开云优惠体育网页版入口

专利名称：基于多数据融合的电网设备运行状态分析方法及系统

专利类型：发明专利

专利申请号：CN202411010378.X

专利申请（专利权）人：国网甘肃省电力公司白银供电公司,国网甘肃省电力公司
权利人地址：甘肃省白银市白银区人民路6号

专利发明（设计）人：发明人:宋强,王程,付智鑫,王洁云,吕桓,寇明泽,张政,张乾晓,王震龙,刘军伟,周龙,张乐桢,刘吉平

专利摘要：本发明属于智能电网技术领域，本发明公开了基于多数据融合的电网设备运行状态分析方法及系统；方法包括：根据输电线路上分支点划分为i个子监测区域；采集每个子监测区域单位时间内的环境参数；获取输电线路参数；对环境参数进行预处理，得到预处理环境参数；对输电线路进行腐蚀程度预测；将单位时间内的输电线路参数与预处理环境参数输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值，当腐蚀预测值超过腐蚀程度阈值时，对所述输电线路进行腐蚀预警；分析输电线路故障的主要故障与表象故障，使得电网维护人员能够第一时间掌握输电线路的主要故障，提升电网维护效率。

主权利要求：
1.基于多数据融合的电网设备运行状态分析方法，其特征在于，包括：根据输电线路上分支点划分为i个子监测区域，子监测区域为输电线路上相邻分支点之间的区域；采集每个子监测区域单位时间内的环境参数；
获取输电线路参数；
对环境参数进行预处理，得到预处理环境参数；
对输电线路进行腐蚀程度预测；将单位时间内的输电线路参数与预处理环境参数输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值，当腐蚀预测值超过腐蚀程度阈值时，对所述输电线路进行腐蚀预警；所述输电线路进行腐蚀预警的方法包括：步骤1、对所述单位时间进行编号为t，t的初始值为1，将编号为t的单位时间输电线路参数与预处理环境参数输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值，所述输电线路参数包括材料类型、线径、表面防腐涂层类型与腐蚀程度值，腐蚀程度值初始值为0；若步骤1中的腐蚀预测值超过腐蚀程度阈值时，则对所述输电线路进行预警，若步骤1中的腐蚀预测值未超过腐蚀程度阈值时，则不对所述输电线路进行腐蚀预警，令t=t+
1，执行步骤2；
步骤2、获取编号为t的单位时间输电线路参数与预处理环境参数，输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值；步骤2中所述输电线路参数中腐蚀程度值为上一步骤腐蚀预测值；若步骤2中的腐蚀预测值超过腐蚀程度阈值时，则对所述输电线路进行腐蚀预警，若步骤2中的腐蚀预测值未超过腐蚀程度阈值时，则不对所述输电线路进行腐蚀预警，令t=t+1，执行步骤3；
步骤3、重复执行步骤2，直至腐蚀预测值超过腐蚀程度阈值时，对所述输电线路进行腐蚀预警；
在输电线路上每个分支点处安装故障指示器，根据故障指示器在输电线路的安装顺序，对故障指示器进行顺序编号；当输电线路上任一个故障指示器被激活时，将被激活的故障指示器安装分支点s与未被激活的故障指示器安装分支点m构成的子监测区域，标记为故障区间，将采集的分支点s处电气参数与分支点m处电气参数差值处理，得到电气参数差，将电气参数差输入预训练的输电线路故障分析模型中，输出故障类型；
根据所述输电线路的腐蚀预测值，以及故障类型，确定表象故障与主要故障。
2.根据权利要求1所述的基于多数据融合的电网设备运行状态分析方法，其特征在于：所述环境参数包括温度、湿度、污染物浓度和盐雾浓度；所述污染物浓度包括硫化物浓度；所述预处理环境参数包括温度平均值、温度标准差、湿度平均值、湿度标准差、污染物浓度平均值、污染物浓度标准差、盐雾浓度平均值和盐雾浓度标准差；
将单位时间内的温度建立温度分析集合，计算温度分析集合中的温度平均值与温度标准差；
将单位时间内的湿度建立湿度分析集合，计算湿度分析集合中的湿度平均值与湿度标准差；
将单位时间内的污染物浓度建立污染物浓度分析集合，计算污染物浓度分析集合中的污染物浓度平均值与污染物浓度标准差；
将单位时间内的盐雾浓度建立盐雾浓度分析集合，计算盐雾浓度分析集合中的盐雾浓度平均值与盐雾浓度标准差。
3.根据权利要求2所述的基于多数据融合的电网设备运行状态分析方法，其特征在于，故障类型包括短路故障、接地故障与过载故障。
