基于多傳感信息融合的高壓輸電線路運行狀態感知

【關鍵詞】多傳感信息；信息融合；高壓輸電線路；線路運行；狀態感知

引言

近年來，隨著智能化技術的迅猛發展，眾多學者和工程師致力于研究基于多傳感信息融合的高壓輸電線路運行狀態感知技術，以期實現對線路狀態的精準把握和及時預警。在文獻[1]研究中，提出一種基于智能算法的電力輸電線路分布式感知關鍵技術，通過引入智能算法，對電力輸電線路數據進行處理，并通過算法分析，實現對線路運行狀態的判斷。[1]然而，在輸電線路運行狀態不斷改變時，會導致該技術對線路運行狀態感知不準確。文獻[2]針對電力輸配網絡中的輸電線路，研究了智能感知與自適應控制技術的結合應用，通過引入自適應控制技術，根據電力輸電線路的實際運行狀態調整傳感器的采集策略和處理方式，以提高狀態感知的效率和準確性。[2]然而，這在一定程度上限制了智能感知技術在高壓輸電線路中的廣泛應用。針對文獻[1]方法以及文獻[2]方法在高壓輸電線路中不能隨著線路運行狀態變化而進行調整狀態感知，本文旨在進一步探討基于多傳感信息融合的高壓輸電線路運行狀態感知技術，通過實驗研究驗證其可行性，并為其在實際工程中的應用提供理論支持和技術指導。

一、采集高壓輸電線路運行狀態數據

為了更好地感知高壓輸電線路運行狀態，本文首先使用傳感器對高壓輸電線路運行狀態數據進行采集，傳感器節點獲取采集指令后，節點根據指令內容激活相應的傳感器進行工作，傳感器開始迅速采集所需數據。

在安裝傳感器之前，對傳感器進行初始化，初始化完成后，系統隨即進入指令獲取狀態，檢查傳感器是否能夠接收到采集指令的信號。如果傳感器成功接收到指令，將立即進入數據采集和存儲的流程，為后續的狀態感知提供原始數據。然而，如果傳感器未能接收到指令，系統會根據預設的時間進行判斷。如果達到預設時間，系統直接觸發數據發送程序，確保數據的及時傳輸。若未達到預設時間，系統返回至初始化階段，重新進行指令獲取的嘗試，直至成功為止。

接下來進行傳感器的部署，在高壓輸電線路的關鍵位置部署多種類型的傳感器[3]。設定采樣頻率、數據傳輸方式等參數后，傳感器開始按照設定的參數進行實時數據采集。采集過程可以用公式（1）進行表示：

公式（1）中，D表示采集到的高壓輸電線路運行狀態數據量，fs表示采樣頻率，T表示采集時間，W表示數據位寬。

傳輸數據所用的時間可以用公式（2）進行表示：

公式（2）中，R表示數據傳輸速率。

在數據采集站，對接收到的原始數據進行預處理。公式如下：

公式（3）中，y（t）表示經過預處理后的數據，fd表示去噪函數，去除原始數據x（t）中的噪聲成分。fn表示標準化函數，將數據標準化到特定范圍。ω（D）表示數據量D的權重函數。

將處理后的高壓輸電線路運行狀態數據存儲到數據中心，進行質量檢查。對于不符合要求的數據，按照上述步驟重新進行采集與預處理操作。

二、利用多傳感信息融合確定線路運行狀態范圍

對預處理后的高壓輸電線路運行狀態數據進行多傳感信息融合處理，本文主要通過特征層數據融合的方式，側重從多源傳感器采集的數據中提取關鍵特征，通過設定閾值、專家意見等手段，對特征信息進行綜合分析與處理。特征層融合示意圖如圖1所示。

通過特征層數據融合，根據數據的時空特性、互補性以及冗余性，最大限度地提取出對確定線路運行狀態有用的信息。由于高壓輸電線路運行狀態內在的復雜性充滿不確定性，導致了融合信息熵的增加[4]。熵作為一種衡量信息不確定性的度量方式，在高壓輸電線路異常運行狀態的多傳感信息融合過程中，信息熵可以有效地反映出數據的分布密度。因此，本文提出一種基于熵值縮減訓練樣本的處理方法，計算兩個樣本之間的距離，進而得出其熵值，并與信息熵進行比較，從而精確地確定訓練點的選擇[5]。計算高壓輸電線路正常、異常運行狀態時每個樣本之間的歐氏距離為：

公式（4）中，x1、x2表示兩個樣本的位置。通過計算歐式距離，獲取樣本之間的相似性和差異性，當兩個樣本間的計算結果顯示出較高的相似性時，表示距離相對較近，可能共享著相似的特征和屬性。相反，計算結果顯示相似度較低，兩個樣本之間的距離就較遠，之間的差異和差異程度也相對較大。為了進一步量化和評估樣本之間的相似度，引入信息熵作為度量工具，公式如下：

公式（5）中， 表示樣本 所在位置的相似概率，表示對數增益函數。根據公式（5）的計算結果，設置高壓輸電線路運行狀態閾值 ，當樣本的信息熵值落在這一范圍內時，將該樣本歸類處于高壓輸電線路運行的正常運行狀態[6]。相反，如果樣本的信息熵值超出了這一范圍，將其視為高壓輸電線路運行的異常運行狀態。

三、構建最大似然函數感知高壓輸電線路運行狀態

由于多傳感信息融合后的高壓輸電線路運行狀態數據中存在不可信數據，為了使感知結果更準確，本文對不可信數據進行剔除處理。假設有來自不同傳感器的高壓輸電線路運行數據，用集合 表示，n表示數據源的數量。多源數據融合的過程可以通過加權平均融合算法來表示：

公式（6）中，Vf表示融合后的高壓輸電線路運行狀態數據，ωi表示每個數據源vi的權重。為了剔除不可信數據，設定一個閾值T，并比較融合后的數據Vf與每個數據源vi之間的差異。差異可以用絕對誤差進行表示，計算公式如下：

公式（9）中，k表示當前時刻，r（·）表示最大似然函數，Dk表示k時刻的數據量，g表示參數向量。

求解參數向量g以感知高壓輸電線路運行狀態。為參數向量g賦予初始值g0，g0滿足最大似然函數的要求。獲取k時刻的運行狀態指標數據，采用ER推理算法計算最大似然函數對應的對數似然方程。借助MATLAB優化工具箱的優化算法和工具，找到對數似然方程的最優解[7]。此時，計算參數向量g的評估效用值，這個值為高壓輸電線路運行狀態的感知值。

四、實驗

（一）實驗準備

為了驗證本文狀態感知方法的可行性，以Python 3.7作為編程語言，在PyCharm 2023.1.2環境下對其進行實驗驗證。在軟件方面，使用MATLAB作為主要的仿真工具，利用其數值計算能力和工具箱來模擬高壓輸電線路的運行狀態。在硬件方面，硬件配置包括Intel Xeon W-3365處理器、128GB DDR5 ECC內存、NVIDIA Quadro RTX 8000顯卡以及16TB NVMe SSD硬盤，以提升仿真實驗的運行速度和數據處理能力。

啟動數據采集裝置，實時采集輸電線路的運行數據。將采集到的數據導入計算機，利用相關軟件進行處理和分析。通過多傳感信息融合技術，對輸電線路的運行狀態進行感知和判斷。在進行實驗前，務必進行安全檢查和風險評估，確保實驗過程不會對人員和設備造成損害。

（二）實驗結果及分析

為了驗證本文方法的優越性，進行100次實驗驗證，將實際高壓輸電線路運行過程中出現的異常數據作為對照組，這些數據的數值在50-60個范圍內呈現波動。將本文方法與文獻[1]和文獻[2]中的方法進行對比，實驗主要關注異常數據的感知結果，以此評估不同方法在異常數據感知方面的性能。通過對比分析，獲得了不同方法在異常數據感知方面的結果對比，并整理成圖2進行展示。

從圖2中可以看出，本文方法相較于文獻[1]方法以及文獻[2]方法而言，在輸電線路異常狀態數據感知方面表現更加出色。從總體來說，實際高壓輸電線路運行過程中出現的異常數據都在50-60個范圍內，使用本文方法感知到的輸電線路異常數據也都在50-60個范圍內，并且感知結果更為準確，波動較小。相比之下，文獻[1]方法雖然在處理輸電線路數據方面有所建樹，但在面對異常數據不斷變化時，感知結果不夠準確，存在誤判或漏判的情況。文獻[2]方法通過引入自適應控制技術，在一定程度上提高了狀態感知的效率和準確性，但由于傳感器布局優化問題尚未得到充分解決，其在異常數據的感知方面仍存在一定的局限性。綜上所述，本文方法的輸電線路異常狀態感知結果基本與實際結果一致，能夠應對多個異常數據的高壓輸電線路運行狀態感知需求，本文方法能夠保持穩定的感知性能，為電力系統的安全穩定運行提供可靠保障。

結束語

基于多傳感信息融合的高壓輸電線路運行狀態感知技術，通過集成多種傳感器和先進的數據處理算法，并通過實驗驗證了本文方法的優越性。在多傳感信息融合的過程中，我們充分利用了各種傳感器的互補性，提高了對高壓輸電線路運行狀態的感知精度和可靠性。未來，我們將繼續深入研究，不斷優化算法和模型，提高感知系統的性能和穩定性。