基于多源数据融合技术的输电线路安全监控研究

2023-12-13李敏田源王大鹏王明达王蔚

微型电脑应用 2023年11期

李敏, 田源, 王大鹏, 王明达, 王蔚

(国网山东省电力公司超高压公司, 山东, 济南 250000)

0 引言

作为电力系统的主要动脉,输电线路的安全性至关重要[1],若输电线路发生故障,有可能造成严重的经济损失,并对人们生命安全产生极大威胁[2]。自我国电力系统进入智能化建设以来,输电线路运行的安全监控成为相关部门研究的热点[3]。

以往的监控方法多采用互联网平台技术[4],通过监控器进行输电线路安全监控。但该类方法由于监控方式较为单一,常出现数据监控结果存在误差等问题。多源数据融合技术能够汇总不同影响因素之间的相互作用[5],通过数据融合获取高精度融合结果,为输电线路运行提供最优运行环境,由此克服上述文献所采用监控方法的单一性,防止出现因数据采集精度差造成的控制效果差等问题。基于此,本文研究基于多源数据融合技术的输电线路安全监控方法,降低输电线路故障率,确保输电线路安全性。

1 基于多数据融合技的输电线路安全监控方法

1.1 多源数据融合技术架构

由于输电线路周边的环境较为复杂[6],因此为准确监控输电线路周边环境,确保输电线路安全需在输电线路周边布设多组传感器实时监测不同环境因子。在输电线路安全监控过程中通常采用分布式多点测量的传感器结构[7],能够实时在线监控输电线路周边温度、湿度、压力以及易燃气体等数据[8]。将同类传感器所采集的数据划分为两份,分别对每份数据实施自适应加权融合,在此基础上再利用加权融合算法对同类传感器数据实施一级加权融合,确定相应因子的最优融合判断结果;完成各类型传感器数据的局部融合后,获取的融合判断结果具有较高精度。采用BP神经网络对不同类型传感器数据一级融合后的结果进行二级融合,由此获取全局融合结果,根据该结果能够实现输电线路安全监控。

图1 多源数据融合结构图

1.2 基于自适应加权的一级融合

(1)

利用式(2)计算均方误差总值:

(2)

由于检测值相互独立并均为x的无偏判断结果,因此可得:

E|(x-xi)(x-xj)|=0(i,j=1,2Λn,i≠j)

(3)

基于上式可得均方误差总值为

(4)

(5)

1.3 基于BP神经网络的二级融合

人工神经网络算法作为一种用于模拟人脑结构与智能特征的方法可通过网络学习过程获取与期望结果相近的输出结果,该算法是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一,其主要优势为自学习能力与自适应能力较强[11],并且利用BP神经网络可有效改善模拟过程中的盲目性与计算量大等问题。

1.3.1 输入与输出层的确定

在神经网络内,输入样本需符合下述2个要求:

(1) 输入样本之间的相关性尽量低;

(2) 输入样本对输出结果的影响尽量大。

由此在选取基于多源数据融合技术的输电线路安全监控过程中选取温度、湿度、压力与易燃气体等4个彼此相关性较小的参数作为BP神经网络的输入量。

以准确描述输电线路实时安全状态为目的,设定BP神经网络的输出节点数量为5,分别为高度安全、中度安全、临界安全、中度危险与高度危险[12]。对于BP神经网络输出的输电线路5种安全状态判断结果需以输电线路实际情况结合专家咨询结果为根据,如在某一输入参数值达到某阈值的条件下则将其定义为高度危险状态,并逐一设置不同安全状态所对应的输入参数阈值。安全状态阈值具体设定如下:

(1) 高度安全状态:温度不高于15 ℃、湿度不高于5%、压力不高于30 MPa、易燃气体浓度不高于80 mg/m3;

(2) 中度安全状态:温度不高于30 ℃、湿度不高于20%、压力不高于60 MPa、易燃气体浓度不高于120 mg/m3;

(3) 临界安全状态:温度不高于45 ℃、湿度不高于35%、压力不高于90 MPa、易燃气体浓度不高于160 mg/m3;

(4) 中度危险状态:温度不高于60 ℃、湿度不高于50%、压力不高于120 MPa、易燃气体浓度不高于190 mg/m3;

(5) 高度危险状态:温度不高于75 ℃、湿度不高于65%、压力不高于150 MPa、易燃气体浓度不高于220 mg/m3。

1.3.2 隐含层与隐含层节点的确定

相关资料研究结果[13]显示,通常情况下3层BP神经网络即可实现逼近任意不间断函数的目的。若隐含层内节点数量有所提升,能够令BP神经网络模型的计算误差显著下降,但同时也令模型计算过程的复杂度与所消耗时间显著提升。基于以上分析综合考虑,在输电线路安全监控过程中BP神经网络采用3层结构。隐含层内神经元的数量对于BP神经网络最终精度产生重要影响,通常情况下可依照经验公式确定神经元数量n,公式描述如下:

(6)

式中,m和l分别表示输入节点和输出节点数量,a为常数,其取值范围为[1,10]。

1.3.3 各函数确定

BP神经网络运行过程中需依次设定激活函数、训练函数以及学习函数等。在兼顾BP神经网络的收敛速度与收敛精度条件下,以令两者最优为目的[14],设定上述3个函数分别采用logsig函数、Teainlm函数以及learrnpbm函数。由此BP神经网络参数设定完成,具体如表1所示。

表1 BP神经网络参数设定

1.3.4 样本训练

通过相关软件利用多组训练样本分别对输电线路不同安全状态实施训练,训练过程中,在相应的高度安全状态下,设定输入向量为X=(X1,X2,X3,X4),其中X1～X4分别表示温度、湿度、压力以及易燃气体浓度符合表1内安全状态的阈值。设定输出向量为Y1=(1.000,0.000,0.000,0.000,0.000),训练步数与训练目标分别为1000步和0.001。在相应的中度安全状态下,设定输出向量为Y2=(0.000,1.000,0.000,0.000,0.000),其他安全状态以此类推。

验证过程中,以Y={y1,y2,y3,y4,y5}表示输出向量,其中yi的取值范围为[0,1]。若输出向量yi的值高于其他几个值,则其对应的状态即为当前输电线路的安全状态[15-17]。BP神经网络训练完成后,即可利用其对输电线路监控过程中各类传感器所获取的监测数据实时进行安全状态分析。基于上述描述的一级融合与二级融合过程,能够得到输电线路安全监控模型,模型结构如图2所示。

图2 输电线路安全监控模型

2 实验结果与分析

实验为验证本文研究的基于多源数据融合技术的输电线路安全监控方法的实际应用性能,选取某市区输电线路为实验对象,实验对象内共包含37个监控节点。监控节点部署如图3所示。

图3 监控节点部署图

2.1 安全监控结果

在实验对象内随机选取7个节点为目标,采用本文方法对这7个节点进行安全监控确定不同时刻条件下的安全状态,所得结果如表2所示。分析表2得到,采用本文方法对不同监控节点不同监控时刻的监控结果进行分析,能够有效分析出各监控结果不同时刻的安全状态,且本文方法分析结果与实际安全状态完全一致,由此说明本文方法具有较强的实际应用价值。

表2 安全监控结果

2.2 监控结果精度分析

本文方法中采用了两级数据融合过程,一级数据融合过程中采用自适应加权的融合方法,二级数据融合过程中采用BP神经网络模型。因此以下分析不同数据融合过程中不同参数对于监控结果精度的影响。

2.2.1 不同加权因子下数据融合的精度

在自适应加权融合过程中,加权因子的设定对于数据融合精度产生重要影响。图4所示为不同加权因子(0.1、0.3、0.5、0.7)条件下数据融合精度的波动情况。分析图4得到,随着数据量的提升,不同加权因子条件下,数据融合精度均呈现不同程度的下降趋势。在加权因子为0.7的条件下,数据融合精度由100%下降至89%左右;在加权因子降至0.3的条件下,数据融合精度由100%下降至95%左右;但当加权因子再次下降至0.1时,数据融合精度则由100%下降至94%左右。以上数据说明在加权因子为0.3的条件下,数据融合精度显著高于其他加权因子,由此说明在自适应加权融合过程中加权因子值设定为0.3最为合适。

图4 数据融合精度

2.2.2 隐含层节点数量对于收敛精度的影响

BP神经网络融合过程中,隐含层节点数量对于监控结果的精度产生直接影响。分析不同节点数量条件下BP神经网络模型收敛精度的变化情况,结果如图5所示。分析图5得到,随着隐含层内节点数量的提升,BP神经网络的收敛精度呈现逐渐提升的趋势。但同时隐含层内节点数量的提升也令BP神经网络模型计算过程的复杂度与所消耗时间显著提升,结合相关学者关于BP神经网络收敛速度的分析结果,综合分析之下得到在BP神经网络隐含层节点数量为6的条件下,BP神经网络的收敛精度与收敛速度综合最优,因此本文方法二级融合过程中,设定BP神经网络模型中隐含层节点数量为6最为合适。