CN118169503A - 一种基于多模态数据的配电网故障预警方法及系统 - Google Patents
一种基于多模态数据的配电网故障预警方法及系统 Download PDFInfo
- Publication number
- CN118169503A CN118169503A CN202410026310.4A CN202410026310A CN118169503A CN 118169503 A CN118169503 A CN 118169503A CN 202410026310 A CN202410026310 A CN 202410026310A CN 118169503 A CN118169503 A CN 118169503A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- fault
- data
- early warning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 238000007689 inspection Methods 0.000 claims abstract description 48
- 238000007499 fusion processing Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 55
- 238000012806 monitoring device Methods 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- 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
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种基于多模态数据的配电网故障预警方法及系统,涉及配电网故障预警技术领域,旨在解决传统的单一数据分析技术已无法满足配电网故障预警应用的需求的问题;方法为:采集配电网的多模态监控数据和巡检数据,实时获取故障录波图;对多模态监控数据和巡检数据进行融合处理,对融合处理后的结果进行编码;通过构建的图像判断模型对故障录波图进行识别和编码,得到初步的配电网故障类型;构建关于配电网故障的三元组故障识别知识图谱,得到配电网设备对应的配电网故障类型;根据知识图谱推理结果生成预警信息。本发明能够满足配电网故障预警应用的需求,不容易发生误判,及时对配电网设备进行故障预警,保证配电网的平稳运行。
Description
技术领域
本发明涉及配电网故障预警技术领域,具体涉及一种基于多模态数据的配电网故障预警方法及系统。
背景技术
配电网处于电力系统的末端,具有地域分布广、电网规模大、设备种类多、网络连接多样、运行方式多变等鲜明特点。随着配电自动化、用电信息采集等应用系统的推广应用,对于有千条馈线的大规模配电网,配电网中会产生指数级增长的海量异构、多态的数据,数据集合的大小可达到当今信息学界所关注的大数据级别,传统的单一数据分析技术已无法满足需求;传统的单一数据分析技术在配电网故障预警应用过程中,存在有准确性低,容易存在误判的风险。
现有公开号为CN111458590A的中国专利,公开了一种配电网的故障检测系统。其中,该方法包括:数据监测装置,设置在配电网中,用于实时检测配电网中的电流;信息存储装置,与数据监测装置连接,用于在配电网中的电流升高到预设阈值,且持续时长达到预设时长的情况下,生成高频信号,并将高频信号注入配电网;故障检测装置,设置在配电网中,用于在检测到配电网中的电流包含高频信号的情况下,确定配电网发生故障,并将包含高频信号的电流发送至定位装置;定位装置,用于对包含高频信号的电流进行处理,确定发生故障的配电网的位置信息,并将位置信息发送至监控中心。但是公开号为CN111458590A的中国专利仅仅通过检测配电网中的电流来确定配电网故障,容易产生误判。
发明内容
本发明解决了传统的单一数据分析技术已无法满足配电网故障预警应用的需求的问题,提出一种基于多模态数据的配电网故障预警方法及系统,将多模态数据和巡检数据进行融合处理,并结合故障录波图进行数据处理,生成三元组故障识别知识图谱,根据故障识别知识图谱来生成预警信息;本发明能够满足配电网故障预警应用的需求,且准确性高,不容易发生误判,能够及时对配电网设备进行故障预警,保证配电网的平稳运行。
为了实现上述目的,本发明采用以下技术方案:一种基于多模态数据的配电网故障预警方法,包括以下步骤:
S1,采集配电网的多模态监控数据和巡检数据,实时获取故障录波图,并进行预处理;
S2,对多模态监控数据和巡检数据进行归一化和融合处理,并对融合处理后的结果进行编码;S3,通过构建的图像判断模型对故障录波图进行识别和编码,并得到初步的配电网故障类型;S4,构建关于配电网故障的三元组故障识别知识图谱,推理得到配电网设备对应的配电网故障类型;
S5,根据知识图谱推理结果生成预警信息,根据预警信息制定维修策略。
本技术方案中,首先获取得到配电网的多模态监控数据、巡检数据以及故障录波图,在完成获取后,分别对这些数据进行预处理;对多模态监控数据以及巡检数据进行融合处理,对于融合结果进行编码;对故障录波图进行识别和编码,并生成初步的配电网故障类型;最后构建出三元组故障识别知识图谱,通过输入相应的数据,直接推理得到配电网设备对应的配电网故障类型;根据推理结果得到相应的预警信息,根据预警信息来进行定制化的维修,及时对配电网设备进行故障预警,保证配电网的平稳运行。
本发明还进一步设置为:所述步骤S1包括:
S11,将获取得到的配电网的多模态监控数据和巡检数据进行按时间排序,并将相同类型的多模态监控数据与巡检数据一一对应,生成若干个待归一化数据组;
S12,对获取得到的故障录波图进行局部图像提取以及局部增强处理,生成增强处理后的故障录波图。
本技术方案中,分别对配电网的多模态监控数据以及巡检数据进行按时间顺序排列,生成时间对应的若干种类型数据,随后针对于相同类型的多模态监控数据和巡检数据进行关联对应,形成有多个关联对应的待归一化数据组;对于故障录波图,剔除关于故障录波图的无关部分,提取出包含有变化曲线的有用部分,并对该部分进行增强处理,方便后续对该图的特征提取。
本发明还进一步设置为:所述步骤S2包括:
S21,将待归一化数据组进行归一化处理,形成有介于0至1之间的数据组;
S22,采用AHP层次分析法确定每个数据组中关于多模态监控数据与巡检数据的权重值,形成有融合后的类型数据;
S23,根据智能AI编码工具将类型数据进行编码,并形成有对应的向量信息。
本技术方案中,依次对步骤S1形成的数据组进行归一化处理,使其内的数据均处于0-1之间,随后使用AHP层次分析法来确定对应的权重值,即采用定量分析和定性分析结合的方式进行权重值,将相同类型的数据组融合形成单独的类型数据;最后采用AI编码工具进行编码,即表示为固定长度大小的词向量,词向量的模式读取和处理更加的方便。
本发明还进一步设置为:所述步骤S3包括:
S31,以卷积神经网络模型为基础,构建形成有图像判断模型,输出初步的配电网故障类型;S32,结合智能AI编码工具对由故障录波图转换得到的文本信息进行编码,形成向量信息;S33,判断输出的配电网故障类型与实际的配电网故障类型是否有区别,并确定是否重新调整模型参数。
本技术方案中,首先建立有图像判断模型,其能够根据故障录波图的关键特征以及所反映的故障类型来构建图像判断模型,又能够根据故障录波图转换得到的文本信息,文本信息即其关键特征映射得到的信息来进行编码并形成对应的向量信息;最后根据判断结果来不断的对图像判断模型进行修正和调整,保证其输出结果的准确性。
本发明还进一步设置为:所述步骤S12还包括:
确定增强处理后的故障录波图的总持续时间,基于该总持续时间内根据其电流或者电压的变化特征确定并提取出相关的特征,根据历史验证数据比对来确定相关的特征所反映的故障类型是否有重复,剔除重复的特征之后,得到故障录波图的关键特征。
本技术方案中,对故障录波图进行处理,在其总持续时间还能之内,提取相应的特征,这些特征往往能够反映出配电网的故障情况或者多个特征结合能够反映出配电网的故障情况;在提取完成之后,由于会存在有相关重复的特征,这些特征虽然表现形式不同,但是其反映的故障类型相同,予以剔除后得到关于故障录波图的关键特征。
本发明还进一步设置为:所述步骤S4包括:
S41,以配电网设备为实体节点,以“配电网设备-故障参数-故障类型”三元组形式建立故障识别知识图谱;
S42,在配电网设备故障参数与知识图谱中的参数相同时,得到该配电网设备对应的故障类型。
本技术方案中,配电网设备即为分布在配电网的一些电力设备,故障参数即为多模态监控数据、巡检数据以及故障录波图,根据知识图谱来自动生成得到相应的故障类型。
本发明还进一步设置为:所述步骤S5还包括:
判断知识图谱中的多模态监控数据和巡检数据与第一验证信息的相似程度是否在预设范围内,若是,则无需进行参数修正;若否,则对进行参数修正。
本技术方案中,计算知识图谱中的多模态监控数据和巡检数据与第一验证信息的相似程度来确定是否对参数进行修正,第一验证信息即为利用其它可靠手段获取得到的知识图谱中的多模态监控数据和巡检数据。
本发明还进一步设置为:所述步骤S5还包括:
判断知识图谱中的故障录波图与第二验证信息的相似程度是否在预设范围内,若是,则无需进行参数修正;若否,则对进行参数修正。
本技术方案中,相似程度的比对可通过向量信息的比对来完成,具体通过向量信息的余弦值来进行比对。
一种基于多模态数据的配电网故障预警系统,使用上述的一种基于多模态数据的配电网故障预警方法,包括:
采集和处理模块,采集配电网的多模态监控数据和巡检数据,获取故障录波图,并进行预处理;
识别编码模块,分别对多模态监控数据和巡检数据的融合结果以及故障录波图进行识别编码;知识图谱生成模块,构建关于配电网故障的三元组故障识别知识图谱;
预警信息生成模块,根据知识图谱推理结果生成预警信息。
本技术方案中,采集和处理模块在完成相关的数据采集和数据预处理过程之后,进入至识别编码模块中分别对多模态监控数据和巡检数据的融合结果以及故障录波图进行识别编码,随后根据上述的信息生成三元组故障识别知识图谱,根据知识图谱来获取得到相应的故障类型,最后,根据预警信息生成模块中的智能生成单元来生成相应的预警信息,保证对于配电网故障的及时汇报和预警。
本发明还进一步设置为:所述识别编码模块包括:
第一识别编码单元,对多模态监控数据和巡检数据进行归一化和融合处理,并对融合处理结果进行编码,形成向量信息
第二识别编码单元,通过构建的图像判断模型对故障录波图进行识别和编码。
本技术方案中,对于第一识别编码单元,其能够对数据进行归一化的处理,在完成归一化的处理之后进行融合处理,并对融合处理结果进行编码,形成相应的向量信息;对于第二识别编码单元,其具体通过建立的图像判断模型来进行处理,其不仅仅能够输出故障类型,还能够根据其中间数据来进行识别编码。
本发明能够带来如下的有益效果:
1、本发明涉及的一种基于多模态数据的配电网故障预警方法,将多模态数据和巡检数据进行融合处理,并结合故障录波图进行数据处理,生成三元组故障识别知识图谱,根据故障识别知识图谱来生成预警信息;本发明能够满足配电网故障预警应用的需求,且准确性高,不容易发生误判,能够及时对配电网设备进行故障预警,保证配电网的平稳运行;
2、本发明涉及的一种基于多模态数据的配电网故障预警系统,通过采集和处理模块、识别编码模块、知识图谱生成模块以及预警信息生成模块的协同作用,来保证配电网故障预警的准确性。
附图说明
图1是本发明实施例一种基于多模态数据的配电网故障预警方法的流程示意图;
图2是本发明实施例一种基于多模态数据的配电网故障预警方法步骤S1的流程示意图;
图3是本发明实施例一种基于多模态数据的配电网故障预警方法步骤S2的流程示意图;
图4是本发明实施例一种基于多模态数据的配电网故障预警方法步骤S3的流程示意图;
图5是本发明实施例一种基于多模态数据的配电网故障预警方法步骤S5的流程示意图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白,下面结合附图和实施例对本发明作进一步详细说明,应当理解的是,此处所描述的具体实施方式仅是本发明的一种最佳实施例,仅用以解释本发明,并不限定本发明的保护范围,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
本实施例提出一种基于多模态数据的配电网故障预警方法,参考图1,其主要包括有以下的若干个步骤。
步骤S1,首先采集得到配电网的多模态监控数据以及巡检数据,具体的,采用相应的配电网监控装置来获取得到各种类型的多模态监控数据,通过相应的巡检装置来获取得到巡检数据;随后通过实时获取得到故障录波图来完成采集工作;在完成上述的数据采集之后,对数据分别进行相应的预处理操作。
本实施例中,配电网监控装置一般为多个采集装置或者监控装置的集合体,即本技术方案所述的配电网监控装置包括有若干个不同类型的采集装置或者监控装置,对于其采集装置或者监控装置的具体类型和数量,根据实际所要求的多模态监控数据来决定,来进行个性化的设置;本实施例中包括有智能电表、温度传感器、压力传感器、湿度传感器以及雨水检测装置。
此外,对于本技术方案中的巡检数据,与直接通过配电网监控装置获取得到的多模态数据所不同的是,巡检数据通过巡检装置获取;本实施例中,通过电力巡检无人机来周期性的获取得到配电网的相应数据,其数据类型基本上与配电网监控装置获取得到的多模态数据一致。
对于步骤S1,更为详细的,参考图2,其主要包括有以下的若干个子步骤。
步骤S11,针对于相同位置的配电网设备区域的多模态监控数据和巡检数据,均按照时间的顺序进行排列,在完成相应的数据排序之后,遍历所有的多模态监控数据和巡检数据,将两者之间具有相同类型的数据进行关联对应,在完成关联对应之后,生成有多个待归一化数据组。
本实施例中,将相同类型的多模态监控数据与巡检数据一一对应,具体的,当遍历得到的多模态监控数据为温度数据时,遍历巡检数据中相同时刻的巡检数据,找出其中的相对应的温度数据,将两者的温度数据进行相关联;此外,还需遍历巡检数据中相邻时段的巡检数据,即对于与多模态监控数据发生时间段有重叠的时间段,截取重叠的时间段来进行关联。
对于相同位置的配电网设备区域,其生成有若干个待归一化数据组,本实施例中,对有些需要模数转换的数据进行模数转换,在完成模数转换之后,将其均转换为十进制的数据;例如上述的温度数据在进行关联后,形成有关于温度数据的待归一化数据组,表示为(8.8,10.7);通用的,即将待归一化数据组表示为(i,j),其中,i为多模态监控数据中的关联数据经过转换后的表示形式,j为巡检数据中的关联数据经过转换后的表示形式。
步骤S12,对故障录波图进行相应的处理,具体包括局部图像提取和局部增强处理;局部图像处理即为剔除无关的图像部分,只保留包含有变化曲线的部分;而局部增强处理即在其保留的部分的基础上来进行,保证后续对该图的特征提取。
在完成上述的过程之后,对上述的故障录波图进行特征的提取过程,其主要包括以下的若干个步骤。
(1)截取得到增强处理后的故障录波图的总持续时间,在该总持续时间内进行关键特征的提取。
(2)在总持续时间内的故障录波图中,根据其中曲线的电流或者电压变化特征,进而来确定是否提取出相应的特征;例如,通过该总持续时间内的故障录波图,能够根据电流或者电压变化特征,来大致的确定故障的持续时间、保护动作时间、断路器跳闸时间、保护返回时间、重合闸装置出口动作时间以及断路器合闸动作时间;根据这些时间来确定是否提取相应的特征以及具体提取哪部分的特征。
(3)通过获取得到相关的历史验证数据,来最为比对的对象,即通过历史验证数据与提取出的特征进行比对,确定提取出的特征反映的故障类型是否有重复,若有重复,则删除重复冗余的特征,从而保留得到故障录波图的关键特征;若否,则无需处理。例如,当提取出的两个特征均反映相同的故障类型时,仅需要保留其中任一个,优选的,保留其所占字节较少的特征,方便数据的传输;上述的比对过程仅仅针对于同一时刻以及同一配电网设备区域,对于不同时刻或者不同的配电网设备区域,则无需进行比对。
本实施例中,对故障录波图进行处理,在其总持续时间还能之内,提取相应的特征,这些特征往往能够反映出配电网的故障情况或者多个特征结合能够反映出配电网的故障情况;在提取完成之后,同一时刻以及同一配电网设备区域中,往往会存在有相关重复的特征,这些特征虽然表现形式不同,但是其反映的故障类型相同,予以剔除后得到关于故障录波图的关键特征。
本实施例中,局部增强处理的具体方法可采用频率域法和空间域法,在此不作限定。
在关于步骤S1技术方案的实施例中,分别对配电网的多模态监控数据以及巡检数据进行按时间顺序排列,生成时间对应的若干种类型数据,随后针对于相同类型的多模态监控数据和巡检数据进行关联对应,形成有多个关联对应的待归一化数据组;对于故障录波图,剔除关于故障录波图的无关部分,提取出包含有变化曲线的有用部分,并对该部分进行增强处理,方便后续对该图的特征提取。
步骤S2,对多模态监控数据和巡检数据进行归一化以及融合处理,随后对融合处理后的结果进行编码;具体的,步骤S2主要包括有以下的若干个子步骤。
参考图3,在完成步骤S1之后,针对于待归一化数据组,对其进行归一化的操作;对于归一化的具体操作,表示如下:
G表示归一化的结果,H(i,j)表示对应的待归一化数据组,H(n,m)表示所有待归一化数据组中的最小值,H(N,M)表示所有待归一化数据组中的最大值。
在经过上述的归一化处理之后,形成的数据组均介于0和1之间。
步骤S22,根据AHP层次分析法来确定每个数据组中多模态监控数据和巡检数据的权重值,最终通过计算来得到融合后的类型数据。
对于AHP层次分析法,其根据问题的性质和要达到的总目标,将问题分解为不同的组成因素,并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合,形成一个多层次的分析结构模型,从而最终使问题归结为最低层相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定;其主要包括有以下的步骤:建立层次结构模型;构造判断矩阵;层次单排序及其一致性检验;层次总排序及其一致性检验。
在通过AHP层次分析法赋予数据组中的数据各自的权重值之后,进行权重和的计算,计算来得到类型数据,该类型数据即为融合之后的结果。
例如,有归一化之后的数据组(x,y),其中,x小于或者等于i,y小于或者等于j,在上述经过AHP层次分析法得到x和y的权重值分别为w和u之后,融合后的结果表示为:v=xw+yu
其中,v为融合后的结果,即为上述的类型数据,权重系数w和u为介于0到1之间的比例参数。
步骤S23,采用智能AI编码工具来对上述得到的类型数据进行编码,最终形成有相应的向量信息;具体的,智能AI编码工具即为AI编码模型,其内存储有大量的多模态监控数据的编码信息,在智能AI编码工具内部预先存储的多模态监控数据,其能够通过巡检将这些存储在其内部的多模态监控数据的信息转换为固定长度大小的词向量;并根据实时输入的类型数据,在进行数据转换后,根据其与预先存储的多模态监控数据的偏差和区别,来生成相应的词向量,该词向量即为对应的向量信息。
在得到上述的向量信息之后,判断生成的向量信息是否处于预设的范围内,若是,则直接输出相应的结果,若否,则需重复步骤S2的过程,直至输出的向量信息满足要求。
更近一步的,在经过上述的智能AI编码工具操作之后,还能够根据生成相应的词向量与预先存储的多模态监控数据的词向量进行初步的比对,来确定实时输入的类型数据是否为故障数据。
在关于步骤S2技术方案的实施例中,依次对步骤S1形成的数据组进行归一化处理,使其内的数据均处于0-1之间,随后使用AHP层次分析法来确定对应的权重值,即采用定量分析和定性分析结合的方式进行权重值,将相同类型的数据组融合形成单独的类型数据;最后采用AI编码工具进行编码,即表示为固定长度大小的词向量,词向量的模式读取和处理更加的方便。
步骤S3,参考图4,建立图像判断模型,通过建立的图像判断模型来对故障录波图进行识别以及编码,并且能够输出得到有初步的配电网故障类型。具体的,该步骤通过故障录波图来初步确定配电网设备的配电网故障类型。
对于步骤S3,其主要包括有以下的若干个子步骤。
步骤S31,首先建立相应的图像判断模型,通过该模型输出有初步的配电网故障类型;本步骤中的图像判断模型以卷积神经网络模型为基础;通过将大量的故障录波图的关键特征的训练和验证,进而完成图像判断模型的构建,在构建完成之后,根据数据的不断更新来完成模型的参数,使模型的预测更加的准确。
步骤S32,借助智能AI编码工具来进行编码,对于智能AI编码工具,其主要获取的是在关键特征通过映射得到的文本信息,在对该文本信息进行编码以词向量,形成的过程同步骤S2。
步骤S33,最终判断经过图像判断模型输出的配电网故障类型以及实际的配电网故障是否存在区别,若存在区别,则重新调整模型参数,若不存在区别,则直接输出结果。
在关于步骤S3技术方案的实施例中,首先建立有图像判断模型,其能够根据故障录波图的关键特征以及所反映的故障类型来构建图像判断模型,又能够根据故障录波图转换得到的文本信息,文本信息即其关键特征映射得到的信息来进行编码并形成对应的向量信息;最后根据判断结果来不断的对图像判断模型进行修正和调整,保证其输出结果的准确性。
步骤S4,在依次完成步骤S2和步骤S3之后,根据步骤S2和步骤S3的结果构建关于配电网故障的三元组故障识别知识图谱,并且通过输入多模态监控数据、巡检数据以及故障录波图来输出配电网设备对应的配电网故障类型。
对于步骤S4,更为具体的,主要包括有以下的两个子步骤。
步骤S41,通过将配电网设备作为实体节点,并且通过配电网设备、故障参数以及故障类型的三元组形式来构建故障识别知识图谱。
步骤S42,在输入配电网设备故障参数后,故障参数即为多模态监控数据、巡检数据以及故障录波图,在知识图谱中找到相对应的参数,最终能够直接推理得到关于该配电网设备对应的故障类型。
对于上述的故障类型,其主要包括有若干个等级,本实施例中,有第一等级、第二等级以及第三等级,从第一等级至第三等级其故障所涵盖的范围越小,例如,第一等级为对应配电网设备发生断路,第二等级为该配电网设备的某一线路发生断路,第三等级为该配电设备的某一线路的对应相线发生断路。
对于故障类型,也可以采用其他表示方式,在此不作限定。
本实施例中,配电网设备即为分布在配电网的一些电力设备,故障参数即为多模态监控数据、巡检数据以及故障录波图,根据知识图谱来自动生成得到相应的故障类型。
步骤S5,参考图5,最后,根据步骤S4形成的知识图谱推理结果,来生成相应的预警信息,根据预警信息来指定相应的维修策略;具体的,可以通过AI策略生成平台进行初始的维修策略生成,随后手动对其生成的策略进行修改。
步骤S5还包括有以下的过程,即进行相似程度的判断,具体的,判断知识图谱中的多模态监控数据和巡检数据与第一验证信息的相似程度是否在预设范围内,如果相似程度在预设的范围内,那么不需要进行知识图谱参数的修正,如果相似程度不在预设的范围内,那么需要进行知识图谱参数修正。
具体的,相似程度通过比对知识图谱中的多模态监控数据和巡检数据的向量信息来完成,将第一验证信息进行相应的处理之后,将其也转化为向量的形式,通过比对两者向量的余弦值来确定相似程度。
本实施例中,计算知识图谱中的多模态监控数据和巡检数据与第一验证信息的相似程度来确定是否对参数进行修正,第一验证信息即为利用其它可靠手段获取得到的知识图谱中的多模态监控数据和巡检数据。
对于步骤S5,还包括有关于知识图谱中的故障录波图的相似程度判断,即将知识图谱中的故障录波图与第二验证信息的相似程度进行比对,判断其是否在预设范围之内,如果相似程度在预设的范围内,那么不需要进行知识图谱参数的修正,如果相似程度不在预设的范围内,那么需要进行知识图谱参数修正。
本实施例中,知识图谱中的故障录波图的相似程度的比对也可通过向量信息的比对来完成,需要将第二验证信息进行如步骤S3的处理,将其转换为向量形式,随后进行比对。
本实施例中,首先获取得到配电网的多模态监控数据、巡检数据以及故障录波图,在完成获取后,分别对这些数据进行预处理;对多模态监控数据以及巡检数据进行融合处理,对于融合结果进行编码;对故障录波图进行识别和编码,并生成初步的配电网故障类型;最后构建出三元组故障识别知识图谱,通过输入相应的数据,直接推理得到配电网设备对应的配电网故障类型;根据推理结果得到相应的预警信息,根据预警信息来进行定制化的维修,及时对配电网设备进行故障预警,保证配电网的平稳运行。
实施例2
在实施例1的基础上,还提出一种基于多模态数据的配电网故障预警系统,其主要包括有采集和处理模块、识别编码模块、知识图谱生成模块以及预警信息生成模块;具体的,采集和处理模块与识别编码模块连接,识别编码模块与知识图谱生成模块连接,知识图谱生成模块与预警信息生成模块连接。
对于本技术方案中的采集和处理模块,其主要执行的功能为采集配电网的多模态监控数据以及巡检数据,并且能够获取故障录波图;此外,该模块该提供暂存单元,能够将采集后的数据进行分类存储;最后对这些数据进行预处理。
对于本技术方案中的识别编码模块,主要执行的功能为对多模态监控数据和巡检数据的融合结果以及故障录波图进行识别编码。
识别编码模块主要包括有第一识别编码单元以及第二识别编码单元,第一识别编码单元能够对多模态监控数据和巡检数据进行融合处理,对于该单元更为具体的功能,可参考实施例1的步骤S2,在此不做赘述。
第二识别编码单元能够通过建立起的图像判断模型对故障录波图进行识别和编码,并且能够生成有初步的配电网故障类型,该生成的配电网故障类型能够作为构建的知识图谱的训练数据。
本实施例中,对于第一识别编码单元,其能够对数据进行归一化的处理,在完成归一化的处理之后进行融合处理,并对融合处理结果进行编码,形成相应的向量信息;对于第二识别编码单元,其具体通过建立的图像判断模型来进行处理,其不仅仅能够输出故障类型,还能够根据其中间数据来进行识别编码。
对于本技术方案中的知识图谱生成模块,其主要执行的功能为建立起关于配电网故障的三元组故障识别知识图谱;根据该知识图谱能够输出相应的配电网故障类型,对于该模块更为详细的描述,具体可参考实施例1的步骤S4。
对于本技术方案中的预警信息生成模块,其主要执行的功能为生成相应的预警信息,并能够根据预警信息来指定相应的维修措施,来保证配电网设备的故障安全。
本实施例中,采集和处理模块在完成相关的数据采集和数据预处理过程之后,进入至识别编码模块中分别对多模态监控数据和巡检数据的融合结果以及故障录波图进行识别编码,随后根据上述的信息生成三元组故障识别知识图谱,根据知识图谱来获取得到相应的故障类型,最后,根据预警信息生成模块中的智能生成单元来生成相应的预警信息,保证对于配电网故障的及时汇报和预警。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
Claims (10)
1.一种基于多模态数据的配电网故障预警方法,其特征在于,包括以下步骤:
S1,采集配电网的多模态监控数据和巡检数据,实时获取故障录波图,并进行预处理;
S2,对多模态监控数据和巡检数据进行归一化和融合处理,并对融合处理后的结果进行编码;
S3,通过构建的图像判断模型对故障录波图进行识别和编码,并得到初步的配电网故障类型;
S4,构建关于配电网故障的三元组故障识别知识图谱,推理得到配电网设备对应的配电网故障类型;
S5,根据知识图谱推理结果生成预警信息,根据预警信息制定维修策略。
2.根据权利要求1所述的一种基于多模态数据的配电网故障预警方法,其特征在于,所述步骤S1包括:
S11,将获取得到的配电网的多模态监控数据和巡检数据进行按时间排序,并将相同类型的多模态监控数据与巡检数据一一对应,生成若干个待归一化数据组;
S12,对获取得到的故障录波图进行局部图像提取以及局部增强处理,生成增强处理后的故障录波图。
3.根据权利要求2所述的一种基于多模态数据的配电网故障预警方法,其特征在于,所述步骤S2包括:
S21,将待归一化数据组进行归一化处理,形成有介于0至1之间的数据组;
S22,采用AHP层次分析法确定每个数据组中关于多模态监控数据与巡检数据的权重值,形成有融合后的类型数据;
S23,根据智能AI编码工具将类型数据进行编码,并形成有对应的向量信息。
4.根据权利要求1或2或3所述的一种基于多模态数据的配电网故障预警方法,其特征在于,所述步骤S3包括:
S31,以卷积神经网络模型为基础,构建形成有图像判断模型,输出初步的配电网故障类型;
S32,结合智能AI编码工具对由故障录波图转换得到的文本信息进行编码,形成向量信息;
S33,判断输出的配电网故障类型与实际的配电网故障类型是否有区别,并确定是否重新调整模型参数。
5.根据权利要求2所述的一种基于多模态数据的配电网故障预警方法,其特征在于,所述步骤S12还包括:
确定增强处理后的故障录波图的总持续时间,基于该总持续时间内根据其电流或者电压的变化特征确定并提取出相关的特征,根据历史验证数据比对来确定相关的特征所反映的故障类型是否有重复,剔除重复的特征之后,得到故障录波图的关键特征。
6.根据权利要求4所述的一种基于多模态数据的配电网故障预警方法,其特征在于,所述步骤S4包括:
S41,以配电网设备为实体节点,以“配电网设备-故障参数-故障类型”三元组形式建立故障识别知识图谱;
S42,在配电网设备故障参数与知识图谱中的参数相同时,得到该配电网设备对应的故障类型。
7.根据权利要求1或2或3或6所述的一种基于多模态数据的配电网故障预警方法,其特征在于,所述步骤S5还包括:
判断知识图谱中的多模态监控数据和巡检数据与第一验证信息的相似程度是否在预设范围内,若是,则无需进行参数修正;若否,则对进行参数修正。
8.根据权利要求1或2或3或6所述的一种基于多模态数据的配电网故障预警方法,其特征在于,所述步骤S5还包括:
判断知识图谱中的故障录波图与第二验证信息的相似程度是否在预设范围内,若是,则无需进行参数修正;若否,则对进行参数修正。
9.一种基于多模态数据的配电网故障预警系统,使用权利要求1-8所述任一项的一种基于多模态数据的配电网故障预警方法,其特征在于,包括:
采集和处理模块,采集配电网的多模态监控数据和巡检数据,获取故障录波图,并进行预处理;
识别编码模块,分别对多模态监控数据和巡检数据的融合结果以及故障录波图进行识别编码;知识图谱生成模块,构建关于配电网故障的三元组故障识别知识图谱;
预警信息生成模块,根据知识图谱推理结果生成预警信息。
10.根据权利要求9所述的一种基于多模态数据的配电网故障预警系统,其特征在于,所述识别编码模块包括:
第一识别编码单元,对多模态监控数据和巡检数据进行归一化和融合处理,并对融合处理结果进行编码,形成向量信息
第二识别编码单元,通过构建的图像判断模型对故障录波图进行识别和编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410026310.4A CN118169503A (zh) | 2024-01-08 | 2024-01-08 | 一种基于多模态数据的配电网故障预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410026310.4A CN118169503A (zh) | 2024-01-08 | 2024-01-08 | 一种基于多模态数据的配电网故障预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118169503A true CN118169503A (zh) | 2024-06-11 |
Family
ID=91355239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410026310.4A Pending CN118169503A (zh) | 2024-01-08 | 2024-01-08 | 一种基于多模态数据的配电网故障预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118169503A (zh) |
-
2024
- 2024-01-08 CN CN202410026310.4A patent/CN118169503A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110108914B (zh) | 一种反窃电智能化决策方法、系统、设备及介质 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN113887846B (zh) | 一种电容式电压互感器的超差风险预警方法 | |
CN116467674B (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
CN113033780A (zh) | 一种基于双层注意力机制的云平台资源预测方法 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN114066196A (zh) | 一种电网投资策略优化系统 | |
CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
CN116011825A (zh) | 一种配电电缆线路运行风险多维度评价方法 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN117435997B (zh) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 | |
CN110597792A (zh) | 基于同期线损数据融合的多级冗余数据融合方法及装置 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 | |
CN112733456A (zh) | 一种反窃电行为识别方法和系统 | |
CN118169503A (zh) | 一种基于多模态数据的配电网故障预警方法及系统 | |
CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
CN111026741A (zh) | 基于时间序列相似性的数据清洗方法及装置 | |
CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
CN115564170A (zh) | 一种配电智能终端可靠性评估方法 | |
CN114265837A (zh) | 一种站端交互数据特征提取方法 | |
CN115684835B (zh) | 配电网故障诊断方法、装置、设备及存储介质 | |
CN117371623B (zh) | 一种电能表运行状态预警方法及系统 | |
CN117556059B (zh) | 一种基于知识融合与推理充电站数据的检测及矫正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |