[发明专利]一种电容式电压互感器故障原因智能诊断方法

权利要求书

1.一种电容式电压互感器故障原因智能诊断方法，其特征在于，所述智能诊断方法包括：

步骤1，采集数据生成训练集D；所述训练集D为输入数据集X映射到输出数据集Y的键值对数据，所述输入数据集X为误差评估值数据，所述输出数据集Y为互感器故障原因数据；

步骤2，基于局部异常因子算法对所述训练集中的所述输入数据集X进行异常错误数据剔除的预处理；

步骤3，基于预处理后的所述训练集进行鲸鱼优化算法参数调优的RNN模型训练；

步骤4，基于训练完成的所述RNN模型训练进行电容式电压互感器故障原因预测。

2.根据权利要求1所述的智能诊断方法，其特征在于，所述输入数据集X为由数据种类、数据组个数和数据集时长范围构成的三维数组；

所述输入数据集X的数据种类包括：互感器误差评估值的比差X_f和角差；

所述输出数据集Y为由互感器故障原因构成的1维数组，所述互感器故障原因包括：高压电容击穿、中压电容击穿、渗漏油、高压电容受潮、低压电容受潮和阻尼装置劣化。

3.根据权利要求2所述的智能诊断方法，其特征在于，所述步骤1中获取所述输入数据集D的过程包括：

在变电站开展电容式电压互感器故障诊断，计算电容式电压互感器误差评估值，将该误差评估值代替误差真值，搜寻设定时间范围内该变电站的维修情况，采集所述数据集时长范围对应的所述比差X_f和所述角差作为故障数据组；

搜寻与所述故障数据组数量对应的正常状态下互感器误差评估值作为正常数据组；

所述故障数据组与所述正常数据组的个数和记作n_s（n_s≥10）；

记录所述故障数据组的各组数对应的故障原因，生成所述输入数据集D。

4.根据权利要求1所述的智能诊断方法，其特征在于，所述步骤2包括：

将所述输入数据集X中每个序列数据，按时间序列和误差数值作二维平面计算离群因子，离群因子计算式为：

；

其中，m为待测对象与由近及远点的数量，o'是待测对象的邻域点，N_m^(o)为待测对象o的第m距离邻域；Ird为局部可达密度函数；

将输入数据集X的一个数据组中每一个数据点进行离群因子值的计算，选择离群因子最大的两个点作为离群点进行剔除。

5.根据权利要求1所述的智能诊断方法，其特征在于，所述步骤3包括：

步骤301，初始化鲸鱼优化算法的种群和RNN模型的参数，所述参数包括隐含层节点数n、学习率和迭代次数iter，将初始化后的值作为待优化的参数输入到鲸鱼优化算法中；

步骤303，建立判断效果评分的真值表，所述真值表为真实故障的各个种类与预测故障的各个种类对应的评分；

步骤302，将鲸鱼优化算法优化后的参数作为最初的历史最优值赋值给所述RNN模型并训练，依次将每天的比差X_f和角差数据输入所述RNN模型进行训练，在每天的数据训练完成后通过鲸鱼优化算法对所述值进行优化；

步骤303，基于所述真值表的评分计算经过鲸鱼优化算法的所述RNN模型的训练损失值T1；所述训练损失T1小于设定的最低要求T0时，输出参数值和预测模型M；所述训练损失T1大于等于T0或者未到迭代次数时，更新参数并且重新进行训练。

6.根据权利要求5所述的智能诊断方法，其特征在于，所述真值表包括：

真实故障与预测故障的种类相同时，对应的评分为100分；

真实故障与预测故障的种类不同但类型相同时，对应的评分为50分；类型相同的故障种类为高压电容击穿和中压电容击穿以及高压电容受潮和低压电容受潮；

真实故障的种类与预测故障的种类不同且类型相同时，对应的评分为0分。

7.根据权利要求5所述的智能诊断方法，其特征在于，所述训练损失T1计算式为；

n_y为预测样本数，t_i为每一组数据在所述真值表中的对应评分。

8.根据权利要求1所述的智能诊断方法，其特征在于，所述步骤4包括：将设定时间范围内的每天采集的比差和角差数据导入训练完成的所述RNN模，通过所述RNN模型的输出来判断电容式电压互感器的故障原因；

将故障数据加入所述训练集D，并定时加入正常数据进入所述训练集D；

使用lightGBM框架进行增量训练。