低電壓預警監測智能決策系統設計與實現

摘" 要：為解決目前多系統數據難融合、低電壓研判不準確、低電壓問題難根治和治理效率低等問題，該文搭建基于大數據挖掘技術的低電壓智能分析預警診斷模型。構建基于多任務輔助學習的全景感知低電壓監測模型，實現高效、準確的電力客戶分群與低電壓成因分析；提出基于卷積神經網絡的命名實體識別模型，形成“實體－關系－實體”三元組的低電壓知識圖譜；應用低電壓知識圖譜，實現輔助決策自動生成，并通過平臺進行可視化展示。結果表明，低電壓預警監測智能決策系統涵蓋供電指揮、配網生產、營銷服務和發展規劃等專業的業務全流程、全環節，可大幅提升供電服務水平和業務支撐能力。

關鍵詞：低電壓；大數據；多任務輔助學習；卷積神經網絡；知識圖譜

中圖分類號：TM714" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）36-0043-04

Abstract： In order to solve the current problems of difficulty in integrating multiple system data， inaccurate low voltage judgment， difficulty in curing low voltage problems， and low governance efficiency， this paper builds a low voltage intelligent analysis， early warning and diagnosis model based on big data mining technology. A panoramic sensing low voltage monitoring model based on multi-task assisted learning is built to achieve efficient and accurate power customer grouping and low voltage cause analysis; a named entity recognition model based on convolutional neural network is proposed to form an \"entity-relationship-entity\" low voltage knowledge graph of the triple group; the low voltage knowledge graph is applied to realize automatic generation of auxiliary decisions and visually displayed through the platform. The results show that the low-voltage early warning and monitoring intelligent decision-making system covers the entire business process and all links of power supply command， distribution network production， marketing services， development planning and other majors， greatly improving the power supply service level and business support capabilities.

Keywords： low voltage; big data; multi-task assisted learning; convolutional neural network; knowledge graph

近年來，供電局面臨著大量的臺區用戶電壓偏低問題，供電企業為有效解決低電壓問題，提升用戶用電質量，不斷運用各種項目或運維手段予以解決。但由于低電壓臺區數量偏多，分析人員數量有限及人員未能全程跟蹤問題的解決進度，導致低電壓問題分析不夠精準、解決措施未能真正奏效，造成投資浪費，問題未得到精準解決等問題。面對電網數據量大、低電壓預警手段匱乏、決策分析復雜等困局，無法充分利用海量信息對低電壓工單、電網設備、服務資源進行高效管理，嚴重影響了供電公司供電服務優質水平和業務支撐能力。

因此，本文結合實際，利用多源異構數據融合、低電壓成因聚類分析、低電壓領域知識圖譜、大語言模型等先進技術，構建低電壓智能分級、低電壓成因分析研判、低電壓治理輔助決策等模型，將算法模型進行深化應用，打造低電壓預警監測智能決策平臺，應用涵蓋供電指揮、配網生產、營銷服務和發展規劃等專業的業務全流程、全環節，推動低電壓用戶從“被動發現”到“主動感知”，供電服務管理由流程驅動轉為數據驅動，實現低電壓全景感知、實時監測、智能分析、智能預警和精準管控。

1 全景感知低電壓監測技術

1.1 低電壓智能分級模型

采用多源異構數據融合技術，構建低電壓智能分級模型，融合采用系統的低電壓量測、PMS系統的基礎臺賬、供指系統的低電壓工單、SCADA系統的線路電壓、電流和負荷等數據，以及電表終端、配變終端裝置、饋線FTU等不同來源的電壓、電流量測數據和中低壓GIS拓撲等多源異構數據，進行數據去重、缺失補全、數據類型轉化、特征值提取等標準化處理，得到低電壓等級的影響特征及其對應的低電壓級別，實現線路、臺區、用戶低電壓智能分級，分別是A（危急）、B（嚴重）、C（注意）和D（一般）4個等級。

然后，將處理好多源異構數據（即影響特征）作為輸入，低電壓級別作為輸出，構建包含特征學習和目標學習的混合深度神經網絡模型，挖掘低電壓級別與影響特征的關聯，通過深度學習，不斷訓練迭代優化低電壓智能分級模型，進一步提升低電壓智能分級模型精準性。

1.2 低電壓成因分析模型

采用雙向門控神經網絡（BiGRU）技術，結合多任務輔助訓練方式，構建基于多任務輔助學習的低電壓成因分析模型。

首先提取PMS系統的臺區額定容量及低壓線路的供電半徑、導線型號等設備參數，用采系統的臺區出口電壓、用戶電壓、供電戶數、三相負荷和負載率等數據，進行數據匹配和數據預處理，生成配網低電壓標準化數據集；然后分析配網低電壓數據的雙向時序特征，結合Pearson相關分析、單因素方差分析、統計對比等方法，對各類型數據進行相關性分析，剔除對故障影響程度低或冗余的特征變量，輸出配網低電壓的主要成因及子成因；接著將主成因分析設置為主任務，子成因分析設置為輔助任務，根據任務不同的特性，進行樣本特征重構，應用重構后的樣本特征對配網低電壓成因進行識別，精準提取數據有效特征和數據成因間關聯性，提升低電壓成因分析模型的精準度。

2 構建低電壓知識圖譜

為了緩解電力運檢領域文本在進行命名實體識別任務時準確率較低的問題，本文提出了基于卷積神經網絡的命名實體識別模型。該模型由詞嵌入層、特征加強層、圖卷積神經網絡層、跨度表示層和解碼層幾部分組成。

命名實體識別后進行實體關系抽取，對抽取的實體結合專家經驗進行實體鏈接和關系合并，進一步消除實體的歧義、冗余、錯誤，確保低電壓數據知識關系質量。最終形成“實體－關系－實體”三元組的低電壓知識圖譜，利用py2neo工具將三元組導入Neo4j圖數據庫中，進行圖譜的可視化展示。

2.1 模型研究

2.1.1 詞嵌入層

嵌入層采用Bert-base-chinese作為預訓練模型，得到文本序列的動態字向量。將文本的句子S={s1，s２，s３，…，sＮ}送入預訓練模型，其中，si代表文本句子的第i個字符，N表示句子的長度，最后得到輸出向量W={w1，w２，w３，…，wＮ}。

2.1.2 特征加強層

傳統的神經網絡在處理數據時無法有效捕捉句子的反向語義，這樣可能導致嚴重的信息丟失，使得無法準確地描述句子的特征。本文使用BiGRU模型對詞嵌入層得到的文本向量進行全局特征提取。BiGRU利用正向門控循環單元（Gated Recorrent Unit，GRU）和反向GRU來進行文本信息特征的提取，這個設計可以更有效地捕捉雙向的語義關系，并將兩者進行融合，實現了文本上下文信息的提取。

2.1.3 圖卷積神經網絡層

本文利用依賴語法信息來增強我們提出的模型。Graph Convolutional Network（GCN）是一種具有代表性的編碼依賴關系圖的方法，在信息提取方面已經被證明是有效的。因此，使用它作為一種標準策略來增強我們的單詞表示。通過利用注意力引導的GCN（AGGCN），即使用旋轉編碼獲取節點的相對位置信息，使得模型能夠更有效地捕獲圖結構中節點之間的相對位置關系，幫助模型更好地理解節點在圖中的全局結構以及更好地建模節點之間的依賴關系。

2.1.4 span表示層

利用枚舉跨度來生成文本跨度，以“編制本班培訓計劃，完成本班人員的技術培訓和考核工作”為例，生成的文本跨度為“編”“編制”“編制本”，…，“考”“考核”“考核工”和“考核工作”。

2.1.5 解碼層

本模型的解碼層包含2個部分。首先，識別所有有效的實體片段，然后對實體片段執行二分類來覆蓋它們的關系。因此，預測結果能被視為是一個實體片段關系圖，其中1個節點表示1個實體片段，邊表示2個實體片段之間的關系。解碼的目的是找到每個節點與其他節點連接的所有子圖。因此，每一個這樣的子圖組成一個實體，而沒有邊的實體片段由其自身構成一個實體。

2.1.6 輸出層

在訓練中，本文采用多任務學習共同訓練。損失函數定義為2個分類任務的負對數似然，即實體片段識別和片段關系預測，如公式（1）所示

，" （1）

式中：？酌ent和？酌rel分別表示文本跨度的標簽預測和跨度對的標簽預測，？琢和？茁是權重（？琢+？茁=1），用于調節這2個任務的重要性。

2.2 實驗與結果分析

2.2.1 電網調度領域語料集及詞典構建

電網運檢記錄中會使用到大量的電網運檢領域專業實體詞。該文以原始電力運檢記錄作為電網運檢領域命名實體識別任務的原始語料來源，在句子級別的文本上對數據集進行標注，構建了包含電站相關實體、線路相關實體、設備、部門、電力參數、物理量參數、電力元件和方法計劃8類實體的語料集。

2.2.2 電網運檢領域實體分類及標注

使用Station、Lines、Equipment、Department、Power_

parameters、Physical_parameters、Components、Files分別表示電站相關實體、線路相關實體、設備、部門、電力參數、物理量參數、電力元件和方法計劃8類實體，采用BIO標注方法對預處理后的文本進行實體標注。

2.2.3 評估指標

本文采用精確度（Precision）、召回率（Recall）和F1值作為評價指標，計算方法如公式（2）—（4）所示

式中：ＴＰ為正樣本判為正的個數；ＦＰ為正樣本判為負的個數；FＮ為負樣本判為正的個數。

2.2.4 參數設置

本文實驗模型參數設置見表1，實驗中的BERT采用的是中文預訓練語言模型bert-base-chinese。

2.2.5 對比實驗與結果分析

本文在電網運檢記錄數據集上進行對比實驗，以驗證所提出模型的整體性能和泛化能力，結果見表2，所列出的比較基線模型都是具有代表性的模型。

表2結果顯示，本文模型在針對電力運檢領域文本的命名實體識別任務中，取得了88.646%的F1值，且該模型的精確度和F1值均優于其他3種基線模型。

實驗結果表明，本文提出的方法能夠很好地識別出電力運檢領域的實體，確保低電壓數據知識關系質量，形成“實體－關系－實體”三元組的低電壓知識圖譜，構建低電壓知識庫，為電網規劃、建設、運行、檢修、維護和服務等專業提供輔助支撐。

3 低電壓預警監測智能決策平臺軟件系統

3.1 主要功能

通過匯集采用系統低電壓用戶數據、PMS基礎臺賬數據、95598系統工單和SCADA系統線路臺區運行等數據，以大數據技術為核心，對低電壓、重復低電壓預警、低電壓治理進度等實現全景感知、實時監測和管控。

應用大數據，構建一套針對用戶狀態、設備狀態的低電壓評級管控模式，分析未來可能造成低電壓的設備范圍，支撐配網低電壓主動發現、主動維護。

針對低電壓用戶，自動分析低電壓成因，同時給出處理決策建議，實現低電壓問題“精準分析、科學決策、優質服務”。

3.2 平臺用戶

低電壓預警監測智能決策平臺的主要用戶為電網公司開展供電服務的管理人員及業務人員。

3.3 登錄頁面

登錄方式：用戶通過在瀏覽器地址欄中輸入相關網址，打開用戶應用站點登錄界面。

3.4 瀏覽器要求

平臺需要用谷歌瀏覽器打開，且版本要求為86版本及以上。

3.5 系統應用說明

3.5.1 主界面

首先登錄系統，點擊大屏標題欄中的“低電壓預警監測智能決策平臺”，再點擊頁面右端的“低電壓監測”模塊標題，即可進入“低電壓預警監測智能決策平臺”主界面。主界面主要展現本市低電壓預警監測智能決策主要指標的當前情況。

“低電壓預警監測智能決策平臺”的主界面主要包括如下6個部分。

1）中央地圖：在主界面中間，通過熱力圖展示當前本市各區縣低電壓用戶數，按低電壓用戶數進行排名，前三依次為紅、黃、藍。當鼠標懸停于某個區縣時，動態展示該區縣服務客戶數、低電壓用戶數和排名；鼠標點擊某一區縣時，首頁的其他模塊數據進行聯動，展示該區縣的詳細低電壓數據情況。

2）低電壓全量監測情況：在主界面左上角，展示當前本市各區縣低電壓監測整體情況，包括本期監測數、同期監測數、同比等。當鼠標點擊首頁中間“中央地圖”某一區縣時，“低電壓全量監測情況”模塊進行聯動，展示該區縣下級所有供電所的詳細監測數據。

3）低電壓用戶清單：在主界面右上角，展示當前本市整體低電壓用戶，包括用戶名稱、用戶編號、所屬臺區、所屬區線、低電壓等級、得分和持續時長。與中央地圖聯動，地圖選中某區縣后展示該區縣下級供電所的低電壓用戶情況。

4）重復低電壓預警：在主界面左下角，展示重復低電壓預警明細清單，包括單位、用戶編號、用戶名稱、所屬站所、最低電壓值、低電壓發生時間和重復次數。當鼠標點擊首頁中間“中央地圖”某一區縣時，“重復低電壓預警”模塊進行聯動，展示該區縣范圍內發生的重復低電壓預警明細清單，主要用于識別和分析頻繁出現的低電壓問題。

5）低電壓分級說明：在主界面中下方，展示A/B/C/D級的圖標，對每類等級作說明，等級A代表低電壓現象頻發，感知明顯；等級B代表低電壓現象時發，感知較明顯；等級C代表低電壓現象偶發，略有感知；等級D代表低電壓現象少發，感知不明顯。當鼠標點擊“低電壓分級說明”模塊中的某個等級時，“低電壓用戶清單”模塊聯動展示該等級下的所有用戶明細，主要便于用戶理解不同等級的低電壓所代表的嚴重程度。

6）低電壓治理進度管控：默認展示各區縣公司的治理進度，包括本期臺區治理目標值、已治理臺區低電壓數量、治理進展；與中央地圖聯動，當鼠標點擊首頁中間“中央地圖”某一區縣時，展示該區縣的未治理臺區明細清單（含本期臺區治理目標值、當前治理進展、完成率），主要用于監控和評估治理工作的效率和效果。

3.5.2 對策實施效果仿真分析

在首頁“低電壓用戶清單”模塊，選擇某條低電壓記錄，點擊“成因分析”按鈕，生成具體成因分析及處理決策建議彈窗后，點擊“仿真曲線”按鈕，選擇某種“仿真類型”（例如加粗線徑），生成相應的對策實施效果仿真分析，主要是為用戶開展現場治理效果對比提供數據基礎。

4 結束語

綜上所述，針對低電壓問題對用戶的生產和生活帶來的嚴重影響，以及供電公司低電壓研判不準確、低電壓問題難根治、治理效率低等問題，本文搭建了基于大數據挖掘技術的低電壓預警監測智能決策平臺。研究結果表明，該平臺應用涵蓋供電指揮、配網生產、營銷服務和發展規劃等專業的業務全流程、全環節，實現了低電壓全景感知、實時監測、智能分析、智能預警和精準管控，對問題進行分析和故障溯源，精準輸出低電壓治理輔助決策建議，實現輔助決策自動生成，并通過平臺進行可視化展示，有效提升了供電服務數字決策支撐效能和運營能力。

參考文獻：

[1] 萬志軍.農村配電網節能改造及電能質量提升技術研究[J].機電工程技術，2019，48（5）：203-207.

[2] 陳光明.配電線路低電壓問題分析及綜合治理方案研究[J].電氣技術與經濟，2023（10）：1-3.

[3] 曾小剛，歐陽安妮.配電網低電壓成因分析及治理措施[J].科技創新與應用，2022，12（8）：108-110.

[4] 王琴，劉元輝，葛強.國網湖南電力數字化治理低電壓精益化運維配電網[N].國家電網報，2023-02-27（003）.

[5] 王均.基于物聯網的電壓監測及低電壓預警系統研發[D].南昌：南昌大學，2022.

[6] 段行宇.配變低電壓實時監測管理系統的設計與實現[D].成都：電子科技大學，2021.