CN115186964A - 计及主观评估数据的配电网线路风险预测系统及方法 - Google Patents
计及主观评估数据的配电网线路风险预测系统及方法 Download PDFInfo
- Publication number
- CN115186964A CN115186964A CN202210558864.XA CN202210558864A CN115186964A CN 115186964 A CN115186964 A CN 115186964A CN 202210558864 A CN202210558864 A CN 202210558864A CN 115186964 A CN115186964 A CN 115186964A
- Authority
- CN
- China
- Prior art keywords
- data
- line
- fault
- module
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000012706 support-vector machine Methods 0.000 claims abstract description 36
- 238000007726 management method Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 83
- 238000012360 testing method Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000012423 maintenance Methods 0.000 claims description 30
- 230000002068 genetic effect Effects 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 13
- 238000000611 regression analysis Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000009413 insulation Methods 0.000 claims description 8
- 229910000831 Steel Inorganic materials 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 239000010959 steel Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 210000000349 chromosome Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计及主观评估数据的配电网线路风险预测系统及方法,该系统包括:主观打分硬件子系统、风险预警子系统以及中央处理模块;所述主观打分硬件子系统包括数据输入及预处理模块、打分方式处理模块、模型构建模块、线路风险值分析模块、数据输出模块;风险预警子系统包括:Web端和移动端;Web端包括训练数据对风险值支持向量机计算模型GA‑SVM输入模块、显示模块、历史数据模块、检修历史数据模块、用户管理模块。移动端包括后台管理员系统模块和前台用户系统模块。从而提升配网线路风险评估模型的稳定性,并将该计及主观评估数据特征的配电网线路风险预测方法通过计及主观评估数据特征的配电网线路风险预测系统实现。
Description
技术领域
本发明涉及配电网故障风险分析技术领域,尤其涉及计及主观评估数据的配电网线路风险预测系统及方法。
背景技术
伴随着人民生活水平的不断提高,对于电力服务也有了更高的要求。保障供电电能质量和供电可靠性是当前电力系统的首要任务。配网作为电力企业电能输送的最后环节,传统的配网系统已经不能满足用户对用电的需求,改善电力系统配网管理势在必行。
传统的人工常态化巡视方式人为主观判断线路改造,存在多种业务和管理问题如下:
(一)线路巡视缺乏针对性
一是部份巡线人员“人到眼没到”,没有认真查看线路的每一处,忽视线路安全隐患;二是线路状况不同,巡视工作缺乏针对性,在有限的人力、物力、财力下,巡视的紧急重要程度也不同。
(二)线路改造缺乏针对性
由于公司每年的工程项目投资经费相对有限,必须要找到最需要技改大修的配电网线路设备进行重点规划和储备。而在实际工作中,由于存在着大量的线路资料、检修(抢修)记录等数据,无法进行全面系统的分析,往往只能根据部份数据和管理人员的经验决定项目改造计划,不能全面科学地为立项做出准确的判定。
(三)线路故障排查困难
当线路故障时,现有故障判断机制(故障定位系统未全部覆盖且)只能大致圈定故障范围;抢修人员在故障范围内进行地毯式搜寻,没有重点,抢修时间大量消耗在寻找故障点上。
因此,亟需一种新的配电网线路风险预测方法和可实现的系统。
发明内容
本发明所要解决的技术问题是提供一种计及主观评估数据的配电网线路风险预测系统及方法,从而提升配网线路风险评估模型的稳定性,并将计及主观评估数据特征的配电网线路风险预测方法通过计及主观评估数据特征的配电网线路风险预测系统实现。
本发明采用的技术方案如下:所述计及主观评估数据的配电网线路风险预测系统包括:主观打分硬件子系统和风险预警子系统;
所述主观打分硬件子系统包括数据输入及预处理模块、关键因子处理、打分方式处理模块、模型构建模块、线路风险值分析模块、数据输出模块;
所述数据输入及预处理模块,用于采集配电网线路的故障数据,获取导致线路故障的原因因子,以发生线路故障的次数为因变量,采用标准化逐步回归方法,从所述原因因子中筛选出导致线路故障的关键因子;
所述打分方式处理模块,用于通过无人机获取若干张配电网线路图片,并采用随机函数方法对配电网线路图片进行随机选择;并通过对主观打分故障的关键因子改变其打分区间和打分等级,得出主观打分因子对故障数影响程度排序;
所述模型构建模块,用于对所述关键因子的数据进行处理,并通过分析方法求出每条故障线路的主成分风险值,再采用回归分析法对所述各故障线路主成分的风险值进行回归分析,构建故障线路风险值计算模型;
所述线路风险值分析模块,用于将所述主成分风险值数据集分为训练数据和测试数据,利用所述训练数据对风险值支持向量机计算模型进行训练,得到故障线路的风险值支持向量机计算模型;将所述测试数据导入所述风险值支持向量机计算模型,计算获得每条故障线路的实际风险值和预测风险值;
所述数据输出模块,用于输出每条故障线路的实际风险值和预测风险值;
所述中央处理模块,用于接收并存储每条故障线路的实际风险值和预测风险值;
所述风险预警子系统,用于获取并运用所述中央处理模块中存储的每条故障线路的实际风险值和预测风险值。
此外,为实现上述目的,本发明还提供一种计及主观评估数据的配电网线路风险预测方法,所述配电网线路风险预测方法基于配电网线路风险预测系统,所述方法包括如下步骤:
步骤S1:采集配电网线路的故障数据,获取导致线路故障的原因因子,并以所述原因因子为自变量,以发生线路故障的次数为因变量,采用标准化逐步回归方法,从所述原因因子中筛选出导致线路故障的关键因子,其中,所述关键因子包括主观打分关键因子和客观关键因子;
步骤S2:采用随机函数方法对获取的数据样本进行随机选择,并通过对主观打分故障因子改变其打分区间和打分等级,得出主观打分因子对故障数影响程度排序。
步骤S3:对所述关键因子的相关数据进行处理,并通过分析方法求出每条故障线路的主成分风险值,再采用回归分析法对所述各故障线路主成分的风险值进行回归分析,构建故障线路风险值计算模型;
步骤S4:将所述主成分风险值数据集分为训练数据和测试数据,利用所述训练数据对风险值支持向量机计算模型进行训练,得到故障线路的风险值支持向量机计算模型;将所述测试数据导入所述风险值支持向量机计算模型,计算获得每条故障线路的实际风险值和预测风险值。
本发明的有益技术效果:本申请的支持向量机模型结构简单,通过遗传算法对支持向量机的参数c和g采用二进制编码方式进行编码,对编码后的染色体进行选择、交叉、变异操作,经过多次迭代后,选取适应度值最优的染色体对应的数值作为c和g的取值,增加了模型的可靠性;其次对主观打分因素进行扩大打分区间及打分等级,同时建立相应的采集系统融入配网线路故障预测系统中,增加了模型的适用性;最终将所得数据及算法模型及其主观打分采集系统代入系统中,通过四色风险等级判断其线路故障危险程度,应用于Web端及移动端,便于检修人员定向检修,节省人力和时间。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为配电网线路风险预测系统的结构示意图;
图2为配电网线路风险预测系统的主观打分硬件子系统的示意图;
图3为配电网线路风险预测系统移动端后台管理员系统模块的示意图;
图4为配电网线路风险预测系统移动端前台用户系统模块的示意图;
图5为配电网线路风险预测方法的工作流程图;
图6为标准化逐步回归计算结果示意图;
图7为主成分因子载荷矩阵结果示意图;
图8为10kV线路空地协同立体感知系统;
图9为各主成分贡献率结果示意图;
图10为部分路线综合主成分得分结果示意图;
图11为种群最大适应度及平均适应度迭代曲线图;
图12为支持向量机算法测试集预测结果与真实值对比图;
图13为遗传算法优化支持向量机算法测试集预测结果与真实值对比图;
图14为部分主观打分因子原始数据与改变打分区间或打分等级预测真实成功率对比图一;
图15为部分主观打分因子原始数据与改变打分区间或打分等级预测真实成功率对比图二;
图16为部分主观打分因子原始数据与改变打分区间或打分等级预测真实成功率对比图三;
图17为部分主观打分因子原始数据与改变打分区间或打分等级预测真实成功率对比图四;
图18为配电网线路风险预测系统GA-SVM输入模块示意图;
图19为配电网线路风险预测系统显示模块示意图;
图20为配电网线路风险预测系统的风险预警子系统的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即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。
结合图5,所述计及主观评估数据的配电网线路风险预测方法包括如下步骤:
步骤S1:采集配电网线路的故障数据,获取导致线路故障的原因因子,并以所述原因因子为自变量,以发生线路故障的次数为因变量,采用标准化逐步回归方法,从所述原因因子中筛选出导致线路故障的关键因子,其中,所述关键因子包括主观打分关键因子和客观关键因子;
步骤S2:采用随机函数方法对获取的数据样本进行随机选择,并通过对主观打分故障因子改变其打分区间和打分等级,得出主观打分因子对故障数影响程度排序。
主观打分因子对故障数影响程度排序得到三点结论:
1.原始数据主观因素中雷区程度影响故障因素最高,负载程度影响故障因素最低。且无论是原始随机打分,还是重新定义随机打分,雷区程度都是影响线路故障最高风险因素,需要重视。
2.同一因素,打分区间扩大或者改变打分等级,都对最终影响线路故障结果造成很大影响。
3.对于负载程度而言,原始采集到的数据0等级占比一半以上,而对比随机取得的区间,影响程度有所上涨,而更加细化打分等级由原来的三个等级变为现在的四个等级,影响程度更加提高。可以看出。随着数据的更大范围的采集,和打分等级的更细致化,负载程度对于风险故障预测影响程度也会越来越高。相反,有无彩钢这一因素随着数据收集宽广度和打分等级细化,占比影响越来越低。
步骤S3:对所述关键因子的相关数据进行处理,并通过分析方法求出每条故障线路的主成分风险值,再采用回归分析法对所述各故障线路主成分的风险值进行回归分析,构建故障线路风险值计算模型;其中,关键因子相关的数据包括:主观打分关键因子相关的数据和客观关键因子相关的数据。其中,主观打分关键因子相关的数据为步骤S21至步骤S26得到的数据;客观关键因子相关的数据为步骤S27至步骤S28得到的数据。
步骤S4:将所述主成分风险值数据集分为训练数据和测试数据,利用所述训练数据对风险值支持向量机计算模型(Genetic Algorithm-Support Vector Machine,GA-SVM)进行训练,得到故障线路的风险值支持向量机计算模型;将所述测试数据导入所述风险值支持向量机计算模型,计算获得每条故障线路的实际风险值和预测风险值。
所述步骤S1包括:
步骤S11:通过集成已有的PMS2.0系统、雷电系统、SG186营销系统、OPEN3000系统提取出所有影响线路故障的原因因子,并对所有影响线路故障的原因因子进行分类;根据图5所示的配电网线路风险预测方法流程,从收集到的2年内10kV配电线路故障数据中提取出所有故障原因,并对故障原因按照设备情况、运行情况和外部情况分为3类,若故障原因中存在多个故障因子,对每个故障因子按照对配电线路故障影响程度的大小进行赋值。最终得出导致配网线路故障的14个原因因子如图6所示:
步骤S12:根据原因因子获取结果,以上述14个原因因子作为自变量,线路发生故障的次数作为因变量,对所述自变量数据和因变量数据进行Z-score标准化,运用归一化公式对各故障关键因子数据进行归一化处理,消除各故障关键因子之间的量纲差异,得到标准化特征数据,本身14个原因因子是通过其他系统内部采集到的,本实施例中调用并处理这14个原因因子的数据。
所述归一化式子为:
其中,Xnorm表示归一化处理后的数据,XMAX表示样本数据中的最大值,X表示自变量中的样本数据,XMIN表示样本数据中的最小值;
步骤S13:对所述标准化特征数据进行逐步回归计算,得到标准化回归系数和显著性P值,其中标准化的公式为:
步骤S14:根据所述显著性P值筛选出对配电线路故障影响具有显著性的关键因子。即统计学根据显著性检验方法所得到的P值,一般以P<β,β可以为0.05,为显著;P<γ为非常显著,γ可以为0.01,其含义是样本间的差异由抽样误差所致的概率小于0.05或0.01。以此为标准筛选出单元线路长度、绝缘化率、周边有无树木等8个显著故障因子。显著性P值为用相关软件逐步回归算的时候一个参考量,根据P值越接近0影响效果越显著,如图5所示,通过这个方式从14个故障因子筛选出8个关键故障因子。
针对自变量数据和因变量数据,运用标准化公式进行z-score标准化,其中,对标准化后的数据进行逐步回归计算得到标准化回归系数和P值(显著性)。如图7所示。根据计算得到的P值筛选出对配电线路故障影响具有显著性的8个关键因子,分别为单元线路长度、绝缘化率、运行年限、缺陷数、是否过载、雷区程度、周边树木情况、周边彩钢瓦(异物)程度。关键因子一共有8种,分为主观关键因子4种和客观关键因子4种,后续主观打分只考虑的是主观的关键因子。而主观打分关键因子中又有拍照形式两种和非拍照形式两种。
步骤S2具体包括:
步骤S21:结合图8所示,通过无人机将该区域10kV线路进行全方位拍照,并收集上千张图片。因同一种目标可能有不同外观、形状、姿态;同一张图片场景可能有不同的环境因素干扰(光照、遮挡、色差);目标检测要检测目标在图像中的位置,目标可能会出现在图像中任意位置,而且同一个位置可能有不同大小、角度的目标。所以采取深度学习目标检测算法(Fast Region-Convolutional Neural Networks)进行目标检测。在无人机可以以1m/s的速度,飞过10kV线路,并将拍摄到的所有10kV线路照片发送至图像采集单元A21,然后图像采集单元A21将图片发送至图像处理单元A22进行处理,图像处理单元A22通过深度学习目标检测算法对无人机拍摄的照片进行处理,然后将处理后的图片通过主观打分标记单元A23进行主观打分,然后将完成打分的数据输入模型构建模块A3中。深度学习目标检测算法为Fast R-CNN算法。
步骤S22:深度学习目标检测算法的输入由两部分组成:一是待处理的整张图像,二是候选区域(region proposal);利用选择性搜索(Selective Search)算法在输入图像中提取出约2000个最有可能包含目标实例的候选框,并把这些候选区域按照空间位置关系映射到最后的卷积特征层。这里面的候选框则为需要实际主观打分的主观因子,如周边树木、周边有无彩钢等异物.
步骤S23:对于卷积特征层上的每个候选区域进行感兴趣区特征提取算法操作,并使用RoI池化将其转化为固定大小的特征图块(feature map)。然后将feature map保存到本地磁盘。也就是区域归一化。
步骤S24:将提取到的特征输入全连接层,全连接层有两个输出,一个输出负责分类(Softmax),另一个输出负责框回归。所以产生了两种损失函数:分类损失和回归损失。其中分类采用log loss,即对真实分类的概率取负log,而回归的loss和R-CNN基本一样。
其中分类损失的loss-cls代价函数:Lcls=-logpu;
在微调时,调整bbox regressor回归当中的参数。
步骤S25:主观打分数据其一,周边有无树木原数据集中按照将周边树木情况按照茂盛、有、无三个等级进行区分,周边树木生长茂盛记为2,周边有树木记为1,周边无树木记为0。通过建立随机(rand)函数,并设置周边树木生长茂盛记为3,周边有树木记为2,周边无树木记为1;或设置周边树木生长茂盛记为1,周边有树木记为0,周边无树木记为-1。随机代入均等数据集中,每份均等数据集中形成不同打分等级;其中,随机函数为rand函数。
步骤S26:最终将步骤S25之前通过拍照方式将每张图片所要收集的主观因子候选区域进行整合并按所占图片的比例进行划分,并将上步骤2.5系统所采集并随即选取的主观数据,将这些组数据代入GA-SVM模型中训练和测试。
步骤S27:对于非通过拍照识别方式采集的主观因素,如负载程度、该地区两年内雷区程度,通过系统采集并人为打分进行统计。并在数据集建立随机函数,并将多主观因子数据平均分成均等份数据集,在每份数据集中通过调用相关软件中预先设定好打分等级的随机(rand)函数,随机生成不同的数据值。例如调用matlab中预先设定好打分等级的rand函数。
步骤S28:主观打分数据其一,负载程度分为过载记2,重载记1,轻载及以下记0三个数量等级。通过建立随机(rand)函数,并设置轻载记1,重载记2;或低于轻载指标记0,轻载记1,重载记2,过载记3。随机代入均等数据集中,每份均等数据集中形成不同打分区间,并分别代入GA-SVM进行测试比对结果。
所述步骤S3获取每条故障线路的主成分风险值的具体方法为:
步骤S31:对所述归一化特征数据进行主成分分析,得到主成分因子载荷矩阵和各个主成分的贡献率;其中,归一化特征数据为步骤S12得到的标准化特征数据;
步骤S32:根据所述主成分因子载荷矩阵,将各个主成分转换为用变量的线性组合表示,并计算出各个主成分值;
步骤S34:利用转换式子,对所述每条故障线路的主成分风险模拟值进行转换,得到每条故障线路的主成分风险值,所述转换式子如下:
risk_value=[score+abs(min(score))]×10,
其中,risk_value表示转化后的故障线路主成分风险值,score表示各故障线路主成分的风险值得分。在得到每条故障线路的主成分风险值之后,将每条故障线路的主成分风险值运用在步骤S35中。求出的主成分风险值作为模型的因变量和本身关键因子作为模型的自变量一起带入模型训练,最终求出主成分风险值模型。
通过所求的每条故障线路的主成分风险值,再通过回归方法构建故障线路风险值计算模型
所述步骤S3获得故障线路的主成分风险值计算模型的具体方法为:
步骤S35:根据线性函数和非线性指数函数相结合算法构造主成分风险值计算公式,所述主成分风险值计算公式为:其中,X=(x1,x2,…,xn)为所有主成分值的数据集合,(α1,α2,…,αi)为需要通过机器学习训练出的系数,f(X)为目标函数值;其中,主成分风险值计算公式对每条故障线路的主成分风险值进行计算。求出的主成分风险值作为模型的因变量和本身关键因子作为模型的自变量一起带入模型训练,最终求出主成分风险值模型。
步骤S36:定义损失函数Fcost,采用随机梯度下降算法通过多次迭代计算使所述损失函数Fcost达到最小值的系数集合(α1,α2,…,αi);所述损失函数公式为其中,fi(X)是模型计算得到的输出值,yi是训练集的实际值。
步骤S37:采集目标配电网单元线路长度、绝缘化率、运行年限、缺陷数、是否过载、雷区程度、周边树木情况和周边异物程度;其中,步骤S37采集目标配电网单元线路长度、绝缘化率、运行年限、缺陷数、是否过载、雷区程度、周边树木情况和周边异物程度为从电网公司系统内部获取的。
步骤S38:将步骤S27的数据带入故障线路风险值目标函数,确定于数据对应的配电线路风险值,所述故障线路风险值目标函数如下:
分析得出了关键因子后,接下来对关键因子的数据进行主成分分析,获取每条故障线路主成分的风险值得分。包括以下步骤:
(2)对经过归一化处理后的各个关键因子数据进行主成分分析,得到主成分载荷矩阵及各主成分的贡献率,如图9、图10所示。根据计算,前7个主成分的累积贡献率已达到96.21%,因而为了降低计算维度,只选择前7个主成分来进行后续计算。
(3)根据所述主成分载荷矩阵将各主成分用变量的线性组合表示,并计算得出各个主成分值;各主成分用变量的线性组合表示为
下一步,对得到的每条故障线路主成分的风险值进行回归分析,得到故障线路风险值计算模型,具体方法为:
(1)根据线性回归与非线性指数函数算法相结合构造主成分风险值计算公式。
(3)将8个关键因子作为回归方程的自变量,对线性部分系数(α1,α2,…,α5)进行求解,得到风险值的表达式为:
利用所述故障线路风险值计算模型计算各故障线路的风险值得分,将所得各故障线路的风险值数据集作为支持向量机训练数据集进行训练;将测试数据导入所述支持向量机计算模型(GA-SVM模型)实现对线路单元的风险值进行预测评估。
所述步骤S4遗传算法优化支持向量机具体改进优化方法为:
步骤S41:对标准化处理好的数据,以故障因子数据为输入变量,以系统采集到的故障数为输出变量,选取RBF函数作为核函数:
其中,x为函数中心,g为核函数参数;
最终得到回归模型如下:
步骤S42:在SVM模型中,有两个非常重要的参数:c和g。其中,c是惩罚系数,即对误差的宽容度,c越高,说明越不能容忍出现误差,在模型训练时容易出现过拟合的现象;c越小,说明对误差的容忍度越大,在模型训练时容易出现欠拟合的现象。因而,无论c过大还是过小,都会导致模型的泛化能力变差。g是选定核函数后,RBF函数中的一个参数,隐式地决定了数据映射到新的特征空间后的分布,g越大,支持向量越少;反之,g越小,支持向量越多,而支持向量的个数将会影响训练及预测的速度。因此,预先使用遗传算法选择适当的c和g以优化SVM的训练效果。
(1)编码:我们采用二进制编码方式,每个染色体拥有两个基因片段,分别为c和g所对应的二进制编码,每个基因片段为24位,其中c,g∈[0,100]。
(2)初始种群的生成:我们设置种群大小为50个,随机生成初始的50个染色体。
(3)迭代:如图12和13所示,计算种群中各个染色体的适应度值,进行选择、交叉、变异操作,生成新的种群。其中,选择采用轮盘赌的方式,适应度值越大的染色体,被选中的概率越高;定义交叉发生的概率为:0.99,变异发生的概率为0.09。其中,图12为SVM模型预测结果;图13为GA-SVM模型预测结果图
步骤S43:在使用给定的c和g对SVM进行训练后,采用K折交叉验证(K-CV)对模型的预测效果进行验证,以评价该组参数的优劣,并由此定义遗传算法的适应度函数值。取上述K次训练、验证后得到的均方误差的平均值,记其为:作为该组参数训练出的模型的评价指标。
而遗传算法中,用于评价染色体优劣的适应度函数,应当是正向的,即适应度函数值越大,该染色体越优。因此,我们将适应度函数f(c,g)定义为:
步骤S44:将标准化处理过的数据为一组样本存入数据集中,从所述数据集中随机筛选β的样本作为训练集,从所述数据集中随机筛选1-β的样本作为测试集。可人为设置多次迭代次数,重复随机筛选数据集,对比获得不同样本的训练集和测试集最优结果。
所述GA-SVM模型采用如下方法构建:
确定支持向量机训练集和测试集;
设有数据集中共有N个训练样本,第i个训练样本可表示为(xi,yi)(i=1,2,...,N),其中xi是形如(x1i,x2i,...,xni)T的一个特征向量,yi是该样本的标签。
根据结构风险最小化原则寻找最优的ω和b,寻优过程等价于式(1)(2):
其中,ω为权向量;c(c>0)为惩罚参数;ξ为松弛变量,用以衡量训练样本的偏离程度;b为常数。
为实现上述优化问题,建立拉格朗日函数:
其中,αi为拉格朗日乘子。
根据最优解KKT条件:
本文SVM算法的实现,采用LIBSVM工具箱,选取RBF函数作为核函数:
其中,x为函数中心,g为核函数参数。
最终得到回归模型如下:
采用遗传算法对所述支持向量机模型中的参数c和g进行选择、交叉、变异,最终选择出最合适的c和g作为支持向量机最优参数,优化模型,参数最优结果如图11所示。选取种群中适应度值最大的染色体,其解码后得到的数值即为参数c和g的最优取值。最大适应度值为9.6867,其对应的染色体解码后得到的参数c和g的取值分别为:70.0728和0.2615。
采用训练集训练所述GA-SVM网络模型;
在使用给定的c和g对SVM进行训练后,采用K折交叉验证(K-CV)对模型的预测效果进行验证,以评价该组参数的优劣,并由此定义遗传算法的适应度函数值。
采用LIBSVM工具箱实现,进行模型训练时,SVM类型选择C-SVC(C-Support VectorClassification),核函数类型选择RBF核函数;其余参数值均保持LIBSVM工具箱训练函数给定的默认值。
将数据集随机等分成5份,依次将其中1份作为测试集、将其余4份作为训练集;将测试集验证后MSE最小的模型作为最终模型。
最终支持向量机在保持默认参数c和g时,对测试集验证的准确率为90.59%(77/85),测试集的均方误差MSE为1.18;而采用遗传算法优化支持向量机的参数c和g时,对测试集验证的准确率为94.1176%(80/85)。对比图12和13所示。
其次,为了进一步分析主观打分因子对故障数量的影响情况,我们保持对客观数据不变的前提,分别对四个主观数据进行随机数据抽样,进行对故障预测成功率的比较;再通过改变打分区间,如负载程度由原来的轻载及以下记为0,重载记为1,过载记为2,改为未达到轻载标准记为0,轻载记为1,重载记为2,过载记为3。最终负载程度原始打分区间预测成功率为87.0588%,改变打分区间以后的负载程度预测成功率为90.4762%。
再通过改变打分等级,如雷区程度由原来的低于少雷记为0,少雷记为1,多雷记为2,强雷记为3,改为低于少雷记为1,少雷记为2,多雷记为2,强雷记为4。最终雷区程度原始打分等级预测成功率为88.0952%,改变打分等级雷区程度预测成功率为95.2941%。部分主观打分因子原始数据与改变打分区间或打分等级预测真实成功率对比图14至17所示。其中,图14为4个客观加是否过载(0,1,2),图15为4个客观加是否过载(0,1,2,3),图16为4个客观加雷区程度(0,1,2,3),图17为4个客观加雷区程度(1,2,3,4)。
最后建立主观打分故障因子采集分析系统,通过无人机区域拍照等方式,将采集过程中例如周边树木因子随机生成不同打分等级,按照30%打分等级0,1,2;30%打分等级1,2,3;40%打分等级-1,0,1。雷电程度因子可以通过多雷季节按照打分区间0,1,2,3;少雷季节按照打分区间0,1,2。最终得到三点结论:
1.原始数据主观因素中雷区程度影响故障因素最高,负载程度影响故障因素最低。且无论是原始随机打分,还是重新定义随机打分,雷区程度都是影响线路故障最高风险因素,需要重视。
2.同一因素,打分区间扩大或者改变打分等级,都对最终影响线路故障结果造成很大影响。
3.对于负载程度而言,原始采集到的数据0等级占比一半以上,而对比随机取得的区间,影响程度有所上涨,而更加细化打分等级由原来的三个等级变为现在的四个等级,影响程度更加提高。可以看出。随着数据的更大范围的采集,和打分等级的更细致化,负载程度对于风险故障预测影响程度也会越来越高。相反,有无彩钢这一因素随着数据收集宽广度和打分等级细化,占比影响越来越低。
相应的,本发明还提供一种计及主观评估数据的配电网线路风险预测系统,其特征在于,如图1所示,所述系统包括:主观打分硬件子系统A和风险预警子系统B。
所述主观打分硬件子系统A包括数据输入及预处理模块A1、打分方式处理模块A2、模型构建模块A3、线路风险值分析模块A4、数据输出模块A5;
所述数据输入及预处理模块A1,用于采集配电网线路的故障数据,获取导致线路故障的原因因子,以发生线路故障的次数为因变量,采用标准化逐步回归方法,从所述原因因子中筛选出导致线路故障的关键因子;
所述打分方式处理模块A2,用于通过无人机获取若干张配电网线路图片,并采用随机函数方法对配电网线路图片进行随机选择,并通过对主观打分故障的关键因子改变其打分区间和打分等级,得出主观打分因子对故障数影响程度排序;
所述模型构建模块A3,用于对所述关键因子的数据进行处理,并通过分析方法求出每条故障线路的主成分风险值,再采用回归分析法对所述各故障线路主成分的风险值进行回归分析,构建故障线路风险值计算模型;
所述线路风险值分析模块A4,用于将所述主成分风险值数据集分为训练数据和测试数据,利用所述训练数据对风险值支持向量机计算模型进行训练,得到故障线路的风险值支持向量机计算模型;将所述测试数据导入所述风险值支持向量机计算模型,计算获得每条故障线路的实际风险值和预测风险值;
所述数据输出模块A5,用于输出每条故障线路的实际风险值和预测风险值;
所述中央处理模块C,用于接收并存储每条故障线路的实际风险值和预测风险值;
所述风险预警子系统B,用于获取并运用所述中央处理模块C中存储的每条故障线路的实际风险值和预测风险值;
所述中央处理模块C包括:主观打分输入单元C1、主观打分输出单元C2、Web端管理单元C3、移动端管理单元C4以及中央存储器C5;
所述主观打分输入单元C1,用于将中央存储器C5中的导致线路故障的原因因子发送至数据输入及预处理模块A1;
所述主观打分输出单元C2,用于接收数据输出模块A5发送的每条故障线路的实际风险值和预测风险值;
所述Web端管理单元C3,用于将每条故障线路的实际风险值和预测风险值发送至显示模块B2,以便于所述显示模块B2显示每条故障线路的实际风险值和预测风险值;
所述移动端管理单元C4,用于向移动端发送中央存储器C5的数据,以及接收并存储移动端向中央存储器C5发送的数据。
如图2和8所示,所述关键因子处理模块包括:图像采集单元A21、图像处理单元A22、主观打分标记单元A23、主观打分输出单元A24、非拍照因子获取单元A25、随机函数处理单元A26、非拍照因子打分标记单元A27以及非拍照因子打分输出单元A28;
所述图像采集单元A21,用于通过无人机将该区域10kV线路进行全方位拍照,并收集上千张图片;
所述图像处理单元A22,用于利用选择性搜索算法在输入图像中提取出若干个包含目标实例的候选框,并把这些候选区域按照空间位置关系映射到最后的卷积特征层;并对于卷积特征层上的每个候选区域进行感兴趣区特征提取(Region of InterestPooling,RoI Pooling)算法操作,并使用RoI池化将其转化为固定大小的特征图块;并将提取到的特征输入全连接层,得到分类损失和回归损失;其中,感兴趣区特征提取算法是对(Region of Interest)进行Pooling操作,广泛应用在物体检测的研究领域。
所述主观打分输出单元A23,用于将周边有无树木原数据集中按照将周边树木情况按照茂盛、有、无三个等级进行区分,周边树木生长茂盛记为2,周边有树木记为1,周边无树木记为0;通过建立随机(rand)函数,并设置周边树木生长茂盛记为3,周边有树木记为2,周边无树木记为1;或设置周边树木生长茂盛记为1,周边有树木记为0,周边无树木记为-1;随机代入均等数据集中,每份均等数据集中形成不同打分等级;
所述主观打分输出单元A24,将通过拍照方式将每张图片所要收集的主观因子候选区域进行整合并按所占图片的比例进行划分,并将所采集并随即选取的主观数据,将这些组数据代入GA-SVM模型中训练和测试;
所述非拍照因子获取单元A25,用于获取非通过拍照识别方式采集的主观因素,并对于非通过拍照识别方式采集的主观因素,通过系统采集并人为打分进行统计;
所述随机函数处理单元A26,用于在数据集建立随机(rand)函数,将多主观因子数据平均分成均等份数据集,在每份数据集中通过调用相关软件中预先设定好打分等级的随机(rand)函数,随机生成不同的数据值;,例如调用matlab中预先设定好打分等级的rand函数。
所述非拍照因子打分标记单元A27,用于将负载程度分为过载记2,重载记1,轻载及以下记0三个数量等级;通过建立随机(rand)函数,并设置轻载记1,重载记2;或低于轻载指标记0,轻载记1,重载记2,过载记3;
所述非拍照因子打分输出单元A28,用于随机代入均等数据集中,每份均等数据集中形成不同打分区间,并分别代入GA-SVM进行测试比对结果。
具体的,如图1和20所示,所述风险预警子系统2包括:Web端和移动端;
所述Web端包括GA-SVM输入模块B1、显示模块B2、历史数据模块B3、检修历史数据模块B4、用户管理模块B5;
GA-SVM输入模块B1,用于通过采集传输处理系统将配网线路故障数据导入风险预测系统,如图18所示;
显示模块B2:用于接受所述数据输出模块A5的输出数据,并进行显示,如图19所示;
历史数据模块B3:用于检修人员在对线路状态输入预测后可直观查看检测线路风险状态,之后制定相应检修计划和派遣检修人员进行线路维护;
检修历史数据模块B4:主要实现配电网运行管理中的配电巡视管理、配电设备运行记录管理、配电设备周期性工作管理及配网抢修管理。制定设备检修计划与管理,当设备运行到一定周期后,必须制定新的设备检修计划,以便于保障使电力设备安全、稳定运行。计划一般分年度检修计划、月度检修计划、周检修计划。在检修人员完成检修任务后,可以在系统上自行确认检修进度,以便其他检修人员查看及确定检修任务;
用户管理模块B5:用于管理用户信息,用户的工作状态,用户的登录状态。系统用户模块主要包括用户信息,工作状态,登录状态三个子模块。用户信息包括用户工号,姓名;工作状态为检修中或无检修任务;登录状态为状态正常和退出登录。
进一步,所述移动端包括后台管理员系统模块B6和前台用户系统模块B7;其中,如图3所示,后台管理员系统模块B6包括超级管理员单元B61、账号管理单元B62、故障预测及检修任务分配单元B63;如图4所示,前台用户系统模块B7包括历史数据单元B71和检修数据单元B72;
超级管理员单元B61,用于超级管理员的人员管理主要用于管理分级管理员;超级管理员负责账号的增减以及对账号的更改编辑,分级管理员可以编辑账号信息以及对配电网线路故障的预测运算;
账号管理单元B62,用于账号管理模块对分级管理员和超级管理员开放;功能包括:添加账号、删除账号,编辑账号。其中删除分类仅对超级管理员开放。添加分类功能通过addCategory方法实现,管理员在用户管理添加分类页面通过输入手机号、密码、名字,点击提交即可创建新账号;
故障预测及检修任务分配单元B63,用于故障预测是基于SVM支持向量机的风险等级预测,分级管理员可在检修模块中输入故障因子,得出风险值与风险程度,同时更新至历史数据。分级管理员可编辑检修状况和分配检修人员,检修人员在用户端查看任务分配情况,制定相应工作计划。
历史数据单元B71,用于检修数据为历史数据的同步数据,即管理员在对配电网线路进行故障与测试同步产生历史数据与检修数据。同时管理员可在后台对高风险线路的检修任务人员进行分配,检修人员在登陆APP后可查看分配结果,然后进行检修工作,但历史数据单元B71只能观测,不能更改;
检修数据单元B72,用于检修人员在登陆APP后可查看分配结果,然后进行检修工作,完成检修工作后在APP上点选更新状态,即可对该线路状况进行修改。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种计及主观评估数据的配电网线路风险预测系统,其特征在于,所述系统包括:主观打分硬件子系统(A)、风险预警子系统(B)以及中央处理模块(C);
所述主观打分硬件子系统(A)包括数据输入及预处理模块(A1)、打分方式处理模块(A2)、模型构建模块(A3)、线路风险值分析模块(A4)、数据输出模块(A5);
所述数据输入及预处理模块(A1),用于采集配电网线路的故障数据,获取导致线路故障的原因因子,以发生线路故障的次数为因变量,采用标准化逐步回归方法,从所述原因因子中筛选出导致线路故障的关键因子;
所述打分方式处理模块(A2),用于通过无人机获取若干张配电网线路图片,并采用随机函数方法对配电网线路图片进行随机选择;并通过对主观打分故障的关键因子改变其打分区间和打分等级,得出主观打分因子对故障数影响程度排序;
所述模型构建模块(A3),用于对所述关键因子的数据进行处理,并通过分析方法求出每条故障线路的主成分风险值,再采用回归分析法对所述各故障线路主成分的风险值进行回归分析,构建故障线路风险值计算模型;
所述线路风险值分析模块(A4),用于将所述主成分风险值数据集分为训练数据和测试数据,利用所述训练数据对风险值支持向量机计算模型进行训练,得到故障线路的风险值支持向量机计算模型;将所述测试数据导入所述风险值支持向量机计算模型,计算获得每条故障线路的实际风险值和预测风险值;
所述数据输出模块(A5),用于输出每条故障线路的实际风险值和预测风险值;
所述中央处理模块(C),用于接收并存储每条故障线路的实际风险值和预测风险值;
所述风险预警子系统(B),用于获取并运用所述中央处理模块3中存储的每条故障线路的实际风险值和预测风险值;
所述中央处理模块(C)包括:主观打分输入单元(C1)、主观打分输出单元(C2)、Web端管理单元(C3)、移动端管理单元(C4)以及中央存储器(C5);
所述主观打分输入单元(C1),用于将中央存储器(C5)中的导致线路故障的原因因子发送至数据输入及预处理模块(A1);
所述主观打分输出单元(C2),用于接收数据输出模块(A5)发送的每条故障线路的实际风险值和预测风险值;
所述Web端管理单元(C3),用于将每条故障线路的实际风险值和预测风险值发送至显示模块(B2),以便于所述显示模块(B2)显示每条故障线路的实际风险值和预测风险值;
所述移动端管理单元(C4),用于向移动端发送中央存储器(C5)的数据,以及接收并存储移动端向中央存储器(C5)发送的数据。
2.根据权利要求1所述一种计及主观评估数据的配电网线路风险预测系统,其特征在于,所述打分方式处理模块(A2)包括:图像采集单元(A21)、图像处理单元(A22)、主观打分标记单元(A23)、主观打分输出单元(A24)、非拍照因子获取单元(A25)、随机函数处理单元(A26)、非拍照因子打分标记单元(A27)以及非拍照因子打分输出单元(A28);
所述图像采集单元(A21),用于通过无人机将该区域10kV线路进行全方位拍照,并收集上千张图片;
所述图像处理单元(A22),用于利用选择性搜索算法在输入图像中提取出若干个包含目标实例的候选框,并把这些候选区域按照空间位置关系映射到最后的卷积特征层;并对于卷积特征层上的每个候选区域进行感兴趣区特征提取算法操作,并使用感兴趣区域RoI池化将其转化为固定大小的特征图块;并将提取到的特征输入全连接层,得到分类损失和回归损失;
所述主观打分输出单元(A23),用于将周边有无树木原数据集中按照将周边树木情况按照茂盛、有、无三个等级进行区分,周边树木生长茂盛记为2,周边有树木记为1,周边无树木记为0;通过建立随机函数,并设置周边树木生长茂盛记为3,周边有树木记为2,周边无树木记为1;或设置周边树木生长茂盛记为1,周边有树木记为0,周边无树木记为-1;随机代入均等数据集中,每份均等数据集中形成不同打分等级;
所述主观打分输出单元(A24),将通过拍照方式将每张图片所要收集的主观因子候选区域进行整合并按所占图片的比例进行划分,并将所采集并随即选取的主观数据,将这些组数据代入GA-SVM模型中训练和测试;
所述非拍照因子获取单元(A25),用于获取非通过拍照识别方式采集的主观因素,并对于非通过拍照识别方式采集的主观因素,通过系统采集并人为打分进行统计;
所述随机函数处理单元(A26),用于在数据集建立随机函数,将多主观因子数据平均分成均等份数据集,在每份数据集中通过调用相关软件中预先设定好打分等级的随机函数,随机生成不同的数据值;
所述非拍照因子打分标记单元(A27),用于将负载程度分为过载记2,重载记1,轻载及以下记0三个数量等级;通过建立随机函数,并设置轻载记1,重载记2;或低于轻载指标记0,轻载记1,重载记2,过载记3;
所述非拍照因子打分输出单元(A28),用于随机代入均等数据集中,每份均等数据集中形成不同打分区间,并分别代入GA-SVM进行测试比对结果。
3.根据权利要求1所述计及主观评估数据的配电网线路风险预测系统,其特征在于,所述风险预警子系统(B)包括:Web端和移动端;
所述Web端包括GA-SVM输入模块(B1)、显示模块(B2)、历史数据模块(B3)、检修历史数据模块(B4)和用户管理模块(B5);
GA-SVM输入模块(B1),用于通过采集传输处理系统将配网线路故障数据导入风险预测系统;
所述显示模块(B2),用于接受所述数据输出模块(A5)的输出数据,并进行显示;
所述历史数据模块(B3),用于检修人员在对线路状态输入预测后可直观查看检测线路风险状态,之后制定相应检修计划和派遣检修人员进行线路维护;
所述检修历史数据模块(B4),用于实现配电网运行管理中的配电巡视管理、配电设备运行记录管理、配电设备周期性工作管理及配网抢修管理;
所述用户管理模块(B5),用于管理用户信息,用户的工作状态,用户的登录状态。
4.根据权利要求3所述一种计及主观评估数据的配电网线路风险预测系统,其特征在于,所述移动端包括后台管理员系统模块(B6)和前台用户系统模块(B7);其中后台管理员系统模块(B6)包括超级管理员单元(B61)、账号管理单元(B62)、故障预测及检修任务分配单元(B63);前台用户系统模块(B7)包括历史数据单元(B71)和检修数据单元(B72);
所述超级管理员单元(B61),用于超级管理员的人员管理主要用于管理分级管理员;
所述账号管理单元(B62),用于账号管理模块对分级管理员和超级管理员开放;
所述故障预测及检修任务分配单元(B63),用于故障预测是基于SVM支持向量机的风险等级预测,分级管理员可在检修模块中输入故障因子,得出风险值与风险程度,同时更新至历史数据;
所述历史数据单元(B71),用于检修数据为历史数据的同步数据,即管理员在对配电网线路进行故障与测试同步产生历史数据与检修数据;
所述检修数据单元(B72),用于检修人员在登陆APP后可查看分配结果,对该线路状况进行修改。
5.一种计及主观评估数据的配电网线路风险预测方法,所述配电网线路风险预测基于权利要求1至4中任一项所述的配电网线路风险预测系统,其特征在于,所述方法包括如下步骤:
步骤S1:采集配电网线路的故障数据,获取导致线路故障的原因因子,并以所述原因因子为自变量,以发生线路故障的次数为因变量,采用标准化逐步回归方法,从所述原因因子中筛选出导致线路故障的关键因子,其中,所述关键因子包括主观打分关键因子和客观关键因子;
步骤S2:采用随机函数方法对获取的数据样本进行随机选择,并通过对主观打分故障因子改变其打分区间和打分等级,得出主观打分因子对故障数影响程度排序。
步骤S3:对所述关键因子相关的数据进行处理,并通过分析方法求出每条故障线路的主成分风险值,再采用回归分析法对所述各故障线路主成分的风险值进行回归分析,构建故障线路风险值计算模型;
步骤S4:将所述主成分风险值数据集分为训练数据和测试数据,利用所述训练数据对风险值支持向量机计算模型进行训练,得到故障线路的风险值支持向量机计算模型;将所述测试数据导入所述风险值支持向量机计算模型,计算获得每条故障线路的实际风险值和预测风险值。
6.根据权利要求5所述的计及主观评估数据的配电网线路风险预测方法,其特征在于,所述步骤S1包括:
步骤S11:通过集成已有的PMS2.0系统、雷电系统、SG186营销系统、OPEN3000系统提取出所有影响线路故障的原因因子,并对所有影响线路故障的原因因子进行分类;
步骤S12:以所述原因因子为自变量,以发生线路故障的次数为因变量,对所述自变量数据和因变量数据标准化逐步回归方法,运用归一化公式对各故障关键因子数据进行归一化处理,得到标准化特征数据;
所述归一化公式为:
其中,Xnorm表示归一化处理后的数据,XMAX表示样本数据中的最大值,X表示样本数据,XMIN表示样本数据中的最小值;
步骤S13:对所述标准化特征数据进行逐步回归计算,得到标准化回归系数和显著性P值,其中标准化的公式为:
步骤S14:根据所述显著性P值筛选出对配电线路故障影响具有显著性的关键因子。
7.根据权利要求5所述的计及主观评估数据的配电网线路风险预测方法,其特征在于,步骤S2中如何改变主观打分数据对最终线路故障数的影响具体如下:
步骤S21:通过无人机将该区域10kV线路进行全方位拍照,并收集上千张图片;
步骤S22:利用选择性搜索算法在输入图像中提取出若干个包含目标实例的候选框,并把这些候选区域按照空间位置关系映射到最后的卷积特征层;
步骤S23:对于卷积特征层上的每个候选区域进行感兴趣区特征提取算法操作,并使用RoI池化将其转化为固定大小的特征图块;
步骤S24:将提取到的特征输入全连接层,得到分类损失和回归损失;
其中分类损失的loss-cls代价函数:Lcls=-logpu;
步骤S25:将周边有无树木原数据集中按照将周边树木情况按照茂盛、有、无三个等级进行区分,周边树木生长茂盛记为2,周边有树木记为1,周边无树木记为0;通过建立随机函数,并设置周边树木生长茂盛记为3,周边有树木记为2,周边无树木记为1;或设置周边树木生长茂盛记为1,周边有树木记为0,周边无树木记为-1;随机代入均等数据集中,每份均等数据集中形成不同打分等级;
步骤S26:将通过拍照方式将每张图片所要收集的主观因子候选区域进行整合并按所占图片的比例进行划分,并将步骤S25系统所采集并随即选取的主观数据,将这些组数据代入GA-SVM模型中训练和测试;
步骤S27:对于非通过拍照识别方式采集的主观因素,通过系统采集并人为打分进行统计;并在数据集建立随机函数,将多主观因子数据平均分成均等份数据集,在每份数据集中通过调用相关软件中预先设定好打分等级的随机函数,随机生成不同的数据值;
步骤S28:将负载程度分为过载记2,重载记1,轻载及以下记0三个数量等级;通过建立随机函数,并设置轻载记1,重载记2;或低于轻载指标记0,轻载记1,重载记2,过载记3;随机代入均等数据集中,每份均等数据集中形成不同打分区间,并分别代入GA-SVM进行测试比对结果。
8.根据权利要求5所述的计及主观评估数据的配电网线路风险预测方法,其特征在于,所述步骤S3获取每条故障线路的主成分风险值的具体方法为:
步骤S31:对所述归一化特征数据进行主成分分析,得到主成分因子载荷矩阵和各个主成分的贡献率;
步骤S32:根据所述主成分因子载荷矩阵,将各个主成分转换为用变量的线性组合表示,并计算出各个主成分值;
步骤S34:利用转换式子,对所述每条故障线路的主成分风险模拟值进行转换,得到每条故障线路的主成分风险值,所述转换式子如下:
risk_value=[score+abs(min(score))]×10;
其中,risk_value表示转化后的故障线路主成分风险值,score表示各故障线路主成分的风险值得分。
9.根据权利要求8所述的计及主观评估数据的配电网线路风险预测方法,其特征在于,其特征在于,所述步骤S3获得故障线路的主成分风险值计算模型的具体方法为:
步骤S35:根据线性函数和非线性指数函数相结合算法构造主成分风险值计算公式,所述主成分风险值计算公式为:其中,X=(x1,x2,…,xn)为所有主成分值的数据集合,(α1,α2,…,αi)为需要通过机器学习训练出的系数,f(X)为目标函数值;
步骤S36:定义损失函数Fcost,采用随机梯度下降算法通过多次迭代计算使所述损失函数Fcost达到最小值的系数集合(α1,α2,…,αi);所述损失函数公式为其中,fi(X)是模型计算得到的输出值,yi是训练集的实际值;
步骤S37:采集目标配电网单元线路长度、绝缘化率、运行年限、缺陷数、是否过载、雷区程度、周边树木情况和周边异物程度;
步骤S38:将步骤S27的数据带入故障线路风险值目标函数,确定于数据对应的配电线路风险值,所述故障线路风险值目标函数如下:
其中,x1为单元线路长度,x2为1-绝缘化率,x3为缺陷数,x4为雷区强度,x5为年限系数,x6为是否过载,x7为周边树木,x8为周边有无彩钢等异物。
10.根据权利要求5所述的计及主观评估数据的配电网线路风险预测方法,其特征在于,所述步骤S4遗传算法优化支持向量机具体改进优化方法为:
步骤S41:对标准化处理好的数据,以故障因子数据为输入变量,以系统采集到的故障数为输出变量,选取RBF函数作为核函数:
其中,x为函数中心,g为核函数参数;
最终得到回归模型如下:
步骤S42:在SVM模型中,预先使用遗传算法选择适当的c和g以优化SVM的训练效果;
步骤S43:在使用给定的c和g对SVM进行训练后,采用K折交叉验证对模型的预测效果进行验证,以评价该组参数的优劣,并由此定义遗传算法的适应度函数值;
将适应度函数f(c,g)定义为:
步骤S44:将标准化处理过的数据为一组样本存入数据集中,从所述数据集中随机筛选β的样本作为训练集,从所述数据集中随机筛选1-β的样本作为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558864.XA CN115186964A (zh) | 2022-05-21 | 2022-05-21 | 计及主观评估数据的配电网线路风险预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558864.XA CN115186964A (zh) | 2022-05-21 | 2022-05-21 | 计及主观评估数据的配电网线路风险预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186964A true CN115186964A (zh) | 2022-10-14 |
Family
ID=83514352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210558864.XA Pending CN115186964A (zh) | 2022-05-21 | 2022-05-21 | 计及主观评估数据的配电网线路风险预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186964A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912721A (zh) * | 2023-09-14 | 2023-10-20 | 众芯汉创(江苏)科技有限公司 | 一种基于单目立体视觉的配电网设备本体识别方法及系统 |
CN117350548A (zh) * | 2023-12-04 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 一种配电设备安全隐患排查方法 |
-
2022
- 2022-05-21 CN CN202210558864.XA patent/CN115186964A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912721A (zh) * | 2023-09-14 | 2023-10-20 | 众芯汉创(江苏)科技有限公司 | 一种基于单目立体视觉的配电网设备本体识别方法及系统 |
CN116912721B (zh) * | 2023-09-14 | 2023-12-05 | 众芯汉创(江苏)科技有限公司 | 一种基于单目立体视觉的配电网设备本体识别方法及系统 |
CN117350548A (zh) * | 2023-12-04 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 一种配电设备安全隐患排查方法 |
CN117350548B (zh) * | 2023-12-04 | 2024-04-16 | 国网浙江省电力有限公司宁波供电公司 | 一种配电设备安全隐患排查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705873B (zh) | 一种配电网运行状态画像分析方法 | |
CN115186964A (zh) | 计及主观评估数据的配电网线路风险预测系统及方法 | |
CN112287018B (zh) | 一种台风灾害下10kV杆塔受损风险评估方法及系统 | |
CN110889587B (zh) | 配电网线路风险评估方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN113537807B (zh) | 一种企业智慧风控方法及设备 | |
CN110232499A (zh) | 一种配电网信息物理侧风险预警方法及系统 | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN105205341A (zh) | 一种基于客户诉求的电力配网改造需求模型构建方法 | |
CN112258337A (zh) | 一种自我补全修正的基站能耗模型预测方法 | |
CN112016858A (zh) | 一种基于主客观赋权法的舆情风险评价方法 | |
CN112883062A (zh) | 一种不基于规则的自定义规则稽查方法 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
CN112734204B (zh) | 配电网故障线路风险评估方法和系统 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
CN111105218A (zh) | 一种基于全息影像技术的配电网运行监视方法 | |
CN114021873A (zh) | 一种数据指标量化方法和智慧园区企业价值评价系统 | |
CN114254806A (zh) | 配电网重过载预警方法、装置、计算机设备和存储介质 | |
CN111667151B (zh) | 一种电力市场风险全景识别方法及系统 | |
CN113361959A (zh) | 一种银行业务集中运营成熟度的计算方法和装置 | |
CN117578440A (zh) | 一种基于神经网络的电网负荷预测方法 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN110782279A (zh) | 一种配电网主要设备资产成本核算方法及系统 | |
CN113762791B (zh) | 一种铁路工程造价管理系统 | |
CN115829209A (zh) | 基于碳路径的绿色智能仓库环保质量分析方法及装置 |
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 |