CN115796434A - 一种用于配电网的管控方法、装置、电子设备及存储介质 - Google Patents
一种用于配电网的管控方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115796434A CN115796434A CN202310043963.9A CN202310043963A CN115796434A CN 115796434 A CN115796434 A CN 115796434A CN 202310043963 A CN202310043963 A CN 202310043963A CN 115796434 A CN115796434 A CN 115796434A
- Authority
- CN
- China
- Prior art keywords
- information
- power distribution
- data
- fault
- line
- 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.)
- Granted
Links
Images
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请涉及电网管控的领域,尤其是涉及一种用于配电网的管控方法、装置、电子设备及存储介质。方法包括:获取配电图像信息以及输电环境信息,基于配电图像信息对故障评测标准进行更新,得到实时故障标准,根据实时故障标准以及输电环境信息对配电网的配电数据进行预测,得到配电数据信息,判断配电数据信息中是否存在预设故障信息,若存在,则基于配电数据信息生成检修信息以及异常配电节点,检测异常配电节点所在配电区域,并获取配电区域内与异常配电节点相匹配的备用配电节点,基于异常配电节点以及备用配电节点,生成配电转接指令,本申请具有提高用户的用电体验的效果。
Description
技术领域
本申请涉及电网管控的领域,尤其是涉及一种用于配电网的管控方法、装置、电子设备及存储介质。
背景技术
在电能输配过程中,配电网是电力系统与用户间的重要联络纽带。随着经济的快速发展,用户对供电可靠性和供电质量的要求不断提高,配电网故障定位作为馈线故障区域准确辨识和恢复用户供电的前提,快速、准确地找出配电网馈线的故障位置,对于提高配电系统自愈性和供电可靠性具有重要作用。
目前,在对配电网进行维护时,通常采用基于自动化开关的故障定位的方法,直接利用FTU装置监控采集的过电流信息,基于故障馈线与过电流间的关联关系,通过构建故障定位数学模型和相应算法,找到故障区段位置,然后直接打开故障馈线两端分段开关隔离故障区段,并对该故障区段进行电力维护。
针对于上述相关技术,发明人认为在配电网发生故障后,即使对故障进行及时维护,也同样会对用电用户造成用电干扰,从而导致用户的用电体验差。
发明内容
为了提高用户的用电体验,本申请提供了一种用于配电网的管控方法、装置、电子设备及存储介质。
第一方面,本申请提供一种用于配电网的管控方法,采用如下的技术方案:
一种用于配电网的管控方法,包括:
获取配电图像信息以及输电环境信息,所述配电图像信息用于表示配电网中每个输电节点以及相邻所述输电节点之间的输电线路在历史周期内的图像信息,所述输电环境信息用于表示所述配电网每个输电节点以及相邻所述输电节点之间的输电线路在未来周期内的周围环境信息;
基于所述配电图像信息对故障评测标准进行更新,得到实时故障标准,所述故障评测标准为在所述配电网安装后所制定的故障评测标准;
根据所述实时故障标准以及所述输电环境信息对所述配电网的配电数据进行预测,得到配电数据信息;
判断所述配电数据信息中是否存在预设故障信息,若存在,则基于所述配电数据信息生成检修信息以及异常配电节点;
检测所述异常配电节点所在配电区域,并获取所述配电区域内与所述异常配电节点相匹配的备用配电节点,所述备用配电节点用于表示与异常配电节点的位置以及输电目标相同的配电节点;
基于所述异常配电节点以及所述备用配电节点,生成配电转接指令,所述配电转接指令用于控制异常配电节点所对应的输电线路断开供电以及控制所述备用配电节点所对应的输电线路开启供电。
在另一种可能实现的方式中,所述基于所述配电图像信息对故障评测标准进行更新,得到实时故障标准,包括:
获取历史环境信息,所述历史环境信息为在所述历史周期内配电网周边的环境综合信息;
对所述配电网的故障数据进行调取,得到在电网故障信息,所述电网故障信息为所述配电网在所述历史周期内所发生的故障信息;
判断所述电网故障信息是否符合所述故障评测标准,若符合,则基于所述电网故障信息中的故障时间,调取所述配电图像信息中的故障图像信息,并将所述故障图像信息输入至训练后的线路检测模型中进行识别,得到线路属性信息;
对所述电网故障信息、所述历史环境信息以及所述线路属性信息进行数据分析,得到线路承受范围;
判断所述线路承受范围是否符合于所述故障测评标准中的初始线路承受范围,若不符合,则基于所述线路承受范围对所述故障评测标准进行更新,得到实时故障标准。
在另一种可能实现的方式中,所述对所述电网故障信息、所述历史环境信息以及所述线路属性信息进行数据分析,得到线路承受范围,包括:
基于所述电网故障信息确定故障原因信息;
基于所述故障时间调取所述历史环境信息中与所述故障原因信息相对应的环境参数种类以及与所述环境参数种类相对应的环境参数值;
将不同类别的所述环境参数种类以及所述环境参数值按照时间进行数据规划,得到参数时间信息;
对所述线路属性信息进行属性类别以及与所述属性类别对应的属性值按照时间进行筛查,得到属性时间信息;
将所述参数时间信息以及所述属性时间信息按照单位时间进行对应整合,得到线路承受范围。
在另一种可能实现的方式中,所述根据所述实时故障标准以及所述输电环境信息对所述配电网的配电数据进行预测,得到配电数据信息,包括:
根据所述所述历史环境信息、所述线路属性信息以及所述输电环境信息对所述实时故障标准中的所述线路承受范围进行预测,得到所述未来周期时间段内线路的未来承受范围;
判断所述未来承受范围是否符合于所述实时故障标准中的所述线路承受范围,若不符合,则基于所述未来承受范围对所述实时故障标准进行更新,得到未来故障标准;
将所述未来故障标准与所述输电环境信息中的环境参数种类以及环境种类进行匹配比对,得到配电数据信息。
在另一种可能实现的方式中,所述根据所述所述历史环境信息、所述线路属性信息以及所述输电环境信息对所述实时故障标准中的所述线路承受范围进行预测,得到所述未来周期时间段内线路的未来承受范围,包括:
将所述线路属性信息与所述历史环境信息按照所述历史周期时间进行信息整合,得到环境线路信息;
对所述环境线路信息进行分析,确定所述环境线路信息中不同环境参数信息以及每种所述环境参数信息对应的线路属性值,并基于所述线路属性值以及所述环境参数信息对所述环境线路信息进行无监督时间序列数据整理,得到第一环线矩阵数据;
将所述第一环线矩阵数据输入至训练好的环线模型进行向量特征提取,得到环线特征维度数量,并将得到的所述环线特征维度数量与所述第一环线矩阵数据进行数据结合处理,生成第二环线矩阵数据;
对所述第二环线矩阵数据中所包含的数据进行数据处理,得到环线数据,并将得到的所述环线数据输入至预设算法模型中进行数据推算,生成所述不同环境参数信息在所述未来周期时间段内的时间参数信息以及每种线路属性值在所述未来周期时间段内的时间属性信息;
将所述输电环境信息中的环境参数信息与所述环境参数信息进行匹配,得到未来时参信息以及所述未来时参信息相对应的未来时属信息;
将所述未来时参信息以及所述未来时属信息按照单位时间进行对应整合,得到所述未来周期时间段内线路的未来承受范围。
在另一种可能实现的方式中,所述将得到的所述环线特征维度数量与所述第一环线矩阵数据进行数据结合处理,生成第二环线矩阵数据,包括:
将所述环线特征维度数量与所述第一环线矩阵数据进行整合,生成环线维度矩阵数据;
对所述环线维度矩阵数据进行基本数据分布探查,获取所述历史环境信息中不同环境参数信息与每种所述线路属性值的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述环线维度矩阵数据进行有监督时间序列数据整理,得到环线预测矩阵数据;
基于所述环线预测矩阵数据对所述未来周期时间段内的所述线路属性值的变化趋势进行预测,生成第二环线矩阵数据。
在另一种可能实现的方式中,所述对所述第二环线矩阵数据中所包含的数据进行数据处理,得到环线数据,包括:
计算所述第二环线矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于所述正态分布均值以及所述正态分布方差确定所述第二环线矩阵数据的3δ范围;
判断所述数据是否在所述3δ范围之外,若所述数据在所述3δ范围之外,则确定所述数据所在所述第二环线矩阵数据的第一矩阵序列;
根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列;
对所述第二矩阵序列进行缺失值以及归一化处理,得到环线数据。
第二方面,本申请提供一种用于配电网的管控装置,采用如下的技术方案:
一种用于配电网的管控装置,包括:
信息获取模块,用于获取配电图像信息以及输电环境信息,所述配电图像信息用于表示配电网中每个输电节点以及相邻所述输电节点之间的输电线路在历史周期内的图像信息,所述输电环境信息用于表示所述配电网每个输电节点以及相邻所述输电节点之间的输电线路在未来周期内的周围环境信息;
标准更新模块,用于基于所述配电图像信息对故障评测标准进行更新,得到实时故障标准,所述故障评测标准为在所述配电网安装后所制定的故障评测标准;
数据预测模块,用于根据所述实时故障标准以及所述输电环境信息对所述配电网的配电数据进行预测,得到配电数据信息;
故障判断模块,用于判断所述配电数据信息中是否存在预设故障信息,若存在,则基于所述配电数据信息生成检修信息以及异常配电节点;
节点获取模块,用于检测所述异常配电节点所在配电区域,并获取所述配电区域内与所述异常配电节点相匹配的备用配电节点,所述备用配电节点用于表示与异常配电节点的位置以及输电目标相同的配电节点;
配电转接模块,用于基于所述异常配电节点以及所述备用配电节点,生成配电转接指令,所述配电转接指令用于控制异常配电节点所对应的输电线路断开供电以及控制所述备用配电节点所对应的输电线路开启供电。
在一种可能的实现方式中,所述标准更新模块在基于所述配电图像信息对故障评测标准进行更新,得到实时故障标准时,具体用于:
获取历史环境信息,所述历史环境信息为在所述历史周期内配电网周边的环境综合信息;
对所述配电网的故障数据进行调取,得到在电网故障信息,所述电网故障信息为所述配电网在所述历史周期内所发生的故障信息;
判断所述电网故障信息是否符合所述故障评测标准,若符合,则基于所述电网故障信息中的故障时间,调取所述配电图像信息中的故障图像信息,并将所述故障图像信息输入至训练后的线路检测模型中进行识别,得到线路属性信息;
对所述电网故障信息、所述历史环境信息以及所述线路属性信息进行数据分析,得到线路承受范围;
判断所述线路承受范围是否符合于所述故障测评标准中的初始线路承受范围,若不符合,则基于所述线路承受范围对所述故障评测标准进行更新,得到实时故障标准。
在另一种可能的实现方式中,所述标准更新模块在对所述电网故障信息、所述历史环境信息以及所述线路属性信息进行数据分析,得到线路承受范围时,具体用于:
基于所述电网故障信息确定故障原因信息;
基于所述故障时间调取所述历史环境信息中与所述故障原因信息相对应的环境参数种类以及与所述环境参数种类相对应的环境参数值;
将不同类别的所述环境参数种类以及所述环境参数值按照时间进行数据规划,得到参数时间信息;
对所述线路属性信息进行属性类别以及与所述属性类别对应的属性值按照时间进行筛查,得到属性时间信息;
将所述参数时间信息以及所述属性时间信息按照单位时间进行对应整合,得到线路承受范围。
在另一种可能的实现方式中,所述数据预测模块在根据所述实时故障标准以及所述输电环境信息对所述配电网的配电数据进行预测,得到配电数据信息时,具体用于:
根据所述所述历史环境信息、所述线路属性信息以及所述输电环境信息对所述实时故障标准中的所述线路承受范围进行预测,得到所述未来周期时间段内线路的未来承受范围;
判断所述未来承受范围是否符合于所述实时故障标准中的所述线路承受范围,若不符合,则基于所述未来承受范围对所述实时故障标准进行更新,得到未来故障标准;
将所述未来故障标准与所述输电环境信息中的环境参数种类以及环境种类进行匹配比对,得到配电数据信息。
在另一种可能的实现方式中,所述数据预测模块在根据所述所述历史环境信息、所述线路属性信息以及所述输电环境信息对所述实时故障标准中的所述线路承受范围进行预测,得到所述未来周期时间段内线路的未来承受范围时,具体用于:
将所述线路属性信息与所述历史环境信息按照所述历史周期时间进行信息整合,得到环境线路信息;
对所述环境线路信息进行分析,确定所述环境线路信息中不同环境参数信息以及每种所述环境参数信息对应的线路属性值,并基于所述线路属性值以及所述环境参数信息对所述环境线路信息进行无监督时间序列数据整理,得到第一环线矩阵数据;
将所述第一环线矩阵数据输入至训练好的环线模型进行向量特征提取,得到环线特征维度数量,并将得到的所述环线特征维度数量与所述第一环线矩阵数据进行数据结合处理,生成第二环线矩阵数据;
对所述第二环线矩阵数据中所包含的数据进行数据处理,得到环线数据,并将得到的所述环线数据输入至预设算法模型中进行数据推算,生成所述不同环境参数信息在所述未来周期时间段内的时间参数信息以及每种线路属性值在所述未来周期时间段内的时间属性信息;
将所述输电环境信息中的环境参数信息与所述环境参数信息进行匹配,得到未来时参信息以及所述未来时参信息相对应的未来时属信息;
将所述未来时参信息以及所述未来时属信息按照单位时间进行对应整合,得到所述未来周期时间段内线路的未来承受范围。
在另一种可能的实现方式中,所述数据预测模块在将得到的所述环线特征维度数量与所述第一环线矩阵数据进行数据结合处理,生成第二环线矩阵数据时,具体用于:
将所述环线特征维度数量与所述第一环线矩阵数据进行整合,生成环线维度矩阵数据;
对所述环线维度矩阵数据进行基本数据分布探查,获取所述历史环境信息中不同环境参数信息与每种所述线路属性值的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述环线维度矩阵数据进行有监督时间序列数据整理,得到环线预测矩阵数据;
基于所述环线预测矩阵数据对所述未来周期时间段内的所述线路属性值的变化趋势进行预测,生成第二环线矩阵数据。
在另一种可能的实现方式中,所述数据预测模块在对所述第二环线矩阵数据中所包含的数据进行数据处理,得到环线数据时,具体用于:
计算所述第二环线矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于所述正态分布均值以及所述正态分布方差确定所述第二环线矩阵数据的3δ范围;
判断所述数据是否在所述3δ范围之外,若所述数据在所述3δ范围之外,则确定所述数据所在所述第二环线矩阵数据的第一矩阵序列;
根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列;
对所述第二矩阵序列进行缺失值以及归一化处理,得到环线数据。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述用于配电网的管控方法。
第四方面,提供了一种计算机可读存储介质,存储介质存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面中任一可能的实现方式所示的用于配电网的管控方法。
综上所述,本申请包括以下至少一种有益技术效果:
本申请提供了一种用于配电网的管控方法、装置、电子设备及存储介质,与相关技术相比,在本申请中,在对配电网进行管控时,获取配电图像信息以及输电环境信息,其中,配电图像信息用于表示配电网中每个输电节点以及相邻输电节点之间的输电线路在历史周期内的图像信息,输电环境信息用于表示配电网每个输电节点以及相邻输电节点之间的输电线路在未来周期内的周围环境信息,然后基于配电图像信息对故障评测标准进行更新,得到实时故障标准,故障评测标准为在配电网安装后所制定的故障评测标准,然后根据实时故障标准以及输电环境信息对配电网的配电数据进行预测,得到配电数据信息,然后判断配电数据信息中是否存在预设故障信息,若存在,则基于配电数据信息生成检修信息以及异常配电节点,然后检测异常配电节点所在配电区域,并获取配电区域内与异常配电节点相匹配的备用配电节点,其中,备用配电节点用于表示与异常配电节点的位置以及输电目标相同的配电节点,然后基于异常配电节点以及备用配电节点,生成配电转接指令,控制异常配电节点所对应的输电线路断开供电以及控制备用配电节点所对应的输电线路开启供电,通过对配电网以及配电网周围环境的监测,预测未来周期内配电数据信息是否存在预设故障,当存在时,为不影响用户的用电体验,将异常配电节点转接至备用配电节点,然后维护人员根据检修信息对异常配电节点进行检修,从而提高了用户的用电体验。
附图说明
图1是本申请实施例一种用于配电网的管控方法的流程示意图;
图2是本申请实施例一种用于配电网的管控装置的方框示意图;
图3是本申请实施例电子设备的示意图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,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。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,一种用于配电网的管控方法、装置、电子设备及存储介质和/或B,可以表示:单独存在一种用于配电网的管控方法、装置、电子设备及存储介质,同时存在一种用于配电网的管控方法、装置、电子设备及存储介质和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种用于配电网的管控方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括:
步骤S10,获取配电图像信息以及输电环境信息。
其中,配电图像信息用于表示配电网中每个输电节点以及相邻输电节点之间的输电线路在历史周期内的图像信息,输电环境信息用于表示配电网每个输电节点以及相邻输电节点之间的输电线路在未来周期内的周围环境信息。
在本申请实施例中,配电网是指从输电网或地区发电厂接收电能,通过配电设施就地分配或按电压逐级分配给各类用户的电力网,配电设施包括架空线、电缆、杆塔、配电变压器、隔离开关、无功补偿器以及一些附属设施等,杆塔以及配电变压器所在位置定义为输电节点,相邻输电节点之间的线路定义为输电线路。
具体地,预先将无人机安置于每个输电节点处,且每个无人机上均安装固定有拍摄装置,拍摄装置包括:摄像机,无人机的巡检方式为间歇性巡检,巡检间歇时间为工作人员按照不同季节预先设置的,例如:在夏天温度较高,为避免出现线路燃烧情况,巡检时间间隔时长可缩短为30分钟,在冬天虽然温度较冷,但对于输电线路以及输电节点的影响却较低,因此巡检时间间隔时长可延长至4小时,在春天或者秋天,巡检时间间隔为正常时间间隔,间隔时长为2个小时,无人机的充电方式包括太阳能充电以及输电线路充电,通过无人机上安装的拍摄装置采集每个输电节点以及输电线路的图像,并将采集到的图像进行存储,得到配电图像信息。
在本申请实施例中,历史周期是工作人员通过电子设备设置的时间周期,例如:历史周期为历史一周时间。
具体地,输电环境信息可通过环境监测仪进行获取,将输电节点以及输电线路按照覆盖面积进行区域划分,得到对应的划分区域,然后根据相邻划分区域之间的距离确定环境监测仪安装数量,例如:两相邻划分区域之间的距离为5公里,则环境监测仪安装数量为1个,若相邻划分区域之间的距离超过5公里,则按照安装标准每五公里安装1个环境监测仪。
步骤S11,基于配电图像信息对故障评测标准进行更新,得到实时故障标准。
其中,故障评测标准为在配电网安装后所制定的故障评测标准。
步骤S12,根据实时故障标准以及输电环境信息对配电网的配电数据进行预测,得到配电数据信息。
步骤S13,判断配电数据信息中是否存在预设故障信息,若存在,则基于配电数据信息生成检修信息以及异常配电节点。
对于本申请实施例来说,预设故障信息包括人为故障以及非人为故障、其中,人为故障包括:车辆与杆塔发生碰撞,导致杆塔断裂;基建或者市政施工对配电网造成破坏,导致杆塔、配电变压器或输电线路受损。非人为故障包括:动物攀爬至配电变压器造成相间短路;自然灾害造成的故障。
步骤S14,检测异常配电节点所在配电区域,并获取配电区域内与异常配电节点相匹配的备用配电节点。
其中,备用配电节点用于表示与异常配电节点的位置以及输电目标相同的配电节点。
步骤S15,基于异常配电节点以及备用配电节点,生成配电转接指令。
其中,配电转接指令用于控制异常配电节点所对应的输电线路断开供电以及控制备用配电节点所对应的输电线路开启供电。
本申请实施例提供了一种用于配电网的管控方法,在本申请中,在对配电网进行管控时,获取配电图像信息以及输电环境信息,其中,配电图像信息用于表示配电网中每个输电节点以及相邻输电节点之间的输电线路在历史周期内的图像信息,输电环境信息用于表示配电网每个输电节点以及相邻输电节点之间的输电线路在未来周期内的周围环境信息,然后基于配电图像信息对故障评测标准进行更新,得到实时故障标准,故障评测标准为在配电网安装后所制定的故障评测标准,然后根据实时故障标准以及输电环境信息对配电网的配电数据进行预测,得到配电数据信息,然后判断配电数据信息中是否存在预设故障信息,若存在,则基于配电数据信息生成检修信息以及异常配电节点,然后检测异常配电节点所在配电区域,并获取配电区域内与异常配电节点相匹配的备用配电节点,其中,备用配电节点用于表示与异常配电节点的位置以及输电目标相同的配电节点,然后基于异常配电节点以及备用配电节点,生成配电转接指令,控制异常配电节点所对应的输电线路断开供电以及控制备用配电节点所对应的输电线路开启供电,通过对配电网以及配电网周围环境的监测,预测未来周期内配电数据信息是否存在预设故障,当存在时,为不影响用户的用电体验,将异常配电节点转接至备用配电节点,然后维护人员根据检修信息对异常配电节点进行检修,从而提高了用户的用电体验。
本申请实施例的一种可能的实现方式,步骤S11具体包括步骤S111(图中未示出)、步骤S112(图中未示出)、步骤S113(图中未示出)以及步骤S114(图中未示出),其中,
步骤S111,获取历史环境信息。
其中,历史环境信息为在历史周期内配电网周边的环境综合信息。
步骤S112,对配电网的故障数据进行调取,得到在电网故障信息,
其中,电网故障信息为配电网在历史周期内所发生的故障信息。
具体地,调取数据库中存储的配电网故障列表,根据历史周期条件筛选故障信息,得到电网故障信息。
步骤S113,判断电网故障信息是否符合故障评测标准,若符合,则基于电网故障信息中的故障时间,调取配电图像信息中的故障图像信息,并将故障图像信息输入至训练后的线路检测模型中进行识别,得到线路属性信息。
具体地,电网故障信息包括:故障类型、故障位置、故障发生时间、故障维护人员、故障原因信息以及故障修复时间。
在本申请实施例中,线路检测模块为神经网络模块,在对线路检测模块进行训练时,采集不同故障类型的电网故障图像以及电网故障图像中每种故障对应的标注信息作为训练样本,其中,标注信息包括故障类别以及故障等级,然后将训练样本输入至线路检测模块中进行训练,得到训练后的线路检测模块。
步骤S114,对电网故障信息、历史环境信息以及线路属性信息进行数据分析,得到线路承受范围。
步骤S115,判断线路承受范围是否符合于故障测评标准中的初始线路承受范围,若不符合,则基于线路承受范围对故障评测标准进行更新,得到实时故障标准。
具体地,根据线路承受范围对故障评测标准进行更新,例如:初始线路承受范围中的温度为-40-40摄氏度,但随着线路的使用以及环境对线路的磨损,。导致线路承受范围中的温度变为-20-35摄氏度,因此初始线路承受范围中的温度已不满足线路承受范围,更新后的实时故障标准中的线路承受温度则由-40-40摄氏度变为-20-35摄氏度。
本申请实施例的一种可能的实现方式,步骤S114具体包括步骤S141(图中未示出)、步骤S142(图中未示出)、步骤S143(图中未示出)、步骤S144(图中未示出)以及步骤S145(图中未示出),其中,
步骤S141,基于电网故障信息确定故障原因信息。
具体地,根据故障原因关键字进行信息筛查,得到电网故障信息中的故障原因信息。
步骤S142,基于故障时间调取历史环境信息中与故障原因信息相对应的环境参数种类以及与环境参数种类相对应的环境参数值。
步骤S143,将不同类别的环境参数种类以及环境参数值按照时间进行数据规划,得到参数时间信息。
具体地,建立第一数据坐标系,其中X轴为时间线,Y轴为时间线对应的不同时间刻度的不同环境参数值,时间线的单位时间是以每天为单位进行划分,将每天在不同时间刻度的环境参数种类以及环境参数种类对应的环境参数值进行检测记录,并将记录到的环境参数值与Y轴的参数值进行对应标记,再将每个标记按照时间线规律进行连接,得到历史周期内不同环境参数种类的参数时间信息。
步骤S144,对线路属性信息进行属性类别以及与属性类别对应的属性值按照时间进行筛查,得到属性时间信息。
具体地,建立第二数据坐标系,其中X轴为第一数据坐标系中X轴所对应的时间线的时间线,Y轴为时间线对应的不同时间刻度的不同属性值,将每天在不同时间刻度的属性类别以及属性类别对应的属性值进行检测记录,并将记录到的属性值与Y轴的属性值进行对应标记,然后按照步骤S143中的标记连接的方式进行连接,得到历史周期内不同属性类别的属性时间信息。
步骤S145,将参数时间信息以及属性时间信息按照单位时间进行对应整合,得到线路承受范围。
在本申请实施例中,单位时间为以一个月为一个单位进行统计计算。
具体地,将第二数据坐标系中的属性值的数据曲线与第一数据坐标系中的环境参数值的数据曲线相融合,得到综合数据坐标系,确定同一时刻对应的电网出现故障的环境参数值与属性值,将对应的环境参数值进行记录,并迭代更新,得到配电网的线路承受范围。
本申请实施例的一种可能的实现方式,步骤S12具体包括步骤S21(图中未示出)、步骤S22(图中未示出)以及步骤S23(图中未示出),其中,
步骤S21,根据历史环境信息、线路属性信息以及输电环境信息对实时故障标准中的线路承受范围进行预测,得到未来周期时间段内线路的未来承受范围。
具体地,未来周期时间段为工作人员预设的时间段,根据历史环境信息、线路属性信息以及输电环境信息对实时故障标准的影响,确定未来环境信息对配电网的影响。在获取未来环境信息时,通过收集数据、数据同化、数据天气、输出处理以及结果通知五步获取。收集数据,最传统的数据是在海面上通过专业人员、自动气象站或者浮标收集的气压、气温、风速、风向、湿度等数据。世界气象组织协调这些数据采集的时间,并制定标准。这些测量分每小时一次或者每六小时一次;数据同化,在数据同化的过程中被采集的数据与用来做预报的数字模型结合在一起来产生气象分析。其结大气状态的最好估计,它是一个三维的温度、湿度、气压和风速、风向的表示;数据天气,按照物理学和流体力学的结果来计算大气随时间的变化;输出处理,模型计算的原始输出一般要经过加工处理后才能成为天气预报。这些处理包括使用统计学的原理来消除已知的模型中的偏差,或者参考其它模型计算结果进行调整;结果通知,根据有关部门提供的数据上终端上制作全国气象形势图表。
步骤S22,判断未来承受范围是否符合于实时故障标准中的线路承受范围,若不符合,则基于未来承受范围对实时故障标准进行更新,得到未来故障标准。
具体地,对实时故障标准更新方式与步骤S114细化方式一致,在此不再赘述。
步骤S23,将未来故障标准与输电环境信息中的环境参数种类以及环境种类进行匹配比对,得到配电数据信息。
本申请实施例的一种可能的实现方式,步骤S21具体包括:步骤S211(图中未示出)、步骤S212(图中未示出)、步骤S213(图中未示出)、步骤S214(图中未示出)、步骤S215(图中未示出)以及步骤S216(图中未示出),其中,
步骤S211,将线路属性信息与历史环境信息按照历史周期时间进行信息整合,得到环境线路信息。
步骤S212,对环境线路信息进行分析,确定环境线路信息中不同环境参数信息以及每种环境参数信息对应的线路属性值,并基于线路属性值以及环境参数信息对环境线路信息进行无监督时间序列数据整理,得到第一环线矩阵数据。
具体地,时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势,而时间序列预测方法的核心就是从数据中挖掘出这种规律,并利用其对将来的数据做出估计。
在本申请实施例中,时间序列长度表示的是历史环境信息随时间不断变化的长度。
根据时间序列长度以及不同降解物种类数量对历史环境信息进行无监督时间序列数据整理,得到以下第一环线矩阵数据:
步骤S213,将第一环线矩阵数据输入至训练好的环线模型进行向量特征提取,得到环线特征维度数量,并将得到的环线特征维度数量与第一环线矩阵数据进行数据结合处理,生成第二环线矩阵数据。
具体地,在将第一环线矩阵数据输入至环线模型中进行向量特征提取,需要预先获取矩阵数据样本,矩阵数据样本包括历史环境信息所形成的第一环线矩阵数据以及第一环线矩阵数据中的向量特征,然后创建环线模型,并基于一环境矩阵数据以及第一环线矩阵数据中的向量特征对环线模型进行训练,得到训练好的环线模型。
具体地,环线模型为预先训练好的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关。
具体地,将第一环线矩阵数据输入至环线模型中进行向量特征提取,并将提取到的向量特征进行统计,得到特征维度数量,其中,向量特征包括历史环境信息中的气候向量特征、时间向量特征以及气候变化频率向量特征等,然后将特征维度数量与第一环线矩阵数据进行数据结合,得到第二环线矩阵数据。
步骤S214,对第二环线矩阵数据中所包含的数据进行数据处理,得到环线数据,并将得到的环线数据输入至预设算法模型中进行数据推算,生成不同环境参数信息在未来周期时间段内的时间参数信息以及每种线路属性值在未来周期时间段内的时间属性信息。
对于本申请实施例来说,采用双向LSTM模型为预设算法模型进行举例说明,包括但不仅限于双向LSTM模型。
具体地,预设算法模型构建,模型主体采用双向LSTM作为趋势预测模型,LSTM主要有遗忘门,输入门,输出门构成;
经过遗忘门和输入门的信息过滤后,将历史的记忆和当前阶段的记忆内容合并,生成的值为:
在上面描述的LSTM之后,在反向接入一层LSTM网络层,通过该过程可以得到BI-LSTM层,由于是若干组微生物物种组合共同训练;添加物种空间特征联合学习层,初始化关联向量矩阵大小为M*V*K,取LSTM最后一层的输出向量,转置乘关联向量参数矩阵,最终连接回归损失函数,完成预设算法模型的构建。
步骤S215,将输电环境信息中的环境参数信息与环境参数信息进行匹配,得到未来时参信息以及未来时参信息相对应的未来时属信息。
步骤S216,将未来时参信息以及未来时属信息按照单位时间进行对应整合,得到未来周期时间段内线路的未来承受范围。
具体地,对未来时参信息以及未来时属信息整合方式与步骤S145整合方式一致,在此不再赘述。
本申请实施例的一种可能的实现方式,步骤S213具体包括:步骤Sa(图中未示出)、步骤Sb(图中未示出)、步骤Sc(图中未示出)以及步骤Sd(图中未示出),其中,
步骤Sa,将环线特征维度数量与第一环线矩阵数据进行整合,生成环线维度矩阵数据。
具体地,将环线特征维度数量作为维度与第一环线矩阵数据进行整合,本申请实施例采用pytorch技术进行举例说明,包括但不局限于pytorch技术一种可实现方式。
通过pytorch中的指令“out.unsqueeze(-1)”将环线特征维度数量以维度的方式添加到第一环线矩阵数据中,实现维度整合。
具体地,PyTorch是一个基于Torch的Python开源机器学习库,用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发,不仅能够实现强大的GPU加速,同时还支持动态神经网络,这一点是现在很多主流框架如TensorFlow都不支持的。PyTorch提供了两个高级功能:1.具有强大的GPU加速的张量计算(如Numpy);2.包含自动求导系统的深度神经网络除了Facebook之外,Twitter、GMU和Salesforce等机构都采用了PyTorch。
将环线特征维度数量与第一环线矩阵数据进行整合完毕后,得到以下环线维度矩阵数据:
步骤Sb,对环线维度矩阵数据进行基本数据分布探查,获取历史环境信息中不同环境参数信息与每种线路属性值的相对周期性规律,并基于相对周期性规律确定时间周期长度。
具体地,将环线维度矩阵数据导入到Excel表格中,并且配置Python集成jupyter环境,针对环线维度矩阵数据中n时间序列做基本数据分布探查,主要目的在于找到对应序列的的相对周期性规律,然后根据相周期性规律确定时间周期长度。
步骤Sc,基于时间周期长度对环线维度矩阵数据进行有监督时间序列数据整理,得到环线预测矩阵数据。
具体地,用t来代替时间周期性长度,并将环线维度矩阵数据中的n替换为t,得到新的环境预测矩阵数据:
步骤Sd,基于环线预测矩阵数据对未来周期时间段内的线路属性值的变化趋势进行预测,生成第二环线矩阵数据。
具体地,假设预设未来预设时间段为k,即移动步长为k步预测,得到第二环线矩阵数据:
本申请实施例的一种可能的实现方式,步骤S214具体包括:步骤S2141(图中未示出)、步骤S2142(图中未示出)、步骤S2143(图中未示出)以及步骤S2144(图中未示出),其中,
步骤S2141,计算第二环线矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于正态分布均值以及正态分布方差确定第二环线矩阵数据的3δ范围。
步骤S2142,判断数据是否在3δ范围之外,若数据在3δ范围之外,则确定数据所在第二环线矩阵数据的第一矩阵序列。
具体地,3δ范围是建立在正态分布的等精度重复测量基础上而造成奇异数据的干扰或噪声难以满足正态分布。如果一组测量数据中某个测量值的残余误差的绝对值νi>3δ,则该测量值为坏值,应剔除。通常把等于±3δ的误差作为极限误差,对于正态分布的随机误差,落在±3δ以外的概率只有0.27%,它在有限次测量中发生的可能性很小,故存在3δ准则。3δ准则是最常用也是最简单的粗大误差判别准则,它一般应用于测量次数充分多(n≥30)或当n>10做粗略判别时的情况。
具体地,缺失值是指矩阵序列中由于缺少信息而造成的数据聚类、分组、删失或截断,对于缺失值的处理,从总体上来说分为删除存在缺失值的个案和缺失值插补,本申请实施例采用删除存在缺失值的个案对矩阵序列进行处理,删除存在缺失值的个案主要有简单删除法和权重法。简单删除法是对缺失值进行处理的最原始方法。它将存在缺失值的个案删除。如果数据缺失问题可以通过简单的删除小部分样本来达到目标,那么这个方法是最有效的。当缺失值的类型为非完全随机缺失的时候,可以通过对完整的数据加权来减小偏差。把数据不完全的个案标记后,将完整的数据个案赋予不同的权重,个案的权重可以通过logistic或probit回归求得。
步骤S2143,根据第一矩阵序列计算序列平均值,用序列平均值对数据进行替换,得到替换后的第二矩阵序列。
步骤S2144,对第二矩阵序列进行缺失值以及归一化处理,得到环线数据。
具体地,归一化方法有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速。
上述实施例从方法流程的角度介绍一种用于配电网的管控方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种用于配电网的管控装置,具体详见下述实施例。
本申请实施例提供一种用于配电网的管控装置,如图2所示,该用于配电网的管控装置20具体可以包括:信息获取模块21、标准更新模块22、数据预测模块23、故障判断模块24、节点获取模块25以及配电转接模块26,其中,
信息获取模块21,用于获取配电图像信息以及输电环境信息,配电图像信息用于表示配电网中每个输电节点以及相邻输电节点之间的输电线路在历史周期内的图像信息,输电环境信息用于表示配电网每个输电节点以及相邻输电节点之间的输电线路在未来周期内的周围环境信息;
标准更新模块22,用于基于配电图像信息对故障评测标准进行更新,得到实时故障标准,故障评测标准为在配电网安装后所制定的故障评测标准;
数据预测模块23,用于根据实时故障标准以及输电环境信息对配电网的配电数据进行预测,得到配电数据信息;
故障判断模块24,用于判断配电数据信息中是否存在预设故障信息,若存在,则基于配电数据信息生成检修信息以及异常配电节点;
节点获取模块25,用于检测异常配电节点所在配电区域,并获取配电区域内与异常配电节点相匹配的备用配电节点,备用配电节点用于表示与异常配电节点的位置以及输电目标相同的配电节点;
配电转接模块26,用于基于异常配电节点以及备用配电节点,生成配电转接指令,配电转接指令用于控制异常配电节点所对应的输电线路断开供电以及控制备用配电节点所对应的输电线路开启供电。
本申请实施例的一种可能的实现方式,标准更新模块22在基于配电图像信息对故障评测标准进行更新,得到实时故障标准时,具体用于:
获取历史环境信息,历史环境信息为在历史周期内配电网周边的环境综合信息;
对配电网的故障数据进行调取,得到在电网故障信息,电网故障信息为配电网在历史周期内所发生的故障信息;
判断电网故障信息是否符合故障评测标准,若符合,则基于电网故障信息中的故障时间,调取配电图像信息中的故障图像信息,并将故障图像信息输入至训练后的线路检测模型中进行识别,得到线路属性信息;
对电网故障信息、历史环境信息以及线路属性信息进行数据分析,得到线路承受范围;
判断线路承受范围是否符合于故障测评标准中的初始线路承受范围,若不符合,则基于线路承受范围对故障评测标准进行更新,得到实时故障标准。
本申请实施例的另一种可能的实现方式,标准更新模块22在对电网故障信息、历史环境信息以及线路属性信息进行数据分析,得到线路承受范围时,具体用于:
基于电网故障信息确定故障原因信息;
基于故障时间调取历史环境信息中与故障原因信息相对应的环境参数种类以及与环境参数种类相对应的环境参数值;
将不同类别的环境参数种类以及环境参数值按照时间进行数据规划,得到参数时间信息;
对线路属性信息进行属性类别以及与属性种类对应的属性值按照时间进行筛查,得到属性时间信息;
将参数时间信息以及属性时间信息按照单位时间进行对应整合,得到线路承受范围。
本申请实施例的另一种可能的实现方式,数据预测模块23在根据实时故障标准以及输电环境信息对配电网的配电数据进行预测,得到配电数据信息时,具体用于:
根据历史环境信息、线路属性信息以及输电环境信息对实时故障标准中的线路承受范围进行预测,得到未来周期时间段内线路的未来承受范围;
判断未来承受范围是否符合于实时故障标准中的线路承受范围,若不符合,则基于未来承受范围对实时故障标准进行更新,得到未来故障标准;
将未来故障标准与输电环境信息中的环境参数种类以及环境种类进行匹配比对,得到配电数据信息。
本申请实施例的另一种可能的实现方式,数据预测模块23在根据历史环境信息、线路属性信息以及输电环境信息对实时故障标准中的线路承受范围进行预测,得到未来周期时间段内线路的未来承受范围时,具体用于:
将线路属性信息与历史环境信息按照历史周期时间进行信息整合,得到环境线路信息;
对环境线路信息进行分析,确定环境线路信息中不同环境参数信息以及每种环境参数信息对应的线路属性值,并基于线路属性值以及环境参数信息对环境线路信息进行无监督时间序列数据整理,得到第一环线矩阵数据;
将第一环线矩阵数据输入至训练好的环线模型进行向量特征提取,得到环线特征维度数量,并将得到的环线特征维度数量与第一环线矩阵数据进行数据结合处理,生成第二环线矩阵数据;
对第二环线矩阵数据中所包含的数据进行数据处理,得到环线数据,并将得到的环线数据输入至预设算法模型中进行数据推算,生成不同环境参数信息在未来周期时间段内的时间参数信息以及每种线路属性值在未来周期时间段内的时间属性信息;
将输电环境信息中的环境参数信息与环境参数信息进行匹配,得到未来时参信息以及未来时参信息相对应的未来时属信息;
将未来时参信息以及未来时属信息按照单位时间进行对应整合,得到未来周期时间段内线路的未来承受范围。
本申请实施例的另一种可能的实现方式,数据预测模块23在将得到的环线特征维度数量与第一环线矩阵数据进行数据结合处理,生成第二环线矩阵数据时,具体用于:
将环线特征维度数量与第一环线矩阵数据进行整合,生成环线维度矩阵数据;
对环线维度矩阵数据进行基本数据分布探查,获取历史环境信息中不同环境参数信息与每种线路属性值的相对周期性规律,并基于相对周期性规律确定时间周期长度;
基于时间周期长度对环线维度矩阵数据进行有监督时间序列数据整理,得到环线预测矩阵数据;
基于环线预测矩阵数据对未来周期时间段内的线路属性值的变化趋势进行预测,生成第二环境矩阵数据。
本申请实施例的另一种可能的实现方式,数据预测模块23在对第二环线矩阵数据中所包含的数据进行数据处理,得到环线数据时,具体用于:
计算第二环线矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于正态分布均值以及正态分布方差确定第二环线矩阵数据的3δ范围;
判断数据是否在3δ范围之外,若数据在3δ范围之外,则确定数据所在第二环线矩阵数据的第一矩阵序列;
根据第一矩阵序列计算序列平均值,用序列平均值对数据进行替换,得到替换后的第二矩阵序列;
对第二矩阵序列进行缺失值以及归一化处理,得到环线数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还从实体装置的角度介绍了一种电子设备,如图3所示,图3所示的电子设备300除常规配置装置外包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种用于配电网的管控方法,其特征在于,包括:
获取配电图像信息以及输电环境信息,所述配电图像信息用于表示配电网中每个输电节点以及相邻所述输电节点之间的输电线路在历史周期内的图像信息,所述输电环境信息用于表示所述配电网每个输电节点以及相邻所述输电节点之间的输电线路在未来周期内的周围环境信息;
基于所述配电图像信息对故障评测标准进行更新,得到实时故障标准,所述故障评测标准为在所述配电网安装后所制定的故障评测标准;
根据所述实时故障标准以及所述输电环境信息对所述配电网的配电数据进行预测,得到配电数据信息;
判断所述配电数据信息中是否存在预设故障信息,若存在,则基于所述配电数据信息生成检修信息以及异常配电节点;
检测所述异常配电节点所在配电区域,并获取所述配电区域内与所述异常配电节点相匹配的备用配电节点,所述备用配电节点用于表示与异常配电节点的位置以及输电目标相同的配电节点;
基于所述异常配电节点以及所述备用配电节点,生成配电转接指令,所述配电转接指令用于控制异常配电节点所对应的输电线路断开供电以及控制所述备用配电节点所对应的输电线路开启供电。
2.根据权利要求1所述的一种用于配电网的管控方法,其特征在于,所述基于所述配电图像信息对故障评测标准进行更新,得到实时故障标准,包括:
获取历史环境信息,所述历史环境信息为在所述历史周期内配电网周边的环境综合信息;
对所述配电网的故障数据进行调取,得到在电网故障信息,所述电网故障信息为所述配电网在所述历史周期内所发生的故障信息;
判断所述电网故障信息是否符合所述故障评测标准,若符合,则基于所述电网故障信息中的故障时间,调取所述配电图像信息中的故障图像信息,并将所述故障图像信息输入至训练后的线路检测模型中进行识别,得到线路属性信息;
对所述电网故障信息、所述历史环境信息以及所述线路属性信息进行数据分析,得到线路承受范围;
判断所述线路承受范围是否符合于所述故障测评标准中的初始线路承受范围,若不符合,则基于所述线路承受范围对所述故障评测标准进行更新,得到实时故障标准。
3.根据权利要求2所述的一种用于配电网的管控方法,其特征在于,所述对所述电网故障信息、所述历史环境信息以及所述线路属性信息进行数据分析,得到线路承受范围,包括:
基于所述电网故障信息确定故障原因信息;
基于所述故障时间调取所述历史环境信息中与所述故障原因信息相对应的环境参数种类以及与所述环境参数种类相对应的环境参数值;
将不同类别的所述环境参数种类以及所述环境参数值按照时间进行数据规划,得到参数时间信息;
对所述线路属性信息进行属性类别以及与所述属性类别对应的属性值按照时间进行筛查,得到属性时间信息;
将所述参数时间信息以及所述属性时间信息按照单位时间进行对应整合,得到线路承受范围。
4.根据权利要求2所述的一种用于配电网的管控方法,其特征在于,所述根据所述实时故障标准以及所述输电环境信息对所述配电网的配电数据进行预测,得到配电数据信息,包括:
根据所述所述历史环境信息、所述线路属性信息以及所述输电环境信息对所述实时故障标准中的所述线路承受范围进行预测,得到所述未来周期时间段内线路的未来承受范围;
判断所述未来承受范围是否符合于所述实时故障标准中的所述线路承受范围,若不符合,则基于所述未来承受范围对所述实时故障标准进行更新,得到未来故障标准;
将所述未来故障标准与所述输电环境信息中的环境参数种类以及环境种类进行匹配比对,得到配电数据信息。
5.根据权利要求4所述的一种用于配电网的管控方法,其特征在于,所述根据所述所述历史环境信息、所述线路属性信息以及所述输电环境信息对所述实时故障标准中的所述线路承受范围进行预测,得到所述未来周期时间段内线路的未来承受范围,包括:
将所述线路属性信息与所述历史环境信息按照所述历史周期时间进行信息整合,得到环境线路信息;
对所述环境线路信息进行分析,确定所述环境线路信息中不同环境参数信息以及每种所述环境参数信息对应的线路属性值,并基于所述线路属性值以及所述环境参数信息对所述环境线路信息进行无监督时间序列数据整理,得到第一环线矩阵数据;
将所述第一环线矩阵数据输入至训练好的环线模型进行向量特征提取,得到环线特征维度数量,并将得到的所述环线特征维度数量与所述第一环线矩阵数据进行数据结合处理,生成第二环线矩阵数据;
对所述第二环线矩阵数据中所包含的数据进行数据处理,得到环线数据,并将得到的所述环线数据输入至预设算法模型中进行数据推算,生成所述不同环境参数信息在所述未来周期时间段内的时间参数信息以及每种线路属性值在所述未来周期时间段内的时间属性信息;
将所述输电环境信息中的环境参数信息与所述环境参数信息进行匹配,得到未来时参信息以及所述未来时参信息相对应的未来时属信息;
将所述未来时参信息以及所述未来时属信息按照单位时间进行对应整合,得到所述未来周期时间段内线路的未来承受范围。
6.根据权利要求5所述的一种用于配电网的管控方法,其特征在于,所述将得到的所述环线特征维度数量与所述第一环线矩阵数据进行数据结合处理,生成第二环线矩阵数据,包括:
将所述环线特征维度数量与所述第一环线矩阵数据进行整合,生成环线维度矩阵数据;
对所述环线维度矩阵数据进行基本数据分布探查,获取所述历史环境信息中不同环境参数信息与每种所述线路属性值的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述环线维度矩阵数据进行有监督时间序列数据整理,得到环线预测矩阵数据;
基于所述环线预测矩阵数据对所述未来周期时间段内的所述线路属性值的变化趋势进行预测,生成第二环线矩阵数据。
7.根据权利要求5所述的一种用于配电网的管控方法,其特征在于,所述对所述第二环线矩阵数据中所包含的数据进行数据处理,得到环线数据,包括:
计算所述第二环线矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于所述正态分布均值以及所述正态分布方差确定所述第二环线矩阵数据的3 δ范围;
判断所述数据是否在所述3δ范围之外,若所述数据在所述3δ范围之外,则确定所述数据所在所述第二环线矩阵数据的第一矩阵序列;
根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列;
对所述第二矩阵序列进行缺失值以及归一化处理,得到环线数据。
8.一种用于配电网的管控装置,其特征在于,包括:
信息获取模块,用于获取配电图像信息以及输电环境信息,所述配电图像信息用于表示配电网中每个输电节点以及相邻所述输电节点之间的输电线路在历史周期内的图像信息,所述输电环境信息用于表示所述配电网每个输电节点以及相邻所述输电节点之间的输电线路在未来周期内的周围环境信息;
标准更新模块,用于基于所述配电图像信息对故障评测标准进行更新,得到实时故障标准,所述故障评测标准为在所述配电网安装后所制定的故障评测标准;
数据预测模块,用于根据所述实时故障标准以及所述输电环境信息对所述配电网的配电数据进行预测,得到配电数据信息;
故障判断模块,用于判断所述配电数据信息中是否存在预设故障信息,若存在,则基于所述配电数据信息生成检修信息以及异常配电节点;
节点获取模块,用于检测所述异常配电节点所在配电区域,并获取所述配电区域内与所述异常配电节点相匹配的备用配电节点,所述备用配电节点用于表示与异常配电节点的位置以及输电目标相同的配电节点;
配电转接模块,用于基于所述异常配电节点以及所述备用配电节点,生成配电转接指令,所述配电转接指令用于控制异常配电节点所对应的输电线路断开供电以及控制所述备用配电节点所对应的输电线路开启供电。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~7任一项所述的用于配电网的管控方法。
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,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~7任一项所述的用于配电网的管控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310043963.9A CN115796434B (zh) | 2023-01-29 | 2023-01-29 | 一种用于配电网的管控方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310043963.9A CN115796434B (zh) | 2023-01-29 | 2023-01-29 | 一种用于配电网的管控方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115796434A true CN115796434A (zh) | 2023-03-14 |
CN115796434B CN115796434B (zh) | 2023-05-23 |
Family
ID=85429105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310043963.9A Active CN115796434B (zh) | 2023-01-29 | 2023-01-29 | 一种用于配电网的管控方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796434B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116192971A (zh) * | 2023-04-24 | 2023-05-30 | 江阴市华明电力发展集团有限公司 | 智能云能源运维服务平台数据管理方法 |
CN116596512A (zh) * | 2023-05-22 | 2023-08-15 | 湖北华中电力科技开发有限责任公司 | 一种基于信息系统的电力运维安全强化方法和系统 |
CN116934354A (zh) * | 2023-07-21 | 2023-10-24 | 浙江远图技术股份有限公司 | 一种药品计量称的监管方法、装置、电子设备及介质 |
CN117148047A (zh) * | 2023-10-30 | 2023-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多维数据的配电故障定位方法及系统 |
CN118130970A (zh) * | 2024-05-07 | 2024-06-04 | 国网天津市电力公司电力科学研究院 | 一种配电网故障检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160291076A1 (en) * | 2015-04-03 | 2016-10-06 | Aclara Technologies Llc | Framework for fault detection and localization in power distribution networks |
CN107358366A (zh) * | 2017-07-20 | 2017-11-17 | 国网辽宁省电力有限公司 | 一种配电变压器故障风险监测方法及系统 |
CN112836436A (zh) * | 2021-03-01 | 2021-05-25 | 云南电网有限责任公司电力科学研究院 | 一种基于概率图模型的配电网线路风险量化预测方法 |
CN115333062A (zh) * | 2022-10-12 | 2022-11-11 | 国网浙江省电力有限公司宁波供电公司 | 一种配电网系统的故障处理方法及装置 |
-
2023
- 2023-01-29 CN CN202310043963.9A patent/CN115796434B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160291076A1 (en) * | 2015-04-03 | 2016-10-06 | Aclara Technologies Llc | Framework for fault detection and localization in power distribution networks |
CN107358366A (zh) * | 2017-07-20 | 2017-11-17 | 国网辽宁省电力有限公司 | 一种配电变压器故障风险监测方法及系统 |
CN112836436A (zh) * | 2021-03-01 | 2021-05-25 | 云南电网有限责任公司电力科学研究院 | 一种基于概率图模型的配电网线路风险量化预测方法 |
CN115333062A (zh) * | 2022-10-12 | 2022-11-11 | 国网浙江省电力有限公司宁波供电公司 | 一种配电网系统的故障处理方法及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116192971A (zh) * | 2023-04-24 | 2023-05-30 | 江阴市华明电力发展集团有限公司 | 智能云能源运维服务平台数据管理方法 |
CN116192971B (zh) * | 2023-04-24 | 2023-06-27 | 江阴市华明电力发展集团有限公司 | 智能云能源运维服务平台数据管理方法 |
CN116596512A (zh) * | 2023-05-22 | 2023-08-15 | 湖北华中电力科技开发有限责任公司 | 一种基于信息系统的电力运维安全强化方法和系统 |
CN116596512B (zh) * | 2023-05-22 | 2024-05-10 | 湖北华中电力科技开发有限责任公司 | 一种基于信息系统的电力运维安全强化方法和系统 |
CN116934354A (zh) * | 2023-07-21 | 2023-10-24 | 浙江远图技术股份有限公司 | 一种药品计量称的监管方法、装置、电子设备及介质 |
CN116934354B (zh) * | 2023-07-21 | 2024-04-05 | 浙江远图技术股份有限公司 | 一种药品计量称的监管方法、装置、电子设备及介质 |
CN117148047A (zh) * | 2023-10-30 | 2023-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多维数据的配电故障定位方法及系统 |
CN117148047B (zh) * | 2023-10-30 | 2024-01-12 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多维数据的配电故障定位方法及系统 |
CN118130970A (zh) * | 2024-05-07 | 2024-06-04 | 国网天津市电力公司电力科学研究院 | 一种配电网故障检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115796434B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN112749904B (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
CN116307641A (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
CN115019209A (zh) | 一种基于深度学习的电力杆塔状态检测的方法及系统 | |
CN117391674A (zh) | 一种基于可靠性的电气设备预防性维修优化方法及装置 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN117391257A (zh) | 一种道路拥堵情况的预测方法及装置 | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN115392714A (zh) | 一种基于fassa-svm的输电线路故障评估方法 | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
Wang et al. | Prediction of air particulate matter in Beijing, China, based on the improved particle swarm optimization algorithm and long short-term memory neural network | |
Zheng et al. | [Retracted] Application Based on Artificial Intelligence in Substation Operation and Maintenance Management | |
CN111652420A (zh) | 一种实时的负荷预测系统 | |
CN117113267B (zh) | 基于大数据的预测模型训练方法、光伏发电性能检测方法 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
Liu et al. | Artificial enabled communications energy trade management in sustainable generator based fault detection for work substation recordings |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |