CN113899982A - 利用网络设备掉电复电数据研判低压电网停电复电的方法及系统 - Google Patents
利用网络设备掉电复电数据研判低压电网停电复电的方法及系统 Download PDFInfo
- Publication number
- CN113899982A CN113899982A CN202111107646.6A CN202111107646A CN113899982A CN 113899982 A CN113899982 A CN 113899982A CN 202111107646 A CN202111107646 A CN 202111107646A CN 113899982 A CN113899982 A CN 113899982A
- Authority
- CN
- China
- Prior art keywords
- power failure
- power
- judging
- network equipment
- user
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Abstract
本发明利用网络设备掉电复电数据研判低压电网停电复电的方法,本发明利用用户现有的网络设备进行低压配网停电复电的研判,充分考虑用户网络设备掉电习惯,将用户掉电分为人为掉电和设备故障掉电两种情况,利用AI智能算法及机器学习技术,结合停电事件的历史数据,可准确判断当前用户网络设备掉电属于人为掉电还是故障掉电,可以筛除一部分人为掉电行为,减少运维人员工作量。且根据低压配电网拓扑结构,可向上追溯电表箱、分支箱、台区的停电状况。且AI智能算法及机器学习技术可不断优化研判逻辑,提高研判准确率,及时发现各级设备的掉电状况。
Description
技术领域
本发明涉及配电自动化技术领域,具体来说是一种利用网络设备掉电复电数据研判低压电网停电复电的方法及系统。
背景技术
供电可靠性体现着一省供电发展的水平,加强对停电感知的速度和效率,解决台区停电迅速感知与精准定位,有效缩短线路故障恢复时间,提升配电网运维水平,对提升用户对电力行业服务整体品质是非常必要的。但目前配电自动化主站判断台区停电故障与定位存在的以下不足:
①由于运行环境限制,算法性能和能力无法最佳发挥;
②对多数据源的兼容性差,多源数据综合研判台区低压电网停电感知与定位发挥不到预期效果;
③功能升级改造较为困难。
伴随着社会发展,家庭宽带已得到全面普及,根据安徽省电信与安徽省移动的统计数据,截止2020年底,安徽省家庭宽带普及率达94.2%。城市家庭宽带使用率达86%。家庭宽带中光猫、路由器、机顶盒等网络设备正常工作时必存在握手机制(设备启动后登陆网络运行商管控后台或及第三方应用后台)和心跳机制(定时发送信号给后台以确认设备连接状态)。本项目通过对具有心跳机制的网络设备的心跳与握手信号进行收集分析,可迅速感知低压电网失电范围,组织抢修并第一时间向用户推送停电消息与复电计划,提高公司供电服务质量。
如申请号为CN201910515769X-用于感知低压用户故障的方法、系统及机器可读存储介质,属于配用电智能化领域。所述方法包括:判断是否接收到配电台区的同一表箱或分支箱中至少一个低压用户的网络的心跳信号;在无法接收到同一表箱或分支箱中任何一个所述心跳信号的情况下,确定所述表箱或分支箱发生故障。通过该方法、系统及机器可读存储介质,电力抢修中心可以主动感知低压用户是否发生故障。该方法虽然也是采用网络设备信道信号来判断电表箱或分支箱是否掉电,但未考虑网络设备人为掉电的情况,另外未公开具体的判断过程。
发明内容
本发明所要解决的技术问题在于提供一种考虑用户网络设备掉电习惯的低压配电网掉电复电的方法。
本发明通过以下技术手段实现解决上述技术问题的:
利用网络设备掉电复电数据研判低压电网停电复电的方法,包括以下步骤:
步骤1、获取用户网络设备掉电信号,判断该用户掉电行为为人为掉电还是设备故障掉电,若为人为掉电则分析结束;若为设备故障掉电,执行步骤2;
步骤2、根据所述掉电信号关联的电表箱、掉电时间,以电表箱为单位,设定时长内掉电用户为一组;对该电表箱下所关联的用户在同一时间范围内出现网络设备掉电户数小于阈值的,认定为用户人为掉电;若户数大于阈值的,则追踪查询该电表箱下所有用户信息,通过所有用户的网络设备掉电情况判断该电表箱是否掉电,若判断电表箱掉电,则执行步骤3;
步骤3、关联掉电电表箱所属的分支箱信息,并获取该分支箱下所有电表箱,然后获取获取该分支箱下所有电表箱所属用户的网络设备掉电信息,逐个电表箱重复执行步骤2判断各个电表箱是否停电,判断已掉电电表箱数量是否大于阈值,大于阈值则判定为分支箱掉电,则执行步骤4;否则判定程序结;
步骤4、关联掉电分支箱所属台区信息,并获取该台区下所有分支箱信息,逐个执行步骤3,判断分支箱是否停电,若掉电分支箱数量大于设定的阈值,则判定该台区停电。
