CN117909877B - 局放监测参数确定方法、装置、电子设备及存储介质 - Google Patents
局放监测参数确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117909877B CN117909877B CN202410303243.6A CN202410303243A CN117909877B CN 117909877 B CN117909877 B CN 117909877B CN 202410303243 A CN202410303243 A CN 202410303243A CN 117909877 B CN117909877 B CN 117909877B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- monitoring
- parameters
- obtaining
- strategy model
- 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
- 230000036961 partial effect Effects 0.000 title claims abstract description 667
- 238000012544 monitoring process Methods 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000003860 storage Methods 0.000 title abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000003066 decision tree Methods 0.000 claims abstract description 60
- 238000003745 diagnosis Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000010187 selection method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005728 strengthening Methods 0.000 claims description 8
- 239000000758 substrate Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 31
- 238000010586 diagram Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013481 data capture Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012106 screening analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请提供一种局放监测参数确定方法、装置、电子设备及存储介质，所述方法包括：获得待检测电缆的局部放电特征；利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数；局放策略模型包括监测参数决策树；监测参数决策树是通过从预先获取的局放数据集中确定局放训练特征，基于局放训练特征划分局放数据集，获得局放数据子集；对局放数据子集进行递归处理获得的；监测参数决策树包括内部节点和叶子节点；内部节点用于表征局放训练特征的判定条件；叶子节点用于表征分类结果对应的局放监测参数，实现高效且准确的局部放电监测和诊断，提高局部放电现象检测的准确性。
Description
技术领域
本申请涉及电力系统诊断技术领域，具体而言，涉及一种局放监测参数确定方法、装置、电子设备及存储介质。
背景技术
随着国民生产生活用电需求的不断增加，社会对电网供电的可靠性要求越来越高，及时准确的掌握电力设备运行状态，提前发现潜伏性隐患，提升电力设备安全运行水平非常迫切。局部放电现象会造成电缆的绝缘劣化，影响电力能源的输送使用。
为了及时发现局部放电现象，避免故障发生，目前采用的技术通常是采用局放检测装置对电缆系统内部放电特征进行采集。然而目前的局放检测装置检测出的结果准确率不高。
发明内容
本申请实施例的目的在于一种局放监测参数确定方法、装置、电子设备及存储介质，利用预先训练好的局放策略模型，根据局部放电特征，动态调整局放检测装置的局放监测参数，提高局部放电现象检测的准确性。
第一方面，本申请实施例提供了一种局放监测参数确定方法，包括：获得待检测电缆的局部放电特征；利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数；局放策略模型包括监测参数决策树；监测参数决策树是通过从预先获取的局放数据集中确定局放训练特征，基于局放训练特征划分局放数据集，获得局放数据子集，对局放数据子集进行递归处理获得的；监测参数决策树包括内部节点和叶子节点；内部节点用于表征局放训练特征的判定条件；叶子节点用于表征分类结果对应的局放监测参数。
在上述的实现过程中，利用预先训练好的局放策略模型，根据局部放电特征，动态调整局放检测装置的局放监测参数，实现对不同的局部放电特征确定对应的局放监测参数。利用动态确定的局放监测参数可以优化监测资源分配、确定监测频率和时间以及制定监测阈值和报警策略，以实现高效且准确的局部放电监测和诊断，提高局部放电现象检测的准确性。
可选的，在本申请实施例中，利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数，包括：根据局放策略模型中内部节点对应的判定条件，确定局部放电特征对应的分支；遍历局放策略模型的路径，确定局部放电特征对应的叶子节点；根据局部放电特征对应的叶子节点，获得局部放电特征对应的局放监测参数；局放监测参数包括采集参数、过滤参数、诊断参数和异常判断参数中的至少一项。
在上述的实现过程中，利用局放策略模型，动态调整局放检测装置的局放监测参数，有助于实现高效且准确的局部放电监测和诊断。
