基于多算法融合的配电网缺陷识别系统及方法与流程

本发明涉及配电网缺陷识别领域，具体为基于多算法融合的配电网缺陷识别系统及方法。

背景技术：

1、随着配电网规模的扩大和智能化水平的提高，对配电网的监控和管理变得越来越重要。配电网缺陷识别是保障电网安全运行的关键环节。传统的配电网缺陷识别主要依赖于人工巡检和单一图像处理技术，存在效率低下、误检率高等问题。因此，开发一种基于多图像算法融合的配电网缺陷识别系统和方法，对于提高缺陷识别的准确性和效率具有重要意义。

2、现有技术中，传统的配电网缺陷识别方法往往专注于单一类型的数据，从而会导致对整体运行状态的综合性把握不足，并且传统的配电网缺陷识别方法通常采用单一算法进行缺陷识别计算，往往在灵敏度和特异性之间存在折衷，难以准确地区分正常运行和潜在缺陷。

技术实现思路

1、针对现有技术的不足，本发明提供了基于多算法融合的配电网缺陷识别系统及方法，解决了传统的配电网缺陷识别方法往往专注于单一类型的数据，从而会导致对整体运行状态的综合性把握不足，并且传统的配电网缺陷识别方法通常采用单一算法进行缺陷识别计算，往往在灵敏度和特异性之间存在折衷，难以准确地区分正常运行和潜在缺陷的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：基于多算法融合的配电网缺陷识别方法，包括以下步骤：获取配电网的历史运行数据以及设备图像数据，所述运行数据包括历史电压数据、历史频率数据、历史电力设备温度数据、历史电力负载数据、历史电力质量数据；对配电网的历史运行数据以及设备图像数据分别进行分析处理，分别得到配电网的历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标以及设备图像数据中每个区域的第一缺陷指标和第二缺陷指标；基于历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标以及设备图像数据中每个区域的第一缺陷指标和第二缺陷指标分别进行综合计算，得到配电网历史运行综合指标以及每个区域的缺陷总指标；分别判断配电网历史运行综合指标以及每个区域的缺陷总指标是否符合预设的运行综合阈值指标以及每个区域的缺陷总阈值指标；若配电网历史运行综合指标以及每个区域的缺陷总指标均符合预设的运行综合阈值指标以及每个区域的缺陷总阈值指标，则继续进行检测；若配电网历史运行综合指标不符合预设的运行综合阈值指标，则分别判断配电网历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标是否分别符合对应预设阈值，并将不符合对应阈值的历史指标视为缺陷信息；若存在缺陷总指标不符合缺陷总阈值指标的区域，则将配电网的设备图像数据中的对应区域视为缺陷信息。

3、进一步地，对配电网的设备图像数据进行分析处理，得到配电网的设备图像数据中每个区域的第一缺陷指标和第二缺陷指标的具体过程如下：读取配电网的设备图像数据并基于区域生长法进行区域划分；将划分的设备图像数据的每个区域分别通过训练卷积神经网络以及支持向量机进行缺陷识别，分别得到设备图像数据的每个区域的第一缺陷指标和第二缺陷指标。

4、进一步地，得到每个区域的缺陷总指标的具体公式如下：qxzq＝θq1*dyqq+θq2*deqq；其中，qxzq为配电网的设备图像数据中的第q个区域的缺陷总指标，dyqq为配电网的设备图像数据中的第q个区域的第一缺陷指标，deqq为配电网的设备图像数据中的第q个区域的第二缺陷指标，q＝2,3,4,…,c，c为划分的配电网的设备图像数据中的区域数量。

5、进一步地，对配电网的历史运行数据进行分析处理，分别得到配电网的历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标，基于历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标进行综合计算，得到配电网历史运行综合指标的具体过程为：分别对配电网的历史运行数据中的历史电压数据和历史频率数据、历史电力设备温度数据、历史电力负载数据、历史电力质量数据，分别采用统计分析算法、机器学习算法、k均值聚类算法、随机森林算法进行分析计算，分别得到历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标，然后历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标进行加权计算，得到配电网历史运行综合指标；计算配电网历史运行综合指标的具体公式如下：pzh＝ω1*dy+ω2*pl+ω3*sbw+ω4*dlf+ω5*dlz；其中，pzh为配电网历史运行综合指标，dy为历史电压指标，pl为历史频率指标，sbw为历史电力设备温度指标，dlf为历史电力负载指标，dlz为历史电力质量指标，ω1为dy的比例系数，ω2为pl的比例系数，ω3为sbw的比例系数，ω4为dlf的比例系数，ω5为dlz的比例系数，ω1+ω2+ω3+ω4+ω5＝1；对配电网的历史运行数据中的历史电压数据采用统计分析算法进行分析计算，得到历史电压指标的具体过程如下：按照相同的时间间隔对历史电压数据进行划分，得到历史每个时间点的历史电压数据值；基于历史每个时间点的历史电压数据值进行均值计算，得到历史电压数据均值；读取历史每个时间点的历史电压数据值并分别与历史电压数据均值进行差值计算，得到历史每个时间点的历史电压数据差值；读取每个时间点的历史电压数据差值并进行均值计算，得到历史电压指标。

6、进一步地，对配电网的历史运行数据中的历史频率数据采用统计分析算法进行分析计算，得到历史频率指标的具体过程如下：读取历史频率数据并进行预处理；基于预处理之后的历史频率按照相同的时间间隔进行划分，得到历史每个周期的每个时间点的历史频率数据值；将历史每个周期的每个时间点的历史频率数据值进行降序计算，得到历史每个周期的历史频率数据最大值以及历史频率数据最小值；基于历史每个周期的历史频率数据最大值以及历史频率数据最小值进行差值计算，得到历史每个周期的历史频率数据周期差值，并基于历史每个周期的历史频率数据周期差值进行均值计算，得到历史频率数据差值均值；基于历史每个周期的每个时间点的历史频率数据值分别计算每个周期的历史频率周期均值，并基于每个周期的历史频率周期均值进行综合计算得到历史频率均值；基于历史频率数据差值均值以及历史频率均值进行加权计算，得到历史频率指标。

7、进一步地，对配电网的历史运行数据中的历史电力设备温度数据采用机器学习算法进行分析计算，得到历史电力设备温度指标的具体过程如下：读取历史电力设备温度数据，并按照相同的时间间隔进行划分，得到历史每个时间点的历史电力设备温度数据值；将历史每个时间点的历史电力设备温度数据值输入至机器学习模型中，得到每个时间点的历史电力设备温度异常得分；基于每个时间点的历史电力设备温度异常得分，并结合移动指数平均法进行综合计算，得到历史电力设备温度指标。

8、进一步地，对配电网的历史运行数据中的历史负载数据采用k均值聚类算法进行分析计算，得到历史负载指标的具体过程如下：读取历史负载数据并按照相同的时间间隔进行划分，得到历史每个周期的每个时间点的历史负载数据值；随机选择任意数量的时间点作为初始质心；计算每个时间点的数据与各个质心之间的距离，并将数据点分配给距离最近的质心所属的簇；重新计算每个簇的质心，即将每个簇中所有时间点的均值作为新的质心；重复分配步骤以及计算每个簇的质心，直到质心不再发生变化或者达到预定的迭代次数；根据聚类结果，分析每个簇的特征并进行综合计算，得到历史负载指标。

9、进一步地，对配电网的历史运行数据中的历史电力质量数据采用随机森林算法进行分析计算，得到历史电力质量指标的具体过程如下：读取历史电力质量数据并按照相同的时间间隔进行划分，得到历史每个周期的每个时间点的历史电力质量数据值；从历史电力质量数据中随机选择一定数量的样本，构成训练集，每个样本均有任意数量的时间点组成；从所有历史电力质量数据值中随机选择一部分特征，用于构建决策树的每个节点，所述特征具体为历史电力质量数据值；根据随机选择的样本和特征，构建决策树模型，对于每个节点，选择最佳的特征进行划分，直到达到停止条件；重复多次构建决策树，形成随机森林；对于分类问题，通过投票方式确定最终的分类结果，对于回归问题，通过取平均值确定最终的回归结果；根据预测结果进行分析计算，得到历史电力质量指标。

10、基于多算法融合的配电网缺陷识别系统，包括：数据获取子系统、分析计算子系统、阈值判断子系统、缺陷识别子系统；所述数据获取子系统，用于获取配电网的历史运行数据以及设备图像数据，所述运行数据包括历史电压数据、历史频率数据、历史电力设备温度数据、历史电力负载数据、历史电力质量数据；所述数据分析处理子系统，用于对配电网的历史运行数据以及设备图像数据分别进行分析处理，分别得到配电网的历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标以及设备图像数据中每个区域的第一缺陷指标和第二缺陷指标，并基于历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标以及设备图像数据中每个区域的第一缺陷指标和第二缺陷指标分别进行综合计算，得到配电网历史运行综合指标以及每个区域的缺陷总指标；所述阈值判断子系统，用于分别判断配电网历史运行综合指标以及每个区域的缺陷总指标是否符合预设的运行综合阈值指标以及每个区域的缺陷总阈值指标，如果符合，则继续检测；否则，进入下一步；所述缺陷识别子系统，用于判断各个历史指标、每个区域的缺陷总指标是否分别符合对应预设阈值，并针对不符合阈值的历史指标、缺陷总指标所对应的区域，将其视为缺陷信息。

11、进一步地，所述数据分析处理子系统包括：历史电压数据分析计算模块、历史频率数据分析计算模块、历史电力设备温度数据分析计算模块、历史负载数据分析计算模块、历史电力质量数据分析计算模块、区域缺陷计算模块、综合计算模块；所述历史电压数据分析计算模块，用于使用统计分析算法对历史电压数据进行分析计算，得到历史电压指标；所述历史频率数据分析计算模块，用于使用统计分析算法对历史频率数据进行分析计算，得到历史频率指标；所述历史电力设备温度数据分析计算模块，用于使用机器学习算法对历史电力设备温度数据进行分析计算，历史电力设备温度指标；所述历史负载数据分析计算模块，用于使用k均值聚类算法对历史负载数据进行分析计算，得到历史电力负载指标；所述历史电力质量数据分析计算模块，用于使用随机森林算法对历史电力质量数据进行分析计算，得到历史电力质量指标；所述区域缺陷计算模块，用于将划分的设备图像数据的每个区域分别通过训练卷积神经网络以及支持向量机进行缺陷识别，分别得到设备图像数据的每个区域的第一缺陷指标和第二缺陷指标；所述综合计算模块，用于基于历史电压指标、历史频率指标、历史电力设备温度指标、历史电力负载指标、历史电力质量指标进行综合计算，得到配电网历史运行综合指标，并基于设备图像数据中每个区域的第一缺陷指标和第二缺陷指标进行综合计算，得到每个区域的缺陷总阈值指标。

12、本发明具有以下有益效果：

13、(1)该基于多算法融合的配电网缺陷识别方法，通过综合运用统计分析、机器学习和聚类算法，细致地分析历史指标，提高缺陷识别的准确性和可靠性，确保系统的稳定运行。

14、(2)该基于多算法融合的配电网缺陷识别方法，通过根据实际情况动态调整预设阈值，使系统能够适应不同工况和环境变化，从而优化系统性能，提高配电网的运行效率和可靠性。

15、(3)该基于多算法融合的配电网缺陷识别系统，通过获取配电网的多种历史运行数据，并经过多个数据分析处理子系统的加工处理，得到了多维度的历史指标，这些指标涵盖了电压、频率、设备温度、电力负载和电力质量等方面的信息。

16、(4)该基于多算法融合的配电网缺陷识别系统，通过综合计算子系统，这些历史指标被整合为综合指标，为配电网的整体运行提供了全面的评估，这种综合性的数据分析能力有助于准确捕捉配电网的运行状态，从而提高了缺陷识别的准确性和可靠性。

17、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。