一种基于人工智能的配电网故障预测和主动检修系统的制作方法

本发明涉及人工智能、大数据知识图谱及配电网维护，尤其涉及一种基于人工智能的配电网故障预测和主动检修系统。

背景技术：

1、配电网作为重要的电网运行基础，保障其安全稳定运行，且在其发生故障停电后能快速地组织抢修、恢复供电具有极为重要的现实意义。然而配电网运行存在实时动态性强，异常动作和运行风险难以有效防范、配电设备点位分布范围广等困难和特点，导致配电网运检和抢修等作业存在以下问题，一是故障信息获取不及时且缺少高效智能的故障分析预测手段，目前的故障判断主要依靠工作人员的经验，受制于工作人员的主观判断和工作能力，经验不易传承，无法有效预测故障；二是大多数故障处理只能通过事后抢修的方式进行，用户当发生停电后才能感知故障发生，不能做到主动防范、主动抢修运维和主动服务用户，并不能消除配电网设备异常影响客户服务的事实；三是不能直观感知和展示故障发生点和所受停电影响的用户范围，管理决策水平低效；四是配电应急抢修指挥不协调，抢修或运检工单多通过跨部门线下操作，影响故障抢修和恢复效率；五是由于设备分布范围广，故障发生时在恶劣天气环境和复杂交通地形下无科学规划抢修作业路径方法，影响作业安全和效率。

2、为提高配电网抢修或运检效率，近年来随着人工智能、物联网和移动互联网等相关技术的发展，陆续开展了一些研究，某些智能分析手段缺少全量数据支撑，影响智能分析模型或算法准确性。另外，当前的研究较多比较局限、单一，缺少系统性地深入且全面解决上述问题的有效办法。

3、因此,亟需一种智能化水平高，能实现主动故障分析预测、主动抢修和运检作业、主动服务和通知用户、科学规划作业最优路径，且能在一张图上直观展示故障位置和受停电影响用户区域的配电网故障预测和主动检修系统，以提高管理决策水平、故障抢修和运检作业效率、用户体验和评价水平，提高电网安全运行能力。

技术实现思路

1、有鉴于此，本发明的目的在于提出一种基于人工智能的配电网故障预测和主动检修系统。

2、基于上述目的，本发明提供一种基于人工智能的配电网故障预测和主动检修系统，包括：数据输入模块、故障诊断模块、检修调度模块；

3、所述数据输入模块用于通过自动抽取的方式采集包括pms系统、调度云系统以及业务中台中电网调度数据、电网及设备运行数据、电网网架数据，并按照统一数据模型进行转换，最后融合为包括历史态、现实态和未来态多时态电网及设备数据中心，以支撑多时态电网一张图构建和电网设备知识图谱构建，并为人工智能深度学习模型提供训练和测试样本，进而实现电网设备故障的智能分析预测；

4、所述故障诊断模块用于采用电网设备知识图谱和人工智能深度学习故障分析预测算法，通过故障分析诊断服务进行调用，对配电网及其设备是否存在故障进行分析预测，其故障分析预测结果以及故障信息支撑后续配电网主动检修调度和停电分析到户；

5、所述检修调度模块用于当诊断存在故障或隐患时，可发起工单进行主动应急抢修，通过抢修线路优化算法安排运检人员进行排查抢修，并对所受停电影响的用电用户主动通知停电时间和预计恢复时间。

6、进一步地，所述数据输入模块配置了包括pms数据抽取功能组件、中台数据抽取功能组件、调度云数据抽取功能组件、数据模型转换功能组件、多态数据融合功能组件；所述故障诊断模块配置了包括深度学习算法功能组件、电网设备知识图谱功能组件以及故障分析诊断服务功能组件；所述检修调度模块配置了包括主动应急抢修功能组件、抢修线路优化算法功能组件以及停电分析到户功能组件；

7、所述数据输入模块，通过将各系统抽取的数据通过数据模型转换及多态数据融合，输出统一模型及多时态数据中心，为电网一张图构建和故障预测分析提供了大量丰富可信的数据源；

8、所述故障诊断模块，通过构建电网设备知识图谱为深度学习模型提供了知识指导，深度学习模型有利于知识图谱的知识获取；两者相互支持，协调配合提供了配电网故障预测分析的准确性，为被动检修转变为主动抢修提供了较好的技术手段；

