CN109658286A - 电力数据分析方法、装置、存储介质及处理器 - Google Patents
电力数据分析方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN109658286A CN109658286A CN201811594101.0A CN201811594101A CN109658286A CN 109658286 A CN109658286 A CN 109658286A CN 201811594101 A CN201811594101 A CN 201811594101A CN 109658286 A CN109658286 A CN 109658286A
- Authority
- CN
- China
- Prior art keywords
- power failure
- data
- cluster
- power
- failure data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000007405 data analysis Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 63
- 238000012216 screening Methods 0.000 claims abstract description 58
- 230000005611 electricity Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 abstract description 17
- 230000005540 biological transmission Effects 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电力数据分析方法、装置、存储介质及处理器。该方法包括：根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息；对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据；根据电力故障数据的故障设备的位置信息将多簇电力故障数据映射到地图上；在地图上获取目标筛选条件下的电力故障的发生区域。通过本申请，解决了相关技术中灾害导致输电线路发生电力故障后，人工分析灾害发生区域和发生情况，分析困难，分析结果不准确的问题。
Description
技术领域
本申请涉及电力数据分析领域，具体而言，涉及一种电力数据分析方法、装置、存储介质及处理器。
背景技术
在输电线路受到“外力”、“雷害”、“冰害”等的灾害后，输电线路上的相关设施会遭到损坏，影响人们正常的生产与生活，为了对不同灾害导致的电力故障检修分析，对相关电力设备进行灾害预警，相关技术中人工对特定时间或特定区域的电力故障数据进行汇总分析，难以准确得到输电线路遭受灾害后的故障情况以及规律，且工作效率较低，对灾害预警缺乏指导意义。
针对相关技术中灾害导致输电线路发生电力故障后，人工分析灾害发生区域和发生情况，分析困难，分析结果不准确的问题，目前尚未提出有效的解决方案。
发明内容
本申请提供一种电力数据分析方法、装置、存储介质及处理器，以解决相关技术中灾害导致输电线路发生电力故障后，人工分析灾害发生区域和发生情况，分析困难，分析结果不准确的问题。
根据本申请的一个方面，提供了一种电力数据分析方法。该方法包括：根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置；对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据；根据电力故障数据的故障设备的位置信息将多簇电力故障数据映射到地图上；在地图上获取目标筛选条件下的电力故障的发生区域。
进一步地，在根据目标筛选条件对多条电力故障数据进行筛选之前，该方法还包括：基于电力故障事件采集电力故障事件关联的电力数据，得到多条电力故障数据，其中，电力故障事件关联的电力数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息。
进一步地，对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据包括：基于电力故障发生的时间对筛选后得到的电力故障数据进行Canopy聚类；根据Canopy聚类的结果确定K-means聚类的聚类初始中心点；基于电力故障发生的时间，根据聚类初始中心点对筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
进一步地，对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据包括：基于故障设备的位置信息对筛选后得到的电力故障数据进行Canopy聚类；根据Canopy聚类的结果确定K-means聚类的聚类初始中心点；基于故障设备的位置信息，根据聚类初始中心点对筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
进一步地，在地图上获取目标筛选条件下的电力故障的发生区域之后，该方法还包括：将预设区域的电力故障数据导出；根据导出的电力故障数据分析预设区域的电力故障发生情况。
进一步地，在地图上获取目标筛选条件下的电力故障的发生区域之后，该方法还包括：对目标筛选条件下的电力故障的发生区域范围内的电力设备进行电力故障预警。
根据本申请的另一方面，提供了一种电力数据分析装置。该装置包括：筛选单元，用于根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置；聚类单元，用于对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据；映射单元，用于根据电力故障数据的故障设备的位置信息将多簇电力故障数据映射到地图上；获取单元，用于在地图上获取目标筛选条件下的电力故障的发生区域。
进一步地，该装置还包括：采集单元，用于在根据目标筛选条件对多条电力故障数据进行筛选之前，基于电力故障事件采集电力故障事件关联的电力数据，得到多条电力故障数据，其中，电力故障事件关联的电力数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息。
为了实现上述目的，根据本申请的另一方面，提供了一种存储介质，存储介质包括存储的程序，其中，程序执行上述任意一种电力数据分析方法。
为了实现上述目的，根据本申请的另一方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一种电力数据分析方法。
通过本申请，采用以下步骤：根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置；对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据；根据电力故障数据的故障设备的位置信息将多簇电力故障数据映射到地图上；在地图上获取目标筛选条件下的电力故障的发生区域，解决了相关技术中灾害导致输电线路发生电力故障后，人工分析灾害发生区域和发生情况，分析困难，分析结果不准确的问题。通过对电力故障数据聚类，并将聚类结果展示在地图上，进而达到了灾害导致输电线路发生电力故障后准确直观地分析出灾害发生区域和发生情况的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的电力数据分析方法的流程图；以及
图2是根据本申请实施例提供的电力数据分析装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请的实施例，提供了一种电力数据分析方法。
图1是根据本申请实施例的电力数据分析方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置。
具体地，根据目标筛选条件筛选出用户关注的数据，其中，目标电力故障外因可以包括“外力”、“雷害”、“冰害”等灾害信息，对于“外力”灾害，目标电力故障类型可以为异物短路、施工碰线、异物缺陷等，目标时间为故障发生时间，目标位置可以以行政区划分，此外，目标筛选条件还可以包括设备电压等级，例如，可以为500kV、220kV、110kV等。
例如，用户关注的是北京地区5月份多次发生电力故障的区域，目标筛选条件可以为“在北京地区5月份内发生过电力故障高达20次以上的电力设备”，从而根据目标筛选条件筛选出用户关注的数据。
可选地，在本申请实施例提供的电力数据分析方法中，在根据目标筛选条件对多条电力故障数据进行筛选之前，该方法还包括：基于电力故障事件采集电力故障事件关联的电力数据，得到多条电力故障数据，其中，电力故障事件关联的电力数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息。
具体地，电力故障事件关联的电力数据可以为历史电力故障数据，也可以基于新发生的电力故障事件补充，历史电力故障数据由运检指挥中心值班员从系统调取并录入，新数据由运检指挥中心值班员在每发生一起最新电力故障、缺陷后关联至大数据分析页面，实现数据的实时更新，此外，还可以赋予巡检及人员权限，巡检人员在碰到冰砸和雷害事件后通过交互平台不断更新案例库以及案例相关数据。
步骤S102，对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据。
可以从空间维度和时间维度对筛选后得到的电力故障数据进行聚类。
可选地，在本申请实施例提供的电力数据分析方法中，对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据包括：基于故障设备的位置信息对筛选后得到的电力故障数据进行Canopy聚类；根据Canopy聚类的结果确定K-means聚类的聚类初始中心点；基于故障设备的位置信息，根据聚类初始中心点对筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
需要说明的是，Canopy聚类算法是将混乱的数据划分成大概的几个类别，分类不够准确，其仅用于计算聚类初始中心集合，最终获得K-means算法的初始聚类中心点。在执行K-means聚类算法时，采用空间距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大，输入K个来自Canopy聚类的初始聚类点，聚类之后获得多簇数据，以及每簇数据最终的聚类中心以及属于该聚类中心的样本点。
可选地，在本申请实施例提供的电力数据分析方法中，对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据包括：基于电力故障发生的时间对筛选后得到的电力故障数据进行Canopy聚类；根据Canopy聚类的结果确定K-means聚类的聚类初始中心点；基于电力故障发生的时间，根据聚类初始中心点对筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
具体地，按照电力故障事件的时间特征，例如月份、季节等进行Canopy算法和K-means算法聚类，得到电力故障数据的时间规律。
步骤S103，根据电力故障数据的故障设备的位置信息将多簇电力故障数据映射到地图上。
具体的，由于每条电力故障数据都带有故障设备的位置信息，根据位置信息将聚类后的相应电力故障数据呈现在GIS地图上，也即，呈现在地理信息系统下的地图上，实现分析结果可视化。
步骤S104，在地图上获取目标筛选条件下的电力故障的发生区域。
具体地，在GIS地图上可以直观获知数据聚类成簇的区域，及电力故障后风险区域，进而获得风险区域的相关站线。
可选地，在本申请实施例提供的电力数据分析方法中，在地图上获取目标筛选条件下的电力故障的发生区域之后，该方法还包括：将预设区域的电力故障数据导出；根据导出的电力故障数据分析预设区域的电力故障发生情况。
例如，预设区域为电力故障风险区域，可以将风险区域的电力故障数据按照分布密度顺序导出，包含风险区域内的中心点的数据，中心点的数据可以以最近线路杆塔号标定，还包含风险区域内涉及的所有线路名称，进而根据导出的数据分析风险区域的电力故障发生情况。
可选地，在本申请实施例提供的电力数据分析方法中，在地图上获取目标筛选条件下的电力故障的发生区域之后，该方法还包括：对目标筛选条件下的电力故障的发生区域范围内的电力设备进行电力故障预警。
具体地，运检指挥中心依据年度输电线路季节性年历、月历分析工作计划筛选电力故障数据，对聚类后的机械、异物、雷害、冰害风险区域进行统计分析，并报运检部发布风险区域预警，提示相关部门开展差异化防控措施。
本申请实施例提供的电力数据分析方法，通过根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置；对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据；根据电力故障数据的故障设备的位置信息将多簇电力故障数据映射到地图上；在地图上获取目标筛选条件下的电力故障的发生区域，解决了相关技术中灾害导致输电线路发生电力故障后，人工分析灾害发生区域和发生情况，分析困难，分析结果不准确的问题。通过对电力故障数据聚类，并将聚类结果展示在地图上，进而达到了灾害导致输电线路发生电力故障后准确直观地分析出灾害发生区域和发生情况的效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种电力数据分析装置，需要说明的是，本申请实施例的电力数据分析装置可以用于执行本申请实施例所提供的用于电力数据分析方法。以下对本申请实施例提供的电力数据分析装置进行介绍。
图2是根据本申请实施例的电力数据分析装置的示意图。如图2所示，该装置包括：筛选单元10、聚类单元20、映射单元30和获取单元40。
具体地，筛选单元10，用于根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置。
聚类单元20，用于对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据。
映射单元30，用于根据电力故障数据的故障设备的位置信息将多簇电力故障数据映射到地图上。
获取单元40，用于在地图上获取目标筛选条件下的电力故障的发生区域。
可选地，在本申请实施例提供的电力数据分析装置中，该装置还包括：采集单元，用于在根据目标筛选条件对多条电力故障数据进行筛选之前，基于电力故障事件采集电力故障事件关联的电力数据，得到多条电力故障数据，其中，电力故障事件关联的电力数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息。
可选地，在本申请实施例提供的电力数据分析装置中，聚类单元20包括：第一聚类模块，用于基于电力故障发生的时间对筛选后得到的电力故障数据进行Canopy聚类；第一确定模块，用于根据Canopy聚类的结果确定K-means聚类的聚类初始中心点；第二聚类模块，用于基于电力故障发生的时间，根据聚类初始中心点对筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
可选地，在本申请实施例提供的电力数据分析装置中，聚类单元20还包括：第三聚类模块，用于基于故障设备的位置信息对筛选后得到的电力故障数据进行Canopy聚类；第二确定模块，用于根据Canopy聚类的结果确定K-means聚类的聚类初始中心点；第四聚类模块，用于基于故障设备的位置信息，根据聚类初始中心点对筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
可选地，在本申请实施例提供的电力数据分析装置中，该装置还包括：导出单元，用于在地图上获取目标筛选条件下的电力故障的发生区域之后，将预设区域的电力故障数据导出；分析单元，用于根据导出的电力故障数据分析预设区域的电力故障发生情况。
可选地，在本申请实施例提供的电力数据分析装置中，该装置还包括：预警单元，用于在地图上获取目标筛选条件下的电力故障的发生区域之后，对目标筛选条件下的电力故障的发生区域范围内的电力设备进行电力故障预警。
本申请实施例提供的电力数据分析装置，通过筛选单元10根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置；聚类单元20对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据；映射单元30根据电力故障数据的故障设备的位置信息将多簇电力故障数据映射到地图上；获取单元40在地图上获取目标筛选条件下的电力故障的发生区域，解决了相关技术中灾害导致输电线路发生电力故障后，人工分析灾害发生区域和发生情况，分析困难，分析结果不准确的问题，通过对电力故障数据聚类，并将聚类结果展示在地图上，进而达到了灾害导致输电线路发生电力故障后准确直观地分析出灾害发生区域和发生情况的效果。
所述电力数据分析装置包括处理器和存储器，上述筛选单元10、聚类单元20、映射单元30和获取单元40等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中灾害导致输电线路发生电力故障后，人工分析灾害发生区域和发生情况，分析困难，分析结果不准确的问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述电力数据分析方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述电力数据分析方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置；对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据；根据电力故障数据的故障设备的位置信息将多簇电力故障数据映射到地图上；在地图上获取目标筛选条件下的电力故障的发生区域。
在根据目标筛选条件对多条电力故障数据进行筛选之前，该方法还包括：基于电力故障事件采集电力故障事件关联的电力数据，得到多条电力故障数据，其中，电力故障事件关联的电力数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息。
对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据包括：基于电力故障发生的时间对筛选后得到的电力故障数据进行Canopy聚类；根据Canopy聚类的结果确定K-means聚类的聚类初始中心点；基于电力故障发生的时间，根据聚类初始中心点对筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据包括：基于故障设备的位置信息对筛选后得到的电力故障数据进行Canopy聚类；根据Canopy聚类的结果确定K-means聚类的聚类初始中心点；基于故障设备的位置信息，根据聚类初始中心点对筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
在地图上获取目标筛选条件下的电力故障的发生区域之后，该方法还包括：将预设区域的电力故障数据导出；根据导出的电力故障数据分析预设区域的电力故障发生情况。
在地图上获取目标筛选条件下的电力故障的发生区域之后，该方法还包括：对目标筛选条件下的电力故障的发生区域范围内的电力设备进行电力故障预警。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置；对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据；根据电力故障数据的故障设备的位置信息将多簇电力故障数据映射到地图上；在地图上获取目标筛选条件下的电力故障的发生区域。
在根据目标筛选条件对多条电力故障数据进行筛选之前，该方法还包括：基于电力故障事件采集电力故障事件关联的电力数据，得到多条电力故障数据，其中，电力故障事件关联的电力数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息。
对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据包括：基于电力故障发生的时间对筛选后得到的电力故障数据进行Canopy聚类；根据Canopy聚类的结果确定K-means聚类的聚类初始中心点；基于电力故障发生的时间，根据聚类初始中心点对筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据包括：基于故障设备的位置信息对筛选后得到的电力故障数据进行Canopy聚类；根据Canopy聚类的结果确定K-means聚类的聚类初始中心点；基于故障设备的位置信息，根据聚类初始中心点对筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
在地图上获取目标筛选条件下的电力故障的发生区域之后，该方法还包括：将预设区域的电力故障数据导出；根据导出的电力故障数据分析预设区域的电力故障发生情况。
在地图上获取目标筛选条件下的电力故障的发生区域之后，该方法还包括：对目标筛选条件下的电力故障的发生区域范围内的电力设备进行电力故障预警。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种电力数据分析方法，其特征在于，包括：
根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，所述目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置；
对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据；
根据所述电力故障数据的故障设备的位置信息将所述多簇电力故障数据映射到地图上；
在所述地图上获取所述目标筛选条件下的电力故障的发生区域。
2.根据权利要求1所述的方法，其特征在于，在根据目标筛选条件对多条电力故障数据进行筛选之前，所述方法还包括：
基于电力故障事件采集所述电力故障事件关联的电力数据，得到多条电力故障数据，其中，所述电力故障事件关联的电力数据至少包括所述电力故障外因信息、所述电力故障类型信息、所述电力故障发生的时间、所述故障设备的位置信息以及所述故障设备的标识信息。
3.根据权利要求1所述的方法，其特征在于，对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据包括：
基于所述电力故障发生的时间对所述筛选后得到的电力故障数据进行Canopy聚类；
根据所述Canopy聚类的结果确定K-means聚类的聚类初始中心点；
基于所述电力故障发生的时间，根据所述聚类初始中心点对所述筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
4.根据权利要求1所述的方法，其特征在于，对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据包括：
基于所述故障设备的位置信息对所述筛选后得到的电力故障数据进行Canopy聚类；
根据所述Canopy聚类的结果确定K-means聚类的聚类初始中心点；
基于所述故障设备的位置信息，根据所述聚类初始中心点对所述筛选后得到的电力故障数据进行K-means聚类，得到多簇电力故障数据。
5.根据权利要求1所述的方法，其特征在于，在所述地图上获取所述目标筛选条件下的电力故障的发生区域之后，所述方法还包括：
将预设区域的电力故障数据导出；
根据导出的电力故障数据分析所述预设区域的电力故障发生情况。
6.根据权利要求1所述的方法，其特征在于，在所述地图上获取所述目标筛选条件下的电力故障的发生区域之后，所述方法还包括：
对所述目标筛选条件下的电力故障的发生区域范围内的电力设备进行电力故障预警。
7.一种电力数据分析装置，其特征在于，包括：
筛选单元，用于根据目标筛选条件对多条电力故障数据进行筛选，其中，每条电力故障数据至少包括电力故障外因信息、电力故障类型信息、电力故障发生的时间、故障设备的位置信息以及故障设备的标识信息，所述目标筛选条件至少包括以下之一：目标电力故障外因、目标电力故障类型、目标时间、目标位置；
聚类单元，用于对筛选后得到的电力故障数据进行聚类，得到多簇电力故障数据；
映射单元，用于根据所述电力故障数据的故障设备的位置信息将所述多簇电力故障数据映射到地图上；
获取单元，用于在所述地图上获取所述目标筛选条件下的电力故障的发生区域。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
采集单元，用于在根据目标筛选条件对多条电力故障数据进行筛选之前，基于电力故障事件采集所述电力故障事件关联的电力数据，得到多条电力故障数据，其中，所述电力故障事件关联的电力数据至少包括所述电力故障外因信息、所述电力故障类型信息、所述电力故障发生的时间、所述故障设备的位置信息以及所述故障设备的标识信息。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至6中任意一项所述的电力数据分析方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的电力数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811594101.0A CN109658286A (zh) | 2018-12-25 | 2018-12-25 | 电力数据分析方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811594101.0A CN109658286A (zh) | 2018-12-25 | 2018-12-25 | 电力数据分析方法、装置、存储介质及处理器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109658286A true CN109658286A (zh) | 2019-04-19 |
Family
ID=66116371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811594101.0A Pending CN109658286A (zh) | 2018-12-25 | 2018-12-25 | 电力数据分析方法、装置、存储介质及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109658286A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110955959A (zh) * | 2019-11-11 | 2020-04-03 | 中国南方电网有限责任公司 | 电力系统故障的快速生成及批量计算方法及装置 |
| CN113449015A (zh) * | 2021-06-28 | 2021-09-28 | 国网北京市电力公司 | 电网故障处理方法、装置及电子设备 |
| CN113767406A (zh) * | 2019-05-31 | 2021-12-07 | 西门子（中国）有限公司 | 故障数据存储方法、装置、系统和计算机可读介质 |
| CN114997428A (zh) * | 2022-04-14 | 2022-09-02 | 国网北京市电力公司 | 站室供电故障处理方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160093119A1 (en) * | 2014-09-26 | 2016-03-31 | International Business Machines Corporation | Monitoring and Planning for Failures of Vehicular Components |
| CN106354757A (zh) * | 2016-08-17 | 2017-01-25 | 国网四川省电力公司德阳供电公司 | 基于gis的输电线路风险图形化数据库管理系统 |
| CN108875791A (zh) * | 2018-05-25 | 2018-11-23 | 国网山西省电力公司电力科学研究院 | 基于雷达的输电线路外力破坏目标识别方法及系统 |
-
2018
- 2018-12-25 CN CN201811594101.0A patent/CN109658286A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160093119A1 (en) * | 2014-09-26 | 2016-03-31 | International Business Machines Corporation | Monitoring and Planning for Failures of Vehicular Components |
| CN106354757A (zh) * | 2016-08-17 | 2017-01-25 | 国网四川省电力公司德阳供电公司 | 基于gis的输电线路风险图形化数据库管理系统 |
| CN108875791A (zh) * | 2018-05-25 | 2018-11-23 | 国网山西省电力公司电力科学研究院 | 基于雷达的输电线路外力破坏目标识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 马大燕: ""基于自动聚类模型的输电线路外力破坏预警预测"", 《2018电力行业信息化年会论文集》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113767406A (zh) * | 2019-05-31 | 2021-12-07 | 西门子（中国）有限公司 | 故障数据存储方法、装置、系统和计算机可读介质 |
| CN110955959A (zh) * | 2019-11-11 | 2020-04-03 | 中国南方电网有限责任公司 | 电力系统故障的快速生成及批量计算方法及装置 |
| CN113449015A (zh) * | 2021-06-28 | 2021-09-28 | 国网北京市电力公司 | 电网故障处理方法、装置及电子设备 |
| CN114997428A (zh) * | 2022-04-14 | 2022-09-02 | 国网北京市电力公司 | 站室供电故障处理方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109658286A (zh) | 电力数据分析方法、装置、存储介质及处理器 | |
| US11598900B2 (en) | Weather-driven multi-category infrastructure impact forecasting | |
| US20190268283A1 (en) | Resource Demand Prediction for Distributed Service Network | |
| US20210192586A1 (en) | Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions | |
| Ji et al. | Large-scale data analysis of power grid resilience across multiple US service regions | |
| US9158035B2 (en) | System and method of automated acquisition, correlation and display of power distribution grid operational parameters and weather events | |
| CN105354616A (zh) | 一种电力计量资产数据处理装置及其在线处理方法 | |
| CN110232499A (zh) | 一种配电网信息物理侧风险预警方法及系统 | |
| CN107124325A (zh) | 一种电力通信网运行安全评估方法及系统 | |
| CN110322688A (zh) | 一种数据处理的方法、数据查询的方法及相关设备 | |
| US11488083B2 (en) | Risk failure prediction for line assets | |
| Dhal et al. | Forecasting weather-impacted airport capacities for flow contingency management: Advanced methods and integration | |
| CN115102834A (zh) | 一种变更风险评估方法、设备及存储介质 | |
| CN115865611A (zh) | 一种网络设备的故障处理方法、装置及电子设备 | |
| Agapaki | Airport digital twins for resilient disaster management response | |
| Whipple | Predictive storm damage modeling and optimizing crew response to improve storm response operations | |
| US20170059744A1 (en) | Storm Confirmation and Path Prediction System | |
| Mascali et al. | A machine learning-based Anomaly Detection Framework for building electricity consumption data | |
| Eskandarpour et al. | Component outage estimation based on support vector machine | |
| CN109272057A (zh) | 一种雷害冰灾的聚类分析方法、设备及系统 | |
| Zhuang | Managing risks in electrical infrastructure assets from a strategic perspective | |
| CN109199409A (zh) | 人体疲劳值的获取方法及装置 | |
| CN114065997A (zh) | 利用机器学习模型来管理和确定新产品开发的预测成功率 | |
| García-Miranda et al. | AIRPORTS Metrics: A Big Data application for computing flights' performance indexes based on flown trajectories | |
| Kezunovic et al. | Predictive asset management under weather impacts using big data, spatiotemporal data analytics and risk based decision-making |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
| RJ01 | Rejection of invention patent application after publication |