CN111222702A - 一种调控系统运行变化趋势预测方法和系统 - Google Patents
一种调控系统运行变化趋势预测方法和系统 Download PDFInfo
- Publication number
- CN111222702A CN111222702A CN202010020970.3A CN202010020970A CN111222702A CN 111222702 A CN111222702 A CN 111222702A CN 202010020970 A CN202010020970 A CN 202010020970A CN 111222702 A CN111222702 A CN 111222702A
- Authority
- CN
- China
- Prior art keywords
- state
- working condition
- index
- stable
- characteristic
- 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 46
- 230000008859 change Effects 0.000 title claims abstract description 19
- 230000033228 biological regulation Effects 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000036541 health Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 29
- 238000012216 screening Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000000087 stabilizing effect Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims 1
- 238000011105 stabilization Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种调控系统运行变化趋势预测方法和系统，包括：基于预先设定的健康状态评估指标、以及影响所述健康状态评估指标的关键参数，从采集的实时工况数据中确定对运行状态判断的特征值；对所述特征值进行训练，得到所述关键参数的变化趋势；基于预先建立的稳定模式工况库结合所述关键参数的变化趋势，对所述参数状态指标的运行状态进行判断。能够建立调控系统稳定模式工况库，利用时间序列算法对特征值进行模型训练，对参数的变化趋势进行预测，用预测值辅助状态判断。
Description
技术领域
本发明属于电力系统运行维护技术领域，具体涉及一种调控系统运行变化趋势预测方法和系统。
背景技术
电力调度控制系统是为了维护电力系统输电、发电、配电、用电协调一致的系统。电力调度控制系统本身运行稳定性间接影响电力系统运行的稳定性，因此需要对电力调度控制系统运行状况进行监视，并对运行变化趋势进行预测，在故障发生之前进行干预，以防止大型事故的产生。
调度控制系统平台本身也会对系统的部分运行参数进行监视，一般在超过阀值时进行报警。这些告警有的是事故级告警，由工作人员当场处理；而更多的是一般告警，这些数据在告警后就存入历史数据库，为以后可能发生的事故分析做准备，数据的利用率低。而且大量的历史数据也成为系统存储的负担。
同时，调度控制系统发展到现阶段，其组成与机构日益复杂，关联性也更强。随着新一代调度控制系统的研发，构建了由分析决策中心、模型云平台、分布式监控子系统组成的总体框架，形成了“物理分布、逻辑统一”网络格局。新一代调度控制系统覆盖了从国凋、网凋、省调及地调的调度业务，复杂度高、跨地区、实时要求性高，运用了网络技术及新IT技术来进行支撑，业务分区多、机器多。系统各部件的关联性也大大增加，只靠阀值报警的系统运维无法进行系统运行状态评估。
大多事故是日常业务中小故障累积到一定程度而产生的，如果能在小故障阶段处理，就会减少事故的发生率，避免事故发生而产生的损失。
调度控制系统需要自动化程度更高、更为智能的运维平台来提供支撑，防范事故于未然。
发明内容
为克服上述现有技术的不足，本发明提出一种调控系统运行变化趋势预测方法，其改进之处在于，包括：
基于预先设定的健康状态评估指标、以及影响所述健康状态评估指标的关键参数，从采集的实时工况数据中确定对运行状态判断的特征值；
对所述特征值进行训练，得到所述关键参数的变化趋势；
基于预先建立的稳定模式工况库结合所述关键参数的变化趋势，对所述参数状态指标的运行状态进行判断；
所述稳定状态的判断指标包括：服务器状态、网络、数据库和应用指标。
优选的，所述稳定模式工况库的建立，包括：
以所述稳定状态的判断指标为特征，对历史工况数据采用K-均值法进行聚类分析；
根据所述聚类分析结果，对工况运行状态进行类别标注和筛选，得到稳定模式工况库；
所述稳定状态的判断指标，将影响稳定的关键参数作为稳定状态的判断指标。
优选的，所述以所述稳定状态的判断指标为特征，所述对历史工况数据采用K-均值法进行聚类分析，包括：
以稳定参数的判断指标为特征，对工况状态进行聚类分析，获得历史工况中的状态分布情况；
以稳定状态判断指标为特征，采用K-均值法对工况状态进行聚类分析。
优选的，所述关键参数的确定，包括：
利用多种特征筛选组合方法对工况数据进行分析，确定影响稳定的关键参数；
其中，所述综合的特征筛选筛方法包括：随机lasso、岭回归、随机森林、稳定性选择和递归特征消除法；
所述关键参数包括：服务器CPU、硬盘、内存、网络流量、数据库流量。
优选的，所述对所述特征值进行训练，得到所述关键参数的变化趋势，包括：
利用差分整合移动平均自回归模型算法对所述特征值进行差分整合移动平均自回归模型训练；
采用差分整合移动平均自回归模型对关键参数的变化趋势进行预测；
将预测的关键参数分别训练时间序列模型；
采用参数的时间序列模型检测时间序列是否是平稳序列，
如果是，则给出关键参数的预测值，用预测值作为所述实时状态的辅助状态识别；
否则，对该时刻的可控参数进行调控。
优选的，所述基于预先建立的稳定模式工况库结合所述关键参数的变化趋势预测值，对所述参数状态指标的运行状态进行判断，包括：
根据稳定状态判断指标，并结合所述预测值，对指标的运行状态进行判断：
当判定该时刻的运行状态为异常时，从稳定工况模式库中读取工况记录，得到推荐的目标值；
根据所述目标值对该时刻的可控参数进行调控。
优选的，所述对采集的实时工况数据中确定之前，还包括：
对采集的数据进行异常值处理、空值处理、离散化处理和归一化处理，其中，所述数据异常值处理、空值处理，通过数据筛选和数据清洗实现，所述离散化处理和归一化处理，由特征简约和数据变换实现。
基于同一发明构思，本发明还提供了一种调控系统运行变化趋势预测系统，其改进之处在于，包括：预设模块、训练模块和工况库模块；
所述预设模块，用于基于预先设定的健康状态评估指标、以及影响所述健康状态评估指标的关键参数，从采集的实时工况数据中确定对运行状态判断的特征值；
所述训练模块，用于对所述特征值进行训练，得到所述关键参数的变化趋势；
所述工况库模块，用于基于预先建立的稳定模式工况库结合所述关键参数的变化趋势，对所述稳定参数的判断指标的运行状态进行判断；
所述稳定状态的判断指标包括：服务器状态、网络、数据库和应用指标。
优选的，所述工况库模块的建立，包括：聚类单元、分析单元和指标单元；
所述聚类单元，用于以所述稳定状态的判断指标为特征，对历史工况数据采用K-均值法进行聚类分析；
所述分析单元，用于根据所述聚类分析结果，对工况运行状态进行类别标注和筛选，得到稳定模式工况库；
所述指标单元，用于所述稳定状态的判断指标，将影响稳定的关键参数作为稳定状态的判断指标。
优选的，所述聚类单元，包括：状态子单元和稳定子单元；
所述状态子单元，用于将所述稳定状态指标，并以所述判断指标为特征，对工况状态进行聚类分析，获得历史工况中的状态分布情况；
所述稳定子单元，用于以稳定状态判断指标为特征，采用K-均值法对工况状态进行聚类分析。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明所提供的一种调控系统运行变化趋势预测方法，能够建立调控系统稳定模式工况库，利用时间序列算法对特征值进行模型训练，对参数的变化趋势进行预测，用预测值辅助状态判断。
对调控系统运行变化趋势进行预测，帮助调控系统在故障发生之前进行干预，对故障预警有着积极的作用。
附图说明
图1为本发明提供的一种调控系统运行变化趋势预测方法流程图；
图2为本发明涉及的基于K-均值的聚类算法流程图；
图3为本发明提供的一种调控系统运行变化趋势预测系统结构图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
如图1所示，本发明提供一种调控系统运行变化趋势预测方法，步骤如下：
步骤1：基于预先设定的健康状态评估指标、以及影响所述健康状态评估指标的关键参数，从采集的实时工况数据中确定对运行状态判断的特征值；
步骤2：对所述特征值进行训练，得到所述关键参数的变化趋势；
步骤3：基于预先建立的稳定模式工况库结合所述关键参数的变化趋势，对所述参数状态指标的运行状态进行判断；
所述稳定状态的判断指标包括：服务器状态、网络、数据库和应用指标。
步骤1包括：
1)利用综合的特征筛选方法对工况数据进行分析，确定影响稳定的关键参数，作为稳定状态的判断指标。分析历史数据中关键参数的取值范围，根据其分布区间，确定触发运维干预的临界值；
2)以稳定判断指标为特征，对工况状态进行聚类分析，使用基于K-均值的聚类算法对数据进行挖掘，分析聚类挖掘得到的各个工况簇的特点，获得历史工况中的状态分布情况；
具体如图2所示，包括：
2)-1：指定簇的个数K和最大迭代次数；
2)-2：输入数据，随机选择数据中的K个点作为起始质心；
2)-3：计算每个质心到数据点之间的距离；
2)-4：把数据点分配到距离最近的簇；
2)-5：计算每个簇中的所有点的均值，并将均值作为质心；
2)-6：判断是否有数据点的簇发生了改变，如果是，则执行2)-7；否则，停止聚类；
2)-7：判断是否到达最大迭代次数，如果是，则停止聚类；否则，返回执行2)-3。
3)根据聚类分析的挖掘结果，定义历史工况中的运行状态类别，对工况所属的状态进行类别标注和筛选，得到稳定模式工况库；
4)然后对采集的实时数据的特点进行分析，确定进行实时状态判断的特征值及其获取方法；
5)利用ARIMA算法对4)中确定的特征值进行模型训练，对参数的变化趋势进行预测，用预测值辅助状态判断；
步骤3具体包括：
6)根据参数状态指标的数值，并结合ARIMA模型给出的预测值，对指标的运行状态进行判断，当判定该时刻的运行状态为异常时，从稳定工况模式库中读取工况记录，得到推荐的目标值，然后根据推荐的目标值对该时刻的可控参数进行调控。
实施例2：
基于同一发明构思，本发明还提供了一种调控系统运行变化趋势预测系统，其改进之处在于，包括：预设模块、训练模块和工况库模块；
所述预设模块，用于基于预先设定的健康状态评估指标、以及影响所述健康状态评估指标的关键参数，从采集的实时工况数据中确定对运行状态判断的特征值；
所述训练模块，用于对所述特征值进行训练，得到所述关键参数的变化趋势；
所述工况库模块，用于基于预先建立的稳定模式工况库结合所述关键参数的变化趋势，对所述稳定参数的判断指标的运行状态进行判断；
所述稳定状态的判断指标包括：服务器状态、网络、数据库和应用指标。
优选的，所述系统还包括：预处理模块，
所述预处理模块，用于对采集的数据预处理模块中，数据异常值处理、空值处理。
优选的，所述工况库模块的建立，包括：聚类单元、分析单元和指标单元；
所述聚类单元，用于以所述稳定状态的判断指标为特征，对历史工况数据采用K-均值法进行聚类分析；
所述分析单元，用于根据所述聚类分析结果，对工况运行状态进行类别标注和筛选，得到稳定模式工况库；
所述指标单元，用于所述稳定状态的判断指标，将影响稳定的关键参数作为稳定状态的判断指标。
优选的，所述聚类单元，包括：状态子单元和稳定子单元；
所述状态子单元，用于将所述稳定状态指标，并以所述判断指标为特征，对工况状态进行聚类分析，获得历史工况中的状态分布情况；
所述稳定子单元，用于以稳定状态判断指标为特征，采用K-均值法对工况状态进行聚类分析。
实施例3：
在本实施中，一种调控系统运行变化趋势预测系统还可以分为数据预处理模块、状态评估指标挖掘模块、状态聚类分析模块、状态评估指标特征获取模块、实时特征参数预测模块，其中：
数据预处理模块，即为本发明的预处理模块；对采集的数据进行异常值处理、空值处理、离散化处理和归一化处理，为数据的挖掘分析做好了准备；数据预处理模块中，数据异常值处理、空值处理，通过数据筛选和数据清洗实现。离散化处理和归一化处理，由特征简约和数据变换实现。
状态评估指标挖掘模块，即为本发明的预设模块，利用一种综合的特征筛选方法对工况数据进行挖掘分析，得到影响稳定的关键参数，作为状态评估的指标；一种综合的特征筛选方法由随机lasso、岭回归、随机森林、稳定性选择和递归特征消除这五种方法综合组成。筛选算法是通过求解输入变量和输出变量之间的关系，分别使用五种方法对每个特征的重要性予以打分，对五种得分情况进行处理，按照处理后的得分结果对特征的重要度进行评估，确定待选特征集中的关键特征。
状态聚类分析模块，即为本发明的分析单元，基于确定的健康状态评估的指标，对工况状态进行聚类挖掘分析，得到稳定模式工况库；状态聚类分析模块，基于确定的健康状态评估的指标，结合实际生产经验和工况库中的数据分布，确定了四个稳定判断指标会导致运行异常的临界值，在多个临界值的限定范围内对预处理后的数据进行进一步筛选，求满足所有限制条件的数据，得到的筛选结果作为聚类的输入数据。聚类分析采用的是K-均值来发现数据集中的K个工况簇。这里的K是用户指定的，算法的目的是找到数据集中的K个簇的质心，把数据集中的点分配给距离该点最近的质心，并将该点分配给该质心对应的类别。
状态评估指标特征获取模块，即为本发明的稳定子单元，分析采集的实时数据的特点，确定进行实时状态判断的特征值及其获取方法。以服务器状态、网络、数据库、应用这4个状态评估指标的实时数据为基础，计算每个参数在取数窗口时间内的均值、方差和异常值出现次数，把得到的结果作为稳定工况判断的特征变量。
实时特征参数预测模块，即为本发明的工况库模块，采用时间序列算法对运行状态进行预测，并用得到的预测值辅助状态判断。需要预测的参数包括服务器CPU、硬盘、内存、网络流量、数据库流量，对这五个参数分别训练时间序列模型。得到的模型可以检测一段序列是否是平稳序列，给出参数的数值预测，用预测值辅助状态识别。
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。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (10)
1.一种调控系统运行变化趋势预测方法，其特征在于，包括：
基于预先设定的健康状态评估指标、以及影响所述健康状态评估指标的关键参数，从采集的实时工况数据中确定对运行状态判断的特征值；
对所述特征值进行训练，得到所述关键参数的变化趋势；
基于预先建立的稳定模式工况库结合所述关键参数的变化趋势，对所述稳定状态的判断指标的运行状态进行判断；
所述稳定状态的判断指标包括：服务器状态、网络、数据库和应用指标。
2.如权利要求1所述的方法，其特征在于，所述稳定模式工况库的建立，包括：
以所述稳定状态的判断指标为特征，对历史工况数据采用K-均值法进行聚类分析；
根据所述聚类分析结果，对工况运行状态进行类别标注和筛选，得到稳定模式工况库；
所述稳定状态的判断指标，将影响稳定的关键参数作为稳定状态的判断指标。
3.如权利要求2所述的方法，其特征在于，所述以所述稳定状态的判断指标为特征，所述对历史工况数据采用K-均值法进行聚类分析，包括：
以所述稳定状态的判断指标为特征，对工况状态进行聚类分析，获得历史工况中的状态分布情况；
以所述稳定状态的判断指标为特征，采用K-均值法对工况状态进行聚类分析。
4.如权利要求2所述的方法，其特征在于，所述关键参数的确定，包括：
利用多种特征筛选组合方法对工况数据进行分析，确定影响稳定的关键参数；
其中，所述多种特征筛选筛组合方法包括：随机lasso、岭回归、随机森林、稳定性选择和递归特征消除法；
所述关键参数包括：服务器CPU、硬盘、内存、网络流量、数据库流量。
5.如权利要求1所述的方法，其特征在于，所述对所述特征值进行训练，得到所述关键参数的变化趋势，包括：
利用差分整合移动平均自回归模型算法对所述特征值进行差分整合移动平均自回归模型训练；
采用差分整合移动平均自回归模型对关键参数的变化趋势进行预测；
将预测的关键参数分别训练时间序列模型；
采用参数的时间序列模型检测时间序列是否是平稳序列，
如果是，则给出关键参数的预测值，用预测值作为所述实时状态的辅助状态识别；
否则，对该时刻的可控参数进行调控。
6.如权利要求1所述的方法，其特征在于，所述基于预先建立的稳定模式工况库结合所述关键参数的变化趋势预测值，对所述参数状态指标的运行状态进行判断，包括：
根据稳定状态判断指标，并结合所述预测值，对指标的运行状态进行判断：
当判定该时刻的运行状态为异常时，从稳定工况模式库中读取工况记录，得到推荐的目标值；
根据所述目标值对该时刻的可控参数进行调控。
7.如权利要求1所述的方法，其特征在于，所述对采集的实时工况数据中确定之前，还包括：
对采集的数据进行异常值处理、空值处理、离散化处理和归一化处理，其中，所述数据异常值处理、空值处理，通过数据筛选和数据清洗实现，所述离散化处理和归一化处理，由特征简约和数据变换实现。
8.一种调控系统运行变化趋势预测系统，其特征在于，包括：预设模块、训练模块和工况库模块；
所述预设模块，用于基于预先设定的健康状态评估指标、以及影响所述健康状态评估指标的关键参数，从采集的实时工况数据中确定对运行状态判断的特征值；
所述训练模块，用于对所述特征值进行训练，得到所述关键参数的变化趋势；
所述工况库模块，用于基于预先建立的稳定模式工况库结合所述关键参数的变化趋势，对所述稳定参数的判断指标的运行状态进行判断；
所述稳定状态判断指标包括：服务器状态、网络、数据库和应用指标。
9.如权利要求8所述的系统，其特征在于，所述工况库模块的建立，包括：聚类单元、分析单元和指标单元；
所述聚类单元，用于以所述稳定状态的判断指标为特征，对历史工况数据采用K-均值法进行聚类分析；
所述分析单元，用于根据所述聚类分析结果，对工况运行状态进行类别标注和筛选，得到稳定模式工况库；
所述指标单元，用于所述稳定状态的判断指标，将影响稳定的关键参数作为稳定状态的判断指标。
10.如权利要求8所述的系统，其特征在于，所述聚类单元，包括：状态子单元，稳定子单元；
所述状态子单元，用于以所述稳定状态的判断指标为特征，对工况状态进行聚类分析，获得历史工况中的状态分布情况；
所述稳定子单元，用于以所述稳定状态判断指标为特征，采用K-均值法对工况状态进行聚类分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010020970.3A CN111222702A (zh) | 2020-01-09 | 2020-01-09 | 一种调控系统运行变化趋势预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010020970.3A CN111222702A (zh) | 2020-01-09 | 2020-01-09 | 一种调控系统运行变化趋势预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111222702A true CN111222702A (zh) | 2020-06-02 |
Family
ID=70806487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010020970.3A Pending CN111222702A (zh) | 2020-01-09 | 2020-01-09 | 一种调控系统运行变化趋势预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111222702A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417791A (zh) * | 2020-11-19 | 2021-02-26 | 山东山大电力技术股份有限公司 | 基于线性回归与ahp算法的电力设备监视预警方法及系统 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN113673741A (zh) * | 2021-05-25 | 2021-11-19 | 石化盈科信息技术有限责任公司 | 稳态实时优化方法、装置、存储介质及电子设备 |
| CN114878172A (zh) * | 2022-04-26 | 2022-08-09 | 上海船舶运输科学研究所有限公司 | 一种船舶主机气缸温度信号特征提取方法及系统 |
| CN115774847A (zh) * | 2022-11-22 | 2023-03-10 | 上海船舶运输科学研究所有限公司 | 一种柴油机性能评估及预测方法和系统 |
| CN117060409A (zh) * | 2023-10-13 | 2023-11-14 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
-
2020
- 2020-01-09 CN CN202010020970.3A patent/CN111222702A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417791A (zh) * | 2020-11-19 | 2021-02-26 | 山东山大电力技术股份有限公司 | 基于线性回归与ahp算法的电力设备监视预警方法及系统 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN112731159B (zh) * | 2020-12-23 | 2023-09-22 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN113673741A (zh) * | 2021-05-25 | 2021-11-19 | 石化盈科信息技术有限责任公司 | 稳态实时优化方法、装置、存储介质及电子设备 |
| CN114878172A (zh) * | 2022-04-26 | 2022-08-09 | 上海船舶运输科学研究所有限公司 | 一种船舶主机气缸温度信号特征提取方法及系统 |
| CN114878172B (zh) * | 2022-04-26 | 2024-01-26 | 上海船舶运输科学研究所有限公司 | 一种船舶主机气缸温度信号特征提取方法及系统 |
| CN115774847A (zh) * | 2022-11-22 | 2023-03-10 | 上海船舶运输科学研究所有限公司 | 一种柴油机性能评估及预测方法和系统 |
| CN117060409A (zh) * | 2023-10-13 | 2023-11-14 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
| CN117060409B (zh) * | 2023-10-13 | 2023-12-29 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222702A (zh) | 一种调控系统运行变化趋势预测方法和系统 | |
| CN116304766B (zh) | 基于多传感器的开关柜状态快速评估方法 | |
| CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
| CN112987666B (zh) | 电厂机组运行优化调控方法及系统 | |
| CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
| CN111738308A (zh) | 基于聚类及半监督学习的监控指标动态阈值检测方法 | |
| CN112417791B (zh) | 基于线性回归与ahp算法的电力设备监视预警方法及系统 | |
| CN109873425B (zh) | 基于深度学习和用户行为的电力系统调整潮流方法及系统 | |
| CN113570200A (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
| CN112183835B (zh) | 基于机器学习的水导瓦温度趋势预警方法、装置及系统 | |
| CN117494292A (zh) | 一种基于bim和ai大模型的工程进度管理方法及系统 | |
| CN116450482A (zh) | 一种用户异常监测方法、装置、电子设备及存储介质 | |
| CN113689072B (zh) | 一种基于马尔科夫链的海上风电机组运行状态评估方法 | |
| CN110956308A (zh) | 基于时间序列的化工设备健康状态预测方法 | |
| CN110517731A (zh) | 基因检测质量监控数据处理方法和系统 | |
| CN111158338A (zh) | 一种基于主成分分析的化工风险监测方法 | |
| CN111352820A (zh) | 一种高性能应用运行状态预测和监控方法、设备和装置 | |
| CN116030955A (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
| CN113955149B (zh) | 一种电机系统的健康诊断方法和装置 | |
| CN111221704B (zh) | 一种确定办公管理应用系统运行状态的方法及系统 | |
| CN115829122A (zh) | 一种电力客服工单投诉预警方法及系统 | |
| CN115650006A (zh) | 一种基于大数据的电梯安全监测预警方法及系统 | |
| CN115378000A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
| CN110083508B (zh) | 一种数据监控方法及装置 | |
| CN111724048A (zh) | 基于特征工程对成品库调度系统性能数据的特征抽取方法 |
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 |