当前位置：文档之家 › 基于大数据技术的营配调数据智能匹配和识别方案研究

基于大数据技术的营配调数据智能匹配和识别方案研究

  • 格式：pdf
  • 大小：1.67 MB
  • 文档页数：3

Ｍａｙ． ２５，２０１９，Ｖｏｌ．　３６　Ｎｏ．　５　Telecom Power Technology·　１６１　·2019年5月25日第36卷第5期

设计应用ｄｏｉ：１０．１９３９９／ｊ．ｃｎｋｉ．ｔｐｔ．２０１９．０５．０６０

基于大数据技术的营配调数据智能匹配和识别方案研究黄文思，陈　婧，谷　峪（国网信通亿力科技有限责任公司，福建 福州 350003）

摘要：简单介绍了基于大数据技术的营配调数据智能匹配和识别方案的应用算法流程后，提出了运用相关性分析算法

和TF-IDF算法自动识别线变、台户关系错误数据，不仅可以实现精准定位线损异常的用户，同时还能减少基层单位工作人员的工作量，值得继续推广和使用。关键词：大数据技术；营配调数据；智能匹配

Research on Intelligent Data Matching and Recognition Scheme Based on Big Data TechnologyHUANG Wen-si，CHEN Jing，GU Yu（State Grid Xintong Yili Technology Co.，Ltd.，Fuzhou 350003，China）

Abstract：In brief camp with adjustable data based on the technology of large data intelligent matching and recognition process，the application of the algorithm is proposed using the correlation analysis algorithm and TF-IDF automatic identification line change，the error of data in relation to households，not only can realize accurate positioning line loss anomalies of users，at the same time also can reduce the basic unit the workload of staff，and is worth popularizing in the future work to continue to use.Key words：big data technology；battalion allocation data；intelligent matching

0　引　言在同期线损管理系统全面建设的推动下，传统同期线损管理工作中存在的弊端不断突显，对运检、调度以及营销等专业数据也提出了更高质量要求。因此，快速实现与现行营配数据相符的匹配方案和识别方案，已成为供电企业发展的必由之路。此外，随着市场经济体制的不断完善，供电行业所面临的市场竞争机制也在不断完善，优胜劣汰已成为供电企业普遍面临的发展难题，而基于大数据技术的营配调数据智能匹配和识别方案的运用，能够实现在确保供电系统正常运行的同时，降低生产经营成本，能提高供电企业市场竞争能力和盈利能力[1]。

1　基于大数据技术的营配调数据应用算法流程基于大数据技术的营配调数据智能匹配和识别方案主要包含Person相关系数、BP神经网络-时间序列及TF-IDF等应用。其中，Person相关系数的相关算法流程为：开始计算→得出Person相关系数→分析两变量之间的关系→获取计算结果。BP神经网络-时间序列的算法流程为：开始计算→神经网络初始化→输入历史供电量及影响因素数据→训练神经网络时间序列预测模式→输出预测结果→判断计算误差是否达到可接受范围；若达到可接受范围，则获取计算结果，若达不到可接受范围，系统则会返回训练神经网络时间序列预测模式重新开始计算，直至误差达到可接受范围。TF-IDF算法流程为：开始计算→计算词频TF→

计算逆文件IDF→计算TF-IDF的乘积→获取计算结果。2　算法验证2.1　实验数据本文采用的数据主要来源于阳泉市区、国网阳泉、阳泉郊区、阳泉平定、阳泉大户以及阳泉盂县等供电公司，选取数据的时间为2015年5月至2017年7月，数据类型为电网运行状态下的数据，主要包含了各供电公司的供电量、售电量、线损量以及线损率等，采集数据的频率为1天/次。2.1.1　实验过程与分析

随着公司管理水平提高、网架结构和电力设备的改善，电网线损率也有了较明显的下降，但还有其他一些非可控的因素影响线损率统计。因此，定量地分析各区域供电公司每日供电量、售电量以及线损波动等指标之间的相关性，将表现异常的数据筛选出来，并在营配调系统中智能识别线变和台户异常挂载，为电网的管理、评估以及决策提供真实可靠的参考依据。（1）数据预处理靠站数据挖掘工作前，需要对所收集的数据进行预处理，便于将原始数据进行必要的清洗集成、转化、离散以及规约，使其达到挖掘算法、获取信息所制定的最低标准和规范[2]。此外，对原始数据进行预处理，

还可以完善残缺的数据，对数据中存在的错误信息进行及时纠正，将所需要的数据挑选出来进行数据集成，同时把不适应的数据格式转化为系统所要求的格式，最终实现数据类型和格式相同的处理目的。经过预处理的数据，能够满足实验所需要的样本数据，并提升实验结果的可靠性与真实性。（2）供电量与售电量的差值模型在分析比较系统供电量和售电量的差值时，可以事先判断出某一区域发生线损异常的大致情况。同时设置一个阈值，将其与供电量与售电量的差值进

收稿日期：2019-02-28

基金项目：国家电网公司总部科技项目“面向同期线损管理的

多专业数据治理技术与挖掘应用研究”。作者简介：黄文思（1981-），男，福建南安人，本科，高级工

程师，主要研究方向为电网信息化研究和管理工作。 2019年5月25日第36卷第5期Ｍａｙ． ２５，２０１９，Ｖｏｌ．　３６　Ｎｏ．　５　Telecom Power Technology

·　１６２　·行对比，当差值大于所设置的阈值时，则可提示该区域存在线损异常的情况。然后运用TF-IDF算法对该区域的台户关系及线变关系的异常挂载情况等进行筛选，从而锁定异常用户的局地位置。当售电量与供电量的差值小于所设置阈值时，则需要进一步分析用户电量和线损电量的相关性，从而判断该区域是否存在线损异常情况。（3）线损电量和供电量的相关性线损电量和用户电量的Pearson相关系数的计算，有助于确定是否对数据进行直接校验。当两者之间的相关性较强时，可以直接对其进行校验；当两者的相关性较弱时，需要通过继续预测线损率的方式决定是否使用TF-IDF分析电力设备的异常挂载情况。（4）线损电量预测如果线损电量和供电量不存在强相关关系，则对线损电量进行预测，预测线损电量和实际线损电量之间的差值，当差值大于实验设定的阈值时，模型认为统计的线损电量出现异常，需要继续进行TF-IDF筛选电力设备的异常挂载[3]。本文采用BP神经网络结合

时间序列的方式预测售电量，同时将预测结果作为计算线损电量的依据，达到预测线损电率的目的。如果预测线损率和实际线损率超过阈值，可以判断该区域存在线损异常的情况，需使用TF-IDF算法找出异常挂载的电力设备。

（5）TF-IDF筛查电力设备异常挂载为准确搜集引起线损出现异常计算结果的原因，文章使用TF-IDF算法判断出电力设备地址和异常挂载情况。例如，线路、变压器、台区及用户关系等出现异常挂载，从而实现准确锁定线损异常位置、提升处理线损异常情况的质量和效率等目的。（6）校验将通过该模型得到的线损异常区域以及定位的异常挂载的电力设备通知电网工作人员，工作人员对实验结果进行实地考察和认证，以验证结果的准确性。如果结果误差较大，则调整模型及模型中的参数再次进行实验，以保证本文模型的准确性和可靠性。2.2　实　验2.2.1　相关性分析结果

对阳泉市区及周边县城的电网中供电量和线损数据进行Pearson相关系数的计算，得出在前5个地区中供电量与线损电量之间存在着加强的相关性，而孟县供电公司的相关系数r却仅有0.154 6，因此可以判断孟县供电公司所覆盖的供电区域极有可能存在线损异常的情况，需要对孟县的线损电量进行预测。（1）线损电量预测本文主要运用预测售电量的方式实现线损电量的预测，所以将售电量数据作为预测模型中的样本数据，表1为预测盂县售电量的样本数据。

