中压配电网多源多维停电预警与应对策略生成方法及系统

1.本发明属于电力设备智能运维技术领域，具体涉及中压配电网多源多维停电预警与应对策略生成方法及系统。


背景技术：

2.配电网直接面向多元用户，是支撑新基建发展的主要基础设施。可靠性精益管控非常重要，是先进运维技术发挥作用的基础支撑。
3.现有技术中，配电网供电可靠性业务提升、精益化管控方面仍面临如下挑战：1)如何有效利用海量信息开展可靠性管理；2)如何反映用户对可靠性的差异化需求，实现精益管理；3)如何多维度实现供电可靠性的提升并降低投入成本是需要解决的重要问题；4)如何开发可靠性精益管控辅助系统，将研究成果转化为基层供电企业开展可靠性管理的工具手段。
4.因此，需要对中压配电网多源多维停电预警及应对策略智能生成方法进行研究。


技术实现要素：

5.为解决现有技术中存在的不足，本发明的目的在于，提供一种中压配电网多源多维停电预警及应对策略生成方法及系统，实现中压配电网运行态势分析，态势感知结果强化，问题隐患输出，停电风险预警输出与应对策略智能生成，对实现供电可靠性的提升具有实际意义。
6.本发明采用如下的技术方案。
7.中压配电网多源多维停电预警与应对策略生成方法，包括：
8.步骤1，采集生产管理数据、配电网运行管理数据、电网资产管理数据、供电服务指挥数据，以这些数据构成配电网多源数据集；
9.步骤2，基于统计学方法，分别采集配电网在线监测数据构成配电网在线数据集，采集配电网历史故障分析数据和历史检测数据构成配电网历史故障数据集；基于数据融合方法，以配电网在线数据集和历史故障数据集构成配电网全景数据集；
10.步骤3，基于机器学习方法，从配电网多源数据集中提取运行特征，从配电网全景数据集中提取故障特征；
11.步骤4，基于相关性分析法，构建运行特征与故障特征的相关性模型；以相关性最大为优化目标，以运行特征与故障特征的协方差和标准差为约束条件，对相关性模型进行求解；以求得的最优解构成运行特征与故障特征的融合因子；利用融合因子，对运行特征与故障特征进行数据融合，得到预警特征；
12.步骤5，基于平行网络结构，对预警特征进行聚类；得到的聚类中心定义为配电网停电隐患类型标签，其中，每个停电隐患类型标签对应一个停电隐患事件；
13.步骤6，利用停电隐患类型标签，从电网异常状态防治的知识图谱库中获取预警阈值；将停电隐患事件中的关键参量与预警阈值进行比较，当关键参量大于预警阈值时，将停
电隐患事件作为停电预警事件进行输出；
14.步骤7，依据运维安全性指标，确定停电预警事件的危险等级，对不同危险等级的停电预警事件制定应对策略。
15.优选地，步骤1中，生产管理数据包括：数据台账，年限；
16.配电网运行管理数据包括：电压监测值，电流监测值，温度监测值；
17.电网资产管理数据包括：生产厂家，招标批次；
18.供电服务指挥数据包括：抢修记录，线路历史停电信息。
19.优选地，步骤2中，配电网全景数据集的构成过程，包括：
20.步骤2.1，基于动态时间规整方法，确定配电网在线数据集和配电网历史故障数据集进行数据融合的各时间参考点；其中，动态时间规整法获得的最短路径上的各数据点对应的时间，作为时间参考点；
21.步骤2.2，计算每个时间参考点对应的配电网在线数据和配电网历史故障数据的距离平均值和距离最大值和距离最小值；
22.步骤2.3，利用距离平均值对应的配电网在线数据和配电网历史故障数据，分别替换距离最大值对应的配电网在线数据和配电网历史故障数据，和距离最小值对应的配电网在线数据和配电网历史故障数据；
23.步骤2.4，当距离最大值与距离平均值差的绝对值e1和距离最小值与距离平均值差的绝对值e2的和，大于预设限值ε时，重复步骤2.2和2.3进行迭代；反之，当e1与e2的和小于预设限值ε时，则停止迭代，以当前所得的配电网在线数据和配电网历史故障数据，构成配电网全景数据集；其中，配电网全景数据集中，每个时间参考点对应一组配电网在线数据和配电网历史故障数据。
