CN118520379A - 一种gis隔离开关风险评估方法、装置、设备和存储介质 - Google Patents
一种gis隔离开关风险评估方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN118520379A CN118520379A CN202410985264.0A CN202410985264A CN118520379A CN 118520379 A CN118520379 A CN 118520379A CN 202410985264 A CN202410985264 A CN 202410985264A CN 118520379 A CN118520379 A CN 118520379A
- Authority
- CN
- China
- Prior art keywords
- risk
- encoder
- gis
- sample
- isolating switch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012502 risk assessment Methods 0.000 title claims abstract description 43
- 238000003066 decision tree Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000002955 isolation Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000011156 evaluation Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003071 parasitic effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种GIS隔离开关风险评估方法、装置、设备和存储介质，属于电气设备检测技术领域，包括：采集开关电机功率数据进行特征提取建立第一样本集训练自编码器；根据自编码器的重构误差建立起风险评估的风险等级；将第一样本集中样本、第一样本集中样本输入到自编码器后得到的重构误差以及对第一样本集中样本标注的风险等级构建出第二样本集训练梯度提升决策树模型；使梯度提升决策树模型能够对第一训练样本集中样本进行风险等级分类；对于新样本在进行特征提取后，通过训练好的自编码器和梯度提升决策树模型进行新样本的风险等级分类和风险预警。本发明实现了GIS隔离开关风险评估，识别出潜在的机械故障，细化风险等级，保障电力系统安全。
Description
技术领域
本发明涉及电气设备检测技术领域，尤其是一种GIS隔离开关风险评估方法、装置、设备和存储介质。
背景技术
气体绝缘开关设备（Gas Insulated Switchgear, GIS）GIS隔离开关在电力系统中起着至关重要的作用。它不仅能够实现电力线路和设备的可靠隔离和连接，还能有效提高电力系统的稳定性和安全性。由于其独特的设计和优越的性能，GIS隔离开关被广泛应用于高压和超高压输电系统中，特别是在空间受限的城市变电站和地下变电站中，GIS隔离开关具有传统空气绝缘开关无法比拟的优势。
为了确保GIS隔离开关的可靠运行，目前对于GIS隔离开关机械状态评估包括：基于振动信号、电流和电压特征、温度检测以及械行程和速度的评估方法；这些方法在实际应用中取得了一定的成效，但它们主要侧重于对GIS隔离开关当前机械状态的评估，缺乏对未来风险的预警能力。
电力系统的安全稳定运行对于现代社会至关重要。GIS隔离开关作为电力系统中的关键设备，其故障不仅会导致电力供应中断，还可能引发严重的安全事故。因此，除了对GIS隔离开关的机械状态进行实时监测和评估外，建立可以实现预防故障、优化维护和提高安全性的、有效的风险评估手段显得尤为重要。
发明内容
鉴于上述的分析，本发明旨在提供一种GIS隔离开关风险评估方法、装置、设备和存储介质，实现高精度的GIS隔离开关风险评估，识别出潜在的机械故障，细化风险等级，保障电力系统安全。
本发明的目的主要是通过以下技术方案实现的：
本发明的一个方面公开了一种GIS隔离开关风险评估方法，包括：
步骤S1、采集电机在启动、加速和恒速运行在内的各阶段的GIS隔离开关电机功率数据进行特征提取建立第一样本集，进行自编码器的无监督训练；使自编码器能够学习到所述电机功率数据变化规律；根据自编码器的重构误差建立起GIS隔离开关风险评估的风险等级；
步骤S2、将第一样本集中样本、第一样本集中样本输入到自编码器后得到的重构误差以及对第一样本集中样本标注的风险等级构建出第二样本集，进行梯度提升决策树模型的有监督训练；使梯度提升决策树模型能够对第一样本集中样本进行风险等级分类；
步骤S3、对于实时采集的GIS隔离开关电机功率数据进行特征提取得到新样本，通过训练好的自编码器和梯度提升决策树模型进行新样本的风险等级分类和风险预警。
