基于多源数据融合技术的输电线路安全监控研究.pdf

Microcomputer Applications Vol.39,No.11,2023文章编号：10 0 7-7 57 X（2 0 2 3)11-0 0 51-0 4基金项目基于多源数据融合技术的输电线路安全监控研究微型电脑应用2 0 2 3年第39 卷第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2 50 0 0 0）摘要：输电线路周边的环境较为复杂，以保障输电线路安全，防止输电线路故障产生为目的，研究基于多源数据融合技术的输电线路安全监控方法。在输电线路监控点设置不同类型传感器，采用分布式多点测量方式，获取输电线路监测数据。将同类传感器所采集的数据划分为两份，对每份数据实施自适应加权融合，利用加权融合算法对同类传感器数据实施一级加权融合；采用BP神经网络对数据一级融合结果进行二级融合，在确定输入层、隐含层、输出层节点数量与各函数后，通过数据训练获取全局融合结果，输出输电线路安全状态。实验结果表明，该方法在加权因子为0.3、隐含层节点数量为6 的条件下，可获取最优监控结果，并显著降低输电线路故障率。关键词：多源数据融合；输电线路；安全监控；监测数据；加权融合；BP神经网络中图分类号：TM954文献标志码：AResearch on Transmission Line Safety MonitoringBased on Multi-source Data Fusion TechnologyLI Min,TIAN Yuan,WANG Dapeng,WANG Mingda,WANG Wei(State Grid Shandong Electric Extrahigh Voltage Company,Jinan 250000,China)Abstract:The environment around the transmission line is complex.For the purpose of ensuring the safety of the transmissionline and preventing transmission line faults,the transmission line safety monitoring method based on multi-source data fusiontechnology is studied.Different types of sensors are set at the transmission line monitoring points,and the distributed multi-point measurement method is adopted to obtain the transmission line monitoring data.The data collected by similar sensors aredivided into two parts,adaptive weighted fusion is implemented for each data,weighted fusion algorithm is used to implementone-level weighted fusion for similar sensor data,and BP neural network is used to fuse the first level data fusion results.Afterdetermining the numbers of nodes and functions of input layer,hidden layer and output layer,the global fusion results are ob-tained through data training,and the safety status of transmission lines is output.The experimental results show that thismethod can obtain the optimal monitoring results and significantly reduce the transmission line fault rate when the weightingfactor is 0.3 and the number of hidden layer nodes is 6.Key words:multi-source data fusion;transmission line;safety monitoring;monitoring data;weighted fusion;BP neural net-work进行输电线路安全监控。但该类方法由于监控方式较为单0引言一，常出现数据监控结果存在误差等问题。多源数据融合技作为电力系统的主要动脉，输电线路的安全性至关重术能够汇总不同影响因素之间的相互作用 5，通过数据融合要 1，若输电线路发生故障，有可能造成严重的经济损失，并获取高精度融合结果，为输电线路运行提供最优运行环境，对人们生命安全产生极大威胁2 1。自我国电力系统进入智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据采集精度差造成的控制效果差等问题。基于此，本文研究的热点 3。基于多源数据融合技术的输电线路安全监控方法，降低输电以往的监控方法多采用互联网平台技术4，通过监控器线路故障率，确保输电线路安全性。基金项目：国网山东省电力公司（52 0 6 18 2 10 0 0 2）作者简介：李敏（198 7 一），男，本科，工程师，研究方向为输电线路运行与检修；田源（1993一），男，本科，工程师，研究方向为输电线路运行与检修；王大鹏（197 9一），男，本科，工程师，研究方向为输电线路运行与检修；王明达（1990 一），男，硕士，工程师，研究方向为输电线路运行与检修；王蔚（1990 一），男，本科，工程师，研究方向为输电线路运行与检修。51.Microcomputer Applications Vol.39,No.11,20231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。分组1温度传感器湿度传感器压力传感器易燃气体浓度传感器1.2基于自适应加权的一级融合若n个传感器共同监测同一输电线路的周边环境，不同传感器获取的检测值可通过XI，X，X，表示，这些检测值均为真值的无偏判断结果，同时各检测值之间相互独立9,以，表示其对应的方差，以X（i)和w1,W2，,分别表示i时刻第m个传感器的检测值和不同传感器的权重，由此可确定融合后的输电线路周边环境判断值X和权重需符合以下公式：=22w;=1利用式（2)计算均方误差总值：u(-2)-E%=E(-)=Ei-12+22w;(-x;)w;(-a,)i=1,j=1.送j由于检测值相互独立并均为的无偏判断结果，因此可得：E|(-)(-)|=0(i,j=l,2An,ij）（3)基于上式可得均方误差总值为基金项目式（4)说明为关于加权因子的多元二次函数，其具有下限值。依照多元函数求极值原理能够确定在加权因子为=1一条件下，对应的均方误差值为其下限值。p=1自适应加权数据融合过程最大限度考虑不同时间点条件下不同传感器所采集的历史监测数据 10，取均方误差达到下限值条件下的数据融合结果。传感器方差p=Rpp一Rpa，其中,Rpp=kZap(i)ap(i),Rp=n(一Rm(k-1)+x一（0）2()）。式(5）描述在人时刻条k件下传感器P的均值：Rap(k)Za(i)(p=1,2An)ki=1自适应温度加权融合一级融合自适应分组2加权融合自适应分组1加权融合自适应分组2加权融合自适应分组1加权融合自适应分组2加权融合分组1自适应加权融合自适应分组2加权融合图1多源数据融合结构图微型电脑应用2 0 2 3年第39 卷第11期(4)11n-1q=1.p+q(5)由此得到当前时刻判断值,，（)对应的均方p-11中心误差总值为2=77温度一级基于融合BP神中心经网络的温度二级一级融合融合中心温度一级融合中心11.3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，输人样本需符合下述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，如在某一输人参数值达到某阈值的(1)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人参数阈值。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%、i=1压力不高于30 MPa、易燃气体浓度不高于8 0 mg/m；（2）中度安全状态：温度不高于30、湿度不高于2 0%、(2)压力不高于6 0 MPa、易燃气体浓度不高于12 0 mg/m；（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16 0 mg/m；（4）中度危险状态：温度不高于6 0、湿度不高于50%、压力不高于12 0 MPa、易燃气体浓度不高于190 mg/m；52Microcomputer Applications Vol.39,No.11,2023（5）高度危险状态：温度不高于7 5、湿度不高于6 5%、压力不高于150 MPa、易燃气体浓度不高于2 2 0 mg/m。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：n=Vm+i+a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1BP神经网络参数设定网络层节点数量输人层4激活函数隐含层训练函数学习函数基金项目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。温度温度湿度湿度压力压力浓度浓度XXIX2温度湿度Xi=(XiX2-(X21)X2.Xn)X2.X2n(6)高度安全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。监控节点部内容署如图3所示。温度湿度压力易燃气体浓度logsig函数Teainlm函数learrnpbm函数高度安全中度安全微型电脑应用2 0 2 3年第39 卷第11期X2nX31压方X,-(X31)X3.X3m中度临界安全安全图2 辅输输电线路安全监控模型?1218?2930X3mX4浓度X4-(X4l)X42.X4n)中度高度危险危险144m25输出层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，设定输人向量为X=（XiX2 XX）,其中XiX4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=（1.0 0 0,0.0 0 0,0.0 0 0,0.0 0 0，0.000），训练步数与训练目标分别为10 0 0 步和0.0 0 1。在相应的中度安全状态下，设定输出向量为Y2=（0.0 0 0，1.0 0 0，0.000，0.0 0 0，0.0 0 0），其他安全状态以此类推。验证过程中，以Y=（y 1,y 2,y 3,y 4,y)表示输出向量，其中y的取值范围为 o,1。若输出向量y；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5临界安全中度危险高度危险3?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。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。5335343233Microcomputer Applications Vol.39,No.11,2023监控节点监控时刻本文方法监控结果实际安全状态6:20中度安全49:3015:107:45911:1016:205:00168:2012:009:452114:5019:105:502510:3018:258:503313:4019:359:253613:2018:502.2.1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10 0%下降至8 9%左右；在加权因子降至0.3的条件下，数据融合精度由10 0%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10 0%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。10098%/号9694F92908886020406080100120140160数据量/MB图4数据融合精度基金项目表2 安全监控结果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神经中度安全网络模型收敛精度的变化情况，结果如图5所示。分析图5高度安全高度安全中度危险中度危险临界安全临界安全中度安全中度安全高度安全高度安全中度安全中度安全高度安全高度安全中度安全中度安全中度安全中度安全中度安全中度安全临界安全临界安全临界安全临界安全中度危险中度危险中度安全中度安全高度安全高度安全临界安全临界安全中度安全中度安全中度危险中度危险中度安全中度安全临界安全临界安全0.1-0.30.5一0.7微型电脑应用2 0 2 3年第39 卷第11期得到，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。10098969492908886620406080100120140160数据量/MB图5监控结果分析精度2.3故障率波动情况采用本文方法后的实验对象整体故障率波动情况如表3所示。分析表3得到，采用本文方法对实验对象安全状态进行监控后，实验对象的故障率呈显著下降趋势，由此说明采用本文方法可有效监控输电线路安全状态，降低输电线路故障率。表3故障率波动结果故障率/%月份采用本文方法前1月份4.32月份4.03月份3.34月份3.35月份3.06月份3.17月份4.38月份4.59月份4.410月份3.511月份3.012月份3.53总结本文以防止输电线路故障产生为目的，研究基于多源数据融合技术的输电线路安全监控方法，采用两级数据融合技术,将自适应加权融合技术与BP神神网络模型相结合。实验结果显示本文方法可有效监控输电线路安全状态，防止输电线路故障产生。(下转第59页）544-6-67采用本文方法后2.92.62.51.81.72.12.82.72.52.32.42.1Microcomputer Applications Vol.39,No.11,2023负荷参数特征。基于这些特征，建立一个考虑有功调度成本最低的优化调度模型。为了求解这个优化调度模型，采用改进的随机搜索算法和启发式搜索算法。通过这些方法，得到一个最优的智能配电网调度方案。经过测试可知，运用所提方法进行优化处理后，节点的电压越上限情况完全消失，而且节点电压始终处于0.9 5 1.0 5 pu,储能2 的储能容量较大，最高可达到0.36 MW/h，可以充分提升每个节点的电压质量水平，从而促进智能配电网的安全发展。1张翔，廖海君，周振宇，等.含规模化5 G基站租赁共享储能的配电网混合博奔优化调度 J.电测与仪表，2023,60(5):23-32.2王薪媛，蔺红，综合考虑多类型灵活性资源的主动配电网优化调度方法研究J.可再生能源，2 0 2 3，41(2):227-235.3李振坤，黄滢，李谅，等.计及需求侧响应的主动配电网多时间尺度优化调度J.电力建设，2 0 2 3，44（3)：36-48.4吴桐，刘丽军，林钰芳，等.基于动态分区的配电网日前优化调度研究 J.电力系统保护与控制，2 0 2 2，5 0(15):21-32.33333333333333333333838333338383333333383383338(上接第5 4页）9何被雨，李鹏，谢汝生，等基于遗传算法的输电线路覆冰灾害应急响应物资储备决策优化模型 J中参考文献国安全生产科学技术，2 0 19，15（1）：5 1-5 5.1黎炎，李哲，胡丹晖，等.基于雷达监测信号的输电线10郑栋，黄劲松，李典庆，基于多源信息融合的路堤沉降预测方法 J岩土力学，2 0 19，40（2）：7 0 9-7 19.路安全预警系统J.电测与仪表，2 0 19，5 6（4）：11孙志久，朱福星，刘远财，等多源信息融合的大坝70-74.安全智能诊断关键技术与系统实现 J.水电能源科22ZHOU H L,RAO D,SONG B,et al.Design andApplication of Information Security Protection forDistributed Fault Diagnosis System of TransmissionLineJ.Automation of Electric Power Systems,2019,43(15)：19 3-19 9.3李跃，郑涛，文安基于单端量的超高压交流输电线路单相接地故障测距方法研究 J电力系统保护与控制，2 0 2 0，48(6)：2 7-33.4李庆军，李培明，赵国仲，等特高压输电线路环保水保智能监控平台研究应用J电网与清洁能源，2020,36(11):82-89.5陈元鹏，任佳，王力基于多源遥感数据的生态保护修复项目区监测方法评述 J.生态学报，2 0 19，39(23):8789-8797.6 霍锋，卢威，黄道春，等特高压交流输电线路跨越500kV塔顶带电作业电场特性及安全防护研究 J.电网技术，2 0 19，43（1)：349-35 5.7沈政委，汤涌，易俊，等.考虑N-1安全约束的输电线路投切缓解电压越限的电网拓扑优化方法 J.电网技术,2 0 19,43(12)：440 6-4413.【8 白仕雄，刘凯，宋梁，等土8 0 0 kV特高压直流输电线路微气象实时监测与带电作业安全评估方法研究J.高压电器，2 0 19，5 5（6）：198-2 0 4.基金项目5 彭春华，杨一帆，孙惠娟，等.基于自适应步长双闭环模型预测控制的主动配电网优化调度.电网技术，2023,47(4):1709-1722.6马涛，李津，曹晓波，等.计及用户行为差异性和配电网潮流的电采暖负荷群优化调度策略研究J.电力科学与技术学报，2 0 2 3,38(1)：7 7-8 7.李晓，卢先领.基于双重注意力机制和GRU网络的短期负荷预测模型J计算机工程，2 0 2 2，48（2）：291-296.参考文献8王，周雨迪，蔡新雷.基于FARIMA模型的电网数据服务器流量异常识别 J.电子设计工程，2 0 2 3，3 1(12):115-118.9 唐杰，吕林，叶勇，等多时间尺度下主动配电网源-储-荷协调经济调度 J电力系统保护与控制，2 0 2 1，49(20):53-64.10王秀茹，刘刚，黄华峰，等考虑分布式电源的配电网无功调度和储能优化方法 电力科学与技术学报，2022,37(4):134-142.11杨宗铭，朱红杰，陈冠宇，等.基于模型预测控制和机会约束的主动配电网实时调度优化策略 J电力需求侧管理，2 0 2 3,2 5（2）：2 3-2 9.（收稿日期：2 0 2 3-0 6-2 8）学，2 0 2 0，38(11):8 5-8 9.12陈荣，朱雯，孙济庆基于多源数据融合方法的期刊评价及实证研究 中国科技期刊研究，2 0 19，30(6):685-692.13】贾佳，李欢，王代红，等基于神经网络的矿山多源信息融合方法研究J煤炭技术，2 0 19，38（10）：177-180.14刘射德，陈光武，王迪，等：基于MCKF容错算法的列车多源信息融合定位技术研究 J.铁道学报，2019,41(8):74-83.15武法提，黄石华.基于多源数据融合的共享教育数据模型研究J电化教育研究，2 0 2 0，41（5）：5 9-6 5.16LIU Z S,CHEN L B,QIN J A,et al.Study on RiskAnalysis and Structural Safety Performance of Mate-rial Ropeway Construction of Transmission LineJ.IOP Conference Series:Earth and Environmental Sci-ence,2021,696(1):012043.17 JIANG W D,CUIJ Y,LEI X L,et al.Analysis ofLive Working Safety on 500 kV AC TransmissionLine with Defective Composite InsulatorsCJ/2020Asia Energy and Electrical Engineering Symposium(AEEES).MAY 29-31,2020,Chengdu,China.IEEE,2020:33-37.（收稿日期：2 0 2 1-12-0 1)59.微型电脑应用2 0 2 3年第39 卷第11期