摘" 要：為解決目前多系統(tǒng)數(shù)據(jù)難融合、低電壓研判不準(zhǔn)確、低電壓?jiǎn)栴}難根治和治理效率低等問題，該文搭建基于大數(shù)據(jù)挖掘技術(shù)的低電壓智能分析預(yù)警診斷模型。構(gòu)建基于多任務(wù)輔助學(xué)習(xí)的全景感知低電壓監(jiān)測(cè)模型，實(shí)現(xiàn)高效、準(zhǔn)確的電力客戶分群與低電壓成因分析；提出基于卷積神經(jīng)網(wǎng)絡(luò)的命名實(shí)體識(shí)別模型，形成“實(shí)體－關(guān)系－實(shí)體”三元組的低電壓知識(shí)圖譜；應(yīng)用低電壓知識(shí)圖譜，實(shí)現(xiàn)輔助決策自動(dòng)生成，并通過平臺(tái)進(jìn)行可視化展示。結(jié)果表明，低電壓預(yù)警監(jiān)測(cè)智能決策系統(tǒng)涵蓋供電指揮、配網(wǎng)生產(chǎn)、營銷服務(wù)和發(fā)展規(guī)劃等專業(yè)的業(yè)務(wù)全流程、全環(huán)節(jié)，可大幅提升供電服務(wù)水平和業(yè)務(wù)支撐能力。

關(guān)鍵詞：低電壓；大數(shù)據(jù)；多任務(wù)輔助學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；知識(shí)圖譜

中圖分類號(hào)：TM714" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2024）36-0043-04

Abstract： In order to solve the current problems of difficulty in integrating multiple system data， inaccurate low voltage judgment， difficulty in curing low voltage problems， and low governance efficiency， this paper builds a low voltage intelligent analysis， early warning and diagnosis model based on big data mining technology. A panoramic sensing low voltage monitoring model based on multi-task assisted learning is built to achieve efficient and accurate power customer grouping and low voltage cause analysis; a named entity recognition model based on convolutional neural network is proposed to form an \"entity-relationship-entity\" low voltage knowledge graph of the triple group; the low voltage knowledge graph is applied to realize automatic generation of auxiliary decisions and visually displayed through the platform. The results show that the low-voltage early warning and monitoring intelligent decision-making system covers the entire business process and all links of power supply command， distribution network production， marketing services， development planning and other majors， greatly improving the power supply service level and business support capabilities.

Keywords： low voltage; big data; multi-task assisted learning; convolutional neural network; knowledge graph

近年來，供電局面臨著大量的臺(tái)區(qū)用戶電壓偏低問題，供電企業(yè)為有效解決低電壓?jiǎn)栴}，提升用戶用電質(zhì)量，不斷運(yùn)用各種項(xiàng)目或運(yùn)維手段予以解決。但由于低電壓臺(tái)區(qū)數(shù)量偏多，分析人員數(shù)量有限及人員未能全程跟蹤問題的解決進(jìn)度，導(dǎo)致低電壓?jiǎn)栴}分析不夠精準(zhǔn)、解決措施未能真正奏效，造成投資浪費(fèi)，問題未得到精準(zhǔn)解決等問題。面對(duì)電網(wǎng)數(shù)據(jù)量大、低電壓預(yù)警手段匱乏、決策分析復(fù)雜等困局，無法充分利用海量信息對(duì)低電壓工單、電網(wǎng)設(shè)備、服務(wù)資源進(jìn)行高效管理，嚴(yán)重影響了供電公司供電服務(wù)優(yōu)質(zhì)水平和業(yè)務(wù)支撐能力。

因此，本文結(jié)合實(shí)際，利用多源異構(gòu)數(shù)據(jù)融合、低電壓成因聚類分析、低電壓領(lǐng)域知識(shí)圖譜、大語言模型等先進(jìn)技術(shù)，構(gòu)建低電壓智能分級(jí)、低電壓成因分析研判、低電壓治理輔助決策等模型，將算法模型進(jìn)行深化應(yīng)用，打造低電壓預(yù)警監(jiān)測(cè)智能決策平臺(tái)，應(yīng)用涵蓋供電指揮、配網(wǎng)生產(chǎn)、營銷服務(wù)和發(fā)展規(guī)劃等專業(yè)的業(yè)務(wù)全流程、全環(huán)節(jié)，推動(dòng)低電壓用戶從“被動(dòng)發(fā)現(xiàn)”到“主動(dòng)感知”，供電服務(wù)管理由流程驅(qū)動(dòng)轉(zhuǎn)為數(shù)據(jù)驅(qū)動(dòng)，實(shí)現(xiàn)低電壓全景感知、實(shí)時(shí)監(jiān)測(cè)、智能分析、智能預(yù)警和精準(zhǔn)管控。

1 全景感知低電壓監(jiān)測(cè)技術(shù)

1.1 低電壓智能分級(jí)模型

采用多源異構(gòu)數(shù)據(jù)融合技術(shù)，構(gòu)建低電壓智能分級(jí)模型，融合采用系統(tǒng)的低電壓量測(cè)、PMS系統(tǒng)的基礎(chǔ)臺(tái)賬、供指系統(tǒng)的低電壓工單、SCADA系統(tǒng)的線路電壓、電流和負(fù)荷等數(shù)據(jù)，以及電表終端、配變終端裝置、饋線FTU等不同來源的電壓、電流量測(cè)數(shù)據(jù)和中低壓GIS拓?fù)涞榷嘣串悩?gòu)數(shù)據(jù)，進(jìn)行數(shù)據(jù)去重、缺失補(bǔ)全、數(shù)據(jù)類型轉(zhuǎn)化、特征值提取等標(biāo)準(zhǔn)化處理，得到低電壓等級(jí)的影響特征及其對(duì)應(yīng)的低電壓級(jí)別，實(shí)現(xiàn)線路、臺(tái)區(qū)、用戶低電壓智能分級(jí)，分別是A（危急）、B（嚴(yán)重）、C（注意）和D（一般）4個(gè)等級(jí)。

然后，將處理好多源異構(gòu)數(shù)據(jù)（即影響特征）作為輸入，低電壓級(jí)別作為輸出，構(gòu)建包含特征學(xué)習(xí)和目標(biāo)學(xué)習(xí)的混合深度神經(jīng)網(wǎng)絡(luò)模型，挖掘低電壓級(jí)別與影響特征的關(guān)聯(lián)，通過深度學(xué)習(xí)，不斷訓(xùn)練迭代優(yōu)化低電壓智能分級(jí)模型，進(jìn)一步提升低電壓智能分級(jí)模型精準(zhǔn)性。

1.2 低電壓成因分析模型

采用雙向門控神經(jīng)網(wǎng)絡(luò)（BiGRU）技術(shù)，結(jié)合多任務(wù)輔助訓(xùn)練方式，構(gòu)建基于多任務(wù)輔助學(xué)習(xí)的低電壓成因分析模型。

首先提取PMS系統(tǒng)的臺(tái)區(qū)額定容量及低壓線路的供電半徑、導(dǎo)線型號(hào)等設(shè)備參數(shù)，用采系統(tǒng)的臺(tái)區(qū)出口電壓、用戶電壓、供電戶數(shù)、三相負(fù)荷和負(fù)載率等數(shù)據(jù)，進(jìn)行數(shù)據(jù)匹配和數(shù)據(jù)預(yù)處理，生成配網(wǎng)低電壓標(biāo)準(zhǔn)化數(shù)據(jù)集；然后分析配網(wǎng)低電壓數(shù)據(jù)的雙向時(shí)序特征，結(jié)合Pearson相關(guān)分析、單因素方差分析、統(tǒng)計(jì)對(duì)比等方法，對(duì)各類型數(shù)據(jù)進(jìn)行相關(guān)性分析，剔除對(duì)故障影響程度低或冗余的特征變量，輸出配網(wǎng)低電壓的主要成因及子成因；接著將主成因分析設(shè)置為主任務(wù)，子成因分析設(shè)置為輔助任務(wù)，根據(jù)任務(wù)不同的特性，進(jìn)行樣本特征重構(gòu)，應(yīng)用重構(gòu)后的樣本特征對(duì)配網(wǎng)低電壓成因進(jìn)行識(shí)別，精準(zhǔn)提取數(shù)據(jù)有效特征和數(shù)據(jù)成因間關(guān)聯(lián)性，提升低電壓成因分析模型的精準(zhǔn)度。

2 構(gòu)建低電壓知識(shí)圖譜

為了緩解電力運(yùn)檢領(lǐng)域文本在進(jìn)行命名實(shí)體識(shí)別任務(wù)時(shí)準(zhǔn)確率較低的問題，本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的命名實(shí)體識(shí)別模型。該模型由詞嵌入層、特征加強(qiáng)層、圖卷積神經(jīng)網(wǎng)絡(luò)層、跨度表示層和解碼層幾部分組成。

命名實(shí)體識(shí)別后進(jìn)行實(shí)體關(guān)系抽取，對(duì)抽取的實(shí)體結(jié)合專家經(jīng)驗(yàn)進(jìn)行實(shí)體鏈接和關(guān)系合并，進(jìn)一步消除實(shí)體的歧義、冗余、錯(cuò)誤，確保低電壓數(shù)據(jù)知識(shí)關(guān)系質(zhì)量。最終形成“實(shí)體－關(guān)系－實(shí)體”三元組的低電壓知識(shí)圖譜，利用py2neo工具將三元組導(dǎo)入Neo4j圖數(shù)據(jù)庫中，進(jìn)行圖譜的可視化展示。

2.1 模型研究

2.1.1 詞嵌入層

嵌入層采用Bert-base-chinese作為預(yù)訓(xùn)練模型，得到文本序列的動(dòng)態(tài)字向量。將文本的句子S={s1，s２，s３，…，sＮ}送入預(yù)訓(xùn)練模型，其中，si代表文本句子的第i個(gè)字符，N表示句子的長度，最后得到輸出向量W={w1，w２，w３，…，wＮ}。

2.1.2 特征加強(qiáng)層

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在處理數(shù)據(jù)時(shí)無法有效捕捉句子的反向語義，這樣可能導(dǎo)致嚴(yán)重的信息丟失，使得無法準(zhǔn)確地描述句子的特征。本文使用BiGRU模型對(duì)詞嵌入層得到的文本向量進(jìn)行全局特征提取。BiGRU利用正向門控循環(huán)單元（Gated Recorrent Unit，GRU）和反向GRU來進(jìn)行文本信息特征的提取，這個(gè)設(shè)計(jì)可以更有效地捕捉雙向的語義關(guān)系，并將兩者進(jìn)行融合，實(shí)現(xiàn)了文本上下文信息的提取。

2.1.3 圖卷積神經(jīng)網(wǎng)絡(luò)層

本文利用依賴語法信息來增強(qiáng)我們提出的模型。Graph Convolutional Network（GCN）是一種具有代表性的編碼依賴關(guān)系圖的方法，在信息提取方面已經(jīng)被證明是有效的。因此，使用它作為一種標(biāo)準(zhǔn)策略來增強(qiáng)我們的單詞表示。通過利用注意力引導(dǎo)的GCN（AGGCN），即使用旋轉(zhuǎn)編碼獲取節(jié)點(diǎn)的相對(duì)位置信息，使得模型能夠更有效地捕獲圖結(jié)構(gòu)中節(jié)點(diǎn)之間的相對(duì)位置關(guān)系，幫助模型更好地理解節(jié)點(diǎn)在圖中的全局結(jié)構(gòu)以及更好地建模節(jié)點(diǎn)之間的依賴關(guān)系。

2.1.4 span表示層

利用枚舉跨度來生成文本跨度，以“編制本班培訓(xùn)計(jì)劃，完成本班人員的技術(shù)培訓(xùn)和考核工作”為例，生成的文本跨度為“編”“編制”“編制本”，…，“考”“考核”“考核工”和“考核工作”。

2.1.5 解碼層

本模型的解碼層包含2個(gè)部分。首先，識(shí)別所有有效的實(shí)體片段，然后對(duì)實(shí)體片段執(zhí)行二分類來覆蓋它們的關(guān)系。因此，預(yù)測(cè)結(jié)果能被視為是一個(gè)實(shí)體片段關(guān)系圖，其中1個(gè)節(jié)點(diǎn)表示1個(gè)實(shí)體片段，邊表示2個(gè)實(shí)體片段之間的關(guān)系。解碼的目的是找到每個(gè)節(jié)點(diǎn)與其他節(jié)點(diǎn)連接的所有子圖。因此，每一個(gè)這樣的子圖組成一個(gè)實(shí)體，而沒有邊的實(shí)體片段由其自身構(gòu)成一個(gè)實(shí)體。

2.1.6 輸出層

在訓(xùn)練中，本文采用多任務(wù)學(xué)習(xí)共同訓(xùn)練。損失函數(shù)定義為2個(gè)分類任務(wù)的負(fù)對(duì)數(shù)似然，即實(shí)體片段識(shí)別和片段關(guān)系預(yù)測(cè)，如公式（1）所示

，" （1）

式中：？酌ent和？酌rel分別表示文本跨度的標(biāo)簽預(yù)測(cè)和跨度對(duì)的標(biāo)簽預(yù)測(cè)，？琢和？茁是權(quán)重（？琢+？茁=1），用于調(diào)節(jié)這2個(gè)任務(wù)的重要性。

2.2 實(shí)驗(yàn)與結(jié)果分析

2.2.1 電網(wǎng)調(diào)度領(lǐng)域語料集及詞典構(gòu)建

電網(wǎng)運(yùn)檢記錄中會(huì)使用到大量的電網(wǎng)運(yùn)檢領(lǐng)域?qū)I(yè)實(shí)體詞。該文以原始電力運(yùn)檢記錄作為電網(wǎng)運(yùn)檢領(lǐng)域命名實(shí)體識(shí)別任務(wù)的原始語料來源，在句子級(jí)別的文本上對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注，構(gòu)建了包含電站相關(guān)實(shí)體、線路相關(guān)實(shí)體、設(shè)備、部門、電力參數(shù)、物理量參數(shù)、電力元件和方法計(jì)劃8類實(shí)體的語料集。

2.2.2 電網(wǎng)運(yùn)檢領(lǐng)域?qū)嶓w分類及標(biāo)注

使用Station、Lines、Equipment、Department、Power_

parameters、Physical_parameters、Components、Files分別表示電站相關(guān)實(shí)體、線路相關(guān)實(shí)體、設(shè)備、部門、電力參數(shù)、物理量參數(shù)、電力元件和方法計(jì)劃8類實(shí)體，采用BIO標(biāo)注方法對(duì)預(yù)處理后的文本進(jìn)行實(shí)體標(biāo)注。

2.2.3 評(píng)估指標(biāo)

本文采用精確度（Precision）、召回率（Recall）和F1值作為評(píng)價(jià)指標(biāo)，計(jì)算方法如公式（2）—（4）所示

式中：ＴＰ為正樣本判為正的個(gè)數(shù)；ＦＰ為正樣本判為負(fù)的個(gè)數(shù)；FＮ為負(fù)樣本判為正的個(gè)數(shù)。

2.2.4 參數(shù)設(shè)置

本文實(shí)驗(yàn)?zāi)Ｐ蛥?shù)設(shè)置見表1，實(shí)驗(yàn)中的BERT采用的是中文預(yù)訓(xùn)練語言模型bert-base-chinese。

2.2.5 對(duì)比實(shí)驗(yàn)與結(jié)果分析

本文在電網(wǎng)運(yùn)檢記錄數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，以驗(yàn)證所提出模型的整體性能和泛化能力，結(jié)果見表2，所列出的比較基線模型都是具有代表性的模型。

表2結(jié)果顯示，本文模型在針對(duì)電力運(yùn)檢領(lǐng)域文本的命名實(shí)體識(shí)別任務(wù)中，取得了88.646%的F1值，且該模型的精確度和F1值均優(yōu)于其他3種基線模型。

實(shí)驗(yàn)結(jié)果表明，本文提出的方法能夠很好地識(shí)別出電力運(yùn)檢領(lǐng)域的實(shí)體，確保低電壓數(shù)據(jù)知識(shí)關(guān)系質(zhì)量，形成“實(shí)體－關(guān)系－實(shí)體”三元組的低電壓知識(shí)圖譜，構(gòu)建低電壓知識(shí)庫，為電網(wǎng)規(guī)劃、建設(shè)、運(yùn)行、檢修、維護(hù)和服務(wù)等專業(yè)提供輔助支撐。

3 低電壓預(yù)警監(jiān)測(cè)智能決策平臺(tái)軟件系統(tǒng)

3.1 主要功能

通過匯集采用系統(tǒng)低電壓用戶數(shù)據(jù)、PMS基礎(chǔ)臺(tái)賬數(shù)據(jù)、95598系統(tǒng)工單和SCADA系統(tǒng)線路臺(tái)區(qū)運(yùn)行等數(shù)據(jù)，以大數(shù)據(jù)技術(shù)為核心，對(duì)低電壓、重復(fù)低電壓預(yù)警、低電壓治理進(jìn)度等實(shí)現(xiàn)全景感知、實(shí)時(shí)監(jiān)測(cè)和管控。

應(yīng)用大數(shù)據(jù)，構(gòu)建一套針對(duì)用戶狀態(tài)、設(shè)備狀態(tài)的低電壓評(píng)級(jí)管控模式，分析未來可能造成低電壓的設(shè)備范圍，支撐配網(wǎng)低電壓主動(dòng)發(fā)現(xiàn)、主動(dòng)維護(hù)。

針對(duì)低電壓用戶，自動(dòng)分析低電壓成因，同時(shí)給出處理決策建議，實(shí)現(xiàn)低電壓?jiǎn)栴}“精準(zhǔn)分析、科學(xué)決策、優(yōu)質(zhì)服務(wù)”。

3.2 平臺(tái)用戶

低電壓預(yù)警監(jiān)測(cè)智能決策平臺(tái)的主要用戶為電網(wǎng)公司開展供電服務(wù)的管理人員及業(yè)務(wù)人員。

3.3 登錄頁面

登錄方式：用戶通過在瀏覽器地址欄中輸入相關(guān)網(wǎng)址，打開用戶應(yīng)用站點(diǎn)登錄界面。

3.4 瀏覽器要求

平臺(tái)需要用谷歌瀏覽器打開，且版本要求為86版本及以上。

3.5 系統(tǒng)應(yīng)用說明

3.5.1 主界面

首先登錄系統(tǒng)，點(diǎn)擊大屏標(biāo)題欄中的“低電壓預(yù)警監(jiān)測(cè)智能決策平臺(tái)”，再點(diǎn)擊頁面右端的“低電壓監(jiān)測(cè)”模塊標(biāo)題，即可進(jìn)入“低電壓預(yù)警監(jiān)測(cè)智能決策平臺(tái)”主界面。主界面主要展現(xiàn)本市低電壓預(yù)警監(jiān)測(cè)智能決策主要指標(biāo)的當(dāng)前情況。

“低電壓預(yù)警監(jiān)測(cè)智能決策平臺(tái)”的主界面主要包括如下6個(gè)部分。

1）中央地圖：在主界面中間，通過熱力圖展示當(dāng)前本市各區(qū)縣低電壓用戶數(shù)，按低電壓用戶數(shù)進(jìn)行排名，前三依次為紅、黃、藍(lán)。當(dāng)鼠標(biāo)懸停于某個(gè)區(qū)縣時(shí)，動(dòng)態(tài)展示該區(qū)縣服務(wù)客戶數(shù)、低電壓用戶數(shù)和排名；鼠標(biāo)點(diǎn)擊某一區(qū)縣時(shí)，首頁的其他模塊數(shù)據(jù)進(jìn)行聯(lián)動(dòng)，展示該區(qū)縣的詳細(xì)低電壓數(shù)據(jù)情況。

2）低電壓全量監(jiān)測(cè)情況：在主界面左上角，展示當(dāng)前本市各區(qū)縣低電壓監(jiān)測(cè)整體情況，包括本期監(jiān)測(cè)數(shù)、同期監(jiān)測(cè)數(shù)、同比等。當(dāng)鼠標(biāo)點(diǎn)擊首頁中間“中央地圖”某一區(qū)縣時(shí)，“低電壓全量監(jiān)測(cè)情況”模塊進(jìn)行聯(lián)動(dòng)，展示該區(qū)縣下級(jí)所有供電所的詳細(xì)監(jiān)測(cè)數(shù)據(jù)。

3）低電壓用戶清單：在主界面右上角，展示當(dāng)前本市整體低電壓用戶，包括用戶名稱、用戶編號(hào)、所屬臺(tái)區(qū)、所屬區(qū)線、低電壓等級(jí)、得分和持續(xù)時(shí)長。與中央地圖聯(lián)動(dòng)，地圖選中某區(qū)縣后展示該區(qū)縣下級(jí)供電所的低電壓用戶情況。

4）重復(fù)低電壓預(yù)警：在主界面左下角，展示重復(fù)低電壓預(yù)警明細(xì)清單，包括單位、用戶編號(hào)、用戶名稱、所屬站所、最低電壓值、低電壓發(fā)生時(shí)間和重復(fù)次數(shù)。當(dāng)鼠標(biāo)點(diǎn)擊首頁中間“中央地圖”某一區(qū)縣時(shí)，“重復(fù)低電壓預(yù)警”模塊進(jìn)行聯(lián)動(dòng)，展示該區(qū)縣范圍內(nèi)發(fā)生的重復(fù)低電壓預(yù)警明細(xì)清單，主要用于識(shí)別和分析頻繁出現(xiàn)的低電壓?jiǎn)栴}。

5）低電壓分級(jí)說明：在主界面中下方，展示A/B/C/D級(jí)的圖標(biāo)，對(duì)每類等級(jí)作說明，等級(jí)A代表低電壓現(xiàn)象頻發(fā)，感知明顯；等級(jí)B代表低電壓現(xiàn)象時(shí)發(fā)，感知較明顯；等級(jí)C代表低電壓現(xiàn)象偶發(fā)，略有感知；等級(jí)D代表低電壓現(xiàn)象少發(fā)，感知不明顯。當(dāng)鼠標(biāo)點(diǎn)擊“低電壓分級(jí)說明”模塊中的某個(gè)等級(jí)時(shí)，“低電壓用戶清單”模塊聯(lián)動(dòng)展示該等級(jí)下的所有用戶明細(xì)，主要便于用戶理解不同等級(jí)的低電壓所代表的嚴(yán)重程度。

6）低電壓治理進(jìn)度管控：默認(rèn)展示各區(qū)縣公司的治理進(jìn)度，包括本期臺(tái)區(qū)治理目標(biāo)值、已治理臺(tái)區(qū)低電壓數(shù)量、治理進(jìn)展；與中央地圖聯(lián)動(dòng)，當(dāng)鼠標(biāo)點(diǎn)擊首頁中間“中央地圖”某一區(qū)縣時(shí)，展示該區(qū)縣的未治理臺(tái)區(qū)明細(xì)清單（含本期臺(tái)區(qū)治理目標(biāo)值、當(dāng)前治理進(jìn)展、完成率），主要用于監(jiān)控和評(píng)估治理工作的效率和效果。

3.5.2 對(duì)策實(shí)施效果仿真分析

在首頁“低電壓用戶清單”模塊，選擇某條低電壓記錄，點(diǎn)擊“成因分析”按鈕，生成具體成因分析及處理決策建議彈窗后，點(diǎn)擊“仿真曲線”按鈕，選擇某種“仿真類型”（例如加粗線徑），生成相應(yīng)的對(duì)策實(shí)施效果仿真分析，主要是為用戶開展現(xiàn)場(chǎng)治理效果對(duì)比提供數(shù)據(jù)基礎(chǔ)。

4 結(jié)束語

綜上所述，針對(duì)低電壓?jiǎn)栴}對(duì)用戶的生產(chǎn)和生活帶來的嚴(yán)重影響，以及供電公司低電壓研判不準(zhǔn)確、低電壓?jiǎn)栴}難根治、治理效率低等問題，本文搭建了基于大數(shù)據(jù)挖掘技術(shù)的低電壓預(yù)警監(jiān)測(cè)智能決策平臺(tái)。研究結(jié)果表明，該平臺(tái)應(yīng)用涵蓋供電指揮、配網(wǎng)生產(chǎn)、營銷服務(wù)和發(fā)展規(guī)劃等專業(yè)的業(yè)務(wù)全流程、全環(huán)節(jié)，實(shí)現(xiàn)了低電壓全景感知、實(shí)時(shí)監(jiān)測(cè)、智能分析、智能預(yù)警和精準(zhǔn)管控，對(duì)問題進(jìn)行分析和故障溯源，精準(zhǔn)輸出低電壓治理輔助決策建議，實(shí)現(xiàn)輔助決策自動(dòng)生成，并通過平臺(tái)進(jìn)行可視化展示，有效提升了供電服務(wù)數(shù)字決策支撐效能和運(yùn)營能力。

參考文獻(xiàn)：

[1] 萬志軍.農(nóng)村配電網(wǎng)節(jié)能改造及電能質(zhì)量提升技術(shù)研究[J].機(jī)電工程技術(shù)，2019，48（5）：203-207.

[2] 陳光明.配電線路低電壓?jiǎn)栴}分析及綜合治理方案研究[J].電氣技術(shù)與經(jīng)濟(jì)，2023（10）：1-3.

[3] 曾小剛，歐陽安妮.配電網(wǎng)低電壓成因分析及治理措施[J].科技創(chuàng)新與應(yīng)用，2022，12（8）：108-110.

[4] 王琴，劉元輝，葛強(qiáng).國網(wǎng)湖南電力數(shù)字化治理低電壓精益化運(yùn)維配電網(wǎng)[N].國家電網(wǎng)報(bào)，2023-02-27（003）.

[5] 王均.基于物聯(lián)網(wǎng)的電壓監(jiān)測(cè)及低電壓預(yù)警系統(tǒng)研發(fā)[D].南昌：南昌大學(xué)，2022.

[6] 段行宇.配變低電壓實(shí)時(shí)監(jiān)測(cè)管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2021.