CN112991094A - 基于人工智能和大数据的信息分析方法及系统 - Google Patents
基于人工智能和大数据的信息分析方法及系统 Download PDFInfo
- Publication number
- CN112991094A CN112991094A CN202110208202.5A CN202110208202A CN112991094A CN 112991094 A CN112991094 A CN 112991094A CN 202110208202 A CN202110208202 A CN 202110208202A CN 112991094 A CN112991094 A CN 112991094A
- Authority
- CN
- China
- Prior art keywords
- information
- artificial intelligence
- state change
- intelligence server
- identification
- 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.)
- Withdrawn
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 122
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 157
- 230000005856 abnormality Effects 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 238000004806 packaging method and process Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000013475 authorization Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000002411 adverse Effects 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 description 17
- 238000010168 coupling process Methods 0.000 description 17
- 238000005859 coupling reaction Methods 0.000 description 17
- 238000013507 mapping Methods 0.000 description 15
- 238000004088 simulation Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000005538 encapsulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供的基于人工智能和大数据的信息分析方法及系统，首先获取电力设备的运行状态信息，其次对获取到的每组运行状态信息进行解析得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签并进行封装得到状态变化集，然后传输到人工智能服务器中并获取人工智能服务器所返回的识别结果，最后根据识别结果确定每个电力设备以及电力设备形成的至少一组用电网络是否存在异常。如此，能够对运行状态信息进行多维度的分析，从而全面、完整地分析出电力设备可能出现的故障并结合电力设备之间的协同性充分考虑电力设备的设备损耗带来的不利影响，这样能够确保对电力设备进行准确可靠的状态监测，避免引发大面积的电网生产事故。
Description
技术领域
本申请涉及大数据分析和挖掘技术领域，尤其涉及基于人工智能和大数据的信息分析方法及系统。
背景技术
信息化和数字化时代是当今时代发展的大趋势，社会形态正由工业社会逐渐发展到信息社会。社会的工业生产和日常生活已借助信息化技术和数字化技术朝着智能、安全且高效的的方向进步。通过运用数字信息来服务于社会的各行各业能够有效释放人力成本并优化生产力。以电力物联网为例，现如今数字电网的搭建能够有效解决时延过长与且汇集流量过大的问题，从而实现电力物联网的全生命周期管理，确保电力物联网的安全高效运行。然而数字电网在运行时，不同电力设备之间的协同性和设备损耗往往被忽略，这样会导致在对电力设备进行状态监测时出现误差，可能会引发大面积的电网生产事故。
发明内容
本申请旨在提供基于人工智能和大数据的信息分析方法及系统，以改善现有技术在对电力设备进行状态监测时出现误差的技术问题。
提供一种基于人工智能和大数据的信息分析方法，应用于与人工智能服务器和多个电力设备通信的云计算平台，所述方法至少包括以下步骤：
通过与每个电力设备预先建立的信息传输接口获取对应的电力设备的运行状态信息；其中，所述运行状态信息是部署在对应的电力设备中的传感器在其对应的电力设备运行时所采集到的，并通过所述信息传输接口实时上传给所述云计算平台的；
周期性地对获取到的每组运行状态信息进行解析，得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签；
将每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签进行封装得到每组运行状态信息的状态变化集；在检测到所述人工智能服务器中的识别线程的空置率达到设定比率时将每个状态变化集传输到所述人工智能服务器中；
获取所述人工智能服务器基于通过所述识别线程对每个状态变化集进行状态识别所返回的识别结果；其中，所述识别结果中包括基于电力设备的设备损耗权重所确定出的异常状态参量；
根据所述识别结果确定每个电力设备以及所述电力设备形成的至少一组用电网络是否存在异常。
提供一种云计算平台，所述云计算平台与人工智能服务器和多个电力设备通信，所述云计算平台用于：
通过与每个电力设备预先建立的信息传输接口获取对应的电力设备的运行状态信息；其中，所述运行状态信息是部署在对应的电力设备中的传感器在其对应的电力设备运行时所采集到的，并通过所述信息传输接口实时上传给所述云计算平台的；
周期性地对获取到的每组运行状态信息进行解析，得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签；
将每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签进行封装得到每组运行状态信息的状态变化集；在检测到所述人工智能服务器中的识别线程的空置率达到设定比率时将每个状态变化集传输到所述人工智能服务器中；
获取所述人工智能服务器基于通过所述识别线程对每个状态变化集进行状态识别所返回的识别结果；其中，所述识别结果中包括基于电力设备的设备损耗权重所确定出的异常状态参量；
根据所述识别结果确定每个电力设备以及所述电力设备形成的至少一组用电网络是否存在异常。
申请实施例提供的基于人工智能和大数据的信息分析方法及系统，首先获取电力设备的运行状态信息，其次周期性地对获取到的每组运行状态信息进行解析，得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签并进行封装得到状态变化集，然后传输到人工智能服务器中，进而获取人工智能服务器基于通过识别线程对每个状态变化集进行状态识别所返回的识别结果，最后根据识别结果确定每个电力设备以及电力设备形成的至少一组用电网络是否存在异常。
如此，能够对运行状态信息进行多维度的分析，从而全面、完整地分析出电力设备可能出现的故障并结合电力设备之间的协同性充分考虑电力设备的设备损耗带来的不利影响，这样能够确保对电力设备进行准确可靠的状态监测，避免引发大面积的电网生产事故。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本发明提供的一种基于人工智能和大数据的信息分析系统的示意图。
图2是本发明提供的一种基于人工智能和大数据的信息分析方法的流程图。
图3是本发明提供的一种基于人工智能和大数据的信息分析装置的功能模块框图。
图4是本发明提供的一种云计算平台的硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为改善现有技术在对电力设备进行状态监测时出现误差并引发大面积的电网生产事故的技术问题，本发明实施例提供了一种基于人工智能和大数据的信息分析方法及系统，能够对采集到的电力设备的运行状态信息进行多维度的分析，从而全面、完整地分析出电力设备可能出现的故障并基于电力设备的协同性充分考虑电力设备之间的设备损耗带来的不利影响，这样能够确保对电力设备进行准确可靠的状态监测，避免引发大面积的电网生产事故。
为实现上述目的，请首先参照图1，为本发明实施例所提供的基于人工智能和大数据的信息分析系统100的通信连接架构示意图，所述信息分析系统100可以包括云计算平台110、人工智能服务器120以及多个电力设备130。进一步地，云计算平台110分别与人工智能服务器120以及多个电力设备130通信，用于从电力设备130处采集运行状态信息，并结合人工智能服务器120对这些运行状态信息进行分析，从而监测电力设备130以及电力设备130形成的用电网络是否存在异常，确保数字电网的正常运行。
在上述基础上，请结合参阅图2，提供了基于人工智能和大数据的信息分析方法的流程示意图，所述信息分析方法可以应用于图1中的云计算平台110，所述方法具体可以包括以下步骤S110-步骤S150所描述的内容。
步骤S110，通过与每个电力设备预先建立的信息传输接口获取对应的电力设备的运行状态信息；其中，所述运行状态信息是部署在对应的电力设备中的传感器在其对应的电力设备运行时所采集到的，并通过所述信息传输接口实时上传给所述云计算平台的。
在步骤S110中，不同的电力设备的运行状态信息不同，在本实施例中，电力设备包括但不限于电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、变压器、互感器和接触器等，在此不作限定。
步骤S120，周期性地对获取到的每组运行状态信息进行解析，得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签。
在步骤S120中，设定时段可以根据实际工况进行调整，例如在用电高峰期，设定时段可以适当缩小，在用电低谷期，设定时段可以适当增加。进一步地，状态变化轨迹可以是用于表征电力设备130的稳定性的曲线，信息标签可以是从状态变化轨迹中提取出的多个反映电力设备130的状态维度的标签。
步骤S130，将每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签进行封装得到每组运行状态信息的状态变化集；在检测到所述人工智能服务器中的识别线程的空置率达到设定比率时将每个状态变化集传输到所述人工智能服务器中。
在步骤S130中，状态信息变化集可以是每组运行状态信息的信息标签与状态变化轨迹的封装结果，例如，可以将信息标签植入到状态变化轨迹中的不同位置，以对状态变化轨迹进行标记。
步骤S140，获取所述人工智能服务器基于通过所述识别线程对每个状态变化集进行状态识别所返回的识别结果；其中，所述识别结果中包括基于电力设备的设备损耗权重所确定出的异常状态参量。
步骤S150，根据所述识别结果确定每个电力设备以及所述电力设备形成的至少一组用电网络是否存在异常。
可以理解，在应用上述步骤S110-步骤S150所描述的内容时，首先获取电力设备的运行状态信息，其次周期性地对获取到的每组运行状态信息进行解析，得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签并进行封装得到状态变化集，然后传输到人工智能服务器中，进而获取人工智能服务器基于通过识别线程对每个状态变化集进行状态识别所返回的识别结果，最后根据识别结果确定每个电力设备以及电力设备形成的至少一组用电网络是否存在异常。
如此，能够对运行状态信息进行多维度的分析，从而全面、完整地分析出电力设备可能出现的故障并充分考虑电力设备的设备损耗带来的不利影响，这样能够确保对电力设备进行准确可靠的状态监测，避免引发大面积的电网生产事故。
在具体实施时发明人发现，在对运行状态信息进行解析时，往往容易忽略不同电力设备之间的耦接关系，从而忽略不同电力设备之间的协同性，这样会导致运行状态信息的解析结果存在偏差，并且无法完整地实现对运行状态信息的解析，这直接关系到后续对电力设备的状态监控的准确性和可靠性。因此，为解决上述技术问题，在步骤S120中，周期性地对获取到的每组运行状态信息进行解析，得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签，具体可以包括以下步骤S121-步骤S125所描述的内容。
步骤S121，获取每组运行状态信息在每个设定时段内对应的信息属性参数以及每组运行状态信息对应的电力设备的耦接端口的端口信息，并根据每组运行状态信息对应的电力设备的耦接端口的端口信息确定与所述信息属性参数对应的关联属性参数，从所述关联属性参数中提取得到与每组运行状态信息对应的电力设备存在耦接关系的其他电力设备的设备标识；其中，所述信息属性参数为基于所述运行状态信息中的属性标识所确定的参数序列，所述参数序列所对应的序列编码逻辑是固定不变的。
步骤S122，确定每组运行状态信息对应的电力设备与该电力设备存在耦接关系的其他电力设备之间的接线配置信息，并基于所述关联属性参数确定每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数；其中，所述状态偏移系数用于表征每组运行状态信息对应的电力设备与其它电力设备之间的协同系数。
步骤S123，判断所述每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数是否小于预设系数。
步骤S124，若所述每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数小于所述预设系数，则将每组运行状态信息对应的关联属性参数映射到每组运行状态信息对应的端口信息中，得到所述关联属性参数在所述端口信息中的映射属性参数，提取所述映射属性参数的类别并根据所述类别的第一数量确定每组运行状态信息的信息标签的数量；从预设的字段提取列表中确定出与每组运行状态信息中的每组信息字段相匹配的目标字段，并确定每组目标字段的描述信息，按照所述描述信息中包括的时序等级将每组目标字段映射到预设坐标平面中得到对应的字段节点，将所述字段节点进行拟合得到每组运行状态信息对应的状态变化轨迹并根据状态变化轨迹的轨迹特征确定多个信息标签。
步骤S125，若所述每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数大于等于所述预设系数，则计算每组运行状态信息对应的电力设备的耦接端口的端口损耗百分比，根据所述端口损耗百分比对每组运行状态信息对应的每组信息字段进行修正得到目标字段，根据所述目标字段与对应的信息字段之间的相似度确定信息标签的数量；将所述目标字段映射到预设坐标平面中得到对应的字段节点，将所述字段节点进行拟合得到每组运行状态信息对应的状态变化轨迹并根据状态变化轨迹的轨迹特征确定多个信息标签。
可以理解，通过执行上述步骤S121-步骤S125，能够达到如下技术效果：通过对电力设备之间的耦接关系以及协同性进行分析和处理，能够基于每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数的大小，采用不同的方法生成状态变化轨迹以及信息标签，这样能够避免运行状态信息的解析结果存在偏差，从而完整地实现对运行状态信息的解析，确保后续对电力设备的状态监控的准确性和可靠性。
在实际应用时，发明人发现在获取运行状态信息的过程中容易将一些电力设备的运行状态信息混淆。究其原因，主要是一些电力设备在地理位置上比较接近，并且存在高关联度的电气连接关系，这样会导致在获取这些电力设备的运行状态信息时出现统计错误而产生混淆，从而影响到后续的状态识别。为了改善上述技术问题，步骤S110所描述的通过与每个电力设备预先建立的信息传输接口获取对应的电力设备的运行状态信息，具体可以包括以下步骤S111-步骤S114所描述的内容。
步骤S111，通过每个信息传输接口读取对应的电力设备的地理位置信息和电气位置信息，并将各个电力设备对应的地理位置信息和电气位置信息之间的指向信息提取出，通过所述指向信息构建所述电力设备的关联度连接拓扑；其中，该关联度连接拓扑为多区域网络，每个区域网络对应一个区域电气等级，每个区域网络中具有至少一个电力设备，每个区域网络中的其中一个设备与至少一个其他区域网络中的其中一个电力设备电气连接，所述区域电气等级具有从高到低的排序序列。
步骤S112，在通过每个信息传输接口获取到对应的电力设备的运行状态信息时，若其中两组运行状态信息处于同一个区域网络中，确定所述两组运行状态信息之间的地理位置信息的第一相似度以及电气位置信息的第二相似度；在所述第一相似度和所述第二相似度均大于设定相似度时，确定所述两组运行状态信息中的第一运行状态信息的多个第一信息编码以及第二运行状态信息的多个第二信息编码。
步骤S113，根据所述第一运行状态信息中的各第一信息编码及其编码注册信息确定所述第二运行状态信息中的各第二信息编码与所述第一运行状态信息中的相同编码位置的第一信息编码之间的重合率，并标记重合率大于预设比率的第一目标信息编码和第二目标信息编码。
步骤S114，确定所述第一目标信息编码在所述第一运行状态信息的第一关联度以及所述第二目标信息编码在所述第二运行状态信息的第二关联度，基于所述第一关联度为所述第一运行状态信息设置第一签名并基于所述第二关联度为所述第二运行状态信息设置第二签名；其中，所述第一签名和所述第二签名为不同的数字签名。
在执行上述步骤S111-步骤S114所描述的内容时，能够对电力设备地理位置和电气位置的相似性进行分析，从而对存在高相似度的运行状态信息设置不同的签名，从而避免在获取这些电力设备的运行状态信息时出现统计错误而产生混淆。这样可以精准地获取到电力设备对应的运行状态信息。
在对状态变化轨迹和信息标签进行封装时，发明人发现，如果不考虑状态变化轨迹和信息标签的时序一致性和编码异构性，容易出现在封装过程中信息标签在状态变化轨迹中出现错位的现象，这会影响到状态变化集的完整性，可能引起状态变化集的部分信息的丢失。为此，在步骤S130中，将每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签进行封装得到每组运行状态信息的状态变化集，具体可以包括以下步骤S131-步骤S134所描述的内容。
步骤S131，确定所述状态变化轨迹的第一时序特征数组以及与所述状态变化轨迹的每个信息标签的第二时序特征数组；其中，每个第二时序特征数组具有不同的标签权重，所述标签权重用于表征每个时序特征数组与所述第一时序特征数据的编码异构程度，所述第一时序特征数组和每个第二时序特征数组具有相同数量的时序特征字段，每个时序特征字段对应一个字段编码串。
步骤S132，按照所述标签权重由大到小的顺序将所述第二时序特征数组进行排序得到特征数组排序序列，依次提取所述排序序列中的每个第二时序特征数组的特征字段分布序列，将每个特征字段分布序列通过预设的序列转换列表进行变换得到对应的目标分布序列；确定所述第一时序特征数组的特征字段分布序列对应的第一序列拓扑以及所述目标分布序列的第二序列拓扑；其中，所述第一序列拓扑和所述第二序列拓扑具有相同逻辑的有向连线信息。
步骤S133，计算所述第一序列拓扑和每个第二序列拓扑的拓扑结构相似性；其中，所述拓扑结构相似性为所述第一序列拓扑和每个第二序列拓扑的节点相似性和有向连线相似性的加权和。
步骤S134，按照所述拓扑结构相似性由小到大的顺序依次将每个第二序列拓扑对应的信息标签植入所述状态变化轨迹对应的轨迹节点容器中，以得到每组运行状态信息的状态变化集。
在应用上述步骤S131-步骤S134所描述的内容时，能够将状态变化轨迹和信息标签的时序一致性和编码异构性考虑在内并基于上述特征将信息标签按顺序植入状态变化轨迹中，这样能够避免在封装过程中信息标签在状态变化轨迹中出现错位的现象，从而确保状态变化集的完整性，避免状态变化集的部分信息的丢失。
在传输状态变化集时，为了提高人工智能服务器120的识别效率，在步骤S130中，将每个状态变化集传输到所述人工智能服务器中，具体可以包括以下步骤（1）-（5）所描述的内容。
（1）获取所述人工智能服务器中处于空置状态的多个识别线程。
（2）判断所述识别线程的数量是否大于等于所述状态变化集的数量。
（3）在所述识别线程的数量大于等于所述状态变化集的数量的前提下，将每个状态变化集传输到所述人工智能服务器的其中一个识别线程中。
（4）在所述识别线程的数量小于所述状态变化集的数量的前提下，获取每个识别线程的信息吞吐量；按照信息吞吐量高低的顺序对所述识别线程进行排序得到第一排序序列；按照状态变化集的信息容量的大小顺序对所述状态变化集进行排序得到第二排序序列。
（5）依次将所述第二排序序列中的至少部分状态变化集分别传输到所述第一排序序列中对应的识别线程中。
例如，第一排序序列的元素数量为3个，第二排序序列的元素数量为10个，则可以将第二排序序列中的前3个状态变化集分别导入到第一排序序列中的识别线程中，然后当第一排序序列中的其中一个识别线程完成对状态变化集的识别之后，将第二排序序列中的第4个状态变化集进行导入，以此类推。
可以理解，通过上述步骤（1）-步骤（5）所描述的内容，能够基于识别线程的吞吐量并行地对状态变化集进行识别，从而为了提高人工智能服务器120的识别效率。
在本实施例中，人工智能服务器120能够在识别状态变化集的时候考虑电力设备的设备损耗，从而确保识别结果的可信度。为实现上述目的，在步骤S140中，人工智能服务器120可以通过以下步骤S210-步骤S250来对状态变化集进行识别。
步骤210，确定所述状态变化集中每个信息标签在其对应的状态变化轨迹的轨迹节点容器中的路径信息。
步骤S220，依据所述路径信息确定每个状态变化集对应的状态变化轨迹在植入所述信息标签之前的第一状态列表以在植入所述信息标签之后的第二状态列表。
步骤S230，基于所述第一状态列表和所述第二状态列表中相同列表位置上的列表内容确定每个状态变化集对应的电力设备的设备损耗权重。
步骤S240，将所述状态变化集对应的植入了信息标签的状态变化轨迹与预设轨迹进行比对得到比对结果。
步骤S250，根据所述设备损耗权重计算每个状态变化轨迹对应的异常状态参量，采用所述异常状态参量对所述比对结果进行加权得到识别结果；其中，所述识别结果为一连串的数值结果。
可以理解，通过执行上述步骤S210-步骤S250，能够在识别状态变化集的时候考虑电力设备的设备损耗，从而确保识别结果的可信度。
在一个可能的实施方式中，为了确保对电力设备130进行异常状态监测的前瞻性，不仅需要对识别结果进行分析，还需要根据识别结果模拟电力设备130的运行，以预测电力设备130可能出现的异常状态，从而提前部署状态检修措施。为实现上述目的，步骤S150所描述的根据所述识别结果确定每个电力设备以及所述电力设备形成的至少一组用电网络是否存在异常，具体可以通过如下步骤S151-步骤S154所描述的方法实现。
步骤S151，基于每个识别结果对应的数值结果中的每相邻两个识别数值之间的差值确定每个识别结果对应的电力设备的故障发生率。
步骤S152，在所述故障发生率超过第一参考值时，确定所述故障发生率对应的电力设备出现异常；在所述故障发生率没有超过所述第一参考值时，根据每个电力设备的地理位置确定所述故障发生率对应地理分布图，在所述地理分布图中的设定区域内的故障发生率的均值超过第二参考值时，确定所述设定区域对应的用电网络出现异常。
步骤S153，在所述地理分布图中的设定区域内的故障发生率的均值没有超过所述第二参考值时，对所述识别结果进行多维特征聚类得到多个聚类集。
步骤S154，确定每个聚类集对应的模拟参数集，将所述模拟参数集输入预设的状态模拟线程以模拟每个电力设备的模拟运行状态；获取每个电力设备的模拟识别结果并执行与基于每个识别结果对应的数值结果中的每相邻两个识别数值之间的差值确定每个识别结果对应的电力设备的故障发生率相类似的步骤。
可以理解，通过上述步骤S151-步骤S154，不仅能够对识别结果进行分析以确定电力设备130在当前时刻是否存在异常，还能够根据识别结果模拟电力设备130的运行，以预测电力设备130可能出现的异常状态，从而根据模拟识别结果提前部署状态检修措施。
在一种可替换的实施方式中，为了确保信息分析系统100的安全可靠运行，需要对人工智能服务器120的资源配置信息进行定期检测，从而避免人工智能服务器120的资源配置不合理导致对状态变化集的识别出现延迟或误差。为达到上述目的，在上述步骤S110-步骤S150得基础上，所述方法还可以包括以下步骤S310-步骤S350所描述的内容。
步骤S310，向所述人工智能服务器发送用于对所述人工智能服务器的资源配置信息进行调取的请求指令；其中，所述请求指令中携带有所述云计算平台根据预先与所述人工智能服务器建立的验证协议所生成的认证信息。
步骤S320，在接收到所述人工智能服务器基于所述请求指令中的认证信息发送的授权码时，将所述授权码封装到调取指令中并将所述调取指令发送给所述人工智能服务器。
步骤S330，获取所述人工智能服务器基于所述调取指令反馈的资源配置信息，抽取所述资源配置信息中的每条配置记录对应的配置参数和配置时刻，建立所述配置参数和所述配置时刻的响应曲线；所述响应曲线用于描述所述人工智能服务器的资源配置稳定性。
步骤S340，基于所述资源配置信息中的配置记录的数量对所述响应曲线进行分段得到多个曲线段，提取每个曲线段的曲线特征；其中，所述曲线特征包括曲线斜率信息和曲线轨迹信息。
步骤S350，计算用于表征每个曲线特征的评价因子的曲线描述值，判断所述曲线描述值中的中位数的当前占比是否达到预设占比；在所述当前占比达到所述预设占比时判定所述人工智能服务器的资源配置线程为正常；在所述当前占比没有达到所述预设占比时判定所述人工智能服务器的资源配置线程为异常并向所述人工智能服务器发送预警信息。
可以理解，通过上述步骤S310-步骤S350所描述的内容，能够对人工智能服务器120的资源配置信息进行定期检测并在人工智能服务器120的资源配置线程出现异常时向人工智能服务器120发送预警信息，从而避免人工智能服务器120的资源配置不合理导致对状态变化集的识别出现延迟或误差，进而确保信息分析系统100的安全可靠运行。
在上述基础上，请结合参阅图3，提供了基于人工智能和大数据的信息分析装置300的功能模块框图，所述基于人工智能和大数据的信息分析装置300的具体描述如下。
A1.一种基于人工智能和大数据的信息分析装置300，应用于与人工智能服务器和多个电力设备通信的云计算平台，所述装置至少包括以下模块：
信息获取模块310，用于通过与每个电力设备预先建立的信息传输接口获取对应的电力设备的运行状态信息；其中，所述运行状态信息是部署在对应的电力设备中的传感器在其对应的电力设备运行时所采集到的，并通过所述信息传输接口实时上传给所述云计算平台的；
信息解析模块320，用于周期性地对获取到的每组运行状态信息进行解析，得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签；
信息封装模块330，用于将每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签进行封装得到每组运行状态信息的状态变化集；在检测到所述人工智能服务器中的识别线程的空置率达到设定比率时将每个状态变化集传输到所述人工智能服务器中；
结果获取模块340，用于获取所述人工智能服务器基于通过所述识别线程对每个状态变化集进行状态识别所返回的识别结果；其中，所述识别结果中包括基于电力设备的设备损耗权重所确定出的异常状态参量；
异常监测模块350，用于根据所述识别结果确定每个电力设备以及所述电力设备形成的至少一组用电网络是否存在异常。
A2.根据A1所述的信息分析装置，异常监测模块350，用于：
基于每个识别结果对应的数值结果中的每相邻两个识别数值之间的差值确定每个识别结果对应的电力设备的故障发生率；
在所述故障发生率超过第一参考值时，确定所述故障发生率对应的电力设备出现异常；在所述故障发生率没有超过所述第一参考值时，根据每个电力设备的地理位置确定所述故障发生率对应地理分布图，在所述地理分布图中的设定区域内的故障发生率的均值超过第二参考值时，确定所述设定区域对应的用电网络出现异常；
在所述地理分布图中的设定区域内的故障发生率的均值没有超过所述第二参考值时，对所述识别结果进行多维特征聚类得到多个聚类集；
确定每个聚类集对应的模拟参数集，将所述模拟参数集输入预设的状态模拟线程以模拟每个电力设备的模拟运行状态；获取每个电力设备的模拟识别结果并执行与基于每个识别结果对应的数值结果中的每相邻两个识别数值之间的差值确定每个识别结果对应的电力设备的故障发生率相类似的步骤。
A3.根据A1所述的信息分析装置，信息封装模块330，用于：
获取所述人工智能服务器中处于空置状态的多个识别线程；
判断所述识别线程的数量是否大于等于所述状态变化集的数量；
在所述识别线程的数量大于等于所述状态变化集的数量的前提下，将每个状态变化集传输到所述人工智能服务器的其中一个识别线程中；
在所述识别线程的数量小于所述状态变化集的数量的前提下，获取每个识别线程的信息吞吐量；按照信息吞吐量高低的顺序对所述识别线程进行排序得到第一排序序列；按照状态变化集的信息容量的大小顺序对所述状态变化集进行排序得到第二排序序列；
依次将所述第二排序序列中的至少部分状态变化集分别传输到所述第一排序序列中对应的识别线程中。
A4.根据A1所述的信息分析装置，信息封装模块330，用于：
确定所述状态变化轨迹的第一时序特征数组以及与所述状态变化轨迹的每个信息标签的第二时序特征数组；其中，每个第二时序特征数组具有不同的标签权重，所述标签权重用于表征每个时序特征数组与所述第一时序特征数据的编码异构程度，所述第一时序特征数组和每个第二时序特征数组具有相同数量的时序特征字段，每个时序特征字段对应一个字段编码串；
按照所述标签权重由大到小的顺序将所述第二时序特征数组进行排序得到特征数组排序序列，依次提取所述排序序列中的每个第二时序特征数组的特征字段分布序列，将每个特征字段分布序列通过预设的序列转换列表进行变换得到对应的目标分布序列；确定所述第一时序特征数组的特征字段分布序列对应的第一序列拓扑以及所述目标分布序列的第二序列拓扑；其中，所述第一序列拓扑和所述第二序列拓扑具有相同逻辑的有向连线信息；
计算所述第一序列拓扑和每个第二序列拓扑的拓扑结构相似性；其中，所述拓扑结构相似性为所述第一序列拓扑和每个第二序列拓扑的节点相似性和有向连线相似性的加权和；
按照所述拓扑结构相似性由小到大的顺序依次将每个第二序列拓扑对应的信息标签植入所述状态变化轨迹对应的轨迹节点容器中，以得到每组运行状态信息的状态变化集。
A5.根据A1所述的信息分析装置，信息解析模块320，用于：
获取每组运行状态信息在每个设定时段内对应的信息属性参数以及每组运行状态信息对应的电力设备的耦接端口的端口信息，并根据每组运行状态信息对应的电力设备的耦接端口的端口信息确定与所述信息属性参数对应的关联属性参数，从所述关联属性参数中提取得到与每组运行状态信息对应的电力设备存在耦接关系的其他电力设备的设备标识；其中，所述信息属性参数为基于所述运行状态信息中的属性标识所确定的参数序列，所述参数序列所对应的序列编码逻辑是固定不变的；
确定每组运行状态信息对应的电力设备与该电力设备存在耦接关系的其他电力设备之间的接线配置信息，并基于所述关联属性参数确定每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数；其中，所述状态偏移系数用于表征每组运行状态信息对应的电力设备与其它电力设备之间的协同系数；
判断所述每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数是否小于预设系数；
若所述每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数小于所述预设系数，则将每组运行状态信息对应的关联属性参数映射到每组运行状态信息对应的端口信息中，得到所述关联属性参数在所述端口信息中的映射属性参数，提取所述映射属性参数的类别并根据所述类别的第一数量确定每组运行状态信息的信息标签的数量；从预设的字段提取列表中确定出与每组运行状态信息中的每组信息字段相匹配的目标字段，并确定每组目标字段的描述信息，按照所述描述信息中包括的时序等级将每组目标字段映射到预设坐标平面中得到对应的字段节点，将所述字段节点进行拟合得到每组运行状态信息对应的状态变化轨迹并根据状态变化轨迹的轨迹特征确定多个信息标签。
A6.根据A5所述的信息分析装置，信息解析模块320，还用于：
若所述每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数大于等于所述预设系数，则计算每组运行状态信息对应的电力设备的耦接端口的端口损耗百分比，根据所述端口损耗百分比对每组运行状态信息对应的每组信息字段进行修正得到目标字段，根据所述目标字段与对应的信息字段之间的相似度确定信息标签的数量；将所述目标字段映射到预设坐标平面中得到对应的字段节点，将所述字段节点进行拟合得到每组运行状态信息对应的状态变化轨迹并根据状态变化轨迹的轨迹特征确定多个信息标签。
A7.根据A1所述的信息分析装置，信息获取模块310，用于：
通过每个信息传输接口读取对应的电力设备的地理位置信息和电气位置信息，并将各个电力设备对应的地理位置信息和电气位置信息之间的指向信息提取出，通过所述指向信息构建所述电力设备的关联度连接拓扑；其中，该关联度连接拓扑为多区域网络，每个区域网络对应一个区域电气等级，每个区域网络中具有至少一个电力设备，每个区域网络中的其中一个设备与至少一个其他区域网络中的其中一个电力设备电气连接，所述区域电气等级具有从高到低的排序序列；
在通过每个信息传输接口获取到对应的电力设备的运行状态信息时，若其中两组运行状态信息处于同一个区域网络中，确定所述两组运行状态信息之间的地理位置信息的第一相似度以及电气位置信息的第二相似度；在所述第一相似度和所述第二相似度均大于设定相似度时，确定所述两组运行状态信息中的第一运行状态信息的多个第一信息编码以及第二运行状态信息的多个第二信息编码；
根据所述第一运行状态信息中的各第一信息编码及其编码注册信息确定所述第二运行状态信息中的各第二信息编码与所述第一运行状态信息中的相同编码位置的第一信息编码之间的重合率，并标记重合率大于预设比率的第一目标信息编码和第二目标信息编码；
确定所述第一目标信息编码在所述第一运行状态信息的第一关联度以及所述第二目标信息编码在所述第二运行状态信息的第二关联度，基于所述第一关联度为所述第一运行状态信息设置第一签名并基于所述第二关联度为所述第二运行状态信息设置第二签名；其中，所述第一签名和所述第二签名为不同的数字签名。
A8.根据A1所述的信息分析装置，人工智能服务器通过以下方式来对状态变化集进行识别：
确定所述状态变化集中每个信息标签在其对应的状态变化轨迹的轨迹节点容器中的路径信息；
依据所述路径信息确定每个状态变化集对应的状态变化轨迹在植入所述信息标签之前的第一状态列表以在植入所述信息标签之后的第二状态列表；
基于所述第一状态列表和所述第二状态列表中相同列表位置上的列表内容确定每个状态变化集对应的电力设备的设备损耗权重；
将所述状态变化集对应的植入了信息标签的状态变化轨迹与预设轨迹进行比对得到比对结果；
根据所述设备损耗权重计算每个状态变化轨迹对应的异常状态参量，采用所述异常状态参量对所述比对结果进行加权得到识别结果；其中，所述识别结果为一连串的数值结果。
A9.根据A1所述的信息分析装置，还包括配置检测模块360，用于：
向所述人工智能服务器发送用于对所述人工智能服务器的资源配置信息进行调取的请求指令；其中，所述请求指令中携带有所述云计算平台根据预先与所述人工智能服务器建立的验证协议所生成的认证信息；
在接收到所述人工智能服务器基于所述请求指令中的认证信息发送的授权码时，将所述授权码封装到调取指令中并将所述调取指令发送给所述人工智能服务器；
获取所述人工智能服务器基于所述调取指令反馈的资源配置信息，抽取所述资源配置信息中的每条配置记录对应的配置参数和配置时刻，建立所述配置参数和所述配置时刻的响应曲线；所述响应曲线用于描述所述人工智能服务器的资源配置稳定性；
基于所述资源配置信息中的配置记录的数量对所述响应曲线进行分段得到多个曲线段，提取每个曲线段的曲线特征；其中，所述曲线特征包括曲线斜率信息和曲线轨迹信息；
计算用于表征每个曲线特征的评价因子的曲线描述值，判断所述曲线描述值中的中位数的当前占比是否达到预设占比；在所述当前占比达到所述预设占比时判定所述人工智能服务器的资源配置线程为正常；在所述当前占比没有达到所述预设占比时判定所述人工智能服务器的资源配置线程为异常并向所述人工智能服务器发送预警信息。
基于上述相同的发明构思，还提供了一种基于人工智能和大数据的信息分析系统，具体描述如下。
B1.一种基于人工智能和大数据的信息分析系统，包括云计算平台、人工智能服务器和多个电力设备，所述云计算平台与所述人工智能服务器以及所述多个电力设备通信；
所述云计算平台用于：
通过与每个电力设备预先建立的信息传输接口获取对应的电力设备的运行状态信息；其中，所述运行状态信息是部署在对应的电力设备中的传感器在其对应的电力设备运行时所采集到的，并通过所述信息传输接口实时上传给所述云计算平台的；
周期性地对获取到的每组运行状态信息进行解析，得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签；
将每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签进行封装得到每组运行状态信息的状态变化集；在检测到所述人工智能服务器中的识别线程的空置率达到设定比率时将每个状态变化集传输到所述人工智能服务器中；
所述人工智能服务器用于：
基于通过所述识别线程对每个状态变化集进行状态识别得到识别结果并将所述识别结果返回给所述云计算平台；
所述云计算平台用于：
获取所述人工智能服务器基于通过所述识别线程对每个状态变化集进行状态识别所返回的识别结果；其中，所述识别结果中包括基于电力设备的设备损耗权重所确定出的异常状态参量；
根据所述识别结果确定每个电力设备以及所述电力设备形成的至少一组用电网络是否存在异常。
B2.根据B1所述的信息分析系统，所述云计算平台进一步用于：
基于每个识别结果对应的数值结果中的每相邻两个识别数值之间的差值确定每个识别结果对应的电力设备的故障发生率；
在所述故障发生率超过第一参考值时，确定所述故障发生率对应的电力设备出现异常；在所述故障发生率没有超过所述第一参考值时，根据每个电力设备的地理位置确定所述故障发生率对应地理分布图，在所述地理分布图中的设定区域内的故障发生率的均值超过第二参考值时，确定所述设定区域对应的用电网络出现异常；
在所述地理分布图中的设定区域内的故障发生率的均值没有超过所述第二参考值时，对所述识别结果进行多维特征聚类得到多个聚类集；
确定每个聚类集对应的模拟参数集，将所述模拟参数集输入预设的状态模拟线程以模拟每个电力设备的模拟运行状态；获取每个电力设备的模拟识别结果并执行与基于每个识别结果对应的数值结果中的每相邻两个识别数值之间的差值确定每个识别结果对应的电力设备的故障发生率相类似的步骤。
B3.根据B1所述的信息分析装置系统，所述云计算平台进一步用于：
获取所述人工智能服务器中处于空置状态的多个识别线程；
判断所述识别线程的数量是否大于等于所述状态变化集的数量；
在所述识别线程的数量大于等于所述状态变化集的数量的前提下，将每个状态变化集传输到所述人工智能服务器的其中一个识别线程中；
在所述识别线程的数量小于所述状态变化集的数量的前提下，获取每个识别线程的信息吞吐量；按照信息吞吐量高低的顺序对所述识别线程进行排序得到第一排序序列；按照状态变化集的信息容量的大小顺序对所述状态变化集进行排序得到第二排序序列；
依次将所述第二排序序列中的至少部分状态变化集分别传输到所述第一排序序列中对应的识别线程中。
B4.根据B1所述的信息分析系统，所述云计算平台进一步用于：
确定所述状态变化轨迹的第一时序特征数组以及与所述状态变化轨迹的每个信息标签的第二时序特征数组；其中，每个第二时序特征数组具有不同的标签权重，所述标签权重用于表征每个时序特征数组与所述第一时序特征数据的编码异构程度，所述第一时序特征数组和每个第二时序特征数组具有相同数量的时序特征字段，每个时序特征字段对应一个字段编码串；
按照所述标签权重由大到小的顺序将所述第二时序特征数组进行排序得到特征数组排序序列，依次提取所述排序序列中的每个第二时序特征数组的特征字段分布序列，将每个特征字段分布序列通过预设的序列转换列表进行变换得到对应的目标分布序列；确定所述第一时序特征数组的特征字段分布序列对应的第一序列拓扑以及所述目标分布序列的第二序列拓扑；其中，所述第一序列拓扑和所述第二序列拓扑具有相同逻辑的有向连线信息；
计算所述第一序列拓扑和每个第二序列拓扑的拓扑结构相似性；其中，所述拓扑结构相似性为所述第一序列拓扑和每个第二序列拓扑的节点相似性和有向连线相似性的加权和；
按照所述拓扑结构相似性由小到大的顺序依次将每个第二序列拓扑对应的信息标签植入所述状态变化轨迹对应的轨迹节点容器中，以得到每组运行状态信息的状态变化集。
B5.根据B1所述的信息分析系统，所述云计算平台进一步用于：
获取每组运行状态信息在每个设定时段内对应的信息属性参数以及每组运行状态信息对应的电力设备的耦接端口的端口信息，并根据每组运行状态信息对应的电力设备的耦接端口的端口信息确定与所述信息属性参数对应的关联属性参数，从所述关联属性参数中提取得到与每组运行状态信息对应的电力设备存在耦接关系的其他电力设备的设备标识；其中，所述信息属性参数为基于所述运行状态信息中的属性标识所确定的参数序列，所述参数序列所对应的序列编码逻辑是固定不变的；
确定每组运行状态信息对应的电力设备与该电力设备存在耦接关系的其他电力设备之间的接线配置信息，并基于所述关联属性参数确定每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数；其中，所述状态偏移系数用于表征每组运行状态信息对应的电力设备与其它电力设备之间的协同系数；
判断所述每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数是否小于预设系数；
若所述每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数小于所述预设系数，则将每组运行状态信息对应的关联属性参数映射到每组运行状态信息对应的端口信息中，得到所述关联属性参数在所述端口信息中的映射属性参数，提取所述映射属性参数的类别并根据所述类别的第一数量确定每组运行状态信息的信息标签的数量；从预设的字段提取列表中确定出与每组运行状态信息中的每组信息字段相匹配的目标字段，并确定每组目标字段的描述信息，按照所述描述信息中包括的时序等级将每组目标字段映射到预设坐标平面中得到对应的字段节点，将所述字段节点进行拟合得到每组运行状态信息对应的状态变化轨迹并根据状态变化轨迹的轨迹特征确定多个信息标签。
B6.根据B5所述的信息分析系统，所述云计算平台还用于：
若所述每组运行状态信息对应的信息属性参数与每组运行状态信息对应的接线配置信息之间的状态偏移系数大于等于所述预设系数，则计算每组运行状态信息对应的电力设备的耦接端口的端口损耗百分比，根据所述端口损耗百分比对每组运行状态信息对应的每组信息字段进行修正得到目标字段，根据所述目标字段与对应的信息字段之间的相似度确定信息标签的数量；将所述目标字段映射到预设坐标平面中得到对应的字段节点，将所述字段节点进行拟合得到每组运行状态信息对应的状态变化轨迹并根据状态变化轨迹的轨迹特征确定多个信息标签。
B7.根据B1所述的信息分析系统，所述云计算平台进一步用于：
通过每个信息传输接口读取对应的电力设备的地理位置信息和电气位置信息，并将各个电力设备对应的地理位置信息和电气位置信息之间的指向信息提取出，通过所述指向信息构建所述电力设备的关联度连接拓扑；其中，该关联度连接拓扑为多区域网络，每个区域网络对应一个区域电气等级，每个区域网络中具有至少一个电力设备，每个区域网络中的其中一个设备与至少一个其他区域网络中的其中一个电力设备电气连接，所述区域电气等级具有从高到低的排序序列；
在通过每个信息传输接口获取到对应的电力设备的运行状态信息时，若其中两组运行状态信息处于同一个区域网络中，确定所述两组运行状态信息之间的地理位置信息的第一相似度以及电气位置信息的第二相似度；在所述第一相似度和所述第二相似度均大于设定相似度时，确定所述两组运行状态信息中的第一运行状态信息的多个第一信息编码以及第二运行状态信息的多个第二信息编码；
根据所述第一运行状态信息中的各第一信息编码及其编码注册信息确定所述第二运行状态信息中的各第二信息编码与所述第一运行状态信息中的相同编码位置的第一信息编码之间的重合率，并标记重合率大于预设比率的第一目标信息编码和第二目标信息编码；
确定所述第一目标信息编码在所述第一运行状态信息的第一关联度以及所述第二目标信息编码在所述第二运行状态信息的第二关联度，基于所述第一关联度为所述第一运行状态信息设置第一签名并基于所述第二关联度为所述第二运行状态信息设置第二签名；其中，所述第一签名和所述第二签名为不同的数字签名。
B8.根据B1所述的信息分析系统，所述人工智能服务器具体通过以下方式来对状态变化集进行识别：
确定所述状态变化集中每个信息标签在其对应的状态变化轨迹的轨迹节点容器中的路径信息；
依据所述路径信息确定每个状态变化集对应的状态变化轨迹在植入所述信息标签之前的第一状态列表以在植入所述信息标签之后的第二状态列表；
基于所述第一状态列表和所述第二状态列表中相同列表位置上的列表内容确定每个状态变化集对应的电力设备的设备损耗权重；
将所述状态变化集对应的植入了信息标签的状态变化轨迹与预设轨迹进行比对得到比对结果；
根据所述设备损耗权重计算每个状态变化轨迹对应的异常状态参量，采用所述异常状态参量对所述比对结果进行加权得到识别结果；其中，所述识别结果为一连串的数值结果。
B9.根据B1所述的信息分析系统，所述云计算平台还用于：
向所述人工智能服务器发送用于对所述人工智能服务器的资源配置信息进行调取的请求指令；其中，所述请求指令中携带有所述云计算平台根据预先与所述人工智能服务器建立的验证协议所生成的认证信息；
在接收到所述人工智能服务器基于所述请求指令中的认证信息发送的授权码时，将所述授权码封装到调取指令中并将所述调取指令发送给所述人工智能服务器；
获取所述人工智能服务器基于所述调取指令反馈的资源配置信息，抽取所述资源配置信息中的每条配置记录对应的配置参数和配置时刻，建立所述配置参数和所述配置时刻的响应曲线；所述响应曲线用于描述所述人工智能服务器的资源配置稳定性；
基于所述资源配置信息中的配置记录的数量对所述响应曲线进行分段得到多个曲线段，提取每个曲线段的曲线特征；其中，所述曲线特征包括曲线斜率信息和曲线轨迹信息；
计算用于表征每个曲线特征的评价因子的曲线描述值，判断所述曲线描述值中的中位数的当前占比是否达到预设占比；在所述当前占比达到所述预设占比时判定所述人工智能服务器的资源配置线程为正常；在所述当前占比没有达到所述预设占比时判定所述人工智能服务器的资源配置线程为异常并向所述人工智能服务器发送预警信息。
在上述方法、装置及系统的基础上，还提供了如图4所示的云计算平台110，包括互相之间通信的处理器111和存储器112，所述处理器111从所述存储器112中读取计算机程序，并通过运行所述计算机程序实现上述的方法。进一步地，还提供了一种应用于计算机的可读存储介质，所述可读存储介质烧录有计算机程序，所述计算机程序在云计算平台110的处理器111中运行时实现上述的方法。
Claims (4)
1.一种基于人工智能和大数据的信息分析方法，其特征在于，应用于与人工智能服务器和多个电力设备通信的云计算平台，所述方法至少包括以下步骤：
通过与每个电力设备预先建立的信息传输接口获取对应的电力设备的运行状态信息；
周期性地对获取到的每组运行状态信息进行解析，得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签；
将每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签进行封装得到每组运行状态信息的状态变化集；
在检测到所述人工智能服务器中的识别线程的空置率达到设定比率时将每个状态变化集传输到所述人工智能服务器中；
获取所述人工智能服务器基于通过所述识别线程对每个状态变化集进行状态识别所返回的识别结果；
根据所述识别结果确定每个电力设备以及所述电力设备形成的至少一组用电网络是否存在异常；
所述方法还包括：
向所述人工智能服务器发送用于对所述人工智能服务器的资源配置信息进行调取的请求指令；其中，所述请求指令中携带有所述云计算平台根据预先与所述人工智能服务器建立的验证协议所生成的认证信息；
在接收到所述人工智能服务器基于所述请求指令中的认证信息发送的授权码时，将所述授权码封装到调取指令中并将所述调取指令发送给所述人工智能服务器；
获取所述人工智能服务器基于所述调取指令反馈的资源配置信息，抽取所述资源配置信息中的每条配置记录对应的配置参数和配置时刻，建立所述配置参数和所述配置时刻的响应曲线；所述响应曲线用于描述所述人工智能服务器的资源配置稳定性；
基于所述资源配置信息中的配置记录的数量对所述响应曲线进行分段得到多个曲线段，提取每个曲线段的曲线特征；其中，所述曲线特征包括曲线斜率信息和曲线轨迹信息；
计算用于表征每个曲线特征的评价因子的曲线描述值，判断所述曲线描述值中的中位数的当前占比是否达到预设占比；在所述当前占比达到所述预设占比时判定所述人工智能服务器的资源配置线程为正常；在所述当前占比没有达到所述预设占比时判定所述人工智能服务器的资源配置线程为异常并向所述人工智能服务器发送预警信息。
2.根据权利要求1所述的信息分析方法，其特征在于，根据所述识别结果确定每个电力设备以及所述电力设备形成的至少一组用电网络是否存在异常，包括：
基于每个识别结果对应的数值结果中的每相邻两个识别数值之间的差值确定每个识别结果对应的电力设备的故障发生率；
在所述故障发生率超过第一参考值时，确定所述故障发生率对应的电力设备出现异常；
在所述故障发生率没有超过所述第一参考值时，根据每个电力设备的地理位置确定所述故障发生率对应地理分布图，在所述地理分布图中的设定区域内的故障发生率的均值超过第二参考值时，确定所述设定区域对应的用电网络出现异常。
3.根据权利要求1所述的信息分析方法，其特征在于，将每个状态变化集传输到所述人工智能服务器中，包括：
获取所述人工智能服务器中处于空置状态的多个识别线程；
判断所述识别线程的数量是否大于等于所述状态变化集的数量；
在所述识别线程的数量大于等于所述状态变化集的数量的前提下，将每个状态变化集传输到所述人工智能服务器的其中一个识别线程中；
在所述识别线程的数量小于所述状态变化集的数量的前提下，获取每个识别线程的信息吞吐量；按照信息吞吐量高低的顺序对所述识别线程进行排序得到第一排序序列；按照状态变化集的信息容量的大小顺序对所述状态变化集进行排序得到第二排序序列；
依次将所述第二排序序列中的至少部分状态变化集分别传输到所述第一排序序列中对应的识别线程中。
4.一种基于人工智能和大数据的信息分析系统，其特征在于，包括云计算平台、人工智能服务器和多个电力设备，所述云计算平台与所述人工智能服务器以及所述多个电力设备通信；
所述云计算平台用于：
通过与每个电力设备预先建立的信息传输接口获取对应的电力设备的运行状态信息；其中，所述运行状态信息是部署在对应的电力设备中的传感器在其对应的电力设备运行时所采集到的，并通过所述信息传输接口实时上传给所述云计算平台的；
周期性地对获取到的每组运行状态信息进行解析，得到每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签；
将每组运行状态信息在每个设定时段内的状态变化轨迹以及多个信息标签进行封装得到每组运行状态信息的状态变化集；在检测到所述人工智能服务器中的识别线程的空置率达到设定比率时将每个状态变化集传输到所述人工智能服务器中；
所述人工智能服务器用于：
基于通过所述识别线程对每个状态变化集进行状态识别得到识别结果并将所述识别结果返回给所述云计算平台；
所述云计算平台用于：
获取所述人工智能服务器基于通过所述识别线程对每个状态变化集进行状态识别所返回的识别结果；其中，所述识别结果中包括基于电力设备的设备损耗权重所确定出的异常状态参量；
根据所述识别结果确定每个电力设备以及所述电力设备形成的至少一组用电网络是否存在异常，具体包括：基于每个识别结果对应的数值结果中的每相邻两个识别数值之间的差值确定每个识别结果对应的电力设备的故障发生率；在所述故障发生率超过第一参考值时，确定所述故障发生率对应的电力设备出现异常；在所述故障发生率没有超过所述第一参考值时，根据每个电力设备的地理位置确定所述故障发生率对应地理分布图，在所述地理分布图中的设定区域内的故障发生率的均值超过第二参考值时，确定所述设定区域对应的用电网络出现异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110208202.5A CN112991094A (zh) | 2020-06-16 | 2020-06-16 | 基于人工智能和大数据的信息分析方法及系统 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010550357.2A CN111784533B (zh) | 2020-06-16 | 2020-06-16 | 基于人工智能和大数据的信息分析方法及云计算平台 |
| CN202110208202.5A CN112991094A (zh) | 2020-06-16 | 2020-06-16 | 基于人工智能和大数据的信息分析方法及系统 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010550357.2A Division CN111784533B (zh) | 2020-06-16 | 2020-06-16 | 基于人工智能和大数据的信息分析方法及云计算平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112991094A true CN112991094A (zh) | 2021-06-18 |
Family
ID=72755940
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110208501.9A Withdrawn CN112991095A (zh) | 2020-06-16 | 2020-06-16 | 一种人工智能和大数据的信息分析方法及云计算平台 |
| CN202010550357.2A Expired - Fee Related CN111784533B (zh) | 2020-06-16 | 2020-06-16 | 基于人工智能和大数据的信息分析方法及云计算平台 |
| CN202110208202.5A Withdrawn CN112991094A (zh) | 2020-06-16 | 2020-06-16 | 基于人工智能和大数据的信息分析方法及系统 |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110208501.9A Withdrawn CN112991095A (zh) | 2020-06-16 | 2020-06-16 | 一种人工智能和大数据的信息分析方法及云计算平台 |
| CN202010550357.2A Expired - Fee Related CN111784533B (zh) | 2020-06-16 | 2020-06-16 | 基于人工智能和大数据的信息分析方法及云计算平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (3) | CN112991095A (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288104B (zh) * | 2020-10-24 | 2022-01-18 | 陈彦均 | 基于人工智能和化妆品生产的信息处理方法及云服务平台 |
| CN112686494B (zh) * | 2020-11-25 | 2024-03-22 | 国网江苏省电力有限公司营销服务中心 | 基于线损异常台区的数据拟合方法、装置及智能设备 |
| CN113613252B (zh) * | 2021-07-14 | 2023-11-07 | 上海德衡数据科技有限公司 | 基于5g的网络安全的分析方法及系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG157223A1 (en) * | 2003-02-25 | 2009-12-29 | Boston Communications Group Inc | Method and system for providing supervisory control over wireless phone usage |
| CN104618493A (zh) * | 2015-02-12 | 2015-05-13 | 小米科技有限责任公司 | 数据请求处理方法及装置 |
| CN107832126B (zh) * | 2017-10-20 | 2020-06-12 | 平安科技（深圳）有限公司 | 一种线程的调整方法及其终端 |
| CN109669776B (zh) * | 2018-12-12 | 2023-08-04 | 北京文章无忧信息科技有限公司 | 检测任务的处理方法、装置和系统 |
| CN110058940B (zh) * | 2019-03-08 | 2022-11-22 | 苏宁易购集团股份有限公司 | 一种多线程环境下的数据处理方法及装置 |
| CN110110759B (zh) * | 2019-04-15 | 2023-07-11 | 东南大学 | 基于多维度信息识别的电网电气信息指向方法及系统 |
| CN110569925B (zh) * | 2019-09-18 | 2023-05-26 | 南京领智数据科技有限公司 | 应用于电力设备运检的基于lstm的时序异常检测方法 |
| CN112134356A (zh) * | 2020-02-11 | 2020-12-25 | 吴龙圣 | 基于大数据分析的智能电网故障监控方法及系统 |
-
2020
- 2020-06-16 CN CN202110208501.9A patent/CN112991095A/zh not_active Withdrawn
- 2020-06-16 CN CN202010550357.2A patent/CN111784533B/zh not_active Expired - Fee Related
- 2020-06-16 CN CN202110208202.5A patent/CN112991094A/zh not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| CN112991095A (zh) | 2021-06-18 |
| CN111784533A (zh) | 2020-10-16 |
| CN111784533B (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784533B (zh) | 基于人工智能和大数据的信息分析方法及云计算平台 | |
| CN113189451A (zh) | 配电网故障定位研判方法、系统、计算机设备和存储介质 | |
| CN104596572A (zh) | 电缆监测系统及方法 | |
| CN115936428B (zh) | 增量配电网防外破定值优化系统 | |
| CN111582298A (zh) | 一种基于人工智能的传感异常数据实时检测方法 | |
| CN112327100A (zh) | 基于物联网的电力故障检测方法及其系统 | |
| CN115685050B (zh) | 一种电能表故障检测方法及系统 | |
| CN114977483A (zh) | 一种智能电网调控控制设备故障诊断系统 | |
| CN111667015A (zh) | 物联网设备状态检测方法、装置及检测设备 | |
| CN115877198A (zh) | 基于边缘计算的一二次融合开关故障诊断预警系统 | |
| CN204085575U (zh) | 电缆监测系统 | |
| US20230024645A1 (en) | Systems and methods for identifying electric power delivery system event locations using machine learning | |
| CN103997126B (zh) | 一种基于开关量状态的故障诊断分级方法及系统 | |
| CN116581890B (zh) | 一种电网运行稳定性的智能监测方法及系统 | |
| CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
| CN109687584B (zh) | 一种输电物联通信网络接入优化方法 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
| CN107102633A (zh) | 一种配电终端故障自诊断方法及系统 | |
| CN111208464A (zh) | 一种配电一二次成套设备测量精度在线评估系统和方法 | |
| CN115586402A (zh) | 配电网故障诊断与处理方法 | |
| CN111740494B (zh) | 基于边缘计算和云计算的数据管理方法及边缘计算平台 | |
| CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
| CN115146727A (zh) | 一种智能用电系统故障检测方法及系统 | |
| CN110321527B (zh) | 一种基于多元基础信息融合的数据有效性判别方法 | |
| Li et al. | Power grid fault detection method based on cloud platform and improved isolated forest |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210618 |
|
| WW01 | Invention patent application withdrawn after publication |