CN115293303A - 一种高压输电线网监测方法、系统、设备和介质 - Google Patents
一种高压输电线网监测方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN115293303A CN115293303A CN202211231250.7A CN202211231250A CN115293303A CN 115293303 A CN115293303 A CN 115293303A CN 202211231250 A CN202211231250 A CN 202211231250A CN 115293303 A CN115293303 A CN 115293303A
- Authority
- CN
- China
- Prior art keywords
- target
- line network
- transmission line
- power transmission
- initial
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种高压输电线网监测方法、系统、设备和介质,获取目标输电线网对应的初始运行状态数据并进行预处理,生成目标运行状态数据,调用特征选择函数进行读取和变换,生成目标时频矩阵以及多个初始特征向量,采用多个初始特征向量进行聚类分析,生成目标特征向量,根据均值聚类结果,选取多个初始线网聚类中心,计算目标总方差,采用目标特征向量、目标时频矩阵的共轭矩阵和目标总方差,确定目标输出偏差值,根据目标输出偏差值所处预设故障阈值区间,确定电网故障类型;解决现有的通过人工巡视方式监测效率低下以及不容易监测到高压输电线网出现何种故障,无法精准的监测到高压输电线网出现的故障类型的技术问题。
Description
技术领域
本发明涉及高压输电线路检测技术领域,尤其涉及一种高压输电线网监测方法、系统、设备和介质。
背景技术
近年来,随着科学技术的进步和工业生产的发展,城镇化进程不断加快,电力需求在持续增长;因此,建设一个可靠的现代化电网能够保障能源安全,可以提高电网更大范围的能源资源优化配置能力,可充分发挥其在能源综合运输体系中的重要作用。
建设具有信息化、数字化、自动化、互动化特征的智能电网是安全、可靠和高效输电的保障,是电力科学发展的方向;在一个庞大的电网中,主要由发电厂、电力网和用电设备三大部分组成一个整体,而发电厂发出的电其电压较低,需要经过升压变电所将低电压变换成高压,升高的高压电再经过高压输电线路构成的高压输电线网输送至千里之外的用电地区。
作为电力输送纽带的高压输电线网具有分散性大、距离长、难以巡视及维护等特点,现有的高压输电线网的监测方式,通常是通过人工巡视方式,但通过人工巡视的方式已无法满足高压输电线网监测的需求,且通过人工巡视方式监测效率低下以及不容易监测到高压输电线网出现何种故障,无法精准的监测到高压输电线网出现的故障类型。
发明内容
本发明提供了一种高压输电线网监测方法、系统、设备和介质,解决了现有的高压输电线网的监测方式,通常是通过人工巡视方式,但通过人工巡视的方式已无法满足高压输电线网监测的需求,且通过人工巡视方式监测效率低下以及不容易监测到高压输电线网出现何种故障,无法精准的监测到高压输电线网出现的故障类型的技术问题。
本发明第一方面提供的一种高压输电线网监测方法,包括:
获取目标输电线网对应的初始运行状态数据并进行预处理,生成目标运行状态数据;
调用特征选择函数对所述目标运行状态数据进行读取和变换,生成目标时频矩阵以及所述目标时频矩阵对应的多个初始特征向量;
采用多个所述初始特征向量进行聚类分析,生成所述目标输电线网对应的目标特征向量;
根据所述目标运行状态数据的均值聚类结果,选取多个初始线网聚类中心,并计算所述目标输电线网对应的目标总方差;
采用所述目标特征向量、所述目标时频矩阵的共轭矩阵和所述目标总方差,确定所述目标输电线网对应的目标输出偏差值;
根据所述目标输出偏差值所处预设故障阈值区间,确定所述目标输电线网对应的电网故障类型。
可选地,所述初始运行状态数据包括输电线网红外图像和输电线网受力信息,所述获取目标输电线网对应的初始运行状态数据并进行预处理,生成目标运行状态数据的步骤,包括:
获取目标输电线网对应的输电线网红外图像和输电线网受力信息;
在预设的RGB颜色空间中对所述输电线网红外图像进行分量提取,得到对应的多个图像分量;
对各个所述图像分量分别进行滤波,得到对应的多个滤波分量;
采用全部所述滤波分量进行图像合成,生成输电线网彩色图像信息;
对所述输电线网受力信息执行去噪操作,得到去噪受力信息;
将所述输电线网彩色图像信息和所述去噪受力信息进行模数转换,生成目标运行状态信息。
可选地,所述特征选择函数包括读取函数和频谱函数,所述调用特征选择函数对所述目标运行状态数据进行读取和变换,生成目标时频矩阵以及所述目标时频矩阵对应的多个初始特征向量的步骤,包括:
调用读取函数读取所述目标运行状态数据,得到运行状态数组和采样频率;
在所述采样频率下调用频谱函数对所述运行状态数组进行短时傅里叶变换,生成目标时频矩阵;
将所述目标时频矩阵进行线性变换,得到多个初始特征向量。
可选地,所述根据所述目标运行状态数据的均值聚类结果,选取多个初始线网聚类中心,并计算所述目标输电线网对应的目标总方差的步骤,包括:
对所述输电线网红外图像进行边缘检测,获取所述目标输电线网对应的多个初始边缘位置;
对多个所述初始边缘位置进行均值聚类,确定多个初始线网聚类中心;
对多个所述初始线网聚类中心进行离群点检测,确定待删除聚类中心并删除;
根据剩余所述初始线网聚类中心所属的聚类簇计算对应的目标类间方差和目标类内方差;
计算所述目标类间方差和所述目标类内方差的和值,得到所述目标输电线网对应得目标总方差。
可选地,所述采用所述目标特征向量、所述目标时频矩阵的共轭矩阵和所述目标总方差,确定所述目标输电线网对应的目标输出偏差值的步骤,包括:
计算所述目标特征向量与所述目标时频矩阵的共轭矩阵之间的差值,得到第一差值;
计算所述第一差值的平方,得到目标特征值;
计算所述目标特征值与所述目标总方差之间的比值,得到所述目标输电线网对应的目标输出偏差值。
可选地,所述目标运行状态数据包括目标温度数据和所述去噪输电线网受力数据,所述对多个所述初始边缘位置进行均值聚类,确定多个初始线网聚类中心的步骤之后,包括:
采用最小二乘法将所述初始线网聚类中心进行直线拟合,添加边缘特征点进行修正,确定目标边缘特征直线、目标边缘最高点坐标、目标边缘最低点坐标和目标边缘斜率;
选定所述目标输电线网对应的目标设备,并获取所述目标设备的目标区域位置;
采用所述目标边缘特征直线、所述目标边缘最高点坐标、所述目标边缘最低点坐标、所述目标边缘斜率和所述目标区域位置建立所述目标输电线网对应的目标输电线网模型;
将所述目标温度数据和所述去噪输电线网受力数据输入所述目标输电线网模型。
可选地,所述预设故障阈值区间包括最大线网目标函数值和最小线网目标函数值,所述采用所述目标特征向量、所述目标时频矩阵的共轭矩阵和所述目标总方差,确定所述目标输电线网对应的目标输出偏差值的步骤之后,包括:
获取所述目标输电线网模型对应的实时运行状态数据,结合所述目标特征向量对应的目标特征值计算实时参数拟合值;
采用所述实时参数拟合值输入预设输电线网综合评估模型,确定最大线网目标函数值和最小线网目标函数值;
当所述目标输出偏差值处于所述最大线网目标函数值和所述最小线网目标函数值之间时,则判定所述目标输电线网发生故障;
当所述目标输出偏差值未处于所述最大线网目标函数值和所述最小线网目标函数值之间或所述目标输出偏差值等于所述最大线网目标函数值或所述目标输出偏差值等于所述最小线网目标函数值时,则判定所述目标输电线网未发生故障。
本发明第二方面提供的一种高压输电线网监测系统,包括:
信息处理模块,用于获取目标输电线网对应的初始运行状态数据并进行预处理,生成目标运行状态数据;
调用模块,用于调用特征选择函数对所述目标运行状态数据进行读取和变换,生成目标时频矩阵以及所述目标时频矩阵对应的多个初始特征向量;
目标特征向获取模块,用于采用多个所述初始特征向量进行聚类分析,生成所述目标输电线网对应的目标特征向量;
目标总方差获取模块,用于根据所述目标运行状态数据的均值聚类结果,选取多个初始线网聚类中心,并计算所述目标输电线网对应的目标总方差;
目标输出偏差值获取模块,用于采用所述目标特征向量、所述目标时频矩阵的共轭矩阵和所述目标总方差,确定所述目标输电线网对应的目标输出偏差值;
判断模块,用于根据所述目标输出偏差值所处预设故障阈值区间,确定所述目标输电线网对应的电网故障类型。
本发明第三方面提供的一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述任一项所述的高压输电线网监测方法的步骤。
本发明第四方面提供的一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上述任一项所述的高压输电线网监测方法。
从以上技术方案可以看出,本发明具有以下优点:
选定目标输电线网并获取目标输电线网对应的初始运行状态数据,将获取到的初始运行状态数据进行中值滤波、模电转换、特征选择和聚类分析等处理后,生成目标运行状态数据,基于特征选择策略,调用特征选择函数对获取到的目标运行状态数据进行预处理,得到二维含时间和频率序列的数组数据,根据获得的数组数据并获取该数组数据对应的多个特征向量作为初始特征向量,根据获取到的多个初始特征向量进行聚类统计分析,获取到目标输电线网对应的目标特征向量,将获取到的目标运行状态数据进行均值聚类,输出聚类结果,根据聚类结果选取初始线网聚类中心,计算目标输电线网对应的目标总方差,根据获取到的目标特征向量、目标时频矩阵的共轭矩阵和目标总方差,计算出用于判断目标输电线网是否发生故障和目标输电线网所发生的故障类型的目标输出偏差值,根据计算得到的目标输出偏差值与预设故障阈值区间进行判断,当目标输出偏差值处于预设故障阈值区间,则判定目标输电线网发生故障,当目标输出偏差值未处于预设故障阈值区间或目标输出偏差值等于预设故障阈值区间的两端值时,则判定目标输电线网未发生故障;将预设故障阈值区间拆分为多个预设故障类型阈值区间,根据目标输出偏差值具体所处预设故障类型阈值区间判断目标输电线网具体发生的故障类型;解决现有的高压输电线网的监测方式,通常是通过人工巡视方式,但通过人工巡视的方式已无法满足高压输电线网监测的需求,且通过人工巡视方式监测效率低下以及不容易监测到高压输电线网出现何种故障,无法精准的监测到高压输电线网出现的故障类型的技术问题;因此,本发明将输电线网运行时的实时运行状态数据进行多种方式处理,计算出输电线网的输出偏差值,从而精确的判断输电线网是否发生故障和所发生的故障类型,有效的增强了对输电线网的监测能力,节约人力物力,提高电力系统的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种高压输电线网监测方法的步骤流程图;
图2为本发明实施例二提供的一种高压输电线网监测方法的步骤流程图;
图3为本发明实施例三提供的一种高压输电线网监测系统的结构框图。
具体实施方式
本发明实施例提供了一种高压输电线网监测方法、系统、设备和介质,用于解决现有的高压输电线网的监测方式,通常是通过人工巡视方式,但通过人工巡视的方式已无法满足高压输电线网监测的需求,且通过人工巡视方式监测效率低下以及不容易监测到高压输电线网出现何种故障,无法精准的监测到高压输电线网出现的故障类型的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例一提供的一种高压输电线网监测方法的步骤流程图。
本发明提供的一种高压输电线网监测方法,包括:
步骤101、获取目标输电线网对应的初始运行状态数据并进行预处理,生成目标运行状态数据。
初始运行状态数据,是指目标输电线网在运行时所产生的状态数据;是用于获取目标输电线网的运行状态的参数。
预处理,是指将获取到的目标输电线网在运行时所产生的状态数据进行中值滤波、模电转换、特征选择和聚类分析等处理。
目标运行状态数据,是指初始运行状态数据进行预处理后所获得的运行状态数据,适用于建立目标输电线网模型和计算目标输出偏差值时所需要的重要参数。
在本发明实施例中,选定目标输电线网并获取目标输电线网对应的初始运行状态数据,将获取到的初始运行状态数据进行中值滤波、模电转换、特征选择和聚类分析等处理后,生成目标运行状态数据。
步骤102、调用特征选择函数对目标运行状态数据进行读取和变换,生成目标时频矩阵以及目标时频矩阵对应的多个初始特征向量。
特征选择函数,是指MATLAB中所具有的函数命令,具有高效的数值计算功能,完备的计算结果和编程可视化功能。
特征选择,是指能够完成从已有的M各特征中选择N个特征使得特定对象最优化,是一种数据预处理的方式。
目标时频矩阵,是指通过调用特征选择函数进行预处理后得到的二维含时间和频率序列的数组数据。
初始特征向量,是指根据预处理后得到的目标时频矩阵进行线性变换得到的特征向量。
在本发明实施例中,基于特征选择策略,调用特征选择函数对获取到的目标运行状态数据进行预处理,得到二维含时间和频率序列的数组数据,根据获得的数组数据并获取该数组数据对应的多个特征向量作为初始特征向量。
步骤103、采用多个初始特征向量进行聚类分析,生成目标输电线网对应的目标特征向量。
聚类分析,是指多变量统计技术,主要有分层聚类法和迭代聚类法,是一种多元统计方法。
目标特征向量,是指将初始特征向量通过聚类分析后所生成的特征向量。
在本发明实施例中,根据获取到的多个初始特征向量进行聚类统计分析,获取到目标输电线网对应的目标特征向量。
步骤104、根据目标运行状态数据的均值聚类结果,选取多个初始线网聚类中心,并计算目标输电线网对应的目标总方差。
均值聚类,是指K均值聚类算法,一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。
均值聚类结果,是指将目标运行状态通过均值聚类后所生成的聚类数据。
初始线网聚类中心,是指将目标运行状态数据进行均值聚类后的输出结果选取到的多个初始线网聚类中心。
目标总方差,是指根据均值聚类后的数据计算对应的方差值,是为了观察目标运行状态数据的离散程度。
在本发明实施例中,将获取到的目标运行状态数据进行均值聚类,输出聚类结果,根据聚类结果选取初始线网聚类中心,计算目标输电线网对应的目标总方差。
步骤105、采用目标特征向量、目标时频矩阵的共轭矩阵和目标总方差,确定目标输电线网对应的目标输出偏差值。
目标输出偏差值,是指根据目标特征向量、目标时频矩阵的共轭矩阵和目标总方差计算得到的目标输电线网对应偏差值,用于判断目标输电线网是否发生故障和目标输电线网所发生的故障类型。
在本发明实施例中,根据获取到的目标特征向量、目标时频矩阵的共轭矩阵和目标总方差,计算出用于判断目标输电线网是否发生故障和目标输电线网所发生的故障类型的目标输出偏差值。
步骤106、根据目标输出偏差值所处预设故障阈值区间,确定目标输电线网对应的电网故障类型。
预设故障阈值区间,是指用于判断目标输电线网是否发生故障的范围区间值,同时也用于确定目标输电线网所发生的故障类型的总范围区间值。
在本发明实施例中,根据计算得到的目标输出偏差值与预设故障阈值区间进行判断,当目标输出偏差值处于预设故障阈值区间,则判定目标输电线网发生故障,当目标输出偏差值未处于预设故障阈值区间或目标输出偏差值等于预设故障阈值区间的两端值时,则判定目标输电线网未发生故障;将预设故障阈值区间拆分为多个预设故障类型阈值区间,根据目标输出偏差值具体所处预设故障类型阈值区间判断目标输电线网具体发生的故障类型。
在发明实施例中,选定目标输电线网并获取目标输电线网对应的初始运行状态数据,将获取到的初始运行状态数据进行中值滤波、模电转换、特征选择和聚类分析等处理后,生成目标运行状态数据,基于特征选择策略,调用特征选择函数对获取到的目标运行状态数据进行预处理,得到二维含时间和频率序列的数组数据,根据获得的数组数据并获取该数组数据对应的多个特征向量作为初始特征向量,根据获取到的多个初始特征向量进行聚类统计分析,获取到目标输电线网对应的目标特征向量,将获取到的目标运行状态数据进行均值聚类,输出聚类结果,根据聚类结果选取初始线网聚类中心,计算目标输电线网对应的目标总方差,根据获取到的目标特征向量、目标时频矩阵的共轭矩阵和目标总方差,计算出用于判断目标输电线网是否发生故障和目标输电线网所发生的故障类型的目标输出偏差值,根据计算得到的目标输出偏差值与预设故障阈值区间进行判断,当目标输出偏差值处于预设故障阈值区间,则判定目标输电线网发生故障,当目标输出偏差值未处于预设故障阈值区间或目标输出偏差值等于预设故障阈值区间的两端值时,则判定目标输电线网未发生故障;将预设故障阈值区间拆分为多个预设故障类型阈值区间,根据目标输出偏差值具体所处预设故障类型阈值区间判断目标输电线网具体发生的故障类型;解决现有的高压输电线网的监测方式,通常是通过人工巡视方式,但通过人工巡视的方式已无法满足高压输电线网监测的需求,且通过人工巡视方式监测效率低下以及不容易监测到高压输电线网出现何种故障,无法精准的监测到高压输电线网出现的故障类型的技术问题;因此,本发明将输电线网运行时的实时运行状态数据进行多种方式处理,计算出输电线网的输出偏差值,从而精确的判断输电线网是否发生故障和所发生的故障类型,有效的增强了对输电线网的监测能力,节约人力物力,提高电力系统的安全性。
请参阅图2,图2为本发明实施例二提供的一种高压输电线网监测方法的步骤流程图。
本发明提供的一种高压输电线网监测方法,包括:
步骤201、获取目标输电线网对应的初始运行状态数据并进行预处理,生成目标运行状态数据。
进一步地,初始运行状态数据包括输电线网红外图像和输电线网受力信息,步骤201可以包括以下子步骤:
步骤S11、获取目标输电线网对应的输电线网红外图像和输电线网受力信息。
输电线网红外图像,是指通过红外摄像机获取到目标输电线网的红外图像。
输电线网受力信息包括输电线网应力数据信息、输电线网振动数据信息和导线所受风力数据信息。
输电线网应力数据信息,是通过应力测试仪采集到目标输电线网对应的应力数据。
输电线网振动数据信息,是通过振动检测仪采集到目标输电线网对应的振动数据。
导线所受风力数据信息,是通过电气距离测量获取,具体是通过目标输电线网的基建设计参数计算得到线网的偏离位置,根据该位置距离计算风力数据信息。
在本发明实施例中,获取目标输电线网对应的输电线网红外图像、输电线网应力数据信息、输电线网振动数据信息和导线所受风力数据信息。
步骤S12、在预设的RGB颜色空间中对输电线网红外图像进行分量提取,得到对应的多个图像分量。
RGB颜色空间是由红、绿、蓝三种颜色组成的模型空间。
图像分量,是指通过读取输电线网红外图像,将红色分量、绿色分量和蓝色分量提取出来。
在本发明实施例中,提取目标输电线网对应的输电线网红外图像,将红色图像分量、绿色图像分量和蓝色图像分量提取出来。
步骤S13、对各个图像分量分别进行滤波,得到对应的多个滤波分量。
在本发明实施例中,优选采用中值滤波,中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点。
在本发明实施例中,分别对红色图像分量、绿色图像分量和蓝色图像分量进行中值滤波,得到多个滤波分量。
步骤S14、采用全部滤波分量进行图像合成,生成输电线网彩色图像信息。
在本发明实施例中,将全部的经过滤波处理的滤波分量进行图像合成,生成输电线网彩色图像信息。
步骤S15、对输电线网受力信息执行去噪操作,得到去噪受力信息。
在本发明实施例中,优选高阶数平滑滤波器进行去噪处理,平滑滤波器是一种低通滤波器,是在空间域实现的一种滤波器。通过缩小高频,扩大低频可以去除噪声。
在本发明实施例中,通过高阶数平滑滤波器对输电线网应力数据信息、输电线网振动数据信息和导线所受风力数据信息执行去噪操作,得到去噪输电线网应力数据信息、去噪输电线网振动数据信息和去噪导线所受风力数据信息。
步骤S16、将输电线网彩色图像信息和去噪受力信息进行模数转换,生成目标运行状态信息。
在本发明实施例中,优选A/D转换器,将模拟信号转换成数字信号的电路,称为模数转换器。
在本发明实施例中,将获取到的输电线网彩色图像信息、去噪输电线网应力数据信息、去噪输电线网振动数据信息和去噪导线所受风力数据信息转换为目标输电线网对应的数字信号。
步骤202、调用特征选择函数对目标运行状态数据进行读取和变换,生成目标时频矩阵以及目标时频矩阵对应的多个初始特征向量。
在本发明实施例中,基于特征选择策略提取目标输电线网对应的数字信号中的特征向量,并采用聚类分析法输出其特征向量。
进一步地,特征选择函数包括读取函数和频谱函数,步骤202可以包括以下子步骤:
步骤S21、调用读取函数读取目标运行状态数据,得到运行状态数组和采样频率。
在本发明实施例中,调用读取函数audioread,处理得到一个保存数字信号数据的运行状态数组和采样频率。
步骤S22、在采样频率下调用频谱函数对运行状态数组进行短时傅里叶变换,生成目标时频矩阵。
在本发明实施例中,确定相关参数:窗函数、窗长、重叠点数,重叠长度,傅里叶点数;
在本发明实施例中,在采样频率下,调用频谱函数spectrogram,对运行状态数组进行短时傅里叶变换,将输入信号做STFT处理后得到的二维含时间、频率序列的数组数据,处理得到目标时频矩阵,绘制信号谱图。
步骤S23、将目标时频矩阵进行线性变换,得到多个初始特征向量。
在本发明实施例中,根据目标时频矩阵获取到多个初始特征向量。
其部分运行代码如下所示:
#https://github.com/Amanbhandula/AlphaPose/blob/master/train_sppe/src/models/layers/SE_module.py
class SELayer(nn.Module):
def __init__(self, channel, reduction=1):
super(SELayer, self).__init__()
self.avg_pool = nn.AdaptiveAvgPool2d(1)
self.fc1 = nn.Sequential(
nn.Linear(channel, channel / reduction),
nn.ReLU(inplace=True),
nn.Linear(channel / reduction, channel),
nn.Sigmoid())
self.fc2 = nn.Sequential(
nn.Conv2d(channel , channel / reduction, 1, bias=False)
nn.ReLU(inplace=True),
nn.Conv2d(channel , channel / reduction, 1, bias=False)
nn.Sigmoid()
)
def forward(self, x):
b, c, _, _ = x.size()
y = self.avg_pool(x).view(b, c)
y = self.fc1(y).view(b, c, 1, 1)
return x * y
步骤203、采用多个初始特征向量进行聚类分析,生成目标输电线网对应的目标特征向量。
在本发明实施例中,步骤203的具体实施过程与步骤103类似,在此不再赘述。
步骤204、根据目标运行状态数据的均值聚类结果,选取多个初始线网聚类中心,并计算目标输电线网对应的目标总方差。
进一步地,步骤204可以包括以下子步骤:
步骤S31、对输电线网红外图像进行边缘检测,获取目标输电线网对应的多个初始边缘位置。
边缘检测,是指大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结构属性。通过边缘检测标出准确的位置。
在本发明实施例中,对输电线网红外图像进行边缘检测,确定对应的多个初始边缘位置。
步骤S32、对多个初始边缘位置进行均值聚类,确定多个初始线网聚类中心。
在本发明实施例中,优选K-means聚类,是通过预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。
在本发明实施例中,对初始边缘位置分为K组,随机选取K个对象作为初始线网聚类中心。
步骤S33、对多个初始线网聚类中心进行离群点检测,确定待删除聚类中心并删除。
离群点,是指一个时间序列中,远离序列的一般水平的极端大值和极端小值。
离群点检测,是指通过考察对象与簇之间的关系检测离群点,换而言之,离群点是一个对象,它属于小的稀疏簇或者不属于任何簇。
在本发明实施例中,对多个初始线网聚类中心进行离群点检测,考察初始边缘位置与簇之间的关系检测离群点,确定待删除聚类中心,并将待删除聚类中心删除。
步骤S34、根据剩余初始线网聚类中心所属的聚类簇计算对应的目标类间方差和目标类内方差。
类间方差,是反映类间差异程度。
类内方差,是反映内类变量之间差异程度。
在本发明实施例中,待删除聚类中心删除后,将剩余的初始线网聚类中心所属的聚类簇进行计算,分别计算对应的目标类间方差和目标类内方差。
步骤S35、计算目标类间方差和目标类内方差的和值,得到目标输电线网对应得目标总方差。
在本发明实施例中,将目标类间方差和目标类内方差相加,计算得到目标输电线网对应得目标总方差。
进一步地,目标运行状态数据包括目标温度数据和去噪输电线网受力数据,在步骤S32之后,还可以包括以下步骤:
采用最小二乘法将初始线网聚类中心进行直线拟合,添加边缘特征点进行修正,确定目标边缘特征直线、目标边缘最高点坐标、目标边缘最低点坐标和目标边缘斜率。
最小二乘法,是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具。
在本发明实施例中,采用最小二乘法将初始线网聚类中心进行直线拟合,得到对应的拟合直线,添加边缘特征点对拟合直线进行修正,得到目标边缘特征直线、目标边缘最高点坐标、目标边缘最低点坐标和目标边缘斜率。
选定目标输电线网对应的目标设备,并获取目标设备的目标区域位置。
目标设备,是指目标输电线网中的实体设备,例如电力变压器。
在本发明实施例中,选定目标输电线网对应的电力变压器,获取电力变压器对应的区域位置。
采用目标边缘特征直线、目标边缘最高点坐标、目标边缘最低点坐标、目标边缘斜率和目标区域位置建立目标输电线网对应的目标输电线网模型。
在本发明实施例中,基于电力变压器所处区域位置,根据目标边缘特征直线、目标边缘最高点坐标、目标边缘最低点坐标和目标边缘斜率建立目标输电线网模型。
将目标温度数据和去噪输电线网受力数据输入目标输电线网模型。
在本发明实施例中,将检测到的目标温度数据和预处理后的去噪输电线网受力数据输入目标输电线网模型中。
步骤205、采用目标特征向量、目标时频矩阵的共轭矩阵和目标总方差,确定目标输电线网对应的目标输出偏差值。
进一步地,步骤205可以包括以下子步骤:
步骤S41、计算目标特征向量与目标时频矩阵的共轭矩阵之间的差值,得到第一差值。
步骤S42、计算第一差值的平方,得到目标特征值。
步骤S43、计算目标特征值与目标总方差之间的比值,得到目标输电线网对应的目标输出偏差值。
目标输出偏差值的计算公式为:
在本发明实施例中,目标总方差为目标类间方差与目标类内方差之间的和值,根据目标特征向量、目标时频矩阵的共轭矩阵和目标总方差计算目标输出偏差值。
步骤206、获取目标输电线网模型对应的实时运行状态数据,结合目标特征向量对应的目标特征值计算实时参数拟合值。
实时参数拟合值的计算公式为:
在本发明实施例中,获取目标输电线网模型某个点对应的实时运行状态数据,结合目标特征向量对应的目标特征值计算实时参数拟合值。
步骤207、采用实时参数拟合值输入预设输电线网综合评估模型,确定最大线网目标函数值和最小线网目标函数值。
进一步地,基于电力系统运行效能最佳建立输电线网综合评估模型包括:
通过BP深度神经网络构建输电线网综合评估模型;
获取循环迭代的输电线网历史运行数据对输电线路综合评估模型进行训练及测试,其中,将输电线网历史运行数据按照7:3比例分为训练集和测试集,输电线网历史运行数据包括目标温度数据、输电线网应力数据信息和输电线网振动数据信息;
当测试精度达到预设阈值时,停止训练。
输电线网综合评估模型为:
在本发明实施例中,将计算实时参数拟合值输入输电线网综合评估模型中,得到最大线网目标函数值和最小线网目标函数值。
步骤208、当目标输出偏差值处于最大线网目标函数值和最小线网目标函数值之间,则判定目标输电线网发生故障。
进一步地,预设故障阈值区间包括最大线网目标函数值和最小线网目标函数值。
在本发明实施例中,最大线网目标函数值和最小线网目标函数值为预设故障阈值区间的两端值。
步骤209、当目标输出偏差值未处于最大线网目标函数值和最小线网目标函数值之间或目标输出偏差值等于最大线网目标函数值或目标输出偏差值等于最小线网目标函数值时,则判定目标输电线网未发生故障。
步骤210、根据目标输出偏差值所处预设故障阈值区间,确定目标输电线网对应的电网故障类型。
在本发明实施例中,优选计算得到的最大线网目标函数值为0.97和最小线网目标函数值为0.63;
进一步地,基于信息接收终端的数据库预存的预警信号与故障状态定义的x→y映射关系判断输电线路出现的故障类型,包括:
在发明实施例中,选定目标输电线网并获取目标输电线网对应的初始运行状态数据,将获取到的初始运行状态数据进行中值滤波、模电转换、特征选择和聚类分析等处理后,生成目标运行状态数据,基于特征选择策略,调用特征选择函数对获取到的目标运行状态数据进行预处理,得到二维含时间和频率序列的数组数据,根据获得的数组数据并获取该数组数据对应的多个特征向量作为初始特征向量,根据获取到的多个初始特征向量进行聚类统计分析,获取到目标输电线网对应的目标特征向量,将获取到的目标运行状态数据进行均值聚类,输出聚类结果,根据聚类结果选取初始线网聚类中心,计算目标输电线网对应的目标总方差,根据获取到的目标特征向量、目标时频矩阵的共轭矩阵和目标总方差,计算出用于判断目标输电线网是否发生故障和目标输电线网所发生的故障类型的目标输出偏差值,根据计算得到的目标输出偏差值与预设故障阈值区间进行判断,当目标输出偏差值处于预设故障阈值区间,则判定目标输电线网发生故障,当目标输出偏差值未处于预设故障阈值区间或目标输出偏差值等于预设故障阈值区间的两端值时,则判定目标输电线网未发生故障;将预设故障阈值区间拆分为多个预设故障类型阈值区间,根据目标输出偏差值具体所处预设故障类型阈值区间判断目标输电线网具体发生的故障类型;解决现有的高压输电线网的监测方式,通常是通过人工巡视方式,但通过人工巡视的方式已无法满足高压输电线网监测的需求,且通过人工巡视方式监测效率低下以及不容易监测到高压输电线网出现何种故障,无法精准的监测到高压输电线网出现的故障类型的技术问题;因此,本发明将输电线网运行时的实时运行状态数据进行多种方式处理,计算出输电线网的输出偏差值,从而精确的判断输电线网是否发生故障和所发生的故障类型,有效的增强了对输电线网的监测能力,节约人力物力,提高电力系统的安全性。
请参阅图3,图3为本发明实施例三提供的一种高压输电线网监测系统的结构框图。
本发明提供的一种高压输电线网监测系统,包括:
信息处理模块301,用于获取目标输电线网对应的初始运行状态数据并进行预处理,生成目标运行状态数据。
调用模块302,用于调用特征选择函数对目标运行状态数据进行读取和变换,生成目标时频矩阵以及目标时频矩阵对应的多个初始特征向量。
目标特征向获取模块303,用于采用多个初始特征向量进行聚类分析,生成目标输电线网对应的目标特征向量。
目标总方差获取模块304,用于根据目标运行状态数据的均值聚类结果,选取多个初始线网聚类中心,并计算目标输电线网对应的目标总方差。
目标输出偏差值获取模块305,用于采用目标特征向量、目标时频矩阵的共轭矩阵和目标总方差,确定目标输电线网对应的目标输出偏差值。
判断模块306,用于根据目标输出偏差值所处预设故障阈值区间,确定目标输电线网对应的电网故障类型。
进一步地,初始运行状态数据包括输电线网红外图像和输电线网受力信息,信息处理模块301包括:
数据获取子模块,用于获取目标输电线网对应的输电线网红外图像和输电线网受力信息。
图像分量获取子模块,用于在预设的RGB颜色空间中对输电线网红外图像进行分量提取,得到对应的多个图像分量。
滤波分量获取子模块,用于对各个图像分量分别进行滤波,得到对应的多个滤波分量。
输电线网彩色图像信息获取子模块,用于采用全部滤波分量进行图像合成,生成输电线网彩色图像信息。
去噪受力信息获取子模块,用于对输电线网受力信息执行去噪操作,得到去噪受力信息。
模数转换子模块,用于将输电线网彩色图像信息和去噪受力信息进行模数转换,生成目标运行状态信息。
进一步地,特征选择函数包括读取函数和频谱函数,调用模块302包括:
调用读取子模块,用于调用读取函数读取目标运行状态数据,得到运行状态数组和采样频率。
调用频谱子模块,用于在采样频率下调用频谱函数对运行状态数组进行短时傅里叶变换,生成目标时频矩阵。
线性变换子模块,用于将目标时频矩阵进行线性变换,得到多个初始特征向量。
进一步地,目标总方差获取模块304包括:
初始边缘位置获取子模块,用于对输电线网红外图像进行边缘检测,获取目标输电线网对应的多个初始边缘位置。
初始线网聚类中心获取子模块,用于对多个初始边缘位置进行均值聚类,确定多个初始线网聚类中心。
离群点检测子模块,用于对多个初始线网聚类中心进行离群点检测,确定待删除聚类中心并删除。
方差计算子模块,用于根据剩余初始线网聚类中心所属的聚类簇计算对应的目标类间方差和目标类内方差。
目标总方差获取子模块,用于计算目标类间方差和目标类内方差的和值,得到目标输电线网对应得目标总方差。
进一步地,目标输出偏差值获取模块305包括:
第一差值获取子模块,用于计算目标特征向量与目标时频矩阵的共轭矩阵之间的差值,得到第一差值。
目标特征值获取子模块,用于计算第一差值的平方,得到目标特征值。
目标输出偏差值计算子模块,用于计算目标特征值与目标总方差之间的比值,得到目标输电线网对应的目标输出偏差值。
进一步地,目标运行状态数据包括目标温度数据和去噪输电线网受力数据,在初始线网聚类中心获取子模块之后还包括:
拟合修正子模块,用于采用最小二乘法将初始线网聚类中心进行直线拟合,添加边缘特征点进行修正,确定目标边缘特征直线、目标边缘最高点坐标、目标边缘最低点坐标和目标边缘斜率。
目标区域位置获取子模块,用于选定目标输电线网对应的目标设备,并获取目标设备的目标区域位置。
目标输电线网模型建立子模块,用于采用目标边缘特征直线、目标边缘最高点坐标、目标边缘最低点坐标、目标边缘斜率和目标区域位置建立目标输电线网对应的目标输电线网模型。
数据输入子模块,用于将目标温度数据和去噪输电线网受力数据输入目标输电线网模型。
进一步地,预设故障阈值区间包括最大线网目标函数值和最小线网目标函数值,在目标输出偏差值获取模块305之后,还包括:
实时参数拟合值获取模块,用于获取目标输电线网模型对应的实时运行状态数据,结合目标特征向量对应的目标特征值计算实时参数拟合值。
目标函数值获取模块,用于采用实时参数拟合值输入预设输电线网综合评估模型,确定最大线网目标函数值和最小线网目标函数值。
第一判定模块,用于当目标输出偏差值处于最大线网目标函数值和最小线网目标函数值之间时,则判定目标输电线网发生故障。
第二判定模块,用于当目标输出偏差值未处于最大线网目标函数值和最小线网目标函数值之间或目标输出偏差值等于最大线网目标函数值或目标输出偏差值等于最小线网目标函数值时,则判定目标输电线网未发生故障。
在发明实施例中,选定目标输电线网并获取目标输电线网对应的初始运行状态数据,将获取到的初始运行状态数据进行中值滤波、模电转换、特征选择和聚类分析等处理后,生成目标运行状态数据,基于特征选择策略,调用特征选择函数对获取到的目标运行状态数据进行预处理,得到二维含时间和频率序列的数组数据,根据获得的数组数据并获取该数组数据对应的多个特征向量作为初始特征向量,根据获取到的多个初始特征向量进行聚类统计分析,获取到目标输电线网对应的目标特征向量,将获取到的目标运行状态数据进行均值聚类,输出聚类结果,根据聚类结果选取初始线网聚类中心,计算目标输电线网对应的目标总方差,根据获取到的目标特征向量、目标时频矩阵的共轭矩阵和目标总方差,计算出用于判断目标输电线网是否发生故障和目标输电线网所发生的故障类型的目标输出偏差值,根据计算得到的目标输出偏差值与预设故障阈值区间进行判断,当目标输出偏差值处于预设故障阈值区间,则判定目标输电线网发生故障,当目标输出偏差值未处于预设故障阈值区间或目标输出偏差值等于预设故障阈值区间的两端值时,则判定目标输电线网未发生故障;将预设故障阈值区间拆分为多个预设故障类型阈值区间,根据目标输出偏差值具体所处预设故障类型阈值区间判断目标输电线网具体发生的故障类型;解决现有的高压输电线网的监测方式,通常是通过人工巡视方式,但通过人工巡视的方式已无法满足高压输电线网监测的需求,且通过人工巡视方式监测效率低下以及不容易监测到高压输电线网出现何种故障,无法精准的监测到高压输电线网出现的故障类型的技术问题;因此,本发明将输电线网运行时的实时运行状态数据进行多种方式处理,计算出输电线网的输出偏差值,从而精确的判断输电线网是否发生故障和所发生的故障类型,有效的增强了对输电线网的监测能力,节约人力物力,提高电力系统的安全性。
本发明实施例的一种电子设备,电子设备包括:存储器及处理器,存储器中储存有计算机程序;计算机程序被处理器执行时,使得处理器执行如上述任一实施例的高压输电线网监测方法。
存储器可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如,用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时,导致该计算处理设备执行上面所描述的方法中的各个步骤。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被执行时实现如本发明任一实施例的高压输电线网监测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品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设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高压输电线网监测方法,其特征在于,包括:
获取目标输电线网对应的初始运行状态数据并进行预处理,生成目标运行状态数据;
调用特征选择函数对所述目标运行状态数据进行读取和变换,生成目标时频矩阵以及所述目标时频矩阵对应的多个初始特征向量;
采用多个所述初始特征向量进行聚类分析,生成所述目标输电线网对应的目标特征向量;
根据所述目标运行状态数据的均值聚类结果,选取多个初始线网聚类中心,并计算所述目标输电线网对应的目标总方差;
采用所述目标特征向量、所述目标时频矩阵的共轭矩阵和所述目标总方差,确定所述目标输电线网对应的目标输出偏差值;
根据所述目标输出偏差值所处预设故障阈值区间,确定所述目标输电线网对应的电网故障类型。
2.根据权利要求1所述的高压输电线网监测方法,其特征在于,所述初始运行状态数据包括输电线网红外图像和输电线网受力信息,所述获取目标输电线网对应的初始运行状态数据并进行预处理,生成目标运行状态数据的步骤,包括:
获取目标输电线网对应的输电线网红外图像和输电线网受力信息;
在预设的RGB颜色空间中对所述输电线网红外图像进行分量提取,得到对应的多个图像分量;
对各个所述图像分量分别进行滤波,得到对应的多个滤波分量;
采用全部所述滤波分量进行图像合成,生成输电线网彩色图像信息;
对所述输电线网受力信息执行去噪操作,得到去噪受力信息;
将所述输电线网彩色图像信息和所述去噪受力信息进行模数转换,生成目标运行状态信息。
3.根据权利要求1所述的高压输电线网监测方法,其特征在于,所述特征选择函数包括读取函数和频谱函数,所述调用特征选择函数对所述目标运行状态数据进行读取和变换,生成目标时频矩阵以及所述目标时频矩阵对应的多个初始特征向量的步骤,包括:
调用读取函数读取所述目标运行状态数据,得到运行状态数组和采样频率;
在所述采样频率下调用频谱函数对所述运行状态数组进行短时傅里叶变换,生成目标时频矩阵;
将所述目标时频矩阵进行线性变换,得到多个初始特征向量。
4.根据权利要求2所述的高压输电线网监测方法,其特征在于,所述根据所述目标运行状态数据的均值聚类结果,选取多个初始线网聚类中心,并计算所述目标输电线网对应的目标总方差的步骤,包括:
对所述输电线网红外图像进行边缘检测,获取所述目标输电线网对应的多个初始边缘位置;
对多个所述初始边缘位置进行均值聚类,确定多个初始线网聚类中心;
对多个所述初始线网聚类中心进行离群点检测,确定待删除聚类中心并删除;
根据剩余所述初始线网聚类中心所属的聚类簇计算对应的目标类间方差和目标类内方差;
计算所述目标类间方差和所述目标类内方差的和值,得到所述目标输电线网对应得目标总方差。
5.根据权利要求1所述的高压输电线网监测方法,其特征在于,所述采用所述目标特征向量、所述目标时频矩阵的共轭矩阵和所述目标总方差,确定所述目标输电线网对应的目标输出偏差值的步骤,包括:
计算所述目标特征向量与所述目标时频矩阵的共轭矩阵之间的差值,得到第一差值;
计算所述第一差值的平方,得到目标特征值;
计算所述目标特征值与所述目标总方差之间的比值,得到所述目标输电线网对应的目标输出偏差值。
6.根据权利要求4所述的高压输电线网监测方法,其特征在于,所述目标运行状态数据包括目标温度数据和所述去噪输电线网受力数据,所述对多个所述初始边缘位置进行均值聚类,确定多个初始线网聚类中心的步骤之后,包括:
采用最小二乘法将所述初始线网聚类中心进行直线拟合,添加边缘特征点进行修正,确定目标边缘特征直线、目标边缘最高点坐标、目标边缘最低点坐标和目标边缘斜率;
选定所述目标输电线网对应的目标设备,并获取所述目标设备的目标区域位置;
采用所述目标边缘特征直线、所述目标边缘最高点坐标、所述目标边缘最低点坐标、所述目标边缘斜率和所述目标区域位置建立所述目标输电线网对应的目标输电线网模型;
将所述目标温度数据和所述去噪输电线网受力数据输入所述目标输电线网模型。
7.根据权利要求1所述的高压输电线网监测方法,其特征在于,所述预设故障阈值区间包括最大线网目标函数值和最小线网目标函数值,所述采用所述目标特征向量、所述目标时频矩阵的共轭矩阵和所述目标总方差,确定所述目标输电线网对应的目标输出偏差值的步骤之后,包括:
获取所述目标输电线网模型对应的实时运行状态数据,结合所述目标特征向量对应的目标特征值计算实时参数拟合值;
采用所述实时参数拟合值输入预设输电线网综合评估模型,确定最大线网目标函数值和最小线网目标函数值;
当所述目标输出偏差值处于所述最大线网目标函数值和所述最小线网目标函数值之间时,则判定所述目标输电线网发生故障;
当所述目标输出偏差值未处于所述最大线网目标函数值和所述最小线网目标函数值之间或所述目标输出偏差值等于所述最大线网目标函数值或所述目标输出偏差值等于所述最小线网目标函数值时,则判定所述目标输电线网未发生故障。
8.一种高压输电线网监测系统,其特征在于,包括:
信息处理模块,用于获取目标输电线网对应的初始运行状态数据并进行预处理,生成目标运行状态数据;
调用模块,用于调用特征选择函数对所述目标运行状态数据进行读取和变换,生成目标时频矩阵以及所述目标时频矩阵对应的多个初始特征向量;
目标特征向获取模块,用于采用多个所述初始特征向量进行聚类分析,生成所述目标输电线网对应的目标特征向量;
目标总方差获取模块,用于根据所述目标运行状态数据的均值聚类结果,选取多个初始线网聚类中心,并计算所述目标输电线网对应的目标总方差;
目标输出偏差值获取模块,用于采用所述目标特征向量、所述目标时频矩阵的共轭矩阵和所述目标总方差,确定所述目标输电线网对应的目标输出偏差值;
判断模块,用于根据所述目标输出偏差值所处预设故障阈值区间,确定所述目标输电线网对应的电网故障类型。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-7任一项所述的高压输电线网监测方法的步骤。
10.一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,所述计算机程序被执行时实现如权利要求1-7任一项所述的高压输电线网监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231250.7A CN115293303B (zh) | 2022-10-10 | 2022-10-10 | 一种高压输电线网监测方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231250.7A CN115293303B (zh) | 2022-10-10 | 2022-10-10 | 一种高压输电线网监测方法、系统、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115293303A true CN115293303A (zh) | 2022-11-04 |
CN115293303B CN115293303B (zh) | 2023-01-24 |
Family
ID=83819387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211231250.7A Active CN115293303B (zh) | 2022-10-10 | 2022-10-10 | 一种高压输电线网监测方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293303B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116275643A (zh) * | 2023-02-03 | 2023-06-23 | 苏芯物联技术(南京)有限公司 | 一种焊接工艺执行情况智能识别方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023185A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种输电设备故障诊断方法 |
CN107167702A (zh) * | 2017-05-04 | 2017-09-15 | 国网福建省电力有限公司 | 一种配电网馈线故障类型识别方法及装置 |
CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
CN108510005A (zh) * | 2018-04-08 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的配电网高阻接地故障识别方法 |
US20200104984A1 (en) * | 2018-09-29 | 2020-04-02 | Shanghai United Imaging Intelligence Co., Ltd. | Methods and devices for reducing dimension of eigenvectors |
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
CN112199888A (zh) * | 2020-09-30 | 2021-01-08 | 苏州容思恒辉智能科技有限公司 | 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质 |
US20210036656A1 (en) * | 2018-10-29 | 2021-02-04 | Xi'an Jiaotong University | Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation |
WO2021087543A1 (en) * | 2019-11-06 | 2021-05-14 | Newsouth Innovations Pty Limited | Apparatus and process for real-time detection of high-impedance faults in power lines |
CN113086799A (zh) * | 2021-04-09 | 2021-07-09 | 新沂慧科智能科技有限公司 | 一种基于图像识别的电梯故障检测及预警方法 |
CN113298110A (zh) * | 2021-03-24 | 2021-08-24 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
CN113990032A (zh) * | 2021-09-27 | 2022-01-28 | 国网辽宁省电力有限公司抚顺供电公司 | 输电线路覆冰雪监测预警系统及无人处理系统 |
RU211126U1 (ru) * | 2020-07-21 | 2022-05-23 | Общество с ограниченной ответственностью «НАУЧНО-ПРОИЗВОДСТВЕННАЯ КОМПАНИЯ «ФАРАДА» | Устройство оперативного онлайн-мониторинга технического состояния высоковольтных линий электропередачи |
-
2022
- 2022-10-10 CN CN202211231250.7A patent/CN115293303B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023185A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种输电设备故障诊断方法 |
CN107167702A (zh) * | 2017-05-04 | 2017-09-15 | 国网福建省电力有限公司 | 一种配电网馈线故障类型识别方法及装置 |
CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
CN108510005A (zh) * | 2018-04-08 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的配电网高阻接地故障识别方法 |
US20200104984A1 (en) * | 2018-09-29 | 2020-04-02 | Shanghai United Imaging Intelligence Co., Ltd. | Methods and devices for reducing dimension of eigenvectors |
US20210036656A1 (en) * | 2018-10-29 | 2021-02-04 | Xi'an Jiaotong University | Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation |
WO2021087543A1 (en) * | 2019-11-06 | 2021-05-14 | Newsouth Innovations Pty Limited | Apparatus and process for real-time detection of high-impedance faults in power lines |
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
RU211126U1 (ru) * | 2020-07-21 | 2022-05-23 | Общество с ограниченной ответственностью «НАУЧНО-ПРОИЗВОДСТВЕННАЯ КОМПАНИЯ «ФАРАДА» | Устройство оперативного онлайн-мониторинга технического состояния высоковольтных линий электропередачи |
CN112199888A (zh) * | 2020-09-30 | 2021-01-08 | 苏州容思恒辉智能科技有限公司 | 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质 |
CN113298110A (zh) * | 2021-03-24 | 2021-08-24 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
CN113086799A (zh) * | 2021-04-09 | 2021-07-09 | 新沂慧科智能科技有限公司 | 一种基于图像识别的电梯故障检测及预警方法 |
CN113990032A (zh) * | 2021-09-27 | 2022-01-28 | 国网辽宁省电力有限公司抚顺供电公司 | 输电线路覆冰雪监测预警系统及无人处理系统 |
Non-Patent Citations (1)
Title |
---|
蔡茂: "一种配电网运行状态智能识别方法", 《湖南电力》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116275643A (zh) * | 2023-02-03 | 2023-06-23 | 苏芯物联技术(南京)有限公司 | 一种焊接工艺执行情况智能识别方法 |
CN116275643B (zh) * | 2023-02-03 | 2023-11-07 | 苏芯物联技术(南京)有限公司 | 一种焊接工艺执行情况智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115293303B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
KR100918313B1 (ko) | 지능형 전기품질 진단 분석 방법 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN113255777B (zh) | 基于多模态敏感特征选取融合的设备故障预警方法及系统 | |
Euán et al. | The hierarchical spectral merger algorithm: A new time series clustering procedure | |
CN115293303B (zh) | 一种高压输电线网监测方法、系统、设备和介质 | |
CN108765189A (zh) | 基于智能诊断算法的开放式局部放电大数据管理系统 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN112085111B (zh) | 一种负荷辨识方法和装置 | |
CN110147739A (zh) | 一种基于多重分形谱算法的电抗器故障识别方法 | |
Ma et al. | Fractal‐based autonomous partial discharge pattern recognition method for MV motors | |
CN113887626A (zh) | 一种电力设备画像的生成方法及装置 | |
CN106778692B (zh) | 一种基于s变换的电缆局部放电信号识别方法及装置 | |
CN113627289A (zh) | 一种基于深度学习的电力设备识别方法及其装置 | |
CN105389825A (zh) | 图像处理方法及系统 | |
CN112734637A (zh) | 一种导线温度监测的热红外图像处理方法和系统 | |
CN112215482A (zh) | 一种户变关系识别方法和装置 | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN116881661A (zh) | 一种基于低压电力电容器的性能自动化分析方法及系统 | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统 | |
CN112731208B (zh) | 一种低压线路故障与异常在线监测方法、设备及介质 | |
CN111626329B (zh) | 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法 | |
Fahim et al. | An agreement based dynamic routing method for fault diagnosis in power network with enhanced noise immunity |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |