低压跳闸和客户投诉预测方法、装置和存储介质制造方法及图纸

本申请涉及一种低压跳闸和客户投诉预测方法、装置、计算机设备和存储介质，通过获取设备台账数据、供电环境属性数据以及台区用户特征数据，获取多方面的数据，可以增加预测的准确性，将所述设备台账数据、所述供电环境属性数据以及所述台区用户特征数据进行清洗和整理，获得预测特征数据，可以使预测特征数据在输入预测模型链后，避免预测模型链识别出错，将所述预测特征数据输入基于分类器链模型训练的预测模型链进行是否发生低压跳闸和各是否发生客户投诉预测，输出预测结果，采用预测模型链对低压跳闸和客户投诉预测，可以利用配电网的公变台区低压跳闸和客户投诉之间的相关性，有效提高预测结果准确率和预测覆盖率。

Low Voltage Trip and Customer Complaint Prediction Method, Device and Storage Media

This application relates to a low voltage trip and customer complaint prediction method, device, computer equipment and storage medium. By acquiring equipment account data, power supply environment attribute data and user characteristic data of the station area, the accuracy of prediction can be increased. The equipment account data, power supply environment attribute data and user characteristic number of the station area can be increased. According to cleaning and collating, the predictive feature data can be obtained, which can make the predictive feature data avoid identifying errors in the predictive model chain after being input into the predictive model chain. The predictive feature data can be input into the predictive model chain based on classifier chain model training to predict whether low-voltage trips occur and whether customer complaints occur. The predictive results can be output. The predictive model chain is used to predict low-voltage. Tripping and customer complaint prediction can effectively improve the accuracy and coverage of prediction results by utilizing the correlation between low-voltage tripping and customer complaints in transformer substation area of distribution network.

