CN113872200B - 一种中压配网停电事件诊断识别方法、系统及存储介质 - Google Patents
一种中压配网停电事件诊断识别方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113872200B CN113872200B CN202111191814.4A CN202111191814A CN113872200B CN 113872200 B CN113872200 B CN 113872200B CN 202111191814 A CN202111191814 A CN 202111191814A CN 113872200 B CN113872200 B CN 113872200B
- Authority
- CN
- China
- Prior art keywords
- power failure
- power
- distribution transformer
- data
- distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 278
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000003745 diagnosis Methods 0.000 title claims description 18
- 239000012634 fragment Substances 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000003066 decision tree Methods 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims description 49
- 238000007726 management method Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 208000003443 Unconsciousness Diseases 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000013499 data model Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010043417 Therapeutic response unexpected Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种中压配电网停电事件诊断识别方法、系统及存储介质，方法包括以下步骤：获取配电网中的基础数据；生成配电变压器初级停电碎片；选取各配电变压器对应线路下各特征数据，形成样本数据集；对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；人工智能模型选用决策树模型，对决策树模型进行训练，并进行模型评价；利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。本发明以数据模型学习了配电变压器运行数据变化特征，研判出配变电压器是否发生真实停电，实现了中压配电网停电事件准确收集。
Description
技术领域
本发明属于中压配电网停电事件识别分析领域，涉及一种配电网停电事件精准化诊断方法，尤其涉及一种中压配电网停电事件精准化诊断方法。
背景技术
配电网作为电力传输末端环节，是用户对电网服务体验的最直观对象，但配电网结构复杂、设备众多，面临运维水平低、可靠性差的困局。在传统配网停电管理工作中，往往依赖装置采集准确性，这种管理方式较为粗放、工作效率低下，漏报现象较为常见。配网故障停电信息的不完整，将影响配网可靠性分析、巡视巡检、网架升级等决策制定。
通过融合配电变压器与馈线的量测数据变化特征，从数据驱动角度识别真实停电事件，助力准确把握配网停电信息，促进企业精准投入、量入为出，辅助提升配网可靠性。因此，中压配电网停电事件精准化诊断方法是一个重要的研究课题，研究成果可以帮助运行人员及时发现停电事件，识别网架薄弱风险点。
发明内容
本发明所要解决的技术问题中：当前传统配网可靠性管理依赖装置采集准确性，难以全面掌握停电信息，需要一种配电网停电事件精准化诊断方法，可用于识别任意规模的中压配电网停电事件，帮助配网运行人员及时发现真实停电事件。
为解决上述技术问题，本发明通过以下技术方案实现：
一种中压配电网停电事件诊断识别方法，包括以下步骤：
获取配电网中的配电变压器的量测、表底及对应线路功率数据；
基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
选取各配电变压器对应线路下各特征数据，各特征数据分别与相似日在停电时段用电量比值用为特征值加入历史停电数据，形成样本数据集；
对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；
人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。
进一步地，所述基于获得的配电变压器量测数据，生成配电变压器初级停电碎片，包括以下步骤：
某一配电变压器Tk连接在线路f上，配电变压器Tk的有功功率量测数据为Pk＝[pk,1,pk,2,…,pk,i,…,pk,n]，配电变压器Tk的电压量测数据为Vk＝[vk,1,vk,2,…,vk,i,…,vk,m]，n表示配电变压器有功功率，m表示电压量测数据采样点个数；
若配电变压器Tk的有功功率量测数据Pk在连续的数据段[pk,i,…,pk,j]为0或者为空，且电压量测数据Vk在连续的数据段[vk,i,…,vk,j]为0或者为空，则生成配电变压器Tk的数据段[i,…,j]为初级停电碎片，i和j分别表示第i个和第j个；
从获得的配电变压器的量测数据，以线路为单位生成各线路下各配电变压器的初级停电碎片。
进一步地，选取各配电变压器对应线路下各特征数据，各特征数据分别与相似日(如7天为一个周期)在停电时段用电量比值用为特征值加入历史停电数据，形成样本数据集，所述特征数据包括：
一为配电变压器对应线路下总配变数，及线路挂接配电变压器数量；
二为配电变压器对应线路下初级停电碎片数；
三为同线路初级停电碎片平均停电时长；
四为线路功率跌落比，主要为配电变压器与对应线路功率跌落比值；
五为配电变压器生成碎片的停电时长；
六为配电变压器近两天表底递增数据；
七为配电变压器停电当日与相似日在停电期间用电量比值；
八为同线路下停电碎片在拓扑图中的聚集程度指标；
九为配电变压器与生产管理系统中的计划停电数据匹配情况；
十为配电变压器与用电信息采集管理系统中的碎片停电记录数据匹配情况；
十一为配电变压器与调度管理系统中的事故分闸记录数据匹配情况；
十二为配电变压器与调度管理系统中的FA动作记录数据匹配情况；
十三为近一周配电变压器的停电次数数据；
十四为近一周配电变压器在同一时间发生停电的停电次数数据；
进一步地，所述对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优，包括以下步骤：
对样本数据集按70％：30％进行划分，70％用于训练集训练人工智能模型，30％用于验证集测试模型训练效果及模型调优。
进一步地，所述利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果，包括以下步骤：
模型预测准确率满足要求后，利用训练好的人工智能模型对实际中压配电网中配电变压器运行数据进行批量事件生成及真假识别研判，即对各停电碎片进行批量生成并提取所需特征值，送入人工智能模型进行计算，最终输出各停电碎片对应真假停电结果。
一种中压配电网停电事件诊断识别系统，包括以下功能模块：
基础数据获取模块:获取配电网中的配电变压器的量测、表底及对应线路功率数据；
停电碎片模块:基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
样本数据集模块:选取各配电变压器对应线路下各特征数据，各特征数据分别与相似日在停电时段用电量比值用为特征值加入历史停电数据，形成样本数据集；
样本数据集分类模块:对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；
模型训练模块:人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
真假停电判断模块:利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。
一种计算机可读取存储介质，用于存储前述的中压配电网停电事件诊断识别方法。
与现有技术相比，本发明的有益效果：
(1)本发明以数据驱动方式学习了历史海量数据变化趋势，采集停电事件相关共14个相关特征值，以混淆矩阵准确评估判断出停电事件是否真实，避免了人为指定及装置采集误差。
(2)本发明综合考虑了各配电变压器对应线路下总配变数、初级停电碎片数、同线路平均停电时长、功率跌落比，各配电变压器生成碎片的停电时长、近两天表底递增情况、与相似日在停电时段用电量比值、与其他管理系统停电数据匹配情况、近一周停电数据等多种数据特征，逐步排除虚假停电碎片，准确率高。
(3)本发明计算简单，原理明确，可帮助配网运行人员及时发现真实停电事件，具有良好的应用前景。
(4)本发明采用决策树模型训练，能够同时处理数据型和常规型属性数据，且在相对短的时间内能够对大型数据源做出可行且效果良好的结果，结合本发明中配电配电变压器的多项特征值，并赋予以不同权重，因树构建一次后可反复使用，所以可对输入数据进行较为稳定的综合评定结果。
附图说明
图1为本发明一种实施例的配电网停电事件诊断方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例提供了一种基于海量数据分析的中压配电网停电事件诊断识别方法，如图1所示，具体包括以下步骤：
步骤(A)，获取配电网中的配电变压器的量测、表底、对应线路功率数据、其他系统记录数据、近一周停电数据，具体包括配电变压器的三相电压数据、有功功率数据、冻结表底数据及各配电变压器所属线路的线路功率数据、生产管理系统中的计划停电数据、用电信息采集管理系统中的用采停电记录数据、调度管理系统内的事故分闸记录数据、FA(馈线自动化)动作记录数据、配电变压器近一周停电数据。
在本发明实施例的一种具体实施方式中，所述步骤(A)具体实现过程为：
在能量管理系统(能量管理系统为现有技术中存在的系统)中选择待处理的中压配电网，读取现有系统存储的线路及配电变压器基础数据，在用电信息采集系统导出每15min采样一次的配变的有功功率、电量表底、电压量测数据，前述的每15min采样一次的采样频率可以根据实际情况进行修改。
步骤(B)基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
步骤(C)选取各配电变压器对应线路下各特征数据，各特征数据分别与相似日在停电时段用电量比值用为特征值加入历史停电数据，形成样本数据集；
步骤(D)对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；
步骤(E)人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
步骤(F)利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。
一种中压配电网停电事件诊断识别系统，包括以下功能模块：
基础数据获取模块:获取配电网中的配电变压器的量测、表底及对应线路功率数据；
停电碎片模块:基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
样本数据集模块:选取各配电变压器对应线路下各特征数据，各特征数据分别与相似日在停电时段用电量比值用为特征值加入历史停电数据，形成样本数据集；
样本数据集分类模块:对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；
模型训练模块:人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
真假停电判断模块:利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。
一种计算机可读取存储介质，用于存储前述的中压配电网停电事件诊断识别方法。
各模块的具体工作步骤与一种中压配电网停电事件诊断识别方法中的相同。
实施例2
步骤(A)获取配电网中的配电变压器的量测、表底及对应线路功率数据；
步骤(B)基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
在本发明实施例的一种具体实施方式中，所述步骤(B)具体包括以下子步骤：
考虑到配电变压器有功功率及电压量测数据同时掉0或为空时，可能为真实停电，也可能是因为信号传输、数据存储等引起的虚假停电，需要通过数据分析方法有效合理的区分真实停电和虚假停电。
某一配电变压器Tk连接在线路f上，配电变压器Tk的有功功率量测数据为Pk＝[pk,1,pk,2,…,pk,i,…,pk,n]，配电变压器Tk的电压量测数据为Vk＝[vk,1,vk,2,…,vk,i,…,vk,m]，n表示配电变压器有功功率，m表示电压量测数据采样点个数；
若配电变压器Tk的有功功率量测数据Pk在连续的数据段[pk,i,…,pk,j]为0或者为空，且对应电压量测数据Vk在连续的数据段[vk,i,…,vk,j]为0或者为空，则生成配电变压器Tk的数据段[i,…,j]为初级停电碎片，i和j分别表示第i个和第j个；
从获得的配电变压器的量测数据，以线路为单位生成各线路下各配电变压器的初级停电碎片。
步骤(C)选取各配电变压器对应线路下各特征数据，各特征数据分别与相似日在停电时段用电量比值用为特征值加入历史停电数据，形成样本数据集；
步骤(D)对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；
步骤(E)人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
步骤(F)利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。
实施例3
步骤(A)获取配电网中的配电变压器的量测、表底及对应线路功率数据；
步骤(B)基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
