本发明专利技术涉及一种线路监测技术领域，是一种基于线路运行工况的线路运行故障率预测方法、装置，包括获得若干线路运行工况历史数据；利用工况分类器对线路运行工况历史数据进行分类；利用比例风险模型和分类后的线路运行工况历史数据，建立正常工况线路故障率模型和恶劣工况线路故障率模型；输入待预测线路的运行工况数据至工况分类器，确定待预测线路的运行工况；利用对应工况的线路故障率模型对待预测线路运行故障率进行预测。本发明专利技术利用比例风险模型和分类后的线路运行工况历史数据，建立正常工况线路故障率模型和恶劣工况线路故障率模型，利用不同工况的线路故障率模型针对性的对不同工况线路进行故障率预测，有效提高了预测的准确性。的准确性。的准确性。
【技术实现步骤摘要】
基于线路运行工况的线路运行故障率预测方法、装置
[0001]本专利技术涉及一种线路监测
，是一种基于线路运行工况的线路运行故障率预测方法、装置。
技术介绍
[0002]配电网与用户紧密联系，其运行安全性将对社会秩序和人民生活产生很大影响。当前，配电网中分布式可再生能源渗透率不断提高，负荷需求快速增加，配电网结构也越来越复杂，开展配电线路故障率的准确计算对配电网运行安全管理具有重要意义。
[0003]配电线路含有多个元件，且类型多样，线路某一元件状态变化可能会产生连锁效应，从而将影响线路的故障率，而且其运行环境复杂多变，各种外力因素也可能使得线路运行状态发生时变。
[0004]实际工程中常常采取打分法来确定线路状态。打分法依据DL/T 1249—2013《架空输电线路运行状态评估技术导则》及Q/GDW 173—2014《架空输电线路状态评价导则》对架空输电线路的组成元件运行状态采取打分来评估线路运行故障概率打分法操作简单且结论明确，但依赖评估人员经验，具有较强的主观性。
技术实现思路
[0005]本专利技术提供了一种基于线路运行工况的线路运行故障率预测方法、装置，克服了上述现有技术之不足，其能有效解决现有人工打分确定线路状态的方式存在主观性强、效率低的问题。
[0006]本专利技术的技术方案之一是通过以下措施来实现的：一种基于线路运行工况的线路运行故障率预测方法，包括：
[0007]获得若干线路运行工况历史数据；
[0008]利用工况分类器对线路运行工况历史数据进行分类，其中分类类型包括正常工况和恶劣工况，其中工况分类器利用线路工况样本集训练学习获得；
[0009]利用比例风险模型和分类后的线路运行工况历史数据，建立正常工况线路故障率模型和恶劣工况线路故障率模型；
[0010]输入待预测线路的运行工况数据至工况分类器，确定待预测线路的运行工况；
[0011]根据待预测线路的运行工况分类结果，利用对应工况的线路故障率模型对待预测线路运行故障率进行预测。
[0012]下面是对上述专利技术技术方案的进一步优化或/和改进：
[0013]上述利用比例风险模型和分类后的线路运行工况历史数据，建立正常工况线路故障率模型和恶劣工况线路故障率模型，包括：
[0014]基于比例风险模型，并结合线路负载率和气象因素的影响，建立线路故障率模型；
[0015][0016]其中，β、γ1、γ2为待估计参数；Z1为负载率；Z2为天气条件的综合影响；η为配电线路期望寿命；t为当前时刻；
[0017]将分类后的线路运行工况历史数据对线路故障率模型进行训练，建立如下所示的正常工况线路故障率模型和恶劣工况线路故障率模型；
[0018]正常工况线路故障率模型为：
[0019][0020]其中，β
a
、γ
1a
、γ
2a
依据正常工况的线路运行工况历史数据采用极大似然估计方法得到的估计参数；
[0021]恶劣工况线路故障率模型为：
[0022][0023]其中，β
b
、γ
1b
、γ
2b
依据恶劣工况的线路运行工况历史数据采用极大似然估计方法得到的估计参数。
[0024]上述建立工况分类器，包括：
[0025]融合配电系统多源数据，采取基于相关度的特征子集提取特征变量，建立初始训练样本集，并采用SMOTE算法调节正常工况和恶劣工况的样本数占比，更新训练样本集；
[0026]基于神经网络建立工况分类器；
[0027]利用训练样本集对基于神经网络建立的工况分类器进行训练，输出训练后的工况分类器。
[0028]上述还包括结合利用对应工况的线路故障率模型对待预测线路运行故障率进行预测的结果，反向调节正常工况线路故障率模型和恶劣工况线路故障率模型中的参数。
[0029]本专利技术的技术方案之二是通过以下措施来实现的：一种基于线路运行工况的线路运行故障率预测装置，包括：
[0030]数据获取单元，获得若干线路运行工况历史数据；
[0031]分类单元，利用工况分类器对线路运行工况历史数据进行分类，其中分类类型包括正常工况和恶劣工况，其中工况分类器利用线路工况样本集训练学习获得；
[0032]模型建立单元，利用比例风险模型和分类后的线路运行工况历史数据，建立正常工况线路故障率模型和恶劣工况线路故障率模型；
[0033]工况识别单元，输入待预测线路的运行工况数据至工况分类器，确定待预测线路的运行工况；
[0034]故障率预测单元，根据待预测线路的运行工况分类结果，利用对应工况的线路故障率模型对待预测线路运行故障率进行预测。
[0035]下面是对上述专利技术技术方案的进一步优化或/和改进：
[0036]上述分类单元包括：
[0037]样本集建立模块，融合配电系统多源数据，采取基于相关度的特征子集提取特征变量，建立初始训练样本集，并采用SMOTE算法调节正常工况和恶劣工况的样本数占比，更新训练样本集；
[0038]分类器建立模块，基于神经网络建立工况分类器；
[0039]分类器训练模块，利用训练样本集对基于神经网络建立的工况分类器进行训练，输出训练后的工况分类器。
[0040]上述模型建立单元包括：
[0041]第一建立模块，基于比例风险模型，并结合线路负载率和气象因素的影响，建立线路故障率模型；
[0042][0043]其中，β、γ1、γ2为待估计参数；Z1为负载率；Z2为天气条件的综合影响；η为配电线路期望寿命；t为当前时刻；
[0044]第二建立模块，将分类后的线路运行工况历史数据对线路故障率模型进行训练，建立如下所示的正常工况线路故障率模型和恶劣工况线路故障率模型；
[0045]正常工况线路故障率模型为：
[0046][0047]其中，β
a
、γ
1a
、γ
2a
依据正常工况的线路运行工况历史数据采用极大似然估计方法得到的估计参数；
[0048]恶劣工况线路故障率模型为：
[0049][0050]其中，β
b
、γ
1b
、γ
2b
依据恶劣工况的线路运行工况历史数据采用极大似然估计方法得到的估计参数。
[0051]本专利技术适用于非极端天气条件下的配电线路运行状态短期预测，利用比例风险模型和分类后的线路运行工况历史数据，建立正常工况线路故障率模型和恶劣工况线路故障率模型，利用不同工况的线路故障率模型针对性的对不同工况线路进行故障率预测，有效提高预测的准确性。
附图说明
[0052]附图1为本专利技术的方法流程示意图。
[0053]附图2为本专利技术中建立正常工况线路故障率模型和恶劣工况线路故障率模型的方法流程示意图。
[0054]附图3为本专利技术中建立工况分本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于线路运行工况的线路运行故障率预测方法，其特征在于，包括：获得若干线路运行工况历史数据；利用工况分类器对线路运行工况历史数据进行分类，其中分类类型包括正常工况和恶劣工况，其中工况分类器利用线路工况样本集训练学习获得；利用比例风险模型和分类后的线路运行工况历史数据，建立正常工况线路故障率模型和恶劣工况线路故障率模型；输入待预测线路的运行工况数据至工况分类器，确定待预测线路的运行工况；根据待预测线路的运行工况分类结果，利用对应工况的线路故障率模型对待预测线路运行故障率进行预测。2.根据权利要求1所述的基于线路运行工况的线路运行故障率预测方法，其特征在于，所述利用比例风险模型和分类后的线路运行工况历史数据，建立正常工况线路故障率模型和恶劣工况线路故障率模型，包括：基于比例风险模型，并结合线路负载率和气象因素的影响，建立线路故障率模型；其中，β、γ1、γ2为待估计参数；Z1为负载率；Z2为天气条件的综合影响；η为配电线路期望寿命；t为当前时刻；将分类后的线路运行工况历史数据对线路故障率模型进行训练，建立如下所示的正常工况线路故障率模型和恶劣工况线路故障率模型；正常工况线路故障率模型为：其中，β
a
、γ
1a
、γ
2a
依据正常工况的线路运行工况历史数据采用极大似然估计方法得到的估计参数；恶劣工况线路故障率模型为：其中，β
b
、γ
1b
、γ
2b
依据恶劣工况的线路运行工况历史数据采用极大似然估计方法得到的估计参数。3.根据权利要求1或2所述的基于线路运行工况的线路运行故障率预测方法，其特征在于，所述建立工况分类器，包括：融合配电系统多源数据，采取基于相关度的特征子集提取特征变量，建立初始训练样本集，并采用SMOTE算法调节正常工况和恶劣工况的样本数占比，更新训练样本集；基于神经网络建立工况分类器；利用训练样本集对基于神经网络建立的工况分类器进行训练，输出训练后的工况分类器。4.根据权利要求1至3中任意一项所述的基于线路运行工况的线路运行故障率预测方法，其特征在于，还包括结合利用对应工况的线路故障率模型对待预测线路运行故障率进
行预测的结果，反向调节正常工况线路故障率模型和恶劣工况线路故障率模型中的参数。5.一种应用权利要求1至4中任意一项所述方法的基于线路运行工况的线路运行故障率预测装置，其特征在于，包括：数据获取单...
【专利技术属性】
技术研发人员：亚夏尔，
申请(专利权)人：国家电网有限公司，
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。