CN111209275A - 基于数据知识库的输电线路风振灾害特征识别方法与系统 - Google Patents
基于数据知识库的输电线路风振灾害特征识别方法与系统 Download PDFInfo
- Publication number
- CN111209275A CN111209275A CN201911394105.9A CN201911394105A CN111209275A CN 111209275 A CN111209275 A CN 111209275A CN 201911394105 A CN201911394105 A CN 201911394105A CN 111209275 A CN111209275 A CN 111209275A
- Authority
- CN
- China
- Prior art keywords
- data
- disaster
- transmission line
- wind vibration
- neural network
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 239000004020 conductor Substances 0.000 claims abstract description 28
- 230000010354 integration Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000002265 prevention Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000013095 identification testing Methods 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000003370 grooming effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008014 freezing Effects 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于数据知识库的输电线路风振灾害特征识别方法和系统,包括:基于输电线路导线风振灾害信息,从多源数据中获取相关历史数据;对所述历史数据进行整合;基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。实现了结构化和非结构化的灾害原始数据进行统一、规范化加工整合,搭建输电线路风振灾害的多层神经网络监督学习模型是输电线路风振灾害特征识别的的必要前提与基础。
Description
技术领域
本发明属于智能运检领域,具体涉及基于数据知识库的输电线路风振灾害特征识别方法与系统。
背景技术
随着电网规模的不断扩大和电网信息化水平的持续提升,多年来在输电线路运行过程中积累了大量的输电线路风振灾害监测和历史故障记录数据,输电线路导线风振灾害数据主要包括气象地理信息、机械力学损伤信息及导线结构材料数据等,已有数据库主要以运维单位的表格化台账记录、故障分析报告、现场视频、图片、监测后台信息等传统层面的多源异构数据为主,尚未建立统一化、规范化、标准化的数据库,制约了运维数据的利用效能发挥,并且利用传统分析手段对灾害数据加工利用效率及智能化程度低,不能满足电网智能化和泛在电力物联网的发展需求。
电网数据库研究方面,有些机构为开展故障诊断和负荷预测的数据挖掘,建立了电网系统的运行数据库,在系统控制运行层面从大数据角度实现了智能化分析,但其数据内容及应用场景与输电线路风振灾害数据库有较大差异,无法快速准确的对输电线路风振灾害特征进行识别和预测,无法对输电线路风振灾害防治提供决策支撑。
发明内容
本发明提供了基于数据知识库的输电线路风振灾害特征识别方法,其特征在于,包括:
基于输电线路导线风振灾害信息,从多源数据中获取相关历史数据;
对所述历史数据进行整合;
基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。
优选的,所述基于与输电线路导线风振灾害影响从多源数据中获取相关历史数据,包括:
基于历史故障缺陷台账、结构设计资料及气象地理信息统计历年的输电线路导线风振灾害故障缺陷历史记录及相关的线路结构参数与环境参数;
其中,所述故障缺陷历史记录包括:故障缺陷的类型、损伤位置及程度、发生时间、故障原因;
所述线路结构参数包括:电压等级、杆塔类型及高度、导线型号及分裂形式、导线跨度与弧垂、导线张力、防振措施;
所述输电线路环境参数包括:风速、风向、降水情况、温湿度、线路风向夹角、地貌类型、海拔高度。
优选的,所述对所述历史数据进行整合,包括:
对所述线路结构参数与环境参数进行数据清洗和整理;
从数据清洗和整理后的数据中选择风振灾害数据,以及随机选取部分正常数据,进行整合;
基于整合后的数据构建数据库。
优选的,所述基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别,包括:
将所述数据库中的数据划分为训练数据集和测试数据集;
基于训练数据集对多层神经网络监督学习模型进行训练,确定灾害特征,以及各灾害特征的权重;
利用测试数据集对所述识别出的灾害特征准确率进行评价,并基于评价结果修订所述多层神经网络监督学习模型中各灾害特征的权重;
其中,所述灾害特征包括:舞动、风偏、微风振动和次档距振荡。
优选的,所述利用测试数据集对识别出的灾害特征准确率进行评价,包括:
将测试数据集输入训练后的多层神经网络监督学习模型,得到测试特征识别类型;
根据所述测试特征识别类型和预测识别测试特征识别类型,采用深层结构设计、选用relu激活函数进行非线性化和使用交叉熵损失函数计算所述多层神经网络监督学习模型网络损失值;
根据所述多层神经网络监督学习模型损失值对灾害特征准确率进行评价。
优选的,所述数据清洗和整理,包括:
对数据进行量化、格式化、空值数据的处理、错误数据的筛查和数据抽样。
优选的,所述对数据进行量化、格式化包括:对所述线路结构参数和所述输电线路环境参数数据按照线路数据集属性表、降水形式量化表和风速量化进行量化、格式化处理。
进行空值数据的处理,包括:
如果训练所述多层神经网络监督学习模型属性缺失设定数量以上的则舍弃本条数据;
如果属性缺失设定数量以下,则根据本条数据的详情描述补充缺失数据;
如果详情描述没有记载则取所有数据的平均值作为本条数据的补充;
所述错误数据的筛查是根据输电线路风振灾害多年积累的经验筛查数据中的错误数据以及违反自然规律、对所述多层神经网络监督学习模型训练起到消极作用的数据;
所述数据抽样是对正常数据进行随机抽样,选取部分正常数据和风振灾害数据一起进行所述多层神经网络监督学习模型的训练。
基于同一发明构思,本发明还提供了基于数据知识库的输电线路风振灾害特征识别系统,其改进之处在于,包括:获取模块、整合模块和识别模块;
所述获取模块,用于基于输电线路导线风振灾害信息,从多源数据中获取相关历史数据;
所述整合模块,对所述历史数据进行整合;
所述识别模块,基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。
优选的,所述识别模块,包括:训练数据集单元和测试数据集单元;
所述训练数据集单元,用于基于所述训练数据集对多层神经网络监督学习模型进行训练,确定灾害特征,以及各灾害特征的权重;
所述测试数据集单元,用于利用所述测试数据集对所述识别出的灾害特征准确率进行评价,并基于评价结果修订所述多层神经网络监督学习模型中各灾害特征的权重。
优选的,所述整合模块,包括:清洗整理单元和随机选取单元;
所述清洗整理单元,用于对电网多源监测数据、故障历史记录、气象地理参数及线路结构参数分别进行数据清洗和整理;
所述随机选取单元,从数据清洗和整理后的数据中选择风振灾害数据,以及随机选取部分正常数据,进行整合。
与最接近的现有技术相比,本发明具有的有益效果如下:
1、本发明提供了基于数据知识库的输电线路风振灾害特征识别方法,包括:基于输电线路导线风振灾害信息,从多源数据中获取相关历史数据;对所述历史数据进行整合;基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。实现了结构化和非结构化的灾害原始数据进行统一、规范化加工整合,搭建输电线路风振灾害的多层神经网络监督学习模型是输电线路风振灾害特征识别的的必要前提与基础。
2、本发明对大量风振灾害数据展开深入挖掘和机器学习,进而从数据驱动角度实现对输电线路风振灾害特征的智能化识别和预测,为输电线路风振灾害防治提供决策支撑。
附图说明
图1为输电线路导线风振灾害数据识别方法流程图;
图2为输电线路导线风振灾害数据识别方法总框架图;
图3为输电线路导线风振灾害数据识别系统图;
图4为输电线路导线风振灾害数据识别方法结构图;
图5训练过程的准确率曲线(上)和损失函数曲线(下);
图6为输电线路导线风振灾害数据自动分类统计图示意图;
图7为输电线路导线风振灾害数据识别系统结构图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
本发明提供了一种输电线路风振灾害特征识别方法,主要实现途径为首先统计与输电线路导线风振灾害相关的广域多源数据搜集、统计;然后对数据进行筛选整合,获得统一化、标准化的数据格式;最后应用TensorFlow系统架构搭建导线风振灾害特征识别神经网络,数据库具备自动分类统计、检索、在线分析及可视化功能。各示意图见图1-图7。其中,图6中:a为风速统计直方图,b为风向与线路夹角统计直方图,c为温度统计直方图,d为导线排列方式直方图,e为风对舞动影响统计图。
(1)通过对电网运维(科研)单位、设计单位及气象部门开展调研,基于历史故障缺陷台账、结构设计资料及气象地理信息统计历年的输电线路导线风振灾害故障缺陷历史记录及相关的线路结构参数与环境参数。其中故障缺陷历史记录主要指故障缺陷的类型、损伤位置及程度、发生时间、故障原因等,线路结构参数主要指电压等级、杆塔类型及高度、导线型号及分裂形式、导线跨度与弧垂、导线张力、防振措施等,输电线路环境参数主要指气象地理参数,主要包括风速、风向、温湿度、线路风向夹角、地貌类型、海拔高度等。
(2)对上述数据进行清洗和整理,主要包括对数据进行量化、格式化、空值数据的处理、错误数据的筛查和数据抽样等操作。其中量化、格式化规则如表1、表2、表3所示;空值处理情况如下:
1)如果训练多层神经网络监督学习模型属性缺失3条以上则舍弃本条数据。
2)如果属性缺失3条以下,则根据本条数据的详情描述补充缺失数据。
3)如果详情描述没有记载则取所有数据的平均值作为本条数据的补充。
错误数据的筛查是根据输电线路风振灾害多年积累的经验筛查数据中的错误数据以及违反自然规律、对多层神经网络监督学习模型训练起到消极作用的数据;数据抽样是由于数据样本极度不均衡,正常数据量远远超过发生风振灾害的数据量,所以对正常数据进行随机抽样,选取部分正常数据和风振灾害数据一起进行多层神经网络监督学习模型的训练。
表1数据集A属性量化对照表
表2降水形式量化表
降水形式 | 降水量(mm) |
暴雪 | 60(12h)、80(24h) |
湿雪 | 8 |
雪淞 | 15 |
雨凇 | 20 |
冰淞 | 10 |
小雪 | 10(12h)、25(24h) |
大雪 | 45(12h)、75(24h) |
雾凇 | 1 |
雨夹雪 | 10 |
中雪 | 20(12h)、50(24h) |
冻雨 | 10 |
冰雹 | 5 |
表3风速量化表
(3)利用构建好的数据库进行多层神经网络监督学习模型参数配置;经过数据的清洗和整理共得到16万余条风振灾害数据,数据量规模能够进行针对输电线路风振灾害预测的多层神经网络监督学习模型的设计和训练,并逐步进行深层次的网络构建。经过分析和测试,最终选用多层神经网络的监督学习模型,多层神经网络监督学习模型采用深层结构设计、选用relu激活函数进行非线性化、使用交叉熵损失函数计算多层神经网络监督学习模型损失值、采用随机梯度下降算法进行权重的更新,结构如图4所示,其中,Input表示输入,output表示输出,inputlayer表示输入层,Dense表示稠密的。
(4)输入数据按照比例8:2随机划分为训练集和测试集,对数据进行批处理操作,批量大小为5。完整的样本数据迭代50次,训练过程中的准确率和损失函数的变化曲线如图5所示,图5的上图为训练过程的准确率曲线,图5的下图为训练过程的损失函数曲线。
(5)采用Laravel系统架构搭建输电线路导线风振灾害的识别系统,系统使用PHP语言进程代码进行开发,使用MySQL存储数据,使用Bootstrap进行前端布局。最终的数据知识库具有自动的风振灾害地图分布展示、风振灾害数据导入导出、风振灾害统计分析、风振灾害识别、风振灾害数据查询检索等功能。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (11)
1.基于数据知识库的输电线路风振灾害特征识别方法,其特征在于,包括:
基于输电线路导线风振灾害影响从多源数据中获取相关历史数据;
对所述历史数据进行整合;
基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。
2.根据权利要求1所述的方法,其特征在于,所述基于与输电线路导线风振灾害影响从多源数据中获取相关历史数据,包括:
基于历史故障缺陷台账、结构设计资料及气象地理信息统计历年的输电线路导线风振灾害故障缺陷历史记录及相关的线路结构参数与环境参数;
其中,所述故障缺陷历史记录包括:故障缺陷的类型、损伤位置及程度、发生时间、故障原因;
所述线路结构参数包括:电压等级、杆塔类型及高度、导线型号及分裂形式、导线跨度与弧垂、导线张力、防振措施;
所述输电线路环境参数包括:风速、风向、降水情况、温湿度、线路风向夹角、地貌类型、海拔高度。
3.根据权利要求2所述的方法,其特征在于,所述对所述历史数据进行整合,包括:
对所述线路结构参数与环境参数进行数据清洗和整理;
从数据清洗和整理后的数据中选择风振灾害数据,以及随机选取部分正常数据,进行整合;
基于整合后的数据构建数据库。
4.根据权利要求3所述的方法,其特征在于,所述基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别,包括:
将所述数据库中的数据划分为训练数据集和测试数据集;
基于训练数据集对多层神经网络监督学习模型进行训练,确定灾害特征,以及各灾害特征的权重;
利用测试数据集对所述识别出的灾害特征准确率进行评价,并基于评价结果修订所述多层神经网络监督学习模型中各灾害特征的权重;
其中,所述灾害特征包括:舞动、风偏、微风振动和次档距振荡。
5.根据权利要求4所述的方法,其特征在于,所述利用测试数据集对识别出的灾害特征准确率进行评价,包括:
将测试数据集输入训练后的多层神经网络监督学习模型,得到测试特征识别类型;
根据所述测试特征识别类型和预测识别测试特征识别类型,采用深层结构设计、选用relu激活函数进行非线性化和使用交叉熵损失函数计算所述多层神经网络监督学习模型网络损失值;
根据所述多层神经网络监督学习模型损失值对灾害特征准确率进行评价。
6.根据权利要求3所述的方法,其特征在于,所述数据清洗和整理,包括:
对数据进行量化、格式化、空值数据的处理、错误数据的筛查和数据抽样。
7.根据权利要求6所述的方法,其特征在于,所述对数据进行量化、格式化包括:对所述线路结构参数和所述输电线路环境参数数据按照线路数据集属性表、降水形式量化表和风速量化进行量化、格式化处理。
8.根据权利要求6所述的方法,其特征在于,进行空值数据的处理,包括:
如果训练所述多层神经网络监督学习模型属性缺失设定数量以上的则舍弃本条数据;
如果属性缺失设定数量以下,则根据本条数据的详情描述补充缺失数据;
如果详情描述没有记载则取所有数据的平均值作为本条数据的补充;
所述错误数据的筛查是根据输电线路风振灾害多年积累的经验筛查数据中的错误数据以及违反自然规律、对所述多层神经网络监督学习模型训练起到消极作用的数据;
所述数据抽样是对正常数据进行随机抽样,选取部分正常数据和风振灾害数据一起进行所述多层神经网络监督学习模型的训练。
9.基于数据知识库的输电线路风振灾害特征识别系统,其特征在于,包括:获取模块、整合模块和识别模块;
所述获取模块,用于基于输电线路导线风振灾害信息,从多源数据中获取相关历史数据;
所述整合模块,对所述历史数据进行整合;
所述识别模块,基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。
10.根据权利要求9所述的系统,其特征在于,所述识别模块,包括:训练数据集单元和测试数据集单元;
所述训练数据集单元,用于基于所述训练数据集对多层神经网络监督学习模型进行训练,确定灾害特征,以及各灾害特征的权重;
所述测试数据集单元,用于利用所述测试数据集对所述识别出的灾害特征准确率进行评价,并基于评价结果修订所述多层神经网络监督学习模型中各灾害特征的权重。
11.根据权利要求9所述的系统,其特征在于,所述整合模块,包括:清洗整理单元和随机选取单元;
所述清洗整理单元,用于对电网多源监测数据、故障历史记录、气象地理参数及线路结构参数分别进行数据清洗和整理;
所述随机选取单元,用于从数据清洗和整理后的数据中选择风振灾害数据,以及随机选取部分正常数据,进行整合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394105.9A CN111209275A (zh) | 2019-12-30 | 2019-12-30 | 基于数据知识库的输电线路风振灾害特征识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394105.9A CN111209275A (zh) | 2019-12-30 | 2019-12-30 | 基于数据知识库的输电线路风振灾害特征识别方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111209275A true CN111209275A (zh) | 2020-05-29 |
Family
ID=70784177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911394105.9A Pending CN111209275A (zh) | 2019-12-30 | 2019-12-30 | 基于数据知识库的输电线路风振灾害特征识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209275A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112290450A (zh) * | 2020-10-19 | 2021-01-29 | 重庆邮电大学 | 一种面向输电线路舞动状态的自驱动传感方法 |
CN114076873A (zh) * | 2021-11-04 | 2022-02-22 | 广州番禺电缆集团有限公司 | 电缆故障分析预测方法和装置 |
-
2019
- 2019-12-30 CN CN201911394105.9A patent/CN111209275A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112290450A (zh) * | 2020-10-19 | 2021-01-29 | 重庆邮电大学 | 一种面向输电线路舞动状态的自驱动传感方法 |
CN112290450B (zh) * | 2020-10-19 | 2021-11-09 | 重庆邮电大学 | 一种面向输电线路舞动状态的自驱动传感方法 |
CN114076873A (zh) * | 2021-11-04 | 2022-02-22 | 广州番禺电缆集团有限公司 | 电缆故障分析预测方法和装置 |
CN114076873B (zh) * | 2021-11-04 | 2023-10-24 | 广州番禺电缆集团有限公司 | 电缆故障分析预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796284B (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN111815037B (zh) | 一种基于注意力机制的可解释性短临极端降雨预测方法 | |
CN111639815B (zh) | 一种多模型融合预测电网缺陷物资的方法及系统 | |
CN112149898B (zh) | 故障率预测模型的训练、故障率预测方法及相关装置 | |
CN110598726A (zh) | 一种基于随机森林的输电杆塔鸟害风险预测方法 | |
CN110334732A (zh) | 一种基于机器学习的空气质量预报方法和装置 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN107784395A (zh) | 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 | |
CN111209275A (zh) | 基于数据知识库的输电线路风振灾害特征识别方法与系统 | |
CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
CN111079968A (zh) | 基于多特征融合的景区游玩轨迹预测系统 | |
CN110704616B (zh) | 设备告警工单识别方法及装置 | |
CN108491877A (zh) | 一种分类对流天气概率预报方法及装置 | |
CN109543874A (zh) | 一种结合气象条件影响的机场空气质量预测方法 | |
CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
CN110297469A (zh) | 基于重采样的集成特征选择算法的生产线故障判断方法 | |
CN111986027A (zh) | 基于人工智能的异常交易处理方法、装置 | |
CN111709775A (zh) | 一种房产价格评估方法、装置、电子设备及存储介质 | |
CN116881819A (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
CN116739317B (zh) | 一种矿用绞车自动化管理及调度平台、方法、设备及介质 | |
CN109213840A (zh) | 基于多维特征深度学习的热点网格识别方法 | |
CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
CN114781473A (zh) | 轨道交通设备状态预测方法、装置、设备及存储介质 | |
CN113807454A (zh) | 能见度确定方法、装置、计算机设备及可读存储介质 | |
CN113837486A (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
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 |