CN111191946A - 故障线路识别方法及装置、电子设备 - Google Patents
故障线路识别方法及装置、电子设备 Download PDFInfo
- Publication number
- CN111191946A CN111191946A CN202010003409.4A CN202010003409A CN111191946A CN 111191946 A CN111191946 A CN 111191946A CN 202010003409 A CN202010003409 A CN 202010003409A CN 111191946 A CN111191946 A CN 111191946A
- Authority
- CN
- China
- Prior art keywords
- parameter
- value
- subset
- model
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 11
- 238000012706 support-vector machine Methods 0.000 description 26
- 230000005540 biological transmission Effects 0.000 description 23
- 238000002474 experimental method Methods 0.000 description 23
- 238000012360 testing method Methods 0.000 description 22
- 238000003745 diagnosis Methods 0.000 description 8
- 238000013142 basic testing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process 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
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种故障线路识别方法及装置、电子设备。其中，该方法包括：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，从参数集合中选取预设参数子集；根据预设参数子集，得到预设参数子集的组合值和指标值；根据组合值和指标值建立关系模型；根据关系模型，预测参数集合中的全部参数值。本申请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。
Description
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。
Claims (11)
1.一种故障线路识别方法，其特征在于，包括：
获取参数集合,所述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，预测所述参数集合中的全部参数值。
2.根据权利要求1所述的方法，其特征在于，所述指标值为所述参数子集的评价指标数值。
3.根据权利要求1所述的方法，其特征在于，所述组合值为所述参数子集的组合情况参考值。
4.根据权利要求1所述的方法，其特征在于，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。
5.根据权利要求1所述的方法，其特征在于，根据所述关系模型，预测所述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。
6.一种故障线路识别装置，其特征在于，包括：
获取模块，用于获取参数集合,所述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，预测所述参数集合中的全部参数值。
7.根据权利要求6所述的装置，其特征在于，所述指标值为所述参数子集的评价指标数值。
8.根据权利要求6所述的装置，其特征在于，所述组合值为所述参数子集的组合情况参考值。
9.根据权利要求6所述的装置，其特征在于，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。
10.根据权利要求6所述的装置，其特征在于，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。
11.一种电子设备，其特征在于，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，所述电子设备执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010003409.4A CN111191946A (zh) | 2020-01-02 | 2020-01-02 | 故障线路识别方法及装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010003409.4A CN111191946A (zh) | 2020-01-02 | 2020-01-02 | 故障线路识别方法及装置、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111191946A true CN111191946A (zh) | 2020-05-22 |
Family
ID=70709762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010003409.4A Pending CN111191946A (zh) | 2020-01-02 | 2020-01-02 | 故障线路识别方法及装置、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111191946A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308340A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电力数据处理方法及装置 |
| CN113065308A (zh) * | 2021-03-19 | 2021-07-02 | 长江存储科技有限责任公司 | 金属互连线的自限制效应阈值的确定方法及其确定装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2003234448A8 (en) * | 2002-05-06 | 2003-11-11 | Enikia Llc | Method and system for power line network fault detection and quality monitoring |
| CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
| CN107623319A (zh) * | 2017-08-17 | 2018-01-23 | 广东电网有限责任公司惠州供电局 | 一种基于多评价指标的电网关键线路辨识方法 |
| CN109726880A (zh) * | 2017-10-30 | 2019-05-07 | 中国电力科学研究院有限公司 | 一种输电线路参数合理性评估方法及系统 |
| CN110569867A (zh) * | 2019-07-15 | 2019-12-13 | 山东电工电气集团有限公司 | 基于决策树算法的输电线路故障原因判别方法、介质及设备 |
-
2020
- 2020-01-02 CN CN202010003409.4A patent/CN111191946A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2003234448A8 (en) * | 2002-05-06 | 2003-11-11 | Enikia Llc | Method and system for power line network fault detection and quality monitoring |
| CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
| CN107623319A (zh) * | 2017-08-17 | 2018-01-23 | 广东电网有限责任公司惠州供电局 | 一种基于多评价指标的电网关键线路辨识方法 |
| CN109726880A (zh) * | 2017-10-30 | 2019-05-07 | 中国电力科学研究院有限公司 | 一种输电线路参数合理性评估方法及系统 |
| CN110569867A (zh) * | 2019-07-15 | 2019-12-13 | 山东电工电气集团有限公司 | 基于决策树算法的输电线路故障原因判别方法、介质及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李志鹏: "基于大数据分析的输电线路管理系统及故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308340A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电力数据处理方法及装置 |
| CN113065308A (zh) * | 2021-03-19 | 2021-07-02 | 长江存储科技有限责任公司 | 金属互连线的自限制效应阈值的确定方法及其确定装置 |
| CN113065308B (zh) * | 2021-03-19 | 2022-08-09 | 长江存储科技有限责任公司 | 金属互连线的自限制效应阈值的确定方法及其确定装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109856299A (zh) | 一种变压器在线监测差异化阈值动态设置方法、系统 | |
| CN111368904B (zh) | 一种基于电力指纹的电器设备识别方法 | |
| CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
| CN111008193B (zh) | 一种数据清洗与质量评价方法及系统 | |
| CN113189418B (zh) | 一种基于电压数据的拓扑关系识别方法 | |
| Fei et al. | Non-technical losses detection using missing values’ pattern and neural architecture search | |
| CN116500385B (zh) | 输电网监测校验方法、装置、设备和介质 | |
| CN112288303A (zh) | 确定线损率的方式、装置 | |
| CN111191946A (zh) | 故障线路识别方法及装置、电子设备 | |
| CN103617447A (zh) | 智能变电站的评价系统及评价方法 | |
| CN103793756A (zh) | 一种变压器经济运行特征分析方法 | |
| CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
| Qiu et al. | Anomaly detection for power consumption patterns in electricity early warning system | |
| Suo et al. | Computer assistance analysis of power grid relay protection based on data mining | |
| Li et al. | Identification of distribution network topology parameters based on multidimensional operation data | |
| CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
| CN112215482A (zh) | 一种户变关系识别方法和装置 | |
| CN112182499A (zh) | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 | |
| CN111897888A (zh) | 基于Spark框架和凝聚层次聚类算法的户变关系识别方法 | |
| CN115545422A (zh) | 一种基于改进决策机制的台区户变关系识别方法 | |
| CN112018767B (zh) | 基于运行数据确定用户实际从属配变以及相位的方法 | |
| CN114065129A (zh) | 一种基于谱聚类方法的线变关系检测方法及检测系统 | |
| CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
| Xie et al. | Knowledge Acquisition for Transformer Condition Assessment Using Synthetic Minority Over-sampling Technique and Decision Tree Algorithm | |
| CN112215256A (zh) | 一种低压配电网多源数据处理方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210714 Address after: 100031 No. 41 West Main Street, Qianmen, Beijing, Xicheng District Applicant after: STATE GRID BEIJING ELECTRIC POWER Co. Applicant after: STATE GRID CORPORATION OF CHINA Applicant after: Dingcheng Heng'an Branch of Beijing Fengdong Transmission and Transfer Engineering Co.,Ltd. Applicant after: BEIJING HUASHANG SANYOU NEW ENERGY TECHNOLOGY Co.,Ltd. Applicant after: NARI NANJING CONTROL SYSTEM Co.,Ltd. Address before: 100031 No. 41 West Main Street, Qianmen, Beijing, Xicheng District Applicant before: STATE GRID BEIJING ELECTRIC POWER Co. Applicant before: STATE GRID CORPORATION OF CHINA |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200522 |