本发明的另一个方面公开了一种实现如上所述的GIS隔离开关风险评估方法的装置，包括：第一模块、第二模块、第三模块和第四模块；
第一模块，用于采集GIS隔离开关电机功率数据；
第二模块，用于进行采集GIS隔离开关电机功率数据的特征提取；
第三模块，内置训练好的自编码器，用于计算第二模块输出特征数据的重构误差；
第四模块，内置训练好的训练梯度提升决策树模型，用于根据第二模块输出的特征数据和第三模块输出的重构误差，进行风险预测得到采集GIS隔离开关电机功率数据的风险等级。
本发明的另一个方面还公开了一种电子设备，包括存储器、处理器以及存储在所述存储器中并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计算机程序时实现如上所述的GIS隔离开关风险评估方法，进行GIS隔离开关风险预测得到GIS隔离开关的风险等级。
本发明的另一个方面还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的GIS隔离开关风险评估方法，进行GIS隔离开关风险预测得到GIS隔离开关的风险等级。
本发明有益效果如下：
1、本发明实现了高精度风险评估：结合自编码器和梯度提升决策树的优势，能够准确检测和评估GIS隔离开关的机械状态，提供高精度的风险预警。
2、本发明具有异常检测能力：自编码器通过重构误差检测数据中的异常情况，能够识别出潜在的机械故障。
3、本发明实现了多级风险预测：通过标注和预测不同的风险等级，使得风险预警更加细化和具体，便于采取相应的预防措施。
本发明的方案保障电力系统安全，有效提升GIS隔离开关的风险预警能力，从而保障电力系统的安全稳定运行，避免因机械故障导致的停电或设备损坏；本发明能够显著提高GIS隔离开关机械状态评估的准确性和实时性，具有重要的应用价值和广泛的推广前景。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为本发明实施例中的GIS隔离开关风险评估方法流程图；
图2为本发明实施例中的实例的ROC曲线图；
图3为本发明实施例中的实例性能评价指标图；
图4为本发明实施例中的GIS隔离开关风险评估方法的装置组成连接图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
实施例一
本实施例公开了一种GIS隔离开关风险评估方法；为利用电机功率数据进行GIS隔离开关风险评估的方法；
电机功率数据是反映GIS隔离开关机械状态的一个重要物理量。GIS隔离开关的操作过程主要由驱动电机完成，电机的运行状态直接影响GIS隔离开关的机械动作。因此，通过监测和分析电机功率数据，可以有效识别和诊断GIS隔离开关的机械故障。
当GIS隔离开关进行分合操作时，驱动电机会经历一系列动态变化，这些变化反映在电机功率的波动中。例如，在合闸过程中，电机需要克服动静触头接触的阻力，这会导致电机功率的瞬时增加。如果动静触头出现卡涩或磨损，电机功率的变化特征将不同于正常状态。同样，在分闸过程中，电机功率的下降速率和幅度也能反映出GIS隔离开关的机械状态。通过对这些功率变化特征的分析，可以识别出潜在的机械故障，如卡涩、磨损、分合闸不到位等。
如图1所示，本实施例给出的GIS隔离开关风险评估方法，包括：
步骤S1、采集电机在启动、加速和恒速运行在内的各阶段的GIS隔离开关电机功率数据进行特征提取建立第一样本集，进行自编码器的无监督训练；使自编码器能够学习到所述电机功率数据变化规律；根据自编码器的重构误差建立起GIS隔离开关风险评估的风险等级；
步骤S2、将第一样本集中样本、第一样本集中样本输入到自编码器后得到的重构误差以及对第一样本集中样本标注的风险等级构建出第二样本集，进行梯度提升决策树模型的有监督训练；使梯度提升决策树模型能够对第一样本集中样本进行风险等级分类；
步骤S3、对于实时采集的GIS隔离开关电机功率数据进行特征提取得到新样本，通过训练好的自编码器和梯度提升决策树模型进行新样本的风险等级分类和风险预警。
具体的，步骤S1包括：
步骤S101、通过将采集的GIS隔离开关电机功率数据进行标准化后作为训练自编码器的样本建立第一样本集；
GIS隔离开关电机功率数据来自于安装在GIS隔离开关上的传感器或监测设备，记录了不同机械状态下的电机功率变化；经过特征提取得到的作为一个样本的电机功率数据特征矩阵，其中，是功率数据的组数，是一组功率数据的特征数量；
提取的功率数据特征包括功率的均值、标准差、方差、偏度、峰度、最大值、最小值、范围、均方根、绝对偏差、能量和熵。
具体的，采集的一组功率数据为,其中为一组功率数据的长度，提取的功率数据特征分别为：
均值：；
标准差：；
方差：；
偏度：；
峰度：；
最大值：；
最小值：；
范围：；
均方根：；
绝对偏差：；
能量：；
熵：；
则，一组功率数据的特征构成了第一样本集中一个样本的一列：
；
则由组功率数据构成的一个样本的功率数据特征矩阵为：
。
步骤S102、采用第一样本集训练自编码器使重构误差最小化；
所述自编码器模型包括编码器和解码器；
编码器，用于将输入数据压缩到一个低维表示z；将高维的电机功率数据压缩到低维表示z，提取了数据的主要特征，减少了数据的冗余；
解码器，用于从低维表示z重构出与原始输入接近的数据，实现数据恢复；
编码器的输出z为：
；
其中，是编码器的权重矩阵，是编码器的偏置向量，是激活函数；
可选的，激活函数采用包括ReLU函数在内的函数。
解码器重构出的数据为：
；
其中，是解码器的权重矩阵，是解码器的偏置向量，是激活函数；
激活函数采用包括Sigmoid函数在内的函数。
自编码器模型的训练过程中，使重构误差最小化的目标函数为：
；
其中，，为第一样本集中第个样本，为第一样本集的样本数。
通过最小化原始数据与重构数据之间的误差，使得自编码器能够学习到电机功率数据的主要特征和变化规律。
步骤S103、设定重构误差阈值和，将自编码器输出的重构误差划分为不同的风险等级；
对于每个样本计算重构误差：
；
重构误差表示原始功率数据与重构数据之间的差异，反映了自编码器对数据的压缩和恢复能力；如果重构误差较大，说明该样本数据存在异常，可能是由于机械故障引起的。
设定重构误差阈值和，将样本根据重构误差划分为不同的风险等级。其中，和可基于人工经验选取。
设风险等级为:
。
风险等级表示GIS隔离开关在当前操作状态下的风险级别，低风险表示机械状态正常，中风险表示可能存在轻微故障，高风险表示存在严重故障需要立即检查。
步骤S2包括：
步骤S201、构建用于训练梯度提升决策树模型的第二样本集；
第二样本集中将第一样本集中样本和第一样本集中样本输入到自编码器后得到的重构误差作为训练数据；第一样本集中样本标注的风险等级作为训练的标注数据；
步骤S202、构建梯度提升决策树模型；
梯度提升决策树模型为：
；
其中，表示预测的风险等级；为第棵决策树，是决策树的数量；梯度提升决策树通过组合多个决策树模型，实现对输入数据的风险等级预测。
步骤S203、训练梯度提升决策树模型
训练过程中，通过最小化损失函数来训练梯度提升决策树模型：最小化损失函数为：
；
其中，是损失函数；为第二样本集中第个样本的标注数据；为梯度提升决策树模型对第个样本预测的风险等级；
通过最小化损失函数，使得模型能够准确预测输入数据的风险等级，提高模型的预测性能。
在每次迭代中，通过添加新的决策树来修正前一次迭代的误差：
；
其中，为第颗决策树的输出，是学习率。
通过逐步添加新的决策树，逐步修正模型的预测误差，提高模型的准确性和鲁棒性。
具体的，步骤S3包括：
步骤S301、采集GIS隔离开关电机功率数据进行特征提取得到第一新样本；
步骤S302、将第一新样本输入训练好的自编码器，得到第一新样本的重构误差；
步骤S303、将第一新样本和对应的重构误差输入组成第二新样本；
步骤S304、将第二新样本输入训练好的梯度提升决策树模型进行第一新样本的风险预测，得到风险等级：
；
表示对新样本的风险等级预测结果，反映了当前GIS隔离开关的机械状态和故障风险。
根据预测结果进行风险预警，及时通知运维人员进行检查和维护。
本实施例还给出了一个具体的风险评估实例和性能分析：
在实例中，设置了了一个包含1000个样本的数据集，每个样本包含10个特征，表示电机功率数据。我们还假设有三种风险等级：低风险、中风险和高风险。以下是虚构数据的基本结构：
样本数量：1000
特征数量：10
风险等级：低风险（0），中风险（1），高风险（2）
利用本发明提到的方法进行风险评估：
是使用虚构数据生成的结果和图表，其中，ROC曲线如图2所示：性能评价指标如图3所示；
性能评价指标：
准确性：0.78
ROC曲线和AUC值：
（ROC曲线（Receiver Operating Characteristic Curve）和AUC值（Area UnderCurve，ROC曲线表示模型在不同阈值下的表现，AUC值则是ROC曲线下的面积，表示模型区分正负样本的能力。AUC值越接近1，表示模型性能越好。）
类别0（低风险）：AUC = 0.85
类别1（中风险）：AUC = 0.80
类别2（高风险）：AUC = 0.75
能评价指标条形图：
准确性（Accuracy）：表示模型预测的准确程度，图中显示为约0.78。
精确率（Precision）：表示在所有预测为正的样本中，真正为正的比例，图中显示为约0.79。
召回率（Recall）：表示在所有实际为正的样本中，正确预测为正的比例，图中显示为约0.78。
F1得分（F1 Score）：是精确率和召回率的调和平均值，图中显示为约0.78。
接收者操作特性（ROC）曲线：
图2中1、2、3曲线表示模型对三种风险等级（低风险、中风险、高风险）的区分能力。
曲线下的面积（AUC值）表示模型的性能，AUC值越接近1，模型性能越好。
例如，类别0（低风险）的AUC值约为0.85，类别1（中风险）的AUC值约为0.80，类别2（高风险）的AUC值约为0.75。
这些图表和指标有助于说明基于电机功率数据的GIS隔离开关风险评估方法的有效性和准确性。
在本实施例中更优选的方案中，在进行GIS隔离开关电机功率数据采集时，安装在GIS隔离开关上的传感器或监测设备采用消除寄生回路影响的电机功率数据采集方法；具体的采集方法，包括：
1）对于需要进行功率采集的GIS隔离开关，接入GIS隔离开关电机的电流和电压采集电路；在有人值守的情况下，进行电机在启动、加速和恒速运行在内的全运行过程的各阶段的GIS隔离开关电机的电流和电压数据采集；
采用有人值守的方式，其目的是为了在采集过程中对可能出现的由电压采集电路的寄生回路造成的安全隐患及时处理，避免发生安全事故。
2）根据采集的GIS隔离开关电机的电流和电压数据进行全运行过程的电流和电压的相位差检测；
检测方法可以采用现有的相位差检测方法，例如通过XOR门的相位检测方法。
3）根据检测出的相位差数据和采集的电流数据，进行函数拟合得到拟合函数；其中，为电机电流有效值，为电流和电压的相位差，为拟合函数；
可以通过现有的包括二阶拟合在内的拟合方式进行拟合，也可以通过其他方式拟合，这里是突出采用拟合手段，而不是特指某种拟合技术，采用不同的拟合技术，均可实现本发明的目标，其区别仅在于精度的高低。
二阶拟合后得到电流有效值大小与相位差的关系式为：
；
式中，为拟合系数。
4）在进行本实施例的GIS隔离开关风险评估的功率数据采集时，只接入GIS隔离开关电机的电流采集电路，在无人值守的情况下，进行电机在启动、加速和恒速运行在内的全运行过程的各阶段的GIS隔离开关电机的电流采集，根据采样的电流瞬时值计算出所在周期的电流有效值，结合拟合函数计算出与电流有效值对应的电流和电压的相位差值，进而反推出与采样的电流瞬时值对应的电压瞬时值；
5）利用采样的电流瞬时值和反推的电压瞬时值计算出GIS隔离开关驱动电机的瞬时采样功率。
在正式采集中，避免了直接电压采样可能引起的寄生回路问题所导致GIS隔离开关不能正常动作，给现场带来风险；并且仅需连接电流采样电路，无需人员值守简化了检测流程，降低了检测成本。
综上所述，本实施例中给出的方法具有以下有益效果：
1、实现了高精度风险评估：结合自编码器和梯度提升决策树的优势，能够准确检测和评估GIS隔离开关的机械状态，提供高精度的风险预警。
2、本发明具有异常检测能力：自编码器通过重构误差检测数据中的异常情况，能够识别出潜在的机械故障。
3、本发明实现了多级风险预测：通过标注和预测不同的风险等级，使得风险预警更加细化和具体，便于采取相应的预防措施。
本发明实施例的方案保障电力系统安全，有效提升GIS隔离开关的风险预警能力，从而保障电力系统的安全稳定运行，避免因机械故障导致的停电或设备损坏；本发明能够显著提高GIS隔离开关机械状态评估的准确性和实时性，具有重要的应用价值和广泛的推广前景。
实施例二
本发明另一个实施例公开了GIS隔离开关风险评估方法的装置，如图4所示，包括：第一模块、第二模块、第三模块和第四模块；
第一模块，用于采集GIS隔离开关电机功率数据；
第二模块，用于进行采集GIS隔离开关电机功率数据的特征提取；
第三模块，内置训练好的自编码器，用于计算第二模块输出特征数据的重构误差；
第四模块，内置训练好的训练梯度提升决策树模型，用于根据第二模块输出的特征数据和第三模块输出的重构误差，进行风险预测得到采集GIS隔离开关电机功率数据的风险等级。
本实施例中的具体的技术细节和有益效果与实施例一中的内容相同，请具体参照，在此就不一一赘述了。
实施例三
本发明的一个实施例公开了一种电子设备，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。
在一个示例中，上述处理器可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器可包括只读存储器(Read-OnlyMemory，ROM)，随机存取存储器(RandomAccessMemory，RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据实施例一中的GIS隔离开关风险评估方法。
处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的计算机程序，以用于实现实施例一中的GIS隔离开关风险评估方法。
在一个示例中，还可包括通信接口和总线。
其中，存储器、处理器、通信接口通过总线连接并完成相互间的通信。
通信接口，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。也可通过通信接口接入输入设备和/或输出设备。
总线包括硬件、软件或两者，电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AcceleratedGraphicsPort，AGP)或其他图形总线、增强工业标准架构(EnhancedIndustryStandardArchitecture，EISA)总线、前端总线(FrontSideBus，FSB)、超传输(HyperTransport，HT)互连、工业标准架构(IndustryStandardArchitecture，ISA)总线、无限带宽互连、低引脚数(Lowpincount，LPC)总线、存储器总线、微信道架构(MicroChannelArchitecture，MCA)总线、外围组件互连(PeripheralComponentInterconnect，PCI)总线、PCI-Express(PCI-E)总线、串行高级技术附件(SerialAdvancedTechnologyAttachment，SATA)总线、视频电子标准协会局部(VideoElectronicsStandardsAssociationLocalBus，VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
实施例四
本发明的一个实施例公开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指令，该计算机程序指令被处理器执行时可实现实施例一中的GIS隔离开关风险评估方法，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，上述计算机可读存储介质可包括非暂态计算机可读存储介质，如只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(RandomAccessMemory，简称RAM)、磁碟或者光盘等，在此并不限定。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种GIS隔离开关风险评估方法，其特征在于，包括：
步骤S1、采集电机在启动、加速和恒速运行在内的各阶段的GIS隔离开关电机功率数据进行特征提取建立第一样本集，进行自编码器的无监督训练；使自编码器能够学习到所述电机功率数据变化规律；根据自编码器的重构误差建立起GIS隔离开关风险评估的风险等级；
步骤S2、将第一样本集中样本、第一样本集中样本输入到自编码器后得到的重构误差以及对第一样本集中样本标注的风险等级构建出第二样本集，进行梯度提升决策树模型的有监督训练；使梯度提升决策树模型能够对第一样本集中样本进行风险等级分类；
步骤S3、对于实时采集的GIS隔离开关电机功率数据进行特征提取得到新样本，通过训练好的自编码器和梯度提升决策树模型进行新样本的风险等级分类和风险预警。
2.根据权利要求1所述的GIS隔离开关风险评估方法，其特征在于，
所述步骤S1包括：
步骤S101、通过将采集的GIS隔离开关电机功率数据进行特征提取后作为训练自编码器的样本建立第一样本集；
步骤S102、采用第一样本集训练自编码器，使重构误差最小化；
步骤S103、设定重构误差阈值和，将自编码器输出的重构误差划分为不同的风险等级。
3.根据权利要求2所述的GIS隔离开关风险评估方法，其特征在于，
自编码器模型包括编码器和解码器；
编码器，用于将输入数据压缩到一个低维表示z，减少数据的冗余；
解码器，用于从低维表示z重构出与原始输入接近的数据，实现数据恢复；
编码器的输出z为：
；其中，是编码器的权重矩阵，是编码器的偏置向量，是激活函数；
解码器重构出的数据为：
；其中，是解码器的权重矩阵，是解码器的偏置向量，是激活函数；
自编码器模型的训练过程中，使重构误差最小化的目标函数为：
；其中，，为第一样本集中第个样本，为第一样本集的样本数。
4.根据权利要求3所述的GIS隔离开关风险评估方法，其特征在于，
根据自编码器的重构误差建立起GIS隔离开关风险评估的风险等级中，第个样本的风险等级为：
；
其中，和是预先设定的阈值；；。
5.根据权利要求4所述的GIS隔离开关风险评估方法，其特征在于，
所述步骤S2包括：
步骤S201、构建用于训练梯度提升决策树模型的第二样本集；
第二样本集中将第一样本集中样本和第一样本集中样本输入到自编码器后得到的重构误差作为训练数据；第一样本集中样本标注的风险等级作为训练的标注数据；
步骤S202、构建梯度提升决策树模型；
梯度提升决策树模型为：
；
其中，表示预测的风险等级；为第棵决策树，是决策树的数量；
步骤S203、训练梯度提升决策树模型；
训练过程中，通过最小化损失函数来训练梯度提升决策树模型：最小化损失函数为：
；
其中，是损失函数；为第二样本集中第个样本的标注数据；为梯度提升决策树模型对第个样本预测的风险等级。
6.根据权利要求5所述的GIS隔离开关风险评估方法，其特征在于，
步骤S3包括：
步骤S301、采集GIS隔离开关电机功率数据进行特征提取得到第一新样本；
步骤S302、将第一新样本输入训练好的自编码器，得到第一新样本的重构误差；
步骤S303、将第一新样本和对应的重构误差输入组成第二新样本；
步骤S304、将第二新样本输入训练好的梯度提升决策树模型进行第一新样本的风险预测，得到风险等级；
反映了当前GIS隔离开关的机械状态和故障风险。
7.根据权利要求1-6任一项所述的GIS隔离开关风险评估方法，其特征在于，
GIS隔离开关电机功率数据来自于安装在GIS隔离开关上的传感器或监测设备，记录了不同机械状态下的电机功率变化；经过特征提取得到的作为一个样本的电机功率数据特征矩阵，其中，是功率数据的组数，是一组功率数据的特征数量；
提取的功率数据特征包括功率的均值、标准差、方差、偏度、峰度、最大值、最小值、范围、均方根、绝对偏差、能量和熵。
8.一种实现如权利要求1-7任一项所述的GIS隔离开关风险评估方法的装置，其特征在于，包括：第一模块、第二模块、第三模块和第四模块；
第一模块，用于采集GIS隔离开关电机功率数据；
第二模块，用于进行采集GIS隔离开关电机功率数据的特征提取；
第三模块，内置训练好的自编码器，用于计算第二模块输出特征数据的重构误差；
第四模块，内置训练好的训练梯度提升决策树模型，用于根据第二模块输出的特征数据和第三模块输出的重构误差，进行风险预测得到采集GIS隔离开关电机功率数据的风险等级。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并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计算机程序时实现如权利要求1至7任一项所述的GIS隔离开关风险评估方法，进行GIS隔离开关风险预测得到GIS隔离开关的风险等级。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的GIS隔离开关风险评估方法，进行GIS隔离开关风险预测得到GIS隔离开关的风险等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410985264.0A CN118520379A (zh) | 2024-07-23 | 2024-07-23 | 一种gis隔离开关风险评估方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410985264.0A CN118520379A (zh) | 2024-07-23 | 2024-07-23 | 一种gis隔离开关风险评估方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118520379A true CN118520379A (zh) | 2024-08-20 |
Family
ID=92279990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410985264.0A Pending CN118520379A (zh) | 2024-07-23 | 2024-07-23 | 一种gis隔离开关风险评估方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118520379A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105467312A (zh) * | 2015-12-31 | 2016-04-06 | 北京四方继保自动化股份有限公司 | 一种气体绝缘金属封闭开关设备运行风险评估方法 |
| KR101864639B1 (ko) * | 2016-12-23 | 2018-06-08 | 산일전기 주식회사 | Gis 절연 위험도 측정 방법 |
| CN110334866A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 |
| CN217467013U (zh) * | 2022-05-10 | 2022-09-20 | 沈阳科网通信息技术有限公司 | 一种电流电压检测一体化传感器 |
| CN117455417A (zh) * | 2023-12-22 | 2024-01-26 | 深圳刷宝科技有限公司 | 一种智能风控审批策略自动迭代优化方法及系统 |
| CN118246599A (zh) * | 2024-03-27 | 2024-06-25 | 上海交通大学 | 一种气体绝缘全封闭组合电器设备风险评估方法、系统及介质和设备 |
-
2024
- 2024-07-23 CN CN202410985264.0A patent/CN118520379A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105467312A (zh) * | 2015-12-31 | 2016-04-06 | 北京四方继保自动化股份有限公司 | 一种气体绝缘金属封闭开关设备运行风险评估方法 |
| KR101864639B1 (ko) * | 2016-12-23 | 2018-06-08 | 산일전기 주식회사 | Gis 절연 위험도 측정 방법 |
| CN110334866A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 |
| CN217467013U (zh) * | 2022-05-10 | 2022-09-20 | 沈阳科网通信息技术有限公司 | 一种电流电压检测一体化传感器 |
| CN117455417A (zh) * | 2023-12-22 | 2024-01-26 | 深圳刷宝科技有限公司 | 一种智能风控审批策略自动迭代优化方法及系统 |
| CN118246599A (zh) * | 2024-03-27 | 2024-06-25 | 上海交通大学 | 一种气体绝缘全封闭组合电器设备风险评估方法、系统及介质和设备 |
Non-Patent Citations (2)
| Title |
|---|
| ZHOU LUBO ET AL: "Research on the application of mechanical characteristics of GIS disconnector in the equipment status evaluation", 《2020 IEEE INTERNATIONAL CONFERENCE ON HIGH VOLTAGE ENGINEERING AND APPLICATION （ICHVE）》, 15 December 2020 (2020-12-15) * |
| 王鸿 等: "具有转移电容电压调整功能的重合闸机械式直流断路器", 《高压电器》, vol. 58, no. 12, 16 December 2022 (2022-12-16) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
| CN105703258B (zh) | Gis开关设备动作状态监测系统及其使用方法 | |
| CN106093771B (zh) | 一种断路器分合闸线圈电流信号识别方法 | |
| CN111222247A (zh) | 一种旋转机械早期故障预警方法 | |
| CN115184808B (zh) | 电池热失控风险检测方法、装置、设备及计算机存储介质 | |
| CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
| CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
| CN117269655B (zh) | 变电站电力设备温度异常监测方法、系统、终端及介质 | |
| CN118520379A (zh) | 一种gis隔离开关风险评估方法、装置、设备和存储介质 | |
| CN116298844B (zh) | 基于半动态布置的变电站高压断路器状态监测系统及方法 | |
| CN114355184B (zh) | 一种基于在线学习的高压断路器状态监测预警方法 | |
| CN114022030B (zh) | 一种变电站母线状态动态检测分析与风险评估方法 | |
| KR102444983B1 (ko) | Gis 고장 진단 방법 및 이러한 방법을 수행하는 장치 | |
| CN113486965A (zh) | 一种车网电气耦合数据的异常辨识模型的训练方法 | |
| CN114093144B (zh) | 一种开关柜温度预警方法及系统 | |
| CN117033950B (zh) | 一种gis隔离开关机械故障在线诊断方法及装置 | |
| CN108226662B (zh) | 一种机载计算机故障预测方法 | |
| CN112241511B (zh) | 交通工具辅助电气系统的性能检测方法及装置、终端 | |
| CN115856599A (zh) | 一种刀闸分合状态判别方法、装置、系统及设备 | |
| CN114757455B (zh) | 一种基于伺服电机时序数据的地沟台车异常预测方法及系统 | |
| US20230251644A1 (en) | Method of diagnosing gis (gas insulated switchgear) failure and apparatus for performing method | |
| Wang et al. | Substation Relay Protection Drive Circuit Breaker Abnormal Identification Method | |
| CN221405965U (zh) | 智能断路器多参量状态监测与故障诊断系统 | |
| CN118131029B (zh) | 一种高压断路器故障诊断系统 | |
| CN218995540U (zh) | 基于隔离开关操作状态的gis内部缺陷在线监测系统 |
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 |