基于大数据的电网资源业务中台部署运维方法与流程

本发明属于大数据平台领域，具体涉及基于大数据的电网资源业务中台部署运维方法。

背景技术：

1、电网资源业务中台部署和运维是指在电网资源管理系统中搭建一个统一的中台平台，用于集中管理和调度电网资源的各个业务子系统；电网资源业务的复杂性和规模庞大使得单独的业务子系统难以高效地协同工作和共享资源，为了解决这个问题，中台部署和运维应运而生。通过建立中台平台，可以将不同的业务子系统整合到一个统一的平台上，实现资源和数据的集中管理和共享，提高运营效率和业务协同能力。

2、中台部署是指在电网资源管理系统中搭建中台平台的过程，包括确定中台平台的功能需求、架构设计、系统开发和集成等环节，中台平台需要具备灵活的业务拓展能力，能够快速响应不同业务需求的变化；中台运维是指对中台平台进行日常维护和管理的工作，包括对中台平台的监控、故障排除、性能优化、安全管理等方面的工作。

3、随着电力行业的发展和智能化的推进，电网资源管理变得越来越复杂。传统的电网资源管理方式已经无法满足新的需求。因此，建立一个基于大数据的电网资源业务中台成为一种趋势。

技术实现思路

1、本发明的目的在于提供基于大数据的电网资源业务中台部署运维方法，用于解决现有技术中传统的电网资源业务中台部署和运维方法已经无法满足新的需求的技术问题。

2、为了实现上述目的，本发明采用了如下技术方案：

3、基于大数据的电网资源业务中台部署运维方法，过程如下：

4、步骤一、构建整体架构，包括数据采集层、通信层、数据存储层、逻辑计算层和用户服务层；

5、步骤二、数据预处理；

6、步骤三、利用k-means聚类算法对电网资源业务中台数据进行聚类处理；

7、步骤四、建立bp神经网络模型进行故障诊断；

8、步骤五、故障原因判断。

9、作为优选，步骤一中数据采集层、通信层、数据存储层、逻辑计算层和用户服务层的工作内容具体如下：

10、数据采集层负责实时采集各项电网资源业务中台数据，数据采集层通过传感器和接口与电网设备连接，并将采集到的数据转化为数字信号；通信层利用以太网和无线通信将采集到的电网资源业务中台数据通过通信网络传输到监控系统，负责数据的传输和与上层的通信；数据存储层对采集到的电网资源业务中台数据进行存储，包括数据处理芯片、存储设备和存储管理软件；逻辑计算层用于对电网资源业务中台数据分析处理以及构建故障诊断模型；用户服务层用于提供对电网资源业务中台数据的实时监测、数据可视化和用户管理功能，用于显示电网资源业务中台各项参数、生成报表、进行数据分析和故障分析。

11、作为优选，步骤二的具体过程如下：

12、从各个数据源包括传感器、监控设备实时采集电网资源业务中台数据，进行预处理，包括清洗、去噪、特征编码，将其转换为适应机器学习算法的格式；以上处理获得中台可用数据集a，并将其存储在数据库和日志中；将中台可用数据集a划分为训练集、验证集和测试集;训练集用于模型的训练，验证集用于调整模型的参数和评估模型的性能，测试集用于评估最终模型的性能。

13、作为优选，步骤三的具体过程如下：

14、根据功能进行分类为基础数据、运行数据、安全数据、资产数据、能源数据和业务数据，因此确定要分类选择的数据集的数量为6，随机选取6个数据点作为初始聚类中心；将每个数据点坐标和初始聚类中心的坐标代入计算公式中，得到与6个初始聚类中心之间的距离，将其分配给距离最近的聚类中心，该计算公式如下：

15、；

16、其中，i表示第几个非初始聚类中心点，i为大于0的自然数；j表示第几个初始聚类中心点，j的取值为；

17、更新初始聚类中心坐标，将每个数据点坐标代入计算公式中，得到新的聚类中心的坐标，该计算公式如下：

18、；

19、其中，a表示数据集中数据点的数量；

20、将每个数据点坐标代入计算公式中，判断是否达到最优结果，该计算公式如下：

21、；

22、其中，a是数据集中数据点的平方误差和，表示所有数据点到其所在聚类中心的距离之和；q是数据点，表示给定对象；e表示聚类中心点的均值；e数值最小表示达到最优结果；

