CN117674418A - 一种输电线路状态监测方法、***、设备和介质 - Google Patents
一种输电线路状态监测方法、***、设备和介质 Download PDFInfo
- Publication number
- CN117674418A CN117674418A CN202311643834.XA CN202311643834A CN117674418A CN 117674418 A CN117674418 A CN 117674418A CN 202311643834 A CN202311643834 A CN 202311643834A CN 117674418 A CN117674418 A CN 117674418A
- Authority
- CN
- China
- Prior art keywords
- data
- transmission line
- power transmission
- state
- historical data
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 187
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007635 classification algorithm Methods 0.000 claims abstract description 89
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 239000013598 vector Substances 0.000 claims abstract description 87
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000011202 physical detection method Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J4/00—Circuit arrangements for mains or distribution networks not specified as ac or dc
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种输电线路状态监测方法、***、设备和介质,通过获取输电线路的历史数据和实时数据,将历史数据进行数据预处理,构建多维向量。将多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围。通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路异常检测,生成线路异常数据。当线路异常数据为预设类型时,通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路状态模糊识别,生成线路状态数据。基于线路状态数据和预设措施库,构建输电线路对应的输电线路状态监测报告。通过分类算法模型对输电线路的状态进行分类并处理,提高检测的精度和时效性,确保输电线路的正常运行。
Description
技术领域
本发明涉及输电线路技术领域,尤其涉及输电线路状态监测方法、***、设备和介质。
背景技术
输电线路作为电力***的重要组成部分,其安全运行对电网的可靠性和稳定性具有重要影响。然而,输电线路经常受到环境因素和人为因素的影响,可能会出现不同程度的故障,如过载、短路、接触不良等,这些故障会影响输电线路的正常运行,甚至会对电网带来灾难性的影响。因此,对输电线路进行状态监测和故障检测是非常必要的。
目前,采用物理检测对于输电线路状态进行监测和故障检测。物理检测是指通过传统的电力参数测量仪器对输电线路的电压、电流、功率等物理量进行监测和分析,以判断输电线路的状态是否正常。但是,物理检测需要布设大量的传感器,维护成本高昂,且受到环境干扰和误差的影响较大。
因此,现有的输电线路状态监测方法器所采用的物理检测方法难以进行准确的检测和分析,容易受到环境噪声和误差的影响,导致监测结果准确度低。
发明内容
本发明提供了一种输电线路状态监测方法、***、设备和介质,解决了现有的输电线路状态监测方法器所采用的物理检测方法难以进行准确的检测和分析,容易受到环境噪声和误差的影响,导致监测结果准确度低的技术问题。
本发明提供的一种输电线路状态监测方法,包括:
获取输电线路的历史数据和实时数据,将所述历史数据进行数据预处理,构建多维向量;
将所述多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围;
通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路异常检测,生成线路异常数据;
当所述线路异常数据为预设类型时,通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路状态模糊识别,生成线路状态数据;
根据所述线路状态数据和预设措施库,构建所述输电线路对应的输电线路状态监测报告。
可选地,所述历史数据包括初始水平段历史数据和初始垂直段历史数据;所述获取输电线路的历史数据和实时数据,将所述历史数据进行数据预处理,构建多维向量的步骤,包括:
通过巡检装置获取输电线路对应的初始水平段历史数据、初始垂直段历史数据和实时数据;
分别将所述初始水平段历史数据和所述初始垂直段历史数据进行数据清洗,生成中间水平段历史数据和中间垂直段历史数据;
采用时频特征提取方法分别对所述中间水平段历史数据和所述中间垂直段历史数据进行特征提取,生成目标水平段历史数据和目标垂直段历史数据;
将所述目标水平段历史数据和所述目标垂直段历史数据进行特征缩放和均值归一化处理,生成多维向量。
可选地,所述将所述多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围的步骤,包括:
采用机器学习算法和所述多维向量对初始预设分类算法模型进行训练,生成目标预设分类算法模型;
通过所述目标预设分类算法模型结合预设专家经验和参考标准规范进行工作状态划分,生成状态正常范围。
可选地,所述通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路异常检测,生成线路异常数据的步骤,包括:
去除所述实时数据中的噪声,并进行归一化处理,生成第一分析数据;
将所述第一分析数据进行特征提取,生成多个第一特征向量;
采用k近邻算法分别将所述第一特征向量分别与所述状态正常范围内的正常向量进行比较,生成比较数据;
当所述比较数据为非正常状态时,发出异常信号并执行应急措施;
采用所述异常信号和所述应急措施,构建线路异常数据。
可选地,所述当所述线路异常数据为预设类型时,通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路状态模糊识别,生成线路状态数据的步骤,包括:
当所述线路异常数据为预设类型时,去除所述实时数据中的噪声,并进行归一化处理,生成第二分析数据;
将所述第二分析数据进行特征提取,生成多个第二特征向量;
将不属于所述状态正常范围内的所述第二特征向量和对应的偏差值进行模糊计算,生成模糊化输出变量;
将所述模糊化输出变量进行解模糊,生成线路状态数据。
可选地,所述根据所述线路状态数据和预设措施库,构建所述输电线路对应的输电线路状态监测报告的步骤,包括:
将所述状态识别数据与预设措施库进行匹配,生成所述状态识别数据对应的警报数据;
将所述线路状态数据对应的实时数据标记为异常数据;
选取出现在所述状态正常范围内预设次数的异常数据,生成修正数据;
采用所述修正数据修正所述输电线路对应的初始历史数据库,生成目标历史数据库;
采用所述线路状态数据、所述警报信息、所述修正数据和所述目标历史数据库,构建所述输电线路对应的输电线路状态监测报告。
本发明还提供了一种输电线路状态监测***,包括:
多维向量构建模块,用于获取输电线路的历史数据和实时数据,将所述历史数据进行数据预处理,构建多维向量;
目标预设分类算法模型和状态正常范围构建模块,用于将所述多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围;
线路异常数据生成模块,用于通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路异常检测,生成线路异常数据;
线路状态数据生成模块,用于当所述线路异常数据为预设类型时,通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路状态模糊识别,生成线路状态数据;
输电线路状态监测报告构建模块,用于根据所述线路状态数据和预设措施库,构建所述输电线路对应的输电线路状态监测报告。
可选地,所述历史数据包括初始水平段历史数据和初始垂直段历史数据;所述多维向量构建模块包括:
数据获取模块,用于通过巡检装置获取输电线路对应的初始水平段历史数据、初始垂直段历史数据和实时数据;
中间水平段历史数据和中间垂直段历史数据生成模块,用于分别将所述初始水平段历史数据和所述初始垂直段历史数据进行数据清洗,生成中间水平段历史数据和中间垂直段历史数据;
目标水平段历史数据和目标垂直段历史数据生成模块,用于采用时频特征提取方法分别对所述中间水平段历史数据和所述中间垂直段历史数据进行特征提取,生成目标水平段历史数据和目标垂直段历史数据;
多维向量构建子模块,用于将所述目标水平段历史数据和所述目标垂直段历史数据进行特征缩放和均值归一化处理,生成多维向量。
本发明还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行实现如上述任一项输电线路状态监测方法的步骤。
本发明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,所述计算机程序被执行时实现如上述任一项输电线路状态监测方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过获取输电线路的历史数据和实时数据,将历史数据进行数据预处理,构建多维向量。将多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围。通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路异常检测,生成线路异常数据。当线路异常数据为预设类型时,通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路状态模糊识别,生成线路状态数据。基于线路状态数据和预设措施库,构建输电线路对应的输电线路状态监测报告。解决了现有的输电线路状态监测方法器所采用的物理检测方法难以进行准确的检测和分析,容易受到环境噪声和误差的影响,导致监测结果准确度低的技术问题。采用多维向量反映输电线路的电压变化模式,使用机器学习技术的分类算法构建目标预设分类算法模型。通过分类算法模型对输电线路的状态进行分类并处理,基于预设措施库进行相应的维修或修复措施,提高检测的精度和时效性,确保输电线路的正常运行。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种输电线路状态监测方法的步骤流程图;
图2为本发明实施例二提供的一种输电线路状态监测方法的步骤流程图;
图3为本发明实施例三提供的一种输电线路状态监测***的结构框图。
具体实施方式
本发明实施例提供了一种输电线路状态监测方法、***、设备和介质,用于解决现有的输电线路状态监测方法器所采用的物理检测方法难以进行准确的检测和分析,容易受到环境噪声和误差的影响,导致监测结果准确度低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例一提供的一种输电线路状态监测方法的步骤流程图。
本发明实例一提供的一种输电线路状态监测方法,包括:
步骤101、获取输电线路的历史数据和实时数据,将历史数据进行数据预处理,构建多维向量。
在本发明实施例中,历史数据包括初始水平段历史数据和初始垂直段历史数据。通过巡检装置获取输电线路对应的初始水平段历史数据、初始垂直段历史数据和实时数据。分别将初始水平段历史数据和初始垂直段历史数据进行数据清洗,生成中间水平段历史数据和中间垂直段历史数据。采用时频特征提取方法分别对中间水平段历史数据和中间垂直段历史数据进行特征提取,生成目标水平段历史数据和目标垂直段历史数据。将目标水平段历史数据和目标垂直段历史数据进行特征缩放和均值归一化处理,生成多维向量。
步骤102、将多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围。
在本发明实施例中,采用机器学习算法和多维向量对初始预设分类算法模型进行训练,生成目标预设分类算法模型。通过目标预设分类算法模型结合预设专家经验和参考标准规范进行工作状态划分,生成状态正常范围。
步骤103、通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路异常检测,生成线路异常数据。
在本发明实施例中,去除实时数据中的噪声,并进行归一化处理,生成第一分析数据。将第一分析数据进行特征提取,生成多个第一特征向量。将第一分析数据进行特征提取,生成多个第一特征向量。当比较数据为非正常状态时,发出异常信号并执行应急措施。采用异常信号和应急措施,构建线路异常数据。
步骤104、当线路异常数据为预设类型时,通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路状态模糊识别,生成线路状态数据。
预设类型是指输电电路出现线路异常。
在本发明实施例中,当线路异常数据为预设类型时,去除所述实时数据中的噪声,并进行归一化处理,生成第二分析数据。将第二分析数据进行特征提取,生成多个第二特征向量。将不属于状态正常范围内的第二特征向量和对应的偏差值进行模糊计算,生成模糊化输出变量。将模糊化输出变量进行解模糊,生成线路状态数据。
步骤105、根据线路状态数据和预设措施库,构建输电线路对应的输电线路状态监测报告。
在本发明实施例中,将状态识别数据与预设措施库进行匹配,生成状态识别数据对应的警报数据。将所述线路状态数据对应的实时数据标记为异常数据。选取出现在所述状态正常范围内预设次数的异常数据,生成修正数据。采用修正数据修正输电线路对应的初始历史数据库,生成目标历史数据库。采用线路状态数据、警报信息、修正数据和目标历史数据库,构建所述输电线路对应的输电线路状态监测报告。
在本发明实施例中,通过获取输电线路的历史数据和实时数据,将历史数据进行数据预处理,构建多维向量。将多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围。通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路异常检测,生成线路异常数据。当线路异常数据为预设类型时,通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路状态模糊识别,生成线路状态数据。基于线路状态数据和预设措施库,构建输电线路对应的输电线路状态监测报告。解决了现有的输电线路状态监测方法器所采用的物理检测方法难以进行准确的检测和分析,容易受到环境噪声和误差的影响,导致监测结果准确度低的技术问题。采用多维向量反映输电线路的电压变化模式,使用机器学习技术的分类算法构建目标预设分类算法模型。通过分类算法模型对输电线路的状态进行分类并处理,基于预设措施库进行相应的维修或修复措施,提高检测的精度和时效性,确保输电线路的正常运行。
请参阅图2,图2为本发明实施例二提供的一种输电线路状态监测方法的步骤流程图。
本发明实例二提供的另一种输电线路状态监测方法,包括:
步骤201、获取输电线路的历史数据和实时数据,将历史数据进行数据预处理,构建多维向量。
进一步地,历史数据包括初始水平段历史数据和初始垂直段历史数据。步骤201可以包括以下子步骤S11-S14:
S11、通过巡检装置获取输电线路对应的初始水平段历史数据、初始垂直段历史数据和实时数据。
S12、分别将初始水平段历史数据和初始垂直段历史数据进行数据清洗,生成中间水平段历史数据和中间垂直段历史数据。
S13、采用时频特征提取方法分别对中间水平段历史数据和中间垂直段历史数据进行特征提取,生成目标水平段历史数据和目标垂直段历史数据。
S14、将目标水平段历史数据和目标垂直段历史数据进行特征缩放和均值归一化处理,生成多维向量。
在本发明实施例中,为了提高监测效率和准确性,需要在输电线路的水平段和距离段即垂直段上设置巡检装置,通过巡检装置获取输电线路对应的初始水平段历史数据、初始垂直段历史数据和实时数据。巡检装置可以在不需要人工干预的情况下进行数据采集,从而提高监测效率和准确性,巡检装置应该具备稳定的性能和高精度的测量能力。巡检装置包括传感器、采样装置、处理装置和存储装置,传感器、采样装置、处理装置和存储装置均通过电连接。巡检装置的传感器可以包括电压传感器、电流传感器等,可以获取输电线路状态信息的不同方面,同时采样装置可以设置多个采样点,以提高监测的精度和准确性。处理装置中分类算法可以使用其他的算法,如SVM算法等。存储装置可以将监测结果保存在云端服务器中,方便对数据进行管理和分析,也可以提供数据共享功能,本实施例的方法可以应用于各种输电线路的监测,包括交流输电线路和直流输电线路,并且还可以进行多线路并行监测,提高监测的效率。
通过采用不同的参数设置,如测量间距和采样频率等,可以实现对输电线路状态的监测和诊断,在输电线路的水平段和距离段即垂直段上检测电压值、电流值、电压波动和电流波动等数据,并将测得的数据记录在输电线路对应的历史数据库,历史数据库用于与未来测量数据集即实时数据进行比较,以判断输电线路的状态是否异常,数据记录的过程应该确保数据的完整性和准确性,以便后续的分类算法进行数据分析。历史数据库是用于存储输电线路历史数据和实时数据的重要组成部分。历史数据库可以采用多种形式进行存储,包括关系型数据库、非关系型数据库和数据仓库等,历史数据库中存储的数据可以用于训练分类算法模型,以提高模型的准确性和可靠性,历史数据库中存储的数据包括多个方面,例如输电线路的电压、电流、温度等各项指标的历史记录、设备故障的记录、天气变化等环境因素的记录等,这些数据可以用来训练分类算法模型,以实现输电线路状态的自动监测和分类识别。
分别将初始水平段历史数据和初始垂直段历史数据进行数据清洗,生成中间水平段历史数据和中间垂直段历史数据,并采用时频特征提取方法分别对中间水平段历史数据和中间垂直段历史数据进行特征提取,生成目标水平段历史数据和目标垂直段历史数据。在特征提取方面,使用小波变换、时频分析等方法来提取有效特征,以增强分类算法对数据的解释能力,综合使用这些技术,可以有效地提高分类算法的准确性和稳定性,从而更好地预测输电线路的状态。最后,将目标水平段历史数据和目标垂直段历史数据进行特征缩放和均值归一化处理,生成多维向量,确保不同维度的数据具有相同的权重和尺度,从而避免某些维度对分类结果的影响过大。多维向量可以反映输电线路的电压变化模式,此步骤可以结合实际情况,灵活设置参数,以提高数据的质量和分类算法的准确性。
在采集历史数据和实时数据时,还可以通过传感器、监测装置等设备获取输电线路的电压、电流、温度等各项指标的数据,以及天气变化等环境因素的数据。这些数据可以存储在历史数据库中,用于训练初始预设分类算法模型,也可以实时输入到初始预设分类算法模型中,以实现输电线路状态的实时监测和分类识别。
步骤202、采用机器学习算法和多维向量对初始预设分类算法模型进行训练,生成目标预设分类算法模型。
初始预设分类算法模型是指基于实际需要设置的用于对输电线路进行状态检车分类的模型。
在本发明实施例中,利用预处理后的历史数据即多维向量数据,采用决策树、支持向量机、神经网络等机器学习算法训练初始预设分类算法模型,得到目标预设分算法模型。初始预设分算法模型中的分类算法使用机器学习技术以区分正常和异常的数据模式,其中分类算法包括KNN算法即k近邻算法和模糊算法,多维向量作为分类算法的输入,进行模型的训练和调试,通过不断优化模型的参数和特征,以提高模型的准确性和可靠性,训练好的目标预设分算法模型可以用于对输电线路状态的自动监测和分类识别。
通过训练初始预设分算法模型,可以得到一个较为准确的分类器,用于对输电线路的状态进行自动监测和分类识别,同时,也可以将实时数据输入到分类算法模型中,以实现实时监测和警报,这样***可以对输电线路状态进行有效监测,并及时采取相应措施,确保输电线路的安全稳定运行。
步骤203、通过目标预设分类算法模型结合预设专家经验和参考标准规范进行工作状态划分,生成状态正常范围。
在本发明实施例中,进行样本训练也是一种确定状态正常范围的方法,通过对多个样本进行分类算法训练,得到目标预设分类算法模型后,可以通过目标预设分类算法模型来确定状态正常范围。结合专家经验和参考标准规范进行工作状态划分,这可以通过专家对线路工作模式的了解以及行业规范的指导来实现。还可以利用历史数据建立统计模型,通过对历史数据进行分析,包括正常工作期间的数据以及故障期间的数据,从而得到线路的典型工作模式,以此来确定状态正常范围。
步骤204、通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路异常检测,生成线路异常数据。
进一步地,步骤204可以包括以下子步骤S21-S25:
S21、去除实时数据中的噪声,并进行归一化处理,生成第一分析数据。
S22、将第一分析数据进行特征提取,生成多个第一特征向量。
S23、采用k近邻算法分别将第一特征向量分别与状态正常范围内的正常向量进行比较,生成比较数据。
S24、当比较数据为非正常状态时,发出异常信号并执行应急措施。
S25、采用异常信号和应急措施,构建线路异常数据。
在本发明实施例中,通过传感器采集输电线路的实时数据,去除实时数据中的噪声,并进行归一化处理,生成第一分析数据。将所述第一分析数据进行特征提取,生成多个第一特征向量。基于KNN算法即k近邻算法的原理,将特征向量与状态正常范围内的正常向量进行比较,判断是否属于正常状态。例如检测某个节点数据,采集器周围X个节点,通过判断该X个节点与某个节点之间的特征向量与样本空间中正常状态下对应的特征向量是否相等,从而判断其是否异常。
当特征向量不属于正常状态时,发出异常信号并采取应急措施,如发出警报声并断电等。并采用异常信号和应急措施,构建线路异常数据。当特征向量属于状态正常时,将实时数据标记为正确数据,并更新对应的初始历史数据库,以保证历史数据库中的数据始终为最新和准确的数据。
步骤205、当线路异常数据为预设类型时,通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路状态模糊识别,生成线路状态数据。
进一步地,步骤205可以包括以下子步骤S31-S34:
S31、当线路异常数据为预设类型时,去除实时数据中的噪声,并进行归一化处理,生成第二分析数据。
S32、将第二分析数据进行特征提取,生成多个第二特征向量。
S33、将不属于状态正常范围内的第二特征向量和对应的偏差值进行模糊计算,生成模糊化输出变量。
S34、将模糊化输出变量进行解模糊,生成线路状态数据。
在本发明实施例中,当线路异常数据为实现设置的异常类型即预设类型时,通过去除实时数据中的噪声,并进行归一化处理,生成第二分析数据。然后将第二分析数据进行特征提取,生成多个第二特征向量。接着将不属于状态正常范围内的第二特征向量和对应的偏差值进行模糊计算,得到模糊化输出变量。具体可以为收集输电线路的电压、电流、负荷等信息,将这些信息有正常范围值进行比较,若在正常范围外则进行异常标记,然后进行模糊计算。例如,第二特征向量包括电压为I、电流为U、负荷为W,那么计算方式为模糊化输出变量F=IA+UV+WN,I、V、N分别为电压、电流、负荷对应的偏差值。若第二特征向量在范围内,则线路状态数据为0,若第二特征向量不在范围内根据其与范围的最大值或最小值的绝对值进行输入,从而进行模糊计算,得到模糊化输出变量。将模糊化输出变量进行解模糊,生成线路状态数据。
步骤206、根据线路状态数据和预设措施库,构建输电线路对应的输电线路状态监测报告。
进一步地,步骤206可以包括以下子步骤S41-S45:
S41、将状态识别数据与预设措施库进行匹配,生成状态识别数据对应的警报数据。
S42、将线路状态数据对应的实时数据标记为异常数据。
S43、选取出现在状态正常范围内预设次数的异常数据,生成修正数据。
S44、采用修正数据修正输电线路对应的初始历史数据库,生成目标历史数据库。
S45、采用线路状态数据、警报信息、修正数据和目标历史数据库,构建输电线路对应的输电线路状态监测报告。
预设措施库是指基于状态识别数据对应的状态类型分别设置相应的预警等级,每个预警等级分别设置有对应的警报数据,警报数据包括报警方式和警报信息。报警方式包括通过声音报警装置发出警报声、通过光照报警装置发出闪光灯警报、通过振动报警装置发出震动警报和通过人机界面的方式向相关操作人员发送警报信息。
警报信息包括远程监测、现场检查和设备维修,远程监测指通过网络连接的方式实现对输电线路状态的监测,并通过人工干预检测进行报警和处理。现场检查指巡检员在实地对输电线路进行巡视,并通过人工干预检测进行状态判断和处理。设备维修指在人工进行输电线路相关设备的维修、更换等操作,以确保输电线路的正常运行,警报信息可以单独使用,也可以根据具体情况相互配合,从而实现对输电线路状态的全方位监测和管理。
在本发明实施例中,当输电线路状态发生异常时,***会自动判断异常类型即通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路状态模糊识别,生成线路状态数据。并将状态识别数据与预设措施库进行匹配,生成状态识别数据对应的警报数据。例如,当***检测到输电线路电压过高或过低时,可以采用声音报警装置发出声音警报,以便现场工作人员及时采取措施。当***检测到输电线路振动过大时,可以通过振动报警装置发出震动警报,以便周围人员及时检查线路是否存在问题。当***检测到输电线路电流过载时,可以通过光照报警装置发出闪光灯警报,以便引起注意。
如果实时采集的数据异常,则***会触发警报,需要进行人工干预进行检测,并进行相应的维修或修复措施,并将线路状态数据对应的实时数据标记为异常数据。在这一步骤中,操作人员会对异常数据进行分析和评估,判断故障的严重程度和影响范围,并采取相应的措施进行维修或修复,以确保输电线路的正常运行。记录多次在正常范围内出现的异常数据,生成修正数据。并采用修正数据修正输电线路对应的初始历史数据库,生成目标历史数据库。在这一步骤中,***会对多次出现的异常数据进行统计和分析,找出其共性和规律,以改进分类算法并提高其准确性。同时,将修正后的目标历史数据库用于与未来的测量数据进行比较,以及时发现输电线路的状态异常并采取相应的措施。最后采用线路状态数据、警报信息、修正数据和目标历史数据库,构建输电线路对应的输电线路状态监测报告。
在本发明实施例中,通过巡检装置在输电线路上的安装,能够起到提高输电线路状态监测的效率和准确性,通过自动化检测减少人工巡检的工作量,避免人为差错,并提高检测的精度和时效性的效果。
本发明实施例所采用的分类算法包括KNN算法和模糊算法,分类算法对经过采集的多维向量数据进行处理,从而实现对输电线路的状态进行分类和监测,分类算法将记录多次出现的异常数据并据此修正历史数据库,提高分类算法的准确性,从而更好地预测输电线路的状态。还可以根据需要结合使用其他分类算法对数据进行处理,例如SVM算法、决策树算法和神经网络算法等,为了更好地监测输电线路的状态,还可以将分类算法与其他技术结合使用,例如故障诊断技术、数据挖掘技术和可视化技术等。这些技术的应用能够更加全面地分析输电线路的状态,及时发现潜在问题,提高输电线路的安全性和稳定性。通过使用分类算法对数据进行处理,能够起到对输电线路的异常情况进行及时发现和报警,有助于保障输电线路的稳定运行和设备的安全,降低因异常情况而导致的故障率和维修成本的效果。通过历史数据库的不断记录与修正,可以记录并分析异常情况的出现频率和分布情况,有助于对输电线路进行更加精细化的管理和维护,提高线路的可靠性和安全性。
请参阅图3,图3为本发明实施例三提供的一种输电线路状态监测***的结构框图。
本发明实例三提供的一种输电线路状态监测***,包括:
多维向量构建模块301,用于获取输电线路的历史数据和实时数据,将历史数据进行数据预处理,构建多维向量。
目标预设分类算法模型和状态正常范围构建模块302,用于将多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围。
线路异常数据生成模块303,用于通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路异常检测,生成线路异常数据。
线路状态数据生成模块304,用于当线路异常数据为预设类型时,通过目标预设分类算法模型基于状态正常范围对实时数据进行输电线路状态模糊识别,生成线路状态数据。
输电线路状态监测报告构建模块305,用于根据线路状态数据和预设措施库,构建输电线路对应的输电线路状态监测报告。
可选地,历史数据包括初始水平段历史数据和初始垂直段历史数据。多维向量构建模块301包括:
数据获取模块,用于通过巡检装置获取输电线路对应的初始水平段历史数据、初始垂直段历史数据和实时数据。
中间水平段历史数据和中间垂直段历史数据生成模块,用于分别将初始水平段历史数据和初始垂直段历史数据进行数据清洗,生成中间水平段历史数据和中间垂直段历史数据。
目标水平段历史数据和目标垂直段历史数据生成模块,用于采用时频特征提取方法分别对中间水平段历史数据和中间垂直段历史数据进行特征提取,生成目标水平段历史数据和目标垂直段历史数据。
多维向量构建子模块,用于将目标水平段历史数据和目标垂直段历史数据进行特征缩放和均值归一化处理,生成多维向量。
可选地,目标预设分类算法模型和状态正常范围构建模块302包括:
目标预设分类算法模型生成模块,用于采用机器学习算法和多维向量对初始预设分类算法模型进行训练,生成目标预设分类算法模型。
状态正常范围生成模块,用于通过目标预设分类算法模型结合预设专家经验和参考标准规范进行工作状态划分,生成状态正常范围。
可选地,线路异常数据生成模块303包括:
第一分析数据生成模块,用于去除实时数据中的噪声,并进行归一化处理,生成第一分析数据。
第一特征向量生成模块,用于将第一分析数据进行特征提取,生成多个第一特征向量。
比较数据生成模块,用于采用k近邻算法分别将第一特征向量分别与状态正常范围内的正常向量进行比较,生成比较数据。
异常信号和应急措施执行模块,用于当比较数据为非正常状态时,发出异常信号并执行应急措施。
线路异常数据生成子模块,用于采用异常信号和所述应急措施,构建线路异常数据。
可选地,线路状态数据生成模块304包括:
第二分析数据生成模块,用于当线路异常数据为预设类型时,去除实时数据中的噪声,并进行归一化处理,生成第二分析数据。
第二特征向量生成模块,用于将第二分析数据进行特征提取,生成多个第二特征向量。
模糊化输出变量生成模块,用于将不属于状态正常范围内的第二特征向量和对应的偏差值进行模糊计算,生成模糊化输出变量。
线路状态数据生成子模块,用于将模糊化输出变量进行解模糊,生成线路状态数据。
可选地,输电线路状态监测报告构建模块305包括:
警报数据生成模块,用于将状态识别数据与预设措施库进行匹配,生成状态识别数据对应的警报数据。
异常数据确定模块,用于将线路状态数据对应的实时数据标记为异常数据。
修正数据生成模块,用于选取出现在状态正常范围内预设次数的异常数据,生成修正数据。
目标历史数据库生成模块,用于采用修正数据修正输电线路对应的初始历史数据库,生成目标历史数据库。
输电线路状态监测报告构建子模块,用于采用线路状态数据、警报信息、修正数据和目标历史数据库,构建输电线路对应的输电线路状态监测报告。
本发明实施例还提供了一种电子设备,电子设备包括:存储器及处理器,存储器中储存有计算机程序;计算机程序被处理器执行时,使得处理器执行如上述任一实施例的输电线路状态监测方法。
存储器可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如,用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时,导致该计算处理设备执行上面所描述的输电线路状态监测方法中的各个步骤。
本发明实施例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,该计算机程序被处理器执行时实现如上述任一实施例的输电线路状态监测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种输电线路状态监测方法,其特征在于,包括:
获取输电线路的历史数据和实时数据,将所述历史数据进行数据预处理,构建多维向量;
将所述多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围;
通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路异常检测,生成线路异常数据;
当所述线路异常数据为预设类型时,通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路状态模糊识别,生成线路状态数据;
根据所述线路状态数据和预设措施库,构建所述输电线路对应的输电线路状态监测报告。
2.根据权利要求1所述的输电线路状态监测方法,其特征在于,所述历史数据包括初始水平段历史数据和初始垂直段历史数据;所述获取输电线路的历史数据和实时数据,将所述历史数据进行数据预处理,构建多维向量的步骤,包括:
通过巡检装置获取输电线路对应的初始水平段历史数据、初始垂直段历史数据和实时数据;
分别将所述初始水平段历史数据和所述初始垂直段历史数据进行数据清洗,生成中间水平段历史数据和中间垂直段历史数据;
采用时频特征提取方法分别对所述中间水平段历史数据和所述中间垂直段历史数据进行特征提取,生成目标水平段历史数据和目标垂直段历史数据;
将所述目标水平段历史数据和所述目标垂直段历史数据进行特征缩放和均值归一化处理,生成多维向量。
3.根据权利要求1所述的输电线路状态监测方法,其特征在于,所述将所述多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围的步骤,包括:
采用机器学习算法和所述多维向量对初始预设分类算法模型进行训练,生成目标预设分类算法模型;
通过所述目标预设分类算法模型结合预设专家经验和参考标准规范进行工作状态划分,生成状态正常范围。
4.根据权利要求1所述的输电线路状态监测方法,其特征在于,所述通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路异常检测,生成线路异常数据的步骤,包括:
去除所述实时数据中的噪声,并进行归一化处理,生成第一分析数据;
将所述第一分析数据进行特征提取,生成多个第一特征向量;
采用k近邻算法分别将所述第一特征向量分别与所述状态正常范围内的正常向量进行比较,生成比较数据;
当所述比较数据为非正常状态时,发出异常信号并执行应急措施;
采用所述异常信号和所述应急措施,构建线路异常数据。
5.根据权利要求1所述的输电线路状态监测方法,其特征在于,所述当所述线路异常数据为预设类型时,通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路状态模糊识别,生成线路状态数据的步骤,包括:
当所述线路异常数据为预设类型时,去除所述实时数据中的噪声,并进行归一化处理,生成第二分析数据;
将所述第二分析数据进行特征提取,生成多个第二特征向量;
将不属于所述状态正常范围内的所述第二特征向量和对应的偏差值进行模糊计算,生成模糊化输出变量;
将所述模糊化输出变量进行解模糊,生成线路状态数据。
6.根据权利要求1所述的输电线路状态监测方法,其特征在于,所述根据所述线路状态数据和预设措施库,构建所述输电线路对应的输电线路状态监测报告的步骤,包括:
将所述状态识别数据与预设措施库进行匹配,生成所述状态识别数据对应的警报数据;
将所述线路状态数据对应的实时数据标记为异常数据;
选取出现在所述状态正常范围内预设次数的异常数据,生成修正数据;
采用所述修正数据修正所述输电线路对应的初始历史数据库,生成目标历史数据库;
采用所述线路状态数据、所述警报信息、所述修正数据和所述目标历史数据库,构建所述输电线路对应的输电线路状态监测报告。
7.一种输电线路状态监测***,其特征在于,包括:
多维向量构建模块,用于获取输电线路的历史数据和实时数据,将所述历史数据进行数据预处理,构建多维向量;
目标预设分类算法模型和状态正常范围构建模块,用于将所述多维向量进行模型训练,构建目标预设分类算法模型和状态正常范围;
线路异常数据生成模块,用于通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路异常检测,生成线路异常数据;
线路状态数据生成模块,用于当所述线路异常数据为预设类型时,通过所述目标预设分类算法模型基于所述状态正常范围对所述实时数据进行输电线路状态模糊识别,生成线路状态数据;
输电线路状态监测报告构建模块,用于根据所述线路状态数据和预设措施库,构建所述输电线路对应的输电线路状态监测报告。
8.根据权利要求7所述的输电线路状态监测***,其特征在于,所述历史数据包括初始水平段历史数据和初始垂直段历史数据;所述多维向量构建模块包括:
数据获取模块,用于通过巡检装置获取输电线路对应的初始水平段历史数据、初始垂直段历史数据和实时数据;
中间水平段历史数据和中间垂直段历史数据生成模块,用于分别将所述初始水平段历史数据和所述初始垂直段历史数据进行数据清洗,生成中间水平段历史数据和中间垂直段历史数据;
目标水平段历史数据和目标垂直段历史数据生成模块,用于采用时频特征提取方法分别对所述中间水平段历史数据和所述中间垂直段历史数据进行特征提取,生成目标水平段历史数据和目标垂直段历史数据;
多维向量构建子模块,用于将所述目标水平段历史数据和所述目标垂直段历史数据进行特征缩放和均值归一化处理,生成多维向量。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6任一项所述的输电线路状态监测方法的步骤。
10.一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,所述计算机程序被执行时实现如权利要求1至6任一项所述的输电线路状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311643834.XA CN117674418A (zh) | 2023-11-30 | 2023-11-30 | 一种输电线路状态监测方法、***、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311643834.XA CN117674418A (zh) | 2023-11-30 | 2023-11-30 | 一种输电线路状态监测方法、***、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117674418A true CN117674418A (zh) | 2024-03-08 |
Family
ID=90083920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311643834.XA Pending CN117674418A (zh) | 2023-11-30 | 2023-11-30 | 一种输电线路状态监测方法、***、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117674418A (zh) |
-
2023
- 2023-11-30 CN CN202311643834.XA patent/CN117674418A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133A (zh) | 轨道交通设备状态检测维护方法及*** | |
CN112925279A (zh) | 一种基于mes***的故障综合分析*** | |
KR20210125015A (ko) | 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법 | |
EP1360557A2 (en) | Adaptive modeling of changed states in predictive condition monitoring | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
KR102253230B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
Xu et al. | A lof-based method for abnormal segment detection in machinery condition monitoring | |
CN117405177B (zh) | 电缆隧道有害气体泄漏预警方法、***、设备及介质 | |
CN116660761B (zh) | 一种锂离子电池检测方法及*** | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN117607780A (zh) | 一种电能计量装置异常分析***及其分析方法 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN117368651A (zh) | 一种配电网故障综合分析***及方法 | |
CN118259103A (zh) | 充电桩用电异常处理方法、装置、设备及存储介质 | |
CN116595353A (zh) | 一种调相机远程故障诊断及智能决策*** | |
CN117674418A (zh) | 一种输电线路状态监测方法、***、设备和介质 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集*** | |
KR102196611B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
CN118194150B (zh) | 冷水机远程监控与故障预测*** | |
CN118261584A (zh) | 基于多参量数据的变压器状态评估方法及*** | |
CN118030409A (zh) | 用于风机机组的运行性能异常检测方法及*** | |
CN117791876A (zh) | 变电设备运行状态监测方法及异常管控*** | |
CN118194150A (zh) | 冷水机远程监控与故障预测*** | |
CN118395284A (zh) | 一种基于半监督的火电机组智慧巡检***及方法 |
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 |