【技術實現步驟摘要】
本專利技術屬于配電站監測，尤其涉及一種基于集成學習的配電站運行狀態評估方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，不必然構成在先技術。
2、配電站是電力系統中的一個設施，位于輸電網和配電網之間，主要功能是調節電流的電壓級別。配電站通過變壓器將高壓輸電線路傳輸過來的電壓轉換為適合配電網的電壓，同時通過開關和保護裝置控制電流的流向和分配。一個配電站可以為周圍較大范圍的配電網提供電力，通常是長時間工作，持續提供電力支持，一旦配電站出現故障暫停運行就會增加周圍其他配電站的工作負擔，或者影響配電網的正常配送電力。因此，對配電站內整體的運行情況進行及時的狀態評估，以保證配電站安全、可靠的持續工作是非常有必要的。
3、目前，對于配電站運行情況監測或評估的方法存在以下問題：僅對某一種故障進行檢測，缺乏對配電站整體運行狀態的評估；評估指標的單一化不能夠充分找到所有配電站運行異常的方面，使得評估的準確率不高。
技術實現思路
1、為克服上述現有技術的不足，本專利技術提出了一種基于集成學習的配電站運行狀態評估方法及系統，通過多模態融合的基于集成學習的配電站運行狀態評估模型，實現對配電站運行狀態的全面、準確評估。
2、為實現上述目的，本專利技術的一個或多個實施例提供了如下技術方案：
3、第一方面，公開了一種基于集成學習的配電站運行狀態評估方法，包括：
4、采集配電站歷史運行的定性數據與定量數據；
6、構建配電站運行狀態評估模型，利用時段圖像特征、時段音頻特征和變壓器的工作時序特征訓練評估模型；
7、獲取配電站當前運行的定性數據和定量數據，對預處理后的時段圖像特征、時段音頻特征和變壓器時序特征輸入所述配電站運行狀態評估模型進行集成評估，獲得所述配電站當前的運行狀態；
8、其中，配電站運行狀態評估模型包括：構建配電站圖像模態評估子模型，對時段圖像特征進行分析和特征提取，獲得所述圖像模態評估子模型的第一特征向量；構建配電站聲音模態評估子模型，對時段音頻特征進行分析和特征提取，獲得所述聲音模態評估子模型的第二特征向量；構建變壓器時序評估子模型，對變壓器的工作時序特征進行分析和特征提取，獲得所述變壓器時序評估子模型的第三特征向量；構建模態集成子模型，將配電站圖像模態評估子模型、配電站聲音模態評估子模型和變壓器時序評估子模型的輸出采用加權集成的方式進行融合，獲得配電站的運行狀態；
9、進一步的，所述定性數據為配電站內部監控數據，具體包括：監控視頻和監控音頻；
10、所述定量數據為配電站內各個變壓器的工作數據，包括：各個變壓器的輸入電壓、輸出電壓、輸入電流、輸出電流和設備溫度；
11、進一步的，所述配電站圖像模態評估子模型，由暗光增強單元和特征提取單元依次連接組成；
12、所述配電站聲音模態評估子模型由輸入層、三個殘差卷積塊、全連接層組成；
13、所述變壓器時序評估子模型，以lstm網絡模型為基礎，對變壓器工作時序特征進行分析和特征提取；
14、進一步的，所述運行狀態包括：正常，注意，異常，嚴重。
15、第二方面，公開了一種基于集成學習的配電站運行狀態評估系統，包括：
16、采集模塊，其被配置為：采集配電站歷史運行的定性數據與定量數據；
17、預處理模塊，其被配置為：預處理所采集的定性數據和定量數據，得到時段圖像特征、時段音頻特征和變壓器的工作時序特征；
18、模型構建模塊，其被配置為：構建配電站運行狀態評估模型，利用時段圖像特征、時段音頻特征和變壓器的工作時序特征訓練評估模型；
19、狀態評估模塊，其被配置為：獲取配電站當前運行的定性數據和定量數據，對預處理后的時段圖像特征、時段音頻特征和變壓器時序特征輸入所述配電站運行狀態評估模型進行集成評估，獲得所述配電站當前的運行狀態；
20、其中，配電站運行狀態評估模型，包括：構建配電站圖像模態評估子模型，對時段圖像特征進行分析和特征提取，獲得所述圖像模態評估子模型的第一特征向量；構建配電站聲音模態評估子模型，對時段音頻特征進行分析和特征提取，獲得所述聲音模態評估子模型的第二特征向量；構建變壓器時序評估子模型，對變壓器的工作時序特征進行分析和特征提取，獲得所述變壓器時序評估子模型的第三特征向量；構建模態集成子模型，將配電站圖像模態評估子模型、配電站聲音模態評估子模型和變壓器時序評估子模型的輸出采用加權集成的方式進行融合，獲得配電站的運行狀態。
21、第三方面，公開了一種電子設備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成上述基于集成學習的配電站運行狀態評估方法的步驟。
22、第四方面，公開了一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執行時，完成上述基于集成學習的配電站運行狀態評估方法的步驟。
23、與現有技術相比，本專利技術的有益效果為：
24、本專利技術提供了一種基于集成學習的配電站運行狀態評估方法及系統，提出多模態融合集成學習的方法，全面、準確的評估配電站運行狀態；圖像特征表征配電站內電氣設備外觀異常，聲音特征彌補外觀無法顯示的內部零件故障，設備工作數據為評估提供直接準確的指標，三者結合實現準確評估。
25、本專利技術提供了暗光增強單元，基于暗光特征注意機制將監控圖像中光線較暗的變壓器的細節特征進行增強處理，提高監控圖像的質量，從而準確提取設備外觀的細微異常。
26、本專利技術附加方面的優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本專利技術的實踐了解到。
本文檔來自技高網...【技術保護點】
1.一種基于集成學習的配電站運行狀態評估方法，其特征在于，包括：
2.如權利要求1所述的一種基于集成學習的配電站運行狀態評估方法，其特征在于，所述定性數據為配電站內部監控數據，具體包括：監控視頻和監控音頻；
3.如權利要求1所述的一種基于集成學習的配電站運行狀態評估方法，其特征在于，所述預處理所采集的定性數據和定量數據，具體的，監控視頻被劃分為時間段內每一幀監控圖像的三維堆疊，生成時段圖像特征；劃分時間段內的監控音頻，采用小波包變換算法，依次經過小波包分解、小波包重構、能量計算以及將各頻段的能量歸一化生成時段音頻特征；各個變壓器在時間段內的輸入、輸出電壓和輸入、輸出電流的定量數據拼接為一維向量，生成變壓器的工作時序特征。
4.如權利要求1所述的一種基于集成學習的配電站運行狀態評估方法，其特征在于，構建配電站圖像模態評估子模型，對時段圖像特征進行分析和特征提取，獲得所述圖像模態評估子模型的第一特征向量，具體為：
5.如權利要求1所述的一種基于集成學習的配電站運行狀態評估方法，其特征在于，所述配電站聲音模態評估子模型由輸入層、三個殘差卷
6.如權利要求1所述的一種基于集成學習的配電站運行狀態評估方法，其特征在于，所述變壓器時序評估子模型，以LSTM網絡模型為基礎，對變壓器工作時序特征進行分析和特征提取，生成第三特征向量。
7.如權利要求1所述的一種基于集成學習的配電站運行狀態評估方法，其特征在于，所述模態集成子模型由集成融合層、卷積層7、ReLU激活層、全連接層3、全連接層4、softmax層和輸出層連接而成，集成融合層的輸入為第一特征向量、第二特征向量和第三特征向量，集成融合層的表達式為：
8.一種基于集成學習的配電站運行狀態評估系統，其特征在于，包括：
9.一種電子設備，其特征在于，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成權利要求1-7任一項所述的基于集成學習的配電站運行狀態評估方法。
10.一種計算機可讀存儲介質，其特征在于，用于存儲計算機指令，所述計算機指令被處理器執行時，完成權利要求1-7任一項所述的基于集成學習的配電站運行狀態評估方法。
...【技術特征摘要】
1.一種基于集成學習的配電站運行狀態評估方法，其特征在于，包括：
2.如權利要求1所述的一種基于集成學習的配電站運行狀態評估方法，其特征在于，所述定性數據為配電站內部監控數據，具體包括：監控視頻和監控音頻；
3.如權利要求1所述的一種基于集成學習的配電站運行狀態評估方法，其特征在于，所述預處理所采集的定性數據和定量數據，具體的，監控視頻被劃分為時間段內每一幀監控圖像的三維堆疊，生成時段圖像特征；劃分時間段內的監控音頻，采用小波包變換算法，依次經過小波包分解、小波包重構、能量計算以及將各頻段的能量歸一化生成時段音頻特征；各個變壓器在時間段內的輸入、輸出電壓和輸入、輸出電流的定量數據拼接為一維向量，生成變壓器的工作時序特征。
4.如權利要求1所述的一種基于集成學習的配電站運行狀態評估方法，其特征在于，構建配電站圖像模態評估子模型，對時段圖像特征進行分析和特征提取，獲得所述圖像模態評估子模型的第一特征向量，具體為：
5.如權利要求1所述的一種基于集成學習的配電站運行狀態評估方法，其特征在于，所述配電站聲音模態評估子模型由輸入層、三個殘差卷積塊和全連接層組成，每個殘差卷積塊為具體為依次連接的卷積層5、re...
【專利技術屬性】
技術研發人員：姚素剛，馮磊，馬永明，宋偉，邱峰，朱彬彬，張沛兵，戴莉，呂可可，屈然，
申請(專利權)人：國網山東省電力公司微山縣供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。