表1　预测盂县售电量样本数据日期最高温度最低温度节假日类型售电量供电量x1x2x3x4yz2015/5/127911 853 9991 884 1882015/5/2231001 855 6681 853 2302015/5/325801 605 8691 660 824………………………………2016/5/29241301 365 8421 434 1862016/5/30271301 330 1471 406 3442016/5/31321601 395 5771 400 244

节假日类型中，1表示为节假日，0表示为工作日。神经网络-时间序列模型的输入层为售电量预测模型，把影响售电量的因素经过对策反复训练后，将均方差控制为0.002。将成熟的模型运用于孟县售电量的预测，结果显示售电量与实际数据之间存在较大的差距，超过了事先设定的阈值，因此需要运用TF-IDF算法确定孟县的供电量，从而判断该区域是否存在电力设备异常挂载的情况。（2）TF-IDF筛查电力设备异常挂载结果第一，电力设备无异常挂载。对仙人台区的所有用户地址进行TF-IDF分析后，结果显示山西省、阳泉市、盂县及仙人等用户地址的词频TF值均为0.83，说明山西省、阳泉市、盂县及仙人等4个词语的TF值相等，即上述4个台区中所有用户地址的出现频率是相同的，不存在词语出现频率偏低的情况，因此可以得出该台区无异常用户的结论。

第二，电力设备出现异常挂载。对李家庄台区的所有用户地址进行TF-IDF分析后，得出山西省、阳泉市、盂县以及李家庄潘等用户地址的词频TF值分别为0.071、0.069、0.072以及0.004 7，其中潘的TF值明显低于其他区域，因此可以判断该地区远远小于其他词语，说明李家庄台区带有潘的用户有可能不属于该台区。为再一次验证结果的准确性，对东杜台区所有用户地址的所有用户地址进行TF-IDF分析，结果显示、阳泉市、盂县、东杜及一变等词频的TF值分别为0.067、0.066、0.066及0.000 9。对东杜台区内的所有

用户地址进行统计分析后，得出地址为山西省阳泉市盂县路家村镇东杜村的有73户，而地址为山西省阳泉市盂县西潘乡的仅有1户，即该用户有可能存在异常挂载的情况，工作人员进行现场确认后，进一步落实了该用户确实不属于这一台区，需要在营配调系统中修改挂载关系。 （下转第164页）

合集下载

基于大数据的智能电网调度方法

基于大数据的智能电网调度方法

基于大数据的智能电网调度方法随着社会经济的不断发展和人民生活水平的不断提高，人们对电力的需求越来越大。

而随着应用互联网+技术的不断普及，大数据技术的应用在电力行业中也越来越广泛。

在智能电网的管理与调度中，大数据技术的应用可以使得电网的调度更加智能化、精准化，大幅度提高电网的稳定性和运行效率。

一、智能电网调度的发展历程传统电网调度是通过人工进行，调度员需要通过观察和经验来进行判断和调度。

而在这种方式下，调度员需要承担大量的工作量，调度效率也无法保障。

随着信息技术的发展，基于计算机系统的智能化调度方式也逐渐出现。

智能电网调度方法在保证电网运行稳定性的前提下，通过大数据分析获取更多准确信息，使得电网的运行更加精准化、智能化。

二、智能电网调度方法的基本原理智能电网调度方法基于诸多技术手段，其中大数据技术是其核心。

智能电网调度方法主要分为监测、预测、优化三个环节，具体流程如下：1.监测环节：智能电网调度方法会通过各种传感器和系统实时地获取电力系统中的各项参数，如线路电压、电流信息、供电情况等。

这些数据首先会被上传至电网调度大数据平台中。

2.预测环节：基于所采集到的大量电力系统数据，通过分析和处理这些数据，智能电网调度方法会进行数据挖掘、时间序列分析等预测。

通过数据预测，智能电网调度方法可以对未来的电力供需量进行预测，有针对性地制定调度方案。

3.优化环节：在预测的基础上，智能电网调度方法会优化电力系统的运行方案。

智能电网调度方法会根据当前的电力供需情况，制定可行的优化方案，包括调整电力系统的供电范围、尽量利用清洁能源等，以保证电力的供需平衡，提高电网的运行效率。

三、智能电网调度方法的优势智能电网调度方法与传统的电网调度方法相比有许多优势：1.可操作性强：智能电网调度方法基于大数据技术，可以在电力系统运行过程中及时地获取各种参数信息。

与传统调度方法相比，智能电网调度方法更精准，可以使得电力系统的稳定性更高。

2.更加高效：传统的电网调度是基于人工经验完成的，需要调度员进行全天候的监控。

基于大数据的智能电网监控与调度策略研究

基于大数据的智能电网监控与调度策略研究

基于大数据的智能电网监控与调度策略研究智能电网技术的发展已经成为当前能源领域的热门话题，其应用可以提高电网的智能化、自动化水平，提高电网的运行效率和安全性。

基于大数据的智能电网监控与调度策略研究是当前智能电网领域的重要方向之一。

本文将围绕这一任务名称，探讨大数据技术在智能电网监控与调度中的应用以及相关的研究策略。

首先，大数据技术在智能电网监控中的应用不断发展和深化。

传统的电网监控主要依靠人工巡检和手动记录数据，存在着工作效率低下、数据更新慢、容易出现差错等问题。

而基于大数据技术的智能电网监控将通过对海量实时数据的采集、存储、管理和分析，实现电网状态的实时监测、故障预测和分析，大大提高了电网的运行效率和安全性。

其次，基于大数据的智能电网调度策略研究也是智能电网领域的重要课题之一。

传统的电网调度主要根据人工经验和历史数据进行决策，难以适应电网运行的复杂性和变化性。

而大数据技术的引入可以通过对历史和实时数据的分析，建立复杂的模型和算法，实现电网调度的精确预测和优化决策。

例如，可以通过数据挖掘和机器学习方法，分析历史用电数据和天气数据，预测未来用电负荷变化的趋势，从而优化电网的供应和配送策略，提高电网的运行效率和能源利用率。

基于大数据的智能电网监控与调度策略研究涉及到多个关键技术的应用和研究。

其中，数据采集和存储是实现智能电网监控和调度的基础。

通过实时采集各类传感器和监测设备的数据，包括电力负荷、电流电压、温度湿度等，同时结合天气、气象等外部环境数据，将这些数据存储在大数据平台上，为后续的分析和决策提供数据基础。

另外，数据分析和挖掘是实现大数据智能电网监控和调度的核心技术。

通过对实时和历史数据的挖掘和分析，可以发现隐藏在大数据背后的规律和关联，从而为电网运行状态的监测、故障预测和分析提供支持。

例如，可以通过聚类分析方法，对电网各个节点的历史用电数据进行分析，发现异常用电模式，并预测潜在的电网故障风险。

此外，机器学习和人工智能技术的应用，也将对大数据智能电网监控与调度研究起到重要的推动作用。

基于大数据分析的智能电网调度与优化研究

基于大数据分析的智能电网调度与优化研究

基于大数据分析的智能电网调度与优化研究随着社会的发展，智能电网已经逐渐成为能源行业的主要发展方向。

智能电网通过应用大数据分析技术，实现了对电网的高效调度与优化。

本文将对基于大数据分析的智能电网调度与优化进行研究。

首先，大数据分析技术在智能电网中的应用非常广泛。

通过收集电网中的各种数据，如电力负荷、电压、电流等数据，可以建立一个庞大的电力数据库。

利用大数据分析技术，可以从大量的数据中找出模式和规律，进而对电网进行调度与优化。

例如，通过对电力负荷数据的分析，可以预测未来的电力需求，从而合理调度电力资源，避免电力供应不足或浪费。

其次，大数据分析技术在智能电网中的调度与优化方面发挥了重要作用。

智能电网具有高度自动化和智能化的特点，可以根据电力数据分析结果，优化电力调度策略。

例如，通过大数据分析技术，可以对电网中的电力传输线路进行检测和监控，及时发现线路故障，进行故障隔离和恢复，确保电力的稳定供应。

另一方面，通过大数据分析技术，可以对电力设备的运行数据进行实时监测和分析，找出设备运行中的异常情况，预测设备的损坏和维护需求，提前进行设备维修和更换，避免设备故障对电网系统造成的影响。

而智能电网的调度与优化不仅仅局限于电力供应方面，还包括了能源资源的合理利用。

大数据分析技术可以对可再生能源的获取和利用进行优化。

例如，通过对太阳能和风能等可再生能源的数据进行分析，可以确定最佳的发电时间和发电量，合理规划可再生能源的利用方案。

此外，大数据分析技术还可以与电力市场进行结合，实现电力市场的智能化交易和优化。

通过对电力市场的供需情况进行大数据分析，可以制定更合理的电力价格和交易策略，提高电力市场的效率和公平性。

然而，基于大数据分析的智能电网调度与优化还面临一些挑战。

首先，如何确保大数据的安全性和隐私性是一个重要问题。

大数据中可能含有重要的商业和个人隐私信息，因此在进行大数据分析的过程中，需要采取相应的数据保护措施，保证数据的安全和隐私不被泄露。

大数据技术在智能物流中的运输路径规划与配送优化研究

大数据技术在智能物流中的运输路径规划与配送优化研究

大数据技术在智能物流中的运输路径规划与配送优化研究智能物流是一项基于大数据技术的新兴领域，它通过对物流数据的搜集、分析和处理，提供了智能化的运输路径规划与配送优化方案。

本文将对大数据技术在智能物流中的应用进行研究，并深入探讨其在运输路径规划和配送优化中的作用。

一、运输路径规划在传统的物流运输过程中，运输路径的规划通常基于经验和静态的数据，无法充分考虑到实际情况的多变性。

而大数据技术的应用，则可以通过对物流数据的实时监测和分析，根据实时的交通情况和货物需求，快速调整和计算最优的运输路径。

1.1 实时数据的采集和监测大数据技术可以通过物流信息系统和传感器等设备，实时搜集到运输过程中的各种数据，如交通拥堵情况、道路状况、气象信息等。

这些实时数据可以帮助决策者更加准确地了解当前的运输环境，有针对性地进行路径规划。

1.2 路径规划算法的优化大数据技术可以利用机器学习和数据挖掘等算法，对历史运输数据进行分析和建模，形成路径规划模型。

基于这些模型，可以通过优化算法计算出最优的运输路径，使得运输效率最大化、成本最小化。

1.3 动态路径规划的实现传统的路径规划通常是基于静态数据进行计算，无法充分考虑到实际运输中的多变因素。

而大数据技术可以将实时的数据与路径规划算法结合起来，实现动态路径规划。

通过实时监测和分析交通状况等数据，可以及时调整规划的路径，以应对突发情况并避免时间和成本的浪费。

二、配送优化在物流过程中，配送环节是非常重要且具有挑战性的一环。

大数据技术可以通过对配送数据的分析，提供更高效、准确的配送优化方案，提升配送效率和客户满意度。

2.1 配送路径的优化利用大数据技术，可以实时监控车辆的位置和货物的状态，提供实时的配送路径优化方案。

通过分析数据，可以根据货物的实际情况和配送要求，制定最优的配送路径，避免运输过程中的不必要的时间和资源浪费。

2.2 车辆调度的优化大数据技术可以对车辆和司机等资源进行管理和调度。