本发明涉及避雷器故障诊断，具体是一种基于神经网络的中低压避雷器故障诊断方法。
背景技术：
1、中低压避雷器作为配网电气设备过电压保护的重要手段，对其故障状态的诊断对配网安全稳定运行具有十分重要的意义。传统的避雷器故障诊断方法，确实在理论上能够一定程度地反映避雷器的故障状态，但是在实际应用中的效果却不尽如人意。造成这一现象的主要原因是：避雷器的实际工作运行环境很复杂，温度、湿度、表面污秽等实际存在的现场因素使得实测数据的准确性降低，数据同期可比性较差，测量量难以作为最终结果的判断依据。
2、公布号为cn 112362987 a的中国专利文献公开了一种基于稳健估计的避雷器故障诊断方法，该方法采用阈值对比和差异化相似度对比相结合的诊断方式，首先通过纵向对比同一避雷器同一相别的历史检测数据判断避雷器状态是否异常，然后在纵向对比结果的基础上，横向对比不同避雷器同相别或相同避雷器不同相别之间检测数据的特征相似度，进一步判断避雷器状态是否异常，避免了相间干扰、系统电压波动、高次谐波、环境等对诊断结果的影响，提高了诊断结果的正确性。但是，该发明未能解决上述技术问题。
3、公布号为cn 113484652 a的中国专利文献公开了一种基于改进k近邻算法的避雷器故障诊断方法及系统。包括：获取设备状态已知的避雷器在线监测数据，得到设备运行状态和多维特征量；对数据进行规范化处理,获取规范化处理后的数据，并对高维数据进行降维处理，获得可视化数据；将得到的各类型数据集导入到软件建立的改进k近邻算法中进行算法训练，以识别正确率为目标量进行算法寻优，获得算法故障识别的最优解。但是，该发明仅通过改进k近邻算法进行模型训练，模型的自适应能力和识别速度均有待进一步提高。
技术实现思路
1、有鉴于此，本发明针对现有技术的不足，提供的一种一种基于神经网络的中低压避雷器故障诊断方法。相较于其它故障诊断方法具有很多明显的优势：具有容错和容差能力；具有很强的自适应能力。能把识别处理和干预处理融合在一起；具有识别速度快、学习算法稳定、易于训练等特点。
2、为解决上述技术问题，本发明所采取的技术方案是：一种基于神经网络的中低压避雷器故障诊断方法，包括以下步骤：
3、s1：选取中低压避雷器标准故障样本；
4、s2：训练神经网络模型：对中低压避雷器的每一种标准故障样本进行学习，网络训练结束后，对具有最大输出的神经元做出此类故障的标记；
5、s3：将待测中低压避雷器故障样本输入所述神经网络模型，验证结果；
6、s4：根据输出神经元在输出层的位置和中低压避雷器某种标准故障样本的输出比对结果，判断待测样本发生的故障类型。
7、进一步地，所述中低压避雷器标准故障样本包括无间隙避雷器、带串联间隙避雷器和跌落式避雷器三种类型。
8、进一步地，所述神经网络模型的输入层为避雷器的泄漏电流、阻性电流和三次谐波电流；隐含层负责神经网络计算且将计算结果输出给输出层；输出层为避雷器受潮、避雷器阀片老化、避雷器阀片击穿、避雷器放电四种故障类型。
9、进一步地，所述神经网络模型的设计包括基函数、激励函数的选取和神经网络的优化。
10、进一步地，所述基函数选用径向基函数，公式如下：
11、
12、其中，μt为中心点，σt为径基宽度。
13、进一步地，所述激励函数选用tanh函数，tanh函数单调连续，二阶连续可微并且收敛速度非常快，公式如下：
14、
15、进一步地，所述神经网络的优化通过nag法修正训练权值，有效地解决了神经网络局部收敛的问题，并且加快了收敛速度，公式如下：
16、
17、其中，γ是动量因子。
18、与现有技术相比，本发明的有益效果如下：
19、本发明基于神经网络的中低压避雷器故障诊断方法，通过在神经网络模型中输入不同类型中低压避雷器的标准故障样本，如泄漏电流、阻性电流和三次谐波电流，进行训练学习，采用高级的径向基函数作为神经网络的神经元函数、tanh函数作为激励函数，nag优化神经网络权值，与神经网络模式识别相结合设计出故障诊断系统模型，识别出避雷器受潮、避雷器阀片老化、避雷器阀片击穿、避雷器放电四种故障类型。使用nag优化算法与神经网络模式识别相结合的新算法，使得所设计的避雷器故障诊断系统具有极强的自组织能力与自学能力。
20、本发明基于神经网络的中低压避雷器故障诊断方法，能够把识别处理和干预处理融合在一起，具有识别速度快、学习算法稳定、易于训练的特点；另外，本发明不仅容错和容差能力强，而且具有很强的自适应能力。
1.一种基于神经网络的中低压避雷器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络的中低压避雷器故障诊断方法，其特征在于：所述中低压避雷器标准故障样本包括无间隙避雷器、带串联间隙避雷器和跌落式避雷器三种类型。
3.根据权利要求2所述的基于神经网络的中低压避雷器故障诊断方法，其特征在于：所述神经网络模型的输入层为避雷器的泄漏电流、阻性电流和三次谐波电流；隐含层负责神经网络计算且将计算结果输出给输出层；输出层为避雷器受潮、避雷器阀片老化、避雷器阀片击穿、避雷器放电四种故障类型。
4.根据权利要求3所述的基于神经网络的中低压避雷器故障诊断方法，其特征在于：所述神经网络模型的设计包括基函数、激励函数的选取和神经网络的优化。
5.根据权利要求4所述的基于神经网络的中低压避雷器故障诊断方法，其特征在于：所述基函数选用径向基函数，公式如下：
6.根据权利要求4所述的基于神经网络的中低压避雷器故障诊断方法，其特征在于：所述激励函数选用tanh函数，公式如下：
7.根据权利要求4所述的基于神经网络的中低压避雷器故障诊断方法，其特征在于：所述神经网络的优化通过nag法修正训练权值，公式如下：
