CN107464044A - 基于热点边缘提取的电网运行态势感知方法及系统 - Google Patents

Abstract

本发明公开一种基于热点边缘提取的电网运行态势感知方法及系统，包括：数据获取步骤：从数据库中获取主网、配网负荷数据，实现电网运行态势数据集合；数据处理步骤：对获取的电网运行态势数据集合进行预处理；数据分析步骤：了解数据趋势特征；数据建模步骤：包括热力图分析模型构建、聚合分析模型构建、重点区域边缘提取模型构建和多业务叠加分析模型构建。所述系统包括数据获取模块、数据处理模块、数据分析模块和数据建模模块。本发明所述的基于热点边缘提取的电网运行态势感知方法及系统，以热点边缘提取技术为切入点，借助大数据挖掘和应用，从配网运行相关业务的现状出发，通过分析、查找、挖掘发现配网运行态势感知潜在的关联关系。

Description

基于热点边缘提取的电网运行态势感知方法及系统

技术领域

本发明涉及一种电网运行态势感知方法及系统，具体涉及一种基于热点边缘提取的电网运行态势感知方法及系统。

背景技术

目前，供电企业基于全网运行状态的态势感知能力相对缺乏，各子系统管理领域与信息资源相对独立，传统的电网运营辅助分析手段单一，需要综合调取多个系统中相关联的业务信息进行联合分析，缺乏有效的整合利用与整体分析手段方法，存在人力资本投入大、问题分析解决效率不高的问题。

而近年来随着电力体制改革逐步推进、互联网+以及经济环境不确定因素增多等一系列新形势的出现，对配电网管理提出了更多新要求。对于供电企业来说，如何利用数据挖掘方法最大限度的分析数据中包含的有效信息，也将是一件十分有意义而又迫切的工作。单业务的对配网运行态势的监测感知已不能满足配网不断增长的新形势，同时电网企业所积累的海量数据，通过传统的信息技术是无法满足配电网运营监测的主动业务开展的。

有鉴于此，本发明人对此进行研究，专门开发出一种基于热点边缘提取的电网运行态势感知方法及系统，本案由此产生。

方法内容

本方法的目的是提供一种基于热点边缘提取的电网运行态势感知方法及系统，以热点边缘提取为切入点，通过分析、查找、挖掘发现配网运行态势感知潜在的关联关系。

为了实现上述目的，本方法的解决方案是：

一种基于热点边缘提取的电网运行态势感知方法，包括如下步骤：

数据获取步骤：从数据库中获取主网、配网负荷数据，实现电网运行态势数据集合；

数据处理步骤：对获取的电网运行态势数据集合进行预处理，包括对数据进行异常值检测，以及缺失值补全；

数据分析步骤：了解数据趋势特征，包括数据统计描述和指标统计；

数据建模步骤：包括热力图分析模型构建子步骤、聚合分析模型构建子步骤、重点区域边缘提取模型构建子步骤和多业务叠加分析模型构建子步骤。

作为优选，所述热力图分析模型构建子步骤具体为：利用热力图分析模型，为离散点设定一个半径，创建一个缓冲区；然后对每个离散点的缓冲区，使用渐进的灰度带，从内而外，由深至浅填充；各离散点色彩根据变压器负载率从小而大渐进填充；然后对于有缓冲区交叉的区域，叠加灰度值，缓冲区交叉的越多，灰度值越大，这块区域就越“热”；最后以叠加后的灰度值为索引，从一条有256种颜色的色带中映射颜色，并对图像重新着色，从而实现热力图。

作为优选，所述各离散点色彩根据变压器负载率从小而大渐进填充，具体配置为：负载率30％为蓝色，负载率90％为绿色，负载率110％为黄色，负载率140％为橙色，负载率大于140％为红色。

作为优选，所述聚合分析模型构建子步骤具体为：通过上述热力图分析，根据负荷高低用不同颜色表示，再根据聚合分析模型，聚合出可视化的颜色区域，形成全地区主网和配网负载分布态势图。

作为优选，所述重点区域边缘提取模型构建子步骤具体为：首先提取图像的颜色通道，分别运用中值滤波法对图像去噪处理、色彩空间变化法改进图像质量；然后对图像进行两次聚类，先聚类出红色区域在对该区域聚类出封闭边缘，达到对图像进行分割的目的。

作为优选，所述对图像进行聚类时，通过K-means算法进行两次聚类，K-means算法相关公式为：

x表示观测集(x₁,x₂,...,x_n)，其中每个观测是一个d维向量，k-means是要把这n个观测集划分k个集合中(k≤n),使得组内平方和最小。即使上述目标函数最小，其中μ_i是S_i中所有点的均值。

作为优选，所述多业务叠加分析模型构建子步骤具体为：通过聚焦边缘提取所形成的重点区域，由简入繁，利用语义分析提炼客户诉求内容，逐层叠加和穿透分析区域电网运行状态与客户诉求响应，将需求侧响应思维贯穿到电网资源的配置中；在地理信息图上以可视化图形方式展现热点区域内各类型异常状态，对重点区域进行穿透分析，通过有色线条标明热点区域的边界范围，可看到地理空间区域上实时标注了重过载、低电压的台区分布情况，点击后可了解该台区的异常明细信息，查看异常发生的频次、持续时长等具体信息。

作为优选，所述多业务叠加分析模型构建子步骤还包括：进一步叠加分析电话故障工单与投诉工单，得到电话工单在该区域发生的频次及具体服务响应信息，看到在该区域发生的频次及具体服务响应信息，包括其发生地点及热点词频；对于工单内容，通过运用分词技术和自组织学习方法，总结提炼出多个与电网态势、服务响应相关的关键词，通过语义分析将故障或投诉内容转换成热点词频进行表达。一方面可以快速捕捉问题重点，另一方面有利于后期计算机模型开展统计分析，通过在客户诉求与电网运行直接建立起紧密联系，可以有效得出不同地区客户对配电网建设需求的具体反映，对区域反复出现的密集点建立预警机制，有针对性地开展配电网建设投资，提高供电可靠率与服务满意度。

一种基于热点边缘提取的电网运行态势感知系统，包括如下模块：

数据获取模块：用于实现电网运行态势数据集合；

数据处理模块：用于对获取的电网运行态势数据集合进行预处理；

数据分析模块：用于对处理后的电网运行态势数据集合进行分析；

数据建模模块：用于对分析后的电网运行态势数据集合进行建模。

本发明所述的基于热点边缘提取的电网运行态势感知方法及系统，以热点边缘提取技术为切入点，借助大数据挖掘和应用，从配网运行相关业务的现状出发，通过分析、查找、挖掘发现配网运行态势感知潜在的关联关系。通过大数据建模手段建立配电网运行态势感知体系，为配网企业运维检修、投资核算、电网规划及客户满意度提升提供了决策依据，从而提高配电网的管理水平与电网的安全性、可靠性和经济性。

以下结合附图及具体实施例对本方法做进一步详细描述。

附图说明

图1为基于热点边缘提取的电网运行态势感知方法流程图。

具体实施方式

如图1所示，一种基于热点边缘提取的电网运行态势感知方法，包括如下步骤：

数据获取步骤101：从数据库中获取主网、配网负荷数据，最终实现电网运行态势数据集合。

数据处理步骤102：对获取的电网运行态势数据集合进行预处理，包括对数据进行异常值检测，以及缺失值补全，如先进行数据清洗，接着进行3Sigma统计分析算法，然后进行拉格朗日差值算法。

其中：拉格朗日差值算法为：拉格朗日(插值)多项式，对实践中的某个物理量进行观测，在若干个不同的地方得到相应的观测值，拉格朗日插值算法可以找到一个多项式，其恰好在各个观测的点取到观测到的值。拉格朗日多项式插值算法如公式(1)如示：

因为主、配网变压器负荷数据分别来源于SCADA遥测数据、配变实时采集数据，数据采集频度分别为5分钟，15分钟，数据采集时点存在不对应问题。本实施例通过拉格朗日插值算法对采集缺失数据进行补全，确保关键节点与重要断面数据的完整准确，以支撑开展全网负载能力的联合分析。

3Sigma统计分析算法为：针对突变与异动数据，采用3Sigma统计分析算法进行过滤，排除异常数据对分析模型的影响。若随机变量X服从一个数学期望为μ、方差为σ²的正态分布，记为N(μ,σ²)，3Sigma统计分析算法如公式(2)如示：

在实际问题中X落在(μ-3σ,μ+3σ)以外的概率小于千分之三，属于小概率事件，因此可以把区间(μ-3σ,μ+3σ)看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”原则。本实施例通过采用3Sigma统计分析算法，对突变与异动数据进行过滤，可以排除异常数据对分析模型的影响。

数据分析步骤103：了解数据趋势特征，包括数据统计描述和指标统计，如重要负载断面计算、整体分析和关联分析。

其中，重要负载断面计算为：区域电网月度、年度最大负荷时刻等重要时点可以调用SCADA系统计算结果，但是配变台区最大负荷在已有的各类系统暂未实现汇总计算。通过滚动计算区域所有配变台区每个时点的负载数据，查找月度、年度地区配网最大负荷时刻。具体计算规则为：某时间区间内，滚动计算区域内所有配变台区每个时点的配网总负荷，配网总负荷最大值所在的时点即为该时间区间的重要负载断面。

数据建模步骤104：包括热力图分析模型构建子步骤、聚合分析模型构建子步骤、重点区域边缘提取模型构建子步骤和多业务叠加分析模型构建子步骤。

在本实施中，所述热力图分析模型构建子步骤具体为：利用热力图分析模型，为离散点设定一个半径(设定1.5km)，创建一个缓冲区；然后对每个离散点的缓冲区，使用渐进的灰度带(完整的灰度带是0-255)，从内而外，由深至浅地填充；各离散点色彩根据变压器负载率从小而大渐进填充；(具体配置为：负载率30％为蓝色，负载率90％为绿色，负载率110％为黄色，负载率140％为橙色，负载率大于140％为红色；)然后对于有缓冲区交叉的区域，叠加灰度值(值越大颜色越亮，在灰度带中则显得越白)，因而缓冲区交叉的越多，灰度值越大，这块区域也就越“热”；最后以叠加后的灰度值为索引，从一条有256种颜色的色带中(例如彩虹色)映射颜色，并对图像重新着色，从而实现热力图。

在本实施中，所述聚合分析模型构建子步骤具体为：通过上述热力图分析，根据负荷高低用不同颜色表示，再根据聚合分析模型，聚合出可视化的颜色区域，形成全地区主网和配网负载分布态势图。

在本实施中，所述重点区域边缘提取模型构建子步骤具体为：首先提取图像的颜色通道，分别运用中值滤波法对图像去噪处理、色彩空间变化法改进图像质量；然后对图像进行聚类，通过matlab软件自带的K-means算法进行两次聚类，先聚类出红色区域在对该区域聚类出封闭边缘，达到对图像进行分割的目的。

K-means算法相关公式为：

x表示观测集(x₁,x₂,...,x_n)，其中每个观测是一个d维向量，k-means是要把这n个观测集划分k个集合中(k≤n),使得组内平方和最小。即使上述目标函数最小，其中μ_i是S_i中所有点的均值。

在本实施中，所述多业务叠加分析模型构建子步骤具体为：通过聚焦边缘提取所形成的重点区域，由简入繁，利用语义分析技术提炼客户诉求内容，逐层叠加和穿透分析区域电网运行状态与客户诉求响应，将需求侧响应思维贯穿到电网资源的科学配置中；在地理信息图上以可视化图形方式展现热点区域内各类型异常状态，对重点区域进行穿透分析，黄色虚线标明了热点区域的边界范围，首先可以看到地理空间区域上实时标注了重过载、低电压的台区分布情况，点击可以了解该台区的异常明细信息，查看异常发生的频次、持续时长等具体信息。

此外，所述多业务叠加分析模型构建子步骤还包括：进一步叠加分析95598故障工单与投诉工单，可以看到95598工单在该区域发生的频次及具体服务响应信息，可以看到在该区域发生的频次及具体服务响应信息，包括其发生地点及热点词频。对于工单内容，通过运用分词技术和自组织学习方法，总结提炼出400余个与电网态势、服务响应相关的关键词，通过语义分析将故障或投诉内容转换成热点词频进行表达。一方面可以快速捕捉问题重点，另一方面有利于后期计算机模型开展统计分析，通过在客户诉求与电网运行直接建立起紧密联系，可以有效得出不同地区客户对配电网建设需求的具体反映，对区域反复出现的密集点建立预警机制，有针对性地开展配电网建设投资，提高供电可靠率与服务满意度。

本实施例所述的一种基于热点边缘提取的电网运行态势感知方法，是应对电网改革发展新形势的有力举措，有效推进公司运营监测(控)中心的工作，为公司经营决策提供有效的支撑。所述电网宏观运行态势感知方法基于月度网供最大负荷时刻、月度配网最大负荷时刻、主配网负载等数据分析预测，选择输配网某一断面的变压器负载率、空间地理分布情况，通过热力图分析，根据负荷高低用不同颜色表示，聚合出可视化的颜色区域，形成全地区主网和配网负载分布态势图。

然后利用重点区域边缘提取模型对某个区域某个时间运行态势进行边缘提取计算，形成多个重点区域的闭合轮廓区域。这些闭合轮廓标明了重点区域地理分布情况，具有鲜明的地域特点，形成配网负载承载较重的态势，后期予以重点关注分析。通过对区域电网宏观运行态势分布的边缘提取结果开展比对分析，可以获得更准确的各区域电网负载能力分布特征以及主配网协同配套状况的可视化结果，发现配网运行薄弱环节和投资需求点，对区域电网诊断分析结果进行综合统计，指导下一步网架建设的规划工作重点。

最后利用多业务叠加分析模型通过语义分析技术提炼客户诉求内容，逐层叠加和穿透分析区域电网运行状态与客户诉求响应，将需求侧响应思维贯穿到电网资源的科学配置中。在地理信息图上以可视化图形方式展现热点区域内各类型异常状态，对重点区域进行穿透分析，黄色虚线标明了热点区域的边界范围，首先可以看到地理空间区域上实时标注了重过载、低电压的台区分布情况，点击可以了解该台区的异常明细信息，查看异常发生的频次、持续时长等具体信息。其次进一步叠加分析95598故障工单与投诉工单，可以看到95598工单在该区域发生的频次及具体服务响应信息，可以看到在该区域发生的频次及具体服务响应信息，包括其发生地点及热点词频。通过在客户诉求与电网运行直接建立起紧密联系，可以有效得出不同地区客户对配电网建设需求的具体反映，对区域反复出现的密集点建立预警机制，有针对性地开展配电网建设投资，提高供电可靠率与服务满意度。

上述实施例和图式并非限定本发明的产品形态和式样，任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应视为不脱离本发明的专利范畴。

Claims (9)

1.一种基于热点边缘提取的电网运行态势感知方法，其特征在于包括如下步骤：

数据获取步骤：从数据库中获取主网、配网负荷数据，实现电网运行态势数据集合；

数据处理步骤：对获取的电网运行态势数据集合进行预处理，包括对数据进行异常值检测，以及缺失值补全；

数据分析步骤：了解数据趋势特征，包括数据统计描述和指标统计；

数据建模步骤：包括热力图分析模型构建子步骤、聚合分析模型构建子步骤、重点区域边缘提取模型构建子步骤和多业务叠加分析模型构建子步骤。

2.如权利要求1所述的一种基于热点边缘提取的电网运行态势感知方法，其特征在于：所述热力图分析模型构建子步骤具体为：利用热力图分析模型，为离散点设定一个半径，创建一个缓冲区；然后对每个离散点的缓冲区，使用渐进的灰度带，从内而外，由深至浅填充；各离散点色彩根据变压器负载率从小而大渐进填充；然后对于有缓冲区交叉的区域，叠加灰度值，缓冲区交叉的越多，灰度值越大，这块区域就越“热”；最后以叠加后的灰度值为索引，从一条有256种颜色的色带中映射颜色，并对图像重新着色，从而实现热力图。

3.如权利要求2所述的一种基于热点边缘提取的电网运行态势感知方法，其特征在于：所述各离散点色彩根据变压器负载率从小而大渐进填充，具体配置为：负载率30％为蓝色，负载率90％为绿色，负载率110％为黄色，负载率140％为橙色，负载率大于140％为红色。

4.如权利要求2所述的一种基于热点边缘提取的电网运行态势感知方法，其特征在于：所述聚合分析模型构建子步骤具体为：通过上述热力图分析，根据负荷高低用不同颜色表示，再根据聚合分析模型，聚合出可视化的颜色区域，形成全地区主网和配网负载分布态势图。

5.如权利要求2所述的一种基于热点边缘提取的电网运行态势感知方法，其特征在于：所述重点区域边缘提取模型构建子步骤具体为：首先提取图像的颜色通道，分别运用中值滤波法对图像去噪处理、色彩空间变化法改进图像质量；然后对图像进行两次聚类，先聚类出红色区域在对该区域聚类出封闭边缘，达到对图像进行分割的目的。

6.如权利要求5所述的一种基于热点边缘提取的电网运行态势感知方法，其特征在于：所述对图像进行聚类时，通过K-means算法进行两次聚类，K-means算法相关公式为：

<mrow> <munder> <mi>argmin</mi> <mi>S</mi> </munder> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>&amp;Element;</mo> <msub> <mi>S</mi> <mi>i</mi> </msub> </mrow> </munder> <mo>|</mo> <mo>|</mo> <mi>x</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>i</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow>

x表示观测集(x₁,x₂,...,x_n)，其中每个观测是一个d维向量，k-means是要把这n个观测集划分k个集合中(k≤n),使得组内平方和最小，即使上述目标函数最小，其中μ_i是S_i中所有点的均值。

7.如权利要求2所述的一种基于热点边缘提取的电网运行态势感知方法，其特征在于：所述多业务叠加分析模型构建子步骤具体为：通过聚焦边缘提取所形成的重点区域，由简入繁，利用语义分析提炼客户诉求内容，逐层叠加和穿透分析区域电网运行状态与客户诉求响应，将需求侧响应思维贯穿到电网资源的配置中；在地理信息图上以可视化图形方式展现热点区域内各类型异常状态，对重点区域进行穿透分析，通过有色线条标明热点区域的边界范围。

8.如权利要求7所述的一种基于热点边缘提取的电网运行态势感知方法，其特征在于：所述多业务叠加分析模型构建子步骤还包括：进一步叠加分析电话故障工单与投诉工单，得到电话工单在该区域发生的频次及具体服务响应信息，看到在该区域发生的频次及具体服务响应信息，包括其发生地点及热点词频；对于工单内容，通过运用分词技术和自组织学习方法，总结提炼出多个与电网态势、服务响应相关的关键词，通过语义分析将故障或投诉内容转换成热点词频进行表达。

9.一种基于热点边缘提取的电网运行态势感知系统，其特征在于包括如下模块：

数据获取模块：用于实现电网运行态势数据集合；

数据处理模块：用于对获取的电网运行态势数据集合进行预处理；

数据分析模块：用于对处理后的电网运行态势数据集合进行分析；

数据建模模块：用于对分析后的电网运行态势数据集合进行建模。