(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211169267.4 (22)申请日 2022.09.26 (71)申请人 广东电网有限责任公司东莞供电局 地址 523000 广东省东莞 市东城街道东城 路东城段239号 (72)发明人 赵善龙　罗金满　李晓霞　邹钟璐　 翟柱新　林浩钊　王莉娜　刘丽媛　 封祐钧　梁浩波　郭孝基　叶思琪　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 杜嘉伟 (51)Int.Cl. H02J 13/00(2006.01) G06K 9/62(2022.01) G06N 3/00(2006.01)G06N 3/04(2006.01) (54)发明名称 一种基于大数据的主动配电网监测方法 (57)摘要 本发明公开了一种基于大数据的主动配电 网监测方法， 包括以下步骤： 选取主动配电网中 关键节点作为监测节点， 并将监测节 点的多个监 测数据项作为多个博弈对象， 在 多个博弈对象间 构建以数据处理量最小化和识别准确度最大化 为目标函数的博弈模型； 利用博弈模 型对博弈对 象在各个监测时段处进行轮回博弈得到监测节 点在各个监测时段处的实时识别数据项， 将监测 节点在各个监测时段的实时识别数据项利用预 测神经网络构建为监测项时序预测模 型。 本发明 利用博弈模型对博弈对象在各个监测时段处进 行轮回博弈得到监测节点在各个监测时段处的 实时识别数据项， 降低实时监测数据量， 提高监 测效率和准确度。 权利要求书3页 说明书7页 附图1页 CN 115241981 A 2022.10.25 CN 115241981 A 1.一种基于大 数据的主动配电网监测方法， 其特 征在于， 包括以下步骤： 步骤S1、 选取主动配电网中关键节点作为监测节点， 并将监测节点的多个监测数据项 作为多个博弈对象， 在多个博弈对象间构建以数据处理量最小化和识别准确度最大化为目 标函数的博 弈模型； 步骤S2、 利用博弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各 个监测时段 处的实时识别数据项， 将监测节点在各个监测时段的实时识别数据项利用预测 神经网络构建为 监测项时序预测模型； 步骤S3、 将主动配电网中关键节点在 现时时序处 的实时识别数据项输入至监测项时序 预测模型中， 得到关键节点在后时时序 处的实时识别数据项， 在后时时序 处对关键节点以 后时时序处的实时识别数据项 进行数据监测。 2.根据权利要求1所述的基于大数据的主动配电网监测方法， 其特征在于： 所述关键节 点的选取， 包括： 计算主动配电网中各个电网节点的节点度， 并将各个电网节点的节点度与 预设节点度 阈值进行比较， 其中， 若节点度大于或等于预设节点度阈值， 则将节点度对应的电网节点标记为关键节点； 若节点度小于预设节点度阈值， 则将节点度对应的电网节点标记为非关键节点； 所述节点度是表征电网节点的邻接节点数量总数的统计值。 3.根据权利要求2所述的基于大数据的主动配电网监测方法， 其特征在于： 所述将监测 节点的多个监测数据项作为多个博 弈对象， 包括： 依次将每 个监测节点的各个监测数据项均 作为每个监测节点的各个博 弈对象。 4.根据权利要求3所述的基于大数据的主动配电网监测方法， 其特征在于： 所述在多个 博弈对象间构建以数据处 理量最小化和识别准确度最大化 为目标函数的博 弈模型， 包括： 构建每个监测节点的数据处理量最小化目标函数， 所述数据处理量最小化目标函数 为： ； 式中， Xj为第j个监测节点的数据处理量最小化目标函数值， Numj,i为第j个监测节点在 第i个监测时段处的实时识别数据项数量， M为监测时段的总数量， i，j为计量常数， min为最 小化运算符； 构建每个监测节点的识别准确度最大化目标函数， 所述识别准确度最大化目标函数 为： ； 式中， Yj为第j个监测节点的识别 准确度最大化目标函数值， Pumj,i为第j个监测节点在 第i个监测时段处利用第 j个监测节 点在第i个监测时段处的实时识别数据项得到的运行状权　利　要　求　书 1/3 页 2 CN 115241981 A 2态识别准确度， M为 监测时段的总数量， i，j为计量常数， max为 最小化运算符。 5.根据权利要求4所述的基于大数据的主动配电网监测方法， 其特征在于： 所述运行状 态识别准确度的衡量包括： 选取多个现有的根据电网节点的实时识别数据项预测电网节点运行状态的运行状态 识别模型， 并将监测节点在各个监测时段的实时识别数据项分别利用多个运行状态识别模 型； 统计多个运行状态识别模型中正确识别监测节点的运行状态的模型数量， 将正确 识别 监测节点的运行状态的模型数量在所有运行状态识别模型的模型数量中的占比， 作为所述 监测节点在各个监测时段处的运行状态 识别准确度。 6.根据权利要求5所述的基于大数据的主动配电网监测方法， 其特征在于： 所述利用博 弈模型对博弈对象在各个监测时段处进行轮回博弈得到监测节点在各个监测时段处的实 时识别数据项， 包括： 步骤一， 初始种群生成： 对每个监测节点在每个监测时段处的博弈对象项采用实数编 码方式， 构成一个初始博弈种群， 表示为cj,i(1),cj,i(2),…,cj,i(Numj,i)， 式中， cj,i(1)， cj,i(2)， cj,i(Numj,i)分别为第 j个监测节点在第 i个监测时段处第1， 2和Numj,i个博弈对象 的编码符； 步骤二， 种群个体优劣性评价： 以监测节点的数据处理量最小化目标函数和监测节点 的识别准确度最大化目标函数为评价标准， 对博 弈种群中种群 个体的优劣性进行评价； 步骤三， 交叉变异环节： 将博弈种群的父代博弈种群个体随机排列生成Numj,i×2的矩 阵， 该矩阵的每一列都是完整的父代博弈种群， 选择每一行中较优的种群个体进行交叉变 异产生子代博 弈种群； 步骤四， 精英策略： 将子代博弈种群和父代博弈种群合并成新博弈种群， 根据种群个体 优劣性选择一半个 体组成新的父代博 弈种群； 步骤五， 博弈双方的策略选择： 第e轮博弈过程中， 当博弈种群迭代次数达到最大迭代 次数时， 从博弈种群中选择最优的种群个体作为每个监测节点在每个监测时段处的实时识 别数据项， e≥1； 步骤六， 判断是否达到博弈均衡： 若在第e轮博弈过程中监测节点的数据处理量最小化 目标函数和监测节点的识别准确度最大化目标函数与第e ‑1轮相同， 则博弈双方在第e轮博 弈达到均衡， 若不满足， 则进入第e+1轮博 弈， 直至达到博弈均衡状态； 其中， 每轮博弈过程均包含对每个监测节点在每个监测时段处博弈对象的博弈， 第e轮 博弈过程中， 依次完成第1至M个监测时段处博弈对象的博弈， 再进入第e+1博弈过程中， 依 次完成第1至 M个监测时段处博 弈对象的博 弈。 7.根据权利要求6所述的基于大数据的主动配电网监测方法， 其特征在于： 所述将监测 节点在各个监测时段的实时识别数据项利用预测神经网络构建为监测项时序预测模型， 包 括： 将监测节点在各个监测时段处 的实时识别数据项进行时序切分得到多个监测时序块， 所述监测时序块表示 为： {datak,datak+1,datak+2,datak+3}， k∈[1,M ‑3]； 将监测时序块中{datak,datak+1,datak+2}作为输入项， 监测时序块中{datak+3}作为输出 项， 利用LSTM神经网络对输入项和输出项 进行模型训练得到所述 监测项时序预测模型；权　利　要　求　书 2/3 页 3 CN 115241981 A 3