[发明专利]基于多通道深度卷积Q-learning的变电站开关柜状态监测方法

说明书

本发明公开了基于多通道深度卷积Q‑learning的变电站开关柜状态监测方法，具体步骤如下：信号采集系统采集变电站开关柜的多通道复合信号；堆叠多通道复合信号并生成样本集；在每一阶段采用从样本集中交替选择样本策略；在当前时间步长中，代理观察从环境反馈的当前状态，并选择最佳操作策略以预测状态类别，其中环境基于操作策略和示例标签返回当前奖励；待当前时间步长完成后继续执行下一时间步长，直到在一个训练中达到最大时间步长；重复步骤S3和S4直到训练迭代次数达到设定值，深度Q‑Learning通过使用损失函数更新时序卷积神经网络参数；连续执行步骤S3–S5直到网络误差达到阈值停止，将训练好的模型应用于变电站开关柜状态监测。

技术领域

本发明属于变电站开关柜状态智能监测技术领域，具体地说，涉及一种基于多通道深度卷积Q-learning的变电站开关柜状态监测方法。

背景技术

变电站开关柜的主要任务是保护与控制配电系统，其运行状态直接影响到电力系统供电的安全性和稳定性。开关柜在工作过程中，会受到高温高电压和振动的影响，这将会降低其绝缘性能，并导致局部放电，进而给电力系统的造成严重的经济损失，甚至危机人生安全。因此实时监测变电站开关柜运行状态，能够及时发现其潜在故障风险以便有目的地对开关柜进行排查和维护。当前对开关柜的状态监测技术主要是采用温度监测和局部电压监测，如光纤测温、接触式测温和高频电流检测技术等，这些监测方法都需要直接接触监测设备，会影响到监测设备的正常运行；而且传统的监测手段都相对独立，无法将开关柜的多种监测数据进行综合分析，不能反映其真实的运行状态，甚至判断失误。因此，有必要开发能够充分挖掘开关柜监测数据的潜在信息的智能监测算法，实现开关柜健康水平的综合分析，提高开关柜的剩余运行寿命及可靠性。

发明内容

本发明要解决的技术问题在于提供一种基于多通道深度卷积Q-learning的变电站开关柜状态监测方法，将神经网络的感知与Q-learning的决策能力相结合，以将深度Q-learning应用于状态识别，提升了CNN模型的学习潜力并挖掘额外学习有效知识。

为了解决上述技术问题，本发明通过以下方式来实现：

基于多通道深度卷积Q-learning的变电站开关柜状态监测方法，具体步骤如下：

S1、信号采集系统采集变电站开关柜的多通道复合信号；

S2、分解开关柜的多通道复合信号，堆叠多通道复合信号并生成样本集；

S3、在每一阶段采用从样本集中交替选择样本策略，并确保每个样本的出现具有相同的概率；

S4、在当前时间步长中，代理观察从环境反馈的当前状态，并选择最佳操作策略以预测状态类别，其中环境基于操作策略和示例标签返回当前奖励；待当前时间步长完成后继续执行下一时间步长，直到在一个训练中达到最大时间步长；

S5、重复步骤S3和S4直到训练迭代次数达到设定值，深度Q-Learning通过使用损失函数更新时序卷积神经网络参数；

S6、连续执行步骤S3–S5直到网络误差达到阈值停止，将训练好的模型应用于变电站开关柜状态监测。

进一步的，所述步骤S2中具体的工艺步骤如下：