CN117421998A - 一种基于多模态数据的输电架空线路健康状态评估系统 - Google Patents

一种基于多模态数据的输电架空线路健康状态评估系统 Download PDF

Info

Publication number
CN117421998A
CN117421998A CN202311735103.8A CN202311735103A CN117421998A CN 117421998 A CN117421998 A CN 117421998A CN 202311735103 A CN202311735103 A CN 202311735103A CN 117421998 A CN117421998 A CN 117421998A
Authority
CN
China
Prior art keywords
data
module
power transmission
overhead line
transmission overhead
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
Application number
CN202311735103.8A
Other languages
English (en)
Other versions
CN117421998B (zh
Inventor
李智威
孔娟
王巍
方钊
陈理
张洪
张赵阳
孙利平
贺兰菲
廖晓红
邵芳
蔡杰
周蠡
马莉
陈然
周英博
熊川羽
舒思睿
张童彦
熊一
许汉平
杨龙
徐乐平
卢银均
陈克勇
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 Hubei Electric Power Co Ltd
State Grid Economic and Technological Research Institute
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Hubei Electric Power Co Ltd
State Grid Economic and Technological Research Institute
Economic and Technological Research Institute of State Grid Hubei 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 State Grid Hubei Electric Power Co Ltd, State Grid Economic and Technological Research Institute, Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Hubei Electric Power Co Ltd
Priority to CN202311735103.8A priority Critical patent/CN117421998B/zh
Publication of CN117421998A publication Critical patent/CN117421998A/zh
Application granted granted Critical
Publication of CN117421998B publication Critical patent/CN117421998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种基于多模态数据的输电架空线路健康状态评估系统，包括多模态数据获取模块、多模态数据处理模块、健康状态判断模块与复检模块；本设计在应用中，通过对输变电线路运行数据的多模态采集，全面反映线路的基本状态，并基于深度学习的电流与图像模型实现智能分析与状态监测，实现高度的智能自动化，同时多模态数据融合提高了评估结果的准确性与完整性，而层次分析法修正权重，平衡了人为主观因素对评估结果的影响，并结合复检模块，实时更新评估结果，及时高效的实现对输电架空线路的健康状态评估。

Description

一种基于多模态数据的输电架空线路健康状态评估系统
技术领域
本发明涉及一种健康评估系统，属于配电网健康评估领域，尤其涉及一种基于多模态数据的输电架空线路健康状态评估系统。
背景技术
输电架空线路作为电力运输中的重要组成部分，是电源与用户之间的“桥梁”，其运行状态会直接影响到整个电力系统的安全性和可靠性，然而输电架空线路往往直接安装在自然环境下，易受冻寒、强风、降雪等恶劣天气的影响，导致其出现不同程度的磨损或毁坏，通过对输电架空线路进行状态评估，就可以掌握其运行状态，及时发现故障隐患，延长输电架空线路的使用寿命，提高资产利用率。
而随着电力系统规模的不断扩大，对输电架空线路的运维检修提出了更高的要求，传统的临时检修和计划检修需要人员进行实地巡检、定位故障，然后再进行维修，这需要耗费大量的时间和人力资源，并且经常需要在恶劣的天气条件下进行工作，在检修时还需要切断供电，对用户造成极大的不便，不仅效率低下，同时也无法及时的发现和解决问题，存在一定的滞后性。
公开该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的是克服现有技术中存在的上述缺陷与问题，提供一种及时高效的一种基于多模态数据的输电架空线路健康状态评估系统。
为实现以上目的，本发明的技术解决方案是：一种基于多模态数据的输电架空线路健康状态评估系统，包括：
多模态数据获取模块，用于获取输电架空线路部件的电流数据与图像数据，并构建输电架空线路的健康状态指标；
多模态数据处理模块，用于利用神经网络模型分别针对电流数据与图像数据进行故障特征的识别判断，获得电流与图像的故障特征向量，并将电流与图像的故障特征向量合并形成为综合特征向量；
健康状态判断模块，用于基于综合特征向量，构建层次分析模型对输电架空线路的健康状态进行判断，输出输电架空线路的健康状态等级；
复检模块，用于基于健康状态等级，对故障部件进行复检，并将复检结果更新至多模态数据处理模块中进行数据更新。
所述多模态数据获取模块包括数据获取子模块与评价指标构建子模块；
所述数据获取子模块，用于基于传感器获取输电架空线路部件的电流数据与图像数据；
所述评价指标构建子模块，用于基于电流数据与图像数据，构建健康状态指标。
所述电流数据包括：绝缘子漏电数据、导线异常电流数据、电阻数据、地线短路数据；
所述图像数据包括：杆塔倾斜数据、杆塔表面脱落及锈蚀数据、金具锈蚀数据、销子短缺数据、导线风偏角数据；
所述健康状态指标包括：杆塔健康状态指标、绝缘子健康状态指标、金具健康状态指标、导线健康状态指标、地线健康状态指标。
所述多模态数据处理模块包括电流数据处理模块、图像数据处理模块与多模态数据融合模块；
所述电流数据处理模块，用于基于电流数据，构建历史电流数据集，并使用历史电流数据集进行神经网络训练，构建电流数据神经网络模型，然后基于电流数据神经网络模型对输入的电流数据进行异常判断，获得电流故障特征向量；
所述图像数据处理模块，用于基于图像数据，构建历史图像数据集，并使用历史图像数据集进行神经网络训练，构建图像数据神经网络模型，然后基于图像数据神经网络模型对输入的图像数据进行异常判断，获得图像故障特征向量；
所述多模态数据融合模块，用于对电流故障特征向量与图像故障特征向量进行合并处理，形成为综合特征向量。
所述电流数据神经网络模型为基于Bi-LSTM的循环神经网络模型，其用于根据以下步骤获得电流故障特征向量：
首先，收集正常与异常的电流数据，构建形成历史电流数据集，并对历史电流数据集进行标注，标注目标为电流数据所代表的正常或异常的状态；
然后，利用上述数据训练Bi-LSTM的循环神经网络模型，使其具备分类与判断能力；
最后，对输入的电流数据进行分类与判断异常，并将判断结果合成为包含部件类别、故障类别与异常等级的电流故障特征向量。
所述图像数据神经网络模型为基于YOLOv5的卷积神经网络模型，其用于根据以下步骤获得图像故障特征向量；
首先，对获取的图像数据进行标注，标注目标为目标类别与异常状态，标注对象为输电架空线路部件，标注内容为各部件的类型、图像位置及异常等级；
然后，利用上述数据训练YOLOv5的卷积神经网络模型，使其具备识别与判断能力；
最后，对输入的图像数据进行异常判断，并将判断结果合成为包含部件类别、故障类别与异常等级的图像故障特征向量。
所述健康状态判断模块包括层次分析模型构建模块、矩阵分析模块与健康状态分析模块；
所述层次分析模型构建模块，用于构建层次分析模型，所述构建层次分析模型上层为输电架空线路健康状态等级，中间层为评价指标，下层为指标等级；
所述矩阵分析模块，用于基于层次分析模型构建判断矩阵，求解综合特征向量；
所述健康状态分析模块，用于对综合特征向量进行赋值，并计算获得输电架空线路的健康状态等级。
所述矩阵分析模块，用于根据以下步骤求解综合特征向量；
S1、将层次分析模型中同一层内的元素进行比较，采用基于自然指数的标度确定主观权重，构建判断矩阵/>；所述判断矩阵表达式如下：
；
其中：为第/>个因素相对于第/>个因素的比较结果；
S2、计算判断矩阵每行元素乘积的n次方根，其表达式如下：
；
S3、将进行归一化处理，其表达式如下：
；
其中：为判断矩阵的综合特征向量。
所述健康状态分析模块，用于根据以下步骤获得输电架空线路的健康状态等级；
S4、将每个评价指标下设立若干个等级，分别对应不同的故障程度，并对其赋予分值，用表征综合特征向量对应的指标等级；
其中：为评价指标，/>为不同的指标等级；
S5、根据综合特征向量获得每个评价指标所对应的指标等级分数，其表达式如下：
；
其中：、/>、/>均为评价指标对应的指标等级分数的分值；
S6、计算输电架空线路的健康状态分值的表达式如下：
；
S7、根据输电架空线路的健康状态分值以及分值对应的等级，即可获得输电架空线路的健康状态等级。
所述复检模块包括故障复检模块与传感器复检模块；
所述故障复检模块，用于根据健康状态等级分析判断出存在故障的健康状态指标；
所述传感器复检模块，用于根据存在故障的健康状态指标重复获取故障部件的电流数据或图像数据进行复检，并将复检结果传输至多模态数据处理模块中进行数据更新。
与现有技术相比，本发明的有益效果为：
1、本发明一种基于多模态数据的输电架空线路健康状态评估系统中，包括多模态数据获取模块、多模态数据处理模块、健康状态判断模块与复检模块；本设计在应用中，通过对输变电线路运行数据的多模态采集，全面反映线路的基本状态，并基于深度学习的电流与图像模型实现智能分析与状态监测，实现高度的智能自动化，同时多模态数据融合提高了评估结果的准确性与完整性，而层次分析法修正权重，平衡了人为主观因素对评估结果的影响，并结合复检模块，实时更新评估结果，及时高效的实现对输电架空线路的健康状态评估。
2、本发明一种基于多模态数据的输电架空线路健康状态评估系统中，通过可视化的图像数据，使复杂的线路状态以可视化的形式呈现，有利于对状态判断，并且可以大大降低人为主观因素的影响，提高评估结果的精准度。因此，本发明的精准度较高。
附图说明
图1是本发明的结构示意图。
图2是本发明中的多模态数据获取模块的结构示意图。
图3是本发明中的多模态数据处理模块的结构示意图。
图4是本发明中的健康状态判断模块的结构示意图。
图5是本发明中的复检模块的结构示意图。
图6是本发明中的评估系统结构示意图。
图7是本发明中的评估技术路线示意图。
图8是本发明中的监测指标判断矩阵示意图。
图中：多模态数据获取模块1、数据获取子模块11、评价指标构建子模块12、多模态数据处理模块2、电流数据处理模块21、图像数据处理模块22、多模态数据融合模块23、健康状态判断模块3、层次分析模型构建模块31、矩阵分析模块32、健康状态分析模块33、复检模块4、故障复检模块41、传感器复检模块42、健康状态可视化模块5、历史数据存储模块6。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1-图6，一种基于多模态数据的输电架空线路健康状态评估系统，包括：
多模态数据获取模块1，用于获取输电架空线路部件的电流数据与图像数据，并构建输电架空线路的健康状态指标；
进一步的，所述多模态数据获取模块1包括数据获取子模块11与评价指标构建子模块12；
所述数据获取子模块11，用于基于传感器获取输电架空线路部件的电流数据与图像数据；
所述电流数据包括：绝缘子漏电数据、导线异常电流数据、电阻数据、地线短路数据；所述图像数据包括：杆塔倾斜数据、杆塔表面脱落及锈蚀数据、金具锈蚀数据、销子短缺数据、导线风偏角数据；
优选的，所述传感器包括电流传感器、接地电阻传感器和无人机摄像头；
其中，电流传感器用来测量绝缘子漏电情况、导线异常电流情况；
接地电阻传感器用来采集接地电阻情况和地线短路情况；
无人机摄像头用来采集杆塔倾斜情况，杆塔表面脱落、锈蚀情况，合成绝缘子破损老化情况，金具锈蚀情况，销子短缺情况，导线的风偏角度情况等图像。
对于上述架空输电线路各部件是否存在异常，可以参考现有技术中的相关评价标准。
所述评价指标构建子模块12，用于基于电流数据与图像数据，构建健康状态指标；
所述健康状态指标包括：杆塔健康状态指标、绝缘子健康状态指标、金具健康状态指标、导线健康状态指标、地线健康状态指标。
优选的，针对的输电架空线路的主要部件为杆塔、绝缘子、金具、导线和地线，每个部件的健康状态均由两个指标决定。
其中，杆塔健康状态指标为：杆塔倾斜情况和杆塔表面脱落、锈蚀情况；
绝缘子健康状态指标为：合成绝缘子破损、老化情况和绝缘子漏电情况；
金具健康状态指标为：金具锈蚀情况和销子短缺情况；
导线健康状态指标为：导线的风偏角度情况和导线异常电流情况；
地线健康状态指标为：接地电阻情况和地线短路情况。
多模态数据处理模块2，用于利用神经网络模型分别针对电流数据与图像数据进行故障特征的识别判断，获得电流与图像的故障特征向量，并将电流与图像的故障特征向量合并形成为综合特征向量；
进一步的，所述多模态数据处理模块2包括电流数据处理模块21、图像数据处理模块22与多模态数据融合模块23；
所述电流数据处理模块21，用于基于电流数据，构建历史电流数据集，并使用历史电流数据集进行神经网络训练，构建电流数据神经网络模型，然后基于电流数据神经网络模型对输入的电流数据进行异常判断，获得电流故障特征向量；
所述电流数据神经网络模型为基于Bi-LSTM的循环神经网络模型，电流数据属于时间序列数据，Bi-LSTM模型通过记忆时间步信息，能有效挖掘时间序列的特征，其用于根据以下步骤获得电流故障特征向量：
首先，通过夹式电流传感器收集正常与异常的电流数据，构建形成历史电流数据集，并对历史电流数据集进行标注，标注目标为电流数据所代表的正常或异常的状态；
然后，利用上述数据训练Bi-LSTM的循环神经网络模型，使其具备分类与判断能力；模型需要学习电流数据的模式和规律，以便在新的输入数据中识别出异常；
最后，对输入的电流数据进行分类与判断异常，并将判断结果合成为包含部件类别、故障类别与异常等级的电流故障特征向量。
所述图像数据处理模块22，用于基于图像数据，构建历史图像数据集，并使用历史图像数据集进行神经网络训练，构建图像数据神经网络模型，然后基于图像数据神经网络模型对输入的图像数据进行异常判断，获得图像故障特征向量；
所述图像数据神经网络模型为基于YOLOv5的卷积神经网络模型，其用于根据以下步骤获得图像故障特征向量；
首先，对摄像头或无人机获取的图像数据进行标注，标注目标为目标类别与异常状态，标注对象为输电架空线路部件，标注内容为各部件的类型、图像位置及异常等级；
然后，利用上述数据训练YOLOv5的卷积神经网络模型，使其具备识别与判断能力；
识别能力是指：具备识别输电架空线路各个部件的能力，并且能够根据新输入的图像数据准确地定位和标识出每个部件；
判断能力是指：具备判断各部件的异常情况，给出相应的异常等级。
最后，对输入的图像数据进行异常判断，并将判断结果合成为包含部件类别、故障类别与异常等级的图像故障特征向量。
所述多模态数据融合模块23，用于对电流故障特征向量与图像故障特征向量进行合并处理，形成为综合特征向量。
优选的，在获取到两个网络模型的结果之后，结合接地电阻传感器采集到的数值数据，对所有数据进行预处理。
为了确保这些数据具有相同的尺度和范围，进行归一化、标准化等预处理操作，并将预处理之后的数据进行拼接，形成一个综合的特征向量，此综合特征向量包含了无人机采集的图像数据、电流传感器采集的电流数据以及接地电阻传感器采集的数值数据的信息，将其与部件类别信息、故障类别信息和故障等级信息统一存储在同一个向量中，具有以下特点：
综合性：综合特征向量包含了多源异构数据的信息，既包括了图像数据中各个部件的类别和故障等级，也包括了电流数据和数值数据的状态，综合性更好地反映了输电架空线路的健康状态。
上下文关联性：由于图像数据、电流数据和数值数据在同一个特征向量中，可以更好地捕捉它们之间的上下文关联，有助于更精确地判断输电线路的健康状态。
一致性：特征向量的格式是统一的，每个部件的信息都以相同的方式表示，保持了数据的一致性，方便后续的处理和分析。
通过多源异构数据融合，不仅可以得到各单独数据源的原有信息，而且可以产生新的效果，反映出设施的综合健康状况和故障程度，例如：
图像数据可以得到部件的外部状态，电流数据可以判断绝缘子是否漏电，两者结合可以判断该漏电是否由绝缘子外部损坏引起。
图像数据可以得到导线的风偏角，电流数据可以检测出导线的异常电流情况，两者结合可以判断异常电流是否是由于导线风偏导致的。
将导线表面图像和温度数据结合，可以判断导线的过热情况是否由表面污损所致。
健康状态判断模块3，用于基于综合特征向量，构建层次分析模型对输电架空线路的健康状态进行判断，输出输电架空线路的健康状态等级；
进一步的，所述健康状态判断模块3包括层次分析模型构建模块31、矩阵分析模块32、健康状态分析模块33；
所述层次分析模型构建模块31，用于构建层次分析模型，所述构建层次分析模型上层为输电架空线路健康状态等级，中间层为评价指标，下层为指标等级；
所述矩阵分析模块32，用于基于层次分析模型构建判断矩阵，求解综合特征向量；其步骤如下：
S1、将层次分析模型中同一层内的元素进行比较，采用基于自然指数的标度确定主观权重，构建判断矩阵/>；所述判断矩阵表达式如下：
；
其中：为第/>个因素相对于第/>个因素的比较结果；
S2、计算判断矩阵每行元素乘积的n次方根，其表达式如下：
；
S3、将进行归一化处理，其表达式如下：
；
其中：为判断矩阵的综合特征向量。
所述健康状态分析模块33，用于对综合特征向量进行赋值，并计算获得输电架空线路的健康状态等级；其步骤如下：
S4、将每个评价指标下设立若干个等级，分别对应不同的故障程度，并对其赋予分值，用表征综合特征向量对应的指标等级；
其中：为评价指标，/>为不同的指标等级；
S5、根据综合特征向量获得每个评价指标所对应的指标等级分数，其表达式如下：
；
其中：、/>、/>均为评价指标对应的指标等级分数的分值；
S6、计算输电架空线路的健康状态分值的表达式如下：
；
S7、根据输电架空线路的健康状态分值以及分值对应的等级，即可获得输电架空线路的健康状态等级。具体可以参考以下健康状态等级表。
；
进一步的，在求解综合特征向量后，还可以对其进行一致性检验，其步骤如下：
S8、计算判断矩阵的最大特征根，其表达式如下：
；
S9、对判断矩阵的一致性进行检验；若通过一致性检验，则进行步骤S4-S7，若不通过一致性检验，则需对判断矩阵进行调整；所述一致性检验表达式如下：
；
；
其中：为度量判断矩阵偏离一致性指标，/>值越大，则代表判断矩阵的一致性越差，/>值为0时，则判断矩阵具有完全一致性；/>为一致性比率，/>为平均随机一致性指标；当/>，则认为判断矩阵的一致性可以接受。
所述调整的方式为：重新比较和修改因素之间的重要性，重点关注不一致性较大的比较。例如逻辑不一致的情况：如果A相对于B的重要性评分为3，而B相对于C的评分为5，但A相对于C的评分为7，或者A＞B,B＞C,而A＜C这种明显错误；最后让多个专家或决策者对两两因素之间的重要性进行评分，然后将评分结果转化为判断矩阵进行调整。
复检模块4，用于基于健康状态等级，对故障部件进行复检，并将复检结果更新至多模态数据处理模块2中进行数据更新。
进一步的，所述复检模块4包括故障复检模块41、传感器复检模块42；
所述故障复检模块41，用于根据健康状态等级分析判断出存在故障的健康状态指标；例如：导线异常电流指标得分很低,则判断故障主要是导线异常电流造成；
所述传感器复检模块41，用于根据存在故障的健康状态指标重复获取故障部件的电流数据或图像数据进行复检，并将复检结果传输至多模态数据处理模块2中进行数据更新。例如：杆塔的健康状态指标得分很低，则将故障原因的相关指标发送至摄像头或无人机，重复获取杆塔的图像数据，并重复判断其是否存在故障，并将判断结果回传至多模态数据处理模块2中，更新数据后重新对输电线路健康状态的进行最终评估。
进一步的，在本技术方案中，还包括健康状态可视化模块5与历史数据存储模块6；
所述健康状态可视化模块5，用于实时显示故障部件的故障情况以及总体的输电架空线路健康状态等级，便于用户实时监控；
所述历史数据存储模块6，用于将所有数据储存为历史数据，并形成为可视化的趋势变化参考。
参见图7，本实施例中，基于上述的系统，进行了实例演示。
步骤一、构建输电架空线路健康状态评价指标，包含杆塔、绝缘子、金具、导线和地线5种部件，每个部件又包含两种指标，共10个指标，具体可以参见下表；
；
步骤二、针对杆塔、绝缘子、金具、导线和地线5种部件分别部署对应传感器、摄像头或无人机来获取相关数据；
步骤三、将采集到的图像数据输入至训练好的基于YOLOv5的卷积神经网络模型中，输出图像故障特征向量；并将采集到的电流数据输入至训练好的基于Bi-LSTM的循环神经网络模型中，输出电流故障特征向量；
步骤四、对图像故障特征向量与电流故障特征向量进行归一化、标准化等预处理，并拼接形成综合特征向量；
步骤五、构造判断矩阵，采用基于自然指数的标度确定主观权重；其中表示第/>个因素相对于第/>个因素的影响介于其相邻等级之间；的具体含义参见下表。
；
所述判断矩阵表达式如下：
；
；
其中：为第/>个因素相对于第/>个因素的比较结果；
所述判断矩阵也可以用图8的表格来表示；
步骤六、设监测指标权重向量如下：
；
根据判断矩阵表达式计算判断矩阵每行元素乘积的n次方根/>，并进行归一化处理计算，获得结果如下：
；
步骤七、计算判断矩阵的最大特征根，结果为；
步骤八、用表征多模态数据处理模块输出的特征向量对应的监测指标等级，对应的具体得分值如下表所示：
；
步骤九、对判断矩阵的一致性进行检验，在本实例中，则根据/>表查到对应的/>值为1.486，因此/>，表明该判断矩阵通过一致性检验；
步骤十、根据多模态数据处理模块得到的特征向量，可以得到每个指标所对应等级的分数，在本实施例中，/>，根据健康状态分值计算式计算获得其分值为62.15分，对应健康状态等级表可得知，该条输电架空线路的健康状态等级为第三级。
步骤十一、故障复检模块41将健康状态评估结果中异常指标较高的“合成绝缘子破损、老化”与“导线风偏角度”发送给传感器复检模块42；传感器复检模块42锁定对应位置地点的绝缘子与导线，分别对其进行复检，获取绝缘子及导线的图像数据，并将其输入至多模态数据处理模块2中，经过处理后，从而获得新的评估结果。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (8)

1.一种基于多模态数据的输电架空线路健康状态评估系统，其特征在于，包括：
多模态数据获取模块（1），用于获取输电架空线路部件的电流数据与图像数据，并构建输电架空线路的健康状态指标；
所述电流数据包括：绝缘子漏电数据、导线异常电流数据、电阻数据、地线短路数据；
所述图像数据包括：杆塔倾斜数据、杆塔表面脱落及锈蚀数据、金具锈蚀数据、销子短缺数据、导线风偏角数据；
所述健康状态指标包括：杆塔健康状态指标、绝缘子健康状态指标、金具健康状态指标、导线健康状态指标、地线健康状态指标；
多模态数据处理模块（2），用于利用神经网络模型分别针对电流数据与图像数据进行故障特征的识别判断，获得电流与图像的故障特征向量，并将电流与图像的故障特征向量合并形成为综合特征向量；
所述多模态数据处理模块（2）包括电流数据处理模块（21）、图像数据处理模块（22）与多模态数据融合模块（23）；
所述电流数据处理模块（21），用于基于电流数据，构建历史电流数据集，并使用历史电流数据集进行神经网络训练，构建电流数据神经网络模型，然后基于电流数据神经网络模型对输入的电流数据进行异常判断，获得电流故障特征向量；
所述图像数据处理模块（22），用于基于图像数据，构建历史图像数据集，并使用历史图像数据集进行神经网络训练，构建图像数据神经网络模型，然后基于图像数据神经网络模型对输入的图像数据进行异常判断，获得图像故障特征向量；
所述多模态数据融合模块（23），用于对电流故障特征向量与图像故障特征向量进行合并处理，形成为综合特征向量；
健康状态判断模块（3），用于基于综合特征向量，构建层次分析模型对输电架空线路的健康状态进行判断，输出输电架空线路的健康状态等级；
复检模块（4），用于基于健康状态等级，对故障部件进行复检，并将复检结果更新至多模态数据处理模块（2）中进行数据更新。
2.根据权利要求1所述的一种基于多模态数据的输电架空线路健康状态评估系统，其特征在于：
所述多模态数据获取模块（1）包括数据获取子模块（11）与评价指标构建子模块（12）；
所述数据获取子模块（11），用于基于传感器获取输电架空线路部件的电流数据与图像数据；
所述评价指标构建子模块（12），用于基于电流数据与图像数据，构建健康状态指标。
3.根据权利要求1所述的一种基于多模态数据的输电架空线路健康状态评估系统，其特征在于：
所述电流数据神经网络模型为基于Bi-LSTM的循环神经网络模型，其用于根据以下步骤获得电流故障特征向量：
首先，收集正常与异常的电流数据，构建形成历史电流数据集，并对历史电流数据集进行标注，标注目标为电流数据所代表的正常或异常的状态；
然后，利用上述数据训练Bi-LSTM的循环神经网络模型，使其具备分类与判断能力；
最后，对输入的电流数据进行分类与判断异常，并将判断结果合成为包含部件类别、故障类别与异常等级的电流故障特征向量。
4.根据权利要求1所述的一种基于多模态数据的输电架空线路健康状态评估系统，其特征在于：
所述图像数据神经网络模型为基于YOLOv5的卷积神经网络模型，其用于根据以下步骤获得图像故障特征向量；
首先，对获取的图像数据进行标注，标注目标为目标类别与异常状态，标注对象为输电架空线路部件，标注内容为各部件的类型、图像位置及异常等级；
然后，利用上述数据训练YOLOv5的卷积神经网络模型，使其具备识别与判断能力；
最后，对输入的图像数据进行异常判断，并将判断结果合成为包含部件类别、故障类别与异常等级的图像故障特征向量。
5.根据权利要求1所述的一种基于多模态数据的输电架空线路健康状态评估系统，其特征在于：
所述健康状态判断模块（3）包括层次分析模型构建模块（31）、矩阵分析模块（32）与健康状态分析模块（33）；
所述层次分析模型构建模块（31），用于构建层次分析模型，所述构建层次分析模型上层为输电架空线路健康状态等级，中间层为评价指标，下层为指标等级；
所述矩阵分析模块（32），用于基于层次分析模型构建判断矩阵，求解综合特征向量；
所述健康状态分析模块（33），用于对综合特征向量进行赋值，并计算获得输电架空线路的健康状态等级。
6.根据权利要求5所述的一种基于多模态数据的输电架空线路健康状态评估系统，其特征在于：
所述矩阵分析模块（32），用于根据以下步骤求解综合特征向量；
S1、将层次分析模型中同一层内的元素进行比较，采用基于自然指数的标度确定主观权重，构建判断矩阵/>；所述判断矩阵表达式如下：
；
其中：为第/>个因素相对于第/>个因素的比较结果；
S2、计算判断矩阵每行元素乘积的n次方根，其表达式如下：
；
S3、将进行归一化处理，其表达式如下：
；
其中：为判断矩阵的综合特征向量。
7.根据权利要求6所述的一种基于多模态数据的输电架空线路健康状态评估系统，其特征在于：
所述健康状态分析模块（33），用于根据以下步骤获得输电架空线路的健康状态等级；
S4、将每个评价指标下设立若干个等级，分别对应不同的故障程度，并对其赋予分值，用表征综合特征向量对应的指标等级；
其中：为评价指标，/>为不同的指标等级；
S5、根据综合特征向量获得每个评价指标所对应的指标等级分数，其表达式如下：
；
其中：、/>、/>均为评价指标对应的指标等级分数的分值；
S6、计算输电架空线路的健康状态分值的表达式如下：
；
S7、根据输电架空线路的健康状态分值以及分值对应的等级，即可获得输电架空线路的健康状态等级。
8.根据权利要求1所述的一种基于多模态数据的输电架空线路健康状态评估系统，其特征在于：
所述复检模块（4）包括故障复检模块（41）与传感器复检模块（42）；
所述故障复检模块（41），用于根据健康状态等级分析判断出存在故障的健康状态指标；
所述传感器复检模块（42），用于根据存在故障的健康状态指标重复获取故障部件的电流数据或图像数据进行复检，并将复检结果传输至多模态数据处理模块（2）中进行数据更新。
CN202311735103.8A 2023-12-18 2023-12-18 一种基于多模态数据的输电架空线路健康状态评估系统 Active CN117421998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311735103.8A CN117421998B (zh) 2023-12-18 2023-12-18 一种基于多模态数据的输电架空线路健康状态评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311735103.8A CN117421998B (zh) 2023-12-18 2023-12-18 一种基于多模态数据的输电架空线路健康状态评估系统

Publications (2)

Publication Number Publication Date
CN117421998A true CN117421998A (zh) 2024-01-19
CN117421998B CN117421998B (zh) 2024-03-12

Family

ID=89532862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311735103.8A Active CN117421998B (zh) 2023-12-18 2023-12-18 一种基于多模态数据的输电架空线路健康状态评估系统

Country Status (1)

Country Link
CN (1) CN117421998B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807558A (zh) * 2024-02-26 2024-04-02 武汉邢仪新未来电力科技股份有限公司 一种输电线路综合故障检测方法、系统及存储介质
CN118365973A (zh) * 2024-06-20 2024-07-19 国网湖北省电力有限公司武汉供电公司 基于多特征信息融合的混架线路状态评估方法及系统
CN118539614A (zh) * 2024-07-18 2024-08-23 山东百萨特新能源科技有限公司 一种输电线路远距离传输状态监测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109541411A (zh) * 2018-12-05 2019-03-29 国网江西省电力有限公司电力科学研究院 架空输电线路隐患放电监测预警系统
CN111555776A (zh) * 2020-04-28 2020-08-18 国电南瑞科技股份有限公司 一种输电线路融合感知及联合诊断方法、系统及装置
CN114662976A (zh) * 2022-04-11 2022-06-24 云南电网有限责任公司德宏供电局 一种基于卷积神经网络的配电网架空线路状态评估方法
CN116416421A (zh) * 2023-04-26 2023-07-11 河北科技大学 一种基于多算法的受电弓故障诊断方法
CN117172413A (zh) * 2023-09-07 2023-12-05 中国科学院合肥物质科学研究院 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法
CN117197517A (zh) * 2023-02-27 2023-12-08 广东电网有限责任公司 一种绝缘子污染分类方法、装置、电子设备以及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109541411A (zh) * 2018-12-05 2019-03-29 国网江西省电力有限公司电力科学研究院 架空输电线路隐患放电监测预警系统
CN111555776A (zh) * 2020-04-28 2020-08-18 国电南瑞科技股份有限公司 一种输电线路融合感知及联合诊断方法、系统及装置
CN114662976A (zh) * 2022-04-11 2022-06-24 云南电网有限责任公司德宏供电局 一种基于卷积神经网络的配电网架空线路状态评估方法
CN117197517A (zh) * 2023-02-27 2023-12-08 广东电网有限责任公司 一种绝缘子污染分类方法、装置、电子设备以及介质
CN116416421A (zh) * 2023-04-26 2023-07-11 河北科技大学 一种基于多算法的受电弓故障诊断方法
CN117172413A (zh) * 2023-09-07 2023-12-05 中国科学院合肥物质科学研究院 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡新: "堤防工程安全风险评价", 31 January 2020, 河海大学出版社, pages: 31 - 37 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807558A (zh) * 2024-02-26 2024-04-02 武汉邢仪新未来电力科技股份有限公司 一种输电线路综合故障检测方法、系统及存储介质
CN117807558B (zh) * 2024-02-26 2024-05-03 武汉邢仪新未来电力科技股份有限公司 一种输电线路综合故障检测方法、系统及存储介质
CN118365973A (zh) * 2024-06-20 2024-07-19 国网湖北省电力有限公司武汉供电公司 基于多特征信息融合的混架线路状态评估方法及系统
CN118539614A (zh) * 2024-07-18 2024-08-23 山东百萨特新能源科技有限公司 一种输电线路远距离传输状态监测方法及系统
CN118539614B (zh) * 2024-07-18 2024-10-01 山东百萨特新能源科技有限公司 一种输电线路远距离传输状态监测方法及系统

Also Published As

Publication number Publication date
CN117421998B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN117421998B (zh) 一种基于多模态数据的输电架空线路健康状态评估系统
CN105335692B (zh) 一种轮胎x光图像检测识别方法及系统
CN105846780B (zh) 一种基于决策树模型的光伏组件故障诊断方法
CN106651169A (zh) 基于模糊综合评价的配电自动化终端状态评价方法及系统
CN113420162B (zh) 一种基于知识图谱的设备运行链状态监测方法
CN113342812A (zh) 输变电设备故障快速诊断系统、方法及平台
CN106997513A (zh) 基于大数据分析的配网设备状态评价系统
CN110363404A (zh) 一种干式空心电抗器状态数据分析方法
CN110672154A (zh) 土木工程建筑监测系统
CN106327071A (zh) 电力通信风险分析方法和系统
CN116245418A (zh) 一种基于数据挖掘的智慧工地安全风险评估方法
CN112580858A (zh) 设备参数预测分析方法及系统
CN113177646A (zh) 一种基于自适应边缘代理的配电设备在线监测方法及系统
CN115614292A (zh) 一种立式水泵机组振动监测装置及其方法
CN116739399A (zh) 一种高压电缆运行状态评价方法
CN116956047A (zh) 一种基于风力发电数据的风电机组性能评估系统
CN115224795A (zh) 一种智能化变电站设备运行监测预警系统及方法
CN108093210A (zh) 一种变压器油位告警系统及其告警方法
CN110968703A (zh) 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统
CN118311352A (zh) 用于光伏储能系统的母线槽故障诊断方法及系统
CN117113157B (zh) 一种基于人工智能的台区用电故障检测系统
CN118038295A (zh) 输电线路缺陷实时在线识别系统
CN118134700A (zh) 一种桥梁结构综合智能养护决策方法及系统
CN117723115A (zh) 一种基于物联网的输电线路在线检测系统及方法
CN116433218A (zh) 基于自组织映射聚类的矿井机械设备在线健康评估方法

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