CN108537394A - 一种智能电网实时安全预警方法和装置 - Google Patents

Abstract

本发明提供了一种智能电网实时安全预警方法和装置，该方法包括将预处理后的历史用电数据作为训练数据，进行分类器模型的训练；用训练后的分类器模型根据用户的实时用电数据预测用电安全状态；并根据用电安全状态发出电网预警。本发明提供的技术方案适合于各类大数据处理平台快速有效地分析和处理大量的电网状态信息，提升了电网和用户的安全保障。

Description

一种智能电网实时安全预警方法和装置

技术领域

本发明属于智能电网运行与维护的监控预测领域，具体讲涉及一种智能电网实时安全预警方法和装置。

背景技术

智能终端的快速普及推动智能电网不断向数字化、信息化和智能化方向发展，传统的人工采集电网数据的方式已远不能满足电网实时数据的大规模采集的需要。当今学术界和工业界重要的研究方向在于提高电网特性的在线分析能力，实现对电网运行状态的全局掌握和对系统资源的优化控制，尤其是对客户的用电行为及消费行为的重点分析，实现差别化服务，为客户提供进一步的增值服务，提高客户满意度和忠诚度，因此需要时刻关注用户的用电安全，提供实时安全预警服务。

近年来，随着经济的发展，国内外电力供应形势比较紧张，电力系统先后发生了多次重大的停电事故，不仅造成了巨大的经济损失，也影响了人民的生活秩序，给社会带来了重大的影响；配电网是电力系统中的重要组成部分，配电网的安全稳定运行是整个电网安全运行的重要环节，是目前提高供电系统运行水平的关键环节。但目前配电网还是一个比较脆弱的系统，一旦发生大面积故障或是停电事故，后果相当严重，甚至是灾难性的；同时配电网运行也会受到电网自身状况以及气象条件因素的影响，因此为了提高电力系统的安全稳定性和可靠性，需要提供一种智能电网实时安全的预警方法对配电网运行中面临的风险进行安全预警，对配电网的潜在故障风险提前做出准确预警。

发明内容

为满足用电用户的安全保障，提高服务质量，本发明提供了一种智能电网实时安全预警方法。

本发明提供的智能电网实时安全预警方法，其改进之处在于，所述方法包括：

将预处理后的历史用电数据作为训练数据，进行分类器模型的训练；

根据用户的实时用电数据，用训练后的分类器模型预测用电安全状态；

根据用电安全状态发出电网预警；

所述进行分类器模型的训练包括：

将训练数据Datas输入MapReduce计算框架，针对类别N分别发射Mapper端读到的样本数据；所述发射的格式包括：<ClassID，<True/False，SampleFeatures>>，其中，True和False：分别表示属于或不属于ClassID类别；SampleFeatures：样本数据特征属性；

将Reducer的数量设置为N，并行训练N个二分类器。

进一步的，所述方法还包括：

采集历史用电数据，所述历史用电数据为智能终端设备向数据中心发送的特征数据；

所述历史用电数据用以下三元组表示：

Data::＝<DataId，Size，[Pair]>

其中，DataId:全局唯一的智能终端编号；Size：Pair的个数；[Pair]：一个或多个特征属性和特征属性权重Pair；Pair用以下二元组表示：

Pair::＝<FeatureId，FeatureWeight>

式中，FeatureId：特征属性的标号；FeatureWeight：特征属性权重。

进一步的，所述预处理包括：

将所述历史用电数据进行类标标记，并将不正常指标数据删除后的数据统一为SVM数据格式；归一化处理格式化的数据；

所述类标标记Class如下式所示：

Class::＝<Danger，Warn，Safe，Unknown>；

所述Danger表示用户用电危险状态，Warn表示用户用电状态超出正常范围，Safe表示用户用电状态正常，Unknown表示无法判断用户用电状态。

进一步的，所述根据用户的实时用电数据预测用电安全状态包括：

Mapper端读入的N个二分类器模型对每个待预测样本数据Sample评分，并将评分结果以<SampleID，<ClassID，Score>>格式输出；

Reducer函数从同一个样本数据Sample的N个ClassID对应分数Score中选择最大值，将最大分数Score及其相对的分类ClassID标记为ResultClass，且ResultClass∈Class。

进一步的，若所述ResultClass给出的置信度分数高于最低阈值，则将样本数据Sample判定为ResultClass类，否则将样本数据Sample判为异类。

进一步的，所述用电安全状态为Danger，或者，所述用电安全状态为Warn，或者，所述用电安全状态为Safe，或者，所述用电安全状态为Unknown；

所述根据用电安全状态发出电网预警包括：

(1)所述用电安全状态为Danger则发出的电网预警为：对该用电状态采取电话通知或工作人员核实状态的紧急处理方式；记录并保存此用电状态的数据，在核查后补入数据状态的真实类标并存入历史数据库；

(2)所述用电安全状态为Warn，则发出的电网预警为：电话或邮件提醒用户；

(3)所述用电安全状态为Safe，则发出的电网预警为：用户用电状态正常；

(4)所述用电安全状态为Unknown，则发出的电网预警为：保存当前记录，在核查后标记数据并存入历史数据库。

进一步的，完成一条实时数据预测和/或重新构建分类器模型的定时器超时，重新构建分类器模型。

一种智能电网实时安全的预警装置，所述装置包括：

建模单元，用于将预处理后的历史用电数据作为训练数据，进行分类器模型的训练；

预测单元，用于根据用户的实时用电数据，用训练后的分类器模型预测用电安全状态；

预警单元，根据用电安全状态发出电网预警。

进一步的，所述建模单元包括：

预处理子单元，用于类标标记智能终端向数据中心发送的特征数据，将不正常指标数据删除后的数据统一为SVM数据格式；归一化处理格式化的数据；

训练子单元，用于训练分类器模型，训练过程包括：将训练数据Datas输入MapReduce计算框架，针对类别N分别发射Mapper端读到的样本数据；

将Reducer的数量设置为N，并行训练N个二分类器。

进一步的，所述预测单元包括：

数据处理子单元，用于根据采集的实时用电数据待预测样本，用MapReduce框架实现预测；

判定子单元，根据设定的最低阈值判断样本数据Sample是否为ResultClass类；

预测结果处理子单元，用于根据得到的Danger、Warn、Safe和Unknown的用电安全状态标记并存储用电数据。

与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：

1、本发明提供的技术方案以预处理后的历史用电数据作为训练数据进行分类器模型的训练；并根据实时用电数据，用分类器模型预测用电安全状态；根据预测的用电安全状态发出电网预警；根据历史数据和实时数据，构建实时智能电网预警系统，提高了智能电网在线分析能力，有效提高了发现用电安全隐患的精确度，为配电网安全有序运行提供技术保证。

2、本发明提供的技术方案应用MapReduce流数据处理和SVM机器学习技术，构建实时的预警系统，快速实时地预测有潜在用电安全问题的用户；预警方法计算简单，适用于不同规模的电网系统，以及不同类型的智能终端，具有扩展性和适应性。

3、本发明提供的技术方案在MapReduce流数据处理方式能并行训练模型以及处理数据，其并行计算方式适合于各类大数据处理平台，快速有效地分析和处理大量的电网状态信息，提升电网和用户的安全保障。

附图说明

图1为本发明提供的智能电网实时安全预警方法总体框架图；

图2为本发明提供的智能电网安全预警方法流程图；

图3为本发明提供的并行化训练Linear SVM分类器的流程图；

图4为本发明提供的并行地对待预测的数据进行分类处理的流程图。

具体实施方式

以下将结合说明书附图，以具体实施例的方式详细介绍本发明提供的技术方案。

本发明提供的技术方案使用大数据实时计算框架进行用户实时用电数据的收集；使用机器学习知识在用户历史用电数据上构建危险用电模型，对用户用电状态进行实时监控，使电网智能化使用批处理计算框架MapReduce加速预测模型的构建速度，提升服务质量，并且该方法适合各种批处理计算引擎，具有很强的适应性；应用机器学习技术，监控用户实时用电状态，并对存在危险用电行为的用户，根据危险级别进行人性化的通知，为用户增加安全用电的屏障。

图1所示为基于Linear SVM构建智能电网实时安全预警系统方法的总体框架图，方法的输入部分包括：用户用电的历史行为数据和用户的实时用电数据；方法的输出部分包括：一部分是基于用户历史用电数据构建的Linear SVM预测模型，另一部分是使用预测模型对输入的实时用电数据进行预测的结果。

本发明提供的技术方案包含以下四个步骤：

其一、收集并存储用户历史用电数据，对数据进行预处理操作；

其二、根据设定的类的目标个数N，训练N个与类标相对应的二类别Linear SVM分类器；

其三、收集实时用户用电数据，对用户用电的安全状态进行预测；

其四、根据用户的用电状态进行相应的处理。

图2为本发明提供的安全预警方法的详细流程图，下面将详细说明。

(一)收集并存储用户历史用电数据，完成数据预处理操作。

用户的历史信息是通过智能电表等智能终端进行采集并有效存储的，这些智能终端主要包括电能表、电压互感器、电流互感器和电能计量箱柜等设备，该设备在生产运作过程中产生重要信息，主要包括以下两类信息：用户相关信息和设备相关信息。其中，用户相关信息中包括用户的标识，用户的实时用电量情况；设备相关信息包括设备的编号、设备的类型、设备当前的工作状态和健康参数以及流经该设备的电能计量等。

智能终端设备在提供必要服务的同时，还需要向数据中心发送相关特征数据。由于不同的设备类型需要发送的数据指标是不一样的，每条Data数据将由一个长度不一的特征向量构成，如下所示：

Data数据被定义为三元组，包括有DataId，[特征向量，特征向量权重]的长度，每项字段以逗号分隔开，即：

Data::＝<DataId，Size，[Pair]>

其中，DataId表示智能终端的编号，该编号全局唯一；Size表示Pair的个数；[Pair]表示一个或者多个Pair，指的是特征向量和特征向量权重；Pair是一个二元组：Pair::＝<FeatureId,FeatureWeight>

其中，FeatureId是特征的标号，特征编号对应的含义将保存在关系型数据库中，为整型，特征空间是M(M>>0且M∈N+)个维度，也就是意味着FeatureId的取值范围是[0，M-1]；FeatureWeight表示该特征属性的权重，即该特征对Data的重要程度，为浮点数。需要注意的是，每个Data数据的特征数目不等。待分类的实际类别总数为N，可分类的类标记为Class，是一个枚举类型，定义如下：

Class::＝<Danger，Warn，Safe，Unknown>

其中，Danger表示危险类别，表示当前用户家庭用电相当不正常；Warn表示警告类别，表示用户用电与平常状态有些许出入，但是仍在安全范围，需要引起注意；Safe表示正常的用电状态；Unknown表示当前状态不清楚，无法判别，需要转为人工处理。那么，在此情况下，可知N为4.

在数据预处理阶段中，对以上收集的历史数据Data根据以往的跟踪观察进行类标标记，将每一条Data数据根据实际情况赋予Class标签，同时，删除明显不正常的指标数据，把数据处理成SVM需要的数据输入格式并进行归一化。其中每条训练数据的处理都是独立的，可以完全并行执行，借助大数据计算平台如MapReduce进行格式转化，提升处理的效率。至此，已经完成了第一步骤数据准备的工作，可作为后续构建分类器模型的训练数据Datas。

(二)根据设定的类的目标个数N，训练N个二类别的Linear SVM分类器。

对训练数据进行训练处理，整个训练过程将借助并行计算框架MapReduce的一个job完成。输入为整个预处理后的训练数据Datas，将Mapper端读到的每个样本数据，针对每个类别进行一次发射，共发射N次。

发射key-value的格式为：<ClassID，<True/False，SampleFeatures>>，其中，Ture表示当前实例属于ClassID类别，False表示不属于这个类别。此外，因为类标的个数为N，故将Reducer的数量也设置为N个，每个Reducer负责一个二分类器模型的训练过程，N个二分类器的训练过程是并行执行的。具体地说，每个Reducer只负责处理一类标记的数据(属于这个类别，或者不属于这个类别)，这种保障可以通过自定义Partitioner分区函数实现。由此，对实时用户数据进行预测分类的多类别判定问题转化成了N个二分类问题。

同时，将第i个类别分类器模型的参数记为Wi，并将N个Linear SVM分类器的模型输出到共享的分布式文件系统如HDFS中供后续使用，并行训练N个SVM的流程图如图3所示。

(三)收集实时用户用电数据，对用户用电的安全状态进行预测。

由于电网的用户数据量巨大并且要求实时性等特点，要确保准确有效的收集这些实时流数据，可以借助专门的流数据收集系统如KAFKA或者Flume来完成。完成上述对N个二分类器的训练过程，并生成相应的训练模型之后，我们需要对给定的一批待处理的样本利用训练好的模型进行预测，给出其类别。

待处理样本即收集的实时数据，以Data数据格式表示，同时对这些数据进行预处理操作。其中每条样本的预测都可以并行执行，每条样本中的N个二类别分类器的预测过程也可以并行。鉴于以上情况，可以借助并行化大数据处理框架MapReduce来实现当前时间间隔内批量待预测样本的预测工作。并行地对待预测的数据进行分类处理的流程如图4所示，处理流程包括：

首先Mapper端读入N个Linear SVM分类器模型，然后依次输入每个待预测的样本数据Sample。用这N个分类器针对各个Sample进行评分，同时将结果值以<SampleID，<ClassID，Score>>的格式发送出去。这样Reducer函数会收到同一个Sample的N个分类ClassID以及对应的Score，从中选择最大的Score及其所对应的分类ClassID，记为ResultClass，且ResultClass∈Class。

如果，ResultClass所给出的置信度的分数高于预先设定的最低阈值，则判定该样本为ResultClass类，否则这个样本将被判为异类。

(四)、根据用户的用电状态进行相应的处理。

在这一步骤中，已经得到用户的实时用电状态，该状态定义在Class中，即Danger、Warn、Safe和Unknown。

预测结果状态为Danger，则表明用户用电处于危险状态，系统对这一状态的判断非常谨慎，所以一旦出现该状态，很有可能说明已经存在安全问题了，这时候有必要采取紧急的处理方式，比如通过用户预留的联系方式进行联系，同时通知附近的安保人员或者电力部门的服务人员进行核实，与此同时，将该记录数据进行保存，待跟踪核查完成之后，将数据状态真实类标补上，存入历史数据库；

预测结果状态为Warn，表示当前状态可能已经超过了正常范围，但是仍在可接受范围之内，此时，我们可以通知智能控制平台进行发送短信或者邮件提醒用户；

预测结果状态是Safe，表示状态一切正常；

预测结果状态为Unknown，表示系统无法判断，保存当前记录，由工作人员核查真实情况后，将数据进行标记并放入历史数据库。

在完成一条记录的预测过程之后，系统会检查一下重新构建模型的定时器是否超时，如果超时，则选择重新构建分类器模型，因为预测模型需要实时更新，所以模型训练系统会在提供的新的训练集上进行新模型的构建以保证其智能性。

本发明提供的预警方法应用流数据处理技术收集智能终端反馈的数据信息；应用机器学习方法Linear SVM构建预测模型系统，将用户用电的实时安全状态的多分类问题转化为多个二分类问题进行处理；同时，结合最新的用户行为数据，实时构建“与时俱进”的智能电网预警系统；最后，对实时的预测结果根据安全状态的类别进行针对性处理，能够有效的帮助用户发现用电安全隐患。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (10)

1.一种智能电网实时安全预警方法，其特征在于，所述方法包括：

将预处理后的历史用电数据作为训练数据，进行分类器模型的训练；

根据用户的实时用电数据，用训练后的分类器模型预测用电安全状态；

根据用电安全状态发出电网预警；

所述进行分类器模型的训练包括：

将训练数据Datas输入MapReduce计算框架，针对类别N分别发射Mapper端读到的样本数据；所述发射的格式包括：<ClassID，<True/False，SampleFeatures>>，其中，True和False：分别表示属于或不属于ClassID类别；SampleFeatures：样本数据特征属性；

将Reducer的数量设置为N，并行训练N个二分类器。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

采集历史用电数据，所述历史用电数据为智能终端设备向数据中心发送的特征数据；

所述历史用电数据用以下三元组表示：

Data::＝<DataId，Size，[Pair]>

其中，DataId:全局唯一的智能终端编号；Size：Pair的个数；[Pair]：一个或多个特征属性和特征属性权重Pair；Pair用以下二元组表示：

Pair::＝<FeatureId，FeatureWeight>

式中，FeatureId：特征属性的标号；FeatureWeight：特征属性权重。

3.如权利要求1所述的方法，其特征在于，所述预处理包括：

将所述历史用电数据进行类标标记，并将不正常指标数据删除后的数据统一为SVM数据格式；归一化处理格式化的数据；

所述类标标记Class如下式所示：

Class::＝<Danger，Warn，Safe，Unknown>；

所述Danger表示用户用电危险状态，Warn表示用户用电状态超出正常范围，Safe表示用户用电状态正常，Unknown表示无法判断用户用电状态。

4.如权利要求3所述的方法，其特征在于，所述根据用户的实时用电数据预测用电安全状态包括：

Mapper端读入的N个二分类器模型对每个待预测样本数据Sample评分，并将评分结果以<SampleID，<ClassID，Score>>格式输出；

Reducer函数从同一个样本数据Sample的N个ClassID对应分数Score中选择最大值，将最大分数Score及其相对的分类ClassID标记为ResultClass，且ResultClass∈Class。

5.如权利要求4所述的方法，其特征在于，若所述ResultClass给出的置信度分数高于最低阈值，则将样本数据Sample判定为ResultClass类，否则将样本数据Sample判为异类。

6.如权利要求5所述的方法，其特征在于，所述用电安全状态为Danger，或者，所述用电安全状态为Warn，或者，所述用电安全状态为Safe，或者，所述用电安全状态为Unknown；

所述根据用电安全状态发出电网预警包括：

(1)所述用电安全状态为Danger则发出的电网预警为：对该用电状态采取电话通知或工作人员核实状态的紧急处理方式；记录并保存此用电状态的数据，在核查后补入数据状态的真实类标并存入历史数据库；

(2)所述用电安全状态为Warn，则发出的电网预警为：电话或邮件提醒用户；

(3)所述用电安全状态为Safe，则发出的电网预警为：用户用电状态正常；

(4)所述用电安全状态为Unknown，则发出的电网预警为：保存当前记录，在核查后标记数据并存入历史数据库。

7.如权利要求1所述的方法，其特征在于，完成一条实时数据预测和/或重新构建分类器模型的定时器超时，则重新构建分类器模型。

8.一种权利要求1-7任一所述方法的预警装置，其特征在于，所述装置包括：

建模单元，用于将预处理后的历史用电数据作为训练数据，进行分类器模型的训练；

预测单元，用于根据用户的实时用电数据，用训练后的分类器模型预测用电安全状态；

预警单元，根据用电安全状态发出电网预警。

9.如权利要求8所述的装置，其特征在于，所述建模单元包括：

预处理子单元，用于类标标记智能终端向数据中心发送的特征数据，将不正常指标数据删除后的数据统一为SVM数据格式；归一化处理格式化的数据；

训练子单元，用于训练分类器模型，训练过程包括：将训练数据Datas输入MapReduce计算框架，针对类别N分别发射Mapper端读到的样本数据；

将Reducer的数量设置为N，并行训练N个二分类器。

10.如权利要求8所述的装置，其特征在于，所述预测单元包括：

数据处理子单元，用于根据采集的实时用电数据待预测样本，用MapReduce框架实现预测；

判定子单元，根据设定的最低阈值判断样本数据Sample是否为ResultClass类；

预测结果处理子单元，用于根据得到的Danger、Warn、Safe和Unknown的用电安全状态标记并存储用电数据。