CN113671287A - 电网自动化终端智能检测方法、系统和可读存储介质 - Google Patents
电网自动化终端智能检测方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN113671287A CN113671287A CN202110937322.9A CN202110937322A CN113671287A CN 113671287 A CN113671287 A CN 113671287A CN 202110937322 A CN202110937322 A CN 202110937322A CN 113671287 A CN113671287 A CN 113671287A
- Authority
- CN
- China
- Prior art keywords
- terminal
- value
- information
- data stream
- flow
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000010355 oscillation Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 230000006855 networking Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种电网自动化终端智能检测方法、系统和可读存储介质，其中方法包括：采集所述终端的运行状态信息，判断所述终端的异常情况；获取所述终端的数据流信息到所述数据流的属性信息；基于预设周期采集所述数据流的流量信息，输入到神经网络模型中得到当前流量对应的模拟输出状态；获取所述数据流的流量特征值，与所述模拟输出状态特征值比对来检测当前流量的真实状态并输出最终结果。本发明通过采集电网终端自身的运行状态可以自动化识别终端工作的异常情况，避免出现因为终端长时间异常工作造成财产损失与设备损坏，同时可以监控流经电网终端的数据流以自动获取当前终端下的电力处于高压还是低压的状态，保证了检测的准确性与可靠性。
Description
技术领域
本发明涉及电力设备检测技术领域，更具体的，涉及一种电网自动化终端智能检测方法、系统和可读存储介质。
背景技术
电力是以电能作为动力的能源，发现于19世纪70年代，电力的发现和应用掀起了第二次工业化高潮，成为人类历史18世纪以来，世界发生的三次科技革命之一，从此科技改变了人们的生活，20世纪出现的大规模电力系统是人类工程科学史上最重要的成就之一，是由发电、输电、变电、配电和用电等环节组成的电力生产与消费系统，它将自然界的一次能源通过机械能装置转化成电力，再经输电、变电和配电将电力供应到各用户。
随着我国电力行业的不断升级，越来越多的电网终端将被投入使用，电网终端在逐年升级进步的过程中，自动化程度也越来越高，对于电网终端的检测还停留在人工测试阶段，消耗人力物力的同时还对检测人员的人身安全产生了威胁，如何智能化检测电网自动化终端成为研究的方向，具有不错的前景。
发明内容
鉴于上述问题，本发明的目的是提供一种电网自动化终端智能检测方法、系统和可读存储介质，能够对电网自动化终端的运行状态进行智能检测，同时对流经终端的电力数据进行检测得到对应的电压情况。
本发明第一方面提供了一种电网自动化终端智能检测方法，包括以下步骤：
采集所述终端的运行状态信息，识别异常因子以判断所述终端的异常情况；
获取所述终端的数据流信息，基于预存的类型数据库进行匹配以得到所述数据流的属性信息；
基于预设周期采集所述数据流的流量信息，输入到训练好的神经网络模型中得到当前流量对应的模拟输出状态；
获取所述预设周期内采集到的所述数据流的流量特征值，与所述模拟输出状态特征值比对来检测当前流量对应的真实状态并输出最终结果。
本方案中，所述采集所述终端的运行状态信息识别异常因子以判断所述终端的异常情况，具体为：
基于所述运行状态信息，识别异常因子；
基于所述异常因子进行区分归类，得到异常数量值；
比较所述异常数量值与当前动态阈值的大小，其中，
若所述异常数量值大于或者等于所述动态阈值，则输出告警信息给客户端；
若所述异常数量值小于所述动态阈值，则继续采集所述终端的运行状态信息。
本方案中，当前所述动态阈值的获取步骤具体为：
获取所述终端当前的环境信息模拟值；
获取所述终端当前接入组网的内置响应值；
基于预设的参数链对所述环境信息模拟值以及所述内置响应值进行加权得到所述当前所述动态阈值。
本方案中，所述神经网络模型训练方法为：
获取历史数据流中的流量信息与数据流真实状态；
将所述数据流中的流量信息与数据流真实状态进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述检测神经网络模型。
本方案中，所述获取所述预设周期内采集到的所述数据流的流量特征值，具体为：
获取所述预设周期起点值与末点值；
计算单位时间内数据流的振荡均值；
基于所述起点值、所述末点值以及所述振荡均值构建目标矩阵；
计算所述目标矩阵的矩阵特征值作为所述流量特征值。
本方案中，所述检测当前流量对应的真实状态并输出最终结果，具体为：
提取所述流量特征值与所述模拟输出状态特征值；
计算所述流量特征值与所述模拟输出状态特征值的比值；
比较所述比值与预设斜率的大小，其中，
若所述比值大于或者等于所述斜率，则输出所述模拟输出状态作为最终结果；
若所述比值小于所述斜率，则重新采集所述数据流的流量信息以判断状态。
本发明第二方面还提供一种电网自动化终端智能检测系统，包括存储器和处理器，所述存储器中包括电网自动化终端智能检测方法程序，所述电网自动化终端智能检测方法程序被所述处理器执行时实现如下步骤：
采集所述终端的运行状态信息，识别异常因子以判断所述终端的异常情况；
获取所述终端的数据流信息，基于预存的类型数据库进行匹配以得到所述数据流的属性信息；
基于预设周期采集所述数据流的流量信息，输入到训练好的神经网络模型中得到当前流量对应的模拟输出状态；
获取所述预设周期内采集到的所述数据流的流量特征值，与所述模拟输出状态特征值比对来检测当前流量对应的真实状态并输出最终结果。
本方案中，所述采集所述终端的运行状态信息识别异常因子以判断所述终端的异常情况，具体为：
基于所述运行状态信息，识别异常因子；
基于所述异常因子进行区分归类，得到异常数量值；
比较所述异常数量值与当前动态阈值的大小，其中，
若所述异常数量值大于或者等于所述动态阈值，则输出告警信息给客户端；
若所述异常数量值小于所述动态阈值，则继续采集所述终端的运行状态信息。
本方案中，当前所述动态阈值的获取步骤具体为：
获取所述终端当前的环境信息模拟值；
获取所述终端当前接入组网的内置响应值；
基于预设的参数链对所述环境信息模拟值以及所述内置响应值进行加权得到所述当前所述动态阈值。
本方案中，所述神经网络模型训练方法为：
获取历史数据流中的流量信息与数据流真实状态；
将所述数据流中的流量信息与数据流真实状态进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述检测神经网络模型。
本方案中，所述获取所述预设周期内采集到的所述数据流的流量特征值，具体为：
获取所述预设周期起点值与末点值；
计算单位时间内数据流的振荡均值；
基于所述起点值、所述末点值以及所述振荡均值构建目标矩阵；
计算所述目标矩阵的矩阵特征值作为所述流量特征值。
本方案中，所述检测当前流量对应的真实状态并输出最终结果，具体为：
提取所述流量特征值与所述模拟输出状态特征值；
计算所述流量特征值与所述模拟输出状态特征值的比值；
比较所述比值与预设斜率的大小，其中，
若所述比值大于或者等于所述斜率，则输出所述模拟输出状态作为最终结果；
若所述比值小于所述斜率，则重新采集所述数据流的流量信息以判断状态。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种电网自动化终端智能检测方法程序，所述电网自动化终端智能检测方法程序被处理器执行时，实现如上述任一项所述的一种电网自动化终端智能检测方法的步骤。
本发明公开的一种电网自动化终端智能检测方法、系统和可读存储介质，通过采集电网终端自身的运行状态可以自动化识别终端工作的异常情况，避免出现因为终端长时间异常工作造成财产损失与设备损坏，同时可以监控流经电网终端的数据流以自动获取当前终端下的电力处于高压还是低压的状态，保证了检测的准确性与可靠性。
附图说明
图1示出了本发明一种电网自动化终端智能检测方法的流程图；
图2示出了本发明一种电网自动化终端智能检测方法于一实施例中的对应关系比照图；
图3示出了本发明一种电网自动化终端智能检测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种电网自动化终端智能检测方法的流程图。
如图1所示，本申请公开了一种电网自动化终端智能检测方法，包括以下步骤：
S102，采集所述终端的运行状态信息，识别异常因子以判断所述终端的异常情况；
S104，获取所述终端的数据流信息，基于预存的类型数据库进行匹配以得到所述数据流的属性信息；
S106，基于预设周期采集所述数据流的流量信息，输入到训练好的神经网络模型中得到当前流量对应的模拟输出状态；
S108，获取所述预设周期内采集到的所述数据流的流量特征值，与所述模拟输出状态特征值比对来检测当前流量对应的真实状态并输出最终结果。
需要说明的是，首先采集所述终端的运行状态信息，以识别出来所述终端的异常情况，判断正常的话就不做处理，判断异常时就对所述终端进行维修处理，避免出现终端设备出现损坏的现象，也避免流经的数据出现异常波动，此外，在所述终端判断为正常情况下，采集流经所述终端的所述数据流信息，以判断数据流对应的电压状态，及时获取电压状态，以防出现异常过压或者异常低压的问题。
根据本发明实施例，所述采集所述终端的运行状态信息识别异常因子以判断所述终端的异常情况，具体为：
基于所述运行状态信息，识别异常因子；
基于所述异常因子进行区分归类，得到异常数量值；
比较所述异常数量值与当前动态阈值的大小，其中，
若所述异常数量值大于或者等于所述动态阈值，则输出告警信息给客户端；
若所述异常数量值小于所述动态阈值，则继续采集所述终端的运行状态信息。
需要说明的是，所述终端运行时会收到多种因素的影响，所述运行状态信息中的异常因子包括多种，例如湿度因子、温度因子以及组网参数等，先对识别到的所述异常因子进行归类，统计得到所述异常数量值，判断所述异常数量值与所述当前动态阈值的大小，若所述异常数量值小于所述动态阈值，则继续采集所述终端的运行状态信息；若所述异常数量值大于或者等于所述动态阈值，则输出告警信息给客户端，进而第一时间告知操作人员，可以有效降低终端损坏率，也把相应的损失降到最低。
根据本发明实施例，当前所述动态阈值的获取步骤具体为：
获取所述终端当前的环境信息模拟值；
获取所述终端当前接入组网的内置响应值；
基于预设的参数链对所述环境信息模拟值以及所述内置响应值进行加权得到所述当前所述动态阈值。
需要说明的是，所述参数链包括温度参数θ、湿度参数δ以及组网参数ε，获取对应的所述环境信息模拟值时，以获得温度值T，湿度值H，获取所述终端当前接入组网的内置响应值R，通过下式进行计算得到所述当前所述动态阈值：
Result＝logn(θT+δH+εR+…+nY)。
其中，n为所述参数链中第n个参数，Y为第n个参数对应得参数值。
根据本发明实施例，所述神经网络模型训练方法为：
获取历史数据流中的流量信息与数据流真实状态；
将所述数据流中的流量信息与数据流真实状态进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述检测神经网络模型。
需要说明的是，所述神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的神经网络模型可以通过历史数据流中的流量信息与数据流真实状态作为输入进行训练，当然，在进行训练时，不仅要通过历史数据流中的流量信息与数据流真实状态进行训练，还需要结合确定的异常原因进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得异常原因神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为90％。
根据本发明实施例，所述获取所述预设周期内采集到的所述数据流的流量特征值，具体为：
获取所述预设周期起点值与末点值；
计算单位时间内数据流的振荡均值；
基于所述起点值、所述末点值以及所述振荡均值构建目标矩阵；
计算所述目标矩阵的矩阵特征值作为所述流量特征值。
需要说明的是，先获取所述周期起点值Ns，以及所述末点值Ne，计算所述预设周期内得单位时间的振荡均值Nv，以及所述预设周期内的多个采样值，进行构建所述目标矩阵A，如下式：
得到所述目标矩阵A后，进而得到所述目标矩阵A的所述矩阵特征值λ1作为所述流量特征值。
根据本发明实施例，所述检测当前流量对应的真实状态并输出最终结果，具体为：
提取所述流量特征值与所述模拟输出状态特征值；
计算所述流量特征值与所述模拟输出状态特征值的比值；
比较所述比值与预设斜率的大小，其中，
若所述比值大于或者等于所述斜率，则输出所述模拟输出状态作为最终结果；
若所述比值小于所述斜率，则重新采集所述数据流的流量信息以判断状态。
需要说明的是，通过所述模拟输出状态得到所述模拟输出状态特征值λ2，进而计算所述比值r＝λ1/λ2，例如，所述预设斜率k为0.6，计算得到所述比值r＝0.7，则所述比值r大于所述斜率k，则输出所述模拟输出状态作为最终结果。
根据本发明实施例，本申请在应用时，所述方法还包括获取所述流量特征值与所述模拟输出状态特征值的映射关系来判断所述神经网络模型是否需要更新，步骤具体为：
选择若干个所述预设周期为判定时长；
提取所述判定时长内的所有所述流量特征值与所述模拟输出状态特征值；
以时间为自变量，以特征值为因变量构建组合坐标系，其中，
若所述流量特征值的对应关系位于所述模拟输出状态特征值对应关系的下方，则无需更新所述神经网络模型；
若所述流量特征值的对应关系位于所述模拟输出状态特征值对应关系的上方或者所述流量特征值的对应关系与所述模拟输出状态特征值对应关系有交叉，则需要更新所述神经网络模型。
