CN109284886A - 基于人工智能的用电安全管理方法及装置 - Google Patents
基于人工智能的用电安全管理方法及装置 Download PDFInfo
- Publication number
- CN109284886A CN109284886A CN201810104612.3A CN201810104612A CN109284886A CN 109284886 A CN109284886 A CN 109284886A CN 201810104612 A CN201810104612 A CN 201810104612A CN 109284886 A CN109284886 A CN 109284886A
- Authority
- CN
- China
- Prior art keywords
- power supply
- signal
- electricity consumption
- history
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供了一种基于人工智能的用电安全管理方法及装置,涉及电力管理技术领域。通过对历史供电信号和历史用电信号的学习,分别建立供电训练模型和用电训练模型,再通过供电训练模型对实时供电信号的处理,将实时供电信号中的正常供电信号和异常供电信号分别进行标注。同时利用用电训练模型对实时用电信号进行处理,实现对用电信号中的正常用电信号和异常用电信号的标注。通过这样的方法,实现对供电信号和用电信号是否正常的标记判断。由于无需人工参与,可以实现对大量实时信号的处理,同时通过提高历史信号的数据量,可以提高判断的准确率,实现对实时信号的快速判断,给工作人员提供即时的信息参考,提高供电设备和用电设备的管理效率。
Description
技术领域
本发明涉及电力管理技术领域,具体而言,涉及一种基于人工智能的用电安全管理方法及装置。
背景技术
现有的供电用电过程中,一旦设备出现了故障,通常需要工作人员根据相应的监测信号确定故障的具体原因,在一些电力管理较复杂的场合,供电设备和用电设备数量多,工作人员很难对大量的监测信号做出及时的判定,处理效率低。
发明内容
有鉴于此,本发明提供了一种基于人工智能的用电安全管理方法及装置,可以通过人工智能实现对供电和用电信号的判定。
本发明提供的技术方案如下:
通过对历史供电信号和历史用电信号的学习,分别建立供电训练模型和用电训练模型,再通过供电训练模型对实时供电信号的处理,将实时供电信号中的正常供电信号和异常供电信号分别进行标注。同时利用用电训练模型对实时用电信号进行处理,实现对用电信号中的正常用电信号和异常用电信号的标注。通过这样的方法,实现对供电信号和用电信号是否正常的标记判断。由于无需人工参与,可以实现对大量实时信号的处理,同时通过提高历史信号的数据量,可以提高判断的准确率,实现对实时信号的快速判断,给工作人员提供即时的信息参考,提高供电设备和用电设备的管理效率。为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,作详细说明如下。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。因此,以下对提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本发明实施例提供了一种基于人工智能的用电安全管理方法,包括以下步骤。
步骤S101,接收所述供电设备的供电线路的多个预设周期内的历史供电信号集合和实时供电信号集合,其中所述历史供电信号集合包括正常供电参数子集和异常供电参数子集。
在使用人工智能算法对供电信号和用电信号进行分析时,可以先通过对历史信号的分析,确定信号的特征。可以通过对历史供电信号集合的处理,确定供电信号的特征和对应的信号状态,并且可以通过对历史用电信号的处理,确定用电信号的特征和对应的信号状态。历史供电信号集合中的历史供电信号可以包括某一供电设备的历史时段中的各种检测信号,包括但不限于电流大小、电压大小、供电功率大小、功率因数大小、供电线路的负荷等参数,该历史供电信号集合还可以包括供电设备出现故障的时间点、出现故障时的各种检测信号的具体参数、供电设备的位置信息、供电设备的设备参数、历史某一时段的供电数据等等。
可以理解的是,历史供电信号集合中还可以包括多个供电设备的各种相关参数。不同的供电设备可以通过预先配置的设备编号进行区别,此外,历史供电信号集合还可以包括供电设备在不同信号状态下的具体操作方式。由于正常使用的供电设备各种检测信号处于正常状态的情况要多于检测信号处于异常情况,因此,为了对异常状态的检测信号做出及时的判断,可以将供电设备处于异常状态时的各种检测信号作为历史供电信号集合的内容。可以对供电设备正常供电状态下的信号集合形成正常供电参数子集,将供电设备出现异常情况下的信号集合形成异常供电参数子集。供电设备可以包括电网中供电侧的各种设备,如变压器、供电线路等。
此外,还可以接收供电设备的实时供电信号集合,供电设备可以将当前的工作状态下的各种检测信号集合形成实时供电信号集合,供电设备的当前工作状态可能是处于正常状态或者异常状态。
步骤S102,接收用电设备的用电线路的多个预设周期内的历史用电信号集合和实时用电信号集合,其中,所述历史用电信号集合包括正常用电参数子集和异常用电参数子集。
电网运行中,供电设备的正常或异常会对电网运行造成影响,同样的,用电设备也会存在正常或异常状态。本发明实施例中,还可以在接收供电设备的信号的同时,接收用电设备的信号。用电设备的历史用电信号集合可以是某一个用电设备或多个设备在历史运行时的各种参数,历史用电信号集合中的参数可以是设置在用电设备上的各种检测传感器检测得到的,不同用电设备的历史用电信号节后包含的各种参数可以是不同的。可以理解的是,同一台用电设备的不同历史时段的信号也可以是不同类别的。
步骤S103,对所述历史供电信号集合和历史用电信号集合进行数据清洗,以去除不符合预设条件的数据。
在获取到了历史供电信号集合和历史用电信号集合后,可以根据预设条件的限制,对信号集合中的一些杂质信号,例如可以去掉历史供电信号集合中检测信号与供电设备的状态不匹配的情况。
步骤S104,从清洗后的历史供电信号集合和历史用电信号集合中分别提取历史供电特征和历史用电特征。
历史供电特征的提取可以根据不同的供电设备分别提取,一个供电设备的历史供电特征可以包括该供电设备的历史供电时间段、正常工作的时间段、正常工作时的各个检测信号的数值、异常工作的时间段、异常工作时的各个检测信号的数值。历史供电特征可以作为历史供电信号集合中的各种数值的字段名。
同样的,历史用电特征的提取也可以根据不同的用电设备分别提取,用电设备的历史用电特征可以包括该用电设备的历史用电时间段、正常用电的时间段、正常用电时的各个检测信号的数值、异常用电的时间段、异常用电时的各个检测信号的数值等等。历史用电特征可以作为历史用电信号集合中的各个数值的字段名,历史用电信号中的各数值作为历史用电特征下面的具体数值进行对应存储。
步骤S105,从清洗后的多个历史供电信号集合和多个历史用电信号集合中按照预设比例分别抽取至少一个样本分别作为供电训练集和用电训练集。
在对历史供电信号集合和历史用电信号集合分别进行数据清洗后,可以按照预定的比例,分别选定供电训练集和用电训练集。供电训练集的抽取比例和用电训练集的抽取比例可以相同或不同,供电训练集和用电训练集可以包括尽可能多的数据。
步骤S106,从清洗后的多个历史供电信号集合和多个历史用电信号集合中抽取至少一个样本分别作为供电验证集和用电验证集。
步骤S107,依据所述供电训练集和用电训练集,使用预设算法训练得到预设数量的供电训练模型和用电训练模型。
在抽取训练集的同时,可以抽取部分样本作为验证集。具体的,可以从历史供电信号集合中抽取至少一个作为供电验证集,在得到训练模型后,可以利用该供电验证集对得到的供电训练模型的准确性进行验证。同时,从历史用电信号集合中抽取得到的用电验证集,可以对得到的用电训练模型的准确性进行验证。
在对供电训练集和用电训练集进行训练时,由于供电训练集中包含的各种信号对应的状态是已知的,用电训练集中包含的各种信号对应的状态也是已知的。可以采用监督式学习的方式进行学习训练,例如可以选择逻辑回归算法和反向传递神经网络算法进行监督式学习。在供电训练集和用电训练集中的信号数据只被标识了一部分时,也可以采用半监督式的学习训练,可以采用图论推理算法或者拉普拉斯支持向量机算法等进行学习训练。或者也可以采用其他形式的算法进行学习训练,得到供电训练模型和用电训练模型。
步骤S108,利用所述供电验证集和用电验证集对所述供电训练模型和用电训练模型进行验证,得到验证后的供电训练模型和用电训练模型,其中所述供电训练模型包括正常供电子模型和异常供电子模型,所述用电训练模型包括正常用电子模型和异常用电子模型。
在利用预设算法对供电训练集和用电训练集进行训练后,为了验证得到的训练模型是否准确,可以利用预先确定的供电验证集对供电训练模型进行验证,将验证结果不符合标准的供电训练模型去除。同时,可以利用预先确定的用电验证集对用电训练模型进行验证,将验证结果不符合标准的用电训练模型去除。
