CN110717552B - 一种输电线路通道可视化机械类连续告警的确定方法 - Google Patents

一种输电线路通道可视化机械类连续告警的确定方法 Download PDF

Info

Publication number
CN110717552B
CN110717552B CN201911013574.1A CN201911013574A CN110717552B CN 110717552 B CN110717552 B CN 110717552B CN 201911013574 A CN201911013574 A CN 201911013574A CN 110717552 B CN110717552 B CN 110717552B
Authority
CN
China
Prior art keywords
alarm
data
real
transmission line
continuous
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
Application number
CN201911013574.1A
Other languages
English (en)
Other versions
CN110717552A (zh
Inventor
徐学来
高传名
谭永殿
王振东
刘振龙
张锐
孙英良
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.)
Zhiyang Innovation Technology Co Ltd
Original Assignee
Zhiyang Innovation Technology 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 Zhiyang Innovation Technology Co Ltd filed Critical Zhiyang Innovation Technology Co Ltd
Priority to CN201911013574.1A priority Critical patent/CN110717552B/zh
Publication of CN110717552A publication Critical patent/CN110717552A/zh
Application granted granted Critical
Publication of CN110717552B publication Critical patent/CN110717552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/187—Machine fault alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种输电线路通道可视化机械类连续告警的确定方法，基于已标注的输电线路通道可视化机械类连续告警样本数据，判断实时告警数据是否属于连续告警，具体涉及对某可视化巡视设备图像连续告警样本数据进行预处理、主成分降维分析提取数据特征和主成分矩阵、实时告警数据与主成分矩阵相乘运算获取对应特征、与提取的数据特征进行距离运算，通过阈值D0判断是否属于连续告警。本发明用特征数据对实时告警数据进行连续告警判定，解决了因实时告警数据变化多样，与单条连续告警样本比对漏报、误报率高的问题，为后续的应用场景如告警等级智能标注、AI图像识别模型疑似误报及漏报样本识别提供了模型支撑，进而提高输电线路运检的智能化水平。

Description

一种输电线路通道可视化机械类连续告警的确定方法
技术领域
本发明属于输电线路智能运检领域，尤指基于已标注的输电线路通道可视化机械类连续告警样本数据，判断实时告警数据是否属于连续告警。
背景技术
随着输电线路检修技术的升级，输电线路通道可视化巡视被广泛应用，目前已经实现对可视化信息的自动识别并标注出图像内出现的告警物体，如机械类、烟火类、异物类等。除基础的统计分析报表外，可以基于告警数据做数据挖掘，如对实时告警数据进行连续告警判定，基于确定结果进行告警等级智能标注、图像识别模型疑似误报及漏报样本识别等，但进行上述场景的应用需要连续告警识别技术支撑，目前在输电智能运检领域该方向尚属空白，而常规的与样本逐条比对的方法，因实时告警数据变化多样，存在大量的漏报和误报。
综上所述，如何提供一种准确的、漏报率低、误报率低的连续告警确定方法，为输电线路智能检修场景落地提供数据支撑，是目前本领域技术人员亟待解决的问题之一。
中国专利CN109490701A公开了一种工频串联电弧故障检测方法，属于电路运行保护领域。本发明通过采集电路中的电流数据并对其进行快速傅里叶变换得到频谱图；然后，统计基波与各次谐波的幅值并计算各次谐波幅值与基波幅值的比值；最后，将各次谐波幅值与基波幅值的比值加入内置矩阵，然后进行主成分分析即PCA计算；将得到的主成分矩阵导出，并与所给阈值进行对比，确定负载类别以及所属运行状态；同时还对得到的原始电流数据计算其零区长度，同样与阈值相比较，当这两个条件同时满足时，便可认为发生了电弧故障，该方法能够识别不同负载且具有较高的准确性，能够有效的保护电路，确保用户能够安全用电。相比于该对比文献，本发明针对线路上存在机械类故障进行有效甄别，其中，所述机械类本质上对应的是人类的施工、农作等活动，持续时间比较长，因此，利用现有的判断方法进行判断时，效果难以达到本发明所预期的技术效果。而且，对比文献所提到的故障诊断方法是相对成熟的，电力的很多场景也有在用，比如抽取潮流特征、线路故障定位，本发明确定的是连续告警，跟实际故障存在实质性的区别，优点很明显，整体降低了机械类故障告警的误报和漏报，同时解决了泛化能力很差的问题。为此，本发明使用主成分分析方法对样本量巨大的连续机械告警识别是非常有效的，本发明突破了构造一条特征数据的思维，构造出了一个矩阵，对误报和漏报的降低效果都非常明显。
发明内容
针对现有技术的不足，本发明的目的是提供一种准确的、漏报率低、误报率低的输电线路通道可视化机械类连续告警的确定方法，利用无监督主成分降维机器学习算法，解决了因实时告警数据变化多样，与单条连续告警样本比对漏报、误报率高的问题。
本发明为了实现上述目的所采用的技术方案如下：
一种输电线路通道可视化机械类连续告警的确定方法，其特征在于：包括以下步骤：
a、对输电线路某可视化巡视设备图像连续告警样本数据进行预处理，得到预处理数据；其中，所述预处理是将数据按设备图像采集间隔，转换成对应序列，实时告警数据构成序列，连续告警数据因包含多天数据，构成矩阵，详情可参考实施例步骤f。所包含元素个数是由设备图像采集间隔决定的，即元素个数与每天采集图像张数一致，元素取值为0、1，0是指没有发现对应机械类告警，1指发现了对应机械类告警；
b、用主成分降维分析提取预处理数据的数据特征并保存主成分矩阵；
c、将输电线路上的实时告警数据对应序列与步骤b所得主成分矩阵进行相乘运算，获取到实时数据对应的特征序列，其中，所述时告警数据对应序列，是按步骤a预处理方式处理后的结果；
d、将步骤c所得特征序列与步骤b所述预处理数据的数据特征进行逐条进行欧氏距离计算，取最小值作为距离D，比较D与设定阈值D0大小：
如满足D<D0,则实时告警数据属于连续告警；反之，则不属于连续告警。
根据本发明优选的，所述阈值D0＝1.4867。
所述阈值D0选取的方法是，其取值越大漏报率越低，误报率越高，误报率和漏报率在本专利模型中是负相关的，取值依据为保证漏报率可接受的情况下，尽可能的降低误报率，保证准确率不低于3西格玛，即>93％。本发明所选用的1.4867为模型训练时根据多次计算并与真实结果比对后获取的最佳值。以漏报率为参考，从取值为5开始按0.0001逐渐缩小最终确定合理取值为1.4867，在本专利中作为常数使用。
根据本发明优选的，所述步骤a中所述预处理的方法包括：
a1：对连续告警样本数据及实时告警数据进行预处理：只保留时间字段；
a2：以天为单位，按指定每天采样点数进行时段划分，构建一个值全为0的二维数组；
a3：遍历步骤a所述连续告警样本数据，对a2中数组进行赋值，赋值原则为：在某时间段内如果有告警数据，则该时间段在数组中对应位置的数值为1。
根据本发明优选的，所述步骤b包含以下详细步骤：
b1：基于步骤a3所得二维数组，采用PCA算法进行降维分析，人工指定最大失真度L；
b2：步骤b1计算过程收敛后保存数据特征和主成分矩阵；
步骤b1所述人工指定最大失真度L是指，为解决模型过拟合问题，引入的特征损失参数，该值确定是由模型训练时计算得到的理论最佳值，在本专利中其为常数。
本发明与现有技术相比，具有以下优点和有益效果：
本发明基于实际研究和大量现场实验，通过思路转换，跳出基于单条特征数据比对的思路对现有技术做实质性的改进：常规方法如果要确定某天的告警数据构成连续告警，会跟一条特征最明显的数据进行比对，此种方式会存在该条特征数据的构建存在很大的主观性的明显缺陷，但是本发明是抽取多条连续告警数据的特征矩阵，类似一类告警构成连续告警的指纹矩阵，基于这个矩阵去比对能解决误报和漏报问题，根据现场数据测试准确定在3西格玛以内，从而使得技术效果得到明显提升。
(1)本发明能对实时告警数据进行连续告警判定，为后续的应用场景如告警等级智能标注、图像识别模型疑似误报及漏报样本标注提供了技术和模型支撑。
(2)本发明基于主成分降维机器学习算法，不需要任何数据标记，进行无监督学习，解决了常规比对方法因实时告警数据变化多样，存在大量的漏报和误报等问题。
附图说明
图1是本发明中的确定方法的流程示意图。
具体实施方式
下面结合实施例对本发明做进一步说明。但不限于此。
实施例、
某地输电线路有一设备ID为99000843117971的可视化巡视设备于2019-9-8拍摄的图像中识别出了机械类告警，查询该设备历史告警数据，有已标注的机械类连续告警样本数据80条，时间跨度为2019-4-17 10:14:10～2019-4-30 18:07:53。
完成目标：利用本发明所述确定方法判断该设备2019-9-8的6条实时机械类告警数据是否属于连续告警。
约束条件：1、连续告警数据包含告警自增ID、时间、告警内容、图像存储ID等25个字段；2、设备图像采集间隔为30分钟；3、本实施例有2个常数：最大失真度L＝0.0026、距离阈值D0＝1.4867，其中，失真度L会影响主成分矩阵的维度，L越大，维度会越小，上述参数L和D0均为模型训练时根据多次计算并与真实结果比对后获取的最佳值，在本模型中其为常数，不仅限于本实施例。
本实施例的具体步骤如下：
a、对连续告警数据及实时告警数据进行预处理，只保留时间属性。
序号 时间
1 2019-4-17 10:14:10
2 2019-4-17 11:06:37
3 2019-4-17 12:16:00
4 2019-4-17 13:06:52
5 2019-4-17 14:09:15
6 2019-4-17 15:06:39
7 2019-4-17 16:06:42
……
78 2019-4-30 16:04:32
79 2019-4-30 17:06:32
80 2019-4-30 18:07:53
部分连续告警样本数据如上所示；
序号 时间
1 2019-9-8 10:09:56
2 2019-9-8 11:06:43
3 2019-9-8 12:06:32
4 2019-9-8 15:06:34
5 2019-9-8 16:06:48
6 2019-9-8 18:06:51
实时告警数据如上所示；
b、以天为单位，每天采样点数24h/0.5h＝48进行时段划分，步骤a中连续告警样本数据涉及以下日期：2019/4/17、2019/4/18、2019/4/19、2019/4/20、2019/4/22、2019/4/27、2019/4/29、2019/4/30，共计8天，故构建一个二维数组data[48][8]，值全部初始化为0；
c、遍历步骤a所述告警数据，对步骤b中数组进行赋值，赋值原则为：在某时间段内如果有告警数据，则该时间段在数组中对应位置的数值为1：
[[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0],[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0],...,[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,0,0,0,0,0,0,0,0,0,0]]
赋值后的部分数据如上所示；
d、基于步骤c所得二维数组，按最大失真度L＝0.0026使用PCA算法进行主成分降维分析；
e、步骤d计算收敛后保存连续告警样本数据特征及主成分矩阵。
表1：数据特征的部分数据
Figure BDA0002244960200000051
数据特征的部分数据如表1所示，为一8行5列的矩阵；
表2：主成分矩阵部分数据
Figure BDA0002244960200000052
主成分矩阵部分数据如表2所示，为一5行48列的矩阵；
f、对实时告警数据进行处理后得到序列[0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,1.0,0.0,1.0,0.0,1.0,0.0,0.0,0.0,0.0,0.0,1.0,0.0,1.0,0.0,0.0,0.0,1.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0]，与步骤e所保存主成分矩阵进行相乘后得到特征值[1.745156336,-1.200215142,0.444000486,-0.085594754,-0.330832408]；
g、将步骤f所得特征值与步骤e所得数据特征逐条计算欧氏距离，得到最小距离D≈0.8944<D0＝1.4867，故判定该实时告警数据为连续告警数据。
行号 距离
1 0.894427191
2 2.19089023
3 2.190890229
4 2.19089023
5 1.949358869
6 1.949358869
7 2.408318915
8 1.949358869
全部距离数据如上所示。
在本实施例中，采用主成分降维机器学***。

Claims (3)

1.一种输电线路通道可视化机械类连续告警的确定方法，其特征在于：包括以下步骤：
a、对输电线路某可视化巡视设备图像连续告警样本数据进行预处理，得到预处理数据；
b、用主成分降维分析提取预处理数据的数据特征并保存主成分矩阵；
c、将输电线路上的实时告警数据对应序列与步骤b所得主成分矩阵进行相乘运算，获取到实时告警数据对应的特征序列，其中，所述实时告警数据对应序列，是按步骤a预处理方式处理后的结果；
d、将步骤c所得特征序列与步骤b所述预处理数据的数据特征逐条进行欧氏距离计算，取最小值作为距离D，比较D与设定阈值D0大小：
如满足D<D0,则实时告警数据属于连续告警；反之，则不属于连续告警；
所述步骤a中所述预处理的方法包括：
a1：对连续告警样本数据及实时告警数据进行预处理：只保留时间字段；
a2：以天为单位，按指定每天采样点数进行时段划分，构建一个值全为0的二维数组；
a3：遍历步骤a所述连续告警样本数据，对a2中数组进行赋值，赋值原则为：在某时间段内如果有告警数据，则该时间段在数组中对应位置的数值为1。
2.根据权利要求1所述的一种输电线路通道可视化机械类连续告警的确定方法，其特征在于，所述阈值D0＝1.4867。
3.根据权利要求1所述的一种输电线路通道可视化机械类连续告警的确定方法，其特征在于，所述步骤b包含以下详细步骤：
b1：基于步骤a3所得二维数组，采用PCA算法进行降维分析，人工指定最大失真度L；
b2：步骤b1计算过程收敛后保存数据特征和主成分矩阵。
CN201911013574.1A 2019-10-23 2019-10-23 一种输电线路通道可视化机械类连续告警的确定方法 Active CN110717552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911013574.1A CN110717552B (zh) 2019-10-23 2019-10-23 一种输电线路通道可视化机械类连续告警的确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911013574.1A CN110717552B (zh) 2019-10-23 2019-10-23 一种输电线路通道可视化机械类连续告警的确定方法

Publications (2)

Publication Number Publication Date
CN110717552A CN110717552A (zh) 2020-01-21
CN110717552B true CN110717552B (zh) 2020-07-28

Family

ID=69213221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911013574.1A Active CN110717552B (zh) 2019-10-23 2019-10-23 一种输电线路通道可视化机械类连续告警的确定方法

Country Status (1)

Country Link
CN (1) CN110717552B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428688B (zh) * 2020-04-16 2022-07-26 成都旸谷信息技术有限公司 基于mask矩阵的车辆的行驶车道智能识别方法、***
CN111582192A (zh) * 2020-05-11 2020-08-25 智洋创新科技股份有限公司 一种基于输电线路通道图像连续告警的可疑样本识别方法
CN112132065B (zh) * 2020-09-25 2021-08-20 智洋创新科技股份有限公司 一种基于输电线路通道可视化连续告警的告警策略方法
CN113673634B (zh) * 2021-10-22 2022-01-21 智洋创新科技股份有限公司 一种输电线路通道吊车隐患误告警的确认方法
CN116453310B (zh) * 2023-06-14 2023-09-05 昆山工业大数据创新中心有限公司 一种铜排的温度异常报警方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646313A (zh) * 2012-04-27 2012-08-22 江苏省电力公司南通供电公司 电力线路防外破智能监控***
CN103942913A (zh) * 2014-04-14 2014-07-23 南通市天源安全设备有限公司 电力线路防施工机械外破智能监控方法
CN207335774U (zh) * 2017-10-19 2018-05-08 云南机电职业技术学院 一种输电线路综合在线监测与巡检***

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104965156B (zh) * 2015-06-30 2018-02-09 昆明理工大学 一种利用极线故障电压进行pca聚类分析的故障选极方法
CN105044540B (zh) * 2015-06-30 2018-12-14 昆明理工大学 一种在双回输电线路中利用瞬时功率进行主成分聚类分析的行波方向保护方法
CN105162094B (zh) * 2015-09-22 2018-06-15 昆明理工大学 一种利用极线故障电流曲线簇主成分分析的特高压直流线路的纵联保护方法
CN106056274A (zh) * 2016-05-19 2016-10-26 华南理工大学 基于pca‑dea二维综合评价模型的电力施工主体效益分析方法
CN106324405A (zh) * 2016-09-07 2017-01-11 南京工程学院 一种基于改进主成分分析的变压器故障诊断方法
CN107153748A (zh) * 2017-06-07 2017-09-12 北京信息科技大学 基于加权核主元分析（wkpca）的回转窑故障诊断方法
CN107918941B (zh) * 2017-11-01 2020-10-13 国网山东省电力公司电力科学研究院 一种用于输电通道外破防护的可视化监测***及方法
CN109257576B (zh) * 2018-11-19 2020-12-25 国网四川省电力公司成都供电公司 基于人工智能技术的输电线路防外破监控***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646313A (zh) * 2012-04-27 2012-08-22 江苏省电力公司南通供电公司 电力线路防外破智能监控***
CN103942913A (zh) * 2014-04-14 2014-07-23 南通市天源安全设备有限公司 电力线路防施工机械外破智能监控方法
CN207335774U (zh) * 2017-10-19 2018-05-08 云南机电职业技术学院 一种输电线路综合在线监测与巡检***

Also Published As

Publication number Publication date
CN110717552A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN110717552B (zh) 一种输电线路通道可视化机械类连续告警的确定方法
Liu et al. Box-point detector: A diagnosis method for insulator faults in power lines using aerial images and convolutional neural networks
CN112578725B (zh) 一种基于物联网的渔业水上养殖设施安全预警***及方法
CN110108992B (zh) 基于改进随机森林算法的电缆局放故障识别方法、***
CN104268505A (zh) 基于机器视觉的布匹疵点自动检测识别装置及方法
CN111855810A (zh) 一种基于循环神经网络的轨底伤损识别方法及***
CN113496440B (zh) 一种用户异常用电检测方法及***
CN115187527A (zh) 一种多源混合型特高频局部放电图谱的分离识别方法
CN112288597A (zh) 一种基于层次聚类和直方图算法的能耗在线异常检测方法
CN110738272B (zh) 一种输电线路通道可视化机械类连续告警样本的标注方法
CN109100648A (zh) 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法
CN116227745B (zh) 一种基于大数据的涉渔船舶调查分析方法及***
CN113988573A (zh) 基于电力***巡检无人机的风险判断方法、***和介质
CN111666978B (zh) 一种it***运维大数据的智能故障预警***
CN111695493A (zh) 一种输电线路隐患的检测方法及***
CN112528823B (zh) 一种基于关键帧检测和语义部件分割的条斑鲨运动行为分析方法及***
CN104499001B (zh) 基于特征子空间优化相对矩阵的铝电解槽况诊断方法
CN117372377A (zh) 一种单晶硅棱线的断线检测方法、装置及电子设备
CN110543675A (zh) 一种输电线路故障识别方法
CN110751807B (zh) 一种输电线路通道可视化烟火异物类连续告警的确定方法
CN103136439B (zh) 植物病症辨识方法及其***
CN111930982A (zh) 一种电网图像智能标签方法
CN111143436A (zh) 用于大数据的数据挖掘方法
CN111896243A (zh) 一种水利工程用放闸安全监测方法及装置
CN114841939B (zh) 基于图像处理的坯布缺陷程度分析方法

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