本发明涉及电网设备风险评估领域,具体涉及一种电网输电设备风险评估方法、系统、终端及介质。
背景技术:
1、当前,许多研究已经探讨了极端天气条件如何影响电力系统的各个方面,包括输电线路、变电站和电力设备等。特别是,地震、洪水和极端温度被认为是对电力系统构成最大威胁的自然灾害。
2、在风险评估方法方面,现有文献提出了多种方法。其中,统计学方法(如回归分析、泊松回归等)已被广泛用于评估极端天气对电网的影响。此外,随着计算能力的提升,机器学习和人工智能方法也越来越多地被应用于电网风险管理。这些研究一般侧重于使用历史数据来预测未来可能的风险。
3、至于应对策略,许多研究强调了预防性维护和实时监控系统的重要性。实时数据的获取和分析被认为是提高电网韧性的关键因素。尽管如此,大多数现有的研究都是在特定类型的极端事件下进行的,缺乏对多种可能同时发生的灾害情景的综合分析。
4、针对中国西南地区的研究相对较少,尽管该地区的特殊地理和气候条件决定了其电网面临着独特的挑战。例如,该地区山地多、地震频发、同时还经常受到季节性暴雨和洪水的影响。此外,尽管有一些研究探讨了基于物联网的监控系统,但对于如何整合物联网、人工智能和大数据来构建一个综合的电网风险管理框架,目前的文献仍然匮乏。
技术实现思路
1、为解决上述问题,本发明提供一种电网输电设备风险评估方法、系统、终端及介质,构建全面的风险研判模型,适用于复杂多变的自然环境条件下的电网输电设备的风险评估。
2、第一方面,本发明的技术方案提供一种电网输电设备风险评估方法,包括以下步骤:
3、获取风险评估参数的历史数据;其中风险评估参数包括设备状态信息、设备故障信息和自然环境信息;
4、将获取的历史数据进行预处理;
5、对预处理后的历史数据进行特征提取,获得若干风险特征及其风险权重;
6、使用所获得的风险特征及其风险权重构建评估数据集;
7、使用所构建评估数据集,基于深度学习神经网络算法对设备风险评估模型进行训练,获得训练后的设备风险评估模型;
8、采集当前风险评估参数,基于训练后的设备风险评估模型对电网输电设备的当前风险状态进行评估。
9、在一个可选的实施方式中,设备状态信息包括设备资源子信息、设备运行工况子信息和电网图形子信息;设备故障信息包括监测告警子信息和维护子信息;自然环境信息包括通道环境子信息、极端天气子信息、水文子信息和地质灾害子信息。
10、在一个可选的实施方式中,该方法还包括以下步骤:
11、使用预处理后的历史数据构建预测数据集;
12、使用所构建的预测数据集,基于深度学习神经网络算法对设备风险参数预测模块进行训练,获得训练后的设备风险参数预测模型;
13、采集当前风险评估参数,基于训练后的设备风险参数预测模型对设备风险参数进行预测;
14、基于预测的设备风险参数,使用训练后的设备风险评估模型对电网输电设备的未来风险状态进行评估。
15、在一个可选的实施方式中,将获取的历史数据进行预处理,具体包括:
16、针对各个来源的数据,验证数据的格式、类型是否符合相应预期,将不符合预期的数据删除;
17、使用插补算法、中位数算法或平均值替换算法对数据进行缺失值处理;
18、检查不同区域数据的度量单位、数据类型和格式是否一致;
19、使用哈希比对或重复项检测算法识别并删除重复记录的数据;
20、通过统计分析识别异常值,对异常值进行处理;
21、将数据转换为目标格式,包括规范化、离散化、创建指标、时间序列分析;
22、创建数据字典,以记录每个数据字段的定义、数据类型、接受的值范围、来源信息。
23、在一个可选的实施方式中,采用层次分析法对预处理后的历史数据进行特征提取。
24、在一个可选的实施方式中,使用所构建评估数据集,基于深度学习神经网络算法对设备风险评估模型进行训练时,包括以下步骤:
25、使用时间窗口方法将评估数据集划分为训练集、验证集和测试集,使得训练集中的数据都早于验证集和测试集,且训练集、验证集和测试集的数据在时间上是连续的;
26、采用准确率、召回率、f1分数和roc曲线对设备风险评估模型的评估性能进行检测。
27、在一个可选的实施方式中,使用所构建评估数据集,基于深度学习神经网络算法对设备风险评估模型进行训练时,还包括对设备风险评估模型进行调优的步骤,具体包括:
28、使用学习率衰减策略,在开始时使用大于预设阈值的学习率以快速收敛,随后逐步减小学习率以微调模型;
29、引入l2正则化参数,并对其强度进行调优;
30、使用过采样技术增加少数类样本,并利用随机噪音注入增强模型的鲁棒性;
31、在验证集的性能在连续若干轮次中提高效果低于阈值时,终止训练,并使用最佳轮次的模型。
32、第二方面,本发明的技术方案提供一种电网输电设备风险评估系统,包括,
33、参数获取模块:获取风险评估参数的历史数据;其中风险评估参数包括设备状态信息、设备故障信息和自然环境信息;
34、数据预处理模块:将获取的历史数据进行预处理;
35、数据特征提取模块:对预处理后的历史数据进行特征提取,获得若干风险特征及其风险权重;
36、评估数据集构建模块:使用所获得的风险特征及其风险权重构建评估数据集;
37、评估模型训练模块:使用所构建评估数据集,基于深度学习神经网络算法对设备风险评估模型进行训练,获得训练后的设备风险评估模型;
38、风险评估执行模块:采集当前风险评估参数,基于训练后的设备风险评估模型对电网输电设备的当前风险状态进行评估。
39、第三方面,本发明的技术方案提供一种终端,包括:
40、存储器,用于存储电网输电设备风险评估程序;
41、处理器,用于执行所述电网输电设备风险评估程序时实现如上述任一项所述电网输电设备风险评估方法的步骤。
42、第四方面,本发明的技术方案提供一种计算机可读存储介质,所述可读存储介质上存储有电网输电设备风险评估程序,所述电网输电设备风险评估程序被处理器执行时实现如上述任一项所述电网输电设备风险评估方法的步骤。
43、本发明提供的一种电网输电设备风险评估方法、系统、终端及介质,相对于现有技术,具有以下有益效果:将神经网络技术应用于复杂自然环境下的电网输电设备的风险评估,考虑设备状态信息、设备故障信息和自然环境信息多个因素对设备风险的影响,适用于极端天气及地质灾害影响下的设备风险评估。本发明构建全面的风险研判模型,适用于复杂多变的自然环境条件下的电网输电设备的风险评估,为电网运营商提供实时、准确的风险预警,有助于及时采取措施防范和应对风险。
1.一种电网输电设备风险评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的电网输电设备风险评估方法,其特征在于,设备状态信息包括设备资源子信息、设备运行工况子信息和电网图形子信息;设备故障信息包括监测告警子信息和维护子信息;自然环境信息包括通道环境子信息、极端天气子信息、水文子信息和地质灾害子信息。
3.根据权利要求1或2所述的电网输电设备风险评估方法,其特征在于,该方法还包括以下步骤:
4.根据权利要求3所述的电网输电设备风险评估方法,其特征在于,将获取的历史数据进行预处理,具体包括:
5.根据权利要求4所述的电网输电设备风险评估方法,其特征在于,采用层次分析法对预处理后的历史数据进行特征提取。
6.根据权利要求5所述的电网输电设备风险评估方法,其特征在于,使用所构建评估数据集,基于深度学习神经网络算法对设备风险评估模型进行训练时,包括以下步骤:
7.根据权利要求6所述的电网输电设备风险评估方法,其特征在于,使用所构建评估数据集,基于深度学习神经网络算法对设备风险评估模型进行训练时,还包括对设备风险评估模型进行调优的步骤,具体包括:
8.一种电网输电设备风险评估系统,其特征在于,包括,
9.一种终端,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,所述可读存储介质上存储有电网输电设备风险评估程序,所述电网输电设备风险评估程序被处理器执行时实现如权利要求1-7任一项所述电网输电设备风险评估方法的步骤。