CN114818907A - 输电线路的状态监测方法、装置、设备及存储介质 - Google Patents

输电线路的状态监测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114818907A
CN114818907A CN202210426370.6A CN202210426370A CN114818907A CN 114818907 A CN114818907 A CN 114818907A CN 202210426370 A CN202210426370 A CN 202210426370A CN 114818907 A CN114818907 A CN 114818907A
Authority
CN
China
Prior art keywords
monitoring
state
transmission line
power transmission
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
Application number
CN202210426370.6A
Other languages
English (en)
Inventor
周恩泽
王磊
黄勇
田翔
饶章权
魏瑞增
王彤
刘淑琴
何浣
汪皓
刘琦
孙晓敏
郭圣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202210426370.6A priority Critical patent/CN114818907A/zh
Publication of CN114818907A publication Critical patent/CN114818907A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本申请公开了一种输电线路的状态监测方法、装置、设备及存储介质，通过获取输电线路中多个杆塔单元的多维度监测数据，增加输电线路的监测维度，解决监测维度单一的局限性；再对多维度监测数据进行状态分类，得到目标状态矩阵，以及对多维度监测数据进行相关性分析，得到相关系数矩阵，从而对多维度数据进行数据融合，以考虑监测数据之间的相关性，使得监测过程科学以及监测结果更加准确；利用预设的线路状态监测模型，根据目标状态矩阵和相关系数矩阵，对输电线路进行状态监测，得到状态监测结果，以利用网络模型克服多维度数据导致的数据量增大的问题，提高监测效率。

Description

输电线路的状态监测方法、装置、设备及存储介质
技术领域
本申请涉及电网线路技术领域，尤其涉及一种输电线路的状态监测方法、装置、设备及存储介质。
背景技术
目前，传统的输电线路运行状态监测主要集中在单个设备的单点监测，如发电机组或变压器等，该监测方式容易实施。但对于输电线路整体而言，单一设备的状态监测缺乏客观性。
在相关技术中，以线路塔位段内的各个单元的运行状态，采用权重加权方式综合评价输电线路的运行状态，提高输电线路的状态监测结果的客观性。但是相关技术仅仅采用权重方式进行评价，未考虑各个单元之间的相关性以及环境特性等影响因素，存在监测维度单一等局限性。
发明内容
本申请提供了一种输电线路的状态监测方法、装置、设备及存储介质，以解决当前输电线路的状态监测存在监测维度单一等局限性的技术问题。
为了解决上述技术问题，第一方面，本申请提供了一种输电线路的状态监测方法，包括：
获取输电线路中多个杆塔单元的多维度监测数据；
对多维度监测数据进行状态分类，得到目标状态矩阵；
对多维度监测数据进行相关性分析，得到相关系数矩阵；
利用预设的线路状态监测模型，根据目标状态矩阵和相关系数矩阵，对输电线路进行状态监测，得到状态监测结果。
本申请通过获取输电线路中多个杆塔单元的多维度监测数据，增加输电线路的监测维度，解决监测维度单一的局限性；再对多维度监测数据进行状态分类，得到目标状态矩阵，以及对多维度监测数据进行相关性分析，得到相关系数矩阵，从而对多维度数据进行数据融合，以考虑监测数据之间的相关性，使得监测过程科学以及监测结果更加准确；利用预设的线路状态监测模型，根据目标状态矩阵和相关系数矩阵，对输电线路进行状态监测，得到状态监测结果，以利用网络模型克服多维度数据导致的数据量增大的问题，提高监测效率。
作为优选，多维度监测数据包括图像视频监测数据、环境温度监测数据、微气象监测数据、杆塔倾斜监测数据和分布式故障定位监测数据的至少一种。
作为优选，对多维度监测数据进行状态分类，得到目标状态矩阵，包括：
基于预设的状态量阈值，对多维度监测数据进行状态分类，得到多种状态量分别对应的数据向量组；
基于多个数据向量组，建立目标状态矩阵。
作为优选，状态量阈值包括一般状态量的第一状态量阈值、重要状态量的第二状态量阈值和特别状态量的第三状态量阈值。
作为优选，对多维度监测数据进行相关性分析，得到相关系数矩阵，包括：
对多维度监测数据进行标准化，得到目标监测数据；
基于预设监测指标，对目标监测数据进行相关性分析，得到各项预设监测指标对应的相关系数向量；
基于相关系数向量，建立相关系数矩阵。
作为优选，利用预设的线路状态监测模型，根据目标状态矩阵和相关系数矩阵，对输电线路进行状态监测，得到状态监测结果，包括：
利用基于Dropout算法构建的线路状态监测模型，对目标状态矩阵和相关系数矩阵进行运算，得到状态监测值；
对状态监测值与预设监测值区间进行对比，确定输电线路的状态监测结果。
作为优选，对状态监测值与预设监测值区间进行对比，确定输电线路的状态监测结果，包括：
若状态监测值在预设监测值区间的正常值子区间，则确定输电线路处于正常状态；
若状态监测值在预设监测值区间的注意值子区间，则确定输电线路处于需注意状态；
若状态监测值在预设监测值区间的警示值子区间，则确定输电线路处于异常状态；
若状态监测值在预设监测值区间的警告值子区间，则确定输电线路处于严重异常状态。
第二方面，本申请提供一种输电线路的状态监测装置，包括：
获取模块，用于获取输电线路中多个杆塔单元的多维度监测数据；
分类模块，用于对多维度监测数据进行状态分类，得到目标状态矩阵；
分析模块，用于对多维度监测数据进行相关性分析，得到相关系数矩阵；
监测模块，用于利用预设的线路状态监测模型，根据目标状态矩阵和相关系数矩阵，对输电线路进行状态监测，得到状态监测结果。
第三方面，本申请提供一种计算机设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现如第一方面的输电线路的状态监测方法。
第四方面，本申请提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面的输电线路的状态监测方法。
需要说明的是，上述第二方面至第四方面的有益效果请参见上述第一方面的相关描述，在此不再赘述。
附图说明
图1为本申请实施例示出的输电线路的状态监测方法的流程示意图；
图2为本申请实施例示出的输电线路的状态监测系统的结构示意图；
图3为本申请实施例示出的输电线路的状态监测装置的结构示意图；
图4为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如相关技术记载，以线路塔位段内的各个单元的运行状态，采用权重加权方式综合评价输电线路的运行状态，提高输电线路的状态监测结果的客观性。但是相关技术仅仅采用权重方式进行评价，未考虑各个单元之间的相关性以及环境特性等影响因素，存在监测维度单一等局限性。
为此，本申请实施例提供一种输电线路的状态监测方法，通过获取输电线路中多个杆塔单元的多维度监测数据，增加输电线路的监测维度，解决监测维度单一的局限性；再对所述多维度监测数据进行状态分类，得到目标状态矩阵，以及对所述多维度监测数据进行相关性分析，得到相关系数矩阵，从而对多维度数据进行数据融合，以考虑监测数据之间的相关性，使得监测过程科学以及监测结果更加准确；利用预设的线路状态监测模型，根据所述目标状态矩阵和所述相关系数矩阵，对所述输电线路进行状态监测，得到状态监测结果，以利用网络模型克服多维度数据导致的数据量增大的问题，提高监测效率。
请参照图1，图1为本申请实施例提供的一种输电线路的状态监测方法的流程示意图。本申请实施例的输电线路的状态监测方法可应用于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。
可选地，图2示出了输电线路的状态监测系统的示意图。如图2所示，计算机设备与边缘网关通信连接，边缘网关用于转发杆塔单元采集到的多维度数据。计算机设备用于接收边缘网关转发的多维度数据，并对多维度数据进行数据融合，以及结合Dropout算法进行状态监测。
如图1所示，本实施例的输电线路的状态监测方法包括步骤S101至步骤S104，详述如下：
步骤S101，获取输电线路中多个杆塔单元的多维度监测数据。
在本步骤中，输电线路包括多个杆塔单元，每个杆塔单元安装有采集监测数据的多种传感器。多维度监测数据包括但不限于图像视频监测数据、环境温度监测数据、微气象监测数据、杆塔倾斜监测数据和分布式故障定位监测数据。
可选地，每个杆塔单元上的传感器采集监测数据，将监测数据上传至边缘网关，边缘网关再将监测数据转发至计算机设备进行处理。
可选地，对所有杆塔单元的多维度监测数据按照多个维度进行分类，建立数据组：
Figure BDA0003608203570000051
y1…yn为各个维度对应的数据向量。
可选地，多维度监测数据包括实时监测数据和历史监测数据。
步骤S102，对所述多维度监测数据进行状态分类，得到目标状态矩阵。
在本步骤中，基于多种数据状态对应的状态阈值，将多维度监测数据与状态阈值，以确定多为监测数据的数据状态，并建立目标状态矩阵。
在一实施例中，所述步骤S102，包括：
基于预设的状态量阈值，对所述多维度监测数据进行状态分类，得到多种状态量分别对应的数据向量组；
基于多个所述数据向量组，建立所述目标状态矩阵。
在本可选实施例中，所述状态量阈值包括一般状态量的第一状态量阈值、重要状态量的第二状态量阈值和特别状态量的第三状态量阈值。其中一般状态量对输电线路的性能和安全运行影响相对较小的状态量；重要状态量为对s输电线路的性能和安全运行有较大影响的状态量；特别状态量为反应输电线路设计强度、使用寿命、防灾性能等方面的参数、技术指标和实验数据的总称。
可选地，目标状态矩阵为：
Figure BDA0003608203570000052
其中x1、x2和x3分别代表输电线路的杆塔单元的监测状态数据向量，U1、U2和U2表示第一状态量阈值、第二状态量阈值和第三状态量阈值的区间范围。根据状态量阈值，确定x所属的状态量阈值区间，以达到状态分类的目的。
步骤S103，对所述多维度监测数据进行相关性分析，得到相关系数矩阵。
在本步骤中，杆塔单元的运行状态具有不同的相关性，例如杆塔发生沉降的时候，杆塔也会有一定程度的倾斜，且还会伴随着微气象的变化，如暴风和暴雨等，所以对多维度监测数据进行相关性分析，以提高状元监测的准确度。
在一实施例中，所述步骤S103，包括：
对所述多维度监测数据进行标准化，得到目标监测数据；
基于预设监测指标，对所述目标监测数据进行相关性分析，得到各项预设监测指标对应的相关系数向量；
基于所述相关系数向量，建立所述相关系数矩阵。
在本可选实施例中，为了更加直观的展示多个监测数据之间的相关性强弱，利用多元统计分析，将多维度监测数据进行标准化后，可利用matlab计算R的自相关矩阵，以得到各项监测指标的相关系数向量r1 … rn，并建立相关系数矩阵：R(r)＝[r1 … rn]。
步骤S104，利用预设的线路状态监测模型，根据所述目标状态矩阵和所述相关系数矩阵，对所述输电线路进行状态监测，得到状态监测结果。
在本步骤中，状态监测结果包括正常状态、注意状态、异常状态和严重异常状态。其中正常状态表示线路(单元)各状态量处于稳定其在规程规定的警示值、注意值以内，可以正常运行。注意状态表示线路有部分状态量变化趋势朝接近标准限值方向发展，但未超过标准限值，仍可以继续运行，应加强运行中的监视或根据实际情况安排检修。异常状态表示线路已经有部分重要状态量接近或略微超过标准限值，应监视运行，并适时安排检修。严重异常状态表示线路已经有部分重要状态量严重超过标准限值，需要尽快安排检修。
可选地，将目标状态矩阵和相关系数矩阵输入到线路状态监测模型，线路状态监测模型输出状态监测结果。
在一实施例中，所述步骤S104，包括：
利用基于Dropout算法构建的所述线路状态监测模型，对所述目标状态矩阵和所述相关系数矩阵进行运算，得到状态监测值；
对所述状态监测值与预设监测值区间进行对比，确定所述输电线路的状态监测结果。
在本可选实施例中，Dropout可以作为训练深度神经网络的一种trick供选择。在每个训练批次中，通过忽略一半的特征检测器(让一半的隐层节点值为0)，可以明显地减少过拟合现象。这种方式可以减少特征检测器(隐层节点)间的相互作用，检测器相互作用是指某些检测器依赖其他检测器才能发挥作用。在前向传播时，使某个神经元的激活值以一定的概率p停止工作，以使模型泛化性更强，不会太依赖某些局部的特征。从而可以忽略环境因素干扰突出真正隐患特征。本实施例采用Dropout模型，实现输电线路状态的综合自评价，并一定程度上克服了大量数据训练时带来的过度拟合，同时缩减了模型训练时间，提高了效率。
可选地，根据状态监测值落入到的预设监测值区间的子区间范围，确定输电线路状态：
若所述状态监测值在所述预设监测值区间的正常值子区间，则确定所述输电线路处于正常状态；
若所述状态监测值在所述预设监测值区间的注意值子区间，则确定所述输电线路处于需注意状态；
若所述状态监测值在所述预设监测值区间的警示值子区间，则确定所述输电线路处于异常状态；
若所述状态监测值在所述预设监测值区间的警告值子区间，则确定所述输电线路处于严重异常状态。
在本可选实施例中，状态监测值
Figure BDA0003608203570000071
其中，t1…t4分别表示上述四种状态代表的监测值，R1…R4分别表示四种状态的子区间，当监测值在不同区间内时，代表输电线路的不同状态。
为了执行上述方法实施例对应的输电线路的状态监测方法，以实现相应的功能和技术效果。参见图3，图3示出了本申请实施例提供的一种输电线路的状态监测装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的输电线路的状态监测装置，包括：
获取模块301，于获取输电线路中多个杆塔单元的多维度监测数据；
分类模块302，用于对所述多维度监测数据进行状态分类，得到目标状态矩阵；
分析模块303，用于对所述多维度监测数据进行相关性分析，得到相关系数矩阵；
监测模块304，用于利用预设的线路状态监测模型，根据所述目标状态矩阵和所述相关系数矩阵，对所述输电线路进行状态监测，得到状态监测结果。
作为优选，所述多维度监测数据包括图像视频监测数据、环境温度监测数据、微气象监测数据、杆塔倾斜监测数据和分布式故障定位监测数据的至少一种。
在一实施例中，在图3所示实施例的基础上，所述分类模块302，具体用于：
基于预设的状态量阈值，对所述多维度监测数据进行状态分类，得到多种状态量分别对应的数据向量组；
基于多个所述数据向量组，建立所述目标状态矩阵。
可选地，所述状态量阈值包括一般状态量的第一状态量阈值、重要状态量的第二状态量阈值和特别状态量的第三状态量阈值。
在一实施例中，在图3所示实施例的基础上，所述分析模块303，具体用于：
对所述多维度监测数据进行标准化，得到目标监测数据；
基于预设监测指标，对所述目标监测数据进行相关性分析，得到各项预设监测指标对应的相关系数向量；
基于所述相关系数向量，建立所述相关系数矩阵。
在一实施例中，在图3所示实施例的基础上，所述监测模块304，包括：
运算单元，用于利用基于Dropout算法构建的所述线路状态监测模型，对所述目标状态矩阵和所述相关系数矩阵进行运算，得到状态监测值；
对比单元，用于对所述状态监测值与预设监测值区间进行对比，确定所述输电线路的状态监测结果。
可选地，所述对比单元，具体用于：
若所述状态监测值在所述预设监测值区间的正常值子区间，则确定所述输电线路处于正常状态；
若所述状态监测值在所述预设监测值区间的注意值子区间，则确定所述输电线路处于需注意状态；
若所述状态监测值在所述预设监测值区间的警示值子区间，则确定所述输电线路处于异常状态；
若所述状态监测值在所述预设监测值区间的警告值子区间，则确定所述输电线路处于严重异常状态。
上述的输电线路的状态监测装置可实施上述方法实施例的输电线路的状态监测方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
图4为本申请一实施例提供的计算机设备的结构示意图。如图4所示，该实施例的计算机设备4包括：至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意方法实施例中的步骤。
所述计算机设备4可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图4仅仅是计算机设备4的举例，并不构成对计算机设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41在一些实施例中可以是所述计算机设备4的内部存储单元，例如计算机设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述计算机设备4的外部存储设备，例如所述计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
另外，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围。特别指出，对于本领域技术人员来说，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种输电线路的状态监测方法，其特征在于，包括：
获取输电线路中多个杆塔单元的多维度监测数据；
对所述多维度监测数据进行状态分类，得到目标状态矩阵；
对所述多维度监测数据进行相关性分析，得到相关系数矩阵；
利用预设的线路状态监测模型，根据所述目标状态矩阵和所述相关系数矩阵，对所述输电线路进行状态监测，得到状态监测结果。
2.如权利要求1所述的输电线路的状态监测方法，其特征在于，所述多维度监测数据包括图像视频监测数据、环境温度监测数据、微气象监测数据、杆塔倾斜监测数据和分布式故障定位监测数据的至少一种。
3.如权利要求1所述的输电线路的状态监测方法，其特征在于，所述对所述多维度监测数据进行状态分类，得到目标状态矩阵，包括：
基于预设的状态量阈值，对所述多维度监测数据进行状态分类，得到多种状态量分别对应的数据向量组；
基于多个所述数据向量组，建立所述目标状态矩阵。
4.如权利要求3所述的输电线路的状态监测方法，其特征在于，所述状态量阈值包括一般状态量的第一状态量阈值、重要状态量的第二状态量阈值和特别状态量的第三状态量阈值。
5.如权利要求1所述的输电线路的状态监测方法，其特征在于，所述对所述多维度监测数据进行相关性分析，得到相关系数矩阵，包括：
对所述多维度监测数据进行标准化，得到目标监测数据；
基于预设监测指标，对所述目标监测数据进行相关性分析，得到各项预设监测指标对应的相关系数向量；
基于所述相关系数向量，建立所述相关系数矩阵。
6.如权利要求1所述的输电线路的状态监测方法，其特征在于，所述利用预设的线路状态监测模型，根据所述目标状态矩阵和所述相关系数矩阵，对所述输电线路进行状态监测，得到状态监测结果，包括：
利用基于Dropout算法构建的所述线路状态监测模型，对所述目标状态矩阵和所述相关系数矩阵进行运算，得到状态监测值；
对所述状态监测值与预设监测值区间进行对比，确定所述输电线路的状态监测结果。
7.如权利要求6所述的输电线路的状态监测方法，其特征在于，所述对所述状态监测值与预设监测值区间进行对比，确定所述输电线路的状态监测结果，包括：
若所述状态监测值在所述预设监测值区间的正常值子区间，则确定所述输电线路处于正常状态；
若所述状态监测值在所述预设监测值区间的注意值子区间，则确定所述输电线路处于需注意状态；
若所述状态监测值在所述预设监测值区间的警示值子区间，则确定所述输电线路处于异常状态；
若所述状态监测值在所述预设监测值区间的警告值子区间，则确定所述输电线路处于严重异常状态。
8.一种输电线路的状态监测装置，其特征在于，包括：
获取模块，用于获取输电线路中多个杆塔单元的多维度监测数据；
分类模块，用于对所述多维度监测数据进行状态分类，得到目标状态矩阵；
分析模块，用于对所述多维度监测数据进行相关性分析，得到相关系数矩阵；
监测模块，用于利用预设的线路状态监测模型，根据所述目标状态矩阵和所述相关系数矩阵，对所述输电线路进行状态监测，得到状态监测结果。
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的输电线路的状态监测方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的输电线路的状态监测方法。
CN202210426370.6A 2022-04-21 2022-04-21 输电线路的状态监测方法、装置、设备及存储介质 Pending CN114818907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210426370.6A CN114818907A (zh) 2022-04-21 2022-04-21 输电线路的状态监测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210426370.6A CN114818907A (zh) 2022-04-21 2022-04-21 输电线路的状态监测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114818907A true CN114818907A (zh) 2022-07-29

Family

ID=82505822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210426370.6A Pending CN114818907A (zh) 2022-04-21 2022-04-21 输电线路的状态监测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114818907A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976530A (zh) * 2023-09-25 2023-10-31 国网上海市电力公司 一种电缆设备状态预测方法、装置及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976530A (zh) * 2023-09-25 2023-10-31 国网上海市电力公司 一种电缆设备状态预测方法、装置及存储介质
CN116976530B (zh) * 2023-09-25 2023-12-08 国网上海市电力公司 一种电缆设备状态预测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN106708016B (zh) 故障监控方法和装置
CN111368890A (zh) 故障检测方法及装置、信息物理融合系统
US10438124B2 (en) Machine discovery of aberrant operating states
US10346756B2 (en) Machine discovery and rapid agglomeration of similar states
WO2020008760A1 (ja) 異常検知システム
CN113379176B (zh) 电信网络异常数据检测方法、装置、设备和可读存储介质
CN103678346A (zh) 一种人机识别的方法和系统
CN113032157B (zh) 一种服务器自动智能扩缩容方法及系统
CN114500578B (zh) 分布式存储系统负载均衡调度方法、装置及存储介质
CN115801463B (zh) 工业互联网平台入侵检测的方法、装置和电子设备
CN114399321A (zh) 一种业务系统稳定性分析方法、装置和设备
CN117078048A (zh) 基于数字孪生的智慧城市资源管理方法及系统
CN114818907A (zh) 输电线路的状态监测方法、装置、设备及存储介质
CN109587145B (zh) 一种电力网络中的虚假数据入侵检测方法、装置及设备
US20140324760A1 (en) Synthetic time series data generation
CN113902187A (zh) 分时电价预测方法、装置及终端设备
CN113470799A (zh) 一种医院综合质量监督平台智能化编辑器
CN110677271B (zh) 基于elk的大数据告警方法、装置、设备及存储介质
CN111783883A (zh) 一种异常数据的检测方法及装置
CN114448661B (zh) 慢速拒绝服务攻击检测方法及相关设备
Lee et al. Detecting anomaly teletraffic using stochastic self-similarity based on Hadoop
CN108255710B (zh) 一种脚本的异常检测方法及其终端
Hao et al. Detecting shilling profiles in collaborative recommender systems via multidimensional profile temporal features
CN111563078A (zh) 基于时序数据的数据质量检测方法、检测装置及存储装置
CN116127149B (zh) 图数据库集群健康度的量化方法和系统

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