【技术实现步骤摘要】
低压跳闸和客户投诉预测方法、装置和存储介质
本申请涉及计算机
，特别是涉及一种低压跳闸和客户投诉预测方法、装置、计算机设备和存储介质。
技术介绍
随着经济发展和人们生活水平的日益提高，工商业与居民用电水平不断增长。尤其在夏季高温天气时段，大功率电器的使用导致用电负荷大幅攀升，出现配变容量无法满足客户用电增长需求的现象，台区电压不稳，故障跳闸等问题相应发生，并且由此引发的供电类客户投诉数量高居不下。目前，对于公变台区低压跳闸和供电类客户投诉问题的处理办法有更换开关、调整用户线路分流负荷、增容改造、公用改专用等短期紧急解决机制及长远解决手段。处理办法以事后处理为主，缺乏预判性的工作。随着智能配电网信息化、自动化、互动化水平不断提高，电力企业积累了大量用电数据，国内外学者提出了许多基于配电网大数据的配变运行状态预测模型。目前的研究多数以配变重过载预测为切入点，并在此基础上划分出可能出现故障跳闸和客户投诉问题的高风险台区。但是除了配变重过载问题，仍有大量低压跳闸是由于分路之间、台区之间负荷分配不均、三相不平衡等运行管理因素和开关设备、线路老化等设备因素引发的，因此，对配电网的公变台区低压跳闸和客户投诉进行预测的准确率低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高对配电网的公变台区低压跳闸和客户投诉进行预测的准确率的问题的低压跳闸和客户投诉预测方法、装置、计算机设备和存储介质。一种低压跳闸和客户投诉预测方法，所述方法包括：获取设备台账数据、供电环境属性数据以及台区用户特征数据；将所述设备台账数据、所述供电环境属性数据以及所述台区用户特征数据进行清洗和整理，获得预测特征数据；将所述预测特征数据输入基于分类器链模型训练的预测模型链，通过所述预测模型链预测是否发生低压跳闸和是否发生客户投诉，得到低压跳闸预测结果和客户投诉预测结果。在其中一个实施例中，所述将所述预测特征数据输入基于分类器链模型训练的预测模型链，通过所述预测模型链预测是否发生低压跳闸和是否发生客户投诉，得到低压跳闸预测结果和客户投诉预测结果的步骤，包括：将所述预测特征数据分别输入所述预测模型链中的各子预测模型链，输出各子预测模型链的初步低压跳闸预测结果和初步客户投诉预测结果；将各初步低压跳闸预测结果进行投票，票数最高的确定为低压跳闸预测结果；将各初步客户投诉预测结果进行投票，票数最高的确定为客户投诉预测结果。在其中一个实施例中，所述将所述预测特征数据分别输入所述预测模型链中的各子预测模型链，输出各子预测模型链的初步低压跳闸预测结果和初步客户投诉预测结果的步骤，包括：将所述预测特征数据输入所述子预测模型链的第一预测模型，输出第一预测结果；将所述预测特征数据和所述第一预测结果输入所述子预测模型链的第二预测模型，输出第二预测结果；将所述第二预测结果确定为子预测模型链输出的初步低压跳闸预测结果和初步客户投诉预测结果。在其中一个实施例中，所述第一预测模型的训练方式包括：获取各样本数据，所述样本数据包括：特征数据样本及所述特征数据样本的第一结果标签；将各所述样本数据基于混合重抽样进行抽样处理，获得训练样本；将所述训练样本输入待训练的第一预测模型，获得训练后的第一预测模型；获取验证样本，所述验证样本包括：特征数据验证样本；将所述验证样本输入训练后的第一预测模型，输出验证结果；当所述验证结果满足要求时，获得第一预测模型。在其中一个实施例中，所述第二预测模型的训练方式包括：获取各样本数据，所述样本数据包括：特征数据样本及所述特征数据样本的第一结果标签和第二结果标签；将各所述样本数据基于混合重抽样进行抽样处理，获得训练样本；将所述训练样本输入待训练的第二预测模型，获得训练后的第二预测模型；获取验证样本，所述验证样本包括：特征数据验证样本；将所述验证样本输入训练后的第二预测模型，输出验证结果；当所述验证结果满足要求时，获得第二预测模型。在其中一个实施例中，所述将各所述样本数据基于混合重抽样进行抽样处理，获得训练样本的步骤，包括：将各所述样本数据中的多数类样本数据采用NCL欠抽样进行抽样处理，获得训练样本的第一训练样本；将各所述样本数据中的少数类样本数据采用SMOTE过抽样进行抽样处理，获得训练样本的第二训练样本。在其中一个实施例中，所述将各所述样本数据中的多数类样本数据采用NCL欠抽样进行抽样处理，获得训练样本的第一训练样本的步骤，包括：遍历各所述样本数据进行数据清理，获得多数类样本数据；对各所述多数类样本数据进行归一化处理，获得各处理后的样本数据；计算各所述处理后的样本数据之间的欧氏距离，获得各所述处理后的样本数据的距离矩阵；对所述距离矩阵的上三角形中的元素基于相似度的高低进行排序，获得各样本数据的相似度排列；根据所述相似度排列的顺序依次随机选取两两样本数据中的一个样本数据，获得训练样本的第一训练样本。一种低压跳闸和客户投诉预测装置，所述装置包括：数据获取模块，用于获取设备台账数据、供电环境属性数据以及台区用户特征数据；数据处理模块，用于将所述设备台账数据、所述供电环境属性数据以及所述台区用户特征数据进行清洗和整理，获得预测特征数据；预测模块，用于将所述预测特征数据输入基于分类器链模型训练的预测模型链，通过所述预测模型链预测是否发生低压跳闸和是否发生客户投诉，得到低压跳闸预测结果和客户投诉预测结果。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。上述低压跳闸和客户投诉预测方法、装置、计算机设备和存储介质，通过获取设备台账数据、供电环境属性数据以及台区用户特征数据，获取多方面的数据，可以增加预测的准确性，将所述设备台账数据、所述供电环境属性数据以及所述台区用户特征数据进行清洗和整理，获得预测特征数据，可以使预测特征数据在输入预测模型链后，避免预测模型链识别出错，将所述预测特征数据输入基于分类器链模型训练的预测模型链进行是否发生低压跳闸和各是否发生客户投诉预测，输出预测结果，采用预测模型链对低压跳闸和客户投诉预测，可以利用配电网的公变台区低压跳闸和客户投诉之间的相关性，有效提高预测结果准确率和预测覆盖率。附图说明图1为一个实施例中低压跳闸和客户投诉预测方法的应用场景图；图2为一个实施例中低压跳闸和客户投诉预测方法的流程示意图；图3为一个实施例中低压跳闸和客户投诉预测方法的流程示意图；图4为另一个实施例中低压跳闸和客户投诉预测方法的流程示意图；图5为一个实施例中低压跳闸和客户投诉预测方法的第一预测模型的训练流程示意图；图6为另一个实施例中低压跳闸和客户投诉预测方法的第二预测模型的训练流程示意图；图7为一个实施例中低压跳闸和客户投诉预测装置的结构框图；图8为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的低压跳闸和客户投诉预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网本文档来自技高网...

