CN118504991B 一種電力保障區(qū)域的停電處理方法、裝置、設(shè)備及介質(zhì) （國網(wǎng)浙江省電力有限公司杭州供電公司）

US2018059186A1,2018.03.01一種電力保障區(qū)域的停電處理方法、裝置、本發(fā)明公開了一種電力保障區(qū)域的停電處高精度時(shí)間同步方法在停電發(fā)生的瞬間進(jìn)行時(shí)建與評估結(jié)果相匹配的由安全預(yù)警終端執(zhí)行的2根據(jù)高精度時(shí)間同步方法在停電發(fā)生的瞬間進(jìn)行時(shí)間標(biāo)記，并采集基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法，對所述歷史運(yùn)行數(shù)據(jù)進(jìn)行特征提取和表示學(xué)習(xí)，將處理后的所述深度特征向量輸入到多層感知器MLP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到異常識別建立基于圖數(shù)據(jù)庫的歷史經(jīng)驗(yàn)數(shù)據(jù)庫，獲取存儲系統(tǒng)運(yùn)行過程中通過圖匹配算法在所述歷史經(jīng)驗(yàn)數(shù)據(jù)庫中檢索相似或關(guān)聯(lián)的異常方案；建立停電風(fēng)險(xiǎn)評估模型，采用貝葉斯網(wǎng)絡(luò)或馬爾可夫決策過采用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法對所述停電風(fēng)險(xiǎn)評估指標(biāo)進(jìn)行處理，以根據(jù)所述停電風(fēng)險(xiǎn)評估模型，采用貝葉斯網(wǎng)絡(luò)推理算法，對所述獲取所述電力系統(tǒng)的當(dāng)前運(yùn)行數(shù)據(jù)，將所述當(dāng)前運(yùn)行數(shù)據(jù)輸3根據(jù)所述高精度時(shí)間同步方法獲取同步時(shí)間戳，對采集的停電事件采用地理信息系統(tǒng)技術(shù)，將所述停電事件數(shù)據(jù)與電網(wǎng)拓?fù)浣Y(jié)構(gòu)進(jìn)行采用等距離劃分法對所述停電風(fēng)險(xiǎn)評估模型輸出的停電風(fēng)險(xiǎn)評估結(jié)果進(jìn)行處采集模塊，用于根據(jù)高精度時(shí)間同步方法在停電發(fā)生提取模塊，用于基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法，對所述歷史運(yùn)行取和表示學(xué)習(xí)，通過卷積層和池化層自動學(xué)習(xí)所述歷史運(yùn)行數(shù)據(jù)中的局部模式和全局模將處理后的所述深度特征向量輸入到多層感知器MLP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到異常識別建立基于圖數(shù)據(jù)庫的歷史經(jīng)驗(yàn)數(shù)據(jù)庫，獲取存儲系統(tǒng)運(yùn)行過程中通過圖匹配算法在所述歷史經(jīng)驗(yàn)數(shù)據(jù)庫中檢索相似或關(guān)聯(lián)的異常4采用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法對所述停電風(fēng)險(xiǎn)評估指標(biāo)進(jìn)行處理，以根據(jù)所述停電風(fēng)險(xiǎn)評估模型，采用貝葉斯網(wǎng)絡(luò)推理算法，對所述輸出模塊，用于獲取所述電力系統(tǒng)的當(dāng)前運(yùn)行數(shù)據(jù)，將所述當(dāng)前運(yùn)現(xiàn)如權(quán)利要求1_4中任一所述的電力保障區(qū)域處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1_4任意一項(xiàng)所述的電力保障區(qū)域的停5[0002]電力停電處理中，時(shí)間尺度的精度與停電風(fēng)險(xiǎn)判斷準(zhǔn)確性之間存在著技術(shù)矛[0005]為了解決上述技術(shù)問題，本發(fā)明實(shí)施例提供了一種電力保障區(qū)域的停電處理方6[0015]將處理后的所述深度特征向量輸入到多層感知器MLP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到異常[0024]采用等距離劃分法對所述停電風(fēng)險(xiǎn)評估模型輸出的停電7所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上所述的電力保障區(qū)域的停8圖1示出為本發(fā)明其中一種實(shí)施例中的提供的電力保障區(qū)域的停電處理方法的流程示意9[0053]示例性的，為了實(shí)現(xiàn)高性能的數(shù)據(jù)采集，可以選用具有8個同步采樣通道的PCI_[0054]將采集的數(shù)據(jù)通過工業(yè)以太網(wǎng)上傳至數(shù)據(jù)中心，以太網(wǎng)交換機(jī)采用千兆光纖端組成，每個節(jié)點(diǎn)配置32G內(nèi)存和1TBSSD硬盤，采用機(jī)架式服務(wù)器，通過10Gbps網(wǎng)絡(luò)互聯(lián)。[0059]本發(fā)明將時(shí)間同步技術(shù)與停電檢測相結(jié)合，通過高速電[0060]針對記錄的停電時(shí)間數(shù)據(jù)，運(yùn)用時(shí)間序列分析和異常檢測算法等大數(shù)據(jù)分析技[0061]通過機(jī)器學(xué)習(xí)算法（如LSTM神經(jīng)網(wǎng)絡(luò)結(jié)合歷史停電事件數(shù)據(jù)和相關(guān)影響因素，塊，通過接收GPS衛(wèi)星廣播的PPS（PulsePerSecond）信號，實(shí)現(xiàn)與UTC（Coordinated電事件發(fā)生，觸發(fā)時(shí)間標(biāo)記模塊生成停電時(shí)刻標(biāo)簽，標(biāo)簽格式為"YYYY_MM_DDHH:mm:ss.SSS"，精確到毫秒。停電時(shí)間標(biāo)簽通過MQTT協(xié)議發(fā)布到Kafka消息隊(duì)列，再通Connect組件同步寫入本地SSD硬盤和遠(yuǎn)程MySQL數(shù)據(jù)庫，通過Raft協(xié)議實(shí)現(xiàn)多個存儲節(jié)點(diǎn)[0074]在量化評估關(guān)鍵參數(shù)的不確定性分析中，首先對參數(shù)的分布類型和范圍進(jìn)行估據(jù)進(jìn)行特征提取和表示學(xué)習(xí)，通過卷積層和池化層自動學(xué)習(xí)數(shù)據(jù)中的局部模式和全局模[0080]針對海量的時(shí)序數(shù)據(jù)和復(fù)雜的異常模式識別任務(wù)，采用分布式計(jì)算框架，如ApacheSpark和TensorFlow分布式版，將數(shù)據(jù)處理和模型訓(xùn)練任務(wù)分布到多個計(jì)算節(jié)點(diǎn)上并行執(zhí)行，充分利用集群的計(jì)算資源，提高數(shù)據(jù)處理和模型訓(xùn)練的效率。通過Spark的RDD優(yōu)化數(shù)據(jù)在節(jié)點(diǎn)間的傳輸和計(jì)算任務(wù)的負(fù)載均衡，最小化任務(wù)執(zhí)行的時(shí)延和資源消耗。采[0090]將處理后的所述深度特征向量輸入到多層感知器MLP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到異常行人工復(fù)核和判斷。運(yùn)維人員可以通過可視化工具查看異常模式的詳細(xì)信息和上下文數(shù)個無標(biāo)簽樣本和1千個有標(biāo)簽樣本的歷史數(shù)據(jù)集，其中正常樣本和異常樣本的比例為9:1。為0.0001，求解最優(yōu)狀態(tài)值函數(shù)和決策策略。在自適應(yīng)動態(tài)調(diào)整階段，采用粒子群優(yōu)化[0121]采用等距離劃分法對所述停電風(fēng)險(xiǎn)評估模型輸出的停電其他通用處理器、數(shù)字信號處理器(DigitalSignalProcessor，DSP)、專用集成電路(ApplicationSpecificIntegratedCircuit，ASIC)、現(xiàn)成可編程門陣列(Field_ProgrammableGateArray，F(xiàn)PGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器[0143]所述存儲器22可用于存儲所述計(jì)算機(jī)程序和/或模塊，所述處理器21通過運(yùn)行或?qū)崿F(xiàn)所述電力保障區(qū)域的停電處理的各種功能。所述存儲器22可主要包括存儲程序區(qū)和存儲器，例如硬盤、內(nèi)存、插接式硬盤，智能存儲卡（SmartMedi