一种配网变压器告警异常数据检测方法及存储介质技术

本发明专利技术公开了一种配网变压器告警异常数据检测方法及存储介质，方法包括：步骤S1，基于配网单线图构建配网拓扑网架图谱；步骤S2，将配网拓扑网架图谱的节点进行图嵌入表示，得到配变的图嵌入表示向量；步骤S3，提取历史配变告警信息的告警特征，并将各类特征进行向量化表示，得到配变告警的表征向量；步骤S4：提取配变图嵌入表示向量和配变告警表征向量的一阶二阶高级特征再进行特征拼接，根据历史告警的人工标记结果构建Xgboost模型；步骤S5：将新配变告警向量化表示后输入Xgboost模型，得到配变告警异常检测结果；该方法结合配网单线图数据库、图嵌入表示、堆叠式自编码器和机器学习算法，实现了变压器的异常告警检测，提高了配网停电研判的准确性。网停电研判的准确性。

【技术实现步骤摘要】
一种配网变压器告警异常数据检测方法及存储介质


[0001]本专利技术涉及变压器异常告警检测
，具体涉及一种配网变压器告警异常数据检测方法及存储介质。

技术介绍

[0002]配网线路分布面积大，线路结构复杂，线路上的配电变压器数量众多，线路故障、变压器故障频发。在配网自动化设备覆盖度不够时，可通过配电变压器监测终端的失电告警信号作为启动配网停电研判的触发事件，再通过相应的研判算法实现停电事件的研判。但由于配电变压器监测终端存在终端故障、告警信号不准、重复发送告警信号等问题，这些异常的告警信号可能会导致配网停电研判出现误判、无效研判、重复研判等问题，因此，亟需一种针对告警信号检测的方法，以提高配网停电研判的准确性。

技术实现思路

[0003]针对上述问题，专利技术人提供了一种配网变压器告警异常数据检测方法及存储介质，通过结合图数据库、图嵌入表示、堆叠式自编码器和机器学习算法，实现了配电变压器的异常告警信号检测，提高了配网停电研判的准确性。
[0004]根据第一方面，本专利技术提供了一种配网变压器告警异常数据检测方法，包括如下步骤：
[0005]步骤S1：获取配网单线图，并基于所述配网单线图构建配网拓扑网架图谱；
[0006]步骤S2：将配网拓扑网架图谱的节点进行图嵌入表示，得到配变的图嵌入表示向量；
[0007]步骤S3：获取历史配变告警信息，提取历史配变告警信息的告警静态特征、时序特征和聚合特征，并将告警静态特征、时序特征和聚合特征进行向量化表示，得到配变告警的表征向量；
[0008]所述历史配变告警信息包括：发生时间、气象信息、告警类型、配变关联低压用户的报障信息、配变电流数据、配变电压数据；
[0009]步骤S4：采用堆叠式自编码器提取配变图嵌入表示向量和配变告警表征向量的一阶二阶高级特征，然后再进行特征拼接，根据历史告警的人工标记结果构建Xgboost模型；
[0010]步骤S5：将新配变告警向量化表示后输入所述Xgboost模型，得到配变告警异常检测结果。
[0011]进一步地，所述步骤S1包括：
[0012]将变配网单线图的SVG文件作为输入；
[0013]通过Java程序将所述SVG文件解析为DOM树，并将DOM树的元素转换为图数据库的节点；将DOM树的标签解析为节点的属性，将线缆解析为图数据库的关系；
[0014]将配网单线图进行简化，只保留配网单线图中的关键拓扑关系和关键设备，最终形成配网拓扑网架图谱。
[0015]进一步地，所述步骤S2包括：
[0016]采用node2vec算法将配网拓扑网架图谱的节点转换为低维稠密向量，所述node2vec算法的目标函数为：
[0017][0018]其中，u表示配网拓扑网架图谱中的任意配网变压器节点，V表示所有节点的集合，f(u)表示将节点u映射为向量的映射函数；N
S(u)
表示通过采样策略S得到的节点u的邻近节点集合，n
i
表示集合NS(u)中的任意节点；Z
u
为归一化因子。
[0019]进一步地，所述步骤S3包括：
[0020]获取历史配变告警信息，提取历史配变告警信息的告警静态特征、时序特征、聚合特征，并将各类特征进行向量化表示，得到配变告警的表征向量；
[0021]进一步地，所述步骤S4包括：
[0022]采用堆叠式自编码器提取配变图嵌入表示向量和配变告警表征向量的一阶二阶高级特征再进行特征拼接，根据历史告警的人工标记结果构建Xgboost模型。将节点的图嵌入表示向量、告警变化特征向量和历史告警人工标记结果进行归类划分为训练集和测试集；
[0023]以训练集为输入，训练第一层自编码器，得到训练集的一阶特征；
[0024]以一阶特征为输入，训练第二层自编码器，得到训练集的二阶特征；
[0025]将所述一阶特征和二阶特征进行拼接后构建Xgboost模型。
[0026]进一步地，所述Xgboost模型的损失函数为：
[0027][0028]y为真实值，y
′
为预测值，γ为调节因子，γ＝2。
[0029]根据第二方面，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序能够被处理器执行以实现如上所述方法的步骤。
[0030]相比现有技术，本专利技术的有益效果：
[0031]本专利技术提供的方法，是配网停电研判的重要前置处理过程，能对配电变压器的异常告警信号进行检测，为配网停电研判提供支撑，可有效降低配网停电研判出现误判、无效研判、重复研判的概率。
附图说明
[0032]图1为本申请提供的配网变压器告警异常数据检测方法的流程图；
[0033]图2为构建Xgboost模型的示意图：
[0034]图3为训练第一层自编码器的示意图；
[0035]图4为训练第二层自编码器的示意图。
具体实施方式
[0036]下面通过具体实施方式结合附图对本专利技术作进一步详细说明。
[0037]实施例1
[0038]本专利技术提供了一种配网变压器告警异常数据检测方法，包括如下步骤：
[0039]步骤S1：获取配网单线图，并基于所述配网单线图构建配网拓扑网架图谱，配网拓扑网架图谱采用属性图模型数据库Neo4J作为数据存储系统。具体过程如下：
[0040]首先，将变配网单线图的SVG文件作为输入，通过Java程序将SVG文件解析为DOM树。然后，将DOM树的元素(开关、杆塔、变压器等)转换为图数据库的节点；将DOM树的标签(电压等级、厂家、投运年限等)解析为节点的属性，将线缆解析为图数据库的关系。
[0041]最后将配网单线图进行简化，只保留配网单线图中的关键拓扑关系和关键设备，最终形成包括拓扑关系、配网数据的配网拓扑网架图谱。
[0042]步骤S2：将配网拓扑网架图谱的节点进行图嵌入表示，得到节点的图嵌入表示向量。
[0043]本专利技术采用node2vec算法将配网拓扑网架图谱的节点转换为低维稠密向量，node2vec算法的目标函数为：
[0044][0045]其中，u表示配网拓扑网架图谱中的任意配网变压器节点，V表示所有节点的集合，f(u)表示将节点u映射为向量的映射函数；N
S(u)
表示通过采样策略S得到的节点u的邻近节点集合，n
i
表示集合NS(u)中的任意节点；Z
u
为归一化因子，
[0046]步骤S3：获取历史配变告警信息，提取所述历史配变告警信息的告警变化特征，并将告警变化特征进行向量化表示，得到告警变化特征向量；所述历史配变告警信息包括：发生时间、气象信息、告警类型、配变关联低压用户的报障信息、配变电流数据、配变电压数据。
[0047]提取历史配变告警信息的告警静态特征、时序特征、聚合特征。具体过程如下：
[0048]发生时间的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配网变压器告警异常数据检测方法，其特征在于，包括如下步骤：步骤S1：获取配网单线图，并基于所述配网单线图构建配网拓扑网架图谱；步骤S2：将配网拓扑网架图谱的节点进行图嵌入表示，得到配变的图嵌入表示向量；步骤S3：获取历史配变告警信息，提取历史配变告警信息的告警静态特征、时序特征和聚合特征，并将告警静态特征、时序特征和聚合特征进行向量化表示，得到配变告警的表征向量；所述历史配变告警信息包括：发生时间、气象信息、告警类型、配变关联低压用户的报障信息、配变电流数据、配变电压数据；步骤S4：采用堆叠式自编码器提取配变图嵌入表示向量和配变告警表征向量的一阶二阶高级特征，然后再进行特征拼接，根据历史告警的人工标记结果构建Xgboost模型；步骤S5：将新配变告警向量化表示后输入所述Xgboost模型，得到配变告警异常检测结果。2.如权利要求1所述的方法，其特征在于，所述步骤S1包括：将变配网单线图的SVG文件作为输入；通过Java程序将所述SVG文件解析为DOM树，并将DOM树的元素转换为图数据库的节点；将DOM树的标签解析为节点的属性，将线缆解析为图数据库的关系；将配网单线图进行简化，只保留配网单线图中的关键拓扑关系和关键设备，最终形成配网拓扑网架图谱。3.如权利要求1所述的方法，其特征在于，所述步骤S2包括：采用node2vec算法将配网拓扑网架图谱的节点转换为低维稠密向量，所述node2vec算法的...

【专利技术属性】
技术研发人员：张新阳，林宝德，李翔，高尚飞，张融寒，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：