CN110543675A - 一种输电线路故障识别方法 - Google Patents

一种输电线路故障识别方法 Download PDF

Info

Publication number
CN110543675A
CN110543675A CN201910698844.0A CN201910698844A CN110543675A CN 110543675 A CN110543675 A CN 110543675A CN 201910698844 A CN201910698844 A CN 201910698844A CN 110543675 A CN110543675 A CN 110543675A
Authority
CN
China
Prior art keywords
fault
transmission line
training
decision tree
line fault
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.)
Pending
Application number
CN201910698844.0A
Other languages
English (en)
Inventor
陆晨亮
许斌锋
杨铭
张俊
郭晨
施文波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co Ltd
Jiangsu Electric Power Information Technology Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Jiangsu Electric Power Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co Ltd, Jiangsu Electric Power Information Technology Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN201910698844.0A priority Critical patent/CN110543675A/zh
Publication of CN110543675A publication Critical patent/CN110543675A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种输电线路故障识别方法，对输电线路故障及其原因的历史样本数据获取；采取bootstrap重抽样方法进行决策树分类和模拟训练，获得线路故障原因特征重要性排序信息；根据故障原因重要性顺序，进行特征寻优，并与历史样本对比分析，确定结果可靠性。本发明采用随机森林法，利用人工智能快速分析输电线路故障原因，克服人工分析的缺点，迅速采取应对措施，抢修电路，以减少因输电线路故障造成的经济损失。

Description

一种输电线路故障识别方法
技术领域
本发明涉及到输电线路故障识别方法，具体为利用随机森林法这一机器学习方法进行输电线路故障的智能识别。
背景技术
高压送电线路长期暴露在野外，受大气环境、气候变化、人为破坏等因素的影响，在电力生产中是故障多发设备。导致输电线路故障的原因有很多，包括雷击故障、风偏故障、污闪故障、绝缘子冰闪故障、导地线覆冰故障、外力故障、鸟害故障等等。而且对于输电线路故障原因分析，也可以利用不同季节气候特点进行判断。但这需要有丰富的高压线路运行经验以外，还必须对故障现象特点、所维护线路的特点、运行环境、基本保护知识等有关知识有深入了解。使得影响判断输电线路故障的人为因素增多，导致了新的不确定性。
发明内容
本发明的目的在于提供一种输电线路故障识别方法，采用随机森林法，利用人工智能快速分析输电线路故障原因，克服人工分析的缺点。以快速定位故障成因，迅速采取应对措施，抢修电路，以减少因输电线路故障造成的经济损失。
本发明的目的通过以下技术方案实现：
一种输电线路故障识别方法，其特征在于：该方法采用随机森林法，克服人工分析的缺点，快速定位故障成因，迅速采取应对措施，减少因输电电路故障造成的损失；具体如下：
1）对输电线路故障及其原因的历史样本数据获取；
2）采取bootstrap重抽样方法进行决策树分类和模拟训练，获得线路故障原因特征重要性排序信息；
3）根据故障原因重要性顺序，进行特征寻优，并与历史样本对比分析，确定结果可靠性。
本发明中，随机森林是以决策树作为基分类器的集成机器学习算法，其训练步骤如下：
（1）：通过bootstrap重抽样方法，由原始样本集产生k个训练样本集和k个袋外(out-of-bag，OOB)数据集。
（2）：从特征变量中随机选择部分特征组成特征子集，再从特征子集中选取最优特征，以此作为决策树节点的分裂属性。
（3）：基于bootstrap训练集和抽取的特征子集训练一颗决策树，k个训练样本集分别训练得到k 颗决策树。
（4）：将每一颗决策树的输出结果线性集成得到随机森林整体的输出。
由于步骤 （2） 中存在“最优分裂特征”的选择过程，随机森林在训练过程中对每个特征进行了评判。随机森林特征重要性度量的方法应用最广泛的是“排序重要性”。其依据是OOB数据中某个特征标签改变之前和之后，随机森林模型分类误差率的变化情况。
本发明的突出优点在于：
1）随机森林的特征优选是在随机森林的训练过程中自动进行的，计算复杂度低，易于实现。
2）随机森林算法的构建过程中应用了随机选择样本和随机选择特征 2 个随机性，因而其泛化能力较强，特征优选结果准确性高。
附图说明
图1是基于随机森林的输电线路故障识别流程图。
具体实施方式
一种输电线路故障识别方法，采用随机森林法，克服人工分析的缺点，快速定位故障成因，迅速采取应对措施，减少因输电电路故障造成的损失。基于随机森林的输电线路故障识别流程如图1所示。该流程分为3个阶段，分别为历史故障数据获取和特征提取、基于随机森林的特征寻优以及特征寻优结果验证。
第一阶段为历史故障数据获取和特征提取。
基于目前已掌握的输电线路故障及其原因，根据不同的季节特点分为四大类进行特征提取，然后基于提取的故障原因及决策过程进行一维、二维或三维特征构建。
第二阶段为基于随机森林的特征重要性排序。
基于bootstrap样本集进行决策树分类模型的训练，并利用该模型对相应的OOB数据集进行分类，统计正确分类个数。同时改变OOB数据集中待度量特征标签，对特征标签改变后的OOB数据集进行分类。计算特征标签改变之前和之后的袋外误差率差值，即为待度量特征的重要性得分，根据该得分进行重要性排序。
第三阶段为寻优结果验证。
根据寻优结果，对比输电线路故障的历史样本进行分析验证。以确保分析结果的可靠。

Claims (2)

1.一种输电线路故障识别方法，其特征在于：该方法采用随机森林法，克服人工分析的缺点，快速定位故障成因，迅速采取应对措施，减少因输电电路故障造成的损失；具体如下：
1）对输电线路故障及其原因的历史样本数据获取；
2）采取bootstrap重抽样方法进行决策树分类和模拟训练，获得线路故障原因特征重要性排序信息；
3）根据故障原因重要性顺序，进行特征寻优，并与历史样本对比分析，确定结果可靠性。
2.根据权利要求1所述的输电线路故障识别方法，其特征在于：随机森林是以决策树作为基分类器的集成机器学习算法，其训练步骤如下：
（1）通过bootstrap重抽样方法，由原始样本集产生k个训练样本集和k个袋外数据集；
（2）从特征变量中随机选择部分特征组成特征子集，再从特征子集中选取最优特征，以此作为决策树节点的分裂属性；
（3）基于bootstrap训练集和抽取的特征子集训练一颗决策树，k个训练样本集分别训练得到k 颗决策树；
（4）将每一颗决策树的输出结果线性集成得到随机森林整体的输出。
CN201910698844.0A 2019-07-31 2019-07-31 一种输电线路故障识别方法 Pending CN110543675A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910698844.0A CN110543675A (zh) 2019-07-31 2019-07-31 一种输电线路故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910698844.0A CN110543675A (zh) 2019-07-31 2019-07-31 一种输电线路故障识别方法

Publications (1)

Publication Number Publication Date
CN110543675A true CN110543675A (zh) 2019-12-06

Family

ID=68710399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910698844.0A Pending CN110543675A (zh) 2019-07-31 2019-07-31 一种输电线路故障识别方法

Country Status (1)

Country Link
CN (1) CN110543675A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111366816A (zh) * 2020-04-26 2020-07-03 华北电力大学 一种基于机器学习的电网故障诊断方法
CN112327100A (zh) * 2020-10-30 2021-02-05 浙江大学 基于物联网的电力故障检测方法及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007084374A2 (en) * 2006-01-13 2007-07-26 Cytokinetics, Inc. Random forest modeling of cellular phenotypes
US8600917B1 (en) * 2011-04-18 2013-12-03 The Boeing Company Coupling time evolution model with empirical regression model to estimate mechanical wear
CN108680348A (zh) * 2018-05-14 2018-10-19 国网山东省电力公司莱芜供电公司 一种基于随机森林的断路器机械故障诊断方法及系统
CN109460004A (zh) * 2018-10-26 2019-03-12 国网天津市电力公司 基于大数据的配电网故障预测方法及系统
CN109522599A (zh) * 2018-10-16 2019-03-26 国电南瑞科技股份有限公司 一种台风导致的输电线路突发故障预警方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007084374A2 (en) * 2006-01-13 2007-07-26 Cytokinetics, Inc. Random forest modeling of cellular phenotypes
US8600917B1 (en) * 2011-04-18 2013-12-03 The Boeing Company Coupling time evolution model with empirical regression model to estimate mechanical wear
CN108680348A (zh) * 2018-05-14 2018-10-19 国网山东省电力公司莱芜供电公司 一种基于随机森林的断路器机械故障诊断方法及系统
CN109522599A (zh) * 2018-10-16 2019-03-26 国电南瑞科技股份有限公司 一种台风导致的输电线路突发故障预警方法
CN109460004A (zh) * 2018-10-26 2019-03-12 国网天津市电力公司 基于大数据的配电网故障预测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SPEC. SCI. MILICA LJUMOVIĆ 等: ""Estimating Expected Error Rates of Random Forest Classifiers: A Comparison of Cross-Validation and Bootstrap"", 《2105 4TH MEDITERRANEAN CONFERENCE ON EMBEDDED COMPUTING(MECO)》 *
李明昆 等: ""基于小波分析和随机森林算法的变流器电路故障诊断研究"", 《电气技术》 *
王干军 等: ""基于随机森林的高压电缆局部放电特征寻优"", 《电网技术》 *
陈苏雨 等: ""基于随机森林方法的地铁车门故障诊断"", 《测控技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111366816A (zh) * 2020-04-26 2020-07-03 华北电力大学 一种基于机器学习的电网故障诊断方法
CN111366816B (zh) * 2020-04-26 2021-04-13 华北电力大学 一种基于机器学习的电网故障诊断方法
CN112327100A (zh) * 2020-10-30 2021-02-05 浙江大学 基于物联网的电力故障检测方法及其系统
CN112327100B (zh) * 2020-10-30 2021-09-03 浙江大学 基于物联网的电力故障检测方法及其系统

Similar Documents

Publication Publication Date Title
CN110375987B (zh) 一种基于深度森林机械轴承故障检测方法
CN105677791B (zh) 用于分析风力发电机组的运行数据的方法和系统
CN110108992B (zh) 基于改进随机森林算法的电缆局放故障识别方法、系统
CN111046931A (zh) 一种基于随机森林的道岔故障诊断方法
CN113379699A (zh) 基于深度学习的输电线路绝缘子缺陷检测方法
CN109324604A (zh) 一种基于多源信号的智能列车综合故障分析方法
CN111985567A (zh) 一种基于机器学习的污染源类型自动识别方法
CN109800660B (zh) 一种基于大数据聚类的电压暂降源识别方法和系统
CN110969194B (zh) 基于改进型卷积神经网络的电缆早期故障定位方法
CN116229380B (zh) 一种变电站涉鸟故障相关鸟种识别方法
CN115994325B (zh) 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法
CN109100627A (zh) 一种基于端到端模式的电力设备局部放电故障诊断方法
CN111652835A (zh) 基于深度学习与聚类的输电线路绝缘子缺失的检测方法
CN112528774B (zh) 一种复杂电磁环境下未知雷达信号智能分选系统及方法
CN103839078A (zh) 一种基于主动学习的高光谱图像分类方法
CN111126820A (zh) 反窃电方法及系统
CN110543675A (zh) 一种输电线路故障识别方法
CN112036450B (zh) 一种基于迁移学习的高压电缆局放模式识别方法及系统
CN107688742A (zh) 大规模快速移动应用app检测和分析方法
CN112419268A (zh) 一种输电线路图像缺陷检测方法、装置、设备及介质
CN115021679A (zh) 一种基于多维离群点检测的光伏设备故障检测方法
CN110942098A (zh) 一种基于贝叶斯剪枝决策树的供电服务质量分析方法
CN112817954A (zh) 一种基于多种方法集成学习的缺失值插补方法
CN116188433A (zh) 一种绝缘子缺陷检测方法、装置和设备
CN112882899B (zh) 一种日志异常检测方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191206

RJ01 Rejection of invention patent application after publication