可选的，在本申请实施例中，在利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数之前，方法还包括：获取局放数据集；局放数据集包括噪声库数据和在至少一个监测模式下采集的局放数据；利用预设的特征选择方法从局放数据集中确定局放训练特征；局放训练特征用于描述电缆的局部放电状态；基于局放训练特征对应的特征值划分局放数据集，获得局放数据子集；对局放数据子集进行递归处理，直至满足预设的终止条件，获得局放策略模型。
在上述的实现过程中，通过获取局放数据集，局放数据集包括在至少一个监测模式下采集的局放数据，选择对分类有决定性影响的局放训练特征对局放数据集进行划分；对局放数据子集进行递归处理，直至满足预设的终止条件，生成局放策略模型，使局放监测参数可以自适应调整，提高检测局部放电现象的准确性。
可选的，在本申请实施例中，监测模式包括：日常监测模式，日常监测模式为利用局放采集器设备采集局放数据；和/或，强化监测模式，强化监测模式为利用局放采集器设备和局放边缘终端采集局放数据。
在上述的实现过程中，通过日常监测模式和/或强化监测模式采集局放数据，丰富局放策略模型的训练样本，帮助模型更好地理解和捕捉不同场景或阶段下局放数据的规律，提高模型的鲁棒性。
可选的，在本申请实施例中，利用预设的特征选择方法从局放数据集中确定局放训练特征，包括：利用信息增益公式计算局放数据集中待选特征的信息熵；根据待选特征的信息熵，从待选特征中确定局放训练特征；
信息增益公式包括：
其中，为第i个待选特征的信息熵，/>为第i个待选特征在局放数据集中存在的概率，n为待选特征的数量。
在上述的实现过程中，在特征选择中，根据待选特征的信息熵，从待选特征中确定局放训练特征，可以让监测参数决策树的各个内部节点的样本目标变量取值更加一致，提升分类效果。
可选的，在本申请实施例中，在获得局放策略模型之后，方法还包括：获得局放测试数据和局放测试数据对应的目标监测参数；目标监测参数为在局放测试数据对应的场景中监测局放现象所需要的局放监测参数；利用局放策略模型，根据局放测试数据，获得预测监测参数；根据目标监测参数和预测监测参数，对局放策略模型的模型参数进行优化。
在上述的实现过程中，使用局放测试数据可以对局放策略模型进行评估，了解局放策略模型的性能和准确度，优化局放策略模型的模型参数，提高局放策略模型的泛化能力和稳定性。
可选的，在本申请实施例中，根据目标监测参数和预测监测参数，对局放策略模型的模型参数进行优化，包括：采用均方误差公式作为损失函数对局放策略模型的模型参数进行优化，均方误差公式包括：
其中，是均方值，n是局放测试数据的数量，/>是目标监测参数，/>是预测监测参数。
在上述的实现过程中，采用均方误差（Mean Squared Error，MSE）作为损失函数的评估指标作为参数调优的手段，MSE 衡量了模型预测监测参数与目标监测参数之间的平均差异的平方，用来评估模型的性能，寻找均方值最小化时局放策略模型的模型参数作为优化后模型参数，提高模型的准确性。
可选的，在本申请实施例中，局放策略模型包括多个监测参数决策树；多个监测参数决策树通过局放数据集对应的采样子集构建；其中，利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数，包括：根据随机森林法，利用多个监测参数决策树，根据局部放电特征，分别获取多个监测参数决策树对应的预测结果；根据多个监测参数决策树对应的预测结果，获得局放监测参数。
在上述的实现过程中，在随机森林中，通过利用采集子集和特征选择时的随机性，可以增加模型的多样性，减少过拟合的风险。同时，多个监测参数决策树的组合可以改善局放策略模型的预测准确性和泛化能力。
可选的，在本申请实施例中，在获得局放监测参数之后，方法包括：获得局放监测参数中的采集参数、诊断参数和异常判断参数；按照采集参数采集待检测电缆的放电信号，获得待检测放电信号；根据诊断参数对放电信号进行分析，获得分析结果；基于分析结果和异常判断参数，确定待检测电缆是否发生异常放电现象。
在上述的实现过程中，通过局放策略模型生成更合理、准确的局放监测参数，使得采用上述方法的局放检测装置可以根据局放监测参数进行放电信号的采集以及诊断，有利于提高检测局部放电现象的准确性。
第二方面，本申请实施例提供了一种局放策略模型生成方法，包括：获取局放数据集；利用预设的特征选择方法从局放数据集中确定局放训练特征；局放训练特征用于描述电缆的局部放电状态；基于局放训练特征对应的特征值划分局放数据集，获得局放数据子集；对局放数据子集进行递归处理，直至满足预设的终止条件，获得局放策略模型；局放策略模型用于生成局放监测参数。
在上述的实现过程中，通过获取局放数据集，局放数据集包括在至少一个监测模式下采集的局放数据，选择对分类有决定性影响的局放训练特征对局放数据集进行划分，生成局放策略模型，使局放监测参数可以自适应调整，有助于提高检测局部放电现象的准确性。
第三方面，本申请实施例还提供了一种局放监测参数确定装置，包括：获取特征模块，用于获得待检测电缆的局部放电特征；预测参数模块，用于利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数；局放策略模型包括监测参数决策树；监测参数决策树是通过从预先获取的局放数据集中确定局放训练特征，基于局放训练特征划分局放数据集，获得局放数据子集，对局放数据子集进行递归处理获得的；监测参数决策树包括内部节点和叶子节点；内部节点用于表征局放训练特征的判定条件；叶子节点用于表征分类结果对应的局放监测参数。
第四方面，本申请实施例还提供了一种局放策略模型生成装置，包括：获取数据集模块，用于获取局放数据集；特征选择模块，用于利用预设的特征选择方法从局放数据集中确定局放训练特征；局放训练特征用于描述电缆的局部放电状态；数据划分模块，用于基于局放训练特征对应的特征值划分局放数据集，获得局放数据子集；递归模块，用于对局放数据子集进行递归处理，直至满足预设的终止条件，获得局放策略模型；局放策略模型用于生成局放监测参数。
第五方面，本申请实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。
第六方面，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上面描述的方法。
采用本申请提供局放监测参数确定方法、装置、电子设备及存储介质，利用预先训练好的局放策略模型，根据局部放电特征，动态调整局放检测装置的局放监测参数，实现对不同的局部放电特征确定对应的局放监测参数。利用局放监测参数可以优化监测资源分配、确定监测频率和时间以及制定监测阈值和报警策略，以实现高效且准确的局部放电监测和诊断，提高局部放电现象检测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的某些实施例，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为本申请实施例提供的一种局放监测参数确定方法的流程示意图；
图2为本申请实施例提供的局放检测模式的示意图；
图3为本申请实施例提供的局放检测模式阶段的示意图；
图4为本申请实施例提供的一种局放策略模型生成方法的流程示意图；
图5为本申请实施例提供的局放监测参数确定装置的结构示意图；
图6为本申请实施例提供的局放策略模型生成装置的结构示意图；
图7为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
在本申请实施例的描述中，技术术语“第一”、“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个及以上，除非另有明确具体的限定。
局部放电现象（也可称为局放）会造成电缆的绝缘劣化，影响电力能源的输送使用，尽早发现电缆绝缘缺陷，可有效避免故障发生，减小因电网故障给国民经济造成的损失，因此局放检测装置成为电缆综合在线监测系统的重要组成。通过局放检测装置对电缆的局部放电状态进行在线、实时监测，能够及时掌握电缆的绝缘状况，以减少因电网故障给国民经济带来的损失。
申请人发现，目前的局放检测装置采用固定局放监测参数进行实时监测，包括单一的采集参数、诊断参数以及异常判断参数等。例如在放电时期的不同阶段均会采用固定的采集参数（例如采集频率等）进行采集，并通过统一的异常判断参数（例如异常阈值），确定检测结果。
但是，申请人进一步通过长期的研究发现，在实际的应用场景中，在局部放电的不同时段，其放电验证程度不同，因此局部放电特征是不同的，若在不同时段采用一样的局放监测参数进行监测，可能会导致某些时段的监测结果不准确。例如，在局部放电的初期，通常放电量小、放电频次少且持续时间短，那么如果局放监测参数的采集频率或数据捕获率较低，那么可能导致这些持续时间短的局部放电特征无法被捕捉，导致无法准确的识别出是否发生异常的局部放电现象。亦或者局放监测参数的异常判断参数中设置的放电量参数阈值较大，也可能会发生局部放电的初期，漏报异常的局部放电现象的情况。
针对以上情况，本申请实施例提供一种局放监测参数确定方法、装置、电子设备及存储介质，利用预先训练好的局放策略模型，根据局部放电特征，动态调整局放检测装置的局放监测参数，实现对不同的局部放电特征确定对应的局放监测参数，提高局部放电现象检测的准确性。
请参见图1示出的本申请实施例提供的一种局放监测参数确定方法的流程示意图。本申请实施例提供的局放监测参数确定方法可以应用于电子设备，该电子设备可以包括终端以及服务器；其中终端具体可以为智能手机、平板电脑、计算机、个人数字助理（Personal Digital Assitant，PDA）等；服务器具体可以为应用服务器，也可以为Web服务器。该局放监测参数确定方法可以包括：
步骤S110：获得待检测电缆的局部放电特征。
步骤S120：利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数；局放策略模型包括监测参数决策树；监测参数决策树是通过从预先获取的局放数据集中确定局放训练特征，基于局放训练特征划分局放数据集，获得局放数据子集，对局放数据子集进行递归处理获得的；监测参数决策树包括内部节点和叶子节点；内部节点用于表征局放训练特征的判定条件；叶子节点用于表征分类结果对应的局放监测参数。
在步骤S110中，可以利用局放采集器设备和/或局放边缘终端采集待检测电缆的局放数据，局放数据包括放电信号。例如，可以持续性采集放电信号还可以间歇性采集放电信号。对采集到的放电信号提取局部放电特征，局部放电特征可以包括放电量Q、放电频次Ns、放电持续时间T、放电类型相似度U、放电量平均增长率Kq和放电频次平均增长率Ks中的至少一项。以放电量Q为例，放电量（Q）的提取过程可以包括以下步骤，对采集到的放电信号进行积分：将放电信号在时间域上进行积分，得到累积电荷量；计算积分值：对积分后的信号进行统计，计算积分值，得到放电量（Q）。
在步骤S120中，局放策略模型用于根据不同的局部放电特征获得对应的局放监测参数。局放策略模型包括监测参数决策树，监测参数决策树是一种机器学习算法，可以根据局部放电特征，确定局部放电特征确定对应的内部节点以及分支，最终到达叶子节点，获得叶子节点对应的局放监测参数。
下面对生成局放策略模型的过程进行描述。获取预先准备好的局放数据集，局放数据集包括通过局放采集器设备在不同放电阶段采集到的放电信号，以及放电信号对应的诊断策略，诊断策略用于判断放电信号是否发生异常。
基于预设的特征选择方法，从局放数据集中确定局放训练特征，预设的特征选择方法例如基于信息增益或基尼指数等指标进行特征选择。这些指标可以衡量每个特征对于分类结果的贡献程度，确定能够区分不同类别的局放训练特征。
在一个可选的实施例中，局放训练特征可以是对局放状态的评估具有参照意义的特征量，局放训练特征可以为统计量、频域特征和/或时域特征等。示例性的，局放数据集中的放电量以及放电频次等对局放状态的评估具有参照意义，可以将这些特征量作为局放训练特征；而局放数据集中可能包含噪声库数据，噪声库数据难以对局放状态进行评估，因此噪声库数据不作为局放训练特征。
确定局放训练特征之后，使用局放训练特征将数据集划分为不同的子集，获得局放数据子集，例如可以根据特征的取值，将局放数据子集分别分配到不同的分支上。从根节点递归地构建监测参数决策树，也即对每个局放数据子集继续划分，直至满足终止条件，完成监测参数决策树的构建。满足终止条件可以为每一子集的纯度度量均达到预设表征。监测参数决策树包括内部节点和叶子节点；内部节点用于表征局放训练特征的判定条件；叶子节点用于表征分类结果对应的局放监测参数。
训练好的局放策略模型之后，根据内部节点对应的判定条件，确定局部放电特征的每一分支，每一分支构成局部放电特征的路径，直至获取到叶子节点对应的局放监测参数。局放监测参数可以理解为根据局部放电特征生成的其对应的监测策略。
在上述的实现过程中，利用预先训练好的局放策略模型，根据局部放电特征，动态调整局放检测装置的局放监测参数，实现对不同的局部放电特征确定对应的局放监测参数。利用动态调整确定的局放监测参数可以优化监测资源分配、确定监测频率和时间以及制定监测阈值和报警策略，以实现高效且准确的局部放电监测和诊断，提高局部放电现象检测的准确性。
可选的，在本申请实施例中，利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数，包括：根据局放策略模型中内部节点对应的判定条件，确定局部放电特征对应的分支。例如，从局放策略模型中的根节点开始，根据内部节点对应的判定条件，以及局部放电特征的特征值，判断局部放电特征应该沿着哪个分支走，确定局部放电特征对应的分支，并将局部放电特征分类到该分支相应的内部节点。
重复上述寻找分支的操作，直至遍历局放策略模型的路径，也即获得了局部放电特征对应的路径，可以确定局部放电特征对应的叶子节点。根据局部放电特征对应的叶子节点，获得局部放电特征对应的局放监测参数，示例性的，选择叶子节点中占比最高的分类结果，作为局部放电特征对应的局放监测参数。
局放监测参数包括采集参数、过滤参数、诊断参数和异常判断参数中的至少一项。其中，采集参数用于确定采集局放数据频率和时间，例如可以包括脉冲个数N、采集时间Tsa和采集周期Ts。过滤参数用于过滤采集到的放电信号，以增强局放监测的精度和可靠性；过滤参数可以包括相位开窗filter_phase和等效时频filter_tw等。诊断参数用于确定诊断维度，诊断参数可以包括时间域tw和空间域pose。异常判断参数用于确定监测阈值和报警策略；异常判断参数可以包括监测阈值和报警条件等。
在上述的实现过程中，利用局放策略模型，动态调整局放检测装置的局放监测参数，实现高效且准确的局部放电监测和诊断。
可选的，在本申请实施例中，在利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数之前，方法还包括：获取局放数据集；局放数据集包括噪声库数据和在至少一个监测模式下采集的局放数据。监测模式可以为局放检测装置在不同放电阶段对应的工作模式。
利用预设的特征选择方法从局放数据集中确定局放训练特征；局放训练特征用于描述电缆的局部放电状态，例如可以包括放电量Q、放电频次Ns、放电持续时间T、放电类型相似度U、放电量平均增长率Kq和放电频次平均增长率Ks中的至少一项。
确定局放训练特征之后，基于局放训练特征对应的特征值划分局放数据集，获得局放数据子集。例如可以根据局放训练特征的取值，将局放数据集中的样本分配到不同的分支上。对局放数据子集进行递归处理，直至满足预设的终止条件，获得局放策略模型。例如对于每个子集，计算其纯度或不纯度的度量。纯度度量衡量了子集中类别的一致性。终止条件可以为子集中的所有样本属于同一类别，终止条件还可以为达到最大深度等。
在上述的实现过程中，通过获取局放数据集，局放数据集包括在至少一个监测模式下采集的局放数据，选择对分类有决定性影响的局放训练特征对局放数据集进行划分，生成局放策略模型，使局放监测参数可以自适应调整，提高检测局部放电现象的准确性。
可选的，在本申请实施例中，利用预设的特征选择方法从局放数据集中确定局放训练特征，包括：利用信息增益公式计算局放数据集中待选特征的信息熵，待选特征可以为局放数据集中的任意特征，也可以为预先指定的局放数据集中的特征。信息熵表示待选特征对局放数据集的划分能够减少的不确定性。
信息增益公式包括：
其中，为第i个待选特征的信息熵，/>为第i个待选特征在局放数据集中存在的概率，n为待选特征的数量。
根据待选特征的信息熵，从待选特征中确定局放训练特征。当待选特征的信息熵越小，即局放数据集通过该待选特征进行划分后，不确定性或混乱程度越低，样本的目标变量（局放监测参数）取值更加一致，监测参数决策树的纯度也会更高。而高纯度的待选特征会使监测参数决策树更容易进行分类，提高局放策略模型的准确性。可以选择信息熵小于预设阈值的待选特征，或者信息熵最小的前n位待选特征，作为局放训练特征。
在上述的实现过程中，在特征选择中，根据待选特征的信息熵，从待选特征中确定局放训练特征，可以让监测参数决策树的各个内部节点的样本目标变量取值更加一致，提升分类效果。
可选的，在本申请实施例中，在获得局放策略模型之后，方法还包括：获得局放测试数据和局放测试数据对应的目标监测参数；目标监测参数为在局放测试数据对应的场景中监测局放现象所需要的局放监测参数。
示例性的，局放测试数据可以为根据局放发生的早期、中期和/或晚期所采集的放电信号，提取出的放电特征。局放测试数据对应的目标监测参数可以为局放发生的早期、中期和/或晚期所采用的局放监测参数，局放监测参数可以是单个参数，也可以是多个参数组成，也即组合形成的局放策略。目标监测参数可以为局放测试数据的真实目标值，局放测试数据对应的目标监测参数可以通过历史数据获取。
请参见图2示出的本申请实施例提供的局放检测模式的示意图；以及请参见图3示出的本申请实施例提供的局放检测模式阶段的示意图。
在一个可选的实施例中，局放发生早期的放电模式可以为模式(I)，局放发生早期的放电特征可以为放电量小、放电频次少、持续时间短等。其对应的局放策略为数据捕获率大，对时间域进行分析；局放监测参数可以为采用大的数据捕获率，诊断参数为时间域。如图3，局放发生中期或局放中早期的放电模式可以为模式(II)和模式(III)，模式(II)的放电特征可以为放电量小，持续时间长；模式(II)对应的局放策略可以为逐步加强筛选分析算法，该局放策略对应的局放监测参数可以为增大采样周期，增大计算时间，来判断噪声。模式(III)的放电特征可以为放电量大，持续时间短。模式(III)对应的局放策略可以为数据捕获率大，粗筛快筛以及关注持续性，也即局放监测参数可以为采用大的数据捕获率。局放发生晚期或局放中后期的放电模式可以为模式(IV)，局放发生晚期的放电特征可以为放电量大，持续时间长；局放发生晚期的局放策略可以为加强筛选分析，对应的局放监测参数可以为采用大的数据捕获率，增大采样周期，遍历更多算法等。其中，模式(III)和模式(IV)的局放幅值大，也即放电量大；模式(II)和模式(IV)的局放持续时间以及发生频率高。
上述这三个时期对应的四种模式的放电特征可以作为局放测试数据，每一模式分别对应的局放策略可以对应于目标监测参数。解释性的，模式(I)、模式(II)、模式(III) 和模式(IV)可以为根据不同时期局放发生时的放电特征差异，对局放不同阶段放电特性及对应局放策略的划分表示，并非前文提及的监测模式。例如，获取局放测试数据，局放测试数据可以为根据局放发生的早期、中期和/或晚期所采集的放电信号，提取出的放电特征；根据放电特征确认其在模式(I)、模式(II)、模式(III)和模式(IV)四种模式中所属模式，根据所属模式对应的局放策略确认为对应的目标监测参数。
利用局放策略模型，根据局放测试数据，获得预测监测参数；预测监测参数为局放测试数据在遍历局放策略模型对应的监测参数决策树的路径之后，叶子节点对应的分类结果，也即预测监测参数是监测参数决策树对局放测试数据的预测结果。
根据目标监测参数和预测监测参数，对局放策略模型的模型参数进行优化。在获取到局放测试数据真实目标值和预测结果之后，可以根据真实目标值和预测结果，对局放策略模型的模型参数进行优化。
示例性的，可以采用均方误差（Mean Squared Error，MSE）作为损失函数的评估指标作为模型参数调优的手段，均方误差公式包括：
其中，是均方值，n是局放测试数据的数量，/>是目标监测参数，/>是预测监测参数。MSE衡量了局放策略模型真实目标值和预测结果之间的平均差异的平方，可以用来评估模型的性能，优化模型的过程可以为寻找最小化MSE的参数。
在上述的实现过程中，使用局放测试数据可以对局放策略模型进行评估，了解局放策略模型的性能和准确度，优化局放策略模型的模型参数，提高局放策略模型的泛化能力和稳定性。
可选的，在本申请实施例中，监测模式包括：日常监测模式，日常监测模式为利用局放采集器设备采集局放数据；和/或，强化监测模式，强化监测模式为利用局放采集器设备和局放边缘终端采集局放数据。
日常监测模式是针对资源性能带宽条件有限的情况，利用局放采集器实现持续采集相对较少数量的放电信号，并且采用简单的诊断算法，进行电缆的局部放电的初步诊断，实现对待检测电缆的实时有效监测。
强化监测模式采集部分的工作运行在局放采集器设备中，数据处理以及局放识别诊断部分的工作通过局放边缘终端实现。强化监测模式间歇式采集相对较多数量的放电信号，诊断参数可以包括多维度算法的诊断分析，实现对存在疑似局放的采集点进一步重点强化监测。
在上述的实现过程中，通过日常监测模式和/或强化监测模式采集局放数据，丰富局放策略模型的训练样本，帮助模型更好地理解和捕捉不同场景或阶段下局放数据的规律，提高模型的鲁棒性。
可选的，在本申请实施例中，局放策略模型包括多个监测参数决策树；多个监测参数决策树通过局放数据集对应的采样子集构建。局放数据集对应的采样子集通过对局放数据集进行随机采样（bootstrap sampling）获得，例如从局放数据集中有放回的抽取一定数量的样本，获得采样子集。对于每一采样子集，使用预设的特征选择方法构建一个独立的监测参数决策树，多个监测参数决策树形成随机森林。
利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数，包括：根据随机森林法，利用多个监测参数决策树，根据局部放电特征，分别获取多个监测参数决策树对应的预测结果。也即将局部放电特征分别在随机森林中的每一个监测参数决策树中进行分类（预测），获得每一个监测参数决策树对应的预测结果。
根据多个监测参数决策树对应的预测结果，获得局放监测参数。例如，可以根据多个监测参数决策树的投票结果，或多个监测参数决策树对应的预测结果的平均结果，来确定最终的局放监测参数。
在上述的实现过程中，在随机森林中，通过利用采集子集和特征选择时的随机性，可以增加模型的多样性，减少过拟合的风险。同时，多个监测参数决策树的组合可以改善局放策略模型的预测准确性和泛化能力。
可选的，在本申请实施例中，在获得局放监测参数之后，方法包括：获得局放监测参数中的采集参数、诊断参数和异常判断参数，例如获取需要采集的脉冲个数、采集时间和采集周期；需要诊断的维度，时间域和/或空间域；以及监测阈值和报警条件。
按照采集参数中的脉冲个数、采集时间和采集周期采集待检测电缆的放电信号，获得待检测放电信号。
在一个可选的实施例中，还可以获取局放监测参数中的过滤参数，例如相位开窗filter_phase和/或等效时频filter_tw等。并根据过滤参数对采集到的待检测放电信号进行过滤。相位开窗是一种基于局放信号的相位特征进行滤波的方法。等效时频可以理解为一种将时域和频域结合起来进行分析的方法。
根据诊断参数对放电信号进行分析，获得分析结果；例如，若诊断参数是时间域，对放电信号进行分析可以是对信号在时间轴上的波形进行分析和处理。通过分析时间域参数，可以获得局放信号的时序特性，从而判断局放事件的发生时刻、持续时间、脉冲形状等信息。
若诊断参数是空间域，空间域是对信号在空间位置上的分布和变化进行分析和处理。通过分析空间域参数，可以确定局放事件发生的位置。
基于分析结果和异常判断参数，确定待检测电缆是否发生异常放电现象。判断分析结果是否达到监测阈值或报警条件等，若达到监测阈值或报警条件，则可以确定待检测电缆是否发生异常放电现象，进而可以进行报警操作。
在上述的实现过程中，通过局放策略模型生成更合理、准确的局放监测参数，根据局放监测参数进行放电信号的采集以及诊断过程，提高了检测局部放电现象的准确性。
请参见图4示出的本申请实施例提供的一种局放策略模型生成方法的流程示意图。本申请实施例提供的局放策略模型生成方法可以应用于电子设备，该电子设备可以包括终端以及服务器；其中终端具体可以为智能手机、平板电脑、计算机、个人数字助理（Personal Digital Assitant，PDA）等；服务器具体可以为应用服务器，也可以为Web服务器。该局放策略模型生成方法可以包括：
步骤S210：获取局放数据集。
步骤S220：利用预设的特征选择方法从局放数据集中确定局放训练特征；局放训练特征用于描述电缆的局部放电状态。
步骤S230：基于局放训练特征对应的特征值划分局放数据集，获得局放数据子集。
步骤S240：对局放数据子集进行递归处理，直至满足预设的终止条件，获得局放策略模型；局放策略模型用于生成局放监测参数。
在步骤S210中，获取局放数据集；局放数据集包括噪声库数据和在至少一个监测模式下采集的局放数据。监测模式可以为局放检测装置在不同放电阶段对应的工作模式。
在步骤S220中，利用预设的特征选择方法从局放数据集中确定局放训练特征；局放训练特征用于描述电缆的局部放电状态。局放训练特征可以包括放电量Q、放电频次Ns、放电持续时间T、放电类型相似度U、放电量平均增长率Kq和放电频次平均增长率Ks中的至少一项。
在步骤S230中，基于局放训练特征对应的特征值划分局放数据集，获得局放数据子集；例如可以根据局放训练特征的取值，将局放数据集中的样本分配到不同的分支上。
在步骤S240中，对局放数据子集进行递归处理，直至满足预设的终止条件，获得局放策略模型。例如对于每个子集，计算其纯度或不纯度的度量。纯度度量衡量了子集中类别的一致性。终止条件可以为子集中的所有样本属于同一类别，终止条件还可以为达到最大深度等。
在上述的实现过程中，通过获取局放数据集，局放数据集包括在至少一个监测模式下采集的局放数据，选择对分类有决定性影响的局放训练特征对局放数据集进行划分，生成局放策略模型，使局放监测参数可以自适应调整，提高检测局部放电现象的准确性。
在一个可选的实施例中，可以根据自身技术能力，例如算力、带宽、供电的实际情况以及局放检测要求，动态调整采集设备的采集、诊断、异常判断参数，进行不同维度的评估，提高检测的效率和准确率。局放检测要求包括局放早晚期阶段检测要求、误报率、漏报率、放电量等。
在生成局放策略模型之后，还可以验证局放策略模型对应的随机森林的准确性和特征有效性。例如根据均方差的评估结果，实现最小线性二乘法的最优评估结果，根据预测及模型评估，选择早中晚期的局放检测策略，进行参数的自适应调整。
请参见图5示出的本申请实施例提供的局放监测参数确定装置的结构示意图；本申请实施例提供了一种局放监测参数确定装置300，包括：
获取特征模块310，用于获得待检测电缆的局部放电特征；
预测参数模块320，用于利用预先训练好的局放策略模型，根据局部放电特征，获得局放监测参数；局放策略模型包括监测参数决策树；监测参数决策树是通过从预先获取的局放数据集中确定局放训练特征，基于局放训练特征划分局放数据集，获得局放数据子集，对局放数据子集进行递归处理获得的；监测参数决策树包括内部节点和叶子节点；内部节点用于表征局放训练特征的判定条件；叶子节点用于表征分类结果对应的局放监测参数。
可选地，在本申请实施例中，局放监测参数确定装置，预测参数模块320，具体用于根据局放策略模型中内部节点对应的判定条件，确定局部放电特征对应的分支；遍历局放策略模型的路径，确定局部放电特征对应的叶子节点；根据局部放电特征对应的叶子节点，获得局部放电特征对应的局放监测参数；局放监测参数包括采集参数、过滤参数、诊断参数和异常判断参数中的至少一项。
可选地，在本申请实施例中，局放监测参数确定装置，还包括：策略模型获得模块，用于获取局放数据集；局放数据集包括噪声库数据和在至少一个监测模式下采集的局放数据；利用预设的特征选择方法从局放数据集中确定局放训练特征；局放训练特征用于描述电缆的局部放电状态；基于局放训练特征对应的特征值划分局放数据集，获得局放数据子集；对局放数据子集进行递归处理，直至满足预设的终止条件，获得局放策略模型。
可选地，在本申请实施例中，局放监测参数确定装置，策略模型获得模块，还用于利用信息增益公式计算局放数据集中待选特征的信息熵；根据待选特征的信息熵，从待选特征中确定局放训练特征；信息增益公式包括：
其中，为第i个待选特征的信息熵，/>为第i个待选特征在局放数据集中存在的概率，n为待选特征的数量。
可选地，在本申请实施例中，局放监测参数确定装置，还包括，模型优化模块，用于获得局放测试数据和局放测试数据对应的目标监测参数；目标监测参数为在局放测试数据对应的场景中监测局放现象所需要的局放监测参数；利用局放策略模型，根据局放测试数据，获得预测监测参数；根据目标监测参数和预测监测参数，对局放策略模型的模型参数进行优化。
可选地，在本申请实施例中，局放监测参数确定装置，监测模式包括：日常监测模式，日常监测模式为利用局放采集器设备采集局放数据；和/或，强化监测模式，强化监测模式为利用局放采集器设备和局放边缘终端采集局放数据。
可选地，在本申请实施例中，局放监测参数确定装置，局放策略模型包括多个监测参数决策树；多个监测参数决策树通过局放数据集对应的采样子集构建；预测参数模块320，还用于根据随机森林法，利用多个监测参数决策树，根据局部放电特征，分别获取多个监测参数决策树对应的预测结果；根据多个监测参数决策树对应的预测结果，获得局放监测参数。
可选地，在本申请实施例中，局放监测参数确定装置，还包括，监测模块，用于获得局放监测参数中的采集参数、诊断参数和异常判断参数；按照采集参数采集待检测电缆的放电信号，获得待检测放电信号；根据诊断参数对放电信号进行分析，获得分析结果；基于分析结果和异常判断参数，确定待检测电缆是否发生异常放电现象。
应理解的是，该局放监测参数确定装置与上述的局放监测参数确定方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件（firmware）的形式存储于存储器中或固化在装置的操作系统（operating system，OS）中的软件功能模块。
请参见图6示出的本申请实施例提供的局放策略模型生成装置的结构示意图；本申请实施例提供了一种局放策略模型生成装置400，包括：
获取数据集模块410，用于获取局放数据集；
特征选择模块420，用于利用预设的特征选择方法从局放数据集中确定局放训练特征；局放训练特征用于描述电缆的局部放电状态；
数据划分模块430，用于基于局放训练特征对应的特征值划分局放数据集，获得局放数据子集；
递归模块440，用于对局放数据子集进行递归处理，直至满足预设的终止条件，获得局放策略模型；局放策略模型用于生成局放监测参数。
应理解的是，该局放策略模型生成与上述的局放策略模型生成实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件（firmware）的形式存储于存储器中或固化在装置的操作系统（operating system，OS）中的软件功能模块。
请参见图7示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备500，包括：处理器510和存储器520，存储器520存储有处理器510可执行的机器可读指令，机器可读指令被处理器510执行时执行如上的方法。电子设备500可以是局放监测装置或者具有局放监测装置的系统平台等。
此外，本申请实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上的方法。
其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-OnlyMemory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例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申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。
Claims (9)
1.一种局放监测参数确定方法，其特征在于，包括：
获得待检测电缆的局部放电特征；
利用预先训练好的局放策略模型，根据所述局部放电特征，获得局放监测参数；所述局放策略模型包括监测参数决策树；所述监测参数决策树是通过从预先获取的局放数据集中确定局放训练特征，基于所述局放训练特征划分所述局放数据集，获得局放数据子集，对所述局放数据子集进行递归处理获得的；所述监测参数决策树包括内部节点和叶子节点；所述内部节点用于表征所述局放训练特征的判定条件；所述叶子节点用于表征分类结果对应的局放监测参数；
所述利用预先训练好的局放策略模型，根据所述局部放电特征，获得局放监测参数，包括：
根据所述局放策略模型中所述内部节点对应的判定条件，确定所述局部放电特征对应的分支；
遍历所述局放策略模型的路径，确定所述局部放电特征对应的叶子节点；
根据所述局部放电特征对应的叶子节点，获得所述局部放电特征对应的所述局放监测参数；所述局放监测参数包括采集参数、过滤参数、诊断参数和异常判断参数中的至少一项。
2.根据权利要求1所述的方法，其特征在于，在利用预先训练好的局放策略模型，根据所述局部放电特征，获得局放监测参数之前，所述方法还包括：
获取所述局放数据集；所述局放数据集包括噪声库数据和在至少一个监测模式下采集的局放数据；
利用预设的特征选择方法从所述局放数据集中确定所述局放训练特征；所述局放训练特征用于描述电缆的局部放电状态；
基于所述局放训练特征对应的特征值划分所述局放数据集，获得所述局放数据子集；
对所述局放数据子集进行递归处理，直至满足预设的终止条件，获得所述局放策略模型。
3.根据权利要求2所述的方法，其特征在于，
所述监测模式包括日常监测模式，所述日常监测模式为利用局放采集器设备采集所述局放数据；和/或，强化监测模式，所述强化监测模式为利用所述局放采集器设备和局放边缘终端采集所述局放数据；
和/或，
所述利用预设的特征选择方法从所述局放数据集中确定所述局放训练特征，包括利用信息增益公式计算所述局放数据集中待选特征的信息熵；根据所述待选特征的信息熵，从所述待选特征中确定所述局放训练特征；所述信息增益公式为：
其中，为第i个待选特征的信息熵，所述/>为第i个待选特征在所述局放数据集中存在的概率，n为所述待选特征的数量。
4.根据权利要求2所述的方法，其特征在于，在所述获得所述局放策略模型之后，所述方法还包括：
获得局放测试数据和所述局放测试数据对应的目标监测参数；所述目标监测参数为在所述局放测试数据对应的场景中监测局放现象所需要的局放监测参数；
利用所述局放策略模型，根据所述局放测试数据，获得预测监测参数；
根据所述目标监测参数和所述预测监测参数，对所述局放策略模型的模型参数进行优化。
5.根据权利要求4所述的方法，其特征在于，根据所述目标监测参数和所述预测监测参数，对所述局放策略模型的模型参数进行优化，包括：
采用均方误差公式作为损失函数对所述局放策略模型的模型参数进行优化，所述均方误差公式包括：
其中，是均方值，n是所述局放测试数据的数量，/>是所述目标监测参数，/>是所述预测监测参数。
6.根据权利要求1所述的方法，其特征在于，所述局放策略模型包括多个所述监测参数决策树；所述多个监测参数决策树通过所述局放数据集对应的采样子集构建；其中，所述利用预先训练好的局放策略模型，根据所述局部放电特征，获得局放监测参数，包括：
根据随机森林法，利用多个所述监测参数决策树，根据所述局部放电特征，分别获取多个所述监测参数决策树对应的预测结果；
根据多个所述监测参数决策树对应的预测结果，获得所述局放监测参数。
7.根据权利要求1-6任一所述的方法，其特征在于，在获得局放监测参数之后，所述方法包括：
获得所述局放监测参数中的采集参数、诊断参数和异常判断参数；
按照采集参数采集所述待检测电缆的放电信号，获得待检测放电信号；
根据所述诊断参数对所述放电信号进行分析，获得分析结果；
基于所述分析结果和所述异常判断参数，确定所述待检测电缆是否发生异常放电现象。
8.一种局放监测参数确定装置，其特征在于，包括：
获取特征模块，用于获得待检测电缆的局部放电特征；
预测参数模块，用于利用预先训练好的局放策略模型，根据所述局部放电特征，获得局放监测参数；所述局放策略模型包括监测参数决策树；所述监测参数决策树是通过从预先获取的局放数据集中确定局放训练特征，基于所述局放训练特征划分所述局放数据集，获得局放数据子集，对所述局放数据子集进行递归处理获得的；所述监测参数决策树包括内部节点和叶子节点；所述内部节点用于表征所述局放训练特征的判定条件；所述叶子节点用于表征分类结果对应的局放监测参数；
预测参数模块，具体用于根据所述局放策略模型中所述内部节点对应的判定条件，确定所述局部放电特征对应的分支；遍历所述局放策略模型的路径，确定所述局部放电特征对应的叶子节点；根据所述局部放电特征对应的叶子节点，获得所述局部放电特征对应的所述局放监测参数；所述局放监测参数包括采集参数、过滤参数、诊断参数和异常判断参数中的至少一项。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410303243.6A CN117909877B (zh) | 2024-03-18 | 2024-03-18 | 局放监测参数确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410303243.6A CN117909877B (zh) | 2024-03-18 | 2024-03-18 | 局放监测参数确定方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117909877A CN117909877A (zh) | 2024-04-19 |
| CN117909877B true CN117909877B (zh) | 2024-06-04 |
Family
ID=90682284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410303243.6A Active CN117909877B (zh) | 2024-03-18 | 2024-03-18 | 局放监测参数确定方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117909877B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106707060A (zh) * | 2016-12-16 | 2017-05-24 | 中国电力科学研究院 | 一种获得电力变压器离散型状态参数的方法 |
| CN115754630A (zh) * | 2022-11-15 | 2023-03-07 | 宁格朗电气股份有限公司 | 基于声阵列的非接触式局放监测方法及监测装置 |
| CN116047244A (zh) * | 2023-02-28 | 2023-05-02 | 苏州光格科技股份有限公司 | 局放信号的分离方法、装置及计算机设备 |
| WO2023128669A1 (ko) * | 2021-12-30 | 2023-07-06 | 엘에스전선 주식회사 | 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 |
-
2024
- 2024-03-18 CN CN202410303243.6A patent/CN117909877B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106707060A (zh) * | 2016-12-16 | 2017-05-24 | 中国电力科学研究院 | 一种获得电力变压器离散型状态参数的方法 |
| WO2023128669A1 (ko) * | 2021-12-30 | 2023-07-06 | 엘에스전선 주식회사 | 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 |
| CN115754630A (zh) * | 2022-11-15 | 2023-03-07 | 宁格朗电气股份有限公司 | 基于声阵列的非接触式局放监测方法及监测装置 |
| CN116047244A (zh) * | 2023-02-28 | 2023-05-02 | 苏州光格科技股份有限公司 | 局放信号的分离方法、装置及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117909877A (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、系统 | |
| CN115858630A (zh) | 一种储能电站储能数据的异常检测方法 | |
| CN113392914B (zh) | 一种基于数据特征的权重来构建孤立森林的异常检测算法 | |
| CN117439827B (zh) | 一种网络流量大数据分析方法 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
| CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN111161097B (zh) | 基于假设检验的事件检测算法检测开关事件的方法和装置 | |
| CN108805295A (zh) | 一种基于决策树算法的故障诊断方法 | |
| CN117909877B (zh) | 局放监测参数确定方法、装置、电子设备及存储介质 | |
| CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
| CN117743120A (zh) | 基于大数据技术的网卡异常检测方法 | |
| CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
| CN116186547A (zh) | 一种环境水务监测采样异常数据快速识别方法 | |
| CN118549823B (zh) | 一种锂电池电性能测试方法及系统 | |
| CN118518973B (zh) | 基于电参数分析的充电桩故障智能监测方法及系统 | |
| CN115964216B (zh) | 一种基于孤立森林的物联网设备数据异常检测方法 | |
| CN117235434B (zh) | 林业碳汇项目基线构建方法、系统、终端及介质 | |
| CN114221794B (zh) | 基于改进模式识别算法的用户行为分析方法、系统和介质 | |
| CN116736781B (zh) | 一种工业自动化控制设备安全状态监测方法及装置 | |
| CN114915542B (zh) | 数据异常的告警方法、装置、设备及存储介质 | |
| CN113783750B (zh) | 电网指标波动异常的检测方法及装置 | |
| RU2202811C1 (ru) | Устройство обнаружения и классификации сейсмических сигналов | |
| CN118035954A (zh) | 安全壳仪表系统监测的异常数据的处理方法及其处理装置 | |
| CN118861929A (zh) | 基于GANomaly的核电机组运行异常状态监测方法 |
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 |