CN109934459A - 基于可视化网格的低压台区电能表运行误差异常派工方法 - Google Patents

Abstract

本发明公开了一种基于可视化网格的低压台区电能表运行误差异常派工方法，涉及电力运维领域。目前，运维人员只对自己所辖区域负责，不能合理的分配资源。本发明包括步骤：构建基于GIS网格的采集对象关系；获取电能表运行误差异常故障点数据信息；获取运维人员数据信息；计算电能表运行误差异常故障点中心点，根据中心点对电能表运行误差异常故障点进行聚合分组；电能表运行误差异常故障点聚合分组；异常点聚合分组数据根据异常总紧急程度判定模型对异常故障点进行紧急度估算，得到对应区域内所有异常故障点的异常总紧急度值，确定各区域异常处理的先后次序以对电路运行***进行维护，为后续的精准派工提供基础，使得资源更为合理的利用。

Description

基于可视化网格的低压台区电能表运行误差异常派工方法

技术领域

本发明涉及电力运维领域，尤其涉及基于可视化网格的低压台区电能表运行误差异常派工方法。

背景技术

电力采集***的现场运维模式基本可以概括为人员统筹运维模式和网格责任制运维模式。其中人员统筹运维模式是县公司/供电所责任范围内的故障统一进行人员和任务安排的运维模式，一般是一遇到故障就进行派单，运维工作管理处于粗放阶段，无法合理的分配任务。网格责任制运维模式是先将地域相邻的台区组合成最小的运维单元，然后为每个网格都分配有唯一的责任人，该网格内的故障由该网格责任班组负责处理，由于运维人员只对自己所辖区域负责，因此哪怕故障异常点与运维人员在空间位置上很接近，只要隶属不用责任区就不能把该异常故障点进行聚合，不能合理的分配资源。并且现有技术无法快速准确判定各异常故障点的紧急程度，导致一些紧急的异常情况无法及时解决，进而导致更严重的情况出现。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供基于可视化网格的低压台区电能表运行误差异常派工方法，以达到优化派工的目的。为此，本发明采取以下技术方案。

基于可视化网格的低压台区电能表运行误差异常派工方法，包括以下步骤：

1）构建基于GIS网格的采集对象关系，所述基于GIS网格的采集对象关系包括简单GIS网格与台区的关系、台区与采集终端终端的关系、采集终端与采集器关系、采集器与电能表的关系，通过建立以台区为最小单元的GIS网格代码标识，将设备地理位置信息与GIS高度的集成，实现基于GIS网格的可视化展示。

2）获取电能表运行误差异常故障点数据信息，所述电能表运行误差异常故障点数据信息包括电能表运行误差异常故障点位置坐标、现场采集数据和工单流转数据，涉及到多个区域的各种用户在设定时间内的用电量、电能表数量，以对大批量用户的地理位置以及异常故障进行大数据分析；

3）获取运维人员数据信息，所述运维人员数据信息包括运维人员位置坐标信息、处理能力信息、人数；

4）计算电能表运行误差异常故障点中心点，根据中心点对电能表运行误差异常故障点进行聚合分组，把同一台区内的所有电能表运行误差异常故障点聚合为一组；

5）电能表运行误差异常故障点聚合分组

a)将若干电能表运行误差异常故障点位置范围按照台区进行划分；

b)根据台区与网格的对应关系，将对应台区内所有电能表运行误差异常故障点落到其对应的GIS网格内；

c)求解各个网格异常点的质心，保存该质心的坐标点、异常总紧急度和所有异常类型；

d)判断各个质心是否在某一范围内，如果在则进行合并计算出新的质心；

选中位于中间位置的质心点，以此质心点为中心画一矩形或者圆，如果当落在矩形或者圆范围内则需要合并计算出新的质心；所述矩形或者圆的大小根据运维人员的交通能力、人数以及业务能力进行确定；

6）异常点聚合分组数据根据异常总紧急程度判定模型对异常故障点进行紧急度估算，得到对应区域内所有异常故障点的异常总紧急度值，确定各区域异常处理的先后次序以对电路运行***进行维护，为后续的精准派工提供基础，使得资源更为合理的利用。

作为优选技术手段：异常总紧急程度判定模型的建立包括以下步骤：

601）初步确定采集异常紧急度的影响因子

初步确定影响因子包括：月平均用电量、异常持续时间、距离抄表天数、间歇性故障、电能表效用值；

602）获取电路运行***的数据

所述数据包括现场采集数据和工单流转数据，涉及到多个区域的各种用户的一段时间内的用电量、电能表的品牌、数量，以对大批量用户的用电量进行波动分析；

603）根据紧急度影响因子判断模型确定影响因子

将初步确定采集异常紧急度的影响因子输入紧急度影响因子判断模型中，紧急度影响因子判断模型通过***已有运行数据，按照各因素影响进行数据分析，当结果表明影响因子与最终结果存在明显聚合关系或函数连续时则表明应该将该因数计入紧急度计算，当结果为离散不连续时则表明不应该将该因数计入紧急度计算；剔除不合适影响因子，得到对紧急度有确切影响的影响因子；

604）建立异常总紧急程度判定模型

综合确定的影响因子，将产生影响的影响因子综合建模，得到异常总紧急程度判定模型。

有益效果：

本技术方案实现合理安排各组现场人员的工作，使异常现场处理工作获得最优处理效率；实现在有限资源约束环境下，现整体处理效果最优化。提供一种科学、合理的异常故障点聚合方法，能够把所有相邻的异常故障点聚合在一起，避免运维资源分配不合理，进一步地能够更为准确的判定各异常点的紧急程度，为后续的精准派工提供基础，使得资源更为合理的利用。

本技术方案结合智能电能表运行误差状态，建立异常分级处理机制；依据故障点及运维人员位置、运行表超差原因、异常等级等因素，得到多维度影响下运维冲撞机制与资源高效调配方案，以开展基于智能化派工，实现适应各单位信息化水平与运维模式现状的低压台区异常处理智能派工。

本技术方案根据低压台区区域特点、用户用电量、电表运行误差等多种因素，分析各影响因子，构建异常总紧急程度判定模型，根据异常总紧急程度判定模型得到派工紧急度排序，改变了原有依靠人为主观判断的传统派工方式，实现在有限的资源条件下智能化自动派工。

附图说明

图1是本发明的流程图。

图2是本发明的异常总紧急程度判定模型的建立流程图。

具体实施方式

以下结合说明书附图对本发明的技术方案做进一步的详细说明。

如图1所示，本发明包括以下步骤：

1）构建基于GIS网格的采集对象关系，所述基于GIS网格的采集对象关系包括简单GIS网格与台区的关系、台区与采集终端终端的关系、采集终端与采集器关系、采集器与电能表的关系，通过建立以台区为最小单元的GIS网格代码标识，将设备地理位置信息与GIS高度的集成，实现基于GIS网格的可视化展示。

2）获取电能表运行误差异常故障点数据信息，所述电能表运行误差异常故障点数据信息包括电能表运行误差异常故障点位置坐标、现场采集数据和工单流转数据，涉及到多个区域的各种用户在设定时间内的用电量、电能表数量，以对大批量用户的地理位置以及异常故障进行大数据分析；

3）获取运维人员数据信息，所述运维人员数据信息包括运维人员位置坐标信息、处理能力信息、人数；

4）计算电能表运行误差异常故障点中心点，根据中心点对电能表运行误差异常故障点进行聚合分组，把同一台区内的所有电能表运行误差异常故障点聚合为一组；

5）电能表运行误差异常故障点聚合分组

a)将若干电能表运行误差异常故障点位置范围按照台区进行划分；

b)根据台区与网格的对应关系，将对应台区内所有电能表运行误差异常故障点落到其对应的GIS网格内；

c)求解各个网格异常点的质心，保存该质心的坐标点、异常总紧急度和所有异常类型；

d)判断各个质心是否在某一范围内，如果在则进行合并计算出新的质心；

选中位于中间位置的质心点，以此质心点为中心画一矩形或者圆，如果当落在矩形或者圆范围内则需要合并计算出新的质心；所述矩形或者圆的大小根据运维人员的交通能力、人数以及业务能力进行确定；

6）异常点聚合分组数据根据异常总紧急程度判定模型对异常故障点进行紧急度估算，得到对应区域内所有异常故障点的异常总紧急度值，确定各区域异常处理的先后次序以对电路运行***进行维护，为后续的精准派工提供基础，使得资源更为合理的利用。其中异常总紧急程度判定模型的建立，如图2所示，包括以下步骤：

601）初步确定采集异常紧急度的影响因子

初步确定影响因子包括：月平均用电量、异常持续时间、距离抄表天数、间歇性故障、电能表效用值；

602）获取电路运行***的数据

所述数据包括现场采集数据和工单流转数据，涉及到多个区域的各种用户的一段时间内的用电量、电能表的品牌、数量，以对大批量用户的用电量进行波动分析；

603）根据紧急度影响因子判断模型确定影响因子

将初步确定采集异常紧急度的影响因子输入紧急度影响因子判断模型中，紧急度影响因子判断模型通过***已有运行数据，按照各因素影响进行数据分析，当结果表明影响因子与最终结果存在明显聚合关系或函数连续时则表明应该将该因数计入紧急度计算，当结果为离散不连续时则表明不应该将该因数计入紧急度计算；剔除不合适影响因子，得到对紧急度有确切影响的影响因子；

604）建立异常总紧急程度判定模型

综合确定的影响因子，将产生影响的影响因子综合建模，得到异常总紧急程度判定模型。

以上图1、2所示的基于可视化网格的低压台区电能表运行误差异常派工方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。

Claims (2)

1.基于可视化网格的低压台区电能表运行误差异常派工方法，其特征在于包括以下步骤：

1）构建基于GIS网格的采集对象关系，所述基于GIS网格的采集对象关系包括简单GIS网格与台区的关系、台区与采集终端终端的关系、采集终端与采集器关系、采集器与电能表的关系，建立以台区为单位的GIS网格代码标识，将设备地理位置信息与GIS***高度集成，实现智能表运行误差故障及派工方案在GIS上的网格化展示；

2）获取电能表运行误差异常故障点数据信息，所述电能表运行误差异常故障点数据信息包括电能表运行误差异常故障点位置坐标、现场采集数据和工单流转数据，涉及到多个区域的各种用户在设定时间内的用电量、电能表数量，以对大批量用户的地理位置以及异常故障进行大数据分析；

3）获取运维人员数据信息，所述运维人员数据信息包括运维人员位置坐标信息、处理能力信息、人数；

4）计算电能表运行误差异常故障点中心点，根据中心点对电能表运行误差异常故障点进行聚合分组，把同一台区内的所有电能表运行误差异常故障点聚合为一组；

5）电能表运行误差异常故障点聚合分组

a)将若干电能表运行误差异常故障点位置范围按照台区进行划分；

b)根据台区与网格的对应关系，将对应台区内所有电能表运行误差异常故障点落到其对应的GIS网格内；

c)求解各个网格异常点的质心，保存该质心的坐标点、异常总紧急度和所有异常类型；

d)判断各个质心是否在某一范围内，如果在则进行合并计算出新的质心；

选中位于中间位置的质心点，以此质心点为中心画一矩形或者圆，如果当落在矩形或者圆范围内则需要合并计算出新的质心；所述矩形或者圆的大小根据运维人员的交通能力、人数以及业务能力进行确定；

6）各异常点聚合分组数据根据异常总紧急程度判定模型对异常故障点进行紧急度估算，得到对应区域内所有异常故障点的异常总紧急度值，确定各区域异常处理的先后次序以对电路运行***进行维护，为后续的精准派工提供基础，使得资源更为合理的利用。

2.根据权利要求1所述的基于可视化网格的低压台区电能表运行误差异常派工方法，其特征在于：

异常总紧急程度判定模型的建立包括以下步骤：

601）初步确定采集异常紧急度的影响因子

初步确定影响因子包括：月平均用电量、异常持续时间、距离抄表天数、间歇性故障、电能表效用值；

602）获取电路运行***的数据

所述数据包括现场采集数据和工单流转数据，涉及到多个区域的各种用户的一段时间内的用电量、电能表的品牌、数量，以对大批量用户的用电量进行波动分析；

603）根据紧急度影响因子判断模型确定影响因子

将初步确定采集异常紧急度的影响因子输入紧急度影响因子判断模型中，紧急度影响因子判断模型通过***已有运行数据，按照各因素影响进行数据分析，当结果表明影响因子与最终结果存在明显聚合关系或函数连续时则表明应该将该因数计入紧急度计算，当结果为离散不连续时则表明不应该将该因数计入紧急度计算；剔除不合适影响因子，得到对紧急度有确切影响的影响因子；

604）建立异常总紧急程度判定模型

综合确定的影响因子，将产生影响的影响因子综合建模，得到异常总紧急程度判定模型。