基于大数据的配电网馈线故障区域自动化定位方法和系统与流程

1.本发明涉及电网检测技术领域，具体是一种基于大数据的配电网馈线故障区域自动化定位方法和系统。


背景技术：

2.在配电网中，故障定位系统可以对故障进行监测，并能在故障发生后进行快速定位，缩短故障隔离和恢复时间，大大减少停电损失。现有的故障检测方式大都是依据一些电路测量表，最多在该电路测量表中增设一些信息传输功能，为了使得检测过程更加准确，工作人员需要定时的高频率的对这些电路测量表进行检测，这是因为一旦这些电路测量表出现了问题，那么很有可能会造成测量错误。因此，如何降低对电路测量表的依赖性，使得工作人员可以低频率的对电路测量表进行检测，从而降低人力成本是本发明技术方案想要解决的技术问题。


技术实现要素：

3.本发明的目的在于提供一种基于大数据的配电网馈线故障区域自动化定位方法和系统，以解决上述背景技术中提出的问题。
4.为实现上述目的，本发明提供如下技术方案：一种基于大数据的配电网馈线故障区域自动化定位方法，所述方法包括：根据预设的节点地址表获取各节点的输入信号，根据所述输入信号生成预测信号；根据预设的节点地址表获取各节点的输出信号，计算所述输出信号和所述预测信号的偏移率；将所述偏移率确定和相应的节点地址输入训练好的风险分析模型中，得到包含节点地址的风险信息；其中，所述节点为配电过程中含有多个数据传输方向的信号点；所述风险信息为配电网馈钱出现不同故障类型的概率；当所述风险信息达到预设的风险阈值时，根据所述节点地址获取相应节点的一线信息，根据所述一线信息生成险情预案。
5.作为本发明进一步的方案：所述当所述风险信息达到预设的风险阈值时，根据所述节点地址获取相应节点的一线信息，根据所述一线信息生成险情预案的步骤包括：当所述风险信息达到预设的风险阈值时，根据节点地址向相应的采集端发送图像获取指令；接收采集端获取到的图像信息，随机获取图像信息中预定比例的像素点，生成特征点集；其中，所述像素点的个数为图像信息的总像数点乘以预定比例；根据预设的转换公式依次将所述特征点集中的像素点转换为特征值，得到特征数组，并基于所述特征数组生成代表值，所述代表值与所述图像信息为映射关系；当所述代表值超出预设的范围时，对所述图像信息进行内容识别，根据内容识别
结果生成险情预案。
6.作为本发明进一步的方案：所述当所述代表值超出预设的范围时，对所述图像信息进行内容识别，根据内容识别结果生成险情预案的步骤包括：将所述代表值与预设范围的边界值进行比对，判断所述代表值是否超出预设的范围；当所述代表值超出预设的范围时，依次对不同的图像信息进行逻辑与运算，生成二值矩阵；计算二值矩阵中各元素的均值，当所述均值达到预设的均值阈值时，确定相应的时间信息；根据所述时间信息读取目标图像信息，将所述目标图像信息与预设的参考图像进行比对，根据比对结果生成险情预案。
7.作为本发明进一步的方案：所述根据所述时间信息读取目标图像信息，将所述目标图像信息与预设的参考图像进行比对，根据比对结果生成险情预案的步骤包括：提取图像信息中的获取时间，比对所述获取时间和所述时间信息，当所述获取时间在所述时间信息之后，将相应的图像信息标记为目标图像信息；根据参考图像确定含有险情类型的卷积核，根据所述卷积核对所述目标图像信息进卷积运算，确定险情类型；其中，所述险情类型包括至少一个故障类型及相应的概率；根据不同故障的出现概率对不同故障进行降序排列，并读取故障率较高的故障类型；建立与备案数据库的连接通道，根据所述故障率较高的故障类型读取备案数据库中的应急记录，确定险情预案。
8.作为本发明进一步的方案：所述根据参考图像确定含有险情类型的卷积核，根据所述卷积核对所述目标图像信息进卷积运算，确定险情类型的步骤包括：读取所述卷积核，确定步长，根据所述卷积核和所述步长对所述目标图像进行卷积运算，得到特征图；根据预设的非线性激活函数对所述特征图进行特征分类，得到激活图；根据预设的池化尺寸对所述激活图像进行池化操作，得到与所述激活图像对应的压缩图；根据所述压缩图像确定险情类型。
9.作为本发明进一步的方案：所述根据所述压缩图像确定险情类型的步骤包括：将所述压缩图像输入训练好的数值匹配模型，得到匹配度；将所述匹配度与预设的匹配阈值进行比对，当所述匹配度大于预设的匹配阈值时，标记相应的卷积核；统计标记的卷积核，并读取卷积核中的险情类型。
10.作为本发明进一步的方案：所述当所述风险信息达到预设的风险阈值时，根据所述节点地址获取相应节点的一线信息，根据所述一线信息生成险情预案的步骤包括：当所述风险信息达到预设的风险阈值时，根据节点地址向相应的采集端发送温度获取指令和环境信息获取指令；其中，所述环境信息至少包括温度、风向和风速；接收采集端获取到的环境信息，根据所述环境信息生成预测温度图；
接收采集端获取到的温度信息图，将所述温度信息图与所述预测温度图进行比对，得到风险概率；根据所述风险概率生成险情预案。
11.本发明技术方案还提供了一种基于大数据的配电网馈线故障区域自动化定位系统，所述系统：预测信号生成模块，用于根据预设的节点地址表获取各节点的输入信号，根据所述输入信号生成预测信号；偏移率计算模块，用于根据预设的节点地址表获取各节点的输出信号，计算所述输出信号和所述预测信号的偏移率；风险分析模块，用于将所述偏移率确定和相应的节点地址输入训练好的风险分析模型中，得到包含节点地址的风险信息；其中，所述节点为配电过程中含有多个数据传输方向的信号点；所述风险信息为配电网馈钱出现不同故障类型的概率；预案生成模块，用于当所述风险信息达到预设的风险阈值时，根据所述节点地址获取相应节点的一线信息，根据所述一线信息生成险情预案。
12.作为本发明进一步的方案：所述预案生成模块包括：图像获取单元，用于当所述风险信息达到预设的风险阈值时，根据节点地址向相应的采集端发送图像获取指令；点集生成单元，用于接收采集端获取到的图像信息，随机获取图像信息中预定比例的像素点，生成特征点集；其中，所述像素点的个数为图像信息的总像数点乘以预定比例；特征值生成单元，用于根据预设的转换公式依次将所述特征点集中的像素点转换为特征值，得到特征数组，并基于所述特征数组生成代表值，所述代表值与所述图像信息为映射关系；内容识别单元，用于当所述代表值超出预设的范围时，对所述图像信息进行内容识别，根据内容识别结果生成险情预案。
13.作为本发明进一步的方案：所述预案生成模块包括：指令发送单元，用于当所述风险信息达到预设的风险阈值时，根据节点地址向相应的采集端发送温度获取指令和环境信息获取指令；其中，所述环境信息至少包括温度、风向和风速；预测图生成单元，用于接收采集端获取到的环境信息，根据所述环境信息生成预测温度图；概率生成单元，用于接收采集端获取到的温度信息图，将所述温度信息图与所述预测温度图进行比对，得到风险概率；处理执行单元，用于根据所述风险概率生成险情预案。
14.与现有技术相比，本发明的有益效果是：本发明通过采集输出信号，将所述输出信号与预测信号进行比对，生成初步判断结果，然后获取一线信息，对相应节点进行进一步的检测，这种多级的检测方式可以提高检测过程的稳定性，进而提高检测的准确度。此外，多级检测方式可以降低对电路测量表的依赖性，减轻工作人员的检测工作。
附图说明
15.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
16.图1示出了基于大数据的配电网馈线故障区域自动化定位方法的流程框图。
17.图2示出了基于大数据的配电网馈线故障区域自动化定位方法的第一子流程框图。
18.图3示出了基于大数据的配电网馈线故障区域自动化定位方法的第二子流程框图。
19.图4示出了基于大数据的配电网馈线故障区域自动化定位方法的第三子流程框图。
20.图5示出了基于大数据的配电网馈线故障区域自动化定位系统的组成结构框图。
21.图6示出了基于大数据的配电网馈线故障区域自动化定位系统中预案生成模块的第一组成结构框图。
22.图7示出了基于大数据的配电网馈线故障区域自动化定位系统中预案生成模块的第二组成结构框图。
具体实施方式
23.为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
24.实施例1图1示出了基于大数据的配电网馈线故障区域自动化定位方法的流程框图，本发明实施例中，一种基于大数据的配电网馈线故障区域自动化定位方法，所述方法包括步骤s100至步骤s200：步骤s100：根据预设的节点地址表获取各节点的输入信号，根据所述输入信号生成预测信号；步骤s200：根据预设的节点地址表获取各节点的输出信号，计算所述输出信号和所述预测信号的偏移率；步骤s100至步骤s200的功能是生成一个预测信号，将这个预测信号和输出信号进行比对，根据比对过程判断输出信号是否存在问题，其中，预测过程所借助的是理论模型，得到的值也是理论值，这个理论值与实际输出信号存在一定的偏差，但是这个偏差应该在一定的范围内。
25.步骤s300：将所述偏移率确定和相应的节点地址输入训练好的风险分析模型中，得到包含节点地址的风险信息；其中，所述节点为配电过程中含有多个数据传输方向的信号点；所述风险信息为配电网馈钱出现不同故障类型的概率；步骤s400：当所述风险信息达到预设的风险阈值时，根据所述节点地址获取相应节点的一线信息，根据所述一线信息生成险情预案。
26.步骤s300至步骤s400的功能是，根据偏移率确定风险信息，对于偏移率来说，不同
方向的偏移以及偏移幅度并不能确切的得出具体的故障类型，导致偏移的故障种类有很多，对于同一偏移率，它对应的故障类型可能不唯一，但是，会存在一个概率，概率越大，含义就是越有可能是什么样的故障。
27.图2示出了基于大数据的配电网馈线故障区域自动化定位方法的第一子流程框图，所述当所述风险信息达到预设的风险阈值时，根据所述节点地址获取相应节点的一线信息，根据所述一线信息生成险情预案的步骤包括步骤s401至步骤s404：步骤s401：当所述风险信息达到预设的风险阈值时，根据节点地址向相应的采集端发送图像获取指令；步骤s402：接收采集端获取到的图像信息，随机获取图像信息中预定比例的像素点，生成特征点集；其中，所述像素点的个数为图像信息的总像数点乘以预定比例；步骤s403：根据预设的转换公式依次将所述特征点集中的像素点转换为特征值，得到特征数组，并基于所述特征数组生成代表值，所述代表值与所述图像信息为映射关系；步骤s404：当所述代表值超出预设的范围时，对所述图像信息进行内容识别，根据内容识别结果生成险情预案。
28.步骤s401至步骤s404对险情预案的生成过程进行了细化，首先，在明确某一节点可能存在问题时，通过采集端获取该节点区域的图像信息，然后基于该图像信息进一步确定风险概率；具体的流程为：对所述图像信息进行柔化，也就是上述的提取像素点的过程，根据柔化后的图像信息生成代表值，对所述代表值进行判断，一般情况下，当偏移率过高时，代表值也会超出正常范围，然后，就需要对图像信息进行进一步的识别。
29.图3示出了基于大数据的配电网馈线故障区域自动化定位方法的第二子流程框图，所述当所述代表值超出预设的范围时，对所述图像信息进行内容识别，根据内容识别结果生成险情预案的步骤包括步骤s4041至步骤s4044：步骤s4041：将所述代表值与预设范围的边界值进行比对，判断所述代表值是否超出预设的范围；步骤s4042：当所述代表值超出预设的范围时，依次对不同的图像信息进行逻辑与运算，生成二值矩阵；步骤s4043：计算二值矩阵中各元素的均值，当所述均值达到预设的均值阈值时，确定相应的时间信息；步骤s4044：根据所述时间信息读取目标图像信息，将所述目标图像信息与预设的参考图像进行比对，根据比对结果生成险情预案。
30.对于获取到的图像信息，实际上是图像数据流，是含有时间信息的图像，这些图像的共同点有很多，因此，通过依次的进行逻辑与运算，只需要有一个存储器，就可以对多张图像进行重点信息的提取，相同的像素点的值为一，不同的像素点的值为零，最终得到一个二值矩阵，当图像信息不断变化时，二值矩阵中值为一的点会越来越少，当到达某一限度时，将在那之后的图像与参考图像进行比对，根据比对结果确定故障类型，进而生成险情预案。
31.图4示出了基于大数据的配电网馈线故障区域自动化定位方法的第三子流程框图，所述根据所述时间信息读取目标图像信息，将所述目标图像信息与预设的参考图像进行比对，根据比对结果生成险情预案的步骤包括步骤s40441至步骤s40444：
步骤s40441：提取图像信息中的获取时间，比对所述获取时间和所述时间信息，当所述获取时间在所述时间信息之后，将相应的图像信息标记为目标图像信息；步骤s40442：根据参考图像确定含有险情类型的卷积核，根据所述卷积核对所述目标图像信息进卷积运算，确定险情类型；其中，所述险情类型包括至少一个故障类型及相应的概率；步骤s40443：根据不同故障的出现概率对不同故障进行降序排列，并读取故障率较高的故障类型；步骤s40444：建立与备案数据库的连接通道，根据所述故障率较高的故障类型读取备案数据库中的应急记录，确定险情预案。
32.步骤s40441至步骤s40444是具体的比对过程，其中，比对的双方是实际图像和参考图像，根据参考图像生成卷积核，卷积核就代表着特征，通过这些卷积核对实际图像进行遍历检测，即可实现比对过程。当确定了故障类型之后，根据故障类型确定险情预案的步骤就是简单的数据库读取操作。
33.进一步的，所述根据参考图像确定含有险情类型的卷积核，根据所述卷积核对所述目标图像信息进卷积运算，确定险情类型的步骤包括：读取所述卷积核，确定步长，根据所述卷积核和所述步长对所述目标图像进行卷积运算，得到特征图；根据预设的非线性激活函数对所述特征图进行特征分类，得到激活图；根据预设的池化尺寸对所述激活图像进行池化操作，得到与所述激活图像对应的压缩图；根据所述压缩图像确定险情类型。
34.具体的，所述根据所述压缩图像确定险情类型的步骤包括：将所述压缩图像输入训练好的数值匹配模型，得到匹配度；将所述匹配度与预设的匹配阈值进行比对，当所述匹配度大于预设的匹配阈值时，标记相应的卷积核；统计标记的卷积核，并读取卷积核中的险情类型。
35.上述内容是具体的基于卷积核的图像检测过程，卷积核代表着某些小的特征区域，一般是3x3或者5x5的大小，步长就是在进行卷积运算时，所述特征区域的移动步长，一般情况下都是1，代表着每次检测就往右平移一个像素；经过卷积运算后，得到卷积层，也就是上述特征图；卷积层对原图运算多个卷积产生一组线性激活响应，而非线性激活层是对之前的结果进行一个非线性的激活响应。最多的非线性激活函数是relu函数，它的公式定义为：f(x)=max(0,x)，即，保留大于等于0的值，其余所有小于0的数值直接改写为0；这一过程并不困难。
36.经过非线性激活之后，尽管数据量比原图少了很多，但还是过于庞大（比较深度学习动不动就几十万张训练图片），因此接下来的池化操作就可以发挥作用了，它最大的目标就是减少数据量。池化分为两种，max pooling最大池化、average pooling平均池化。顾名思义，最大池化就是取最大值，平均池化就是取平均值。一般情况下，采用的是最大池化，因为最大池化保留了每一个小块内的最大值，所以它相当于保留了这一块最佳匹配结果（因
为值越接近1表示匹配越好）。这也就意味着它不会具体关注窗口内到底是哪一个地方匹配了，而只关注是不是有某个地方匹配上了。
37.作为本发明技术方案的一个优选实施例，所述当所述风险信息达到预设的风险阈值时，根据所述节点地址获取相应节点的一线信息，根据所述一线信息生成险情预案的步骤包括：当所述风险信息达到预设的风险阈值时，根据节点地址向相应的采集端发送温度获取指令和环境信息获取指令；其中，所述环境信息至少包括温度、风向和风速；接收采集端获取到的环境信息，根据所述环境信息生成预测温度图；接收采集端获取到的温度信息图，将所述温度信息图与所述预测温度图进行比对，得到风险概率；根据所述风险概率生成险情预案。
38.在本发明技术方案一个优选实施例中，对于温度信息进行了检测，当某一节点区域的温度出现问题时，很有可能就是发生了某些故障，温度对于电力元件来说，是很重要的一类参数。
39.实施例2图5示出了基于大数据的配电网馈线故障区域自动化定位系统的组成结构框图，本发明实施例中，一种基于大数据的配电网馈线故障区域自动化定位系统，所述系统10包括：预测信号生成模块11，用于根据预设的节点地址表获取各节点的输入信号，根据所述输入信号生成预测信号；偏移率计算模块12，用于根据预设的节点地址表获取各节点的输出信号，计算所述输出信号和所述预测信号的偏移率；风险分析模块13，用于将所述偏移率确定和相应的节点地址输入训练好的风险分析模型中，得到包含节点地址的风险信息；其中，所述节点为配电过程中含有多个数据传输方向的信号点；所述风险信息为配电网馈钱出现不同故障类型的概率；预案生成模块14，用于当所述风险信息达到预设的风险阈值时，根据所述节点地址获取相应节点的一线信息，根据所述一线信息生成险情预案。
40.图6示出了基于大数据的配电网馈线故障区域自动化定位系统中预案生成模块的第一组成结构框图，所述预案生成模块14包括：图像获取单元141，用于当所述风险信息达到预设的风险阈值时，根据节点地址向相应的采集端发送图像获取指令；点集生成单元142，用于接收采集端获取到的图像信息，随机获取图像信息中预定比例的像素点，生成特征点集；其中，所述像素点的个数为图像信息的总像数点乘以预定比例；特征值生成单元143，用于根据预设的转换公式依次将所述特征点集中的像素点转换为特征值，得到特征数组，并基于所述特征数组生成代表值，所述代表值与所述图像信息为映射关系；内容识别单元144，用于当所述代表值超出预设的范围时，对所述图像信息进行内容识别，根据内容识别结果生成险情预案。
41.图7示出了基于大数据的配电网馈线故障区域自动化定位系统中预案生成模块的第二组成结构框图，所述预案生成模块14包括：指令发送单元145，用于当所述风险信息达到预设的风险阈值时，根据节点地址向相应的采集端发送温度获取指令和环境信息获取指令；其中，所述环境信息至少包括温度、风向和风速；预测图生成单元146，用于接收采集端获取到的环境信息，根据所述环境信息生成预测温度图；概率生成单元147，用于接收采集端获取到的温度信息图，将所述温度信息图与所述预测温度图进行比对，得到风险概率；处理执行单元148，用于根据所述风险概率生成险情预案。
42.所述基于大数据的配电网馈线故障区域自动化定位方法所能实现的功能均由计算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述基于大数据的配电网馈线故障区域自动化定位方法的功能。
43.处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器（read-only memory，rom），所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。
44.示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
45.本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
46.所称处理器可以是中央处理单元（central processing unit，cpu），还可以是其他通用处理器、数字信号处理器 （digital signal processor，dsp）、专用集成电路 （application specific integrated circuit，asic）、现成可编程门阵列 （field-programmable gate array，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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
47.上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如信息采集模板展示功能、产品信息发布功能等）等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据（比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡
（smart media card， smc），安全数字（secure digital， sd）卡，闪存卡（flash card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
48.终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，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形式等。计算机可读介质可以包括：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，read-only memory）、随机存取存储器（ram，random access memory）、电载波信号、电信信号以及软件分发介质等。
49.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
50.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。