基于多源异构数据融合的配电网停电范围识别方法

技术领域

本发明属于配电网故障识别技术领域，具体涉及了一种基于多源异构数据融合的配电网停电范围识别方法、系统。

背景技术

随着社会的发展和科技的进步，人们对电能的需求日益增长，电力供应的安全性和稳定性也变得越来越重要。然而，由于各种原因，配电网有时会发生停电现象。在这种情况下，准确识别和定位停电范围对于及时恢复电力供应以及防止更大规模的停电事故具有重要意义。

传统的方法通常依赖于人工现场检查和报告，这种方法效率低下且易出错。此外，当停电区域较大或分散时，这种手动识别方法将变得非常困难。

近年来，随着信息技术的发展，许多现代方法被用来识别和定位停电范围。这些方法通常涉及使用传感器和数据采集设备监控电网的状态，然后使用计算机算法对收集到的数据进行处理和分析，从而确定受影响的区域。例如“CN113722311A_一种配电网停电范围定位方法、系统、设备及介质”。

尽管有许多现有方法可用于识别和定位停电范围，但它们的精确度和可靠性仍有待提高。基于此，本发明提出一种基于多源异构数据融合的配电网停电范围识别方法，可以快速且准确的确定配电网的停电范围。

发明内容

为了解决现有技术中的上述问题，即现有的停电范围识别方法识别精度以及效率较低的问题，本发明的第一方面，提供了一种基于多源异构数据融合的配电网停电范围识别方法，包括：

步骤S10，采集多源异构数据，作为输入数据；所述多源异构数据包括配电网时间序列数据、配电网数据与用户侧网络设备数据相结合的数据、天气数据、负荷数据；所述配电网时间序列数据包括不同时间配电网各个节点的电流、电压、功率；所述用户侧网络设备数据包括网络设备的握手数据、心跳数据；用户侧网络设备包括机顶盒、路由器；

步骤S20，对所述输入数据进行预处理，得到预处理数据；

步骤S30，将所述预处理数据输入训练好的多源数据融合模型，得到配电网停电范围的预测结果；所述预测结果包括节点停电概率；

步骤S40，将所述预测结果与预构建的配电网拓扑结构模型匹配，得到配电网的停电范围的识别结果；

其中，所述多源数据融合模型基于多输入的神经网络构建。

在一些优选的实施例中，所述预处理包括数据清洗、归一化。

在一些优选的实施例中，所述神经网络包括输入层、隐藏层、输出层；

所述隐藏层的处理过程为：通过激活函数对融合数据进行激活处理；

所述输入数据中不同类的子数据与其对应的权重参数相乘后并相加，将相加后的数据与偏置项求和，作为融合数据。

在一些优选的实施例中，将所述预测结果与预构建的配电网拓扑结构模型匹配，得到配电网的停电范围的识别结果，其方法为：

根据所述预测结果，获取配电网中不同节点的停电概率；

基于所述停电概率，结合所述预构建的配电网拓扑结构模型，确定受影响的节点及其相邻节点；根据所述受影响的节点及其相邻节点的负荷分布和/或有功功率和/或有功功率、无功功率，确定配电网的停电范围；

其中，根据所述受影响的节点及其相邻节点的负荷分布和/或有功功率和/或有功功率、无功功率，确定配电网的停电范围为：

在扩大停电范围的过程中，如果受影响节点的负荷分布超出了其容量限制或导致其他节点的负荷超载，停电范围将停止扩大；

和/或

当所述有功功率超出节点的容量限制或电压超出合理范围时，可以将该节点标记为受影响的节点，并停止扩大停电范围；

和/或

当所述有功功率或无功功率超出设定阈值、或节点的有功功率和无功功率变化趋于稳定，即节点的有功功率和无功功率变化处于设定变化范围内时，停止扩大停电范围。

在一些优选的实施例中，所述配电网拓扑结构模型中每个节点的负荷分布，其获取方法为：

负荷分布＝(负荷值-最小负荷)/(最大负荷-最小负荷)

或

其中，阻抗比例是考虑节点之间的电网拓扑关系和线路的阻抗参数。

在一些优选的实施例中，所述有功功率，其计算方法为：

P

其中，P

在一些优选的实施例中，所述有功功率，其计算方法为：

其中，P

在一些优选的实施例中，同时计算有功功率、无功功率，其方法为：

S

其中，P

在一些优选的实施例中，步骤S40之后还包括故障类型识别、通知与处理；

故障类型识别：基于所述配电网的停电范围的识别结果，获取停电范围内不同节点的特性与配电网的运行数据，获取不同节点的故障类型；所述特性包括节点的电压、电流；所述故障类型包括短路故障、过载故障；

