CN113743460A - 输电线路的故障原因确定方法、装置、计算机设备 - Google Patents

输电线路的故障原因确定方法、装置、计算机设备 Download PDF

Info

Publication number
CN113743460A
CN113743460A CN202110866242.9A CN202110866242A CN113743460A CN 113743460 A CN113743460 A CN 113743460A CN 202110866242 A CN202110866242 A CN 202110866242A CN 113743460 A CN113743460 A CN 113743460A
Authority
CN
China
Prior art keywords
fault
point
naive bayes
bayes 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
Application number
CN202110866242.9A
Other languages
English (en)
Inventor
何森
张厚荣
王奇
常安
宋云海
尚佳宁
郑文坚
赖光霖
崔曼帝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maintenance and Test Center of Extra High Voltage Power Transmission Co
Original Assignee
Maintenance and Test Center of Extra High Voltage Power Transmission Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Maintenance and Test Center of Extra High Voltage Power Transmission Co filed Critical Maintenance and Test Center of Extra High Voltage Power Transmission Co
Priority to CN202110866242.9A priority Critical patent/CN113743460A/zh
Publication of CN113743460A publication Critical patent/CN113743460A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种输电线路的故障原因确定方法、装置、计算机设备和存储介质。所述方法包括：获取输电线路故障录波数据以及气象数据，进而提取故障特征，根据故障特征和加权朴素贝叶斯模型中来确定输电线路故障原因。本实施例中，利用加权朴素贝叶斯模型故障特征进行分析，从而确定输电线路故障原因，利用加权朴素贝叶斯模型确定输电线路故障原因可以故障原因分析的实时性，不需要电网巡线人员对测距定位的疑似故障区域进行巡查，可以有效的提高故障原因确定的效率。而且，不需要电网巡线人员对测距定位的疑似故障区域进行巡查，也节省了人力成本。

Description

输电线路的故障原因确定方法、装置、计算机设备
技术领域
本申请涉及电网技术领域，特别是涉及一种输电线路的故障原因确定方法、装置、计算机设备和存储介质。
背景技术
随着我国经济的飞速发展以及电力事业的不断进步，现代电网的规模、容量以及覆盖范围越来越大。电网在我国国民经济和人民生活水平中占据重要地位，遍布于人们生活的各个方面，因此故障停电将会给社会生产和人民生活造成巨大损失。
由于各地区的电力负荷分布不均衡，往往需要利用输电线路实现远距离、大容量送电。输电线路作为电力系统的重要组成部分，对电力输送的安全稳定起着关键作用，但其分布广阔，运行环境复杂多变，容易遭受雷电、强风、冰雪等恶劣天气的影响或外力破坏而导致跳闸，给人们生活造成极大不便。目前对于输电线路的故障诊断主要依靠电网巡线人员对测距定位的疑似故障逐步排查，再组织相关人员进行抢修。
但是，现有技术中通过人工排查输电电路的故障的方式，存在效率较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高确定输电线路的故障原因的效率的输电线路的故障原因确定方法、装置、计算机设备和存储介质。
一种输电线路的故障原因确定方法，所述方法包括：
获取电网系统的故障录波数据和气象数据；
对所述故障录波数据和所述气象数据进行特征提取，得到所述电网系统的输电线路的故障特征；
根据所述故障特征和预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的目标故障原因；所述加权朴素贝叶斯模型为根据基于复合形算法的加权朴素贝叶斯分类算法得到的。
在其中一个实施例中，所述根据所述故障特征预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的故障原因，包括：
根据故障原因和故障特征的对应关系、以及所述输电线路的故障特征，确定每种故障原因对应的目标故障特征；
将每种所述故障原因对应的目标故障特征输入至所述加权朴素贝叶斯模型中，得到每种所述故障原因的分类错误率；
将最小的分类错误率对应的故障原因确定为所述输电线路的目标故障原因。
在其中一个实施例中，所述加权朴素贝叶斯模型包括每种故障原因的权值，所述每种故障原因的权值为采用复合形算法确定的。
在其中一个实施例中，所述加权朴素贝叶斯模型的训练方法包括：
获取输电线路的故障特征样本集；所述故障特征样本集中包括样本故障特征和样本故障特征对应的实际故障原因；
基于复合形算法根据所述故障特征样本集对预设的初始朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型。
在其中一个实施例中，所述基于复合形算法根据所述故障特征样本集对预设的初始朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型，包括：
从所述故障特征样本集中随机抽取预设数量的故障特征样本作为第一训练集，将剩余的故障特征样本作为第二训练集；
根据所述第一训练集对所述初始朴素贝叶斯模型进行训练，得到朴素贝叶斯模型；
基于所述复合形算法根据所述第二训练集对所述朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型。
在其中一个实施例中，所述基于所述复合形算法根据所述第二训练集对所述朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型，包括：
根据所述第二训练集中的样本故障特征构建初始复合形；
根据所述初始复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值；
根据所述最坏点的权值和中心点的权值计算反射点；所述中心点为除所述最坏点之外的其他顶点中的中心点；
根据所述反射点的目标函数值和所述最坏点的目标函数值，进行迭代运算，直至满足迭代终止条件，将满足所述迭代终止条件的最好点的权值确定为所述朴素贝叶斯模型中故障原因的权值，得到所述加权朴素贝叶斯模型。
在其中一个实施例中，所述根据所述反射点的目标函数值和所述最坏点的目标函数值，进行迭代运算，包括：
判断所述反射点是否为可行点；
若所述反射点为可行点，且所述反射点的目标函数值小于所述最坏点的目标函数值，则将所述反射点代替所述最坏点，得到新的复合形，并返回执行根据所述新的复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值的步骤；
若所述反射点为可行点，且所述反射点的目标函数值不小于所述最坏点的目标函数值，则将所述反射点向所述中心点靠近，并计算新的反射点，直至所述新的反射点的目标函数值小于所述最坏点的目标函数值；
若所述反射点为非可行点，则所述反射点向所述中心点靠近，直至新的反射点为可行点之后，执行反射点为可行点的步骤。
在其中一个实施例中，所述迭代终止条件包括复合形的各顶点的目标函数值与最好点的目标函数值之间的差值的均方根值小于预设精度值。
一种输电线路的故障原因确定装置，所述装置包括：
获取模块，用于获取电网系统的故障录波数据和气象数据；
提取模块，用于对所述故障录波数据和所述气象数据进行特征提取，得到所述电网系统的输电线路的故障特征；
确定模块，用于根据所述故障特征和预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的目标故障原因；所述加权朴素贝叶斯模型为根据基于复合形算法的加权朴素贝叶斯分类算法得到的。
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，所述处理器执行所述计算机程序时实现以下步骤：
获取电网系统的故障录波数据和气象数据；
对所述故障录波数据和所述气象数据进行特征提取，得到所述电网系统的输电线路的故障特征；
根据所述故障特征和预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的目标故障原因；所述加权朴素贝叶斯模型为根据基于复合形算法的加权朴素贝叶斯分类算法得到的。
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时实现以下步骤：
获取电网系统的故障录波数据和气象数据；
对所述故障录波数据和所述气象数据进行特征提取，得到所述电网系统的输电线路的故障特征；
根据所述故障特征和预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的目标故障原因；所述加权朴素贝叶斯模型为根据基于复合形算法的加权朴素贝叶斯分类算法得到的。
上述输电线路的故障原因确定方法、装置、计算机设备和存储介质，首先获取输电线路故障录波数据以及气象数据，进而提取故障特征，最后将故障特征输入至加权朴素贝叶斯模型中来确定输电线路故障原因。数据获取主要从电网系统以及气象系统中得到，获取方法简单，而且已有的历史数据和工程经验对特征的提取具有一定的指导性，在利用加权朴素贝叶斯模型对输电线路故障原因确定时，直接通过获取的故障特征进行分析，不需要电网巡线人员对测距定位的疑似故障区域进行巡查。因此，本实施例可以有效提高输电线路的故障原因确定的效率。
附图说明
图1为一个实施例中计算机设备的框图；
图2为一个实施例中一种输电线路的故障原因确定方法的流程示意图；
图3为一个实施例中输电线路的故障原因的具体过程的流程示意图；
图4为一个实施例中输电线路的故障原因的训练方法的流程示意图；
图5为一个实施例中基于复合形算法的加权朴素贝叶斯训练的流程示意图；
图6为一个实施例中基于复合形算法根据第二训练集对初始朴素贝叶斯训练的流程示意图；
图7为一个实施例中迭代运算的流程示意图；
图8为另一个实施例中迭代运算的流程示意图；
图9为一个实施例中输电线路的故障原因确定装置的结构框图；
图10为另一个实施例中输电线路的故障原因确定装置的结构框图
图11为另一个实施例中输电线路的故障原因确定装置的结构框图；
图12为另一个实施例中输电线路的故障原因确定装置的结构框图
图13为一个实施例中计算机设备的内部结构图。
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。
本申请提供的一种输电线路的故障原因确定方法，可以应用于电网系统应用环境中，该应用环境包括服务器。其中，服务器通过网络从电力系统中获取故障录波数据、以及从气象系统中获取气象数据，对故障录波数据和气象数据进行特征提取，将提取到的故障特征输入到加权朴素贝叶斯模型，得到电网系统中输电线路的故障原因。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，提供了一种可以作为上述服务器的计算机设备，该计算机设备可以是终端，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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种输电线路的故障原因确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，如图2所示，提供了一种输电线路的故障原因确定方法，以该方法应用于图1所示的服务器中为例，该方法包括以下步骤：
S201，获取电网系统的故障录波数据和气象数据。
其中，故障录波数据是电网系统发生大扰动后有关电气量的变化以及继电保护与自动安全装置的动作行为，包括电网系统中的输电线路以及设备的过渡电阻值大小、过渡电伏安特性、零序电流直流含量、零序电流谐波含量及重合闸特性等；气象数据主要指气候资料和天气资料，包括天气、时段、季节等。
在本实施例中，服务器可以从电网系统的数据库中获取故障录波数据，以及从气象站的数据库中获取气象数据。服务器可以周期性的获取故障录波数据和气象数据，也可以是实时性的获取故障录波数据和气象数据，还可以是在接收到用户指令后获取故障录波数据和气象数据。
S202，对故障录波数据和气象数据进行特征提取，得到电网系统的输电线路的故障特征。
在本实施例中，对故障录波数据以及气象数据进行特征提取时，可以根据以下两条基本原则进行有效故障特征的选取：
原则一：故障特征必须与故障原因类型有较大关联，且各故障特征之间互相独立。
原则二：故障特征的数量必须能够有效提取和计算，且用于故障特征提取的故障录波数据以及气象数据可在故障后及时准确获取。
利用上述原则对故障录波数据以及气象数据进行获取，但采集到的故障录波数据及气象数据具有多种表现形式，需要对故障特征进行归纳整理。例如：时段特征的特征取值在采集的过程中，可以为每隔五分钟的周期性获取，也可以为实时性获取。在电网系统输电线路发生故障时，对故障特征的取值按照表1进行划分，归纳总结到不同类别中。
表1输电线路故障特征及取值
Figure BDA0003187418370000061
在本实施例中，可以采用关键字对故障录波数据和气象数据进行特征提取，得到电网系统的输电线路的故障特征，例如，将表1中的8个特征分别作为关键字，用来提取故障录波数据和气象数据中每个关键字对应的特征值。或者，也可以采用神经网络模型提取故障特征，将故障录波数据和气象数据输入到神经网络模型中，直接输出故障特征。本申请实施例中不加以限制。
S203，根据故障特征和预设的加权朴素贝叶斯模型，确定电网系统中的输电线路的目标故障原因；加权朴素贝叶斯模型为根据基于复合形算法的加权朴素贝叶斯分类算法得到的。
其中，朴素贝叶斯分类模型是一种简单且高效的分类模型，但是必须满足属性独立性假设，这直接影响了它的分类性能。为了削弱属性独立性的假设问题，加权朴素贝叶斯分类模型对朴素贝叶斯分类模型进行了改进，可以包括以下推导过程：
设D是训练元组和类标号集合，每个元组用一个n维向量表示属性向量，如X＝{x1,x2,...,xn}，描述由n个属性X1,X2,…Xn对元组的n个测量。假设有m个类别，分别为C1,C2,…Cm。给定一个训练元组X，预测X属于类别Ci，当且仅当：
P(Ci|X)>P(Cj|X)1≤j≤m,j≠m (1)
后验概率P(Ci|X)计算公式为：
Figure BDA0003187418370000071
当P(Ci|X)最大化，称此时的类别Ci为“最大后验假设”。
类先验概率P(Ci)可以用P(Ci)＝|Ci,D|/|D|估计，其中|Ci,D|是D中Ci类的训练元组数。朴素贝叶斯假定各属性条件独立，即
Figure BDA0003187418370000072
根据属性值是离散还是连续的，进行概率值p(xk|Ci)的估算：
若Xk是离散值，则p(xk|Ci)为属性Xk中值为xk的且属于类别Ci的元组数除以类别Ci的元组数|Ci,D|。
若Xk是连续值，假定连续值属性服从高斯分布：
Figure BDA0003187418370000073
因此：
Figure BDA0003187418370000074
函数g中第二和第三个参数μ、σ分别为Ci类训练元组属性Xk的平均值和标准差。
由于P(X)为一常数，于是将式(2)修改为下式，称为朴素贝叶斯分类模型，CNB(X)代表属性为X时朴素贝叶斯模型故障分类的准确率：
Figure BDA0003187418370000075
由于在实际中难于满足朴素贝叶斯条件独立性地假设，给不同的属性根据其分类重要性赋不同的权值，使朴素贝叶斯得以扩展，加权朴素贝叶斯模型如下：
Figure BDA0003187418370000076
式中，wk表示属性Xk的权值，CWNB(X)代表属性为X时加权朴素贝叶斯模型故障分类的准确率。
在本实施例中，可采用复合形法确定加权朴素贝叶斯模型的属性的权值，从得到优化后的加权朴素贝叶斯模型。
在本实施例中，可以将故障特征输入到加权朴素贝叶斯模型中，得到每个故障特征对应的分类错误率，在根据每个故障特征对应的分类错误率确定故障原因。例如，可以预先建立故障特征与故障原因之间的对应关系，但通过加权朴素贝叶斯模型得到每个故障特征的分类错误率时，可以将分类错误率最低的故障特征对应的故障原因确定为目标故障原因。或者，也可以是将多个故障特征进行分类组合，得到每个故障特征组合对应的故障原因，如表2所示，给出了故障特征、故障原因之间的对应关系。当获取到故障特征之后，可以按照表2所示的方式对故障特征进行组合，然后将每个故障特征组合输入到加权朴素贝叶斯模型中，得到每个故障特征组合对应的分类错误率，将分类错误率最低的故障特征组合对应的故障原因确定为目标故障原因。或者，还还可将每个故障特征分别输入到加权朴素贝叶斯模型中，得到每个故障特征的分类错误率，然后按照表2计算每个故障特征组合对应的平均分类错误率，将平均分类错误率最低的故障特征组合对应的故障原因确定为目标故障原因。
表2故障特征与故障原因之间的对应关系
Figure BDA0003187418370000081
需要说明的是，上述故障特征与故障原因之间的对应关系不能说明故障原因与故障特征之间存在唯一对应关系，只表示在某种条件下相应类型故障原因发生的可能性更大，而这个可能性大小的衡量需要基于历史实际故障数据分析。
本申请实施例提供的输电线路的故障原因确定方法，获取输电线路故障录波数据以及气象数据，进而提取故障特征，根据故障特征和加权朴素贝叶斯模型中来确定输电线路故障原因。本实施例中，利用加权朴素贝叶斯模型故障特征进行分析，从而确定输电线路故障原因，利用加权朴素贝叶斯模型确定输电线路故障原因可以故障原因分析的实时性，不需要电网巡线人员对测距定位的疑似故障区域进行巡查，可以有效的提高故障原因确定的效率。而且，不需要电网巡线人员对测距定位的疑似故障区域进行巡查，也节省了人力成本。
在图2所示实施例中，介绍了根据加权朴素贝叶斯模型确定输电线路故障原因的方法，下面以图3实施例为例，主要介绍根据故障特征预设的加权朴素贝叶斯模型，确定电网系统中的输电线路的故障原因的具体过程，如图3所示，包括以下步骤：
S301，根据故障原因故障特征的对应关系、以及输电线路的故障特征，确定每种故障原因对应的目标故障特征。
在本实例中，对于已经发生的输电线路故障，获取输电线路故障发生前后的故障录波数据以及气象数据，例如，至少获取两种故障特征构建故障特征样本集，并且，获取故障样本集中的每个故障特征或每组故障特征对应的故障原因。如表2所示，故障特征包括天气、时段、季节、过渡电阻值大小、过渡电阻伏安特性、零序电流谐波含量、零序电流直流含量以及重合闸情况等；故障原因包括雷击、山火、风偏及树障等，对故障样本集和故障样本集中的每个故障特征或每组故障特征对应的故障原因进行统计分析，得到根据故障原因和故障特征的对应关系。
在本实施例中，获取到输电线路的多个故障特征之后，可以根据故障原因和故障特征的对应关系对故障特征进行分组，得到多个故障特征分组，每个故障特征分组中包括故障原因对应的标故障特征。
S302，将每种故障原因对应的目标故障特征输入至加权朴素贝叶斯模型中，得到每种故障原因的分类错误率。
在本实施例中，故障原因与目标故障特征之间存在一一对应的关系，将故障特征值和故障原因输入至加权朴素贝叶斯模型中，得到每个故障原因的分类错误率。例如，共获取了8种故障特征，故障原因Y1、Y2、Y3和Y4，将每个故障原因和对应的目标故障特征分别输入到加权朴素贝叶斯模型中，得到故障原因Y1、Y2、Y3和Y4分类错误率。
S303，将最小的分类错误率对应的故障原因确定为输电线路的目标故障原因。
在本实施例中，根据S402分别得到故障原因Y1、Y2、Y3和Y4的分类错误率；对4种故障原因的分类错误率按照大小进行比较，将最小的分类错误率对应的故障原因确定为输电线路的目标故障原因。例如，故障原因Y1、Y2、Y3和Y4的分类错误率分别是0.6、0.7、0.3、0.5，那么故障原因Y3即为目标故障原因。
在本实施例中，根据故障原因和故障特征的对应关系、以及输电线路的故障特征，确定每种故障原因对应的目标故障特征，将每种故障原因和对应的目标故障特征输入至加权朴素贝叶斯模型中，得到每种故障原因的分类错误率，将最小的分类错误率对应的故障原因确定为输电线路的目标故障原因，可以通过加权朴素贝叶斯模型精确计算每个故障原因的分类错误率，并将最小的分类错误率对应的故障原因确定为输电线路的目标故障原因，使得最终确定的目标故障原因的准备性更高。
从上述图2和图3实施例中，重点介绍了根据所述故障特征预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的故障原因的过程，下面主要介绍加权朴素贝叶斯模型的训练方法，如图4所示，加权朴素贝叶斯模型的训练方法包括：
S401，获取输电线路的故障特征样本集；故障特征样本集中包括样本故障特征和样本故障特征对应的实际故障原因。
在本实施例中，可以获取历史时间内的故障录播数据和气象数据，并对历史的故障录播数据和气象数据进行分析，得到各个历史的故障特征以及对应的故障原因，从而得到样本故障特征和对应的实际故障原因作为故障特征样本集。
S402，基于复合形算法根据所述故障特征样本集对预设的初始朴素贝叶斯模型进行训练，得到加权朴素贝叶斯模型。
在本实施例中，利用故障特征样本集对初始朴素贝叶斯模型进行训练，得到一个朴素贝叶斯模型，在基于复合形算法和故障特征样本集训练得到朴素贝叶斯模型的每个属性的权值，从而得到加权朴素贝叶斯模型。
例如，利用故障特征样本集对初始朴素贝叶斯模型进行训练，得到朴素贝叶斯模型；在根据故障特征，基于复合形算法随机产生9组初始权值，计算初始权值下加权朴素贝叶斯分类算法的分类错误率；利用复合形算法进行迭代计算，建立以故障原因分类错误率最小为目标函数的优化模型：
Figure BDA0003187418370000101
式中，f(w)表示故障原因分类错误率，等于训练中分类错误的样本数除以训练样本总数；w是一个决策向量，其元素值表示各个故障特征的权值wk。
以故障原因分类错误率最小为条件解算目标函数的优化模型，得到每个故障特征的权值，并输出每个故障特征的权值和最小的分类错误率。
在本实施例中，针对朴素贝叶斯模型进行优化时，采用复合形算法确定加权朴素贝叶斯模型中故障特征的权值，使得加权朴素贝叶斯模型相对于朴素贝叶斯模型，即使输入较少的故障特征值，都可以准确率较高的分类错误率，因此基于复合形算法的加权朴素贝叶斯模型更加稳定，分类效果更高。
上述图4主要介绍了加权朴素贝叶斯模型的训练方法。下面重点介绍基于复合形算法根据故障特征样本集对预设的初始朴素贝叶斯模型进行训练，得到加权朴素贝叶斯模型的过程，如图5所示，包括以下步骤：
S501，从故障特征样本集中随机抽取预设数量的故障特征样本作为第一训练集，将剩余的故障特征样本作为第二训练集。
在本实施例中，可以将故障特征样本集划分两个训练集，可以采用随机抽样的方法从中随机抽取预设数量的故障样本集作为第一训练集，其余部分为第二训练集。例如，共搜集某区域电网268个故障原因类型不同的输电线路故障样本作为样本进行分析，采用随机抽样方法从中随机抽取168个样本作为第一训练集，剩余100个样本作为第二训练集。
可选地，还可以将故障特征样本集划分为训练集和测试集，其中，训练集用于训练得到加权朴素贝叶斯模型，测试集用于对训练得到加权朴素贝叶斯模型的性能进行测试。进一步的，还可以将训练集划分为第一训练集和第二训练集。例如，共搜集某区域电网268个故障原因类型不同的输电线路故障样本作为样本进行分析，采用随机抽样方法从中随机抽取168个样本作为训练集，剩余100个样本作为测试集。进一步的，从训练集中随机抽取126个样本作为第一训练集，剩余42个样本作为第二训练集。
S502，根据第一训练集对初始朴素贝叶斯模型进行训练，得到朴素贝叶斯模型。
在本实施例中，将第一训练集中的故障特征和对应的故障原因输入到初始朴素贝叶斯模型中，根据输出的故障原因的分类错误率对初始朴素贝叶斯模型的参数进行迭代优化，得到朴素贝叶斯模型。
S503，基于复合形算法根据所述第二训练集对朴素贝叶斯模型进行训练，得到加权朴素贝叶斯模型。
在本实施例中，根据第二训练集，先计算初始权值下的加权朴素贝叶斯模型的分类错误率。以最小分类错误率为目标函数，利用复合形算法对加权朴素贝叶斯模型权重不断优化，最后根据测试集完成对故障原因的确定。
在一个实施例中，对于其余42个故障样本作为第二训练集，输入至加权朴素贝叶斯模型，首先计算初始权值下加权朴素贝叶斯分类算法的分类错误率。42个故障样本的分类错误率如表3所示：
表3训练样本分类错误率对比
算法 CA_WNB WNB NB
分类错误率 8.7％ 9.4％ 9.7％
然后利用复合形算法进行迭代计算，对加权朴素贝叶斯网络模型优化，用于训练故障特征的权值。利用复合形算法优化后各故障特征权值如表4所示：
表4优化后各故障权值特征值
Figure BDA0003187418370000121
进一步地，利用优化得到的各故障特征的权值，得到加权朴素贝叶斯模型，利用100个测试样本构成的测试集对加权朴素贝叶斯模型进行测试，测试结果如表5所示：
表5测试样本分类错误率对比
算法 CA_WNB WNB NB
分类错误率 8.5％ 9.5％ 9.8％
例如，在实际工况中，2021年6月21日6时58分，500kV某线B相跳闸，根据输电线路故障后计算获取的故障特征值，利用基于复合形算法的加权朴素贝叶斯进行故障预测，故障原因预测结果如下：
表6 500kV某线跳闸对应的故障特征值和故障原因预测结果
Figure BDA0003187418370000122
事故后，该输电线路管理单位组织运维人员进行事故排查，根据雷电定位系统的落雷数据、行波测距定位结果、现场故障痕迹的比对，认定该故障为雷击导致，与本申请方法预测结果一致。
由表3和表5可以看出，针对训练样本和测试样本，采用CA_WNB算法后，分类错误率分别由9.4％、9.5％(WNB算法分类结果)下降至8.7％、8.5％，不论是训练样本还是测试样本，采用CA_WNB算法的分类错误率都比WNB算法、NB算法的分类错误率低；由表6可知，根据实际情况，事故发生后，人工排查结果与本申请方法预测结果一致，从而验证了本申请算法的正确性和有效性，有一定的实际工程应用价值。
上述图5主要介绍了基于复合形算法根据故障特征样本集对预设的初始朴素贝叶斯模型进行训练，得到加权朴素贝叶斯模型的过程。接下来重点介绍基于复合形算法根据第二训练集对朴素贝叶斯模型进行训练，得到加权朴素贝叶斯模型的过程，如图6所示，包括以下步骤：
S601，根据第二训练集中的样本故障特征构建初始复合形。
在本实例中，给定或者随机产生q个满足约束条件的顶点构成初始复合形，其中n+1≤q≤2n，n为独立变量的个数，根据实际情况中选取的故障特征数目而定。例如，本实施例选取天气、时段、季节、过渡电阻值大小、过渡电阻伏安特性、零序电流直流含量、零序电流谐波含量以及重合闸情况共8个故障特征，故n＝8。
S602，根据初始复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值。
根据随机产生的q个满足约束条件的顶点计算复合形各顶点的目标函数值，即各组权值下训练样本的分类错误率，并比较其大小，分别求出最好点wL、最坏点wH，即
Figure BDA0003187418370000131
根据故障特征数目以及q约束条件选取复合形算法的顶点数q＝9，对于每一个故障特征，随机产生9组初始权值，分别计算每一组初始权值下训练样本的分类错误率，并比较其大小，分别求出最好点wL、最坏点wH。
S603，根据最坏点的权值和中心点的权值计算反射点；中心点为除最坏点之外的其他顶点中的中心点。
利用反射点不断去寻找最优权值，根据最坏点计算中心点wC，中心点wC为除去最坏点wH外的(q-1)个顶点的中心点，
Figure BDA0003187418370000132
一般情况下，最坏点wH和中心点wC的连线方向为目标函数的下降方向。
S604，根据反射点的目标函数值和最坏点的目标函数值，进行迭代运算，直至满足迭代终止条件，将满足迭代终止条件的最好点的权值确定为朴素贝叶斯模型中故障原因的权值，得到加权朴素贝叶斯模型。
其中，迭代终止条件包括复合形的各顶点的目标函数值与最好点的目标函数值之间的差值的均方根值小于预设精度值。
可选地，迭代终止条件为各顶点与最优点的函数值之差的均方根值小于精度值，即
Figure BDA0003187418370000133
例如，确定收敛精度ε＝10-3，如果不满足终止迭代条件，则返回步骤S602继续进行下一次迭代；否则将复合形的最好点wL及其函数值f(wL)作为最优解输出。
进一步地，如图7所示，迭代运算主要包括以下步骤：
S701，判断反射点是否为可行点。
在本实施例中，根据中心点wC和最坏点wH计算反射点wR，当反射点wR满足一定的预设条件时，则判断反射点为可行点；当反射点wR不满足一定的预设条件时，则判断反射点为非可行点；反射点计算公式为：
wR＝wC+α(wC-wH) (12)
式中α为反射系数，一般可取值为1.3。
示例性的，当反射点为一个坐标表示，该预设条件可以是一个坐标范围，当反射点的坐标位于该坐标范围内时，确定该反射点为可行点，否则，确定该反射点为非可行点。当反射点为一个数值表示时，该预设条件可以是一个数值范围，当反射点的坐标位于该数值范围内时，确定该反射点为可行点，否则，确定该反射点为非可行点。
S702，若反射点为可行点，且反射点的目标函数值小于最坏点的目标函数值，则将反射点代替最坏点，得到新的复合形，并返回执行根据新的复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值的步骤。
在本实施例中，若反射点wR为可行点，则比较反射点wR和最坏点wH两点对应的目标函数值，若f(wR)<f(wH)，则用反射点wR代替最坏点wH形成新的复合形，此时一次迭代完成，并返回步骤S602。
S703，若反射点为可行点，且反射点的目标函数值不小于最坏点的目标函数值，则将反射点向中心点靠近，并计算新的反射点，直至新的反射点的目标函数值小于最坏点的目标函数值。
在本实施例中，若反射点wR为可行点，则比较反射点wR和最坏点wH两点对应的目标函数值，若f(wR)≥f(wH)，将反射点向中心点按照一定步长靠近，步长可根据实际情况选择。在本实施例中可以选择步长为0.5，则将wR向中心点wC缩小一半的距离，即wRP＝0.5(wR+wC)，重新计算得到新的反射点，继续这个过程直至f(wR)<f(wH)。
S704，若反射点为非可行点，则反射点向中心点靠近，直至新的反射点为可行点之后，执行反射点为可行点的步骤。
在本实施例中，若wR为非可行点，将反射点向中心点按照一定步长靠近，步长可根据实际情况选择。在本实施例中可以选择步长为0.5，则将反射点wR向中心点wC缩小一半的距离，即wRP＝0.5(wR+wC)直至反射点wR可行为止，然后重复wR为可行点时的步骤，也即，执行上述步骤S702或S703。
在本实例中，复合形算法寻优方法主要工作是生成初始复合形和更新复合形，一般只以在可行域内的反射点作为基本搜索策略，对初始点要求低，计算量不大；而且可以有效减小计算变量，对变量能较快地找到最优解，特别适合于处理小样本数据问题。
进一步的，如图8所示，该迭代运算可以包括以下步骤：
给定顶点数q，反射系数a，收敛精度ε，在可行域内产生q个点构建初始复合形；计算各顶点的函数值f(wi)；根据初始复合形中各顶点的目标函数值，确定最好点wL的权值和最坏点wH的权值；若满足迭代终止条件，则输出满足迭代终止条件下的故障特征最好点的权值wL和分类错误率f(wL)；若不满足迭代终止条件，则根据最坏点wH的权值和中心点wC的权值计算反射点wR，中心点为除最坏点之外的其他顶点中的中心点wC；判断反射点wR是否为可行点；若反射点wR为可行点，且反射点wR的目标函数值小于最坏点wH的目标函数值，则将反射点wR代替最坏点wH，得到新的复合形，并返回执行根据新的复合形中各顶点的目标函数值，确定最好点wL的权值和最坏点wH的权值的步骤；若反射点wR为可行点，且反射点wR的目标函数值不小于最坏点wH的目标函数值，则将反射点wR向中心点wC靠近，并计算新的反射点wR，直至新的反射点wR的目标函数值小于最坏点wH的目标函数值；若反射点wR为非可行点，则反射点wR向中心点靠近，直至新的反射点wR为可行点之后，执行反射点wR为可行点的步骤。
本申请实施例提供的输电线路的故障原因确定方法，根据第二训练集中的样本故障特征构建初始复合形，根据初始复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值，根据最坏点的权值和中心点的权值计算反射点，根据反射点的目标函数值和所述最坏点的目标函数值，进行迭代运算，直至满足迭代终止条件，将满足迭代终止条件的最好点的权值确定为朴素贝叶斯模型中故障原因的权值，得到加权朴素贝叶斯模型，本实施例中采用复合形算法确定朴素贝叶斯模型中故障原因的权值，使得加权朴素贝叶斯模型的性能更优，得到的分类错误率更加的准确。
应该理解的是，虽然图2-7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2-7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8所示，提供了一种输电线路的故障原因确定装置，包括：第一获取模块11、提取模块12和确定模块13，其中：
第一获取模块11，用于获取电网系统的故障录波数据和气象数据；
提取模块12，用于对所述故障录波数据和所述气象数据进行特征提取，得到所述电网系统的输电线路的故障特征；
确定模块13，用于根据所述故障特征和预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的目标故障原因；所述加权朴素贝叶斯模型为根据基于复合形算法的加权朴素贝叶斯分类算法得到的。
在一个实施例中，如图9所示，确定模块13，包括：
第一确定单元131，用于根据故障原因和故障特征的对应关系、以及所述输电线路的故障特征，确定每种故障原因对应的目标故障特征；
输入单元132，用于将每种所述故障原因对应的目标故障特征输入至所述加权朴素贝叶斯模型中，得到每种所述故障原因的分类错误率；
第二确定单元133，用于将最小的分类错误率对应的故障原因确定为所述输电线路的目标故障原因。
在一个实施例中，所述加权朴素贝叶斯模型包括每种故障原因的权值，所述每种故障原因的权值为采用复合形算法确定的。
在一个实施例中，如图10所示，该输电线路的故障原因确定装置还包括：
第二获取模块14，用于获取输电线路的故障特征样本集；所述故障特征样本集中包括样本故障特征和样本故障特征对应的实际故障原因；
训练模块15，用于基于复合形算法根据所述故障特征样本集对预设的初始朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型。
在一个实施例中，如图11所示，训练模块15，包括：
抽取单元151，用于从所述故障特征样本集中随机抽取预设数量的故障特征样本作为第一训练集，将剩余的故障特征样本作为第二训练集；
第一训练单元152，用于根据所述第一训练集对所述初始朴素贝叶斯模型进行训练，得到朴素贝叶斯模型；
第二训练单元153，用于基于所述复合形算法根据所述第二训练集对所述朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型。
在一个实施例中，第二训练单元153，具体用于根据所述第二训练集中的样本故障特征构建初始复合形；根据所述初始复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值；根据所述最坏点的权值和中心点的权值计算反射点；所述中心点为除所述最坏点之外的其他顶点中的中心点；根据所述反射点的目标函数值和所述最坏点的目标函数值，进行迭代运算，直至满足迭代终止条件，将满足所述迭代终止条件的最好点的权值确定为所述朴素贝叶斯模型中故障原因的权值，得到所述加权朴素贝叶斯模型。
在一个实施例中，第二训练单元153，具体用于判断所述反射点是否为可行点；若所述反射点为可行点，且所述反射点的目标函数值小于所述最坏点的目标函数值，则将所述反射点代替所述最坏点，得到新的复合形，并返回执行根据所述新的复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值的步骤；若所述反射点为可行点，且所述反射点的目标函数值不小于所述最坏点的目标函数值，则将所述反射点向所述中心点靠近，并计算新的反射点，直至所述新的反射点的目标函数值小于所述最坏点的目标函数值；若所述反射点为非可行点，则所述反射点向所述中心点靠近，直至新的反射点为可行点之后，执行反射点为可行点的步骤。
在一个实施例中，所述迭代终止条件包括复合形的各顶点的目标函数值与最好点的目标函数值之间的差值的均方根值小于预设精度值。
本申请实施例提供的输电线路的故障原因确定装置，其实现原理和有益效果可参照上述输电线路的故障原因确定方法实施例的实现原理和有益效果，此处不再赘述。
关于输电线路的故障原因确定装置的具体限定可以参见上文中对于输电线路的故障原因确定方法的限定，在此不再赘述。上述输电线路的故障原因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，该计算机设备可以是服务器，其内部结构图可以如图12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故障录波数据、气象数据、故障特征、分类错误率等数据。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输电线路的故障原因确定方法。
本领域技术人员可以理解，图12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，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取电网系统的故障录波数据和气象数据；
对所述故障录波数据和所述气象数据进行特征提取，得到所述电网系统的输电线路的故障特征；
根据所述故障特征和预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的目标故障原因；所述加权朴素贝叶斯模型为根据基于复合形算法的加权朴素贝叶斯分类算法得到的。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述根据所述故障特征预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的故障原因，包括：
根据故障原因和故障特征的对应关系、以及所述输电线路的故障特征，确定每种故障原因对应的目标故障特征；
将每种所述故障原因对应的目标故障特征输入至所述加权朴素贝叶斯模型中，得到每种所述故障原因的分类错误率；
将最小的分类错误率对应的故障原因确定为所述输电线路的目标故障原因。
在一个实施例中，所述加权朴素贝叶斯模型包括每种故障原因的权值，所述每种故障原因的权值为采用复合形算法确定的。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取输电线路的故障特征样本集；所述故障特征样本集中包括样本故障特征和样本故障特征对应的实际故障原因；
基于复合形算法根据所述故障特征样本集对预设的初始朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从所述故障特征样本集中随机抽取预设数量的故障特征样本作为第一训练集，将剩余的故障特征样本作为第二训练集；
根据所述第一训练集对所述初始朴素贝叶斯模型进行训练，得到朴素贝叶斯模型；
基于所述复合形算法根据所述第二训练集对所述朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据所述第二训练集中的样本故障特征构建初始复合形；
根据所述初始复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值；
根据所述最坏点的权值和中心点的权值计算反射点；所述中心点为除所述最坏点之外的其他顶点中的中心点；
根据所述反射点的目标函数值和所述最坏点的目标函数值，进行迭代运算，直至满足迭代终止条件，将满足所述迭代终止条件的最好点的权值确定为所述朴素贝叶斯模型中故障原因的权值，得到所述加权朴素贝叶斯模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
判断所述反射点是否为可行点；
若所述反射点为可行点，且所述反射点的目标函数值小于所述最坏点的目标函数值，则将所述反射点代替所述最坏点，得到新的复合形，并返回执行根据所述新的复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值的步骤；
若所述反射点为可行点，且所述反射点的目标函数值不小于所述最坏点的目标函数值，则将所述反射点向所述中心点靠近，并计算新的反射点，直至所述新的反射点的目标函数值小于所述最坏点的目标函数值；
若所述反射点为非可行点，则所述反射点向所述中心点靠近，直至新的反射点为可行点之后，执行反射点为可行点的步骤。
在一个实施例中，所述迭代终止条件包括复合形的各顶点的目标函数值与最好点的目标函数值之间的差值的均方根值小于预设精度值。
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以下步骤：
获取电网系统的故障录波数据和气象数据；
对所述故障录波数据和所述气象数据进行特征提取，得到所述电网系统的输电线路的故障特征；
根据所述故障特征和预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的目标故障原因；所述加权朴素贝叶斯模型为根据基于复合形算法的加权朴素贝叶斯分类算法得到的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述根据所述故障特征预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的故障原因，包括：
根据故障原因和故障特征的对应关系、以及所述输电线路的故障特征，确定每种故障原因对应的目标故障特征；
将每种所述故障原因对应的目标故障特征输入至所述加权朴素贝叶斯模型中，得到每种所述故障原因的分类错误率；
将最小的分类错误率对应的故障原因确定为所述输电线路的目标故障原因。
在一个实施例中，所述加权朴素贝叶斯模型包括每种故障原因的权值，所述每种故障原因的权值为采用复合形算法确定的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取输电线路的故障特征样本集；所述故障特征样本集中包括样本故障特征和样本故障特征对应的实际故障原因；
基于复合形算法根据所述故障特征样本集对预设的初始朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从所述故障特征样本集中随机抽取预设数量的故障特征样本作为第一训练集，将剩余的故障特征样本作为第二训练集；
根据所述第一训练集对所述初始朴素贝叶斯模型进行训练，得到朴素贝叶斯模型；
基于所述复合形算法根据所述第二训练集对所述朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据所述第二训练集中的样本故障特征构建初始复合形；
根据所述初始复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值；
根据所述最坏点的权值和中心点的权值计算反射点；所述中心点为除所述最坏点之外的其他顶点中的中心点；
根据所述反射点的目标函数值和所述最坏点的目标函数值，进行迭代运算，直至满足迭代终止条件，将满足所述迭代终止条件的最好点的权值确定为所述朴素贝叶斯模型中故障原因的权值，得到所述加权朴素贝叶斯模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
判断所述反射点是否为可行点；
若所述反射点为可行点，且所述反射点的目标函数值小于所述最坏点的目标函数值，则将所述反射点代替所述最坏点，得到新的复合形，并返回执行根据所述新的复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值的步骤；
若所述反射点为可行点，且所述反射点的目标函数值不小于所述最坏点的目标函数值，则将所述反射点向所述中心点靠近，并计算新的反射点，直至所述新的反射点的目标函数值小于所述最坏点的目标函数值；
若所述反射点为非可行点，则所述反射点向所述中心点靠近，直至新的反射点为可行点之后，执行反射点为可行点的步骤。
在一个实施例中，所述迭代终止条件包括复合形的各顶点的目标函数值与最好点的目标函数值之间的差值的均方根值小于预设精度值。
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，所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。
以上所述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。

Claims (11)

1.一种输电线路的故障原因确定方法，其特征在于，所述方法包括：
获取电网系统的故障录波数据和气象数据；
对所述故障录波数据和所述气象数据进行特征提取，得到所述电网系统的输电线路的故障特征；
根据所述故障特征和预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的目标故障原因；所述加权朴素贝叶斯模型为根据基于复合形算法的加权朴素贝叶斯分类算法得到的。
2.根据权利要求1所述的方法，其特征在于，所述根据所述故障特征预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的故障原因，包括：
根据故障原因和故障特征的对应关系、以及所述输电线路的故障特征，确定每种故障原因对应的目标故障特征；
将每种所述故障原因对应的目标故障特征输入至所述加权朴素贝叶斯模型中，得到每种所述故障原因的分类错误率；
将最小的分类错误率对应的故障原因确定为所述输电线路的目标故障原因。
3.根据权利要求1或2所述的方法，其特征在于，所述加权朴素贝叶斯模型包括每种故障原因的权值，所述每种故障原因的权值为采用复合形算法确定的。
4.根据权利要求1或2所述的方法，其特征在于，所述加权朴素贝叶斯模型的训练方法包括：
获取输电线路的故障特征样本集；所述故障特征样本集中包括样本故障特征和样本故障特征对应的实际故障原因；
基于复合形算法根据所述故障特征样本集对预设的初始朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型。
5.根据权利要求4所述的方法，其特征在于，所述基于复合形算法根据所述故障特征样本集对预设的初始朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型，包括：
从所述故障特征样本集中随机抽取预设数量的故障特征样本作为第一训练集，将剩余的故障特征样本作为第二训练集；
根据所述第一训练集对所述初始朴素贝叶斯模型进行训练，得到朴素贝叶斯模型；
基于所述复合形算法根据所述第二训练集对所述朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述复合形算法根据所述第二训练集对所述朴素贝叶斯模型进行训练，得到所述加权朴素贝叶斯模型，包括：
根据所述第二训练集中的样本故障特征构建初始复合形；
根据所述初始复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值；
根据所述最坏点的权值和中心点的权值计算反射点；所述中心点为除所述最坏点之外的其他顶点中的中心点；
根据所述反射点的目标函数值和所述最坏点的目标函数值，进行迭代运算，直至满足迭代终止条件，将满足所述迭代终止条件的最好点的权值确定为所述朴素贝叶斯模型中故障原因的权值，得到所述加权朴素贝叶斯模型。
7.根据权利要求6所述的方法，其特征在于，所述根据所述反射点的目标函数值和所述最坏点的目标函数值，进行迭代运算，包括：
判断所述反射点是否为可行点；
若所述反射点为可行点，且所述反射点的目标函数值小于所述最坏点的目标函数值，则将所述反射点代替所述最坏点，得到新的复合形，并返回执行根据所述新的复合形中各顶点的目标函数值，确定最好点的权值和最坏点的权值的步骤；
若所述反射点为可行点，且所述反射点的目标函数值不小于所述最坏点的目标函数值，则将所述反射点向所述中心点靠近，并计算新的反射点，直至所述新的反射点的目标函数值小于所述最坏点的目标函数值；
若所述反射点为非可行点，则所述反射点向所述中心点靠近，直至新的反射点为可行点之后，执行反射点为可行点的步骤。
8.根据权利要求6所述的方法，其特征在于，所述迭代终止条件包括复合形的各顶点的目标函数值与最好点的目标函数值之间的差值的均方根值小于预设精度值。
9.一种输电线路的故障原因确定装置，其特征在于，所述装置包括：
获取模块，用于获取电网系统的故障录波数据和气象数据；
提取模块，用于对所述故障录波数据和所述气象数据进行特征提取，得到所述电网系统的输电线路的故障特征；
确定模块，用于根据所述故障特征和预设的加权朴素贝叶斯模型，确定所述电网系统中的输电线路的目标故障原因；所述加权朴素贝叶斯模型为根据基于复合形算法的加权朴素贝叶斯分类算法得到的。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202110866242.9A 2021-07-29 2021-07-29 输电线路的故障原因确定方法、装置、计算机设备 Pending CN113743460A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110866242.9A CN113743460A (zh) 2021-07-29 2021-07-29 输电线路的故障原因确定方法、装置、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110866242.9A CN113743460A (zh) 2021-07-29 2021-07-29 输电线路的故障原因确定方法、装置、计算机设备

Publications (1)

Publication Number Publication Date
CN113743460A true CN113743460A (zh) 2021-12-03

Family

ID=78729359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110866242.9A Pending CN113743460A (zh) 2021-07-29 2021-07-29 输电线路的故障原因确定方法、装置、计算机设备

Country Status (1)

Country Link
CN (1) CN113743460A (zh)

Similar Documents

Publication Publication Date Title
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
Tong et al. Detection and classification of transmission line transient faults based on graph convolutional neural network
CN110570122B (zh) 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法
CN104573906B (zh) 用于分析电力传输系统中的振荡稳定性的系统和方法
CN105677791A (zh) 用于分析风力发电机组的运行数据的方法和系统
CN110417011A (zh) 一种基于互信息与迭代随机森林的在线动态安全评估方法
CN103093097A (zh) 基于规范切的电力系统脆弱断面识别方法
CN113177857B (zh) 一种基于台风灾害预估的资源弹性调配方法
CN110263945A (zh) 基于马尔科夫链的配电网线损处理系统
CN116050599A (zh) 一种线路覆冰故障预测方法、系统、存储介质及设备
CN115545479A (zh) 一种配电网重要节点或重要线路的确定方法及装置
CN115239105A (zh) 一种在役风电场的风资源的评估方法以及装置
CN114862229A (zh) 电能质量评估方法、装置、计算机设备和存储介质
CN113987724A (zh) 基于拓扑分析的电网风险辨识方法及系统
Wang et al. Regional wind power forecasting model with NWP grid data optimized
CN112966930A (zh) 光伏电站的评价方法、装置以及计算机可读存储介质
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
CN117114161A (zh) 一种基于元学习的输电线路风偏闪络风险的预测方法
CN108509537B (zh) 一种输电线路舞动概率预报系统及方法
CN113689053B (zh) 一种基于随机森林的强对流天气架空线停电预测方法
CN113743460A (zh) 输电线路的故障原因确定方法、装置、计算机设备
CN115618286A (zh) 变压器局部放电类型识别方法、系统、设备、终端及应用
CN115085368A (zh) 变压器健康状态监测方法、装置、计算机设备和存储介质
CN114266370A (zh) 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质
CN113779892A (zh) 一种风速和风向的预测方法

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