CN117494026B - 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 - Google Patents
寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117494026B CN117494026B CN202311837694.XA CN202311837694A CN117494026B CN 117494026 B CN117494026 B CN 117494026B CN 202311837694 A CN202311837694 A CN 202311837694A CN 117494026 B CN117494026 B CN 117494026B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- prediction model
- data set
- state
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005070 sampling Methods 0.000 claims abstract description 58
- 230000003416 augmentation Effects 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000013434 data augmentation Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 73
- 230000008014 freezing Effects 0.000 claims description 35
- 238000007710 freezing Methods 0.000 claims description 35
- 238000012795 verification Methods 0.000 claims description 29
- 238000009825 accumulation Methods 0.000 claims description 22
- 238000002679 ablation Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 16
- 238000012806 monitoring device Methods 0.000 claims description 15
- 230000003190 augmentative effect Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 19
- 230000008859 change Effects 0.000 description 16
- 239000011248 coating agent Substances 0.000 description 8
- 238000000576 coating method Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008018 melting Effects 0.000 description 5
- 238000002844 melting Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Neurology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了寒潮气象下输电线路覆冰故障定位方法、系统及存储介质,方法包括通过双门限机制对故障特征数据集进行划分并利用Wasserstein生成对抗网络进行数据增广得到第一增广数据集和第二增广数据集;构建第一故障概率预测模型和第二故障概率预测模型;基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型;将实时获取的采样时序下的采样数据输入至故障概率协同预测模型得到线路故障状况并对线路故障进行定位。本申请的有益效果:区分不同覆冰状态下时序影响,提高对输电线路故障状态预测定位的准确度。
Description
技术领域
本申请涉及电网故障预测技术领域,尤其涉及寒潮气象下输电线路覆冰故障定位方法、系统及存储介质。
背景技术
随着全球气温升高,寒潮天气频发,对于大型系统,特别是工业系统,其运行是十分复杂的,其运行涉及到对多个属性的控制。要在恶劣天气下准确把握其运行的状况,其中重要的一项技术就是故障诊断。大型系统一旦发生运行故障,那么必将导致不可估量的人身、财产损失,所以及时发现系统运行时的故障对系统运行的控制至关重要。故障诊断技术能够在容许的时间区间内探测系统运行的故障,从而指导技术人员排查和解决相关故障。
目前,对气象因素作用下电网运行故障预测进行分析主要采取知识驱动的方法。一方面,参考电网调度运行人员的经验,综合考虑电网潮流分布情况、设备运行状态以及历史故障信息,粗略评价电网运行风险水平和主要风险点;另一方面,利用统计学相关理论知识,对发电部分、输电部分、电力负荷等不同电力环节建立相关电力预测模型与故障统计模型,利用电网实际运行中积累的大量历史数据,从宏观统计的角度出发,研究并掌握气象对电力系统各个环节的作用规律,从而指导电网风险评估、防控工作。近年来随着大数据、人工智能技术的兴起,在大量历史数据做驱动的条件下,机器学习、深度学习算法在各个领域都表现出极高的预测精度与适用性。大量的历史数据表明,电网运行故障与气象条件、极端气象事件等有着极为紧密的联系。因此,亟待一种解决如何基于气象大数据进行寒潮气象下电网故障定位,为基于数值气象数据的电网风险评估、风险防控理论体系提供基础。
中国专利《一种线路覆冰故障预测方法、系统、存储介质及设备》,公开号:CN116050599A,公开日:2023年05月02日,具体公开了收集覆冰数据集,覆冰数据集包括历史气象数据、当前气象数据、历史覆冰数据、设备信息、检修信息以及故障信息;对覆冰数据集进行预处理;基于历史气象数据和历史覆冰数据,构建气象覆冰模型;将当前气象数据输入气象覆冰模型中,预测出覆冰区域;基于覆冰区域以及设备信息,通过计算得出覆冰线路;将覆冰数据集进行分析,计算出线路覆冰故障的特征,构建线路覆冰故障模型;获取覆冰线路的特征,输入线路覆冰故障模型中,得到覆冰线路的预测故障情况。该方案中通过对覆冰数据集进行分析获取线路覆冰故障的特征,以覆冰线路的当前特征判断当前线路是否会故障,并未考虑到覆冰时间的长短对线路故障的影响,同时并没有考虑处于覆冰消融和覆冰累积状态下对线路故障的影响。
中国专利《配电网线路覆冰故障预测方法、装置、设备及存储介质》,公开号:CN116021981A,公开日:2023年04月28日,具体公开了对原始气象监测数据进行特征提取,构建目标时间序列集,所述目标时间序列集包含目标时间序列样本和目标时间序列标记;将所述目标时间序列样本输入至预先训练的故障预测模型中,获得配电网线路的故障分类结果;若所述故障分类结果为存在故障数据,则对所述故障数据进行重构,确定配电网线路的故障预测结果。该方案中虽然构建了目标时间序列对配电网线路执行故障分类,但其时间序列集用于判断时间序列分类下是否存在故障数据,并未考虑到覆冰时间的长短对线路故障的影响,同时并没有考虑处于覆冰消融和覆冰累积状态下对线路故障的影响。
发明内容
本申请针对现有技术中存在仅考虑当前覆冰状态对于输电线路的影响,并没有考虑覆冰时间以及覆冰消融状态对输电线路的长时间影响导致故障预测准确性低的问题,提供寒潮气象下输电线路覆冰故障定位方法、系统及存储介质,利用Wasserstein生成对抗网络对历史缺失数据进行补充,并根据覆冰处于累积状态还是消融状态对故障数据进行划分分别建立第一故障概率预测模型以及第二故障概率预测模型,并以不同覆冰状态下维持时长的不同影响构建故障概率协同预测模型,从而利用实时获取的采样时序下的采样数据按照实际覆冰状态执行故障概率预测获得对应的线路故障状况,并根据杆塔编号定位线路故障区域,在提高线路故障状况预测准确度的同时,实现对线路故障区域的定位,从而降低工作人员故障排查的工作量,提高故障排除效率,确保输电线路的可靠性。
为实现上述技术目的,本申请提供的一种技术方案是,寒潮气象下输电线路覆冰故障定位方法,包括如下步骤:获取寒潮天气历史采样时序下的故障数据,根据相邻杆塔之间的线损程度、覆冰状态对历史采样时序下的故障数据进行划分,获得故障特征数据集;通过双门限机制对故障特征数据集进行划分得到第一数据状态特征对应的第一故障特征数据集以及第二数据状态特征对应的第二故障特征数据集;利用Wasserstein生成对抗网络分别对第一故障特征数据集和第二故障特征数据集进行数据增广得到第一增广数据集和第二增广数据集;基于双门限机制对应的第一数据状态特征以及第一增广数据集构建第一故障概率预测模型;基于双门限机制对应的第二数据状态特征以及第二增广数据集构建第二故障概率预测模型;基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型;将实时获取的采样时序下的采样数据输入至故障概率协同预测模型得到线路故障状况并对线路故障进行定位。
进一步的,所述第一数据状态特征为覆冰积累或维持状态,所述第二数据状态特征为覆冰消融状态。
进一步的,所述通过双门限机制对故障特征数据集进行划分得到第一数据状态特征对应的第一故障特征数据集以及第二数据状态特征对应的第二故障特征数据集包括:以与杆塔对应的冰点作为高门限,划分覆冰积累状态下的故障数据作为第一数据状态特征对应的第一故障特征数据集、覆冰消融状态下的故障数据作为第二数据状态特征对应的第二故障特征数据集;以覆冰受力监测数据作为低门限,划分覆冰累积或维持状态下的故障数据作为第一数据状态特征对应的第一故障特征数据集、覆冰消融状态下的故障数据作为第二数据状态特征对应的第二故障特征数据集。
进一步的,所述利用Wasserstein生成对抗网络分别对第一故障特征数据集和第二故障特征数据集进行数据增广得到第一增广数据集和第二增广数据集包括:将第一故障特征数据集和第二故障特征数据集分别划分为训练集、验证集及测试集;利用Wasserstein生成对抗网络框架构建第一Wasserstein生成对抗网络模型和第二Wasserstein生成对抗网络模型;利用第一故障特征数据集的训练集对第一Wasserstein生成对抗网络模型进行训练,利用第二故障特征数据集的训练集对第二Wasserstein生成对抗网络模型进行训练;利用第一故障特征数据集的验证集获取最高样本重叠率的第一Wasserstein生成对抗网络模型,利用第二故障特征数据集的验证集获取最高样本重叠率的第二Wasserstein生成对抗网络模型;利用第一故障特征数据集的测试集验证最高样本重叠率的第一Wasserstein生成对抗网络模型,获取满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型,利用第二故障特征数据集的测试集验证最高样本重叠率的第二Wasserstein生成对抗网络模型,获取满足预设Wasserstein距离的第二Wasserstein生成对抗网络模型;根据满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型生成样本作为第一增广数据集,根据满足预设Wasserstein距离的第二Wasserstein生成对抗网络模型生成样本作为第二增广数据集。
进一步的,所述利用第一故障特征数据集的训练集对第一Wasserstein生成对抗网络模型进行训练还包括:按照预设比例利用训练集对判别器与生成器交替对抗训练。
进一步的,所述利用第一故障特征数据集的训练集对第一Wasserstein生成对抗网络模型进行训练还包括:利用训练集对判别器进行训练,更新判别器的网络参数;利用训练集对生成器进行训练,更新生成器的网络参数。
进一步的,所述利用第一故障特征数据集的测试集验证最高样本重叠率的第一Wasserstein生成对抗网络模型,获取满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型还包括:
利用第一故障特征数据集的测试集验证在最高样本重叠率的第一Wasserstein生成对抗网络模型中生成器与判别器的博弈是否达到纳什平衡,若是,则计算Wasserstein距离,判断Wasserstein距离是否满足预设Wasserstein距离,若是,则训练完成,获得满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型;若任意判断结果为否时,则更新网络参数重新进行训练。
进一步的,所述基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型包括:以基于第一数据状态特征的第一状态时长构建第一故障概率预测模型的时序特征变量;以基于第二数据状态特征的第二状态时长构建第二故障概率预测模型的时序特征变量;以第一故障概率预测模型的时序特征变量、第二故障概率预测模型的时序特征变量重构第一故障概率预测模型以及第二故障概率预测模型,以重构后的第一故障概率预测模型、第二故障概率预测模型构建故障概率协同预测模型。
进一步的,所述基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型还包括:基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型以及与杆塔对应的冰点构建故障概率协同预测模型。
进一步的,所述将实时获取的采样时序下的采样数据输入至故障概率协同预测模型得到线路故障状况并对线路故障进行定位包括:获取采样数据中的气象数据以及杆塔数据,利用海拔高度与冰点的相关性曲线根据气象数据和杆塔数据计算对应杆塔编号的温度,故障概率协同预测模型根据对应杆塔编号的温度、与杆塔对应的冰点判断调用的故障概率预测模型,并根据调用的故障概率预测模型输出对应杆塔编号的线路故障状况。
进一步的,所述获取寒潮天气下的历史采样时序下的故障数据还包括:利用因果分析对输电线路基本参数进行处理,筛选关键要素;根据关键要素对历史采样时序下的故障数据进行数据维度扩充。
进一步的,所述以第二故障概率预测模型的时序特征变量重构第二故障概率预测模型还包括:以时序特征变量和气象数据中的温度构建温度与故障情况数据对应的第一相关曲线;以时序特征变量和气象数据中的风力构建风力与故障情况数据对应的第二相关曲线;以第一相关曲线和第二相关曲线按照时序重叠重构第二故障概率预测模型。
本申请提供的另一种技术方案是,寒潮气象下输电线路覆冰故障定位系统,连接于覆冰监测装置以及气象监测装置,用于实现如上述的方法,包括:天气识别模块,用于根据气象监测装置的气象数据获取采样数据中的气象数据;数据采集模块,用于采集覆冰监测装置的监测数据以及获取历史采样时序下的故障数据;覆冰识别模块,用于对故障特征数据集进行划分得到第一数据状态特征对应的第一故障特征数据集以及第二数据状态特征对应的第二故障特征数据集;数据增强模块,用于利用Wasserstein生成对抗网络对第一故障特征数据集和第二故障特征数据集进行数据增广;预测模型构建模块,用于根据数据增强模块输出数据构建故障概率协同预测模型;故障分析定位模块,用于根据实时获取的采样时序下的采样数据利用故障概率协同预测模型输出的线路故障状况并对线路故障进行定位。
本申请提供的又一种技术方案是,计算机可读存储介质,存储介质中存储有计算机程序或指令,当所述计算机程序或指令被处理设备执行时,实现如上述的方法。
本申请的有益效果:基于双门限机制划分处于覆冰累积或维持状态、覆冰消融状态的故障数据,对故障数据进行数据增广,补充缺失数据,提高后续模型构建的准确性,以处于覆冰累积或维持状态的故障数据构建第一故障概率预测模型、以处于覆冰消融状态的故障数据构建第二故障概率预测模型,并结合不同状态持续时间对输电线路的影响,基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型,从而实现根据覆冰状态不同、覆冰状态持续时间不同输电线路故障状况,并根据杆塔编号确定线路故障位置,提高故障判断准确性的同时提高工作人员对故障点的排查效率,确保了线路的可靠性。
附图说明
图1为本申请寒潮气象下输电线路覆冰故障定位方法的流程示意图。
图2为本申请寒潮气象下输电线路覆冰故障定位方法的数据增广流程示意图。
图3为本申请寒潮气象下输电线路覆冰故障定位系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案以及优点更加清楚明白,下面结合附图和实施例对本申请作进一步详细说明,应当理解的是,此处所描述的具体实施方式仅是本申请的一种最佳实施例,仅用以解释本申请,并不限定本申请的保护范围,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,作为本申请的实施例一,寒潮气象下输电线路覆冰故障定位方法包括如下步骤:
获取寒潮天气历史采样时序下的故障数据,根据相邻杆塔之间的线损程度、覆冰状态对历史采样时序下的故障数据进行划分,获得故障特征数据集;
通过双门限机制对故障特征数据集进行划分得到第一数据状态特征对应的第一故障特征数据集以及第二数据状态特征对应的第二故障特征数据集;
利用Wasserstein生成对抗网络分别对第一故障特征数据集和第二故障特征数据集进行数据增广得到第一增广数据集和第二增广数据集;
基于双门限机制对应的第一数据状态特征以及第一增广数据集构建第一故障概率预测模型;
基于双门限机制对应的第二数据状态特征以及第二增广数据集构建第二故障概率预测模型;
基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型;
将实时获取的采样时序下的采样数据输入至故障概率协同预测模型得到线路故障状况并对线路故障进行定位。
在本实施例中,第一数据状态特征为覆冰积累或维持状态,第二数据状态特征为覆冰消融状态,利用双门限机制区分故障特征数据中的数据处于覆冰积累或维持状态还是处于覆冰消融状态,将故障特征集划分为第一故障特征数据集以及第二故障特征数据集,进而对第一故障特征数据集以及第二故障特征数据集进行数据增广,以填充缺失数据提高后续第一故障概率预测模型、第二故障概率预测模型构建的准确性。基于覆冰积累或维持状态、覆冰消融状态存在时长即第一状态时长、第二状态时长构建故障概率协同预测模型,当处于寒潮天气时,实时获取采样时序下的采样数据,根据故障概率协同预测模型匹配特征,获取当前线路处于的覆冰状态,根据覆冰状态选择对应的故障概率模型输出线路故障状况,进而根据采样时序判断在对应时序下会出现故障的线路区域,从而便于工作人员对线路故障的排查,确保线路的可靠性。
寒潮天气历史采样时序下的故障数据至少包括气象数据、覆冰状态、线损程度、杆塔编号、覆冰受力监测数据以及故障情况。
进而,以冰点作为高门限,将温度高于冰点的故障数据作为覆冰消融状态下的故障数据,将温度低于冰点的故障数据作为覆冰积累状态下的故障数据。冰点为水的凝固点,即水有液态变为固态的温度,由于输电线路铺设的特殊性,即输电线路会铺设于同一区域内的不同海拔高度,而由于海拔高度的变化,温度以及气压均会随之变化,冰点也会随之改变,由此,根据历史海拔高度与历史冰点数据计算海拔高度与冰点的相关性曲线,进而获取输电线路杆塔铺设拓扑图,根据输电线路杆塔铺设拓扑图获取杆塔对应海拔高度,利用海拔高度与冰点的相关性曲线,获取与杆塔对应的冰点。通过双门限机制对故障特征数据集进行划分得到第一数据状态特征对应的第一故障特征数据集以及第二数据状态特征对应的第二故障特征数据集包括:
以与杆塔对应的冰点作为高门限,划分覆冰积累状态下的故障数据作为第一数据状态特征对应的第一故障特征数据集、覆冰消融状态下的故障数据作为第二数据状态特征对应的第二故障特征数据集;或,
以覆冰受力监测数据作为低门限,划分覆冰累积或维持状态下的故障数据作为第一数据状态特征对应的第一故障特征数据集、覆冰消融状态下的故障数据作为第二数据状态特征对应的第二故障特征数据集。
由于温度处于冰点时,覆冰可能处于累积、维持、消融状态的任意一种情况,因此以覆冰受力监测数据作为低门限,对经过高门限划分后的故障特征数据集进行进一步划分。即根据冰点,将温度处于冰点以下的故障特征数据作为第一数据状态特征对应的第一故障特征数据集,将温度处于冰点以上的故障特征数据作为第二数据状态特征对应的第二故障特征数据集,而将温度处于冰点的故障特征数据进一步根据覆冰受力监测数据进行划分,当覆冰受力监测数据随着时序变化不断升高或不变时,认为此时覆冰不断积累或维持,将此时的故障特征数据划分为第一数据状态特征对应的第一故障特征数据集,当覆冰受力监测数据随着时序变化降低时,认为此时覆冰消融,将此时故障特征数据划分为第二数据状态特征对应的第二故障特征数据集。通过双门限机制将冰点无法准确划分的数据通过覆冰受力监测数据进一步划分,同时避免了温度变化对于覆冰受力监测数据的影响,实现数据的精确划分,提高后续第一故障概率预测模型、第二故障概率预测模型的构建准确性。即在实际环境下,由于寒潮天气的影响,覆冰受力监测系统会受恶劣环境影响从而造成回传的覆冰受力监测数据的低准确性,如现有的覆冰厚度监测仪器通过采集到的视频、微气象、导线拉力等进行覆冰厚度的计算,然而寒潮天气同时伴随着大风、暴雪等,在实际应用中,覆冰监测装置会出现冰斑等问题,导致最终的监测结果并不准确。在本实施例中,考虑到覆冰监测装置在恶劣情况下的数据准确性限制,仅获取在处于冰点时的覆冰受力监测数据,排除恶劣天气造成的误差数据,可以理解的是,当天气温度处于冰点时,由于覆冰监测装置自身运行原因-运行发热,必然会高于冰点温度,即可以排除覆冰监测装置在冰点时受冰冻影响的误差。
如图2所示,利用Wasserstein生成对抗网络分别对第一故障特征数据集和第二故障特征数据集进行数据增广得到第一增广数据集和第二增广数据集包括:
将第一故障特征数据集和第二故障特征数据集分别划分为训练集、验证集及测试集;
利用Wasserstein生成对抗网络框架构建第一Wasserstein生成对抗网络模型和第二Wasserstein生成对抗网络模型;
利用第一故障特征数据集的训练集对第一Wasserstein生成对抗网络模型进行训练,利用第二故障特征数据集的训练集对第二Wasserstein生成对抗网络模型进行训练;
利用第一故障特征数据集的验证集获取最高样本重叠率的第一Wasserstein生成对抗网络模型,利用第二故障特征数据集的验证集获取最高样本重叠率的第二Wasserstein生成对抗网络模型;
利用第一故障特征数据集的测试集验证最高样本重叠率的第一Wasserstein生成对抗网络模型,获取满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型,利用第二故障特征数据集的测试集验证最高样本重叠率的第二Wasserstein生成对抗网络模型,获取满足预设Wasserstein距离的第二Wasserstein生成对抗网络模型;
根据满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型生成样本作为第一增广数据集,根据满足预设Wasserstein距离的第二Wasserstein生成对抗网络模型生成样本作为第二增广数据集。
以利用Wasserstein生成对抗网络对第一故障特征数据集进行数据增广得到第一增广数据集为例,以Wasserstein GAN(WGAN)作为主要框架,生成器使用4层全连接网络,隐藏层神经元个数均为256个,激活函数选取ReLU,输出层神经元个数与第一故障特征数据集维度一致,激活函数选取sigmoid;判别器同样采用4层全连接网络,隐含层神经元个数为256与128个。
利用第一故障特征数据集的训练集对第一Wasserstein生成对抗网络模型进行训练包括:按照预设比例利用训练集对判别器与生成器交替对抗训练。
在本实施例中,预设比例为5:1,即每次训练中先训练5次判别器,之后训练1次生成器。
利用第一故障特征数据集的训练集对第一Wasserstein生成对抗网络模型进行训练还包括:
利用训练集对判别器进行训练,更新判别器的网络参数;
利用训练集对生成器进行训练,更新生成器的网络参数。
当训练判别器时,将生成器的网络权重即网络参数固定,定义训练集为,其中m表示训练集X中样本的组数。样本序列即训练集X中存在分布关系/> ,设有一组满足高斯分布/>的噪声向量(也被称作隐变量)d,生成器接收输入d,然后输出满足/>分布的合成故障特征数据样本,从/>到/>的映射关系通过深度神经网络来建立,根据优化目标计算判别器的损失,使用RMSProp算法进行网络参数的更新。
当训练生成器时,将判别器的网络权重即网络参数固定,计算生成器网络损失值并使用RMSProp算法进行网络参数的更新。生成器生成尽量逼近真实第一故障特征数据集样本分布的合成样本,以使判别器不能判别出其输入是真实样本还是合成样本,其损失函数定义为。/>的值越小,表示生成数据服从/> 的概率越高,数据越逼近真实分布,根据最小化损失构建生成器的目标函数为:;
其中, 为训练集对应的合成样本,即训练集对应的生成器生成样本,表示判别器对训练集对应的生成器生成样本判别结果,E为期望概率, />表示d满足 />的分布。
开始训练时,生成器G中输出的合成故障特征数据离真实第一故障特征数据集的分布很远,判别器D能对其轻易鉴别,随着训练进行,生成器G合成的序列也越来越逼近实际故障特征数据集的分布,判别器D的鉴别也越来越困难,从而根据验证集评估生成器网络参数以及判别器网络参数的准确性。利用第一故障特征数据集的验证集获取最高样本重叠率的第一Wasserstein生成对抗网络模型包括:
利用第一故障特征数据集的验证集计算在更新后生成器网络参数以及判别器网络参数下的样本重叠率,获取最高样本重叠率的第一Wasserstein生成对抗网络模型。
样本重叠率计算公式为:
;
;
为验证集对应的合成样本,即验证集对应的生成器生成样本, />表示判别器对验证集对应的生成器生成样本判别结果, />为生成样本是否落于第一故障特征数据集的验证集输出值范围的判断函数;n为验证集对应的生成器生成样本总数, />为第i个验证集对应的生成器生成样本。
以判别器的输出结果,得到原始验证集的输出值范围,生成器生成合成样本,判断合成样本是否落入原始验证集即第一故障特征数据集的验证集输出值范围内,若是,则输出1,若否,则输出0,为原始验证集的输出值范围,从而根据落入原始验证集输出值范围的合成样本数量与验证集对应的生成器生成样本总数的比值得到生成样本的输出值与原始验证集输出值范围的重叠比率,即有多少比率的生成样本在WGAN判别器上输出结果落在该值域范围内。当样本重叠率较大时,认为生成的样本与原始样本的分布相似,从而得到具有最高样本重叠率的第一Wasserstein生成对抗网络模型网络参数。
利用第一故障特征数据集的测试集验证最高样本重叠率的第一Wasserstein生成对抗网络模型,获取满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型包括:
利用第一故障特征数据集的测试集验证在最高样本重叠率的第一Wasserstein生成对抗网络模型中生成器与判别器的博弈是否达到纳什平衡,若是,则计算Wasserstein距离,判断Wasserstein距离是否满足预设Wasserstein距离,若是,则训练完成,获得满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型;
若任意判断结果为否时,则更新网络参数重新进行训练。
在本实施例中,通过第一故障特征数据集对第一Wasserstein生成对抗网络模型进行训练,从而获取生成器生成数据分布与实际数据分布最为相似的生成样本作为第一增广数据集,实现缺失数据的补充。
生成器与判别器的博弈是否达到纳什平衡为判断生成器与判别器在当前网络参数下损失是否均达到最小:
;
为纳什平衡点,即对于生成器G而言最小值,对判别器D而言最大值,进而实现达到生成器G的损失最小和判别器D的损失最小。
Wasserstein距离为:
;
