【技术实现步骤摘要】
本专利技术涉及配电网缺陷识别领域，具体为基于多算法融合的配电网缺陷识别系统及方法。
技术介绍
1、随着配电网规模的扩大和智能化水平的提高，对配电网的监控和管理变得越来越重要。配电网缺陷识别是保障电网安全运行的关键环节。传统的配电网缺陷识别主要依赖于人工巡检和单一图像处理技术，存在效率低下、误检率高等问题。因此，开发一种基于多图像算法融合的配电网缺陷识别系统和方法，对于提高缺陷识别的准确性和效率具有重要意义。
2、现有技术中，传统的配电网缺陷识别方法往往专注于单一类型的数据，从而会导致对整体运行状态的综合性把握不足，并且传统的配电网缺陷识别方法通常采用单一算法进行缺陷识别计算，往往在灵敏度和特异性之间存在折衷，难以准确地区分正常运行和潜在缺陷。
技术实现思路
1、针对现有技术的不足，本专利技术提供了基于多算法融合的配电网缺陷识别系统及方法，解决了传统的配电网缺陷识别方法往往专注于单一类型的数据，从而会导致对整体运行状态的综合性把握不足，并且传统的配电网缺陷识别方法通常采用单一算法进行缺陷识别计算，往往在灵敏度和特异性之间存在折衷，难以准确地区分正常运行和潜在缺陷的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：基于多算法融合的配电网缺陷识别方法，包括以下步骤：获取配电网的历史运行数据以及设备图像数据，所述运行数据包括历史电压数据、历史频率数据、历史电力设备温度数据、历史电力负载数据、历史电力质量数据；对配电网的历史运行数据以及设备图像数据分别进
3、进一步地，对配电网的设备图像数据进行分析处理，得到配电网的设备图像数据中每个区域的第一缺陷指标和第二缺陷指标的具体过程如下：读取配电网的设备图像数据并基于区域生长法进行区域划分；将划分的设备图像数据的每个区域分别通过训练卷积神经网络以及支持向量机进行缺陷识别，分别得到设备图像数据的每个区域的第一缺陷指标和第二缺陷指标。
4、进一步地，得到每个区域的缺陷总指标的具体公式如下：qxzq＝θq1*dyqq+θq2*deqq；其中，qxzq为配电网的设备图像数据中的第q个区域的缺陷总指标，dyqq为配电网的设备图像数据中的第q个区域的第一缺陷指标，deqq为配电网的设备图像数据中的第q个区域的第二缺陷指标，q＝2,3,4,…,c，c为划分的配电网的设备图像数据中的区域数量。
5、进一步地，对配电网的历史运行数据进行分析处理，分别得到配电网的历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标，基于历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标进行综合计算，得到配电网历史运行综合指标的具体过程为：分别对配电网的历史运行数据中的历史电压数据和历史频率数据、历史电力设备温度数据、历史电力负载数据、历史电力质量数据，分别采用统计分析算法、机器学习算法、k均值聚类算法、随机森林算法进行分析计算，分别得到历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标，然后历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标进行加权计算，得到配电网历史运行综合指标；计算配电网历史运行综合指标的具体公式如下：pzh＝ω1*dy+ω2*pl+ω3*sbw+ω4*dlf+ω5*dlz；其中，pzh为配电网历史运行综合指标，dy为历史电压指标，pl为历史频率指标，sbw为历史电力设备温度指标，dlf为历史电力负载指标，dlz为历史电力质量指标，ω1为dy的比例系数，ω2为pl的比例系数，ω3为sbw的比例系数，ω4为dlf的比例系数，ω5为dlz的比例系数，ω1+ω2+ω3+ω4+ω5＝1；对配电网的历史运行数据中的历史电压数据采用统计分析算法进行分析计算，得到历史电压指标的具体过程如下：按照相同的时间间隔对历史电压数据进行划分，得到历史每个时间点的历史电压数据值；基于历史每个时间点的历史电压数据值进行均值计算，得到历史电压数据均值；读取历史每个时间点的历史电压数据值并分别与历史电压数据均值进行差值计算，得到历史每个时间点的历史电压数据差值；读取每个时间点的历史电压数据差值并进行均值计算，得到历史电压指标。
