一种基于大数据的客户侧跳闸风险预控方法及系统

摘要

本发明涉及一种基于大数据的客户侧跳闸风险预控方法及系统，所示方法包括以下步骤：S1：通过大数据分析，收集短路故障、漏电故障、负载功率过大、导线过细的原始数据及指标；S2：收集的原始数据进行预处理操作，作为预测数据；S3：建立客户数据预测模型，预估客户跳闸主要影响因素；S4：统计分析预测结果，得出分析报告，分析管控预测风险；S5：制定风险预控方案，优化故障抢修资源配置。对客户侧跳闸风险有更好的科学及时的预控，精细化的管理，实现数据与信息的整合，确立客户侧风险管理体系，整合零散数据，局部信息标准化为整体信息，设置合理的设备、人员资源分配，提升客户的满意度。

说明书

技术领域

本发明属于风险预控技术领域，具体涉及一种基于大数据的客户侧跳闸风险预控方法及系统。

背景技术

随着电网迅猛发展，对于客户侧跳闸的管理重要性日益凸显，目前，客户侧跳闸需要工作人员检查、管理，未能对客户情况进行全局了解与预测，从而不能提出科学的解决方案，管理处于被动状态，只针对现存的问题进行故障检修，资源配置方面也存在不均衡的问题，以往的数据系统侧重于主网的管理，忽略对客户侧跳闸数据采集与管理，使客户侧跳闸信息的管理处于薄弱环节。此为现有技术的不足之处。

为了满足对客户侧跳闸管理模式的需要，对客户侧跳闸风险有更好的科学及时的预控，精细化的管理，实现数据与信息的整合，确立客户侧风险管理体系，整合零散数据，局部信息标准化为整体信息，设置合理的设备、人员资源分配，提升客户的满意度。

本发明提供一种基于大数据的客户侧跳闸风险预控方法及系统以解决现有技术中的上述缺陷，是非常有必要的。

发明内容

本发明的目的在于，针对上述的客户侧跳闸管理模式不能满足客户管理需要的缺陷，提供设计一种基于大数据的客户侧跳闸风险预控方法及系统，以解决上述技术问题。

本发明提供一种基于大数据的客户侧跳闸风险预控方法，包括以下步骤：

S1：通过大数据分析，收集短路故障、漏电故障、负载功率过大、导线过细的原始数据及指标；

S2：收集的原始数据进行预处理操作，作为预测数据；

S3：建立客户数据预测模型，预估客户跳闸主要影响因素；

S4：统计分析预测结果，得出分析报告，分析管控预测风险；

S5：制定风险预控方案，优化故障抢修资源配置。

作为优选，所述步骤S1中，收集原始数据信息及指标，存入数据库，为客户侧管理提供了详实的基础数据，便于对客户侧跳闸涉及信息整合管理。

作为优选，所述的步骤S2中，对收集的原始数据进行预处理操作，所述的预处理包括，数据清洗、数据集成、数据标准化；

所述的数据清洗对处理数据样本进行消除无关数据、噪声数据、重复数据、缺省数据；所述的数据集成主要合并数据样本内存在的异构数据，包括数据的选择、不同数据库之间的数据冲突以及不一致问题的处理操作；所述的数据标准化将收集数据按专业、部门职责进行划分，形成标准数据作为预测数据。

作为优选，所述的步骤S3中，建立客户数据预测模型的步骤具体包括以下步骤：

S31：选取训练集作为输入数据的步骤；

S32：搭建神经网络的步骤；

S33：输出模型训练结果，保存训练成果的步骤；

S34：定期选取训练集，优化预测模型的步骤。

作为优选，所述的步骤S31中，训练集选取因短路故障、漏电故障、负载功率过大、导线过细的特征数据，同时结合经济结构及发展水平，气候气温影响及季节时段影响，所述的训练集可以根据需要预测的因素，选择涉及的预测数据，所述的训练集存储至数据库，选取合适训练集，使建立模型预测更加准确。

作为优选，所述的步骤S32中，搭建神经网络设置输入层、卷积池化层、输出层；所述的输入层采用数据库接入方法导入训练集；所述的卷积池化层采用的激活函数为Relu()，采用卷积函数为conv2d()，卷积核为3*3，设置三层卷积，三层池化，池化函数为max_pool ing()，优化函数为Opt imizer()，所述的输出层输出预测结果，即导致跳闸各种因素发生概率，此时预测模型建立完成。

作为优选，所述的步骤S33中，输出模型的训练结果，对传入训练集得出的训练成果进行成果保存，保存的训练成果直接用于预测数据分析跳闸风险，对比不同因素影响概率，分析主要影响因素。

作为优选，所述的步骤S34中，训练成果需要定期更新优化训练集，得出新的训练成果将替换之前训练成果，使得预测结果不断优化，预测准确率不断提高，训练成果的保存大大缩短预测时间。

作为优选，所述的步骤S4中统计分析预测结果，分析预测结果输出的分析报告展示形式为网页展现，外接嵌入式设备展示中的一种或多种。

作为优选，所述的预测数据与训练数据保存格式要求一致，使得预测模型能够识别预测数据并进行准确预测。

作为优选，所述的步骤S5中，制定风险预控方案，优化故障抢修资源配置；通过客户数据预测模型，得出各因素对跳闸风险的影响大小，通过结合用户的类型，所处区域、跳闸主要原因，发生季节因素，配置合理的抢修队伍、备品备件、抢修车辆，以及根据预测结果，客户跳闸对电网造成的影响，提前对调整重要负荷做出转移方案，调整网架结构，保证重要负荷不停电。

本发明还提供一种基于大数据的客户侧跳闸风险预控系统包括数据收集模块，所述的数据收集模块通过大数据分析技术，收集短路故障、漏电故障、负载功率过大、导线过细的原始数据及指标，收集的数据传入数据预处理模块，数据预处理模块对数据处理，使得数据符合预测模型传入数据的标准；训练集传入预测模型模块输出训练成果包，预测数据通过训练成果包输出预测结果，所述的预测结果传入分析与预测模块，分析与预测模块分析出导致跳闸因素的概率以及资源的合理配置，预测分析结果通过展示模块展示。

作为优选，所述的预测模型模块包括导入训练集子模块、神经网络子模块、训练成果子模块；训练集通过导入训练集子模块，建立客户预测模型，客户预测模型存储至神经网络子模块，所述的神经网络子模块输出训练成果包，存储至训练成果子模块；传入预测数据直接通过训练成果子模块预测客户侧跳闸主要因素；将训练成果直接用于预测，节省预测时间，提高客户侧跳闸风险预测效率。

本发明的有益效果在于，本发明涉及一种基于大数据的客户侧跳闸风险预控方法，提高了配网风险预控的能力，前移风险关口；及时预测跳闸风险隐患，提前发现客户管理的薄弱环节，提前介入，提前管控；根据数据预测结果，制定处置方案，提升了调控应急指挥能力，优化故障抢修资源配置，优化配置资源，提高抢修率；实现对客户的综合管控，解决了信息孤岛效应，使得基础数据更加容易共享。此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。

由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。

附图说明

图1为一种基于大数据的客户侧跳闸风险预控方法示意图。

图2为一种基于大数据的客户侧跳闸风险预控系统示意图。

图3为建立客户数据预测模型的步骤示意图。

其中，1-数据收集模块；2-数据预处理模块；3-预测模型模块；3.1-训练集子模块；3.2-神经网络子模块；3.3-训练成果子模块；3.4-训练成果包；4-分析与预测模块；5-展示模块。

具体实施方式

下面结合附图并通过具体实施例对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。

实施例1：

如图1所示，本发明提供一种基于大数据的客户侧跳闸风险预控方法，包括以下步骤：

S1：通过大数据分析，收集短路故障、漏电故障、负载功率过大、导线过细的原始数据及指标；

所述步骤S1中，通过大数据分析，收集原始数据信息及指标，存入数据库，为客户侧管理提供了详实的基础数据，便于对客户侧跳闸涉及信息整合管理。

S2：收集的原始数据进行预处理操作，作为预测数据；

所述的步骤S2中，对收集的原始数据进行预处理操作，所述的预处理包括，数据清洗，对处理数据样本进行消除无关数据、噪声数据、重复数据、缺省数据；数据集成，主要合并数据样本内存在的异构数据，主要包括数据的选择、不同数据库之间的数据冲突以及不一致问题的处理操作；数据标准化将收集数据按专业、部门职责进行划分，形成标准数据作为预测数据。

S3：建立客户数据预测模型，预估客户跳闸主要影响因素；

所述的步骤S3中，建立客户数据预测模型的步骤具体包括以下步骤：

S31：选取训练集作为输入数据的步骤；

所述的步骤S31中，训练集选取因短路故障、漏电故障、负载功率过大、导线过细的特征数据，同时结合经济结构及发展水平，气候气温影响及季节时段影响，所述的训练集可以根据需要预测的因素，选择涉及的预测数据，所述的训练集存储至数据库，选取合适训练集，使建立模型预测更加准确。

S32：搭建神经网络的步骤；

搭建神经网络设置输入层、卷积池化层、输出层；所述的输入层采用数据库接入方法导入训练集；所述的卷积池化层采用的激活函数为Relu()，采用卷积函数为conv2d()，卷积核为3*3，设置三层卷积，三层池化，池化函数为max_pooling()，优化函数为Optimizer()，所述的输出层输出预测结果，即导致跳闸各种因素发生概率，此时预测模型建立完成。

S33：输出模型训练结果，保存训练成果的步骤；

输出模型的训练结果，对传入训练集得出的训练成果进行成果保存，保存的训练成果直接用于预测数据分析跳闸风险，对比不同因素影响概率，分析主要影响因素。

S34：定期选取训练集，优化预测模型的步骤；

训练成果需要定期更新优化训练集，得出新的训练成果将替换之前训练成果，使得预测结果不断优化，预测准确率不断提高，训练成果的保存大大缩短预测时间。

S4：统计分析预测结果，得出分析报告，分析管控预测风险；

分析预测结果输出的分析报告展示形式为网页展现，外接嵌入式设备展示中的一种或多种。

S5：制定风险预控方案，优化故障抢修资源配置；

通过客户数据预测模型，得出各因素对跳闸风险的影响大小，通过结合用户的类型，所处区域、跳闸主要原因，发生季节因素，配置合理的抢修队伍、备品备件、抢修车辆，以及根据预测结果，客户跳闸对电网造成的影响，提前对调整重要负荷做出转移方案，调整网架结构，保证重要负荷不停电。

实施例2：

如图2所示，本发明还提供一种基于大数据的客户侧跳闸风险预控系统包括数据收集模块1，所述的数据收集模块1通过大数据分析技术，收集短路故障、漏电故障、负载功率过大、导线过细的原始数据及指标，收集的数据传入数据预处理模块2，数据预处理模块2对数据处理，使得数据符合预测模型传入数据的标准；训练集传入预测模型模块3输出训练成果包3.4，预测数据通过训练成果包3.4输出预测结果，所述的预测结果传入分析与预测模块4，分析与预测模块4分析出导致跳闸因素的概率以及资源的合理配置，预测分析结果通过展示模块5展示。

如图3所示，所述的预测模型模块3包括导入训练集子模块3.1、神经网络子模块3.2、训练成果子模块3.3；训练集通过导入训练集子模块3.1，建立客户预测模型，客户预测模型存储至神经网络子模块3.2，所述的神经网络子模块输出训练成果包3.4，存储至训练成果子模块3.3；传入预测数据直接通过训练成果子模块3.3预测客户侧跳闸主要因素；将训练成果直接用于预测，节省预测时间，提高客户侧跳闸风险预测效率。

以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。