【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种输电线路场强监测方法、系统、设备及介质。
技术介绍
1、目前，输电线路下作业的防外破或者电力检修过程中的验电作业主要依靠人工来完成，人为作业的过程中仍存在许多隐患。输电线路分散广、分支多，易受到大型吊臂碰线、异物短路、烟火短路以及山火盗窃等因素影响，输电线路缺乏全天实时的有效管理，极易遭外力破坏等。
2、但在输电线路的场强监测方法中，已有的数据分析算法在处理类别界限不明显数据时效率不高，且无法满足输电线路实时分析的需求。
技术实现思路
1、本专利技术所要解决的技术问题是，提供一种输电线路场强监测方法、系统、设备及介质，提高输电线路的数据分析效率，同时满足输电线路实时分析的需求。
2、为解决以上技术问题，本专利技术实提供一种输电线路场强监测方法，包括：
3、根据模拟电荷法获取输电线路的电场分布规律，建立所述输电线路的数学模型，并搭建仿真平台进行仿真模拟；
4、根据耦合电容分压原理获取所述输电线路的场强数据；
5、基于spark的分布式系统架构，对所述输电线路的场强数据进行实时解析和处理，并提取与所述输电线路的场强状态相关的特征，获得特征向量；
6、使用scala语言建立模糊knn算法，基于所述模糊knn分类算法对所述特征向量进行分类，获得分类结果；
7、根据所述分类结果对所述输电线路的场强状态进行判断和预警。
8、进一步地，所述根据耦合电容分压原理获取所述
9、对所述输电线路周围的空间场强进行耦合电容分压操作，形成一个耦合分压传感器；其中，所述耦合分压传感器的高低压臂分别由传感器与大地之间、传感器与输电导线之间耦合电容组成；
10、对所述输电线路电场下电荷的变化信号进行检测，获取所述输电线路的场强数据。
11、优选地，所述使用scala语言建立模糊knn算法，基于所述模糊knn分类算法对所述特征向量进行分类，获得分类结果，包括：
12、获取所述输电线路的训练样本，将所述训练样本进行聚类，获得聚类中心；
13、计算所述特征向量和所述聚类中心之间的欧式距离，选出与所述特征向量距离最小的k个训练样本；
14、给所述k个训练样本赋予权值；
15、将所述特征向量代入隶属度函数，根据隶属度函数的值对所述特征向量进行分类，获得分类结果；其中，所述隶属度函数的表达式为：
16、
17、其中，xi为第i个电气量特征值，i为电气量特征值的序号，uc(xi)为xi的隶属度，k为近邻数，k为近邻序号，uc(wk)为wk的隶属度，wk为近邻中第k个训练样本的聚类中心，p为近邻权值。
18、优选地，所述获取所述输电线路的训练样本，将所述训练样本进行聚类处理，获得聚类中心，包括：
19、将所述输电线路的历史特征向量作为训练样本；
20、使用scala语言建立spark分布式isodata算法；
21、将所述训练样本作为isodata算法的输入，对训练样本进行聚类，获得聚类中心。
22、本专利技术还提供了一种输电线路场强监测系统，包括：
23、仿真单元，用于根据模拟电荷法获取输电线路的电场分布规律，建立所述输电线路的数学模型，并搭建仿真平台进行仿真模拟；
24、数据采集单元，用于根据耦合电容分压原理获取所述输电线路的场强数据；
25、数据处理单元，用于基于spark的分布式系统架构，对所述输电线路的场强数据进行实时解析和处理，并提取与所述输电线路的场强状态相关的特征，获得特征向量；
26、分类单元，用于使用scala语言建立模糊knn算法，基于所述模糊knn算法对所述特征向量进行分类，获得分类结果；
27、预警单元，用于根据所述分类结果对所述输电线路的场强状态进行判断和预警。
28、优选地，所述数据采集单元，具体用于：
29、对所述输电线路周围的空间场强进行耦合电容分压操作，形成一个耦合分压传感器；其中，所述耦合分压传感器的高低压臂分别由传感器与大地之间、传感器与输电导线之间耦合电容组成；
30、对所述输电线路电场下电荷的变化信号进行检测，获取所述输电线路的场强数据。
31、优选地，所述分类单元，具体用于：
32、获取所述输电线路的训练样本，将所述训练样本进行聚类，获得聚类中心；
33、计算所述特征向量和所述聚类中心之间的欧式距离，选出与所述特征向量距离最小的k个训练样本；
34、给所述k个训练样本赋予权值；
35、将所述特征向量代入隶属度函数，根据隶属度函数的值对所述特征向量进行分类，获得分类结果；其中，所述隶属度函数的表达式为：
36、
37、其中，xi为第i个电气量特征值，i为电气量特征值的序号，uc(xi)为xi的隶属度，k为近邻数，k为近邻序号，uc(wk)为wk的隶属度，wk为近邻中第k个训练样本的聚类中心，p为近邻权值。
38、进一步地，所述系统还包括聚类单元，用于：
39、将所述输电线路的历史特征向量作为训练样本；
40、使用scala语言建立spark分布式isodata算法；
41、将所述训练样本作为isodata算法的输入，对训练样本进行聚类，获得聚类中心。
42、本专利技术又提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的输电线路场强监测方法。
43、本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的输电线路场强监测方法。
44、相比于现有技术，本专利技术具有如下有益效果：
45、本专利技术公开了一种输电线路场强监测方法、系统、设备及介质，首先根据模拟电荷法获取输电线路的电场分布规律，建立所述输电线路的数学模型，并搭建仿真平台进行仿真模拟；同时根据耦合电容分压原理获取所述输电线路的场强数据；再基于spark的分布式系统架构，对所述输电线路的场强数据进行实时解析和处理，并提取与所述输电线路的场强状态相关的特征，获得特征向量；然后使用scala语言建立模糊knn算法，基于所述模糊knn算法对所述特征向量进行分类，获得分类结果；最后根据所述分类结果对所述输电线路的场强状态进行判断和预警。本专利技术采用的模糊knn算法能够应对输电线路场强数据中的不确定性和模糊性，提高数据分类的准确性和鲁棒性；并结合了电场分布规律建模、基于spark的分布式系统架构实时数据获取和处理，有助于及时发现输电线路出现的异常情况，做出相应的处理和维护，能够为输电线路的场强监测提供本文档来自技高网...
【技术保护点】
1.一种输电线路场强监测方法，其特征在于，包括：
2.如权利要求1所述的输电线路场强监测方法，其特征在于，所述根据耦合电容分压原理获取所述输电线路的场强数据，包括：
3.如权利要求1所述的输电线路场强监测方法，其特征在于，所述使用Scala语言建立模糊KNN算法，基于所述模糊KNN算法对所述特征向量进行分类，获得分类结果，包括：
4.如权利要求3所述的输电线路场强监测方法，其特征在于，所述获取所述输电线路的训练样本，将所述训练样本进行聚类处理，获得聚类中心，包括：
5.一种输电线路场强监测系统，其特征在于，包括：
6.如权利要求5所述的输电线路场强监测系统，其特征在于，所述数据采集单元，具体用于：
7.如权利要求5所述的输电线路场强监测系统，其特征在于，所述分类单元，具体用于：
8.如权利要求7所述的输电线路场强监测系统，其特征在于，还包括聚类单元，用于：
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的输电线路场强监测方法。
...【技术特征摘要】
1.一种输电线路场强监测方法，其特征在于，包括：
2.如权利要求1所述的输电线路场强监测方法，其特征在于，所述根据耦合电容分压原理获取所述输电线路的场强数据，包括：
3.如权利要求1所述的输电线路场强监测方法，其特征在于，所述使用scala语言建立模糊knn算法，基于所述模糊knn算法对所述特征向量进行分类，获得分类结果，包括：
4.如权利要求3所述的输电线路场强监测方法，其特征在于，所述获取所述输电线路的训练样本，将所述训练样本进行聚类处理，获得聚类中心，包括：
5.一种输电线路场强监测系统，其特征在于，包括：
6.如权利要求5所述的输电线路场强监测系统，其特征在于，所述数...
【专利技术属性】
技术研发人员：姜巍，管茜茜，张晓波，陈铁义，刘春光，
申请(专利权)人：国网浙江省电力有限公司双创中心，
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。