9、所述检修调度模块通过故障主动处理分析算法、改进后的基于量子遗传算法的维修线路优化策略以及停电分析到户算法，当故障预测分析结果出来后，实现快速的事故分析及主动抢修调度处理，并且通过主动用户分析及通知，较大提高了配电网故障抢修效率、用户体验水平和主动服务能力。

10、进一步地，所述配电网故障预测和主动检修系统构建包括以下步骤：

11、s301：数据抽取、转换及融合，将所抽取并经统一数据模型转换且融合后的电网调度、电网及设备运行、电网网架等数据汇集到数据中台中，构建电网及设备多时态融合数据中心；

12、s302：s301处理后的数据提供给人工智能深度学习模型进行故障预测分析训练及验证，同时提供给电网设备知识图谱进行知识表示构建，深度学习模型为知识图谱提供知识指导，知识图谱为深度学习模型提供知识获取补充手段，两者互为补充、相互支持、协调配合；

13、s303：基于所融合的电网及设备多时态融合数据中心，在电网gis底座上构建"历史态、现实态、未来态"的电网一张图，为后续事故主动应急抢修、线路优化调配、停电分析到户提供基于图上协作的直观友好互动及展现方式，实现了可视化的电网抢修协作和主动服务；

14、s304：故障预测分析结果提供给所述检修调度模块，通过所述主动应急抢修功能组件、线路优化算法功能组件、停电用户分析功能组件进行快速事故处理。

15、进一步地，所述数据输入模块是将数据抽取后，需按照统一id、统一模型和统一规范转换为统一数据格式，并形成统一网架信息。

16、进一步地，所述数据输入模块是通过数据抽取的方式将pms系统、调度云系统以及业务中台的调度数据、电网及设备运行数据、电网网架数据等实时或非实时的数据进行抽取，抽取的数据包括：电力基础数据、主网设备及参数、配网设备及参数、电网gis信息、电网运行及监测数据、用户用电信息。

17、进一步地，所述数据输入模块是将所抽取的数据按统一数据模型转换后，需采用数据融合算法对新、旧数据进行融合，构建起涵盖历史态、现实态以及未来态的多时态电网及设备数据中心，以支撑多时态电网一张图构建，并为后续人工智能深度学习模型的训练、电网设备知识图谱的构建以及电网故障隐患的预测分析提供足够的训练和样本数据。

18、所述数据融合算法的步骤如下：

19、s10301：历史态数据库设计，由于融合的多态数据需支撑在电网gis平台上构建电网一张图，按设备类型进行数据分类存储，每种设备类型创建稳定版表和编辑版表两张物联表，编辑版表的表名为稳定版表名上添加_ver后缀。当数据更新时，相对于稳定版表，先基于编辑版表进行更新，编辑类型字段add表示当前记录相对稳定表是新增的，update表示当前记录相比稳定版的同一条记录发生了修改，而delete表示从稳定版删除同条记录。当数据修改审核通过后，编辑版表中的修改数据就会合并到稳定版中，同时删除编辑版表中的相应记录。历史态数据用于备份稳定版表的推移情况，可以按时间进行数据回溯。在稳定版表基础上，添加以-his为后缀的历史版表，历史版表存储增量修改数据，编辑类型字段add、update和delete，其含义与编辑版表一致。

20、s10302：发布机制设计，当数据修改审核通过，执行发布流程时，需要将稳定版表中修改的数据归档到历史版表，逻辑如下：将稳定版表中的记录备份到历史版表中；发布过程中涉及到的历史版表记录，打上当前的时间戳，版本号为当前任务的版本号；编辑版表中的修改数据合并进稳定版表。

21、s10303：历史数据回溯，历史数据通过时间戳进行回退，通过数据库查询的方式，获取需要回退到的历史增量修改数据，逻辑如下：输入需要回退的时间戳；在历史版表数据库中查询，需要查询出编辑日期大于该时间的，同一条id记录下且编辑日期最小的那一条记录，此时，每条记录最多查询出一条对应的历史版表记录；执行版本合并操作，将查询出的历史版表与稳定版表进行合并，合并流程与编辑版表的合并过程是一致的。通过这种方法，可完成任意时刻历史数据的回溯。

22、s10304：历史数据归档，随着历史数据的增多，需按时间将数据归档合并以减少历史版表中的数据记录，如10年以上的数据可按1年的时间跨度，将同一时间跨度的同一条id相同的数据归档为一条记录；5年至10年以内的数据，按半年的时间跨度合并；3年至5年以内的数据，按3个月的时间跨度合并；1年至3年以内的数据，按1个月的时间跨度合并；1年以内的数据，不合并。由此可有效减少历史版表中的记录，并可实现按任意时间回溯。归档合并的记录并不删除，可存储到中间表或外部存储中，在需要时可进行数据回退。

23、s10305：未来态数据库设计，未来态需针对一个时间基线进行规划，在稳定版表的基础上，添加一张未来版表，以_fut作为后缀，相对于稳定版表，未来版表添加版本号version_id字段和时间基线base_date字段。版本号字段表示规划任务，与任务单号相关联。时间基线字段表示当前历史态数据相对于某个时间节点的历史数据做出规划。未来版表数据合并逻辑如下：根据时间基线，查找历史版表数据中对应时间节点之后的最旧的数据，合并方式与历史版表的合并方式一致；将未来版表中的记录与历史版表数据进行合并，合并流程与编辑版表的合并过程是一致的。即可得到当前时间基线下和当前规划任务中未来态的数据。

24、进一步地，所述故障诊断模块将配置的深度学习模型和电网设备知识图谱进行集成配合，深度学习模型有利于知识图谱的知识获取：知识图谱的构建依赖于大量的知识，利用深度学习模型可从现有知识中推断出更多新知识，快速补充知识图谱缺失的连接和知识内容。同时，知识图谱为深度学习模型提供知识指导，知识图谱中包含的知识可用来指导深度神经网络模型的学习，从而提高深度学习模型的性能。两者相互支持，协调配合，为电网设备故障预测提供高效且高准确率的智能分析手段。

25、进一步地，所述故障诊断模块所配置的所述电网设备知识图谱包括线路、变电站、设备、设备功能参数、设备故障、故障的三元组组成。

26、进一步地，所述故障诊断模块的故障分析预测算法包括以下步骤：

27、s601：故障影响因素进行收集，构建电网设备知识图谱，影响故障的因素包括：设备因素、环境因素，所述设备因素可通过电网设备知识图谱进行知识表现，所述环境因素包括气象因素、电磁因素、地形因素；

28、s602：将收集的历史故障影响因素数据作为输入样本对深度学习模型进行故障预测分析训练和测试，并不断调整优化模型参数，直到预测准确率达到96%以上，满足实用条件；

29、s603：结合最新采集的故障影响因素数据进行当前故障预测，当预测分析为存在电网及设备故障隐患，将预测分析结果发给所述检修调度模块，启动后续主动应急抢修、线路优化调配和停电分析到户等业务流程；

30、故障点位置及停电用户影响范围、抢修优选路径、工单调配信息、抢修作业进展等信息均在所述电网一张图上进行直观展示和协同处理。

31、进一步地，所述检修调度模块收到人工智能分析预测存在故障或隐患及其相关信息后，发起主动应急抢修调度，并调用抢修线路优化算法结合故障点位置和运检人员当前位置进行最优路径规划，并进行停电用户分析以及主动消息告知。实施流程如下：

32、s701：收到所述故障诊断模块的故障分析预测结果后，结合智能电表及配电变压器信息、故障工单信息、手持用电app停电报案信息等，对配电网及设备的故障隐患进行断电分析。

33、s702：查看同一配电变压器不同电表箱内断电智能电表的个数，计算不同电表箱内智能电表停电次数；

34、s703：判断停电次数是否超过阈值k；

35、s70301：若停电次数未超过阈值k，计算该电表箱所属智能电表故障次数；

36、s70302：判断故障次数是否超过阈值m；

37、s70303：若归属于电表箱的智能电表故障次数超过阈值m，则判定为电表箱故障；

38、s70304：否则，判断为单户故障；

39、s704：若停电次数超过阈值k，则初步判定为配变低压出线故障；

40、s705：结合配电自动化中压停电信息和中压拓扑模型信息进行分析，判断配变是否受中压停电影响；

41、s70501：若配电变压器不在受中压停电影响的设备清单中，则判定为单台变压器停电事件；

42、s706：若配电变压器在受中压停电影响的设备清单中，则判定为中压停电故障；

43、s707：汇集上述故障停电分析结果，并在所述电网一张图上进行停电用户范围及其告警展示；

44、s708：结合已有故障工单信息、app停电报案等信息，判断是否为计划内停电，如果是，转到s712：将故障停电及预计恢复时间通过短消息通知受停电影响用户；

45、s709：确定该预测及分析结果为电网新增故障；

46、s710：结合紧急运维检修站点及运检人员信息，调用抢修线路优化算法，对抢修站点和运检人员进行优选；

47、s711：调用接口提交紧急维修工作单，进行自动派单；

48、s712：将故障停电及预计恢复时间通过短消息通知受影响用户。

49、通过设计上述流程和方法，将停电范围、运检路径均基于电网一张图上直观展示，并在图上实现抢修作业协同，上述方法对停电影响用户进行了主动通知，对抢修作业派单或运检计划进行了科学自动制定，对抢修站点及运检人员实现了科学路径最优调配，较大提高了配电应急抢修指挥协调和管理决策水平，并从传统的事故发生后的被动抢修变为主动运检，用户从不知道停电情况变为主动得到告知，较大提高运检效率及用户体验水平。

50、进一步地，所述抢修线路优化算法可采用且不限于量子遗传算法，本发明在已公开的“一种基于遗传算法的量子线路优化方法，申请号：202110574069.5”的发明基础上结合电网作业特点进行了优化改进，具体改进方法为：由于电力事故排障的危险性，对电网及设备故障的抢修和运检需增加考虑两个因素：路径成本和安全性，在从路径点集合中寻找一组从起点到目标点的路径点过程中，需设计路径最短且安全无碰撞，基于上述要求，在原公开的实施例中，增加了路径点的适应度函数和路径的适应度函数两个适应度函数：路径点的适应度函数包含了路径成本评估函数u和路径安全评估函数v，根据路径点的适应度函数确定路径点的量子态更新，从而确定路径的选择；根据路径点构造的路径点适应度函数，按照路径成本和安全评价以加权求和的形式构造了路径的适应度函数。路径的适应度函数f计算公式为：，其中：i表示某个路径点，j为该路径点将路径成本评估值及路径安全评估值以加权求和后得到的适应度函数值；和为加权系数；

51、路径成本评估函数u计算公式为：，u值越大表示路径成本越优，式中：l是从路径点到目标点的水平距离，（x，y）、（xg，yg）分别为故障目标位置、运检人员位置；

52、路径安全评估函数v计算公式为：，v值越大表示路径越安全；式中，q为路径点数量，l是从路径点到障碍点的水平距离，osk是障碍点k危险程度评估函数；

53、osk计算公式为：；式中：（xk，yk）为障碍点的横、纵坐标值，d为最小安全工作距离；

54、路径适应度函数用于判断路径的优化程度。路径适应度值越大，其路径的优化程度就越高。根据路径适应度，只要每个路径点被确定为最优个体，那么由最优路径点组成的路径即为最优路径。

55、本发明的有益效果是：

56、本发明提供的一种基于人工智能的配电网故障预测和主动检修系统，通过数据输入模块构建了包括历史态、现实态和未来态多时态电网及设备数据中心，支撑了多时态电网一张图构建和电网设备知识图谱构建，并为人工智能深度学习模型提供训练和测试样本；通过故障诊断模块，配置了电网设备知识图谱和人工智能深度学习故障分析预测算法，两者相互协同，实现了电网设备故障高准确率的智能分析预测；通过检修调度模块，实现了故障主动应急抢修，通过路线最优算法对抢修站点和运检人员进行了最优路径规划，通过主动派单实现了业务协同联动，对经分析评估的受停电影响的用电用户实现了停电时间和预计恢复时间的主动告知；通过构建的电网一张图，实现了网架结构、设备分布以及电网和设备运行状态可视化，故障位置和用户停电范围直观展示。本发明构建了一种基于人工智能的配电网故障预测和主动检修系统，实现了主动故障分析预测、主动抢修和运检作业、主动服务和通知用户、科学规划作业路径，且能在一张图上直观展示故障位置和受停电影响用户区域的配电网故障预测和主动检修系统，提高了管理决策水平、故障抢修和运检作业效率、用户体验和评价水平，提高了电网安全运行能力。