CN114548493A - 一种电能表电流过载预测方法与系统 - Google Patents
一种电能表电流过载预测方法与系统 Download PDFInfo
- Publication number
- CN114548493A CN114548493A CN202210032881.XA CN202210032881A CN114548493A CN 114548493 A CN114548493 A CN 114548493A CN 202210032881 A CN202210032881 A CN 202210032881A CN 114548493 A CN114548493 A CN 114548493A
- Authority
- CN
- China
- Prior art keywords
- data
- current overload
- electric energy
- energy meter
- power utilization
- 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 36
- 230000005611 electricity Effects 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 235000019580 granularity Nutrition 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229940050561 matrix product Drugs 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
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电能表电流过载预测方法,获取电流过载相关用电数据特征以及用户用电样本数据;对数据进行预处理,得到具有时序特征的用电数据;针对具有时序特征的用电数据,按照不同时间粒度进行分类,得到多层级的用电时序数据,以设定规则提取用电数据序列中的关键特征,获取不同时间窗口的候选shapelet序列;基于shapelet序列特征与用电特征,采用门控神经网络构建并训练得到的电能表电流过载预测模型,进行电能表电流过载判别;基于电能表电流过载判别结果,整合各时间层级的电流过载分布情况,形成格式化预警报文发送,进行现场核查,并更新数据;本发明能够实现对电流过载问题的常态监控和高效管理。
Description
技术领域
本发明属于智能用电技术领域,具体涉及一种电能表电流过载预测方法与系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
电流过载是指电能表出现超出额定电流的情况。导致电流过载的原因有很多,例如供电端电压增大,回路中用电设备数量或者功率增加,电线老化导致电阻增加等情况,均有可能发生电流过载。近年来,随着电力行业的发展,尤其是用户用电信息采集技术的不断革新,从早期的人工采集,逐渐发展到现在的智能采集系统。智能采集系统极大地提高了用电采集工作的质量和效率,其中核心的组件包括智能电能表。电能表是指用来测量电能的仪表,用于计量和采集各信息采集点用电信息,主要是与电流和电压相关的数据,将电流和电压的模拟信号转换成数字数据,然后并将数据通过信道上传给数据采集层。而该电能表如果出现电流过载情况,一方面会加剧回路中电线、插座等设备的老化,导致用电数据采集故障,影响用户正常使用;另一方面,会使得采集系统中相关配置出现问题,引发更多潜在的风险,例如过载较多可能引起线路发热,容易发生火灾。所以,如何更有效的管理和预防电能表发生电流过载的情况是当前亟待解决的问题。
在用电信息采集系统的大数据分析模块中,针对电能表电流过载的预测模型,常用方法包括逻辑回归、随机森林、BP神经网络(Back Propagation Neural Network,BPNN)、径向基函数(Radial Basis Function,RBF)神经网络等分类模型,其中的传统机器学习模型训练分类器前需进行特征工程,人工成本较高,并且用电数据具有一定的周期性和非周期性规律,人工筛选特征很难挖掘其中的隐藏信息。BPNN、RBF等深度学习模型则可以在一定程度上挖掘用电数据中潜在的关联信息,得到较好的分类效果,但是此类模型很难挖掘用户用电数据中的突变特征以及长时间的依赖关系。
发明内容
本发明为了解决上述问题,提出了一种电能表电流过载预测方法与系统,本发明通过对异常数据进行多维度、分层级分析,挖掘用电数据中电流变化趋势潜在的关联关系,从而有效预测电能表电流过载发生的情况,实现对电流过载问题的常态监控和高效管理。
根据一些实施例,本发明采用如下技术方案:
一种电能表电流过载预测方法,包括以下步骤:
获取电流过载相关用电数据特征以及用户用电样本数据;
对数据进行预处理,得到具有时序特征的用电数据;
针对具有时序特征的用电数据,按照不同时间粒度进行分类,得到多层级的用电时序数据,以设定规则提取用电数据序列中的关键特征,获取不同时间窗口的候选shapelet序列;
基于shapelet序列特征与用电特征,采用门控神经网络构建并训练得到的电能表电流过载预测模型,进行电能表电流过载判别;
基于电能表电流过载判别结果,整合各时间层级的电流过载分布情况,形成格式化预警报文发送,进行现场核查,并更新数据。
作为可选择的实施方式,相关用电数据包括用户基本信息、计量点信息、电能表信息、电量信息和负荷信息。
作为可选择的实施方式,所述预处理包括数据清洗、数据补全、数据集成和归一化处理。
作为可选择的实施方式,按照不同时间粒度进行分类的具体过程包括:按照不同长度的时间窗口进行样本数据划分。
作为可选择的实施方式,获取不同时间窗口的候选shapelet序列的具体过程包括:基于KL散度计算每个候选shapelet特征提取规则和用电数据序列之间的相似性,通过测量计算得到最佳的候选shapelet特征,来表示对应时间范围内的用电数据的关键特征。
作为可选择的实施方式,电能表电流过载预测模型包括更新门和重置门,所述更新门用于控制前一时刻的用电信息状态被传递到当前时刻状态中的程度;重置门用于控制前一状态有多少信息被写入到当前的候选集。
作为可选择的实施方式,电能表电流过载预测模型的训练过程包括:
将不同时间窗口的用电数据子序列shapelet特征,以及初始得到的用电基础信息特征,进行统一编码后,分别作为GRU网络的输入,并对模型进行参数初始化;
利用反向传播算法来训练模型,迭代更新各模型参数;
将更新后的模型参数代入目标函数,判断目标函数值与真实值之间的误差是否小于误差阈值,是则进入下一步骤,否则返回进行迭代更新;
固定目标函数参数,输出本次获取更新的电能表电流过载预测模型。
一种电能表电流过载预测系统,包括:
用于获取电流过载相关用电数据特征以及用户用电样本数据的模块;
用于对数据进行预处理,得到具有时序特征的用电数据的模块;
用于针对具有时序特征的用电数据,按照不同时间粒度进行分类,得到多层级的用电时序数据,以设定规则提取用电数据序列中的关键特征,获取不同时间窗口的候选shapelet序列的模块;
用于基于shapelet序列特征与用电特征,采用门控神经网络构建并训练得到的电能表电流过载预测模型,进行电能表电流过载判别的模块;
用于基于电能表电流过载判别结果,整合各时间层级的电流过载分布情况,形成格式化预警报文发送,进行现场核查,并更新数据的模块。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法中的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法中的步骤。
与现有技术相比,本发明的有益效果为:
1、针对用电采集数据数据量大、时效性强、分布稀疏等特点,存在挖掘用电数据潜在关联关系困难的问题,本发明采用基于规则特征优化GRU的电能表电流过载预测方法对电能表电流过载进行预测,一方面基于已有专家经验和KL散度实现可解释电流过载异常特征提取,结合基本用电采集特征实现对电流过载不可解释关联特征的表征,从而实现多维度、多层级的挖掘电流过载的关联特征;另一方面采用GRU构建电流过载预测模型,深入挖掘用电数据中潜在的时间特征依赖关系,进一步提高了电流过载的预测准确率;
2、针对用电采集数据随时间变化的规律,且采集的用电数据是分布不均的,以及时间粒度是可标识的,本发明采用分时间层级的处理方式,按照不同时间窗口进行建模,可以从多层次、多粒度、直观的挖掘电流过载模式,使用shapelet发现电流变化趋势的关键特征一方面使模型的可解释性好,方便于专家经验相互验证;另一方面,其可以重点关注异常数据子序列,快速提取到关键特征,提高模型的训练和拟合的效率,进而节省存储空间及计算资源;
3、由于用电采集数据的时效性,并且数据分布具有时间依赖关系,本发明采用GRU来建模用电数据的时间序列特征,GRU是循环神经网络的一种效果很好的变体,它比LSTM网络的结构更加简单,训练速度快,同时可以解决循环神经网络中的长时间依赖问题。首先,基于KL散度计算候选shapelet子序列的相关性,将获取到的最优shapelet作为GRU的输入的一部分,可以更有效挖掘用电数据中的关键特征,去除数据中的噪音,提高模型预测的准确性;其次,利用不同时间窗口的shapelet建模挖掘电流过载异常,可以分级响应电流过载异常情况,提供更为广泛的决策支持,进一步提高电能表的电流过载预测的准确性和诊断的有效性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为电能表电流过载预测方法总体流程图;
图2为用电数据子序列shapelet发现流程图;
图3为某小区低压用户采集数据图示;
图4为GRU网络结构图;
图5为电能表电流过载预测模型整体架构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明利用shapelet是一种具有辨识性的时间序列子序列,能够有效筛选局部关键特征,可以作为一种特征提取的方式应用于时间序列分类和预测任务中,同时,门控神经网络(Gated Recurrent Unit,GRU)可以学习用电数据时间序列特征,并且可以解决RNN网络中的长期依赖问题,此外,它较LSTM网络的结构更加简单,训练速度更快。故本发明首先依据专家经验形成特定的特征提取规则,从用电时间序列数据中按照特定时间窗口来提取用电数据部分子集作为候选shapelet特征,然后利用KL散度计算采集数据序列与候选shapelet特征间的相关性,得到最优的候选shapelet特征,随后将最优shapelet特征数据与用电采集基本时序特征数据作为GRU的输入,以基于输出预测数据与实际样本标记构建损失函数并迭代反馈调参,从而完成构建电能表电流过载预测模型,进一步提高电力数据采集终端的可靠性和准确性。
以典型实施例进行详细方案的说明。
基于国网某电力公司用电信息采集系统为背景实施平台,数据采集内容包括用户基本信息和各个用电采集终端设备的计量数据以及相应的输入输出信息。
参考图1,是本发明基于规则特征优化GRU的电能表电流过载预测方法与系统的具体实施过程,步骤如下:
A.通过用电信息采集系统筛选电流过载相关用电数据特征以及各类终端采集的电流过载样本数据,并进行数据汇总;
自用电信息采集系统收集到某地区2019年10月~2021年09月的用户用电样本20余万例,主要包括用户的基本信息、计量指标数据以及相关用电详情信息等,并对其进行了汇总,初始选取部分特征数据示例如下:
B.对汇总后的数据进行数据预处理,主要包括数据清洗、数据补全、数据集成和归一化处理等,得到具有时序特征的用电数据。具体地,通过整理各类电流过载分类指标,分析历史数据和电流过载案例,研究不同异常指标与发生电流过载案例的关联性,通过相似度、信息熵等统计结果,筛选梳理电流过载指标的应用维度,并结合数据发生时间的波动性、趋势性、持续时间等维度,挖掘电流过载与电量超容、电压异常等异常对应的多维度数据指标间的相关性和差异性;
C.针对具有时序特征的用电数据(T∈xI×M),T∈xI×M表示I个长度为M的用电数据实例,其中每个用电数据实例t={[x1,F1],[x2,F2],[x3,F3],...,[xp,Fp]},x、F分别表示一定时间范围的用电采集序列和对应时间范围的用电数据属性特征,p表示用电数据采集时间节点。基于专家判别经验制定规则,并利用该规则作为提取用电数据序列中的关键特征的依据,可以到获取不同时间窗口的shapelet序列特征。然后,基于KL散度进一步计算,筛选得到最优的候选shapelet;
C1.基于用电信息采集系统获取到的用电采集样本数据T∈xI×M,按照不同时间窗口进行样本数据的划分为Tm∈xI×M、Tw∈xI×M、Td∈xI×M和Ts∈xI×M,分别表示月采集样本数据集、周采集样本数据集、日采集样本数据集和分钟采集样本数据集;
C2.基于不同时间窗口的用电数据,利用专家判别经验制定规则,例如,针对专变用户,一天24个采集点中至少有5个点电流值大于电能表铭牌额定最大电流的1.2倍,以每天过流点数、连续异常天数与一月累计异常天数等参数划分异常区间。针对低压户表,一天1个采集点电流大于电能表铭牌额定最大电流的1.2倍则进行预警,结合台区线损核查公变客户过载影响程度,优先分析一天至少2个点异常且台区线损率大于5%的过载用户,对过载期间台区高损、非过载期间台区合格的过载客户进行优先处理。基于此类专家判别经验,可以获取到可以表示用电数据序列中的子序列特征的候选shapelet集合;
C3.如图3所示的某小区低压用户电能表采集的电流数据走势,根据专家经验,针对低压户表,一天1个采集点电流大于电能表铭牌额定最大电流的1.2倍则进行过载预警。由此判断电流从上午9点到11点30分的时间区间达到一个峰值,出现电流过载的现象。实际的电流峰值达到26A,超过电能表的额定电流20A的1.2倍以上,并且导致电能表计量出现负值,出现了电能表电流过载的情况,此时需要进行过载预警。所以,该时间区间用电子序列可以用来表示该时间窗口内电流过载的关键特征。类似地,针对候选shapelet集,基于KL散度来计算每个候选shapelet和每个用电数据序列之间的相似性,可以有效提取用电数据序列中关键特征,进而更加准确的学习到电流随时间变化的趋势。KL散度即相对熵,它可以衡量两个随机分布之间的距离,若两个随机分布相同,则它们的相对熵为零;若两个随机分布的差别较大,那么它们的相对熵也会增大。所以,时间序列T(t)到其子序列S(t)的相对熵D(T||S)可以表示为:
t表示时间序列分布。通过测量计算各个时间序列T(t)到其子序列S(t)的相对熵,评估得到最佳的候选shapelet S'(t),来表示对应时间范围内的用电数据的关键特征。
D.将步骤C获取的shapelet序列特征S'(t)与步骤A获取的用电特征集F作为GRU网络的输入,构建电能表电流过载预测模型,输出电流过载预测结果;
D1.基于步骤C获取到的不同时间窗口的用电数据子序列shapelet(Sm,Sw,Sd,Ss),再结合相应的用电特征集F(f1,f2,f3,…,fn),进行统一编码后,作为GRU网络的输入,同时,对模型进行参数初始化,如设置迭代训练次数和dropout比例等。GRU网络中存在两个门:更新门zt和重置门rt。具体结构如附图4所示。更新门的作用是控制前一时刻的用电信息状态被传递到当前时刻状态中的程度,更新门的值越大表示前一时刻的状态信息传递的越多。重置门可以控制前一状态有多少信息被写入到当前的候选集上,重置门越小,前一状态的信息被写入的越少。GRU网络的前向传播计算如下:
rt=σ(Wr·[ht-1,St,Ft],
zt=σ(Wz·[ht-1,St,Ft],
yt=σ(Wo·ht).
