CN112183805A - 一种输电线路在线巡视结果状态的预测方法 - Google Patents

Abstract

本发明属于输电线路巡检技术领域，具体的说是涉及一种输电线路在线巡视结果状态的预测方法。本发明的方法主要包括：定期采集数据，生成训练样本数据，将样本数据集进行拆分，采用逻辑回归二元分类模型进行预测，建立模型，采用梯度下降法进行求解，对模型进行训练，采用AUC评价指标对模型进行评估，模型更新，即将前一时期采集数据训练得到的评估指标和当前采集数据得到的评估指标进行对比，根据大小判断是否用当前模型替代前一时期的模型。本发明的有益效果为：本发明采用机器学习技术，对输电线路在线巡检作业结果状态进行智能的评估预测，以支撑智能化的作业排班和计划生成。

Description

一种输电线路在线巡视结果状态的预测方法

技术领域

本发明属于输电线路巡检技术领域，具体的说是涉及一种输电线路在线巡视结果状态的预测方法。

背景技术

输电通道安全是影响供电安全的根本，但输电通道通常位于原始森林、无人区等复杂环境下，因此对输电通道的巡检是相关部门的重难点工作之一。传统模式下，对输电通道的巡视主要以人工巡视、定期的直升机、无人机巡视等方式进行，存在难度大、成本高、效率低等问题。而随着物联网技术、网络通信技术、大数据技术的快速发展，以及国家电网关于泛在电力物联网的提出，通过输电线路上传感器、在线监测设备实现对输电线路远程巡视的方式得到广泛应用。

因为在线巡视作业的核心是利用分布在输电塔基上的巡视设备完成巡视作业，因此在线巡视面临着作业数量多、网络通道占用等问题，所以作业的调度和计划生成也更加困难。以大数据、人工智能技术为基础实现自动、智能化的输电线路在线巡视作业，是解决人工驱动作业流程中存在的低效、标准化不足、智能化程度低的一种趋势。

在线巡视作业是利用分布在输电通道上的众多巡视设备完成通道环境、塔基及部件的周期性或临时性巡视，巡视完成的标准是：按照标准完成现场照片拍摄或视频录制、并智能地对巡视对象健康状态进行评估。但由于受到设备健康状态、气象条件、作业类型、网络信号干扰等多种因素的影响，下发的巡视任务并不能每次都成功。为了确保数据驱动在线巡视作业流程的智能化和完整性，在巡视任务下发前对任务执行结果能否成功进行预测评估是必要的。

机器学习是从数据中学习知识并转化为***智能的一种技术，近年来随着数据挖掘、大数据和人工智能等概念的兴起和发展，机器学习被广泛应用于各行各业。比如，锅炉状态评估、纺织机状态预测、物联网设备健康诊断等。这些研究和应用显示了机器学习技术在设备作业方面的应用价值。与此同时，在作业结果预测领域，有研究将集成学习、决策树等方法应用于“云计算”中的作业调度。这些研究和应用，并未解决在线巡视作业场景中特征提取、模型构建的相关问题，也缺少对作业结果状态预测中机器学习“冷启动”以及模型优化学习机制讨论。

发明内容

本发明围绕输电线路在线巡检领域的特点，在生成巡视作业计划前对巡视作业结果状态(是否成功)进行预测的问题，形成一种以机器学习进行结果状态评估的建模和预测方法。

为实现上述目的，本发明采用如下技术方案：

一种输电线路在线巡视结果状态的预测方法，包括以下步骤：

S1、定期采集数据，包括作业区域天气预报数据、设备历史在线巡视作业执行记录和作业结果状态数据；

S2、生成训练样本数据，从步骤S1采集的数据中提取特征数据形成输入特征，具体为从作业区域天气预报数据和设备历史在线巡视作业执行记录中提取白天是否降雨、白天是否晴、白天是否多云、当天最高温度、当天最低温度、当天最大风速、当天最大风向、前n天总降雨量、前n天是否降雨、前n天的平均光辐射、最近1个月任务失败比例，最近1个月的日最低电量平均值、是否覆冰作业、是否山火巡视作业、是否绝缘子巡视作业、是否进行巡视作业和任务数量形成输入特征x′_i，从作业结果状态数据中获取作业完成结果标记数据y_i，下标i指第i个作业，生成训练样本数据集为data＝{(x′₁，y₁)，(x′₂，y₂)，…，(x′_n，y_n)}，其中，y_i∈{0，1}，i＝1，2，…，n，n是样本总数；

S3、将样本数据集进行拆分，具体为：

S31、对数据集data的位置索引I＝{1，2，…，n}随机打乱，得到随机后索引为I′＝{i₁，i₂，…，i_n}；

S32、依次对I′_r＝{i|y_i＝＝r}随机拆分成5份子集，r∈{0，1}，i∈I′，标记为I′_r，c，c∈{0，1，…，5}；

S33、生成数据子集索引I′_c＝I′_0，c∪I′_1，c；

S34、生成训练集Train_l和测试集Test_l：

其中，l，c∈{1，2，…，5}且l＝c；

S4、采用逻辑回归二元分类模型进行预测，构建模型为

θ^T表示权重向量，模型的代价函数为：

其中，l(θ)表示对数似然函数，x′_i代表第i个样本的输入特征，y_i表示第i个样本的目标值；

S5、设定目标为获得使代价函数J(θ)最小的参数θ，采用梯度下降法进行求解，参数更新公式为：

其中j表示第j个参数的权重，α为常量，在训练集Train_l，l∈{1，2，…，5}上进行参数求解得到模型model_l；

S6、采用AUC评价指标对模型进行评估：将model_l应用于Test_l(l∈{1，2，…，5})数据上得到预测结果pred_l，根据预测结果与Test_l的真实值计算得到模型的评价指标auc_l，获得最终评价指标：

S7、采用步骤S5在全部数据集data上进行参数求解得到模型model；

S8、模型更新：步骤S1中为定期采集数据，将前一时期采集数据并通过上述步骤得到的模型和评价指标定义为model_old、auc_old，将当前时期采集数据并通过上述步骤得到的模型和评价指标定义为model_new、auc_new，判断auc_new＞auc_old是否成立，若是，则用model_new替换model_old，用model_new进行预测，否则用model_old进行预测。

本发明的有益效果为：本发明采用机器学习技术，对输电线路在线巡检作业结果状态进行智能的评估预测，以支撑智能化的作业排班和计划生成。

具体实施方式

下面对本发明进行进一步详细说明。

本发明针对在线巡视作业结果状态预测的业务场景和模型需要，对数据采集、特征工程、目标变量处理等相关问题进行了解决。

1、数据采集

围绕作业结果状态预测建模的需要，数据采集通过对历史巡视任务执行时影响作业完成的因素数据、作业完成结果状态两方面数据的采集。

1)影响作业完成的因素数据主要包括：

A.通过气象部门获取关于作业区域的未来一段时间(7-10天)的天气预报数据，包括：温度、白天天气类型、夜间天气类型、湿度、风速、风向、光辐射数据。

B.作业设备状态感知及稳定性，主要通过对设备历史在线巡视作业执行记录、设备心跳监测数据进行度量。

C.作业类型、任务量、巡视对象三个作业基本属性，这部分数据主要来源于作业本身。

D.通信网络因素数据，包括巡视设备间组网拓扑关系数据。

2)作业结果状态数据是对历史进行的作业任务完成情况进行记录，是进行模型训练和学习的目标值，记为y_i。

通过对历史在线巡视作业时1)、2)中数据的采集，形成训练数据用于模型训练。当数据不能满足模型训练时，业务专家依据1)中数据，生成对作业完成情况的专家经验估计，并以此完成后续巡视任务计划制定。

2、特征工程

在本发明中，特征工程主要围绕作业完成结果状态预测的需要进行特征设计提取、特征数据预处理。

1)特征设计和提取

以采集的影响作业完成的因素数据为基础进行特征设计和提取，特征标记为x_i，k(第i个作业，第k个特征)。

A.气象预报类特征：当天白天天气类型、当天最高/最低温度、当天最大风速、当天主要风向、前n天总降雨量、前n天是否降雨、前n天的平均光辐射。

B.作业设备稳定性特征：最近1个月任务失败比例，最近1个月的日最低电量平均值。

C.作业属性特征，包括作业类型、任务数量。

2)特征数据预处理

x_i，k(i，k∈N)的类型包括字符型、数值型和布尔型三种。本发明针对不同的类型进行相应的预处理，转换后的特征数据记为x′_i，k。

A.字符型特征，如当天白天天气类型包含“晴”、“雨”、“多云”属性值。本发明对这类特征指标的预处理采用稀疏属性值合并、one-hot编码两步进行处理，保证处理结果在模型训练、预测应用上的一致性。

B.对数值型特征，如当天最高温度为37摄氏度，前n天总降雨量为0毫升。本发明对这类特征采用min-max归一化方法进行无量纲处理。

C.布尔型特征，如前n天是否降雨。本发明中不单独进行处理。

最终形成输入特征x′_i包括：白天是否降雨、白天是否晴、白天是否多云、当天最高温度、当天最低温度、当天最大风速、当天最大风向、前n天总降雨量、前n天是否降雨、前n天的平均光辐射、最近1个月任务失败比例，最近1个月的日最低电量平均值、是否覆冰作业、是否山火巡视作业、是否绝缘子巡视作业、是否进行巡视作业、任务数量。

3)训练样本数据集生成

将转换后的特征数据x′_i与作业完成结果标记数据y_i进行关联匹配，生成训练样本数据集data＝{(x′₁，y₁)，(x′₂，y₂)，…，(x′_n，y_n)}。其中，y_i∈{0，1}(i＝1，2，…，n)，n是样本总数。

3、模型构建及评估

本发明围绕在线巡视作业结果状态预测的目标，在data上采用监督学习技术进行模型构建。

1)数据拆分

本发明采用5-折交叉检验方法对模型进行评估。由于训练数据中负样本(作业状态为“未完成”)比例很小，因此本发明采用“分层随机拆分”的方式进行数据集拆分。具体流程如下：

A.对数据集data的位置索引I＝{1，2，…，n}随机打乱。得到随机后索引为I′＝{i₁，i₂，…，i_n}(i_j∈I)。

B.依次对I′_r＝{i|y_i＝＝r}(r∈{0，1}，i∈I′)随机拆分成5份子集，标记为I′_r，c(c∈{0，1，…，5})。

C.生成数据子集索引I′_c＝I′_0，c∪I′_1，c(c∈{1，…，5})。

2)模型构建

本发明采用逻辑回归二元分类模型进行结果状态的预测，构建模型

(θ^T表示权重向量)

模型的代价函数：

其中，h_θ(x′)表示所建立的模型，θ为模型的权重参数，l(θ)表示对数似然函数，x′_i代表第i个样本的输入特征，y_i表示第i个样本的目标值。

3)模型训练

利用数据拆分的结果生成训练集和测试集：

其中，l，c∈{1，2，…，5}且l＝c。

A.参数求解

为了求得使代价函数J(θ)最小的参数θ，本发明采用梯度下降法进行求解，参数更新公式为：

其中j表示第j个参数的权重，n表示样本总数，α为常量。

在训练集Train_l，l∈{1，2，…，5}上进行参数求解得到模型model_l。

B.模型评估

由于正负样本比例的失衡，本发明采用AUC评价指标对模型进行评估。具体过程为：将model_l应用于Test_l(l∈{1，2，…，5})数据上得到预测结果pred_l，根据预测结果与Test_l的真实值计算得到模型的评价指标auc_l。

则模型的最终评价指标

C.最终模型

利用A参数求解步骤在全部数据集data上进行参数求解得到模型model。

4、模型管理及发布机制

1)模型迭代训练

随着在线巡视作业任务增加相应样本数据会逐渐增加，通过定期利用本发明的流程对模型进行训练迭代。生成模型和5-折交叉验证的评估指标分为别model、auc。

2)模型上线部署机制

若原有现在应用模型和评价指标分别为model_online、auc_online。则：

当auc＞auc_online，用model替换model_online。

Claims (1)

1.一种输电线路在线巡视结果状态的预测方法，其特征在于，包括以下步骤：

S1、定期采集数据，包括作业区域天气预报数据、设备历史在线巡视作业执行记录和作业结果状态数据；

S2、生成训练样本数据，从步骤S1采集的数据中提取特征数据形成输入特征，具体为从作业区域天气预报数据和设备历史在线巡视作业执行记录中提取白天是否降雨、白天是否晴、白天是否多云、当天最高温度、当天最低温度、当天最大风速、当天最大风向、前n天总降雨量、前n天是否降雨、前n天的平均光辐射、最近1个月任务失败比例，最近1个月的日最低电量平均值、是否覆冰作业、是否山火巡视作业、是否绝缘子巡视作业、是否进行巡视作业和任务数量形成输入特征x′_i，从作业结果状态数据中获取作业完成结果标记数据y_i，下标i指第i个作业，生成训练样本数据集为data＝{(x′₁，y₁)，(x′₂，y₂)，…，(x′_n，y_n)}，其中，y_i∈{0，1}，i＝1，2，…，n，n是样本总数；

S3、将样本数据集进行拆分，具体为：

S31、对数据集data的位置索引I＝{1，2，…，n}随机打乱，得到随机后索引为I′＝{i₁，i₂，…，i_n}；

S32、依次对I′_r＝{i|y_i＝＝r}随机拆分成5份子集，r∈{0，1}，i∈I′，标记为I′_r，c，c∈{0，1，…，5}；

S33、生成数据子集索引I′_c＝I′_0，c∪I′_1，c；

S34、生成训练集Train_l和测试集Test_l：

其中，l，c∈{1，2，…，5}且l＝c；

S4、采用逻辑回归二元分类模型进行预测，构建模型为

θ^T表示权重向量，模型的代价函数为：

其中，l(θ)表示对数似然函数，x′_i代表第i个样本的输入特征，y_i表示第i个样本的目标值；

S5、设定目标为获得使代价函数J(θ)最小的参数θ，采用梯度下降法进行求解，参数更新公式为：

其中j表示第j个参数的权重，α为常量，在训练集Train_l，l∈{1，2，…，5}上进行参数求解得到模型model_l；

S6、采用AUC评价指标对模型进行评估：将model_l应用于Test_l(l∈{1，2，…，5})数据上得到预测结果pred_l，根据预测结果与Test_l的真实值计算得到模型的评价指标auc_l，获得最终评价指标：

S7、采用步骤S5在全部数据集data上进行参数求解得到模型model；

S8、模型更新：步骤S1中为定期采集数据，将前一时期采集的数据并通过上述步骤得到的模型和评价指标定义为model_old、auc_old，将当前时期采集的数据并通过上述步骤得到的模型和评价指标定义为model_new、auc_new，判断auc_new＞auc_old是否成立，若是，则用model_new替换model_old，用model_new进行预测，否则用model_old进行预测。