验证后的供电训练模型,可以根据模型对应的历史供电信号集合中信号处于正常状态的信号集合对应的模型,确定为正常供电子模型。相应的将信号被标记为异常状态的信号集合对应的模型,确定为异常供电子模型。可以理解的是,用电训练模型的划分也可以按照用电信号的标记状态进行区分,将历史用电信号集合中用电信号为正常的信号集合对应的模型,确定为正常用电子模型。将用电信号被标记为异常的信号集合对应的模型确定为异常用电子模型。
步骤S109,确定验证后的供电训练模型中正常供电子模型的信号特征及异常供电子模型的信号特征,并确定验证后的用电训练模型中正常用电子模型的信号特征及异常用电子模型的信号特征。
在使用验证集对供电训练模型进行验证后,可以确定正常供电子模型中的信号特征,正常供电子模型的信号特征可以包括:正常供电的时间段、正常供电时各个检测信号的数值、正常供电的供电设备的原始参数、正常供电状态下的信号的波动范围。
可以理解的是,异常供电子模型是基于历史供电信号集合中的异常信号进行训练得到的,异常供电子模型中的信号特征可以包括:异常供电的时间段、异常供电时各个检测信号的数值、异常供电的供电设备的原始参数、异常供电时各个检测信号的波动范围等等。
同样的,正常用电子模型的信号特征可以根据模型中的信号进行确定,可以确定得到正常用电子模型的正常用电时间、正常用电时各个检测信号的数值、正常用电的用电设备的原始参数、正常用电状态下各个检测信号的波动范围等信号特征。
步骤S110,使用验证后的所述供电训练模型对所述实时供电信号集合进行比对,对符合所述正常供电子模型的模型特征的供电信号标记为安全供电信号,对符合异常供电子模型的模型特征的供电信号标记为异常供电信号。
在供电训练模型经过验证后,可以对实时供电信号进行分析,确定实时供电信号对应的信号状态。具体的,将符合正常供电子模型的模型特征的供电信号标记为安全供电信号。实时供电信号集合中可以包含有通过各种检测装置采集到的各个供电设备的当前运行参数。对符合异常供电子模型的模型特征的供电信号,可以标记为异常供电信号。由于正常供电子模型和异常供电子模型都是根据已经被标记过的大量历史供电信号进行训练得到的模型,可以通过机器学习获得正常供电状态下和异常供电状态下的信号的相关规律。通过再将获得的实时供电信号输入到供电训练模型中,就可以对该实时供电信号是正常还是异常进行判断。
步骤S111,使用验证后的所述用电训练模型对所述实时用电信号集合进行比对,对符合正常用电子模型的模型特征的用电信号标记为安全用电信号,对符合异常用电子模型的模型特征的用电信号标记为异常用电信号。
与对供电信号的判断类似,通过用电训练模型可以对用电信号进行判断标记,通过向已经通过验证的用电训练模型中输入实时用电信号,用电训练模型是通过大量的已经标记过的用电信号进行机器学习得到的,用电训练模型就可以对输入的实时用电信号的具体状态,通过已经学习到的信号的特点对实时用电信号进行分类标记,确定实时用电信号中的正常用电信号和异常用电信号。
本发明实施例提供的供电用电管理方法,先通过对历史供电信号和历史用电信号的学习,分别建立供电训练模型和用电训练模型,再通过供电训练模型对实时供电信号的处理,将实时供电信号中的正常供电信号和异常供电信号分别进行标注。同时利用用电训练模型对实时用电信号进行处理,实现对用电信号中的正常用电信号和异常用电信号的标注。通过这样的方法,实现对供电信号和用电信号是否正常的标记判断。由于无需人工参与,可以实现对大量实时信号的处理,同时通过提高历史信号的数据量,可以提高判断的准确率,实现对实时信号的快速判断,给工作人员提供即时的信息参考,提高供电设备和用电设备的管理效率。
在一种具体实施方式中,该方法还包括:
确定所述供电设备的所在位置及所述用电设备的所在位置;
获取与所述供电设备所在位置对应的环境数据;
获取与所述用电设备所在位置对应的环境数据;
根据所述环境数据对所述历史供电信号集合进行标注,确定所述安全供电子集和异常供电子集分别对应的环境数据;
根据所述环境数据对所述历史用电信号集合进行标注,确定所述安全用电子集和异常用电子集分别对应的环境数据。
在使用历史供电信号和历史用电信号进行学习建模时,还可以通过对环境数据的获取,将环境数据作为建立模型的一种数据来源。供电设备和用电设备的所在位置信息可以预先进行标记,再根据位置信息从相关的环境信息数据提供单位获取相关的环境数据,环境数据可以包括设备所在位置的历史气温、湿度、天气情况等等。由于环境数据对供电设备和用电设备的正常工作会造成一定的影响,通过对历史环境数据的获取和标注,可以在建立供电训练模型和用电训练模型时,通过分析环境数据对供电设备和用电设备影响,确定供电设备或用电设备的异常状态是否与环境数据具有一定的关联。
依据所述供电训练集和用电训练集,使用预设算法训练得到预设数量的供电训练模型和用电训练模型的步骤包括:
以不同的预设比例从所述供电训练集中抽取符合预设条件的样本作为清洗后的供电训练模型;
对所述供电信号集合的特征进行采样,得到所述供电信号集合的所有信号特征;
将所述供电信号集合所有的信号特征中的至少一部分作为每个所述供电训练模型的对应信号特征。
在另一种具体实施方式中,该方法还包括:
预先根据所述供电信号集合对应的供电企业标识对所述供电信号集合进行分类;及
预先根据所述用电信号集合对应的用户标识对所述用电信号集合进行分类。
在另一种具体实施方式中,该方法还包括:
从所述历史供电信号集合中划分预设比例的数据组成供电信号测试集合;
使用所述供电信号测试集合对所述供电训练集合进行测试,以确定所述供电训练集合是否可以对所述供电信号测试集合进行判断;
从所述历史用电信号集合中划分预设比例的数据组成用电信号测试集合;
使用所述用电信号测试集合对所述用电训练集合进行测试,以确定所述用电训练集合是否可以对所述用电信号测试集合进行判断。
本发明实施例还提供了一种基于人工智能的用电安全管理装置,包括:
第一接收模块,用于接收所述供电设备的供电线路的多个预设周期内的历史供电信号集合和实时供电信号集合,其中所述历史供电信号集合包括正常供电参数子集和异常供电参数子集;
第二接收模块,用于接收用电设备的用电线路的多个预设周期内的历史用电信号集合和实时用电信号集合,其中,所述历史用电信号集合包括正常用电参数子集和异常用电参数子集;
数据清洗模块,用于对所述历史供电信号集合和历史用电信号集合进行数据清洗,以去除超过预设正常范围的数据;
特征提取模块,用于从清洗后的历史供电信号集合和历史用电信号集合中分别提取历史供电特征和历史用电特征;
训练集确定模块,用于从清洗后的多个历史供电信号集合和多个历史用电信号集合中按照预设比例分别抽取至少一个样本分别作为供电训练集和用电训练集;
验证集确定模块,用于从清洗后的多个历史供电信号集合和多个历史用电信号集合中抽取至少一个样本分别作为供电验证集和用电验证集;
模型训练模块,用于依据所述供电训练集和用电训练集,使用预设算法训练得到预设数量的供电训练模型和用电训练模型;
验证模块,用于利用所述供电验证集和用电验证集对所述供电训练模型和用电训练模型进行验证,得到验证后的供电训练模型和用电训练模型,其中所述供电训练模型包括正常供电子模型和异常供电子模型,所述用电训练模型包括正常用电子模型和异常用电子模型;
信号特征确定模块,用于确定验证后的供电训练模型中正常供电子模型的信号特征及异常供电子模型的信号特征,并确定验证后的用电训练模型中正常用电子模型的信号特征及异常用电子模型的信号特征;
第一信号比对模块,用于使用验证后的所述供电训练模型对所述实时供电信号集合进行比对,对符合所述正常供电子模型信号特征的供电信号标注为安全供电信号,对符合异常供电子模型信号特征的供电信号标注为异常供电信号;
第二信号比对模块,用于使用验证后的所述用电训练模型对所述实时用电信号集合进行比对,对符合正常用电子模型信号特征的用电信号标注为安全用电信号,对符合异常用电子模型信号特征的用电信号标注为异常用电信号。
该装置还包括环境数据获取模块,该环境数据获取模块用于:
环境数据获取模块,用于确定所述供电设备的所在位置及所述用电设备的所在位置;
获取与所述供电设备所在位置对应的环境数据;
获取与所述用电设备所在位置对应的环境数据;
根据所述环境数据对所述历史供电信号集合进行标注,确定所述安全供电子集和异常供电子集分别对应的环境数据;
根据所述环境数据对所述历史用电信号集合进行标注,确定所述安全用电子集和异常用电子集分别对应的环境数据。
所述模型训练模块依据所述供电训练集和用电训练集,使用预设算法训练得到预设数量的供电训练模型和用电训练模型的方法包括:
以不同的预设比例从所述供电训练集中抽取符合预设条件的样本作为清洗后的供电训练模型;
对所述供电信号集合的特征进行采样,得到所述供电信号集合的所有信号特征;
将所述供电信号集合所有的信号特征中的至少一部分作为每个所述供电训练模型的对应信号特征。
该方法还包括分类模块,用于:
预先根据所述供电信号集合对应的供电企业标识对所述供电信号集合进行分类;及
预先根据所述用电信号集合对应的用户标识对所述用电信号集合进行分类。
该方法还包括测试模块,用于:
从所述历史供电信号集合中划分预设比例的数据组成供电信号测试集合;
使用所述供电信号测试集合对所述供电训练集合进行测试,以确定所述供电训练集合是否可以对所述供电信号测试集合进行判断;
从所述历史用电信号集合中划分预设比例的数据组成用电信号测试集合;
使用所述用电信号测试集合对所述用电训练集合进行测试,以确定所述用电训练集合是否可以对所述用电信号测试集合进行判断。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,也可以以不同于所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的用电安全管理方法,其特征在于,包括:
接收所述供电设备的供电线路的多个预设周期内的历史供电信号集合和实时供电信号集合,其中所述历史供电信号集合包括正常供电参数子集和异常供电参数子集;
接收用电设备的用电线路的多个预设周期内的历史用电信号集合和实时用电信号集合,其中,所述历史用电信号集合包括正常用电参数子集和异常用电参数子集;
对所述历史供电信号集合和历史用电信号集合进行数据清洗,以去除不符合预设条件的数据;
从清洗后的历史供电信号集合和历史用电信号集合中分别提取历史供电特征和历史用电特征;
从清洗后的多个历史供电信号集合和多个历史用电信号集合中按照预设比例分别抽取至少一个样本分别作为供电训练集和用电训练集;
从清洗后的多个历史供电信号集合和多个历史用电信号集合中抽取至少一个样本分别作为供电验证集和用电验证集;
使用预设算法对所述供电训练集和用电训练集进行训练,得到预设数量的供电训练模型和用电训练模型;
利用所述供电验证集和用电验证集对所述供电训练模型和用电训练模型进行验证,得到验证后的供电训练模型和用电训练模型,其中所述供电训练模型包括正常供电子模型和异常供电子模型,所述用电训练模型包括正常用电子模型和异常用电子模型;
确定验证后的供电训练模型中正常供电子模型的信号特征及异常供电子模型的信号特征,并确定验证后的用电训练模型中正常用电子模型的信号特征及异常用电子模型的信号特征;
使用验证后的所述供电训练模型对所述实时供电信号集合进行验证,将符合所述正常供电子模型信号特征的供电信号标记为安全供电信号,将符合异常供电子模型信号特征的供电信号标记为异常供电信号;
使用验证后的所述用电训练模型对所述实时用电信号集合进行验证,将符合正常用电子模型信号特征的用电信号标记为安全用电信号,将符合异常用电子模型信号特征的用电信号标记为异常用电信号。
2.根据权利要求1所述的基于人工智能的用电安全管理方法,其特征在于,该方法还包括:
确定所述供电设备的所在位置及所述用电设备的所在位置;
获取与所述供电设备所在位置对应的环境数据;
获取与所述用电设备所在位置对应的环境数据;
根据所述环境数据对所述历史供电信号集合进行标注,确定所述安全供电子集和异常供电子集分别对应的环境数据;
根据所述环境数据对所述历史用电信号集合进行标注,确定所述安全用电子集和异常用电子集分别对应的环境数据;
确定所述供电训练集合中的各历史供电信号对应的环境数据;
确定所述用电训练集合中的各历史用电集合对应的环境数据。
3.根据权利要求1所述的基于人工智能的用电安全管理方法,其特征在于,依据所述供电训练集和用电训练集,使用预设算法训练得到预设数量的供电训练模型和用电训练模型的步骤包括:
以不同的预设比例从所述供电训练集中抽取符合预设条件的样本作为清洗后的供电训练模型;
对所述供电信号集合的特征进行采样,得到所述供电信号集合的所有信号特征;
将所述供电信号集合所有的信号特征中的至少一部分作为每个所述供电训练模型的对应信号特征。
4.根据权利要求1所述的基于人工智能的用电安全管理方法,其特征在于,该方法还包括:
预先根据所述供电信号集合对应的供电企业标识对所述供电信号集合进行分类;及
预先根据所述用电信号集合对应的用户标识对所述用电信号集合进行分类。
5.根据权利要求1所述的基于人工智能的用电安全管理方法,其特征在于,该方法还包括:
从所述历史供电信号集合中划分预设比例的数据组成供电信号测试集合;
使用所述供电信号测试集合对所述供电训练集合进行测试,以确定所述供电训练集合是否可以对所述供电信号测试集合进行判断;
从所述历史用电信号集合中划分预设比例的数据组成用电信号测试集合;
使用所述用电信号测试集合对所述用电训练集合进行测试,以确定所述用电训练集合是否可以对所述用电信号测试集合进行判断。
6.一种基于人工智能的用电安全管理装置,其特征在于,包括:
第一接收模块,用于接收所述供电设备的供电线路的多个预设周期内的历史供电信号集合和实时供电信号集合,其中所述历史供电信号集合包括正常供电参数子集和异常供电参数子集;
第二接收模块,用于接收用电设备的用电线路的多个预设周期内的历史用电信号集合和实时用电信号集合,其中,所述历史用电信号集合包括正常用电参数子集和异常用电参数子集;
数据清洗模块,用于对所述历史供电信号集合和历史用电信号集合进行数据清洗,以去除超过预设正常范围的数据;
特征提取模块,用于从清洗后的历史供电信号集合和历史用电信号集合中分别提取历史供电特征和历史用电特征;
训练集确定模块,用于从清洗后的多个历史供电信号集合和多个历史用电信号集合中按照预设比例分别抽取至少一个样本分别作为供电训练集和用电训练集;
验证集确定模块,用于从清洗后的多个历史供电信号集合和多个历史用电信号集合中抽取至少一个样本分别作为供电验证集和用电验证集;
模型训练模块,用于依据所述供电训练集和用电训练集,使用预设算法训练得到预设数量的供电训练模型和用电训练模型;
验证模块,用于利用所述供电验证集和用电验证集对所述供电训练模型和用电训练模型进行验证,得到验证后的供电训练模型和用电训练模型,其中所述供电训练模型包括正常供电子模型和异常供电子模型,所述用电训练模型包括正常用电子模型和异常用电子模型;
信号特征确定模块,用于确定验证后的供电训练模型中正常供电子模型的信号特征及异常供电子模型的信号特征,并确定验证后的用电训练模型中正常用电子模型的信号特征及异常用电子模型的信号特征;
第一信号比对模块,用于使用验证后的所述供电训练模型对所述实时供电信号集合进行比对,对符合所述正常供电子模型信号特征的供电信号标记为安全供电信号,对符合异常供电子模型信号特征的供电信号标记为异常供电信号;
第二信号比对模块,用于使用验证后的所述用电训练模型对所述实时用电信号集合进行比对,对符合正常用电子模型信号特征的用电信号标记为安全用电信号,对符合异常用电子模型信号特征的用电信号标记为异常用电信号。
7.根据权利要求1所述的基于人工智能的用电安全管理装置,其特征在于,该装置还包括环境数据获取模块,该环境数据获取模块用于:
环境数据获取模块,用于确定所述供电设备的所在位置及所述用电设备的所在位置;
获取与所述供电设备所在位置对应的环境数据;
获取与所述用电设备所在位置对应的环境数据;
根据所述环境数据对所述历史供电信号集合进行标注,确定所述安全供电子集和异常供电子集分别对应的环境数据;
根据所述环境数据对所述历史用电信号集合进行标注,确定所述安全用电子集和异常用电子集分别对应的环境数据。
8.根据权利要求6所述的基于人工智能的用电安全管理装置,其特征在于,所述模型训练模块依据所述供电训练集和用电训练集,使用预设算法训练得到预设数量的供电训练模型和用电训练模型的方法包括:
以不同的预设比例从所述供电训练集中抽取符合预设条件的样本作为清洗后的供电训练模型;
对所述供电信号集合的特征进行采样,得到所述供电信号集合的所有信号特征;
将所述供电信号集合所有的信号特征中的至少一部分作为每个所述供电训练模型的对应信号特征。
9.根据权利要求6所述的基于人工智能的用电安全管理装置,其特征在于,该方法还包括分类模块,用于:
预先根据所述供电信号集合对应的供电企业标识对所述供电信号集合进行分类;及
预先根据所述用电信号集合对应的用户标识对所述用电信号集合进行分类。
10.根据权利要求6所述的基于人工智能的用电安全管理装置,其特征在于,该装置还包括测试模块,用于:
从所述历史供电信号集合中划分预设比例的数据组成供电信号测试集合;
使用所述供电信号测试集合对所述供电训练集合进行测试,以确定所述供电训练集合是否可以对所述供电信号测试集合进行判断;
从所述历史用电信号集合中划分预设比例的数据组成用电信号测试集合;
使用所述用电信号测试集合对所述用电训练集合进行测试,以确定所述用电训练集合是否可以对所述用电信号测试集合进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104612.3A CN109284886B (zh) | 2018-02-02 | 2018-02-02 | 基于人工智能的用电安全管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104612.3A CN109284886B (zh) | 2018-02-02 | 2018-02-02 | 基于人工智能的用电安全管理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109284886A true CN109284886A (zh) | 2019-01-29 |
CN109284886B CN109284886B (zh) | 2022-06-17 |
Family
ID=65186138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810104612.3A Active CN109284886B (zh) | 2018-02-02 | 2018-02-02 | 基于人工智能的用电安全管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284886B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333675A (zh) * | 2019-06-28 | 2019-10-15 | 青岛海尔空调器有限总公司 | 一种用于插座的控制方法、控制装置及插座 |
CN110503136A (zh) * | 2019-07-31 | 2019-11-26 | 国家电网有限公司 | 台区线损异常分析方法、计算机可读存储介质及终端设备 |
CN111223007A (zh) * | 2019-12-31 | 2020-06-02 | 深圳供电局有限公司 | 用户异常用电行为分析预警方法、装置、设备和介质 |
CN112035715A (zh) * | 2020-07-10 | 2020-12-04 | 广西电网有限责任公司 | 一种用户标签设计方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262985A1 (en) * | 2006-11-15 | 2008-10-23 | Cretu Gabriela | Systems, methods, and media for generating sanitized data, sanitizing anomaly detection models, and/or generating sanitized anomaly detection models |
US20150347922A1 (en) * | 2014-05-30 | 2015-12-03 | International Business Machines Corporation | Multi-model blending |
CN105336143A (zh) * | 2015-11-19 | 2016-02-17 | 国家电网公司 | 基于云计算的供电质量检测系统 |
CN106778841A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电检测模型的建立方法 |
-
2018
- 2018-02-02 CN CN201810104612.3A patent/CN109284886B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262985A1 (en) * | 2006-11-15 | 2008-10-23 | Cretu Gabriela | Systems, methods, and media for generating sanitized data, sanitizing anomaly detection models, and/or generating sanitized anomaly detection models |
US20150347922A1 (en) * | 2014-05-30 | 2015-12-03 | International Business Machines Corporation | Multi-model blending |
CN105336143A (zh) * | 2015-11-19 | 2016-02-17 | 国家电网公司 | 基于云计算的供电质量检测系统 |
CN106778841A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电检测模型的建立方法 |
Non-Patent Citations (4)
Title |
---|
孙舟 等: "基于大数据分析的反窃电模型评估", 《计算机科学与探索》 * |
孙舟 等: "基于大数据分析的反窃电模型评估", 《计算机科学与探索》, 30 November 2017 (2017-11-30), pages 590 - 595 * |
陈建明: "大数据分析在用电采集数据分析与智能监测系统的设计与实现", 《电子技术与软件工程》 * |
陈建明: "大数据分析在用电采集数据分析与智能监测系统的设计与实现", 《电子技术与软件工程》, 3 August 2017 (2017-08-03), pages 187 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333675A (zh) * | 2019-06-28 | 2019-10-15 | 青岛海尔空调器有限总公司 | 一种用于插座的控制方法、控制装置及插座 |
CN110333675B (zh) * | 2019-06-28 | 2021-11-23 | 青岛海尔空调器有限总公司 | 一种用于插座的控制方法、控制装置及插座 |
CN110503136A (zh) * | 2019-07-31 | 2019-11-26 | 国家电网有限公司 | 台区线损异常分析方法、计算机可读存储介质及终端设备 |
CN111223007A (zh) * | 2019-12-31 | 2020-06-02 | 深圳供电局有限公司 | 用户异常用电行为分析预警方法、装置、设备和介质 |
CN112035715A (zh) * | 2020-07-10 | 2020-12-04 | 广西电网有限责任公司 | 一种用户标签设计方法及装置 |
CN112035715B (zh) * | 2020-07-10 | 2023-04-14 | 广西电网有限责任公司 | 一种用户标签设计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109284886B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284886A (zh) | 基于人工智能的用电安全管理方法及装置 | |
CN101789596B (zh) | 电网故障自动检测方法 | |
CN108897954A (zh) | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 | |
Ntalampiras | Fault diagnosis for smart grids in pragmatic conditions | |
CN108199891B (zh) | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 | |
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN108008176A (zh) | 一种光伏阵列实时状态监测与故障定位系统 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN107219453B (zh) | 一种基于多维混合量的变电站继电保护隐性故障诊断方法 | |
CN107680193A (zh) | 一种移动巡检管理系统及其使用方法 | |
CN108287327A (zh) | 基于贝叶斯分类的计量自动化终端故障诊断方法 | |
CN113406438B (zh) | 一种适用于低压台区的故障智能诊断方法及其运维系统 | |
CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及系统 | |
CN110889441B (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
CN110311709A (zh) | 用电信息采集系统故障判别方法 | |
EP3972084A2 (en) | Systems and methods for monitoring energy-related data in an electrical system | |
CN106845562B (zh) | 光伏组件的故障监测系统及数据处理方法 | |
CN109557468A (zh) | Bms被动均衡失效检测方法、装置及均衡电路 | |
CN109308587A (zh) | 电动汽车充电桩的可靠性分析系统及其智能诊断方法 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
Choi et al. | Impact analysis of locational marginal price subject to power system topology errors | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN105182249A (zh) | 一种大功率开关电源的故障诊断方法 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |