配电网的巡检运维方法、装置、计算机设备、介质和产品与流程

本技术涉及配电网智能运维，特别是涉及一种配电网的巡检运维方法、装置、计算机设备、介质和产品。

背景技术：

1、随着城市电网规模的不断扩大和配电自动化水平的逐步提高，配电网的设备数量与结构复杂度迅速增加，传统依赖人工巡视与定期检修的方式已难以满足现代电网对安全性、可靠性及实时性的要求。

2、近年来，人工智能与无人机技术的发展使得无人机巡检和地面巡检机器人逐渐应用于配电线路及变电站的自动化检测。无人机搭载可见光、红外及激光雷达等多模态传感器，可对线路绝缘子、金具、导线及杆塔等关键部件进行远程成像与测温，能够在一定程度上替代人工巡检。

3、然而，目前的巡检技术多集中于图像采集自动化阶段，其后续数据处理所使用的自动化处理方式中，针对不同检测任务的算法模型各自独立部署，模型之间缺乏特征共享与协同调度机制，导致模型部署与维护过程复杂，且在巡检环境或设备类型发生变化时需要重新采集数据并重新训练模型。此外，受限于光照、天气、摄像角度等外部因素影响，模型的识别精度波动较大。

4、因此，当前针对电网巡检数据进行处理以确定电网巡检结果的稳定性比较差。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升基于电网巡检数据确定电网巡检结果的稳定性的配电网的巡检运维方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种配电网的巡检运维方法，包括：

3、获取配电网中各电网设备预设时长内的运行状态数据；

4、将所述运行状态数据输入至预训练的融合推理模型，得到所述融合推理模型输出的推理结果；所述推理结果包括各所述电网设备的状态分类结果、检测坐标与置信度、设备健康评分和时间索引；所述融合推理模型的模型参数基于差分更新包进行更新，所述差分更新包基于所述融合推理模型的性能反馈数据以及所述配电网的运行标注数据确定；

5、根据所述推理结果确定各所述电网设备的健康评估指数序列；所述健康评估指数序列中包括按预设时间周期且顺序排列的多个健康评估指数取值；

6、在所述健康评估指数序列中存在所述健康评估指数取值的下降速率超过预设速率阈值的情况下，将所述健康评估指数序列对应的所述电网设备确定为故障设备；

7、针对所述故障设备进行预警，并触发针对所述故障设备的运维修复控制操作。

8、在其中一个实施例中，所述获取配电网中各电网设备预设时长内的运行状态数据，包括：

9、获取配电网中部署的巡检设备采集的各所述电网设备在预设时长内的影像数据；所述巡检设备依据所述配电网的地理信息坐标与电网设备空间布局生成巡检航迹，并在采集所述影像数据的过程中基于视觉特征点与惯性测量数据进行姿态修正；

10、对各所述电网设备的所述影像数据以及电信号数据，按照预设格式进行封装处理，得到各所述电网设备的运行状态数据。

11、在其中一个实施例中，所述根据所述推理结果确定各所述电网设备的健康评估指数序列，包括：

12、根据所述推理结果确定各所述电网设备的异常映射矩阵；所述异常映射矩阵用于量化各所述电网设备在给定时间窗口内的异常概率；每一所述给定时间窗口内匹配于一个所述预设时间周期；

13、基于所述异常映射矩阵和所述运行状态数据对应的时间序列数据，确定各所述电网设备在所述预设时长内各预设时间周期对应的健康评估指数取值；

14、将各所述电网设备的各所述健康评估指数取值按所述预设时间周期顺序排列，得到各所述电网设备的健康评估指数序列。

15、在其中一个实施例中，所述基于所述异常映射矩阵和所述运行状态数据对应的时间序列数据，确定各所述电网设备在所述预设时长内各预设时间周期对应的健康评估指数取值，包括：

16、基于所述异常映射矩阵和所述运行状态数据对应的时间序列数据，确定各所述电网设备在所述预设时长内的温度数据序列、图像纹理特征序列和电信号数据序列；

17、融合处理各所述电网设备的所述温度数据序列、所述图像纹理特征序列和所述电信号数据序列，得到各所述电网设备在所述预设时长内各预设时间周期对应的健康评估指数取值。

18、在其中一个实施例中，所述方法还包括：

19、获取所述融合推理模型的性能反馈数据以及所述配电网的运行标注数据；所述运行标注数据包括对所述融合推理模型的历史推理结果的标注信息以及所述配电网中电网设备的状态变化数据；

20、根据所述性能反馈数据与所述运行标注数据，确定需要调整的模型参数子集，并生成包含所述模型参数子集的差分更新包；

21、将所述差分更新包注入所述融合推理模型，在不中断所述融合推理模型运行的情况下，对所述融合推理模型的模型参数进行热替换更新。

22、在其中一个实施例中，所述触发针对所述故障设备的运维修复控制操作，包括：

23、触发所述故障设备所在自治区域的区域代理节点进入自愈决策模式，以实现针对所述故障设备的运维修复控制操作；所述自愈决策模式用于触发：所述区域代理节点与相邻的区域代理节点实时交换各自的状态向量，通过加权平均算法计算局部共识值，并根据最优功率流判据确定隔离断点与复电路径；根据所述隔离断点与所述复电路径生成控制指令集，并将所述控制指令集下发至现场执行单元，以指示所述现场执行单元执行针对所述故障设备的故障隔离与复电操作；所述控制指令集包括隔离操作参数、复电动作参数以及延迟执行参数。

24、第二方面，本技术还提供了一种配电网的巡检运维装置，包括：

25、数据获取模块，用于获取配电网中各电网设备预设时长内的运行状态数据；

26、模型推理模块，用于将所述运行状态数据输入至预训练的融合推理模型，得到所述融合推理模型输出的推理结果；所述推理结果包括各所述电网设备的状态分类结果、检测坐标与置信度、设备健康评分和时间索引；所述融合推理模型的模型参数基于差分更新包进行更新，所述差分更新包基于所述融合推理模型的性能反馈数据以及所述配电网的运行标注数据确定；

27、健康评估模块，用于根据所述推理结果确定各所述电网设备的健康评估指数序列；所述健康评估指数序列中包括按预设时间周期且顺序排列的多个健康评估指数取值；

28、故障确定模块，用于在所述健康评估指数序列中存在所述健康评估指数取值的下降速率超过预设速率阈值的情况下，将所述健康评估指数序列对应的所述电网设备确定为故障设备；

29、预警控制模块，用于针对所述故障设备进行预警，并触发针对所述故障设备的运维修复控制操作。

30、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中的步骤。

31、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中的步骤。

32、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中的步骤。

33、上述配电网的巡检运维方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，通过将各电网设备预设时长内的运行状态数据输入至预训练的融合推理模型进行统一推理，实现了多源运行状态数据的统一表征与深度融合，克服了传统巡检中算法模型碎片化、识别精度不稳定的不足，有利于提高故障特征提取的完整性和准确性。通过基于融合推理模型的性能反馈数据以及配电网的运行标注数据确定差分更新包，并以差分更新包对融合推理模型的模型参数进行更新，使融合推理模型能够在不中断运行的情况下持续演化，避免了停机重训和版本不兼容问题，保障了巡检与运维的连续性与适应性。通过根据推理结果确定各电网设备按预设时间周期顺序排列的健康评估指数序列，并在健康评估指数取值的下降速率超过预设速率阈值时确定相关的电网设备为故障设备，实现了对设备健康状态随时间演变趋势的动态刻画，将单时刻的静态检测转变为基于劣化趋势的动态预测，能够提前发现快速劣化的设备，降低漏检和误检。通过针对故障设备自动进行预警并触发运维修复控制操作，实现了检测、决策与执行的闭环衔接，克服了传统检测结果与运维处置相互独立、故障处理依赖人工干预导致响应滞后的问题，整体上实现了配电网巡检与运维的全流程自动化。