CN117391459B - 基于深度学习的电力运行风险预警方法及*** - Google Patents
基于深度学习的电力运行风险预警方法及*** Download PDFInfo
- Publication number
- CN117391459B CN117391459B CN202311705413.5A CN202311705413A CN117391459B CN 117391459 B CN117391459 B CN 117391459B CN 202311705413 A CN202311705413 A CN 202311705413A CN 117391459 B CN117391459 B CN 117391459B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- power line
- correlation
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013135 deep learning Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 79
- 238000010219 correlation analysis Methods 0.000 claims abstract description 40
- 238000012423 maintenance Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000000551 statistical hypothesis test Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力运行监测的技术领域,特别是涉及一种基于深度学***台获取被监测电力线路所在区域未来监测时间窗口内的气象数据;监测时间窗口表示电力运行风险预警起始时间戳和终止时间戳之间的时间段;对监测时间窗口内的气象数据进行关键参数提取,获得电力运行风险诱因参数集合;根据电网历史运维故障记录,设置电力线路故障类型集合;将电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得气象故障关联度。
Description
技术领域
本发明涉及电力运行监测的技术领域,特别是涉及一种基于深度学习的电力运行风险预警方法及***。
背景技术
电网是现代社会的重要基础设施,它承载着电力输送和分配的任务,对于维持经济活动、医疗护理和通信等至关重要;电网的可靠性和稳定性对于经济发展至关重要;电力是现代工业的基础,许多企业和机构都需要稳定的电力供应来维持其运营;如果电网出现故障或不可靠,将会对工业生产、商业活动和农业生产造成严重影响。
在电力运行过程中,天气因素导致的电力线路故障较为普遍;因此现有的电力运行风险预警方法,大多是通过气象预警来决定是否需要对电力线路进行提前检修,由于无法预测各种故障类型发生概率,导致检修项目多为统一固定的,没有针对性;而不同的故障类型可能需要不同的检修项目和维修措施,因此亟需一种基于深度学习的电力运行风险预警方法。
发明内容
为解决上述技术问题,本发明提供一种能够更准确地预测和预警电力线路的运行风险,提高电力***的可靠性和稳定性的基于深度学习的电力运行风险预警方法。
第一方面,本发明提供了基于深度学习的电力运行风险预警方法,包括:
利用气象预警平台获取被监测电力线路所在区域未来监测时间窗口内的气象数据;所述监测时间窗口表示电力运行风险预警起始时间戳和终止时间戳之间的时间段;
对所述监测时间窗口内的气象数据进行关键参数提取,获得电力运行风险诱因参数集合;
根据电网历史运维故障记录,设置电力线路故障类型集合;
将所述电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得气象故障关联度,所述气象故障关联度表示所述电力运行风险诱因参数集合与每种故障类型之间的关联度;
收集被监测电力线路的历史运行数据,并将历史运行数据上传至深度学习平台进行时序关联训练,获得电力线路运行预测模型;所述电力线路运行预测模型的输入为时间窗口,输出为线路运行电气参数集合;
将所述监测时间窗口输入至电力线路运行预测模型,获得被监测电力线路在未来监测时间窗口内的线路运行电气参数集合;
将所述线路运行电气参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得电气故障关联度,所述电气故障关联度表示所述线路运行电气参数集合与每种故障类型之间的关联度;
将对应相同故障类型的气象故障关联度与电气故障关联度进行加权计算,获得在未来监测时间窗口内该故障类型的故障易发指数;
将易发指数超过预设阈值的故障类型筛选出来,并与对应的故障易发指数相关联,获得易发故障类型集合,并将易发故障类型集合向运维人员进行提醒。
进一步地,所述电力运行风险诱因参数集合包括风力、降雨量、雷电等级、冰雹等级、温度和湿度;
所述电力线路故障类型集合包括短路故障、断路故障、接地故障、漏电故障、过载故障、欠压故障、谐波干扰故障、瞬时过压故障、雷电冲击故障和设备过热故障;
所述线路运行电气参数集合包括电流、电压、功率因数、谐波含量和温度。
进一步地,将所述电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析的方法,包括:
准备好历史的气象数据和电力线路故障数据,数据包括电力线路故障的类型和气象参数;
通过标准化方法对数据进行标准化,以确保它们在相同的尺度上;
使用相关系数,确定气象参数与不同故障类型之间的关联度,
通过执行统计显著性检验,以确定相关性是否显著;
为每种气象参数和每种故障类型分配权重,以反映气象参数在故障发生概率中的相对重要性;
根据相关性分析和权重计算的结果,得出每种气象参数与每种故障类型之间的关联度。
进一步地,所述相关系数采用Pearson相关系数、Spearman秩相关系数或Kendall秩相关系数中的一种。
进一步地,所述电力线路运行预测模型的构建方法,包括:
从监测的电力线路中获取历史运行数据,并对历史运行数据进行预处理,包括数据清洗、标准化和时间序列构建;
使用深度学习模型进行时序关联训练,模型的输入是历史时间窗口内的数据序列,输出是线路运行的电气参数集合;
将数据集划分为训练集和验证集,对模型进行训练,通过多次迭代优化模型的权重和参数,以最小化预测输出与实际观测值之间的误差;
对训练好的模型进行评估,使用验证集进行性能测试,确保模型对未见过的数据具有泛化能力;
完成训练和验证后,得到能够预测未来电力线路运行状态的电力线路运行预测模型;当新的监测时间窗口出现时,将这个时间窗口的起始时间戳和终止时间戳输入已训练好的模型中,以预测未来电力线路的电气参数集合。
进一步地,将对应相同故障类型的气象故障关联度与电气故障关联度进行加权计算的方法包括:
对气象故障关联度和电气故障关联度进行数据预处理,包括数据清洗、标准化或归一化操作,确保数据的一致性和可比较性;
为每种故障类型分别分配权重,权重的分配基于历史数据或专家知识;
将气象故障关联度和电气故障关联度分别乘以相应的权重,然后将结果相加,得到在未来监测时间窗口内该故障类型的故障易发指数;计算公式如下:
K=Rm×W1+Re×W2
其中,K表示故障易发指数,Rm表示气象故障关联度,Re表示电气故障关联度,W1和W2分别表示气象故障关联度和电气故障关联度的权重向量。
进一步地,获取被监测电力线路所在区域未来监测时间窗口内的气象数据的方法,包括:
确定监测时间窗口,包括预警起始时间戳和终止时间戳;
访问气象预警平台或数据源,确保选取的气象数据源能够提供足够的覆盖范围和精度;
使用API自动从所选气象数据源上获取未来监测时间窗口内的气象数据;
对获取到的气象数据进行处理,数据处理包括数据清洗、格式转换和去除异常数据;
检查并确保获得的气象数据的时间戳与监测时间窗口内的时间一致;
将获取的气象数据进行归档和备份,以供追踪历史数据和后续研究。
另一方面,本申请还提供了基于深度学习的电力运行风险预警***,所述***包括:
数据收集模块,用于从气象预警平台获取被监测电力线路所在区域未来监测时间窗口内的气象数据;
数据处理模块,用于对监测时间窗口内的气象数据进行关键参数提取,获得电力运行风险诱因参数集合;
历史数据收集模块,用于收集被监测电力线路的历史运行数据,并将历史运行数据上传至深度学习平台进行时序关联训练,获得电力线路运行预测模型;
运行参数预测模块,用于存储电力线路运行预测模型,将监测时间窗口输入至电力线路运行预测模型中,获得在监测时间窗口内的线路运行电气参数集合;
故障类型库,用于存储电力线路故障类型集合,所述电力线路故障类型集合是根据电网历史运维故障记录分析设置的;
相关性分析模块,用于将电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得气象故障关联度;将线路运行电气参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得电气故障关联度;
加权计算模块,用于将对应相同故障类型的气象故障关联度与电气故障关联度进行加权计算,获得在未来监测时间窗口内该故障类型的故障易发指数;
故障预警模块,用于将易发指数超过预设阈值的故障类型筛选出来,并与对应的故障易发指数相关联,获得易发故障类型集合,并将易发故障类型集合向运维人员进行提醒。
第三方面,本请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述基于深度学习的电力运行风险预警方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述基于深度学习的电力运行风险预警方法中的步骤。
与现有技术相比本发明的有益效果为:通过深度学习技术,能够利用历史气象数据和电力线路运行数据,对电力运行风险进行预测和预警,提高了预警的准确性和实时性;在本方法中,对气象数据和线路运行数据进行相关性分析,能够找出与各种故障类型最相关的因素,从而更准确地预测故障类型和易发程度;通过设置不同的权重,将气象因素和线路运行因素综合考虑,能够更全面地评估电力线路的运行风险;
通过将历史运行数据上传至深度学习平台进行时序关联训练,获得电力线路运行预测模型,能够更好地考虑时间序列上的关联性,提高预测的准确性;本方法中使用了加权计算的方式,将气象因素和线路运行因素综合考虑,能够更准确地预测未来监测时间窗口内的故障类型和易发程度;通过筛选出易发指数超过阈值的故障类型,并向运维人员进行提醒,能够及时发现潜在的故障并进行维修,提高电力线路的可靠性和稳定性;
综上所述,本方法通过深度学习技术,综合考虑气象因素和线路运行因素,能够更准确地预测和预警电力线路的运行风险,提高电力***的可靠性和稳定性,对于维持经济活动、医疗护理和通信等至关重要。
附图说明
图1是本发明的逻辑流程图;
图2是获得气象故障关联度的流程图;
图3是构建电力线路运行预测模型的逻辑流程图;
图4是基于深度学习的电力运行风险预警***的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的***、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一:如图1至图3所示,本发明的基于深度学习的电力运行风险预警方法,具体包括以下步骤;
S1、利用气象预警平台获取被监测电力线路所在区域未来监测时间窗口内的气象数据;所述监测时间窗口表示电力运行风险预警起始时间戳和终止时间戳之间的时间段;
在步骤S1中,获取的气象数据是未来监测时间窗口内的,这意味着这些数据可以用来预测未来电力线路的运行情况和可能出现的故障;通过这些数据,可以分析出电力线路在不同天气条件下的运行情况,以及可能出现的问题;因此,这一步对于整个预警方法来说非常重要,本步骤提供了预测电力线路故障风险所需的气象信息;以下是详细介绍:
S11、定义监测时间窗口:首先,确定监测时间窗口,这是预警的时间范围,包括预警起始时间戳和终止时间戳,在这个时间窗口内,希望进行电力线路风险预警;
S12、访问气象预警平台:为了获取气象数据,需要访问可靠的气象预警平台或数据源;这些平台通常提供各种气象信息,如温度、湿度、风速、降雨量、气压等;需要确保选取的气象数据源能够提供足够的覆盖范围和精度,以便准确地反映被监测电力线路所在区域的气象条件;
S13、数据获取:在所选气象数据源上,需要获取未来监测时间窗口内的气象数据;这涉及到使用API(应用程序编程接口)来自动获取数据,或者手动下载气象数据文件,具体取决于数据源的提供方式;
S14、数据处理和存储:获取到的气象数据需要进行处理和存储,以便后续分析;这包括数据清洗、格式转换、去除异常数据等;常见的方式是将数据存储在数据库中,以便后续的查询和分析;
S15、数据时间一致性:确保获得的气象数据的时间戳与监测时间窗口内的时间一致;这是为了能够与其他步骤中的数据进行关联和分析;
S16、数据质量检查:在获取的数据上进行质量检查,确保数据的准确性和可靠性;包括检查传感器故障、数据丢失或异常;
S17、存档数据:为了追踪历史数据并进行后续研究,将获取的气象数据进行归档和备份,以便将来参考和验证;
总之,步骤S1提供了获取和准备气象数据的关键步骤,这些数据对于电力线路风险预警非常重要,这些数据可用于预测潜在风险,采取预防措施,提高电力线路的可靠性,并减少潜在的损失。
S2、对所述监测时间窗口内的气象数据进行关键参数提取,获得电力运行风险诱因参数集合;所述电力运行风险诱因参数集合包括风力、降雨量、雷电等级、冰雹等级、温度和湿度;
S2步骤涉及了从气象数据中提取关键参数以了解电力运行的潜在风险因素;需要获取监测时间窗口内的气象数据,并从中提取与电力运行风险相关的关键参数;这些参数是电力运行风险的潜在诱因,具体包括以下几个方面的信息:
风力:风力是一个重要的因素,因为强风可以导致电线断裂、电塔倾覆或树木倒塌到电线上,从而引发电力线路故障;可以从气象数据中提取平均风速、最大风速、风向等信息;
降雨量:降雨量对电力线路的影响在于可能引发洪水、导致电缆线被浸泡、电线杆受损等;提取降雨量的数据可以帮助了解潜在的水患风险;
雷电等级:雷电是电力线路故障的常见原因,因为雷电可能导致设备损坏、火灾或过电压;可以从气象数据中提取雷电的频率和强度信息;
冰雹等级:冰雹可以损坏电线、绝缘材料和设备;了解冰雹等级可以预测冰雹对电力线路的影响;
温度:温度变化可以引发线材膨胀和收缩,从而可能损坏电线、绝缘材料和支持结构;可以提取温度的变化趋势和极端温度情况;
湿度:湿度对电力线路的影响通常与绝缘材料的性能相关;低湿度可能导致绝缘材料变脆,高湿度可能导致漏电和设备故障;
在这一步骤中,需要将这些参数从气象数据中提取,并形成一个电力运行风险诱因参数集合;这个参数集合将包括上述参数的数值或特征,以及它们在监测时间窗口内的变化趋势;这些参数将用于后续步骤,特别是在S4步骤中,与电力线路故障类型进行相关性分析,以确定气象故障关联度。
具体的,关于关键参数的提取方法包括:
S21、获取监测时间窗口内的气象数据:首先,需要获取所监测电力线路所在区域未来监测时间窗口内的气象数据;这些数据可以来自气象预警平台、气象站点、或其他气象数据来源;通常,气象数据包括风力、降雨量、雷电等级、冰雹等级、温度和湿度等;
S22、数据预处理:在处理这些数据之前,需要进行数据预处理,包括数据清洗和校准;这确保了数据的准确性和一致性;例如,需要处理缺失的数据点,处理异常值,或者将数据转化为合适的单位(例如,温度从摄氏度转化为华氏度);
S23、特征提取:一旦数据准备就绪,就可以进行特征提取;在这一步,需要从气象数据中提取与电力运行风险相关的关键参数;参数包括:风力、降雨量、雷电等级、冰雹等级、温度和湿度;
S24、建立参数集合:将从气象数据中提取的关键参数组合成一个参数集合,这个集合将包括所有与电力运行风险相关的参数;这个集合将在后续步骤中用于与电力线路故障类型进行相关性分析;
总之,S2步骤的关键参数提取涉及从监测时间窗口内的气象数据中提取与电力运行风险相关的气象参数,这些参数在后续步骤中将用于分析与电力线路故障类型的关联性;特征提取的方式可能因具体问题和数据而异,可以使用统计分析、机器学习技术或领域专家的知识来确定关键参数;确保数据的准确性和合理性对于模型的准确性至关重要。
S3、根据电网历史运维故障记录,设置电力线路故障类型集合;所述电力线路故障类型集合包括短路故障、断路故障、接地故障、漏电故障、过载故障、欠压故障、谐波干扰故障、瞬时过压故障、雷电冲击故障和设备过热故障;
S3步骤是关于电力线路故障类型集合的设定;这一步骤的主要目的是明确定义可能出现的电力线路故障类型,以便在后续步骤中进行关联性分析,从而预测电力线路在未来监测时间窗口内的故障类型;具体包括以下内容:
S31、需要明确定义电力线路可能出现的各种故障类型;这些故障类型通常包括:
短路故障:电流在电路中短暂地绕过正常路径,可能由设备故障、外部因素等引起;
断路故障:电路中的电流路径被中断,通常由电线或电缆断裂引起;
接地故障:电流意外地通过地面或其他不应通电的物体流动,通常与绝缘问题有关;
漏电故障:电流流向不正确的路径,通常与绝缘问题有关;
过载故障:电路中承受的电流超过了其额定容量,可能导致设备过热和故障;
欠压故障:电路中电压低于正常水平,可能导致设备无法正常工作;
谐波干扰故障:电路中存在谐波电流,可能影响设备的性能;
瞬时过压故障:电路中电压瞬间超过正常水平,可能损坏设备;
雷电冲击故障:由雷电引发的电力***故障,可能导致设备受损;
设备过热故障:电力设备由于长时间运行或其他原因而过热,可能导致故障;
S32、将上述定义的故障类型列入集合中,以便后续步骤中与气象数据和电力线路运行数据进行关联性分析;
S33、记录历史运维故障数据:为了更准确地定义可能出现的故障类型,需要依赖过去的历史运维故障记录;这些记录包括电力线路的实际故障类型,以及与每种故障类型相关的具体细节和影响。
需要特别强调的是,这些故障类型的定义和集合应该基于电力行业的实际标准和经验,同时也要考虑具体电力线路的特点;定期维护和更新这些故障类型,以反映实际运行中出现的新问题和变化,有助于提高预警***的准确性和效用;在S3步骤中要确保所设定的故障类型集合是完整、准确的,以便在后续步骤中进行相关性分析,从而提高电力运行风险预警的精度和实用性;这也是为了确保***能够有效地筛选出未来监测时间窗口内可能发生的故障类型,以便采取适当的预防和维修措施。
S4、将所述电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得气象故障关联度,所述气象故障关联度表示所述电力运行风险诱因参数集合与每种故障类型之间的关联度;
S4步骤的目标是确定气象参数与不同类型的电力线路故障之间的关联度;这种关联度可以帮助了解特定气象条件下不同故障类型发生的可能性,从而更准确地进行电力运行风险预警;具体的相关性分析方法可以包括以下步骤:
S41、数据准备:首先,需要准备好历史的气象数据和电力线路故障数据;这些数据应包括电力线路故障的类型和气象参数,如风力、降雨量、雷电等级、冰雹等级、温度和湿度;
S42、数据标准化:在进行相关性分析之前,通常需要对数据进行标准化,以确保它们在相同的尺度上;这可以通过标准化方法,如Z分数标准化,来实现;标准化后的数据将具有均值为0和标准差为1的分布;
S43、计算相关性:为了确定气象参数与不同故障类型之间的关联度,可以使用统计方法,如相关系数;常见的相关系数包括Pearson相关系数、Spearman秩相关系数和Kendall秩相关系数;这些系数用于测量两个变量之间的线性相关性或非线性相关性;
S44、统计显著性检验:在计算相关性后,可以执行统计显著性检验,以确定相关性是否显著;这有助于确定是否可以信任观察到的相关性;
S45、权重计算:一旦计算出相关性,可以为每种气象参数和每种故障类型分配权重,以反映其在故障发生概率中的相对重要性;权重可以根据你的需求和实际数据来确定;
S46、得出结论:根据相关性分析和权重计算的结果,可以得出每种气象参数与每种故障类型之间的关联度;这些关联度值可以用于制定风险预警策略,以确定哪些气象条件可能导致哪种类型的故障更容易发生。
当利用Spearman秩相关系数来确定气象参数与不同故障类型之间的关联度;Spearman秩相关系数是一种非参数的统计方法,用于衡量两个变量之间的相关性;其主要思想是通过比较两个变量的排序等级来计算它们之间的相关性;
针对每个故障类型,计算与其相关的Spearman秩相关系数;选择一个故障类型,例如,短路故障作为示例,计算与所有电力运行风险诱因参数之间的Spearman秩相关系数;假设正在分析短路故障的相关性;有历史数据表明,短路故障事件中包括风力、降雨量、雷电等级等参数;为了确定这些参数与短路故障的关联程度,可以执行以下步骤:
S431、对历史数据进行预处理,确保数据质量;
S432、将短路故障事件和相关的气象参数数据进行匹配,确保数据的一致性;
S433、为每个气象参数(风力、降雨量、雷电等级等)和短路故障类型计算Spearman秩相关系数;
S434、计算Spearman秩相关系数时,首先将数据按照每个参数的值进行排序,然后计算每个值的秩次,这是排名的次序;接下来,计算秩次的差值,并计算这些差值的Spearman秩相关系数;
S435、如果Spearman秩相关系数接近1,表示两个变量之间存在强正相关关系,即增加一个变量时,另一个变量通常也增加;如果Spearman秩相关系数接近-1,表示两个变量之间存在强负相关关系,即增加一个变量时,另一个变量通常减少;如果Spearman秩相关系数接近0,表示两个变量之间关联不明显。
通过重复这个过程,可以为每种故障类型计算相关的Spearman秩相关系数,然后选择那些与特定故障类型的相关性显著的气象参数,以用于后续步骤;这将帮助识别哪些气象参数与哪些故障类型相关,从而改进电力运行风险预警***的准确性。
S5、收集被监测电力线路的历史运行数据,并将历史运行数据上传至深度学习平台进行时序关联训练,获得电力线路运行预测模型;所述电力线路运行预测模型的输入为时间窗口,输出为线路运行电气参数集合;
S5步骤涉及了一个重要的过程,即利用深度学习平台对收集到的电力线路的历史运行数据进行时序关联训练,以便获得电力线路运行预测模型;具体包括以下内容:
S51、数据收集与准备:首先,进行数据收集,这包括从监测的电力线路中获取历史运行数据,如电流、电压、频率、功率等,以及时间戳等信息;这可以涵盖从传感器或监测设备中收集的实时数据;数据需要进行预处理,包括数据清洗(处理缺失值、异常值)、标准化(使数据在相同尺度)、时间序列构建等,以便于后续的深度学习模型处理;
S52、构建深度学习模型:使用深度学习模型进行时序关联训练,如循环神经网络、长短期记忆网络、卷积神经网络等;模型的输入是历史时间窗口内的数据序列,例如过去一定时间范围内的电力参数数据;输出是线路运行的电气参数集合,这包括电力线路的电流、电压、功率等特征参数;
S53、训练与验证:将数据集划分为训练集和验证集,以便在模型训练过程中对模型进行评估;对模型进行训练,通过多次迭代优化模型的权重和参数,以最小化预测输出与实际观测值之间的误差;
S54、模型评估与调优:对训练好的模型进行评估,使用验证集进行性能测试,确保模型对未见过的数据具有泛化能力;需要调整模型的超参数,如学习率、层数、神经元数量等,以提高模型的准确性和稳定性;
S55、模型应用与预测:完成训练和验证后,得到了一个能够预测未来电力线路运行状态的模型;当新的监测时间窗口出现时,将这个时间窗口内的数据输入已训练好的模型中,以预测未来电力线路的电气参数集合。
总的来说,S5步骤涉及了建立一个针对电力线路运行数据的深度学习模型,其目的是从历史数据中学习模式和趋势,以便预测未来电力线路的运行状况;这个模型的准确性和鲁棒性将直接影响到后续步骤中对故障类型的预测和风险评估的准确性。
S6、将所述监测时间窗口输入至电力线路运行预测模型,获得被监测电力线路在未来监测时间窗口内的线路运行电气参数集合;
S6步骤的目的是将监测时间窗口输入电力线路运行预测模型以获得被监测电力线路在未来监测时间窗口内的线路运行电气参数集合;它涉及到如何使用深度学习模型来进行电力线路运行预测;以下是详细介绍S6步骤的过程:
S61、准备监测时间窗口数据:首先,确定监测时间窗口的起始时间戳和终止时间戳;这个时间段通常是未来的一段时间,可能是几小时、一天或更长,取决于预测的需求;
S62、输入数据到预测模型:将所选择的监测时间窗口作为输入,输入到已构建的电力线路运行预测模型中;模型的输入需要包括时间窗口的起始和结束时间,以便模型了解预测的时间范围;
S63、模型处理输入数据:在模型中,输入数据经过一系列的处理步骤;这可能包括数据归一化(确保不同特征具有相似的数值范围)、特征选择(选择与预测目标相关性高的特征)、时序数据处理(如果输入数据是时序数据)、以及其他必要的数据预处理步骤;
S64、模型进行预测:经过数据处理后,输入数据被提供给预测模型进行预测;模型可能是一个深度学习模型,比如循环神经网络或长短时记忆网络,这些模型特别适用于处理时序数据;模型学习历史数据的模式,以便预测未来的电力线路运行电气参数;
S65、获取预测结果:模型输出预测结果,这些结果包括了在监测时间窗口内被监测电力线路的电气参数集合;这些参数可以包括电压、电流、功率因数等,具体取决于电力***的特性和预测的需求。
总之,S6步骤涉及使用深度学习模型来预测电力线路在未来时间窗口内的电力参数,这对于估计不同故障类型的风险非常关键,从而能够为运维人员提供有关维修和预防措施的信息;这个模型的性能和准确性在整个电力运行风险预警方法中起着重要作用。
S7、将所述线路运行电气参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得电气故障关联度,所述电气故障关联度表示所述线路运行电气参数集合与每种故障类型之间的关联度;
S7步骤的目标是将线路运行电气参数集合与电力线路故障类型集合中的各种故障类型进行相关性分析,以获得电气故障关联度;有助于了解电气参数与不同故障类型之间的关联程度,从而预测电力线路可能出现的故障类型;下面是S7步骤的详细介绍:
S71、数据准备:首先,需要收集被监测电力线路的历史运行数据;这些数据可能包括电流、电压、频率、功率因数、谐波分布等电气参数的时间序列数据;通常,这些数据以时间为变量,记录了一段时间内电力线路的运行状态;
S72、故障类型定义:已经在S3步骤中定义了电力线路故障类型集合,包括短路故障、断路故障、接地故障、漏电故障等;这些类型代表了不同的电力线路故障情况,每种类型都有其独特的电气特征;
S73、相关性分析:在这一步骤中,将对每个电力线路故障类型进行分析;为了衡量线路运行电气参数与每种故障类型之间的关联度,可以使用不同的统计方法,如步骤S4所示的Spearman秩相关系数或其他相关性指标;
S74、计算关联度:对于每个故障类型,将计算其与线路运行电气参数集合之间的相关性;这可以通过对历史运行数据应用相关性分析方法来完成;这些分析可以揭示电气参数与不同故障类型之间的潜在关联;
S75、结果汇总:最终,将获得一个关联度矩阵,其中包括每种电力线路故障类型与线路运行电气参数之间的关联度分数;这些分数可以用来评估每种故障类型与电气参数之间的关联程度,以帮助确定潜在的故障类型。
需要注意的是,这一步骤可能需要大量的历史数据和合适的分析工具,以确保得到可靠的关联度结果;同时,不同的电力线路和故障类型之间的关系可能会有所不同,因此可能需要根据特定情况进行适度的调整和优化;这个分析的目标是为S8和S9步骤提供基础,以便根据关联度计算故障易发指数和提醒运维人员。
S8、将对应相同故障类型的气象故障关联度与电气故障关联度进行加权计算,获得在未来监测时间窗口内该故障类型的故障易发指数;
S8步骤是将对应相同故障类型的气象故障关联度与电气故障关联度进行加权计算,获得在未来监测时间窗口内该故障类型的故障易发指数;这个步骤包括以下子步骤:
S81、数据预处理:首先,需要对从S4和S7步骤得到的气象故障关联度和电气故障关联度进行数据预处理;这包括数据清洗、标准化或归一化等操作,以确保数据的一致性和可比较性;
S82、权重分配:在数据预处理之后,需要为每种故障类型分别分配权重;权重的分配可以基于历史数据、专家知识或其他可用的信息源;例如,如果某种故障类型在过去的运行中频繁发生,那么可以给予这种故障类型更大的权重;
S83、加权计算:将气象故障关联度和电气故障关联度分别乘以相应的权重,然后将结果相加,得到在未来监测时间窗口内该故障类型的故障易发指数;
具体来说,如果设气象故障关联度和电气故障关联度的矩阵分别为Rm和Re,则故障易发指数的计算公式可以表示为:
K=Rm×W1+Re×W2
其中,K表示故障易发指数,W1和W2分别表示气象故障关联度和电气故障关联度的权重向量。
在实践中,为了保持模型的泛化能力并避免过拟合,可以采用一些正则化方法来限制模型的学习能力;例如,可以使用L1或L2正则化来约束模型参数,或者使用dropout等技巧来减少模型的复杂性;此外,为了提高模型的准确性,可以使用交叉验证等技术来评估模型的性能并调整其参数。
S9、将易发指数超过预设阈值的故障类型筛选出来,并与对应的故障易发指数相关联,获得易发故障类型集合,并将易发故障类型集合向运维人员进行提醒。
S9步骤涉及将根据前面的分析结果,识别出易发故障类型并将其向运维人员提醒;这一步的目的是确保电力运维团队可以有针对性地采取措施来减少潜在的电力线路故障,从而维护电网的可靠性和稳定性;下面是关于S9的详细介绍:
S91、易发指数计算:在步骤S8中,每种故障类型都被赋予了一个易发指数,表示在未来监测时间窗口内该故障类型发生的可能性;这个指数是通过对气象故障关联度和电气故障关联度的加权计算获得的;
S92、阈值设定:在这一步中,需要设置一个阈值,以确定哪些故障类型将被认为是易发的;阈值的设定应基于特定的电力***和运维需求;通常情况下,较高的阈值将导致更严格的筛选,而较低的阈值则可能产生更多的故障类型被筛选出来;
S93、易发故障类型筛选:易发指数超过阈值的故障类型将被筛选出来,这些类型被认为在未来监测时间窗口内具有较高的故障潜在性;这些故障类型被标识为易发故障类型集合;
S94、运维人员提醒:一旦易发故障类型集合确定,预警***会将这些信息传达给电力***的运维人员;这可以通过各种通信方式来实现,如电子邮件、短信、手机应用程序通知等;运维人员将收到相关信息,可以根据易发故障类型采取相应的维护和检修措施,以减少潜在的电力线路故障风险。
需要强调的是,步骤S9的成功实施依赖于前面步骤的准确性和可靠性;如果气象数据的提取和分析、电力线路历史数据的训练和预测模型的性能都能够精确反映实际情况,那么步骤S9将更有可能提供准确的故障预警信息,帮助电力***保持高度可靠和稳定;此外,阈值的选择也需要根据特定情况进行调整,以平衡误报和漏报的风险。
更为具体的,步骤S9中的阈值设定是决定哪些故障类型会触发预警的关键步骤;阈值的设定需要基于实际数据和经验进行合理的分析,不能凭空猜测或胡说八道;通过以下方法进行阈值设定:
a、历史数据分析:首先,收集和分析过去的电力线路故障数据,包括故障类型、频率、严重程度等信息;基于这些数据,可以计算各种故障类型的发生概率或频率;阈值可以根据历史数据中的故障频率来设定,例如,如果某种故障类型在历史数据中发生频率较高,那么相应的阈值可以相对较低,以便及时预警;
b、风险评估:通过专业的风险评估方法,将不同故障类型的影响程度进行定量化,然后根据这些评估结果来设定阈值;例如,如果某种故障类型的影响程度较大,那么对应的阈值可以相对较低;
c、行业标准和规定:可以参考行业内的标准、规定或最佳实践,这些标准通常会提供关于故障类型的评估和处理的指导方针;这些指南包括了一些阈值的建议;
d、专家咨询:可以请故障诊断领域的专家或工程师提供意见;他们可能会基于他们的经验和专业知识来建议合适的阈值;
e、实地测试和验证:可以通过在实际电力线路上进行测试和验证来确定阈值;这可以包括模拟特定气象条件下的故障情况,然后观察实际发生的情况以及采取的措施;
综合考虑以上方法,可以进行定量和定性的分析,以确定合适的阈值;同时,也要注意,在实际应用中,阈值可能需要经过一段时间的实际运行和反馈来进行调整和优化,以确保预警***的准确性和可靠性。
实施例二:如图4所示,本发明的基于深度学习的电力运行风险预警***,具体包括以下模块;
数据收集模块,用于从气象预警平台获取被监测电力线路所在区域未来监测时间窗口内的气象数据;
数据处理模块,用于对监测时间窗口内的气象数据进行关键参数提取,获得电力运行风险诱因参数集合;
历史数据收集模块,用于收集被监测电力线路的历史运行数据,并将历史运行数据上传至深度学习平台进行时序关联训练,获得电力线路运行预测模型;
运行参数预测模块,用于存储电力线路运行预测模型,将监测时间窗口输入至电力线路运行预测模型中,获得在监测时间窗口内的线路运行电气参数集合;
故障类型库,用于存储电力线路故障类型集合,所述电力线路故障类型集合是根据电网历史运维故障记录分析设置的;
相关性分析模块,用于将电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得气象故障关联度;将线路运行电气参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得电气故障关联度;
加权计算模块,用于将对应相同故障类型的气象故障关联度与电气故障关联度进行加权计算,获得在未来监测时间窗口内该故障类型的故障易发指数;
故障预警模块,用于将易发指数超过预设阈值的故障类型筛选出来,并与对应的故障易发指数相关联,获得易发故障类型集合,并将易发故障类型集合向运维人员进行提醒。
在本实施例中,该***可以实时地从气象预警平台获取气象数据,并进行分析和处理,以提取电力运行风险诱因参数;这些参数与电力线路故障类型进行相关性分析,以预测未来监测时间窗口内的故障易发指数;这种实时分析和预测的能力可以提高电力***的可靠性和稳定性;
该***通过深度学习平台对电力线路的历史运行数据进行时序关联训练,以获得电力线路运行预测模型;这使得***能够对线路运行电气参数进行精确预测,并针对不同的故障类型进行相关性分析,以获得更准确的故障易发指数;这种针对性和精确性可以提高预警的准确性和有效性;
该***涵盖了数据收集、处理、分析、计算和预警等多个模块,可以实现自动化的处理流程;这不仅可以减轻运维人员的工作负担,还可以提高工作效率和准确性;***的可扩展性和可维护性也很强,可以根据需要进行模块的扩展和维护;
该***采用了先进的数据处理技术和深度学习算法,可以有效地提取关键参数和分析故障类型;同时,***的预警模块可以根据故障易发指数进行自动筛选和提醒,以防止潜在的故障扩大化;这种可靠性和稳定性可以提高电力***的整体性能和稳定性;
该***的实施可以带来显著的经济效益;通过提前预警和及时检修,可以减少因电力线路故障导致的经济损失和社会影响;同时,***的运行和维护成本相对较低,可以在长期内实现经济效益的平衡;
综上所述,基于深度学习的电力运行风险预警***具有实时性、预测性、针对性、精确性、***化、自动化、可靠性和经济性等优点,可以有效地解决天气因素导致的电力线路故障问题,提高电力***的可靠性和稳定性。
前述实施例一中的基于深度学习的电力运行风险预警方法的各种变化方式和具体实施例同样适用于本实施例的基于深度学习的电力运行风险预警***,通过前述对基于深度学习的电力运行风险预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于深度学习的电力运行风险预警***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.一种基于深度学习的电力运行风险预警方法,其特征在于,包括:
利用气象预警平台获取被监测电力线路所在区域未来监测时间窗口内的气象数据;所述未来监测时间窗口表示电力运行风险预警起始时间戳和终止时间戳之间的时间段;
对所述未来监测时间窗口内的气象数据进行关键参数提取,获得电力运行风险诱因参数集合;
根据电网历史运维故障记录,设置电力线路故障类型集合;
将所述电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得气象故障关联度,所述气象故障关联度表示所述电力运行风险诱因参数集合与每种故障类型之间的关联度;
收集被监测电力线路的历史运行数据,并将历史运行数据上传至深度学习平台进行时序关联训练,获得电力线路运行预测模型;所述电力线路运行预测模型的输入为时间窗口,输出为线路运行电气参数集合;
将所述未来监测时间窗口输入至电力线路运行预测模型,获得被监测电力线路在未来监测时间窗口内的线路运行电气参数集合;
将所述线路运行电气参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得电气故障关联度,所述电气故障关联度表示所述线路运行电气参数集合与每种故障类型之间的关联度;
将对应相同故障类型的气象故障关联度与电气故障关联度进行加权计算,获得在未来监测时间窗口内该故障类型的故障易发指数;
将易发指数超过预设阈值的故障类型筛选出来,并与对应的故障易发指数相关联,获得易发故障类型集合,并将易发故障类型集合向运维人员进行提醒;
将所述电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析的方法,包括:
准备好历史的气象数据和历史的电力线路故障数据,电力线路故障数据包括电力线路故障的类型,气象数据包括气象参数;
通过标准化方法对历史的气象数据和历史的电力线路故障数据进行标准化,以确保它们在相同的尺度上;
使用相关系数,确定气象参数与不同故障类型之间的关联度,
通过执行统计显著性检验,以确定相关性是否显著;
为每种气象参数和每种故障类型分配权重,以反映气象参数在故障发生概率中的相对重要性;
根据相关性分析和权重计算的结果,得出每种气象参数与每种故障类型之间的关联度;
将所述线路运行电气参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析的方法,包括:
收集被监测电力线路的历史运行电气参数数据和历史的电力线路故障数据,电力线路故障数据包括电力线路故障的类型;
对每个电力线路故障类型进行相关性分析,计算线路运行电气参数与每种故障类型之间的关联度。
2.如权利要求1所述的基于深度学习的电力运行风险预警方法,其特征在于,所述电力运行风险诱因参数集合包括风力、降雨量、雷电等级、冰雹等级、温度和湿度;
所述电力线路故障类型集合包括短路故障、断路故障、接地故障、漏电故障、过载故障、欠压故障、谐波干扰故障、瞬时过压故障、雷电冲击故障和设备过热故障;
所述线路运行电气参数集合包括电流、电压、功率因数、谐波含量和温度。
3.如权利要求1所述的基于深度学习的电力运行风险预警方法,其特征在于,所述相关系数采用Pearson相关系数、Spearman秩相关系数或Kendall秩相关系数中的一种。
4.如权利要求1所述的基于深度学习的电力运行风险预警方法,其特征在于,所述电力线路运行预测模型的构建方法,包括:
从监测的电力线路中获取历史运行数据,并对历史运行数据进行预处理,包括数据清洗、标准化和时间序列构建;
使用深度学习模型进行时序关联训练,模型的输入是历史时间窗口内的数据序列,输出是线路运行的电气参数集合;
将数据集划分为训练集和验证集,使用训练集对模型进行训练,通过多次迭代优化模型的权重和参数,以最小化预测输出与实际观测值之间的误差;
对训练好的模型进行评估,使用验证集进行性能测试,确保模型对未见过的数据具有泛化能力;
完成训练和验证后,得到能够预测未来电力线路运行状态的电力线路运行预测模型;当新的未来监测时间窗口出现时,将这个时间窗口的起始时间戳和终止时间戳输入已训练好的模型中,以预测未来电力线路的电气参数集合。
5.如权利要求1所述的基于深度学习的电力运行风险预警方法,其特征在于,将对应相同故障类型的气象故障关联度与电气故障关联度进行加权计算的方法包括:
对气象故障关联度和电气故障关联度进行数据预处理,包括数据清洗、标准化和归一化操作,确保数据的一致性和可比较性;
为每种故障类型分别分配权重,权重的分配基于历史数据或专家知识;
将气象故障关联度和电气故障关联度分别乘以相应的权重,然后将结果相加,得到在未来监测时间窗口内该故障类型的故障易发指数;计算公式如下:
K=Rm×W1+Re×W2
其中,K表示故障易发指数,Rm表示气象故障关联度,Re表示电气故障关联度,W1和W2分别表示气象故障关联度和电气故障关联度的权重向量。
6.如权利要求1所述的基于深度学习的电力运行风险预警方法,其特征在于,获取被监测电力线路所在区域未来监测时间窗口内的气象数据的方法,包括:
确定所述未来监测时间窗口,包括预警起始时间戳和终止时间戳;
访问气象预警平台或数据源,确保选取的气象数据源的覆盖范围和精度符合监测要求;
使用API自动从所选气象数据源上获取所述未来监测时间窗口内的气象数据;
对获取到的气象数据进行处理,数据处理包括数据清洗、格式转换和去除异常数据;
检查并确保获得的气象数据的时间戳与所述未来监测时间窗口内的时间一致;
将获取的气象数据进行归档和备份,以供追踪历史数据和后续研究。
7.一种基于深度学习的电力运行风险预警***,其特征在于,所述***包括:
数据收集模块,用于从气象预警平台获取被监测电力线路所在区域未来监测时间窗口内的气象数据;所述未来监测时间窗口表示电力运行风险预警起始时间戳和终止时间戳之间的时间段;
数据处理模块,用于对所述未来监测时间窗口内的气象数据进行关键参数提取,获得电力运行风险诱因参数集合;
历史数据收集模块,用于收集被监测电力线路的历史运行数据,并将历史运行数据上传至深度学习平台进行时序关联训练,获得电力线路运行预测模型;
运行参数预测模块,用于存储电力线路运行预测模型,将所述未来监测时间窗口输入至电力线路运行预测模型中,获得在所述未来监测时间窗口内的线路运行电气参数集合;
故障类型库,用于存储电力线路故障类型集合,所述电力线路故障类型集合是根据电网历史运维故障记录分析设置的;
相关性分析模块,用于将电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得气象故障关联度;将线路运行电气参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析,获得电气故障关联度;
加权计算模块,用于将对应相同故障类型的气象故障关联度与电气故障关联度进行加权计算,获得在所述未来监测时间窗口内该故障类型的故障易发指数;
故障预警模块,用于将易发指数超过预设阈值的故障类型筛选出来,并与对应的故障易发指数相关联,获得易发故障类型集合,并将易发故障类型集合向运维人员进行提醒;
其中,将所述电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析的方法,包括:
准备好历史的气象数据和历史的电力线路故障数据,电力线路故障数据包括电力线路故障的类型,气象数据包括气象参数;
通过标准化方法对历史的气象数据和历史的电力线路故障数据进行标准化,以确保它们在相同的尺度上;
使用相关系数,确定气象参数与不同故障类型之间的关联度,
通过执行统计显著性检验,以确定相关性是否显著;
为每种气象参数和每种故障类型分配权重,以反映气象参数在故障发生概率中的相对重要性;
根据相关性分析和权重计算的结果,得出每种气象参数与每种故障类型之间的关联度;
将所述线路运行电气参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析的方法,包括:
收集被监测电力线路的历史运行电气参数数据和历史的电力线路故障数据,电力线路故障数据包括电力线路故障的类型;
对每个电力线路故障类型进行相关性分析,计算线路运行电气参数与每种故障类型之间的关联度。
8.一种基于深度学习的电力运行风险预警电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-6中任一项所述基于深度学习的电力运行风险预警方法中的步骤。
9.一种计算机可读存储介质,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1-6中任一项所述基于深度学习的电力运行风险预警方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311705413.5A CN117391459B (zh) | 2023-12-13 | 2023-12-13 | 基于深度学习的电力运行风险预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311705413.5A CN117391459B (zh) | 2023-12-13 | 2023-12-13 | 基于深度学习的电力运行风险预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117391459A CN117391459A (zh) | 2024-01-12 |
CN117391459B true CN117391459B (zh) | 2024-03-05 |
Family
ID=89435981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311705413.5A Active CN117391459B (zh) | 2023-12-13 | 2023-12-13 | 基于深度学习的电力运行风险预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391459B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427019A (zh) * | 2015-10-30 | 2016-03-23 | 国网河南省电力公司电力科学研究院 | 一种地理气象相关的输电线路风险差异评价方法 |
CN111444240A (zh) * | 2020-03-26 | 2020-07-24 | 北京国网富达科技发展有限责任公司 | 输电线路故障预警方法及装置 |
CN113269509A (zh) * | 2021-04-01 | 2021-08-17 | 国网河南省电力公司电力科学研究院 | 一种电力气象数据库的构建方法 |
CN115270965A (zh) * | 2022-07-29 | 2022-11-01 | 国网浙江省电力有限公司经济技术研究院 | 一种配电网线路故障预测方法和装置 |
KR20230109491A (ko) * | 2022-01-13 | 2023-07-20 | 한국전력공사 | 기상상황에 따른 위해개소 및 고장원인 예측 방법과 예측 시스템 |
CN116777088A (zh) * | 2023-08-24 | 2023-09-19 | 国网山西省电力公司太原供电公司 | 用于保障生命安全的供电应急抢修环境监测方法及*** |
CN117009731A (zh) * | 2023-07-19 | 2023-11-07 | 国网河南省电力公司许昌供电公司 | 一种基于气象因素的电力故障预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240180B (zh) * | 2021-05-18 | 2022-08-05 | 国网河南省电力公司电力科学研究院 | 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法 |
-
2023
- 2023-12-13 CN CN202311705413.5A patent/CN117391459B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427019A (zh) * | 2015-10-30 | 2016-03-23 | 国网河南省电力公司电力科学研究院 | 一种地理气象相关的输电线路风险差异评价方法 |
CN111444240A (zh) * | 2020-03-26 | 2020-07-24 | 北京国网富达科技发展有限责任公司 | 输电线路故障预警方法及装置 |
CN113269509A (zh) * | 2021-04-01 | 2021-08-17 | 国网河南省电力公司电力科学研究院 | 一种电力气象数据库的构建方法 |
KR20230109491A (ko) * | 2022-01-13 | 2023-07-20 | 한국전력공사 | 기상상황에 따른 위해개소 및 고장원인 예측 방법과 예측 시스템 |
CN115270965A (zh) * | 2022-07-29 | 2022-11-01 | 国网浙江省电力有限公司经济技术研究院 | 一种配电网线路故障预测方法和装置 |
CN117009731A (zh) * | 2023-07-19 | 2023-11-07 | 国网河南省电力公司许昌供电公司 | 一种基于气象因素的电力故障预警方法 |
CN116777088A (zh) * | 2023-08-24 | 2023-09-19 | 国网山西省电力公司太原供电公司 | 用于保障生命安全的供电应急抢修环境监测方法及*** |
Non-Patent Citations (4)
Title |
---|
Risk-based voltage collapse assessment using generalized regression neural network;M. Marsadek等;Proceedings of the 2011 International Conference on Electrical Engineering and Informatics;20110919;1-6 * |
基于大数据挖掘的变电设备故障预警研究及应用;范李平 等;电力大数据;20190121;第22卷(第01期);1-7 * |
基于故障录波数据和气象信息的架空输电线路故障类型辨识方法研究;王友明;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;20201015(第10期);C042-126 * |
基于气象数据挖掘的输变电设备故障预警;黄灿 等;新型工业化;20160520;第6卷(第05期);33-39 * |
Also Published As
Publication number | Publication date |
---|---|
CN117391459A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019413432B2 (en) | Scalable system and engine for forecasting wind turbine failure | |
US11977375B2 (en) | Scalable systems and methods for assessing healthy condition scores in renewable asset management | |
US20200210824A1 (en) | Scalable system and method for forecasting wind turbine failure with varying lead time windows | |
CN117176560B (zh) | 一种基于物联网的监测设备监管***及其方法 | |
CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
CN117648543A (zh) | 一种自演化的变电站设备学习方法 | |
CN116108385A (zh) | 一种电力设备故障类型诊断方法及***、终端、存储介质 | |
Ghasemi et al. | Equipment failure rate in electric power distribution networks: An overview of concepts, estimation, and modeling methods | |
CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及*** | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN117391459B (zh) | 基于深度学习的电力运行风险预警方法及*** | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及*** | |
CN115526348A (zh) | 设备维护计划生成方法、装置、设备及存储介质 | |
CN118211837B (zh) | 一种智能电表的性能评估方法及装置 | |
CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、***、设备及存储介质 | |
US20240201680A1 (en) | Systems and methods for displaying renewable energy asset health risk information | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
CN118211837A (zh) | 一种智能电表的性能评估方法及装置 | |
CN116228200A (zh) | 一种电力设备的运检管控方法及装置 | |
CN117272844A (zh) | 配电盘工作寿命的预测方法及*** | |
CN117405167A (zh) | 基于光纤光栅传感器的变压器健康状态预测方法及*** | |
CN118408583A (zh) | 一种编码器故障诊断方法及*** | |
CN118313688A (zh) | 核电设备的可靠性评估方法、***、设备、介质和程序 | |
KR20240061824A (ko) | 조기경보 운영 최적화를 위한 오탐지 평가 시스템 및 방법 |
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 |