避雷器预警值的确定方法及装置与流程

本发明涉及避雷器监测领域，具体而言，涉及一种避雷器预警值的确定方法及装置。
背景技术：
：避雷器是保证电力系统安全运行的重要保护设备之一。目前电力部门普遍通过在线监测系统监测避雷器的全电流和阻性电流来实现对避雷器进行预警，当监测到的全电流和阻性电流超过预先设定的某一个值时，监测系统给出相应的报警信息。因此设定合理的报警值，能够有效的减少误报和漏报，对于提高在线监测系统的预警准确性具有重要的意义。现有的相关标准中将“全电流超过20％，阻性电流超过30％”或者“阻性电流测量值大于50μA”，“泄露电流数据稳定，测量值与初始值比较不应有明显变化”作为标准对避雷器进行打分，从而实现对避雷器运行状态的评估。近年来在避雷器的预警方面有过一些研究。文献《基于雷击能量估计方法的氧化锌避雷器在线失效预警装置设计》(杨庆林)设计了一种在线装置，通过检测和估算氧化锌避雷器经历的雷击能量，累积雷击能量与先验获得的失效阈值相比较，当累积的雷击能量达到阈值时，即判定避雷器将要失效。该文献将累积雷击能量引入避雷器的在线监测中，将其作为判断避雷器是否失效的重要指标。文献《变电站金属氧化物避雷器状态监测装置研制》(宋辉)提出了一种基于数字滤波的基波相位分离法用来监测相位差，并结合相关的标准协议和计算机软件硬件模块实现该监测装置，并对实际的在运避雷器进行了试用。该文献侧重于改进相位差的监测精度，在改进之后对算法进行了硬件实现。文献《电力设备健康状态评估算法的设计与实现》(袁泉，华北电力大学)文献认为电力设备种类众多，每一种设备的各项试验数据、在线监测数据以及各种特征量，与设备本身的健康状况存在着关系，由于其复杂性、模糊性和不确定性，难以用一个准确的数学模型加以描述，因此文献将专家系统知识与模糊评判相结合,对设备健康状况加以较准确的描述。对电力设备健康状态评估的三个步骤：(1)采集设备试验数据(包括预防性试验的各项结果数据；设备在线监测的特征量；设备的历史运行状况)(2)统计和整理各项试验或在线监测数据,包括与同类设备的横向比较和与本身历史数据的纵向变化趋势相比较,进行专家单项测评(3)综合由上一步所得的单项测评结果,最终对设备的整体健康状况予以定量评估,以作为状态检修的决策依据。算法涉及：(1)对历史状况进行分项评估；(2)对预防性试验结果进行分项评估；(3)对在线监测结果进行评估；(4)对预防性试验数据的变化趋势进行分项评估；之后进行综合评估，并处理单项分处于临界状态而综合分数较高的情况进行分析，最后输出评估结论。文章以两台避雷器作为实例对提出的评估方法进行了验证。该文献侧重于基于专家系统进行多维度评判(使用标准及规程中原有阈值)，之后利用模糊理论进行融合，最后给出结果，使用的阈值仍然是原有阈值。文献《配网避雷器预期运行寿命计算评估》(彭向阳，广东电科院)提出用配网避雷器拥有的雷电放电能力资源和雷电过电压消耗的一次避雷器雷电放电能力资源的计算路线和方法，从而对避雷器的寿命进行评估。该文献引入雷电过电压量来对避雷器寿命进行预测，侧重于寿命预测。由上述研究可以看出目前的针对于避雷器在线监测的研究主要有：(1)引入辅助参量进行检测；(2)基于全电流、阻性电流在线监测系统的改进，包括改进测量方法、提高准确性、提高抗干扰能力等。而缺乏针对阈值校验方面的研究。针对上述的问题，目前尚未提出有效的解决方案。技术实现要素：本发明实施例提供了一种避雷器预警值的确定方法及装置，以至少解决现有技术中避雷器电流预警值不准确的技术问题。