发明内容
基于此,有必要针对上述技术问题,提供一种针对输电线路的雷击跳闸率预测模型的确定方法、装置、计算机设备和存储介质。
一种针对输电线路的雷击跳闸率预测模型的确定方法,所述方法包括:
获取针对输电线路的杆塔区段和雷害场景的数据块;
基于所述数据块,得到影响输电线路出现雷害故障的各影响因子的因素集和输电线路的雷害故障状态评价集;
基于所述因素集和所述雷害故障状态评价集,确定所述各影响因子影响所述输电线路出现雷害故障的初始权重系数;
获取初始预测雷击跳闸率,利用所述各影响因子对应的初始权重系数对所述初始预测雷击跳闸率进行处理,得到耦合所述各影响因子的耦合预测雷击跳闸率;
获取实际雷击跳闸率,基于耦合预测雷击跳闸率和实际雷击跳闸率,优化所述各影响因子对应的初始权重系数,直至基于优化后的初始权重系数得到的耦合预测雷击跳闸率与所述实际雷击跳闸率之间的差值处于预设误差范围内;
基于优化后的初始权重系数,得到雷击跳闸率预测模型。
在其中一个实施例中,所述基于所述数据块,得到影响输电线路出现雷害故障的各影响因子的因素集和输电线路的雷害故障状态评价集,包括:
利用模糊数学算法对所述数据块进行训练,得到所述因素集和所述雷害故障状态评价集。
在其中一个实施例中,所述数据块包括所述杆塔区段的地闪分布数据、输电线路数据和所述雷害场景的雷害特征数据。
在其中一个实施例中,所述输电线路数据包括所述输电线路的线路结构数据和所述输电线路的绝缘配置数据,所述雷害特征数据包括所述杆塔区段对应的雷电流幅值概率分布数据。
在其中一个实施例中,所述获取初始预测雷击跳闸率,包括:
从预设的雷电定位系统获取所述雷电流幅值概率分布数据、从预设的地理信息系统获取所述地闪分布数据、以及从预设的电网生产系统获取所述线路结构数据和所述绝缘配置数据;
对所述雷电流幅值概率分布数据、所述地闪分布数据、所述线路结构数据和所述绝缘配置数据进行分析,得到所述初始预测雷击跳闸率。
在其中一个实施例中,所述方法还包括:
利用聚类算法和核密度估计算法对所述数据块进行预处理以去除所述数据块中的噪声数据;
利用贝叶斯网络算法对预处理后的数据块进行数据挖掘,得到所述雷害场景与所述输电线路出现所述雷害故障之间的映射关系。
一种针对输电线路的雷击跳闸率预测模型的确定装置,所述装置包括:
数据块获取模块,用于获取针对输电线路的杆塔区段和雷害场景的数据块;
数据块处理模块,用于基于所述数据块,得到影响输电线路出现雷害故障的各影响因子的因素集和输电线路的雷害故障状态评价集;
初始权重系数确定模块,用于基于所述因素集和所述雷害故障状态评价集,确定所述各影响因子影响所述输电线路出现雷害故障的初始权重系数;
跳闸率耦合处理模块,用于获取初始预测雷击跳闸率,利用所述各影响因子对应的初始权重系数对所述初始预测雷击跳闸率进行处理,得到耦合所述各影响因子的耦合预测雷击跳闸率;
权重系数优化模块,用于获取实际雷击跳闸率,基于耦合预测雷击跳闸率和实际雷击跳闸率,优化所述各影响因子对应的初始权重系数,直至基于优化后的初始权重系数得到的耦合预测雷击跳闸率与所述实际雷击跳闸率之间的差值处于预设误差范围内;
预测模块确定模块,用于基于优化后的初始权重系数,得到雷击跳闸率预测模型。
在其中一个实施例中,所述数据块处理模块,进一步用于利用模糊数学算法对所述数据块进行训练,得到所述因素集和所述雷害故障状态评价集。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行如下方法:
获取针对输电线路的杆塔区段和雷害场景的数据块;
基于所述数据块,得到影响输电线路出现雷害故障的各影响因子的因素集和输电线路的雷害故障状态评价集;
基于所述因素集和所述雷害故障状态评价集,确定所述各影响因子影响所述输电线路出现雷害故障的初始权重系数;
获取初始预测雷击跳闸率,利用所述各影响因子对应的初始权重系数对所述初始预测雷击跳闸率进行处理,得到耦合所述各影响因子的耦合预测雷击跳闸率;
