基于多源數據融合技術的輸電線路安全監控研究

李敏, 田源, 王大鵬, 王明達, 王蔚

(國網山東省電力公司超高壓公司, 山東, 濟南 250000)

0 引言

作為電力系統的主要動脈,輸電線路的安全性至關重要[1],若輸電線路發生故障,有可能造成嚴重的經濟損失,并對人們生命安全產生極大威脅[2]。自我國電力系統進入智能化建設以來,輸電線路運行的安全監控成為相關部門研究的熱點[3]。

以往的監控方法多采用互聯網平臺技術[4],通過監控器進行輸電線路安全監控。但該類方法由于監控方式較為單一,常出現數據監控結果存在誤差等問題。多源數據融合技術能夠匯總不同影響因素之間的相互作用[5],通過數據融合獲取高精度融合結果,為輸電線路運行提供最優運行環境,由此克服上述文獻所采用監控方法的單一性,防止出現因數據采集精度差造成的控制效果差等問題?；诖?本文研究基于多源數據融合技術的輸電線路安全監控方法,降低輸電線路故障率,確保輸電線路安全性。

1 基于多數據融合技的輸電線路安全監控方法

1.1 多源數據融合技術架構

由于輸電線路周邊的環境較為復雜[6],因此為準確監控輸電線路周邊環境,確保輸電線路安全需在輸電線路周邊布設多組傳感器實時監測不同環境因子。在輸電線路安全監控過程中通常采用分布式多點測量的傳感器結構[7],能夠實時在線監控輸電線路周邊溫度、濕度、壓力以及易燃氣體等數據[8]。將同類傳感器所采集的數據劃分為兩份,分別對每份數據實施自適應加權融合,在此基礎上再利用加權融合算法對同類傳感器數據實施一級加權融合,確定相應因子的最優融合判斷結果;完成各類型傳感器數據的局部融合后,獲取的融合判斷結果具有較高精度。采用BP神經網絡對不同類型傳感器數據一級融合后的結果進行二級融合,由此獲取全局融合結果,根據該結果能夠實現輸電線路安全監控。

圖1 多源數據融合結構圖

1.2 基于自適應加權的一級融合

(1)

利用式(2)計算均方誤差總值:

(2)

由于檢測值相互獨立并均為x的無偏判斷結果,因此可得:

E|(x-xi)(x-xj)|=0(i,j=1,2Λn,i≠j)

(3)

基于上式可得均方誤差總值為

(4)

(5)

1.3 基于BP神經網絡的二級融合

人工神經網絡算法作為一種用于模擬人腦結構與智能特征的方法可通過網絡學習過程獲取與期望結果相近的輸出結果,該算法是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡,是應用最廣泛的神經網絡模型之一,其主要優勢為自學習能力與自適應能力較強[11],并且利用BP神經網絡可有效改善模擬過程中的盲目性與計算量大等問題。

1.3.1 輸入與輸出層的確定

在神經網絡內,輸入樣本需符合下述2個要求:

(1) 輸入樣本之間的相關性盡量低;

(2) 輸入樣本對輸出結果的影響盡量大。

由此在選取基于多源數據融合技術的輸電線路安全監控過程中選取溫度、濕度、壓力與易燃氣體等4個彼此相關性較小的參數作為BP神經網絡的輸入量。

以準確描述輸電線路實時安全狀態為目的,設定BP神經網絡的輸出節點數量為5,分別為高度安全、中度安全、臨界安全、中度危險與高度危險[12]。對于BP神經網絡輸出的輸電線路5種安全狀態判斷結果需以輸電線路實際情況結合專家咨詢結果為根據,如在某一輸入參數值達到某閾值的條件下則將其定義為高度危險狀態,并逐一設置不同安全狀態所對應的輸入參數閾值。安全狀態閾值具體設定如下:

(1) 高度安全狀態:溫度不高于15 ℃、濕度不高于5%、壓力不高于30 MPa、易燃氣體濃度不高于80 mg/m3;

(2) 中度安全狀態:溫度不高于30 ℃、濕度不高于20%、壓力不高于60 MPa、易燃氣體濃度不高于120 mg/m3;

(3) 臨界安全狀態:溫度不高于45 ℃、濕度不高于35%、壓力不高于90 MPa、易燃氣體濃度不高于160 mg/m3;

(4) 中度危險狀態:溫度不高于60 ℃、濕度不高于50%、壓力不高于120 MPa、易燃氣體濃度不高于190 mg/m3;

(5) 高度危險狀態:溫度不高于75 ℃、濕度不高于65%、壓力不高于150 MPa、易燃氣體濃度不高于220 mg/m3。

1.3.2 隱含層與隱含層節點的確定

相關資料研究結果[13]顯示,通常情況下3層BP神經網絡即可實現逼近任意不間斷函數的目的。若隱含層內節點數量有所提升,能夠令BP神經網絡模型的計算誤差顯著下降,但同時也令模型計算過程的復雜度與所消耗時間顯著提升?；谝陨戏治鼍C合考慮,在輸電線路安全監控過程中BP神經網絡采用3層結構。隱含層內神經元的數量對于BP神經網絡最終精度產生重要影響,通常情況下可依照經驗公式確定神經元數量n,公式描述如下:

(6)

式中,m和l分別表示輸入節點和輸出節點數量,a為常數,其取值范圍為[1,10]。

1.3.3 各函數確定

BP神經網絡運行過程中需依次設定激活函數、訓練函數以及學習函數等。在兼顧BP神經網絡的收斂速度與收斂精度條件下,以令兩者最優為目的[14],設定上述3個函數分別采用logsig函數、Teainlm函數以及learrnpbm函數。由此BP神經網絡參數設定完成,具體如表1所示。

表1 BP神經網絡參數設定

1.3.4 樣本訓練

通過相關軟件利用多組訓練樣本分別對輸電線路不同安全狀態實施訓練,訓練過程中,在相應的高度安全狀態下,設定輸入向量為X=(X1,X2,X3,X4),其中X1～X4分別表示溫度、濕度、壓力以及易燃氣體濃度符合表1內安全狀態的閾值。設定輸出向量為Y1=(1.000,0.000,0.000,0.000,0.000),訓練步數與訓練目標分別為1000步和0.001。在相應的中度安全狀態下,設定輸出向量為Y2=(0.000,1.000,0.000,0.000,0.000),其他安全狀態以此類推。

驗證過程中,以Y={y1,y2,y3,y4,y5}表示輸出向量,其中yi的取值范圍為[0,1]。若輸出向量yi的值高于其他幾個值,則其對應的狀態即為當前輸電線路的安全狀態[15-17]。BP神經網絡訓練完成后,即可利用其對輸電線路監控過程中各類傳感器所獲取的監測數據實時進行安全狀態分析?；谏鲜雒枋龅囊患壢诤吓c二級融合過程,能夠得到輸電線路安全監控模型,模型結構如圖2所示。

圖2 輸電線路安全監控模型

2 實驗結果與分析

實驗為驗證本文研究的基于多源數據融合技術的輸電線路安全監控方法的實際應用性能,選取某市區輸電線路為實驗對象,實驗對象內共包含37個監控節點。監控節點部署如圖3所示。

圖3 監控節點部署圖

2.1 安全監控結果

在實驗對象內隨機選取7個節點為目標,采用本文方法對這7個節點進行安全監控確定不同時刻條件下的安全狀態,所得結果如表2所示。分析表2得到,采用本文方法對不同監控節點不同監控時刻的監控結果進行分析,能夠有效分析出各監控結果不同時刻的安全狀態,且本文方法分析結果與實際安全狀態完全一致,由此說明本文方法具有較強的實際應用價值。

表2 安全監控結果

2.2 監控結果精度分析

本文方法中采用了兩級數據融合過程,一級數據融合過程中采用自適應加權的融合方法,二級數據融合過程中采用BP神經網絡模型。因此以下分析不同數據融合過程中不同參數對于監控結果精度的影響。

2.2.1 不同加權因子下數據融合的精度

在自適應加權融合過程中,加權因子的設定對于數據融合精度產生重要影響。圖4所示為不同加權因子(0.1、0.3、0.5、0.7)條件下數據融合精度的波動情況。分析圖4得到,隨著數據量的提升,不同加權因子條件下,數據融合精度均呈現不同程度的下降趨勢。在加權因子為0.7的條件下,數據融合精度由100%下降至89%左右;在加權因子降至0.3的條件下,數據融合精度由100%下降至95%左右;但當加權因子再次下降至0.1時,數據融合精度則由100%下降至94%左右。以上數據說明在加權因子為0.3的條件下,數據融合精度顯著高于其他加權因子,由此說明在自適應加權融合過程中加權因子值設定為0.3最為合適。

圖4 數據融合精度

2.2.2 隱含層節點數量對于收斂精度的影響

BP神經網絡融合過程中,隱含層節點數量對于監控結果的精度產生直接影響。分析不同節點數量條件下BP神經網絡模型收斂精度的變化情況,結果如圖5所示。分析圖5得到,隨著隱含層內節點數量的提升,BP神經網絡的收斂精度呈現逐漸提升的趨勢。但同時隱含層內節點數量的提升也令BP神經網絡模型計算過程的復雜度與所消耗時間顯著提升,結合相關學者關于BP神經網絡收斂速度的分析結果,綜合分析之下得到在BP神經網絡隱含層節點數量為6的條件下,BP神經網絡的收斂精度與收斂速度綜合最優,因此本文方法二級融合過程中,設定BP神經網絡模型中隱含層節點數量為6最為合適。

圖5 監控結果分析精度

2.3 故障率波動情況

采用本文方法后的實驗對象整體故障率波動情況如表3所示。分析表3得到,采用本文方法對實驗對象安全狀態進行監控后,實驗對象的故障率呈顯著下降趨勢,由此說明采用本文方法可有效監控輸電線路安全狀態,降低輸電線路故障率。

表3 故障率波動結果

3 總結

本文以防止輸電線路故障產生為目的,研究基于多源數據融合技術的輸電線路安全監控方法,采用兩級數據融合技術,將自適應加權融合技術與BP神神網絡模型相結合。實驗結果顯示本文方法可有效監控輸電線路安全狀態,防止輸電線路故障產生。