本技术涉及电力,特别是涉及一种换流阀组件状态预测方法、装置、设备、介质和产品。
背景技术:
1、在电力系统中,换流站中的换流阀组件是用于实现高压直流输电并控制电力流向的关键电力装置。通过测定换流阀中的电阻值和电容值可以确定换流阀组件的稳定性,进而提高高压直流输电系统的可靠性和安全性。
2、传统方法可以在待测电阻的两端连接测量引线,通过万用表、电容表等测量仪器对电阻两端的电压差进行测量,根据测量结果确定待测电阻的电阻值和电容值。再通过测量得到的电阻值和电容值,对换流阀组件进行故障状态监测。然而,由于现有技术通过测量数据实现故障判断的方法成本高、效率低,且人工测量误差大、故障判断的准确度不高。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种换流阀组件状态预测方法、装置、设备、介质和产品。
2、第一方面,本技术提供了一种换流阀组件状态预测方法,包括:
3、获取换流阀组件的电容影响数据、电阻影响数据和电参数波形数据;
4、获取目标状态预测模型,其中,目标状态预测模型通过对训练样本的样本权重迭代更新,并根据样本权重以组合多个初始模型得到,训练样本包括历史特征数据、历史电路数据和历史波形数据;
5、将电容影响数据、电阻影响数据和电参数波形数据输入目标状态预测模型,得到目标预测结果,预测结果至少包括目标电容值、目标电压值或目标故障状态中的至少一种。
6、在其中一个实施例中,该方法还包括:
7、获取各初始模型,其中,初始模型包括参数预测模型和故障预测模型,参数预测模型用于对电容值和电阻值进行预测,故障预测模型用于预测换流阀组件的故障状态;
8、将预设样本权重的训练样本输入参数预测模型以确定参数预测精度;并将预设样本权重的训练样本输入故障预测模型以确定故障预测精度;
9、根据参数预测精度和故障预测精度更新预设样本权重,得到更新后的样本权重;并对参数预测精度和故障预测精度进行比较,得到比较结果;
10、根据比较结果确定初始状态预测模型,将更新后的样本权重的训练样本输入初始状态预测模型进行迭代训练,得到目标状态预测模型。
11、在其中一个实施例中,将预设样本权重的训练样本输入参数预测模型以确定参数预测精度,包括:
12、获取参数预测模型输出的加权预测电路数据,根据加权预测电路数据和历史电路数据确定参数预测模型的预测误差;
13、获取预设阈值,判断预测误差在不同预设阈值下的关系,得到多个判断结果;
14、根据各判断结果确定参数预测精度。
15、在其中一个实施例中,历史电路数据包括历史电阻数据和历史电容数据,历史特征数据包括历史电阻影响数据和历史电容影响数据,该方法还包括:
16、判断历史特征数据与历史电路数据的对应关系;
17、若对应关系为线性关系,则对线性关系对应的历史特征数据和历史电路数据进行训练,得到线性回归预测模型;
18、若对应关系为非线性关系,则对非线性关系对应的历史特征数据和历史电路数据进行训练,得到非线性回归预测模型。
19、在其中一个实施例中,对线性关系对应的历史特征数据和历史电路数据进行训练,得到线性回归预测模型,包括:
20、构建初始线性回归预测模型,在初始线性回归预测模型对线性关系对应的历史特征数据进行预测,得到预测电路数据;
21、获取初始线性回归预测模型的损失函数,将预测电路数据和线性关系对应的历史电路数据代入损失函数,计算损失值;
22、基于最小化损失值对初始线性回归预测模型的模型参数进行更新,得到线性回归预测模型。
23、在其中一个实施例中,对非线性关系对应的历史特征数据和历史电路数据进行训练,得到非线性回归预测模型,包括:
24、基于支持向量机构建初始非线性回归预测模型,并构建初始非线性回归预测模型的目标函数;
25、在非线性关系对应的历史特征数据中确定第一特征变量和第二特征变量,将第一特征变量、第二特征变量和历史电路数据代入目标函数;
26、通过最大化处理目标函数确定目标模型参数,对初始非线性回归预测模型配置目标模型参数,得到非线性回归预测模型。
27、第二方面,本技术还提供了一种换流阀组件状态预测装置,包括:
28、数据获取模块,用于获取换流阀组件的电容影响数据、电阻影响数据和电参数波形数据;
29、模型获取模块,用于获取目标状态预测模型,其中,目标状态预测模型通过对训练样本的样本权重迭代更新,并根据样本权重以组合多个初始模型得到,训练样本包括历史特征数据、历史电路数据和历史波形数据;
30、预测模块,用于将电容影响数据、电阻影响数据和电参数波形数据输入目标状态预测模型,得到目标预测结果,预测结果至少包括目标电容值、目标电压值或目标故障状态中的至少一种。
31、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
32、获取换流阀组件的电容影响数据、电阻影响数据和电参数波形数据;
33、获取目标状态预测模型,其中,目标状态预测模型通过对训练样本的样本权重迭代更新,并根据样本权重以组合多个初始模型得到,训练样本包括历史特征数据、历史电路数据和历史波形数据;
34、将电容影响数据、电阻影响数据和电参数波形数据输入目标状态预测模型,得到目标预测结果,预测结果至少包括目标电容值、目标电压值或目标故障状态中的至少一种。
35、第四方面,本技术还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:
36、获取换流阀组件的电容影响数据、电阻影响数据和电参数波形数据;
37、获取目标状态预测模型,其中,目标状态预测模型通过对训练样本的样本权重迭代更新,并根据样本权重以组合多个初始模型得到,训练样本包括历史特征数据、历史电路数据和历史波形数据;
38、将电容影响数据、电阻影响数据和电参数波形数据输入目标状态预测模型,得到目标预测结果,预测结果至少包括目标电容值、目标电压值或目标故障状态中的至少一种。
39、第五方面,本技术还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:
40、获取换流阀组件的电容影响数据、电阻影响数据和电参数波形数据;
41、获取目标状态预测模型,其中,目标状态预测模型通过对训练样本的样本权重迭代更新,并根据样本权重以组合多个初始模型得到,训练样本包括历史特征数据、历史电路数据和历史波形数据;
42、将电容影响数据、电阻影响数据和电参数波形数据输入目标状态预测模型,得到目标预测结果,预测结果至少包括目标电容值、目标电压值或目标故障状态中的至少一种。
43、上述换流阀组件状态预测方法、装置、设备、介质和产品,通过获取换流阀组件的电容影响数据、电阻影响数据和电参数波形数据;获取目标状态预测模型,其中,目标状态预测模型通过对训练样本的样本权重迭代更新,并根据样本权重以组合多个初始模型得到,训练样本包括历史特征数据、历史电路数据和历史波形数据;将电容影响数据、电阻影响数据和电参数波形数据输入目标状态预测模型,得到目标预测结果,预测结果至少包括目标电容值、目标电压值或目标故障状态中的至少一种。本技术在对换流阀组件的状态进行预测时,将多个独立训练的初始模型的预测结果进行结合,将换流阀的电容值、电压值或故障状态关联,对各初始模型的预测结果进行互补,提高目标状态预测模型的准确度和对多样性数据的适应能力,提高对换流阀状态预测的准确性,降低预测误差。本技术可以通过目标状态预测模型直接获取到多个模型的预测结果,在对换流阀组件的性能检测中,可以提高预测效率、降低成本。此外,由于本技术中不同的初始模型在不同的训练数据和初始条件下独立优化,还可以提高目标状态预测模型的稳定性。