互感器剩余寿命预测模型训练方法技术

本发明专利技术涉及一种互感器剩余寿命预测模型训练方法

【技术实现步骤摘要】
互感器剩余寿命预测模型训练方法、应用方法及电子设备


[0001]本专利技术涉及电力计量监测领域，具体涉及一种互感器剩余寿命预测模型训练方法
、
应用方法
、
电子设备及计算机可读存储介质
。

技术介绍

[0002]电容式电压互感器
(CVT
，
Capacitor voltage transformer)
是高压电能计量系统的重要组成部分，其稳定可靠是保证电能计量准确，电能公平交易的基础
。
对
CVT
进行准确的剩余寿命预测可以使维修人员及时监控互感器的运行状态，有效评估其健康状况，提前做出预防性维修策略
。
[0003]目前现有技术通常采用基于深度学习的方法对
CVT
设备的剩余寿命进行预测，但是只有建立在训练数据和待测数据处于相同分布的基础上，才能得到较好的预测效果
。
然而在实际应用场景中，由于
CVT
的运行工况存在差异，得到的工况数据在分布上也存在差异，现有技术虽然通过学习跨域不变的特征，减少不同工况下特征数据的分布差异，但难以提取到足够的域不变特征，并且忽略不同退化阶段的特征差异，预测效果较差，无法在多工况条件下对
CVT
剩余寿命进行准确预测
。

技术实现思路

[0004]有鉴于此，有必要提供一种互感器剩余寿命预测模型训练方法
、
应用方法
、
电子设备及计算机可读存储介质，用于解决现有技术对于互感器的工况差异，难以提取到足够的域不变特征，并且忽视了不同工况和不同退化阶段的差异化特征，无法在多工况条件下对
CVT
剩余寿命进行准确预测的技术问题
。
[0005]为了解决上述问题，一方面，本专利技术提供了一种互感器剩余寿命预测模型训练方法，包括：
[0006]获取互感器的多维时序数据和工况数据，对多维时序数据进行预处理得到多维时序训练集；
[0007]基于聚类算法对工况数据进行聚类处理得到工况分组，将剩余寿命进行分组得到退化阶段分组，根据工况分组和退化阶段分组将多维时序训练集进行特定域分组得到特定域训练集；
[0008]构建初始互感器剩余寿命预测模型，初始互感器剩余寿命预测模型包括公共特征提取器
、
特定域特征提取器和特定域寿命预测器；
[0009]将特定域训练集输入初始互感器剩余寿命预测模型，基于公共特征提取器提取公共特征，基于特定域特征提取器提取特定域特征，基于特定域寿命预测器预测得到特定域预测寿命，迭代训练初始互感器剩余寿命预测模型，得到训练完备的互感器剩余寿命预测模型
。
[0010]进一步的，获取互感器的多维时序数据，包括：
[0011]采集互感器一段时间区间的各指标数据；
[0012]将时间区间划分为多个时间子区间，将各指标数据按时间子区间进行划分，并计算各时间子区间内指标数据的最大值
、
最小值
、
平均值和标准差，得到互感器的多维时序数据
。
[0013]进一步的，对多维时序数据进行预处理得到多维时序训练集，包括：
[0014]将特征数据组成特征参数序列，根据特征参数序列中每个数据对应的时间子区间，建立对应时间序列；
[0015]根据特征参数序列和时间序列计算各个特征的相关性指标
、
单调性指标和离散性指标；
[0016]合并相关性指标
、
单调性指标和离散性指标得到综合指标，设定综合指标阈值，剔除综合指标低于综合指标阈值的特征数据
。
[0017]进一步的，基于聚类算法对工况数据进行聚类处理得到工况分组，包括：
[0018]对工况数据进行数值化编码，并归一化处理得到工况样本；
[0019]基于共享领域密度峰值聚类算法对工况样本进行聚类处理，根据聚类结果得到工况样本的工况分组
。
[0020]进一步的，将剩余寿命进行分组得到退化阶段分组，包括：
[0021]将剩余寿命的时长划分为多个退化阶段，并根据划分的退化阶段将剩余寿命进行分组得到退化阶段分组
。
[0022]进一步的，构建初始互感器剩余寿命预测模型，包括：
[0023]构建由公共特征提取器
、
多个特定域特征提取器和多个特定域寿命预测器组成的初始互感器剩余寿命预测模型，特定域特征提取器和特定域寿命预测器与特定域训练集的各特定域分组相对应
。
[0024]进一步的，将特定域训练集输入初始互感器剩余寿命预测模型，基于公共特征提取器提取公共特征，基于特定域特征提取器提取特定域特征，基于特定域寿命预测器预测得到特定域预测寿命，迭代训练初始互感器剩余寿命预测模型，得到训练完备的互感器剩余寿命预测模型，包括：
[0025]将特定域训练集中训练样本输入公共特征提取器得到训练样本的公共特征，将公共特征输入各特定域特征提取器得到训练样本的各特定域特征，将特定域特征输入各对应的特定域寿命预测器得到训练样本的各特定域预测寿命，计算各特定域预测寿命的平均值得到剩余寿命预测结果；
[0026]以最小化损失函数作为优化目标，调整初始互感器剩余寿命预测模型的网络参数，直至损失不再降低，得到训练完备的互感器剩余寿命预测模型
。
[0027]另一方面，本专利技术还提供了一种互感器剩余寿命预测模型应用方法，包括：
[0028]获取待测互感器的实时运行数据和实时工况数据；
[0029]将待测互感器的实时运行数据和实时工况数据输入到训练完备的互感器剩余寿命预测模型，其中，训练完备的互感器剩余寿命预测模型根据上述任一项的互感器剩余寿命预测模型训练方法确定；
[0030]训练完备的互感器剩余寿命预测模型输出待测互感器的预测剩余寿命
。
[0031]另一方面，本专利技术还提供了一种电子设备，包括处理器
、
存储器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现根据上述任一项的互感器剩
余寿命预测模型训练方法，和
/
或根据上述的互感器剩余寿命预测模型应用方法
。
[0032]另一方面，本专利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，实现根据上述的互感器剩余寿命预测模型训练方法，和
/
或根据上述的互感器剩余寿命预测模型应用方法
。
[0033]与现有技术相比，采用上述实施例的有益效果是：本专利技术通过工况分组和退化阶段分组对多维时序训练集进行特定域分组，并通过提取样本的公共特征捕获样本的域不变特征，通过提取样本的特定域特征捕获样本的差异化特征，实现在多工况条件下对电容式电压互感器剩余寿命进行准确预测
。
附图说明
[0034]为了更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种互感器剩余寿命预测模型训练方法，其特征在于，所述方法包括：获取互感器的多维时序数据和工况数据，对所述多维时序数据进行预处理得到多维时序训练集；基于聚类算法对所述工况数据进行聚类处理得到工况分组，将所述剩余寿命进行分组得到退化阶段分组，根据所述工况分组和所述退化阶段分组将所述多维时序训练集进行特定域分组得到特定域训练集；构建初始互感器剩余寿命预测模型，所述初始互感器剩余寿命预测模型包括公共特征提取器
、
特定域特征提取器和特定域寿命预测器；将所述特定域训练集输入所述初始互感器剩余寿命预测模型，基于公共特征提取器提取公共特征，基于特定域特征提取器提取特定域特征，基于特定域寿命预测器预测得到特定域预测寿命，迭代训练所述初始互感器剩余寿命预测模型，得到训练完备的互感器剩余寿命预测模型
。2.
根据权利要求1所述的互感器剩余寿命预测模型训练方法，其特征在于，所述获取互感器的多维时序数据，包括：采集互感器一段时间区间的各指标数据；将所述时间区间划分为多个时间子区间，将各指标数据按所述时间子区间进行划分，并计算各时间子区间内指标数据的最大值
、
最小值
、
平均值和标准差，得到互感器的多维时序数据
。3.
根据权利要求2所述的互感器剩余寿命预测模型训练方法，其特征在于，所述对所述多维时序数据进行预处理得到多维时序训练集，包括：将所述特征数据组成特征参数序列，根据特征参数序列中每个数据对应的时间子区间，建立对应时间序列；根据所述特征参数序列和所述时间序列计算各个特征的相关性指标
、
单调性指标和离散性指标；合并相关性指标
、
单调性指标和离散性指标得到综合指标，设定综合指标阈值，剔除综合指标低于所述综合指标阈值的特征数据
。4.
根据权利要求1所述的互感器剩余寿命预测模型训练方法，其特征在于，所述基于聚类算法对所述工况数据进行聚类处理得到工况分组，包括：对所述工况数据进行数值化编码，并归一化处理得到工况样本；基于共享领域密度峰值聚类算法对所述工况样本进行聚类处理，根据聚类结果得到所述工况样本的工况分组
。5.
根据权利要求1所述的互感器剩余寿命预测模型训练方法，其特征在于，所述将所述剩余寿命进行分组得到退化阶段分组，包括：将剩余寿命的时长划分为多个退化阶段，并根据划分的退化阶段将剩...

【专利技术属性】
技术研发人员：寇德谦，苏焰，燕伯峰，刘宇鹏，黄欣，段钧，田晓云，李颖慧，王宇，
申请(专利权)人：内蒙古电力集团有限责任公司内蒙古超高压供电分公司，
类型：发明
国别省市：