CN116451876B - 一种基于人工智能的配电网故障预测和主动检修系统 - Google Patents

一种基于人工智能的配电网故障预测和主动检修系统 Download PDF

Info

Publication number
CN116451876B
CN116451876B CN202310706074.6A CN202310706074A CN116451876B CN 116451876 B CN116451876 B CN 116451876B CN 202310706074 A CN202310706074 A CN 202310706074A CN 116451876 B CN116451876 B CN 116451876B
Authority
CN
China
Prior art keywords
data
power grid
fault
equipment
path
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
Application number
CN202310706074.6A
Other languages
English (en)
Other versions
CN116451876A (zh
Inventor
于仕
彭鸿钊
江文燕
胡齐晋
杨济海
朱正刚
邓燕楠
张远来
王沈亮
吴明光
查梦
刘坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Jiangxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Information and Telecommunication Branch of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310706074.6A priority Critical patent/CN116451876B/zh
Publication of CN116451876A publication Critical patent/CN116451876A/zh
Application granted granted Critical
Publication of CN116451876B publication Critical patent/CN116451876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种基于人工智能的配电网故障预测和主动检修系统，用于采集包括PMS系统、调度云系统以及业务中台中电网调度数据、电网及设备运行数据、电网网架数据，并按照统一数据模型进行转换，最后融合为多时态电网及设备数据中心的数据采集模块；用于通过电网设备知识图谱和人工智能深度学习算法，实现配电网和设备故障分析预测的故障诊断模块；用于当收到故障隐患分析预测结果后，进行主动应急抢修，通过路线最优算法优选抢修站点和运检人员，并通过主动派单进行排查抢修，对受停电影响用户主动告知服务的检修调度模块。本发明有效提高了管理决策水平、故障抢修和运检作业效率、用户体验和评价水平。

Description

一种基于人工智能的配电网故障预测和主动检修系统
技术领域
本发明涉及人工智能、大数据知识图谱及配电网维护技术领域，尤其涉及一种基于人工智能的配电网故障预测和主动检修系统。
背景技术
配电网作为重要的电网运行基础，保障其安全稳定运行，且在其发生故障停电后能快速地组织抢修、恢复供电具有极为重要的现实意义。然而配电网运行存在实时动态性强，异常动作和运行风险难以有效防范、配电设备点位分布范围广等困难和特点，导致配电网运检和抢修等作业存在以下问题，一是故障信息获取不及时且缺少高效智能的故障分析预测手段，目前的故障判断主要依靠工作人员的经验，受制于工作人员的主观判断和工作能力，经验不易传承，无法有效预测故障；二是大多数故障处理只能通过事后抢修的方式进行，用户当发生停电后才能感知故障发生，不能做到主动防范、主动抢修运维和主动服务用户，并不能消除配电网设备异常影响客户服务的事实；三是不能直观感知和展示故障发生点和所受停电影响的用户范围，管理决策水平低效；四是配电应急抢修指挥不协调，抢修或运检工单多通过跨部门线下操作，影响故障抢修和恢复效率；五是由于设备分布范围广，故障发生时在恶劣天气环境和复杂交通地形下无科学规划抢修作业路径方法，影响作业安全和效率。
为提高配电网抢修或运检效率，近年来随着人工智能、物联网和移动互联网等相关技术的发展，陆续开展了一些研究，某些智能分析手段缺少全量数据支撑，影响智能分析模型或算法准确性。另外，当前的研究较多比较局限、单一，缺少系统性地深入且全面解决上述问题的有效办法。
因此,亟需一种智能化水平高，能实现主动故障分析预测、主动抢修和运检作业、主动服务和通知用户、科学规划作业最优路径，且能在一张图上直观展示故障位置和受停电影响用户区域的配电网故障预测和主动检修系统，以提高管理决策水平、故障抢修和运检作业效率、用户体验和评价水平，提高电网安全运行能力。
发明内容
有鉴于此，本发明的目的在于提出一种基于人工智能的配电网故障预测和主动检修系统。
基于上述目的，本发明提供一种基于人工智能的配电网故障预测和主动检修系统，包括：数据输入模块、故障诊断模块、检修调度模块；
所述数据输入模块用于通过自动抽取的方式采集包括PMS系统、调度云系统以及业务中台中电网调度数据、电网及设备运行数据、电网网架数据，并按照统一数据模型进行转换，最后融合为包括历史态、现实态和未来态多时态电网及设备数据中心，以支撑多时态电网一张图构建和电网设备知识图谱构建，并为人工智能深度学习模型提供训练和测试样本，进而实现电网设备故障的智能分析预测；
所述故障诊断模块用于采用电网设备知识图谱和人工智能深度学习故障分析预测算法，通过故障分析诊断服务进行调用，对配电网及其设备是否存在故障进行分析预测，其故障分析预测结果以及故障信息支撑后续配电网主动检修调度和停电分析到户；
所述检修调度模块用于当诊断存在故障或隐患时，可发起工单进行主动应急抢修，通过抢修线路优化算法安排运检人员进行排查抢修，并对所受停电影响的用电用户主动通知停电时间和预计恢复时间。
进一步地，所述数据输入模块配置了包括PMS数据抽取功能组件、中台数据抽取功能组件、调度云数据抽取功能组件、数据模型转换功能组件、多态数据融合功能组件；所述故障诊断模块配置了包括深度学习算法功能组件、电网设备知识图谱功能组件以及故障分析诊断服务功能组件；所述检修调度模块配置了包括主动应急抢修功能组件、抢修线路优化算法功能组件以及停电分析到户功能组件；
所述数据输入模块，通过将各系统抽取的数据通过数据模型转换及多态数据融合，输出统一模型及多时态数据中心，为电网一张图构建和故障预测分析提供了大量丰富可信的数据源；
所述故障诊断模块，通过构建电网设备知识图谱为深度学习模型提供了知识指导，深度学习模型有利于知识图谱的知识获取；两者相互支持，协调配合提供了配电网故障预测分析的准确性，为被动检修转变为主动抢修提供了较好的技术手段；
所述检修调度模块通过故障主动处理分析算法、改进后的基于量子遗传算法的维修线路优化策略以及停电分析到户算法，当故障预测分析结果出来后，实现快速的事故分析及主动抢修调度处理，并且通过主动用户分析及通知，较大提高了配电网故障抢修效率、用户体验水平和主动服务能力。
进一步地，所述配电网故障预测和主动检修系统构建包括以下步骤：
S301：数据抽取、转换及融合，将所抽取并经统一数据模型转换且融合后的电网调度、电网及设备运行、电网网架等数据汇集到数据中台中，构建电网及设备多时态融合数据中心；
S302：S301处理后的数据提供给人工智能深度学习模型进行故障预测分析训练及验证，同时提供给电网设备知识图谱进行知识表示构建，深度学习模型为知识图谱提供知识指导，知识图谱为深度学习模型提供知识获取补充手段，两者互为补充、相互支持、协调配合；
S303：基于所融合的电网及设备多时态融合数据中心，在电网GIS底座上构建"历史态、现实态、未来态"的电网一张图，为后续事故主动应急抢修、线路优化调配、停电分析到户提供基于图上协作的直观友好互动及展现方式，实现了可视化的电网抢修协作和主动服务；
S304：故障预测分析结果提供给所述检修调度模块，通过所述主动应急抢修功能组件、线路优化算法功能组件、停电用户分析功能组件进行快速事故处理。
进一步地，所述数据输入模块是将数据抽取后，需按照统一ID、统一模型和统一规范转换为统一数据格式，并形成统一网架信息。
进一步地，所述数据输入模块是通过数据抽取的方式将PMS系统、调度云系统以及业务中台的调度数据、电网及设备运行数据、电网网架数据等实时或非实时的数据进行抽取，抽取的数据包括：电力基础数据、主网设备及参数、配网设备及参数、电网GIS信息、电网运行及监测数据、用户用电信息。
进一步地，所述数据输入模块是将所抽取的数据按统一数据模型转换后，需采用数据融合算法对新、旧数据进行融合，构建起涵盖历史态、现实态以及未来态的多时态电网及设备数据中心，以支撑多时态电网一张图构建，并为后续人工智能深度学习模型的训练、电网设备知识图谱的构建以及电网故障隐患的预测分析提供足够的训练和样本数据。
所述数据融合算法的步骤如下：
S10301：历史态数据库设计，由于融合的多态数据需支撑在电网GIS平台上构建电网一张图，按设备类型进行数据分类存储，每种设备类型创建稳定版表和编辑版表两张物联表，编辑版表的表名为稳定版表名上添加_ver后缀。当数据更新时，相对于稳定版表，先基于编辑版表进行更新，编辑类型字段ADD表示当前记录相对稳定表是新增的，Update表示当前记录相比稳定版的同一条记录发生了修改，而Delete表示从稳定版删除同条记录。当数据修改审核通过后，编辑版表中的修改数据就会合并到稳定版中，同时删除编辑版表中的相应记录。历史态数据用于备份稳定版表的推移情况，可以按时间进行数据回溯。在稳定版表基础上，添加以-HIS为后缀的历史版表，历史版表存储增量修改数据，编辑类型字段Add、Update和Delete，其含义与编辑版表一致。
S10302：发布机制设计，当数据修改审核通过，执行发布流程时，需要将稳定版表中修改的数据归档到历史版表，逻辑如下：将稳定版表中的记录备份到历史版表中；发布过程中涉及到的历史版表记录，打上当前的时间戳，版本号为当前任务的版本号；编辑版表中的修改数据合并进稳定版表。
S10303：历史数据回溯，历史数据通过时间戳进行回退，通过数据库查询的方式，获取需要回退到的历史增量修改数据，逻辑如下：输入需要回退的时间戳；在历史版表数据库中查询，需要查询出编辑日期大于该时间的，同一条ID记录下且编辑日期最小的那一条记录，此时，每条记录最多查询出一条对应的历史版表记录；执行版本合并操作，将查询出的历史版表与稳定版表进行合并，合并流程与编辑版表的合并过程是一致的。通过这种方法，可完成任意时刻历史数据的回溯。
S10304：历史数据归档，随着历史数据的增多，需按时间将数据归档合并以减少历史版表中的数据记录，如10年以上的数据可按1年的时间跨度，将同一时间跨度的同一条ID相同的数据归档为一条记录；5年至10年以内的数据，按半年的时间跨度合并；3年至5年以内的数据，按3个月的时间跨度合并；1年至3年以内的数据，按1个月的时间跨度合并；1年以内的数据，不合并。由此可有效减少历史版表中的记录，并可实现按任意时间回溯。归档合并的记录并不删除，可存储到中间表或外部存储中，在需要时可进行数据回退。
S10305：未来态数据库设计，未来态需针对一个时间基线进行规划，在稳定版表的基础上，添加一张未来版表，以_FUT作为后缀，相对于稳定版表，未来版表添加版本号VERSION_ID字段和时间基线BASE_DATE字段。版本号字段表示规划任务，与任务单号相关联。时间基线字段表示当前历史态数据相对于某个时间节点的历史数据做出规划。未来版表数据合并逻辑如下：根据时间基线，查找历史版表数据中对应时间节点之后的最旧的数据，合并方式与历史版表的合并方式一致；将未来版表中的记录与历史版表数据进行合并，合并流程与编辑版表的合并过程是一致的。即可得到当前时间基线下和当前规划任务中未来态的数据。
进一步地，所述故障诊断模块将配置的深度学习模型和电网设备知识图谱进行集成配合，深度学习模型有利于知识图谱的知识获取：知识图谱的构建依赖于大量的知识，利用深度学习模型可从现有知识中推断出更多新知识，快速补充知识图谱缺失的连接和知识内容。同时，知识图谱为深度学习模型提供知识指导，知识图谱中包含的知识可用来指导深度神经网络模型的学习，从而提高深度学习模型的性能。两者相互支持，协调配合，为电网设备故障预测提供高效且高准确率的智能分析手段。
进一步地，所述故障诊断模块所配置的所述电网设备知识图谱包括线路、变电站、设备、设备功能参数、设备故障、故障的三元组组成。
进一步地，所述故障诊断模块的故障分析预测算法包括以下步骤：
S601：故障影响因素进行收集，构建电网设备知识图谱，影响故障的因素包括：设备因素、环境因素，所述设备因素可通过电网设备知识图谱进行知识表现，所述环境因素包括气象因素、电磁因素、地形因素；
S602：将收集的历史故障影响因素数据作为输入样本对深度学习模型进行故障预测分析训练和测试，并不断调整优化模型参数，直到预测准确率达到96%以上，满足实用条件；
S603：结合最新采集的故障影响因素数据进行当前故障预测，当预测分析为存在电网及设备故障隐患，将预测分析结果发给所述检修调度模块，启动后续主动应急抢修、线路优化调配和停电分析到户等业务流程；
故障点位置及停电用户影响范围、抢修优选路径、工单调配信息、抢修作业进展等信息均在所述电网一张图上进行直观展示和协同处理。
进一步地，所述检修调度模块收到人工智能分析预测存在故障或隐患及其相关信息后，发起主动应急抢修调度，并调用抢修线路优化算法结合故障点位置和运检人员当前位置进行最优路径规划，并进行停电用户分析以及主动消息告知。实施流程如下：
S701：收到所述故障诊断模块的故障分析预测结果后，结合智能电表及配电变压器信息、故障工单信息、手持用电APP停电报案信息等，对配电网及设备的故障隐患进行断电分析。
S702：查看同一配电变压器不同电表箱内断电智能电表的个数，计算不同电表箱内智能电表停电次数；
S703：判断停电次数是否超过阈值k；
S70301：若停电次数未超过阈值k，计算该电表箱所属智能电表故障次数；
S70302：判断故障次数是否超过阈值m；
S70303：若归属于电表箱的智能电表故障次数超过阈值m，则判定为电表箱故障；
S70304：否则，判断为单户故障；
S704：若停电次数超过阈值k，则初步判定为配变低压出线故障；
S705：结合配电自动化中压停电信息和中压拓扑模型信息进行分析，判断配变是否受中压停电影响；
S70501：若配电变压器不在受中压停电影响的设备清单中，则判定为单台变压器停电事件；
S706：若配电变压器在受中压停电影响的设备清单中，则判定为中压停电故障；
S707：汇集上述故障停电分析结果，并在所述电网一张图上进行停电用户范围及其告警展示；
S708：结合已有故障工单信息、APP停电报案等信息，判断是否为计划内停电，如果是，转到S712：将故障停电及预计恢复时间通过短消息通知受停电影响用户；
S709：确定该预测及分析结果为电网新增故障；
S710：结合紧急运维检修站点及运检人员信息，调用抢修线路优化算法，对抢修站点和运检人员进行优选；
S711：调用接口提交紧急维修工作单，进行自动派单；
S712：将故障停电及预计恢复时间通过短消息通知受影响用户。
通过设计上述流程和方法，将停电范围、运检路径均基于电网一张图上直观展示，并在图上实现抢修作业协同，上述方法对停电影响用户进行了主动通知，对抢修作业派单或运检计划进行了科学自动制定，对抢修站点及运检人员实现了科学路径最优调配，较大提高了配电应急抢修指挥协调和管理决策水平，并从传统的事故发生后的被动抢修变为主动运检，用户从不知道停电情况变为主动得到告知，较大提高运检效率及用户体验水平。
进一步地，所述抢修线路优化算法可采用且不限于量子遗传算法，本发明在已公开的“一种基于遗传算法的量子线路优化方法，申请号：202110574069.5”的发明基础上结合电网作业特点进行了优化改进，具体改进方法为：由于电力事故排障的危险性，对电网及设备故障的抢修和运检需增加考虑两个因素：路径成本和安全性，在从路径点集合中寻找一组从起点到目标点的路径点过程中，需设计路径最短且安全无碰撞，基于上述要求，在原公开的实施例中，增加了路径点的适应度函数和路径的适应度函数两个适应度函数：路径点的适应度函数包含了路径成本评估函数u和路径安全评估函数v，根据路径点的适应度函数确定路径点的量子态更新，从而确定路径的选择；根据路径点构造的路径点适应度函数，按照路径成本和安全评价以加权求和的形式构造了路径的适应度函数。路径的适应度函数f计算公式为：，其中：i表示某个路径点，j为该路径点将路径成本评估值及路径安全评估值以加权求和后得到的适应度函数值；/>和/>为加权系数；
路径成本评估函数u计算公式为：，u值越大表示路径成本越优，式中：L是从路径点到目标点的水平距离，（x，y）、（xg，yg）分别为故障目标位置、运检人员位置；
路径安全评估函数v计算公式为：，v值越大表示路径越安全；式中，q为路径点数量，l是从路径点到障碍点的水平距离，OSk是障碍点k危险程度评估函数；
OSk计算公式为：；式中：（xk，yk）为障碍点的横、纵坐标值，d为最小安全工作距离；
路径适应度函数用于判断路径的优化程度。路径适应度值越大，其路径的优化程度就越高。根据路径适应度，只要每个路径点被确定为最优个体，那么由最优路径点组成的路径即为最优路径。
本发明的有益效果是：
本发明提供的一种基于人工智能的配电网故障预测和主动检修系统，通过数据输入模块构建了包括历史态、现实态和未来态多时态电网及设备数据中心，支撑了多时态电网一张图构建和电网设备知识图谱构建，并为人工智能深度学习模型提供训练和测试样本；通过故障诊断模块，配置了电网设备知识图谱和人工智能深度学习故障分析预测算法，两者相互协同，实现了电网设备故障高准确率的智能分析预测；通过检修调度模块，实现了故障主动应急抢修，通过路线最优算法对抢修站点和运检人员进行了最优路径规划，通过主动派单实现了业务协同联动，对经分析评估的受停电影响的用电用户实现了停电时间和预计恢复时间的主动告知；通过构建的电网一张图，实现了网架结构、设备分布以及电网和设备运行状态可视化，故障位置和用户停电范围直观展示。本发明构建了一种基于人工智能的配电网故障预测和主动检修系统，实现了主动故障分析预测、主动抢修和运检作业、主动服务和通知用户、科学规划作业路径，且能在一张图上直观展示故障位置和受停电影响用户区域的配电网故障预测和主动检修系统，提高了管理决策水平、故障抢修和运检作业效率、用户体验和评价水平，提高了电网安全运行能力。
附图说明
为了更清楚地说明本发明或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1 为本发明实施例的总体架构图；
图2 为本发明实施例的模块设计图；
图3 为本发明实施例的总体流程图；
图4 为本发明实施例的多时态数据融合设计图；
图5 为本发明实施例的电网及设备数据中心设计图；
图6 为本发明实施例的深度学习与知识图谱协作设计图；
图7 为本发明实施例的电网设备知识图谱设计示意图；
图8 为本发明实施例的基于深度学习和知识图谱的故障分析预测设计示意图；
图9 为本发明实施例的故障停电分析、主动抢修和主动服务流程设计图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术部分所述，配电网作为重要的电网运行基础，其运检和抢修等作业存在以下问题，一是故障信息获取不及时且缺少高效智能的故障分析预测手段，目前的故障判断主要依靠工作人员的经验，受制于工作人员的主观判断和工作能力，经验不易传承，无法有效预测故障；二是大多数故障处理只能通过事后抢修的方式进行，用户当发生停电后才能感知故障发生，不能做到主动防范、主动抢修运维和主动服务用户，并不能消除配电网设备异常影响客户服务的事实；三是不能直观感知和展示故障发生点和所受停电影响的用户范围，管理决策水平低效；四是配电应急抢修指挥不协调，抢修或运检工单多通过跨部门线下操作，影响故障抢修和恢复效率；五是由于设备分布范围广，故障发生时在恶劣天气环境和复杂交通地形下无科学规划抢修作业路径方法，影响作业安全和效率。
有鉴于此，本发明实施例提出一种基于人工智能的配电网故障预测和主动检修系统，数据输入模块构建了包括历史态、现实态和未来态多时态电网及设备数据中心，支撑了多时态电网一张图构建和电网设备知识图谱构建，并为人工智能深度学习模型提供训练和测试样本；故障诊断模块，配置了电网设备知识图谱和人工智能深度学习故障分析预测算法，两者相互协同，实现了电网设备故障高准确率的智能分析预测；检修调度模块，实现了故障主动应急抢修，通过路线最优算法对抢修站点和运检人员进行了最优路径规划，通过主动派单实现了业务协同联动，对经分析评估的受停电影响的用电用户实现了停电时间和预计恢复时间的主动告知；通过构建的电网一张图，实现了网架结构、设备分布以及电网和设备运行状态可视化，故障位置和用户停电范围直观展示。本发明构建了一种基于人工智能的配电网故障预测和主动检修系统，实现了主动故障分析预测、主动抢修和运检作业、主动服务和通知用户、科学规划作业路径，且能在一张图上直观展示故障位置和受停电影响用户区域的配电网故障预测和主动检修系统，提高了管理决策水平、故障抢修和运检作业效率、用户体验和评价水平，提高了电网安全运行能力。
以下，通过具体的实施例来详细说明本发明的技术方案。
参考图1，提供本发明一种基于人工智能的配电网故障预测和主动检修系统的总体架构，包括：
数据输入模块101、故障诊断模块102、检修调度模块103。
具体地，所述数据输入模块用于通过自动抽取的方式采集包括PMS系统、调度云系统以及业务中台中电网调度数据、电网及设备运行数据、电网网架数据，并按照统一数据模型进行转换，最后融合为包括历史态、现实态和未来态多时态电网及设备数据中心，以支撑多时态电网一张图构建和电网设备知识图谱构建，并为人工智能深度学习模型提供训练和测试样本，进而实现电网设备故障的智能分析预测。
具体地，所述故障诊断模块用于采用电网设备知识图谱和人工智能深度学习故障分析预测算法，通过故障分析诊断服务进行调用，对配电网及其设备是否存在故障进行分析预测，其故障分析预测结果以及故障信息支撑后续配电网主动检修调度和停电分析到户等业务应用。
具体地，所述检修调度模块用于当预测分析结果存在电网和设备故障或隐患时，可进行主动应急抢修，通过抢修线路优化算法优选抢修站点和运检人员，并通过主动派单进行排查抢修，对经分析评估的受停电影响的用电用户主动通知停电时间和预计恢复时间。
参考图2，提供本发明一种基于人工智能的配电网故障预测和主动检修系统的模块设计，包括：
所述数据输入模块配置了包括PMS数据抽取功能组件10101、中台数据抽取功能组件10102、调度云数据抽取功能组件10103、数据模型转换功能组件10104、多态数据融合功能组件10105；
所述故障诊断模块配置了包括深度学习算法功能组件10201、电网设备知识图谱功能组件10202以及故障分析诊断服务功能组件10203；
所述检修调度模块配置了包括主动应急抢修功能组件10301、抢修线路优化算法功能组件10302以及停电分析到户功能组件10303；
具体地，所述数据输入模块，通过将各系统抽取的数据通过数据模型转换及多态数据融合，输出统一模型及多时态数据中心，为电网一张图构建和故障预测分析提供了大量丰富可信且包含多时态的数据源。
具体地，所述故障诊断模块，通过构建电网设备知识图谱为深度学习模型提供了知识指导，深度学习模型有利于知识图谱的知识获取。两者相互支持，协调配合提高了电网故障预测分析的准确性，为被动检修转变为主动抢修提供了较好的智能技术手段。
具体地，所述检修调度模块通过故障处理分析算法、改进后的基于量子遗传算法的维修线路优化方法，当故障预测分析结果出来后，实现快速地事故分析及主动抢修调度处理，并且通过主动用户分析及通知，较大提高了配电网故障抢修效率、用户体验水平和主动服务能力。
参考图3，提供本发明一种基于人工智能的配电网故障预测和主动检修系统的总体流程，包括：
S301：数据抽取、转换及融合。将所抽取并经统一数据模型转换且融合后的电网调度、电网及设备运行、电网网架等数据汇集到数据中台中，构建电网及设备多时态融合数据中心；
S302：数据提供给故障诊断模块进行预测分析。将S301处理后的数据提供给人工智能深度学习模型进行故障预测分析训练及验证，同时提供给电网设备知识图谱进行知识表示构建，深度学习模型为知识图谱提供知识指导，知识图谱为深度学习模型提供知识获取补充手段，两者互为补充、相互支持、协调配合；
S303：数据提供支撑多态图层构建。基于所融合的电网及设备多时态融合数据中心，在电网GIS底座上构建"历史态、现实态、未来态"的电网一张图，为后续事故主动应急抢修、线路优化调配、停电分析到户提供基于图上协作的直观友好互动及展现方式，实现了可视化的电网抢修协作和主动服务；
S304：故障预测结果提供给主动检修应用。故障预测分析结果提供给所述检修调度模块，通过所述主动应急抢修、线路优化算法、停电用户分析等功能组件进行快速事故处理，将传统被动事故检修运维方式改变为主动抢修、主动服务，较大提高了故障隐患的排查和事故处理效率，以及较大提高了用户服务水平和用户体验评价。
具体地，所述数据输入模块是将数据抽取后，需按照统一ID、统一模型和统一规范转换为统一数据格式，并形成统一网架信息支撑在电网GIS平台上构建电网一张图。
参考图4，提供本发明一种基于人工智能的配电网故障预测和主动检修系统的多时态数据融合设计，包括：
S10301：历史态数据库设计，由于融合的多态数据需支撑在电网GIS平台上构建电网一张图，按设备类型进行数据分类存储，每种设备类型创建稳定版表和编辑版表两张物联表，编辑版表的表名为稳定版表名上添加_ver后缀。当数据更新时，相对于稳定版表，先基于编辑版表进行更新，编辑类型字段ADD表示当前记录相对稳定表是新增的，Update表示当前记录相比稳定版的同一条记录发生了修改，而Delete表示从稳定版删除同条记录。当数据修改审核通过后，编辑版表中的修改数据就会合并到稳定版中，同时删除编辑版表中的相应记录。历史态数据用于备份稳定版表的推移情况，可以按时间进行数据回溯。在稳定版表基础上，添加以-HIS为后缀的历史版表，历史版表存储增量修改数据，编辑类型字段Add、Update和Delete，其含义与编辑版表一致。
S10302：发布机制设计，当数据修改审核通过后，执行发布流程时，需要将稳定版表中修改的数据归档到历史版表，逻辑如下：将稳定版表中的记录备份到历史版表中；发布过程中涉及到的历史版表记录，打上当前的时间戳，版本号为当前任务的版本号；编辑版表中的修改数据合并进稳定版表。
S10303：历史数据回溯，历史数据通过时间戳进行回退，通过数据库查询的方式，获取需要回退到的历史增量修改数据，逻辑如下：输入需要回退的时间戳；在历史版表数据库中查询，需要查询出编辑日期大于该时间的，同一条ID记录下且编辑日期最小的那一条记录，此时，每条记录最多查询出一条对应的历史版表记录；执行版本合并操作，将查询出的历史版表与稳定版表进行合并，合并流程与编辑版表的合并过程是一致的。通过这种方法，可完成任意时刻历史数据的回溯。
S10304：历史数据归档，随着历史数据的增多，需按时间将数据归档以减少历史版表中的数据记录，如10年以上的数据可按1年的时间跨度，将同一时间跨度的同一条ID相同的数据归档为一条记录；5年至10年以内的数据，按半年的时间跨度合并；3年至5年以内的数据，按3个月的时间跨度合并；1年至3年以内的数据，按1个月的时间跨度合并；1年以内的数据，不合并。由此可有效减少历史版表中的记录，并可实现按任意时间回溯。归档合并的记录并不删除，可存储到中间表或外部存储中，在需要时可进行数据回退。
S10305：未来态数据库设计，未来态需针对一个时间基线进行规划，在稳定版表的基础上，添加一张未来版表，以_FUT作为后缀，相对于稳定版表，未来版表添加版本号VERSION_ID字段和时间基线BASE_DATE字段。版本号字段表示规划任务，与任务单号相关联。时间基线字段表示当前历史态数据相对于某个时间节点的历史数据做出规划。未来版表数据合并逻辑如下：根据时间基线，查找历史版表数据中对应时间节点之后的最旧的数据，合并方式与历史版表的合并方式一致；将未来版表中的记录与历史版表数据进行合并，合并流程与编辑版表的合并过程是一致的。即可得到当前时间基线下和当前规划任务中未来态的数据。
具体地，所述数据输入模块是将所抽取的数据按统一数据模型转换后，需采用数据融合算法对新、旧数据进行融合，构建起涵盖历史态、现实态以及未来态的多时态电网及设备数据中心，以支撑多时态电网一张图构建，并为后续人工智能深度学习模型的训练、电网设备知识图谱的构建以及电网故障隐患的预测分析提供足够的训练和样本数据。
参考图5，提供本发明一种基于人工智能的配电网故障预测和主动检修系统的电网及设备数据中心设计，包括：
所述数据输入模块通过数据抽取的方式将PMS系统、调度云系统以及业务中台的调度数据、电网及设备运行数据、电网网架数据等实时或非实时的数据进行抽取，抽取的数据包括：电力基础数据501、主网设备及参数502、配网设备及参数503、电网GIS信息504、用户用电信息505、电网运行及监测数据506。
所述电力基础数据包括：水电站基础数据、火电站基础数据、风光新能源基础数据；
所述主网设备及参数包括：变电站、开关、断路器、母线、变压器等设备参数数据；
所述配网设备及参数包括：中压开关、中压线路、低压开关、低压线路等设备参数数据；
所述电网GIS信息包括：主网网架结构、配网网架结构、GIS图元信息等数据；
所述用户用电信息包括；业扩数据、用电信息采集、量测信息等数据；
所述电网运行及监测数据包括：负载数据、容量数据、操作日志、趋势信息、测点数据等数据。
参考图6，提供本发明一种基于人工智能的配电网故障预测和主动检修系统的深度学习与知识图谱协作设计，包括：
在所述故障诊断模块中将深度学习模型和电网设备知识图谱进行集成配合：深度学习模型有利于知识图谱的知识获取，知识图谱的构建依赖于大量的知识，利用深度学习模型可从现有知识中推断出更多新知识，快速补充知识图谱缺失的连接和知识内容；知识图谱为深度学习模型提供知识指导，知识图谱中包含的知识可用来指导深度神经网络模型的学习，从而提高深度学习模型的性能。两者相互支持，协调配合，为电网设备故障预测提供高效且高准确率的智能分析手段。
参考图7，提供本发明一种基于人工智能的配电网故障预测和主动检修系统的电网设备知识图谱设计，包括：
所述电网设备知识图谱设计由电网设备实体、设备实体间关系、以及设备实体属性三元组组成。
所述电网设备实体包括：线路、变电站、设备、设备功能参数、设备故障、故障等电网构成的主要设备。
所述设备实体间关系主要描述了设备实体与设备实体之间建立的关系，如：变电站与线路之间是连接关系；变电站与设备之间是安装关系；设备与设备故障之间是诊断关系；设备和设备功能参数之间是属性关系；设备与故障之间是动态关系。
所述实体属性是描述实体的基本属性信息，如：线路属性包括：线路名称和线路编号；变电站属性包括：变电站名称和变电站编号；设备功能参数属性包括：电压等级、视在功率等；故障属性包括故障时间、故障现象和故障原因；设备故障属性包括出厂时间、厂家名称、厂家地址。
所述实体属性按xml的扩展语言遵循xsd规范进行属性字段类型定义，Xsd:String表示该属性字段被定义为字符串数据类型，Xsd:Data表示该属性字段被定义为数值数据类型。
参考图8，提供本发明一种基于人工智能的配电网故障预测和主动检修系统的故障分析预测方法和步骤，包括：
S601：故障影响因素收集：故障影响因素进行收集，构建并不断完善电网设备知识图谱，影响故障的因素主要分为两类：设备因素、环境或其他因素，所述设备因素可通过电网设备知识图谱进行知识表现，所述环境或其他因素包括气象因素、电磁因素、地形因素和其他因素；
S602：深度学习模型训练：将收集的历史故障影响因素数据作为输入样本对深度学习模型进行故障预测分析训练和测试，并不断调整优化模型参数，直到预测准确率达到96%以上，满足实用条件；
S603：故障预测（故障位置及概率）：结合最新采集的故障影响因素数据进行当前故障预测，当预测分析为存在电网及设备故障隐患，将预测分析结果发给所述检修调度模块，启动后续主动应急抢修、线路优化调配和停电分析到户等业务流程；
故障点位置及停电用户影响范围、抢修优选路径、工单调配信息、抢修作业进展等信息均在所述电网一张图上进行直观展示和协同处理。
参考图9，提供本发明一种基于人工智能的配电网故障预测和主动检修系统的故障停电分析、主动抢修和主动服务流程设计，包括：
所述检修调度模块收到人工智能分析预测存在故障或隐患及其相关信息后，发起主动应急抢修调度，并调用抢修线路优化算法结合故障点位置和运检人员当前位置进行最优路径规划，并进行停电用户分析以及主动消息告知。实施方法流程如下：
S701：收到所述故障诊断模块的故障分析预测结果后，结合智能电表及配电变压器信息、故障工单信息、手持用电APP停电报案信息等，对配电网及设备的故障隐患进行断电分析。
S702：查看同一配电变压器不同电表箱内断电智能电表的个数，计算不同电表箱内智能电表停电次数；
S703：判断停电次数是否超过阈值k；
S70301：若停电次数未超过阈值k，计算该电表箱所属智能电表故障次数；
S70302：判断故障次数是否超过阈值m；
S70303：若归属于电表箱的智能电表故障次数超过阈值m，则判定为电表箱故障；
S70304：否则，判断为单户故障；
S704：若停电次数超过阈值k，则初步判定为配变低压出线故障；
S705：结合配电自动化中压停电信息、中压拓扑模型等信息进行分析，判断配变是否受中压停电影响；
S70501：若配电变压器不在受中压停电影响的设备清单中，则判定为单台变压器停电事件；
S706：若配电变压器在受中压停电影响的设备清单中，则判定为中压停电故障；
S707：汇集上述故障停电分析结果，并在所述电网一张图上进行停电用户范围及其告警展示；
S708：结合已有故障工单信息、APP停电报案等信息，判断是否为计划内停电，如果是，转到S712：将故障停电及预计恢复时间通过短消息通知受停电影响用户；
S709：确定该预测及分析结果为电网新增故障；
S710：结合紧急运维检修站点及运检人员信息，调用抢修线路优化算法，对抢修站点和运检人员进行优选；
S711：调用接口提交紧急维修工作单，进行自动派单；
S712：将故障停电及预计恢复时间通过短消息通知受影响用户。
通过设计上述流程和方法，将停电范围、运检路径均基于电网一张图上直观展示，并在图上实现抢修作业协同，上述方法对停电影响用户进行了主动通知，对抢修作业派单或运检计划进行了科学自动制定，对抢修站点及运检人员实现了科学路径最优调配，较大提高了配电应急抢修指挥协调和管理决策水平，并从传统的事故发生后的被动抢修变为主动运检，用户从不知道停电情况变为主动得到告知，较大提高运检效率及用户体验水平。
需要说明的是，上述对本发明的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围（包括权利要求）被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于人工智能的配电网故障预测和主动检修系统，其特征在于，包括：数据输入模块、故障诊断模块、检修调度模块；
所述数据输入模块用于通过自动抽取的方式采集包括PMS系统、调度云系统以及业务中台中电网调度数据、电网及设备运行数据、电网网架数据，并按照统一数据模型进行转换，最后融合为包括历史态、现实态和未来态多时态电网及设备数据中心；
所述故障诊断模块用于采用电网设备知识图谱和人工智能深度学习故障分析预测算法，通过故障分析诊断服务进行调用，对配电网及其设备是否存在故障进行分析预测，其故障分析预测结果以及故障信息支撑后续配电网主动检修调度和停电分析到户；
所述检修调度模块用于当预测分析结果存在电网和设备故障或隐患时，进行主动应急抢修，通过抢修线路优化算法选择抢修站点和运检人员，并通过主动派单进行排查抢修，对经分析评估的受停电影响的用电用户主动通知停电时间和预计恢复时间；
所述数据输入模块配置了包括PMS数据抽取功能组件、中台数据抽取功能组件、调度云数据抽取功能组件、数据模型转换功能组件、多态数据融合功能组件；所述故障诊断模块配置了包括深度学习算法功能组件、电网设备知识图谱功能组件以及故障分析诊断服务功能组件；所述检修调度模块配置了包括主动应急抢修功能组件、抢修线路优化算法功能组件以及停电分析到户功能组件；
所述配电网故障预测和主动检修系统构建包括以下步骤：
S301：数据抽取、转换及融合，将所抽取并经统一数据模型转换且融合后的电网调度数据、电网及设备运行数据、电网网架数据汇集到数据中台中，构建电网及设备多时态融合数据中心；
S302：S301处理后的数据提供给人工智能深度学习模型进行故障预测分析训练及验证，同时提供给电网设备知识图谱进行知识表示构建，深度学习模型为知识图谱提供知识指导，知识图谱为深度学习模型提供知识获取补充手段；
S303：基于所融合的电网及设备多时态融合数据中心，在电网GIS底座上构建历史态、现实态、未来态的电网一张图；
S304：故障预测分析结果提供给所述检修调度模块，通过所述主动应急抢修功能组件、抢修线路优化算法功能组件、停电分析到户功能组件进行事故处理；
所述故障诊断模块的故障分析预测算法包括以下步骤：
S601：故障影响因素进行收集，构建电网设备知识图谱，影响故障的因素包括：设备因素、环境因素，所述设备因素通过电网设备知识图谱进行知识表现，所述环境因素包括气象因素、电磁因素、地形因素；
S602：将收集的历史故障影响因素数据作为输入样本对深度学习模型进行故障预测分析训练和测试，并优化模型参数，直到预测准确率达到96%以上；
S603：结合最新采集的故障影响因素数据进行当前故障预测，当预测分析为存在电网及设备故障隐患，将预测分析结果发给所述检修调度模块，启动后续主动应急抢修、线路优化调配和停电分析到户的业务流程；
所述抢修线路优化算法采用量子遗传算法，结合电网作业特点进行优化改进，改进方法为：在从路径点集合中寻找一组从起点到目标点的路径点过程中，设计路径最短且安全无碰撞，增加路径点的适应度函数和路径的适应度函数两个适应度函数：路径点的适应度函数包含路径成本评估函数u和路径安全评估函数v，根据路径点的适应度函数确定路径点的量子态更新，从而确定路径的选择；根据路径点构造的路径点适应度函数，按照路径成本和安全评价以加权求和的形式构造路径的适应度函数；路径的适应度函数f计算公式为：，其中：i表示某个路径点，j为该路径点将路径成本评估值及路径安全评估值以加权求和后得到的适应度函数值；/>和/>为加权系数；
路径成本评估函数u计算公式为：，u值越大表示路径成本越优，式中：L是从路径点到目标点的水平距离，（x，y）、（xg，yg）分别为故障目标位置、运检人员位置；
路径安全评估函数v计算公式为：，v值越大表示路径越安全；式中，q为路径点数量，l是从路径点到障碍点的水平距离，OSk是障碍点k危险程度评估函数；
OSk计算公式为：；式中：（xk，yk）为障碍点的横、纵坐标值，d为最小安全工作距离。
2.根据权利要求1所述的基于人工智能的配电网故障预测和主动检修系统，其特征在于：所述数据输入模块是将所抽取的数据按统一数据模型转换后，采用数据融合算法对新、旧数据进行融合，构建起涵盖历史态、现实态以及未来态的多时态电网及设备数据中心；
所述数据融合算法的步骤如下：
S10301：历史态数据库设计，按设备类型进行数据分类存储，每种设备类型创建稳定版表和编辑版表两张物联表；当数据更新时，相对于稳定版表，先基于编辑版表进行更新；当数据修改审核通过后，编辑版表中的修改数据就会合并到稳定版表中，同时删除编辑版表中的相应记录；历史态数据用于备份稳定版表的推移情况，按时间进行数据回溯；在稳定版表基础上，添加历史版表，历史版表存储增量修改数据；
S10302：发布机制设计，当数据修改审核通过后，执行发布流程时，将稳定版表中修改的数据归档到历史版表，将稳定版表中的记录备份到历史版表中；发布过程中涉及到的历史版表记录，打上当前的时间戳，版本号为当前任务的版本号；编辑版表中的修改数据合并进稳定版表；
S10303：历史数据回溯，历史数据通过时间戳进行回退，通过数据库查询的方式，获取需要回退到的历史增量修改数据；
S10304：历史数据归档，随着历史数据的增多，按时间将数据归档合并，归档合并的记录并不删除，存储到中间表或外部存储中；
S10305：未来态数据库设计，未来态针对一个时间基线进行规划，在稳定版表的基础上，添加一张未来版表，相对于稳定版表，未来版表添加版本号字段和时间基线字段；版本号字段表示规划任务，与任务单号相关联；时间基线字段表示当前历史态数据相对于某个时间节点的历史数据做出规划；未来版表数据合并如下：根据时间基线，查找历史版表数据中对应时间节点之后的最旧的数据；将未来版表中的记录与历史版表数据进行合并；得到当前时间基线下和当前规划任务中未来态的数据。
3.根据权利要求1所述的基于人工智能的配电网故障预测和主动检修系统，其特征在于：所述故障诊断模块所配置的所述电网设备知识图谱包括线路、变电站、设备、设备功能参数、设备故障、故障的三元组组成。
CN202310706074.6A 2023-06-15 2023-06-15 一种基于人工智能的配电网故障预测和主动检修系统 Active CN116451876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310706074.6A CN116451876B (zh) 2023-06-15 2023-06-15 一种基于人工智能的配电网故障预测和主动检修系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310706074.6A CN116451876B (zh) 2023-06-15 2023-06-15 一种基于人工智能的配电网故障预测和主动检修系统

Publications (2)

Publication Number Publication Date
CN116451876A CN116451876A (zh) 2023-07-18
CN116451876B true CN116451876B (zh) 2023-09-22

Family

ID=87130570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310706074.6A Active CN116451876B (zh) 2023-06-15 2023-06-15 一种基于人工智能的配电网故障预测和主动检修系统

Country Status (1)

Country Link
CN (1) CN116451876B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117311172B (zh) * 2023-11-30 2024-04-09 武汉华康世纪医疗股份有限公司 面向特殊科室的一用一备机组的故障预测方法及系统
CN117353462B (zh) * 2023-12-01 2024-02-20 北京格蒂智能科技有限公司 一种基于人工智能的电网运营监控分析方法及平台
CN118278914A (zh) * 2024-04-10 2024-07-02 南京恒星自动化设备有限公司 一种基于gis系统设备故障抢修的实现方法
CN118157331B (zh) * 2024-05-11 2024-09-24 国网福建省电力有限公司 一种基于ai的电网远程指挥运维终端

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251836A (zh) * 2008-04-07 2008-08-27 昆明理工大学 一种计及停电隐性损失的输电线路检修计划优化方法
CN105514925A (zh) * 2015-12-09 2016-04-20 国网甘肃省电力公司检修公司 一种基于遗传算法的750kV变电站故障恢复方法
CN106204330A (zh) * 2016-07-18 2016-12-07 国网山东省电力公司济南市历城区供电公司 一种配电网智能诊断系统
CN107301482A (zh) * 2017-08-10 2017-10-27 嘉兴恒创电力设计研究院有限公司 一种基于城市综合管廊的配电网中压线路路径规划方法
CN109583520A (zh) * 2018-12-27 2019-04-05 云南电网有限责任公司玉溪供电局 一种云模型与遗传算法优化支持向量机的状态评估方法
CN110289682A (zh) * 2019-06-11 2019-09-27 广西电网有限责任公司南宁供电局 一种配网抢修辅助决策及智能管控系统
CN110929853A (zh) * 2019-12-11 2020-03-27 国网河南省电力公司洛阳供电公司 一种基于深度学习的配电网线路故障预测方法
CN111445093A (zh) * 2020-04-23 2020-07-24 长春工程学院 一种输电线路应急抢修路径优化系统及方法
CN112886645A (zh) * 2021-01-26 2021-06-01 国网辽宁省电力有限公司 一种基于氢能超高比例的新能源电力系统运行模拟方法
CN113222165A (zh) * 2021-05-25 2021-08-06 西安微电子技术研究所 一种基于遗传算法的量子线路优化方法
CN114239372A (zh) * 2021-12-15 2022-03-25 华中科技大学 一种考虑机组组合的多目标机组检修双层优化方法和系统
CN115037054A (zh) * 2022-07-04 2022-09-09 国网江苏省电力有限公司泰州供电分公司 基于三相自平衡、低压故障定位隔离的换相开关智能终端

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251836A (zh) * 2008-04-07 2008-08-27 昆明理工大学 一种计及停电隐性损失的输电线路检修计划优化方法
CN105514925A (zh) * 2015-12-09 2016-04-20 国网甘肃省电力公司检修公司 一种基于遗传算法的750kV变电站故障恢复方法
CN106204330A (zh) * 2016-07-18 2016-12-07 国网山东省电力公司济南市历城区供电公司 一种配电网智能诊断系统
CN107301482A (zh) * 2017-08-10 2017-10-27 嘉兴恒创电力设计研究院有限公司 一种基于城市综合管廊的配电网中压线路路径规划方法
CN109583520A (zh) * 2018-12-27 2019-04-05 云南电网有限责任公司玉溪供电局 一种云模型与遗传算法优化支持向量机的状态评估方法
CN110289682A (zh) * 2019-06-11 2019-09-27 广西电网有限责任公司南宁供电局 一种配网抢修辅助决策及智能管控系统
CN110929853A (zh) * 2019-12-11 2020-03-27 国网河南省电力公司洛阳供电公司 一种基于深度学习的配电网线路故障预测方法
CN111445093A (zh) * 2020-04-23 2020-07-24 长春工程学院 一种输电线路应急抢修路径优化系统及方法
CN112886645A (zh) * 2021-01-26 2021-06-01 国网辽宁省电力有限公司 一种基于氢能超高比例的新能源电力系统运行模拟方法
CN113222165A (zh) * 2021-05-25 2021-08-06 西安微电子技术研究所 一种基于遗传算法的量子线路优化方法
CN114239372A (zh) * 2021-12-15 2022-03-25 华中科技大学 一种考虑机组组合的多目标机组检修双层优化方法和系统
CN115037054A (zh) * 2022-07-04 2022-09-09 国网江苏省电力有限公司泰州供电分公司 基于三相自平衡、低压故障定位隔离的换相开关智能终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
深度学习在泛在电力物联网中的应用与挑战;谢小瑜;周俊煌;张勇军;;电力自动化设备(第04期);全文 *

Also Published As

Publication number Publication date
CN116451876A (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN116451876B (zh) 一种基于人工智能的配电网故障预测和主动检修系统
WO2020147349A1 (zh) 配电网运行辅助决策分析系统及方法
CN102257694B (zh) 电网断电和故障状况管理
CN102084569B (zh) 用于管理电网的方法和系统
CN103296677B (zh) 一种在线大电网恢复辅助决策系统
CN102870056B (zh) 智能网络
CN104809665B (zh) 一种基于改进Apriori算法的配电网预警方法
WO2020162937A1 (en) Automated model validation system for electrical grid
CN110046391B (zh) 基于监控信息表的变电站一次接线图自动生成方法
WO2020171814A1 (en) Event selection for power grid disturbance
CN104299056A (zh) 配电网规划基础技术支持平台
CN116522746A (zh) 高耗能企业配电托管方法
Plieva et al. Method for determining the reliability indicators of elements in the distribution power system
US20220284156A1 (en) Real-time update of power system models for dynamic security assessment
CN114529166A (zh) 一种配电网运行安全风险预警方法及系统
CN114417732A (zh) 强台风下配电网多元源荷灾损自适应辨识方法及系统
CN103296678B (zh) 一种在线大电网恢复辅助决策方法
Guan et al. Enhancing security and resilience of bulk power systems via multisource big data learning
Yao et al. Research on topology generation and fault prediction technology of low voltage distribution network based on state perception
Hälvä Development of Process Data Utilization in Proactive Network Management
CN118508597B (zh) 一种面向电力系统保障对象的应急供电方法、系统和设备
CN114389361B (zh) 一种面向县域电网零碳运行的电网全景控制方法和系统
CN111697691B (zh) 一种基于云计算的配电网规划监控系统
Yang et al. Research on the state library of power grid equipment based on finite state machine
Liu et al. [Retracted] Application of Internet of Things Energy System in Dynamic Risk Assessment of Composite Fault of Transmission Line

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