CN109934273A

CN109934273A - 一种基于dml-knn算法和主动抢修技术的故障特性画像新方法

Info

Publication number: CN109934273A
Application number: CN201910154911.2A
Authority: CN
Inventors: 马瑞; 唐小伟; 颜宏文
Original assignee: Changsha University of Science and Technology
Current assignee: Changsha University of Science and Technology
Priority date: 2019-03-01
Filing date: 2019-03-01
Publication date: 2019-06-25

Abstract

本发明公开了一种基于DML‑KNN算法和主动抢修技术的故障特性画像新方法，包括如下步骤：(1)结合电力用户故障定位信息和视频自动识别刀闸位置技术进行主动抢修；(2)基于DML‑KNN算法和主动抢修技术为故障特性匹配画像。将DML‑KNN算法进行故障特性画像的结果生成图模式，能够直观、快速的分析各类故障的特征，为主动故障抢修、故障预测以及辅助制定配网主动故障抢修预案提供强有力的支持。

Description

一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法

技术领域

本发明属于配网故障抢修领域和画像领域，具体涉及一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法。

背景技术

随着电力系统发展，配电网故障抢修的效率越来越受到关注，故障抢修效率直接影响用户生产和生活，低效率的抢修服务甚至会给经济发展和社会稳定造成影响。同时，随着社会经济的发展，用户对故障停电的容忍程度不断降低，配网抢修管理现状与用户日益增长的服务需求之间的矛盾突出。传统的配电网抢修模式主要依赖于用户电话抢修，故障描述不清楚，故障报修不及时，同一故障多个工单难以合并，影响抢修效率。随着经济社会发展，“被动式抢修”越来越难以适应技术进步和服务提升的需要，配网抢修系统信息集成不足、模块化不足、统调能力不足等问题日益凸显。为了切实缩短故障停电时间、加快故障抢修效率，提升用户满意度，应积极发展主动抢修业务。

配网主动抢修必然涉及到停电操作，而传统的变电站停电操作涉及到AIS刀闸位置较难确定、GIS位置不够直观、调控远方操作存在误操作风险、全网电气闭锁逻辑匮乏等诸多问题。通过视频自动识别刀闸位置技术，彻底突破了刀闸位置“双确认”导致的操作效率制约，避免了因环境因素造成的人工误判，因此在进行主动抢修业务的时候，应和视频自动识别刀闸位置技术紧密结合在一起。同时，视频自动识别刀闸位置技术也是主动抢修业务中的一个重要操作环节。

“用户画像”是真实用户的虚拟代表，是建立在一系列真实数据之上的用户模型，是一种描述目标用户、了解用户特点与需求方向的有效工具。简单的说就是使用标签来量化特征属性，达到描述用户的目的的一个具体大数据分析应用的典型实现。因此，基于DML-KNN算法和主动抢修技术来为故障特性匹配画像，变被动服务为主动服务，了解故障抢修特点以及满足客户多元化的需求。

发明内容

本发明主要解决的技术问题是提供一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法，能够全方位的构建故障特性类别标签，全方位的展示故障特征，为配网主动故障抢修、故障预测以及辅助制定配网主动故障抢修预案提供强有力的支持。

本发明采用的一个技术方案：一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法，具体步骤如下：

步骤1：结合电力用户故障定位信息和视频自动识别刀闸位置技术进行主动抢修；

步骤2：基于DML-KNN算法和主动抢修技术为故障特性匹配画像。

优选的，所述步骤1结合电力用户故障定位信息和视频自动识别刀闸位置技术进行主动抢修，通过配网自动化、生产管理、营销管理、计量四合一、95598等系统数据集形成故障数据源头，向用户推送停电信息，根据采集到的故障基础信息结合GIS系统进行故障定位，根据故障定位信息对故障点所在线路进行停电操作，根据视频自动识别刀闸位置技术，减少变电操作时间，提升操作效率，自动分配故障任务给区域故障抢修班组，就近原则调配故障抢修车，抢修完成后，通过微信/电话等传媒方式向用户推送复电成功信息，并进行事后故障分析，事后故障分析包括用户满意度反馈、故障类型分析、故障停电影响范围分析、停电关联分析，统计配网主动抢修信息。

优选的，所述步骤2基于DML-KNN算法和主动抢修技术为故障特性匹配画像，综合分析配网主动抢修信息、客户社会属性、时间尺度和温度特性，筛选出标签名称和标签属性，通过DML-KNN算法为故障特性匹配画像，将画像的数值结果生成图模型，生成的图模型能应用于主动故障抢修、故障预测和辅助制定故障抢修预案。

附图说明

图1：结合故障定位信息和视频刀闸位置技术进行配网主动抢修业务流程图。

图2：基于DML-KNN算法和主动抢修技术的故障特性画像流程图。

具体实施方式

本发明包含以下步骤：

步骤1：结合故障定位信息和视频自动识别刀闸位置技术进行配网主动抢修；

1)采集故障基础信息；

利用营配贯通的成果，综合配网自动化、生产管理、营销管理、计量四合一、95598等系统数据集成形成故障数据源头，获取并分析配电网中、低压设备故障。

2)向用户推送停电信息；

收集分析配电网故障后，以短信/微信等传媒方式向用电客户发布停电信息，做好解释说明，以提升与用电客户之间的友好度，体现优质客户服务水平。

3)根据采集到的故障基础信息结合GIS系统进行故障定位；

GIS可以将图形和基础信息数据对应管理的特性，将电网营销系统中的基础用户信息、配网设备和线路、运维线路在GIS地图中进行标注和规划，用GIS地图显示供电范围、基础用户信息、配网设备和线路、运维线路，建立物理属性和逻辑属性的实时精准对应。根据采集到的故障基础信息，在GIS系统地图上直观的显示故障点的位置。

4)根据故障定位信息进行配电网主动抢修；

Step1、停电操作；

根据GIS系统故障点的空间信息，准确定位故障点所在区域的变电站，调度员通过程序化操作对变电站故障点所在线路进行停电操作任务，通过安装的刀闸智能图形识别装置，根据导臂上的反光标识点，利用智能算法，可自动识别刀闸操作是否到位，并将判别结果实现机器代人，进一步提升调度运行操作效率。同时，避免了因环境因素造成的人工误判，刀闸操作安全管控水平有了突破性的提升。

Step2、自动分配故障任务给区域故障抢修班组；

根据GIS系统的故障空间信息自动获取区域故障抢修班组，由该区域故障抢修班组抢修人员负责抢修。

Step3、就近原则调配故障抢修车；

根据故障抢修车的车载GPS获取其所处位置并在GIS地理图上显示，根据故障抢修车距离故障地点的远近调度抢修车辆，GIS地图自动为故障抢修车规划最短故障抢修行车路线，并指挥接收任务的抢修车尽快投入抢修。故障抢修过程中，要对电力故障的具体数据和具体信息进行详细的记录。

Step4、实时推送复电信息。

故障抢修完成后，以短信/微信等传媒方式向用电客户发送复电成功信息。

5)事后故障辅助分析；

Step1、用户满意度反馈；

主动抢修完成后，电网客服可以通过95598热线咨询用户对此次主动抢修的满意度以及建议，并通过微信发送推文给用户填写满意度。

Step2、故障类型分析；

从用电信息采集平台、配电监测系统、SCADA系统对供电路径上的关键设备进行数据召测，获取电压数据、三相电流等相关数据，辅助判断供电路径上所有可能的故障点。将故障类型分为低压用户内部故障、低压线路故障、台区故障和中压故障。

Step3、故障停电影响范围分析；

在故障点查明的情况下，利用GIS的停电分析功能分析此次故障影响的停电用户及影响的范围。

Step4、停电关联分析；

根据最新故障定位信息，与未抢修的故障抢修工单进行比对，确认是否为重复故障，并提示抢修指挥人员，减少工单重复派发，提高故障抢修效率。

6)统计配网主动抢修信息。

配网主动抢修信息主要包括用户满意度、复电时长、停电时间、复电成功时间、故障类型、故障影响范围、抢修人员出勤率、故障地点、故障空间信息、停电关联分析信息、视频自动识别刀闸位置准确率、

步骤2：基于DML-KNN聚类算法和主动抢修技术为故障特性匹配画像。

1)综合分析配网主动抢修信息、客户社会属性、时间尺度和温度特性，筛选出故障特性标签名称和标签属性；

综合分析配网主动抢修信息、客户社会属性、时间尺度和温度特性，将画像标签分为故障类型、温度故障特性、季节故障特性、视频刀闸自动识别位置准确率、复电时间、停电关联特性、停电范围特性、主动抢修率、峰谷故障特性、周休故障特性、抢修人员出勤率。具体标签说明如表1所示：

表1标签说明

续表1

给每个标签划定一个标签属性，标签属性如表2所示：

表2标签属性

序号	标签名称	标签属性
			1	故障类型	低压用户内部故障、低压线路故障、台区故障、中压故障
2	温度故障特性	高温敏感、低温敏感、适温敏感、不敏感
			3	季节故障特性	春季敏感、秋季敏感、秋季敏感、冬季敏感
4	视频刀闸自动识别位置准确率	低、较低、适当、较高、高
			5	复电时间	短、较短、正常、较长、长
6	停电关联特性	大幅下降、下降、持平、上升、大幅上升
			7	停电范围特性	窄、较窄、正常、较宽、宽
8	主动抢修率	低、较低、适当、较高、高
			9	峰谷故障特性	峰偏好、谷偏好、峰谷均衡
10	周休故障特性	五天工作制、六天工作制、七天工作制、无规律
			11	抢修人员出勤率	低、较低、正常、较高、高
12	停电类型	临时停电、计划停电、故障停电、低压停电

2)使用DML-KNN算法为故障特性匹配画像

利用配网主动抢修信息生成一个d维样本空间m，并将数据集分成测试集数据和训练集数据，利用DML-KNN算法为故障特性匹配画像，具体步骤如下：

Step1、利用k-means聚类算法将训练数据分为r个聚类中心记为R₁,R₂,...,R_r

Step2、利用k-means聚类算法将测试数据分为t个聚类中心，记为T₁,T₂,...,T_t

Step3、当i∈{1,2,...,t}时，计算T_i到R_j的距离，记为D(T_i,R_j),j＝1,2,...,r

Step4、根据Step3获取距离T_i最近的R_j，

R_j＝min{D(T_i,R_j)},j＝1,2,...,r

Step5、将T_i应的簇作为新的测试数据集，记为NewY

Step6、将Step4得到的R_j对应的簇作为新的训练数据，记为NewX

Step7、对于每一个x_u∈NewX,计算每一个l_i∈L的先验概率：

式中：l_i表示标签；L(x_u)表示x_u的标签集合；s表示平滑系数；m表示样本空间；表示l_i在x_u的真实标签上，表示l_i不在x_u的真实标签上。

Step8、获取x_u的k个近邻最近邻以及最近邻距离x_u的距离d、由d转换而来的权重w

式中：a和c是常数；d表示的距离都是欧式距离。

Step9、计算l_i∈L的后验概率：

p∈{0,1,...,k}

式中：表示x_u的k个近邻中有p个样本属于标签l_i的事件；表示x_u的近邻；l_i表示标签；L(x_u)表示x_u的标签集合；c[p]代表所有向量中，其k近邻中有p个l_i标签，且其自身也有l_i个标签；c[q]代表所有向量中，其k近邻中有q个l_i标签，且其自身也有l_i个标签；即为这个向量有l_i标签，其k邻近有0～k个l_i标签的情况的向量个数的总和。

Step10、计算每一个z_v∈NewY拥有l_i的后验概率，得到最终预测分类结果。

式中：w表示由x的最近邻x的距离转换而来的权重；(1-w)表示x的k个近邻的权重；NN_x(l_i)表示x的最近邻样本是否含有l_i标签，取值只能是0或者1。

3)将聚类的数值结果进行统计分析并生成图模式。

电网公司能够根据故障特性画像的图模型，直观、快速的分析各类故障的特征，为主动故障抢修、故障预测以及辅助制定配网主动故障抢修预案提供强有力的支持。

据此就得到一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法。

以上实施方案仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种修改、变型和延伸，因此所有等同的技术方案也属于本发明的保护范畴。

Claims

1.一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法，其特征在于包括如下步骤：

(1)结合电力用户故障定位信息和视频自动识别刀闸位置技术进行主动抢修；

(2)基于DML-KNN算法和主动抢修技术为故障特性匹配画像。

2.根据权利要求1所描述的一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法，其特征在于：步骤(1)通过配网自动化、生产管理、营销管理、计量四合一、95598等系统数据集形成故障数据源头，向用户推送停电信息，根据采集到的故障基础信息结合GIS系统进行故障定位，根据故障定位信息对故障点所在线路进行停电操作，根据视频自动识别刀闸位置技术，减少变电操作时间，提升操作效率，自动分配故障任务给区域故障抢修班组，就近原则调配故障抢修车，抢修完成后，通过微信/电话等传媒方式向用户推送复电成功信息，并进行事后故障分析，事后故障分析包括用户满意度反馈、故障类型分析、故障停电影响范围分析、停电关联分析，统计配网主动抢修信息。

3.根据权利要求1所描述的一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法，其特征在于：步骤(2)综合分析配网主动抢修信息、客户社会属性、时间尺度和温度特性，筛选出标签名称和标签属性，通过DML-KNN算法为故障特性匹配画像，将画像的数值结果生成图模型，生成的图模型能应用于主动故障抢修、故障预测和辅助制定故障抢修预案。