基于數據驅動的電網用戶側故障主動研判技術研究與應用

李 瑋，劉 勃，張 莉，于毛毛，鄧艷麗

（國家電網有限公司客戶服務中心，天津 300000）

通常情況下，當電網故障發生時，客服中心會最先接到客戶的電話，并且在故障最初發生的幾分鐘內，話務量會集中增多。由于同一變壓器引起的不同地址用戶的報修突增缺乏有效分析工具，客服專員只能大量下發故障工單，重復派發的工單會給中心業務受理效率和基層供電單位的工單轉派與搶修處理帶來較大的壓力[1-4]。

基于以上問題，建立停電智能預警服務模式。利用客戶服務95598 業務支持系統[5]、基礎數據平臺及大數據分析平臺，對運營、配網、調度的客戶檔案、變壓器臺賬、95598 工單等海量信息進行加工，提供疑似大面積停電智能預警基礎數據資源。通過設置監測目標、時間、區域等相關參數，配合聚類分析等算法[6]采集樣本、設置預警規則、閾值，構建疑似停電智能預警模型，并制定對應措施，形成“信息、預警、措施”三位一體的服務模式，為客服代表提供準確、有效的服務支撐。

1 基于卷積神經網絡的故障研判

1.1 數據前期處理

在數據前期處理階段，首先使用營銷部、運維檢修以及其他部分的相關歷史數據，結合數據清洗技術，對其進行中文分詞等預處理操作。另一方面通過預訓練初始參數，對預處理后的歷史數據進行相互校驗，形成訓練模型及算法，從而得出訓練結果。電網客服系統數據預處理過程如圖1 所示。

圖1 電網客服系統數據預處理過程

數據清洗（Data Cleaning）[7-9]是對原始信息數據的檢查與修正，從而提高數據質量。通常而言，數據清洗的步驟包括數據分析、數據變換及數據驗證。

1.2 卷積神經網絡

卷積神經網絡（CNN）是一種常用的智能化數據挖掘技術[10-12]，其主要由卷積層、池化層和分類層構成。在文本分類中，句子的長度通常不統一，而智能卷積神經網絡可以通過卷積、池化和連接等操作將多維數據全連接為一維數據，由此實現分類操作，這就是卷積神經網絡的一維典型結構，其具體原理如圖2 所示。

圖2 卷積神經網絡結構原理

1.3 主成分分析法

主成分分析法（PCA）是一種經典的特征提取方法，可以查找出最能夠代表一組數據特征的關鍵點，以這些少量的關鍵點作為數據整體的代表，尤其是用在回歸分析或聚類分析中的類別數目確定中，其基本原理一般是基于協方差矩陣或相關系數來研究[13-14]。

作為經典的數據特征提取算法，主成分分析算法能夠在保持數據特有特征的基礎上，盡可能地減少數據維度和數據量，實現將復雜信息簡約化的處理。但是，考慮到一組數據不可能完全由其特征量代替，通常使用方差來衡量主成分分析的優劣程度。同時，由于主成分分析被廣泛應用，近年來衍生出多種改進算法，比如曲線主成分分析、多維綜合主成分分析、加權主成分分析等[15-16]。

圖3 PCA主成分提取原理

主成分分析是一種統計意義上實現均方差最小的數據特征提取算法。經過該方法濾掉的成分通常是原始數據中存在的噪音點，所以將其去除并不會造成數據特征丟失的結果，這也是原始數據降噪的一種方法。主成分分析法通常用在圖像識別中，由于其強大的特征提取功能可輕松地實現圖像識別，這種識別可以看成是圖像的降噪過程。

主成分分析將原本存在于高維空間中的問題轉移到低維空間中，形成一組新的變量，這種投射需要一個轉換函數來實現，經過轉化后的數據包含原數據的大部分信息，并且具有較為明顯的規律可循，這種轉換也可以實現逆操作，因此，主成分分析的意義存在于兩個方面，一方面可以被用作數據降維、特征提取、數據壓縮等，另一方面可以實現數據、圖像的重構。

所有的平面可看作是由點組成的，每兩個點之間均存在一個歐氏距離，而從現實平面上看，可能無法找到一個平面使得所有點對該平面的垂直距離最小。主成分分析就是將x1、x2兩個點轉換到另一個平面上進行評估，而在此轉換過程中，保留其特征向量和特征值，不至于丟失部分信息。所謂主成分分析，就是將平面旋轉一個角度θ，從而將原數據點轉換到另一個新的坐標系衡量，其主要的變換原理如圖4 所示。

圖4 主成分分析的變換原理

其變換關系如下：

用矩陣形式表示上式可得到：

其中，U′為變換矩陣，其是一個正交矩陣：

1.4 功能需求

根據電力系統運維檢修的實際情況，識別用戶側故障是系統所應具備的主要功能需求[17]，如表1所示。

表1 系統功能需求

1.5 性能需求

要建立一套完整的電網故障主動研判和搶修體系，除了對系統的功能有需求分析外，還應對其性能作出具體的規定，比如故障研判效率、命令下發的可靠性及關鍵部位傳感器的信息傳遞可靠性等。性能需求包括預判精度、推送時間/效率和查詢響應時間。

2 系統架構設計

基于營配貫通融合成果數據、故障報修服務請求、歷史工單信息、應用大數據分析技術構建故障停電預警智能分析模型，采用多線程并發技術實時監控停電預警信息及故障工單狀態。通過對比分析故障停電預警閾值，生成疑似停電設備的預警信息，匹配當前在途報修工單，提取出可合并的工單。主動提醒客服專員進行工單合并，同時提醒管理人員關注預警狀態及預警下發，故障恢復后則自動撤銷預警。故障預警處理系統如圖5 所示。

圖5 故障預警處理系統

基于營銷、配網、調度貫通的多種數據治理資源，在對數據信息進行融合分析處理的基礎上，通過開展業務梳理，分析各業務場景緊急程度和終端工作差異化。利用精確的客戶數據和電力數據，引入大數據分析、分布式處理等高效的技術手段，逐步完善信息系統，實現在信息中心報修定位、停電計劃流程化管理、數據質量校核的深化應用。具體架構如圖6 所示。

該研究的技術方案能夠完成完整的配電網網架圖的構建，描述完整的配電網可以為各個業務部門的信息化項目、科技項目提供配網對象拓撲關系數據、配網對象全維度屬性數據，還能夠通過配電網網架核查實現對業務系統臺賬數據的質量核查，發現臺賬中的數據不完整、數據不準確、數據關系錯誤等問題，也可以發現營配貫通錯誤的問題。該研究方案還基于配電網網架圖進行戶變關系核查，判斷營銷系統中存儲的戶變關系。同時基于配電網網架圖進行采集數據核查，發現并記錄電壓電流不準問題、事件缺報及誤報問題，進而發現造成這些問題的故障智能終端設備，下面對其關鍵技術進行描述。

3 關鍵技術及算例分析

3.1 關鍵技術

1）基于大數據的實時區域故障停電定位。應用大數據分析技術構建實時的區域故障停電定位模型，通過實時采集客戶突發大量故障報修服務請求信息，結合經過清洗和預處理的歷史報修工單信息、區域停電信息、用戶檔案信息等數據進行計算。采用對比分析法進行實時分析，定位疑似引發故障的變壓器等電網設備。根據營配貫通融合成果數據，反向推衍出變壓器影響的用戶和區域，實現實時定位區域故障停電。

2）基于移動互聯的用戶報修位置定位。隨著未來電力物聯網的開展和技術進步，人與物的信息交互將越來越普遍。基于此，文中利用移動互聯技術通過手機用戶的保修信息，實現直接、快速的“點對點”故障處理。用戶通過在手機地圖中進行位置定位以獲取查詢位置的坐標及地址信息，并通過移動互聯技術實現用戶掌上電力APP 報修定位，以輔助客服專員獲取用戶位置坐標，將用戶的報修位置隨工單下發至移動搶修終端，為搶修人員快速搶修提供準確的報修定位支撐。

3.2 算例分析

為了測試文中所建立的主動研判及搶修系統的有效性，選取某110 kV 變電站作為研究對象，建立從變電站、配電母線、配電線路到用戶變壓器的基本參數模型。同時建立實驗平臺，觀察其在故障出現前的響應情況。此外，為觀察其由于故障判斷錯誤導致的誤操作，實驗中還加入了正常情況的模擬，每種類型模擬20 次，觀察其信息傳輸時間、故障檢測準確率等。具體結果如表2 所示。

表2 模擬分析結果

由上述實驗結果可知，“故障停電預警技術”在客服專員受理故障報修時，可以快速定位報修客戶的停電原因，并發出報修提示告知客服專員進行報修合并，縮短客服查找停電信息的時間，進而避免出現因人工操作、數據質量等原因導致用戶定位不準確的事件，提高了客服專員的工作效率和工作質量。

4 結束語

文中基于電力營配貫通數據資源，探索建立一種客戶側區域性故障主動研判及搶修技術，克服以往故障發生后被動搶修業務模式限制，有效應對區域性故障發生后電力客服中心出現的話務突增壓力，提升電力客服中心的服務質量和效率。通過歷史數據進行的預演實驗，證明了該文所述故障主動研判技術的有效性。

未來隨著計算機技術、信息處理技術及物聯網、5G的發展，高效智能算法的應用場景會不斷增加。而基于海量的電力歷史數據和實時數據的信息挖掘技術勢必會增加在電網中的應用，可以預見的是這些信息對提升電網電力供應可靠性、降低運行成本及提升用戶服務質量均具有重要的現實意義。