故障线路识别方法及装置、电子设备
技术领域
本申请涉及电力领域,具体而言,涉及一种故障线路识别方法及装置、电子设备。
背景技术
随着的工业经济的快速发展,电力工业日益体现其不可替代的重要作用。在整个电力工业系统中,输电线路系统作为其中的一个重要环节,连接发电厂、变电站和供配电设备等。因此,输电线路系统的运行状况直接关系到电力系统的可靠运行,影响着客户的用电安全和质量。但是,输电线路具有运送距离长、覆盖区域广等特点,受天然环境及人为成分的影响较多,致使线路的运作维护工作存在较大的困难。如何有效提高输电线路的运行和维护的质量,确保电网稳定安全运行是目前急需解决的问题之一。
随着现代科技的快速发展,信息记录的方式也更加多样化,积累了大量的数据,这些数据蕴含着重大的价值。大数据技术的研究使积累的数据得到了实际应用,具有广阔的应用前景。根据电力系统的特点,将大数据技术引入输电线路管理系统,能极大地提高现有系统的性能,实现可视化管理,查询统计,故障分析,辅助决策等功能。
支持向量机(SVM)作为大数据的经典算法之一,在故障诊断方面有其独特的优势,能够有效实现智能化故障诊断。支持向量机具有以下优点:采用结构风险最小化原理,能够有效的避免过拟合问题;支持向量机的求解最终会转化成线性条件下的二次优化问题,避免了局部极值的问题。
然而,传统的SVM模型由于在惩罚系数和核函数参数选择方面耗时过多,构造的模型不适用于大样本数据集。因此,需要对传统的SVM模型进行优化使其能够广泛应用于具有大规模数据的电网行业。目前,传统SVM参数分类问题寻优需要在在给定范内进行穷尽搜索,因此,并不具备处理大量数据的功能。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种故障线路识别方法及装置、电子设备,以至少解决目前故障线路分析模型不能处理大量数据的技术问题。
根据本申请实施例的一个方面,提供了一种故障线路识别方法,包括:获取参数集合,参数集合包括线路的运行参数;根据预设规则,从所述参数集合中选取预设参数子集;根据所述预设参数子集,得到所述预设参数子集的组合值和指标值;根据所述组合值和所述指标值建立关系模型;根据所述关系模型,预测参数集合中的全部参数值。
可选地,所述指标值为所述参数子集的评价指标数值。
可选地,所述组合值为所述参数子集的组合情况参考值。
可选地,所述根据所述组合值和所述指标值建立关系模型包括:获取通过训练得到的所述指标值;获取所述参数子集中的参数组合向量;根据所述指标值和所述参数组合向量,建立模型关系。
可选地,所述根据所述关系模型,预测参数集合中的全部参数值之后,还包括:将根据所述关系模型预测的评价指标替换原有的评价指标。
根据本申请实施例的另一方面,还提供了一种故障线路识别装置,包括:获取模块,用于获取参数集合,参数集合包括线路的运行参数;选择模块,用于根据预设规则,从所述参数集合中选取预设参数子集;生成模块,用于根据所述预设参数子集,得到所述预设参数子集的组合值和指标值;建立模块,用于根据所述组合值和所述指标值建立关系模型;预测模块,用于根据所述关系模型,预测参数集合中的全部参数值。
可选地,所述指标值为所述参数子集的评价指标数值。
可选地,所述组合值为所述参数子集的组合情况参考值。
可选地,所述建立模块包括:第一获取单元,用于获取通过训练得到的所述指标值;第二获取单元,用于获取所述参数子集中的参数组合向量;建立单元,用于根据所述指标值和所述参数组合向量,建立模型关系。
可选地,所述装置还包括:替换模块,用于将根据所述关系模型预测的评价指标替换原有的评价指标。
根据本申请实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,其中存储有计算机可读程序,当所述计算机可读程序被所述处理器执行时,所述电子设备执行所述的方法。
在本申请实施例中,采用通过对全部参数组合进行选取,并将组合值与评价值结合建立模型的方式,通过获取参数集合;根据预设规则,从所述参数集合中选取预设参数子集;根据所述预设参数子集,得到所述预设参数子集的组合值和指标值;根据所述组合值和所述指标值建立关系模型;根据所述关系模型,预测全部参数集合,实现了解决数据量大的时候模型预测效率问题的技术效果,进而解决了目前故障线路分析模型不能处理大量数据的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种故障线路识别方法的流程图;
图2是根据本申请实施例的一种故障线路识别装置的结构框图;
图3是根据本申请实施例的一种SVM算法改进参数寻优过程。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种故障线路识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种故障线路识别方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取参数集合,参数集合包括线路的运行参数。
具体地,获取参数集合可以是根据输电线路中安装的线路参数采集器进行数据采集,其中,上述线路参数采集器可以是万用电流电压检测表,也可以是负载温度计等,具体参数需要根据应用场景进行设置,在此不进行具体的限定。
步骤S104,根据预设规则,从参数集合中选取预设参数子集。
具体地,预设规则是一种筛选规则,根据全部参数集合中选取用户需求的一定量的参数,以供后续预测分析之用。全部参数集合可以是上述获取的线路参数采集器所采集的所有参数,预设参数子集可以是指定的某些具有特定特征的参数。
例如,根据某线路的参数集合可知,该参数集合具有256种参数组合,其中,每种参数代表一个该线路的运行指征值,例如温度、电流、电压等,那么由于256种参数组合的信息量很大,给预测模型的工作带来了不便,降低了预测的效率,所以用户在256种参数需要选取一些具有代表性,直接地表征线路参数情况的参数值,该参数值用户设定为16种,因此通过选取之后,256种参数组合提取成了16种,大大增加了参数的利用率和效率。
步骤S106,根据预设参数子集,得到预设参数子集的组合值和指标值。
具体地,上述得到的预设参数子集包括参数值本身、参数组合情况、指标情况,本发明实施例需要将上述多种数值进行采集并处理,输入至相关模型当中,达到训练模型、预测模型的技术效果。
可选地,所述指标值为所述参数子集的评价指标数值。
可选地,所述组合值为所述参数子集的组合情况参考值。
具体地,参数子集的指标值可以是其评价标准值或评价程度值,指征了参数可靠性、准确度的评价标准,也指征了该参数在标准下的表现情况,以便用户设置模型参数的时候方便对各个参数进行设定和训练。
另外,参数子集的组合值可以是参数子集中各个参数向量之间的组合关系,指征了参数的多样性和关联性,以便用户设置模型参数的时候方便对各个参数进行设定和训练。
例如,参数子集{a、b、c},其中向量a指征参数的评价性,向量b指征参数的关联性,而c是参数本身的内容数值。
步骤S108,根据组合值和指标值建立关系模型。
可选地,所述根据所述组合值和所述指标值建立关系模型包括:获取通过训练得到的所述指标值;获取所述参数子集中的参数组合向量;根据所述指标值和所述参数组合向量,建立模型关系。
具体地,建立模型关系可以是选取连续四个月的运行数据作为训练样本,以第五个月的运行数据作为基础测试样本。本发明将无故障数据定义为0.0,短路故障定义为1.0,单相接地故障定义为2.0,分别运用传统的SVM模型和改进的SVM模型进行实验。以上述数据源进行输电线路故障诊断实验,实验选取输电线路的有功功率,无功功率,电流和电压四个指标作为故障判断依据,实际记录的数据主要分为无故障数据,短路故障数据以及单相接地故障数据,部分数据如表1所示。本发明分别对仅含短路故障的测试数据,仅含单相接地故障的测试数据以及含有两种故障的测试数据进行了三组测试实验,每组实验结果包含三个部分:测试样本数据的检测结果,传统SVM模型的实验结果以及改进的SVM模型的实验结果。
|
B |
E |
H |
K |
|
有功值 |
无功值 |
电流值 |
电压值 |
|
1.95 |
0.42 |
112.3 |
10.23 |
3 |
1.83 |
0.39 |
105.47 |
10.22 |
4 |
1.93 |
0.42 |
111.33 |
10.21 |
5 |
1.81 |
0.42 |
103.52 |
10.30 |
6 |
1.71 |
0.39 |
99.61 |
10.11 |
7 |
2.11 |
0.44 |
125 |
9.94 |
8 |
2.2 |
0.46 |
127.93 |
10.13 |
9 |
2.52 |
0.59 |
250.39 |
9.87 |
10 |
2.69 |
0.54 |
152.37 |
|
11 |
0 |
0 |
0 |
1 |
12 |
0 |
0 |
0 |
2 |
13 |
4.07 |
2.53 |
159.8 |
15.01 |
表1部分故障数据
步骤S110,根据关系模型,预测参数集合中的全部参数值。
具体地,根据上述获得的关系模型,对输电线路中各个参数值,即全部的参数值进行预测,达到了由小见大的技术效果,在预测过程中,输入的数据是上述步骤得到参数子集数值,因此当数据量庞大的时候,仅仅通过选取的具有特征的参数值,便可以预测全部参数值,提高了大数据量工作的效率。
可选地,所述根据所述关系模型,预测参数集合中全部参数值之后,还包括:将根据所述关系模型预测的评价指标替换原有的评价指标。
具体地,跟获取了预测结果之后,由于模型收到了一定程度的训练,关系模型的评价指标已经发生了变化,因此对原有评价指标的替换,可以增加下一次的模型预测工作的效率。
图2是根据本申请实施例的一种故障线路识别装置的结构框图,如图2所示,该装置包括:
获取模块20,用于获取参数集合,参数集合包括线路的运行参数。
具体地,获取参数集合可以是根据输电线路中安装的线路参数采集器进行数据采集,其中,上述线路参数采集器可以是万用电流电压检测表,也可以是负载温度计等,具体参数需要根据应用场景进行设置,在此不进行具体的限定。
选择模块22,用于根据预设规则,从所述参数集合中选取预设参数子集。
具体地,预设规则是一种筛选规则,根据全部参数集合中选取用户需求的一定量的参数,以供后续预测分析之用。全部参数集合可以是上述获取的线路参数采集器所采集的所有参数,预设参数子集可以是指定的某些具有特定特征的参数。
例如,根据某线路的参数集合可知,该参数集合具有256种参数组合,其中,每种参数代表一个该线路的运行指征值,例如温度、电流、电压等,那么由于256种参数组合的信息量很大,给预测模型的工作带来了不便,降低了预测的效率,所以用户在256种参数需要选取一些具有代表性,直接地表征线路参数情况的参数值,该参数值用户设定为16种,因此通过选取之后,256种参数组合提取成了16种,大大增加了参数的利用了和效率。
生成模块24,用于根据所述预设参数子集,得到所述预设参数子集的组合值和指标值。
具体地,上述得到的预设参数子集包括参数值本身、参数组合情况、指标情况,本发明实施例需要将上述多种数值进行采集并处理,输入至相关模型当中,达到训练模型、预测模型的技术效果。
可选地,所述指标值为所述参数子集的评价指标数值。
可选地,所述组合值为所述参数子集的组合情况参考值。
具体地,参数子集的指标值可以是其评价标准值或评价程度值,指征了参数可靠性、准确度的评价标准,也指征了该参数在标准下的表现情况,以便用户设置模型参数的时候方便对各个参数进行设定和训练。
另外,参数子集的组合值可以是参数子集中各个参数向量之间的组合关系,指征了参数的多样性和关联性,以便用户设置模型参数的时候方便对各个参数进行设定和训练。
例如,参数子集{a、b、c},其中向量a指征参数的评价性,向量b指征参数的关联性,而c是参数本身的内容数值。
建立模块26,用于根据所述组合值和所述指标值建立关系模型。
可选地,所述根据所述组合值和所述指标值建立关系模型包括:获取通过训练得到的所述指标值;获取所述参数子集中的参数组合向量;根据所述指标值和所述参数组合向量,建立模型关系。
具体地,建立模型关系可以是选取连续四个月的运行数据作为训练样本,以第五个月的运行数据作为基础测试样本。本发明将无故障数据定义为0.0,短路故障定义为1.0,单相接地故障定义为2.0,分别运用传统的SVM模型和改进的SVM模型进行实验。以上述数据源进行输电线路故障诊断实验,实验选取输电线路的有功功率,无功功率,电流和电压四个指标作为故障判断依据,实际记录的数据主要分为无故障数据,短路故障数据以及单相接地故障数据,部分数据如表1所示。本发明分别对仅含短路故障的测试数据,仅含单相接地故障的测试数据以及含有两种故障的测试数据进行了三组测试实验,每组实验结果包含三个部分:测试样本数据的检测结果,传统SVM模型的实验结果以及改进的SVM模型的实验结果。
表1部分故障数据
预测模块28,用于根据所述关系模型,预测全部参数集合。
具体地,根据上述获得的关系模型,对输电线路中各个参数值,即全部的参数值进行预测,达到了由小见大的技术效果,在预测过程中,输入的数据是上述步骤得到参数子集数值,因此当数据量庞大的时候,仅仅通过选取的具有特征的参数值,便可以预测全部参数值,提高了大数据量工作的效率。
可选地,所述根据所述关系模型,预测参数集合中全部参数值之后,还包括:将根据所述关系模型预测的评价指标替换原有的评价指标。
具体地,跟获取了预测结果之后,由于模型收到了一定程度的训练,关系模型的评价指标已经发生了变化,因此对原有评价指标的替换,可以增加下一次的模型预测工作的效率。
根据本发明实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,其中存储有计算机可读程序,当所述计算机可读程序被所述处理器执行时,所述电子设备执行本实施例所述的方法,具体内容此处不再进行赘述。
图3是根据本申请实施例的一种SVM算法改进参数寻优过程,具体如下:
根据图3所示,本发明实施例选取连续四个月的运行数据作为训练样本,以第五个月的运行数据作为基础测试样本。以上述数据源进行输电线路故障诊断实验,实验选取输电线路的有功功率,无功功率,电流和电压四个指标作为故障判断依据,实际记录的数据主要分为无故障数据,短路故障数据以及单相接地故障数据。本发明将无故障数据定义为0.0,短路故障定义为1.0,单相接地故障定义为2.0,分别运用传统的SVM模型和改进的SVM模型进行实验。以上述数据源进行输电线路故障诊断实验,实验选取输电线路的有功功率,无功功率,电流和电压四个指标作为故障判断依据。
本发明选取连续四个月的运行数据作为训练样本,以第五个月的运行数据作为基础测试样本。本发明将无故障数据定义为0.0,短路故障定义为1.0,单相接地故障定义为2.0,分别运用传统的SVM模型和改进的SVM模型进行实验。以上述数据源进行输电线路故障诊断实验,实验选取输电线路的有功功率,无功功率,电流和电压四个指标作为故障判断依据,实际记录的数据主要分为无故障数据,短路故障数据以及单相接地故障数据,部分数据如表1所示。本发明分别对仅含短路故障的测试数据,仅含单相接地故障的测试数据以及含有两种故障的测试数据进行了三组测试实验,每组实验结果包含三个部分:测试样本数据的检测结果,传统SVM模型的实验结果以及改进的SVM模型的实验结果。
表1部分故障数据
|
B |
E |
H |
K |
|
有功值 |
无功值 |
电流值 |
电压值 |
|
1.95 |
0.42 |
112.3 |
10.23 |
3 |
1.83 |
0.39 |
105.47 |
10.22 |
4 |
1.93 |
0.42 |
111.33 |
10.21 |
5 |
1.81 |
0.42 |
103.52 |
10.30 |
6 |
1.71 |
0.39 |
99.61 |
10.11 |
7 |
2.11 |
0.44 |
125 |
9.94 |
8 |
2.2 |
0.46 |
127.93 |
10.13 |
9 |
2.52 |
0.59 |
250.39 |
9.87 |
10 |
2.69 |
0.54 |
152.37 |
|
11 |
0 |
0 |
0 |
1 |
12 |
0 |
0 |
0 |
2 |
13 |
4.07 |
2.53 |
159.8 |
15.01 |
本发明根据实际数据情况以及多次的实验结果对比,最终将改进的SVM模型的参数设定为2logc1:1:14,2log4:1:11,能搜寻到最优参数组合,以得到最优的时间效率和精确度。本发明分别对仅含短路故障的测试数据,仅含单相接地故障的测试数据以及含有两种故障的测试数据进行了三组测试实验,每组实验结果包含三个部分:测试样本数据的检测结果,如表2所示。
表2不同故障下测试结果对比
因此,基于改进的SVM算法模型经过多次的实验测试,能够实现最优的时间效率和精确度,能够实际解决电力行业的输电线路故障识别问题。选取实际运行数据作为训练样本,并另选取部分运行数据作为基础测试样本。将选取的数据源进行输电线路故障诊断实验,选取输电线路的有功功率,无功功率,电流和电压四个指标作为故障判断依据,实际记录的数据主要分为无故障数据,短路故障数据以及单相接地故障数据。根据实际数据情况以及多次的实验结果对比,最终将改进的SVM模型的参数设定为2logc1:1:14,2log4:1:11,最终搜寻到最优参数组合,得到最优的时间效率和精确度。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元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,单元或模块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单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。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,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。