基于大云物移技术的配电网主动抢修全景监控系统

摘要

本发明基于大云物移技术的配电网主动抢修全景监控系统，包括监控中心、个人手持终端和维修车辆车载终端，个人手持终端和维修车辆车载终端分别通过无线网络实现与控制中心的数据交互，上传位置信息和工单处理信息；所述的监控中心包括监控显示屏、实时监控系统、预警系统、工单派发系统、信息发布系统和数据库，监控显示屏用来显示图像和文字信息；实时监控系统用来生成实时的地图信息；预警系统用来计算并生成预警信息；信息发布系统用来生成文字信息；工单派发系统用来生成工单派发方案；数据库用来存储数据信息。该发明可以实时监控整个抢修过程的所有环节，实现实时人员调派；也能实现电力故障的预警分析，将故障消灭在萌芽阶段。

说明书

技术领域

本发明属于电网维护，具体是一种基于大云物移技术的配电网主动抢修全景监控系统。

背景技术

“大云物移”是“大数据、云计算、物联网、移动互联网”等新兴技术手段的简称，其本质是大数据采集、传输、存储、利用技术的外延，基础和核心是数据资产的高效挖掘利用。近年来，大数据成为一种新兴生产力，“大云物移”技术迅猛发展。电网是最为庞大复杂的物联网系统，电力流既是能量流、业务流，也是信息流、数据流。随着坚强智能电网和全球能源互联网建设的不断升级，电力与信息化技术的融合更具深度和广度，电网大数据海量增长。相比其他行业，电网大数据规模更庞大、信息更丰富，管理也面临更大挑战。特别是随着配电自动化和用电信息采集系统全面覆盖应用，客户侧的信息呈现指数式爆炸增长，使电网低压侧、用户侧也具备了传统中高压电网的可观、可测和可控性。如何提高配电网和用户侧的大数据驾驭能力，为配网故障抢修而服务，是供电企业面临的重大课题。

对于目前的电网运维和监控，存在以下几方面的缺陷：

1、信息化平台与手段建设不完善，难以支撑配网抢修高效协同。配网抢修涉及到营销、生产、调度等多个专业系统，但以往信息化建设无序、重复现象严重，各业务系统之间互不贯通支持，服务信息无法协同共享，形成信息“孤岛”；甚至同一指标在不同业务系统的数据不一致，数据质量不高，难以支撑服务协同的需要。

2、服务末端支撑手段落后，客户诉求难以短接沟通，现场任务不能远程协同。目前抢修类现场工作主要依靠电话沟通，信息化手段落后，一是接到95598客户报修后需要与客户反复电话确认地址和报修内容，影响客户满意度；二是现场信息不能充分共享，远程技术支持和任务信息更新较为滞后，影响服务协同效率。

3、监控手段缺乏，无法实现运营监测的协同预警。目前对配网抢修工作的监控方式还是事后结果式，对服务全流程无法实现事前预警、过程监控；此外数据分析能力不高，不能充分、精准预警。特别是故障抢修业务时限要求高，缺少问题预警和实时纠偏手段，抢修实时态势不能掌握，难以支撑抢修业务从被动到主动的转变。

发明内容

为了解决上述问题，本发明以大数据分析技术为基础、以物联网和移动互联为应用前端、以云计算平台为支撑,开发了基于大云物移技术的配电网主动抢修全景监控系统，一是通过聚类、预测、关联等大数据分析手段实现故障报修的分级预警，支撑主动抢修；二是通过优化算法实现工单最优派发，提高工单派发效率和准确性；三是通过数据可视化技术实现故障抢修从业务受理到故障恢复全业务轨迹的跟踪，实现过程监控和实时纠偏；四是通过移动互联网技术和物联网，实现设备数据实时监测和抢修业务信息的及时上传下发；四是通过云计算和大数据分析技术对历史工单及业务信息进行分析，挖掘报修事件与天气、设备健康状况、配电网投资情况、交通状况之间的关联关系和内在规律，实现抢修效率和工作质量的事后量化分析管控，进一步为提高工作效率提供数据支撑。

