CN117114214B - 一种变电站设备基础沉降预测方法及系统 - Google Patents

一种变电站设备基础沉降预测方法及系统 Download PDF

Info

Publication number
CN117114214B
CN117114214B CN202311387988.7A CN202311387988A CN117114214B CN 117114214 B CN117114214 B CN 117114214B CN 202311387988 A CN202311387988 A CN 202311387988A CN 117114214 B CN117114214 B CN 117114214B
Authority
CN
China
Prior art keywords
sample
monitoring data
elevation
data sequence
inclination rate
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.)
Active
Application number
CN202311387988.7A
Other languages
English (en)
Other versions
CN117114214A (zh
Inventor
杨柳
王汀
刘一涛
赵东旭
朱钰
陈瑞国
叶振起
崔文军
孙瑀浓
黄子轩
田阳
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.)
Wuxi Pengpai Digital Technology Co ltd
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Liaoning Dongke Electric Power Co Ltd
Original Assignee
Wuxi Pengpai Digital Technology Co ltd
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Liaoning Dongke Electric Power 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 Wuxi Pengpai Digital Technology Co ltd, State Grid Liaoning Electric Power Co Ltd, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd, Liaoning Dongke Electric Power Co Ltd filed Critical Wuxi Pengpai Digital Technology Co ltd
Priority to CN202311387988.7A priority Critical patent/CN117114214B/zh
Publication of CN117114214A publication Critical patent/CN117114214A/zh
Application granted granted Critical
Publication of CN117114214B publication Critical patent/CN117114214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • G06N3/09—Supervised learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种变电站设备基础沉降预测方法及系统，涉及设备基础沉降技术领域，该方法包括：布设水准仪监测阵列和全站仪监测阵列；进行数据采集并根据第一约束条件进行扩充寻优；构建频率增强分解变压器；对监测时间窗口内Q个水准仪的Q个高程监测数据序列和P个全站仪的P个倾斜率监测数据序列进行特征识别，获得监测沉降特征；进行下沉故障映射匹配，获得目标变电站的基础沉降预测结果。本发明解决了现有技术中存在对变电站设备进行基础沉降预测时，测量数据误差较大和预测结果可靠性较低的技术问题，达到了提高变电站高程和倾斜率测量准确性，高效、可靠的进行基础沉降预测的技术效果。

Description

一种变电站设备基础沉降预测方法及系统
技术领域
本发明涉及设备基础沉降技术领域，具体涉及一种变电站设备基础沉降预测方法及系统。
背景技术
目前变电站设备基础沉降引起的故障给电网安全运行带来了较大的隐患。由于一些研究者通过对相关设备的各项参数和状态进行监测和记录，从而及时发现隐患的方式，只能对即将发生沉降的设备进行维护，预测时效性较低。且进行监测时，由于监测点选择差异较大，导致监测数据不能准确反映基础沉降情况，进而导致预测结果不可靠。现有技术中存在对变电站设备进行基础沉降预测时，测量数据误差较大和预测结果可靠性较低的技术问题。
发明内容
本申请提供了一种变电站设备基础沉降预测方法及系统，用于针对解决现有技术中存在对变电站设备进行基础沉降预测时，测量数据误差较大和预测结果可靠性较低的技术问题。
鉴于上述问题，本申请提供了一种变电站设备基础沉降预测方法及系统。
本申请的第一个方面，提供了一种变电站设备基础沉降预测方法，其中，所述方法应用于基础沉降预测系统，所述系统与水准仪监测阵列、全站仪监测阵列通信连接，所述方法包括：
在目标变电站设备所在的目标区域内布设水准仪监测阵列和全站仪监测阵列，其中，所述水准仪监测阵列包括Q个水准仪，所述全站仪监测阵列包括P个全站仪；
在预设历史时间窗口内遍历所述Q个水准仪和P个全站仪进行数据采集，获得Q个历史高程监测数据序列和P个历史倾斜率监测数据序列；
分别对所述Q个历史高程监测数据序列和P个历史倾斜率监测数据序列根据第一约束条件进行扩充寻优，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，并对应匹配N个样本沉降特征，每个样本高程监测数据序列集中包括Q个样本高程监测数据序列，每个样本倾斜率监测数据序列集中包括P个样本倾斜率监测数据序列，每个样本沉降特征用于对预测历史时间窗口内目标变电站设备的基础沉降结果对应的沉降特征进行描述；
基于N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集和N个样本沉降特征构建频率增强分解变压器；
利用频率增强分解变压器对监测时间窗口内所述Q个水准仪的Q个高程监测数据序列和P个全站仪的P个倾斜率监测数据序列进行特征识别，获得监测沉降特征；
基于监测沉降特征进行下沉故障映射匹配，获得所述目标变电站的基础沉降预测结果，其中，所述基础沉降预测结果包括目标变电站的预测下沉故障。
本申请的第二个方面，提供了一种变电站设备基础沉降预测系统，所述系统包括：
监测阵列布设模块，用于在目标变电站设备所在的目标区域内布设水准仪监测阵列和全站仪监测阵列，其中，所述水准仪监测阵列包括Q个水准仪，所述全站仪监测阵列包括P个全站仪；
监测数据序列获得模块，用于在预设历史时间窗口内遍历所述Q个水准仪和P个全站仪进行数据采集，获得Q个历史高程监测数据序列和P个历史倾斜率监测数据序列；
样本沉降特征获得模块，用于分别对所述Q个历史高程监测数据序列和P个历史倾斜率监测数据序列根据第一约束条件进行扩充寻优，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，并对应匹配N个样本沉降特征，每个样本高程监测数据序列集中包括Q个样本高程监测数据序列，每个样本倾斜率监测数据序列集中包括P个样本倾斜率监测数据序列，每个样本沉降特征用于对预测历史时间窗口内目标变电站设备的基础沉降结果对应的沉降特征进行描述；
分解变压器构建模块，用于基于N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集和N个样本沉降特征构建频率增强分解变压器；
监测沉降特征获得模块，用于利用频率增强分解变压器对监测时间窗口内所述Q个水准仪的Q个高程监测数据序列和P个全站仪的P个倾斜率监测数据序列进行特征识别，获得监测沉降特征；
沉降预测结果获得模块，用于基于监测沉降特征进行下沉故障映射匹配，获得所述目标变电站的基础沉降预测结果，其中，所述基础沉降预测结果包括目标变电站的预测下沉故障。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过在目标变电站设备所在的目标区域内布设水准仪监测阵列和全站仪监测阵列，其中，水准仪监测阵列包括Q个水准仪，全站仪监测阵列包括P个全站仪，然后在预设历史时间窗口内遍历Q个水准仪和P个全站仪进行数据采集，获得Q个历史高程监测数据序列和P个历史倾斜率监测数据序列，进而分别对Q个历史高程监测数据序列和P个历史倾斜率监测数据序列根据第一约束条件进行扩充寻优，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，并对应匹配N个样本沉降特征，每个样本高程监测数据序列集中包括Q个样本高程监测数据序列，每个样本倾斜率监测数据序列集中包括P个样本倾斜率监测数据序列，每个样本沉降特征用于对预测历史时间窗口内目标变电站设备的基础沉降结果对应的沉降特征进行描述，基于N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集和N个样本沉降特征构建频率增强分解变压器，然后利用频率增强分解变压器对监测时间窗口内Q个水准仪的Q个高程监测数据序列和P个全站仪的P个倾斜率监测数据序列进行特征识别，获得监测沉降特征，基于监测沉降特征进行下沉故障映射匹配，获得目标变电站的基础沉降预测结果，其中，基础沉降预测结果包括目标变电站的预测下沉故障。达到了提高变电站高程和倾斜率测量准确性，高效、可靠的进行基础沉降预测的技术效果。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种变电站设备基础沉降预测方法流程示意图；
图2为本申请实施例提供的一种变电站设备基础沉降预测方法中布设水准仪监测阵列和全站仪监测阵列的流程示意图；
图3为本申请实施例提供的一种变电站设备基础沉降预测方法中获得特征识别网络层的流程示意图；
图4为本申请实施例提供的一种变电站设备基础沉降预测系统结构示意图。
附图标记说明：监测阵列布设模块11，监测数据序列获得模块12，样本沉降特征获得模块13，分解变压器构建模块14，监测沉降特征获得模块15，沉降预测结果获得模块16。
具体实施方式
本申请通过提供了一种变电站设备基础沉降预测方法及系统，用于针对解决现有技术中存在对变电站设备进行基础沉降预测时，测量数据误差较大和预测结果可靠性较低的技术问题。
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做出创造性劳动的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。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了一种变电站设备基础沉降预测方法，其中，所述方法应用于基础沉降预测系统，所述系统与水准仪监测阵列、全站仪监测阵列通信连接，所述方法包括：
步骤S100：在目标变电站设备所在的目标区域内布设水准仪监测阵列和全站仪监测阵列，其中，所述水准仪监测阵列包括Q个水准仪，所述全站仪监测阵列包括P个全站仪；
进一步的，如图2所示，所述在目标变电站设备所在的目标区域内布设水准仪监测阵列和全站仪监测阵列，本申请实施例步骤S100还包括：
采集目标区域的地质信息进行特征识别，获得目标地质特征；
获取目标变电站设备的Y个子设备，采集所述Y个子设备的连接关系，生成Y1个连接点；
根据Y个子设备匹配沉降敏感性因子，获得Y个敏感性因子；
基于所述目标地质特征、Y1个连接点和Y个敏感性因子布设所述水准仪监测阵列和全站仪监测阵列。
进一步的，本申请实施例步骤S100还包括：
分别采集Y个子设备的使用寿命进行可靠性分析，计算获得Y个子设备可靠性系数；
根据所述目标地质特征和Y个子设备可靠性系数进行监测装置数量约束映射，获得Y个水准仪布设数量阈值和Y个全站仪监测数量阈值；
基于Y1个连接点遍历所述Y个子设备确定Y个连接点集合；
分别计算Y个连接点集合中的连接点数量比上预设连接点数量，将计算结果与对应的水准仪布设数量阈值进行相乘，获得Y个水准仪布设数量；
根据Y个水准仪布设数量和Y个子设备布设水准仪监测阵列，其中，所述Y个水准仪布设数量之和为Q；
根据目标地质特征和Y个敏感性因子布设所述全站仪监测阵列。
在一个可能的实施例中，所述基础沉降预测系统用于对所述目标变电站设备的基础沉降情况进行预测，通过与水准仪监测阵列、全站仪监测阵列通信连接，从而对监测数据进行采集，为预测提供基础分析数据。所述目标变电站设备是用于对进行电能变换、传输和配电的任意一个设备，主要用于将高压电能转换为适合传输和供电的低压电能，包括变压器、开关设备、绝缘子、输电线路、电容器等。所述目标区域是所述目标变电站设备所在的任意一个区域。通过在所述目标区域内合理的布设水准仪监测阵列和全站仪监测阵列，从而对目标变电站设备的基础沉降情况进行可靠监测。其中，所述水准仪监测阵列用于对目标变电站设备的高程变化情况进行监测，包括Q个水准仪，所述全站仪监测阵列用于对目标变电站设备的倾斜率变化情况进行监测，包括P个全站仪。
在一个实施例中，通过利用地理信息系统和遥感技术对目标区域的地质情况进行数据采集，获得目标区域的地质信息，进而利用地质指标对所述地质信息进行识别，其中，所述地质指标用于对区域的地质结构进行描述，包括土层分布指标、地下水情况、地质均匀性和地质稳定性等指标。所述目标地质特征用于对目标区域的地质情况进行描述。
在一个可能的实施例中，通过对构成所述目标变电站设备的Y个子设备之间的连接关系进行采集，获得Y1个连接点。其中，示例性的，变压器与电力传输线缆两相连接，具有2个连接点。进而，以Y个子设备为索引，在预设沉降敏感性表中进行敏感性因子检索，获得Y个敏感性因子。其中，所述预设沉降敏感性表为本领域技术人员根据不同子设备在同一时间段内由于相同地质变化导致的不同沉降量确定的表格。所述Y个敏感性因子分别反映了Y个子设备对地质变化的敏感程度，敏感性因子越大，对应子设备在相同情况下沉降量越大。
优选的，通过分别获取Y个子设备的使用寿命，其中，使用寿命为Y个子设备投入使用的时长。并根据设备采集记录表提取Y个子设备的设计寿命，所述设计寿命为Y个子设备的设计使用时长。通过分别计算所述Y个子设备的使用寿命与Y个子设备的设计寿命之差与Y个子设备的设计寿命的比值，将计算结果作为Y个子设备可靠性系数。子设备可靠性系数越大，对应子设备的可靠程度越高。进而，根据所述目标地质特征和Y个子设备可靠性系数进行监测装置数量约束映射，目标区域地质越好，子设备可靠性系数越高，对应的监测装置数量越少，从而达到了保证监测准确性的基础上，避免资源浪费，以及降低监测分析数量的技术效果。所述Y个水准仪布设阈值反映了用于对Y个子设备进行高程监测的水准仪布设数量区间。所述Y个全站仪布设阈值反映了用于对Y个子设备进行倾斜率监测的全站仪布设数量区间。
优选的，通过遍历所述Y个子设备确定每个子设备对应的连接点数量，从而获得Y个连接点集合，进而分别计算Y个连接点集合中的连接点数量比上预设连接点数量，将计算结果与对应的水准仪布设数量阈值进行相乘，获得Y个水准仪布设数量。其中，所述预设连接点数量是由本领域技术人员根据水准仪布设数量阈值设置的设备可以关联连接的设备数量。进而，根据Y个水准仪布设数量和Y个子设备布设水准仪监测阵列，其中，所述Y个水准仪布设数量之和为Q。
在一个实施例中，通过分别计算Y个敏感性因子比上预设敏感性因子，将计算结果与对应的全站仪监测数量阈值进行相乘，获得Y个全站仪布设数量。其中，所述预设敏感性因子是由本领域技术人员预先设置的变电站设备敏感性因子均值。进而，根据Y个全站仪布设数量和Y个子设备布设全站仪监测阵列，其中，所述Y个全站仪布设数量之和为P。
步骤S200：在预设历史时间窗口内遍历所述Q个水准仪和P个全站仪进行数据采集，获得Q个历史高程监测数据序列和P个历史倾斜率监测数据序列；
在一个可能的实施例中，通过对Q个水准仪和P个全站仪在预设历史时间窗口内的监测数据进行采集，从而获得Q个历史高程监测数据序列和P个历史倾斜率监测数据序列。其中，所述预设历史时间窗口为本领域技术人员预先设置的历史时间段。所述Q个历史高程监测数据序列和P个历史倾斜率监测数据序列分别反映了在预设历史时间窗口内目标变电站设备基础的高程和倾斜率变化情况。
步骤S300：分别对所述Q个历史高程监测数据序列和P个历史倾斜率监测数据序列根据第一约束条件进行扩充寻优，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，并对应匹配N个样本沉降特征，每个样本高程监测数据序列集中包括Q个样本高程监测数据序列，每个样本倾斜率监测数据序列集中包括P个样本倾斜率监测数据序列，每个样本沉降特征用于对预测历史时间窗口内目标变电站设备的基础沉降结果对应的沉降特征进行描述；
进一步的，本申请实施例步骤S300还包括：
采集所述目标区域的Q个水准仪初始布设时的高程监测数据和P个全站仪初始布设时的倾斜率监测数据，获得Q个初始高程监测数据和P个初始倾斜率监测数据；
按照预设调整方式对Q个历史高程监测数据序列和P个历史倾斜率监测数据序列进行调整，并按照第一约束条件对调整过程进行约束，获得待筛选Q个历史高程监测数据序列邻域和P个历史倾斜率监测数据序列邻域，其中，所述预设调整方式为按照预设幅度对监测数据进行调高或调低，所述第一约束条件为Q个历史高程监测数据序列邻域小于等于所述Q个初始高程监测数据中对应的初始高程监测数据和/或P个历史倾斜率监测数据序列邻域大于等于所述P个初始倾斜率监测数据中对应的初始倾斜率监测数据；
遍历所述待筛选Q个历史高程监测数据序列邻域和P个历史倾斜率监测数据序列邻域利用适应度计算公式获得多个高程适应度和多个倾斜率适应度，将适应度低于预设适应度的数据序列进行剔除，获得第一样本高程监测数据序列集、第一样本倾斜率监测数据序列集；
并将第一样本高程监测数据序列集、第一样本倾斜率监测数据序列集对应的预设调整方式加入禁忌空间的禁忌调整方式中，经过N次调整迭代，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集。
进一步的，本申请实施例步骤S300还包括：
适应度计算公式：
=/>；
=/>；
其中，为高程适应度，/>为第i个历史高程监测数据序列，/>为第i个历史高程监测数据序列邻域中的任意一个历史高程监测数据序列，/>为倾斜率适应度，/>为第k个历史倾斜率监测数据序列，/>为第k个历史倾斜率监测数据序列邻域中的任意一个历史倾斜率监测数据序列。
在一个可能的实施例中，通过根据所述第一约束条件对所述Q个历史高程监测数据序列和P个历史倾斜率监测数据序列进行扩充寻优的过程进行约束，从而获得所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集。并通过本领域技术人员根据N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集对目标变电站设备进行沉降特征识别，获得N个样本沉降特征。其中，每个样本高程监测数据序列集中包括Q个样本高程监测数据序列，每个样本倾斜率监测数据序列集中包括P个样本倾斜率监测数据序列，每个样本沉降特征用于对预测历史时间窗口内目标变电站设备的基础沉降结果对应的沉降特征进行描述。所述第一约束条件为Q个历史高程监测数据序列邻域小于等于所述Q个初始高程监测数据中对应的初始高程监测数据、P个历史倾斜率监测数据序列邻域大于等于所述P个初始倾斜率监测数据中对应的初始倾斜率监测数据、Q个历史高程监测数据序列邻域小于等于所述Q个初始高程监测数据中对应的初始高程监测数据和P个历史倾斜率监测数据序列邻域大于等于所述P个初始倾斜率监测数据中对应的初始倾斜率监测数据。
在一个实施例中，通过分别采集目标区域内的Q个水准仪和P个全站仪在初始布设时的监测数据，从而获得Q个初始高程监测数据和P个初始倾斜率监测数据。进而，按照预设调整方式对Q个历史高程监测数据序列和P个历史倾斜率监测数据序列进行调整，并按照第一约束条件对调整过程进行约束，获得待筛选Q个历史高程监测数据序列邻域和P个历史倾斜率监测数据序列邻域。其中，所述预设调整方式为按照预设幅度对监测数据进行调高或调低。所述预设幅度为本领域技术人员预先设置对监测数据进行单次调整的数据量大小。进而，遍历所述待筛选Q个历史高程监测数据序列邻域和P个历史倾斜率监测数据序列邻域利用适应度计算公式获得多个高程适应度和多个倾斜率适应度，通过对多个高程适应度和多个倾斜率适应度进行分析，将适应度低于预设适应度的数据序列进行剔除，获得第一样本高程监测数据序列集、第一样本倾斜率监测数据序列集。其中，所述预设适应度为本领域技术人员根据目标区域的目标地质特征设置的目标变电站设备基础沉降后的高程和倾斜率与历史情况的最大差异程度。所述多个高程适应度反映了历史高程监测数据序列与历史高程监测数据序列邻域中历史高程监测数据序列之间的差异情况。所述多个倾斜率适应度反映了历史倾斜率监测数据序列与历史倾斜率监测数据序列邻域中历史倾斜率监测数据序列之间的差异情况。
为了避免重复寻优，在获得第一样本高程监测数据序列集、第一样本倾斜率监测数据序列集之后，将第一样本高程监测数据序列集、第一样本倾斜率监测数据序列集对应的预设调整方式加入禁忌空间的禁忌调整方式中。其中，所述禁忌空间用于对禁忌调整方式进行存储。所述禁忌调整方式为在迭代调整过程中不能使用的调整方式。进而，经过N次调整迭代，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集。达到了根据所述Q个历史高程监测数据序列和P个历史倾斜率监测数据序列进行数据扩充，丰富训练数据，为进行沉降预测提供可靠训练数据的技术效果。
步骤S400：基于N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集和N个样本沉降特征构建频率增强分解变压器；
进一步的，如图3所示，本申请实施例步骤S400还包括：
所述频率增强分解变压器包括傅里叶增强模块，频率增强注意力层，编码器和解码器，特征识别网络层；
利用傅里叶增强模块对N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集进行频域映射；
将映射后的所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，以及对应的N个第一样本周期分量作为训练数据，对编码器进行监督训练，直至输出达到收敛，获得训练完成的所述编码器；
将所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，以及对应的N个样本第二周期分量和N个样本趋势项作为训练数据，对解码器进行监督训练，直至输出达到收敛，获得训练完成的所述解码器；
利用N个样本第一周期分量、N个样本第二周期分量和N个样本周期项训练频率增强注意力层；
将所述N个样本趋势项、N个样本周期项和N个样本沉降特征作为训练数据，对基于前馈神经网络构建的特征识别网络层进行监督训练，直至满足要求，获得所述特征识别网络层。
进一步的，本申请实施例步骤S400还包括：
利用N个样本第一周期分量、N个样本第二周期分量和N个样本周期项对基于卷积神经网络构建的频率增强注意力层进行训练，并利用标识后的N个样本周期项对训练过程进行监督，根据输出结果对频率增强注意力层的网格参数进行更新，直至满足要求，获得所述频率增强注意力层；
利用所述频率增强注意力层连接所述编码器和解码器。
在一个可能的实施例中，通过根据所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集和N个样本沉降特征构建频率增强分解变压器。其中，所述频率增强分解变压器用于利用傅里叶增强模块进行频域映射，降低智能化分析中的计算复杂度，进而对监测数据中反映目标变电站设备的沉降特征进行准确、高效的分析。
优选的，所述频率增强分解变压器包括傅里叶增强模块，频率增强注意力层，编码器和解码器，特征识别网络层。其中，所述频率增强注意力层用于连接编码器和解码器，从而降低输入数据和输出数据之间分布差异导致的分析误差。所述编码器用于对输入数据进行周期-趋势分解，并舍弃趋势项，所述解码器用于对输出数据进行周期-趋势分解，结合编码器的第一周期分量进行周期项确定，并将趋势项加回至周期项，构建周期项和趋势项之间的关联关系。特征识别网络层用于对趋势项、周期项进行沉降特征的智能化识别。所述傅里叶增强模块用于将N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集从时域转换为频域，从而获得多个傅里叶分量，通过随机获取多个傅里叶分量达到对N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集进行降维处理的目标。可选的，所述傅里叶增强模块基于离散傅里叶变换构建。
优选的，将映射后的所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，以及对应的N个第一样本周期分量作为训练数据，对编码器进行监督训练，直至输出达到收敛，获得训练完成的所述编码器。进而，将所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，以及对应的N个样本第二周期分量和N个样本趋势项作为训练数据，对解码器进行监督训练，直至输出达到收敛，获得训练完成的所述解码器。其中，所述N个第一样本周期分量和N个样本第二周期分量是由本领域技术人员对监测数据进行周期分解后获得的样本数据。
在一个实施例中，利用N个样本第一周期分量、N个样本第二周期分量和N个样本周期项对基于卷积神经网络构建的频率增强注意力层进行训练，并利用标识后的N个样本周期项对训练过程进行监督，根据输出结果对频率增强注意力层的网格参数进行更新，直至满足要求，获得所述频率增强注意力层，利用所述频率增强注意力层连接所述编码器和解码器。进而，将所述N个样本趋势项、N个样本周期项和N个样本沉降特征作为训练数据，对基于前馈神经网络构建的特征识别网络层进行监督训练，直至满足要求，获得所述特征识别网络层。
步骤S500：利用频率增强分解变压器对监测时间窗口内所述Q个水准仪的Q个高程监测数据序列和P个全站仪的P个倾斜率监测数据序列进行特征识别，获得监测沉降特征；
步骤S600：基于监测沉降特征进行下沉故障映射匹配，获得所述目标变电站的基础沉降预测结果，其中，所述基础沉降预测结果包括目标变电站的预测下沉故障。
在一个可能的实施例中，采集监测时间窗口内的所述Q个水准仪的Q个高程监测数据序列和P个全站仪的P个倾斜率监测数据序列，并输入所述频率增强分解变压器中进行特征识别，获得所述监测沉降特征。所述监测沉降特征反映了目标变电站设备在监测时间窗口内的基础沉降变化情况。从而根据所述监测沉降特征进行下沉故障映射匹配，优选的，通过以监测沉降特征为索引，在下沉故障-特征映射表中进行检索，从而获得基础沉降预测结果。其中，所述基础沉降预测结果包括目标变电站的预测下沉故障。优选的，所述下沉故障-特征映射表由本领域技术人员进行设定。达到了长时间的分析变电站设备监测数据，进行可靠基础沉降预测，提升监测数据的采集准确性，优化预测过程，提高预测效率的技术效果。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过根据目标区域内的地质情况，结合目标变电站设备情况布设水准仪监测阵列和全站仪监测阵列，提升监测数据的可靠性，进而，通过对预设历史时间窗口内的数据进行扩充，实现了扩大训练样本的目标，进而利用训练数据构建频率增强分解变压器对监测时间窗口内的监测数据进行特征识别，获得监测沉降特征，并进行下沉故障映射匹配，获得所述目标变电站的基础沉降预测结果。达到了提高变电站高程和倾斜率测量准确性，高效、可靠的进行基础沉降预测的技术效果。
实施例二
基于与前述实施例中一种变电站设备基础沉降预测方法相同的发明构思，如图4所示，本申请提供了一种变电站设备基础沉降预测系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
监测阵列布设模块11，用于在目标变电站设备所在的目标区域内布设水准仪监测阵列和全站仪监测阵列，其中，所述水准仪监测阵列包括Q个水准仪，所述全站仪监测阵列包括P个全站仪；
监测数据序列获得模块12，用于在预设历史时间窗口内遍历所述Q个水准仪和P个全站仪进行数据采集，获得Q个历史高程监测数据序列和P个历史倾斜率监测数据序列；
样本沉降特征获得模块13，用于分别对所述Q个历史高程监测数据序列和P个历史倾斜率监测数据序列根据第一约束条件进行扩充寻优，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，并对应匹配N个样本沉降特征，每个样本高程监测数据序列集中包括Q个样本高程监测数据序列，每个样本倾斜率监测数据序列集中包括P个样本倾斜率监测数据序列，每个样本沉降特征用于对预测历史时间窗口内目标变电站设备的基础沉降结果对应的沉降特征进行描述；
分解变压器构建模块14，用于基于N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集和N个样本沉降特征构建频率增强分解变压器；
监测沉降特征获得模块15，用于利用频率增强分解变压器对监测时间窗口内所述Q个水准仪的Q个高程监测数据序列和P个全站仪的P个倾斜率监测数据序列进行特征识别，获得监测沉降特征；
沉降预测结果获得模块16，用于基于监测沉降特征进行下沉故障映射匹配，获得所述目标变电站的基础沉降预测结果，其中，所述基础沉降预测结果包括目标变电站的预测下沉故障。
进一步的，所述监测阵列布设模块11用于执行如下步骤：
采集目标区域的地质信息进行特征识别，获得目标地质特征；
获取目标变电站设备的Y个子设备，采集所述Y个子设备的连接关系，生成Y1个连接点；
根据Y个子设备匹配沉降敏感性因子，获得Y个敏感性因子；
基于所述目标地质特征、Y1个连接点和Y个敏感性因子布设所述水准仪监测阵列和全站仪监测阵列。
进一步的，所述监测阵列布设模块11用于执行如下步骤：
分别采集Y个子设备的使用寿命进行可靠性分析，计算获得Y个子设备可靠性系数；
根据所述目标地质特征和Y个子设备可靠性系数进行监测装置数量约束映射，获得Y个水准仪布设数量阈值和Y个全站仪监测数量阈值；
基于Y1个连接点遍历所述Y个子设备确定Y个连接点集合；
分别计算Y个连接点集合中的连接点数量比上预设连接点数量，将计算结果与对应的水准仪布设数量阈值进行相乘，获得Y个水准仪布设数量；
根据Y个水准仪布设数量和Y个子设备布设水准仪监测阵列，其中，所述Y个水准仪布设数量之和为Q；
根据目标地质特征和Y个敏感性因子布设所述全站仪监测阵列。
进一步的，所述样本沉降特征获得模块13用于执行如下步骤：
采集所述目标区域的Q个水准仪初始布设时的高程监测数据和P个全站仪初始布设时的倾斜率监测数据，获得Q个初始高程监测数据和P个初始倾斜率监测数据；
按照预设调整方式对Q个历史高程监测数据序列和P个历史倾斜率监测数据序列进行调整，并按照第一约束条件对调整过程进行约束，获得待筛选Q个历史高程监测数据序列邻域和P个历史倾斜率监测数据序列邻域，其中，所述预设调整方式为按照预设幅度对监测数据进行调高或调低，所述第一约束条件为Q个历史高程监测数据序列邻域小于等于所述Q个初始高程监测数据中对应的初始高程监测数据和/或P个历史倾斜率监测数据序列邻域大于等于所述P个初始倾斜率监测数据中对应的初始倾斜率监测数据；
遍历所述待筛选Q个历史高程监测数据序列邻域和P个历史倾斜率监测数据序列邻域利用适应度计算公式获得多个高程适应度和多个倾斜率适应度，将适应度低于预设适应度的数据序列进行剔除，获得第一样本高程监测数据序列集、第一样本倾斜率监测数据序列集；
并将第一样本高程监测数据序列集、第一样本倾斜率监测数据序列集对应的预设调整方式加入禁忌空间的禁忌调整方式中，经过N次调整迭代，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集。
进一步的，所述样本沉降特征获得模块13用于执行如下步骤：
适应度计算公式：
=/>；
=/>；
其中，为高程适应度，/>为第i个历史高程监测数据序列，/>为第i个历史高程监测数据序列邻域中的任意一个历史高程监测数据序列，/>为倾斜率适应度，/>为第k个历史倾斜率监测数据序列，/>为第k个历史倾斜率监测数据序列邻域中的任意一个历史倾斜率监测数据序列。
进一步的，所述分解变压器构建模块14用于执行如下步骤：
所述频率增强分解变压器包括傅里叶增强模块，频率增强注意力层，编码器和解码器，特征识别网络层；
利用傅里叶增强模块对N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集进行频域映射；
将映射后的所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，以及对应的N个第一样本周期分量作为训练数据，对编码器进行监督训练，直至输出达到收敛，获得训练完成的所述编码器；
将所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，以及对应的N个样本第二周期分量和N个样本趋势项作为训练数据，对解码器进行监督训练，直至输出达到收敛，获得训练完成的所述解码器；
利用N个样本第一周期分量、N个样本第二周期分量和N个样本周期项训练频率增强注意力层；
将所述N个样本趋势项、N个样本周期项和N个样本沉降特征作为训练数据，对基于前馈神经网络构建的特征识别网络层进行监督训练，直至满足要求，获得所述特征识别网络层。
进一步的，所述分解变压器构建模块14用于执行如下步骤：
获取N个样本周期分量对应的N个样本周期项，并对N个样本周期项进行标识；
利用N个样本第一周期分量、N个样本第二周期分量和N个样本周期项对基于卷积神经网络构建的频率增强注意力层进行训练，并利用标识后的N个样本周期项对训练过程进行监督，根据输出结果对频率增强注意力层的网格参数进行更新，直至满足要求，获得所述频率增强注意力层；
利用所述频率增强注意力层连接所述编码器和解码器。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (6)

1.一种变电站设备基础沉降预测方法，其特征在于，所述方法应用于基础沉降预测系统，所述系统与水准仪监测阵列、全站仪监测阵列通信连接，所述方法包括：
在目标变电站设备所在的目标区域内布设水准仪监测阵列和全站仪监测阵列，其中，所述水准仪监测阵列包括Q个水准仪，所述全站仪监测阵列包括P个全站仪；
在预设历史时间窗口内遍历所述Q个水准仪和P个全站仪进行数据采集，获得Q个历史高程监测数据序列和P个历史倾斜率监测数据序列；
分别对所述Q个历史高程监测数据序列和P个历史倾斜率监测数据序列根据第一约束条件进行扩充寻优，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，并对应匹配N个样本沉降特征，每个样本高程监测数据序列集中包括Q个样本高程监测数据序列，每个样本倾斜率监测数据序列集中包括P个样本倾斜率监测数据序列，每个样本沉降特征用于对预测历史时间窗口内目标变电站设备的基础沉降结果对应的沉降特征进行描述；
基于N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集和N个样本沉降特征构建频率增强分解变压器；
利用频率增强分解变压器对监测时间窗口内所述Q个水准仪的Q个高程监测数据序列和P个全站仪的P个倾斜率监测数据序列进行特征识别，获得监测沉降特征；
基于监测沉降特征进行下沉故障映射匹配，获得所述目标变电站的基础沉降预测结果，其中，所述基础沉降预测结果包括目标变电站的预测下沉故障；
其中，所述基于N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集和N个样本沉降特征构建频率增强分解变压器，包括：
所述频率增强分解变压器包括傅里叶增强模块，频率增强注意力层，编码器和解码器，特征识别网络层；
利用傅里叶增强模块对N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集进行频域映射；
将映射后的所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，以及对应的N个第一样本周期分量作为训练数据，对编码器进行监督训练，直至输出达到收敛，获得训练完成的所述编码器；
将所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，以及对应的N个样本第二周期分量和N个样本趋势项作为训练数据，对解码器进行监督训练，直至输出达到收敛，获得训练完成的所述解码器；
利用N个样本第一周期分量、N个样本第二周期分量和N个样本周期项训练频率增强注意力层；
将所述N个样本趋势项、N个样本周期项和N个样本沉降特征作为训练数据，对基于前馈神经网络构建的特征识别网络层进行监督训练，直至满足要求，获得所述特征识别网络层；
获取N个样本周期分量对应的N个样本周期项，并对N个样本周期项进行标识；
利用N个样本第一周期分量、N个样本第二周期分量和N个样本周期项对基于卷积神经网络构建的频率增强注意力层进行训练，并利用标识后的N个样本周期项对训练过程进行监督，根据输出结果对频率增强注意力层的网格参数进行更新，直至满足要求，获得所述频率增强注意力层；
利用所述频率增强注意力层连接所述编码器和解码器。
2.如权利要求1所述的方法，其特征在于，所述在目标变电站设备所在的目标区域内布设水准仪监测阵列和全站仪监测阵列，所述方法还包括：
采集目标区域的地质信息进行特征识别，获得目标地质特征；
获取目标变电站设备的Y个子设备，采集所述Y个子设备的连接关系，生成Y1个连接点；
根据Y个子设备匹配沉降敏感性因子，获得Y个敏感性因子；
基于所述目标地质特征、Y1个连接点和Y个敏感性因子布设所述水准仪监测阵列和全站仪监测阵列。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
分别采集Y个子设备的使用寿命进行可靠性分析，计算获得Y个子设备可靠性系数；
根据所述目标地质特征和Y个子设备可靠性系数进行监测装置数量约束映射，获得Y个水准仪布设数量阈值和Y个全站仪监测数量阈值；
基于Y1个连接点遍历所述Y个子设备确定Y个连接点集合；
分别计算Y个连接点集合中的连接点数量比上预设连接点数量，将计算结果与对应的水准仪布设数量阈值进行相乘，获得Y个水准仪布设数量；
根据Y个水准仪布设数量和Y个子设备布设水准仪监测阵列，其中，所述Y个水准仪布设数量之和为Q；
根据目标地质特征和Y个敏感性因子布设所述全站仪监测阵列。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
采集所述目标区域的Q个水准仪初始布设时的高程监测数据和P个全站仪初始布设时的倾斜率监测数据，获得Q个初始高程监测数据和P个初始倾斜率监测数据；
按照预设调整方式对Q个历史高程监测数据序列和P个历史倾斜率监测数据序列进行调整，并按照第一约束条件对调整过程进行约束，获得待筛选Q个历史高程监测数据序列邻域和P个历史倾斜率监测数据序列邻域，其中，所述预设调整方式为按照预设幅度对监测数据进行调高或调低，所述第一约束条件为Q个历史高程监测数据序列邻域小于等于所述Q个初始高程监测数据中对应的初始高程监测数据和/或P个历史倾斜率监测数据序列邻域大于等于所述P个初始倾斜率监测数据中对应的初始倾斜率监测数据；
遍历所述待筛选Q个历史高程监测数据序列邻域和P个历史倾斜率监测数据序列邻域利用适应度计算公式获得多个高程适应度和多个倾斜率适应度，将适应度低于预设适应度的数据序列进行剔除，获得第一样本高程监测数据序列集、第一样本倾斜率监测数据序列集；
并将第一样本高程监测数据序列集、第一样本倾斜率监测数据序列集对应的预设调整方式加入禁忌空间的禁忌调整方式中，经过N次调整迭代，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
适应度计算公式：
其中，S1(Ai,Bi)为高程适应度，Ai为第i个历史高程监测数据序列，Bi为第i个历史高程监测数据序列邻域中的任意一个历史高程监测数据序列，S2(Ck,Dk)为倾斜率适应度，Ck为第k个历史倾斜率监测数据序列，Dk为第k个历史倾斜率监测数据序列邻域中的任意一个历史倾斜率监测数据序列。
6.一种变电站设备基础沉降预测系统，其特征在于，所述系统包括：
监测阵列布设模块，用于在目标变电站设备所在的目标区域内布设水准仪监测阵列和全站仪监测阵列，其中，所述水准仪监测阵列包括Q个水准仪，所述全站仪监测阵列包括P个全站仪；
监测数据序列获得模块，用于在预设历史时间窗口内遍历所述Q个水准仪和P个全站仪进行数据采集，获得Q个历史高程监测数据序列和P个历史倾斜率监测数据序列；
样本沉降特征获得模块，用于分别对所述Q个历史高程监测数据序列和P个历史倾斜率监测数据序列根据第一约束条件进行扩充寻优，获得N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，并对应匹配N个样本沉降特征，每个样本高程监测数据序列集中包括Q个样本高程监测数据序列，每个样本倾斜率监测数据序列集中包括P个样本倾斜率监测数据序列，每个样本沉降特征用于对预测历史时间窗口内目标变电站设备的基础沉降结果对应的沉降特征进行描述；
分解变压器构建模块，用于基于N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集和N个样本沉降特征构建频率增强分解变压器；
监测沉降特征获得模块，用于利用频率增强分解变压器对监测时间窗口内所述Q个水准仪的Q个高程监测数据序列和P个全站仪的P个倾斜率监测数据序列进行特征识别，获得监测沉降特征；
沉降预测结果获得模块，用于基于监测沉降特征进行下沉故障映射匹配，获得所述目标变电站的基础沉降预测结果，其中，所述基础沉降预测结果包括目标变电站的预测下沉故障；
所述分解变压器构建模块用于执行如下步骤：
所述频率增强分解变压器包括傅里叶增强模块，频率增强注意力层，编码器和解码器，特征识别网络层；
利用傅里叶增强模块对N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集进行频域映射；
将映射后的所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，以及对应的N个第一样本周期分量作为训练数据，对编码器进行监督训练，直至输出达到收敛，获得训练完成的所述编码器；
将所述N个样本高程监测数据序列集、N个样本倾斜率监测数据序列集，以及对应的N个样本第二周期分量和N个样本趋势项作为训练数据，对解码器进行监督训练，直至输出达到收敛，获得训练完成的所述解码器；
利用N个样本第一周期分量、N个样本第二周期分量和N个样本周期项训练频率增强注意力层；
将所述N个样本趋势项、N个样本周期项和N个样本沉降特征作为训练数据，对基于前馈神经网络构建的特征识别网络层进行监督训练，直至满足要求，获得所述特征识别网络层；
获取N个样本周期分量对应的N个样本周期项，并对N个样本周期项进行标识；
利用N个样本第一周期分量、N个样本第二周期分量和N个样本周期项对基于卷积神经网络构建的频率增强注意力层进行训练，并利用标识后的N个样本周期项对训练过程进行监督，根据输出结果对频率增强注意力层的网格参数进行更新，直至满足要求，获得所述频率增强注意力层；
利用所述频率增强注意力层连接所述编码器和解码器。
CN202311387988.7A 2023-10-25 2023-10-25 一种变电站设备基础沉降预测方法及系统 Active CN117114214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311387988.7A CN117114214B (zh) 2023-10-25 2023-10-25 一种变电站设备基础沉降预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311387988.7A CN117114214B (zh) 2023-10-25 2023-10-25 一种变电站设备基础沉降预测方法及系统

Publications (2)

Publication Number Publication Date
CN117114214A CN117114214A (zh) 2023-11-24
CN117114214B true CN117114214B (zh) 2024-01-05

Family

ID=88798853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311387988.7A Active CN117114214B (zh) 2023-10-25 2023-10-25 一种变电站设备基础沉降预测方法及系统

Country Status (1)

Country Link
CN (1) CN117114214B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744395A (zh) * 2021-11-08 2021-12-03 辽博信息科技(山东)有限公司 一种建筑地基沉降的监测预警方法及系统
CN114234912A (zh) * 2021-12-13 2022-03-25 广东洪实建设技术开发工程有限公司 一种基于物联网的建筑倾斜沉降监测采集预警设备系统
CN114742325A (zh) * 2022-05-26 2022-07-12 中国矿业大学(北京) 一种地铁隧道台阶法施工地表沉降预测方法及系统
CN115115123A (zh) * 2022-07-12 2022-09-27 国网山东省电力公司经济技术研究院 一种地基沉降预测系统和沉降预测方法
CN115200545A (zh) * 2022-07-14 2022-10-18 广东电网有限责任公司 一种基于无线数字传输技术的变电站沉降监测装置
CN115655208A (zh) * 2022-09-26 2023-01-31 国网辽宁省电力有限公司超高压分公司 变电站基座沉降检测方法、装置及电子设备、存储介质
CN116295245A (zh) * 2023-02-20 2023-06-23 国网浙江省电力有限公司湖州供电公司 一种基于传感器阵列的电力杆塔倾斜沉降监测方法及装置
CN116541653A (zh) * 2023-06-28 2023-08-04 青建集团股份公司 一种高大模板支撑体系沉降预测方法及系统
CN116757303A (zh) * 2022-09-19 2023-09-15 上海交通大学 一种沉降预测方法、系统和设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744395A (zh) * 2021-11-08 2021-12-03 辽博信息科技(山东)有限公司 一种建筑地基沉降的监测预警方法及系统
CN114234912A (zh) * 2021-12-13 2022-03-25 广东洪实建设技术开发工程有限公司 一种基于物联网的建筑倾斜沉降监测采集预警设备系统
CN114742325A (zh) * 2022-05-26 2022-07-12 中国矿业大学(北京) 一种地铁隧道台阶法施工地表沉降预测方法及系统
CN115115123A (zh) * 2022-07-12 2022-09-27 国网山东省电力公司经济技术研究院 一种地基沉降预测系统和沉降预测方法
CN115200545A (zh) * 2022-07-14 2022-10-18 广东电网有限责任公司 一种基于无线数字传输技术的变电站沉降监测装置
CN116757303A (zh) * 2022-09-19 2023-09-15 上海交通大学 一种沉降预测方法、系统和设备
CN115655208A (zh) * 2022-09-26 2023-01-31 国网辽宁省电力有限公司超高压分公司 变电站基座沉降检测方法、装置及电子设备、存储介质
CN116295245A (zh) * 2023-02-20 2023-06-23 国网浙江省电力有限公司湖州供电公司 一种基于传感器阵列的电力杆塔倾斜沉降监测方法及装置
CN116541653A (zh) * 2023-06-28 2023-08-04 青建集团股份公司 一种高大模板支撑体系沉降预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于时间序列模型的变电站沉降预测分析;张超;谢朋朋;;测绘与空间地理信息(第12期);全文 *
应用时间序列分析和非线性回归对沉降过程进行综合建模与预报;陈廷武;侯庆明;陈倬;;工程勘察(第10期);全文 *

Also Published As

Publication number Publication date
CN117114214A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
US11408797B2 (en) GIL fault on-line monitoring system based on vibration signals and support vector machine
CN101907437B (zh) 一种基于小波差分算法的电缆故障测距方法
CN101493491B (zh) 变电站地网缺陷综合诊断方法及其诊断系统
CN103439631B (zh) 接地网腐蚀状态检测方法及系统
CN107992447A (zh) 一种应用于河流水位预测数据的特征选择分解方法
CN111239549A (zh) 一种基于离散小波变换的配电故障快速定位方法
CN115293326A (zh) 电力负荷预测模型的训练方法、装置及电力负荷预测方法
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN102867421B (zh) 一种识别有效停车泊位占有率中离群数据的方法
CN106483920A (zh) 一种基于物联网的水处理综合自动化一体控制系统
Davarifar et al. Partial shading fault diagnosis in PV system with discrete wavelet transform (DWT)
CN110991815A (zh) 一种台区电力能量调度方法及系统
CN117114214B (zh) 一种变电站设备基础沉降预测方法及系统
CN116681186B (zh) 一种基于智能终端的用电质量分析方法及装置
CN113361782A (zh) 基于改进mkpls的光伏发电功率短期滚动预测方法
CN116771601A (zh) 基于温度感知的风电机组优化控制方法及系统
CN115684908A (zh) 用于电力gis设备的状态监测方法、存储介质及电子装置
CN113435065B (zh) 一种基于“黑箱”dc/dc变换器的等效阻抗建模方法
CN115267641A (zh) 同塔双回输电线路中电流互感器误差异常识别方法、系统
CN117609704B (zh) 一种基于神经网络模型的智能电表的电计量误差分析装置
CN112114215A (zh) 基于误差反向传播算法的变压器老化评估的方法及系统
CN117169770B (zh) 一种超级电容健康状态的在线监测方法及系统
CN117639107B (zh) 配电网电能质量评估方法及系统
CN116975389A (zh) 一种变电站故障分析方法及装置
CN117741347A (zh) 一种含分布式电源的配电网电能质量扰动检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant