CN114372596A - 一种基于数据融合的电力数据分析方法和系统 - Google Patents
一种基于数据融合的电力数据分析方法和系统 Download PDFInfo
- Publication number
- CN114372596A CN114372596A CN202210274450.4A CN202210274450A CN114372596A CN 114372596 A CN114372596 A CN 114372596A CN 202210274450 A CN202210274450 A CN 202210274450A CN 114372596 A CN114372596 A CN 114372596A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- power
- fusion
- maintainers
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 117
- 238000007405 data analysis Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000010354 integration Effects 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100380328 Dictyostelium discoideum asns gene Proteins 0.000 description 1
- 241000623377 Terminalia elliptica Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 101150062095 asnA gene Proteins 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据融合的电力数据分析方法和系统,涉及电力数据分析技术领域,所述方法包括自动获取多个系统中的电力调控多维数据,进行数据融合,然后根据融合后的数据判断是否存在异常数据,并根据异常数据定位电力系统的故障原因和故障点,利用故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据,结合训练好的BP神经网络模型判断故障的风险等级,不需要依靠人工对多系统数据进行整合分析,提高了电力设备数据分析的自动化程度,解决了目前对电力设备的运行情况进行分析,需要人工从多个系统中调取数据,然后进行数据整合与分析,效率低下,且难以及时发现电力数据异常的技术问题。
Description
技术领域
本发明涉及电力数据分析技术领域,尤其涉及一种基于数据融合的电力数据分析方法和系统。
背景技术
目前电网对电力通信的管理主要依靠各专业网管、通信运行管控系统、PMS系统等多个信息系统来实现,电力数据分散存储在不同的系统中,不同专业或者业务流程的不同阶段的数据在不同的系统中产生。目前对电力设备进行运行分析,需要人工从多个系统中调取数据,然后进行数据整合与分析,效率低下,且难以及时发现电力数据异常。
发明内容
本发明提供了一种基于数据融合的电力数据分析方法和系统,用于解决目前对电力设备的运行情况进行分析,需要人工从多个系统中调取数据,然后进行数据整合与分析,效率低下,且难以及时发现电力数据异常的技术问题。
有鉴于此,本发明第一方面提供了一种基于数据融合的电力数据分析方法,包括以下步骤:
S1、从多个电力调度系统中获取大电网调控多维数据,多个电力调度系统包括PMS系统、EMS系统、OMS系统、配电自动化系统、调度自动化系统、同期线损系统、用电信息采集系统和营销系统中的任意两个以上的系统;
S2、对获取到的多维数据进行数据融合,将多维数据纳入一个数据表中,得到第一融合数据;
S3、对第一融合数据进行分析,判断是否存在异常数据,若是,则根据异常数据定位电力系统的故障原因和故障点,其中,故障原因包括电力设备自身原因和外力原因;
S4、获取故障点的影响参数,影响参数包括故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据;
S5、将故障点的影响参数输入训练好的BP神经网络模型中,判断故障的风险等级。
可选地,步骤S3中,在根据异常数据定位电力系统的故障原因为外力原因时,还包括以下步骤:
S6、从电力系统的视频监控系统获取组合成输电线路现场图像的多组输电线路图像数据;
S7、对多组输电线路图像数据分别进行图像特征提取,得到特征图像;
S8、将提取到的特征图像进行拼接后输入卷积融合模型中,得到第二融合数据;
S9、对第二融合数据进行外破隐患对象识别,判断第二融合数据中是否存在输电线路的外破隐患对象,若是,则定位外破隐患对象位置并进行外破告警。
可选地,步骤S5之后还包括:
S10、根据故障原因和故障风险等级,指定对应数量的检修人员到故障点进行故障处理。
可选地,步骤S10具体包括:
S10-1、根据检修人员携带的移动终端获取检修人员的实时位置和作业状态,以故障点为圆心筛选出距故障点预置距离范围内的候选检修人员;
S10-2、根据故障原因和故障风险等级确定处理故障需要的检修人员数量,根据处理故障需要的检修人员数量向对应数量的候选检修人员的移动终端派发工单,使得接收工单的检修人员到故障点进行故障处理。
可选地,步骤S10-2具体包括:
S10-21、根据故障原因和故障风险等级确定处理故障需要的检修人员数量,根据处理故障需要的检修人员数量向对应数量的候选检修人员的移动终端派发工单;
S10-22、接收候选检修人员反馈的接收工单结果,接收工单结果包括接收和拒绝;
S10-23、若候选检修人员反馈拒绝接收工单的信号,则重新选择新的候选检修人员的移动终端派发工单,直至接收工单的数量达到处理故障需要的检修人员数量,其中,当距故障点预置距离范围内的候选检修人员数量不足时,从后台获取在岗且作业状态为空闲的检修人员作为候选检修人员。
可选地,步骤S10之后,还包括:
步骤S11、通过移动终端上的摄像头获取检修人员的故障处理情况,对检修人员的故障处理情况进行评价,将检修人员的故障处理情况和评价结果绑定保存至数据库。
可选地,步骤S10-21具体包括:
根据故障原因和故障风险等级确定处理故障需要的检修人员的数量和检修人员的专业等级要求;
若故障风险等级为中低风险等级,则筛选出距故障点预置距离范围内距离最近的候选检修人员;
若故障风险等级为高风险等级以上,则筛选出距故障点预置距离范围内的具备高等专业级别的候选检修人员;
根据处理故障需要的检修人员数量向对应数量的候选检修人员的移动终端派发工单。
可选地,当根据异常数据定位电力系统的故障原因为外力原因时,依据外破隐患对象的数量确定处理故障需要的检修人员数量,其中一个外破隐患对象对应的处理故障需要的检修人员数量为五个。
本发明第二方面提供了一种基于数据融合的电力数据分析系统,包括以下模块:
电力调控多维数据获取模块,用于从多个电力调度系统中获取大电网调控多维数据,多个电力调度系统包括PMS系统、EMS系统、OMS系统、配电自动化系统、调度自动化系统、同期线损系统、用电信息采集系统和营销系统中的任意两个以上的系统;
第一数据融合模块,用于对获取到的多维数据进行数据融合,将多维数据纳入一个数据表中,得到第一融合数据;
第一融合数据分析模块,用于对第一融合数据进行分析,判断是否存在异常数据,若是,则根据异常数据定位电力系统的故障原因和故障点,其中,故障原因包括电力设备自身原因和外力原因;
故障点数据获取模块,用于获取故障点的影响参数,影响参数包括故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据;
故障等级识别模块,用于将故障点的影响参数输入训练好的BP神经网络模型中,判断故障的风险等级。
可选地,还包括:
图像数据获取模块,用于在第一融合数据分析模块根据异常数据定位电力系统的故障原因为外力原因时,从电力系统的视频监控系统获取组合成输电线路现场图像的多组输电线路图像数据;
图像特征提取模块,用于对多组输电线路图像数据分别进行图像特征提取,得到特征图像;
第二数据融合模块,用于将提取到的特征图像进行拼接后输入卷积融合模型中,得到第二融合数据;
第二融合数据分析模块,用于对第二融合数据进行外破隐患对象识别,判断第二融合数据中是否存在输电线路的外破隐患对象,若是,则定位外破隐患对象位置并进行外破告警。
从以上技术方案可以看出,本发明提供的基于数据融合的电力数据分析方法和系统具有以下优点:
本发明提供的基于数据融合的电力数据分析方法和系统,自动获取多个系统中的电力调控多维数据,进行数据融合,然后根据融合后的数据判断是否存在异常数据,并根据异常数据定位电力系统的故障原因和故障点,利用故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据,结合训练好的BP神经网络模型判断故障的风险等级,不需要依靠人工对多系统数据进行整合分析,提高了电力设备数据分析的自动化程度,解决了目前对电力设备的运行情况进行分析,需要人工从多个系统中调取数据,然后进行数据整合与分析,效率低下,且难以及时发现电力数据异常的技术问题。
同时,本发明中还从电力系统的视频监控系统获取组合成输电线路现场图像的多组输电线路图像数据,结合图像特征提取、图像融合和目标识别技术,判断输电线路是否存在外破隐患对象。还可以在依据多维数据定位故障原因为外力原因时辅助输电线路图像数据定位外破隐患对象,进一步提高了输电线路电力设备故障的定位精度。
进一步地,还提供了依据故障原因和风险等级确定检修人员到故障现场进行故障处理的策略,实现了故障维修的紧急调度以及合理优化运检任务的分配,可实时、准确地掌握电力通信网整体态势。
附图说明
为了更清楚的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的介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明提供的一种基于数据融合的电力数据分析方法的第一个流程示意图;
图2为本发明提供的一种基于数据融合的电力数据分析方法的第二个流程示意图;
图3为本发明提供的一种基于数据融合的电力数据分析方法的第三个流程示意图;
图4为本发明提供的一种基于数据融合的电力数据分析方法的指定对应数量的检修人员到故障点进行故障处理的第一个流程框图;
图5为本发明提供的一种基于数据融合的电力数据分析方法的指定对应数量的检修人员到故障点进行故障处理的第二个流程框图;
图6为本发明提供的一种基于数据融合的电力数据分析系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
实施例1
为了便于理解,请参阅图1,本发明中提供了一种基于数据融合的电力数据分析方法的实施例,包括以下步骤:
步骤101、从多个电力调度系统中获取大电网调控多维数据,多个电力调度系统包括PMS系统、EMS系统、OMS系统、配电自动化系统、调度自动化系统、同期线损系统、用电信息采集系统和营销系统中的任意两个以上的系统。
需要说明的是,本发明中,首先实时或定时从多个电力调度系统中获取大电网调控多维数据,多维数据来源于PMS系统(电力管理系统,Power Management System)、EMS系统(能量管理系统,Energy Management System)、OMS系统(电网调度管理系统,OutageManagement System)、配电自动化系统、调度自动化系统、同期线损系统、用电信息采集系统和营销系统中的任意两个以上的系统。具体地,可以从PMS系统、EMS系统、OMS系统、配电自动化系统和调度自动化系统获取电网配网线路部分台账信息数据、电力基础信息数据、运维基础数据和调度基础数据,从营销系统获取电力消耗信息数据,从用电信息采集系统获取每月公、配变停电明细信息数据。
步骤102、对获取到的多维数据进行数据融合,将多维数据纳入一个数据表中,得到第一融合数据。
需要说明的是,通过预设的第一融合模型,提取多维数据中的关键词,根据关键词对多维数据进行分类,例如以电压等级为关键词,将110kV输电线路的电力设备数据归类统计,将220kV输电线路的电力设备数据归类统计,也就是将从多个电力调度系统中获取到的数据进行归类,将多个电力调度系统中属于110kV输电线路的电力设备数据聚合在一起,属于220kV输电线路的电力设备数据聚合在一起,不再需要人为跨系统调取多个系统的数据。将这些归类后的多维数据纳入一个集成的数据表中即完成数据融合,有利于提高数据查询和读取的效率,也方便用户查看。第一融合数据可以存储在云平台数据库中。
步骤103、对第一融合数据进行分析,判断是否存在异常数据,若是,则根据异常数据定位电力系统的故障原因和故障点,其中,故障原因包括电力设备自身原因和外力原因。
需要说明的是,每个可能会导致电力系统故障的电力设备数据都有一个正常的参考范围,因此,只需要将第一融合数据与电力设备正常运行的参考范围值进行比对,即可判断出数据是否存在异常。电力系统的故障可能是由于电力设备自身原因导致的,例如电力设备老化、短路等,也可能是由于外力原因导致的,例如挖掘机等外破隐患对象。不同的故障原因导致的数据异常情况也是不同的,因而,根据异常数据的真实值可以定位出故障原因。电力设备的坐标位置也是可在电力调度系统中获得的,因此,根据异常数据对应的线路拓扑和对应的电力设备位置,可定位出故障点。根据电力系统的电力设备运行数据判断故障原因和故障点位置是现有技术,在此不再对具体实现过程进行赘述。
步骤104、获取故障点的影响参数,影响参数包括故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据。
步骤105、将故障点的影响参数输入训练好的BP神经网络模型中,判断故障的风险等级。
需要说明的是,电力系统故障的影响程度与故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据有关,因此,本发明中将故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据作为输入因子,输入训练好的BP神经网络模型中,利用训练好的BP神经网络模型判断故障的风险等级。
具体地,BP神经网络模型包括输入层、输出层和隐含层,输入层有六个神经元,六个神经元对应的输入因子即为故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据,输出层有两个神经元Y1和Y2,Y1和Y2分别具有两种状态,即0或1,通过0或1的排列组合构成故障的风险等级,例如输出层的输出结果Y1Y2=00时,故障为低风险等级,输出层的输出结果Y1Y2=01时,故障为中风险等级,输出层的输出结果Y1Y2=10时,故障为高风险等级,输出层的输出结果Y1Y2=11时,故障为超高风险等级。
BP神经网络模型的隐含层神经元数量为六个。
各层间的传递函数采用sigmod型传递函数,如下式所示:
其中,x为隐含层或输出层的下层的输入变量值,g(x)为输出值。
在将输入因子输入BP神经网络模型之前,还需要对输入因子进行归一化处理。对于非数值型数据(例如地形地貌),预先设置非数值型数据(例如地形地貌)和危险等级的对应关系,危险等级采用数值表示,根据地形地貌,获取对应的数值进行归一化,最后将归一化后的数据输入BP神经网络模型进行学习训练,得到训练后的BP神经网络模型,利用训练后的BP神经网络模型进行故障的风险等级评估。
本发明实施例提供的基于数据融合的电力数据分析方法和系统,自动获取多个系统中的电力调控多维数据,进行数据融合,然后根据融合后的数据判断是否存在异常数据,并根据异常数据定位电力系统的故障原因和故障点,利用故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据,结合训练好的BP神经网络模型判断故障的风险等级,不需要依靠人工对多系统数据进行整合分析,提高了电力设备数据分析的自动化程度,解决了目前对电力设备的运行情况进行分析,需要人工从多个系统中调取数据,然后进行数据整合与分析,效率低下,且难以及时发现电力数据异常的技术问题。
实施例2
为了便于理解,请参阅图2,本发明中提供了一种基于数据融合的电力数据分析方法的另一个实施例,在实施例1中的步骤103根据异常数据定位电力系统的故障原因为外力原因时,在执行步骤104-步骤105的基础上,还同时执行步骤106-步骤109,进一步判定电力系统的故障原因是否是由于外破隐患对象造成的:
步骤106、从电力系统的视频监控系统获取组合成输电线路现场图像的多组输电线路图像数据。
步骤107、对多组输电线路图像数据分别进行图像特征提取,得到特征图像。
步骤108、将提取到的特征图像进行拼接后输入卷积融合模型中,得到第二融合数据。
步骤109、对第二融合数据进行外破隐患对象识别,判断第二融合数据中是否存在输电线路的外破隐患对象,若是,则定位外破隐患对象位置并进行外破告警。
需要说明的是,从电力系统的视频监控系统获取组合成输电线路现场图像的多组输电线路图像数据,多组输电线路图像数据在组合后可形成一个输电线路现场图像。在实际运用中,可通过设置于现场的多个摄像头实现输电线路图像数据的采集。
采用第二融合模型对多组输电线路图像数据进行处理,生成第二融合数据。第二融合模型包括多层残差特征提取模块和融合模块。将每一组输电线路图像数据输入第一层残差特征提取模块中,获得第一尺度特征图像,其中,第一层残差特征提取模块包括残差部分和跳跃连接部分,残差部分的卷积部分使用2层3×3×32卷积核,跳跃连接部分使用1层1×1×32卷积核,第一层残差特征提取模块通过下式表示:
将第一尺度特征图像输入到第二层残差特征提取模块中,获得第二尺度全色特征图像,每一组输电线路图像数据对应一个第二尺度全色特征图像,其中,第二层残差特征提取模块包括残差部分和跳跃连接部分,残差部分的卷积部分使用2层3×3×64卷积核,跳跃连接部分使用1层1×1×64卷积核,第二层残差特征提取模块通过下式表示:
将多组第二尺度全色特征图像进行图像拼接后输入卷积融合模型中,其中,卷积融合模型使用3层1×1×32卷积核,卷积融合模型通过下式表示:
其中,表示融合结果,表示融合规则(即表示与通道拼接相关的规则),表示第1组第二尺度全色特征图像,表示第n组第二尺度全色特征图像,表示拼接操作,表示卷积核。上述公式表示的含义是将n个特征图像通过卷积核进行卷积操作以通道拼接的形式进行特征融合。
卷积融合模型的融合结果即为第二融合数据。
对第二融合数据进行外破隐患对象识别,判断第二融合数据中是否存在输电线路的外破隐患对象(例如挖掘机械),若是,则定位外破隐患对象位置并进行外破告警。将第二融合数据转化为灰度图像,并作为目标图像与模板图像中的外破隐患对象图像对比,发现目标图像中存在与模板图像中外破隐患对象图像匹配的图像后,则进一步的检索图像内是否同时满足地面与挖掘机在同一图像内,若地面与挖掘机存在同一图像内,则第二融合数据中存在挖掘机械的图像。外破隐患对象位置可根据摄像头的位置确定。
本发明实施例中还从电力系统的视频监控系统获取组合成输电线路现场图像的多组输电线路图像数据,结合图像特征提取、图像融合和目标识别技术,判断输电线路是否存在外破隐患对象。
还可以在依据多维数据定位故障原因为外力原因时辅助输电线路图像数据定位外破隐患对象,进一步提高了输电线路电力设备故障的定位精度。
实施例3
为了便于理解,请参阅图3至图5,在前述实施例1或实施例2的基础上,步骤105之后,还可以包括:
步骤110、根据故障原因和故障风险等级,指定对应数量的检修人员到故障点进行故障处理。
确定故障原因和故障风险等级之后,可根据故障原因和故障风险等级和检修人员的对应关系,指定对应数量的检修人员到故障点进行故障处理。具体地,在岗的检修人员都携带对应标识的移动终端,移动终端记录检修人员的位置和作业状态(检修作业中或空闲中)。根据检修人员携带的移动终端获取检修人员的实时位置和作业状态,以故障点为圆心筛选出距故障点预置距离范围内的候选检修人员,根据故障原因和故障风险等级确定处理故障需要的检修人员数量,根据处理故障需要的检修人员数量向对应数量的候选检修人员的移动终端派发工单,使得接收工单的检修人员到故障点进行故障处理。
接收到工单的候选检修人员可以接收该工单任务,也可以拒绝该工单任务,若接收该工单任务,则通过移动终端反馈接收工单信号,若拒绝该工单任务,则通过移动终端反馈拒绝该工单任务的信号,若拒绝该工单任务,检修人员需通过移动终端输入拒绝的理由。若候选检修人员反馈拒绝接收工单的信号,则重新选择新的候选检修人员的移动终端派发工单,直至接收工单的数量达到处理故障需要的检修人员数量,其中,当距故障点预置距离范围内的候选检修人员数量不足时,从后台获取在岗且作业状态为空闲的检修人员作为候选检修人员。
在一个实施例中,以故障点为圆心筛选出距故障点预置距离范围内的候选检修人员时,若故障风险等级为中低风险等级,则筛选出距故障点预置距离范围内距离最近的(若需求的数量为两个以上,则根据距离排序选择最近的两个以上的)候选检修人员;若故障风险等级为高风险等级以上,则筛选出距故障点预置距离范围内的具备高等专业级别的候选检修人员。
当根据异常数据定位电力系统的故障原因为外力原因时,依据外破隐患对象的数量确定处理故障需要的检修人员数量,其中一个外破隐患对象对应的处理故障需要的检修人员数量为五个。
在一个实施例中,在移动终端上还设有摄像头,通过移动终端上的摄像头获取检修人员的故障处理情况,通过摄像头发送现场照片至管理后台,在管理后台结合现场照片以及检修人员自身的技术水平等级对检修人员的故障处理情况进行评价,评价过程可在计算机中进行。具体地,可建立故障处理参考操作表,故障处理参考操作表中记录有各故障类型的操作规范,结合检修人员在故障处理时的操作符合操作规范的程度和检修人员技术水平等级,给出故障处理评价,将检修人员的故障处理情况和评价结果绑定保存至数据库。
本发明实施例中的基于数据融合的电力数据分析方法还提供了依据故障原因和风险等级确定检修人员到故障现场进行故障处理的策略,实现了故障维修的紧急调度以及合理优化运检任务的分配,可实时、准确地掌握电力通信网整体态势。
实施例4
为了便于理解,请参阅图6,本发明中提供了一种基于数据融合的电力数据分析系统的实施例,包括以下模块:
电力调控多维数据获取模块,用于从多个电力调度系统中获取大电网调控多维数据,多个电力调度系统包括PMS系统、EMS系统、OMS系统、配电自动化系统、调度自动化系统、同期线损系统、用电信息采集系统和营销系统中的任意两个以上的系统;
第一数据融合模块,用于对获取到的多维数据进行数据融合,将多维数据纳入一个数据表中,得到第一融合数据;
第一融合数据分析模块,用于对第一融合数据进行分析,判断是否存在异常数据,若是,则根据异常数据定位电力系统的故障原因和故障点,其中,故障原因包括电力设备自身原因和外力原因;
故障点数据获取模块,用于获取故障点的影响参数,影响参数包括故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据;
故障等级识别模块,用于将故障点的影响参数输入训练好的BP神经网络模型中,判断故障的风险等级。
图像数据获取模块,用于从电力系统的视频监控系统获取组合成输电线路现场图像的多组输电线路图像数据;
图像特征提取模块,用于在第一融合数据分析模块根据异常数据定位电力系统的故障原因为外力原因时,对多组输电线路图像数据分别进行图像特征提取,得到特征图像;
第二数据融合模块,用于将提取到的特征图像进行拼接后输入卷积融合模型中,得到第二融合数据;
第二融合数据分析模块,用于对第二融合数据进行外破隐患对象识别,判断第二融合数据中是否存在输电线路的外破隐患对象,若是,则定位外破隐患对象位置并进行外破告警。
还包括:
故障处理模块,用于以故障点为圆心,根据故障原因和故障风险等级,指定对应数量的检修人员到故障点进行故障处理。
故障处理模块具体用于执行以下步骤:
S10-1、根据检修人员携带的移动终端获取检修人员的实时位置和作业状态,以故障点为圆心筛选出距故障点预置距离范围内的候选检修人员;
S10-2、根据故障原因和故障风险等级确定处理故障需要的检修人员数量,根据处理故障需要的检修人员数量向对应数量的候选检修人员的移动终端派发工单,使得接收工单的检修人员到故障点进行故障处理。
步骤S10-2具体包括:
S10-21、根据故障原因和故障风险等级确定处理故障需要的检修人员数量,根据处理故障需要的检修人员数量向对应数量的候选检修人员的移动终端派发工单;
S10-22、接收候选检修人员反馈的接收工单结果,接收工单结果包括接收和拒绝;
S10-23、若候选检修人员反馈拒绝接收工单的信号,则重新选择新的候选检修人员的移动终端派发工单,直至接收工单的数量达到处理故障需要的检修人员数量,其中,当距故障点预置距离范围内的候选检修人员数量不足时,从后台获取在岗且作业状态为空闲的检修人员作为候选检修人员。
还包括评价模块,评价模块用于:
通过移动终端上的摄像头获取检修人员的故障处理情况,对检修人员的故障处理情况进行评价,将检修人员的故障处理情况和评价结果绑定保存至数据库。
具体地,步骤S10-21具体包括:
根据故障原因和故障风险等级确定处理故障需要的检修人员的数量和检修人员的专业等级要求;
若故障风险等级为中低风险等级,则筛选出距故障点预置距离范围内距离最近的候选检修人员;
若故障风险等级为高风险等级以上,则筛选出距故障点预置距离范围内的具备高等专业级别的候选检修人员;
根据处理故障需要的检修人员数量向对应数量的候选检修人员的移动终端派发工单。
当根据异常数据定位电力系统的故障原因为外力原因时,依据外破隐患对象的数量确定处理故障需要的检修人员数量,其中一个外破隐患对象对应的处理故障需要的检修人员数量为五个。
本发明提供的基于数据融合的电力数据分析系统可实现本发明任一实施例所述的基于数据融合的电力数据分析方法,此处不再一一赘述。
本发明提供的基于数据融合的电力数据分析系统,自动获取多个系统中的电力调控多维数据,进行数据融合,然后根据融合后的数据判断是否存在异常数据,并根据异常数据定位电力系统的故障原因和故障点,利用故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据,结合训练好的BP神经网络模型判断故障的风险等级,不需要依靠人工对多系统数据进行整合分析,提高了电力设备数据分析的自动化程度,解决了目前对电力设备的运行情况进行分析,需要人工从多个系统中调取数据,然后进行数据整合与分析,效率低下,且难以及时发现电力数据异常的技术问题。
同时,本发明中还从电力系统的视频监控系统获取组合成输电线路现场图像的多组输电线路图像数据,结合图像特征提取、图像融合和目标识别技术,判断输电线路是否存在外破隐患对象。还可以在依据多维数据定位故障原因为外力原因时辅助输电线路图像数据定位外破隐患对象,进一步提高了输电线路电力设备故障的定位精度。
进一步地,还提供了依据故障原因和风险等级确定检修人员到故障现场进行故障处理的策略,实现了故障维修的紧急调度以及合理优化运检任务的分配,可实时、准确地掌握电力通信网整体态势。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于数据融合的电力数据分析方法,其特征在于,包括以下步骤:
S1、从多个电力调度系统中获取大电网调控多维数据,多个电力调度系统包括PMS系统、EMS系统、OMS系统、配电自动化系统、调度自动化系统、同期线损系统、用电信息采集系统和营销系统中的任意两个以上的系统;
S2、对获取到的多维数据进行数据融合,将多维数据纳入一个数据表中,得到第一融合数据;
S3、对第一融合数据进行分析,判断是否存在异常数据,若是,则根据异常数据定位电力系统的故障原因和故障点,其中,故障原因包括电力设备自身原因和外力原因;
S4、获取故障点的影响参数,影响参数包括故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据;
S5、将故障点的影响参数输入训练好的BP神经网络模型中,判断故障的风险等级。
2.根据权利要求1所述的基于数据融合的电力数据分析方法,其特征在于,步骤S3中,在根据异常数据定位电力系统的故障原因为外力原因时,还包括以下步骤:
S6、从电力系统的视频监控系统获取组合成输电线路现场图像的多组输电线路图像数据;
S7、对多组输电线路图像数据分别进行图像特征提取,得到特征图像;
S8、将提取到的特征图像进行拼接后输入卷积融合模型中,得到第二融合数据;
S9、对第二融合数据进行外破隐患对象识别,判断第二融合数据中是否存在输电线路的外破隐患对象,若是,则定位外破隐患对象位置并进行外破告警。
3.根据权利要求2所述的基于数据融合的电力数据分析方法,其特征在于,步骤S5之后还包括:
S10、根据故障原因和故障风险等级,指定对应数量的检修人员到故障点进行故障处理。
4.根据权利要求3所述的基于数据融合的电力数据分析方法,其特征在于,步骤S10具体包括:
S10-1、根据检修人员携带的移动终端获取检修人员的实时位置和作业状态,以故障点为圆心筛选出距故障点预置距离范围内的候选检修人员;
S10-2、根据故障原因和故障风险等级确定处理故障需要的检修人员数量,根据处理故障需要的检修人员数量向对应数量的候选检修人员的移动终端派发工单,使得接收工单的检修人员到故障点进行故障处理。
5.根据权利要求4所述的基于数据融合的电力数据分析方法,其特征在于,步骤S10-2具体包括:
S10-21、根据故障原因和故障风险等级确定处理故障需要的检修人员数量,根据处理故障需要的检修人员数量向对应数量的候选检修人员的移动终端派发工单;
S10-22、接收候选检修人员反馈的接收工单结果,接收工单结果包括接收和拒绝;
S10-23、若候选检修人员反馈拒绝接收工单的信号,则重新选择新的候选检修人员的移动终端派发工单,直至接收工单的数量达到处理故障需要的检修人员数量,其中,当距故障点预置距离范围内的候选检修人员数量不足时,从后台获取在岗且作业状态为空闲的检修人员作为候选检修人员。
6.根据权利要求4或5所述的基于数据融合的电力数据分析方法,其特征在于,步骤S10之后,还包括:
步骤S11、通过移动终端上的摄像头获取检修人员的故障处理情况,对检修人员的故障处理情况进行评价,将检修人员的故障处理情况和评价结果绑定保存至数据库。
7.根据权利要求6所述的基于数据融合的电力数据分析方法,其特征在于,步骤S10-21具体包括:
根据故障原因和故障风险等级确定处理故障需要的检修人员的数量和检修人员的专业等级要求;
若故障风险等级为中低风险等级,则筛选出距故障点预置距离范围内距离最近的候选检修人员;
若故障风险等级为高风险等级以上,则筛选出距故障点预置距离范围内的具备高等专业级别的候选检修人员;
根据处理故障需要的检修人员数量向对应数量的候选检修人员的移动终端派发工单。
8.根据权利要求3所述的基于数据融合的电力数据分析方法,其特征在于,当根据异常数据定位电力系统的故障原因为外力原因时,依据外破隐患对象的数量确定处理故障需要的检修人员数量,其中一个外破隐患对象对应的处理故障需要的检修人员数量为五个。
9.一种基于数据融合的电力数据分析系统,其特征在于,包括以下模块:
电力调控多维数据获取模块,用于从多个电力调度系统中获取大电网调控多维数据,多个电力调度系统包括PMS系统、EMS系统、OMS系统、配电自动化系统、调度自动化系统、同期线损系统、用电信息采集系统和营销系统中的任意两个以上的系统;
第一数据融合模块,用于对获取到的多维数据进行数据融合,将多维数据纳入一个数据表中,得到第一融合数据;
第一融合数据分析模块,用于对第一融合数据进行分析,判断是否存在异常数据,若是,则根据异常数据定位电力系统的故障原因和故障点,其中,故障原因包括电力设备自身原因和外力原因;
故障点数据获取模块,用于获取故障点的影响参数,影响参数包括故障影响设备数量、故障影响时间、地形地貌、线路重要程度、天气数据和负荷数据;
故障等级识别模块,用于将故障点的影响参数输入训练好的BP神经网络模型中,判断故障的风险等级。
10.根据权利要求9所述的基于数据融合的电力数据分析系统,其特征在于,还包括:
图像数据获取模块,用于在第一融合数据分析模块根据异常数据定位电力系统的故障原因为外力原因时,从电力系统的视频监控系统获取组合成输电线路现场图像的多组输电线路图像数据;
图像特征提取模块,用于对多组输电线路图像数据分别进行图像特征提取,得到特征图像;
第二数据融合模块,用于将提取到的特征图像进行拼接后输入卷积融合模型中,得到第二融合数据;
第二融合数据分析模块,用于对第二融合数据进行外破隐患对象识别,判断第二融合数据中是否存在输电线路的外破隐患对象,若是,则定位外破隐患对象位置并进行外破告警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210274450.4A CN114372596A (zh) | 2022-03-21 | 2022-03-21 | 一种基于数据融合的电力数据分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210274450.4A CN114372596A (zh) | 2022-03-21 | 2022-03-21 | 一种基于数据融合的电力数据分析方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372596A true CN114372596A (zh) | 2022-04-19 |
Family
ID=81146497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210274450.4A Pending CN114372596A (zh) | 2022-03-21 | 2022-03-21 | 一种基于数据融合的电力数据分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372596A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115730749A (zh) * | 2023-01-05 | 2023-03-03 | 佰聆数据股份有限公司 | 基于融合电力数据的电力调度风险预警方法及装置 |
CN117094539A (zh) * | 2023-10-20 | 2023-11-21 | 国网浙江省电力有限公司杭州供电公司 | 一种保电智能工单管控方法、系统、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318368A (zh) * | 2014-10-20 | 2015-01-28 | 国家电网公司 | 基于智能手机的配电网巡视和故障抢修方法 |
CN107392502A (zh) * | 2017-08-16 | 2017-11-24 | 国家电网公司 | 电力设备检修的管理方法、管理装置及终端设备 |
CN109655712A (zh) * | 2019-01-14 | 2019-04-19 | 中国电力科学研究院有限公司 | 一种配电网线路故障原因分析方法与系统 |
CN109884473A (zh) * | 2019-03-29 | 2019-06-14 | 国网山东省电力公司费县供电公司 | 一种电力检修系统及方法 |
CN110826740A (zh) * | 2019-12-03 | 2020-02-21 | 杭州绿安智能电网技术有限公司 | 一种电力电网线路设备故障检测分析系统 |
CN111881961A (zh) * | 2020-07-17 | 2020-11-03 | 国网江苏省电力有限公司苏州供电分公司 | 基于数据挖掘的配电网故障风险等级预测方法 |
CN112987696A (zh) * | 2021-03-15 | 2021-06-18 | 国家电网有限公司 | 一种区域配电网设备管理平台及其运行方法 |
-
2022
- 2022-03-21 CN CN202210274450.4A patent/CN114372596A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318368A (zh) * | 2014-10-20 | 2015-01-28 | 国家电网公司 | 基于智能手机的配电网巡视和故障抢修方法 |
CN107392502A (zh) * | 2017-08-16 | 2017-11-24 | 国家电网公司 | 电力设备检修的管理方法、管理装置及终端设备 |
CN109655712A (zh) * | 2019-01-14 | 2019-04-19 | 中国电力科学研究院有限公司 | 一种配电网线路故障原因分析方法与系统 |
CN109884473A (zh) * | 2019-03-29 | 2019-06-14 | 国网山东省电力公司费县供电公司 | 一种电力检修系统及方法 |
CN110826740A (zh) * | 2019-12-03 | 2020-02-21 | 杭州绿安智能电网技术有限公司 | 一种电力电网线路设备故障检测分析系统 |
CN111881961A (zh) * | 2020-07-17 | 2020-11-03 | 国网江苏省电力有限公司苏州供电分公司 | 基于数据挖掘的配电网故障风险等级预测方法 |
CN112987696A (zh) * | 2021-03-15 | 2021-06-18 | 国家电网有限公司 | 一种区域配电网设备管理平台及其运行方法 |
Non-Patent Citations (2)
Title |
---|
张骥等: "基于深度学习的输电线路外破图像识别技术", 《计算机系统应用》 * |
徐振磊等: "基于图像识别技术的输电线路智能监控系统应用", 《计算机系统应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115730749A (zh) * | 2023-01-05 | 2023-03-03 | 佰聆数据股份有限公司 | 基于融合电力数据的电力调度风险预警方法及装置 |
CN117094539A (zh) * | 2023-10-20 | 2023-11-21 | 国网浙江省电力有限公司杭州供电公司 | 一种保电智能工单管控方法、系统、设备及存储介质 |
CN117094539B (zh) * | 2023-10-20 | 2024-01-16 | 国网浙江省电力有限公司杭州供电公司 | 一种保电智能工单管控方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114372596A (zh) | 一种基于数据融合的电力数据分析方法和系统 | |
CN106199276B (zh) | 一种用电信息采集系统中异常信息的智能诊断系统及方法 | |
CN110854807B (zh) | 基于ocr技术的新能源继电保护智能校核及预警系统 | |
CN110707692A (zh) | 一种电力系统在线负荷分析与建模系统及方法 | |
CN108399114A (zh) | 一种系统性能测试方法、装置及存储介质 | |
CN113406438B (zh) | 一种适用于低压台区的故障智能诊断方法及其运维系统 | |
CN115268350B (zh) | 一种稳压变压器的故障预警方法及系统 | |
CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及系统 | |
CN112686494B (zh) | 基于线损异常台区的数据拟合方法、装置及智能设备 | |
CN114827221A (zh) | 一种智慧社区综合智能分析与预警系统及方法 | |
CN111524026A (zh) | 一种电力资源分配方法及装置 | |
CN115796678A (zh) | 一种连接线的智能生产监测方法及系统 | |
CN108548970B (zh) | 一种基于d-s证据理论的继电保护装置自动化测试模板 | |
CN112965990A (zh) | 低压联络柜故障解决方案生成方法、装置 | |
CN111178722B (zh) | 适用于销售线索评级和分配的机器学习系统、方法及介质 | |
CN116308679A (zh) | 供应链异常订单处理方法、装置、设备及存储介质 | |
CN113902222B (zh) | 一种新能源智慧运维系统 | |
CN114666774B (zh) | 一种蓝牙设备的标识匹配系统及方法 | |
CN108363315A (zh) | 一种基于物联网的远程智能测控系统 | |
CN113449015A (zh) | 电网故障处理方法、装置及电子设备 | |
CN112132300A (zh) | 一种变电站检修方法、装置及系统 | |
CN113900865B (zh) | 智能的电网设备自动化测试方法、系统和可读存储介质 | |
CN116029537A (zh) | 输电线路巡检方法、装置、计算机设备和存储介质 | |
Zhao et al. | Lightweight Neural Network for Component Recognition and Fault Detection of Large-Scale Transmission Line | |
CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 |
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: 20220419 |
|
RJ01 | Rejection of invention patent application after publication |