CN116166993A - 电力线路故障类型识别方法及装置、电力系统、存储介质 - Google Patents

电力线路故障类型识别方法及装置、电力系统、存储介质 Download PDF

Info

Publication number
CN116166993A
CN116166993A CN202211678625.4A CN202211678625A CN116166993A CN 116166993 A CN116166993 A CN 116166993A CN 202211678625 A CN202211678625 A CN 202211678625A CN 116166993 A CN116166993 A CN 116166993A
Authority
CN
China
Prior art keywords
kernel function
power line
fault
recording data
kernel
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
CN202211678625.4A
Other languages
English (en)
Inventor
马天祥
贾伯岩
庞先海
曾四鸣
罗蓬
段昕
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211678625.4A priority Critical patent/CN116166993A/zh
Publication of CN116166993A publication Critical patent/CN116166993A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种电力线路故障类型识别方法及装置、电力系统、存储介质，本发明属于故障识别技术领域，该电力线路故障类型识别方法包括：获取候选的多个核函数，基于每个核函数对应的相似度和预测准确度从候选的多个核函数中筛选得到预设的支持向量机模型所采用的核函数；获取训练集，基于群智能优化算法以及训练集对确定好核函数的支持向量机模型进行参数寻优；获取待检测的电力线路的故障录波数据，将故障录波数据输入至参数寻优完成的支持向量机模型中，得到待检测的电力线路的故障类型。本发明可提高电力线路故障类型识别的准确性。

Description

电力线路故障类型识别方法及装置、电力系统、存储介质
技术领域
本发明属于故障识别技术领域，更具体地说，是涉及一种电力线路故障类型识别方法及装置、电力系统、存储介质。
背景技术
目前，基于分类器原理的各类故障识别算法层出不穷，在这其中，各类故障识别算法的应用准确性也参差不齐。在本领域中，进行电力线路的故障类型识别时，如何实现一种更为准确的基于分类器原理的故障类型识别方案也成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的在于提供一种电力线路故障类型识别方法及装置、电力系统、存储介质，以提高电力线路故障类型识别的准确性。
本发明实施例的第一方面，提供了一种电力线路故障类型识别方法，包括：
获取候选的多个核函数，基于每个核函数对应的相似度和预测准确度从所述候选的多个核函数中筛选得到预设的支持向量机模型所采用的核函数；每个核函数对应的相似度为该核函数对应的核矩阵与校准矩阵的相似度，每个核函数对应的预测准确度为基于该核函数训练的支持向量机模型的预测准确度；
获取训练集，基于群智能优化算法以及所述训练集对确定好核函数的所述支持向量机模型进行参数寻优；其中，所述训练集包含电力线路的历史故障录波数据及其对应的电力线路的故障类型；
获取待检测的电力线路的故障录波数据，将所述故障录波数据输入至参数寻优完成的所述支持向量机模型中，得到待检测的电力线路的故障类型。
在一种可能的实现方式中，所述电力线路故障类型识别方法还包括：计算某个核函数对应的相似度；
所述计算某个核函数对应的相似度，包括：
获取多个两类样本集；其中，每个两类样本集中均包含两个不同电力线路故障类型的样本，所述样本指的是电力线路的历史故障录波数据；
将每个两类样本集经核函数映射后，得到该两类样本集对应的核矩阵；
计算每个两类样本集对应的核矩阵与校准矩阵的相似度，得到多个相似度；
将多个相似度的平均值作为该核函数对应的相似度。
在一种可能的实现方式中，所述电力线路故障类型识别方法还包括：计算每个核函数对应的预测准确度；
所述计算每个核函数对应的预测准确度，包括：
基于每个核函数训练得到一个支持向量机模型；
获取验证样本集；其中，所述验证样本集中包含电力线路的历史故障录波数据及其对应的电力线路的故障类型；
基于所述验证样本集对每个核函数对应的支持向量机模型进行准确度验证，得到每个核函数对应的预测准确度。
在一种可能的实现方式中，所述基于每个核函数对应的相似度和预测准确度从所述候选的多个核函数中筛选得到预设的支持向量机模型所采用的核函数，包括：
基于每个核函数对应的相似度和预测准确度确定每个核函数对应的综合指标值；
将综合值最高的核函数确定为预设的支持向量机模型所采用的核函数。
在一种可能的实现方式中，所述群智能优化算法为遗传算法，所述基于群智能优化算法以及所述训练集对确定好核函数的所述支持向量机模型进行参数寻优，包括：
将确定好核函数的所述支持向量机模型中需求解的参数的解作为种群个体，对每个个体进行基因编码，并初始化遗传算法中的相关参数；
对每个个体进行解码后，基于所述训练集以及交叉验证方法计算每个个体对应的适应度，并将适应度最高的个体作为当前的最优个体；其中，每个个体的适应度为该个体对应的交叉验证的准确度；
对种群进行选择、交叉、编译操作，得到下一代个体；
判断当前的算法迭代次数是否大于预设次数；若当前的算法迭代次数不大于预设次数，则返回执行对每个个体进行解码后，基于所述训练集以及交叉验证方法计算每个个体对应的适应度的步骤；若当前的算法迭代次数大于预设次数，则对当前适应度最高的个体进行解码，将解码后的该个体作为参数寻优的结构输出。
在一种可能的实现方式中，在获取训练集之前，所述电力线路故障类别识别方法还包括：确定历史故障录波数据；
所述确定历史故障录波数据，包括：
对电力线路的录波数据进行处理，确定出所述录波数据中的故障点；
截取故障点前m个周波和后n个周波的数据作为历史故障录波数据；
其中，m和n均为预设值。
在一种可能的实现方式中，在获取训练集之前，所述电力线路故障类别识别方法还包括：
提取所述历史故障录波数据中频率小于预设频率的录波数据；
对频率小于预设频率的录波数据进行线性插值处理。
本发明实施例的第二方面，提供了一种电力线路故障类型识别装置，包括：
核函数确定模块，用于获取候选的多个核函数，基于每个核函数对应的相似度和预测准确度从所述候选的多个核函数中筛选得到预设的支持向量机模型所采用的核函数；每个核函数对应的相似度为该核函数对应的核矩阵与校准矩阵的相似度，每个核函数对应的预测准确度为基于该核函数训练的支持向量机模型的预测准确度；
参数寻优模块，用于获取训练集，基于群智能优化算法以及所述训练集对确定好核函数的所述支持向量机模型进行参数寻优；其中，所述训练集包含电力线路的历史故障录波数据及其对应的电力线路的故障类型；
故障类型检测模块，用于获取待检测的电力线路的故障录波数据，将所述故障录波数据输入至参数寻优完成的所述支持向量机模型中，得到待检测的电力线路的故障类型。
本发明实施例的第三方面，提供了一种电力系统，所述电力系统包括控制终端，所述控制终端包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的电力线路故障类型识别方法的步骤。
本发明实施例的第四方面，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存储有计算机程序，所述计算机程序被处理器执行时实现上述的电力线路故障类型识别方法的步骤。
本发明提供的电力线路故障类型识别方法及装置、电力系统、存储介质的有益效果在于：
区别于现有技术中根据经验选择核函数以及调整支持向量机模型参数的方式，本发明获取了多个核函数，根据各个核函数对应的相似度和预测准确性去选择支持向量机模型所采用的核函数，相对于现有技术，本发明选择的核函数更为客观和准确。在此基础上，本发明还采用群智能优化算法去对支持向量机模型中的参数进行寻优，将参数优化问题转换为了粒子寻优问题，因而提供了一种更好地参数优化方式，训练得到的支持向量机模型也更为准确。在此基础上，基于参数寻优完成的支持向量机模型去进行电力线路故障类型的识别，可以得到更为准确的识别结果。因此，本发明提高了电力线路故障类型识别的准确率，有效解决了现有技术中的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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供的电力线路故障类型识别方法的流程示意图；
图2为本发明一实施例提供的电力线路故障类型识别装置的结构框图；
图3为本发明一实施例提供的控制终端的示意框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
请参考图1，图1为本发明一实施例提供的电力线路故障类型识别方法的流程示意图，该方法包括：
S101：获取候选的多个核函数，基于每个核函数对应的相似度和预测准确度从候选的多个核函数中筛选得到预设的支持向量机模型所采用的核函数。每个核函数对应的相似度为该核函数对应的核矩阵与校准矩阵的相似度，每个核函数对应的预测准确度为基于该核函数训练的支持向量机模型的预测准确度。
S102：获取训练集，基于群智能优化算法以及训练集对确定好核函数的支持向量机模型进行参数寻优。其中，训练集包含电力线路的历史故障录波数据及其对应的电力线路的故障类型。
S103：获取待检测的电力线路的故障录波数据，将故障录波数据输入至参数寻优完成的支持向量机模型中，得到待检测的电力线路的故障类型。
在支持向量机的分类器中，有几个比较重要的参数，分别为核函数的种类、核参数和惩罚因子。其中，核函数本质为映射函数，映射函数直接决定了特征空间，也就是说，核函数的确定影响了特征空间的确定，从而决定了样本数据子空间分布的复杂程度。核参数的改变直接改变了核函数的性能，惩罚因子描述的是模型复杂度和经验风险值之间的权重，因此，前述几个参数直接影响了分类器的学习能力和泛化能力。因此，本实施例步骤S101在于合理选择核函数，步骤S102在于对支持向量机模型的参数(主要是核参数和惩罚因子)进行参数寻优，在此基础上，步骤S103可直接应用训练完成的支持向量机模型进行电力线路故障类型的识别。
在本实施例中，首先需要指出核函数的概念。传统的对线性不可分数据进行分类的方法是将样本数据进行降维，但是这个方法有弊端，就是会损失一些信息，核函数的提出，将这个问题很容易地解决了。只要对核函数进行正确选择，就可以得到高维空间的分类函数，线性不可分数据的分类将变得简单。
设χ是Rn中的一个子集，若存在从到某一个Hilbert空间H的映射：
Figure BDA0004018137270000061
使得K(x,x′)＝(Φ(x)·Φ(x)′)，其中，(·)表示H中的内积，则称函数K(x,x′)为是在χ×χ上的核函数。
在本实施例中，候选的多个核函数包括但不限于Line核函数、Poly核函数、RBF核函数以及Sigmoid核函数。在此基础上，可通过计算每个候选的核函数对应的相似度以及预测准确度从候选的多个核函数中确定出本实施例中支持向量机模型所采用的核函数。
在本实施例中，群智能优化算法可以为粒子群算法、遗传算法、蛙跳算法等，也可以为两种群智能优化算法的结合，比如，粒子群算法和遗传算法的结合，本实施例不对此做具体限定。
在本实施例中，支持向量机模型用于接收电力线路的故障录波数据，并输出该故障录波数据对应的电力线路的故障类型。其中，电力线路的故障类型可以包含：山火、外力破坏、凝冰、异物、雷电以及对树木放电等。
从以上描述可知，区别于现有技术中根据经验选择核函数以及调整支持向量机模型参数的方式，本发明实施例获取了多个核函数，根据各个核函数对应的相似度和预测准确性去选择支持向量机模型所采用的核函数，相对于现有技术，本发明实施例选择的核函数更为客观和准确。在此基础上，本发明实施例还采用群智能优化算法去对支持向量机模型中的参数进行寻优，将参数优化问题转换为了粒子寻优问题，因而提供了一种更好地参数优化方式，训练得到的支持向量机模型也更为准确。在此基础上，基于参数寻优完成的支持向量机模型去进行电力线路故障类型的识别，可以得到更为准确的识别结果。因此，本发明实施例提高了电力线路故障类型识别的准确率，有效解决了现有技术中的问题。
在一种可能的实现方式中，电力线路故障类型识别方法还包括：计算某个核函数对应的相似度。计算某个核函数对应的相似度，包括：
获取多个两类样本集。其中，每个两类样本集中均包含两个不同电力线路故障类型的样本，样本指的是电力线路的历史故障录波数据。
将每个两类样本集经核函数映射后，得到该两类样本集对应的核矩阵。
计算每个两类样本集对应的核矩阵与校准矩阵的相似度，得到多个相似度。
将多个相似度的平均值作为该核函数对应的相似度。
在本实施例中，设样本集为{xi}，i＝1,2,…,n，xi∈Rd(d表示d维空间)。核矩阵就是将输入向量xi和xj带入到核函数中，表示为K(xi,xj)，有：
Figure BDA0004018137270000071
其中xi和xj为不同故障类型的样本。
在本实施例中，校准矩阵是由每类样本对应的故障类型(或者说类别标识)组合成的矩阵。比如，有一个d维样本xi构成的样本集S，其中，i＝1,2,…,l。样本属于两类，故障类型(或者说类别标识)分别为+1和-1，则标识集合Y＝{yi|yi∈±1,i＝1,2,…,l}，Y写成向量形式为Y＝{y1,y2,…,yl}T，则校准矩阵为
Figure BDA0004018137270000081
在此基础上，性能优良的核函数的核矩阵应该与校准矩阵越相似越好，也就是尽量满足：
Figure BDA0004018137270000082
因此，本发明会计算该核函数的核矩阵与校准矩阵的相似度来作为核函数是否合适的评判指标之一。
在本实施例中，可通过
Figure BDA0004018137270000083
计算两个矩阵的相似度S(A,B)，其中，A为某个两类样本集对应的核矩阵，B为对应的校准矩阵，矩阵A和矩阵B均是相同维度的矩阵。
在本实施例中，每个两类样本集对应的核矩阵与校准矩阵进行相似度计算后，都可以得到一个相似度(也即可以得到多个相似度)。本实施例将所有两类样本集对应得到的相似度的平均值作为该核函数对应的相似度。
在一种可能的实现方式中，电力线路故障类型识别方法还包括：计算每个核函数对应的预测准确度。
计算每个核函数对应的预测准确度，包括：
基于每个核函数训练得到一个支持向量机模型。
获取验证样本集。其中，验证样本集中包含电力线路的历史故障录波数据及其对应的电力线路的故障类型。
基于验证样本集对每个核函数对应的支持向量机模型进行准确度验证，得到每个核函数对应的预测准确度。
在本实施例中，可以按照常规的训练方法，基于每个核函数都对应训练一个支持向量机模型，在此基础上，可以获取验证样本集来验证每个支持向量机模型的预测准确度，将每个支持向量机模型的预测准确度作为对应的核函数的预测准确度。
在本实施例中，基于验证样本集对某个核函数对应的支持向量机模型进行准确度验证，得到该核函数对应的预测准确度，可以详述为：
将验证样本集中每个样本的历史故障录波数据输入至该核函数对应的支持向量机模型中，得到该核函数对应的支持向量机模型输出的故障类型。
获取故障类型一致的样本的数量，将故障类型一致的样本的数量与验证样本集中样本的总数量的比值确定为该核函数对应的预测准确度。
其中，故障类型一致指的是该核函数对应的支持向量机模型输出的故障类型与样本中携带的电力线路的故障类型一致。
通过上述方法即可确定出每个核函数对应的预测准确度。
在一种可能的实现方式中，基于每个核函数对应的相似度和预测准确度从候选的多个核函数中筛选得到预设的支持向量机模型所采用的核函数，包括：
基于每个核函数对应的相似度和预测准确度确定每个核函数对应的综合指标值。
将综合值最高的核函数确定为预设的支持向量机模型所采用的核函数。
在本实施例中，综合指标值的计算方法可以为：
Figure BDA0004018137270000091
其中，ζi表示第i个核函数对应的综合指标值，μi为第i个核函数对应的相似度，vi为第i个核函数对应的预测准确度，κ为预设系数。
在一种可能的实现方式中，群智能优化算法为遗传算法，基于群智能优化算法以及训练集对确定好核函数的支持向量机模型进行参数寻优，包括：
将确定好核函数的支持向量机模型中需求解的参数的解作为种群个体，对每个个体进行基因编码，并初始化遗传算法中的相关参数。
对每个个体进行解码后，基于训练集以及交叉验证方法计算每个个体对应的适应度，并将适应度最高的个体作为当前的最优个体。其中，每个个体的适应度为该个体对应的交叉验证的准确度。
对种群进行选择、交叉、编译操作，得到下一代个体。
判断当前的算法迭代次数是否大于预设次数。若当前的算法迭代次数不大于预设次数，则返回执行对每个个体进行解码后，基于训练集以及交叉验证方法计算每个个体对应的适应度的步骤。若当前的算法迭代次数大于预设次数，则对当前适应度最高的个体进行解码，将解码后的该个体作为参数寻优的结构输出。
在本实施例中，需求解的参数主要包含核参数以及惩罚因子等。
在本实施例中，在进行交叉验证时，可将训练集划分为8个训练子集，利用8个训练子集进行八折交叉验证，将八折交叉验证的准确度作为每个个体(每个解)的适应度。
在一种可能的实现方式中，在获取训练集之前，电力线路故障类别识别方法还包括：确定历史故障录波数据。
确定历史故障录波数据，包括：
对电力线路的录波数据进行处理，确定出录波数据中的故障点。
截取故障点前m个周波和后n个周波的数据作为历史故障录波数据。
其中，m和n均为预设值。
在本实施例中，可取故障点前后周波的数据作为故障录波数据，比如，可以截取故障点前两个周波和后十个周波的数据作为故障录波数据。
相应的，获取待检测的电力线路的故障录波数据时，也可截取故障点前m个周波和后n个周波的数据作为待检测的电力线路的故障录波数据。
在一种可能的实现方式中，在获取训练集之前，电力线路故障类别识别方法还包括：
提取历史故障录波数据中频率小于预设频率的录波数据。
对频率小于预设频率的录波数据进行线性插值处理。
在本实施例中，为了获得完整的数据，还可对小于预设频率的录波数据进行线性插值处理，以保证后续模型训练的准确度。
相应的，获取待检测的电力线路的故障录波数据时，也可提取当前的故障录波数据中频率小于预设频率的录波数据，对频率小于预设频率的录波数据进行线性插值处理，以保证支持向量机模型检测的准确度。
对应于上文实施例的电力线路故障类型识别方法，图2为本发明一实施例提供的电力线路故障类型识别装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图2，该电力线路故障类型识别装置20包括：核函数确定模块21、参数寻优模块22、故障类型检测模块23。
其中，核函数确定模块21，用于获取候选的多个核函数，基于每个核函数对应的相似度和预测准确度从候选的多个核函数中筛选得到预设的支持向量机模型所采用的核函数。每个核函数对应的相似度为该核函数对应的核矩阵与校准矩阵的相似度，每个核函数对应的预测准确度为基于该核函数训练的支持向量机模型的预测准确度。
参数寻优模块22，用于获取训练集，基于群智能优化算法以及训练集对确定好核函数的支持向量机模型进行参数寻优。其中，训练集包含电力线路的历史故障录波数据及其对应的电力线路的故障类型。
故障类型检测模块23，用于获取待检测的电力线路的故障录波数据，将故障录波数据输入至参数寻优完成的支持向量机模型中，得到待检测的电力线路的故障类型。
在一种可能的实现方式中，核函数确定模块21还用于计算某个核函数对应的相似度。
计算某个核函数对应的相似度，包括：
获取多个两类样本集。其中，每个两类样本集中均包含两个不同电力线路故障类型的样本，样本指的是电力线路的历史故障录波数据。
将每个两类样本集经核函数映射后，得到该两类样本集对应的核矩阵。
计算每个两类样本集对应的核矩阵与校准矩阵的相似度，得到多个相似度。
将多个相似度的平均值作为该核函数对应的相似度。
在一种可能的实现方式中，核函数确定模块21还用于计算每个核函数对应的预测准确度。
计算每个核函数对应的预测准确度，包括：
基于每个核函数训练得到一个支持向量机模型。
获取验证样本集。其中，验证样本集中包含电力线路的历史故障录波数据及其对应的电力线路的故障类型。
基于验证样本集对每个核函数对应的支持向量机模型进行准确度验证，得到每个核函数对应的预测准确度。
在一种可能的实现方式中，核函数确定模块21具体用于：
基于每个核函数对应的相似度和预测准确度确定每个核函数对应的综合指标值。
将综合值最高的核函数确定为预设的支持向量机模型所采用的核函数。
在一种可能的实现方式中，群智能优化算法为遗传算法，参数寻优模块22具体用于：
将确定好核函数的支持向量机模型中需求解的参数的解作为种群个体，对每个个体进行基因编码，并初始化遗传算法中的相关参数。
对每个个体进行解码后，基于训练集以及交叉验证方法计算每个个体对应的适应度，并将适应度最高的个体作为当前的最优个体。其中，每个个体的适应度为该个体对应的交叉验证的准确度。
对种群进行选择、交叉、编译操作，得到下一代个体。
判断当前的算法迭代次数是否大于预设次数。若当前的算法迭代次数不大于预设次数，则返回执行对每个个体进行解码后，基于训练集以及交叉验证方法计算每个个体对应的适应度的步骤。若当前的算法迭代次数大于预设次数，则对当前适应度最高的个体进行解码，将解码后的该个体作为参数寻优的结构输出。
在一种可能的实现方式中，参数寻优模块22在获取训练集之前，还用于确定历史故障录波数据。
确定历史故障录波数据，包括：
对电力线路的录波数据进行处理，确定出录波数据中的故障点。
截取故障点前m个周波和后n个周波的数据作为历史故障录波数据。
其中，m和n均为预设值。
在一种可能的实现方式中，参数寻优模块22在获取训练集之前，还用于：
提取历史故障录波数据中频率小于预设频率的录波数据。
对频率小于预设频率的录波数据进行线性插值处理。
本发明实施例还提供一种电力系统，该电力系统包括控制终端，参见图3，图3为本发明一实施例提供的控制终端的示意框图。如图3所示的本实施例中的终端300可以包括：一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序，计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中，处理器301被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图2所示模块21至23的功能。
应当理解，在本发明实施例中，所称处理器301可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备303可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器和随机存取存储器，并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如，存储器304还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的电力线路故障类型识别方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端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，所揭露的终端和方法，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，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。另外，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或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
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发明实施例方案的目的。
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，也可以是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。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种电力线路故障类型识别方法，其特征在于，包括：
获取候选的多个核函数，基于每个核函数对应的相似度和预测准确度从所述候选的多个核函数中筛选得到预设的支持向量机模型所采用的核函数；每个核函数对应的相似度为该核函数对应的核矩阵与校准矩阵的相似度，每个核函数对应的预测准确度为基于该核函数训练的支持向量机模型的预测准确度；
获取训练集，基于群智能优化算法以及所述训练集对确定好核函数的所述支持向量机模型进行参数寻优；其中，所述训练集包含电力线路的历史故障录波数据及其对应的电力线路的故障类型；
获取待检测的电力线路的故障录波数据，将所述故障录波数据输入至参数寻优完成的所述支持向量机模型中，得到待检测的电力线路的故障类型。
2.如权利要求1所述的电力线路故障类型识别方法，其特征在于，所述电力线路故障类型识别方法还包括：计算某个核函数对应的相似度；
所述计算某个核函数对应的相似度，包括：
获取多个两类样本集；其中，每个两类样本集中均包含两个不同电力线路故障类型的样本，所述样本指的是电力线路的历史故障录波数据；
将每个两类样本集经核函数映射后，得到该两类样本集对应的核矩阵；
计算每个两类样本集对应的核矩阵与校准矩阵的相似度，得到多个相似度；
将多个相似度的平均值作为该核函数对应的相似度。
3.如权利要求1所述的电力线路故障类型识别方法，其特征在于，所述电力线路故障类型识别方法还包括：计算每个核函数对应的预测准确度；
所述计算每个核函数对应的预测准确度，包括：
基于每个核函数训练得到一个支持向量机模型；
获取验证样本集；其中，所述验证样本集中包含电力线路的历史故障录波数据及其对应的电力线路的故障类型；
基于所述验证样本集对每个核函数对应的支持向量机模型进行准确度验证，得到每个核函数对应的预测准确度。
4.如权利要求2或3任一项所述的电力线路故障类型识别方法，其特征在于，所述基于每个核函数对应的相似度和预测准确度从所述候选的多个核函数中筛选得到预设的支持向量机模型所采用的核函数，包括：
基于每个核函数对应的相似度和预测准确度确定每个核函数对应的综合指标值；
将综合值最高的核函数确定为预设的支持向量机模型所采用的核函数。
5.如权利要求1所述的电力线路故障类型识别方法，其特征在于，所述群智能优化算法为遗传算法，所述基于群智能优化算法以及所述训练集对确定好核函数的所述支持向量机模型进行参数寻优，包括：
将确定好核函数的所述支持向量机模型中需求解的参数的解作为种群个体，对每个个体进行基因编码，并初始化遗传算法中的相关参数；
对每个个体进行解码后，基于所述训练集以及交叉验证方法计算每个个体对应的适应度，并将适应度最高的个体作为当前的最优个体；其中，每个个体的适应度为该个体对应的交叉验证的准确度；
对种群进行选择、交叉、编译操作，得到下一代个体；
判断当前的算法迭代次数是否大于预设次数；若当前的算法迭代次数不大于预设次数，则返回执行对每个个体进行解码后，基于所述训练集以及交叉验证方法计算每个个体对应的适应度的步骤；若当前的算法迭代次数大于预设次数，则对当前适应度最高的个体进行解码，将解码后的该个体作为参数寻优的结构输出。
6.如权利要求1所述的电力线路故障类型识别方法，其特征在于，在获取训练集之前，所述电力线路故障类别识别方法还包括：确定历史故障录波数据；
所述确定历史故障录波数据，包括：
对电力线路的录波数据进行处理，确定出所述录波数据中的故障点；
截取故障点前m个周波和后n个周波的数据作为历史故障录波数据；
其中，m和n均为预设值。
7.如权利要求6所述的电力线路故障类型识别方法，其特征在于，在获取训练集之前，所述电力线路故障类别识别方法还包括：
提取所述历史故障录波数据中频率小于预设频率的录波数据；
对频率小于预设频率的录波数据进行线性插值处理。
8.一种电力线路故障类型识别装置，其特征在于，包括：
核函数确定模块，用于获取候选的多个核函数，基于每个核函数对应的相似度和预测准确度从所述候选的多个核函数中筛选得到预设的支持向量机模型所采用的核函数；每个核函数对应的相似度为该核函数对应的核矩阵与校准矩阵的相似度，每个核函数对应的预测准确度为基于该核函数训练的支持向量机模型的预测准确度；
参数寻优模块，用于获取训练集，基于群智能优化算法以及所述训练集对确定好核函数的所述支持向量机模型进行参数寻优；其中，所述训练集包含电力线路的历史故障录波数据及其对应的电力线路的故障类型；
故障类型检测模块，用于获取待检测的电力线路的故障录波数据，将所述故障录波数据输入至参数寻优完成的所述支持向量机模型中，得到待检测的电力线路的故障类型。
9.一种电力系统，其特征在于，包括：控制终端；
所述控制终端包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202211678625.4A 2022-12-26 2022-12-26 电力线路故障类型识别方法及装置、电力系统、存储介质 Pending CN116166993A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211678625.4A CN116166993A (zh) 2022-12-26 2022-12-26 电力线路故障类型识别方法及装置、电力系统、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211678625.4A CN116166993A (zh) 2022-12-26 2022-12-26 电力线路故障类型识别方法及装置、电力系统、存储介质

Publications (1)

Publication Number Publication Date
CN116166993A true CN116166993A (zh) 2023-05-26

Family

ID=86415680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211678625.4A Pending CN116166993A (zh) 2022-12-26 2022-12-26 电力线路故障类型识别方法及装置、电力系统、存储介质

Country Status (1)

Country Link
CN (1) CN116166993A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250942A (zh) * 2023-11-15 2023-12-19 成都态坦测试科技有限公司 故障预测方法、模型的确定方法、装置、设备及存储介质
CN117856823A (zh) * 2024-01-17 2024-04-09 深圳市富优镁科技有限公司 一种异常电力载波信号识别方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250942A (zh) * 2023-11-15 2023-12-19 成都态坦测试科技有限公司 故障预测方法、模型的确定方法、装置、设备及存储介质
CN117250942B (zh) * 2023-11-15 2024-02-27 成都态坦测试科技有限公司 故障预测方法、模型的确定方法、装置、设备及存储介质
CN117856823A (zh) * 2024-01-17 2024-04-09 深圳市富优镁科技有限公司 一种异常电力载波信号识别方法及装置

Similar Documents

Publication Publication Date Title
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
Tofighi et al. Prior information guided regularized deep learning for cell nucleus detection
CN116166993A (zh) 电力线路故障类型识别方法及装置、电力系统、存储介质
CN113295702B (zh) 电气设备故障诊断模型训练方法和电气设备故障诊断方法
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
CN110046622A (zh) 一种有目标的攻击样本生成方法、装置、设备及存储介质
CN111798047A (zh) 风控预测方法、装置、电子设备及存储介质
CN116681497A (zh) 基于图神经网络的资金风险识别方法、计算机装置及计算机可读存储介质
CN114912720A (zh) 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN111582315B (zh) 样本数据处理方法、装置及电子设备
CN110175500B (zh) 指静脉比对方法、装置、计算机设备及存储介质
CN117768022A (zh) 光纤检测模型的训练方法、光纤检测方法及相关设备
CN117591813A (zh) 基于多维特征的复杂装备故障诊断方法及系统
CN113762151A (zh) 一种故障数据处理方法、系统及故障预测方法
CN112861743A (zh) 一种掌静脉图像防伪方法、装置和设备
CN113095392A (zh) 异常业务识别方法及装置
CN116503932B (zh) 重点区域加权的眼周特征提取方法、系统及存储介质
CN111666991A (zh) 基于卷积神经网络的模式识别方法、装置和计算机设备
CN111126501A (zh) 一种图像识别方法、终端设备及存储介质
CN114547552A (zh) 模拟数据的生成方法、装置、智能终端及存储介质
CN116258579B (zh) 用户信用评分模型的训练方法及用户信用评分方法
CN113159957B (zh) 一种交易处理方法及装置
CN117476110B (zh) 基于人工智能的多尺度生物标记物发现系统
CN116843432B (zh) 一种基于地址文本信息的反欺诈方法和装置
CN112613549A (zh) 用户分类方法及系统

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