CN117011805B - 一种数据异常评估方法、装置、设备和可读存储介质 - Google Patents
一种数据异常评估方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN117011805B CN117011805B CN202311281828.4A CN202311281828A CN117011805B CN 117011805 B CN117011805 B CN 117011805B CN 202311281828 A CN202311281828 A CN 202311281828A CN 117011805 B CN117011805 B CN 117011805B
- Authority
- CN
- China
- Prior art keywords
- data
- node
- detected
- power grid
- grid line
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 40
- 230000005856 abnormality Effects 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 230000035772 mutation Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请公开了一种数据异常评估方法、装置、设备和可读存储介质,方法包括:以测控一体化终端处作为馈线节点,将待检测电网线路进行区域划分成各子区域;采集得到流经各馈线节点的节点电压数据和节点电流数据;对拍摄得到的待检测电网线路的原始图像进行RGB值统一化处理,生成待检测电网线路的图像数据;确定各馈线节点的电压电流突变量比值;将各馈线节点的电压电流突变量比值构成的一维向量确定为各子区域的运行异常数据;将运行异常数据以及图像数据输入预置的多特征融合模型,得到各子区域的数据异常发生概率。本申请可在电网线路数据异常时,及时对故障发生处进行定位,同时结合多源数据进行分析,能提高故障定位的可靠性和准确度。
Description
技术领域
本申请涉及电网检测领域,更具体地说,涉及一种数据异常评估方法、装置、设备和可读存储介质。
背景技术
随着新型电力***的发展,配电***的供电连续稳定将得到更多的重视,同时也将面临更多的挑战。由于电网线路中的数据量越来越大,对于其中产生异常数无法及时有效地处理,将影响配电网数据***的正常运行。配电网作为连接供电设施与电力用户的关键纽带,为保障供电连续以及在已经发生数据异常后尽快恢复电网供电,需要快速准确的确定导致其产生数据异常的位置,以进行后续检修工作。
因此,对于大规模电网线路,需要一种新的方案来提高数据异常评估与定位的可靠性与准确度。
发明内容
有鉴于此,本申请提供了一种数据异常评估方法、装置、设备和可读存储介质,可在电网线路数据异常时,及时对故障发生处进行定位,同时结合多源数据进行分析,能提高故障定位的可靠性和准确度。
一种数据异常评估方法,包括:
以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域;
采集得到流经各所述馈线节点的节点电压数据和节点电流数据;
对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据;
根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值;
将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据;
将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率。
优选的,根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值,还包括:
计算所述节点电压数据和所述节点电流数据中的电压突变量和电流突变量;
基于所述电压突变量和所述电流突变量,确定故障发生后一个周波内各所述馈线节点的电压电流突变量比值。
优选的,所述故障发生后一个周波内各所述馈线节点的电压电流突变量比值的计算公式为:
;
其中,为一个周波内的采样点数,/>为馈线节点相电压突变量,/>为馈线节点相电流突变量。
优选的,所述多特征融合模型由多层感知器、卷积神经网络、融合层以及softmax函数层构成;
将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率,包括:
将所述待检测电网线路中的各所述子区域的运行异常数据输入所述多特征融合模型的多层感知器中,得到第一识别特征;
将所述待检测电网线路的图像数据输入所述多特征融合模型的卷积神经网络中,得到第二识别特征;
将所述第一识别特征和所述第二识别特征输入所述多特征融合模型的融合层进行特征融合处理,生成综合识别特征;
将所述综合识别特征输入所述多特征融合模型的softmax函数层,得到各所述子区域的数据异常发生概率。
优选的,以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域,包括:
将待检测电网线路中的各测控一体化终端处确定为各馈线节点;
以电流依次流经的两个相邻的所述馈线节点作为一个子区域,对所述待检测电网线路进行区域划分,并将第一次流经的所述馈线节点作为与所述子区域唯一对应的所述馈线节点。
优选的,在生成所述待检测电网线路的图像数据之前,还包括:
对所述RGB值统一化处理后的所述原始图像进行灰度化、增强化以及去噪处理。
优选的,所述RGB值统一化处理公式为:
;
其中,R(x,y)、G(x,y)、B(x,y)为原始图像的每个像素点的RGB值,Gray(x,y)为RGB值统一化处理后得到的每个像素点的RGB统一值。
一种数据异常评估装置,包括:
节点划分单元,用于以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域;
数据采集单元,用于采集得到流经各所述馈线节点的节点电压数据和节点电流数据;
图像处理单元,用于对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据;
比值计算单元,用于根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值;
异常数据单元,用于将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据;
概率检测单元,用于将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率。
一种数据异常评估设备,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如上述任一项所述的应用数据异常评估方法的各个步骤。
一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如上述任一项所述的数据异常评估方法的各个步骤。
从上述的技术方案可以看出,本申请实施例提供的一种数据异常评估方法、装置、设备和可读存储介质,以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域。之后采集得到流经各所述馈线节点的节点电压数据和节点电流数据,以及通过对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据。根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值,并将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据。最后,将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率。
本申请通过将待检测电网线路划分成与各馈线节点唯一对应的各子区域,之后基于每一馈线节点的节点电压数据和节点电流数据,确定各馈线节点的电压电流突变量比值,形成各子区域的运行异常数据,通过多特征融合模型同时结合待检测电网线路的图像的特征,确定得到各子区域的数据异常发生概率,从而对待检测电网中数据异常进行评估,以及对数据异常发生处进行定位。利用本申请在数据异常时,及时对故障发生处进行定位,同时结合多源数据进行分析,能提高故障定位的可靠性和准确度。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种数据异常评估方法的流程图;
图2为本申请实施例公开的另一种数据异常评估方法的流程图;
图3为本申请实施例公开的一种待检测电网线路的示意图;
图4为本申请实施例公开的一种数据异常评估装置的示意图;
图5为本申请实施例公开的数据异常评估设备的硬件结构框图。
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,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。
本申请可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本申请实施例提供一种数据异常评估方法,该方法可以应用于各种配电网检测***或故障识别***中,亦可以应用在各种计算机终端或是智能终端中,其执行主体可以为计算机终端或是智能终端的处理器或服务器。
接下来介绍本申请方案,本申请提出如下技术方案,具体参见下文。
图1为本申请实施例公开的一种数据异常评估方法的流程图。
图2为本申请实施例公开的另一种数据异常评估方法的流程图。
如图1和图2所示,该方法可以包括:
步骤S1、以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域。
具体的,生成与各所述馈线节点唯一对应的各子区域的过程具体可以包括以下两步:
①将待检测电网线路中的各测控一体化终端处确定为各馈线节点;
②以电流依次流经的两个相邻的所述馈线节点作为一个子区域,对所述待检测电网线路进行区域划分,并将第一次流经的所述馈线节点作为与所述子区域唯一对应的所述馈线节点。
以图3所示的待检测电网线路为例,图3中的待检测电网线路以***电源为线路起始端,以分布式发电设备为线路尾端,每一圆形黑点为一个测控一体化终端,将待检测电网线路中的每一测控一体化终端确定为一个馈线节点,并编号为1-33,以电流依次流经的两个相邻的馈线节点作为一个子区域,对所述待检测电网线路进行区域划分,如图上L1-L33并将第一次流经的馈线节点作为与子区域唯一对应的所述馈线节点,如其中馈线节点1与馈线节点2之间的区域划分为一个子区域即L1,子区域L1为与馈线节点1唯一对应的子区域。
步骤S2、采集得到流经各所述馈线节点的节点电压数据和节点电流数据。
具体的,实时采集流经各馈线节点处的电流、电压,作为各所述馈线节点的节点电压数据和节点电流数据。
步骤S3、对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据。
具体的,通过对所述待检测电网线路进行拍摄,得到待检测电网线路的原始图像,为减少在图像处理过程中的计算量,对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据。RGB值统一化处理为将图像数据的每个像素点的RGB值统一成同一个值,从而减少在图像处理过程中的计算量。
所述RGB值统一化处理公式为:
;
其中,R(x,y)、G(x,y)、B(x,y)为原始图像的每个像素点的RGB值,Gray(x,y)为RGB值统一化处理后得到的每个像素点的RGB统一值。
为进一步提升图像数据的清晰度,减少其中不必要特征的干扰,减轻整体运算量,在生成所述待检测电网线路的图像数据之前,还包括:
对所述RGB值统一化处理后的所述原始图像进行灰度化、增强化以及去噪处理。
步骤S4、根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值。
具体的,本申请确定各所述馈线节点的电压电流突变量比值的过程可以分为以下三步:
①计算所述节点电压数据和所述节点电流数据中的电压突变量和电流突变量。
具体的,所述电压突变量和所述电流突变量的计算公式为:
;
其中,、/>分别为馈线节点φ的节点电流数据和节点电压数据,/>为故障时刻,T为工频周期,/>为整数。
②基于所述电压突变量和所述电流突变量,确定故障发生后一个周波内各所述馈线节点的电压电流突变量比值。
具体的,所述故障发生后一个周波内各所述馈线节点的电压电流突变量比值的计算公式为:
;
其中,为一个周波内的采样点数,/>为馈线节点相电压突变量,/>为馈线节点相电流突变量。
步骤S5、将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据。
步骤S6、将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率。
具体的,通过定义多特征融合模型的两个分支来分别处理运行异常数据即由各所述馈线节点的电压电流突变量比值构成的一维向量,以及待检测电网线路的图像数据,最后将这些分支合并起来,得到最终的各子区域的数据异常发生概率。
通过对电网故障运行数据进行训练建立多特征融合模型,所建立的多特征融合模型包括两个分支,其中第一个分支是一个多层感知器,用于处理数值输入,第二个分支是卷积神经网络,用于对图像数据进行操作。将待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,可以得到各子区域的数据异常发生概率,在待检测电网线路故障唯一的情况下,对比可以得出导致数据异常的故障概率最大区域,以对导致数据异常的故障进行故障定位。当然也可通过数据异常发生概率大小排序进行逐一区域进行具体检测,从而排查可能导致数据异常的各项电网线路问题。
如图2所示,所述多特征融合模型由多层感知器、卷积神经网络、融合层以及softmax函数层构成;
将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率,包括:
将所述待检测电网线路中的各所述子区域的运行异常数据输入所述多特征融合模型的多层感知器中,得到第一识别特征;
将所述待检测电网线路的图像数据输入所述多特征融合模型的卷积神经网络中,得到第二识别特征;
将所述第一识别特征和所述第二识别特征输入所述多特征融合模型的融合层进行特征融合处理,生成综合识别特征;
将所述综合识别特征输入所述多特征融合模型的softmax函数层,得到各所述子区域的数据异常发生概率。
此外,本申请提出的基于多源数据的数据异常评估方法解决了单一数据源进行数据异常评估时可能存在的由于数据采集存在误差而导致误判的潜在问题,提高了对待检测电网线路进行数据异常评估以及故障定位的可靠性与准确性。
从上述的技术方案可以看出,本申请实施例提供的一种数据异常评估方法、装置、设备和可读存储介质,以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域。之后采集得到流经各所述馈线节点的节点电压数据和节点电流数据,以及通过对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据。根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值,并将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据。最后,将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率。
本申请通过将待检测电网线路划分成与各馈线节点唯一对应的各子区域,之后基于每一馈线节点的节点电压数据和节点电流数据,确定各馈线节点的电压电流突变量比值,形成各子区域的运行异常数据,通过多特征融合模型同时结合待检测电网线路的图像的特征,确定得到各子区域的数据异常发生概率,从而对待检测电网中数据异常进行评估,以及对数据异常发生处进行定位。利用本申请在数据异常时,及时对故障发生处进行定位,同时结合多源数据进行分析,能提高故障定位的可靠性和准确度。
下面对本申请实施例提供的一种数据异常评估装置进行描述,下文描述的一种数据异常评估装置与上文描述的一种数据异常评估方法可相互对应参照。
参见图4,图4为本申请实施例公开的一种数据异常评估装置的示意图。
如图4所示,所述一种数据异常评估装置可以包括:
节点划分单元110,用于以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域;
数据采集单元120,用于采集得到流经各所述馈线节点的节点电压数据和节点电流数据;
图像处理单元130,用于对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据;
比值计算单元140,用于根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值;
异常数据单元150,用于将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据;
概率检测单元160,用于将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率。
从上述的技术方案可以看出,本申请实施例提供的一种数据异常评估方法、装置、设备和可读存储介质,以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域。之后采集得到流经各所述馈线节点的节点电压数据和节点电流数据,以及通过对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据。根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值,并将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据。最后,将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率。
本申请通过将待检测电网线路划分成与各馈线节点唯一对应的各子区域,之后基于每一馈线节点的节点电压数据和节点电流数据,确定各馈线节点的电压电流突变量比值,形成各子区域的运行异常数据,通过多特征融合模型同时结合待检测电网线路的图像的特征,确定得到各子区域的数据异常发生概率,从而对待检测电网中数据异常进行评估,以及对数据异常发生处进行定位。利用本申请在数据异常时,及时对故障发生处进行定位,同时结合多源数据进行分析,能提高故障定位的可靠性和准确度。
可选的,所述比值计算单元,可以包括:
突变量计算单元,用于计算所述节点电压数据和所述节点电流数据中的电压突变量和电流突变量;
突变量比值单元,用于基于所述电压突变量和所述电流突变量,确定故障发生后一个周波内各所述馈线节点的电压电流突变量比值。
可选的,所述故障发生后一个周波内各所述馈线节点的电压电流突变量比值的计算公式为:
;
其中,为一个周波内的采样点数,/>为馈线节点相电压突变量,/>为馈线节点相电流突变量。
可选的,所述多特征融合模型由多层感知器、卷积神经网络、融合层以及softmax函数层构成;
所述概率检测单元执行将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率的过程,可以包括:
将所述待检测电网线路中的各所述子区域的运行异常数据输入所述多特征融合模型的多层感知器中,得到第一识别特征;
将所述待检测电网线路的图像数据输入所述多特征融合模型的卷积神经网络中,得到第二识别特征;
将所述第一识别特征和所述第二识别特征输入所述多特征融合模型的融合层进行特征融合处理,生成综合识别特征;
将所述综合识别特征输入所述多特征融合模型的softmax函数层,得到各所述子区域的数据异常发生概率。
可选的,所述节点划分单元,可以包括:
节点确定单元,用于将待检测电网线路中的各测控一体化终端处确定为各馈线节点;
区域划分单元,用于以电流依次流经的两个相邻的所述馈线节点作为一个子区域,对所述待检测电网线路进行区域划分,并将第一次流经的所述馈线节点作为与所述子区域唯一对应的所述馈线节点。
可选的,所述数据异常评估装置,还可以包括:
预处理单元,用于在生成所述待检测电网线路的图像数据之前,对所述RGB值统一化处理后的所述原始图像进行灰度化、增强化以及去噪处理。
可选的,所述RGB值统一化处理公式为:
;
其中,R(x,y)、G(x,y)、B(x,y)为原始图像的每个像素点的RGB值,Gray(x,y)为RGB值统一化处理后得到的每个像素点的RGB统一值。
本申请实施例提供的数据异常评估装置可应用于数据异常评估设备。图5示出了数据异常评估设备的硬件结构框图,参照图5,数据异常评估设备的硬件结构可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域;
采集得到流经各所述馈线节点的节点电压数据和节点电流数据;
对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据;
根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值;
将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据;
将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率。
可选地,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质,该可读存储介质可存储有适于处理器执行的程序,所述程序用于:
以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域;
采集得到流经各所述馈线节点的节点电压数据和节点电流数据;
对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据;
根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值;
将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据;
将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率。
可选地,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种数据异常评估方法,其特征在于,包括:
以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域;
采集得到流经各所述馈线节点的节点电压数据和节点电流数据;
对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据;
根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值;
将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据;
将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率;
其中,所述以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域,包括:
将待检测电网线路中的各测控一体化终端处确定为各馈线节点;
以电流依次流经的两个相邻的所述馈线节点作为一个子区域,对所述待检测电网线路进行区域划分,并将第一次流经的所述馈线节点作为与所述子区域唯一对应的所述馈线节点;
所述多特征融合模型由多层感知器、卷积神经网络、融合层以及softmax函数构成;
将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率,包括:
将所述待检测电网线路中的各所述子区域的运行异常数据输入所述多特征融合模型的多层感知器中,得到第一识别特征;
将所述待检测电网线路的图像数据输入所述多特征融合模型的卷积神经网络中,得到第二识别特征;
将所述第一识别特征和所述第二识别特征输入所述多特征融合模型的融合层进行特征融合处理,生成综合识别特征;
将所述综合识别特征输入所述多特征融合模型的softmax函数层,得到各所述子区域的数据异常发生概率。
2.根据权利要求1所述的方法,其特征在于,根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值,包括:
计算所述节点电压数据和所述节点电流数据中的电压突变量和电流突变量;
基于所述电压突变量和所述电流突变量,确定故障发生后一个周波内各所述馈线节点的电压电流突变量比值。
3.根据权利要求2所述的方法,其特征在于,所述故障发生后一个周波内各所述馈线节点的电压电流突变量比值的计算公式为:
;
其中,为一个周波内的采样点数,/>为馈线节点相电压突变量,/>为馈线节点相电流突变量。
4.根据权利要求1所述的方法,其特征在于,在生成所述待检测电网线路的图像数据之前,还包括:
对所述RGB值统一化处理后的所述原始图像进行灰度化、增强化以及去噪处理。
5.根据权利要求1所述的方法,其特征在于,所述RGB值统一化处理公式为:
;
其中,R(x,y)、G(x,y)、B(x,y)为原始图像的每个像素点的RGB值,Gray(x,y)为RGB值统一化处理后得到的每个像素点的RGB统一值。
6.一种数据异常评估装置,其特征在于,包括:
节点划分单元,用于以待检测电网线路中的测控一体化终端处作为馈线节点,对所述待检测电网线路进行区域划分,生成与各所述馈线节点唯一对应的各子区域;
数据采集单元,用于采集得到流经各所述馈线节点的节点电压数据和节点电流数据;
图像处理单元,用于对拍摄得到的所述待检测电网线路的原始图像进行RGB值统一化处理,生成所述待检测电网线路的图像数据;
比值计算单元,用于根据各所述馈线节点的所述节点电压数据和所述节点电流数据,确定各所述馈线节点的电压电流突变量比值;
异常数据单元,用于将由各所述馈线节点的电压电流突变量比值构成的一维向量,作为与各所述馈线节点唯一对应的各子区域的运行异常数据;
概率检测单元,用于将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率;
其中,所述节点划分单元,包括:
节点确定单元,用于将待检测电网线路中的各测控一体化终端处确定为各馈线节点;
区域划分单元,用于以电流依次流经的两个相邻的所述馈线节点作为一个子区域,对所述待检测电网线路进行区域划分,并将第一次流经的所述馈线节点作为与所述子区域唯一对应的所述馈线节点;
所述多特征融合模型由多层感知器、卷积神经网络、融合层以及softmax函数构成;
将所述待检测电网线路中的各所述子区域的运行异常数据以及所述待检测电网线路的图像数据输入预置的多特征融合模型,得到各所述子区域的数据异常发生概率,包括:
将所述待检测电网线路中的各所述子区域的运行异常数据输入所述多特征融合模型的多层感知器中,得到第一识别特征;
将所述待检测电网线路的图像数据输入所述多特征融合模型的卷积神经网络中,得到第二识别特征;
将所述第一识别特征和所述第二识别特征输入所述多特征融合模型的融合层进行特征融合处理,生成综合识别特征;
将所述综合识别特征输入所述多特征融合模型的softmax函数层,得到各所述子区域的数据异常发生概率。
7.一种数据异常评估设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1-5中任一项所述的数据异常评估方法的各个步骤。
8.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-5中任一项所述的数据异常评估方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311281828.4A CN117011805B (zh) | 2023-10-07 | 2023-10-07 | 一种数据异常评估方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311281828.4A CN117011805B (zh) | 2023-10-07 | 2023-10-07 | 一种数据异常评估方法、装置、设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117011805A CN117011805A (zh) | 2023-11-07 |
CN117011805B true CN117011805B (zh) | 2024-02-06 |
Family
ID=88573013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311281828.4A Active CN117011805B (zh) | 2023-10-07 | 2023-10-07 | 一种数据异常评估方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011805B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687398A (zh) * | 2019-10-12 | 2020-01-14 | 广西电网有限责任公司电力科学研究院 | 基于多源数据融合的配电网故障智能搜索定位方法 |
CN111398733A (zh) * | 2020-03-19 | 2020-07-10 | 华中科技大学 | 一种海洋核动力平台电网接地故障选线保护方法和*** |
CN114460411A (zh) * | 2020-11-09 | 2022-05-10 | 国网黑龙江省电力有限公司检修公司 | 输电网的故障定位方法、装置及***、处理器、电子设备 |
CN114841199A (zh) * | 2022-04-18 | 2022-08-02 | 武汉大学 | 配电网故障诊断方法、装置、设备及可读存储介质 |
CN115291046A (zh) * | 2022-09-30 | 2022-11-04 | 南京鼎研电力科技有限公司 | 基于电网运行大数据的电网配电异常识别方法 |
WO2022237207A1 (zh) * | 2021-10-22 | 2022-11-17 | 广西电网有限责任公司电力科学研究院 | 一种配电网线路故障定位方法及*** |
CN115932474A (zh) * | 2022-12-05 | 2023-04-07 | 国网宁夏电力有限公司 | 一种有源配电网运行状态诊断***及诊断方法 |
CN116739996A (zh) * | 2023-05-23 | 2023-09-12 | 燕山大学 | 基于深度学习的输电线路绝缘子故障诊断方法 |
-
2023
- 2023-10-07 CN CN202311281828.4A patent/CN117011805B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687398A (zh) * | 2019-10-12 | 2020-01-14 | 广西电网有限责任公司电力科学研究院 | 基于多源数据融合的配电网故障智能搜索定位方法 |
CN111398733A (zh) * | 2020-03-19 | 2020-07-10 | 华中科技大学 | 一种海洋核动力平台电网接地故障选线保护方法和*** |
CN114460411A (zh) * | 2020-11-09 | 2022-05-10 | 国网黑龙江省电力有限公司检修公司 | 输电网的故障定位方法、装置及***、处理器、电子设备 |
WO2022237207A1 (zh) * | 2021-10-22 | 2022-11-17 | 广西电网有限责任公司电力科学研究院 | 一种配电网线路故障定位方法及*** |
CN114841199A (zh) * | 2022-04-18 | 2022-08-02 | 武汉大学 | 配电网故障诊断方法、装置、设备及可读存储介质 |
CN115291046A (zh) * | 2022-09-30 | 2022-11-04 | 南京鼎研电力科技有限公司 | 基于电网运行大数据的电网配电异常识别方法 |
CN115932474A (zh) * | 2022-12-05 | 2023-04-07 | 国网宁夏电力有限公司 | 一种有源配电网运行状态诊断***及诊断方法 |
CN116739996A (zh) * | 2023-05-23 | 2023-09-12 | 燕山大学 | 基于深度学习的输电线路绝缘子故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
何正友.《配电网故障诊断》.成都:西南交通大学出版社,2011,第76-81页. * |
配电网馈线故障区段定位***;郭谋发 等;《电力***及其自动化学报》;23(02);第18-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117011805A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fahim et al. | Self attention convolutional neural network with time series imaging based feature extraction for transmission line fault detection and classification | |
Wu et al. | Power transfer allocation for open access using graph theory-fundamentals and applications in systems without loopflow | |
Garcia-Perez et al. | Fully-convolutional denoising auto-encoders for NILM in large non-residential buildings | |
US20190072942A1 (en) | Method of generating plant normal state prediction data and apparatus using the same | |
Massignan et al. | Tracking power system state evolution with maximum-correntropy-based extended Kalman filter | |
Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
Mandal et al. | Sensor fault detection in Nuclear Power Plant using statistical methods | |
CN115549084A (zh) | 配电网故障确定方法、装置、计算机设备和存储介质 | |
Fahim et al. | An unsupervised protection scheme for overhead transmission line with emphasis on situations during line and source parameter variation | |
Yadav et al. | A finite-state machine based approach for fault detection and classification in transmission lines | |
CN111126492A (zh) | 光伏电网的故障类型的确定方法及装置 | |
CN117011805B (zh) | 一种数据异常评估方法、装置、设备和可读存储介质 | |
Matar et al. | Transformer-based deep learning model for forced oscillation localization | |
Wang et al. | An Accurate and interpretable framework for trustworthy process monitoring | |
CN116843656B (zh) | 钢带管的涂塑控制方法及其*** | |
Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
CN111259877B (zh) | 一种交通异常场景的判断方法、装置、设备及存储介质 | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
CN117225091A (zh) | 布袋除尘器的运行状态监测***及方法 | |
CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
Barros et al. | Detection and classification of voltage disturbances in electrical power systems using a modified Euclidean ARTMAP neural network with continuous training | |
Wu et al. | Custom machine learning architectures: towards realtime anomaly detection for flight testing | |
CN107958089A (zh) | 构建模型的方法和装置以及异常数据的检测方法和装置 | |
Fayyad et al. | Transmission line protection using high-speed decision tree and artificial neural network: A hardware co-simulation approach | |
Yang et al. | Structural identifiability of generalized constraint neural network models for nonlinear regression |
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 |