本发明采用以下技术方案：基于大云物移技术的配电网主动抢修全景监控系统，其特征在于，包括监控中心、个人手持终端和维修车辆车载终端，个人手持终端和维修车辆车载终端分别通过无线网络实现与控制中心的数据交互，上传位置信息和工单处理信息；所述的监控中心包括监控显示屏、实时监控系统、预警系统、工单派发系统、信息发布系统和数据库，监控显示屏用来显示图像和文字信息；实时监控系统用来生成实时的地图信息；预警系统用来计算并生成预警信息；信息发布系统用来生成文字信息；工单派发系统用来生成工单派发方案；数据库用来存储数据信息。

进一步的，所述的数据库包括

公共数据库，用于存储地图、环境等更新频率不高的数据；

活动数据库，存储当前或一定短时间内的数据，包括气象、客户报修等，主要提供查询服务，一定时间后，活动数据库中的数据移入历史数据库；

历史数据库，存储一段时间之前的数据；

知识库，储相关领域知识，知识部分来源于专家，部分来源于机器学习，提供分析模型的服务；

用户数据库，用来存储用户的基本信息，以及通过数据挖掘后获得的用户特征。

进一步的，数据库还包括预案数据库，预案数据库存储针对电力故障的常规预案脚本。

进一步的，所述的预警系统包括采集模块和分析模块，采集模块与各个数据系统对接，用来采集客户实时用电关联数据；分析模块通过比对历史数据和实时数据，分析用户预警级别及预警原因。

进一步的，所述的分析模块包括预处理模块、编码模块、编码存储模块和判断模块，预处理模块用于电力信息数据的过滤筛选和数据规划，编码模块用于数据的编码，编码存储模块用于存储编码信息，判断模块用于编码信息的比对。

进一步的，所述的编码模块为采用哈希算法的哈希编码模块。

进一步的，所述的工单派发系统包括Hadoop系统、Mahout系统，Mahout系统用于对工单数据的挖掘和评分，Hadoop系统包括HDFS和MapReduce，用于数据的计算和运算过程中数据的存储。

进一步的，工单派发系统还包括Impala查询系统，专门用于数据的提取查询，提升数据查询的速度，满足工单实时分析的要求。

进一步的，所述的实时监控系统包括电子地图和信息公示板，电子地图结合地理位置显示实时态势和信息；信息公示板通过文字和表格显示实时信息。

进一步的，所述的信息发布系统包括信息提取模块、模板库、信息处理模块、信息缓存模块、信息发布模块，信息提取模块从预警系统、工单派发系统、数据库中提取数据信息；模板库内存储预警、工单等相关的信息发布脚本；信息处理模块用于将提取的数据与脚本结合生成发布文件；信息缓存模块可以利用高速缓存芯片，实现发布文件传输过程中的缓冲和存储；信息发布模块用于将发布文件关联到实时监控系统。

本发明的有益效果是：

1、整个系统可以实现电力故障预警级别和类型的判断，并将故障信息显示在大屏上，并将故障点的地理位置标注在地图上，实现整体电网预警信息的全面管控；工单监控系统可以生成工单处理的实时信息，并通过文字形式显示在监控大屏或电子地图上，同时，结合实现划分的工单处理流程环节设置，可以明确每一个工单所处环节的位置。

2、预警系统实现故障预判自动智能。故障预判环节在工单派发之前，其精准度和有效性直接影响到派单的准确性和抢修效率，以往由指挥人员凭经验预判，在3分钟时限要求的考核限制下，预判结果准确性很差。通过自动调取、比对关联业务系统信息，在短时间内判断出用户报修是欠费停电、客户设备故障引起，还是片区停电、线路停电引起，从而精准、有针对性地采取不同抢修方案，大大提高故障抢修效率和速度。

