输变电线路健康状态评估图谱化展示方法、系统及介质与流程

本发明涉及电力系统监测与管理，尤其涉及一种输变电线路健康状态评估图谱化展示方法、系统及介质。

背景技术：

1、在现代电力系统中，输变电线路作为电力传输的关键环节，其健康状态直接关系到电力供应的安全性和可靠性。随着电力需求的不断增长及电网结构的日益复杂，输变电线路面临着越来越多的挑战，如设备老化、环境变化、负荷波动等。这些因素可能导致线路故障，从而引发电力中断，给社会经济带来重大损失。

2、传统的输变电线路健康状态评估方法主要依赖于人工巡检和定期检测，往往存在信息获取滞后、判断主观、评估不准确等问题。此外，现有的监测技术在数据采集和处理方面也存在局限性，无法实时反映线路的健康状况。随着智能电网和物联网技术的发展，如何高效、准确地进行输变电线路的健康状态评估，成为电力行业亟待解决的重要课题。

技术实现思路

1、基于此，有必要针对上述问题，提出了一种输变电线路健康状态评估图谱化展示方法、系统及介质。

2、一种输变电线路健康状态评估图谱化展示方法，所述方法包括：

3、采集输变电线路的多维数据，对所述多维数据进行整合，获取最终融合数据。

4、根据所述最终融合数据中的历史故障数据、历史运行数据和环境数据确定寿命预测值和故障预测概率。

5、根据所述最终融合数据和寿命预测值确定综合健康指数。

6、根据所述综合健康指数和故障预测概率确定综合风险等级。

7、根据所述历史运行数据、综合健康指数和环境数据确定剩余寿命预测值。

8、将所述综合健康指数、综合风险等级和剩余寿命预测值以图谱化的形式进行展示。

9、其中，所述采集输变电线路的多维数据，对所述多维数据进行整合，获取最终融合数据，具体包括：

10、采集输变电线路的多维数据。

11、对所述多维数据进行加权融合，获取融合数据。

12、通过图卷积网络提取输变电线路的线路拓扑特征。

13、通过生成对抗网络提取所述多维数据的多维数据特征。

14、将所述融合数据、输变电线路的线路拓扑特征与多维数据特征进行融合，生成最终融合数据。

15、其中，所述对所述多维数据进行加权融合，获取融合数据，具体包括：

16、根据所述多维数据中传感器数据的权重确定多模态数据融合模型，所述多模态数据融合模型为：

17、

18、其中，x为融合数据，αi为第i个传感器数据的权重，f(xi)为传感器数据的特征函数，wi为权重矩阵，wj为第j个传感器数据的可靠性权重，xi为多维数据，t为转置量。

19、根据多模态数据融合模型对多维数据进行加权融合，获取融合数据。

20、其中，所述通过图卷积网络提取输变电线路的线路拓扑特征，具体包括：

21、采集输变电线路的节点和边信息，构建输变电线路的拓扑结构图，从所述拓扑结构图中提取输变电线路的拓扑结构数据。

22、根据所述拓扑结构数据和图中每一节点的多维数据确定邻接矩阵和特征矩阵。

23、基于图卷积网络，通过所述邻接矩阵和特征矩阵获取输变电线路的线路拓扑特征。

24、其中，所述基于图卷积网络，通过所述邻接矩阵和特征矩阵获取输变电线路的线路拓扑特征，具体包括：

25、基于图卷积网络，通过所述邻接矩阵和特征矩阵构建图卷积网络模型，

26、

27、其中，h(l+1)为输变电线路的线路拓扑特征，a为邻接矩阵，h(l)为每个节点的特征矩阵，σ为激活函数，d为度矩阵，w(l)为第l层的可学习权重矩阵。

28、根据图卷积网络模型获取当前输变电线路的线路拓扑特征。

29、其中，所述通过生成对抗网络提取多维数据的多维数据特征，具体包括：

30、基于生成对抗网络，根据所述多维数据构建生成对抗网络模型，所述生成对抗网络模型为：

31、

32、其中，为多维数据的多维数据特征，xt是时刻t的输入数据，yt是自监督生成的标签，为生成对抗网络。

33、根据图卷积网络模型提取输变电线路的线路拓扑特征。

34、其中，所述将所述融合数据、输变电线路的线路拓扑特征与多维数据特征进行融合，生成最终融合数据，具体包括：

35、根据所述融合数据、输变电线路的线路拓扑特征与多维数据特征构建输变电线路数据处理模型，所述输变电线路数据处理模型为：

36、

37、其中，xfinal为最终融合数据，x为融合数据，h(l+l)为输变电线路的线路拓扑特征，为多维数据的多维数据特征，θ*为元学习优化的模型参数，wt为时间卷积核，ws为空间卷积核，j为第j个输变电线路，k为第k个多维数据。

38、根据所述输变电线路数据处理模型确定当前输变电线路的最终融合数据。

39、其中，所述根据所述最终融合数据和寿命预测值确定综合健康指数，具体包括：

40、根据所述最终融合数据的权重确定健康指数模型，所述健康指数模型为：

41、

42、其中，hweight是输变电线路的健康指数；wi是第i个最终融合数据的权重，xi是第i个最终融合数据的值，n为最终融合数据的数量。

43、根据所述最终融合数据的权重向量和模糊隶属度矩阵确定模糊综合评判模型。

44、根据所述健康指数模型确定当前输变电线路的健康指数。

45、根据所述模糊综合评判模型确定当前输变电线路的健康等级向量。

46、根据所述健康指数、健康等级向量和寿命预测值确定综合健康指数融合模型，所述综合健康指数融合模型为：

47、hfinal＝α1·hweight+α2·s+α3·ldnn；

48、其中，hfinal为综合健康指数，hweight为输变电线路的健康指数，s为健康等级向量，ldnn为深度学习模型输出的寿命预测值，α1为健康指数模型的权重系数，α2为模糊综合评判模型的权重系数，α3是深度学习模型的权重系数。

49、根据所述综合健康指数融合模型确定当前输变电线路的综合健康指数。

50、其中，所述根据所述综合健康指数和故障预测概率确定综合风险等级，具体包括：

51、根据所述综合健康指数和故障预测概率确定风险评估模型，所述风险评估模型为：

52、rfinal＝β1·hfinal+β2·pfailure；

53、其中，rfinal为综合风险等级，hfinal是综合健康指数，pfailure为故障预测概率，β1、β2为风险评估中的权重系数。

54、根据所述风险评估模型确定当前输变电线路的综合风险等级。

55、其中，所述根据所述历史运行数据、综合健康指数和环境数据确定剩余寿命预测值，具体包括：

56、根据所述历史运行数据、综合健康指数和环境数据确定剩余寿命预测模型，所述剩余寿命预测模型为：

57、lpred＝γ1·lhistorical+γ2·hfinal+γ3·e；

58、其中，lpred是预测的剩余寿命，lhistorical为历史寿命预测值，hfinal是当前的综合健康指数，e为环境数据。

59、根据剩余寿命预测模型确定当前输变电线路的剩余寿命预测值。

60、其中，所述将所述综合健康指数、综合风险等级和剩余寿命预测值以图谱化的形式进行展示之后，还具体包括：

61、将所述综合健康指数、综合风险等级和剩余寿命预测值作为将健康评估数据，判断健康状态评估数据是否大于或等于预设风险阈值。

62、确定健康状态评估数据大于或等于预设风险阈值，则将输变电线路标记为高风险线路。

63、确定健康状态评估数据小于预设风险阈值，则将输变电线路标记为非高风险线路。

64、一种输变电线路健康状态评估图谱化展示系统，所述系统包括：

65、最终融合数据获取模块，用于采集输变电线路的多维数据，对所述多维数据进行整合，获取最终融合数据。

66、寿命预测值和故障预测概率确定模块，用于根据最终融合数据中的历史故障数据、历史运行数据和环境数据确定寿命预测值和故障预测概率。

67、综合健康指数确定模块，用于根据所述最终融合数据和寿命预测值确定综合健康指数。

68、综合风险等级确定模块，用于根据所述综合健康指数和故障预测概率确定综合风险等级。

69、剩余寿命预测值确定模块，用于根据所述历史运行数据、综合健康指数和环境数据确定剩余寿命预测值。

70、图谱化展示模块，用于将所述综合健康指数、综合风险等级和剩余寿命预测值以图谱化的形式进行展示。

71、一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上所述方法的步骤。

72、采用本发明实施例，具有如下有益效果：

73、本发明首先整合多种传感器采集的输变电线路的多维数据，确保数据的准确性和一致性，从而提升了健康状态评估的全面性，减少了因单一数据源引起的误判。其次，根据最终融合数据中的历史故障数据、历史运行数据和环境数据确定寿命预测值和故障预测概率；根据最终融合数据和寿命预测值确定综合健康指数；根据综合健康指数和故障预测概率确定综合风险等级；根据历史运行数据、综合健康指数和环境数据确定剩余寿命预测值；将综合健康指数、综合风险等级和剩余寿命预测值以图谱化的形式进行展示，支持用户交互操作，这种交互式的可视化增强了用户对复杂数据的理解和分析能力，使其能够迅速定位问题并做出决策。