基于歷史預(yù)警信息的輸電線路高風(fēng)險(xiǎn)區(qū)段識(shí)別

陳燕南

(國網(wǎng)江蘇省電力公司 常州供電分公司，江蘇 常州 213003)

0 引 言

輸電線路作為國家重要的基礎(chǔ)設(shè)施，其安全性和穩(wěn)定性關(guān)系到人們的生產(chǎn)生活。輸電線路在遠(yuǎn)距離電能輸送過程中，承載高負(fù)荷且在不確定的自然環(huán)境中工作，容易遇到不同原因和不同類別的隱患威脅。因此，通道環(huán)境隱患排查是重要的運(yùn)檢項(xiàng)。輸電通道隱患排查從最初人工巡視，到通過圖像采集設(shè)備定時(shí)抓拍并回傳圖像供人工巡視，發(fā)展到現(xiàn)在利用人工智能技術(shù)對(duì)抓拍的圖像做隱患自動(dòng)識(shí)別，在圖像采集設(shè)備進(jìn)行終端識(shí)別、無人機(jī)巡檢、視頻監(jiān)測(cè)、5G傳輸及匯集組網(wǎng)、物聯(lián)網(wǎng)等技術(shù)的應(yīng)用，極大提高了運(yùn)檢效率和安全性[1-5]，尤其是在2020年新冠疫情防控期間發(fā)揮了巨大的作用。

隨著大部分地區(qū)已經(jīng)實(shí)現(xiàn)輸電線路通道可視化遠(yuǎn)程巡視，且能自動(dòng)識(shí)別輸電通道內(nèi)的隱患信息，如機(jī)械類、異物類、煙火類隱患，由此產(chǎn)生了大量帶有標(biāo)記的數(shù)據(jù)，而且可以預(yù)見隨著更多技術(shù)的引入和融合，積累的通道隱患數(shù)據(jù)量將會(huì)成倍或成指數(shù)級(jí)增加。但目前對(duì)這類數(shù)據(jù)的利用很少，大部分應(yīng)用停留在統(tǒng)計(jì)分析、報(bào)表展示的程度，如對(duì)單一設(shè)備或指定的多個(gè)設(shè)備的隱患信息統(tǒng)計(jì)分析，僅完成了從數(shù)據(jù)到信息的歸集，但更深層級(jí)利用大數(shù)據(jù)分析手段對(duì)信息進(jìn)一步提升形成知識(shí)的工作開展得很少。這是因?yàn)橥ǖ离[患數(shù)據(jù)價(jià)值密度非常低，單點(diǎn)分析或短期數(shù)據(jù)分析無法產(chǎn)生實(shí)際的價(jià)值，但通道隱患數(shù)據(jù)自然帶有標(biāo)記屬性，這為通過大數(shù)據(jù)分析手段實(shí)現(xiàn)價(jià)值密度提升提供了可能[6-9]。

本文提出了一種利用輸電線路通道歷史隱患數(shù)據(jù)，實(shí)現(xiàn)輸電隱患高風(fēng)險(xiǎn)區(qū)段識(shí)別的方法[10]，以便能為輸電線路智能運(yùn)檢提供決策依據(jù)，可以實(shí)現(xiàn)對(duì)數(shù)據(jù)的更高層級(jí)利用，完成從信息到知識(shí)的提升，更好地發(fā)揮數(shù)據(jù)的價(jià)值。這在輸電通道智能運(yùn)檢應(yīng)用場景下屬于開創(chuàng)性工作，能為檢修人員提供有效的數(shù)據(jù)支撐以便輔助決策，如加大對(duì)某些線路的巡檢力度，保障輸電線路的安全運(yùn)行[11-14]。

1 輸電隱患高風(fēng)險(xiǎn)區(qū)段識(shí)別數(shù)據(jù)基礎(chǔ)

1.1 隱患數(shù)據(jù)

本文所分析的隱患數(shù)據(jù)是指通過輸電通道可視化遠(yuǎn)程巡視抓拍設(shè)備、視頻巡視設(shè)備、無人機(jī)等多途徑采集的輸電通道相關(guān)的隱患數(shù)據(jù)，其中絕大部分隱患數(shù)據(jù)是由AI圖像分析模型自動(dòng)識(shí)別存儲(chǔ)的數(shù)據(jù)。因現(xiàn)階段技術(shù)限制，AI圖像分析模型無法達(dá)到零漏報(bào)和零誤報(bào)，部分?jǐn)?shù)據(jù)由巡查人員做過修正。

在收集的隱患數(shù)據(jù)中，出現(xiàn)的隱患種類包括起吊機(jī)、塔吊、推土機(jī)、挖掘機(jī)、水泥攪拌車、打樁機(jī)、水泥泵車、鏟車、消防車、采沙船、煙霧、山火、彩帶、其他懸浮物等14類不同種類的小類隱患數(shù)據(jù)。根據(jù)小類數(shù)據(jù)的特性又可劃分為機(jī)械類、煙火類、異物類3組大類數(shù)據(jù)。隱患數(shù)據(jù)相關(guān)字段包含隱患自增ID、隱患發(fā)生時(shí)間、隱患類型、隱患消除時(shí)間、隱患內(nèi)容、是否消除標(biāo)記、確認(rèn)時(shí)間、圖像存儲(chǔ)ID、設(shè)備編號(hào)、經(jīng)度信息、緯度信息、線路編號(hào)和桿塔編號(hào)等多個(gè)字段。

1.2 數(shù)據(jù)積累

采用大數(shù)據(jù)分析技術(shù)手段做數(shù)據(jù)挖掘分析，最為重要的是要有足夠多的高質(zhì)量數(shù)據(jù)，主要體現(xiàn)在：數(shù)據(jù)量要大，因?yàn)樵诓捎么髷?shù)據(jù)分析手段對(duì)數(shù)據(jù)價(jià)值密度提升時(shí)，會(huì)損失一部分信息，如果數(shù)據(jù)樣本過小，因信息損失可能會(huì)得出完全相反的分析結(jié)果；積累的時(shí)間跨度要大，只有時(shí)間跨度足夠大的情況下，才能通過數(shù)據(jù)清洗手段去掉數(shù)據(jù)中的異常數(shù)據(jù)，并能包含更多的影響因素。以輸電通道隱患數(shù)據(jù)為例，其存在明顯的季節(jié)性，所以只有在積累的數(shù)據(jù)為年計(jì)時(shí)，分析才會(huì)更準(zhǔn)確；數(shù)據(jù)源分布范圍要大，如果只有幾個(gè)點(diǎn)的數(shù)據(jù)，即便數(shù)據(jù)量很大、時(shí)間跨度足夠長，但仍無法橫向?qū)Ρ确治?，得到的分析結(jié)果將不具備實(shí)際價(jià)值。所以，本文中所依托的數(shù)據(jù)為某區(qū)域時(shí)間跨度為1年的歷史隱患數(shù)據(jù)，且隱患數(shù)據(jù)是完整和分布均勻的，在傳入模型前沒有抽樣。

2 輸電隱患高風(fēng)險(xiǎn)區(qū)段識(shí)別方法

2.1 數(shù)據(jù)處理

2.1.1 數(shù)據(jù)清洗

數(shù)據(jù)清洗是為了讓數(shù)據(jù)合理且具備可分析的基礎(chǔ)。在收集的歷史隱患數(shù)據(jù)中，存在少量同一圖像有兩種不同隱患結(jié)果的數(shù)據(jù)。這類數(shù)據(jù)是因?yàn)檠膊槿藛T對(duì)AI圖像分析模型識(shí)別結(jié)果確認(rèn)時(shí)，發(fā)現(xiàn)存在誤報(bào)，巡查員確認(rèn)時(shí)會(huì)產(chǎn)生一條新的隱患數(shù)據(jù)，并且會(huì)在相應(yīng)字段標(biāo)記。對(duì)于有兩種不同結(jié)果的數(shù)據(jù)，以巡查員確認(rèn)的結(jié)果為準(zhǔn)，剔除該條數(shù)據(jù)對(duì)應(yīng)的AI圖像分析模型識(shí)別結(jié)果數(shù)據(jù)。另外，有少量AI圖像分析模型沒有準(zhǔn)確識(shí)別，由巡查人員發(fā)現(xiàn)的隱患數(shù)據(jù)應(yīng)正常保留。

其次，所收集的歷史隱患數(shù)據(jù)中大部分是由輸電通道可視化遠(yuǎn)程巡視抓拍設(shè)備定時(shí)采集的圖像，經(jīng)圖像識(shí)別模型分析后，確認(rèn)有某類隱患而產(chǎn)生的。但由于不同圖像采集設(shè)備所設(shè)定的圖像采集間隔不一致，如30 min、15 min、10 min、5 min等，而且同一設(shè)備在不同時(shí)間段因人為調(diào)整、智能告警策略自動(dòng)調(diào)整等原因?qū)е缕渥ヅ拈g隔也存在不一致情況。對(duì)此，需要對(duì)數(shù)據(jù)進(jìn)行權(quán)重處理。本論文所對(duì)應(yīng)模式嘗試了兩種處理方法：(1)將隱患數(shù)據(jù)統(tǒng)一按30 min抽樣；(2)將不同圖像抓拍時(shí)間間隔的隱患數(shù)據(jù)設(shè)置不同的權(quán)重，具體為抓拍時(shí)間間隔為30 min的隱患數(shù)據(jù)其權(quán)重設(shè)定為1,間隔為15 min的隱患數(shù)據(jù)權(quán)重設(shè)定為0.5，間隔為10 min的隱患數(shù)據(jù)權(quán)重設(shè)定為0.33，間隔為5 min的隱患數(shù)據(jù)權(quán)重設(shè)為0.17，其他非圖像抓拍設(shè)備產(chǎn)生的隱患數(shù)據(jù)權(quán)重均為1。

本文在數(shù)據(jù)分析時(shí)，對(duì)兩種不同的處理方式多次對(duì)比驗(yàn)證發(fā)現(xiàn)兩種不同的數(shù)據(jù)清洗方法并無明顯的優(yōu)劣之分?；诖嗽虮疚倪x定了第一種方式，即按等時(shí)間間隔采樣的方式，其優(yōu)點(diǎn)是相較第二種方法數(shù)據(jù)清洗后的數(shù)據(jù)量會(huì)減少約27%，且不需要額外的權(quán)重信息，在大數(shù)據(jù)分析時(shí)可以減少計(jì)算量，提高實(shí)時(shí)性。

2.1.2 數(shù)據(jù)預(yù)處理

經(jīng)數(shù)據(jù)清洗后的數(shù)據(jù)包含有1.1節(jié)中提到的所有字段，實(shí)際模型分析時(shí)只需要其中部分字段。本文所對(duì)應(yīng)的初版模型中，選用了隱患發(fā)生時(shí)間、隱患類型、經(jīng)度信息、緯度信息、線路編號(hào)、桿塔編號(hào)、設(shè)備編號(hào)7個(gè)字段。經(jīng)幾次優(yōu)化迭代，發(fā)現(xiàn)可以對(duì)字段進(jìn)一步過濾，其中，隱患發(fā)生時(shí)間，可以在傳入數(shù)據(jù)時(shí)過濾，保證傳入的是預(yù)期時(shí)間段內(nèi)的數(shù)據(jù)，如近一年數(shù)據(jù)，以便時(shí)間屬性可以略去；隱患類型也采用類似的處理方法，在數(shù)據(jù)傳入時(shí)過濾。因?yàn)闂U塔編號(hào)跟實(shí)體桿塔的地理位置有臺(tái)賬對(duì)應(yīng)，且編號(hào)按遞增規(guī)律排布，所以可以去掉經(jīng)緯度信息，在可視化展示時(shí)，從臺(tái)賬查詢后并在地圖上標(biāo)注即可。本文模型最終選定線路編號(hào)、桿塔編號(hào)、設(shè)備編號(hào)3個(gè)字段，大幅提高了大數(shù)據(jù)分析效率，字段名、數(shù)據(jù)類型、樣例數(shù)據(jù)以及釋義如表1所示。

表1 字段及樣例數(shù)據(jù)

數(shù)據(jù)分析時(shí)，巡檢人員比較關(guān)心具體某類隱患分布。該類隱患可以是大類隱患也可以是小類隱患，需要在傳入模型前對(duì)隱患數(shù)據(jù)過濾分離，如果希望得到全部的隱患分布，則不過濾。

2.2 數(shù)據(jù)分析

2.2.1 數(shù)據(jù)融合

在模型計(jì)算時(shí)需要進(jìn)一步進(jìn)行數(shù)據(jù)關(guān)聯(lián)融合，本文對(duì)經(jīng)數(shù)據(jù)處理后的隱患數(shù)據(jù)按線路編號(hào)及桿塔編號(hào)分組、計(jì)算權(quán)重并對(duì)沒有隱患數(shù)據(jù)的桿塔0值填充，獲得參與計(jì)算的數(shù)據(jù)。其中，分組并計(jì)算權(quán)重包括以下具體工作：將數(shù)據(jù)集中具有相同設(shè)備編號(hào)的數(shù)據(jù)合并為一條數(shù)據(jù)，記錄隱患數(shù)量；基于該類數(shù)據(jù)將具備相同桿塔編號(hào)的數(shù)據(jù)合并，并增加權(quán)重屬性，取該部分?jǐn)?shù)據(jù)隱患數(shù)量之和作為該條數(shù)據(jù)的權(quán)重值。

某些桿塔的圖像采集與設(shè)備采集的圖像中沒有出現(xiàn)隱患物體，所以沒有對(duì)應(yīng)的隱患數(shù)據(jù)，但動(dòng)態(tài)滑窗算法需要數(shù)據(jù)間距分布均勻，所以需要對(duì)沒有隱患數(shù)據(jù)的桿塔0值補(bǔ)充。經(jīng)以上操作后能得到參與計(jì)算的數(shù)據(jù)，包含以下屬性：桿塔編號(hào)、權(quán)重值、詳情。其中，權(quán)重值為該桿塔對(duì)應(yīng)的設(shè)備隱患數(shù)之和，詳情包含設(shè)備編號(hào)、所屬桿塔編號(hào)、隱患數(shù)三個(gè)屬性，將此三個(gè)屬性以逗號(hào)連接拼接成一個(gè)屬性，并用分號(hào)拼接多個(gè)設(shè)備。

為能更好地說明數(shù)據(jù)融合過程，本文以某地時(shí)間跨度1年的隱患數(shù)據(jù)處理過程進(jìn)行說明。以識(shí)別該地區(qū)機(jī)械類輸電隱患高風(fēng)險(xiǎn)區(qū)段為例，該地區(qū)共積累了240 483條隱患數(shù)據(jù)，在調(diào)用本模型時(shí)傳入的數(shù)據(jù)只保留隱患內(nèi)容中出現(xiàn)機(jī)械設(shè)備隱患數(shù)據(jù)的線路編號(hào)、桿塔編號(hào)、設(shè)備編號(hào)信息，共計(jì)213 429條數(shù)據(jù)，部分?jǐn)?shù)據(jù)見表2。

如圖1所示，在GPR測(cè)量過程中，雷達(dá)信號(hào)通過多種方式到達(dá)接收天線并被捕獲，通過提取其中部分雷達(dá)信號(hào)并確定其傳播速度即可計(jì)算上層土壤的介電常數(shù)ε1。本文主要考慮地面直達(dá)波和反射波部分。

表2 過程數(shù)據(jù)

將數(shù)據(jù)按線路分組，具有相同線路編號(hào)的數(shù)據(jù)作為一組，共計(jì)獲取到164個(gè)分組，即164條線路及對(duì)應(yīng)數(shù)據(jù)。線路編號(hào)不再記錄到每條數(shù)據(jù)中。以線路編號(hào)為611為例，該分組內(nèi)共有7649條數(shù)據(jù)。線路編號(hào)為611的分組，部分?jǐn)?shù)據(jù)見表3。

表3 過程數(shù)據(jù)

對(duì)每組數(shù)據(jù)按設(shè)備編號(hào)合并，標(biāo)記方法為將設(shè)備編號(hào)相同但序號(hào)不同的數(shù)據(jù)保留一條，并新增一個(gè)字段記錄該條數(shù)據(jù)重復(fù)次數(shù)即隱患數(shù)，如表3處理中的樣例數(shù)據(jù)中的1～4條數(shù)據(jù)會(huì)生成一條新的數(shù)據(jù)“1 4 99000843139835”，仍以線路編號(hào)為611的分組數(shù)據(jù)進(jìn)行說明，對(duì)以上處理中的數(shù)據(jù)處理獲取到260條帶有隱患數(shù)的數(shù)據(jù)，部分?jǐn)?shù)據(jù)見表4。

表4 過程數(shù)據(jù)

對(duì)表4處理所得的數(shù)據(jù)按桿塔編號(hào)合并，隱患數(shù)之和作為權(quán)重值，并將沒有隱患數(shù)據(jù)的桿塔用0值填充。從以上處理的數(shù)據(jù)樣例可以看出序號(hào)和桿塔編號(hào)不是一一對(duì)應(yīng)的，因?yàn)椴糠謼U塔有多個(gè)設(shè)備，部分桿塔沒有隱患數(shù)據(jù)。將設(shè)備編號(hào)、所屬桿塔編號(hào)、隱患數(shù)拼接成一個(gè)字符串，作為詳情屬性。仍以線路編號(hào)為611的分組數(shù)據(jù)說明，對(duì)以上處理中的數(shù)據(jù)處理獲取到268條數(shù)據(jù)，部分?jǐn)?shù)據(jù)見表5。

表5 過程數(shù)據(jù)

2.2.2 模型計(jì)算

經(jīng)過數(shù)據(jù)融合處理后，對(duì)某一條線路基于分組并權(quán)重標(biāo)記后的數(shù)據(jù)使用動(dòng)態(tài)滑窗算法從最小步長開始迭代，直至權(quán)重最大的窗口內(nèi)的隱患權(quán)重和值與隱患總數(shù)的比值超過指定閾值，那么該窗口所對(duì)應(yīng)的信息即為該線路的隱患高風(fēng)險(xiǎn)區(qū)段。參與計(jì)算的數(shù)據(jù)帶有權(quán)重，按一定步長從某線路里桿塔號(hào)最小的數(shù)據(jù)開始從左向右滑動(dòng)，每次增加一條右側(cè)相鄰數(shù)據(jù)，并刪掉一條最左側(cè)數(shù)據(jù)。迭代時(shí)，從步長為2開始計(jì)算，若結(jié)果不滿足指定閾值，步長加1后再次計(jì)算。其中閾值為初始化參數(shù)，其經(jīng)驗(yàn)值依據(jù)不同的巡檢需求確定，一般確認(rèn)方法為：將多個(gè)不同閾值對(duì)應(yīng)的計(jì)算結(jié)果交由巡檢人員評(píng)估，將巡檢人員認(rèn)可的計(jì)算結(jié)果所對(duì)應(yīng)的閾值作為經(jīng)驗(yàn)值輸入。

為能更準(zhǔn)確地說明模型計(jì)算過程，仍以2.2.1節(jié)中的案例進(jìn)行說明，該地區(qū)巡檢標(biāo)準(zhǔn)與閾值0.2所處理的結(jié)果一致，所以后續(xù)所有處理均以0.2為參照標(biāo)準(zhǔn)。

對(duì)具體某一條線路處理后的數(shù)據(jù)，得到數(shù)據(jù)如表5所示，使用動(dòng)態(tài)滑窗算法從最小步長2開始迭代，直至權(quán)重最大的窗口內(nèi)的隱患權(quán)重和值與隱患總數(shù)的比值超過指定閾值0.2，該窗口內(nèi)的數(shù)據(jù)即為該線路的隱患高風(fēng)險(xiǎn)區(qū)段。首先計(jì)算總隱患數(shù)，其值為7 649，從桿塔編號(hào)最小的端開始按步長遍歷，每次右移一個(gè)數(shù)據(jù)，對(duì)應(yīng)上處理中數(shù)據(jù)窗口內(nèi)的權(quán)重和依次為{95,93，6，…,698,…,44,28}，則權(quán)重和值最大的窗口權(quán)重和為698，因698<7 649×0.2=1 529.8，沒有達(dá)到閾值，將步長增大1重復(fù)上述計(jì)算。在步長為13時(shí)，獲得的權(quán)重和值最大的窗口權(quán)重和為1 588>7 649×0.2=1 529.8，此時(shí)窗口內(nèi)對(duì)應(yīng)的信息即為該線路所需識(shí)別的隱患高風(fēng)險(xiǎn)區(qū)段。整理出的具有以下屬性：線路編號(hào)、窗口內(nèi)最大隱患數(shù)、隱患總數(shù)、起始桿塔編號(hào)、截止桿塔編號(hào)、設(shè)備隱患詳情，包括設(shè)備編號(hào)、桿塔編號(hào)和隱患數(shù)。部分?jǐn)?shù)據(jù)見表6。

表6 結(jié)果樣例數(shù)據(jù)

表7 結(jié)果數(shù)據(jù)

2.3 可視化展示高風(fēng)險(xiǎn)區(qū)段

通過模型獲取到最終結(jié)果后，可進(jìn)行可視化展示。如2.1.2所介紹的字段分析，可以采用兩種可視化展示方式：一是根據(jù)設(shè)備隱患詳情中的設(shè)備編號(hào)臺(tái)賬信息，查詢到設(shè)備的經(jīng)緯度信息，并在地圖上做點(diǎn)標(biāo)記，同一條線路上的點(diǎn)組成的線路段即為隱患；二是可以使用起止桿塔編號(hào)的臺(tái)賬信息，以桿塔為對(duì)象做標(biāo)記，兩者標(biāo)注效果一致?？梢暬故緯r(shí)可以做相應(yīng)的條件過濾，包括時(shí)間區(qū)間，可按天、周、月、年定制；隱患類別包括大類和小類，大類如機(jī)械類、異物類，小類如挖掘機(jī)、彩帶等；電壓等級(jí)；具體某條線路等。

3 輸電隱患高風(fēng)險(xiǎn)區(qū)段識(shí)別效果與討論

本文對(duì)應(yīng)模型的處理方法能實(shí)現(xiàn)對(duì)輸電線路隱患高風(fēng)險(xiǎn)區(qū)段識(shí)別，基于動(dòng)態(tài)滑窗大數(shù)據(jù)處理手段，無需數(shù)據(jù)標(biāo)記，數(shù)據(jù)處理后，經(jīng)自動(dòng)流程控制，可準(zhǔn)確地找出某線路的隱患高風(fēng)險(xiǎn)區(qū)段。通過對(duì)數(shù)據(jù)分組和權(quán)重處理，大幅降低了計(jì)算量，計(jì)算耗時(shí)為毫秒級(jí)。采用本文中的大數(shù)據(jù)分析手段，歷史隱患數(shù)據(jù)實(shí)現(xiàn)了從信息到知識(shí)的提升，在輸電智能巡檢領(lǐng)域?qū)儆陂_創(chuàng)性工作，能為檢修人員決策提供有效的數(shù)據(jù)支撐，為加大對(duì)某些線路段的巡檢力度提供了依據(jù)，進(jìn)而保障輸電線路的安全運(yùn)行。

本文中的方法能很好地得到預(yù)期效果，對(duì)應(yīng)的模型系統(tǒng)已在幾個(gè)地區(qū)部署使用，但也存在一些不足之處：(1)在隱患數(shù)據(jù)源方面，有些地區(qū)的隱患數(shù)據(jù)并沒有長期保存，或者數(shù)據(jù)源雜亂，很難有效地融合或采樣。對(duì)于該類問題，需要對(duì)隱患數(shù)據(jù)做長期有效的收集、梳理并整合數(shù)據(jù)源，如添加有效的時(shí)間標(biāo)記，標(biāo)注好采集方式、人工確認(rèn)情況等；(2)部分地區(qū)電力互聯(lián)網(wǎng)大區(qū)中存在臺(tái)賬不完整或臺(tái)賬錯(cuò)誤問題，導(dǎo)致現(xiàn)有的模型分析出的數(shù)據(jù)無法有效地進(jìn)行可視化展示，針對(duì)該類情況雖然對(duì)模型做了相應(yīng)的調(diào)整，但因缺少必要的經(jīng)緯度信息，雖然分析出了結(jié)果，也僅限于報(bào)告分析，無法提供直觀的運(yùn)維指導(dǎo)。對(duì)于該類問題，需要逐步完善臺(tái)賬信息；(3)隱患數(shù)據(jù)采集不完整。因?yàn)榇蟛糠蛛[患數(shù)據(jù)是輸電通道桿塔上安裝的圖像抓拍設(shè)備所采集的圖像，是經(jīng)AI圖像分析模型識(shí)別后的結(jié)果，但有些地區(qū)存在部分桿塔沒有安裝圖像采集設(shè)備，或圖像采集設(shè)備安裝密度不均勻等問題，導(dǎo)致分析的結(jié)果與實(shí)際運(yùn)檢存在差異。對(duì)于該類問題需要數(shù)據(jù)源的持續(xù)完善和更完善的隱患數(shù)據(jù)采樣策略，這也是本模型后續(xù)迭代升級(jí)的重點(diǎn)工作之一。

4 結(jié) 語

本文基于輸電通道歷史隱患數(shù)據(jù)，結(jié)合大數(shù)據(jù)分析手段實(shí)現(xiàn)了輸電隱患高風(fēng)險(xiǎn)區(qū)段的識(shí)別，可用于智能運(yùn)檢輔助決策，后續(xù)會(huì)對(duì)模型進(jìn)行持續(xù)的迭代優(yōu)化，結(jié)合隱患分布圖，風(fēng)區(qū)、冰區(qū)、污區(qū)、雷區(qū)、舞動(dòng)、鳥害熱力圖，針對(duì)不同地區(qū)的隱患特性進(jìn)行相應(yīng)的權(quán)重定制，在保證模型泛化能力的前提下達(dá)到不同區(qū)域差異化的效果。

基于輸電通道歷史隱患數(shù)據(jù)的分析遠(yuǎn)不止隱患高風(fēng)險(xiǎn)區(qū)段分析，在其他方面還有大量的數(shù)據(jù)挖掘分析工作可以開展，這需要在后續(xù)的工作中挖掘更多的需求，結(jié)合輸電線路智能運(yùn)檢需求和實(shí)際數(shù)據(jù)，找到更多的應(yīng)用點(diǎn)。可以預(yù)見，當(dāng)數(shù)據(jù)源和數(shù)據(jù)量進(jìn)一步增加后，基于電力互聯(lián)網(wǎng)大區(qū)數(shù)據(jù)的大數(shù)據(jù)分析會(huì)有更多的工作可以開展，能提供更多的決策信息，產(chǎn)生越來越多的價(jià)值。