CN116109004A - 一种绝缘子泄漏电流的预测方法、装置、设备及介质 - Google Patents
一种绝缘子泄漏电流的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116109004A CN116109004A CN202310182366.4A CN202310182366A CN116109004A CN 116109004 A CN116109004 A CN 116109004A CN 202310182366 A CN202310182366 A CN 202310182366A CN 116109004 A CN116109004 A CN 116109004A
- Authority
- CN
- China
- Prior art keywords
- leakage current
- insulator
- time
- initial
- decomposition method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 226
- 238000000034 method Methods 0.000 title claims abstract description 203
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 247
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000011109 contamination Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009422 external insulation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种绝缘子泄漏电流的预测方法、装置、设备及介质。通过实时获取时间序列绝缘子泄漏电流数据集，并对时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；通过预先设置好的组合模态分解方法对绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；将泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果。解决了绝缘子表面泄漏电流预测不准确的问题，通过组合模态分解方法能够更好地对绝缘子泄漏电流样本进行分解处理，并且训练泄漏电流预测模型，从而提高了预测精度，得到更加准确的绝缘子泄漏电流预测结果。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种绝缘子泄漏电流的预测方法、装置、设备及介质。
背景技术
输电线路绝缘子是输变电系统中重要的电气设备，其运行状态和污垢性能直接影响电力系统的安全性水平，输电线路绝缘子发生故障将可能导致大范围的停电，造成经济损失。绝缘子泄漏电流作为输电线路重要监测对象之一，研究输电线路绝缘子泄漏电流预测技术，对提高输电线路绝缘子的运行状态监测，有助于及时发现输电线路绝缘子污垢性能，提前制定检修计划，提高电力系统运行的稳定性，保障优质电力正常供应正常运作。
另外的，泄漏电流与一些典型放电现象之间具有一定的对应关系，进而可以利用这些对应关系来判断绝缘子的积污状况。泄漏电流与环境因素(相对湿度、和温度等)以及绝缘子表面污秽状态(污秽成分、染污程度、和污秽不均匀度等)之间存在联系。通过利用泄漏电流在线监测系统实时监测输电线路泄漏电流数据进而判断输电线路外绝缘状况已经较为成熟，但是对于泄漏电流预测方面还有欠缺。
发明人在实现本发明的过程中，发现现有技术存在如下缺陷：目前，绝缘子表面泄漏电流的预测主要分为技术方法和定量方法两大类。技术方法也就是专家评估法，这种方法在预测精度上较依赖预测者的技术技巧。定量方法则是建立数学模型进行预测，像利用多重回归方法和神经网络方法进行绝缘子表面泄漏电流的预测。应用较为广泛的是利用神经网络进行预测，然而，传统的人工神经网络在训练过程中存在收敛速度慢、和容易陷入局部极小等缺点，而且传统机器学习无法解析时间序列间隐含特征和时间关联性，极大地影响了预测精度。
发明内容
本发明提供了一种绝缘子泄漏电流的预测方法、装置、设备及介质，以提高预测精度，得到更加准确的绝缘子泄漏电流预测结果。
根据本发明的一方面，提供了一种绝缘子泄漏电流的预测方法，其中，包括：
实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；
通过预先设置好的组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；
将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果；
其中，所述泄漏电流预测模型是由CNN(Convolutional Neural Networks，卷积神经网络)模型和GRU(Gated Recurrent Unit，门控循环网络)模型构成的。
根据本发明的另一方面，提供了一种绝缘子泄漏电流的预测装置，其中，包括：
绝缘子泄漏电流样本确定模块，用于实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；
泄漏电流时间子序列确定模块，用于通过预先设置好的组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；
绝缘子泄漏电流预测结果确定模块，用于将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果；
其中，所述泄漏电流预测模型是由CNN模型和GRU模型构成的。
根据本发明的另一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现本发明任一实施例所述的绝缘子泄漏电流的预测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的绝缘子泄漏电流的预测方法。
本发明实施例的技术方案，通过实时获取时间序列绝缘子泄漏电流数据集，并对时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；通过预先设置好的组合模态分解方法对绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；将泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果。解决了绝缘子表面泄漏电流预测不准确的问题，通过组合模态分解方法能够更好地对绝缘子泄漏电流样本进行分解处理，并且训练泄漏电流预测模型，从而提高了预测精度，得到更加准确的绝缘子泄漏电流预测结果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种绝缘子泄漏电流的预测方法的流程图；
图2是根据本发明实施例二提供的另一种绝缘子泄漏电流的预测方法的流程图；
图3是根据本发明实施例三提供的一种绝缘子泄漏电流的预测装置的结构示意图；
图4是根据本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“当前”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种绝缘子泄漏电流的预测方法的流程图，本实施例可适用于对绝缘子泄漏电流进行预测的情况，该方法可以由绝缘子泄漏电流的预测装置来执行，该绝缘子泄漏电流的预测装置可以采用硬件和/或软件的形式实现。
相应的，如图1所示，该方法包括：
S110、实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本。
其中，时间序列绝缘子泄漏电流数据集可以是包含多组时间序列绝缘子泄漏电流数据的数据集，描述绝缘子泄漏电流的属性的数据，为时间序列。具体的，可以包括绝缘子泄漏电流对应的环境因素(相对湿度、温度等)以及绝缘子泄漏电流表面污秽状态(污秽成分、染污程度、和污秽不均匀度等)。
另外的，绝缘子泄漏电流样本可以是对时间序列绝缘子泄漏电流数据集中的数据进行标准化预处理得到的样本数据，经过标准化预处理得到的样本数据更加有利于绝缘子泄漏电流的预测，样本数据更加标准。
S120、通过预先设置好的组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列。
其中，组合模态分解方法可以包括集合模态分解方法和小波包分解方法，集合模态分解方法可以设置不同的集合模态分解层数，小波包分解方法也可以设置不同的小波包分解层数。泄漏电流时间子序列可以是通过组合模态分解方法进行分解得到的子序列。
可选的，所述通过组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列，包括：通过所述组合模态分解方法对应的预先构建好的集合模态分解方法，对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流高频本征模态函数和中低频时间子序列；对所述泄漏电流高频本征模态函数通过预先构建好的小波包分解方法进行分解处理，得到小波包分解时间子序列；将所述中低频时间子序列和所述小波包分解时间子序列进行合并，确定出所述泄漏电流时间子序列。
其中，集合模态分解方法可以是通过减去绝缘子泄漏电流样本中的IMF分量，得到相应的残差信号，并进一步的对残差信号进行再分解，得到的中低频时间子序列和泄漏电流高频本征模态函数的方法。泄漏电流高频本征模态函数可以是泄漏电流对应的频率较高的序列。中低频时间子序列可以是泄漏电流对应的频率较低的序列。小波包分解方法可以是能够将泄漏电流高频本征模态函数的高频子序列进行再一次的分解，降低泄漏电流高频本征模态函数的频率，从而可以提供更精确的信号解析和更精确地划分了时频平面。
另外的，小波包分解时间子序列可以是将泄漏电流高频本征模态函数通过小波包分解方法得到的子序列，对得到的该小波包分解时间子序列能够更好地进行时间信号的分析。
在本实施例中，集合模态分解方法将绝缘子泄漏电流样本的时间序列分解成若干个子序列。具体的，假设原始信号为X(t)，从原始信号X(t)中减去第一个IMF分量XIMF1(t)，得到残差信号r1(t)＝X(t)-XIMF1(t)。
进一步的，把r1(t)作为为分解对象，继续找出第二个IMF分量XIMF2(t)，计算相应的残差信号，直到残差信号rn(t)仅有一个局部极值点或是一个单调函数，说明已经无法再筛选出IMF，因此，集合模态分解方法的分解结束。相应的，可以得到泄漏电流高频本征模态函数和中低频时间子序列。
进一步的，对泄漏电流高频本征模态函数通过预先构建好的小波包分解方法进行分解处理，得到小波包分解时间子序列。具体的，对于频率偏高的XIMF1(t)，通过小波包分解方法对XIMF1(t)进行进一步分解，进而降低预测难度。
在本实施例中，对于实际中的不平稳信号来说，小波包分解方法是分析信号特征，提供时频局部化函数和小波分解的有效工具。小波变换的自适应性较传统的时间频率分析方法效果好，实现了单侧分解，但是它仅分离了频率较高的低通分量，比较之下，小波包分解方法可以将原始信号分解成一系列子信号，提供了更精确的信号解析，更精确地划分了时频平面。
进而，通过小波包分解方法进行分解处理，得到小波包分解时间子序列，优选的，在组合模态分解中，被小波包分解方法实行进一步分解为一系列模态分量，使用混合预测模型研究组合模态分解的最佳分解层数，测试实验将小波包分解方法的分解次数设置为1至4。
优选的，为了将分解的绝缘子泄漏电流时间子序列之间的隐含特征解析出来，通过图像处理的方法，将某一时刻的绝缘子泄漏电流时间子序列拼接起来，形成一个多通道数量的时间序列的张量(时间序列)。
S130、将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果。
其中，所述泄漏电流预测模型是由CNN模型和GRU模型构成的。
其中，泄漏电流预测模型可以是能够根据泄漏电流时间子序列得到相应的预测结果的模型，并且泄漏电流预测模型是由CNN模型和GRU模型组成的。CNN模型可以是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类的模型。GRU模型可以是循环神经网络的一种，和LSTM一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。门控循环单元是一种常用的门控循环神经网络。
另外的，绝缘子泄漏电流预测结果可以是通过泄漏电流预测模型进行预测，得到的预测结果，绝缘子泄漏电流预测结果包括存在泄漏电流的情况和不存在泄漏电流的情况。
可选的，所述将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果，包括：将所述泄漏电流时间子序列输入至所述泄漏电流预测模型对应的CNN模型中，得到泄漏电流特征向量；将所述泄漏电流特征向量输入至所述泄漏电流预测模型对应的GRU模型中，得到所述绝缘子泄漏电流预测结果。
其中，泄漏电流特征向量可以是经过CNN模型处理得到的特征向量，该特征向量为一维行向量，将其输入至GRU模型中进行再处理。
优选的，GRU模型把经过CNN模型的输出特征向量y作为输入，进而分离出各个时间子序列之间的时间关联性，最后重构各时间子序列得到预测值^
x(t)。绝缘子泄漏电流子序列作为一种时序数据存在较强的时间关联性，而GRU模型是被优化的循环神经网络，善于处理时间序列数据，具备更少的参数设置特点，所以需要的训练集数据较少，计算效率更高。
优选的，验证组合模态分解方法可以更好地提高预测精度，可以选取采用一次模态分解的CNN、GRU和CNN-GRU预测模型分别采用组合模态分解CNN、GRU和CNN-GRU预测模型进行比较。组合模态分解方法具有更好地预测精度。
本发明实施例的技术方案，通过实时获取时间序列绝缘子泄漏电流数据集，并对时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；通过预先设置好的组合模态分解方法对绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；将泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果。解决了绝缘子表面泄漏电流预测不准确的问题，通过组合模态分解方法能够更好地对绝缘子泄漏电流样本进行分解处理，并且训练泄漏电流预测模型，从而提高了预测精度，得到更加准确的绝缘子泄漏电流预测结果。
实施例二
图2为本发明实施例二提供的另一种绝缘子泄漏电流的预测方法的流程图，本实施例以上述各实施例为基础进行优化，在本实施例中，在所述实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本之前，还包括对组合模态分解方法的设置的具体操作过程。
相应的，如图2所示，该方法包括：
S210、获取历史时间序列绝缘子泄漏电流数据集。
其中，历史时间序列绝缘子泄漏电流数据集可以是由多组历史时间序列绝缘子泄漏电流数据构成的数据集，描述历史时间序列绝缘子泄漏电流的属性的数据，为历史时间序列。
S220、对所述历史时间序列绝缘子泄漏电流数据集进行标准化预处理，得到历史绝缘子泄漏电流样本。
其中，历史绝缘子泄漏电流样本可以是对历史时间序列绝缘子泄漏电流数据集中的数据进行标准化预处理得到的样本数据。
S230、构建初始组合模态分解方法。
其中，所述初始组合模态分解方法包括：初始集合模态分解方法和初始小波包分解方法；初始集合模态分解方法对应初始集合模态分解层数；初始小波包分解方法对应初始小波包分解层数；初始组合模态分解方法对应初始时间步长。
其中，初始组合模态分解方法可以是预先根据经验来初始设定的组合模态分解方法。由于初始组合模态分解方法是由初始集合模态分解方法和初始小波包分解方法来构成的，初始集合模态分解方法对应初始集合模态分解层数；初始小波包分解方法对应初始小波包分解层数，初始分解层数是根据经验值得到的，需要进一步地根据准确率的大小进行分解层数的调整处理。初始时间步长也是根据经验值设置的步长的大小，进一步地根据是否满足准确率进行调整处理。
S240、将所述历史绝缘子泄漏电流样本通过初始集合模态分解方法和初始小波包分解方法按照初始时间步长进行分解处理，得到历史泄漏电流时间子序列。
其中，历史泄漏电流时间子序列为m@T×n的张量，m表示通道数量，T表示初始时间步长，N表示特征数量；@表示张量中的连接符号。
其中，历史泄漏电流时间子序列可以是通过初始组合模态分解方法进行分解得到的子序列。
S250、将所述历史泄漏电流时间子序列与标准泄漏电流时间子序列进行对比计算，得到分解准确率，并且如果所述分解准确率满足准确率阈值时，完成所述组合模态分解方法的设置。
其中，标准泄漏电流时间子序列可以是根据历史绝缘子泄漏电流样本预先设定的标准的泄漏电流时间子序列。分解准确率可以是描述分解出的历史泄漏电流时间子序列与标准泄漏电流时间子序列之间准确的概率，分解准确率越高，说明分解的效果越好，反之，需要再继续分解，提高分解准确率。准确率阈值可以是预先设定的准确率的阈值。
可选的，在所述将所述历史泄漏电流时间子序列与标准泄漏电流时间子序列进行对比计算，得到分解准确率之后，还包括：如果所述分解准确率不满足准确率阈值，则分别增加所述初始集合模态分解方法对应的集合模态分解层数和所述初始小波包分解方法对应的小波包分解层数，以及减少初始时间步长；返回执行将所述历史绝缘子泄漏电流样本通过初始集合模态分解方法和初始小波包分解方法按照初始时间步长进行分解处理，得到历史泄漏电流时间子序列的操作，直至所述分解准确率满足准确率阈值，确定出所述初始集合模态分解方法对应的集合模态分解层数、所述初始小波包分解方法对应的小波包分解层数和时间步长；根据所述集合模态分解层数来确定出所述集合模态分解方法，并根据所述小波包分解层数来确定出所述小波包分解方法；根据所述集合模态分解方法、所述小波包分解方法和时间步长，完成所述组合模态分解方法的设置。
其中，时间步长可以是经过调整初始时间步长之后得到的。
在本实施例中，当分解准确率不满足准确率阈值，需要对集合模态分解层数、小波包分解层数和初始时间步长进行调整处理，直至满足准确率阈值的要求，根据最后确定的分解层数和时间步长来进一步地确定出组合模态分解方法。
可选的，所述时间步长为4到9，所述集合模态分解层数为2层，所述小波包分解层数为3层。
可选的，在所述实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本之前，还包括：设置初始泄漏电流预测模型；其中，所述初始泄漏电流预测模型由所述CNN模型和所述GRU模型构成；所述CNN模型包括：三个卷积层和一个扁平层；所述GRU模型包括：三个网络层单元和一个全连接层；将从所述CNN模型对应的扁平层输出的所述泄漏电流特征向量输出至所述GRU模型中；其中，所述CNN模型和所述GRU模型均对应的激活函数为修正线性单元函数；所述初始泄漏电流预测模型对应的损失函数为均方误差；所述初始泄漏电流预测模型对应的优化算法为Adma算法；依次获取一组所述历史泄漏电流时间子序列，对所述初始泄漏电流预测模型进行训练，输出训练绝缘子泄漏电流预测结果；获取标准绝缘子泄漏电流预测结果，并与所述训练绝缘子泄漏电流预测结果进行均方误差值计算，得到误差结果；当所述误差结果小于或者等于误差阈值时，完成所述泄漏电流预测模型的训练；当所述误差结果大于误差阈值时，返回依次获取一组所述历史泄漏电流时间子序列的操作，直至所述误差结果小于或者等于所述误差阈值。
其中，初始泄漏电流预测模型可以是由CNN模型和GRU模型构成的模型，能够实现对历史泄漏电流时间子序列的处理操作，得到训练绝缘子泄漏电流预测结果。标准绝缘子泄漏电流预测结果可以是预先设定的标准泄漏电流预测模型处理得到的标准预测结果。误差结果可以是描述标准绝缘子泄漏电流预测结果和训练绝缘子泄漏电流预测结果之间的误差大小的结果。误差阈值可以是预先设定允许出现的误差范围的阈值的大小。
在本实施例中，采集历史时间序列绝缘子泄漏电流数据集并进行标准化预处理。
具体的，对原始绝缘子泄漏电流时间序列x(t)加入高斯白噪声w(t)，生成包含白噪声的信号X(t)。
S1：求出X(t)局部极大值和极小值，并采用三次样条函数连接X(t)的局部极大值和极小值，由局部极大值构成X(t)的上包络线u1(t)，由局部极小值构成X(t)的下包络线b1(t)。确定上包络线和下包络线的均值m(t)＝[u1(t)+b1(t)]/2。从原始X(t)信号中减去m(t),得到新的信号h1(t)＝X(t)-m(t)。
S2：剩余的h1(t)被当作新的原始信号，若h1(t)满足IMF如下的两个要求，①极值的个数和过零点的个数相等或至多相差一个；②在任意时刻，上下包络线的平均值为零，即h1(t)为1个IMF，同时设XIMF1(t)＝h1(t)；若不满足，则做出h1(t)的上下包络线，计算其均值m1(t)，求出h11(t)＝h1(t)-m1(t)，再判断h11(t)是否满足IMF要求，如果是，则令XIMF1(t)＝h11 (t)，否则重复以上操作；直到h1n(t)满足IMF的要求为止；此时XIMF1(t)＝h1n(t)为信号X(t)的第一个IMF分量。
S3：从原始信号X(t)中减去第一个IMF分量XIMF1(t)，得到残差信号r1(t)＝X(t)-XIMF1(t)，把r1(t)作为为分解对象，重复step2-5，找出第二个IMF分量XIMF2(t)，直到残差信号rn(t)仅有一个局部极值点或是一个单调函数，这时已经无法再筛选出IMF；至此，集合模态分解分解结束，原始绝缘子泄漏电流时间序列可以表示为:
其中：n为IMF的个数；XIMFi(t)为各层IMF分量，rn(t)为最终残差项。
提出的预测模型的性能由三个参数影响，分别是时间步长，集合模态分解方法方法的分解次数，和小波包分解方法的分解次数。使用用三组交叉实验来确定这三个参数。
为了研究时间步长对提出模型预测精度的影响，本小节进行了实验测试，把输入时间步长设置为4至9，集合模态分解分解层数和小波包分解分解层数都分别设置为2和3。
在一次模态分解中，本文使集合模态分解来降低泄漏电流时间序列非平稳性，非线性带来的影响。采用EEMD-CNN-GRU(Ensemble Empirical Mode Decomposition，集合模态分解方法)混合预测模型研究一次模态分解的最优分解次数。测试实验将分解次数设置为2至7。
应用小波包分解方法对频率偏高的XIMF1(t)实行进一步分解，从而降低了预测难度。
对于实际中的不平稳信号来说，小波包分解方法是分析信号特征，提供时频局部化函数和小波分解的有效工具。小波变换的自适应性较传统的时间频率分析方法效果好；实现了单侧分解，但是它仅分离了频率较高的低通分量，比较之下，小波包分解可以将原始信号分解成一系列子信号，提供了更精确的信号解析，更精确地划分了时频平面。小波包的定义为：设{h0k(t)}k∈Z及{h1k(t)}k∈Z是正交镜像滤波器，二尺度方程如下：
当n＝0时，
为尺度函数，w0(t)＝ψ(t)为小波函数。而小波包就是由尺度函数对应的函数序列{wn(t)}n∈Z构成。
小波包分解方法是在小波变换的基础上对频率较高信号进一步分解，小波包分解分解的结果是将XIMF1(t)子序列最终分解到2i(i为分解的次数)个小波包子集合中。虽然对集合模态分解分解产生XIMF1(t)的进行小波包分解分解依旧会产生频率较高分量，但同样也会产生出其他具有线性稳定的中低频分量，正是由于组合模态分解出来的这部分绝缘子泄漏电流子序列降低了预测难度。
在组合模态分解中，XIMF1(t)被小波包分解方法实行进一步分解为一系列模态分量。使用CMD-CNN-GRU(Command，命令分解)混合预测模型研究组合模态分解的最佳分解层数。测试实验将分解次数设置为1至4。
传统的机器学习用绝缘子泄漏电流序列直接训练模型会难以提高预测精度，所以采用组合模态分解、将原始绝缘子泄漏电流时间序列分解为若干个子序列，作为预测模型的输入，消除其不稳定性的影响，针对预测精度不高的问题，本文提出混合式CNN-GRU预测模型。CNN用于解析CMD分解产生的各个泄漏电流时间子序列之间的隐含特征，并把隐含特征作为GRU模型的输入，进而分离各时间子序列之间的时间相关性，叠加各时间子序列重构得到泄漏电流时间序列预测值。
为了将分解的绝缘子泄漏电流时间序列之间的隐含特征解析出来，本文参考图像处理的方法，将某一时刻的时间子序列拼接起来，形成一个m@T×n的张量(时间序列)。其中m为通道数量，T为时间步长，n为特征数量。所建立的CNN模型包括3个卷积层和一个扁平层。由于输入的特征量少，故该CNN模型不需要应用池化层。每个卷积核的数目分别为4、8和16。深度学习预测模型建立为经集合模态分解方法和小波包分解方法而绝缘子泄漏电流产生的时间子序列训练CNN模型，时间步长设置为6，第一个时刻至第六个时刻时间子序列为样本输入，按此规则，至整个时间子序列数据集输入完毕。
其中，
为表示第n-1层的第i个特征图的输出值，*为输入特征图和卷积核的卷积运算，
表示第l层第j个特征图与第n-1层第i个特征图之间的卷积核；
代表第n层的第j个特征图之间所对应的阈值；Nj代表输入的特征图的集合；
表示第n层的第j个特征图的输出值。f(·)为激活函数。
经过卷积网络操作后，通过扁平层，将最终的特征图序列排成一个单维的行向量y＝(y1,y2...,yT)并将其作为GRU模型的输入。
GRU模型把经过卷积网络操作的输出特征向量y作为输入，进而分离出各个时间子序列之间的时间关联性，最后重构各时间子序列得到预测值
绝缘子泄漏电流序列作为一种时序数据存在较强的时间关联性，而GRU模型是被优化的循环神经网络，善于处理时间序列数据，克服了循环神经网络存在的梯度消失及长期依赖的缺点。GRU模型具备更少的参数设置特点，所以需要的训练集数据较少，计算效率更高。GRU模型含有输入层，隐藏层和输出层。GRU模型核心是隐藏层的两个门，可以控制性让信息输入，进而控制原数据对输出结果的影响。GRU将LSTM中的输入门和遗忘门合二为一变成为更新门zt，另一个门为重置门rt，根据zt和ht-1更新ht。
zt＝σ(Wzxyt+Wzhht-1+bz) (5)
rt＝σ(Wrxyt+Wrhht-1+br) (6)
gt＝rt⊙ht-1 (7)
其中:yt和ht为隐藏层的输入和输出；zt为GRU的更新门，rt为GRU的重置门，更新门控制前端记忆信息能够不间断保留到当前时刻的数据量，重置门控制遗忘多少过去的信息并且组合新输入和之前的记忆。Wzx、Wzh、Wrx、Wrh、Whx、Whg为不同的权重参数矩阵，bz、br、bh为不同的偏置参数矩阵,σ(·)为sigmoid激活函数，⊙为Hadamard积。
所建立的GRU含有3个网络层，每层设置为4、8和16个神经元。CNN单元和GRU单元都是使用修正线性单元函数为激活函数，CNN-GRU混合模型采用均方误差作为损失函数，使用的优化算法为Adam算，迭代次数设置为400。
采用平均绝对误差和均方根误差这两种误差指标来评判所有模型的预测结果。
其中：x(t)为t时刻的真实的绝缘子泄漏电流预测值；
为t时刻的预测的绝缘子泄漏电流预测值；N为测试的数目。
S260、实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本。
S270、通过预先设置好的组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列。
S280、将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果。
本发明实施例的技术方案，通过实时获取时间序列绝缘子泄漏电流数据集，并对时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；通过预先设置好的组合模态分解方法对绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；将泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果。通过预先对组合模态分解方法的设置和泄漏电流预测模型的训练，设置出更加适合处理绝缘子泄漏电流的组合模态分解方法，能够更好地对绝缘子泄漏电流样本进行分解处理，并且训练泄漏电流预测模型，从而提高了预测精度，得到更加准确的绝缘子泄漏电流预测结果。
实施例三
图3为本发明实施例三提供的一种绝缘子泄漏电流的预测装置的结构示意图。本实施例所提供的一种绝缘子泄漏电流的预测装置可以通过软件和/或硬件来实现，可配置于终端设备或者服务器中来实现本发明实施例中的一种绝缘子泄漏电流的预测方法。如图3所示，该装置包括：绝缘子泄漏电流样本确定模块310、泄漏电流时间子序列确定模块320和绝缘子泄漏电流预测结果确定模块330。
其中，绝缘子泄漏电流样本确定模块310，用于实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；
泄漏电流时间子序列确定模块320，用于通过预先设置好的组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；
绝缘子泄漏电流预测结果确定模块330，用于将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果；
其中，所述泄漏电流预测模型是由卷积神经网络CNN模型和门控循环网络GRU模型构成的。
本发明实施例的技术方案，通过实时获取时间序列绝缘子泄漏电流数据集，并对时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；通过预先设置好的组合模态分解方法对绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；将泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果。解决了绝缘子表面泄漏电流预测不准确的问题，通过组合模态分解方法能够更好地对绝缘子泄漏电流样本进行分解处理，并且训练泄漏电流预测模型，从而提高了预测精度，得到更加准确的绝缘子泄漏电流预测结果。
可选的，所述泄漏电流时间子序列确定模块320，可以具体用于：通过所述组合模态分解方法对应的预先构建好的集合模态分解方法，对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流高频本征模态函数和中低频时间子序列；对所述泄漏电流高频本征模态函数通过预先构建好的小波包分解方法进行分解处理，得到小波包分解时间子序列；将所述中低频时间子序列和所述小波包分解时间子序列进行合并，确定出所述泄漏电流时间子序列。
可选的，所述绝缘子泄漏电流预测结果确定模块330，可以具体用于：将所述泄漏电流时间子序列输入至所述泄漏电流预测模型对应的CNN模型中，得到泄漏电流特征向量；将所述泄漏电流特征向量输入至所述泄漏电流预测模型对应的GRU模型中，得到所述绝缘子泄漏电流预测结果。
可选的，还包括，组合模态分解方法设置模块，可以具体用于：在所述实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本之前，获取历史时间序列绝缘子泄漏电流数据集；对所述历史时间序列绝缘子泄漏电流数据集进行标准化预处理，得到历史绝缘子泄漏电流样本；构建初始组合模态分解方法，其中，所述初始组合模态分解方法包括：初始集合模态分解方法和初始小波包分解方法；初始集合模态分解方法对应初始集合模态分解层数；初始小波包分解方法对应初始小波包分解层数；初始组合模态分解方法对应初始时间步长；将所述历史绝缘子泄漏电流样本通过初始集合模态分解方法和初始小波包分解方法按照初始时间步长进行分解处理，得到历史泄漏电流时间子序列；其中，历史泄漏电流时间子序列为m@T×n的张量，m表示通道数量，T表示初始时间步长，N表示特征数量；@表示张量中的连接符号；将所述历史泄漏电流时间子序列与标准泄漏电流时间子序列进行对比计算，得到分解准确率，并且如果所述分解准确率满足准确率阈值时，完成所述组合模态分解方法的设置。
可选的，所述组合模态分解方法设置模块，还可以具体用于：在所述将所述历史泄漏电流时间子序列与标准泄漏电流时间子序列进行对比计算，得到分解准确率之后，如果所述分解准确率不满足准确率阈值，则分别增加所述初始集合模态分解方法对应的集合模态分解层数和所述初始小波包分解方法对应的小波包分解层数，以及减少初始时间步长；返回执行将所述历史绝缘子泄漏电流样本通过初始集合模态分解方法和初始小波包分解方法按照初始时间步长进行分解处理，得到历史泄漏电流时间子序列的操作，直至所述分解准确率满足准确率阈值，确定出所述初始集合模态分解方法对应的集合模态分解层数、所述初始小波包分解方法对应的小波包分解层数和时间步长；根据所述集合模态分解层数来确定出所述集合模态分解方法，并根据所述小波包分解层数来确定出所述小波包分解方法；根据所述集合模态分解方法、所述小波包分解方法和时间步长，完成所述组合模态分解方法的设置。
可选的，所述组合模态分解方法设置模块，还可以具体用于：所述时间步长为4到9，所述集合模态分解层数为2层，所述小波包分解层数为3层。
可选的，还包括，泄漏电流预测模型训练模块，可以具体用于：在所述实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本之前，设置初始泄漏电流预测模型；其中，所述初始泄漏电流预测模型由所述CNN模型和所述GRU模型构成；所述CNN模型包括：三个卷积层和一个扁平层；所述GRU模型包括：三个网络层单元和一个全连接层；将从所述CNN模型对应的扁平层输出的所述泄漏电流特征向量输出至所述GRU模型中；其中，所述CNN模型和所述GRU模型均对应的激活函数为修正线性单元函数；所述初始泄漏电流预测模型对应的损失函数为均方误差；所述初始泄漏电流预测模型对应的优化算法为Adma算法；依次获取一组所述历史泄漏电流时间子序列，对所述初始泄漏电流预测模型进行训练，输出训练绝缘子泄漏电流预测结果；获取标准绝缘子泄漏电流预测结果，并与所述训练绝缘子泄漏电流预测结果进行均方误差值计算，得到误差结果；当所述误差结果小于或者等于误差阈值时，完成所述泄漏电流预测模型的训练；当所述误差结果大于误差阈值时，返回依次获取一组所述历史泄漏电流时间子序列的操作，直至所述误差结果小于或者等于所述误差阈值。
本发明实施例所提供的绝缘子泄漏电流的预测装置可执行本发明任意实施例所提供的绝缘子泄漏电流的预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例四的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如绝缘子泄漏电流的预测方法。
在一些实施例中，绝缘子泄漏电流的预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的绝缘子泄漏电流的预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行绝缘子泄漏电流的预测方法。
该方法包括：实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；通过预先设置好的组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
实施例五
本发明实施例五还提供一种包含计算机可读存储介质，所述计算机可读指令在由计算机处理器执行时用于执行一种绝缘子泄漏电流的预测方法，该方法包括：实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；通过预先设置好的组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果。
当然，本发明实施例所提供的一种包含计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的绝缘子泄漏电流的预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述绝缘子泄漏电流的预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种绝缘子泄漏电流的预测方法，其特征在于，包括：
实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；
通过预先设置好的组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；
将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果；
其中，所述泄漏电流预测模型是由卷积神经网络CNN模型和门控循环网络GRU模型构成的。
2.根据权利要求1所述的方法，其特征在于，所述通过组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列，包括：
通过所述组合模态分解方法对应的预先构建好的集合模态分解方法，对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流高频本征模态函数和中低频时间子序列；
对所述泄漏电流高频本征模态函数通过预先构建好的小波包分解方法进行分解处理，得到小波包分解时间子序列；
将所述中低频时间子序列和所述小波包分解时间子序列进行合并，确定出所述泄漏电流时间子序列。
3.根据权利要求1所述的方法，其特征在于，所述将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果，包括：
将所述泄漏电流时间子序列输入至所述泄漏电流预测模型对应的CNN模型中，得到泄漏电流特征向量；
将所述泄漏电流特征向量输入至所述泄漏电流预测模型对应的GRU模型中，得到所述绝缘子泄漏电流预测结果。
4.根据权利要求3所述的方法，其特征在于，在所述实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本之前，还包括：
获取历史时间序列绝缘子泄漏电流数据集；
对所述历史时间序列绝缘子泄漏电流数据集进行标准化预处理，得到历史绝缘子泄漏电流样本；
构建初始组合模态分解方法，其中，所述初始组合模态分解方法包括：初始集合模态分解方法和初始小波包分解方法；初始集合模态分解方法对应初始集合模态分解层数；初始小波包分解方法对应初始小波包分解层数；初始组合模态分解方法对应初始时间步长；
将所述历史绝缘子泄漏电流样本通过初始集合模态分解方法和初始小波包分解方法按照初始时间步长进行分解处理，得到历史泄漏电流时间子序列；
其中，历史泄漏电流时间子序列为m@T×n的张量，m表示通道数量，T表示初始时间步长，N表示特征数量；@表示张量中的连接符号；
将所述历史泄漏电流时间子序列与标准泄漏电流时间子序列进行对比计算，得到分解准确率，并且如果所述分解准确率满足准确率阈值时，完成所述组合模态分解方法的设置。
5.根据权利要求4所述的方法，其特征在于，在所述将所述历史泄漏电流时间子序列与标准泄漏电流时间子序列进行对比计算，得到分解准确率之后，还包括：
如果所述分解准确率不满足准确率阈值，则分别增加所述初始集合模态分解方法对应的集合模态分解层数和所述初始小波包分解方法对应的小波包分解层数，以及减少初始时间步长；
返回执行将所述历史绝缘子泄漏电流样本通过初始集合模态分解方法和初始小波包分解方法按照初始时间步长进行分解处理，得到历史泄漏电流时间子序列的操作，直至所述分解准确率满足准确率阈值，确定出所述初始集合模态分解方法对应的集合模态分解层数、所述初始小波包分解方法对应的小波包分解层数和时间步长；
根据所述集合模态分解层数来确定出所述集合模态分解方法，并根据所述小波包分解层数来确定出所述小波包分解方法；
根据所述集合模态分解方法、所述小波包分解方法和时间步长，完成所述组合模态分解方法的设置。
6.根据权利要求5所述的方法，其特征在于，所述时间步长为4到9，所述集合模态分解层数为2层，所述小波包分解层数为3层。
7.根据权利要求6所述的方法，其特征在于，在所述实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本之前，还包括：
设置初始泄漏电流预测模型；
其中，所述初始泄漏电流预测模型由所述CNN模型和所述GRU模型构成；所述CNN模型包括：三个卷积层和一个扁平层；所述GRU模型包括：三个网络层单元和一个全连接层；将从所述CNN模型对应的扁平层输出的所述泄漏电流特征向量输出至所述GRU模型中；
其中，所述CNN模型和所述GRU模型均对应的激活函数为修正线性单元函数；所述初始泄漏电流预测模型对应的损失函数为均方误差；所述初始泄漏电流预测模型对应的优化算法为Adma算法；
依次获取一组所述历史泄漏电流时间子序列，对所述初始泄漏电流预测模型进行训练，输出训练绝缘子泄漏电流预测结果；
获取标准绝缘子泄漏电流预测结果，并与所述训练绝缘子泄漏电流预测结果进行均方误差值计算，得到误差结果；
当所述误差结果小于或者等于误差阈值时，完成所述泄漏电流预测模型的训练；
当所述误差结果大于误差阈值时，返回依次获取一组所述历史泄漏电流时间子序列的操作，直至所述误差结果小于或者等于所述误差阈值。
8.一种绝缘子泄漏电流的预测装置，其特征在于，包括：
绝缘子泄漏电流样本确定模块，用于实时获取时间序列绝缘子泄漏电流数据集，并对所述时间序列绝缘子泄漏电流数据集进行标准化预处理，得到绝缘子泄漏电流样本；
泄漏电流时间子序列确定模块，用于通过预先设置好的组合模态分解方法对所述绝缘子泄漏电流样本进行分解处理，得到泄漏电流时间子序列；
绝缘子泄漏电流预测结果确定模块，用于将所述泄漏电流时间子序列输入至预先训练好的泄漏电流预测模型中，确定出绝缘子泄漏电流预测结果；
其中，所述泄漏电流预测模型是由卷积神经网络CNN模型和门控循环网络GRU模型构成的。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的绝缘子泄漏电流的预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的绝缘子泄漏电流的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310182366.4A CN116109004A (zh) | 2023-02-27 | 2023-02-27 | 一种绝缘子泄漏电流的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310182366.4A CN116109004A (zh) | 2023-02-27 | 2023-02-27 | 一种绝缘子泄漏电流的预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116109004A true CN116109004A (zh) | 2023-05-12 |
Family
ID=86261588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310182366.4A Pending CN116109004A (zh) | 2023-02-27 | 2023-02-27 | 一种绝缘子泄漏电流的预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116109004A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118091489A (zh) * | 2024-04-26 | 2024-05-28 | 浙江泰伦绝缘子有限公司 | 一种输电线路玻璃绝缘子状态的检测方法 |
| CN118245733A (zh) * | 2024-05-21 | 2024-06-25 | 深圳市北电仪表有限公司 | 基于运行误差监测模型的数据预处理方法及智能电表 |
| CN118245823A (zh) * | 2024-05-21 | 2024-06-25 | 广东电网有限责任公司梅州供电局 | 一种绝缘子泄漏电流预测方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738010A (zh) * | 2019-10-17 | 2020-01-31 | 湖南科技大学 | 集成深度学习模型的风电场短期风速预测方法 |
| US20200208861A1 (en) * | 2017-09-15 | 2020-07-02 | Gree Electric Appliances (Wuhan) Co., Ltd | Refrigerant leak detection method and device for air conditioner |
| CN114548592A (zh) * | 2022-03-01 | 2022-05-27 | 重庆邮电大学 | 一种基于cemd和lstm的非平稳时间序列数据预测方法 |
| CN115130584A (zh) * | 2022-06-29 | 2022-09-30 | 润联软件系统(深圳)有限公司 | 时间序列预测方法、装置、设备及存储介质 |
-
2023
- 2023-02-27 CN CN202310182366.4A patent/CN116109004A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200208861A1 (en) * | 2017-09-15 | 2020-07-02 | Gree Electric Appliances (Wuhan) Co., Ltd | Refrigerant leak detection method and device for air conditioner |
| CN110738010A (zh) * | 2019-10-17 | 2020-01-31 | 湖南科技大学 | 集成深度学习模型的风电场短期风速预测方法 |
| CN114548592A (zh) * | 2022-03-01 | 2022-05-27 | 重庆邮电大学 | 一种基于cemd和lstm的非平稳时间序列数据预测方法 |
| CN115130584A (zh) * | 2022-06-29 | 2022-09-30 | 润联软件系统(深圳)有限公司 | 时间序列预测方法、装置、设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118091489A (zh) * | 2024-04-26 | 2024-05-28 | 浙江泰伦绝缘子有限公司 | 一种输电线路玻璃绝缘子状态的检测方法 |
| CN118245733A (zh) * | 2024-05-21 | 2024-06-25 | 深圳市北电仪表有限公司 | 基于运行误差监测模型的数据预处理方法及智能电表 |
| CN118245823A (zh) * | 2024-05-21 | 2024-06-25 | 广东电网有限责任公司梅州供电局 | 一种绝缘子泄漏电流预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116109004A (zh) | 一种绝缘子泄漏电流的预测方法、装置、设备及介质 | |
| WO2021175058A1 (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
| EP4131069A1 (en) | Transfer model training method and apparatus and fault detection method and apparatus | |
| CN115374948B (zh) | 量子神经网络的训练方法、数据处理方法、设备及介质 | |
| CN116485031A (zh) | 短期电力负荷的预测方法、装置、设备及存储介质 | |
| CN113313261A (zh) | 函数处理方法、装置及电子设备 | |
| CN116542362A (zh) | 一种负荷预测方法、装置、电子设备及存储介质 | |
| CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
| CN115965160A (zh) | 一种数据中心能耗预测方法、装置、存储介质及电子设备 | |
| CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
| CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
| Tandale et al. | Brain-inspired spiking neural networks in Engineering Mechanics: a new physics-based self-learning framework for sustainable Finite Element analysis | |
| Chen et al. | FlexFL: Heterogeneous Federated Learning via APoZ-Guided Flexible Pruning in Uncertain Scenarios | |
| CN116168770A (zh) | 分子数据的处理方法、装置电子设备以及存储介质 | |
| CN115169173A (zh) | 工程机械可靠性分析方法和装置、计算机设备和存储介质 | |
| CN115878783B (zh) | 文本处理方法、深度学习模型训练方法以及样本生成方法 | |
| CN113537637B (zh) | 基于门控循环单元的地震破坏力预测方法及装置 | |
| US20230195842A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
| CN117454161A (zh) | 网络模型训练方法、装置、设备及存储介质 | |
| Yu et al. | Research on resource load forecasting of smart grid cloud computing center-based multi-model fusion | |
| CN117851598A (zh) | 一种大语言模型辅助分类方法、装置、设备及介质 | |
| CN117934137A (zh) | 一种基于模型融合的不良资产回收预测方法、装置及设备 | |
| Sun et al. | Production quality early warning method for firearms components based on cloud edge collaboration | |
| Si | Research on the Data-Driven Differential Equation-Solving Algorithm Based on Artificial Intelligence | |
| Wang et al. | Network Traffic Prediction with Decomposition and Multi-Scale Autocorrelation in Large-Scale Cloud Data Centers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |