CN114034978B - 一种用于配网类项目的自动模型检测方法及系统 - Google Patents

Abstract

本发明涉及自动检测技术领域，公开了一种用于配网类项目的自动模型检测方法，包括：预设自动模型；激活自动模型；在指标库内根据指标模板依次调用配网类项目的指标，获取指标值，将指标值定义为A1并输出；调用预估算法，根据预估算法和自回归积分滑动平均模型计算出数据集合A2，并输出A2；在模型库中将A1和A2列入检测结果，输出此时的检测值集合B，输入检测值集合B，根据检测值集合B生成检测报告，对自动模型进行完善。本发明还公开了一种用于配网类项目的自动模型检测系统。本发明用于当配网类项目结束后，自动获取项目实施前、实施中、实施后的数据，进行检测并推演未来各项指标参数发展趋势，最后对项目特性与自动模型进行自动适配。

Description

一种用于配网类项目的自动模型检测方法及系统

技术领域

本发明涉及自动检测技术领域，具体地说，是一种用于配网类项目的自动模型检测方法及系统，用于当配网类项目结束后，自动获取项目实施前、实施中、实施后的数据，进行检测并推演未来各项指标参数发展趋势，最后对项目特性与自动模型进行自动适配。

背景技术

电力是社会的重要能源，电力入户使所有人的生活更加便利，同时全民用电也使得用电问题增多，区域性断电、低电压等问题层出不穷，电力公司难以掌握实际的用户反馈，维护后的效果也难以评定，人力物力消耗极大。为了解决上述问题，传统配网项目采用数据台人力监控，管控人员通过对数据台的监控数据进行记录分析，编撰检测报告反馈到项目记录。

但上述数据台人力监控容易出现如下问题：

1)人员与时间成本极高，且检测结果因人而异，难以给出切实完善的修改建议。

2)面对数据量过大的项目难以进行人力检测，多人检测易造成观点冲突，使检测时间延长，而项目的实际数据会即时变化，检测结果易丧失时效。

3)数据库难以盘查，人力检测一般使用固定的检测体系，检测具有局限性。

因此，亟需一种发明，能够实现对配网类项目的自动化检测、演化，以及漏洞的排查，当项目结束后，自动获取项目实施前、实施中、实施后的数据，进行检测并推演未来各项指标参数发展趋势，最后对项目特性与自动模型进行自动适配。

发明内容

本发明的目的在于提供一种用于配网类项目的自动模型检测方法及系统，实现当配网类项目结束后，自动获取项目实施前、实施中、实施后的数据，进行检测并推演未来各项指标参数发展趋势，最后对项目特性与自动模型进行自动适配的功能，具有流程化的对整个项目的全生命周期进行全方位检测和检测的效果。

本发明通过下述技术方案实现：一种用于配网类项目的自动模型检测方法，包括：

步骤S1.在模型库内预设自动模型，在计算仓内选择自动模型；

步骤S2.在模型库内激活自动模型，获取检测维度和指标模板；

步骤S3.在指标库内根据指标模板依次调用配网类项目的指标，依据指标是否具有长时效性判断是否需要调用预估算法，如果是，进入步骤S4，如果否，获取指标值，将指标值定义为A1并输出；

步骤S4.在算法库调用预估算法，根据预估算法和自回归积分滑动平均模型计算出数据集合A2，并输出A2；

步骤S5.在模型库中将A1和A2列入检测结果，取出集合A2中的数据，在指标库中调用检测算法，并执行检测算法，计算出检测值，预设检测值差异标准阈值，将计算出的检测值和预设的检测值差异标准阈值作比较，列出检测值大于或等于检测值差异标准阈值的检测值到检测结果中，并输出此时的检测值集合B；

步骤S6.在计算仓输入检测值集合B，根据检测值集合B生成检测报告，在检测报告中打入标签记录，对自动模型进行完善，完成自动模型检测。

本技术方案中，自动模型检测比数据台人力监控检测花费更少的时间，却拥有更广泛的监控数据精度与支持庞大的计算量，同时对此类项目有更大的泛用性，同类型项目不需要用户思考复杂的检测结构，由系统内此类项目的检测数据建立合适准确的自动模型进行检测，同时对项目未来的指标数据预测能直观的展示项目的前路，帮助检测人员进行更合理的整改意见。

为了更好地实现本发明，进一步地，步骤S2包括：

当自动模型被激活后，系统自动读取出检测维度；

根据检测维度获取指标模板。

为了更好地实现本发明，进一步地，步骤S3中据指标是否具有长时效性判断是否需要调用预估算法的方法包括：

在指标库内对指标进行定义，获取指标长时效性标准；

根据数据是否大于或等于指标长时效性标准判断指标是否具有长时效性，如果是，指标具有长时效性，如果否，指标不具有长时效性。

为了更好地实现本发明，进一步地，步骤S4包括：

根据预估算法计算出时间阶段性的指标数据作为样品数据；

根据自回归积分滑动平均模型对样品数据进行记录和计算，获取数据集合A2。

为了更好地实现本发明，进一步地，步骤S5包括：

按时间阶段对检测值集合B进行数据记录。

为了更好地实现本发明，进一步地，步骤S6包括：

采用神经网络框架记录配网类项目的自动模型和检测结果；

根据相同特性的配网类项目选择不同的自动模型；

根据检测记录和检测结果对自动模型进行完善。

为了更好地实现本发明，进一步地，本发明还提供了一种用于配网类项目的自动模型检测系统，系统包括模型库、计算仓、指标库和算法库，其中：

模型库，用于预设自动模型，用于激活自动模型，用于获取检测维度和指标模板；用于将指标值和数据集合列入检测结果，取出数据集合中的数据，在指标库中调用检测算法，并执行检测算法，计算出检测值，预设检测值差异标准阈值，将计算出的检测值和预设的检测值差异标准阈值作比较，列出检测值大于或等于检测值差异标准阈值的检测值到检测结果中，并输出此时的检测值集合；

计算仓，用于选择自动模型；用于输入检测值集合，根据检测值集合生成检测报告，在检测报告中打入标签记录；

指标库，用于根据指标模板依次调用配网类项目的指标，依据指标是否具有长时效性判断是否需要调用预估算法，如果是，进入算法库，如果否，获取指标值并输出；

算法库，用于调用预估算法，根据预估算法和自回归积分滑动平均模型计算出数据集合A2，并输出A2。

本发明与现有技术相比，具有以下优点及有益效果：

(1)本发明中的系统依据自动模型进行检测，而非人力监控数据台进行数据记录从而检测，检测中会依据阶段性的样品数据进行未来趋势预估，并提出差异较大的时间阶段；

(2)本发明会依据阶段性的样品数据进行未来趋势预估，并提出差异较大的时间阶段；

(3)本发明会依据阶段性的样品数据进行未来趋势预估，并提出差异较大的时间阶段。

附图说明

本发明结合下面附图和实施例做进一步说明，本发明所有构思创新应视为所公开内容和本发明保护范围。

图1为本发明所提供的一种用于配网类项目的自动模型检测方法及系统的流程图和结构示意图。

具体实施方式

为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作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，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

名词解释

实施例1：

本实施例的一种用于配网类项目的自动模型检测方法，如图1所示，计算出时间阶段性的指标数据作为样品数据，采用自回归积分滑动平均模型进行未来趋势预估，预估出的数据分时间阶段做出检测结果，与当前检测结果进行对比，列出差异较大的时间阶段数据。采用神经网络框架记录此类特性项目的自动模型与检测结果，依据相同特性的项目选择不同的自动模型制作共通的自动模型，依据生成的自动模型，以后新的此特性项目会于空闲时间自动调用自动模型进行模拟检测，并将自动记录与手动检测结果进行参考，最终完善自动模型，使自动生成的检测结果符合预期，达到自动模型自动的效果选择自动模型后，系统自动读取出检测维度，按照检测维度涉及指标自动整理项目的数据，调用预估算法对指标进行得分计算，综合得分反馈到检测结果中。

实施例2：

本实施例在实施例1的基础上做进一步优化，检测维度是自动模型内设定的检测方向，与项目特性挂钩，用于链接项目特性与指标模板，指标模板包含多个指标的列单。

本实施例的其他部分与实施例1相同，故不再赘述。

实施例3：

本实施例在实施例1的基础上做进一步优化，配电网项目特性是依据配电网项目的实施目的所给的定义，在本实施例中指标长时效性标准是指指标对应的数据需要按照时间区间进行计算，例月供电可靠率＝(1-月用户平均停电小时数/当月小时数)×100％，月供电可靠率为具有长时效性。

本实施例的其他部分与实施例1相同，故不再赘述。

实施例4：

本实施例在实施例1的基础上做进一步优化，自回归积分滑动平均模型(ARIMA模型)是一种时间序列检测方法，可依据样本数据进行未来数据进行预估，按照现有的数据趋势延续，具体检测方式为：依据样本数据X计算出自协方差设定为R，其中N为X内的数据项数，自协方差计算公式为：

R＝1/N*sum{(X_i-ave(X))*(X_j-ave(X))}

样本数据未来趋势受自协方差限制，依据时间阶段变化，例样本数据集合中最后一位的下一位数据预测为X_t，计算公式为：

本实施例的其他部分与实施例1相同，故不再赘述。

实施例5：

本实施例在实施例1的基础上做进一步优化，按时间阶段进行数据记录，采用自回归积分滑动平均模型依据现有记录样品数据计算出预测值，例评价得分超过5分则认同差异较大。

本实施例的其他部分与实施例1相同，故不再赘述。

实施例6：

本实施例在实施例1的基础上做进一步优化，提取项目特性标签与自动模型进行关联，神经网络框架可以采用Tensorflow框架，包含client、master和worker，其中master用于接受client的请求，记录此类特性项目的自动模型与检测结果，构造数据流图，分配给worker，取出不同自动模型内相同的评价维度与指标，依据指标对检测结果的影响完善同类型项目的基础自动模型并作问题反馈。Tensorflow框架用于建立神经网络，对项目特性与自动模型进行自动适配与调整。

本实施例的其他部分与实施例1相同，故不再赘述。

实施例7：

本实施例提供了一种用于配网类项目的自动模型检测系统，包括包括模型库、计算仓、指标库和算法库，在本系统中，选择自动模型后，自动模型激活，系统自动读取出检测维度，按照检测维度获取指标模板自动整理项目的指标数据，建立基础的计算结构。依据指标特性，对指标进行计算列入检测结果。在本系统中，模型库是自动检测的结构模型，包含触发机制、指标调用引信等；指标库是指标的汇总管理。算法库是自动检测中详细指标的算法列单，接收指标库的调用。在本实施例中还提供了一种自动模型，自动模型包含项目特性、检测维度、指标模板三项属性的对象，项目特性为标准字符型标签，用于自动模型的特征定义，检测维度为指标模板的标准字符型标签，用于标明自动模型的评价侧重，每种项目特性可进行指定的检测维度选择，指标模板为指标集合，用于在指标库中取出对应的指标。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (4)

1.一种用于配网类项目的自动模型检测方法，其特征在于，包括以下步骤：

步骤S1.在模型库内预设自动模型，在计算仓内选择自动模型；

步骤S2.在模型库内激活自动模型，获取检测维度和指标模板；

步骤S3.在指标库内根据指标模板依次调用配网类项目的指标，依据指标是否具有长时效性判断是否需要调用预估算法，如果是，进入步骤S4，如果否，获取指标值，将指标值定义为A1并输出；

步骤S4.在算法库调用预估算法，根据预估算法和自回归积分滑动平均模型计算出数据集合A2，并输出A2；

步骤S5.在模型库中将A1和A2列入检测结果，取出集合A2中的数据，在指标库中调用检测算法，并执行检测算法，计算出检测值，预设检测值差异标准阈值，将计算出的检测值和预设的检测值差异标准阈值作比较，列出检测值大于或等于检测值差异标准阈值的检测值到检测结果中，并输出此时的检测值集合B；

步骤S6.在计算仓输入检测值集合B，根据检测值集合B生成检测报告，在检测报告中打入标签记录，对自动模型进行完善，完成自动模型检测；

所述步骤S3中依据指标是否具有长时效性判断是否需要调用预估算法的方法包括：在指标库内对指标进行定义，获取指标长时效性标准；根据数据是否大于或等于指标长时效性标准判断指标是否具有长时效性，如果是，指标具有长时效性，如果否，指标不具有长时效性；

所述步骤S4包括：根据预估算法计算出时间阶段性的指标数据作为样品数据；根据自回归积分滑动平均模型对样品数据进行记录和计算，获取数据集合A2；

所述步骤S5包括：

按时间阶段对检测值集合B进行数据记录。

2.根据权利要求1所述的一种用于配网类项目的自动模型检测方法，其特征在于，所述步骤S2包括： 当自动模型被激活后，系统自动读取出检测维度；根据检测维度获取指标模板。

3.根据权利要求1所述的一种用于配网类项目的自动模型检测方法，其特征在于，所述步骤S6包括：采用神经网络框架记录配网类项目的自动模型和检测结果；根据相同特性的配网类项目选择不同的自动模型；根据检测记录和检测结果对自动模型进行完善。

4.一种用于配网类项目的自动模型检测系统，其特征在于，所述系统包括模型库、计算仓、指标库和算法库，其中：模型库，用于预设自动模型，用于激活自动模型，用于获取检测维度和指标模板；用于将指标值和数据集合列入检测结果，取出数据集合中的数据，在指标库中调用检测算法，并执行检测算法，计算出检测值，预设检测值差异标准阈值，将计算出的检测值和预设的检测值差异标准阈值作比较，列出检测值大于或等于检测值差异标准阈值的检测值到检测结果中，并输出此时的检测值集合；按时间阶段对检测值集合进行数据记录；

计算仓，用于选择自动模型；用于输入检测值集合，根据检测值集合生成检测报告，在检测报告中打入标签记录；

指标库，用于根据指标模板依次调用配网类项目的指标，依据指标是否具有长时效性判断是否需要调用预估算法，如果是，进入算法库，如果否，获取指标值并输出；

所述依据指标是否具有长时效性判断是否需要调用预估算法具体包括：在指标库内对指标进行定义，获取指标长时效性标准；根据数据是否大于或等于指标长时效性标准判断指标是否具有长时效性，如果是，指标具有长时效性，如果否，指标不具有长时效性；

算法库，用于调用预估算法，根据预估算法和自回归积分滑动平均模型计算出数据集合A2，并输出A2；

所述根据预估算法和自回归积分滑动平均模型计算出数据集合A2，并输出A2具体包括：根据预估算法计算出时间阶段性的指标数据作为样品数据；根据自回归积分滑动平均模型对样品数据进行记录和计算，获取数据集合A2。