CN112417763A - 输电线路的缺陷诊断方法、装置、设备及存储介质 - Google Patents
输电线路的缺陷诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112417763A CN112417763A CN202011342125.4A CN202011342125A CN112417763A CN 112417763 A CN112417763 A CN 112417763A CN 202011342125 A CN202011342125 A CN 202011342125A CN 112417763 A CN112417763 A CN 112417763A
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- temperature
- transmission line
- power transmission
- defect
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 196
- 230000007547 defect Effects 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims description 37
- 230000002950 deficient Effects 0.000 claims description 15
- 238000003064 k means clustering Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 239000004020 conductor Substances 0.000 description 24
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种输电线路的缺陷诊断方法,包括采集待测输电线路的温度特征数据、载流特征数据和环境特征数据;将温度特征数据、载流特征数据和环境特征数据输入预先训练获得的缺陷判别器,确定待测输电线路是否存在缺陷;其中,缺陷判别器为输电线路的缺陷和输电线路的温度特征数据、载流特征数据以及所处环境特征数据之间对应关系的模型。本申请中充分考虑到温度、电流和环境等各个方面的因素对输电线路正常运行产生的影响,对输电线路进行准确地提前预估,有利于尽早提醒维护人员及时处理,有利于输电线路高效率的运行管理。本申请还提供了一种输电线路的缺陷诊断装置、设备以及计算机可读存储介质,具有上述有益效果。
Description
技术领域
本发明涉及电网安全技术领域,特别是涉及一种输电线路的缺陷诊断方法、装置、设备以及计算机可读存储介质。
背景技术
在国家电网建设“三型两网”的背景和市场趋势推动下,电力物联网建设为电网运行更安全、管理更精益、投资更精准、服务更优质开辟了一条新路。
输电线路是电力***的重要组成部分,输电线路是否对电流能量的正常高效率输送,是电网正常运行需要重点关注的问题。为此在输电线路的输电运行过程中,温度是表征输电线路是否正常工作的关键因素之一,输电线路的温度过高极易引发火灾,从而产生较大的安全隐患。目前国内在检测识别输电线路的故障缺陷时,主要是对输电线路的温度进行检测,并依据经验设定对应的温度报警门限值,当温度超过该温度报警门限值,则认为输电线路存在故障缺陷,立即发生报警,以提醒工作人员及时进行处理。这种故障检测和报警的方式往往准确率偏低,不利于输电线路正常运行的维护和管理。
发明内容
本发明的目的是提供一种输电线路的缺陷诊断方法、装置、设备以及计算机可读存储介质,能够在输电线路发生明显故障缺陷之前,对输电线路的故障进行预估诊断,有利于输电线路的维护。
为解决上述技术问题,本发明提供一种输电线路的缺陷诊断方法,包括:
采集待测输电线路的温度特征数据、载流特征数据和环境特征数据;
将所述温度特征数据、所述载流特征数据和所述环境特征数据输入预先训练获得的缺陷判别器,确定所述待测输电线路是否存在缺陷;
其中,所述缺陷判别器为输电线路的缺陷和所述输电线路的温度特征数据、载流特征数据以及所处环境特征数据之间对应关系的模型。
可选地,采集待测输电线路的温度特征数据、载流特征数据和环境特征数据,包括:
采集所述待测输电线路的温度数据、电流数据和环境数据;
根据所述温度数据获得至少包括高负荷导线温度日均值、高负荷导线温度日标准差、低负荷导线温度日均值、低负荷导线温度日标准差、导线温度日均值、导线温度日标准差、高负荷导线超标温度时长日中位数、高负荷导线超标温度时长日均值、高负荷导线超标温度日时长标准差、低负荷导线超标温度时长日中位数、低负荷导线超标温度时长日均值、低负荷导线超标温度日时长标准差的所述温度特征数据;
根据所述电流数据获得至少包括导线电流的所述载流特征数据;
根据所述环境数据获得至少包括环境风速、日照强度、环境温度的所述环境特征数据。
可选地,预先训练所述缺陷判别器的过程包括:
采集多个缺陷输电线路的历史温度特征数据、历史载流特征数据以及历史环境特征数据,作为训练样本集的样本数据;
创建聚类模型,采用K-means聚类算法,对所述训练样本集的每个样本点的所述历史温度特征数据、所述历史载流特征数据以及所述历史环境特征数据进行分析运算,确定所述缺陷判别器。
可选地,创建聚类模型,采用K-means聚类算法,对所述训练样本集的每个样本点的所述历史温度特征数据、所述历史载流特征数据以及所述历史环境特征数据进行分析运算,确定所述缺陷判别器,包括:
根据K-means聚类算法对所述训练样本集的每个样本点对应的所述历史温度特征数据、所述历史载流特征数据以及所述历史环境特征数据进行分析运算,确定最佳聚类数K和聚类中心点,并剔除异常样本点;
计算所述训练样本集中剔除异常样本点后的各个有效样本点到聚类中心点的相隔长度之和,并基于相隔长度增量变化,确定分类阈值。
可选的,在确定所述缺陷判别器之后,还包括:
随机采集多个不同输电线路的温度特征数据、载流特征数据以及环境特征数据作为测试样本集中的样本数据;
将所述测试样本集中的样本数据输入至所述缺陷判别器,获得各个所述测试样本集的缺陷判别结果;
判断所述缺陷判别结果正确率是否达到预设正确率阈值,若否,则重新执行预先训练所述缺陷判别器的过程的步骤。
一种输电线路的缺陷诊断装置,包括:
数据采集模块,用于采集待测输电线路的温度特征数据、载流特征数据和环境特征数据;
缺陷判别模块,用于将所述温度特征数据、所述载流特征数据和所述环境特征数据输入预先训练获得的缺陷判别器,确定所述待测输电线路是否存在缺陷;其中,所述缺陷判别器为输电线路的缺陷和所述输电线路的温度特征数据、载流特征数据以及所处环境特征数据之间对应关系的模型。
可选地,所述数据采集模块用于采集所述待测输电线路的温度数据、电流数据和环境数据;根据所述温度数据获得至少包括高负荷导线温度日均值、高负荷导线温度日标准差、低负荷导线温度日均值、低负荷导线温度日标准差、导线温度日均值、导线温度日标准差、高负荷导线超标温度时长日中位数、高负荷导线超标温度时长日均值、高负荷导线超标温度日时长标准差、低负荷导线超标温度时长日中位数、低负荷导线超标温度时长日均值、低负荷导线超标温度日时长标准差的所述温度特征数据;根据所述电流数据获得至少包括导线电流的所述流特征数据;根据所述环境数据获得至少包括环境风速、日照强度、环境温度的所述环境特征数据。
可选地,还包括模型训练模块,用于采集多个缺陷输电线路的历史温度特征数据、历史载流特征数据以及历史环境特征数据,作为训练样本集的样本数据;创建聚类模型,采用K-means聚类算法,对所述训练样本集的每个样本点的所述历史温度特征数据、所述历史载流特征数据以及所述历史环境特征数据进行分析运算,确定所述缺陷判别器。
一种输电线路的缺陷诊断设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一项所述输电线路的缺陷诊断方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述输电线路的缺陷诊断方法的步骤。
本发明所提供的一种输电线路的缺陷诊断方法,包括采集待测输电线路的温度特征数据、载流特征数据和环境特征数据;将温度特征数据、载流特征数据和环境特征数据输入预先训练获得的缺陷判别器,确定待测输电线路是否存在缺陷;其中,缺陷判别器为输电线路的缺陷和输电线路的温度特征数据、载流特征数据以及所处环境特征数据之间对应关系的模型。
本申请中在对输电线路的缺陷进行诊断时,并不仅仅单一参考输电线路的温度,在采集获得温度特征数据的基础上,还充分考虑载流特征数据以及环境特征数据,也即是说本申请中充分考虑到温度、电流和环境等各个方面的因素对输电线路正常运行产生的影响,基于温度、电流以及环境等各个方面的特征变化对输电线路进行故障缺陷评估,这种评估方式在一定程度上能够起到对输电线路的缺陷具有提前预估作用,无需等到输电线路温度过高时,才发现输电线路存储缺陷故障,避免了缺陷故障的进一步的严重恶化,有利于及时提醒维护人员及时处理;并且基于各个方面的特征变化确定输电线路的缺陷故障,能够在一定程度上提升缺陷故障预测评估的准确性,有利于输电线路高效率的运行管理。
本申请还提供了一种输电线路的缺陷诊断装置、设备以及计算机可读存储介质,具有上述有益效果。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的输电线路的缺陷诊断方法的流程示意图;
图2为本申请实施例提供的聚类分析结果示意图;
图3为本申请实施例提供的聚类中心分布折线图;
图4为本申请实施例提供的训练样本集中样本点到聚类中心点的相对增量图示意图;
图5为本发明实施例提供的输电线路的缺陷诊断装置的结构框图。
具体实施方式
在输电线路缺陷诊断的传统方法中,主要通过实时采集输电线路的温度值大小,当输电线路的温度值达到一定的门限阈值,则认为输电线路处于非正常工作状态。但是对于输电线路而言,其产生故障缺陷的初期往往并不会直接导致温度升至过高,而是在温度变化上呈现一定的特征,同时周围环境变化以及电流变化等也会促进输电线路产生缺陷。为此,通过温度门限阈值确定输电线路的缺陷故障,往往是在输电线路的故障已经较为严重才通过温度升高而体现出来,对输电线路的损伤更为严重,既不利于输电线路的维护和管理,也影响输电线路的使用寿命。如果仅仅通过减小温度门限阈值的大小来实现输电线路的故障缺陷的检测,又在一定程度上提高缺陷检测的不准确性,导致频繁发生误报警的问题,也不利于输电线路的维护和管理。
为此,本申请中提供了一种能够对输电线路存在潜在的缺陷故障进行评估诊断的技术方案。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅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,都属于本发明保护的范围。
如图1所示,图1为本申请实施例提供的输电线路的缺陷诊断方法的流程示意图,该缺陷诊断方法可以包括:
S11:采集待测输电线路的温度特征数据、载流特征数据和环境特征数据。
该温度特征数据可以是基于输电线路上塔杆耐张线夹上的温度传感器实时测得的输电导线的温度数据分析获得的温度特征数据。该温度特征数据可以包括高负荷导线温度日均值、高负荷导线温度日标准差、低负荷导线温度日均值、低负荷导线温度日标准差、导线温度日均值、导线温度日标准差、高负荷导线超标温度时长日中位数、高负荷导线超标温度时长日均值、高负荷导线超标温度日时长标准差、低负荷导线超标温度时长日中位数、低负荷导线超标温度时长日均值、低负荷导线超标温度日时长标准差等等。
对于存在缺陷故障隐患的输电线路而言,其相对于正常的输电线路的温度特征数据之间是存在差异的,基于正常的输电线路和存在故障缺陷隐患的输电线路的温度特征数据的差异,能够在存在缺陷隐患的输电线路的缺陷故障不明显时即可提前预知,有利于及时对输电线路进行维护处理。
对于载流特征数据主要是指但不仅限于输电线路上导线电流,该导电电流可以基于输电线路上的导线电流传感器测得的电流数据获得。对于输电线路而言,导线电流过大往往也是引发输电线路故障进而导致输电线路的温度过高的重要原因之一。为此,导线电流的载流特征数据也在一定程度上体现输电线路是否会出现故障的数据之一。
本实施例中的环境特征数据至少包括环境风速、日照强度、环境温度。和上述载流特征数据类似,当环境中风速过大(存在刮段的风险)、日照过于强烈(直接导致输电线路温度高)、环境温度过高或过低(结冰)都会引起输电线路的缺陷故障。通过实时对环境特征数据的采集,也能够在一定程度上实现对输电线路是否会发生缺陷故障进行预测。
由此可见,本实施例中在对输电线路的故障进行预测时,同时参考能够体现输电线路缺陷故障的温度特征数据以及能够引起输电线路的缺陷故障的载流特征数据以及环境特征数据,共同分析预测诊断输电线路是否存在潜在缺陷故障的隐患,从而更准确地实现对输电线路故障的预测诊断,以便对输电线路进行及时的维护处理。
S12:将温度特征数据、载流特征数据和环境特征数据输入预先训练获得的缺陷判别器,确定待测输电线路是否存在缺陷。
其中,缺陷判别器为输电线路的缺陷和输电线路的温度特征数据、载流特征数据以及所处环境特征数据之间对应关系的模型。
为了简化基于温度特征数据、载流特征数据以及环境特征数据的分析过程,本实施例中预先创建该三种不同特征数据和输电线路存在缺陷隐患的对应关系的缺陷判别器。该缺陷判别器的创建方式可以是基于计算机学习训练获得的。
在本申请的一种可选地实施例中,该缺陷判别器的创建过程可以如下:
采集多个缺陷输电线路的历史温度特征数据、历史载流特征数据以及历史环境特征数据,作为训练样本集的样本数据;
创建聚类模型,采用K-means聚类算法,对训练样本集的每个样本点的历史温度特征数据、历史载流特征数据以及历史环境特征数据进行分析运算,确定缺陷判别器。
本实施例中的多个缺陷输电线路是指发生过缺陷故障的输电线路。该缺陷输电线路的历史温度特征数据、历史载流特征数据以及历史环境特征数据可以是通过对大量的输电线路的温度数据、导线电流数据以及环境数据进行实时监测,一旦某些输电线路发生缺陷故障,则将发生缺陷故障的输电线路作为缺陷输电线路,并基于该缺陷输电线路产生明显缺陷故障之前预设时间段内的温度数据、导线电流数据以及环境数据进行特征分析从而确定该缺陷输电线路的温度特征数据、载流特征数据以及环境特征数据,也就相当于本实施例中的历史温度特征数据、历史载流特征数据以及历史环境特征数据。
在获得进行计算机训练学习的样本集中的样本数据之后,采用K-means聚类算法对该样本集进行分析学习确定发生缺陷故障的输电线路的温度、载流以及环境所呈现的特性。基于该根据K-means聚类算法对训练样本集的每个样本点对应的历史温度特征数据、历史载流特征数据以及历史环境特征数据进行分析运算,即可确定最佳聚类数K和聚类中心点;与此同时,通过确定的最佳聚类数K,可以确定各个样本点距离各个聚类中心之间的距离,当存在距离聚类中心的欧式几何距离过远的样本点时,则说明该样本点为异常样本点,可以将该样本点剔除,从而保证基于样本点训练确定的缺陷判别器的准确性。
如图2所示,图2为本申请实施例提供的聚类样本分布示意图,图2中为将训练集P进行聚类运算确定最佳聚类数为3的样本点分布实例。
在以上聚类结果的基础上,对异常点进行处理,得到126个有效采样点。其主要分布情况如表1所示。
表1:
类别 | CLSTR1 | CLSTR2 | CLSTR3 | 合计 |
样本数 | 25 | 64 | 37 | 126 |
如图2所示,由此,对于每个聚类簇,可得聚类中心点所对应的每个维度特征值。
如图3所示以特征为横坐标,特征值为纵坐标,绘制折线图,查看三个聚类中心点的分布。由图3可知,图3中示出了高负荷导线温度日均值、高负荷导线温度日标准差、低负荷导线温度日均值、低负荷导线温度日标准差、导线温度日均值、导线温度日标准差、高负荷导线超标温度时长日中位数、高负荷导线超标温度时长日均值、高负荷导线超标温度日时长标准差、低负荷导线超标温度时长日中位数、低负荷导线超标温度时长日均值、低负荷导线超标温度日时长标准差等9个温度特征数据分别在以上三个聚类簇的差异性变化。
可以看出,在高负荷导线温度日均值、高负荷导线温度日标准差、低负荷导线温度日均值、低负荷导线温度日标准差、导线温度日均值、导线温度日标准差的6个温度特征上,CLSTR1(聚类簇1)与CLSTR2(聚类簇2)的整体趋势比较相近,且CLSTR2(聚类簇2)对应的特征值均低于CLSTR1(聚类簇1)相对应的特征值;但CLSTR3(聚类簇3)和CLSTR1(聚类簇1)在趋势上整体相反。
具体来说,有以下几差异:
(1)对于CLSTR1中的导线,有以下结论:
高负荷导线温度日均值指标正常,但该类输电导线属于高负荷时段占比较小的线路;
低负荷塔导线温度日均值指标高,说明该类输电导线在低负荷情况下温度偏大;
导线温度日均值指标变化大,说明该类输电导线的整体指标异常。
因此,该类输电导线是具有典型高负荷时段占比较小的输电线路的温度异常特征的导线。
(2)对于CLSTR2中的导线,有以下结论:
高负荷导线温度日均值指标最高,说明该类输电导线在高负荷情况下温度已严重超标;
低负荷导线温度日均值指标偏高,说明该类输电导线在低负荷情况下温度比正常情况下高;
导线温度日均值指标同样较高,说明该类输电导线的整体指标偏高。
可以看出,该类导线温度整体统一偏高,因此,从温度特征的角度来说,存在严重缺陷的输电线路的温度特征比较类似。
(3)对于CLSTR3中的导线,有以下结论:
高负荷导线温度日均值指标较高,说明该类输电导线在高负荷情况下温度已超标;
低负荷导线温度日均值指标正常,说明该类输电导线在常态负荷情况下温度变化不大;
导线温度日均值指标偏高,说明该类输电导线与存在一般缺陷的输电导线温度特征相似。
因此,从温度特征的角度来说,和典型的一般缺陷的输电线路导线的温度特征比较类似。
(4)总体来看:
CLSTR2中导线温度具有典型严重缺陷导线温度特征;
CLSTR1和CLSTR3中的导线温度,与存在一般缺陷的输电线路导线温度特征比较类似。
在确定各个聚类中心点之后,进一步地计算训练集P中各有效样本点x到中心点的相隔距离之和,并排序,绘制距离增量图,如图4所示:图4中,x轴表示训练样本序号,y轴表示样本点到中心点的相隔距离之和。由图4可看出:
当x<117时,相隔距离的增长速度较为平缓;
当x>117时,相隔距离的增长速度较快;
由此得出:x=117为训练样本集中的拐点。因此,将其对应的相隔长度,即y值设置为分类的阈值:TNR=y(x=117)=2.323337。
当基于该分类阈值对输电线路进行缺陷诊断时,即可将该输电线路对应的温度特征数据、载流特征数据以及环境特征数据代入该缺陷识别器中,以该输电线路的温度特征数据、载流特征数据以及环境特征数据作为样本点进行类别归属判断。当输电线路对应的样本点到三个聚类中心点的相隔长度之和大于阈值时,即判断为存在缺陷隐患的输电线路,反之,则判定为没有缺陷隐患的输电线路。
当然,在训练获得缺陷判别器之后,还可以进一步地对该缺陷识别器进行验证,可以随机抽取若干个出现缺陷故障和没有出现缺陷故障的温度特征数据、载流特征数据以及环境特征数据作为测试样本集的样本数据;将测试样本集输入至缺陷判别器,获得各个验证样本的缺陷判别结果;再判断缺陷判别结果正确率是否达到预设正确率阈值,若判别结果的准确率达到预定准确率要求,则说明该缺陷识别器可投入应用,若判别结果的准确率没有达到预定准确率要求,则重新执行预先训练缺陷判别器的过程的步骤,重新进行聚类运算,以确定更为准确的缺陷判别器。
下面对本发明实施例提供的输电线路的缺陷诊断装置进行介绍,下文描述的输电线路的缺陷诊断装置与上文描述的输电线路的缺陷诊断方法可相互对应参照。
图5为本发明实施例提供的输电线路的缺陷诊断装置的结构框图,参照图5中输电线路的缺陷诊断装置可以包括:
数据采集模块100,用于采集待测输电线路的温度特征数据、载流特征数据和环境特征数据;
缺陷判别模块200,用于将所述温度特征数据、所述载流特征数据和所述环境特征数据输入预先训练获得的缺陷判别器,确定所述待测输电线路是否存在缺陷;其中,所述缺陷判别器为输电线路的缺陷和所述输电线路的温度特征数据、载流特征数据以及所处环境特征数据之间对应关系的模型。
在本申请的一种可选地实施例中,所述数据采集模块100用于采集所述待测输电线路的温度数据、电流数据和环境数据;根据所述温度数据获得至少包括高负荷导线温度日均值、高负荷导线温度日标准差、低负荷导线温度日均值、低负荷导线温度日标准差、导线温度日均值、导线温度日标准差、高负荷导线超标温度时长日中位数、高负荷导线超标温度时长日均值、高负荷导线超标温度日时长标准差、低负荷导线超标温度时长日中位数、低负荷导线超标温度时长日均值、低负荷导线超标温度日时长标准差的所述温度特征数据;根据所述电流数据获得至少包括导线电流的所述载流特征数据;根据所述环境数据获得至少包括环境风速、日照强度、环境温度的所述环境特征数据。
在本申请的一种可选地实施例中,还包括模型训练模块,用于采集多个缺陷输电线路的历史温度特征数据、历史载流特征数据以及历史环境特征数据,作为训练样本集的样本数据;创建聚类模型,采用K-means聚类算法,对所述训练样本集的每个样本点的所述历史温度特征数据、所述历史载流特征数据以及所述历史环境特征数据进行分析运算,确定所述缺陷判别器。
在本申请的一种可选地实施例中,模型训练模块具体用于根据K-means聚类算法对所述训练样本集的每个样本点对应的所述历史温度特征数据、所述历史载流特征数据以及所述历史环境特征数据进行分析运算,确定最佳聚类数K和聚类中心点,并剔除异常样本点;计算所述训练样本集中剔除异常样本点后的各个有效样本点到聚类中心点的相隔长度之和,并基于相隔长度之和的增量变化,确定分类阈值。
在本申请的一种可选地实施例中,还包括测试模块,用于在确定所述缺陷判别器之后,随机采集多个不同输电线路的温度特征数据、载流特征数据以及环境特征数据作为测试样本集中的样本数据;将所述测试样本集中的样本数据输入至所述缺陷判别器,获得各个所述测试样本集的缺陷判别结果;判断所述缺陷判别结果正确率是否达到预设正确率阈值,若否,则重新执行预先训练所述缺陷判别器的过程的步骤。
本实施例的输电线路的缺陷诊断装置用于实现前述的输电线路的缺陷诊断方法,因此输电线路的缺陷诊断装置中的具体实施方式可见前文中的输电线路的缺陷诊断方法的实施例部分,在此不再赘述。
本申请还提供了一种输电线路的缺陷诊断设备的实施例,该设备可以包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一项所述输电线路的缺陷诊断方法的步骤。
本实施例中处理器实现的输电线路的缺陷诊断方法可以包括:采集待测输电线路的温度特征数据、载流特征数据和环境特征数据;将所述温度特征数据、所述载流特征数据和所述环境特征数据输入预先训练获得的缺陷判别器,确定所述待测输电线路是否存在缺陷;其中,所述缺陷判别器为输电线路的缺陷和所述输电线路的温度特征数据、载流特征数据以及所处环境特征数据之间对应关系的模型。
本实施例中所提供的设备能够通过采集表征输电线路存在缺陷的温度特征数据以及参考能够引起输电线路缺陷故障的载流特征数据以及环境特征数据,基于温度特征数据、载流特征数据以及环境特征数据结合机器训练实现对输电线路存在的缺陷故障隐患进行预估,保证对输电线路故障预估的准确性的基础上,便于对输电线路的缺陷故障做及时的处理和维护,有利于输电线路的正常工作运行。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述输电线路的缺陷诊断方法的步骤。
该计算机可读存储介质可以包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种输电线路的缺陷诊断方法,其特征在于,包括:
采集待测输电线路的温度特征数据、载流特征数据和环境特征数据;
将所述温度特征数据、所述载流特征数据和所述环境特征数据输入预先训练获得的缺陷判别器,确定所述待测输电线路是否存在缺陷;
其中,所述缺陷判别器为输电线路的缺陷和所述输电线路的温度特征数据、载流特征数据以及所处环境特征数据之间对应关系的模型。
2.如权利要求1所述的输电线路的缺陷诊断方法,其特征在于,采集待测输电线路的温度特征数据、载流特征数据和环境特征数据,包括:
采集所述待测输电线路的温度数据、电流数据和环境数据;
根据所述温度数据获得至少包括高负荷导线温度日均值、高负荷导线温度日标准差、低负荷导线温度日均值、低负荷导线温度日标准差、导线温度日均值、导线温度日标准差、高负荷导线超标温度时长日中位数、高负荷导线超标温度时长日均值、高负荷导线超标温度日时长标准差、低负荷导线超标温度时长日中位数、低负荷导线超标温度时长日均值、低负荷导线超标温度日时长标准差的所述温度特征数据;
根据所述电流数据获得至少包括导线电流的所述载流特征数据;
根据所述环境数据获得至少包括环境风速、日照强度、环境温度的所述环境特征数据。
3.如权利要求1所述的输电线路的缺陷诊断方法,其特征在于,预先训练所述缺陷判别器的过程包括:
采集多个缺陷输电线路的历史温度特征数据、历史载流特征数据以及历史环境特征数据,作为训练样本集的样本数据;
创建聚类模型,采用K-means聚类算法,对所述训练样本集的每个样本点的所述历史温度特征数据、所述历史载流特征数据以及所述历史环境特征数据进行分析运算,确定所述缺陷判别器。
4.如权利要求3所述的输电线路的缺陷诊断方法,其特征在于,创建聚类模型,采用K-means聚类算法,对所述训练样本集的每个样本点的所述历史温度特征数据、所述历史载流特征数据以及所述历史环境特征数据进行分析运算,确定所述缺陷判别器,包括:
根据K-means聚类算法对所述训练样本集的每个样本点对应的所述历史温度特征数据、所述历史载流特征数据以及所述历史环境特征数据进行分析运算,确定最佳聚类数K和聚类中心点,并剔除异常样本点;
计算所述训练样本集中剔除异常样本点后的各个有效样本点到聚类中心点的相隔长度之和,并基于相隔长度之和的增量变化,确定分类阈值。
5.如权利要求3所述的输电线路的缺陷诊断方法,其特征在于,在确定所述缺陷判别器之后,还包括:
随机采集多个不同输电线路的温度特征数据、载流特征数据以及环境特征数据作为测试样本集中的样本数据;
将所述测试样本集中的样本数据输入至所述缺陷判别器,获得各个所述测试样本集的缺陷判别结果;
判断所述缺陷判别结果正确率是否达到预设正确率阈值,若否,则重新执行预先训练所述缺陷判别器的过程的步骤。
6.一种输电线路的缺陷诊断装置,其特征在于,包括:
数据采集模块,用于采集待测输电线路的温度特征数据、载流特征数据和环境特征数据;
缺陷判别模块,用于将所述温度特征数据、所述载流特征数据和所述环境特征数据输入预先训练获得的缺陷判别器,确定所述待测输电线路是否存在缺陷;其中,所述缺陷判别器为输电线路的缺陷和所述输电线路的温度特征数据、载流特征数据以及所处环境特征数据之间对应关系的模型。
7.如权利要求6所述的输电线路的缺陷诊断装置,其特征在于,所述数据采集模块用于采集所述待测输电线路的温度数据、电流数据和环境数据;根据所述温度数据获得至少包括高负荷导线温度日均值、高负荷导线温度日标准差、低负荷导线温度日均值、低负荷导线温度日标准差、导线温度日均值、导线温度日标准差、高负荷导线超标温度时长日中位数、高负荷导线超标温度时长日均值、高负荷导线超标温度日时长标准差、低负荷导线超标温度时长日中位数、低负荷导线超标温度时长日均值、低负荷导线超标温度日时长标准差的所述温度特征数据;根据所述电流数据获得至少包括导线电流的所述载流特征数据;根据所述环境数据获得至少包括环境风速、日照强度、环境温度的所述环境特征数据。
8.如权利要求6所述的输电线路的缺陷诊断装置,其特征在于,还包括模型训练模块,用于采集多个缺陷输电线路的历史温度特征数据、历史载流特征数据以及历史环境特征数据,作为训练样本集的样本数据;创建聚类模型,采用K-means聚类算法,对所述训练样本集的每个样本点的所述历史温度特征数据、所述历史载流特征数据以及所述历史环境特征数据进行分析运算,确定所述缺陷判别器。
9.一种输电线路的缺陷诊断设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述输电线路的缺陷诊断方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述输电线路的缺陷诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342125.4A CN112417763A (zh) | 2020-11-25 | 2020-11-25 | 输电线路的缺陷诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342125.4A CN112417763A (zh) | 2020-11-25 | 2020-11-25 | 输电线路的缺陷诊断方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112417763A true CN112417763A (zh) | 2021-02-26 |
Family
ID=74842415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011342125.4A Pending CN112417763A (zh) | 2020-11-25 | 2020-11-25 | 输电线路的缺陷诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417763A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091705A (zh) * | 2021-11-26 | 2022-02-25 | 国网四川省电力公司电力科学研究院 | 一种电力***失稳分析方法、装置、电子设备和存储介质 |
CN114201884A (zh) * | 2021-12-16 | 2022-03-18 | 中国电力科学研究院有限公司 | 基于专家规则推演的继电保护缺陷的诊断方法和装置 |
CN116054414A (zh) * | 2023-03-06 | 2023-05-02 | 广东电网有限责任公司佛山供电局 | 线路缺陷隐患监测方法、装置、计算机设备、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784392A (zh) * | 2017-10-27 | 2018-03-09 | 华北电力科学研究院有限责任公司 | 一种基于机器学习的输电线路的缺陷预测方法及装置 |
CN109579914A (zh) * | 2018-12-24 | 2019-04-05 | 国网山西省电力公司检修分公司 | 一种输电线路的运行状况判定方法、装置、设备及介质 |
KR20190066207A (ko) * | 2017-12-05 | 2019-06-13 | 주식회사 레딕스 | 전통시장 전기화재 예방 시스템 및 방법 |
CN110334127A (zh) * | 2019-07-04 | 2019-10-15 | 国网江苏省电力有限公司 | 一种配电网线路故障规律挖掘方法、***及存储介质 |
CN110533331A (zh) * | 2019-08-30 | 2019-12-03 | 广东电网有限责任公司江门供电局 | 一种基于输电线路数据挖掘的故障预警方法和*** |
CN111652448A (zh) * | 2020-07-08 | 2020-09-11 | 广东电网有限责任公司清远供电局 | 一种输电线路缺陷率的预测方法、装置及*** |
-
2020
- 2020-11-25 CN CN202011342125.4A patent/CN112417763A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784392A (zh) * | 2017-10-27 | 2018-03-09 | 华北电力科学研究院有限责任公司 | 一种基于机器学习的输电线路的缺陷预测方法及装置 |
KR20190066207A (ko) * | 2017-12-05 | 2019-06-13 | 주식회사 레딕스 | 전통시장 전기화재 예방 시스템 및 방법 |
CN109579914A (zh) * | 2018-12-24 | 2019-04-05 | 国网山西省电力公司检修分公司 | 一种输电线路的运行状况判定方法、装置、设备及介质 |
CN110334127A (zh) * | 2019-07-04 | 2019-10-15 | 国网江苏省电力有限公司 | 一种配电网线路故障规律挖掘方法、***及存储介质 |
CN110533331A (zh) * | 2019-08-30 | 2019-12-03 | 广东电网有限责任公司江门供电局 | 一种基于输电线路数据挖掘的故障预警方法和*** |
CN111652448A (zh) * | 2020-07-08 | 2020-09-11 | 广东电网有限责任公司清远供电局 | 一种输电线路缺陷率的预测方法、装置及*** |
Non-Patent Citations (4)
Title |
---|
曹文思;吴擎;徐铭铭;牛荣泽;: "基于分形理论与聚类分析的小电阻接地***高阻接地保护方法", 电力自动化设备, no. 04 * |
田浩;章涵;王海涛;何君;范鹏;郭钧天;罗飞;: "聚合时空特征的新疆750 kV特高压输电线路缺陷关联分析", 电力***保护与控制, no. 06 * |
郑茂然;余江;陈宏山;高宏慧;张静伟;吕梁;刘智勇;: "基于大数据的输电线路故障预警模型设计", 南方电网技术, no. 04 * |
金鼎;: "输电线路综合在线监测***关键技术分析", 科技风, no. 09 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091705A (zh) * | 2021-11-26 | 2022-02-25 | 国网四川省电力公司电力科学研究院 | 一种电力***失稳分析方法、装置、电子设备和存储介质 |
CN114201884A (zh) * | 2021-12-16 | 2022-03-18 | 中国电力科学研究院有限公司 | 基于专家规则推演的继电保护缺陷的诊断方法和装置 |
CN116054414A (zh) * | 2023-03-06 | 2023-05-02 | 广东电网有限责任公司佛山供电局 | 线路缺陷隐患监测方法、装置、计算机设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
CN112505549B (zh) | 基于孤立森林算法的新能源汽车电池异常检测方法 | |
US6088658A (en) | Statistical pattern analysis methods of partial discharge measurements in high voltage insulation | |
WO2018028005A1 (zh) | 一种大型光伏电站中电池面板的故障检测算法 | |
CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
CN116304766A (zh) | 基于多传感器的开关柜状态快速评估方法 | |
CN115048985B (zh) | 一种电气设备故障判别方法 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、***及介质 | |
CN115865649A (zh) | 一种智能运维管理控制方法、***和存储介质 | |
CN111579121A (zh) | 基于大数据在线诊断新能源汽车电池包内温度故障的方法 | |
CN112904148A (zh) | 智能电缆运行监测***、方法及装置 | |
CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
CN113236595B (zh) | 风机故障分析方法、装置、设备及可读存储介质 | |
CN110689324A (zh) | 一种配电变压器检测结果的辅助评判方法 | |
CN114487705A (zh) | 一种电网设备故障定位检测方法 | |
CN117491813A (zh) | 新能源汽车动力电池***绝缘异常检测方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN113220799A (zh) | 一种大数据预警管理*** | |
CN117318614A (zh) | 一种光伏逆变器故障预测方法 | |
CN116865672A (zh) | 光伏组件异常识别方法及装置、计算机可读储存介质 | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建*** | |
CN113591909A (zh) | 电力***的异常检测方法、异常检测装置以及存储介质 | |
CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及*** |
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 |