一种基于人工智能的台区用电故障检测系统的制作方法

本发明涉及台区用电故障检测，尤其涉及一种基于人工智能的台区用电故障检测系统。

背景技术：

1、随着智能化、信息化的不断发展，人工智能已经广泛应用于各个领域，在台区用电故障检测中,人工智能可以通过故障检测算法识别电力设备的故障模式,实现电力设备的智能化管理，拥有提高故障检测准确性、降低维护成本、提高系统稳定性和可靠性、自动化决策支持等诸多优势。

2、现有的基于人工智能的台区用电故障检测系统通过以下技术实现，包括机器学习和深度学习:通过收集台区的历史数据和实时数据，训练模型来识别和预测电力系统中可能的故障。物联网传感器技术：用于收集台区的电力数据，如电流、电压、频率等。通信技术：用于实时传输台区的数据到中心服务器或云端进行分析。大数据技术:数据存储：用于存储和处理大量的电力数据。数据处理和分析：处理和分析收集到的大规模数据，以识别潜在的故障模式。边缘计算:对于需要快速响应的系统，可以在数据初步生成位置进行初步的数据分析和处理，从而实现快速的故障检测。数据融合技术:由于故障检测系统可能从多个源收集数据，数据融合技术可以帮助整合这些数据，提供一个全面的视图，增加检测的准确性。图形处理和可视化:通过图形界面实时显示台区的电力数据和故障信息，帮助操作员更直观地了解系统的状态。

3、例如公告号为：cn111541227b公告的基于人工智能的at全并联供电网络的广域保护系统，包括：s1、在at全并联供电网络供电区间内设置广域保护装置，供电区间内的每个所均设有一台广域保护装置，各个广域保护装置相互连接；s2、将供电区间内的各所分为一个主所和数个子所，将子所广域保护装置的数据实时上传至主所广域保护装置中；s3、在主所的广域保护装置内嵌入智能学习网络。本发明创造针对at全并联供电网络提出了一套广域保护系统。

4、例如公开号为：cn112308732a公开的基于人工智能与数据交互模拟技术的台区线损智能管理平台，包括：台区线损模块，台区线损模块的输出端连接台区线损预警模块的输入端，台区线损预警模块的输出端分别连接有台区总表检测模块、低压互联登记模块、抄表质量监测模块、窃电登记模块、微小用电登记模块的输入端。本基于人工智能与数据交互模拟技术的台区线损智能管理平台，台区线损模块的输出端连接台区线损预警模块的输入端，台区线损模块检测到问题，能够及时传送给台区线损预警模块，既能进行报警，又能及时检测并记录发生的故障问题。

5、但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

6、现有技术中，基于人工智能的台区用电故障检测系统难以进行故障检测的评估以提高故障检测准确性，存在不能有效的评估故障检测故障检测以提高台区用电故障检测系统准确性的问题。

技术实现思路

1、本技术实施例通过提供一种基于人工智能的台区用电故障检测系统，解决了现有技术中存在不能有效的评估故障检测故障检测以提高台区用电故障检测系统准确性的问题，实现了提高故障检测生成解决方案的准确性的效果。

2、本技术实施例提供了一种基于人工智能的台区用电故障检测系统，包括：数据获取模块，用于获取台区历史故障检测数据；故障检测综合评估模块，用于根据检测评估数据，构建故障检测综合评估系数模型；故障检测分析模块，用于获取故障检测综合评估模块计算得到的故障检测综合评估系数，并将故障检测综合评估系数与预定义故障检测综合评估系数阈值对比，判断台区是否出现故障。

3、进一步的，所述故障检测分析模块具体分析方法为：将故障检测综合评估系数与预定义故障检测综合评估系数阈值对比，若故障检测综合评估系数在预定义误差允许范围内，则出现台区用电故障，则进行下一步骤；根据历史故障检测数据，生成故障检测训练集，将本次台区用电故障数据与训练集中的数据进行对比，若数据相同，则判断为历史故障，否则，为新故障，并将新故障进行保存；对新故障数据进行数据训练，判断故障的准确性并综合显示。

4、进一步的，所述构建故障检测综合评估系数模型公式如下：

5、，式中，表示故障检测综合评估系数；数据质量评估系数、数据模型评估系数、算法逻辑评估系数、环境补正评估系数、人为补正评估系数和更新补正评估系数；、、和分别表示数据质量评估系数、数据模型评估系数、环境补正评估系数和人为补正评估系数对应的故障检测算法的故障检测权重因子。

6、进一步的，所述数据质量评估系数的具体计算公式为：

7、，式中，表示数据质量评估系数；表示第类第个故障检测原始数据组数据完整性标准值，表示第类第个故障检测原始数据组数据准确性标准值，表示第类第个故障检测原始数据组数据时效性标准值，、和分别表示第类第个故障检测原始数据组数据设定完整性标准值、设定准确性标准值和设定时效性标准值，表示故障检测原始数据组数据噪音影响读取误差因子，表示第类第个预定义故障检测原始数据组数据噪音修正标准值；表示故障检测原始数据组数据类别，，为故障检测原始数据组数据类别总数，表示故障检测原始数据组第类数据数量，，为故障检测原始数据组第类数据总数。

8、进一步的，所述数据模型评估系数的具体计算公式为：

9、，式中，表示数据模型评估系数；表示数据模型适用性评估值，表示模型架构适配性评估值，表示数据特征故障检测评估值，表示数据标准归一性评估值，表示数据模型适用性评估值与模型架构适配性评估值匹配调和因子，和分别表示数据模型适用性评估值与模型架构适配性评估值对应的权重因子，表示预定义模型架构适配性评估标准值，表示预定义数据特征故障检测评估标准值，表示预定义设备接口兼容性匹配调和因子，表示预定义数据标准归一性评估值匹配调和因子，表示数据模型适用性评估值、模型架构适配性评估值和数据特征故障检测评估值相互叠加负向影响系数，表示预定义算法类型修正系数。

10、进一步的，所述算法逻辑评估系数的具体计算公式为：，，，，，式中，表示算法逻辑评估系数，表示预定义算法训练集影响修正匹配系数，表示超参数调整影响系数的影响匹配因子，表示超参数调整影响系数，表示数据模型评估值，表示特征选择适配性评估值，表示算法模型复杂性评估值、表示算法可扩展性匹配系数，、与分别表示特征选择适配性评估标准值、算法模型复杂性评估标准值和算法可扩展性匹配系数标准值，表示特征选择适配性评估值和算法模型复杂性评估值与算法可扩展性匹配系数的联合匹配因子，与分别表示特征选择适配性评估值和算法模型复杂性评估值的影响匹配因子，表示自然常数。

11、进一步的，所述环境补正评估系数的具体计算公式为：

12、，式中，表示环境补正评估系数，表示温湿度影响匹配评估值，表示风力影响匹配评估值，表示雨雪影响匹配评估值，表示季节变化电力负荷匹配影响系数，表示预定义极端天气修正系数，和分别表示温湿度影响匹配评估值和雨雪影响匹配评估值对应的影响匹配因子，和分别表示温湿度影响匹配评估值和雨雪影响匹配评估值对应的故障检测权重因子，表示雨雪影响匹配评估标准值，表示风力影响匹配评估值对温湿度影响匹配评估值和雨雪影响匹配评估值的对应的影响叠加因子，表示季节变化电力负荷匹配影响系数对环境补正评估的影响叠加因子。

13、进一步的，所述人为补正评估系数的具体计算公式为：

14、，式中，表示人为补正评估系数，表示人为补正原始数据组数据类别，，为人为补正原始数据组数据类别总数，表示人为维护影响评估值，表示第类人员培训匹配影响系数，表示人为决策支持匹配影响系数和表示预定义数据安全人为影响系数，表示第类人员培训匹配影响系数的预定义标准值，表示第类人员培训匹配影响系数的预定义差值标准值，表示算法逻辑评估系数对第类人员培训匹配影响系数的预定义匹配因子，表示设定人为维护影响评估标准值。

15、进一步的，所述更新补正评估系数的具体计算公式为：

16、，式中，表示更新补正评估系数，表示更新算法适配性评估值、表示更新算法故障检测评估值，表示预定义更新算法稳定性匹配影响系数，与分别表示更新算法适配性评估值和更新算法故障检测评估值的影响权重因子，表示更新算法适配性评估值和更新算法故障检测评估值对算法逻辑评估系数的影响匹配因子，表示更新算法适配性评估值、更新算法故障检测评估值和预定义更新算法稳定性匹配影响系数叠加负向影响因子，表示台区用电季节性变化影响匹配因子。

17、进一步的，所述对新故障数据进行数据训练，判断故障的准确性并综合显示还包括：若检测到新故障，则将所有数据标红，根据预定义故障检测算法生成故障解决方案，立即通知相关人员按照故障解决方案处理故障并将故障处理实际情况反馈，判断故障的准确性，根据故障处理反馈情况加入已有的故障检测训练集实例，并根据故障检测训练集实例对新故障数据进行数据训练。

18、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

19、1、通过故障检测综合评估模块进行数据质量评估、数据模型评估、算法逻辑评估、环境补正评估、人为补正评估和更新补正评估得到数据质量评估系数、数据模型评估系数、算法逻辑评估系数、环境补正评估系数、人为补正评估系数和更新补正评估系数，再通过故障检测综合评估综合以上评估系数得到故障检测综合评估系数，从而根据故障检测综合评估系数对故障检测方法进行对应的调节并综合显示，有效提高了故障检测算法的故障检测准确性，有效解决了现有技术中，存在不能有效的评估故障检测故障检测以提高台区用电故障检测系统准确性的问题。

20、2、通过故障检测分析模块综合各评估系数，得到故障检测综合评估系数，将数据质量评估、数据模型评估、算法逻辑评估、环境补正评估、人为补正评估和更新补正评估结果与预定义故障检测综合评估系数阈值对比，判断台区是否出现故障，从而提高了理解故障检测系统得出故障检测结果的客观性，进而实现了提高制定新的运营和维护决策的支持性。

21、3、通过故障检测分析模块对将故障检测综合评估系数及其各评估系数依次与对应的预定义阈值比较，对新故障数据进行数据训练，判断故障的准确性并综合显示，通知相关人员按照故障解决方案处理故障并将故障处理实际情况反馈，从而判断故障检测的新故障在实际处理下的反馈性，进而实现了提高故障检测系统的鲁棒性。