CN113295700A - 一种基于物联网的输电线路外绝缘状态监测方法及系统 - Google Patents
一种基于物联网的输电线路外绝缘状态监测方法及系统 Download PDFInfo
- Publication number
- CN113295700A CN113295700A CN202110513005.4A CN202110513005A CN113295700A CN 113295700 A CN113295700 A CN 113295700A CN 202110513005 A CN202110513005 A CN 202110513005A CN 113295700 A CN113295700 A CN 113295700A
- Authority
- CN
- China
- Prior art keywords
- insulator
- data
- pollution
- model
- transmission line
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000005540 biological transmission Effects 0.000 title claims abstract description 55
- 238000009422 external insulation Methods 0.000 title claims abstract description 52
- 239000012212 insulator Substances 0.000 claims abstract description 167
- 238000004458 analytical method Methods 0.000 claims abstract description 75
- 230000007547 defect Effects 0.000 claims abstract description 43
- 238000009826 distribution Methods 0.000 claims abstract description 40
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000013139 quantization Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 150000003839 salts Chemical class 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 2
- 238000011109 contamination Methods 0.000 abstract description 9
- 230000008447 perception Effects 0.000 abstract description 4
- 238000013508 migration Methods 0.000 description 18
- 230000005012 migration Effects 0.000 description 18
- 238000007726 management method Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Atmospheric Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网的输电线路外绝缘状态监测方法及系统,包括:获取边缘物联代理设备上传的预设通用传感数据和特定传感数据,接收统一视频监控平台上传的视频监控数据;基于微气象数据和泄露电流传感数据获取绝缘子污秽度分析数据,基于对应的绝缘子区域的视频监控数据识别绝缘子污秽类别和污秽分布区域以及识别绝缘子缺陷状态;基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态。本发明提供了基于智慧物联体系,融合多源数据对输电线路外绝缘状态进行实时监测以及综合分析,同时实现对电网设备状态的深度感知。
Description
技术领域
本发明涉及电力安全监测技术领域,具体涉及一种基于物联网的输电线路外绝缘状态监测方法及系统。
背景技术
智慧物联体系是实现能源互通、共享互济的必要物质基础,对加快推动公司战略目标落地具有重要意义。建设智慧物联体系,构建覆盖能源电力系统全环节的电力物联网,实现对电网和设备状态的深度感知,汇聚各类资源参与系统调节,促进源网荷储协调互动,支撑区域能源自治,提高电网优化配置资源、安全保障和智能互动能力,提升电网安全运行、企业精益管理和客户优质服务水平。现阶段,电力物联网应用已具有一定基础,但仍存在感知深度广度不足、感知层资源共享不足、业务即时性不足、标准化智能化不足等方面问题。
在输电线路外绝缘状态监测方面,存在对绝缘子的机械性能和老化性能进行的研究,存在通过一系列实验对绝缘子的运行性能进行研究等,但都并未提出并没有提出综合分析的方法,目前缺少有效的线路绝缘子综合评价方法,无法实时监测及准确判断绝缘子运行状态,严重影响线路安全稳定运行。
发明内容
针对上述现有技术存在的问题,本发明提供了一种基于物联网的输电线路外绝缘状态监测方法及系统,基于智慧物联体系,融合多源数据对输电线路外绝缘状态进行实时监测以及综合分析,同时实现对电网设备状态的深度感知。该技术方案如下:
第一方面,提供了一种基于物联网的输电线路外绝缘状态监测方法,包括如下步骤:
接收边缘物联代理设备上传的多种通用传感数据和特定传感数据,获取预设通用传感数据和特定传感数据,接收统一视频监控平台上传的视频监控数据,所述预设通用传感数据包括微气象数据,所述预设特定传感数据包括泄漏电流传感数据;
将微气象数据和泄露电流传感数据输入绝缘子第一外观性能分析模型获取绝缘子污秽度分析数据,将对应的绝缘子区域的视频监控数据输入绝缘子第二外观性能分析模型,识别绝缘子污秽类别和污秽分布区域,将对应的绝缘子区域的视频监控数据输入绝缘子第三外观性能分析模型,识别绝缘子缺陷状态;
基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态。
在一种可能的实现方式中,所述绝缘子第一外观性能分析模型的获取方法,包括:以绝缘子定期清洗前待取下清理的绝缘子的微气象数据、泄露电流传感数据为输入,以绝缘子取下清理后测得的盐密度数据为输出,对预先构建的BP神经网络进行训练优化,获得绝缘子第一外观性能分析模型;
所述绝缘子第二外观性能分析模型的获取方法,包括:对绝缘子图像数据获取污秽类别和污秽分布区域标注数据,以绝缘子图像数据为输入,以污秽类别和污秽分布区域识别结果为输出,对预先构建的Faster R-CNN网络进行训练优化,获得绝缘子第二外观性能分析模型;
所述绝缘子第三外观性能分析模型的获取方法,包括:对绝缘子图像数据根据缺陷区域大小获取绝缘子缺陷状态的量化数据,以绝缘子图像数据为输入,以缺陷状态的量化数据为输出,对预先构建的卷积神经网络进行训练优化,获得绝缘子第三外观性能分析模型。
在一种可能的实现方式中,所述对预先构建的BP神经网络训练优化的过程包括:
基于训练样本中的微气象数据和泄露电流传感数据,提取模型输入特征向量;
调用模型参数初始化算法在模型参数寻优范围内搜索BP神经网络的最优初始化参数;
基于模型初始化参数和输入特征向量对网络模型迭代训练。
在一种可能的实现方式中,所述模型参数初始化算法采用生物地理学优化算法,所述生物地理学优化算法中,迁移率模型采用双曲正切函数,在将待迁出栖息地的至少一个模型参数迁移到待迁入栖息地时,对所述至少一个模型参数进行修正后移到待迁入栖息地。
在一种可能的实现方式中,所述对至少一个模型参数进行修正,包括:
获取0到1范围内随机生成数值R,判断R是否小于第一预设值;
若是,则对于每个栖息地的对应位置的模型参数进行修正的方法为,以当前迭代种群中适应度函数值最大的栖息地的对应位置的模型参数为基础,结合随机选择的多个栖息地的对应位置的模型参数的差值缩放进行模型参数随机调节;
否则,判断R是否小于第二预设值,若是,则以当前待迁移栖息地的对应位置的模型参数为基础,结合当前待迁移栖息地的对应位置的模型参数与当前栖息地的对应位置的模型参数的差值缩放进行模型参数随机修正。
在一种可能的实现方式中,所述结合当前待迁移栖息地的对应位置的模型参数与当前栖息地的对应位置的模型参数的差值缩放进行模型参数随机调节,其中的缩放系数获取方法为:以随机数值R为基础并通过三角函数进行处理。
在一种可能的实现方式中,所述基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态,包括:根据污秽度数据特征缩放后进行区间量化,根据绝缘子上下表面污秽分布区域不同进行分类量化,基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态的量化数据进行加权融合,得到输电线路外绝缘状态综合分析结果。
第二方面,提供了一种基于物联网的输电线路外绝缘状态监测系统,包括:
数据采集模块,用于接收边缘物联代理设备上传的多种通用传感数据和特定传感数据,获取预设通用传感数据和特定传感数据,接收统一视频监控平台上传的视频监控数据,所述预设通用传感数据包括微气象数据,所述预设特定传感数据包括泄漏电流传感数据;
绝缘子分析子模块,用于将微气象数据和泄露电流传感数据输入绝缘子第一外观性能分析模型获取绝缘子污秽度分析数据,将对应的绝缘子区域的视频监控数据输入绝缘子第二外观性能分析模型,识别绝缘子污秽类别和污秽分布区域,将对应的绝缘子区域的视频监控数据输入绝缘子第三外观性能分析模型,识别绝缘子缺陷状态;
绝缘子运行状态综合分析模块,用于基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态。
第三方面,提供了一种电子设备,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现上述述的基于物联网的输电线路外绝缘状态监测方法。
第四方面,提供了一种一种计算机可读存储介质,存储有可执行指令,所述可执行指令被处理器执行时实现上述的基于物联网的输电线路外绝缘状态监测方法。
本发明的一种基于物联网的输电线路外绝缘状态监测方法及系统,具备如下有益效果:通过通过泄漏电流、雨量、温湿度传感器采集数据,并通过汇聚节点上送边缘物联代理后上送物联管理平台,视频监控通过视频智能分析终端,将数据和分析结果接入统一视频监控平台,基于泄漏电流、雨量、温湿度传感数据分析绝缘子污秽度数据,加上调用统一视频监控平台中绝缘子图像分析绝缘子外表污秽状态和缺陷状态,实现在同一现场不同应用场景的传感设备、采集数据、计算和通信资源等充分的共享共用,通过绝缘子第一外观性能分析模型获取绝缘子污秽度分析数据,通过绝缘子第二外观性能分析模型,识别绝缘子污秽类别和污秽分布区域,通过绝缘子第三外观性能分析模型,识别绝缘子缺陷状态,通过污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态,实现了输电线外绝缘状态高层次的精确监测以及综合分析。
附图说明
图1是本发明实施例中基于物联网的输电线路外绝缘状态监测方法整体流程;
图2是本发明实施例中输电线路外绝缘状态监测方法采集数据应用的物联网架构;
图3是本发明实施例中基于物联网的输电线路外绝缘状态监测系统结构框图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,所描述的实施例不应视为对本发明的限制,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它实施例,都属于本发明保护的范围。
本实施例公开了一种基于物联网的输电线路外绝缘状态监测方法,基于智慧物联体系总体架构,采集多种传感数据、视频监控数据,其中传感数据包括通用传感数据比如微气象数据等和特定应用的传感数据比如应用于输电线绝缘子运行状态监测的泄露电流传感数据,比如应用于线路温度监测的输电线路导线、耐张线夹、接续管、引流板等处的无线测温传感器;应用于共享铁塔安全智能监测的杆塔倾斜传感器和螺栓松动监测传感器等,多种传感数据由终端设备采集,通过汇聚节点上送边缘物联代理后上送物联管理平台,对于本实施例中输电线路外绝缘状态监测,通过泄漏电流、雨量、温湿度传感器采集数据,并通过汇聚节点上送边缘物联代理后上送物联管理平台,视频监控通过视频智能分析终端,将数据和分析结果接入统一视频监控平台,基于泄漏电流、雨量、温湿度传感数据分析绝缘子污秽度数据,加上调用统一视频监控平台中绝缘子图像分析绝缘子外表污秽状态和缺陷状态,实现在同一现场不同应用场景的传感设备、采集数据、计算和通信资源等充分的共享共用,避免不同专业采集终端重复建设、数据重复采集的现象。具体的,包括:
(1)接收边缘物联代理设备上传的多种通用传感数据和特定传感数据,获取预设通用传感数据和特定传感数据,接收统一视频监控平台上传的视频监控数据,所述预设通用传感数据包括微气象数据,所述预设特定传感数据包括泄漏电流传感数据;
在智慧物联体系总体架构中,微气象数据包括温湿度、风速、风向、雨量、气压、日照等多种气象参数数据,本实施例中应用到输电线路外绝缘状态监测中的微气象数据包括温度、湿度、雨量数据;
(2)将微气象数据和泄露电流传感数据输入绝缘子第一外观性能分析模型获取绝缘子污秽度分析数据,将对应的绝缘子区域的视频监控数据输入绝缘子第二外观性能分析模型,识别绝缘子污秽类别和污秽分布区域,将对应的绝缘子区域的视频监控数据输入绝缘子第三外观性能分析模型,识别绝缘子缺陷状态;
(3)基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态。
本发明实施例,基于物联网系统结构实现对输电线路外绝缘状态监测,其中在终端部分,通过分布在输电杆塔上的泄漏电流、雨量、温湿度传感器监测绝缘子相关传感数据,并通过汇聚节点上送边缘物联代理后,上送物联管理平台。通过统一视频监控平台上传的视频监控数据,上送物联管理平台,根据传感数据和视频监控数据综合对输电线路外绝缘状态进行监测。
通过绝缘子第一外观性能分析模型分析出绝缘子外表的污秽度,而考虑到导致污秽的原因包括大气污染导致的污秽、鸟粪污染导致的污秽、绝缘子在大气污染后加上冰雪覆盖等多种不同情况,以及污秽物的种类、污秽度大小、绝缘子串污秽分布情况等均对绝缘子污闪的发生有影响,通过绝缘子第二外观性能分析模型对绝缘子区域的视频监控数据进行分析,判断其污秽种类和污秽分布区域,并进一步基于污秽度数据、污秽类别、污秽分布区域和表面缺陷状态综合分析输电线路外绝缘状态。
上述绝缘子第一外观性能分析模型的获取方法,包括:以绝缘子定期清洗前待取下清理的绝缘子的微气象数据、泄露电流传感数据为输入,以绝缘子取下清理后测得的盐密度数据为输出,对预先构建的BP神经网络进行训练优化,获得绝缘子第一外观性能分析模型;
在具体实施时,对采集的绝缘子的微气象数据、泄露电流传感数据作为训练样本,提取特征参数,包括提取泄露电流传感数据的泄露电流有效值、最大值的时域特征参数和谐波含量、频谱的频域参数,结合温度、湿度、雨量数据归一化处理后,形成BP神经网络输入特征向量,并且以测得的盐密度数据为模型预测输出值,通过交叉熵损失函数计算模型误差并反向修正模型参数,迭代训练得到训练完成的绝缘子第一外观性能分析模型。通过对训练完成的绝缘子第一外观性能分析模型进行盐密度数据输出结果准确性和模型性能测试,选择最优的第一外观性能分析模型,对待检测绝缘子微气象数据、泄露电流传感数据进行分析。
上述绝缘子第二外观性能分析模型的获取方法,包括:对绝缘子图像数据获取污秽类别和污秽分布区域标注数据,以绝缘子图像数据为输入,以污秽类别和污秽分布区域识别结果为输出,对预先构建的Faster R-CNN网络进行训练优化,获得绝缘子第二外观性能分析模型;
在具体实施时,对采集的绝缘子图像数据预处理后,进行数据标注,标注污秽类别和污秽分布区域,比如污秽类别包括大气污染沉积层、鸟粪污秽等,构建一个Faster R-CNN网络,通过Faster R-CNN网络对输入图像进行污秽区域的目标识别,基于目标识别结果和标注数据以交叉熵损失函数计算模型误差并修正模型参数,迭代训练得到训练完成的绝缘子第二外观性能分析模型,通过对训练完成的绝缘子第二外观性能分析模型进行识别结果准确性和模型性能测试,选择最优的第二外观性能分析模型,对待检测绝缘子图像进行识别判断。
上述绝缘子第三外观性能分析模型的获取方法,包括:对绝缘子图像数据根据缺陷区域大小获取绝缘子缺陷状态的量化数据,以绝缘子图像数据为输入,以缺陷状态的量化数据为输出,对预先构建的卷积神经网络进行训练优化,获得绝缘子第三外观性能分析模型。
在具体实施时,对绝缘子图像数据根据缺陷区域大小获取绝缘子缺陷状态的量化数据,可以是根据缺陷区域面积大小占绝缘子图像总面积的比例大小进行等级量化表示不同严重程度的缺陷,构建卷积神经网络,以绝缘子图像数据为输入,以绝缘子缺陷状态的量化数据为预测输出,基于交叉熵损失函数计算预测输出和实际输出的误差,并修正模型参数,迭代训练得到训练完成的绝缘子第三外观性能分析模型,通过对训练完成的绝缘子第三外观性能分析模型进行缺陷状态分类结果准确性和模型性能测试,选择最优的第三外观性能分析模型,对待检测绝缘子图像进行缺陷状态分类。
上述基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态,包括:根据污秽度数据进行区间量化,根据绝缘子上下表面污秽分布区域不同分类量化,基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态的量化数据进行加权融合,得到输电线路外绝缘状态综合分析结果。
所述污秽度数据进行区间量化,例如可以将污秽度数据取值范围区间按照一定等级区间划分方法,划分为若干个区间范围,并对每个区间范围的污秽度数据量化,所述根据绝缘子上下表面污秽分布区域不同分类量化,由于绝缘子上下表面污秽不均匀程度影响空间电场分布即影响绝缘子发生污闪概率,例如可以根据不同不均匀分布情况下对高压电极场强大小变化,将绝缘子上表面严重污秽,下表面清洁分类量化为4,缘子上表面严重污秽,下表面轻度污秽分类量化为3,缘子上表面轻度污秽,下表面轻严重污秽分类量化为2等。通过污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态的量化数据加权融合,简单来说,可以直接将污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态数据映射量化到同一量化区间内后直接相加融合,计算融合数值。
上述对预先构建的BP神经网络训练优化的过程包括:
基于训练样本中的微气象数据和泄露电流传感数据,提取模型输入特征向量,包括泄露电流传感数据的泄露电流有效值、最大值的时域特征参数和谐波含量、频谱的频域参数,结合温度、湿度、雨量数据归一化处理后,形成BP神经网络输入特征向量;
调用模型参数初始化算法在模型参数寻优范围内搜索BP神经网络的最优初始化参数,具体的该模型参数初始化算法采用生物地理学优化算法寻优获取最优初始化参数,相比于直接采用初始化参数进行网络模型迭代训练,有效缩短BP神经网络训练时间,且避免模型陷入局部最优;
基于模型初始化参数和输入特征向量对网络模型迭代训练。
具体的,上述模型参数初始化算法采用改进的生物地理学优化算法,在本实施例的生物地理学优化算法中,迁移率模型采用双曲正切函数,改善BP神经网络的最优初始化参数的寻优过程,具体的,包括:
(31)基于BP神经网络模型多个参数的寻优范围,随机生成预设数量的模型参数栖息地;
(32)基于BP神经网络损失函数计算栖息地适应度函数,并建立适应度函数和BP神经网络模型参数的映射;
(33)通过双曲正切函数的迁移率模型获取栖息地的迁入率和迁出率;
(34)根据迁入率和迁出率判断是否对栖息地中的至少一个模型参数进行迁入和迁出,若是,则通过迁移算子执行迁移操作;
(35)迁移操作执行完后,通过变异算子选择栖息地的至少一个模型参数进行更新,并计算适应度函数;
(36)判断是否达到迭代停止条件,若是,则输出当代适应度函数最大值对应的种群分布情况,否则返回步骤(31)。
在上述将栖息地的至少一个模型参数迁入或者迁出时,先对所述至少一个模型参数进行修正后再进行迁移,具体的修正方法包括:
获取0到1范围内随机生成数值R,判断R是否小于第三预设值,该第三预设值为栖息地的预设迁入率;若是,则判定该栖息地需要进行迁移操作;
接着,判断R是否小于第一预设值:
若是,则对于栖息地的至少一个待迁移模型参数进行修正的方法为,以当前迭代种群中适应度函数值最大的栖息地的对应位置的模型参数为基础,结合随机选择的多个栖息地的对应位置的模型参数的差值缩放进行模型参数随机调节,例如,以当前迭代种群中适应度函数值最大的栖息地的对应位置的模型参数为B,随机选择4个栖息地的对应位置的模型参数分别为D、E、F、G,则修正后的待迁移模型参数A1=B+α(D-E)+α(F-G),α为缩放系数,采用预设常数值,在该修正方法中,通过以适应度函数值最大的栖息地的对应位置的模型参数为基础,即以最优栖息地模型参数为基准对待迁移模型进行修正,加快了带迁移模型所在栖息地快速进化为最优栖息地,且在最优栖息地模型参数基础上,添加了以随机若干个栖息地数据为基础的随机调节项,增加了模型参数寻优过程中的多样化信息融合;
否则,判断R是否小于第二预设值,所述第二预设值为栖息地的预设迁出率,若是,则以当前待迁移栖息地的对应位置的模型参数为基础,结合当前待迁移栖息地的对应位置的模型参数与当前栖息地的对应位置的模型参数的差值缩放进行模型参数随机调节,例如,当前待迁移栖息地的对应位置的模型参数为P、当前栖息地的对应位置的模型参数为Q、则修正后的待迁移模型参数A1=P+β(P-Q),其中β为缩放系数,其中,为了增加β的随机性以及多样性,缩放系数β获取方法为:以随机数值R为基础并通过三角函数进行处理,基于随机数值R通过三角函数实现缩放系数β的周期非线性变换,避免栖息地模型参数寻优陷入局部最优以及提高寻优精度,缩放系数β的一种实现方式为:β=(a1+a2*sin(t))*(a3+a4*R),其中a1、a2、a3、a4为常系数,t为当前迭代次数。
通过在栖息地的预设迁入率和迁出率的基础上,设置第一预设值,在随机生成数值R与预设迁入率差距较大时,采用上述第一种修正方法,通过该修正方法可以实现较大步长的模型参数调整,以加快达到最优栖息地模型参数的速度,否则,采用上述第二中修正方法,在原当前待迁移栖息地模型参数的基础上,以缩放调节项进行微调,提高待迁移栖息地模型参数的寻优精度。
在上述步骤(35)中,变异算子的变异方法为,根据当次迭代的所有栖息地的适应度函数值大小进行从大到小排序,并从序列中的后半部分选择栖息地的分量个体进行变异,避免对优良模型参数栖息地中的模型参数变异延缓模型参数初始化参数寻优过程。
本实施例还提供了一种基于物联网的输电线路外绝缘状态监测系统,包括:
数据采集模块,用于接收边缘物联代理设备上传的多种通用传感数据和特定传感数据,获取预设通用传感数据和特定传感数据,接收统一视频监控平台上传的视频监控数据,所述预设通用传感数据包括微气象数据,所述预设特定传感数据包括泄漏电流传感数据;
绝缘子分析子模块,用于将微气象数据和泄露电流传感数据输入绝缘子第一外观性能分析模型获取绝缘子污秽度分析数据,将对应的绝缘子区域的视频监控数据输入绝缘子第二外观性能分析模型,识别绝缘子污秽类别和污秽分布区域,将对应的绝缘子区域的视频监控数据输入绝缘子第三外观性能分析模型,识别绝缘子缺陷状态;
绝缘子运行状态综合分析模块,用于基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态。
关于基于物联网的输电线路外绝缘状态监测系统的具体限定可以参见上文中对于基于物联网的输电线路外绝缘状态监测方法的限定,在此不再赘述。上述基于物联网的输电线路外绝缘状态监测系统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。
本实施例还提供了一种电子设备,该电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现上述的基于物联网的输电线路外绝缘状态监测方法。
本实施例还提供了一种计算机可读存储介质,存储有可执行指令,所述可执行指令被处理器执行时实现上述的基于物联网的输电线路外绝缘状态监测方法。
其中,电子设备的处理器用于提供计算和控制能力。
该电子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、电子程序和数据库,数据库用于存储待标注数据样本和已经标注的数据样本等;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。该计算机可读存储介质可以是只读存储器(read-only memory,ROM)、随机存取存储器(randomaccess memory,RAM)、只读光盘(compact disc read-only memory,CD-ROM)、磁带、软盘和光数据存储节点等。
本发明不局限于上述具体的实施方式,本领域的普通技术人员从上述构思出发,不经过创造性的劳动,所做出的种种变换,均落在本发明的保护范围之内。
Claims (10)
1.一种基于物联网的输电线路外绝缘状态监测方法,其特征在于,包括:
接收边缘物联代理设备上传的多种通用传感数据和特定传感数据,获取预设通用传感数据和特定传感数据,接收统一视频监控平台上传的视频监控数据,所述预设通用传感数据包括微气象数据,所述预设特定传感数据包括泄漏电流传感数据;
将微气象数据和泄露电流传感数据输入绝缘子第一外观性能分析模型获取绝缘子污秽度分析数据,将对应的绝缘子区域的视频监控数据输入绝缘子第二外观性能分析模型,识别绝缘子污秽类别和污秽分布区域,将对应的绝缘子区域的视频监控数据输入绝缘子第三外观性能分析模型,识别绝缘子缺陷状态;
基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态。
2.根据权利要求1所述的一种基于物联网的输电线路外绝缘状态监测方法,其特征在于,
所述绝缘子第一外观性能分析模型的获取方法,包括:以绝缘子定期清洗前待取下清理的绝缘子的微气象数据、泄露电流传感数据为输入,以绝缘子取下清理后测得的盐密度数据为输出,对预先构建的BP神经网络进行训练优化,获得绝缘子第一外观性能分析模型;
所述绝缘子第二外观性能分析模型的获取方法,包括:对绝缘子图像数据获取污秽类别和污秽分布区域标注数据,以绝缘子图像数据为输入,以污秽类别和污秽分布区域识别结果为输出,对预先构建的Faster R-CNN网络进行训练优化,获得绝缘子第二外观性能分析模型;
所述绝缘子第三外观性能分析模型的获取方法,包括:对绝缘子图像数据根据缺陷区域大小获取绝缘子缺陷状态的量化数据,以绝缘子图像数据为输入,以缺陷状态的量化数据为输出,对预先构建的卷积神经网络进行训练优化,获得绝缘子第三外观性能分析模型。
3.根据权利要求2所述的一种基于物联网的输电线路外绝缘状态监测方法,其特征在于,所述对预先构建的BP神经网络训练优化的过程包括:
基于训练样本中的微气象数据和泄露电流传感数据,提取模型输入特征向量;
调用模型参数初始化算法在模型参数寻优范围内搜索BP神经网络的最优初始化参数;
基于模型初始化参数和输入特征向量对网络模型迭代训练。
4.根据权利要求3所述的一种基于物联网的输电线路外绝缘状态监测方法,其特征在于,所述模型参数初始化算法采用生物地理学优化算法,所述生物地理学优化算法中,迁移率模型采用双曲正切函数,在将待迁出栖息地的至少一个模型参数迁移到待迁入栖息地时,对所述至少一个模型参数进行修正后移到待迁入栖息地。
5.根据权利要求4所述的一种基于物联网的输电线路外绝缘状态监测方法,其特征在于,所述对至少一个模型参数进行修正,包括:
获取0到1范围内随机生成数值R,判断R是否小于第一预设值;
若是,则对于每个栖息地的对应位置的模型参数进行修正的方法为,以当前迭代种群中适应度函数值最大的栖息地的对应位置的模型参数为基础,结合随机选择的多个栖息地的对应位置的模型参数的差值缩放进行模型参数随机调节;
否则,判断R是否小于第二预设值,若是,则以当前待迁移栖息地的对应位置的模型参数为基础,结合当前待迁移栖息地的对应位置的模型参数与当前栖息地的对应位置的模型参数的差值缩放进行模型参数随机修正。
6.根据权利要求5所述的一种基于物联网的输电线路外绝缘状态监测方法,其特征在于,所述结合当前待迁移栖息地的对应位置的模型参数与当前栖息地的对应位置的模型参数的差值缩放进行模型参数随机调节,其中的缩放系数获取方法为:以随机数值R为基础并通过三角函数进行处理。
7.根据权利要求1所述的一种基于物联网的输电线路外绝缘状态监测方法,其特征在于,所述基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态,包括:根据污秽度数据特征缩放后进行区间量化,根据绝缘子上下表面污秽分布区域不同进行分类量化,基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态的量化数据进行加权融合,得到输电线路外绝缘状态综合分析结果。
8.一种基于物联网的输电线路外绝缘状态监测系统,其特征在于,包括:
数据采集模块,用于接收边缘物联代理设备上传的多种通用传感数据和特定传感数据,获取预设通用传感数据和特定传感数据,接收统一视频监控平台上传的视频监控数据,所述预设通用传感数据包括微气象数据,所述预设特定传感数据包括泄漏电流传感数据;
绝缘子分析子模块,用于将微气象数据和泄露电流传感数据输入绝缘子第一外观性能分析模型获取绝缘子污秽度分析数据,将对应的绝缘子区域的视频监控数据输入绝缘子第二外观性能分析模型,识别绝缘子污秽类别和污秽分布区域,将对应的绝缘子区域的视频监控数据输入绝缘子第三外观性能分析模型,识别绝缘子缺陷状态;
绝缘子运行状态综合分析模块,用于基于污秽度数据、污秽类别、污秽分布区域和绝缘子缺陷状态获取输电线路外绝缘状态。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现权利要求1至7任一项所述的基于物联网的输电线路外绝缘状态监测方法。
10.一种计算机可读存储介质,存储有可执行指令,其特征在于,所述可执行指令被处理器执行时实现权利要求1至7任一项所述的基于物联网的输电线路外绝缘状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513005.4A CN113295700A (zh) | 2021-05-11 | 2021-05-11 | 一种基于物联网的输电线路外绝缘状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513005.4A CN113295700A (zh) | 2021-05-11 | 2021-05-11 | 一种基于物联网的输电线路外绝缘状态监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113295700A true CN113295700A (zh) | 2021-08-24 |
Family
ID=77321448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110513005.4A Pending CN113295700A (zh) | 2021-05-11 | 2021-05-11 | 一种基于物联网的输电线路外绝缘状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113295700A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114006469A (zh) * | 2021-10-22 | 2022-02-01 | 广东电网有限责任公司 | 一种配电网监控方法、装置、设备以及存储介质 |
CN117274257A (zh) * | 2023-11-21 | 2023-12-22 | 山西集智数据服务有限公司 | 基于机器视觉的图书品相自动分级系统 |
CN117849560A (zh) * | 2024-03-07 | 2024-04-09 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435229A (zh) * | 2011-11-18 | 2012-05-02 | 陕西省电力公司陕西电力超高压运行公司 | 一种基于3g 网络的环境污秽监测及线路绝缘分析系统 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106649972A (zh) * | 2016-10-25 | 2017-05-10 | 国家电网公司 | 基于改进模糊神经网络的输电线路绝缘子状态检测方法 |
CN109799244A (zh) * | 2019-03-29 | 2019-05-24 | 云南电网有限责任公司电力科学研究院 | 一种直流系统绝缘子表面污秽状态检测方法及检测系统 |
CN110261405A (zh) * | 2019-07-31 | 2019-09-20 | 西南交通大学 | 基于显微高光谱技术的绝缘子污秽成分识别方法 |
CN110632092A (zh) * | 2019-10-25 | 2019-12-31 | 云南电网有限责任公司电力科学研究院 | 基于高光谱技术的绝缘子表面污秽分布特性检测方法 |
CN111709552A (zh) * | 2020-05-15 | 2020-09-25 | 国网河北省电力有限公司晋州市供电分公司 | 一种快速获取输电线路复合绝缘子临界污闪电压方法 |
CN112150495A (zh) * | 2020-09-24 | 2020-12-29 | 西安工程大学 | 一种基于扣分法则的绝缘子冰闪风险预测方法 |
JP2021032650A (ja) * | 2019-08-22 | 2021-03-01 | Automagi株式会社 | 劣化状態検出装置及び劣化状態検出方法 |
-
2021
- 2021-05-11 CN CN202110513005.4A patent/CN113295700A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435229A (zh) * | 2011-11-18 | 2012-05-02 | 陕西省电力公司陕西电力超高压运行公司 | 一种基于3g 网络的环境污秽监测及线路绝缘分析系统 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106649972A (zh) * | 2016-10-25 | 2017-05-10 | 国家电网公司 | 基于改进模糊神经网络的输电线路绝缘子状态检测方法 |
CN109799244A (zh) * | 2019-03-29 | 2019-05-24 | 云南电网有限责任公司电力科学研究院 | 一种直流系统绝缘子表面污秽状态检测方法及检测系统 |
CN110261405A (zh) * | 2019-07-31 | 2019-09-20 | 西南交通大学 | 基于显微高光谱技术的绝缘子污秽成分识别方法 |
JP2021032650A (ja) * | 2019-08-22 | 2021-03-01 | Automagi株式会社 | 劣化状態検出装置及び劣化状態検出方法 |
CN110632092A (zh) * | 2019-10-25 | 2019-12-31 | 云南电网有限责任公司电力科学研究院 | 基于高光谱技术的绝缘子表面污秽分布特性检测方法 |
CN111709552A (zh) * | 2020-05-15 | 2020-09-25 | 国网河北省电力有限公司晋州市供电分公司 | 一种快速获取输电线路复合绝缘子临界污闪电压方法 |
CN112150495A (zh) * | 2020-09-24 | 2020-12-29 | 西安工程大学 | 一种基于扣分法则的绝缘子冰闪风险预测方法 |
Non-Patent Citations (5)
Title |
---|
国家电网公司武汉高压研究所: "电力检测与故障诊断技术全书(三)输配电线路卷(下)", 30 September 2005, pages: 516 * |
葛强等: "微扰动和混合变异的差分生物地理学优化算法", 计算机工程与设计, vol. 42, no. 2, pages 434 * |
蒋兴良: "覆冰绝缘子串泄漏电流与覆冰量及覆冰水电导率的关系", 电工技术学报, vol. 29, no. 10, 31 October 2014 (2014-10-31), pages 296 - 297 * |
顾乐观等: "电力系统的污秽绝缘", vol. 1, 31 May 1990, 重庆大学出版社, pages: 18 * |
黄建才: "输电线路绝缘子泄漏电流去噪和特征提取的研究", vol. 1, 31 October 2015, 北京交通大学出版社, pages: 5 - 6 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114006469A (zh) * | 2021-10-22 | 2022-02-01 | 广东电网有限责任公司 | 一种配电网监控方法、装置、设备以及存储介质 |
CN117274257A (zh) * | 2023-11-21 | 2023-12-22 | 山西集智数据服务有限公司 | 基于机器视觉的图书品相自动分级系统 |
CN117274257B (zh) * | 2023-11-21 | 2024-01-23 | 山西集智数据服务有限公司 | 基于机器视觉的图书品相自动分级系统 |
CN117849560A (zh) * | 2024-03-07 | 2024-04-09 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及系统 |
CN117849560B (zh) * | 2024-03-07 | 2024-05-28 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113295700A (zh) | 一种基于物联网的输电线路外绝缘状态监测方法及系统 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN110070282B (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN110594107B (zh) | 一种基于快速梯度提升机的风电机组故障检测方法及装置 | |
CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN113408087B (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN111860947B (zh) | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 | |
CN112598151A (zh) | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 | |
WO2016188498A1 (zh) | 一种无线网络吞吐量的评估方法及装置 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN115760484A (zh) | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 | |
CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN114977176B (zh) | 电力负荷分解方法、装置、设备及存储介质 | |
CN114004162A (zh) | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 | |
Saber et al. | IoT based online load forecasting | |
KR20170106686A (ko) | 가정의 에너지 사용량 예측 방법 및 장치 | |
CN114091758A (zh) | 一种中短期负荷预测方法、系统以及存储介质 | |
CN110969238A (zh) | 一种校准用电数据的方法及装置 | |
CN111612648A (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN116266128A (zh) | 一种用于生态平台资源调度的方法及系统 | |
CN114564487A (zh) | 预报预测相结合的气象栅格数据更新方法 | |
CN114118587A (zh) | 分布式光伏的电能质量评估方法及系统、设备、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 |