用于确定开关故障类型的方法、装置、处理器及配电设备与流程

技术特征：
1.一种用于确定开关故障类型的方法，其特征在于，所述方法包括：获取开关的实时运行数据；对所述实时运行数据进行预处理；将预处理后的实时运行数据输入至故障识别模型；通过所述故障识别模型确定所述开关的故障类型。2.根据权利要求1所述的用于确定开关故障类型的方法，其特征在于，所述通过所述故障识别模型确定所述开关的故障类型包括：获取所述故障识别模型输出的故障类型和与每个故障类型对应的预测概率；将最大的预测概率对应的故障类型确定为所述开关的故障类型。3.根据权利要求2所述的用于确定开关故障类型的方法，其特征在于，所述方法还包括：将所述故障类型的预测概率与预设概率阈值进行比较；在所述故障类型的预测概率大于所述预设概率阈值的情况下，执行与所述故障类型对应的保护动作。4.根据权利要求3所述的用于确定开关故障类型的方法，其特征在于，所述执行与所述故障类型对应的保护动作包括：在数据库中查找与所述故障类型对应的保护动作；在查找到与所述故障类型对应的保护动作的情况下，对所述开关执行对应的保护动作。5.根据权利要求4所述的用于确定开关故障类型的方法，其特征在于，所述执行与所述故障类型对应的保护动作还包括：在数据库中未查找到与所述故障类型对应的保护动作的情况下，将所述实时运行数据上传至远程控制中心，以通过所述远程中心对所述开关进行监测和/或控制。6.根据权利要求1所述的用于确定开关故障类型的方法，其特征在于，所述对所述实时运行数据进行预处理包括：将所述实时运行数据中包含的运行参数进行归一化处理，以将所述运行参数缩放至预设范围内。7.根据权利要求6所述的用于确定开关故障类型的方法，其特征在于，所述对所述实时运行数据进行预处理包括：根据公式(1)将所述实时运行数据缩放到预设范围内：其中，x为实时运行数据，x
′
为预处理后的数据，a
min
和a
max
分别是x中的最小值和最大值。8.根据权利要求1所述的用于确定开关故障类型的方法，其特征在于，所述方法还包括：获取多个开关的历史运行数据；对所述历史运行数据进行预处理；将预处理后的历史运行数据输入至故障识别模型中，以对所述故障识别模型进行训
练。9.根据权利要求8所述的用于确定开关故障类型的方法，其特征在于，所述将预处理后的历史运行数据输入至故障识别模型中，以对所述故障识别模型进行训练包括：通过所述故障识别模型的权重向量矩阵对所述历史运行数据进行加权计算，以得到更新后的历史运行数据；通过更新后的历史运行数据调整所述故障识别模型的权值；确定所述故障识别模型的误差值；在所述误差值低于预设误差阈值的情况下，确定所述故障识别模型训练完毕。10.根据权利要求9所述的用于确定开关故障类型的方法，其特征在于，所述故障识别模型包括输入层、隐藏层以及输出层；所述通过更新后的历史运行数据调整所述故障识别模型的权值包括：根据公式(2)和公式(3)调整所述故障识别模型的每个网络层的权值：δw
jk
＝ηy
j
(d
j
‑
y
j
)(1
‑
y
j
)y
k
公式(2)；其中，w
jk
为隐含层神经元k与输出层神经元j之间的连接权值，v
ki
为输入层神经元i与隐含层神经元k之间的连接权值，η为预设学习率，y
j
表示网络层的输出结果，d
j
为期望输出，y
k
为隐含层的输出结果，x
i
为输入层输入。11.根据权利要求10所述的用于确定开关故障类型的方法，其特征在于，所述将预处理后的历史运行数据输入至故障识别模型中，以对所述故障识别模型进行训练还包括：通过公式(4)和公式(5)确定每个网络层的输出：通过公式(4)和公式(5)确定每个网络层的输出：其中，z
k
表示中间计算结果，k的取值范围为[1，q]，q为所述隐藏层的神经元数量，y
j
表示网络层的输出结果，j的取值范围为[1，m]，m为所述输出层的神经元数量，x
i
表示网络层的输入数据，i的取值范围为[1，n]，n为所述输入层的神经元数量，f1(x)为所述隐藏层的激励函数，f2(x)为所述输出层的激励函数。12.根据权利要求11所述的用于确定开关故障类型的方法，其特征在于，所述激励函数被定义为公式(6)：其中，θ1为改变函数幅度值的参数，θ2为改变变量弹性的参数，x为网络层的输入数据。13.根据权利要求9所述的用于确定开关故障类型的方法，其特征在于，所述权重向量矩阵的表达式被定义为公式(7)：其中，t
n
表示为所述权重向量矩阵，r表示为特征值的权重。
14.根据权利要求9所述的用于确定开关故障类型的方法，其特征在于，所述确定所述故障识别模型的误差值包括：通过公式(8)确定所述故障识别模型的误差值：其中，e为所述误差值，n为训练样本的数量，e(i)为第i个训练样本的训练误差。15.根据权利要求14所述的用于确定开关故障类型的方法，其特征在于，e(i)通过公式(9)得到：其中，d(i)表示输入x(i)的期望输出，x(i)为所述故障识别模型的输入数据；k为隐含层神经元，k的取值范围为[1，q]，n为所述输入层的神经元数量，y
k
为隐含层的输出结果。16.根据权利要求1所述的用于确定开关故障类型的方法，其特征在于，所述方法还包括：将所述故障类型的实时运行数据加入至历史数据集中，以对历史数据集进行更新；通过更新后的历史数据集对所述故障类型进行训练。17.根据权利要求1所述的用于确定开关故障类型的方法，其特征在于，所述故障识别模型包括反向传播神经网络。18.根据权利要求1至17中任意一项所述的用于确定开关故障类型的方法，其特征在于，所述实时运行数据包括所述开关获取到的电流、电压、电流谐波、电压谐波和接头温度中的至少一者。19.根据权利要求1至17中任意一项所述的用于确定开关故障类型的方法，其特征在于，所述故障类型包括过载、短路、欠压和断路中的至少一者。20.一种处理器，其特征在于，被配置成执行根据权利要求1至19中任意一项所述的用于确定开关故障类型的方法。21.一种用于确定开关故障类型的装置，其特征在于，包括根据权利要求20所述的处理器。22.一种配电设备，其特征在于，包括根据权利要求21所述的用于确定开关故障类型的装置。

技术总结
本申请实施例提供一种用于确定开关故障类型的方法、装置、处理器及配电设备。方法包括：获取开关的实时运行数据；对所述实时运行数据进行预处理；将预处理后的实时运行数据输入至故障识别模型；通过所述故障识别模型确定所述开关的故障类型。该方法基于深度学习技术构建深度神经网络模型，通过神经网络模型输出智能开关的故障类型并对智能开关执行进行相应的保护动作，实现对保护线路及用电设备以精准、可靠的保护，还能够及时发现电气线路的超温、过载、短路和接地等安全隐患，并快速动作，实现保护智能化。实现保护智能化。实现保护智能化。


技术研发人员：尹志斌 霍超 程显明 甄岩 陈文彬 郑利斌 陈静 孙海鹏
受保护的技术使用者：国网信息通信产业集团有限公司
技术研发日：2021.07.14
技术公布日：2021/11/14