CN117574312A - 一种基于微服务的配电网故障等级识别方法、装置、设备及存储介质 - Google Patents
一种基于微服务的配电网故障等级识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117574312A CN117574312A CN202311543826.8A CN202311543826A CN117574312A CN 117574312 A CN117574312 A CN 117574312A CN 202311543826 A CN202311543826 A CN 202311543826A CN 117574312 A CN117574312 A CN 117574312A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- distribution network
- fault
- service
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于微服务的配电网故障等级识别方法、装置、设备及存储介质，包括：融合电力行业多个业务系统的数据，得到多源融合数据，基于配电网络拓扑搜索发现受故障影响的停电设备和受故障影响的重要用户，计算故障造成的母线停电损失负荷，基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级，确定停电设备、重要用户和母线停电损失负荷的影响等级中的最高等级作为配电网故障等级，能够实现快速故障定位，通过停电设备、重要用户和母线停电损失负荷多维度计算事故影响等级，并最终从三个影响等级中确定最高等级作为配电网故障等级，提高了故障等级识别准确度和速度。
Description
技术领域
本发明涉及电网技术，尤其涉及一种基于微服务的配电网故障等级识别方法、装置、设备及存储介质。
背景技术
近年来，对安全生产重视程度越来越高，对涉及用户停电的异常提出了更加严格的要求，另外，根据“统一调度、分级管理”的原则，下级调度管辖范围内出现供电异常时，要按照有关规定逐级进行信息报送，网省地各级调度对影响用户正常供电的事故(事件)提出了更高、更严格的管理要求。目前，调度员面对海量的告警信息，故障难“定位”，由于缺乏拓扑和统计支持，事件难“定级”。
发明内容
本发明提供一种基于微服务的配电网故障等级识别方法、装置、设备及存储介质，以实现快速故障定位，提高故障等级识别准确度和速度。
第一方面，本发明提供了一种基于微服务的配电网故障等级识别方法，包括：
融合电力行业多个业务系统的数据，得到多源融合数据；
基于配电网络拓扑搜索发现受故障影响的停电设备和受故障影响的重要用户；
计算故障造成的母线停电损失负荷；
基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级；
确定停电设备、重要用户和母线停电损失负荷的影响等级中的最高等级作为配电网故障等级。
可选的，融合电力行业多个业务系统的数据，得到多源融合数据，包括：
获取营销类系统的数据和配电类系统的数据；
基于营销类系统的数据和配电类系统的数据的关联性和互补性，进行规则引擎和机器学习算法建模，整合营销类系统的数据和配电类系统的数据，得到多源融合数据。
可选的，融合电力行业多个业务系统的数据，得到多源融合数据，还包括：
对来源于不同业务系统的数据进行互校验，剔除不良数据。
可选的，对来源于不同业务系统的数据进行互校验，剔除不良数据，包括：
基于电度量与量测量互校核不良数据；
基于不同系统间数据互校核不良数据；
基于不同结构数据互校核不良数据；
剔除不良数据。
可选的，计算故障造成的母线停电损失负荷，包括：
计算母线失压损失负荷、母线并网电厂发电出力和母线供电失压用户自备发电出力的总和作为故障造成的母线停电损失负荷。
可选的，基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级，包括：
从故障影响后果、严重程度以及持续时间三个维度建立事故评级库模型；
从所述事故评级库模型中匹配停电设备、重要用户和母线停电损失负荷的影响等级。
第二方面，本发明还提供了一种基于微服务的配电网故障等级识别装置，包括：
数据融合模块，用于融合电力行业多个业务系统的数据，得到多源融合数据；
搜索模块，用于基于配电网络拓扑搜索发现受故障影响的停电设备和受故障影响的重要用户；
损失负荷计算模块，用于计算故障造成的母线停电损失负荷；
影响等级计算模块，用于基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级；
配电网故障等级确定模块，用于确定停电设备、重要用户和母线停电损失负荷的影响等级中的最高等级作为配电网故障等级。
可选的，数据融合模块包括：
数据获取子模块，用于获取营销类系统的数据和配电类系统的数据；
数据整合子模块，用于基于营销类系统的数据和配电类系统的数据的关联性和互补性，进行规则引擎和机器学习算法建模，整合营销类系统的数据和配电类系统的数据，得到多源融合数据。
第三方面，本发明还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面提供的基于微服务的配电网故障等级识别方法。
第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面提供的基于微服务的配电网故障等级识别方法。
本发明提供的基于微服务的配电网故障等级识别方法，包括：融合电力行业多个业务系统的数据，得到多源融合数据，基于配电网络拓扑搜索发现受故障影响的停电设备和受故障影响的重要用户，计算故障造成的母线停电损失负荷，基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级，确定停电设备、重要用户和母线停电损失负荷的影响等级中的最高等级作为配电网故障等级，能够实现快速故障定位，通过停电设备、重要用户和母线停电损失负荷多维度计算事故影响等级，并最终从三个影响等级中确定最高等级作为配电网故障等级，提高了故障等级识别准确度和速度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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为本发明实施例提供的一种基于微服务的配电网故障等级识别方法的流程图；
图2为本发明实施例提供的一种基于微服务的配电网故障等级识别装置的结构示意图；
图3为本发明实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的一种基于微服务的配电网故障等级识别方法的流程图，本实施例可适用于配电网故障等级自动识别的情况，该方法可以由本发明实施例提供的基于微服务的配电网故障等级识别装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于电子设备中，如图1所示，基于微服务的配电网故障等级识别方法具体包括如下步骤：
S101、融合电力行业多个业务系统的数据，得到多源融合数据。
示例性的，在本发明实施例中，配电网故障等级识别方法基于微服务，多个业务系统的数据分布在不同的微服务中，业务流需要经过多个微服务的处理和传递，基于微服务的每一个数据源计算再进行比对，得出最高的事故事件等级作为本次事故的判定等级。
微服务指的是一些由API驱动的小型应用程序，它们在追求一个共同目标的前提下负责把一件事情做好。
请求事件的跟踪定位方法：用户的请求服务会通过多个服务来完成。前后台的业务流需要经过多个微服务的处理和传递，调用过程复杂、数据流向节点多，事件跟踪定位困难。系统需建立日志，并统一日志存储及查询管理；每个接口请求必须有一个特定的ID，处理请求的过程日志和请求事件ID建立对应关系，通过事件ID对该请求的运行日志进行全流程跟踪。
业务流转的数据同源方法：当一个业务流程下来，配电网故障等级识别涉及到多个数据分布在不同微服务中的情况下，数据一致性比较难保证。数据不对应将严重影响整个流程的实际业务处理。须采用如下方案解决：首先，合理划分服务，规避这种情况的出现，把有状态的服务放在一个聚合服务中；其次，使用基于消息中间件的分布式事务处理方案，保证数据的最终一致性。
微服务的边界划分方法：微服务边界的划分，影响着整个系统微服务化的实施过程，合理划分服务是微服务落地中关键的一个步骤之一，合理的划分方案会减少后续开发、运维过程中的不少的问题，如：分布式事务处理困难、数据一致性无法强一致性保证、运维工作量快速膨胀等等。应用项目中的服务划分应遵循领域驱动原则、职责单一原则和数据共享原则。经过系统的分析，根据领域驱动设计的思想，结合生产系统的实际情况，规整出相应的领域服务。将各领域做进一步的逻辑解耦，可将当前系统在用的功能分解成四个层次：用户界面层、平台网关层、业务应用层、领域服务层、基础服务层。
示例性的，在本发明的一些实施例中，融合电力行业多个业务系统的数据，得到多源融合数据。示例性的，业务系统可以包括营销类系统和配电类系统，其中营销类系统包括营销管理系统、电量采集系统、95598系统等；配电类系统包括EMS系统(Energy ManagementSystem，电能管理系统)、PMS系统(Power Management System，电力管理系统)、GIS系统(Geographic Information System，地理信息系统)、DMS系统(Database ManagementSystem，数据库管理系统)等。
GIS系统：提供配网的图形和模型数据，模型数据遵循IEC 61970 CIM标准，图形以SVG格式导出；
EMS系统：提供开关状态变化信号、电流、电压、变压器档位、有功、无功等，其中开关状态用于判断故障；电流和电压用于监视电网状态；
营销系统：提供配变等设备台帐信息；
95598：提供客户报故障信息；
电量采集系统：提供用户和电表及资产以及和终端设备的关联关系档案(专变、公变、低压用户)，测量点的实时电压电流(专变、公变)；
DMS系统：提供配电网的断面数据。
多源数据的构成主要包含GIS系统的图模数据、营销管理系统的台帐模型数据、电量采集系统的准实时数据、DMS系统的配网断面数据、EMS系统的主网模型断面数据以及95598的保障信息等。这些系统中的数据存在着很大的关联性、互补性。但是在实际应用中，各个业务系统相对独立的，信息孤岛现象严重。所以从各个业务类型数据之间存在的关联性和互补性出发，进行规则引擎和机器学习算法建模，进而在统一的高级智能模型基础上，对来自于各系统的数据进行有机整合处理，得到多源融合数据。
由于配电网大数据多源、多渠道的特点，可基于不同来源的数据进行互校核，实现不良数据的检测与辨识，包括电度量和量测量的互校核、不同数据系统间的互校核方法、不同结构数据的互校核等。
1)基于电度量与量测量互校核的不良数据检测。
按获得方式分，配电网多源数据可划分为电度量与量测数据，可采用电度量与量测量互校核辨识不良数据。如实际计算中，可用同一节点下电度量和有功量测进行互校核：
pMi＝[(pi-1+pi)/2±ξ]/(3.6*106)
式中：PMi为i时刻该节点的有功电度量Pi-1、Pi为i-1、i时刻该节点的有功功率；ξ为准确系数，由实际量测系统准确度决定。
2)基于不同系统间数据互校核的不良数据检测。
配电网多源数据按获得来源分，可分为来自不同系统的数据，来自不同系统间的数据可以进行互校核。如可结合配电网管理信息系统、生产管理系统的信息以及低压台区互联信息，确定配变用电类型，按照不同行业需量系数和典型日负荷曲线可拟合出该配变负荷曲线。
3)基于不同结构数据互校核的不良数据检测。
配电网中含有结构化数据、非结构化数据、半结构化数据，但是不同类型的数据可能包含相同的信息量，如某一线路的长度可由地理信息系统中的非结构化图形数据获得，也可从生产管理系统中的结构化数据获得，通过不同类型的数据进行互校核，可实现不良数据的辨识。
S102、基于配电网络拓扑搜索发现受故障影响的停电设备和受故障影响的重要用户。
基于网络拓扑搜索的停电范围分析，根据网络拓扑搜索发现停电设备及范围，包括厂站、变压器、线路、线路分段和重要用户，具备和故障分析的联动功能，利用局部快速拓扑，分析网络结构，直观的给出受影响的停电范围分析结果，同时快速统计出设备信息。
示例性的，基于网络拓扑搜索的停电范围分析停电范围分析的核心是网络接线分析，根据电网接线连接关系、断路器和隔离开关的状态(分/合)生成电网的计算母线模型，同时分析电网设备的带电状态，并按设备的拓扑连接关系和带电状态划分电气活岛和电气死岛，在不带电的设备记录中置不带电标志。其中设备、断路器和隔离开关状态来源可以是状态估计的实时计算结果或者是SCADA采集结果，也可以是检修计划或者模拟操作的设置结果。分析完的结果按照显示的需要写入数据库。网络结线分析能处理各种厂站结线方式。
停电结果统计：根据停电范围分析的结果，对停电设备、停电厂站进行统计，统计的范围包括失电厂站信息以及停电的线路、母线、变压器以及配电线路、配变、用户。
其中，故障影响用户计算功能主要用于统计分析故障影响用户数(中/低压用户)、影响用户中重要用户数量与比例、重要用户时户数累加、保供电用户比例、敏感用户比例等信息。
故障影响重要用户比例＝∑故障影响重要用户数/∑故障影响用户总数；
故障影响重要用户时户数累加＝∑(故障影响重要用户*用户停电小时)；
故障影响保供电用户比例＝∑故障影响保供电用户数/∑故障影响用户总数；
故障影响敏感用户比例＝∑故障影响敏感用户数/∑故障影响用户总数。
其数据来源主要如下：
用电调度系统：用户信息、重要用户信息、保供电用户信息、敏感用户信息、停电小时数；
DMS系统：获取配网实时运方与运行数据；
DMS系统：获取配网故障诊断结果；
EMS系统：获取主网故障影响配网10kV站内母线或10kV出线断路器。
后台进程实时监听扫描主配网故障监视诊断结果及故障恢复结果信息，启动计算程序，根据故障影响区域及配网实时运方搜索下游影响用户信息，根据各类用户属性信息及用户停电时长，统计故障影响用户。
S103、计算故障造成的母线停电损失负荷。
示例性的，在本发明实施例中，基于母线失压的减供负荷分析方法：基于母线失压的主网故障影响分析自动计算10kV母线上的故障停电损失负荷。采用累加法，对每一条10kV母线上故障前后的负荷变化进行汇总，得到故障损失总负荷、故障切除负荷、低压脱扣损失负荷。
对故障区域内变电站10kV母线失压减供负荷为计算依据，变电站10kV母线失压减供负荷主要由三部分组成：⑴变电站10kV母线失压损失负荷；⑵变电站10kV失压母线并网电厂发电出力；⑶变电站10kV失压母线供电失压用户自备发电出力。数学计算公式如下：
注：M——系统故障发生后某变电站10kV失压母线总条数；
P10kV母线(i)——10kV失压母线对应变压器10kV侧开关失压前的稳态有功功率；
N——系统故障发生后，变电站10kV失压母线并网发电厂总数；
P10kV并网发电厂发电出力(j)——变电站10kV失压母线并网电厂发电有功功率；
L——由变电站10kV失压母线供电，用户自备发电机总数；
P10kV失压用户发电出力(k)——10kV直供用户失压前的发电有功功率。
S104、基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级。
基于多源数据融合技术以及故障识别结果，获取电网故障损失负荷、故障停电设备、故障影响用户等信息，依据《事故调规》中的各项评级要求，从故障影响后果、严重程度以及持续时间三个维度建立事故评级库的模型。在出现设备故障跳闸时，通过对事件评级库的在线匹配，实现对事件的自动定性和滚动更新。
目前关于事故定级的研究不多，且很少考虑到重要用电用户，然而重要用户涉及到各行各业，对于电力行业有着举足轻重的作用。本申请依据《事故调规》结合停电设备、负荷损失和重要用户可靠性，从从故障影响后果、严重程度以及持续时间三个维度建立事故评级库模型。
故障影响后果包括“人员受伤”、“人员死亡”、“经济损失”、“母线非计划停运(细分为500kV、220kV、110kV)”、“主变非计划停运(细分为500kV、220kV、110kV、35kV)”、“线路非计划停运(细分为500kV、220kV、110kV、35kV)”、“全网负荷损失”、“城区负荷损失”、“用户停电时长(细分为特级用户、一级用户、二级用户)”、“用户停电时户数(细分为特级用户、一级用户、二级用户)”。
对电网故障按照严重程度进行分类，分为事故类和事件类，共9个等级。事故类包括“特别重大事故”、“重大事故”、“较大事故”、“一般事故”，事件类包括“一级事件”、“二级事件”、“三级事件”、“四级事件”、“五级事件”。
续时间维度，包含且不仅仅包含设备停运时间，也可以构建伤亡人数、经济损失量、停电时户数等表征影响范围和严重程度的数据量。
在前述步骤中得到停电设备、重要用户和母线停电损失负荷后，将停电设备、重要用户和母线停电损失负荷分别输入事故评级库模型进行事故等级匹配，从事故评级库模型中匹配停电设备、重要用户和母线停电损失负荷的影响等级。
S105、确定停电设备、重要用户和母线停电损失负荷的影响等级中的最高等级作为配电网故障等级。
在确定停电设备、重要用户和母线停电损失负荷的影响等级之后，从三个影响等级中确定最高等级作为配电网故障等级。通过停电设备、重要用户和母线停电损失负荷多维度计算事故影响等级，并最终从三个影响等级中确定最高等级作为配电网故障等级，提高了故障等级识别准确度。
本发明实施例提供的基于微服务的配电网故障等级识别方法，包括：融合电力行业多个业务系统的数据，得到多源融合数据，基于配电网络拓扑搜索发现受故障影响的停电设备和受故障影响的重要用户，计算故障造成的母线停电损失负荷，基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级，确定停电设备、重要用户和母线停电损失负荷的影响等级中的最高等级作为配电网故障等级，能够实现快速故障定位，通过停电设备、重要用户和母线停电损失负荷多维度计算事故影响等级，并最终从三个影响等级中确定最高等级作为配电网故障等级，提高了故障等级识别准确度和速度。
本发明实施例还提供了一种基于微服务的配电网故障等级识别装置，图2为本发明实施例提供的一种基于微服务的配电网故障等级识别装置的结构示意图，如图2所示，基于微服务的配电网故障等级识别装置包括：
数据融合模块201，用于融合电力行业多个业务系统的数据，得到多源融合数据；
搜索模块202，用于基于配电网络拓扑搜索发现受故障影响的停电设备和受故障影响的重要用户；
损失负荷计算模块203，用于计算故障造成的母线停电损失负荷；
影响等级计算模块204，用于基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级；
配电网故障等级确定模块205，用于确定停电设备、重要用户和母线停电损失负荷的影响等级中的最高等级作为配电网故障等级。
在本发明的一些实施例中，数据融合模块201包括：
数据获取子模块，用于获取营销类系统的数据和配电类系统的数据；
数据整合子模块，用于基于营销类系统的数据和配电类系统的数据的关联性和互补性，进行规则引擎和机器学习算法建模，整合营销类系统的数据和配电类系统的数据，得到多源融合数据。
在本发明的一些实施例中，数据融合模块201还包括：
校验子模块，用于对来源于不同业务系统的数据进行互校验，剔除不良数据。
在本发明的一些实施例中，校验子模块包括：
第一校核单元，用于基于电度量与量测量互校核不良数据；
第二校核单元，用于基于不同系统间数据互校核不良数据；
第三校核单元，用于基于不同结构数据互校核不良数据。
在本发明的一些实施例中，损失负荷计算模块203包括：
损失负荷计算子模块，用于计算母线失压损失负荷、母线并网电厂发电出力和母线供电失压用户自备发电出力的总和作为故障造成的母线停电损失负荷。
在本发明的一些实施例中，影响等级计算模块204包括：
事故评级库模型建立子模块，用于从故障影响后果、严重程度以及持续时间三个维度建立事故评级库模型；
等级匹配子模块，用于从所述事故评级库模型中匹配停电设备、重要用户和母线停电损失负荷的影响等级。
上述基于微服务的配电网故障等级识别装置可执行本发明前述实施例所提供的基于微服务的配电网故障等级识别方法，具备执行基于微服务的配电网故障等级识别方法相应的功能模块和有益效果。
图3为本发明实施例提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示，电子设备包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于微服务的配电网故障等级识别方法。
在一些实施例中，基于微服务的配电网故障等级识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基于微服务的配电网故障等级识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于微服务的配电网故障等级识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
本发明实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现如本申请任意实施例所提供的基于微服务的配电网故障等级识别方法。
计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种基于微服务的配电网故障等级识别方法，其特征在于，包括：
融合电力行业多个业务系统的数据，得到多源融合数据；
基于配电网络拓扑搜索发现受故障影响的停电设备和受故障影响的重要用户；
计算故障造成的母线停电损失负荷；
基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级；
确定停电设备、重要用户和母线停电损失负荷的影响等级中的最高等级作为配电网故障等级。
2.根据权利要求1所述的基于微服务的配电网故障等级识别方法，其特征在于，融合电力行业多个业务系统的数据，得到多源融合数据，包括：
获取营销类系统的数据和配电类系统的数据；
基于营销类系统的数据和配电类系统的数据的关联性和互补性，进行规则引擎和机器学习算法建模，整合营销类系统的数据和配电类系统的数据，得到多源融合数据。
3.根据权利要求1所述的基于微服务的配电网故障等级识别方法，其特征在于，融合电力行业多个业务系统的数据，得到多源融合数据，还包括：
对来源于不同业务系统的数据进行互校验，剔除不良数据。
4.根据权利要求1所述的基于微服务的配电网故障等级识别方法，其特征在于，对来源于不同业务系统的数据进行互校验，剔除不良数据，包括：
基于电度量与量测量互校核不良数据；
基于不同系统间数据互校核不良数据；
基于不同结构数据互校核不良数据；
剔除不良数据。
5.根据权利要求1-4任一所述的基于微服务的配电网故障等级识别方法，其特征在于，计算故障造成的母线停电损失负荷，包括：
计算母线失压损失负荷、母线并网电厂发电出力和母线供电失压用户自备发电出力的总和作为故障造成的母线停电损失负荷。
6.根据权利要求1-4任一所述的基于微服务的配电网故障等级识别方法，其特征在于，基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级，包括：
从故障影响后果、严重程度以及持续时间三个维度建立事故评级库模型；
从所述事故评级库模型中匹配停电设备、重要用户和母线停电损失负荷的影响等级。
7.一种基于微服务的配电网故障等级识别装置，其特征在于，包括：
数据融合模块，用于融合电力行业多个业务系统的数据，得到多源融合数据；
搜索模块，用于基于配电网络拓扑搜索发现受故障影响的停电设备和受故障影响的重要用户；
损失负荷计算模块，用于计算故障造成的母线停电损失负荷；
影响等级计算模块，用于基于先验知识分别计算停电设备、重要用户和母线停电损失负荷的影响等级；
配电网故障等级确定模块，用于确定停电设备、重要用户和母线停电损失负荷的影响等级中的最高等级作为配电网故障等级。
8.根据权利要求7所述的基于微服务的配电网故障等级识别装置，其特征在于，数据融合模块包括：
数据获取子模块，用于获取营销类系统的数据和配电类系统的数据；
数据整合子模块，用于基于营销类系统的数据和配电类系统的数据的关联性和互补性，进行规则引擎和机器学习算法建模，整合营销类系统的数据和配电类系统的数据，得到多源融合数据。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一所述的基于微服务的配电网故障等级识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一所述的基于微服务的配电网故障等级识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311543826.8A CN117574312A (zh) | 2023-11-17 | 2023-11-17 | 一种基于微服务的配电网故障等级识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311543826.8A CN117574312A (zh) | 2023-11-17 | 2023-11-17 | 一种基于微服务的配电网故障等级识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117574312A true CN117574312A (zh) | 2024-02-20 |
Family
ID=89860125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311543826.8A Pending CN117574312A (zh) | 2023-11-17 | 2023-11-17 | 一种基于微服务的配电网故障等级识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574312A (zh) |
-
2023
- 2023-11-17 CN CN202311543826.8A patent/CN117574312A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101179195B (zh) | 配电网规划方案辅助决策系统 | |
| CN102930344B (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
| CN108667005B (zh) | 一种计及新能源影响的电网静动态结合脆弱性评估方法 | |
| CN109286188B (zh) | 一种基于多源数据集的10kV配电网理论线损计算方法 | |
| CN108110893A (zh) | 一种输配协同的电网故障等级自动识别方法 | |
| CN104463696A (zh) | 电网运行风险识防方法及系统 | |
| CN104103019A (zh) | 含分布式电源的配电网运行风险评估方法及评估系统 | |
| CN111552686B (zh) | 一种电力数据质量评估方法及其装置 | |
| CN115390827A (zh) | 一种支撑调试运行的电网数字孪生体构建方法及平台 | |
| CN115730749A (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
| CN105656036A (zh) | 考虑潮流和灵敏度一致性等值的概率静态安全分析方法 | |
| CN108596450B (zh) | 电网风险预警方法和系统 | |
| CN104503827A (zh) | 一种大规模电力系统运行方式潮流转移比多核并行批处理方法 | |
| Khare et al. | Optimal PMU placement using matrix modification based integer linear programming | |
| CN106159940A (zh) | 基于电网负荷特性分析的pmu最优布点方法 | |
| CN117574312A (zh) | 一种基于微服务的配电网故障等级识别方法、装置、设备及存储介质 | |
| CN115935201A (zh) | 一种针对重点应急装备gps及电气量数据采集的监测方法以及装置 | |
| Kerin et al. | Dynamic security assessment in system operation and planning—First experiences | |
| CN113011047A (zh) | 一种基于220kV及以下智能变电站二次系统的可靠性分析方法 | |
| Hai et al. | Fault location system for distribution network based on incomplete information from multiple sources | |
| Shinde | Real-time stability surveillance in power systems: a deep learning approach | |
| Qian et al. | Architecture and business model of power grid marketing and distribution integration system based on middle platform technology | |
| Shi et al. | Improving Analysis of Automatic Distribution Changes for Power Grid | |
| Fuquan et al. | Vulnerability Analysis of High-Performance Transmission and Bearer Network of 5G Smart Grid Based on Complex Network | |
| Wang et al. | Prediction Method of Distribution Network Area Based on Association Analysis and Machine Learning |
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 |