步骤(C)选取各配电变压器对应线路下各特征数据，各特征数据分别与相似日在停电时段用电量比值用为特征值加入历史停电数据，形成样本数据集；
所述特征数据包括：
一为配电变压器对应线路下总配变数，及线路挂接配电变压器数量；
二为配电变压器对应线路下初级停电碎片数；
三为同线路初级停电碎片平均停电时长；
四为线路功率跌落比，主要为配电变压器与对应线路功率跌落比值；
五为配电变压器生成碎片的停电时长；
六为配电变压器近两天表底递增数据；
七为配电变压器停电当日与相似日在停电期间用电量比值；
八为同线路下停电碎片在拓扑图中的聚集程度指标；
九为配电变压器与生产管理系统中的计划停电数据匹配情况；
十为配电变压器与用电信息采集管理系统中的碎片停电记录数据匹配情况；
十一为配电变压器与调度管理系统中的事故分闸记录数据匹配情况；
十二为配电变压器与调度管理系统中的FA动作记录数据匹配情况；
十三为近一周配电变压器的停电次数数据；
十四为近一周配电变压器在同一时间发生停电的停电次数数据；
在本发明实施例的一种具体实施方式中，所述步骤(C)具体包括以下步骤：
步骤1：获取配电变压器Tk对应挂接线路f下的在运配电变压器数量作为总配变数指标；
步骤2：针对各配电变压器的初级停电碎片，计算与各配电变压器挂接同一线路下且停电开始时间差值在设定时间内(如半小时)的初级停电碎片数，作为同线路下初级停电碎片数指标；
步骤3：针对步骤2中同线路下初级停电碎片，求取同线路下初级停电碎片的停电时长平均值作为同线路下平均停电时长指标；
步骤4：基于获取的线路功率数据，计算线路功率跌落比指标D，其计算公式如下：
其中，m1为停电碎片停电时间点个数，n1为停电碎片所属线路下总在运配变数，px为停电相似日(默认为第7天前)对应停电时段内配变功率值，p为停电当日的停电时段内停电配变功率值，lx为停电相似日(默认为第7天前)对应停电时段内停电碎片所属线路功率值，l为停电碎片所属线路对应停电当日的停电时段内功率值；若是则停电时段为生成的停电碎片则t指对应停电时间；
步骤5：获取停电碎片的停电时长指标，即停电碎片以分钟为单位的停电的时长值；
步骤6：近设定时间内(如两天)表底递增情况指标，即停电的配电变压器对应停电及停电前一日表底数值递增情况，若均为递增则为0，否则为非递增点个数；
步骤7：与相似日在停电时段用电量比值指标G，其计算公式如下：
其中，m1为停电碎片停电时间点个数，px为停电相似日(默认为第7天前)对应停电时段内配变功率值，p为停电当日的停电时段内停电配变功率值；
步骤8:同线路下停电碎片在拓扑图中的聚集程度指标，需结合拓扑图，根据配电变压器所属线路下所有停电碎片在拓扑图中的具体位置，计算同线路下停电碎片所属开关下的聚集程度指标B：
其中，n2为与配电变压器同线路下停电碎片数量，x为配电变压器同线路下停电碎片聚集开关下总配电变压器数量；
步骤9:配电变压器与生产管理系统中的计划停电数据匹配情况：
以配电变压器同线路下停电碎片的停电开始时间集合中的众数为矫正停电开始时间，停电结束时间集合中的众数为矫正停电结束时间，匹配生产管理系统中的所述线路的计划停电事件，若存在配电变压器所属线路的计划停电记录，且矫正后停电时段与对应线路停电计划的停电时段存在交集，则认为该配电变压器匹配上计划停电记录并记录匹配标签；
步骤10:配电变压器与用电信息采集管理系统中的碎片停电记录数据匹配情况：
以配电变压器停电开始时间为基准，左右偏移设定时段(如30分钟)，形成停电偏移时段，若用电信息采集管理系统内在停电偏移时段中存在所述配电变压器的停电记录，则认为所述配电变压器匹配上用电采集管理系统，记录匹配标签；
步骤11:配电变压器与调度管理系统中的事故分闸记录及FA动作记录数据匹配情况：
以配电变压器同线路下停电碎片的停电开始时间集合中的众数为矫正停电开始时间，以矫正停电开始时间为基准，左右偏移设定时段(如30分钟)，形成停电偏移时段，匹配调度管理系统中的所述线路的事故分闸记录、FA动作记录，若调度管理系统存在配电变压器所属线路的事故分闸记录、FA动作记录，且相关记录与停电偏移时段存在交集，则认为该配电变压器匹配上事故分闸记录、FA动作记录，并记录匹配标签；
步骤12:获取近一周配电变压器对应的停电数据并统计相关指标：
基于获取的配电变压器在近一周内的停电数据，统计配电变压器一周内的停电次数、一周内在同一时间停电次数，记录相关数据指标。
步骤(D)对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试人工智能模型训练效果及模型调优；
步骤(E)人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
步骤(F)利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。
实施例4
步骤(A)获取配电网中的配电变压器的量测、表底及对应线路功率数据；
步骤(B)基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
步骤(C)选取各配电变压器对应线路下各特征数据，各特征数据分别与相似日在停电时段用电量比值用为特征值加入历史停电数据，形成样本数据集；
步骤(D)对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；
在本发明实施例的一种具体实施方式中，所述步骤(D)具体包括以下步骤：
对数据集按70％：70％进行划分，70％作为训练集训练人工智能模型，70％作为验证集测试模型训练效果及模型调优；
步骤(E)人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
步骤(F)利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。
实施例5
步骤(A)获取配电网中的配电变压器的量测、表底及对应线路功率数据；
步骤(B)基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
步骤(C)选取各配电变压器对应线路下各特征数据，各特征数据分别与相似日在停电时段用电量比值用为特征值加入历史停电数据，形成样本数据集；
步骤(D)对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；
步骤(E)人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
在本发明实施例的一种具体实施方式中，所述步骤(E)具体包括以下子步骤：输入相关数据并调整人工智能模型参数，人工智能模型会输出结果，根据训练集中已知结果对比人工智能模型输出的结果判断准确率，此即为评价模型；本发明中选用混淆矩阵评价的优势在于不局限于准确率，还可多维统计，如查全率，容错程度等。
指标评价结果如表1所示，各项指标均越高，说明模型训练效果越好。
表1模型评价结果
| 精确度 | 查准率 | 查全率 | F1分数 |
| 0.930 | 0.974 | 0.915 | 0.950 |
步骤(F)利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。
实施例6
步骤(A)获取配电网中的配电变压器的量测、表底及对应线路功率数据；
步骤(B)基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
步骤(C)选取各配电变压器对应线路下各特征数据，各特征数据分别与相似日在停电时段用电量比值、与其他管理系统匹配情况、近一周停电数据用为特征值加入历史停电数据，形成样本数据集；
步骤(D)对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；
步骤(E)人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
步骤(F)利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果；
在本发明实施例的一种具体实施方式中，所述步骤(F)具体包括以下步骤：
模型预测准确率满足要求后，利用训练好的模型对实际中压配电网中配电变压器运行数据进行批量事件生成及真假识别研判，即对各停电碎片进行批量生成并提取所需特征值，送入模型进行计算，最终输出各停电碎片对应真假停电结果。
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。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种中压配电网停电事件诊断识别方法，其特征在于，包括以下步骤：
获取配电网中的配电变压器的量测、表底及对应线路功率数据；
基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
选取各配电变压器对应线路下各特征数据，所述特征数据包括：
一为配电变压器对应线路下总配变数，及线路挂接配电变压器数量；
二为配电变压器对应线路下初级停电碎片数；
三为同线路初级停电碎片平均停电时长；
四为线路功率跌落比指标D，主要为配电变压器与对应线路功率跌落比指标；
五为配电变压器生成碎片的停电时长；
六为配电变压器近两天表底递增数据；
七为配电变压器停电当日与相似日在停电期间用电量比值指标G；
八为同线路下停电碎片在拓扑图中的聚集程度指标B；
九为配电变压器与生产管理系统中的计划停电数据匹配情况；
十为配电变压器与用电信息采集管理系统中的碎片停电记录数据匹配情况；
十一为配电变压器与调度管理系统中的事故分闸记录数据匹配情况；
十二为配电变压器与调度管理系统中的FA动作记录数据匹配情况；
十三为近一周配电变压器的停电次数数据；
十四为近一周配电变压器在同一时间发生停电的停电次数数据；
特征数据的获取步骤为：
步骤1：获取配电变压器Tk对应挂接线路f下的在运配电变压器数量作为总配变数指标；
步骤2：针对各配电变压器的初级停电碎片，计算与各配电变压器挂接同一线路下且停电开始时间差值在设定时间内的初级停电碎片数，作为同线路下初级停电碎片数指标；
步骤3：针对步骤2中同线路下初级停电碎片，求取同线路下初级停电碎片的停电时长平均值作为同线路下平均停电时长指标；
步骤4：基于获取的线路功率数据，计算线路功率跌落比指标D，其计算公式如下：
其中，m1为停电碎片停电时间点个数，n1为停电碎片所属线路下总在运配变数，px为停电相似日对应停电时段内配变功率值，p为停电当日的停电时段内停电配变功率值，lx为停电相似日对应停电时段内停电碎片所属线路功率值，l为停电碎片所属线路对应停电当日的停电时段内功率值；若是则停电时段为生成的停电碎片则t指对应停电时间；
步骤5：获取停电碎片的停电时长指标；
步骤6：近设定时间内表底递增情况指标，即停电的配电变压器对应停电及停电前一日表底数值递增情况，若均为递增则为0，否则为非递增点个数；
步骤7：配电变压器停电当日与相似日在停电时段用电量比值指标G，其计算公式如下：
其中，m1为停电碎片停电时间点个数，px为停电相似日对应停电时段内配变功率值，p为停电当日的停电时段内停电配变功率值；
步骤8:根据配电变压器所属线路下所有停电碎片在拓扑图中的具体位置，计算同线路下停电碎片所属开关下的聚集程度指标B：
其中，n2为与配电变压器同线路下停电碎片数量，x为配电变压器同线路下停电碎片所属开关下总配电变压器数量；
步骤9:以配电变压器同线路下停电碎片的停电开始时间集合中的众数为矫正停电开始时间，停电结束时间集合中的众数为矫正停电结束时间，匹配生产管理系统中的线路的计划停电事件，若存在配电变压器所属线路的计划停电记录，且矫正后停电时段与对应线路停电计划的停电时段存在交集，则认为配电变压器匹配上计划停电记录并记录匹配标签；
步骤10:以配电变压器停电开始时间为基准，左右偏移设定时段，形成停电偏移时段，若用电信息采集管理系统内在停电偏移时段中存在配电变压器的停电记录，则认为配电变压器匹配上用电采集管理系统，记录匹配标签；
步骤11:以配电变压器同线路下停电碎片的停电开始时间集合中的众数为矫正停电开始时间，以矫正停电开始时间为基准，左右偏移设定时段，形成停电偏移时段，匹配调度管理系统中的线路的事故分闸记录、FA动作记录，若调度管理系统存在配电变压器所属线路的事故分闸记录、FA动作记录，且相关记录与停电偏移时段存在交集，则认为配电变压器匹配上事故分闸记录、FA动作记录，并记录匹配标签；
步骤12:基于获取的配电变压器在近一周内的停电数据，统计配电变压器一周内的停电次数、一周内在同一时间停电次数，记录相关数据指标；
结合各线路停电数据与14项特征数据形成样本数据集；
对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；
人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。
2.根据权利要求1所述中压配电网停电事件诊断识别方法，其特征在于：所述基于获得的配电变压器量测数据，生成配电变压器初级停电碎片，包括以下步骤：
某一配电变压器Tk连接在线路f上，配电变压器Tk的有功功率量测数据为Pk＝[pk,1,pk,2,…,pk,i,…,pk,n]，配电变压器Tk的电压量测数据为Vk＝[vk,1,vk,2,…,vk,i,…,vk,m]，n表示配电变压器有功功率采样点个数，m表示电压量测数据采样点个数；
若配电变压器Tk的有功功率量测数据Pk在连续的数据段[pk,i,…,pk,j]为0或者为空，且电压量测数据Vk在连续的数据段[vk,i,…,vk,j]为0或者为空，则生成配电变压器Tk的数据段[i,…,j]为初级停电碎片，i和j分别表示第i个和第j个；
从获得的配电变压器的量测数据，以线路为单位生成各线路下各配电变压器的初级停电碎片。
3.根据权利要求1所述中压配电网停电事件诊断识别方法，其特征在于：
所述利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果，包括以下步骤：
模型预测准确率满足要求后，利用训练好的人工智能模型对实际中压配电网中配电变压器运行数据进行批量事件生成及真假识别研判，即对各停电碎片进行批量生成并提取所需特征值，送入人工智能模型进行计算，最终输出各停电碎片对应真假停电结果。
4.一种中压配电网停电事件诊断识别系统，用于实现如权利要求1所述的中压配电网停电事件诊断识别方法，包括以下功能模块：
基础数据获取模块:获取配电网中的配电变压器的量测、表底及对应线路功率数据；
停电碎片模块:基于获得的配电变压器量测数据，生成配电变压器初级停电碎片；
样本数据集模块:选取各配电变压器对应线路下各特征数据，结合各线路停电数据与14项特征数据形成样本数据集；
样本数据集分类模块:对样本数据集进行划分，一部分数据用于训练人工智能模型，另一部分数据用于测试模型训练效果及模型调优；
模型训练模块:人工智能模型选用决策树模型，对决策树模型进行训练，并运用混淆矩阵对训练好的人工智能模型进行模型评价；
真假停电判断模块:利用训练好的人工智能模型对实际配电网中配电变压器停电事件进行批量识别，得到各停电事件对应真假停电结果。
5.根据权利要求4所述中压配电网停电事件诊断识别系统，其特征在于：所述停电碎片模块，按以下步骤工作：
某一配电变压器Tk连接在线路f上，配电变压器Tk的有功功率量测数据为Pk＝[pk,1,pk,2,…,pk,i,…,pk,n]，配电变压器Tk的电压量测数据为Vk＝[vk,1,vk,2,…,vk,i,…,vk,m]，n表示配电变压器有功功率采样点个数，m表示电压量测数据采样点个数；
若配电变压器Tk的有功功率量测数据Pk在连续的数据段[pk,i,…,pk,j]为0或者为空，且电压量测数据Vk在连续的数据段[vk,i,…,vk,j]为0或者为空，则生成配电变压器Tk的数据段[i,…,j]为初级停电碎片，i和j分别表示第i个和第j个；
从获得的配电变压器的量测数据，以线路为单位生成各线路下各配电变压器的初级停电碎片。
6.一种计算机可读取存储介质，用于存储权利要求1-3任一项所述的中压配电网停电事件诊断识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111191814.4A CN113872200B (zh) | 2021-10-13 | 2021-10-13 | 一种中压配网停电事件诊断识别方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111191814.4A CN113872200B (zh) | 2021-10-13 | 2021-10-13 | 一种中压配网停电事件诊断识别方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113872200A CN113872200A (zh) | 2021-12-31 |
| CN113872200B true CN113872200B (zh) | 2023-11-24 |
Family
ID=78998932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111191814.4A Active CN113872200B (zh) | 2021-10-13 | 2021-10-13 | 一种中压配网停电事件诊断识别方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113872200B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101965159B1 (ko) * | 2018-11-30 | 2019-08-13 | 문경훈 | 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템 |
| CN110320443A (zh) * | 2019-06-25 | 2019-10-11 | 中国电力科学研究院有限公司 | 一种低压配电网中停电区间的确定方法及系统 |
| CN111562460A (zh) * | 2020-03-24 | 2020-08-21 | 广东电网有限责任公司广州供电局 | 配电网停电事件侦测研判方法、装置、计算机设备及介质 |
| CN111799782A (zh) * | 2020-06-29 | 2020-10-20 | 中国电力科学研究院有限公司 | 一种基于机器学习的电力设备停电窗口期修正方法和系统 |
| CN112766636A (zh) * | 2020-12-23 | 2021-05-07 | 国网河南省电力公司电力科学研究院 | 基于用电信息采集终端采集电气量信息的配变停电判断方法 |
| CN113377835A (zh) * | 2021-06-09 | 2021-09-10 | 国网河南省电力公司电力科学研究院 | 基于长短期记忆深度学习网络的配网线路停电鉴别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657720B (zh) * | 2018-12-20 | 2021-05-11 | 浙江大学 | 一种电力变压器匝间短路故障的在线诊断方法 |
-
2021
- 2021-10-13 CN CN202111191814.4A patent/CN113872200B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101965159B1 (ko) * | 2018-11-30 | 2019-08-13 | 문경훈 | 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템 |
| CN110320443A (zh) * | 2019-06-25 | 2019-10-11 | 中国电力科学研究院有限公司 | 一种低压配电网中停电区间的确定方法及系统 |
| CN111562460A (zh) * | 2020-03-24 | 2020-08-21 | 广东电网有限责任公司广州供电局 | 配电网停电事件侦测研判方法、装置、计算机设备及介质 |
| CN111799782A (zh) * | 2020-06-29 | 2020-10-20 | 中国电力科学研究院有限公司 | 一种基于机器学习的电力设备停电窗口期修正方法和系统 |
| CN112766636A (zh) * | 2020-12-23 | 2021-05-07 | 国网河南省电力公司电力科学研究院 | 基于用电信息采集终端采集电气量信息的配变停电判断方法 |
| CN113377835A (zh) * | 2021-06-09 | 2021-09-10 | 国网河南省电力公司电力科学研究院 | 基于长短期记忆深度学习网络的配网线路停电鉴别方法 |
Non-Patent Citations (2)
| Title |
|---|
| SVM在中压配网停电事件补全中的应用研究;张波;肖坚红;梁晓伟;疏奇奇;张良;隋仕伟;;电力工程技术(第03期);34-40 * |
| 基于机器学习技术的电力停电敏感客户标签体系;蔡丽华等;农村电气化(第05期);40-43 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113872200A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
| CN109308571B (zh) | 配电线路线变关系检测方法 | |
| CN108376982B (zh) | 负载相序的识别方法及装置 | |
| CN106154209A (zh) | 基于决策树算法的电能表故障预测方法 | |
| AU2022204116B2 (en) | Verification method for electrical grid measurement data | |
| CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
| CN111191878A (zh) | 一种基于异常分析的台区及电能表状态评价方法及系统 | |
| CN104794206A (zh) | 一种变电站数据质量评价系统及方法 | |
| CN111178587A (zh) | 一种基于spark框架的短期电力负荷快速预测方法 | |
| CN109634944B (zh) | 一种基于多维度时空分析的网损数据清洗方法 | |
| CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
| CN114638425B (zh) | 一种基于历史数据的大用户月度用电量预测方法及系统 | |
| CN110555619A (zh) | 一种基于智能配电网的供电能力评估方法 | |
| CN109726880B (zh) | 一种输电线路参数合理性评估方法及系统 | |
| CN113516192A (zh) | 一种用户用电异动识别方法、系统、装置及存储介质 | |
| CN113872200B (zh) | 一种中压配网停电事件诊断识别方法、系统及存储介质 | |
| CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
| CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
| CN112347655B (zh) | 一种基于机组运行性能评估的风电场理论功率计算方法 | |
| CN113836125A (zh) | 一种配电物联网边缘侧的配变数据清洗修复方法和系统 | |
| CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
| CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及系统 | |
| CN113537770A (zh) | 一种基于云计算的决策树配置寿命预测的方法及系统 | |
| CN112348074B (zh) | 基于数据驱动的配电网停电事件精准化诊断方法、装置及系统 | |
| CN110703183A (zh) | 一种智能电能表故障数据分析方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |