本發(fā)明涉及避雷器狀態(tài)檢測，尤其涉及一種避雷器狀態(tài)檢測模型的訓(xùn)練方法和系統(tǒng)。

背景技術(shù)：

1、避雷器是保護(hù)電力系統(tǒng)免受過電壓侵害的重要電氣設(shè)備，避雷器利用其閥體的非線性伏安特性或是間隙使其在正常電壓下工作時(shí)流過極小的電流；在過電壓下工作，避雷器閥體的電阻急劇下降，以釋放雷電或因操作引起的過電壓能量，從而減小過電壓對電網(wǎng)設(shè)備及線路造成的損壞影響，起到保護(hù)電力系統(tǒng)免受過電壓災(zāi)害的重要作用。避雷器廣泛應(yīng)用于各級線路及設(shè)備中，能夠限制雷擊引起的浪涌過電壓以及操作過電壓對電網(wǎng)和相關(guān)設(shè)備的影響，其運(yùn)行性能的優(yōu)劣對電網(wǎng)一次設(shè)備的安全穩(wěn)定運(yùn)行具有及其重要的影響。

2、避雷器在電力系統(tǒng)中實(shí)際運(yùn)行時(shí)，其長時(shí)間暴露在空氣中，受到大氣溫度、濕度變化還有多種原因產(chǎn)生的過電壓等因素的影響，避雷器結(jié)構(gòu)會(huì)發(fā)生老化、劣化，從而喪失對電力設(shè)備的保護(hù)作用，并且老化劣化嚴(yán)重的避雷器可能會(huì)發(fā)生爆炸產(chǎn)生安全隱患。避雷器的狀態(tài)監(jiān)測系統(tǒng)作為智能電網(wǎng)的一個(gè)重要設(shè)施，實(shí)時(shí)監(jiān)測避雷器的工作狀態(tài)，對保障電力系統(tǒng)安全穩(wěn)定運(yùn)行具有重大意義。

3、現(xiàn)有技術(shù)中，通常僅根據(jù)采集到的漏電流數(shù)據(jù)判斷避雷器的工作狀態(tài)，因此在對避雷器的狀態(tài)檢測模型也是采用漏電流數(shù)據(jù)進(jìn)行訓(xùn)練的。但是，現(xiàn)有技術(shù)中，僅依據(jù)漏電流數(shù)據(jù)進(jìn)行模型訓(xùn)練，數(shù)據(jù)單一，導(dǎo)致避雷器狀態(tài)模型的檢測精度較低，容易出現(xiàn)誤判，同時(shí)現(xiàn)有技術(shù)訓(xùn)練的狀態(tài)檢測模型也無法準(zhǔn)確識別避雷器故障狀態(tài)的類別。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述的分析，本發(fā)明實(shí)施例旨在提供一種避雷器狀態(tài)檢測模型的訓(xùn)練方法和系統(tǒng)，用以解決現(xiàn)有的避雷器狀態(tài)檢測模型容易出現(xiàn)誤判以及無法準(zhǔn)確識別避雷器故障狀態(tài)的類別的技術(shù)問題。

2、本發(fā)明實(shí)施例提供了一種避雷器狀態(tài)檢測模型的訓(xùn)練方法，所述方法包括：

3、構(gòu)建避雷器的狀態(tài)檢測模型；

4、獲取避雷器在正常狀態(tài)、內(nèi)閥受潮狀態(tài)、結(jié)構(gòu)性損壞狀態(tài)的局部放電信號，并基于所述局部放電信號生成sdp圖像；所述結(jié)構(gòu)性損壞狀態(tài)包括內(nèi)閥老化狀態(tài)和絕緣層損壞狀態(tài)；

5、獲取避雷器在內(nèi)閥老化狀態(tài)和絕緣層損壞狀態(tài)的漏電流中的阻性電流信號，并生成所述阻性電流信號的波形圖像；

6、基于所述sdp圖像和所述阻性電流信號的波形圖像對所述狀態(tài)檢測模型進(jìn)行訓(xùn)練，獲取訓(xùn)練好的狀態(tài)檢測模型。

7、基于上述方法的進(jìn)一步改進(jìn)，所述構(gòu)建避雷器的狀態(tài)檢測模型，包括：

8、基于神經(jīng)網(wǎng)絡(luò)構(gòu)建用于根據(jù)避雷器的局部放電信號識別所述避雷器的正常狀態(tài)、內(nèi)閥受潮狀態(tài)和結(jié)構(gòu)性損壞狀態(tài)的第一狀態(tài)檢測模型；

9、基于神經(jīng)網(wǎng)絡(luò)構(gòu)建用于在所述第一狀態(tài)檢測模型識別出所述避雷器為結(jié)構(gòu)性損壞狀態(tài)時(shí)根據(jù)所述避雷器的漏電流識別所述避雷器的內(nèi)閥老化狀態(tài)和絕緣層損壞狀態(tài)的第二狀態(tài)檢測模型。

10、基于上述方法的進(jìn)一步改進(jìn)，采用鉸鏈損失函數(shù)和多分類交叉熵?fù)p失函數(shù)構(gòu)造所述第一狀態(tài)檢測模型的損失函數(shù)，公式為：

11、losstotal_1＝λ11·lhinge_1+(1-λ11)lce_1；

12、

13、

14、式中，losstotal_1為第一狀態(tài)檢測模型的總損失；lhinge_1為第一狀態(tài)檢測模型的鉸鏈損失；lce_1為第一狀態(tài)檢測模型的交叉熵?fù)p失；λ1為第一狀態(tài)檢測模型的中用于平衡鉸鏈損失和交叉熵?fù)p失的權(quán)重系數(shù)；m為類別的數(shù)量；為預(yù)測樣本輸出類別c的分?jǐn)?shù)；yo,c為二進(jìn)制指示器，若樣本類別屬于c則為1，否則為0。

15、基于上述方法的進(jìn)一步改進(jìn)，所述第一狀態(tài)檢測模型的激活函數(shù)為softmax函數(shù)。

16、基于上述方法的進(jìn)一步改進(jìn)，基于所述sdp圖像對所述第一狀態(tài)檢測模型進(jìn)行訓(xùn)練，獲取訓(xùn)練好的第一狀態(tài)檢測模型。

17、基于上述方法的進(jìn)一步改進(jìn)，所述基于所述sdp圖像對所述第一狀態(tài)檢測模型進(jìn)行訓(xùn)練，獲取訓(xùn)練好的第一狀態(tài)檢測模型，包括：

18、對每張sdp圖像標(biāo)注其對應(yīng)的避雷器的工作狀態(tài)，并將所述工作狀態(tài)作為訓(xùn)練模型的標(biāo)簽；

19、將標(biāo)注后的sdp圖像按照預(yù)設(shè)的比例劃分為第一訓(xùn)練集和第一測試集；

20、使用第一訓(xùn)練集對第一狀態(tài)檢測模型進(jìn)行訓(xùn)練；

21、使用第一測試集對訓(xùn)練后的第一狀態(tài)檢測模型進(jìn)行驗(yàn)證，以調(diào)整模型參數(shù)。

22、基于上述方法的進(jìn)一步改進(jìn)，使用第一測試集對訓(xùn)練后的第一狀態(tài)檢測模型進(jìn)行驗(yàn)證時(shí)，通過最小化損失函數(shù)調(diào)整模型參數(shù)，直至所述第一狀態(tài)檢測模型的總損失達(dá)到第一預(yù)設(shè)值。

23、基于上述方法的進(jìn)一步改進(jìn)，將所述sdp圖像輸入所述第一狀態(tài)檢測模型之前，對所述sdp圖像進(jìn)行二值化、去噪或增強(qiáng)處理。

24、基于上述方法的進(jìn)一步改進(jìn)，采用二元交叉熵?fù)p失函數(shù)作為所述第二狀態(tài)檢測模型的損失函數(shù)，公式為：

25、losstotal_2＝lce_2＝-(y·log(p)+(1-y)·log(1-p))；

26、式中，losstotal_2為第二狀態(tài)檢測模型的總損失；lce_2為第二狀態(tài)檢測模型的交叉熵?fù)p失；y為真實(shí)標(biāo)簽，取值0或1；p為模型預(yù)測為類別1的概率。

27、基于上述方法的進(jìn)一步改進(jìn)，所述第二狀態(tài)檢測模型的激活函數(shù)為sigmoid函數(shù)。

28、基于上述方法的進(jìn)一步改進(jìn)，基于所述阻性電流信號的波形圖像對所述第二狀態(tài)檢測模型進(jìn)行訓(xùn)練，獲取訓(xùn)練好的第二狀態(tài)檢測模型。

29、基于上述方法的進(jìn)一步改進(jìn)，基于所述阻性電流信號的波形圖像對所述第二狀態(tài)檢測模型進(jìn)行訓(xùn)練，獲取訓(xùn)練好的第二狀態(tài)檢測模型，包括：

30、對每張所述阻性電流信號的波形圖像標(biāo)注其對應(yīng)的避雷器的工作狀態(tài)，并將所述工作狀態(tài)作為訓(xùn)練模型的標(biāo)簽；

31、將標(biāo)注后的所述阻性電流信號的波形圖像按照預(yù)設(shè)的比例劃分為第二訓(xùn)練集和第二測試集；

32、使用第二訓(xùn)練集對第二狀態(tài)檢測模型進(jìn)行訓(xùn)練；

33、使用第二測試集對訓(xùn)練后的第二狀態(tài)檢測模型進(jìn)行驗(yàn)證，并通過最小化損失函數(shù)調(diào)整模型參數(shù)。

34、基于上述方法的進(jìn)一步改進(jìn)，使用第二測試集對訓(xùn)練后的第二狀態(tài)檢測模型進(jìn)行驗(yàn)證時(shí)，通過最小化損失函數(shù)調(diào)整模型參數(shù)，直至所述第二狀態(tài)檢測模型的總損失達(dá)到第二預(yù)設(shè)值。

35、基于上述方法的進(jìn)一步改進(jìn)，所述神經(jīng)網(wǎng)絡(luò)模型包括：

36、第一卷積層，用于對輸入圖像進(jìn)行特征提取，并輸出特征圖；

37、第一匯集層，用于對第一卷積層輸出的特征圖進(jìn)行特征匯總，并輸出特征圖；

38、第二卷積層，用于對第一匯集層輸出的特征圖進(jìn)行特征提取，并輸出特征圖；

39、第二匯集層，用于對第二卷積層輸出的特征圖進(jìn)行特征匯總，并輸出特征圖；以及

40、全連接層，用于對第二匯集層輸出的特征圖進(jìn)行特征融合，并輸出避雷器的工作狀態(tài)。

41、基于上述方法的進(jìn)一步改進(jìn)，所述全連接層包括依次相連平坦層、隱藏層和輸出層，

42、其中，所述平坦層用于將所述第二匯集層輸出的特征圖轉(zhuǎn)換為一維數(shù)據(jù)，所述隱藏層用于對所述平坦層輸出的一維數(shù)據(jù)進(jìn)行特征融合并提取復(fù)雜特征，所述輸出層用于將隱藏層的輸出轉(zhuǎn)換為避雷器的工作狀態(tài)。

43、基于上述方法的進(jìn)一步改進(jìn)，所述第一卷積層和所述第二卷積層的卷積核的大小為3×3。

44、基于上述方法的進(jìn)一步改進(jìn)，所述基于所述局部放電信號生成sdp圖像，包括：

45、對所述局部放電信號進(jìn)行信號處理，并將處理后的信號作為狀態(tài)識別信號；

46、將所述狀態(tài)識別信號轉(zhuǎn)換為sdp圖像。

47、基于上述方法的進(jìn)一步改進(jìn)，采用hilbert-huang變換對所述局部放電信號進(jìn)行信號處理，獲取狀態(tài)識別信號，包括如下步驟：

48、采用經(jīng)驗(yàn)?zāi)B(tài)分解法將所述局部放電信號分解為多個(gè)固有模態(tài)分量以及相應(yīng)的殘余項(xiàng)；

49、對每個(gè)所述固有模態(tài)分量進(jìn)行hilbert變換獲取相應(yīng)的解析信號；

50、將所有的所述固有模態(tài)分量的解析信號和所述殘余項(xiàng)進(jìn)行組合，從而獲取該局部放電信號對應(yīng)的狀態(tài)識別信號。

51、基于上述方法的進(jìn)一步改進(jìn)，所述對每個(gè)所述固有模態(tài)分量進(jìn)行hilbert變換獲取相應(yīng)的解析信號的公式為：

52、

53、

54、式中，ci(t)為第i個(gè)固有模態(tài)分量，為ci(t)的hilbert變換，t為信號時(shí)間點(diǎn)，τ為積分中的一個(gè)變量，表示積分的上限到下限中的任意時(shí)間點(diǎn)，為希爾波特核；是ci(t)的解析信號，j為虛數(shù)單位。

55、基于上述方法的進(jìn)一步改進(jìn)，將所述狀態(tài)識別信號轉(zhuǎn)換為sdp圖像，包括如下步驟：

56、將所述狀態(tài)識別信號中的每個(gè)離散點(diǎn)映射到極坐標(biāo)空間中以獲取每個(gè)離散點(diǎn)的極坐標(biāo)；

57、在所述極坐標(biāo)空間中，對每個(gè)離散點(diǎn)進(jìn)行對稱化處理獲取對應(yīng)的極坐標(biāo)點(diǎn)；

58、將每個(gè)離散點(diǎn)和對稱化處理后的極坐標(biāo)點(diǎn)在極坐標(biāo)空間中圖形化顯示，獲取sdp圖像。

59、基于上述方法的進(jìn)一步改進(jìn)，所述將所述狀態(tài)識別信號中的每個(gè)離散點(diǎn)映射到極坐標(biāo)空間中，獲取每個(gè)離散點(diǎn)的極坐標(biāo)，包括：

60、根據(jù)所述狀態(tài)識別信號計(jì)算每個(gè)離散點(diǎn)在極坐標(biāo)空間中對應(yīng)的極坐標(biāo)半徑、初始線的順時(shí)針旋轉(zhuǎn)角度和初始線的逆時(shí)針旋轉(zhuǎn)角度，公式為：

61、

62、

63、

64、根據(jù)極坐標(biāo)半徑、初始線的順時(shí)針旋轉(zhuǎn)角度和初始線的逆時(shí)針旋轉(zhuǎn)角度，確定該離散點(diǎn)的極坐標(biāo)為p(γ(i)，acw，accw)。

65、基于上述方法的進(jìn)一步改進(jìn)，采用容性電流補(bǔ)償法從所述漏電流信號中提取阻性電流信號。

66、另一方面，本發(fā)明提供一種避雷器狀態(tài)檢測模型的訓(xùn)練系統(tǒng)，所述系統(tǒng)包括：

67、模型構(gòu)建模塊，用于構(gòu)建避雷器的狀態(tài)檢測模型；

68、數(shù)據(jù)獲取模塊，用于獲取避雷器在正常狀態(tài)、內(nèi)閥受潮狀態(tài)、結(jié)構(gòu)性損壞狀態(tài)的局部放電信號，并基于所述局部放電信號生成sdp圖像；所述結(jié)構(gòu)性損壞狀態(tài)包括內(nèi)閥老化狀態(tài)和絕緣層損壞狀態(tài)；還用于獲取避雷器在內(nèi)閥老化狀態(tài)和絕緣層損壞狀態(tài)的漏電流中的阻性電流信號，并生成所述阻性電流信號的波形圖像；

69、模型訓(xùn)練模塊，基于所述sdp圖像和所述阻性電流信號的波形圖像對所述狀態(tài)檢測模型進(jìn)行訓(xùn)練，獲取訓(xùn)練好的狀態(tài)檢測模型。

70、與現(xiàn)有技術(shù)相比，本發(fā)明至少可實(shí)現(xiàn)如下有益效果之一：

71、1、本發(fā)明中，采用局部放電信號生成的sdp波形和漏電流的阻性電流信號的波形圖像對避雷器的狀態(tài)檢測模型進(jìn)行訓(xùn)練，使避雷器的狀態(tài)檢測模型能夠?qū)Ρ芾灼鞯恼顟B(tài)、內(nèi)閥受潮狀態(tài)、內(nèi)閥老化狀態(tài)或絕緣層損壞狀態(tài)等四類狀態(tài)進(jìn)行準(zhǔn)確的分類和識別。

72、具體來說，考慮到避雷器在不同工作狀態(tài)的局部放電信號波形的幅度和頻率具有不同的特點(diǎn)，采用避雷器的局部放電信號生成sdp圖像局部放電信號生成sdp圖像(對稱點(diǎn)圖像)對狀態(tài)檢測模型中進(jìn)行訓(xùn)練，使?fàn)顟B(tài)檢測模型能夠基于局部放電信號生成的sdp圖像識別避雷器的正常狀態(tài)、內(nèi)閥受潮狀態(tài)和結(jié)構(gòu)性損壞狀態(tài)，實(shí)現(xiàn)避雷器狀態(tài)的初步分類和識別。其中，sdp圖像能夠?qū)⒕植糠烹娦盘柕牟ㄐ翁攸c(diǎn)集中在一起，更有利于進(jìn)行圖像識別，采用局部放電信號生成sdp圖像對狀態(tài)檢測模型進(jìn)行訓(xùn)練，從而有利于提高狀態(tài)檢測模型的檢測精度。

73、同時(shí)，考慮到避雷器在內(nèi)閥老化狀態(tài)和絕緣層損壞狀態(tài)等兩種結(jié)構(gòu)性損壞狀態(tài)時(shí)的局部放電信號比較相似，因此通過漏電流信號的阻性電流信號的波形圖像對狀態(tài)檢測模型進(jìn)行訓(xùn)練，使?fàn)顟B(tài)檢測模型能夠基于阻性電流信號的波形圖像識別避雷器的內(nèi)閥老化狀態(tài)和絕緣層損壞狀態(tài)，從而實(shí)現(xiàn)更加精細(xì)的避雷器狀態(tài)的分類和識別，提高了避雷器狀態(tài)檢測模型的檢測精度，減少了誤判。其中，由于避雷器漏電流中阻性電流與避雷器內(nèi)部的結(jié)構(gòu)性損壞相關(guān)，因此，從漏電流中提取阻性電流信號并生成波形圖像用于對狀態(tài)檢測模型進(jìn)行訓(xùn)練，有利于提高狀態(tài)檢測模型的檢測精度。

74、2、本發(fā)明中，對避雷器狀態(tài)模型的結(jié)構(gòu)進(jìn)行了改進(jìn)，基于神經(jīng)網(wǎng)絡(luò)模型分別構(gòu)建了第一狀態(tài)檢測模型和第二狀態(tài)檢測模型，其中，通過局部放電信號生成的spd圖像對第一狀態(tài)檢測模型進(jìn)行訓(xùn)練，使第一狀態(tài)檢測模型能夠識別避雷器的正常狀態(tài)、內(nèi)閥受潮狀態(tài)和結(jié)構(gòu)性損壞狀態(tài)；通過漏電流的阻性電流信號的波形圖像對第二狀態(tài)檢測模型進(jìn)行訓(xùn)練，從而第二狀態(tài)檢測模型能夠在用于在所述第一狀態(tài)檢測模型識別出所述避雷器為結(jié)構(gòu)性損壞狀態(tài)時(shí)進(jìn)一步識別所述避雷器的內(nèi)閥老化狀態(tài)和絕緣層損壞狀態(tài)。

75、3、本發(fā)明中，第一狀態(tài)檢測模型用于對避雷器正常狀態(tài)，內(nèi)閥受潮狀態(tài)和結(jié)構(gòu)性損壞狀態(tài)等多種狀態(tài)進(jìn)行分類識別，采用鉸鏈損失函數(shù)和多分類交叉熵?fù)p失函數(shù)構(gòu)造所述第一狀態(tài)檢測模型的損失函數(shù)以用于模型訓(xùn)練，兩者結(jié)合能夠有效處理多分類問題，提高第一狀態(tài)檢測模型的分類準(zhǔn)確性和泛化能力，并改善模型對不平衡數(shù)據(jù)集的處理。

76、4、本發(fā)明中，第二狀態(tài)檢測模型用于對避雷器的內(nèi)閥老化狀態(tài)和絕緣層損壞狀態(tài)等兩種結(jié)構(gòu)性損壞狀態(tài)進(jìn)行分類識別，采用二分類交叉熵函數(shù)作為第二狀態(tài)檢測模型的損失函數(shù)用于模型訓(xùn)練，能夠有效處理二分類問題，提高第二狀態(tài)檢測模型的分類準(zhǔn)確性和泛化能力。

77、5、本發(fā)明中，采用hilbert-huang變換(hht變換)對避雷器的局部放電信號進(jìn)行信號處理，能夠更加深入的分析信號的局部特性，并有效地將局部放電信號中的噪聲去除。并且，局部放電信號是一種瞬態(tài)信號、非平穩(wěn)信號，而hht變換在局部時(shí)頻分析中的高度靈活性，尤其適應(yīng)用于對瞬態(tài)信號和非平穩(wěn)信號的處理，有利于識別和抑制干擾，從而進(jìn)一步提高訓(xùn)練好的狀態(tài)檢測模型的檢測精度。

78、本發(fā)明中，上述各技術(shù)方案之間還可以相互組合，以實(shí)現(xiàn)更多的優(yōu)選組合方案。本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分優(yōu)點(diǎn)可從說明書中變得顯而易見，或者通過實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過說明書以及附圖中所特別指出的內(nèi)容中來實(shí)現(xiàn)和獲得。