23、重复以上步骤，直到聚类中心点不再发生变化，即完成数据聚类。

24、作为优选，步骤四的具体过程如下：

25、s401、设定神经网络初始参数，包括输入层、隐藏层和输出层的节点数，以及权重和偏置的初始值；设置bp神经网络为6输入、3输出的结构;

26、s402、将基础数据、运行数据、安全数据、资产数据、能源数据和业务数据6项数据作为bp神经网络的输入参数，对应的故障类别、故障位置和故障评估系数作为输出层参数；计算每一层的节点输出值；

27、s403、将输入数据乘以输入层到隐藏层的初始化权重矩阵，即

28、;

29、其中，y表示输入矩阵,z表示输出矩阵，w表示初始权重矩阵；初始权重矩阵w为服从正态分布的小数值；

30、得到输出矩阵后，加上隐藏层的偏置，通过sigmoid函数进行非线性转换，得到隐藏层的输出值，sigmoid函数公式如下：

31、;

32、其中，e为自然对数的底，x为输入值；

33、s404、将隐藏层的输出值乘以隐藏层到输出层的权重矩阵，并加上输出层的偏置，再次通过sigmoid函数得到输出层的输出值;

34、计算损失函数，将bp神经网络的输出值与实际标签值进行比较，得到误差值，损失函数计算公式如下：

35、；

36、其中，,分别为元素个数为i时实测和预测的参数总量; n为测试样本中的元素个数；当值最小时，确定隐含层神经元的数量；

37、s405、根据损失函数的值，通过链式法则计算每一层的梯度；首先，计算输出层的梯度，即输出误差关于输出层输入的导数；然后，将输出层的梯度乘以输出层到隐藏层的权重矩阵的转置，得到隐藏层的梯度；最后，根据梯度和学习率更新权重矩阵w和偏置的值;

38、s406、重复步骤s402~s405，直到损失函数的变化量小于设定的阈值；

39、s407、使用训练好的bp神经网络模型进行故障诊断，将测试样本输入神经网络，通过前向传播得到输出值，通过不断训练, 建立稳定的bp神经网络模型，获得故障类别、故障位置和故障评估系数。

40、作为优选，步骤五中进行逻辑关联的具体过程如下：

41、s201、扫描系统运维故障数据库数据和故障数据，统计各个项的支持度；

42、s202、根据支持度阈值，选择一级频繁项集；

43、s203、根据一级频繁项集，生成候选二级选项集，并统计其支持度；

44、s204、根据支持度阈值，选择二级频繁项集；

45、s205、根据二级频繁项集，生成候选三级选项集，并统计其支持度；

46、s206、重复上述过程，直到无法生成更多的候选项集为止；

47、s207、根据频繁项集，生成关联规则，并计算其置信度；

48、s208、根据置信度阈值，选择满足要求的关联规则。

49、作为优选，故障评估系数的值为一个大于0小于等于1的数。

50、作为优选，支持度为出现项集的频率，置信度为故障数据与系统运维故障数据库数据中故障原因的关联程度。

51、作为优选，关联规则为满足最小支持度和最小置信度的关联规则。

52、综上所述，由于采用了上述技术方案，本发明的有益效果是：

53、1、本发明通过对电网资源业务中台构建整体架构，并对电网资源业务中台数据进行聚类处理，建立bp神经网络模型进行故障诊断，获得故障类别、故障位置和故障评估系数，利用逻辑关联算法，获得故障原因，节省了人工排查的时间，提高了故障诊断的效率；通过大数据和机器学习技术，可以更客观地进行故障诊断，避免了人为错误的发生；通过快速、准确地诊断和处理故障，可以大幅缩短故障修复时间，提高电网的可用性和可靠性；

54、2、本发明通过关联规则算法根据实际的支持度和置信度阈值进行参数设置，以控制关联规则的质量和数量，可以帮助故障诊断人员在大量的数据中寻找与特定故障相关的模式和规律，从而找到电网资源业务中台发送故障时的故障原因。