一种基于故障定位和预测的输电线路运维方法及系统与流程

本发明涉及输电线路运维，特别是一种基于故障定位和预测的输电线路运维方法及系统。

背景技术：

1、随着电力系统的迅速发展和扩展，输电线路的运维变得愈发复杂，传统的输电线路运维方法已经显得不够高效和及时；在电力系统运维领域，各种先进的监测和分析技术应运而生，为提高线路运维水平提供了新的可能性，这些技术包括但不限于物联网iot技术、数据挖掘和人工智能；其中深度学习作为人工智能领域的重要分支，对于处理电力系统复杂数据展现出了卓越的性能；深度学习的兴起为电力系统运维带来了革命性的变化，各种深度学习模型以其在图像处理和时间序列分析方面的卓越能力，成为电力系统数据处理的强大工具，这些模型能够从大量的实时运行数据中提取复杂的特征，更为精准地捕捉线路运行状态的变化趋势，为故障定位和预测提供了有力支持。

2、然而，尽管先进监测和分析技术的引入取得了显著成果，现有的电力系统运维方法仍然存在一系列问题；首先，依赖于定期巡检和事后维护的方法存在漏检潜在故障的风险，导致对线路安全性的监控不够全面；其次，传统方法在处理大量运行数据时效率低下，难以在实时性要求较高的情况下做出及时的决策，这些问题严重制约了电力系统运维的整体效能；因此，随着电力系统的发展，传统运维方法面临的问题迫切需要先进的解决方案，为输电线路运维带来一种创新且高效的解决方案。

技术实现思路

1、鉴于对输电线路进行运维时，现有技术中对于故障的检测不够全面，存在漏检潜在故障的风险，在处理大量运行数据时效率低下，难以做出及时的决策等问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何提供一种对实时运行数据进行分析，精准定位故障点，预测未来的运行状态并降低事故风险的方法。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种基于故障定位和预测的输电线路运维方法，其包括采集输电线路中电缆的实时运行数据和历史运行数据，并基于卷积神经网络cnn和长短时记忆网络lstm构建深度学习模型；利用所述深度学习模型分析实时运行数据并定位故障点；基于所述深度学习模型预测输电线路未来的运行状态并判断是否触发预警；基于所述故障点和输电线路未来的运行状态制定输电线路维护方案，并根据实时数据对所述深度学习模型进行优化。

5、作为本发明所述基于故障定位和预测的输电线路运维方法的一种优选方案，其中：所述实时运行数据包括输电线路中电缆的电流、电压和温度；所述历史运行数据包括正常运行状态下输电线路中电缆的数据和不同类型故障状态下输电线路中电缆的数据；所述构建深度学习模型包括以下步骤：利用卷积神经网络cnn进行空间特征提取，利用长短时记忆网络lstm进行时间序列建模；对历史运行数据进行状态标注；利用标注后的历史运行数据进行监督学习并优化模型参数。

6、作为本发明所述基于故障定位和预测的输电线路运维方法的一种优选方案，其中：所述深度学习模型的计算公式如下：

7、

8、其中，f(x,t)为深度学习模型的输出特征；x为输入数据；t为系统运行的时间；k为卷积核的数量；α为时间序列建模中的衰减因子；σ为sigmoid函数；wk为第k个卷积核的权重参数；bk为第k个卷积核的偏置参数；tanh为双曲正切函数；uk为第k个lstm单元的权重参数；ht-1为lstm中前一时刻的隐藏状态；τ为时间的积分变量。

9、作为本发明所述基于故障定位和预测的输电线路运维方法的一种优选方案，其中：所述定位故障点包括以下步骤：实时监测输电线路的相关数据并利用深度学习模型学习正常运行状态；检测输电线路的异常运行状态并将异常数据与已知的故障模式进行比对和分类；基于故障分类信息和输电线路的拓扑结构，利用快速故障定位算法确定故障点位置。

10、作为本发明所述基于故障定位和预测的输电线路运维方法的一种优选方案，其中：所述检测输电线路的异常运行状态的计算公式如下：

11、

12、其中，pfault(t)为输电线路在时间t的故障发生概率；λ为控制激活函数斜率的参数；若故障发生概率pfault(t)大于第一阈值，则判定输电线路出现故障；若故障发生概率pfault(t)不大于第一阈值，则判定输电线路正常运行；所述正常运行状态的计算公式如下：

13、

14、其中，fnormal(t)为输电线路在时间t的正常运行状态的抽象特征；所述故障点位置的计算公式如下：

15、

16、其中，lfault(t)为在时间t的故障点位置；β为加权历史数据在损失函数中的影响因子；fnormal(τ)为输电线路在时间τ的正常运行状态的抽象特征；argmin为使函数取得最小值的参数值。

17、作为本发明所述基于故障定位和预测的输电线路运维方法的一种优选方案，其中：所述预测输电线路未来的运行状态包括以下步骤：利用深度学习模型分析历史数据和当前数据的趋势，预测未来的线路状态；将发生的故障类型进行分类；根据预测未来的线路状态确定故障发生时间窗口并提前发送预警信息。

18、作为本发明所述基于故障定位和预测的输电线路运维方法的一种优选方案，其中：所述预测未来的线路状态的计算公式如下：

19、

20、其中，为在时间t预测的未来线路状态；wprediction为预测的权重参数；所述故障发生时间窗口的计算公式如下：

21、

22、其中，pfault-time(t)为在时间t的故障发生时间窗口概率；若故障发生时间窗口概率pfault-time(t)不大于第二阈值，则判定预测状态正常，不触发预警；若故障发生时间窗口概率pfault-time(t)在第二阈值和第三阈值之间，则重新计算故障发生时间窗口概率并将相关信息进行记录；若故障发生时间窗口概率pfault-time(t)大于第三阈值，则触发预警并通知运维人员。

23、第二方面，本发明为进一步解决输电线路运维中存在的安全问题，实施例提供了一种基于故障定位和预测的输电线路运维系统，其包括：模型构建模块，用于采集输电线路的实时运行数据和历史运行数据，并根据空间特征和时间序列构建深度学习模型；故障定位模块，用于利用深度学习模型检测输电线路是否出现故障并定位故障点的位置；预测模块，用于预测输电线路的未来运行状态并根据未来的故障发生时间触发预警；运维模块，用于根据检测出的故障点位置和预测的未来运行状态制定输电线路维护方案。

24、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的一种基于故障定位和预测的输电线路运维方法的任一步骤。

25、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的一种基于故障定位和预测的输电线路运维方法的任一步骤。

26、本发明有益效果为：本发明通过利用卷积神经网络cnn和长短时记忆网络lstm构建深度学习模型，实现了对输电线路的智能监测和学习，提高了对运行状态变化的感知能力；利用对故障点的快速定位有效减少了故障排查的时间，降低故障对系统造成的影响，增强了输电线路的故障应对能力；根据对未来运行状态的提前预测使系统能够在潜在问题发生前采取措施，从而提高输电线路的可靠性和可维护性，减少维护成本。