【技术保护点】
1.一种低压跳闸和客户投诉预测方法，所述方法包括：获取设备台账数据、供电环境属性数据以及台区用户特征数据；将所述设备台账数据、所述供电环境属性数据以及所述台区用户特征数据进行清洗和整理，获得预测特征数据；将所述预测特征数据输入基于分类器链模型训练的预测模型链，通过所述预测模型链预测是否发生低压跳闸和是否发生客户投诉，得到低压跳闸预测结果和客户投诉预测结果。

【技术特征摘要】
1.一种低压跳闸和客户投诉预测方法，所述方法包括：获取设备台账数据、供电环境属性数据以及台区用户特征数据；将所述设备台账数据、所述供电环境属性数据以及所述台区用户特征数据进行清洗和整理，获得预测特征数据；将所述预测特征数据输入基于分类器链模型训练的预测模型链，通过所述预测模型链预测是否发生低压跳闸和是否发生客户投诉，得到低压跳闸预测结果和客户投诉预测结果。2.根据权利要求1所述的方法，其特征在于，所述将所述预测特征数据输入基于分类器链模型训练的预测模型链，通过所述预测模型链预测是否发生低压跳闸和是否发生客户投诉，得到低压跳闸预测结果和客户投诉预测结果的步骤，包括：将所述预测特征数据分别输入所述预测模型链中的各子预测模型链，输出各子预测模型链的初步低压跳闸预测结果和初步客户投诉预测结果；将各初步低压跳闸预测结果进行投票，票数最高的确定为低压跳闸预测结果；将各初步客户投诉预测结果进行投票，票数最高的确定为客户投诉预测结果。3.根据权利要求2所述的方法，其特征在于，所述将所述预测特征数据分别输入所述预测模型链中的各子预测模型链，输出各子预测模型链的初步低压跳闸预测结果和初步客户投诉预测结果的步骤，包括：将所述预测特征数据输入所述子预测模型链的第一预测模型，输出第一预测结果；将所述预测特征数据和所述第一预测结果输入所述子预测模型链的第二预测模型，输出第二预测结果；将所述第二预测结果确定为子预测模型链输出的初步低压跳闸预测结果和初步客户投诉预测结果。4.根据权利要求3所述的方法，其特征在于，所述第一预测模型的训练方式包括：获取各样本数据，所述样本数据包括：特征数据样本及所述特征数据样本的第一结果标签；将各所述样本数据基于混合重抽样进行抽样处理，获得训练样本；将所述训练样本输入待训练的第一预测模型，获得训练后的第一预测模型；获取验证样本，所述验证样本包括：特征数据验证样本；将所述验证样本输入训练后的第一预测模型，输出验证结果；当所述验证结果满足要求时，获得第一预测模型。5.根据权利要求3所述的方法，其特征在于，所述第二预测模型的训练方式包括：获取各样本数据，所述样本数据包括：特征数据样本及所述特征数据样本的第一结果标签...

【专利技术属性】
技术研发人员：林茵茵，陈菁，吴琼，林海，刘琦，尚明远，乡立，魏艳霞，段炼，洪海生，周先华，喻蕾，余文铖，
申请(专利权)人：广州供电局有限公司，
类型：发明
国别省市：广东,44