CN114462298A - 电力计量资产管理方法、装置、设备及存储介质 - Google Patents
电力计量资产管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114462298A CN114462298A CN202111646146.XA CN202111646146A CN114462298A CN 114462298 A CN114462298 A CN 114462298A CN 202111646146 A CN202111646146 A CN 202111646146A CN 114462298 A CN114462298 A CN 114462298A
- Authority
- CN
- China
- Prior art keywords
- asset
- data
- assets
- metering
- managed
- 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
- 238000007726 management method Methods 0.000 title claims description 38
- 238000005259 measurement Methods 0.000 title abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 108010015780 Viral Core Proteins Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电力计量资产管理方法、装置、设备及存储介质,该方法包括:获取待管理电力计量资产的电力数据,其中,电力数据包括仓储信息、历史故障数据、开源气象数据、日历数据和地区历史负荷数据;并将仓储信息和历史故障数据输入至训练好的分层聚类模型中,得到第一资产类别,其中,第一资产类别为待管理电力计量资产所属的资产类别;将历史故障数据、开源气象数据、日历数据和地区历史负荷数据输入至训练好的第一资产类别的计量资产回归预测模型中,得到待管理电力计量资产的预测数量;基于待管理电力计量资产的库存数量和预测数量,对待管理电力计量资产进行调度。本发明可以实现对电力计量资产进行高效的管理。
Description
技术领域
本发明涉及电力计量技术领域,尤其涉及一种电力计量资产管理方法、装置、设备及存储介质。
背景技术
随着主动配电网和智慧供应链的提出,物联网、人工智能等新一代技术的快速发展,对电力行业中电力计量资产的仓储管理模式提出了很高的要求。
目前,虽然电力计量资产仓储管理实现了一定的自动化,但电力计量资产管理对象种类繁多,缺乏明确的整体管理目标,导致分类方式粗放,针对性差,在采购、调度管理、需求响应等方面都无法满足当前电力计量资产的需求,进而增加了计量资产管理的难度和工作量。因此,亟需一种高效的电力计量资产的管理方法。
发明内容
本发明实施例提供了一种电力计量资产管理方法、装置、设备及存储介质,以解决目前电力计量资产管理效率较低的问题。
第一方面,本发明实施例提供了一种电力计量资产管理方法,包括:
获取待管理电力计量资产的电力数据,其中,电力数据包括仓储信息、历史故障数据、开源气象数据、日历数据和地区历史负荷数据;并将仓储信息和历史故障数据输入至训练好的分层聚类模型中,得到第一资产类别,其中,第一资产类别为待管理电力计量资产所属的资产类别;
将历史故障数据、开源气象数据、日历数据和地区历史负荷数据输入至训练好的第一资产类别的计量资产回归预测模型中,得到待管理电力计量资产的预测数量;
基于待管理电力计量资产的库存数量和预测数量,对待管理电力计量资产进行调度。
在一种可能的实现方式中,基于待管理电力计量资产的库存数量和预测数量,对待管理电力计量资产进行调度,包括:
基于待管理电力计量资产的库存数量和预测数量,确定待管理电力计量资产的库存充裕率;
基于库存充裕率与预设库存率阈值,对待管理电力计量资产进行调度。
在一种可能的实现方式中,基于库存充裕率与预设库存率阈值,对待管理电力计量资产进行调度,包括:
基于预设库存率阈值,将库存指标分为四个种类,分别为超量、充裕、正常和异常;
根据库存充裕率和库存指标,对待管理计量资产进行调度。
在一种可能的实现方式中,分层聚类模型以仓储信息和历史故障数据作为特征向量、四种资产类别的计量资产为输出结果;其中,四种资产类别的计量资产分别为常规低故障率计量资产、常规高故障率计量资产、特殊低故障率计量资产和特殊高故障率计量资产。
在一种可能的实现方式中,四种资产类别的计量资产分别设置不同的预设库存率阈值,且常规高故障率计量资产的预设库存率阈值大于常规低故障率计量资产的预设库存率阈值,特殊高故障率计量资产的预设库存率阈值大于特殊低故障率计量资产的预设库存率阈值。
在一种可能的实现方式中,四种资产类别的计量资产分别对应四种类别的计量资产回归预测模型,计量资产回归预测模型为计量资产的预测数量与计量资产数据的多元线性分数回归模型、且计量资产数据为计量资产的历史故障数据、开源气象数据、日历数据和地区历史负荷数据。
在一种可能的实现方式中,仓储信息包括计量资产的用户类型、单只计量资产的价格和计量资产的数量;历史故障数据包括单位时间内发生故障的数量、故障发生频率和故障高发时间段;开源气象数据包括基于时间序列的天气温度和特殊天气;日历数据为节日假期数据;地区历史负荷数据为区域内各时间周期及时段内的负荷数据。
第二方面,本发明实施例提供了一种电力计量资产管理装置,包括:
获取电力数据模块,用于获取待管理电力计量资产的电力数据,其中,电力数据包括仓储信息、历史故障数据、开源气象数据、日历数据和地区历史负荷数据;
分层聚类模块,用于将仓储信息和历史故障数据输入至训练好的分层聚类模型中,得到第一资产类别,其中,第一资产类别为待管理电力计量资产所属的资产类别;
确定预测数量模块,用于将历史故障数据、开源气象数据、日历数据和地区历史负荷数据输入至训练好的第一资产类别的计量资产回归预测模型中,得到待管理电力计量资产的预测数量;
资产调度模块,用于基于待管理电力计量资产的库存数量和预测数量,对待管理电力计量资产进行调度。
在一种可能的实现方式中,资产调度模块,具体用于:
基于待管理电力计量资产的库存数量和预测数量,确定待管理电力计量资产的库存充裕率;
基于库存充裕率与预设库存率阈值,对待管理电力计量资产进行调度。
在一种可能的实现方式中,资产调度模块,还具体用于:
基于预设库存率阈值,将库存指标分为四个种类,分别为超量、充裕、正常和异常;
根据库存充裕率和库存指标,对待管理计量资产进行调度。
在一种可能的实现方式中,分层聚类模型以仓储信息和历史故障数据作为特征向量、四种资产类别的计量资产为输出结果;其中,四种资产类别的计量资产分别为常规低故障率计量资产、常规高故障率计量资产、特殊低故障率计量资产和特殊高故障率计量资产。
在一种可能的实现方式中,四种资产类别的计量资产分别设置不同的预设库存率阈值,且常规高故障率计量资产的预设库存率阈值大于常规低故障率计量资产的预设库存率阈值,特殊高故障率计量资产的预设库存率阈值大于特殊低故障率计量资产的预设库存率阈值。
在一种可能的实现方式中,四种资产类别的计量资产分别对应四种类别的计量资产回归预测模型,计量资产回归预测模型为计量资产的预测数量与计量资产数据的多元线性分数回归模型、且计量资产数据为计量资产的历史故障数据、开源气象数据、日历数据和地区历史负荷数据。
在一种可能的实现方式中,仓储信息包括计量资产的用户类型、单只计量资产的价格和计量资产的数量;历史故障数据包括单位时间内发生故障的数量、故障发生频率和故障高发时间段;开源气象数据包括基于时间序列的天气温度和特殊天气;日历数据为节日假期数据;地区历史负荷数据为区域内各时间周期及时段内的负荷数据。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例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第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种电力计量资产管理方法、装置、设备及存储介质,首先,获取待管理电力计量资产的电力数据,然后,将仓储信息和历史故障数据输入至训练好的分层聚类模型中,得到第一资产类别。接着,将历史故障数据、开源气象数据、日历数据和地区历史负荷数据输入至训练好的第一资产类别的计量资产回归预测模型中,得到待管理电力计量资产的预测数量。最后,基于待管理电力计量资产的库存数量和预测数量,对待管理电力计量资产进行调度。从而,将获取到的电力数据输入至训练好的分层聚类模型和计量资产回归预测模型后,即可对待管理电力计量资产进行调度,实现合理补充电力计量资产,高效利用仓储容量,实现仓储效率最优。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电力计量资产管理方法的实现流程图;
图2是本发明实施例提供的电力计量资产管理方法过程框图;
图3是本发明实施例提供的分层聚类模型建立过程框图;
图4是本发明实施例提供的四种计量资产回归预测模型的回归参数的计算过程框图;
图5是本发明实施例提供的电力计量资产管理装置框图;
图6是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
正如背景技术中所描述的,目前电力计量资产管理对象种类繁多,缺乏明确的整体管理目标,导致电力计量资产的管理效率较低,因此,亟需一种高效的电力计量资产的管理方法。
为了解决现有技术问题,本发明实施例提供了一种电力计量资产管理方法、装置、设备及存储介质。下面首先对本发明实施例所提供的电力计量资产管理方法进行介绍。
电力计量资产管理方法的执行主体,可以是电力计量资产管理装置,该电力计量资产管理装置可以是具有处理器和存储器的电子设备,例如移动电子设备或者非移动电子设备。本发明实施例不作具体限定。
请一并参照图1和图2,其示出了本发明实施例提供的电力计量资产管理方法的实现流程图,详述如下:
步骤S110、获取待管理电力计量资产的电力数据。
其中,电力数据包括仓储信息、历史故障数据、开源气象数据、日历数据和地区历史负荷数据。
具体的,仓储信息包括计量资产的用户类型、单只计量资产的价格和计量资产的数量。历史故障数据包括单位时间内发生故障的数量、故障发生频率和故障高发时间段。开源气象数据包括基于时间序列的天气温度和特殊天气。日历数据为节日假期数据。地区历史负荷数据为区域内各时间周期及时段内的负荷数据。
步骤S120、将仓储信息和历史故障数据输入至训练好的分层聚类模型中,得到第一资产类别。
其中,第一资产类别为待管理电力计量资产所属的资产类别。
在一些实施例中,在输入数据之前,需要先构建和训练分层聚类模型,本实施例中的分层聚类模型是依据电力计量资产的常规性和故障率特点进行分层聚类的。对电力计量资产管理对象依据常规性和故障率两个因素进行分层聚类,其中常规性体现在电力计量资产对应的用户类型、单只计量资产的价格和计量资产的数量,故障率指基于时间序列的历史故障数据,包括单位时间内的发生故障事件数量、故障发生频率、故障高发时间段等。
分层聚类的特点是数据集需经过全局和局部分层聚类两次聚类,将局部聚类标签按照全局聚类结果更新,达到分层的目的,依据局部聚类的结果和实际电力计量资产的种类可实现进一步的细分和数据动态监控。
如图3所示,为保障聚类的特征既具有典型性,又符合电力行业的实际需求,采用K均值(K-means)聚类算法进行分层聚类,以仓储信息和历史故障数据作为特征向量、输出结果为四种资产类别的计量资产。
首先,选取计量资产的用户类型、单只计量资产的价格和计量资产的数量作为特征向量,进行总数据集聚类,聚类中心设置为2,通过全局聚类将电力计量资产分为常规和特殊计量设备。在总数据集聚类的基础上,将局部聚类子数据集进行局部聚类,考虑历史故障数据为特征向量,进行全局的二次聚类,当聚类中心不再改变时,输出局部聚类标签,并依据全局聚类得到的聚类标签隶属关系更新局部聚类标签,从而可得到常规低故障率计量资产、常规高故障率计量资产、特殊低故障率计量资产、特殊高故障率计量资产这四种资产类别的计量资产。通过分层聚类模型的结果即可划分待管理电力计量资产的类别从属关系。
将构建的分层聚类模型采用训练数据进行训练后,即可采用训练好的分层聚类模型对待管理的电力计量资产进行分类。将待管理电力计量资产的仓储信息和历史故障数据输入至训练好的分层聚类模型中,即可得到该电力计量资产的资产类别,即为常规低故障率计量资产、常规高故障率计量资产、特殊低故障率计量资产、特殊高故障率计量资产中的一类。
步骤S130、将历史故障数据、开源气象数据、日历数据和地区历史负荷数据输入至训练好的第一资产类别的计量资产回归预测模型中,得到待管理电力计量资产的预测数量。
综合考量天气、电网负荷等因素对电力计量资产的影响,结合开源气象数据、日历数据、地区负荷数据及历史故障率数据对四种资产类别的计量资产分别进行分位数回归预测模型训练,得到不同类别计量资产对应的计量资产回归预测模型。
具体的,计量资产回归预测模型为计量资产的预测数量与计量资产数据的多元线性分数回归模型、且计量资产数据为计量资产的历史故障数据、开源气象数据、日历数据和地区历史负荷数据。
分位数回归预测模型是应用分位数回归方法的预测模型。分位数回归不同于传统基于最小二乘法求解的线性回归,通过求解不同分位数下的分位数损失函数,拟合目标变量在不同分位数的取值,从而实现刻画目标变量数据分布的目标。传统最小二乘估计需建立在误差独立同分布于正态分布的假设前提下,然而实际应用场景中难以保证误差分布满足最小二乘法的假定条件。不同于传统的线性回归,分位数回归对于误差分布未做任何假设,即使误差不服从正态分布,分位数回归依然适用,具有较强的鲁棒性。
分位数回归具体实现步骤如下:
首先,假设随机变量X服从分布函数:
F(x)=P(X≤x);
其中,X为计量资产数据,即分别为计量资产的历史故障数据、开源气象数据、日历数据和地区历史负荷数据。
其次,随机变量X的τ分位数为:
F-1(τ)=inf{x:F(x)≥τ};
其中τ∈(0,1)。
然后,定义分位数损失函数为:
ρτ(u)=u(τ-I(u<0)),τ∈(0,1);
相应的分位数损失函数期望值可以表达为:
计量资产回归预测模型训练的过程即带入训练集合的随机变量X,求解损失函数最小时的回归参数,为使损失函数最小,则有:
回归系数可由下式求得:
在分位数损失函数的推广线性模型中,有y为计量资产的预测数量,x为p维自变量,其形式为Xi=(Xi1,Xi2,...,Xip),Xip表示的是归一化后的计量资产的历史故障数据、开源气象数据、日历数据和地区历史负荷数据。
如图4所示,根据上面的过程即可得到四种类别的计量资产回归预测模型的回归系数,根据得到的四种类别的计量资产回归预测模型的回归系数,即可得到四种类别的计量资产回归预测模型。
得到四种类别的计量资产回归预测模型后,将待管理的电力计量资产的历史故障数据、开源气象数据、日历数据和地区历史负荷数据输入至训练好的与该资产类别对应的计量资产回归预测模型中,即可得到待管理电力计量资产的预测数量。
步骤S140、基于待管理电力计量资产的库存数量和预测数量,对待管理电力计量资产进行调度。
在一些实施例中,基于待管理电力计量资产的库存数量和预测数量,确定待管理电力计量资产的库存充裕率。即在计量资产回归预测模型的预测数量基础上,对比各种类电力计量资产的库存数量,即可计算得到待管理电力计量资产的库存充裕率。从而即可基于库存充裕率与预设库存率阈值,对待管理电力计量资产进行调度。
具体的,基于预设库存率阈值,将库存指标分为四个种类,分别为超量、充裕、正常和异常,根据库存充裕率和库存指标,对待管理计量资产进行调度。可为电力企业更换、采购、调度电力计量资产提供参考作用,实现对需求侧的主动响应,促进电力企业运营效益的提升。
在一些实施例中,在基于预设库存率阈值,对库存指标分为四个种类时,需要针对四种资产类别的计量资产分别设置不同的预设库存率阈值,且常规高故障率计量资产的预设库存率阈值大于常规低故障率计量资产的预设库存率阈值,特殊高故障率计量资产的预设库存率阈值大于特殊低故障率计量资产的预设库存率阈值,通过合理补充计量资产,节约计量设备采购调度环节中的费用,以提升精益化管理水平。
本发明实施例首先,获取待管理电力计量资产的电力数据,然后,将仓储信息和历史故障数据输入至训练好的分层聚类模型中,得到第一资产类别。接着,将历史故障数据、开源气象数据、日历数据和地区历史负荷数据输入至训练好的第一资产类别的计量资产回归预测模型中,得到待管理电力计量资产的预测数量。最后,基于待管理电力计量资产的库存数量和预测数量,对待管理电力计量资产进行调度。从而,将获取到的电力数据输入至训练好的分层聚类模型和计量资产回归预测模型后,即可对待管理电力计量资产进行调度,实现合理补充电力计量资产,高效利用仓储容量,实现仓储效率最优。且通过对仓储中电力计量资产的充裕度进行评价,建立电力计量资产的健康度评价体系,指导电力计量资产的调度。
本发明提供的方法可实现电力计量资产的智能分类,提升电力计量资产的管理效益。以电力计量资产的常规性及故障率为主要的分类指标,旨在降低突发时间下应急物资的供应风险,减少突发事件带来的风险损失。针对电力计量资产管理对象繁多的特点,明确了整体管理目标,用分层分类的方式突出计量资产管理中常规性和故障率两大核心要素,有的放矢地提升仓储管理效率。在分层聚类的基础上,基于计量资产回归预测模型对各类别计量资产实现分类预测,不仅可以提升需求响应,高效利用仓储容量,而且可以提高仓储效率,降本增效。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的电力计量资产管理方法,相应地,本发明还提供了应用于该电力计量资产管理方法的电力计量资产管理装置的具体实现方式。请参见以下实施例。
如图5所示,提供了一种电力计量资产管理装置500,该装置包括:
获取电力数据模块510,用于获取待管理电力计量资产的电力数据,其中,电力数据包括仓储信息、历史故障数据、开源气象数据、日历数据和地区历史负荷数据;
分层聚类模块520,用于将仓储信息和历史故障数据输入至训练好的分层聚类模型中,得到第一资产类别,其中,第一资产类别为待管理电力计量资产所属的资产类别;
确定预测数量模块530,用于将历史故障数据、开源气象数据、日历数据和地区历史负荷数据输入至训练好的第一资产类别的计量资产回归预测模型中,得到待管理电力计量资产的预测数量;
资产调度模块540,用于基于待管理电力计量资产的库存数量和预测数量,对待管理电力计量资产进行调度。
在一种可能的实现方式中,资产调度模块540,具体用于:
基于待管理电力计量资产的库存数量和预测数量,确定待管理电力计量资产的库存充裕率;
基于库存充裕率与预设库存率阈值,对待管理电力计量资产进行调度。
在一种可能的实现方式中,资产调度模块540,还具体用于:
基于预设库存率阈值,将库存指标分为四个种类,分别为超量、充裕、正常和异常;
根据库存充裕率和库存指标,对待管理计量资产进行调度。
在一种可能的实现方式中,分层聚类模型以仓储信息和历史故障数据作为特征向量、四种资产类别的计量资产为输出结果;其中,四种资产类别的计量资产分别为常规低故障率计量资产、常规高故障率计量资产、特殊低故障率计量资产和特殊高故障率计量资产。
在一种可能的实现方式中,四种资产类别的计量资产分别设置不同的预设库存率阈值,且常规高故障率计量资产的预设库存率阈值大于常规低故障率计量资产的预设库存率阈值,特殊高故障率计量资产的预设库存率阈值大于特殊低故障率计量资产的预设库存率阈值。
在一种可能的实现方式中,四种资产类别的计量资产分别对应四种类别的计量资产回归预测模型,计量资产回归预测模型为计量资产的预测数量与计量资产数据的多元线性分数回归模型、且计量资产数据为计量资产的历史故障数据、开源气象数据、日历数据和地区历史负荷数据。
在一种可能的实现方式中,仓储信息包括计量资产的用户类型、单只计量资产的价格和计量资产的数量;历史故障数据包括单位时间内发生故障的数量、故障发生频率和故障高发时间段;开源气象数据包括基于时间序列的天气温度和特殊天气;日历数据为节日假期数据;地区历史负荷数据为区域内各时间周期及时段内的负荷数据。
图6是本发明实施例提供的电子设备的示意图。如图6所示,该实施例的电子设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个变压器升高座及套管的监测方法实施例中的步骤,例如图1所示的步骤110至步骤140。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块的功能,例如图5所示模块510至540的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述电子设备6中的执行过程。例如,所述计算机程序62可以被分割成图5所示的模块510至540。
所述电子设备6可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是电子设备6的示例,并不构成对电子设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述电子设备6的内部存储单元,例如电子设备6的硬盘或内存。所述存储器61也可以是所述电子设备6的外部存储设备,例如所述电子设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,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,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个电力计量资产管理方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力计量资产管理方法,其特征在于,包括:
获取待管理电力计量资产的电力数据,其中,所述电力数据包括仓储信息、历史故障数据、开源气象数据、日历数据和地区历史负荷数据;并将所述仓储信息和所述历史故障数据输入至训练好的分层聚类模型中,得到第一资产类别,其中,所述第一资产类别为所述待管理电力计量资产所属的资产类别;
将所述历史故障数据、所述开源气象数据、所述日历数据和所述地区历史负荷数据输入至训练好的所述第一资产类别的计量资产回归预测模型中,得到所述待管理电力计量资产的预测数量;
基于所述待管理电力计量资产的库存数量和所述预测数量,对所述待管理电力计量资产进行调度。
2.如权利要求1所述的方法,其特征在于,所述基于所述待管理电力计量资产的库存数量和所述预测数量,对所述待管理电力计量资产进行调度,包括:
基于所述待管理电力计量资产的库存数量和所述预测数量,确定所述待管理电力计量资产的库存充裕率;
基于所述库存充裕率与预设库存率阈值,对所述待管理电力计量资产进行调度。
3.如权利要求2所述的方法,其特征在于,所述基于所述库存充裕率与预设库存率阈值,对所述待管理电力计量资产进行调度,包括:
基于所述预设库存率阈值,将库存指标分为四个种类,分别为超量、充裕、正常和异常;
根据所述库存充裕率和所述库存指标,对所述待管理计量资产进行调度。
4.如权利要求1所述的方法,其特征在于,所述分层聚类模型以所述仓储信息和所述历史故障数据作为特征向量、四种资产类别的计量资产为输出结果;其中,所述四种资产类别的计量资产分别为常规低故障率计量资产、常规高故障率计量资产、特殊低故障率计量资产和特殊高故障率计量资产。
5.如权利要求4所述的方法,其特征在于,所述四种资产类别的计量资产分别设置不同的预设库存率阈值,且所述常规高故障率计量资产的预设库存率阈值大于所述常规低故障率计量资产的预设库存率阈值,所述特殊高故障率计量资产的预设库存率阈值大于所述特殊低故障率计量资产的预设库存率阈值。
6.如权利要求4所述的方法,其特征在于,所述四种资产类别的计量资产分别对应四种类别的计量资产回归预测模型,所述计量资产回归预测模型为计量资产的预测数量与计量资产数据的多元线性分数回归模型、且所述计量资产数据为所述计量资产的历史故障数据、开源气象数据、日历数据和地区历史负荷数据。
7.如权利要求1至6任一项所述的方法,其特征在于,所述仓储信息包括计量资产的用户类型、单只计量资产的价格和计量资产的数量;所述历史故障数据包括单位时间内发生故障的数量、故障发生频率和故障高发时间段;所述开源气象数据包括基于时间序列的天气温度和特殊天气;所述日历数据为节日假期数据;所述地区历史负荷数据为区域内各时间周期及时段内的负荷数据。
8.一种电力计量资产管理装置,其特征在于,包括:
获取电力数据模块,用于获取待管理电力计量资产的电力数据,其中,所述电力数据包括仓储信息、历史故障数据、开源气象数据、日历数据和地区历史负荷数据;
分层聚类模块,用于将所述仓储信息和所述历史故障数据输入至训练好的分层聚类模型中,得到第一资产类别,其中,所述第一资产类别为所述待管理电力计量资产所属的资产类别;
确定预测数量模块,用于将所述历史故障数据、所述开源气象数据、所述日历数据和所述地区历史负荷数据输入至训练好的所述第一资产类别的计量资产回归预测模型中,得到所述待管理电力计量资产的预测数量;
资产调度模块,用于基于所述待管理电力计量资产的库存数量和所述预测数量,对所述待管理电力计量资产进行调度。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111646146.XA CN114462298A (zh) | 2021-12-30 | 2021-12-30 | 电力计量资产管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111646146.XA CN114462298A (zh) | 2021-12-30 | 2021-12-30 | 电力计量资产管理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114462298A true CN114462298A (zh) | 2022-05-10 |
Family
ID=81408265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111646146.XA Pending CN114462298A (zh) | 2021-12-30 | 2021-12-30 | 电力计量资产管理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462298A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167543A (zh) * | 2023-02-17 | 2023-05-26 | 普华讯光(北京)科技有限公司 | 计量资产供应指挥平台系统 |
-
2021
- 2021-12-30 CN CN202111646146.XA patent/CN114462298A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167543A (zh) * | 2023-02-17 | 2023-05-26 | 普华讯光(北京)科技有限公司 | 计量资产供应指挥平台系统 |
CN116167543B (zh) * | 2023-02-17 | 2023-09-12 | 普华讯光(北京)科技有限公司 | 计量资产供应指挥平台系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
US10223167B2 (en) | Discrete resource management | |
CN110231528A (zh) | 基于负荷特征模型库的变压器户变异常识别方法及装置 | |
US20140278617A1 (en) | Systems and methods for updating confidence values for energy information associated with an industrial automation system | |
CN112508261B (zh) | 一种基于神经网络的配电变压器负荷分层预测方法及装置 | |
US10680455B2 (en) | Demand charge minimization in behind-the-meter energy management systems | |
US9911163B2 (en) | Systems and methods for determining energy information using an organizational model of an industrial automation system | |
CN111738529B (zh) | 基于强化学习的综合能源系统需求响应方法、系统及设备 | |
US9842372B2 (en) | Systems and methods for controlling assets using energy information determined with an organizational model of an industrial automation system | |
CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN112150237A (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
JP2023503389A (ja) | アンサンブル機械学習技術を用いた非侵入型負荷監視 | |
JP2023503388A (ja) | 機械学習を用いた負荷監視 | |
US20220245096A1 (en) | Method and device for facilitating storage of data from an industrial automation control system or power system | |
CN114462298A (zh) | 电力计量资产管理方法、装置、设备及存储介质 | |
Wen et al. | A dual energy benchmarking methodology for energy-efficient production planning and operation of discrete manufacturing systems using data mining techniques | |
CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN114254800A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN112116205B (zh) | 针对台区用电特征的画像方法、装置和存储介质 | |
WO2024056050A1 (zh) | 海量柔性负荷快速聚合控制方法及装置 | |
Jiang et al. | Coping with shortages caused by disruptive events in automobile supply chains | |
US9501804B2 (en) | Multi-core processor for performing energy-related operations in an industrial automation system using energy information determined with an organizational model of the industrial automation system | |
CN112734072A (zh) | 电力负荷预测方法、系统、终端设备及介质 | |
CN113376564B (zh) | 基于数据分析的智能电表计量校正方法、装置及终端 | |
CN113869601A (zh) | 一种电力用户负荷预测方法、装置及设备 |
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 |