一种基于神经网络来确定互感器绝缘状态的方法及装置制造方法及图纸

本申请公开了一种基于神经网络的互感器绝缘状态的评估方法及装置。其中，包括：将环氧树脂的性能评估指标作为训练基于神经网络的互感器绝缘状态评估的原始样本；利用bagging算法将所述原始样本生成多个BP神经网络的多个子训练样本集，将所述多个子训练样本集构建成多个BP神经网络个体，其中所述多个BP神经网络个体与所述多个子训练样本集一一对应；将所述多个BP神经网络个体的输出结果进行加权计算，确定基于神经网络的互感器绝缘状态评估模型；以及利用所述基于神经网络的互感器绝缘状态评估模型评估待评估环氧树脂。态评估模型评估待评估环氧树脂。态评估模型评估待评估环氧树脂。

【技术实现步骤摘要】
一种基于神经网络来确定互感器绝缘状态的方法及装置


[0001]本专利技术涉及互感器领域，并且更具体地，涉及一种基于神经网络来确定互 感器绝缘状态的方法及装置。

技术介绍

[0002]互感器作为电力系统中重要的电气设备，主要用来对电网进行测量、监视、 保护与控制，能够及时地反映电网的运行状态。10～35kV配电网中一般采用环 氧树脂浇注式互感器。在实际工况中，互感器所处的环境常常会遭遇如高温、 极寒、温度剧变、潮湿雨天等情况，各种环境因素会对配网互感器的外部绝缘 材料(即环氧树脂)的特性产生影响，导致环氧树脂的电气、机械、理化性能 均会发生变化，如介质损耗因数增大、电阻率减小等，最终导致互感器失效。 分析互感器的外部绝缘材料(即环氧树脂)的各项电气、机械、理化性能指标 可掌握环氧树脂的绝缘状态，了解配网互感器的绝缘状况，提早发现配网互感 器绝缘内部存在的潜伏性故障，对保障互感器的正常运行具有极大意义。
[0003]目前针对互感器绝缘状态评估的方法，主要围绕互感器的某一个性能进行 单次测量，测试结果比较单一而且误差较大，不能完全反应出互感器绝缘的真 实状态。
[0004]针对上述的现有技术中存在的围绕互感器的某一个性能对互感器绝缘状态 进行单次测量的方法，测试结果比较单一而且误差较大，不能完全反应出互感 器绝缘的真实状态的技术问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本公开的实施例提供了一种基于神经网络来确定互感器绝缘状态的方法及 装置，以至少解决现有技术中存在的围绕互感器的某一个性能对互感器绝缘状 态进行单次测量的方法，测试结果比较单一而且误差较大，不能完全反应出互 感器绝缘的真实状态的技术问题。
[0006]根据本公开实施例的一个方面，提供了一种基于神经网络的互感器绝缘状 态的评估方法，包括：将预先采集的与互感器绝缘状态相关的样本集作为对用 于确定互感器绝缘状态的互感器绝缘状态模型进行训练的原始样本集；将原始 样本集划分为与多个BP神经网络模型相关联的多个训练样本集，其中BP神经 网络模型的数量与训练样本集的数量相同并且每个BP神经网络模型与相应的 一个训练样本集相对应；利用每个训练样本集对相应的BP神经网络模型进行 训练，得到经过训练的多个BP神经网络模型；利用每个经过训练的BP神经网 络模型检测互感器的绝缘状态，获得与BP神经网络模型对应的测量值，其中 测量值的数量与BP神经网络模型的数量相同并且每个测量值与相应的一个BP 神经网络模型相对应；以及将多个测量值进行加权计算得到多个测量值的加权 值，并且根据多个测量值的加权值所归属的区间范围确定互感器的绝缘性能。
[0007]根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括 存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。
[0008]根据本公开实施例的另一个方面，还提供了一种基于神经网络的互感器绝 缘状态的评估装置，包括：作为模块，用于将预先采集的与互感器绝缘状态相 关的样本集作为对用于确定互感器绝缘状态的互感器绝缘状态模型进行训练的 原始样本集；划分模块，用于将原始样本集划分为与多个BP神经网络模型相 关联的多个训练样本集，其中BP神经网络模型的数量与训练样本集的数量相 同并且每个BP神经网络模型与相应的一个训练样本集相对应；训练模块，用 于利用每个训练样本集对相应的BP神经网络模型进行训练，得到经过训练的 多个BP神经网络模型；检测模块，用于利用每个经过训练的BP神经网络模型 检测互感器的绝缘状态，获得与BP神经网络模型对应的测量值，其中测量值 的数量与BP神经网络模型的数量相同并且每个测量值与相应的一个BP神经网 络模型相对应；以及确定模块，用于将多个测量值进行加权计算得到多个测量 值的加权值，并且根据多个测量值的加权值所归属的区间范围确定互感器的绝 缘性能。
[0009]在本公开实施例中，将与互感器绝缘状态相关的原始样本集划分为与多个 BP神经网络模型相关联的多个训练样本集，利用每个训练样本集对相应的BP 神经网络模型进行训练，得到经过训练的多个BP神经网络模型。利用每个经 过训练的BP神经网络模型检测互感器的绝缘状态，获得与BP神经网络模型对 应的测量值，将多个测量值进行加权计算得到多个测量值的加权值，并且根据 多个测量值的加权值所归属的区间范围确定互感器的绝缘性能。
[0010]通过这种方式，利用多个神经网络模型从多个方面的指标对互感器的绝缘 状态进行测量，获得多个测量值，并且神经网络模型是基于多个不同绝缘状态 的训练样本集进行训练过的。而且，将多个测量值进行加权计算得到加权值， 根据多个测量值的加权值所归属的区间范围确定互感器的绝缘性能。从而，测 量出互感器的真实性能，克服了传统单一指标测试时可能出现的分散性和测量 误差，也避免了单一神经网络评估模型可能出现的稳定性较差、准确性较低的 风险。进而解决了现有技术中存在的围绕互感器的某一个性能对互感器绝缘状 态进行单次测量的方法，测试结果比较单一而且误差较大，不能完全反应出互 感器绝缘的真实状态的技术问题。
附图说明
[0011]此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分， 本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限 定。在附图中：
[0012]图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框 图；
[0013]图2是根据本公开实施例1的第一个方面所述的基于神经网络来确定互感 器绝缘状态的方法的流程示意图；
[0014]图3是根据本公开实施例1的第一个方面所述的基于BP神经网络模型对 互感器绝缘状态进行检测的流程示意图；
[0015]图4是根据本公开实施例2所述的基于神经网络来确定互感器绝缘状态的 装置的示意图；以及
[0016]图5是根据本公开实施例3的所述的基于神经网络来确定互感器绝缘状态 的装置的示意图。
具体实施方式
[0017]为了使本
的人员更好地理解本公开的技术方案，下面将结合本公 开实施例中的附图，对本公开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公开一部分的实施例，而不是全部的实施例。基 于本公开中的实施例，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，都应当属于本公开保护的范围。
[0018]需要说明的是，本公开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，以便这里描述的本公开的实 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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络来确定互感器绝缘状态的方法，其特征在于，包括：将预先采集的与互感器绝缘状态相关的样本集作为对用于确定互感器绝缘状态的互感器绝缘状态模型进行训练的原始样本集；将所述原始样本集划分为与多个BP神经网络模型相关联的多个训练样本集，其中BP神经网络模型的数量与训练样本集的数量相同并且每个BP神经网络模型与相应的一个训练样本集相对应；利用每个训练样本集对相应的BP神经网络模型进行训练，得到经过训练的多个BP神经网络模型；利用每个经过训练的BP神经网络模型检测互感器的绝缘状态，获得与经过训练的BP神经网络模型对应的测量值，其中所述测量值的数量与所述BP神经网络模型的数量相同并且每个测量值与相应的一个BP神经网络模型相对应；以及将多个测量值进行加权计算得到所述多个测量值的加权值，并且根据所述多个测量值的加权值所归属的区间范围确定所述互感器的绝缘性能。2.根据权利要求1所述的方法，其特征在于，将预先采集的与互感器绝缘状态相关的样本集作为对用于确定互感器绝缘状态的互感器绝缘状态模型进行训练的原始样本集的操作，包括：根据预先采集的与互感器绝缘状态相关的样本集，确定所述原始样本集的种类数量。3.根据权利要求1所述的方法，其特征在于，利用每个训练样本集对相应的BP神经网络模型进行训练，得到经过训练的多个BP神经网络模型的操作，包括：确定所述经过训练的BP神经网络模型为输入层、隐藏层以及输出层。4.根据权利要求3所述的方法，其特征在于，确定所述经过训练的BP神经网络模型为输入层、隐藏层以及输出层的操作，包括：根据所述原始样本集的种类数量，确定所述经过训练的BP神经网络模型的输入层节点数；确定所述经过训练的BP神经网络模型的输出层节点数以及所述经过训练的BP神经网络模型的输出层的传递函数；以及确定所述经过训练的BP神经网络模型的隐藏层节点数以及所述经过训练的BP神经网络模型的隐藏层的传递函数。5.根据权利要求4所述的方法，确定所述经过训练的BP神经网络模型的输出层节点数以及所述经过训练的BP神经网络模型的输出层的传递函数的操作，包括：确定所述经过训练的BP神经网络模型的输出层节点数为1；以及确定所述经过训练的BP神经网络模型的输出层的传递函数为sigmod函数。6.根据权利要求4所述的方法，确定所述经过训练的BP神经网络模型的隐藏层节点数以及所述经过训练的BP神经网络模型的隐藏层的传递函数的操作，包括：确定所述经过训练的BP神经...

【专利技术属性】
技术研发人员：陈习文，张军，王斯琪，卢冰，郭子娟，陈卓，郭鹏，王旭，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：