本发明属于绝缘架空导线故障检测领域，具体是一种绝缘架空导线早期故障预测方法。
背景技术：
1、绝缘架空导线由于其在耐候性、安全性和适应性方面相较于裸导线有明显的优势，尤其适用于环境复杂和对供电可靠性要求较高的场合，大大减少了停电维修次数，能满足当下对于用电质量的高要求，近年来得到了广泛使用。然而，许多绝缘架空导线由于工作在十分恶劣的环境中，其故障发生率往往更高，由于地形与天气等原因，前期出现的绝缘损伤也更难被发现，这对线路的正常运行与修复工作都造成了极大的困扰。因此及时检测到绝缘架空导线出现的早期故障，成为当下亟待解决的问题。
2、局部放电是导致电气设备绝缘劣化的主要原因之一；通过监测和分析局部放电的特征参数，可以实时了解绝缘状态，诊断故障原因，跟踪故障发展趋势，并在必要时进行停电检修或采取预防措施；在绝缘架空导线中，初期的局部放电可能不会立即导致故障，但长期积累会逐渐削弱绝缘性能，最终可能导致整体击穿。
3、现有技术(公开号为cn115113004a的发明申请)公开了一种配网架空线及沿线设备局部放电带电检测装置及方法，包括：通过主端检测单元获取第二同步脉冲信号和第一局部放电信号；通过从端检测单元获取第一同步脉冲信号和第二局部放电信号；通过主控电脑对所述第二同步脉冲信号和所述第一同步脉冲信号进行分析，得到时间数据，基于时间数据，计算得到传播时间，基于所述传播时间对时间数据进行同步处理，得到参考零点，并基于参考零点，根据第一局部放电信号和第二局部放电信号计算局部放电的位置；该申请可有效实现局部放电缺陷的快速诊断、定位和维修。但现有技术只能进行实时检测，并不能对未来的数据和故障进行预测，导致检测到局部放电时可能已经造成故障和损失。
4、因此，本发明提出一种绝缘架空导线早期故障预测方法，以解决上述技术问题。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种绝缘架空导线早期故障预测方法，用于解决现有技术只能进行实时检测，并不能对未来的数据和故障进行预测，导致检测到局部放电时可能已经造成故障和损失的技术问题。
2、为实现上述目的，本发明的第一方面提供了一种绝缘架空导线早期故障预测方法，包括：
3、步骤一：实时获取绝缘架空导线的信号数据；
4、步骤二：基于历史信号数据训练人工智能模型，得到信号数据预测模型；
5、步骤三：通过信号数据预测模型对信号数据进行预测，得到预测结果；
6、步骤四：基于历史信号数据训练lstm-gru模型，得到早期故障诊断模型；
7、步骤五：基于早期故障诊断模型对预测结果进行诊断，得到诊断结果；基于诊断结果判断绝缘架空导线是否存在早期故障；是，则发送预警信息至客户端；否，则持续检测判断。
8、优选的，所述实时获取绝缘架空导线的信号数据，包括：
9、s1：基于罗氏线圈作为电流传感器通过高频电流法采集绝缘架空导线上的pd信号；
10、s2：通过对采集到的pd信号进行预处理，得到初始pd信号；其中，预处理包括：放大和滤波；
11、s3：通过adc数模转换器将初始pd信号转换为数字信号，得到信号数据。
12、需要说明的是，罗氏线圈因其便携性强、安装方便且现场抗干扰能力好而被广泛应用，罗氏线圈可以安装在电力设备的接地线、中性点接线或电缆本体上，用于捕获流经的局部放电脉冲电流信号，并且罗氏线圈具备线性特性和宽动态检测范围，所以对于微小的高频pd电流具有灵敏的检测能力。
13、优选的，所述基于历史信号数据训练人工智能模型，包括：
14、将初始时刻的历史信号数据整合为标准输入数据；将预设预测时刻的历史信号数据整合为标准输出数据；其中，历史信号数据是采集绝缘架空导线的信号数据的历史数据；
15、基于标准输入数据和标准输出数据训练人工智能模型，得到信号数据预测模型；其中，人工智能模型包括：卷积神经网络或深度置信网络。
16、需要说明的是，所述预设预测时刻是根据实际预设时间尺度得到的；其中，预设时间尺度是指预设预测时刻与初始时刻之间相差的时间段；预设时间尺度是根据绝缘架空导线实际检测需求所设。
17、优选的，所述通过信号数据预测模型对信号数据进行预测，包括：
18、将初始时刻的信号数据输入信号数据预测模型，得到预测结果；其中，预测结果是指初始时刻对应预设预测时刻的信号数据。
19、优选的，所述基于历史信号数据训练lstm-gru模型，包括：
20、s1：基于预设采样频率对每个历史信号数据进行采样，得到每个历史信号数据对应的数据点；将数据点进行分组，得到若干组训练数据；其中，数据点是指信号在某个时间点的强度或幅度；
21、s2：将每个历史信号数据对应的训练数据分组数量标记为m；通过提取每组训练数据的特征值，生成m*n的特征矩阵；其中，n是特征值的数量；特征值包括：排列熵、奇异值熵、近似熵、样本熵、彼特罗西安分形维数、卡茨分形维数、分形维数、均值、标准差、浮动上限、浮动下限、区块振幅和七个数值提取百分位数；
22、s3：将每个历史信号数据对应的特征矩阵作为输入数据，将特征矩阵对应的故障结果作为输出数据；其中，故障结果包括：绝缘架空线存在早期故障或绝缘架空线不存在早期故障；
23、s4：基于输入数据和输出数据训练lstm-gru模型，得到早期故障诊断模型；其中，lstm-gru模型是结合注意力机制构建的五层网络结构的模型；五层网络结构包括：输入层、lstm-gru层、attention层、全连接层和输出层。
24、需要说明的是，排列熵是用于衡量pd信号的时序特性，分析其随机性；奇异值熵是用于衡量pd信号的结构、复杂度和信息量；近似熵是用于评估pd信号的复杂性与不规则性；样本熵是用于衡量pd信号时序的不稳定性；彼特罗西安分形维数是用于计算pd信号的分形维数，并描述信号的粗糙度和不规则性；卡茨分形维数是用于衡量pd信号的粗糙度和曲线的形状复杂性；分形维数是用于估计pd信号时序的分形维数；均值是计算每组数据的平均值；标准差是用于衡量数据的离散程度；浮动上限是均值与标准差之和；浮动下限是均值与标准差之差；区块振幅是用于衡量本组数据的振幅范围；七个数值提取百分位数是指分别提取每组数据中处于最大值与最小值之间0％、1％、25％、50％、75％、99％、100％七个位置上的数值；
25、所述特征矩阵对应的故障结果是由专家或者技术人员根据专业知识和经验进行标注的；所述attention层是引入的注意力机制；所述lstm-gru层是由长短期记忆递归神经网络(lstm)与门控循环单元(gru)组成。
26、传统的神经网络(如rnn)对于所有的输入数据都赋予相同的关注度，不会给予重要的数据更多的关注；注意力机制通过为输入的不同部分赋予不同的权重，使得网络能够更加灵活地处理输入数据，极大降低了无用数据对于训练的干扰，同时引入注意力机制到神经网络中不仅能够提高模型的性能，也可以帮助网络更好地理解输入数据，提高模型的解释性和可解释性。
27、优选的，所述基于早期故障诊断模型对预测结果进行诊断，包括：
28、基于预设预测时刻的信号数据提取对应的特征矩阵，并将特征矩阵输入早期故障诊断模型，得到诊断结果；其中，诊断结果包括：绝缘架空线存在早期故障或绝缘架空线不存在早期故障。
29、优选的，所述基于诊断结果判断绝缘架空导线是否存在早期故障，包括：
30、判断诊断结果是否为绝缘架空线存在早期故障；是；则生成预警，并将预警信息发送至客户端；否，则持续检测判断；其中，客户端包括：手机或电脑。
31、与现有技术相比，本发明的有益效果是：
32、本发明通过实时获取绝缘架空导线的信号数据；基于历史信号数据训练人工智能模型，得到信号数据预测模型；通过信号数据预测模型对信号数据进行预测，得到预测结果；以及，基于历史信号数据训练lstm-gru模型，得到早期故障诊断模型；基于早期故障诊断模型对预测结果进行诊断，得到诊断结果；基于诊断结果判断绝缘架空导线是否存在早期故障，解决了现有技术只能进行实时检测，并不能对未来的数据和故障进行预测，导致检测到局部放电时可能已经造成故障和损失的问题。
1.一种绝缘架空导线早期故障预测方法，其特征在于，包括：
2.根据权利要求1所述的一种绝缘架空导线早期故障预测方法，其特征在于，所述实时获取绝缘架空导线的信号数据，包括：
3.根据权利要求1所述的一种绝缘架空导线早期故障预测方法，其特征在于，所述基于历史信号数据训练人工智能模型，包括：
4.根据权利要求1所述的一种绝缘架空导线早期故障预测方法，其特征在于，所述通过信号数据预测模型对信号数据进行预测，包括：
5.根据权利要求1所述的一种绝缘架空导线早期故障预测方法，其特征在于，所述基于历史信号数据训练lstm-gru模型，包括：
6.根据权利要求1所述的一种绝缘架空导线早期故障预测方法，其特征在于，所述基于早期故障诊断模型对预测结果进行诊断，包括：
7.根据权利要求1所述的一种绝缘架空导线早期故障预测方法，其特征在于，所述基于诊断结果判断绝缘架空导线是否存在早期故障，包括：
