一种电网停复电可视化监控方法、系统及存储介质与流程

1.本发明涉及电网监控技术领域，具体涉及一种电网停复电可视化监控方法、系统及存储介质。


背景技术：

2.随着现代社会经济的不断发展，生产技术的不断改进，用户对供电质量的要求越 来越高，因电能质量问题带来的经济损失也越发难以让人接受。其中，电压暂降问题是导致 用户生产过程中断进而导致经济损失的主要因素，对全网电压质量的检测有助于系统对电 网进行更加科学的治理，以便提高全网供电质量，迎合社会建设与发展的需要。
3.目前市场上存在的大部分电能质量指标评价系统存在不同的缺陷，输电线路的特点是高空传输，横跨距离较远，杆塔所处的位置较为偏僻，日常运维巡视难度大，难以准确有效掌握输电线路运行状态，目前通常采用表单方式进行停复电故障显示，不够直观，没有良好的交互界面能够让用户通过一种可视化的方式展示停复电故障的关键信息。


技术实现要素：

4.本发明的目的在于提供一种电网停复电可视化监控方法、系统及存储介质，以解决现有技术中采用表单方式进行停复电故障显示，不够直观，没有良好的交互界面能够让用户通过一种可视化的方式展示停复电故障的关键信息的技术问题。
5.为解决上述技术问题，本发明具体提供下述技术方案：一种电网停复电可视化监控方法，包括以下步骤：步骤s1、在所述电网框架的真实节点处设置可视化监控设备，并基于电网框架构建出可视化电网框架仿真模型，所述可视化电网框架仿真模型为所述电网框架的空间压缩映射和节点定位映射，其中，所述节点定位映射表征为所述可视化电网框架模型中由所述电网框架中真实节点映射而来的仿真节点保留有与所述真实节点相同的定位坐标，所述空间压缩映射表征为所述可视化电网框架模型由电网框架等比例压缩形成；步骤s2、为所述电网框架的每个真实节点在cnn
‑
lstm时序预测模型的基础上构建电参数据预测模型，利用所述电参数据预测模型在线预测每个真实节点在未来时序上的停复电状态，其中，所述cnn
‑
lstm时序预测模型为cnn卷积神经网络和lstm长短期记忆网络构成的时序预测模型；步骤s3、将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警，同时可视化电网框架模型根据仿真节点显示的停复电状态进行真实节点的可视化超前监控以及真实节点的预先维护直至仿真节点在未来时序上转换为复电状态，实现在真实节点停电事故产生前进行超前干预以规避停电事故的损失。
6.作为本发明的一种优选方案，所述步骤s1中还包括在电网框架的真实节点处设置电参监测设备，所述电参监测设备按时序采集真实节点的电参真实数据。
7.作为本发明的一种优选方案，所述步骤s2中，所述电参数据预测模型的构建方法
包括：选取真实节点在一个连续时序段的电参真实数据，其中，n表征为电网框架中真实节点的总数目，表征为真实节点在时序的电参真实数据，m为连续时序段的时序总数目；将所有真实节点的电参真实数据运用至cnn
‑
lstm时序预测模型中进行模型训练得到电参数据预测模型，其中，表征为真实节点的电参数据预测模型。
8.作为本发明的一种优选方案，所述电参数据预测模型的构建方法还包括：将所述电参真实数据 依时序输入cnn卷积神经网络进行电参特征提取，输出电参特征序列，其中，所述cnn卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为relu函数，池化处理设定为max
‑
poling模式，dropout概率设定为0.20；将所述电参特征序列输入值lstm长短期记忆网络中进行时序预测训练，输出连续时序段上的电参预测数据，其中，所述lstm长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为，m为连续时序段的时序总数目，表征为真实节点在时序的电参真实数据，为lstm长短期记忆网络输出的真实节点在时序的电参预测数据，表征为真实节点的预测误差；根据误差最小原则确定出真实节点对应的 cnn卷积神经网络和lstm长短期记忆网络的网络参数得到出电参数据预测模型。
9.作为本发明的一种优选方案，所述电参数据预测模型的在线预测方法包括：向所述电参数据预测模型输入真实节点当前时序段的电参真实数据，输出为在未来时序的电参预测数据，其中，表征为未来时序上的电参预测数据，n为未来时序的总数目，m表征为连续时序段的时序总数目，now表征为当前时序段的最新时序；将真实节点在未来时序的电参预测数据与真实节点的电参标准数据进行相似度对比，
其中，若电参预测数据与电参标准数据的相似度高于预设阈值，则表明真实节点在未来时序上会发生停电事故，真实节点在未来时序为停电状态；若电参预测数据与电参标准数据的相似度低于预设阈值，则表明真实节点在未来时序上不会发生停电事故，真实节点在未来时序为复电状态。
10.作为本发明的一种优选方案，所述电参预测数据与电参标准数据的相似度利用电参预测数据与电参标准数据的欧式距离进行衡量。
11.作为本发明的一种优选方案，所述步骤s3中，所述停电预警的方法包括：将真实节点在未来时序的停电状态映射到可视化电网框架仿真模型中对应的仿真节点处作为仿真节点在未来时序的停复电状态，其中，将未来时序为停电状态的仿真节点的节点图标在当前时序段上由固定显示变为闪烁显示；将未来时序为复电状态的仿真节点的节点图标在当前时序段上维持为固定显示。
12.作为本发明的一种优选方案，所述步骤s3中，所述真实节点的可视化超前监控方法包括：在所述仿真节点的节点图标在当前时序段上由固定显示变为闪烁显示的同时开启真实节点处的可视化监控设备，实时采集真实节点在当前时序的真实影像；通过真实节点在当前时序段的真实影像判断真实节点的停电事故的产生因素，在当前时序段上进行预先维护排除停电事故的产生因素使得预测得到的真实节点在未来时序由停电状态转变复电状态，映射到仿真节点上使得仿真节点的节点图标在当前时序段上由闪烁显示变为固定显示；在所述仿真节点的节点图标在当前时序段上由闪烁显示变为固定显示的同时开关闭真实节点处的可视化监控设备，可视化监控设备获得真实节点在当前时序段的真实影像作为真实节点的停复电超前监控影像，实现对真实节点在当前时序段对停电事故进行预先修复规避，无需等待至未来时序在停电事故发生后的滞后性修复。
13.作为本发明的一种优选方案，本发明提供了一种电网停复电可视化监控系统，包
括：可视化监控设备、电参监测设备、框架仿真模型建立模块、预测模型建立模块、显示模块以及预警模块，所述框架仿真模型建立模块，用于基于电网框架构建出可视化电网框架仿真模型；所述预测模型建立模块，用于为所述电网框架的每个真实节点构建电参数据预测模型；所述预警模块，利用所述电参数据预测模型在线预测每个真实节点在未来时序上的停电状态，将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警；所述可视化监控设备，用于在可视化电网框架模型中仿真节点的停复电状态进行真实节点的可视化超前监控；所述显示模块，设置在每个仿真节点处，用于显示仿真节点的停复电超前监控影像；所述电参监测设备，用于按时序采集真实节点的电参真实数据。
14.作为本发明的一种优选方案，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的电网停复电可视化监控方法的步骤。
15.本发明与现有技术相比较具有如下有益效果：本发明利用电网框架映射建立可视化电网框架仿真模型，并为电网框架的每个真实节点构建电参数据预测模型，实现对每个真实节点在未来时序上的电参数据进行预测，进而根据预测的电参数据识别出真实节点在未来时序的停复电运行状态，在未来时序处于停电状态的真实节点进行预先可视化监控，排除停电状态产生的因素从而规避停电事故的发生，整体实现在真实节点停电事故产生前进行超前干预以规避停电事故的损失，提高停复电监控的安全性。
附图说明
16.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
17.图1为本发明实施例提供的电网停复电可视化监控方法流程图；图2为本发明实施例提供的电网停复电可视化监控系统结构框图。
18.图中的标号分别表示如下：1
‑
可视化监控设备；2
‑
电参监测设备；3
‑
框架仿真模型建立模块；4
‑
预测模型建立模块；5
‑
显示模块；6
‑
预警模块。
具体实施方式
19.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，都属于本发明保护的范围。
20.如图1所示，电网线路的特点是高空传输，横跨距离较远，杆塔所处的位置较为偏僻，日常运维巡视难度大，难以准确有效掌握电网线路停复电状态，本发明提供了一种电网停复电可视化监控方法，将电网线路的停复电状态以一种可视化的方法展示出来，替代部分人力工作，并且提前规避停电事故发生，提高电网运行稳定性。
21.本发明提供了一种电网停复电可视化监控方法，包括以下步骤：步骤s1、在电网框架的真实节点处设置可视化监控设备，并基于电网框架构建出可视化电网框架仿真模型，可视化电网框架仿真模型为电网框架的空间压缩映射和节点定位映射，其中，节点定位映射表征为可视化电网框架模型中由电网框架中真实节点映射而来的仿真节点保留有与真实节点相同的定位坐标，空间压缩映射表征为可视化电网框架模型由电网框架等比例压缩形成；步骤s1中还包括在电网框架的真实节点处设置电参监测设备，电参监测设备按时序采集真实节点的电参真实数据。
22.将电网框架的结构进行等比例压缩，实现将体积庞大的电网框架压缩至能够完全显示在显示设备中进行显示，供巡视人员进行全面直观的巡视，并将电网框架的真实节点的地理位置映射至仿真节点上，可通过仿真节点追溯到真实节点，即巡视人员能够进行根据仿真节点的定位坐标快速定位到真实节点处，并且将真实节点的电参数据传输至仿真节点处进行停复电状态分析，因此巡视人员无需再对真实的电网线路进行逐一巡视，提高了巡视效率。
23.步骤s2、为所述电网框架的每个真实节点在cnn
‑
lstm时序预测模型的基础上构建电参数据预测模型，利用所述电参数据预测模型在线预测每个真实节点在未来时序上的停复电状态，其中，所述cnn
‑
lstm时序预测模型为cnn卷积神经网络和lstm长短期记忆网络构成的时序预测模型；步骤s2中，电参数据预测模型的构建方法包括：选取真实节点在一个连续时序段的电参真实数据，其中，n表征为电网框架中真实节点的总数目，表征为真实节点在时序的电参真实数据，m为连续时序段的时序总数目；将所有真实节点的电参真实数据运用至cnn
‑
lstm时序预测模型中进行模型训练得到电参数据预测模型，其中，表征为真实节点的电参数据预测模型。
24.电参数据预测模型的构建方法还包括：将电参真实数据 依时序输入cnn卷积神经网络进行电参特征提取，输出电参特征序列，其中，cnn卷积神经网络的训练参数设定包括：网络filter设定为
128个，激活函数设定为relu函数，池化处理设定为max
‑
poling模式，dropout概率设定为0.20；将电参特征序列输入值lstm长短期记忆网络中进行时序预测训练，输出连续时序段上的电参预测数据，其中，lstm长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为，m为连续时序段的时序总数目，表征为真实节点在时序的电参真实数据，为lstm长短期记忆网络输出的真实节点在时序的电参预测数据，表征为真实节点的预测误差；根据误差最小原则确定出真实节点对应的 cnn卷积神经网络和lstm长短期记忆网络的网络参数得到出电参数据预测模型。
[0025] 真实节点的电参数据预测模型的输入为电参真实数据，输出为在时序的电参预测数据，通过与相对比可衡量出电参数据预测模型的预测精度，即与 数据差异度越小，则模型预测精度越高，与数据差异度越大，则模型预测精度越低，以 与差异度构建损失函数，可以使得建立的电参数据预测模型具有高精度属性，迁移到真实节点的在线预测则输入为真实节点在当前时序端的电参真实数据，输出为真实节点在未来时序的电参预测数据，则真实节点在未来时序的电参预测数据在真实节点的电参标准数据范围内，即表明真实节点在未来时序上不会发生停电事故（处于本实施例中的复电状态），因此能够利用真实节点在未来时序的电参预测数据反映出真实节点在未来时序上的停复电状态的发展趋势。
[0026]
电参数据预测模型的在线预测方法包括：向电参数据预测模型输入真实节点当前时序段的电参真实数据，输出为在未来时序的电参预测数据，其中，表征为未来时序 上的电参预测数据，n为未来时序的总数目，m表征为连续时序段的时序总数目，now表征为当前时序段的最新时序，比如，在时序12:00:00时，为了预测13:00:00,14:00:00的电参预测数据，则在12:00:00前选取11:00:00,10:00:00的电参真实数据作为时序数据输入到电参数据预测模型中得到13:00:00,14:00:00的电参预测数据，则now表征为最新时序12:00:00，即，当前时序段为，电参真实数据为，未来时序为，电参预测数据为 。
[0027]
将真实节点在未来时序的电参预测数据与真实节点的电参标准数据进行相似度对比，其中，若电参预测数据与电参标准数据的相似度高于预设阈值，则表明真实节点在未来时序上会发生停电事故，真实节点在未来时序为停电状态；若电参预测数据与电参标准数据的相似度低于预设阈值，则表明真实节点在未来时序上不会发生停电事故，真实节点在未来时序为复电状态。
[0028]
电参真实数据、电参预测数据和电参标准数据具有相一致的数据类别结构，其中，三者的数据类别均包括但不限于电压、电流、有功功率、无功功率等，数据类别和预设阈值的选取，本实施例不作限定，由使用者自定义。
[0029]
电参预测数据与电参标准数据的相似度利用电参预测数据与电参标准数据的欧式距离进行衡量。
[0030]
步骤s3、将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警，同时可视化电网框架模型根据仿真节点显示的停复电状态进行真实节点的可视化超前监控以及真实节点的预先维护直至仿真节点在未来时序上转换为复电状态，实现在真实节点停电事故产生前进行超前干预以规避停电事故的损失。
[0031]
步骤s3中，停电预警的方法包括：将真实节点在未来时序的停电状态映射到可视化电网框架仿真模型中对应的仿真节点处作为仿真节点在未来时序的停复电状态，其中，将未来时序为停电状态的仿真节点的节点图标在当前时序段上由固定显示变为闪烁显示；将未来时序为复电状态的仿真节点的节点图标在当前时序段上维持为固定显示。
[0032]
步骤s3中，真实节点的可视化超前监控方法包括：在仿真节点的节点图标在当前时序段上由固定显示变为闪烁显示的同时开启真实节点处的可视化监控设备，实时采集真实节点在当前时序的真实影像；通过真实节点在当前时序段的真实影像判断真实节点的停电事故的产生因素，在当前时序段上进行预先维护排除停电事故的产生因素使得预测得到的真实节点在未来时序由停电状态转变复电状态，映射到仿真节点上使得仿真节点的节点图标在当前时序段 上由闪烁显示变为固定显示；在仿真节点的节点图标在当前时序段上由闪烁显示变
为固定显示的同时开关闭真实节点处的可视化监控设备，可视化监控设备获得真实节点在当前时序段的真实影像作为真实节点的停复电超前监控影像，实现对真实节点在当前时序段对停电事故进行预先修复规避，无需等待至未来时序在停电事故发生后的滞后性修复。
[0033]
本实施提供了一种预警实例，比如，真实节点在时序12:00:00时预测到13:00:00会处于停电状态，则反馈到仿真节点上出现节点图标闪烁显示，此时真实节点在时序12:00:00时开启可视化监控设备，巡查真实节点处存在的导致停电事故的危险因素，并依据定位坐标通知维护人员到达真实节点予以排除，整个过程持续半个小时，则开启可视化监控设备在12:30:00进行关闭，只拍摄了半个小时的有效实景视频，此时真实节点在时序13:00:00的状态转为复电状态，巡视和维护人员实现了对真实节点停电状态的提前规避，无需等到时序13:00:00时再进行巡视维护，减少了停电状态所带来的损失。
[0034]
本实施例在预测到真实节点在未来时序上会发生停电事故时才会开启可视化监控设备进行实景记录，在对停电事故进行危险因素排除后即可关闭可视化监控设备，可直观的观测到真实节点的停复电状态的故障和修复景象，而且无需进行实时的可视化监测，减少了大量的视频数据存储和传输压力。
[0035]
如图2所示，基于上述电网停复电可视化监控方法，本发明提供了一种电网停复电可视化监控系统，包括：可视化监控设备1、电参监测设备2、框架仿真模型建立模块3、预测模型建立模块4、显示模块5以及预警模块6，框架仿真模型建立模块，用于基于电网框架构建出可视化电网框架仿真模型；预测模型建立模块，用于为电网框架的每个真实节点构建电参数据预测模型；预警模块，利用电参数据预测模型在线预测每个真实节点在未来时序上的停电状态，将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警；可视化监控设备，用于在可视化电网框架模型中仿真节点的停复电状态进行真实节点的可视化超前监控；显示模块，设置在每个仿真节点处，用于显示仿真节点的停复电超前监控影像；电参监测设备，用于按时序采集真实节点的电参真实数据。
[0036]
基于上述电网停复电可视化监控方法，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现电网停复电可视化监控方法的步骤。
[0037]
本发明利用电网框架映射建立可视化电网框架仿真模型，并为电网框架的每个真实节点构建电参数据预测模型，实现对每个真实节点在未来时序上的电参数据进行预测，进而根据预测的电参数据识别出真实节点在未来时序的停复电运行状态，在未来时序处于停电状态的真实节点进行预先可视化监控，排除停电状态产生的因素从而规避停电事故的发生，整体实现在真实节点停电事故产生前进行超前干预以规避停电事故的损失，提高停复电监控的安全性。
[0038]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围
由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。