一种基于在线学习的高压断路器状态监测预警系统及方法与流程

1.本发明属于智能电网技术领域，具体涉及一种基于在线学习的高压断路器状态监测预警系统及方法。


背景技术：

2.在电网输电线路中，高压断路器的可靠性直接关系到电力系统整体运行的安全。据统计，大约有40％～60％的故障是由高压断路器引起的。由于高压断路器的每一次开关都会对接触点造成一定的磨损；同时工作时操作机构的机械动作也使高压断路器的机械结构存在一定的使用寿命，一旦达到寿命极限，则会造成断路器的故障或事故。因此，需要借助合适的方法对高压断路器的运行状态及可靠性进行监测预警。
3.高压断路器的运行状态参数值数量多，且随时间复杂多变，平滑性差，但现有技术中，通常还是采用传统的机器学习方法对高压断路器状态进行监测预警，如采用批量学习或者离线学习来获得预测模型，即一次性获得高压断路器所有的训练数据，并依据其训练模型，进行阈值判断预警，该模型在构造完成后很少进行更新。然而，由于高压断路器的运行状态参数众多，在预测模型建立初期不可能一次性获得所有数据，而且，由于运行状态数据的非线性，必然导致预测模型的预测精度不足。


技术实现要素：

4.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于在线学习的高压断路器状态监测预警系统，其系统结构简单，设计合理，实现方便；结合监测预警方法，通过构造高压断路器的特征向量并通过训练得到的模型进行预测，可发现状态变化异常，并进行提醒；同时设计在线学习模块，当定期采检的高压断路器工作状态与状态监测模型监测得到的工作状态误差较大时，对监测模型进行更新，使监测更加全面和完善，且精度提高。本发明能够有效应用在高压断路器的状态监测中，使用效果好，便于推广使用。
5.为解决上述技术问题，本发明采用的技术方案是：一种基于在线学习的高压断路器状态监测预警系统，包括数据采集模块，采集高压断路器运行状态参数；计时模块，记录所述数据采集模块采集高压断路器运行状态参数的时间；数据存储模块，存储所述采集的高压断路器运行状态参数和对应的采集时间；监控模块，所述数据采集模块与监控模块的输入端连接，所述计时模块和数据存储模块均与监控模块相接；所述监控模块接收数据采集模块采集到的高压断路器运行状态参数和对应的采集时间，建立高压断路器运行状态参数的特征向量，通过训练得到的模型进行预测；并将高压断路器运行状态参数存储在数据存储模块中；在线学习模块，与监控模块相接，更新监测模型；运检终端模块，与监控模块相接，接收和显示来自监控模块的监测结果。
6.上述的一种基于在线学习的高压断路器状态监测预警系统，所述高压断路器运行状态参数包括触头工作状态参数和机械结构工作状态参数。
7.上述的一种基于在线学习的高压断路器状态监测预警系统，所述触头工作状态参
数和机械结构工作状态参数均包括原有状态参数和新增状态参数。
8.上述的一种基于在线学习的高压断路器状态监测预警系统，所述数据采集模块安装在高压断路器上，所述计时模块、数据存储模块、监控模块和在线学习模块均安装在高压断路器附近。
9.上述的一种基于在线学习的高压断路器状态监测预警系统，所述运检终端模块安装在变电站控制室内。
10.本发明还公开了一种基于在线学习的高压断路器状态监测预警方法，采用上述的系统，所述方法包括以下步骤：
11.步骤一、采集训练数据；
12.所述数据采集模块采集高压断路器的原有状态参数；
13.步骤二、建立特征向量；
14.所述监控模块根据高压断路器的原有状态参数和对应的采集时间建立特征向量；
15.步骤三、训练监测模型；
16.所述监控模块根据特征向量对机器学习模型进行训练，建立高压断路器的状态监测模型；
17.步骤四、定期采检高压断路器状态；
18.运检人员定期实地采检高压断路器的工作状态；
19.步骤五、更新数据采集模块；
20.当定期采检的高压断路器工作状态与状态监测模型监测得到的工作状态误差较大时，对数据采集模块进行更新，新增状态参数；
21.步骤六、更新监测模型；
22.所述在线学习模块根据原有状态参数和新增状态参数对监测模型进行更新；
