[发明专利]一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法

说明书

本发明公开了一种基于DML‑KNN算法和主动抢修技术的故障特性画像新方法，包括如下步骤：(1)结合电力用户故障定位信息和视频自动识别刀闸位置技术进行主动抢修；(2)基于DML‑KNN算法和主动抢修技术为故障特性匹配画像。将DML‑KNN算法进行故障特性画像的结果生成图模式，能够直观、快速的分析各类故障的特征，为主动故障抢修、故障预测以及辅助制定配网主动故障抢修预案提供强有力的支持。

技术领域

本发明属于配网故障抢修领域和画像领域，具体涉及一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法。

背景技术

随着电力系统发展，配电网故障抢修的效率越来越受到关注，故障抢修效率直接影响用户生产和生活，低效率的抢修服务甚至会给经济发展和社会稳定造成影响。同时，随着社会经济的发展，用户对故障停电的容忍程度不断降低，配网抢修管理现状与用户日益增长的服务需求之间的矛盾突出。传统的配电网抢修模式主要依赖于用户电话抢修，故障描述不清楚，故障报修不及时，同一故障多个工单难以合并，影响抢修效率。随着经济社会发展，“被动式抢修”越来越难以适应技术进步和服务提升的需要，配网抢修系统信息集成不足、模块化不足、统调能力不足等问题日益凸显。为了切实缩短故障停电时间、加快故障抢修效率，提升用户满意度，应积极发展主动抢修业务。

配网主动抢修必然涉及到停电操作，而传统的变电站停电操作涉及到AIS刀闸位置较难确定、GIS位置不够直观、调控远方操作存在误操作风险、全网电气闭锁逻辑匮乏等诸多问题。通过视频自动识别刀闸位置技术，彻底突破了刀闸位置“双确认”导致的操作效率制约，避免了因环境因素造成的人工误判，因此在进行主动抢修业务的时候，应和视频自动识别刀闸位置技术紧密结合在一起。同时，视频自动识别刀闸位置技术也是主动抢修业务中的一个重要操作环节。

“用户画像”是真实用户的虚拟代表，是建立在一系列真实数据之上的用户模型，是一种描述目标用户、了解用户特点与需求方向的有效工具。简单的说就是使用标签来量化特征属性，达到描述用户的目的的一个具体大数据分析应用的典型实现。因此，基于DML-KNN算法和主动抢修技术来为故障特性匹配画像，变被动服务为主动服务，了解故障抢修特点以及满足客户多元化的需求。

发明内容

本发明主要解决的技术问题是提供一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法，能够全方位的构建故障特性类别标签，全方位的展示故障特征，为配网主动故障抢修、故障预测以及辅助制定配网主动故障抢修预案提供强有力的支持。

本发明采用的一个技术方案：一种基于DML-KNN算法和主动抢修技术的故障特性画像新方法，具体步骤如下：

步骤1：结合电力用户故障定位信息和视频自动识别刀闸位置技术进行主动抢修；

步骤2：基于DML-KNN算法和主动抢修技术为故障特性匹配画像。

优选的，所述步骤1结合电力用户故障定位信息和视频自动识别刀闸位置技术进行主动抢修，通过配网自动化、生产管理、营销管理、计量四合一、95598等系统数据集形成故障数据源头，向用户推送停电信息，根据采集到的故障基础信息结合GIS系统进行故障定位，根据故障定位信息对故障点所在线路进行停电操作，根据视频自动识别刀闸位置技术，减少变电操作时间，提升操作效率，自动分配故障任务给区域故障抢修班组，就近原则调配故障抢修车，抢修完成后，通过微信/电话等传媒方式向用户推送复电成功信息，并进行事后故障分析，事后故障分析包括用户满意度反馈、故障类型分析、故障停电影响范围分析、停电关联分析，统计配网主动抢修信息。

优选的，所述步骤2基于DML-KNN算法和主动抢修技术为故障特性匹配画像，综合分析配网主动抢修信息、客户社会属性、时间尺度和温度特性，筛选出标签名称和标签属性，通过DML-KNN算法为故障特性匹配画像，将画像的数值结果生成图模型，生成的图模型能应用于主动故障抢修、故障预测和辅助制定故障抢修预案。

附图说明