4.根据权利要求3所述的基于多数据融合的电网设备运行状态分析方法，其特征在于，所述腐蚀程度预测模型的训练方法包括：获取r组数据，r为大于1的正整数，数据包括历史单位时间内的输电线路参数、预处理环境参数和输电线路的腐蚀预测值；将历史单位时间内的输电线路参数和预处理环境参数作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史单位时间内的输电线路参数和预处理环境参数作为输入数据，将训练集中的输电线路的腐蚀预测值作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为腐蚀程度预测模型，分类器为RNN神经网络模型或支持向量机模型。
5.根据权利要求4所述的基于多数据融合的电网设备运行状态分析方法，其特征在于，所述电气参数包括电流、电压、相位角与零序电流；电气参数差获得方法包括：分支点s处的电气参数 与分支点m处电气参数 ； 为
电流； 为电压； 为相位角； 为零序电流；电气参数差
。
6.根据权利要求5所述的基于多数据融合的电网设备运行状态分析方法，其特征在于，输电线路故障分析模型训练方法包括：获取z组历史异常数据集，z为大于1的正整数，历史异常数据包括电气参数差 以及与电气参数差 对应的已知故障记录；将历史异常数据集作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的电气参数差 作为输入数据，将训练集中已知故障记录作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为输电线路故障分析模型；分类器为支持向量机模型。
7.根据权利要求6所述的基于多数据融合的电网设备运行状态分析方法，其特征在于，确定表象故障与主要故障的方法为：当所述输电线路进行腐蚀预警时，则将输电线路腐蚀作为主要故障，将短路故障、接地故障或过载故障作为表象故障；
当所述输电线路未进行腐蚀预警时，则将短路故障、接地故障或过载故障作为主要故障。
8.根据权利要求7所述的基于多数据融合的电网设备运行状态分析方法，其特征在于，使用自注意力机制对腐蚀程度预测模型进行优化，对历史单位时间内的输电线路参数、预处理环境参数利用自注意力机制进行优化；输电线路故障分析模型为RNN神经网络模型；在RNN神经网络模型的每个时间步之后添加自注意力机制；
自注意力机制搭建方法包括：
定义自注意力机制的输入维度 和输出维度 ，其中 和 为大于等于1的整数；
定义输入特征张量 和用于线性变换的权重矩阵 ，并对所述权重矩阵进行He初始化，将所述权重矩阵的权重初始化为均匀分布，范围在；
构建查询向量和键向量：通过全连接层将输入层的输出数据进行线性变换组合，得到查询张量 、键张量 和值张量 ；
其中，线性变换组合分别为： ， ， ，式中 表示
输入特征张量， 、 、 表示各自权重矩阵， 表示偏置向量；
通过查询张量 和键张量 之间的点积计算得到注意力分数矩阵 ，，式中 为键张量的维度，c为整个注意力分数矩阵中的一个共
享偏置向量；
通过对注意力分数矩阵应用softmax函数使注意力分数归一化，得到注意力权重；注意力分数归一化步骤包括：；
其中 为注意力矩阵中每一行的注意力分数向量中的第 个分数， 为注意力矩阵中每一行的注意力分数向量中的第 个分数； 为注意力矩阵中每一行的注意力分数向量的长度； ， ；
通过注意力权重对值张量 进行加权求和，得到加权值张量 ，通过对加权值张量中的所有元素进行求和，元素为特征张量 定义的各项元素，得到最终的输出张量 ；
将输出张量 作为自注意力机制的输出，并返回到上层网络进行使用，作为下组训练的数据集。
9.根据权利要求8所述的基于多数据融合的电网设备运行状态分析方法，其特征在于，加权值张量 的计算步骤包括：；
式中 为值张量的第 个元素；
输出张量 的计算步骤包括：
；
式中 为值张量 的长度； 为加权值张量的第 个元素。
10.基于多数据融合的电网设备运行状态分析系统，实施权利要求1?9任一项所述基于多数据融合的电网设备运行状态分析方法，其特征在于，包括：环境参数采集模块，根据输电线路上分支点划分为i个子监测区域，子监测区域为输电线路上相邻分支点之间的区域；采集每个子监测区域单位时间内的环境参数；
线路参数采集模块，用于获取输电线路参数；
数据预处理模块，用于对环境参数进行预处理，得到预处理环境参数；
腐蚀程度预测模块，用于对输电线路进行腐蚀程度预测；将单位时间内的输电线路参数与预处理环境参数输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值，当腐蚀预测值超过腐蚀程度阈值时，对所述输电线路进行腐蚀预警；
电气故障分析模块，在输电线路上每个分支点处安装故障指示器，根据故障指示器在输电线路的安装顺序，对故障指示器进行顺序编号；当输电线路上任一个故障指示器被激活时，将被激活的故障指示器安装分支点s与未被激活的故障指示器安装分支点m构成的子监测区域，标记为故障区间，将采集的分支点s处电气参数与分支点m处电气参数差值处理，得到电气参数差，将电气参数差输入预训练的输电线路故障分析模型中，输出故障类型；
故障排查模块，根据所述输电线路的腐蚀预测值，以及故障类型，确定表象故障与主要故障。 说明书 : 基于多数据融合的电网设备运行状态分析方法及系统技术领域[0001] 本发明涉及智能电网技术领域，更具体地说，本发明涉及基于多数据融合的电网设备运行状态分析方法及系统。背景技术[0002] 输电线是电网中的重要组成部分，用于将发电厂产生的电能通过高压输电线路传输到用电区域，传统的运行状态分析方法往往只使用单一的数据源进行分析，如电流、电压等参数，存在着一些技术缺陷。[0003] 现有公开号CN103424662A的中国专利申请公开了一种智能电网输电线路故障监测系统及方法，智能电网输电线路故障监测系统利用现代嵌入式技术，采用双CPU即ARM配合DSP的结构。其中善于运行管理型任务的ARM处理器负责控制GPRS与上位机通信和人机交互的功能，而适合运行数字信号处理算法的DSP只负责运行故障诊断算法，提高监测系统的数据处理实时快速性，提高故障监测的准确性。智能电网输电线路故障监测方法利用离散小波变换、模极大值判断法确定信号奇异点的方法处理电网暂态信号，提高故障监测准确性。该发明同时可以实现短路、断路和接地故障的监测，并利用GPRS网络配合上位机实现输电线路的在线故障监测。[0004] 现有技术依然存在以下问题：[0005] 在实际输电线路故障确定过程中，短路故障、接地故障、过载故障均与输电线腐蚀程度存在关系，若是由输电线腐蚀程度引起的短路故障、接地故障与过载故障，那么短路故障、接地故障与过载故障只是表象故障，而不是主要故障，而现有技术中故障诊断只对表象故障进行预警，导致电网维护人员优先对表象故障进行处理，则难以解决输电线路存在的故障，影响电网维护效率，影响输电线故障分析准确性。[0006] 鉴于此，本发明提出基于多数据融合的电网设备运行状态分析方法及系统以解决上述问题。发明内容[0007] 为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：基于多数据融合的电网设备运行状态分析方法，包括：[0008] 根据输电线路上分支点划分为i个子监测区域，子监测区域为输电线路上相邻分支点之间的区域；采集每个子监测区域单位时间内的环境参数；[0009] 获取输电线路参数；[0010] 对环境参数进行预处理，得到预处理环境参数；[0011] 对输电线路进行腐蚀程度预测；将单位时间内的输电线路参数与预处理环境参数输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值，当腐蚀预测值超过腐蚀程度阈值时，对所述输电线路进行腐蚀预警；[0012] 在输电线路上每个分支点处安装故障指示器，根据故障指示器在输电线路的安装顺序，对故障指示器进行顺序编号；当输电线路上任一个故障指示器被激活时，将被激活的故障指示器安装分支点s与未被激活的故障指示器安装分支点m构成的子监测区域，标记为故障区间，将采集的分支点s处电气参数与分支点m处电气参数差值处理，得到电气参数差，将电气参数差输入预训练的输电线路故障分析模型中，输出故障类型；[0013] 根据所述输电线路的腐蚀预测值，以及故障类型，确定表象故障与主要故障。