(12)發(fā)明專利(10)授權(quán)公告號CN1200875(65)同一申請的已公布的文獻號(73)專利權(quán)人克拉瑪依派特羅爾能源服務(wù)有限公司市克拉瑪依區(qū)天山路62號二樓左側(cè)間公司王超群(74)專利代理機構(gòu)重慶百潤洪知識產(chǎn)權(quán)代理有限公司50219專利代理師周雍GO6N3/0985(2023.01)S1.獲取每一個待分析輸電線路的線路歷史運行參數(shù)，之后獲取每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)據(jù)，并與線路歷史運行參數(shù)進行時空對齊，S1.獲取每一個待分析輸電線路的線路歷史運行參數(shù)，之后獲取每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)據(jù)，并與線路歷史運行參數(shù)進行時空對齊，構(gòu)建歷史環(huán)境-電氣耦合特征矩陣S2.利用長短時記憶網(wǎng)絡(luò)提取歷史環(huán)境-電氣耦合特征矩陣中的歷史環(huán)境時序特征，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)捕獲空間分布規(guī)律，建立動態(tài)線損預(yù)測模型，并獲取動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值S3.獲取歷史實際線損值并與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值進行差值對比，并根據(jù)差值對比結(jié)果，判斷是否觸發(fā)孤立森林算法檢測環(huán)境參數(shù)異常時段，之后通過Pearson相關(guān)性分析篩選關(guān)鍵致?lián)p因子S4.獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)，并結(jié)合關(guān)鍵致?lián)p因子和動態(tài)線損預(yù)測模型，動態(tài)生成降損策略優(yōu)先級事件S5.執(zhí)行降損策略優(yōu)先級事件，并獲取執(zhí)行后的實際線損數(shù)據(jù)，同步將實際線損數(shù)據(jù)與動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)進行誤差反向傳播，利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型S6.基于優(yōu)化后的動態(tài)線損預(yù)測模型，生成典型環(huán)境場景降損案例庫，并通過數(shù)字孿生技術(shù)模擬極端條件下的策略有效性，形成可復(fù)用的決策規(guī)則集本發(fā)明公開了一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法及系統(tǒng)，涉及輸電線路管控境一電氣耦合特征矩陣，利用長短時記憶網(wǎng)絡(luò)提取時序特征，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)捕獲空間分布規(guī)律，建立動態(tài)線損預(yù)測模型以模擬不同環(huán)境場景下的最小線損值。通過孤立森林算法檢測異常時段，結(jié)合Pearson相關(guān)性分析與SHAP值解析篩選關(guān)鍵致?lián)p因子，動態(tài)生成降損策略優(yōu)先級事件并執(zhí)行，利用誤差反向傳播與強化學(xué)習(xí)優(yōu)化模型參數(shù)。最終基于優(yōu)化模型生成典型環(huán)境場景降損案例庫，并通過數(shù)字孿生技術(shù)模擬極端條件下的策略有效性，形成可復(fù)用的決策規(guī)則集，從而提升21.一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法，其特征在于，包括：S1.獲取每一個待分析輸電線路的線路歷史運行參數(shù)，之后獲取每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)據(jù)，并與線路歷史運行參數(shù)進行時空對齊，構(gòu)建歷史環(huán)境—電氣耦合特征矩陣；S2.利用長短時記憶網(wǎng)絡(luò)提取歷史環(huán)境—電氣耦合特征矩陣中的歷史環(huán)境時序特征，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)捕獲空間分布規(guī)律，建立動態(tài)線損預(yù)測模型，并獲取動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值；S3.獲取歷史實際線損值并與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值進行差值對比，并根據(jù)差值對比結(jié)果，判斷是否觸發(fā)孤立森林算法檢測環(huán)境參數(shù)異常時段，之后通過Pearson相關(guān)性分析篩選關(guān)鍵致?lián)p因子；S4.獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)，并結(jié)合關(guān)鍵致?lián)p因子和動態(tài)線損預(yù)測模型，動態(tài)生成降損策略優(yōu)先級事件；S5.執(zhí)行降損策略優(yōu)先級事件，并獲取執(zhí)行后的實際線損數(shù)據(jù)，同步將實際線損數(shù)據(jù)與動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)進行誤差反向傳播，利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型；S6.基于優(yōu)化后的動態(tài)線損預(yù)測模型，生成典型環(huán)境場景降損案例庫，并通過數(shù)字孿生技術(shù)模擬極端條件下的策略有效性，形成可復(fù)用的決策規(guī)則集。2.根據(jù)權(quán)利要求1所述的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法，其特征在S1.1.通過SCADA系統(tǒng)采集每一個待分析輸電線路的線路歷史運行參數(shù)，所述線路歷史運行參數(shù)包括歷史電流、歷史電壓、歷史負載率和歷史故障記錄；S1.2.通過每一個待分析輸電線路所在區(qū)域的氣象站采集歷史溫度、歷史濕度、歷史風(fēng)S1.3.通過每一個待分析輸電線路所在區(qū)域的氣象站采集歷史地形坡度、歷史植被覆蓋率、歷史土壤電阻率和歷史海拔高度；S1.4.通過每一個待分析輸電線路所在區(qū)域的氣象站采集歷史工業(yè)污染濃度、歷史交通噪聲分貝值和歷史無線基站電磁輻射強度，得到歷史人文數(shù)據(jù)；S1.5.對歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)和歷史線路運行參數(shù)采用滑動平均濾波，消除高頻噪聲，對歷史人文數(shù)據(jù)采用中值濾波抑制突變干擾；S1.6.采用KNN插值法填補歷史氣象數(shù)據(jù)中的缺失值，同時利用線性回歸填補地理數(shù)據(jù)缺失值；S1.7.基于3o原則剔除超出正常范圍的異常數(shù)據(jù)點，并將步驟1.4至步驟1.6處理后的S1.8.基于GPS授時系統(tǒng)，將投影至UTM坐標系的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)、歷史人文數(shù)據(jù)和歷史線路運行參數(shù)按照分鐘級時間戳對齊；S1.9.采用主成分分析降維，保留累計方差貢獻率大于等于95%的主成分，之后生成維度小于等于50的歷史環(huán)境一電氣耦合特征矩陣。3.根據(jù)權(quán)利要求1所述的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法，其特征在3S2.1.設(shè)計雙層長短時記憶網(wǎng)絡(luò)，輸入層維度設(shè)為50,隱藏層單元數(shù)設(shè)為128,激活函數(shù)S2.2.將歷史環(huán)境一電氣耦合特征矩陣中的歷史數(shù)據(jù)，按照24小時滑動窗口劃分訓(xùn)練S2.3.采用3層卷積神經(jīng)網(wǎng)絡(luò)，卷積核大小設(shè)為3乘3,步長設(shè)為1,S2.4.將雙層長短時記憶網(wǎng)絡(luò)生成的N個時序片段和3層卷積神經(jīng)網(wǎng)獲取的空間分布特S2.5.根據(jù)雙層長短時記憶網(wǎng)絡(luò)生成的N個時序片段和3層卷積神經(jīng)網(wǎng)獲取的空間分布憶網(wǎng)絡(luò)生成的N個時序片段和3層卷積神經(jīng)網(wǎng)獲取的空間分布特征輸入動態(tài)線損預(yù)測模型S2.7.模擬生成不同環(huán)境場景下的環(huán)境一電氣耦合特征模擬矩陣，并將環(huán)境一電氣耦4.根據(jù)權(quán)利要求1所述的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法，其特征在獲取N個時序片段對應(yīng)的歷史實際線損值與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下若歷史實際線損值與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值的差值基于第一異常數(shù)據(jù)及其對應(yīng)的最小線損值，獲取第一相關(guān)系數(shù)，同時獲取第一相關(guān)系4時序片段對應(yīng)的動態(tài)線損預(yù)測模型輸出的第t種環(huán)境場景下的均值，i為第i時序片段對應(yīng)的動態(tài)線損預(yù)測模型輸出的第t種環(huán)境場景下的最小線損值的標準差。5.根據(jù)權(quán)利要求1所述的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法，其特征在從氣象局獲取未來24小時的氣象數(shù)據(jù)、地理數(shù)據(jù)及人文數(shù)據(jù)，得到環(huán)境預(yù)測數(shù)據(jù)，同步獲取每一個待分析輸電線路的線路實時運行參數(shù)；將環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)輸入動態(tài)線損預(yù)測模型，得到環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)對應(yīng)的最小線損值；將環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)同關(guān)鍵致?lián)p因子進行對比，動態(tài)生成動態(tài)致?lián)p將最小線損值和動態(tài)致?lián)p值進行加權(quán)求和，獲取降損策略參考值；基于降損策略參考值，動態(tài)生成降損策略優(yōu)先級事件。6.根據(jù)權(quán)利要求1所述的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法，其特征在在執(zhí)行降損策略優(yōu)先級事件后，獲取降損策略優(yōu)先級事件對應(yīng)的輸電線路在異常時段的實際線損值，得到執(zhí)行后的實際線損數(shù)據(jù)；同步獲取降損策略優(yōu)先級事件對應(yīng)的輸電線路的實際環(huán)境—電氣耦合特征矩陣；將實際環(huán)境一電氣耦合特征矩陣中的數(shù)據(jù)導(dǎo)入動態(tài)線損預(yù)測模型，獲取動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)；將動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)中包含的預(yù)測線損值與實際線損值進行對比，獲取二者的差值，用以進行誤差反向傳播，同步使用Adam優(yōu)化器更新動態(tài)線損預(yù)測模型中的參數(shù)，實現(xiàn)利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型。7.根據(jù)權(quán)利要求1所述的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法，其特征在基于優(yōu)化后的動態(tài)線損預(yù)測模型，獲取不同環(huán)境場景下的最小線損值；對不同環(huán)境場景下的最小線損值對應(yīng)的氣象數(shù)據(jù)、地理數(shù)據(jù)、人文數(shù)據(jù)、線路運行參數(shù)進行典型場景劃分，并結(jié)合降損策略優(yōu)先級事件，生成典型環(huán)境場景降損案例庫；基于UnrealEngine構(gòu)建線路三維模型，并利用物理仿真將極端環(huán)境參數(shù)和極端線路運行參數(shù)注入線路三維模型，模擬極端條件下的策略有效性；根據(jù)極端條件下的策略有效性，獲取極端條件下的降損有效事件，并利用極端條件下的降損有效事件對典型環(huán)境場景降損案例庫進行補充，形成可復(fù)用的決策規(guī)則集。8.一種基于配電數(shù)據(jù)反饋的輸電線路智能管控系統(tǒng)，用于實現(xiàn)如權(quán)利要求1-7任一項采集模塊，所述采集模塊用于獲取每一個待分析輸電線路的線路歷史運行參數(shù)和每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)據(jù)，用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)；數(shù)據(jù)處理模塊，所述數(shù)據(jù)處理模塊用于對每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)、歷史人文數(shù)據(jù)和線路歷史運行參數(shù)進行時空對齊，并構(gòu)建歷史環(huán)境一電氣耦合特征矩陣，用于利用長短時記憶網(wǎng)絡(luò)提取歷史環(huán)境一電氣耦合特征矩陣中的歷史5環(huán)境時序特征，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)捕獲空間分布規(guī)律，建立動態(tài)線損預(yù)測模型；主控模塊，所述主控模塊用于獲取動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值，用于獲取歷史實際線損值并與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值進行差值對比，并根據(jù)差值對比結(jié)果，判斷是否觸發(fā)孤立森林算法檢測環(huán)境參數(shù)異常時段，之后通過Pearson相關(guān)性分析篩選關(guān)鍵致?lián)p因子，用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)，并結(jié)合關(guān)鍵致?lián)p因子和動態(tài)線損預(yù)測模型，動態(tài)生成降損策略優(yōu)先級事件，執(zhí)行降損策略優(yōu)先級事件，并獲取執(zhí)行后的實際線損數(shù)據(jù)，用于將實際線損數(shù)據(jù)與動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)進行誤差反向傳播，利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型，用于基于優(yōu)化后的動態(tài)線損預(yù)測模型，生成典型環(huán)境場景降損案例庫，并通過數(shù)字孿生技術(shù)模擬極端條件下的策略有效性，形成可復(fù)用的決策規(guī)則集；顯示模塊，所述顯示模塊用于顯示采集模塊采集的數(shù)據(jù)和信息，顯示數(shù)據(jù)處理模塊的數(shù)據(jù)處理過程和結(jié)果，顯示主控模塊的數(shù)據(jù)分析過程和結(jié)果。9.根據(jù)權(quán)利要求8所述的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控系統(tǒng)，其特征在第一采集單元，所述第一采集單元用于獲取每一個待分析輸電線路的線路歷史運行參數(shù)和每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)據(jù)；第二采集單元，所述第二采集單元用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)。10.根據(jù)權(quán)利要求8所述的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控系統(tǒng)，其特征在線損評估單元，所述線損評估單元用于獲取動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值；致?lián)p因子判斷單元，所述致?lián)p因子判斷單元用于獲取歷史實際線損值并與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值進行差值對比，并根據(jù)差值對比結(jié)果，判斷是否觸發(fā)孤立森林算法檢測環(huán)境參數(shù)異常時段，之后通過Pearson相關(guān)性分析篩選關(guān)鍵致?lián)p降損執(zhí)行單元，所述降損執(zhí)行單元用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)，并結(jié)合關(guān)鍵致?lián)p因子和動態(tài)線損預(yù)測模型，動態(tài)生成降損策略優(yōu)先級事件，執(zhí)行降損策略優(yōu)先級事件，并獲取執(zhí)行后的實際線損數(shù)據(jù)；模型優(yōu)化單元，所述模型優(yōu)化單元用于將實際線損數(shù)據(jù)與動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)進行誤差反向傳播，利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型；決策規(guī)則生成單元，所述決策規(guī)則生成單元用于基于優(yōu)化后的動態(tài)線損預(yù)測模型，生成典型環(huán)境場景降損案例庫，并通過數(shù)字孿生技術(shù)模擬極端條件下的策略有效性，形成可復(fù)用的決策規(guī)則集。6一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及輸電線路管控技術(shù)領(lǐng)域，具體是涉及一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法及系統(tǒng)。背景技術(shù)[0002]隨著電力系統(tǒng)規(guī)模不斷擴大，輸電線路運行環(huán)境愈發(fā)復(fù)雜。傳統(tǒng)管控方法難以滿足需求?；谂潆姅?shù)據(jù)反饋的輸電線路智能管控方法及系統(tǒng)，可借助配電數(shù)據(jù)的實時反饋，精準掌握輸電線路狀態(tài)，及時發(fā)現(xiàn)潛在故障與風(fēng)險，優(yōu)化輸電線路運行維護策略，提高供電[0003]公開號為CN118551177B的一項中國專利申請公開了配電線路線損管控方法、裝置及電子設(shè)備中，首先，可以基于目標線路運行參數(shù)，對至少一個待分析配電線路進行線損相關(guān)分析，以確定每一個待分析配電線路是否屬于高損配電線路；其次，可以在至少一個待分析配電線路中存在屬于高損配電線路的待分析配電線路時，針對屬于高損配電線路的每一個待分析配電線路，對該待分析配電線路進行降損潛力和高損成因的確定處理，得到對應(yīng)的降損潛力參數(shù)和高損成因信息；然后，可以基于對應(yīng)的降損潛力參數(shù)和高損成因信息，進行線路線損管控操作。基于上述內(nèi)容，可以改善現(xiàn)有技術(shù)中存在的配電線路線損管控的可靠度相對不高的問題。[0004]上述現(xiàn)有技術(shù)中，基于目標線路運行參數(shù)，對至少一個待分析配電線路進行線損相關(guān)分析，以確定每一個待分析配電線路是否屬于高損配電線路，之后通過對該待分析配電線路進行降損潛力和高損成因的確定處理，得到對應(yīng)的降損潛力參數(shù)和高損成因信息，最后，基于對應(yīng)的降損潛力參數(shù)和高損成因信息，進行線路線損管控操作。但上述現(xiàn)有技術(shù)在對輸電線路進行管控時，缺乏環(huán)境因素對線路降損潛力和高損成因的影響的分析，無法保證輸電線路故障檢測的準確性，從而無法保證的輸電線路管控的準確性。[0005]為此，本發(fā)明提供了一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法及系統(tǒng)來解決上述提出的問題。發(fā)明內(nèi)容[0006]為解決上述技術(shù)問題，提供一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法及系統(tǒng)，本技術(shù)方案解決了上述背景技術(shù)中提出的現(xiàn)有技術(shù)在對輸電線路進行管控時，缺乏環(huán)境因素對線路降損潛力和高損成因的影響的分析，無法保證輸電線路故障檢測的準確性，從而無法保證的輸電線路管控的準確性的問題。[0009]S1.獲取每一個待分析輸電線路的線路歷史運行參數(shù)，之后獲取每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)據(jù)，并與線路歷史運行參數(shù)進行時空對齊，構(gòu)建歷史環(huán)境一電氣耦合特征矩陣；7[0010]S2.利用長短時記憶網(wǎng)絡(luò)提取歷史環(huán)境一電氣耦合特征矩陣中的歷史環(huán)境時序特征，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)捕獲空間分布規(guī)律，建立動態(tài)線損預(yù)測模型，并獲取動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值；[0011]S3.獲取歷史實際線損值并與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值進行差值對比，并根據(jù)差值對比結(jié)果，判斷是否觸發(fā)孤立森林算法檢測環(huán)境參數(shù)異常時段，之后通過Pearson相關(guān)性分析篩選關(guān)鍵致?lián)p因子；[0012]S4.獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)，并結(jié)合關(guān)鍵致?lián)p因子和動態(tài)線損預(yù)測模型，動態(tài)生成降損策略優(yōu)先級事件；[0013]S5.執(zhí)行降損策略優(yōu)先級事件，并獲取執(zhí)行后的實際線損數(shù)據(jù)，同步將實際線損數(shù)據(jù)與動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)進行誤差反向傳播，利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型；[0014]S6.基于優(yōu)化后的動態(tài)線損預(yù)測模型，生成典型環(huán)境場景降損案例庫，并通過數(shù)字孿生技術(shù)模擬極端條件下的策略有效性，形成可復(fù)用的決策規(guī)則集。[0015]在可選的實施例中，步驟S1具體包括：[0016]S1.1.通過SCADA系統(tǒng)采集每一個待分析輸電線路的線路歷史運行參數(shù)，所述線路歷史運行參數(shù)包括歷史電流、歷史電壓、歷史負載率和歷史故障記錄；[0017]S1.2.通過每一個待分析輸電線路所在區(qū)域的氣象站采集歷史溫度、歷史濕度、歷史風(fēng)速、歷史降雨量和歷史覆冰程度，得到歷[0018]S1.3.通過每一個待分析輸電線路所在區(qū)域的氣象站采集歷史地形坡度、歷史植被覆蓋率、歷史土壤電阻率和歷史海拔高度；[0019]S1.4.通過每一個待分析輸電線路所在區(qū)域的氣象站采集歷史工業(yè)污染濃度、歷史交通噪聲分貝值和歷史無線基站電磁輻射強度，得到歷史人文數(shù)據(jù)；[0020]S1.5.對歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)和歷史線路運行參數(shù)采用滑動平均濾波，消除高頻噪聲，對歷史人文數(shù)據(jù)采用中值濾波抑制突變干擾；[0021]S1.6.采用KNN插值法填補歷史氣象數(shù)據(jù)中的缺失值，同時利用線性回歸填補地理數(shù)據(jù)缺失值；[0022]S1.7.基于3σ原則剔除超出正常范圍的異常數(shù)據(jù)點，并將步驟1.4至步驟1.6處理后的所有數(shù)據(jù)投影至UTM坐標系，以輸電線路中心點為原點，建立局部坐標網(wǎng)格；[0023]S1.8.基于GPS授時系統(tǒng)，將投影至UTM坐標系的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)、歷史人文數(shù)據(jù)和歷史線路運行參數(shù)按照分鐘級時間戳對齊；[0024]S1.9.采用主成分分析降維，保留累計方差貢獻率大于等于95%的主成分，之后生成維度小于等于50的歷史環(huán)境—電氣耦合特征矩陣。[0026]S2.1.設(shè)計雙層長短時記憶網(wǎng)絡(luò)，輸入層維度設(shè)為50,隱藏層單元數(shù)設(shè)為128,激活函數(shù)設(shè)為tanh,輸出層預(yù)測未來24小時的線損序列；[0027]S2.2.將歷史環(huán)境一電氣耦合特征矩陣中的歷史數(shù)據(jù)，按照24小時滑動窗口劃分[0028]S2.3.采用3層卷積神經(jīng)網(wǎng)絡(luò)，卷積核大小設(shè)為3乘3,步長設(shè)為1,填充方式設(shè)為SAME,提取歷史環(huán)境—電氣耦合特征矩陣中的歷史地理數(shù)據(jù)的空間分布特征；8[0029]S2.4.將雙層長短時記憶網(wǎng)絡(luò)生成的N個時序片段和3層卷積神經(jīng)網(wǎng)獲取的空間分[0030]S2.5.根據(jù)雙層長短時記憶網(wǎng)絡(luò)生成的N個時序片分布特征，獲取歷史環(huán)境敏感系數(shù)矩陣，并利用歷史環(huán)境敏感系數(shù)矩陣對歷史環(huán)時記憶網(wǎng)絡(luò)生成的N個時序片段和3層卷積神經(jīng)網(wǎng)獲取的空間分布特征輸入動態(tài)線損預(yù)測[0034]獲取N個時序片段對應(yīng)的歷史實際線損值與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場[0035]若歷史實際線損值與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值的9和線路實時運行參數(shù)對應(yīng)的最小線損值；[0045]將環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)同關(guān)鍵致?lián)p因子進行對比，動態(tài)生成動態(tài)致[0046]將最小線損值和動態(tài)致?lián)p值進行加權(quán)求和，獲取降損策略參考值；[0047]基于降損策略參考值，動態(tài)生成降損策略優(yōu)先級事件。[0048]在可選的實施例中，步驟S5具體包括：[0049]在執(zhí)行降損策略優(yōu)先級事件后，獲取降損策略優(yōu)先級事件對應(yīng)的輸電線路在異常時段的實際線損值，得到執(zhí)行后的實際線損數(shù)據(jù)；[0050]同步獲取降損策略優(yōu)先級事件對應(yīng)的輸電線路的實際環(huán)境—電氣耦合特征矩陣；[0051]將實際環(huán)境一電氣耦合特征矩陣中的數(shù)據(jù)導(dǎo)入動態(tài)線損預(yù)測模型，獲取動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)；[0052]將動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)中包含的預(yù)測線損值與實際線損值進行對比，獲取二者的差值，用以進行誤差反向傳播，同步使用Adam優(yōu)化器更新動態(tài)線損預(yù)測模型中的參數(shù)，實現(xiàn)利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型。[0054]基于優(yōu)化后的動態(tài)線損預(yù)測模型，獲取不同環(huán)境場景下的最小線損值；[0055]對不同環(huán)境場景下的最小線損值對應(yīng)的氣象數(shù)據(jù)、地理數(shù)據(jù)、人文數(shù)據(jù)、線路運行參數(shù)進行典型場景劃分，并結(jié)合降損策略優(yōu)先級事件，生成典型環(huán)境場景降損案例庫；[0056]基于UnrealEngine構(gòu)建線路三維模型，并利用物理仿真將極端環(huán)境參數(shù)和極端線路運行參數(shù)注入線路三維模型，模擬極端條件下的策略有效性；[0057]根據(jù)極端條件下的策略有效性，獲取極端條件下的降損有效事件，并利用極端條件下的降損有效事件對典型環(huán)境場景降損案例庫進行補充，形成可復(fù)用的決策規(guī)則集。[0058]進一步的，提出一種基于配電數(shù)據(jù)反饋的輸電線路智能管控系統(tǒng)，用于實現(xiàn)如上[0059]采集模塊，所述采集模塊用于獲取每一個待分析輸電線路的線路歷史運行參數(shù)和每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)據(jù)，用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)；[0060]數(shù)據(jù)處理模塊，所述數(shù)據(jù)處理模塊用于對每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)、歷史人文數(shù)據(jù)和線路歷史運行參數(shù)進行時空對齊，并構(gòu)建歷史環(huán)境一電氣耦合特征矩陣，用于利用長短時記憶網(wǎng)絡(luò)提取歷史環(huán)境一電氣耦合特征矩陣中的歷史環(huán)境時序特征，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)捕獲空間分布規(guī)律，建立動態(tài)線損預(yù)測模型；[0061]主控模塊，所述主控模塊用于獲取動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值，用于獲取歷史實際線損值并與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值進行差值對比，并根據(jù)差值對比結(jié)果，判斷是否觸發(fā)孤立森林算法檢測環(huán)境參數(shù)異常時段，之后通過Pearson相關(guān)性分析篩選關(guān)鍵致?lián)p因子，用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)，并結(jié)合關(guān)鍵致?lián)p因子和動態(tài)線損預(yù)測模型，動態(tài)生成降損策略優(yōu)先級事件，執(zhí)行降損策略優(yōu)先級事件，并獲取執(zhí)行后的實際線損數(shù)據(jù)，用于將實際線損數(shù)據(jù)與動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)進行誤差反向傳播，利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型，用于基于優(yōu)化后的動態(tài)線損預(yù)測模型，生成典型環(huán)境場景降損案例庫，并通過數(shù)字孿生技術(shù)模擬極端條件下的策略有效性，形成可復(fù)用的決策規(guī)則集；[0062]顯示模塊，所述顯示模塊用于顯示采集模塊采集的數(shù)據(jù)和信息，顯示數(shù)據(jù)處理模塊的數(shù)據(jù)處理過程和結(jié)果，顯示主控模塊的數(shù)據(jù)分析過程和結(jié)果。[0063]在可選的實施例中，所述采集模塊包括：[0064]第一采集單元，所述第一采集單元用于獲取每一個待分析輸電線路的線路歷史運行參數(shù)和每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)[0065]第二采集單元，所述第二采集單元用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)。[0067]線損評估單元，所述線損評估單元用于獲取動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值；[0068]致?lián)p因子判斷單元，所述致?lián)p因子判斷單元用于獲取歷史實際線損值并與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值進行差值對比，并根據(jù)差值對比結(jié)果，判斷是否觸發(fā)孤立森林算法檢測環(huán)境參數(shù)異常時段，之后通過Pearson相關(guān)性分析篩選關(guān)鍵致?lián)p因子；[0069]降損執(zhí)行單元，所述降損執(zhí)行單元用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)，并結(jié)合關(guān)鍵致?lián)p因子和動態(tài)線損預(yù)測模型，動態(tài)生成降損策略優(yōu)先級事件，執(zhí)行降損策略優(yōu)先級事件，并獲取執(zhí)行后的實際線損數(shù)據(jù)；[0070]模型優(yōu)化單元，所述模型優(yōu)化單元用于將實際線損數(shù)據(jù)與動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)進行誤差反向傳播，利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型；[0071]決策規(guī)則生成單元，所述決策規(guī)則生成單元用于基于優(yōu)化后的動態(tài)線損預(yù)測模型，生成典型環(huán)境場景降損案例庫，并通過數(shù)字孿生技術(shù)模擬極端條件下的策略有效性，形成可復(fù)用的決策規(guī)則集。[0073]本方案提出的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法，通過融合多源數(shù)和CNN構(gòu)建動態(tài)線損預(yù)測模型，實現(xiàn)了不同環(huán)境場景下的最小線損值預(yù)測。通過孤立森林算法檢測異常時段，結(jié)合Pearson相關(guān)性與SHAP值解析篩選關(guān)鍵致?lián)p因子，動態(tài)生成降損策略優(yōu)先級事件并執(zhí)行，利用誤差反向傳播與強化學(xué)習(xí)優(yōu)化模型參數(shù)。解決了傳統(tǒng)方法因忽略環(huán)境因素導(dǎo)致故障檢測不準確、策略優(yōu)化滯后的技術(shù)難題，具有提高檢測準確性、增強動態(tài)適應(yīng)性、降低線損率、提升供電可靠性的優(yōu)點，并通過數(shù)字孿生技術(shù)模擬極端條件，形成可復(fù)用的決策規(guī)則集，推動智能電網(wǎng)的精細化管控。附圖說明[0074]圖1為本發(fā)明提出的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法的流程圖；[0075]圖2為本發(fā)明中的歷史環(huán)境一電氣耦合特征矩陣的獲取流程圖；[0076]圖3為本發(fā)明中的最小線損值的獲取流程圖；[0077]圖4為本發(fā)明的提出的一種基于配電數(shù)據(jù)反饋的輸電線路智能管控系統(tǒng)的系統(tǒng)框架圖。11具體實施方式[0078]以下描述用于揭露本發(fā)明以使本領(lǐng)域技術(shù)人員能夠?qū)崿F(xiàn)本發(fā)明。以下描述中的優(yōu)選實施例只作為舉例，本領(lǐng)域技術(shù)人員可以想到其他顯而易見的變型。[0079]參照圖1—圖4所示，一種基于配電數(shù)據(jù)反饋的輸電線路智能管控方法，其特征在于，包括：[0080]S1.獲取每一個待分析輸電線路的線路歷史運行參數(shù)，之后獲取每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)據(jù)，并與線路歷史運行參數(shù)進行時空對齊，構(gòu)建歷史環(huán)境一電氣耦合特征矩陣。[0082]S1.1.通過SCADA系統(tǒng)采集每一個待分析輸電線路的線路歷史運行參數(shù)，線路歷史運行參數(shù)包括歷史電流、歷史電壓、歷史負載率和歷史故障記錄；[0083]S1.2.通過每一個待分析輸電線路所在區(qū)域的氣象站采集歷史溫度、歷史濕度、歷史風(fēng)速、歷史降雨量和歷史覆冰程度，得到歷[0084]S1.3.通過每一個待分析輸電線路所在區(qū)域的氣象站采集歷史地形坡度、歷史植被覆蓋率、歷史土壤電阻率和歷史海拔高度；[0085]S1.4.通過每一個待分析輸電線路所在區(qū)域的氣象站采集歷史工業(yè)污染濃度、歷史交通噪聲分貝值和歷史無線基站電磁輻射強度，得到歷史人文數(shù)據(jù)，數(shù)據(jù)采集為過去5~10年的歷史數(shù)據(jù)；[0086]S1.5.對歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)和歷史線路運行參數(shù)采用滑動平均濾波(窗口大小為5),消除高頻噪聲，對歷史人文數(shù)據(jù)采用中值濾波抑制突變干擾；[0087]S1.6.采用KNN插值法填補歷史氣象數(shù)據(jù)中的缺失值(k值為5),同時利用線性回歸填補地理數(shù)據(jù)缺失值；[0088]S1.7.基于3σ原則剔除超出正常范圍的異常數(shù)據(jù)點，并將步驟1.4至步驟1.6處理后的所有數(shù)據(jù)投影至UTM坐標系，以輸電線路中心點為原點，建立局部坐標網(wǎng)格(分辨率小于等于10m×10m);[0089]S1.8.基于GPS授時系統(tǒng)，將投影至UTM坐標系的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)、歷史人文數(shù)據(jù)和歷史線路運行參數(shù)按照分鐘級時間戳對齊，允許最大時間偏差控制在±1分[0090]S1.9.采用主成分分析降維，保留累計方差貢獻率大于等于95%的主成分，之后生成維度小于等于50的歷史環(huán)境一電氣耦合特征矩陣。[0091]S2.利用長短時記憶網(wǎng)絡(luò)提取歷史環(huán)境一電氣耦合特征矩陣中的歷史環(huán)境時序特征，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)捕獲空間分布規(guī)律，建立動態(tài)線損預(yù)測模型，并獲取動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值。[0092]具體而言，基于3σ原則剔除超出正常范圍的異常數(shù)據(jù)點，例如溫度大于50℃或濕度大于100%的異常記錄。[0094]S2.1.設(shè)計雙層長短時記憶網(wǎng)絡(luò)，輸入層維度設(shè)為50(PCA降維后特征數(shù)),隱藏層單元數(shù)設(shè)為128,激活函數(shù)設(shè)為tanh,輸出層預(yù)測未來24小時的線損序列；[0095]S2.2.將歷史環(huán)境一電氣耦合特征矩陣中的歷史數(shù)據(jù)，按照24小時滑動窗口劃分[0096]S2.3.采用3層卷積神經(jīng)網(wǎng)絡(luò)，卷積核大小設(shè)為3乘3,步長設(shè)為1,填充方式設(shè)為SAME,提取歷史環(huán)境一電氣耦合特征矩陣中的歷史地理數(shù)據(jù)的空間分布特征(如地形坡度[0097]S2.4.將雙層長短時記憶網(wǎng)絡(luò)生成的N個時序片段和3層卷積神經(jīng)網(wǎng)獲取的空間分[0098]S2.5.根據(jù)雙層長短時記憶網(wǎng)絡(luò)生成的N個時序片段和3層卷積神經(jīng)網(wǎng)獲取的空間分布特征，獲取歷史環(huán)境敏感系數(shù)矩陣，并利用歷史環(huán)境時記憶網(wǎng)絡(luò)生成的N個時序片段和3層卷積神經(jīng)網(wǎng)獲取的空間分布特征輸入動態(tài)線損預(yù)測、地理數(shù)據(jù)和人文數(shù)據(jù)的種類數(shù)(如溫度、濕度、風(fēng)速為線路運行參數(shù)種類數(shù)(如電流等)。[0120]示例：假設(shè)LSTM輸出維度dLSTM=128,CNN輸出空間特征hc∈R32(經(jīng)全局平均池化),全連接層權(quán)重W∈R?×160(將160維特征映射到6種環(huán)境參數(shù)×3種線路運行參數(shù))。[0121]則環(huán)境敏感系數(shù)矩陣為：[0123]輸出形狀為6×3,例如：[0125]可以理解的是，矩陣元素k;,表示第i種環(huán)境數(shù)據(jù)、地理數(shù)據(jù)和人文數(shù)據(jù)對第j中線路運行參數(shù)的敏感程度，例如，Ktemp,R=0.002表示溫度每升高1℃,電阻增加0.2%。[0126]還可以理解的是，利用歷史環(huán)境敏感系數(shù)矩陣對歷史環(huán)境一電氣耦合特征矩陣中的歷史線路運行參數(shù)進行修正，以輸電線路的交流電阻為例：[0127]Renv-adjustea=R?·(1+α△T+β△H+γ△Uwina)[0128]R?為基準電阻(常溫、干燥條件下的電阻值);[0129]△T,△H,△Uwin分別[0130]a,β,γ為歷史環(huán)境敏感系數(shù)(通過查找歷史環(huán)境敏感系數(shù)矩陣獲得)。[0131]S3.獲取歷史實際線損值并與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值進行差值對比，并根據(jù)差值對比結(jié)果，判斷是否觸發(fā)孤立森林算法檢測環(huán)境參數(shù)異常時段，之后通過Pearson相關(guān)性分析篩選關(guān)鍵致?lián)p因子。[0132]進一步的，步驟S3具體包括：[0133]獲取N個時序片段對應(yīng)的歷史實際線損值與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值的差值；[0134]若歷史實際線損值與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值的差值大于等于0.15倍最小線損值，則觸發(fā)孤立森林算法，得到每個數(shù)據(jù)點的異常得分；[0135]篩選異常得分高于Tthreshola=μ(s)+3σ(s)的數(shù)據(jù)點對應(yīng)的環(huán)境-電氣耦合特征模擬矩陣中的模擬氣象數(shù)據(jù)、模擬地理數(shù)據(jù)及模擬人文數(shù)據(jù)，得到第一異常數(shù)據(jù)，其中，μ(s)為所有數(shù)據(jù)點對應(yīng)的最小線損值的全局均值，σ(s)為所有數(shù)據(jù)點對應(yīng)的最小線損值的全局標準差，Tthreshola為異常數(shù)據(jù)篩選閾值；[0136]基于第一異常數(shù)據(jù)及其對應(yīng)的最小線損值，獲取第一相關(guān)系數(shù)，同時獲取第一相關(guān)系數(shù)大于等于0.8的第一異常數(shù)據(jù)；[0137]通過SHAP值解析模型，量化第一異常數(shù)據(jù)中的各個因子對線損的貢獻度，并將貢獻度最大的因子標記為關(guān)鍵致?lián)p因子；[0138]其中，觸發(fā)孤立森林算法，得到每個數(shù)據(jù)點的異常得分的計算公式為：第i時序片段對應(yīng)的動態(tài)線損預(yù)測模型輸出的第t種環(huán)境場景下的均值，i為第i時序片段對應(yīng)的動態(tài)線損預(yù)測模型輸出的第t種環(huán)境場景下的最小線損值的標[0142]S3.1.1.設(shè)第一異常數(shù)據(jù)為x=[x1,X?,…,xn],其對應(yīng)的最小線損值為[0147]S4.獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)[0157]因子3(風(fēng)速):Wenv=8m/s<10m/s,Wreal=9m/s<10m/s→不觸發(fā)(I(3)=0)。[0158]動態(tài)致?lián)p值計算：[0160]將最小線損值和動態(tài)致?lián)p值進行加權(quán)求和，獲取降損策略參考值；[0161]基于降損策略參考值，動態(tài)生成降損策略優(yōu)先級事件。[0162]S5.執(zhí)行降損策略優(yōu)先級事件，并獲取執(zhí)行后的實際線損數(shù)據(jù)，同步將實際線損數(shù)據(jù)與動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)進行誤差反向傳播，利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型。[0164]在執(zhí)行降損策略優(yōu)先級事件后，獲取降損策略優(yōu)先級事件對應(yīng)的輸電線路在異常時段的實際線損值，得到執(zhí)行后的實際線損數(shù)據(jù)；[0165]同步獲取降損策略優(yōu)先級事件對應(yīng)的輸電線路的實際環(huán)境一電氣耦合特征矩陣；[0166]將實際環(huán)境一電氣耦合特征矩陣中的數(shù)據(jù)導(dǎo)入動態(tài)線損預(yù)測模型，獲取動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)；[0167]將動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)中包含的預(yù)測線損值與實際線損值進行對比，獲取二者的差值，用以進行誤差反向傳播，同步使用Adam優(yōu)化器更新動態(tài)線損預(yù)測模型中的參數(shù)，實現(xiàn)利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型。[0168]S6.基于優(yōu)化后的動態(tài)線損預(yù)測模型，生成典型環(huán)境場景降損案例庫，并通過數(shù)字孿生技術(shù)模擬極端條件下的策略有效性，形成可復(fù)用的決策規(guī)則集。[0170]基于優(yōu)化后的動態(tài)線損預(yù)測模型，獲取不同環(huán)境場景下的最小線損值；[0171]對不同環(huán)境場景下的最小線損值對應(yīng)的氣象數(shù)據(jù)、地理數(shù)據(jù)、人文數(shù)據(jù)、線路運行參數(shù)進行典型場景劃分，并結(jié)合降損策略優(yōu)先級事件，生成典型環(huán)境場景降損案例庫；[0172]基于UnrealEngine構(gòu)建線路三維模型，并利用物理仿真將極端環(huán)境參數(shù)和極端線路運行參數(shù)注入線路三維模型，模擬極端條件下的策略有效性；[0173]根據(jù)極端條件下的策略有效性，獲取極端條件下的降損有效事件，并利用極端條件下的降損有效事件對典型環(huán)境場景降損案例庫進行補充，形成可復(fù)用的決策規(guī)則集，并利用可復(fù)用的決策規(guī)則集對輸電線路進行智能管控。[0174]進一步的，提出一種基于配電數(shù)據(jù)反饋的輸電線路智能管控系統(tǒng)，用于實現(xiàn)如上[0175]采集模塊，采集模塊用于獲取每一個待分析輸電線路的線路歷史運行參數(shù)和每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)據(jù)，用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)；[0176]數(shù)據(jù)處理模塊，數(shù)據(jù)處理模塊用于對每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)、歷史人文數(shù)據(jù)和線路歷史運行參數(shù)進行時空對齊，并構(gòu)建歷史環(huán)境一電氣耦合特征矩陣，用于利用長短時記憶網(wǎng)絡(luò)提取歷史環(huán)境一電氣耦合特征矩陣中的歷史環(huán)境時序特征，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)捕獲空間分布規(guī)律，建立動態(tài)線損預(yù)測模型；[0177]主控模塊，主控模塊用于獲取動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值，用于獲取歷史實際線損值并與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值進行差值對比，并根據(jù)差值對比結(jié)果，判斷是否觸發(fā)孤立森林算法檢測環(huán)境參數(shù)異常時段，之后通過Pearson相關(guān)性分析篩選關(guān)鍵致?lián)p因子，用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)，并結(jié)合關(guān)鍵致?lián)p因子和動態(tài)線損預(yù)測模型，動態(tài)生成降損策略優(yōu)先級事件，執(zhí)行降損策略優(yōu)先級事件，并獲取執(zhí)行后的實際線損數(shù)據(jù)，用于將實際線損數(shù)據(jù)與動態(tài)線損預(yù)測模型輸出的預(yù)測線損數(shù)據(jù)進行誤差反向傳播，利用強化學(xué)習(xí)算法優(yōu)化動態(tài)線損預(yù)測模型，用于基于優(yōu)化后的動態(tài)線損預(yù)測模型，生成典型環(huán)境場景降損案例庫，并通過數(shù)字孿生技術(shù)模擬極端條件下的策略有效性，形成可復(fù)用的決策規(guī)則集；[0178]顯示模塊，顯示模塊用于顯示采集模塊采集的數(shù)據(jù)和信息，顯示數(shù)據(jù)處理模塊的數(shù)據(jù)處理過程和結(jié)果，顯示主控模塊的數(shù)據(jù)分析過程和結(jié)果。[0180]第一采集單元，第一采集單元用于獲取每一個待分析輸電線路的線路歷史運行參數(shù)和每一個待分析輸電線路所在區(qū)域的歷史氣象數(shù)據(jù)、歷史地理數(shù)據(jù)及歷史人文數(shù)據(jù)；[0181]第二采集單元，第二采集單元用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)。[0183]線損評估單元，線損評估單元用于獲取動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值；[0184]致?lián)p因子判斷單元，致?lián)p因子判斷單元用于獲取歷史實際線損值并與動態(tài)線損預(yù)測模型輸出的不同環(huán)境場景下的最小線損值進行差值對比，并根據(jù)差值對比結(jié)果，判斷是否觸發(fā)孤立森林算法檢測環(huán)境參數(shù)異常時段，之后通過Pearson相關(guān)性分析篩選關(guān)鍵致?lián)p[0185]降損執(zhí)行單元，降損執(zhí)行單元用于獲取環(huán)境預(yù)測數(shù)據(jù)和線路實時運行參數(shù)，并結(jié)合關(guān)鍵致?lián)p因子和動態(tài)線損預(yù)測模型，動態(tài)生成降損策略優(yōu)先級事件，執(zhí)行降損策略優(yōu)先級事件，并獲取執(zhí)行后的實際線損數(shù)據(jù)；[0186]模型優(yōu)化單元，模型優(yōu)化單元用于將實際線