一种配电台区低电压诊断方法及装置与流程

1.本发明涉及配电台区数据诊断技术领域，尤其涉及一种配电台区低电压诊断方法及装置。


背景技术：

2.目前通过java解析不同台区电压监测点装置采集的文本类型电压数据，并把解析好的电压数据存储到关系型数据库中，结合台区基础数据，按照年或月以sql查询统计分析出属于低电压类别下的配电台区数量，批量导出低电压台区excel清单，再由各区局或供电所运行人员现场核查并制定后期的治理方案。
3.现有技术中的配电台区低电压诊断方式存在电压监测手段单一、诊断方法不足以及配电台区电压偏低等问题，其中，配电台区电压偏低是一个系统性问题，包含技术和管理等多方面问题，配电台供电半径过长、线径偏细、低压台区重过载和无功补偿利用率不高等因素都是造成台区电压偏低的主要因素，需要综合全面考虑，另外电压偏低问题的治理决策仍然停留在经验判断层面，缺乏理论和数据支撑，造成治理措施选取不合理性、低电压核查和治理方案先后顺序无标准和管理要求且流程过于繁琐，严重依赖于行政管理和人员，使得治理成本的增加和治理效果不理想。


技术实现要素：

4.本发明目的在于，提供一种配电台区低电压诊断方法，以解决现有技术中对于低电压的判定准确度不高的问题。
5.为实现上述目的，本发明提供一种配电台区低电压诊断方法，包括：
6.获取配电台区低电压初始分析数据，遍历所述初始分析数据并进行预处理，获取分析数据并构造特征标签数据集；其中，所述预处理包括数据规范性处理、剔除异常数据处理以及数据相关性分析；
7.采用随机森林算法对根据所述特征标签数据集确定的机器学习模型进行训练，并采用低电压诊断模型对所述机器学习模型进行调优，获取数据模型；
8.将所述分析数据输入所述数据模型进行分布式计算，获取时序数据并采用分布式进行存储，其中，所述时序数据包括低电压要因数据和时段范围数据；
9.结合预设的诊断规则与分布式存储的所述时序数据确定配电台区低电压诊断结果，其中，所述诊断结果包括配电台区低电压的严重程度等级、紧急程度等级以及配变负载率。
10.优选地，所述遍历所述初始分析数据并进行预处理，获取分析数据并构造特征标签数据集，包括：
11.根据所述数据规范性处理获取第一分析数据；
12.所述初始分析数据包括多个采集点，将多个所述采集点与预设的第一阈值进行比对确定所述第一分析数据；
13.若所述采集点大于所述预设的第一阈值，则根据所述数据规范性处理中的考核标识规则剔除非考核标识中的采集点，获取所述第一分析数据；
14.若所述采集点小于等于所述预设的第一阈值，则按照实际所述初始分析数据中的采集点确定所述第一分析数据。
15.优选地，所述遍历所述初始分析数据并进行预处理获取分析数据并构造特征标签数据集，还包括：
16.遍历所述第一分析数据，若所述第一分析数据中存在公用配变的电压小于150v和/或若所述第一分析数据中存在专用高供高计电压小于等于68.2v，则判定为异常数据；
17.若根据周期获取的所述第一分析数据中存在任意一个时刻的数据为正常数据，则判定该采集点处于正常状态，并获取第二分析数据。
18.优选地，所述遍历所述初始分析数据并进行预处理获取分析数据并构造特征标签数据集，还包括：
19.根据所述第二分析数据进行所述数据相关性分析，获取所述分析数据并进行数据标准化以及归一化处理，确定所述特征标签数据集；其中，所述第二分析数据包括：台区特征指标、低电压时段数据以及低电压位置数据。
20.优选地，所述结合预设的诊断规则与分布式存储的所述时序数据确定配电台区低电压诊断结果，包括：
21.所述预设的诊断规则包括：根据低电压要因、低电压发生时段以及低电压区域进行相关性分析；
22.将所述时序数据分别与所述低电压要因、所述低电压发生时段以及所述低电压区域进行相关性分析，获取相关性分析数据；
23.将所述相关性分析数据输入预设的评分模型，获取所述配电台区低电压诊断结果。
24.本发明还提供一种配电台区低电压诊断装置，包括：
25.预处理模块，用于获取配电台区低电压初始分析数据，遍历所述初始分析数据并进行预处理，获取分析数据并构造特征标签数据集；其中，所述预处理包括数据规范性处理、剔除异常数据处理以及数据相关性分析；
26.模型构造模块，用于采用随机森林算法对根据所述特征标签数据集确定的机器学习模型进行训练，并采用低电压诊断模型对所述机器学习模型进行调优，获取数据模型；
27.计算模块，用于将所述分析数据输入所述数据模型进行分布式计算，获取时序数据并采用分布式进行存储，其中，所述时序数据包括低电压要因数据和时段范围数据；
28.判定模块，用于结合预设的诊断规则与分布式存储的所述时序数据确定配电台区低电压诊断结果，其中，所述诊断结果包括配电台区低电压的严重程度等级、紧急程度等级以及配变负载率。
29.优选地，所述预处理模块，还用于：
30.根据所述数据规范性处理获取第一分析数据；
31.所述初始分析数据包括多个采集点，将多个所述采集点与预设的第一阈值进行比对确定所述第一分析数据；
32.若所述采集点大于所述预设的第一阈值，则根据所述数据规范性处理中的考核标
识规则剔除非考核标识中的采集点，获取所述第一分析数据；
33.若所述采集点小于等于所述预设的第一阈值，则按照实际所述初始分析数据中的采集点确定所述第一分析数据。
34.优选地，所述预处理模块，还用于：
35.遍历所述第一分析数据，若所述第一分析数据中存在公用配变的电压小于150v和/或若所述第一分析数据中存在专用高供高计电压小于等于68.2v，则判定为异常数据；
36.若根据周期获取的所述第一分析数据中存在任意一个时刻的数据为正常数据，则判定该采集点处于正常状态，并获取第二分析数据。
37.优选地，所述预处理模块，还用于：
38.根据所述第二分析数据进行所述数据相关性分析，获取所述分析数据并进行数据标准化以及归一化处理，确定所述特征标签数据集；其中，所述第二分析数据包括：台区特征指标、低电压时段数据以及低电压位置数据。
39.优选地，所述判定模块，还用于：
40.所述预设的诊断规则包括：根据低电压要因、低电压发生时段以及低电压区域进行相关性分析；
41.将所述时序数据分别与所述低电压要因、所述低电压发生时段以及所述低电压区域进行相关性分析，获取相关性分析数据；
42.将所述相关性分析数据输入预设的评分模型，获取所述配电台区低电压诊断结果。
43.相对于现有技术，本发明的有益效果在于：
44.获取配电台区低电压初始分析数据，遍历初始分析数据并进行预处理获取分析数据并构造特征标签数据集；其中，预处理包括数据规范性处理、剔除异常数据处理以及数据相关性分析，采用随机森林算法对根据特征标签数据集确定的机器学习模型进行训练，并采用低电压诊断模型对所述机器学习模型进行调优，获取数据模型，将分析数据输入所述数据模型进行分布式计算，获取时序数据并采用分布式进行存储，其中，所述时序数据包括低电压要因数据和时段范围数据，结合预设的诊断规则与分布式存储的时序数据确定配电台区低电压诊断结果，其中，诊断结果包括配电台区低电压的严重程度等级、紧急程度等级以及配变负载率。本发明充分分析了数据的合理性，剔除不合理的数据，减少异常数据的干扰，选择合适的特征为分析的依据，构建数据模型以提高计算的准确度，并采用分布式计算，提高低电压计算分析的效率。
附图说明
45.为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，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。
46.图1是本发明某一实施例提供的配电台区低电压诊断方法的流程示意图；
47.图2是本发明某一实施例提供的配电台区低电压诊断装置的结构示意图。
具体实施方式
48.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。
49.应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
50.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
51.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
52.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
53.请参阅图1，本发明某一实施例提供一种配电台区低电压诊断方法，包括以下步骤：
54.s101：获取配电台区低电压初始分析数据，遍历所述初始分析数据并进行预处理，获取分析数据并构造特征标签数据集；其中，所述预处理包括数据规范性处理、剔除异常数据处理以及数据相关性分析。
55.具体的，配电台区电压偏低问题是一个系统性问题，包含技术和管理等多方面因素，供电半径过长、线径偏细、低压台区重过载和无功补偿利用率不高等因素都是造成台区电压偏低的主要因素，需要综合全面考虑，另外电压偏低问题的治理决策仍然停留在经验判断层面，缺乏理论和数据支撑，造成治理措施选取不合理性、治理成本的增加和治理效果不好等后果。
56.本发明采用ogg、cdc等技术以准实时方式接入计量自动化系统、营销系统、生产系统及地理信息系统，集成配电台区低电压分析相关的数据，即初始分析数据，初始分析数据包含计量点编号、用户编号、电表资产编号、时间、a相电压、b相电压、c相电压以及位置相关信息。将获取的初始分析数据进行预处理，如下：
57.1)数据规范性处理。
58.根据数据规范性处理获取第一分析数据，初始分析数据包括多个采集点，将多个采集点与预设的第一阈值进行比对确定第一分析数据，若采集点大于预设的第一阈值，则根据数据规范性处理中的考核标识规则剔除非考核标识中的采集点，获取第一分析数据，若采集点小于等于预设的第一阈值，按照实际初始分析数据中的采集点确定第一分析数据。
59.配电台区电压数据由计量自动化系统采集，按每15分钟采集推送的方式，一台配变一天(24小时)的采集的数据应为96个点。目前根据计量自动化系统推送过来的数据分析，配变一天(24小时)的数据存在以下几种情况：大于96个采集点、小于等于96个采集点，通过编写sql程序，对数据做如下清洗处理：
60.若采集点大于预设的第一阈值，预设的第一阈值为96个采集点，数据清洗处理时，
根据表计的考核表标识，剔除掉非考核表的采集点数据。
61.若采集点小于等于预设的第一阈值，主要是由于漏采导致，漏采的采集点，在计算电压合格率时，按照实际初始分析数据中的采集点进行计算确定第一分析数据。
62.2)剔除异常数据处理。
63.遍历第一分析数据，若第一分析数据中存在公用配变的电压小于150v和/或若第一分析数据中存在专用高供高计电压小于等于68.2v则判定为异常数据；
64.若根据周期获取的第一分析数据中存在任意一个时刻的数据为正常数据，则判定该采集点处于正常状态，并获取第二分析数据。
65.异常数据定义：按照台区的资产属性，公用配变的电压<150v或为空则为异常数据，专用高供高计电压<＝68.2v或为空则为异常数据。
66.异常电压判定：每天采集的数据都为异常数据则计入异常数据统计，只要存在1个点的数据为正常电压数据，则该计量点计算为正常状态，不纳入异常统计，通过sql实现。
67.异常数据清洗：异常电压的台区单独存储，不纳入低电压的计算。
68.3)数据相关性分析。
69.根据第二分析数据进行数据相关性分析，获取分析数据并进行数据标准化以及归一化处理确定特征标签数据集，其中，第二分析数据包括：台区特征指标、低电压时段数据以及低电压位置数据。
70.台区特征指标有很多，如变压器的投运时间，低压台区用户数量、是否是节假日、重过载标签、三相不平衡标签、超容用电、高温等因数，低电压发生时段包含：短时低电压、长期低电压、季节性低电压或春节反潮等，发生区域包含：城市、农村等。需要对主要因素进行相关性分析，找出具有较强相关性特征。
71.利用python的corr()方法来计算两变量间的相关系数，该方法用来计算dataframe对象中所有列之间的相关系数，包括pearson相关系数、kendall tau相关系数和spearman秩相关。相关性系数接近1和
‑
1表示正相关和负相关程度，0表示不相关。
72.编写python程序，采用python连接访问数据库方式获取数据，利用其机器学习库(sklearn)对供电半径、低压台区重过载数据进行标准化和归一化处理，离散的数据更加集中，地区类别用数字替换等，形成特征标签数据集。
73.s102：采用随机森林算法对根据所述特征标签数据集确定的机器学习模型进行训练，并采用低电压诊断模型对所述机器学习模型进行调优，获取数据模型。
74.具体的，低电压数据计算，包含分布式计算、分布式存储、机器学习和规则引擎，其中分布式计算，主要用于实现台区日越下限次数、越下限率等指标的计算主要采用编写数据程序和统计查询实现，机器学习模型构建是基于特征标签数据集，将数据分为测试集和训练集，采用python机器学习库(sklearn)随机森林算法训练数据模型，低电压诊断模型用于识别输入的数据并对数据进行分类，以精确率为评价指标进行模型调优。
75.s103：将所述分析数据输入所述数据模型进行分布式计算，获取时序数据并采用分布式进行存储，其中，所述时序数据包括低电压要因数据和时段范围数据。
76.具体的，低电压数据计算，包含分布式计算、分布式存储、机器学习和规则引擎，其中分布式计算，主要用于实现台区日越下限次数、越下限率等指标的计算主要采用编写数据程序和统计查询实现，机器学习模型构建是基于特征标签数据集，将数据分为测试集和
训练集，采用python机器学习库(sklearn)随机森林算法训练数据模型，低电压诊断模型用于识别输入的数据并对数据进行分类，以精确率为评价指标进行模型调优，分布式存储，将计算后的结果按照低电压要因数据和时段范围数据进行分布式存储。
77.s104：结合预设的诊断规则与分布式存储的所述时序数据确定配电台区低电压诊断结果，其中，所述诊断结果包括配电台区低电压的严重程度等级、紧急程度等级以及配变负载率。
78.具体的，预设的诊断规则包括：根据低电压要因、低电压发生时段以及低电压区域进行相关性分析，将时序数据分别与低电压要因、低电压发生时段以及低电压区域进行相关性分析，获取相关性分析数据，将相关性分析数据输入预设的评分模型，获取配电台区低电压诊断结果。
79.预设的评分模型包括监测功能、诊断功能和优先级功能，首先，监测功能主要是按单位和时间维度展示低电压台区的数量，并结合地图展示各低电压台区的分布，可钻取进入单台区设备全景，从设备台帐、电压和电流实时曲线、低电压投诉、上游电源线路电压曲线及运维情况等维度进行展示，其次，诊断功能主要从低电压要因、低电压发生时段、发生区域对台区低电压相关性分析出的因素进行展示，最后，优先级功能构建治理优先级评分模型，对低电压台区治理优先级进行评分排序，有利于工作人员合理安排。
80.根据获取的配电台区低电压诊断结果，如表1、表2以及表3所示。
81.表1配电台区低电压的严重程度
[0082][0083]
表2配电台区低电压的紧急程度
[0084][0085]
表3配电台区低电压的综合评分
[0086]
[0087][0088]
本发明通过对初始数据进行预处理，具体包括数据规范性处理、剔除异常数据处理以及数据相关性分析，提高了诊断数据的准确度，对预处理后的数据进行进一步数据评估，找出相关性的重要因素，进而对于构建的数据模型进行有效的数据诊断，便于工作人员及时的采取相应的措施。
[0089]
请参阅图2，本发明另一实施例提供一种配电台区低电压诊断装置，包括：
[0090]
预处理模块11，用于获取配电台区低电压初始分析数据，遍历所述初始分析数据并进行预处理获取分析数据并构造特征标签数据集；其中，所述预处理包括数据规范性处理、剔除异常数据处理以及数据相关性分析。
[0091]
模型构造模块12，用于采用随机森林算法对根据所述特征标签数据集确定的机器学习模型进行训练，并采用低电压诊断模型对所述机器学习模型进行调优，获取数据模型。
[0092]
计算模块13，用于将所述分析数据输入所述数据模型进行分布式计算，获取时序数据并采用分布式进行存储，其中，所述时序数据包括低电压要因数据和时段范围数据。
[0093]
判定模块14，用于结合预设的诊断规则与分布式存储的所述时序数据确定配电台区低电压诊断结果，其中，所述诊断结果包括配电台区低电压的严重程度等级、紧急程度等级以及配变负载率。
[0094]
关于配电台区低电压诊断装置的具体限定可以参见上文中对于配电台区低电压诊断方法的限定，在此不再赘述。上述配电台区低电压诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0095]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。