【關(guān)鍵詞】多傳感信息；信息融合；高壓輸電線路；線路運(yùn)行；狀態(tài)感知

引言

近年來，隨著智能化技術(shù)的迅猛發(fā)展，眾多學(xué)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(yùn)行狀態(tài)感知技術(shù)，以期實(shí)現(xiàn)對(duì)線路狀態(tài)的精準(zhǔn)把握和及時(shí)預(yù)警。在文獻(xiàn)[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(guān)鍵技術(shù)，通過引入智能算法，對(duì)電力輸電線路數(shù)據(jù)進(jìn)行處理，并通過算法分析，實(shí)現(xiàn)對(duì)線路運(yùn)行狀態(tài)的判斷。[1]然而，在輸電線路運(yùn)行狀態(tài)不斷改變時(shí)，會(huì)導(dǎo)致該技術(shù)對(duì)線路運(yùn)行狀態(tài)感知不準(zhǔn)確。文獻(xiàn)[2]針對(duì)電力輸配網(wǎng)絡(luò)中的輸電線路，研究了智能感知與自適應(yīng)控制技術(shù)的結(jié)合應(yīng)用，通過引入自適應(yīng)控制技術(shù)，根據(jù)電力輸電線路的實(shí)際運(yùn)行狀態(tài)調(diào)整傳感器的采集策略和處理方式，以提高狀態(tài)感知的效率和準(zhǔn)確性。[2]然而，這在一定程度上限制了智能感知技術(shù)在高壓輸電線路中的廣泛應(yīng)用。針對(duì)文獻(xiàn)[1]方法以及文獻(xiàn)[2]方法在高壓輸電線路中不能隨著線路運(yùn)行狀態(tài)變化而進(jìn)行調(diào)整狀態(tài)感知，本文旨在進(jìn)一步探討基于多傳感信息融合的高壓輸電線路運(yùn)行狀態(tài)感知技術(shù)，通過實(shí)驗(yàn)研究驗(yàn)證其可行性，并為其在實(shí)際工程中的應(yīng)用提供理論支持和技術(shù)指導(dǎo)。

一、采集高壓輸電線路運(yùn)行狀態(tài)數(shù)據(jù)

為了更好地感知高壓輸電線路運(yùn)行狀態(tài)，本文首先使用傳感器對(duì)高壓輸電線路運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行采集，傳感器節(jié)點(diǎn)獲取采集指令后，節(jié)點(diǎn)根據(jù)指令內(nèi)容激活相應(yīng)的傳感器進(jìn)行工作，傳感器開始迅速采集所需數(shù)據(jù)。

在安裝傳感器之前，對(duì)傳感器進(jìn)行初始化，初始化完成后，系統(tǒng)隨即進(jìn)入指令獲取狀態(tài)，檢查傳感器是否能夠接收到采集指令的信號(hào)。如果傳感器成功接收到指令，將立即進(jìn)入數(shù)據(jù)采集和存儲(chǔ)的流程，為后續(xù)的狀態(tài)感知提供原始數(shù)據(jù)。然而，如果傳感器未能接收到指令，系統(tǒng)會(huì)根據(jù)預(yù)設(shè)的時(shí)間進(jìn)行判斷。如果達(dá)到預(yù)設(shè)時(shí)間，系統(tǒng)直接觸發(fā)數(shù)據(jù)發(fā)送程序，確保數(shù)據(jù)的及時(shí)傳輸。若未達(dá)到預(yù)設(shè)時(shí)間，系統(tǒng)返回至初始化階段，重新進(jìn)行指令獲取的嘗試，直至成功為止。

接下來進(jìn)行傳感器的部署，在高壓輸電線路的關(guān)鍵位置部署多種類型的傳感器[3]。設(shè)定采樣頻率、數(shù)據(jù)傳輸方式等參數(shù)后，傳感器開始按照設(shè)定的參數(shù)進(jìn)行實(shí)時(shí)數(shù)據(jù)采集。采集過程可以用公式（1）進(jìn)行表示：

公式（1）中，D表示采集到的高壓輸電線路運(yùn)行狀態(tài)數(shù)據(jù)量，fs表示采樣頻率，T表示采集時(shí)間，W表示數(shù)據(jù)位寬。

傳輸數(shù)據(jù)所用的時(shí)間可以用公式（2）進(jìn)行表示：

公式（2）中，R表示數(shù)據(jù)傳輸速率。

在數(shù)據(jù)采集站，對(duì)接收到的原始數(shù)據(jù)進(jìn)行預(yù)處理。公式如下：

公式（3）中，y（t）表示經(jīng)過預(yù)處理后的數(shù)據(jù)，fd表示去噪函數(shù)，去除原始數(shù)據(jù)x（t）中的噪聲成分。fn表示標(biāo)準(zhǔn)化函數(shù)，將數(shù)據(jù)標(biāo)準(zhǔn)化到特定范圍。ω（D）表示數(shù)據(jù)量D的權(quán)重函數(shù)。

將處理后的高壓輸電線路運(yùn)行狀態(tài)數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)中心，進(jìn)行質(zhì)量檢查。對(duì)于不符合要求的數(shù)據(jù)，按照上述步驟重新進(jìn)行采集與預(yù)處理操作。

二、利用多傳感信息融合確定線路運(yùn)行狀態(tài)范圍

對(duì)預(yù)處理后的高壓輸電線路運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行多傳感信息融合處理，本文主要通過特征層數(shù)據(jù)融合的方式，側(cè)重從多源傳感器采集的數(shù)據(jù)中提取關(guān)鍵特征，通過設(shè)定閾值、專家意見等手段，對(duì)特征信息進(jìn)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(shù)據(jù)融合，根據(jù)數(shù)據(jù)的時(shí)空特性、互補(bǔ)性以及冗余性，最大限度地提取出對(duì)確定線路運(yùn)行狀態(tài)有用的信息。由于高壓輸電線路運(yùn)行狀態(tài)內(nèi)在的復(fù)雜性充滿不確定性，導(dǎo)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(yùn)行狀態(tài)的多傳感信息融合過程中，信息熵可以有效地反映出數(shù)據(jù)的分布密度。因此，本文提出一種基于熵值縮減訓(xùn)練樣本的處理方法，計(jì)算兩個(gè)樣本之間的距離，進(jìn)而得出其熵值，并與信息熵進(jìn)行比較，從而精確地確定訓(xùn)練點(diǎn)的選擇[5]。計(jì)算高壓輸電線路正常、異常運(yùn)行狀態(tài)時(shí)每個(gè)樣本之間的歐氏距離為：

公式（4）中，x1、x2表示兩個(gè)樣本的位置。通過計(jì)算歐式距離，獲取樣本之間的相似性和差異性，當(dāng)兩個(gè)樣本間的計(jì)算結(jié)果顯示出較高的相似性時(shí)，表示距離相對(duì)較近，可能共享著相似的特征和屬性。相反，計(jì)算結(jié)果顯示相似度較低，兩個(gè)樣本之間的距離就較遠(yuǎn)，之間的差異和差異程度也相對(duì)較大。為了進(jìn)一步量化和評(píng)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(duì)數(shù)增益函數(shù)。根據(jù)公式（5）的計(jì)算結(jié)果，設(shè)置高壓輸電線路運(yùn)行狀態(tài)閾值 ，當(dāng)樣本的信息熵值落在這一范圍內(nèi)時(shí)，將該樣本歸類處于高壓輸電線路運(yùn)行的正常運(yùn)行狀態(tài)[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(yùn)行的異常運(yùn)行狀態(tài)。

三、構(gòu)建最大似然函數(shù)感知高壓輸電線路運(yùn)行狀態(tài)

由于多傳感信息融合后的高壓輸電線路運(yùn)行狀態(tài)數(shù)據(jù)中存在不可信數(shù)據(jù)，為了使感知結(jié)果更準(zhǔn)確，本文對(duì)不可信數(shù)據(jù)進(jìn)行剔除處理。假設(shè)有來自不同傳感器的高壓輸電線路運(yùn)行數(shù)據(jù)，用集合 表示，n表示數(shù)據(jù)源的數(shù)量。多源數(shù)據(jù)融合的過程可以通過加權(quán)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(yùn)行狀態(tài)數(shù)據(jù)，ωi表示每個(gè)數(shù)據(jù)源vi的權(quán)重。為了剔除不可信數(shù)據(jù)，設(shè)定一個(gè)閾值T，并比較融合后的數(shù)據(jù)Vf與每個(gè)數(shù)據(jù)源vi之間的差異。差異可以用絕對(duì)誤差進(jìn)行表示，計(jì)算公式如下：

公式（9）中，k表示當(dāng)前時(shí)刻，r（·）表示最大似然函數(shù)，Dk表示k時(shí)刻的數(shù)據(jù)量，g表示參數(shù)向量。

求解參數(shù)向量g以感知高壓輸電線路運(yùn)行狀態(tài)。為參數(shù)向量g賦予初始值g0，g0滿足最大似然函數(shù)的要求。獲取k時(shí)刻的運(yùn)行狀態(tài)指標(biāo)數(shù)據(jù)，采用ER推理算法計(jì)算最大似然函數(shù)對(duì)應(yīng)的對(duì)數(shù)似然方程。借助MATLAB優(yōu)化工具箱的優(yōu)化算法和工具，找到對(duì)數(shù)似然方程的最優(yōu)解[7]。此時(shí)，計(jì)算參數(shù)向量g的評(píng)估效用值，這個(gè)值為高壓輸電線路運(yùn)行狀態(tài)的感知值。

四、實(shí)驗(yàn)

（一）實(shí)驗(yàn)準(zhǔn)備

為了驗(yàn)證本文狀態(tài)感知方法的可行性，以Python 3.7作為編程語言，在PyCharm 2023.1.2環(huán)境下對(duì)其進(jìn)行實(shí)驗(yàn)驗(yàn)證。在軟件方面，使用MATLAB作為主要的仿真工具，利用其數(shù)值計(jì)算能力和工具箱來模擬高壓輸電線路的運(yùn)行狀態(tài)。在硬件方面，硬件配置包括Intel Xeon W-3365處理器、128GB DDR5 ECC內(nèi)存、NVIDIA Quadro RTX 8000顯卡以及16TB NVMe SSD硬盤，以提升仿真實(shí)驗(yàn)的運(yùn)行速度和數(shù)據(jù)處理能力。

啟動(dòng)數(shù)據(jù)采集裝置，實(shí)時(shí)采集輸電線路的運(yùn)行數(shù)據(jù)。將采集到的數(shù)據(jù)導(dǎo)入計(jì)算機(jī)，利用相關(guān)軟件進(jìn)行處理和分析。通過多傳感信息融合技術(shù)，對(duì)輸電線路的運(yùn)行狀態(tài)進(jìn)行感知和判斷。在進(jìn)行實(shí)驗(yàn)前，務(wù)必進(jìn)行安全檢查和風(fēng)險(xiǎn)評(píng)估，確保實(shí)驗(yàn)過程不會(huì)對(duì)人員和設(shè)備造成損害。

（二）實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文方法的優(yōu)越性，進(jìn)行100次實(shí)驗(yàn)驗(yàn)證，將實(shí)際高壓輸電線路運(yùn)行過程中出現(xiàn)的異常數(shù)據(jù)作為對(duì)照組，這些數(shù)據(jù)的數(shù)值在50-60個(gè)范圍內(nèi)呈現(xiàn)波動(dòng)。將本文方法與文獻(xiàn)[1]和文獻(xiàn)[2]中的方法進(jìn)行對(duì)比，實(shí)驗(yàn)主要關(guān)注異常數(shù)據(jù)的感知結(jié)果，以此評(píng)估不同方法在異常數(shù)據(jù)感知方面的性能。通過對(duì)比分析，獲得了不同方法在異常數(shù)據(jù)感知方面的結(jié)果對(duì)比，并整理成圖2進(jìn)行展示。

從圖2中可以看出，本文方法相較于文獻(xiàn)[1]方法以及文獻(xiàn)[2]方法而言，在輸電線路異常狀態(tài)數(shù)據(jù)感知方面表現(xiàn)更加出色。從總體來說，實(shí)際高壓輸電線路運(yùn)行過程中出現(xiàn)的異常數(shù)據(jù)都在50-60個(gè)范圍內(nèi)，使用本文方法感知到的輸電線路異常數(shù)據(jù)也都在50-60個(gè)范圍內(nèi)，并且感知結(jié)果更為準(zhǔn)確，波動(dòng)較小。相比之下，文獻(xiàn)[1]方法雖然在處理輸電線路數(shù)據(jù)方面有所建樹，但在面對(duì)異常數(shù)據(jù)不斷變化時(shí)，感知結(jié)果不夠準(zhǔn)確，存在誤判或漏判的情況。文獻(xiàn)[2]方法通過引入自適應(yīng)控制技術(shù)，在一定程度上提高了狀態(tài)感知的效率和準(zhǔn)確性，但由于傳感器布局優(yōu)化問題尚未得到充分解決，其在異常數(shù)據(jù)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(tài)感知結(jié)果基本與實(shí)際結(jié)果一致，能夠應(yīng)對(duì)多個(gè)異常數(shù)據(jù)的高壓輸電線路運(yùn)行狀態(tài)感知需求，本文方法能夠保持穩(wěn)定的感知性能，為電力系統(tǒng)的安全穩(wěn)定運(yùn)行提供可靠保障。

結(jié)束語

基于多傳感信息融合的高壓輸電線路運(yùn)行狀態(tài)感知技術(shù)，通過集成多種傳感器和先進(jìn)的數(shù)據(jù)處理算法，并通過實(shí)驗(yàn)驗(yàn)證了本文方法的優(yōu)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(bǔ)性，提高了對(duì)高壓輸電線路運(yùn)行狀態(tài)的感知精度和可靠性。未來，我們將繼續(xù)深入研究，不斷優(yōu)化算法和模型，提高感知系統(tǒng)的性能和穩(wěn)定性。