CN117706280A - 一种基于多源数据的配电线路雷击故障定位方法及系统 - Google Patents
一种基于多源数据的配电线路雷击故障定位方法及系统 Download PDFInfo
- Publication number
- CN117706280A CN117706280A CN202410161071.3A CN202410161071A CN117706280A CN 117706280 A CN117706280 A CN 117706280A CN 202410161071 A CN202410161071 A CN 202410161071A CN 117706280 A CN117706280 A CN 117706280A
- Authority
- CN
- China
- Prior art keywords
- event
- distribution line
- lightning
- time
- target
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 78
- 208000025274 Lightning injury Diseases 0.000 claims abstract description 99
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于多源数据的配电线路雷击故障定位方法及系统，方法包括：定义一个时间匹配矩阵，并基于雷击事件发生时间与停电事件发生时间在同一预设时间窗口内的原则在时间匹配矩阵中对至少一个配电线路故障跳闸事件和至少一个雷击事件进行时间匹配，得到匹配后的至少一个目标矩阵；计算同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件之间的实时空间距离，并判断实时空间距离是否大于空间阈值；若实时空间距离不大于空间阈值，则同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件关于空间匹配，并获取关于时间匹配和空间匹配的目标雷击事件的雷击故障位置。结合动态学习模型可以提高故障定位的准确性和实时性。
Description
技术领域
本发明属于电力系统技术领域，尤其涉及一种基于多源数据的配电线路雷击故障定位方法及系统。
背景技术
配电线路是现代社会中至关重要的基础设施之一，雷击故障是配电线路中的常见问题，故障可能导致线路受损、用户停电等后果。为了及时、准确地定位到配电线路雷击故障的位置，传统的配电线路故障定位方法多为事后分析或者通过人工经验查找，这些方法在实时性和效率方面都不足以满足现在的生产需求。为了提高配电线路雷击故障的实时定位准确性，提出一种基于多源数据的配电线路雷击故障定位方法。
发明内容
本发明提供一种基于多源数据的配电线路雷击故障定位方法及系统，用于解决配电线路雷击故障的实时定位准确性差的技术问题。
第一方面，本发明提供一种基于多源数据的配电线路雷击故障定位方法，包括：在电力信息系统中实时获取配电线路故障跳闸数据以及在雷电定位系统中实时获取雷击数据；分别在所述配电线路故障跳闸数据中筛选出配电线路故障跳闸事件序列，和在所述雷击数据中筛选出雷击事件序列，其中，所述配电线路故障跳闸事件序列中包含至少一个配电线路故障跳闸事件，所述雷击事件序列中包含至少一个雷击事件；定义一个时间匹配矩阵，并基于雷击事件发生时间与停电事件发生时间在同一预设时间窗口内的原则在所述时间匹配矩阵中对所述至少一个配电线路故障跳闸事件和所述至少一个雷击事件进行时间匹配，得到匹配后的至少一个目标矩阵，其中，一目标矩阵中包含一目标配电线路故障跳闸事件以及与一目标配电线路故障跳闸事件关于时间匹配的一目标雷击事件；计算同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件之间的实时空间距离，并判断所述实时空间距离是否大于空间阈值；若所述实时空间距离不大于空间阈值，则同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件关于空间匹配，并获取关于时间匹配和空间匹配的目标雷击事件的雷击故障位置。
第二方面，本发明提供一种基于多源数据的配电线路雷击故障定位系统，包括：获取模块，配置为在电力信息系统中实时获取配电线路故障跳闸数据以及在雷电定位系统中实时获取雷击数据；筛选模块，配置为分别在所述配电线路故障跳闸数据中筛选出配电线路故障跳闸事件序列，和在所述雷击数据中筛选出雷击事件序列，其中，所述配电线路故障跳闸事件序列中包含至少一个配电线路故障跳闸事件，所述雷击事件序列中包含至少一个雷击事件；第一匹配模块，配置为定义一个时间匹配矩阵，并基于雷击事件发生时间与停电事件发生时间在同一预设时间窗口内的原则在所述时间匹配矩阵中对所述至少一个配电线路故障跳闸事件和所述至少一个雷击事件进行时间匹配，得到匹配后的至少一个目标矩阵，其中，一目标矩阵中包含一目标配电线路故障跳闸事件以及与一目标配电线路故障跳闸事件关于时间匹配的一目标雷击事件；计算模块，配置为计算同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件之间的实时空间距离，并判断所述实时空间距离是否大于空间阈值；第二匹配模块，配置为若所述实时空间距离不大于空间阈值，则同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件关于空间匹配，并获取关于时间匹配和空间匹配的目标雷击事件的雷击故障位置。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于多源数据的配电线路雷击故障定位方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于多源数据的配电线路雷击故障定位方法的步骤。
本申请的基于多源数据的配电线路雷击故障定位方法及系统，通过充分利用跳闸数据和雷电定位数据，结合动态学习模型可以提高故障定位的准确性和实时性，为电力系统的安全运行提供更可靠的保障。有以下显著效果：
1、基于实时的配电线路跳闸数据和雷电定位系统雷击事件数据，提高故障定位的实时性；
2、通过综合利用两种数据源，根据历史数据训练后的动态学习模型，并进行时间和空间的匹配，进一步提升匹配的准确性，提高了配电线路雷击故障定位的精度；
3、基于多源数据实现故障定位，无需额外加装任何硬件设施，无需线路停电施工，安全性高，能够有力支撑配电线路抢修工作。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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一种基于多源数据的配电线路雷击故障定位方法的流程图；
图2为本发明一实施例提供的一种基于多源数据的配电线路雷击故障定位系统的结构框图；
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种基于多源数据的配电线路雷击故障定位方法的流程图。
如图1所示，基于多源数据的配电线路雷击故障定位方法具体包括以下步骤：
步骤S101，在电力信息系统中实时获取配电线路故障跳闸数据以及在雷电定位系统中实时获取雷击数据。
在本步骤中，获取配电线路故障跳闸数据：
（a）、线路名称
对于每个配电线路，我们记录其唯一的标识符，包括线路名称、编号及其下属杆塔，以确保对不同线路的准确监测和区分。
（b）、杆塔坐标
为了在空间上精确定位跳闸事件，我们采集了与跳闸线路相关的杆塔坐标。每个杆塔的地理坐标(lat,lon)，以确保对跳闸事件的空间位置准确定位。
（c）、线路跳闸事件
在电力信息系统中实时获取配电线路跳闸事件，包括线路名称、编号、跳闸时间。
通过以上数据的字段相互关联，得到配电线路跳闸事件及其下属杆塔的坐标位置的关联信息表。
获取雷击数据:
为了准确获取雷电活动的时空信息，我们采用雷电定位系统进行数据采集。该系统利用先进的雷电探测技术，记录雷电事件的经纬度 (lat,lon)、高度h、强度S等参数。这些数据以时间序列的方式进行存储。
步骤S102，分别在所述配电线路故障跳闸数据中筛选出配电线路故障跳闸事件序列，和在所述雷击数据中筛选出雷击事件序列，其中，所述配电线路故障跳闸事件序列中包含至少一个配电线路故障跳闸事件，所述雷击事件序列中包含至少一个雷击事件。
在本步骤中，基于预设的动态学习模型在所述雷击数据中筛选出雷击事件，得到一段时间内的雷击事件序列，其中，/>为t时刻的纬度，为t时刻的经度，/>为t时刻的高度，/>为t时刻的强度。
需要说明的是，在基于预设的动态学习模型在雷击数据中筛选出雷击事件之前，构建动态学习模型，并根据筛选出的雷击事件与事后勘察核实后的雷击故障的匹配对动态学习模型的参数进行更新，得到最终的动态学习模型。其中，对动态学习模型的参数进行更新的过程具体为：
计算历史梯度信息的指数加权移动平均，表达式为：
，
式中，为第t次迭代下梯度的指数加权移动平均，/>为梯度的指数加权移动平均的衰减系数，/>为第t-1次迭代下梯度的指数加权移动平均，/>为第t次迭代下的梯度信息值；
添加一个动态权重对指数加权移动平均进行更新，其中，当梯度小的情况下关注当前梯度，而在梯度大的情况下注重历史梯度信息，其中，计算动态权重/>的表达式为：
，
式中，为一个调整梯度对权重影响的超参数，/>用于将梯度映射到区间（0，1）；
对指数加权移动平均进行更新的表达式为：
，
式中，为更新后的/>，/>为更新后的/>；
计算历史梯度的平方的指数加权移动平均，表达式为：
，
式中，为第t次迭代下梯度的平方的指数加权移动平均，/>为第t-1次迭代下梯度的平方的指数加权移动平均，/>为梯度的平方的指数加权移动平均的衰减系数；
添加一个动态权重对平方的指数加权移动平均进行更新，其中，对平方的指数加权移动平均进行更新的表达式为：
，
式中，为更新后的/>，/>为更新后的/>；
对初次迭代的和/>的初始值进行偏差校正，其中，对初次迭代的/>和/>的初始值进行偏差校正的表达式为：
，
，
式中，为偏差校正的/>，/>为偏差校正的/>，/>为第t次迭代下梯度的指数加权移动平均的衰减系数，/>为第t次迭代下梯度的平方的指数加权移动平均的衰减系数；
并根据计算得到的和/>更新自适应学习率，其中，自适应学习率的表达式为：
，
式中，为第t次迭代的自适应学习率，/>为初始学习率，/>是为了数值稳定性而添加的一个的值；
根据改进逆Hessian矩阵对二阶优化算法的参数进行更新，得到改进二阶优化算法的参数更新规则，参数更新规则为：
，
，
式中，为Hessian矩阵，/>为第t次迭代的逆Hessian矩阵，/>为梯度的变化量，即，/>为单位矩阵，/>为正数，/>为第t次迭代下代价函数关于参数的梯度，/>为第t次迭代下的参数，/>为第t-1次迭代下的参数，/>为迭代总数，/>为第t次迭代下代价函数关于参数的梯度，/>为最小化误差函数，/>为可学习的参数；
根据自适应学习率与改进二阶优化算法的参数更新规则进行整合，得到最终的参数更新规则，最终的参数更新规则为：
，
式中，（）为学习率的自学习函数。
步骤S103，定义一个时间匹配矩阵，并基于雷击事件发生时间与停电事件发生时间在同一预设时间窗口内的原则在所述时间匹配矩阵中对所述至少一个配电线路故障跳闸事件和所述至少一个雷击事件进行时间匹配，得到匹配后的至少一个目标矩阵，其中，一目标矩阵中包含一目标配电线路故障跳闸事件以及与一目标配电线路故障跳闸事件关于时间匹配的一目标雷击事件。
在本步骤中，设定时间窗口为，表示观察的时间范围。设雷击事件序列为/>，停电事件序列为/>。定义一个匹配矩阵M，其中M[i,j]=1表示在时间窗口内，第i个雷击事件与第j个停电事件匹配，否则为0。
，
其中，表示第i个雷击事件发生时间，/>表示第j个停电事件发生时间。
步骤S104，计算同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件之间的实时空间距离，并判断所述实时空间距离是否大于空间阈值。
在本步骤中，在满足M[i,j]=1的所有事件序列中，进一步的对关联后矩阵进行空间关联计算。
设定空间阈值，表示雷击事件与停电事件之间认为有关联的最大空间距离。
停电事件与雷击事件空间距离计算，设雷击事件的空间坐标，停电事件的空间坐标/>。定义空间距离矩阵D。
计算同一目标矩阵中的目标配电线路故障跳闸事件序列与目标雷击事件序列之间的实时空间距离的表达式为：
，
式中，为第i个雷击事件与第j个停电事件的空间距离，/>为第i个雷击事件的纬度，/>为第j个停电事件的纬度，/>为第i个雷击事件的经度，/>为第j个停电事件的纬度。
定义空间匹配矩阵，/>表示第i个雷击事件与第j个停电事件在空间上匹配，否则为0。
。
步骤S105，若所述实时空间距离不大于空间阈值，则同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件关于空间匹配，并获取关于时间匹配和空间匹配的目标雷击事件的雷击故障位置。
在本步骤中，结合跳闸数据和雷电数据，实现对雷击故障的实时定位。即在时间和空间上都相互匹配的雷击事件与线路停电事件，雷击故障位置为。
综上，本申请的方法，基于目前配电线路跳闸事件、雷击数据等已有数据，利用大数据分析技术，实现配电线路雷击故障的识别与故障位置的准确判断，取代人工排查，提高运维抢修效率。
请参阅图2，其示出了本申请的一种基于多源数据的配电线路雷击故障定位系统的结构框图。
如图2所示，配电线路雷击故障定位系统200，包括获取模块210、筛选模块220、第一匹配模块230、计算模块240以及第二匹配模块250。
其中，获取模块210，配置为在电力信息系统中实时获取配电线路故障跳闸数据以及在雷电定位系统中实时获取雷击数据；筛选模块220，配置为分别在所述配电线路故障跳闸数据中筛选出配电线路故障跳闸事件序列，和在所述雷击数据中筛选出雷击事件序列，其中，所述配电线路故障跳闸事件序列中包含至少一个配电线路故障跳闸事件，所述雷击事件序列中包含至少一个雷击事件；第一匹配模块230，配置为定义一个时间匹配矩阵，并基于雷击事件发生时间与停电事件发生时间在同一预设时间窗口内的原则在所述时间匹配矩阵中对所述至少一个配电线路故障跳闸事件和所述至少一个雷击事件进行时间匹配，得到匹配后的至少一个目标矩阵，其中，一目标矩阵中包含一目标配电线路故障跳闸事件以及与一目标配电线路故障跳闸事件关于时间匹配的一目标雷击事件；计算模块240，配置为计算同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件之间的实时空间距离，并判断所述实时空间距离是否大于空间阈值；第二匹配模块250，配置为若所述实时空间距离不大于空间阈值，则同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件关于空间匹配，并获取关于时间匹配和空间匹配的目标雷击事件的雷击故障位置。
应当理解，图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于多源数据的配电线路雷击故障定位方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
在电力信息系统中实时获取配电线路故障跳闸数据以及在雷电定位系统中实时获取雷击数据；
分别在所述配电线路故障跳闸数据中筛选出配电线路故障跳闸事件序列，和在所述雷击数据中筛选出雷击事件序列，其中，所述配电线路故障跳闸事件序列中包含至少一个配电线路故障跳闸事件，所述雷击事件序列中包含至少一个雷击事件；
定义一个时间匹配矩阵，并基于雷击事件发生时间与停电事件发生时间在同一预设时间窗口内的原则在所述时间匹配矩阵中对所述至少一个配电线路故障跳闸事件和所述至少一个雷击事件进行时间匹配，得到匹配后的至少一个目标矩阵，其中，一目标矩阵中包含一目标配电线路故障跳闸事件以及与一目标配电线路故障跳闸事件关于时间匹配的一目标雷击事件；
计算同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件之间的实时空间距离，并判断所述实时空间距离是否大于空间阈值；
若所述实时空间距离不大于空间阈值，则同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件关于空间匹配，并获取关于时间匹配和空间匹配的目标雷击事件的雷击故障位置。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于多源数据的配电线路雷击故障定位系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于多源数据的配电线路雷击故障定位系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图，如图3所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于多源数据的配电线路雷击故障定位方法。输入装置330可接收输入的数字或字符信息，以及产生与基于多源数据的配电线路雷击故障定位系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于多源数据的配电线路雷击故障定位系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
在电力信息系统中实时获取配电线路故障跳闸数据以及在雷电定位系统中实时获取雷击数据；
分别在所述配电线路故障跳闸数据中筛选出配电线路故障跳闸事件序列，和在所述雷击数据中筛选出雷击事件序列，其中，所述配电线路故障跳闸事件序列中包含至少一个配电线路故障跳闸事件，所述雷击事件序列中包含至少一个雷击事件；
定义一个时间匹配矩阵，并基于雷击事件发生时间与停电事件发生时间在同一预设时间窗口内的原则在所述时间匹配矩阵中对所述至少一个配电线路故障跳闸事件和所述至少一个雷击事件进行时间匹配，得到匹配后的至少一个目标矩阵，其中，一目标矩阵中包含一目标配电线路故障跳闸事件以及与一目标配电线路故障跳闸事件关于时间匹配的一目标雷击事件；
计算同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件之间的实时空间距离，并判断所述实时空间距离是否大于空间阈值；
若所述实时空间距离不大于空间阈值，则同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件关于空间匹配，并获取关于时间匹配和空间匹配的目标雷击事件的雷击故障位置。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：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 (8)
1.一种基于多源数据的配电线路雷击故障定位方法，其特征在于，包括：
在电力信息系统中实时获取配电线路故障跳闸数据以及在雷电定位系统中实时获取雷击数据；
分别在所述配电线路故障跳闸数据中筛选出配电线路故障跳闸事件序列，和在所述雷击数据中筛选出雷击事件序列，其中，所述配电线路故障跳闸事件序列中包含至少一个配电线路故障跳闸事件，所述雷击事件序列中包含至少一个雷击事件；
定义一个时间匹配矩阵，并基于雷击事件发生时间与停电事件发生时间在同一预设时间窗口内的原则在所述时间匹配矩阵中对所述至少一个配电线路故障跳闸事件和所述至少一个雷击事件进行时间匹配，得到匹配后的至少一个目标矩阵，其中，一目标矩阵中包含一目标配电线路故障跳闸事件以及与一目标配电线路故障跳闸事件关于时间匹配的一目标雷击事件；
计算同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件之间的实时空间距离，并判断所述实时空间距离是否大于空间阈值；
若所述实时空间距离不大于空间阈值，则同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件关于空间匹配，并获取关于时间匹配和空间匹配的目标雷击事件的雷击故障位置。
2.根据权利要求1所述的一种基于多源数据的配电线路雷击故障定位方法，其特征在于，所述分别在所述配电线路故障跳闸数据中筛选出配电线路故障跳闸事件序列包括：
记录每个配电线路唯一的标识符，所述标识符包括线路名称、编号及每个配电线路下属杆塔；
采集与跳闸线路相关的杆塔坐标；
在电力信息系统中实时获取配电线路故障跳闸数据，所述电线路故障跳闸数据包括线路名称、编号以及跳闸时间；
通过所述配电线路故障跳闸数据中的字段相互关联，得到配电线路跳闸事件及配电线路跳闸事件下属杆塔的坐标位置的关联信息表，即得到一段时间内的配电线路故障跳闸事件序列。
3.根据权利要求1所述的一种基于多源数据的配电线路雷击故障定位方法，其特征在于，所述在所述雷击数据中筛选出雷击事件序列包括：
基于预设的动态学习模型在所述雷击数据中筛选出雷击事件，得到一段时间内的雷击事件序列，其中，/>为t时刻的纬度，/>为t时刻的经度，/>为t时刻的高度，/>为t时刻的强度。
4.根据权利要求3所述的一种基于多源数据的配电线路雷击故障定位方法，其特征在于，在基于预设的动态学习模型在所述雷击数据中筛选出雷击事件之前，所述方法包括：
构建动态学习模型，并根据筛选出的雷击事件与事后勘察核实后的雷击故障的匹配对所述动态学习模型的参数进行更新，得到最终的动态学习模型，其中，对所述动态学习模型的参数进行更新的过程具体为：
计算历史梯度信息的指数加权移动平均，表达式为：
，
式中，为第t次迭代下梯度的指数加权移动平均，/>为梯度的指数加权移动平均的衰减系数，/>为第t-1次迭代下梯度的指数加权移动平均，/>为第t次迭代下的梯度信息值；
添加一个动态权重对所述指数加权移动平均进行更新，其中，当梯度小的情况下关注当前梯度，而在梯度大的情况下注重历史梯度信息，其中，计算动态权重/>的表达式为：
，
式中，为一个调整梯度对权重影响的超参数，/>用于将梯度映射到区间（0，1）；
对所述指数加权移动平均进行更新的表达式为：
，
式中，为更新后的/>，/>为更新后的/>；
计算历史梯度的平方的指数加权移动平均，表达式为：
，
式中，为第t次迭代下梯度的平方的指数加权移动平均，/>为第t-1次迭代下梯度的平方的指数加权移动平均，/>为梯度的平方的指数加权移动平均的衰减系数；
添加一个动态权重对平方的指数加权移动平均进行更新，其中，对平方的指数加权移动平均进行更新的表达式为：
，
式中，为更新后的/>，/>为更新后的/>；
对初次迭代的和/>的初始值进行偏差校正，其中，对初次迭代的/>和/>的初始值进行偏差校正的表达式为：
，
，
式中，为偏差校正的/>，/>为偏差校正的/>，/>为第t次迭代下梯度的指数加权移动平均的衰减系数，/>为第t次迭代下梯度的平方的指数加权移动平均的衰减系数；
并根据计算得到的和/>更新自适应学习率，其中，自适应学习率的表达式为：
，
式中，为第t次迭代的自适应学习率，/>为初始学习率，/>是为了数值稳定性而添加的一个的值；
根据改进逆Hessian矩阵对二阶优化算法的参数进行更新，得到改进二阶优化算法的参数更新规则，所述参数更新规则为：
，
，
式中，为Hessian矩阵，/>为第t次迭代的逆Hessian矩阵，/>为梯度的变化量，即，/>为单位矩阵，/>为正数，/>为第t次迭代下代价函数关于参数的梯度，/>为第t次迭代下的参数，/>为第t-1次迭代下的参数，/>为迭代总数，/>为第t次迭代下代价函数关于参数的梯度，/>为最小化误差函数，/>为可学习的参数；
根据自适应学习率与改进二阶优化算法的参数更新规则进行整合，得到最终的参数更新规则，最终的参数更新规则为：
，
式中，（）为学习率的自学习函数。
5.根据权利要求1所述的一种基于多源数据的配电线路雷击故障定位方法，其特征在于，计算同一目标矩阵中的目标配电线路故障跳闸事件序列与目标雷击事件序列之间的实时空间距离的表达式为：
，
式中，为第i个雷击事件与第j个停电事件的空间距离，/>为第i个雷击事件的纬度，/>为第j个停电事件的纬度，/>为第i个雷击事件的经度，/>为第j个停电事件的纬度。
6.一种基于多源数据的配电线路雷击故障定位系统，其特征在于，包括：
获取模块，配置为在电力信息系统中实时获取配电线路故障跳闸数据以及在雷电定位系统中实时获取雷击数据；
筛选模块，配置为分别在所述配电线路故障跳闸数据中筛选出配电线路故障跳闸事件序列，和在所述雷击数据中筛选出雷击事件序列，其中，所述配电线路故障跳闸事件序列中包含至少一个配电线路故障跳闸事件，所述雷击事件序列中包含至少一个雷击事件；
第一匹配模块，配置为定义一个时间匹配矩阵，并基于雷击事件发生时间与停电事件发生时间在同一预设时间窗口内的原则在所述时间匹配矩阵中对所述至少一个配电线路故障跳闸事件和所述至少一个雷击事件进行时间匹配，得到匹配后的至少一个目标矩阵，其中，一目标矩阵中包含一目标配电线路故障跳闸事件以及与一目标配电线路故障跳闸事件关于时间匹配的一目标雷击事件；
计算模块，配置为计算同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件之间的实时空间距离，并判断所述实时空间距离是否大于空间阈值；
第二匹配模块，配置为若所述实时空间距离不大于空间阈值，则同一目标矩阵中的目标配电线路故障跳闸事件与目标雷击事件关于空间匹配，并获取关于时间匹配和空间匹配的目标雷击事件的雷击故障位置。
7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。
8.一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，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161071.3A CN117706280B (zh) | 2024-02-05 | 2024-02-05 | 一种基于多源数据的配电线路雷击故障定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161071.3A CN117706280B (zh) | 2024-02-05 | 2024-02-05 | 一种基于多源数据的配电线路雷击故障定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117706280A true CN117706280A (zh) | 2024-03-15 |
| CN117706280B CN117706280B (zh) | 2024-06-04 |
Family
ID=90151938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410161071.3A Active CN117706280B (zh) | 2024-02-05 | 2024-02-05 | 一种基于多源数据的配电线路雷击故障定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117706280B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100073010A1 (en) * | 2006-10-13 | 2010-03-25 | Tnb Research Sdn. Bhd | Flashover analysis tool |
| KR20140029865A (ko) * | 2012-08-30 | 2014-03-11 | 한국전력공사 | 배전선로 내뢰설계 성능평가 장치 및 그 방법 |
| CN104655986A (zh) * | 2015-02-26 | 2015-05-27 | 国家电网公司 | 输电线路跳闸雷击故障点判别方法 |
| CN107290623A (zh) * | 2017-05-08 | 2017-10-24 | 广西电网有限责任公司电力科学研究院 | 一种基于自动匹配的输电线路故障原因识别方法 |
| CN112365038A (zh) * | 2020-10-30 | 2021-02-12 | 广西电网有限责任公司电力科学研究院 | 一种配电线路受雷击跳闸概率的评估方法及系统 |
| CN113253054A (zh) * | 2021-05-24 | 2021-08-13 | 中国农业大学 | 一种基于闪电成像仪的配电网雷电故障快速定位方法 |
| CN114418195A (zh) * | 2021-12-29 | 2022-04-29 | 广东电网有限责任公司 | 雷击跳闸事件的分析方法、装置、设备及存储介质 |
| US20220179379A1 (en) * | 2020-12-09 | 2022-06-09 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method and system for controlling energy consuming operations |
| CN115407161A (zh) * | 2022-08-30 | 2022-11-29 | 广东电网有限责任公司 | 一种配网线路雷击故障快速定位查找方法和系统 |
| CN115508663A (zh) * | 2022-08-26 | 2022-12-23 | 云南电网有限责任公司电力科学研究院 | 一种雷击故障定位方法及系统 |
| CN115586398A (zh) * | 2022-09-28 | 2023-01-10 | 贵州电网有限责任公司 | 一种多分支配电线路雷击故障定位方法、仿真方法和系统 |
| CN115713236A (zh) * | 2022-11-17 | 2023-02-24 | 国网湖北省电力有限公司电力科学研究院 | 一种基于雷击数据空间自相关分析的配电网雷害风险评估方法 |
| CN117151195A (zh) * | 2023-08-18 | 2023-12-01 | 鹏城实验室 | 基于求逆归一化的模型优化方法、装置、设备和介质 |
| CN117375249A (zh) * | 2023-12-08 | 2024-01-09 | 江苏君耀电气有限公司 | 配电网防雷事故智能分析及定位系统及方法 |
-
2024
- 2024-02-05 CN CN202410161071.3A patent/CN117706280B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100073010A1 (en) * | 2006-10-13 | 2010-03-25 | Tnb Research Sdn. Bhd | Flashover analysis tool |
| KR20140029865A (ko) * | 2012-08-30 | 2014-03-11 | 한국전력공사 | 배전선로 내뢰설계 성능평가 장치 및 그 방법 |
| CN104655986A (zh) * | 2015-02-26 | 2015-05-27 | 国家电网公司 | 输电线路跳闸雷击故障点判别方法 |
| CN107290623A (zh) * | 2017-05-08 | 2017-10-24 | 广西电网有限责任公司电力科学研究院 | 一种基于自动匹配的输电线路故障原因识别方法 |
| CN112365038A (zh) * | 2020-10-30 | 2021-02-12 | 广西电网有限责任公司电力科学研究院 | 一种配电线路受雷击跳闸概率的评估方法及系统 |
| US20220179379A1 (en) * | 2020-12-09 | 2022-06-09 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method and system for controlling energy consuming operations |
| CN113253054A (zh) * | 2021-05-24 | 2021-08-13 | 中国农业大学 | 一种基于闪电成像仪的配电网雷电故障快速定位方法 |
| CN114418195A (zh) * | 2021-12-29 | 2022-04-29 | 广东电网有限责任公司 | 雷击跳闸事件的分析方法、装置、设备及存储介质 |
| CN115508663A (zh) * | 2022-08-26 | 2022-12-23 | 云南电网有限责任公司电力科学研究院 | 一种雷击故障定位方法及系统 |
| CN115407161A (zh) * | 2022-08-30 | 2022-11-29 | 广东电网有限责任公司 | 一种配网线路雷击故障快速定位查找方法和系统 |
| CN115586398A (zh) * | 2022-09-28 | 2023-01-10 | 贵州电网有限责任公司 | 一种多分支配电线路雷击故障定位方法、仿真方法和系统 |
| CN115713236A (zh) * | 2022-11-17 | 2023-02-24 | 国网湖北省电力有限公司电力科学研究院 | 一种基于雷击数据空间自相关分析的配电网雷害风险评估方法 |
| CN117151195A (zh) * | 2023-08-18 | 2023-12-01 | 鹏城实验室 | 基于求逆归一化的模型优化方法、装置、设备和介质 |
| CN117375249A (zh) * | 2023-12-08 | 2024-01-09 | 江苏君耀电气有限公司 | 配电网防雷事故智能分析及定位系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| NOAM SHAZEER等: "Adafactor: Adaptive Learning Rates with Sublinear Memory Cost", 《INTERNATIONAL CONFERENCE ON MACHINE LEARNING》, vol. 80, 31 December 2018 (2018-12-31) * |
| SHIQING SUN等: "Connection of Diagonal Hessian Estimates to Natural Gradients in Stochastic Optimization", 《2021 55TH ANNUAL CONFERENCE ON INFORMATION SCIENCES AND SYSTEMS (CISS)》, 19 April 2021 (2021-04-19) * |
| 李满园等: "基于自适应动量更新策略的 Adams 算法", 《上海理工大学学报》, vol. 45, no. 2, 28 February 2023 (2023-02-28) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117706280B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Hybrid state estimation for distribution systems with AMI and SCADA measurements | |
| CN116256602B (zh) | 一种低压配电网状态异常的识别方法和系统 | |
| CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
| CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| CN114966233B (zh) | 基于深度神经网络的雷电预报系统及方法 | |
| CN116032557B (zh) | 一种网络安全异常检测中深度学习模型的更新方法与装置 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| CN108809706B (zh) | 一种变电站的网络风险监测系统 | |
| CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及系统 | |
| CN115603464B (zh) | 一种基于数字孪生的电网操作票智能生成管理系统 | |
| CN118094531B (zh) | 一种安全运维实时预警一体化系统 | |
| CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
| CN118193954A (zh) | 一种基于边缘计算的配电网异常数据检测方法及系统 | |
| CN117706280B (zh) | 一种基于多源数据的配电线路雷击故障定位方法及系统 | |
| CN117909888A (zh) | 智慧人工智能气候预测方法 | |
| Qi et al. | Iterative anomaly detection algorithm based on time series analysis | |
| Shang et al. | Loss of life estimation of distribution transformers considering corrupted AMI data recovery and field verification | |
| CN107679478B (zh) | 输电线路空间负荷状态的提取方法和系统 | |
| CN113988189B (zh) | 一种跨风电机组的迁移故障诊断方法 | |
| CN116131255A (zh) | 基于时间序列概念漂移的电站未来发电量预测方法及装置 | |
| CN116956174B (zh) | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 | |
| CN113596757A (zh) | 一种基于集成宽度学习的快速高精度室内指纹定位方法 | |
| Chren | Towards multi-layered reliability analysis in smart grids | |
| Su et al. | Combined-LSTM based user electricity consumption prediction in a smart grid system | |
| Vijayvargia et al. | VARMA model parameterization using MLLE approach for intraday wind power forecasting application |
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 |