本公開涉及配電物聯(lián)網，具體涉及一種配電線路的環(huán)境信息處理方法、裝置、電子設備及存儲介質。

背景技術：

1、近年來，全球氣候變暖的趨勢愈發(fā)明顯，山火事故頻發(fā)多發(fā)，而電力故障是山火的重要誘因之一，且其引發(fā)山火的早期隱蔽性強，難以及時發(fā)現，容易釀成重特大山火事故。在電力網絡中，中壓配電網規(guī)模大、分布廣、絕緣設防和運維標準較低，發(fā)生故障的概率比高壓輸電網高2-3個數量級。同時，為了追求高供電可靠性，中壓配電網廣泛采用小電流接地方式，這種方式下發(fā)生單相接地故障不立即處理，讓故障電弧和電弧火花有充分的時間引燃周邊可燃物。據不完全統(tǒng)計，國內外由電力故障引燃的山火事件超過80％都發(fā)生在中壓配電網，因此可以說防范電力故障引發(fā)山火的關鍵在于科學處置配電網故障，尤其是單相接地故障。為解決中壓配電線路故障可能導致的山火事故，目前大規(guī)模采用了單相接地故障跳閘、壓縮保護延時、取消重合閘等故障處置措施，有效遏制了電力故障引發(fā)山火的勢頭。

2、但是，發(fā)明人研究發(fā)現由于引發(fā)山火的因素較復雜，有時候配電網故障不會引發(fā)山火也會跳閘，比如說，有的時候正在下雨，即使發(fā)生單相接地故障產生電弧火花也不會引發(fā)山火；這就會導致故障處置措施失配、錯配，造成了很多非必要的跳閘，嚴重劣化配網供電可靠性。因此，如何解決配電網防山火和可靠供電的矛盾，使配電網故障處置措施的更精準，大幅壓減非必要跳閘事件，成為目前亟待解決的技術問題。

技術實現思路

1、為了解決相關技術中的問題，本公開實施例提供一種配電線路的環(huán)境信息處理方法、裝置、電子設備及存儲介質。

2、第一方面，本公開實施例中提供了一種配電線路的環(huán)境信息處理方法，應用于物聯(lián)網化饋線終端，包括：

3、獲取多個傳感器采集的所述物聯(lián)網化饋線終端所在局部區(qū)域的多條環(huán)境信息時序數據；

4、從每條環(huán)境信息時序數據中選取目標數據；

5、將多個選取的目標數據輸入至在線順序超限學習機os-elm模型，得到所述os-elm模型輸出的數據融合特征；

6、將所述數據融合特征輸入至預存的d-s證據理論模型，得到所述d-s證據理論模型輸出的山火風險預測結果。

7、在一種可能的實施方式中，所述從每條環(huán)境信息時序數據中選取目標數據，包括：

8、對所述多條環(huán)境信息時序數據進行預處理，得到滿足預測需求的多條環(huán)境特征時序數據；

9、采用粒子群pso算法從每條環(huán)境特征時序數據中選取所述目標數據。

10、在一種可能的實施方式中，所述采用粒子群pso算法從每條環(huán)境特征時序數據中選取所述目標數據，包括：

11、針對每條環(huán)境特征時序數據，將所述環(huán)境特征時序數據模擬為一個粒子群，按照以下公式確定所述粒子群中每個粒子速度和位置：

12、

13、其中，表示第k+1次更新時第i個粒子的速度，表示第k次更新時第i個粒子的速度，表示第k+1次更新時第i個粒子的位置，表示第k次更新時第i個粒子的位置，表示第k次更新時第i個粒子的個體極值，表示第k次更新時的群體極值，c1為pso算法中的個體學習因子，c2為pso算法中的社會學習因子，wk為第k次更新時pso算法的慣性權重因子，rand(0,1)表示0-1之間的隨機值；

14、在達到pso算法的終止條件時，停止更新并獲取最后一次更新時的群體極值作為從所述環(huán)境特征時序數據選取的目標數據。

15、在一種可能的實施方式中，所述方法還包括：

16、按照以下公式計算pso算法中的慣性權重因子wk：

17、

18、其中，wmin和wmax為預設的慣性權重因子的最小值和最大值，n為慣性權重因子的滑動窗口，wj為第j次更新時的慣性權重因子，β為預設的下降控制參數，tmax為最大進化代數；

19、按照以下公式計算pso算法中的個體學習因子c1和社會學習因子c2：

20、

21、其中，cmin和cmax為預設的學習因子的最小值和最大值。

22、在一種可能的實施方式中，所述方法還包括：

23、接收主站設備下發(fā)的處置策略表，所述處置策略表中記錄有山火風險預測結果對應的處置策略；

24、基于所述處置策略表，執(zhí)行所述山火風險預測結果對應的處置策略。

25、在一種可能的實施方式中，所述方法還包括：

26、將所述數據融合特征及其對應的山火風險預測結果發(fā)送給主站設備，以便主站設備重新預測新的山火風險預測結果，并將所述新的山火風險預測結果下發(fā)給所述物聯(lián)網化饋線終端；

27、接收主站設備下發(fā)的新的山火風險預測結果；

28、基于所述處置策略表，執(zhí)行所述新的山火風險預測結果對應的處置策略。

29、在一種可能的實施方式中，所述方法還包括：

30、接收主站設備下發(fā)的更新的d-s證據理論模型，所述更新的d-s證據理論模型由所述主站設備基于所述物聯(lián)網化饋線終端上傳的數據融合特征及真實的山火結果訓練得到。

31、第二方面，本公開實施例中提供了一種配電線路的環(huán)境信息處理方法，應用于主站設備，包括：

32、接收各物聯(lián)網化饋線終端上傳的數據融合特征及其對應的山火風險預測結果，所述數據融合特征為所述物聯(lián)網化饋線終端對多個傳感器采集的所述物聯(lián)網化饋線終端所在局部區(qū)域的多條環(huán)境信息時序數據，進行數據選取和在線順序超限學習機os-elm模型的特征提取融合得到的；所述山火風險預測結果為所述物聯(lián)網化饋線終端將所述數據融合特征輸入至預存的d-s證據理論模型，執(zhí)行所述d-s證據理論模型得到的；

33、基于各物聯(lián)網化饋線終端上傳的數據融合特征及其對應的山火風險預測結果，判斷所述物聯(lián)網化饋線終端的山火風險預測結果是否準確；

34、在所述物聯(lián)網化饋線終端的山火風險預測結果不準確時，獲取新的山火風險預測結果并將所述新的山火風險預測結果下發(fā)給所述物聯(lián)網化饋線終端。

35、在一種可能的實施方式中，所述基于各物聯(lián)網化饋線終端上傳的數據融合特征及其對應的山火風險預測結果，判斷所述物聯(lián)網化饋線終端的山火風險預測結果是否準確，包括：

36、針對每個物聯(lián)網化饋線終端，獲取與所述物聯(lián)網化饋線終端之間的距離在預定距離范圍內的其他物聯(lián)網化饋線終端的山火風險預測結果；

37、基于所述其他物聯(lián)網化饋線終端的山火風險預測結果判別該物聯(lián)網化饋線終端的山火風險預測結果是否正確；

38、所述在所述物聯(lián)網化饋線終端的山火風險預測結果不準確時，獲取新的山火風險預測結果，包括：

39、在所述物聯(lián)網化饋線終端的山火風險預測結果不準確時，基于所述其他物聯(lián)網化饋線終端的山火風險預測結果，確定所述物聯(lián)網化饋線終端的新的山火風險預測結果。

40、在一種可能的實施方式中，所述基于各物聯(lián)網化饋線終端上傳的數據融合特征及其對應的山火風險預測結果，判斷所述物聯(lián)網化饋線終端的山火風險預測結果是否準確，包括：

41、針對每個物聯(lián)網化饋線終端，獲取與所述物聯(lián)網化饋線終端之間的距離在預定距離范圍內的其他物聯(lián)網化饋線終端的數據融合特征；

42、將所述其他物聯(lián)網化饋線終端的數據融合特征以及所述物聯(lián)網化饋線終端的數據融合特征輸入所述d-s證據理論模型，得到所述d-s證據理論模型輸出的新的山火風險預測結果；

43、比較所述物聯(lián)網化饋線終端的山火風險預測結果與所述新的山火風險預測結果，判斷所述物聯(lián)網化饋線終端的山火風險預測結果是否準確。

44、在一種可能的實施方式中，所述方法還包括：

45、基于各物聯(lián)網化饋線終端上傳的數據融合特征及其對應的真實的山火結果，對所述d-s證據理論模型進行訓練，得到更新的d-s證據理論模型；

46、將更新的d-s證據理論模型下發(fā)給各物聯(lián)網化饋線終端。

47、第三方面，本公開實施例中提供了一種配電線路的環(huán)境信息處理裝置，應用于物聯(lián)網化饋線終端，包括：

48、獲取模塊，被配置為獲取多個傳感器采集的所述物聯(lián)網化饋線終端所在局部區(qū)域的多條環(huán)境信息時序數據；

49、選取模塊，被配置為從每條環(huán)境信息時序數據中選取目標數據；

50、融合模塊，被配置為將多個選取的目標數據輸入至在線順序超限學習機os-elm模型，得到所述os-elm模型輸出的數據融合特征；

51、預測模塊，被配置為將所述數據融合特征輸入至預存的d-s證據理論模型，得到所述d-s證據理論模型輸出的山火風險預測結果。

52、在一種可能的實施方式中，所述選取模塊被配置為：

53、對所述多條環(huán)境信息時序數據進行預處理，得到滿足預測需求的多條環(huán)境特征時序數據；

54、采用粒子群pso算法從每條環(huán)境特征時序數據中選取所述目標數據。

55、在一種可能的實施方式中，所述選取模塊中采用粒子群pso算法從每條環(huán)境特征時序數據中選取所述目標數據被配置為：

56、針對每條環(huán)境特征時序數據，將所述環(huán)境特征時序數據模擬為一個粒子群，按照以下公式確定所述粒子群中每個粒子速度和位置：

57、

58、其中，表示第k+1次更新時第i個粒子的速度，表示第k次更新時第i個粒子的速度，表示第k+1次更新時第i個粒子的位置，表示第k次更新時第i個粒子的位置，表示第k次更新時第i個粒子的個體極值，表示第k次更新時的群體極值，c1為pso算法中的個體學習因子，c2為pso算法中的社會學習因子，wk為第k次更新時pso算法的慣性權重因子，rand(0,1)表示0-1之間的隨機值；

59、在達到pso算法的終止條件時，停止更新并獲取最后一次更新時的群體極值作為從所述環(huán)境特征時序數據選取的目標數據。

60、在一種可能的實施方式中，所述裝置還包括：

61、參數確定模塊，被配置為按照以下公式計算pso算法中的慣性權重因子wk：

62、

63、其中，wmin和wmax為預設的慣性權重因子的最小值和最大值，n為慣性權重因子的滑動窗口，wj為第j次更新時的慣性權重因子，β為預設的下降控制參數，tmax為最大進化代數；

64、按照以下公式計算pso算法中的個體學習因子c1和社會學習因子c2：

65、

66、其中，cmin和cmax為預設的學習因子的最小值和最大值。

67、在一種可能的實施方式中，所述裝置還包括：

68、接收模塊，被配置為接收主站設備下發(fā)的處置策略表，所述處置策略表中記錄有山火風險預測結果對應的處置策略；

69、策略執(zhí)行模塊，被配置為基于所述處置策略表，執(zhí)行所述山火風險預測結果對應的處置策略。

70、在一種可能的實施方式中，所述裝置還包括：

71、數據上報模塊，被配置為將所述數據融合特征及其對應的山火風險預測結果發(fā)送給主站設備，以便主站設備重新預測新的山火風險預測結果，并將所述新的山火風險預測結果下發(fā)給所述物聯(lián)網化饋線終端；

72、結果接收模塊，被配置為接收主站設備下發(fā)的新的山火風險預測結果；

73、新策略執(zhí)行模塊，被配置為基于所述處置策略表，執(zhí)行所述新的山火風險預測結果對應的處置策略。

74、在一種可能的實施方式中，所述裝置還包括：

75、模型結構模塊，被配置為接收主站設備下發(fā)的更新的d-s證據理論模型，所述更新的d-s證據理論模型由所述主站設備基于所述物聯(lián)網化饋線終端上傳的數據融合特征及真實的山火結果訓練得到。

76、第四方面，本公開實施例提供了一種配電線路的環(huán)境信息處理裝置，應用于主站設備，包括：

77、數據接收模塊，被配置為接收各物聯(lián)網化饋線終端上傳的數據融合特征及其對應的山火風險預測結果，所述數據融合特征為所述物聯(lián)網化饋線終端對多個傳感器采集的所述物聯(lián)網化饋線終端所在局部區(qū)域的多條環(huán)境信息時序數據，進行數據選取和在線順序超限學習機os-elm模型的特征提取融合得到的；所述山火風險預測結果為所述物聯(lián)網化饋線終端將所述數據融合特征輸入至預存的d-s證據理論模型，執(zhí)行所述d-s證據理論模型得到的；

78、結果判別模塊，被配置為基于各物聯(lián)網化饋線終端上傳的數據融合特征及其對應的山火風險預測結果，判斷所述物聯(lián)網化饋線終端的山火風險預測結果是否準確；

79、結果下發(fā)模塊，被配置為在所述物聯(lián)網化饋線終端的山火風險預測結果不準確時，獲取新的山火風險預測結果并將所述新的山火風險預測結果下發(fā)給所述物聯(lián)網化饋線終端。

80、在一種可能的實施方式中，所述結果判別模塊被配置為：

81、針對每個物聯(lián)網化饋線終端，獲取與所述物聯(lián)網化饋線終端之間的距離在預定距離范圍內的其他物聯(lián)網化饋線終端的山火風險預測結果；

82、基于所述其他物聯(lián)網化饋線終端的山火風險預測結果判別該物聯(lián)網化饋線終端的山火風險預測結果是否正確；

83、所述結果下發(fā)模塊中在所述物聯(lián)網化饋線終端的山火風險預測結果不準確時，獲取新的山火風險預測結果的部分被配置為：

84、在所述物聯(lián)網化饋線終端的山火風險預測結果不準確時，基于所述其他物聯(lián)網化饋線終端的山火風險預測結果，確定所述物聯(lián)網化饋線終端的新的山火風險預測結果。

85、在一種可能的實施方式中，所述結果判別模塊被配置為：

86、針對每個物聯(lián)網化饋線終端，獲取與所述物聯(lián)網化饋線終端之間的距離在預定距離范圍內的其他物聯(lián)網化饋線終端的數據融合特征；

87、將所述其他物聯(lián)網化饋線終端的數據融合特征以及所述物聯(lián)網化饋線終端的數據融合特征輸入所述d-s證據理論模型，得到所述d-s證據理論模型輸出的新的山火風險預測結果；

88、比較所述物聯(lián)網化饋線終端的山火風險預測結果與所述新的山火風險預測結果，判斷所述物聯(lián)網化饋線終端的山火風險預測結果是否準確。

89、在一種可能的實施方式中，所述裝置還包括：

90、模型訓練模塊，被配置為基于各物聯(lián)網化饋線終端上傳的數據融合特征及其對應的真實的山火結果，對所述d-s證據理論模型進行訓練，得到更新的d-s證據理論模型；

91、模型下發(fā)模塊，被配置為將更新的d-s證據理論模型下發(fā)給各物聯(lián)網化饋線終端。

92、第五方面，本公開實施例提供了一種電子設備，包括存儲器和處理器，其中，所述存儲器用于存儲一條或多條計算機指令，其中，所述一條或多條計算機指令被所述處理器執(zhí)行以實現如第一方面或第二方面中任一項所述的方法。

93、第六方面，本公開實施例中提供了一種計算機可讀存儲介質，其上存儲有計算機指令，該計算機指令被處理器執(zhí)行時實現如第一方面或第二方面中任一項所述的方法。

94、根據本公開實施例提供的技術方案，可以通過物聯(lián)網化饋線終端獲取多個傳感器采集的所述物聯(lián)網化饋線終端所在局部區(qū)域的多條環(huán)境信息時序數據，從每條環(huán)境信息時序數據中選取目標數據；將多個目標數據輸入至所述os-elm模型，得到所述os-elm模型輸出的數據融合特征；將所述數據融合特征輸入至預設的d-s證據理論模型，得到所述d-s證據理論模型輸出的山火風險預測結果；如此，通過對配電線路中物聯(lián)網化饋線終端所在局部區(qū)域的環(huán)境信息的處理，可以實現對山火的準確預測，進而基于預測進行準確地處置，減少由于處置措施失配、錯配而造成的非必要的跳閘。

95、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本公開。