基于数据知识库的输电线路风振灾害特征识别方法与系统技术方案

本发明专利技术提供了基于数据知识库的输电线路风振灾害特征识别方法和系统，包括：基于输电线路导线风振灾害信息，从多源数据中获取相关历史数据；对所述历史数据进行整合；基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。实现了结构化和非结构化的灾害原始数据进行统一、规范化加工整合，搭建输电线路风振灾害的多层神经网络监督学习模型是输电线路风振灾害特征识别的的必要前提与基础。

The method and system of wind-induced vibration disaster identification of transmission line based on data knowledge base

【技术实现步骤摘要】
基于数据知识库的输电线路风振灾害特征识别方法与系统
本专利技术属于智能运检领域，具体涉及基于数据知识库的输电线路风振灾害特征识别方法与系统。
技术介绍
随着电网规模的不断扩大和电网信息化水平的持续提升，多年来在输电线路运行过程中积累了大量的输电线路风振灾害监测和历史故障记录数据，输电线路导线风振灾害数据主要包括气象地理信息、机械力学损伤信息及导线结构材料数据等，已有数据库主要以运维单位的表格化台账记录、故障分析报告、现场视频、图片、监测后台信息等传统层面的多源异构数据为主，尚未建立统一化、规范化、标准化的数据库，制约了运维数据的利用效能发挥，并且利用传统分析手段对灾害数据加工利用效率及智能化程度低，不能满足电网智能化和泛在电力物联网的发展需求。电网数据库研究方面，有些机构为开展故障诊断和负荷预测的数据挖掘，建立了电网系统的运行数据库，在系统控制运行层面从大数据角度实现了智能化分析，但其数据内容及应用场景与输电线路风振灾害数据库有较大差异，无法快速准确的对输电线路风振灾害特征进行识别和预测，无法对输电线路风振灾害防治提供决策支撑。
技术实现思路
本专利技术提供了基于数据知识库的输电线路风振灾害特征识别方法，其特征在于，包括：基于输电线路导线风振灾害信息，从多源数据中获取相关历史数据；对所述历史数据进行整合；基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。优选的，所述基于与输电线路导线风振灾害影响从多源数据中获取相关历史数据，包括：<br>基于历史故障缺陷台账、结构设计资料及气象地理信息统计历年的输电线路导线风振灾害故障缺陷历史记录及相关的线路结构参数与环境参数；其中，所述故障缺陷历史记录包括：故障缺陷的类型、损伤位置及程度、发生时间、故障原因；所述线路结构参数包括：电压等级、杆塔类型及高度、导线型号及分裂形式、导线跨度与弧垂、导线张力、防振措施；所述输电线路环境参数包括：风速、风向、降水情况、温湿度、线路风向夹角、地貌类型、海拔高度。优选的，所述对所述历史数据进行整合，包括：对所述线路结构参数与环境参数进行数据清洗和整理；从数据清洗和整理后的数据中选择风振灾害数据，以及随机选取部分正常数据，进行整合；基于整合后的数据构建数据库。优选的，所述基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别，包括：将所述数据库中的数据划分为训练数据集和测试数据集；基于训练数据集对多层神经网络监督学习模型进行训练，确定灾害特征，以及各灾害特征的权重；利用测试数据集对所述识别出的灾害特征准确率进行评价，并基于评价结果修订所述多层神经网络监督学习模型中各灾害特征的权重；其中，所述灾害特征包括：舞动、风偏、微风振动和次档距振荡。优选的，所述利用测试数据集对识别出的灾害特征准确率进行评价，包括：将测试数据集输入训练后的多层神经网络监督学习模型，得到测试特征识别类型；根据所述测试特征识别类型和预测识别测试特征识别类型，采用深层结构设计、选用relu激活函数进行非线性化和使用交叉熵损失函数计算所述多层神经网络监督学习模型网络损失值；根据所述多层神经网络监督学习模型损失值对灾害特征准确率进行评价。优选的，所述数据清洗和整理，包括：对数据进行量化、格式化、空值数据的处理、错误数据的筛查和数据抽样。优选的，所述对数据进行量化、格式化包括：对所述线路结构参数和所述输电线路环境参数数据按照线路数据集属性表、降水形式量化表和风速量化进行量化、格式化处理。进行空值数据的处理，包括：如果训练所述多层神经网络监督学习模型属性缺失设定数量以上的则舍弃本条数据；如果属性缺失设定数量以下，则根据本条数据的详情描述补充缺失数据；如果详情描述没有记载则取所有数据的平均值作为本条数据的补充；所述错误数据的筛查是根据输电线路风振灾害多年积累的经验筛查数据中的错误数据以及违反自然规律、对所述多层神经网络监督学习模型训练起到消极作用的数据；所述数据抽样是对正常数据进行随机抽样，选取部分正常数据和风振灾害数据一起进行所述多层神经网络监督学习模型的训练。基于同一专利技术构思，本专利技术还提供了基于数据知识库的输电线路风振灾害特征识别系统，其改进之处在于，包括：获取模块、整合模块和识别模块；所述获取模块，用于基于输电线路导线风振灾害信息，从多源数据中获取相关历史数据；所述整合模块，对所述历史数据进行整合；所述识别模块，基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。优选的，所述识别模块，包括：训练数据集单元和测试数据集单元；所述训练数据集单元，用于基于所述训练数据集对多层神经网络监督学习模型进行训练，确定灾害特征，以及各灾害特征的权重；所述测试数据集单元，用于利用所述测试数据集对所述识别出的灾害特征准确率进行评价，并基于评价结果修订所述多层神经网络监督学习模型中各灾害特征的权重。优选的，所述整合模块，包括：清洗整理单元和随机选取单元；所述清洗整理单元，用于对电网多源监测数据、故障历史记录、气象地理参数及线路结构参数分别进行数据清洗和整理；所述随机选取单元，从数据清洗和整理后的数据中选择风振灾害数据，以及随机选取部分正常数据，进行整合。与最接近的现有技术相比，本专利技术具有的有益效果如下：1、本专利技术提供了基于数据知识库的输电线路风振灾害特征识别方法，包括：基于输电线路导线风振灾害信息，从多源数据中获取相关历史数据；对所述历史数据进行整合；基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。实现了结构化和非结构化的灾害原始数据进行统一、规范化加工整合，搭建输电线路风振灾害的多层神经网络监督学习模型是输电线路风振灾害特征识别的的必要前提与基础。2、本专利技术对大量风振灾害数据展开深入挖掘和机器学习，进而从数据驱动角度实现对输电线路风振灾害特征的智能化识别和预测，为输电线路风振灾害防治提供决策支撑。附图说明图1为输电线路导线风振灾害数据识别方法流程图；图2为输电线路导线风振灾害数据识别方法总框架图；图3为输电线路导线风振灾害数据识别系统图；图4为输电线路导线风振灾害数据识别方法结构图；图5训练过程的准确率曲线(上)和损失函数曲线(下)；图6为输电线路导线风振灾害数据自动分类统计图示意图；图7为输电线路导线风振灾害数据识别系统结构图。具体实施方式下面结合附图对本专利技术的具体实施方式做进一步的详细说明。实施例1：本专利技术提供了一种输电线路风振灾害特征识别方法，主要实现途径为首先统计与输电线路导线风振灾害相关的广域多源数据搜集、统计；然后对数据进行筛选整合，获得统一化、标准化的数据格式；本文档来自技高网...

【技术保护点】
1.基于数据知识库的输电线路风振灾害特征识别方法，其特征在于，包括：/n基于输电线路导线风振灾害影响从多源数据中获取相关历史数据；/n对所述历史数据进行整合；/n基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。/n

【技术特征摘要】
1.基于数据知识库的输电线路风振灾害特征识别方法，其特征在于，包括：
基于输电线路导线风振灾害影响从多源数据中获取相关历史数据；
对所述历史数据进行整合；
基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。


2.根据权利要求1所述的方法，其特征在于，所述基于与输电线路导线风振灾害影响从多源数据中获取相关历史数据，包括：
基于历史故障缺陷台账、结构设计资料及气象地理信息统计历年的输电线路导线风振灾害故障缺陷历史记录及相关的线路结构参数与环境参数；
其中，所述故障缺陷历史记录包括：故障缺陷的类型、损伤位置及程度、发生时间、故障原因；
所述线路结构参数包括：电压等级、杆塔类型及高度、导线型号及分裂形式、导线跨度与弧垂、导线张力、防振措施；
所述输电线路环境参数包括：风速、风向、降水情况、温湿度、线路风向夹角、地貌类型、海拔高度。


3.根据权利要求2所述的方法，其特征在于，所述对所述历史数据进行整合，包括：
对所述线路结构参数与环境参数进行数据清洗和整理；
从数据清洗和整理后的数据中选择风振灾害数据，以及随机选取部分正常数据，进行整合；
基于整合后的数据构建数据库。


4.根据权利要求3所述的方法，其特征在于，所述基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别，包括：
将所述数据库中的数据划分为训练数据集和测试数据集；
基于训练数据集对多层神经网络监督学习模型进行训练，确定灾害特征，以及各灾害特征的权重；
利用测试数据集对所述识别出的灾害特征准确率进行评价，并基于评价结果修订所述多层神经网络监督学习模型中各灾害特征的权重；
其中，所述灾害特征包括：舞动、风偏、微风振动和次档距振荡。


5.根据权利要求4所述的方法，其特征在于，所述利用测试数据集对识别出的灾害特征准确率进行评价，包括：
将测试数据集输入训练后的多层神经网络监督学习模型，得到测试特征识别类型；
根据所述测试特征识别类型和预测识别测试特征识别类型，采用深层结构设计、选用relu激活函数进行非线性化和使用交叉熵损失函数计算所述多层神经网络监督学习模型网络损失值；
根据所述多层神经网络监督学习模型损失值对灾害特征准确率进行评价。<...

【专利技术属性】
技术研发人员：李鹏，刘彬，程永锋，王景朝，李丹煜，杨加伦，费香泽，姬昆鹏，赵彬，展雪萍，张立春，王志钢，刘赫，刘座铭，李同，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网吉林省电力有限公司电力科学研究院，
类型：发明
国别省市：北京;11