CN114021475B - 基于lstm的避雷器故障判断方法、装置、设备、介质和产品 - Google Patents
基于lstm的避雷器故障判断方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN114021475B CN114021475B CN202111362632.9A CN202111362632A CN114021475B CN 114021475 B CN114021475 B CN 114021475B CN 202111362632 A CN202111362632 A CN 202111362632A CN 114021475 B CN114021475 B CN 114021475B
- Authority
- CN
- China
- Prior art keywords
- lstm
- lightning arrester
- leakage current
- prediction model
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 238000004590 computer program Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 238000009736 wetting Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims 1
- 230000002441 reversible effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000025274 Lightning injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电力技术领域，提供了一种基于修正LSTM的避雷器故障判断方法、装置、计算机设备、存储介质和计算机程序产品。本申请能够实现准确判断避雷器是否发生了表面污秽故障或受潮故障。该方法包括：获取避雷器的故障数据集，其中包括风的实时属性、地理位置因素和监测数据，根据风的实时属性和地理位置因素构建时空关联性模型，基于时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络构建基于LSTM的泄漏电流预测模型，将监测数据输入至该模型，得到下一时刻避雷器阻性电流并得到阻性电流基波和三次谐波值，若阻性电流基波和三次谐波值满足增长率条件，则判断避雷器为表面污秽故障，若阻性电流基波满足阈值条件，则判断其为受潮故障。
Description
技术领域
本申请涉及电力技术领域，特别是涉及一种基于修正LSTM的避雷器故障判断方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
避雷器是变电站中重要的过电压保护设备，其正常运行对变电站的安全稳定运行具有重要意义。在距离海岸线较近的变电站或换流站内，避雷器运行过程中会长期承受雷击过电压和操作过电压，由于高温高湿的特殊运行环境，易引起避雷器表面积污或者受潮，当电压过大时易引起表面闪络。上述缺陷反映在避雷器监测泄漏电流上，阻性电流增大，导致避雷器发热，在热作用下避雷器设备绝缘性能进一步下降，泄漏电流不断增大，最终导致避雷器故障。
针对避雷器缺陷的诊断，传统技术是通过现场运维和在线监测，但难以准确判断避雷器是否发生了表面污秽故障或受潮故障。
发明内容
基于此，有必要针对上述技术问题，提供一种基于修正LSTM的避雷器故障判断方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种基于修正LSTM的避雷器故障判断方法。所述方法包括：
获取避雷器受潮和表面污秽度的故障数据集；故障数据集包括风的实时属性、地理位置因素和监测数据；
根据风的实时属性和地理位置因素，构建得到时空关联性模型；
基于时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；
将监测数据输入至基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；
若阻性电流基波和三次谐波值满足第一增长率条件，则判断避雷器为表面污秽故障；若阻性电流基波满足阈值条件，则判断避雷器为受潮故障。
在其中一个实施例中，所述基于所述时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型，包括：
构建得到基于LSTM的第一泄漏电流预测模型；
根据所述时空关联性模型，修正所述基于LSTM的第一泄漏电流预测模型，得到基于LSTM的第二泄漏电流预测模型；
根据平均绝对误差条件，修正所述基于LSTM的第二泄漏电流预测模型，得到基于LSTM的第三泄漏电流预测模型；
根据误差的反向传播算法神经网络，修正所述基于LSTM的第三泄漏电流预测模型，得到基于LSTM的泄漏电流预测模型。
在其中一个实施例中，所述基于LSTM的第一泄漏电流预测模型包括遗忘门层、输入门层和输出门层。
在其中一个实施例中，所述根据平均绝对误差条件，修正所述基于LSTM的第二泄漏电流预测模型，包括：
若平均绝对误差大于平均绝对误差阈值，则更新第一偏置、第二偏置、第三偏置及权重，并根据模型训练输入数据，以及，更新后的第一偏置、第二偏置、第三偏置及权重修正所述基于LSTM的第一泄漏电流预测模型；
若平均绝对误差小于平均绝对误差阈值，则模型训练输出数据作为另一个初始化参数。
在其中一个实施例中，所述计算得到阻性电流基波和三次谐波值之后，所述方法还包括：
若所述阻性电流基波和三次谐波值不满足第一增长率条件，且所述阻性电流基波不满足阈值条件，则计算所述阻性电流基波和所述三次谐波值的增长率，得到监测状态量的变化趋势；
若所述变化趋势满足变化趋势第二增长率条件，则判断所述避雷器为状态异常。
在其中一个实施例中，所述风的实时属性包括风力和/或风向；所述地理位置因素包括设备经纬度和/或距离避雷器最近的海岸线参考点经纬度；所述监测数据包括故障类型、运行功率、历史监测泄漏电流、阻性电流、动作次数和/或温湿度。
第二方面，本申请还提供了一种基于修正LSTM的避雷器故障判断装置。所述装置包括：
数据获取模块，用于获取避雷器受潮和表面污秽度的故障数据集；所述故障数据集包括风的实时属性、地理位置因素和监测数据；
关联性模型构建模块，用于根据所述风的实时属性和地理位置因素，构建得到时空关联性模型；
预测模型构建模块，用于基于所述时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；
电流得到模块，用于将所述监测数据输入至所述基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；
故障判断模块，用于若所述阻性电流基波和三次谐波值满足第一增长率条件，则判断所述避雷器为表面污秽故障；若所述阻性电流基波满足阈值条件，则判断所述避雷器为受潮故障。
第三方面，本申请还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：
获取避雷器受潮和表面污秽度的故障数据集；故障数据集包括风的实时属性、地理位置因素和监测数据；根据风的实时属性和地理位置因素，构建得到时空关联性模型；基于时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；将监测数据输入至基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；若阻性电流基波和三次谐波值满足第一增长率条件，则判断避雷器为表面污秽故障；若阻性电流基波满足阈值条件，则判断避雷器为受潮故障。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取避雷器受潮和表面污秽度的故障数据集；故障数据集包括风的实时属性、地理位置因素和监测数据；根据风的实时属性和地理位置因素，构建得到时空关联性模型；基于时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；将监测数据输入至基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；若阻性电流基波和三次谐波值满足第一增长率条件，则判断避雷器为表面污秽故障；若阻性电流基波满足阈值条件，则判断避雷器为受潮故障。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取避雷器受潮和表面污秽度的故障数据集；故障数据集包括风的实时属性、地理位置因素和监测数据；根据风的实时属性和地理位置因素，构建得到时空关联性模型；基于时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；将监测数据输入至基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；若阻性电流基波和三次谐波值满足第一增长率条件，则判断避雷器为表面污秽故障；若阻性电流基波满足阈值条件，则判断避雷器为受潮故障。
上述基于修正LSTM的避雷器故障判断方法、装置、计算机设备、存储介质和计算机程序产品，获取避雷器受潮和表面污秽度的故障数据集；故障数据集包括风的实时属性、地理位置因素和监测数据；根据风的实时属性和地理位置因素，构建得到时空关联性模型；基于时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；将监测数据输入至基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；若阻性电流基波和三次谐波值满足第一增长率条件，则判断避雷器为表面污秽故障；若阻性电流基波满足阈值条件，则判断避雷器为受潮故障，从而准确判断避雷器是否发生了表面污秽故障或受潮故障。
附图说明
图1为一个实施例中基于修正LSTM的避雷器故障判断方法的流程示意图；
图2为一个实施例中构建基于LSTM的泄漏电流预测模型的步骤的流程示意图；
图3为一个实施例中修正基于LSTM的第一泄漏电流预测模型的步骤的流程示意图；
图4为一个实施例中判断避雷器为状态异常的步骤的流程示意图；
图5为一个实施例中基于修正LSTM的避雷器故障判断装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于修正LSTM的避雷器故障判断方法，本实施例以该方法应用于终端进行举例说明，包括以下步骤：
步骤S101，获取避雷器受潮和表面污秽度的故障数据集。
其中，故障数据集包括风的实时属性、地理位置因素和监测数据。具体的，终端获取避雷器受潮和表面污秽度故障历史数据集，包括故障类型，运行功率、历史监测泄漏电流、阻性电流、动作次数、温湿度、风力、风向、设备经纬度，距离避雷器最近的海岸线参考点经纬度。在一些实施例中，风的实时属性包括风力和/或风向，地理位置因素包括设备经纬度和/或距离避雷器最近的海岸线参考点经纬度，监测数据包括故障类型、运行功率、历史监测泄漏电流、阻性电流、动作次数和/或温湿度。
步骤S102，根据风的实时属性和地理位置因素，构建得到时空关联性模型。
本步骤中，终端根据风的实时属性(例如风力和风向)和地理位置因素，建立时空关联性模型，时空关联性模型为τ(i,j)＝Wwind×cosθ/dcor(i,j)，其中，Wwind表示避雷器位置Pj与海岸线参考点Pi间该时段的平均风力，dcor(i，j)表示避雷器位置Pj与海岸线参考点Pi间的距离，用两点间经纬度的欧氏距离表示，即为其中，dcov和dvar分别表示距离协方差和协方差，0≤dcor(Pj，Pi)≤1，cosθ表示邻点Pj与Pi间连线的夹角。
步骤S103，基于时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型。
其中，终端基于时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型。
步骤S104，将监测数据输入至基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值。
其中，终端将监测数据输入至基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值。
步骤S105，若阻性电流基波和三次谐波值满足第一增长率条件，则判断避雷器为表面污秽故障；若阻性电流基波满足阈值条件，则判断避雷器为受潮故障。
其中，终端计算得到阻性电流基波和三次谐波值之后，判断是否超出告警阈值，当阻性电流基波和三次谐波值满足第一增长率条件(如A增长率)判断避雷器为表面污秽故障，当阻性电流基波超出阈值时判断避雷器为受潮故障。
上述基于修正LSTM的避雷器故障判断方法中，获取避雷器受潮和表面污秽度的故障数据集；故障数据集包括风的实时属性、地理位置因素和监测数据；根据风的实时属性和地理位置因素，构建得到时空关联性模型；基于时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；将监测数据输入至基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；若阻性电流基波和三次谐波值满足第一增长率条件，则判断避雷器为表面污秽故障；若阻性电流基波满足阈值条件，则判断避雷器为受潮故障，从而准确判断避雷器是否发生了表面污秽故障或受潮故障。
在一个实施例中，如图2所示，上述步骤S103的基于时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型具体包括：
步骤S201，构建得到基于LSTM的第一泄漏电流预测模型。
本步骤中，终端建立基于LSTM的泄漏电流预测模型，确定输入变量，输入变量包括运行功率、泄漏电流、阻性电流、动作次数、温湿度，输出变量为下一时刻避雷器阻性电流，神经网络选择2层LSTM，最后连接一个全连接层后通过一个激活函数作为最终的输出，基于LSTM的第一泄漏电流预测模型包括遗忘门层、输入门层和输出门层，其中，遗忘门层读取上一时刻隐单元的输出ht-1和当前层的输入xt，输出ft，在忘记门对LSTM网络结构中神经元取舍的基础上，通过xt_i和ht-1与权重相乘来控制输入门中神经元状态it，it＝σ(Wxixt_i+Whiht-1+bi)，ft＝σ(Wxfxt+Whfht-1+bf)，然后进行细胞状态Ct更新，为候选数值： 输出门层运行一个sigmoid层决定输出哪部分细胞状态，隐藏状态ht的更新由两部分组成，第一部分是ot的获取，第二部分则由ot和激活函数组成，ot＝σ(Wxoxt+Whoht-1+bo)，ht＝ot*tanh(Ct)，其中，式中σ和tanh为激活函数，Wxi、Wxf、Wxc和Wxo代表输入层到隐含层的权重系数，Whi，Whf，Whc和Who代表递归连接的权重系数，bi，bf，bc，bo代表偏置，构建得到基于LSTM的第一泄漏电流预测模型。
步骤S202，根据时空关联性模型，修正基于LSTM的第一泄漏电流预测模型，得到基于LSTM的第二泄漏电流预测模型。
本步骤中，终端根据时空关联性模型，修正基于LSTM的第一泄漏电流预测模型，融入空间地理信息，对步骤S201中的表示记忆与遗忘功能的公式改进，改进结果为/>实现局部地理相关信息与时间依赖信息的融合学习，其中，地理信息加强演进进程因素为P1t＝Wwind×cosθ/dcor(i,j)，τ(i,j)＞0，地理信息减弱演进进程因素为P2t＝Wwind×cosθ/dcor(i,j)，τ(i,j)≤0，得到基于LSTM的第二泄漏电流预测模型。
步骤S203，根据平均绝对误差条件，修正基于LSTM的第二泄漏电流预测模型，得到基于LSTM的第三泄漏电流预测模型。
其中，终端根据平均绝对误差条件，修正基于LSTM的第二泄漏电流预测模型，在模型训练过程中，选择平均绝对误差(MAE)评价模型的精确性，若训练MAE大于阈值，则更新权重与偏置W、b、a，继续与输入相互作用进行计算，若MAE小于阈值，则输出结果作为另一个初始化参数，从而得到基于LSTM的第三泄漏电流预测模型，其中，MAE的计算公式为：
步骤S204，根据误差的反向传播算法神经网络，修正基于LSTM的第三泄漏电流预测模型，得到基于LSTM的泄漏电流预测模型。
其中，终端根据误差的反向传播算法神经网络，修正基于LSTM的第三泄漏电流预测模型，进行误差的反向传播算法(BP)神经网络训练，即t时刻后所有时刻误差进行反向传播计算，更新权重矩阵，直到得到最优全局参数矩阵，模型训练完成，得到基于LSTM的泄漏电流预测模型。
本实施例能够更准确构建得到基于LSTM的泄漏电流预测模型。
在一个实施例中，如图3所示，上述步骤S203的根据平均绝对误差条件，修正基于LSTM的第二泄漏电流预测模型具体包括：
步骤S301，若平均绝对误差大于平均绝对误差阈值，则更新第一偏置、第二偏置、第三偏置及权重，并根据模型训练输入数据，以及，更新后的第一偏置、第二偏置、第三偏置及权重修正基于LSTM的第一泄漏电流预测模型。
其中，第一偏置是指偏置W；第二偏置是指偏置b；第三偏置是指偏置a。具体的，终端根据平均绝对误差条件，修正基于LSTM的第二泄漏电流预测模型，在模型训练过程中，选择平均绝对误差(MAE)评价模型的精确性，若训练MAE大于阈值，则更新权重与偏置W、b、a，继续与输入相互作用进行计算。
步骤S302，若平均绝对误差小于平均绝对误差阈值，则模型训练输出数据作为另一个初始化参数。
其中，终端若检测到MAE小于阈值，则输出结果作为另一个初始化参数，其中，MAE的计算公式为：
本实施例能够根据平均绝对误差条件，修正基于LSTM的第二泄漏电流预测模型。
在一个实施例中，如图4所示，上述方法还可以通过如下步骤判断避雷器为状态异常，具体包括：
步骤S401，若阻性电流基波和三次谐波值不满足第一增长率条件，且阻性电流基波不满足阈值条件，则计算阻性电流基波和三次谐波值的增长率，得到监测状态量的变化趋势。
其中，终端在计算得到阻性电流基波和三次谐波值之后，首先判断是否超出告警阈值，当阻性电流基波和三次谐波值满足第一增长率条件，判断避雷器为表面污秽故障，当阻性电流基波超出阈值时判断避雷器为受潮故障，若阻性电流基波和三次谐波值不满足第一增长率条件，且阻性电流基波不满足阈值条件，则计算阻性电流和三次谐波的增长率，通过增长率进一步分析监测状态量的变化趋势，增长率计算公式为
其中，Ir％为阻性电流基波变化率，Ir3％为阻性电流三次谐波变化率，Ir初始为阻性电流基波初始值，Ir为阻性电流监测值，Ir3初始为阻性电流三次谐波初始值，Ir3为阻性电流三次谐波监测值。
步骤S402，若变化趋势满足变化趋势第二增长率条件，则判断避雷器为状态异常。
其中，终端检测到当增长率Ir％≥50％或Ir3％≥50％时，则判断避雷器为状态异常，提醒运维人员避雷器为状态异常，提醒运维人员提前采取措施且必要时停电检修。
本实施例能够判断避雷器是否为状态异常。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于修正LSTM的避雷器故障判断方法的基于修正LSTM的避雷器故障判断装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于修正LSTM的避雷器故障判断装置实施例中的具体限定可以参见上文中对于基于修正LSTM的避雷器故障判断方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种基于修正LSTM的避雷器故障判断装置，该装置500可以包括：
数据获取模块501，用于获取避雷器受潮和表面污秽度的故障数据集；所述故障数据集包括风的实时属性、地理位置因素和监测数据；
关联性模型构建模块502，用于根据所述风的实时属性和地理位置因素，构建得到时空关联性模型；
预测模型构建模块503，用于基于所述时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；
电流得到模块504，用于将所述监测数据输入至所述基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；
故障判断模块505，用于若所述阻性电流基波和三次谐波值满足第一增长率条件，则判断所述避雷器为表面污秽故障；若所述阻性电流基波满足阈值条件，则判断所述避雷器为受潮故障。
在一个实施例中，预测模型构建模块503，还用于构建得到基于LSTM的第一泄漏电流预测模型；根据所述时空关联性模型，修正所述基于LSTM的第一泄漏电流预测模型，得到基于LSTM的第二泄漏电流预测模型；根据平均绝对误差条件，修正所述基于LSTM的第二泄漏电流预测模型，得到基于LSTM的第三泄漏电流预测模型；根据误差的反向传播算法神经网络，修正所述基于LSTM的第三泄漏电流预测模型，得到基于LSTM的泄漏电流预测模型。
在一个实施例中，所述基于LSTM的第一泄漏电流预测模型包括遗忘门层、输入门层和输出门层。
在一个实施例中，预测模型构建模块503，还用于若平均绝对误差大于平均绝对误差阈值，则更新第一偏置、第二偏置、第三偏置及权重，并根据模型训练输入数据，以及，更新后的第一偏置、第二偏置、第三偏置及权重修正所述基于LSTM的第一泄漏电流预测模型；若平均绝对误差小于平均绝对误差阈值，则模型训练输出数据作为另一个初始化参数。
在一个实施例中，该装置500还包括：状态判断模块，用于若所述阻性电流基波和三次谐波值不满足第一增长率条件，且所述阻性电流基波不满足阈值条件，则计算所述阻性电流基波和所述三次谐波值的增长率，得到监测状态量的变化趋势；若所述变化趋势满足变化趋势第二增长率条件，则判断所述避雷器为状态异常。
在一个实施例中，所述风的实时属性包括风力和/或风向；所述地理位置因素包括设备经纬度和/或距离避雷器最近的海岸线参考点经纬度；所述监测数据包括故障类型、运行功率、历史监测泄漏电流、阻性电流、动作次数和/或温湿度。
上述基于修正LSTM的避雷器故障判断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于修正LSTM的避雷器故障判断方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取避雷器受潮和表面污秽度的故障数据集；所述故障数据集包括风的实时属性、地理位置因素和监测数据；根据所述风的实时属性和地理位置因素，构建得到时空关联性模型；基于所述时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；将所述监测数据输入至所述基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；若所述阻性电流基波和三次谐波值满足第一增长率条件，则判断所述避雷器为表面污秽故障；若所述阻性电流基波满足阈值条件，则判断所述避雷器为受潮故障。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
构建得到基于LSTM的第一泄漏电流预测模型；根据所述时空关联性模型，修正所述基于LSTM的第一泄漏电流预测模型，得到基于LSTM的第二泄漏电流预测模型；根据平均绝对误差条件，修正所述基于LSTM的第二泄漏电流预测模型，得到基于LSTM的第三泄漏电流预测模型；根据误差的反向传播算法神经网络，修正所述基于LSTM的第三泄漏电流预测模型，得到基于LSTM的泄漏电流预测模型。
在一个实施例中，所述基于LSTM的第一泄漏电流预测模型包括遗忘门层、输入门层和输出门层。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若平均绝对误差大于平均绝对误差阈值，则更新第一偏置、第二偏置、第三偏置及权重，并根据模型训练输入数据，以及，更新后的第一偏置、第二偏置、第三偏置及权重修正所述基于LSTM的第一泄漏电流预测模型；若平均绝对误差小于平均绝对误差阈值，则模型训练输出数据作为另一个初始化参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若所述阻性电流基波和三次谐波值不满足第一增长率条件，且所述阻性电流基波不满足阈值条件，则计算所述阻性电流基波和所述三次谐波值的增长率，得到监测状态量的变化趋势；若所述变化趋势满足变化趋势第二增长率条件，则判断所述避雷器为状态异常。
在一个实施例中，所述风的实时属性包括风力和/或风向；所述地理位置因素包括设备经纬度和/或距离避雷器最近的海岸线参考点经纬度；所述监测数据包括故障类型、运行功率、历史监测泄漏电流、阻性电流、动作次数和/或温湿度。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取避雷器受潮和表面污秽度的故障数据集；所述故障数据集包括风的实时属性、地理位置因素和监测数据；根据所述风的实时属性和地理位置因素，构建得到时空关联性模型；基于所述时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；将所述监测数据输入至所述基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；若所述阻性电流基波和三次谐波值满足第一增长率条件，则判断所述避雷器为表面污秽故障；若所述阻性电流基波满足阈值条件，则判断所述避雷器为受潮故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
构建得到基于LSTM的第一泄漏电流预测模型；根据所述时空关联性模型，修正所述基于LSTM的第一泄漏电流预测模型，得到基于LSTM的第二泄漏电流预测模型；根据平均绝对误差条件，修正所述基于LSTM的第二泄漏电流预测模型，得到基于LSTM的第三泄漏电流预测模型；根据误差的反向传播算法神经网络，修正所述基于LSTM的第三泄漏电流预测模型，得到基于LSTM的泄漏电流预测模型。
在一个实施例中所述基于LSTM的第一泄漏电流预测模型包括遗忘门层、输入门层和输出门层。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若平均绝对误差大于平均绝对误差阈值，则更新第一偏置、第二偏置、第三偏置及权重，并根据模型训练输入数据，以及，更新后的第一偏置、第二偏置、第三偏置及权重修正所述基于LSTM的第一泄漏电流预测模型；若平均绝对误差小于平均绝对误差阈值，则模型训练输出数据作为另一个初始化参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若所述阻性电流基波和三次谐波值不满足第一增长率条件，且所述阻性电流基波不满足阈值条件，则计算所述阻性电流基波和所述三次谐波值的增长率，得到监测状态量的变化趋势；若所述变化趋势满足变化趋势第二增长率条件，则判断所述避雷器为状态异常。
在一个实施例中，所述风的实时属性包括风力和/或风向；所述地理位置因素包括设备经纬度和/或距离避雷器最近的海岸线参考点经纬度；所述监测数据包括故障类型、运行功率、历史监测泄漏电流、阻性电流、动作次数和/或温湿度。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取避雷器受潮和表面污秽度的故障数据集；所述故障数据集包括风的实时属性、地理位置因素和监测数据；根据所述风的实时属性和地理位置因素，构建得到时空关联性模型；基于所述时空关联性模型、平均绝对误差条件和误差的反向传播算法神经网络，构建得到基于LSTM的泄漏电流预测模型；将所述监测数据输入至所述基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；若所述阻性电流基波和三次谐波值满足第一增长率条件，则判断所述避雷器为表面污秽故障；若所述阻性电流基波满足阈值条件，则判断所述避雷器为受潮故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
构建得到基于LSTM的第一泄漏电流预测模型；根据所述时空关联性模型，修正所述基于LSTM的第一泄漏电流预测模型，得到基于LSTM的第二泄漏电流预测模型；根据平均绝对误差条件，修正所述基于LSTM的第二泄漏电流预测模型，得到基于LSTM的第三泄漏电流预测模型；根据误差的反向传播算法神经网络，修正所述基于LSTM的第三泄漏电流预测模型，得到基于LSTM的泄漏电流预测模型。
在一个实施例中，所述基于LSTM的第一泄漏电流预测模型包括遗忘门层、输入门层和输出门层。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若平均绝对误差大于平均绝对误差阈值，则更新第一偏置、第二偏置、第三偏置及权重，并根据模型训练输入数据，以及，更新后的第一偏置、第二偏置、第三偏置及权重修正所述基于LSTM的第一泄漏电流预测模型；若平均绝对误差小于平均绝对误差阈值，则模型训练输出数据作为另一个初始化参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若所述阻性电流基波和三次谐波值不满足第一增长率条件，且所述阻性电流基波不满足阈值条件，则计算所述阻性电流基波和所述三次谐波值的增长率，得到监测状态量的变化趋势；若所述变化趋势满足变化趋势第二增长率条件，则判断所述避雷器为状态异常。
在一个实施例中，所述风的实时属性包括风力和/或风向；所述地理位置因素包括设备经纬度和/或距离避雷器最近的海岸线参考点经纬度；所述监测数据包括故障类型、运行功率、历史监测泄漏电流、阻性电流、动作次数和/或温湿度。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于修正LSTM的避雷器故障判断方法，其特征在于，所述方法包括：
获取避雷器受潮和表面污秽度的故障数据集；所述故障数据集包括风的实时属性、地理位置因素和监测数据；
根据所述风的实时属性和地理位置因素，构建得到时空关联性模型；所述时空关联性模型为τ(i,j)＝Wwind×cosθ/dcor(i,j)，其中，所述Wwind表示避雷器位置Pj与海岸线参考点Pi间的平均风力，所述dcor(i，j)表示所述避雷器位置Pj与所述海岸线参考点Pi间的距离，用两点间经纬度的欧氏距离表示，即为其中，所述dcov和所述dvar分别表示距离协方差和协方差，0≤dcor(Pj，Pi)≤1，所述cosθ表示邻点Pj与Pi间连线的夹角；
构建得到基于LSTM的第一泄漏电流预测模型；所述基于LSTM的第一泄漏电流预测模型包括遗忘门层、输入门层和输出门层，其中，所述遗忘门层读取上一时刻隐单元的输出ht-1和当前层的输入xt，输出ft，在忘记门对LSTM网络结构中神经元取舍的基础上，通过xt_i和ht-1与权重相乘来控制输入门中神经元状态it，it＝σ(Wxixt_i+Whiht-1+bi)，ft＝σ(Wxfxt+Whfht-1+bf)，然后进行细胞状态Ct更新，为候选数值，输出门层运行一个sigmoid层决定输出哪部分细胞状态，隐藏状态ht的更新由两部分组成，第一部分是ot的获取，第二部分则由ot和激活函数组成，ot＝σ(Wxoxt+Whoht-1+bo)，ht＝ot*tanh(Ct)，其中，式中σ和tanh为激活函数，Wxi、Wxf、Wxc和Wxo代表输入层到隐含层的权重系数，Whi，Whf，Whc和Who代表递归连接的权重系数，bi，bf，bc，bo代表偏置；
根据所述时空关联性模型，修正所述基于LSTM的第一泄漏电流预测模型，融入空间地理信息，对表示记忆与遗忘功能的公式改进，得到改进结果为其中，地理信息加强演进进程因素为P1t＝Wwind×cosθ/dcor(i,j)，τ(i,j)＞0，地理信息减弱演进进程因素为P2t＝Wwind×cosθ/dcor(i,j)，τ(i,j)≤0，得到基于LSTM的第二泄漏电流预测模型；
根据平均绝对误差条件，修正所述基于LSTM的第二泄漏电流预测模型，得到基于LSTM的第三泄漏电流预测模型；其中，在模型训练过程中，选择平均绝对误差评价模型的精确性，若所述平均绝对误差大于平均绝对误差阈值，则更新第一偏置W、第二偏置b、第三偏置a及权重，继续与输入相互作用进行计算，若所述平均绝对误差小于所述平均绝对误差阈值，则输出结果作为另一个初始化参数，得到基于LSTM的第三泄漏电流预测模型；
根据误差的反向传播算法神经网络，修正所述基于LSTM的第三泄漏电流预测模型，进行误差的反向传播算法神经网络训练，得到基于LSTM的泄漏电流预测模型；
将所述监测数据输入至所述基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；
若所述阻性电流基波和三次谐波值满足第一增长率条件，则判断所述避雷器为表面污秽故障；若所述阻性电流基波满足阈值条件，则判断所述避雷器为受潮故障。
2.根据权利要求1所述的方法，其特征在于，所述计算得到阻性电流基波和三次谐波值之后，所述方法还包括：
若所述阻性电流基波和三次谐波值不满足第一增长率条件，且所述阻性电流基波不满足阈值条件，则计算所述阻性电流基波和所述三次谐波值的增长率，得到监测状态量的变化趋势；
若所述变化趋势满足变化趋势第二增长率条件，则判断所述避雷器为状态异常。
3.根据权利要求1所述的方法，其特征在于，所述风的实时属性包括风力和/或风向；所述地理位置因素包括设备经纬度和/或距离避雷器最近的海岸线参考点经纬度；所述监测数据包括故障类型、运行功率、历史监测泄漏电流、阻性电流、动作次数和/或温湿度。
4.一种基于修正LSTM的避雷器故障判断装置，其特征在于，所述装置包括：
数据获取模块，用于获取避雷器受潮和表面污秽度的故障数据集；所述故障数据集包括风的实时属性、地理位置因素和监测数据；
关联性模型构建模块，用于根据所述风的实时属性和地理位置因素，构建得到时空关联性模型；所述时空关联性模型为τ(i,j)＝Wwind×cosθ/dcor(i,j)，其中，所述Wwind表示避雷器位置Pj与海岸线参考点Pi间的平均风力，所述dcor(i，j)表示所述避雷器位置Pj与所述海岸线参考点Pi间的距离，用两点间经纬度的欧氏距离表示，即为其中，所述dcov和所述dvar分别表示距离协方差和协方差，0≤dcor(Pj，Pi)≤1，所述cosθ表示邻点Pj与Pi间连线的夹角；
预测模型构建模块，用于构建得到基于LSTM的第一泄漏电流预测模型；所述基于LSTM的第一泄漏电流预测模型包括遗忘门层、输入门层和输出门层，其中，所述遗忘门层读取上一时刻隐单元的输出ht-1和当前层的输入xt，输出ft，在忘记门对LSTM网络结构中神经元取舍的基础上，通过xt_i和ht-1与权重相乘来控制输入门中神经元状态it，it＝σ(Wxixt_i+Whiht-1+bi)，ft＝σ(Wxfxt+Whfht-1+bf)，然后进行细胞状态Ct更新，为候选数值， 输出门层运行一个sigmoid层决定输出哪部分细胞状态，隐藏状态ht的更新由两部分组成，第一部分是ot的获取，第二部分则由ot和激活函数组成，ot＝σ(Wxoxt+Whoht-1+bo)，ht＝ot*tanh(Ct)，其中，式中σ和tanh为激活函数，Wxi、Wxf、Wxc和Wxo代表输入层到隐含层的权重系数，Whi，Whf，Whc和Who代表递归连接的权重系数，bi，bf，bc，bo代表偏置；根据所述时空关联性模型，修正所述基于LSTM的第一泄漏电流预测模型，融入空间地理信息，对表示记忆与遗忘功能的公式/>改进，得到改进结果为/>其中，地理信息加强演进进程因素为P1t＝Wwind×cosθ/dcor(i,j)，τ(i,j)＞0，地理信息减弱演进进程因素为P2t＝Wwind×cosθ/dcor(i,j)，τ(i,j)≤0，得到基于LSTM的第二泄漏电流预测模型；根据平均绝对误差条件，修正所述基于LSTM的第二泄漏电流预测模型，得到基于LSTM的第三泄漏电流预测模型；其中，在模型训练过程中，选择平均绝对误差评价模型的精确性，若所述平均绝对误差大于平均绝对误差阈值，则更新第一偏置W、第二偏置b、第三偏置a及权重，继续与输入相互作用进行计算，若所述平均绝对误差小于所述平均绝对误差阈值，则输出结果作为另一个初始化参数，得到基于LSTM的第三泄漏电流预测模型；根据误差的反向传播算法神经网络，修正所述基于LSTM的第三泄漏电流预测模型，进行误差的反向传播算法神经网络训练，得到基于LSTM的泄漏电流预测模型；
电流得到模块，用于将所述监测数据输入至所述基于LSTM的泄漏电流预测模型，得到下一时刻避雷器阻性电流，并计算得到阻性电流基波和三次谐波值；
故障判断模块，用于若所述阻性电流基波和三次谐波值满足第一增长率条件，则判断所述避雷器为表面污秽故障；若所述阻性电流基波满足阈值条件，则判断所述避雷器为受潮故障。
5.一种计算机设备，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3中任一项所述的方法的步骤。
6.一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3中任一项所述的方法的步骤。
7.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111362632.9A CN114021475B (zh) | 2021-11-17 | 2021-11-17 | 基于lstm的避雷器故障判断方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111362632.9A CN114021475B (zh) | 2021-11-17 | 2021-11-17 | 基于lstm的避雷器故障判断方法、装置、设备、介质和产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114021475A CN114021475A (zh) | 2022-02-08 |
| CN114021475B true CN114021475B (zh) | 2024-05-31 |
Family
ID=80064684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111362632.9A Active CN114021475B (zh) | 2021-11-17 | 2021-11-17 | 基于lstm的避雷器故障判断方法、装置、设备、介质和产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021475B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114740288A (zh) * | 2022-03-10 | 2022-07-12 | 云南电网有限责任公司电力科学研究院 | 避雷器故障诊断方法、装置、电子设备及存储介质 |
| CN116008734B (zh) * | 2023-03-27 | 2023-05-30 | 国网吉林省电力有限公司信息通信公司 | 基于数据处理的电力信息设备故障预测方法 |
| CN117407675A (zh) * | 2023-10-26 | 2024-01-16 | 国网青海省电力公司海北供电公司 | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105044524A (zh) * | 2015-08-10 | 2015-11-11 | 许继集团有限公司 | 一种适用于智能变电站的避雷器监测方法及*** |
| CN110348536A (zh) * | 2019-07-18 | 2019-10-18 | 广州大学 | 数据智能预测方法、装置、计算机设备及存储介质 |
| KR102309900B1 (ko) * | 2020-05-13 | 2021-10-08 | 우리정보 (주) | IoT 기반 비접촉식 피뢰기 상태 진단장치 및 이를 이용한 관리 시스템 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210326743A1 (en) * | 2020-04-16 | 2021-10-21 | Old Dominion University | Deep cellular recurrent neural network having architecture and method for efficient analysis of time-series data having spatial information |
-
2021
- 2021-11-17 CN CN202111362632.9A patent/CN114021475B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105044524A (zh) * | 2015-08-10 | 2015-11-11 | 许继集团有限公司 | 一种适用于智能变电站的避雷器监测方法及*** |
| CN110348536A (zh) * | 2019-07-18 | 2019-10-18 | 广州大学 | 数据智能预测方法、装置、计算机设备及存储介质 |
| KR102309900B1 (ko) * | 2020-05-13 | 2021-10-08 | 우리정보 (주) | IoT 기반 비접촉식 피뢰기 상태 진단장치 및 이를 이용한 관리 시스템 |
Non-Patent Citations (3)
| Title |
|---|
| A survey of fault prediction and location methods in electrical energy distribution networks;Rahman Dashti 等;Measurement;第184卷;全文 * |
| 基于长短期记忆网络的风电机组齿轮箱故障预测;何群 等;计量学报(第10期);全文 * |
| 电网雷击故障概率的时空在线预警;谢云云 等;电力***自动化(第17期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114021475A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114021475B (zh) | 基于lstm的避雷器故障判断方法、装置、设备、介质和产品 | |
| CN113240187B (zh) | 预测模型生成方法、***、设备、存储介质及预测方法 | |
| Caceres et al. | A probabilistic Bayesian recurrent neural network for remaining useful life prognostics considering epistemic and aleatory uncertainties | |
| US20150254554A1 (en) | Information processing device and learning method | |
| Almeida et al. | Parametric CMAC networks: Fundamentals and applications of a fast convergence neural structure | |
| CN113887845B (zh) | 极端事件预测方法、装置、设备和存储介质 | |
| CN114861542A (zh) | 直流输电工程损耗评估方法、装置、设备和存储介质 | |
| CN110750852A (zh) | 一种超级电容器的剩余使用寿命预测方法、装置及电子设备 | |
| CN117078480A (zh) | 碳排放量监测方法、装置、设备、存储介质和计算机产品 | |
| CN116130029A (zh) | 变压器故障预警方法、装置、设备、存储介质和程序产品 | |
| Wu et al. | Explainable temporal dependence in multi-step wind power forecast via decomposition based chain echo state networks | |
| CN114266284A (zh) | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 | |
| CN116345498B (zh) | 数据-模型混合驱动的电力***的频率紧急协调控制方法 | |
| CN117235664A (zh) | 配电通信设备的故障诊断方法、***和计算机设备 | |
| CN113887676B (zh) | 设备故障预警方法、装置、设备和存储介质 | |
| CN112731150B (zh) | 电压暂降状态估计方法、装置、计算机设备和存储介质 | |
| CN116307014A (zh) | 故障预测模型训练方法和装置、故障预测方法 | |
| CN114708119A (zh) | 变电站设备时间序列异常特征值检测方法、装置和设备 | |
| CN114492578A (zh) | 一种基于bp神经网络的电气设备运行数据分类方法 | |
| Jirdehi et al. | State Estimation in Electric Power Systems Based on Adaptive Neuro-Fuzzy System Considering Load Uncertainty and False Data. | |
| CN115913699B (zh) | 配电网横向访问检测方法、装置、计算机设备和存储介质 | |
| CN117669818A (zh) | 输电线路风力预警方法、装置、计算机设备和存储介质 | |
| CN113592565B (zh) | 一种电力***节点重要度预测方法 | |
| CN116112200B (zh) | 配电网纵向访问检测方法、装置、计算机设备和存储介质 | |
| CN118377067A (zh) | 天气预警方法、装置、计算机设备及存储介质 |
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 |