根据本发明实施例的一个方面，提供了一种避雷器预警值的确定方法，包括：根据监测到的目标区域内避雷器的电流数据，构建目标区域内避雷器的电流分布模型，其中电流数据包括全电流数据和/或阻性电流数据；获取目标区域内避雷器的缺陷率和/或故障率；根据电流分布模型以及缺陷率和/或故障率，确定目标区域内避雷器的电流预警值。根据本发明实施例的另一方面，还提供了一种避雷器预警值的确定装置，包括：构建单元，用于根据监测到的目标区域内避雷器的电流数据，构建目标区域内避雷器的电流分布模型，其中电流数据包括全电流数据和/或阻性电流数据；获取单元，用于获取目标区域内避雷器的缺陷率和/或故障率；确定单元，用于根据电流分布模型以及缺陷率和/或故障率，确定目标区域内避雷器的电流预警值。在本发明实施例中，采用根据监测到的目标区域内避雷器的电流数据，构建目标区域内避雷器的电流分布模型的方式，通过获取目标区域内避雷器的缺陷率和/或故障率，达到了根据电流分布模型以及缺陷率和/或故障率，确定目标区域内避雷器的电流预警值的目的，从而实现了在确定避雷器电流预警值时考虑避雷器的故障率和缺陷率的技术效果，进而解决了现有技术中避雷器电流预警值不准确的技术问题。附图说明此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是根据本发明实施例的一种避雷器预警值的确定方法的流程图；图2是根据本发明实施例的避雷器的全电流检测值的统计直方图及拟合曲线；图3是根据本发明实施例的避雷器的阻性电流的统计直方图及拟合曲线；以及图4是根据本发明实施例的一种避雷器预警值的确定装置的示意图。具体实施方式为了使本
技术领域：
的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。实施例1根据本发明实施例，提供了一种避雷器预警值的确定的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。图1是根据本发明实施例的方法流程图，如图1所示，该方法包括如下步骤：步骤S102，根据监测到的目标区域内避雷器的电流数据，构建目标区域内避雷器的电流分布模型，其中，电流数据包括全电流数据和/或阻性电流数据。具体的，在上述步骤S102中，目标区域内可以包含多个避雷器。可选的，通过安装在避雷器上的传感器进行实时在线监测，采集一段时间内、目标区域中多个避雷器的在线监测数据，数据包含全电流和/或阻性电流等。该电流分布模型可以为当前目标区域内避雷器电流数据所比较符合的分布函数。步骤S104，获取目标区域内避雷器的缺陷率和/或故障率。具体的，在上述步骤S104中，缺陷率为目标区域内可能存在缺陷的避雷器数量在所有避雷器数量中的占比，故障率为目标区域内确定发生故障的避雷器数量在所有避雷器数量中的占比。步骤S106，根据电流分布模型以及缺陷率和/或故障率，确定目标区域内避雷器的电流预警值。具体的，在上述步骤S106中，虽然仅根据电流分布模型，也可以大致得到目标区域中避雷器电流值的分布情况，从而可以根据该分布情况大致筛选出处于边缘、非聚集情况的避雷器，然而这种筛选方法十分粗狂，难以得到准确的阈值来对避雷器的状态进行预判。通过上述步骤S102-S106，在利用分布函数估算避雷器全电流和/或阻性电流的预警值时，由于充分考虑了避雷器的缺陷率和故障率等因素，因此可以得到更加准确的预警值阈值(包括：注意值和警示值等)，这样，在使用通过本发明得到的预警值阈值进行预警时，可以防止发生漏报警或误报警等情况。例如，上述步骤S102中，本实施例中共获得全电流及阻性电流数据76650条，数据的格式如表1所示(仅显示了部分信息)，在原始监测数据中，包含监测日期、监测时间、全电流和阻性电流的信息。其中，监测时间一般是每隔一个小时采集一次。表1进一步地，当电流数据包括全电流数据时，电流分布模型包括全电流分布模型，电流预警值包括全电流注意值和全电流警示值；当电流数据包括阻性电流数据时，电流分布模型包括阻性电流分布模型，电流预警值包括阻性电流注意值和阻性电流警示值。进一步地，步骤S106，根据电流分布模型以及缺陷率和/或故障率，确定目标区域内避雷器的电流预警值包括：步骤S106A，根据电流分布模型和缺陷率，计算得到避雷器的电流注意值，其中电流注意值用于指示目标区域内应当注意的避雷器；和/或步骤S106B，根据电流分布模型和故障率，计算得到避雷器的电流警示值，其中电流警示值用于指示目标区域内发生故障的避雷器。基于得到的上述电流注意值和电流警示值，本发明实施例还可以提供一种避雷器的预警方法，包含上述步骤S102-S106，同时，在上述步骤S106之后，该预警方法还包括：输出该电流注意值和电流预警值；和/或通过该电流注意值和电流预警值，对目标区域内的避雷器的电流数据进行筛选，对于不满足该电流注意值、但满足电流预警值的避雷器发出注意信号，对于不满足该电流预警值的避雷器发出警示信号。进一步地，步骤S102，根据监测到的目标区域内避雷器的电流数据，构建目标区域内避雷器的电流分布模型包括：步骤S1022，获取监测到的目标区域内避雷器的电流数据。步骤S1024，对电流数据进行处理，绘制得到电流数据的统计直方图。具体的，在上述步骤S1024中，以避雷器的电流数据包含全电流数据和阻性电流数据为例，绘制各个避雷器分类下全电流和阻性电流的统计直方图及拟合曲线，得到的图形曲线如图2和图3所示。其中图2是根据本发明实施例的避雷器的全电流检测值的统计直方图及拟合曲线；图3是根据本发明实施例的避雷器的阻性电流的统计直方图及拟合曲线。步骤S1026，针对统计直方图进行曲线拟合，确定电流数据的累积分布函数，作为避雷器的电流分布模型。具体的，在上述步骤S1026中，可以根据目标区域内避雷器的电流数据的特性，或者统计直方图或拟合曲线的特性，确定出电流数据基本符合的分布类型，从而构建分布模型。进一步地，步骤S1026，针对统计直方图进行曲线拟合，确定电流数据的累积分布函数，作为避雷器的电流分布模型包括：步骤S10262，选择与电流数据匹配的分布类型，其中分布类型包括威布尔分布、正态分布、卡方分布中的至少一种。步骤S10264，估计分布类型的分布参数，将分布类型对应的分布函数确定为电流数据的累积分布函数。在一种具体实施例中，累积分布函数为威布尔分布函数，逆累积分布函数为威布尔分布函数的逆函数。其中，威布尔分布的概率密度函数为：威布尔分布对应的累积概率分布函数分别为：其中，β表示威布尔斜率，也称形状参数；η表示特性值，也称比例参数。通过极大似然法估计形状参数和比例参数，威布尔分布模型对应的似然函数为：似然方程组为：将(3)代入(4)即可得到β和η的估计值，也即分布函数的参数值。进一步地，步骤S106，根据电流分布模型以及缺陷率和/或故障率，确定目标区域内避雷器的电流预警值包括：步骤S1062，确定累积分布函数对应的逆累积分布函数。以威布尔分布为例，威布尔函数的逆累积分布函数为：x＝F-1(p|η,β)＝-η[ln(1-p)]1/β,p∈[0,1](5)其中，p表示累积分布概率，x表示当累积概率为p时对应的取值。步骤S1064A，根据逆累积分布函数和缺陷率，计算得到避雷器的电流注意值，和/或步骤S1064B，根据逆累积分布函数和故障率，计算得到避雷器的电流警示值。进一步地，步骤S1064A，根据逆累积分布函数和缺陷率，计算得到避雷器的电流注意值包括：在变量值为1-P1时，将由逆累积分布函数估算得到的函数值作为电流注意值，其中P1表示缺陷率。进一步地，步骤S1064B，根据逆累积分布函数和故障率，计算得到避雷器的电流警示值包括：在变量值为1-P2时，将由逆累积分布函数估算得到的函数值作为电流警示值，其中P2表示故障率。具体地，以威布尔分布为例，在步骤S1064当设置逆累积分布函数的累积概率等于1-缺陷率时，得到的估计值为注意值，设置逆累积分布函数的累积概率等于1-故障率时，得到的估计值为警示值。通过公式(5)可以得出该批避雷器的全电流和阻性电流的注意值和警示值。进一步地，步骤S104，获取目标区域内避雷器的缺陷率和/或故障率包括：步骤S1042，获取目标区域内避雷器的现场检修信息。步骤S1044，从避雷器现场检修信息中提取目标区域内避雷器的缺陷率和/或故障率，其中缺陷率为目标区域内存在缺陷的避雷器数量在所有避雷器数量中的占比，故障率为目标区域内发生故障的避雷器数量在所有避雷器数量中的占比。实施时，可以从现场的检修记录中查找避雷器的现场检修数据，并提取避雷器的缺陷率和故障率。由于缺陷率和故障率均来自与现场检修记录，因此提高了缺陷率和故障率可靠性和真实度。根据现场的检修记录，统计出的该批避雷器的故障率及缺陷率如表3所示：表2电压等级/kV缺陷率/％故障率/％3305.00.057505.50.55进一步地，步骤S102在构建避雷器的电流分布模型之前，方法还包括：步骤S100，获取目标区域内避雷器的属性特征。步骤S101，将电流数据按照属性特征进行归类，得到多类属性特征的避雷器的电流数据。具体地，在上述步骤S100-S101中，避雷器的属性是指避雷器的固有属性。实施例，可以使用避雷器的电压等级这一属性对全电流和阻性电流数据进行差异化分类处理。例如，上述的76650条数据信息来自于330kV及750kV两种电压等级的避雷器，由此统计每个电压等级下的避雷器的台数及数据量信息，如表3(根据电压等级分类的结果)所示：表3电压等级/kV台数/台数据量/条330932752275016449128总计25776650进一步地，在考虑到避雷器的属性特征情况下，上述步骤S102-S106又可包括：步骤S102构建避雷器的电流分布模型包括：根据同类属性特征的避雷器的电流数据，构建同类属性特征的避雷器的电流分布模型。步骤S104获取目标区域内避雷器的缺陷率和/或故障率包括：将缺陷率和/或故障率按照属性特征进行归类，得到多类属性特征的避雷器的缺陷率和/或故障率。步骤S106根据电流分布模型以及缺陷率和/或故障率，确定目标区域内避雷器的电流预警值包括:根据同类属性特性的避雷器的电流分布模型以及缺陷率和/或故障率，确定每一类属性特性的避雷器的电流预警值。需要说明的是，可以根据避雷器的属性特征(如电压等级等)，将某个特定区域的电网中的所有避雷器进行分类处理，从而可以收集不同避雷器类别下的全电流和阻性电流数据。这样，在利用分布函数估算避雷器全电流和阻性电流的差异化预警值时，在充分考虑了避雷器的缺陷率和故障率等因素的情况下，再补充考虑不同属性条件下不同避雷器分类下避雷器之间的差异，可以得到更加准确的预警值阈值(包括：注意值和警示值等)，使得在使用通过本发明得到的预警值阈值进行预警时，可以防止发生漏报警或误报警等情况。通过本发明上述实施例，基于大量的避雷器的全电流和阻性电流等历史数据，按照避雷器的自身属性对数据进行差异化分类，将缺陷率和故障率与分布函数相关联，利用逆分布函数计算不同属性分类下的避雷器的全电流和阻性电流的注意值和警示值。通过将避雷器按照其属性进行分类，达到了克服相关技术中由于没有考虑到避雷器属性之间的差异或者按照属性分类时过于粗狂而导致的阈值不准确的缺陷。实施例2根据本发明实施例，还提供了一种避雷器预警值的确定方法实施例，需要说明的是，为便于理解并减少冗余描述，如下实施例仅意图描述如下一种复杂的情况，即电流数据包括全电流数据和/或阻性电流数据、同时考虑避雷器的缺陷率和/或故障率、并引入避雷器地属性特征对特征数据进行差异化分类，但并不以此为限。其他实施例亦可参考。一种可选的避雷器预警值的确定方法，包括如下步骤：步骤S202，获取不同避雷器分类下避雷器全电流和阻性电流数据。步骤S204，根据数据确定不同避雷器分类下的累积分布函数，其中该累积分布函数包括全电流累积分布函数和阻性电流累积分布函数。步骤S206，根据累积分布函数确定相应的逆累积分布函数。步骤S208，获取避雷器的缺陷率和/或故障率。步骤S210，在获取到缺陷率之后，根据缺陷率并利用逆累积分布函数估算全电流和阻性电流的注意值。具体地，在上述步骤S210中，在变量值为1-缺陷率时，将由逆累积分布函数估算得到的函数值作为注意值。步骤S212，在获取到故障率之后，根据故障率并利用逆累积分布函数估算全电流和阻性电流的警示值。具体地，在上述步骤S212中，在变量值为1-故障率时，将由逆累积分布函数估算得到的函数值作为警示值。步骤S214，输出注意值和警示值。通过上述步骤S202-S214，将大量的现场避雷器全电流和阻性电流数据根据避雷器自身属性进行差异化分类，即将具有某一相同属性的避雷器所对应的全电流和阻性电流数据作为一类。之后，对每个分类下的避雷器的全电流和阻性电流数据进行统计分析，构建相应的分布模型并估计模型参数。进而统计每个分类下避雷器的缺陷率和故障率，并将其与全电流和阻性电流的分布模型中的累积概率相关联，利用全电流和阻性电流的分布模型的逆累积分布函数计算相应的注意值和警示值。进一步地，步骤S202包括：步骤S2022，获取目标区域内所有避雷器的全电流和阻性电流数据。步骤S2024，根据所有避雷器的属性信息对全电流和阻性电流数据进行差异化分类，得到不同避雷器分类下全电流和阻性电流数据。进一步地，步骤S204包括：步骤S2042，根据不同避雷器分类下避雷器全电流和阻性电流的数据绘制相应的统计直方图和拟合曲线。步骤S2044，根据绘制的统计直方图和拟合曲线确定每个避雷器分类下避雷器全电流和阻性电流的分布模型。步骤S2046，将分布模型对应的分布函数作为每个避雷器分类下全电流和阻性电流的累积分布函数。通过上述步骤S2042-S2046，在获取避雷器全电流和阻性电流数据后，绘制各个避雷器分类下全电流和阻性电流的统计直方图及拟合曲线，如图2和图3所示(以该区域电网中的330kV避雷器的全电流和阻性电流在线监测数据为例)。进一步地，步骤S206中：累积分布函数为威布尔分布函数，逆累积分布函数为威布尔分布函数的逆函数。其中，威布尔分布对应的累积概率分布函数为：其中，β表示威布尔斜率，也称形状参数；η表示特性值，也称比例参数。威布尔函数的逆累积分布函数为：x＝F-1(p|η,β)＝-η[ln(1-p)]1/β,p∈[0,1]其中，p表示累积分布概率，x表示当累积概率为p时对应的取值。具体地，当设置逆累积分布函数的累积概率等于1-缺陷率时，得到的估计值为注意值，设置逆累积分布函数的累积概率等于1-故障率时，得到的估计值为警示值。通过上述公式可以得出该批避雷器的全电流和阻性电流的注意值和警示值。进一步地，步骤S208包括：步骤S2082，获取每个避雷器分类下的避雷器现场检修信息。步骤S2084，从避雷器现场检修信息中提取每个避雷器分类下的避雷器的缺陷率和/或故障率。最终，基于表1、表2和表3所列数据，根据本发明计算出的全电流和阻性电流的注意值和警示值如表4。表4实施例3根据本发明实施例，提供了一种避雷器预警值的确定装置实施例。图4是根据本发明实施例的一种可选的避雷器预警值的确定装置的示意图，如图4所示，该装置包括：构建单元42，用于根据监测到的目标区域内避雷器的电流数据，构建目标区域内避雷器的电流分布模型，其中电流数据包括全电流数据和/或阻性电流数据；获取单元44，用于获取目标区域内避雷器的缺陷率和/或故障率；确定单元46，用于根据电流分布模型以及缺陷率和/或故障率，确定目标区域内避雷器的电流预警值。进一步地，确定单元包括：第一确定模块，用于根据电流分布模型和缺陷率，计算得到避雷器的电流注意值，其中电流注意值用于指示目标区域内应当注意的避雷器；和/或第二确定模块，用于根据电流分布模型和故障率，计算得到避雷器的电流警示值，其中电流警示值用于指示目标区域内发生故障的避雷器。进一步地，构建单元包括：第一获取模块，用于获取监测到的目标区域内避雷器的电流数据；绘制模块，用于对电流数据进行处理，绘制得到电流数据的统计直方图；拟合模块，用于针对统计直方图进行曲线拟合，确定电流数据的累积分布函数，作为避雷器的电流分布模型。例如，由统计直方图及拟合曲线可以看出，全电流和阻性电流监测数据基本符合威布尔分布，由此构建威布尔分布模型，并计算威布尔分布模型的相关参数。其中，威布尔分布的概率密度函数及其对应的累积概率分布函数分别为公式(1)和公式(2)通过极大似然法估计形状参数和比例参数，威布尔分布模型对应的似然函数为公式(3)，似然方程组为公式(4)，将(3)代入(4)即可得到β和η的估计值，也即分布函数的参数值。进一步地，拟合模块包括：选择子模块，用于选择与电流数据匹配的分布类型，其中分布类型包括威布尔分布、正态分布、卡方分布中的至少一种；估计子模块，用于估计分布类型的分布参数，将分布类型对应的分布函数确定为电流数据的累积分布函数。进一步地，确定单元包括：第三确定模块，用于确定累积分布函数对应的逆累积分布函数；第一计算模块，用于根据逆累积分布函数和缺陷率，计算得到避雷器的电流注意值，和/或第二计算模块，用于根据逆累积分布函数和故障率，计算得到避雷器的电流警示值。进一步地，第一计算模块用于在变量值为1-P1时，将由逆累积分布函数估算得到的函数值作为电流注意值，其中P1表示缺陷率；第二计算模块用于在变量值为1-P2时，将由逆累积分布函数估算得到的函数值作为电流警示值，其中P2表示故障率。其中，威布尔函数的逆累积分布函数为公式(5)。具体地，当设置逆累积分布函数的累积概率等于1-缺陷率时，得到的估计值为注意值，设置逆累积分布函数的累积概率等于1-故障率时，得到的估计值为警示值。通过公式(5)可以得出该批避雷器的全电流和阻性电流的注意值和警示值。其中，基于表1、表2和表3所列数据，根据本发明计算出的全电流和阻性电流的注意值和警示值如表4。进一步地，获取单元包括：第二获取模块，用于获取目标区域内避雷器的现场检修信息；提取模块，用于从避雷器现场检修信息中提取目标区域内避雷器的缺陷率和/或故障率，其中缺陷率为目标区域内存在缺陷的避雷器数量在所有避雷器数量中的占比，故障率为目标区域内发生故障的避雷器数量在所有避雷器数量中的占比。实施时，可以从现场的检修记录中查找避雷器的现场检修数据，并提取避雷器的缺陷率和故障率。由于缺陷率和故障率均来自与现场检修记录，因此提高了缺陷率和故障率可靠性和真实度。根据现场的检修记录，统计出的该批避雷器的故障率及缺陷率如表3所示。进一步地，当电流数据包括全电流数据时，电流分布模型包括全电流分布模型，电流预警值包括全电流注意值和全电流警示值；当电流数据包括阻性电流数据时，电流分布模型包括阻性电流分布模型，电流预警值包括阻性电流注意值和阻性电流警示值。需要说明的是，通常在避雷器上安装的在线监测装置可以同时采集全电流和阻性电流数据。数据格式如表1所示(仅选取某一台避雷器的数据作为说明)，原始记录包括监测日期，监测时间以及对应的全电流值和阻性电流值。进一步地，装置还包括：属性获取单元，用于获取目标区域内避雷器的属性特征；第一归类单元，用于将电流数据按照属性特征进行归类，得到多类属性特征的避雷器的电流数据。需要说明的是，可以通过安装在避雷器上的传感器进行实时在线监测，采集一段时间内的避雷器的在线监测数据，数据包含全电流和阻性电流等。例如，本实施例中共获得全电流及阻性电流数据76650条，数据的格式如表1所示(仅显示了部分信息)，在原始监测数据中，包含监测日期、监测时间、全电流和阻性电流的信息。其中，监测时间一般是每隔一个小时采集一次。避雷器的属性是指避雷器的固有属性。可以使用避雷器的电压等级这一属性对全电流和阻性电流数据进行差异化分类处理。例如，上述的76650条数据信息来自于330kV及750kV两种电压等级的避雷器，由此统计每个电压等级下的避雷器的台数及数据量信息，参见表2。进一步地，在装置包含属性获取单元的情况下，构建单元包括用于根据同类属性特征的避雷器的电流数据，构建同类属性特征的避雷器的电流分布模型；获取单元用于将缺陷率和/或故障率按照属性特征进行归类，得到多类属性特征的避雷器的缺陷率和/或故障率；确定单元用于根据同类属性特性的避雷器的电流分布模型以及缺陷率和/或故障率，确定每一类属性特性的避雷器的电流预警值。需要说明的是，可以根据避雷器的属性特征(如电压等级等)，将某个特定区域的电网中的所有避雷器进行分类处理，从而可以收集不同避雷器类别下的全电流和阻性电流数据。这样，在利用分布函数估算避雷器全电流和阻性电流的差异化预警值时，在充分考虑了避雷器的缺陷率和故障率等因素的情况下，再补充考虑不同属性条件下不同避雷器分类下避雷器之间的差异，可以得到更加准确的预警值阈值(包括：注意值和警示值等)，使得在使用通过本发明得到的预警值阈值进行预警时，可以防止发生漏报警或误报警等情况。实施时，在获取避雷器全电流和阻性电流数据后，绘制各个避雷器分类下全电流和阻性电流的统计直方图及拟合曲线，如图2和图3所示(以该区域电网中的330kV避雷器的全电流和阻性电流在线监测数据为例)，也即，实施时，将大量的现场避雷器全电流和阻性电流数据根据避雷器自身属性进行差异化分类，即将具有某一相同属性的避雷器所对应的全电流和阻性电流数据作为一类。之后，对每个分类下的避雷器的全电流和阻性电流数据进行统计分析，构建相应的分布模型并估计模型参数。进而统计每个分类下避雷器的缺陷率和故障率，并将其与全电流和阻性电流的分布模型中的累积概率相关联，利用全电流和阻性电流的分布模型的逆累积分布函数计算相应的注意值和警示值。综上，通过本发明实施例，在利用分布函数估算避雷器全电流和阻性电流的预警值时，由于充分考虑了不同属性条件下不同避雷器分类下避雷器之间的差异以及避雷器的缺陷率和故障率等因素，因此可以得到更加准确的预警值阈值(包括：注意值和警示值等)，这样，在使用通过本发明得到的预警值阈值进行预警时，可以防止发生漏报警或误报警等情况。基于大量的避雷器的全电流和阻性电流等历史数据，按照避雷器的自身属性对数据进行差异化分类，将缺陷率和故障率与分布函数相关联，利用逆分布函数计算不同属性分类下的避雷器的全电流和阻性电流的注意值和警示值。通过将避雷器按照其属性进行分类，达到了克服相关技术中由于没有考虑到避雷器属性之间的差异或者按照属性分类时过于粗狂而导致的阈值不准确的缺陷。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。以上仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页1 2 3