CN114266430A - 基于变分同化的架空输电线路风险评估方法及装置 - Google Patents

基于变分同化的架空输电线路风险评估方法及装置 Download PDF

Info

Publication number
CN114266430A
CN114266430A CN202111128852.5A CN202111128852A CN114266430A CN 114266430 A CN114266430 A CN 114266430A CN 202111128852 A CN202111128852 A CN 202111128852A CN 114266430 A CN114266430 A CN 114266430A
Authority
CN
China
Prior art keywords
iteration
transmission line
tower
assimilation
risk
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
CN202111128852.5A
Other languages
English (en)
Inventor
吴发献
张可
姜文东
杨俊�
言大伟
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.)
Anhui Nanrui Jiyuan Power Grid Technology Co ltd
State Grid Zhejiang Electric Power Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
State Grid Electric Power Research Institute
Original Assignee
Anhui Nanrui Jiyuan Power Grid Technology Co ltd
State Grid Zhejiang Electric Power Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
State Grid Electric Power Research Institute
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 Anhui Nanrui Jiyuan Power Grid Technology Co ltd, State Grid Zhejiang Electric Power Co Ltd, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Priority to CN202111128852.5A priority Critical patent/CN114266430A/zh
Publication of CN114266430A publication Critical patent/CN114266430A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提出了一种基于变分同化的架空输电线路风险评估方法及装置，包括：获取输电线路中杆塔与导线的监测数据；分别将杆塔的监测数据与导线的监测数据代入代价函数中，得到变分同化模型；基于SPSA算法对变分同化模型进行求解，分别得到杆塔和导线风险概率；基于预设权重对杆塔和导线的风险概率进行加权求和，得到架空输电线路的综合风险评估结果。本发明可以实现输电线路沿线上所有监测数据的全景监测和融合，并结合了SPSA算法求解出架空输电线路的风险概率，克服了传统算法在架空输电线路的求解应用上的技术限制，从而给复杂多变的架空输电线路监测设备数据在后端服务器平台变分同化提供可能。

Description

基于变分同化的架空输电线路风险评估方法及装置
技术领域
本发明属于电力风险评估领域，尤其涉及一种基于变分同化的架空输电线路风险评估方法及装置。
背景技术
目前国内一些电网公司基本已经实施了分体式的线路安全监测系统，对架空输电线路涉及到的各类安全隐患分别安装监测设备，每个监测设备针对自身采集到的监测数据独立的建立代价函数，并通过对代价函数进行求解达到风险分析的目的。这种分体式的监测方法大多需要分步、分批安装，而且都是独自运行的，每个系统都需要单独监管，不仅增加了系统的管理维护成本，而且无法进行数据联动，极大程度上限制了电力监测领域多终端数据联合预警能力。
因此，若能将各个监测设备采集的监测数据汇集后统一进行求解分析，即可大大减低分体式的管理维护成本。但是目前国内外求解代价函数最优解一般采用LM迭代法或准牛顿迭代法。这两种方法都是以代价函数可求二阶导数为前提条件的，必须先求解代价函数一阶导数和二阶导数，对矩阵方程进行迭代，直至找到最优解或达到停止条件。而架空输电线路监测系统作为梯度信息缺失、系统存在较大噪声、高纬度的优化问题，观测算子十分复杂，代价函数几乎无法求导，因此目前的求解算法难以适应架空输电线路这一应用场景。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提出了一种基于变分同化的架空输电线路风险评估方法，包括：
获取输电线路中杆塔与导线的监测数据；
分别将杆塔的监测数据与导线的监测数据代入代价函数中，得到变分同化模型；
基于SPSA算法对变分同化模型进行求解，分别得到杆塔和导线风险概率；
基于预设权重对杆塔和导线的风险概率进行加权求和，得到架空输电线路的综合风险评估结果。
可选的，所述代价函数的建立过程包括：
基于公式一建立风险概率x的代价函数J(x)；
Figure BDA0003279779640000011
其中，x＝(x1,x2,…,xN)T，x1、x2、…、xN依次表示第1种至第N种监测数据的风险概率；
Figure BDA0003279779640000021
Figure BDA0003279779640000022
依次表示第1个至第N个监测设备的初始值；y＝(y1,y2,…,yN)T，y1、y2、…、yN依次表示第1个至第N个监测设备测得的监测数据；B-1表示初始值的协方差误差矩阵的逆矩阵，R-1表示监测数据的协方差误差矩阵的逆矩阵，H(x)表示风险概率x的测量算子。
可选的，所述杆塔的监测数据包括杆塔倾斜度、杆塔沉降量以及杆塔振动幅度中的至少之一，所述导线的监测数据包括导线风偏量、导线振动幅度、导线舞动幅度以及气象监测数据中的至少之一。
可选的，所述基于SPSA算法对变分同化模型进行求解，分别得到杆塔和导线风险概率，包括：
步骤一：对SPSA算法中的参数进行初始化，所述参数包括风险概率、迭代次数k、代价函数的阈值为Jmin以及损失函数L，其中k的初始值为1；
步骤二：基于公式二计算第k次迭代的步长ak，基于公式三计算第k次迭代的摄动点步长ck；
Figure BDA0003279779640000023
Figure BDA0003279779640000024
其中，a为预设初始步长，A为预设步长调节参数，α为预设步长增益系数，c为预设初始扰动因子，γ为预设扰动系数；
步骤三：通过蒙特卡洛法则生成同步摄动向量Δk，得到第k次迭代的正摄动点(xk+ckΔk)和负摄动点(xk-ckΔk)，xk为第k次迭代时的迭代点，依次将正摄动点和负摄动点代入损失函数L中，根据代入结果计算迭代点xk在损失函数上的梯度G(xk)；
步骤四：将第k-2次、第k-1次和第k次迭代时的迭代点依次代入损失函数L中，根据代入结果计算第k次迭代的动态补偿因子
Figure BDA0003279779640000025
步骤五：根据动态补偿因子
Figure BDA0003279779640000026
的正负数情况更新步长ak，基于公式五计算第k+1次的迭代点xk+1；
xk+1＝xk-akG(xk) 公式四；
步骤六：判断当前是否满足|J(xk+1)-J(xk)|≤Jmin，若满足则停止迭代，输出当前迭代点xk+1，分别得到杆塔的风险概率xtower和导线的风险概率xwire，否则重复步骤二至步骤五。
可选的，所述根据代入结果计算迭代点xk在损失函数上的梯度G(xk)，包括：
基于公式五计算梯度G(xk)；
Figure BDA0003279779640000031
其中，L(xk+ckΔk)为正摄动点对应的损失函数值，L(xk-ckΔk)为负摄动点对应的损失函数值。
可选的，所述根据代入结果计算第k次迭代的动态补偿因子
Figure BDA0003279779640000032
包括：
基于公式六计算第k次迭代的动态补偿因子
Figure BDA0003279779640000033
Figure BDA0003279779640000034
其中，L(xk)为第k次迭代时迭代点的损失函数值，L(xk-2)为第k-2次迭代时迭代点的损失函数值，L(xk-1)为第k-1次迭代时迭代点的损失函数值，δ为预设的临界调节系数。
可选的，所述根据动态补偿因子
Figure BDA0003279779640000035
的正负数情况更新步长ak，包括：
当
Figure BDA0003279779640000036
时，表示损失函数的轨迹处于局部加速下降场景，增大步长ak；
当
Figure BDA0003279779640000037
时，表示损失函数的轨迹处于局部减速下降场景，减小步长ak；
当
Figure BDA0003279779640000038
时，表示损失函数的轨迹处于临界状态，保持步长ak不变。
可选的，所述基于预设权重对杆塔和导线的风险概率进行加权求和，得到架空输电线路的综合风险评估结果，包括：
确定杆塔的预设权重β和导线的预设权重λ，计算架空输电线路的综合风险评估结果xmul为xmul＝βxtower+λxwire。
本发明还基于同样的思路提出了一种基于变分同化的架空输电线路风险评估装置，包括：
获取单元：用于获取输电线路中杆塔与导线的监测数据；
建模单元：用于分别将杆塔与导线的监测数据代入代价函数中，得到变分同化模型；
求解模块：用于基于SPSA算法对变分同化模型进行求解，分别得到杆塔和导线风险概率；
评估模块：用于基于预设权重对杆塔和导线的风险概率进行加权求和，得到架空输电线路的综合风险评估结果。
本发明还提出了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上文所述的架空输电线路风险评估方法。
本发明提供的技术方案带来的有益效果是：
本发明可以实现输电线路沿线上所有监测数据的全景监测和融合，并结合了SPSA算法，利用其能够基于相邻3次迭代点信息来识别当前优化进程状态的特点，在不求导的情况下求解出架空输电线路的风险概率，同时实现迭代步长动态自适应调整，提高了优化效率，克服了传统算法在架空输电线路的求解应用上的技术限制，从而给复杂多变的架空输电线路监测设备数据在后端服务器平台变分同化提供可能。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提出的基于变分同化的架空输电线路风险评估方法的流程示意图；
图2为架空输电线路的监测系统架构图；
图3为本发明另一实施例提出的基于变分同化的架空输电线路风险评估装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本发明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。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“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，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例一
如图1所述，本实施例提出了一种基于变分同化的架空输电线路风险评估方法，包括：
S1：获取输电线路中杆塔与导线的监测数据；
S2：分别将杆塔的监测数据与导线的监测数据代入代价函数中，得到变分同化模型；
S3：基于SPSA算法对变分同化模型进行求解，分别得到杆塔和导线风险概率；
S4：基于预设权重对杆塔和导线的风险概率进行加权求和，得到架空输电线路的综合风险评估结果。
变分同化思想是指通过求解代价函数的极小值，使分析场达到统计意义上的最优的一种方法。在本实施例中，将变分同化思想应用到架空输电线路的设备风险监测中，基于杆塔和导线的监测数据建立风险概率的代价函数，从而构成变分同化模型，并基于改进型的SPSA算法对代价函数进行求解，从而得到杆塔和导线的风险概率。
本实施例中利用图2所示的监测系统获取监测数据，所述监测系统分为数据采集层、数据传输层和数据处理层，其中，数据采集层中包含了安装在架空输电线路上的多个监测设备。针对架空输电线路中的杆塔，监测设备能够获取杆塔倾斜度、杆塔沉降量以及杆塔振动幅度等监测数据，本实施例中具体是通过智能微拍设备、传感器等硬件设备实现数据的采集，针对架空输电线路中的导线，监测设备能够获取导线风偏量、导线振动幅度以及导线舞动幅度等监测数据，其中，导线振动幅度和导线舞动幅度的区别在于舞动频率低、振幅高，而振动频率高、振幅低。同时，考虑到风对架空输电线路的危害，主要表现为除了大风引起倒杆、歪杆、断线等造成架空电力线路停电事故外，还会因风在较低风速或中等风速情况下使导线和避雷线引起振动，发生跳跃，造成碰线、混线闪络事故，因此本实施例中数据采集层还通过访问气象站获取气象监测数据，所述气象监测数据包括导线覆冰情况、气温、风向、风速等。
在数据传输层中，利用DTU终端提供的4G通信服务将杆塔倾斜度、杆塔沉降量以及杆塔振动幅度上传至数据处理层，利用LoRa中继将导线振动幅度以及导线舞动幅度上传至数据处理层，通过无线网桥将智能微拍采集到的导线风偏图像上传至数据处理层，数据处理层中的服务器平台通过图像识别分析技术在所述图像中获取导线风偏量。气象监测数据则通过北斗短报文的方式上传至数据处理层。
数据传输层将上述监测数据发送给数据处理层中部署的服务器平台，由服务器平台执行S2-S4中所述的处理方法。
在本实施例中，基于公式一建立风险概率x的代价函数J(x)，分别将杆塔与导线的监测数据代入代价J(x)中构成变分同化模型；
Figure BDA0003279779640000061
其中，x＝(x1,x2,…,xN)T，x1、x2、…、xN依次表示第1种至第N种监测数据的风险概率，为本实施例中所要求解的变量；
Figure BDA0003279779640000062
Figure BDA0003279779640000063
依次表示第1个至第N个监测设备的初始值；y＝(y1,y2,…,yN)T，y1、y2、…、yN依次表示第1个至第N个监测设备测得的监测数据；B-1表示初始值的协方差误差矩阵的逆矩阵，R-1表示监测数据的协方差误差矩阵的逆矩阵，H(x)表示风险概率x的测量算子。本实施例中，H(x)是人为预先设定的关于x的函数。
具体的，在针对杆塔建立的变分同化模型中，xtower＝(x1,x2,x3)T，x1、x2、x3依次表示为杆塔倾斜、杆塔沉降和杆塔振动的风险概率，
Figure BDA0003279779640000071
Figure BDA0003279779640000072
依次表示为监测设备初装时的杆塔倾斜角、杆塔沉降量、杆塔振动幅度，y＝(y1,y2,y3)T，y1、y2、y3依次表示为监测设备测量到的杆塔倾斜角、杆塔沉降量、杆塔振动幅度。在针对导线建立的变分同化模型中，xwire＝(x4,x5,x6,x7)T，x4、x5、x6、x7依次表示为导线风偏、导线振动、导线舞动和气象的风险概率，
Figure BDA0003279779640000073
Figure BDA0003279779640000074
依次表示为监测设备初装时的导线风偏量、导线振动幅度、导线舞动幅度以及气象监测数据，y＝(y4,y5,y6,y7)T，y4、y5、y6、y7依次表示为监测设备测量到的导线风偏量、导线振动幅度、导线舞动幅度以及气象监测数据。
由于架空输电线路的监测系统具有大噪声、多终端、观测算子复杂的特点，因此，本实施例提出了基于以下改进型SPSA算法对代价函数极小值在不求导的情况下进行求解，从而克服现有求解算法的技术限制，使监测系统获取的监测数据能够统一汇集处理，进而解决现有监测系统使用过程中由于分体式监测系统独立运行造成的运行、维护成本过高以及数据无法联动的问题。
同步扰动随机逼近算法(Simultaneous Perturbation StochasticApproximation，SPSA)是Spall根据Kiefer-Wolforwitz随机逼近算法改进而成，通过估计目标函数的梯度信息来逐渐逼近最优解。本实施例中总体流程依次包括初始化、计算步长、产生摄动点、利用损失函数进行梯度逼近、动态优化步长、判定迭代终止点以及输出最优解这一系列的迭代算法流程，具体为：
步骤一：对SPSA算法中的参数进行初始化，所述参数包括风险概率的迭代点xk、迭代次数k、代价函数的阈值为Jmin以及损失函数L，其中k的初始值为1。本实施例中，迭代点xk的初始值即x1，可根据经验确定一个预设值。所述损失函数L在常规的损失函数中选取，包括绝对值损失函数、对数损失函数、指数损失函数、Hinge损失函数、感知损失函数、交叉熵损失函数等。
步骤二：基于公式二计算第k次迭代的步长ak，基于公式三计算第k次迭代的摄动点步长ck；
Figure BDA0003279779640000081
Figure BDA0003279779640000082
其中，a为预设初始步长，A为预设步长调节参数，α为预设步长增益系数，c为预设初始扰动因子，γ为预设扰动系数。作为随机逼近算法，初始迭代步长a和初始扰动因子c没有定式，必须根据实际情况进行调整，一般原则是，当实际优化问题中存在较大的噪声时，则基于α适当增大初始扰动因子的值，并基于A减小初始迭代步长的值，反之反向调整。本实施例中，γ取值为0.101。
步骤三：通过蒙特卡洛法则生成同步摄动向量Δk，得到第k次迭代的正摄动点(xk+ckΔk)和负摄动点(xk-ckΔk)，依次将正摄动点和负摄动点代入损失函数中，根据代入结果计算迭代点xk在损失函数L上的梯度G(xk)，梯度G(xk)的计算公式为：
Figure BDA0003279779640000083
其中，L(xk+ckΔk)为正摄动点对应的损失函数值，L(xk-ckΔk)为负摄动点对应的损失函数值。
步骤四：将第k-2次、第k-1次和第k次迭代时的迭代点依次代入损失函数L中，根据代入结果计算第k次迭代的动态补偿因子
Figure BDA0003279779640000084
动态补偿因子
Figure BDA0003279779640000085
的计算公式为：
Figure BDA0003279779640000086
其中，L(xk)为第k次迭代时迭代点的损失函数值，L(xk-2)为第k-2次迭代时迭代点的损失函数值，L(xk-1)为第k-1次迭代时迭代点的损失函数值，δ为预设的临界调节系数。
步骤五：根据动态补偿因子
Figure BDA0003279779640000087
的正负数情况更新步长ak，动态补偿因子的数值正负情况往往反映了损失函数的局部领域下降状态，具体为：
当
Figure BDA0003279779640000088
时，表示损失函数的轨迹处于局部加速下降场景，损失函数表达的含义为风险概率的评估值与真实值之间的误差，因此损失函数的轨迹加速下降意味着评估值与真实值误差较大，增大步长ak以加速代价函数的收敛速度，从而提高极小值的求解效率；
当
Figure BDA0003279779640000091
时，表示损失函数的轨迹处于局部减速下降场景，与局部加速下降场景同理，损失函数的轨迹加速下降意味着评估值与真实值较为接近了，因此需要减小步长ak；
当
Figure BDA0003279779640000092
时，表示损失函数的轨迹处于临界状态，保持步长ak不变。
更新步长后，基于公式五计算第k+1次的迭代点xk+1；
xk+1＝xk-akG(xk) 公式四；
步骤六：判断当前是否满足|J(xk+1)-J(xk)|≤Jmin，若满足则停止迭代，输出当前迭代点xk+1，分别得到杆塔的风险概率xtower和导线的风险概率xwire。由上述内容可知，当初始输入为(x1,x2,x3)T时，迭代点xk+1记为杆塔的风险概率，当初始输入为(y4,y5,y6,y7)T时，迭代点xk+1记为导线的风险概率。若不满足上述条件，记否则重复步骤二至步骤五。
由上述求解过程可知，本实施例基于变分同化法的思想，采用梯度逼近的求解方式对传统的求解方法进行改进，实现在不对代价函数求导的情况下求解出极小值，从而得到杆塔和导线的风险概率。
最后，确定杆塔的预设权重β和导线的预设权重λ，计算架空输电线路的综合风险评估结果xmul为xmul＝βxtower+λxwire。
实施例二
如图3所示，本实施例提出了一种基于变分同化的架空输电线路风险评估装置5，包括：
获取单元51：用于获取输电线路中杆塔与导线的监测数据；
建模单元52：用于分别将杆塔与导线的监测数据代入代价函数中，得到变分同化模型；
求解模块53：用于基于SPSA算法对变分同化模型进行求解，分别得到杆塔和导线风险概率；
评估模块54：用于基于预设权重对杆塔和导线的风险概率进行加权求和，得到架空输电线路的综合风险评估结果。
变分同化思想是指通过求解代价函数的极小值，使分析场达到统计意义上的最优的一种方法。在本实施例中，将变分同化思想应用到架空输电线路的设备风险监测中，基于杆塔和导线的监测数据建立风险概率的代价函数，从而构成变分同化模型，并基于改进型的SPSA算法对代价函数进行求解，从而得到杆塔和导线的风险概率。
本实施例中利用图2所示的监测系统获取监测数据，所述监测系统分为数据采集层、数据传输层和数据处理层，其中，数据采集层中包含了安装在架空输电线路上的多个监测设备。针对架空输电线路中的杆塔，监测设备能够获取杆塔倾斜度、杆塔沉降量以及杆塔振动幅度等监测数据，本实施例中具体是通过智能微拍设备、传感器等硬件设备实现数据的采集，针对架空输电线路中的导线，监测设备能够获取导线风偏量、导线振动幅度以及导线舞动幅度等监测数据，其中，导线振动幅度和导线舞动幅度的区别在于舞动频率低、振幅高，而振动频率高、振幅低。同时，考虑到风对架空输电线路的危害，主要表现为除了大风引起倒杆、歪杆、断线等造成架空电力线路停电事故外，还会因风在较低风速或中等风速情况下使导线和避雷线引起振动，发生跳跃，造成碰线、混线闪络事故，因此本实施例中数据采集层还通过访问气象站获取气象监测数据，所述气象监测数据包括导线覆冰情况、气温、风向、风速等。
在数据传输层中，利用DTU终端提供的4G通信服务将杆塔倾斜度、杆塔沉降量以及杆塔振动幅度上传至数据处理层，利用LoRa中继将导线振动幅度以及导线舞动幅度上传至数据处理层，通过无线网桥将智能微拍采集到的导线风偏的图像上传至数据处理层，数据处理层中的服务器平台通过图像识别分析技术在所述图像中获取导线风偏量。气象监测数据则通过北斗短报文的方式上传至数据处理层。
数据传输层将上述监测数据发送给数据处理层中部署的服务器平台，由服务器平台执行建模单元52、求解模块53和评估模块54的功能。
在本实施例中，建模单元52具体用于：
基于公式一建立风险概率x的代价函数J(x)，分别将杆塔与导线的监测数据代入代价J(x)中构成变分同化模型；
Figure BDA0003279779640000101
其中，x＝(x1,x2,…,xN)T，x1、x2、…、xN依次表示第1种至第N种监测数据的风险概率，为本实施例中所要求解的变量；
Figure BDA0003279779640000102
Figure BDA0003279779640000111
依次表示第1个至第N个监测设备的初始值；y＝(y1,y2,…,yN)T，y1、y2、…、yN依次表示第1个至第N个监测设备测得的监测数据；B-1表示初始值的协方差误差矩阵的逆矩阵，R-1表示监测数据的协方差误差矩阵的逆矩阵，H(x)表示风险概率x的测量算子。本实施例中，H(x)是人为预先设定的关于x的函数。
具体的，在针对杆塔建立的变分同化模型中，xtower＝(x1,x2,x3)T，x1、x2、x3依次表示为杆塔倾斜、杆塔沉降和杆塔振动的风险概率，
Figure BDA0003279779640000112
Figure BDA0003279779640000113
依次表示为监测设备初装时的杆塔倾斜角、杆塔沉降量、杆塔振动幅度，y＝(y1,y2,y3)T，y1、y2、y3依次表示为监测设备测量到的杆塔倾斜角、杆塔沉降量、杆塔振动幅度。在针对导线建立的变分同化模型中，xwire＝(x4,x5,x6,x7)T，x4、x5、x6、x7依次表示为导线风偏、导线振动、导线舞动和气象的风险概率，
Figure BDA0003279779640000114
Figure BDA0003279779640000115
依次表示为监测设备初装时的导线风偏量、导线振动幅度、导线舞动幅度以及气象监测数据，y＝(y4,y5,y6,y7)T，y4、y5、y6、y7依次表示为监测设备测量到的导线风偏量、导线振动幅度、导线舞动幅度以及气象监测数据。
由于架空输电线路的监测系统具有大噪声、多终端、观测算子复杂的特点，因此，本实施例提出了通过求解模块53基于以下改进型SPSA算法对代价函数极小值在不求导的情况下进行求解，从而克服现有求解算法的技术限制，使监测系统获取的监测数据能够统一汇集处理，进而解决现有监测系统使用过程中由于分体式监测系统独立运行造成的运行、维护成本过高以及数据无法联动的问题。
同步扰动随机逼近算法(Simultaneous Perturbation StochasticApproximation，SPSA)是Spall根据Kiefer-Wolforwitz随机逼近算法改进而成，通过估计目标函数的梯度信息来逐渐逼近最优解。本实施例中总体流程依次包括初始化、计算步长、产生摄动点、利用损失函数进行梯度逼近、动态优化步长、判定迭代终止点以及输出最优解这一系列的迭代算法流程，求解模块53具体用于：
步骤一：对SPSA算法中的参数进行初始化，所述参数包括风险概率的迭代点xk、迭代次数k、代价函数的阈值为Jmin以及损失函数L，其中k的初始值为1。本实施例中，迭代点xk的初始值即x1，可根据经验确定一个预设值。所述损失函数L在常规的损失函数中选取，包括绝对值损失函数、对数损失函数、指数损失函数、Hinge损失函数、感知损失函数、交叉熵损失函数等。
步骤二：基于公式二计算第k次迭代的步长ak，基于公式三计算第k次迭代的摄动点步长ck；
Figure BDA0003279779640000121
Figure BDA0003279779640000122
其中，a为预设初始步长，A为预设步长调节参数，α为预设步长增益系数，c为预设初始扰动因子，γ为预设扰动系数。作为随机逼近算法，初始迭代步长a和初始扰动因子c没有定式，必须根据实际情况进行调整，一般原则是，当实际优化问题中存在较大的噪声时，则基于α适当增大初始扰动因子的值，并基于A减小初始迭代步长的值，反之反向调整。本实施例中，γ取值为0.101。
步骤三：通过蒙特卡洛法则生成同步摄动向量Δk，得到第k次迭代的正摄动点(xk+ckΔk)和负摄动点(xk-ckΔk)，依次将正摄动点和负摄动点代入损失函数中，根据代入结果计算迭代点xk在损失函数上的梯度G(xk)，梯度G(xk)的计算公式为：
Figure BDA0003279779640000123
其中，L(xk+ckΔk)为正摄动点对应的损失函数值，L(xk-ckΔk)为负摄动点对应的损失函数值。
步骤四：将第k-2次、第k-1次和第k次迭代时的迭代点依次代入损失函数L中，根据代入结果计算第k次迭代的动态补偿因子
Figure BDA0003279779640000124
动态补偿因子
Figure BDA0003279779640000125
的计算公式为：
Figure BDA0003279779640000126
其中，L(xk)为第k次迭代时迭代点的损失函数值，L(xk-2)为第k-2次迭代时迭代点的损失函数值，L(xk-1)为第k-1次迭代时迭代点的损失函数值，δ为预设的临界调节系数。
步骤五：根据动态补偿因子
Figure BDA0003279779640000127
的正负数情况更新步长ak，动态补偿因子的数值正负情况往往反映了损失函数的局部领域下降状态，具体为：
当
Figure BDA0003279779640000128
时，表示损失函数的轨迹处于局部加速下降场景，损失函数表达的含义为风险概率的评估值与真实值之间的误差，因此损失函数的轨迹加速下降意味着评估值与真实值误差较大，增大步长ak以加速代价函数的收敛速度，从而提高极小值的求解效率；
当
Figure BDA0003279779640000131
时，表示损失函数的轨迹处于局部减速下降场景，与局部加速下降场景同理，损失函数的轨迹加速下降意味着评估值与真实值较为接近了，因此需要减小步长ak；
当
Figure BDA0003279779640000132
时，表示损失函数的轨迹处于临界状态，保持步长ak不变。
更新步长后，基于公式五计算第k+1次的迭代点xk+1；
xk+1＝xk-akG(xk) 公式四；
步骤六：判断当前是否满足|J(xk+1)-J(xk)|≤Jmin，若满足则停止迭代，输出当前迭代点xk+1，分别得到杆塔的风险概率xtower和导线的风险概率xwire。由上述内容可知，当初始输入为(x1,x2,x3)T时，迭代点xk+1记为杆塔的风险概率，当初始输入为(y4,y5,y6,y7)T时，迭代点xk+1记为导线的风险概率。若不满足上述条件，记否则重复步骤二至步骤五。
由上述求解过程可知，本实施例基于变分同化法的思想，采用梯度逼近的求解方式对传统的求解方法进行改进，实现在不对代价函数求导的情况下求解出极小值，从而得到杆塔和导线的风险概率。
最后，由评估模块54确定杆塔的预设权重β和导线的预设权重λ，计算架空输电线路的综合风险评估结果xmul为xmul＝βxtower+λxwire。
另外，本发明实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如图1和图3实施例中任一项所述的架空输电线路风险评估方法。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读存储介质中。上述软件功能单元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装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明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。
另外，在本发明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，也可以采用硬件加软件功能单元的形式实现。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于变分同化的架空输电线路风险评估方法，其特征在于，所述架空输电线路风险评估方法包括：
获取输电线路中杆塔与导线的监测数据；
分别将杆塔的监测数据与导线的监测数据代入代价函数中，得到变分同化模型；
基于SPSA算法对变分同化模型进行求解，分别得到杆塔和导线风险概率；
基于预设权重对杆塔和导线的风险概率进行加权求和，得到架空输电线路的综合风险评估结果。
2.根据权利要求1所述的基于变分同化的架空输电线路风险评估方法，其特征在于，所述代价函数的建立过程包括：
基于公式一建立风险概率x的代价函数J(x)；
Figure FDA0003279779630000011
其中，x＝(x1,x2,…,xN)T，x1、x2、…、xN依次表示第1种至第N种监测数据的风险概率；
Figure FDA0003279779630000012
Figure FDA0003279779630000013
依次表示第1个至第N个监测设备的初始值；y＝(y1,y2,…,yN)T，y1、y2、…、yN依次表示第1个至第N个监测设备测得的监测数据；B-1表示初始值的协方差误差矩阵的逆矩阵，R-1表示监测数据的协方差误差矩阵的逆矩阵，H(x)表示风险概率x的测量算子。
3.根据权利要求1所述的基于变分同化的架空输电线路风险评估方法，其特征在于，所述杆塔的监测数据包括杆塔倾斜度、杆塔沉降量以及杆塔振动幅度中的至少之一，所述导线的监测数据包括导线风偏量、导线振动幅度、导线舞动幅度以及气象监测数据中的至少之一。
4.根据权利要求1所述的基于变分同化的架空输电线路风险评估方法，其特征在于，所述基于SPSA算法对变分同化模型进行求解，分别得到杆塔和导线风险概率，包括：
步骤一：对SPSA算法中的参数进行初始化，所述参数包括风险概率、迭代次数k、代价函数的阈值为Jmin以及损失函数L，其中k的初始值为1；
步骤二：基于公式二计算第k次迭代的步长ak，基于公式三计算第k次迭代的摄动点步长ck；
Figure FDA0003279779630000021
Figure FDA0003279779630000022
其中，a为预设初始步长，A为预设步长调节参数，α为预设步长增益系数，c为预设初始扰动因子，γ为预设扰动系数；
步骤三：通过蒙特卡洛法则生成同步摄动向量Δk，得到第k次迭代的正摄动点(xk+ckΔk)和负摄动点(xk-ckΔk)，xk为第k次迭代时的迭代点，依次将正摄动点和负摄动点代入损失函数L中，根据代入结果计算迭代点xk在损失函数上的梯度G(xk)；
步骤四：将第k-2次、第k-1次和第k次迭代时的迭代点依次代入损失函数L中，根据代入结果计算第k次迭代的动态补偿因子
Figure FDA0003279779630000023
步骤五：根据动态补偿因子
Figure FDA0003279779630000024
的正负数情况更新步长ak，基于公式四计算第k+1次的迭代点xk+1；
xk+1＝xk-akG(xk) 公式四；
步骤六：判断当前是否满足|J(xk+1)-J(xk)|≤Jmin，若满足则停止迭代，输出当前迭代点xk+1，分别得到杆塔的风险概率xtower和导线的风险概率xwire，否则重复步骤二至步骤五。
5.根据权利要求4所述的基于变分同化的架空输电线路风险评估方法，其特征在于，所述根据代入结果计算迭代点xk在损失函数上的梯度G(xk)，包括：
基于公式五计算梯度G(xk)；
Figure FDA0003279779630000025
其中，L(xk+ckΔk)为正摄动点对应的损失函数值，L(xk-ckΔk)为负摄动点对应的损失函数值。
6.根据权利要求4所述的基于变分同化的架空输电线路风险评估方法，其特征在于，所述根据代入结果计算第k次迭代的动态补偿因子
Figure FDA0003279779630000026
包括：
基于公式六计算第k次迭代的动态补偿因子
Figure FDA0003279779630000027
Figure FDA0003279779630000028
其中，L(xk)为第k次迭代时迭代点的损失函数值，L(xk-2)为第k-2次迭代时迭代点的损失函数值，L(xk-1)为第k-1次迭代时迭代点的损失函数值，δ为预设的临界调节系数。
7.根据权利要求4所述的基于变分同化的架空输电线路风险评估方法，其特征在于，所述根据动态补偿因子
Figure FDA0003279779630000031
的正负数情况更新步长ak，包括：
当
Figure FDA0003279779630000032
时，表示损失函数的轨迹处于局部加速下降场景，增大步长ak；
当
Figure FDA0003279779630000033
时，表示损失函数的轨迹处于局部减速下降场景，减小步长ak；
当
Figure FDA0003279779630000034
时，表示损失函数的轨迹处于临界状态，保持步长ak不变。
8.根据权利要求4所述的基于变分同化的架空输电线路风险评估方法，其特征在于，所述基于预设权重对杆塔和导线的风险概率进行加权求和，得到架空输电线路的综合风险评估结果，包括：
确定杆塔的预设权重β和导线的预设权重λ，计算架空输电线路的综合风险评估结果xmul为xmul＝βxtower+λxwire。
9.基于变分同化的架空输电线路风险评估装置，其特征在于，所述架空输电线路风险评估装置包括：
获取单元：用于获取输电线路中杆塔与导线的监测数据；
建模单元：用于分别将杆塔与导线的监测数据代入代价函数中，得到变分同化模型；
求解模块：用于基于SPSA算法对变分同化模型进行求解，分别得到杆塔和导线风险概率；
评估模块：用于基于预设权重对杆塔和导线的风险概率进行加权求和，得到架空输电线路的综合风险评估结果。
10.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至8中任一项所述的架空输电线路风险评估方法。
CN202111128852.5A 2021-09-26 2021-09-26 基于变分同化的架空输电线路风险评估方法及装置 Pending CN114266430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111128852.5A CN114266430A (zh) 2021-09-26 2021-09-26 基于变分同化的架空输电线路风险评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111128852.5A CN114266430A (zh) 2021-09-26 2021-09-26 基于变分同化的架空输电线路风险评估方法及装置

Publications (1)

Publication Number Publication Date
CN114266430A true CN114266430A (zh) 2022-04-01

Family

ID=80824774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111128852.5A Pending CN114266430A (zh) 2021-09-26 2021-09-26 基于变分同化的架空输电线路风险评估方法及装置

Country Status (1)

Country Link
CN (1) CN114266430A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115933597A (zh) * 2022-12-07 2023-04-07 中广核工程有限公司 控制系统的参数整定方法、系统及计算机设备
CN116708518A (zh) * 2023-08-08 2023-09-05 湖南壹加蓝信息技术有限公司 基于数据分析的车用尿素加注信息传输安全预警系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115933597A (zh) * 2022-12-07 2023-04-07 中广核工程有限公司 控制系统的参数整定方法、系统及计算机设备
CN116708518A (zh) * 2023-08-08 2023-09-05 湖南壹加蓝信息技术有限公司 基于数据分析的车用尿素加注信息传输安全预警系统
CN116708518B (zh) * 2023-08-08 2023-09-29 湖南壹加蓝信息技术有限公司 基于数据分析的车用尿素加注信息传输安全预警系统

Similar Documents

Publication Publication Date Title
CN114362367B (zh) 面向云边协同的输电线路监测系统和方法、识别系统和方法
CN114266430A (zh) 基于变分同化的架空输电线路风险评估方法及装置
CN111368980A (zh) 状态检测方法、装置、设备及存储介质
CN114386537B (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN113252701B (zh) 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法
CN117235557B (zh) 基于大数据分析的电气设备故障快速诊断方法
CN115346083A (zh) 一种温度异常检测模型训练方法、装置、设备及介质
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
CN116505653A (zh) 输电线路监测系统、方法、装置、计算机设备和存储介质
CN114594532A (zh) 一种寒潮天气预测方法、装置、电子设备及计算机可读介质
CN116824517A (zh) 基于可视化的变电站运维安全管控系统
CN111901134B (zh) 一种基于循环神经网络模型rnn的预测网络质量的方法和装置
CN117409083B (zh) 一种基于红外图像和改进yolov5的电缆终端识别方法及装置
CN118193954A (zh) 一种基于边缘计算的配电网异常数据检测方法及系统
CN118003961B (zh) 智能充电桩集群控制系统及方法
CN116805435B (zh) 一种数电机房智能巡检装置
CN114119528A (zh) 一种配电线路绝缘子的缺陷检测方法及装置
CN116937645A (zh) 充电站集群调控潜力评估方法、装置、设备及介质
CN112036682A (zh) 一种频繁停电的预警方法及装置
CN117010483A (zh) 一种用于分布式负荷预测的联邦学习安全聚合方法及系统
CN106845763B (zh) 一种电网可靠性分析方法和装置
CN115877128A (zh) 一种轨道车辆电缆终端的异常检测方法及装置
CN113570473B (zh) 设备故障监测方法、装置、计算机设备和存储介质
CN113098640B (zh) 一种基于频道占用度预测的频谱异常检测方法
CN114254798A (zh) 输电线路的监控方法、装置、计算机设备和存储介质

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