6、进一步地，对配电网的历史运行数据中的历史频率数据采用统计分析算法进行分析计算，得到历史频率指标的具体过程如下：读取历史频率数据并进行预处理；基于预处理之后的历史频率按照相同的时间间隔进行划分，得到历史每个周期的每个时间点的历史频率数据值；将历史每个周期的每个时间点的历史频率数据值进行降序计算，得到历史每个周期的历史频率数据最大值以及历史频率数据最小值；基于历史每个周期的历史频率数据最大值以及历史频率数据最小值进行差值计算，得到历史每个周期的历史频率数据周期差值，并基于历史每个周期的历史频率数据周期差值进行均值计算，得到历史频率数据差值均值；基于历史每个周期的每个时间点的历史频率数据值分别计算每个周期的历史频率周期均值，并基于每个周期的历史频率周期均值进行综合计算得到历史频率均值；基于历史频率数据差值均值以及历史频率均值进行加权计算，得到历史频率指标。
7、进一步地，对配电网的历史运行数据中的历史电力设备温度数据采用机器学习算法进行分析计算，得到历史电力设备温度指标的具体过程如下：读取历史电力设备温度数据，并按照相同的时间间隔进行划分，得到历史每个时间点的历史电力设备温度数据值；将历史每个时间点的历史电力设备温度数据值输入至机器学习模型中，得到每个时间点的历史电力设备温度异常得分；基于每个时间点的历史电力设备温度异常得分，并结合移动指数平均法进行综合计算，得到历史电力设备温度指标。
8、进一步地，对配电网的历史运行数据中的历史负载数据采用k均值聚类算法进行分析计算，得到历史负载指标的具体过程如下：读取历史负载数据并按照相同的时间间隔进行划分，得到历史每个周本文档来自技高网...
【技术保护点】
1.基于多算法融合的配电网缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多算法融合的配电网缺陷识别方法，其特征在于，对配电网的设备图像数据进行分析处理，得到配电网的设备图像数据中每个区域的第一缺陷指标和第二缺陷指标的具体包括：
3.根据权利要求2所述的基于多算法融合的配电网缺陷识别方法，其特征在于，得到每个区域的缺陷总指标的具体公式如下：
4.根据权利要求1所述的基于多算法融合的配电网缺陷识别方法，其特征在于，所述配电网历史运行综合指标的具体计算公式如下：
5.根据权利要求4所述的基于多算法融合的配电网缺陷识别方法，其特征在于，获取所述历史频率指标的具体方法如下：
6.根据权利要求4所述的基于多算法融合的配电网缺陷识别方法，其特征在于，得到所述历史电力设备温度指标的具体方法如下：
7.根据权利要求4所述的基于多算法融合的配电网缺陷识别方法，其特征在于，得到所述历史电力负载指标的具体方法如下：
8.根据权利要求4所述的基于多算法融合的配电网缺陷识别方法，其特征在于，得到所述历
9.基于多算法融合的配电网缺陷识别系统，应用权利要求1-8任意一项所述的基于多算法融合的配电网缺陷识别方法，其特征在于，包括：数据获取子系统、分析计算子系统、阈值判断子系统、缺陷识别子系统；
10.根据权利要求9所述的基于多算法融合的配电网缺陷识别系统，其特征在于，所述数据分析处理子系统包括：历史电压数据分析计算模块、历史频率数据分析计算模块、历史电力设备温度数据分析计算模块、历史负载数据分析计算模块、历史电力质量数据分析计算模块、区域缺陷计算模块、综合计算模块；
...【技术特征摘要】
1.基于多算法融合的配电网缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多算法融合的配电网缺陷识别方法，其特征在于，对配电网的设备图像数据进行分析处理，得到配电网的设备图像数据中每个区域的第一缺陷指标和第二缺陷指标的具体包括：
3.根据权利要求2所述的基于多算法融合的配电网缺陷识别方法，其特征在于，得到每个区域的缺陷总指标的具体公式如下：
4.根据权利要求1所述的基于多算法融合的配电网缺陷识别方法，其特征在于，所述配电网历史运行综合指标的具体计算公式如下：
5.根据权利要求4所述的基于多算法融合的配电网缺陷识别方法，其特征在于，获取所述历史频率指标的具体方法如下：
6.根据权利要求4所述的基于多算法融合的配电网缺陷识别方法，其特征在于，得到所述历史电力设备温度指标的具...
【专利技术属性】
技术研发人员：徐晓波，张福华，王海港，何韦龙，郭文铸，葛锦锦，潘敏，吴迪，谢恒，
申请(专利权)人：国网安徽省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。