本發(fā)明涉及線損管理領(lǐng)域，尤其涉及一種基于人工智能和大數(shù)據(jù)分析的線損定位方法及系統(tǒng)。

背景技術(shù)：

1、現(xiàn)代電力系統(tǒng)通常包含發(fā)電廠、變電站、高壓傳輸線路、配電網(wǎng)等多個(gè)層級(jí)和節(jié)點(diǎn)，這些節(jié)點(diǎn)和線路之間互相連接，構(gòu)成龐大的復(fù)雜網(wǎng)絡(luò)。復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)增加了電力線損定位的難度。

2、電網(wǎng)的拓?fù)浣Y(jié)構(gòu)會(huì)隨著時(shí)間不斷變化，例如負(fù)荷的轉(zhuǎn)移、設(shè)備的檢修、故障的處理等會(huì)引起網(wǎng)絡(luò)拓?fù)涞念l繁變化，增加了線損定位的復(fù)雜性。而且由于電力系統(tǒng)運(yùn)行過程中涉及多種類型的數(shù)據(jù)，包括電壓、電流、功率、負(fù)荷情況等。這些數(shù)據(jù)來自不同的傳感器和監(jiān)控設(shè)備，具有高維性和異構(gòu)性，增加了分析的復(fù)雜性。同時(shí)，電力系統(tǒng)中的各類數(shù)據(jù)具有高度時(shí)變性和非線性，例如全天負(fù)荷曲線的變化、季節(jié)性波動(dòng)、突發(fā)事件引起的劇烈變化等，使得線損預(yù)測(cè)和定位變得更加困難。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問題，本發(fā)明的目的在于提供一種基于人工智能和大數(shù)據(jù)分析的線損定位方法，結(jié)合人工智能和大數(shù)據(jù)分析實(shí)現(xiàn)線損定位，有效提高線損定位能力和準(zhǔn)確度，適應(yīng)電網(wǎng)運(yùn)行中的復(fù)雜環(huán)境和變化。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、一種基于人工智能和大數(shù)據(jù)分析的線損定位方法，包括以下步驟：

4、s1:從智能電表、傳感器和歷史記錄中收集電壓、電流、功率和時(shí)間戳數(shù)據(jù),并使用數(shù)據(jù)增強(qiáng)和生成對(duì)抗網(wǎng)絡(luò)擴(kuò)充數(shù)據(jù)集；

5、s2:融合gnn與transformer從生成器獲取的擴(kuò)充后的數(shù)據(jù)集中提取特征，并將這些特征融合成一個(gè)綜合特征向量，構(gòu)建訓(xùn)練數(shù)據(jù)集；

6、s3:構(gòu)建線損預(yù)測(cè)模型，并基于訓(xùn)練數(shù)據(jù)集訓(xùn)練，并在實(shí)時(shí)預(yù)測(cè)時(shí)，通過動(dòng)態(tài)誤差反饋校正，對(duì)模型的實(shí)時(shí)調(diào)整，適應(yīng)電網(wǎng)狀態(tài)的快速變化；

7、s4:基于線損預(yù)測(cè)模型，實(shí)時(shí)獲取數(shù)據(jù)進(jìn)行預(yù)測(cè)和分析，獲取線損異常點(diǎn)；

8、s5:基于異常點(diǎn)，結(jié)合統(tǒng)計(jì)分析和頻率分析，識(shí)別線損異常點(diǎn)的潛在原因；

9、s6:基于電網(wǎng)拓?fù)鋱D標(biāo)記出異常點(diǎn)的位置和時(shí)間，便于運(yùn)維人員進(jìn)行現(xiàn)場(chǎng)檢查和處理。

10、進(jìn)一步的，所述s1具體為：

11、s11：從智能電表、傳感器和歷史記錄中收集電壓、電流、功率和時(shí)間戳數(shù)據(jù)；

12、s12:基于數(shù)據(jù)增強(qiáng)方法擴(kuò)充數(shù)據(jù)集，包括噪聲添加、時(shí)間滑動(dòng)和數(shù)據(jù)插值；

13、s13:構(gòu)建生成器g和判別器d，通過交替訓(xùn)練生成器和判別器，生成更多類似真實(shí)數(shù)據(jù)的樣本:

14、判別器d區(qū)分真實(shí)數(shù)據(jù)x和生成的數(shù)據(jù)g(z)，讓d最大化：

15、

16、其中，d為判別器模型；g為生成器模型；x～pdata(x)表示從真實(shí)數(shù)據(jù)分布pdata中采樣得到的真實(shí)數(shù)據(jù)；z～pz(z)表示從先驗(yàn)噪聲分布pz中采樣得到的噪聲輸入；log?d(x)真實(shí)數(shù)據(jù)x被判別器d判定為真實(shí)數(shù)據(jù)的對(duì)數(shù)概率；log(1-d(g(z)))表示生成樣本g(z)被判別器d判定為假數(shù)據(jù)的對(duì)數(shù)概率；表示判別器d在真實(shí)數(shù)據(jù)x上的輸出；表示判別器d在生成數(shù)據(jù)g(z)上的輸出；

17、生成器g試圖欺騙判別器d，讓d最小化:

18、

19、進(jìn)一步的，所述融合gnn與transformer從生成器獲取的擴(kuò)充后的數(shù)據(jù)集中提取特征，并將這些特征融合成一個(gè)綜合特征向量，構(gòu)建訓(xùn)練數(shù)據(jù)集，具體如下：

20、將電力網(wǎng)絡(luò)表示為圖g′＝(v′,e′)，其中v′表示節(jié)點(diǎn)(如變電站)，e′表示邊；設(shè)每個(gè)節(jié)點(diǎn)v的初始特征向量為

21、gnn通過節(jié)點(diǎn)的鄰居節(jié)點(diǎn)之間的信息聚合來更新節(jié)點(diǎn)特征,節(jié)點(diǎn)v的特征在第l層的更新規(guī)則:

22、

23、其中，表示節(jié)點(diǎn)v在第l+1層的特征向量；為節(jié)點(diǎn)u在第l層的特征向量；n(v)表示節(jié)點(diǎn)v的鄰居節(jié)點(diǎn)；w(l)和b(l)分別是第l層的權(quán)重和偏置；σ為非線性激活函數(shù)；

24、經(jīng)過l層的傳播后，每個(gè)節(jié)點(diǎn)v的特征被提取并聚合成圖層次的全局特征向量hg:

25、

26、在transformer中，多頭自注意力機(jī)制用于計(jì)算輸入序列中的注意力權(quán)重:

27、

28、其中，q、k和u分別是查詢、鍵和值矩陣，dk是鍵的維度；

29、multi-head自注意力的計(jì)算公式為：

30、multihead(q,k,u)＝concat(head1,...,headi,...,headh)w0；

31、其中，每個(gè)頭headi表示為：

32、headi＝attention(qwiq,kwik,uwiu)；

33、其中，wiq為第i個(gè)頭的查詢矩陣權(quán)重；wik為第i個(gè)頭的鍵矩陣權(quán)重；wiu為第i個(gè)頭的值矩陣權(quán)重；w0為輸出權(quán)重矩陣；

34、經(jīng)過多層transformer編碼器的處理，獲得最后一層的輸出特征ht，通過池化操作得到全局特征向量ht；

35、將gnn和transformer提取的特征進(jìn)行融合，形成綜合特征向量。

36、進(jìn)一步的，使用雙線性池化來融合gnn和transformer提取的特征，具體如下：

37、首先計(jì)算gnn和transformer特征向量的外積：

38、

39、其中b是一個(gè)矩陣，表示特征向量之間的所有可能的二階交互；

40、然后使用一個(gè)線性變換矩陣wbp，將外積矩陣降維到一個(gè)預(yù)設(shè)的維度，得到最終的綜合特征向量：

41、hfused＝vec(b)wbp

42、其中，vec(b)表示將矩陣b展平為一個(gè)向量。

43、進(jìn)一步的，線損預(yù)測(cè)模型，采用多層感知器構(gòu)成的全連接神經(jīng)網(wǎng)絡(luò)，具體如下：

44、所述全連接神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層；所述輸入層輸入綜合特征向量；

45、隱藏層包括若干全連接層，每一層均配有非線性激活函數(shù)，第l′層的輸出為：

46、h(l′)＝σ(w(l′)h(l′-1)+b(l′))；

47、其中，w(l′)和b(l′)分別是第l′層的權(quán)重矩陣和偏置向量；h(l′-1)為上一層的輸出；

48、輸出層輸出一個(gè)線性神經(jīng)元，用于線損預(yù)測(cè)：

49、y＝w(out)h(l′)+b(out)；

50、其中，w(out)和b(out)分別是是輸出層的權(quán)重矩陣和偏置向量；l′是隱藏層的總層數(shù)；

51、在訓(xùn)練過程中，采用均方誤差作為損失函數(shù)，衡量預(yù)測(cè)值和真實(shí)值之間的誤差，并使用梯度下降法來最小化損失函數(shù)。

52、進(jìn)一步的，使用動(dòng)態(tài)誤差反饋校正，具體如下：

53、計(jì)算實(shí)時(shí)預(yù)測(cè)誤差：

54、

55、其中，和yt分別為時(shí)刻t的預(yù)測(cè)值和真實(shí)值；

56、基于實(shí)時(shí)預(yù)測(cè)誤差進(jìn)行在線學(xué)習(xí)，更新模型參數(shù)：

57、

58、其中，θ是模型參數(shù)；η′是在線學(xué)習(xí)速率。

59、進(jìn)一步的，基于異常點(diǎn)，結(jié)合統(tǒng)計(jì)分析和頻率分析，識(shí)別線損異常點(diǎn)的潛在原因，具體如下：

60、計(jì)算異常點(diǎn)x相鄰n個(gè)數(shù)據(jù)的平均值和標(biāo)準(zhǔn)差：

61、

62、將異常點(diǎn)處的數(shù)據(jù)與平均值和標(biāo)準(zhǔn)差進(jìn)行比較，識(shí)別偏離量，包括偏度skewness和峰度kurtosis：

63、

64、計(jì)算時(shí)間序列數(shù)據(jù)的差分，識(shí)別快速變化的情況,并使用頻域方法分析數(shù)據(jù)，識(shí)別周期性或特定頻率上的異常；

65、對(duì)時(shí)序數(shù)據(jù)x(t)進(jìn)行快速傅里葉變換，轉(zhuǎn)換到頻域：

66、

67、分析頻譜∣x(f)∣，識(shí)別大于閾值的頻率成分；

68、計(jì)算時(shí)序數(shù)據(jù)的功率譜密度，識(shí)別特定頻率上能量的變化：

69、

70、將異常點(diǎn)前后時(shí)段的數(shù)據(jù)psd進(jìn)行對(duì)比，識(shí)別異常頻率特征；

71、基于統(tǒng)計(jì)和頻率分析結(jié)果，結(jié)合專家知識(shí)進(jìn)行異常原因判定。

72、進(jìn)一步的，步驟s6具體為：

73、將電網(wǎng)拓?fù)鋽?shù)據(jù)轉(zhuǎn)化為圖形，根據(jù)電網(wǎng)拓?fù)鋽?shù)據(jù)繪制節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)表示電網(wǎng)中的一個(gè)關(guān)鍵點(diǎn)(如變電站或用戶)，使用不同的顏色或形狀來區(qū)分節(jié)點(diǎn)類型(例如，變電站用藍(lán)色表示，用戶用綠色表示)；根據(jù)拓?fù)鋽?shù)據(jù)中的連接關(guān)系繪制邊，每條邊代表一條輸電線路。可以使用不同的線型和顏色表示不同的電力線路(例如，主干線用實(shí)線表示，支線用虛線表示)。

74、根據(jù)異常點(diǎn)的位置id，在對(duì)應(yīng)的節(jié)點(diǎn)或邊上添加標(biāo)記，不同的異常類型可以使用不同的圖標(biāo)或者顏色標(biāo)記(例如，紅色圓圈表示設(shè)備故障，黃色三角形表示負(fù)荷波動(dòng))；每個(gè)異常點(diǎn)標(biāo)記上添加時(shí)間標(biāo)簽，以圖標(biāo)或懸浮信息的形式顯示異常發(fā)生的具體時(shí)間，分類展示不同類型的異常點(diǎn)，在圖標(biāo)、顏色的基礎(chǔ)上進(jìn)一步標(biāo)注(如異常描述信息)。

75、進(jìn)一步的，基于電網(wǎng)拓?fù)鋽?shù)據(jù)，使用力導(dǎo)向布局算法計(jì)算異常節(jié)點(diǎn)在圖上的位置，求解節(jié)點(diǎn)的迭代位置，達(dá)到力學(xué)平衡狀態(tài)。

76、根據(jù)節(jié)點(diǎn)的最終位置對(duì)異常點(diǎn)進(jìn)行標(biāo)記，確保標(biāo)記準(zhǔn)確放置在對(duì)應(yīng)的節(jié)點(diǎn)或線路上:

77、異常點(diǎn)標(biāo)記上帶有具體的時(shí)間信息，使用唐配合圖形工具的懸浮標(biāo)簽功能。

78、一種基于人工智能和大數(shù)據(jù)分析的線損定位系統(tǒng)，包括處理器、存儲(chǔ)器以及存儲(chǔ)在所述存儲(chǔ)器上的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)，具體執(zhí)行如上所述的一種基于人工智能和大數(shù)據(jù)分析的線損定位方法中的步驟。

79、本發(fā)明具有如下有益效果：

80、1、本發(fā)明結(jié)合人工智能和大數(shù)據(jù)分析實(shí)現(xiàn)線損定位，有效提高線損定位能力和準(zhǔn)確度，適應(yīng)電網(wǎng)運(yùn)行中的復(fù)雜環(huán)境和變化；

81、2、本發(fā)明從智能電表、傳感器和歷史記錄中獲取多維度、多時(shí)間戳的數(shù)據(jù)，確保數(shù)據(jù)的多樣性和全面性，并通過數(shù)據(jù)增強(qiáng)和gan技術(shù)擴(kuò)充數(shù)據(jù)集，提高數(shù)據(jù)的數(shù)量和質(zhì)量，彌補(bǔ)真實(shí)數(shù)據(jù)不足的情況，增強(qiáng)模型的泛化能力；

82、3、本發(fā)明融合gnn與transformer的特征提取,通過gnn有效捕捉電網(wǎng)拓?fù)浣Y(jié)構(gòu)中的節(jié)點(diǎn)和邊的復(fù)雜關(guān)系，提取電網(wǎng)結(jié)構(gòu)特征,通過transformer捕捉時(shí)序動(dòng)態(tài)特征，并將多種特征融合成一個(gè)綜合特征向量，提升模型對(duì)多維信息的理解和處理能力；

83、4、本技術(shù)還利用統(tǒng)計(jì)和頻率分析深入挖掘異常點(diǎn)成因，提高故障檢測(cè)和排除的有效性，通過拓?fù)鋱D標(biāo)記和異常點(diǎn)定位，為運(yùn)維人員提供直觀的參考和高效的操作指導(dǎo)。