本發明專利技術屬于配電網停電預警搶修方法技術領域，尤其涉及一種基于實時量測數據的頻停監測和預警搶修方法。包括如下步驟：建立多源數據融合處理機制，對多源數據進行標準化融合處理，利用多源數據進行融合互校；基于多源實時量測數據進行停電范圍分析；停電規劃作業與現有作業匹配規劃；基于實時信號對復位數據進行研判；基于研判結果和實時數據進行搶修工單推送；完成搶修以及歸檔作業；本申請基于實時量測數據的停電預警搶修方法建立了有效的多源數據構建融合互校的配網低壓故障綜合研判方案，通過局部實地核驗顯示，其停電事件的綜合研判準確性達80％以上，已具有較高的實用化水平，具有良好的推廣和發展前景。
1、根據國家電網有限公司關于制定的重點任務要求，各供配電公司應當全面推廣“網格化”主動搶修，充分發揮供電服務指揮平臺作用，優化調動搶修服務資源，讓客戶快速復電。目前，國內主要供電區域的hplc臺區終端已經實現了較大范圍的覆蓋，但因為供電區域大，用戶基數多，低壓電表數量龐大等原因，限制了hplc臺區頻繁停電主動上報能力的有效覆蓋度，加上通信環境復雜等因素，當前低壓用戶頻繁停電存在大量漏報、誤報(信號抖動、營銷換表等)的情況，各省供電公司供服系統雖建設了頻繁停電研判的相關功能，并實現了主動搶修派單的整體流程，但目前日推送工單量較少，與實際報修等來源低壓居民頻繁停電數量差距較大，且存在準確率不高的情況，導致相關模塊尚且難以進行推廣應用，目前實際低壓搶修工作的依據來源仍以95598等熱線為主，因此對頻繁停電的感知能力信息化存在十分迫切需求。
1、本專利技術的目的在于，基于實際狀況，為滿足供配電系統對頻繁停電數據的收集、研判以及搶修復電工作的需求，充分利用現有gis系統完善的實時量測數據收集系統，提供一種能夠提升低壓搶修工作的全面性和效率，為搶修工作提供更加準確和及時的決策支持的基于實時量測數據的頻停監測和預警搶修方法。
>4、步驟一、建立多源數據融合處理機制，對多源數據進行標準化融合處理，利用多源數據進行融合互校；包括：5、獲取配電網頻繁停電信息實時數據，對數據進行標準化處理，基于配電網數據時序特征對配電網數據的特征進行提取和分析，對多源數據進行校驗；
6、步驟二、基于多源實時量測數據進行頻繁停電范圍分析，包括：
7、基于數據中心接收來自配電自動化系統或用電信息采集系統的配電網故障數據；根據不同的故障數據調用相應的故障定位算法進行定位；配網故障定位后進行頻繁停電范圍分析；
8、步驟三、頻繁停電規劃作業與現有作業匹配規劃，包括：
9、利用pms系統的已知計劃檢修工作形成計劃信息池，將頻繁停電數據與計劃信息池數據進行匹配，從而判定是否為已知計劃，若為已知計劃，不派發工單；若非已知頻繁停電，則進入步驟四；
10、步驟四：基于實時信號對復位數據進行研判，包括：
11、應用復電監測過濾主動搶修數據，獲取短時失電信號，在5分鐘內，針對此部分信號進行監測，判斷是否短時復電數據，若為短時復電數據，不予推送主動工單；若非短時頻繁停電數據，進入步驟五；
12、步驟五：基于研判結果和實時數據進行搶修工單推送，包括：
13、應用實時信息驗證過濾主動搶修數據；針對失電信號進行數據驗證，以驗證后的研判結果為依據，分析是否真實頻繁停電數據，若非真實頻繁停電數據，不予推送主動工單；若為真實頻繁停電數據，推送主動工單，進入步驟六；
14、步驟六：完成搶修以及歸檔作業，包括：
15、生成配搶平臺主動搶修工單，將自動推送至搶修過程管控的“已受理”模塊，由供服坐席人工指派搶修隊進行派單操作，并由搶修隊通過接單、回單、歸檔流程進行處理。
16、對前述基于實時量測數據的頻停監測和預警搶修方法的進一步改進或者具體實施方式，所述步驟一還包括如下步驟：所述步驟一具體包括：
17、a1、根據預設配電網數據標準規范，將相應多源數據的數據規格、量綱以及數據類型和數據量級等屬性進行變換整合得到基礎數據，并利用云平臺融合服務組件進行預處理；
18、a2、對于預處理得到的數據，根據主要數據的數據結構特點，選取合適的特征提取模型進行特征提取融合；
19、a3、利用重構模型對異常數據進行重構并分析其與原始數據的差異，以校驗數據是否正常。
20、對前述基于實時量測數據的頻停監測和預警搶修方法的進一步改進或者具體實施方式，所述步驟a2中特征提取融合包括：基于動態圖注意力網絡模型結合數據的結構關系獲取數據結構特征屬性；基于全連接網絡建立時序特征機器學習網絡獲取數據時序特征屬性；基于特征拼接和位置編碼創建融合特征獲取融合特征屬性。
21、對前述基于實時量測數據的頻停監測和預警搶修方法的進一步改進或者具體實施方式，所述步驟a2中特征提取融合具體包括：
22、a21、基于動態圖注意力網絡模型結合數據的結構關系獲取數據結構特征屬性，具體而言：對原始數據進行向量化表達，基于數據的依賴關系建立包含所有數據的網絡結構模型，其中各數據變量構成空間模型中的各個節點，基于動態圖注意力網絡模型創建嵌入層來學習數據結構特征；
23、a22、基于全連接網絡建立時序特征機器學習網絡獲取數據時序特征屬性，具體而言：結合數據的時序關系，根據配電網供配電周期確定合適的時間窗，對于該時間窗內連續采集得到的數據{x1,x2......xw}，通過全連接網絡q將數據x1轉換為因向量qx＝wqx1+q，同時將其他數據xi,i∈2～w通過全連接網絡p轉換為解向量pi＝wpxj+p，通過機器學習優化網絡，利用激活函數得到數據x1與數據xi的注意力權重：通過加權聚合得到考慮時間尺度下數據xi對數據x1的影響力的融合表達得到數據{x1,x2......xw}考慮時序特征表達{x1',x'2......x'w}；
24、a23、基于特征拼接和位置編碼創建融合特征獲取融合特征屬性，具體而言：建立位置編碼網絡，通過位置嵌入將數據的結構特征參數進行向量表達形成結構特征向量，將時序特征表達為時序特征向量形式，將結構特征向量與時序特征向量進行拼接聚合得到全屬性特征。
25、對前述基于實時量測數據的頻停監測和預警搶修方法的進一步改進或者具體實施方式，所述步驟a2還包括：利用若干層感知機網絡模型對嵌入得到的初始結構特征進行降維處理的步驟。
26、對前述基于實時量測數據的頻停監測和預警搶修方法的進一步改進或者具體實施方式，所述步驟a3具體包括：
27、a31、創建變分自編碼網絡模型(vae)，利用歷史數據對應的全屬性特征對變分自編碼網絡模型進行訓練，提取正常數據的真實數據特征；
28、a32、將利用訓練得到的自編碼網絡模型(vae)對實時數據的全屬性特征進行偏差驗證，篩選異常數據。
29、對前述基于實時量測數據的頻停監測和預警搶修方法的進一步改進或者具體實施方式，自編碼網絡模型的輸入為拼接聚合得到全屬性特征構成的向量集，通過自編碼網絡模型的編碼器對輸入進行擬合以使其具有正態分布的均值和方差，之后通過機器學習篩選合適的采樣參數對前述正態分布的擬合數據進行采樣，得到編碼數據，通過自編碼網絡模型的解碼器對編碼數據進行解碼，得到重構的向量集，即為真實數據特征表達。
30、對前述基于實時量測數據的頻本文檔來自技高網...
【技術保護點】
1.一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟一還包括如下步驟：所述步驟一具體包括：
3.根據權利要求2所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟A2中特征提取融合包括：基于動態圖注意力網絡模型結合數據的結構關系獲取數據結構特征屬性；基于全連接網絡建立時序特征機器學習網絡獲取數據時序特征屬性；基于特征拼接和位置編碼創建融合特征獲取融合特征屬性。
4.根據權利要求2所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟A2中特征提取融合具體包括：
5.根據權利要求4所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟A2還包括：利用若干層感知機網絡模型對嵌入得到的初始結構特征進行降維處理的步驟。
6.根據權利要求1所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟A3具體包括：
7.根據權利要求6所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，自編碼網絡模型的輸入為拼接聚合得到全屬性特征構成的向量集，通過自編碼網絡模型的編碼器對輸入進行擬合以使其具有正態分布的均值和方差，之后通過機器學習篩選合適的采樣參數對前述正態分布的擬合數據進行采樣，得到編碼數據，通過自編碼網絡模型的解碼器對編碼數據進行解碼，得到重構的向量集，即為真實數據特征表達。
8.根據權利要求1所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟二具體包括：
9.根據權利要求8所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟B3具體包括：
10.根據權利要求9所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述單線搜索包括：對于搜索路徑上的母線，比較母線電壓與配屬變電站電壓等級是否一致，若一致則繼續搜索直至搜索到任意配電變壓器，若不一致則停止搜索同時將母線前級設備是為電源節點；對于搜索路徑上的斷路設備，檢索其是否是基于配電網停電規范中確定的閉合設備，若是則繼續搜索直至搜索到任意配電變壓器，若不是則停止搜索；
...
【技術特征摘要】
1.一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟一還包括如下步驟：所述步驟一具體包括：
3.根據權利要求2所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟a2中特征提取融合包括：基于動態圖注意力網絡模型結合數據的結構關系獲取數據結構特征屬性；基于全連接網絡建立時序特征機器學習網絡獲取數據時序特征屬性；基于特征拼接和位置編碼創建融合特征獲取融合特征屬性。
4.根據權利要求2所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟a2中特征提取融合具體包括：
5.根據權利要求4所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟a2還包括：利用若干層感知機網絡模型對嵌入得到的初始結構特征進行降維處理的步驟。
6.根據權利要求1所述的一種基于實時量測數據的頻停監測和預警搶修方法，其特征在于，所述步驟a3具體包括：
7.根據權利要求6所述的...
【專利技術屬性】
技術研發人員：袁瑜，張玉祥，徐開放，郭金星，朱思杰，張盟沛，高茂成，
申請(專利權)人：國網安徽省電力有限公司淮北供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。