System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于输电线路故障诱因识别领域,具体涉及一种极端天气条件下输电线路故障诱因挖掘方法和装置。
技术介绍
1、随着电力系统规模的不断扩大和电力负荷的增加,极端天气条件如风暴、暴雨、高温等对电力系统尤其是输电线路的影响越来越明显,这些极端天气事件往往导致输电线路的故障,从而影响电力的稳定供应。因此,挖掘并量化输电线路在极端天气下的故障诱因具有重要意义。
2、目前,对输电线路故障诱因的研究集中在以下几个方面:
3、1.基于统计方法的故障诱因分析:这类方法主要基于历史故障数据进行统计分析,确定输电线路的故障模式和故障诱因。但是,由于极端天气的不确定性和多变性,纯统计方法往往不能全面揭示故障诱因。
4、2.基于物理模型的故障诱因分析:此类方法依赖于输电线路的物理特性,进行深入的故障机理研究。但由于电力系统的复杂性,当考虑到极端天气因素时,这类方法的应用存在局限性。
5、3.基于机器学习的故障诱因分析:近年来,这种方法受到了广泛的关注。通过利用大数据和机器学习技术,从历史数据中提取特征,并建立预测模型来分析故障诱因。但这些方法往往缺乏深度的特征融合和挖掘,导致分析结果不够精确。
6、因此,现有技术中存在的主要不足有:
7、特征融合不够充分:很多方法对于多源数据的融合仍然处于初级阶段,这导致无法充分利用所有可用数据,影响了分析的准确性。
8、深度挖掘技术应用不足:虽然有很多研究在此领域,但深度挖掘技术在输电线路故障诱因分析中的应用仍然较少。
技术实现思路
1、针对现有技术的缺陷,本专利技术目的在于提供一种极端天气条件下输电线路故障诱因挖掘方法和装置。
2、为了达到上述目的,本专利技术采用如下技术方案:
3、一种极端天气条件下输电线路故障诱因挖掘方法,包括如下步骤:
4、收集输电线路的故障信息和极端天气信息,构建输电线路的故障诱因候选特征库;
5、针对特征的显著性和权重,采用relief-f算法计算各个故障诱因对输电线路故障的影响权重,得到输电线路故障诱因;
6、对输电线路故障信息、输电线路故障诱因进行数据整合,并通过隶属函数将故障数据转化为故障模糊集;
7、针对得到的故障模糊集,使用模糊频繁项挖掘算法对输电线路故障关联关系进行评估,计算其支持度及置信度,量化故障诱因对输电线路发生故障的影响。
8、优选地,所述收集输电线路故障信息和极端天气信息,构建输电线路的故障诱因候选特征库,包括:
9、从电力信息系统中获取输电线路的故障信息;
10、从综合气象观测系统中获取极端天气信息;
11、将所述输电线路故障信息和极端天气信息数据整合,并将故障输电线路、故障时间、故障原因信息分条记录在表格中;
12、对每个故障样本进行分类,筛选并记录线路绝缘化率、风速、雨量特征数据;
13、基于上述筛选的数据,构建输电线路故障诱因候选特征库b。
14、优选地,所述针对特征的显著性和权重,采用relief-f算法计算各个故障诱因对输电线路故障的影响权重,得到输电线路故障诱因,包括:
15、设输电线路故障诱因候选特征库b包含m个故障样本,每个样本有输电线路的n个气象特征ai(i=1,2,…,n),特征权重向量为w={w1,w2,w3,…,wn},迭代次数为n,特征权重计算步骤如下:
16、将所有特征的初始权重设置为零,即wi=0,并对所有故障样本数据进行归一化处理;
17、从数据集中随机选择一个故障样本gz,并从和gz同类故障的样本集中选取r个最近邻样本hj(j=1,2,…,r);同理,从gz的非同类故障样本中选取r个最近邻样本mj(j=1,2,…,r),由下式计算各特征权重:
18、
19、式中,l为迭代次数,class(gz)表示样本sp的故障类别,c≠class(gz)表示类别c为gz的非同类故障,p(c)表示该类别故障样本数占总数的比例,mj(c)表示故障类别c的第j个故障样本,diff(ai,gz,hj)表示在特征ai上,样本hj与样本gz的距离;
20、重复各特征权重计算步骤,直到迭代次数l=n,输出特征权重向量w;
21、设置一个阈值,当w中的元素大于该阈值时,将该特征作为输电线路故障诱因。
22、优选地,所述样本hj与样本gz的距离的定义如下:
23、
24、式中,ai,gz表示故障样本gz在特征ai上的取值;同理,ai,hj表示故障样本hj在特征ai上的取值。
25、优选地,所述对输电线路故障信息、输电线路故障诱因进行数据整合,并选取隶属函数,将故障数据转化为故障模糊集,包括:
26、设i={i1,i2,…,im}为量化数据集qd={t1,t2,…,tn}中项的总集,qd中任一事务tq∈qd为i的子集,事务之间的关联关系为:
27、ta→tb (3)
28、式中,ta与tb均为事务,即项ik(k=1,2,…,m)的集合,且有
29、设量化数据集qd中事务tq的第i项数量值为viq,在语义等级ri={ri1,ri2,…,rih}下的隶属度为μj(viq)(j=1,2,…,h),则事务tq的第i项对应的模糊项fiq定义为:
30、
31、式中,viq对应的隶属度μj(viq)由隶属函数决定,且代表事务tq的第i项关于语义等级ril(l=1,2,…,h)的隶属程度,隶属度越高代表该语义等级越具有代表性,事务tq的模糊集fq定义为:
32、fq={f1q,f2q,...,fhq} (5)
33、选用三角形分布定量描述指标,隶属函数划分为low、middle、high三个语义等级,根据式(3)~(5)得到事务对应的模糊集,将数量信息转换为语义语言及隶属度的形式。
34、优选地,所述针对得到的故障模糊集,使用模糊频繁项挖掘算法对输电线路故障关联关系进行评估,计算其支持度及置信度,包括:
35、根据模糊集数据构建模糊表fuzzy-list;
36、挖掘fuzzy-list得到模糊频繁项集;
37、量化故障诱因对输电线路发生故障的影响;
38、优选地,所述根据模糊集数据构建模糊表fuzzy-list,包括:
39、1)给定语义等级ril,且记事务辨识码(tid)为事务集的下标q,即tid=q;
40、2)最高支持度语义等级rit在事务tq中对应的模糊项的隶属度表示为内生模糊值,记为if(rit,tq),定义为:
41、
42、式中,max(fsup(ril))表示本文档来自技高网...
【技术保护点】
1.一种极端天气条件下输电线路故障诱因挖掘方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的极端天气条件下输电线路故障诱因挖掘方法,其特征在于,所述收集输电线路故障信息和极端天气信息,构建输电线路的故障诱因候选特征库,包括:
3.根据权利要求2所述的极端天气条件下输电线路故障诱因挖掘方法,其特征在于,所述针对特征的显著性和权重,采用Relief-F算法计算各个故障诱因对输电线路故障的影响权重,得到输电线路故障诱因,包括:
4.根据权利要求3所述的极端天气条件下输电线路故障诱因挖掘方法,其特征在于,所述样本Hj与样本GZ的距离的定义如下:
5.根据权利要求3或者4所述的极端天气条件下输电线路故障诱因挖掘方法,其特征在于,所述对输电线路故障信息、输电线路故障诱因进行数据整合,并选取隶属函数,将故障数据转化为故障模糊集,包括:
6.根据权利要求5所述的极端天气条件下输电线路故障诱因挖掘方法,其特征在于,所述针对得到的故障模糊集,使用模糊频繁项挖掘算法对输电线路故障关联关系进行评估,计算其支持度及置信度,包括:
< ...【技术特征摘要】
1.一种极端天气条件下输电线路故障诱因挖掘方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的极端天气条件下输电线路故障诱因挖掘方法,其特征在于,所述收集输电线路故障信息和极端天气信息,构建输电线路的故障诱因候选特征库,包括:
3.根据权利要求2所述的极端天气条件下输电线路故障诱因挖掘方法,其特征在于,所述针对特征的显著性和权重,采用relief-f算法计算各个故障诱因对输电线路故障的影响权重,得到输电线路故障诱因,包括:
4.根据权利要求3所述的极端天气条件下输电线路故障诱因挖掘方法,其特征在于,所述样本hj与样本gz的距离的定义如下:
5.根据权利要求3或者4所述的极端天气条件下输电线路故障诱因挖掘方法,其特征在于,所述对输电线路故障信息、输电线路故障诱因进行数据整合,并选取隶属...
【专利技术属性】
技术研发人员:李程昊,张迪,韩佶,高泽,田春笋,刘明洋,曹晓璐,张勇杰,潘雪晴,黎海桦,邓钰婷,刘芳冰,方舟,黎量子,张皓,
申请(专利权)人:国网河南省电力公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。