CN116070902A - 输电线路状态评估方法、装置、计算机设备、介质和产品 - Google Patents
输电线路状态评估方法、装置、计算机设备、介质和产品 Download PDFInfo
- Publication number
- CN116070902A CN116070902A CN202211595835.7A CN202211595835A CN116070902A CN 116070902 A CN116070902 A CN 116070902A CN 202211595835 A CN202211595835 A CN 202211595835A CN 116070902 A CN116070902 A CN 116070902A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- influence
- power transmission
- transmission 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 169
- 238000011156 evaluation Methods 0.000 title claims abstract description 153
- 238000012360 testing method Methods 0.000 claims abstract description 162
- 230000008859 change Effects 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 22
- 238000012790 confirmation Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000005260 corrosion Methods 0.000 description 6
- 230000007797 corrosion Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/06—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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种输电线路状态评估方法、装置、计算机设备、介质和产品,通过获取输电线路的多个故障影响指标的样本数据,并基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型,分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值,从而根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级,最后根据目标指标、以及各目标指标的评价等级,能够全面分析影响输电线路状态的各故障影响指标,准确对输电线路状态进行评估。
Description
技术领域
本申请涉及输电线路运维技术领域,特别是涉及一种输电线路状态评估方法、装置、计算机设备、介质和产品。
背景技术
电网运维需要定期检测输电线路及杆塔的状态,并反馈给相关的运维人员,运维人员根据检测的状态数据分析并采取对应措施。
传统技术中,对输电线路及杆塔的状态进行评估,通常是根据输电线路及杆塔的实时数据进行的,例如通过输电线路杆塔上安装的物联网边缘感知设备,获取杆塔倾斜度、杆塔温度以及杆塔电流等数据,基于获取的数据对输电线路状态进行分析,确定输电线路是否出现某种故障。
但是,在实际分析中,输电线路的故障类型有多种,并不能完全确定每种故障类型的产生机理,因此在根据输电线路的实时数据进行评估时,只能对部分产生机理明确的故障进行分析,从而导致分析结果出现误差。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确对输电线路状态进行分析的输电线路状态评估方法、装置、计算机设备、介质和产品。
第一方面,本申请提供了一种输电线路状态评估方法,该方法包括:
获取输电线路的多个故障影响指标的样本数据;样本数据包括训练集数据和测试集数据;
基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型;
分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值;
根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级;
根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估。
在其中一个实施例中,分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值步骤包括:
对各测试集数据中各特征值分别进行增值处理和减值处理,得到增值处理对应的第一测试数据和减值处理对应的第二测试数据;
将第一测试数据输入至故障预测模型得到第一输出预测数据;
将第二测试数据输入至故障预测模型得到第二输出预测数据;
将第一输出预测数据和第二输出预测数据间的差值作为各测试集数据对应的影响变化值。
在其中一个实施例中,根据影响变化值从多个故障影响指标中筛选出目标指标步骤包括:
计算每个测试集数据对应的影响变化值的平均值,得到多个平均影响值;
根据预设数值要求从多个平均影响值中筛选出目标平均影响值;
将目标平均影响值对应的故障影响指标作为目标指标。
在其中一个实施例中,确定各目标指标的评价等级步骤包括:
构建预设模糊评价矩阵;
基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集;
根据预设隶属度原则获取模糊子集中满足隶属度要求的模糊子集;
基于满足隶属度要求的模糊子集确定各目标指标的评价等级。
在其中一个实施例中,基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集步骤包括:
基于各目标指标对应的平均影响值构建权重向量;权重向量用于表示各测试集数据对相应的输出预测数据的影响程度;
根据预设模糊评价矩阵对权重向量和预设评价等级进行模糊线性变换处理,得到多个模糊子集。
在其中一个实施例中,根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估步骤包括:
获取多个目标指标中需要进行目标风险确认的风险指标;
当风险指标对应的评价等级为目标风险等级时,获取定位坐标处的周围环境数据和现场图像数据;
根据周围环境数据对输电线路的输电通道进行目标风险确认,并根据现场图像数据对输电线路的对输电通道目标风险进行确认;
若根据周围环境数据确认存在目标风险,以及根据现场图像数据确认存在目标风险,则确定输电线路处于风险状态,并发出告警信号。
第二方面,本申请还提供了一种输电线路状态评估装置,该装置包括:
数据获取模块,用于获取输电线路的多个故障影响指标的样本数据;样本数据包括训练集数据和测试集数据;
模型训练模块,用于基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型;
影响获取模块,用于分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值;
等级确定模块,用于根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级;
状态评估模块,用于根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估。
第三方面,本申请还提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现第一方面中任一项的方法步骤。
第四方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面中任一项的方法步骤。
第五方面,本申请还提供了一种计算机程序产品,该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面中任一项的方法步骤。
上述输电线路状态评估方法、装置、计算机设备、介质和产品,通过获取输电线路的多个故障影响指标的样本数据,并基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型,分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值,从而根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级,根据目标指标、以及各目标指标的评价等级,能够全面分析影响输电线路状态的各故障影响指标,准确对输电线路状态进行评估。
附图说明
图1为一个实施例中输电线路状态评估方法的应用环境图;
图2为一个实施例中输电线路状态评估方法的流程示意图;
图3为一个实施例中获取影响变化值步骤的流程示意图;
图4为一个实施例中对输电线路状态进行评估步骤的流程示意图;
图5为另一个实施例中基于北斗的输电线路状态评估系统的结构框图;
图6为另一个实施例中基于北斗的输电线路状态评估方法的流程示意图;
图7为一个实施例中输电线路状态评估装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的输电线路状态评估方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,服务器104通过终端102获取输电线路的多个故障影响指标的样本数据,其中,样本数据包括训练集数据和测试集数据。服务器104基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型,然后分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值。服务器104还用于根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级,并根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种输电线路状态评估方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S201:获取输电线路的多个故障影响指标的样本数据;样本数据包括训练集数据和测试集数据。
其中,输电线路的多个故障影响指标包括输电线路状态、输电通道环境状态以及周围环境状态等,具体地,输电线路状态包括杆塔倾斜度,输电通道环境状态包括导线实时温度、导线电压以及导线电流,周围环境状态包括环境温度、植被高度、风速以及降水量。这些故障影响指标的样本数据,通常在网络平台上获取,终端将获取到的样本数据发送至服务器,服务器对样本数据进行划分,分为训练集数据和测试集数据。
其中,训练集数据用于训练初始神经网络模型,测试数据用于作为训练后的模型的输入数据,通过训练后的模型输出输电线路受多个故障影响指标影响,发生各类型的故障的频率。具体地,发生的故障有金具腐蚀、金具松动、金具磨损、杆塔裂纹、杆塔腐蚀、地线锈蚀、接地电阻超标、导线熔断以及导线被外力拉断等,这里的金具指的是输电线路使用的铁制或铝制金属附件。
S202:基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型。
其中,初始神经网络模型可以选择BP(Back Propagation)神经网络模型,BP神经网络模型能够学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程,采用学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
没有经过训练的BP神经网络模型参数存在较大的误差,第一层神经元由于参数的误差,输出的信号里会带有误差,而第二层神经元,由于参数的误差,输出信号里带有误差,再考虑到第一层神经元输出的误差,第二层神经元实际输出的误差会更大。也就是说,神经网络最后输出的信号,包含了所有神经元输出的误差,体现了所有参数的错误程度,误差会在网络中传递。
在训练过程中,对于第一层神经元,他们的真实输入是已知的,但是真实输出是未知的,而对于第二层神经元,他们的真实输出是已知的,但是真实输入是未知的,最终得到的表达式,实际上就是误差从输出节点出发,反向传播到这里,得到的一个量。在这里,通过服务器给每一个权重以相同的学习率(在实际应用的时候,可以给各层的神经元不同的学习率,可以让学习率在训练过程中变化,可以随便设置学习率),在训练的时候,将各训练集数据输入至初始神经网络模型,然后从最后一层开始向前,计算每一个权重对应的梯度,接着更新所有的权重,重复前面两步,直至满足目标需求,这样每一层的权重不是直接由上一层的得到,避免误差传递。
S203:分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值。
其中,预测数据表示输电线路发生各类型的故障的频率,影响变化值表示变化测试集数据对输出预测数据的影响,服务器将各测试集数据进行更改,比如将某一测试集数据的每个特征值在原值的基础上增加百分之十,以及在原值基础上减去百分之十,将改动后的数据输入至故障预测模型,分别输出输电线路在该测试集对应的故障影响指标的影响下,发生对应故障的频率,将两种情况下数据测试数据的差值作为该测试集的影响变化值。
S204:根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级。
其中,为了得到目标指标,首先需要对各测试集的影响变化值取平均值,每一测试集中,包括该故障影响指标的多个数据,每一数据均会得到对应的影响变化值,以该测试集中所有数据对应的影响变化值的平均值,作为该测试集对应的影响变化值。服务器按照大小顺序,将各个测试集对应的影响变化值的绝对值进行排序,这里只考虑对输电线路影响较大的故障影响指标,因此,从排序中筛选出平均影响值的绝对值大于一的测试集对应的故障影响指标,作为对输电线路状态进行评估的目标指标。在实际应用中,目标指标的筛选条件可以自行设置,均能实现对输电线路的状态进行评估。
评价等级包括特别严重、严重、一般、良好以及特别良好等五个等级,表示目标指标对输电线路造成的损坏程度,为了得到各目标指标的评价等级,服务器构建各目标指标对输电线路发生对应故障频率的评价矩阵,使得目标指标的平均影响值相对隶属于某一评价等级,得到各目标指标的评价等级。
S205:根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估。
其中,根据各目标指标的评价等级,能够确定输电线路是否发生故障,且发生哪种故障以及相应的故障等级,在实际应用中,当某些目标指标的评价等级达到一定程度时,输电线路可能会产生一定的风险,例如输电线路起火从而导致周围发生火灾,这时需要对输电线路的实际状态进行确认,而对于其他情况,表明输电线路的状态尚可。
上述输电线路状态评估方法中,通过获取输电线路的多个故障影响指标的样本数据,并基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型,分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值,从而根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级,根据目标指标、以及各目标指标的评价等级,能够能够全面分析影响输电线路状态的各故障影响指标,准确对输电线路状态进行评估。
在一个实施例中,如图3所示,分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值步骤包括:
S301:对各测试集数据中各特征值分别进行增值处理和减值处理,得到增值处理对应的第一测试数据和减值处理对应的第二测试数据。
其中,服务器将各测试集中的各个特征值在原值的基础上加上10%,得到第一测试数据,以及在原值的基础上减去10%,得到第二测试数据,为了避免对特征值更改过大导致的平均影响值有过大的偏差,这里对各特征值进行的增值处理和减值处理应保持同样的幅度大小。
S302:将第一测试数据输入至故障预测模型得到第一输出预测数据。
其中,服务器将第一测试数据作为训练好的故障预测模型的输入数据,输入至故障预测模型,经故障预测模型处理,得到输出的预测数据,即第一输出预测数据。
S303:将第二测试数据输入至故障预测模型得到第二输出预测数据。
其中,服务器将第二测试数据作为训练好的故障预测模型的输入数据,输入至故障预测模型,经故障预测模型处理,得到输出的预测数据,即第二输出预测数据。
S304:将第一输出预测数据和第二输出预测数据间的差值作为各测试集数据对应的影响变化值。
其中,对于每个测试集中的每一个特征值,服务器分别得到该特征值的第一输出预测数据和第二输出预测数据,并计算第一输出预测数据和第二输出预测数据的差值,得到该特征值对应的影响变化值。
本实施例中,通过对各测试集数据中各特征值分别进行增值处理和减值处理,得到增值处理对应的第一测试数据和减值处理对应的第二测试数据,分别将第一测试数据和第二测试数据输入至故障预测模型,得到对应的第一输出预测数据和第二输出预测数据,将他们的差值作为各测试集数据对应的影响变化值,能够准确得到影响变化值,为后续获取目标指标提供数据基础。
在一个实施例中,根据影响变化值从多个故障影响指标中筛选出目标指标步骤包括:计算每个测试集数据对应的影响变化值的平均值,得到多个平均影响值;根据预设数值要求从多个平均影响值中筛选出目标平均影响值;将目标平均影响值对应的故障影响指标作为目标指标。
其中,为了得到目标指标,首先需要对各测试集的影响变化值取平均值,每一测试集中,包括该故障影响指标的多个数据,每一数据均会得到对应的影响变化值,以该测试集中所有数据对应的影响变化值的平均值,作为该测试集对应的影响变化值。服务器按照大小顺序,将各个测试集对应的影响变化值的绝对值进行排序,这里只考虑对输电线路影响较大的故障影响指标,因此,从排序中筛选出平均影响值的绝对值大于一的测试集对应的故障影响指标,作为对输电线路状态进行评估的目标指标。
本实施例中,通过计算每个测试集数据对应的影响变化值的平均值,得到多个平均影响值,并根据预设数值要求从多个平均影响值中筛选出目标平均影响值,将目标平均影响值对应的故障影响指标作为目标指标,能够筛选出对输电线路状态影响较大的目标指标,简化计算过程,避免数据过多导致评估出现误差。
在一个实施例中,确定各目标指标的评价等级步骤包括:构建预设模糊评价矩阵;基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集;根据预设隶属度原则获取模糊子集中满足隶属度要求的模糊子集;基于满足隶属度要求的模糊子集确定各目标指标的评价等级。
其中,预设模糊评价矩阵是一种基于模糊数学的综合评价方法,应用模糊关系合成的原理,将一些边界不清,不易定量的因素定量化,进行综合评价。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价,即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价,评价结果不是绝对地肯定或否定,而是以一个模糊集合来表示。
具体地,服务器将目标指标的测试集数据转换为模糊矩阵分布中的数据表达式,得到各目标指标的隶属度函数,基于各隶属度函数和预设模糊评价矩阵得到模糊矩阵,之后服务器根据各目标指标的平均影响值构建权重向量,使用模糊矩阵对权重向量进行模糊变换,得到多个模糊子集,不同模糊子集代表了不同的评价等级对应的多个模型,这里表示为隶属函数,在进行输电线路的状态评估时,基于输电线路目标指标的数据,分别计算在每个模糊子集中的隶属度,隶属度最大的模糊子集对应的评价等级即为目标指标的评价等级。
本实施例中,通过构建预设模糊评价矩阵,并基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集,从而根据预设隶属度原则获取模糊子集中满足隶属度要求的模糊子集,基于满足隶属度要求的模糊子集能够准确得到各目标指标的评价等级。
在一个实施例中,基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集步骤包括:基于各目标指标对应的平均影响值构建权重向量;权重向量用于表示各测试集数据对相应的输出预测数据的影响程度;根据预设模糊评价矩阵对权重向量和预设评价等级进行模糊线性变换处理,得到多个模糊子集。
其中,假设目标指标表示为:U={u1,u2,u3...un},其中,ui分别表示不同的目标指标,以各目标指标的平均影响值构建权重向量c,表示为:c={c1,c2,c3...cn},其中,ci表示第i个目标指标的权重;以v作为评价等级,v1代表特别严重,v2代表严重,v3代表一般,v4代表良好,v5代表特别良好;预设模糊矩阵R表示为:
其中,R1n表示第一个目标指标的隶属度函数。
服务器根据预设模糊评价矩阵对权重向量进行模糊线性变换,得到各个模糊子集,模糊子集表示为:B=c·R,其中,B表示模糊子集,c表示权重向量,R表示预设模糊矩阵。具体地,以目标指标为杆塔倾斜度为例,杆塔倾斜度的隶属度函数表示为:
其中,u11表示杆塔实际倾斜度,a11表示杆塔倾斜度的下界,b11表示杆塔倾斜度的上界。
服务器根据杆塔实际倾斜度的多个数据,得到不同的隶属度函数,将隶属度函数分别乘上杆塔倾斜度的权重指标,得到的模型作为多个模糊子集,对于每一个模糊子集,基于杆塔倾斜度的下界和杆塔倾斜度的上界,得到对应的评价等级。当进行输电线路状态评估时,获取输电线路的实时倾斜度数据,分别基于多个模糊子集中的模型进行计算,得到实时倾斜度数据对该模糊子集的隶属度,将隶属度最大的模糊子集对应的评价等级作为当前输电线路倾斜度的评价等级。
本实施例中,基于各目标指标对应的平均影响值构建权重向量;权重向量用于表示各测试集数据对相应的输出预测数据的影响程度,并根据预设模糊评价矩阵对权重向量和预设评价等级进行模糊线性变换处理,得到多个模糊子集,能够将权重向量变成评价等级上的模糊子集,从而准确得到目标指标的评价等级。
在一个实施例中,如图4所示,根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估步骤包括:
S401:获取多个目标指标中需要进行目标风险确认的风险指标。
其中,目标风险可以是火灾风险或倒塌风险等,当输电线路发生一定等级的导线熔断或导线被外力拉断故障,有可能会导致输电线路起火,而当输电线路发生一定等级的杆塔裂纹或杆塔腐蚀故障,有可能会导致输电线路杆塔倒塌,这时就需要进行实际的风险确认。
S402:当风险指标对应的评价等级为目标风险等级时,获取定位坐标处的周围环境数据和现场图像数据。
其中,目标风险等级可以根据输电线路故障影响因素的影响效果进行设置,以风险指标为导线熔断为例,当导线熔断的评价等级为严重或特别严重时,服务器调用输电线路定位坐标对应的实时卫星遥感图像,即周围环境数据,同时还可以向定位坐标处派出无人机进行实地拍摄现场图像,得到现场图像数据。
S403:根据周围环境数据对输电线路的输电通道进行目标风险确认,并根据现场图像数据对输电线路的对输电通道目标风险进行确认。
其中,通过卫星遥感图像获取定位坐标处的温度、风速以及降雨等,服务器对输电通道火灾风险进行确认,若温度较高风速较大并且没有降雨时,则表示输电通道处于火灾风险状态,服务器同时根据无人机拍摄的图像观察定位坐标处的植物茂密程度和干燥程度,对输电通道火灾风险进行确认,若植物茂密较高且干燥程度较高,则表示输电通道处于火灾风险状态。
S404:若根据周围环境数据确认存在目标风险,以及根据现场图像数据确认存在目标风险,则确定输电线路处于风险状态,并发出告警信号。
其中,如果卫星遥感图像和无人机拍摄的图像的均确认输电线路处于火灾风险状态,则发出告警信号,通知维修人员针对输电通道火灾风险制定检修策略。
本实施例中,通过获取多个目标指标中需要进行目标风险确认的风险指标,当风险指标对应的评价等级为目标风险等级时,获取定位坐标处的周围环境数据和现场图像数据,根据周围环境数据对输电线路的输电通道进行目标风险确认,并根据现场图像数据对输电线路的对输电通道目标风险进行确认,若根据周围环境数据确认存在目标风险,以及根据现场图像数据确认存在目标风险,则确定输电线路处于风险状态,并发出告警信号,能够保证输电线路安全,对输电线路状态实时进行评估。
在一个实施例中,如图5所示,提供了一种基于北斗的输电线路状态评估系统,包括:
泛在感知层,所述泛在感知层用于获取输电线路状态、输电通道环境状态和定位坐标,泛在感知层包括输电线路状态感知层、输电通道环境感知层和定位层,泛在感知层通过信息通讯层与数据仓库连接;
数据仓库层,所述数据仓库层用于结构化存储巡检数据、运行数据和环境数据,数据仓库层与智慧应用层电连接;
智慧应用层,所述智慧应用层用于对输电线路状态进行评估。
其中,输电线路状态包括:杆塔倾斜度、导线实时温度、导线电压和导线电流;输电通道环境状态包括:环境温度、植被高度、风速和降水量;输出变量包括金具腐蚀、金具松动、金具磨损、杆塔裂纹、杆塔腐蚀、地线锈蚀、接地电阻超标、导线熔断和导线被外力拉断;信息通讯层至少包括:4G、5G、GPRS、北斗短报文、ZigBee或LoRa中的一项;平均影响值的计算方法为:影响变化值除以参与计算的样本数量。其中,泛在感知层还用于获取卫星遥感数据无人机测量数据。
采用基于北斗的输电线路状态评估系统对输电线路状态进行评估,如图6所示,包括以下步骤:
步骤一、确定输入变量为杆塔倾斜度、导线实时温度、导线电压、导线电流、环境温度、植被高度、风速和降水量,以定位坐标对应的输入变量为一个样本,将输入变量的所有样本分为训练集和测试集;
步骤二、对输入变量的所有样本进行归一化处理;
步骤三、将各类型的故障频率作为输出变量,用训练集对BP神经网络模型进行训练,并对训练样本进行预测,将各类型的故障频率作为输出变量进行预测;
步骤四、将测试集中的样本中某一输入变量的特征值在原值的基础上分别加上和减去10%,得到两个新的样本,再将两个新的样本分别利用已建成的模型进行预测,得到对应的两个预测结果,求出两个预测结果的差值,所述差值即是变动该输入变量对输出的影响变化值,依次变动输入变量,直到所有输入变量变动完为止;
步骤五、算出各输入变量对输出变量的平均影响值;
步骤六、对各输入变量根据各输入变量对输出变量的平均影响值的绝对值大小进行排序,选出平均影响值的绝对值都大于1的输入变量作为评价指标;
步骤七、构建各输入变量对输出变量的模糊评价矩阵;对各输入变量对输出变量的平均影响值进行归一化,以归一化以后的平均影响值构造各输入变量对输出变量的评价结果的权重向量c={c1,c2,c3...cn};以v作为评价等级,v1代表特别严重,v2代表严重,v3代表一般,v4代表良好,v5代表特别良好;
步骤八、通过模糊评价矩阵做模糊线性变换,把权重向量变成评价等级上的模糊子集;
步骤九、根据最大隶属度原则判定各输出变量的评价等级。
其中,对输电线路状态进行评估的方法还包括:当输出变量为导线熔断和导线被外力拉断时,且评价等级为或,调用对应定位坐标和时间的卫星遥感图像,通过卫星遥感图像获取定位坐标处的温度、风速和降雨对输电通道火灾风险进行确认,并向定位坐标处派出无人机进行实地拍摄现场图像,根据无人机拍摄的图像观察定位坐标处的植物茂密程度和干燥程度对输电通道火灾风险进行确认,如果卫星遥感图像和无人机拍摄的图像的均对火灾风险都确认,则针对输电通道火灾风险制定检修策略。
本实施例中,通过泛在感知层内的输电线路状态感知层、输电通道环境感知层和定位层获取输电线路状态、输电通道环境状态和定位坐标,利用信息通讯层将获取到的数据发送给数据仓库层进行结构化储存,然后利用智慧应用层将所获取的多种数据对输电线路状态进行评估,能够从整体上进行状态评估,使得评估结果更加准确。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的输电线路状态评估方法的输电线路状态评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个输电线路状态评估装置实施例中的具体限定可以参见上文中对于输电线路状态评估方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种输电线路状态评估装置,包括:数据获取模块10、模型训练模块20、影响获取模块30、等级确定模块40和状态评估模块50,其中:
数据获取模块10,用于获取输电线路的多个故障影响指标的样本数据;样本数据包括训练集数据和测试集数据。
模型训练模块20,用于基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型。
影响获取模块30,用于分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值。
等级确定模块40,用于根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级。
状态评估模块50,用于根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估。
在一个实施例中,影响获取模块30包括:数据处理单元、第一输出单元、第二输出单元和影响获取单元,其中:
数据处理单元,用于对各测试集数据中各特征值分别进行增值处理和减值处理,得到增值处理对应的第一测试数据和减值处理对应的第二测试数据。
第一输出单元,用于将第一测试数据输入至故障预测模型得到第一输出预测数据。
第二输出单元,用于将第二测试数据输入至故障预测模型得到第二输出预测数据。
影响获取单元,用于将第一输出预测数据和第二输出预测数据间的差值作为各测试集数据对应的影响变化值。
在一个实施例中,等级确定模块40包括:平均影响获取单元、目标平均获取单元和目标指标确定单元,其中:
平均影响获取单元,用于计算每个测试集数据对应的影响变化值的平均值,得到多个平均影响值。
目标平均获取单元,用于根据预设数值要求从多个平均影响值中筛选出目标平均影响值。
目标指标确定单元,用于将目标平均影响值对应的故障影响指标作为目标指标。
在一个实施例中,等级确定模块40还包括:评价矩阵构建单元、模糊子集获取单元、目标子集获取单元和评价等级确定单元,其中:
评价矩阵构建单元,用于构建预设模糊评价矩阵。
模糊子集获取单元,用于基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集。
目标子集获取单元,用于根据预设隶属度原则获取模糊子集中满足隶属度要求的模糊子集。
评价等级确定单元,用于基于满足隶属度要求的模糊子集确定各目标指标的评价等级。
在一个实施例中,模糊子集获取单元包括:权重向量构建子单元和模糊子集获取子单元,其中:
权重向量构建子单元,用于基于各目标指标对应的平均影响值构建权重向量;权重向量用于表示各测试集数据对相应的输出预测数据的影响程度。
模糊子集获取子单元,用于根据预设模糊评价矩阵对权重向量和预设评价等级进行模糊线性变换处理,得到多个模糊子集。
在一个实施例中,状态评估模块50包括:风险指标获取单元、现场图像获取单元、目标风险确认单元和告警信号生成单元,其中:
风险指标获取单元,用于获取多个目标指标中需要进行目标风险确认的风险指标。
现场图像获取单元,用于当风险指标对应的评价等级为目标风险等级时,获取定位坐标处的周围环境数据和现场图像数据。
目标风险确认单元,用于根据周围环境数据对输电线路的输电通道进行目标风险确认,并根据现场图像数据对输电线路的对输电通道目标风险进行确认。
告警信号生成单元,用于若根据周围环境数据确认存在目标风险,以及根据现场图像数据确认存在目标风险,则确定输电线路处于风险状态,并发出告警信号。
上述输电线路状态评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储输电线路的多个故障影响指标的样本数据和输电线路状态评估过程中的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种输电线路状态评估方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取输电线路的多个故障影响指标的样本数据;样本数据包括训练集数据和测试集数据;基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型;分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值;根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级;根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估。
在一个实施例中,处理器执行计算机程序时涉及的分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值,包括:对各测试集数据中各特征值分别进行增值处理和减值处理,得到增值处理对应的第一测试数据和减值处理对应的第二测试数据;将第一测试数据输入至故障预测模型得到第一输出预测数据;将第二测试数据输入至故障预测模型得到第二输出预测数据;将第一输出预测数据和第二输出预测数据间的差值作为各测试集数据对应的影响变化值。
在一个实施例中,处理器执行计算机程序时涉及的根据影响变化值从多个故障影响指标中筛选出目标指标,包括:计算每个测试集数据对应的影响变化值的平均值,得到多个平均影响值;根据预设数值要求从多个平均影响值中筛选出目标平均影响值;将目标平均影响值对应的故障影响指标作为目标指标。
在一个实施例中,处理器执行计算机程序时涉及的确定各目标指标的评价等级,包括:构建预设模糊评价矩阵;基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集;根据预设隶属度原则获取模糊子集中满足隶属度要求的模糊子集;基于满足隶属度要求的模糊子集确定各目标指标的评价等级。
在一个实施例中,处理器执行计算机程序时涉及的基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集,包括:基于各目标指标对应的平均影响值构建权重向量;权重向量用于表示各测试集数据对相应的输出预测数据的影响程度;根据预设模糊评价矩阵对权重向量和预设评价等级进行模糊线性变换处理,得到多个模糊子集。
在一个实施例中,处理器执行计算机程序时涉及的根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估,包括:获取多个目标指标中需要进行目标风险确认的风险指标;当风险指标对应的评价等级为目标风险等级时,获取定位坐标处的周围环境数据和现场图像数据;根据周围环境数据对输电线路的输电通道进行目标风险确认,并根据现场图像数据对输电线路的对输电通道目标风险进行确认;若根据周围环境数据确认存在目标风险,以及根据现场图像数据确认存在目标风险,则确定输电线路处于风险状态,并发出告警信号。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取输电线路的多个故障影响指标的样本数据;样本数据包括训练集数据和测试集数据;基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型;分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值;根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级;根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估。
在一个实施例中,计算机程序被处理器执行时涉及的分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值,包括:对各测试集数据中各特征值分别进行增值处理和减值处理,得到增值处理对应的第一测试数据和减值处理对应的第二测试数据;将第一测试数据输入至故障预测模型得到第一输出预测数据;将第二测试数据输入至故障预测模型得到第二输出预测数据;将第一输出预测数据和第二输出预测数据间的差值作为各测试集数据对应的影响变化值。
在一个实施例中,计算机程序被处理器执行时涉及的根据影响变化值从多个故障影响指标中筛选出目标指标,包括:计算每个测试集数据对应的影响变化值的平均值,得到多个平均影响值;根据预设数值要求从多个平均影响值中筛选出目标平均影响值;将目标平均影响值对应的故障影响指标作为目标指标。
在一个实施例中,计算机程序被处理器执行时涉及的确定各目标指标的评价等级,包括:构建预设模糊评价矩阵;基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集;根据预设隶属度原则获取模糊子集中满足隶属度要求的模糊子集;基于满足隶属度要求的模糊子集确定各目标指标的评价等级。
在一个实施例中,计算机程序被处理器执行时涉及的基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集,包括:基于各目标指标对应的平均影响值构建权重向量;权重向量用于表示各测试集数据对相应的输出预测数据的影响程度;根据预设模糊评价矩阵对权重向量和预设评价等级进行模糊线性变换处理,得到多个模糊子集。
在一个实施例中,计算机程序被处理器执行时涉及的根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估,包括:获取多个目标指标中需要进行目标风险确认的风险指标;当风险指标对应的评价等级为目标风险等级时,获取定位坐标处的周围环境数据和现场图像数据;根据周围环境数据对输电线路的输电通道进行目标风险确认,并根据现场图像数据对输电线路的对输电通道目标风险进行确认;若根据周围环境数据确认存在目标风险,以及根据现场图像数据确认存在目标风险,则确定输电线路处于风险状态,并发出告警信号。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取输电线路的多个故障影响指标的样本数据;样本数据包括训练集数据和测试集数据;基于各训练集数据对初始神经网络模型进行训练,得到故障预测模型;分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值;根据影响变化值从多个故障影响指标中筛选出目标指标,确定各目标指标的评价等级;根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估。
在一个实施例中,计算机程序被处理器执行时涉及的分别调整各测试集数据,并将调整后的测试集数据输入至故障预测模型得到输出预测数据,并根据输出预测数据获取各测试集数据对应的影响变化值,包括:对各测试集数据中各特征值分别进行增值处理和减值处理,得到增值处理对应的第一测试数据和减值处理对应的第二测试数据;将第一测试数据输入至故障预测模型得到第一输出预测数据;将第二测试数据输入至故障预测模型得到第二输出预测数据;将第一输出预测数据和第二输出预测数据间的差值作为各测试集数据对应的影响变化值。
在一个实施例中,计算机程序被处理器执行时涉及的根据影响变化值从多个故障影响指标中筛选出目标指标,包括:计算每个测试集数据对应的影响变化值的平均值,得到多个平均影响值;根据预设数值要求从多个平均影响值中筛选出目标平均影响值;将目标平均影响值对应的故障影响指标作为目标指标。
在一个实施例中,计算机程序被处理器执行时涉及的确定各目标指标的评价等级,包括:构建预设模糊评价矩阵;基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集;根据预设隶属度原则获取模糊子集中满足隶属度要求的模糊子集;基于满足隶属度要求的模糊子集确定各目标指标的评价等级。
在一个实施例中,计算机程序被处理器执行时涉及的基于预设模糊评价矩阵和各目标指标对应的平均影响值,获取多个模糊子集,包括:基于各目标指标对应的平均影响值构建权重向量;权重向量用于表示各测试集数据对相应的输出预测数据的影响程度;根据预设模糊评价矩阵对权重向量和预设评价等级进行模糊线性变换处理,得到多个模糊子集。
在一个实施例中,计算机程序被处理器执行时涉及的根据目标指标、以及各目标指标的评价等级,对输电线路状态进行评估,包括:获取多个目标指标中需要进行目标风险确认的风险指标;当风险指标对应的评价等级为目标风险等级时,获取定位坐标处的周围环境数据和现场图像数据;根据周围环境数据对输电线路的输电通道进行目标风险确认,并根据现场图像数据对输电线路的对输电通道目标风险进行确认;若根据周围环境数据确认存在目标风险,以及根据现场图像数据确认存在目标风险,则确定输电线路处于风险状态,并发出告警信号。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种输电线路状态评估方法,其特征在于,所述方法包括:
获取输电线路的多个故障影响指标的样本数据;所述样本数据包括训练集数据和测试集数据;
基于各所述训练集数据对初始神经网络模型进行训练,得到故障预测模型;
分别调整各所述测试集数据,并将调整后的测试集数据输入至所述故障预测模型得到输出预测数据,并根据所述输出预测数据获取各所述测试集数据对应的影响变化值;
根据所述影响变化值从多个故障影响指标中筛选出目标指标,确定各所述目标指标的评价等级;
根据所述目标指标、以及各所述目标指标的评价等级,对输电线路状态进行评估。
2.根据权利要求1所述的方法,其特征在于,所述分别调整各所述测试集数据,并将调整后的测试集数据输入至所述故障预测模型得到输出预测数据,并根据所述输出预测数据获取各所述测试集数据对应的影响变化值,包括:
对各所述测试集数据中各特征值分别进行增值处理和减值处理,得到所述增值处理对应的第一测试数据和所述减值处理对应的第二测试数据;
将所述第一测试数据输入至所述故障预测模型得到第一输出预测数据;
将所述第二测试数据输入至所述故障预测模型得到第二输出预测数据;
将所述第一输出预测数据和所述第二输出预测数据间的差值作为各所述测试集数据对应的影响变化值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述影响变化值从多个故障影响指标中筛选出目标指标,包括:
计算每个所述测试集数据对应的影响变化值的平均值,得到多个平均影响值;
根据预设数值要求从所述多个平均影响值中筛选出目标平均影响值;
将所述目标平均影响值对应的故障影响指标作为目标指标。
4.根据权利要求3所述的方法,其特征在于,所述确定各所述目标指标的评价等级,包括:
构建预设模糊评价矩阵;
基于所述预设模糊评价矩阵和各所述目标指标对应的平均影响值,获取多个模糊子集;
根据预设隶属度原则获取所述模糊子集中满足隶属度要求的模糊子集;
基于满足隶属度要求的模糊子集确定各所述目标指标的评价等级。
5.根据权利要求4所述的方法,其特征在于,所述基于所述预设模糊评价矩阵和各所述目标指标对应的平均影响值,获取多个模糊子集,包括:
基于各所述目标指标对应的平均影响值构建权重向量;所述权重向量用于表示各所述测试集数据对相应的输出预测数据的影响程度;
根据预设模糊评价矩阵对所述权重向量和预设评价等级进行模糊线性变换处理,得到多个模糊子集。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标指标、以及各所述目标指标的评价等级,对输电线路状态进行评估,包括:
获取多个目标指标中需要进行目标风险确认的风险指标;
当所述风险指标对应的评价等级为目标风险等级时,获取所述定位坐标处的周围环境数据和现场图像数据;
根据所述周围环境数据对所述输电线路的输电通道进行目标风险确认,并根据所述现场图像数据对所述输电线路的对输电通道目标风险进行确认;
若根据所述周围环境数据确认存在目标风险,以及根据所述现场图像数据确认存在目标风险,则确定输电线路处于风险状态,并发出告警信号。
7.一种输电线路状态评估装置,其特征在于,所述装置包括:
数据获取模块,用于获取输电线路的多个故障影响指标的样本数据;所述样本数据包括训练集数据和测试集数据;
模型训练模块,用于基于各所述训练集数据对初始神经网络模型进行训练,得到故障预测模型;
影响获取模块,用于分别调整各所述测试集数据,并将调整后的测试集数据输入至所述故障预测模型得到输出预测数据,并根据所述输出预测数据获取各所述测试集数据对应的影响变化值;
等级确定模块,用于根据所述影响变化值从多个故障影响指标中筛选出目标指标,确定各所述目标指标的评价等级;
状态评估模块,用于根据所述目标指标、以及各所述目标指标的评价等级,对输电线路状态进行评估。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595835.7A CN116070902A (zh) | 2022-12-13 | 2022-12-13 | 输电线路状态评估方法、装置、计算机设备、介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595835.7A CN116070902A (zh) | 2022-12-13 | 2022-12-13 | 输电线路状态评估方法、装置、计算机设备、介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070902A true CN116070902A (zh) | 2023-05-05 |
Family
ID=86170786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211595835.7A Pending CN116070902A (zh) | 2022-12-13 | 2022-12-13 | 输电线路状态评估方法、装置、计算机设备、介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070902A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151336A (zh) * | 2023-09-06 | 2023-12-01 | 连云港智源电力设计有限公司 | 输电线路极限抗风能力评估装置及方法 |
CN117972646A (zh) * | 2024-04-02 | 2024-05-03 | 国网辽宁省电力有限公司抚顺供电公司 | 输电线路避雷器、杆塔和接地系统运行状态评估方法 |
-
2022
- 2022-12-13 CN CN202211595835.7A patent/CN116070902A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151336A (zh) * | 2023-09-06 | 2023-12-01 | 连云港智源电力设计有限公司 | 输电线路极限抗风能力评估装置及方法 |
CN117151336B (zh) * | 2023-09-06 | 2024-04-16 | 连云港智源电力设计有限公司 | 输电线路极限抗风能力评估装置及方法 |
CN117972646A (zh) * | 2024-04-02 | 2024-05-03 | 国网辽宁省电力有限公司抚顺供电公司 | 输电线路避雷器、杆塔和接地系统运行状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
CN116070902A (zh) | 输电线路状态评估方法、装置、计算机设备、介质和产品 | |
Liao et al. | Voltage sag estimation in sparsely monitored power systems based on deep learning and system area mapping | |
CN111461555B (zh) | 一种生产线质量监测方法、装置及系统 | |
CN115356639B (zh) | 一种双向锂离子电池智能健康监控方法及系统 | |
CN112508679A (zh) | 一种小微企业贷款风险评估方法、装置及存储介质 | |
CN115859805A (zh) | 基于混合加点准则的自适应序贯试验设计方法和装置 | |
CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
CN110533109A (zh) | 一种喷涂生产监测数据的存储及特征分析方法及其装置 | |
CN113506186B (zh) | 电力系统受扰轨迹筛选方法、装置、电子设备和存储介质 | |
CN109359803B (zh) | 一种可靠性评估方法和装置 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network | |
CN116011345A (zh) | 绝缘子信息预测模型生成方法、装置、设备及介质 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN112733433A (zh) | 装备测试性策略优化方法和装置 | |
CN113406537A (zh) | 一种电力设备故障程度的定量评估方法 | |
Song et al. | Equipment spare parts demand forecasting model based on grey neural network | |
CN113705093B (zh) | 一种杆塔力学响应预测方法、装置、设备和介质 | |
CN111914898B (zh) | 一种基于自适应阈值的机载sar任务适应性评估方法 | |
CN116362628B (zh) | 电力系统运行状态分析评估方法和装置 | |
CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |