输电线路缺陷风险建模及其预测方法研究

输电线路缺陷发展状况的预测评估工作对安排检修和制定运维策略有着指导性意义。针对目前输电线路整体缺陷状况的评价指标较为模糊和单一、不同内外环境下输电线路缺陷发展状况不一致的问题,提出了输电线路缺陷风险建模及其预测的方法。该方法首先根据输电线路自身的特点将其细分成若干个部件。然后对输电线路各部件的缺陷严重程度进行量化,并根据输电线路的缺陷历史数据,通过隶属度分析进而定义得到输电线路整体的缺陷风险值。最后研究了各种随机因素分别对线路各部件缺陷风险值的影响。建立基于支持向量机的输电线路缺陷风险值预测模型并对线路未来时段内的缺陷风险值进行预测。通过实例证明了该方法对输电线路缺陷风险值预测的可行性。

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE(BSMOTE)算法与卷积神经网络(CNN)相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。