24.优选地，步骤3包括：
25.步骤3.1，基于词库扩展法，从配电网多源数据集中提取运行文字特征，从配电网全景数据集中提取故障文字特征；
26.步骤3.2，根据运行文字特征从配电网多源数据集中提取对应的运行数据特征，根据故障文字特征从配电网全景数据集中提取故障数据特征；
27.步骤3.3，利用运行文字特征和运行数据特征构成运行特征，利用故障文字特征和故障数据特征构成故障特征。
28.优选地，步骤3.1包括：
29.步骤3.1.1，根据电力专用词库，对配电网多源数据和全景数据中的每个单词均建立与电力专用词库的映射关系；
30.步骤3.1.2，根据映射关系，为多源数据和全景数据中的每个单词赋予一个特征值，以特征值分别组成多源数据特征向量和全景数据特征向量；
31.步骤3.1.3，对每个多源数据特征向量和全景数据特征向量中特征值的出现频率进行统计；
32.步骤3.1.4，在同一多源数据特征向量或同一全景数据特征向量中，对出现频率最大值f
max
对应的特征值赋予权重为1；其余特征值的权重根据特征值的出现频率fi与出现频率最大值f
max
的比值进行确定，满足如下关系式：
[0033][0034]
步骤3.1.5，利用权重向量分别对所对应的多源数据特征向量和全景数据特征向量进行加权更新，得到运行文字特征和故障文字特征。
[0035]
优选地，步骤3.2包括：
[0036]
步骤3.2.1，求取任一多源数据特征向量或全景数据特征向量，对于的权重向量的权重平均值
[0037]
步骤3.2.2，根据大于权重平均值的各权重对应的特征值从电力专用词库中反向映射得到对应的单词
[0038]
步骤3.2.3，分别从配电网多源数据集和全景数据集中，分别获取运行单词所在句子中的运行数据故障单词所在句子中的故障数据
[0039]
步骤3.2.4，根据运行文字特征中运行单词的排列顺序，将对应的运行数据排列为运行数据特征；根据故障文字特征中故障单词的排列顺序，将对应的故障数据排列为故障数据特征。
[0040]
优选地，步骤3.3还包括：任一运行文字特征与其对应运行数据特征进行向量合并时，将运行文字特征中的运行单词与运行数据特征中的运行数据组成特征对；任一故障文字特征与其对应故障数据特征进行向量合并时，将故障文字特征中的故障单词与故障数据特征中的故障数据组成特征对。
[0041]
优选地，步骤4包括：
[0042]
步骤4.1，为运行特征r定义第一线性相关向量为故障特征f定义第二线性相关向量并且满足如下关系式：
[0043][0044]
步骤4.2，以第一线性相关向量与第二线性相关向量之间相关性最大为优化目标，以第一线性相关向量最优元素a
best
与第二线性相关向量最优元素b
best
的协方差和标准差为约束条件，获得运行特征与故障特征的相关性模型，满足如下关系式：
[0045][0046][0047]
式中，
[0048]
cov(aj,bj)为第一线性相关向量第j个元素aj与第二线性相关向量第j个元素bj的协方差，
[0049]
和分别为第一线性相关向量第j个元素aj的标准差和第二线性相关向量第j个元素bj的的标准差，
[0050]
cov(a
best
,b
best
)为第一线性相关向量最优元素a
best
与第二线性相关向量最优元素b
best
的协方差，
[0051]
和分别为第一线性相关向量最优元素a
best
的标准差和第二线性相关向量最优元素b
best
的标准差；
[0052]
步骤4.3，对运行特征与故障特征的相关性模型求解，得到第一线性相关向量和第二线性相关向量并利用第一线性相关向量和第二线性相关向量作为融合因子；
[0053]
步骤4.4，利用融合因子，以如下关系式对运行特征和故障特征进行数据融合：
[0054][0055]
式中，c表示由运行特征和故障特征进行数据融合得到的预警特征。
[0056]
优选地，步骤5包括：
[0057]
步骤5.1，将预警特征c随机划分为第一测试集和第二测试集；
[0058]
步骤5.2，构建平行聚类网络；平行聚类网络包括第一聚类网络和第二聚类网络；第一聚类网络和第二聚类网络均采用k-means聚类算法，并且网络结构相同，但网络初始参数不同；
[0059]
步骤5.3，将第一测试集作为第一聚类网络的输入数据，进行聚类，得到第一次聚类结果；将第二测试集作为第一聚类网络的输入数据，进行聚类，得到第二次聚类结果；以第一次聚类结果中各聚类中心和第二次聚类结果中各聚类中心的距离平均值，监督第二聚类网络的网络参数进行调整；
[0060]
步骤5.4，将第二测试集作为网络参数调整后的第二聚类网络的输入数据，进行聚类，得到第三次聚类结果；将第一测试集作为网络参数调整后的第二聚类网络的输入数据，进行聚类，得到第四次聚类结果；以第三次聚类结果中各聚类中心和第四次聚类结果中各聚类中心的平均值，监督第一聚类网络的网络参数进行调整；
[0061]
步骤5.5，若网络参数调整后的第一聚类网络输出的各聚类中心与网络参数调整后的第二聚类网络输出的各聚类中心之间的距离平均值小于0.1，则完成平行聚类网络的训练，以训练好的平行聚类网络对预警特征进行聚类；否则，重复步骤5.3和5.4。
[0062]
优选地，步骤6中，预警阈值包括：电气参数预警阈值和非电参数预警阈值；其中，电气参数预警阈值包括：电场强度阈值；非电参数预警阈值包括：环境湿度阈值；
[0063]
关键参量包括：电气参量和非电参量；其中，电气参量包括电场强度，非电参量包括：环境湿度。
[0064]
优选地，步骤7中，运维安全性指标包括：第一级安全性指标，第二级安全性指标，第三级安全性指标；其中，
[0065]
第一级安全性指标是指，配电网在扰动下保持稳定运行和电网正常供电；
[0066]
第二级安全性指标是指，配电网在扰动下保持稳定运行，但损失部分负荷；
[0067]
第三级安全性指标是指，配电网系统不能保持稳定运行，存在配电网系统崩溃并损失大量负荷；
[0068]
当停电预警事件的后果达到第三级安全性指标时，定义该停电预警事件危险等级为三级，制定针对性检修预案和停电计划预案；
[0069]
当停电预警事件的后果达到第二级安全性指标时，定义该停电预警事件危险等级为二级，制定配电运维检修预案和春节优先检修预案；
[0070]
当停电预警事件的后果达到第一级安全性指标时，定义该停电预警事件危险等级为一级，制定秋季优先检修预案。
[0071]
中压配电网多源多维停电预警与应对策略生成系统，包括：配电网多源数据模块，配电网在线数据模块、预警特征分析模块、预警态势分析模块、停电预警模块、应对策略生成模块；
[0072]
配电网多源数据模块，用于采集生产管理数据、配电网电缆运行管理数据、电网资产管理数据、供电服务指挥数据，以这些数据构成配电网多源数据集；还用于基于统计学方法，分别采集配电网在线监测数据构成配电网在线数据集，采集配电网历史故障分析数据和历史检测数据构成配电网历史故障数据集；基于数据融合方法，以配电网在线数据集和历史故障数据集构成配电网全景数据集；
[0073]
配电网在线数据模块，用于基于机器学习方法，从配电网多源数据集中提取运行特征，从配电网全景数据集中提取故障特征；
[0074]
预警特征分析模块，用于基于相关性分析法，构建运行特征与故障特征的相关性模型；以相关性最大为优化目标，以运行特征与故障特征的协方差和标准差为约束条件，对相关性模型进行求解；以求得的最优解构成运行特征与故障特征的融合因子；利用融合因子，对运行特征与故障特征进行数据融合，得到预警特征；
[0075]
预警态势分析模块，用于基于平行网络结构，对预警特征进行聚类；得到的聚类中心定义为配电网停电隐患类型标签，其中，每个停电隐患类型标签对应一个停电隐患事件；
[0076]
停电预警模块，用于利用停电隐患类型标签，从电网异常状态防治的知识图谱库中获取预警阈值；将停电隐患事件中的关键参量与预警阈值进行比较，当关键参量大于预警阈值时，将停电隐患事件作为停电预警事件进行输出；
[0077]
应对策略生成模块，用于依据运维安全性指标，确定停电预警事件的危险等级，对不同危险等级的停电预警事件制定应对策略。
[0078]
本发明的有益效果在于，与现有技术相比，有效利用多源、多维度的离线、在线、历史数据开展配电网的安全运行的可靠性管理，使用的数据涉及范围广，使得管理能力显著提升；以人工智能手段，从多源多维数据中剔除噪声信号的干扰，在实现数据的时间、空间、来源等多方面的校准后，避免数据差异化带来的管理漏洞，从而有针对性的实现满足用户可靠性差异化需求的管理，实现了精细化管控；基于无监督的机器学习手段，剔除伪标签的影响，为特征数据进行更接近真实数据的标签化，实现在各种场景下的不同用户的电力画像技术，准确而可靠的数据标签是实现用户可靠性管理的基础，更是停电预警的重要评判标准，能够有效避免不必要的停电事件发生，从而在降低运维管理成本时，进一步为电网运行收获经济效益和社会效益；本发明提出的方法和系统，能够成为电力系统可靠性精益管控的辅助系统，通过研究成果的转化，能够为基层供电企业开展可靠性管理提供有力的工具手段。
附图说明
[0079]
图1是本发明一种中压配电网多源多维停电预警及应对策略生成方法的步骤框
图。
具体实施方式
[0080]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0081]
如图1，中压配电网多源多维停电预警与应对策略生成方法，包括步骤1至7。
[0082]
步骤1，采集生产管理数据、配电网运行管理数据、电网资产管理数据、供电服务指挥数据，以这些数据构成配电网多源数据集。
[0083]
具体地，步骤1中，生产管理数据包括但不限于：数据台账，年限；
[0084]
配电网运行管理数据包括但不限于：电压监测值，电流监测值，温度监测值；
[0085]
电网资产管理数据包括但不限于：生产厂家，招标批次；
[0086]
供电服务指挥数据包括但不限于：抢修记录，线路历史停电信息。
[0087]
值得注意的是，本发明优选实施例中，从各系统内提取的数据是一种非限制性的较优选择，本领域技术人员可以根据配电网运行状态和运维需求，选择不同的数据组成配电网多源数据集。
[0088]
步骤2，基于统计学方法，分别采集配电网在线监测数据构成配电网在线数据集，采集配电网历史故障分析数据和历史检测数据构成配电网历史故障数据集；基于数据融合方法，以配电网在线数据集和历史故障数据集构成配电网全景数据集。
[0089]
具体地，步骤2中，配电网全景数据集的构成过程，包括：
[0090]
步骤2.1，基于动态时间规整方法，确定配电网在线数据集和配电网历史故障数据集进行数据融合的各时间参考点；其中，动态时间规整法获得的最短路径上的各数据点对应的时间，作为时间参考点；
[0091]
由于采集的数据来自于不同的传感器，鉴于传感器自身规格、所处环境以及人为等各方面的因素，采集的数据在通信过程和量测过程中会出现时间不一、空间不一以及来源目标不一的情况，因此需要对这些数据进行校准。本发明优选实施例中，采用动态时间规整法，将时间长度存在差异的两组数据进行基于时间参考点的对齐处理，以剔除时间不对应因素对数据的影响。
[0092]
步骤2.2，计算每个时间参考点对应的配电网在线数据和配电网历史故障数据的距离平均值和距离最大值和距离最小值；
[0093]
步骤2.3，利用距离平均值对应的配电网在线数据和配电网历史故障数据，分别替换距离最大值对应的配电网在线数据和配电网历史故障数据，和距离最小值对应的配电网在线数据和配电网历史故障数据；
[0094]
步骤2.4，当距离最大值与距离平均值差的绝对值e1和距离最小值与距离平均值差的绝对值e2的和，大于预设限值ε时，重复步骤2.2和2.3进行迭代；反之，当e1与e2的和小于预设限值ε时，则停止迭代，以当前所得的配电网在线数据和配电网历史故障数据，构成配电网全景数据集；其中，配电网全景数据集中，每个时间参考点对应一组配电网在线数据和配电网历史故障数据。
[0095]
本发明优选实施例中，为克服不同传感器采集的数据之间的测量误差，剔除偏离真实值的数据，使用距离平均值迭代更新距离最大值和距离最小值，即以与真实值最接近
的数据替代与偏离真实值最远的值，以减小误差；同时还替代与真实值距离过近的值，使得保留的数据具有普遍性。
[0096]
步骤3，基于机器学习方法，从配电网多源数据集中提取运行特征，从配电网全景数据集中提取故障特征。
[0097]
具体地，步骤3包括：
[0098]
步骤3.1，基于词库扩展法，从配电网多源数据集中提取运行文字特征，从配电网全景数据集中提取故障文字特征。
[0099]
优选地，步骤3.1包括：
[0100]
步骤3.1.1，根据电力专用词库，对配电网多源数据和全景数据中的每个单词均建立与电力专用词库的映射关系；
[0101]
步骤3.1.2，根据映射关系，为多源数据和全景数据中的每个单词赋予一个特征值，以特征值分别组成多源数据特征向量和全景数据特征向量；
[0102]
步骤3.1.3，对每个多源数据特征向量和全景数据特征向量中特征值的出现频率进行统计；
[0103]
步骤3.1.4，在同一多源数据特征向量或同一全景数据特征向量中，对出现频率最大值f
max
对应的特征值赋予权重为1；其余特征值的权重根据特征值的出现频率fi与出现频率最大值f
max
的比值进行确定，满足如下关系式：
[0104][0105]
步骤3.1.5，利用权重向量分别对所对应的多源数据特征向量和全景数据特征向量进行加权更新，得到运行文字特征和故障文字特征。
[0106]
步骤3.2，根据运行文字特征从配电网多源数据集中提取对应的运行数据特征，根据故障文字特征从配电网全景数据集中提取故障数据特征；
[0107]
优选地，步骤3.2包括：
[0108]
步骤3.2.1，求取任一多源数据特征向量或全景数据特征向量，对于的权重向量的权重平均值
[0109]
步骤3.2.2，根据大于权重平均值的各权重对应的特征值从电力专用词库中反向映射得到对应的单词
[0110]
步骤3.2.3，分别从配电网多源数据集和全景数据集中，分别获取运行单词所在句子中的运行数据故障单词所在句子中的故障数据
[0111]
步骤3.2.4，根据运行文字特征中运行单词的排列顺序，将对应的运行数据排列为运行数据特征；根据故障文字特征中故障单词的排列顺序，将对应的故障数据排列为故障数据特征。
[0112]
步骤3.3，利用运行文字特征和运行数据特征构成运行特征，利用故障文字特征和故障数据特征构成故障特征。
[0113]
优选地，步骤3.3还包括：任一运行文字特征与其对应运行数据特征进行向量合并
时，将运行文字特征中的运行单词与运行数据特征中的运行数据组成特征对；任一故障文字特征与其对应故障数据特征进行向量合并时，将故障文字特征中的故障单词与故障数据特征中的故障数据组成特征对。
[0114]
步骤4，基于相关性分析法，构建运行特征与故障特征的相关性模型；以相关性最大为优化目标，以运行特征与故障特征的协方差和标准差为约束条件，对相关性模型进行求解；以求得的最优解构成运行特征与故障特征的融合因子；利用融合因子，对运行特征与故障特征进行数据融合，得到预警特征。
[0115]
具体地，步骤4包括：
[0116]
步骤4.1，为运行特征r定义第一线性相关向量为故障特征f定义第二线性相关向量并且满足如下关系式：
[0117][0118]
步骤4.2，以第一线性相关向量与第二线性相关向量之间相关性最大为优化目标，以第一线性相关向量最优元素a
best
与第二线性相关向量最优元素b
best
的协方差和标准差为约束条件，获得运行特征与故障特征的相关性模型，满足如下关系式：
[0119][0120][0121]
式中，
[0122]
cov(aj,bj)为第一线性相关向量第j个元素aj与第二线性相关向量第j个元素bj的协方差，
[0123]
和分别为第一线性相关向量第j个元素aj的标准差和第二线性相关向量第j个元素bj的的标准差，
[0124]
cov(a
best
,b
best
)为第一线性相关向量最优元素a
best
与第二线性相关向量最优元素b
best
的协方差，
[0125]
和分别为第一线性相关向量最优元素a
best
的标准差和第二线性相关向量最优元素b
best
的标准差；
[0126]
步骤4.3，对运行特征与故障特征的相关性模型求解，得到第一线性相关向量和第二线性相关向量并利用第一线性相关向量和第二线性相关向量作为融合因子；
[0127]
步骤4.4，利用融合因子，以如下关系式对运行特征和故障特征进行数据融合：
[0128][0129]
式中，c表示由运行特征和故障特征进行数据融合得到的预警特征。
[0130]
通过数据融合得到的预警特征，蕴含着多模态数据的特征，因此与任一模态下的特征相比，基于预警特征进行用户画像获得预警分类的数据标签，能够达到更加准确的分类效果。
[0131]
步骤5，基于平行网络结构，对预警特征进行聚类；得到的聚类中心定义为配电网停电隐患类型标签，其中，每个停电隐患类型标签对应一个停电隐患事件。
[0132]
具体地，步骤5包括：
[0133]
步骤5.1，将预警特征c随机划分为第一测试集和第二测试集；
[0134]
步骤5.2，构建平行聚类网络；平行聚类网络包括第一聚类网络和第二聚类网络；第一聚类网络和第二聚类网络均采用k-means聚类算法，并且网络结构相同，但网络初始参数不同；
[0135]
步骤5.3，将第一测试集作为第一聚类网络的输入数据，进行聚类，得到第一次聚类结果；将第二测试集作为第一聚类网络的输入数据，进行聚类，得到第二次聚类结果；以第一次聚类结果中各聚类中心和第二次聚类结果中各聚类中心的距离平均值，监督第二聚类网络的网络参数进行调整；
[0136]
步骤5.4，将第二测试集作为网络参数调整后的第二聚类网络的输入数据，进行聚类，得到第三次聚类结果；将第一测试集作为网络参数调整后的第二聚类网络的输入数据，进行聚类，得到第四次聚类结果；以第三次聚类结果中各聚类中心和第四次聚类结果中各聚类中心的平均值，监督第一聚类网络的网络参数进行调整；
[0137]
步骤5.5，若网络参数调整后的第一聚类网络输出的各聚类中心与网络参数调整后的第二聚类网络输出的各聚类中心之间的距离平均值小于0.1，则完成平行聚类网络的训练，以训练好的平行聚类网络对预警特征进行聚类；否则，重复步骤5.3和5.4。
[0138]
本发明优选实施例中，平行聚类网络可以看作对网络过去的参数进行平均，两个经过“平均”后的聚类网络，由于具有时间上的累积，解耦性更强，输出更加独立，还利用各聚类网络输出的互补性来优化彼此。在测试时，也可以只使用其中一个训练好的聚类网络进行测试，不会增加测试时的计算复杂度。
[0139]
步骤6，利用停电隐患类型标签，从电网异常状态防治的知识图谱库中获取预警阈值；将停电隐患事件中的关键参量与预警阈值进行比较，当关键参量大于预警阈值时，将停电隐患事件作为停电预警事件进行输出；
[0140]
具体地，步骤6中，预警阈值包括：电气参数预警阈值和非电参数预警阈值；其中，电气参数预警阈值包括：电场强度阈值；非电参数预警阈值包括：环境湿度阈值；
[0141]
关键参量包括：电气参量和非电参量；其中，电气参量包括电场强度，非电参量包括：环境湿度。
[0142]
值得注意的是，本发明优选实施例中，电气参数预警阈值和非电参数预警阈值、电气参量和非电参量的选择是一种非限制性的较优选择，因为在配电网中放电和噪声干扰事件是配电网运维人员的关注重点之一，而电场强度和环境湿度这两个物理量与放电和噪声干扰事件关系最为密切，当采集的电场强度大于30kv/cm，同时环境湿度达到90％时，就发生放电及噪声干扰。
[0143]
步骤7，依据运维安全性指标，确定停电预警事件的危险等级，对不同危险等级的停电预警事件制定应对策略。
[0144]
具体地，步骤7中，运维安全性指标包括：第一级安全性指标，第二级安全性指标，第三级安全性指标；其中，
[0145]
第一级安全性指标是指，配电网在扰动下保持稳定运行和电网正常供电；
[0146]
第二级安全性指标是指，配电网在扰动下保持稳定运行，但损失部分负荷；
[0147]
第三级安全性指标是指，配电网系统不能保持稳定运行，存在配电网系统崩溃并损失大量负荷；
[0148]
当停电预警事件的后果达到第三级安全性指标时，定义该停电预警事件危险等级为三级，制定针对性检修预案和停电计划预案；
[0149]
当停电预警事件的后果达到第二级安全性指标时，定义该停电预警事件危险等级为二级，制定配电运维检修预案和春节优先检修预案；
[0150]
当停电预警事件的后果达到第一级安全性指标时，定义该停电预警事件危险等级为一级，制定秋季优先检修预案。
[0151]
中压配电网多源多维停电预警与应对策略生成系统，包括：配电网多源数据模块，配电网在线数据模块、预警特征分析模块、预警态势分析模块、停电预警模块、应对策略生成模块；
[0152]
配电网多源数据模块，用于采集生产管理数据、配电网电缆运行管理数据、电网资产管理数据、供电服务指挥数据，以这些数据构成配电网多源数据集；还用于基于统计学方法，分别采集配电网在线监测数据构成配电网在线数据集，采集配电网历史故障分析数据和历史检测数据构成配电网历史故障数据集；基于数据融合方法，以配电网在线数据集和历史故障数据集构成配电网全景数据集；
[0153]
配电网在线数据模块，用于基于机器学习方法，从配电网多源数据集中提取运行特征，从配电网全景数据集中提取故障特征；
[0154]
预警特征分析模块，用于基于相关性分析法，构建运行特征与故障特征的相关性模型；以相关性最大为优化目标，以运行特征与故障特征的协方差和标准差为约束条件，对相关性模型进行求解；以求得的最优解构成运行特征与故障特征的融合因子；利用融合因子，对运行特征与故障特征进行数据融合，得到预警特征；
[0155]
预警态势分析模块，用于基于平行网络结构，对预警特征进行聚类；得到的聚类中心定义为配电网停电隐患类型标签，其中，每个停电隐患类型标签对应一个停电隐患事件；
[0156]
停电预警模块，用于利用停电隐患类型标签，从电网异常状态防治的知识图谱库中获取预警阈值；将停电隐患事件中的关键参量与预警阈值进行比较，当关键参量大于预警阈值时，将停电隐患事件作为停电预警事件进行输出；
[0157]
应对策略生成模块，用于依据运维安全性指标，确定停电预警事件的危险等级，对不同危险等级的停电预警事件制定应对策略。
[0158]
本发明的有益效果在于，与现有技术相比，可以利用多源、多维度的离线、在线、历史数据，采用人工智能等手段清楚的掌握配网运行存在的问题，并提供针对性强的运维策略。
[0159]
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限定，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。