23.步骤七、监测预警高压断路器状态；
24.采用更新后的监测模型对高压断路器状态进行监测预警，并将监测结果传输至运检终端模块，通知运检人员。
25.上述的一种基于在线学习的高压断路器状态监测预警方法，步骤六中所述在线学习模块根据原有状态参数和新增状态参数对监测模型进行更新的具体过程包括：
26.步骤601、从原有状态参数中提取信息；
27.步骤602、将所述提取的信息转移到新的监测任务中；
28.步骤603、结合新增状态参数，更新监测模型。
29.上述的一种基于在线学习的高压断路器状态监测预警方法，步骤601中所述从原有状态参数中提取信息的具体过程为：
[0030][0031][0032]
其中，l为拉格朗日函数，表示原有状态参数中的一个样本，ns为原有状态参数的样本数，cs∈r为作用于原有状态参数样本上的正则化参数，为第k个原有状态参数
样本的训练误差，ws为原监测任务的输出权重。
[0033]
上述的一种基于在线学习的高压断路器状态监测预警方法，步骤602中所述将提取的信息转移到新的监测模型中的具体过程为：
[0034][0035][0036]
其中，表示新增状态参数中的一个样本，n
t
为新增状态参数的样本数，c
t
∈r为作用于新增状态参数样本上的正则化参数，为第k个新增状态参数样本的训练误差，w
t
为新的监测任务的输出权重，μ为惩罚参数。
[0037]
上述的一种基于在线学习的高压断路器状态监测预警方法，步骤602中所述结合新增状态参数，更新监测模型的具体过程为：
[0038][0039]
其中，we为更新后的监测模型的输出权重。
[0040]
本发明与现有技术相比具有以下优点：本发明的系统结构简单，设计合理，实现方便；结合监测预警方法，通过构造高压断路器的特征向量并通过训练得到的模型进行预测，可发现状态变化异常，并进行提醒；同时设计在线学习模块，当定期采检的高压断路器工作状态与状态监测模型监测得到的工作状态误差较大时，对监测模型进行更新，使监测更加全面和完善，且精度提高。本发明能够有效应用在高压断路器的状态监测中，使用效果好，便于推广使用。
[0041]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0042]
图1为本发明的系统组成框图；
[0043]
图2为本发明的方法流程图。
[0044]
附图标记说明:1—数据采集模块；2—计时模块；3—数据存储模块；4—监控模块；5—在线学习模块；6—运检终端模块。
具体实施方式
[0045]
如图1所示，本发明的基于在线学习的高压断路器状态监测预警系统，包括数据采集模块1，采集高压断路器运行状态参数；计时模块2，记录所述数据采集模块1采集高压断路器运行状态参数的时间；数据存储模块3，存储所述采集的高压断路器运行状态参数和对应的采集时间；监控模块4，所述数据采集模块1与监控模块4的输入端连接，所述计时模块2和数据存储模块3均与监控模块4相接；所述监控模块4接收数据采集模块1采集到的高压断路器运行状态参数和对应的采集时间，建立高压断路器运行状态参数的特征向量，通过训练得到的模型进行预测；并将高压断路器运行状态参数存储在数据存储模块3中；在线学习模块5，与监控模块4相接，更新监测模型；运检终端模块6，与监控模块4相接，接收和显示来自监控模块4的监测结果。
[0046]
本实施例中，所述高压断路器运行状态参数包括触头工作状态参数和机械结构工作状态参数。
[0047]
具体实施时，高压断路器运行状态参数众多，如触头工作状态参数包括时间特性、速度特性、开断特性和气体特性；机械结构工作状态参数包括磨损程度、松动和变形等。
[0048]
本实施例中，所述触头工作状态参数和机械结构工作状态参数均包括原有状态参数和新增状态参数。
[0049]
具体实施时，高压断路器运行状态参数众多，且不同的参数需要使用不同的传感器进行数据采集，全都采集不太现实，数据种类太多也不利于训练和建立监测模型，因此，一般选取对高压断路器运行影响较大的部分参数进行采集，在初始建立监测模型所采集的状态参数作为原有状态参数；当随着时间的积累，初始建立的监测模型精度下降时，需要增加高压断路器运行状态参数，以提高监测精度，新增的参数作为新增状态参数。
[0050]
本实施例中，所述数据采集模块1安装在高压断路器上，所述计时模块2、数据存储模块3、监控模块4和在线学习模块5均安装在高压断路器附近。
[0051]
具体实施时，数据采集模块1包括安装在高压断路器上的多种类型的传感器，计时模块2、数据存储模块3、监控模块4和在线学习模块5集中安装在箱体里。
[0052]
本实施例中，所述运检终端模块6安装在变电站控制室内。
[0053]
具体实施时，运检终端模块6安装在变电站控制室内，便于运检人员观看。
[0054]
如图2所示，本发明的基于在线学习的高压断路器状态监测预警方法，包括以下步骤：
[0055]
步骤一、采集训练数据；
[0056]
所述数据采集模块1采集高压断路器的原有状态参数；
[0057]
步骤二、建立特征向量；
[0058]
所述监控模块4根据高压断路器的原有状态参数和对应的采集时间建立特征向量；
[0059]
步骤三、训练监测模型；
[0060]
所述监控模块4根据特征向量对机器学习模型进行训练，建立高压断路器的状态监测模型；
[0061]
步骤四、定期采检高压断路器状态；
[0062]
运检人员定期实地采检高压断路器的工作状态；
[0063]
步骤五、更新数据采集模块1；
[0064]
当定期采检的高压断路器工作状态与状态监测模型监测得到的工作状态误差较大时，对数据采集模块1进行更新，新增状态参数；
[0065]
具体实施时，当随着时间的积累，初始建立的监测模型精度下降时，需要增加新的高压断路器运行状态参数，以提高监测精度，例如，初始建立监测模型时，数据采集模块1采集触头的时间特性和机械结构的磨损等，当定期采检的高压断路器工作状态与状态监测模型监测得到的工作状态误差较大时，可以增设传感器，增加采集高压断路器的工作状态参数，如电气特性、振动特性等。
[0066]
步骤六、更新监测模型；
[0067]
所述在线学习模块5根据原有状态参数和新增状态参数对监测模型进行更新；
[0068]
具体实施时，通过在线学习模块5，根据原有状态参数和新增状态参数对监测模型进行更新，模型更新十分高效，可以节约大量时间；而传统的离线学习则需要基于当前的所有数据从头开始训练模型，相当于丢弃了原有状态参数。
[0069]
步骤七、监测预警高压断路器状态；
[0070]
采用更新后的监测模型对高压断路器状态进行监测预警，并将监测结果传输至运检终端模块6，通知运检人员。
[0071]
本实施例中，步骤六中所述在线学习模块5根据原有状态参数和新增状态参数对监测模型进行更新的具体过程包括：
[0072]
步骤601、从原有状态参数中提取信息；
[0073]
步骤602、将所述提取的信息转移到新的监测任务中；
[0074]
步骤603、结合新增状态参数，更新监测模型。
[0075]
本实施例中，步骤601中所述从原有状态参数中提取信息的具体过程为：
[0076][0077][0078]
其中，l为拉格朗日函数，表示原有状态参数中的一个样本，ns为原有状态参数的样本数，cs∈r为作用于原有状态参数样本上的正则化参数，为第k个原有状态参数样本的训练误差，ws为原监测任务的输出权重。
[0079]
本实施例中，步骤602中所述将提取的信息转移到新的监测模型中的具体过程为：
[0080][0081][0082]
其中，表示新增状态参数中的一个样本，n
t
为新增状态参数的样本数，c
t
∈r为作用于新增状态参数样本上的正则化参数，为第k个新增状态参数样本的训练误差，w
t
为新的监测任务的输出权重，μ为惩罚参数。
[0083]
本实施例中，步骤602中所述结合新增状态参数，更新监测模型的具体过程为：
[0084][0085]
其中，we为更新后的监测模型的输出权重。
[0086]
具体实施时，输出权重通过极小范数最小二乘解得到。
[0087]
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。