CN113419140B - 一种考虑人机物协同的配网线路故障诊断方法及装置 - Google Patents

一种考虑人机物协同的配网线路故障诊断方法及装置 Download PDF

Info

Publication number
CN113419140B
CN113419140B CN202110901513.XA CN202110901513A CN113419140B CN 113419140 B CN113419140 B CN 113419140B CN 202110901513 A CN202110901513 A CN 202110901513A CN 113419140 B CN113419140 B CN 113419140B
Authority
CN
China
Prior art keywords
distribution line
fault
data
returned
image
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
CN202110901513.XA
Other languages
English (en)
Other versions
CN113419140A (zh
Inventor
罗鲜林
张茵翠
葛阳
陈佳鹏
王维权
邝建东
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.)
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110901513.XA priority Critical patent/CN113419140B/zh
Publication of CN113419140A publication Critical patent/CN113419140A/zh
Application granted granted Critical
Publication of CN113419140B publication Critical patent/CN113419140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08Locating faults in cables, transmission lines, or networks
    • G01R31/081Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08Locating faults in cables, transmission lines, or networks
    • G01R31/088Aspects of digital computing
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本申请公开了一种考虑人机物协同的配网线路故障诊断方法及装置,方法包括:获取当前无人机回传图像以及当前配电线路回传数据;将回传图像与历史非故障图像在深度信念网络中进行比对;若比对不相同,则将当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断当前配电线路回传数据对应的故障类型。本申请可以有效提高诊断的精度与速度,快速判断配电线路具体故障、优化故障分析过程和提高区域供电可靠性。

Description

一种考虑人机物协同的配网线路故障诊断方法及装置
技术领域
本申请涉及电力***故障诊断技术领域,尤其涉及一种考虑人机物协同的配网线路故障诊断方法及装置。
背景技术
随着我国经济快速发展,对能源的需求越来越大,超高压大容量电力线路正大幅扩建。而我国的电力线路走廊需要穿越各种复杂的地理环境,多数都经过大面积水库、湖泊和崇山峻岭等,这些都给电力线路的检测带来了很多困难。同时巡检受过多人为因素的影响,在危险地段会危及到巡线工人的生命安危,并且人工录入数据量大、数据手工录入过程中容易出错。使用无人飞机大面积巡查电力线路,对冰冻等自然灾害发生预警有着较为良好的应用效果,同时利用高精度视频设备对线路进行可见光和红外热成像观测,通过观察识别和相关数据对比,精确找出电力设备故障发生点,保障电力设施的有效运行。使用无人机进行巡线监测,将大大降低巡检成本,提高巡检效率,保障巡检人员的生命安全。
随着智能电网的逐步推行以及存储技术的更新换代,电网的海量数据得以储存,针对回传的大数据,传感器的应用日益广泛,已经逐渐延伸到电网的方方面面,其回传的数据通过对电网实时记录,映射着电网的安全状态。近年来,通过对大数据技术的应用及人工智能算法的发展,对配电线路的传感器回传数据进行了大量的研究,分析配电线路潜在的风险,为电网安全、稳定运行提供了有利的保障。
发明内容
本申请实施例提供了一种考虑人机物协同的配网线路故障诊断方法及装置,使得可以有效提高诊断的精度与速度,快速判断配电线路具体故障、优化故障分析过程和提高区域供电可靠性。
有鉴于此,本申请第一方面提供了一种考虑人机物协同的配网线路故障诊断方法,所述方法包括:
获取当前无人机回传图像以及当前配电线路回传数据;
将所述回传图像与历史非故障图像在深度信念网络中进行比对;
若比对不相同,则将所述当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断所述当前配电线路回传数据对应的故障类型。
可选的,在所述将所述回传图像与历史非故障图像在深度信念网络中进行比对,之前还包括:
对所述回传图像进行预处理。
可选的,所述对所述回传图像进行预处理,包括:
将所述回传图像按照拍摄日期分类存放,并对所述回传图像进行初步筛选,去除模糊以及不能辨识的图像。
可选的,在所述将所述回传图像与历史非故障图像在深度信念网络中进行比对,之后还包括:
若所述回传图像与历史非故障图像的比对结果相同,则判断配电线路无故障。
可选的,在所述将所述当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,之前还包括:
对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据中的缺失及异常数据采用平均插值法进行处理;
对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据进行归一化处理;
确定所述配电线路故障信息的历史数据对应的配电线路的故障类型,所述配电线路的故障类型包括有接地故障、短路故障和超负荷故障。
可选的,所述将所述当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断所述当前配电线路回传数据对应的故障类型,包括:
采用模糊C-均值聚类对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据进行聚类;
得到所述当前配电线路回传数据对应的样本点所属类中心的隶属度,从而确定所述当前配电线路回传数据的故障类别。
本申请第二方面提供一种考虑人机物协同的配网线路故障诊断装置,所述装置包括:
获取单元,用于获取当前无人机回传图像以及当前配电线路回传数据;
比对单元,用于将所述回传图像与历史非故障图像在深度信念网络中进行比对;
故障判断单元,用于当比对不相同时,将所述当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断所述当前配电线路回传数据对应的故障类型。
可选的,还包括:
预处理单元,用于对所述回传图像进行预处理。
可选的,还包括:
插值处理单元,用于对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据中的缺失及异常数据采用平均插值法进行处理;
归一化单元,用于对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据进行归一化处理;
故障确定单元,用于确定所述配电线路故障信息的历史数据对应的配电线路的故障类型,所述配电线路的故障类型包括有接地故障、短路故障和超负荷故障。
可选的,所述故障判断单元包括:
聚类单元,用于采用模糊C-均值聚类对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据进行聚类;
故障确定单元,用于得到所述当前配电线路回传数据对应的样本点所属类中心的隶属度,从而确定所述当前配电线路回传数据的故障类别。
从以上技术方案可以看出,本申请具有以下优点:
本申请实施例中,提供了一种考虑人机物协同的配网线路故障诊断方法,包括:
获取当前无人机回传图像以及当前配电线路回传数据;将回传图像与历史非故障图像在深度信念网络中进行比对;若比对不相同,则将当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断当前配电线路回传数据对应的故障类型。
本申请通过有效地融合无人机回传图像信息和传感器回传数据,通过深度信念网络实现对无人机回传图像进行分析,判断配电线路是否发生故障,完成对配电线路的初步故障分析;若配电线路无故障则完成故障分析过程,若经过图像识别处理后发现配电线路可能出现故障,则需利用改进模糊C均值聚类算法对配电线路中的传感器回传数据进行分析,改进模糊C均值聚类算法可以有效提高算法的训练精度与速度,快速判断配电线路具体故障、优化故障分析过程和提高区域供电可靠性具有重要意义。
附图说明
图1为本申请一种考虑人机物协同的配网线路故障诊断方法的一个实施例的方法流程图;
图2为本申请一种考虑人机物协同的配网线路故障诊断方法的另一个实施例的方法流程图;
图3为本申请一种考虑人机物协同的配网线路故障诊断装置的一个实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1为本申请一种考虑人机物协同的配网线路故障诊断方法的一个实施例,如图1所示,图1中包括:
101、获取当前无人机回传图像以及当前配电线路回传数据;
需要说明的是,本申请汇总所在区域无人机采集的配电线路的图像,具体的,图像为红外及可见光图像,可以将获取的回传图像按照拍摄日期分类存放,并对回传的红外及可见光图像进行初步筛选,去除明显模糊、完全不能辨识的图像;还采集了传感器回传的配电线路历史数据和当前配电线路运行的各类数据。
102、将回传图像与历史非故障图像在深度信念网络中进行比对;
需要说明的是,本申请对无人机拍摄的红外及可见光图像采用深度信念网络将当前回传图像与历史非故障图像进行对比处理,判断配电线路是否发生故障。其中,深度信念网络是一种较新的深层神经网络,由底层的多个受限玻尔兹曼机堆栈叠加和顶层的BP神经网络组成,广泛应用于图像识别、故障判断等领域。
103、若比对不相同,则将当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断当前配电线路回传数据对应的故障类型。
需要说明的是,通过对无人机回传的红外及可见光图像与历史图像进行对比处理,初步判断配电线路故障情况,若对比结果表明当前回传图像与历史非故障图像并不相同,则说明当前回传图像可能存在故障,因此,可以将当前配电线路回传数据融合进配电线路故障信息的历史数据中进行聚类处理,其中可以提前获取配电线路故障信息的历史数据的故障信息,使得聚类完成后即可识别出当前配电线路回传数据的故障类型。
本申请通过有效地融合无人机回传图像信息和传感器回传数据,通过深度信念网络实现对无人机回传图像进行分析,判断配电线路是否发生故障,完成对配电线路的初步故障分析;若配电线路无故障则完成故障分析过程,若经过图像识别处理后发现配电线路可能出现故障,则需利用改进模糊C均值聚类算法对配电线路中的传感器回传数据进行分析,改进模糊C均值聚类算法可以有效提高算法的训练精度与速度,快速判断配电线路具体故障、优化故障分析过程和提高区域供电可靠性具有重要意义。
本申请还提供了一种考虑人机物协同的配网线路故障诊断方法的另一个实施例,如图2所示,图2中包括:
201、获取当前无人机回传图像以及当前配电线路回传数据;
202、对回传图像进行预处理;
需要说明的是,对回传图像进行预处理,包括:将回传图像按照拍摄日期分类存放,并对回传图像进行初步筛选,去除模糊以及不能辨识的图像。
具体的,本申请汇总所在区域无人机采集的配电线路的图像,具体的,图像为红外及可见光图像,可以将获取的回传图像按照拍摄日期分类存放,并对回传的红外及可见光图像进行初步筛选,去除明显模糊、完全不能辨识的图像。
203、将回传图像与历史非故障图像在深度信念网络中进行比对;
需要说明的是,对无人机拍摄的红外及可见光图像采用深度信念网络进行对比处理,判断配电线路是否发生故障。深度信念网络是一种较新的深层神经网络,由底层的多个受限玻尔兹曼机堆栈叠加和顶层的BP神经网络组成,广泛应用于图像识别、故障判断等领域。
对无人机拍摄的红外及可见光图像采用深度信念网络进行对比处理,判断配电线路是否发生故障。深度信念网络进行图像识别具体步骤如下:
(1)引入受限玻尔兹曼机。根据下列公式确定状态(v,h)的受限玻尔兹曼机具有的能量表示;
Figure BDA0003199946000000061
式中,θ=(ωij,ai,bj)为受限玻尔兹曼机参数,n和m分别为可见层和隐含层的神经元数目。
(2)确定概率分布。根据下列公式计算能量函数所确定的状态(v,h)受限玻尔兹曼机概率分布;
Figure BDA0003199946000000062
式中∑∑exp(-E(v,h|θ))为归一化因子。
(3)每层受限玻尔兹曼机第j个隐元及第i个显元激活概率;
Figure BDA0003199946000000063
Figure BDA0003199946000000064
(4)对比散度、各参数变化量计算准则及考虑学习率ζ的参数更新准则。
1)引入对比散度来训练显元与隐元的状态。并根据下列公式对对数似然函数相对于模型参数的θ求导,以权重参数ωij为例;
Figure BDA0003199946000000071
式中<vihj>data为数据分布的期望,<vihj>data为受限玻尔兹曼机定义的期望。
2)各参数变化量计算准则。根据下列公式更新各参数变化量计算准则;
Figure BDA0003199946000000072
3)考虑学习率ζ的参数更新准则。根据下列公式更新考虑学习率ζ的参数更新准则;
Figure BDA0003199946000000073
204、若回传图像与历史非故障图像的比对结果相同,则判断配电线路无故障。
需要说明的是,通过对无人机回传的红外及可见光图像与历史图像进行对比处理,初步判断配电线路故障情况,若对比结果表明当前回传图像与历史非故障图像相同,则说明当前回传图像可能不存在故障。
205、若比对不相同,则将当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断当前配电线路回传数据对应的故障类型。
需要说明的是,本申请采用模糊C-均值聚类对所述当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类;得到当前配电线路回传数据对应的样本点所属类中心的隶属度,从而确定当前配电线路回传数据的故障类别。最后,还可以采用测试集数据对结果进行验证,分析判断的准确性。
具体的,采用模糊C均值聚类算法对历史数据中的配电线路故障事故进行聚类,并融入进当前配电线路回传数据。本申请针对模糊C均值聚类算法中距离计算的问题,提出来一种新的距离计算方法,对现有的模糊C均值聚类算法进行改进。模糊C均值聚类算法通过优化目标函数得到每个样本点对所有类中心的隶属度,从而决定样本点的类属以达到自动对样本数据进行分类的目的。具体的聚类过程为:
2051、确定每个样本聚类的模糊C-均值聚类的聚类中心初始化值的计算公式为:
Figure BDA0003199946000000081
式中,
Figure BDA0003199946000000082
为邻域半径,c为类别数目;N为在邻域半径范围内的样本数;m为每个配电线路故障信息数据值;n为某区域配电线路故障信息个数。
2052、初始化隶属度矩阵U,矩阵元素μij表示第i个对象属隶属于第j类的程度,矩阵内的元素经过归一化后均在区间[0,1]中;
2053、在第t次的迭代计算中,根据下列公式更新隶属度矩阵:
Figure BDA0003199946000000083
式中,x=1,2,...,n,j=1,2,...,c,μij表示第i个对象属于第j类属性的程度。
在第t次的迭代计算中,根据下列公式更新聚类中心值矩阵:
Figure BDA0003199946000000084
式中,j=1,2,...,c,cij表示第l类环境因素的第j类属性的聚类中心值,系数K的计算公式如下:
Figure BDA0003199946000000085
2054、若
Figure BDA0003199946000000086
或者达到预置迭代次数,则迭代结束,输出环境属性值的最优隶属度;否则返回步骤1043进行下一次迭代,ε表示一个极小值。
在一种具体的实施方式中,在将当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类之前还包括:
对当前配电线路回传数据以及配电线路故障信息的历史数据中的缺失及异常数据采用平均插值法进行处理;
对当前配电线路回传数据以及配电线路故障信息的历史数据进行归一化处理;
确定配电线路故障信息的历史数据对应的配电线路的故障类型,配电线路的故障类型包括有接地故障、短路故障和超负荷故障。
需要说明的是,本申请采集传感器回传的当前配电线路回传数据以及配电线路历史故障信息的各类数据,对于采集的当前配电线路回传数据,为确保所在区域采集数据可以有效地进行聚类,可以对缺失和异常数据利用平均插值法进行处理,由于各类采集数据量纲不完全相同,可以将采集数据进行归一化处理。确定配电线路历史故障信息的故障类型,配电线路故障类型具体有接地故障、短路故障和超负荷故障。随机选取配电线路采集数据的80%为训练样本,剩余20%为测试样本。
具体的,归一化方法为:
Figure BDA0003199946000000091
式中,
Figure BDA0003199946000000092
表示归一化值,xi表示配电线路故障信息量值,xmin表示一个样本中配电线路故障信息序列最小值,xmax表示一个样本中配电线路故障信息序列最大值。
某区域各配电线路故障信息历史数据矩阵为:
Figure BDA0003199946000000093
式中,m为每个配电线路故障信息数据值;n为某区域配电线路故障信息个数。
本申请还提供了一种考虑人机物协同的配网线路故障诊断装置的一个实施例,如图3所示,图3中包括:
获取单元301,用于获取当前无人机回传图像以及当前配电线路回传数据;
比对单元302,用于将回传图像与历史非故障图像在深度信念网络中进行比对;
故障判断单元303,用于当比对不相同时,将当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断当前配电线路回传数据对应的故障类型。
在一种具体的实施方式中,还包括:
预处理单元,用于对回传图像进行预处理。
在一种具体的实施方式中,还包括:
插值处理单元,用于对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据中的缺失及异常数据采用平均插值法进行处理;
归一化单元,用于对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据进行归一化处理;
故障确定单元,用于确定所述配电线路故障信息的历史数据对应的配电线路的故障类型,所述配电线路的故障类型包括有接地故障、短路故障和超负荷故障。
在一种具体的实施方式中,故障判断单元303包括:
聚类单元,用于采用模糊C-均值聚类对当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类;
故障确定单元,用于得到当前配电线路回传数据对应的样本点所属类中心的隶属度,从而确定当前配电线路回传数据的故障类别。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。

Claims (8)

1.一种考虑人机物协同的配网线路故障诊断方法,其特征在于,包括:
获取当前无人机回传图像以及当前配电线路回传数据;
将所述回传图像与历史非故障图像在深度信念网络中进行比对;
若比对不相同,则将所述当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断所述当前配电线路回传数据对应的故障类型;
所述将所述当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断所述当前配电线路回传数据对应的故障类型,包括:
采用模糊C-均值聚类对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据进行聚类;
得到所述当前配电线路回传数据对应的样本点所属类中心的隶属度,从而确定所述当前配电线路回传数据的故障类别;
具体的聚类过程为:
确定每个样本聚类的模糊C-均值聚类的聚类中心初始化值的计算公式为:
Figure FDA0003893637800000011
式中,
Figure FDA0003893637800000012
为邻域半径,c为类别数目;N为在邻域半径范围内的样本数;m为每个配电线路故障信息数据值;n为某区域配电线路故障信息个数;
初始化隶属度矩阵U,矩阵元素μij表示第i个对象属隶属于第j类的程度,矩阵内的元素经过归一化后均在区间[0,1]中;
在第t次的迭代计算中,根据下列公式更新隶属度矩阵:
Figure FDA0003893637800000013
式中,x=1,2,...,n,j=1,2,...,c,μij表示第i个对象属于第j类属性的程度;
在第t次的迭代计算中,根据下列公式更新聚类中心值矩阵:
Figure FDA0003893637800000021
式中,j=1,2,...,c,cij表示第l类环境因素的第j类属性的聚类中心值,系数K的计算公式如下:
Figure FDA0003893637800000022
Figure FDA0003893637800000023
或者达到预置迭代次数,则迭代结束,输出环境属性值的最优隶属度;否则返回所述在第t次的迭代计算中,根据下列公式更新隶属度矩阵的步骤进行下一次迭代,ε表示一个极小值。
2.根据权利要求1所述的考虑人机物协同的配网线路故障诊断方法,其特征在于,在所述将所述回传图像与历史非故障图像在深度信念网络中进行比对,之前还包括:
对所述回传图像进行预处理。
3.根据权利要求2所述的考虑人机物协同的配网线路故障诊断方法,其特征在于,所述对所述回传图像进行预处理,包括:
将所述回传图像按照拍摄日期分类存放,并对所述回传图像进行初步筛选,去除模糊以及不能辨识的图像。
4.根据权利要求1所述的考虑人机物协同的配网线路故障诊断方法,其特征在于,在所述将所述回传图像与历史非故障图像在深度信念网络中进行比对,之后还包括:
若所述回传图像与历史非故障图像的比对结果相同,则判断配电线路无故障。
5.根据权利要求1所述的考虑人机物协同的配网线路故障诊断方法,其特征在于,在所述将所述当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,之前还包括:
对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据中的缺失及异常数据采用平均插值法进行处理;
对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据进行归一化处理;
确定所述配电线路故障信息的历史数据对应的配电线路的故障类型,所述配电线路的故障类型包括有接地故障、短路故障和超负荷故障。
6.一种考虑人机物协同的配网线路故障诊断装置,其特征在于,包括:
获取单元,用于获取当前无人机回传图像以及当前配电线路回传数据;
比对单元,用于将所述回传图像与历史非故障图像在深度信念网络中进行比对;
故障判断单元,用于当比对不相同时,将所述当前配电线路回传数据以及配电线路故障信息的历史数据进行聚类,判断所述当前配电线路回传数据对应的故障类型;
所述故障判断单元包括:
聚类单元,用于采用模糊C-均值聚类对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据进行聚类;
故障确定单元,用于得到所述当前配电线路回传数据对应的样本点所属类中心的隶属度,从而确定所述当前配电线路回传数据的故障类别;
具体的聚类过程为:
确定每个样本聚类的模糊C-均值聚类的聚类中心初始化值的计算公式为:
Figure FDA0003893637800000031
式中,
Figure FDA0003893637800000032
为邻域半径,c为类别数目;N为在邻域半径范围内的样本数;m为每个配电线路故障信息数据值;n为某区域配电线路故障信息个数;
初始化隶属度矩阵U,矩阵元素μij表示第i个对象属隶属于第j类的程度,矩阵内的元素经过归一化后均在区间[0,1]中;
在第t次的迭代计算中,根据下列公式更新隶属度矩阵:
Figure FDA0003893637800000041
式中,x=1,2,...,n,j=1,2,...,c,μij表示第i个对象属于第j类属性的程度;
在第t次的迭代计算中,根据下列公式更新聚类中心值矩阵:
Figure FDA0003893637800000042
式中,j=1,2,...,c,cij表示第l类环境因素的第j类属性的聚类中心值,系数K的计算公式如下:
Figure FDA0003893637800000043
Figure FDA0003893637800000044
或者达到预置迭代次数,则迭代结束,输出环境属性值的最优隶属度;否则返回所述在第t次的迭代计算中,根据下列公式更新隶属度矩阵的步骤进行下一次迭代,ε表示一个极小值。
7.根据权利要求6所述的考虑人机物协同的配网线路故障诊断装置,其特征在于,还包括:
预处理单元,用于对所述回传图像进行预处理。
8.根据权利要求6所述的考虑人机物协同的配网线路故障诊断装置,其特征在于,还包括:
插值处理单元,用于对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据中的缺失及异常数据采用平均插值法进行处理;
归一化单元,用于对所述当前配电线路回传数据以及所述配电线路故障信息的历史数据进行归一化处理;
故障确定单元,用于确定所述配电线路故障信息的历史数据对应的配电线路的故障类型,所述配电线路的故障类型包括有接地故障、短路故障和超负荷故障。
CN202110901513.XA 2021-08-06 2021-08-06 一种考虑人机物协同的配网线路故障诊断方法及装置 Active CN113419140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110901513.XA CN113419140B (zh) 2021-08-06 2021-08-06 一种考虑人机物协同的配网线路故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110901513.XA CN113419140B (zh) 2021-08-06 2021-08-06 一种考虑人机物协同的配网线路故障诊断方法及装置

Publications (2)

Publication Number Publication Date
CN113419140A CN113419140A (zh) 2021-09-21
CN113419140B true CN113419140B (zh) 2023-01-24

Family

ID=77719695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110901513.XA Active CN113419140B (zh) 2021-08-06 2021-08-06 一种考虑人机物协同的配网线路故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN113419140B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208643A (zh) * 2019-04-28 2019-09-06 国网辽宁省电力有限公司电力科学研究院 一种基于pmu数据和故障录波数据的电网故障诊断方法
CN110579690A (zh) * 2019-10-29 2019-12-17 厦门理工学院 一种配电网小电流接地故障区段定位方法
CN111596167A (zh) * 2020-05-14 2020-08-28 中国南方电网有限责任公司 基于模糊c均值聚类算法的故障区段定位方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824340B (zh) * 2014-03-07 2015-12-02 山东鲁能智能技术有限公司 无人机输电线路智能巡检***及巡检方法
CN103823450B (zh) * 2014-03-07 2016-09-21 国家电网公司 基于gis的无人机电力线路巡检调度终端及方法
CN109040278B (zh) * 2018-08-20 2020-05-29 山东润一智能科技有限公司 医院电气及动力***安全智能管理云平台、方法及***
CN109961003A (zh) * 2018-12-26 2019-07-02 安徽继远软件有限公司 一种基于fpga的嵌入式输电线路机载辅助巡视装置
CN110018389B (zh) * 2019-02-21 2021-11-12 国网山东省电力公司临沂供电公司 一种输电线路在线故障监测方法及***
CN112561129B (zh) * 2020-11-27 2022-09-02 广东电网有限责任公司肇庆供电局 一种基于配电线路故障信息的抢修物资调配方法
CN112991297B (zh) * 2021-03-15 2024-06-14 广东电网有限责任公司清远供电局 一种输电线路故障诊断方法、***、电子设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208643A (zh) * 2019-04-28 2019-09-06 国网辽宁省电力有限公司电力科学研究院 一种基于pmu数据和故障录波数据的电网故障诊断方法
CN110579690A (zh) * 2019-10-29 2019-12-17 厦门理工学院 一种配电网小电流接地故障区段定位方法
CN111596167A (zh) * 2020-05-14 2020-08-28 中国南方电网有限责任公司 基于模糊c均值聚类算法的故障区段定位方法及装置

Also Published As

Publication number Publication date
CN113419140A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN109506963B (zh) 一种智能列车牵引故障大数据异常检测辨识方法
CN103914735B (zh) 一种基于神经网络自学习的故障识别方法及***
CN108537154A (zh) 基于hog特征和机器学习的输电线路鸟巢识别方法
US20120304008A1 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN104636751A (zh) 基于时间递归神经网络的人群异常检测和定位***及方法
CN109544548A (zh) 餐盒的缺陷检测方法、装置、服务器、设备和存储介质
CN113391239B (zh) 一种基于边缘计算的互感器异常监测方法与***
CN104050361A (zh) 一种监狱服刑人员危险性倾向的智能分析预警方法
CN111126820A (zh) 反窃电方法及***
CN108762503A (zh) 一种基于多模态数据采集的人机交互***
CN113205039A (zh) 基于多dcnn网络的电力设备故障图像识别勘灾***及方法
CN110379036A (zh) 变电站智能巡检识别方法、***、装置及存储介质
CN111259949A (zh) 飞机环控***故障识别模型构建方法、模型及识别方法
CN112597238A (zh) 基于人员信息的知识图谱构建方法、***、设备及介质
CN116258980A (zh) 一种基于视觉的无人机分布式光伏电站巡检方法
CN110263836B (zh) 一种基于多特征卷积神经网络的不良驾驶状态识别方法
CN108827671A (zh) 一种机械设备故障诊断方法
CN115171045A (zh) 一种基于yolo的电网作业现场违章识别方法及终端
CN117114420B (zh) 一种基于图像识别的工贸安全事故风险管控***和方法
CN112419243B (zh) 一种基于红外图像分析的配电房设备故障识别方法
CN116310913B (zh) 基于小型无人机测量技术的自然资源调查监测方法及装置
CN113419140B (zh) 一种考虑人机物协同的配网线路故障诊断方法及装置
CN116127324A (zh) 不间断电源内部关键部件的故障检测方法和装置
CN109242008B (zh) 一种样本类别不完备条件下的复合故障识别方法
CN111209955A (zh) 基于深度神经网络和随机森林的飞机电源***故障识别方法

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