其中[]表示两个向量相连,*表示矩阵乘积。然后,依据不同的时间窗口,将相应的shapelet并行输入对应的GRU网络中,此时,模型中存在多个并行的GRU网络模块,分别使用不同时间层级的用电采集数据(即shapelet(Sm,Sw,Sd,Ss)和相应的用电特征集F)进行训练。
Wr=Wrh+Wrs+Wrf,
Wz=Wzh+Wzs+Wzf,
D3.将更新后的模型参数代入目标函数L,判断目标函数与真实值之间的误差是否小于设定的误差阈值δ,是则进入步骤D4,否则返回步骤D2;
D4.固定目标函数参数以及相应的环境配置,输出本次获取更新的电能表电流过载预测模型。
E.基于电能表电流过载预测结果,整合各时间层级的电流过载分布情况,形成格式化报文。随后进行现场核查,主要是核对电能表电流过载预测模型的效果以及反应出的问题,并将核查结果反馈至步骤A,更新样本数据以提升电能表电流过载诊断预测精准度。对于电流过载异常概率大于阈值δ的情况,系统将自动生成工单并传递至采集运维闭环管理系统,低于阈值的异常可手动甄别生成工单。针对特殊用户可以施行白名单管理。
基于从用电信息采集系统收集到的某地区2019年10月~2021年09月的用户用电样本20余万例,随机选择一定数量的正负样本进行电流过载识别,并统计测试结果,评估模型的性能表现。具体的测试样本数据和评价指标如下表所示:
由表可见,基于规则特征优化GRU的电能表电流过载预测模型在精准率、召回率和F1分数均表现较好,可以较为高效的预测电能表电流过载情况,达到精准化管理电流过载的目的。
此外,随机选择一定数量的样本进行评估KL散度对预测提升的效果,以欧式距离为评测基线,评估KL散度的性能表现。使用F1分数进行性能评价,结果如下表所示:
模型 | F1分数 |
使用欧式距离 | 93.46% |
使用KL散度 | 98.33% |
由表可见,基于KL散度的shapelet特征提取效果较好,表明KL散度在电流过载场景下挖掘特征的能力较为突出。相比欧氏距离来说,可以在一定程度上有效评估用电序列间的相关性,进而挖掘电能表电流过载情况的关键特征,更好的建模用电数据的变化趋势,提升识别和预测电能表电流过载的能力。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种电能表电流过载预测方法,其特征是,包括以下步骤:
获取电流过载相关用电数据特征以及用户用电样本数据;
对数据进行预处理,得到具有时序特征的用电数据;
针对具有时序特征的用电数据,按照不同时间粒度进行分类,得到多层级的用电时序数据,以设定规则提取用电数据序列中的关键特征,获取不同时间窗口的候选shapelet序列;
基于shapelet序列特征与用电特征,采用门控神经网络构建并训练得到的电能表电流过载预测模型,进行电能表电流过载判别;
基于电能表电流过载判别结果,整合各时间层级的电流过载分布情况,形成格式化预警报文发送,进行现场核查,并更新数据。
2.如权利要求1所述的一种电能表电流过载预测方法,其特征是,相关用电数据包括用户基本信息、计量点信息、电能表信息、电量信息和负荷信息。
3.如权利要求1所述的一种电能表电流过载预测方法,其特征是,所述预处理包括数据清洗、数据补全、数据集成和归一化处理。
4.如权利要求1所述的一种电能表电流过载预测方法,其特征是,按照不同时间粒度进行分类的具体过程包括:按照不同长度的时间窗口进行样本数据划分。
5.如权利要求1所述的一种电能表电流过载预测方法,其特征是,获取不同时间窗口的候选shapelet序列的具体过程包括:基于KL散度计算每个候选shapelet特征提取规则和用电数据序列之间的相似性,通过测量计算得到最佳的候选shapelet特征,来表示对应时间范围内的用电数据的关键特征。
6.如权利要求1所述的一种电能表电流过载预测方法,其特征是,电能表电流过载预测模型包括更新门和重置门,所述更新门用于控制前一时刻的用电信息状态被传递到当前时刻状态中的程度;重置门用于控制前一状态有多少信息被写入到当前的候选集。
7.如权利要求1所述的一种电能表电流过载预测方法,其特征是,电能表电流过载预测模型的训练过程包括:
将不同时间窗口的用电数据子序列shapelet特征,以及初始得到的用电基础信息特征,进行统一编码后,分别作为GRU网络的输入,并对模型进行参数初始化;
利用反向传播算法来训练模型,迭代更新各模型参数;
将更新后的模型参数代入目标函数,判断目标函数值与真实值之间的误差是否小于误差阈值,是则进入下一步骤,否则返回进行迭代更新;
固定目标函数参数,输出本次获取更新的电能表电流过载预测模型。
8.一种电能表电流过载预测系统,其特征是,包括:
用于获取电流过载相关用电数据特征以及用户用电样本数据的模块;
用于对数据进行预处理,得到具有时序特征的用电数据的模块;
用于针对具有时序特征的用电数据,按照不同时间粒度进行分类,得到多层级的用电时序数据,以设定规则提取用电数据序列中的关键特征,获取不同时间窗口的候选shapelet序列的模块;
用于基于shapelet序列特征与用电特征,采用门控神经网络构建并训练得到的电能表电流过载预测模型,进行电能表电流过载判别的模块;
用于基于电能表电流过载判别结果,整合各时间层级的电流过载分布情况,形成格式化预警报文发送,进行现场核查,并更新数据的模块。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7中任一项所述的方法中的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7中任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210032881.XA CN114548493A (zh) | 2022-01-12 | 2022-01-12 | 一种电能表电流过载预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210032881.XA CN114548493A (zh) | 2022-01-12 | 2022-01-12 | 一种电能表电流过载预测方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548493A true CN114548493A (zh) | 2022-05-27 |
Family
ID=81670858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210032881.XA Pending CN114548493A (zh) | 2022-01-12 | 2022-01-12 | 一种电能表电流过载预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548493A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577020A (zh) * | 2022-12-07 | 2023-01-06 | 天津腾飞钢管有限公司 | 一种修磨周期能耗状态识别系统及识别方法 |
CN116204387A (zh) * | 2023-04-26 | 2023-06-02 | 之江实验室 | 一种芯片电流的预测方法、装置、介质及电子设备 |
-
2022
- 2022-01-12 CN CN202210032881.XA patent/CN114548493A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577020A (zh) * | 2022-12-07 | 2023-01-06 | 天津腾飞钢管有限公司 | 一种修磨周期能耗状态识别系统及识别方法 |
CN115577020B (zh) * | 2022-12-07 | 2023-04-07 | 天津腾飞钢管有限公司 | 一种修磨周期能耗状态识别系统及识别方法 |
CN116204387A (zh) * | 2023-04-26 | 2023-06-02 | 之江实验室 | 一种芯片电流的预测方法、装置、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rocchetta et al. | A power-flow emulator approach for resilience assessment of repairable power grids subject to weather-induced failures and data deficiency | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN107491970B (zh) | 实时反作弊检测监控方法和系统以及计算设备 | |
US20140365271A1 (en) | Industrial asset health model update | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN106446016A (zh) | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN114841268B (zh) | 基于Transformer和LSTM融合算法的异常电力客户识别方法 | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及系统 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN115130764A (zh) | 基于状态评估的配电网态势预测方法及系统 | |
CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN113988709A (zh) | 中压配电线路故障率分析方法、装置、终端设备及介质 | |
Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN116957534A (zh) | 一种预测智能电表更换数量的方法 | |
CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN114298413B (zh) | 一种水电机组振摆趋势预测方法 |
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 |