移动终端智能调控方法

摘要

本发明涉及一种移动终端智能调控方法，本发明解决现有技术的问题，其技术方案要点是：配合服务器和移动终端使用，所述服务器通过安全扫描和登陆验证步骤后与移动终端通信连接，所述服务器通过外网通信方式与移动终端通信连接，包括初始化步骤、采集现场数据进行的故障数据自计算、使用故障数据自计算结果进行的神经网络训练步骤和采用训练后神经网络进行的故障智能提示步骤。本发明采用了一种巧妙的方式实现了大数据的来源，就是充分利用个人能力测试的机会，通过人工确定的方式，一边训练能力，一边确定用于神经网络训练的参数，通过此方法，获得大量可用的相对准确的数据以提供故障解决方案。

权利要求

1.一种移动终端智能调控方法，其特征是，配合服务器和移动终端使用，所述服务器通过安全扫描和登陆验证步骤后通过外网通信方式与移动终端通信连接，包括初始化步骤、采集现场数据进行的故障数据自计算步骤、使用故障数据自计算结果进行的神经网络训练步骤和采用训练后神经网络进行的故障智能提示步骤；

所述初始化步骤：

服务器根据一个现场设备建立一个仿真模型，服务器根据设定导入现场设备参数，同时对现场设备之间的相关性进行设定，服务器导入人工设定的若干正常运行状态，根据设定的各个正常运行状态分别执行电力系统潮流计算，服务器通过潮流计算获取各个现场设备的正常运行状态数据；人工对服务器内现场设备设定若干种故障和对应的故障处理步骤约束规则作为默认数据，服务器将初始化结果通信至移动终端，移动终端显示同步获得的现场设备映射图标，并对现场设备映射图标关联相应的操作选项；

所述故障数据自计算步骤：

步骤S1，服务器根据随机设定现场输入参数和现场设备故障，然后通过潮流算法得出仿真的现场设备故障数据，依据设定的故障处理步骤约束规则，通过遍历方法获得所有可行线路，利用评测算法获取若干条备选线路，并根据排序选择一条备选最佳线路，并将现场输入参数和现场设备故障、若干条备选线路和备选最佳线路关联形成一个检测集；

步骤S2，服务器将一个检测集下发至移动终端，由移动终端的使用者对移动终端的现场设备映射图标进行操作，形成使用者设定线路；

步骤S3，服务器将移动终端上传的使用者设定线路与检测集内的若干条备选线路和备选最佳线路进行对比，若使用者设定线路属于备选线路并与备选最佳线路相同，则将备选最佳线路设定为最佳线路，并将当前的现场输入参数和现场设备故障与最佳线路关联形成一个操作集并存储，若使用者设定线路属于备选线路且与备选最佳线路存在差异，则下发备选最佳线路供使用者参考，由使用者选择或调整线路作为最佳线路，并将使用者选择或调整后的最佳线路与现场输入参数和当前现场设备故障关联形成一个操作集并存储，若使用者设定线路不属于备选线路，则将使用者设定的仿真输入参数上传至服务器，由服务器重新仿真并给出提示后下发至移动终端，由移动终端的使用者进行线路调整，重新执行步骤S3；

所述神经网络训练步骤：

步骤G1，建立一个多输入多输出的神经网络，服务器选择所有操作集中出现最多的若干条最佳线路，将最佳线路作为神经网络训练结果，将最佳线路对应的现场输入参数和现场设备故障作为神经网络的输入变量进行神经网络训练；

步骤G2，每经过一轮训练后的神经网络的误差计算时，均由已建立的仿真模型生成随机设定现场输入参数和现场设备故障，若经过神经网络的计算获得的最佳线路在仿真模型中可行且经过评测算法获得的评测分值大于预定值，则判定当前神经网络对此随机设定现场输入参数和现场设备故障的计算正确，否则判定当前神经网络对此随机设定现场输入参数和现场设备故障的计算错误；重复执行步骤G1，直到训练后的神经网络符合设定需求；

所述故障智能提示步骤：

步骤T1，服务器和移动终端获取现场的输入参数和设备故障，服务器根据现场的输入参数和设备故障利用神经网络的计算获得最佳线路，并将最佳线路通过仿真模型的潮流计算进行确认，若最佳线路通过确认则将最佳线路作为故障智能提示最佳线路进行下发，下发的最佳线路与仿真模型的潮流计算结果关联下发至移动终端，由使用者确定使用。

2.根据权利要求1所述的移动终端智能调控方法，其特征在于，在所述步骤S1中，依据设定的故障处理步骤约束规则，通过遍历方法获得所有可行线路后，利用评测算法获取若干条备选线路和备选最佳线路时，所述评测算法的函数建立包括以下步骤，评测算法步骤一，由人工选择若干条可行线路和可行线路对应的评价参数，可行线路的评价参数包括通过潮流计算仿真获取的线路参数和人工设定的现场输入参数；

评测算法步骤二，比较评价参数相对于最佳线路选择的重要程度，建立评价参数之间重要程度的对比标度矩阵；

评测算法步骤三，将对比标度矩阵进行正向化处理和标准化处理，确定评测时使用的加权决策矩阵；

评测算法步骤四，加权决策矩阵与可行线路中涉及的评价参数进行加权计算，根据加权计算的结果得到可行线路的最优理想解和最劣理想解，记录最优理想解及对应的评价参数，记录最劣理想解及对应的评价参数。

3.根据权利要求2所述的移动终端智能调控方法，其特征在于，所述步骤S1中，读取需要评测的可行线路及评价参数，计算评价参数与记录最优理想解的评价参数的欧氏距离计做dsg，评价参数与记录最劣理想解的评价参数的欧氏距离计做dsb，计算评测值ds：ds=dsg/(dsg+dsb),0

将所有的可行线路根据其对应的评测值ds从大到小依次进行排序，根据排序从所有的可行线路中选取前若干条作为若干条备选线路，选取ds值最高的可行线路作为备选最佳线路。

4.根据权利要求3所述的移动终端智能调控方法，其特征在于，所述现场输入参数包括调整日发电、供电调度计划、限电、调整发电厂功率、开或者停发电机组指令和负载经济指标；所述现场设备故障包括电网频率或者电压范围超出范围、输变电设备负载数值超出范围以及主干线路功率值与规定的稳定限额百分比。

5.根据权利要求1或2或3所述的移动终端智能调控方法，其特征在于，在所述步骤G1中，建立一个多输入多输出的神经网络，服务器选择所有操作集中出现最多的若干条最佳线路，服务器选择的每条最佳线路的出现次数大于一个人工设定的阈值，且服务器选择的所有最佳线路的出现次数和也大于一个人工设定的阈值。

6.根据权利要求5所述的移动终端智能调控方法，其特征在于，所述现场设备故障的生成只局限于人工设定的若干个现场设备中。

7.根据权利要求1所述的移动终端智能调控方法，其特征在于，在所述步骤S3中，使用者调整线路作为最佳线路时，调整线路必须属于备选线路中，若使用者调整后的线路不属于备选线路，则将使用者设定的仿真输入参数上传至服务器，由服务器重新仿真后给出提示后下发至移动终端，由移动终端的使用者进行线路调整，重新执行步骤S3。

8.根据权利要求3所述的移动终端智能调控方法，其特征在于，在所述步骤S3中，使用者调整后的线路不属于备选线路且使用者认为设定的仿真输入参数应当为最佳线路的，则由服务器记录为人工待选最佳线路，然后将此时下发的对应人工待选的检测集重复发送给若干个移动终端，若移动终端上传的使用者设定线路与人工待选最佳线路相同的次数大于设定值，则将人工待选最佳线路设定为最佳线路。

9.根据权利要求8所述的移动终端智能调控方法，其特征在于，还包括有设备保养提示步骤，服务器根据现场设备的保养时间和寿命函数设定卷积函数，计算各个现场设备的怠于保养时产生故障的几率，在随机设定现场输入参数和现场设备故障时，根据现场设备故障的几率调整随机出现故障的现场设备。

10.根据权利要求8或9所述的一种移动终端智能调控方法，其特征在于，所述服务器内存储有若干个仿真模型，移动终端获取服务器内的一个仿真模型的现场设备映射图标后，服务器为移动终端下发对应的检测集。

说明书

移动终端智能调控方法

技术领域

[0001] 本发明涉及了一种适用于电网系统的智能调控方法，特别是涉及了一种适用于电网系统的移动终端智能调控方法。

背景技术

[0002] 近年来，人工智能、云计算等技术日渐成熟，将人工智能、云计算与电网调控业务相结合是电网调控业务发展的必然趋势，对于推进调控业务智能化具有重要的意义，也为
智能调度打下坚实的基础。随着电网规模逐步扩大，以及海量电网运行数据的积累，电网运
行数据无法直观显示，需要在空间上将各级调度机构管辖的设备全模型一体化展示，时间
尺度上，反演电网网架结构变化及电网历史断面运行数据，以及电网发展远景规划，通过对
电网设备信息进行智能监视，对设备异常信息、故障信息等进行智能分析并提醒，提高工作
效率，引入移动APP技术，增强业务操作协同性，关键信息获取更加及时，减少重要流程的审
批时长，辅助提升技术学习管控及应用。

[0003] 针对上述技术问题，现有的解决方案有如下几种：如中国专利申请号为201610613748.8公开的一种基于卷积神经网络的输电线路区内外故障判断及故障选相方
法；基于卷积神经网络的输电线路区内外故障判断及故障选相方法，首先根据双端供电系
统原理图搭建仿真模型，得到训练样本的输入，将故障类型和区内外故障作为训练样本的
输出，同理生成测试样本。其次，列出网络结构，通过测试样本的错误率，得到最佳网络结
构。最后，在每次故障之后，获取故障电流，输入到训练好的网络中，即可判断是否区内故障
并进行故障选相，无需再次训练。该方法对卷积神经网络输出进行了改进，用同一网络同时
解决了区内外故障判断和故障选相两类非独立分类问题，实现了两种非独立分类问题的权
值共享。对采样率要求低，无需计算各种整定值，不受系统频率、故障位置、负荷电流、过渡
电阻等因素的影响，结果准确可靠。又或者是中国专利申请号为201911373921.1公开的一
种输电线路故障类型识别方法和系统，利用输电线路故障仿真模型生成目标线路各类型的
故障时序数据，对故障时序数据进行处理，产生面向卷积神经网络CNN的目标域数据样本；
利用目标域数据样本对预训练模型进行卷积核迁移训练，形成目标域模型；采用目标域模
型对目标线路的故障类型进行识别。本方法能够实现利用少量数据对深度模型进行迁移，
生成适用于目标线路的深度学习模型，避免了针对各个线路单独训练深度学习模型，提高
了深度学习模型的泛化能力。就目前而言，以卷积神经网络为代表的智能AI故障判断、智能
调度已经有了较为成熟的应用，但是在神经网络运行的过程中，还需要解决一个问题，就是
在多变的供电要求电路配置用电情况下，大数据的获取来源较少，由于训练数据的缺少，会
导致最终结果的误差较大，因此，如果有可获得稳定而准确的大数据来源的、适用于电网系
统的移动终端智能调控方法，能够大大提高智能调控的有效性。

发明内容

[0004] 针对上述技术方案还是存在多变的供电要求电路配置用电情况下，大数据的获取来源较少，由于训练数据的缺少，会出现最终结果误差较大的问题，本发明提供了一种能够
获得稳定而准确的大数据来源的适用于电网系统的移动终端智能调控方法。

[0005] 本发明解决其技术问题所采用的技术方案是：一种移动终端智能调控方法，配合服务器和移动终端使用，所述服务器通过安全扫描和登陆验证步骤后通过外网通信方式与
移动终端通信连接，包括初始化步骤、采集现场数据进行的故障数据自计算、使用故障数据
自计算结果进行的神经网络训练步骤和采用训练后神经网络进行的故障智能提示步骤；

[0006] 所述初始化步骤：

[0007] 服务器根据一个现场设备建立一个仿真模型，服务器根据设定导入现场设备参数，同时对现场设备之间的相关性进行设定，服务器导入人工设定的若干正常运行状态，根
据设定的各个正常运行状态分别执行电力系统潮流计算，服务器通过潮流计算获取各个现
场设备的正常运行状态数据；人工对服务器内现场设备设定若干种故障和对应的故障处理
步骤约束规则作为默认数据，服务器将初始化结果通信至移动终端，移动终端显示同步获
得的现场设备映射图标，并对现场设备映射图标关联相应的操作选项；

[0008] 所述故障数据自计算步骤：

[0009] 步骤S1，服务器根据随机设定现场输入参数和现场设备故障，然后通过潮流算法得出仿真的现场设备故障数据，依据设定的故障处理步骤约束规则，通过遍历方法获得所
有可行线路，利用评测算法获取若干条备选线路，并根据排序选择一条备选最佳线路，并将
现场输入参数和现场设备故障、若干条备选线路和备选最佳线路关联形成一个检测集；

[0010] 步骤S2，服务器将一个检测集下发至移动终端，由移动终端的使用者对移动终端的现场设备映射图标进行操作，形成使用者设定线路；

[0011] 步骤S3，服务器将移动终端上传的使用者设定线路与检测集内的若干条备选线路和备选最佳线路进行对比，若使用者设定线路属于备选线路并与备选最佳线路相同，则将
备选最佳线路设定为最佳线路，并将当前的现场输入参数和现场设备故障与最佳线路关联
形成一个操作集并存储，若使用者设定线路属于备选线路且与备选最佳线路存在差异，则
下发备选最佳线路供使用者参考，由使用者选择或调整线路作为最佳线路，并将使用者选
择或调整后的最佳线路与现场输入参数和当前现场设备故障关联形成一个操作集并存储，
若使用者设定线路不属于备选线路，则将使用者设定的仿真输入参数上传至服务器，由服
务器重新仿真并给出提示后下发至移动终端，由移动终端的使用者进行线路调整，重新执
行步骤S3；

[0012] 所述神经网络训练步骤：

[0013] 步骤G1，建立一个多输入多输出的神经网络，服务器选择所有操作集中出现最多的若干条最佳线路，将最佳线路作为神经网络训练结果，将最佳线路对应的现场输入参数
和现场设备故障作为神经网络的输入变量进行神经网络训练；

[0014] 步骤G2，每经过一轮训练后的神经网络的误差计算时，均由已建立的仿真模型生成随机设定现场输入参数和现场设备故障，若经过神经网络的计算获得的最佳线路在仿真
模型中可行且经过评测算法获得的评测分值大于预定值，则判定当前神经网络对此随机设
定现场输入参数和现场设备故障的计算正确，否则判定当前神经网络对此随机设定现场输
入参数和现场设备故障的计算错误；重复执行步骤G1，直到训练后的神经网络符合设定需
求；

[0015] 所述故障智能提示步骤：

[0016] 步骤T1，服务器和移动终端获取现场的输入参数和设备故障，服务器根据现场的输入参数和设备故障利用神经网络的计算获得最佳线路，并将最佳线路通过仿真模型的潮
流计算进行确认，若最佳线路通过确认则将最佳线路作为故障智能提示最佳线路进行下
发，下发的最佳线路与仿真模型的潮流计算结果关联下发至移动终端，由使用者确定使用。

[0017] 本发明采用了一种巧妙的方式实现了大数据的来源，就是充分利用个人能力测试的机会，通过人工确定的方式，一边训练能力，一边确定用于神经网络训练的参数，通过此
方法，获得大量可用的相对准确的数据，从而提供一种获得稳定而准确的大数据来源的且
适用于电网系统的移动终端智能调控方法。本发明中，主要是有四个步骤，第一个步骤为初
始化步骤，建立仿真模型，仿真模型可以生成若干种在理论上可行的调控方案，移动终端根
据仿真模型获得对应的、可以用于调控的设备图标，然后执行故障数据自计算步骤，就是可
以生成若干种现场设备故障情况和包括用电环境、供电对象经济等因素在内的现场输入参
数，通过仿真模型生成在理论上实现可行的调控方案，并将当前的故障和用电环境下发，收
集可行的调控方案，与现有人工上传的调控方案进行对比，从而形成可供神经网络训练使
用的调控方案，此步骤中的调控方案，主要体现在了既含有最佳线路，又含有使用者为了形
成最佳线路的操作的集合；所述神经网络训练步骤则相对简单，只需将最佳线路作为神经
网络训练结果，将最佳线路对应的现场输入参数和现场设备故障作为神经网络的输入变量
进行神经网络训练，并保持理论计算的可行即可；当神经网络训练后能够符合要求，即可采
用神经网络辅助的形式进行故障智能提示，提供可选的步骤，供实际调控人进行确认或参
考。本发明中潮流计算和评价计算都是需要较大算力的，因此需要以计算机方式进行计算，
计算之后下发的内容，使用者根据规范、经验等进行判断所花的时间就较少了，但是这个判
断的结果的验证可以直接和下发的检测集进行验证，使用者可以在验证的对比过程中，自
觉地判断自身根据环境情况下做出的选择是否适合。如果和检测集相同，则可以证明使用
者的选择是正确的。如果出现偏差，则使用者根据检测集的判断进行进一步的修正，可以达
到获取正确线路的效果。这里的正确路线可能只是备选线路中的一条，因为备选线路的线
路运行性是确定的，如果正确线路不是备用线路中的一条，因为存在运行不能的可能，则需
要经过更多的验证。总之，利用遍历方法进行的潮流计算和评价计算中需要较大的算力和
较长的运算时间，此部分内容由计算机划定，使用者可以更多的凭借经验等情况作出较快
的选择；选择的正确性既可以用来辅助计算机大数据的获取，也能够用来评价、测试使用者
自身的调度水平。神经网络训练的数据都经过人工的复核和电脑的遍历计算两个方面的校
验对比，准确性能够保证，同时，又有足够的随机性，产生足够的数据量，能够辅助神经网络
生成准确的预测辅助线路。

[0018] 作为优选，在所述步骤S1中，依据设定的故障处理步骤约束规则，通过遍历方法获得所有可行线路后，利用评测算法获取若干条备选线路和备选最佳线路时，所述评测算法
的函数建立包括以下步骤，

[0019] 评测算法步骤一，由人工选择若干条可行线路和可行线路对应的评价参数，可行线路的评价参数包括通过潮流计算仿真获取的线路参数和人工设定的现场输入参数；

[0020] 评测算法步骤二，比较评价参数相对于最佳线路选择的重要程度，建立评价参数之间重要程度的对比标度矩阵；

[0021] 评测算法步骤三，将对比标度矩阵进行正向化处理和标准化处理，确定评测时使用的加权决策矩阵；

[0022] 评测算法步骤四，加权决策矩阵与可行线路中涉及的评价参数进行加权计算，根据加权计算的结果得到可行线路的最优理想解和最劣理想解，记录最优理想解及对应的评
价参数，记录最劣理想解及对应的评价参数。

[0023] 本发明中的评价参数与供电目标重要性、供电线路损耗等相关，通过评价体系的建立，可以减少仿真模型遍历之后生成的可供选择调控方案的数量。

[0024] 作为优选，所述现场输入参数包括调整日发电、供电调度计划、限电、调整发电厂功率、开或者停发电机组指令和负载经济指标；所述现场设备故障包括电网频率或者电压
范围超出范围、输变电设备负载数值超出范围以及主干线路功率值与规定的稳定限额百分
比。

[0025] 作为优选，所述步骤S1中，读取需要评测的可行线路及评价参数，计算评价参数与记录最优理想解的评价参数的欧氏距离计做dsg，评价参数与记录最劣理想解的评价参数
的欧氏距离计做dsb，计算评测值ds：

[0026] ds=dsg/(dsg+dsb),0

[0027] 将所有的可行线路根据其对应的评测值ds从大到小依次进行排序，根据排序从所有的可行线路中选取前若干条作为若干条备选线路，选取ds值最高的可行线路作为备选最
佳线路。

[0028] 作为优选，在所述步骤G1中，建立一个多输入多输出的神经网络，服务器选择所有操作集中出现最多的若干条最佳线路，服务器选择的每条最佳线路的出现次数大于一个人
工设定的阈值，且服务器选择的所有最佳线路的出现次数和也大于一个人工设定的阈值。
通过这个设定可以排除数量过少的线路选择，同时由于所有最佳线路的出现次数和也大于
一个人工设定的阈值，可以保证最后获得的数据量是符合训练神经网络所必须的。

[0029] 作为优选，所述现场设备故障的生成只局限于人工设定的若干个现场设备中。即人工设定的故障包括电网允许的带故障运行状态时的现场设备故障。

[0030] 作为优选，在所述步骤S3中，使用者调整线路作为最佳线路时，调整线路必须属于备选线路之中，若使用者调整后的线路不属于备选线路，则将使用者设定的仿真输入参数
上传至服务器，由服务器重新仿真后给出提示后下发至移动终端，由移动终端的使用者进
行线路调整，重新执行步骤S3。本发明中，要求使用者必须对线路进行人工确认和仿真确
认，这样保证送入神经网络的数据是正确合理的。

[0031] 作为优选，在所述步骤S3中，使用者调整后的线路不属于备选线路且使用者认为设定的仿真输入参数应当为最佳线路的，则由服务器记录为人工待选最佳线路，然后将此
时下发的对应人工待选的检测集重复发送给若干个移动终端，若移动终端上传的使用者设
定线路与人工待选最佳线路相同的次数大于设定值，则将人工待选最佳线路设定为最佳线
路。更进一步的，移动终端中设定有不同的权限，采用加权算法的方式来确定人工待选最佳
线路是否可用，当权限足够的使用者，可以直接设定人工待选最佳线为最佳线路，即领导批
准方式。

[0032] 作为优选，还包括有设备保养提示步骤，服务器根据现场设备的保养时间和寿命函数设定卷积函数，计算各个现场设备的怠于保养时产生故障的几率，在随机设定现场输
入参数和现场设备故障时，根据现场设备故障的几率调整随机出现故障的现场设备。本发
明中会根据现场设备的维护频率，进一步的挑战随机出现故障的概率，即越临近维护下次
日期，则此设备出故障的几率就相对增加，此类计算直接选用合适的卷积函数即可达到相
应的目的。

[0033] 作为优选，所述服务器内存储有若干个仿真模型，移动终端获取服务器内的一个仿真模型的现场设备映射图标后，服务器为移动终端下发对应的检测集。

[0034] 作为优选，所述服务器内存储有若干个仿真模型，移动终端获取服务器内的一个仿真模型的现场设备映射图标后，服务器为移动终端下发对应的检测集。本发明的设定可
以将多个仿真模型的数据进行下发，即将各种形式的供电电路、供电环境作为测试题目的
形式进行下发，使得参与确定数据的人员可以针对各种不同的线路进行选择，一方面扩大
了数据库的量，另一方面扩大了参与确认线路的使用者的量，从而形成足够的准确的数据
量供神经网络使用。

[0035] 本发明的实质性效果是：本发明移动终端智能调控方法充分利用个人能力测试的机会，通过人工确定的方式，一边训练能力，一边确定用于神经网络训练的参数，通过此方
法，获得大量可用的相对准确的数据，从而提供一种获得稳定而准确的大数据来源的适用
于电网系统的移动终端智能调控方法。而且本发明中，所有的可行线路都经过了参数评价，
而不是直接选用的任意可行线路，线路的准确性和实用性更高，本发明中神经网络训练的
数据都经过人工的复核和电脑的遍历计算两个方面的校验对比，准确性能够保证，同时，又
有足够的随机性，产生足够的数据量，能够辅助神经网络生成准确的预测辅助线路。

附图说明

[0036] 图1为本发明中的一种初始关系对照关系示意图；

[0037] 图2为本发明中的所述故障数据自计算步骤的流程示意图；

[0038] 图3为本发明中的神经网络训练的流程示意图；

[0039] 图4为本发明中故障智能提示步骤的流程示意图。

具体实施方式

[0040] 下面通过具体实施例，对本发明的技术方案作进一步的具体说明。

[0041] 实施例1：

[0042] 一种移动终端智能调控方法，配合服务器和移动终端使用，所述服务器通过安全扫描和登陆验证步骤后与移动终端通信连接，所述服务器通过外网通信方式与移动终端通
信连接，包括初始化步骤、采集现场数据进行的故障数据自计算、使用故障数据自计算结果
进行的神经网络训练步骤和采用训练后神经网络进行的故障智能提示步骤。

[0043] 所述初始化步骤（参见附图1）：

[0044] 服务器根据一个现场设备建立一个仿真模型，服务器根据设定导入现场设备参数，同时对现场设备之间的相关性进行设定，服务器导入人工设定的若干正常运行状态，根
据设定的各个正常运行状态分别执行电力系统潮流计算，服务器通过潮流计算获取各个现
场设备的正常运行状态数据；人工对服务器内现场设备设定若干种故障和对应的故障处理
步骤约束规则作为默认数据，服务器将初始化结果通过至移动终端，移动终端显示同步获
得的现场设备映射图标，并对现场设备映射图标关联相应的操作选项；故障处理步骤约束
规则包括设定的固定操作顺序，即只有关联设备执行对应的操作选项后，关联图标相应的
操作选项才会开放。因此，进一步的可以将若干个相互关联的现场设备视作一个统一的大
设备，即使这个所谓的统一的大设备在现场是完全分立的。同时，本实施例中的操作选项是
包括替换或维修设备在内的，在执行替换或维修设备时或对线路中的异常时间进行设定数
值的累加，而异常时间是在后续的评价参数相对于最佳线路选择的重要程度中作为一个参
数进行评价的。

[0045] 仿真模型的建立为本司的现有技术，通过电力系统潮流计算获取各个现场设备的正常运行状态数据主要是用于后续的设定故障提供可供参照的默认数据，同时也为故障处
理规则的建立参照，服务器将初始化结果通过至移动终端，移动终端显示同步获得的现场
设备映射图标。例如，出现普通开关，则可以操作的选项就包括开闭，从而形成连通和断路
的状态，而选择开关则有更多的操作选项，可以选择连通的通路是哪一条，因此，现场设备
映射图标关联相应的操作选项应当有人工根据仿真模型提供的默认数据进行设置；所述现
场设备故障的生成只局限于人工设定的若干个现场设备中。即人工设定的故障包括电网允
许的带故障运行状态时的现场设备故障，也就是一般允许进行远程调控的故障类型。

[0046] 所述故障数据自计算步骤（参见附图2）：

[0047] 步骤S1，服务器根据随机设定现场输入参数和现场设备故障，然后由潮流计算法计算给出仿真的现场设备故障数据，依据设定的故障处理步骤约束规则通过遍历方法获得
所有可行线路，利用评测算法获取若干条备选线路和备选最佳线路，并将现场输入参数和
现场设备故障、若干条备选线路和备选最佳线路关联形成一个检测集；更进一步的，若干条
备选线路和备选最佳线路是以时间顺序对现场设备实行的具体的操作作为记录的，因此，
检测集中的备选线路和备选最佳线路的显示必须通过移动终端的初始化结果进行还原显
示。

[0048] 更进一步的，在所述步骤S1中，依据设定的故障处理步骤约束规则通过遍历方法获得所有可行线路后，利用评测算法获取若干条备选线路和备选最佳线路时，所述评测算
法的函数建立包括以下步骤，

[0049] 评测算法步骤一，由人工选择若干条可行线路和可行线路对应的评价参数，可行线路的评价参数包括通过潮流计算仿真获取的线路参数和人工设定的现场输入参数；

[0050] 评测算法步骤二，比较评价参数相对于最佳线路选择的重要程度，建立评价参数之间重要程度的对比标度矩阵；

[0051] 评测算法步骤三，将对比标度矩阵进行正向化处理和标准化处理，确定评测时使用的加权决策矩阵；首先对矩阵进行正向化处理，数值越接近最优值，则正向化之后该数据
越大，反之正向化之后的数据越小，评价数据可以是数据极大型、数据极小型和数据中间
型，极小型指标转化成极大型指标：用max‑x使得数据极大化；

[0052] 中间型指标转化成极大型指标： 是一组中间型指标集合，该集合的最优数值为 ，则正向化公式为： , ；

[0053] 区间型指标转化成极大型指标： 是一组中间型指标集合，该集合的最佳取值区间为 ，则正向化公式为：

[0054]

[0055]

[0056] 作为优选，本实施例推荐，使用评价参数两两比较的方式建立对比标度矩阵的形式，用1表示两个因素相比，具有同样的重要程度，用9表示两个因素相比，一个因素比另外
一个极端重要。A与B两个因素相比具有同样的重要程度，A对B为1,B对A也为1；A因素比另外
一个因素C极端重要，则A对C为9，C对A为1/9。

[0057] 评测算法步骤四，加权决策矩阵与可行线路中涉及的评价参数进行加权计算，根据加权计算的结果得到可行线路的最优理想解和最劣理想解，记录最优理想解及对应的评
价参数，记录最劣理想解及对应的评价参数。本步骤中的可行线路中涉及的参数进行加权
计算中，首先将参数本身进行一个分类评价，例如将功率因素按照90%以下、90%‑91%、91%‑
92%等等进行优劣分类，分类之后的参数根据优劣对应形成一个0‑1之间的计量值，1代表最
优，0代表最劣。按此计量值与加权决策矩阵进行加权计算，在计算最优解的时候用到所有
可行线路中出现的最高值进行加权计算，而在计算最劣解的时候用到所有可行线路中出现
的最低值进行加权计算，即，在实际运算中首先将所有参数中的最优计量值和最劣计量值
选出，由最优计量值和最劣计量值分别加权获得最优最劣解。本实施例中的评价参数与供
电目标重要性、供电线路损耗等相关，通过评价体系的建立，可以减少仿真模型遍历之后生
成的可供选择调控方案的数量。所述现场输入参数包括调整日发电、供电调度计划、限电、
调整发电厂功率、开或者停发电机组指令和负载经济指标；所述现场设备故障包括电网频
率或者电压范围超出范围、输变电设备负载数值超出范围主干线路功率值与规定的稳定限
额百分比等。

[0058] 更为具体的，所述步骤S1中，读取需要评测的可行线路及评价参数，计算评价参数与记录最优理想解的评价参数的欧氏距离计做dsg，评价参数与记录最劣理想解的评价参
数的欧氏距离计做dsb，计算评测值ds：

[0059] ds=dsg/(dsg+dsb),0

[0060] 将所有的可行线路根据其对应的评测值ds从大到小依次进行排序，根据排序从所有的可行线路中选取前若干条作为若干条备选线路，选取ds值最高的可行线路作为备选最
佳线路。一般来说是可以选择评价参数的计量值用作欧式距离计算，也可以选择具体数值
作为用作欧式距离计算，本发明并不限定，但是在本实施例中，推荐以评价参数的计量值用
作欧式距离计算，以功率因素这个指标来说，90%和95%功率因素的指标计算所体现的欧式
距离，和极劣评价0.1与良好评价0.7的评价所体现的欧式距离存在明显的差异。

[0061] 步骤S2，服务器将一次检测集下发至移动终端，由移动终端的使用者对移动终端的现场设备映射图标进行操作，形成使用者设定线路，

[0062] 步骤S3，服务器将移动终端上传的使用者设定线路与检测集内的若干条备选线路和备选最佳线路进行对比，若使用者设定线路属于备选线路并与备选最佳线路相同，则将
备选最佳线路设定为最佳线路，并将当前现场输入参数和现场设备故障与最佳线路关联形
成一个操作集并存储，若使用者设定线路属于备选线路且与备选最佳线路存在差异，则下
发备选最佳线路供使用者参考，由使用者选择或调整线路作为最佳线路，并将使用者选择
或调整后的最佳线路与现场输入参数和当前现场设备故障关联形成一个操作集并存储，若
使用者设定线路不属于备选线路，则将使用者设定的仿真输入参数上传至服务器，由服务
器重新仿真后给出提示后下发至移动终端，由移动终端的使用者进行线路调整，重新执行
步骤S3；

[0063] 在所述步骤S3中，使用者调整线路作为最佳线路时，调整线路必须属于备选线路中，若使用者调整后的线路不属于备选线路，则将使用者设定的仿真输入参数上传至服务
器，由服务器重新仿真后给出提示后下发至移动终端，由移动终端的使用者进行线路调整，
重新执行步骤S3。本实施例中，要求使用者必须对线路进行人工确认和仿真确认，这样保证
送入神经网络的数据是正确合理的。

[0064] 所述神经网络训练步骤（参见附图3）：

[0065] 步骤G1，建立一个多输入多输出的神经网络，服务器选择所有操作集中出现最多的若干条最佳线路，将最佳线路作为神经网络训练结果，将最佳线路对应的现场输入参数
和现场设备故障作为神经网络的输入变量进行神经网络训练；在所述步骤G1中，建立一个
多输入多输出的神经网络，服务器选择所有操作集中出现最多的若干条最佳线路，服务器
选择的每条最佳线路的出现次数大于一个人工设定的阈值，且服务器选择的所有最佳线路
的出现次数和也大于一个人工设定的阈值。通过这个设定可以排除数量过少的线路选择，
同时由于所有最佳线路的出现次数和也大于一个人工设定的阈值，可以保证最后获得的数
据量是符合训练神经网络所必须的。步骤G1，建立一个多输入多输出的神经网络，服务器选
择所有操作集中出现最多的若干条最佳线路，将最佳线路作为神经网络训练结果，将最佳
线路对应的现场输入参数和现场设备故障作为神经网络的输入变量进行神经网络训练；在
所述步骤G1中，建立一个多输入多输出的神经网络，服务器选择所有操作集中出现最多的
若干条最佳线路，服务器选择的每条最佳线路的出现次数大于一个人工设定的阈值，且服
务器选择的所有最佳线路的出现次数和也大于一个人工设定的阈值。通过这个设定可以排
除数量过少的线路选择，同时由于所有最佳线路的出现次数和也大于一个人工设定的阈
值，可以保证最后获得的数据量是符合训练神经网络所必须的。本实施例中多输入多输出
的神经网络为较为常见的神经网络，可以具备有多个神经网络层，本实施例中多输入多输
出的神经网络中，输入量为现场输入参数和现场设备故障，输出的结果是最佳线路，可以认
为本实施例中的神经网络为多输入的一个分类器，例如输入现场输入参数（集合）为a1和现
场设备故障（集合）a1则对应最佳线路A，输入现场输入参数（集合）为a2和现场设备故障（集
合）a3仍对应最佳线路A，输入输入现场输入参数（集合）为b4和现场设备故障（集合）b5则对
应最佳线路B，等等，依次类推。目标是实现一个已知或未知的输入现场输入参数（集合）为
xn和一个已知或未知的现场设备故障（集合）xn，能够获得一个最佳线路，而这个最佳线路
是已知的最佳线路中的一个。至于多输入多输出的神经网络本身建立方式和方法本身则不
是重点，例如如何确定加权数据并将之快速调整等均属于现有技术，本申请中不做赘述。

[0066] 步骤G2，每经过一轮训练后的神经网络的误差计算时，均由已建立的仿真模型生成随机设定现场输入参数和现场设备故障，若经过神经网络的计算获得的最佳线路在仿真
模型中可行且经过评测算法获得的评测分值大于预定值，则判定当前神经网络对此随机设
定现场输入参数和现场设备故障的计算正确，否则判定当前神经网络对此随机设定现场输
入参数和现场设备故障的计算错误；重复执行步骤G1，直到训练后的神经网络符合设定需
求；

[0067] 所述故障智能提示步骤（参见附图4）：

[0068] 步骤T1，服务器和移动终端获取现场的输入参数和设备故障，服务器根据现场的输入参数和设备故障利用神经网络的计算获得最佳线路，并将最佳线路通过仿真模型的潮
流计算进行确认，若最佳线路通过确认则将最佳线路作为故障智能提示最佳线路进行下
发，下发的最佳线路与仿真模型的潮流计算结果关联下发至移动终端，由使用者确定使用。 
这里的确定使用并不局限使用者必须采用此方案，使用者依然可以在供给的方案中进行调
整或选择，调整和选择后的方案也并不一定能过直接适用，往往是需要经过更高权限的使
用者进行审核或批准后方能继续适用。

[0069] 本实施例中，并将最佳线路通过仿真模型的潮流计算进行确认，是一个简单的复核步骤，即输入现场输入参数和现场设备故障以对应选用的最佳路线进行运行，所运行的
数据必须是属于规范允许和许可的。这个复核的方法是应用潮流计算获得电路运行参数，
将此运行参数比照额定数据，属于额定数据内，即可确定。一般而言，由于最佳线路本身一
般具备的合理性和冗余性，这个步骤中出问题的可能性不大，但是由于输入的参数变化过
大，仍然有出现较大偏差的可能性，因此，设定这个复核步骤还是有必要的。

[0070] 所述服务器内存储有若干个仿真模型，移动终端获取服务器内的一个仿真模型的现场设备映射图标后，服务器为移动终端下发对应的检测集。所述服务器内存储有若干个
仿真模型，移动终端获取服务器内的一个仿真模型的现场设备映射图标后，服务器为移动
终端下发对应的检测集。本实施例的设定可以将多个仿真模型的数据进行下发，即将各种
形式的供电电路、供电环境作为测试题目的形式进行下发，使得参与确定数据的人员可以
针对各种不同的线路进行选择，一方面扩大了数据库的量，另一方面扩大了参与确认线路
的使用者的量，从而形成足够的准确的数据量供神经网络使用。即A处的调度员甲可以做到
的题目不仅包括A处自身线路的问题，还包括有B、C、D、E各处的线路问题，而相对应的A处自
身线路的问题也不仅仅会被A处的调度员甲所熟悉，还可以下发给B处调度员乙、C处调度员
丙等，当然在作为大数据采集的过程中，调度员甲乙丙丁等处于同样的权限，而在实际的故
障处理调控的过程中，A处的调度员甲只能对A处线路进行调整，此项设定是有移动终端的
身份权限所限定的。

[0071] 作为进一步的优化，本发明中，还包括有设备保养提示步骤，服务器根据现场设备的保养时间和寿命函数设定卷积函数，计算各个现场设备的怠于保养时产生故障的几率，
在随机设定现场输入参数和现场设备故障时，根据现场设备故障的几率调整随机出现故障
的现场设备。本实施例中会根据现场设备的维护频率，进一步的挑战随机出现故障的概率，
即越临近维护下次日期，则此设备出故障的几率就相对增加，此类计算直接选用合适的卷
积函数即可达到相应的目的。

[0072] 本实施例充分利用个人能力测试的机会，通过人工确定的方式，一边训练能力，一边确定用于神经网络训练的参数，通过此方法，获得大量可用的相对准确的数据，从而提供
一种获得稳定而准确的大数据来源的适用于电网系统的移动终端智能调控方法。本实施例
中，主要是有四个步骤，首先为初始化步骤，建立仿真模型，仿真模型可以生成若干种在理
论上可行的调控方案，移动终端根据仿真模型获得对应的用于可以用于调控的设备图标，
然后执行的故障数据自计算步骤就是可以生成若干种现场设备故障情况和包括用电环境、
供电对象经济等因素在内的现场输入参数，通过仿真模型在理论上实现可行的调控方案，
并将当前的故障和用电环境下发，收集可行的调控方案与现有人工上传的调控方案进行对
比，从而形成可供神经网络训练使用的调控方案，此步骤中的调控方案，主要体现在了既含
有最佳线路，又含有使用者为了形成最佳线路的操作的集合；所述神经网络训练步骤则相
对简单，只需将最佳线路作为神经网络训练结果，将最佳线路对应的现场输入参数和现场
设备故障作为神经网络的输入变量进行神经网络训练，并保持理论计算的可行即可；当神
经网络训练后能够符合要求，即可采用神经网络辅助的形式进行故障智能提示，提供可选
的步骤供实际调控人进行确认或参考。

[0073] 实施例2：

[0074] 本实施例与实施例1基本相同，不同之处在于，本实施例中，在所述的移动终端还可以包括安全验证部署单元与应用单元，所述安全验证部署单元包括安全扫描模块、登陆
验证模块、外网服务管理模块、账号管理模块，所述应用单元包括目标现场设备的故障监控
模块、语音识别理解模块和学习培训模块，所述学习培训模块包括电网技术培训模块、移动
考试模块、专项培训模块、学习资料管理模块与培训库。

[0075] 所述安全验证部署单元通过调控云平台、信通安全传输平台进行数据传输交互，所述安全扫描模块用于对用户的登陆环境进行扫描，所述登陆验证模块用于对用户的登陆
信息进行验证，外网服务管理模块用于对安全验证部署单元的网络进行管理，所述账号管
理模块用于管理人员身份设置、运行人员身份设置，所述应用发布配置模块用于对应用配
置参数进行设置，并与服务器端进行同步。

[0076] 所述故障监控模块主要用于接收故障信息进行编制、查阅与处理，通过接收上述信息，使用者根据移动终端显示的同步获得的现场设备映射图标，点出设备的操作选项执
行设备的远程操作，在本司使用的过程中，可供操作的现场设备映射图标形成的显示的电
路也被称作电网操作模块，电网操作模块对现场设备的操作，需要经过权限的认证方可开
启，开启后可以直接用于对电网的运行信息进行操作、故障处理，提供设备运维单位上报年
度检修计划、检修计划自动汇总等功能。

[0077] 所述电网技术培训模块用于根据监控员工作需求自动出题、答题、阅卷，并给出综合评判，其中，本方法中利用评测算法获取若干条备选线路和备选最佳线路，并将现场输入
参数和现场设备故障、若干条备选线路和备选最佳线路关联形成一个检测集就是以自动出
题的方式下发至有相应权限的使用者处，这里的使用者可以获取的检测集并不仅仅针对其
自身所管理的设备和线路，依然可以获得同类兄弟单位所管理的设备和线路的检测集。更
进一步的，在所述步骤S3中，使用者调整后的线路不属于备选线路且使用者认为设定的仿
真输入参数应当为最佳线路的，则由服务器记录为人工待选最佳线路，然后将此时下发的
对应人工待选的检测集重复发送给若干个移动终端，若移动终端上传的使用者设定线路与
人工待选最佳线路相同的次数大于设定值，则将人工待选最佳线路设定为最佳线路。更进
一步的，移动终端中设定有不同的权限，采用加权算法的方式来确定人工待选最佳线是否
可用，当权限足够的使用者，可以直接设定人工待选最佳线为最佳线路，即领导批准方式。
综上所述，本实施例中的具体方法是隐藏在按照角色要求提供模拟考试功能和专项培训功
能中的，所述服务器端的仿真模型，又称为电网事故仿真模块，用于对电网可能发生的事故
进行仿真预演，对使用者进行仿真培训，根据仿真培训进行评估，对设备的历史运行情况、
现存缺陷情况、负荷潮流情况以及电网构架接线方式，预测存在的电网风险隐患，提出监控
重点，进行定期推送培训。作为形成一个检测集下发的另一个途径，所述专项培训模块用于
监控员进行模拟实际操作功能，具备监控人员系统使用方法培训功能，并能够记录调度员
培训记录，查看历史做题。

[0078] 以上实施例中神经网络训练的数据都经过人工的复核和电脑的遍历计算两个方面的校验对比，准确性能够保证，同时，又有足够的随机性，产生足够的数据量，能够辅助神
经网络生成准确的预测辅助线路。

[0079] 以上所述的实施例只是本实施例的一种较佳的方案，并非对本实施例作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。