基于数据驱动的电网用户侧故障主动研判技术研究与应用

李 玮，刘 勃，张 莉，于毛毛，邓艳丽

（国家电网有限公司客户服务中心，天津 300000）

通常情况下，当电网故障发生时，客服中心会最先接到客户的电话，并且在故障最初发生的几分钟内，话务量会集中增多。由于同一变压器引起的不同地址用户的报修突增缺乏有效分析工具，客服专员只能大量下发故障工单，重复派发的工单会给中心业务受理效率和基层供电单位的工单转派与抢修处理带来较大的压力[1-4]。

基于以上问题，建立停电智能预警服务模式。利用客户服务95598 业务支持系统[5]、基础数据平台及大数据分析平台，对运营、配网、调度的客户档案、变压器台账、95598 工单等海量信息进行加工，提供疑似大面积停电智能预警基础数据资源。通过设置监测目标、时间、区域等相关参数，配合聚类分析等算法[6]采集样本、设置预警规则、阈值，构建疑似停电智能预警模型，并制定对应措施，形成“信息、预警、措施”三位一体的服务模式，为客服代表提供准确、有效的服务支撑。

1 基于卷积神经网络的故障研判

1.1 数据前期处理

在数据前期处理阶段，首先使用营销部、运维检修以及其他部分的相关历史数据，结合数据清洗技术，对其进行中文分词等预处理操作。另一方面通过预训练初始参数，对预处理后的历史数据进行相互校验，形成训练模型及算法，从而得出训练结果。电网客服系统数据预处理过程如图1 所示。

图1 电网客服系统数据预处理过程

数据清洗（Data Cleaning）[7-9]是对原始信息数据的检查与修正，从而提高数据质量。通常而言，数据清洗的步骤包括数据分析、数据变换及数据验证。

1.2 卷积神经网络

卷积神经网络（CNN）是一种常用的智能化数据挖掘技术[10-12]，其主要由卷积层、池化层和分类层构成。在文本分类中，句子的长度通常不统一，而智能卷积神经网络可以通过卷积、池化和连接等操作将多维数据全连接为一维数据，由此实现分类操作，这就是卷积神经网络的一维典型结构，其具体原理如图2 所示。

图2 卷积神经网络结构原理

1.3 主成分分析法

主成分分析法（PCA）是一种经典的特征提取方法，可以查找出最能够代表一组数据特征的关键点，以这些少量的关键点作为数据整体的代表，尤其是用在回归分析或聚类分析中的类别数目确定中，其基本原理一般是基于协方差矩阵或相关系数来研究[13-14]。

作为经典的数据特征提取算法，主成分分析算法能够在保持数据特有特征的基础上，尽可能地减少数据维度和数据量，实现将复杂信息简约化的处理。但是，考虑到一组数据不可能完全由其特征量代替，通常使用方差来衡量主成分分析的优劣程度。同时，由于主成分分析被广泛应用，近年来衍生出多种改进算法，比如曲线主成分分析、多维综合主成分分析、加权主成分分析等[15-16]。

图3 PCA主成分提取原理

主成分分析是一种统计意义上实现均方差最小的数据特征提取算法。经过该方法滤掉的成分通常是原始数据中存在的噪音点，所以将其去除并不会造成数据特征丢失的结果，这也是原始数据降噪的一种方法。主成分分析法通常用在图像识别中，由于其强大的特征提取功能可轻松地实现图像识别，这种识别可以看成是图像的降噪过程。

主成分分析将原本存在于高维空间中的问题转移到低维空间中，形成一组新的变量，这种投射需要一个转换函数来实现，经过转化后的数据包含原数据的大部分信息，并且具有较为明显的规律可循，这种转换也可以实现逆操作，因此，主成分分析的意义存在于两个方面，一方面可以被用作数据降维、特征提取、数据压缩等，另一方面可以实现数据、图像的重构。

所有的平面可看作是由点组成的，每两个点之间均存在一个欧氏距离，而从现实平面上看，可能无法找到一个平面使得所有点对该平面的垂直距离最小。主成分分析就是将x1、x2两个点转换到另一个平面上进行评估，而在此转换过程中，保留其特征向量和特征值，不至于丢失部分信息。所谓主成分分析，就是将平面旋转一个角度θ，从而将原数据点转换到另一个新的坐标系衡量，其主要的变换原理如图4 所示。

图4 主成分分析的变换原理

其变换关系如下：

用矩阵形式表示上式可得到：

其中，U′为变换矩阵，其是一个正交矩阵：

1.4 功能需求

根据电力系统运维检修的实际情况，识别用户侧故障是系统所应具备的主要功能需求[17]，如表1所示。

表1 系统功能需求

1.5 性能需求

要建立一套完整的电网故障主动研判和抢修体系，除了对系统的功能有需求分析外，还应对其性能作出具体的规定，比如故障研判效率、命令下发的可靠性及关键部位传感器的信息传递可靠性等。性能需求包括预判精度、推送时间/效率和查询响应时间。

2 系统架构设计

基于营配贯通融合成果数据、故障报修服务请求、历史工单信息、应用大数据分析技术构建故障停电预警智能分析模型，采用多线程并发技术实时监控停电预警信息及故障工单状态。通过对比分析故障停电预警阈值，生成疑似停电设备的预警信息，匹配当前在途报修工单，提取出可合并的工单。主动提醒客服专员进行工单合并，同时提醒管理人员关注预警状态及预警下发，故障恢复后则自动撤销预警。故障预警处理系统如图5 所示。

图5 故障预警处理系统

基于营销、配网、调度贯通的多种数据治理资源，在对数据信息进行融合分析处理的基础上，通过开展业务梳理，分析各业务场景紧急程度和终端工作差异化。利用精确的客户数据和电力数据，引入大数据分析、分布式处理等高效的技术手段，逐步完善信息系统，实现在信息中心报修定位、停电计划流程化管理、数据质量校核的深化应用。具体架构如图6 所示。

该研究的技术方案能够完成完整的配电网网架图的构建，描述完整的配电网可以为各个业务部门的信息化项目、科技项目提供配网对象拓扑关系数据、配网对象全维度属性数据，还能够通过配电网网架核查实现对业务系统台账数据的质量核查，发现台账中的数据不完整、数据不准确、数据关系错误等问题，也可以发现营配贯通错误的问题。该研究方案还基于配电网网架图进行户变关系核查，判断营销系统中存储的户变关系。同时基于配电网网架图进行采集数据核查，发现并记录电压电流不准问题、事件缺报及误报问题，进而发现造成这些问题的故障智能终端设备，下面对其关键技术进行描述。

3 关键技术及算例分析

3.1 关键技术

1）基于大数据的实时区域故障停电定位。应用大数据分析技术构建实时的区域故障停电定位模型，通过实时采集客户突发大量故障报修服务请求信息，结合经过清洗和预处理的历史报修工单信息、区域停电信息、用户档案信息等数据进行计算。采用对比分析法进行实时分析，定位疑似引发故障的变压器等电网设备。根据营配贯通融合成果数据，反向推衍出变压器影响的用户和区域，实现实时定位区域故障停电。

2）基于移动互联的用户报修位置定位。随着未来电力物联网的开展和技术进步，人与物的信息交互将越来越普遍。基于此，文中利用移动互联技术通过手机用户的保修信息，实现直接、快速的“点对点”故障处理。用户通过在手机地图中进行位置定位以获取查询位置的坐标及地址信息，并通过移动互联技术实现用户掌上电力APP 报修定位，以辅助客服专员获取用户位置坐标，将用户的报修位置随工单下发至移动抢修终端，为抢修人员快速抢修提供准确的报修定位支撑。

3.2 算例分析

为了测试文中所建立的主动研判及抢修系统的有效性，选取某110 kV 变电站作为研究对象，建立从变电站、配电母线、配电线路到用户变压器的基本参数模型。同时建立实验平台，观察其在故障出现前的响应情况。此外，为观察其由于故障判断错误导致的误操作，实验中还加入了正常情况的模拟，每种类型模拟20 次，观察其信息传输时间、故障检测准确率等。具体结果如表2 所示。

表2 模拟分析结果

由上述实验结果可知，“故障停电预警技术”在客服专员受理故障报修时，可以快速定位报修客户的停电原因，并发出报修提示告知客服专员进行报修合并，缩短客服查找停电信息的时间，进而避免出现因人工操作、数据质量等原因导致用户定位不准确的事件，提高了客服专员的工作效率和工作质量。

4 结束语

文中基于电力营配贯通数据资源，探索建立一种客户侧区域性故障主动研判及抢修技术，克服以往故障发生后被动抢修业务模式限制，有效应对区域性故障发生后电力客服中心出现的话务突增压力，提升电力客服中心的服务质量和效率。通过历史数据进行的预演实验，证明了该文所述故障主动研判技术的有效性。

未来随着计算机技术、信息处理技术及物联网、5G的发展，高效智能算法的应用场景会不断增加。而基于海量的电力历史数据和实时数据的信息挖掘技术势必会增加在电网中的应用，可以预见的是这些信息对提升电网电力供应可靠性、降低运行成本及提升用户服务质量均具有重要的现实意义。