CN115129504B - 基于云边端一体化的智慧电网数据处理方法及服务器 - Google Patents

基于云边端一体化的智慧电网数据处理方法及服务器 Download PDF

Info

Publication number
CN115129504B
CN115129504B CN202211047867.3A CN202211047867A CN115129504B CN 115129504 B CN115129504 B CN 115129504B CN 202211047867 A CN202211047867 A CN 202211047867A CN 115129504 B CN115129504 B CN 115129504B
Authority
CN
China
Prior art keywords
fault
determining
abnormal state
data
knowledge vector
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.)
Active
Application number
CN202211047867.3A
Other languages
English (en)
Other versions
CN115129504A (zh
Inventor
邹春风
高春亚
张菊
陈佳妮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chuangyu Intelligent Changshu Netlink Technology Co ltd
Original Assignee
Chuangyu Intelligent Changshu Netlink Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chuangyu Intelligent Changshu Netlink Technology Co ltd filed Critical Chuangyu Intelligent Changshu Netlink Technology Co ltd
Priority to CN202211047867.3A priority Critical patent/CN115129504B/zh
Publication of CN115129504A publication Critical patent/CN115129504A/zh
Application granted granted Critical
Publication of CN115129504B publication Critical patent/CN115129504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明提供的基于云边端一体化的智慧电网数据处理方法及服务器，与传统技术相比利用共用的知识向量挖掘分支同时针对故障识别事项和回归分析事项进行异常状态知识向量挖掘，本发明实施例可以针对回归分析事项和故障识别事项分别进行异常状态知识向量挖掘，从而确定出运行故障分析报告，这样可以提高电网运行故障分析的精度和可信度。

Description

基于云边端一体化的智慧电网数据处理方法及服务器
技术领域
本发明涉及数据处理技术领域，具体而言，涉及基于云边端一体化的智慧电网数据处理方法及服务器。
背景技术
智能电网（Smart Grid）可以理解为电网智能化/智慧电网，也被称为“电网2.0”，是建立在集成、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的技术应用。当下，智能电网的普及力度越来越大，在给广大用电用户提供便利的同时，针对智能电网的故障检测要求也越来越严格，这导致了传统技术难以保障故障检测分析的准确性和可靠性。
发明内容
本发明至少提供基于云边端一体化的智慧电网数据处理方法及服务器。
本发明提供了一种基于云边端一体化的智慧电网数据处理方法，应用于云服务器，所述方法至少包括：利用智慧电网故障分析算法，确定待分析智慧电网运行数据的第一基础故障数据捕捉窗口；利用基础故障数据捕捉窗口，确定故障识别事项在待分析智慧电网运行数据中的第一故障数据识别窗口，以及利用基础故障数据捕捉窗口，确定回归分析事项在待分析智慧电网运行数据中的第一故障回归分析窗口；利用第一故障数据识别窗口确定第一异常状态知识向量，以及利用第一故障回归分析窗口确定第二异常状态知识向量；利用第一异常状态知识向量和第二异常状态知识向量，得到运行故障分析报告。
可选的，利用第一基础故障数据捕捉窗口，确定故障识别事项在待分析智慧电网运行数据中的第一故障数据识别窗口，包括：利用第一基础故障数据捕捉窗口确定出第一数据识别误差；利用第一基础故障数据捕捉窗口和第一数据识别误差，确定第一故障数据识别窗口。
应用于该实施例，通过第一基础故障数据捕捉窗口和第一数据识别误差来确定出第一故障数据识别窗口，从而可以针对故障识别事项确定出对应的故障数据捕捉窗口，进而可以利用该故障数据捕捉窗口进行异常状态知识向量挖掘，可以提升异常状态知识向量挖掘时的精度和可信度。
可选的，利用第一基础故障数据捕捉窗口确定出第一数据识别误差，包括：利用第一基础故障数据捕捉窗口确定第三异常状态知识向量；将第三异常状态知识向量加载至第一深度学习模型进行处理，以得到第一处理结果；利用第一基础故障数据捕捉窗口的第一约束变量、第二约束变量和第一处理结果，确定第一数据识别误差。
可选的，利用第一基础故障数据捕捉窗口，确定回归分析事项在待分析智慧电网运行数据中的第一故障回归分析窗口，包括：利用第一基础故障数据捕捉窗口，确定出X个第二数据识别误差，X为正整数；利用X个第二数据识别误差，确定出第一故障回归分析窗口。
应用于该实施例，利用第一基础故障数据捕捉窗口，确定出X个第二数据识别误差，利用该X个第二数据识别误差对第一基础故障数据捕捉窗口拆解的多个局部数据块中对应的局部数据块进行校正，以得到第一故障回归分析窗口，这样可以提高第一故障回归分析窗口确定时的精度和可信度。
可选的，利用第一基础故障数据捕捉窗口，确定出X个第二数据识别误差，包括：将第一基础故障数据捕捉窗口拆解成z*z个局部数据块；将第三异常状态知识向量加载至第二深度学习模型进行处理，得到第二处理结果；利用第一基础故障数据捕捉窗口的第一约束变量、第二约束变量和第二处理结果，确定出z*z个局部数据块中的每个局部数据块的数据识别误差，以得到X个第二数据识别误差，X等于z*z。
应用于该实施例，将第一基础故障数据捕捉窗口拆解成z*z个局部数据块，利用第二深度学习模型得到第二处理结果，从而可以为每个局部数据块确定出对应的数据识别误差，提高了确定第一故障回归分析窗口的精度和可靠性。
可选的，第一深度学习模型与第二深度学习模型的第一级为相同级。
应用于该实施例，鉴于第一深度学习模型与第二深度学习模型的第一级为相同级，则可以实现模型的轻量化处理，进而提高整体方案的运算效率。
可选的，基于云边端一体化的智慧电网数据处理方法通过故障信息识别模型实现，方法还包括：通过智慧电网运行数据示例及智慧电网运行数据示例的先验注释对故障信息识别模型进行改进，以得到完成调试的故障信息识别模型。
可选的，通过智慧电网运行数据示例及智慧电网运行数据示例的先验注释对故障信息识别模型进行调试，以得到完成调试的故障信息识别模型，包括：利用智慧电网故障分析算法，确定智慧电网运行数据示例的第二基础故障数据捕捉窗口；利用第二基础故障数据捕捉窗口，确定故障识别事项在智慧电网运行数据示例中的第二故障数据识别窗口，以及利用第二基础故障数据捕捉窗口，确定回归分析事项在智慧电网运行数据示例中的第二故障回归分析窗口；利用第二故障数据识别窗口确定第四异常状态知识向量，以及利用第二故障回归分析窗口确定第五异常状态知识向量；至少利用第四异常状态知识向量、第五异常状态知识向量和先验注释，确定模型质量评价指标；利用模型质量评价指标对故障信息识别模型进行调试，得到完成调试的故障信息识别模型。
应用于该实施例，通过对故障识别事项和回归分析事项分别确定对应的故障数据捕捉窗口，这样可以提高得到故障识别事项和回归分析事项对应的异常状态知识向量，基于以上异常状态知识向量对故障信息识别模型进行调试，得到完成调试的故障信息识别模型，可以提升故障识别事项和回归分析事项的异常状态知识向量获取时的精度和可信度，从而提高了完成调试的故障信息识别模型进行故障识别时的准确度和可信度。
可选的，至少利用第四异常状态知识向量、第五异常状态知识向量和先验注释，确定模型质量评价指标，包括：利用第四异常状态知识向量和先验注释，确定出故障识别事项的第一模型代价指标；利用第五异常状态知识向量和先验注释，确定出回归分析事项的第二模型代价指标；利用第一模型代价指标和第二模型代价指标，确定出模型质量评价指标。
应用于该实施例，通过故障识别事项对应的第一模型代价指标和回归分析事项对应的第二模型代价指标来确定出模型质量评价指标，与传统技术相比，采用故障识别事项和回归分析事项共用的故障数据捕捉窗口和知识向量挖掘分支挖掘出的异常状态知识向量来确定出的对应的模型代价指标，能够提升模型质量评价指标确定时的精度和可信度，进而提高了完成调试的故障信息识别模型的运行质量。
可选的，至少利用第四异常状态知识向量和第五异常状态知识向量，确定模型质量评价指标，包括：利用第三异常状态知识向量和先验注释，确定出故障识别事项的第一基础模型代价指标和回归分析事项的第二基础模型代价指标；利用第四异常状态知识向量和先验注释，确定出故障识别事项的第一模型代价指标；利用第五异常状态知识向量和先验注释，确定出回归分析事项的第二模型代价指标；利用第一基础模型代价指标、第二基础模型代价指标、第一模型代价指标和第二模型代价指标，确定出模型质量评价指标。
应用于该实施例，能够全面考虑不同维度的模型代价指标，从而确保模型质量评价指标的可靠性。
可选的，至少利用第四异常状态知识向量和第五异常状态知识向量，确定模型质量评价指标，包括：利用第三异常状态知识向量，确定出故障识别事项的第一基础模型代价指标和回归分析事项的第二基础模型代价指标；利用第三异常状态知识向量和第四异常状态知识向量，确定出故障识别事项的第一交叉熵模型代价指标；利用第三异常状态知识向量和第五异常状态知识向量，确定出回归分析事项的第二交叉熵模型代价指标；利用第四异常状态知识向量和先验注释，确定出故障识别事项的第一模型代价指标；利用第五异常状态知识向量和先验注释，确定出回归分析事项的第二模型代价指标；利用第一基础模型代价指标、第二基础模型代价指标、第一交叉熵模型代价指标、第二交叉熵模型代价指标、第一模型代价指标和第二模型代价指标，确定出模型质量评价指标。
应用于该实施例，能够全面考虑不同维度的模型代价指标，从而确保模型质量评价指标的可靠性。
可选的，利用第四异常状态知识向量，确定出故障识别事项的第一交叉熵模型代价指标，包括：利用第三异常状态知识向量，确定出故障识别事项的第一故障识别命中率；利用第四异常状态知识向量，确定出故障识别事项的第二故障识别命中率；利用第一故障识别命中率和第二故障识别命中率，确定出第一交叉熵模型代价指标。
应用于该实施例，通过精准计算第一交叉熵模型代价指标，以提高模型调试和趋于稳定的效率。
可选的，利用第五异常状态知识向量，确定出回归分析事项的第二交叉熵模型代价指标，包括：利用第三异常状态知识向量，确定出回归分析事项的第一可信指数；利用第五异常状态知识向量，确定出回归分析事项的第二可信指数；利用第一可信指数和第二可信指数，确定出第二交叉熵模型代价指标。
应用于该实施例，通过精准计算第二交叉熵模型代价指标，以提高模型调试和趋于稳定的效率。
本发明还提供了一种云服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。
本发明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，所述计算机程序在运行时实现上述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：与传统技术相比利用共用的知识向量挖掘分支同时针对故障识别事项和回归分析事项进行异常状态知识向量挖掘，本发明实施例可以针对回归分析事项和故障识别事项分别进行异常状态知识向量挖掘，从而确定出运行故障分析报告，这样可以提高电网运行故障分析的精度和可信度。
关于上述云服务器、计算机可读存储介质的效果描述参见上述方法的说明。
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
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本发明的实施例，并与说明书一起用于说明本发明的技术方案。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例示出的一种云服务器的方框图。
图2是本发明实施例示出的一种基于云边端一体化的智慧电网数据处理方法的流程示意图。
图3是本发明实施例示出的一种基于云边端一体化的智慧电网数据处理装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1为本发明实施例提供的云服务器10的结构示意图，包括处理器102、存储器104、和总线106。其中，存储器104用于存储执行指令，包括内存和外部存储器，内存也可以理解为内存储器，用于暂时存放处理器102中的运算数据，以及与硬盘等外部存储器交换的数据，处理器102通过内存与外部存储器进行数据交换，当云服务器10运行时，处理器102与存储器104之间通过总线106通信，使得处理器102执行本发明实施例的基于云边端一体化的智慧电网数据处理方法。其中，云服务器10可以与智能电网设备组成云边端系统进行数据交互和分析处理，云边端系统的架构可以结合现有技术得到，在此不作赘述。
请结合图2，图2是本发明实施例所提供的一种基于云边端一体化的智慧电网数据处理方法的流程示意图，应用于云服务器，该方法示例性可以包括如下步骤所描述的内容。
步骤201、利用智慧电网故障分析算法，确定待分析智慧电网运行数据的第一基础故障数据捕捉窗口。
在本发明实施例中，待分析智慧电网运行数据可以是用于进行电网线路、设备等故障识别的运行数据，比如，对短路故障、断相故障、变压器故障、融冰故障、风载故障等进行识别的包括有短路故障、断相故障、变压器故障、融冰故障、风载故障等的运行数据。
智慧电网故障分析算法可以是基于AI技术实现的智慧电网故障分析算法，比如基于专家系统确定故障数据捕捉窗口的卷积神经网络模型等。第一基础故障数据捕捉窗口可以是用于进行故障识别事项和回归分析事项共用的故障数据捕捉窗口，示例性可以理解为：通过该第一基础故障数据捕捉窗口进行故障识别事项和回归分析事项的异常状态知识向量挖掘，得到对应的异常状态知识向量，并利用对应的异常状态知识向量来确定出运行故障分析报告。此外，故障数据捕捉窗口也可以理解为进行异常状态知识向量挖掘的区域性数据集等。进一步地，基础故障数据捕捉窗口可以是初始的故障数据捕捉窗口，故障数据捕捉窗口中包括捕捉出的部分数据集，比如文本数据、图文数据等。
步骤202、利用基础故障数据捕捉窗口，确定故障识别事项在待分析智慧电网运行数据中的第一故障数据识别窗口，以及利用基础故障数据捕捉窗口，确定回归分析事项在待分析智慧电网运行数据中的第一故障回归分析窗口。
在本发明实施例中，利用基础故障数据捕捉窗口可以确定第一数据识别误差和第二数据识别误差，利用第一数据识别误差和第二数据识别误差分别确定出第一故障数据识别窗口和第一故障回归分析窗口。其中，故障识别事项可以理解为故障定位任务、回归分析事项可以理解为故障分类任务。进一步地，故障数据识别窗口可以理解为故障定位窗口，故障回归分析窗口可以理解为故障分类窗口，上述整体思路可以理解为先进行数据集的捕捉，然后进行故障定位和/或故障分类处理。
步骤203、利用第一故障数据识别窗口确定第一异常状态知识向量，以及利用第一故障回归分析窗口确定第二异常状态知识向量。
举例而言，可以通过知识向量挖掘规则（比如特征提取算法），对第一故障数据识别窗口进行异常状态知识向量挖掘，得到第一异常状态知识向量，以及对第一故障回归分析窗口进行异常状态知识向量挖掘，得到第二异常状态知识向量，知识向量挖掘规则比如可以是卷积算法等。进一步地，第一异常状态知识向量比如可以是故障识别的精度评价，第二异常状态知识向量比如可以是故障分类/回归分析的可信指数。
步骤204、利用第一异常状态知识向量和第二异常状态知识向量，得到运行故障分析报告。
在本发明实施例中，利用第一异常状态知识向量进行处理，得到故障识别事项的故障识别命中率，利用第二异常状态知识向量进行处理，得到故障分类/回归分析的可信指数。运行故障分析报告包括故障识别事项的故障识别命中率和回归分析事项的故障分类/回归分析的可信指数。获取故障识别事项的故障识别命中率和故障分类/回归分析的可信指数的思路可以通过对应的特征整合模型（比如回归分析模块）来进行运算所得。
进一步地，运行故障分析报告可以理解为智能电网的故障运行故障预测结果，可以包括故障事件的发生事件、发生区域、故障表现形式、影响范围等。本领域技术人员可以知晓，发生事件、发生区域、故障表现形式、影响范围这些要素可以通过特征向量或者特征字段的形式进行表示，在此不作限定。
可以理解的是，利用智慧电网故障分析算法，确定待分析智慧电网运行数据的第一基础故障数据捕捉窗口，利用基础故障数据捕捉窗口，确定故障识别事项在待分析智慧电网运行数据中的第一故障数据识别窗口，以及利用基础故障数据捕捉窗口，确定回归分析事项在待分析智慧电网运行数据中的第一故障回归分析窗口，利用第一故障数据识别窗口确定第一异常状态知识向量，以及利用第一故障回归分析窗口确定第二异常状态知识向量，利用第一异常状态知识向量和第二异常状态知识向量，得到运行故障分析报告，基于此，与传统技术相比利用共用的知识向量挖掘分支同时针对故障识别事项和回归分析事项进行异常状态知识向量挖掘，本发明实施例可以针对回归分析事项和故障识别事项分别进行异常状态知识向量挖掘，从而确定出运行故障分析报告，这样可以提高电网运行故障分析的精度和可信度。
在一些可选的实施例中，一种示例性确定故障识别事项在待分析智慧电网运行数据中的第一故障数据识别窗口的思路可以包括如下内容：利用第一基础故障数据捕捉窗口确定出第一数据识别误差；利用第一基础故障数据捕捉窗口和第一数据识别误差，确定第一故障数据识别窗口。
其中，可以利用第一基础故障数据捕捉窗口的第三异常状态知识向量在第一深度学习模型中进行处理的处理结果来确定第一数据识别误差。
比如，可以将第一基础故障数据捕捉窗口按照第一数据识别误差进行位置调整，以得到第一故障数据识别窗口。第一故障数据识别窗口与第一基础故障数据捕捉窗口的规模一致，示例性可以理解为，第一故障数据识别窗口与第一基础故障数据捕捉窗口为规模一致分布相异的故障数据捕捉窗口。而数据识别误差可以理解为窗口的偏移变量。
如此设计，通过第一基础故障数据捕捉窗口和第一数据识别误差来确定出第一故障数据识别窗口，从而可以针对故障识别事项确定出对应的故障数据捕捉窗口，进而可以利用该故障数据捕捉窗口进行异常状态知识向量挖掘，可以提升异常状态知识向量挖掘时的精度和可信度。
在一些可选的实施例中，一种示例性确定第一数据识别误差的思路可以包括如下内容：利用第一基础故障数据捕捉窗口确定第三异常状态知识向量；将第三异常状态知识向量加载至第一深度学习模型进行处理，以得到第一处理结果；利用第一基础故障数据捕捉窗口的第一约束变量、第二约束变量和第一处理结果，确定第一数据识别误差。
其中，可以通过知识向量挖掘规则，对第一基础故障数据捕捉窗口进行异常状态知识向量挖掘，得到与基础故障数据捕捉窗口对应的第三异常状态知识向量。知识向量挖掘规则可以是通用的知识向量挖掘规则等。
进一步地，第一深度学习模型可以是三级Fully connected layer，第一深度学习模型的第一级的输出结果的数目可以是256个，第一深度学习模型最后一级的输出结果的数目为2个。第一处理结果可以为标准化的数据识别误差。
示例性的，利用第一基础故障数据捕捉窗口的第一约束变量、第二约束变量和第一处理结果，确定第一数据识别误差的思路可以通过如下算法实现：error1=Q1*Vi*（V；Pi）*（in1，in2）。
其中，in1为第一基础故障数据捕捉窗口的第一约束变量，in2为第一基础故障数据捕捉窗口的第二约束变量，Q1为窗口调整权重，Vi*（V；Pi）为第一处理结果，error1为第一数据识别误差。窗口调整权重可以保障调试的精度。
在一些可选的实施例中，本发明实施例还提供一种利用第一故障数据识别窗口确定第一异常状态知识向量的方法，比如通过特征上采样思路来确定第一异常状态知识向量。
在一些可选的实施例中，一种示例性确定回归分析事项在待分析智慧电网运行数据中的第一故障回归分析窗口的思路可以包括如下内容：利用第一基础故障数据捕捉窗口，确定出X个第二数据识别误差，X为正整数；利用X个第二数据识别误差，确定出第一故障回归分析窗口。
其中，可以将第一基础故障数据捕捉窗口拆解成多个局部数据块，分别确定每个局部数据块对应的数据识别误差，以得到X个第二数据识别误差。X为局部数据块的数目。
进一步地，可以将第一基础故障数据捕捉窗口拆解的多个局部数据块按照对应的第二数据识别误差进行校正，以确定出第一故障回归分析窗口。
如此设计，利用第一基础故障数据捕捉窗口，确定出X个第二数据识别误差，利用该X个第二数据识别误差对第一基础故障数据捕捉窗口拆解的多个局部数据块中对应的局部数据块进行校正，以得到第一故障回归分析窗口，这样可以提高第一故障回归分析窗口确定时的精度和可信度。
在一些可选的实施例中，一种示例性的利用第一基础故障数据捕捉窗口，确定出X个第二数据识别误差的思路可以包括如下内容：将第一基础故障数据捕捉窗口拆解成z*z个局部数据块；将第三异常状态知识向量加载至第二深度学习模型进行处理，得到第二处理结果；利用第一基础故障数据捕捉窗口的第一约束变量、第二约束变量和第二处理结果，确定出z*z个局部数据块中的每个局部数据块的数据识别误差，以得到X个第二数据识别误差，X等于z*z。
举例而言，将第一基础故障数据捕捉窗口拆解成z*z个局部数据块时，可以等分拆解，示例性可以理解为每个局部数据块的数据覆盖区域相同（或者包括的异常状态知识向量数目相同），也可以非等分拆解。
进一步地，第二深度学习模型为三级Fully connected layer，第一级的输出结果的数目为256个，第二级的输出结果为256个，第三级的输出结果的数目为z*z*2个。
进一步地，利用第一基础故障数据捕捉窗口的第一约束变量、第二约束变量和第二处理结果，确定出z*z个局部数据块中的每个局部数据块的数据识别误差，以得到X个第二数据识别误差可以通过如下算法得到第二数据识别误差：error2=Q1Vj*（V；Pj）*（in1，in2）。
其中，in1为第一基础故障数据捕捉窗口的第一约束变量，in2为第一基础故障数据捕捉窗口的第二约束变量，Q1为窗口调整权重，Vj*（V；Pj）为第二处理结果，error2为第二数据识别误差。Vj*（V；Pj）与每个局部数据块对应。
如此设计，将第一基础故障数据捕捉窗口拆解成z*z个局部数据块，利用第二深度学习模型得到第二处理结果，从而可以为每个局部数据块确定出对应的数据识别误差，提高了确定第一故障回归分析窗口的精度和可靠性。
在一些可选的实施例中，一种示例性的利用第一故障回归分析窗口确定第二异常状态知识向量的思路可以包括如下内容：获取第一局部数据块的特征挖掘单位的第一数目，以及获取第一局部数据块的每个特征挖掘单位对应的异常状态知识向量，第一局部数据块为z*z个局部数据块中的随机一个；利用第一局部数据块中每个特征挖掘单位的异常状态知识向量和第一数目，确定出第一局部数据块的第一局部异常状态知识向量；通过获取第一局部数据块的第一局部异常状态知识向量的方法，获取z*z个局部数据块中每个局部数据块对应的局部异常状态知识向量，以得到第二异常状态知识向量。
其中，可以通过特征插值来确定出每个特征挖掘单位对应的异常状态知识向量。此外，可以利用每个特征挖掘单位的异常状态知识向量和第一数目，来获取到第一局部数据块中特征挖掘单位的异常状态知识向量的平均向量，将该平均向量确定为第一局部数据块的第一局部异常状态知识向量。
可以理解，获取第一局部数据块的第一局部异常状态知识向量的方法包括以上对应内容，以此可以确定出第一局部异常状态知识向量。通过以上思路对每个局部数据块确定对应的局部异常状态知识向量，从而得到第二异常状态知识向量。示例性可以是将每个局部数据块对应的局部异常状态知识向量所形成的向量簇，确定为第二异常状态知识向量。
在一些可选的实施例中，第一深度学习模型与第二深度学习模型的第一级为相同级，示例性可以理解为，第一深度学习模型与第二深度学习模型共享第一级。
如此设计，鉴于第一深度学习模型与第二深度学习模型的第一级为相同级，则可以实现模型的轻量化处理，进而提高整体方案的运算效率。在一些可选的实施例中，以上实施方式可通过人工智能技术进行实现，基于此，本发明实施例还提供了一种基于云边端一体化的智慧电网数据处理方法的调试思路。比如，基于云边端一体化的智慧电网数据处理方法通过故障信息识别模型实现，进一步地，通过智慧电网运行数据示例和智慧电网运行数据示例的先验注释（标注信息）对通用AI模型进行调试，以得到完成调试的故障信息识别模型。
智慧电网运行数据示例比如可以是通过手动标注得到的具有先验注释的运行数据。完成调试的故障信息识别模型为调试完成后，得到的故障信息识别模型，其可以对传入的运行数据进行故障分析挖掘，得到运行故障分析报告，其对传入的运行数据进行识别使用了本发明实施例提供的基于云边端一体化的智慧电网数据处理方法。
在一些可选的实施例中，一种示例性的通过智慧电网运行数据示例及智慧电网运行数据示例的先验注释对故障信息识别模型进行调试，以得到完成调试的故障信息识别模型的思路可以包括如下内容：利用智慧电网故障分析算法，确定智慧电网运行数据示例的第二基础故障数据捕捉窗口；利用第二基础故障数据捕捉窗口，确定故障识别事项在智慧电网运行数据示例中的第二故障数据识别窗口，以及利用第二基础故障数据捕捉窗口，确定回归分析事项在智慧电网运行数据示例中的第二故障回归分析窗口；利用第二故障数据识别窗口确定第四异常状态知识向量，以及利用第二故障回归分析窗口确定第五异常状态知识向量；至少利用第四异常状态知识向量、第五异常状态知识向量和先验注释，确定模型质量评价指标；利用模型质量评价指标对故障信息识别模型进行改进，得到完成调试的故障信息识别模型。
比如，利用第二故障数据识别窗口确定第四异常状态知识向量的方法，可以结合上述内容中第一异常状态知识向量的确定思路，又比如，利用第二基础故障数据捕捉窗口，确定故障识别事项在智慧电网运行数据示例中的第二故障数据识别窗口等，可以结合上述内容中确定第一故障数据识别窗口的方法。
进一步地，调试得到完成调试的故障信息识别模型可以是先于基于云边端一体化的智慧电网数据处理方法的应用，当然，基于云边端一体化的智慧电网数据处理方法可以应用到在对完成调试的故障信息识别模型调试时。
此外，至少利用第四异常状态知识向量、第五异常状态知识向量和先验注释，确定模型质量评价指标，可以是通过第四异常状态知识向量、第五异常状态知识向量和先验注释来确定模型质量评价指标，也可以是第四异常状态知识向量、第五异常状态知识向量、第三异常状态知识向量、先验注释等来确定模型质量评价指标。进一步地，还可以通过其他至少包括第四异常状态知识向量、第五异常状态知识向量和先验注释的思路来确定模型质量评价指标。先验注释可以是区域标签、回归分析标签等。
利用模型质量评价指标对故障信息识别模型进行改进，直至故障信息识别模型趋于稳定，以得到完成调试的故障信息识别模型。
如此设计，通过对故障识别事项和回归分析事项分别确定对应的故障数据捕捉窗口，这样可以提高得到故障识别事项和回归分析事项对应的异常状态知识向量，基于以上异常状态知识向量对故障信息识别模型进行调试，得到完成调试的故障信息识别模型，可以提升故障识别事项和回归分析事项的异常状态知识向量获取时的精度和可信度，从而提高了完成调试的故障信息识别模型进行故障识别时的准确度和可信度。
在一些可选的实施例中，一种示例性确定模型质量评价指标的思路可以包括如下内容：利用第四异常状态知识向量和先验注释，确定出故障识别事项的第一模型代价指标；利用第五异常状态知识向量和先验注释，确定出回归分析事项的第二模型代价指标；利用第一模型代价指标和第二模型代价指标，确定出模型质量评价指标。
又比如，可以将第一模型代价指标和第二模型代价指标的和值确定为模型质量评价指标。
如此设计，通过故障识别事项对应的第一模型代价指标和回归分析事项对应的第二模型代价指标来确定出模型质量评价指标，与传统技术相比，采用故障识别事项和回归分析事项共用的故障数据捕捉窗口和知识向量挖掘分支挖掘出的异常状态知识向量来确定出的对应的模型代价指标，能够提升模型质量评价指标确定时的精度和可信度，进而提高了完成调试的故障信息识别模型的准确性。
在一些可选的实施例中，另一种示例性确定模型质量评价指标的思路可以包括如下内容：利用第三异常状态知识向量和先验注释，确定出故障识别事项的第一基础模型代价指标和回归分析事项的第二基础模型代价指标；利用第四异常状态知识向量和先验注释，确定出故障识别事项的第一模型代价指标；利用第五异常状态知识向量和先验注释，确定出回归分析事项的第二模型代价指标；利用第一基础模型代价指标、第二基础模型代价指标、第一模型代价指标和第二模型代价指标，确定出模型质量评价指标。
可以理解的是，利用第三异常状态知识向量和先验注释，确定第一基础模型代价指标和第二基础模型代价指标，可以结合上述内容确定第一模型代价指标和第二模型代价指标的思路。
此外，可以将第一基础模型代价指标、第二基础模型代价指标、第一模型代价指标和第二模型代价指标的求和结果，确定为模型质量评价指标。
在一些可选的实施例中，另一种示例性确定模型质量评价指标的设计思路可以包括如下内容：利用第三异常状态知识向量，确定出故障识别事项的第一基础模型代价指标和回归分析事项的第二基础模型代价指标；利用第三异常状态知识向量和第四异常状态知识向量，确定出故障识别事项的第一交叉熵模型代价指标；利用第三异常状态知识向量和第五异常状态知识向量，确定出回归分析事项的第二交叉熵模型代价指标；利用第四异常状态知识向量和先验注释，确定出故障识别事项的第一模型代价指标；利用第五异常状态知识向量和先验注释，确定出回归分析事项的第二模型代价指标；利用第一基础模型代价指标、第二基础模型代价指标、第一交叉熵模型代价指标、第二交叉熵模型代价指标、第一模型代价指标和第二模型代价指标，确定出模型质量评价指标。
示例性地，可以将第一基础模型代价指标、第二基础模型代价指标、第一交叉熵模型代价指标、第二交叉熵模型代价指标、第一模型代价指标和第二模型代价指标的求和结果，确定为模型质量评价指标。
此外，也可以将第一基础模型代价指标、第二基础模型代价指标、第一交叉熵模型代价指标、第二交叉熵模型代价指标、第一模型代价指标、第二模型代价指标之和智慧电网故障分析算法的模型代价指标的求和结果，确定为模型质量评价指标。
一种示例性的利用第三异常状态知识向量和第四异常状态知识向量，确定出故障识别事项的第一交叉熵模型代价指标的思路可以包括如下内容：利用第三异常状态知识向量，确定出故障识别事项的第一故障识别命中率；利用第四异常状态知识向量，确定出故障识别事项的第二故障识别命中率；利用第一故障识别命中率和第二故障识别命中率，确定出第一交叉熵模型代价指标。
可以理解的是，在确定第一故障识别命中率和第二故障识别命中率的过程中，需要通过先验注释来进行确定。故障识别命中率可以理解为表征异常状态知识向量与先验注释之间的精度。
又比如，可以将第一故障识别命中率和第二故障识别命中率以及设置的超参的求和结果，并通过Activation Function确定第一交叉熵模型代价指标。
在一些可选的实施例中，一种示例性的利用第五异常状态知识向量，确定出回归分析事项的第二交叉熵模型代价指标的思路可以包括如下内容：利用第三异常状态知识向量，确定出回归分析事项的第一可信指数；利用第五异常状态知识向量，确定出回归分析事项的第二可信指数；利用第一可信指数和第二可信指数，确定出第二交叉熵模型代价指标。
举例而言，在确定第一可信指数和第二可信指数时，可以通过先验注释来进行确定。
又比如，可以将第一可信指数和第二可信指数以及预设的超参的求和结果，并通过Activation Function确定第二交叉熵模型代价指标。
进一步地，本发明实施例还提供了一种基于云边端一体化的智慧电网数据处理方法的应用示例。
对于故障信息识别模型的调试过程可以包括如下内容：将待分析智慧电网运行数据（智慧电网运行数据示例，智慧电网运行数据示例中具有先验注释）加载至故障信息识别模型中，通过故障信息识别模型对待分析智慧电网运行数据进行分析处理，得到在待分析智慧电网运行数据中的第二基础故障数据捕捉窗口window，然后通过故障分析挖掘算法（适应性的AI模型），利用第二基础故障数据捕捉窗口，来确定出故障识别事项的第二故障数据识别窗口，以及回归分析事项的第二故障回归分析窗口。
进一步地，对于确定第二故障数据识别窗口可以利用第二故障数据识别窗口与第二基础故障数据捕捉窗口之间的第一数据识别误差来确定，示例性可以为将第一基础故障数据捕捉窗口按照对应的第一数据识别误差进行校正，以得到第二故障数据识别窗口。
此外，对于确定第二故障回归分析窗口，也可以确定第二故障回归分析窗口与第二基础故障数据捕捉窗口之间的第二数据识别误差来确定，该第二数据识别误差可以为X个，示例性可以为：将第二基础故障数据捕捉窗口拆解成z*z个局部数据块，分别确定每个局部数据块对应的第二数据识别误差，X=z*z。在确定出X个第二数据识别误差后，按照每个局部数据块对应的数据识别误差进行校正，从而得到第二故障回归分析窗口。
在得到第二故障数据识别窗口和第二故障回归分析窗口后，可以分别对其进行异常状态知识向量挖掘，得到第四异常状态知识向量 和第五异常状态知识向量。
进一步地，至少利用第四异常状态知识向量、第五异常状态知识向量和先验注释来确定出模型质量评价指标。确定模型质量评价指标的方法比如可以是：至少利用第四异常状态知识向量、第五异常状态知识向量和先验注释，确定模型质量评价指标，可以是通过第四异常状态知识向量、第五异常状态知识向量和先验注释来确定模型质量评价指标，也可以是第四异常状态知识向量、第五异常状态知识向量、第三异常状态知识向量、先验注释等来确定模型质量评价指标。当然，还可以通过其他至少包括第四异常状态知识向量、第五异常状态知识向量和先验注释的思路来确定模型质量评价指标。先验注释可以是区域性数据集、回归分析标签等。
此外，在确定出模型质量评价指标后，对故障信息识别模型进行改进，以得到完成调试的故障信息识别模型。
对于利用完成调试的故障信息识别模型进行故障分析挖掘思路而言，可以包括如下内容。
进一步地，本发明实施例提供了另一种基于云边端一体化的智慧电网数据处理方法的技术方案。其中，基于云边端一体化的智慧电网数据处理方法可以包括如下内容：利用智慧电网故障分析算法，确定待分析智慧电网运行数据的第一基础故障数据捕捉窗口；利用第一基础故障数据捕捉窗口确定出第一数据识别误差；利用第一基础故障数据捕捉窗口和第一数据识别误差，确定第一故障数据识别窗口；利用第一基础故障数据捕捉窗口，确定出X个第二数据识别误差，X为正整数；利用X个第二数据识别误差，确定出第一故障回归分析窗口；利用第一故障数据识别窗口确定第一异常状态知识向量，以及利用第一故障回归分析窗口确定第二异常状态知识向量；利用第一异常状态知识向量和第二异常状态知识向量，得到运行故障分析报告。
如此设计，通过第一基础故障数据捕捉窗口和第一数据识别误差来确定出第一故障数据识别窗口，从而可以针对故障识别事项确定出对应的故障数据捕捉窗口，进而可以利用该故障数据捕捉窗口进行异常状态知识向量挖掘，可以提升异常状态知识向量挖掘时的精度和可信度，以及利用第一基础故障数据捕捉窗口，确定出X个第二数据识别误差，利用该X个第二数据识别误差对第一基础故障数据捕捉窗口拆解的多个局部数据块中对应的局部数据块进行校正，以得到第一故障回归分析窗口，这样可以提高第一故障回归分析窗口确定时的精度和可信度。
进一步地，本发明实施例提供了另一种基于云边端一体化的智慧电网数据处理方法的思路，可以包括如下内容：利用智慧电网故障分析算法，确定待分析智慧电网运行数据的第一基础故障数据捕捉窗口；利用基础故障数据捕捉窗口，确定故障识别事项在待分析智慧电网运行数据中的第一故障数据识别窗口，以及利用基础故障数据捕捉窗口，确定回归分析事项在待分析智慧电网运行数据中的第一故障回归分析窗口；利用第一故障数据识别窗口确定第一异常状态知识向量，以及利用第一故障回归分析窗口确定第二异常状态知识向量；利用第一异常状态知识向量和第二异常状态知识向量，得到运行故障分析报告；基于云边端一体化的智慧电网数据处理方法通过故障信息识别模型实现，该方法还包括：通过智慧电网运行数据示例及智慧电网运行数据示例的先验注释对故障信息识别模型进行调试，以得到完成调试的故障信息识别模型。
如此设计，完成调试的故障信息识别模型通过故障信息识别模型实现，并利用上述内容中确定的第一异常状态知识向量和第二异常状态知识向量获取的方法来智慧电网运行数据示例对异常状态知识向量进行挖掘，并进行调试得到完成调试的故障信息识别模型，这样可以提高完成调试的故障信息识别模型的故障识别命中率。
在一些可独立实施的实施例中，在得到运行故障分析报告之后，该方法还可以包括如下内容：基于所述运行故障分析报告进行故障预测处理，得到故障预测结果；依据所述故障预测结果确定故障防护策略。
对于本发明实施例而言，可以根据运行故障分析报告中的相关要素进行后续的故障预测，以便提前部署对应的故障防护策略，减少智能电网的运行故障发生率，提高智能电网的运行稳定性。
在一些可独立实施的实施例中，基于所述运行故障分析报告进行故障预测处理，得到故障预测结果，可以包括如下内容：从所述运行故障分析报告中获取故障细节要素数据集，其中，所述故障细节要素数据集包括多组故障细节要素数据；根据所述故障细节要素数据集获取误差细节要素数据集，其中，所述误差细节要素数据集包括连续的多组误差细节要素数据；基于所述故障细节要素数据集，通过回归分析网络所包括的第一要素向量挖掘模块获取故障细节要素向量集，其中，所述故障细节要素向量集包括多个故障细节要素向量；基于所述误差细节要素数据集，通过所述回归分析网络所包括的第二要素向量挖掘模块获取误差细节要素向量集，其中，所述误差细节要素向量集包括多个误差细节要素向量；基于所述故障细节要素向量集以及所述误差细节要素向量集，通过所述回归分析网络所包括的回归分析模块获取所述故障细节要素数据所对应的故障预测标签；根据所述故障预测标签确定所述故障细节要素数据集的故障预测结果。
对于本发明实施例而言，误差细节要素数据可以理解为故障细节要素数据的噪声信息或者干扰信息，比如可以基于故障细节要素数据集对应故障分析时段、故障分析手段等确定出由于外界因素或者人为操作因素导致的故障误检数据，这样可以综合故障细节要素数据以及误差细节要素数据各自对应的要素向量进行回归预测和分类处理，从而得到携带量化值的故障预测标签，以便准确确定出故障预测结果。
在上述基础上，请结合图3，本发明还提供了一种基于云边端一体化的智慧电网数据处理装置30框图，所述装置包括以下功能模块：窗口确定模块31，用于利用智慧电网故障分析算法，确定待分析智慧电网运行数据的第一基础故障数据捕捉窗口；结合所述第一基础故障数据捕捉窗口，确定故障识别事项在待分析智慧电网运行数据中的第一故障数据识别窗口，以及结合所述第一基础故障数据捕捉窗口，确定回归分析事项在所述待分析智慧电网运行数据中的第一故障回归分析窗口；故障分析模块32，用于结合所述第一故障数据识别窗口确定第一异常状态知识向量，以及结合所述第一故障回归分析窗口确定第二异常状态知识向量；结合所述第一异常状态知识向量和所述第二异常状态知识向量，得到运行故障分析报告。
进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述示例性描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。以上所描述的装置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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

Claims (7)

1.一种基于云边端一体化的智慧电网数据处理方法，其特征在于，应用于云服务器，所述方法至少包括：
利用智慧电网故障分析算法，确定待分析智慧电网运行数据的第一基础故障数据捕捉窗口；
结合所述第一基础故障数据捕捉窗口，确定故障识别事项在待分析智慧电网运行数据中的第一故障数据识别窗口，以及结合所述第一基础故障数据捕捉窗口，确定回归分析事项在所述待分析智慧电网运行数据中的第一故障回归分析窗口；
结合所述第一故障数据识别窗口确定第一异常状态知识向量，以及结合所述第一故障回归分析窗口确定第二异常状态知识向量；
结合所述第一异常状态知识向量和所述第二异常状态知识向量，得到运行故障分析报告；
其中，所述结合所述第一基础故障数据捕捉窗口，确定故障识别事项在待分析智慧电网运行数据中的第一故障数据识别窗口，包括：结合所述第一基础故障数据捕捉窗口确定出第一数据识别误差；结合所述第一基础故障数据捕捉窗口和所述第一数据识别误差，确定所述第一故障数据识别窗口；
其中，所述结合所述第一基础故障数据捕捉窗口确定出第一数据识别误差，包括：结合所述第一基础故障数据捕捉窗口确定第三异常状态知识向量；将所述第三异常状态知识向量加载至第一深度学习模型进行处理，以得到第一处理结果；结合所述第一基础故障数据捕捉窗口的第一约束变量、第二约束变量和所述第一处理结果，确定所述第一数据识别误差；
其中，所述结合所述第一基础故障数据捕捉窗口，确定回归分析事项在所述待分析智慧电网运行数据中的第一故障回归分析窗口，包括：结合所述第一基础故障数据捕捉窗口，确定出X个第二数据识别误差，X为正整数；结合所述X个第二数据识别误差，确定出所述第一故障回归分析窗口；其中，所述结合所述第一基础故障数据捕捉窗口，确定出X个第二数据识别误差，包括：将所述第一基础故障数据捕捉窗口拆解成z*z个局部数据块；将所述第三异常状态知识向量加载至第二深度学习模型进行处理，得到第二处理结果；结合所述第一基础故障数据捕捉窗口的第一约束变量、第二约束变量和所述第二处理结果，确定出所述z*z个局部数据块中的每个局部数据块的数据识别误差，以得到所述X个第二数据识别误差，X等于z*z；其中，所述第一深度学习模型与所述第二深度学习模型的第一级为相同级。
2.如权利要求1所述的方法，其特征在于，所述基于云边端一体化的智慧电网数据处理方法通过故障信息识别模型实现，所述方法还包括：
通过智慧电网运行数据示例及所述智慧电网运行数据示例的先验注释对所述故障信息识别模型进行调试，以得到完成调试的故障信息识别模型。
3.如权利要求2所述的方法，其特征在于，所述通过智慧电网运行数据示例及所述智慧电网运行数据示例的先验注释对所述故障信息识别模型进行调试，以得到完成调试的故障信息识别模型，包括：
结合所述智慧电网故障分析算法，确定所述智慧电网运行数据示例的第二基础故障数据捕捉窗口；
结合所述第二基础故障数据捕捉窗口，确定故障识别事项在智慧电网运行数据示例中的第二故障数据识别窗口，以及结合所述第二基础故障数据捕捉窗口，确定回归分析事项在所述智慧电网运行数据示例上的第二故障回归分析窗口；
结合所述第二故障数据识别窗口确定第四异常状态知识向量，以及结合所述第二故障回归分析窗口确定第五异常状态知识向量；
至少结合所述第四异常状态知识向量、所述第五异常状态知识向量和所述先验注释，确定模型质量评价指标；
结合所述模型质量评价指标对所述故障信息识别模型进行改进，得到完成调试的故障信息识别模型。
4.如权利要求3所述的方法，其特征在于，所述至少结合所述第四异常状态知识向量、所述第五异常状态知识向量和所述先验注释，确定模型质量评价指标，包括：
结合所述第四异常状态知识向量和所述先验注释，确定出所述故障识别事项的第一模型代价指标；
结合所述第五异常状态知识向量和所述先验注释，确定出所述回归分析事项的第二模型代价指标；
结合所述第一模型代价指标和所述第二模型代价指标，确定出所述模型质量评价指标。
5.如权利要求3所述的方法，其特征在于，所述至少结合所述第四异常状态知识向量、所述第五异常状态知识向量和所述先验注释，确定模型质量评价指标，包括：
结合所述第三异常状态知识向量和所述先验注释，确定出所述故障识别事项的第一基础模型代价指标和所述回归分析事项的第二基础模型代价指标；
结合所述第四异常状态知识向量和所述先验注释，确定出所述故障识别事项的第一模型代价指标；
结合所述第五异常状态知识向量和所述先验注释，确定出所述回归分析事项的第二模型代价指标；
结合所述第一基础模型代价指标、所述第二基础模型代价指标、所述第一模型代价指标和所述第二模型代价指标，确定出所述模型质量评价指标。
6.如权利要求3所述的方法，其特征在于，所述至少结合所述第四异常状态知识向量、所述第五异常状态知识向量和所述先验注释，确定模型质量评价指标，包括：
结合所述第三异常状态知识向量，确定出所述故障识别事项的第一基础模型代价指标和所述回归分析事项的第二基础模型代价指标；
结合所述第三异常状态知识向量和所述第四异常状态知识向量，确定出所述故障识别事项的第一交叉熵模型代价指标；
结合所述第三异常状态知识向量和所述第五异常状态知识向量，确定出所述回归分析事项的第二交叉熵模型代价指标；
结合所述第四异常状态知识向量和所述先验注释，确定出所述故障识别事项的第一模型代价指标；
结合所述第五异常状态知识向量和所述先验注释，确定出所述回归分析事项的第二模型代价指标；
结合所述第一基础模型代价指标、所述第二基础模型代价指标、所述第一交叉熵模型代价指标、所述第二交叉熵模型代价指标、所述第一模型代价指标和所述第二模型代价指标，确定出所述模型质量评价指标；
其中，所述结合所述第三异常状态知识向量和所述第四异常状态知识向量，确定出所述故障识别事项的第一交叉熵模型代价指标，包括：
结合所述第三异常状态知识向量，确定出所述故障识别事项的第一故障识别命中率；
结合所述第四异常状态知识向量，确定出所述故障识别事项的第二故障识别命中率；
结合所述第一故障识别命中率和所述第二故障识别命中率，确定出所述第一交叉熵模型代价指标；
其中，所述结合所述第三异常状态知识向量和所述第五异常状态知识向量，确定出所述回归分析事项的第二交叉熵模型代价指标，包括：
结合所述第三异常状态知识向量，确定出所述回归分析事项的第一可信指数；
结合所述第五异常状态知识向量，确定出所述回归分析事项的第二可信指数；
结合所述第一可信指数和所述第二可信指数，确定出所述第二交叉熵模型代价指标。
7.一种云服务器，其特征在于，包括处理器和存储器；
所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-6任一项所述的方法。
CN202211047867.3A 2022-08-30 2022-08-30 基于云边端一体化的智慧电网数据处理方法及服务器 Active CN115129504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211047867.3A CN115129504B (zh) 2022-08-30 2022-08-30 基于云边端一体化的智慧电网数据处理方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211047867.3A CN115129504B (zh) 2022-08-30 2022-08-30 基于云边端一体化的智慧电网数据处理方法及服务器

Publications (2)

Publication Number Publication Date
CN115129504A CN115129504A (zh) 2022-09-30
CN115129504B true CN115129504B (zh) 2022-11-15

Family

ID=83387978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211047867.3A Active CN115129504B (zh) 2022-08-30 2022-08-30 基于云边端一体化的智慧电网数据处理方法及服务器

Country Status (1)

Country Link
CN (1) CN115129504B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117494372B (zh) * 2023-01-30 2024-09-20 江苏大汉建设实业集团有限责任公司 基于智慧云计算的建筑订单数据分析方法及系统
CN116362226B (zh) * 2023-04-10 2024-06-21 广东省中创融科技发展有限公司 基于在线业务交互的大数据异常ai分析方法及服务器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3017472B1 (fr) * 2014-02-11 2016-01-22 Commissariat Energie Atomique Encodage de scenarios de defaillance d'un processeur manycore
CN110263846B (zh) * 2019-06-18 2021-12-28 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
CN110297141A (zh) * 2019-07-01 2019-10-01 武汉大学 基于多层评估模型的故障定位方法及系统
CN110543907A (zh) * 2019-08-29 2019-12-06 交控科技股份有限公司 一种基于微机监测功率曲线的故障分类方法

Also Published As

Publication number Publication date
CN115129504A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN115129504B (zh) 基于云边端一体化的智慧电网数据处理方法及服务器
CN111930903B (zh) 基于深度日志序列分析的系统异常检测方法及系统
CN111695620A (zh) 一种电力系统时间序列异常数据检测与修正方法及系统
CN112257263B (zh) 基于自注意力机制的设备剩余寿命预测系统
CN113743528A (zh) 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统
CN109308225B (zh) 一种虚拟机异常检测方法、装置、设备及存储介质
US20200201741A1 (en) Identification of software program fault locations
CN116910574A (zh) 基于元学习和时间卷积网络的机械设备诊断方法及装置
CN117596191A (zh) 一种电力物联网异常检测方法、装置及存储介质
CN115168868A (zh) 一种应用于人工智能的业务漏洞分析方法及服务器
US11994977B2 (en) Test case generation apparatus, test case generation method, and computer readable medium
CN111275101A (zh) 一种飞机液压系统故障识别方法，设备及可读存储介质
CN114020811A (zh) 数据异常检测方法及其装置、电子设备
Fu et al. PQEventCog: Classification of power quality disturbances based on optimized S-transform and CNNs with noisy labeled datasets
CN116340172A (zh) 基于测试场景的数据收集方法、装置及测试用例检测方法
CN116827603A (zh) 一种考虑类别不平衡的电力系统网络攻击检测方法及系统
CN115829160A (zh) 一种时序异常预测方法、装置、设备及存储介质
CN112925668B (zh) 服务器健康评价方法、装置、设备以及存储介质
Shi et al. A new adaptive feature fusion and selection network for intelligent transportation systems
CN105814546A (zh) 用于辅助对算法链的检验和验证的方法和系统
CN114969335B (zh) 异常日志检测方法、装置、电子设备及可读存储介质
Felix et al. Impact of defect velocity at class level
US20240177065A1 (en) Machine learning device, degree of severity prediction device, machine learning method, and degree of severity prediction method
Zhu et al. Vision Transformer–Based Anomaly Detection Method for Offshore Platform Monitoring Data
Yang A Robust Event Diagnostics Platform: Integrating Tensor Analytics and Machine Learning into Real-time Grid Monitoring

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