一种开关柜的健康状态评估方法、系统、设备及介质与流程

本技术涉及电力设备，尤其涉及一种开关柜健康状态评估方法、系统、计算机设备及计算机存储介质。

背景技术：

1、电力设备的安全是电网运行的基础，电力设备故障发生的主要原因是长期运行致使设备性能劣化所造成的，其中，电气性能劣化是由于设备内部或表面发生局部放电(下文用“局放”)造成设备绝缘性能下降。电气设备性能劣化是一种渐进过程，当劣化积累到一定量才会爆发出来，导致设备爆炸和起火燃烧等。

2、设备性能劣化出现的小间隙或裂缝都伴随有局放发生，较高的局放量是材料绝缘击穿或失效的前兆，通过对设备局放的早期检测可以发现其潜在的安全隐患，有助于采取早期措施防止电力设备故障。

3、根据被检测信号的类型，局放检测方法分为电检测法和非电检测法，其中电检测法包括脉冲电流法、超高频检测法和特高频检测法；非电检测法包括超声波检测法、气体检测法和光检测法。

4、因局放信号受噪声干扰大，影响局部放电信号诊断的结果，局放信号的频域表现为非稀疏非带限，所以采样频率高，采样数据量大，对在线检测设备的计算能力、存储能力和通信能力要求较高。

技术实现思路

1、本技术提供了一种开关柜健康状态评估方法、系统、计算机设备和存储介质，以解决现有局放检测存在的受噪声影响大、检测结果准确率低、以及对检测设备要求高的技术问题，实现准确检测局放，判断开关柜的健康状态，且能够降低对检测设备的计算、存储和通信能力的需求。

2、为解决上述技术问题，第一方面，本技术提供了一种开关柜的健康状态评估方法，所述方法包括：

3、获取不同健康状态的开关柜的局放测量数据；

4、对所述局放测量数据进行预处理，以获取所述局放测量数据的趋势分量、周期分量和残差；

5、对所述残差进行降噪处理和特征提取，以获取特征数据集；

6、根据所述特征数据集和所述特征数据集对应的开关柜的健康状态对开关柜健康状态评估模型进行模型训练和模型参数更新；

7、采集待检测开关柜的局放测量数据，得到所述待检测开关柜的局放测量数据的特征数据集，将所述待检测开关柜的局放测量数据的特征数据集输入训练完成的开关柜健康状态评估模型，以获得所述待检测开关柜的健康状态评估结果。

8、优选的，所述获取不同健康状态的开关柜的局放测量数据，包括：

9、采集不同健康状态的开关柜的局放测量原始数据；

10、将所述局放测量原始数据中一个周波的数据按照不同的数量步长进行再采样，获得多组不同采样频率的局放测量数据。

11、优选的，所述对所述局放测量数据进行预处理，以获取所述局放测量数据的趋势分量、周期分量和残差，包括：

12、基于时序序列分解算法和局部加权回归算法将所述局放测量数据分解为趋势分量、周期分量；

13、根据所述局放测量数据的趋势分量和周期分量计算所述局放测量数据的残差。

14、优选的，所述对所述残差进行降噪处理，包括：

15、对所述残差的峰值进行排序，滤除所述峰值绝对值中特定占比的较大值，消除暂态噪声；

16、将所述残差的绝对值按降序排列，获取所述残差的绝对值曲线，计算所述绝对值曲线的拐点，将所述残差的绝对值低于所述拐点的数据点置0，消除背景噪声。

17、优选的，所述对所述残差进行特征提取，包括：

18、提取所述残差的峰值数目、峰值的绝对值之和和峰值绝对值的标准偏差；

19、将所述峰值数目、峰值的绝对值之和和峰值绝对值的标准偏差聚合，得到特征向量。

20、优选的，所述根据所述特征数据集和所述特征数据集对应的开关柜的健康状态对开关柜健康状态评估模型进行模型训练和模型参数更新，包括：

21、构建lstm模块；

22、所述lstm模块的遗忘门的计算公式为：

23、ft＝σ(wf·[ht-1，xt]+bf)，

24、其中，向量[ht-1，xt]中，xt为输入，ht-1为上一步的输出隐藏状态，wf为计算遗忘门状态环节的权重，bf为计算遗忘门状态的偏置量，σ为激活函数；

25、所述lstm模块的单元候选状态的计算公式为：

26、

27、其中，wc为计算候选状态环节的权重，bc为计算候选状态环节的偏置量；

28、所述lstm模块的输入门向量的计算公式为：

29、it＝σ(wi·[ht-1，xt]+bi)，

30、其中，wi为计算输入门向量环节的权重，bi为计算输入门向量环节的偏置量；

31、所述lstm模块的当前单元状态的计算公式为：

32、

33、所述lstm模块的输出门的计算公式为：

34、0t＝σ(wo·[ht-1，xt]+bo)，

35、其中，wo为计算输出门环节的权重，bo为计算输出门环节的偏置量；

36、所述lstm模块的输出隐藏状态的计算公式为：

37、ht＝0t*tanh(ct)。

38、优选的，所述根据所述特征数据集和所述特征数据集对应的开关柜的健康状态对开关柜健康状态评估模型进行模型训练和模型参数更新，还包括：

39、基于所述lstm模块构建开关柜健康状态评估模型，所述开关柜健康状态评估模型包括多个所述lstm模块；

40、对输入所述开关柜健康状态评估模型的特征数据集和所述特征数据集对应的开关柜的健康状态进行学习，以确定所述开关柜健康状态评估模型的参数。

41、第二方面，本技术还提供了一种开关柜的健康状态评估系统，所述系统包括：数据获取单元、数据处理单元、特征提取单元、模型训练单元和状态评估单元；

42、所述数据获取单元：用于获取不同健康状态的开关柜的局放测量数据；

43、所述数据处理单元：用于对所述局放测量数据进行预处理，以获取所述局放测量数据的趋势分量、周期分量和残差；

44、所述特征提取单元：用于对所述残差进行降噪处理和特征提取，以获取特征数据集；

45、所述模型训练单元：用于根据所述特征数据集和所述特征数据集对应的开关柜的健康状态对开关柜健康状态评估模型进行模型训练和模型参数更新；

46、所述状态评估单元：用于采集待检测开关柜的局放测量数据，得到所述待检测开关柜的局放测量数据的特征数据集，将所述待检测开关柜的局放测量数据的特征数据集输入训练完成的开关柜健康状态评估模型，以获得所述待检测开关柜的健康状态评估结果。

47、第三方面，本技术还提供一种计算机设备，所述计算机设备包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并将存储的数据传输给处理器，处理器执行存储器存储的程序指令，以执行上述所述的方法。

48、第四方面，本技术还提供一种计算机可读存储介质，述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现上述所述的方法。

49、本技术提供了一种开关柜的健康状态评估方法、系统、计算机设备及计算机存储介质。所述方法包括：根据采集不同健康状态的开关柜的局放测量数据，基于时序序列分解算法和局部加权回归算法将局放测量数据分解为趋势分量、周期分量和残差，对残差进行降噪处理和特征提取，以获取特征数据集，基于lstm模块构建开关柜健康状态评估模型，并将特征数据集和所述特征数据集对应的开关柜的健康状态输入开关柜健康状态评估模型进行模型训练和模型参数更新，利用训练完成的开关柜健康状态评估模型对待检测开关柜的健康状态进行评估。本技术提供的开关柜的健康状态评估方法能有效减小局放信号受噪声的干扰，提升诊断结果的准确性，且以一个周波的残值的特征提取结果为特征数据集，数据量大大减小，降低对设备计算能力、通信能力和存储能力的需求。