一种基于大数据的调控操作信号监控方法

技术领域

本发明涉及电网信号监控的技术领域，尤其涉及一种基于大数据的调控操作信号监控方法。

背景技术

随着电网规模的翻倍增长以及客户对电力供应的要求越来越高，对供电企业的生产运维工作的效率和质量提出了更高的要求，配电网作为电力供应的末端，对保证电网供电质量、提高电网运行效率至关重要，同时也是创新用户服务的关键环节。变电站数量的逐渐增加，尤其是老城区的线路改造、新城区的电缆配电网路径的铺设，对现有的线路造成了压力。线路的长时间重载，会直接影响到了城市供电系统的可靠性。现有的调控操作信号监控系统，只单纯展示了操作信号，未对操作信号进行分析，调控人员通过工作经验对调控的信号进行分析，根据分析结果调整运行方式，减缓线路的压力。通过人为判断分析的方式，对人员专业素质要求过高，并且存在误差、缺少及时性，严重时会造成区域供电中断，在造成设备经济损失的同时也造成了一定的社会影响。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有调控操作信号的监控存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术仅能进行日常监测或故障抢修监测的研究，无法对数据进行状态预测。

为解决上述技术问题，本发明提供如下技术方案：规范化采集电网数据；利用决策树算法将所述历史数据生成分类树模型，并对所述模型进行训练；利用决策树剪枝算法修剪所述分类树模型中的不合理部分；对所述修剪后的模型进行训练，输入实时数据，获得调控信号的预测值；根据所述预测值进行电网调控。

作为本发明所述的基于大数据的调控操作信号监控方法的一种优选方案，其中：所述生成分类树模型包括，将所述采集的电网数据输入模型并根据业务逻辑确定停止计算的条件；设定训练数据集为D，计算现有特征对所述训练数据集D的基尼指数，其中对于每一个特征A可能取得为每一个值a，根据所述值a将训练样本分为D1和D2两个部分并根据下式计算A＝a的基尼指数：

在所有特征值以及所有可能值中选择基尼指数最小的特征及其切分点作为最优的特征及切分点，从节点生成两个子节点，将所述训练数据集分配至子节点中；利用递归的方法重复上述操作直至所得结果满足停止条件，进而获得所述分类树模型。

作为本发明所述的基于大数据的调控操作信号监控方法的一种优选方案，其中：所述利用决策树剪枝算法修剪分类树模型包括，所述剪枝算法由两步构成，首先对所述生成的分类树模型进行不断剪枝，再通过交叉验证法在独立的验证数据集上堆子树序列进行测试，并选出最优子树。

作为本发明所述的基于大数据的调控操作信号监控方法的一种优选方案，其中：所述剪枝分类树模型包括，设定所述分类树模型为T0，被修剪一个叶节点后的模型为T1，修剪两个的为T2，则从T0底端开始不断修剪直到T0根节点所形成的子树序列为{T0,T1,T2,T3......Tn}；在修剪过程中，所述子树的损失函数如下所示：

C

其中：T为任意子树，C(T)为预测误差，|T|为子树T的叶子节点个数，∝为参数；用递归的方法对所述分类树进行修剪，具体的从整体树T0开始修剪，对T0的任意内部结点t，以t为单结点树的损失函数为如下所示：

C

而以t为根结点的子树T_{t}的损失函数为：

C

当∝＝0，C

作为本发明所述的基于大数据的调控操作信号监控方法的一种优选方案，其中：所述剪枝分类树模型还包括，根据所述分类树模型每个分支的错误率以及权重，计算不修剪时预期分类的错误率，对于每个非叶节点，若所述非叶节点被修剪后的分类错误率变大，则放弃修剪，否则将所述非叶节点强制为叶节点，并其标记类别。

作为本发明所述的基于大数据的调控操作信号监控方法的一种优选方案，其中：所述并选出最优子树包括，在修剪得到的子树序列T0,T1,....Tn中通过交叉验证的方法选取最优子树，再利用平方误差准则或者是基尼指数准则，在新的验证集中分别测试子树序列，选取里面最优的子树进行输出，得到所述分类错误率最小的决策树模型。

作为本发明所述的基于大数据的调控操作信号监控方法的一种优选方案，其中：所述规范化采集电网数据包括，整合各个采集器采集到的电网不同情况和设备数据，对所述数据进行数据清理，保证预测的精准性。

作为本发明所述的基于大数据的调控操作信号监控方法的一种优选方案，其中：所述进行数据清理包括，对所述采集到的数据进行整合和特征构建，根据数据类型进行分类加工处理，在处理过程中建立一套清洗规则对数据空值以及异常数据进行处理，编写存储过程，通过使用表与表之间的关系，生成设计训练宽表，按照适合的清洗规则，对数据进行清理。

作为本发明所述的基于大数据的调控操作信号监控方法的一种优选方案，其中：所述清洗规则包括，前后均值替换、空值删除、空置赋值。

本发明的有益效果：通过对调控操作信号的捕捉，通过决策树算法，对信号进行特征值分析，根据特征值找出最优解，从而提供最优的分析结果，减少了人工分析，提高了分析的准确性、及时性；并且针对性的整合主配网数据，并对数据进行清理，过滤无用的数据，对有用的数据进行数据建模，通过决策树算法，对数据进行状态的预测，提供了预测、整合、查看、统计的功能；帮助调控员更好的处理调控运行中的各类情况。

附图说明

为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的基于大数据的调控操作信号监控方法的流程示意图；

图2为本发明第一个实施例所述的基于大数据的调控操作信号监控方法的决策树框架示意图；

图3为本发明第一个实施例所述的基于大数据的调控操作信号监控方法的开关机构预测走势图；

图4为本发明第一个实施例所述的基于大数据的调控操作信号监控方法的开关机构预测对比分析图；

图5为本发明第一个实施例所述的基于大数据的调控操作信号监控方法的开关机构预测明细图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～5，为本发明的第一个实施例，该实施例提供了一种基于大数据的调控操作信号监控方法，包括：

S1：规范化采集电网数据。其中需要说明的是，

整合各个采集器采集到的电网不同情况和设备数据，对数据进行数据清理，保证预测的精准性并且对数据进行整合和特征构建，生成配变故障训练表、故障停电待预测表。

进一步的是，对数据进行清理包括，将采集电网数据中的天气表、停电相关的信息表以及配电相关表分别进行加工处理，在处理过程中建立一套清洗规则对数据空值以及异常数据进行处理，编写存储过程，通过使用表与表之间的关系，生成设计训练宽表，按照适合的清洗规则，对数据进行清理。

S2：利用决策树算法将历史数据生成分类树(CART)模型，并对模型进行训练。其中需要说明的是，

参照图2，CART分类树模型包括，将采集的电网数据输入模型并根据业务逻辑确定停止计算的条件；设定训练数据集为D，计算现有特征对训练数据集D的基尼指数，其中对于每一个特征A可能取得为每一个值a，根据值a将训练样本分为D1和D2两个部分并根据下式计算A＝a的基尼指数：

在所有特征值以及所有可能值中选择基尼指数最小的特征及其切分点作为最优的特征及切分点，从结点生成两个子结点，将训练数据集分配至子结点中；利用递归的方法重复上述操作直至所得结果满足停止条件，进而获得CART分类树模型。

S3：利用决策树剪枝算法修剪分类树模型中的不合理部分。其中需要说明的是，

剪枝算法由两步构成，首先对生成的分类树模型进行不断剪枝，再通过交叉验证法在独立的验证数据集上堆子树序列进行测试，并选出最优子树；其中修剪包括，设定CART分类树模型为T0，被修剪一个叶结点后的模型为T1，修剪两个的为T2，则从T0底端开始不断修剪直到T0根结点所形成的子树序列为{T0,T1,T2,T3......Tn}；在修剪过程中，为了平衡修剪量的问题，使用一个变量∝进行平衡，因此子树的损失函数定义为如下所示：

C

其中：T为任意子树，C(T)为预测误差，|T|为子树T的叶子节点个数，∝为参数，利用C(T)衡量训练数据的拟合程度，|T|衡量树的复杂度(即大小)，∝权衡拟合程度与树的复杂度；为了找到合适的∝使得拟合度与复杂度之间达到平衡，我们选用用递归的方法对分类树进行修剪，将∝从小增大，对于每一个固定的∝我们可以找到使得C∝(T)最小的最优子树T(∝)，即0＝α

T

T

具体的从整体树T

C

而以t为根结点的子树T_{t}的损失函数为：

C

当∝＝0，C

进一步的是，修剪分类树模型还包括，根据分类树模型每个分支的错误率以及权重，计算不修剪时预期分类的错误率，对于每个非叶节点，若非叶节点被修剪后的分类错误率变大，则放弃修剪，否则将非叶节点强制为叶节点，并标记类别。

S4：对修剪后的模型进行训练，输入实时数据，获得数据状态的预测值。

S5：根据预测值进行电网调控。

为了证明本发明方法的预测效果，我们选择对2019年12月22日的电网开关机构的运转次数及电网数据进行采集，进而对12月23日的运转情况进行预测，将采集到的数据进行规范化处理，利用决策树算法将12月22日的历史数据生成分类树模型，并对模型进行训练，使用决策树剪枝算法修剪中不合理部分，再输入12月23日电网实时数据，获得调控信号的预测值，所得结果参照图3～5所示，其中从图3～4可以看出预测结果与昨日结果之间的关系，基本随着昨日运转次数而产生变化，并且其预测结果相差基本为2左右，从图5可以看出各个变电站的预测结果，在此利用近期开关运转的平均次数来与预测结果进行对比，可以看到预测到的结果与平均次数比较接近，因此本发明方法可以为调度员提供趋势预测的功能，调度员根据预测结果进行调控，可以帮助调控员更好的处理调控运行中的各类情况，具有实用性。

实施例2

本发明的第二个实施例，为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例中选择不同方法进行测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果；

在本实施例中使用传统Echarts框架的统计分析方法和本方法分别对调控信号的监控做统计分析，通过调控员对信号监视的处理实时性进行实时测量对比，在进行实验时使用信号模拟器模拟调控操作信号的发送，采用3组测试数据，其中每组100个人，第一组测试100次信号，第二组测试500个信号，第三组测试1000个信号；使用传统方法在进行实验时，首先对操作信号进行监视，再反馈调控员处理时间，并获得测试结果数据，而本发明方法则通过对操作信号的预测和实时情况分析监视且反馈调控员处理时间实现本方法的仿真测试，根据实验结果得到仿真数据；每种方法各测试3组数据，计算获得每组数据处理时间进行对比，其实验结果如下表1和表2所示；

表1：数据处理时间对比表。

表2：数据处理准确度对比表。

由表1可看出，传统方法与本发明方法处理数据所需要的时间都会随着测试信号的增多而增长，但是本发明方法所需时间要明显短于使用传统统计分析方法所需要的时间，并且当信号数量越多越能发挥出本发明的优势；在表2中可以看出，传统统计分析方法在数据处理的准确度方面会随着信号数量的增加而降低，而本发明方法处理准确度相对稳定并且在95％以上，要明显高于使用传统统计方法，提高了数据分析的准确性、及时性，具有明显的技术效果。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。