CN117131947A - 架空输电线路故障预测方法、装置、设备及存储介质 - Google Patents
架空输电线路故障预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117131947A CN117131947A CN202311397698.0A CN202311397698A CN117131947A CN 117131947 A CN117131947 A CN 117131947A CN 202311397698 A CN202311397698 A CN 202311397698A CN 117131947 A CN117131947 A CN 117131947A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- overhead transmission
- fault
- evaluation index
- state evaluation
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 113
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000000528 statistical test Methods 0.000 claims description 5
- 241001465754 Metazoa Species 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000012854 evaluation process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 13
- 238000005457 optimization Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000012212 insulator Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
Abstract
本说明书涉及架空输电线路运维技术领域,提供了一种架空输电线路故障预测方法、装置、设备及存储介质,该方法包括:通过利用模糊层次分析法对架空输电线路的多个故障率影响因素进行分析,以降低评估过程中主观判断、多因素、模糊性等问题所带来的评价不准确问题;在此基础上,利用架空输电线路的故障历史数据和上述分析的分析结果构建的数据集训练机器学习模型,以获得架空输电线路故障预测模型,并利用训练出的架空输电线路故障预测模型对实际架空输电线路进行故障预测,从而提高了架空输电线路故障预测的预测准确性。
Description
技术领域
本说明书涉及架空输电线路运维技术领域,尤其是涉及一种架空输电线路故障预测方法、装置、设备及存储介质。
背景技术
架空输电线路是架设在地面之上,是用绝缘子将输电导线固定在直立于地面的杆塔上以传输电能的输电线路,是电网系统的重要组成部分。架空输电线路容易因自身部件或所受环境等的影响而引起故障;由于架空输电线路是高压线路,肩负大面积供电任务,一旦发生故障将对人们的生产和生活造成相对严重的影响。因此,准确预测架空输电线路故障,对于保障架空输电线的安全稳定运行等具有重要意义。
发明内容
本说明书实施例的目的在于提供一种架空输电线路故障预测方法、装置、设备及存储介质,以提高架空输电线路故障预测的预测准确性。
为达到上述目的,一方面,本说明书实施例提供了一种架空输电线路故障预测方法,包括:
根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,并据此形成数值映射关系表;
从多个架空输电线路的故障历史数据中提取所述多个故障影响因素对应的参数值;
从所述数值映射关系表中匹配所提取参数值对应的状态评价指标值,并根据匹配的状态评价指标值构建数据集;
根据所述数据集训练机器学习模型,以获得架空输电线路故障预测模型;
在每个预测时机到来时,采集目标架空输电线路的多个故障影响因素对应的参数值;
从所述数值映射关系表中匹配所采集的参数值对应的状态评价指标值;
将所采集的参数值对应的状态评价指标值输入至所述架空输电线路故障预测模型,以获得所述目标架空输电线路在所述预测时机下的故障概率。
本说明书实施例的架空输电线路故障预测方法中,所述多个故障影响因素包括:气象条件、线路组成部件、线路运维检修信息和其余因素;所述其余因素包括线路地形分布、线路所处环境的污秽程度、人为破坏和动物破坏。
本说明书实施例的架空输电线路故障预测方法中,所述根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,包括:
根据所述架空输电线路的多个故障影响因素构建多层级的运行状态评价指标体系;
根据层次分析法确定所述运行状态评价指标体系中各个指标的权重;
根据模糊综合评价法和所述各个指标的权重,确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值。
本说明书实施例的架空输电线路故障预测方法中,所述根据模糊综合评价法和所述各个指标的权重,确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,包括:
从所述运行状态评价指标体系的多个一级因素指标中,选择一个一级因素指标作为目标一级因素指标;
根据模糊统计试验法和三角分布法计算所述目标一级因素指标下的各个二级因素指标的隶属度;
根据所述目标一级因素指标下的各个二级因素指标的隶属度,形成二级模糊关系矩阵;
将所述二级模糊关系矩阵与所述目标一级因素指标下的各个二级因素指标的权重所形成的权重矩阵进行乘积运算,获得二级模糊评判矩阵;
将所述二级模糊评判矩阵与所述目标一级因素指标的权重进行乘积运算,获得所述目标一级因素指标在不同参数值下的状态评价指标值;
计算所述运行状态评价指标体系中其余一级因素指标在不同参数值下的状态评价指标值。
本说明书实施例的架空输电线路故障预测方法,还包括:
在根据所述数据集训练机器学习模型的过程中,基于启发式智能算法优化所述机器学习模型的模型参数。
本说明书实施例的架空输电线路故障预测方法中,所述启发式智能算法包括粒子群算法。
另一方面,本说明书实施例还提供了一种架空输电线路故障预测装置,包括:
确定模块,用于根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,并据此形成数值映射关系表;
提取模块,用于从多个架空输电线路的故障历史数据中提取所述多个故障影响因素对应的参数值;
构建模块,用于从所述数值映射关系表中匹配所提取参数值对应的状态评价指标值,并根据匹配的状态评价指标值构建数据集;
训练模块,用于根据所述数据集训练机器学习模型,以获得架空输电线路故障预测模型;
采集模块,用于在每个预测时机到来时,采集目标架空输电线路的多个故障影响因素对应的参数值;
匹配模块,用于从所述数值映射关系表中匹配所采集的参数值对应的状态评价指标值;
预测模块,用于将所采集的参数值对应的状态评价指标值输入至所述架空输电线路故障预测模型,以获得所述目标架空输电线路在所述预测时机下的故障概率。
另一方面,本说明书实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述方法的指令。
另一方面,本说明书实施例还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述方法的指令。
另一方面,本说明书实施例还提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述方法的指令。
由以上本说明书实施例提供的技术方案可见,本说明书实施例中,通过利用模糊层次分析法对架空输电线路的多个故障率影响因素进行分析,可以降低评估过程中主观判断、多因素、模糊性等问题所带来的评价不准确问题;在此基础上,利用架空输电线路的故障历史数据和上述分析的分析结果构建的数据集训练机器学习模型,以获得架空输电线路故障预测模型,并利用训练出的架空输电线路故障预测模型对实际架空输电线路进行故障预测,从而提高了架空输电线路故障预测的预测准确性;进一步地,基于准确预测的架空输电线路故障,可以有利于准确及时实施故障恢复措施,从而提高了架空输电线路的运行可靠性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,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说明书中记载的一些实施例,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。在附图中:
图1示出了本说明书一些实施例中架空输电线路故障预测的应用环境示意图;
图2示出了本说明书一些实施例中架空输电线路故障预测方法的流程图;
图3示出了图2所示方法中根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值的流程图;
图4示出了图2所示方法中根据模糊综合评价法和各个指标的权重,确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值的流程图;
图5示出了图2所示方法中在模型训练过程中基于启发式智能算法优化所述机器学习模型的模型参数的流程图;
图6示出了本说明书一些实施例中架空输电线路故障预测装置的结构框图;
图7示出了本说明书一些实施例中计算机设备的结构框图。
【附图标记说明】
10、客户端;
20、服务端;
61、确定模块;
62、提取模块;
63、构建模块;
64、训练模块;
65、采集模块;
66、匹配模块;
67、预测模块;
702、计算机设备;
704、处理器;
706、存储器;
708、驱动机构;
710、输入/输出接口;
712、输入设备;
714、输出设备;
716、呈现设备;
718、图形用户接口;
720、网络接口;
722、通信链路;
724、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
图1中示出了本说明书一些实施例中架空输电线路故障预测的应用环境示意图;该应用环境中包括客户端10和服务端20。基于客户端10的指令,服务端20可以根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,并据此形成数值映射关系表;从多个架空输电线路的故障历史数据中提取所述多个故障影响因素对应的参数值;从所述数值映射关系表中匹配所提取参数值对应的状态评价指标值,并根据匹配的状态评价指标值构建数据集;根据所述数据集训练机器学习模型,以获得架空输电线路故障预测模型;在每个预测时机到来时,采集目标架空输电线路的多个故障影响因素对应的参数值;从所述数值映射关系表中匹配所采集的参数值对应的状态评价指标值;将所采集的参数值对应的状态评价指标值输入至所述架空输电线路故障预测模型,以获得所述目标架空输电线路在所述预测时机下的故障概率。
在本说明书一些实施例中,所述客户端10可以为自助终端设备、移动终端(即智能手机)、显示器、台式电脑、平板电脑、笔记本电脑、数字助理或智能可穿戴设备等。其中,智能可穿戴设备可以包括智能手环、智能手表、智能眼镜或智能头盔等。当然,所述客户端10并不限于上述具有一定实体的电子设备,其还可以为运行于上述电子设备中的软件。
在本说明书一些实施例中,所述服务端20可以为具有运算和网络交互功能的电子设备;也可以为运行于该电子设备中,为数据处理和网络交互提供业务逻辑的软件。
此外,需要说明的是,图1所示的仅仅是本说明书提供的一种应用环境,在实际应用中,所述客户端10可以为多个,本说明书不做限制。
本说明书实施例提供了一种架空输电线路故障预测方法,可以应用于上述的服务端侧,参考图2所示,在本说明书一些实施例中,架空输电线路故障预测方法可以包括以下步骤:
步骤201、根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,并据此形成数值映射关系表。
步骤202、从多个架空输电线路的故障历史数据中提取所述多个故障影响因素对应的参数值。
步骤203、从所述数值映射关系表中匹配所提取参数值对应的状态评价指标值,并根据匹配的状态评价指标值构建数据集。
步骤204、根据所述数据集训练机器学习模型,以获得架空输电线路故障预测模型。
步骤205、在每个预测时机到来时,采集目标架空输电线路的多个故障影响因素对应的参数值。
步骤206、从所述数值映射关系表中匹配所采集的参数值对应的状态评价指标值;
步骤207、将所采集的参数值对应的状态评价指标值输入至所述架空输电线路故障预测模型,以获得所述目标架空输电线路在所述预测时机下的故障概率。
模糊层次分析法是层次分析法(Analytic Hierarchy Process,AHP)和模糊综合评价法(Fuzzy Comprehensive Evaluation ,FCE)的结合;以下将模糊层次分析法简称为AHP- FCE。其中,AHP是一种根据评价者的主观判断客观描述事物的方法。AHP的基本原理是对所要解决的问题进行层次梳理,根据各指标间隶属关系,建立层次结构模型。根据层次结构将模型划分为三层:目标层(又称最高层)、准则层(又称中间层)、指标层(又称最低层);可以由本领域专业人员根据他们自己的经验对各指标在同一层的重要程度进行比较,给出相应的标度;按照层次结构,获取各指标权重,并进行排序;最后根据排序所得的结果进行决策,制定相应的解决措施。
FCE是一种基于模糊数学的量化工具,即对事物进行综合评价的方法。该方法根据模糊数学理论将定性评价转化为定量评价。它具有系统性强,结果清晰的特点,能较好地解决难以量化的模糊问题,适合解决各种非确定性问题。因此,FCE是一种基于模糊理论,自下而上的多准则决策(MCDM)方法。其基本原理是:首先确定被评价对象和评价指标集;然后根据问题的实际情况,采用合理的方法确定隶属度函数;再根据最大隶属度原则,对模糊矩阵及其权重进行合成运算,最终确定模糊评判的结果。模糊综合评价法的基本步骤一般分为五个部分:确定被评价对象和评价指标集;构建评价等级集V;计算隶属度矩阵R;模糊合成运算;确定模糊评价结果。
AHP- FCE既能够克服AHP中指标不易量化等问题,又能避免FCE忽视指标权重等不足,从而可以进一步降低对象评估过程中主观判断、多因素、模糊性等问题所带来的评价不准确问题。
在本说明书的实施例中,通过利用模糊层次分析法对架空输电线路的多个故障率影响因素进行分析,可以降低评估过程中主观判断、多因素、模糊性等问题所带来的评价不准确问题;在此基础上,利用架空输电线路的故障历史数据和上述分析的分析结果构建的数据集训练机器学习模型,以获得架空输电线路故障预测模型,并利用训练出的架空输电线路故障预测模型对实际架空输电线路进行故障预测,从而提高了架空输电线路故障预测的预测准确性;进一步地,基于准确预测的架空输电线路故障,可以有利于准确及时实施故障恢复措施,从而提高了架空输电线路的运行可靠性。
在本说明书一些实施例中,所述多个故障影响因素可以包括:
(1)气象条件
气象条件主要是指架空输电线路所处地区的自然环境状况,包括温度(年均温度、最低温度、最高温度)、适度、风速、雷电活动频率以及覆雪覆冰情况。
(2)线路组成部件
架空输电线路主要由导线、地线、绝缘子(串)、线路金具、基础和接地装置组成,任意部件出现故障均属于线路故障,如导地线出现断股、金具磨损、塔材倾斜、基础沉降和绝缘子的污秽情况等。
(3)线路运维检修信息
线路运维检修信息可以包括架空输电线路的线路负载情况、运行温度、电晕情况以及检修记录等,线路定时运行维护旨在消除缺陷,提高设备健康水平,预防事故,保证线路安全运行。
(4)其余因素
其余因素例如包括线路地形分布、线路所处环境的污秽程度、人为破坏(例如违章作业、盗窃电力设备)和动物破坏(例如鸟类活动可能引起线路跳闸事故等)等。
此外,受自然环境、运行负荷和检修周期等的影响,运行超过一定年限的架空输电线路发生故障的概率相对较大,故障率较低的线路能够继续正常运行,但是经常发生故障的架空输电线路由于运维成本和安全风险的增加,不得不选择退役。如果只根据运行年限判断线路是否应该拆除重建,这样会带来巨大的经济损失,因此架空输电线路故障率预测,还可以有利于降低架空输电线路的运维成本和安全风险。
参考图3所示,在本说明书一些实施例中,根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,可以包括以下步骤:
步骤301、根据所述架空输电线路的多个故障影响因素构建多层级的运行状态评价指标体系。
如上文所述,引起架空输电线路故障的因素有很多,这些因素较为繁杂,难以直接采用定量的方法进行分析和评估,因此可以利用AHP建立多因素、多层次的评估体系。例如,本说明书一些实施例中,综合上述架空输电线路故障影响因素,可以利用AHP构建出如表1所示的输电线路的运行状态评价指标体系。
表1
表1所示的输电线路的运行状态评价指标体系包括4个一级指标及21个二级指标。可以把一级指标集U={U 1,U 2,U 3,U 4}设为准则层,把二级指标集E={E 1,E 2,…,E 21}设为指标层。
步骤302、根据层次分析法确定所述运行状态评价指标体系中各个指标的权重。
在步骤301的基础上,可以根据运行状态评价指标体系构建判断矩阵,并据此生成评价指标权重,然后对评价指标权重进行一致性检验;当未通过一致性检验时,可以更新判断矩阵,以更新评价指标权重,直至评价指标权重通过一致性检验为止。其中,评价指标权重包括各级指标对应的权重。
步骤303、根据模糊综合评价法和所述各个指标的权重,确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值。
参考图4所示,在本说明书一些实施例中,根据模糊综合评价法和所述各个指标的权重,确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,可以进一步包括如下步骤:
步骤401、从所述运行状态评价指标体系的多个一级因素指标中,选择一个一级因素指标作为目标一级因素指标。
步骤402、根据模糊统计试验法和三角分布法计算所述目标一级因素指标下的各个二级因素指标的隶属度。
本说明书的实施例中,表1所示的指标集中的指标因素可分成两类:定量指标与定性指标。输电线路定量指标的数值可通过查阅架空运行规程和设计规范总结得出,定性指标的量化评价主要来源于本领域专业人员的主观经验。
运用FCE法进行评估时,根据需要将设备状态的优劣程度划分为若干个等级,这些等级能够直接或者间接地反映出设备所处的状态信息。例如,可以根据线路评估的特点并结合输电领域专业人员的建议,将线路运行状态划分为四个等级即:“正常”、“注意”、“异常”、“严重”,分别对应优劣程度(等级):1、2、3、4(如下表2所示)。设评价语V为线路运行状态评价等级集合,则V={V 1,V 2,V 3,V 4}。
表2
本说明书的一些实施例中,采用三角形分布法确定线路状态评估中定量指标的隶属度,其优点是图形简单、便于计算。利用分布函数,建立一级指标与其相应评估等级之间的隶属度函数。
例如,气象条件等定量指标可经过本领域专业人员评估打分,从而获取得分评估情况。输电线路的组成部件等定性指标可采用模糊统计试验法计算隶属度。例如,可以预定义评价表并确定评估对象和评判指标依据,然后获取本领域专业人员的评判建议,从而根据本领域专业人员的评判建议确定各指标因素的隶属度。其中,指标隶属度的表达式为:
式中:rij表示指标i对评语j的隶属度,pij表示认为指标i属于评语j的本领域专业人员人数,ptotal表示评估本领域专业人员总人数。
步骤403、根据所述目标一级因素指标下的各个二级因素指标的隶属度,形成二级模糊关系矩阵。
本说明书的一些实施例中,可以利用三角分布法和模糊统计试验法求出各指标的隶属度以后,可得准则层中各因素的模糊关系矩阵R。以准则层U 1(即气象条件)为例,气象条件指标的判断矩阵为:
步骤404、将所述二级模糊关系矩阵与所述目标一级因素指标下的各个二级因素指标的权重所形成的权重矩阵进行乘积运算,获得二级模糊评判矩阵。
本说明书的一些实施例中,将模糊关系矩阵R和利用AHP确定的评价指标局部权重进行相乘运算,得到二级指标的模糊评判矩阵。
步骤405、将所述二级模糊评判矩阵与所述目标一级因素指标的权重进行乘积运算,获得所述目标一级因素指标在不同参数值下的状态评价指标值。
本说明书的一些实施例中,可以根据一级指标权重矩阵和二级模糊评判矩阵,计算出一级指标的模糊综合评判矩阵,则:
步骤406、判断是否存在未处理的一级因素指标;如果存在,则跳转执行步骤401,以继续处理;如果不存在,则表明已经完成运行状态评价指标体系中所有一级因素在不同参数值下的状态评价指标值的计算,从而可以结束本部分的处理。
根据上文的分析,线路故障率的大小与气象条件、架空线路组成部件、线路运行检修和运行年限之间存在不确定的函数关系。因此,本说明书实施例中可以采用训练机器学习模型的方式,以获得预测准确性更高的架空输电线路故障预测模型。
在根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,可以建立一个数值映射关系表。在此基础上,可以从多个架空输电线路的故障历史数据中提取这些故障影响因素对应的参数值,并根据数值映射关系表中的数值映射关系,得到所提取参数值对应的状态评价指标值;并据此构建用于上述模型训练的数据集。
本说明书的一些实施例中,数据集中的数据样本可以是带有故障率分类标记的样本数据。通常情况下,不同电压等级的架空输电线路的故障率差异较大,因此在采集训练样本数据时,应使用相同电压等级下的故障率数据。为了后文更精确的计算线路维修成本和故障成本,本说明书实施例中,根据故障造成的后果将故障类型划分为三类,具体说明如下表3。
表3
对应的,在预测时可以输出目标架空输电线路在预测时机下对应于每类故障类型下的故障概率。
本说明书另一些实施例中,在获得每条架空输电线路的故障概率的基础上,还可以进一步统计不同类架空输电线路的故障概率。例如,可以将运行时间、气象条件、输电线路组成部件、运维检修状况和其他因素评分都相同或基本相同的线路统称为“同类线路”,如此,还可以统计同类线路的故障率。定义同类线路故障率为每一百公里长的线路在一年运行过程中发生故障的次数,计算时应根据故障后果对各类故障进行分类统计,可按下式计算:
式中:为同类型线路第i年发生p级故障的故障率;/>为同类型线路第i年发生p级故障的次数,l表示该类型线路总长度。
上述模型训练所使用的机器学习模型可以按需自定义。例如,在本说明书一些实施例,机器学习模型可以采用最小二乘支持向量机(LSSVM)模型。
设给定一组训练集,其中/>表示输入向量,/>属于输出值,N为训练样本容量。LSSVM利用结构风险最小化准则构造最小化目标函数,优化目标为:
约束条件为:
式中:W为权重,为误差项,C为惩罚系数,/>非线性变换映射函数,用于将输入样本数据映射到高纬特征空间,b为偏值。
引入拉格朗日函数:
式中:为拉格朗日乘子,根据KKT(Karush-Kuhn-Tucker)条件得:
对于上式,消除W和,得到如下线性方程组:
式中,,i,j=1,2,…,n,是高维特征空间的内积。
因此,LSSVM的优化问题就转化为求解上述线性方程的问题,且该线性方程组可以用最小二乘的方法求解,得到LSSVM的回归函数为:
在本说明书一些实施例中,在根据所述数据集训练机器学习模型的过程中,还可以基于启发式智能算法优化所述机器学习模型的模型参数。在模型训练过程中的参数优化中,与盲目性搜索算法相比,基于启发式智能算法优化机器学习模型的模型参数,更加高效,从而有利于提高模型训练效率。
例如,在一示例性实施例中,在根据所述数据集训练机器学习模型的过程中,可以基于粒子群算法(Particle Swarm Optimization,PSO)优化LSSVM模型的模型参数。其中,采用PSO优化LSSVM模型的模型参数的处理过程可以如图5所示。
在图5所示的优化流程中,数据归一化即为对多个架空输电线路的历史数据进行归一化处理,数据归一化处理的公式可以为:
其中,为第i个参数的归一化参数值,/>第i个参数的参数值,/>为第i个参数的最小参数值,/>为第i个参数的最大参数值。
在图5所示的优化流程中,初始化PSO是指初始化PSO参数,设置相关参数是指对LSSVM参数进行初始化设置。其中,初始化PSO参数主要包括:设置种群规模(例如d=30),迭代次数(例如k=500),加速因子(例如c1=c2=2,惯性权重变化规则(例如将惯性权重ω设置为0.9到0.4线性缩减)等。对LSSVM参数进行初始化设置主要包括:设惩罚因子C(例如C=100),核函数带宽σ(例如σ=2.5)等。
在图5所示的优化流程中,可以根据以下公式计算适应度值(包括初始适应度):
式中:l为样本数量;y i 为线路故障率实际值,为线路故障率预测值。
在图5所示的优化流程中,若把C=100,σ=2.5作为初始解,此时计算出的适应度值记为当前全局最优解,C和σ作为参数继续寻优(即进行迭代寻优)。在迭代寻优的过程中,可以根据如下所示的公式13和公式14更新粒子速度和位置,并记录个体最优解和全局最优解。
其中,为第i个粒子在k+1时刻的速度,ω为惯性权重,/>为第i个粒子在k时刻的速度,η 1 和η 2 为随机系数(取值在0~1),/>为第i个粒子在k时刻本粒子历史最优位置,为k时刻种群内所有粒子中当前最优位置,/>为第i个粒子在k时刻的所处位置,为第i个粒子在k+1时刻的所处位置。
在图5所示的优化流程中,将全局最优解C和σ赋值给LSSVM模型,以获得架空输电线路故障预测模型,从而用于后续对架空输电线路的故障率进行预测。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
与上述的空输电线路故障预测方法对应,本说明书实施例还提供了一种空输电线路故障预测装置,其可以配置于上述的服务端上,参考图6所示,在本说明书一些实施例中,空输电线路故障预测装置可以包括:
确定模块61,用于根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,并据此形成数值映射关系表;
提取模块62,用于从多个架空输电线路的故障历史数据中提取所述多个故障影响因素对应的参数值;
构建模块63,用于从所述数值映射关系表中匹配所提取参数值对应的状态评价指标值,并根据匹配的状态评价指标值构建数据集;
训练模块64,用于根据所述数据集训练机器学习模型,以获得架空输电线路故障预测模型;
采集模块65,用于在每个预测时机到来时,采集目标架空输电线路的多个故障影响因素对应的参数值;
匹配模块66,用于从所述数值映射关系表中匹配所采集的参数值对应的状态评价指标值;
预测模块67,用于将所采集的参数值对应的状态评价指标值输入至所述架空输电线路故障预测模型,以获得所述目标架空输电线路在所述预测时机下的故障概率。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
需要说明的是,本说明书的实施例中,所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权同意且经过各方充分授权的信息和数据。
本说明书的实施例还提供一种计算机设备。如图7所示,在本说明书一些实施例中,所述计算机设备702可以包括一个或多个处理器704,诸如一个或多个中央处理单元(CPU)或图形处理器(GPU),每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706,其用于存储诸如代码、设置、数据等之类的任何种类的信息,一具体实施例中,存储器706上并可在处理器704上运行的计算机程序,所述计算机程序被所述处理器704运行时,可以执行上述任一实施例所述的空输电线路故障预测方法的指令。非限制性的,比如,存储器706可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下,当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备702还可以包括输入/输出接口710(I/O),其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714)。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口718(GUI)。在其他实施例中,还可以不包括输入/输出接口710(I/O)、输入设备712以及输出设备714,仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720,其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。
通信链路722可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务端等的任何组合。
本申请是参照本说明书一些实施例的方法、设备(系统)、计算机可读存储介质和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器,使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理器上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算机设备访问的信息。按照本说明书中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
还应理解,在本说明书实施例中,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,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本说明书实施例中字符“/”,一般表示前后关联对象是一种“或”的关系。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (10)
1.一种架空输电线路故障预测方法,其特征在于,包括:
根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,并据此形成数值映射关系表;
从多个架空输电线路的故障历史数据中提取所述多个故障影响因素对应的参数值;
从所述数值映射关系表中匹配所提取参数值对应的状态评价指标值,并根据匹配的状态评价指标值构建数据集;
根据所述数据集训练机器学习模型,以获得架空输电线路故障预测模型;
在每个预测时机到来时,采集目标架空输电线路的多个故障影响因素对应的参数值;
从所述数值映射关系表中匹配所采集的参数值对应的状态评价指标值;
将所采集的参数值对应的状态评价指标值输入至所述架空输电线路故障预测模型,以获得所述目标架空输电线路在所述预测时机下的故障概率。
2.如权利要求1所述的架空输电线路故障预测方法,其特征在于,所述多个故障影响因素包括:气象条件、线路组成部件、线路运维检修信息和其余因素;所述其余因素包括线路地形分布、线路所处环境的污秽程度、人为破坏和动物破坏。
3.如权利要求1所述的架空输电线路故障预测方法,其特征在于,所述根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,包括:
根据所述架空输电线路的多个故障影响因素构建多层级的运行状态评价指标体系;
根据层次分析法确定所述运行状态评价指标体系中各个指标的权重;
根据模糊综合评价法和所述各个指标的权重,确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值。
4.如权利要求3所述的架空输电线路故障预测方法,其特征在于,所述根据模糊综合评价法和所述各个指标的权重,确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,包括:
从所述运行状态评价指标体系的多个一级因素指标中,选择一个一级因素指标作为目标一级因素指标;
根据模糊统计试验法和三角分布法计算所述目标一级因素指标下的各个二级因素指标的隶属度;
根据所述目标一级因素指标下的各个二级因素指标的隶属度,形成二级模糊关系矩阵;
将所述二级模糊关系矩阵与所述目标一级因素指标下的各个二级因素指标的权重所形成的权重矩阵进行乘积运算,获得二级模糊评判矩阵;
将所述二级模糊评判矩阵与所述目标一级因素指标的权重进行乘积运算,获得所述目标一级因素指标在不同参数值下的状态评价指标值;
计算所述运行状态评价指标体系中其余一级因素指标在不同参数值下的状态评价指标值。
5.如权利要求1所述的架空输电线路故障预测方法,其特征在于,还包括:
在根据所述数据集训练机器学习模型的过程中,基于启发式智能算法优化所述机器学习模型的模型参数。
6.如权利要求5所述的架空输电线路故障预测方法,其特征在于,所述启发式智能算法包括粒子群算法。
7.一种架空输电线路故障预测装置,其特征在于,包括:
确定模块,用于根据模糊层次分析法确定架空输电线路的多个故障影响因素在不同参数值下的状态评价指标值,并据此形成数值映射关系表;
提取模块,用于从多个架空输电线路的故障历史数据中提取所述多个故障影响因素对应的参数值;
构建模块,用于从所述数值映射关系表中匹配所提取参数值对应的状态评价指标值,并根据匹配的状态评价指标值构建数据集;
训练模块,用于根据所述数据集训练机器学习模型,以获得架空输电线路故障预测模型;
采集模块,用于在每个预测时机到来时,采集目标架空输电线路的多个故障影响因素对应的参数值;
匹配模块,用于从所述数值映射关系表中匹配所采集的参数值对应的状态评价指标值;
预测模块,用于将所采集的参数值对应的状态评价指标值输入至所述架空输电线路故障预测模型,以获得所述目标架空输电线路在所述预测时机下的故障概率。
8.一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311397698.0A CN117131947B (zh) | 2023-10-26 | 2023-10-26 | 架空输电线路故障预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311397698.0A CN117131947B (zh) | 2023-10-26 | 2023-10-26 | 架空输电线路故障预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131947A true CN117131947A (zh) | 2023-11-28 |
CN117131947B CN117131947B (zh) | 2024-03-15 |
Family
ID=88854957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311397698.0A Active CN117131947B (zh) | 2023-10-26 | 2023-10-26 | 架空输电线路故障预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131947B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680254A (zh) * | 2015-02-14 | 2015-06-03 | 浙江大学 | 一种基于综合成本模型的电网规划方案优选方法 |
WO2018053935A1 (zh) * | 2016-09-20 | 2018-03-29 | 西南石油大学 | 一种采用故障模式发生概率的动设备运行状态模糊评价及预测方法 |
CN110826842A (zh) * | 2019-09-09 | 2020-02-21 | 天津大学 | 一种台风场景下的配电网风险控制方法 |
CN111523699A (zh) * | 2020-03-23 | 2020-08-11 | 江苏中堃数据技术有限公司 | 一种基于综合状态健康度的架空线路故障概率预测方法 |
-
2023
- 2023-10-26 CN CN202311397698.0A patent/CN117131947B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680254A (zh) * | 2015-02-14 | 2015-06-03 | 浙江大学 | 一种基于综合成本模型的电网规划方案优选方法 |
WO2018053935A1 (zh) * | 2016-09-20 | 2018-03-29 | 西南石油大学 | 一种采用故障模式发生概率的动设备运行状态模糊评价及预测方法 |
CN110826842A (zh) * | 2019-09-09 | 2020-02-21 | 天津大学 | 一种台风场景下的配电网风险控制方法 |
CN111523699A (zh) * | 2020-03-23 | 2020-08-11 | 江苏中堃数据技术有限公司 | 一种基于综合状态健康度的架空线路故障概率预测方法 |
Non-Patent Citations (1)
Title |
---|
常安;钱海;王奇;林冰垠;邓红雷;: "一种高压输电架空线路综合专家系统的设计", 电气应用, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN117131947B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN113887846B (zh) | 一种电容式电压互感器的超差风险预警方法 | |
CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
CN115114128B (zh) | 一种卫星健康状态评估系统及评估方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
Messinis et al. | Unsupervised classification for non-technical loss detection | |
CN111126868A (zh) | 一种道路交通事故发生风险确定方法及系统 | |
Hou et al. | Damage prediction of 10 kV power towers in distribution network under typhoon disaster based on data-driven model | |
CN114611372A (zh) | 一种基于物联网边缘计算的工业设备健康预测方法 | |
Hou et al. | Spatial distribution assessment of power outage under typhoon disasters | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
CN113837473A (zh) | 基于bp神经网络的充电设备故障率分析系统和方法 | |
CN112541636A (zh) | 输电线路覆冰风险预警方法、装置、介质和电子设备 | |
CN114254806A (zh) | 配电网重过载预警方法、装置、计算机设备和存储介质 | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
CN115186964A (zh) | 计及主观评估数据的配电网线路风险预测系统及方法 | |
CN118278914A (zh) | 一种基于gis系统设备故障抢修的实现方法 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
CN117131947B (zh) | 架空输电线路故障预测方法、装置、设备及存储介质 | |
CN115146715B (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN113408816B (zh) | 一种基于深度神经网络的电网灾情评估方法 |
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 |