CN116341272A - 一种用于配网工程数字化的施工安全风险管控系统 - Google Patents

一种用于配网工程数字化的施工安全风险管控系统 Download PDF

Info

Publication number
CN116341272A
CN116341272A CN202310345816.7A CN202310345816A CN116341272A CN 116341272 A CN116341272 A CN 116341272A CN 202310345816 A CN202310345816 A CN 202310345816A CN 116341272 A CN116341272 A CN 116341272A
Authority
CN
China
Prior art keywords
fault
data
distribution network
node
construction
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
CN202310345816.7A
Other languages
English (en)
Inventor
王宏波
肖赫
武浩
张鹏
张兴
范岳
赵阳
宋美琪
刘旭东
刘旺
任凯奇
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.)
State Grid Jibei Power Co ltd Smart Distribution Network Center
State Grid Corp of China SGCC
Original Assignee
State Grid Jibei Power Co ltd Smart Distribution Network Center
State Grid Corp of China SGCC
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 State Grid Jibei Power Co ltd Smart Distribution Network Center, State Grid Corp of China SGCC filed Critical State Grid Jibei Power Co ltd Smart Distribution Network Center
Priority to CN202310345816.7A priority Critical patent/CN116341272A/zh
Publication of CN116341272A publication Critical patent/CN116341272A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种施工安全技术领域，本发明公开了一种用于配网工程数字化的施工安全风险管控系统，包括用于采集故障发生前后的节点传感器数据的数据采集模块、用于模拟配网节点故障发生前后的真实运行状态的故障仿真模块以及对故障仿真数据与故障真实数据做诊断评估的故障诊断模块、用于评估故障发生区域的配网损毁程度的配网损毁评估模块和施工安全风险预测模块，所述施工安全风险预测模块用于判别施工路径上的潜在危险，基于配网工程数字化三维模型根据故障结果反向推演故障发生原因进一步判别故障发生导致的配网结构损毁程度，深入挖掘故障现场的潜在施工风险对施工安全风险等级进行预测能够达到对维修工人施工之前的安全警醒作用。

Description

一种用于配网工程数字化的施工安全风险管控系统
技术领域
本发明涉及一种施工安全技术领域，具体是一种用于配网工程数字化的施工安全风险管控系统。
背景技术
配网工程数字化升级是新型电力系统顺应能源技术趋势的必然要求，随着数字化技术的发展，数字化技术被广泛应用在配网工程建设中，从配网工程的区域规划到配网结构的设计建模再到配网工程工程施工以及配网的建成运行，全过程全周期运用数字化技术极大的提高了配网的设计规划效率，但是配网工程的特殊性使其面临着众多的施工风险，尤其受地域限制与环境变化影响最大，随着施工场地实施工况的变化，配网设备建设过程中的施工风险没有一个固定的评价标准，尤其针对配网工程建成后期运行过程中配网节点发生故障，需要对故障节点进行维修施工，由于配网故障发生受众多因素影响，维修工人需要提前对维修施工环境进行检测找出故障发生原因，此过程中大多依托人工维修经验进行判别，此过程的施工安全得不到保障，受主观影响极易发生配网检修事故，尤其在强降雨雷雨天气下极易发生触电事故造成人员伤亡，为避免此事故现象的发生，亟需设计一种针对配网工程维修施工过程中的施工安全风险管控系统来保障检修过程的施工安全。
发明内容
本发明的目的在于提供一种用于配网工程数字化的施工安全风险管控系统，基于配网工程数字化三维模型对故障节点进行定位，利用故障发生的突发性和即时性结合故障发生前后的传感器数据变化能够根据故障结果反向推演故障发生原因进一步判别故障发生导致的配网结构损毁程度，根据配网结构损毁程度深入挖掘故障现场的潜在施工风险对施工安全风险等级进行预测能够达到对维修工人施工之前的安全警醒作用可以有效解决背景技术中的问题。
为实现上述目的，本发明提供如下技术方案：
一种用于配网工程数字化的施工安全风险管控系统，包括数据采集模块、故障仿真模块、故障诊断模块、配网损毁评估模块、施工安全风险预测模块，所述数据采集模块用于采集故障发生前后的节点传感器数据，包括故障节点所在区域的气象数据、地质数据以及配网节点运行负荷数据，所述故障仿真模块用于模拟配网节点故障发生前后的真实运行状态，所述故障诊断模块是通过故障仿真模拟数据的测算结果计算各故障发生原因的概率，根据故障仿真数据与故障真实数据的验证结果，将数据匹配程度超过一半的数据集输入至诊断网络中，对故障仿真数据与故障真实数据做诊断评估，验证故障仿真数据与故障真实数据的诊断评估损失，所述配网损毁评估模块用于评估故障发生区域的配网损毁程度，进一步得出配网维修的施工流程，所述施工安全风险预测模块是根据致使故障发生的高概率原因确定施工现场的配网维修流程，根据配网模型的变化趋势与施工路径相对比，结合配网故障设施的特征判别施工路径上的潜在危险并通过可视化设备将结果显示出来。
作为本发明再进一步的方案：所述故障仿真模块是将故障节点的气象数据与地质数据作为配网运行的仿真背景，设故障节点有传感器信息源m个，根据故障发生前的传感器数据异常波动设定配网节点故障发生原因有h种，在配网各运行状态下分别采集n组数据样本，D＝[D0，D1，...，Dh]T表示全部训练数据集，D0表示正常运行状态下的配网采样数据，Di＝＝[d0，d1，...，dn]T表示配网第i种故障状态下采集得到的训练数据集，dn表示配网在第i中故障运行状态下第n次采样得到的训练样本，能够得到故障注入下的配网运行数据。
作为本发明再进一步的方案：所述故障仿真模块中验证故障仿真数据与故障真实数据的对比损失，对比损失函数为
Figure BDA0004159677950000021
N代表样本数量，
Figure BDA0004159677950000022
用于验证故障仿真数据与故障真实数据的相关性损失，
Figure BDA0004159677950000023
用于验证故障仿真数据与故障真实数据的匹配程度，Dw为故障仿真数据的特征X1与故障真实数据的特征X2的欧式距离，即/>
Figure BDA0004159677950000024
γ代表优化过程中的影响因子，d为故障仿真数据的特征X1与故障真实数据的特征X2的维度，CS、CT代表故障仿真数据的特征X1与故障真实数据的特征X2在d维度的协方差矩阵，F是输入初始常量，验证故障仿真数据与故障真实数据的对比损失，能够使故障仿真模型更贴合故障真实运行状态，减少风险预测结果与真实情况之间的偏差。
作为本发明再进一步的方案：所述故障诊断模块通过利用softmax激活函数对各特征向量的节点进行故障发生预测，即故障发生预测概率
Figure BDA0004159677950000031
Figure BDA0004159677950000032
代表数据集D的特征向量矩阵Xi的转置矩阵，Wf代表分类训练模型的参数矩阵，f是训练数据集中含有的类别数，根据故障发生预测概率输出配网运行结果Y1。
作为本发明再进一步的方案：所述故障诊断模块中的诊断评估损失函数
Figure BDA0004159677950000033
pij表示节点i在第j维的分布概率，fi代表节点i的真实诊断结果。
作为本发明再进一步的方案：所述配网损毁评估模块是通过利用远程监控技术获取故障发生区域的现场图像，利用超分辨率技术处理采集的低分辨率图像，提高图像的分辨率，减少采集图像时抖动对图像分辨率的影响，对图像数据中的疑似故障区域进行显著区域标定，以图像数据集中识别框大小为基准，将截取的疑似故障区域图像作为目标图像，深度挖掘疑似故障区域图像与故障诊断模块所得的故障原因的融合程度，进一步确定致使故障发生的原因。
作为本发明再进一步的方案：所述施工安全风险预测模块是根据维修流程对应选取配网施工区域，将维修施工流程指令输入至配网故障节点模型中，实现配网模型的动态变化，验证施工区域与周围设施区域的相关性，判断是否会引起周围设施区域的结构发生变化，提取施工区域与周围设施区域的特征向量同时使用多头注意力机制
Figure BDA0004159677950000034
遍历节点的邻居节点来迭代更新每个节点的边界值，
Figure BDA0004159677950000035
代表第k次注意力迭代计算的归一化注意系数，Wk是相应的输入线性变换的权重矩阵，注意力机制计算的系数使用softmax函数对节点j的所有选择进行归一化，即
Figure BDA0004159677950000041
作为本发明再进一步的方案，一种用于配网工程数字化的施工安全风险管控系统，包括如下风险预测流程：
S1：利用配网数字化数据传输技术采集存储故障发生前后的节点传感器数据，包括故障节点所在区域的气象数据、地质数据以及配网节点运行负荷数据，将故障发生前的数据作为配网模型的正常运行数据，则故障发生后的数据作为训练数据。
S2：基于配网工程的三维模型通过故障注入技术模拟配网节点故障发生前后的真实运行状态，其中将故障节点的气象数据与地质数据作为配网运行的仿真背景，设故障节点有传感器信息源m个，根据故障发生前的传感器数据异常波动设定配网节点故障发生原因有h种，在配网各运行状态下分别采集n组数据样本，D＝[D0，D1，...，Dh]T表示全部训练数据集，D0表示正常运行状态下的配网采样数据，Di＝＝[d0，d1，...，dn]T表示配网第i种故障状态下采集得到的训练数据集，dn表示配网在第i中故障运行状态下第n次采样得到的训练样本，能够得到故障注入下的配网运行数据；
S21：进一步验证故障仿真数据与故障真实数据的对比损失，对比损失函数为
Figure BDA0004159677950000042
N代表样本数量，/>
Figure BDA0004159677950000043
用于验证故障仿真数据与故障真实数据的相关性损失，/>
Figure BDA0004159677950000044
用于验证故障仿真数据与故障真实数据的匹配程度，Dw为故障仿真数据的特征X1与故障真实数据的特征X2的欧式距离，即
Figure BDA0004159677950000045
γ代表优化过程中的影响因子，d为故障仿真数据的特征X1与故障真实数据的特征X2的维度，CS、CT代表故障仿真数据的特征X1与故障真实数据的特征X2在d维度的协方差矩阵，F是输入初始常量，验证故障仿真数据与故障真实数据的对比损失，能够使故障仿真模型更贴合故障真实运行状态，减少风险预测结果与真实情况之间的偏差。
S3：通过故障仿真模拟数据的测算结果计算各故障发生原因的概率，根据故障仿真数据与故障真实数据的验证结果，将数据匹配程度超过一半的数据集输入至诊断网络中，对故障仿真数据与故障真实数据做诊断评估，验证故障仿真数据与故障真实数据的诊断评估损失；
S31：通过利用softmax激活函数对各特征向量的节点进行故障发生预测，即故障发生预测概率
Figure BDA0004159677950000051
Figure BDA0004159677950000052
代表数据集D的特征向量矩阵Xi的转置矩阵，Wf代表分类训练模型的参数矩阵，f是训练数据集中含有的类别数，根据故障发生预测概率输出配网运行结果Y1；
S32：诊断评估损失函数
Figure BDA0004159677950000053
pij表示节点i在第j维的分布概率，fi代表节点i的真实诊断结果。
S4：利用远程监控技术获取故障发生区域的现场图像，利用超分辨率技术处理采集的低分辨率图像，提高图像的分辨率，减少采集图像时抖动对图像分辨率的影响，对图像数据中的疑似故障区域进行显著区域标定，以图像数据集中识别框大小为基准，将截取的疑似故障区域图像作为目标图像，深度挖掘疑似故障区域图像与故障诊断模块所得的故障原因的融合程度，进一步确定致使故障发生的原因，评估故障发生区域的配网损毁程度，进一步得出配网维修的施工流程。
S5：根据致使故障发生的高概率原因确定施工现场的配网维修流程，然后根据维修流程对应选取配网施工区域，将维修施工流程指令输入至配网故障节点模型中，实现配网模型的动态变化，验证施工区域与周围设施区域的相关性，判断是否会引起周围设施区域的结构发生变化，提取施工区域与周围设施区域的特征向量同时使用多头注意力机制
Figure BDA0004159677950000054
遍历节点的邻居节点来迭代更新每个节点的边界值，/>
Figure BDA0004159677950000061
代表第k次注意力迭代计算的归一化注意系数，Wk是相应的输入线性变换的权重矩阵，注意力机制计算的系数使用softmax函数对节点j的所有选择进行归一化，即
Figure BDA0004159677950000062
根据配网模型的变化趋势与施工路径相对比，结合配网故障设施的特征判别施工路径上的潜在危险。
S6：将故障仿真数据与故障真实数据的对比损失以及诊断评估损失的加权和作为预测模型的总损失函数。
S7：验证预测模型的准确度，选择利用正态概率分布模型与核密度分布模型验证预测模型的拟合度，根据拟合度判断是否需要返回至S2对预测模型重新计算，若预测模型的拟合度满足要求则输出风险预测结果并通过可视化设备将结果显示出来。
与现有技术相比，本发明的有益效果是：
基于配网工程数字化三维模型对故障节点进行定位，利用故障发生的突发性和即时性结合故障发生前后的传感器数据变化能够根据故障结果反向推演故障发生原因进一步判别故障发生导致的配网结构损毁程度，根据配网结构损毁程度深入挖掘故障现场的潜在施工风险对施工安全风险等级进行预测能够达到对维修工人施工之前的安全警醒作用，使其有目标有方向的进行配网施工检修工作，在一定程度上排除了配网施工检修过程中的主观认知影响。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为一种用于配网工程数字化的施工安全风险管控系统的结构示意图；
图2为一种用于配网工程数字化的施工安全风险管控系统中预测方法的流程示意图；
1、数据采集模块；2、故障仿真模块；3、故障诊断模块；4、配网损毁评估模块；5、施工安全风险预测模块。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例：
请参阅图1-图2，本发明实施例中，一种用于配网工程数字化的施工安全风险管控系统，包括数据采集模块(1)、故障仿真模块(2)、故障诊断模块(3)、配网损毁评估模块(4)、施工安全风险预测模块(5)，数据采集模块(1)用于采集故障发生前后的节点传感器数据，包括故障节点所在区域的气象数据、地质数据以及配网节点运行负荷数据，故障仿真模块(2)用于模拟配网节点故障发生前后的真实运行状态，故障仿真模块(2)是将故障节点的气象数据与地质数据作为配网运行的仿真背景，设故障节点有传感器信息源m个，根据故障发生前的传感器数据异常波动设定配网节点故障发生原因有h种，在配网各运行状态下分别采集n组数据样本，D＝[D0，D1，...，Dh]T表示全部训练数据集，D0表示正常运行状态下的配网采样数据，Di＝＝[d0，d1，...，dn]T表示配网第i种故障状态下采集得到的训练数据集，dn表示配网在第i中故障运行状态下第n次采样得到的训练样本，能够得到故障注入下的配网运行数据，故障诊断模块(3)是通过故障仿真模拟数据的测算结果计算各故障发生原因的概率，根据故障仿真数据与故障真实数据的验证结果，将数据匹配程度超过一半的数据集输入至诊断网络中，对故障仿真数据与故障真实数据做诊断评估，验证故障仿真数据与故障真实数据的诊断评估损失，故障诊断模块(3)通过利用softmax激活函数对各特征向量的节点进行故障发生预测，即故障发生预测概率
Figure BDA0004159677950000071
Figure BDA0004159677950000072
代表数据集D的特征向量矩阵Xi的转置矩阵，Wf代表分类训练模型的参数矩阵，f是训练数据集中含有的类别数，根据故障发生预测概率输出配网运行结果Y1，配网损毁评估模块(4)通过利用远程监控技术获取故障发生区域的现场图像，利用超分辨率技术处理采集的低分辨率图像，提高图像的分辨率，减少采集图像时抖动对图像分辨率的影响，对图像数据中的疑似故障区域进行显著区域标定，以图像数据集中识别框大小为基准，将截取的疑似故障区域图像作为目标图像，深度挖掘疑似故障区域图像与故障诊断模块(3)所得的故障原因的融合程度，进一步确定致使故障发生的原因，然后评估故障发生区域的配网损毁程度，进一步得出配网维修的施工流程，施工安全风险预测模块(5)是根据致使故障发生的高概率原因确定施工现场的配网维修流程，然后根据维修流程对应选取配网施工区域，将维修施工流程指令输入至配网故障节点模型中，实现配网模型的动态变化，验证施工区域与周围设施区域的相关性，判断是否会引起周围设施区域的结构发生变化，提取施工区域与周围设施区域的特征向量同时使用多头注意力机制/>
Figure BDA0004159677950000081
遍历节点的邻居节点来迭代更新每个节点的边界值，/>
Figure BDA0004159677950000082
代表第k次注意力迭代计算的归一化注意系数，Wk是相应的输入线性变换的权重矩阵，注意力机制计算的系数使用softmax函数对节点j的所有选择进行归一化，即/>
Figure BDA0004159677950000083
根据配网模型的变化趋势与施工路径相对比，结合配网故障设施的特征判别施工路径上的潜在危险并通过可视化设备将结果显示出来。
如图1-图2所示，本发明还提供一种用于配网工程数字化的施工安全风险管控系统的风险预测方法，所示具体步骤如下：
S1：利用配网数字化数据传输技术采集存储故障发生前后的节点传感器数据，包括故障节点所在区域的气象数据、地质数据以及配网节点运行负荷数据，将故障发生前的数据作为配网模型的正常运行数据，则故障发生后的数据作为训练数据。
S2：基于配网工程的三维模型通过故障注入技术模拟配网节点故障发生前后的真实运行状态，其中将故障节点的气象数据与地质数据作为配网运行的仿真背景，设故障节点有传感器信息源m个，根据故障发生前的传感器数据异常波动设定配网节点故障发生原因有h种，在配网各运行状态下分别采集n组数据样本，D＝[D0，D1，...，Dh]T表示全部训练数据集，D0表示正常运行状态下的配网采样数据，Di＝＝[d0，d1，...，dn]T表示配网第i种故障状态下采集得到的训练数据集，dn表示配网在第i中故障运行状态下第n次采样得到的训练样本，能够得到故障注入下的配网运行数据；
S21：进一步验证故障仿真数据与故障真实数据的对比损失，对比损失函数为
Figure BDA0004159677950000091
N代表样本数量，/>
Figure BDA0004159677950000092
用于验证故障仿真数据与故障真实数据的相关性损失，/>
Figure BDA0004159677950000093
用于验证故障仿真数据与故障真实数据的匹配程度，Dw为故障仿真数据的特征X1与故障真实数据的特征X2的欧式距离，即/>
Figure BDA0004159677950000094
γ代表优化过程中的影响因子，d为故障仿真数据的特征X1与故障真实数据的特征X2的维度，CS、CT代表故障仿真数据的特征X1与故障真实数据的特征X2在d维度的协方差矩阵，F是输入初始常量，验证故障仿真数据与故障真实数据的对比损失，能够使故障仿真模型更贴合故障真实运行状态，减少风险预测结果与真实情况之间的偏差。
S3：通过故障仿真模拟数据的测算结果计算各故障发生原因的概率，根据故障仿真数据与故障真实数据的验证结果，将数据匹配程度超过一半的数据集输入至诊断网络中，对故障仿真数据与故障真实数据做诊断评估，验证故障仿真数据与故障真实数据的诊断评估损失；
S31：通过利用softmax激活函数对各特征向量的节点进行故障发生预测，即故障发生预测概率
Figure BDA0004159677950000095
Figure BDA0004159677950000096
代表数据集D的特征向量矩阵Xi的转置矩阵，Wf代表分类训练模型的参数矩阵，f是训练数据集中含有的类别数，根据故障发生预测概率输出配网运行结果Y1；
S32：诊断评估损失函数
Figure BDA0004159677950000101
pij表示节点i在第j维的分布概率，fi代表节点i的真实诊断结果。
S4：利用远程监控技术获取故障发生区域的现场图像，利用超分辨率技术处理采集的低分辨率图像，提高图像的分辨率，减少采集图像时抖动对图像分辨率的影响，对图像数据中的疑似故障区域进行显著区域标定，以图像数据集中识别框大小为基准，将截取的疑似故障区域图像作为目标图像，深度挖掘疑似故障区域图像与故障诊断模块(3)所得的故障原因的融合程度，进一步确定致使故障发生的原因，评估故障发生区域的配网损毁程度，进一步得出配网维修的施工流程。
S5：根据致使故障发生的高概率原因确定施工现场的配网维修流程，然后根据维修流程对应选取配网施工区域，将维修施工流程指令输入至配网故障节点模型中，实现配网模型的动态变化，验证施工区域与周围设施区域的相关性，判断是否会引起周围设施区域的结构发生变化，提取施工区域与周围设施区域的特征向量同时使用多头注意力机制
Figure BDA0004159677950000102
遍历节点的邻居节点来迭代更新每个节点的边界值，/>
Figure BDA0004159677950000103
代表第k次注意力迭代计算的归一化注意系数，Wk是相应的输入线性变换的权重矩阵，注意力机制计算的系数使用softmax函数对节点j的所有选择进行归一化，即
Figure BDA0004159677950000104
根据配网模型的变化趋势与施工路径相对比，结合配网故障设施的特征判别施工路径上的潜在危险。
S6：将故障仿真数据与故障真实数据的对比损失以及诊断评估损失的加权和作为预测模型的总损失函数。
S7：验证预测模型的准确度，选择利用正态概率分布模型与核密度分布模型验证预测模型的拟合度，根据拟合度判断是否需要返回至S2对预测模型重新计算，若预测模型的拟合度满足要求则输出风险预测结果并通过可视化设备将结果显示出来。
本发明的工作原理是：基于配网工程数字化三维模型对故障节点进行定位，利用故障发生的突发性和即时性结合故障发生前后的传感器数据变化能够根据故障结果反向推演故障发生原因进一步判别故障发生导致的配网结构损毁程度，根据配网结构损毁程度深入挖掘故障现场的潜在施工风险对施工安全风险等级进行预测能够达到对维修工人施工之前的安全警醒作用，使其有目标有方向的进行配网施工检修工作，在一定程度上排除了配网施工检修过程中的主观认知影响。
以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种用于配网工程数字化的施工安全风险管控系统，其特征在于，包括数据采集模块(1)、故障仿真模块(2)、故障诊断模块(3)、配网损毁评估模块(4)、施工安全风险预测模块(5)，所述数据采集模块(1)用于采集故障发生前后的节点传感器数据，包括故障节点所在区域的气象数据、地质数据以及配网节点运行负荷数据，所述故障仿真模块(2)用于模拟配网节点故障发生前后的真实运行状态，所述故障诊断模块(3)是通过故障仿真模拟数据的测算结果计算各故障发生原因的概率，根据故障仿真数据与故障真实数据的验证结果，将数据匹配程度超过一半的数据集输入至诊断网络中，对故障仿真数据与故障真实数据做诊断评估，验证故障仿真数据与故障真实数据的诊断评估损失，所述配网损毁评估模块(4)用于评估故障发生区域的配网损毁程度，进一步得出配网维修的施工流程，所述施工安全风险预测模块(5)是根据致使故障发生的高概率原因确定施工现场的配网维修流程，根据配网模型的变化趋势与施工路径相对比，结合配网故障设施的特征判别施工路径上的潜在危险并通过可视化设备将结果显示出来。
2.根据权利要求1所述的一种用于配网工程数字化的施工安全风险管控系统，其特征在于，所述故障仿真模块(2)是将故障节点的气象数据与地质数据作为配网运行的仿真背景，设故障节点有传感器信息源m个，根据故障发生前的传感器数据异常波动设定配网节点故障发生原因有h种，在配网各运行状态下分别采集n组数据样本，D＝[D0，D1，...，Dh]T表示全部训练数据集，D0表示正常运行状态下的配网采样数据，Di＝＝[d0，d1，...，dn]T表示配网第i种故障状态下采集得到的训练数据集，dn表示配网在第i中故障运行状态下第n次采样得到的训练样本，能够得到故障注入下的配网运行数据。
3.根据权利要求2所述的一种用于配网工程数字化的施工安全风险管控系统，其特征在于，所述故障仿真模块(2)中验证故障仿真数据与故障真实数据的对比损失，对比损失函数为
Figure FDA0004159677940000011
N代表样本数量，/>
Figure FDA0004159677940000012
用于验证故障仿真数据与故障真实数据的相关性损失，/>
Figure FDA0004159677940000013
用于验证故障仿真数据与故障真实数据的匹配程度，Dw为故障仿真数据的特征X1与故障真实数据的特征X2的欧式距离，即/>
Figure FDA0004159677940000021
γ代表优化过程中的影响因子，d为故障仿真数据的特征X1与故障真实数据的特征X2的维度，CS、CT代表故障仿真数据的特征X1与故障真实数据的特征X2在d维度的协方差矩阵，F是输入初始常量，验证故障仿真数据与故障真实数据的对比损失，能够使故障仿真模型更贴合故障真实运行状态，减少风险预测结果与真实情况之间的偏差。
4.根据权利要求1所述的一种用于配网工程数字化的施工安全风险管控系统，其特征在于，所述故障诊断模块(3)通过利用softmax激活函数对各特征向量的节点进行故障发生预测，即故障发生预测概率
Figure FDA0004159677940000022
Figure FDA0004159677940000023
代表数据集D的特征向量矩阵Xi的转置矩阵，Wf代表分类训练模型的参数矩阵，f是训练数据集中含有的类别数，根据故障发生预测概率输出配网运行结果Y1。
5.根据权利要求1所述的一种用于配网工程数字化的施工安全风险管控系统，其特征在于，所述故障诊断模块(3)中的诊断评估损失函数
Figure FDA0004159677940000024
pij表示节点i在第j维的分布概率，fi代表节点i的真实诊断结果。
6.根据权利要求1所述的一种用于配网工程数字化的施工安全风险管控系统，其特征在于，所述配网损毁评估模块(4)是通过利用远程监控技术获取故障发生区域的现场图像，利用超分辨率技术处理采集的低分辨率图像，提高图像的分辨率，减少采集图像时抖动对图像分辨率的影响，对图像数据中的疑似故障区域进行显著区域标定，以图像数据集中识别框大小为基准，将截取的疑似故障区域图像作为目标图像，深度挖掘疑似故障区域图像与故障诊断模块(3)所得的故障原因的融合程度，进一步确定致使故障发生的原因。
7.根据权利要求1所述的一种用于配网工程数字化的施工安全风险管控系统，其特征在于，所述施工安全风险预测模块(5)是根据维修流程对应选取配网施工区域，将维修施工流程指令输入至配网故障节点模型中，实现配网模型的动态变化，验证施工区域与周围设施区域的相关性，判断是否会引起周围设施区域的结构发生变化，提取施工区域与周围设施区域的特征向量同时使用多头注意力机制
Figure FDA0004159677940000031
遍历节点的邻居节点来迭代更新每个节点的边界值，/>
Figure FDA0004159677940000032
代表第k次注意力迭代计算的归一化注意系数，Wk是相应的输入线性变换的权重矩阵，注意力机制计算的系数使用softmax函数对节点j的所有选择进行归一化，即/>
Figure FDA0004159677940000033
8.一种用于配网工程数字化的施工安全风险管控系统的风险预测方法，其特征在于：包括如下流程：
S1：利用配网数字化数据传输技术采集存储故障发生前后的节点传感器数据，包括故障节点所在区域的气象数据、地质数据以及配网节点运行负荷数据，将故障发生前的数据作为配网模型的正常运行数据，则故障发生后的数据作为训练数据；
S2：基于配网工程的三维模型通过故障注入技术模拟配网节点故障发生前后的真实运行状态，其中将故障节点的气象数据与地质数据作为配网运行的仿真背景，设故障节点有传感器信息源m个，根据故障发生前的传感器数据异常波动设定配网节点故障发生原因有h种，在配网各运行状态下分别采集n组数据样本，D＝[D0，D1，...，Dh]T表示全部训练数据集，D0表示正常运行状态下的配网采样数据，Di＝＝[d0，d1，...，dn]T表示配网第i种故障状态下采集得到的训练数据集，dn表示配网在第i中故障运行状态下第n次采样得到的训练样本，能够得到故障注入下的配网运行数据；
S21：进一步验证故障仿真数据与故障真实数据的对比损失，对比损失函数为
Figure FDA0004159677940000034
N代表样本数量，/>
Figure FDA0004159677940000035
用于验证故障仿真数据与故障真实数据的相关性损失，/>
Figure FDA0004159677940000036
用于验证故障仿真数据与故障真实数据的匹配程度，Dw为故障仿真数据的特征X1与故障真实数据的特征X2的欧式距离，即
Figure FDA0004159677940000041
γ代表优化过程中的影响因子，d为故障仿真数据的特征X1与故障真实数据的特征X2的维度，CS、CT代表故障仿真数据的特征X1与故障真实数据的特征X2在d维度的协方差矩阵，F是输入初始常量，验证故障仿真数据与故障真实数据的对比损失，能够使故障仿真模型更贴合故障真实运行状态，减少风险预测结果与真实情况之间的偏差；
S3：通过故障仿真模拟数据的测算结果计算各故障发生原因的概率，根据故障仿真数据与故障真实数据的验证结果，将数据匹配程度超过一半的数据集输入至诊断网络中，对故障仿真数据与故障真实数据做诊断评估，验证故障仿真数据与故障真实数据的诊断评估损失；
S31：通过利用softmax激活函数对各特征向量的节点进行故障发生预测，即故障发生预测概率
Figure FDA0004159677940000042
Figure FDA0004159677940000043
代表数据集D的特征向量矩阵Xi的转置矩阵，Wf代表分类训练模型的参数矩阵，f是训练数据集中含有的类别数，根据故障发生预测概率输出配网运行结果Y1；
S32：诊断评估损失函数
Figure FDA0004159677940000044
pij表示节点i在第j维的分布概率，fi代表节点i的真实诊断结果；
S4：利用远程监控技术获取故障发生区域的现场图像，利用超分辨率技术处理采集的低分辨率图像，提高图像的分辨率，减少采集图像时抖动对图像分辨率的影响，对图像数据中的疑似故障区域进行显著区域标定，以图像数据集中识别框大小为基准，将截取的疑似故障区域图像作为目标图像，深度挖掘疑似故障区域图像与故障诊断模块(3)所得的故障原因的融合程度，进一步确定致使故障发生的原因，评估故障发生区域的配网损毁程度，进一步得出配网维修的施工流程；
S5：根据致使故障发生的高概率原因确定施工现场的配网维修流程，然后根据维修流程对应选取配网施工区域，将维修施工流程指令输入至配网故障节点模型中，实现配网模型的动态变化，验证施工区域与周围设施区域的相关性，判断是否会引起周围设施区域的结构发生变化，提取施工区域与周围设施区域的特征向量同时使用多头注意力机制
Figure FDA0004159677940000051
遍历节点的邻居节点来迭代更新每个节点的边界值，/>
Figure FDA0004159677940000052
代表第k次注意力迭代计算的归一化注意系数，Wk是相应的输入线性变换的权重矩阵，注意力机制计算的系数使用softmax函数对节点j的所有选择进行归一化，即
Figure FDA0004159677940000053
根据配网模型的变化趋势与施工路径相对比，结合配网故障设施的特征判别施工路径上的潜在危险；
S6：将故障仿真数据与故障真实数据的对比损失以及诊断评估损失的加权和作为预测模型的总损失函数；
S7：验证预测模型的准确度，选择利用正态概率分布模型与核密度分布模型验证预测模型的拟合度，根据拟合度判断是否需要返回至S2对预测模型重新计算，若预测模型的拟合度满足要求则输出风险预测结果并通过可视化设备将结果显示出来。
CN202310345816.7A 2023-04-03 2023-04-03 一种用于配网工程数字化的施工安全风险管控系统 Pending CN116341272A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310345816.7A CN116341272A (zh) 2023-04-03 2023-04-03 一种用于配网工程数字化的施工安全风险管控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310345816.7A CN116341272A (zh) 2023-04-03 2023-04-03 一种用于配网工程数字化的施工安全风险管控系统

Publications (1)

Publication Number Publication Date
CN116341272A true CN116341272A (zh) 2023-06-27

Family

ID=86877113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310345816.7A Pending CN116341272A (zh) 2023-04-03 2023-04-03 一种用于配网工程数字化的施工安全风险管控系统

Country Status (1)

Country Link
CN (1) CN116341272A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236704A (zh) * 2023-11-16 2023-12-15 中钢集团武汉安全环保研究院有限公司 一种钢铁生产线区域动态安全风险评估量化方法和装置
CN117540883A (zh) * 2024-01-10 2024-02-09 山东鲁轻安全评价技术有限公司 一种基于ai的安全风险识别分析系统及方法
CN117575333A (zh) * 2024-01-15 2024-02-20 国网浙江省电力有限公司宁海县供电公司 一种电网工程安全管控方法以及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236704A (zh) * 2023-11-16 2023-12-15 中钢集团武汉安全环保研究院有限公司 一种钢铁生产线区域动态安全风险评估量化方法和装置
CN117236704B (zh) * 2023-11-16 2024-02-06 中钢集团武汉安全环保研究院有限公司 一种钢铁生产线区域动态安全风险评估量化方法和装置
CN117540883A (zh) * 2024-01-10 2024-02-09 山东鲁轻安全评价技术有限公司 一种基于ai的安全风险识别分析系统及方法
CN117540883B (zh) * 2024-01-10 2024-04-09 山东鲁轻安全评价技术有限公司 一种基于ai的安全风险识别分析系统及方法
CN117575333A (zh) * 2024-01-15 2024-02-20 国网浙江省电力有限公司宁海县供电公司 一种电网工程安全管控方法以及系统
CN117575333B (zh) * 2024-01-15 2024-04-16 国网浙江省电力有限公司宁海县供电公司 一种电网工程安全管控方法以及系统

Similar Documents

Publication Publication Date Title
CN116341272A (zh) 一种用于配网工程数字化的施工安全风险管控系统
Cui et al. Deep learning-based time-varying parameter identification for system-wide load modeling
Lei et al. Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
CN110046379B (zh) 一种基于空间-频率信息的结构整体损伤识别方法
CN113298297B (zh) 一种基于孤立森林与wgan网络的风电输出功率预测方法
Darestani et al. Effects of adjacent spans and correlated failure events on system-level hurricane reliability of power distribution lines
CN112528365A (zh) 一种地下基础设施结构健康演化趋势预测方法
CN115022187B (zh) 一种电-气综合能源系统态势感知方法与装置
Zhou et al. Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process
CN112507479A (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN113283113B (zh) 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质
Römgens et al. On using autoencoders with non-standardized time series data for damage localization
CN117191147A (zh) 一种泄洪大坝水位监测预警方法及系统
CN112731890A (zh) 一种电厂设备故障的检测方法和装置
CN115659249B (zh) 一种智能测站控制系统异常检测方法
Song et al. A novel outlier detection method of long-term dam monitoring data based on SSA-NAR
CN115950485A (zh) 一种隧道内全自动智能化监测方法
CN116591768A (zh) 一种基于分布式网络的隧道监测方法、系统及装置
KR20240003469A (ko) 원전설비의 예측진단방법 및 시스템
Zhang Data-driven and model-based methods with physics-guided machine learning for damage identification
CN111721399B (zh) 一种水工建筑结构振动测试系统和测试方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
Riddle et al. Effects of Defects Part A: Stochastic Finite Element Modeling of Wind Turbine Blades with Manufacturing Defects for Reliability Estimation
Xu et al. A method for suspenders tension identification of bridges based on the spatio‐temporal correlation between the girder strain and suspenders tension

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