(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211050412.7 (22)申请日 2022.08.29 (71)申请人 宜昌清江电气有限公司 地址 443500 湖北省宜昌市长阳 经济开发 区长阳大道548号 (72)发明人 邓津武　张李勇　李华俊　苏洪昌　 向军　邓衍贵　杨青　张鹏宇　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 易书玄 (51)Int.Cl. G06Q 10/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 基于CEEMDAN和BiLS TM模型的开 关柜安全 风 险预测方法 (57)摘要 本发明涉及基于CEEMDAN和BiLS TM模型的开 关柜安全风险预测方法， 包括： 采集开关柜的全 息数据； 采用完全噪声辅助聚合经验模态分解方 法分别将A、 B、 C相动触头温度的时间序列数据分 解为多个本征模态分量； 计算得到开关柜各物理 量与各相动触头温度的本征模态分量的相关性 大小； 筛选出各相动触头温度的主要相关的物理 量； 利用BiLS TM模型对各相动触头温度的本征模 态分量进行预测； 对动触头温度的本征模态分量 进行合成， 得到动触头温度的预测值， 并根据预 测值对开头柜的安全风险进行预警。 本发明实现 了高压开关柜群的实时检测与告警， 降低封闭式 高压开关柜事故率， 提升了电力系统安全可靠供 电的能力， 减少经济损失。 权利要求书3页 说明书8页 附图3页 CN 115511263 A 2022.12.23 CN 115511263 A 1.基于CEEMDAN和BiLSTM模型的开关柜安全风险预测方法， 其特征在于， 包括以下步 骤： 步骤1： 采集 开关柜的温度、 电流和压力的时间序列数据， 得到开关柜的全息数据； 分别采集开关柜A、 B、 C相进线的电流大小以及A、 B、 C相的动触头的温度； 分别采集A、 B、 C相的静触头的温度； 利用压力传感器监测 触头盒内A、 B、 C相触头处的压力大小； 利用温度 传感器监测开关柜顶部以及开关柜背面的温度； 步骤2： 采用完全噪声辅助聚合经验模态分解方法分别将A、 B、 C相动 触头温度的时间序 列数据分解 为多个本征模态分量； 步骤3： 分别以开关柜各相动触头的温度的本征模态分量为目标变量， 对开关柜的全息 数据进行斯皮尔曼相关性分析， 计算得到开关柜各物理量与各相动触头温度的本征模态分 量的相关性大小； 步骤4： 根据与动触头温度的相关性大小， 筛选出各相动触头温度的主要相关的物理 量； 步骤5： 建立BiLSTM模型， 将步骤4得到 的动触头温度的主要相关的物理量作为BiLSTM 模型的输入， 利用BiLSTM模型对各相动触头温度的本征模态分量进行预测； 对BiLSTM模型 得到的动触头温度的本征模态分量进行合成， 得到动触头温度的预测值； 步骤6： 根据开关柜动触头温度的预测值对开头柜的安全风险进行 预警。 2.根据权利要求1所述的开关柜安全风险预测方法， 其特征在于， 步骤2中， 对时间区间 内采集到的A、 B、 C相进线口的动触头温度的时间序列数据采用完全噪声辅助聚合经验模态 分解方法进行分解处 理， 得到具有不同频域特性的本征模态分量， 具体过程包括： S1： 将正负白噪声对加入原始数据序列x(t)中， 利用经验模态分解方法分解得到第一 个模态分量 IMF1： 其中残余分量： 式中N表示序列长度； r1(t)表示第1个残余分量； S2： 在残余分量r1(t)中加入正负成对高斯白噪声得到新序列， 并进行n次经验模态分 解， 得到第二个模态分量 IMF2： 式中Ek(·)表示经过经验模态分解获得的第k个IMF分量， hj(t)为第j个高斯白噪声序 列； ε1表示噪声系数； 其中残余分量： 式中r2(t)表示第2个残余分量； S3： 步骤S2类似地， 分解得到第k个残余分量：权　利　要　求　书 1/3 页 2 CN 115511263 A 2式中rk‑1(t)、 rk(t)分别表示第k ‑1、 k个残余分量； 重复采用经验 模态分解对待处 理序列进行分解操作， 推导出第k+1个模态分量 IMFk+1： S4： 重复步骤S3， 直到获得的残余分量为单调函数不适合被继续分解时， 结束分解过 程； 设得到的模态分量的数量 为L， 则原始序列可表示 为： 式中r(t)为 最终残余分量。 3.根据权利要求2所述的开关柜安全风险预测方法， 其特 征在于， 步骤5中， 构建并利用Bi LSTM模型 得到动触头温度的预测值的具体过程包括： 1)分别以步骤2得到的A、 B、 C相动触头温度的时间序列的本征模态分量IMF1 ‑IMF6以及 残余分量r作为BiLSTM模 型的预测变量， 以步骤4选出的动触头温度的主要相关的物理量作 为BiLSTM模型的输入， 构建Bi LSTM模型； BiLSTM模型的预测变量： f(x)＝ωTx+b        (8) 式中ω表示权 重矩阵， b表示偏置项， x表示输入； 利用采集的开关柜的全息数据作为BiLSTM模型的训 练数据集， 用于BiLSTM模型的训 练； 2)设置误差计算间隔( ε‑, ε+)， 当误差值大于误差计算间隔时， 计算 误差损失值； 3)BiLSTM模型的第一层LSTM中误差前向传递， 从历史数据 中学习； 第二层LSTM中误差 反向传递， 从未来数据中学习； 利用开关柜的全息数据对BiLSTM模型进行正反两个方向的 训练， 使Bi LSTM模型对开关柜全息数据中的负荷信息进行充分有效地学习； 4)根据训练好的BiLSTM模型的预测变量得到A、 B、 C相动触头温度的时间序列的本征模 态分量IMF1 ‑IMF6以及残余分量r， 并合成得到A、 B、 C相动触头温度的预测值； 采用平均绝对 误差MAE、 均方根 误差RMSE、 平均绝对误差百分比MAPE对Bi LSTM模型的预测精度进行评价。 4.根据权利要求3所述的开关柜安全风险预测方法， 其特征在于， BiLSTM模型的第一 层、 第二层LSTM采用如下的门控结构通过信息 选择方法， 控制信息向细胞 单元的传递， 遗忘门： ft＝σ(Wf·[ht‑1,xt]+bf)    (9) 式中ft表示遗忘门的输出， Wf表示遗忘门的权重矩阵， σ( ·)表示激活函数； bf表示遗忘 门的偏置项； ht‑1表示t‑1时刻的隐藏变量； xt表示t时刻的输入； 遗忘门通过读取ht‑1和xt， 输出一个0～1 的数值， 决定信息是否传递， 输出值等于0表示 信息完全舍弃， 输出值 等于1则表示信息 完全保留并传递； 输入门： it＝σ(Wi·[ht‑1,xt]+bi)     (10)权　利　要　求　书 2/3 页 3 CN 115511263 A 3