输电线路元件寿命预测方法、装置、计算机设备和介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种输电线路元件寿命预测方法、装置、计算机设备和介质。

背景技术

随着人工智能技术的发展，人们通常使用计算机来记录输电线路和变电站中各输电线路元件的寿命信息。

现有技术中，针对输电线路元件的寿命评估，通常是依赖于人工进行周期性巡检来确定各输电线路元件的运行状况，从而进一步确定各输电线路元件的寿命信息，例如，针对绝缘子输电线路元件，人们通常定期对绝缘子的运行状态进行检测，进而确定绝缘子的寿命信息。

该方式虽然能够检测出输电线路元件的寿命情况，但存在监测不精准和寿命信息获取滞后等问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提到检测输电线路元件寿命的准确性的输电线路元件寿命预测方法、装置、计算机设备和介质。

第一方面，本申请提供了一种输电线路元件寿命预测方法，包括：

获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；

将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；

根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。

在其中一个实施例中，根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值，包括：

确定历史寿命值的历史权重，以及当前寿命值的当前权重；

根据历史寿命值、当前寿命值、历史权重和当前权重进行统计处理，确定目标输电线路元件的目标寿命值。

在其中一个实施例中，方法还包括：

获取多个输电线路元件在历史时段内的样本运行数据和样本环境数据；

基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到目标数字孪生模型。

在其中一个实施例中，基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到目标数字孪生模型，包括：

基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到候选数字孪生模型；

根据样本运行数据、样本环境数据和样本寿命值，对候选数据孪生模型进行异常检测，得到异常检测结果；

若异常检测结果为候选数据孪生模型不存在异常，则将候选数据孪生模型作为目标数字孪生模型。

在其中一个实施例中，根据样本运行数据、样本环境数据和样本寿命值，对候选数据孪生模型进行异常检测，得到异常检测结果，包括：

将样本运行数据和样本环境数据输入到候选数字孪生模型中，得到输电线路元件在历史时段内的样本寿命值；

对样本运行数据和样本环境数据进行映射处理，得到样本运行数据和样本环境数据对应的映射寿命值；

根据样本寿命值和映射寿命值，确定候选数据孪生模型对应的异常检测结果。

在其中一个实施例中，根据样本寿命值和映射寿命值，确定候选数据孪生模型对应的异常检测结果，包括：

确定样本寿命值和映射寿命值之间的欧式距离；

若欧式距离小于预设距离阈值，则确定候选数据孪生模型对应的异常检测结果为候选数据孪生模型不存在异常。

在其中一个实施例中，方法还包括：

根据目标输电线路元件的目标寿命值，确定目标寿命值对应的目标输电线路元件优化建议，以供用户对目标输电线路元件进行优化处理。

第二方面，本申请还提供了一种输电线路元件寿命预测装置，包括：

数据获取模块，用于获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；

寿命获取模块，用于将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；

寿命确定模块，用于根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。

第三方面，本申请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以下步骤：

获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；

将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；

根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。

第四方面，本申请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以下步骤：

获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；

将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；

根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。

第五方面，本申请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以下步骤：

获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；

将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；

根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。

上述输电线路元件寿命预测方法、装置、计算机设备和介质，获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。本方法在根据目标运行数据和目标环境数据，通过目标数字孪生模型，确定出当前寿命值后，基于历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值，防止目标数字孪生模型的准确度较低导致当前寿命值不准确，最终导致目标寿命值不准确的问题，能够使得确定出的目标输电线路元件的寿命值更加准确。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本实施例提供的一种输电线路元件寿命预测方法的应用环境图；

图2为本实施例提供的第一种输电线路元件寿命预测方法的流程示意图；

图3为本实施例提供的一种确定目标数字孪生模型的流程示意图；

图4为本实施例提供的一种确定异常检测结果的流程示意图；

图5为本实施例提供的第二种输电线路元件寿命预测方法的流程示意图；

图6为本实施例提供的第一种输电线路元件寿命预测装置的结构框图；

图7为本实施例提供的第二种输电线路元件寿命预测装置的结构框图；

图8为本实施例提供的第三种输电线路元件寿命预测装置的结构框图；

图9为本实施例提供的一种计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的输电线路元件寿命预测方法，可以应用于如图1所示的应用环境中。其中，目标输电线路元件102通过其上安装的传感器和监测设备与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。获取目标输电线路元件102在当前时段内的目标运行数据和目标环境数据；将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个示例性的实施例中，如图2所示，提供了一种输电线路元件寿命预测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤S201至步骤S203。其中：

S201获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据。

其中，输电线路元件可以是用于检测寿命值的输电线路元件，如绝缘子。运行数据可以是输电线路元件运行中产生的数据，如通过电子元件的电流或电压等。环境数据可以是输电线路元件周围的环境数据，如温度、湿度、电场强度等。

可选地，按照预设周期通过目标输电线路元件上部署的传感器，获取在当前时段内的目标环境数据；通过目标输电线路元件上部署的监测设备，获取在当前时段内的目标运行数据。

S202将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值。

其中，寿命值可以是输电线路元件当前健康状态的概率分布。目标数据孪生模型可以是用于检测目标输电线路元件的模型。

可选地，将目标运行数据和目标环境数据输入到目标数字孪生模型中，目标数字孪生模型中的神经网络会对目标运行数据和目标环境数据进行特征提取，确定目标运行数据和目标环境数据之间的关系特征，目标数字孪生模型中的循环网络会根据该关系特征预测得到目标输电线路元件在当前时段内的当前寿命值。

需要说明的是，数字孪生模型可以是根据卷积神经网络(CNN)和循环神经网络(RNN)来构成的。示例性的，数字孪生模型的模型结构可以是由卷积层1、池化层1、卷积层2、池化层2、全连接层1、循环神经网络(RNN)层和全连接层2构成的。其中，卷积层1(CNN)结构：卷积层1是由64个卷积核组成的，每个卷积核负责从输入数据中提取不同的特征。滤波器数量为64个，卷积核大小为3x3，采用ReLU作为卷积层的激活函数。功能：卷积层1对输入数据X进行卷积操作，得到特征图1，其中每个特征图对应一个卷积核提取的特定特征。其中，池化层1结构：池化层1可以采用最大池化或平均池化，将卷积层1的特征图进行汇聚。功能：池化层1减少特征图的尺寸，保留最显著的特征信息，减少计算量，同时提高模型的鲁棒性。其中，卷积层2(CNN)结构：卷积层2由128个卷积核组成，负责进一步提取卷积层1的特征。功能：卷积层2在卷积层1的基础上提取更高级别的特征，滤波器数量为128个，卷积核大小为3x3，采用ReLU作为卷积层的激活函数，增加本层的卷积核和滤波器数量，模型可以更好地捕获输入数据的复杂特征，从而提高模型的表示能力和预测准确性，得到更加抽象的特征表达。其中，池化层2结构：池化层2类似于池化层1，对卷积层2的特征图进行进一步汇聚。功能：池化层2进一步减少特征图的尺寸，提高模型的计算效率。其中，全连接层1结构：全连接层1将池化层2的输出向量展平为一维向量，并进行非线性变换。全连接层1神经元数量设置为256个神经元。在全连接层中，也同样采用ReLU作为激活函数。功能：全连接层1将高维的特征向量映射到特定的输出空间，进行特征的整合和抽象。其中，循环神经网络(RNN)层结构：RNN层是由多个RNN单元组成，每个RNN单元内部有自循环的神经元，能够处理序列数据并记忆之前的信息。功能：模型结构中的RNN层，用于处理输入数据的序列信息。RNN层能够捕捉输入数据的时间序列依赖关系，适用于处理具有时序特征的数据，所以将上一层全连接层1的输出做些处理，生成一个形状为(batch_size,num_features)的张量，其中batch_size是批量大小，num_features是全连接层1的输出特征数量。确定时间步的数量，可以根据实际需求设定。假设设定为num_time_steps。将全连接层1的输出张量复制num_time_steps次，形成一个形状为(num_time_steps,batch_size,num_features)的张量。这样就构造了一个时间序列数据，其中每个时间步的输入数据都是全连接层1的输出。其中，全连接层2结构：全连接层2神经元数量设置为128个神经元。在全连接层中，也同样采用ReLU作为激活函数。全连接层2在全连接层1的基础上进一步整合特征，并通过权重参数的矩阵乘法和激活函数进行非线性变换。功能：全连接层2最终得到输出结果Y，表示绝缘子的健康评估和寿命预测值。

