本发明涉及电力系统智能化，具体涉及一种避雷器的阻性电流带电预测方法及相关产品。
背景技术：
1、避雷器是电力系统中重要的防雷保护设备，其主要功能是有效防止雷电波入侵变电站并损坏电气设备，从而保障电力系统的安全运行。然而，避雷器在长期运行过程中，其内部的电气性能会发生变化，尤其是阻性电流这一关键参数的变化，直接反映了避雷器内部绝缘状态的劣化程度。阻性电流越大，表明避雷器的劣化越严重。如果避雷器失效，在雷雨天气雷电波入侵变电站时，会导致全站跳闸失电，进而造成重要用户停电停产，带来巨大的经济损失。
2、因此，对避雷器状态的评估对于保障电力系统的安全可靠运行至关重要。目前，避雷器带电测试是评估避雷器状态的重要方法之一。通常每年进行一次带电测试，主要测量避雷器的阻性电流。根据状态检修规程，当阻性电流增至1.5倍时，应缩短试验周期以防范风险。
3、然而，现有的避雷器带电测试方法主要关注最新的测量数据，缺乏对历史数据的纵向分析，无法对未来避雷器的劣化趋势作出准确预测。这种方法存在一定的局限性，可能导致避雷器劣化未能及时发现，增加了电力系统运行的风险。
技术实现思路
1、本发明所要解决的技术问题是现有避雷器带电测试方法只关注最新测量数据，缺乏对历史数据的纵向分析，无法准确预测未来避雷器的劣化趋势，目的在于提供一种避雷器的阻性电流带电预测方法及相关产品，实现了对避雷器阻性电流的高精度预测和实时预警，从而提高避雷器运行的安全性和可靠性，减少因避雷器失效而引发的电力系统故障和经济损失。
2、本发明通过下述技术方案实现：
3、一种避雷器的阻性电流带电预测方法，包括：
4、按时间序列收集避雷器运行监测系统中的历史数据，并对历史数据进行预处理后提取关键数据特征；
5、对关键数据特征进行归一化，并构建数据集，将数据集分为训练集和测试集；
6、构建lstm模型，并通过训练集对lstm模型进行训练，获得lstm预测模型；并将训练集输入至lstm预测模型，获得预测结果；
7、组合训练集和对应的预测结果，获得新输入特征；
8、构建随机森林回归模型，并通过新输入特征和目标变量进行训练，获得随机森林预测模型；
9、构建梯度提升回归模型，并通过新输入特征和目标变量进行训练，获得梯度提升预测模型；
10、随机森林预测模型和梯度提升预测模型的预测结果进行加权平均，获得集成预测模型；
11、通过测试集评估集成预测模型的预测性能，通过交叉验证和网格搜索优化模型参数，并调整权重参数，获得最优的集成预测模型；
12、将新的时间序列数据输入至lstm预测模型，并将lstm预测模型的预测结果和新的时间序列数据输入至集成预测模型，获得最终的预测结果。
13、可选地，获得关键数据特征的方法包括：
14、使用线性插值法处理历史数据中的缺失值；使用z-score方法对历史数据进行异常值检测和处理，获得历史数据信号；
15、提取历史数据信号中用于进行阻性电流预测的多个关键数据；
16、分别对多个关键数据进行小波变换，得到不同尺度和位置下的小波系数其中，ψa，b(t)为由母小波函数ψ(t)通过伸缩和平移得到的小波函数，a为尺度参数，b为平移参数，*为复共轭，t为时间，y(t)为历史数据；
17、对小波系数wy(a，b)进行傅里叶变换，得到频率域信号其中，f为频率，j为虚数单位，e为自然常数；
18、对频率域信号ya，b(f)进行高斯平滑，得到平滑后的信号其中，σ为高斯核函数的平滑参数；
19、对平滑后的信号进行逆小波变换，得到最终平滑后的关键数据特征
20、可选地，对关键数据特征进行归一化的方法包括：
21、对关键数据进行标准化，获得标准特征其中，μx为特征均值，σx为特征标准差，x(t)为关键数据特征，关键数据特征包括：历史阻性电流i(t)、环境温度t(t)、温度差值δt(t)＝t(t)-t(t-1)、湿度h(t)、相序p(t)；
22、对标准特征进行对数变换，获得偏态分布特征logx(t)＝log(1+|zx(t)|)·sign(zx(t))，其中，sign(zx(t))表示zx(t)的符号；
23、对偏态分布特征进行最大最小缩放，获得归一化特征其中，为偏态分布特征的最小值，为偏态分布特征的最大值。
24、具体地，获得lstm预测模型的方法包括：
25、构建lstm模型，并确定lstm模型的损失函数其中，α和β为用于平衡mse和msle贡献的权重参数，为第i个样本的预测值，yi为第i个样本的实际值，m为样本的数量，λ1为l1正则化的权重参数，λ2为l2正则化的权重参数，θj为模型的第j个参数；
26、对损失函数的动量项和平方梯度项进行迭代更新，其中，mf为第f次迭代的动量项，vf为第f次迭代的平方梯度项，β1为动量项的指数加权平均的衰减率，β2为平方梯度的指数加权平均的衰减率，f为损失函数关于参数θ的梯度；
27、对动量项和平方梯度项进行偏差校正其中，为校正后的动量项的指数加权平均，为校正后的平方梯度的指数加权平均；
28、计算动态学习率校正项其中，ρ∞为f在无穷大时的最大值；获得平滑因子
29、根据动态学习率校正项判断对参数集合的更新：若ρf＞4，第f+1次迭代后的参数集合若ρf≤4，第f+1次迭代后的参数集合其中，第f次迭代后的学习率a0为初始学习率，λ3为衰减速率，∈为小常数；
30、达到收敛条件后，获得训练后的lstm预测模型；
31、可选地，所述lstm模型包括输入层、隐藏层和输出层，隐藏层包括1个或多个lstm层，每个lstm层包括多个lstm单元，每个lstm单元包括1个遗忘门、1个输入门、1个输出门和1个记忆单元；
32、θ为参数集合，包括遗忘门的权重矩阵、输入门的权重矩阵、候选记忆单元的权重矩阵、输出门的权重矩阵、遗忘门的偏置向量、输入门的偏置向量、候选记忆单元的偏置向量、输出门的偏置向量、记忆单元状态、隐藏状态、输出层的权重矩阵、输出层的偏置向量。
33、lstm模型的收敛条件包括：损失函数的损失变化小于设定阈值、达到迭代次数或验证损失在指定的迭代次数中不改善。
34、具体地，新输入特征的获得方法包括：将关键数据特征输入至lstm预测模型，并获得预测结果；
35、将预测结果和输入的关键数据特征作为新输入特征其中，x为输入的关键数据特征，为lstm预测模型的预测结果。
36、可选地，随机随林预测模型的获得方法包括：
37、构建随机森林回归模型，并初始化随机森林回归模型的模型参数；
38、从新输入特征中进行有放回的随机抽样，对每一个决策树构建对应的训练子集；训练子集中的样本包括：新输入特征和目标变量，目标变量为实际阻性电流；
39、对于每一个决策树，通过递归的分割训练子集，选择使信息增益增大的特征和分裂点进行分裂，直到达到预设的最大深度或叶节点的最小样本数量；
40、完成对每一个决策树完成训练；
41、获得随机森林预测模型对应的预测结果n为决策树的数量，为新输入特征x′的第n个决策树的预测结果；n为决策树的数量。
42、可选地，梯度提升预测模型的获得方法包括：
43、构建梯度提升回归模型，并确定回归树的数量k和学习率λ4，初始化模型的预测值为目标变量的均值；
44、构建新训练集，新训练集中的样本包括：新输入特征和目标变量，目标变量为实际阻性电流；
45、迭代训练回归树，计算第k次迭代时，第i个样本的残差其中，yi为第i个样本的实际值，为第k-1次迭代中第i个样本的预测值；
46、训练第k次迭代中新的回归树其中，m为训练样本的数量，x′i为第i个样本的新输入特征，h为梯度提升回归模型中的回归树模型，h(x′i)为回归树h对新输入特征x′i的预测结果，为找到使目标函数最小化的h；
47、通过新的回归树更新预测值其中，为第k次迭代中第i个样本的预测值；
48、获得梯度提升预测模型对应的预测结果
49、可选地，集成预测模型对应的最终预测结果其中，xnew为新的时间序列数据，x′new为lstm预测模型对新的时间序列数据xnew的预测结果，wrf是随机森林预测模型的权重参数，wgb是梯度提升预测模型的权重参数，为随机森林预测模型的预测结果，为梯度提升预测模型的预测结果。
50、一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如上任意一项所述的一种避雷器的阻性电流带电预测方法。
51、本发明与现有技术相比，具有如下的优点和有益效果：
52、本发明提出了一种避雷器的阻性电流带电预测方法，首先，按时间序列收集避雷器运行监测系统中的历史数据，并对这些数据进行预处理以提取关键数据特征。然后，对这些关键数据特征进行归一化处理，构建数据集并将其分为训练集和测试集。接着，构建并训练长短期记忆(lstm)模型，通过训练集对lstm模型进行训练以获得预测结果。将训练集和预测结果组合，生成新的输入特征，并基于此构建随机森林回归模型和梯度提升回归模型。将两个回归模型的预测结果进行加权平均，形成集成预测模型。最后，通过测试集评估和优化集成预测模型的性能，并将新的时间序列数据输入至lstm模型和集成预测模型，获得最终的预测结果。
53、本发明通过结合lstm模型和集成回归模型，能够充分利用历史数据进行纵向分析，提供更准确的阻性电流预测，不仅考虑了最新的测量数据，还综合了历史数据特征，提升了预测的精度和可靠性。通过本发明中的实时预测和预警功能有助于及时发现避雷器的潜在故障，从而减少电力系统的故障率，降低经济损失，提升整体系统的安全性和可靠性。
1.一种避雷器的阻性电流带电预测方法，其特征在于，包括：
2.根据权利要求1所述的一种避雷器的阻性电流带电预测方法，其特征在于，获得关键数据特征的方法包括：
3.根据权利要求1所述的一种避雷器的阻性电流带电预测方法，其特征在于，对关键数据特征进行归一化的方法包括：
4.根据权利要求1所述的一种避雷器的阻性电流带电预测方法，其特征在于，获得lstm预测模型的方法包括：
5.根据权利要求4所述的一种避雷器的阻性电流带电预测方法，其特征在于，所述lstm模型包括输入层、隐藏层和输出层，隐藏层包括1个或多个lstm层，每个lstm层包括多个lstm单元，每个lstm单元包括1个遗忘门、1个输入门、1个输出门和1个记忆单元；
6.根据权利要求1所述的一种避雷器的阻性电流带电预测方法，其特征在于，新输入特征的获得方法包括：将关键数据特征输入至lstm预测模型，并获得预测结果；
7.根据权利要求1所述的一种避雷器的阻性电流带电预测方法，其特征在于，随机随林预测模型的获得方法包括：
8.根据权利要求1所述的一种避雷器的阻性电流带电预测方法，其特征在于，梯度提升预测模型的获得方法包括：
9.根据权利要求1所述的一种避雷器的阻性电流带电预测方法，其特征在于，集成预测模型对应的最终预测结果其中，xnew为新的时间序列数据，x′new为lstm预测模型对新的时间序列数据xnew的预测结果，wrf是随机森林预测模型的权重参数，wgb是梯度提升预测模型的权重参数，为随机森林预测模型的预测结果，为梯度提升预测模型的预测结果。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1-9中任意一项所述的一种避雷器的阻性电流带电预测方法。
