi中的准确率。通过计算特征量xi,m的添加对模型准确率的影响筛选出对诊断结果具有较大影响的有效特征量。当特征数量由m提升至n时，继续增加特征数量，诊断结果的准确率Acc（xi_eff）趋于设定的收敛状态即设定的准确率L时，则得到有效特征量集合xi_eff。
式（15）；
式中，xi_eff表示有效特征量集合，xi,m表示样本xi的第m个特征量，limm→nAcc(xi_eff）表示特征数量m趋近于有效特征数量n时的准确率极限，模型准确率趋近于设定极限值L。
实例验证表明，当特征数量提升至9时，继电保护二次交流电缆对地绝缘异常诊断的准确率为79.6%。当继续增加特征数量时，诊断结果的准确率趋于收敛状态，如图5所示。
因此，兼顾继电保护二次交流回路对地绝缘故障诊断的准确率和运行效率，本专利方法共筛选出9个有效特征量，如表4 所示。
表4
S2：构建基于树结构概率密度计算的参数优化的XGBoost模型，用高维特征样本集对XGBoost模型进行训练，设定测试集准确率为模型优化收敛条件，当满足准确率时，输出最优绝缘异常诊断模型，当准确率不足时，在训练集下采用树结构概率密度估计算法对XGBoost模型进行参数寻优，直至模型性能满足收敛条件为止，如图6所示。
设定参数空间。本专利选择表5中 XGBoost 模型的6个参数作为主要优化参数，并分别设置其参数空间和寻优步长。（在设定的参数空间内通过随机函数即可实现随机初始化参数。）
表5 XGBoost待优化参数
用实例演示参数空间设定这一步骤，如表6所示。
表6 XGBoost待优化参数
2）设定损失函数。本专利以二次交流回路对地绝缘电缆诊断错误率作为其损失函数：
式（15）；
式（15）中：I(·)为布尔函数，布尔函数返回值为1或0，取决于所诊断结果是否错误。当诊断结果错误为真时，布尔函数的值为1；当诊断结果错误为假时，布尔函数的值为0；表示真实的绝缘异常结果，/>表示诊断的绝缘异常结果。
3）计算XGBoost模型参数后验概率分布：P(s|z）
式（16）；
式（17）；
式（18）；/>
式(16)、（17）、（18）中，s表示 XGBoost 模型的参数组，包括表5中提到的生成决策树数量、学习率、最小损失减少值、L2正则化、叶子最小权重和、树最大层次树。p(s|z) 表示参数 s 在给定 z 的条件下的后验概率分布。z*为最优采样阈值；l(s)和 g(s)为在采样z空间中，以z*为分界的 p(s|z)在损失函数中的两种概率估计。M 包含了每个参数 s 对应的目标函数值 Error(s)，即在M 集合中对于每个样本点有（si, Error(si)）。
4）计算提升期望。采用提升期望作为采样函数，其表达式为：
式（19）；
式（19）中，l(s)和 g(s)为模型参数后验概率分布p(s|z)在损失函数中的两种概率估计，α为(s)和 g(s)之间的权重系数。通过计算使期望值达到最大值z*时对应的参数s，指导XGBoost诊断模型参数下一次采样的选择，以提高搜索最优参数的效率。
5）比较预采样结果：
式（20）；
式（20）中，sopt表示当前的最优参数点。如果预采样参数点 s' 的提升期望值 Ez*(s') 大于当前最优参数点s的提升期望值 Ez*(s)，则将 s' 更新为当前最优参数点；如果预采样参数点 s' 的提升期望值Ez*(s') 小于当前最优参数点s的提升期望值 Ez*(s)，则保持当前最优参数点不变。
6）返回最佳参数组合。当提升期望Ez*(s)最大时，此时可返回最优采样对应的参数点sopt。
S3：基于树结构概率密度计算法的参数优化的XGBoost模型中引入TreeSHAP解释性框架，通过TreeSHAP解释性框架实现诊断模型训练过程中，特征量与诊断结果间的内在关系及数据规律挖掘，实现故障诊断过程的可视化及可解释化。
为解决 XGBoost 二次交流回路电缆对地绝缘异常诊断模型的“黑箱”问题， 本专利引入 TreeSHAP 理论分析特征量对模型诊断结果的影响度，用于诊断结果的事后分析及验证。该方法可在模型训练过程中同步挖掘特征量与诊断结果间的内在关系及数据规律，实现电缆对地绝缘异常诊断过程的可视化及可解释化。
TreeSHAP 将诊断结果解释为输入特征量的归因值之和，则第 i 个样本 xi对应树结构概率密度估计参数优化的XGBoost 诊断结果的归因值表达式为：
式（21）；
式（21）中：βi为样本特征量对应的 SHAP 值；β0是模型对样本诊断的基准值。通过基于树模型的解释性框架挖掘输入特征量xi与诊断结果间的内在关系及数据规律，实现故障诊断过程的可视化及可解释化。
用实例对融合TreeSHAP解释性框架的参数优化的XGBoost 二次交流回路电缆对地绝缘异常诊断模型解释性效果进行验证，为分析特征量对地绝缘异常类型的影响关系，基于特征重要度排序。图7列举了二次交流回路电缆A相对的绝缘异常所对应的特征分析概要图。其中，不同特征量所对应的SHAP值分布在中间基准线两侧，左侧代表负向影响，右侧代表正向影响。
排序靠前的DifVal_Ia、IndVal_Ra-g这2个特征量对A相电缆对地绝缘异常这一诊断结果的影响较为显著。即 A相不平衡差异度越高、A相电缆对地绝缘变化度指示值越大，则继电保护二次交流电流回路A相电缆对地绝缘异常的可能性越大。相反地，若A相不平衡差异度越低、A相电缆对地绝缘变化度指示值越小，则该样本被诊断为A相电缆对地绝缘异常的可能性则会降低。
对融合TreeSHAP解释性框架的参数优化的XGBoost 二次交流回路电缆对地绝缘异常诊断模型对样本的训练果进行整理，可得到形不同二次交流回路电缆对地绝缘异常故障类型的关联特征集，可为二次交流电缆对地绝缘运维检修决策提供科学指导建议。
通过实例数据集验证，本专利得到了适用于表征继电保护二次交流电缆对地绝缘不同寻常类型的关键特征量，如表7所示。
表7 二次交流回路电缆对地绝缘不同寻常类型的关键特征量
。
实施例2
参照图8-图10，为本发明的一个实施例，提供了基于机器学习的二次交流电缆绝缘异常监测方法，为了验证本发明的有益效果，通过实验进行科学论证。
用实例对上述参数优化流程进行验证，如图8所示，当树结构概率密度估计算法迭代至第 19 次时，其损失值降低至最小值，且在随后的连续 100 次迭代中并未出现下降，XGBoost 参数寻优过程结束，得到树结构概率密度估计优化参数的XGBoost模型。
基于上述寻优过程，得到引入树结构概率密度估计优化参数XGBoost 故障诊断模型的最佳参数组合，如表8所示。
表8 XGBoost参数优化结果
用实例对引入树结构概率密度估计算法优化XGBoost参数这一步进行验证，得到如表9所示的参数优化结果。
表9 XGBoost参数优化结果
得到引入树结构概率密度估计优化参数XGBoost 故障诊断模型的最佳参数后，就可以输出参数优化后的XGBoost 二次交流回路电缆对地绝缘异常诊断模型，并运用该模型对二次交流回路电缆对地绝缘异常的诊断。
用实例对引入树结构概率密度估计优化参数的XGBoost二次交流回路电缆对地绝缘异常诊断模型的诊断效果进行验证，采用混淆矩阵对图4中74组测试样本诊断结果进行可视化，其结果如图 9所示。图9所示诊断结果与真实故障类型的对比情况表明，引入树结构概率密度估计优化参数的XGBoost二次交流回路电缆对地绝缘异常诊断模型对测试样本的故障诊断准确率为 91.89%，说明该方法具有较好的故障识别能力。
采用现场已知二次交流回路对地绝缘故障类型的51组数据作为验证集，对优化参数的XGBoost二次交流回路电缆对地绝缘异常诊断模型的泛化能力进行评估，结果如图10所示。结果表明，优化参数的XGBoost二次交流回路电缆对地绝缘异常诊断模型对验证集的诊断准确率为 98.03%，且诊断结果和真实故障类型对比数据基本沿对角线分布，表明该方法具有较好的泛化性能。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
实施例3
本发明第三个实施例，其不同于前两个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
实施例4
参考图11，为本发明的第四个实施例，该实施例提供了基于机器学习的二次交流电缆绝缘异常监测系统，其特征在于：包括数据与特征模块、模型构建与优化模块、解释性与可视化模块、故障分类模块；
所述数据与特征模块，通过集中监测管理单元模块对继电保护二次电流回路A、B、C三相电流有效值进行采集；
所述型构建与优化模块，使用筛选出的高维特征样本集对XGBoost模型进行训练；
所述解释性与可视化模块，在XGBoost模型中引入TreeSHAP解释性框架；
所述故障分类模块，将二次回路交流电缆对地绝缘故障类型划分为五类。
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.基于机器学习的二次交流电缆绝缘异常监测方法，其特征在于：包括，
收集二次交流电流回路电参量进行特征衍生，并筛选出适用于二次交流回路对地绝缘异常诊断的有效高维特征集；
构建基于树结构概率密度计算实现参数优化的XGBoost模型，用高维特征集对XGBoost模型进行训练，设定测试集准确率为模型优化收敛条件，当满足准确率时，输出最优绝缘异常诊断模型，当准确率不足时，在训练集下采用树结构概率密度估计算法对XGBoost模型进行参数寻优，直至模型性能满足收敛条件为止；
基于树结构概率密度计算法实现参数优化的XGBoost模型中引入TreeSHAP解释性框架，通过TreeSHAP解释性框架实现诊断模型训练过程中，特征量与诊断结果间的内在关系及数据规律挖掘，实现故障诊断过程的可视化及可解释化；
所述树结构概率密度计算的参数优化的XGBoost模型包括，设定参数空间，以二次交流回路对地绝缘电缆诊断错误率为损失函数，
其中，I为布尔函数，布尔函数返回值为1或0，取决于所诊断结果是否错误，当诊断结果错误为真时，布尔函数的值为1，当诊断结果错误为假时，布尔函数的值为0，yi表示真实的绝缘异常结果，表示模型诊断得到的绝缘异常结果；
计算XGBoost模型参数后验概率分布p(s|z)，
Mi＝{(s1，Error(s1))，…，(si，Error(si))}
其中，s表示XGBoost模型的参数组，p(s|Mi)表示给定模型选择准则Mi下参数s的先验概率，p(Mi|s)表示给定参数s的条件下，模型选择准则Mi发生的概率，p(s)表示参数s的先验概率，p(s|z)表示参数s在给定z的条件下的后验概率分布，z为采样阈值，z*为最优采样阈值，l(s)和g(s)为在采样z空间中，以z*为分界的p(s|z)在损失函数中的两种概率估计，M包含了每个参数s对应的目标函数值Error(s)，即在M集合中对于每个样本点有(si,Error(si))；
采用提升期望作为采样函数表达式为，
其中，l(s)和g(s)为模型参数后验概率分布p(s|z)在损失函数中的两种概率估计，ω为l(s)和g(s)之间的权重系数，通过计算使期望值达到最大值z*时对应的参数s，指导XGBoost诊断模型参数下一次采样的选择，以提高搜索最优参数的效率；
其中，sopt表示当前的最优参数点，若预采样参数点s'的提升期望值Ez*(s')大于当前最优参数点s的提升期望值Ez*(s)，则将s'更新为当前最优参数点，若预采样参数点s'的提升期望值Ez*(s')小于当前最优参数点s的提升期望值Ez*(s)，则保持当前最优参数点不变，当提升期望Ez*(s)最大时，此时可返回最优采样对应的参数点sopt。
2.如权利要求1所述的基于机器学习的二次交流电缆绝缘异常监测方法，其特征在于：所述收集二次交流电流回路电参量包括，通过集中监测管理单元模块对继电保护二次交流电流回路A、B、C三相电流有效值进行采集得到Ia、Ib、Ic，通过在继电保护二次交流电流回路中性线的接地线上安装高精度微型电流传感器，采集继电保护二次交流电流回路中性线电流I0，通过在继电保护二次交流电流回路一点接地的接电线上安装多个开口式高精度微型电流传感器，采集二次交流电流回路接地线电流Ie_c，通过在继电保护二次交流电压回路N600一点接地的接地线上安装多个开口式高精度微型电流传感器，采集继电保护二次交流电压回路N600接地线上电流Ie_v，通过在继电保护二次交流电流回路A、B、C三相上安装接地电阻指示器，检测二次交流电流回路A、B、C三相电缆对地绝缘电阻Ra_g、Rb_g、Rc_g，通过在继电保护二次交流电流回路中性线的接地线上安装接地电阻指示器，检测二次交流电流回路中性线接地电阻Rn_g。
3.如权利要求2所述的基于机器学习的二次交流电缆绝缘异常监测方法，其特征在于：所述特征衍生包括，定义继电保护二次交流电流回路A相电流不平衡差异度DifVal_Ia为特征量xi,1，A相不平衡差异度表达式为，
其中，Ia、Ib和Ic分别为继电保护二次交流电流回路A、B、C三相电流有效值，Ie_c表示继电保护二次交流电流回路地线电流，N表示电流样本数，Iav表示三相电流的平均值，p是差异度增强可调参数，用于控制不平衡度计算的敏感度，q是地线关联度可调参数，用于调节相电流与地线电流差异的敏感度，β是权重系数，α是程度阈值；
当二次交流电流回路电缆对地绝缘良好的情况下，A、B、C三相电流为平衡状态，当二次交流电流回路中一相电缆对地绝缘破损导致接地时，相比正常三相电流，二次交流电流回路多了一条对地的支路，根据基尔霍夫定理，A、B、C三相电流将不再平衡；
通过A相电流不平衡差异度，表征继电保护二次交流电流回路A相回路电缆对地绝缘是否异常；
定义继电保护二次交流电流回路B相电流不平衡差异度DifVal_Ib为特征量xi,2，B相不平衡差异度表达式为，
通过B相电流不平衡差异度，判定B相二次交流电流回路电缆对地绝缘是否异常；
定义继电保护二次交流电流回路C相电流不平衡差异度DifVal_Ic为特征量xi,3，C相不平衡差异度表达式为，
通过C相电流不平衡差异度，判定C相二次交流电流回路电缆对地绝缘是否异常；
定义继电保护二次交流电流回路中地线综合偏离指数MREI_I0-e为特征量xi,4，中地线综合偏离指数表达式为，
其中，I0表示继电保护二次交流电流回路中性线电流，r是相关系数，用于表示继电保护二次交流电流回路中性线电流与地线电流之间的相关程度，γ是用于调整中性线电流与地线电流的权重关系的权重系数；
继电保护二次交流电流回路电缆对地绝缘良好的情况下，A、B、C三相电流大小相等,相位互差120度，继电保护二次交流电流回路中性线电流I0值等于A、B、C三相电流矢量和，地线电流Ie_c∈[0,Inua]，其中Inua表示人工设置的允许测量误差，当中性线电缆绝缘异常时，地线回路与中性线回路形成通道，地线电流且Ie_c≥r·I0，通过中地线综合偏离指数MREI_I0-e，表征二次交流电流回路中性线电缆对地绝缘是否异常；
定义继电保护二次交流电流回路A相电缆对地绝缘变化度指示值IndVal_Ra-g为特征量xi,5，A相电缆对地绝缘变化度指示值IndVal_Ra-g表达式，
其中，0～Troc为计算变化度指示值的时间窗，Ra-g表示二次交流电流回路A相电缆对地绝缘电阻，表示A相电缆对地绝缘电阻的初始值，即电缆新投时记录下的电阻数值，∈表示容错参数，用于限制电阻变化的范围,当电阻变化超过容错参数时，剔除异常值；
通过计算A相电缆对地绝缘电阻随时间变化率的绝对值在一定时间窗口内的积分，与A相电缆对地绝缘电阻的平方加上容错参数和初始值差的最大值之间的比值，评估A相电缆对地绝缘的变化程度，评估值能够量化A相电缆对地绝缘的稳定性和健康状况，并具有容错能力以剔除异常值；
定义继电保护二次交流电流回路B相电缆对地绝缘变化度指示值IndVal_Rb-g为特征量xi,6，B相电缆对地绝缘变化度指示值IndVal_Rb-g表达式为，
定义继电保护二次交流电流回路C相电缆对地绝缘变化度指示值IndVal_Rc-g为特征量xi,7，C相电缆对地绝缘变化度指示值IndVal_Rc-g表达式为，
定义继电保护二次交流电流回路中性线电缆对地绝缘变化度指示值IndVal_Rn-g为特征量xi,8，中性线电缆对地绝缘变化度指示值IndVal_Rn-g表达式为，
4.如权利要求3所述的基于机器学习的二次交流电缆绝缘异常监测方法，其特征在于：所述特征衍生还包括，定义继电保护二次交流电压回路N600一点接地的接地线电流变化度指示值IndVal_Ie_v为特征量x i,9，继电保护二次交流电压回路N600一点接地的接地线电流变化度指示值IndVal_Ie_v表达式为，
其中，Ie_v为继电保护二次交流电压回路N600接地线上电流，0～t为计算Ie_v变化度指示值的时间窗，i为Ie_v计算变化度指示值的时间窗内的一个采样点；
二次交流回路电缆对地绝缘良好的情况下，Ie_v趋近于0,二次交流回路电缆对地绝缘异常情况下，Ie_v≠0，按照现场巡检要求，若当前测量的Ie_v超过大于上一次测量值20mA，或者若发现Ie_v大于50mA时，则判断二次交流回路电缆对地绝缘异常，应立即对电压互感器二次回路及其接地绝缘情况进行检查；
定义A相电流平稳度指示值StaVal_Ia为特征量xi,10，表达式为，
其中，0～Tcd为计算电流平稳度指示值的时间窗，Ia为继电保护二次交流电流回路A相电流有效值；
二次交流回路电缆对地绝缘良好的情况下，A、B、C三相电流平稳，当二次交流回路中一相电缆对地绝缘破损导致接地时，将造成接地相电流呈现波动性，通过A相电流平稳度指示值StaVal_Ia量化A相电流波动性的程度，判断电流是否稳定作为表征A相电缆对地绝缘状态的一种特征量；
定义B相电流平稳度指示值StaVal_Ib为特征量xi,11，表达式为，
定义C相电流平稳度指示值StaVal_Ic为特·征量xi,12，表达式为，
5.如权利要求4所述的基于机器学习的二次交流电缆绝缘异常监测方法，其特征在于：所述有效高维特征集包括，通过集中监测管理单元模块历史记录，收集继电保护二次交流电流回路A、B、C三相电流有效值Ia、Ib、Ic；继电保护二次交流电流回路中性线电流I0；二次交流电流回路接地线电流Ie_c；继电保护二次交流电压回路N600接地线上电流Ie_v；二次交流电流回路A相电缆对地绝缘电阻Ra-g；二次交流电流回路B相电缆对地绝缘电阻Rb-g、二次交流电流回路C相电缆对地绝缘电阻Rc-g；二次交流电流回路中性线接地电阻Rn-g及故障类型；
将二次交流回路电缆对地绝缘故障类型Y划分为二次交流电流回路A相对地绝缘异常PI-A、二次交流电流回路B相对地绝缘异常PI-B、二次交流电流回路C相对地绝缘异常PI-C、二次交流电流回路中性线对地绝缘异常PI-N、电压回路对地异常PI-V；
通过XGBoost模型进行训练学习，建立初步的分类模型，
其中，是一个布尔函数，当真实的绝缘异常结果yi和模型诊断得到的绝缘异常结果/>相等时取值为1，当真实的绝缘异常结果yi和模型诊断得到的绝缘异常结果/>不相等时取值为0，N_ttl为总样本数；
对于特征集合xi＝[DifVal_Ia，DifVal_Ib，DifVal_Ic，MREI_I0-e，IndVal_Rg-a，IndVal_Rg-b，IndVal_Rg-c，IndVal_Rg-n，IndVal_Ie_v，StaVal_Ia，StaVal_Ib，StaVal_Ic]，其中包含了12个特征量，通过逐步添加特征量，并重新训练和测试模型，观察每个特征量的移除或添加对模型准确率的影响，对于特征量xi,m∈xi，定义两个准确率：一个是在不考虑特征量xi的情况下得到的准确率Acc-Xi,m，另一个是在考虑特征量xi的情况下得到的准确率Acc+Xi,m，
其中，Acc-Xi,m表示从特征集合xi中移除特征量xi,m后的准确率，Acc+Xi,m表示将特征量xi,m添加到特征集合xi中的准确率，通过计算特征量xi,m的添加对模型准确率的影响筛选出对诊断结果具有较大影响的有效特征量，当特征数量由m提升至n时，继续增加特征数量，诊断结果的准确率Acc(xi_eff)趋于设定的收敛状态即设定的准确率L时，则得到有效特征量集合xi_eff；
其中，xi_eff表示有效特征量集合，xi,m表示样本xi的第m个特征量，limm→nAcc(xi_eff)表示特征数量m趋近于有效特征数量n时的准确率极限，模型准确率趋近于设定极限值L。
6.如权利要求5所述的基于机器学习的二次交流电缆绝缘异常监测方法，其特征在于：所述TreeSHAP解释性框架包括，TreeSHAP将诊断结果解释为输入特征量的归因值之和，则第i个样本xi对应树结构概率密度估计参数优化的XGBoost诊断结果的归因值表达式为,
其中，βi为样本特征量对应的SHAP值，β0是模型对样本诊断的基准值，通过基于树模型的解释性框架挖掘输入特征量xi与诊断结果间的内在关系及数据规律，实现故障诊断过程的可视化及可解释化。
7.一种基于权利要求1-6任一所述的基于机器学习的二次交流电缆绝缘异常监测方法的系统，其特征在于：包括数据与特征模块、模型构建与优化模块、解释性与可视化模块、故障分类模块；
所述数据与特征模块，通过集中监测管理单元模块对继电保护二次交流电流回路A、B、C三相电流有效值进行采集；
所述模型构建与优化模块，使用筛选出的高维特征样本集对XGBoost模型进行训练；
所述解释性与可视化模块，在XGBoost模型中引入TreeSHAP解释性框架；
所述故障分类模块，将二次回路交流电缆对地绝缘故障类型划分为五类。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465736.1A CN117192312B (zh) | 2023-11-07 | 2023-11-07 | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465736.1A CN117192312B (zh) | 2023-11-07 | 2023-11-07 | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117192312A CN117192312A (zh) | 2023-12-08 |
| CN117192312B true CN117192312B (zh) | 2024-04-19 |
Family
ID=89002032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311465736.1A Active CN117192312B (zh) | 2023-11-07 | 2023-11-07 | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117192312B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112485597A (zh) * | 2020-12-01 | 2021-03-12 | 国家电网公司华中分部 | 基于多源数据的电力系统输电线路故障诊断方法及系统 |
| CN113780427A (zh) * | 2021-09-14 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种基于机器学习的中压配网巡视周期自动化方法及系统 |
| CN114548463A (zh) * | 2020-11-18 | 2022-05-27 | 顺丰科技有限公司 | 线路信息预测方法、装置、计算机设备和存储介质 |
| CN114839255A (zh) * | 2022-04-29 | 2022-08-02 | 西安热工研究院有限公司 | 一种基于XGBoost算法的六氟化硫电气设备微水检测方法 |
| CN115078912A (zh) * | 2022-06-22 | 2022-09-20 | 中车青岛四方机车车辆股份有限公司 | 车顶高压电缆接头异常实时检测方法、系统及列车 |
| EP4080702A1 (en) * | 2021-04-23 | 2022-10-26 | Hitachi Energy Switzerland AG | Computer-implemented method of power line protection, intelligent electronic device and electric power system |
| CN115293258A (zh) * | 2022-08-02 | 2022-11-04 | 国网山西省电力公司晋中供电公司 | 一种输电线路导线覆冰监测分析方法及系统 |
| CN115759380A (zh) * | 2022-11-11 | 2023-03-07 | 三峡大学 | 基于SHAP-XGBoost算法的电力系统惯量短期预测方法 |
| CN116050599A (zh) * | 2022-12-30 | 2023-05-02 | 泰豪软件股份有限公司 | 一种线路覆冰故障预测方法、系统、存储介质及设备 |
| CN116466182A (zh) * | 2023-04-13 | 2023-07-21 | 杭州颐达软件科技有限公司 | 一种电力系统线路故障测距方法 |
| CN116500386A (zh) * | 2022-05-07 | 2023-07-28 | 湖南蓝文科技有限公司 | 一种风电场集电线路电缆局放信号采集处理方法 |
| CN116562121A (zh) * | 2023-03-23 | 2023-08-08 | 国网河南省电力公司许昌供电公司 | 基于XGBoost和FocalLoss结合的电缆老化状态评估方法 |
| CN116975742A (zh) * | 2022-04-13 | 2023-10-31 | 中国石油化工股份有限公司 | 局部放电模式识别方法、装置、设备和存储介质 |
| CN116992362A (zh) * | 2023-07-06 | 2023-11-03 | 江苏省电力试验研究院有限公司 | 一种基于夏普利值的变压器故障表征特征量筛选方法和装置 |
-
2023
- 2023-11-07 CN CN202311465736.1A patent/CN117192312B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114548463A (zh) * | 2020-11-18 | 2022-05-27 | 顺丰科技有限公司 | 线路信息预测方法、装置、计算机设备和存储介质 |
| CN112485597A (zh) * | 2020-12-01 | 2021-03-12 | 国家电网公司华中分部 | 基于多源数据的电力系统输电线路故障诊断方法及系统 |
| EP4080702A1 (en) * | 2021-04-23 | 2022-10-26 | Hitachi Energy Switzerland AG | Computer-implemented method of power line protection, intelligent electronic device and electric power system |
| CN113780427A (zh) * | 2021-09-14 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种基于机器学习的中压配网巡视周期自动化方法及系统 |
| CN116975742A (zh) * | 2022-04-13 | 2023-10-31 | 中国石油化工股份有限公司 | 局部放电模式识别方法、装置、设备和存储介质 |
| CN114839255A (zh) * | 2022-04-29 | 2022-08-02 | 西安热工研究院有限公司 | 一种基于XGBoost算法的六氟化硫电气设备微水检测方法 |
| CN116500386A (zh) * | 2022-05-07 | 2023-07-28 | 湖南蓝文科技有限公司 | 一种风电场集电线路电缆局放信号采集处理方法 |
| CN115078912A (zh) * | 2022-06-22 | 2022-09-20 | 中车青岛四方机车车辆股份有限公司 | 车顶高压电缆接头异常实时检测方法、系统及列车 |
| CN115293258A (zh) * | 2022-08-02 | 2022-11-04 | 国网山西省电力公司晋中供电公司 | 一种输电线路导线覆冰监测分析方法及系统 |
| CN115759380A (zh) * | 2022-11-11 | 2023-03-07 | 三峡大学 | 基于SHAP-XGBoost算法的电力系统惯量短期预测方法 |
| CN116050599A (zh) * | 2022-12-30 | 2023-05-02 | 泰豪软件股份有限公司 | 一种线路覆冰故障预测方法、系统、存储介质及设备 |
| CN116562121A (zh) * | 2023-03-23 | 2023-08-08 | 国网河南省电力公司许昌供电公司 | 基于XGBoost和FocalLoss结合的电缆老化状态评估方法 |
| CN116466182A (zh) * | 2023-04-13 | 2023-07-21 | 杭州颐达软件科技有限公司 | 一种电力系统线路故障测距方法 |
| CN116992362A (zh) * | 2023-07-06 | 2023-11-03 | 江苏省电力试验研究院有限公司 | 一种基于夏普利值的变压器故障表征特征量筛选方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| Identification of key quality characteristics of triple-extrusion process of power cable based on extreme gradient boosting algorithm;Shize Zhang 等;《2021 4th World Conference on Mechanical Engineering and Intelligent Manufacturing》;第384-388页 * |
| 基于改进ＸＧＢｏｏｓｔ算法的ＸＬＰＥ 电缆局部放电模式识别研究;刘维功 等;《电测与仪表》;第59卷(第4期);第98-106页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117192312A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110222765B (zh) | 一种永磁同步电机健康状态监测方法及系统 | |
| CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
| CN103884943B (zh) | 一种变压器绕组变形综合分析诊断方法 | |
| CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
| CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
| CN103671190A (zh) | 一种智能早期矿用通风机在线故障诊断系统 | |
| CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
| CN109948194B (zh) | 一种高压断路器机械缺陷集成学习诊断方法 | |
| CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
| CN112816881A (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
| CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
| CN115236524A (zh) | 一种新能源汽车动力电池的绝缘故障检测方法及系统 | |
| CN114895163A (zh) | 一种基于电缆绝缘性能的电缆巡检定位装置及方法 | |
| CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
| CN117192312B (zh) | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 | |
| CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
| CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
| CN117491813A (zh) | 新能源汽车动力电池系统绝缘异常检测方法 | |
| CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
| CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、系统及存储介质 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| CN106646106A (zh) | 基于变点探测技术的电网故障检测方法 | |
| CN111562465A (zh) | 一种基于故障录波的高压配网混合线路故障测距方法 | |
| CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
| CN113052249A (zh) | 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |