CN117807558B - 一种输电线路综合故障检测方法、***及存储介质 - Google Patents
一种输电线路综合故障检测方法、***及存储介质 Download PDFInfo
- Publication number
- CN117807558B CN117807558B CN202410208377.XA CN202410208377A CN117807558B CN 117807558 B CN117807558 B CN 117807558B CN 202410208377 A CN202410208377 A CN 202410208377A CN 117807558 B CN117807558 B CN 117807558B
- Authority
- CN
- China
- Prior art keywords
- power grid
- detection
- data
- unmanned aerial
- aerial vehicle
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 195
- 238000003860 storage Methods 0.000 title claims abstract description 51
- 230000005540 biological transmission Effects 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 129
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种输电线路综合故障检测方法、***及存储介质,该方法包括如下步骤:通过采集装置网络采集目标电网***在预设时间内的多源电网检测数据;提取多源电网检测数据的时序特征数据;利用卡尔曼滤波法将时序特征数据进行数据融合;根据历史电网数据构建异常模式库;将电网状态估计值与异常模式库进行比对完成对目标电网***的一次异常检测,确定目标电网***的异常状态以及异常状态的一级异常类型;利用探测无人机完成对目标电网***的二次异常检测,将一级异常类型细化分类为二级异常类型;结合多源电网检测数据、电网状态估计值和二级异常类型生成目标电网***的故障检测报告。本发明具有提高电网***故障检测的效率和准确性的效果。
Description
技术领域
本发明属于输电线路故障检测技术领域,具体是涉及到一种输电线路综合故障检测方法、***及存储介质。
背景技术
随着电力***的日益发展和智能化程度的提升,电网***的监测和故障检测已成为一项重要的任务。在当前技术条件下可以通过采集装置网络采集电网数据,这些传感器分布于电网***的各个关键位置,能够实时收集各种参数和状态数据,以全方位地了解电网***的运行状况。然而,传统的电网检测方法在数据采集和故障检测的准确性方面仍存在一些问题。这主要是由于数据采集的局限性,以及现有检测方法的局限性。因此,需要一种新的技术方案,以提高电网***故障检测的效率和准确性。
发明内容
本发明提供一种输电线路综合故障检测方法、***及存储介质,以解决电网***故障检测的效率和准确性较低的问题。
第一方面,本发明提供一种输电线路综合故障检测方法,应用于目标电网***,所述目标电网***沿电网线路设置有多个部署有探测无人机的无人机杆塔充电基地,所述目标电网***还配置有采集装置网络,所述采集装置网络中包含多个集成采集装置,多个所述集成采集装置分别配置于所述电网线路中的各个线塔上;
所述方法包括如下步骤:
通过所述采集装置网络采集所述目标电网***在预设时间内的多源电网检测数据;
提取所述多源电网检测数据的时序特征数据;
利用卡尔曼滤波法将所述时序特征数据进行数据融合,得到所述目标电网***的电网状态估计值;
基于所述多源电网检测数据的数据类型,从预设的历史电网数据库中提取对应类型的历史电网数据,并根据所述历史电网数据构建异常模式库;
将所述电网状态估计值与所述异常模式库进行比对完成对所述目标电网***的一次异常检测,确定所述目标电网***的异常状态以及所述异常状态的一级异常类型,所述一级异常类型包括电网内部异常和电网外部异常;
结合所述电网状态估计值和所述异常状态,并利用所述无人机杆塔充电基地中的所述探测无人机完成对所述目标电网***的二次异常检测,根据所述二次异常检测的检测结果将所述一级异常类型细化分类为二级异常类型;
结合所述多源电网检测数据、所述电网状态估计值和所述二级异常类型生成所述目标电网***的故障检测报告。
可选的,所述提取所述多源电网检测数据的时序特征数据包括如下步骤:
对所述多源电网检测数据进行数据清洗,去除所述多源电网检测数据中的异常数据、空值数据和重复数据;
将所述多源电网检测数据中不同源的数据进行时间对齐;
按照所述多源电网检测数据的时间戳,提取每个时间戳下所述多源电网检测数据的高维数据特征;
将每个时间戳下的所有所述高维数据特征进行特征融合,得到所述多源电网检测数据在每个时间戳下的综合特征数据;
降维处理所有所述综合特征数据,并根据时间戳的时间顺序将所有所述综合特征数据排列合并为时序特征数据。
可选的,所述利用卡尔曼滤波法将所述时序特征数据进行数据融合,得到所述目标电网***的电网状态估计值包括如下步骤:
基于所述多源电网检测数据定义状态变量,并构建所述目标电网***的电网***动态方程;
初始化预设的卡尔曼滤波器,其中:初始化过程包括初始化所述卡尔曼滤波器中的协方差矩阵以及将所述卡尔曼滤波器中的状态估计值初始化为初始状态估计值;
根据所述采集装置网络的噪声特性和运行状态确定所述卡尔曼滤波器的卡尔曼增益;
将所述时序特征数据中的初始时序特征数据与所述初始状态估计值进行数据融合,利用所述卡尔曼增益进行状态更新,得到下一时刻的状态估计值;
继续将所述时序特征数据中下一时刻的特征数据与下一时刻的状态估计值进行数据融合并完成状态更新,直至所述时序特征数据中的所有特征数据均完成一次数据融合,得到最终状态下所述目标电网***的电网状态估计值。
可选的,所述结合所述电网状态估计值和所述异常状态,并利用所述无人机杆塔充电基地中的所述探测无人机完成对所述目标电网***的二次异常检测,根据所述二次异常检测的检测结果将所述一级异常类型细化分类为二级异常类型包括如下步骤:
结合所述电网状态估计值和所述异常状态在所述目标电网***中定位故障异常区域;
根据所述故障异常区域和所述无人机杆塔充电基地实时更新的基地实时数据,选取所述无人机杆塔充电基地中的最优无人机杆塔充电基地;
基于所述故障异常区域生成所述最优无人机杆塔充电基地中目标探测无人机的检测飞行路径;
控制所述目标探测无人机以所述检测飞行路径完成对所述目标电网***中故障异常区域的二次异常检测,得到二次检测结果;
通过提取识别所述二次检测结果中的数据特征,将所述一级异常类型细化分类为二级异常类型。
可选的,所述基地实时数据包括所述无人机杆塔充电基地中所述探测无人机的实时电量和实时存储容量,所述根据所述故障异常区域和所述无人机杆塔充电基地实时更新的基地实时数据,选取所述无人机杆塔充电基地中的最优无人机杆塔充电基地包括如下步骤:
以所述故障异常区域的区域中心为中点,并以预设的筛选半径生成筛选区域,将筛选区域内的所述无人机杆塔充电基地标记为初选无人机杆塔充电基地;
统计所述故障异常区域的区域面积和区域地形复杂度;
基于所述区域面积预估得到计划存储容量消耗;
结合所述区域面积以及所述初选无人机杆塔充电基地与所述故障异常区域之间的中间路程预估得到计划电量消耗;
根据所述区域地形复杂度确定计划值调整权重,并通过所述计划值调整权重调整所述计划存储容量消耗和所述计划电量消耗;
将所述实时电量小于所述计划电量消耗和/或所述实时存储容量小于所述计划存储容量消耗的所述初选无人机杆塔充电基地筛除;
从剩余的所述初选无人机杆塔充电基地中选取所述中间路程最短的作为最优无人机杆塔充电基地。
可选的,所述基于所述故障异常区域生成所述最优无人机杆塔充电基地中目标探测无人机的检测飞行路径包括如下步骤:
确定所述故障异常区域的边界中与所述最优无人机杆塔充电基地最近的目标边界点;
在所述目标边界点与所述最优无人机杆塔充电基地之间并以最短路程为目标,生成所述最优无人机杆塔充电基地至所述目标边界点的第一飞行路径,以及所述目标边界点至所述最优无人机杆塔充电基地的第二飞行路径;
以所述目标边界点作为路径起点和路径终点,环绕所述故障异常区域的边界一周生成第三飞行路径;
按照所述第一飞行路径、所述第三飞行路径和所述第二飞行路径的顺序将飞行路径拼接,生成所述最优无人机杆塔充电基地中目标探测无人机的检测飞行路径。
可选的,所述控制所述目标探测无人机以所述检测飞行路径完成对所述目标电网***中故障异常区域的二次异常检测,得到二次检测结果包括如下步骤:
控制所述目标探测无人机以所述检测飞行路径向所述故障异常区域飞行;
在所述目标探测无人机处于所述第一飞行路径,且所述目标探测无人机与所述目标边界点之间的距离小于预设的距离阈值时,控制所述目标探测无人机采集所述故障异常区域的第一图像信息;
基于所述第一图像信息分析所述故障异常区域是否出现区域灾害,所述区域灾害包括区域山火和区域雷暴;
若所述故障异常区域出现所述区域灾害,则控制所述目标探测无人机返回所述最优无人机杆塔充电基地,并将所述第一图像信息作为二次检测结果。
可选的,所述方法还包括如下步骤:
若所述故障异常区域未出现所述区域灾害,则控制所述目标探测无人机以所述检测飞行路径完成飞行任务;
控制所述目标探测无人机在所述第二飞行路径途中采集所述故障异常区域的第二图像信息,将所述第二图像信息作为二次检测结果。
第二方面,本发明还提供一种输电线路综合故障检测***,包括存储器、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,所述处理器执行所述计算机程序时实现如第一方面中所述的输电线路综合故障检测方法。
第三方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,采用了第一方面中所述的输电线路综合故障检测方法。
本发明的有益效果是:
为了提高电网***的状态估计准确性,利用卡尔曼滤波法将时序特征数据进行数据融合,得到目标电网***的电网状态估计值。此外,为了更加准确地检测电网***的异常状态,还可以根据多源电网检测数据的数据类型,从预设的历史电网数据库中提取对应类型的历史电网数据,并根据这些历史数据构建异常模式库。通过比对电网状态估计值和异常模式库,可以完成对目标电网***的一次异常检测,确定异常状态以及异常类型。
为了进一步细化异常类型,结合无人机技术,利用探测无人机对目标电网***进行二次异常检测。根据二次异常检测的结果,将一级异常类型细化分类为二级异常类型。这样可以更加准确地判断电网***的异常状态,并提供更详细的故障诊断信息。
综上所述,本发明通过采集装置网络采集电网***的多源电网检测数据,并利用卡尔曼滤波法进行数据融合和状态估计,结合历史电网数据构建异常模式库,结合无人机技术进行二次异常检测,最终生成故障检测报告。这种方法可以提高电网***的监测和故障检测的准确性和效率,为电力***运维提供有力的支持。
附图说明
图1为本申请其中一种实施方式中输电线路综合故障检测方法的流程示意图。
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地描述,显然,所描述的实施例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获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为一个实施例中输电线路综合故障检测方法的流程示意图。应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图1所示,图1中的方法应用于目标电网***,目标电网***沿电网线路设置有多个部署有探测无人机的无人机杆塔充电基地,目标电网***还配置有采集装置网络,采集装置网络中包含多个集成采集装置,多个集成采集装置分别配置于电网线路中的各个线塔上,图1中输电线路综合故障检测方法具体包括如下步骤:
S101.通过采集装置网络采集目标电网***在预设时间内的多源电网检测数据。
其中,目标电网***指配置有采集装置网络的电网***。采集装置网络中的所有集成采集装置均互相通讯连接,且所有集成采集装置均与目标电网***的控制中心通讯连接。集成采集装置中包括在电网***的各个关键节点所安装的传感器,包括但不限于温度、电流、电压、频率传感器,用于采集电压、电流、功率等参数的实时数据作为多源电网检测数据。集成采集装置将各个不同类型的传感器进行集成,除此之外还包括线路取电设备、储能电池、激光采集器等,集成采集装置可以利用线塔实现传感器的统一供电,并采用一个控制芯片对所有传感器进行统一控制管理。集成采集装置具体还可以实现电线的环境监测,如雷电、覆冰等情况,还可以通过集成采集装置中内置的摄像头实现线塔周边环境信息的采集。
S102.提取多源电网检测数据的时序特征数据。
其中,对于采集到的电网数据,可以通过时间序列分析的方法提取时序特征数据。例如,可以计算电压、电流等参数的平均值、波动范围、频率等统计特征,以及通过傅里叶变换等方法提取频域特征。
S103.利用卡尔曼滤波法将时序特征数据进行数据融合,得到目标电网***的电网状态估计值。
其中,卡尔曼滤波法可以通过对观测数据和***模型进行融合,估计出目标电网***的真实状态。具体实施过程中可以使用卡尔曼滤波器将不同传感器得到的数据进行融合,以估计电网的当前状态。
S104.基于多源电网检测数据的数据类型,从预设的历史电网数据库中提取对应类型的历史电网数据,并根据历史电网数据构建异常模式库。
其中,根据多源电网检测数据的数据类型,例如电压数据、频率数据等,从历史电网数据库中提取相应类型的历史数据。然后对这些历史数据进行统计和分析,提取出对应的异常模式,如电压异常模式、频率异常模式等,从而构建异常模式库。
S105.将电网状态估计值与异常模式库进行比对完成对目标电网***的一次异常检测,确定目标电网***的异常状态以及异常状态的一级异常类型,一级异常类型包括电网内部异常和电网外部异常。
其中,将电网状态估计值与异常模式库中的各种异常模式数值进行比对,若电网状态估计值符合任意一种异常模式数值,则确定目标电网***出现异常状态。根据符合的异常模式数值所对应的异常模式,确定异常状态的一级异常类型,一级异常类型包括电网内部异常和电网外部异常。
S106.结合电网状态估计值和异常状态,并利用无人机杆塔充电基地中的探测无人机完成对目标电网***的二次异常检测,根据二次异常检测的检测结果将一级异常类型细化分类为二级异常类型。
其中,结合电网状态估计值和异常状态,可以提供更准确的信息给无人机杆塔充电基地中的探测无人机。无人机可以根据这些信息对目标电网***进行进一步的异常检测。根据二次异常检测的结果,可以将一级异常类型细化分类为更具体的二级异常类型。其中,电网内部异常可细分为以下二级异常类型:异物接触短路异常、关联设备故障等,电网外部异常可细分为以下二级异常类型:树障异常、覆冰异常等。
S107.结合多源电网检测数据、电网状态估计值和二级异常类型生成目标电网***的故障检测报告。
其中,综合考虑多源电网检测数据、电网状态估计值和二级异常类型,可以生成目标电网***的故障检测报告。该报告可以包括电网***的异常状态、异常类型、异常发生的时间和位置等详细信息,以及针对异常的建议措施和修复方案。这样的报告可以帮助电力***运维人员及时发现和解决电网***的故障问题,提高电网***的可靠性和稳定性。
在其中一种实施方式中,步骤S102具体包括如下步骤:
对多源电网检测数据进行数据清洗,去除多源电网检测数据中的异常数据、空值数据和重复数据;
将多源电网检测数据中不同源的数据进行时间对齐;
按照多源电网检测数据的时间戳,提取每个时间戳下多源电网检测数据的高维数据特征;
将每个时间戳下的所有高维数据特征进行特征融合,得到多源电网检测数据在每个时间戳下的综合特征数据;
降维处理所有综合特征数据,并根据时间戳的时间顺序将所有综合特征数据排列合并为时序特征数据。
在本实施方式中,对多源电网检测数据进行数据清洗,去除异常数据、空值数据和重复数据。这包括对数据进行异常值检测和处理,去除缺失数值或空值的数据记录,以及去除重复的数据记录。具体可以通过统计分析或机器学习方法,检测数据中的异常值。例如,可以使用箱线图、离群点检测算法等方法来识别和处理异常值。一旦异常值被检测到,可以选择将其删除或进行修正。将不同源的数据按照时间戳进行对齐,使得它们在同一时间点上具有相同的时间戳,以便后续的特征提取和分析。具体可以通过将数据按照时间戳进行排序,然后对齐到相同的时间点来实现。如果某些数据源在某些时间点上没有数据记录,则可以使用插值方法来填充这些缺失的数据。常见的插值方法包括线性插值、多项式插值、样条插值等。插值方法可以根据已有的数据点来推断缺失数据点的值。
按照多源电网检测数据的时间戳,提取每个时间戳下多源电网检测数据的高维数据特征。包括使用各种信号处理、特征提取算法或模型来从原始数据中提取特征,如频域特征、时域特征、统计特征等。将每个时间戳下的所有高维数据特征进行特征融合,得到多源电网检测数据在每个时间戳下的综合特征数据。具体则可以通过特征合并、聚合等方式将多个特征融合为一个综合特征向量。
由于融合后的特征数据会包含多个传感器的信息,且存在多种类型的检测数据,每种类型的检测数据都可能产生多个特征,导致融合后的特征数据维度较高。因此,需要对综合特征数据进行降维处理,然后根据时间戳的时间顺序将所有综合特征数据排列合并为时序特征数据。具体可以使用主成分分析(PCA)等降维方法,然后将处理后的特征数据按时间顺序排列,形成时序特征数据。
在其中一种实施方式中,步骤S103具体包括如下步骤:
基于多源电网检测数据定义状态变量,并构建目标电网***的电网***动态方程;
初始化预设的卡尔曼滤波器,其中:初始化过程包括初始化卡尔曼滤波器中的协方差矩阵以及将卡尔曼滤波器中的状态估计值初始化为初始状态估计值;
根据采集装置网络的噪声特性和运行状态确定卡尔曼滤波器的卡尔曼增益;
将时序特征数据中的初始时序特征数据与初始状态估计值进行数据融合,利用卡尔曼增益进行状态更新,得到下一时刻的状态估计值;
继续将时序特征数据中下一时刻的特征数据与下一时刻的状态估计值进行数据融合并完成状态更新,直至时序特征数据中的所有特征数据均完成一次数据融合,得到最终状态下目标电网***的电网状态估计值。
在本实施方式中,基于多源电网检测数据定义状态变量,如节点电压和回路电流,并建立描述这些状态变量随时间演变的电网***动态方程。假设目标电网***的状态变量包括各节点的电压和回路的电流/>。通过基本的电路方程和功率平衡原理,可以建立如下的动态方程:
式中:表示电压变化率,/>表示电流变化率,/>和/>是与电网特性相关的函数。
使用历史数据或领域专业知识为卡尔曼滤波器设定初始状态估计值和协方差矩阵。例如,设定初始电压状态估计值为已知的基准值,而协方差矩阵可以初始化为较大的值,表示对初始状态的不确定性。通过分析传感器数据的噪声特性和电网***的动态特性,使用卡尔曼滤波器的设计方程计算卡尔曼增益。卡尔曼增益的大小影响着测量值和模型预测在状态更新中的权重分配。将初始时刻的电网状态估计值与实际测量值通过卡尔曼增益进行加权融合,得到下一时刻的状态估计值。这可以通过以下方程表示:
式中:表示在时刻/>的状态估计值,/>表示在时刻/>的状态估计值,/>表示卡尔曼增益,/>表示状态到测量的映射矩阵,/>表示实际测量值。
通过迭代的方式,将下一时刻的特征数据与当前状态估计值融合,再利用卡尔曼增益进行状态更新。重复这一过程,直至所有时序特征数据完成一轮数据融合,得到最终的电网状态估计值。
在其中一种实施方式中,步骤S106具体包括如下步骤:
结合电网状态估计值和异常状态在目标电网***中定位故障异常区域;
根据故障异常区域和无人机杆塔充电基地实时更新的基地实时数据,选取无人机杆塔充电基地中的最优无人机杆塔充电基地;
基于故障异常区域生成最优无人机杆塔充电基地中目标探测无人机的检测飞行路径;
控制目标探测无人机以检测飞行路径完成对目标电网***中故障异常区域的二次异常检测,得到二次检测结果;
通过提取识别二次检测结果中的数据特征,将一级异常类型细化分类为二级异常类型。
在本实施方式中,使用先前步骤中得到的电网状态估计值,结合传感器数据中的异常状态信息,采用定位算法(如行波法、粒子群算法等)来确定故障异常区域的位置。利用实时更新的基地数据,考虑基地的位置、距离故障异常区域的距离、无人机资源可用性等因素,通过算法或优化模型选择最适合部署无人机的基地。从而在故障异常区域附近选择最优的无人机杆塔充电基地,以便有效地部署探测无人机。使用路径规划算法,考虑无人机的航程、速度、风险因素等,生成覆盖故障异常区域的最优飞行路径。此过程可能涉及避障、最短路径等算法。最终生成最优的检测飞行路径,以充分覆盖故障异常区域并最大程度地获取有用信息。利用自动飞行控制***,通过预先规划的路径控制无人机飞行,使用搭载的传感器进行二次异常检测,得到详细的异常信息。利用数据挖掘、机器学习或深度学习技术,对二次检测结果进行分析和处理,提取关键特征,并将异常进一步分类为更详细的二级异常类型。
假设在电网***中出现了电压异常,通过电网状态估计得知异常区域位于变电站附近。基于这一信息,***会选择离异常区域最近的无人机杆塔充电基地,并根据无人机杆塔充电基地的实时更新数据选择最优的无人机。接下来,利用路径规划算法生成最优的检测飞行路径,确保无人机能够充分覆盖异常区域。目标探测无人机按照生成的路径飞行,通过搭载的传感器进行二次异常检测,得到详细的异常信息。最后,通过数据特征提取和机器学习算法,将电压异常进一步分类为可能的原因,如过载、短路等,以便更深入地理解和解决问题。
在其中一种实施方式中,基地实时数据包括无人机杆塔充电基地中探测无人机的实时电量和实时存储容量,根据故障异常区域和无人机杆塔充电基地实时更新的基地实时数据,选取无人机杆塔充电基地中的最优无人机杆塔充电基地这一步骤具体包括如下步骤:
以故障异常区域的区域中心为中点,并以预设的筛选半径生成筛选区域,将筛选区域内的无人机杆塔充电基地标记为初选无人机杆塔充电基地;
统计故障异常区域的区域面积和区域地形复杂度;
基于区域面积预估得到计划存储容量消耗;
结合区域面积以及初选无人机杆塔充电基地与故障异常区域之间的中间路程预估得到计划电量消耗;
根据区域地形复杂度确定计划值调整权重,并通过计划值调整权重调整计划存储容量消耗和计划电量消耗;
将实时电量小于计划电量消耗和/或实时存储容量小于计划存储容量消耗的初选无人机杆塔充电基地筛除;
从剩余的初选无人机杆塔充电基地中选取中间路程最短的作为最优无人机杆塔充电基地。
在本实施方式中,使用故障异常区域的中心坐标作为中点,以预设的筛选半径生成一个圆形区域。然后,根据无人机杆塔充电基地的位置信息,判断哪些基地位于该筛选区域内,将它们标记为初选无人机杆塔充电基地。使用合适的算法或技术,根据故障异常区域的边界信息计算区域的面积。同时,通过分析区域的地形特征,如地势起伏、障碍物分布等,评估区域的地形复杂度。
具体而言,可以利用全球定位***(GPS)测量土地区域的边界坐标点,然后利用这些坐标点计算面积。这种方法适用于较大的区域,可以快速获取边界坐标点。或者可以利用遥感影像(如航空影像、卫星影像)获取土地区域的边界信息,然后利用图像处理和分析技术,如图像分类、边界提取等,计算区域面积。地形复杂度统计则可以利用数字高程模型(DEM)或地形数据,如雷达测高数据、激光扫描数据等,计算土地区域的地形复杂度指标,如坡度、坡向、地形起伏等。可以使用地理信息***(GIS)软件进行分析和计算。或者利用地形指数,如地形粗糙度指数(TRI)、地形湾曲度指数(TPI)等,对土地区域的地形复杂度进行定量化分析。还可以通过计算土地区域的地形曲率,可以评估土地区域的地形复杂度。地形曲率可以表示土地表面的凹凸程度和起伏情况,可以通过地形数据的计算得到。
建立故障异常区域面积与无人机存储容量消耗量之间的关系模型。无人机存储容量指无人机所携带的存储介质的剩余存储容量。根据故障异常区域的面积,使用关系模型预估所需的存储容量消耗。同理,还可以建立区域面积、中间路程与无人机电量消耗之间的关系模型。结合故障异常区域的面积和初选无人机杆塔充电基地与该区域之间的中间路程,使用该模型预估所需的电量消耗。
设计一个权重调整函数,根据区域地形复杂度的评估结果,调整计划存储容量消耗和计划电量消耗的权重。例如,如果区域地形复杂度较高,可以增加计划存储容量消耗的权重,并同步增加计划电量消耗的权重。对于每个初选无人机杆塔充电基地,比较其实时电量和计划电量消耗,以及实时存储容量和计划存储容量消耗。如果实时电量小于计划电量消耗或实时存储容量小于计划存储容量消耗,则将该基地筛除。从剩余的初选无人机杆塔充电基地中选择中间路程最短的基地作为最优无人机杆塔充电基地,以减少飞行时间和能量消耗。
举例说明:假设在故障异常区域中心附近有三个无人机杆塔充电基地,以该区域中心为中点,设定一个筛选半径,生成一个圆形筛选区域。然后,根据无人机杆塔充电基地的位置信息,判断哪些基地位于该筛选区域内,将它们标记为初选无人机杆塔充电基地。通过统计故障异常区域的面积和评估区域的地形复杂度,可以预估所需的存储容量消耗和电量消耗。根据区域面积和中间路程,使用关系模型预估计划存储容量消耗和计划电量消耗。根据区域地形复杂度的评估结果,可以调整计划存储容量消耗和计划电量消耗的权重,以更好地适应不同地形环境。
接下来,对每个初选无人机杆塔充电基地,比较其实时电量和计划电量消耗,以及实时存储容量和计划存储容量消耗。如果实时电量小于计划电量消耗或实时存储容量小于计划存储容量消耗,则将该基地筛除。最后,从剩余的初选无人机杆塔充电基地中计算与故障异常区域之间的中间路程,并选择其中距离最短的基地作为最优无人机杆塔充电基地。通过这些步骤,可以根据故障异常区域的特征和无人机杆塔充电基地的实时数据,选择最优的无人机杆塔充电基地,以便有效地部署探测无人机,减少能量消耗和飞行时间。
在其中一种实施方式中,基于故障异常区域生成最优无人机杆塔充电基地中目标探测无人机的检测飞行路径这一步骤具体包括如下步骤:
确定故障异常区域的边界中与最优无人机杆塔充电基地最近的目标边界点;
在目标边界点与最优无人机杆塔充电基地之间并以最短路程为目标,生成最优无人机杆塔充电基地至目标边界点的第一飞行路径,以及目标边界点至最优无人机杆塔充电基地的第二飞行路径;
以目标边界点作为路径起点和路径终点,环绕故障异常区域的边界一周生成第三飞行路径;
按照第一飞行路径、第三飞行路径和第二飞行路径的顺序将飞行路径拼接,生成最优无人机杆塔充电基地中目标探测无人机的检测飞行路径。
在本实施方式中,使用路径规划算法,计算故障异常区域边界上的所有点与最优无人机杆塔充电基地的距离,并选择距离最近的点作为目标边界点。使用最短路径算法,如Dijkstra算法或A*算法,计算最优无人机杆塔充电基地到目标边界点的最短路径,并计算目标边界点到最优无人机杆塔充电基地的最短路径。确保两个路径的总长度最短。使用路径规划算法,如深度优先搜索或广度优先搜索,以目标边界点作为起点和终点,生成一条环绕故障异常区域边界一周的路径。将第一飞行路径、第三飞行路径和第二飞行路径按照顺序连接起来,形成一个完整的飞行路径。确保路径之间的连接点和方向的连续性,以保证无人机能够顺利地按照路径飞行。
在其中一种实施方式中,控制目标探测无人机以检测飞行路径完成对目标电网***中故障异常区域的二次异常检测,得到二次检测结果这一步骤具体包括如下步骤:
控制目标探测无人机以检测飞行路径向故障异常区域飞行;
在目标探测无人机处于第一飞行路径,且目标探测无人机与目标边界点之间的距离小于预设的距离阈值时,控制目标探测无人机采集故障异常区域的第一图像信息;
基于第一图像信息分析故障异常区域是否出现区域灾害,区域灾害包括区域山火和区域雷暴;
若故障异常区域出现区域灾害,则控制目标探测无人机返回最优无人机杆塔充电基地,并将第一图像信息作为二次检测结果。
在本实施方式中,使用飞行控制***,通过预设的航点和路径规划算法,控制目标探测无人机沿着指定的飞行路径飞往故障异常区域。利用无人机搭载的视觉传感器,监测目标探测无人机与目标边界点之间的距离。当距离小于预设的距离阈值时,触发图像采集操作,拍摄故障异常区域的第一图像信息。使用计算机视觉算法对采集的第一图像信息进行分析。针对区域灾害的特征,例如火焰、浓烟等,进行检测和识别,以确定是否出现灾害。若故障异常区域出现区域灾害,使用飞行控制***,指导目标探测无人机返回最优无人机杆塔充电基地。将采集的第一图像信息作为二次检测结果,以便后续分析和应对措施。在另一场景中,如果第一图像信息分析未发现区域灾害,目标探测无人机将继续飞行至第二飞行路径。在第二飞行路径的飞行途中,无人机利用搭载的传感器采集第二图像信息,以获取更全面的异常区域数据。
在其中一种实施方式中,探测无人机在执行探测任务的过程中还可以通过视觉传感器对线路上的鸟类进行识别,并在执行探测任务的过程中自动添加并执行驱鸟任务。若探测无人机执行完本次探测任务且剩余电量低于预设的电量阈值,则探测无人机将采用就近充电的方式自动寻路至最近的无人机杆塔充电基地进行充电,且探测无人机在进入无人机杆塔充电基地后可以自动对接充电。
在本实施方式中,本申请实施例还公开一种输电线路综合故障检测***,包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,其中,处理器执行计算机程序时,采用了上述实施例中的输电线路综合故障检测方法。
其中,输电线路综合故障检测***可以采用台式电脑、笔记本电脑或者云端服务器等计算机设备,并且,输电线路综合故障检测***包括但不限于处理器以及存储器,例如,输电线路综合故障检测***还可以包括输入输出设备、网络接入设备以及总线等。
其中,处理器可以采用中央处理单元(CPU),当然,根据实际的使用情况,也可以采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以采用微处理器或者任何常规的处理器等,本申请对此不做限制。
其中,存储器可以为计算机设备的内部存储单元,例如,计算机设备的硬盘或者内存,也可以为计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、智能存储卡(SMC)、安全数字卡(SD)或者闪存卡(FC)等,并且,存储器还可以为计算机设备的内部存储单元与外部存储设备的组合,存储器用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器还可以用于暂时地存储已经输出或者将要输出的数据,本申请对此不做限制。
本申请实施例还公开一种计算机可读存储介质,并且,计算机可读存储介质存储有计算机程序,其中,计算机程序被处理器执行时,采用了上述实施例中的输电线路综合故障检测方法。
其中,计算机程序可以存储于机器可读介质中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等,机器可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等,需要说明的是,机器可读介质包括但不限于上述元器件。
其中,通过本计算机可读存储介质,将上述实施例中的输电线路综合故障检测方法存储于计算机可读存储介质中,并且,被加载并执行于处理器上,以方便上述方法的存储及应用。
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。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的保护范围限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上的本申请中一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本申请中一个或多个实施例旨在涵盖落入本申请的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请中一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种输电线路综合故障检测方法,其特征在于,应用于目标电网***,所述目标电网***沿电网线路设置有多个部署有探测无人机的无人机杆塔充电基地,所述目标电网***还配置有采集装置网络,所述采集装置网络中包含多个集成采集装置,多个所述集成采集装置分别配置于所述电网线路中的各个线塔上;
所述方法包括如下步骤:
通过所述采集装置网络采集所述目标电网***在预设时间内的多源电网检测数据;
提取所述多源电网检测数据的时序特征数据;
利用卡尔曼滤波法将所述时序特征数据进行数据融合,得到所述目标电网***的电网状态估计值;
基于所述多源电网检测数据的数据类型,从预设的历史电网数据库中提取对应类型的历史电网数据,并根据所述历史电网数据构建异常模式库;
将所述电网状态估计值与所述异常模式库进行比对完成对所述目标电网***的一次异常检测,确定所述目标电网***的异常状态以及所述异常状态的一级异常类型,所述一级异常类型包括电网内部异常和电网外部异常;
结合所述电网状态估计值和所述异常状态在所述目标电网***中定位故障异常区域;
根据所述故障异常区域和所述无人机杆塔充电基地实时更新的基地实时数据,选取所述无人机杆塔充电基地中的最优无人机杆塔充电基地;
基于所述故障异常区域生成所述最优无人机杆塔充电基地中目标探测无人机的检测飞行路径;
控制所述目标探测无人机以所述检测飞行路径完成对所述目标电网***中故障异常区域的二次异常检测,得到二次检测结果;
通过提取识别所述二次检测结果中的数据特征,将所述一级异常类型细化分类为二级异常类型;
结合所述多源电网检测数据、所述电网状态估计值和所述二级异常类型生成所述目标电网***的故障检测报告。
2.根据权利要求1所述的输电线路综合故障检测方法,其特征在于,所述提取所述多源电网检测数据的时序特征数据包括如下步骤:
对所述多源电网检测数据进行数据清洗,去除所述多源电网检测数据中的异常数据、空值数据和重复数据;
将所述多源电网检测数据中不同源的数据进行时间对齐;
按照所述多源电网检测数据的时间戳,提取每个时间戳下所述多源电网检测数据的高维数据特征;
将每个时间戳下的所有所述高维数据特征进行特征融合,得到所述多源电网检测数据在每个时间戳下的综合特征数据;
降维处理所有所述综合特征数据,并根据时间戳的时间顺序将所有所述综合特征数据排列合并为时序特征数据。
3.根据权利要求2所述的输电线路综合故障检测方法,其特征在于,所述利用卡尔曼滤波法将所述时序特征数据进行数据融合,得到所述目标电网***的电网状态估计值包括如下步骤:
基于所述多源电网检测数据定义状态变量,并构建所述目标电网***的电网***动态方程;
初始化预设的卡尔曼滤波器,其中:初始化过程包括初始化所述卡尔曼滤波器中的协方差矩阵以及将所述卡尔曼滤波器中的状态估计值初始化为初始状态估计值;
根据所述采集装置网络的噪声特性和运行状态确定所述卡尔曼滤波器的卡尔曼增益;
将所述时序特征数据中的初始时序特征数据与所述初始状态估计值进行数据融合,利用所述卡尔曼增益进行状态更新,得到下一时刻的状态估计值;
继续将所述时序特征数据中下一时刻的特征数据与下一时刻的状态估计值进行数据融合并完成状态更新,直至所述时序特征数据中的所有特征数据均完成一次数据融合,得到最终状态下所述目标电网***的电网状态估计值。
4.根据权利要求1所述的输电线路综合故障检测方法,其特征在于,所述基地实时数据包括所述无人机杆塔充电基地中所述探测无人机的实时电量和实时存储容量,所述根据所述故障异常区域和所述无人机杆塔充电基地实时更新的基地实时数据,选取所述无人机杆塔充电基地中的最优无人机杆塔充电基地包括如下步骤:
以所述故障异常区域的区域中心为中点,并以预设的筛选半径生成筛选区域,将筛选区域内的所述无人机杆塔充电基地标记为初选无人机杆塔充电基地;
统计所述故障异常区域的区域面积和区域地形复杂度;
基于所述区域面积预估得到计划存储容量消耗;
结合所述区域面积以及所述初选无人机杆塔充电基地与所述故障异常区域之间的中间路程预估得到计划电量消耗;
根据所述区域地形复杂度确定计划值调整权重,并通过所述计划值调整权重调整所述计划存储容量消耗和所述计划电量消耗;
将所述实时电量小于所述计划电量消耗和/或所述实时存储容量小于所述计划存储容量消耗的所述初选无人机杆塔充电基地筛除;
从剩余的所述初选无人机杆塔充电基地中选取所述中间路程最短的作为最优无人机杆塔充电基地。
5.根据权利要求1所述的输电线路综合故障检测方法,其特征在于,所述基于所述故障异常区域生成所述最优无人机杆塔充电基地中目标探测无人机的检测飞行路径包括如下步骤:
确定所述故障异常区域的边界中与所述最优无人机杆塔充电基地最近的目标边界点;
在所述目标边界点与所述最优无人机杆塔充电基地之间并以最短路程为目标,生成所述最优无人机杆塔充电基地至所述目标边界点的第一飞行路径,以及所述目标边界点至所述最优无人机杆塔充电基地的第二飞行路径;
以所述目标边界点作为路径起点和路径终点,环绕所述故障异常区域的边界一周生成第三飞行路径;
按照所述第一飞行路径、所述第三飞行路径和所述第二飞行路径的顺序将飞行路径拼接,生成所述最优无人机杆塔充电基地中目标探测无人机的检测飞行路径。
6.根据权利要求5所述的输电线路综合故障检测方法,其特征在于,所述控制所述目标探测无人机以所述检测飞行路径完成对所述目标电网***中故障异常区域的二次异常检测,得到二次检测结果包括如下步骤:
控制所述目标探测无人机以所述检测飞行路径向所述故障异常区域飞行;
在所述目标探测无人机处于所述第一飞行路径,且所述目标探测无人机与所述目标边界点之间的距离小于预设的距离阈值时,控制所述目标探测无人机采集所述故障异常区域的第一图像信息;
基于所述第一图像信息分析所述故障异常区域是否出现区域灾害,所述区域灾害包括区域山火和区域雷暴;
若所述故障异常区域出现所述区域灾害,则控制所述目标探测无人机返回所述最优无人机杆塔充电基地,并将所述第一图像信息作为二次检测结果。
7.根据权利要求6所述的输电线路综合故障检测方法,其特征在于,所述方法还包括如下步骤:
若所述故障异常区域未出现所述区域灾害,则控制所述目标探测无人机以所述检测飞行路径完成飞行任务;
控制所述目标探测无人机在所述第二飞行路径途中采集所述故障异常区域的第二图像信息,将所述第二图像信息作为二次检测结果。
8.一种输电线路综合故障检测***,包括存储器、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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的输电线路综合故障检测方法。
9.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序被处理器加载并执行时,采用了权利要求1至7中任一项所述的输电线路综合故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410208377.XA CN117807558B (zh) | 2024-02-26 | 2024-02-26 | 一种输电线路综合故障检测方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410208377.XA CN117807558B (zh) | 2024-02-26 | 2024-02-26 | 一种输电线路综合故障检测方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117807558A CN117807558A (zh) | 2024-04-02 |
CN117807558B true CN117807558B (zh) | 2024-05-03 |
Family
ID=90420314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410208377.XA Active CN117807558B (zh) | 2024-02-26 | 2024-02-26 | 一种输电线路综合故障检测方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807558B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563356A (zh) * | 2017-09-29 | 2018-01-09 | 西安因诺航空科技有限公司 | 一种无人机巡检管线目标分析管理方法及*** |
KR20210043206A (ko) * | 2019-10-11 | 2021-04-21 | 한국전력공사 | 선로 고장점 탐지 시스템 및 방법 |
CN114168662A (zh) * | 2021-11-04 | 2022-03-11 | 国网河南省电力公司 | 一种基于多数据源的配电网问题梳理分析方法及*** |
CN115018883A (zh) * | 2022-06-22 | 2022-09-06 | 国网江苏省电力有限公司常州供电分公司 | 一种基于光流和卡尔曼滤波的输电线路无人机红外自主巡检方法 |
CN116645620A (zh) * | 2023-05-04 | 2023-08-25 | 国网电力空间技术有限公司 | 一种高精度电网无人机巡检图像缺陷识别方法及*** |
CN117332347A (zh) * | 2023-08-31 | 2024-01-02 | 上海浦源科技有限公司 | 一种机巡与ai融合的电网智慧运维方法及*** |
CN117390403A (zh) * | 2023-12-11 | 2024-01-12 | 交通运输部东海航海保障中心上海航标处 | 一种新能源灯塔发电站的电网故障检测方法及*** |
CN117421998A (zh) * | 2023-12-18 | 2024-01-19 | 国网湖北省电力有限公司经济技术研究院 | 一种基于多模态数据的输电架空线路健康状态评估*** |
-
2024
- 2024-02-26 CN CN202410208377.XA patent/CN117807558B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563356A (zh) * | 2017-09-29 | 2018-01-09 | 西安因诺航空科技有限公司 | 一种无人机巡检管线目标分析管理方法及*** |
KR20210043206A (ko) * | 2019-10-11 | 2021-04-21 | 한국전력공사 | 선로 고장점 탐지 시스템 및 방법 |
CN114168662A (zh) * | 2021-11-04 | 2022-03-11 | 国网河南省电力公司 | 一种基于多数据源的配电网问题梳理分析方法及*** |
CN115018883A (zh) * | 2022-06-22 | 2022-09-06 | 国网江苏省电力有限公司常州供电分公司 | 一种基于光流和卡尔曼滤波的输电线路无人机红外自主巡检方法 |
CN116645620A (zh) * | 2023-05-04 | 2023-08-25 | 国网电力空间技术有限公司 | 一种高精度电网无人机巡检图像缺陷识别方法及*** |
CN117332347A (zh) * | 2023-08-31 | 2024-01-02 | 上海浦源科技有限公司 | 一种机巡与ai融合的电网智慧运维方法及*** |
CN117390403A (zh) * | 2023-12-11 | 2024-01-12 | 交通运输部东海航海保障中心上海航标处 | 一种新能源灯塔发电站的电网故障检测方法及*** |
CN117421998A (zh) * | 2023-12-18 | 2024-01-19 | 国网湖北省电力有限公司经济技术研究院 | 一种基于多模态数据的输电架空线路健康状态评估*** |
Non-Patent Citations (1)
Title |
---|
基于无人机技术的输电线路检测和故障定位方法;刘德帅 等;无线电工程;20230423;第53卷(第10期);2431-2438 * |
Also Published As
Publication number | Publication date |
---|---|
CN117807558A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742125B (zh) | 预测和防止在结构资产处的不利状况的深度机器学习 | |
CN109738970B (zh) | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 | |
US9217775B2 (en) | Systems and methods for characterizing fault clearing devices | |
KR102009574B1 (ko) | 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템 | |
Jwa et al. | A piecewise catenary curve model growing for 3D power line reconstruction | |
KR102235113B1 (ko) | 송전선로의 환경침해 진단장치 | |
KR20150124396A (ko) | 크라우드소싱을 이용한 위치 결정, 매핑 및 데이터 관리 시스템 및 방법 | |
CN109710595B (zh) | 基于有限信息的输电走廊鸟害热点图的构建方法 | |
CN115167530B (zh) | 基于多维传感的带电作业勘察数据处理方法及*** | |
CN112381041A (zh) | 一种用于输电线路的树木识别方法、装置及终端设备 | |
JP2022119973A (ja) | 画像識別に基づく飛行体強制着陸経路計画方法、システムおよび装置 | |
De Santis et al. | A learning intelligent system for classification and characterization of localized faults in smart grids | |
CN117077922A (zh) | 一种基于bp神经网络智能电网配电方法 | |
CN114519712A (zh) | 一种点云数据处理方法、装置、终端设备及存储介质 | |
WO2017186242A1 (en) | A method for identifying the phases of a multi-phase distribution grid | |
CN117807558B (zh) | 一种输电线路综合故障检测方法、***及存储介质 | |
CN112016739A (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN115657728A (zh) | 一种无人机仿真控制方法及*** | |
KR101802455B1 (ko) | 강우의 공간 규모를 고려한 강우 예측 시스템 및 방법 | |
EP4050350A1 (en) | Determination of phase connections in a power grid | |
JP5864753B2 (ja) | 物理量推定システム及び物理量推定方法 | |
Abid et al. | UCL: Unsupervised Curriculum Learning for Utility Pole Detection from Aerial Imagery | |
CN117828309B (zh) | 一种多源数据融合测距的变电站安全预警方法 | |
CN113435802B (zh) | 输电网监测规划方案构建方法、装置、设备和存储介质 | |
CN118089745B (zh) | 基于地磁匹配的mimu航向角精度优化调节***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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |