CN112258342B - 重过载预警方法、装置以及电子设备 - Google Patents
重过载预警方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN112258342B CN112258342B CN202011131319.XA CN202011131319A CN112258342B CN 112258342 B CN112258342 B CN 112258342B CN 202011131319 A CN202011131319 A CN 202011131319A CN 112258342 B CN112258342 B CN 112258342B
- Authority
- CN
- China
- Prior art keywords
- time period
- electric quantity
- data feature
- power supply
- influence factor
- 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.)
- Active
Links
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Abstract
本申请实施例提供的重过载预警方法、装置以及电子设备中基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布对第一数据特征集合和第三数据特征集合中的多个电量影响因子向量进行筛选,所得到的第三数据特征集合中的多个电量影响因子向量均为对第一区域重过载的影响程度较大的电量影响因子向量,因而基于第三数据特征集合得到的第一区域的重过载第一预测结果更准确,从而实现对台区的重过载预警。
Description
技术领域
本申请涉及配电系统领域,更具体的说,是涉及一种重过载预警方法、装置以及电子设备。
背景技术
在电力系统中,台区是指一台供电设备的供电区域,一个台区包括多个负载以及向多个负载供电的供电设备,供电设备的运行状态直接影响台区对多个负载的供电质量。供电设备的重载运行或过载运行是引起台区故障停电的主要原因之一,不仅影响用电的安全性,同时也加速了供电设备的损耗,降低了供电设备的使用寿命。
目前,对台区重载运行或过载运行的处理仍停留在事后处理阶段,即对已发生的重载运行或过载运行的台区进行数据采集和分析,确定台区发生重载运行或过载运行的原因,无法实现对台区的重过载预警。
发明内容
有鉴于此,本申请提供了一种重过载预警方法、装置以及电子设备,以实现对台区的重过载预警。
本申请提供如下技术方案:
一种重过载预警方法,包括:
获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合,所述第一时间段为早于当前时间,且以所述当前时间为终止时间的时间段,所述第二时间段为晚于所述当前时间,且以所述当前时间为起始时间的时间段,所述第一数据特征集合和所述第二数据特征集合均包括多个电量影响因子向量;
获取多个所述电量影响因子向量分别对应的权重;
确定多个所述电量影响因子向量分别对应的第一属性,以得到多个第一属性,所述第一属性表征所述电量影响因子向量对应的属性信息;
获取至少一组第一集合对应的相关系数,所述第一集合包括多个所述第一属性中任意两个不同的第一属性,不同所述第一集合包含的两个第一属性不完全相同;
获取至少一组所述第一集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第一属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化;
针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布;
基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布,从所述第一数据特征集合和所述第二数据特征集合中确定第三数据特征集合,所述第三数据特征集合包括至少一个所述电量影响因子向量;
将所述第三数据特征集合输入至预构建的重过载预警模型;
获得所述重过载预警模型输出的第一预测结果,所述第一预测结果包括所述第二时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行。
优选的,若所述运行状态包括过载运行,所述第一预测结果还包括所述供电设备处于过载运行的时间段;
和/或,若所述运行状态包括重载运行,所述第一预测结果还包括所述供电设备处于重载运行时间段;
和/或,若所述运行状态包括正常运行,所述第一预测结果还包括所述供电设备处于正常运行的时间段。
优选的,若所述运行状态包括过载运行,所述第一预测结果还包括所述供电设备处于过载运行的第一概率;
和/或,若所述运行状态包括重载运行,所述第一预测结果还包括所述供电设备处于重载运行的第二概率;
和/或,若所述运行状态包括正常运行,所述第一预测结果还包括所述供电设备处于正常运行的第三概率。
优选的,还包括:
若所述第一概率大于或等于第一阈值,将运行状态标记图中表征所述第一区域的图标设置为第一标识,所述运行状态标记图包括至少一个区域分别对应的标识,所述至少一个区域包括所述第一区域;
若所述第一概率大于或等于第二阈值,且小于第一阈值,将所述运行状态标记图中表征所述第一区域的图标设置为第二标识;
若所述第一概率小于所述第二阈值,将所述运行状态标记图中表征所述第一区域的图标设置为第三标识。
优选的,所述获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合包括:
获取所述第一区域中第一时间段内各天分别对应的天气信息和时间信息,一天对应的所述天气信息包括:该天的温度、该天的气压,湿度以及降水量中的至少一种,一天对应的所述时间信息包括:该天所属日期、该天所属月份、该天对应的星期、该天是否是节假日以及该天所属季节中的至少一种;
获取所述第一时间段内至少一个负载类型各天分别对应的负载数量以及所述至少一个负载类型各天分别对应的耗电占比,属于所述至少一个负载类型的负载均位于所述第一区域;
获取所述第一时间段中各天分别对应的所述供电设备的运行参数,一天对应的所述运行参数包括过载次数、重载次数、过载时长、重载时长、平均负载率以及最大负载率中的至少一种;
将所述第一时间段内各天对应的温度、湿度、气压、降水量、日期、月份、星期、节假日、季节、所述至少一个负载类型各天分别对应的负载数量、所述至少一个负载类型各天分别对应的耗电占比、所述供电设备各天分别对应过载次数、重载次数、过载时长、重载时长、平均负载率、最大负载率分别作为所述第一数据特征集合中的电量影响因子向量,以获取所述第一数据特征集合;
获取所述第一区域中所述第二时间段内各天分别对应的天气信息和日期信息;
将所述第二时间段内各天对应的温度、湿度、气压、降水量、日期、月份、星期、节假日、季节分别作为所述第二数据特征集合中的所述电量影响因子向量,以获取所述第二数据特征集合。
优选的,还包括:
获取所述第一区域对应的多个历史数据特征集合,一个所述历史数据特征集合包括第一区域第三时间段对应的第六数据特征集合,以及第四时间段对应的第四数据特征集合,所述第三时间段为早于预设历史时间,且以所述预设历史时间为终止时间的时间段,所述第四时间段最早时间晚于所述历史时间,最晚时间早于所述当前时间,所述第六数据特征集合和所述第四数据特征集合均包括多个样本电量影响因子向量;
针对每一所述历史数据特征集合执行以下操作:
获取多个所述样本电量影响因子向量分别对应的权重;
确定多个所述样本电量影响因子向量分别对应的第二属性,以得到多个第二属性,所述第二属性表征所述样本电量影响因子向量对应的属性信息;
获取至少一组第二集合对应的相关系数,所述第二集合包括多个所述第二属性中任意两个不同的第二属性,不同所述第二集合包含的两个第二属性不完全相同;
获取至少一组所述第二集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第二属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化;
针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第二概率分布;
基于多个所述样本电量影响因子向量分别对应的权重、至少一组所述第二集合对应的相关系数、至少一组所述第二集合对应的联合影响度、多个所述电量影响因子向量分别对应的第二概率分布,从所述历史数据特征集合中确定第五数据特征集合,以得到多个所述历史数据特征集合分别对应的第五数据特征集合,所述第五数据特征集合包括至少一个所述样本电量影响因子向量;
将多个所述第五数据特征集合分别输入至机器学习模型;
获得所述机器学习模型输出的多个所述第五数据特征集合分别对应的第二预测结果,一个所述第二预测结果包括第四时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行;
对于每一所述第二预测结果,比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果,以得到多个所述第二预测结果分别对应的比较结果;
基于多个所述比较结果训练所述机器学习模型,以获得所述重过载预警模型。
优选的,
若所述第二预测结果中的所述运行状态为过载运行,所述第二预测结果还包括所述供电设备处于过载运行的第一预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于过载运行的第一真实时间段;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第一预测时间段和所述第一真实时间段,以得到所述比较结果;
和/或,
若所述第二预测结果中的所述运行状态为重载运行,所述第二预测结果还包括所述供电设备处于重载运行的第二预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于重载运行的第二真实时间段;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第二预测时间段和所述第二真实时间段,以得到所述比较结果;
和/或,
若所述第二预测结果中的所述运行状态为正常运行,所述第二预测结果还包括所述供电设备处于正常运行的第三预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于正常运行的第三真实时间段;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第三预测时间段和所述第三真实时间段,以得到所述比较结果。
优选的,若所述第二预测结果中的所述运行状态为过载运行,所述第二预测结果还包括所述供电设备处于过载运行的第一预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于过载运行的第一真实概率;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第一预测概率和所述第一真实概率,以得到所述比较结果;
和/或,
若所述第二预测结果中的所述运行状态为重载运行,所述第二预测结果还包括所述供电设备处于重载运行的第二预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于重载运行的第二真实概率;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第二预测概率和所述第二真实概率,以得到所述比较结果;
和/或,
若所述第二预测结果中的所述运行状态为正常运行,所述第二预测结果还包括所述供电设备处于正常运行的第三预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于重载运行的第三真实概率;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第三预测概率和所述第三真实概率,以得到所述比较结果。
一种重过载预警装置,包括:
第一获取模块,用于获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合;
其中,所述第一时间段为早于当前时间,且以所述当前时间为终止时间的时间段,所述第二时间段为晚于所述当前时间,且以所述当前时间为起始时间的时间段,所述第一数据特征集合和所述第二数据特征集合均包括多个电量影响因子向量;
第二获取模块,用于获取多个所述电量影响因子向量分别对应的权重;
第一确定模块,用于确定多个所述电量影响因子向量分别对应的第一属性,以得到多个第一属性,所述第一属性表征所述电量影响因子向量对应的属性信息;
第三获取模块,用于获取至少一组第一集合对应的相关系数,所述第一集合包括多个所述第一属性中任意两个不同的第一属性,不同所述第一集合包含的两个第一属性不完全相同;
第四获取模块,用于获取至少一组所述第一集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第一属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化;
第五获取模块,用于针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布;
第一筛选模块,用于基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布,从所述第一数据特征集合和所述第二数据特征集合中确定第三数据特征集合,所述第三数据特征集合包括至少一个所述电量影响因子向量;
第一输入模块,用于将所述第三数据特征集合输入至预构建的重过载预警模型;
第六获取模块,用于获得所述重过载预警模型输出的第一预测结果,所述第一预测结果包括所述第一时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行。
一种电子设备,包括:
存储器,用于存储程序;
处理器,用于执行所述程序,所述程序具体用于:
获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合,所述第一时间段为早于当前时间,且以所述当前时间为终止时间的时间段,所述第二时间段为晚于所述当前时间,且以所述当前时间为起始时间的时间段,所述第一数据特征集合和所述第二数据特征集合均包括多个电量影响因子向量;
获取多个所述电量影响因子向量分别对应的权重;
确定多个所述电量影响因子向量分别对应的第一属性,以得到多个第一属性,所述第一属性表征所述电量影响因子向量对应的属性信息;
获取至少一组第一集合对应的相关系数,所述第一集合包括多个所述第一属性中任意两个不同的第一属性,不同所述第一集合包含的两个第一属性不完全相同;
获取至少一组所述第一集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第一属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化;
针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布;
基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布,从所述第一数据特征集合和所述第二数据特征集合中确定第三数据特征集合,所述第三数据特征集合包括至少一个所述电量影响因子向量;
将所述第三数据特征集合输入至预构建的重过载预警模型;
获得所述重过载预警模型输出的第一预测结果,所述第一预测结果包括所述第一时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行。
经由上述的技术方案可知,本申请提供的重过载预警方法、装置以及电子设备中,获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合,其中第一时间段为历史时间段,第二时间段为所要预测的时间段,第一数据特征集合和第二数据特征集合中均包括多个电量影响因子向量。对各个电量影响因子向量进行分析确定每个电量影响因子向量分别对应的权重,该权重表征了电量影响因子向量对第一区域重过载的影响程度。确定多个所述电量影响因子向量分别对应的第一属性,所述第一属性表征所述电量影响因子向量对应的属性信息。获取两个不同第一属性之间的相关系数,若相关系数大于预设阈值,则认为两个第一属性之间为线性相关,即可以用其中一个第一属性中的电量影响因子向量替代另一个第一属性中的电量影响因子向量。获取任意两个第一属性对应联合影响度,其中,联合影响度表征了两个不同第一属性同时作用于第一区域时,为位于第一区域中的各负载供电的供电设备的电量输出变化。在实际应用中可能会出现两个电量影响因子向量分别对应的权重较小,但由于二者属于不同的第一属性,因而二者对第一区域的重过载的联合影响较大的情况,因而在进行筛选时需要考虑不同第一属性对重过载的联合影响度。针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布,一个电量影响因子向量的概率分布表征了该电量影响因子向量的离散度,若该电量影响因子向量过于集中于某一阈值范围,则说明该电量影响因子向量变化较小,对预测第一区域重过载的参考意义较小。
基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布,从所述第一数据特征集合和中确定第二数据特征集合。将所述第二数据特征集合输入至预构建的重过载预警模型,以获得所述重过载预警模型输出的对所述供电设备的在第二时间段内的运行状态的第一预测结果,。
综上,本申请实施例提供的重过载预警方法中基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布对第一数据特征集合和第三数据特征集合中的多个电量影响因子向量进行筛选,所得到的第三数据特征集合中的多个电量影响因子向量均为对第一区域重过载的影响程度较大的电量影响因子向量,因而基于第三数据特征集合得到的第一区域的重过载第一预测结果更准确,从而实现对台区的重过载预警。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种重过载预警方法的流程示意图;
图2为本申请实施例提供的一种第一数据特征集合和第二数据特征集合的一种实现方式的流程图;
图3为本申请实施例提供的一种重过载预警模型的构建过程的流程图;
图4为本申请实施例提供的一种重过载预警装置的结构图;
图5为本申请实施例提供的电子设备的一种实现方式的结构图。
具体实施方式
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,都属于本申请保护的范围。
本申请实施例提供了一种重过载预警方法、装置以及电子设备。在详细介绍本申请实施例提供的技术方案之前,在这里先对本申请实施例所涉及的应用场景进行简单的介绍。
在电力系统中,台区是指一台供电设备的供电区域,一个台区包括多个负载以及向多个负载供电的供电设备。本申请实施例中将任意一个台区称为第一区域对技术方案进行介绍。
位于第一区域的供电设备的运行状态直接影响该供电设备对位于第一区域的多个负载的供电质量。供电设备的运行状态可以基于供电设备当前的供电功率与供电设备的额定供电功率的大小划分为:重载运行、过载运行以及正常运行。
下面举例对重载运行、过载运行以及正常运行进行说明。
示例性的,本申请实施例中,若供电设备连续2小时及以上负载率达到80%,则确定所述供电设备处于重载运行;若供电设备连续2小时及以上负载率达到100%,则确定所述供电设备处于过载运行;若供电设备处于除重载运行和过载运行外的其他状态,则确定所述供电设备处于正常运行。
可以理解的是,第一区域内的供电设备长期处于重载运行或过载运行,不仅影响用电的安全性,同时也加速了供电设备的损耗,降低了供电设备的使用寿命,因而如何实现对台区重过载预警成为电力系统亟需解决的问题。
基于以上原因,本申请实施例提供了一种重过载预警方法、装置、电子设备和存储介质。该方法中基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的概率分布对第一数据特征集合和第二数据特征集合中的多个电量影响因子向量进行筛选,所得到的第三数据特征集合中的多个电量影响因子向量均为对第一区域重过载的影响程度较大的电量影响因子向量,因而基于第三数据特征集合得到的第一区域的重过载预测结果更准确,从而实现对台区的重过载预警。
下面对本申请实施例提供的一种重过载预警方法进行详细的说明。
如图1所示,为本申请实施例提供的一种重过载预警方法的流程示意图。该方法在实施过程中包括以下步骤S101至步骤S109。
步骤S101:获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合。
示例性的,所述第一时间段为早于当前时间,且以所述当前时间为终止时间的时间段,所述第二时间段为晚于所述当前时间,且以所述当前时间为起始时间的时间段。
示例性的,所述第一数据特征集合和所述第二数据特征集合均包括多个电量影响因子向量
示例性的,一个所述电量影响因子向量为影响位于所述第一区域的供电设备对多个负载进行供电的影响因素。
示例性的,不同电量影响因子向量的维度可以相同,例如,可以用元素0填充较低维度的电量影响影子向量,以使得较低维度的电量影响影子向量的维度能够达到较高维度。
示例性的,不同电量影响因子向量的维度可以不相同。
下面以具体实例对第一时间端、第二时间段以及电量影响因子向量进行介绍。
第一时间段为历史时间段,第二时间段为预测时间段。例如,第一时间段可以是早于当前时间7天的时间段,第二时间段可以是晚于当前时间3天的时间段。
第一时间段对应的第一数据特征集合包含的多个电量影响因子向量可以为上述7天中各天对应的电量影响因子向量,第二时间段对应的第二数据特征集合包含的多个电量影响因子向量可以为上述未来3天中各天对应的电量影响因子向量。第二时间段对应的第二数据特征集合包含的多个电量影响因子向量可以为未来3天中各天对应的天气信息,如温度、气压、降水量、湿度中的一种或多种,以及时间信息,如日期、月份、是否为节假日中的一种或多种。
示例性的,第一时间段可以包括当前时间。例如,当前时间为T日,则第一时间段可以为(T日、T-1日、T-2日、T-3日、T-4日、T-5日以及T-6日),第二时间段可以为(T+1日、T+2日、T+3日)。相应的,第一数据特征集合为T日、T-1日、T-2日、T-3日、T-4日、T-5日以及T-6日各天分别对应的多个电量影响因子向量的合集,第二数据特征集合为T+1日、T+2日、T+3日各天分别对应多个电量影响因子向量的合集。
步骤S102:获取多个所述电量影响因子向量分别对应的权重。
示例性的,不同的电量影响因子向量对供电设备向多个负载进行供电的影响程度不同。一个所述电量影响因子向量对应的权重表征该电量影响因子向量对供电设备向多个负载进行供电的影响程度。
示例性的,可运用random forest(随机森林)算法计算所述多个所述电量影响因子向量分别对应的权重。
示例性的,一个所述电量影响因子向量对供电设备向多个负载进行供电的影响程度越大,其对应的权重越大。
示例性的,多个所述电量影响因子向量分别对应的权重均为大于或等于0且小于或等于1的任意数值。
示例性的,多个所述电量影响因子向量分别对应的权重之和等于1。
步骤S103:确定多个所述电量影响因子向量分别对应的第一属性。
其中,所述第一属性表征所述电量影响因子向量对应的属性信息。
例如,对于电量影响因子向量T日过载次数、T-1日过载次数、T-2日过载次数其第一属性均为“过载次数”;对于电量影响因子向量T日温度、T-1日温度、T+1日温度,其第一属性均为“温度”
步骤S104:获取至少一组第一集合对应的相关系数。
其中,所述第一集合包括个所述第一属性中任意两个不同的第一属性,不同所述第一集合包含的两个第一属性不完全相同。
示例性的,若多个所述电量影响因子向量分别对应的第一属性为4个,包括:第一属性1、第一属性2、第一属性3以及第一属性4。
所述第一集合包括:{第一属性1、第一属性2},{第一属性2、第一属性3}、{第一属性3、第一属性4}、{第一属性1、第一属性3}{第一属性1、第一属性4}以及{第一属性2、第一属性4}。
示例性的,所述相关系数表征了第一集合中两个电量影响因子向量之间的相关性程度。
其中,ρX,Y表示电量影响因子向量X与电量影响因子向量Y的相关系数,COV(X,Y)表示电量影响因子向量X与电量影响因子向量Y的协方差,σX表示电量影响因子向量X的平均值,σY表示电量影响因子向量Y的平均值。
示例性的,所述相关系数ρXY取值在-1到1之间,ρXY=0时,称X,Y不相关;|ρXY|=1时,称X,Y完全相关,此时,X,Y之间具有线性函数关系;|ρXY|<1时,X的变动引起Y的部分变动,ρXY的绝对值越大,X的变动引起Y的变动就越大,|ρXY|>第一值时称为高度相关,当|ρXY|<第二值时称为低度相关,其它时候为中度相关。
第一值大于第二值,示例性的,第一值=0.8,第二值=0.3仅为示例,0.8和0.3仅为示例,对此本申请实施例对此并不限定。
示例性,在本申请实施例中若相关系数ρXY表征X,Y完全相关或高度相关,则用电量影响因子向量X替换电量影响因子向量Y,或者用电量影响因子向量Y替换电量影响因子向量X,以减少运算过程。
上述运算过程包括训练得到重过载预警模型的训练过程;以及,重过载预警模型基于第二数据特征集合得到第一预测结果的计算过程。
步骤S105:获取至少一组所述第一集合对应的联合影响度。
一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同的第一属性的同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化。
示例性的,在实际应用中可能会出现两个不同第一属性的电量影响因子向量分别对应的权重较大,但二者对第一区域的重过载的联合影响较小的情况。
示例性的,在实际应用中可能会出现两个不同第一属性的电量影响因子向量分别对应的权重相差悬殊,但二者对第一区域的重过载的联合影响较小或较大的情况。
示例性的,在实际应用中可能会出现两个不同第一属性的电量影响因子向量分别对应的权重较小,但二者属于不同的第一属性,因而对第一区域的重过载的联合影响较大的情况。
因而在进行筛选时需要考虑不同第一属性对重过载的联合影响度。
下面以两个不同的第一属性分别为湿度和气压为例,对联合影响度进行介绍。假设若电量影响因子向量的权重小于第三值,说明该电量影响因子向量对供电设备向多个负载进行供电的影响程度较小。下面以联合影响度取值在0到1之间,且,湿度和气压均为1×1维向量,第三值为0.5为例进行说明。
例如,若T日湿度对应的权重为0.2、T日气压对应的权重为0.3,T日湿度和T日气压均小于0.5,可见T日湿度和T日湿度对供电设备向多个负载进行供电的影响程度较小。若计算得到的湿度和气压对供电设备向多个负载进行供电的联合影响度大于或等于0.5,则说明湿度和气压不同的第一属性对供电设备向多个负载进行供电的联合影响较大,因而在进行筛选电量影响因子向量时需要将T日湿度和T日湿度筛选入第三数据特征集合。
步骤S106:针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布。
示例性的,若电量影响因子向量的维度为1×1维向量,那么,该电量影响因子向量对应的第一概率分布为0—1分布。
示例性的,若电量影响因子向量的维度为多维向量,那么,一个电量影响因子向量的第一概率分布表征了该电量影响因子向量包含的所有元素的离散度,若该电量影响因子向量包含的所有元素的过于集中于某一阈值范围,则说明该电量影响因子向量变化较小,对预测位于第一区域的供电设备的运行状态的参考意义较小。
下面以电量影响因子向量为温度向量为例,对电量影响因子向量对应的概率分布进行介绍。
示例性的,温度是影响供电设备对负载供电的重要影响因子,即温度作为电量影响因子向量时,所对应的权重较大。
在夏季温度越高,位于第一区域的空调(负载的一种)运行时长大大增加,供电设备的供电量可能大大增加。而在春季由于温度适宜,位于第一区域的空调运行时长大大减小,甚至不运行,使得供电设备的供电量大大降低。
然而,在短时期内,温度的变化可能不大,例如温度在一周以内保持在20度至22度,因而温度对预测第一区域重过载的参考意义较小,因而,若在短时间内预测,例如未来三天,可以不考虑温度向量,即不将温度向量筛选入第三数据特征集合。
示例性的,若长时间预测,例如未来一个月,需要考虑温度向量,即将温度向量筛选入第三数据特征集合。
步骤S107:基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的概率分布,从所述第一数据特征集合和第二数据特征集合中确定第三数据特征集合。
示例性的,可针对所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的概率分布设置不同的阈值,从而从所述第一数据特征集合和第二数据特征集合确定第三数据特征集合。
例如,权重对应的第一阈值为0.5,相关系统对应的第二阈值为0.8,联合影响度对应的第三阈值0.5,第一概率分布对应的第四阈值为0.9。
步骤S108:将所述第三数据特征集合输入至预构建的重过载预警模型。
步骤S109:获得所述重过载预警模型输出的第一预测结果。
其中,所述第一预测结果为第一时间段内所述供电设备的在第二时间段内的运行状态,所述运行状态包括:正常运行和/或过载运行和/或重载运行。
示例性的,若供电设备当前的供电功率大于或等于供电设备的额定供电功率的80%,且小于或等于供电设备的额定供电功率,则确定所述供电设备处于重载运行,若供电设备当前的供电功率大于供电设备的额定供电功率,则确定所述供电设备处于过载运行,若供电设备当前的供电功率小于所述供电设备的额定供电功率的80%,则确定所述供电设备处于正常运行。
经由上述的技术方案可知,本申请提供的重过载预警方法中,获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合,其中第一时间段为历史时间段,第二时间段为所要预测的时间段,第一数据特征集合和第二数据特征集合中均包括多个电量影响因子向量。对各个电量影响因子向量进行分析确定每个电量影响因子向量分别对应的权重,该权重表征了电量影响因子向量对第一区域重过载的影响程度。确定多个所述电量影响因子向量分别对应的第一属性,所述第一属性表征所述电量影响因子向量对应的属性信息。获取两个不同第一属性之间的相关系数,若相关系数大于预设阈值,则认为两个第一属性之间为线性相关,即可以用其中一个第一属性中的电量影响因子向量替代另一个第一属性中的电量影响因子向量。获取任意两个第一属性对应联合影响度,其中,联合影响度表征了两个不同第一属性同时作用于第一区域时,为位于第一区域中的各负载供电的供电设备的电量输出变化。在实际应用中可能会出现两个电量影响因子向量分别对应的权重较小,但由于二者属于不同的第一属性,因而二者对第一区域的重过载的联合影响较大的情况,因而在进行筛选时需要考虑不同第一属性对重过载的联合影响度。针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布,一个电量影响因子向量的概率分布表征了该电量影响因子向量的离散度,若该电量影响因子向量过于集中于某一阈值范围,则说明该电量影响因子向量变化较小,对预测第一区域重过载的参考意义较小。
基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布,从所述第一数据特征集合和中确定第二数据特征集合。将所述第二数据特征集合输入至预构建的重过载预警模型,以获得所述重过载预警模型输出的对所述供电设备的在第二时间段内的运行状态的第一预测结果,。
综上,本申请实施例提供的重过载预警方法中基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布对第一数据特征集合和第三数据特征集合中的多个电量影响因子向量进行筛选,所得到的第三数据特征集合中的多个电量影响因子向量均为对第一区域重过载的影响程度较大的电量影响因子向量,因而基于第三数据特征集合得到的第一区域的重过载预测结果更准确,从而实现对台区的重过载预警。
在一可选实施例中,为了掌握第一区域在第一时间段内供电设备的各个时间段的具体运行状态,以便后续有针对性的对第一区域的供电设备进行调整。本申请实施例提供了获取重过载预警模型输出的第一预测结果的一种实现方式。
该实现方式包括:步骤A1至步骤A3。
步骤A1:若所述第一预测结果表征在第二时间段内所述供电设备出现过载运行,所述第一预测结果还包括所述供电设备处于过载运行的时间段。
和/或,
步骤A2若所述第一预测结果表征在第二时间段内所述供电设备出现重载运行,所述第一预测结果还包括所述供电设备处于重载运行的时间段;
和/或,
步骤A3:若所述第一预测结果表征在第二时间段内所述供电设备出现正常运行,所述第一预测结果还包括所述供电设备处于正常运行的时间段。
下面以具体实例为例,第一预测结果。
下面是所述第一预测结果中所述供电设备在一天内各时间段的运行状态,例如,0:00至6:00,所述供电设备的运行状态为正常运行;6:00至12:00,所述供电设备的运行状态为重载运行;12:00至22:00,所述供电设备的运行状态为过载运行;22:00至24:00,所述供电设备的运行状态为正常运行。则所述第一预测结果包括各运行状态分别对应的时间段,即供电设备正常运行时刻为0:00至6:00,以及22:00至24:00,正常运行的时长为8个小时;供电设备重载运行的时刻为6:00至12:00,重载运行的时长为6个小时;供电设备过载运行的时刻为12:00至22:00,过载运行的时长为10个小时。
在本申请实施例中可基于预测结果掌握第一区域在第二时间段内供电设备的在各个时间段内具体运行状态,因而可在各个时间段对第一区域的供电设备进行针对性调整。
在一可选实施例中,为了实现对第一区域内各台区的重过载的准确预警,本申请实施例提供了获取重过载预警模型输出的预测结果的另一种实现方式。
该实现方式包括:
步骤B1:若所述第一预测结果表征在第二时间段内所述供电设备出现过载运行,所述第一预测结果还包括所述供电设备处于重载运行的第二概率。
和/或,
步骤B2:若所述预测结果表征在第二时间段内所述供电设备出现重载运行,所述第一预测结果还包括所述供电设备处于重载状态的第二概率;
和/或,
步骤B3:若所述预测结果表征在第二时间段内所述供电设备正常运行,所述第一预测结果还包括所述供电设备处于正常状态的第三概率。
在本申请实施例中,第一概率表征在第二时间段内所述供电设备处于过载允许的概率,第二概率表征第二时间段内所述供电设备处于重载运行的概率,第三概率表征第二时间段内所述供电设备处于正常运行的概率。若第一概率较高,则说明第一区域在第一时间段内发生过载的概率较高,从而实现对第一区域内各台区的重过载的准确预警。
在一可选实施例中,由于过载状态超出了供电设备的额定供电功率,因而更需要对处于过载状态的供电设备进行监控。为此,本申请实施例提供了一种对处于过载状态的供电设备的标记方法,以便后续对处于过载状态的供电设备进行监控。该方法包括:
步骤C1:若所述第一概率大于或等于第一阈值,将运行状态标记图中表征所述第一区域的图标设置为第一标识。
步骤C2:若所述第一概率大于或等于第二阈值,且小于第一阈值,将所述运行状态标记图中表征所述第一区域的图标设置为第二标识。
步骤C3:若所述第一概率小于所述第二阈值,将所述运行状态标记图中表征所述第一区域的图标设置为第三标识。
示例性的,所述运行状态标记图包括至少一个区域分别对应的标识,所述至少一个区域包括所述第一区域。
示例性的,所述第一阈值大于所述第二阈值,例如,所述第一阈值为80%,所述第二阈值为60%。
即,若第一概率大于后等于80%,则第一区域为高风险区域,若第一概率大于或等于60%,小于80%,则第一区域为中风险区域,若第一概率小于60%,则第一区域为低风险区域。
示例性的,可基于第一区域的风险等级为第一区域设备不同的标识。例如,若第一区域为高风险区域,则为第一区域设置第一标识,若第一区域为中风险区域,则为第一区域设置第二标识,若第一区域为低风险区域,则为第一区域设置第三标识。
示例性的,所述第一标识、所述第二标识和所述第三标识可为不同形状或不同颜色的标识。
例如,所述第一标识为红色,所第二标识为黄色、所述第三标识为绿色。
示例性的,所述第一标识、所述第二标识和所述第三标识可采用闪烁的方式显示。
在本申请实施例中并不局限所述第一标识、所述第二标识和所述第三标识的颜色和形状,所述第一标识、所述第二标识和所述第三标识可以为不同形状和不同颜色的组合。
在一可选实施例中,本申请实施例公开了一种获取第一数据特征集合和第二数据特征集合的实现方式。
如图2所示,为本申请实施例提供的一种获取第一数据特征集合和第二数据特征集合的一种实现方式的流程图。该实现方式包括:步骤S201至步骤S206。
步骤S201:获取所述第一区域中第一时间段内各天分别对应的天气信息和时间信息。
一天对应的所述天气信息包括:该天的温度、该天的气压,湿度以及降水量中的至少一种,一天对应的所述时间信息包括:该天所属日期、该天所属月份、该天对应的星期、该天是否是节假日以及该天所属季节中的至少一种。
步骤S202:获取所述第一时间段内至少一个负载类型各天分别对应的负载数量以及所述至少一个负载类型各天分别对应的耗电占比。
一个所述负载类型对应至少一个位于所述第一区域的负载。
示例性的,所述负载类型可以基于不同的角度划分。例如,若负载类型为用电类型,可将负载类型划分为高用电量负载、中用电量负载以及低用电量负载;若负载类型为行业类型,可将负载类型划分为生产类用电负载、生活类用电负载以及服务类用电负载;若负载类型为城市类型,可将负载类型划分为一级城市用电负载、二级城市用电负载、以及三级城市用户负载。
步骤S203:获取所述第一时间段中各天分别对应的所述供电设备的运行参数。
一天对应的所述运行参数包括过载次数、重载次数、过载时长、重载时长、平均负载率以及最大负载率中的至少一种。
步骤S204:将所述第一时间段内各天对应的温度、湿度、气压、降水量、日期、月份、星期、节假日、季节、所述至少一个负载类型各天分别对应的负载数量、所述至少一个负载类型各天分别对应的耗电占比、所述供电设备各天分别对应过载次数、重载次数、过载时长、重载时长、平均负载率、最大负载率分别作为所述第一数据特征集合中的电量影响因子向量,以获取所述第一数据特征集合。
步骤S205:获取所述第一区域中所述第二时间段内各天分别对应的天气信息和日期信息。
所述天气信息至少包括:温度、气压,湿度以及降水中的至少一种,所述日期信息至少包括:月份、星期、节假日以及季节中的至少一种。
步骤S206:将所述第二时间段内各天对应的温度、湿度、气压、降水量、日期、月份、星期、节假日、季节分别作为所述第二数据特征集合中的所述电量影响因子向量,以获取所述第二数据特征集合
在一可选实施例中,本申请实施例中还提供了重过载预警模型的构建方法。
如图3所示,为本申请实施例提供的一种重过载预警模型的构建过程的流程图。该过程包括:步骤S301至步骤S311。
步骤S301:获取所述第一区域对应的多个历史数据特征集合。
一个所述历史数据特征集合包括第一区域第三时间段对应的第六数据特征集合,以及第四时间段对应的第四数据特征集合,所述第三时间段为早于预设历史时间,且以所述预设历史时间为终止时间的时间段,所述第四时间段最早时间晚于所述历史时间,最晚时间早于所述当前时间,所述第六数据特征集合和所述第四数据特征集合均包括多个样本电量影响因子向量。
示例性的,在本申请实施例中,多个历史时间分别对应的历史数据特征集合中包含的元素与当前时间对应的第一数据特征特征向量集合包含的元素相同。
示例性的,不同历史时间对应的历史数据特征集合中各元素对应的元素值可能不同。
示例性的,对于一个历史时间而言,该历史时间对应的第三数据特征包括:
第三时间段内各天分别对应的天气信息和日期信息,所述天气信息至少包括:温度、气压,湿度以及降水,所述日期信息至少包括:月份、星期、节假日以及季节
所述第三时间段内所述第一区域对应的至少一个负载类型分别对应的负载数量以及耗电占比,一个所述负载类型对应至少一个位于所述第一区域的负载。
所述第三时间段中各天分别对应的所述供电设备的过载次数、重载次数、过载时长、重载时长、平均负载率以及最大负载率。
该历史时间对应第四数据特征集合包括:
第四时间段内各天对应的天气信息和日期信息,所述天气信息至少包括:温度、气压,湿度以及降水,所述日期信息至少包括:月份、星期、节假日以及季节。
针对每一所述历史数据特征集合执行步骤S302至步骤S307的操作步骤S302:获取多个所述样本电量影响因子向量分别对应的权重。
步骤S303:确定多个所述样本电量影响因子向量分别对应的第二属性。
步骤S304:获取至少一组第二集合对应的相关系数。
所述第二集合包括多个所述第二属性中任意两个不同的第二属性,不同所述第二集合包含的两个第二属性不完全相同。
步骤S305:获取至少一组所述第二集合对应的联合影响度。
一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第二属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化。
步骤S306:针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第二概率分布。
步骤S307:基于多个所述样本电量影响因子向量分别对应的权重、至少一组所述第二集合对应的相关系数、至少一组所述第二集合对应的联合影响度、多个所述电量影响因子向量分别对应的第二概率分布,从所述历史数据特征集合中确定第五数据特征集合,以得到多个所述历史数据特征集合分别对应的第五数据特征集合。
所述第五数据特征集合包括至少一个所述电量影响因子向量;
步骤S308:将多个所述第五数据特征集合分别输入至机器学习模型。
示例性的,机器学习模型可以为神经网络模型、逻辑回归模型、线性回归模型、LIGHTGBM模型、支持向量机(SVM)、Adaboost、XGboost、Transformer-Encoder模型中任一种模型。
示例性的,神经网络模型可以为基于循环神经网络的模型、基于卷积神经网络的模型、基于Transformer-encoder的分类模型中的任一种。
示例性的,机器学习模型可以为基于循环神经网络的模型、基于卷积神经网络的模型以及基于Transformer-encoder的分类模型的深度混合模型。
示例性的,机器学习模型可以为基于注意力的深度模型、基于记忆网络的深度模型、基于深度学习的短文本分类模型中任一种。
基于深度学习的短文本分类模型为循环神经网络(RNN)或卷积神经网络(CNN)或者基于循环神经网络或卷积神经网络的变种。
示例性的,可以在已经预训练好的模型上做一些简单的领域适应性改造,以得到机器学习模型。
示例性的,“简单的领域适应性改造”包括但不限于在已经预训练好的模型上,再次利用大规模无监督领域语料进行二次预训练,和/或,通过模型蒸馏的方式对已经预训练好的模型进行模型压缩。
示例性的可以对机器学习模型实行有监督学习和半监督学习。半监督学习是有监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。
步骤S309:获得所述机器学习模型输出的多个所述第五数据特征集合分别对应的第二预测结果。
一个所述第二预测结果包括第四时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行。
示例性的,步骤S301至步骤S309的具体实现过程可参见图1中步骤S101至步骤S109,在此不再赘述。
步骤S310:对于每一所述第二预测结果,比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果,以得到多个所述第二预测结果分别对应的比较结果。
步骤S311:基于多个所述比较结果训练所述机器学习模型,以获得所述重过载预警模型。
可以理解的是,本申请实施例并不局限重过载预警模型训练方法,本领域技术人员可基于当前工作条件选择相适应的训练方法训练得到重过载预警模型。
示例性的,采用多个电量影响因子向量逐渐迭代的方式,对重过载预警模型进行训练、优化。
在一可选实施例中,步骤S310中比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
步骤D1:若所述第二预测结果中的所述运行状态为过载运行,所述第二预测结果还包括所述供电设备处于过载运行的第一预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于过载运行的第一真实概率。
步骤D2:比较所述第一预测概率和所述第一真实概率,以得到所述比较结果。
示例性的,若确定所述供电设备在第四时间段内处于过载状态,则所述第一真实概率为1,若确定所述供电设备在第四时间段内处于非过载状态,则所述第一真实概率为0。
和/或,
步骤D3:若所述第二预测结果中的所述运行状态为重载运行,所述第二预测结果还包括所述供电设备处于重载运行的第二预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于重载运行的第二真实概率。
步骤D4:比较所述第二预测概率和所述第二真实概率,以得到所述比较结果。
示例性的,若确定所述供电设备在第四时间段内处于重载状态,则所述第二真实概率为1,若确定所述供电设备在第四时间段内处于非重载状态,则所述第二真实概率为0。
和/或,
步骤D5:若所述第二预测结果中的所述运行状态为正常运行,所述第二预测结果还包括所述供电设备处于正常运行的第三预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于重载运行的第三真实概率。
步骤D6:比较所述第三预测概率和所述第三真实概率,以得到所述比较结果。
示例性的,若确定所述供电设备在第四时间段内处于正常状态,则所述第三真实概率为1,若确定所述供电设备在第四时间段内处于非正常状态,则所述第三真实概率为0。
在一可选实施例中,步骤S310中所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果还包括:
步骤E1:若所述第二预测结果中的所述运行状态为过载运行,所述第二预测结果还包括所述供电设备处于过载运行的第一预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于过载运行的第一真实时间段。
步骤E2:比较所述第一预测时间段和所述第一真实时间段,以得到所述比较结果。
示例性的,所述供电设备在第四时间段内处于过载运行的真实时刻和真实时长可基于电力系统的历史数据获得。
和/或,
步骤E3:若所述第二预测结果中的所述运行状态为重载运行,所述第二预测结果还包括所述供电设备处于重载运行的第二预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于重载运行的第二真实时间段。
步骤E4:比较所述第二预测时间段和所述第二真实时间段,以得到所述比较结果。
和/或,
步骤E5:若所述第二预测结果中的所述运行状态为正常运行,所述第二预测结果还包括所述供电设备处于正常运行的第三预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于正常运行的第三真实时间段。
步骤E6:比较所述第三预测时间段和所述第三真实时间段,以得到所述比较结果。
上述本申请提供的实施例中详细描述了方法,对于本申请的方法可采用多种形式的装置实现,因此本申请还提供了一种重过载预警装置,下面给出具体的实施例进行详细说明。
在一可选实施例中,本申请实施例提供了一种重过载预警装置。如图4所示,为本申请实施例提供的一种重过载预警装置的结构图。
该装置包括:第一获取模块401、第二获取模块402、第一确定模块403、第三获取模块404、第四获取模块405、第五获取模块406、第一筛选模块407第一输入模块408以及第六获取模块409。
第一获取模块401,用于获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合。
其中,所述第一时间段为早于当前时间,且以所述当前时间为终止时间的时间段,所述第二时间段为晚于所述当前时间,且以所述当前时间为起始时间的时间段,所述第一数据特征集合和所述第二数据特征集合均包括多个电量影响因子向量。
第二获取模块402,用于获取多个所述电量影响因子向量分别对应的权重。
第一确定模块403,用于确定多个所述电量影响因子向量分别对应的第一属性,以得到多个第一属性,所述第一属性表征所述电量影响因子向量对应的属性信息。
第三获取模块404,用于获取至少一组第一集合对应的相关系数,所述第一集合包括多个所述第一属性中任意两个不同的第一属性,不同所述第一集合包含的两个第一属性不完全相同。
第四获取模块405,用于获取至少一组所述第一集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第一属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化。
第五获取模块406,用于针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布。
第一筛选模块407,用于基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布,从所述第一数据特征集合和所述第二数据特征集合中确定第三数据特征集合,所述第三数据特征集合包括至少一个所述电量影响因子向量。
第一输入模块408,用于将所述第三数据特征集合输入至预构建的重过载预警模型。
第六获取模块409,用于获得所述重过载预警模型输出的第一预测结果,所述第一预测结果包括所述第一时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行。
可以理解的是,本申请实施例提供的重过载预警装置的实施例与图1中提供的重过载预警方法的实施例相适应,该装置实施例的具体实现过程可参见图1中方法实施例的实现过程,在此不再赘述。
示例性的,第六获取模块包括:
第一获取单元,用于若所述第一预测结果的所述运行状态包括过载运行,获取所述供电设备处于过载运行的时间段。
和/或,
第二获取单元,用于若所述第一预测结果的所述运行状态包括重载运行,获取所述供电设备处于重载运行的时间段。
和/或,
第三获取单元,用于若所述第一预测结果的所述运行状态包括正常运行,获取所述供电设备处于正常状态的时刻和时长。
示例性的,所述第六获取模块还包括:
第四获取单元,用于若所述第一预测结果的所述运行状态包括重载运行,获取所述供电设备处于过载状态的第一概率。
和/或,
第五获取单元,用于若所述第一预测结果的所述运行状态包括重载运行,获取所述供电设备处于重载状态的第二概率。
和/或,
第六获取单元,用于若所述第一预测结果的所述运行状态包括正常运行,获取所述供电设备处于正常状态的第三概率。
示例性的,所述第一获取模块包括:
第七获取单元,用于获取所述第一区域中第一时间段内各天分别对应的天气信息和时间信息,一天对应的所述天气信息包括:该天的温度、该天的气压,湿度以及降水量中的至少一种,一天对应的所述时间信息包括:该天所属日期、该天所属月份、该天对应的星期、该天是否是节假日以及该天所属季节中的至少一种。
第八获取单元,用于获取所述第一时间段内至少一个负载类型各天分别对应的负载数量以及所述至少一个负载类型各天分别对应的耗电占比,一个所述负载类型对应至少一个位于所述第一区域的负载。
第九获取子单元,用于获取所述第一时间段中各天分别对应的所述供电设备的运行参数,一天对应的所述运行参数包括过载次数、重载次数、过载时长、重载时长、平均负载率以及最大负载率中的至少一种。
第一确定单元,用于将所述第一时间段内各天对应的温度、湿度、气压、降水量、日期、月份、星期、节假日、季节、所述至少一个负载类型各天分别对应的负载数量、所述至少一个负载类型各天分别对应的耗电占比、所述供电设备各天分别对应过载次数、重载次数、过载时长、重载时长、平均负载率、最大负载率分别作为所述第一数据特征集合中的电量影响因子向量,以获取所述第一数据特征集合。
第十获取子单元,用于获取所述第一区域中所述第二时间段内各天分别对应的天气信息和日期信息。
第二确定单元,用于将所述第二时间段内各天对应的温度、湿度、气压、降水量、日期、月份、星期、节假日、季节分别作为所述第二数据特征集合中的所述电量影响因子向量,以获取所述第二数据特征集合。
示例性的,所述重过载预警装置还包括:第一构建模块,用于构建所述重过载预警模型。
示例性的,所述第一构建模块包括:
第一构建单元,用于获取第一区域获取所述第一区域对应的多个历史数据特征集合。
一个所述历史数据特征集合包括第一区域第三时间段对应的第六数据特征集合,以及第四时间段对应的第四数据特征集合,所述第三时间段为早于预设历史时间,且以所述预设历史时间为终止时间的时间段,所述第四时间段最早时间晚于所述历史时间,最晚时间早于所述当前时间,所述第六数据特征集合和所述第四数据特征集合均包括多个样本电量影响因子向量。
第二构建单元,用于获取多个所述样本电量影响因子向量分别对应的权重。
第三构建单元,用于确定多个所述样本电量影响因子向量分别对应的第二属性。
第四构建单元获取至少一组第二集合对应的相关系数,所述第二集合包括多个所述第二属性中任意两个不同的第二属性,不同所述第二集合包含的两个第二属性不完全相同。
第五构建单元,用于获取至少一组所述第二集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第二属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化。
第六构建单元,用于针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第二概率分布。
第七构建单元,用于基于多个所述样本电量影响因子向量分别对应的权重、至少一组所述第二集合对应的相关系数、至少一组所述第二集合对应的联合影响度、多个所述电量影响因子向量分别对应的第二概率分布,从所述历史数据特征集合中确定第五数据特征集合,以得到多个所述历史数据特征集合分别对应的第五数据特征集合,所述第五数据特征集合包括至少一个所述样本电量影响因子向量。
第八构建单元,用于将多个所述第五数据特征集合分别输入至机器学习模型。
第九构建单元,用于获得所述机器学习模型输出的多个所述第五数据特征集合分别对应的第二预测结果,一个所述第二预测结果包括第四时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行。
第一比较单元,对于每一所述第二预测结果,比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果,以得到多个所述第二预测结果分别对应的比较结果。
第一训练单元,用于基于多个所述比较结果训练所述机器学习模型,以获得所述重过载预警模型。
示例性的,所述第一比较单元包括:
第一获取子单元,若所述第二预测结果中的所述运行状态为过载运行,所述第二预测结果还包括所述供电设备处于过载运行的第一预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于过载运行的第一真实时间段:
比较所述第一预测时间段和所述第一真实时间段,以得到所述比较结果。
和/或;
第二获取子单元,用于若所述第二预测结果中的所述运行状态为重载运行,所述第二预测结果还包括所述供电设备处于重载运行的第二预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于重载运行的第二真实时间段;
比较所述第二预测时间段和所述第二真实时间段,以得到所述比较结果。
和/或,
第三获取子单元,用于若所述第二预测结果中的所述运行状态为正常运行,所述第二预测结果还包括所述供电设备处于正常运行的第三预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于正常运行的第三真实时间段;
比较所述第三预测时间段和所述第三真实时间段,以得到所述比较结果。
示例性的,所述第一比较单元还包括:
第四获取子单元,所述第二预测结果中的所述运行状态为过载运行,所述第二预测结果还包括所述供电设备处于过载运行的第一预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于过载运行的第一真实概率;
比较所述第一预测概率和所述第一真实概率,以得到所述比较结果。
和/或,
第五获取子单元,用于若所述第二预测结果中的所述运行状态为重载运行,所述第二预测结果还包括所述供电设备处于重载运行的第二预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于重载运行的第二真实概率;
比较所述第二预测概率和所述第二真实概率,以得到所述比较结果。
和/或,
第六获取子单元,用于若所述第二预测结果中的所述运行状态为正常运行,所述第二预测结果还包括所述供电设备处于正常运行的第三预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于重载运行的第三真实概率;
比较所述第三预测概率和所述第三真实概率,以得到所述比较结果。
示例性的,所述重过载预警装置还包括:
第一标记模块,用于若所述第一概率大于或等于第一阈值,确定所述第一区域为高风险区域,并将运行状态标记图中表征所述第一区域的图标设置为第一标识。
第二标记模块,用于若所述第一概率大于或等于第二阈值,且小于第一阈值,确定所述第一区域为中风险区域,并将运行状态标记图中表征所述第一区域的图标设置为第一标识。
第三标记模块,用于若所述第一概率小于所述第二阈值,确定所述第一区域为低风险区域,并将运行状态标记图中表征所述第一区域的图标设置为第一标识。
如图5所示,为本申请实施例提供的电子设备的一种实现方式的结构图,该电子设备包括:
存储器501,用于存储程序。
处理器502,用于执行所述程序,所述程序具体用于:
获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合,所述第一时间段为早于当前时间,且以所述当前时间为终止时间的时间段,所述第二时间段为晚于所述当前时间,且以所述当前时间为起始时间的时间段,所述第一数据特征集合和所述第二数据特征集合均包括多个电量影响因子向量;
获取多个所述电量影响因子向量分别对应的权重;
确定多个所述电量影响因子向量分别对应的第一属性,以得到多个第一属性,所述第一属性表征所述电量影响因子向量对应的属性信息;
获取至少一组第一集合对应的相关系数,所述第一集合包括多个所述第一属性中任意两个不同的第一属性,不同所述第一集合包含的两个第一属性不完全相同;
获取至少一组所述第一集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第一属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化;
针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布;
基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布,从所述第一数据特征集合和所述第二数据特征集合中确定第三数据特征集合,所述第三数据特征集合包括至少一个所述电量影响因子向量;
将所述第三数据特征集合输入至预构建的重过载预警模型;
获得所述重过载预警模型输出的第一预测结果,所述第一预测结果包括所述第二时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行。
处理器502可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)。
电子设备还可以包括通信接口503以及通信总线504,其中,存储器501、处理器502以及通信接口503通过通信总线504完成相互间的通信。
本发明实施例还提供了一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述任一所述的重过载预警方法实施例包含的各个步骤。
需要说明的是,本说明书中的各个实施例中记载的特征可以相互替换或者组合。对于装置或系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种重过载预警方法,其特征在于,包括:
获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合,所述第一时间段为早于当前时间,且以所述当前时间为终止时间的时间段,所述第二时间段为晚于所述当前时间,且以所述当前时间为起始时间的时间段,所述第一数据特征集合和所述第二数据特征集合均包括多个电量影响因子向量;
获取多个所述电量影响因子向量分别对应的权重;
确定多个所述电量影响因子向量分别对应的第一属性,以得到多个第一属性,所述第一属性表征所述电量影响因子向量对应的属性信息;
获取至少一组第一集合对应的相关系数,所述第一集合包括多个所述第一属性中任意两个不同的第一属性,不同所述第一集合包含的两个第一属性不完全相同;
获取至少一组所述第一集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第一属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化;
针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布;
基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布,从所述第一数据特征集合和所述第二数据特征集合中确定第三数据特征集合,所述第三数据特征集合包括至少一个所述电量影响因子向量;
将所述第三数据特征集合输入至预构建的重过载预警模型;
获得所述重过载预警模型输出的第一预测结果,所述第一预测结果包括所述第二时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行。
2.根据权利要求1所述的重过载预警方法,其特征在于,若所述运行状态包括过载运行,所述第一预测结果还包括所述供电设备处于过载运行的时间段;
和/或,若所述运行状态包括重载运行,所述第一预测结果还包括所述供电设备处于重载运行时间段;
和/或,若所述运行状态包括正常运行,所述第一预测结果还包括所述供电设备处于正常运行的时间段。
3.根据权利要求1所述的重过载预警方法,其特征在于,若所述运行状态包括过载运行,所述第一预测结果还包括所述供电设备处于过载运行的第一概率;
和/或,若所述运行状态包括重载运行,所述第一预测结果还包括所述供电设备处于重载运行的第二概率;
和/或,若所述运行状态包括正常运行,所述第一预测结果还包括所述供电设备处于正常运行的第三概率。
4.根据权利要求3所述的重过载预警方法,其特征在于,还包括:
若所述第一概率大于或等于第一阈值,将运行状态标记图中表征所述第一区域的图标设置为第一标识,所述运行状态标记图包括至少一个区域分别对应的标识,所述至少一个区域包括所述第一区域;
若所述第一概率大于或等于第二阈值,且小于第一阈值,将所述运行状态标记图中表征所述第一区域的图标设置为第二标识;
若所述第一概率小于所述第二阈值,将所述运行状态标记图中表征所述第一区域的图标设置为第三标识。
5.根据权利要求1至4任一所述的重过载预警方法,其特征在于,所述获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合包括:
获取所述第一区域中第一时间段内各天分别对应的天气信息和时间信息,一天对应的所述天气信息包括:该天的温度、该天的气压,湿度以及降水量中的至少一种,一天对应的所述时间信息包括:该天所属日期、该天所属月份、该天对应的星期、该天是否是节假日以及该天所属季节中的至少一种;
获取所述第一时间段内至少一个负载类型各天分别对应的负载数量以及所述至少一个负载类型各天分别对应的耗电占比,属于所述至少一个负载类型的负载均位于所述第一区域;
获取所述第一时间段中各天分别对应的所述供电设备的运行参数,一天对应的所述运行参数包括过载次数、重载次数、过载时长、重载时长、平均负载率以及最大负载率中的至少一种;
将所述第一时间段内各天对应的温度、湿度、气压、降水量、日期、月份、星期、节假日、季节、所述至少一个负载类型各天分别对应的负载数量、所述至少一个负载类型各天分别对应的耗电占比、所述供电设备各天分别对应过载次数、重载次数、过载时长、重载时长、平均负载率、最大负载率分别作为所述第一数据特征集合中的电量影响因子向量,以获取所述第一数据特征集合;
获取所述第一区域中所述第二时间段内各天分别对应的天气信息和日期信息;
将所述第二时间段内各天对应的温度、湿度、气压、降水量、日期、月份、星期、节假日、季节分别作为所述第二数据特征集合中的所述电量影响因子向量,以获取所述第二数据特征集合。
6.根据权利要求1所述的重过载预警方法,其特征在于,还包括:
获取所述第一区域对应的多个历史数据特征集合,一个所述历史数据特征集合包括第一区域第三时间段对应的第六数据特征集合,以及第四时间段对应的第四数据特征集合,所述第三时间段为早于预设历史时间,且以所述预设历史时间为终止时间的时间段,所述第四时间段最早时间晚于所述历史时间,最晚时间早于所述当前时间,所述第六数据特征集合和所述第四数据特征集合均包括多个样本电量影响因子向量;
针对每一所述历史数据特征集合执行以下操作:
获取多个所述样本电量影响因子向量分别对应的权重;
确定多个所述样本电量影响因子向量分别对应的第二属性,以得到多个第二属性,所述第二属性表征所述样本电量影响因子向量对应的属性信息;
获取至少一组第二集合对应的相关系数,所述第二集合包括多个所述第二属性中任意两个不同的第二属性,不同所述第二集合包含的两个第二属性不完全相同;
获取至少一组所述第二集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第二属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化;
针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第二概率分布;
基于多个所述样本电量影响因子向量分别对应的权重、至少一组所述第二集合对应的相关系数、至少一组所述第二集合对应的联合影响度、多个所述电量影响因子向量分别对应的第二概率分布,从所述历史数据特征集合中确定第五数据特征集合,以得到多个所述历史数据特征集合分别对应的第五数据特征集合,所述第五数据特征集合包括至少一个所述样本电量影响因子向量;
将多个所述第五数据特征集合分别输入至机器学习模型;
获得所述机器学习模型输出的多个所述第五数据特征集合分别对应的第二预测结果,一个所述第二预测结果包括第四时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行;
对于每一所述第二预测结果,比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果,以得到多个所述第二预测结果分别对应的比较结果;
基于多个所述比较结果训练所述机器学习模型,以获得所述重过载预警模型。
7.根据权利要求6所述的重过载预警方法,其特征在于,
若所述第二预测结果中的所述运行状态为过载运行,所述第二预测结果还包括所述供电设备处于过载运行的第一预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于过载运行的第一真实时间段;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第一预测时间段和所述第一真实时间段,以得到所述比较结果;
和/或,
若所述第二预测结果中的所述运行状态为重载运行,所述第二预测结果还包括所述供电设备处于重载运行的第二预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于重载运行的第二真实时间段;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第二预测时间段和所述第二真实时间段,以得到所述比较结果;
和/或,
若所述第二预测结果中的所述运行状态为正常运行,所述第二预测结果还包括所述供电设备处于正常运行的第三预测时间段;所述实际运行状态还包括所述供电设备在所述第四时间段处于正常运行的第三真实时间段;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第三预测时间段和所述第三真实时间段,以得到所述比较结果。
8.根据权利要求6所述的重过载预警方法,其特征在于,若所述第二预测结果中的所述运行状态为过载运行,所述第二预测结果还包括所述供电设备处于过载运行的第一预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于过载运行的第一真实概率;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第一预测概率和所述第一真实概率,以得到所述比较结果;
和/或,
若所述第二预测结果中的所述运行状态为重载运行,所述第二预测结果还包括所述供电设备处于重载运行的第二预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于重载运行的第二真实概率;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第二预测概率和所述第二真实概率,以得到所述比较结果;
和/或,
若所述第二预测结果中的所述运行状态为正常运行,所述第二预测结果还包括所述供电设备处于正常运行的第三预测概率,所述实际运行状态包括所述供电设备在所述第四时间段处于重载运行的第三真实概率;
所述比较所述第二预测结果和所述供电设备在相应的第四时间段内的实际运行状态,获得比较结果包括:
比较所述第三预测概率和所述第三真实概率,以得到所述比较结果。
9.一种重过载预警装置,其特征在于,包括:
第一获取模块,用于获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合;
其中,所述第一时间段为早于当前时间,且以所述当前时间为终止时间的时间段,所述第二时间段为晚于所述当前时间,且以所述当前时间为起始时间的时间段,所述第一数据特征集合和所述第二数据特征集合均包括多个电量影响因子向量;
第二获取模块,用于获取多个所述电量影响因子向量分别对应的权重;
第一确定模块,用于确定多个所述电量影响因子向量分别对应的第一属性,以得到多个第一属性,所述第一属性表征所述电量影响因子向量对应的属性信息;
第三获取模块,用于获取至少一组第一集合对应的相关系数,所述第一集合包括多个所述第一属性中任意两个不同的第一属性,不同所述第一集合包含的两个第一属性不完全相同;
第四获取模块,用于获取至少一组所述第一集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第一属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化;
第五获取模块,用于针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布;
第一筛选模块,用于基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布,从所述第一数据特征集合和所述第二数据特征集合中确定第三数据特征集合,所述第三数据特征集合包括至少一个所述电量影响因子向量;
第一输入模块,用于将所述第三数据特征集合输入至预构建的重过载预警模型;
第六获取模块,用于获得所述重过载预警模型输出的第一预测结果,所述第一预测结果包括所述第一时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行。
10.一种电子设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述程序,所述程序具体用于:
获取第一区域第一时间段对应的第一数据特征集合,以及第二时间段对应的第二数据特征集合,所述第一时间段为早于当前时间,且以所述当前时间为终止时间的时间段,所述第二时间段为晚于所述当前时间,且以所述当前时间为起始时间的时间段,所述第一数据特征集合和所述第二数据特征集合均包括多个电量影响因子向量;
获取多个所述电量影响因子向量分别对应的权重;
确定多个所述电量影响因子向量分别对应的第一属性,以得到多个第一属性,所述第一属性表征所述电量影响因子向量对应的属性信息;
获取至少一组第一集合对应的相关系数,所述第一集合包括多个所述第一属性中任意两个不同的第一属性,不同所述第一集合包含的两个第一属性不完全相同;
获取至少一组所述第一集合对应的联合影响度,一个所述第一集合对应的联合影响度表征所述第一集合包含的两个不同第一属性同时作用于所述第一区域时,为位于所述第一区域中的各负载供电的供电设备的电量输出变化;
针对属于同一第一属性的多个所述电量影响因子向量,获取多个所述电量影响因子向量分别对应的第一概率分布;
基于多个所述电量影响因子向量分别对应的权重、至少一组所述第一集合对应的相关系数、至少一组所述第一集合对应的联合影响度、多个所述电量影响因子向量分别对应的第一概率分布,从所述第一数据特征集合和所述第二数据特征集合中确定第三数据特征集合,所述第三数据特征集合包括至少一个所述电量影响因子向量;
将所述第三数据特征集合输入至预构建的重过载预警模型;
获得所述重过载预警模型输出的第一预测结果,所述第一预测结果包括所述第一时间段内所述供电设备的运行状态,所述运行状态包括正常运行和/或过载运行和/或重载运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011131319.XA CN112258342B (zh) | 2020-10-21 | 2020-10-21 | 重过载预警方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011131319.XA CN112258342B (zh) | 2020-10-21 | 2020-10-21 | 重过载预警方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258342A CN112258342A (zh) | 2021-01-22 |
CN112258342B true CN112258342B (zh) | 2023-02-03 |
Family
ID=74264314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011131319.XA Active CN112258342B (zh) | 2020-10-21 | 2020-10-21 | 重过载预警方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258342B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574209A (zh) * | 2015-01-07 | 2015-04-29 | 国家电网公司 | 一种城网配变重过载中期预警模型的建模方法 |
CN106356847A (zh) * | 2016-10-18 | 2017-01-25 | 国网江苏省电力公司电力科学研究院 | 一种基于多因素的配电网故障恢复方法 |
CN107909230A (zh) * | 2018-01-12 | 2018-04-13 | 国网福建省电力有限公司 | 一种农网配变重过载短期预警模型的建模方法 |
CN109117974A (zh) * | 2017-06-26 | 2019-01-01 | 中国电力科学研究院 | 一种配电网台区重过载风险评估方法和装置 |
CN109670676A (zh) * | 2018-11-26 | 2019-04-23 | 安徽继远软件有限公司 | 基于支持向量数据描述的配网台区风险预警方法及系统 |
CN109978261A (zh) * | 2019-03-27 | 2019-07-05 | 新奥数能科技有限公司 | 确定负荷预测模型的方法、装置、可读介质及电子设备 |
CN110263995A (zh) * | 2019-06-18 | 2019-09-20 | 广西电网有限责任公司电力科学研究院 | 考虑负荷增长率与用户用电特性的配变重过载预测方法 |
CN110751338A (zh) * | 2019-10-23 | 2020-02-04 | 贵州电网有限责任公司 | 一种配变台区重过载特征模型的构建和预警的方法 |
CN110929226A (zh) * | 2019-11-26 | 2020-03-27 | 广州供电局有限公司 | 配电网停电预测方法、装置及系统 |
CN111091143A (zh) * | 2019-11-22 | 2020-05-01 | 国网新疆电力有限公司电力科学研究院 | 基于深度信念网络和K-means聚类的配变重过载预警方法 |
CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
-
2020
- 2020-10-21 CN CN202011131319.XA patent/CN112258342B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574209A (zh) * | 2015-01-07 | 2015-04-29 | 国家电网公司 | 一种城网配变重过载中期预警模型的建模方法 |
CN106356847A (zh) * | 2016-10-18 | 2017-01-25 | 国网江苏省电力公司电力科学研究院 | 一种基于多因素的配电网故障恢复方法 |
CN109117974A (zh) * | 2017-06-26 | 2019-01-01 | 中国电力科学研究院 | 一种配电网台区重过载风险评估方法和装置 |
CN107909230A (zh) * | 2018-01-12 | 2018-04-13 | 国网福建省电力有限公司 | 一种农网配变重过载短期预警模型的建模方法 |
CN109670676A (zh) * | 2018-11-26 | 2019-04-23 | 安徽继远软件有限公司 | 基于支持向量数据描述的配网台区风险预警方法及系统 |
CN109978261A (zh) * | 2019-03-27 | 2019-07-05 | 新奥数能科技有限公司 | 确定负荷预测模型的方法、装置、可读介质及电子设备 |
CN110263995A (zh) * | 2019-06-18 | 2019-09-20 | 广西电网有限责任公司电力科学研究院 | 考虑负荷增长率与用户用电特性的配变重过载预测方法 |
CN110751338A (zh) * | 2019-10-23 | 2020-02-04 | 贵州电网有限责任公司 | 一种配变台区重过载特征模型的构建和预警的方法 |
CN111091143A (zh) * | 2019-11-22 | 2020-05-01 | 国网新疆电力有限公司电力科学研究院 | 基于深度信念网络和K-means聚类的配变重过载预警方法 |
CN110929226A (zh) * | 2019-11-26 | 2020-03-27 | 广州供电局有限公司 | 配电网停电预测方法、装置及系统 |
CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
Non-Patent Citations (2)
Title |
---|
基于BP网络和灰色模型的春节配变重过载预测;史常凯等;《电力科学与技术学报》;20160930;全文 * |
配电变压器重过载预警模型研究;辛永;《第二届 智能电网会议论文集 计算机科学与探索》;20180831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112258342A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280479B (zh) | 一种基于负荷特性指标加权聚类算法的电网用户分类方法 | |
WO2022135265A1 (zh) | 气候变化影响下水库调度规则的失效预警分析方法 | |
CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
CN106446967A (zh) | 一种新型电力系统负荷曲线聚类方法 | |
EP2505827A2 (en) | Wind power prediction method of single wind turbine generator | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN109413710B (zh) | 基于遗传算法优化的无线传感器网络的分簇方法及装置 | |
CN111382897A (zh) | 台区低压跳闸预测方法、装置、计算机设备及存储介质 | |
CN110874381B (zh) | 一种基于空间密度聚类的用户侧负荷数据异常值识别方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及系统 | |
CN112734135A (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN111695792B (zh) | 基于多属性聚类的地铁照明系统异常能耗分析方法 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
Luna et al. | Adaptive fuzzy system to forecast financial time series volatility | |
CN115689069B (zh) | 基于人工智能的电网调度控制方法及系统 | |
CN112686456A (zh) | 一种结合边缘计算与用能识别的电力负荷预测系统和方法 | |
CN108989092A (zh) | 一种无线网络预测方法、电子设备及存储介质 | |
CN112258342B (zh) | 重过载预警方法、装置以及电子设备 | |
CN112257923B (zh) | 重过载预警方法、装置以及电子设备 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
Xie et al. | A method of electricity consumption behavior analysis based on rough set fuzzy clustering | |
CN110705756A (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
CN113657475A (zh) | 基于分类的用电量预测方法 | |
CN113191677A (zh) | 一种可动态配置的车载蓄电池报警方法 |
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 |