本发明利用用户现有的网络设备进行低压配网停电复电的研判,无需对电网线路及设备进行改造,应用简易,不会对用户用电产生影响,且投入成本少;且将网络设备分为人为掉电行为和设备故障掉电行为,利用AI智能算法及机器学习技术,结合停电事件的历史数据,可准确判断当前用户网络设备掉电属于人为掉电还是故障掉电,可以筛除一部分人为掉电行为,减少运维人员工作量。且根据低压配电网拓扑结构,可向上追溯电表箱、分支箱、台区的停电状况。且AI智能算法及机器学习技术可不断优化研判逻辑,提高研判准确率,及时发现各级设备的掉电状况。
进一步的,所述步骤1至步骤4中用户掉电、电表箱掉电、分支箱掉电、台区掉电分析采用神经网络进行判断,具体为:
步骤11、获取用户网络设备掉电历史数据作为训练样本,历史数据包括用户人为掉电数据和设备故障掉电数据,以及人为掉电数据和设备故障掉电数据情况下的用户对应所属的电表箱、分支箱、台区的历史数据;
步骤12、利用训练样本训练神经网络模型,得到目标模型;
步骤13、将当前用户网络设备掉电信息、掉电时长、所属区域作为目标模型的输入,得到停电状态台的输出。
进一步的,所述样本集通过决策树进行分类,划分成多个子集,每个子集均为一类停电情况;利用多个子集作为输入训练神经网络。
进一步的,所述步骤2中电表箱所属用户掉电用户数量大于阈值,但仅部分用户掉电,则需追溯未掉电用户在当前时间段之前是否有掉电行为,若有且未复电,则认定为当前电表箱所属所有用户均掉电,该电表箱判定为掉电;若在此次掉电信号发生前已处于复电状态,则需要对该用户的网络设备信号的实时性与准确性进行判断。
进一步的,判断用户网络设备掉电信号的实时性与准确性的方法包括:
a、实时性判断,等待下一次掉电信号接口周期,看是否在下一个掉电信号数据内;
b、准确性判断,根据历史数据判断该户掉电信号掉电、复电信号的成对性和次序是否正常。
与上述方法对应的,本发明还提供一种利用网络设备掉电复电数据研判低压电网停电复电的系统,包括:
用户掉电行为判断,获取用户网络设备掉电信号,判断该用户掉电行为为人为掉电还是设备故障掉电,若为人为掉电则分析结束;若为设备故障掉电,执行电表箱掉电分析模块,;
电表箱掉电分析模块,根据所述掉电信号关联的电表箱、掉电时间,以电表箱为单位,设定时长内掉电用户为一组;对该电表箱下所关联的用户在同一时间范围内出现网络设备掉电户数小于阈值的,认定为用户人为掉电;若户数大于阈值的,则追踪查询该电表箱下所有用户信息,通过所有用户的网络设备掉电情况判断该电表箱是否掉电,若判断电表箱掉电,则执行分支箱掉电分析模块;
分支箱掉电分析模块,关联掉电电表箱所属的分支箱信息,并获取该分支箱下所有电表箱,然后获取获取该分支箱下所有电表箱所属用户的网络设备掉电信息,逐个电表箱重复执行电表箱掉电分析模块判断各个电表箱是否停电,判断已掉电电表箱数量是否大于阈值,大于阈值则判定为分支箱掉电,执行台区掉电分析模块;否则判定程序结;
台区掉电分析模块,关联掉电分支箱所属台区信息,并获取该台区下所有分支箱信息,逐个执行分支箱掉电分析模块,判断分支箱是否停电,若掉电分支箱数量大于设定的阈值,则判定该台区停电。
进一步的,所述用户掉电、电表箱掉电、分支箱掉电、台区掉电分析采用神经网络进行判断,具体为:
步骤11、获取用户网络设备掉电历史数据作为训练样本,历史数据包括用户人为掉电数据和设备故障掉电数据,以及人为掉电数据和设备故障掉电数据情况下的用户对应所属的电表箱、分支箱、台区的历史数据;
步骤12、利用训练样本训练神经网络模型,得到目标模型;
步骤13、将当前用户网络设备掉电信息、掉电时长、所属区域作为目标模型的输入,得到停电状态台的输出。
进一步的,所述样本集通过决策树进行分类,划分成多个子集,每个子集均为一类停电情况;利用多个子集作为输入训练神经网络。
进一步的,所述电表箱所属用户掉电用户数量大于阈值,但仅部分用户掉电,则需追溯未掉电用户在当前时间段之前是否有掉电行为,若有且未复电,则认定为当前电表箱所属所有用户均掉电,该电表箱判定为掉电;若在此次掉电信号发生前已处于复电状态,则需要对该用户的网络设备信号的实时性与准确性进行判断。
进一步的,判断用户网络设备掉电信号的实时性与准确性的方法包括:
a、实时性判断,等待下一次掉电信号接口周期,看是否在下一个掉电信号数据内;
b、准确性判断,根据历史数据判断该户掉电信号掉电、复电信号的成对性和次序是否正常。
本发明的优点在于:
本发明利用用户现有的网络设备进行低压配网停电复电的研判,无需对电网线路及设备进行改造,应用简易,不会对用户用电产生影响,且投入成本少;且将网络设备分为人为掉电行为和设备故障掉电行为,利用AI智能算法及机器学习技术,结合停电事件的历史数据,可准确判断当前用户网络设备掉电属于人为掉电还是故障掉电,可以筛除一部分人为掉电行为,减少运维人员工作量。且根据低压配电网拓扑结构,可向上追溯电表箱、分支箱、台区的停电状况。且AI智能算法及机器学习技术可不断优化研判逻辑,提高研判准确率,及时发现各级设备的掉电状况。
附图说明
图1为本发明实施例中利用网络设备掉电复电数据研判低压电网停电复电的方法流程框图;
图2为本发明实施例中利用网络设备掉电复电数据研判低压电网停电复电的方法中分支箱停电复电判断流程框图;
图3为本发明实施例中利用网络设备掉电复电数据研判低压电网停电复电的方法中台区停电复电判断流程框图;
图4为本发明实施例中利用网络设备掉电复电数据研判低压电网停电复电的方法中神经网络结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例公开一种利用网络设备掉电复电数据研判低压电网停电复电的方法,首先利用历史数据训练申请网络模型,得到目标模型,利用目标模型来识别当前掉电行为以及各级设备掉电状况。本实施例中的网络设备可以是光猫、机顶盒等。判断过程具体包括以下步骤:
步骤1、获取用户网络设备掉电信号,判断该用户掉电行为为人为掉电还是设备故障掉电,若为人为掉电则分析结束;若为设备故障掉电,执行步骤2;
本实施例中,用户掉电行为分为人为掉电和设备故障掉电。人为掉电一般为用户每天上班时将家中用电的总闸断开,回家时再和上;某用户每月月初,都会出差并且关闭家中用电总闸等,目标模型会根据该用户掉电行为习惯判断此次掉电为人为掉电还是设备故障掉电。
步骤2、根据掉电信号关联的电表箱、掉电时间,以电表箱为单位,设定时长内掉电用户为一组;对该电表箱下所关联的用户在同一时间范围内出现网络设备掉电户数小于阈值的,认定为用户人为掉电;若户数大于阈值的,通过电表箱追踪查询到电表箱下所挂的用户信息,如某一电表箱下挂有8个用户,其中为移动宽带用户的有5户,当前收到的光猫掉电信号为4个,则会对当前没有收到光猫掉电信号的用户进行向前追溯,若该户在此次批量光猫掉电信号发生前就已经掉电,并未进行复电操作,则此次批量光猫掉电可以判断为当前电表箱下所有移动用户均在同一时间发生掉电,电表箱掉电可能性为100%;若该户在此次批量光猫掉电信号发生前处于已复电状态,且此次批量掉电中未收到掉电信号,则需要判定该光猫信号的实时性与准确性(a、实时性判断,需要等待下一掉电信号接口周期,看是否在下一个掉电信号数据内;b、准确性判断,需要根据历史数据判断该户掉电信号掉电、复电信号的成对性和次序是否正常),并对此次电表箱掉电可能性进行减分处理。
步骤3、如图2所示,若已判定有电表箱停电,则通过低压电网拓扑模型,可追溯到该电表箱所属分支箱信息,通过拓扑关系,首先获得该分支箱下所有电表箱的所属用户的掉电信息,逐个电表箱重复步骤2中所述逻辑,判定各电表箱的停电可能性,若有电表箱判定无掉电可能性,则跳出判断,该分支箱未发生停电;若所有电表箱均判定为停电,则可判定该分支箱存在停电;若一部分电表箱判定停电,一部分电表箱停电存在可能性(如步骤2中电表箱掉电可能性不足100%的情况),则需要根据设计的阈值得出分支箱掉电可能性;
步骤4、如图3所示若已判定有分支箱停电,则通过低压电网拓扑模型,可追溯到该分支箱所属台区信息,通过拓扑关系,系统首先获得该台区下所有分支箱信息,逐个分支箱重复步骤3中所述逻辑,判定各分支箱的停电可能性,若有分支箱判定无掉电可能性,则跳出判断,该台区未发生停电;若所有分支箱均判定为停电,则可判定该台区存在停电;若一部分分支箱判定停电,一部分分支箱停电存在可能性(如步骤3中分支箱掉电可能性不足100%的情况),则需要根据设计的阈值得出台区掉电可能性。
本实施例中,用户掉电、电表箱掉电、分支箱掉电、台区掉电分析采用神经网络进行判断,神经网络的训练过程具体为:
通过对历史的时空大数据的深度学习,基于神经网络算法设计模型与逻辑,通过对历史数据中居民网络设备的信息进行深度学习,结合实际停电掉电情况,实现对研判结果的纠偏及研判逻辑的调优处理。
通过对各个用户单体建立多层次的数据模型,以及光猫使用用户、电表箱、变压器、台区等多层节点的网络结构图,搭建构建神经网络。通过对用户掉电信息的分析,提取单神经元的输入信号,将用户掉电信息,掉电时长,区域等信息作为输入,函数模块计算分析,得到用户停电状态等信息的输出,从而构建单神经元的算法模型。
神经网络有不同的组成部分:
a、输入层(Input layer):指有助于预测结果的潜在的、描述性的因子,为外界信息输入,不进行任何计算,仅向下一层节点传递信息。
b、隐藏层(Hidden layer):由用户自定义的层,每层拥有指定数量的神经元(Neurons),该层接收上一层节点的输入,进行计算,并将信息传到下一层节点。
c、输出层(Output layer):人们想预测的规律或特征。例如图像的标签化,或Yes/No这样的简单判别,该层接收上层节点的输入,进行计算,并将结果输出。
如图4所示,底层感知器接收外部输入,做出判断以后,再发出信号,作为上层感知器的输入,直至得到最后的结果。
基于历史用户光猫使用信息的时空大数据,结合实际发生的用户、电表箱、变压器、台区的停电事件的结果信息作为训练样本,进行模型的训练。对于训练样本(x,y),当该样本进入感知机学习后,会产生一个输出值,若该输出值与样本的真实标记不一致,则感知机会对权重进行调整,若激活函数为阶跃函数,则调整的方法为(基于梯度下降法):
对于样本(x,y),期预测值为:
令下降步长为η,η∈(0,1),则:
其中η∈(0,1)称为学习率。设定好初始的随机权重,逐个地输入历史光猫信息数据的样本数据,若输出值与停电信息的真实标记相同则继续输入下一个样本,若不一致则更新权重,然后再重新逐个检验,直到每个样本数据的输出值都与真实标记相同,达到调整各信号及神经元的权重。之后再过对属性加权与另一个常数求和,再使用函数将这个输出值压缩到0-1之间,完成模型的深度学习。
系统通过分类找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类,其目的是通过分类模型,将数据库中的数据项映射到某个给定的类别中。
系统采用“决策树”方法进行分类,特点如下:a、它的每次划分都是基于最显著的特征的;b、所分析的数据样本被称作树根,算法从所有特征中选出一个最重要的,用这个特征把样本分割成若干子集;c、重复这个过程,直到所有的分支下面的实例都是“纯”的,即子集中各个实例都属于同一个类别,这样的分支即可确定为一个叶子节点。在所有子集变成“纯”的之后,树就停止生长了。
神经网络的算法程序实现分为初始化、向前计算结果,反向修改权重三个过程:
a、初始化过程
由于是n层神经网络,用二维数组layer记录节点值,第一维为层数,第二维为该层节点位置,数组的值为节点值;同样,节点误差值layerErr也是相似方式记录。用三维数组layer_weight记录各节点权重,第一维为层数,第二维为该层节点位置,第三维为下层节点位置,数组的值为某节点到达下层某节点的权重值,初始值为0-1之间的随机数。为了优化收敛速度,这里采用动量法权值调整,需要记录上一次权值调整量,用三维数组layer_weight_delta来记录,截距项处理:程序里将截距的值设置为1,这样只需要计算它的权重就可以了。
b、向前计算结果
采用S函数1/(1+Math.exp(-z))将每个节点的值统一到0-1之间,再逐层向前计算直到输出层,对于输出层,实际上是不需要再用S函数的,这里将输出结果视为0到1之间的概率值,所以也采用了S函数,这样也有利于程序实现的统一性。
c、反向修改权重
神经网络如何计算误差,一般采用平方型误差函数E,如下:
将多个输出项和对应目标值的误差的平方累加起来,再除以2。把这个函数E误差取它的最小值,需要对其进行求导:
layerErr记录了E对权重求导后的最小化误差,再根据最小化误差去调整权重。
k代表迭代次数,mobp为动量项,rate为学习步长:
Δw(k+1)=mobp*Δw(k)+rate*Err*Layer
先将位置定位到倒数第二层(也就是最后一层隐含层)上,然后逐层反向调整,根据L+1层算好的误差来调整L层的权重,同时计算好L层的误差,用于下一次循环到L-1层时计算权重,以此循环下去直到倒数第一层(输入层)结束。
在前文进行电表箱、分支箱、台区的停电判定中,当需要进行单个用户掉电情况分析时,需要判定单个光猫信号的实时性与准确性时,可以依靠神经网络算法分析结果推断掉电信号准确性,提供更为准确的掉电可能信息,如某用户每天上班时将家中用电的总闸断开,回家时再和上;某用户每月月初,都会出差并且关闭家中用电总闸等,系统根据多层次的数据模型建立和算法分析,可以与当前掉电信号的发生时间、范围作出比较,若当前批量光猫掉电信号发生时间段为用户规律性人为停电的时间,则为建立的网络结构图中经过连接节点的电表箱的权重进行加分,即当前电表箱停电的可能性进行加分处理。
本实施例利用用户现有的网络设备进行低压配网停电复电的研判,无需对电网线路及设备进行改造,应用简易,不会对用户用电产生影响,且投入成本少;
本实施例利用AI智能算法及机器学习技术,结合停电事件的历史数据,可不断优化研判逻辑,提高研判准确率。
与上述方法对应的,本实施例还提供一种利用网络设备掉电复电数据研判低压电网停电复电的系统,包括:
用户掉电行为判断模块,用以获取用户网络设备掉电信号,判断该用户掉电行为为人为掉电还是设备故障掉电,若为人为掉电则分析结束;若为设备故障掉电,执行电表箱掉电分析模块;
本实施例中,用户掉电行为分为人为掉电和设备故障掉电。人为掉电一般为用户每天上班时将家中用电的总闸断开,回家时再和上;某用户每月月初,都会出差并且关闭家中用电总闸等,目标模型会根据该用户掉电行为习惯判断此次掉电为人为掉电还是设备故障掉电。
电表箱掉电分析模块,根据掉电信号关联的电表箱、掉电时间,以电表箱为单位,设定时长内掉电用户为一组;对该电表箱下所关联的用户在同一时间范围内出现网络设备掉电户数小于阈值的,认定为用户人为掉电;若户数大于阈值的,通过电表箱追踪查询到电表箱下所挂的用户信息,如某一电表箱下挂有8个用户,其中为移动宽带用户的有5户,当前收到的光猫掉电信号为4个,则会对当前没有收到光猫掉电信号的用户进行向前追溯,若该户在此次批量光猫掉电信号发生前就已经掉电,并未进行复电操作,则此次批量光猫掉电可以判断为当前电表箱下所有移动用户均在同一时间发生掉电,电表箱掉电可能性为100%;若该户在此次批量光猫掉电信号发生前处于已复电状态,且此次批量掉电中未收到掉电信号,则需要判定该光猫信号的实时性与准确性(a、实时性判断,需要等待下一掉电信号接口周期,看是否在下一个掉电信号数据内;b、准确性判断,需要根据历史数据判断该户掉电信号掉电、复电信号的成对性和次序是否正常),并对此次电表箱掉电可能性进行减分处理。
分支箱掉电分析模块,若已判定有电表箱停电,则通过低压电网拓扑模型,可追溯到该电表箱所属分支箱信息,通过拓扑关系,首先获得该分支箱下所有电表箱的所属用户的掉电信息,逐个电表箱重复步骤2中所述逻辑,判定各电表箱的停电可能性,若有电表箱判定无掉电可能性,则跳出判断,该分支箱未发生停电;若所有电表箱均判定为停电,则可判定该分支箱存在停电;若一部分电表箱判定停电,一部分电表箱停电存在可能性(如步骤2中电表箱掉电可能性不足100%的情况),则需要根据设计的阈值得出分支箱掉电可能性;
台区掉电分析模块,若已判定有分支箱停电,则通过低压电网拓扑模型,可追溯到该分支箱所属台区信息,通过拓扑关系,系统首先获得该台区下所有分支箱信息,逐个分支箱重复步骤3中所述逻辑,判定各分支箱的停电可能性,若有分支箱判定无掉电可能性,则跳出判断,该台区未发生停电;若所有分支箱均判定为停电,则可判定该台区存在停电;若一部分分支箱判定停电,一部分分支箱停电存在可能性(如步骤3中分支箱掉电可能性不足100%的情况),则需要根据设计的阈值得出台区掉电可能性。
本实施例中,用户掉电、电表箱掉电、分支箱掉电、台区掉电分析采用神经网络进行判断,神经网络的训练过程具体为:
通过对历史的时空大数据的深度学习,基于神经网络算法设计模型与逻辑,通过对历史数据中居民网络设备的信息进行深度学习,结合实际停电掉电情况,实现对研判结果的纠偏及研判逻辑的调优处理。
通过对各个用户单体建立多层次的数据模型,以及光猫使用用户、电表箱、变压器、台区等多层节点的网络结构图,搭建构建神经网络。通过对用户掉电信息的分析,提取单神经元的输入信号,将用户掉电信息,掉电时长,区域等信息作为输入,函数模块计算分析,得到用户停电状态等信息的输出,从而构建单神经元的算法模型。
神经网络有不同的组成部分:
a、输入层(Input layer):指有助于预测结果的潜在的、描述性的因子,为外界信息输入,不进行任何计算,仅向下一层节点传递信息。
b、隐藏层(Hidden layer):由用户自定义的层,每层拥有指定数量的神经元(Neurons),该层接收上一层节点的输入,进行计算,并将信息传到下一层节点。
c、输出层(Output layer):人们想预测的规律或特征。例如图像的标签化,或Yes/No这样的简单判别,该层接收上层节点的输入,进行计算,并将结果输出。
上图中,底层感知器接收外部输入,做出判断以后,再发出信号,作为上层感知器的输入,直至得到最后的结果。
基于历史用户光猫使用信息的时空大数据,结合实际发生的用户、电表箱、变压器、台区的停电事件的结果信息作为训练样本,进行模型的训练。对于训练样本(x,y),当该样本进入感知机学习后,会产生一个输出值,若该输出值与样本的真实标记不一致,则感知机会对权重进行调整,若激活函数为阶跃函数,则调整的方法为(基于梯度下降法):
对于样本(x,y),期预测值为:
令下降步长为η,η∈(0,1),则:
其中η∈(0,1)称为学习率。设定好初始的随机权重,逐个地输入历史光猫信息数据的样本数据,若输出值与停电信息的真实标记相同则继续输入下一个样本,若不一致则更新权重,然后再重新逐个检验,直到每个样本数据的输出值都与真实标记相同,达到调整各信号及神经元的权重。之后再过对属性加权与另一个常数求和,再使用函数将这个输出值压缩到0-1之间,完成模型的深度学习。
系统通过分类找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类,其目的是通过分类模型,将数据库中的数据项映射到某个给定的类别中。
系统采用“决策树”方法进行分类,特点如下:a、它的每次划分都是基于最显著的特征的;b、所分析的数据样本被称作树根,算法从所有特征中选出一个最重要的,用这个特征把样本分割成若干子集;c、重复这个过程,直到所有的分支下面的实例都是“纯”的,即子集中各个实例都属于同一个类别,这样的分支即可确定为一个叶子节点。在所有子集变成“纯”的之后,树就停止生长了。
神经网络的算法程序实现分为初始化、向前计算结果,反向修改权重三个过程:
a、初始化过程
由于是n层神经网络,用二维数组layer记录节点值,第一维为层数,第二维为该层节点位置,数组的值为节点值;同样,节点误差值layerErr也是相似方式记录。用三维数组layer_weight记录各节点权重,第一维为层数,第二维为该层节点位置,第三维为下层节点位置,数组的值为某节点到达下层某节点的权重值,初始值为0-1之间的随机数。为了优化收敛速度,这里采用动量法权值调整,需要记录上一次权值调整量,用三维数组layer_weight_delta来记录,截距项处理:程序里将截距的值设置为1,这样只需要计算它的权重就可以了。
b、向前计算结果
采用S函数1/(1+Math.exp(-z))将每个节点的值统一到0-1之间,再逐层向前计算直到输出层,对于输出层,实际上是不需要再用S函数的,这里将输出结果视为0到1之间的概率值,所以也采用了S函数,这样也有利于程序实现的统一性。
c、反向修改权重
神经网络如何计算误差,一般采用平方型误差函数E,如下:
将多个输出项和对应目标值的误差的平方累加起来,再除以2。把这个函数E误差取它的最小值,需要对其进行求导:
layerErr记录了E对权重求导后的最小化误差,再根据最小化误差去调整权重。
k代表迭代次数,mobp为动量项,rate为学习步长:
Δw(k+1)=mobp*Δw(k)+rate*Err*Layer
先将位置定位到倒数第二层(也就是最后一层隐含层)上,然后逐层反向调整,根据L+1层算好的误差来调整L层的权重,同时计算好L层的误差,用于下一次循环到L-1层时计算权重,以此循环下去直到倒数第一层(输入层)结束。
在前文进行电表箱、分支箱、台区的停电判定中,当需要进行单个用户掉电情况分析时,需要判定单个光猫信号的实时性与准确性时,可以依靠神经网络算法分析结果推断掉电信号准确性,提供更为准确的掉电可能信息,如某用户每天上班时将家中用电的总闸断开,回家时再和上;某用户每月月初,都会出差并且关闭家中用电总闸等,系统根据多层次的数据模型建立和算法分析,可以与当前掉电信号的发生时间、范围作出比较,若当前批量光猫掉电信号发生时间段为用户规律性人为停电的时间,则为建立的网络结构图中经过连接节点的电表箱的权重进行加分,即当前电表箱停电的可能性进行加分处理。
本实施例利用用户现有的网络设备进行低压配网停电复电的研判,无需对电网线路及设备进行改造,应用简易,不会对用户用电产生影响,且投入成本少;
本实施例利用AI智能算法及机器学习技术,结合停电事件的历史数据,可不断优化研判逻辑,提高研判准确率。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.利用网络设备掉电复电数据研判低压电网停电复电的方法,其特征在于,包括以下步骤:
步骤1、获取用户网络设备掉电信号,判断该用户掉电行为为人为掉电还是设备故障掉电,若为人为掉电则分析结束;若为设备故障掉电,执行步骤2;
步骤2、根据所述掉电信号关联的电表箱、掉电时间,以电表箱为单位,设定时长内掉电用户为一组;对该电表箱下所关联的用户在同一时间范围内出现网络设备掉电户数小于阈值的,认定为用户人为掉电;若户数大于阈值的,则追踪查询该电表箱下所有用户信息,通过所有用户的网络设备掉电情况判断该电表箱是否掉电,若判断电表箱掉电,则执行步骤3;
步骤3、关联掉电电表箱所属的分支箱信息,并获取该分支箱下所有电表箱,然后获取获取该分支箱下所有电表箱所属用户的网络设备掉电信息,逐个电表箱重复执行步骤2判断各个电表箱是否停电,判断已掉电电表箱数量是否大于阈值,大于阈值则判定为分支箱掉电,则执行步骤4;否则判定程序结;
步骤4、关联掉电分支箱所属台区信息,并获取该台区下所有分支箱信息,逐个执行步骤3,判断分支箱是否停电,若掉电分支箱数量大于设定的阈值,则判定该台区停电。
2.根据权利要求1所述的利用网络设备掉电复电数据研判低压电网停电复电的方法,其特征在于,所述步骤1至步骤4中用户掉电、电表箱掉电、分支箱掉电、台区掉电分析采用神经网络进行判断,具体为:
步骤11、获取用户网络设备掉电历史数据作为训练样本,历史数据包括用户人为掉电数据和设备故障掉电数据,以及人为掉电数据和设备故障掉电数据情况下的用户对应所属的电表箱、分支箱、台区的历史数据;
步骤12、利用训练样本训练神经网络模型,得到目标模型;
步骤13、将当前用户网络设备掉电信息、掉电时长、所属区域作为目标模型的输入,得到停电状态台的输出。
3.根据权利要求2所述的利用网络设备掉电数据研判低压电网停电复电的方法,其特征在于,所述样本集通过决策树进行分类,划分成多个子集,每个子集均为一类停电情况;利用多个子集作为输入训练神经网络。
4.根据权利要求2或3所述的利用网络设备掉电数据研判低压电网停电复电的方法,其特征在于,所述步骤2中电表箱所属用户掉电用户数量大于阈值,但仅部分用户掉电,则需追溯未掉电用户在当前时间段之前是否有掉电行为,若有且未复电,则认定为当前电表箱所属所有用户均掉电,该电表箱判定为掉电;若在此次掉电信号发生前已处于复电状态,则需要对该用户的网络设备信号的实时性与准确性进行判断。
5.根据权利要求4所述的利用网络设备掉电数据研判低压电网停电复电的方法,其特征在于,判断用户网络设备掉电信号的实时性与准确性的方法包括:
a、实时性判断,等待下一次掉电信号接口周期,看是否在下一个掉电信号数据内;
b、准确性判断,根据历史数据判断该户掉电信号掉电、复电信号的成对性和次序是否正常。
6.利用网络设备掉电复电数据研判低压电网停电复电的系统,其特征在于,包括:
用户掉电行为判断,获取用户网络设备掉电信号,判断该用户掉电行为为人为掉电还是设备故障掉电,若为人为掉电则分析结束;若为设备故障掉电,执行电表箱掉电分析模块;
电表箱掉电分析模块,根据所述掉电信号关联的电表箱、掉电时间,以电表箱为单位,设定时长内掉电用户为一组;对该电表箱下所关联的用户在同一时间范围内出现网络设备掉电户数小于阈值的,认定为用户人为掉电;若户数大于阈值的,则追踪查询该电表箱下所有用户信息,通过所有用户的网络设备掉电情况判断该电表箱是否掉电,若判断电表箱掉电,则执行分支箱掉电分析模块;
分支箱掉电分析模块,关联掉电电表箱所属的分支箱信息,并获取该分支箱下所有电表箱,然后获取获取该分支箱下所有电表箱所属用户的网络设备掉电信息,逐个电表箱重复执行电表箱掉电分析模块判断各个电表箱是否停电,判断已掉电电表箱数量是否大于阈值,大于阈值则判定为分支箱掉电,执行台区掉电分析模块;否则判定程序结;
台区掉电分析模块,关联掉电分支箱所属台区信息,并获取该台区下所有分支箱信息,逐个执行分支箱掉电分析模块,判断分支箱是否停电,若掉电分支箱数量大于设定的阈值,则判定该台区停电。
7.根据权利要求6所述的利用网络设备掉电复电数据研判低压电网停电复电的系统,其特征在于,所述用户掉电、电表箱掉电、分支箱掉电、台区掉电分析采用神经网络进行判断,具体为:
步骤11、获取用户网络设备掉电历史数据作为训练样本,历史数据包括用户人为掉电数据和设备故障掉电数据,以及人为掉电数据和设备故障掉电数据情况下的用户对应所属的电表箱、分支箱、台区的历史数据;
步骤12、利用训练样本训练神经网络模型,得到目标模型;
步骤13、将当前用户网络设备掉电信息、掉电时长、所属区域作为目标模型的输入,得到停电状态台的输出。
8.根据权利要求7所述的利用网络设备掉电数据研判低压电网停电复电的方法,其特征在于,所述样本集通过决策树进行分类,划分成多个子集,每个子集均为一类停电情况;利用多个子集作为输入训练神经网络。
9.根据权利要求6或7所述的利用网络设备掉电数据研判低压电网停电复电的系统,其特征在于,所述电表箱所属用户掉电用户数量大于阈值,但仅部分用户掉电,则需追溯未掉电用户在当前时间段之前是否有掉电行为,若有且未复电,则认定为当前电表箱所属所有用户均掉电,该电表箱判定为掉电;若在此次掉电信号发生前已处于复电状态,则需要对该用户的网络设备信号的实时性与准确性进行判断。
10.根据权利要求9所述的利用网络设备掉电数据研判低压电网停电复电的系统,其特征在于,判断用户网络设备掉电信号的实时性与准确性的方法包括:
a、实时性判断,等待下一次掉电信号接口周期,看是否在下一个掉电信号数据内;
b、准确性判断,根据历史数据判断该户掉电信号掉电、复电信号的成对性和次序是否正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111107646.6A CN113899982A (zh) | 2021-09-22 | 2021-09-22 | 利用网络设备掉电复电数据研判低压电网停电复电的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111107646.6A CN113899982A (zh) | 2021-09-22 | 2021-09-22 | 利用网络设备掉电复电数据研判低压电网停电复电的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113899982A true CN113899982A (zh) | 2022-01-07 |
Family
ID=79029129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111107646.6A Pending CN113899982A (zh) | 2021-09-22 | 2021-09-22 | 利用网络设备掉电复电数据研判低压电网停电复电的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113899982A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050239491A1 (en) * | 1999-05-06 | 2005-10-27 | Feder Peretz M | Power control system using acknowledgments |
AU2010100428A4 (en) * | 2010-03-26 | 2010-07-22 | Landis & Gyr Pty Ltd | Method and Apparatus for Power Supply Fault Detection |
CN107995289A (zh) * | 2017-12-01 | 2018-05-04 | 中国联合网络通信集团有限公司 | 一种网络用户的行为追踪方法及平台 |
CN109995145A (zh) * | 2019-05-15 | 2019-07-09 | 国网湖北省电力有限公司电力科学研究院 | 一种基于智能配变终端的低压配电网故障主动研判方法 |
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 |
CN110349380A (zh) * | 2019-08-19 | 2019-10-18 | 国网江苏省电力有限公司镇江供电分公司 | 基于通信终端光网络单元的配电网低压线路停电报警方法 |
CN110569867A (zh) * | 2019-07-15 | 2019-12-13 | 山东电工电气集团有限公司 | 基于决策树算法的输电线路故障原因判别方法、介质及设备 |
CN112131783A (zh) * | 2020-09-04 | 2020-12-25 | 国电南瑞科技股份有限公司 | 一种基于配电台区大数据的户变拓扑关系识别方法 |
-
2021
- 2021-09-22 CN CN202111107646.6A patent/CN113899982A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050239491A1 (en) * | 1999-05-06 | 2005-10-27 | Feder Peretz M | Power control system using acknowledgments |
AU2010100428A4 (en) * | 2010-03-26 | 2010-07-22 | Landis & Gyr Pty Ltd | Method and Apparatus for Power Supply Fault Detection |
CN107995289A (zh) * | 2017-12-01 | 2018-05-04 | 中国联合网络通信集团有限公司 | 一种网络用户的行为追踪方法及平台 |
CN109995145A (zh) * | 2019-05-15 | 2019-07-09 | 国网湖北省电力有限公司电力科学研究院 | 一种基于智能配变终端的低压配电网故障主动研判方法 |
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 |
CN110569867A (zh) * | 2019-07-15 | 2019-12-13 | 山东电工电气集团有限公司 | 基于决策树算法的输电线路故障原因判别方法、介质及设备 |
CN110349380A (zh) * | 2019-08-19 | 2019-10-18 | 国网江苏省电力有限公司镇江供电分公司 | 基于通信终端光网络单元的配电网低压线路停电报警方法 |
CN112131783A (zh) * | 2020-09-04 | 2020-12-25 | 国电南瑞科技股份有限公司 | 一种基于配电台区大数据的户变拓扑关系识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN108876163B (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
CN112363896B (zh) | 日志异常检测系统 | |
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN113471982B (zh) | 云边协同与电网隐私保护的分布式电源就地电压控制方法 | |
CN112733417A (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
Xiao et al. | Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids | |
CN113887141A (zh) | 一种基于联邦学习的微电网群运行策略进化方法 | |
CN114648176A (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
CN116933318A (zh) | 一种基于联邦学习的用电数据隐私保护方法 | |
CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
CN111984514B (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN113422371A (zh) | 一种基于图卷积神经网络的分布式电源就地电压控制方法 | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN110991519A (zh) | 一种智能开关状态分析调整方法及系统 | |
CN113899982A (zh) | 利用网络设备掉电复电数据研判低压电网停电复电的方法及系统 | |
CN110059871A (zh) | 光伏发电功率预测方法 | |
CN115034608A (zh) | 基于配网要素和神经网络的配网风险评估方法 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
Rosato et al. | A Combined Deep Learning Approach for Time Series Prediction in Energy Environments | |
Sicheng et al. | Abnormal line loss data detection and correction method |
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 |