CN117972646A - 输电线路避雷器、杆塔和接地系统运行状态评估方法 - Google Patents
输电线路避雷器、杆塔和接地系统运行状态评估方法 Download PDFInfo
- Publication number
- CN117972646A CN117972646A CN202410390383.1A CN202410390383A CN117972646A CN 117972646 A CN117972646 A CN 117972646A CN 202410390383 A CN202410390383 A CN 202410390383A CN 117972646 A CN117972646 A CN 117972646A
- Authority
- CN
- China
- Prior art keywords
- target object
- transmission line
- data
- state evaluation
- risk
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 115
- 230000005540 biological transmission Effects 0.000 title claims abstract description 92
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
- H02G13/00—Installations of lightning conductors; Fastening thereof to supporting structure
- H02G13/60—Detecting; Measuring; Sensing; Testing; Simulating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
- H02G7/00—Overhead installations of electric lines or cables
- H02G7/22—Arrangements of earthing wires suspended between mastheads
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了输电线路避雷器、杆塔和接地系统运行状态评估方法,包括确定输电线路避雷器、杆塔和接地系统相应目标对象的相应的风险阈值,获取目标对象的状态评估特征数据,生成相应目标对象的状态评估特征数据,构建相应目标对象的运行状态评估模型,生成相应预测结果信息和/或对应的安全评价参数。本发明利用获取相应的目标对象数据以及特征处理后,生成相应目标对象的状态评估特征数据,能够生成相应的运行状态评估结果数据,进而能够结合输电线路上不同设备的风险值预测,解决了在现有电力系统数据处理中难以对输电线路避雷器、杆塔和接地系统之间的不同状态监测与评估的问题,提高了输电线路状态监测与评估的效果。
Description
技术领域
本发明涉及数据处理技术领域,特别是输电线路避雷器、杆塔和接地系统运行状态评估方法。
背景技术
发展智能电网已经是一个时代的趋势,而今许多研究学者也将各种智能算法应用到输电线路的运行状态的评估中,例如基于模糊综合评价、神经网络等的评价方法,但是这种评价方法存在以下几点不足:一、其训练以及建模过程过于复杂、工作量较大、实用性不强;二、仅考虑到了单一线路设备以及状态量的相关评价,未结合输电线路上不同设备的风险值进行预测,难以对输电线路避雷器、杆塔和接地系统的整体运行状态进行评估,进而难以反映输电线路运行的真实状态。这些不足将导致了这些智能方法在输电线路的运行状态评估的工程实践应用中变得困难重重。
发明内容
鉴于上述现有的电力系统数据处理中存在的问题,提出了本发明。
因此,本发明其中的一个目的是提供输电线路避雷器、杆塔和接地系统运行状态评估方法,利用获取相应的目标对象数据以及特征处理,生成相应目标对象的状态评估特征数据,对其进行分析,能够生成相应地运行状态评估结果数据,进而能够结合输电线路上不同设备的风险值进行预测,有利于工作人员高效地、精准地和稳定地进行输电线路监测工作。
为解决上述技术问题,本发明提供如下技术方案:一种输电线路避雷器、杆塔和接地系统运行状态评估方法,包括:
步骤S1,确定风险阈值,确定目标对象的相应的风险阈值,所述目标对象为输电线路避雷器、杆塔和接地系统,所述风险阈值为所述输电线路避雷器、杆塔和接地系统所预设的阈值;
步骤S2,获取目标对象的状态评估特征数据,基于输电线路避雷器、杆塔和接地系统所匹配的风险阈值,获取相应的目标对象数据,并将相应的目标对象数据进行特征处理,生成相应目标对象的状态评估特征数据,其中所述目标对象数据包括获取的输电线路避雷器数据、杆塔数据和接地系统数据,所述目标对象的状态评估特征数据通过SVM算法的最优超平面,将不同目标对象的状态评估特征数据进行隔开分类成输电线路避雷器、杆塔和接地系统各自的状态评估特征数据;
步骤S3,构建相应目标对象的运行状态评估模型,基于循环神经网络构建相应目标对象的运行状态评估模型,响应相应目标对象的状态评估特征数据,确定相应目标对象对应的风险值,所述风险值包括确定相应目标对象中每个单独对象所对应的第一风险值、确定相应目标对象中两个单独对象之间所对应的第二风险值和确定相应目标对象中整体所对应的第三风险值,并根据所述第一风险值或第二风险值确定相应的风险权重因数,所述风险权重因数通过构建目标对象的特征数据集计算风险替换概率,进行更新后确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出;其中所述第一风险值为输电线路避雷器、杆塔和接地系统中每个单独对象经过目标对象的运行状态评估模型判断后所生成的第一风险值,所述第二风险值为输电线路避雷器、杆塔和接地系统两个单独对象经过目标对象的运行状态评估模型判断后所生成的第二风险值,所述第三风险值是对输电线路避雷器、杆塔和接地系统的整体目标对象的运行状态评估后生成的第三风险值;
步骤S4,基于所述运行状态评估模型生成运行状态评估结果数据,基于相应目标对象对应所述的风险值以及相应的风险权重因数,并响应相应目标对象的状态评估特征数据,生成相应预测结果信息和/或对应的安全评价参数后输出。
作为本发明的一种优选方案,其中:步骤S3中,基于循环神经网络构建相应目标对象的运行状态评估模型,具体地通过循环神经网络分析由卷积神经网络编码的设备状态序列和嵌入编码的设备信息,检测出预测单个目标对象故障的状态下的风险值作为第一风险值,检测出预测两个目标对象故障的状态下的风险值作为第二风险值,所述第一风险值表示如下:
;
其中,为对单个目标对象的设备状态序列/>应用卷积神经网络模型,为对单个目标对象嵌入编码的设备信息/>应用循环神经网络模型;/>为第一风险值,/>为第一风险值的权重系数,/>为/>和/>在输出时进行组合的函数;单个目标对象包括输电线路避雷器、杆塔或接地系统其中的一个;
所述第二风险值表示如下:
;
其中,为对两个目标对象的设备状态序列/>或/>应用卷积神经网络模型,/>为对两个目标对象嵌入编码的设备信息/>或/>应用循环神经网络模型;/>为第二风险值,/>为第二风险值的权重系数,/>为/>和/>在输出时进行组合的函数;两个目标对象包括输电线路避雷器、杆塔或接地系统其中的两个。
作为本发明的一种优选方案,其中:步骤S3中所述风险权重因数通过构建目标对象的特征数据集计算风险替换概率,进行更新后确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出,具体如下:
步骤S301,构建目标对象的特征数据集以及所对应的目标对象状态评估特征数据集,并在目标对象的特征数据集中选取输电线路避雷器、杆塔和接地系统所预设的三个阈值中的任意一个作为初始质心;
步骤S302,计算目标对象状态评估特征数据集中每个目标对象的状态评估特征数据的概率,即每个目标对象的状态评估特征数据与当前所述初始质心的欧式距离,再通过下式计算替取当前所述初始质心的概率;
;
其中,为每个目标对象的状态评估特征数据与当前所述初始质心的欧式距离值,/>为目标对象的状态评估特征数据集,/>为替取当前所述初始质心的概率;
步骤S303,根据步骤S302中的替取当前所述初始质心的概率,重复步骤S301和步骤S302的过程,直至获取k个替取当前初始质心的概率;
步骤S304,响应k个替取当前初始质心的概率,并根据目标对象的运行状态评估模型确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出。
作为本发明的一种优选方案,其中:步骤S2中将相应的目标对象数据进行特征处理,生成相应目标对象的状态评估特征数据,具体通过SVM算法找到一个最优超平面,将不同类别的目标对象的状态评估特征数据进行隔开,即数据标记与分组、构建SVM分类器、训练分类模型和应用模型预测结果;通过SVM支持向量机对目标对象数据进行分类和标注,通过以下公式以最优超平面将目标对象数据分类,其中最优超平面的表达式如下:
;
;
其中,为目标对象数据分类的权重向量,/>为映射函数,b为需要求解的向量,/>为第i个真实标签,/>和/>为输入样本,/>为替代/>和/>内积运算的核函数,为拉格朗日乘子;根据SVM支持向量机的分类结果对目标对象数据进行逐一标注。
作为本发明的一种优选方案,其中:在获取目标对象的状态评估特征数据前还包括进行数据预处理,具体包括删除异常值、填补缺失值、转换数据类型、建立值与类别的映射、以及正态分布化处理。
作为本发明的一种优选方案,其中:生成相应预测结果信息和/或对应的安全评价参数,还包括数据可视化呈现,具体如下:
步骤S401:在输电线路避雷器、杆塔和接地系统预测风险值的柱状图上,添加正态分布概率密度曲线和初始质心的概率的计算值的曲线;
步骤S402:对输电线路避雷器、杆塔和接地系统预测风险值进行正态分布化处理;
步骤S403:添加一列总面积并计算偏度;
步骤S404:随后对偏度大的列数据进行BOX-COX转换;
步骤S405:对数据进行独热编码;
步骤S406:使用多项回归预测算法进行安全评价参数的预测。
作为本发明的一种优选方案,其中:所述安全评价参数还包括结果数据量化处理,结果数据量化处理是将安全评价参数进行数据量化处理,所述安全评价参数包括输电线路避雷器、杆塔和接地系统在安全状态下所生成的数值。
作为本发明的一种优选方案,其中:所述安全状态是以输电线路避雷器、杆塔和接地系统预测风险值的剩余风险值,作为安全运行状态支持度和安全运行状态置信度两个指标,进行判断。
作为本发明的一种优选方案,其中:步骤S406中使用多项回归预测算法进行安全评价参数预测,具体如下:
;
其中,是安全评价参数的第/>个特征,/>是安全评价参数的第/>个特征的权重系数,/>是第/>个安全评价参数的误差值,/>是第/>个安全评价参数的预测输出值。
本发明的有益效果:本发明利用获取相应的目标对象数据以及特征处理后,生成相应目标对象的状态评估特征数据,对其进行分析,能够生成相应的运行状态评估结果数据,进而能够结合输电线路上不同设备的风险值预测,解决了在现有电力系统数据处理中难以对输电线路避雷器、杆塔和接地系统之间的不同状态监测与评估的问题,提高了输电线路状态监测与评估的效果,同时有利于工作人员高效地、精准地和稳定地进行输电线路监测工作。
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。其中:
图1为本发明的输电线路避雷器、杆塔和接地系统运行状态评估方法流程图;
图2为本发明构建目标对象的运行状态评估模型的方法流程图;
图3为本发明生成相应预测结果信息和对应的安全评价参数的可视化呈现处理方法流程图。
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的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
参照图1-图3,为本发明的一个实施例,该实施例提供了一种输电线路避雷器、杆塔和接地系统运行状态评估方法,包括:
步骤S1,确定风险阈值,确定输电线路避雷器、杆塔和接地系统中相应目标对象的相应的风险阈值,目标对象为输电线路避雷器、杆塔和接地系统,该风险阈值为该输电线路避雷器、杆塔和接地系统所预设的阈值;
本实施例针对输电线路避雷器、杆塔和接地系统三组目标对象的风险值评估时,需进行目标对象数据的分类,分类并进行数据预处理后进行风险值预测流程,为此本实施例将相应的目标对象数据进行特征处理,生成相应目标对象的状态评估特征数据,具体通过SVM算法找到一个最优超平面,将不同类别的目标对象的状态评估特征数据进行隔开,即数据标记与分组、构建SVM分类器、训练分类模型和应用模型预测结果;通过SVM支持向量机对目标对象数据进行分类和标注,通过以下公式以最优超平面将目标对象数据分类,其中最优超平面的表达式如下:
;
;
其中,为目标对象数据分类的权重向量,/>为映射函数,b为需要求解的向量,/>为第i个真实标签,/>和/>为输入样本,/>为替代/>和/>内积运算的核函数,为拉格朗日乘子;根据SVM支持向量机的分类结果对目标对象数据进行逐一标注;这样一来可完成对目标对象数据的分类工作;
此外,在获取目标对象的状态评估特征数据前还包括进行数据预处理,具体包括删除异常值、填补缺失值、转换数据类型、建立值与类别的映射、以及正态分布化处理。
步骤S2,获取目标对象的状态评估特征数据,基于输电线路避雷器、杆塔和接地系统所匹配的风险阈值,获取相应的目标对象数据,并将相应的目标对象数据进行特征处理,生成相应目标对象的状态评估特征数据,其中所述目标对象数据包括获取的输电线路避雷器数据、杆塔数据和接地系统数据,所述目标对象的状态评估特征数据通过SVM算法的最优超平面,将不同目标对象的状态评估特征数据进行隔开分类成输电线路避雷器、杆塔和接地系统各自的状态评估特征数据。
步骤S3,构建相应目标对象的运行状态评估模型,基于循环神经网络构建相应目标对象的运行状态评估模型,响应相应目标对象的状态评估特征数据,确定相应目标对象对应的风险值;
需要重点说明地,本实施例针对的是输电线路避雷器、杆塔和接地系统三组目标对象的风险值评估,为此确定相应目标对象对应的风险值,该风险值包括确定相应目标对象中每个单独对象所对应的第一风险值、确定相应目标对象中两个单独对象之间所对应的第二风险值和确定相应目标对象中整体所对应的第三风险值,并根据所述第一风险值或第二风险值确定相应的风险权重因数,风险权重因数通过构建目标对象的特征数据集计算风险替换概率,进行更新后确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出;其中第一风险值为输电线路避雷器、杆塔和接地系统中每个单独对象经过运行状态评估模型判断后所生成的第一风险值,即包括输电线路避雷器、杆塔和接地系统每个单独对象的风险值,第二风险值为输电线路避雷器、杆塔和接地系统两个单独对象经过目标对象的运行状态评估模型判断后所生成的第二风险值,即输电线路避雷器和杆塔、输电线路避雷器和接地系统、或输电线路避雷器和接地系统,这三项两两组合而成的风险值,第三风险值是对输电线路避雷器、杆塔和接地系统的整体目标对象的运行状态评估后生成的第三风险值;
本实施进一步地构建相应目标对象的运行状态评估模型具体地,是基于循环神经网络构建相应目标对象的运行状态评估模型,其通过循环神经网络分析由卷积神经网络编码的设备状态序列和嵌入编码的设备信息,检测出预测单个目标对象故障的状态下的风险值作为第一风险值,检测出预测两个目标对象故障的状态下的风险值作为第二风险值,所述第一风险值表示如下:
;
其中,为对单个目标对象的设备状态序列/>应用卷积神经网络模型,为对单个目标对象嵌入编码的设备信息/>应用循环神经网络模型;/>为第一风险值,/>为第一风险值的权重系数,/>为/>和/>在输出时进行组合的函数;单个目标对象包括输电线路避雷器、杆塔或接地系统其中的一个;
所述第二风险值表示如下:
;
其中,为对两个目标对象的设备状态序列/>或/>应用卷积神经网络模型,/>为对两个目标对象嵌入编码的设备信息/>或/>应用循环神经网络模型;/>为第二风险值,/>为第二风险值的权重系数,/>为/>和/>在输出时进行组合的函数;两个目标对象包括输电线路避雷器、杆塔或接地系统其中的两个;
根据上述可知,能够一一分别的根据上述两种类别的风险值即第一风险值或第二风险值,进行确定相应的风险权重因数,自动更新权重;具体地,目标对象的运行状态评估模型判断后所生成的第一风险值,输电线路避雷器、杆塔和接地系统所生成的三项风险值,根据其中一个最高权重进行更新;经过目标对象的运行状态评估模型判断后所生成的第二风险值,同理根据输电线路避雷器和杆塔、输电线路避雷器和接地系统、或输电线路避雷器和接地系统,这三项其中一项最高权重进行更新。
如图2所示,本实施例需要强调的是通过构建目标对象的特征数据集计算风险替换概率,进行更新后确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出,具体如下:
步骤S301,构建目标对象的特征数据集以及所对应的目标对象状态评估特征数据集,并在目标对象的特征数据集中选取输电线路避雷器、杆塔和接地系统所预设的三个阈值中的任意一个作为初始质心;
步骤S302,计算目标对象状态评估特征数据集中每个目标对象的状态评估特征数据的概率,即每个目标对象的状态评估特征数据与当前所述初始质心的欧式距离,再通过下式计算替取当前所述初始质心的概率;
;
其中,为每个目标对象的状态评估特征数据与当前所述初始质心的欧式距离值,/>为目标对象的状态评估特征数据集,/>为替取当前所述初始质心的概率;
步骤S303,根据步骤S302中的替取当前所述初始质心的概率,重复步骤S301和步骤S302的过程,直至获取k个替取当前初始质心的概率;
步骤S304,响应k个替取当前初始质心的概率,并根据目标对象的运行状态评估模型确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出。
步骤S4,基于所述运行状态评估模型生成运行状态评估结果数据,基于相应目标对象对应所述的风险值以及相应的风险权重因数,并响应相应目标对象的状态评估特征数据,生成相应预测结果信息和/或对应的安全评价参数后输出。
如图3所示,本实施例优选地,生成相应预测结果信息和/或对应的安全评价参数,还包括数据可视化呈现,具体如下:
步骤S401:在输电线路避雷器、杆塔和接地系统预测风险值的柱状图上,添加正态分布概率密度曲线和初始质心的概率的计算值的曲线;
步骤S402:对输电线路避雷器、杆塔和接地系统预测风险值进行正态分布化处理;
步骤S403:添加一列总面积并计算偏度;
步骤S404:随后对偏度大的列数据进行BOX-COX转换,改善数据的正态性和对称性;
步骤S405:对数据进行独热编码;
步骤S406:使用多项回归预测算法进行安全评价参数的预测;
其中,使用多项回归预测算法进行安全评价参数预测,具体如下:
;
其中,是安全评价参数的第/>个特征,/>是安全评价参数的第/>个特征的权重系数,/>是第/>个安全评价参数的误差值,/>是第/>个安全评价参数的预测输出值。
本实施例进一步说明地,该安全评价参数还包括结果数据量化处理,结果数据量化处理是将安全评价参数进行数据量化处理,所述安全评价参数包括输电线路避雷器、杆塔和接地系统在安全状态下所生成的数值。此外,本实施例的该安全状态以输电线路避雷器、杆塔和接地系统预测风险值的剩余风险值,作为安全运行状态支持度和安全运行状态置信度两个指标,进行判断。
综上所述,本发明利用获取相应的目标对象数据以及特征处理后,生成相应目标对象的状态评估特征数据,对其进行分析,能够生成相应地运行状态评估结果数据,进而能够结合输电线路上不同设备的风险值预测,解决了在现有电力系统数据处理中难以对输电线路避雷器、杆塔和接地系统之间的不同状态监测与评估,提高了输电线路状态监测与评估的效果,同时有利于工作人员高效地、精准地和稳定地进行输电线路监测工作。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
应理解的是,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。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。上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,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.输电线路避雷器、杆塔和接地系统运行状态评估方法,其特征在于,包括:
步骤S1,确定风险阈值,确定目标对象的相应的风险阈值,所述目标对象为输电线路避雷器、杆塔和接地系统,所述风险阈值为所述输电线路避雷器、杆塔和接地系统所预设的阈值;
步骤S2,获取目标对象的状态评估特征数据,基于输电线路避雷器、杆塔和接地系统所匹配的风险阈值,获取相应的目标对象数据,并将相应的目标对象数据进行特征处理,生成相应目标对象的状态评估特征数据,其中所述目标对象数据包括获取的输电线路避雷器数据、杆塔数据和接地系统数据,所述目标对象的状态评估特征数据通过SVM算法的最优超平面,将不同目标对象的状态评估特征数据进行隔开分类成输电线路避雷器、杆塔和接地系统各自的状态评估特征数据;
步骤S3,构建相应目标对象的运行状态评估模型,基于循环神经网络构建相应目标对象的运行状态评估模型,响应相应目标对象的状态评估特征数据,确定相应目标对象对应的风险值,所述风险值包括确定相应目标对象中每个单独对象所对应的第一风险值、确定相应目标对象中两个单独对象之间所对应的第二风险值和确定相应目标对象中整体所对应的第三风险值,并根据所述第一风险值或第二风险值确定相应的风险权重因数,所述风险权重因数通过构建目标对象的特征数据集计算风险替换概率,进行更新后确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出;其中所述第一风险值为输电线路避雷器、杆塔和接地系统中每个单独对象经过目标对象的运行状态评估模型判断后所生成的第一风险值,所述第二风险值为输电线路避雷器、杆塔和接地系统两个单独对象经过目标对象的运行状态评估模型判断后所生成的第二风险值,所述第三风险值是对输电线路避雷器、杆塔和接地系统的整体目标对象的运行状态评估后生成的第三风险值;
步骤S4,基于所述运行状态评估模型生成运行状态评估结果数据,基于相应目标对象对应所述的风险值以及相应的风险权重因数,并响应相应目标对象的状态评估特征数据,生成相应预测结果信息和/或对应的安全评价参数后输出。
2.如权利要求1所述的输电线路避雷器、杆塔和接地系统运行状态评估方法,其特征在于,步骤S3中,基于循环神经网络构建相应目标对象的运行状态评估模型,具体地通过循环神经网络分析由卷积神经网络编码的设备状态序列和嵌入编码的设备信息,检测出预测单个目标对象故障的状态下的风险值作为第一风险值,检测出预测两个目标对象故障的状态下的风险值作为第二风险值,所述第一风险值表示如下:
;
其中,为对单个目标对象的设备状态序列/>应用卷积神经网络模型,为对单个目标对象嵌入编码的设备信息/>应用循环神经网络模型;/>为第一风险值,/>为第一风险值的权重系数,/>为/>和/>在输出时进行组合的函数;单个目标对象包括输电线路避雷器、杆塔或接地系统其中的一个;
所述第二风险值表示如下:
;
其中,为对两个目标对象的设备状态序列/>或/>应用卷积神经网络模型,为对两个目标对象嵌入编码的设备信息/>或/>应用循环神经网络模型;/>为第二风险值,/>为第二风险值的权重系数,/>为/>和/>在输出时进行组合的函数;两个目标对象包括输电线路避雷器、杆塔或接地系统其中的两个。
3.如权利要求1所述的输电线路避雷器、杆塔和接地系统运行状态评估方法,其特征在于,步骤S3中所述风险权重因数通过构建目标对象的特征数据集计算风险替换概率,进行更新后确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出,具体如下:
步骤S301,构建目标对象的特征数据集以及所对应的目标对象状态评估特征数据集,并在目标对象的特征数据集中选取输电线路避雷器、杆塔和接地系统所预设的三个阈值中的任意一个作为初始质心;
步骤S302,计算目标对象状态评估特征数据集中每个目标对象的状态评估特征数据的概率,即每个目标对象的状态评估特征数据与当前所述初始质心的欧式距离,再通过下式计算替取当前所述初始质心的概率;
;
其中,为每个目标对象的状态评估特征数据与当前所述初始质心的欧式距离值,为目标对象的状态评估特征数据集,/>为替取当前所述初始质心的概率;
步骤S303,根据步骤S302中的替取当前所述初始质心的概率,重复步骤S301和步骤S302的过程,直至获取k个替取当前初始质心的概率;
步骤S304,响应k个替取当前初始质心的概率,并根据目标对象的运行状态评估模型确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出。
4.如权利要求1所述的输电线路避雷器、杆塔和接地系统运行状态评估方法,其特征在于,步骤S2中将相应的目标对象数据进行特征处理,生成相应目标对象的状态评估特征数据,具体通过SVM算法找到一个最优超平面,将不同类别的目标对象的状态评估特征数据进行隔开,即数据标记与分组、构建SVM分类器、训练分类模型和应用模型预测结果;通过SVM支持向量机对目标对象数据进行分类和标注,通过以下公式以最优超平面将目标对象数据分类,其中最优超平面的表达式如下:
;
;
其中,为目标对象数据分类的权重向量,/>为映射函数,b为需要求解的向量,为第i个真实标签,/>和/>为输入样本,/>为替代/>和/>内积运算的核函数,为拉格朗日乘子;根据SVM支持向量机的分类结果对目标对象数据进行逐一标注。
5.如权利要求1所述的输电线路避雷器、杆塔和接地系统运行状态评估方法,其特征在于,在获取目标对象的状态评估特征数据前还包括进行数据预处理,具体包括删除异常值、填补缺失值、转换数据类型、建立值与类别的映射、以及正态分布化处理。
6.如权利要求1所述的输电线路避雷器、杆塔和接地系统运行状态评估方法,其特征在于,生成相应预测结果信息和/或对应的安全评价参数,还包括数据可视化呈现,具体如下:
步骤S401:在输电线路避雷器、杆塔和接地系统预测风险值的柱状图上,添加正态分布概率密度曲线和初始质心的概率的计算值的曲线;
步骤S402:对输电线路避雷器、杆塔和接地系统预测风险值进行正态分布化处理;
步骤S403:添加一列总面积并计算偏度;
步骤S404:随后对偏度大的列数据进行BOX-COX转换;
步骤S405:对数据进行独热编码;
步骤S406:使用多项回归预测算法进行安全评价参数的预测。
7.如权利要求6所述的输电线路避雷器、杆塔和接地系统运行状态评估方法,其特征在于,所述安全评价参数还包括结果数据量化处理,结果数据量化处理是将安全评价参数进行数据量化处理,所述安全评价参数包括输电线路避雷器、杆塔和接地系统在安全状态下所生成的数值。
8.如权利要求7所述的输电线路避雷器、杆塔和接地系统运行状态评估方法,其特征在于,所述安全状态是以输电线路避雷器、杆塔和接地系统预测风险值的剩余风险值,作为安全运行状态支持度和安全运行状态置信度两个指标,进行判断。
9.如权利要求6所述的输电线路避雷器、杆塔和接地系统运行状态评估方法,其特征在于,步骤S406中使用多项回归预测算法进行安全评价参数预测,具体如下:
;
其中,是安全评价参数的第/>个特征,/>是安全评价参数的第/>个特征的权重系数,/>是第/>个安全评价参数的误差值,/>是第/>个安全评价参数的预测输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410390383.1A CN117972646B (zh) | 2024-04-02 | 2024-04-02 | 输电线路避雷器、杆塔和接地系统运行状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410390383.1A CN117972646B (zh) | 2024-04-02 | 2024-04-02 | 输电线路避雷器、杆塔和接地系统运行状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117972646A true CN117972646A (zh) | 2024-05-03 |
CN117972646B CN117972646B (zh) | 2024-07-05 |
Family
ID=90861750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410390383.1A Active CN117972646B (zh) | 2024-04-02 | 2024-04-02 | 输电线路避雷器、杆塔和接地系统运行状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972646B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992962A (zh) * | 2017-11-23 | 2018-05-04 | 海南电网有限责任公司电力科学研究院 | 一种基于熵权法的输电线路防雷措施优化选择方法 |
CN113344297A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种泥石流灾害的预测方法、系统、终端和存储介质 |
CN114742283A (zh) * | 2022-03-25 | 2022-07-12 | 贵州大学 | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 |
CN116070902A (zh) * | 2022-12-13 | 2023-05-05 | 深圳供电局有限公司 | 输电线路状态评估方法、装置、计算机设备、介质和产品 |
CN116822949A (zh) * | 2023-06-14 | 2023-09-29 | 国网吉林省电力有限公司辽源供电公司 | 季节性冻土地区输配电线路接地状态评估方法 |
CN117052609A (zh) * | 2023-09-13 | 2023-11-14 | 西安热工研究院有限公司 | 风电机组状态评估与寿命预测方法、装置和电子设备 |
CN117313018A (zh) * | 2023-11-29 | 2023-12-29 | 国网浙江省电力有限公司 | 一种电力输电线路异常状态识别方法及系统 |
CN117556211A (zh) * | 2023-11-24 | 2024-02-13 | 工业级5G创新应用(大理)研究院 | 输电线路缺陷及隐患识别算法模型搭建方法 |
CN117611410A (zh) * | 2023-10-27 | 2024-02-27 | 云南电网有限责任公司输电分公司 | 一种基于深度学习的电力智能防触电安全方法及系统 |
CN117767283A (zh) * | 2023-12-12 | 2024-03-26 | 国网电力科学研究院有限公司 | 一种基于多策略融合的电网资源趋势预警分析方法及系统 |
-
2024
- 2024-04-02 CN CN202410390383.1A patent/CN117972646B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992962A (zh) * | 2017-11-23 | 2018-05-04 | 海南电网有限责任公司电力科学研究院 | 一种基于熵权法的输电线路防雷措施优化选择方法 |
CN113344297A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种泥石流灾害的预测方法、系统、终端和存储介质 |
CN114742283A (zh) * | 2022-03-25 | 2022-07-12 | 贵州大学 | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 |
CN116070902A (zh) * | 2022-12-13 | 2023-05-05 | 深圳供电局有限公司 | 输电线路状态评估方法、装置、计算机设备、介质和产品 |
CN116822949A (zh) * | 2023-06-14 | 2023-09-29 | 国网吉林省电力有限公司辽源供电公司 | 季节性冻土地区输配电线路接地状态评估方法 |
CN117052609A (zh) * | 2023-09-13 | 2023-11-14 | 西安热工研究院有限公司 | 风电机组状态评估与寿命预测方法、装置和电子设备 |
CN117611410A (zh) * | 2023-10-27 | 2024-02-27 | 云南电网有限责任公司输电分公司 | 一种基于深度学习的电力智能防触电安全方法及系统 |
CN117556211A (zh) * | 2023-11-24 | 2024-02-13 | 工业级5G创新应用(大理)研究院 | 输电线路缺陷及隐患识别算法模型搭建方法 |
CN117313018A (zh) * | 2023-11-29 | 2023-12-29 | 国网浙江省电力有限公司 | 一种电力输电线路异常状态识别方法及系统 |
CN117767283A (zh) * | 2023-12-12 | 2024-03-26 | 国网电力科学研究院有限公司 | 一种基于多策略融合的电网资源趋势预警分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
BINBIN HAN等: ""Comprehensive risk assessment of transmission lines affected by multi-meteorological disasters based on fuzzy analytic hierarchy process"", 《INTERNATIONAL JOURNAL OF ELECTRIAL POWER & ENERGY SYSTEMS》, 31 December 2021 (2021-12-31), pages 1 - 10 * |
冯瑞发等: ""基于改进跳闸率计算方法的输电线路雷击风险评估及防雷配置研究"", 《电瓷避雷器》, 28 February 2022 (2022-02-28), pages 75 - 81 * |
Also Published As
Publication number | Publication date |
---|---|
CN117972646B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN111858231A (zh) | 一种基于运维监控的单指标异常检测方法 | |
CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN110232499A (zh) | 一种配电网信息物理侧风险预警方法及系统 | |
CN115099684B (zh) | 企业安全生产管理系统及其管理方法 | |
CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
US20230118175A1 (en) | Event analysis in an electric power system | |
Zhou | A fuzzy petri-net approach for fault analysis considering factor influences | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN115221233A (zh) | 基于深度学习的变电站多类带电检测数据异常检测方法 | |
CN113283546A (zh) | 加热炉完整性管理集控装置的炉况异常报警方法及系统 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
Yang et al. | A Trustable Data-Driven Framework for Composite System Reliability Evaluation | |
CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
CN117972646B (zh) | 输电线路避雷器、杆塔和接地系统运行状态评估方法 | |
CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 | |
CN116304846B (zh) | 一种基于自监督学习的cvt内部绝缘异常在线评估方法 | |
CN116149971B (zh) | 设备故障预测方法、装置、电子设备及存储介质 | |
CN118194239B (zh) | 一种基于多模态图网络的输电系统宽频振荡参数辨识方法 | |
CN118260541B (zh) | 一种基于人工智能算法的电网量测数据校核方法及系统 | |
CN118395358B (zh) | 一种变电站智能防误拓扑分析方法 | |
CN117890825B (zh) | 充电枪的泄露电流测试方法、装置、设备及存储介质 | |
CN112699608B (zh) | 适用于传感器掉电导致数据缺失的时间序列修复方法 |
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 |