摘要
金属氧化物避雷器（MOA）是电力输配电系统中广泛使用的保护设备，用于钳制由雷击和开关事件引起的瞬态过电压，从而保护电气设备并提高电力系统可靠性。然而，MOA的故障可能会严重破坏电力系统的绝缘配合和过电压保护，从而使关键资产暴露于潜在的破坏性电压应力之下。准确且早期地评估MOA的健康状况对于维持电力系统可靠性和降低灾难性绝缘故障的风险至关重要。鉴于基于模型的MOA状态监测技术存在若干局限性，本文探讨了将长短期记忆网络（LSTM）的时间学习能力与支持向量机（SVM）的判别能力相结合，能否为MOA健康评估提供一种更有效且计算可行的方法。因此，本研究使用了从20 kV配电浪涌保护器的历史巡检记录中提取的包含5157个观测值的数据集，用于训练预测MOA退化状况的模型。历史巡检测量值反映了MOA的运行状况和退化特性。结果表明，混合LSTM–SVM模型取得了最高的预测性能，AUC为0.916，F1分数为0.9711，优于单独使用的LSTM和SVM模型。然而，这一改进是以增加计算需求为代价的，混合模型需要367.8秒的训练时间和548 MB的峰值内存，均高于LSTM和SVM。尽管训练成本更高，LSTM–SVM模型的推理时间达到了1.45毫秒/样本，低于LSTM，但高于SVM。基于Diebold–Mariano（DM）检验对LSTM–SVM模型进行统计验证，得出的p值<0.001且DM统计量为负值，为预测性能的改善提供了统计证据。这些发现表明，LSTM–SVM模型能够更早地识别出退化的MOA，从而支持及时的维护干预，并降低意外故障及相关供电中断的可能性。
