CN110837898A - 基于模型选择的地下电缆故障修复方法和装置 - Google Patents
基于模型选择的地下电缆故障修复方法和装置 Download PDFInfo
- Publication number
- CN110837898A CN110837898A CN201911021333.1A CN201911021333A CN110837898A CN 110837898 A CN110837898 A CN 110837898A CN 201911021333 A CN201911021333 A CN 201911021333A CN 110837898 A CN110837898 A CN 110837898A
- Authority
- CN
- China
- Prior art keywords
- fault type
- initial
- reference value
- fault
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005067 remediation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (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
本发明公开了一种基于模型选择的地下电缆故障修复方法和装置，所述方法包括：通过地下电缆采集系统采集地下电缆的当前环境数据及当前运行数据；将当前环境数据以及当前运行数据输入至预先训练完成的故障类型识别模型中得到单模型结果，从单模型结果中提取初始故障类型及与初始故障类型对应的初始参考值，删除每一初始故障类型中的差值大于预设值的初始参考值；根据剩余的初始参考值及初始故障类型计算每一初始故障类型对应的目标参考值，获取目标参考值最大的初始故障类型作为目标故障类型；查询与目标故障类型对应的修复方案；获取地下电缆的位置信息；将所查询到的修复方案发送到与位置信息对应的终端。采用上述方法可以提高基于模型选择的地下电缆故障修复效率。
Description
技术领域
本发明涉及一种基于模型选择的地下电缆故障修复方法和装置，属于大数据处理领域。
背景技术
埋设于地下的电缆，在电力传输过程中，往往会由于电缆本身的温度升高发生爆炸；又或者，由于地下铺设管道进水，导致电缆发生损坏，进而影响电缆的正常传输。
传统技术中，为了对地下电缆进行监测，需要人工对电缆进行逐个排查，并在查出故障后还需要开会总结，以得到对应的修复方案等，效率低下。
发明内容
针对现有技术存在的上述问题，本发明的目的是提供一种基于模型选择的地下电缆故障修复方法和装置。
为实现上述发明目的，本发明采用的技术方案如下：
一种基于模型选择的地下电缆故障修复方法，所述方法包括：
通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据；
将所述当前环境数据以及所述当前运行数据输入至多个预先训练完成的故障类型识别模型中得到单模型结果；
从所述单模型结果中提取初始故障类型以及与所述初始故障类型对应的初始参考值；
删除每一初始故障类型中的差值大于预设值的初始参考值；
根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，获取所述目标参考值最大的初始故障类型作为目标故障类型；
查询与所述目标故障类型对应的修复方案；
获取所述地下电缆的位置信息；
将所查询到的修复方案发送到与所述位置信息对应的终端。
在其中一个实施例中，所述根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，包括：
根据所述初始故障类型对所述初始参考值进行分组；
计算得到每一组中的初始参考值的平均值作为对应的所述初始故障类型对应的目标参考值。
在其中一个实施例中，所述根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，包括：
获取预先训练得到的与每一所述故障类型识别模型对应的权重，所述权重还与所述初始参考值对应；
根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值。
在其中一个实施例中，所述根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值，包括：
对所述初始参考值进行分类得到每一故障类型对应的中间参考值，且将所述故障类型识别模型未输出的故障类型对应的初始参考值设置为0；
根据每一故障类型对应的中间参考值以及所述权重计算得到每一故障类型对应的目标参考值。
在其中一个实施例中，所述查询与所述故障类型对应的修复方案，包括：
获取与所述故障类型对应的多种修复方案；
根据所获取的修复方案的历史使用次数对所述修复方案进行排序；
根据排序结果获取所述历史使用次数最多的修复方案作为所述故障类型对应的修复方案。
在其中一个实施例中，所述查询与所述故障类型对应的修复方案，包括：
获取与所述故障类型对应的多种修复方案；
从所述多种修复方案中提取出最近使用的修复方案作为所述故障类型对应的修复方案。
在其中一个实施例中，所述获取所述地下电缆的位置信息之后，还包括：
获取与所述地下电缆的位置信息对应的城市地图；
根据所述地下电缆的位置在所述城市地图中定位所述电缆的位置，并通过预警标识进行显示得到预警信息；
所述将所查询到的修复方案发送与所述位置信息对应的终端，包括：
