【技术实现步骤摘要】
本专利技术涉及避雷器利用大数据进行智能监控的，具体而言，涉及一种基于机器学习的避雷器系统状态监控方法及系统。
技术介绍
1、相较于无源避雷器而言，有源避雷器能够通过主动监测与控制的手段实现避雷器的智能迅捷保护目的，目前对有源优先避雷器的运行状态监测主要是针对单个避雷器系统状态来执行的，例如基于站用电电压采样避雷器阻性电流原理来获取流经避雷器的电压、电流信号并进行分析，将采集的数据远程通讯给后台，以评估其运行状态和健康状况，这种方式能够对指定避雷器定期监测其阻性电流乃至其余参数以及时发现该避雷器的潜在问题。
2、但在实践中，一旦某台避雷器出现通讯异常或者意外离线，则可能无法及时获取其实时采集数据，导致无法准确判断其该时段内的运行状态，存在一定监测隐患。因此对丢失（通讯异常或者意外离线）避雷器的有效监控则成了关键问题，现有技术中针对历史数据通过机器学习的方式对丢失避雷器进行预测，这种方式虽然能够带来一定判断参考基础，但其准确性依赖于样本数据多样性与学习模型精度，尤其是在复杂多变的雷击环境中进行预测，其准确性无法得到验证。
技术实现思路
1、本专利技术的目的在于提供一种基于机器学习的避雷器系统状态监控方法及系统，该监控方法及系统通过在机器学习模型进行避雷器运行状态预测的基础上，结合关联避雷器的数据进行相似性判断，确定预测结果的可靠性，能够进一步保证预测结果的准确性。
2、本专利技术的实施例是这样实现的：
3、第一方面，一种基于机器学习的避雷器系统状态监
4、在可选地实施方式中，确定丢失避雷器的关联避雷器包括如下步骤：确定监测区域内除丢失避雷器以外的其余避雷器的参考历史数据；根据每个避雷器的参考历史数据与丢失避雷器的历史数据进行相似性比对，获得相似比对结果；将该相似比对结果作为筛选关联避雷器的基础；其中，参考历史数据是指与丢失避雷器历史数据同时段且同属性对应的历史数据。
5、在可选地实施方式中，确定丢失避雷器的关联避雷器还包括如下步骤：确定监测区域内除丢失避雷器以外的其余避雷器的点迭代模型的参考输出结果；根据每个避雷器的参考输出结果与丢失避雷器的点迭代模型上一次的输出结果进行相似性比对，获得相似比对结果；将该相似比对结果作为筛选关联避雷器的基础；其中，参考输出结果是指与丢失避雷器点迭代模型输出结果同时段且同一次对应的计算结果。
6、在可选地实施方式中，确定丢失避雷器的关联避雷器还包括如下步骤：确定监测区域内除丢失避雷器以外的其余避雷器的参考地理参数；根据每个避雷器的参考地理参数与丢失避雷器的地理参数进行相似性比对，获得相似比对结果；将该相似比对结果作为筛选关联避雷器的基础；其中，参考地理参数或地理参数包括地势高度、平面坐标或障碍物密度中的至少之一。
7、在可选地实施方式中，将该监测区域内所有避雷器的历史数据进行区域特性分析，构建区域聚类模型包括如下步骤：将所有历史数据进行标准化分类，得到多个分类簇；对每个分类簇内的数据进行无监督学习，得到每个分类簇的关键特征，并将该关键特征作为该分类簇的识别标签；对所有关键特征进行相似度量分析并获得度量分析结果；基于度量分析结果选择聚类规则与聚类算法来构建区域聚类模型。
8、在可选地实施方式中，将第一运行状态数据或者第二运行状态数据代入区域聚类模型中进行差异性分析包括如下步骤：将第一运行状态数据或者第二运行状态数据按照标准化分类方式进行拆分；将得到的拆分结果分别代入区域聚类模型获得多个计算结果；将每个计算结果分别与对应的关键特征进行距离计算，得到多组距离参量，以多组距离参量作为计算差异性结果的基础。
9、在可选地实施方式中，将第一差异性结果与第二差异性结果的对比结果作为预测结果的准确性判断基础包括如下步骤：将第一差异性结果与第二差异性结果各自对应的计算结果分别进行对比，获得多个对比值；将所有对比值进行合并并得到对比结果；将对比结果与预设阈值的差值作为准确性判断的参考值。
10、在可选地实施方式中，将第一差异性结果与第二差异性结果各自对应的计算结果分别进行对比之后还包括如下步骤：在第二差异性结果的计算过程中，将距离参量大于参考预设值对应的计算结果进行标记；将第二差异性结果的计算过程标记的计算结果与第一差异性结果的计算过程中对应的计算结果对比后的对比值赋予参考权重后在合并计算对比结果。
11、在可选地实施方式中，在确定参考权重时包括如下步骤：获取历史第二差异性结果的计算过程标记的计算结果与历史第一差异性结果的计算过程中对应的计算结果对比后的历史对比值，计算对比值与多个历史对比值的均值化结果来确定参考权重；其中，历史第二差异性结果、历史第一差异性结果与历史对比值指至少上一次的历史监测数据采用相同计算方式获得的结果。
12、第二方面，一种基于机器学习的避雷器系统状态监控系统，包括：
13、第一获取单元，其用于获取监测区域内每个避雷器的历史监测数据，根据每个避雷器的历史监测数据进行机器学习，获得该避雷器的点预测模型，并利用单个避雷器的实时监测数据对点预测模型进行优化，获得点迭代模型；
14、第一分析单元，其用于将该监测区域内所有避雷器的历史数据进行区域特性分析，构建区域聚类模型；
15、第一计算单元，其用于确定丢失避雷器的关键信息，关键信息包括丢失时段与坐标位置，利用对应的点迭代模型预测丢失避雷器的运行状态，记录丢失时段内的预测结果，预测结果表示该丢失避雷器的第一运行状态数据；
16、第二分析单元，其用于将第一运行状态数据代入区域聚类模型中进行差异性分析，获得第一差异性结果；
17、第三分析单元，其用于确定丢失避雷器的关联避雷器，获得关联避雷器在丢失时段内的第二运行状态数据，将第二运行状态数据代入区域聚类模型中进行差异性分析，获得第二差异性结果；
18、第二计算单元，其用于将第一差异性结果与第二差异性结果的对比结果作为预测结果的准确性判断基础。
19、本专利技术实施例的有益效果是：
20、本专利技术实施例提供的基于机器学习的避雷器系统状态监控方法及系统通过利用本文档来自技高网...
【技术保护点】
1.一种基于机器学习的避雷器系统状态监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的避雷器系统状态监控方法，其特征在于，所述确定所述丢失避雷器的关联避雷器包括如下步骤：
3.根据权利要求2所述的基于机器学习的避雷器系统状态监控方法，其特征在于，所述确定所述丢失避雷器的关联避雷器还包括如下步骤：
4.根据权利要求1-3中任一项权利要求所述的基于机器学习的避雷器系统状态监控方法，其特征在于，所述确定所述丢失避雷器的关联避雷器还包括如下步骤：
5.根据权利要求1所述的基于机器学习的避雷器系统状态监控方法，其特征在于，所述将该监测区域内所有避雷器的历史数据进行区域特性分析，构建区域聚类模型包括如下步骤：
6.根据权利要求5所述的基于机器学习的避雷器系统状态监控方法，其特征在于，将第一运行状态数据或者第二运行状态数据代入所述区域聚类模型中进行差异性分析包括如下步骤：
7.根据权利要求6所述的基于机器学习的避雷器系统状态监控方法，其特征在于，所述将所述第一差异性结果与所述第二差异性结果的对比结
8.根据权利要求7所述的基于机器学习的避雷器系统状态监控方法，其特征在于，将所述第一差异性结果与所述第二差异性结果各自对应的计算结果分别进行对比之后还包括如下步骤：在第二差异性结果的计算过程中，将距离参量大于参考预设值对应的计算结果进行标记；将第二差异性结果的计算过程标记的计算结果与第一差异性结果的计算过程中对应的计算结果对比后的对比值赋予参考权重后在合并计算所述对比结果。
9.根据权利要求8所述的基于机器学习的避雷器系统状态监控方法，其特征在于，在确定所述参考权重时包括如下步骤：获取历史第二差异性结果的计算过程标记的计算结果与历史第一差异性结果的计算过程中对应的计算结果对比后的历史对比值，计算所述对比值与多个所述历史对比值的均值化结果来确定所述参考权重；其中，所述历史第二差异性结果、历史第一差异性结果与历史对比值指至少上一次的历史监测数据采用相同计算方式获得的结果。
10.一种基于机器学习的避雷器系统状态监控系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于机器学习的避雷器系统状态监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的避雷器系统状态监控方法，其特征在于，所述确定所述丢失避雷器的关联避雷器包括如下步骤：
3.根据权利要求2所述的基于机器学习的避雷器系统状态监控方法，其特征在于，所述确定所述丢失避雷器的关联避雷器还包括如下步骤：
4.根据权利要求1-3中任一项权利要求所述的基于机器学习的避雷器系统状态监控方法，其特征在于，所述确定所述丢失避雷器的关联避雷器还包括如下步骤：
5.根据权利要求1所述的基于机器学习的避雷器系统状态监控方法，其特征在于，所述将该监测区域内所有避雷器的历史数据进行区域特性分析，构建区域聚类模型包括如下步骤：
6.根据权利要求5所述的基于机器学习的避雷器系统状态监控方法，其特征在于，将第一运行状态数据或者第二运行状态数据代入所述区域聚类模型中进行差异性分析包括如下步骤：
7.根据权利要求6所述的基于机器学习的避雷器系统状态监控方法，其特征在于，所述将所述第一差异性结...
【专利技术属性】
技术研发人员：黄新宇，李家建，邹家义，
申请(专利权)人：四川瑞霆智汇科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。