CN113033845B - 一种电力传输资源共建共享的建设方法及装置 - Google Patents

Abstract

本申请公开了一种电力传输资源共建共享的建设方法及装置，包括：采集输电线路的实时图像数据和实时运行状态数据；将实时图像数据和实时运行状态数据输入到训练好的故障识别模型中，计算出对应的故障特征值；将故障特征值输入至构建好的目标识别网络模型中进行初步识别，输出目标识别结果；利用专家库数据对目标识别结果进行故障缺陷类型辨别，完成故障识别。本申请能够快速识别输电线路故障区域，并提高供电安全性及可靠性。

Description

一种电力传输资源共建共享的建设方法及装置

技术领域

本申请涉及电网故障识别技术领域，尤其涉及一种电力传输资源共建共享的建设方法及装置。

背景技术

近年来，随着配电网的发展，对配电网的可靠性要求越来越高，为提高配电网的安全可靠运行水平，需要实时监测输电线路运行信息，判断输电线路是否发生故障，进行故障识别，之后，再进一步分析故障地点，采取必要的控制措施，因此，故障准确识别是保障输电线路故障可靠处理的基础。

申请内容

本申请提供了一种电力传输资源共建共享的建设方法及装置，使得能够快速识别输电线路故障区域，提高供电安全性及可靠性。

有鉴于此，本申请第一方面提供了一种电力传输资源共建共享的建设方法，所述方法包括：

采集输电线路的实时图像数据和实时运行状态数据；

将所述实时图像数据和所述实时运行状态数据输入到训练好的故障识别模型中，计算出对应的故障特征值；

将所述故障特征值输入至构建好的目标识别网络模型中进行初步识别，输出目标识别结果；

利用专家库数据对所述目标识别结果进行故障缺陷类型辨别，完成故障识别。

可选的，在所述将所述实时图像数据和所述实时运行状态数据输入到训练好的故障识别模型中，计算出故障特征值，之前还包括：

对所述实时图像数据和所述运行状态数据进行预处理；

所述预处理包括数据清洗、特征筛选和数据存储。

可选的，在所述将所述实时图像数据和所述实时运行状态数据输入到训练好的故障识别模型中，计算出故障特征值，之前还包括：

采用大量历史图像数据和历史运行状态数据对所述故障识别模型进行训练，得到训练好的所述故障识别模型。

可选的，所述采用大量历史图像数据和历史运行状态数据对所述故障识别模型进行训练，得到训练好的所述故障识别模型，包括：

将所述大量历史图像数据和历史运行状态数据作为训练集数据，对CNN模型进行预训练，得到CNN模型中卷积层和全连接层的参数，所述故障识别模型包括CNN模型和DBN模型；

固定CNN模型卷积层的参数，利用所述训练集数据经过CNN模型卷积层后的输出数据，对DBN模型进行无监督的预训练，得到DBN模型中各RBM层的参数；

将CNN模型的全连接层作为DBN模型的RBM层，迁移所述预训练后获取的CNN模型的卷积层参数和DBN模型中RBM层的参数，并利用所述训练集数据对整个所述故障识别模型的神经网络模型进行有监督的微调。

可选的，所述目标识别网络模型为：

其中，

表示第t次迭代后样本i的目标识别结果，

表示t-1棵树的目标识别结果，f_t(x_i)表示第t棵树的模型。

本申请第二方面提供一种电力传输资源共建共享的建设装置，所述装置包括：

数据采集单元，用于采集输电线路的实时图像数据和实时运行状态数据；

故障特征获取单元，用于将所述实时图像数据和所述实时运行状态数据输入到训练好的故障识别模型中，计算出对应的故障特征值；

初步识别单元，用于将所述故障特征值输入至构建好的目标识别网络模型中进行初步识别，输出目标识别结果；

故障识别单元，用于利用专家库数据对所述目标识别结果进行故障缺陷类型辨别，完成故障识别。

可选的，还包括：

数据预处理单元，用于对所述实时图像数据和所述运行状态数据进行预处理；所述预处理包括数据清洗、特征筛选和数据存储。

可选的，还包括：

训练单元，用于采用大量历史图像数据和历史运行状态数据对所述故障识别模型进行训练，得到训练好的所述故障识别模型。

可选的，所述训练单元包括：

第一预训练单元，用于将所述大量历史图像数据和历史运行状态数据作为训练集数据，对CNN模型进行预训练，得到CNN模型中卷积层和全连接层的参数，所述故障识别模型包括CNN模型和DBN模型；

第二预训练单元，用于固定CNN模型卷积层的参数，利用所述训练集数据经过CNN模型卷积层后的输出数据，对DBN模型进行无监督的预训练，得到DBN模型中各RBM层的参数；

微调单元，用于将CNN模型的全连接层作为DBN模型的RBM层，迁移所述预训练后获取的CNN模型的卷积层参数和DBN模型中RBM层的参数，并利用所述训练集数据对整个所述故障识别模型的神经网络模型进行有监督的微调。

可选的，所述目标识别网络模型为：

其中，y_t表示第t次迭代后样本i的目标识别结果，y_t表示t-1棵树的目标识别结果，f_t(x_i)表示第t棵树的模型。

从以上技术方案可以看出，本申请具有以下优点：

本申请中，提供了一种电力传输资源共建共享的建设方法，包括：采集输电线路的实时图像数据和实时运行状态数据；将实时图像数据和实时运行状态数据输入到训练好的故障识别模型中，计算出对应的故障特征值；将故障特征值输入至构建好的目标识别网络模型中进行初步识别，输出目标识别结果；利用专家库数据对目标识别结果进行故障缺陷类型辨别，完成故障识别。

本申请利用深度学习网络建立故障识别模型，基于所述模型计算预处理后的数据，得到故障特征值；基于GBDT算法构建目标识别网络模型，将已发生的所述故障特征值输入至所述目标识别网络模型中进行初步识别，输出目标识别结果；利用专家库数据对所述目标识别结果进行故障缺陷类型辨别，完成故障识别，使得能够快速准确判别故障区域，提高供电安全性及可靠性。

附图说明

图1为本申请一种电力传输资源共建共享的建设方法的一个实施例的方法流程图；

图2为本申请一种电力传输资源共建共享的建设方法的另外一个实施例的方法流程图；

图3为本申请一种电力传输资源共建共享的建设装置的一个实施例的装置结构示意图。

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，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。

图1为本申请一种电力传输资源共建共享的建设方法的一个实施例的方法流程图，如图1所示，图1中包括：

101、采集输电线路的实时图像数据和实时运行状态数据；

需要说明的是，本申请可以实时采集输电线路的图像数据和运行转台数据。其中，实时运行状态数据包括电流、电压、负载、温度。

102、将实时图像数据和实时运行状态数据输入到训练好的故障识别模型中，计算出对应的故障特征值；

需要说明的是，本申请可以将实时获取的图像数据和运行状态数据输入到训练好的故障识别模型，从而获取实时图像数据和实时运行状态数据对应的故障特征值。

103、将故障特征值输入至目标识别网络模型中进行初步识别，输出目标识别结果；

需要说明的是，本申请将故障特征值输入至目标识别网络模型中进行初步识别，输出目标识别结果。

104、利用专家库数据对目标识别结果进行故障缺陷类型辨别，完成故障识别。

需要说明的是，本申请中输电线路故障缺陷类型包括配电变压器故障、绝缘子破裂、人为因素或自然灾害造成的故障。

本申请利用深度学习网络建立故障识别模型，基于所述模型计算预处理后的数据，得到故障特征值；基于GBDT算法构建目标识别网络模型，将已发生的所述故障特征值输入至所述目标识别网络模型中进行初步识别，输出目标识别结果；利用专家库数据对所述目标识别结果进行故障缺陷类型辨别，完成故障识别，使得能够快速准确判别故障区域，提高供电安全性及可靠性。

本申请还提供了一种电力传输资源共建共享的建设方法的另外一个实施例的方法流程图，如图2所示，图2中包括：

201、采集输电线路的实时图像数据和实时运行状态数据；

202、对实时图像数据和运行状态数据进行预处理；

需要说明的是，数据预处理包括数据清洗、特征筛选、数据存储。其中，数据清洗包括缺失值清洗、格式内容清洗、逻辑错误清洗、非需求数据清洗。

具体的，缺失值清洗包括：确定缺失值范围、去除不需要的字段、填充缺失内容、重新取数；格式内容清洗：时间、日期、数值、全半角等显示格式不一致，内容中有不该存在的字符，内容与该字段应有内容不符；逻辑错误清洗：去重、去除不合理值、修正矛盾内容。非需求数据清洗，包括对不需要的数据进行删除。

203、采用大量历史图像数据和历史运行状态数据对故障识别模型进行训练；

需要说明的是，故障识别模型可以包括CNN模型和DBN模型。其具体的训练过程为：

利用训练集数据对CNN模型进行预训练，得到CNN模型中卷积层和全连接层的参数；固定CNN模型卷积层的参数，利用训练集经过CNN模型卷积层后的输出数据对DBN模型进行无监督的预训练，得到DBN模型中各RBM层的参数；将CNN模型的全连接层作为DBN模型的RBM层，迁移预训练后获取的CNN模型的卷积层参数和DBN模型中RBM层的参数，并利用训练集数据对整个网络进行有监督的微调。

还需要说明的是，故障识别模型包括：

其中，E表示核矩阵，R表示单位矩阵，I表示电流，A表示常规系数。

具体的，核矩阵的计算公式包括：

其中，K(x_i，x_j)∈S表示核函数，s表示训练集。

进一步的，核函数包括：

其中，a表示核参数。

204、将实时图像数据和实时运行状态数据输入到训练好的故障识别模型中，计算出对应的故障特征值；

205、将故障特征值输入至构建好的目标识别网络模型中进行初步识别，输出目标识别结果；

需要说明的是，本申请可以采用基于GBDT算法构建目标识别网络模型。

目标识别网络模型包括：

其中，

表示第t次迭代后样本i的识别结果，

表示t-1棵树的识别结果，f_t(x_i)表示第t棵树的模型。

206、利用专家库数据对目标识别结果进行故障缺陷类型辨别，完成故障识别。

本申请还提供了一种电力传输资源共建共享的建设方法的实验对比的实施例，包括：

为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本申请的方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

传统的技术方案：依据系统潮流的变化进行故障判断及定位，当发生故障时，系统的结果和参数变化，使得潮流的计算和分析处理耗时较长，诊断和恢复处理速度较慢且判断及定位准确率较低。为验证本方法相对传统方法具有较高故障判断及定位准确率，且具有较低的时延。本实施例中将采用传统故障电流法和本方法分别对故障输电线的故障位置进行实时测量对比。

测试环境：仿真平台模拟输电线路故障，采用不同故障类型为测试样本，分别利用传统的故障电流法及本申请方法进行故障定位测试，开启自动化测试设备并运用MATLB软件编程实现两种方法的仿真测试，根据实验结果得到仿真数据。每种方法各测试50组数据，计算获得每组数据故障定位精度，与仿真模拟输入的实际故障位置进行对比计算误差，结果如下表所示：

从上表可以看出，本申请方法相较于传统方法具有较高的故障定位准确度，在时间上具有较低的时延，说明了本申请方法能够快速准确的识别故障位置，提升了供电的安全性及可靠性。

以上是本申请的一种电力传输资源共建共享的建设方法方法的实施例本申请还提供了一种电力传输资源共建共享的建设装置的实施例，如图3所示，图3中包括：

数据采集单元301，用于采集输电线路的实时图像数据和实时运行状态数据；

故障特征获取单元302，用于将实时图像数据和所述实时运行状态数据输入到训练好的故障识别模型中，计算出对应的故障特征值；

初步识别单元303，用于将故障特征值输入至构建好的目标识别网络模型中进行初步识别，输出目标识别结果；

故障识别单元304，用于利用专家库数据对目标识别结果进行故障缺陷类型辨别，完成故障识别。

在一种具体的实施方式中，还包括：

数据预处理单元，用于对实时图像数据和运行状态数据进行预处理；预处理包括数据清洗、特征筛选和数据存储。

训练单元，用于采用大量历史图像数据和历史运行状态数据对故障识别模型进行训练，得到训练好的故障识别模型。

训练单元具体包括：

第一预训练单元，用于将大量历史图像数据和历史运行状态数据作为训练集数据，对CNN模型进行预训练，得到CNN模型中卷积层和全连接层的参数，故障识别模型包括CNN模型和DBN模型；

第二预训练单元，用于固定CNN模型卷积层的参数，利用训练集数据经过CNN模型卷积层后的输出数据，对DBN模型进行无监督的预训练，得到DBN模型中各RBM层的参数；

微调单元，用于将CNN模型的全连接层作为DBN模型的RBM层，迁移预训练后获取的CNN模型的卷积层参数和DBN模型中RBM层的参数，并利用训练集数据对整个故障识别模型的神经网络模型进行有监督的微调。

目标识别网络模型具体为：

其中，y_t表示第t次迭代后样本i的目标识别结果，y_t表示t-1棵树的目标识别结果，f_t(x_i)表示第t棵树的模型。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”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例如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。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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网络单元上。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。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种电力传输资源共建共享的建设方法，其特征在于，包括：

采集输电线路的实时图像数据和实时运行状态数据；

将所述实时图像数据和所述实时运行状态数据输入到训练好的故障识别模型中，计算出对应的故障特征值，所述故障识别模型包括：

其中，E表示核矩阵，R表示单位矩阵，I表示电流，A表示常规系数，所述核矩阵的计算公式包括：

其中，K(x_i，x_j)∈S表示核函数，s表示训练集；所述核函数包括：

其中，a表示核参数；

将所述故障特征值输入至构建好的目标识别网络模型中进行初步识别，输出目标识别结果，所述目标识别网络模型为：

其中，

表示第t次迭代后样本i的目标识别结果，

表示t-1棵树的目标识别结果，f_t(x_i)表示第t棵树的模型；

利用专家库数据对所述目标识别结果进行故障缺陷类型辨别，完成故障识别。

2.根据权利要求1所述的电力传输资源共建共享的建设方法，其特征在于，在所述将所述实时图像数据和所述实时运行状态数据输入到训练好的故障识别模型中，计算出故障特征值，之前还包括：

对所述实时图像数据和所述运行状态数据进行预处理；

所述预处理包括数据清洗、特征筛选和数据存储。

3.根据权利要求1所述的电力传输资源共建共享的建设方法，其特征在于，在所述将所述实时图像数据和所述实时运行状态数据输入到训练好的故障识别模型中，计算出故障特征值，之前还包括：

采用大量历史图像数据和历史运行状态数据对所述故障识别模型进行训练，得到训练好的所述故障识别模型。

4.根据权利要求3所述的电力传输资源共建共享的建设方法，其特征在于，所述采用大量历史图像数据和历史运行状态数据对所述故障识别模型进行训练，得到训练好的所述故障识别模型，包括：

将所述大量历史图像数据和历史运行状态数据作为训练集数据，对CNN模型进行预训练，得到CNN模型中卷积层和全连接层的参数，所述故障识别模型包括CNN模型和DBN模型；

固定CNN模型卷积层的参数，利用所述训练集数据经过CNN模型卷积层后的输出数据，对DBN模型进行无监督的预训练，得到DBN模型中各RBM层的参数；

将CNN模型的全连接层作为DBN模型的RBM层，迁移所述预训练后获取的CNN模型的卷积层参数和DBN模型中RBM层的参数，并利用所述训练集数据对整个所述故障识别模型的神经网络模型进行有监督的微调。

5.一种电力传输资源共建共享的建设装置，其特征在于，包括：

数据采集单元，用于采集输电线路的实时图像数据和实时运行状态数据；

故障特征获取单元，用于将所述实时图像数据和所述实时运行状态数据输入到训练好的故障识别模型中，计算出对应的故障特征值，所述故障识别模型包括：

其中，E表示核矩阵，R表示单位矩阵，I表示电流，A表示常规系数，所述核矩阵的计算公式包括：

其中，K(x_i，x_j)∈S表示核函数，s表示训练集；所述核函数包括：

其中，a表示核参数；

初步识别单元，用于将所述故障特征值输入至构建好的目标识别网络模型中进行初步识别，输出目标识别结果，所述目标识别网络模型为：

其中，

表示第t次迭代后样本i的目标识别结果，

表示t-1棵树的目标识别结果，f_t(x_i)表示第t棵树的模型；

故障识别单元，用于利用专家库数据对所述目标识别结果进行故障缺陷类型辨别，完成故障识别。

6.根据权利要求5所述的电力传输资源共建共享的建设装置，其特征在于，还包括：

数据预处理单元，用于对所述实时图像数据和所述运行状态数据进行预处理；所述预处理包括数据清洗、特征筛选和数据存储。

7.根据权利要求5所述的电力传输资源共建共享的建设装置，其特征在于，还包括：

训练单元，用于采用大量历史图像数据和历史运行状态数据对所述故障识别模型进行训练，得到训练好的所述故障识别模型。

8.根据权利要求7所述的电力传输资源共建共享的建设装置，其特征在于，所述训练单元包括：

第一预训练单元，用于将所述大量历史图像数据和历史运行状态数据作为训练集数据，对CNN模型进行预训练，得到CNN模型中卷积层和全连接层的参数，所述故障识别模型包括CNN模型和DBN模型；

第二预训练单元，用于固定CNN模型卷积层的参数，利用所述训练集数据经过CNN模型卷积层后的输出数据，对DBN模型进行无监督的预训练，得到DBN模型中各RBM层的参数；

微调单元，用于将CNN模型的全连接层作为DBN模型的RBM层，迁移所述预训练后获取的CNN模型的卷积层参数和DBN模型中RBM层的参数，并利用所述训练集数据对整个所述故障识别模型的神经网络模型进行有监督的微调。

Images