其中 表示所有联合分布 />的集合,其边缘分布分别为 />和, />即为合成分布 />到真实分布 />需要移动的距离,当距离越小时代表两个分布越相近生成的模拟样本效果越好。在本实施例中,预设Wasserstein距离为趋近于0,即当Wasserstein距离最接近于0时,对应的生成器生成的样本与实际数据分布最为接近,以此时生成器的网络参数以及判别器的网络参数构建Wasserstein生成对抗网络模型,模型训练完成。当生成器与判别器在当前网络参数下损失未达到最小或存在更为接近预设Wasserstein距离的网络参数时,认为训练未完成,更新网络参数并重新进行训练。可以理解的是,利用第二故障特征数据集对第二Wasserstein生成对抗网络模型进行训练,从而获取生成器生成数据分布与实际数据分布最为相似的生成样本作为第二增广数据集的过程与第一增广数据集生成过程相同,在此不再赘述。
基于双门限机制对应的第一数据状态特征以及第一增广数据集构建第一故障概率预测模型包括:
根据第一增广数据集中的气象数据以及故障情况数据构建第一故障概率预测模型。
基于双门限机制对应的第二数据状态特征以及第二增广数据集构建第二故障概率预测模型包括:
根据第二增广数据集中的气象数据以及故障情况数据构建第二故障概率预测模型。
在本实施例中,以神经网络模型构建第一故障概率预测模型和第二故障概率预测模型,第一故障概率预测模型与第二故障概率预测模型均包含有输入层、隐藏层以及输出层,其中输入层包含2个输入单元,隐藏层包含4个计算单元,输出层包含2个输出单元,在利用神经网络模型进行深度学习构建第一故障概率预测模型时,划分第一增广数据集中的数据,分为训练集、验证集以及测试集,以训练集中的数据对第一故障概率预测模型进行训练,即以训练集中的气象数据作为输入,训练集中的故障情况数据作为输出,训练获得隐藏层中的权值,即气象数据对故障情况数据的影响权值,进而利用验证集对训练集中获得的权值进行验证评估,获取符合验证集的权值,利用测试集进行测试,若符合则以该权值建立第一故障概率预测模型,若不符合,则重新划分训练集进行训练。第二故障概率预测模型的构建与第一故障概率预测模型的构建过程相同,均利用神经网络深度学习算法对数据集中的气象数据以及故障情况数据进行训练获得影响权重,并验证、测试权重的准确性,进而以权重构建故障概率预测模型。
基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型包括:
以基于第一数据状态特征的第一状态时长构建第一故障概率预测模型的时序特征变量;
以基于第二数据状态特征的第二状态时长构建第二故障概率预测模型的时序特征变量;
以第一故障概率预测模型的时序特征变量、第二故障概率预测模型的时序特征变量重构第一故障概率预测模型以及第二故障概率预测模型,以重构后的第一故障概率预测模型、第二故障概率预测模型构建故障概率协同预测模型。
基于第一数据状态特征的第一状态时长即为覆冰累积或维持状态的持续时长,以覆冰累积或维持状态的持续时长构建第一故障概率预测模型的时序特征变量,从而获得与时序和气象数据变化相关的故障情况变化曲线。在本实施例中,第一增广数据集中的气象数据至少包括湿度,温度在冰点以下时,无论处于何种温度,都会进行结冰,此时结冰的厚度与湿度和时间相关,由此,以湿度与故障情况数据构建第一故障概率预测模型,并以第一状态时长作为时序特征变量,获取第一故障概率预测模型随时长变化的变化,并以此重构第一故障概率预测模型。线路覆冰会导致导线、金具和支架负载,但不同线路的负载能力不同,其能承担的水平负荷就不相同,因此导致不同故障类型发生的覆冰情况也不相同,由此故障情况数据至少包括故障类型以及故障严重程度。
基于第二数据状态特征的第二状态时长为覆冰消融的持续时长,以覆冰消融的持续时长构建第二故障概率预测模型的时序特征变量,从而获得与时序和气象数据变化相关的故障情况变化曲线。在本实施例中,第二增广数据集中的气象数据至少包括温度,在覆冰开始融化时,由于输电线路上的融化不均匀导致线路会出现大幅度的舞动,输电线路在舞动过程中容易造成对地面或是对周围物体发电,相当于发生短路引起的跳闸,同时融化速度越快,舞动幅度越大,同时产生的“共振”效果也有可能对杆架造成二次损伤。由此,在本实施例中根据温度数据和故障情况数据构建故障情况随着温度变化而变化的第二故障概率预测模型,在第二故障概率预测模型中展现了覆冰随着温度的高低融化的不同速度造成的不同舞动影响,此时根据第二状态时长获取输电线路在舞动情况下的持续时间,以此重构第二故障概率预测模型。
以重构后的第一故障概率预测模型、第二故障概率预测模型构建故障概率协同预测模型,实时获取采样时序下的采样数据,采样数据至少包括当前气象数据,故障概率协同预测模型根据当前气象数据判断当前输电线路处于的覆冰状态,调用对应的第一故障概率预测模型或第二故障概率预测模型进行线路故障状况的预测,此时当前气象数据处于冰点以下时,判断输电线路处于覆冰累积或维持状态,获取气象数据中的湿度以及采样时序,根据采样时序计算第一状态时长,并以第一状态时长以及湿度作为输入,调用第一故障概率预测模型输出线路故障状况以及杆塔编号,根据杆塔编号定位线路故障。
在覆冰累积或维持状态下,持续时间越长,即第一状态时长越长,覆冰累积越多或维持越长,输电线路的负载压力越大,输电线路越容易出现故障;而在覆冰消融状态下,持续时间越长,冰的消融速度越慢,此时由于负载减轻造成的输电线路舞动幅度越小,输电线路越不容易出现故障,由此在本申请中采用不同的故障概率模型分别预测不同覆冰状态下的故障概率,考虑持续时序对输电线路的影响,提高对输电线路的故障预测准确性。
在本实施例中,基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型还包括:
基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型以及与杆塔对应的冰点构建故障概率协同预测模型。
将实时获取的采样时序下的采样数据输入至故障概率协同预测模型得到线路故障状况并对线路故障进行定位包括:
获取采样数据中的气象数据以及杆塔数据,利用海拔高度与冰点的相关性曲线根据气象数据和杆塔数据计算对应杆塔编号的温度,故障概率协同预测模型根据对应杆塔编号的温度、与杆塔对应的冰点判断调用的故障概率预测模型,并根据调用的故障概率预测模型输出对应杆塔编号的线路故障状况。
在本实施例中,杆塔数据至少包括杆塔编号以及杆塔地理数据,地理数据至少包括海拔高度。利用杆塔的地形计算杆塔对应的冰点情况以及气象数据变化情况,即由于海拔高度差异,即使在同一区域内不同海拔高度的温度也不相同,此时根据杆塔的位置计算杆塔位置的覆冰情况,并根据故障概率预测模型输出线路故障状况,以杆塔编号定位线路故障区域,即相邻杆塔之间的线路可能发生故障,由此便于工作人员对线路的排查处理。
在另一些实施例中,也可对未来线路故障进行预测定位。当处于寒潮天气时,获取预测时间段内的气象数据,识别多维度气象特征,根据多维度气象特征利用故障概率协同预测模型输出预测的线路故障状况。多维度气象特征至少包括温度、湿度、风力。
在本实施例中,故障概率协同预测模型包括5个卷积层4个最大池化层与2个全连接层,第一个卷积层卷积核size为3×3,数量为512,池化层filter(滤波器)的size为2×2,stride(步长)为2。第二个卷积层卷积核size为3×3,数量为256,池化层filter的size为2×2,stride为2。第三个卷积层卷积核size为3×3,数量为256,池化层filter的size为2×2,stride为2。第四个卷积核size为3×3,数量为64,池化层filter的size为2×2,stride为2。第五个卷积核的size为3×3,数量为32。此时卷积层输出的特征尺度为(12,12,32),将该特征经过Flatten(铺平)成一个维度为1×1×4068的神经元,将该神经元输入2层全连接网络,全连接网络的输出的神经元数量为20,考虑到长时间序列带来的梯度消失等问题,采用BiLSTM等作为网络的前半部分,为了增强网络的故障分类能力,在后续采用CNN等作为后半部分,最终利用全连接层输出结果深度学习算法,构建故障概率协同预测模型。
作为本申请的实施例二,获取寒潮天气下的历史采样时序下的故障数据还包括:
利用因果分析对输电线路基本参数进行处理,筛选关键要素;
根据关键要素对历史采样时序下的故障数据进行数据维度扩充。
在本实施例中利用因果分析判断输电线路中基本参数是否存在对故障存在影响的因素,如微地形、微气象以及设备属性等因素,可由电网公司网架结构、杆架GIS数据、覆冰监测装置中的数据结合获取,包括:SOI指数、ENSO指数即SOI的变化与ENSO现象(厄尔尼诺和拉尼娜事件)、杆塔GIS位置数据、杆塔防风等级、海拔、坡度、主要坡向。从而对历史采样时序下的故障数据进一步填充,以确保最终模型构建的准确性。
故障信息至少包括:故障类型以及故障严重程度,对故障类型进行One-hot编码,以便于后续识别。故障类型包括:线路跳闸/停运、母线失电、倒塌故障、断线故障、闪络短路等故障。
历史采样时序下的故障数据中的故障情况数据还包括电力参数、震动情况、报警及故障信息。
在本实施例中按照寒潮气象标准筛选寒潮天气下的历史时序故障数据,寒潮天气标准为:气温24h内下降8°C以上,或48h内气温下降10°C以上。根据时序向量定义两种时间窗口,通过滑动窗口来计算每个时间窗口内的变化情况,并筛选出变化大于标准阈值的数据。
利用Wasserstein生成对抗网络分别对第一故障特征数据集和第二故障特征数据集进行数据增广得到第一增广数据集和第二增广数据集还包括:
对第一故障特征数据集和第二故障特征数据集中的气象特征进行数据归一化。
数据归一化公式为:
;
为当前数据组中数值的最大值,按实际情况设定; />为当前要素中结合实际情况所设置的数值的最小值; />为当前输入的向量值。使得每种气象特征数据的值都处于0-256之间。
在本实施例中,以第二故障概率预测模型的时序特征变量重构第二故障概率预测模型还包括:
以时序特征变量和气象数据中的温度构建温度与故障情况数据对应的第一相关曲线;
以时序特征变量和气象数据中的风力构建风力与故障情况数据对应的第二相关曲线;
以第一相关曲线和第二相关曲线按照时序重叠重构第二故障概率预测模型。
由于风力也会造成线路振动,此时结合风力变化造成的线路振动以及融冰造成的线路振动情况构建第二故障概率预测模型,预测融冰时线路故障情况,提高预测准确性。
如图3所示,作为本申请的实施例三,寒潮气象下输电线路覆冰故障定位系统,连接于覆冰监测装置以及气象监测装置,包括:
天气识别模块,用于根据气象监测装置的气象数据获取采样数据中的气象数据;
数据采集模块,用于采集覆冰监测装置的监测数据以及获取历史采样时序下的故障数据;
覆冰识别模块,用于对故障特征数据集进行划分得到第一数据状态特征对应的第一故障特征数据集以及第二数据状态特征对应的第二故障特征数据集;
数据增强模块,用于利用Wasserstein生成对抗网络对第一故障特征数据集和第二故障特征数据集进行数据增广;
预测模型构建模块,用于根据数据增强模块输出数据构建故障概率协同预测模型;
故障分析定位模块,用于根据实时获取的采样时序下的采样数据利用故障概率协同预测模型输出的线路故障状况并对线路故障进行定位。
数据采集模块、覆冰识别模块、数据增强模块、预测模型构建模块依次连接,用于实现模型的构建;天气识别模块和预测模型构建模块分别连接于故障分析定位模块,用于根据实时获取的采样时序下的采样数据利用故障概率协同预测模型输出的线路故障状况并对线路故障进行定位。
寒潮气象下输电线路覆冰故障定位系统还包括:
数据扩充模块,用于对历史采样时序下的故障数据执行数据维度扩充。
数据扩充模块设置于数据采集模块与覆冰识别模块之间,用于对历史采样时序下的故障数据执行数据维度扩充。
预测模型构建模块至少包括第一构建单元、第二构建单元以及融合单元,第一构建单元用于根据第一故障特征数据集构建第一故障概率预测模型,第二构建单元用于根据第二故障特征数据集构建第二故障概率预测模型,融合单元用于根据第一故障概率预测模型以及第二故障概率预测模型融合构建故障概率协同预测模型。
作为本申请的实施例四,计算机可读存储介质,用于存储计算机程序或指令,当计算机程序或指令被处理设备执行时,实现上述的寒潮气象下输电线路覆冰故障定位方法。计算机可读存储介质可以是计算设备能够存储的任何可用介质或者是包含一个或多个可用介质的数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘)等。
以上所述之具体实施方式为本申请寒潮气象下输电线路覆冰故障定位方法、系统及存储介质的较佳实施方式,并非以此限定本申请的具体实施范围,本申请的范围包括并不限于本具体实施方式,凡依照本申请之形状、结构所作的等效变化均在本申请的保护范围内。
Claims (12)
1.寒潮气象下输电线路覆冰故障定位方法,其特征在于:包括如下步骤:
获取寒潮天气历史采样时序下的故障数据,根据相邻杆塔之间的线损程度、覆冰状态对历史采样时序下的故障数据进行划分,获得故障特征数据集;
通过双门限机制对故障特征数据集进行划分得到第一数据状态特征对应的第一故障特征数据集以及第二数据状态特征对应的第二故障特征数据集;
利用Wasserstein生成对抗网络分别对第一故障特征数据集和第二故障特征数据集进行数据增广得到第一增广数据集和第二增广数据集;
基于双门限机制对应的第一数据状态特征以及第一增广数据集构建第一故障概率预测模型;基于双门限机制对应的第二数据状态特征以及第二增广数据集构建第二故障概率预测模型;基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型;
将实时获取的采样时序下的采样数据输入至故障概率协同预测模型得到线路故障状况并对线路故障进行定位;
所述第一数据状态特征为覆冰积累或维持状态,所述第二数据状态特征为覆冰消融状态;
所述基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型包括:
以基于第一数据状态特征的第一状态时长构建第一故障概率预测模型的时序特征变量;
以基于第二数据状态特征的第二状态时长构建第二故障概率预测模型的时序特征变量;
以第一故障概率预测模型的时序特征变量、第二故障概率预测模型的时序特征变量重构第一故障概率预测模型以及第二故障概率预测模型,以重构后的第一故障概率预测模型、第二故障概率预测模型构建故障概率协同预测模型。
2.如权利要求1所述的寒潮气象下输电线路覆冰故障定位方法,其特征在于:
所述通过双门限机制对故障特征数据集进行划分得到第一数据状态特征对应的第一故障特征数据集以及第二数据状态特征对应的第二故障特征数据集包括:
以与杆塔对应的冰点作为高门限,划分覆冰积累状态下的故障数据作为第一数据状态特征对应的第一故障特征数据集、覆冰消融状态下的故障数据作为第二数据状态特征对应的第二故障特征数据集;或,
以覆冰受力监测数据作为低门限,划分覆冰累积或维持状态下的故障数据作为第一数据状态特征对应的第一故障特征数据集、覆冰消融状态下的故障数据作为第二数据状态特征对应的第二故障特征数据集。
3.如权利要求1所述的寒潮气象下输电线路覆冰故障定位方法,其特征在于:
所述利用Wasserstein生成对抗网络分别对第一故障特征数据集和第二故障特征数据集进行数据增广得到第一增广数据集和第二增广数据集包括:
将第一故障特征数据集和第二故障特征数据集分别划分为训练集、验证集及测试集;
利用Wasserstein生成对抗网络框架构建第一Wasserstein生成对抗网络模型和第二Wasserstein生成对抗网络模型;
利用第一故障特征数据集的训练集对第一Wasserstein生成对抗网络模型进行训练,利用第二故障特征数据集的训练集对第二Wasserstein生成对抗网络模型进行训练;
利用第一故障特征数据集的验证集获取最高样本重叠率的第一Wasserstein生成对抗网络模型,利用第二故障特征数据集的验证集获取最高样本重叠率的第二Wasserstein生成对抗网络模型;
利用第一故障特征数据集的测试集验证最高样本重叠率的第一Wasserstein生成对抗网络模型,获取满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型,利用第二故障特征数据集的测试集验证最高样本重叠率的第二Wasserstein生成对抗网络模型,获取满足预设Wasserstein距离的第二Wasserstein生成对抗网络模型;
根据满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型生成样本作为第一增广数据集,根据满足预设Wasserstein距离的第二Wasserstein生成对抗网络模型生成样本作为第二增广数据集。
4.如权利要求3所述的寒潮气象下输电线路覆冰故障定位方法,其特征在于:
所述利用第一故障特征数据集的训练集对第一Wasserstein生成对抗网络模型进行训练还包括:
按照预设比例利用训练集对判别器与生成器交替对抗训练。
5.如权利要求3所述的寒潮气象下输电线路覆冰故障定位方法,其特征在于:
所述利用第一故障特征数据集的训练集对第一Wasserstein生成对抗网络模型进行训练还包括:
利用训练集对判别器进行训练,更新判别器的网络参数;
利用训练集对生成器进行训练,更新生成器的网络参数。
6.如权利要求3所述的寒潮气象下输电线路覆冰故障定位方法,其特征在于:
所述利用第一故障特征数据集的测试集验证最高样本重叠率的第一Wasserstein生成对抗网络模型,获取满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型还包括:利用第一故障特征数据集的测试集验证在最高样本重叠率的第一Wasserstein生成对抗网络模型中生成器与判别器的博弈是否达到纳什平衡,若是,则计算Wasserstein距离,判断Wasserstein距离是否满足预设Wasserstein距离,若是,则训练完成,获得满足预设Wasserstein距离的第一Wasserstein生成对抗网络模型;
若任意判断结果为否时,则更新网络参数重新进行训练。
7.如权利要求1所述的寒潮气象下输电线路覆冰故障定位方法,其特征在于:
所述基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型构建故障概率协同预测模型还包括:
基于第一数据状态特征的第一状态时长、第一故障概率预测模型和第二数据状态特征的第二状态时长、第二故障概率预测模型以及与杆塔对应的冰点构建故障概率协同预测模型。
8.如权利要求7所述的寒潮气象下输电线路覆冰故障定位方法,其特征在于:
所述将实时获取的采样时序下的采样数据输入至故障概率协同预测模型得到线路故障状况并对线路故障进行定位包括:
获取采样数据中的气象数据以及杆塔数据,利用海拔高度与冰点的相关性曲线根据气象数据和杆塔数据计算对应杆塔编号的温度,故障概率协同预测模型根据对应杆塔编号的温度、与杆塔对应的冰点判断调用的故障概率预测模型,并根据调用的故障概率预测模型输出对应杆塔编号的线路故障状况。
9.如权利要求1所述的寒潮气象下输电线路覆冰故障定位方法,其特征在于:
所述获取寒潮天气下的历史采样时序下的故障数据还包括:
利用因果分析对输电线路基本参数进行处理,筛选关键要素;
根据关键要素对历史采样时序下的故障数据进行数据维度扩充。
10.如权利要求1所述的寒潮气象下输电线路覆冰故障定位方法,其特征在于:
以第二故障概率预测模型的时序特征变量重构第二故障概率预测模型还包括:
以时序特征变量和气象数据中的温度构建温度与故障情况数据对应的第一相关曲线;
以时序特征变量和气象数据中的风力构建风力与故障情况数据对应的第二相关曲线;
以第一相关曲线和第二相关曲线按照时序重叠重构第二故障概率预测模型。
11.寒潮气象下输电线路覆冰故障定位系统,连接于覆冰监测装置以及气象监测装置,用于实现如权利要求1至权利要求10任意一项所述的方法,其特征在于:包括:
天气识别模块,用于根据气象监测装置的气象数据获取采样数据中的气象数据;
数据采集模块,用于采集覆冰监测装置的监测数据以及获取历史采样时序下的故障数据;覆冰识别模块,用于对故障特征数据集进行划分得到第一数据状态特征对应的第一故障特征数据集以及第二数据状态特征对应的第二故障特征数据集;
数据增强模块,用于利用Wasserstein生成对抗网络对第一故障特征数据集和第二故障特征数据集进行数据增广;
预测模型构建模块,用于根据数据增强模块输出数据构建故障概率协同预测模型;
故障分析定位模块,用于根据实时获取的采样时序下的采样数据利用故障概率协同预测模型输出的线路故障状况并对线路故障进行定位。
12.计算机可读存储介质,其特征在于:所述存储介质中存储有计算机程序或指令,当所述计算机程序或指令被处理设备执行时,实现如权利要求1至权利要求10任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837694.XA CN117494026B (zh) | 2023-12-28 | 2023-12-28 | 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837694.XA CN117494026B (zh) | 2023-12-28 | 2023-12-28 | 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117494026A CN117494026A (zh) | 2024-02-02 |
CN117494026B true CN117494026B (zh) | 2024-04-05 |
Family
ID=89676756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311837694.XA Active CN117494026B (zh) | 2023-12-28 | 2023-12-28 | 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117494026B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN112464536A (zh) * | 2020-12-09 | 2021-03-09 | 国网湖南省电力有限公司 | 输电线路覆冰故障预测的方法、装置、计算机设备和介质 |
CN113449769A (zh) * | 2021-05-18 | 2021-09-28 | 内蒙古工业大学 | 输电线路覆冰识别模型训练方法、识别方法及存储介质 |
CN114912355A (zh) * | 2022-05-10 | 2022-08-16 | 清华大学 | 输电线路短期覆冰预测方法、装置和存储介质 |
CN116021981A (zh) * | 2023-01-12 | 2023-04-28 | 广东电网有限责任公司 | 配电网线路覆冰故障预测方法、装置、设备及存储介质 |
CN116050599A (zh) * | 2022-12-30 | 2023-05-02 | 泰豪软件股份有限公司 | 一种线路覆冰故障预测方法、系统、存储介质及设备 |
CN116451594A (zh) * | 2023-06-15 | 2023-07-18 | 北京东润环能科技股份有限公司 | 覆冰预测模型的训练方法、预测方法、装置和电子设备 |
CN117272753A (zh) * | 2023-10-12 | 2023-12-22 | 国网吉林省电力有限公司电力科学研究院 | 一种基于过程参数的输电线路覆冰舞动预警方法 |
-
2023
- 2023-12-28 CN CN202311837694.XA patent/CN117494026B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN112464536A (zh) * | 2020-12-09 | 2021-03-09 | 国网湖南省电力有限公司 | 输电线路覆冰故障预测的方法、装置、计算机设备和介质 |
CN113449769A (zh) * | 2021-05-18 | 2021-09-28 | 内蒙古工业大学 | 输电线路覆冰识别模型训练方法、识别方法及存储介质 |
CN114912355A (zh) * | 2022-05-10 | 2022-08-16 | 清华大学 | 输电线路短期覆冰预测方法、装置和存储介质 |
CN116050599A (zh) * | 2022-12-30 | 2023-05-02 | 泰豪软件股份有限公司 | 一种线路覆冰故障预测方法、系统、存储介质及设备 |
CN116021981A (zh) * | 2023-01-12 | 2023-04-28 | 广东电网有限责任公司 | 配电网线路覆冰故障预测方法、装置、设备及存储介质 |
CN116451594A (zh) * | 2023-06-15 | 2023-07-18 | 北京东润环能科技股份有限公司 | 覆冰预测模型的训练方法、预测方法、装置和电子设备 |
CN117272753A (zh) * | 2023-10-12 | 2023-12-22 | 国网吉林省电力有限公司电力科学研究院 | 一种基于过程参数的输电线路覆冰舞动预警方法 |
Non-Patent Citations (3)
Title |
---|
Probability prediction method of transmission line icing fault based on adaptive relevance vector machine;Jie Zhao et al;Energy Reports;20220731;第8卷(第4期);全文 * |
基于Bi-LSTM和支持向量机的风机叶片短期覆冰状态预测模型;熊昌全 等;四川电力技术;20210630;第44卷(第03期);全文 * |
基于动态博弈的电网受灾故障场景仿真及防御决策;王志强 等;系统仿真技术;20220831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117494026A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
US8606418B1 (en) | Wind prediction for wind farms through the use of weather radar | |
Butler et al. | Exploiting SCADA system data for wind turbine performance monitoring | |
CN111444940A (zh) | 风机关键部位故障诊断方法 | |
KR102009574B1 (ko) | 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템 | |
CN109102101A (zh) | 风电场风速的预测方法和系统 | |
CN109034191A (zh) | 基于elm的单维遥测数据异常判读方法 | |
JP2013222423A (ja) | 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム | |
Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
CN112200237A (zh) | 一种结构健康监测系统时序监测数据异常诊断方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN112116160A (zh) | 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN115267945A (zh) | 一种基于图神经网络的雷电预警方法与系统 | |
CN115796059A (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN106570582A (zh) | 一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统 | |
Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
CN116881819A (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
CN112016739B (zh) | 故障检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |