CN113656752A - 一种气压的预测方法、装置、电子设备及存储介质 - Google Patents
一种气压的预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113656752A CN113656752A CN202110917556.7A CN202110917556A CN113656752A CN 113656752 A CN113656752 A CN 113656752A CN 202110917556 A CN202110917556 A CN 202110917556A CN 113656752 A CN113656752 A CN 113656752A
- Authority
- CN
- China
- Prior art keywords
- air pressure
- pressure value
- value vector
- vector
- target
- 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 53
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 293
- 241000251468 Actinopterygii Species 0.000 claims description 131
- 230000006870 function Effects 0.000 claims description 62
- 238000004088 simulation Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 9
- 229910018503 SF6 Inorganic materials 0.000 description 32
- 239000011159 matrix material Substances 0.000 description 32
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 32
- 238000004422 calculation algorithm Methods 0.000 description 27
- 235000013305 food Nutrition 0.000 description 23
- 238000005457 optimization Methods 0.000 description 12
- 230000002431 foraging effect Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 101001018259 Homo sapiens Microtubule-associated serine/threonine-protein kinase 1 Proteins 0.000 description 4
- 101000693728 Homo sapiens S-acyl fatty acid synthase thioesterase, medium chain Proteins 0.000 description 4
- 102100025541 S-acyl fatty acid synthase thioesterase, medium chain Human genes 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000019637 foraging behavior Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229960000909 sulfur hexafluoride Drugs 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
- G01L19/08—Means for indicating or recording, e.g. for remote indication
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
Abstract
本发明实施例公开了一种气压的预测方法、装置、电子设备及存储介质。其中，所述方法包括：确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；从第二气压值向量中，确定与各第一气压值向量相关的目标气压值向量；根据各目标气压值向量，确定目标设备在第三时间段内的预测向量，并得到气压预测结果。通过执行本方案，可以实现对变电站的SF6气压值进行预测，并进而有助于工作人员根据预测的结果及时采取必要的措施，可以提高变电站变电设备的安全性，可以提高运维效率。
Description
技术领域
本发明实施例涉及数据处理领域，尤其涉及一种气压的预测方法、装置、电子设备及存储介质。
背景技术
随着国民经济的迅速发展，各行各业的用电需求量急剧增加，电力系统负荷日益增长，供电可靠性要求逐步提高，充气电气设备的应用越来越广泛，成为了变电站的主要电气设备之一。SF6(六氟化硫)气体因优良的绝缘灭弧特性广泛应用于高压电气设备中，对变电站SF6气体的在线监测的需求也越来越强烈。变电站按巡视每周抄录一次设备的SF6气压，多年来积累了大量数据，相关技术中这些数据只是作为历史数据供工作人员查阅，未将历史数据的特征或趋势利用起来，造成了数据的浪费。
发明内容
本发明实施例提供一种气压的预测方法、装置、电子设备及存储介质，可以实现对变电站的SF6气压值进行预测，并进而有助于工作人员根据预测的结果及时采取必要的措施，可以提高变电站变电设备的安全性，可以提高运维效率。
第一方面，本发明实施例提供了一种气压的预测方法，该方法包括：
确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；
从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量；
根据各所述目标气压值向量，确定所述目标设备在第三时间段内的预测向量，并得到气压预测结果。
第二方面，本发明实施例还提供了一种气压的预测装置，该装置包括：
气压值向量确定模块，用于确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；
目标气压值向量确定模块，用于从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量；
预测向量确定模块，用于根据各所述目标气压值向量，确定所述目标设备在第三时间段内的预测向量，并得到气压预测结果。
第三方面，本发明实施例还提供了一种电子设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一项所述的气压的预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一项所述的气压的预测方法。
本发明实施例提供的技术方案，确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；从第二气压值向量中，确定与各第一气压值向量相关的目标气压值向量；根据各目标气压值向量，确定目标设备在第三时间段内的预测向量，并得到气压预测结果。通过执行本方案，可以实现对变电站的SF6气压值进行预测，并进而有助于工作人员根据预测的结果及时采取必要的措施，可以提高变电站变电设备的安全性，可以提高运维效率。
附图说明
图1是本发明实施例提供的一种气压的预测方法的流程图；
图2是本发明实施例提供的历史气压数据时序示意图；
图3是现有技术的鱼群算法觅食流程图；
图4是本发明实施例提供的基于改进鱼群算法搜索目标气压值向量的流程图；
图5是本发明实施例提供的改进鱼群算法的觅食流程图；
图6是本发明实施例提供的另一种气压的预测方法的流程图；
图7是本发明实施例提供的又一种气压的预测方法的流程图；
图8是本发明实施例提供的一种气压的预测装置结构示意图；
图9是本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在本方案的一个应用场景中，在电力工业中，SF6气体的使用量非常大，SF6气体的物理特性决定着它在高压电气产品中作为绝缘和灭弧的最好介质的地位，被广泛应用于变电站中的电气设备。SF6气压过低，将使电气产品的灭弧能力降低；SF6气压过高，将使电气产品的机械寿命缩短，还可能造成SF6气体液化。因此，对电气设备的SF6气体的气压值进行监测尤为必要，在电气设备的运行中要注意观察SF6气压值，当预测压力值降至报警压力时要及时补充SF6气体，并判断检测有无漏点，及时做出应对措施。
图1是本发明实施例提供的一种气压的预测方法的流程图，所述方法可以由气压的预测装置来执行，所述装置可以由软件和/或硬件的方式实现，所述装置可以配置在用于实现预测气压的电子设备中。所述方法应用于变电站对气压进行监测的场景中。如图1所示，本发明实施例提供的技术方案具体包括：
S110:确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量。
其中，目标设备可以是被监测的电气设备。第一预设时间段可以是一个月，也可以是2个月，第一预设时间段可以根据实际需要进行设置。第二预设时间段可以是一年，也可以是两年，第二预设时间段可以根据实际需要进行设置。第一预设时间段的长度需要小于第二预设时间段的长度。每台设备每周对应生成一个气压值，每台设备多个连续时间的气压值构成气压值向量。第一气压值向量可以是目标设备在第一预设时间段内四周的气压记录数据矩阵，也可以是目标设备在第一预设时间段内8周的气压记录数据矩阵，第一气压值向量可以根据实际需要进行设置。预设数量可以是1000，预设数量可以是500，预设数量还可以是所有电气设备的数量。预设数量可以根据实际需要进行设置。第二气压值向量可以是预设数量的设备在第二预设时间段内与第一气压值向量维数相同的气压记录数据矩阵，第二气压值向量可以根据实际需要进行设置。本方案可以从历史SF6气压记录数据中确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内所有设备的第二气压值向量。
例如，如图2所示，以所有电气设备的数量为1000台为例，将第一台设备作为目标设备，将前50周至前26周作为第一预设时间段，将第一预设时间段的气压记录数据作为待比对矩阵B。将前550周至前51周作为第二预设时间段，将第二预设时间段的气压记录数据作为源矩阵A。分别将第一台设备在前29周至前26周的SF6气压记录数据矩阵b4，前33周至前26周的SF6气压记录数据矩阵b8，前37周至前26周的SF6气压记录数据矩阵b12，前50周至前26周的SF6气压记录数据矩阵b25作为第一气压值向量。第一气压值向量分别为4维列向量、8维列向量、12维列向量以及25维列向量。第二气压值向量的生成过程与第一气压值向量的生成过程类似：针对第二预设时间段内每一台电气设备对应的气压值，从第一个气压值(第一台设备在第550周的气压值)开始，依次生成4维、8维、12维以及25维的第二气压值向量。
S120:从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量。
其中，对于每一个第一气压值向量，分别从同维数的第二气压值向量中，确定与第一气压值向量相关系数最大的向量，即目标气压值向量。本方案可以采用改进的人工鱼群算法来确定目标气压值向量。
在一个可行的实施方式中，可选的，从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量，包括：建立人工鱼群模型，并根据各所述第一气压值向量确定所述人工鱼群模型中各条人工鱼的初始参数；基于所述人工鱼群模型以及各所述初始参数，从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量。
具体的，可以根据第一气压值向量建立人工鱼群模型。人工鱼群模型可以包括人工鱼的数量，即第一气压值向量的数量。人工鱼群模型可以包括人工鱼的长度，即第一气压值向量的维数。人工鱼群模型还可以包括人工鱼的位置，人工鱼的感知距离，人工鱼的移动步长，人工鱼的拥挤度，人工鱼的寻食最大次数以及人工鱼的最大迭代次数。人工鱼群模型还可以包括其他信息。初始参数可以是人工鱼的感知距离，初始参数可以是人工鱼的初始位置，初始参数也可以是人工鱼的初始移动步长。初始参数还可以是其他参数。本方案可以根据第一气压值向量确定人工鱼群模型中各条人工鱼的初始参数，并基于人工鱼群模型以及各初始参数，从第二气压值向量中，确定与各第一气压值向量相关的目标气压值向量。
在另一个可行的实施方式中，可选的，所述初始参数中包括感知距离；相应的，基于各所述第一气压值向量确定所述人工鱼群模型中各条人工鱼的初始参数，包括：根据各所述第一气压值向量的维度，确定与各所述第一气压值向量对应的人工鱼的感知距离。
具体的，感知距离可以是人工鱼的感知范围。如果第一气压值向量的维度为四维，则其对应的人工鱼的长度为4，确定该人工鱼的感知距离为长度的6倍，即24；如果第一气压值向量的维度为8维，则其对应的人工鱼的长度为8，确定该人工鱼的感知距离为长度的5倍，即40；如果第一气压值向量的维度为十二维，则其对应的人工鱼的长度为12，确定该人工鱼的感知距离为长度的4倍，即48；如果第一气压值向量的维度为25维，则其对应的人工鱼的长度为25，确定该人工鱼的感知距离为长度的3倍，即75。人工鱼的感知距离可以根据实际需要进行设置。
由此，通过根据各第一气压值向量的维度，确定与各第一气压值向量对应的人工鱼的感知距离，可以实现根据人工鱼的长度不同自适应调整不同的感知距离。与现有技术中所有长度的人工鱼的感知距离都相同，从而导致局部极值的技术方案相比，克服了局部极值的问题，保证了寻优的全局性。
在本实施例中，可选的，所述初始参数中包括移动步长；相应的，基于各所述第一气压值向量确定所述人工鱼群模型中各条人工鱼的初始参数，包括：基于如下公式确定所述移动步长：
其中，k是步长调整系数，QV是目标第二气压值向量与所述第一气压值向量的相关系数，Q是当前第二气压值向量与所述第一气压值向量的相关系数；目标第二气压值向量是所述第一气压值向量基于所述感知距离确定的目标位置对应的第二气压值向量，当前第二气压值向量是所述第一气压值向量所在位置对应的第二气压值向量。
其中，移动步长是人工鱼在寻食过程中的移动长度。本方案可以根据第一气压值向量的维数确定各条人工鱼的移动步长。首先，可以分别设置长度为4、8、12、25的人工鱼的初始移动步长为8、12、18、32。然后，在使用人工鱼群模型进行最优向量的搜索过程中，对各条人工鱼的移动步长进行动态调整：确定人工鱼当前位置的第二气压值向量与第一气压值向量的相关系数Q，确定人工鱼在感知距离范围内依据人工鱼群算法中由觅食函数、聚群函数或者追尾函数确定的目标位置的第二气压值向量与第一气压值向量的相关系数QV，基于
确定搜索过程中的步长调整系数，具体移动步长根据k的值自适应调整。其中，食物浓度Q为第一气压值向量与同维度的第二气压值向量的相关系数，其求解公式如下式所示：
其中，X、Y分别代表相同或者不同的向量，Q越大，表明两个向量线性正相关程度越高。
由此，通过根据各第一气压值向量的维度，基于人工鱼群算法对各人工鱼的移动步长进行动态调整，可以实现根据相关系数自适应地调整移动步长。与现有技术中移动步长为随机数导致的收敛速度慢、浪费了大量随机移动时间的技术方案相比，可以实现使搜索算法的收敛速度加快，节约搜索时间。
鱼群算法模拟鱼类捕食活动进行数据的搜索，分为觅食行为、聚群行为、追尾行为和随机行为。其中，觅食行为流程如图3所示，鱼通过视觉感知其身边的食物浓度，假设一条鱼现在处于M1点，其感知距离为V。某时刻其视点为MV，当MV点的食物浓度高于M1点时，则鱼向MV点方向前进一步到达位置Mnext；当MV点的食物浓度等于或低于M1点时，则鱼继续巡视感知距离内其他位置；经过多次巡视能找到全局位置食物浓度的最高点。位置M＝[m1,m2,…,mn],位置
则一条鱼的觅食过程可以表示为
式中，r是-1到1之间的随机数，ST为移动步长，||MV-M||是MV与M之间的距离。在鱼感知距离范围内也存在其他鱼时，感知其他鱼的位置并向其他鱼靠近时的方法也基于此公式。
聚群行为：鱼觅食时常会在食物浓度高的地方聚集成群，属鱼类的群体觅食行为。鱼搜索感知距离内同伴的数量和同伴中心位置的食物浓度，判断食物浓度高的地方同伴数量是否多，不多的话朝同伴中心位置前进一步。否则，执行觅食行为。
追尾行为：当一条鱼发现食物时，它附近的鱼会尾随它而来，进而导致更多的鱼从远处游过来。鱼定位感知距离内同伴的位置，感知食物浓度最高的同伴，且其周围不太拥挤，则向其方向前进一步；否则，执行觅食行为。
随机行为：鱼随机游动，为了更大范围的搜索食物。随机行为是在算法计算中，当其他条件不满足时的一种缺省处理。
相关技术中，鱼群中鱼的长度不一致时，选用统一的感知距离V，存在如下问题：当V较大的，长度较短的鱼寻优过程中容易陷入局部极值；当V较小时，长度较长的鱼寻优过程中收敛速度较慢。因r是-1到1之间的随机数，传统鱼群算法的移动步长也随机，有大量的计算时间浪费在随机的移动中。
本发明实施例通过根据鱼的长度不同自适应调整不同的感知距离，克服了局部极值的问题，保证了寻优的全局性；同时根据相关系数自适应地调整移动步长，使得搜索算法的收敛速度加快搜索时间减短。具体原因可以参考下述介绍。
从1000台电气设备的待比对矩阵B中选取1台设备的第一气压值向量，以第1台设备为例选取出b4、b8、b12、b25，四个向量的维度分别为4、8、12、25，即四条鱼的长度分别为4、8、12、25。每次将4条鱼输入改进鱼群算法进行比对，算法结束后输出源矩阵A中分别与4条鱼同长度的4个相关的目标气压值向量a4、a8、a12、a25。首先对人工鱼群模型中的各变量进行初始化设置：
鱼个体的位置为M＝[m1,m2]。其中，m1、m2为待优化的变量。b4、b8、b12、b25四条鱼的初始位置分别初始化为M1＝[250，125]、M2＝[250，375]、M3＝[750，125]、M4＝[750，375]。
b4、b8、b12、b25四条鱼的感知距离V分别设置为6倍、5倍、4倍、3倍鱼的长度，即四条鱼的感知距离V分别取值24、40、48、75。
食物浓度函数Q为第一气压值向量与同维度的第二气压值向量的相关系数，如下式所示：
其中，X、Y分别代表相同或者不同的向量，Q越大，表明两个向量线性正相关程度越高。
b4、b8、b12、b25四条鱼的初始步长ST分别设置为8、12、18、32，在迭代过程中的具体移动步长ST根据k的值自适应调整，其中
QV是第一气压值向量的目标位置对应的第二气压值向量与同维度的第一气压值向量的相关系数，Q是第一气压值向量所在位置对应的当前第二气压值向量与同维度的第一气压值向量的相关系数。
拥挤θ设为1.8，寻食最大次数MAXNUM设为200，最大迭代次数MAXGEN设为100。
图4是本发明实施例提供的基于改进鱼群算法搜索目标气压值向量的流程图，其中，nf为感知距离V内伙伴数目，QJ为聚群中心位置的食物浓度，QZ为感知距离内伙伴所处位置的最大食物浓度。
如图4所示，对各条鱼完成初始化之后，从b4开始进行寻优，鱼首先进行聚群行为和追尾行为，当判断出食物浓度高的位置过于拥挤时再进行觅食行为。当b4完成一次寻优后，b8对进行寻优……直至鱼群中的所有鱼完成一次寻优，一轮寻优结束。依次进行下一轮的寻优，直至当鱼群寻食最大次数MAXNUM达到200，或者最大迭代次数MAXGEN达到100时，鱼群寻优结束，最终得到目标气压值向量a4、a8、a12、a25。图4中觅食行为、聚群行为、追尾行为的介绍如下：
觅食行为：鱼的当前位置为Mi，在其感知范围V中随机选择一个位置Mj，如果Qj＞Qi，则向Mj方向移动一步，移动步长根据步长调整系数k自适应调整。改进的觅食行为算法的流程图5所示。
聚群行为：鱼的当前位置为Mi，搜索其感知距离V中伙伴数目nf及中心位置MJ，如果QJ＞θ×nf×Qi，则表明伙伴中心鱼少食物多，则向MJ方向移动一步，移动步长根据步长调整系数k自适应调整。
追尾行为：鱼的当前位置为Mi，搜索其感知距离V中伙伴数目nf及食物浓度最大的伙伴位置MZ，如果QZ＞θ×nf×Qi，则表明该伙伴中心鱼少食物多，则向MZ方向移动一步，移动步长根据步长调整系数k自适应调整。
每次寻食结束时四条鱼都向更优的食物位置靠近，当达到寻食最大次数或者最大迭代次数，最终输出源矩阵A中与b4、b8、b12、b25最相关的4个目标气压值向量a4、a8、a12、a25。
S130:根据各所述目标气压值向量，确定所述目标设备在第三时间段内的预测向量，并得到气压预测结果。
其中，第三时间段既不落在第一预设时间段内，又不落在第二预设时间段内，如图2所示，第三时间段可以是前25周至今的时间段，将第三时间段的气压记录数据作为监督矩阵C。第三时间段可以根据实际需要进行设置。可以根据与第一气压值向量相关的目标气压值向量确定目标设备在特定时间段的预测函数，进而根据预测函数确定第三时间段的预测向量，并进而得到目标设备在第三时间段内每周的气压预测结果。
在本实施例中，可选的，根据各所述目标气压值向量，确定目标设备在第三时间段内的预测向量，包括：根据各所述目标气压值向量，生成至少一个模拟函数；基于各所述模拟函数，确定所述目标设备在第三时间段内的预测向量。
具体的，可以将目标气压值向量a4、a8、a12、a25同时输入至Matlab的三次样条插值Spline函数中，分别确定四个目标气压值向量对应的不同时间段的模拟函数f4(x)、f8(x)、f12(x)、f25(x)。本方案可以基于各个模拟函数，确定目标设备在第三时间段内的预测向量。
由此，通过根据各目标气压值向量，生成至少一个模拟函数；基于各模拟函数，确定目标设备在第三时间段内的预测向量。可以实现根据各目标气压值向量对电气设备的未来气压值进行预测，可以提高运维效率。
在本实施例中，可选的，基于各所述模拟函数，确定所述目标设备在第三时间段内的预测向量，包括：若所述目标气压值向量为至少两个，则对所述至少两个目标气压值向量对应的模拟函数求平均，得到平均模拟函数；基于所述平均模拟函数，确定第三时间段的预测向量。
示例性的，目标气压值向量的个数决定了模拟函数的个数，如果目标气压值向量为至少两个，例如针对目标气压值向量a4、a8、a12、a25，则可以对由目标气压值向量确定的模拟函数取平均值得到平均模拟函数，即：
其中，f4(x)、f8(x)、f12(x)、f25(x)分别为与四个目标气压值向量a4、a8、a12、a25对应的模拟函数。进而根据平均模拟函数，确定第三时间段的预测向量。例如可以根据平均模拟函数确定第一台设备在前25周至前22周即将出现的气压值向量d4。也可以根据平均模拟函数确定第一台设备在前25周至前18周即将出现的气压值向量d8。也可以根据平均模拟函数确定第一台设备在前25周至前14周即将出现的气压值向量d12。还可以根据平均模拟函数确定第一台设备在前25周至今即将出现的气压值向量d25。
由此，通过若目标气压值向量为至少两个，则对至少两个目标气压值向量对应的模拟函数求平均，得到平均模拟函数；基于平均模拟函数，确定第三时间段的预测向量。可以实现使确定的目标设备的预测向量更加准确，避免预测结果极端值的产生，减少因预测向量维度小造成的拟合误差。
本发明实施例提供的技术方案，确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；从第二气压值向量中，确定与各第一气压值向量相关的目标气压值向量；根据各目标气压值向量，确定目标设备在第三时间段内的预测向量，并得到气压预测结果。通过执行本方案，可以实现对变电站的SF6气压值进行预测，并进而有助于工作人员根据预测的结果及时采取必要的措施，可以提高变电站变电设备的安全性，可以提高运维效率。
图6是本发明实施例提供的气压的预测方法的流程图，本方案在上述实施例的基础上进行了优化，具体优化为：可选的，在得到气压预测结果之后，所述方法还包括：获取所述目标设备在第三时间段的气压实际值；基于所述气压预测结果与所述气压实际值确定预测准确率。如图6所示，本发明实施例提供的技术方案具体包括：
S210:确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量。
S220:从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量。
S230:根据各所述目标气压值向量，确定所述目标设备在第三时间段内的预测向量，并得到气压预测结果。
S240:获取所述目标设备在第三时间段的气压实际值。
其中，由于本方案将所有电气设备在历史时间段的气压值数据都进行了存储，因此，本方案可以在历史气压记录数据中获取目标设备在第三时间段的实际气压值。例如第一台设备在前25周至今的历史气压记录数据。
S250:基于所述气压预测结果与所述气压实际值确定预测准确率。
将对应设备、对应时间的气压实际值与预测气压结果做差，记录每个设备每个时间点的差值，差值小于0.01称为预测准确。可以确定改进的人工鱼群算法针对目标设备的预测准确率。本方案还可以进一步确定改进的人工鱼群算法针对所有电气设备的预测准确率。
本发明实施例提供的技术方案，确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；从第二气压值向量中，确定与各第一气压值向量相关的目标气压值向量；根据各目标气压值向量，确定目标设备在第三时间段内的预测向量，并得到气压预测结果。获取目标设备在第三时间段的气压实际值；基于气压预测结果与所述气压实际值确定预测准确率。通过执行本方案，可以实现对变电站的SF6气压值进行预测，并进而有助于工作人员根据预测的结果及时采取必要的措施，可以提高变电站变电设备的安全性，可以提高运维效率，可以实现对预测结果的准确性进行验证。
为了更清楚的表述本发明的技术方案，图7是本发明实施例提供的气压的预测方法的流程图，如图7所示，本发明实施例提供的技术方案可以包括如下步骤：
步骤1、形成源矩阵A、待比对矩阵B和监督矩阵C。
①源矩阵A：收集1000台设备前550周至前51周的SF6气压记录数据，形成源矩阵Aij。其中，i＝1...1000，j＝1...500。
②待比对矩阵B：收集1000台设备前50周至前26周的SF6气压记录数据，形成待比对矩阵。其中，1000台设备前29周至前26周的SF6气压记录数据矩阵为B4ij，其中i＝1...1000，j＝1...4；1000台设备前33周至前26周的SF6气压记录数据矩阵为B8ij，其中i＝1...1000，j＝1...8；1000台设备前37周至前26周的SF6气压记录数据矩阵为B12ij，其中i＝1...1000，j＝1...12；1000台设备前50周至前26周的SF6气压记录数据矩阵为B25ij，其中i＝1...1000，j＝1...25。
③监督矩阵C：收集1000台设备前25周至今的SF6气压记录数据，形成监督矩阵Cij。其中i＝1...1000，j＝1...25。
随时间划分的三个矩阵如图2所示，结合图2再次叙述实验步骤，即欲知待比对矩阵B中数据的发展趋势，需要到源矩阵A中寻找发展规律，预测出t＝0之后的数据，再和真实的数据(监督矩阵C)比较，验证实验效果。
步骤2、确定目标气压值向量a4、a8、a12、a25。
其中，本步骤的介绍详见上述实施例。
由于源矩阵A维度较大，比对过程会耗时较长。在搜索过程中引入人工鱼群算法，并对传统鱼群算法进行一些改进：根据鱼的长度不同自适应调整不同的感知距离范围，克服了局部极值的问题，保证了寻优的全局性；同时根据食物浓度自适应的调整移动步长，使得搜索算法的收敛速度加快搜索时间减短。
步骤3、预测向量的生成。
首先利用三次样条法求得目标气压值向量的模拟函数，再由模拟函数得到平均模拟函数，最后由平均模拟函数得到预测向量。
模拟函数的生成：利用三次样条插值法模拟出a4、a8、a12、a25四个目标气压值向量的4个模拟函数f4(x)、f8(x)、f12(x)、f25(x)，具体由Matlab7.10三次样条插值Spline函数实现。
其中，三次样条法模拟建筑工匠用细长的软竹条穿过固定的几个点时竹条自动产生形变的现象来求解曲线函数，每两个点间的曲线均可用一个三次多项式表示，且任意两个相邻的三次多项式及其导数在连接点处都是连续的，根据连续即可估计出曲线上其他点的近似值。三次样条的公式表述如下：
fi(x)＝uix3+vix2+wix+z，
其中，fi(x)为阶段函数，共n段；i为1～n之间的整数；ui、vi、wi为第i段三次样条的待求系数；z为待求常数。
预测向量的求解：根据预测周期不同，分别求取预测为4周、8周、12周、25周时使用的平均模拟函数f4'(x)、f8'(x)、f12'(x)、f25'(x)。为减少因预测向量维度小造成的拟合误差，在4维、8维、12维情况下取不同维度模拟函数的平均值，表达式如下：
最后由f4'(x)、f8'(x)、f12'(x)、f25'(x)四个平均模拟函数预测出设备在t＝0后4周、8周、12周、25周即将出现的气压值向量，即预测向量d4、d8、d12、d25。
步骤4、实验效果验证。
从监督矩阵C中提取出与预测向量d4、d8、d12、d25对应设备、对应时间、对应长度的实际气压值向量c4、c8、c12、c25。将预测向量与实际向量做差，记录每个设备每个时间点的差值，差值小于0.01称为预测准确。
根据算法在参数设定环节使用随机步长(random ST，RAST)或自适应步长(self-adapting ST，SAST)、算法迭代环节使用随机感知距离(random visual，RAV)或自适应感知距离(self-adapting visual，SAV)、预测向量生产环节使用模拟函数(fitting function，FF)或平均模拟函数(group function，GF)，进行8种不同设置下的实验。每次实验均对1000台设备进行4周、8周、12周、25周的SF6气压进行预测，并统计监督矩阵C对应的2500个预测点的预测准确的个数，得到预测准确率，同时记录每次实验时长，得到单次预测的平均耗时。自适应鱼群算法在不同设置下的准确率和耗时对比如表1所示：
表1
从表中可以看出，在步长的选取方面，采用随机步长RAST与自适应步长SAST对准确率的影响很小，但SAST较RAST方法缩减了76.1％的算法耗时；在感知距离选取方面，采用随机感知距离RAV与自适应感知距离SAV对算法耗时的影响很小，但SAV方法的准确率显著提高，可见SAV方法在运算中避免了局部极值从而获得更高的准确率；在预测用的函数选取方面，采用模拟函数FF与平均模拟函数GF对算法耗时的影响很小，但GF方法的准确率更高。综合来看，采用了自适应步长、自适应感知距离、平均模拟函数的SAST+SAV+GF算法总体准确率最高、算法平均耗时低，证明了本文算法改进的效果。
本发明实施例提供的技术方案，在变电站历史抄录的大量SF6气压数据中进行数据挖掘。将近期几周的气压值向量与历史数据库中气压进行比对，从历史数据库中找出与待比对气压值向量最相似的向量段，对找出的向量段进行函数拟合，从而预测出将会出现的气压值。在传统鱼群算法的基础上进行了自适应的感知距离和步长优化，并利用平均模拟函数预测气压值向量。实验结果表明，自适应鱼群算法能预测出目标设备接下来25周即将出现的SF6气压值，综合预测准确率达到99.2％，运算速度较传统鱼群算法减少了76.1％，如果接近气压告警值，则提前进行防范性的缩短设备运维周期、补气等安全预控措施。为设备的运维周期、补气周期、状态检修和停电计划编制提供了有效的参考。
图8是本发明实施例提供的气压的预测装置结构示意图，所述装置可以由软件和/或硬件的方式实现，所述装置可以配置在用于实现预测气压的电子设备中。如图8所示，所述装置包括：
气压值向量确定模块410，用于确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；
目标气压值向量确定模块420，用于从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量；
预测向量确定模块430，用于根据各所述目标气压值向量，确定所述目标设备在第三时间段内的预测向量，并得到气压预测结果。
可选的，目标气压值向量确定模块420，具体用于：建立人工鱼群模型，并根据各所述第一气压值向量确定所述人工鱼群模型中各条人工鱼的初始参数；基于所述人工鱼群模型以及各所述初始参数，从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量。
可选的，所述初始参数中包括感知距离；相应的，目标气压值向量确定模块420，具体用于：根据各所述第一气压值向量的维度，确定与各所述第一气压值向量对应的人工鱼的感知距离。
可选的，所述初始参数中包括移动步长；相应的，目标气压值向量确定模块420，具体用于：基于如下公式确定所述移动步长：
其中，k是步长调整系数，QV是目标第二气压值向量与所述第一气压值向量的相关系数，Q是当前第二气压值向量与所述第一气压值向量的相关系数；目标第二气压值向量是所述第一气压值向量基于所述感知距离确定的目标位置对应的第二气压值向量，当前第二气压值向量是所述第一气压值向量所在位置对应的第二气压值向量。
可选的，所述装置还包括预测准确率确定模块，用于在得到气压预测结果之后，获取所述目标设备在第三时间段的气压实际值；基于所述气压预测结果与所述气压实际值确定预测准确率。
可选的，预测向量确定模块430，具体用于：根据各所述目标气压值向量，生成至少一个模拟函数；基于各所述模拟函数，确定所述目标设备在第三时间段内的预测向量。
可选的，预测向量确定模块430，具体用于：若所述目标气压值向量为至少两个，则对所述至少两个目标气压值向量对应的模拟函数求平均，得到平均模拟函数；基于所述平均模拟函数，确定第三时间段的预测向量。
上述实施例所提供的装置可以执行本发明任意实施例所提供的气压的预测方法，具备执行方法相应的功能模块和有益效果。
图9是本发明实施例提供的一种电子设备结构示意图，如图9所示，该设备包括：
一个或多个处理器510，图5中以一个处理器510为例；
存储器520；
所述设备还可以包括：输入装置530和输出装置440。
所述设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器520作为一种非暂态计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种气压的预测方法对应的程序指令/模块。处理器510通过运行存储在存储器520中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述方法实施例的一种气压的预测方法，即：
确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；
从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量；
根据各所述目标气压值向量，确定所述目标设备在第三时间段内的预测向量，并得到气压预测结果。
存储器520可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非暂态性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中，存储器520可选包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的一种气压的预测方法，也即：
确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；
从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量；
根据各所述目标气压值向量，确定所述目标设备在第三时间段内的预测向量，并得到气压预测结果。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种气压的预测方法，其特征在于，包括：
确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；
从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量；
根据各所述目标气压值向量，确定所述目标设备在第三时间段内的预测向量，并得到气压预测结果。
2.根据权利要求1所述的方法，其特征在于，从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量，包括：
建立人工鱼群模型，并根据各所述第一气压值向量确定所述人工鱼群模型中各条人工鱼的初始参数；
基于所述人工鱼群模型以及各所述初始参数，从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量。
3.根据权利要求2所述的方法，其特征在于，所述初始参数中包括感知距离；
相应的，基于各所述第一气压值向量确定所述人工鱼群模型中各条人工鱼的初始参数，包括：
根据各所述第一气压值向量的维度，确定与各所述第一气压值向量对应的人工鱼的感知距离。
4.根据权利要求3所述的方法，其特征在于，所述初始参数中包括移动步长；
相应的，基于各所述第一气压值向量确定所述人工鱼群模型中各条人工鱼的初始参数，包括：
基于如下公式确定所述移动步长：
其中，k是步长调整系数，QV是目标第二气压值向量与所述第一气压值向量的相关系数，Q是当前第二气压值向量与所述第一气压值向量的相关系数；目标第二气压值向量是所述第一气压值向量基于所述感知距离确定的目标位置对应的第二气压值向量，当前第二气压值向量是所述第一气压值向量所在位置对应的第二气压值向量。
5.根据权利要求1所述的方法，其特征在于，在得到气压预测结果之后，还包括：
获取所述目标设备在第三时间段的气压实际值；
基于所述气压预测结果与所述气压实际值确定预测准确率。
6.根据权利要求1所述的方法，其特征在于，根据各所述目标气压值向量，确定所述目标设备在第三时间段内的预测向量，包括：
根据各所述目标气压值向量，生成至少一个模拟函数；
基于各所述模拟函数，确定所述目标设备在第三时间段内的预测向量。
7.根据权利要求6所述的方法，其特征在于，基于各所述模拟函数，确定所述目标设备在第三时间段内的预测向量，包括：
若所述目标气压值向量为至少两个，则对所述至少两个目标气压值向量对应的模拟函数求平均，得到平均模拟函数；
基于所述平均模拟函数，确定第三时间段的预测向量。
8.一种气压的预测装置，其特征在于，包括：
气压值向量确定模块，用于确定第一预设时间段内目标设备的至少一个第一气压值向量，以及第二预设时间段内预设数量设备的第二气压值向量；
目标气压值向量确定模块，用于从所述第二气压值向量中，确定与各所述第一气压值向量相关的目标气压值向量；
预测向量确定模块，用于根据各所述目标气压值向量，确定所述目标设备在第三时间段内的预测向量，并得到气压预测结果。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110917556.7A CN113656752A (zh) | 2021-08-11 | 2021-08-11 | 一种气压的预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110917556.7A CN113656752A (zh) | 2021-08-11 | 2021-08-11 | 一种气压的预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113656752A true CN113656752A (zh) | 2021-11-16 |
Family
ID=78479455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110917556.7A Pending CN113656752A (zh) | 2021-08-11 | 2021-08-11 | 一种气压的预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113656752A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115560926A (zh) * | 2022-11-30 | 2023-01-03 | 四川欧乐智能技术有限公司 | 一种手机密封性检测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106786499A (zh) * | 2016-11-10 | 2017-05-31 | 南京信息工程大学 | 基于改进afsa优化elm的短期风电功率预测方法 |
| CN107944622A (zh) * | 2017-11-21 | 2018-04-20 | 华北电力大学 | 基于连续时段聚类的风电功率预测方法 |
| US20210088692A1 (en) * | 2015-03-27 | 2021-03-25 | Trustees Of Princeton University | System and method for performing wind forecasting |
-
2021
- 2021-08-11 CN CN202110917556.7A patent/CN113656752A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210088692A1 (en) * | 2015-03-27 | 2021-03-25 | Trustees Of Princeton University | System and method for performing wind forecasting |
| CN106786499A (zh) * | 2016-11-10 | 2017-05-31 | 南京信息工程大学 | 基于改进afsa优化elm的短期风电功率预测方法 |
| CN107944622A (zh) * | 2017-11-21 | 2018-04-20 | 华北电力大学 | 基于连续时段聚类的风电功率预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115560926A (zh) * | 2022-11-30 | 2023-01-03 | 四川欧乐智能技术有限公司 | 一种手机密封性检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108733508B (zh) | 用于控制数据备份的方法和系统 | |
| CN110493333A (zh) | 一种目标位置点的确定方法、装置、设备及存储介质 | |
| EP3671374A1 (en) | Method and system for determining system settings for an industrial system | |
| US20230377277A1 (en) | Video patrol method and device, electronic device, and readable medium | |
| CN110348622A (zh) | 一种基于机器学习的时间序列预测方法、系统及电子设备 | |
| CN106991095B (zh) | 机器异常的处理方法、学习速率的调整方法及装置 | |
| CN105407158A (zh) | 一种建立模型和推送消息的方法及装置 | |
| CN114596553A (zh) | 模型训练方法、轨迹预测方法、装置及自动驾驶车辆 | |
| US11381331B2 (en) | Communication quality deterioration prediction system, method, and program | |
| US7877337B2 (en) | Auto-adaptive network for sensor data processing and forecasting | |
| CN110989403B (zh) | 综合能源调控系统及其控制方法、服务器 | |
| KR102613367B1 (ko) | 딥러닝 모델 서빙 최적화를 위한 모델 자동 경량화 방법 및 장치, 이를 이용한 클라우드 추론 서비스 제공 방법 | |
| CN113656752A (zh) | 一种气压的预测方法、装置、电子设备及存储介质 | |
| CN114338416B (zh) | 一种时空多指标预测方法、装置和存储介质 | |
| CN112261575B (zh) | 数据传输方法、装置、设备及介质 | |
| KR101565694B1 (ko) | 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 | |
| CN113344737A (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
| WO2024016586A1 (zh) | 机房温度控制方法及装置、电子设备、存储介质 | |
| CN115271129B (zh) | 应用于输电线路的故障维修方法、装置、设备和介质 | |
| WO2016203757A1 (ja) | 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラムが格納されているコンピュータ読み取り可能な記憶媒体 | |
| EP4020327A2 (en) | Method and apparatus for training data processing model, electronic device and storage medium | |
| CN112153347B (zh) | 煤矿井下智能视觉终端感知方法、存储介质及电子设备 | |
| KR102507185B1 (ko) | 전력 계통 클러스터링 방법 및 장치 | |
| JP7395811B2 (ja) | 負荷予測方法、装置、電子機器、及び記憶媒体 | |
| CN114898576B (zh) | 交通控制信号的生成方法、目标网络模型的训练方法 |
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 |