CN115392056A - 一种高压架空输电线路运行状态监测及预警方法及装置 - Google Patents
一种高压架空输电线路运行状态监测及预警方法及装置 Download PDFInfo
- Publication number
- CN115392056A CN115392056A CN202211314625.6A CN202211314625A CN115392056A CN 115392056 A CN115392056 A CN 115392056A CN 202211314625 A CN202211314625 A CN 202211314625A CN 115392056 A CN115392056 A CN 115392056A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- overhead transmission
- voltage overhead
- operation state
- model
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 145
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 47
- 230000008878 coupling Effects 0.000 claims abstract description 31
- 238000010168 coupling process Methods 0.000 claims abstract description 31
- 238000005859 coupling reaction Methods 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 24
- 150000001875 compounds Chemical class 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013210 evaluation model Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力监测技术领域,公开了一种高压架空输电线路运行状态监测及预警方法及装置。本发明基于高压架空输电线路的多物理场耦合计算模型确定待优化反演的目标参数,基于该目标参数构建高压架空输电线路参数反演模型,进而根据反演模型计算线路内部参数分布情况,基于该分布情况实时监控得到线路的运行特征,并对线路内部运行状态进行评估,得到内部运行状态评估结果;根据线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,最后在基于内部运行状态评估结果或未来内部运行状态预测结果分析到异常现象时发出预警信息。本发明有效提高了高压架空输电线路监测的可靠性和实时性。
Description
技术领域
本发明涉及电力监测技术领域,尤其涉及一种高压架空输电线路运行状态监测及预警方法及装置。
背景技术
高压架空输电线路是电网的重要组成部分,由于其传输距离长,非常容易受各种环境的影响而导致供电故障。因此,需要定期对高压架空输电线路的运行状态进行监测。
目前通常采用人工巡线的方式进行高压架空输电线路监测,这种监测方式存在可靠性低和实时性差的缺点,不能满足电网监测的需求。
发明内容
本发明提供了一种高压架空输电线路运行状态监测及预警方法及装置,解决了目前高压架空输电线路监测方式存在可靠性低和实时性差的缺点的技术问题。
本发明第一方面提供一种高压架空输电线路运行状态监测及预警方法,包括:
建立高压架空输电线路的多物理场耦合计算模型,通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,基于所述目标参数构建高压架空输电线路参数反演模型;
根据所述高压架空输电线路参数反演模型,计算得到所述高压架空输电线路的内部参数分布情况;
基于所述内部参数分布情况实时监控所述高压架空输电线路的运行特征,基于得到的运行特征,采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估,得到内部运行状态评估结果;
根据所述高压架空输电线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,得到未来内部运行状态预测结果;
基于所述内部运行状态评估结果或所述未来内部运行状态预测结果分析到异常现象时,发出预警信息。
根据本发明第一方面的一种能够实现的方式,所述通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,包括:
将待优化反演的模型参数作为优化参数,基于高压架空输电线路的单物理场的物理量确定优化目标,并构建所述优化目标的目标函数;
将所述优化参数的初始值作为所述多物理场耦合计算模型的输入进行计算,确定各所述优化参数对应的目标函数优化输出值;
将目标函数优化输出值在预置合理范围内的对应优化参数作为待优化反演的目标参数。
根据本发明第一方面的一种能够实现的方式,所述通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,还包括:
构建所述优化目标的目标函数为:
根据本发明第一方面的一种能够实现的方式,所述基于得到的运行特征,采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估,包括:
对得到的运行特征进行预处理,所述预处理包括对运行特征进行初步处理、归一化处理和聚类处理,所述初步处理包括对运行特征进行筛选、清洗和/或去噪。
根据本发明第一方面的一种能够实现的方式,所述根据所述高压架空输电线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,包括:
根据高压架空输电线路出现异常现象时对应的历史运行数据构建训练集和测试集;
构建基于深度神经网络的运行状态预测分析模型,根据所述训练集和所述测试集对所述运行状态预测分析模型进行训练和测试,当所述运行状态预测分析模型的预测精度达到预置精度标准时停止训练,得到训练好的运行状态预测分析模型;
将所述高压架空输电线路的内部运行状态数据输入至所述训练好的运行状态预测分析模型,得到所述高压架空输电线路的未来内部运行状态预测结果。
根据本发明第一方面的一种能够实现的方式,所述根据高压架空输电线路出现异常现象时对应的历史运行数据构建训练集和测试集,包括:
采用预置的分类模型对所述异常现象的具体情况进行再分类,得到分类结果;
利用反馈神经网络对所述分类结果进行验证,将得到的概率最大的分类类别用于构建训练集和测试集。
根据本发明第一方面的一种能够实现的方式,所述构建基于深度神经网络的运行状态预测分析模型,包括:
设置所述运行状态预测分析模型的损失函数为:
设置所述运行状态预测分析模型的约束条件为:
本发明第二方面提供一种高压架空输电线路运行状态监测及预警装置,包括:
模型构建模块,用于建立高压架空输电线路的多物理场耦合计算模型,通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,基于所述目标参数构建高压架空输电线路参数反演模型;
内部参数分布情况计算模块,用于根据所述高压架空输电线路参数反演模型,计算得到所述高压架空输电线路的内部参数分布情况;
内部运行状态评估模块,用于基于所述内部参数分布情况实时监控所述高压架空输电线路的运行特征,基于得到的运行特征,采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估,得到内部运行状态评估结果;
未来内部运行状态预测模块,用于根据所述高压架空输电线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,得到未来内部运行状态预测结果;
预警模块,用于基于所述内部运行状态评估结果或所述未来内部运行状态预测结果分析到异常现象时,发出预警信息。
根据本发明第二方面的一种能够实现的方式,所述模型构建模块包括:
初始化单元,用于将待优化反演的模型参数作为优化参数,基于高压架空输电线路的单物理场的物理量确定优化目标,并构建所述优化目标的目标函数;
计算单元,用于将所述优化参数的初始值作为所述多物理场耦合计算模型的输入进行计算,确定各所述优化参数对应的目标函数优化输出值;
目标参数确定单元,用于将目标函数优化输出值在预置合理范围内的对应优化参数作为待优化反演的目标参数。
根据本发明第二方面的一种能够实现的方式,所述初始化单元具体用于:
构建所述优化目标的目标函数为:
根据本发明第二方面的一种能够实现的方式,所述内部运行状态评估模块包括:
预处理单元,用于对得到的运行特征进行预处理,所述预处理包括对运行特征进行初步处理、归一化处理和聚类处理,所述初步处理包括对运行特征进行筛选、清洗和/或去噪。
根据本发明第二方面的一种能够实现的方式,所述未来内部运行状态预测模块包括:
样本构建单元,用于根据高压架空输电线路出现异常现象时对应的历史运行数据构建训练集和测试集;
训练单元,用于构建基于深度神经网络的运行状态预测分析模型,根据所述训练集和所述测试集对所述运行状态预测分析模型进行训练和测试,当所述运行状态预测分析模型的预测精度达到预置精度标准时停止训练,得到训练好的运行状态预测分析模型;
预测单元,将所述高压架空输电线路的内部运行状态数据输入至所述训练好的运行状态预测分析模型,得到所述高压架空输电线路的未来内部运行状态预测结果。
根据本发明第二方面的一种能够实现的方式,所述样本构建单元具体用于:
采用预置的分类模型对所述异常现象的具体情况进行再分类,得到分类结果;
利用反馈神经网络对所述分类结果进行验证,将得到的概率最大的分类类别用于构建训练集和测试集。
根据本发明第二方面的一种能够实现的方式,所述训练单元具体用于:
设置所述运行状态预测分析模型的损失函数为:
设置所述运行状态预测分析模型的约束条件为:
本发明第三方面提供了一种高压架空输电线路运行状态监测及预警装置,包括:
存储器,用于存储指令;其中,所述指令用于实现如上任意一项能够实现的方式所述的高压架空输电线路运行状态监测及预警方法;
处理器,用于执行所述存储器中的指令。
本发明第四方面一种计算机可读存储介质,所述计算机可读存储介质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如上任意一项能够实现的方式所述的高压架空输电线路运行状态监测及预警方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明建立高压架空输电线路的多物理场耦合计算模型,通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,基于所述目标参数构建高压架空输电线路参数反演模型;根据所述高压架空输电线路参数反演模型,计算得到所述高压架空输电线路的内部参数分布情况;基于所述内部参数分布情况实时监控所述高压架空输电线路的运行特征,基于得到的运行特征,采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估,得到内部运行状态评估结果;根据所述高压架空输电线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,得到未来内部运行状态预测结果;最后,基于所述内部运行状态评估结果或所述未来内部运行状态预测结果分析到异常现象时,发出预警信息;本发明实现了对高压架空输电线路运行状态的实时监测和预警,有效提高了高压架空输电线路监测的可靠性和实时性。
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为本发明一个可选实施例提供的一种高压架空输电线路运行状态监测及预警方法的流程图;
图2为本发明一个可选实施例提供的一种高压架空输电线路运行状态监测及预警装置的原理框图。
附图标记:
1-模型构建模块;2-内部参数分布情况计算模块;3-内部运行状态评估模块;4-未来内部运行状态预测模块;5-预警模块。
具体实施方式
本发明实施例提供了一种高压架空输电线路运行状态监测及预警方法及装置,用于解决目前高压架空输电线路监测方式存在可靠性低和实时性差的缺点的技术问题。
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。
本发明提供了一种高压架空输电线路运行状态监测及预警方法。
请参阅图1,图1示出了本发明实施例提供的一种高压架空输电线路运行状态监测及预警方法的流程图。
本发明实施例提供的一种高压架空输电线路运行状态监测及预警方法,包括:
步骤S1,建立高压架空输电线路的多物理场耦合计算模型,通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,基于所述目标参数构建高压架空输电线路参数反演模型。
在一种能够实现的方式中,所述通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,包括:
将待优化反演的模型参数作为优化参数,基于高压架空输电线路的单物理场的物理量确定优化目标,并构建所述优化目标的目标函数;
将所述优化参数的初始值作为所述多物理场耦合计算模型的输入进行计算,确定各所述优化参数对应的目标函数优化输出值;
将目标函数优化输出值在预置合理范围内的对应优化参数作为待优化反演的目标参数。
本发明实施例中,在构建高压架空输电线路参数反演模型时,对待优化反演的模型参数先进行筛选处理,根据目标函数优化输出值是否在预置合理范围内来确定待优化反演的目标参数,能够提高高压架空输电线路参数反演模型的精度,从而有利于提高后续架空输电线路的内部参数分布情况计算的精度。
其中,在高压架空输电线路的多物理场耦合计算模型时,首先根据高压架空输电线路设备的尺寸和内部结构进行建模,其次仿真并测量高压架空输电线路设备内部的单物理场,通过逐步增加单物理场之间的耦合关系,来建立高压架空输电线路的多物理场耦合计算模型。
在一种能够实现的方式中,构建所述优化目标的目标函数为:
在一种能够实现的方式中,构建高压架空输电线路参数反演模型时,可以依托于贝叶斯反演理论进行建立,相应的模型表现形式为:
步骤S2,根据所述高压架空输电线路参数反演模型,计算得到所述高压架空输电线路的内部参数分布情况。
步骤S3,基于所述内部参数分布情况实时监控所述高压架空输电线路的运行特征,基于得到的运行特征,采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估,得到内部运行状态评估结果。
在一种能够实现的方式中,在采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估之前,先对得到的运行特征进行预处理。
其中,所述预处理包括对运行特征进行初步处理、归一化处理和聚类处理,所述初步处理包括对运行特征进行筛选、清洗和/或去噪。
具体地,为实现对运行特征的筛选,预先根据实际情况构建典型案例标准。当运行特征不符合该典型案例标准时,则去除该运行特征,从而保留符合典型案例标准的运行特征。本实施例中,对典型案例标准的具体设置方面不做限定。
在对运行特征进行去噪时,可以基于以下去噪过程:
建立基于运行特征的时间和空间的二维分布数据;
选取无振动时刻的运行特征和第n个空间点的运行特征,利用傅里叶变换分别计算其与第n个空间点的运行特征的幅值和相位,得到第n个空间点的谱减法结果;
对第n个空间点的谱减法结果进行傅里叶变换的逆变换,得到去噪后的运行特征。
具体地,对运行特征进行归一化处理时,可以基于下列归一化公式:
在对运行特征进行聚类处理时,可以基于下述过程:
可以基于现有的聚类算法对运行特征进行聚类,本发明实施例中,对此不做限定。
本发明上述实施例中,通过对运行特征进行预处理,再采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估,能够避免错误或者没有达到标准的运行特征数据影响到内部运行状态评估精度,提高对高压架空输电线路监测和预警的精度。
作为一种能够实现的方式,可以预置状态评估模型为:
步骤S4,根据所述高压架空输电线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,得到未来内部运行状态预测结果。
在一种能够实现的方式中,所述根据所述高压架空输电线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,包括:
根据高压架空输电线路出现异常现象时对应的历史运行数据构建训练集和测试集;
构建基于深度神经网络的运行状态预测分析模型,根据所述训练集和所述测试集对所述运行状态预测分析模型进行训练和测试,当所述运行状态预测分析模型的预测精度达到预置精度标准时停止训练,得到训练好的运行状态预测分析模型;
将所述高压架空输电线路的内部运行状态数据输入至所述训练好的运行状态预测分析模型,得到所述高压架空输电线路的未来内部运行状态预测结果。
其中,构建训练集和测试集时,采用预置的分类模型对所述异常现象的具体情况进行再分类,得到分类结果,进而利用反馈神经网络对所述分类结果进行验证,将得到的概率最大的分类类别用于构建训练集和测试集。
本发明实施例中,将得到的概率最大的分类类别用于构建训练集和测试集,可以提高样本精度,为后续得到精度较高的运行状态预测分析模型奠定良好的数据基础。
作为一种能够实现的方式,可以设置分类模型为:
需要说明的是,还可以基于其他现有的分类模型对所述异常现象的具体情况进行再分类。
在一种能够实现的方式中,所述构建基于深度神经网络的运行状态预测分析模型,包括:
设置所述运行状态预测分析模型的损失函数为:
设置所述运行状态预测分析模型的约束条件为:
步骤S5,基于所述内部运行状态评估结果或所述未来内部运行状态预测结果分析到异常现象时,发出预警信息。
作为一种具体的实施方式,可以设置内部运行状态评估的第一阈值和未来内部运行状态预测的第二阈值,进而在所述内部运行状态评估结果大于第一阈值时,和/或,所述未来内部运行状态预测结果大于第二阈值时,判定高压架空输电线路出现异常现象,此时发出预警信息。
在发出预警信息时,可以匹配数据库中的诊断策略及解决方案,并通过可视化界面进行显示。
本发明上述实施例,可以对高压架空输电线路的未来几小时或几天的内部运行状态进行预测分析,及时预测异常现象并发出预警信息,为运维人员处理异常现象提供重要的依据,并为故障的提前处理创造宝贵的时间。
本发明还提供了一种高压架空输电线路运行状态监测及预警装置。该装置可用于实现如上任意一项实施例所述的高压架空输电线路运行状态监测及预警方法。
请参阅图2,图2示出了本发明实施例提供的一种高压架空输电线路运行状态监测及预警装置的原理框图。
本发明实施例提供了一种高压架空输电线路运行状态监测及预警装置,包括:
模型构建模块1,用于建立高压架空输电线路的多物理场耦合计算模型,通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,基于所述目标参数构建高压架空输电线路参数反演模型;
内部参数分布情况计算模块2,用于根据所述高压架空输电线路参数反演模型,计算得到所述高压架空输电线路的内部参数分布情况;
内部运行状态评估模块3,用于基于所述内部参数分布情况实时监控所述高压架空输电线路的运行特征,基于得到的运行特征,采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估,得到内部运行状态评估结果;
未来内部运行状态预测模块4,用于根据所述高压架空输电线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,得到未来内部运行状态预测结果;
预警模块5,用于基于所述内部运行状态评估结果或所述未来内部运行状态预测结果分析到异常现象时,发出预警信息。
在一种能够实现的方式中,所述模型构建模块1包括:
初始化单元,用于将待优化反演的模型参数作为优化参数,基于高压架空输电线路的单物理场的物理量确定优化目标,并构建所述优化目标的目标函数;
计算单元,用于将所述优化参数的初始值作为所述多物理场耦合计算模型的输入进行计算,确定各所述优化参数对应的目标函数优化输出值;
目标参数确定单元,用于将目标函数优化输出值在预置合理范围内的对应优化参数作为待优化反演的目标参数。
在一种能够实现的方式中,所述初始化单元具体用于:
构建所述优化目标的目标函数为:
在一种能够实现的方式中,所述内部运行状态评估模块3包括:
预处理单元,用于对得到的运行特征进行预处理,所述预处理包括对运行特征进行初步处理、归一化处理和聚类处理,所述初步处理包括对运行特征进行筛选、清洗和/或去噪。
在一种能够实现的方式中,所述未来内部运行状态预测模块4包括:
样本构建单元,用于根据高压架空输电线路出现异常现象时对应的历史运行数据构建训练集和测试集;
训练单元,用于构建基于深度神经网络的运行状态预测分析模型,根据所述训练集和所述测试集对所述运行状态预测分析模型进行训练和测试,当所述运行状态预测分析模型的预测精度达到预置精度标准时停止训练,得到训练好的运行状态预测分析模型;
预测单元,将所述高压架空输电线路的内部运行状态数据输入至所述训练好的运行状态预测分析模型,得到所述高压架空输电线路的未来内部运行状态预测结果。
在一种能够实现的方式中,所述样本构建单元具体用于:
采用预置的分类模型对所述异常现象的具体情况进行再分类,得到分类结果;
利用反馈神经网络对所述分类结果进行验证,将得到的概率最大的分类类别用于构建训练集和测试集。
在一种能够实现的方式中,所述训练单元具体用于:
设置所述运行状态预测分析模型的损失函数为:
设置所述运行状态预测分析模型的约束条件为:
本发明还提供了一种高压架空输电线路运行状态监测及预警装置,包括:
存储器,用于存储指令;其中,所述指令用于实现如上任意一项实施例所述的高压架空输电线路运行状态监测及预警方法;
处理器,用于执行所述存储器中的指令。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质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如上任意一项实施例所述的高压架空输电线路运行状态监测及预警方法。
所属领域的技术人员可以清楚地了解到,为描述地方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,上述描述的装置和模块的具体有益效果,可以参考前述方法实施例中的对应有益效果,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,所述模块的划分,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,例如多个模块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,装置或模块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模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块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模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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)
1.一种高压架空输电线路运行状态监测及预警方法,其特征在于,包括:
建立高压架空输电线路的多物理场耦合计算模型,通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,基于所述目标参数构建高压架空输电线路参数反演模型;
根据所述高压架空输电线路参数反演模型,计算得到所述高压架空输电线路的内部参数分布情况;
基于所述内部参数分布情况实时监控所述高压架空输电线路的运行特征,基于得到的运行特征,采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估,得到内部运行状态评估结果;
根据所述高压架空输电线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,得到未来内部运行状态预测结果;
基于所述内部运行状态评估结果或所述未来内部运行状态预测结果分析到异常现象时,发出预警信息。
2.根据权利要求1所述的高压架空输电线路运行状态监测及预警方法,其特征在于,所述通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,包括:
将待优化反演的模型参数作为优化参数,基于高压架空输电线路的单物理场的物理量确定优化目标,并构建所述优化目标的目标函数;
将所述优化参数的初始值作为所述多物理场耦合计算模型的输入进行计算,确定各所述优化参数对应的目标函数优化输出值;
将目标函数优化输出值在预置合理范围内的对应优化参数作为待优化反演的目标参数。
4.根据权利要求1所述的高压架空输电线路运行状态监测及预警方法,其特征在于,所述基于得到的运行特征,采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估,包括:
对得到的运行特征进行预处理,所述预处理包括对运行特征进行初步处理、归一化处理和聚类处理,所述初步处理包括对运行特征进行筛选、清洗和/或去噪。
5.根据权利要求1所述的高压架空输电线路运行状态监测及预警方法,其特征在于,所述根据所述高压架空输电线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,包括:
根据高压架空输电线路出现异常现象时对应的历史运行数据构建训练集和测试集;
构建基于深度神经网络的运行状态预测分析模型,根据所述训练集和所述测试集对所述运行状态预测分析模型进行训练和测试,当所述运行状态预测分析模型的预测精度达到预置精度标准时停止训练,得到训练好的运行状态预测分析模型;
将所述高压架空输电线路的内部运行状态数据输入至所述训练好的运行状态预测分析模型,得到所述高压架空输电线路的未来内部运行状态预测结果。
6.根据权利要求5所述的高压架空输电线路运行状态监测及预警方法,其特征在于,所述根据高压架空输电线路出现异常现象时对应的历史运行数据构建训练集和测试集,包括:
采用预置的分类模型对所述异常现象的具体情况进行再分类,得到分类结果;
利用反馈神经网络对所述分类结果进行验证,将得到的概率最大的分类类别用于构建训练集和测试集。
8.一种高压架空输电线路运行状态监测及预警装置,其特征在于,包括:
模型构建模块,用于建立高压架空输电线路的多物理场耦合计算模型,通过所述多物理场耦合计算模型对各单物理场进行计算,根据得到的计算结果确定待优化反演的目标参数,基于所述目标参数构建高压架空输电线路参数反演模型;
内部参数分布情况计算模块,用于根据所述高压架空输电线路参数反演模型,计算得到所述高压架空输电线路的内部参数分布情况;
内部运行状态评估模块,用于基于所述内部参数分布情况实时监控所述高压架空输电线路的运行特征,基于得到的运行特征,采用预置的状态评估模型对所述高压架空输电线路的内部运行状态进行评估,得到内部运行状态评估结果;
未来内部运行状态预测模块,用于根据所述高压架空输电线路的历史运行数据及内部运行状态数据,基于神经网络算法预测所述高压架空输电线路的未来内部运行状态,得到未来内部运行状态预测结果;
预警模块,用于基于所述内部运行状态评估结果或所述未来内部运行状态预测结果分析到异常现象时,发出预警信息。
9.一种高压架空输电线路运行状态监测及预警装置,其特征在于,包括:
存储器,用于存储指令;其中,所述指令用于实现如权利要求1-7任意一项所述的高压架空输电线路运行状态监测及预警方法;
处理器,用于执行所述存储器中的指令。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1-7任意一项所述的高压架空输电线路运行状态监测及预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211314625.6A CN115392056A (zh) | 2022-10-26 | 2022-10-26 | 一种高压架空输电线路运行状态监测及预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211314625.6A CN115392056A (zh) | 2022-10-26 | 2022-10-26 | 一种高压架空输电线路运行状态监测及预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115392056A true CN115392056A (zh) | 2022-11-25 |
Family
ID=84129044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211314625.6A Pending CN115392056A (zh) | 2022-10-26 | 2022-10-26 | 一种高压架空输电线路运行状态监测及预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392056A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841255A (zh) * | 2022-12-27 | 2023-03-24 | 济南市工程质量与安全中心 | 基于在线分析的建筑工程现场预警方法及系统 |
CN116576924A (zh) * | 2023-07-13 | 2023-08-11 | 陕西协成测试技术有限公司 | 一种长距离输电线路的检测报警装置 |
CN115841255B (zh) * | 2022-12-27 | 2024-05-31 | 济南市工程质量与安全中心 | 基于在线分析的建筑工程现场预警方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657914A (zh) * | 2015-03-09 | 2015-05-27 | 云南电网公司昆明供电局 | 架空输电线路的运行状态评估的数学模型的建立方法 |
CN113096146A (zh) * | 2021-04-02 | 2021-07-09 | 贵州电网有限责任公司 | 一种基于5g与ai识别技术的输电线路覆冰监控预警系统、安装设备及方法 |
CN113204922A (zh) * | 2021-05-17 | 2021-08-03 | 上海交通大学 | 一种变压器运行状态监控与预测方法 |
CN113204887A (zh) * | 2021-05-17 | 2021-08-03 | 上海交通大学 | 一种电力装备的多物理场多参数反演方法 |
CN113554360A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种输电线路运行状态可视化管理方法、系统及存储介质 |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN114896872A (zh) * | 2022-04-20 | 2022-08-12 | 三峡大学 | 一种高压输电线路覆冰状态综合评估方法 |
-
2022
- 2022-10-26 CN CN202211314625.6A patent/CN115392056A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657914A (zh) * | 2015-03-09 | 2015-05-27 | 云南电网公司昆明供电局 | 架空输电线路的运行状态评估的数学模型的建立方法 |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN113096146A (zh) * | 2021-04-02 | 2021-07-09 | 贵州电网有限责任公司 | 一种基于5g与ai识别技术的输电线路覆冰监控预警系统、安装设备及方法 |
CN113204922A (zh) * | 2021-05-17 | 2021-08-03 | 上海交通大学 | 一种变压器运行状态监控与预测方法 |
CN113204887A (zh) * | 2021-05-17 | 2021-08-03 | 上海交通大学 | 一种电力装备的多物理场多参数反演方法 |
CN113554360A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种输电线路运行状态可视化管理方法、系统及存储介质 |
CN114896872A (zh) * | 2022-04-20 | 2022-08-12 | 三峡大学 | 一种高压输电线路覆冰状态综合评估方法 |
Non-Patent Citations (3)
Title |
---|
刘永生: "基于高压输电线路分布参数特征值分析法的运行状态在线监测系统及其装置研究", 《品牌(理论月刊)》 * |
宫宇等: "一种新颖的高压架空输电线路状态评估方法", 《电瓷避雷器》 * |
胡琛临等: "输电线路故障电流行波波形反演方法研究", 《陕西电力》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841255A (zh) * | 2022-12-27 | 2023-03-24 | 济南市工程质量与安全中心 | 基于在线分析的建筑工程现场预警方法及系统 |
CN115841255B (zh) * | 2022-12-27 | 2024-05-31 | 济南市工程质量与安全中心 | 基于在线分析的建筑工程现场预警方法及系统 |
CN116576924A (zh) * | 2023-07-13 | 2023-08-11 | 陕西协成测试技术有限公司 | 一种长距离输电线路的检测报警装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7107187B1 (en) | Method for modeling system performance | |
WO2017087440A1 (en) | Anomaly fusion on temporal casuality graphs | |
EP3716160A1 (en) | Learning parameters of a probabilistic model comprising gaussian processes | |
CN110532119B (zh) | 动力系统运行异常点检测方法 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
Skordilis et al. | A condition monitoring approach for real-time monitoring of degrading systems using Kalman filter and logistic regression | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
CN114692758A (zh) | 电力通信故障分析方法、装置、终端设备及介质 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN111796233A (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
JP2023533670A (ja) | 技術システムに対するリスクの影響推定 | |
Devaraj et al. | Uncertainty propagation in analytic availability models | |
Chen et al. | Remaining useful life prediction for complex systems with multiple indicators based on particle filter and parameter correlation | |
CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
CN117330963A (zh) | 储能电站故障检测方法、系统及设备 | |
CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
CN113887676B (zh) | 设备故障预警方法、装置、设备和存储介质 | |
Tian et al. | Statistical modeling and dependence analysis for tide level via multivariate extreme value distribution method | |
Balakrishnan et al. | First passage time of a Lévy degradation model with random effects | |
CN113406537B (zh) | 一种电力设备故障程度的定量评估方法 | |
CN114692903A (zh) | 用于设备故障检测的方法及终端设备 | |
Hart et al. | Wind site turbulence de‐trending using statistical moments: Evaluating existing methods and introducing a Gaussian process regression approach |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221125 |