本发明涉及数据预处理与识别，尤其涉及一种基于风险评估的最优运维路线决策方法及系统。
背景技术：
1、在现代电力系统运维管理中，输电线路作为电力传输的动脉，其稳定运行对于保障电力供应安全至关重要。然而，面对日益复杂的电网结构、多样化的设备类型、以及自然环境与人为因素的不确定性，输电线路运维面临着巨大挑战。传统的运维模式依赖经验判断和定期巡检，不仅效率低下，而且难以及时发现并有效应对潜在故障，导致运维成本居高不下，同时影响电力供应的可靠性和经济性。
2、近年来，随着大数据、人工智能、物联网技术的迅猛发展，为电力运维管理提供了新的思路和手段。通过集成多源数据采集、智能分析与优化决策技术，可以实现运维资源的精准配置、故障的早期预警、风险的科学评估，以及运维路径的智能规划，从而显著提升运维效率和成本控制水平。
3、技术挑战与需求：1、数据复杂性：运维数据涵盖了设备状态、地理环境、故障记录等多个维度，数据量大且结构多样，如何有效整合并挖掘这些数据的价值成为一大挑战。2、故障预测难：不同类型故障的发生具有随机性和复杂性，准确预测故障并及时响应，需要高度智能的预测模型。3、运维路线优化：在确保电网稳定运行的前提下，如何科学规划运维路线，实现成本最优化，是一个复杂的多目标优化问题。4、风险评估体系：构建一个既能反映线路运行状态，又能准确评估潜在风险的体系，对提升运维决策的科学性至关重要。
4、现有技术在处理上述问题时，往往侧重单一环节的优化，缺乏系统性、综合性解决方案。例如，部分研究专注于故障预测模型的构建，但忽视了运维资源的优化配置；另一些研究关注于运维路线的规划，却未充分考虑风险评估与成本控制的综合影响。因此，亟需一种集成化、智能化的方法，能够全面覆盖数据采集、处理、分析、决策的全链条，实现运维控制的智慧升级。
技术实现思路
1、鉴于上述的分析，本发明实施例旨在提供一种基于风险评估的最优运维路线决策方法及系统，用以解决如何结合输电线路实际运行现状，提升运维路线设计科学性的问题。
2、一方面，本发明实施例提供了一种基于风险评估的最优运维路线决策方法包括：获取基础数据，其中，所述基础数据包括多次检修作业的资源消耗量、设备相关数据和故障统计数据，其中，所述设备相关信息包括所述设备所处地理位置、环境、地区、电网；采用基于密度的异常值检测方法对所述基础数据进行异常值检测，然后对缺失值进行插补处理，其中，根据改进的分层均值插补对缺失值进行插补处理；通过马尔可夫链模型评价输电线路运行状态并且采用主成分分析算法从插补处理后的外部因素中提取关键影响因子，通过最小二乘支持向量机预测输电线路运行风险等级以识别和分类所述输电线路故障，其中，将所述关键影响因子和所述输电线路运行状态作为所述最小二乘支持向量机的输入；以及基于所述输电线路运行状态和所述输电线路运行风险等级构建运维最优路线的目标函数集合及相应的约束条件以获得运维最优路线。
3、上述技术方案的有益效果如下：智能优化运维资源配置：本发明通过细致的数据采集与智能分析，识别运维作业中资源消耗的异常与缺失，运用先进算法精准补全与校正数据，确保决策基础的准确性和完整性。在此基础上，优化资源配置，减少不必要的浪费，实现运维成本的显著降低与资源利用效率的大幅提升。故障预测与风险智能化管理：结合马尔可夫链模型与pca技术，本发明不仅能够精确评估输电线路的运行状态，还能从复杂数据中抽取出影响线路安全的关键因子，构建的最小二乘支持向量机风险评估体系，为提前干预和预防性维护提供了科学依据，有效降低了重大故障发生的概率，确保电网稳定运行。
4、基于上述方法的进一步改进，根据设备类型、作业类型、或地区特征将所述基础数据划分为不同的层次包括：设置领域半径ε和最小点数minpts，其中，所述领域半径ε表示点与点之间的邻近关系，以及所述最小点数minpts表示在某点邻域内需要达到的最少点数；对于基础数据中的每个点，计算每个点与其他所有点之间的距离；根据计算的每个点与其他所有点之间的距离，将基础数据中的每个数据点划分为核心点、边界点和噪声点，其中，在当前点的ε邻域内存在至少最小点数minpts个点时，将所述当前点标记为核心点；在所述当前点直接或间接与所述核心点相连，但是当前点的ε邻域内不足minpts个点的点时，将所述当前点标记为边界点；以及在所述当前点既不是核心点也不是边界点的数据点时，将所述当前点标记为噪声点作为异常值。
5、上述技术方案的有益效果如下：多次运维作业数据采集：收集多次运维作业的资源消耗量以及设备所处地理位置、环境、地区和电网等相关信息。数据采集的全面性：多次运维作业数据的收集保证了数据的全面性和丰富性，为后续分析提供了坚实基础；dbscan聚类算法用于异常值检测：基于dbscan(density-based spatial clustering ofapplications with noise)算法检测数据中的异常值，能够有效处理噪声和不规则数据。分层均值插补模型处理缺失值：改进的分层均值插补模型对数据中的缺失值进行填补，确保数据的完整性和准确性。异常值检测的准确性：dbscan聚类算法能够识别和剔除数据中的异常值，减少异常数据对模型的影响，提高数据质量；缺失值处理的有效性：改进的分层均值插补模型在处理缺失值时，考虑了数据的层次性和相关性，填补效果更为准确。
6、基于上述方法的进一步改进，通过马尔可夫链模型评价输电线路运行状态并且采用主成分分析算法从插补处理后的外部因素中提取关键影响因子，通过最小二乘支持向量机预测输电线路运行风险等级进一步包括：通过所述马尔可夫链模型评价所述输电线路运行状态，其中，所述马尔可夫链模型用于根据输电线路的当前状态平均输电线路的未来状态，以预测输电线路由当前状态转移到故障状态的概率；通过所述主成分分析算法从多个外部因素中提取出对运行风险影响最大的部分关键因素作为所述关键影响因子；通过所述最小二乘支持向量机预测输电线路运行风险等级，其中，利用关键影响因子作为所述最小二乘支持向量机模型的输入来训练所述最小二乘支持向量机模型。
7、基于上述方法的进一步改进，通过马尔可夫链模型评价输电线路运行状态并且采用主成分分析算法从插补处理后的外部因素中提取关键影响因子包括：从所述基础数据中获取可能导致输电线路故障的影响因子,并将所述影响因子标准化以形成具有m个影响因子、n个样本的矩阵q＝[q1,q2,...,qn]t，其中，
8、
9、根据所述m个影响因子之间的关系，建立相关矩阵：r＝(rij)m×m＝q′q，并求出r的特征值λ1≥λ2≥...≥λm≥0，以及特征向量α1,α2,...,αm；利用下式：
10、
11、计算前p个影响因子的累计影响率其中，表示p个影响因子对所述输电线路运行故障的总影响率，若时,通过所述p个影响因子来代替m个影响因子的信息，p＜m，记h＝[h1,h2,...,hp]t，通过计算所述p个影响因子的累计影响率来剔除掉贡献率小、冗余的影响因子；将所述p个影响因子进行加权，计算所述p个影响因子共同作用时对输电线路的综合影响值w，并计算出每个影响因子对输电线路影响的程度、权重g：
12、w＝λh＝[λ1λ2...λp]h
13、＝(λ1α1+λ2α2+...+λpαp)t×[q1 q2...qp]t；
14、通过以下公式计算影响因子对综合得分的权重g为：
15、g＝[k1,k2,...,kp]＝(λ1α1+λ2α2+...+λpαp)t；
16、通过以下公式将马尔可夫过程定义为：
17、o{tt+1＝tt+1t0＝t0,t1＝t1,...,tn＝tn}＝o{tt+1＝tt+1tn＝tn}；
18、其中，对于电力系统来说,马尔可夫链表示输电线路在t+1的运行状态ot+1只由t时刻输电线路的运行状态ot决定,与t之前任何时刻的运行状态都无关；λ表示输电线路发生故障的概率、μ表示输电线路故障后修复的能力，结合影响输电线路发生故障的多个影响因素，建立输电线路运行状态发生变化的概率模型：
19、
20、通过以下公式表示在极限状态时马尔可夫过程：
21、pm＝p；
22、p＝[pn p1 p2 p3 p4 p5]；
23、
24、其中，用pn表示输电线正常运行的概率；p1、p2、p3、p4、p5、p6分别表示6种因素引起输电线路故障的概率，通过以下公式表示变换得到外部因素引起输电线路故障的概率：
25、
26、上述技术方案的有益效果如下：马尔可夫链模型评价输电线路运行状态：通过马尔可夫链模型对输电线路的运行状态进行动态评估，能够捕捉状态变化规律。pca算法提取关键影响因子：采用主成分分析(pca)算法，从多维数据中提取关键影响因子，减少数据维度，简化模型复杂度。最小二乘支持向量机构建风险评估体系：运用最小二乘支持向量机(lssvm)方法，建立输电线路的运行风险评估体系，预测风险发生概率。运行状态评估的动态性：马尔可夫链模型能够实时反映输电线路的运行状态变化，提高评估的及时性和准确性。影响因子提取的简洁性：pca算法有效提取关键影响因子，简化了模型的计算复杂度，同时保留了主要信息。风险评估的精准性：lssvm方法在风险评估中表现出良好的泛化能力和预测精度，能够准确预测输电线路的风险水平。
27、基于上述方法的进一步改进，构建运维最优路线的目标函数集合进一步包括：通过以下公式表示运维时间目标函数：
28、
29、其中，设定故障发生时维修人员到达故障点时间为ti，为某地区的运维时间；tmi,mi+1为从运维点mi到运维点mi+1所需要的时间；通过以下公式表示经济损失目标函数：
30、
31、其中，ptmi为运维点mi从故障发生点到供电恢复完成的持续时间；αi为发生的风险等级，pl为所述风险等级产生的单位时间产生的损失。
32、基于上述方法的进一步改进，构建相应的约束条件进一步包括：预防运维点不被重复恢复，电网故障点mi恢复状态约束条件：
33、
34、其中，为任意点运维；为运维点mi到故障点mi+1的路径；维修点仓库到运维点的路径不重复约束：
35、
36、其中，为任意负荷点；wdmi为运维点返回仓库点优化路径；电网运维点mi恢复状态约束；线路故障恢复约束以预防线路重复恢复；人员及故障点mi的资源配置；考虑工作人员运维响应及应急速度、运维设备等资源的配置情况以实现恢复时间最小：
37、
38、
39、
40、其中，为任意时间；为任意时间资源充足状态；
41、
42、其中，z为资源储备量，zx为工作人员携带资源量，为所有故障点需要的维修材料；电网约束中的网架结构约束、支路潮流约束及节点电压约束：
43、gk∈gr；
44、|pa|≤pamax；
45、umin≤u≤umax；
46、其中，gk为恢复区域网架结构；gr总网架结构合集；pa为支路a功率；pamax为支路最大允许功率；u为节点电压；umin、umax为节点电压下限与上限。
47、上述技术方案的有益效果如下：多目标集合构建：构建包括成本最优和电网运行等约束条件在内的多目标集合，确保决策考虑多个维度的要求。决策目标的多样性：多目标集合的构建确保了决策过程综合考虑成本、运行可靠性等多个因素，提高决策的科学性和全面性。改进的帕累托-斑马算法求解：采用改进的帕累托-斑马算法对多目标优化问题进行求解，能够在多目标之间找到平衡点，确定最优路线。优化算法的有效性：改进的帕累托-斑马算法在求解多目标优化问题时，能够快速收敛到最优解，保证了决策的高效性和合理性。
48、另一方面，本发明实施例提供一种基于风险评估的最优运维路线决策系统包括：数据获取模块，用于获取基础数据，其中，所述基础数据包括多次检修作业的资源消耗量、设备相关数据和故障统计数据，其中，所述设备相关信息包括所述设备所处地理位置、环境、地区、电网；数据处理模块，用于通过基于密度的异常值检测方法对所述基础数据进行异常值检测，然后对缺失值进行插补处理，其中，根据改进的分层均值插补对缺失值进行插补处理；故障失败分类模块，用于通过马尔可夫链模型评价输电线路运行状态并且采用主成分分析算法从插补处理后的外部因素中提取关键影响因子，通过最小二乘支持向量机预测输电线路运行风险等级以识别和分类所述输电线路故障，其中，将所述关键影响因子和所述输电线路运行状态作为所述最小二乘支持向量机的输入；以及运维最优路线模块，用于基于所述输电线路运行状态和所述输电线路运行风险等级构建运维最优路线的目标函数集合及相应的约束条件以获得运维最优路线。
49、与现有技术相比，本发明至少可实现如下有益效果之一：
50、1、智能优化运维资源配置：本发明通过细致的数据采集与智能分析，识别运维作业中资源消耗的异常与缺失，运用先进算法精准补全与校正数据，确保决策基础的准确性和完整性。在此基础上，优化资源配置，减少不必要的浪费，实现运维成本的显著降低与资源利用效率的大幅提升。
51、2、故障预测与风险智能化管理：结合马尔可夫链模型与pca技术，本发明不仅能够精确评估输电线路的运行状态，还能从复杂数据中抽取出影响线路安全的关键因子，构建的最小二乘支持向量机风险评估体系，为提前干预和预防性维护提供了科学依据，有效降低了重大故障发生的概率，确保电网稳定运行。
52、3、运维路径科学规划与成本控制：利用改进的帕累托-斑马算法，针对多目标集合(包含成本最优与电网运行稳定性等关键约束条件)进行优化求解，实现了运维路线的智能化规划。这一创新策略在确保运维效率的同时，最大限度减少了运维活动对电网正常运行的干扰，提升了运维管理的灵活性和经济性。
53、4、促进运维决策智能化转型：综合以上技术手段，本发明推动了电力运维从经验依赖向数据驱动、智能化决策的转变。通过对大量运维数据的深度分析与模式识别，不仅提高了故障响应速度和处理效率，还为管理层提供了全面、精准的决策支持信息，加速了电力运维管理体系的现代化进程，为构建智能电网奠定了坚实基础。
54、本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
1.一种基于风险评估的最优运维路线决策方法，其特征在于，包括：
2.根据权利要求1所述的基于风险评估的最优运维路线决策方法，其特征在于，
3.根据权利要求1所述的基于风险评估的最优运维路线决策方法，其特征在于，采用基于密度的异常值检测方法对所述基础数据进行异常值检测，然后对缺失值进行插补处理进一步包括：
4.根据权利要求3所述的基于风险评估的最优运维路线决策方法，其特征在于，根据设备类型、作业类型、或地区特征将所述基础数据划分为不同的层次包括：
5.根据权利要求1所述的基于风险评估的最优运维路线决策方法，其特征在于，通过马尔可夫链模型评价输电线路运行状态并且采用主成分分析算法从插补处理后的外部因素中提取关键影响因子，通过最小二乘支持向量机预测输电线路运行风险等级进一步包括：
6.根据权利要求5所述的基于风险评估的最优运维路线决策方法，其特征在于，通过马尔可夫链模型评价输电线路运行状态并且采用主成分分析算法从插补处理后的外部因素中提取关键影响因子包括：
7.根据权利要求1所述的基于风险评估的最优运维路线决策方法，其特征在于，构建运维最优路线的目标函数集合进一步包括：
8.根据权利要求7所述的基于风险评估的最优运维路线决策方法，其特征在于，构建相应的约束条件进一步包括：
9.一种基于风险评估的最优运维路线决策系统，其特征在于，包括：
10.根据权利要求9所述的基于风险评估的最优运维路线决策系统，其特征在于，所述数据处理模块包括：
