CN117350216A - 电阻预测模型训练方法、装置、电子设备和存储介质 - Google Patents

电阻预测模型训练方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN117350216A
CN117350216A CN202311296570.5A CN202311296570A CN117350216A CN 117350216 A CN117350216 A CN 117350216A CN 202311296570 A CN202311296570 A CN 202311296570A CN 117350216 A CN117350216 A CN 117350216A
Authority
CN
China
Prior art keywords
data
lightning stroke
resistance
prediction model
experimental
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
Application number
CN202311296570.5A
Other languages
English (en)
Inventor
卓坚熊
席荣军
刘友强
陈正雍
陈俊彬
曾丹仪
黄登城
胡志途
朱培青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202311296570.5A priority Critical patent/CN117350216A/zh
Publication of CN117350216A publication Critical patent/CN117350216A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/17—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values giving an indication of the number of times this occurs, i.e. multi-channel analysers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/20—Measuring earth resistance; Measuring contact resistance, e.g. of earth connections, e.g. plates
    • G01R27/205—Measuring contact resistance of connections, e.g. of earth connections
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medicinal Chemistry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Food Science & Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Geometry (AREA)

Abstract

本发明实施例公开了一种电阻预测模型训练方法、装置、电子设备和存储介质，电阻预测模型训练方法包括：获取杆塔的雷击实验的实验数据；其中，实验数据包括环境变量和雷击数据，环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息；根据实验数据和预先建立的实验场景对杆塔进行雷击实验，得到实验数据对应的结果数据；基于结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型；其中，初始电阻预测模型包括分析模型和动态模型。本发明实施例的方法可以根据不同的环境情况对电阻预测模型进行训练，使得电阻预测模型可以准确的预测出，杆塔在不同环境下遭受雷击的接地电阻，提高了模型预测杆塔的接地电阻的准确性。

Description

电阻预测模型训练方法、装置、电子设备和存储介质
技术领域
本发明实施例涉及电阻检测技术，尤其涉及一种电阻预测模型训练方法、装置、电子设备和存储介质。
背景技术
近年来随着电网的普及发展，架空高压输电线路的雷击跳闸一直是困扰电网安全供电的难题，据电网故障分类统计表明，高压线路运行的总跳闸次数中，由于雷击引发的故障约占50％-60％，尤其是多雷、电阻率高的山区，雷击输电线路引起的故障次数更多。在绝缘装置一定的情况下，影响雷击输电线路反击跳闸的主要因素就是接地电阻的大小，因此做好接地装置的检查，规范接地电阻测量方法保证线路杆塔可靠接地，并使其接地电阻值在规程要求范围内已成为线路防雷的一项重要工作。
接地电阻的大小是指对一个接地体或者设备外壳或建筑物接地极对大地之间的电阻值；其中接地电阻越小，当有设备漏电或者遭受雷击时，可以将其导入大地，进而不至于伤害人身和设备；接地电阻包括：电气设备和接地线的接触电阻、接地线本身的电阻、接地体本身的电阻、接地体和大地的接触电阻、大地的电阻。现有的接地电阻的预测模型包括小电阻功率损耗数学模型，这种模型通过分析变电站接地变压器中性点电阻阻值与功率损耗的关系，在不改变变电站接地变压器的零序保护灵敏度的前提下，提出了最佳电阻选取方法，实现了变电站设备的节能运行。但是接地电阻的阻值大小会根据环境的变化而出现变化，因此在单纯分析变电站接地变压器中性点电阻阻值与功率损耗的关系，并无法有效确认接地电阻在不同环境的变化规律。因此，亟需一种输电线路接地电阻变化规律检测模型，根据模型提供数据参考，准确的预测接地电阻的变化，以便技术人员提前计划方案，保障电网安全，降低接地电阻的测量成本。
发明内容
本发明实施例提供一种电阻预测模型训练方法、装置、电子设备和存储介质，可以根据不同的环境情况，准确的预测出在该环境下杆塔遭受雷击的接地电阻，提高了模型预测杆塔的接地电阻的准确性。
第一方面，本发明实施例提供一种电阻预测模型训练方法，包括：
获取杆塔的雷击实验的实验数据；其中，所述实验数据包括环境变量和雷击数据，所述环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息；
根据所述实验数据和预先建立的实验场景对杆塔进行雷击实验，得到所述实验数据对应的结果数据；
基于所述结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型；其中，所述初始电阻预测模型包括分析模型和动态模型。
第二方面，本发明实施例提供一种电阻预测模型训练装置，所述装置包括：
数据获取模块，用于获取杆塔的雷击实验的实验数据；其中，所述实验数据包括环境变量和雷击数据，所述环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息；
雷击实验模块，用于根据所述实验数据和预先建立的实验场景对杆塔进行雷击实验，得到所述实验数据对应的结果数据；
模型训练模块，用于基于所述结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型；其中，所述初始电阻预测模型包括分析模型和动态模型。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的电阻预测模型训练方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的电阻预测模型训练方法。
本发明实施例中，可以获取杆塔的雷击实验的实验数据；其中，实验数据包括环境变量和雷击数据，环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息；根据实验数据和预先建立的实验场景对杆塔进行雷击实验，得到实验数据对应的结果数据；基于结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型；其中，初始电阻预测模型包括分析模型和动态模型。即本发明实施例中，可以根据不同的环境情况对电阻预测模型进行训练，使得电阻预测模型可以根据不同的环境情况，准确的预测出杆塔在各种环境下遭受雷击的接地电阻，提高了模型预测杆塔的接地电阻的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的电阻预测模型训练方法的一个流程示意图；
图2为本发明实施例提供的电阻预测模型训练方法的另一个流程示意图；
图3为本发明实施例提供的待测接地极与杆塔解开直线接线示意图；
图4为本发明实施例提供的待测接地极与杆塔连接直线接线示意图；
图5为本发明实施例提供的杆塔接地装置接地电阻测量夹角解开接线示意图；
图6为本发明实施例提供的杆塔接地装置接地电阻测量夹角连接接线示意图；
图7为本发明实施例提供的电阻预测模型训练装置的结构示意图；
图8为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的电阻预测模型训练方法的一个流程示意图，本发明实施例的方法可以根据不同的环境情况，准确的预测出在该环境下杆塔遭受雷击的接地电阻，提高了模型预测杆塔的接地电阻的准确性。该方法可以由本发明实施例提供的电阻预测模型训练装置来执行，该装置可采用软件和/或硬件的方式实现。以下实施例将以该装置集成在电子设备中为例进行说明，参考图1，该方法具体可以包括如下步骤：
步骤101、获取杆塔的雷击实验的实验数据。
其中，实验数据包括环境变量和雷击数据，环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息。雷击数据包括对杆塔做雷击实验时，向接地电阻中注入的电流值。雷击实验是用于测试杆塔的耐雷击能力的实验。具体地，在对杆塔进行雷击实验前，需要搭建好雷击实验的实验环境。服务器可以根据领域大数据等设置好环境变量和累计数据，当然，用户也可以自定义雷击实验的实验数据。
步骤102、根据实验数据和预先建立的实验场景对杆塔进行雷击实验，得到实验数据对应的结果数据。
其中，实验数据包括环境变量和雷击数据。本方案中，在搭建好雷击实验的实验场景后，控制当前场景下的土壤温度、湿度，降水情况和天气情况，处于同一情况下，然后依次调整场景中某一参数数值，进行雷击实验，并通过三极法和钳表法对接地电阻的阻值进行测量，得到雷击实验的结果数据。
在一种可选的实施方式中，服务器在获取到实验数据后，根据预先设置的各个环境变量值和雷击数据确定基础组实验数据，并根据基础组实验数据对杆塔进行雷击实验，得到基础实验结果。按照预先设置的变量值变化规则依次改变各个环境变量值，根据各个改变后的环境变量值和雷击数据得到多组对照组实验数据，并基于各个对照组实验数据依次对杆塔进行雷击实验，得到各个对照组实验数据对应的各个对照实验结果；基于实验数据、基础实验结果和对照实验结果确定结果数据。
示例性的，服务器在获取到实验数据后，首先根据领域大数据等确定出一组基础实验数据：雷击数据：电流值40000A，土壤温度：25度，土壤湿度：0.5，降水信息：0降水，天气信息：晴天。服务器根据该基础实验数据，控制搭建好的雷击实验环境中的相关设备向杆塔注入40000A的电流，然后使用三级法和钳表法对杆塔注入电流前、注入电流时和注入电流后的接地电阻进行测量，得到杆塔在基础实验数据下的雷击前接地电阻、雷击时接地电阻和雷击后接地电阻。在得到基础实验结果后，改变环境变量中的一个环境变量的环境变量值(土壤湿度)，确定出一组对照实验数据：雷击数据：电流值40000A，土壤温度：25度，土壤湿度：0.8，降水信息：0降水，天气信息：晴天。根据该对照实验数据对杆塔再次进行雷击实验，得到杆塔在该对照实验数据下的雷击前接地电阻、雷击时接地电阻和雷击后接地电阻。进一步地，按照预先设置的变量值变化规则依次改变其他的环境变量值，并且每次只改变一个环境变量值，得到各个对照组实验数据，对杆塔继续做雷击实验，得到各个对照实验数据的对应的各个对照实验结果。
步骤103、基于结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型。
其中，电阻预测模型用于预测在不同的环境下，杆塔遭受雷击的雷击前接地电阻、雷击时接地电阻和雷击后接地电阻。初始电阻预测模型是还未被训练的电阻预测模型。本方案中，初始电阻预测模型包括分析模型和动态模型。
具体地，服务器根据实验数据对杆塔进行雷击实验，得到结果数据后，可以利用结果数据对初始电阻预测模型进行训练。在一种可选的实施方式中，得到结果数据后，根据结果数据生成初始电阻预测模型的样本数据库；当初始电阻预测模型不满足预先设置的收敛条件时，从样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据，将当前数据中的各个环境变量值和雷击数据输入至分析模型，得到分析模型输出的雷击前接地电阻预测值和雷击后接地电阻预测值；将当前数据中的各个环境变量值和雷击数据输入至动态模型，得到动态模型输出的雷击时的电阻预测值；基于预先设定的损失函数、雷击前接地电阻预测值、雷击后接地电阻预测值和雷击时的电阻预测值调整初始电阻预测模型的模型参数。重复执行从样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据的操作，直到初始电阻预测模型满足收敛条件，得到目标电阻预测模型。
本实施例的技术方案，获取杆塔的雷击实验的实验数据；其中，实验数据包括环境变量和雷击数据，环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息；根据实验数据和预先建立的实验场景对杆塔进行雷击实验，得到实验数据对应的结果数据；基于结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型；其中，初始电阻预测模型包括分析模型和动态模型。本实施例的方法，可以根据不同的环境情况对电阻预测模型进行训练，使得电阻预测模型可以根据不同的环境情况，准确的预测出杆塔在各种环境下遭受雷击的接地电阻，提高了模型预测杆塔的接地电阻的准确性。
图2为本发明实施例提供的电阻预测模型训练方法的另一个流程示意图，本实施例是在上述实施例的基础上进行细化。具体的方法可如图2所示，该方法可以包括如下步骤：
步骤201、获取杆塔的雷击实验的实验数据。
其中，实验数据包括环境变量和雷击数据，环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息。
步骤202、根据实验数据和预先建立的实验场景对杆塔进行雷击实验，得到实验数据对应的结果数据。
其中，实验数据包括环境变量和雷击数据，结果数据包括雷击前接地电阻、雷击时接地电阻和雷击后接地电阻。本方案中，可选的，对杆塔进行雷击实验的过程中，通过三级法和钳表法获取杆塔的雷击实验对应的结果数据。
三级法包括直线法和夹角法，三级法是一种常用的测量接地电阻的方法，它通过使用三个在不同的位置的电极对接地电阻进行测量，以提高测量结果的准确性。具体地，采用三极法测量前，将杆塔塔身与各接地极之间的电气连接全部断开；对被测杆塔的接地极布置型式和最大射线长度，记录杆塔编号、接地极编号、接地极型式、土壤状况和当地气温；布置电流极和电压极时，避免将电流极和电压极布置在杆塔接地装置的射线方向上；电流极和电压极的辅助接地电阻不超过测量仪表规定的范围，通过将测量电极更深地插入土壤并与土壤接触良好、增加电流极导体的根数、给电流极泼水等方式降低电流极的辅助接地电阻。在工业区或居民区，地下可能具有部分或完全埋地的金属物体，如铁轨、水管或其他工业金属管道，如果测量电极布置不当，地下金属物体可能会影响测量结果。因此，电极可以布置在与金属物体垂直的方向上，并且最近的测量电极与地下管道之间的距离不小于电极之间的距离。本方案中，采用三极法测量杆塔接地电阻时，使用四端子接地电阻测试仪。
具体地，三极法包括直线法和夹角法，其中夹角法适用于土壤电阻率较为均匀的情况。图3为本发明实施例提供的待测接地极与杆塔解开直线接线示意图。图4为本发明实施例提供的待测接地极与杆塔连接直线接线示意图。图4中的波浪线表示连接线。如图3和图4所示，图3和图4中包括杆塔和接地电阻测试仪，C1和C2为电阻测试仪的两个电流极接口，P1和P2为电阻测试仪的两个电压极接口。P为电压极，C为电流极。P和C分别布置在离杆塔基础边缘dGC＝4L和dGP＝2.5L处，L为杆塔接地极最大射线的长度，dGC为接地装置G和电流极C之间的直线距离。dGP为接地装置G和电压极P之间的直线距离
图5为本发明实施例提供的杆塔接地装置接地电阻测量夹角解开接线示意图。图6为本发明实施例提供的杆塔接地装置接地电阻测量夹角连接接线示意图。图6中的波浪线表示连接线。如图5和图6所示，图5和图6中包括杆塔和接地电阻测试仪，C1和C2为电阻测试仪的两个电流极接口，P1和P2为电阻测试仪的两个电压极接口。用金属导线将断开的各接地极并联，将杆塔接地装置作为整体测量，采用电流线和电位线夹角法测试杆塔接地电阻，θ为电流线与电压线的夹角。P为电压极，C为电流极。dGC为接地装置G和电流极C之间的直线距离。dGP为接地装置G和电压极P之间的直线距离。夹角法中，测量时取dGC＝dGP＝2L，L为杆塔接地极最大射线的长度。在实际应用中，电压极P到测试点G(即dGC与dGP的交点，即接地装置)的距离与电流极C到测试点G的距离相等，因为接地电阻测试仪测出的电阻R0并不是实际接地电阻，因此，夹角法测量杆塔接地电阻时需要进行修正，修正公式为：
其中，R为杆塔的实际接地电阻，R0为接地电阻的测量值。
本方案中，在对杆塔进行雷击实验时，可以利用三级法和钳表法对杆塔的接地电阻进行多次测量。若某一次钳法的测量结果与历次钳表法测量结果相差不大，则认为此次钳表法测量结果有效，如果某一次钳表法测量结果远大于历次钳表法测量结果，或者超过了相应的标准或规程中对接地电阻值的规定，则根据该钳表法的测量结果生成提示信息，将提示信息发送给用户，以提示用户采用三极法进行对比测量，并分析钳表法测量结果不准确的原因。
上述步骤中，可以通过三极法和钳表法对杆塔接地电阻进行测量，并对测量的数据进行验证，从而提高了测量数据的准确性，进一步提高电阻预测模型预测的准确性。
具体地，服务器在搭建好雷击实验的实验场景后，控制当前场景下的土壤温度、湿度，降水情况和天气情况，处于同一情况下，然后依次调整场景中某一参数数值，进行多次雷击实验，并通过三极法和钳表法对接地电阻的阻值进行测量，得到多次雷击实验的结果数据。本方案实施例中，可选的，根据实验数据和预先建立的实验场景对杆塔进行雷击实验，得到实验数据对应的结果数据，包括如下步骤A1-步骤A2：
步骤A1：根据预先设置的各个环境变量值和雷击数据确定基础组实验数据，并根据基础组实验数据对杆塔进行雷击实验，得到基础实验结果；按照预先设置的变量值变化规则依次改变各个环境变量值，根据各个改变后的环境变量值和雷击数据得到多组对照组实验数据，并基于各个对照组实验数据依次对杆塔进行雷击实验，得到各个对照组实验数据对应的各个对照实验结果。
其中，基础实验数据包括服务器根据领域大数据等，或者根据用户发送的实验数据确定出的，一组包含各个环境变量值和注入到杆塔的电流值的数据。各个环境变量包括土壤温度、土壤湿度、降水信息和天气信息。变量值变化规则是服务器预先确定出的，用于规定各个环境变量值的变化顺序、变化数值大小等。具体地，杆塔在不同环境下遭受雷击时，会产生不同的接地电阻，并且具备一定的变化规律。为了确定接地电阻在不同环境下的变化规律，服务器可以先确定一组基础实验数据，根据基础实验数据对杆塔进行雷击实验，通过三级法和钳表法得到杆塔的接地电阻。然后，按照变量值变化规则，改变其中一个环境变量值，得到一组对照组实验数据，根据对照组实验数据对杆塔进行雷击实验，得到对照组实验数据的对照实验结果。进一步地，按照变量值变化规则，得到所有的对照组实验数据和所有对照实验结果。
示例性的，服务器在获取到实验数据后，首先根据领域大数据等确定出一组基础实验数据：雷击数据：电流值40000A，土壤温度：25度，土壤湿度：0.5，降水信息：0降水，天气信息：晴天。服务器根据该基础实验数据，控制搭建好的雷击实验环境中的设备向杆塔注入40000A的电流，然后使用三级法和钳表法对杆塔注入电流前、注入电流时和注入电流后的接地电阻进行测量，得到杆塔在基础实验数据下的雷击前接地电阻、雷击时接地电阻和雷击后接地电阻。在得到基础实验结果后，改变环境变量中的一个环境变量的环境变量值(土壤湿度)，确定出一组对照实验数据：雷击数据：电流值40000A，土壤温度：25度，土壤湿度：0.8，降水信息：0降水，天气信息：晴天。根据该对照实验数据对杆塔再次进行雷击实验，得到杆塔在该对照实验数据下的雷击前接地电阻、雷击时接地电阻和雷击后接地电阻。进一步地，按照预先设置的变量值变化规则依次改变其他的环境变量值，并且每次只改变一个环境变量值，对杆塔继续做雷击实验，得到各个对照实验数据的对应的各个对照实验结果。
步骤A3：基于实验数据、基础实验结果和对照实验结果确定结果数据。
其中，结果数据是用于训练初始电阻预测模型的数据，根据结果数据可以生成初始电阻预测模型的样本数据库。因此，结果数据中包括杆塔的雷击实验的实验数据、基础实验结果和对照实验结果。其中实验数据包括基础组实验数据和各个对照组实验数据。
具体地，在得到基础实验结果和对照实验结果后，服务器将所有的结果数据和实验数据进行分类整理，分类逻辑依据不同场景的数据进行分类。例如，一个对照组实验和一个对照组实验结果分为一个组，防止数据杂乱，同时每一个组下的数据可以根据对其进行的多次雷击实验再分为多个小组。
步骤203、根据结果数据生成初始电阻预测模型的样本数据库。
其中，样本数据库用于训练初始电阻预测模型，样本数据库中包括样本和样本标签。本方案中，对杆塔进行的每一次的雷击实验的各个环境变量值和注入的电流值是样本，该样本的样本标签是通过三级法和钳表法测量得到的杆塔的雷击前接地电阻、雷击时接地电阻和雷击后接地电阻。在一种可选的实施方式中，服务器在得到结果数据后，可以对结果数据中每一组的数据进行归一化处理，以便于后续训练初始电阻预测模型，提高初始电阻预测模型的预测精度。
本方案中，可选的，在根据结果数据生成初始电阻预测模型的样本数据库之前，还包括：分别计算各个对照实验结果的标准差和异众比率；若各个标准差或者各个异众比率中存在至少一个标准差或者异众比率不符合预设条件，则删除至少一个标准差对应的对照实验结果。
其中，标准差的大小代表了结果数据的精确度。如果每组实验中测量得到的接地电阻与其对应的标准差数值相差较大，则可以确定此次测量数据可能存在误差。因此，当测量得到的杆塔的接地电阻波动较大时(标准差不符合预设条件)，服务器可以根据其标准差生成一个提示信息，并将该提示信息发送给用户，使得用户可以及时对雷击实验进行检查，判定雷击实验是否存在问题，从而保证实验的准确性。
其中，异众比率主要用于衡量众数对一组数据的代表程度，异众比率越大，说明非众数组的频数占总频数的比重越大，众数的代表性就越差；异众比率越小，说明非众数组的频数占总频数的比重越小，众数的代表性越好；异众比率计算公式如下：
其中，Vr为异众比率，∑fi为变量值的总项数，fm为众数组的频数。
通过异众比率计算各组结果数据与其众数的离散程度，从而确定该组数据的众数是否具有代表性。本方案中，若异众比率大于预设阈值，则说明众数的代表性差，即说明数据的波动性大，进而说明实验过程中不确定因素过多，可能发生了由于实验过程操作不准确导致数据偏离的情况。进一步可以对其进行实际验证，若的确存在此情况，则可将改组数据报废，然后进行重新实验。
上述步骤中，通过数据异众比率和标准差，对数据进行筛选和整理，从而保证了获取的数据准确性高，进一步保证了接地电阻预测模型预测的准确性。
步骤204、当初始电阻预测模型不满足预先设置的收敛条件时，从样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据，将当前数据中的各个环境变量值和雷击数据输入至分析模型，得到分析模型输出的雷击前接地电阻预测值和雷击后接地电阻预测值。
其中，电阻预测模型包括分析模型和动态模型。分析模型用于分析杆塔在不同环境下的雷击前接地电阻和雷击后接地电阻的变化规律。本方案中，将当前数据中的各个环境变量值和雷击数据输入至分析模型，得到分析模型输出的雷击前接地电阻预测值和雷击后接地电阻预测值，包括：将当前数据中的各个环境变量值和雷击数据带入预先设定的拟合公式，得到杆塔的雷击前阻值和雷击后阻值的变化规律；基于杆塔的雷击前阻值和雷击后阻值的变化规律，得到雷击前接地电阻预测值和雷击后接地电阻预测值。
其中，当前数据包括某一次的雷击实验的各个环境变量值和向杆塔注入的电流值。具体地，将当前数据和当前数据对应的样本标签(杆塔在遭受雷击的雷击前接地电阻和雷击后接地电阻)输入至分析模型，分析模型可以基于领域大数据、当前数据和当前数据对应的样本标签等进行预测分析，得到杆塔的雷击前阻值和雷击后阻值的变化规律。即将当前数据带入预先设定的拟合公式，本方案中，预先设定的拟合公式可以是基于最小二乘法的曲线拟合公式。例如可以是如下公式：
其中，是事先选定的一组线性无关的函数，αm是待定系数。进一步地，基于曲线拟合公式和当前数据，预测出杆塔的雷击前后的接地电阻的阻值变化规律，即得到雷击前接地电阻预测值和雷击后接地电阻预测值。
步骤205、将当前数据中的各个环境变量值和雷击数据输入至动态模型，得到动态模型输出的雷击时的电阻预测值。
其中，动态模型用于分析杆塔在不同环境下，遭受雷击时的雷击时接地电阻的变化规律。具体地，分析模型仅是对杆塔的雷击前后的接地电阻分析总结，杆塔遭受雷击时，雷击前雷击后的接地电阻的内部阻值趋于稳定值，因此在预测过程中采用曲线拟合算法能够很快的得出相关的变化规律。但是，在杆塔遭受雷击时，此时的状态是瞬间的，且不确定因素也会增多，传统拟合算法很难进行准确预判。本方案中，基于误差反向传播算法建立动态模型，用神经网络进行拟合算法，从而保证动态模型能够在误差允许的范围内，对正在遭受雷击的接地电阻阻值变化进行预测。进一步地，服务器可以将当前数据输入至动态模型，动态模型可以基于误差反向传播算法，根据当前数据中的各个环境变量值和累计数据预测出杆塔的雷击时接地电阻。
步骤206、基于预先设定的损失函数、雷击前接地电阻预测值、雷击后接地电阻预测值和雷击时的电阻预测值调整初始电阻预测模型的模型参数。重复执行从样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据的操作，直到初始电阻预测模型满足收敛条件，得到目标电阻预测模型。
其中，损失函数是服务器预先设定好的，用于衡量初始电阻预测模型是否满足预设条件的函数。具体地，将当前数据输入进初始电阻预测模型后，初始电阻预测模型的分析模型可以预测出杆塔的当前数据对应的雷击前接地电阻和雷击后接地电阻，初始电阻预测模型的动态模型可以预测出杆塔的当前数据对应的雷击时接地电阻。将初始电阻预测模型预测的雷击前接地电阻、雷击时接地电阻和雷击后接地电阻，以及根据三级法和钳表发测量得到的雷击前接地电阻、雷击时接地电阻和雷击后接地电阻带入至损失函数，并根据损失函数的计算结果调整分析模型和/或动态模型的模型参数，重复执行从样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据的操作，直到损失函数满足预设条件，即初始电阻预测模型满足收敛条件，得到目标电阻预测模型。
本方案中，在得到训练好的目标电阻预测模型后，将目标电阻预测模型应用到实际场景中进行验证，若验证过程中出现与试验过程或预测数值中出现较大误差的情况，用户可以将验证过程中产生的问题数据上传至服务器，服务器可以根据验证过程中产生的问题数据，进行重新计算并分析论证，进而保证预测数值与实际应用的数值趋于一致。
本发明实施例中，获取杆塔的雷击实验的实验数据。其中，实验数据包括环境变量和雷击数据，环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息。根据实验数据和预先建立的实验场景对杆塔进行雷击实验，得到实验数据对应的结果数据。根据结果数据生成初始电阻预测模型的样本数据库。当初始电阻预测模型不满足预先设置的收敛条件时，从样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据，将当前数据中的各个环境变量值和雷击数据输入至分析模型，得到分析模型输出的雷击前接地电阻预测值和雷击后接地电阻预测值。将当前数据中的各个环境变量值和雷击数据输入至动态模型，得到动态模型输出的雷击时的电阻预测值；基于预先设定的损失函数、雷击前接地电阻预测值、雷击后接地电阻预测值和雷击时的电阻预测值调整初始电阻预测模型的模型参数。重复执行从样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据的操作，直到初始电阻预测模型满足收敛条件，得到目标电阻预测模型。本实施例的技术方案，可以根据不同的环境情况对电阻预测模型进行训练，使得电阻预测模型可以根据不同的环境情况，准确的预测出杆塔在各种环境下遭受雷击的接地电阻，提高了模型预测杆塔的接地电阻的准确性。
图7为本发明实施例提供的电阻预测模型训练装置的结构示意图，该装置适用于执行本发明实施例提供的电阻预测模型训练方法。如图7所示，该装置具体可以包括：
数据获取模块701，用于获取杆塔的雷击实验的实验数据；其中，所述实验数据包括环境变量和雷击数据，所述环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息；
雷击实验模块702，用于根据所述实验数据和预先建立的实验场景对杆塔进行雷击实验，得到所述实验数据对应的结果数据；
模型训练模块703，用于基于所述结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型；其中，所述初始电阻预测模型包括分析模型和动态模型。
可选的，雷击实验模块702，具体用于：根据预先设置的各个环境变量值和所述雷击数据确定基础组实验数据，并根据所述基础组实验数据对所述杆塔进行雷击实验，得到基础实验结果；
按照预先设置的变量值变化规则依次改变各个环境变量值，根据各个改变后的环境变量值和所述雷击数据得到多组对照组实验数据，并基于各个对照组实验数据依次对所述杆塔进行雷击实验，得到各个对照组实验数据对应的各个对照实验结果；
基于所述实验数据、所述基础实验结果和所述对照实验结果确定所述结果数据。
可选的，雷击实验模块702，还用于：基于预先建立好的测量环境，通过三级法和钳表法获取所述杆塔的雷击实验对应的结果数据，其中，所述结果数据包括雷击前接地电阻、雷击时接地电阻和雷击后接地电阻；所述三级法包括直线法和夹角法。
可选的，模型训练模块703，具体用于：根据所述结果数据生成所述初始电阻预测模型的样本数据库；
当所述初始电阻预测模型不满足预先设置的收敛条件时，从所述样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据，使用所述当前数据对所述初始电阻预测模型进行训练，重复执行从所述样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据的操作，直到所述初始电阻预测模型满足所述收敛条件，得到所述目标电阻预测模型。
可选的，模型训练模块703，还用于：将所述当前数据中的各个环境变量值和雷击数据输入至所述分析模型，得到所述分析模型输出的雷击前接地电阻预测值和雷击后接地电阻预测值；
将所述当前数据中的各个环境变量值和雷击数据输入至所述动态模型，得到所述动态模型输出的雷击时的电阻预测值；
基于预先设定的损失函数、所述雷击前接地电阻预测值、所述雷击后接地电阻预测值和所述雷击时的电阻预测值调整所述初始电阻预测模型的模型参数。
可选的，在基于所述结果数据对初始电阻预测模型进行训练之前，模型训练模块703，还用于：分别计算和各个对照实验结果的标准差和异众比率；
若各个标准差或者各个异众比率中存在至少一个标准差或者异众比率不符合预设条件，则删除所述至少一个标准差对应的对照实验结果。
可选的，模型训练模块703，还用于：将所述当前数据中的各个环境变量值和所述雷击数据带入预先设定的拟合公式，得到所述杆塔的雷击前阻值和雷击后阻值的变化规律；
基于所述杆塔的雷击前阻值和雷击后阻值的变化规律，得到所述雷击前接地电阻预测值和雷击后接地电阻预测值。
本发明实施例所提供的电阻预测模型训练装置可执行本发明任意实施例所提供的电阻预测模型训练方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。
图8为本发明实施例提供的电子设备的结构示意图，参考图8，其示出了适于用来实现本发明实施例的电子设备的计算机系统12的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外，本实施例中的电子设备12，显示器24不是作为独立个体存在，而是嵌入镜面中，在显示器24的显示面不予显示时，显示器24的显示面与镜面从视觉上融为一体。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图8中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及电阻预测模型训练，例如实现本发明实施例所提供的一种电阻预测模型训练方法：获取杆塔的雷击实验的实验数据；其中，所述实验数据包括环境变量和雷击数据，所述环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息；根据所述实验数据和预先建立的实验场景对杆塔进行雷击实验，得到所述实验数据对应的结果数据；基于所述结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型；其中，所述初始电阻预测模型包括分析模型和动态模型。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明所有发明实施例提供的一种电阻预测模型训练方法：获取杆塔的雷击实验的实验数据；其中，所述实验数据包括环境变量和雷击数据，所述环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息；根据所述实验数据和预先建立的实验场景对杆塔进行雷击实验，得到所述实验数据对应的结果数据；基于所述结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型；其中，所述初始电阻预测模型包括分析模型和动态模型。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种电阻预测模型训练方法，其特征在于，包括：
获取杆塔的雷击实验的实验数据；其中，所述实验数据包括环境变量和雷击数据，所述环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息；
根据所述实验数据和预先建立的实验场景对杆塔进行雷击实验，得到所述实验数据对应的结果数据；
基于所述结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型；其中，所述初始电阻预测模型包括分析模型和动态模型。
2.根据权利要求1所述的方法，其特征在于，根据所述实验数据和预先建立的实验场景对杆塔进行雷击实验，得到所述实验数据对应的结果数据，包括：
根据预先设置的各个环境变量值和所述雷击数据确定基础组实验数据，并根据所述基础组实验数据对所述杆塔进行雷击实验，得到基础实验结果；
按照预先设置的变量值变化规则依次改变各个环境变量值，根据各个改变后的环境变量值和所述雷击数据得到多组对照组实验数据，并基于各个对照组实验数据依次对所述杆塔进行雷击实验，得到各个对照组实验数据对应的各个对照实验结果；
基于所述实验数据、所述基础实验结果和所述对照实验结果确定所述结果数据。
3.根据权利要求2所述的方法，其特征在于，根据所述实验数据和预先建立的实验场景对杆塔进行雷击实验，得到所述实验数据对应的结果数据，包括：
基于预先建立好的测量环境，通过三级法和钳表法获取所述杆塔的雷击实验对应的结果数据，其中，所述结果数据包括雷击前接地电阻、雷击时接地电阻和雷击后接地电阻；所述三级法包括直线法和夹角法。
4.根据权利要求1所述的方法，其特征在于，基于所述结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型，包括：
根据所述结果数据生成所述初始电阻预测模型的样本数据库；
当所述初始电阻预测模型不满足预先设置的收敛条件时，从所述样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据，使用所述当前数据对所述初始电阻预测模型进行训练，重复执行从所述样本数据库中的所有雷击实验的各个环境变量值和雷击数据中，选取一个雷击实验的各个环境变量值和雷击数据作为当前数据的操作，直到所述初始电阻预测模型满足所述收敛条件，得到所述目标电阻预测模型。
5.根据权利要求4所述的方法，其特征在于，使用当前数据对所述初始电阻预测模型进行训练，包括：
将所述当前数据中的各个环境变量值和雷击数据输入至所述分析模型，得到所述分析模型输出的雷击前接地电阻预测值和雷击后接地电阻预测值；
将所述当前数据中的各个环境变量值和雷击数据输入至所述动态模型，得到所述动态模型输出的雷击时的电阻预测值；
基于预先设定的损失函数、所述雷击前接地电阻预测值、所述雷击后接地电阻预测值和所述雷击时的电阻预测值调整所述初始电阻预测模型的模型参数。
6.根据权利要求1所述的方法，其特征在于，在基于所述结果数据对初始电阻预测模型进行训练之前，所述方法还包括：
分别计算各个对照实验结果的标准差和异众比率；
若各个标准差或者各个异众比率中存在至少一个标准差或者异众比率不符合预设条件，则删除所述至少一个标准差对应的对照实验结果。
7.根据权利要求5所述的方法，其特征在于，将所述当前数据中的各个环境变量值和雷击数据输入至所述分析模型，得到所述分析模型输出的雷击前接地电阻预测值和雷击后接地电阻预测值，包括：
将所述当前数据中的各个环境变量值和所述雷击数据带入预先设定的拟合公式，得到所述杆塔的雷击前阻值和雷击后阻值的变化规律；
基于所述杆塔的雷击前阻值和雷击后阻值的变化规律，得到所述雷击前接地电阻预测值和雷击后接地电阻预测值。
8.一种电阻预测模型训练装置，其特征在于，包括：
数据获取模块，用于获取杆塔的雷击实验的实验数据；其中，所述实验数据包括环境变量和雷击数据，所述环境变量至少包括土壤温度、土壤湿度、降水信息和天气信息；
雷击实验模块，用于根据所述实验数据和预先建立的实验场景对杆塔进行雷击实验，得到所述实验数据对应的结果数据；
模型训练模块，用于基于所述结果数据对初始电阻预测模型进行训练，得到训练好的目标电阻预测模型；其中，所述初始电阻预测模型包括分析模型和动态模型。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一所述的电阻预测模型训练方法。
10.一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，该程序被处理器执行时实现如权利要求1至7中任一所述的电阻预测模型训练方法。
CN202311296570.5A 2023-10-09 2023-10-09 电阻预测模型训练方法、装置、电子设备和存储介质 Pending CN117350216A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311296570.5A CN117350216A (zh) 2023-10-09 2023-10-09 电阻预测模型训练方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311296570.5A CN117350216A (zh) 2023-10-09 2023-10-09 电阻预测模型训练方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN117350216A true CN117350216A (zh) 2024-01-05

Family

ID=89370461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311296570.5A Pending CN117350216A (zh) 2023-10-09 2023-10-09 电阻预测模型训练方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN117350216A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828314A (zh) * 2024-03-05 2024-04-05 深圳永贵技术有限公司 充电枪绝缘电阻测试方法、装置、设备及存储介质
CN118011103A (zh) * 2024-04-09 2024-05-10 国网安徽省电力有限公司电力科学研究院 一种基于多路传感的杆塔接地电阻测量方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828314A (zh) * 2024-03-05 2024-04-05 深圳永贵技术有限公司 充电枪绝缘电阻测试方法、装置、设备及存储介质
CN117828314B (zh) * 2024-03-05 2024-05-07 深圳永贵技术有限公司 充电枪绝缘电阻测试方法、装置、设备及存储介质
CN118011103A (zh) * 2024-04-09 2024-05-10 国网安徽省电力有限公司电力科学研究院 一种基于多路传感的杆塔接地电阻测量方法及装置

Similar Documents

Publication Publication Date Title
CN117350216A (zh) 电阻预测模型训练方法、装置、电子设备和存储介质
CN108562782B (zh) 一种杂散电流的获取方法及杂散电流的检测系统
AU2020101683A4 (en) Fault detection, location, and prediction within an electricity power transmission and distribution networks
KR100968046B1 (ko) 가공 지선이 연결된 송전 선로에서 송전 철탑 접지 저항 측정 방법
CN106908674A (zh) 一种基于多状态量预测的变压器状态评估方法
CN108008254A (zh) 一种变电站接地网故障诊断方法及装置
CN112345889B (zh) 暂态电压和暂态电流融合的过电压故障诊断方法及系统
CN110907755A (zh) 一种输电线路在线监测故障识别方法
CN104112239A (zh) 一种利用基准态分析的变压器状态评估方法及装置
CN104833898B (zh) 采用m序列信号电流的变电站接地网腐蚀状态评估方法
Volpov et al. Characterization of local environmental data and lightning-caused outages in the IECo transmission-line network
CN113466607A (zh) 一种三相电缆中间接头受潮状态分析方法
CN108089086A (zh) 一种配电网电缆接头故障诊断设备和诊断方法
CN105447289B (zh) 一种确定特高压单回路可听噪声修正值的方法
Bairwa et al. Development of fault detection method in cable using arduino uno
CN114740308A (zh) 一种接地网的拓扑检测方法、装置、设备及介质
CN111509710B (zh) Tn-c台区漏电识别方法、系统、设备和存储介质
CN106841903A (zh) 35kV架空输电杆塔接地冲击响应测试和评估方法及系统
Karami et al. Monte‐Carlo‐based simulation and investigation of 230 kV transmission lines outage due to lightning
CN110472801B (zh) 直流输电线路电磁环境评估方法及系统
CN108761175B (zh) 一种地电位升检测系统及输电线路雷击情况确定方法
CN206684248U (zh) 一种金属氧化物避雷器带电测试试验研究系统
Min et al. Application of combined PD sensor for GIS PD detection and condition monitoring
CN106680677A (zh) 模拟gis设备内部缺陷的试验装置、试验方法及测量装置
CN116859292A (zh) 基于电缆绝缘层泄漏电流的绝缘层探伤装置、方法及设备

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