CN116799966B - 一种基于大数据的监控系统及方法 - Google Patents

Abstract

本发明涉及一种基于大数据的监控系统及方法，属于配电网络领域。所述系统包括：大数据采集网元，用于采集在当前时间分段之前各个历史时间分段分别对应的各份配电数据；概率解析部件，由大数据处理网元实现，与大数据采集网元连接，用于采用BP神经网络模型智能预测在当前时间分段内架空配电网络出现单相接地事故的概率数值；应急处理设备与断电提醒设备，用于分别基于概率数值执行相应的单相接地事故的提前应对配置。通过本发明，能够采用定制人工智能模型智能预测架空配电网络在当前时间分段内出现单相接地事故的概率数值，从而为架空配电网络的配电安全以及持续监控提供可靠保障。

Description

一种基于大数据的监控系统及方法

技术领域

本发明涉及配电网络领域，尤其涉及一种基于大数据的监控系统及方法。

背景技术

配电网络是指从输电网络或地区发电厂接受电能，通过配电设施就地分配或按电压逐级分配给各类负荷设备的电力网络。是由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿器及一些附属设施等组成的，在电力网络中起重要分配电能作用的网络。

对于架空的配电网络，单相接地是比较常见的故障，多发生在潮湿、多雨天气。当发生单相接地时，则故障相的电压降到零，非故障相的电压升高到线电压，单相接地故障不仅影响了用户的正常供电，而且可能产生过电压，烧坏设备，甚至引起相间短路而扩大事故。

示例地，中国发明专利公开文本CN102998582A提出的一种配电线路相间短路故障以及单相接地故障的检测方法，该发明的相间短路检测采用突变电流作为判定依据，这样即使线路的继电保护整定值改动或者用电负荷增加导致最大电流发生改变，也可以适用所述方法。该发明中的单相接地故障检测方法采用检测暂态电容电流的方法，启动值大大降低。

示例地，中国发明专利公开文本CN103728532A提出的一种配电网单相接地故障判断与定位方法，所述方法包括以下步骤：配电网的线路上设置分段开关，在分段开关上配置配电自动化馈线终端，配电自动化馈线终端建立网络通信；配电自动化馈线终端判断线路单相接地故障，判断单相接地故障点位于该配电自动化馈线终端所在的分段开关相邻区段。该发明与现有技术相比，通过各配电自动化馈线终端判断检测单相接地故障，各个配电自动化馈线终端建立相互之间的网络通信，相互交互故障判断信息，确定故障点的具体位置，可以快速确定故障区域，减少故障处理时间，提高供电可靠性。

但是，上述现有技术都无法对刚开始的当前时间分段内架空配电网络发生单相接地故障的概率进行判断，导致仍不得不保持当前架空配电网络的工作模式，需要时刻防备因为单相接地故障发生造成电流电压过大、损坏各类用电负荷设备的故障场景，同时需要时刻防备因为单相接地故障发生造成一些需要保持监控状态的现场监控设备的断电、监控中止的现象，显然，这种应对模式缺乏反应时间以及用电负荷设备的安全以及现场监控设备的持续监控无法得到可靠保障。

发明内容

为了解决现有技术中的技术问题，本发明提供了一种基于大数据的监控系统及方法，能够在使用大数据采集网元筛选并获取执行概率智能预测的各类基础数据以及BP神经网络模型定制模型设计的基础上，采用BP神经网络模型基于各类基础数据对架空配电网络在以当前时刻为起点的当前时间分段内出现单相接地事故的概率数值进行智能预测，进而基于智能预测结果执行用电负荷设备的安全防护以及现场监控设备的电力保障的提前应对，从而在保证了架空配电网络配电安全的同时，避免现场数据监控被中断。

根据本发明的第一方面，提供了一种基于大数据的监控系统，所述系统包括：

大数据采集网元，与架空配电电网的网络收发接口通过无线网络建立网络连接，用于在当前时刻到达时，采集在当前时间分段之前各个历史时间分段分别对应的各份配电数据，所述当前时刻为所述当前时间分段的起始时刻，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量；

电网捕获部件，与架空配电电网连接，用于获取架空配电电网的各项配置数据，所述架空配电电网的各项配置数据包括所述架空配电电网的架空高度、配电输送距离、配电线路间距以及配电电缆截面面积；

概率解析部件，由大数据处理网元实现，分别与所述大数据采集网元以及所述电网捕获部件连接，用于采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值；

信号触发设备，与所述概率解析部件连接，用于在接收到的智能预测的概率数值大于等于设定概率限量时，发出单相接地预警信号，否则，发出单相接地安全信号；

应急处理设备，与所述信号触发设备连接，用于在接收到单相接地预警信号后，将架空配电电网的网络收发接口在当前时间分段设置为不间断电源供电状态，还用于在接收到单相接地安全信号后，将架空配电电网的网络收发接口在当前时间分段设置为架空配电电网供电状态；

断电提醒设备，与所述信号触发设备连接，用于在接收到单相接地预警信号后，向架空配电电网的各个用电负荷设备发送在当前时间分段自行断电的断电请求；

网络训练设备，与所述概率解析部件连接，用于对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型发送给所述概率解析部件使用，其中，对BP神经网络执行的正向训练次数与对BP神经网络执行的负向训练次数相等；

其中，当前时间分段与其之前各个历史时间分段组成一个完整的时间区间且每一个时间分段的持续时长相同；

其中，所述BP神经网络模型为经过设定总数的各次训练后的BP神经网络，所述设定总数的取值与每一个时间分段的持续时长单调正向关联。

根据本发明的第二方面，提供了一种基于大数据的监控方法，所述方法包括：

对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，其中，对BP神经网络执行的正向训练次数与对BP神经网络执行的负向训练次数相等；

在当前时刻到达时，采用与架空配电电网的网络收发接口通过无线网络建立网络连接的大数据采集网元采集在当前时间分段之前各个历史时间分段分别对应的各份配电数据，所述当前时刻为所述当前时间分段的起始时刻，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量；

获取架空配电电网的各项配置数据，所述架空配电电网的各项配置数据包括所述架空配电电网的架空高度、配电输送距离、配电线路间距以及配电电缆截面面积；

由大数据处理网元采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值；

在接收到的智能预测的概率数值大于等于设定概率限量时，发出单相接地预警信号，否则，发出单相接地安全信号；

在接收到单相接地预警信号后，将架空配电电网的网络收发接口在当前时间分段设置为不间断电源供电状态，还用于在接收到单相接地安全信号后，将架空配电电网的网络收发接口在当前时间分段设置为架空配电电网供电状态；

在接收到单相接地预警信号后，向架空配电电网的各个用电负荷设备发送在当前时间分段自行断电的断电请求；

其中，当前时间分段与其之前各个历史时间分段组成一个完整的时间区间且每一个时间分段的持续时长相同；

其中，所述BP神经网络模型为经过设定总数的各次训练后的BP神经网络，所述设定总数的取值与每一个时间分段的持续时长单调正向关联。

相比较于现有技术，本发明至少具备以下几处突出的实质性进步：

第一处：在对架空配电电网进行监控时，需要对其以当前时刻为起点的当前时间分段内出现单相接地事故的概率数值进行智能预测，为此，先采用大数据采集网元获取当前时间分段之前各个历史时间分段分别对应的各份配电数据，同时获取架空配电电网的各项配置数据，从而为上述概率数值的智能预测筛选出有效、全面的基础数据；

第二处：采用BP神经网络模型基于筛选出的各项基础数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值，并在智能预测的概率数值超限时，触发单相接地预警信号，否则，触发单相接地安全信号；

第三处：在接收到单相接地预警信号后，将架空配电电网的网络收发接口在当前时间分段设置为不间断电源供电状态以保持架空配电电网的远程监控端对架空配电电网的现场数据监控，同时，在接收到单相接地预警信号后，向架空配电电网的各个用电负荷设备发送在当前时间分段自行断电的断电请求，从而避免各个用电负荷设备因为单相接地事故造成电流过大引起设备损坏；

第四处：为了保证单相接地事故预测的可靠性和稳定性，对BP神经网络模型采取以下针对性的模型设计措施：首先，对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型，其中，对BP神经网络执行的正向训练次数与对BP神经网络执行的负向训练次数相等；其次，设定总数的取值与每一个时间分段的持续时长单调正向关联；最后，对BP神经网络采取定制的正向训练机制和定制的负向训练机制以保证各次训练达到预期的训练效果。

附图说明

以下将结合附图对本发明的实施例进行描述，其中：

图1为根据本发明的基于大数据的监控系统及方法的技术流程图。

图2为根据本发明的第一实施例示出的基于大数据的监控系统的内部结构图。

图3为根据本发明的第二实施例示出的基于大数据的监控系统的内部结构图。

图4为根据本发明的第三实施例示出的基于大数据的监控系统的内部结构图。

图5为根据本发明的第四实施例示出的基于大数据的监控系统的内部结构图。

具体实施方式

如图1所示，给出了根据本发明示出的基于大数据的监控系统及方法的技术流程图。

如图1所示，本发明的具体的技术流程如下：

技术流程一：构建用于智能预测在当前时间分段内架空配电网络出现单相接地事故的概率数值的人工智能模型，所述人工智能模型为BP神经网络模型；

具体地，采用以下几项措施保证BP神经网络模型智能预测的稳定性和有效性：

首先，对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型；

其次，对BP神经网络执行的正向训练次数与对BP神经网络执行的负向训练次数相等，从而保证BP神经网络正向训练效果与负向训练效果在一个等级；

再次，设定总数的取值与每一个时间分段的持续时长单调正向关联，从而针对长时间分段的复杂性采用更多次训练以保证人工智能模型的智能预测效果；

最后，对BP神经网络采取定制的正向训练机制和定制的负向训练机制以保证各次训练达到预期的训练效果；

技术流程二：为单相接地事故发生概率的智能预测筛选可靠、全面的各项基础数据，所述各项基础数据均与架空配电电网关联；

示例地，所述各项基础数据包括当前时间分段之前各个历史时间分段分别对应的各份配电数据，每一个时间分段对应的配电数据为架空配电电网在所述时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量；

以及所述各项基础数据还包括架空配电电网的各项配置数据，具体包括架空配电电网的架空高度、配电输送距离、配电线路间距以及配电电缆截面面积；

技术流程三：采用技术流程一构建的BP神经网络模型基于技术流程二筛选的各项基础数据执行智能预测处理，以获得在当前时间分段内架空配电网络出现单相接地事故的概率数值；

具体地，所述当前时间分段为以当前时刻为起点的时间分段；

技术流程四：在智能预测的概率数值超限时，触发单相接地预警信号，将架空配电电网的网络收发接口在当前时间分段设置为不间断电源供电状态以保持架空配电电网的远程监控端对架空配电电网的现场数据监控，如图1所示，即应对措施1；

同时，在接收到单相接地预警信号后，向架空配电电网的各个用电负荷设备发送在当前时间分段自行断电的断电请求，从而避免各个用电负荷设备因为单相接地事故造成电流过大引起设备损坏，如图1所示，即应对措施2，实际上可以存在不止上述两种类型的应对措施。

本发明的关键点在于：用于执行当前时间分段内架空配电网络出现单相接地事故概率预测的人工智能模型的针对性构建、用于执行当前时间分段内架空配电网络出现单相接地事故概率预测的各项基础数据的定制筛选、基于单相接地事故概率超限触发的现场数据监控的保持和各个用电负荷设备的安全防护。

下面，将对本发明的基于大数据的监控系统及方法以实施例的方式进行具体说明。

第一实施例

图2为根据本发明的第一实施例示出的基于大数据的监控系统的内部结构图。

如图2所示，本发明第一实施例提供的基于大数据的监控系统包括以下具体组件：

大数据采集网元，与架空配电电网的网络收发接口通过无线网络建立网络连接，用于在当前时刻到达时，采集在当前时间分段之前各个历史时间分段分别对应的各份配电数据，所述当前时刻为所述当前时间分段的起始时刻，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量；

示例地，也可以选择采用区块链采集网元或者云计算采集网元用于替换所述大数据采集网元，与架空配电电网的网络收发接口通过无线网络建立网络连接，用于在当前时刻到达时，采集在当前时间分段之前各个历史时间分段分别对应的各份配电数据，所述当前时刻为所述当前时间分段的起始时刻，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量；

示例地，所述无线网络为时分双工通信网络或者频分双工通信网络中的一种；

电网捕获部件，与架空配电电网连接，用于获取架空配电电网的各项配置数据，所述架空配电电网的各项配置数据包括所述架空配电电网的架空高度、配电输送距离、配电线路间距以及配电电缆截面面积；

例如，可以采用多个信息捕获单元，用于分别捕获所述架空配电电网的架空高度、所述架空配电电网的配电输送距离、所述架空配电电网的配电线路间距以及所述架空配电电网的配电电缆截面面积；

概率解析部件，由大数据处理网元实现，分别与所述大数据采集网元以及所述电网捕获部件连接，用于采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值；

例如，可以选择采用数值仿真模式实现对采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值的数值仿真处理；

信号触发设备，与所述概率解析部件连接，用于在接收到的智能预测的概率数值大于等于设定概率限量时，发出单相接地预警信号，否则，发出单相接地安全信号；

应急处理设备，与所述信号触发设备连接，用于在接收到单相接地预警信号后，将架空配电电网的网络收发接口在当前时间分段设置为不间断电源供电状态，还用于在接收到单相接地安全信号后，将架空配电电网的网络收发接口在当前时间分段设置为架空配电电网供电状态；

断电提醒设备，与所述信号触发设备连接，用于在接收到单相接地预警信号后，向架空配电电网的各个用电负荷设备发送在当前时间分段自行断电的断电请求；

网络训练设备，与所述概率解析部件连接，用于对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型发送给所述概率解析部件使用，其中，对BP神经网络执行的正向训练次数与对BP神经网络执行的负向训练次数相等；

具体地，对BP神经网络执行的正向训练次数与对BP神经网络执行的负向训练次数相等，这样的训练配置，能够保证对BP神经网络执行的正向训练效果和负向训练效果相同；

其中，当前时间分段与其之前各个历史时间分段组成一个完整的时间区间且每一个时间分段的持续时长相同；

例如，当前时间分段与其之前各个历史时间分段组成一个完整的时间区间且每一个时间分段的持续时长相同包括：每一个时间分段的持续时长可以选择为15分钟、30分钟、45分钟或者60分钟；

其中，所述BP神经网络模型为经过设定总数的各次训练后的BP神经网络，所述设定总数的取值与每一个时间分段的持续时长单调正向关联；

示例地，所述设定总数的取值与每一个时间分段的持续时长单调正向关联包括：每一个时间分段的持续时长为15分钟时，所述设定总数的取值为100，每一个时间分段的持续时长为30分钟时，所述设定总数的取值为120，每一个时间分段的持续时长为45分钟时，所述设定总数的取值为150，以及每一个时间分段的持续时长为60分钟时，所述设定总数的取值为200；

其中，对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型发送给所述概率解析部件使用包括：在对BP神经网络执行的每一次正向训练中，将已知的某一过往时间分段内未发生单相接地事故的概率数值作为BP神经网络模型的输出内容，将所述某一过往时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据作为BP神经网络模型的并行多项输入内容，完成本次正向训练操作；

以及其中，对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型发送给所述概率解析部件使用还包括：在对BP神经网络执行的每一次负向训练中，将已知的某一过往时间分段内发生单相接地事故的概率数值作为BP神经网络模型的输出内容，将所述某一过往时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据作为BP神经网络模型的并行多项输入内容，完成本次负向训练操作。

第二实施例

图3为根据本发明的第二实施例示出的基于大数据的监控系统的内部结构图。

如图3所示，与图2中的实施例不同，本发明第二实施例提供的基于大数据的监控系统还包括：

大数据存储网元，与网络训练设备通过无线网络建立网络连接，用于接收并存储经过设定总数的各次训练后的BP神经网络的各项网络参数；

同样地，可以选择采用区块链存储网元或者云计算存储网络替换所述大数据存储网元，用于接收并存储经过设定总数的各次训练后的BP神经网络的各项网络参数。

第三实施例

图4为根据本发明的第三实施例示出的基于大数据的监控系统的内部结构图。

如图4所示，与图3中的实施例不同，本发明第三实施例提供的基于大数据的监控系统还包括：

网络收发接口，设置在架空配电电网处且与大数据采集网元建立无线网络通信链路，还与应急处理设备电性连接，用于在架空配电电网供电状态和不间断电源供电状态之间切换供电状态；

示例地，所述无线网络通信链路为时分双工通信链路或者频分双工通信链路中的一种。

第四实施例

图5为根据本发明的第四实施例示出的基于大数据的监控系统的内部结构图。

如图5所示，与图4中的实施例不同，本发明第四实施例提供的基于大数据的监控系统还包括：

电压转换设备，设置在架空配电电网和网络收发接口之间，用于将架空配电电网的配电电压转换为网络收发接口的工作电压；

例如，所述电压转换设备包括多个电压转换单元，用于将架空配电电网的配电电压分别转换为各种不同类型设备需求的工作电压。

第五实施例

与图4中的实施例不同，根据本发明的第五实施例示出的基于大数据的监控系统还包括：

不间断电源，设置在所述网络收发接口附近，用于在所述网络收发接口在不间断电源供电状态时，对所述网络收发接口进行供电操作；

示例地，在所述网络收发接口在不间断电源供电状态时，对所述网络收发接口进行供电操作包括：所述网络收发接口可以选型为时分双工收发接口或者频分双工收发接口中的一种。

接着，继续对本发明的各个方法实施例进行详细的描述。

在根据本发明上述任一实施例的基于大数据的监控系统中：

采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值包括：将BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据作为BP神经网络模型的并行多项输入内容；

其中，采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值还包括：执行BP神经网络模型以获得BP神经网络模型输出的在当前时间分段内所述架空配电网络出现单相接地事故的概率数值；

示例地，执行BP神经网络模型以获得BP神经网络模型输出的在当前时间分段内所述架空配电网络出现单相接地事故的概率数值包括：可以选择MATLAB工具箱完成执行BP神经网络模型以获得BP神经网络模型输出的在当前时间分段内所述架空配电网络出现单相接地事故的概率数值的仿真处理过程。

以及在根据本发明上述任一实施例的基于大数据的监控系统中：

所述架空配电电网的各项配置数据包括所述架空配电电网的架空高度、配电输送距离、配电线路间距以及配电电缆截面面积包括：所述架空配电电网的配电线路间距为所述架空配电电网的各条配电线路的两两间隔距离的均值；

例如，在所述架空配电电网的各条配电线路的数量为三条时，即配电线路A、配电线路B以及配电线路C，将配电线路A和配电线路B的间隔距离作为第一距离，将配电线路C和配电线路B的间隔距离作为第二距离，将配电线路A和配电线路C的间隔距离作为第三距离，将所述第一距离、所述第二距离以及所述第三距离的算术平均值作为所述架空配电电网的各条配电线路的两两间隔距离的均值；

其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量包括：对每一个历史时间分段进行设定时长间隔的平均分割，以获得各个监控时刻；

其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量还包括：所述历史时间分段内的平均配电电流数值为所述历史时间分段的各个监控时刻分别对应的各份配电输送电流数值的算术平均值；

其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量还包括：所述历史时间分段内的平均配电电压数值为所述历史时间分段的各个监控时刻分别对应的各份配电输送电压数值的算术平均值；

其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量还包括：对架空配电电网进行沿着配电输送方向的等距分割，以获得架空配电电网上的各处监控位置；

其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量还包括：在每一历史时间分段内，将每一个监控时刻的各处监控位置分别对应的各份湿度数值进行均值计算以获得所述监控时刻对应的单点参考湿度，对所述历史时间分段内的各个监控时刻分别对应的各份单点参考湿度执行均值处理，以获得所述历史时间分段对应的沿途参考湿度；

以及其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量还包括：在每一历史时间分段内，将每一个监控时刻的各处监控位置分别对应的各份雨量数值进行均值计算以获得所述监控时刻对应的单点参考雨量，对所述历史时间分段内的各个监控时刻分别对应的各份单点参考雨量执行均值处理，以获得所述历史时间分段对应的沿途参考雨量。

第六实施例

本发明第六实施例提供的基于大数据的监控系统方法包括以下步骤：

601：对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，其中，对BP神经网络执行的正向训练次数与对BP神经网络执行的负向训练次数相等；

具体地，对BP神经网络执行的正向训练次数与对BP神经网络执行的负向训练次数相等，这样的训练配置，能够保证对BP神经网络执行的正向训练效果和负向训练效果相同；

602：在当前时刻到达时，采用与架空配电电网的网络收发接口通过无线网络建立网络连接的大数据采集网元采集在当前时间分段之前各个历史时间分段分别对应的各份配电数据，所述当前时刻为所述当前时间分段的起始时刻，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量；

示例地，也可以选择采用区块链采集网元或者云计算采集网元用于替换所述大数据采集网元，与架空配电电网的网络收发接口通过无线网络建立网络连接，用于在当前时刻到达时，采集在当前时间分段之前各个历史时间分段分别对应的各份配电数据，所述当前时刻为所述当前时间分段的起始时刻，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量；

示例地，所述无线网络为时分双工通信网络或者频分双工通信网络中的一种；

603：获取架空配电电网的各项配置数据，所述架空配电电网的各项配置数据包括所述架空配电电网的架空高度、配电输送距离、配电线路间距以及配电电缆截面面积；

例如，可以采用多个信息捕获单元，用于分别捕获所述架空配电电网的架空高度、所述架空配电电网的配电输送距离、所述架空配电电网的配电线路间距以及所述架空配电电网的配电电缆截面面积；

604：由大数据处理网元采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值；

例如，可以选择采用数值仿真模式实现对采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值的数值仿真处理；

605：在接收到的智能预测的概率数值大于等于设定概率限量时，发出单相接地预警信号，否则，发出单相接地安全信号；

606：在接收到单相接地预警信号后，将架空配电电网的网络收发接口在当前时间分段设置为不间断电源供电状态，还用于在接收到单相接地安全信号后，将架空配电电网的网络收发接口在当前时间分段设置为架空配电电网供电状态；

607：在接收到单相接地预警信号后，向架空配电电网的各个用电负荷设备发送在当前时间分段自行断电的断电请求；

其中，当前时间分段与其之前各个历史时间分段组成一个完整的时间区间且每一个时间分段的持续时长相同；

例如，当前时间分段与其之前各个历史时间分段组成一个完整的时间区间且每一个时间分段的持续时长相同包括：每一个时间分段的持续时长可以选择为15分钟、30分钟、45分钟或者60分钟；

其中，所述BP神经网络模型为经过设定总数的各次训练后的BP神经网络，所述设定总数的取值与每一个时间分段的持续时长单调正向关联；

示例地，所述设定总数的取值与每一个时间分段的持续时长单调正向关联包括：每一个时间分段的持续时长为15分钟时，所述设定总数的取值为100，每一个时间分段的持续时长为30分钟时，所述设定总数的取值为120，每一个时间分段的持续时长为45分钟时，所述设定总数的取值为150，以及每一个时间分段的持续时长为60分钟时，所述设定总数的取值为200；

其中，对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型发送给所述概率解析部件使用包括：在对BP神经网络执行的每一次正向训练中，将已知的某一过往时间分段内未发生单相接地事故的概率数值作为BP神经网络模型的输出内容，将所述某一过往时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据作为BP神经网络模型的并行多项输入内容，完成本次正向训练操作；

以及其中，对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型发送给所述概率解析部件使用还包括：在对BP神经网络执行的每一次负向训练中，将已知的某一过往时间分段内发生单相接地事故的概率数值作为BP神经网络模型的输出内容，将所述某一过往时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据作为BP神经网络模型的并行多项输入内容，完成本次负向训练操作。

另外，本发明还可以引用以下技术内容以突出本发明的显著性技术进步：

在当前时刻到达时，采集在当前时间分段之前各个历史时间分段分别对应的各份配电数据，所述当前时刻为所述当前时间分段的起始时刻还包括：所述各个历史时间分段的数量与所述架空配电电网的配电输送距离正向关联；

其中，采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值包括：采用MATLAB工具箱实现对采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电网络出现单相接地事故的概率数值的仿真操作。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，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，或者对其中部分或者全部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公开各实施例技术方案的范围，其均应涵盖在本公开的权利要求和说明书的范围当中。

Claims (10)

1.一种基于大数据的监控系统，其特征在于，所述系统包括：

大数据采集网元，与架空配电电网的网络收发接口通过无线网络建立网络连接，用于在当前时刻到达时，采集在当前时间分段之前各个历史时间分段分别对应的各份配电数据，所述当前时刻为所述当前时间分段的起始时刻，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量；

电网捕获部件，与架空配电电网连接，用于获取架空配电电网的各项配置数据，所述架空配电电网的各项配置数据包括所述架空配电电网的架空高度、配电输送距离、配电线路间距以及配电电缆截面面积；

概率解析部件，由大数据处理网元实现，分别与所述大数据采集网元以及所述电网捕获部件连接，用于采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电电网出现单相接地事故的概率数值；

信号触发设备，与所述概率解析部件连接，用于在接收到的智能预测的概率数值大于等于设定概率限量时，发出单相接地预警信号，否则，发出单相接地安全信号；

应急处理设备，与所述信号触发设备连接，用于在接收到单相接地预警信号后，将架空配电电网的网络收发接口在当前时间分段设置为不间断电源供电状态，还用于在接收到单相接地安全信号后，将架空配电电网的网络收发接口在当前时间分段设置为架空配电电网供电状态；

断电提醒设备，与所述信号触发设备连接，用于在接收到单相接地预警信号后，向架空配电电网的各个用电负荷设备发送在当前时间分段自行断电的断电请求；

网络训练设备，与所述概率解析部件连接，用于对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型发送给所述概率解析部件使用，其中，对BP神经网络执行的正向训练次数与对BP神经网络执行的负向训练次数相等；

其中，当前时间分段与其之前各个历史时间分段组成一个完整的时间区间且每一个时间分段的持续时长相同；

其中，所述BP神经网络模型为经过设定总数的各次训练后的BP神经网络，所述设定总数的取值与每一个时间分段的持续时长单调正向关联。

2.如权利要求1所述的基于大数据的监控系统，其特征在于：

对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型发送给所述概率解析部件使用包括：在对BP神经网络执行的每一次正向训练中，将已知的某一过往时间分段内未发生单相接地事故的概率数值作为BP神经网络模型的输出内容，将所述某一过往时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据作为BP神经网络模型的并行多项输入内容，完成本次正向训练操作；

其中，对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，并作为BP神经网络模型发送给所述概率解析部件使用还包括：在对BP神经网络执行的每一次负向训练中，将已知的某一过往时间分段内发生单相接地事故的概率数值作为BP神经网络模型的输出内容，将所述某一过往时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据作为BP神经网络模型的并行多项输入内容，完成本次负向训练操作。

3.如权利要求2所述的基于大数据的监控系统，其特征在于，所述系统还包括：

大数据存储网元，与网络训练设备通过无线网络建立网络连接，用于接收并存储经过设定总数的各次训练后的BP神经网络的各项网络参数。

4.如权利要求3所述的基于大数据的监控系统，其特征在于，所述系统还包括：

网络收发接口，设置在架空配电电网处且与大数据采集网元建立无线网络通信链路，还与应急处理设备电性连接，用于在架空配电电网供电状态和不间断电源供电状态之间切换供电状态。

5.如权利要求4所述的基于大数据的监控系统，其特征在于，所述系统还包括：

电压转换设备，设置在架空配电电网和网络收发接口之间，用于将架空配电电网的配电电压转换为网络收发接口的工作电压。

6.如权利要求4所述的基于大数据的监控系统，其特征在于，所述系统还包括：

不间断电源，设置在所述网络收发接口附近，用于在所述网络收发接口在不间断电源供电状态时，对所述网络收发接口进行供电操作。

7.如权利要求3-6任一所述的基于大数据的监控系统，其特征在于：

采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电电网出现单相接地事故的概率数值包括：将BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据作为BP神经网络模型的并行多项输入内容；

其中，采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电电网出现单相接地事故的概率数值还包括：执行BP神经网络模型以获得BP神经网络模型输出的在当前时间分段内所述架空配电电网出现单相接地事故的概率数值。

8.如权利要求3-6任一所述的基于大数据的监控系统，其特征在于：

所述架空配电电网的各项配置数据包括所述架空配电电网的架空高度、配电输送距离、配电线路间距以及配电电缆截面面积包括：所述架空配电电网的配电线路间距为所述架空配电电网的各条配电线路的两两间隔距离的均值；

其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量包括：对每一个历史时间分段进行设定时长间隔的平均分割，以获得各个监控时刻；

其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量还包括：所述历史时间分段内的平均配电电流数值为所述历史时间分段的各个监控时刻分别对应的各份配电输送电流数值的算术平均值；

其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量还包括：所述历史时间分段内的平均配电电压数值为所述历史时间分段的各个监控时刻分别对应的各份配电输送电压数值的算术平均值。

9.如权利要求8所述的基于大数据的监控系统，其特征在于：

每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量还包括：对架空配电电网进行沿着配电输送方向的等距分割，以获得架空配电电网上的各处监控位置；

其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量还包括：在每一历史时间分段内，将每一个监控时刻的各处监控位置分别对应的各份湿度数值进行均值计算以获得所述监控时刻对应的单点参考湿度，对所述历史时间分段内的各个监控时刻分别对应的各份单点参考湿度执行均值处理，以获得所述历史时间分段对应的沿途参考湿度；

其中，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量还包括：在每一历史时间分段内，将每一个监控时刻的各处监控位置分别对应的各份雨量数值进行均值计算以获得所述监控时刻对应的单点参考雨量，对所述历史时间分段内的各个监控时刻分别对应的各份单点参考雨量执行均值处理，以获得所述历史时间分段对应的沿途参考雨量。

10.一种基于大数据的监控方法，其特征在于，所述方法包括：

对BP神经网络执行设定总数的各次训练以获得经过设定总数的各次训练后的BP神经网络，其中，对BP神经网络执行的正向训练次数与对BP神经网络执行的负向训练次数相等；

在当前时刻到达时，采用与架空配电电网的网络收发接口通过无线网络建立网络连接的大数据采集网元采集在当前时间分段之前各个历史时间分段分别对应的各份配电数据，所述当前时刻为所述当前时间分段的起始时刻，每一个历史时间分段对应的配电数据为架空配电电网在所述历史时间分段内的平均配电电流数值、平均配电电压数值、沿途参考湿度以及沿途参考雨量；

获取架空配电电网的各项配置数据，所述架空配电电网的各项配置数据包括所述架空配电电网的架空高度、配电输送距离、配电线路间距以及配电电缆截面面积；

由大数据处理网元采用BP神经网络模型基于当前时间分段之前各个历史时间分段分别对应的各份配电数据以及架空配电电网的各项配置数据智能预测在当前时间分段内所述架空配电电网出现单相接地事故的概率数值；

在接收到的智能预测的概率数值大于等于设定概率限量时，发出单相接地预警信号，否则，发出单相接地安全信号；

在接收到单相接地预警信号后，将架空配电电网的网络收发接口在当前时间分段设置为不间断电源供电状态，还用于在接收到单相接地安全信号后，将架空配电电网的网络收发接口在当前时间分段设置为架空配电电网供电状态；

在接收到单相接地预警信号后，向架空配电电网的各个用电负荷设备发送在当前时间分段自行断电的断电请求；

其中，当前时间分段与其之前各个历史时间分段组成一个完整的时间区间且每一个时间分段的持续时长相同；

其中，所述BP神经网络模型为经过设定总数的各次训练后的BP神经网络，所述设定总数的取值与每一个时间分段的持续时长单调正向关联。