具体实施方式
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,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。
下面参考本申请的若干代表性实施方式,详细阐释本申请的原理和精神。
虽然本申请提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本申请实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
1989年8月底在美国举行的人工智能国际会议第十一届会议上诞生了数据挖掘的概念。1995年,美国计算机年会上,明确了数据挖掘的含义,即通过数据提取潜在规律及有用的知识信息的过程。进入21世纪后,由于信息化进程的加速,数据量呈***式增长,海量数据的出现,让“大数据”的概念应运而生。智能电网海量数据中往往隐含着各种各样有用的信息,仅仅依靠传统的数据库查询检索机制和统计学方法很难获得这些信息,迫切需要能自动地、智能地将待处理的数据转化为有价值的信息,从而达到为决策服务的目的,即“大数据”技术和应用。大数据分析技术可以充分合理的挖掘可能影响输电线路的多种有效信息进行挖掘分析,为智能电网的广泛推广提供了新的思路和方法。
本申请实施例的实现原理如图1所示,通过输电线路台账数据、输电线路历史问题数据和手持机信息,基于机器学习模型的算法和关联查询的算法,构建一种输电线路手持机巡检方法及装置,实现提前获取到手持机需要重点巡视的输电线路杆塔部件信息,从而可以有效提升手持机在输电线路杆塔的巡检效率。
图2示出了本申请实施例提供的一种输电线路手持机巡检方法流程示意图,如图2所示,该方法包括:
步骤201:获取输电线路台账数据、输电线路历史问题数据和手持机信息,其中,所述输电线路历史问题数据包括输电线路历史缺陷数据、输电线路历史隐患数据、输电线路历史故障数据。
步骤202:根据所述输电线路台账数据、所述输电线路历史问题数据,确定输电线路杆塔历史问题部件信息。
步骤203:根据所述输电线路台账数据和所述手持机信息,确定手持机在输电线路杆塔的任务信息。
步骤204:根据所述输电线路杆塔历史问题部件信息和所述手持机在输电线路杆塔的任务信息,确定手持机需要巡检的输电线路杆塔部件信息。
本申请实施例中,输电线路台账数据包括以下之一或组合:线路名称、所属单位、运维单位、维护班组、电压等级、线路***数、导线型号、导线股数及规格、地线根数、地线类型、地线股数及规格、杆塔号、杆塔性质、塔型、杆塔材质、固定方式、地形、基础形式。输电线路缺陷历史数据包括以下之一或组合:发现日期、线路名称、电压等级、缺陷设备、设备类型、缺陷性质、缺陷描述、缺陷内容、处理结果。输电线路隐患历史数据包括以下之一或组合:隐患发现日期、线路名称、杆塔号、隐患描述。输电线路故障历史数据包括:故障发生时间、线路名称、故障情况、处理结果。手持机信息包括以下之一或组合:手持机名称、巡检时间及任务信息。
在步骤201中,获取输电线路台账数据、输电线路历史缺陷数据、输电线路历史隐患数据、输电线路历史故障数据和手持机信息可以从生产管理信息***中直接获取,其各数据形式以表格形式举例说明。
将获取的输电线路历史缺陷案例数据用Q1、Q2、Q3、Q4、Q5……表示,其部分详细内容见下表1所示。将获取的输电线路历史故障案例数据用G1、G2、G3、G4、G5……表示其部分详细内容见下表2所示。将获取的输电线路历史隐患案例数据用Y1、Y2、Y3、Y4、Y5……表示其部分详细内容见下表3所示。
表1
表2
表3
在步骤202中,对于获取到的输电线路台账数据、输电线路历史缺陷数据、输电线路历史隐患数据、输电线路历史故障数据,利用机器学习模型对所述输电线路历史缺陷数据、所述输电线路历史隐患数据和所述输电线路历史故障数据提取设定文本词,计算提取出的设定文本词的权重,对满足设定权重值的设定文本词进行聚类,得到聚类后的输电线路历史问题部件信息;进一步地,再利用关联查询模型对所述输电线路台账数据和聚类后的输电线路历史问题部件信息进行设定文本词的匹配,得到输电线路杆塔历史问题部件信息。
具体来说,上述步骤202中可以利用机器学习模型,基于词频-逆文本频率指数(term frequency-inverse document frequency,TF-IDF)加权统计算法或者主成分分析法(principal components analysis,PCA)实现设定文本词的提取,计算设定文本词的权重,并通过K-means(K均值)聚类算法对设定文本词进行聚类,从而实现完整的文本挖掘分析。进一步,通过关联查询输电线路台账数据,得到某一输电线路具体的杆塔段历史数据显示的发生过的缺陷、隐患和故障的具体部件信息。
下面对本申请实施例中应用的TF-IDF加权统计算法进行详细介绍:
(1)计算词频(term frequency,TF):计算某个词在给定文中出现的总次数。
(2)计算逆文档频率(inverse document frequency,IDF):计算log语料库的文档总数包含该词的文档数+1。
(3)计算词频-逆文档频率(TF-IDF):词频-逆文档频率=词频×逆文档频率。
其中,如果包含词条t的文档越少,也就是n越小,IDF越大,则说明词条t具有良好的类别区分能力。假设某一类文档C中包含词条t的文档数为m,而其它类包含t的文档总数为k,则所有包含t的文档数n=m+k。当m增大,n随之增大,按照IDF公式得到的IDF的值会减小,说明该词条t类别区分能力不强。但在实际应用中,如果一个词条在一个类的文档中频繁出现,则说明该词条能够较好的代表这个类的文本的特征,该类词条应该赋予较高的权重,并作为该类文本的特征词以区别于其它类文档。词频是对词数(term count)的归一化,以防止偏向长的文件。
对于在某一特定文件里的词语t
i来说,它的重要性可表示为:
逆向文档频率是一个词语普遍重要性的度量。某一特定词语的IDF,可以由总文件数目除以包含该词语之文件的数目,再将得到的商取对数得到:
其中,|D|为数据库中的文本总数,|{j:t
i∈d
j}|包含词语t
i的文本总数。进一步地,某一特定文件内的高词语频率,以及该词语在整个文件集合中的低文件频率,可以得到高权重的TF-IDF。用公式表示为tf
idf
i.j=tf
i,j×idf
i。因此利用TF-IDF加权统计算法可以过滤掉常见词语,保留重要词语。
举例来说,假如缺陷文本的总词语数是100个,而词语“绝缘子”出现了3次,那么“绝缘子”一词在该缺陷文本中的词频就是3/100=0.03。逆向文件频率即测定有多少份缺陷文本文件出现过“绝缘子”一词,然后除以缺陷文本集里包含的缺陷文本总数。所以,如果“绝缘子”一词在1000份文件出现过且文件总数是10,000,000份,其逆向文件频率就是log(10,000,000/1,000)=4。最后的TF-IDF的分数为0.03×4=0.12。
本申请实施例中,聚类分析使用目前较为成熟的k-Means聚类方法。在聚类算法中关键是找到频繁模式,以下对K-means聚类算法寻找频繁模式的流程进行举例说明。
其中,将大小为k的频繁谓词集的集合记为Fk,将其候选集集合记为Ck,Fk和Ck都包含一个支持度属性字段。
(1)首先扫描一遍数据库,计算每个谓词的支持度并确定频繁的谓词,从而得到频繁1-谓词集的集合F1。
(2)此后每一次遍历数据库之前,将前一次遍历数据库获得的频繁(k-1)-谓词集的集合Fk-1定为种子集合,使用谓词集生成函数生成新的、潜在的频繁k-谓词集,即候选k-谓词集,形成集合Ck。
(3)在遍历数据库时确定Ck中每一个候选谓词集的支持度,每次扫描数据库结束时获得那些满足最小支持度条件的谓词集,即确定频繁k-谓词集,进而使它们成为下一次遍历的种子。
(4)重复上述(2)和(3)过程,直到无法发现新的频繁谓词集。
在K-means聚类算法寻找频繁模式的过程中,最核心的步骤就是“连接”和“枝剪”。除去第一步简单的计算谓词出现的概率以确定频繁1-谓词集以外,此后每个获得频繁k-谓词集集合的步骤都包含着:
(1)对已获得的频繁(k-1)-谓词集的集合Fk-1和其自身进行连接生成候选k-谓词集的集合Ck(k≥2)。
(2)遍历数据库计算Ck中每个候选谓词集的支持度并通过最小支持度进行枝剪,获得频繁k-谓词集的集合Fk。
对于每一个候选k-谓词集的生成,也同样包含着“连接”和“枝剪”的步骤:
(1)“连接”:K-means聚类假设事务和谓词集中的谓词都是按照字典顺序排列的,对于任意两个频繁(k-1)-谓词集f1和f2来说,如果这两个谓词集的前k-2个谓词都相同且第k-1个谓词不同,那么f1和f2是可连接的。通过连接f1和f2生成一个k-谓词集c,该k-谓词集包含f1和f2中所有谓词,并按照字典顺序排列,该k-谓词集c作为候选k-谓词集放入集合Ck中。
(2)“枝剪”:对于集合Ck中的每个k-谓词集c,如果该k-谓词集包含有不存在于Fk-1中的(k-1)-子集,则将c从候选集合Ck中删除。
图3示出了使用K-means聚类算法进行频繁谓词集寻找的全过程,其中最小支持度为2(以计数的方式表达支持度)。
在数据库中找出所有的频繁谓词集的基础上可以进一步生成该数据库中包含的关联规则。根据最小置信度条件,找出那些置信度不小于用户指定的最小置信度的关联规则,至此完成关联规则挖掘的任务。接下来,可以根据所得到的关联规则以及具体分析,从中获得需要的与输电线路历史缺陷数据、历史隐患数据、历史故障数据类型关联性最强的相关因素。
在运用K-means聚类算法之后,本申请实施例再结合输电线路的缺陷物理背景和专家经验,可以归纳常见的重点关注的巡检时输电线路杆塔部件为八类,包括杆塔(塔材、钢脚、螺栓、销子、螺母、脚钉、销子)、导线、地线、绝缘子、金具(防震锤、接线夹、线夹引流板、间隔棒)、异物(风筝、塑料、鸟巢)、附属设施(地线支架、航巡牌、警告牌、塔号牌、宣传牌)、杆塔基础(杆塔基面、护坡)。
进一步地,在步骤203中,利用关联查询模型对所述输电线路台账数据和所述手持机信息进行设定文本词的匹配,得到手持机在输电线路杆塔段的任务信息。举例来说,基于手持机的信息、手持机巡检时间及任务信息,匹配输电线路台账数据中的“杆塔号”,得到具体哪台手持机在某个巡检时间巡检的输电线路杆塔编号。
进一步地,在步骤204中,利用关联查询模型对所述输电线路杆塔历史问题部件信息和所述手持机在输电线路杆塔的任务信息进行设定文本词的匹配,得到手持机需要巡检的输电线路杆塔部件信息。举例来说,基于1号手持机某个巡检时间需要巡检的1号、2号、3号杆塔,匹配到1号、2号、3号杆塔的历史问题部件信息,因此得到1号手持机巡检1号、2号、3号输电线路杆塔时重点巡检的部件信息。
需要说明的是,关于在本申请实施例中提及的文本挖掘分析算法和关联查询算法,虽然在上述实施例中,有些步骤使用关联查询算法,有些步骤使用文本挖掘分析算法,但是其本质类似,因此,在整个方法实现过程中,可以统一使用关联查询算法,也可以统一使用文本挖掘分析算法,在哪个步骤使用哪个算法并不影响最后输电线路巡检目标预测的结果。本申请对具体步骤中使用的具体算法不作具体限定。
综上所述,本申请实施例通过获取输电线路台账数据、输电线路历史问题数据和手持机信息,其中,所述输电线路历史问题数据包括输电线路历史缺陷数据、输电线路历史隐患数据、输电线路历史故障数据;根据所述输电线路台账数据、所述输电线路历史问题数据,确定输电线路杆塔历史问题部件信息;根据所述输电线路台账数据和所述手持机信息,确定手持机在输电线路杆塔的任务信息;根据所述输电线路杆塔历史问题部件信息和所述手持机在输电线路杆塔的任务信息,确定手持机需要巡检的输电线路杆塔部件信息。利用大数据分析对可能影响输电线路的多种有效信息进行挖掘分析,可以得到输电线路上可能发生问题的需要重点关注的部件信息,从而实现输电线路安全巡检的智能化,有效提高了输电线路手持机的巡检效率。
本申请实施例还提供一种输电线路手持机巡检装置,如图4所示,该装置包括:
获取模块401,用于获取输电线路台账数据、输电线路历史问题数据和手持机信息,其中,所述输电线路历史问题数据包括输电线路历史缺陷数据、输电线路历史隐患数据、输电线路历史故障数据;
杆塔历史问题部件确定模块402,用于根据所述输电线路台账数据、所述输电线路历史问题数据,确定输电线路杆塔历史问题部件信息;
手持机杆塔任务确定模块403,用于根据所述输电线路台账数据和所述手持机信息,确定手持机在输电线路杆塔的任务信息;
手持机巡检杆塔部件确定模块404,用于根据所述输电线路杆塔历史问题部件信息和所述手持机在输电线路杆塔的任务信息,确定手持机需要巡检的输电线路杆塔部件信息。
本申请实施例中提供的输电线路台账数据包括以下之一或组合:线路名称、所属单位、运维单位、维护班组、电压等级、线路***数、导线型号、导线股数及规格、地线根数、地线类型、地线股数及规格、杆塔号、杆塔性质、塔型、杆塔材质、固定方式、地形、基础形式。输电线路历史缺陷数据包括以下之一或组合:发现日期、线路名称、电压等级、缺陷设备、设备类型、缺陷性质、缺陷描述、缺陷内容、处理结果。输电线路历史隐患数据包括以下之一或组合:隐患发现日期、线路名称、杆塔号、隐患描述;所述输电线路历史故障数据包括以下之一或组合:故障发生时间、线路名称、故障情况、处理结果。所述手持机信息包括以下之一或组合:手持机名称、巡检时间及任务信息。
其中,杆塔历史问题部件确定模块401,具体用于:利用机器学习模型对所述输电线路历史缺陷数据、所述输电线路历史隐患数据和所述输电线路历史故障数据提取设定文本词,计算提取出的设定文本词的权重,对满足设定权重值的设定文本词进行聚类,得到聚类后的输电线路历史问题部件信息;再进一步利用关联查询模型对所述输电线路台账数据和聚类后的输电线路历史问题部件信息进行设定文本词的匹配,得到输电线路杆塔历史问题部件信息。
其中,聚类后的输电线路历史问题部件信息包括以下之一或组合:
杆塔(塔材、钢脚、螺栓、销子、螺母、脚钉、销子)、导线、地线、绝缘子、金具(防震锤、接线夹、线夹引流板、间隔棒)、异物(风筝、塑料、鸟巢)、附属设施(地线支架、航巡牌、警告牌、塔号牌、宣传牌)、杆塔基础(杆塔基面、护坡)。
其中,手持机杆塔任务确定模块403,具体用于:利用关联查询模型对所述输电线路台账数据和所述手持机信息进行设定文本词的匹配,得到手持机在输电线路杆塔段的任务信息。
其中,手持机巡检杆塔部件确定模块404,具体用于:利用关联查询模型对所述输电线路杆塔历史问题部件信息和所述手持机在输电线路杆塔的任务信息进行设定文本词的匹配,得到手持机需要巡检的输电线路杆塔部件信息。
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、***、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。
本申请是参照根据本申请实施例的方法、设备(***)、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设备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设备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设备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设备上,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。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。