CN110716101B - 电力线路故障定位方法、装置、计算机和存储介质 - Google Patents

电力线路故障定位方法、装置、计算机和存储介质 Download PDF

Info

Publication number
CN110716101B
CN110716101B CN201910836640.9A CN201910836640A CN110716101B CN 110716101 B CN110716101 B CN 110716101B CN 201910836640 A CN201910836640 A CN 201910836640A CN 110716101 B CN110716101 B CN 110716101B
Authority
CN
China
Prior art keywords
fault
line
characteristic information
data
principal component
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
Application number
CN201910836640.9A
Other languages
English (en)
Other versions
CN110716101A (zh
Inventor
刘奇
阮少炜
陈蔼峻
黄泽阳
张伟军
伍玉林
刘延乐
刘兵
王飞
王志强
郑绪伟
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid 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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN201910836640.9A priority Critical patent/CN110716101B/zh
Publication of CN110716101A publication Critical patent/CN110716101A/zh
Application granted granted Critical
Publication of CN110716101B publication Critical patent/CN110716101B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Locating Faults (AREA)

Abstract

本申请涉及一种电力线路故障定位方法、装置、计算机设备和存储介质。方法包括：获取待定位线路的线路故障数据；获取预先训练获得的线路故障定位模型；解析线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息；将线路故障数据与多个主成分矩阵进行降维计算，得到多个第二特征信息；将第二特征信息与第一特征信息对比，计算得到各第二特征信息与各第一特征信息之间的欧式距离；以最小的欧式距离对应的第二特征信息对应故障集分组定位待定位线路的故障。从而高效、精确的定位出线路的故障状态。

Description

电力线路故障定位方法、装置、计算机和存储介质
技术领域
本申请涉及电力线路故障定位技术领域，特别是涉及一种电力线路故障定位方法、装置、计算机设备和存储介质。
背景技术
线路发生故障时会引起断面潮流的变化，但潮流信息数据庞大，想通过潮流数据直接判断故障信息存在很大难度，而且量测数据在采集、传递、交换的整个过程中，不可能保证所有数据都是准确无误的，进行故障定位时难以把所有因素考虑完整。
目前常用的故障定位方法，如告警性能分析法、替换法、配置数据分析法、基于故障指示器和智能分析主站定位等。以上方法需要构建专家系统模型或基于硬件设备，实现复杂。
发明内容
基于此，有必要针对上述技术问题，提供一种能够电力线路故障定位方法、装置、计算机设备和存储介质。
一种电力线路故障定位方法，所述方法包括：
获取待定位线路的线路故障数据；
获取预先训练获得的线路故障定位模型；
解析所述线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息；
将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息；
将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离；
以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
在其中一个实施例中，所述获取预先训练获得的线路故障定位模型的步骤之前包括：
获取多个故障集分组；
对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息；
对各所述主成分矩阵和第一特征信息进行训练，得到所述线路故障定位模型。
在其中一个实施例中，所述获取多个故障集分组的步骤包括：
获取样本故障数据；
对所述样本故障数据进行清洗处理，剔除缺失数值的所述样本故障数据；
对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
在其中一个实施例中，所述对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组的步骤包括：
解析所述样本故障数据，获得故障识别信息；
根据所述故障识别信息，对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
在其中一个实施例中，所述对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息的步骤中，降维计算的失真度阈值设为1.000。
在其中一个实施例中，所述以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障的步骤包括：
获取最小的五个所述欧式距离；
由小至大对五个所述欧式距离进行排序；
以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障；
以五个所述欧式距离中的其他四个欧式距离对应的故障集分组定位为所述待定位线路的备选故障。
一种电力线路故障定位装置，所述装置包括：
线路故障数据获取模块，用于获取待定位线路的线路故障数据；
模型获取模块，用于获取预先训练获得的线路故障定位模型；
模型解析模块，用于解析所述线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息；
第二特征信息获取模块，用于将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息；
欧式距离计算获得模块，用于将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离；
定位模块，用于以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
在其中一个实施例中，还包括：
故障集分组获取模块，用于获取多个故障集分组；
故障集分组计算模块，用于对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息；
训练模块，用于对各所述主成分矩阵和第一特征信息进行训练，得到所述线路故障定位模型。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待定位线路的线路故障数据；
获取预先训练获得的线路故障定位模型；
解析所述线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息；
将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息；
将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离；
以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待定位线路的线路故障数据；
获取预先训练获得的线路故障定位模型；
解析所述线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息；
将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息；
将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离；
以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
上述电力线路故障定位方法、装置、计算机设备和存储介质，通过解析预先训练获得的线路故障定位模型得到多个故障及分组的主成分矩阵和第一特征信息，并以此计算线路故障数据的第二特征信息，通过计算得到欧式距离，从而确定以欧式距离最小的第二特征信息对应的故障集分组定位待定位线路的故障，从而高效、精确的定位出线路的故障状态。
附图说明
图1为一个实施例中电力线路故障定位方法的应用环境图；
图2为一个实施例中电力线路故障定位方法的流程示意图；
图3为一个实施例中电力线路故障定位装置的结构框图；
图4为一个实施例中计算机设备的内部结构图；
图5A为一个实施例中电力线路故障定位方法的实施过程中故障集分组的示意图；
图5B为一个实施例中电力线路故障定位方法的实施过程中主成分矩阵和第一特征信息的示意图；
图5C为一个实施例中电力线路故障定位方法的实施过程中第二特征信息的示意图；
图5D为一个实施例中电力线路故障定位方法的实施过程中线路故障数据与故障集分组的欧式距离的示意图；
图5E为一个实施例中电力线路故障定位方法的实施过程中选取最小的欧式距离对应的故障集分组的示意图；
图6为一个实施例中电力线路故障定位方法的实施过程中整体流程的示意图；
图7为一个实施例中电力线路故障定位方法的线路故障定位的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电力线路故障定位方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104连接，并且与服务器104连接通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104存储有预先训练得到的线路故障定位模型，终端102采集到待定位线路的线路故障数据，将待定位线路的线路故障数据发送至服务器104，服务器104获取待定位线路的线路故障数据；获取预先训练获得的线路故障定位模型；解析所述线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息；将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息；将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离；以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
在一个实施例中，如图2所示，提供了一种电力线路故障定位方法，以该方法应用于图1中的应用场景为例进行说明，包括以下步骤：
步骤210，获取待定位线路的线路故障数据。
具体地，待定位线路为出现了故障的线路，该待定位线路为待定位故障类型、故障状态的线路，或者说，该待定位线路的故障为待识别的故障。该线路故障数据为待定位线路的故障数据，或者说为待识别的故障数据。本实施例中，实时采集获得待定位线路的线路故障数据。本实施例中，该线路故障数据包括潮流指纹信息，或者说，该线路故障数据包括潮流数值。
步骤220，获取预先训练获得的线路故障定位模型。
具体地，该线路故障定位模型为预先训练得到，并且存储于服务器的存储器或者数据库中。本实施例中，线路故障定位模型通过机器学习得到。该线路故障定位模型由大量的历史的线路故障数据训练得到。
步骤230，解析所述线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息。
本实施例中，线路故障定位模型包括多个故障集分组。故障集分组具有相同属性的故障的集合，将不同属性的故障的集合进行分组，即为故障集分组，每一故障集分组表示一类的故障的集合。每一故障集分组包括一主成分矩阵和一第一特征信息，即每一类故障具有与其对应的主成分矩阵和第一特征信息。该第一特征信息也可以称为第一特征数据。
本实施例中，通过该线路故障定位模型的解析，获得多个故障集分组对应的主成分矩阵和第一特征信息，即可获得多个主成分矩阵和多个第一特征信息。
步骤240，将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息。
本实施例中，将线路故障数据与各主成分矩阵分别一一进行计算，得到与各主成分矩阵对应的特征信息，即第二特征信息。该第二特征信息也可称为第二特征数据。本实施例中，计算获得多个第二特征信息，每一个第二特征信息由线路故障数据与一个主成分矩阵计算得到，也可以说，每一个第二特征信息与一个故障集分组对应。一个实施例中，将所述线路故障数据与各主成分矩阵分别一一进行降维计算，得到多个第二特征信息。
本实施例中，第二特征信息用于与第一特征信息进行对比，获得欧式距离，从而判断线路故障数据与哪一个故障集分组更为接近。
步骤250，将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离。
本步骤中，将各所述第二特征信息与各所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离。具体地，由于每一故障集分组包括一主成分矩阵和一第一特征信息，因此，每一主成分矩阵与一第一特征信息对应，而上述步骤计算得到的每一第二特征信息也与一主成分矩阵对应，因此，本实施例中，将对应的第一特征信息与第二特征信息进行一一对比，计算得到对应的第一特征信息与第二特征信息之间的欧式距离，每一第一特征信息与对应的第二特征信息计算得到一欧式距离，则计算得到多个欧式距离，且每一欧式距离对应一故障及分组。
步骤260，以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
本步骤中，将计算得到的多个欧式距离进行对比，获得最小的欧式距离，以最小的欧式距离对应的故障集分组定位待定位线路的故障。具体地，通过最小的欧式距离确定与其对应的故障集分组，则待定位线路的故障类型与该最小的欧式距离对应的故障集分组的故障类型相同，因此，可以精确定位、识别出待定位线路的故障类型。由于该故障集分组是通过最小欧式距离确定的，因此，该故障集分组的故障类型是与待定位线路的故障类型最接近的，由此可精确获得待定位线路的故障类型或故障状态。
上述实施例中，通过解析预先训练获得的线路故障定位模型得到多个故障及分组的主成分矩阵和第一特征信息，并以此计算线路故障数据的第二特征信息，通过计算得到欧式距离，从而确定以欧式距离最小的第二特征信息对应的故障集分组定位待定位线路的故障，从而高效、精确的定位出线路的故障状态。
为了训练得到线路故障定位模型，在一个实施例中，所述获取预先训练获得的线路故障定位模型的步骤之前包括：获取多个故障集分组；对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息；对各所述主成分矩阵和第一特征信息进行训练，得到所述线路故障定位模型。
具体地，获取多个故障集分组的故障数据，对每一故障集分组的故障数据进行PCA(Principal Component Analysis，主成分分析方法)降维计算，即可得到主成分矩阵和第一特征信息，每一故障集分组计算得到一主成分矩阵和一第一特征信息。通过降维计算处理可以剔除某一故障下的干扰信息，让定位结果更为准确，定位速度更快。本实施例中，对每个故障集分组单独进行PCA降维处理，降维计算的失真度阈值设为1.000，可保证剔除的信息为完全无用的干扰信息。
这样，在获得了多个主成分矩阵和多个第一特征信息后，即可对多个主成分矩阵和多个第一特征信息进行训练，得到所述线路故障定位模型。
在一个实施例中，所述获取多个故障集分组的步骤包括：获取样本故障数据；对所述样本故障数据进行清洗处理，剔除缺失数值的所述样本故障数据；对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
具体地，样本故障数据为线路的故障数据，该样本故障数据为各线路的故障的历史数据，样本故障数据为已识别故障类型的故障数据。因此，该样本故障数据也可以称为历史故障数据或待训练故障数据。
本实施例中，获取大量的样本故障数据，对样本故障数据进行清洗处理，去除数据中的垃圾数据，例如，去除只有支路名称但潮流数值缺失的数据，出现此情况需要将整条故障从样本中剔除。本实施例中，对大量的样本故障数据进行清洗处理，剔除缺失潮流数值的样本故障数据，清洗处理后得到的样本故障数据为完整的故障数据。通过对清洗处理后的样本故障数据进行分组，使得得到的故障集分组的数据更为完整，且可参考价值更高，使得定位结果更为准确。
在一个实施例中，在对所述样本故障数据进行清洗处理的步骤之前还包括：提取样本故障数据中的潮流指纹信息。具体地，按故障名称、各支路的潮流数值的格式从样本故障数据中提取潮流指纹信息，并记录该条样本故障数据的故障名称及维度。
在一个实施例中，步骤210中获得的线路故障数据也可以作为样本故障数据进行训练，从而实现对线路故障定位模型的更新。
在一个实施例中，所述对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组的步骤包括：解析所述样本故障数据，获得故障识别信息；根据所述故障识别信息，对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
具体地，该故障识别信息用于区分故障类型。一个实施例是，该故障识别信息为故障名称。本实施例中，通过故障名称对样本故障数据进行分组，对具有相同故障名称的样本故障数据划分为相同的一组，而具有不同故障名称的样本故障数据划分为不同组，从而实现对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
在一个实施例中，所述以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障的步骤包括：获取最小的五个所述欧式距离；由小至大对五个所述欧式距离进行排序；以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障；以五个所述欧式距离中的其他四个欧式距离对应的故障集分组定位为所述待定位线路的备选故障。
本实施例中，对各欧式距离进行排序，由小到大对各欧式距离进行排序，获取最小的五个欧式距离，并且以最小的欧式距离对应的故障集分组定位所述待定位线路的故障，并且以排在第二至第四的四个欧式距离对应的故障集分组定位为所述待定位线路的备选故障。由于排在前五的最小的欧式距离对应的故障集分组的故障类型与与待定位线路的故障类型最接近，以排在第二至第四的四个欧式距离对应的故障集分组的故障类型作为待定位线路的备选故障，能够有效提高故障类型定位的精度。
下面是一个实施例：
本实施例中，实施过程包括离线学习以及在线决策，离线学习即预先训练得到线路故障定位模型的过程，在线决策即为通过待定位线路的线路故障数据以及线路故障定位模型，识别待定位线路的故障类型的过程。
首先，离线学习
离线学习是构建故障定位模型的过程，完成数据导入、处理、分组、降维分析等。具体地包括：
1、数据导入
本实施例中，导入样本故障数据。数据导入环节可以从数据库库表中获取数据，也可以从可变文件(如txt、cvs等文件)导入。可变文件导入时，需要对文件进行标准化处理，例如去掉标题头、去掉空行、重复行、调整每行数据字段切分数量相同等，使数据规范化。
2、数据清洗
数据清洗环节需要去掉数据中的垃圾数据，例如只有支路名称但潮流数值缺失的数据，出现此情况需要将整条故障从样本中剔除。
3、提取故障潮流指纹信息
按故障名称、各支路的潮流数值的格式提取数据，记录该条故障名称及维度。
4、故障分组
按故障名称进行分组形成故障集，每个故障集为某故障在多个断面的潮流指纹数据。各故障集存储故障名称及维度，每个维度对应一条支路潮流指纹信息，各故障集下存储的故障数据维度均相同。
5、降维
降维分析可以剔除某故障下的干扰信息，让定位结果更为准确，定位速度更快。对每个故障集分组单独进行PCA降维分析，降维失真度阈值设为1.000，可保证剔除的信息为完全无用的干扰信息。
6、获取训练模型
对各故障集进行PCA降维运算后，可以获取到各个故障对应的主成分矩阵及降维后的结果。在线决策时，主成分矩阵可用于与对应维度的故障进行运算，降维结果可用确定故障信息。
7、存储
将处理结果持久化并存储到缓存服务器或内存中，以便在线决策时使用。数据存储时需要将一份结果存储到可变文件，在系统扩展或进行其他大数据分析时可使用。
随后，在线决策
将待定位故障按离线学习时类似的流程进行数据清洗，提取潮流指纹信息后备用。将该故障与所有与其维度相同的故障集的主成分矩阵进行运算，并将运算结果与对应故障集的降维结果进行距离计算。在所有维度相同的故障集中找出距离最小的数据，由此可定位出该故障信息。为降低误报，可提取前五条距离最小的故障，升序排列，用作备选定位结果。
真实故障信息在确认并累积到一定量后可以导入到离线学习模型中，对模型进行更新。
1、基于线路潮流指纹数据使用降维机器学习算法进行线路故障定位：本申请的一种运用降维机器算法基于线路潮流指纹数据进行线路故障定位的方法。降维算法是指运行改进的PCA降维算法，改进之处为采用了分组降维方式，并且存储并使用了中间过程中的主成分矩阵，即各子模型。该线路故障定位模型具备离线学习、在线决策和模型更新能力。
2、基于潮流指纹进行故障定位：本专利基于线路潮流指纹数据进行故障定位分析，潮流指纹的计算不在本专利范围内。
3、分组降维分组的确定方法：对线路历史潮流指纹数据进行数据分析，将同一故障的潮流指纹数据，经过数据清洗、去重、可信性校验后，作为一组数据。其特点为通过分组后的多条数据，可以有效获取到某种故障的特征信息，使模型有更好的泛化能力。
4、各组主成分矩阵的使用方法：对各故障的分组数据分别进行降维，获取主成分矩阵，在进行故障定位时，将待定位故障信息与各主成分矩阵进行计算，可以获取到基于各子模型的特征信息，基于此特征信息及分组故障的特征信息可进行故障定位。
5、线路故障定位的自学习能力：包括具备离线学习能力、在线决策能力和模型更新能力：离线学习能力是指可以通过对大量线路故障潮流指纹数据进行数据标准化、数据清洗、按故障分组、分组降维、存储主成分矩阵，即获取线路故障定位模型的过程。在线决策是指利用待定位线路故障数据和线路故障定位模型进行线路故障定位的过程。模型更新是指会定期自动将在线决策过程中积累的数据加入到历史数据，重新获取线路故障定位模型。
下面是一个具体的实施例：
某线路故障其潮流指纹信息为“1.1035 0.0000 0.0000 0.0000 0.4360 0.94870.0000 0.0000 0.0000-0.0379 0.0000…………-0.6138 1.4782 -0.6138…………”，本实施例将确定其所属故障。
约束条件：
各线路故障潮流指纹信息足够丰富，具体为针对某N-1或N-2故障，有10条及以上的故障断面潮流指纹数据。
各故障潮流指纹所对应的故障信息均有标记且标记信息可信。
需要注意的是：N-1指电网有N条线路，其中1条发生了故障；N-2指电网有N条线路，其中2条发生了故障。
采用如下步骤：
有47245条潮流指纹数据，其包括N-1、N-2等故障，数据均有明确故障信息标记。如：N-1_110kV巴江口电厂1#主变故障、N-2_昭江I线一般进线；西石线一般进线故障。根据标记对故障进行分组，即相同故障标签的为一组，如图2所示。共计得到1574组线路故障潮流指纹数据，每组故障下的数据均属同一故障在不同时刻断面的潮流指纹数据。
对样本故障数据分组后，得到故障集分组如图5A所示。
将1574组线路故障潮流指纹数据进行分组降维计算，获取到特征信息及主成分矩阵，如图5B所示。本步骤中，对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息。
将待识别故障与各故障集分组的主成分矩阵进行计算，获取到对应的特征信息，如图5C所示。本步骤中，将线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息。
将待识别故障的特征数据分别与各故障集分组的特征数据进行比对，即分别计算其欧氏距离，如图5D所示。本步骤中，将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离。
从所得的距离中找到距离最小的数据，待识别故障即为该条数据所在分组对应的故障。如图5E所示。本实施例中定位出故障信息为“N-1_五八线一般进线故障”。
本实施例的整体流程如图6所示。
线路故障定位展示如图7所示。
在一个实施例中，如图3所示，提供了一种电力线路故障定位装置，包括，其中：
线路故障数据获取模块310，用于获取待定位线路的线路故障数据。
模型获取模块320，用于获取预先训练获得的线路故障定位模型。
模型解析模块330，用于解析所述线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息。
第二特征信息获取模块340，用于将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息。
欧式距离计算获得模块350，用于将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离。
定位模块360，用于以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
在一个实施例中，电力线路故障定位装置还包括：
故障集分组获取模块，用于获取多个故障集分组。
故障集分组计算模块，用于对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息。
训练模块，用于对各所述主成分矩阵和第一特征信息进行训练，得到所述线路故障定位模型。
在一个实施例中，故障集分组获取模块包括：
样本故障数据获取子模块，用于获取样本故障数据。
清洗处理子模块，用于对所述样本故障数据进行清洗处理，剔除缺失数值的所述样本故障数据。
分组子模块，用于对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
在一个实施例中，所述分组子模块包括：
故障识别信息获取单元，用于解析所述样本故障数据，获得故障识别信息。
分组单元，用于根据所述故障识别信息，对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
在一个实施例中，降维计算的失真度阈值设为1.000。
在一个实施例中，所述定位模块包括：
最小欧式距离获取子模块，用于获取最小的五个所述欧式距离。
排序子模块，用于由小至大对五个所述欧式距离进行排序。
定位子模块，用于以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
备选故障确定子模块，用于以五个所述欧式距离中的其他四个欧式距离对应的故障集分组定位为所述待定位线路的备选故障。
关于电力线路故障定位装置的具体限定可以参见上文中对于电力线路故障定位方法的限定，在此不再赘述。上述电力线路故障定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于线路故障定位模型。该计算机设备的网络接口用于与外部的终端等节点通过网络连接通信。该计算机程序被处理器执行时以实现一种电力线路故障定位方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取待定位线路的线路故障数据。
获取预先训练获得的线路故障定位模型。
解析所述线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息。
将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息。
将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离。
以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多个故障集分组。
对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息。
对各所述主成分矩阵和第一特征信息进行训练，得到所述线路故障定位模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取样本故障数据。
对所述样本故障数据进行清洗处理，剔除缺失数值的所述样本故障数据。
对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
解析所述样本故障数据，获得故障识别信息。
根据所述故障识别信息，对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
在一个实施例中，降维计算的失真度阈值设为1.000。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取最小的五个所述欧式距离。
由小至大对五个所述欧式距离进行排序。
以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
以五个所述欧式距离中的其他四个欧式距离对应的故障集分组定位为所述待定位线路的备选故障。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待定位线路的线路故障数据。
获取预先训练获得的线路故障定位模型。
解析所述线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息。
将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息。
将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离。
以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多个故障集分组。
对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息。
对各所述主成分矩阵和第一特征信息进行训练，得到所述线路故障定位模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本故障数据。
对所述样本故障数据进行清洗处理，剔除缺失数值的所述样本故障数据。
对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
解析所述样本故障数据，获得故障识别信息。
根据所述故障识别信息，对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
在一个实施例中，降维计算的失真度阈值设为1.000。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取最小的五个所述欧式距离。
由小至大对五个所述欧式距离进行排序。
以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
以五个所述欧式距离中的其他四个欧式距离对应的故障集分组定位为所述待定位线路的备选故障。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电力线路故障定位方法，所述方法包括：
获取待定位线路的线路故障数据；
获取预先训练获得的线路故障定位模型；
解析所述线路故障定位模型，所述线路故障定位模型包括多个故障集分组，获得多个故障集分组的主成分矩阵和第一特征信息；
将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息，每一个第二特征信息与一个故障集分组对应；
将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离；
以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
2.根据权利要求1所述的方法，其特征在于，所述获取预先训练获得的线路故障定位模型的步骤之前包括：
获取多个故障集分组；
对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息；
对各所述主成分矩阵和第一特征信息进行训练，得到所述线路故障定位模型。
3.根据权利要求2所述的方法，其特征在于，所述获取多个故障集分组的步骤包括：
获取样本故障数据；
对所述样本故障数据进行清洗处理，剔除缺失数值的所述样本故障数据；
对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
4.根据权利要求3所述的方法，其特征在于，所述对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组的步骤包括：
解析所述样本故障数据，获得故障识别信息；
根据所述故障识别信息，对清洗处理后的所述样本故障数据进行分组，得到多个所述故障集分组。
5.根据权利要求2所述的方法，其特征在于，所述对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息的步骤中，降维计算的失真度阈值设为1.000。
6.根据权利要求1所述的方法，其特征在于，所述以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障的步骤包括：
获取最小的五个所述欧式距离；
由小至大对五个所述欧式距离进行排序；
以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障；
以五个所述欧式距离中的其他四个欧式距离对应的故障集分组定位为所述待定位线路的备选故障。
7.一种电力线路故障定位装置，其特征在于，所述装置包括：
线路故障数据获取模块，用于获取待定位线路的线路故障数据；
模型获取模块，用于获取预先训练获得的线路故障定位模型，所述线路故障定位模型包括多个故障集分组；
模型解析模块，用于解析所述线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息；
第二特征信息获取模块，用于将所述线路故障数据与多个主成分矩阵进行计算，得到多个第二特征信息，每一个第二特征信息与一个故障集分组对应；
欧式距离计算获得模块，用于将所述第二特征信息与所述第一特征信息分别一一对比，计算得到各所述第二特征信息与各所述第一特征信息之间的欧式距离；
定位模块，用于以最小的所述欧式距离对应的故障集分组定位所述待定位线路的故障。
8.根据权利要求7所述的电力线路故障定位装置，其特征在于，还包括：
故障集分组获取模块，用于获取多个故障集分组；
故障集分组计算模块，用于对每一所述故障集分组进行降维计算，得到主成分矩阵和第一特征信息；
训练模块，用于对各所述主成分矩阵和第一特征信息进行训练，得到所述线路故障定位模型。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN201910836640.9A 2019-09-05 2019-09-05 电力线路故障定位方法、装置、计算机和存储介质 Active CN110716101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910836640.9A CN110716101B (zh) 2019-09-05 2019-09-05 电力线路故障定位方法、装置、计算机和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910836640.9A CN110716101B (zh) 2019-09-05 2019-09-05 电力线路故障定位方法、装置、计算机和存储介质

Publications (2)

Publication Number Publication Date
CN110716101A CN110716101A (zh) 2020-01-21
CN110716101B true CN110716101B (zh) 2021-11-02

Family

ID=69209679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910836640.9A Active CN110716101B (zh) 2019-09-05 2019-09-05 电力线路故障定位方法、装置、计算机和存储介质

Country Status (1)

Country Link
CN (1) CN110716101B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111404603B (zh) * 2020-06-03 2020-11-27 广东电网有限责任公司佛山供电局 一种基于最大匹配度的通信网故障快速定位方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198882A (zh) * 2014-07-01 2014-12-10 昆明理工大学 一种利用瞬时功率曲线进行pca聚类分析的同塔双回线故障选线方法
CN104965156A (zh) * 2015-06-30 2015-10-07 昆明理工大学 一种利用极线故障电压进行pca聚类分析的故障选极方法
CN104977506A (zh) * 2015-06-30 2015-10-14 昆明理工大学 一种利用极线故障电压曲线簇进行主成分聚类分析的线路故障识别方法
CN105162094A (zh) * 2015-09-22 2015-12-16 昆明理工大学 一种利用极线故障电流曲线簇主成分分析的特高压直流线路的纵联保护方法
CN109164343A (zh) * 2018-08-30 2019-01-08 西华大学 基于特征信息量化与加权knn的变压器故障诊断方法
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
CN109765462A (zh) * 2019-03-05 2019-05-17 国家电网有限公司 输电线路的故障检测方法、装置和终端设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198882A (zh) * 2014-07-01 2014-12-10 昆明理工大学 一种利用瞬时功率曲线进行pca聚类分析的同塔双回线故障选线方法
CN104965156A (zh) * 2015-06-30 2015-10-07 昆明理工大学 一种利用极线故障电压进行pca聚类分析的故障选极方法
CN104977506A (zh) * 2015-06-30 2015-10-14 昆明理工大学 一种利用极线故障电压曲线簇进行主成分聚类分析的线路故障识别方法
CN104977506B (zh) * 2015-06-30 2018-04-24 昆明理工大学 一种利用极线故障电压曲线簇进行主成分聚类分析的线路故障识别方法
CN105162094A (zh) * 2015-09-22 2015-12-16 昆明理工大学 一种利用极线故障电流曲线簇主成分分析的特高压直流线路的纵联保护方法
CN109164343A (zh) * 2018-08-30 2019-01-08 西华大学 基于特征信息量化与加权knn的变压器故障诊断方法
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
CN109765462A (zh) * 2019-03-05 2019-05-17 国家电网有限公司 输电线路的故障检测方法、装置和终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于自适应指纹识别的电力系统复杂原发故障诊断方法;刘延乐;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20160815(第8期);第5-6章 *

Also Published As

Publication number Publication date
CN110716101A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN111210024B (zh) 模型训练方法、装置、计算机设备和存储介质
US10444746B2 (en) Method for managing subsystems of a process plant using a distributed control system
CN111338876B (zh) 一种故障模式与影响分析的决策方法、系统及存储介质
CN110726898B (zh) 一种配电网故障类型识别方法
CN111523683B (zh) 烟草加工中工艺参数预测方法及系统
CN108596785A (zh) 电力设备数据的处理方法、装置、计算机设备和存储介质
CN116882790B (zh) 一种矿山生态修复区域的碳排放设备管理方法及系统
WO2021114613A1 (zh) 基于人工智能的故障节点识别方法、装置、设备和介质
CN113343677A (zh) 一种意图识别方法、装置、电子设备及存储介质
CN111124898B (zh) 问答系统测试方法、装置、计算机设备和存储介质
CN110716101B (zh) 电力线路故障定位方法、装置、计算机和存储介质
CN116578869A (zh) 电力系统的故障诊断方法、故障诊断装置与电子装置
CN116582414A (zh) 故障根因定位方法、装置、设备及可读存储介质
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN118245264A (zh) 服务器故障处理方法、装置、电子设备及介质
CN115017819A (zh) 一种基于混合模型的发动机剩余使用寿命预测方法及装置
CN114238474A (zh) 基于排水系统的数据处理方法、装置、设备及存储介质
CN106227790A (zh) 一种使用Apache Spark分类与解析海量日志的方法
CN116226676B (zh) 适用于极端环境的机床故障预测模型生成方法及相关设备
US20200310897A1 (en) Automatic optimization fault feature generation method
CN115964943A (zh) 离线设备剩余寿命预测方法、装置和计算机设备
CN113379279B (zh) 基于不完整数据的深度强化学习短期电压稳定性评估方法
CN116032726A (zh) 故障根因定位模型训练方法、装置、设备及可读存储介质
CN115828090A (zh) 网络故障预测方法、装置、设备及存储介质
CN115372752A (zh) 故障检测方法、装置、电子设备以及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20201021

Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd.

Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant