一种特高压密集通道运行状态评估方法

1.本发明涉及电力系统安全技术领域，特别涉及一种特高压密集通道运行状态评估方法。


背景技术：

2.随着我国特高压交直流输电线路规模的迅速增长，目前已逐渐建成大范围、长距离的特高压交直流输电体系，同时在全国各省市形成多处特高压密集通道。特高压密集通道具有容量大、损耗低、距离远与空间小的综合优势，是实现地区间电力资源有效配置、推动能源互联网构建的有效手段。但在密集通道中，线路运行特性复杂，覆盖容量大，影响范围广，不同线路间缺乏差异化设计，，且通常位于地形复杂、环境恶劣的地段，易受到外部环境因素与内部性能的影响引发线路多回路同跳，通道断面全部丧失，继而发生大面积停电事件，会对国家安全、社会稳定以及人民群众生产生活构成严重影响和威胁。因此，有必要对密集通道运行状态进行全面、准确地评估，快速感知存在的缺陷与安全隐患，为智能化运维提供辅助与决策，保障电网安全稳定运行。当前对密集通道状态评估主要通过人工在现场依据既有导则与标准进行打分，最终得到评估结果；但传统人工打分的方式存在巡检周期，随着时间的推移，状态评估结果置信度将逐渐降低，无法确切有效地表征密集通道的真实运行状态。
3.公开号为cn113159544a的专利文献公开了一种极端自然环境下特高压密集通道风险校核方法，采集特高压密集通道的通道周边气象数据和通道内线路数据，利用区域以及时间特征风险评价指标对数据进行极端自然灾害风险识别；利用风险概率、风险权重和风险后果构建综合运行风险模型，风险识别结果为输入，得到综合运行风险值，并确定密集通道设防水平。综合考虑极端环境下，准确评估密集输电通道已有防护措施的整体设防水平，提升特高压密集通道智能化管控能力和安全防护能力；风险计算过程中已考虑密集通道内各类灾害的防御措施对密集通道的风险影响，无需二次校核，综合运行风险值直接用于设防水平等级划分，进而为密集输电通道风险防范薄弱点的查找提供简便有力的帮助和支持。但是，没有建立本技术的两级评估模型，准确性有待提高。


技术实现要素：

4.有鉴于此，针对现有技术的不足，本发明提供一种特高压密集通道运行状态评估方法，其目的在于，基于在线监测技术与地理信息技术，从通道环境与线路本体两方面出发，依据属性不同将密集通道故障因素分解为若干层次，形成多层次的密集通道状态评估指标体系；进一步对状态评估指标体系进行降维处理，提取有效非线性特征；通过结合模糊理论与证据推理建立两级评估模型，实现对特高压密集通道运行状态实时准确地评估。
5.为解决上述技术问题，本发明所采取的技术方案是：
6.为实现上述目的，本发明提供一种特高压密集通道运行状态评估方法，包括如下步骤：
7.步骤一：通过在线监测技术与地理信息技术，获取密集通道运行数据，并构建相应的数据集；
8.步骤二：从通道环境与线路本体两方面出发，依据属性不同将密集通道故障因素分解为若干层次，形成多层次的密集通道状态评估指标体系；
9.步骤三：采用核主成分分析法对状态评估指标参数进行降维处理，提取有效非线性特征；
10.步骤四：结合模糊理论与证据推理建立两级评估模型，计算密集通道运行状态综合评估值，根据计算结果确定密集通道运行状态等级。
11.进一步地，所述步骤一，其特征在于，在线监测技术包括气象监测技术、图像视频监测技术、导地线覆冰监测技术、导地线微风振动在线监测技术，导地线温度监测技术、导地线弧垂监测技术、绝缘子串风偏监测技术、绝缘子串现场污秽度监测技术与杆塔倾斜监测技术中的至少一种；
12.进一步地，所述步骤一，其特征在于，地理信息技术包括但不限于卫星遥感技术和三维激光扫描技术。
13.进一步地，所述步骤二，其特征在于，评估指标体系分为三层，包括目标层、项目层与指标层；
14.目标层为单元素，代表状态评估的最终结果；
15.项目层为密集通道的监测项目，包括但不限于微气象、微地形、图像视频、导地线覆冰、导地线微风振动，导地线舞动、导地线温度、导地线弧垂、绝缘子串风偏、绝缘子串现场污秽度与杆塔倾斜；
16.指标层为影响密集通道运行状态的具体指标，由监测项目所测参数组成；
17.微气象监测所测参数包括但不限于气温、相对湿度、气压、风速、风向、降雨量和光辐射；
18.微地形监测所测参数包括但不限于高程、坡度、坡向、曲率、地面粗糙度以及地形起伏度；
19.图像视频监测所测参数包括但不限于异常警告次数；
20.导地线覆冰监测所测参数包括但不限于等值覆冰厚度；
21.导地线微风振动监测所测参数包括但不限于振动幅值与振动频率；
22.导地线舞动监测所测参数包括但不限于舞动幅值和舞动频率；
23.导线温度监测所测参数包括但不限于线温；
24.导线弧垂监测所测参数包括但不限于导线弧垂与导线对地高度；
25.绝缘子串风偏监测所测参数包括但不限于风偏角和偏斜角；
26.绝缘子现场污秽度监测所测参数包括但不限于盐密值与灰密值；
27.杆塔倾斜监测所测参数包括但不限于顺线倾斜角以及横向倾斜角；
28.进一步地，通过收集以上技术所测参数即可构建密集通道状态评估数据集：
[0029][0030]
其中u
ij
为第i个样本的第j个评估指标归一化值；s为样本数量；t代表指标个数。
[0031]
进一步地，所述步骤三，其特征在于，在对密集通道运行状态评估指标参数降维处理前，对其进行线性归一化处理
[0032][0033]
其中x
rm
为第r个项目的第m个指标的实测值；r为项目个数；m为每个项目的指标数量；x
rmo
为额定值；x
rmt
为阈值；x
rm
为归一值；取值范围是[0,1]。
[0034]
核主成分分析法是在主成分分析法基础上的一种非线性扩展，其将输入空间经过非线性映射投影到高维特征空间，再进行标准主成分分析，提取得到原始数据的有效非线性特征，具体步骤如下
[0035]
对于经归一化处理的指标样本数据xi(i＝1,2,
…
,n)，引入非线性映射φ，将其变换到高维特征空间f中，即xi∈rm→
φ(xi)∈f，则对应的协方差矩阵c为
[0036][0037]
在f中对c进行主成分分析，对应的特征值λ(λ≥0)与特征向量v满足
[0038]
λv＝cv
[0039]
上式中的解均存在于xi(i＝1,2,
…
,n)所张成的子空间中，即
[0040]
λ[v
·
φ(xi)]＝c[v
·
φ(xi)]
[0041]
同时特征向量v可由φ(xi)线性表示，即存在系数向量α＝(α1,α2,
…
,αn)
t
，使得
[0042][0043]
由于非线性映射φ无法直接获得，为此引入核函数构建核矩阵k，其元素k
ij
为
[0044]kij
＝k(xi,xj)＝φ(xi)
·
φ(xj)
[0045]
进一步地，可得到
[0046][0047]
进而可求出特征值λ以及特征向量v。
[0048]
则输入数据x在高维特征空间f中的特征向量v上的投影为
[0049][0050]
选择收敛特性与稳定性较好的径向基函数作为核函数，其表达式为
[0051]
[0052]
式中σ为核参数。
[0053]
进一步地，所述步骤三，其特征还在于，对评估指标样本数据x及其经线性变换所得到的同质数据x
′
均进行核主成分分析，并通过交叉对比降维结果之间的差值，当差值最小时即为核函数参数，具体步骤如下
[0054]
对x进行线性变换获得x
′
，其元素为
[0055][0056]
设置核参数σ的经验区间[σ
min
,σ
max
]以及步长d。
[0057]
计算σj，将其作为核参数分别对x与x
′
做核主成分分析，结果为y＝{yi},i＝1,2,
…
m和y
′
＝{y
′i},i＝1,2,
…m[0058]
其中
[0059]
计算y和y
′
之间的欧式距离gj，用来衡量在σj下结果的差异。
[0060][0061]
选择当gj最小时所对应的σj作为最优核函数参数。
[0062]
进一步地，所述步骤四，其特征在于，基于运维目的将密集通道的运行状态分为4个评估等级，依次为正常、注意、异常、严重；
[0063]
进一步地，所述步骤四，其特征害在于，综合隶属度和权重，建立基于模糊理论的一级评估模型，具体步骤如下
[0064]
为了能够准确描述和充分利用状态信息，采用半梯形和半脊形相结合的指标隶属度函数来描述相邻等级之间的模糊区间，其表达式为
[0065]
[0066][0067]
则模糊评估模型可表示为
[0068][0069]
其中mr(h)为基于模糊理论的项目评估结果，可作为第二级模型中第r个项目的原始基本概率分配；pr(h)反映了对第r个因素的评估等级的指标隶属度；w
rm
代表指标i
rm
的综合权重。
[0070]
进一步地，采用诸如加权最小二乘法、德尔菲法或层次分析法等确定各项目及指标的主观权重；采用诸如熵权法、数学规划法或标准差率法等确定各项目及指标的客观权重；
[0071]
针对单一赋权方法易产生偏颇的问题，将主观权重与客观权重有机结合起来，同时兼顾主观偏好与客观事实，可综合反应指标变化对密集通道运行状态的影响。具体步骤如下：
[0072]
对所有评估指标而言，主客观赋权下的权重差异应尽可能的小，对此建立基于最小二乘法优化组合权重模型。
[0073][0074]
其中wj≥0(j＝1,2,
…
,n)；gj，ej，wj分别为第j个指标或项目的主观权重，客观权重与综合权重。
[0075]
利用拉格朗日函数即可求解上述模型，得到各指标或项目的综合权重w＝(w1,
w2,
…
,wn)。
[0076]
进一步地，所述步骤四，其特征还在于，采用证据推理构建二级综合决策模型，具体步骤如下
[0077]
采用证据推理构建二级综合决策模型，通过综合所有项目，从而确定密集通道的整体运行状态；
[0078]
其中，样本空间称为识别框架，定义为θ；从正常到严重的4个等级代表了不同的状态,因此可被视为一种识别框架，即
[0079]
m(ψ)代表θ的子集ψ基本概率分配，用于度量证据支持的程度，取值范围是[0,1]，满足以下方程
[0080][0081]
另一方面，m(θ)为总信任值在分配给θ的所有子集后仍未分配部分的度量。
[0082]
假设存在两个证据，它们为θ的子集ψ提供了两种基本的概率分配，即m1(ψ)和m2(ψ)。进一步得到一个组合的概率分配两个证据组合规则定义如下:
[0083][0084][0085]
其中m
(2)
(ψ)通过将m1(a1)m2(a2)的所有乘积相加得到，而a1和a2源于θ的子集以使它们的交点为ψ；k
(2)
则表示m1(a1)和m2(a2)不为零但其交集为空的情况。
[0086]
进一步地，r个项目p1，p1，
…
，pr可以作为r条证据，每条证据都为θ的子集ψ提供了基本的概率分配，即m1(a1),
…
,mr(ar)。
[0087]
则多证据的组合规则如下
[0088][0089][0090]
通常，假设存在基本的概率分配，例如，和分别代表因子p
r+1
的第n和第n+1级分配，那么
[0091]
首先，为了将两项目p1和p2结合起来，构造一个交叉表，如表1所示。
[0092]
表1交叉表
[0093][0094]
进一步地，可得到
[0095][0096][0097][0098]
其中
[0099]
同样地，通过组合项目p1，p2，
…
，p
r+1
得到如下递归方程
[0100][0101][0102][0103]
其中
[0104]
考虑到各项目之间相对重要性的差异，在结合证据前引入信度系数αr(r＝1,2,
…
,r}对原始概率分配进行修正。
[0105]
假设mr(h)是项目的原始基本概率分配。则mr(h)为基本概率分配的修正量，mr(θ)为不确定性的信任分配量。修正后的方程为
[0106]
mr(h)＝αrmr(h)
[0107]
mr(θ)＝1-αr[0108]
其中αr可通过如下方法得到。假设wr＝{w1,
…
,wr}是一个均匀权重向量，wr代表pr的相对重要性，并且wr的和等于1。设所有项目中最重要的项目pk为关键项目，即wk＝max{w1,
…
,wr}，对wr进行归一化处理
[0109][0110]
那么，αr可由下式确定
[0111][0112]
其中αk称为优先系数，表示最重要项目对评估所起作用的重要程度。
[0113]
最后，用于评价密集通道运行状态等级的证据推理决策标准定义如下
[0114][0115]
其中其中根据专家的经验和标准技术将ε0和ε1设置为阈值。ε1越小，评估结果越准确可靠。则密集通道运行状态评价等级为h
no
。
[0116]
相比于现有技术，本发明具有如下有益效果：
[0117]
(1)本发明提供一种特高压密集通道运行状态评估方法，其从通道环境与线路本体两方面出发，依据属性不同将密集通道故障因素分解为若干层次，形成多层次的密集通道状态评估指标体系，该评估指标体系满足完整性、合理性与独立性的原则，即囊括了经典指标，还采用了反映现代输电网络的新颖指标(例如微地形、微气象和图像视频等监测项目的指标)，同时可随着泛在电力物联网技术的发展对其进行动态补充与完善，进而形成统一化与规范化的数据平台，能够进一步为高级应用提供数据支持，例如故障检修与运行维护等；
[0118]
(2)本发明提供一种特高压密集通道运行状态评估方法，其采用核主成分分析法对评估指标参数进行降维处理，能够提取有效非线性特征，避免因评估指标参数多源化与复杂化特点而产生的“维数灾难”问题，从而提升计算效率，降低数据收集整理工作量；同时通过交叉验证寻找最优核函数参数，消除核函数参数选取主观随意性强的问题；
[0119]
(3)本发明提供一种特高压密集通道运行状态评估方法，其结合模糊理论与证据推理建立两级评估模型，可有效解决密集通道状态评估这种模糊性和不确定性强的多属性问题，克服传统方法过拟合、可解释性差与数据需求量大等缺点，实现对密集通道运行状态实时准确地评估。
附图说明
[0120]
下面结合附图对本发明作进一步的详细说明。
[0121]
图1为本发明实施例提供的一种特高压密集通道运行状态评估方法的流程示意图；
[0122]
图2为本发明实施例提供的一种密集通道状态评估体系示意图；
[0123]
图3为本发明实施例提供的一种密集通道状态评估模型的结构示意图；
[0124]
图4为本发明实施例提供的一种隶属度函数示意图。
具体实施方式
[0125]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0126]
实施例
[0127]
如图1所示，一种特高压密集通道运行状态评估方法，包括以下步骤：
[0128]
s1.通过在线监测技术与地理信息技术，获取密集通道运行数据，并构建相应的数据集；
[0129]
其中，在线监测技术包括但不限于气象监测技术、图像视频监测技术、导地线覆冰监测技术、导地线微风振动在线监测技术，导地线温度监测技术、导地线弧垂监测技术、绝缘子串风偏监测技术、绝缘子串现场污秽度监测技术与杆塔倾斜监测技术；地理信息技术包括但不限于卫星遥感技术和三维激光扫描技术。