S203根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。

其中，历史寿命值可以是历史时段内目标输电线路元件的寿命值。

可选地，根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值的方式有多种，本申请对此不做限定。

其中一种可选实现方式可以是，根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定历史寿命值和当前寿命值之间的均值，并将该均值作为目标输电线路元件的目标寿命值。

另一种可选实现方式可以是，确定历史寿命值的历史权重，以及当前寿命值的当前权重；根据历史寿命值、当前寿命值、历史权重和当前权重进行统计处理，确定目标输电线路元件的目标寿命值。

具体的，确定历史寿命值的历史权重，以及当前寿命值的当前权重，通过如下公式(1-1)，根据历史寿命值、当前寿命值、历史权重和当前权重进行统计处理，确定目标输电线路元件的目标寿命值。

P(F

其中，P(F

需要说明的是，在实际应用中，α和β可以根据具体情况进行设定，它们可以是任意实数，但需要满足α+β＝1。不同的α和β的取值将导致不同的加权平均方式，从而影响绝缘子寿命预测值的结果。

上述输电线路元件寿命预测方法，获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。本方法在根据目标运行数据和目标环境数据，通过目标数字孪生模型，确定出当前寿命值后，基于历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值，防止目标数字孪生模型的准确度较低导致当前寿命值不准确，最终导致目标寿命值不准确的问题，能够使得确定出的目标输电线路元件的寿命值更加准确。

需要说明的是，在确定出目标寿命值，还可以根据该目标寿命对目标输电线路元件进行相对应的优化处理，因此，本实施例还可以，根据目标输电线路元件的目标寿命值，确定目标寿命值对应的目标输电线路元件优化建议，以供用户对目标输电线路元件进行优化处理。具体的，根据目标输电线路元件的目标寿命值，确定与该目标寿命值关联的优化建议，用户可以根据该优化建议对目标输电线路元件进行优化处理。该方式能够帮助电网运维人员和管理者更准确地预测绝缘子寿命，制定优化维护策略，提高电网的可靠性和运行效率。同时，它还可以帮助节约维护成本，降低故障风险，保障电力系统的稳定供电。

图3为一个实施例中确定目标数字孪生模型的流程示意图。本实施例给出了一种确定目标数字孪生模型的可选方式，包括如下步骤：

S301获取多个输电线路元件在历史时段内的样本运行数据和样本环境数据。

可选地，获取本地存储的多个输电线路元件在历史时段内的样本运行数据和样本环境数据。

S302基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到目标数字孪生模型。

可选地，基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到候选数字孪生模型；根据样本运行数据、样本环境数据和样本寿命值，对候选数据孪生模型进行异常检测，得到异常检测结果；若异常检测结果为候选数据孪生模型不存在异常，则将候选数据孪生模型作为目标数字孪生模型。

具体的，将样本运行数据和样本环境数据输入到初始数字孪生模型中，初始数字孪生模型会基于样本运行数据和样本环境数据进行迭代训练，从而确定得到训练完成的候选数字孪生模型，根据样本运行数据、样本环境数据和样本寿命值，确定样本运行数据、样本环境数据和样本寿命值之间的余弦相似度或均方误差，从而得到候选数据孪生模型的异常检测结果，异常检测结果为候选数据孪生模型存在异常，则返回执行基于样本运行数据和样本环境数据，对候选数字孪生模型进行迭代训练的过程；若异常检测结果为候选数据孪生模型不存在异常，则将候选数据孪生模型作为目标数字孪生模型。

上述确定目标数字孪生模型方法，获取多个输电线路元件在历史时段内的样本运行数据和样本环境数据，基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到目标数字孪生模型，能够训练得到更准确的目标数字孪生模型。

图4为一个实施例中确定异常检测结果的流程示意图。本实施例给出了一种确定异常检测结果的可选方式，包括如下步骤：

S401将样本运行数据和样本环境数据输入到候选数字孪生模型中，得到输电线路元件在历史时段内的样本寿命值。

可选地，将样本运行数据和样本环境数据输入到初始数字孪生模型中，初始数字孪生模型会基于样本运行数据和样本环境数据进行解析，从而得到输电线路元件在历史时段内的样本寿命值。

S402对样本运行数据和样本环境数据进行映射处理，得到样本运行数据和样本环境数据对应的映射寿命值。

可选地，通过映射函数，对样本运行数据和样本环境数据进行映射处理，得到样本运行数据和样本环境数据对应的映射寿命值。

示例性的，若以温度为例进行说明，则对样本温度[30℃,32℃,35℃]进行映射处理，得到映射寿命值M(X

S403根据样本寿命值和映射寿命值，确定候选数据孪生模型对应的异常检测结果。

可选地，确定样本寿命值和映射寿命值之间的欧式距离；若欧式距离小于预设距离阈值，则确定候选数据孪生模型对应的异常检测结果为候选数据孪生模型不存在异常。

具体的，对样本寿命值进行归一化处理，得到归一化处理后的样本寿命值，并计算样本寿命值和映射寿命值之间的欧式距离，若欧式距离不小于预设距离阈值，则确定候选数据孪生模型对应的异常检测结果为候选数据孪生模型存在异常；若欧式距离小于预设距离阈值，则确定候选数据孪生模型对应的异常检测结果为候选数据孪生模型不存在异常。

示例性的，假设欧氏距离函数为:Euclidean_distance(Y,M(X))，归一化处理后的样本寿命值为Y

需要注意的是，异常检测结果的确定方式可以根据具体的数据特点和任务需求进行调整和优化，以达到准确判断异常情况的目标。在实际应用中，可以使用更复杂的异常检测算法，如孤立森林、One-Class SVM等，来进一步提高异常检测结果确定的准确性和性能。

上述确定异常检测结果，将样本运行数据和样本环境数据输入到候选数字孪生模型中，得到输电线路元件在历史时段内的样本寿命值，对样本运行数据和样本环境数据进行映射处理，得到样本运行数据和样本环境数据对应的映射寿命值，根据样本寿命值和映射寿命值，确定候选数据孪生模型对应的异常检测结果，能够通过样本寿命值和映射寿命值，确定候选数据孪生模型的常检测结果，从而进一步确定候选数据孪生模型是否训练完成，以提高候选数据孪生模型的准确性，为后续基于目标数据孪生模型确定当前寿命值提供保证。

在一个实施例中，本实施例给出了一种输电线路元件寿命预测的可选方式，以该方法应用于服务器为例进行说明。如图5所示，该方法包括如下步骤：

S501获取多个输电线路元件在历史时段内的样本运行数据和样本环境数据。

S502基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到候选数字孪生模型。

S503将样本运行数据和样本环境数据输入到候选数字孪生模型中，得到输电线路元件在历史时段内的样本寿命值。

S504对样本运行数据和样本环境数据进行映射处理，得到样本运行数据和样本环境数据对应的映射寿命值。

S505确定样本寿命值和映射寿命值之间的欧式距离。

S506判断欧式距离是否小于预设距离阈值，若是，则执行步骤S507，若否，则返回执行步骤S502。

S507若欧式距离小于预设距离阈值，则确定候选数据孪生模型对应的异常检测结果为候选数据孪生模型不存在异常，并将候选数据孪生模型作为目标数字孪生模型。

S508获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据。

S509将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值。

S510确定历史寿命值的历史权重，以及当前寿命值的当前权重。

S511根据历史寿命值、当前寿命值、历史权重和当前权重进行统计处理，确定目标输电线路元件的目标寿命值。

S512根据目标输电线路元件的目标寿命值，确定目标寿命值对应的目标输电线路元件优化建议，以供用户对目标输电线路元件进行优化处理。

需要说明的是，本实施例中，步骤S501-S507为确定目标数字孪生模型的过程，步骤S508-S512为根据目标运行数据和目标环境数据确定目标寿命值，并格局该寿命值对目标输电线路元件进行优化的过程。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的输电线路元件寿命预测方法的输电线路元件寿命预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个输电线路元件寿命预测装置实施例中的具体限定可以参见上文中对于输电线路元件寿命预测方法的限定，在此不再赘述。

在一个示例性的实施例中，如图6所示，提供了一种输电线路元件寿命预测装置1，包括：数据获取模块10、寿命获取模块11和寿命确定模块12，其中：

数据获取模块10，用于获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；

寿命获取模块11，用于将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；

寿命确定模块12，用于根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。

在一个实施例中，图6中的寿命确定模块12用于确定历史寿命值的历史权重，以及当前寿命值的当前权重；根据历史寿命值、当前寿命值、历史权重和当前权重进行统计处理，确定目标输电线路元件的目标寿命值。

在一个实施例中，如图7所示，图6中的输电线路元件寿命预测装置1，还包括：

模型训练模块13，用于获取多个输电线路元件在历史时段内的样本运行数据和样本环境数据；基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到目标数字孪生模型。

在一个实施例中，图7中的模型训练模块13，还包括：

候选模型确定单元，用于基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到候选数字孪生模型；

结果确定单元，用于根据样本运行数据、样本环境数据和样本寿命值，对候选数据孪生模型进行异常检测，得到异常检测结果；

模型确定单元，用于若异常检测结果为候选数据孪生模型不存在异常，则将候选数据孪生模型作为目标数字孪生模型。

在一个实施例中，结果确定单元，包括：

样本寿命确定子单元，用于将样本运行数据和样本环境数据输入到候选数字孪生模型中，得到输电线路元件在历史时段内的样本寿命值；

映射寿命确定子单元，用于对样本运行数据和样本环境数据进行映射处理，得到样本运行数据和样本环境数据对应的映射寿命值；

检测结果确定子单元，用于根据样本寿命值和映射寿命值，确定候选数据孪生模型对应的异常检测结果。

在一个实施例中，检测结果确定子单元用于，确定样本寿命值和映射寿命值之间的欧式距离；若欧式距离小于预设距离阈值，则确定候选数据孪生模型对应的异常检测结果为候选数据孪生模型不存在异常。

在一个实施例中，如图8所示，图6中的输电线路元件寿命预测装置1，还包括：

建议确定模块14，用于根据目标输电线路元件的目标寿命值，确定目标寿命值对应的目标输电线路元件优化建议，以供用户对目标输电线路元件进行优化处理。

上述输电线路元件寿命预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种输电线路元件寿命预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；

将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；

根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

确定历史寿命值的历史权重，以及当前寿命值的当前权重；

根据历史寿命值、当前寿命值、历史权重和当前权重进行统计处理，确定目标输电线路元件的目标寿命值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取多个输电线路元件在历史时段内的样本运行数据和样本环境数据；

基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到目标数字孪生模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到候选数字孪生模型；

根据样本运行数据、样本环境数据和样本寿命值，对候选数据孪生模型进行异常检测，得到异常检测结果；

若异常检测结果为候选数据孪生模型不存在异常，则将候选数据孪生模型作为目标数字孪生模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将样本运行数据和样本环境数据输入到候选数字孪生模型中，得到输电线路元件在历史时段内的样本寿命值；

对样本运行数据和样本环境数据进行映射处理，得到样本运行数据和样本环境数据对应的映射寿命值；

根据样本寿命值和映射寿命值，确定候选数据孪生模型对应的异常检测结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

确定样本寿命值和映射寿命值之间的欧式距离；

若欧式距离小于预设距离阈值，则确定候选数据孪生模型对应的异常检测结果为候选数据孪生模型不存在异常。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据目标输电线路元件的目标寿命值，确定目标寿命值对应的目标输电线路元件优化建议，以供用户对目标输电线路元件进行优化处理。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；

将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；

根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

确定历史寿命值的历史权重，以及当前寿命值的当前权重；

根据历史寿命值、当前寿命值、历史权重和当前权重进行统计处理，确定目标输电线路元件的目标寿命值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取多个输电线路元件在历史时段内的样本运行数据和样本环境数据；

基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到目标数字孪生模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到候选数字孪生模型；

根据样本运行数据、样本环境数据和样本寿命值，对候选数据孪生模型进行异常检测，得到异常检测结果；

若异常检测结果为候选数据孪生模型不存在异常，则将候选数据孪生模型作为目标数字孪生模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将样本运行数据和样本环境数据输入到候选数字孪生模型中，得到输电线路元件在历史时段内的样本寿命值；

对样本运行数据和样本环境数据进行映射处理，得到样本运行数据和样本环境数据对应的映射寿命值；

根据样本寿命值和映射寿命值，确定候选数据孪生模型对应的异常检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

确定样本寿命值和映射寿命值之间的欧式距离；

若欧式距离小于预设距离阈值，则确定候选数据孪生模型对应的异常检测结果为候选数据孪生模型不存在异常。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据目标输电线路元件的目标寿命值，确定目标寿命值对应的目标输电线路元件优化建议，以供用户对目标输电线路元件进行优化处理。

在一个实施例中，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以下步骤：

获取目标输电线路元件在当前时段内的目标运行数据和目标环境数据；

将目标运行数据和目标环境数据输入到目标数字孪生模型中，得到目标输电线路元件在当前时段内的当前寿命值；

根据目标输电线路元件在历史时段内的历史寿命值和当前寿命值，确定目标输电线路元件的目标寿命值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

确定历史寿命值的历史权重，以及当前寿命值的当前权重；

根据历史寿命值、当前寿命值、历史权重和当前权重进行统计处理，确定目标输电线路元件的目标寿命值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取多个输电线路元件在历史时段内的样本运行数据和样本环境数据；

基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到目标数字孪生模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

基于样本运行数据和样本环境数据，对初始数字孪生模型进行训练，得到候选数字孪生模型；

根据样本运行数据、样本环境数据和样本寿命值，对候选数据孪生模型进行异常检测，得到异常检测结果；

若异常检测结果为候选数据孪生模型不存在异常，则将候选数据孪生模型作为目标数字孪生模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将样本运行数据和样本环境数据输入到候选数字孪生模型中，得到输电线路元件在历史时段内的样本寿命值；

对样本运行数据和样本环境数据进行映射处理，得到样本运行数据和样本环境数据对应的映射寿命值；

根据样本寿命值和映射寿命值，确定候选数据孪生模型对应的异常检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

确定样本寿命值和映射寿命值之间的欧式距离；

若欧式距离小于预设距离阈值，则确定候选数据孪生模型对应的异常检测结果为候选数据孪生模型不存在异常。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据目标输电线路元件的目标寿命值，确定目标寿命值对应的目标输电线路元件优化建议，以供用户对目标输电线路元件进行优化处理。

需要说明的是，本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。