3、工单派发系统实现工单派发柔性优化。以往报修工单是按区域固定派发，没有考虑到实时路况、抢修资源、抢修点工作量对抢修效率的影响。通过实时定位抢修车辆、抢修人员的手机APP，展示其工作状态，关联报修地址、实时交通状况和各抢修点任务量对派单进行优化，自动为抢修指挥人员给出派单的最优选择，指挥人员可以选择离报修地址最近的空闲抢修人员派发工单，同时也提前从机制上保证了抢修点之间的相互协同，实现了柔性派单，显著提高了抢修效率。

4、数据库采用多个单独分隔的数据库，通过数据的分类存储，可以避免数据混杂，减少获取目标数据的过程，实现数据管理的高效。而且，数据库中的数据存储借助基于工作任务的数据表，提高了数据的针对性，借助工作任务的关联，可以以最快速度找到并利用有效数据。

5、设置了预案数据库，开展报修主动预警，抢修预案标准化。创新开展故障报修的初级、中级、严重三级预警，各级预警基于跨业务、跨系统的关联数据，利用大数据挖掘技术实现。预警信息细化到以供电小区为单位，每类预警均事先制定好针对性、标准化的抢修预案，预警信息产生后利用数据可视化、移动互联网等信息化技术手段，在抢修业务受理之前及时推送给指挥人员和抢修运维人员，提前启动抢修预案，实现从被动接单安排抢修到主动预警安排抢修。

6、由于客户量巨大，我们面对的数据具有很高的维度；同时，不同类型的数据决定了我们需要提取不同类型的特征和属性。我们选择采用哈希编码模块，利用多视图哈希方法来处理数据，能够提高寻找到相似状态客户的速度，提高计算效率。

7、利用ALS-WR算法处理复杂信息，以维修人员或车辆到达报修点的时间作为最终考核标准，结合道路状况、故障严重程度、投诉情况、工单数量、维修人员或车辆工作能力等关联信息，可以将工单与维修人员或车辆之间的关联性进行打分，获得最优推荐。

8、工单派发系统设置了Impala查询系统，从而解放了Mahout系统和Hadoop系统，Mahout系统和Hadoop系统计算过程中需要从数据库中提取的数据，可以直接将要求发送给Impala查询系统，一方面使得Mahout系统和Hadoop系统仅仅承担计算功能，实现功能处理的单一性，另一方面借助Impala查询系统本身快速的查询速度，提高整个系统的处理工单的效率，满足整个电网工单派发的实时性。

附图说明

图1是本发明系统整体的结构框图；

图2是本发明数据库的结构图；

图3是本发明预警系统中分析模块的结构图；

图4是本发明工单派发系统的原理结构图；

图5是本发明信息发布系统的原理结构图。

具体实施方式

如图1所示的基于大云物移技术的配电网主动抢修全景监控系统，包括监控中心、个人手持终端和维修车辆车载终端，个人手持终端和维修车辆车载终端分别通过无线网络实现与控制中心的数据交互，上传位置信息和工单处理信息；所述的监控中心包括监控显示屏、实时监控系统、预警系统、工单派发系统、信息发布系统和数据库，监控显示屏用来显示图像和文字信息；实时监控系统用来生成实时的地图信息；预警系统用来计算并生成预警信息；信息发布系统用来生成文字信息；工单派发系统用来生成工单派发方案；数据库用来存储数据信息。

如图2所示，所述的数据库包括公共数据库，用于存储地图、环境等更新频率不高的数据；活动数据库，存储当前或一定短时间内的数据，包括气象、客户报修等，主要提供查询服务，一定时间后，活动数据库中的数据移入历史数据库；历史数据库，存储一段时间之前的数据；知识库，储相关领域知识，知识部分来源于专家，部分来源于机器学习，提供分析模型的服务；用户数据库，用来存储用户的基本信息，以及通过数据挖掘后获得的用户特征；预案数据库，存储针对电力故障的常规预案脚本。

预警系统包括采集模块和分析模块，采集模块与各个数据系统对接，用来采集客户实时用电关联数据，涉及的数据包括跨部门跨业务的95598、营销、用采、PMS、OMS、EMS、配网自动化等电力数据和天气、客户物联网监控数据；分析模块通过比对历史数据和实时数据，分析用户预警级别及预警原因。人员图3所示，所述的分析模块包括预处理模块、编码模块、编码存储模块和判断模块，预处理模块用于电力信息数据的过滤筛选和数据规划，编码模块用于数据的编码，编码存储模块用于存储编码信息，判断模块用于编码信息的比对。预处理模块包括若干Storm模块和HBase模块，Storm模块用于过滤筛选和数据规划，HBase模块用于Storm模块处理数据的存储。所述的编码模块为采用哈希算法的哈希编码模块。

预警系统实现功能的流程为：

系统运行之前，历史数据库预先获取并存储历史数据，分析模块通过预处理和编码模块对所有历史数据进行编码后得到基准编码，存储在编码存储模块。

预处理过程具体为：利用Storm这一开源实时处理与计算技术进行过滤筛选、数据规划，对预处理后的数据，使用HBase存储。

编码的具体过程为：

输入以下参数：hashcode位数k，视图数m，客户数n，客户相似度客户特征向量

结合算法HashingCodeLearning(k,m,n,)，输出以下参数：客户总体哈希编码U，各视图权重α，各视图哈希函数

初始化

构建连接矩阵

构建拉普拉斯矩阵(D^p)^-1/2L^P(D^p)^-1/2,p＝1,2,...,m，判断是否收敛，若未收敛，循环以下计算过程：

计算得到

计算得到

计算得到矩阵

计算得到矩阵H(α)的k个对应特征值最小的特征向量；

根据特征向量生成哈希编码矩阵U；

计算得到

使用二次规划算法得到α；

返回U,α。

在得到连续化哈希编码之后，对其进行二值化，得到每一位取值为-1或1的哈希编码。

系统正式运行后，过程如下：

采集模块获取实时一级预警数据，生成一级预警编码，判断一级预警编码与基准编码是否相似，若是，发出一级预警。实时一级预警数据至少包括以下数据：客户报修倾向数据、历史重过载数据、历史故障数据、历史停电数据、历史天气数据。

采集模块获取实时一级预警数据和实时二级预警数据，共同生成二级预警编码。实时二级预警数据至少包括以下数据：实时重过载数据、停电发布漏报数据。

采集模块获取实时一级预警数据、实时二级预警数据、实时三级预警数据，生成三级预警编码。实时三级预警数据至少包括以下数据：OMS故障停电数据、实时停电数据、电流突变数据、预报天气数据、客户物联网监控数据。

上述三级预警的先后顺序可以有以下几种模式：

第一种模式：采集模块先采集一级预警数据，判断是否为一级预警，然后在此基础上增加二级预警数据，判断是否为二级预警，然后再次增加三级预警数据，判断是否为三级预警，一旦中间某一过程中断或为否定判断，停止分析并以此时的预警等级为准。

第二种模式：采集模块直接从三级预警开始判断，若判断结果为三级预警，直接终止分析，若不是，降为二级预警判断，以此类推，直到判断完成。

第三种模式：采集模块随机采集并判断，一个轮回结束后，以最高预警等级为准。

如图4所示，工单派发系统包括Hadoop系统、Mahout系统、Impala查询系统，Mahout系统用于对工单数据的挖掘和评分，Hadoop系统包括HDFS和MapReduce，用于数据的计算和运算过程中数据的存储，其中，HDFS为海量的数据提供了存储，MapReduce为海量的数据提供了计算。Impala查询系统专门用于数据的提取查询，提升数据查询的速度，满足工单实时分析的要求。

Mahout系统采用ALS-WR算法，具体原理如下：

ALS是alternating least squares的缩写,意为交替最小二乘法；而ALS-WR是alternating-least-squares with weighted-λ-regularization的缩写，意为加权正则化交替最小二乘法。该方法常用于基于矩阵分解的推荐系统中。例如：将用户(user)对商品(item)的评分矩阵分解为两个矩阵：一个是用户对商品隐含特征的偏好矩阵，另一个是商品所包含的隐含特征的矩阵。在这个矩阵分解的过程中，评分缺失项得到了填充，也就是说我们可以基于这个填充的评分来给用户最商品推荐了。

由于评分数据中有大量的缺失项，传统的矩阵分解SVD(奇异值分解)不方便处理这个问题，而ALS能够很好的解决这个问题。对于R(m×n)的矩阵，ALS旨在找到两个低维矩阵X(m×k)和矩阵Y(n×k)，来近似逼近R(m×n)，即：其中R(m×n)代表用户对商品的评分矩阵，X(m×k)代表用户对隐含特征的偏好矩阵，Y(n×k)表示商品所包含隐含特征的矩阵，T表示矩阵Y的转置。

实际中，一般取k<<min(m,n),也就是相当于降维了。这里的低维矩阵，有的地方也叫低秩矩阵。

为了找到使低秩矩阵X和Y尽可能地逼近R，需要最小化下面的平方误差损失函数：其中xu(1×k)表示示用户u的偏好的隐含特征向量，yi(1×k)表示商品i包含的隐含特征向量,rui表示用户u对商品i的评分,向量xu和yi的内积xuTyi是用户u对商品i评分的近似。

损失函数一般需要加入正则化项来避免过拟合等问题，我们使用L2正则化，所以上面的公式改造为：

$L(X,Y)=\underset{u,i}{\Sigma }{(r_{ui}-x_u^T{y}_i)}^2+\lambda \left(\right|x_u{|}^2+\left|y_i{|}^2\right)\mathrm{......}\left(2\right)$

其中λ是正则化项的系数。

到这里，协同过滤就成功转化成了一个优化问题。由于变量xu和yi耦合到一起，这个问题并不好求解，所以我们引入了ALS，也就是说我们可以先固定Y(例如随机初始化X)，然后利用公式(2)先求解X，然后固定X，再求解Y，如此交替往复直至收敛，即所谓的交替最小二乘法求解法。

具体求解方法说明如下：

先固定Y,将损失函数L(X,Y)对xu求偏导，并令导数＝0，得到：

x_u＝(Y^TY+λI)^-1Y^Tr_u......(3)

同理固定X，可得：

y_i＝(X^TX+λI)^-1X^Tr_i......(4)其中ru(1×n)是R的第u行,ri(1×m)是R的第i列，I是k×k的单位矩阵。

迭代步骤：首先随机初始化Y，利用公式(3)更新得到X,然后利用公式(4)更新Y,直到均方根误差变RMSE化很小或者到达最大迭代次数。

$\tilde{R}=XY$

$RMSE=\sqrt{\frac{\Sigma {(R-\tilde{R})}^2}{N}}$

上文提到的模型适用于解决有明确评分矩阵的应用场景，然而很多情况下，用户没有明确反馈对商品的偏好，也就是没有直接打分，我们只能通过用户的某些行为来推断他对商品的偏好。比如，在电视节目推荐的问题中，对电视节目收看的次数或者时长，这时我们可以推测次数越多，看得时间越长，用户的偏好程度越高，但是对于没有收看的节目，可能是由于用户不知道有该节目，或者没有途径获取该节目，我们不能确定的推测用户不喜欢该节目。ALS-WR通过置信度权重来解决这些问题：对于更确信用户偏好的项赋以较大的权重，对于没有反馈的项，赋以较小的权重。ALS-WR模型的形式化说明如下：

ALS-WR的目标函数：

$\underset{x_u,y_i}{\min }L(X,Y)=\underset{u,i}{\Sigma }{c}_{ui}{(p_{ui}-x_u^T{y}_i)}^2+\lambda \left(\right|x_u{|}^2+\left|y_i{|}^2\right)\mathrm{......}\left(5\right)$

c_ui＝1+αr_ui

其中α是置信度系数。

求解方式还是最小二乘法：

x_u＝(Y^TC^uY+λI)^-1Y^TC^ur_u......(6)

y_i＝(X^TCⁱX+λI)^-1X^TCⁱr_i......(7)

其中Cu是n×n的对角矩阵，Ci是m×m的对角矩阵；Cuii＝cui,Ciii＝cii。

所述的实时监控系统包括电子地图和信息公示板，电子地图结合地理位置显示实时态势和信息，电子地图包括道路粒度地图和片区地图，道路粒度地图为主要的呈现模式，可以实时显示维修人员的位置和状态、报修点或预警点的位置和故障信息，片区地图为辅助显示模式，将每个片区的主要故障信息和状态进行显示，主要为了便于管理和规划；信息公示板通过文字和表格显示实时信息。

如图5所示，信息发布系统包括信息提取模块、模板库、信息处理模块、信息缓存模块、信息发布模块，信息提取模块从预警系统、工单派发系统、数据库中提取数据信息；模板库内存储预警、工单等相关的信息发布脚本；信息处理模块用于将提取的数据与脚本结合生成发布文件；信息缓存模块可以利用高速缓存芯片，实现发布文件传输过程中的缓冲和存储；信息发布模块用于将发布文件关联到实时监控系统。

预警信息的发布文件至少包括预警级别、台区编号、台区名称、预警原因，也可以包括从预案数据库获取的电力故障处理预案。报修信息的发布文件至少包括台区编号、台区名称，也可以增加简要的故障状况描述。工单信息的发布文件包括维修人员姓名、编号、接单时间、到达现场时间、完成时间、处理时长等信息。

结合整个系统，其实现功能的具体流程如下：

1、报修预警：通过故障预警或接受客户的报修信息，启动抢修的流程。

2、工单建立：根据接收到的报修预警信息，建立抢修工单。

3、工单派发：工单派发系统实现工单派发，具体步骤如下：

1)数据采集系统获取实时的工单派发关联数据信息，工单派发关联数据信息至少包括以下数据：工单数量、工单投诉信息、报修点位置和故障信息、抢修车辆和人员位置信息、实时道路状况信息、已处理工单完成时长信息。

2)Mahout系统整合数据采集系统和数据库的数据，计算每个工单与每个维修人员或车辆之间关联度评分，其评判的最终核心是维修人员或车辆到达报修点的时间，涉及到的关联信息包括道路状况、故障严重程度、投诉情况、工单数量、维修人员或车辆工作能力等，比如道路状况是根据维修人员或车辆到达报修点的路径来确定道路上用到的时间，故障严重程度和投诉情况都是确定工单派发的优先级，维修人员或车辆的工作能力是在统计维修人员或车辆之前解决各种故障的平均时间，计算正在维修中的维修人员或车辆完成已接工单的时间。

3)Hadoop系统复核评分并生成推荐列表，一般的推荐列表提供评分排名前三的维修人员或车辆；

4)从推荐列表中选择维修人员或车辆并发送工单，整个过程既可以是系统自动发送，也可以是人工发送，系统自动发送时，默认发给排名第一的维修人员或车辆。

4、工单接受：维修人员接收工单后，通过手持终端或车载终端，将接受信息发送给工单监控系统。

5、到达现场：维修人员抵达报修点后，通过拍照上传现场故障照片，一方面确认维修人员实际到场，另一方面可以和控制中心的维修人员讨论故障处理方法。

6、故障排除：故障处理完成后，维修人员上传故障排除信息，控制中心恢复供电，核实故障已排除。

7、工单确认：维修人员上传工单完成信息表格，控制中心核实工单完成状况。

8、工单回访：回访人员电话确认客户故障处理情况，并将信息记录归档。

以上每个步骤的信息处理情况，经由信息发布系统处理后，都会发送到实时监控系统，显示在监控显示屏上。

应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明的具体结构，但不以任何方式限制本发明创造。因此，尽管说明书及附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换；而一切不脱离本发明创造的精神和范围的技术方案及其改进，其均涵盖在本发明创造专利的保护范围当中。