低电压预警监测智能决策系统设计与实现

摘" 要：为解决目前多系统数据难融合、低电压研判不准确、低电压问题难根治和治理效率低等问题，该文搭建基于大数据挖掘技术的低电压智能分析预警诊断模型。构建基于多任务辅助学习的全景感知低电压监测模型，实现高效、准确的电力客户分群与低电压成因分析；提出基于卷积神经网络的命名实体识别模型，形成“实体－关系－实体”三元组的低电压知识图谱；应用低电压知识图谱，实现辅助决策自动生成，并通过平台进行可视化展示。结果表明，低电压预警监测智能决策系统涵盖供电指挥、配网生产、营销服务和发展规划等专业的业务全流程、全环节，可大幅提升供电服务水平和业务支撑能力。

关键词：低电压；大数据；多任务辅助学习；卷积神经网络；知识图谱

中图分类号：TM714" " " 文献标志码：A" " " " " 文章编号：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

近年来，供电局面临着大量的台区用户电压偏低问题，供电企业为有效解决低电压问题，提升用户用电质量，不断运用各种项目或运维手段予以解决。但由于低电压台区数量偏多，分析人员数量有限及人员未能全程跟踪问题的解决进度，导致低电压问题分析不够精准、解决措施未能真正奏效，造成投资浪费，问题未得到精准解决等问题。面对电网数据量大、低电压预警手段匮乏、决策分析复杂等困局，无法充分利用海量信息对低电压工单、电网设备、服务资源进行高效管理，严重影响了供电公司供电服务优质水平和业务支撑能力。

因此，本文结合实际，利用多源异构数据融合、低电压成因聚类分析、低电压领域知识图谱、大语言模型等先进技术，构建低电压智能分级、低电压成因分析研判、低电压治理辅助决策等模型，将算法模型进行深化应用，打造低电压预警监测智能决策平台，应用涵盖供电指挥、配网生产、营销服务和发展规划等专业的业务全流程、全环节，推动低电压用户从“被动发现”到“主动感知”，供电服务管理由流程驱动转为数据驱动，实现低电压全景感知、实时监测、智能分析、智能预警和精准管控。

1 全景感知低电压监测技术

1.1 低电压智能分级模型

采用多源异构数据融合技术，构建低电压智能分级模型，融合采用系统的低电压量测、PMS系统的基础台账、供指系统的低电压工单、SCADA系统的线路电压、电流和负荷等数据，以及电表终端、配变终端装置、馈线FTU等不同来源的电压、电流量测数据和中低压GIS拓扑等多源异构数据，进行数据去重、缺失补全、数据类型转化、特征值提取等标准化处理，得到低电压等级的影响特征及其对应的低电压级别，实现线路、台区、用户低电压智能分级，分别是A（危急）、B（严重）、C（注意）和D（一般）4个等级。

然后，将处理好多源异构数据（即影响特征）作为输入，低电压级别作为输出，构建包含特征学习和目标学习的混合深度神经网络模型，挖掘低电压级别与影响特征的关联，通过深度学习，不断训练迭代优化低电压智能分级模型，进一步提升低电压智能分级模型精准性。

1.2 低电压成因分析模型

采用双向门控神经网络（BiGRU）技术，结合多任务辅助训练方式，构建基于多任务辅助学习的低电压成因分析模型。

首先提取PMS系统的台区额定容量及低压线路的供电半径、导线型号等设备参数，用采系统的台区出口电压、用户电压、供电户数、三相负荷和负载率等数据，进行数据匹配和数据预处理，生成配网低电压标准化数据集；然后分析配网低电压数据的双向时序特征，结合Pearson相关分析、单因素方差分析、统计对比等方法，对各类型数据进行相关性分析，剔除对故障影响程度低或冗余的特征变量，输出配网低电压的主要成因及子成因；接着将主成因分析设置为主任务，子成因分析设置为辅助任务，根据任务不同的特性，进行样本特征重构，应用重构后的样本特征对配网低电压成因进行识别，精准提取数据有效特征和数据成因间关联性，提升低电压成因分析模型的精准度。

2 构建低电压知识图谱

为了缓解电力运检领域文本在进行命名实体识别任务时准确率较低的问题，本文提出了基于卷积神经网络的命名实体识别模型。该模型由词嵌入层、特征加强层、图卷积神经网络层、跨度表示层和解码层几部分组成。

命名实体识别后进行实体关系抽取，对抽取的实体结合专家经验进行实体链接和关系合并，进一步消除实体的歧义、冗余、错误，确保低电压数据知识关系质量。最终形成“实体－关系－实体”三元组的低电压知识图谱，利用py2neo工具将三元组导入Neo4j图数据库中，进行图谱的可视化展示。

