1、信息技术XINXIJISHU2023年第9 期电力应急抢修预案的历史大数据填补方法许汉平，李亚馨，魏聪，杨洁，张东寅，王法靖（国网湖北省电力有限公司经济技术研究院，武汉430 0 7 4）摘要：为提高电力应急抢修预案的质量，及时恢复电力受损情况，提出电力应急抢修预案的历史大数据填补方法。利用二次函数的极小值寻找数据缺失部分并填补缺失信息，构建完整的数据信息后将其传输到数据分析层，通过对电力历史大数据的深入挖掘和融合，调整可能存在的安全隐患，经应急管理层电网应急恢复处置后，获取最佳电力应急抢修预案。经实验验证：该方法缺失数据填补精度较高，受数据集大小、缺失率的变化情况影响较小，预案评分等级较高，
2、应急抢修时间较短，可为降低电力突发事件带来的经济损失提供参考。关键词：电力系统；应急抢修预案；历史大数据；缺失填补；引导决策中图分类号：TP302D0I:10.13274/ki.hdzj.2023.09.028文献标识码：A文章编号：1 0 0 9-2 5 5 2(2 0 2 3)0 9-0 1 6 5-0 7Historical big data filling method of power emergency repair planXU Han-ping,LI Ya-xin,WEI Cong,YANG Jie,ZHANG Dong-yin,WANG Fa-jing(State Grid
3、Hubei Electric Power Company Limited Economic Research Institute,Wuhan 430074,China)Abstract:In order to improve the quality of power emergency repair plan and recover the power damage intime,the historical big data filling method of power emergency repair plan is proposed.The minimum valueof the qu
4、adratic function is used to find the missing part of the data and fll in the missing information.Afterconstructing the complete data information,it would be transmited to the data analysis layer.Through thein-depth mining and fusion of power historical big data,the possible potential safety hazards
5、would be adjus-ted,and the best power emergency repair plan is obtained after the emergency recovery and disposal of thepower network of the emergency management layer.The experiment results show that this method has highprecision of missing data filling,is less affected by the changes of data set s
6、ize and missing rate,has highgrade of plan score and short time of emergency repair,which provides a reference for reducing the econom-ic losses caused by power emergencies.Key words:power system;emergency repair plan;historical big data;missing filling;guidingdecision-making0引 言电力正常运作是保障居民日常生活的关键，随
7、着电力的全面覆盖，其肩负着国家经济发展和居民生活水平的关键使命。目前，用户用电量作者简介：许汉平（1 9 6 9），男，硕士，高级工程师，研究方向为电力系统运行与控制、电能质量等。不断增加、负荷电流的不稳定性以及电源的广泛分布，导致电流供应不足、电力突发事件频发、引起火灾造成人身财产安全等重大损失2 。此外，由于配电网规模庞大、散布范围广、结构复杂多样3,发生电力应急事件时的工作量大，难以进行及时抢修，影响电力的恢复进度，因此对电力应一1 6 5 一电力应急抢修预案的历史大数据填补方法急抢修预案的完善至关重要。现存的电力应急抢修预案的完善方法，如李路军等4 提出的基于权重的电力应急预案决策方法
8、，注重权重的信息，忽略对信息完备性的考虑,陕振沛5 提出的基于模糊数TOPSIS群决策方法,缺乏对预案中具体流程的安排,已经不能满足电力应急抢修预案的完整性，需在此基础上考虑更多因素,创建出新的方法。随着大数据技术的广泛应用，各种领域都基于历史大数据进行探索研究6 。由于大数据技术涵盖的范围较广，对不同领域的数据分析效果较为完善7 。将此方法应用于电力领域,提出基于电力应急抢修预案的历史大数据填补方法。通过对大数据信息进行填补与引导决策能对电力数一许汉平等据进行实时监测8 ,对受损信息进行及时分析,对故障部分进行识别定位，派遣修复人员对电力及时恢复,降低电力突发事件造成的影响，为电力管理者面对
9、电力应急事件制定抢修预案提供支撑。1大数据填补与引导决策方法1.1电力应急事件大数据抢修管理中心由于应急事件的急迫性，电力抢修预案还存在天气因素、预案不完善、可信度低和操作性复杂等难以应对的问题,增加了历史大数据填补与引导决策的难度。如何充分利用历史大数据并结合计算机技术9 ,强化城市电力应急事件的抢救预案是要解决的关键问题，因此需构建电力应急大数据抢修管理中心，具体框架图如图1 所示。事故调查应急管理应急监测应急指挥调度电网恢复处置与分析数据分析数据挖掘数据融合引导决策实时统计应急预案动多源信息采集故障识别与技术层和融合技术风险评估与态生成与可填补技术预警技术视化技术电网受损电网实时数据源历
10、史数据数据监测数据图1 电力应急事件大数据抢修管理中心框架从图1 中可以看出该电力抢修管理中心主要急抢修预案。由数据源、技术层、数据分析、应急管理四部分构1.2数据填补成。通过数据源收集相关的电力受损信息及历史完整的数据信息是提高电力应急抢修预案质数据，传输到技术层，对接收到的数据信息进行融量的关键1 2 。获得完整的数据信息需要对数据合、对不完善的信息进行填补、评估，构建完整的进行填补，填补的方式主要通过双聚类的手段获数据信息后将其传输到数据分析层，通过对数据取数据离散化属性,根据不同数据属性,将数据分的深人挖掘1 0 ，提出引导决策预案，最后传输到割成多种类型的数据族，利用数学概念对需要填
11、应急管理层,对电网进行应急恢复处置,并分析电补的信息进行分析,并将求解数据族的最小平均力受损的具体原因，通过大数据不断完善电力应残差问题转化为二次函数形式，利用二次函数的一1 6 6 一气象数据电力应急抢修预案的历史大数据填补方法极小值寻找数据缺失部分，具体过程如下：Fj=(x-A,-数据集用X表示，表达特征集用Y表示，设表达矩阵为A,a为多个数据A的数据元素。I为X的子集,J为Y的子集，则（I,J)对特定的子矩阵A；具有以下均值差距：1F(I,J)IIJZ.a(ay-ay-ailiel.jeJ+aiali一a=aiEI其中,子矩阵第i行、第j列的平均值为ijvj，矩阵(I,J）的平均值为u。
12、当子矩阵A,满足F(I,J)8且8 0 时,8 值越小,对应的子矩阵内数据的关联度越高。设S为只存在一个缺失数据的矩阵,m、n 为矩阵S的行、列总数,p和q分别为缺失数据所在的行和列,S中除了缺失数据之外的其他数据和为SUM,p和q的取值范围分别为U=1,2,P-1,p+1,.,m),V=(1,2,q-1,q+1,n，数据簇矩阵Smxn的平均值差距为：1F(m,n)二mn=1j=1Fy=(ag-a-aiy+au)m1almnj=1S中第i行、第j列的所有数据均值的完备数据部分分别用A,、B,表示，第p行、第q列的缺失数据均值分别用A，、B，表示。具体计算公式为：4,=A,+XnB,=B,+m根
13、据以上公式,当i=p且j=q时,可得到下列公式：一许汉平等=SUM)BX十nm可将式(9)转换成用二次函数形式进行表达，具体如下：F,=Cnx+Cnx+Cio式中，cz、Cn、Co 均为常数，Vi=(1,2,(1)m),Vj=(1,2,nl。求解Fmm（m,n）的最小值依据二次函数特性(2)和数学概念中的极小值计算得出，当Fmin（m，n）(3)的值最小时,数据的关联度最高,缺失数据的值ieI可用以下公式表达为：1(m-1a-TZZ1aij(4)根据上述缺失数据填补原理，通过图2 描述大数据分析下缺失数据填补流程。开始原始数据集完备数据提取缺失数据生成属性值序列m是否有完(5)备相容类(6)是
14、(7)i-x+SUM)mnmn(9)(10)(11)离散化连续属性缺失数据属性缺失？生成倒排索引是否去除决策属性缺失记录计算完备部分的最小值频率最高的值Fm(m,n)填补缺失值选择最小Fm(m,n),填补缺失部分缺失值是否有否生成完备(8)缺失属性图2 缺失数据的填补流程数据集结束167电力应急抢修预案的历史大数据填补方法获取原始数据集离散化连续属性，将完备数据与缺失数据进行区分，根据区分情况生成属性值序列和倒排索引1 3。判断缺失数据是否有完备相容类,若有,则计算最小Fmin（m,n）值,进行缺失部分填补。若没有，则选择频率最高值进行填补，最终生成完备的数据集。1.3引导决策方法对于电力应急
15、抢修不仅要考虑事件的突发性、数据信息填补的完整性，还需对预案的实施进行引导决策。电力应急抢修预案应用流程如下：当接到报警通知时，首先需切断电力连接并及时安排人员对现场进行勘察，避免其他事件的发生1 4。同时对系统恢复进行数据分析及时恢复网络连接,并对可能存在的安全隐患进行升级与调整,直至隐患消失。对造成事件的原因进行评估并追究责任，最后进行归档。对于电力应急抢修预案的评估主要利用以下评估指标进行评估，并依据评估结果及时有针对性地开展电力应急抢修预案的引导决策方法，电力应急抢修预案的具体指标如表1 所示。表1 应急抢修预案评估指标体系应急通响应分级信阶段分类分级下达任务通知书信息通报具体评信息上
16、报成立应急组织机构责任分解估指标一一根据表1 的评价指标对评估等级进行以下划分，分值在（0,30 为很差，（30 6 0 1 为较差，（6 0，80为一般，（8 0,9 0 较好，（9 0,1 0 0）很好。具体评分估算过程如下：设专家人数共有Z人，主要是根据权重的情况进行评估1 5 ，专家的认知范围、评估水平越高,权重越高；本次专家的评估分数与之前专家评估分数进行比较，两次评估分数的差距越小，权重越高，根据以上信息得到专家的综合权重，根据专家的综合权重对应急预案进行一1 6 8 一一许汉平等最终评分。2实验分析以某电力系统的现有电力应急抢修预案为实验对象,分别利用本文方法与基于权重的电力应急
17、预案决策方法（文献4 方法）和基于模糊数TOPSIS群决策方法（文献5 方法）对该电力应急抢修预案进行数据填补及引导决策。验证本文方法的应用有效性。2.1缺失数据填补分析2.1.1填补精度在该电力应急抢修预案数据集中制造两种相关性缺失值，单模式缺失值和多模式缺失值。并选取数据缺失比例分别为2%，4%，6%，8%，10%以及1 2%的数据集进行数据填补实验验证本文方法数据填补精度。对填补精度的分析主要根据以下两种标准进行测评，第一种标准主要是对现实值和填补值两者之间的相似程度进行测量，设该标准为d，具体公式如下：dz=1-LZ(I e;-E I+I T-R1)预案启动应急处置应急结束下达解除任务
18、通知书信息发布现场检测评估部门合作安全防护一应急恢复Z(e;-r,)2第二个标准主要是对填补值和现实值两者之间的匀称差距进行测量，该标准是RMSE，具体公式如下：(21F;-e:12)一RMSE=其中,设t为缺失数值数量，rive,分别为第i个缺失值的现实值和填补值,R为r；的匀称值,E为e;的匀称值,i=1,2，,t。两个标准之间的填补关系为：填补精度随着d的增大而不断升高,填补精度会随着RMSE的值减小不断升高，具体实验对比图如图3-4 所示。从图3可以看出在任何缺失模式下，本文方法缺失数据填补后的d,平均值明显高于文献4方法和文献5 方法，伴随缺失率的不断上升三种方法的缺失数据填补d,平
19、均值在不断下降，但本文方法下降的幅度最小，因此本文方法相比于(12)(13)电力应急抢修预案的历史大数据填补方法其他两种方法在缺失数据填补d,平均值指标标0.174-文献4 方法准下更具有优势。0.160.150.784-文献4 方法0.77文献5 方法0.760.750.740.730.720.7120.784-文献4 方法文献5 方法0.770.760.750.740.730.720.712图3不同缺失模式下d，指标对比从图4中可以看出,相对于某一模式下的缺失组合，本文方法缺失数据填补后的RMSE平均值很明显低于其他两种方法，随着数据缺失率的上升，另外两种方法缺失数据填补后的RMSE均值不
20、断上升，填补精度逐渐下降。而本文方法缺失数据填补后的RMSE均值最大值不超过0.1 2，证明本文方法的缺失数填补精度明显高于其他两种方法。结合图34的对比分析可知,在d、RM SE两种标准下，单模式与多模式相比，填补精度明显较高，主要原因是多模式条件下，数据缺失值较多,导致数据缺失情况较为严重,对于数据的具体特性难以提取。实验证明本文方法相比于其他两种方法更有优势,填补精度更高，稳定性效果更好。一许汉平等一本文方法.文献5 方法一本文方法0.140.130.120.110.10246缺失率/%（a）单模式缺失值一本文方法46缺失率/%（b）多模式缺失值4（a）单模式缺失值8108106缺失率/
21、%120.174-文献4 方法0.16一文献5 方法0.150.140.130.120.110.10212图4不同缺失模式下RMSE指标对比2.1.2数据大小对数据填补效率影响为验证数据集大小对本文方法数据填补的影响效果，在电力应急抢修预案数据集中抽取不同大小数据集，分别在1 台与3台机器上执行算法，每个数据集的缺失率都为1 2%，数据集的执行时间与加速比的实验情况如图5 所示。根据图5 看出,随着数据集大小不断增加,加速比也在持续上升，数据越大算法执行效率越高,具备较好的数据处理并行性,且增加算法执行节点数可降低数据填补时间，实验证明本文方法的数据填补效率不受数据集大小影响。2.1.3缺失率
22、对数据填补效率影响实验从数据集中选取合适的数据子集，针对每个子集选取多个不同个数的特性，任意清除其中1 0%的数据,判定缺失变量个数对本文方法的数据填补影响情况具体结果如图6 所示。随着缺失变量个数增加,加速比也在随之增加，并行性提高,且算法执行节点数的增加可降低数据填补时一1 6 9 一810一本文方法46缺失率/%（b）多模式缺失值1281012电力应急抢修预案的历史大数据填补方法间。由此可以得出,本文方法的数据填补效率不受缺失变量个数变化影响，本文方法对各种变化情况适应性较强。一加速度比一31000800600S/画40020060图5 数据大小对数据填补效率影响加速度比一3100080
23、0600S/回40020001图6 缺失变量个数对数据填补效率影响2.2预案评估分别采用三种方法对该电力应急抢修预案进行引导决策，统计三种应用后的电力应急抢修预案评估效果,并分别与引导决策前该预案的评估效果进行对比，S1、S2、S3、S4分别表示原始预案、文献3 方法应用后预案、文献4 方法应用后预案以及本文方法应用后预案，四种预案的评估效果如表2 所示。表2 预案评估效果分析预案评分/分S20,30S2(30,50)S3(70,80)S4(90,100)一1 7 0 一一许汉平等本文方法后的预案相比于其他候选预案更完善，等级更高，证明本文方法电力应急抢修预案大数据引导决策效果更好。52.3实
24、际应用效果为验证应用本文方法后电力应急抢修预案4应用效果，统计本文方法应用后不同月份的应急3%/210120180数据大小/MB47缺失变量个数从表2 中可以对 S4预案评分最高,证明应用抢修平均时长和经济损失情况，具体情况如图7所示。60502403001013等级很差较差一般很好应用前应用后36040302.0201.8101月%/率1.61.41.21.0166050/403020102月3月发生时间/月图7 经济损失及平均抢修时长从图7 中可以看出，本文方法应用前后不同月份发生的电力突发事件造成的电力经济损失有较大差距。应用本文方法后平均抢修时间明显低于应用本文方法前,且可降低经济损失
25、,因此证明本文方法对电力突发事件的应急抢修效果较好，能及时避免电力突发事件对居民财产损失造成巨大影响。3结束语本文设计了电力应急抢修预案的历史大数据填补方法，通过构建电力应急事件大数据抢修管理中心，在多数据源下收集电力受损信息及历史数据，技术层通过双聚类的手段获取数据离散化属性,经完备数据与缺失数据区分后,深入挖掘和融合大数据信息，利用二次函数进行信息填补与引导决策，不仅操作简单、受环境影响小,还具有良好的稳定性，在很大程度上完善了填补与决策数据分析,为电力管理者提供了便利。在未来的研究中，应该设计电力作业现场安全监督方法，保证高效地将抢修预案及时反馈给工作人员，进一4月5月电力应急抢修预案的
26、历史大数据填补方法步减少平均抢修时长，缓解经济损失。8刘玉娇,宋坤煌，王向.基于电力大数据的经济景气参考文献：指数分析J.电信科学,2 0 2 0,36（6）：1 6 6-1 7 1.1荣莉莉,李群，于振.基于电力历史应急大数据的应9尹蕾,蒋建国,张国富.基于云模型理论面向大数据急情景规则分析与发现方法研究J.中国安全生产的协作联盟决策评价J.模式识别与人工智能，科学技术,2 0 1 9,1 5(5):32-37.2019,32(2):124-132.2石赫,杨群,刘绍翰,等.基于深度学习的电网故障预10】许晓东,彭娴,芮跃锋，等.基于大数据的公共价值案信息抽取研究J.计算机科学,2 0 2
27、0,47（2）：5 2决策模式研究J.管理学报,2 0 2 0,1 7（1）：33-39.-56.11郭春侠,杜秀秀，储节旺.大数据应急决策研究评述3王喆，王世昌,涂圣友，等.应急行动方案决策研究综与发展思考J.情报理论与实践,2 0 1 9,42（1)：1 5 3述J武汉理工大学学报：信息与管理工程版，-160.2019,41(5):467-472,484.12李董,迟家俊,相博,等.基于SMOTE 和KNN的石油4李路军，丁鹏堃,房鑫炎，等.基于权重自适应的电力数据缺失填充算法J.数学的实践与认识,2 0 1 9，应急预案指标评价方法J.电力系统保护与控制，49(17):187 195.2
28、019,47(16):27 33.13王万良,张兆娟,高楠，等.基于人工智能技术的大5陕振沛，宁宝权,张慧愿，等.基于三角形直觉模糊数数据分析方法研究进展J.计算机集成制造系统，TOPSIS群决策方法在应急预案有效性评估中的应用2019,25(3):5-23.J.数学的实践与认识,2 0 1 9,49（1 1）：2 45-2 5 3.14】常政威，彭倩，陈缨.基于机器学习和图像识别的电6邬晓韬.基于大数据技术的电网能源智能调配应用力作业现场安全监督方法J.中国电力，2 0 2 0,5 3研究J.电网与清洁能源,2 0 1 9,35(1 0）：2 3-2 7.(4):6.7徐选华,杨玉珊，陈晓红
29、.基于决策者风险偏好大数15】夏拥.基于大数据的输变电设备缺陷评估示范平台据分析的大群体应急决策方法J.运筹与管理，设计J.电网与清洁能源，2 0 1 9,35（1 2）：1 5 1 9.2019,28(7):1-10.一许汉平等（责任编辑：丁玥）(上接第 1 6 4 页)4李颖杰,黄勇光，包贤禄.基于随机巡视机制的电力物联网安全技术研究J/OL：电测与仪表：1-72021-11-09.http:/ 0 2 1,1 1(1 0):6 2-6 5.6刘玉红,杨亮,朴春慧，等.基于区块链的铁路工程施工安全监测数据共享关键技术研究J.通信学报，2021,42(8):206-216.7刘晶，张喆语,董
30、志红，等.基于工业物联网的区块链多目标优化J.计算机集成制造系统,2 0 2 1,2 7（8：2382-2392.8田志宏，赵金东.面向物联网的区块链共识机制综述J.计算机应用,2 0 2 1,41(4):9 1 7-9 2 9.9范立南,张志雷,赵宏伟.基于区块链技术的农产品信息追溯系统模型研究J.物流科技，2 0 2 0,43(12):11-14.10张震.应用于工业物联网的DAG区块链模型J.现代计算机,2 0 2 0(1 0):3-6,1 2.11秦晓伟,王立兵，汪磊，李敬兆，等.区块链技术在矿山物联网中的应用研究J.工矿自动化,2 0 2 0,46(3):21-26.12张思贤，文捷
31、.一种基于分组的区块链共识算法J.计算机应用与软件,2 0 2 0,37（3）：2 6 1-2 6 5,30 9.13宋琪杰,陈铁明，陈园，等.面向物联网区块链的共识机制优化研究J.电信科学,2 0 2 0,36（2）：1-1 2.14徐晓冰,戚枭宏,王建平,等.基于区块链的物联网可伸缩管理机制J.计算机应用研究，2 0 2 0,37(7):2156-2159.【1 5 潘建国，李豪.基于实用拜占庭容错的物联网人侵检测方法J计算机应用，2 0 1 9，39（6）：1 7 42-1746.16陈养平.基于物联网技术的网络安全相关问题与应对之策J.网络安全技术与应用,2 0 2 1（1 0)：1 1-1 3.（责任编辑：丁晓清）一 1 7 1 一
