CN107730148B - 一种输电线路隐患预警方法和系统 - Google Patents
一种输电线路隐患预警方法和系统 Download PDFInfo
- Publication number
- CN107730148B CN107730148B CN201711108257.9A CN201711108257A CN107730148B CN 107730148 B CN107730148 B CN 107730148B CN 201711108257 A CN201711108257 A CN 201711108257A CN 107730148 B CN107730148 B CN 107730148B
- Authority
- CN
- China
- Prior art keywords
- state
- observation
- probability
- unit
- hidden danger
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000012546 transfer Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明涉及电子线路监测领域,公开了一种输电线路隐患预警方法和系统。本发明能够建立线路状态模型,采集历史行波数据,包括行波的特征量和历史时间中的状态,利用历史行波数据针对线路上的每一段观测单位建立隐马尔可夫模型,估计模型参数,并在接收到新的监测数据时利用线路状态模型进行故障概率分析,分析该观测单位位于某隐患状态的概率。本发明能够具体显示输电线路上的隐患发展状态,能够做到及时提醒工作人员,并对巡线做出明确的有针对性的指示,从而大幅减小巡线成本,提高检修效率。
Description
技术领域
本发明涉及输电线路在线监测技术领域,尤其涉及一种输电线路隐患预警方法和系统。
背景技术
输电线路在运行过程中,由于输电线路暴露在室外环境中,因此容易受到外界环境的影响,除过突发性的故障外,输电线路还会发生许多渐发性的故障。因为振动产生结构疲劳,气候变化产生覆冰故障、输电线路绝缘子上的污秽积累等,输电线路内部开始产生故障隐患,因此不易被巡线人员察觉到。
有的渐发性的故障会从微小的放电故障开始积累,最终演变成严重的闪络故障。而发生在线路内部的故障不容易被巡线人员察觉到。因此需要对输电线路进行监控,以便在渐发性故障变得严重之前发现这些故障,并尽早做出处理。
由于这些故障在变得严重之前很难被人发现,加上人工巡查需要动用大量人力物力资源,但是人工巡查效率低,难以发现故障点,因此需要输电线路的在线监测技术。
因为在输电线路故障在逐步发展中伴随着不同程度的放电现象,且不同类型的隐患的放电电流特征存在明显差异。因此在现有技术中,已经能够对输电线路上发生故障的放电点进行定位和类型辨识,但是对已发现的故障隐患缺乏具体的分析,判断不了故障隐患的严重程度。在发出预警,告知巡线人员进行巡线时,不能告知故障隐患的紧要程度,无法明确地提供巡线建议,因此可能造成严重的隐患不能及时处理的后果。
发明内容
为了解决对故障隐患缺乏具体的分析,故障预警缺乏针对性的建议的问题,本发明提出了一种输电线路隐患预警方法和系统,具体方案如下:
一种输电线路隐患预警方法,包括:
采集输电线路故障隐患放电产生的放电行波和故障波形。
识别行波类型,精确定位隐患点。
根据线路状态建模方法,进行线路状态建模。
利用线路状态模型,分析故障概率。
根据分析得到的故障概率的大小,发出故障预警。
在采集了大量历史数据的基础上,基于隐马尔可夫模型建立线路状态故障模型,再采集新的一组行波数据时,就可以通过历史记录来分析新的这组行波数据,继而判断出观测单位上的这组行波数据是否会产生故障隐患,并分析隐患的严重程度,是否会从隐患状态最终发展为故障。针对故障隐患的严重程度,发出相应的警报,告知巡线人员线路故障是否可能发生。
进一步地,所述线路状态建模方法,包括:
离散化给定线路,取一段预设的距离为观测单位。
离散化时间,取一段预设的时间为一个单位时间。
建立基于隐患严重程度的状态四维状态空间H={H0,H1,H2,H3}。
建立基于行波特征的M维观测空间V={V0,V1,V2···VM-1}。
建立基于历史状态概率的初始状态概率分布π={π0,π1,π2,π3},所述π0+π1+π2+π3=1。
建立历史观测序列O={O0,O1,O2…OT-1},所述基于行波特征的M维观测空间V包含历史观测序列O。
对每一个观测单位建立历史状态序列Q={Q0,Q1,Q2…QT-1}。
对每一个观测单位建立隐马尔可夫模型λ=(π,A,B),A={aij}为状态转移矩阵,B={bij}为观测概率矩阵。
利用Baum-Welch算法对模型λ中的A,B矩阵进行参数估计。
进一步地,在基于隐患严重程度的状态四维空间H中,所述H0代表无隐患状态,所述H1代表电晕放电状态,所述H2代表隐患放电状态,所述H3代表闪络故障状态。
进一步地,所述建立基于行波特征的M维观测空间V时,将定位在该观测单位上的历史行波按照特征量整理成多维数据点,所述特征量包括幅值,脉宽、极性、放电量和上升时间。
利用K-means++算法对数据进行聚类分析,得到的类型数即为该观测单位上观测空间的M值,再根据得到的质心与对应欧氏距离确定观测空间V。
进一步地,所述历史状态的来源包括巡线结果、雷电定位记录、植被管理记录、施工记录和灾害记录。
进一步地,所述利用线路状态模型,分析故障概率的方法包括:
采集一组观测单位的行波数据,并将整理成时间段T′内的观测序列OT′={O0,O1…OT′-1}。
设置状态阈值Hth,该阈值代表当前观测单位的隐患放电严重程度若超过此值,则需要发送预警信息。设置概率阈值Pth,该阈值代表观测单位的隐患放电严重程度为Hth或以上的概率若大于此值,则发送预警信息。
利用Viterbi算法得到观测单位在T′结束时,隐患严重程度大于或等于Hth的概率pT′-1=P(|QT′-1≥Hth|OT′,λ),若pT′-1≥Pth,该观测单位的隐患放电状态已经超过概率阈值,发送预警信息。
一种输电线路隐患预警系统,包括:
采集模块,用于采集输电线路故障隐患放电产生的放电行波。
通信模块,用于上传采集到的放电行波,和系统主机通信。
数据处理模块,用于识别行波类型,确定发生故障的位置。
建模模块,用于线路状态建模,分析故障隐患状态及隐患发展为最终故障的概率。
概率分析模块,用于根据线路状态模型,分析故障发生的概率。
预警模块,用于发送预警信息。预警模块能够将预警信息发送给相关工作人员,或者播放预警信息,引起人们注意。
进一步地,所述建模模块包括:
隐患状态记录单元,用于记录隐患严重程度的状态,建立基于隐患严重程度的状态四维状态空间H={H0,H1,H2,H3};
观测空间建立单元,用于建立基于行波特征的M维观测空间V={V0,V1,V2…VM-1},整理历史行波的特征量为多维数据点,对多维数据点进行聚类分析,确定观测空间;
初始状态记录单元,用于记录观测单位在初始时刻时的隐患状态,建立基于历史状态概率的初始状态概率分布π={π0,π1,π2,π3},所述π0+π1+π2+π3=1。
历史观测记录单元,用于记录一段时间后,观测单位内的观测变量,所述观测变量为行波的特征量,建立历史观测序列O={O0,O1,O2…OT-1};
历史状态记录单元,用于记录观测单位在单位时间内的状态,对每一个观测单位建立历史状态序列Q={Q0,Q1,Q2…QT-1}。
模型建立单元,用于对每一个观测单位建立隐马尔可夫模型λ=(π,A,B),A={aij}为状态转移矩阵,aij代表从状态Hi转移到Hj的概率,B={bij}为观测概率矩阵,bij代表状态为Hi时观测到Vj概率。
模型分析单元,用于对模型进行参数估计,对模型λ中的A,B矩阵进行参数估计。
进一步地,所述概率分析模块包括:
数据接收单元,用于接收一组新采集的行波数据;
观测序列生成单元,用于将新得到的行波数据整理成时间段T′内的观测序列OT′={O0,O1…OT′-1};
概率计算单元,用于计算隐患严重程度超过状态阈值的概率,判断观测单位内的隐患概率是否超过概率阈值;
预警信息生成单元,用于生成预警信息。
本发明的有益效果为:
①.本发明能够通过建立隐马尔可夫模型,分析线路上任一单位长度在任一单位时间内的隐患状态,能够具体分析输电线路故障。
②.本发明能够进行故障概率分析,预判隐患的严重程度,估计隐患发展为最终故障的概率,从而对巡线人员提出明确的有针对性的建议。
③.量化输电线路,能够将隐患状态和故障情况精确定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例公开的一种输电线路隐患预警方法的流程图;
图2为本发明实施例公开的一种线路状态建模方法的流程图;
图3为本发明实施例公开的一种故障概率分析方法的流程图;
图4为本发明实施例公开的一种输电线路隐患预警系统的模块图;
图5为本发明实施例公开的一种输电线路隐患预警系统的建模模块的单元图;
图6位本发明实施例公开的一种输电线路隐患预警系统的故障概率分析模块的单元图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请所提供的几个实施例中,所描述的系统实施例仅仅是示意性的,例如所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
实施例1,本发明实施例公开了一种输电线路隐患预警方法,具体方案如下:
一种输电线路隐患预警方法,包括:
S1.采集输电线路故障隐患放电产生的放电行波和故障波形,根据行波特征量收集数据;
S2.识别行波类型,精确定位隐患点;
S3.根据线路状态建模方法,进行线路状态建模,基于隐马尔可夫模型建立;
S4.利用线路状态模型,通过观测某一观测单位现况,分析故障概率;
S5.根据分析得到的故障概率的大小,当到达概率阈值时,发出故障预警。
在采集了大量历史数据的基础上,基于隐马尔可夫模型建立线路状态故障模型,再采集新的一组行波数据时,就可以通过历史记录来分析新的这组行波数据,继而判断出观测单位上的这组行波数据是否会产生故障隐患,并分析隐患的严重程度,是否会从隐患状态最终发展为故障。针对故障隐患的严重程度,再发出相应的警报,告知巡线人员线路故障是否可能发生。
本发明实施例公开了一种线路状态建模方法,具体方案如下,
所述线路状态建模方法,包括:
S01.离散化给定线路,取一段预设的距离为观测单位。可以以档距为观测单位,杆塔为相邻观测单位的分界点。
S02.离散化时间,取一段预设的时间为一个单位时间,可以按照经验取1分钟为一个单位时间。
S03.建立基于隐患严重程度的状态四维状态空间H={H0,H1,H2,H3};
S04.建立基于行波特征的M维观测空间V={V0,V1,V2···VM-1}。
S05.建立基于历史状态概率的初始状态概率分布π={π0,π1,π2,π3},πi代表该观测单位在初始时刻处于状态Hi的概率,所述π0+π1+π2+π3=1。
S06.建立历史观测序列O={O0,O1,O2…OT-1},T为已观测的时间单位数,Oi代表历史时间i内该观测单位的观测变量,所述观测变量是同时间单位内的行波数据的特征量整理而来的多维数据点。所述基于行波特征的M维观测空间V包含历史观测序列O。
S07.对每一个观测单位建立历史状态序列Q={Q0,Q1,Q2…QT-1},Qi代表历史时间单位i内该观测单位的状态。
S08.对每一个观测单位建立隐马尔可夫模型λ=(π,A,B),其中为π初始状态概率分布,A={aij}为状态转移矩阵,aij代表从状态Hi转移到Hj的概率,B={bij}为观测概率矩阵,也称混淆矩阵,bij代表状态为Hi时观测到Vj概率。
S09.利用Baum-Welch算法对模型λ中的A,B矩阵进行参数估计。
进一步地,在基于隐患严重程度的状态四维空间H中,所述H0代表无隐患状态。所述H1代表电晕放电状态,程度轻微,时间短暂,可能不具有巡线紧迫性。所述H2代表隐患放电状态,隐患放电状态,程度较强,容易发展为故障状态。所述H3代表闪络故障状态,即已经引起输电系统故障,需开展巡线工作。
进一步地,所述建立基于行波特征的M维观测空间V时,将定位在该观测单位上的历史行波按照特征量整理成多维数据点,所述特征量包括幅值,脉宽、极性、放电量和上升时间。
利用K-means++算法对数据进行聚类分析,得到的类型数即为该观测单位上观测空间的M值,再根据得到的质心与对应欧氏距离确定观测空间V。
进一步地,所述历史状态的来源包括巡线结果、雷电定位记录、植被管理记录、施工记录和灾害记录。
首先规定某一段距离为观测单位,并设定一段时间为单位时间。
一个隐马尔可夫模型,需要三个基础组成部分来描述,即状态,初始状态概率和状态转移矩阵。将放电情况按照程度不同分为四种状态,即H0,H1,H2,H3。所述H0代表无隐患状态。所述H1代表电晕放电状态。所述H2代表隐患放电状态,容易发展为故障状态。所述H3代表闪络故障状态,即已经引起输电系统故障。
再设定一个初始状态概率分布π={π0,π1,π2,π3},其中π0就代表在该观测单位上初始状态为H0的概率,以此类推,π1就代表在该观测单位上初始状态为H1的概率。π2就代表在该观测单位上初始状态为H2的概率。π3就代表在该观测单位上初始状态为H3的概率。
同时还需要设定一个状态转移矩阵A={aij},aij代表从状态Hi转移到Hj的概率。状态转移矩阵内是说明状态转移的概率,比如说某一观测单位从状态H0转移到状态H1时为一个概率a01,某一观测单位从状态H2转移到状态H2的概率为a22。由此得到全部的转移概率,并形成矩阵A={aij}。
同时隐马尔可夫模型可以根据能够观测到的数据推算隐藏的信息,在隐马尔可夫模型中隐藏的状态和可观察到的状态之间有一种概率上的关系。由此可以得到观测概率矩阵B={bij},也称混淆矩阵。在B={bij}中隐患的状态H被分别观察成几种不同的可以观察的状态的概率,也就是说bij代表状态为Hi时观测到Vj概率。
根据某一观测单位上行波的特征数据,如幅值,脉宽、极性、放电量、上升时间等,整理出多维数据点。再形成一个历史观测序列O={O0,O1,O2…OT-1},记录在某段历史时间内,该观测单位上观测变量,也就是行波的特征数据整理出的多维数据点。整个历史观测序列都位于观测空间内。
建立一个历史状态序列Q={Q0,Q1,Q2…QT-1},Qi代表历史时间单位i内该观测单位的状态。可以根据以往的巡线资料,雷电定位记录、植被管理记录、施工记录和灾害记录等,得到观测单位的历史状态。
根据历史观测序列和历史状态序列,能够估算出隐马尔可夫模型中的参数,在获得当前观测序列时,就能够通过所建立的隐马尔可夫模型来推断当前观测单位可能产生的变化,从而得到当前观测单位上隐患演变为故障的概率。
实施例3,本发明实施例公开了一种故障概率分析方法,具体方案如下,
所述利用线路状态模型,分析故障概率的方法包括:
S001.采集一组观测单位的行波数据,并将整理成时间段T′内的观测序列OT′={O0,O1…OT′-1}。
S002设置状态阈值Hth,该阈值代表当前观测单位的隐患放电严重程度若超过此值,则需要发送预警信息,一般取Hth=H2。设置概率阈值Pth,该阈值代表观测单位的隐患放电严重程度为Hth或以上的概率若大于此值,则发送预警信息,根据经验可取0.5<Pth<0.7。
S003.利用Viterbi算法得到观测单位在T′结束时,隐患严重程度大于或等于Hth的概率pT′-1=P(|QT′-1≥Hth|OT′,λ),若pT′-1≥Pth,该观测单位的隐患放电状态已经超过概率阈值,发送预警信息。
设定状态阈值为H2,H2代表隐患放电状态,程度较强,容易发展为故障状态。设定概率阈值Pth,当接收到某一观测单位的一组新的行波数据时,就能够根据此前建立的线路状态模型和新的行波数据,判断该观测单位发生故障隐患的概率。隐患严重程度大于或等于Hth的概率pT′-1=P(|QT′-1≥Hth|OT′,λ),当pT′-1≥Pth,即隐患严重程度大于或等于Hth时,说明该观测单位的隐患放电状态已经超过概率阈值,容易发展为故障或者已经引起故障,则会发送预警信息,提醒工作人员注意,通知巡线人员开展巡线工作。
实施例4,本发明实施例公开了一种输电线路隐患预警系统,具体方案如下:
一种输电线路隐患预警系统,包括:
采集模块,用于采集输电线路故障隐患放电产生的放电行波。
通信模块,用于上传采集到的放电行波,和系统主机通信。
数据处理模块,用于识别行波类型,确定发生故障的位置。
建模模块,用于线路状态建模,分析故障隐患状态及隐患发展为最终故障的概率。
概率分析模块,用于根据线路状态模型,分析故障发生的概率。
预警模块,用于发送预警信息。预警模块能够将预警信息发送给相关工作人员,或者播放预警信息,引起人们注意。
所述输电线路隐患预警系统,是基于输电线路隐患预警方法构造的,为能够具体实现预警方法的系统。所述预警系统能够完成故障点的定位,故障信息的采集,线路状态模型的建立和故障概率的分析。并具有预警模块,能够提醒工作人员注意。所述线路状态模型的建立是基于隐马尔可夫模型的,具体方案如下所示。
进一步地,所述建模模块包括:
隐患状态记录单元,用于记录隐患严重程度的状态,建立基于隐患严重程度的状态四维状态空间H={H0,H1,H2,H3}。
观测空间建立单元,用于整理历史行波的特征量为多维数据点,对多维数据点进行聚类分析,确定观测空间。建立基于行波特征的M维观测空间V={V0,V1,V2…VM-1}。
初始状态记录单元,用于记录观测单位在初始时刻时的隐患状态,建立基于历史状态概率的初始状态概率分布π={π0,π1,π2,π3}。
历史观测记录单元,用于记录一段时间后,观测单位内的观测变量,所述观测变量为行波的特征量,建立历史观测序列O={O0,O1,O2…OT-1}。
历史状态记录单元,用于记录观测单位在单位时间内的状态,对每一个观测单位建立历史状态序列Q={Q0,Q1,Q2…QT-1}。
模型建立单元,用于对每一个观测单位建立隐马尔可夫模型λ=(π,A,B),其中为π初始状态概率分布,A={aij}为状态转移矩阵,aij代表从状态Hi转移到Hj的概率,B={bij}为观测概率矩阵,也称混淆矩阵,bij代表状态为Hi时观测到Vj概率。
模型分析单元,用于对模型进行参数估计,利用Baum-Welch算法对模型λ中的A,B矩阵进行参数估计。
建模模块建立的模型是基于隐马尔可夫模型来建立的,能够通过历史观测记录和历史状态记录,利用Baum-Welch算法对模型λ中的A,B矩阵进行参数估计,从而能够进一步地在故障分析模块中,分析隐患转变成故障的概率。
建模模块完成线路状态的模型建立后,当系统收到某一观测单位的一组新的行波数据时,就能够利用线路状态模型,对新的行波数据进行故障概率分析,判断在该观测单位上是否存在隐患,存在的隐患有多大几率会恶化为故障。具体方案如下:
进一步地,所述概率分析模块包括:
数据接收单元,用于接收一组新采集的行波数据。
观测序列生成单元,用于将新得到的行波数据整理成时间段T′内的观测序列OT′={O0,O1…OT′-1}。
概率计算单元,用于计算隐患严重程度超过状态阈值的概率,判断观测单位内的隐患概率是否超过概率阈值,即当前观测单位上的隐患是否会发展成为故障。
预警信息生成单元,用于生成预警信息。当概率计算单元得到的概率超过概率阈值时,生成预警信息。预警模块能够将预警信息发送给相关工作人员,或者播放预警信息,引起人们注意。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种输电线路隐患预警方法,其特征在于,包括:
采集输电线路故障隐患放电产生的放电行波;
识别行波类型,精确定位隐患点;
根据线路状态建模方法,进行线路状态建模,
利用线路状态模型,分析故障概率;
根据分析得到的故障概率的大小,发出故障预警;
所述线路状态建模方法,包括:
离散化给定线路,取一段预设的距离为观测单位;
离散化时间,取一段预设的时间为一个单位时间;
建立基于隐患严重程度的状态四维状态空间H={H0,H1,H2,H3};
建立基于行波特征的M维观测空间V={V0,V1,V2…VM-1};
建立基于历史状态概率的初始状态概率分布π={π0,π1,π2,π3},所述π0+π1+π2+π3=1;
建立历史观测序列O={O0,O1,O2...OT-1},所述基于行波特征的M维观测空间V包含历史观测序列O;
对每一个观测单位建立历史状态序列Q={Q0,Q1,Q2...QT-1};
对每一个观测单位建立隐马尔可夫模型λ=(π,A,B),A={aij}为状态转移矩阵,B={bij}为观测概率矩阵;
利用Baum-Welch算法对模型λ中的A,B矩阵进行参数估计。
2.根据权利要求1所述的一种输电线路隐患预警方法,其特征在于,在基于隐患严重程度的状态四维空间H中,所述H0代表无隐患状态,所述H1代表电晕放电状态,所述H2代表隐患放电状态,所述H3代表闪络故障状态。
3.根据权利要求1所述的一种输电线路隐患预警方法,其特征在于,所述建立基于行波特征的M维观测空间V时,将定位在该观测单位上的历史行波按照特征量整理成多维数据点;
利用K-means++算法对数据进行聚类分析,得到的类型数即为该观测单位上观测空间的M值,再根据得到的质心与对应欧氏距离确定观测空间V。
4.根据权利要求1所述的一种输电线路隐患预警方法,其特征在于,所述历史状态的来源包括巡线结果、雷电定位记录、植被管理记录、施工记录和灾害记录。
5.根据权利要求1所述的一种输电线路隐患预警方法,其特征在于,所述利用线路状态模型,分析故障概率的方法包括:
采集一组观测单位的行波数据,并将整理成时间段T′内的观测序列OT′={O0,O1...OT′-1};
设置状态阈值Hth,设置概率阈值Pth;
利用Viterbi算法得到观测单位在T′结束时,隐患严重程度大于或等于Hth的概率pT′-1=P(QT′-1≥Hth|OT′,λ),若pT′-1≥Pth,该观测单位的隐患放电状态已经超过概率阈值,发送预警信息。
6.一种输电线路隐患预警系统,其特征在于,包括:
采集模块,用于采集输电线路故障隐患放电产生的放电行波;
通信模块,用于上传采集到的行波电流;
数据处理模块,用于识别行波类型,确定发生故障的位置;
建模模块,用于线路状态建模;
概率分析模块,用于根据线路状态模型,分析故障发生的概率;
预警模块,用于发送预警信息;
所述建模模块包括:
隐患状态记录单元,用于记录隐患严重程度的状态;
观测空间建立单元,用于整理历史行波的特征量为多维数据点,对多维数据点进行聚类分析,确定观测空间;
初始状态记录单元,用于记录观测单位在初始时刻时的隐患状态;
历史观测记录单元,用于记录一段历史时间内,观测单位内的观测变量;
历史状态记录单元,用于记录观测单位在历史时间内的状态;
模型建立单元,用于对每一个观测单位建立隐马尔可夫模型;
模型分析单元,用于对模型进行参数估计。
7.根据权利要求6所述的一种输电线路隐患预警系统,其特征在于,所述概率分析模块包括:
数据接收单元,用于接收一组新采集的行波数据;
观测序列生成单元,用于将新得到的行波数据整理成采集时间段内的观测序列;
概率计算单元,用于计算隐患严重程度超过状态阈值的概率,判断观测单位内的隐患概率是否超过概率阈值;
预警信息生成单元,用于生成预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711108257.9A CN107730148B (zh) | 2017-11-08 | 2017-11-08 | 一种输电线路隐患预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711108257.9A CN107730148B (zh) | 2017-11-08 | 2017-11-08 | 一种输电线路隐患预警方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730148A CN107730148A (zh) | 2018-02-23 |
CN107730148B true CN107730148B (zh) | 2021-03-30 |
Family
ID=61215797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711108257.9A Active CN107730148B (zh) | 2017-11-08 | 2017-11-08 | 一种输电线路隐患预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730148B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109142969A (zh) * | 2018-07-20 | 2019-01-04 | 西南交通大学 | 一种基于连续隐马尔可夫模型的输电线路故障选相方法 |
CN112230100B (zh) * | 2020-09-29 | 2022-01-11 | 山东大学 | 一种缓慢发展型永久性故障预警方法和系统 |
CN115951170B (zh) * | 2022-12-16 | 2024-04-02 | 中国南方电网有限责任公司超高压输电公司广州局 | 输电线路故障监测方法、装置、计算机设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1209724C (zh) * | 2003-08-04 | 2005-07-06 | 西安交通大学 | 基于概率模型的设备状态动态自适应报警方法 |
CN101923139B (zh) * | 2010-04-19 | 2012-05-16 | 昆明理工大学 | 一种输电线路单端行波故障测距智能方法 |
CN104297643A (zh) * | 2014-09-23 | 2015-01-21 | 国网河南省电力公司濮阳供电公司 | 一种电力线路绝缘故障预警装置 |
CN105447304B (zh) * | 2015-11-10 | 2018-09-07 | 重庆邮电大学 | 一种基于自学习算法的预警系统及移动终端 |
KR101768654B1 (ko) * | 2016-01-20 | 2017-08-17 | 울산과학기술원 | 전자 기기의 고장 예측 장치 및 이를 이용한 고장 예측 방법 |
CN105911406B (zh) * | 2016-04-01 | 2018-07-13 | 河北工业大学 | 电网架空线路经树木接地故障预警系统及方法 |
CN107037306B (zh) * | 2017-03-28 | 2019-04-09 | 浙江大学 | 基于隐马尔科夫模型的变压器故障动态预警方法 |
CN107292512B (zh) * | 2017-06-20 | 2020-09-15 | 中国电力科学研究院 | 一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法 |
-
2017
- 2017-11-08 CN CN201711108257.9A patent/CN107730148B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107730148A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022151819A1 (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN107730148B (zh) | 一种输电线路隐患预警方法和系统 | |
CN103699120B (zh) | 一种特种车辆故障诊断系统 | |
JP6085550B2 (ja) | ログ分析装置及び方法 | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN111638988B (zh) | 一种基于深度学习的云主机故障智能预测方法 | |
EP2415209A1 (en) | Network analysis system | |
CN104793607A (zh) | 一种服务器故障在线诊断、健康分析及失效预报系统及方法 | |
CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
CN107222346A (zh) | 一种集群节点健康状态预警方法及系统 | |
CN112991096A (zh) | 配置式桥梁集群结构监测管理装置和方法 | |
CN115642706A (zh) | 一种电网内配电负荷监控系统 | |
CN114358106A (zh) | 系统异常检测方法、装置、计算机程序产品及电子设备 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
CN114550073A (zh) | 一种新能源汽车充电桩的监控系统 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN116822334A (zh) | 一种可视化电网模型故障响应方法和系统 | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
CN115037603A (zh) | 用电信息采集设备的诊断评估方法、装置及系统 | |
CN117221069A (zh) | 一种基于微服务器架构的管理方法及装置 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN108248641A (zh) | 一种城市轨道交通数据处理方法及装置 | |
CN116680635A (zh) | 电力网故障位置推断法方法及系统 | |
CN105892387B (zh) | 基于跨平台多点数据采集mpca模型的机房隐患自动上报装置及方法 | |
CN108759901A (zh) | 电网自行诊断系统及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231207 Address after: No. 23 Hairuihou Road, Longhua District, Haikou City, Hainan Province, 571100 Patentee after: ELECTRIC POWER RESEARCH INSTITUTE OF HAINAN POWER GRID Co.,Ltd. Patentee after: Hainan Electric Power Industry Development Co.,Ltd. Address before: No.23, hairuihou Road, Longhua District, Haikou City, Hainan Province, 570100 Patentee before: ELECTRIC POWER RESEARCH INSTITUTE OF HAINAN POWER GRID Co.,Ltd. |