本发明涉及数据处理,特别是输电线路避雷器、杆塔和接地系统运行状态评估方法。
背景技术:
1、发展智能电网已经是一个时代的趋势,而今许多研究学者也将各种智能算法应用到输电线路的运行状态的评估中,例如基于模糊综合评价、神经网络等的评价方法,但是这种评价方法存在以下几点不足:一、其训练以及建模过程过于复杂、工作量较大、实用性不强;二、仅考虑到了单一线路设备以及状态量的相关评价,未结合输电线路上不同设备的风险值进行预测,难以对输电线路避雷器、杆塔和接地系统的整体运行状态进行评估,进而难以反映输电线路运行的真实状态。这些不足将导致了这些智能方法在输电线路的运行状态评估的工程实践应用中变得困难重重。
技术实现思路
1、鉴于上述现有的电力系统数据处理中存在的问题,提出了本发明。
2、因此,本发明其中的一个目的是提供输电线路避雷器、杆塔和接地系统运行状态评估方法,利用获取相应的目标对象数据以及特征处理,生成相应目标对象的状态评估特征数据,对其进行分析,能够生成相应地运行状态评估结果数据,进而能够结合输电线路上不同设备的风险值进行预测,有利于工作人员高效地、精准地和稳定地进行输电线路监测工作。
3、为解决上述技术问题,本发明提供如下技术方案:一种输电线路避雷器、杆塔和接地系统运行状态评估方法,包括:
4、步骤s1,确定风险阈值,确定目标对象的相应的风险阈值,所述目标对象为输电线路避雷器、杆塔和接地系统,所述风险阈值为所述输电线路避雷器、杆塔和接地系统所预设的阈值;
5、步骤s2,获取目标对象的状态评估特征数据,基于输电线路避雷器、杆塔和接地系统所匹配的风险阈值,获取相应的目标对象数据,并将相应的目标对象数据进行特征处理,生成相应目标对象的状态评估特征数据,其中所述目标对象数据包括获取的输电线路避雷器数据、杆塔数据和接地系统数据,所述目标对象的状态评估特征数据通过svm算法的最优超平面,将不同目标对象的状态评估特征数据进行隔开分类成输电线路避雷器、杆塔和接地系统各自的状态评估特征数据;
6、步骤s3,构建相应目标对象的运行状态评估模型,基于循环神经网络构建相应目标对象的运行状态评估模型,响应相应目标对象的状态评估特征数据,确定相应目标对象对应的风险值,所述风险值包括确定相应目标对象中每个单独对象所对应的第一风险值、确定相应目标对象中两个单独对象之间所对应的第二风险值和确定相应目标对象中整体所对应的第三风险值,并根据所述第一风险值或第二风险值确定相应的风险权重因数,所述风险权重因数通过构建目标对象的特征数据集计算风险替换概率,进行更新后确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出;其中所述第一风险值为输电线路避雷器、杆塔和接地系统中每个单独对象经过目标对象的运行状态评估模型判断后所生成的第一风险值,所述第二风险值为输电线路避雷器、杆塔和接地系统两个单独对象经过目标对象的运行状态评估模型判断后所生成的第二风险值,所述第三风险值是对输电线路避雷器、杆塔和接地系统的整体目标对象的运行状态评估后生成的第三风险值;
7、步骤s4,基于所述运行状态评估模型生成运行状态评估结果数据,基于相应目标对象对应所述的风险值以及相应的风险权重因数,并响应相应目标对象的状态评估特征数据,生成相应预测结果信息和/或对应的安全评价参数后输出。
8、作为本发明的一种优选方案,其中:步骤s3中,基于循环神经网络构建相应目标对象的运行状态评估模型,具体地通过循环神经网络分析由卷积神经网络编码的设备状态序列和嵌入编码的设备信息,检测出预测单个目标对象故障的状态下的风险值作为第一风险值,检测出预测两个目标对象故障的状态下的风险值作为第二风险值,所述第一风险值表示如下:
9、;
10、其中,为对单个目标对象的设备状态序列应用卷积神经网络模型,为对单个目标对象嵌入编码的设备信息应用循环神经网络模型;为第一风险值,为第一风险值的权重系数,为和在输出时进行组合的函数;单个目标对象包括输电线路避雷器、杆塔或接地系统其中的一个;
11、所述第二风险值表示如下:
12、;
13、其中,为对两个目标对象的设备状态序列或应用卷积神经网络模型,为对两个目标对象嵌入编码的设备信息或应用循环神经网络模型;为第二风险值,为第二风险值的权重系数,为和在输出时进行组合的函数;两个目标对象包括输电线路避雷器、杆塔或接地系统其中的两个。
14、作为本发明的一种优选方案,其中:步骤s3中所述风险权重因数通过构建目标对象的特征数据集计算风险替换概率,进行更新后确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出,具体如下:
15、步骤s301,构建目标对象的特征数据集以及所对应的目标对象状态评估特征数据集,并在目标对象的特征数据集中选取输电线路避雷器、杆塔和接地系统所预设的三个阈值中的任意一个作为初始质心;
16、步骤s302,计算目标对象状态评估特征数据集中每个目标对象的状态评估特征数据的概率,即每个目标对象的状态评估特征数据与当前所述初始质心的欧式距离,再通过下式计算替取当前所述初始质心的概率;
17、;
18、其中,为每个目标对象的状态评估特征数据与当前所述初始质心的欧式距离值,为目标对象的状态评估特征数据集,为替取当前所述初始质心的概率;
19、步骤s303,根据步骤s302中的替取当前所述初始质心的概率,重复步骤s301和步骤s302的过程,直至获取 k个替取当前初始质心的概率;
20、步骤s304,响应 k个替取当前初始质心的概率,并根据目标对象的运行状态评估模型确定相应目标对象对应的风险值,以及生成预测运行状态评估结果数据并输出。
21、作为本发明的一种优选方案,其中:步骤s2中将相应的目标对象数据进行特征处理,生成相应目标对象的状态评估特征数据,具体通过svm算法找到一个最优超平面,将不同类别的目标对象的状态评估特征数据进行隔开,即数据标记与分组、构建svm分类器、训练分类模型和应用模型预测结果;通过svm支持向量机对目标对象数据进行分类和标注,通过以下公式以最优超平面将目标对象数据分类,其中最优超平面的表达式如下:
22、;
23、 ;
24、其中,为目标对象数据分类的权重向量,为映射函数, b为需要求解的向量,为第 i个真实标签,和为输入样本,为替代和内积运算的核函数,为拉格朗日乘子;根据svm支持向量机的分类结果对目标对象数据进行逐一标注。
25、作为本发明的一种优选方案,其中:在获取目标对象的状态评估特征数据前还包括进行数据预处理,具体包括删除异常值、填补缺失值、转换数据类型、建立值与类别的映射、以及正态分布化处理。
26、作为本发明的一种优选方案,其中:生成相应预测结果信息和/或对应的安全评价参数,还包括数据可视化呈现,具体如下:
27、步骤s401:在输电线路避雷器、杆塔和接地系统预测风险值的柱状图上,添加正态分布概率密度曲线和初始质心的概率的计算值的曲线;
28、步骤s402:对输电线路避雷器、杆塔和接地系统预测风险值进行正态分布化处理;
29、步骤s403:添加一列总面积并计算偏度;
30、步骤s404:随后对偏度大的列数据进行box-cox转换;
31、步骤s405:对数据进行独热编码;
32、步骤s406:使用多项回归预测算法进行安全评价参数的预测。
33、作为本发明的一种优选方案,其中:所述安全评价参数还包括结果数据量化处理,结果数据量化处理是将安全评价参数进行数据量化处理,所述安全评价参数包括输电线路避雷器、杆塔和接地系统在安全状态下所生成的数值。
34、作为本发明的一种优选方案,其中:所述安全状态是以输电线路避雷器、杆塔和接地系统预测风险值的剩余风险值,作为安全运行状态支持度和安全运行状态置信度两个指标,进行判断。
35、作为本发明的一种优选方案,其中:步骤s406中使用多项回归预测算法进行安全评价参数预测,具体如下:
36、;
37、其中,是安全评价参数的第个特征,是安全评价参数的第个特征的权重系数,是第个安全评价参数的误差值,是第个安全评价参数的预测输出值。
38、本发明的有益效果:本发明利用获取相应的目标对象数据以及特征处理后,生成相应目标对象的状态评估特征数据,对其进行分析,能够生成相应的运行状态评估结果数据,进而能够结合输电线路上不同设备的风险值预测,解决了在现有电力系统数据处理中难以对输电线路避雷器、杆塔和接地系统之间的不同状态监测与评估的问题,提高了输电线路状态监测与评估的效果,同时有利于工作人员高效地、精准地和稳定地进行输电线路监测工作。