需要说明的是，如图2所示，本实施例中所述流量特征值的对应关系位于所述模拟输出状态特征值对应关系的下方，则无需更新所述神经网络模型。
图3示出了本发明一种电网自动化终端智能检测系统的框图。
如图3所示，本发明公开了一种电网自动化终端智能检测系统，包括存储器和处理器，所述存储器中包括电网自动化终端智能检测方法程序，所述电网自动化终端智能检测方法程序被所述处理器执行时实现如下步骤：
采集所述终端的运行状态信息，识别异常因子以判断所述终端的异常情况；
获取所述终端的数据流信息，基于预存的类型数据库进行匹配以得到所述数据流的属性信息；
基于预设周期采集所述数据流的流量信息，输入到训练好的神经网络模型中得到当前流量对应的模拟输出状态；
获取所述预设周期内采集到的所述数据流的流量特征值，与所述模拟输出状态特征值比对来检测当前流量对应的真实状态并输出最终结果。
需要说明的是，首先采集所述终端的运行状态信息，以识别出来所述终端的异常情况，判断正常的话就不做处理，判断异常时就对所述终端进行维修处理，避免出现终端设备出现损坏的现象，也避免流经的数据出现异常波动，此外，在所述终端判断为正常情况下，采集流经所述终端的所述数据流信息，以判断数据流对应的电压状态，及时获取电压状态，以防出现异常过压或者异常低压的问题。
根据本发明实施例，所述采集所述终端的运行状态信息识别异常因子以判断所述终端的异常情况，具体为：
基于所述运行状态信息，识别异常因子；
基于所述异常因子进行区分归类，得到异常数量值；
比较所述异常数量值与当前动态阈值的大小，其中，
若所述异常数量值大于或者等于所述动态阈值，则输出告警信息给客户端；
若所述异常数量值小于所述动态阈值，则继续采集所述终端的运行状态信息。
需要说明的是，所述终端运行时会收到多种因素的影响，所述运行状态信息中的异常因子包括多种，例如湿度因子、温度因子以及组网参数等，先对识别到的所述异常因子进行归类，统计得到所述异常数量值，判断所述异常数量值与所述当前动态阈值的大小，若所述异常数量值小于所述动态阈值，则继续采集所述终端的运行状态信息；若所述异常数量值大于或者等于所述动态阈值，则输出告警信息给客户端，进而第一时间告知操作人员，可以有效降低终端损坏率，也把相应的损失降到最低。
根据本发明实施例，当前所述动态阈值的获取步骤具体为：
获取所述终端当前的环境信息模拟值；
获取所述终端当前接入组网的内置响应值；
基于预设的参数链对所述环境信息模拟值以及所述内置响应值进行加权得到所述当前所述动态阈值。
需要说明的是，所述参数链包括温度参数θ、湿度参数δ以及组网参数ε，获取对应的所述环境信息模拟值时，以获得温度值T，湿度值H，获取所述终端当前接入组网的内置响应值R，通过下式进行计算得到所述当前所述动态阈值：
Result＝logn(θT+δH+εR+…+nY)。
其中，n为所述参数链中第n个参数，Y为第n个参数对应得参数值。
根据本发明实施例，所述神经网络模型训练方法为：
获取历史数据流中的流量信息与数据流真实状态；
将所述数据流中的流量信息与数据流真实状态进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述检测神经网络模型。
需要说明的是，所述神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的神经网络模型可以通过历史数据流中的流量信息与数据流真实状态作为输入进行训练，当然，在进行训练时，不仅要通过历史数据流中的流量信息与数据流真实状态进行训练，还需要结合确定的异常原因进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得异常原因神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为90％。
根据本发明实施例，所述获取所述预设周期内采集到的所述数据流的流量特征值，具体为：
获取所述预设周期起点值与末点值；
计算单位时间内数据流的振荡均值；
基于所述起点值、所述末点值以及所述振荡均值构建目标矩阵；
计算所述目标矩阵的矩阵特征值作为所述流量特征值。
需要说明的是，先获取所述周期起点值Ns，以及所述末点值Ne，计算所述预设周期内得单位时间的振荡均值Nv，以及所述预设周期内的多个采样值，进行构建所述目标矩阵A，如下式：
得到所述目标矩阵A后，进而得到所述目标矩阵A的所述矩阵特征值λ1作为所述流量特征值。
根据本发明实施例，所述检测当前流量对应的真实状态并输出最终结果，具体为：
提取所述流量特征值与所述模拟输出状态特征值；
计算所述流量特征值与所述模拟输出状态特征值的比值；
比较所述比值与预设斜率的大小，其中，
若所述比值大于或者等于所述斜率，则输出所述模拟输出状态作为最终结果；
若所述比值小于所述斜率，则重新采集所述数据流的流量信息以判断状态。
需要说明的是，通过所述模拟输出状态得到所述模拟输出状态特征值λ2，进而计算所述比值r＝λ1/λ2，例如，所述预设斜率k为0.6，计算得到所述比值r＝0.7，则所述比值r大于所述斜率k，则输出所述模拟输出状态作为最终结果。
根据本发明实施例，本申请在应用时，所述方法还包括获取所述流量特征值与所述模拟输出状态特征值的映射关系来判断所述神经网络模型是否需要更新，步骤具体为：
选择若干个所述预设周期为判定时长；
提取所述判定时长内的所有所述流量特征值与所述模拟输出状态特征值；
以时间为自变量，以特征值为因变量构建组合坐标系，其中，
若所述流量特征值的对应关系位于所述模拟输出状态特征值对应关系的下方，则无需更新所述神经网络模型；
若所述流量特征值的对应关系位于所述模拟输出状态特征值对应关系的上方或者所述流量特征值的对应关系与所述模拟输出状态特征值对应关系有交叉，则需要更新所述神经网络模型。
需要说明的是，如图2所示，本实施例中所述流量特征值的对应关系位于所述模拟输出状态特征值对应关系的下方，则无需更新所述神经网络模型。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种电网自动化终端智能检测方法程序，所述电网自动化终端智能检测方法程序被处理器执行时，实现如上述任一项所述的一种电网自动化终端智能检测方法的步骤。
本发明公开的一种电网自动化终端智能检测方法、系统和可读存储介质，通过采集电网终端自身的运行状态可以自动化识别终端工作的异常情况，避免出现因为终端长时间异常工作造成财产损失与设备损坏，同时可以监控流经电网终端的数据流以自动获取当前终端下的电力处于高压还是低压的状态，保证了检测的准确性与可靠性。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种电网自动化终端智能检测方法，其特征在于，包括以下步骤：
采集所述终端的运行状态信息，识别异常因子以判断所述终端的异常情况；
获取所述终端的数据流信息，基于预存的类型数据库进行匹配以得到所述数据流的属性信息；
基于预设周期采集所述数据流的流量信息，输入到训练好的神经网络模型中得到当前流量对应的模拟输出状态；
获取所述预设周期内采集到的所述数据流的流量特征值，与所述模拟输出状态特征值比对来检测当前流量对应的真实状态并输出最终结果。
2.根据权利要求1所述的一种电网自动化终端智能检测方法，其特征在于，所述采集所述终端的运行状态信息识别异常因子以判断所述终端的异常情况，具体为：
基于所述运行状态信息，识别异常因子；
基于所述异常因子进行区分归类，得到异常数量值；
比较所述异常数量值与当前动态阈值的大小，其中，
若所述异常数量值大于或者等于所述动态阈值，则输出告警信息给客户端；
若所述异常数量值小于所述动态阈值，则继续采集所述终端的运行状态信息。
3.根据权利要求2所述的一种电网自动化终端智能检测方法，其特征在于，当前所述动态阈值的获取步骤具体为：
获取所述终端当前的环境信息模拟值；
获取所述终端当前接入组网的内置响应值；
基于预设的参数链对所述环境信息模拟值以及所述内置响应值进行加权得到所述当前所述动态阈值。
4.根据权利要求1所述的一种电网自动化终端智能检测方法，其特征在于，所述神经网络模型训练方法为：
获取历史数据流中的流量信息与数据流真实状态；
将所述数据流中的流量信息与数据流真实状态进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述检测神经网络模型。
5.根据权利要求1所述的一种电网自动化终端智能检测方法，其特征在于，所述获取所述预设周期内采集到的所述数据流的流量特征值，具体为：
获取所述预设周期起点值与末点值；
计算单位时间内数据流的振荡均值；
基于所述起点值、所述末点值以及所述振荡均值构建目标矩阵；
计算所述目标矩阵的矩阵特征值作为所述流量特征值。
6.根据权利要求1所述的一种电网自动化终端智能检测方法，其特征在于，所述检测当前流量对应的真实状态并输出最终结果，具体为：
提取所述流量特征值与所述模拟输出状态特征值；
计算所述流量特征值与所述模拟输出状态特征值的比值；
比较所述比值与预设斜率的大小，其中，
若所述比值大于或者等于所述斜率，则输出所述模拟输出状态作为最终结果；
若所述比值小于所述斜率，则重新采集所述数据流的流量信息以判断状态。
7.一种电网自动化终端智能检测系统，其特征在于，包括存储器和处理器，所述存储器中包括电网自动化终端智能检测方法程序，所述电网自动化终端智能检测方法程序被所述处理器执行时实现如下步骤：
采集所述终端的运行状态信息，识别异常因子以判断所述终端的异常情况；
获取所述终端的数据流信息，基于预存的类型数据库进行匹配以得到所述数据流的属性信息；
基于预设周期采集所述数据流的流量信息，输入到训练好的神经网络模型中得到当前流量对应的模拟输出状态；
获取所述预设周期内采集到的所述数据流的流量特征值，与所述模拟输出状态特征值比对来检测当前流量对应的真实状态并输出最终结果。
8.根据权利要求7所述的一种电网自动化终端智能检测系统，其特征在于，所述采集所述终端的运行状态信息识别异常因子以判断所述终端的异常情况，具体为：
基于所述运行状态信息，识别异常因子；
基于所述异常因子进行区分归类，得到异常数量值；
比较所述异常数量值与当前动态阈值的大小，其中，
若所述异常数量值大于或者等于所述动态阈值，则输出告警信息给客户端；
若所述异常数量值小于所述动态阈值，则继续采集所述终端的运行状态信息。
9.根据权利要求8所述的一种电网自动化终端智能检测系统，其特征在于，所述检测当前流量对应的真实状态并输出最终结果，具体为：
提取所述流量特征值与所述模拟输出状态特征值；
计算所述流量特征值与所述模拟输出状态特征值的比值；
比较所述比值与预设斜率的大小，其中，
若所述比值大于或者等于所述斜率，则输出所述模拟输出状态作为最终结果；
若所述比值小于所述斜率，则重新采集所述数据流的流量信息以判断状态。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种电网自动化终端智能检测方法程序，所述电网自动化终端智能检测方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种电网自动化终端智能检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110937322.9A CN113671287B (zh) | 2021-08-16 | 2021-08-16 | 电网自动化终端智能检测方法、系统和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110937322.9A CN113671287B (zh) | 2021-08-16 | 2021-08-16 | 电网自动化终端智能检测方法、系统和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113671287A true CN113671287A (zh) | 2021-11-19 |
| CN113671287B CN113671287B (zh) | 2024-02-02 |
Family
ID=78542989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110937322.9A Active CN113671287B (zh) | 2021-08-16 | 2021-08-16 | 电网自动化终端智能检测方法、系统和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113671287B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114448716A (zh) * | 2022-02-28 | 2022-05-06 | 奇安信科技集团股份有限公司 | 工控安全的控制方法及电子设备、存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109474483A (zh) * | 2019-01-08 | 2019-03-15 | Oppo广东移动通信有限公司 | 一种设备异常情况的检测方法、检测装置及终端设备 |
| WO2019055774A1 (en) * | 2017-09-15 | 2019-03-21 | Saudi Arabian Oil Company | DEDUCTION OF PETROPHYSICAL PROPERTIES OF HYDROCARBON RESERVOIRS USING A NEURONAL NETWORK |
| CN109886833A (zh) * | 2019-01-21 | 2019-06-14 | 广东电网有限责任公司信息中心 | 一种面向智能电网服务器流量异常检测的深度学习方法 |
| CN109922038A (zh) * | 2018-12-29 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种用于电力终端的异常数据的检测方法及装置 |
| US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
| CN110365703A (zh) * | 2019-07-30 | 2019-10-22 | 国家电网有限公司 | 物联网终端异常状态检测方法、装置及终端设备 |
| CN110933031A (zh) * | 2019-10-25 | 2020-03-27 | 国网吉林省电力有限公司电力科学研究院 | 一种基于lstm的智能电网配电终端单元入侵检测方法 |
| CN110971677A (zh) * | 2019-11-19 | 2020-04-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于对抗强化学习的电力物联网终端设备边信道安全监测方法 |
| CN111383128A (zh) * | 2020-03-09 | 2020-07-07 | 中国电力科学研究院有限公司 | 一种用于监测电网嵌入式终端设备运行状态的方法及系统 |
| CN111915842A (zh) * | 2020-07-02 | 2020-11-10 | 广东技术师范大学 | 异常监控方法、装置、计算机设备及存储介质 |
| CN112187820A (zh) * | 2020-10-09 | 2021-01-05 | 深圳供电局有限公司 | 基于机器学习的配电终端dtu入侵检测方法和系统 |
| CN112312341A (zh) * | 2020-10-31 | 2021-02-02 | 广东电力通信科技有限公司 | 一种基于区块链的电力物联网通信智能监护方法及系统 |
| CN112769796A (zh) * | 2020-12-30 | 2021-05-07 | 华北电力大学 | 一种基于端侧边缘计算的云网端协同防御方法及系统 |
| CN112991398A (zh) * | 2021-04-20 | 2021-06-18 | 中国人民解放军国防科技大学 | 基于协同深度神经网络的运动边界指导的光流滤波方法 |
| WO2021135653A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京嘀嘀无限科技发展有限公司 | 一种识别车辆的异常停留的方法和系统 |
-
2021
- 2021-08-16 CN CN202110937322.9A patent/CN113671287B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019055774A1 (en) * | 2017-09-15 | 2019-03-21 | Saudi Arabian Oil Company | DEDUCTION OF PETROPHYSICAL PROPERTIES OF HYDROCARBON RESERVOIRS USING A NEURONAL NETWORK |
| US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
| CN109922038A (zh) * | 2018-12-29 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种用于电力终端的异常数据的检测方法及装置 |
| CN109474483A (zh) * | 2019-01-08 | 2019-03-15 | Oppo广东移动通信有限公司 | 一种设备异常情况的检测方法、检测装置及终端设备 |
| CN109886833A (zh) * | 2019-01-21 | 2019-06-14 | 广东电网有限责任公司信息中心 | 一种面向智能电网服务器流量异常检测的深度学习方法 |
| CN110365703A (zh) * | 2019-07-30 | 2019-10-22 | 国家电网有限公司 | 物联网终端异常状态检测方法、装置及终端设备 |
| CN110933031A (zh) * | 2019-10-25 | 2020-03-27 | 国网吉林省电力有限公司电力科学研究院 | 一种基于lstm的智能电网配电终端单元入侵检测方法 |
| CN110971677A (zh) * | 2019-11-19 | 2020-04-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于对抗强化学习的电力物联网终端设备边信道安全监测方法 |
| WO2021135653A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京嘀嘀无限科技发展有限公司 | 一种识别车辆的异常停留的方法和系统 |
| CN111383128A (zh) * | 2020-03-09 | 2020-07-07 | 中国电力科学研究院有限公司 | 一种用于监测电网嵌入式终端设备运行状态的方法及系统 |
| CN111915842A (zh) * | 2020-07-02 | 2020-11-10 | 广东技术师范大学 | 异常监控方法、装置、计算机设备及存储介质 |
| CN112187820A (zh) * | 2020-10-09 | 2021-01-05 | 深圳供电局有限公司 | 基于机器学习的配电终端dtu入侵检测方法和系统 |
| CN112312341A (zh) * | 2020-10-31 | 2021-02-02 | 广东电力通信科技有限公司 | 一种基于区块链的电力物联网通信智能监护方法及系统 |
| CN112769796A (zh) * | 2020-12-30 | 2021-05-07 | 华北电力大学 | 一种基于端侧边缘计算的云网端协同防御方法及系统 |
| CN112991398A (zh) * | 2021-04-20 | 2021-06-18 | 中国人民解放军国防科技大学 | 基于协同深度神经网络的运动边界指导的光流滤波方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴振田: "基于云计算的电力大数据分析技术与应用", 《通讯世界》, pages 93 - 94 * |
| 吴鹏: "基于云计算的配电系统故障检测与定位研究", 《信息技术》, pages 108 - 113 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114448716A (zh) * | 2022-02-28 | 2022-05-06 | 奇安信科技集团股份有限公司 | 工控安全的控制方法及电子设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113671287B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108614507B (zh) | 智能能源管理方法及智能终端 | |
| CN111614491A (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
| CN115201616B (zh) | 一种基于大数据的充电机运行在线监测方法 | |
| CN112152313B (zh) | 一种采集系统进行电力设备识别的方法 | |
| CN112084220B (zh) | 一种电能计量装置异常诊断方法、装置及可读存储介质 | |
| CN116128467A (zh) | 用电系统维护方法、装置、计算机设备和存储介质 | |
| CN113538370A (zh) | 电网巡检方法、装置、计算机设备和存储介质 | |
| CN113806420A (zh) | 一种电网数据监测方法及装置 | |
| CN113671287A (zh) | 电网自动化终端智能检测方法、系统和可读存储介质 | |
| CN116028887A (zh) | 一种连续性工业生产数据的分析方法 | |
| CN106405224B (zh) | 一种基于海量电能量数据的节能诊断方法及系统 | |
| CN116231871B (zh) | 一种基于数字孪生的电网态势监管方法、系统及存储介质 | |
| CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
| CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
| CN109670550B (zh) | 一种配电终端检修决策方法和装置 | |
| CN111239484A (zh) | 一种非居民用户非侵入式负荷用电信息采集方法 | |
| CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
| CN110717725B (zh) | 基于大数据分析的电网项目选取方法 | |
| CN112507290A (zh) | 配电设备故障概率预判方法、装置及存储介质 | |
| CN112787322A (zh) | 基于scada系统和多时间尺度的电网动态管理方法 | |
| CN117455124B (zh) | 企业的环保设备监测方法、系统、介质及电子设备 | |
| CN115566997B (zh) | 用于空压站的光伏组件衰减测试系统及方法 | |
| CN117970032A (zh) | 输电线路场强监测方法、系统、设备及介质 | |
| CN117811219A (zh) | 一种基于人工智能的工业企业电气智能化管理系统及方法 |
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 |