本发明涉及高压断路器,尤其涉及一种gis断路器机械状态预测方法、系统、电子设备及存储介质。
背景技术:
1、机械状态预测可以实现机械故障的早期预警,对gis断路器的安全运行和提高电力系统的可靠性具有重要意义。
2、目前,针对于gis断路器的状态预测,通常是采用卷积神经网络模型,然而,卷积神经网络模型cnn更适用于处理图像等空间结构数据,通过参数共享实现对平移不变性的学习。而针对于gis断路器的状态预测,是以当前的数据预测未来的数据,即处理的数据为序列数据。因此,基于cnn对gis断路器的状态预测存在准确率不高的缺陷。
技术实现思路
1、本发明提供一种gis断路器机械状态预测方法、系统、电子设备及存储介质,用以解决现有技术中基于cnn对gis断路器的状态预测,准确率不高的缺陷,实现通过长短期记忆神经网络和支持向量机的结合对gis断路器的机械状态的准确预测。
2、本发明提供一种gis断路器机械状态预测方法,包括:
3、获取gis断路器的力学特性参数,所述力学特性参数包括:分断信号、触点行程和脱扣线圈电流;
4、将所述力学特性参数输入力学特性参数预测模型,得到预测力学特性参数;
5、基于所述预测力学特性参数,计算所述gis断路器的预测机械特性参数;
6、将所述预测机械特性参数输入机械状态预测模型,得到所述gis断路器的状态预测结果;
7、其中,所述力学特性参数预测模型为基于所述gis断路器的力学特性参数样本训练得到的lstm模型;所述机械状态预测模型为基于所述gis断路器的机械特性参数样本训练得到的svm模型。
8、根据本发明所述的gis断路器机械状态预测方法,所述力学特性参数预测模型的训练过程,包括:
9、分别获取所述gis断路器的开启接触行程数据样本、脱扣线圈电流数据样本以及任一相的断相信号数据样本,作为所述力学特性参数样本;
10、对所述力学特性参数样本进行归一化处理,得到所述力学特性参数样本的标准化数据;
11、将所述标准化数据按照预设比例划分,分别构成训练集、验证集和测试集;
12、利用训练集对预设力学特性参数预测模型进行训练,并基于所述测试集进行测试,所述验证集进行验证,直至训练完成,得到训练好的所述力学特性参数预测模型。
13、根据本发明所述的gis断路器机械状态预测方法,所述利用训练集对预设力学特性参数预测模型进行训练,包括:
14、以所述预设力学特性参数预测模型输出的预测值与实际值间的均方误差作为损失函数,对所述预设力学特性参数预测模型进行训练。
15、根据本发明所述的gis断路器机械状态预测方法,所述分别获取所述gis断路器的开启接触行程数据样本、脱扣线圈电流数据样本以及任一相的历史断相信号数据样本,作为所述力学特性参数样本,包括:
16、按照预设状态类型,分别获取所述开启接触行程曲线、所述脱扣线圈电流曲线以及任一相的所述断相信号曲线;
17、将所述开启接触行程曲线、所述脱扣线圈电流曲线以及任一相的所述断相信号曲线,作为所述力学特性参数样本;
18、所述对所述力学特性参数样本进行归一化处理,包括:
19、将在不同所述预设状态类型下的所述开启接触行程曲线、所述脱扣线圈电流曲线以及任一相的所述断相信号曲线分别进行归一化。
20、根据本发明所述的gis断路器机械状态预测方法,所述svm模型的训练过程,包括:
21、基于所述力学特性参数样本,计算得到所述gis断路器的机械特性参数样本;
22、基于所述预设状态类型,将所述机械特性参数样本进行分类;
23、基于分类后的所述机械特性参数样本和对应的所述预设状态类型,在预设优化范围内不断优化预设svm模型的惩罚因子和核参数,直至基于所述惩罚因子和所述核参数的所述svm模型的预测准确率满足预设要求,得到训练好的所述svm模型。
24、本发明还提供一种gis断路器机械状态预测系统,包括:
25、参数获取模块,用于获取gis断路器的力学特性参数,所述力学特性参数包括:分断信号、触点行程和脱扣线圈电流;
26、第一处理模块,用于将所述力学特性参数输入力学特性参数预测模型,得到预测力学特性参数;
27、第二处理模块,用于基于所述预测力学特性参数,计算所述gis断路器的预测机械特性参数;
28、第三处理模块,用于将所述预测机械特性参数输入机械状态预测模型,得到所述gis断路器的状态预测结果;
29、其中,所述力学特性参数预测模型为基于所述gis断路器的力学特性参数样本训练得到的lstm模型;所述机械状态预测模型为基于所述gis断路器的机械特性参数样本训练得到的svm模型。
30、根据本发明所述的gis断路器机械状态预测系统,还包括:第一模型训练模块;
31、所述第一模型训练模块,用于分别获取所述gis断路器的开启接触行程数据样本、脱扣线圈电流数据样本以及任一相的断相信号数据样本,作为所述力学特性参数样本;对所述力学特性参数样本进行归一化处理,得到所述力学特性参数样本的标准化数据;将所述标准化数据按照预设比例划分,分别构成训练集、验证集和测试集;以及利用训练集对预设力学特性参数预测模型进行训练,并基于所述测试集进行测试,所述验证集进行验证,直至训练完成,得到训练好的所述力学特性参数预测模型。
32、根据本发明所述的gis断路器机械状态预测系统,还包括:第二模型训练模块;
33、所述第二模型训练模块,用于基于所述力学特性参数样本,计算得到所述gis断路器的机械特性参数样本;基于所述预设状态类型,将所述机械特性参数样本进行分类;以及基于分类后的所述机械特性参数样本和对应的所述预设状态类型,在预设优化范围内不断优化预设svm模型的惩罚因子和核参数,直至基于所述惩罚因子和所述核参数的所述svm模型的预测准确率满足预设要求,得到训练好的所述svm模型。
34、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述gis断路器机械状态预测方法。
35、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述gis断路器机械状态预测方法。
36、本发明提供的gis断路器机械状态预测方法、系统、电子设备及存储介质,通过获取gis断路器的包括分断信号、触点行程和脱扣线圈电流的力学特性参数,将力学特性参数输入力学特性参数预测模型,得到预测力学特性参数,基于预测力学特性参数,计算gis断路器的预测机械特性参数,并将预测机械特性参数输入机械状态预测模型,得到gis断路器的状态预测结果,而其中,力学特性参数预测模型为基于gis断路器的力学特性参数样本训练得到的lstm模型;机械状态预测模型为基于gis断路器的机械特性参数样本训练得到的svm模型,从而利用lstm模型处理序列数据、捕捉长期依赖关系、适应变长输入序列和理解上下文信息的能力,准确预测gis断路器的力学特性参数,之后通过svm模型对gis断路器的机械状态进行诊断,实现了对gis断路器机械状态的准确预测,为实现gis断路器机械状态的预测性维护奠定了基础。