2.1 模型研究

2.1.1 词嵌入层

嵌入层采用Bert-base-chinese作为预训练模型，得到文本序列的动态字向量。将文本的句子S={s1，s２，s３，…，sＮ}送入预训练模型，其中，si代表文本句子的第i个字符，N表示句子的长度，最后得到输出向量W={w1，w２，w３，…，wＮ}。

2.1.2 特征加强层

传统的神经网络在处理数据时无法有效捕捉句子的反向语义，这样可能导致严重的信息丢失，使得无法准确地描述句子的特征。本文使用BiGRU模型对词嵌入层得到的文本向量进行全局特征提取。BiGRU利用正向门控循环单元（Gated Recorrent Unit，GRU）和反向GRU来进行文本信息特征的提取，这个设计可以更有效地捕捉双向的语义关系，并将两者进行融合，实现了文本上下文信息的提取。

2.1.3 图卷积神经网络层

本文利用依赖语法信息来增强我们提出的模型。Graph Convolutional Network（GCN）是一种具有代表性的编码依赖关系图的方法，在信息提取方面已经被证明是有效的。因此，使用它作为一种标准策略来增强我们的单词表示。通过利用注意力引导的GCN（AGGCN），即使用旋转编码获取节点的相对位置信息，使得模型能够更有效地捕获图结构中节点之间的相对位置关系，帮助模型更好地理解节点在图中的全局结构以及更好地建模节点之间的依赖关系。

2.1.4 span表示层

利用枚举跨度来生成文本跨度，以“编制本班培训计划，完成本班人员的技术培训和考核工作”为例，生成的文本跨度为“编”“编制”“编制本”，…，“考”“考核”“考核工”和“考核工作”。

2.1.5 解码层

本模型的解码层包含2个部分。首先，识别所有有效的实体片段，然后对实体片段执行二分类来覆盖它们的关系。因此，预测结果能被视为是一个实体片段关系图，其中1个节点表示1个实体片段，边表示2个实体片段之间的关系。解码的目的是找到每个节点与其他节点连接的所有子图。因此，每一个这样的子图组成一个实体，而没有边的实体片段由其自身构成一个实体。

2.1.6 输出层

在训练中，本文采用多任务学习共同训练。损失函数定义为2个分类任务的负对数似然，即实体片段识别和片段关系预测，如公式（1）所示

，" （1）

式中：？酌ent和？酌rel分别表示文本跨度的标签预测和跨度对的标签预测，？琢和？茁是权重（？琢+？茁=1），用于调节这2个任务的重要性。

2.2 实验与结果分析

2.2.1 电网调度领域语料集及词典构建

电网运检记录中会使用到大量的电网运检领域专业实体词。该文以原始电力运检记录作为电网运检领域命名实体识别任务的原始语料来源，在句子级别的文本上对数据集进行标注，构建了包含电站相关实体、线路相关实体、设备、部门、电力参数、物理量参数、电力元件和方法计划8类实体的语料集。

2.2.2 电网运检领域实体分类及标注

使用Station、Lines、Equipment、Department、Power_

parameters、Physical_parameters、Components、Files分别表示电站相关实体、线路相关实体、设备、部门、电力参数、物理量参数、电力元件和方法计划8类实体，采用BIO标注方法对预处理后的文本进行实体标注。

2.2.3 评估指标

本文采用精确度（Precision）、召回率（Recall）和F1值作为评价指标，计算方法如公式（2）—（4）所示

式中：ＴＰ为正样本判为正的个数；ＦＰ为正样本判为负的个数；FＮ为负样本判为正的个数。

2.2.4 参数设置

本文实验模型参数设置见表1，实验中的BERT采用的是中文预训练语言模型bert-base-chinese。

2.2.5 对比实验与结果分析

本文在电网运检记录数据集上进行对比实验，以验证所提出模型的整体性能和泛化能力，结果见表2，所列出的比较基线模型都是具有代表性的模型。

表2结果显示，本文模型在针对电力运检领域文本的命名实体识别任务中，取得了88.646%的F1值，且该模型的精确度和F1值均优于其他3种基线模型。

实验结果表明，本文提出的方法能够很好地识别出电力运检领域的实体，确保低电压数据知识关系质量，形成“实体－关系－实体”三元组的低电压知识图谱，构建低电压知识库，为电网规划、建设、运行、检修、维护和服务等专业提供辅助支撑。

3 低电压预警监测智能决策平台软件系统

3.1 主要功能

通过汇集采用系统低电压用户数据、PMS基础台账数据、95598系统工单和SCADA系统线路台区运行等数据，以大数据技术为核心，对低电压、重复低电压预警、低电压治理进度等实现全景感知、实时监测和管控。

应用大数据，构建一套针对用户状态、设备状态的低电压评级管控模式，分析未来可能造成低电压的设备范围，支撑配网低电压主动发现、主动维护。

针对低电压用户，自动分析低电压成因，同时给出处理决策建议，实现低电压问题“精准分析、科学决策、优质服务”。

3.2 平台用户

低电压预警监测智能决策平台的主要用户为电网公司开展供电服务的管理人员及业务人员。

3.3 登录页面

登录方式：用户通过在浏览器地址栏中输入相关网址，打开用户应用站点登录界面。

3.4 浏览器要求

平台需要用谷歌浏览器打开，且版本要求为86版本及以上。

3.5 系统应用说明

3.5.1 主界面

首先登录系统，点击大屏标题栏中的“低电压预警监测智能决策平台”，再点击页面右端的“低电压监测”模块标题，即可进入“低电压预警监测智能决策平台”主界面。主界面主要展现本市低电压预警监测智能决策主要指标的当前情况。

“低电压预警监测智能决策平台”的主界面主要包括如下6个部分。

1）中央地图：在主界面中间，通过热力图展示当前本市各区县低电压用户数，按低电压用户数进行排名，前三依次为红、黄、蓝。当鼠标悬停于某个区县时，动态展示该区县服务客户数、低电压用户数和排名；鼠标点击某一区县时，首页的其他模块数据进行联动，展示该区县的详细低电压数据情况。

2）低电压全量监测情况：在主界面左上角，展示当前本市各区县低电压监测整体情况，包括本期监测数、同期监测数、同比等。当鼠标点击首页中间“中央地图”某一区县时，“低电压全量监测情况”模块进行联动，展示该区县下级所有供电所的详细监测数据。

3）低电压用户清单：在主界面右上角，展示当前本市整体低电压用户，包括用户名称、用户编号、所属台区、所属区线、低电压等级、得分和持续时长。与中央地图联动，地图选中某区县后展示该区县下级供电所的低电压用户情况。

4）重复低电压预警：在主界面左下角，展示重复低电压预警明细清单，包括单位、用户编号、用户名称、所属站所、最低电压值、低电压发生时间和重复次数。当鼠标点击首页中间“中央地图”某一区县时，“重复低电压预警”模块进行联动，展示该区县范围内发生的重复低电压预警明细清单，主要用于识别和分析频繁出现的低电压问题。

5）低电压分级说明：在主界面中下方，展示A/B/C/D级的图标，对每类等级作说明，等级A代表低电压现象频发，感知明显；等级B代表低电压现象时发，感知较明显；等级C代表低电压现象偶发，略有感知；等级D代表低电压现象少发，感知不明显。当鼠标点击“低电压分级说明”模块中的某个等级时，“低电压用户清单”模块联动展示该等级下的所有用户明细，主要便于用户理解不同等级的低电压所代表的严重程度。

6）低电压治理进度管控：默认展示各区县公司的治理进度，包括本期台区治理目标值、已治理台区低电压数量、治理进展；与中央地图联动，当鼠标点击首页中间“中央地图”某一区县时，展示该区县的未治理台区明细清单（含本期台区治理目标值、当前治理进展、完成率），主要用于监控和评估治理工作的效率和效果。

3.5.2 对策实施效果仿真分析

在首页“低电压用户清单”模块，选择某条低电压记录，点击“成因分析”按钮，生成具体成因分析及处理决策建议弹窗后，点击“仿真曲线”按钮，选择某种“仿真类型”（例如加粗线径），生成相应的对策实施效果仿真分析，主要是为用户开展现场治理效果对比提供数据基础。

4 结束语

综上所述，针对低电压问题对用户的生产和生活带来的严重影响，以及供电公司低电压研判不准确、低电压问题难根治、治理效率低等问题，本文搭建了基于大数据挖掘技术的低电压预警监测智能决策平台。研究结果表明，该平台应用涵盖供电指挥、配网生产、营销服务和发展规划等专业的业务全流程、全环节，实现了低电压全景感知、实时监测、智能分析、智能预警和精准管控，对问题进行分析和故障溯源，精准输出低电压治理辅助决策建议，实现辅助决策自动生成，并通过平台进行可视化展示，有效提升了供电服务数字决策支撑效能和运营能力。

参考文献：

[1] 万志军.农村配电网节能改造及电能质量提升技术研究[J].机电工程技术，2019，48（5）：203-207.

[2] 陈光明.配电线路低电压问题分析及综合治理方案研究[J].电气技术与经济，2023（10）：1-3.

[3] 曾小刚，欧阳安妮.配电网低电压成因分析及治理措施[J].科技创新与应用，2022，12（8）：108-110.

[4] 王琴，刘元辉，葛强.国网湖南电力数字化治理低电压精益化运维配电网[N].国家电网报，2023-02-27（003）.

[5] 王均.基于物联网的电压监测及低电压预警系统研发[D].南昌：南昌大学，2022.

[6] 段行宇.配变低电压实时监测管理系统的设计与实现[D].成都：电子科技大学，2021.