通知与处理：根据所述配电网的停电范围的识别结果，及时向相关部门和用户发送停电通知。

本发明的第二方面，提出了一种基于多源异构数据融合的配电网停电范围识别系统，该系统包括：

数据采集模块，配置为采集多源异构数据，作为输入数据；所述多源异构数据包括配电网时间序列数据、配电网数据与用户侧网络设备数据相结合的数据、天气数据、负荷数据；所述配电网时间序列数据包括不同时间配电网各个节点的电流、电压、功率；所述用户侧网络设备数据包括网络设备的握手数据、心跳数据；用户侧网络设备包括机顶盒、路由器；

预处理模块，配置为对所述输入数据进行预处理，得到预处理数据；

范围预测模块，配置为将所述预处理数据输入训练好的多源数据融合模型，得到配电网停电范围的预测结果；所述预测结果包括节点停电概率；

匹配模块，配置为将所述预测结果与预构建的配电网拓扑结构模型匹配，得到配电网的停电范围的识别结果。

本发明的有益效果：

本发明提高了停电范围识别精度以及效率。

1)本发明通过多输入的神经网络进行数据的融合，使用多源数据来更新神经网络的参数，以使模型能够更好地利用多种数据源的信息。这样的多输入神经网络结构可以帮助模型更好地处理多源数据融合的问题，提高停电范围识别的效果。

2)传统的停电范围识别方法中，通常使用深度优先搜索或广度优先搜索算法来逐步扩大停电范围。然而，这些方法可能会导致不必要的扩大，因为它们仅考虑拓扑结构而忽略了节点的电压和负荷情况；本申请考虑节点的有功功率和电压以及负荷分布，当有功功率超出节点的容量限制或电压超出合理范围时，可以将该节点标记为受影响的节点，并停止扩大停电范围。保证系统的稳定运行和可靠性，避免对其他节点造成进一步的影响和损害。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本发明一种实施例的基于多源异构数据融合的配电网停电范围识别方法的流程示意图；

图2是本发明一种实施例的基于多源异构数据融合的配电网停电范围识别系统的框架流程示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本发明第一实施例的一种基于多源异构数据融合的配电网停电范围识别方法，如图1所示，包括：

步骤S10，采集多源异构数据，作为输入数据；所述多源异构数据包括配电网时间序列数据、配电网数据与用户侧网络设备数据相结合的数据、天气数据、负荷数据；所述配电网时间序列数据包括不同时间配电网各个节点的电流、电压、功率；所述用户侧网络设备数据包括网络设备的握手数据、心跳数据；用户侧网络设备包括机顶盒、路由器；

步骤S20，对所述输入数据进行预处理，得到预处理数据；

步骤S30，将所述预处理数据输入训练好的多源数据融合模型，得到配电网停电范围的预测结果；所述预测结果包括节点停电概率；

步骤S40，将所述预测结果与预构建的配电网拓扑结构模型匹配，得到配电网的停电范围的识别结果；

其中，所述多源数据融合模型基于多输入的神经网络构建。

为了更清晰地对本发明基于多源异构数据融合的配电网停电范围识别方法进行说明，下面结合图对本发明方法实施例中各步骤展开详述。

本发明基于多源户网数据映射关系的配电网拓扑动态识别技术研究，研究如何基于时间同步，构建多源数据与中低压配电网拓扑识别对应模型、研究如何对上述构建的多源数据融合的中低压配电网拓扑识别模型正确性校验、以及研究如何基于停电感知、拓扑识别结果，利用人工智能技术，实现对配电网主动巡检的辅助决策。方案为：先进行多源异构数据的采集，采集后进行数据预处理，预处理后将采集到的多源异构数据进行融合处理，利用数据融合算法将各种数据进行整合和分析，以获得更加全面和准确的配电网状态信息；通过对融合后的数据进行分析和处理，利用配电网拓扑结构和负荷分布等信息，结合故障数据进行停电范围的识别，确定受影响的节点和线路范围，一旦确定了停电范围，系统可以及时向相关部门和用户发送停电通知，同时配电网管理人员可以根据停电范围制定相应的应急处理方案。具体如下：

步骤S10，采集多源异构数据，作为输入数据；所述多源异构数据包括配电网时间序列数据、配电网数据与用户侧网络设备数据相结合的数据、天气数据、负荷数据；所述配电网时间序列数据包括不同时间配电网各个节点的电流、电压、功率；所述用户侧网络设备数据包括网络设备的握手数据、心跳数据；用户侧网络设备包括机顶盒、路由器；

在本实施例中，实现在不依赖电网自建智能终端、减少现场硬件智能化建设与改造投入的基础上，研究如何利用数字技术，收集已有的海量用户数字设备的停/复电信号等数据，与电网已有量测信息有效结合，挖掘多源数据价值，使用户侧数字设备数据与电网已有数据融合互补，提升配电网故障识别精准度，探索配电网运检的智能化、数字化技术发展路径。即本发明基于居民用户家中的网络设备(如机顶盒、路由器等)的相关运行数据(如握手数据、心跳数据等)与配电网已有设备状态数据等进行关联匹配(即获取配电网数据与用户侧网络设备数据相结合的数据)，开展运行状态关联性、时空对应关系等分析。除此之外，采集的数据还包括配电网各个节点的电流、电压、功率等实时数据，以及用户报修信息、故障报警信息等多源数据。

步骤S20，对所述输入数据进行预处理，得到预处理数据；

在本实施例中，在将数据输入训练好的多源数据融合模型前，先对输入数据进行预处理，预处理包括数据清洗、归一化等。这样有助于提高数据质量，进而提升模型的性能。

步骤S30，将所述预处理数据输入训练好的多源数据融合模型，得到配电网停电范围的预测结果；所述预测结果包括节点停电概率；

在数据融合阶段，需要将采集到的多种数据进行整合和分析，以获得更加全面和准确的配电网状态信息。

数据融合的方法一般可以分为基于模型的方法和基于数据的方法两种。基于模型的方法需要事先建立配电网的模型，然后将采集到的实时数据与模型进行匹配和比对，以获得更加准确的配电网状态信息。基于数据的方法则是直接对采集到的实时数据进行分析和处理，以获得配电网的状态信息。

常规的，使用深度学习方法：通过利用深度学习算法，可以将多源异构数据进行有效的融合，以提高配电网停电范围的识别精度。例如，可以利用卷积神经网络对电流、电压等数据进行分析和处理，以获得更加准确的故障节点和停电范围信息。

在配电网停电范围识别中，深度学习方法可以用来对多源异构数据进行融合和处理，以提高停电范围的识别精度。具体地：

可以使用卷积神经网络(Convolutional Neural Network，CNN)来进行数据融合和处理。CNN是一种特殊的神经网络结构，具有局部连接和权值共享的特点，适用于处理具有空间结构的数据，如图像数据。

在配电网停电范围识别中，可以将电流、电压等数据视为图像数据，其中每个节点的电流或电压值作为图像的像素值。然后，通过构建CNN模型，可以对这些图像数据进行分析和处理，以获得停电范围的识别结果。具体解释如下：

输入数据表示：假设有N个节点，在某个时间点下，每个节点的电流值可以表示为一个N维向量I＝[I

图像表示：将电流向量I进行重塑，形成一个N×1的矩阵，作为图像的灰度值矩阵。

卷积层：通过卷积操作，提取图像中的局部特征。卷积操作可以表示为：

Conv(I)＝f(W*I+b)(1)

其中，Conv(I)表示卷积操作的结果，W表示卷积核，*表示卷积操作，b表示偏置项，f表示激活函数。

池化层：通过池化操作，降低图像的维度，减少计算量。常用的池化操作是最大池化，可以表示为：

Pool(I)＝max(I) (2)

其中Pool(I)表示池化操作的结果，max表示取最大值。

全连接层：通过全连接操作，将卷积层和池化层的结果进行组合，得到最终的输出结果。全连接操作可以表示为：

FC(I)＝g(U*I+c)(3)

其中FC(I)表示全连接操作的结果，U表示权重矩阵，g表示激活函数，c表示偏置项。

通过以上的公式解释，可以看出，深度学习方法通过构建卷积神经网络，对电流、电压等数据进行卷积、池化和全连接操作，从而实现对停电范围的识别。这种方法可以充分利用多源异构数据的信息，提高识别精度和准确性。

但是还需要考虑多源数据融合：除了时间序列数据外，可能还有其他多源数据，如天气数据、负荷数据等，这些数据也会对停电范围的识别有影响。因此，可以考虑将多源数据融合到模型中，可以使用多输入的神经网络结构，同时考虑多种数据源的信息，提高停电范围识别的准确性。

基于此，在本实施例中，给出了一种改进方式：

多源数据融合是指将来自不同数据源的信息结合在一起，以提高模型的性能和准确性。在配电网停电范围识别中，可以将时间序列数据、天气数据、负荷数据等多种数据源融合到模型中，以更全面地理解系统状态，从而更准确地识别停电范围。

为了实现多源数据融合，可以使用多输入的神经网络结构，同时考虑多种数据源的信息。以下是一个简单的示例，结合公式讲解：

假设有配电网时间序列数据X(t)、天气数据W(t)和负荷数据L(t)，其中t表示时间。可以将这些数据源融合到一个多输入的神经网络中。假设使用一个包含输入层、隐藏层和输出层的神经网络结构。可以将时间序列数据、天气数据和负荷数据分别作为不同的输入，神经网络的输入层可以分别接收这些数据，并将它们融合到隐藏层中。

隐藏层的计算可以表示为：

h＝σ(W

其中，b表示偏置项，σ表示激活函数(如ReLU或Sigmoid)，W

通过这样的结构，神经网络可以同时考虑多种数据源的信息，并在隐藏层进行融合。这样的设计能够更全面地理解系统状态，提高停电范围识别的准确性。

在训练过程中，可以使用多源数据来更新神经网络的参数，以使模型能够更好地利用多种数据源的信息。这样的多输入神经网络结构可以帮助模型更好地处理多源数据融合的问题，提高停电范围识别的效果。

另外，神经网络的输出层可以被设计为用于识别停电范围。在训练过程中，神经网络将学习如何将多种数据源融合并将其映射到停电范围的预测结果上。这意味着神经网络的输出将提供停电范围的预测信息。停电范围的预测结果可以在输出层进行处理和解释，可能采用不同的输出激活函数和损失函数，以适应停电范围的识别任务。通过使用多输入神经网络结构，可以更全面地理解系统状态，并提高停电范围识别模型的准确性和性能。具体为：

输出结果分析：利用多输入神经网络结构得到的停电范围的预测结果，一般为一个概率分布，表示每个节点收到停电影响的可能性。即这些结果可以指示系统中哪些节点受到了影响，并且停电范围的预测结果可能会给出停电的节点和受影响的区域。例如，一个一个配电网，输出结果可能是一个包含每个节点的停电概率的向量，如[0.1,0.9,0.3,0.5,0.8]。

配电网拓扑模型的应用：将停电范围的预测结果与配电网的拓扑模型相结合。配电网拓扑模型描述了系统中各节点之间的连接关系，以及系统的整体结构。基于预测的停电范围，可以在拓扑模型中确定受影响的节点和相关区域(或相邻节点)。例如，如果节点3和节点5的停电概率高于0.5，那么可以确定这两个节点处于停电范围内。

故障节点确定：通过比对预测的停电范围和配电网拓扑模型，可以确定哪些节点处于停电范围内。这些节点即为故障节点。根据拓扑模型和停电概率结果，可以确定受影响的节点即为故障节点，进而基于步骤S40的方法确定停电范围。在上面的例子中，节点3和节点5将被确定为故障节点。

故障类型识别：根据停电范围内节点的特性和配电网的运行数据，可以进一步识别故障类型。例如，通过比对停电范围内节点的电压、电流等运行数据，可以判断是短路故障、过载故障等。例如，如果节点3和节点5的电流异常升高，可能表明这是一个过载故障；如果节点3和节点5之间的电压突然下降，可能表明这是一个短路故障。

总的来说，基于停电范围的预测结果和配电网拓扑模型，可以确定受影响的节点并识别故障类型。这样的方法可以帮助快速定位故障节点和故障类型，为后续的配电网维护和修复提供重要参考。具体详见下述步骤。

步骤S40，将所述预测结果与预构建的配电网拓扑结构模型匹配，得到配电网的停电范围的识别结果。

停电范围识别是一个重要的配电网故障处理任务，它可以帮助运营商更准确地识别受影响的节点和线路范围，从而更快速地进行故障修复和恢复供电。

在本实施例中，首先，需要通过故障检测系统或其他手段确定故障节点和故障类型。这可以通过监测电流、电压等参数，或者使用其他传感器技术来实现。例如，如果发生了一条线路的短路故障，那么故障节点就是这条线路的两个端点，故障类型是短路。

1、涉及故障节点和故障类型的识别，这是停电范围识别过程中的第一步

1.1监测和故障检测：

首先，利用配电网的监测设备，例如传感器、智能电表等，以实时监测电流、电压、频率和功率因数等参数。监测设备可以通过实时采集数据，并将这些数据传输到监测中心或数据分析系统。

1.2故障检测

监测中心或数据分析系统会对实时监测到的数据进行分析，以检测是否发生了故障。故障检测系统可以使用数据挖掘技术、人工智能技术或者规则检测等方法来实现。例如，可以通过分析电流和电压的波形数据，来检测是否存在短路、接地故障等。

1.3确定故障节点和故障类型

一旦故障被检测到，系统需要确定故障节点和故障类型。故障节点通常是指发生了故障的具体设备、线路或节点，而故障类型则是指故障的性质，例如短路、接地故障等。这可以通过分析监测到的异常数据，结合配电网拓扑结构信息，来确定故障节点和故障类型。

1.4通知运维人员：

一旦故障节点和故障类型被确定，监测中心会及时通知相关的运维人员，以便他们能够迅速做出反应，采取行动进行修复。

通过以上步骤，可以实现对故障节点和故障类型的准确识别，为后续的停电范围识别提供了重要的基础数据。

2、建立配电网拓扑模型

利用配电网的拓扑结构信息，可以建立一个表示配电网节点和线路之间关系的拓扑模型。这个模型可以用于确定故障节点周围的节点和线路。例如，在单相短路故障中，可以利用配电网拓扑模型确定与故障节点相邻的节点和线路，这些节点和线路将受到影响。

2.1数据采集：

首先，需要收集配电网的拓扑结构数据，包括配电变压器、开关、线路、负荷节点等信息。这些数据可以通过现场调查、SCADA系统、电网GIS系统等途径获取。

2.2拓扑结构建模：

基于收集到的数据，可以建立配电网的拓扑结构模型。这个模型可以用图论或者网络分析的方法来表示配电网中节点和线路之间的连接关系。通过这个模型，可以准确地描述配电网中各个元素之间的逻辑关系，例如哪些线路连接了哪些节点，各节点之间的供电关系等。

在配电网的停电范围识别方法中，拓扑结构的建模是一个关键步骤。拓扑结构的建模过程涉及节点和线路之间的连接关系的描述，可以用图论和网络分析的方法来实现。以下是在本技术领域中拓扑结构建模过程的详细解释：

节点和线路表示：在配电网中，节点可以表示为配电变压器、开关、负荷节点等设备，而线路表示节点之间的电气连接。拓扑结构建模的第一步是对这些节点和线路进行合适的表示。通常可以使用节点和线路的编号来表示节点和线路，例如节点集合可以表示为V＝{1,2,3,…}，线路集合可以表示为E＝{(1,2),(2,3),…}，其中(1,2)表示节点1与节点2之间存在一条连接。

邻接矩阵表示：邻接矩阵是一种常用的表示图结构的方法，它可以用来描述节点之间的连接关系。在配电网中，可以使用邻接矩阵来表示节点之间的连接关系。邻接矩阵A是一个N×N的矩阵，其中N表示节点的数量。如果节点i与节点j之间存在连接，则A(i,j)的值为1；否则为0。这样，邻接矩阵可以清晰地描述配电网中节点之间的连接关系。

拓扑分析：通过对邻接矩阵进行拓扑分析，可以得到关键的拓扑结构参数，如节点的度、回路的数量等。节点的度表示了与节点直接相连的线路数量，而回路的数量可以用来评估配电网的环路结构。这些参数可以帮助识别配电网中的故障节点和停电范围。

通过以上步骤，可以建立一个准确的配电网拓扑模型，用图论和网络分析的方法描述节点和线路之间的连接关系，为后续的停电范围识别提供了关键的基础数据和分析依据。

拓扑分析举例：拓扑分析是对网络结构进行分析的过程，通过对网络的拓扑结构进行分析，可以得到一些关键的参数和特征，这些参数和特征对于识别和分析网络的特性具有重要意义。

在配电网中，拓扑分析可以通过对邻接矩阵进行各种运算来实现。以下是一些常见的拓扑分析方法，以及相关的公式。首先，可以定义配电网的邻接矩阵A，其中A

节点的度表示与该节点直接相连的线路数量。节点i的度可以通过邻接矩阵A来计算，度数k

其中，∑

回路是指网络中形成的闭合路径，可以通过回路的数量来评估网络的环路结构。回路的数量可以通过邻接矩阵A的幂运算来计算，具体的计算公式如下：

其中，tr(A

当进行拓扑分析时，可以使用一些具体的实施例来说明。在配电网拓扑分析中，可以使用以下示例来计算节点的度和回路的数量。假设有一个简化的配电网，其中有5个节点，用邻接矩阵A来表示它们之间的连接关系，在这个例子中，用0表示节点之间没有连接，1表示节点之间有连接：邻接矩阵A：

类似地，可以计算出其他节点的度：k

回路是指网络中形成的闭合路径，可以通过回路的数量来评估网络的环路结构。回路的数量可以通过邻接矩阵A的幂运算来计算。首先，求出邻接矩阵A的三次幂

另外，为了更准确地描述网络的特性，可以对上述公式进行变形和扩展，以考虑更多的网络特征。例如，可以引入节点的重要性权重，将节点度的计算扩展为加权度的计算，或者引入更复杂的图论算法来分析网络的拓扑结构。例如，可以将节点的度扩展为加权度，考虑节点之间的电气参数(如电流、电压等)来计算节点的加权度。这将涉及到更复杂的数学公式和计算过程，例如引入电流-电压关系等电气特性的计算。结构特性，为停电范围的识别提供更多的信息和依据。

2.3节点关系分析：

通过对拓扑模型进行分析，可以确定与故障节点相邻的节点和线路。这些相邻节点和线路将构成故障影响的范围。例如，在单相短路故障中，可以确定与故障节点直接相连的节点和线路，以及通过这些节点和线路间接相连的节点和线路。

2.4拓扑模型更新

配电网是一个动态系统，随着运行状态的变化，拓扑结构也会发生变化。因此，需要定期对拓扑模型进行更新，以反映实际配电网的运行状态和拓扑结构变化。

通过以上步骤，可以建立一个准确的配电网拓扑模型，为后续的停电范围识别提供关键的基础数据和分析依据。

3、计算负荷分布

配电网中的负荷分布是一个非常重要的因素，它可以用于确定停电范围。可以使用载荷分析技术计算负荷分布，以便确定受影响的节点和线路。例如，当一条线路发生短路故障时，可以计算每个节点的负荷，以确定哪些节点将受到影响。一般情况下：在配电网中，负荷分布是指各个节点上的负荷情况，即电网中各个节点所承担的电力负荷大小。负荷分布的计算可以通过载荷分析技术来实现，以确定停电范围。

以下是一个简化的负荷分布计算的示例：

假设有一个配电网，其中包含5个节点，每个节点上都有负荷；可以通过采集每个节点上的负荷数据，或者通过其他方式获得负荷数据；假设每个节点的负荷数据如下：节点1：100kW、节点2：150kW、节点3：200kW、节点4：120kW、节点5：80kW。根据负荷数据，可以得到每个节点的负荷分布情况：节点1：100kW、节点2：150kW、节点3：200kW、节点4：120kW、节点5：80kW；通过负荷分布的计算，可以确定各个节点上的负荷情况，进而确定可能受到停电影响的节点和线路。例如，在发生线路故障或短路时，负荷分布可以帮助确定哪些节点的负荷会受到影响，从而识别停电范围；

需要注意的是，在实际情况中，负荷分布的计算可能更为复杂，需要考虑更多的因素和数据。例如，负荷的变化、功率因数的影响、负荷的季节性变化等等。因此，在实际应用中，需要综合考虑多个因素来进行负荷分布的计算和停电范围的识别。

基于此，本发明实施例进行二次改进：

假设有一个配电网，其中包含5个节点，每个节点上都有负荷。收集到每个节点上的负荷数据如下：节点1：100kW、节点2：150kW、节点3：200kW、节点4：120kW、节点5：80kW；可以使用以下的公式来计算配电网中每个节点的负荷分布情况：

负荷分布＝(负荷值-最小负荷)/(最大负荷-最小负荷)(7)

其中，最大负荷为节点3的负荷，最小负荷为节点5的负荷。代入数值进行计算：节点1：(100-80)/(200-80)＝20/120＝0.167；节点2：(150-80)/(200-80)＝70/120＝0.583；节点3：(200-80)/(200-80)＝120/120＝1.000；节点4：(120-80)/(200-80)＝40/120＝0.333；节点5：(80-80)/(200-80)＝0/120＝0.000；

通过这个计算，可以得到每个节点的负荷分布情况，进而确定可能受到停电影响的节点和线路。这个简单的公式可以帮助初步了解负荷分布情况，但在实际情况中，需要考虑更多的因素和数据，可能需要使用更为复杂的负荷分布计算模型来进行准确的停电范围识别。

为了更准确地计算配电网中每个节点的负荷分布情况，可以考虑以下公式：

其中，阻抗比例是考虑节点之间的电网拓扑关系和线路的阻抗参数。它可以通过以下公式进行计算：

具体步骤如下：

计算总阻抗：根据配电网的拓扑结构和线路的阻抗参数，计算出整个配电网的总阻抗。

计算当前节点到最近变压器的阻抗：根据节点之间的电网拓扑关系，确定当前节点到最近变压器的路径，并计算出该路径上的总阻抗。

计算阻抗比例：根据上述公式，将总阻抗和当前节点到最近变压器的阻抗代入，计算出阻抗比例。

计算负荷分布：将负荷值代入公式，结合阻抗比例，计算出每个节点的负荷分布情况。

通过引入阻抗比例，可以更准确地反映节点之间的电网拓扑关系和线路阻抗对负荷分布的影响。这样的复杂化公式能够提供更准确的停电范围识别结果，帮助运维人员做出相应的措施和决策.

最后：为了提升精确度,可以考虑引入更多的因素和数据，以提高配电网停电范围识别的准确性。以下是一种更复杂的基于多源异构数据融合的配电网停电范围识别方法：

负荷分布计算：根据节点的负荷数据，可以使用多种方法来计算负荷分布，如基于统计模型、机器学习模型或深度学习模型。这些模型可以考虑节点的历史负荷数据、天气数据、季节性因素等，以更准确地预测节点的负荷分布；

线路负载计算：考虑到线路的负载情况对停电范围的影响，可以使用模型来计算每条线路上的负载情况。这可以包括考虑线路的电流、电压、功率因数等因素，并结合节点的负荷分布来计算线路的负载；

故障检测和定位：配电网中可能存在故障，如短路、断路等，这些故障可能导致停电。通过使用传感器或监测设备，可以实时监测节点和线路的状态，检测故障的发生，并尽快定位故障的位置；

数据融合和综合分析：将上述计算得到的负荷分布、线路负载和故障信息进行数据融合和综合分析。可以使用专门的数据融合算法，如加权融合、贝叶斯网络等，将不同数据源的信息整合起来，并进行综合分析，以确定停电范围；

停电范围识别：根据综合分析的结果，可以确定可能受到停电影响的节点和线路，进而识别出停电范围。这可以通过设定阈值或使用其他算法来实现，如基于图论的算法或基于连通性的算法；综合考虑负荷分布、线路负载、故障信息和其他相关因素，通过多源异构数据融合的方法，可以提高配电网停电范围识别的准确性和可靠性。这将为配电网运维人员提供更准确的停电范围信息，帮助他们更好地应对和处理停电事件。

4、结合故障数据进行停电范围识别

结合配电网拓扑结构和负荷分布等信息，可以确定停电范围。具体而言，可以从故障节点开始，沿着拓扑模型中与故障节点相邻的线路和节点，逐步扩大停电范围，直到负荷超出配电网的容量限制或者没有更多受影响的节点和线路为止。这样，就可以确定停电范围，并为运营商提供有关修复和恢复供电的重要信息。

4.1、初始节点确定：根据故障数据确定起始故障节点。这可以通过故障监测设备或传感器来实时检测故障，并确定受影响的节点；初始节点确定：首先，需要根据故障数据确定起始故障节点。在实际情况中，可以使用故障监测设备或传感器来实时检测故障，并确定受影响的节点。例如，如果在配电网中的某个节点上检测到电流异常或电压异常，那么这个节点可以被确定为初始故障节点；

4.2、逐步扩大停电范围：从初始节点开始，根据配电网的拓扑结构，沿着与故障节点相邻的线路和节点逐步扩大停电范围。这可以通过遍历拓扑结构中的线路和节点来实现。逐步扩大停电范围：一旦初始故障节点确定，可以根据配电网的拓扑结构，沿着与故障节点相邻的线路和节点逐步扩大停电范围。这可以通过遍历拓扑结构中的线路和节点来实现。例如，可以使用深度优先搜索或广度优先搜索算法来遍历配电网的拓扑结构，以确定与故障节点相邻的节点和线路。

4.3、负荷分布考虑：在扩大停电范围的过程中，考虑受影响节点的负荷分布情况。如果受影响节点的负荷超出了其容量限制或导致其他节点的负荷超载，停电范围将停止扩大。负荷分布考虑：在扩大停电范围的过程中，需要考虑受影响节点的负荷分布情况。如果受影响节点的负荷超出了其容量限制或导致其他节点的负荷超载，停电范围将停止扩大。例如，可以根据受影响节点的负荷数据和配电设备的额定容量来判断停电范围是否需要扩大。

4.4、停电范围确定：当停电范围无法进一步扩大或没有更多受影响的节点和线路时，停电范围被确定下来。这将提供给运营商关于停电范围的重要信息，以便进行修复和恢复供电。停电范围确定：最终，当停电范围无法进一步扩大或没有更多受影响的节点和线路时，停电范围被确定下来。这将提供给运营商关于停电范围的重要信息，以便进行修复和恢复供电。

举例来说，假设在一个配电网中，节点A发生了故障，导致停电。首先确定节点A为初始故障节点。然后，根据配电网的拓扑结构，沿着与节点A相邻的线路和节点逐步扩大停电范围，直到负荷分布超出容量限制或没有更多受影响的节点和线路为止。最终确定的停电范围将是受影响的节点和线路的集合，这将为运营商提供有关修复和恢复供电的重要信息。在停电范围的识别中，配电网的拓扑结构起到了关键作用。通过考虑拓扑结构和负荷分布等信息，可以更准确地确定停电范围，并为运营商提供有关修复和恢复供电的指导。此外，还可以结合其他因素，如线路负载、变压器容量等，来进一步优化停电范围的识别结果。

本发明在逐步扩大停电范围这一步骤，并进行改进：

在传统的停电范围识别方法中，通常使用深度优先搜索或广度优先搜索算法来逐步扩大停电范围。然而，这些方法可能会导致不必要的扩大，因为它们仅考虑拓扑结构而忽略了节点的电压和负荷情况。

改进的方法是引入电压和负荷情况的考虑，以更准确地确定停电范围。可以使用电力系统分布式参数模型来考虑节点电压和负荷之间的关系。这可以通过下面的公式来表示：

P

其中，P

根据上述公式，可以考虑节点的有功功率和电压，当有功功率超出节点的容量限制或电压超出合理范围时，可以将该节点标记为受影响的节点，并停止扩大停电范围(即超出了节点所能承受的最大负荷，或者节点的电压超出了合理范围，即超出了系统所允许的电压范围，那么就可以将该节点标记为受影响的节点，并停止扩大停电范围的过程)。停止扩大停电范围的目的是为了保证系统的稳定运行和可靠性，避免对其他节点造成进一步的影响和损害。一旦发现有节点超出容量限制或电压超出范围，就需要及时采取措施，例如调整负荷分配、调节电压等，以确保节点的正常运行，并防止停电范围的进一步扩大。因此，在配电网停电范围识别方法中，当有功功率超出节点的容量限制或电压超出合理范围时，应立即停止扩大停电范围，并对受影响的节点采取相应的措施，以确保系统的稳定性和可靠性。

改进后的算法步骤如下：初始节点确定：根据故障数据确定起始故障节点；逐步扩大停电范围：从初始节点开始，根据配电网的拓扑结构和节点的电压、负荷情况，逐步扩大停电范围。在添加相邻节点时，计算节点的有功功率和电压，如果有功功率超出容量限制或电压超出合理范围，则停止扩大停电范围；停电范围确定：当停电范围无法进一步扩大或没有更多受影响的节点和线路时，停电范围被确定下来。这种改进方法可以更准确地确定停电范围，避免不必要的扩大，并为运营商提供更有用的信息，以便进行修复和恢复供电

当考虑节点的电压和负荷情况时，可以使用更加复杂的公式来表示节点的有功功率。一个更复杂的公式可以是：

其中，P

这个公式考虑了节点自身的有功功率以及与相邻节点之间的有功功率交换，更全面地描述了节点的电压和负荷情况。在逐步扩大停电范围的过程中，可以使用这个更复杂的公式来计算节点的有功功率，以确定停电范围。

除此之外，还可以更准确地考虑节点之间的电力交换和负荷分布情况，从而更精确地确定停电范围；

当考虑节点的有功功率、无功功率、电压和负荷情况时，可以使用更加复杂的公式来表示节点的电力平衡。一个更复杂的公式可以是：

S

其中，P

这个更加复杂的公式考虑了节点自身的有功功率和无功功率，并考虑了与相邻节点之间的有功功率和无功功率交换，更全面地描述了节点的电压、负荷、功率因数和相角情况。在逐步扩大停电范围的过程中，可以使用这个更复杂的公式来计算节点的有功功率和无功功率，以更准确地确定停电范围。可以更精确地考虑节点之间的电力交换、负荷分布、功率因数和相角情况，从而更准确地确定停电范围。具体的：

当使用电力平衡公式来计算节点的有功功率和无功功率时，停止扩大停电范围的一个可能的方法是设定一个阈值，当某个节点的有功功率或无功功率超过这个阈值时，认为该节点已经停电，停止继续扩大停电范围。这个阈值可以根据具体情况进行设定，例如根据系统的负载情况、节点的重要程度等因素来确定。另外，也可以考虑使用迭代算法来不断更新节点的状态，直到达到收敛条件为止。例如，可以根据节点的有功功率和无功功率的变化情况来判断是否继续扩大停电范围，如果节点的有功功率和无功功率变化趋于稳定(即变化处于一个的设定的变化范围，认为是趋于稳定)，可以认为停电范围已经确定，停止继续扩大停电范围。综合考虑，停止扩大停电范围的条件可以是节点的有功功率和无功功率超过设定的阈值，或者根据节点状态的迭代更新情况来判断是否达到停电范围的稳定状态。

本发明第二实施例的基于多源异构数据融合的配电网停电范围识别系统，如图2所示，该系统包括：

数据采集模块100，配置为采集多源异构数据，作为输入数据；所述多源异构数据包括配电网时间序列数据、配电网数据与用户侧网络设备数据相结合的数据、天气数据、负荷数据；所述配电网时间序列数据包括不同时间配电网各个节点的电流、电压、功率；所述用户侧网络设备数据包括网络设备的握手数据、心跳数据；用户侧网络设备包括机顶盒、路由器；

预处理模块200，配置为对所述输入数据进行预处理，得到预处理数据；

范围预测模块300，配置为将所述预处理数据输入训练好的多源数据融合模型，得到配电网停电范围的预测结果；所述预测结果包括节点停电概率；

匹配模块400，配置为将所述预测结果与预构建的配电网拓扑结构模型匹配，得到配电网的停电范围的识别结果。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的一种基于多源异构数据融合的配电网停电范围识别系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

本发明第三实施例的一种电子设备，至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于多源异构数据融合的配电网停电范围识别方法。

本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于多源异构数据融合的配电网停电范围识别方法。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的基于多源异构数据融合的配电网停电范围识别设备、计算机可读存储介质的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。