(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211111666.5 (22)申请日 2022.09.13 (71)申请人 国网河南省电力公司经济技 术研究 院 地址 450000 河南省郑州市二七区嵩 山南 路87号院办公区C楼1-10层 申请人 华北电力大 学 (72)发明人 李勇杰　杨红旗　郭新菊　席小娟　 齐道坤　刘金朋　陈超　郭正位　 李旭阳　周铁军　牛鑫　李凌云　 卫璞　郭晓菡　 (74)专利代理 机构 郑州图钉专利代理事务所 (特殊普通 合伙) 41164 专利代理师 石路(51)Int.Cl. G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 20/00(2019.01) G06Q 10/00(2012.01) (54)发明名称 一种考虑架空线路故障分类的特殊运维风 险评估方法 (57)摘要 本发明属于风险评估技术领域， 具体涉及一 种考虑架空线路故障分类的特殊运维风险评估 方法； 它包括对架空线路故障数据进行整理与收 集； 对数据进行预处理， 保证数据的可用性与合 理性； 基于深度学习方法， 对架空线路常见故障 进行分类， 选取故障发生概率最高的故障类型， 通过挖掘历史上容易发生故障气象参数， 构建基 于支持矢量机分类器的故障气象条件 预报模型； 结合区域架空线路的导线结构、 导线截面、 档距 等线路结构参数， 构建基于特殊 分类器的架空线 路故障风险评估模型； 本发明实现帮助电力系统 实现差异化设计， 完善可靠性评价模型， 同时帮 助电力系统运行和调度部门提前感知线路运行 风险， 做好有针对性的降风险运行措施。 权利要求书4页 说明书10页 附图1页 CN 115438737 A 2022.12.06 CN 115438737 A 1.一种考虑架空线路故障分类的特殊运维风险评估方法， 其特征在于， 它包括以下步 骤： S1、 对架空线路故障数据进行整理与收集； S2、 对数据进行 预处理， 保证数据的可用性与合理性； S3、 基于深度学习方法， 对架空线路常见故障进行分类， 选取故障发生概率最高的故障 类型， 通过挖掘历史上容易发生故障气象参数， 构建基于支持矢量机分类器的故障气象条 件预报模型； S4、 结合区域架空线路的导线结构、 导线截面、 档距等线路结构参数， 构建基于特殊分 类器的架空线路故障风险评估 模型。 2.如权利要求1所述的一种考虑架空线路故障分类的特殊运维风险评估方法， 其特征 在于， 所述步骤S1对架空线路故障数据进 行整理与收集中的架空线路故障数据包括 发生不 同故障时候的相应气象数据， 在线路故障后快速、 准确地识别故障类型， 提高故障定位精 度、 缩短故障线路恢复运行时间以及提高电力系统稳定性。 3.如权利要求1所述的一种考虑架空线路故障分类的特殊运维风险评估方法， 其特征 在于， 所述 步骤S2对数据进行 预处理， 保证数据的可用性与合理性包括： 结合相关实际要求构建数据缺失值、 异常值处理模型； 通过集成、 变换手段针对数据开 展合理有效的处理； 以粒子群聚类算法为基础， 对于离群样本开展有效判断以及合理消除； 首先结合数据收集情况对数据进行预处理， 其中包括缺失值处理、 异常值处理、 重复值处 理； 其中缺失值处理采用基于重复模拟的缺失值处理法， 从一个包含缺失值的数据集中生 成一组完整的数据集； 每 个数据集中的缺失数据用蒙特卡洛方法来 填补； 利用变量均值向量和方差 ‑协方差阵作为先验信息， 构建马尔科夫链， 保证其元素的分 布可以收敛到一个平稳分布， 通过抽样反复模拟该马尔科夫链， 得到平稳的后验分布， 产生 缺失数据的估计； 其 步骤可以整理为： 接收连续的数据向量集Yc＝[Y1,Y2,....,Yn]， 其中第i数据向量为Y(i)＝[yi(1),yi (2),.....,yi(D)],i＝1,2,.....,N， 其中Yc包括观测数据Ywz和确实数据Yqs； 根据第i项数据设定高斯模型， 其中高斯模型的参数空间为θ， 根据所述空间θ 的估计值 θg计算缺失数据发生的概 率p(Yqs丨Ywz， θg)； 根据当前的完整数据与确实数据估计值计算所述参数空间θ的发生概率 以及对高斯模型的参 数空间θ 的估计值进行更新， 得到的马尔科夫链 收敛时， 估计缺失数据； 最终缺失数据计算公式为 其中Nsample为总样本数， NBurn‑in为缺失样本数。 4.如权利要求1所述的一种考虑架空线路故障分类的特殊运维风险评估方法， 其特征 在于， 所述 步骤S3中的基于深度学习方法， 对架空线路常见故障进行分类包括：权　利　要　求　书 1/4 页 2 CN 115438737 A 2深度故障字典的构建， 即首先生成带类别标签的样本库， 然后利用深度字典学习模型 按类构建深度故障字典； 传统的基于学习方法构造的字典是单层结构且以残差为驱动， 当稀疏性指标大于1时， 学习到的字典原子将由反映样本的轮廓特征向反映样本的细节特征转变； 采用字典层数替 代稀疏性指标， 构建深度字典， 即将单层多稀疏度结构转换成为多层单稀疏度结构； 具体 地， 构建一个s层的字典(s对应传 统学习方法中的稀疏度指标)， 各层字典的稀疏度均为1， 以信号的表示残差逐层驱动字典学习， 采用多层字典结构既保证了不同特征尺度的原子彼 此独立、 互不影响， 同时单稀疏度结构避免了OMP算法可能出现的重构错 误问题； 故障样本分类的实现， 即将各类故障字典的同层合并， 然后基于合并后的深度故障字 典对待分类样本进行稀疏表示， 利用稀疏系 数对样本按类重构， 重构误差最小的类别就是 样本所属类别； 稀疏表示就是使用少量基本信号的线性组合表示目标信号， 通过 “稀疏性”这一强制要 求提取目标信号中的关键信息， 从而实现信号的压缩和特 征提取。 5.如权利要求1所述的一种考虑架空线路故障分类的特殊运维风险评估方法， 其特征 在于， 所述步骤S3中的通过挖掘历史上容易发生故障气象参数， 构建基于支持矢量机分类 器的故障气象条件预报模型包括： 支持矢量机是一种通用的机器学习算法， 也是一种重要的模式分类技术， 其在解决小 样本、 非线性以及高维模式识别问题中具有很多优势支持矢量机分类器的基本原理可以简 要概括为： 对于线性可分或非线性可分的训练样本集， 首先根据最优化理论在原始特征空 间中构建最优线性分类界面 或广义最优分类界面， 然后使用满足Mercer定理的核函数替换 原始分类界面函数中的数积运算， 将原始特征 空间中的非线性分类界面隐式地映射到更高 维的变换 特征空间中产生线性分类界面， 从而达 到更好的分类效果； 给定的n维训练样本x1,x2,....xN， 为了表述方便， 定义每个样本的类别属性， ω1类的训 练样本xi， 其类别属性值yi＝1； ω2类的训练样本xj， 其类别属性值yj＝1， 将上述各样本重新 表示为， {(x1,y1),(x2,y2),...(xN,yN)}， 这些样本 是线性可分的， 即存在线 性分类界面能将 这些训练样本正确的分为两类， 令分类界面 为： 通过训练所求得的分类界面的参数 λi(i＝1,2,...,N)和b满足： 且满足上式 中非零系数 λi个数最少； 求取分类界面实质是一个最优化问题， 并描述成如下的规划问题：权　利　要　求　书 2/4 页 3 CN 115438737 A 3