基于迭代学习的输电线路风险态势感知系统设计

王文卓，王关霖，张益明

(国网甘肃公司，甘肃 兰州 730030)

0 引 言

输电线路一旦发生故障，轻则造成一定的经济损失，重则威胁人们生命安全。为此，感知输电线路态势尤为必要[1-2]。

黎炎等[3]设计的雷达监测信号预警系统和贾伯岩等[4]设计的输电线路双目监测系统应用较为广泛。两种系统均可实现输电线路风险感知，但雷达监测信号预警系统受干扰信号影响无法判断异常输电线路类型，感知效果不理想。同时，输电线路双目监测系统通过三维重建方式获取输电线路信息，结合兴趣区域块实现输电线路感知，但是测距存在误差，使输电线路非边缘位置无法匹配，因此感知准确度不够高。

迭代学习作为学习控制的分支，是新型学习控制方法，通过重复利用先验信息计算，可形成预期输出的输入[5]。本文结合迭代学习算法，设计基于迭代学习的输电线路风险态势感知系统，为提升电力系统运行安全提供有力保障。

1 基于迭代学习的输电线路风险态势感知系统设计

1.1 系统结构

输电线路风险态势感知系统通过云平台架构实现风险态势感知，系统结构如图1所示。

图1 输电线路风险态势感知系统结构示意图

图1中，利用云平台架构的管理主机、虚拟主机等获取实时输电线路运行日志信息和设备信息等。经过数据处理模块对数据进行分类、格式化和分配等传输到风险态势感知模块，再经过态势理解与感知后通过客户端呈现给用户，实现输电线路风险态势感知。

1.2 云平台架构

系统的云平台架构主要由监控云、云安全、数据采集层和云服务层组成。云平台架构如图2所示。

图2 云平台架构示意图

图2中，云平台将所采集到的输电线路运行信息实施虚拟化处理后，利用逻辑方式组建信息池层，通过管理主机与虚拟主机建立虚拟服务器和云存储系统，从而实现用户需求[6]。

1.3 输电线路风险信息分配方法

1.3.1 输电线路风险信息负载均衡调度映射方案

数据处理模块需依据服务器负载情况和输电线路风险历史数据，制定输电线路风险信息负载均衡调度映射方案。

假设R表示网络负载利用负载因子对服务器负载权重进行标注。则网络负载表达公式如下：

R=(Wc,Wm,Wd,Wb)

(1)

式中：W为虚拟主机与管理主机的处理器负载，括号内数值表示剩余因素。

假设监控时间节点由T表示，将监控时间节点分割成n个时间段，利用输电线路风险历史数据的负载建立数学模型，则某个时间段内的平均负载表达公式如下：

(2)

式中:RV为虚拟机;α、β为标记节点k的某个时间段;RV(α,β,k)为该虚拟机在时间段k内的负载；U(tk)为虚拟机在时间段tk内的使用率。

令P表示网络服务器，则该服务器在时间跨度T内的负载表达公式如下：

(3)

令V表示虚拟机分配，则调度后的负载表达公式如下：

(4)

式中:RV(V)为虚拟机负载。输电线路风险信息经过分配该虚拟机分配后传输至管理主机。

在后续输电线路风险信息处理过程中，管理主机或出现变化程度较大，因此，需估算其负载标准值。令Sβ表示映射方案，则管理主机在时间段为T时的标准值表达公式如下：

(5)

通过计算管理主机的标准值，依据输电线路风险信息历史负载合理制定其映射方案，为输电线路风险信息分配提供有效依据。

1.3.2 基于萤火虫算法的输电线路风险信息分配方法

(6)

式中:Mw、ti、dk分别为感知任务和输电线路风险信息的映射关系、感知任务和分配时间段。

令O(dk)为任务开始时间，则输电线路风险信息的映射在其分配时间段内的最短时间表达式如下：

F(ti,Mw，dk)=O(dk)+T(ti,Mw,dk)

(7)

依据式(7)计算结果，构建代价最小分配目标函数如下：

(8)

式中:Ou(dk)为分配任务最小迁移代价。

获取到分配任务最小迁移代价后，利用萤火虫算法获取其分配最优解。

(9)

令θ、ϑ分别为两个萤火虫，则一方分配另一方的概率表达公式如下：

(10)

式中:Nθ(t)为萤火虫伙伴合集。

依据式(10)计算结果，更新萤火虫位置，其表达公式如下：

(11)

(12)

通过上述计算步骤，利用全局搜索方式，可在用时最少的情况下完成输电线路风险信息分配。

1.4 基于迭代学习的输电线路风险态势感知方法

利用迭代学习算法构建输电线路风险态势感知跟踪器，依据分配后的输电线路风险信息构建风险态势感知线性不变系统，其表达式如下：

(13)

式中:A、B、C、D分别为维数合理的系统矩阵；Bf和Df分别为输电线路风险态势分布矩阵；f(t)为风险态势信息；t为风险时间；x(t)、y(t)为系统的横纵坐标。

当式(13)符合系统矩阵可观测且始终保持稳定状态，状态映射信息和输出映射信息为一对一关系时，则风险态势感知跟踪器表达式如下。

(14)

为提升输电线路风险态势感知跟踪器的迭代速率，在跟踪器内引入残差阈值ε，残差阈值限制条件如下：

(15)

当残差阈值ε符合式(15)条件时，输电线路风险态势感知跟踪器在感知输电线路风险态势时符合以下情况：

(16)

此时，截止下一个时域之前，完成当前时域内虚拟风险迭代过程，即可在不间断情况下感知输电线路风险态势。

2 实例分析

为验证本文系统实际使用效果，以甘肃市某输电线路运行信息作为研究对象，利用百分制标注输电线路风险态势感知结果。

图3中，在预警出现后，系统自动调用预警范围的智能终端数据，并将终端实时数据(如不停电作业信息)、异常检测数据(如报修故障处置信息)等及时、分级推送给管理负责人及一线巡检人员，以供快速了解掌握现场情况。

图3 输电线路运行信息采集过程

低于50分表明此时输电线路存在高危风险，50～70分表明输电线路状态为风险级别较高，70～80分表明输电线路状态风险级别一般，80～90分表示输电线路状态较安全，大于90分表示此时输电线路处于安全状态。为更加清晰明了地展示本文系统使用性能，同时使用文献[3]方法和文献[4]方法展开实例分析，其中，文献[3]方法表示雷达监测信号的输电线路安全预警系统，文献[4]方法表示输电线路双目监测系统。

2.1 信息分配能力测试

输电线路运行信息的合理分配是实现输电线路风险态势感知的基础，以最小迁移代价数值作为衡量其输电线路运行信息分配能力指标，以10 000条该市输电线路运行信息作为实例分析对象，测试三种系统输电线路运行信息分配能力，结果如表1所示。

表1 三种系统的输电线路信息分配最小迁移代价数值

分析表1可知，随着输电线路运行信息的增加，三种系统的输电线路信息分配最小迁移代价数值也呈现增加趋势，本文方法的输电线路信息分配最小迁移代价数值最小，比其他两种方法降低0.06和0.10，由此可知本文系统分配的输电线路运行信息最为合理。

2.2 风险感知能力测试

以该市2013年—2018年所有输电线路运行信息作为实例分析对象，测试三种系统风险感知能力，结果如图4所示。

图4 三种系统风险感知能力

分析图4可知，随着年份的增加，该市的输电线路风险态势数值逐渐降低。综合分析可知，本文方法输电线路风险态势感知能力最接近实际值，感知能力最强。

为更加全面地测试系统风险感知能力，以该市某一天24 h的输电线路运行信息作为实例分析对象，使用百分制对三种系统输电线路风险感知结果展开标注，结果如表2所示。

表2 三种系统的输电线路风险感知结果标注情况

分析表2可知，该市一天内，本文系统感知的输电线路运行情况评分与实际评分完全相同，本文系统输电线路风险感知能力较强。

3 结束语

本文结合迭代学习算法，设计基于迭代学习的输电线路风险态势感知系统。该系统基于云平台架构实现，利用云平台提供的云端服务架构系统客户端基础设备，通过用户向云发送服务请求，结合迭代学习算法完成输电线路风险态势感知。