[0130]
通过收集以上技术所测参数即可构建密集通道状态评估数据集：
[0131][0132]
其中u
ij
为第i个样本的第j个评估指标归一化值；s为样本数量；t代表指标个数。
[0133]
s2.从通道环境与线路本体两方面出发，依据属性不同将密集通道故障因素分解为若干层次，形成多层次的密集通道状态评估指标体系；
[0134]
其中，所构建的密集通道状态评估指标体系如图2所示，共有三层，依次为目标层、项目层与指标层。
[0135]
其中，目标层为单元素，代表状态评估的最终结果；
[0136]
项目层为密集通道的监测项目，包括但不限于微气象p1、微地形p2、图像视频p3、导地线覆冰p4、导地线微风振动p5，导地线温度p6、导地线弧垂p7、绝缘子串风偏p8、绝缘子串现场污秽度与杆塔倾斜；
[0137]
指标层为影响密集通道运行状态的具体指标，由监测项目所测参数组成。
[0138]
进一步地，微气象监测所测参数包括但不限于气温i
11
、相对湿度i
12
、气压i
13
、风速i
14
、风向i
15
、降雨量i
16
和光辐射i
17
；
[0139]
微地形监测所测参数包括但不限于高程i
21
、坡度i
22
、坡向i
23
、曲率i
24
、地面粗糙度i
25
以及地形起伏度i
26
；
[0140]
图像视频监测所测参数包括但不限于异常警告次数i
31
；
[0141]
导地线覆冰监测所测参数包括但不限于等值覆冰厚度i
41
；
[0142]
导地线微风振动监测所测参数包括但不限于振动幅值i
51
与振动频率i
52
；
[0143]
导地线舞动监测所测参数包括但不限于舞动幅值i
61
和舞动频率i
62
；
[0144]
导线温度监测所测参数包括但不限于线温i
71
；
[0145]
导线弧垂监测所测参数包括但不限于导线弧垂i
81
与导线对地高度i
82
；
[0146]
绝缘子串风偏监测所测参数包括但不限于风偏角i
91
和偏斜角i
92
；
[0147]
绝缘子现场污秽度监测所测参数包括但不限于盐密值i
101
与灰密值i
102
；
[0148]
杆塔倾斜监测所测参数包括但不限于顺线倾斜角i
111
以及横向倾斜角i
112
。
[0149]
s3.采用核主成分分析法对状态评估指标参数进行降维处理，提取有效非线性特征，具体步骤如下：
[0150]
考虑到不同密集通道运行状态评估指标参数具有不同的量纲或单位，首先其进行线性归一化处理，其计算过程如下：
[0151][0152]
其中x
rm
为第r个项目的第m个指标的实测值；r为项目个数；m为每个项目的指标数量；x
rmo
为额定值；x
rmt
为阈值；x
rm
为归一值；取值范围是[0,1]。
[0153]
对于经归一化处理的指标样本数据xi(i＝1,2,
…
,n)，引入非线性映射φ，将其变换到高维特征空间f中，即xi∈rm→
φ(xi)∈f，则对应的协方差矩阵c为
[0154][0155]
在f中对c进行主成分分析，对应的特征值λ(λ≥0)与特征向量v满足
[0156]
λv＝cv
[0157]
上式中的解均存在于xi(i＝1,2,
…
,n)所张成的子空间中，即
[0158]
λ[v
·
φ(xi)]＝c[v
·
φ(xi)]
[0159]
同时特征向量v可由φ(xi)线性表示，即存在系数向量α＝(α1,α2,
…
,αn)
t
，使得
[0160][0161]
由于非线性映射φ无法直接获得，为此引入核函数构建核矩阵k，其元素k
ij
为
[0162]kij
＝k(xi,xj)＝φ(xi)
·
φ(xj)
[0163]
进一步地，可得到
[0164][0165]
进而可求出特征值λ以及特征向量v。
[0166]
则输入数据x在高维特征空间f中的特征向量v上的投影为
[0167][0168]
前m个主成分的累计贡献率μ为
[0169][0170]
对特征值进行降序排列，取累积贡献率大于85％的特征值对应的特征向量投影作为主成分，其蕴含了原始数据的绝大部分非线性特征信息。
[0171]
选择收敛特性与稳定性较好的径向基函数作为核函数，其表达式为
[0172][0173]
式中σ为核参数。
[0174]
进一步地，对评估指标样本数据x＝{xi},i＝1,2,
…
,n及其经线性变换所得到的同质数据x
′
＝{x
′i}(i＝1,2,
…
,n)均进行核主成分分析，并通过交叉对比降维结果之间的差值，当差值最小时即为核函数参数。具体步骤如下：
[0175]
对x进行线性变换获得x
′
，其元素为
[0176][0177]
设置核参数σ的经验区间[σ
min
,σ
max
]以及步长d。
[0178]
计算σj，将其作为核参数分别对x与x
′
做核主成分分析，结果为y＝{yi},i＝1,2,
…
m和y
′
＝{y
′i},i＝1,2,
…m[0179]
其中
[0180]
计算y和y
′
之间的欧式距离gj，用来衡量在σj下结果的差异。
[0181][0182]
选择当gj最小时所对应的σj作为最优核函数参数。
[0183]
s4.结合模糊理论与证据推理建立两级评估模型，计算密集通道运行状态综合评估值，根据计算结果确定密集通道运行状态等级。
[0184]
其中，基于运维目的将密集通道的运行状态分为4个评估等级，依次为正常、注意、异常、严重，则对应的评估等级集合为
[0185]
h＝{h1,h2,h3,h4}
[0186]
密集通道状态评估模型的结构示意图如图3所示，第一级模型通过综合各项目的指标来评价各项目，第二级通过综合各项目来确定密集通道的整体运行状态。
[0187]
进一步地，综合隶属度和权重，建立基于模糊理论的一级评估模型，具体步骤如下：
[0188]
为了能够准确描述和充分利用状态信息，采用半梯形和半脊形相结合的指标隶属度函数来描述相邻等级之间的模糊区间，隶属度函数示意图如图4所示，其表达式为
[0189]
[0190][0191]
则模糊评估模型可表示为
[0192][0193]
其中mr(h)为基于模糊理论的项目评估结果，可作为第二级模型中第r个项目的原始基本概率分配；pr(h)反映了对第r个因素的评估等级的指标隶属度；w
rm
代表指标i
rm
的综合权重。
[0194]
进一步地，采用诸如加权最小二乘法、德尔菲法或层次分析法等确定各项目及指标的主观权重；采用诸如熵权法、数学规划法或标准差率法等确定各项目及指标的客观权重；
[0195]
针对单一赋权方法易产生偏颇的问题，将主观权重与客观权重有机结合起来，同时兼顾主观偏好与客观事实，可综合反应指标变化对密集通道运行状态的影响。具体步骤如下：
[0196]
对所有评估指标而言，主客观赋权下的权重差异应尽可能的小，对此建立基于最小二乘法优化组合权重模型。
[0197][0198]
其中wj≥0(j＝1,2,
…
,n)；gj，ej，wj分别为第j个指标或项目的主观权重，客观权重与综合权重。
[0199]
利用拉格朗日函数即可求解上述模型，得到各指标或项目的综合权重w＝(w1,w2,
…
,wn)。
[0200]
进一步地，采用证据推理构建二级综合决策模型，通过综合所有项目，从而确定密集通道的整体运行状态；
[0201]
其中，样本空间称为识别框架，定义为θ；从正常到严重的4个等级代表了不同的状态,因此可被视为一种识别框架，即
[0202]
m(ψ)代表θ的子集ψ基本概率分配，用于度量证据支持的程度，取值范围是[0,1]，满足以下方程
[0203][0204]
另一方面，m(θ)为总信任值在分配给θ的所有子集后仍未分配部分的度量。
[0205]
假设存在两个证据，它们为θ的子集ψ提供了两种基本的概率分配，即m1(ψ)和m2(ψ)。进一步得到一个组合的概率分配两个证据组合规则定义如下:
[0206][0207][0208]
其中，m
(2)
(ψ)通过将m1(a1)m2(a2)的所有乘积相加得到，而a1和a2源于θ的子集以使它们的交点为ψ；k
(2)
则表示m1(a1)和m2(a2)不为零但其交集为空的情况。
[0209]
进一步地，r个项目p1，p1，
…
，pr可以作为r条证据，每条证据都为θ的子集ψ提供了基本的概率分配，即m1(a1),
…
,mr(ar)。则多证据的组合规则如下
[0210][0211][0212]
通常，假设存在基本的概率分配，例如，和分别代表因子p
r+1
的第n和第n+1级分配，那么
[0213]
首先，为了将两项目p1和p2结合起来，构造一个交叉表，如表1所示。
[0214]
表1交叉表
[0215][0216]
进一步地，可得到
[0217][0218][0219][0220]
其中，
[0221]
同样地，通过组合项目p1，p2，
…
，p
r+1
得到如下递归方程
[0222][0223][0224][0225]
其中
[0226]
考虑到各项目之间相对重要性的差异，在结合证据前引入信度系数αr(r＝1,2,
…
,r}对原始概率分配进行修正。
[0227]
假设mr(h)是项目的原始基本概率分配。则mr(h)为基本概率分配的修正量，mr(θ)为不确定性的信任分配量。修正后的方程为
[0228]
mr(h)＝αrmr(h)
[0229]
mr(θ)＝1-αr[0230]
其中，αr可通过如下方法得到。假设wr＝{w1,
…
,wr}是一个均匀权重向量，wr代表pr的相对重要性，并且wr的和等于1。设所有项目中最重要的项目pk为关键项目，即wk＝max{w1,
…
,wr}，对wr进行归一化处理
[0231][0232]
那么，αr可由下式确定
[0233][0234]
其中，αk称为优先系数，表示最重要项目对评估所起作用的重要程度。
[0235]
最后，用于评价密集通道运行状态等级的证据推理决策标准定义如下
[0236][0237]
其中，其中，根据专家的经验和标准技术将ε0和ε1设置为阈值。ε1越小，评估结果越准确可靠。则密集通道运行状态评价等级为h
no
。
[0238]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种特高压密集通道运行状态评估方法，其特征在于，包括如下步骤：步骤一：通过在线监测技术与地理信息技术，获取密集通道运行数据，并构建相应的数据集；步骤二：从通道环境与线路本体两方面出发，依据属性不同将密集通道故障因素分解为若干层次，形成多层次的密集通道状态评估指标体系；步骤三：采用核主成分分析法对状态评估指标参数进行降维处理，提取有效非线性特征；步骤四：结合模糊理论与证据推理建立两级评估模型，计算密集通道运行状态综合评估值，根据计算结果确定密集通道运行状态等级。2.根据权利要求1所述的特高压密集通道运行状态评估方法，其特征在于，所述步骤一，在线监测技术包括气象监测技术、图像视频监测技术、导地线覆冰监测技术、导地线微风振动在线监测技术，导地线温度监测技术、导地线弧垂监测技术、绝缘子串风偏监测技术、绝缘子串现场污秽度监测技术、杆塔倾斜监测技术中的至少一种。3.根据权利要求2所述的特高压密集通道运行状态评估方法，其特征在于，所述步骤一，地理信息技术包括卫星遥感技术和三维激光扫描技术。4.根据权利要求3所述的特高压密集通道运行状态评估方法，其特征在于，所述步骤二，评估指标体系分为三层，包括目标层、项目层与指标层；目标层为单元素，代表状态评估的最终结果；项目层为密集通道的监测项目，包括微气象、微地形、图像视频、导地线覆冰、导地线微风振动，导地线舞动、导地线温度、导地线弧垂、绝缘子串风偏、绝缘子串现场污秽度与杆塔倾斜；指标层为影响密集通道运行状态的具体指标，由监测项目所测参数组成。5.根据权利要求4所述的特高压密集通道运行状态评估方法，其特征在于，通过收集的所述目标层、项目层与指标层技术所测参数，构建密集通道状态评估数据集：其中u
ij
为第i个样本的第j个评估指标归一化值；s为样本数量；t代表指标个数。6.根据权利要求5所述的特高压密集通道运行状态评估方法，其特征在于，所述步骤三，在对密集通道运行状态评估指标参数降维处理前，对其进行线性归一化处理其中，x
rm
为第r个项目的第m个指标的实测值；r为项目个数；m为每个项目的指标数量；x
rmo
为额定值；x
rmt
为阈值；x
rm
为归一值，取值范围是[0,1]。7.根据权利要求6所述的特高压密集通道运行状态评估方法，其特征在于，所述步骤三，对评估指标样本数据x及其经线性变换所得到的同质数据x
′
均进行核主成分分析，并通
过交叉对比降维结果之间的差值，当差值最小时即为核函数参数，具体步骤如下：对x进行线性变换获得x
′
，其元素为设置核参数σ的经验区间[σ
min
,σ
max
]以及步长d；计算σ
j
，将其作为核参数分别对x与x
′
做核主成分分析，结果为y＝{y
i
},i＝1,2,
…
m和y
′
＝{y
′
i
},i＝1,2,
…
m其中计算y和y
′
之间的欧式距离g
j
，用来衡量在σ
j
下结果的差异。选择当g
j
最小时所对应的σ
j
作为最优核函数参数。8.根据权利要求7所述的特高压密集通道运行状态评估方法，其特征在于，所述步骤四，基于运维目的将密集通道的运行状态分为4个评估等级，依次为正常、注意、异常、严重。9.根据权利要求8所述的特高压密集通道运行状态评估方法，其特征在于，所述步骤四，综合隶属度和权重，建立基于模糊理论的一级评估模型，具体步骤如下：为了能够准确描述和充分利用状态信息，采用半梯形和半脊形相结合的指标隶属度函数来描述相邻等级之间的模糊区间，其表达式为
(ψ)，得到一个组合的概率分配两个证据组合规则定义如下:两个证据组合规则定义如下:其中，m
(2)
(ψ)通过将m1(a1)m2(a2)的所有乘积相加得到，而a1和a2源于θ的子集以使它们的交点为ψ；k
(2)
则表示m1(a1)和m2(a2)不为零但其交集为空的情况。

技术总结
本发明公开了一种特高压密集通道运行状态评估方法，属于电力系统安全技术领域，包括如下步骤：步骤一：通过在线监测技术与地理信息技术，获取密集通道运行数据，并构建相应的数据集；步骤二：从通道环境与线路本体两方面出发，依据属性不同将密集通道故障因素分解为若干层次，形成多层次的密集通道状态评估指标体系；步骤三：采用核主成分分析法对状态评估指标参数进行降维处理，提取有效非线性特征；步骤四：结合模糊理论与证据推理建立两级评估模型，计算密集通道运行状态综合评估值，根据计算结果确定密集通道运行状态等级。本发明克服传统方法过拟合、可解释性差与数据需求量大等缺点，实现对密集通道运行状态实时准确地评估。估。估。


技术研发人员：寇晓适 姚德贵 宋伟 李哲 卢明 刘善峰 王超 王津宇 李黎 原玮 罗康
受保护的技术使用者：国网河南省电力公司 华中科技大学
技术研发日：2023.06.26
技术公布日：2023/9/9