[发明专利]基于数据知识库的输电线路风振灾害特征识别方法与系统

权利要求书

1.基于数据知识库的输电线路风振灾害特征识别方法，其特征在于，包括：

基于输电线路导线风振灾害影响从多源数据中获取相关历史数据；

对所述历史数据进行整合；

基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。

2.根据权利要求1所述的方法，其特征在于，所述基于与输电线路导线风振灾害影响从多源数据中获取相关历史数据，包括：

基于历史故障缺陷台账、结构设计资料及气象地理信息统计历年的输电线路导线风振灾害故障缺陷历史记录及相关的线路结构参数与环境参数；

其中，所述故障缺陷历史记录包括：故障缺陷的类型、损伤位置及程度、发生时间、故障原因；

所述线路结构参数包括：电压等级、杆塔类型及高度、导线型号及分裂形式、导线跨度与弧垂、导线张力、防振措施；

所述输电线路环境参数包括：风速、风向、降水情况、温湿度、线路风向夹角、地貌类型、海拔高度。

3.根据权利要求2所述的方法，其特征在于，所述对所述历史数据进行整合，包括：

对所述线路结构参数与环境参数进行数据清洗和整理；

从数据清洗和整理后的数据中选择风振灾害数据，以及随机选取部分正常数据，进行整合；

基于整合后的数据构建数据库。

4.根据权利要求3所述的方法，其特征在于，所述基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别，包括：

将所述数据库中的数据划分为训练数据集和测试数据集；

基于训练数据集对多层神经网络监督学习模型进行训练，确定灾害特征，以及各灾害特征的权重；

利用测试数据集对所述识别出的灾害特征准确率进行评价，并基于评价结果修订所述多层神经网络监督学习模型中各灾害特征的权重；

其中，所述灾害特征包括：舞动、风偏、微风振动和次档距振荡。

5.根据权利要求4所述的方法，其特征在于，所述利用测试数据集对识别出的灾害特征准确率进行评价，包括：

将测试数据集输入训练后的多层神经网络监督学习模型，得到测试特征识别类型；

根据所述测试特征识别类型和预测识别测试特征识别类型，采用深层结构设计、选用relu激活函数进行非线性化和使用交叉熵损失函数计算所述多层神经网络监督学习模型网络损失值；

根据所述多层神经网络监督学习模型损失值对灾害特征准确率进行评价。

6.根据权利要求3所述的方法，其特征在于，所述数据清洗和整理，包括：

对数据进行量化、格式化、空值数据的处理、错误数据的筛查和数据抽样。

7.根据权利要求6所述的方法，其特征在于，所述对数据进行量化、格式化包括：对所述线路结构参数和所述输电线路环境参数数据按照线路数据集属性表、降水形式量化表和风速量化进行量化、格式化处理。

8.根据权利要求6所述的方法，其特征在于，进行空值数据的处理，包括：

如果训练所述多层神经网络监督学习模型属性缺失设定数量以上的则舍弃本条数据；

如果属性缺失设定数量以下，则根据本条数据的详情描述补充缺失数据；

如果详情描述没有记载则取所有数据的平均值作为本条数据的补充；

所述错误数据的筛查是根据输电线路风振灾害多年积累的经验筛查数据中的错误数据以及违反自然规律、对所述多层神经网络监督学习模型训练起到消极作用的数据；

所述数据抽样是对正常数据进行随机抽样，选取部分正常数据和风振灾害数据一起进行所述多层神经网络监督学习模型的训练。

9.基于数据知识库的输电线路风振灾害特征识别系统，其特征在于，包括：获取模块、整合模块和识别模块；

所述获取模块，用于基于输电线路导线风振灾害信息，从多源数据中获取相关历史数据；

所述整合模块，对所述历史数据进行整合；

所述识别模块，基于整合后的历史数据利用多层神经网络监督学习模型对导线风振灾害特征进行识别。