CN107730148B - 一种输电线路隐患预警方法和系统 - Google Patents

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

一种输电线路隐患预警方法和系统

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···V_M-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…O_T-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…Q_T-1}。

对每一个观测单位建立隐马尔可夫模型λ＝(π,A,B)，A＝{a_ij}为状态转移矩阵，B＝{b_ij}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O_T′＝{O₀,O₁…O_T′-1}。

设置状态阈值H_th，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P_th，该阈值代表观测单位的隐患放电严重程度为H_th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H_th的概率p_T′-1＝P(|Q_T′-1≥H_th|O_T′,λ)，若p_T′-1≥P_th，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…V_M-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…O_T-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…Q_T-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＝{a_ij}为状态转移矩阵，a_ij代表从状态H_i转移到H_j的概率,B＝{b_ij}为观测概率矩阵,b_ij代表状态为H_i时观测到V_j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O_T′＝{O₀,O₁…O_T′-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···V_M-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}，π_i代表该观测单位在初始时刻处于状态H_i的概率，所述π₀+π₁+π₂+π₃＝1。

S06.建立历史观测序列O＝{O₀,O₁,O₂…O_T-1}，T为已观测的时间单位数，O_i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…Q_T-1}，Q_i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＝{a_ij}为状态转移矩阵，a_ij代表从状态H_i转移到H_j的概率,B＝{b_ij}为观测概率矩阵，也称混淆矩阵，b_ij代表状态为H_i时观测到V_j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＝{a_ij}，a_ij代表从状态H_i转移到H_j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＝{a_ij}。

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＝{b_ij}，也称混淆矩阵。在B＝{b_ij}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b_ij代表状态为H_i时观测到V_j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…O_T-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…Q_T-1}，Q_i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O_T′＝{O₀,O₁…O_T′-1}。

S002设置状态阈值H_th，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H_th＝H₂。设置概率阈值P_th，该阈值代表观测单位的隐患放电严重程度为H_th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＜P_th＜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H_th的概率p_T′-1＝P(|Q_T′-1≥H_th|O_T′,λ)，若p_T′-1≥P_th，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P_th，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H_th的概率p_T′-1＝P(|Q_T′-1≥H_th|O_T′,λ)，当p_T′-1≥P_th，即隐患严重程度大于或等于H_th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…V_M-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…O_T-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…Q_T-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＝{a_ij}为状态转移矩阵，a_ij代表从状态H_i转移到H_j的概率,B＝{b_ij}为观测概率矩阵，也称混淆矩阵，b_ij代表状态为H_i时观测到V_j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O_T′＝{O₀,O₁…O_T′-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…V_M-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...O_T-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...Q_T-1}；

对每一个观测单位建立隐马尔可夫模型λ＝(π，A，B)，A＝{a_ij}为状态转移矩阵，B＝{b_ij}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O_T′＝{O₀，O₁...O_T′-1}；

设置状态阈值H_th，设置概率阈值P_th；

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H_th的概率p_T′-1＝P(Q_T′-1≥H_th|O_T′，λ)，若p_T′-1≥P_th，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。

Images