获取实际雷击跳闸率,基于耦合预测雷击跳闸率和实际雷击跳闸率,优化所述各影响因子对应的初始权重系数,直至基于优化后的初始权重系数得到的耦合预测雷击跳闸率与所述实际雷击跳闸率之间的差值处于预设误差范围内;
基于优化后的初始权重系数,得到雷击跳闸率预测模型。
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如下方法:
获取针对输电线路的杆塔区段和雷害场景的数据块;
基于所述数据块,得到影响输电线路出现雷害故障的各影响因子的因素集和输电线路的雷害故障状态评价集;
基于所述因素集和所述雷害故障状态评价集,确定所述各影响因子影响所述输电线路出现雷害故障的初始权重系数;
获取初始预测雷击跳闸率,利用所述各影响因子对应的初始权重系数对所述初始预测雷击跳闸率进行处理,得到耦合所述各影响因子的耦合预测雷击跳闸率;
获取实际雷击跳闸率,基于耦合预测雷击跳闸率和实际雷击跳闸率,优化所述各影响因子对应的初始权重系数,直至基于优化后的初始权重系数得到的耦合预测雷击跳闸率与所述实际雷击跳闸率之间的差值处于预设误差范围内;
基于优化后的初始权重系数,得到雷击跳闸率预测模型。
上述针对输电线路的雷击跳闸率预测模型的确定方法、装置、计算机设备和存储介质,获取针对输电线路的杆塔区段和雷害场景的数据块;基于所述数据块,得到影响输电线路出现雷害故障的各影响因子的因素集和输电线路的雷害故障状态评价集;基于所述因素集和所述雷害故障状态评价集,确定所述各影响因子影响所述输电线路出现雷害故障的初始权重系数;获取初始预测雷击跳闸率,利用所述各影响因子对应的初始权重系数对所述初始预测雷击跳闸率进行处理,得到耦合所述各影响因子的耦合预测雷击跳闸率;获取实际雷击跳闸率,基于耦合预测雷击跳闸率和实际雷击跳闸率,优化所述各影响因子对应的初始权重系数,直至基于优化后的初始权重系数得到的耦合预测雷击跳闸率与所述实际雷击跳闸率之间的差值处于预设误差范围内;基于优化后的初始权重系数,得到雷击跳闸率预测模型。可见,本申请所提供的方法中,通过因素集和雷害故障状态评价集确定初始权重系数,然后利用初始权重系数对初始预测雷击跳闸率进行处理,得到耦合多个影响因子的耦合预测雷击跳闸率,并基于耦合预测雷击跳闸率和实际雷击跳闸率对初始权重系数进行优化,直至基于优化后的各影响因子的初始权重系数得到的耦合预测雷击跳闸率与所述实际雷击跳闸率之间的差值处于预设误差范围内;此时,基于优化后的初始权重系数所得到的雷击跳闸率预测模型可以凭借优化后的初始权重系数准确预测输电线路的雷击跳闸率。
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。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
本申请提供的针对输电线路的雷击跳闸率预测模型的确定方法,可以应用于如图1所示的计算机设备中,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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存储针对输电线路的雷击跳闸率预测模型的确定数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种针对输电线路的雷击跳闸率预测模型的确定方法。
本领域技术人员可以理解,图1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,如图2所示,提供了一种针对输电线路的雷击跳闸率预测模型的确定方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤S201,计算机设备获取针对输电线路的杆塔区段和雷害场景的数据块;
步骤S202,计算机设备基于上述数据块,得到影响输电线路出现雷害故障的各影响因子的因素集和输电线路的雷害故障状态评价集;
步骤S203,计算机设备基于上述因素集和上述雷害故障状态评价集,确定上述各影响因子影响上述输电线路出现雷害故障的初始权重系数。
步骤S204,计算机设备获取初始预测雷击跳闸率,利用上述各影响因子对应的初始权重系数对上述初始预测雷击跳闸率进行处理,得到耦合上述各影响因子的耦合预测雷击跳闸率;
步骤S205,计算机设备获取上述输电线路对应于上述杆塔区段的实际雷击跳闸率,基于耦合预测雷击跳闸率和实际雷击跳闸率,优化上述各影响因子对应的初始权重系数,直至基于优化后的初始权重系数得到的耦合预测雷击跳闸率与上述实际雷击跳闸率之间的差值处于预设误差范围内。
其中,计算机设备在得到各影响因子的初始权重系数后,将每个初始权重系数与初始预测雷击跳闸率进行相乘,并对得到的乘积进行求和,得到耦合预测雷击跳闸率。然后,计算机设备将耦合预测雷击跳闸率与实际雷击跳闸率进行比较,确定二者之间的差值,并判断该差值是否处于预设误差范围,若不是,计算机设备则对初始权重系数进行优化调整。计算机设备将优化调整后的初始权重系数对初始预测雷击跳闸率进行相乘,并对得到的乘积进行求和,得到优化对应的耦合预测雷击跳闸率,并判断优化对应的耦合预测雷击跳闸率之间的差值是否处于预设误差范围,若是,则停止优化初始权重系数,若不是,则继续按照上述步骤优化初始权重系数。
步骤S206,计算机设备基于优化后的初始权重系数,得到雷击跳闸率预测模型。
上述针对输电线路的雷击跳闸率预测模型的确定方法中,获取针对输电线路的杆塔区段和雷害场景的数据块;基于上述数据块,得到影响输电线路出现雷害故障的各影响因子的因素集和输电线路的雷害故障状态评价集;基于上述因素集和上述雷害故障状态评价集,确定上述各影响因子影响上述输电线路出现雷害故障的初始权重系数;获取初始预测雷击跳闸率,利用上述各影响因子对应的初始权重系数对上述初始预测雷击跳闸率进行处理,得到耦合上述各影响因子的耦合预测雷击跳闸率;获取实际雷击跳闸率,基于耦合预测雷击跳闸率和实际雷击跳闸率,优化上述各影响因子对应的初始权重系数,直至基于优化后的初始权重系数得到的耦合预测雷击跳闸率与上述实际雷击跳闸率之间的差值处于预设误差范围内;基于优化后的初始权重系数,得到雷击跳闸率预测模型。可见,本申请所提供的方法中,通过因素集和雷害故障状态评价集确定初始权重系数,然后利用初始权重系数对初始预测雷击跳闸率进行处理,得到耦合多个影响因子的耦合预测雷击跳闸率,并基于耦合预测雷击跳闸率和实际雷击跳闸率对初始权重系数进行优化,直至基于优化后的各影响因子的初始权重系数得到的耦合预测雷击跳闸率与上述实际雷击跳闸率之间的差值处于预设误差范围内;此时,基于优化后的初始权重系数所得到的雷击跳闸率预测模型可以凭借优化后的初始权重系数准确预测输电线路的雷击跳闸率。
在一个实施例中,计算机设备在基于上述数据块,得到影响输电线路出现雷害故障的各影响因子的因素集和输电线路的雷害故障状态评价集的过程中,可以进一步执行如下步骤:利用模糊数学算法对上述数据块进行训练,得到上述因素集和上述雷害故障状态评价集。
在上述实施例中,利用模糊数学算法对数据块进行训练得到对应的因素集和雷害故障状态评价集,进一步提高预测输电线路的雷击跳闸率的准确性。
在一个实施例中,上述数据块包括上述杆塔区段的地闪分布数据、输电线路数据和上述雷害场景的雷害特征数据。
进一步地,上述输电线路数据包括上述输电线路的线路结构数据和上述输电线路的绝缘配置数据,上述雷害特征数据包括上述杆塔区段对应的雷电流幅值概率分布数据。
在上述实施例中,计算机设备可以结合多个维度的数据,如地闪分布数据、输电线路的线路结构数据和输电线路的绝缘配置数据、雷电流幅值概率分布数据形成数据块,保证分析处理的数据可以较为准确地反映输电线路的雷击跳闸率,以提高预测输电线路的雷击跳闸率的准确性。
进一步地,计算机设备在获取初始预测雷击跳闸率的过程中,可以进一步执行如下步骤:从预设的雷电定位系统获取上述雷电流幅值概率分布数据、从预设的地理信息系统获取上述地闪分布数据、以及从预设的电网生产系统获取上述线路结构数据和上述绝缘配置数据;对上述雷电流幅值概率分布数据、上述地闪分布数据、上述线路结构数据和上述绝缘配置数据进行分析,得到上述初始预测雷击跳闸率。
在上述实施例中,计算机设备对接多个系统获取对应的数据,由于上述系统存储的数据实时反映当前的输电线路情况和雷击场景,因此,计算机设备基于多系统获取数据,可以保证所分析的数据实时反映当前的输电线路和雷击场景,保证预测输电线路的雷击跳闸率的准确性。
在一个实施例中,如图3所示,计算机设备还可以执行如下步骤:步骤S301,利用聚类算法和核密度估计算法对上述数据块进行预处理以去除上述数据块中的噪声数据;步骤S302,利用贝叶斯网络算法对预处理后的数据块进行数据挖掘,得到上述雷害场景与上述输电线路出现上述雷害故障之间的映射关系。其中,聚类算法可以是DBSCAN算法。
在上述实施例中,计算机设备利用聚类算法和核密度估计算法对数据块进行预处理,去除数据块中的噪声数据,避免不必要的数据对分析处理过程的干扰;并且计算机设备利用贝叶斯网络算法对预处理后的数据块进行数据挖掘,得到的雷害场景与上述输电线路出现上述雷害故障之间的映射关系可以准确反映雷害场景和雷害故障的关系。
为了更好地理解上述方法,结合图4,详细阐述一个本申请针对输电线路的雷击跳闸率预测模型的确定方法的应用实例。
第一部分,确定雷害场景与输电线路出现雷害故障之间的映射关系:
计算机设备在确定待评价的输电线路后,可以从该输电线路中确定具有分析价值的杆塔区段,并获取所确定的杆塔区段和对应的雷电场景的数据块;接着,计算机设备利用聚类算法和核密度估计算法对上述数据块进行预处理以去除上述数据块中的噪声数据;最后,计算机设备利用贝叶斯网络算法对预处理后的数据块进行数据挖掘,得到上述雷害场景与上述输电线路出现上述雷害故障之间的映射关系。
第二部分,获取初始预测雷击跳闸率:
计算机设备可以对接雷电定位系统、地理信息系统和电网生产系统,并从所对接的系统中对应获取雷电流幅值概率分布数据、地闪分布数据、输电线路线路结构数据以及绝缘配置数据;计算机设备基于获取到的上述数据进行初始预测,得到初始预测的雷击跳闸率。其中,计算机设备在进行初始预测时,可以利用已有的数据挖掘技术实现。
第三部分,获取初始权重系数:
计算机设备利用模糊数学算法对上述数据块进行训练,得到上述因素集和上述雷害故障状态评价集;接着,计算机设备基于上述因素集和上述雷害故障状态评价集,确定各影响因子影响上述输电线路出现雷害故障的初始权重系数。
第四部分,确定耦合预测雷击跳闸率:
计算机设备在得到各影响因子的初始权重系数后,将每个初始权重系数与初始预测雷击跳闸率进行相乘,并对得到的乘积进行求和,得到耦合预测雷击跳闸率。
第五部分,优化初始权重系数:
计算机设备获取输电线路对应于上述杆塔区段的实际雷击跳闸率;接着,计算机设备基于耦合预测雷击跳闸率和实际雷击跳闸率,优化上述各影响因子对应的初始权重系数,直至基于优化后的初始权重系数得到的耦合预测雷击跳闸率与上述实际雷击跳闸率之间的差值处于预设误差范围内。
第六部分,确定雷击跳闸预测模型:
计算机设备获取具有优化后的初始权重系数的雷击跳闸率预测模型。
本实施例中,通过因素集和雷害故障状态评价集确定初始权重系数,然后利用初始权重系数对初始预测雷击跳闸率进行处理,得到耦合多个影响因子的耦合预测雷击跳闸率,并基于耦合预测雷击跳闸率和实际雷击跳闸率对初始权重系数进行优化,直至基于优化后的各影响因子的初始权重系数得到的耦合预测雷击跳闸率与上述实际雷击跳闸率之间的差值处于预设误差范围内;此时,基于优化后的初始权重系数所得到的雷击跳闸率预测模型可以凭借优化后的初始权重系数准确预测输电线路的雷击跳闸率。
基于上述方法构建的雷击跳闸率预测模型,可以提升雷击跳闸率的准确率,有利于进行防雷工作的开展。在实际应用中,还可以对已发生的雷击进行分析,判断雷击形式、校核杆塔耐雷水平,用于指导防雷改造。
本申请提供另一实施例,该实施例主要包括如下内容:首先通过雷电流幅值以及输电线路不同电压等级来判断雷击类型,然后根据输电线路的电压等级、杆塔接地电阻以及不同的雷击类型,开展雷击故障判断,校核杆塔耐雷性能是否满足要求,以便于工作人员对杆塔开展防雷改造的工作。
第一步:判定雷击类型(雷击类型包括:绕击/反击)
(1)、通过雷电探测装置获取落雷基本信息(落雷经纬度、雷电流幅值),获取后通过下面的规则算法初步判断雷击类型。
(2)、电压等级110kV线路,雷电流幅值≤20kA判断为绕击,雷电流幅值>20kA判定为反击;
(3)、电压等级220kV线路,雷电流幅值≤40kA判断为绕击,雷电流幅值>60kA判定为反击。雷电流幅值为40kA~60kA判断为待定;
(4)、电压等级500kV、±500kV线路,雷电流幅值≤60kA判断为绕击,雷电流幅值>100kA判定为反击。雷电流幅值为60kA~100kA判断为待定;
(5)、电压等级±800kV线路,雷电流幅值≤80kA判断为绕击,雷电流幅值>140kA判定为反击。雷电流幅值为80kA~140kA判断为待定。
第二步:开展雷击故障判断
(1)、提取故障雷电流:根据线路名称、所属单位、跳闸时间,查询跳闸时刻前后5分钟、半径3km的落雷,选择落雷时间和跳闸时间最接近的落雷为故障雷电流。
(2)、判断雷击类型为反击或绕击,具体判断方式参照第一步的介绍。如果为反击故障,按第二步(3)和(4)进行耐雷性能校核;如果为绕击,按第二步(5)进行校核。如果雷击类型不明确,则耐雷性能校核为待定。
(3)、单回路反击耐雷性能校核:
①对电压等级110kV线路杆塔,杆塔接地电阻10Ω和20Ω的标准反击耐雷水平要求值为68kA和56kA;
②对电压等级220kV线路杆塔,杆塔接地电阻10Ω和20Ω的标准反击耐雷水平要求值为96kA和87kA;
③对电压等级500kV及以上线路杆塔,杆塔接地电阻10Ω和20Ω的标准反击耐雷水平要求值为177kA和158kA。
其它接地电阻的标准反击耐雷水平要求值通过插值获得。
如果查询到的故障雷电流大于标准要求反击耐雷水平,则判定为正常雷电反击故障,如果查询到的故障雷电流小于标准要求反击耐雷水平,则判定为杆塔反击耐雷性能不满足要求。
(4)、双回路及多回路反击耐雷性能校核:
①对电压等级110kV杆塔,杆塔接地电阻10Ω和20Ω的标准反击耐雷水平要求值为61kA和50kA;
②对电压等级220kV杆塔,杆塔接地电阻10Ω和20Ω的标准反击耐雷水平要求值为92kA和79kA;
③对电压等级500kV及以上杆塔,杆塔接地电阻10Ω和20Ω的标准反击耐雷水平要求值为162kA和142kA。
其它接地电阻的标准反击耐雷水平要求值通过插值获得。
如果查询到的故障雷电流大于标准要求反击耐雷水平,则判定为正常雷电反击故障,如果查询到的故障雷电流小于标准要求反击耐雷水平,则判定为杆塔反击耐雷性能不满足要求。
(5)、绕击耐雷性能校核(不区分杆塔回路数和杆塔接地电阻):
①对电压等级110kV杆塔,绕击耐雷水平要求值为4kA;
②对电压等级220kV杆塔,绕击耐雷水平要求值为8kA;
③对电压等级500kV及以上杆塔,绕击耐雷水平要求值为16kA。
如果查询到的故障雷电流大于要求的绕击耐雷水平,则判定为正常雷击绕击故障,如果查询到的故障雷电流小于标准要求绕击耐雷水平,则判定为杆塔绕击耐雷性能不满足要求。
第三步:向工作人员反馈杆塔的防雷改造建议
如果杆塔反击或绕击耐雷性能不满足要求,则建议开展防雷改造。
(1)、如果正常跳闸,可不采取防雷措施;
(2)、如果异常跳闸,且未安装避雷器,建议安装避雷器;如果实测接地电阻大于设计接地电阻,建议改造杆塔接地网;
(3)、如果发生双回/多回同跳,建议要求本塔及前后各一基杆塔安装线路避雷器,并对接地电阻不满足设计要求的杆塔进行接地改造。
(4)、建议结合停电窗口,尽快对受损元件进行更换或修复。
应该理解的是,虽然图2至图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至图4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种针对输电线路的雷击跳闸率预测模型的确定装置,包括:
数据块获取模块501,用于获取针对输电线路的杆塔区段和雷害场景的数据块;
数据块处理模块502,用于基于所述数据块,得到影响输电线路出现雷害故障的各影响因子的因素集和输电线路的雷害故障状态评价集;
初始权重系数确定模块503,用于基于所述因素集和所述雷害故障状态评价集,确定所述各影响因子影响所述输电线路出现雷害故障的初始权重系数;
跳闸率耦合处理模块504,用于获取初始预测雷击跳闸率,利用所述各影响因子对应的初始权重系数对所述初始预测雷击跳闸率进行处理,得到耦合所述各影响因子的耦合预测雷击跳闸率;
权重系数优化模块505,用于获取所述输电线路对应于所述杆塔区段的实际雷击跳闸率,基于耦合预测雷击跳闸率和实际雷击跳闸率,优化所述各影响因子对应的初始权重系数,直至基于优化后的初始权重系数得到的耦合预测雷击跳闸率与所述实际雷击跳闸率之间的差值处于预设误差范围内;
预测模块确定模块506,用于基于优化后的初始权重系数,得到雷击跳闸率预测模型。
在一个实施例中,所述初始权重系数确定模块503,进一步用于利用模糊数学算法对所述数据块进行训练,得到所述因素集和所述雷害故障状态评价集。
在一个实施例中,所述数据块包括所述杆塔区段的地闪分布数据、输电线路数据和所述雷害场景的雷害特征数据。
在一个实施例中,所述输电线路数据包括所述输电线路的线路结构数据和所述输电线路的绝缘配置数据,所述雷害特征数据包括所述杆塔区段对应的雷电流幅值概率分布数据。
在一个实施例中,所述跳闸率耦合处理模块504,用于从预设的雷电定位系统获取所述雷电流幅值概率分布数据、从预设的地理信息系统获取所述地闪分布数据、以及从预设的电网生产系统获取所述线路结构数据和所述绝缘配置数据;对所述雷电流幅值概率分布数据、所述地闪分布数据、所述线路结构数据和所述绝缘配置数据进行分析,得到所述初始预测雷击跳闸率。
在一个实施例中,所述装置还包括映射关系确定模块,用于利用聚类算法和核密度估计算法对所述数据块进行预处理以去除所述数据块中的噪声数据;利用贝叶斯网络算法对预处理后的数据块进行数据挖掘,得到所述雷害场景与所述输电线路出现所述雷害故障之间的映射关系。
关于针对输电线路的雷击跳闸率预测模型的确定装置的具体限定可以参见上文中对于针对输电线路的雷击跳闸率预测模型的确定方法的限定,在此不再赘述。上述针对输电线路的雷击跳闸率预测模型的确定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,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述各个方法实施例中的步骤。
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上述各个方法实施例中的步骤。
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,上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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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。
以上的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。