[0014] 进一步地，对所述输电线路进行腐蚀预警的方法包括：[0015] 步骤1、对所述单位时间进行编号为t，t的初始值为1，将编号为t的单位时间输电线路参数与预处理环境参数输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值，所述输电线路参数包括材料类型、线径、表面防腐涂层类型与腐蚀程度值，腐蚀程度值初始值为0；若步骤1中的腐蚀预测值超过腐蚀程度阈值时，则对所述输电线路进行预警，若步骤1中的腐蚀预测值未超过腐蚀程度阈值时，则不对所述输电线路进行腐蚀预警，令t=t+1，执行步骤2；[0016] 步骤2、获取编号为t的单位时间输电线路参数与预处理环境参数，输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值；步骤2中所述输电线路参数中腐蚀程度值为上一步骤腐蚀预测值；若步骤2中的腐蚀预测值超过腐蚀程度阈值时，则对所述输电线路进行腐蚀预警，若步骤2中的腐蚀预测值未超过腐蚀程度阈值时，则不对所述输电线路进行腐蚀预警，令t=t+1，执行步骤3；[0017] 步骤3、重复执行步骤2，直至腐蚀预测值超过腐蚀程度阈值时，对所述输电线路进行腐蚀预警。[0018] 进一步地，所述环境参数包括温度、湿度、污染物浓度和盐雾浓度；所述污染物浓度包括硫化物浓度；所述预处理环境参数包括温度平均值、温度标准差、湿度平均值、湿度标准差、污染物浓度平均值、污染物浓度标准差、盐雾浓度平均值和盐雾浓度标准差；[0019] 将单位时间内的温度建立温度分析集合，计算温度分析集合中的温度平均值与温度标准差；[0020] 将单位时间内的湿度建立湿度分析集合，计算湿度分析集合中的湿度平均值与湿度标准差；[0021] 将单位时间内的污染物浓度建立污染物浓度分析集合，计算污染物浓度分析集合中的污染物浓度平均值与污染物浓度标准差；[0022] 将单位时间内的盐雾浓度建立盐雾浓度分析集合，计算盐雾浓度分析集合中的盐雾浓度平均值与盐雾浓度标准差。[0023] 进一步地，故障类型包括短路故障、接地故障与过载故障。[0024] 进一步地，所述腐蚀程度预测模型的训练方法包括：[0025] 获取r组数据，r为大于1的正整数，数据包括历史单位时间内的输电线路参数、预处理环境参数和输电线路的腐蚀预测值；将历史单位时间内的输电线路参数和预处理环境参数作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史单位时间内的输电线路参数和预处理环境参数作为输入数据，将训练集中的输电线路的腐蚀预测值作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为腐蚀程度预测模型，分类器为RNN神经网络模型或支持向量机模型。[0026] 进一步地，所述电气参数包括电流、电压、相位角与零序电流；电气参数差获得方法包括：[0027] 分支点s处的电气参数 与分支点m处电气参数 ；为电流； 为电压；为相位角； 为零序电流；电气参数差。[0028] 进一步地，输电线路故障分析模型训练方法包括：[0029] 获取z组历史异常数据集，z为大于1的正整数，历史异常数据包括电气参数差以及与电气参数差 对应的已知故障记录；将历史异常数据集作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的电气参数差 作为输入数据，将训练集中已知故障记录作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为输电线路故障分析模型；分类器为支持向量机模型。[0030] 进一步地，确定表象故障与主要故障的方法为：[0031] 当所述输电线路进行腐蚀预警时，则将输电线路腐蚀作为主要故障，将短路故障、接地故障或过载故障作为表象故障；[0032] 当所述输电线路未进行腐蚀预警时，则将短路故障、接地故障或过载故障作为主要故障。[0033] 进一步地，使用自注意力机制对腐蚀程度预测模型进行优化，对历史单位时间内的输电线路参数、预处理环境参数利用自注意力机制进行优化；输电线路故障分析模型为RNN神经网络模型；在RNN神经网络模型的每个时间步之后添加自注意力机制；[0034] 自注意力机制搭建方法包括：[0035] 定义自注意力机制的输入维度 和输出维度 ，其中 和 为大于等于1的整数；[0036] 定义输入特征张量 和用于线性变换的权重矩阵 ，并对所述权重矩阵进行He初始化，将所述权重矩阵的权重初始化为均匀分布，范围在 ；[0037] 构建查询向量和键向量：通过全连接层将输入层的输出数据进行线性变换组合，得到查询张量 、键张量 和值张量 ；[0038] 其中，线性变换组合分别为： ， ， ，式中表示输入特征张量， 、 、 表示各自权重矩阵，表示偏置向量；[0039] 通过查询张量 和键张量 之间的点积计算得到注意力分数矩阵 ，，式中 为键张量的维度，c为整个注意力分数矩阵中的一个共享偏置向量；[0040] 通过对注意力分数矩阵应用softmax函数使注意力分数归一化，得到注意力权重；注意力分数归一化步骤包括：[0041] ；[0042] 其中 为注意力矩阵中每一行的注意力分数向量中的第 个分数，为注意力矩阵中每一行的注意力分数向量中的第 个分数； 为注意力矩阵中每一行的注意力分数向量的长度； ， ；[0043] 通过注意力权重对值张量 进行加权求和，得到加权值张量 ，通过对加权值张量 中的所有元素进行求和，元素为特征张量 定义的各项元素，得到最终的输出张量 ；该输出张量反映自注意力机制在给定查询张量和键张量的情况下，对值张量的关注程度；[0044] 将输出张量 作为自注意力机制的输出，并返回到上层网络进行使用，作为下组训练的数据集。[0045] 进一步地，加权值张量 的计算步骤包括：[0046] ；[0047] 式中 为值张量的第 个元素；[0048] 输出张量 的计算步骤包括：[0049] ；[0050] 式中 为值张量 的长度； 为加权值张量的第 个元素。[0051] 基于多数据融合的电网设备运行状态分析系统，实施所述基于多数据融合的电网设备运行状态分析方法，包括：[0052] 环境参数采集模块，根据输电线路上分支点划分为i个子监测区域，子监测区域为输电线路上相邻分支点之间的区域；采集每个子监测区域单位时间内的环境参数；[0053] 线路参数采集模块，用于获取输电线路参数；[0054] 数据预处理模块，用于对环境参数进行预处理，得到预处理环境参数；[0055] 腐蚀程度预测模块，用于对输电线路进行腐蚀程度预测；将单位时间内的输电线路参数与预处理环境参数输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值，当腐蚀预测值超过腐蚀程度阈值时，对所述输电线路进行腐蚀预警；[0056] 电气故障分析模块，在输电线路上每个分支点处安装故障指示器，根据故障指示器在输电线路的安装顺序，对故障指示器进行顺序编号；当输电线路上任一个故障指示器被激活时，将被激活的故障指示器安装分支点s与未被激活的故障指示器安装分支点m构成的子监测区域，标记为故障区间，将采集的分支点s处电气参数与分支点m处电气参数差值处理，得到电气参数差，将电气参数差输入预训练的输电线路故障分析模型中，输出故障类型；[0057] 故障排查模块，根据所述输电线路的腐蚀预测值，以及故障类型，确定表象故障与主要故障。[0058] 本发明基于多数据融合的电网设备运行状态分析方法及系统的技术效果和优点：[0059] 通过根据输电线路上分支点划分为i个子监测区域，在进行输电线路腐蚀程度预测时，不仅考虑了单位时间内的环境参数，同时考虑了当前输电线路腐蚀程度对输电线路腐蚀程度预测值的影响，进而进行一个循环和递进的输电线路腐蚀程度训练，提高了预测的精准度；[0060] 其次，由于输电线路电气故障会受到腐蚀程度的影响，对于输电线路故障分析模型的输出结果进行进一步讨论该子监测区域的输电线路是否处于腐蚀预警状态，分析输电线路故障的主要故障与表象故障，使得电网维护人员能够第一时间掌握输电线路的主要故障，减少无用功的付出，有效提升输电线故障分析准确性，以及提升电网维护效率，使得输电线路存在的故障能够快速得到解决，保障电网的稳定运行。附图说明[0061] 图1为本发明基于多数据融合的电网设备运行状态分析系统示意图；[0062] 图2为本发明基于多数据融合的电网设备运行状态分析方法流程图；[0063] 图3为本发明实施例4的电子设备示意图；[0064] 图4为本发明实施例5的存储介质示意图。具体实施方式[0065] 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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。[0066] 实施例1[0067] 请参阅图1所示，本实施例所述基于多数据融合的电网设备运行状态分析系统，包括环境参数采集模块、线路参数采集模块、数据预处理模块、腐蚀程度预测模块、电气故障分析模块与故障排查模块，各个模块通过有线和/无线的方式连接，实现模块间的数据传输。[0068] 环境参数采集模块，根据输电线路上分支点划分为i个子监测区域，子监测区域为输电线路上相邻分支点之间的区域；采集每个子监测区域单位时间内的环境参数，所述环境参数包括温度、湿度、污染物浓度和盐雾浓度。[0069] 其中，所述污染物浓度包括硫化物浓度；通过采集环境参数，确保维护工作的精确性与应急响应的及时性，同时能帮助预测未来的输电线路维护需求，合理减少运营成本；其中，所述污染物浓度和盐雾浓度会在沿海地区的工业区域对输电线路的腐蚀速率造成显著影响，通过采集污染物浓度和盐雾浓度可以预测腐蚀造成的故障，进而提前采取维护措施，延长输电线路中输电线及其他设备的使用寿命。[0070] 所述污染物浓度包括硫化物浓度，所述硫化物浓度通过紫外线光谱分析仪获得：将紫外线光谱分析仪安装在输电线路中的输电塔上，安装时需要根据输电线路途经地理环境考虑以下因素，包括：易于技术人员接入和处于能代表性地捕捉到由风向和地形影响的硫化物分布的位置。[0071] 所述盐雾浓度通过电位差电化学传感器采集得到，盐雾浓度的单位为 。[0072] 线路参数采集模块，用于获取输电线路参数，输电线路参数包括材料类型、线径、表面防腐涂层类型与腐蚀程度值；输电线路参数由输电线路制造商提供；所述材料类型包括铜、铝与合金，不同材料类型的输电线，其抗腐蚀性均不一样；表面防腐涂层类型包括热浸镀锌、铝包覆、环氧树脂与聚丙烯涂层，不同的表面防腐涂层其防腐蚀性能也不一样。[0073] 本实施例中腐蚀程度值初始值为0，即所述输电线路刚开始投入使用时的腐蚀程度，初始腐蚀程度值会影响后续腐蚀速度。[0074] 数据预处理模块，用于对环境参数进行预处理，得到预处理环境参数，所述预处理环境参数包括温度平均值、温度标准差、湿度平均值、湿度标准差、污染物浓度平均值、污染物浓度标准差、盐雾浓度平均值和盐雾浓度标准差。[0075] 具体地，温度平均值与温度标准差获得方法如下：[0076] 将单位时间内的温度建立温度分析集合，计算温度分析集合中的温度平均值与温度标准差。[0077] ；[0078] 公式中， 为第 条输电线路单位时间内温度标准差； 为温度分析集合中第 个温度； 为温度分析集合中的温度平均值； 为温度分析集合中温度的数量。[0079] 同温度平均值与温度标准差获得方法，获得湿度平均值、湿度标准差、污染物浓度平均值、污染物浓度标准差、盐雾浓度平均值和盐雾浓度标准差。[0080] 腐蚀程度预测模块，用于对输电线路进行腐蚀程度预测；将单位时间内的输电线路参数与预处理环境参数输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值，当腐蚀预测值超过腐蚀程度阈值时，对所述输电线路进行腐蚀预警。[0081] 对所述输电线路进行腐蚀预警的方法包括：[0082] 步骤1、对所述单位时间进行编号为t，t的初始值为1，将编号为t的单位时间输电线路参数与预处理环境参数输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值；若步骤1中的腐蚀预测值超过腐蚀程度阈值时，则对所述输电线路进行预警，若步骤1中的腐蚀预测值未超过腐蚀程度阈值时，则不对所述输电线路进行腐蚀预警，令t=t+1，执行步骤2；[0083] 步骤2、获取编号为t的单位时间输电线路参数与预处理环境参数，输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值；步骤2中所述输电线路参数中腐蚀程度值为上一步骤腐蚀预测值；若步骤2中的腐蚀预测值超过腐蚀程度阈值时，则对所述输电线路进行腐蚀预警，若步骤2中的腐蚀预测值未超过腐蚀程度阈值时，则不对所述输电线路进行腐蚀预警，令t=t+1，执行步骤3。[0084] 步骤3、重复执行步骤2，直至腐蚀预测值超过腐蚀程度阈值时，对所述输电线路进行腐蚀预警。[0085] 所述腐蚀程度预测模型的训练方法包括：[0086] 获取r组数据，r为大于1的正整数，数据包括历史单位时间内的输电线路参数、预处理环境参数和输电线路的腐蚀预测值；将历史单位时间内的输电线路参数和预处理环境参数作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史单位时间内的输电线路参数和预处理环境参数作为输入数据，将训练集中的输电线路的腐蚀预测值作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为腐蚀程度预测模型，分类器优选为RNN神经网络模型或支持向量机模型中的一种。[0087] 需要说明的是，在收集r组数据时，通过多名本领域技术人员记录处理输电线路参数与预处理环境参数，并同时对输电线路腐蚀程度进行打分，去除最高值与最低值，取平均值作为腐蚀预测值。[0088] 电气故障分析模块，在输电线路上每个分支点处安装故障指示器，根据故障指示器在输电线路的安装顺序，对故障指示器进行顺序编号；当输电线路上任一个故障指示器被激活时（即输电线路存在故障），将被激活的故障指示器安装分支点s与未被激活的故障指示器安装分支点m构成的子监测区域，标记为故障区间，所述被激活的故障指示器与所述未被激活的故障指示器顺序编号相邻，即s与m相邻。[0089] 例如：输电线路上依次安装了故障指示器F、G、I、J、0，当发生故障时，故障指示器F、G、I被触发，即激活，而J、0没有被触发，则故障发生在I和J之间，即所述被激活的故障指示器为I，所述未被激活的故障指示器为J，故障区间为I安装分支点与J安装分支点构成的子监测区域。[0090] 将采集的分支点s处电气参数与分支点m处电气参数差值处理，得到电气参数差，将电气参数差输入预训练的输电线路故障分析模型中，输出故障类型，故障类型包括短路故障、接地故障与过载故障。[0091] 电气参数包括电流、电压、相位角与零序电流，电流、电压、相位角与零序电流均通过相应的传感器进行获。宋钟屑际，在此不做赘述。[0092] 短路故障表现为电流增大，电压大幅度跌落，相位角变化明显；接地故障表现为零序电流和电压显著增加，相位角变化明显；过载故障表现为电流增加，但没有电压突变，相位角变化不明显。[0093] 电气参数差获得方法包括：[0094] 分支点s处的电气参数 与分支点m处电气参数 ；为电流；为电压； 为相位角； 为零序电流。[0095] 电气参数差 。[0096] 输电线路故障分析模型训练方法如下：[0097] 获取z组历史异常数据集，z为大于1的正整数，历史异常数据包括电气参数差以及与电气参数差 对应的已知故障记录；将历史异常数据集作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的电气参数差 作为输入数据，将训练集中已知故障记录作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为输电线路故障分析模型；分类器优选为支持向量机模型或其他机器学习模型。[0098] 故障排查模块，根据所述输电线路的腐蚀预测值，以及故障类型，确定表象故障与主要故障。[0099] 当所述输电线路进行腐蚀预警时，则将输电线路腐蚀作为主要故障，将短路故障、接地故障或过载故障作为表象故障。[0100] 当所述输电线路未进行腐蚀预警时，则将短路故障、接地故障或过载故障作为主要故障。[0101] 输电线路的腐蚀会削弱导线的绝缘性能和机械强度，增加导线之间或导线与接地物之间的短路风险；例如，腐蚀导致导线表面粗糙，绝缘层破损或变。菀自诙窳犹炱ㄈ缬晏、雾天）或树枝接触等情况下发生短路。[0102] 输电线路的腐蚀会使导线与地面或接地设备之间的绝缘性能下降，增加接地故障的可能性；例如，腐蚀使得导线表面保护层受损，暴露出金属部分，容易在潮湿环境下与地面形成导电路径，引发接地故障。[0103] 腐蚀会减弱输电线路的载流能力，使得原本可以承受的电流在腐蚀后变成过载，从而导致过载故障；例如，腐蚀导致导线截面积减。缱柙龃。在相同负载下，导线发热增加，引发过载故障和进一步的电线损坏。[0104] 实施例2[0105] 本实施例在实施例1的基础上进一步改进设计，使用自注意力机制对腐蚀程度预测模型进行优化，优化方法如下：[0106] 对历史单位时间内的输电线路参数、预处理环境参数利用自注意力机制进行优化；输电线路故障分析模型为RNN神经网络模型；在RNN神经网络模型的每个时间步之后添加自注意力机制，使输电线路故障分析模型更好理解输入特征张量中的长距离依赖关系，并且通过自注意力机制可以并行处理输入特征张量，使得模型训练和预测更加高效。[0107] 自注意力机制搭建方法包括：[0108] 定义自注意力机制的输入维度 和输出维度 ，其中 和 为大于等于1的整数。[0109] 示例性的，本实施例中 。[0110] 定义输入特征张量 和用于线性变换的权重矩阵 ，并对所述权重矩阵进行He初始化，将所述权重矩阵的权重初始化为均匀分布，范围在。[0111] 构建查询向量和键向量：通过全连接层将输入层的输出数据进行线性变换组合，得到查询张量 、键张量 和值张量 。[0112] 其中，线性变换组合分别为： ， ， ，式中 表示输入特征张量， 、 、 表示各自权重矩阵，表示偏置向量。[0113] 通过查询张量 和键张量 之间的点积计算得到注意力分数矩阵 ，，式中 为键张量的维度，c为整个注意力分数矩阵中的一个共享偏置向量。[0114] 通过对注意力分数矩阵应用softmax函数使注意力分数归一化，从而得到注意力权重；注意力分数归一化步骤包括：[0115] ；[0116] 其中 为注意力矩阵中每一行的注意力分数向量中的第 个分数，为注意力矩阵中每一行的注意力分数向量中的第 个分数； 为注意力矩阵中每一行的注意力分数向量的长度； ， 。[0117] 通过注意力权重对值张量 进行加权求和，得到加权值张量 ，通过对加权值张量 中的所有元素进行求和，元素为特征张量 定义的各项元素，得到最终的输出张量 ；该输出张量反映自注意力机制在给定查询张量和键张量的情况下，对值张量的关注程度。[0118] 加权值张量 的计算步骤包括：[0119] 。[0120] 式中 为值张量的第 个元素；[0121] 输出张量 的计算步骤包括：[0122] 。[0123] 式中 为值张量 的长度； 为加权值张量的第 个元素。[0124] 将输出张量 作为自注意力机制的输出，并返回到上层网络进行使用，作为下组训练的数据集。[0125] 通过引入了自注意力机制的RNN神经网络模型，采用监督学习的方法，RNN神经网络模型的输入是单位时间内的输电线路参数、预处理环境参数，输出是腐蚀预测值。[0126] 实施例3[0127] 请参阅图2所示，本实施例提供基于多数据融合的电网设备运行状态分析方法，包括：[0128] 根据输电线路上分支点划分为i个子监测区域，子监测区域为输电线路上相邻分支点之间的区域；采集每个子监测区域单位时间内的环境参数；[0129] 获取输电线路参数；[0130] 对环境参数进行预处理，得到预处理环境参数；[0131] 对输电线路进行腐蚀程度预测；将单位时间内的输电线路参数与预处理环境参数输入预训练的腐蚀程度预测模型中，得到所述输电线路的腐蚀预测值，当腐蚀预测值超过腐蚀程度阈值时，对所述输电线路进行腐蚀预警；[0132] 在输电线路上每个分支点处安装故障指示器，根据故障指示器在输电线路的安装顺序，对故障指示器进行顺序编号；当输电线路上任一个故障指示器被激活时，将被激活的故障指示器安装分支点s与未被激活的故障指示器安装分支点m构成的子监测区域，标记为故障区间，将采集的分支点s处电气参数与分支点m处电气参数差值处理，得到电气参数差，将电气参数差输入预训练的输电线路故障分析模型中，输出故障类型；[0133] 根据所述输电线路的腐蚀预测值，以及故障类型，确定表象故障与主要故障。[0134] 实施例4[0135] 请参阅图3所示，根据本申请的又一方面还提供了电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的基于多数据融合的电网设备运行状态分析方法。[0136] 根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备500可包括总线501、一个或多个CPU502、ROM503、RAM504、连接到网络的通信端口505、输入/输出506、硬盘507等。电子设备500中的存储设备，例如ROM503或硬盘507可存储本申请提供的基于多数据融合的电网设备运行状态分析方法。进一步地，电子设备500还可包括用户界面508。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。[0137] 实施例5[0138] 请参阅图4所示，是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的基于多数据融合的电网设备运行状态分析方法。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。[0139] 另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：基于多数据融合的电网设备运行状态分析方法。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。[0140] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求书的保护范围为准。[0141] 最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：甘肃

专利申请日期：2024-07-26

专利公开日期：2024-10-15

专利公告号：CN118551276B