可自主学习的电网舞动风险评估方法技术

本发明专利技术提供了一种可自主学习的电网舞动风险评估方法

【技术实现步骤摘要】
可自主学习的电网舞动风险评估方法、系统、设备和介质


[0001]本专利技术属于输电线路运维
，具体涉及一种可自主学习的电网舞动风险评估方法
、
系统
、
设备和介质
。

技术介绍

[0002]目前，由于架空导线面临舞动风险，现有的舞动风险评估方法，一般聚焦于前期的数据多源性
、
融合性，以及评估方法自身的先进性，没有考虑舞动监测数据和现场情况的实时反馈，无法对风险评估结果进行实时对比验证；且自主迭代
、
优化环节缺失，无法实现评估方法
、
模型的自我完善和升级，最终导致对架空导线风险评估结果准确性较低
。

技术实现思路

[0003]为克服上述现有技术的不足，本专利技术提出一种可自主学习的电网舞动风险评估方法，包括：
[0004]基于获取的输电线路中各线路段的基础数据，利用预先构建的非线性核函数模型，计算所述各线路段的舞动风险因子；
[0005]根据所述各线路段的舞动风险因子，确定各线路段的舞动预测情况；
[0006]将各线路段的舞动预测情况和实际舞动情况进行对比，并根据对比结果更新各线路段的舞动风险因子；
[0007]根据更新后的各线路段的舞动风险因子，确定所述输电线路的风险评估等级；
[0008]其中，所述非线性核函数模型是以历史的舞动案例中各线路段的基础数据和所述各线路段对应的舞动风险因子作为训练数据进行构建的
。
[0009]优选的，根据对比结果更新线路段的舞动风险因子，包括：
[0010]当线路段的舞动预测情况和实际舞动情况一致，且所述线路段的实际舞动情况为舞动状态时，获取所述线路段的舞动状态数据，并将所述舞动状态数据加入历史的舞动案例中；基于所述历史的舞动案例，对所述非线性核函数模型中的关键变量进行更新；
[0011]当所述线路段的舞动预测情况和实际舞动情况一致且所述线路段的实际舞动情况为未舞动状态，或所述线路段的舞动预测情况和实际舞动情况不一致时，重新获取所述线路段的基础数据；基于重新获取的所述线路段的基础数据，对所述非线性核函数模型进行修正，进而得到更新后的所述线路段的舞动风险因子
。
[0012]优选的，所述舞动状态数据包括如下的获取过程：
[0013]基于所述线路段的舞动风险因子，判断所述舞动风险因子是否大于设定的数值；
[0014]当所述舞动风险因子大于所述数值，基于所述舞动风险因子，对所述线路段进行风险评估，得到所述线路段的故障风险特征；
[0015]基于所述线路段的故障风险特征和采集的所述线路段对应的气象条件数据，得到所述线路段对应的舞动状态数据
。
[0016]优选的，所述故障风险特征包括下述的一种或多种：舞动位置
、
舞动特征和次生影
响；
[0017]所述舞动特征包括下述的一种或多种：舞动幅值
、
舞动频率和持续时间
。
[0018]优选的，所述根据更新后的各线路段的舞动风险因子，确定所述输电线路的风险评估等级，包括：
[0019]根据更新后的各线路段的舞动风险因子，计算更新后的各线路段的故障风险特征；
[0020]根据更新后的各线路段的故障风险特征，计算各线路段的故障风险评分；
[0021]根据所述各线路段的故障风险评分，确定所述输电线路的风险评估等级
。
[0022]优选的，所述基础数据包括下述的一种或多种：台账数据
、
气象环境数据
、
防舞数据
、
电网运行数据
、
历史舞动数据和技改数据
。
[0023]优选的，所述非线性核函数模型的构建过程，包括：
[0024]利用历史的舞动案例中各线路段的基础数据作为训练数据的输入；
[0025]利用历史的舞动案例中对应线路段的舞动风险因子作为训练数据的输出；
[0026]基于所述训练数据的输入和输出，对初始的非线性核函数模型进行训练，确定所述初始的非线性核函数模型中关键变量对应的值；
[0027]根据所述关键变量对应的值，得到最优的非线性核函数模型
。
[0028]优选的，所述基于获取的输电线路中各线路段的基础数据，利用预先构建的非线性核函数模型，计算所述各线路段的舞动风险因子，包括：
[0029]根据获取的输电线路中各线路段的基础数据，计算所述各线路段对应的气象地理风险因子；
[0030]基于所述各线路段对应的气象地理风险因子，利用预先构建的非线性核函数模型，计算所述各线路段的舞动风险因子
。
[0031]优选的，所述根据获取的输电线路中各线路段的基础数据，计算所述各线路段对应的气象地理风险因子，包括：
[0032]根据获取的输电线路中各线路段的基础数据，得到所述各线路段的基础数据中地理风险数据对应的风险因子；
[0033]根据所述各线路段的基础数据中地理风险数据对应的风险因子，得到所述各线路段对应的气象地理风险因子；
[0034]其中，所述地理风险数据包括下述的一种或多种：地貌类型
、
坡高
、
风速和湿度
。
[0035]基于同一专利技术构思，本专利技术还提供了一种可自主学习的电网舞动风险评估系统，包括：
[0036]风险因子计算模块：用于基于获取的输电线路中各线路段的基础数据，利用预先构建的非线性核函数模型，计算所述各线路段的舞动风险因子；
[0037]舞动风险预测模块：用于根据所述各线路段的舞动风险因子，确定各线路段的舞动预测情况；
[0038]风险因子更新模块：用于将各线路段的舞动预测情况和实际舞动情况进行对比，并根据对比结果更新各线路段的舞动风险因子；
[0039]风险等级评估模块：用于根据更新后的各线路段的舞动风险因子，确定所述输电线路的风险评估等级；
[0040]其中，所述风险因子计算模块中非线性核函数模型是以历史的舞动案例中各线路段的基础数据和所述各线路段对应的舞动风险因子作为训练数据进行构建的
。
[0041]优选的，所述舞动风险预测模块中根据对比结果更新线路段的舞动风险因子，包括：
[0042]当线路段的舞动预测情况和实际舞动情况一致，且所述线路段的实际舞动情况为舞动状态时，获取所述线路段的舞动状态数据，并将所述舞动状态数据加入历史的舞动案例中；基于所述历史的舞动案例，对所述非线性核函数模型中的关键变量进行更新；
[0043]当所述线路段的舞动预测情况和实际舞动情况一致且所述线路段的实际舞动情况为未舞动状态，或所述线路段的舞动预测情况和实际舞动情况不一致时，重新获取所述线路段的基础数据；基于重新获取的所述线路段的基础数据，对所述非线性核函数模型进行修正，进而得到更新后的所述线路段的舞动风险因子
。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种可自主学习的电网舞动风险评估方法，其特征在于，包括：基于获取的输电线路中各线路段的基础数据，利用预先构建的非线性核函数模型，计算所述各线路段的舞动风险因子；根据所述各线路段的舞动风险因子，确定各线路段的舞动预测情况；将各线路段的舞动预测情况和实际舞动情况进行对比，并根据对比结果更新各线路段的舞动风险因子；根据更新后的各线路段的舞动风险因子，确定所述输电线路的风险评估等级；其中，所述非线性核函数模型是以历史的舞动案例中各线路段的基础数据和所述各线路段对应的舞动风险因子作为训练数据进行构建的
。2.
如权利要求1所述的方法，其特征在于，根据对比结果更新线路段的舞动风险因子，包括：当线路段的舞动预测情况和实际舞动情况一致，且所述线路段的实际舞动情况为舞动状态时，获取所述线路段的舞动状态数据，并将所述舞动状态数据加入历史的舞动案例中；基于所述历史的舞动案例，对所述非线性核函数模型中的关键变量进行更新；当所述线路段的舞动预测情况和实际舞动情况一致且所述线路段的实际舞动情况为未舞动状态，或所述线路段的舞动预测情况和实际舞动情况不一致时，重新获取所述线路段的基础数据；基于重新获取的所述线路段的基础数据，对所述非线性核函数模型进行修正，进而得到更新后的所述线路段的舞动风险因子
。3.
如权利要求2所述的方法，其特征在于，所述舞动状态数据包括如下的获取过程：基于所述线路段的舞动风险因子，判断所述舞动风险因子是否大于设定的数值；当所述舞动风险因子大于所述数值，基于所述舞动风险因子，对所述线路段进行风险评估，得到所述线路段的故障风险特征；基于所述线路段的故障风险特征和采集的所述线路段对应的气象条件数据，得到所述线路段对应的舞动状态数据
。4.
如权利要求3所述的方法，其特征在于，所述故障风险特征包括下述的一种或多种：舞动位置
、
舞动特征和次生影响；所述舞动特征包括下述的一种或多种：舞动幅值
、
舞动频率和持续时间
。5.
如权利要求4所述的方法，其特征在于，所述根据更新后的各线路段的舞动风险因子，确定所述输电线路的风险评估等级，包括：根据更新后的各线路段的舞动风险因子，计算更新后的各线路段的故障风险特征；根据更新后的各线路段的故障风险特征，计算各线路段的故障风险评分；根据所述各线路段的故障风险评分，确定所述输电线路的风险评估等级
。6.
如权利要求1所述的方法，其特征在于，所述基础数据包括下述的一种或多种：台账数据
、
气象环境数据
、
防舞数据
、
电网运行数据
、
...

【专利技术属性】
技术研发人员：赵彬，杨知，汉京善，刘畅，张国强，刘彬，杨加伦，赵斌滨，刘毅，孔小昂，
申请(专利权)人：国家电网有限公司国网山东省电力公司潍坊供电公司，
类型：发明
国别省市：