本发明涉及一种,尤其是涉及一种架空输电线路的故障判别方法,属于架空输电线路的状态在线监测技术领域。
背景技术:
架空输电线路都暴露在大自然之中,受环境、气象的影响,会出现很多故障,而冰雪灾害是电力系统遭受的各类危害中最为严重的灾害之一。尤其是在北方和高海拔地区,冰灾严重威胁电力系统安全运行,轻则导致绝缘子串冰闪跳闸、相间闪络跳闸和导线大幅舞动等可恢复供电周期较短的重大事故,重则导致杆塔倾斜甚至倒塌、线路金具严重损坏和导线脆断接地等可恢复供电周期较长的特大事故。输电线路覆冰事故破坏力度大、波及面广和损失惨重,对国民经济造成了重大损失和影响。
对于架空输电线路由于覆冰而引起的事故已得到广泛关注,例如《仪表技术》2016年1期中,公开《输电线路覆冰监控系统特征数据提取研究算法》的内容中,提出一种中值-均值综合提取的算法,在《仪表技术》2016年1期中,公开《输电线路覆冰状态下信息融合模型特征层的分类方法研究》的内容中,得用bp神网络和支持向量机的方法来提高处理数据的准确度。但总体来说,目前的覆冰在线监测技术需要不断完善以提高评估的准确性,并且缩短计算处理大量数据的时间,对于出再的故障尽量做出判断,及时进行故障排除,减少冰雪灾害带来的损失。
技术实现要素:
本发明所要解决的技术问题是能够提供一种快速简便且准确的对输电线路故障进行判别的方法。
为解决上述技术问题,本发明提供一种基于k-nearestneighbor算法的输电线路故障判别方法,包括以下步骤:
1)对需要判断的故障隶属度值与有明确覆冰分类的覆冰隶属度值利用k-nearestneighbor算法一起训练样本,并判断出输电线路的状态,训练方法为:求出需判别点g(xi,yi,zi)与已知点的欧式距离d(x,y,z);
2)设定判断区间的上限值k1与下限值k2,
3)当d(x,y,z)<k1时,线路处于无故障状态;
当k1<=d(x,y,z)<=k2时,输电线路处于潜在故障状态;
当d(x,y,z)>k2时,输电线路处于故障状态;
其中,0<k1<n;0<k2<n,n表示有n组数据。
根据前述的一种基于k-nearestneighbor算法的输电线路故障判别方法,所述需要判断的故障隶属度值由经下步骤得出:
1)使用温度传感器、角度传感器、拉力传感器对输电线路的导线温度、导线倾角及拉力进行采样,并计算对应的导线温度偏差值v1(k)、导线倾角偏差值v2(l)和导线拉力偏差值v3(m),k,l,m分别为某点的温度偏差、导线倾角偏差、导线拉力偏差坐标;
2)根据导线温度偏差值v1(k)、导线倾角偏差值v2(l)和导线拉力偏差值v3(m)计算出对应的故障隶属度值,并判断导线温度故障隶属度值、导线倾角故障隶属度值、导线拉力故障隶属度值是否均为0,若为是,则不是需要判断的故障隶属度值,若为否,则为需要判断的故障隶属度值。
前述的种基于k-nearestneighbor算法的输电线路故障判别方法,
k-nearestneighbor算法的欧式距离为:
d(x,y,z)为欧式距离;(xi,yi,zi)为第i个点的坐标;x为导线温度偏差值坐标,y为导线倾角偏差值坐标,z为导线拉力偏差值坐标,其中,xn,yn,zn为待判断点坐标,其余为已知状态点坐标。
与现有技术相比,本发明所述的有益效果是:本发明理论成熟,实际算法实现较为容易由于线路覆冰状态既具有不确定性,又有多因素影响的特点,本发明以输电线路在线监测系统为基础,综合考虑环境温度、线路拉力及倾斜角度参数,提出了基于k-nearestneighbor算法的输电线路故障判别方法,输电线路导线监测系统能够及时的得出线路的状态信息,计算过程简单,但处理结果准确度明显提高,在输电线路故障发生前及时预警,给工作人员更多的时间去处理线路问题,能够有效地降低线路故障的发生率,提高设备的利用率,可大幅节约计算机处理效率。
附图说明
图1为本发明基于k-nearestneighbor算法的输电线路状态评估模型框图;
图2为本发明评估设计流程。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,输电线路状态评估模型采用k-nearestneighbor算法训练局部故障隶属度值,并由计算距离进行分类,并给出线路故障的最终状态,其状态结果为无故障、潜在故障、故障。
一种基于k-nearestneighbor算法的输电线路故障判别方法,如图2所示,方法包括以下步骤:
1)对输电线路的导线温度、导线倾角及拉力进行采样,并计算对应的导线温度偏差值v1(k)、导线倾角偏差值v2(l)和导线拉力偏差值v3(m);
2)根据导线温度偏差值v1(k)、导线倾角偏差值v2(l)和导线拉力偏差值v3(m)计算出对应的故障隶属度值,并判断导线温度故障隶属度值、导线倾角故障隶属度值、导线拉力故障隶属度值是否均为0,若为否,则执行步骤3),若为是,则返回步骤1);
3)对需要判断的故障隶属度值与有明确覆冰分类的覆冰隶属度值利用k-nearestneighbor算法一起训练样本,并判断出输电线路的状态,训练方法为:求出需判别点g(xi,yi,zi)与已知点的欧式距离;
其中,k-nearestneighbor算法的欧式距离为:
d(x,y,z)为欧式距离;(xi,yi,zi)为第i个点的坐标;x为导线温度偏差值坐标,y为导线倾角偏差值坐标,z为导线拉力偏差值坐标,其中,xn,yn,zn为待判断点坐标,其余为已知状态点坐标;
以欧式距离为例,则需判别点g(xi,yi,zi)与已知点的距离为
设定判断区间的上限值k1与下限值k2,
当d(x,y,z)<k1时,线路处于无故障状态;
当k1≤d(x,y,z)≤k2时,输电线路处于潜在故障状态;
当d(x,y,z)>k2时,输电线路处于故障状态,
其中,0<k1<n;0<k2<n,n表示有n组数据。
在所述步骤2)中,导线温度的故障隶属度值为:
μ(v1)=u[v1(k)-d1]
其中:u[]为单位阶跃函数,d1为导线温度的判决阈值;
导线温度的判决阈值d1的取值范围为-40℃到40℃。
导线倾角的故障隶属度值为:
μ(v2)=u[v2(l)-d2]
其中:d2为导线倾角的判决阈值;导线倾角的判决阈值d2的取值范围为0-360度。
导线拉力的故障隶属度值为:
μ(v3)=u[v3(m)-d3]
其中:d3为导线拉力的判决阈值。导线拉力的判决阈值d3的取值范围为d3>0。
上述3个判决阈值根据导线的规格确定。表1为k-nearestneighbor算法的训练判别表。
表1
表1中,温度,拉力,倾角构成了一个三维空间,d1,d2等都是空间内已知点,其覆冰类别已知,dn为待判断状态的点,其覆冰类别未知。通过给定具体的k1,k2值,并由此判别待求点的覆冰状态。
由于线路故障受多种因素影响,难以建立影响因素与故障之间特定的解析模型。单一因素评估准确率不高,为了提高电网线路故障状态评估的准确率,本发明以输电线路在线监测系统为基础,综合考虑温度信号、倾角信号、拉力信号等多传感器监测参数,提出了基于k-nearestneighbor算法的输电线路状态评估模型。首先对监测数据进行预处理计算出局部故障隶属度值,接着由已知状态的隶属度值与待测状态的隶属度值输入k-nearestneighbor算法计算训练求出判别距离k1,k2,最后,综合推理出线路的故障状态。本方法可以实现智能化输电线路状态评估,评估结果效率大大提高。
以上所述仅是本发明优选实施方式,应当指出,对于本技术领域普通技术人员来说,在不脱离本发明技术原理前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明保护范围。