一种输电线路的故障类型预测方法及装置与流程

1.本发明涉及电网防灾减灾预测技术领域，具体涉及一种输电线路的故障类型预测方法及装置。


背景技术：

2.气象灾害逐年递增的趋势给电网的安全运行带来了严重的威胁，输电线路遍布全国，跨越不同地理气候区域，因此导致线路故障频发。气象灾害对输电线路造成的危害主要有：1)对线路的机械损伤，如金具疲劳磨损，导线断股断线，子导线及相间间隔棒断裂，横担塔头扭曲，甚至倒塔；2)电气危害，如跳闸停电或引起输电线烧伤，甚至电网裂解。由于自然气象灾害导致的线路故障是一种多因素互相耦合作用的结果，致灾机理复杂，因此利用传统的理论分析方法预测气象灾害给输电线路造成故障结果并不理想。
3.目前线路故障中跳闸的实时预测与判断相关研究较为缺乏，主要由通过雷电定位预测线路跳闸，基于雷电预测从而预测线路跳闸两大类方向。只是针对输电线路跳闸这一种故障类型的预测，未能实现输电线路故障多类型发生概率的预测。


技术实现要素：

4.为了克服上述缺陷，本发明提出了一种输电线路的故障类型预测方法及装置。
5.第一方面，提供一种输电线路的故障类型预测方法，所述输电线路的故障类型预测方法包括：
6.获取输电线路的故障影响因素的实时数据；
7.将所述故障影响因素的实时数据输入预先建立的机器学习模型，获取所述预先建立的机器学习模型的输出，并基于所述预先建立的机器学习模型的输出确定输电线路的故障类型。
8.优选的，所述输电线路的故障影响因素的确定过程包括：
9.在既定故障影响因素中选取与输电线路发生故障相关的既定故障影响作为输电线路的故障影响因素。
10.进一步的，所述在既定故障影响因素中选取与输电线路发生故障相关的既定故障影响作为输电线路的故障影响因素，包括：
11.计算既定故障影响因素与输电线路发生故障之间的相关系数；
12.若所述相关系数大于预设值，则该既定故障影响因素为输电线路的故障影响因素，否则，该既定故障影响因素不是输电线路的故障影响因素。
13.进一步的，所述计算既定故障影响因素与输电线路发生故障之间的相关系数，包括：
14.采用斯皮尔曼等级算法计算既定故障影响因素与输电线路发生故障之间的相关系数。
15.进一步的，所述既定故障影响因素包括下述中的至少一种：所处地形因素、舞动时
气象因素和结构因素。
16.进一步的，所述所处地形因素至少包括下述中的一种：所处地形、海拔高度和舞动段线路走向；
17.所述地形因素至少包括下述中的一种：海拔高度和舞动段线路走向；
18.所述舞动时气象因素包括下述中的至少一种：风速、风向、风向与舞动段线路走向夹角、温度、湿度、降水形式和导线覆冰厚度；
19.所述结构因素包括下述中的至少一种：档距、导线直径、杆塔回路数、导线型号、导线排列方式、导线分裂数和电压等级。
20.进一步的，所述所处地形包括下述中的至少一种：山区、丘陵和平原；所述降水形式包括下述中的至少一种：雨凇、雾凇和湿雪；所述导线排列方式包括下述中的至少一种：垂直、水平和三角。
21.进一步的，所述输电线路的故障影响因素包括下述中的至少一种：温度、湿度、风速、降水形式、导线直径、档距、导线分裂数和电压等级。
22.优选的，所述故障类型下述中的至少一种：导地线损伤、绝缘子损伤、金具损坏和线路跳闸。
23.进一步的，所述预先建立的机器学习模型的建立过程包括：
24.获取历史时刻输电线路的故障影响因素数据及历史时段输电线路的故障类型编码；
25.将历史时刻输电线路的故障影响因素数据作为初始机器学习模型的输入层训练数据，历史时刻输电线路对应的各故障类型编码为初始机器学习模型的输出层训练数据，对初始机器学习模型进行训练，获取所述预先建立的机器学习模型。
26.进一步的，若历史时段输电线路发生导地线损伤故障，则历史时段输电线路的故障类型编码为1000；
27.若历史时段输电线路发生绝缘子损伤故障，则历史时段输电线路的故障类型编码为0100；
28.若历史时段输电线路发生金具损坏故障，则历史时段输电线路的故障类型编码为0010；
29.若历史时段输电线路发生线路跳闸故障，则历史时段输电线路的故障类型编码为0001。
30.第二方面，提供一种输电线路的故障类型预测装置，所述输电线路的故障类型预测装置包括：
31.获取模块，用于获取输电线路的故障影响因素的实时数据；
32.预测模块，用于将所述故障影响因素的实时数据输入预先建立的机器学习模型，获取所述预先建立的机器学习模型的输出，并基于所述预先建立的机器学习模型的输出确定输电线路的故障类型。
33.第三方面，提供一种存储装置，该存储装置其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述任一项技术方案所述的输电线路的故障类型预测方法。
34.第四方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置
适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述任一项技术方案所述的输电线路的故障类型预测方法。
35.本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
36.本发明提供了一种输电线路的故障类型预测方法及装置，包括：获取输电线路的故障影响因素的实时数据；将所述故障影响因素的实时数据输入预先建立的机器学习模型，获取所述预先建立的机器学习模型的输出，并基于所述预先建立的机器学习模型的输出确定输电线路的故障类型。本发明提供的技术方案，能够利用线路所处环境的信息以及线路自身信息，通过机器学习算法构建的故障预测模型实现输电线路故障类型的精准预测。
附图说明
37.图1是本发明实施例的输电线路的故障类型预测方法的主要步骤流程示意图；
38.图2是本发明实施例的输电线路的故障类型预测装置的主要结构框图。
具体实施方式
39.下面结合附图对本发明的具体实施方式作进一步的详细说明。
40.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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它实施例，都属于本发明保护的范围。
41.伴随电网不断地发展，目前已积累了大量的气象灾害导致线路故障的数据记录，数据中隐含了大量的气象与线路故障之间关系的信息。机器学习算法是一种通过分析大数据从而寻找数据之间关系的一种方法，能够对复杂的数据间的关系进行分析，克服传统的单纯从机理进行各物理量关系分析的缺点。
42.本发明提供的输电线路的故障类型预测方法，能够利用线路所处环境的信息以及线路自身信息，包括温度、湿度、风速、降水形式及导线档距、截面积等信息，通过机器学习算法构建的故障预测模型进行输电线路故障类型的预测判断，故障类型主要为导地线损伤、绝缘子损伤、金具损坏、线路跳闸四种。
43.参阅附图1，图1是本发明的一个实施例的输电线路的故障类型预测方法的主要步骤流程示意图。如图1所示，本发明实施例中的输电线路的故障类型预测方法主要包括以下步骤：
44.步骤s101：获取输电线路的故障影响因素的实时数据；
45.步骤s102：将所述故障影响因素的实时数据输入预先建立的机器学习模型，获取所述预先建立的机器学习模型的输出，并基于所述预先建立的机器学习模型的输出确定输电线路的故障类型。
46.本实施例中，所述输电线路的故障影响因素的确定过程包括：
47.在既定故障影响因素中选取与输电线路发生故障相关的既定故障影响作为输电线路的故障影响因素。
48.在一个实施方式中，所述在既定故障影响因素中选取与输电线路发生故障相关的
既定故障影响作为输电线路的故障影响因素，包括：
49.计算既定故障影响因素与输电线路发生故障之间的相关系数；
50.若所述相关系数大于预设值，则该既定故障影响因素为输电线路的故障影响因素，否则，该既定故障影响因素不是输电线路的故障影响因素。
51.本实施例中，为了更加准确地描述输电线路故障影响因素(在数据分析中，通常称为变量)与故障类型之间的相关程度，可以通过计算相关系数来进行相关性分析。根据输电线路故障类型数据非正态分布的特点，采用斯皮尔曼等级算法计算既定故障影响因素与输电线路发生故障之间的相关系数。
52.本实施例中，输电线路很多故障是在多种因素共同作用下引起的，同时由于输电线路所处环境较为复杂以及自身物理结构信息较多，因此需要从众多因素中筛选出有效的影响因素，剔除无关变量，因此，所述既定故障影响因素包括下述中的至少一种：所处地形因素、舞动时气象因素和结构因素。
53.在一个实施方式中，所述所处地形因素至少包括下述中的一种：所处地形、海拔高度和舞动段线路走向；
54.所述地形因素至少包括下述中的一种：海拔高度和舞动段线路走向；
55.所述舞动时气象因素包括下述中的至少一种：风速、风向、风向与舞动段线路走向夹角、温度、湿度、降水形式和导线覆冰厚度；
56.所述结构因素包括下述中的至少一种：档距、导线直径、杆塔回路数、导线型号、导线排列方式、导线分裂数和电压等级。
57.在一个实施方式中，所述所处地形包括下述中的至少一种：山区、丘陵和平原；所述降水形式包括下述中的至少一种：雨凇、雾凇和湿雪；所述导线排列方式包括下述中的至少一种：垂直、水平和三角。
58.进一步的，在计算中采用的秩次是排序后所在位置的平均值。计算输电线路故障类型影响因素和各故障类型之间相关系数，按照结果的大小，筛选出所述输电线路的故障影响因素包括下述中的至少一种：温度、湿度、风速、降水形式、导线直径、档距、导线分裂数和电压等级。
59.本实施例中，所述故障类型下述中的至少一种：导地线损伤、绝缘子损伤、金具损坏和线路跳闸。
60.在一个实施方式中，所述预先建立的机器学习模型的建立过程包括：
61.获取历史时刻输电线路的故障影响因素数据及历史时段输电线路的故障类型编码；
62.将历史时刻输电线路的故障影响因素数据作为初始机器学习模型的输入层训练数据，历史时刻输电线路对应的各故障类型编码为初始机器学习模型的输出层训练数据，对初始机器学习模型进行训练，获取所述预先建立的机器学习模型。
63.进一步的，若历史时段输电线路发生导地线损伤故障，则历史时段输电线路的故障类型编码为1000；
64.若历史时段输电线路发生绝缘子损伤故障，则历史时段输电线路的故障类型编码为0100；
65.若历史时段输电线路发生金具损坏故障，则历史时段输电线路的故障类型编码为
0010；
66.若历史时段输电线路发生线路跳闸故障，则历史时段输电线路的故障类型编码为0001。
67.具体的，本发明实施例中，进行输电线路舞动预测机器学习算法建模评判，选用bp神经网络模型，再针对样本特点及模型泛化问题。模型设计采用四层结构，包括输入层、两层隐含层、输出层，经过前面数据分析，模型选择八维输入，分别是：温度、湿度、风速、降水形式、导线直径、档距、导线分裂数和电压等级；输出为四维，分别是:导地线损伤、绝缘子损伤、金具损坏、线路跳闸。训练集采用随机抽取整个数据集的80％来获得的，测试集采用剩余20％的数据集，模型的前三层激活函数采用relu函数，最后一层激活函数根据实际需要，采用sigmoid函数。模型结构：包括输入层、两层隐含层、一层输出层，中间隐含层每层包括10个神经元节点。
68.利用训练数据，对模型进行100到800次不等的训练，不断优化模型的参数，利用模型的预测准确率是否趋于稳定来判断模型是否达到最终状态。将测试数据输入训练好的预测模型，根据预测结果与实际结果对比，验证模型在输电线路故障预测方面最终预测效果。
69.基于同一发明构思，本发明提供一种输电线路的故障类型预测装置，如图2所示，所述输电线路的故障类型预测装置包括：
70.获取模块，用于获取输电线路的故障影响因素的实时数据；
71.预测模块，用于将所述故障影响因素的实时数据输入预先建立的机器学习模型，获取所述预先建立的机器学习模型的输出，并基于所述预先建立的机器学习模型的输出确定输电线路的故障类型。
72.优选的，所述输电线路的故障影响因素的确定过程包括：
73.在既定故障影响因素中选取与输电线路发生故障相关的既定故障影响作为输电线路的故障影响因素。
74.进一步的，所述在既定故障影响因素中选取与输电线路发生故障相关的既定故障影响作为输电线路的故障影响因素，包括：
75.计算既定故障影响因素与输电线路发生故障之间的相关系数；
76.若所述相关系数大于预设值，则该既定故障影响因素为输电线路的故障影响因素，否则，该既定故障影响因素不是输电线路的故障影响因素。
77.进一步的，所述计算既定故障影响因素与输电线路发生故障之间的相关系数，包括：
78.采用斯皮尔曼等级算法计算既定故障影响因素与输电线路发生故障之间的相关系数。
79.进一步的，所述既定故障影响因素包括下述中的至少一种：所处地形因素、舞动时气象因素和结构因素。
80.进一步的，所述所处地形因素至少包括下述中的一种：所处地形、海拔高度和舞动段线路走向；
81.所述地形因素至少包括下述中的一种：海拔高度和舞动段线路走向；
82.所述舞动时气象因素包括下述中的至少一种：风速、风向、风向与舞动段线路走向夹角、温度、湿度、降水形式和导线覆冰厚度；
83.所述结构因素包括下述中的至少一种：档距、导线直径、杆塔回路数、导线型号、导线排列方式、导线分裂数和电压等级。
84.进一步的，所述所处地形包括下述中的至少一种：山区、丘陵和平原；所述降水形式包括下述中的至少一种：雨凇、雾凇和湿雪；所述导线排列方式包括下述中的至少一种：垂直、水平和三角。
85.进一步的，所述输电线路的故障影响因素包括下述中的至少一种：温度、湿度、风速、降水形式、导线直径、档距、导线分裂数和电压等级。
86.优选的，所述故障类型下述中的至少一种：导地线损伤、绝缘子损伤、金具损坏和线路跳闸。
87.进一步的，所述预先建立的机器学习模型的建立过程包括：
88.获取历史时刻输电线路的故障影响因素数据及历史时段输电线路的故障类型编码；
89.将历史时刻输电线路的故障影响因素数据作为初始机器学习模型的输入层训练数据，历史时刻输电线路对应的各故障类型编码为初始机器学习模型的输出层训练数据，对初始机器学习模型进行训练，获取所述预先建立的机器学习模型。
90.进一步的，若历史时段输电线路发生导地线损伤故障，则历史时段输电线路的故障类型编码为1000；
91.若历史时段输电线路发生绝缘子损伤故障，则历史时段输电线路的故障类型编码为0100；
92.若历史时段输电线路发生金具损坏故障，则历史时段输电线路的故障类型编码为0010；
93.若历史时段输电线路发生线路跳闸故障，则历史时段输电线路的故障类型编码为0001。
94.进一步的，本发明提供一种存储装置，该存储装置其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述任一项技术方案所述的输电线路的故障类型预测方法。
95.进一步的，本发明提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述任一项技术方案所述的输电线路的故障类型预测方法。
96.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
97.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
98.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
99.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
100.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。