【技術實現步驟摘要】
本專利技術涉及地災隱患實時監測，尤其是一種電力基礎設施的地災隱患實時檢測方法。
技術介紹
1、在我國的云貴川地區，發電資源豐富，尤其是水電、風電等清潔能源廣泛分布；因此，電力基礎設施(如換流站、升壓站等)數量眾多；然而，由于該區域復雜的地形特征，電力設施常常位于山地或丘陵區域，長期面臨地質災害威脅，如邊坡塌陷、滑坡、泥石流等。這些地質災害不僅會破壞電力設備，還可能導致電力系統的癱瘓，造成大范圍的停電和經濟損失；因此，如何快速、有效地對電力基礎設施的地質災害隱患進行監測和預警成為電力系統運維中的關鍵問題之一。
2、傳統的地災監測手段主要依賴于固定傳感器和人工巡檢，存在監測范圍受限、響應速度慢的問題，無法及時捕捉突發性災害的早期信號；此外，邊坡塌陷、滑坡、泥石流等地災隱患要素多，雖然可以根據監測對象不同布設不同類型傳感器，但實時從多種監測數據中有效識別潛在風險仍然是一大挑戰；近年來，機器學習和深度學習技術逐漸應用于地災隱患的檢測和預警中，可以發現超出正常范圍的異常數據；雖然這類方法可以通過數據驅動提升檢測精度，但它們依賴大量標注數據進行訓練，且在不同的應用場景中需要重新調整和訓練模型，導致系統的適應性和響應速度受到限制，尤其在像云貴川這樣需要快速響應的復雜地質環境中，在實時響應的地災隱患監測中表現出一定的局限性。
技術實現思路
1、本專利技術所要解決的技術問題是提供一種電力基礎設施的地災隱患實時檢測方法，擺脫對標注數據的依賴，通過無監督學習分析每種監測類型的數據模式，并具備
2、本專利技術解決其技術問題所采用的技術方案是：
3、一種電力基礎設施的地災隱患實時檢測方法，包括以下步驟：
4、s1、構建初始時序數據，獲取地災監測區域不同種類的監測數據；對任意一種監測數據單獨構建初始時序數據；
5、s2、構建殘差序列，根據初始時序數據的序列大小設定初始窗口，初始窗口mi的長度l設定為初始序列長度的1/5；所述初始窗口mi在初始序列上往后滑動，初始序列中的數據元素從l+1的位置開始，根據每個數據元素xi與前面臨近的窗口mi平均值的差值構建殘差序列s，通過殘差序列s的排序確定高位的上限閾值和低位的下限閾值，所述殘差序列s中超過上限閾值的元素構成上差超限集合，殘差序列中超過下限閾值的元素構成下限殘差超限集合，所述超限集合中每個元素yi為初始序列中數據元素xi與初始窗口mi平均值的差值；
6、s3、將上差超限集合和下限殘差超限集合擬合到廣義帕累托分布gpd模型，分別求解出兩個模型參數；
7、s4、根據模型參數和初始時序數據，應用極值理論第二理論模型計算最新上殘差閾值和下限殘差閾值以確定正常值范圍；
8、s5、采集到新數據加入時間序列，對最新的數據元素xi做平滑操作，即通過指數移動平均方法計算過去一段時間內觀測值的指數移動平均值，去除數據正常波動的影響，最新的數據元素xi與加權平均值的差值構成最新的殘差值；
9、s6、對殘差值進行異常判定，若超出上限或者下限殘差閾值則判定最新數據偏離正常范圍視為異常數據，輸出預警信息；根據殘差值與初始上殘差閾值、下限殘差閾值及最新上殘差閾值、下限殘差閾值進行比較，決定是否更新最新上殘差閾值、下限殘差閾值。
10、步驟s1中，所述監測數據包括降雨量、沖擊力、混凝土壓力、泥土位移和深部位移的時序數據。
11、步驟s3中，所述將上差超限集合和下限殘差超限集合擬合到廣義帕累托分布gpd模型，通過復合參數估計法求解模型參數，如下：
12、通過概率加權矩法pwm初步計算分布模型參數值，再使用矩估計法mom計算模型分布參數值，兩次參數值做均值計算得出最新的分布模型參數值。
13、步驟s3中，所述分別求解出兩個模型參數，包括以下步驟：
14、s3.1、根據概率加權矩原理，gpd模型的k階概率加權矩表示如下：
15、
16、式(一)，w0為一階概率加權矩；w1為二階概率加權矩；nt為超限集合長度；e(y)為超限集合方差；y(i)為時序數據排序后的第i個數據；
17、s3.2、根據樣本推算總體的原理，通過pwm方法計算gpd模型參數，公式如下：
18、
19、s3.3、通過mom方法計算gpd模型參數，公式如下：
20、
21、式(三)中，μ為超限集合均值；s2為超限集合方差；
22、s3.4、通過復合參數估計法計算的σ和γ參數，公式如下：
23、
24、式(四)中，和則為gpd模型中待求解參數的估計值。
25、步驟s4中，所述算最新上殘差閾值和下限殘差閾值，公式如下：
26、
27、式(五)中，nt為超限集合長度；q為用于確定異常的風險參數經驗值，即異常發生的概率；n為當前單變量時間序列的長度。
28、步驟s5中，所述計算過去一段時間內觀測值的指數移動平均值，公式如下：
29、emat＝α×yt+(1-α)×emat-1(六)
30、式(六)中，emat為待計算的最新的指數移動平均值，yt為第t個時間點的觀測值，emat-1為前一個時間點的ema值，α為平滑因子，表示當前觀測值在加權平均中的權重，根據數據波動特點進行設置，時序數據中第一個元素yt的ema值等于本身。
31、本專利技術的有益效果是：
32、1.無需依賴標注數據，通過無監督學習分析每種監測類型的數據模式，不需要提前訓練，并具備自適應能力實時調整檢測模型，能夠跟隨數據波動趨勢調整數據最新上限閾值，確保能夠適應多種類型的監測數據。
33、2.在檢測方法上無復雜的計算，使的每個檢測裝置都具備邊緣實時檢測能力，能快速、有效地發現地災監測數據中的異常數據，根據實際情況靈活調整檢測方法相關參數，進一步保證了系統的實用性和適應能力，提高了電力基礎設施的地災隱患實時檢測準確性和高效性，以確保電力基礎設施的穩定安全運行。
34、3.通過裝置通道接入并維護各單變量時序數據，使得不同類型數據直接相互隔離，減少了數據處理復雜性。
本文檔來自技高網...【技術保護點】
1.一種電力基礎設施的地災隱患實時檢測方法，其特征在于：包括以下步驟：
2.如權利要求1所述的一種電力基礎設施的地災隱患實時檢測方法，其特征在于：步驟S1中，所述監測數據包括降雨量、沖擊力、混凝土壓力、泥土位移和深部位移的時序數據。
3.如權利要求1所述的一種電力基礎設施的地災隱患實時檢測方法，其特征在于：步驟S3中，所述將上差超限集合和下限殘差超限集合擬合到廣義帕累托分布GPD模型，通過復合參數估計法求解模型參數，如下：
4.如權利要求1所述的一種電力基礎設施的地災隱患實時檢測方法，其特征在于：步驟S3中，所述分別求解出兩個模型參數，包括以下步驟：
5.如權利要求1所述的一種電力基礎設施的地災隱患實時檢測方法，其特征在于：步驟S4中，所述算最新上殘差閾值和下限殘差閾值，公式如下：
6.如權利要求1所述的一種電力基礎設施的地災隱患實時檢測方法，其特征在于：步驟S5中，所述計算過去一段時間內觀測值的指數移動平均值，公式如下：
【技術特征摘要】
1.一種電力基礎設施的地災隱患實時檢測方法，其特征在于：包括以下步驟：
2.如權利要求1所述的一種電力基礎設施的地災隱患實時檢測方法，其特征在于：步驟s1中，所述監測數據包括降雨量、沖擊力、混凝土壓力、泥土位移和深部位移的時序數據。
3.如權利要求1所述的一種電力基礎設施的地災隱患實時檢測方法，其特征在于：步驟s3中，所述將上差超限集合和下限殘差超限集合擬合到廣義帕累托分布gpd模型，通過復合參數估計法求解模型參數，如下...
【專利技術屬性】
技術研發人員：范啟云，卓越，杜全維，龔秋全，林志鵬，王琦，曾歲康，李奇芪，楊帆，
申請(專利權)人：四川電力設計咨詢有限責任公司，
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。