将所述预警信息以及所查询到的修复方案发送与所述位置信息对应的终端。
一种基于模型选择的地下电缆故障修复装置，所述装置包括：
采集模块，用于通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据；
识别模块，用于将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障类型识别模型中得到单模型结果；
提取模块，用于从所述单模型结果中提取初始故障类型以及与所述初始故障类型对应的初始参考值；
删除模块，用于删除每一初始故障类型中的差值大于预设值的初始参考值；选择模块，用于根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，获取所述目标参考值最大的初始故障类型作为目标故障类型；
查询模块，用于查询与所述目标故障类型对应的修复方案；
位置获取模块，用于获取所述地下电缆的位置信息；
发送模块，用于将所查询到的修复方案发送与所述位置信息对应的终端。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
与现有技术相比，本发明提供的基于模型选择的地下电缆故障修复方法和装置具备以下优势：
上述方法中通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据；将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障类型识别模型中得到单模型结果，从所述单模型结果中提取初始故障类型以及与所述初始故障类型对应的初始参考值，并删除掉每一初始故障类型中的差值大于预设值的初始参考值，这样根据删除掉异常值的初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，所计算得到的目标参考值更加准确，从而获取到目标参考值最大的初始故障类型作为目标故障类型；查询与所述目标故障类型对应的修复方案；获取所述地下电缆的位置信息；将所查询到的修复方案发送到与所述位置信息对应的终端，这样通过预先设置的模型可以得到目标故障类型，进而根据系统中预先存储的目标故障类型和修复方案的对应关系获得到对应的修复方案，从而根据该修复方案即可对地下电缆进行修复，提高了地下电缆的修复效率。
附图说明
图1是本发明提供的基于模型选择的地下电缆故障修复方法的应用环境图；
图2是本发明提供的基于模型选择的地下电缆故障修复方法的流程图；
图3是本发明提供的基于模型选择的地下电缆故障修复装置的结构图；
图4是本发明提供的计算机设备的框图。
具体实施方式
下面结合实施例及对比例对本发明作进一步详细、完整地说明。
本申请提供的基于模型选择的地下电缆故障修复方法，可以应用于如图1所示的应用环境中。其中，地下电缆采集系统102通过网络与服务器104通过网络进行通信，监控终端106通过网络与服务器进行通信。其中地下电缆采集系统用于采集地下电缆的当前环境数据以及当前运行数据，并将所采集的当前环境数据和当前运行数据发送至服务器104，从而服务器可以将当前环境数据以及当前运行数据输入至预先训练完成的故障类型识别模型中得到目标故障类型，进而查询到与目标故障类型对应的修复方案，当在获取到修复方案后，服务器104可以获取故障的地下电缆的位置信息，并将修复方案发送到与位置信息对应的终端，从而不需要人工对电缆进行逐个排查，提高了效率，且直接将修复方案发送给与位置对应的终端，可以提高基于模型选择的地下电缆故障修复的效率。监控终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于模型选择的地下电缆故障修复方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202：通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据。
具体地，所述当前环境数据包括温度数据、水敏数据、环境气体数据以及位移数据中的一种或多种，所述运行数据包括但不限于局放信号，当前运行数据是指地下电缆中的电流的大小等。地下电缆采集系统是安装在地下，例如安装在地下电缆的连接处，用于采集地下电缆连接处的环境数据和运行数据。当地下电缆采集系统采集了地下电缆的环境数据和运行数据后，则将该环境数据和运行数据发送至服务器，以便于服务器进行处理后，判断地下电缆是否出现故障。其中为了保证数据的可查询性，地下电缆采集系统在发送数据的时候与地下电缆的地理位置一起发送给服务器，且可选地，也可以预先设定地下电缆的标号，并建立标号和地下电缆的位置的对应关系，从而在服务接收到某一标号的地下电缆采集系统发送的数据时，可以根据该标号查询到地下电缆对应的地理位置信息。
S204：将当前环境数据以及当前运行数据输入至预先训练完成的故障类型识别模型中得到单模型结果。
具体地，故障类型识别模型是根据历史数据生成的用于判断地下电缆所出故障的类型的训练模型，该模型的输入为当前环境数据和当前运行数据，输出为地下电缆出现故障的类型以及各个类型对应的概率。服务器将当前环境数据以及当前运行数据输入至预先训练完成的故障类型识别模型中得到单模型结果，例如，故障类型识别模型在处理当前环境数据以及当前运行数据时，可以将当前环境数据与训练模型时的历史故障的环境数据进行比对，将当前运行数据与历史故障的运行数据进行比对，从而得到相似度，再综合所有的相似度得到单模型结果，即计算同一类故障类型对应的所有相似度的平均值作为该类故障模型的概率，服务器综合得到所有的类型的故障类型，以及与该故障类型对应的概率作为单模型结果。
S205：从所述单模型结果中提取初始故障类型以及与所述初始故障类型对应的初始参考值。
S206：删除每一初始故障类型中的差值大于预设值的初始参考值。
S207：根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，获取所述目标参考值最大的初始故障类型作为目标故障类型。
具体地，由于存在多个故障类型识别模型，因此可能存在多个单模型结果，每个单模型结果中均包括初始故障类型以及与初始故障类型对应的初始参考值，假设存在第一单模型、第二单模型、第三单模型、第四单模型以及第五单模型，每个单模型对应的A、B、C、D四种初始故障类型的概率可以参见下表：
如上表，对于初始故障类型A，其中涉及到5个概率分别为20％、80％、90％、95％以及98％，服务器通过计算这5个概率的差值判断出异常的初始概率值，这样存在10个差值，可以获取到差值大于预设值的几个，这样判断这几个差值是否均涉及到一个故障类型识别模型，如果是，则删除该故障类型识别模型对应的初始参考值。
如上表中，对于初始故障类型A，可以确定第一单模型的概率值为异常，则可以删除掉，对于初始故障类型B，则都差不多，因此没必要删除，对于初始故障模型C，则也需要删除第一单模型对应的初始参考值。
由上述可以知道每个单模型结果中均包括初始故障类型以及对应的初始参考值，因此服务器可以根据该些初始故障类型和初始参考值计算得到初始故障类型对应的目标参考值，获取所述目标参考值最大的初始故障类型作为目标故障类型。例如服务器首先获取到所有的单模型输出的初始故障类型对应的初始参考值，然后计算所获得的初始参考值的平均值或中位数等作为目标参考值，或者是根据预先确定的每一个单模型的权重以及初始参考值计算得到目标参考值，通过上述方法计算所有的初始故障类型对应的目标参考值，然后获取最大的一个目标参考值对应的初始故障类型作为目标故障类型。这样可以充分考虑到所有单模型的结果，从而提高模型的准确性。
S208：查询与目标故障类型对应的修复方案。
具体地，服务器在判断出目标故障类型后，可以根据目标故障类型查询故障对应的修复方案，即服务器预先存储了目标故障类型和修复方案的对应关系，该对应关系可以是服务器在每一次判断出地下电缆故障后，所存储的用户采用的修复方案，即每一次地下电缆出现故障，服务器获取到对应的已用修复方案，建立该目标故障类型和修复方案的对应关系。
S209：获取地下电缆的位置信息。
S210：将所查询到的修复方案发送到与位置信息对应的终端。
服务器在获取到修复方案后，为了将修复方案发送给对应的终端，首先获取地下电缆的位置信息，地下电缆的位置信息的获取方式可以参见上文，然后获取到位置信息对应的终端，例如对应的电网平台，最后将所查询到的修复方案发送给该终端，从而对应的终端可以根据该修复方案对故障的地下电缆进行处理。
上述基于模型选择的地下电缆故障修复方法，通过采集地下电缆的当前环境数据以及当前运行数据，并将所采集的地下电缆的当前环境数据以及当前运行数据输入至预先训练的故障类型识别模型中即可以得到单模型结果，从所述单模型结果中提取初始故障类型以及与所述初始故障类型对应的初始参考值，并删除掉每一初始故障类型中的差值大于预设值的初始参考值，这样根据删除掉异常值的初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，所计算得到的目标参考值更加准确，从而获取到目标参考值最大的初始故障类型作为目标故障类型，并根据目标故障类型获取到修复方案，将修复方案发送给故障对应的位置信息的终端，不需要人工对电缆进行逐个排查，提高了效率。
在其中一个实施例中，所述根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，包括：根据所述初始故障类型对所述初始参考值进行分组；计算得到每一组中的初始参考值的平均值作为对应的所述初始故障类型对应的目标参考值。
在其中一个实施例中，所述根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，包括：获取预先训练得到的与每一所述故障类型识别模型对应的权重，所述权重还与所述初始参考值对应；根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值。
在其中一个实施例中，所述根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值，包括：对所述初始参考值进行分类得到每一故障类型对应的中间参考值，且将所述故障类型识别模型未输出的故障类型对应的初始参考值设置为0；根据每一故障类型对应的中间参考值以及所述权重计算得到每一故障类型对应的目标参考值。
如上文所示，在计算目标参考值的时候可以包括两种方式，一种是直接计算每个单模型对应的初始故障类型的初始参考值的平均值，另外一种是考虑到每个单模型的作用，需要将每个单模型对应的初始故障类型的初始参考值乘以权重得到目标参考值。
继续参考上表，对于初始故障类型A，其对应的初始参考值包括20％、80％、90％、95％以及98％，因此可以删掉20％，然后再进行计算得到目标参考值为：(80％+90％+95％+98％)/4＝90.75％。
对于上述第二种方式则在计算目标参考值的时候需要乘以权重，假设第一单模型、第二单模型、第三单模型、第四单模型以及第五单模型的权重分别为a、b、c、d以及e，则目标参考值为(80％*b+90％*c+95％*d+98％*e)/4。具体地，服务器首先对初始参考值进行分类，即每一个初始故障类型对应一类初始参考值，此时可以称初始参考值为中间参考值，因为服务器将故障类型识别模型未输出的故障类型对应的初始参考值设置为0，然后根据权重与中间参考值计算得到目标参考值，例如上述式子中的算法。
上述权重的训练可以是根据历史环境数据以及历史运行数据生成故障类型识别模型后，将另外的历史环境数据和历史运行数据输入至所生成的故障类型识别模型中得到模型结果，然后提取到历史环境数据和历史运行数据对应的真实结果，对该模型结果和真实结果进行学习以确定每个故障类型识别模型对应的权重。
在其中一个实施例中，所述查询与所述目标故障类型对应的修复方案，包括：获取与所述目标故障类型对应的多种修复方案；根据所获取的修复方案的历史使用次数对所述修复方案进行排序；根据排序结果获取所述历史使用次数最多的修复方案作为所述目标故障类型对应的修复方案。
在其中一个实施例中，所述查询与所述目标故障类型对应的修复方案，包括：获取与所述目标故障类型对应的多种修复方案；从所述多种修复方案中提取出最近使用的修复方案作为所述目标故障类型对应的修复方案。
具体地，服务器在查询与目标故障类型对应的修复方案的时候，存在两种方式，第一种是根据最常用的修复方案作为最后的修复方案，第二种是选取出最近的修复方案作为最后的修复方案。第一种时，服务器在获取到目标故障类型后，首先获取到与目标故障类型对应的多种修复方案，然后根据修复方案的使用次数对修复方案进行排序，最后根据排序结果选取到使用次数最多的修复方案作为最后的修复方案。第二种时，服务器获取到目标故障类型后，首先获取到与目标故障类型对应的多种修复方案，然后获取到各种修复方案对应的使用时间，将最近使用的修复方案作为目标故障类型对应的修复方案。
上述实施例中，根据不同的策略选取出对应的修复方案，不需要额外的操作，简单方便，提高效率。
在其中一个实施例中，所述故障类型识别模型的生成方式包括：获取地下电缆对应的历史环境数据、历史运行数据以及对应的历史目标故障类型；对所述历史环境数据、历史运行数据进行清洗；通过对清洗后的历史环境数据、历史运行数据以及对应的历史目标故障类型进行训练得到故障类型识别模型。
在其中一个实施例中，所述将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障类型识别模型中得到目标故障类型，包括：根据所述当前环境数据以及所述当前运行数据计算得到各种目标故障类型对应的概率；获取到概率最大的目标故障类型作为所识别得到的目标故障类型。
具体地，服务器可以获取地下电缆对应的历史环境数据、历史运行数据以及对应的历史目标故障类型，即一个历史环境数据、一个历史运行数据对应一个历史目标故障类型，然后对历史环境数据和历史运行数据进行清洗。其中清洗的过程包括删除掉历史环境数据和历史运行数据中的空数据。最后服务器对历史环境数据、历史运行数据以及历史目标故障类型进行学习训练得到最后的故障类型识别模型。
具体地，服务器通过故障类型识别模型进行目标故障类型识别的过程可以是服务器首先根据当前环境数据以及当前运行数据计算得到各种目标故障类型对应的概率，例如根据当前环境数据以及当前运行数据中的每一个参数计算得到一个概率，例如上述的根据水敏信息得到一个第一概率，根据温度数据得到一个第二概率，根据位移数据得到一个第三概率，根据电流数据得到一个第四概率，然后对第一概率、第二概率、第三概率以及第四概率进行排序，这样服务器从第一概率、第二概率、第三概率以及第四概率中选取最大概率，并获取到与该最大概率对应的目标故障类型，将目标故障类型作为最后识别的故障模型。
上述实施例中，给出了故障类型识别模型的训练方式，该故障类型识别模型充分考虑了历史数据，总结了历史数据的规律，从而使得对当前数据的预测更加准确。
在其中一个实施例中，获取所述地下电缆的位置信息之后，还包括：获取与地下电缆的位置信息对应的城市地图；根据地下电缆的位置在城市地图中定位电缆的位置，并通过预警标识进行显示得到预警信息。将所查询到的修复方案发送与位置信息对应的终端，包括：将预警信息以及所查询到的修复方案发送与所述位置信息对应的终端。
具体地，为了实现可视化的处理，在判定地下电缆出现故障后，服务器获取到与地下电缆位置信息对应的城市地图，此处还可以是区域地图，从而服务器在该城市地图中定位到地下电缆的位置，然后通过预警标识例如感叹号进行显示。且服务器将所查询到的修复方案也发送给该终端，从而终端可以在预警标识的对应位置处显示该修复方案对应的图标，用户通过点击该修复方案的图标的方式调出详细的修复方案的内容。
上述实施例中，将故障信息显示到城市地图中，从而更加直观。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种地下电缆故障预警装置，包括：采集模块100、识别模块200、提取模块300、删除模块400、选择模块500、查询模块600、位置信息获取模块700和发送模块800，其中：
采集模块100，用于通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据；
识别模块200，用于将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障类型识别模型中得到单模型结果；
提取模块300，用于从所述单模型结果中提取初始故障类型以及与所述初始故障类型对应的初始参考值。
删除模块400，用于删除每一初始故障类型中的差值大于预设值的初始参考值。
选择模块500，用于根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，获取所述目标参考值最大的初始故障类型作为目标故障类型。
查询模块600，用于查询与所述目标故障类型对应的修复方案；
位置获取模块700，用于获取所述地下电缆的位置信息；
发送模块800，用于将所查询到的修复方案发送与所述位置信息对应的终端。
在其中一个实施例中，上述选择模块500可以包括：
分组单元，用于根据所述初始故障类型对所述初始参考值进行分组；
第一计算单元，用于计算得到每一组中的初始参考值的平均值作为对应的所述初始故障类型对应的目标参考值。
在其中一个实施例中，上述选择模块500可以包括：
权重获取单元，用于获取预先训练得到的与每一所述故障类型识别模型对应的权重，所述权重还与所述初始参考值对应；
第二计算单元，用于根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值。
在其中一个实施例中，上述选择模块500可以包括：
分类单元，用于对所述初始参考值进行分类得到每一故障类型对应的中间参考值，且将所述故障类型识别模型未输出的故障类型对应的初始参考值设置为0；
第三计算单元，用于根据每一故障类型对应的中间参考值以及所述权重计算得到每一故障类型对应的目标参考值。在其中一个实施例中，所述查询模块包括：
第一方案获取单元，用于获取与所述目标故障类型对应的多种修复方案；
排序单元，用于根据所获取的修复方案的历史使用次数对所述修复方案进行排序；
第二输出单元，用于根据排序结果获取所述历史使用次数最多的修复方案作为所述目标故障类型对应的修复方案。
在其中一个实施例中，所述查询模块包括：
第二方案获取单元，用于获取与所述目标故障类型对应的多种修复方案；
第二输出单元，用于从所述多种修复方案中提取出最近使用的修复方案作为所述目标故障类型对应的修复方案。
在其中一个实施例中，所述装置还包括：
地图获取模块，用于获取与所述地下电缆的位置信息对应的城市地图；
预警信息生成模块，用于根据所述地下电缆的位置在所述城市地图中定位所述电缆的位置，并通过预警标识进行显示得到预警信息；
所述发送模块还用于将所述预警信息以及所查询到的修复方案发送与所述位置信息对应的终端。
关于基于模型选择的地下电缆故障修复装置的具体限定可以参见上文中对于基于模型选择的地下电缆故障修复方法的限定，在此不再赘述。上述基于模型选择的地下电缆故障修复装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据；将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障类型识别模型中得到单模型结果；从所述单模型结果中提取初始故障类型以及与所述初始故障类型对应的初始参考值；删除每一初始故障类型中的差值大于预设值的初始参考值；根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，获取所述目标参考值最大的初始故障类型作为目标故障类型；查询与所述目标故障类型对应的修复方案；获取所述地下电缆的位置信息；将所查询到的修复方案发送到与所述位置信息对应的终端。
在一个实施例中，处理器执行计算机程序时所实现的所述根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，包括：根据所述初始故障类型对所述初始参考值进行分组；计算得到每一组中的初始参考值的平均值作为对应的所述初始故障类型对应的目标参考值。
在一个实施例中，处理器执行计算机程序时所实现的所述根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，包括：获取预先训练得到的与每一所述故障类型识别模型对应的权重，所述权重还与所述初始参考值对应；根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值。
在一个实施例中，处理器执行计算机程序时所实现的所述根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值，包括：对所述初始参考值进行分类得到每一故障类型对应的中间参考值，且将所述故障类型识别模型未输出的故障类型对应的初始参考值设置为0；根据每一故障类型对应的中间参考值以及所述权重计算得到每一故障类型对应的目标参考值。
在一个实施例中，处理器执行计算机程序时所实现的所述查询与所述目标故障类型对应的修复方案，包括：获取与所述目标故障类型对应的多种修复方案；根据所获取的修复方案的历史使用次数对所述修复方案进行排序；根据排序结果获取所述历史使用次数最多的修复方案作为所述目标故障类型对应的修复方案。
在一个实施例中，处理器执行计算机程序时所实现的所述查询与所述目标故障类型对应的修复方案，包括：获取与所述目标故障类型对应的多种修复方案；从所述多种修复方案中提取出最近使用的修复方案作为所述目标故障类型对应的修复方案。
在一个实施例中，处理器执行计算机程序时所实现的所述获取所述地下电缆的位置信息之后，还包括：获取与所述地下电缆的位置信息对应的城市地图；根据所述地下电缆的位置在所述城市地图中定位所述电缆的位置，并通过预警标识进行显示得到预警信息。处理器执行计算机程序时所实现的所述将所查询到的修复方案发送与所述位置信息对应的终端，包括：将所述预警信息以及所查询到的修复方案发送与所述位置信息对应的终端。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据；将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障类型识别模型中得到单模型结果；从所述单模型结果中提取初始故障类型以及与所述初始故障类型对应的初始参考值；删除每一初始故障类型中的差值大于预设值的初始参考值；根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，获取所述目标参考值最大的初始故障类型作为目标故障类型；查询与所述目标故障类型对应的修复方案；获取所述地下电缆的位置信息；将所查询到的修复方案发送到与所述位置信息对应的终端。
在一个实施例中，计算机程序被处理器执行时所实现的所述根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，包括：根据所述初始故障类型对所述初始参考值进行分组；计算得到每一组中的初始参考值的平均值作为对应的所述初始故障类型对应的目标参考值。
在一个实施例中，计算机程序被处理器执行时所实现的所述根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，包括：获取预先训练得到的与每一所述故障类型识别模型对应的权重，所述权重还与所述初始参考值对应；根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值。
在一个实施例中，计算机程序被处理器执行时所实现的所述根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值，包括：对所述初始参考值进行分类得到每一故障类型对应的中间参考值，且将所述故障类型识别模型未输出的故障类型对应的初始参考值设置为0；根据每一故障类型对应的中间参考值以及所述权重计算得到每一故障类型对应的目标参考值。
在一个实施例中，计算机程序被处理器执行时所实现的所述查询与所述目标故障类型对应的修复方案，包括：获取与所述目标故障类型对应的多种修复方案；根据所获取的修复方案的历史使用次数对所述修复方案进行排序；根据排序结果获取所述历史使用次数最多的修复方案作为所述目标故障类型对应的修复方案。
在一个实施例中，计算机程序被处理器执行时所实现的所述查询与所述目标故障类型对应的修复方案，包括：获取与所述目标故障类型对应的多种修复方案；从所述多种修复方案中提取出最近使用的修复方案作为所述目标故障类型对应的修复方案。
在一个实施例中，计算机程序被处理器执行时所实现的所述获取所述地下电缆的位置信息之后，还包括：获取与所述地下电缆的位置信息对应的城市地图；根据所述地下电缆的位置在所述城市地图中定位所述电缆的位置，并通过预警标识进行显示得到预警信息。计算机程序被处理器执行时所实现的所述将所查询到的修复方案发送与所述位置信息对应的终端，包括：将所述预警信息以及所查询到的修复方案发送与所述位置信息对应的终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于模型选择的地下电缆故障修复方法，其特征在于，所述方法包括：
通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据；
将所述当前环境数据以及所述当前运行数据输入至多个预先训练完成的故障类型识别模型中得到单模型结果；
从所述单模型结果中提取初始故障类型以及与所述初始故障类型对应的初始参考值；
删除每一初始故障类型中的差值大于预设值的初始参考值；
根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，获取所述目标参考值最大的初始故障类型作为目标故障类型；
查询与所述目标故障类型对应的修复方案；
获取所述地下电缆的位置信息；
将所查询到的修复方案发送到与所述位置信息对应的终端。
2.根据权利要求1所述的方法，其特征在于，所述根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，包括：
根据所述初始故障类型对所述初始参考值进行分组；
计算得到每一组中的初始参考值的平均值作为对应的所述初始故障类型对应的目标参考值。
3.根据权利要求1所述的方法，其特征在于，所述根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，包括：
获取预先训练得到的与每一所述故障类型识别模型对应的权重，所述权重还与所述初始参考值对应；
根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述权重以及对应的初始参考值计算得到每一所述故障类型对应的目标参考值，包括：
对所述初始参考值进行分类得到每一故障类型对应的中间参考值，且将所述故障类型识别模型未输出的故障类型对应的初始参考值设置为0；
根据每一故障类型对应的中间参考值以及所述权重计算得到每一故障类型对应的目标参考值。
5.根据权利要求1所述的方法，其特征在于，所述查询与所述故障类型对应的修复方案，包括：
获取与所述故障类型对应的多种修复方案；
根据所获取的修复方案的历史使用次数对所述修复方案进行排序；
根据排序结果获取所述历史使用次数最多的修复方案作为所述故障类型对应的修复方案。
6.根据权利要求1所述的方法，其特征在于，所述查询与所述故障类型对应的修复方案，包括：
获取与所述故障类型对应的多种修复方案；
从所述多种修复方案中提取出最近使用的修复方案作为所述故障类型对应的修复方案。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述获取所述地下电缆的位置信息之后，还包括：
获取与所述地下电缆的位置信息对应的城市地图；
根据所述地下电缆的位置在所述城市地图中定位所述电缆的位置，并通过预警标识进行显示得到预警信息；
所述将所查询到的修复方案发送与所述位置信息对应的终端，包括：
将所述预警信息以及所查询到的修复方案发送与所述位置信息对应的终端。
8.一种基于模型选择的地下电缆故障修复装置，其特征在于，所述装置包括：
采集模块，用于通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据；
识别模块，用于将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障类型识别模型中得到单模型结果；
提取模块，用于从所述单模型结果中提取初始故障类型以及与所述初始故障类型对应的初始参考值；
删除模块，用于删除每一初始故障类型中的差值大于预设值的初始参考值；选择模块，用于根据剩余的所述初始参考值以及所述初始故障类型计算每一所述初始故障类型对应的目标参考值，获取所述目标参考值最大的初始故障类型作为目标故障类型；
查询模块，用于查询与所述目标故障类型对应的修复方案；
位置获取模块，用于获取所述地下电缆的位置信息；
发送模块，用于将所查询到的修复方案发送与所述位置信息对应的终端。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911021333.1A CN110837898A (zh) | 2019-10-25 | 2019-10-25 | 基于模型选择的地下电缆故障修复方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911021333.1A CN110837898A (zh) | 2019-10-25 | 2019-10-25 | 基于模型选择的地下电缆故障修复方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110837898A true CN110837898A (zh) | 2020-02-25 |
Family
ID=69575600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911021333.1A Pending CN110837898A (zh) | 2019-10-25 | 2019-10-25 | 基于模型选择的地下电缆故障修复方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110837898A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113886130A (zh) * | 2021-10-21 | 2022-01-04 | 深信服科技股份有限公司 | 一种处理数据库故障的方法，装置及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930123A (zh) * | 2011-08-08 | 2013-02-13 | 华东电力试验研究院有限公司 | 电缆的全寿命周期成本的计算方法和计算系统 |
| CN104901828A (zh) * | 2015-01-22 | 2015-09-09 | 物联智慧股份有限公司 | 设备端故障排除方法 |
| CN105279580A (zh) * | 2015-11-13 | 2016-01-27 | 广州供电局有限公司 | 预测电缆发生外力破坏故障的次数的方法和系统 |
| CN105548832A (zh) * | 2015-12-10 | 2016-05-04 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
| CN106503885A (zh) * | 2016-09-28 | 2017-03-15 | 广西电网有限责任公司电力科学研究院 | 一种对电缆线路进行健康状态评估的方法 |
| CN109345658A (zh) * | 2018-10-29 | 2019-02-15 | 百度在线网络技术（北京）有限公司 | 车辆系统故障的修复方法、装置、设备、介质和车辆 |
| CN109407649A (zh) * | 2018-10-09 | 2019-03-01 | 宁波大学 | 一种基于故障特征变量选择的故障类型匹配方法 |
| CN109635008A (zh) * | 2018-12-21 | 2019-04-16 | 成都航天科工大数据研究院有限公司 | 一种基于机器学习的设备故障检测方法 |
| CN110132603A (zh) * | 2019-05-16 | 2019-08-16 | 杭州电子科技大学 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
| CN110309221A (zh) * | 2019-06-28 | 2019-10-08 | 国网上海市电力公司 | 基于电缆附件故障数据库的电缆故障识别系统 |
-
2019
- 2019-10-25 CN CN201911021333.1A patent/CN110837898A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930123A (zh) * | 2011-08-08 | 2013-02-13 | 华东电力试验研究院有限公司 | 电缆的全寿命周期成本的计算方法和计算系统 |
| CN104901828A (zh) * | 2015-01-22 | 2015-09-09 | 物联智慧股份有限公司 | 设备端故障排除方法 |
| CN105279580A (zh) * | 2015-11-13 | 2016-01-27 | 广州供电局有限公司 | 预测电缆发生外力破坏故障的次数的方法和系统 |
| CN105548832A (zh) * | 2015-12-10 | 2016-05-04 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
| CN106503885A (zh) * | 2016-09-28 | 2017-03-15 | 广西电网有限责任公司电力科学研究院 | 一种对电缆线路进行健康状态评估的方法 |
| CN109407649A (zh) * | 2018-10-09 | 2019-03-01 | 宁波大学 | 一种基于故障特征变量选择的故障类型匹配方法 |
| CN109345658A (zh) * | 2018-10-29 | 2019-02-15 | 百度在线网络技术（北京）有限公司 | 车辆系统故障的修复方法、装置、设备、介质和车辆 |
| CN109635008A (zh) * | 2018-12-21 | 2019-04-16 | 成都航天科工大数据研究院有限公司 | 一种基于机器学习的设备故障检测方法 |
| CN110132603A (zh) * | 2019-05-16 | 2019-08-16 | 杭州电子科技大学 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
| CN110309221A (zh) * | 2019-06-28 | 2019-10-08 | 国网上海市电力公司 | 基于电缆附件故障数据库的电缆故障识别系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113886130A (zh) * | 2021-10-21 | 2022-01-04 | 深信服科技股份有限公司 | 一种处理数据库故障的方法，装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
| CN110798245B (zh) | 基于单模型的地下电缆故障预警方法和装置 | |
| CN110875851B (zh) | 地下电缆故障预警方法和装置 | |
| CN112231493A (zh) | 基于知识图谱的机房故障诊断方法、装置、设备及介质 | |
| EP2613212B1 (en) | Diagnostic algorithm parameter optimization | |
| US7464063B2 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
| CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
| CN110825923A (zh) | 基于单模型的地下电缆故障修复方法和装置 | |
| CN111199346B (zh) | 综合管廊监理方法、装置、计算机设备以及存储介质 | |
| CN110334816B (zh) | 一种工业设备检测方法、装置、设备及可读存储介质 | |
| CN114514141A (zh) | 充电站监测方法和设备 | |
| CN109977146B (zh) | 故障诊断方法、装置及电子设备 | |
| CN110837956A (zh) | 地下电缆巡检任务分配方法和装置 | |
| US10816954B2 (en) | Risk assessment device, risk assessment method, and risk assessment program | |
| US10670498B2 (en) | Risk assessment device, risk assessment method, and risk assessment program | |
| CN110391840B (zh) | 太阳同步轨道卫星遥测参数异常判断方法和系统 | |
| CN110866839A (zh) | 基于多模型的地下电缆故障修复方法和装置 | |
| CN111027116A (zh) | 建筑物运维管理方法、装置、计算机设备和存储介质 | |
| CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
| CN116126947A (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
| CN110837898A (zh) | 基于模型选择的地下电缆故障修复方法和装置 | |
| CN113435753A (zh) | 高危行业中企业风险判定方法、装置、设备及介质 | |
| CN110851670A (zh) | 地下电缆故障修复方法和装置 | |
| CN110889357B (zh) | 基于标注区域的地下电缆故障检测方法和装置 | |
| CN110852461A (zh) | 故障地下电缆定位方法和装置 |
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 |