Extra-high voltage direct current optical transformer health degree prediction model training method

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的特高压直流光学互感器健康度预测模型训练方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102获取互感器运行过程中所采集的数据，并将该数据上传至服务器104，采集的数据可以包括互感器的电流、电压以及局部放电量数据以及互感器健康度实际结果，服务器104将数据存储在数据存储系统。服务器104初始化互感器健康度预测模型的权重和偏置，并从数据存储系统获取训练样本数据和校验样本数据，训练样本数据包括互感器的至少一种监测参数，校验样本数据包括互感器健康度实际结果；将训练样本数据输入至互感器健康度预测模型，得到至少一个互感器健康度预测结果；基于最小二乘法处理互感器健康度预测结果和对应的互感器健康度实际结果，得到互感器健康度预测结果的误差；根据梯度下降法和互感器健康度预测结果的误差调整互感器健康度预测模型的权重和偏置，直至满足结束条件，并确定训练过程中最小误差所对应的互感器健康度预测模型为训练好的互感器健康度预测模型。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等与互感器连接的设备，也可以是带有数据采集和传输功能的互感器等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种特高压直流光学互感器健康度预测模型训练方法，以该方法应用于图1中的控制器为例进行说明，包括以下步骤：

S202，初始化互感器健康度预测模型的权重和偏置。

其中，互感器包括电流互感器和电压互感器；互感器健康度是指用于评定互感器运行状态的一个评分标准，示例性地，可设置健康度评分为100分时，表示互感器的运行状态良好，评分为大于等于90分且小于100分时，互感器的运行状态正常，评分小于90时，则判定互感器的运行状态异常。

具体地，随机选取互感器健康度预测模型的权重和偏置，并将随机选取的权重和偏置输入至上述模型中，将该模型作出初始训练模型，从而完成初始化操作。在一个具体实施例中，如图3所示，互感器健康度预测模型包括输入层、隐藏层和输出层。输入层包括若干个输入单元a_i(i＝1,2,3…)，隐藏层包含若干个神经元b_j(j＝1,2,3…)，且各神经元的输入量为B_j(j＝1,2,3…)，输出层包括多个输出单元c_k(k＝1,2,3…)，且各输出单元的输入量为C_k(k＝1,2,3…,7)。设置输入层的输入单元a_i的各输出量传输到隐藏层的各神经单元b_j的权重为d_m(m＝1,2,3…)，隐藏层各神经元b_j的偏置为e_n(n＝1,2,3…)。设置隐藏层的各神经元b_j的输出量传输到输出层的输出单元c_k的权重为f_r(r＝1,2,3…)，输出层各输出单元的偏置为g_m(m＝1,2,3…)。初始化互感器健康度预测模型的权重和偏置，即随机选取权重d_m和f_r，偏置和e_n偏置g_m。需要说明的是，输入层、隐藏层和输出层中的神经单元数量可以根据实际需要进行选择，在此不做限定。

S204，获取训练样本数据和校验样本数据；训练样本数据包括互感器的至少一种监测参数，校验样本数据包括互感器健康度实际结果。

其中，监测参数是指互感器的运行状态参数，互感器健康度实际结果是指对互感器的历史监测过程中，真实反映互感器的实际运行状态的评定结果。

具体地，训练样本数据和校验样本数据可以是存储于控制器中，也可以是从终端输入，具体获取方式在此不做限定。

S206，将训练样本数据输入至互感器健康度预测模型，得到至少一个互感器健康度预测结果。

其中，互感器健康度预测结果可以是指电流互感器健康度、电压传感器健康度和互感器绝缘健康度等等。

具体地，在一个具体实施例中，如图3所示，如上述实施例中所述的互感器健康度预测模型，将训练样本数据从输入层的输入单元a₁、a₂和a₃输入至上述模型中，在输出层的输出单元c得到互感器健康度预测结果。需要说明的是，隐藏层的神经元各输入量Bj为输入层的各输入单元a_i的输出量与各权值d_m乘积之和，各神经元的输出量bj为个神经元的输入量B_j与偏置的e_n差值的函数，可表示为b_j＝H₁(B_j-e_j)，其中H1为关于Bj-ej与b_j映射关系的函数，可以是指数线性单元激活函数。各输出单元的输入量为各神经元b_j与各权值f_r乘积之和，各输出单元的输出量，即预测值c_kk为各输出单元的输入量C_k与偏置g_m的差值的函数，可表示为c_kk＝H₂(Ck-g_k)，其中H₂为关于C_k-g_k与c_kk映射关系的函数，可以是指门控机制激活函数。此时由上述输出单元c_k的输出量通过查表等方式即可得到互感器健康度预测结果。

S208，基于最小二乘法处理互感器健康度预测结果和对应的互感器健康度实际结果，得到互感器健康度预测结果的误差。

具体地，在得到互感器健康度预测结果和对应的互感器健康度实际结果后，将其输入至以下最小二乘法的计算公式，即可得到互感器健康度预测结果的误差，具体公式如下所示：

其中，E_k表示互感器健康度预测结果的误差，c_kk表示互感器健康度预测结果，t_k表示互感器健康度实际结果，n＝1,2,3……。

S210，根据梯度下降法和互感器健康度预测结果的误差调整互感器健康度预测模型的权重和偏置，直至满足结束条件，并确定训练过程中最小误差所对应的互感器健康度预测模型为训练好的互感器健康度预测模型。

其中，梯度下降法为神经网络模型在进行权重和偏置调整调整的常用方法，本领域技术人员可知其实现过程，在此不再赘述。

上述实施例中，通过基于反映互感器运行状态的监测参数，对互感器健康度预测模型进行训练，从而得到能基于监测参数准确反映互感器健康度预测模型，继而提高对互感器的运行状态的监测准确性。

在一个实施例中，监测参数包括电流互感器的电流和温度。

其中，电流互感器的电流可以是指A相电流、B相电流和C相电流，同样的，电流互感器的温度可以是指A相电流互感器的温度、B相电流互感器的温度和C相电流互感器的温度。

具体地，在一个具体实施例中，如图3所示，如上述实施例中的互感器健康度预测模型，输入层的输入单元a1和a2分别输入的是A相电流和A相电流互感器的温度，则此时互感器健康度预测模型得到的是A相电流互感器的预测健康度，并基于最小二乘法得到关于A相电流互感器的预测健康度的误差，接着，通过梯度下降法调整互感器健康度预测模型的权重和偏置，从而得到关于A相电流互感器健康度预测模型，同样，B相电流互感器健康度预测模型和C相电流互感器健康度预测模型的确定同样可以基于上述方式确定，需要说明的是，A相电流互感器健康度预测模型、B相电流互感器健康度预测模型和C相电流互感器健康度预测模型均为互感器健康度预测模型的其中一种。

在一个实施例中，监测参数包括电压互感器的电压和温度。

具体地，电压互感器可以是指A相电压、B相电压和C相电压，同样的，电压互感器的温度可以是指A相电压互感器的温度、B相电压互感器的温度和C相电压互感器的温度。对于各电压互感的健康度预测模型的确定，同样也可以采用上述实施例中的方式确定，在此不再赘述。

在一个实施例中，监测参数包括局部放电量。

其中，局部放电量是指互感器在工作过程中所产生的不正常放电，其放电量表征互感器的绝缘效果，当其放电量大于安全阈值时，将会影响互感器的正常运行。

在一个实施例中，如图4所示，提供一种特高压直流光学互感器健康度监测方法，该方法包括：

S402，获取互感器的监测参数；

S404，将互感器的监测参数输入至互感器健康度预测模型，得到互感器健康度预测结果；

其中，互感器健康度预测模型为通过执行上述实施例中的互感器健康度预测训练方法的步骤得到的。

具体地，和上述实施例中的特高压直流光学互感器健康度预测模型训练过程类似，将互感器实际运行过程中测得的监测参数输入至已经训练好的互感器健康度预测模型，得到互感器健康度预测结果。从而基于训练好的互感器健康度预测模型，对互感器的运行状态实现准确的监测。

在一个实施例中，如图5所示，提供一种特高压直流光学互感器健康度监测设备，该设备包括：

监测参数采集模块50，用于采集互感器的监测参数；

控制器52，控制器52的输入端与监测参数采集模块的输出端连接，控制器52用于将接收的互感器的监测参数输入至互感器健康度预测模型，得到互感器健康度预测结果；

其中，互感器健康度预测模型为通过执行上述实施例中的互感器健康度预测训练方法的步骤得到的。

具体地，上述特高压直流光学互感器健康度监测设备对互感器实现监测的方式与上述实施例所对应，在此不再赘述。

在其中一个实施例中，如图5所示，监测参数包括电流互感器的电流和温度；监测参数采集模块50包括：

电流传感器502，电流传感器502输入端用于连接电流互感器的二次侧绕组，电流传感器502用于测量电流互感器的电流；

第一温度传感器504，第一温度传感器504设置于电流互感器的周围，第一温度传感器504用于测量电流互感器的温度；

控制器52的第一输入端与电流传感器502的输出端连接，控制器52的第二输入端与第一温度传感器504的输出端连接。

其中，第一温度传感器504可以是指但不限于贴片式热敏电阻、光纤测温传感器、声表面波温度传感器等。

上述实施例中，具体地监测实现方式和上述实施例类似，在此不再赘述。基于电流传感器502和第一温度传感器504，可实现对电流互感器的健康度进行监测。

在一个实施例中，如图5所示，监测参数包括电压互感器的电压和温度；监测参数采集模块50包括：

电压传感器506，电压传感器506的输入端用于连接电压互感器的二次侧绕组，电压传感器506用于测量电压互感器的电压；

第二温度传感器508，第二温度传感器508设置于电压互感器的周围，第二温度传感器508用于测量电压互感器的温度；

控制器52的第三输入端与电压传感器506的输出端连接，控制器52的第四输入端与第二温度传感器508的输出端连接。

上述实施例中，具体地监测实现方式和上述实施例类似，在此不再赘述。基于电流传感器和第一温度传感器，可实现对电压互感器的健康度进行监测。

在一个实施例中，如图5所示，监测参数包括局部放电量；监测参数采集模块50包括：

局放电量检测传感器510，局放电量检测传感器510设置于互感器的周围，局放电量检测传感器510用于获取局部放电量，局放电量检测传感器510的输出端与控制器52的第五输入端连接。

其中，局放电量检测传感器510可以是但不限于特高频局放传感器、超声波检测局放传感器、地电波检测局放传感器等。

上述实施例中，具体地监测实现方式和上述实施例类似，在此不再赘述。基于局放电量检测传感器510，可实现对互感器的绝缘效果的健康度进行监测。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的特高压直流光学互感器健康度预测模型训练方法的特高压直流光学互感器健康度预测模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个特高压直流光学互感器健康度预测模型训练装置实施例中的具体限定可以参见上文中对于特高压直流光学互感器健康度预测模型训练方法的限定，在此不再赘述。

在一个实施例中，如图6所示，提供一种特高压直流光学互感器健康度预测模型训练装置，该装置包括：

初始化模块602，用于初始化互感器健康度预测模型的权重和偏置；

数据获取模块604，用于获取训练样本数据和校验样本数据；训练样本数据包括互感器的至少一种监测参数，校验样本数据包括互感器健康度实际结果；

预测结果获取模块606，用于将训练样本数据输入至互感器健康度预测模型，得到至少一个互感器健康度预测结果；

误差确定模块608，用于基于最小二乘法处理互感器健康度预测结果和对应的互感器健康度实际结果，得到互感器健康度预测结果的误差；

模型调整模块610，用于根据梯度下降法和互感器健康度预测结果的误差调整互感器健康度预测模型的权重和偏置，直至满足结束条件，并确定训练过程中最小误差所对应的互感器健康度预测模型为训练好的互感器健康度预测模型。

上述特高压直流光学互感器健康度预测模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储特高压直流光学互感器健康度预测模型训练数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种特高压直流光学互感器健康度预测模型训练方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种特高压直流光学互感器健康度监测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7和图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，该计算机设备可以为上述实施例中的控制器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，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上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。