本發(fā)明屬于電力故障診斷，尤其涉及一種基于衛(wèi)星和氣象的線路故障診斷方法。

背景技術(shù)：

1、在當(dāng)前電力系統(tǒng)中，常見(jiàn)的線路通道沿線工業(yè)廠房、農(nóng)業(yè)大棚、園林綠化等潛在風(fēng)險(xiǎn)源較多，管控?cái)?shù)量多、難度大，其運(yùn)行受自然氣象因素和附近人為活動(dòng)風(fēng)險(xiǎn)因素影響嚴(yán)重。目前針對(duì)上述線路通道的巡視方式主要包括無(wú)人機(jī)巡視、線路監(jiān)拍攝像頭巡視和人工巡視，但鑒于以下缺點(diǎn)而難以實(shí)現(xiàn)災(zāi)前巡視準(zhǔn)且廣的目標(biāo)，具體缺點(diǎn)如下：雖然無(wú)人機(jī)巡檢精度高，但其具有受飛行審批約束、大范圍常態(tài)化作業(yè)成本高、監(jiān)測(cè)范圍小等不足，不能滿足常態(tài)化、大范圍線路通道風(fēng)險(xiǎn)普查需求；而線路監(jiān)拍攝像頭受限于監(jiān)拍角度和范圍，無(wú)法全面覆蓋風(fēng)險(xiǎn)源所在范圍；同時(shí)，若采用人工巡視將會(huì)增加人工成本或時(shí)間成本。

2、另外，現(xiàn)有的方式中還存在線路故障后溯源難的問(wèn)題，雖然可依靠無(wú)人機(jī)或人工巡視等手段，但受天氣或環(huán)境制約，無(wú)法及時(shí)發(fā)現(xiàn)故障來(lái)源并做出有效處置。目前故障診斷常用的方法包括基于模型的診斷、信號(hào)處理技術(shù)以及人工智能算法等，這些方法雖然在一定程度上能夠識(shí)別和定位故障，但各有其局限性；例如，基于模型的方法依賴于精確的系統(tǒng)模型，而實(shí)際運(yùn)行中模型往往難以完全匹配實(shí)際情況；信號(hào)處理技術(shù)則受限于信號(hào)采集的質(zhì)量和分析算法的復(fù)雜性；而人工智能雖然在模式識(shí)別方面顯示出巨大潛力，但對(duì)新出現(xiàn)故障類(lèi)型的適應(yīng)性還有待提高。

3、基于上述問(wèn)題，本領(lǐng)域需要探索一種低成本、高精度、覆蓋范圍廣的巡視及故障溯源方法，從而實(shí)現(xiàn)故障前異物隱患精準(zhǔn)預(yù)警，故障后可以及時(shí)準(zhǔn)確診斷，且基于故障診斷結(jié)果信息，精準(zhǔn)判定故障源頭。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明中提供了一種基于衛(wèi)星和氣象的線路故障診斷方法，可有效解決背景技術(shù)中的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：

3、一種基于衛(wèi)星和氣象的線路故障診斷方法，包括：

4、通過(guò)遙感衛(wèi)星定期采集衛(wèi)星影像，將定期采集結(jié)果納入影像數(shù)據(jù)庫(kù)，所述定期采集結(jié)合電網(wǎng)線路通道管控要求進(jìn)行；

5、識(shí)別各所述定期采集結(jié)果中的風(fēng)險(xiǎn)源信息，將風(fēng)險(xiǎn)源識(shí)別結(jié)果納入隱患庫(kù)；

6、啟動(dòng)災(zāi)害區(qū)域?yàn)?zāi)前衛(wèi)星應(yīng)急巡視流程，采集災(zāi)害區(qū)域衛(wèi)星影像獲得第一應(yīng)急采集結(jié)果，將所述第一應(yīng)急采集結(jié)果納入所述影像數(shù)據(jù)庫(kù)，所述啟動(dòng)基于氣象預(yù)警信息；

7、識(shí)別所述第一應(yīng)急采集結(jié)果中的風(fēng)險(xiǎn)源信息，且調(diào)用所述隱患庫(kù)中的數(shù)據(jù)進(jìn)行比對(duì)，根據(jù)比對(duì)結(jié)果輸出災(zāi)害區(qū)域風(fēng)險(xiǎn)源清單，所述災(zāi)害區(qū)域風(fēng)險(xiǎn)源清單用于指導(dǎo)通道現(xiàn)場(chǎng)的異物處置；

8、啟動(dòng)故障區(qū)域故障后應(yīng)急巡視流程，采集故障區(qū)域衛(wèi)星影像獲得第二應(yīng)急采集結(jié)果，將所述第二應(yīng)急采集結(jié)果納入所述影像數(shù)據(jù)庫(kù)，所述啟動(dòng)基于線路通道故障診斷信息;識(shí)別所述第二應(yīng)急采集結(jié)果中的風(fēng)險(xiǎn)源信息，且調(diào)用所述隱患庫(kù)中的數(shù)據(jù)進(jìn)行比對(duì)，根據(jù)比對(duì)結(jié)果輸出故障前后的風(fēng)險(xiǎn)源變化信息，結(jié)合所述風(fēng)險(xiǎn)源變化信息、故障時(shí)氣象數(shù)據(jù)及故障現(xiàn)場(chǎng)故障特性，進(jìn)行故障源頭篩選。

9、進(jìn)一步地，識(shí)別各所述定期采集結(jié)果中的風(fēng)險(xiǎn)源信息，將風(fēng)險(xiǎn)源識(shí)別結(jié)果納入隱患庫(kù)，包括：

10、識(shí)別第一期采集的衛(wèi)星影像中的所述風(fēng)險(xiǎn)源信息，且作為基礎(chǔ)納入第一隱患庫(kù)；

11、基于所述基礎(chǔ)對(duì)后期采集的所述衛(wèi)星影像進(jìn)行多期影像比對(duì)，以獲取風(fēng)險(xiǎn)源變化的信息，且納入第二隱患庫(kù)；

12、采用信息匹配方法將所述第一隱患庫(kù)和第二隱患庫(kù)進(jìn)行合并獲得所述隱患庫(kù)。

13、進(jìn)一步地，基于所述基礎(chǔ)對(duì)后期采集的所述衛(wèi)星影像進(jìn)行多期影像比對(duì)，以獲取風(fēng)險(xiǎn)源變化的信息，包括：

14、獲取待比對(duì)的相鄰兩時(shí)相的所述衛(wèi)星影像，對(duì)每個(gè)時(shí)相的衛(wèi)星影像均進(jìn)行以下操作：

15、使用目標(biāo)檢測(cè)模型獲取目標(biāo)逐個(gè)的提取結(jié)果，以及使用語(yǔ)義分割模型獲取目標(biāo)按面的提取結(jié)果，針對(duì)每個(gè)時(shí)相的兩個(gè)提取結(jié)果進(jìn)行矢量處理；

16、針對(duì)不同時(shí)相均基于所述矢量處理結(jié)果進(jìn)行風(fēng)險(xiǎn)源選擇；

17、基于兩時(shí)相的風(fēng)險(xiǎn)源選擇獲取風(fēng)險(xiǎn)源變化的信息。

18、進(jìn)一步地，針對(duì)每個(gè)時(shí)相的兩個(gè)提取結(jié)果進(jìn)行矢量處理，包括：

19、將所述目標(biāo)檢測(cè)模型提取的邊界框轉(zhuǎn)化為矢量多邊形；

20、將所述語(yǔ)義分割模型的像素分類(lèi)結(jié)果轉(zhuǎn)換為矢量多邊形；

21、分別對(duì)目標(biāo)檢測(cè)與語(yǔ)義分割的矢量多邊形進(jìn)行幾何校正，實(shí)現(xiàn)與衛(wèi)星影像的地理坐標(biāo)對(duì)齊；

22、在兩所述矢量多邊形的重疊區(qū)域，使用所述目標(biāo)檢測(cè)的邊界框定義風(fēng)險(xiǎn)源的范圍，以及，對(duì)于目標(biāo)檢測(cè)漏檢或邊界模糊的區(qū)域，使用語(yǔ)義分割的像素分布結(jié)果進(jìn)行補(bǔ)充，完成合并；

23、將合并后的矢量結(jié)果生成完整的矢量數(shù)據(jù)集，包含每個(gè)風(fēng)險(xiǎn)源的形狀、中心點(diǎn)坐標(biāo)、位置、邊界及空間屬性信息。

24、進(jìn)一步地，所述信息匹配方法包括：

25、針對(duì)所述第一隱患庫(kù)和第二隱患庫(kù)中的風(fēng)險(xiǎn)源分別提取中心點(diǎn)坐標(biāo)，設(shè)定空間距離閾值，對(duì)比兩個(gè)時(shí)相中每個(gè)所述風(fēng)險(xiǎn)源的中心點(diǎn)坐標(biāo)，若兩個(gè)所述風(fēng)險(xiǎn)源的中心點(diǎn)坐標(biāo)距離小于所述空間距離閾值，則標(biāo)記同一風(fēng)險(xiǎn)源，否則標(biāo)記為新增或消失風(fēng)險(xiǎn)源；

26、針對(duì)標(biāo)記為同一風(fēng)險(xiǎn)源的所述風(fēng)險(xiǎn)源提取邊界多邊形，通過(guò)形狀相似度算法計(jì)算兩個(gè)時(shí)相中所述風(fēng)險(xiǎn)源的邊界相似性，設(shè)定邊界相似度閾值，若所述邊界相似性高于所述邊界相似度閾值，則標(biāo)記為同一風(fēng)險(xiǎn)源，否則標(biāo)記為變化風(fēng)險(xiǎn)源；

27、針對(duì)所述新增或消失風(fēng)險(xiǎn)源以及所述變化風(fēng)險(xiǎn)源，提取屬性信息并進(jìn)行屬性變化的影響評(píng)估，設(shè)定影響程度閾值，若所述屬性變化的影響程度小于所述影響程度閾值，則標(biāo)記為同一風(fēng)險(xiǎn)源，否則保持原標(biāo)記狀態(tài)。

28、進(jìn)一步地，識(shí)別所述第一應(yīng)急采集結(jié)果中的風(fēng)險(xiǎn)源信息，且調(diào)用所述隱患庫(kù)中的數(shù)據(jù)進(jìn)行比對(duì)，根據(jù)比對(duì)結(jié)果輸出災(zāi)害區(qū)域風(fēng)險(xiǎn)源清單，包括：

29、基于與所述隱患庫(kù)中數(shù)據(jù)的比對(duì)，對(duì)所述第一應(yīng)急采集結(jié)果中的風(fēng)險(xiǎn)源信息進(jìn)行分類(lèi)，包括與所述隱患庫(kù)中數(shù)據(jù)匹配的第一部分，以及未匹配的第二部分；

30、根據(jù)所述第一部分輸出災(zāi)害區(qū)域風(fēng)險(xiǎn)源清單。

31、進(jìn)一步地，所述第二部分納入所述隱患庫(kù)。

32、進(jìn)一步地，針對(duì)所述定期采集結(jié)果、第一應(yīng)急采集結(jié)果和第二應(yīng)急采集結(jié)果，采用相同的風(fēng)險(xiǎn)源信息識(shí)別方法。

33、進(jìn)一步地，所述線路通道故障診斷信息的獲取包括：

34、確定線路發(fā)生故障的時(shí)刻，在所述時(shí)刻啟動(dòng)研判因子信息的收集，所述研判因子信息至少包括線路數(shù)據(jù)、在線監(jiān)測(cè)數(shù)據(jù)、氣象數(shù)據(jù)和所述隱患庫(kù)數(shù)據(jù)；基于所述研判因子信息通過(guò)智能診斷模型輸出故障診斷信息。

35、進(jìn)一步地，所述智能診斷模型為多模態(tài)融合模型。

36、進(jìn)一步地，結(jié)合所述風(fēng)險(xiǎn)源變化信息、故障時(shí)氣象數(shù)據(jù)及故障現(xiàn)場(chǎng)故障特性，進(jìn)行故障源頭篩選，包括：

37、基于所述風(fēng)險(xiǎn)源變化信息，識(shí)別風(fēng)險(xiǎn)源的變化類(lèi)型，確定每個(gè)類(lèi)型的所述變化對(duì)線路的影響程度；

38、基于故障時(shí)氣象數(shù)據(jù)對(duì)各所述影響程度進(jìn)行修訂，獲得修訂結(jié)果；

39、基于所述修訂結(jié)果及所述風(fēng)險(xiǎn)源變化信息，分析所述故障特性與風(fēng)險(xiǎn)源的匹配程度，篩選故障源頭清單；

40、對(duì)篩選出的故障源頭清單進(jìn)行優(yōu)先級(jí)排序，且基于排序結(jié)果確定所述故障源頭。

41、進(jìn)一步地，災(zāi)害區(qū)域?yàn)?zāi)前衛(wèi)星應(yīng)急巡視流程及所述故障區(qū)域故障后應(yīng)急巡視均采用便攜式地面站，所述便攜式地面站用于上傳電力領(lǐng)域影像采集的單一指令，以及接收所述衛(wèi)星影像；

42、定期采集衛(wèi)星影像流程采用固定地面站，所述固定地面站用于集中上傳若干領(lǐng)域影像采集指令，以及接收影像采集數(shù)據(jù)，并將所述影像采集數(shù)據(jù)傳遞至數(shù)據(jù)中心。

43、通過(guò)本發(fā)明的技術(shù)方案，可實(shí)現(xiàn)以下技術(shù)效果：

44、本發(fā)明通過(guò)利用衛(wèi)星和氣象提供的實(shí)況數(shù)據(jù)，結(jié)合智能分析技術(shù)，實(shí)現(xiàn)災(zāi)前線路通道異物源快速摸排和故障后精準(zhǔn)溯源，使得對(duì)線路潛在風(fēng)險(xiǎn)的預(yù)測(cè)更加精準(zhǔn)和全面，運(yùn)維人員能夠提前快速采取相應(yīng)措施，極大地降低了由自然災(zāi)害等不可控因素引發(fā)的線路故障率，同時(shí)提高了故障研判的精準(zhǔn)性，減少故障處置時(shí)間，進(jìn)而保障電力系統(tǒng)的穩(wěn)定運(yùn)行。