一种GIS隔离开关内部过热缺陷预测方法及系统与流程

本发明涉及电力系统设备状态监测领域，尤其是涉及一种gis隔离开关内部过热缺陷预测方法及系统。

背景技术：

1、在电力系统中，gis设备的安全运行对电力系统的稳定性至关重要。而隔离开关触头的过热是影响gis设备安全运行的重要因素之一。如果不能及时发现和处理触头过热问题，可能会导致隔离开关故障，严重影响电力系统的正常运行。因此，开发一种能够实时准确监测gis隔离开关触头过热的方法具有非常重要的实际应用价值。

2、中国专利cn112765873b公开了一种基于lstm算法的变电设备发热预测方法，该方法包括获取影响变电设备的热点温度的数据，其中，所述数据包括正常相温度、环境温度、季节和运行电流/功率；将正常相温度、环境温度、季节和运行电流/功率作为预测模型的输入变量，将热点温度作为输出变量，基于历史数据构建数据样本集；将数据样本集进行归一化处理后按照一定比例划分成训练集和测试集；将训练集输入lstm预测模型中，通过lstm预测模型对训练集中的数据进行建模；根据热点温度和相对温差判断缺陷性质。但是，该申请对于预测模型输入变量的确定过于复杂，输入数据获取难度较高，考虑的影响因素过多，导致模型预测效率下降，实时性有所降低，且一定程度上影响预测精度。

3、中国专利cn108519158b公开了一种gis设备内部过热缺陷的红外检测方法，该方法使用红外热像仪测量gis的壳体温度值。然而，由于sf6气体的热传导性较差，导致内部触头热点温度与外壳温度相差很大，因此难以通过红外拍摄外壳变化量很小的温度来捕捉内部过热过程中上外壳温度的变化。

技术实现思路

1、本发明的目的是为了提供一种基于多点温度监测的gis隔离开关内部过热缺陷预测方法及系统，通过实时监测gis设备隔离开关外壳处多点的温度数据和外部环境温度数据，以单一的温度数据作为预测输入，判断隔离开关触头是否过热，提供更准确的预测结果，并提高模型预测速度与实时性。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于多点温度监测的gis隔离开关内部过热缺陷预测方法，包括以下步骤：

4、获取多个温度传感器采集的各个时刻的温度数据，构建温度数据集，所述温度传感器分别设于隔离开关外壳左上、隔离开关外壳左下、隔离开关外壳右上、隔离开关外壳右下、与隔离开关连接的每个盆式绝缘子处和隔离开关所处环境中；

5、构建基于lstm的温度时间序列预测模型，以当前时刻及历史多个时刻的温度序列数据作为输入，下一时刻的温度数据作为输出，对模型进行训练；

6、实时监测温度传感器获取的温度数据并输入训练完成的温度时间序列预测模型，预测gis隔离开关内部发热点温度，并根据预测温度数据进行严重程度判断，实现过热缺陷预测。

7、所述温度数据集中的温度数据定义为：{xt|t＝1，2，...，n}和{yt|t＝1，2，...，n}，其中xt＝(x1t，x2t，x3t，x4t，x5t...xit，x(i+1)t)，x1t～x4t分别是隔离开关外壳左上、隔离开关外壳左下、隔离开关外壳右上、隔离开关外壳右下这四个测温点在t时刻的温度，x5t...xit表示i-5+1个盆式绝缘子测温点在t时刻的温度，i≥5，x(i+1)t表示环境测温点在t时刻的温度；xt代表t时刻的特征向量，yt代表预测目标温度序列。

8、所述温度时间序列预测模型以长度为p的温度序列数据来预测下一时刻的温度值，即，使用序列[xt，xt-1，...，xt-p]来预测t+1时刻的发热点数据yt+1，其中，p为步长，根据模型训练过程中的预测误差确定。

9、所述温度时间序列预测模型的训练集采用滑动窗口的方式构造，即每组训练数据之间仅相差一个时间点，得到训练样本{[xt，xt-1，...，xt-p]，[xt-1，xt-2，...，xt-p-1]，...，[xp，xp-1，...，x0]}，以及对应的预测目标：{yt+1，yt，...，yt-1，...，yp+1}。

10、所述基于lstm的温度时间序列预测模型的基本单元是记忆模块，其中包含记忆单元和三个控制记忆单元状态的门结构，分别是忘记门、输入门和输出门；忘记门决定从记忆单元状态中忘记无用的历史信息，输入门决定当前输入数据对记忆单元状态的影响，输出门决定输出信息。

11、一种基于多点温度监测的gis隔离开关内部过热缺陷预测系统，包括：

12、温度数据采集模块，用于获取多个温度传感器采集的各个时刻的温度数据，其中，所述温度传感器分别设于隔离开关外壳左上、隔离开关外壳左下、隔离开关外壳右上、隔离开关外壳右下、与隔离开关连接的每个盆式绝缘子处和隔离开关所处环境中；

13、数据处理模块，用于根据温度数据采集模块采集的数据构建温度数据集；

14、预测模型构建与训练模块，用于构建基于lstm的温度时间序列预测模型，以当前时刻及历史多个时刻的温度序列数据作为输入，下一时刻的温度数据作为输出，对模型进行训练；

15、实时预测模块，用于实时监测温度传感器获取的温度数据并输入训练完成的温度时间序列预测模型，预测gis隔离开关内部发热点温度，并根据预测温度数据进行严重程度判断，实现过热缺陷预测。

16、所述温度数据集中的温度数据定义为：{xt|t＝1，2，...，n}和{yt|t＝1，2，...，n}，其中xt＝(x1t，x2t，x3t，x4t，x5t...xit，x(i+1)t)，x1t～x4t分别是隔离开关外壳左上、隔离开关外壳左下、隔离开关外壳右上、隔离开关外壳右下这四个测温点在t时刻的温度，x5t...xit表示i-5+1个盆式绝缘子测温点在t时刻的温度，i≥5，x(i+1)t表示环境测温点在t时刻的温度；xt代表t时刻的特征向量，yt代表预测目标温度序列。

17、所述温度时间序列预测模型以长度为p的温度序列数据来预测下一时刻的温度值，即，使用序列[xt，xt-1，...，xt-p]来预测t+1时刻的发热点数据yt+1，其中，p为步长，根据模型训练过程中的预测误差确定。

18、所述温度时间序列预测模型的训练集采用滑动窗口的方式构造，即每组训练数据之间仅相差一个时间点，得到训练样本

19、{[xt，xt-1，...，xt-p]，[xt-1，xt-2，...，xt-p-1]，...，[xp，xp-1，...，x0]}，以及对应的预测目标：{yt+1，yt，...，yt-1，...，yp+1}。

20、所述基于lstm的温度时间序列预测模型的基本单元是记忆模块，其中包含记忆单元和三个控制记忆单元状态的门结构，分别是忘记门、输入门和输出门；忘记门决定从记忆单元状态中忘记无用的历史信息，输入门决定当前输入数据对记忆单元状态的影响，输出门决定输出信息。

21、与现有技术相比，本发明具有以下有益效果：

22、1、本发明相比现有技术具有更准确的监测能力，检测准确性更高。本发明通过壳体的多点温度监测方案和长短记忆网络模型，可以充分挖掘发热点与多温度点的时间相关性，提高了检测准确性。

23、2、更高的实时性：本发明通过实时监测gis设备内部的数据，与在线监测服务器进行实时数据传输和处理，能够及时地发现隔离开关触头过热情况，并产生相应的报警信号，使得故障得以及时处理，避免了潜在的设备损坏和电力系统的不稳定。

24、3、适用场景更广：本发明适用于不同的过热缺陷应用场景，可以有效提高电力设备的过热缺陷检测能力，并确保gis设备的安全运行。