CN107784392A - 一种基于机器学习的输电线路的缺陷预测方法及装置 - Google Patents
一种基于机器学习的输电线路的缺陷预测方法及装置 Download PDFInfo
- Publication number
- CN107784392A CN107784392A CN201711024102.7A CN201711024102A CN107784392A CN 107784392 A CN107784392 A CN 107784392A CN 201711024102 A CN201711024102 A CN 201711024102A CN 107784392 A CN107784392 A CN 107784392A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- electricity
- defect
- information
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 192
- 230000005540 biological transmission Effects 0.000 title claims abstract description 142
- 230000005611 electricity Effects 0.000 title claims abstract description 110
- 238000010801 machine learning Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 238000007621 cluster analysis Methods 0.000 claims description 23
- 238000012098 association analyses Methods 0.000 claims description 10
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 5
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 claims description 5
- 241000607479 Yersinia pestis Species 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000005065 mining Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007418 data mining Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于输电线路的安全领域。本发明提供了一种基于机器学习的输电线路的缺陷预测方法及装置。所述方法包括:获取输电线路的生产管理信息系统数据以及气象信息数据,其中,所述生产管理信息系统数据包含输电线路结构参数、输电线路缺陷历史数据,所述气象信息数据包含气象预报数据、气象历史数据;根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息。本发明利用大数据分析技术对可能影响输电线路的多种有效信息进行挖掘分析,可以有效预测输电线路上受气象影响可能发生的缺陷,以实现用电安全。
Description
技术领域
本发明涉及输电线路的安全技术领域,尤其涉及一种基于机器学习的输电线路的缺陷预测方法及装置。
背景技术
近年来,极端灾害天气发生频率加大,气象灾害对人民生产生活造成损失有逐年增大的趋势。而作为国民经济建设、人民生产生活等必要支撑的电力行业,由于气象灾害及其次生灾害的影响,导致杆塔损坏、线路断线等严重电力事故时有发生,对用电安全造成极大影响。
因此,对输电线路缺陷进行有效的预测,是避免电力事故发生的重要手段。
应该注意,上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
本发明提供一种基于机器学习的输电线路的缺陷预测方法及装置,以实现对输电线路可能发生的缺陷进行有效预测。
为了达到上述目的,本发明实施例提供一种基于机器学习的输电线路的缺陷预测方法,包括:
获取输电线路的生产管理信息系统数据以及气象信息数据,其中,所述生产管理信息系统数据包含输电线路结构参数、输电线路缺陷历史数据,所述气象信息数据包含气象预报数据、气象历史数据;
根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息。
为了达到上述目的,本发明实施例还提供一种基于机器学习的输电线路的缺陷预测装置,包括:
获取模块,用于获取输电线路的生产管理信息系统数据以及气象信息数据,其中,所述生产管理信息系统数据包含输电线路结构参数、输电线路缺陷历史数据,所述气象信息数据包含气象预报数据、气象历史数据;
分析模块,用于根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息。
本发明实施例提供的基于机器学习的输电线路的缺陷预测方法及装置,利用大数据分析技术对可能影响输电线路的多种有效信息进行挖掘分析,可以有效预测输电线路上受气象影响可能发生的缺陷,以实现用电安全。
参照后文的说明和附图,详细公开了本发明的特定实施方式,指明了本发明的原理可以被采用的方式。应该理解,本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内,本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于机器学习的输电线路的缺陷预测方法的实现原理图;
图2为本发明实施例的基于机器学习的输电线路的缺陷预测方法的处理流程图;
图3为图2所示实施例中的步骤S102的具体实现流程图;
图4为Apriori算法寻找频繁模式的流程示意图;
图5为本发明实施例的输电线路的缺陷预测装置的结构示意图;
图6为图5所示实施例中的分析模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本领域技术技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
1989年8月底在美国举行的人工智能国际会议第十一届会议上诞生了数据挖掘的概念。1995年,美国计算机年会上,明确了数据挖掘的含义,即通过数据提取潜在规律及有用的知识信息的过程。进入21世纪后,由于信息化进程的加速,数据量呈爆炸式增长,海量数据的出现,让“大数据”的概念应运而生。智能电网海量数据中往往隐含着各种各样有用的信息,仅仅依靠传统的数据库查询检索机制和统计学方法很难获得这些信息,迫切需要能自动地、智能地将待处理的数据转化为有价值的信息,从而达到为决策服务的目的,即“大数据”技术和应用。大数据分析技术可以充分合理的挖掘可能影响输电线路的多种有效信息进行挖掘分析,为智能电网的广泛推广提供了新的思路和方法。
本发明的实现原理如图1所示,通过收集生产管理信息系统数据(包括输电线路结构参数、输电线路缺陷历史数据)、气象数据(包括气象预报数据、气象历史数据),利用机器学习深入分析算法(包括聚类分析和关联分析),构建一种基于机器学习的输电线路的缺陷预测模型,实现提前发现输电线路的某些特定缺陷。
图2为本发明实施例的基于机器学习的输电线路的缺陷预测方法的处理流程图。如图2所示,包括:
步骤S101,获取输电线路的生产管理信息系统数据以及气象信息数据,其中,所述生产管理信息系统数据包含输电线路结构参数、输电线路缺陷历史数据,所述气象信息数据包含气象预报数据、气象历史数据;
步骤S102,根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息。
具体实施时,在步骤S101中,获取的输电线路结构参数包括:线路台账、电压等级、线路分裂数、导线型号、杆塔性质、塔型、杆塔经纬度、档距、呼高、杆塔材质、固定方式、杆塔高等,这些参数可以直接从输电线路的生产管理信息系统中获取。
输电线路缺陷历史数据也可以从生产管理信息系统中直接获取,其数据形式可以是表格形式,如表1所示。这些缺陷历史数据可以包括登记时间、缺陷内容、技术原因以及责任原因等。其中,责任原因为气象因素,包括气温、大雨、雷击、大风、大雪、冰冻等;缺陷内容包括输电线路的某个具体部分发生的何种缺陷信息;技术原因为缺陷的具体表现形式,例如自爆、裂纹、开裂、变形、弯曲、损坏、位移等。
表1
具体实施时,在步骤S102中,所述机器学习分析算法包括聚类分析和关联分析。
并且,根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息,具体实现步骤如图3所示,包括:
步骤S1021,根据所述输电线路缺陷历史数据和所述气象历史数据,进行关联分析,得到第一特定缺陷信息,所述第一特定缺陷信息包括所述输电线路缺陷历史数据中的由气象(大雨、雷雨、大风、大雪等)直接或间接引发的输电线路缺陷。
步骤S1022,根据所述第一特定缺陷信息和输电线路结构参数,进行聚类分析,得到第二特定缺陷信息,所述第二特定缺陷信息包括所述第一特定缺陷信息中的由输电线路结构参数(例如绝缘子串型号、类型、导线型号、防震锤位置及型号等)直接或间接引发的输电线路缺陷。
步骤S1023,根据所述第二特定缺陷信息和所述气象历史数据,进行关联分析,计算获得特定气象历史信息,所述特定气象历史信息包括所述第二特定缺陷信息中由一段时间的气象导致发生的缺陷。历史缺陷发生时气象灾害作为主要原因,是一段时间的气象(气温、大雨、雷雨、大风、大雪等)导致的缺陷。导致特定缺陷的原因(规律):一段时间内气象数据,即当发生一段时间内气象数据时,有可能会发生类似特定的缺陷。
步骤S1024,根据所述特定气象历史信息和所述气象预报数据,进行聚类分析,计算获得特定气象预报信息,所述特定气象预报信息包括当发生某特定气象时,有可能发生的缺陷。也即是说,当天气预报发生类似气象时,有可能发生缺陷。
步骤S1025,根据所述第二特定缺陷信息和所述特定气象预报信息,进行关联分析,生成可预测到输电线路具体线路单元的特定缺陷,所述输电线路具体线路单元的特定缺陷包括当发生某特定气象时,有可能发生缺陷,将可能发生的缺陷与所述输电线路缺陷历史数据中相关的输电线路结构参数相关联,生成具体线路杆塔可能会出现的特定缺陷。
本发明实施例中,聚类分析使用目前较为成熟的k-Means聚类方法。对于本发明来讲,使用聚类分析首先需要将原始数据进行层次聚类,初步分析可将所有缺陷分为4-8类,即分别选取k为4、5、6、7、8,并通过计算整体轮廓系数,进行聚类效果的比较。通过经验得知,当k=6时,即将缺陷模式分为6类时聚类结果最为理想。
并且,结合输电线路的缺陷物理背景和专家经验,可以总结归纳出常见的六类缺陷模式,即冰害、雷击、风害、污闪、外力破坏以及鸟害,且获取的缺陷案例数据用F1、F2、F3、F4、F5......表示。
使用k-Means对缺陷案例数据进行聚类,其结果见下表2所示,6类缺陷,21个缺陷案例数据。
表2
序号 | 缺陷名称 | 缺陷案例 |
缺陷1 | 冰害 | F4,F6,F11,F12,F19 |
缺陷2 | 雷击 | F3,F10,F13,F22 |
缺陷3 | 风害 | F7,F9,F15,F16,F18 |
缺陷4 | 污闪 | F2,F20 |
缺陷5 | 外力破坏 | F1,F5,F8,F17 |
缺陷6 | 鸟害 | F14,F21 |
为了进行缺陷模式的诊断,进一步考虑各状态量与各缺陷模式之间的相关关系,即某状态量发生异常时,发生某缺陷模式的情况的可能性。其中,状态量包括具体气象信息数据和线路杆塔结构参数等。
在求得各状态参量与设备各缺陷模式的相关系数后,便可得到缺陷模式诊断的诊断矩阵R,如下所示:
诊断矩阵R定义为第i种缺陷模式BDi在第j个状态参量Vj下的相关系数为Rij。其中,i∈[1,m],共m种缺陷模式;j∈[1,n],共n种状态参量。
在计算相关系数Rij时,在此采用皮尔逊相关性系数进行计算。相关系数是以两个变量与各自变量的平均值的离差为基础,按积差方法进行计算,在将两个离差相乘,使用其积来反映两变量之间相关程度。皮尔逊相关系数的取值范围为-1到1。当相关系数为1时,意味着两个变量线性相关,在关于两个变量的函数图中便是所有的数据点都落在一条直线上,且其中一个变量的值随另一变量的值增加而增加。当相关系数的值为-1时,这仍然意味着所有的数据点都落在直线上,其中一个变量的值随另一变量的值增加而减小。若两个变量求得相关系数为0,则表明这两个变量之间没有显著的线性关系。
在通过上述方法求得诊断矩阵R后,可通过下式对缺陷模式进行诊断:
F=R·U;
其中,为待诊断缺陷案例数据,包括各状态参量的状态劣化水平;为缺陷模式诊断结果向量,向量中的每个元素的值可以表征该缺陷案例在各缺陷模式下的隶属程度。在最终确诊最可能的缺陷模式时,可选择隶属程度最大(即数值最大)的缺陷模式,作为最终的结果。
通过聚类分析,挖掘出了输电线路的六种缺陷模式,即缺陷模式数m=6;关键参量共计15项,状态参量数n=15。
本发明实施例中,关联分析可用的关联规则挖掘算法有Apriori算法、FP-增长算法、Eclat算法等。其中Apriori算法是最早提出的关联规则挖掘算法,也是当前十大数据挖掘算法之一,其他关联规则挖掘的算法都是在Apriori算法的基础上针对Apriori运行效率不高等问题进行改进得出的,并且目前很多数据挖掘算法都借用了Apriori的思想。
Apriori算法是R.Agrawal和R.Strikant于1994提出用于挖掘大型市场交易数据库中布尔型关联规则的开创性算法。该算法是一种逐层搜索(广度优先搜索)算法,利用了谓词集向下封闭的反单调特性“如果一个谓词集是非频繁的,则其任一超集也是非频繁的”。
对于关联规则来说,一般形式为X=>Y的蕴含式,可以理解为“如果X,则Y”。
设关联规则的待挖掘库为D,是事务T的合集,若有n个事务,则D={T1,T2,…,Tn},对于每个事务,则由m个项所组成,T={I1,I2,…,Im}。
对于项集X,支持度(Support)的定义为:
而对于X=>Y的关联规则,其支持度为:
描述的支持度反映了X、Y两个项集同时出现的概率。该支持度与频繁集的支持度相等。式中,Sup代表支持度,co表示集合数量。同理,对于X=>Y的关联规则,其可信度(Confidence)为:
描述的可信度反映的情况是,如果项集里包含X,则同时包含Y的概率。对于使用关联规则的用户来说,用户可通过定义最小支持度和可信度的阈值,去挖掘支持度和可信度同时较高的关联规则。式中,Con代表可信度,Sup代表支持度。
在关联规则挖掘中最重要也最基础的问题是找到所有频繁模式,以下给出了Apriori算法寻找频繁模式的流程,其中大小为k的频繁谓词集的集合记为Fk,其候选集集合记为Ck,Fk和Ck都包含一个支持度属性字段。
1)首先扫描一遍数据库,计算每个谓词的支持度并确定频繁的谓词,从而得到频繁1-谓词集的集合F1;
2)在此后每一次遍历数据库之前,利用前一次遍历数据库获得的频繁(k-1)-谓词集的集合Fk-1为种子集合,使用谓词集生成函数生成新的、潜在的频繁k-谓词集,即候选k-谓词集,形成集合Ck;
3)在遍历数据库时确定Ck中每一个候选谓词集的支持度,每次扫描数据库结束时获得那些满足最小支持度条件的谓词集,即确定频繁k-谓词集,进而使它们成为下一次遍历的种子;重复2)和3)过程直到无法发现新的频繁谓词集。
在Apriori算法寻找频繁模式的过程中,最核心的步骤就是连接和枝剪。除第一步简单的计算谓词出现的概率以确定频繁1-谓词集以外,此后每个获得频繁k-谓词集集合的步骤都包含着:
(1)对已获得的频繁(k-1)-谓词集的集合Fk-1和其自身进行连接生成候选k-谓词集的集合Ck(k≥2)。
(2)遍历数据库计算Ck中每个候选谓词集的支持度并通过最小支持度进行枝剪,获得频繁k-谓词集的集合Fk。
对于每一个候选k-谓词集的生成,也同样包含着连接和枝剪的步骤:
(1)连接:Apriori假设事务和谓词集中的谓词都是按照字典顺序排列的,对于任意两个频繁(k-1)-谓词集f1和f2来说,如果这两个谓词集的前k-2个谓词都相同且第k-1个谓词不同,那么f1和f2是可连接的。通过连接f1和f2生成一个k-谓词集c,该k-谓词集包含f1和f2中所有谓词,并按照字典顺序排列,该k-谓词集c作为候选k-谓词集放入集合Ck中。
(2)枝剪:对于集合Ck中的每个k-谓词集c,如果该k-谓词集包含有不存在于Fk-1中的(k-1)-子集,则将c从候选集合Ck中删除。
图4用一个实例阐示了使用Apriori算法进行频繁谓词集寻找的全过程,其中最小支持度为2(以计数的方式表达支持度)。
在数据库D中找出所有的频繁谓词集的基础上可以进一步生成该数据库中包含的关联规则。根据最小置信度条件,找出那些置信度不小于用户指定的最小置信度的关联规则,至此完成关联规则挖掘的任务。接下来,可以根据所得到的关联规则以及具体行业进行具体分析,从中获得隐含的关联知识。
在关联规则分析中,对置信度和支持度的确定是至关重要的,只有合理的置信度和支持度阈值才能较好的挖掘出比较价值的关联规则。由于状态量种类繁多,因此支持度的阈值不宜设置过大,在此support设定为0.1,而为了获取较高可信度的关联规则,confidence设定为0.8。由此,可以得到多个状态参量与输电线路不同缺陷类型关联性最强的相关因素。
在本发明实施例中,聚类分析和关联分析都是属于机器学习深入分析算法,虽然在图3所示实施例中,有些步骤使用聚类分析,有些步骤使用关联分析,但是其本质都是一样的,因此,在整个预测方法实现过程中,可以都用聚类分析,也可以全部使用关联分析,也就是说,聚类分析和关联分析本质相同,在哪个步骤使用哪个算法并不影响最后缺陷预测的结果。
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
在介绍了本发明示例性实施方式的方法之后,接下来,参考图5对本发明示例性实施方式的基于机器学习的输电线路的缺陷预测装置进行介绍。该装置的实施可以参见上述方法的实施,重复之处不再赘述。以下所使用的术语“模块”和“单元”,可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5为本发明实施例的基于机器学习的输电线路的缺陷预测装置的结构示意图。如图5所示,包括:
获取模块101,用于获取输电线路的生产管理信息系统数据以及气象信息数据,其中,所述生产管理信息系统数据包含输电线路结构参数、输电线路缺陷历史数据,所述气象信息数据包含气象预报数据、气象历史数据;
分析模块102,用于根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息。
在本实施例中,所述机器学习分析算法包括聚类分析和关联分析。
在本实施例中,所述分析模块102用于根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息,如图6所示,具体包括:
第一特定缺陷信息生成模块1021,用于根据所述输电线路缺陷历史数据和所述气象历史数据,进行关联分析,得到第一特定缺陷信息,所述第一特定缺陷信息包括所述输电线路缺陷历史数据中的由气象直接或间接引发的输电线路缺陷;
第二特定缺陷信息生成模块1022,用于根据所述第一特定缺陷信息和输电线路结构参数,进行聚类分析,得到第二特定缺陷信息,所述第二特定缺陷信息包括所述第一特定缺陷信息中的由输电线路结构参数直接或间接引发的输电线路缺陷;
特定气象历史信息生成模块1023,用于根据所述第二特定缺陷信息和所述气象历史数据,进行关联分析,计算获得特定气象历史信息,所述特定气象历史信息包括所述第二特定缺陷信息中由一段时间的气象导致发生的缺陷;
特定气象预报信息生成模块1024,用于根据所述特定气象历史信息和所述气象预报数据,进行聚类分析,计算获得特定气象预报信息,所述特定气象预报信息包括当发生某特定气象时,有可能发生的缺陷;
缺陷预测信息生成模块1025,用于根据所述第二特定缺陷信息和所述特定气象预报信息,进行关联分析,生成可预测到输电线路具体线路单元的特定缺陷,所述输电线路具体线路单元的特定缺陷包括当发生某特定气象时,有可能发生缺陷,将可能发生的缺陷与所述输电线路缺陷历史数据中相关的输电线路结构参数相关联,生成具体线路杆塔可能会出现的特定缺陷。
在本实施例中,所述输电线路结构参数包括:线路台账、电压等级、线路分裂数、导线型号、杆塔性质、塔型、杆塔经纬度、档距、呼高、杆塔材质、固定方式、杆塔高。
在本实施例中,在进行聚类分析时,将缺陷模式分为六类。
本发明实施例提供的基于机器学习的输电线路的缺陷预测方法及装置,利用大数据分析技术对可能影响输电线路的多种有效信息进行挖掘分析,可以有效预测输电线路上受气象影响可能发生的缺陷,以实现用电安全。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于机器学习的输电线路的缺陷预测方法,其特征在于,包括:
获取输电线路的生产管理信息系统数据以及气象信息数据,其中,所述生产管理信息系统数据包含输电线路结构参数、输电线路缺陷历史数据,所述气象信息数据包含气象预报数据、气象历史数据;
根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息。
2.根据权利要求1所述的基于机器学习的输电线路的缺陷预测方法,其特征在于,所述机器学习分析算法包括聚类分析和关联分析。
3.根据权利要求2所述的基于机器学习的输电线路的缺陷预测方法,其特征在于,所述根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息,具体包括:
根据所述输电线路缺陷历史数据和所述气象历史数据,进行关联分析,得到第一特定缺陷信息,所述第一特定缺陷信息包括所述输电线路缺陷历史数据中的由气象直接或间接引发的输电线路缺陷;
根据所述第一特定缺陷信息和输电线路结构参数,进行聚类分析,得到第二特定缺陷信息,所述第二特定缺陷信息包括所述第一特定缺陷信息中的由输电线路结构参数直接或间接引发的输电线路缺陷;
根据所述第二特定缺陷信息和所述气象历史数据,进行关联分析,计算获得特定气象历史信息,所述特定气象历史信息包括所述第二特定缺陷信息中由一段时间的气象导致发生的缺陷;
根据所述特定气象历史信息和所述气象预报数据,进行聚类分析,计算获得特定气象预报信息,所述特定气象预报信息包括当发生某特定气象时,有可能发生的缺陷;
根据所述第二特定缺陷信息和所述特定气象预报信息,进行关联分析,生成可预测到输电线路具体线路单元的特定缺陷,所述输电线路具体线路单元的特定缺陷包括当发生某特定气象时,有可能发生缺陷,将可能发生的缺陷与所述输电线路缺陷历史数据中相关的输电线路结构参数相关联,生成具体线路杆塔可能会出现的特定缺陷。
4.根据权利要求3所述的基于机器学习的输电线路的缺陷预测方法,其特征在于,所述输电线路结构参数包括:线路台账、电压等级、线路分裂数、导线型号、杆塔性质、塔型、杆塔经纬度、档距、呼高、杆塔材质、固定方式、杆塔高。
5.根据权利要求2所述的基于机器学习的输电线路的缺陷预测方法,其特征在于,在进行聚类分析时,将缺陷模式分为六类,包括冰害、雷击、风害、污闪、外力破坏以及鸟害。
6.一种基于机器学习的输电线路的缺陷预测装置,其特征在于,包括:
获取模块,用于获取输电线路的生产管理信息系统数据以及气象信息数据,其中,所述生产管理信息系统数据包含输电线路结构参数、输电线路缺陷历史数据,所述气象信息数据包含气象预报数据、气象历史数据;
分析模块,用于根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息。
7.根据权利要求6所述的基于机器学习的输电线路的缺陷预测装置,其特征在于,所述机器学习分析算法包括聚类分析和关联分析。
8.根据权利要求7所述的基于机器学习的输电线路的缺陷预测装置,其特征在于,所述分析模块用于根据所述输电线路结构参数、输电线路缺陷历史数据和所述气象预报数据、气象历史数据,利用机器学习分析算法,生成所述输电线路的特定缺陷预测信息,具体包括:
第一特定缺陷信息生成模块,用于根据所述输电线路缺陷历史数据和所述气象历史数据,进行关联分析,得到第一特定缺陷信息,所述第一特定缺陷信息包括所述输电线路缺陷历史数据中的由气象直接或间接引发的输电线路缺陷;
第二特定缺陷信息生成模块,用于根据所述第一特定缺陷信息和输电线路结构参数,进行聚类分析,得到第二特定缺陷信息,所述第二特定缺陷信息包括所述第一特定缺陷信息中的由输电线路结构参数直接或间接引发的输电线路缺陷;
特定气象历史信息生成模块,用于根据所述第二特定缺陷信息和所述气象历史数据,进行关联分析,计算获得特定气象历史信息,所述特定气象历史信息包括所述第二特定缺陷信息中由一段时间的气象导致发生的缺陷;
特定气象预报信息生成模块,用于根据所述特定气象历史信息和所述气象预报数据,进行聚类分析,计算获得特定气象预报信息,所述特定气象预报信息包括当发生某特定气象时,有可能发生的缺陷;
缺陷预测信息生成模块,用于根据所述第二特定缺陷信息和所述特定气象预报信息,进行关联分析,生成可预测到输电线路具体线路单元的特定缺陷,所述输电线路具体线路单元的特定缺陷包括当发生某特定气象时,有可能发生缺陷,将可能发生的缺陷与所述输电线路缺陷历史数据中相关的输电线路结构参数相关联,生成具体线路杆塔可能会出现的特定缺陷。
9.根据权利要求8所述的基于机器学习的输电线路的缺陷预测装置,其特征在于,所述输电线路结构参数包括:线路台账、电压等级、线路分裂数、导线型号、杆塔性质、塔型、杆塔经纬度、档距、呼高、杆塔材质、固定方式、杆塔高。
10.根据权利要求7所述的基于机器学习的输电线路的缺陷预测装置,其特征在于,在进行聚类分析时,将缺陷模式分为六类,包括冰害、雷击、风害、污闪、外力破坏以及鸟害。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711024102.7A CN107784392A (zh) | 2017-10-27 | 2017-10-27 | 一种基于机器学习的输电线路的缺陷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711024102.7A CN107784392A (zh) | 2017-10-27 | 2017-10-27 | 一种基于机器学习的输电线路的缺陷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107784392A true CN107784392A (zh) | 2018-03-09 |
Family
ID=61432070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711024102.7A Pending CN107784392A (zh) | 2017-10-27 | 2017-10-27 | 一种基于机器学习的输电线路的缺陷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784392A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784393A (zh) * | 2017-10-27 | 2018-03-09 | 国网新疆电力公司电力科学研究院 | 一种输电线路的缺陷预测方法及装置 |
CN109359700A (zh) * | 2018-11-21 | 2019-02-19 | 北京国网富达科技发展有限责任公司 | 一种输电线路外力破坏的分析方法、设备及系统 |
CN109448154A (zh) * | 2018-11-21 | 2019-03-08 | 北京国网富达科技发展有限责任公司 | 一种输电线路人员巡检方法及装置 |
CN109636943A (zh) * | 2018-11-21 | 2019-04-16 | 北京国网富达科技发展有限责任公司 | 一种输电线路手持机巡检方法及装置 |
CN110097223A (zh) * | 2019-04-30 | 2019-08-06 | 武汉理工大学 | 一种台风灾害下输电线路损毁预警方法 |
CN112417763A (zh) * | 2020-11-25 | 2021-02-26 | 杭州凯达电力建设有限公司 | 输电线路的缺陷诊断方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239672A (zh) * | 2014-05-01 | 2014-12-24 | 云南大学 | 一种输电线路覆冰过程的微气象特征提取及定性预警方法 |
CN106251002A (zh) * | 2016-07-18 | 2016-12-21 | 华南理工大学 | 用于架空输电线负荷能力评估的气象大数据的关联分析方法 |
-
2017
- 2017-10-27 CN CN201711024102.7A patent/CN107784392A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239672A (zh) * | 2014-05-01 | 2014-12-24 | 云南大学 | 一种输电线路覆冰过程的微气象特征提取及定性预警方法 |
CN106251002A (zh) * | 2016-07-18 | 2016-12-21 | 华南理工大学 | 用于架空输电线负荷能力评估的气象大数据的关联分析方法 |
Non-Patent Citations (1)
Title |
---|
颜乐鸣: "《基于关联规则挖掘的软件缺陷分析研究》", 《软件》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784393A (zh) * | 2017-10-27 | 2018-03-09 | 国网新疆电力公司电力科学研究院 | 一种输电线路的缺陷预测方法及装置 |
CN109359700A (zh) * | 2018-11-21 | 2019-02-19 | 北京国网富达科技发展有限责任公司 | 一种输电线路外力破坏的分析方法、设备及系统 |
CN109448154A (zh) * | 2018-11-21 | 2019-03-08 | 北京国网富达科技发展有限责任公司 | 一种输电线路人员巡检方法及装置 |
CN109636943A (zh) * | 2018-11-21 | 2019-04-16 | 北京国网富达科技发展有限责任公司 | 一种输电线路手持机巡检方法及装置 |
CN109636943B (zh) * | 2018-11-21 | 2021-11-26 | 北京国网富达科技发展有限责任公司 | 一种输电线路手持机巡检方法及装置 |
CN109448154B (zh) * | 2018-11-21 | 2021-11-26 | 北京国网富达科技发展有限责任公司 | 一种输电线路人员巡检方法及装置 |
CN110097223A (zh) * | 2019-04-30 | 2019-08-06 | 武汉理工大学 | 一种台风灾害下输电线路损毁预警方法 |
CN110097223B (zh) * | 2019-04-30 | 2022-05-13 | 武汉理工大学 | 一种台风灾害下输电线路损毁预警方法 |
CN112417763A (zh) * | 2020-11-25 | 2021-02-26 | 杭州凯达电力建设有限公司 | 输电线路的缺陷诊断方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784392A (zh) | 一种基于机器学习的输电线路的缺陷预测方法及装置 | |
CN108564254B (zh) | 基于大数据的配电设备状态可视化平台 | |
CN107784393A (zh) | 一种输电线路的缺陷预测方法及装置 | |
CN107274105B (zh) | 基于线性判别分析的多属性决策树电网稳定裕度评估方法 | |
CN107918830B (zh) | 一种基于大数据技术的配电网运行状态评估方法 | |
CN110263172A (zh) | 一种电网监控告警信息事件化自主识别方法 | |
CN108830745B (zh) | 基于监控信息的电网连锁故障诊断、预警、评估系统 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN105071983A (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
CN109753591A (zh) | 业务流程预测性监控方法 | |
CN112579789A (zh) | 一种设备故障诊断的方法和装置及设备 | |
CN109448154A (zh) | 一种输电线路人员巡检方法及装置 | |
CN112612819A (zh) | 一种抽水蓄能电站大数据分析挖掘方法及系统 | |
CN114118524A (zh) | 一种基于知识推理的设备状态综合分析方法 | |
CN116614177A (zh) | 一种光纤状态多维度参量监测系统 | |
CN115293584A (zh) | 一种架空输电线路风险预测方法、系统及终端 | |
CN112712205A (zh) | 一种基于长短期记忆神经网络的配电网故障预防方法 | |
CN111353051A (zh) | 一种基于K-means和Apriori的算法海事大数据关联分析的方法 | |
Wei et al. | Glad: A method of microgrid anomaly detection based on esd in smart power grid | |
CN112529191A (zh) | 一种基于混沌算法的泵站故障树建立方法 | |
CN111966758A (zh) | 一种基于画像数据分析技术的电力隐患排查方法 | |
CN117273133A (zh) | 配电网多源异构数据知识图谱的构建方法 | |
CN112783865A (zh) | 一种半监督人机结合的运维故障库生成方法及系统 | |
CN116796906A (zh) | 基于数据融合的电力配电网投资预测分析系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180309 |
|
RJ01 | Rejection of invention patent application after publication |