CN116307944B - 基于人工智能与物联网的配电箱远程监测系统 - Google Patents

Abstract

本发明涉及电数字数据处理技术领域，具体涉及基于人工智能与物联网的配电箱远程监测系统。该系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：根据各用户对应的电流序列中每两个相邻电流数据之间的差异情况，得到对应的功率评价指标，进而获得各用户对应的第一子序列和第二子序列；根据各用户对应的第一子序列和第二子序列中功率评价指标的分布情况，得到各用户对应的第一子序列和第二子序列之间的相似指标，确定了类别数，进而对所有用户进行分组获得各类用户；根据各类用户在预设时间段内各采集时刻的电流数据，预测各类用户下一时刻的电流数据。本发明提高了电流数据监测结果的可信度。

Description

基于人工智能与物联网的配电箱远程监测系统

技术领域

本发明涉及电数字数据处理技术领域，具体涉及基于人工智能与物联网的配电箱远程监测系统。

背景技术

配电箱监测场景中，用户侧配电箱实时采集用户的电流数据，便于进行用户端需求的电力负荷监测识别，保证电力能够安全准确供应给用户。在电力负荷数据识别中，大量用户的用电情况不一致，因此当用户电力使用情况的画像不准确或用户数量较少时数据量较小所产生的聚类准确度不足时，难以做到针对同类型用户进行精准识别，从而使得电力供应的智能度较低。K-means聚类算法在合适的k值下能够获得相似电力负荷的用户情况，而k值设置的过大或过小都会影响聚类结果，降低簇类代表的用户特征描述准确性，使得用户电流数据的监测结果可信度较低，进而导致用户电流数据的预测结果较差。

发明内容

为了解决现有方法在对用户电流数据进行监测时存在的监测结果可信度较低的问题，本发明的目的在于提供一种基于人工智能与物联网的配电箱远程监测系统，所采用的技术方案具体如下：

本发明提供了一种基于人工智能与物联网的配电箱远程监测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取不同用户在预设时间段内各采集时刻的电流数据；基于所述电流数据构建各用户对应的电流序列；

根据各用户对应的电流序列中每两个相邻电流数据之间的差异情况，对各用户对应的电流序列进行划分获得各用户对应的各子数据段；根据各子数据段中电流数据的分布情况，得到各子数据段对应的功率评价指标；基于所述功率评价指标获得各用户对应的第一子序列和第二子序列；

根据各用户对应的第一子序列和第二子序列中功率评价指标的分布情况，得到各用户对应的第一子序列和第二子序列之间的相似指标；基于所述相似指标确定类别数；基于所述类别数和所述相似指标对所有用户进行分组获得各类用户；根据各类用户在预设时间段内各采集时刻的电流数据，预测各类用户在下一时刻的电流数据。

优选的，所述根据各用户对应的电流序列中每两个相邻电流数据之间的差异情况，对各用户对应的电流序列进行划分获得各用户对应的各子数据段，包括：

对于任一用户对应的电流序列：

将该电流序列中最大电流数据与最小电流数据之间的差值记为第一差值；

按照预设顺序分别将该电流序列中每两个相邻电流数据中后一个电流数据与前一个电流数据的之间的差值，确定为对应两个电流数据的第一差异；将所述第一差异与所述第一差值的比值确定为对应两个电流数据的波动指标；按照预设顺序将首个波动指标大于预设第一阈值的两个电流数据中的后一个电流数据对应的采集时刻，确定为第一变化点；按照预设顺序将该电流序列中第一变化点之后每两个相邻电流数据中前一个电流数据与后一个电流数据的之间的差值，确定为对应两个电流数据的第二差异；将所述第二差异与所述第一差值的比值确定为对应两个电流数据的波动指标；按照预设顺序将第一变化点之后首个波动指标大于预设第一阈值的两个电流数据中的后一个电流数据对应的采集时刻，确定为第二变化点；所述第一变化点和所述第二变化点之间的电流数据构成一个子数据段；以此类推，在该电流序列中第二变化点之后确定其他变化点，基于所有变化点获得该用户对应的各子数据段。

优选的，所述根据各子数据段中电流数据的分布情况，得到各子数据段对应的功率评价指标，包括：

对于任一子数据段：

获取该子数据段对应的时长，将所述时长与预设时间段的总时长之间的比值记为时长占比；分别计算该子数据段中所有电流数据的均值和标准差；将该子数据段中各电流数据与所述均值的差值记为第二差值；

根据所述时长占比、所述第二差值和所述标准差，得到该子数据段对应的功率评价指标，所述时长占比和所述第二差值均与所述功率评价指标呈正相关关系，所述标准差和所述功率评价指标呈负相关关系。

优选的，所述基于所述功率评价指标获得各用户对应的第一子序列和第二子序列，包括：

对于任一用户：

该用户对应的所有子数据段对应的功率评价指标中大于或等于预设第二数值的所有功率评价指标构成该用户对应的第一子序列；该用户对应的所有子数据段对应的功率评价指标中小于预设第二数值的所有功率评价指标构成该用户对应的第二子序列。

优选的，根据各用户对应的第一子序列和第二子序列中功率评价指标的分布情况，得到各用户对应的第一子序列和第二子序列之间的相似指标，包括：

对于任一用户：

将该用户对应的第一子序列中功率评价指标的最大值与第二子序列中功率评价指标的最小值的比值，确定为第一比值；将所述第一比值的绝对值记为第一指标；

将该用户对应的第一子序列中每两个相邻功率评价指标的差值的绝对值，确定为对应两个相邻功率评价指标的第三差异；将该用户对应的第二子序列中每两个相邻功率评价指标的差值的绝对值，确定为对应两个相邻功率评价指标的第四差异；将该用户对应的第一子序列中所有每两个相邻功率评价指标的第三差异的均值，确定为第一均值；将该用户对应的第二子序列中所有每两个相邻功率评价指标的第四差异的均值，确定为第二均值；将所述第一均值与所述第二均值的比值记为第二指标；

根据所述第一指标和所述第二指标，得到该用户对应的第一子序列和第二子序列之间的相似指标，所述第一指标和所述第二指标均与所述相似指标呈正相关关系。

优选的，所述基于所述相似指标确定类别数，包括：

根据所有用户对应的第一子序列和第二子序列之间的相似指标的最大值和最小值，确定相似指标的范围；

将所述相似指标的范围划分为预设数量的子区间段，将各子区间段中相似指标的个数与所有用户对应的第一子序列和第二子序列之间的相似指标的总个数的比值，确定为各子区间段的数量占比；计算所有子区间段的数量占比的方差；按照预设规则依次调整子区间段的数量，若调整前后所有子区间段的数量占比的方差的差异小于预设差异阈值，则将调整前子区间段的数量作为类别数；若调整前后所有子区间段的数量占比的方差的差异始终大于预设差异阈值，则将类别数设置为1。

优选的，所述基于所述类别数和所述相似指标对所有用户进行分组获得各类用户，包括：

基于各用户对应的第一子序列和第二子序列之间的相似指标，采用K-means聚类算法对所有用户进行分组，获得各类用户，K-means聚类时k的值为所述类别数。

本发明至少具有如下有益效果：

本发明考虑到传统的仅根据用户单点监测数据对用户进行分类时，不同特征数据之间差异程度不同，难以保证分类结果的准确性，最终使得用户类型划分后，同一类型下的用户对电力负载需求差异不同，导致系统智能性不能够完全实现，使得用户电力使用情况的监测结果可信度较低，本发明结合每个用户对应的各子数据段对应的功率评价指标，对每个用户的电流数据进行电力负荷特征判断，获得了每个用户对应的第一子序列和第二子序列，又根据每个用户对应的第一子序列和第二子序列中功率评价指标的分布情况，得到了每个用户对应的第一子序列和第二子序列之间的相似指标，进而确定了类别数，基于类别数对所有用户进行分组获得多类用户，同一类中所有用户的用电情况相似，不同类中用户的用电情况差异较大，本发明根据每类用户在预设时间段内各采集时刻的电流数据，预测每类用户在下一时刻的电流数据，根据预测结果进行针对性电力供给，在提高电流数据监测结果可信度的同时，使得配电箱远程监测系统更加智能化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明实施例所提供的基于人工智能与物联网的配电箱远程监测系统所执行的方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能与物联网的配电箱远程监测系统进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能与物联网的配电箱远程监测系统的具体方案。

基于人工智能与物联网的配电箱远程监测系统实施例：

本实施例所针对的具体场景为：在对用户侧配电箱数据进行监测，以准确预测下一时刻的电流数据时，首先结合用户侧配电箱数据识别到的用户用电特性差异，综合多用户识别的差异性得到K-means聚类时的k值，然后采用K-means聚类算法对不同用户在预设时间段内的电流数据进行聚类，使聚类完成后同一聚类簇中所有用户的用电特性相似，增加K-means聚类结果聚簇类的纯净度，提高下一时刻的电流数据的预测精度。

本实施例提出了基于人工智能与物联网的配电箱远程监测系统，该系统以实现如图1所示的步骤，具体步骤如下：

步骤S1，获取不同用户在预设时间段内各采集时刻的电流数据；基于所述电流数据构建各用户对应的电流序列。

由于远程监测技术分为侵入式及非侵入式，侵入式监测技术指在用户的全部用电设备上安装实时监测单元，硬件成本极高而且不利于大面积推广得到足够量的识别数据。本实施例通过外置的配电箱内安装的监测模块采集用户数据，不需要用户侧进行配合即可采集到监测数据，且配电箱由归属管理人员统一安装，能够保证数据采集数量。在配电箱内安装采集单元，用于采集用户数据，本实施例采集的用户数据为不同用户在预设时间段内的电流数据，预设时间段为与当前时刻的时间间距小于或等于预设时长的历史时刻构成的集合，本实施例中的预设时长为1个月，电流数据每1秒采集一次，在具体应用中，实施者可根据具体情况设置预设时长和电流数据的采集频率。

根据每个用户在预设时间段内各采集时刻的电流数据，构建每个用户对应的电流 序列，例如：对于任一用户，其对应的电流序列为，其中，为该用户对应的电 流序列，为预设时间段内采集时刻的总个数，为该用户在预设时间段内第1个采集时刻的 电流数据，为该用户在预设时间段内第2个采集时刻的电流数据，为该用户在预设时间 段内第个采集时刻的电流数据。

至此，采用上述方法，获得了每个用户对应的电流序列。

步骤S2，根据各用户对应的电流序列中每两个相邻电流数据之间的差异情况，对各用户对应的电流序列进行划分获得各用户对应的各子数据段；根据各子数据段中电流数据的分布情况，得到各子数据段对应的功率评价指标；基于所述功率评价指标获得各用户对应的第一子序列和第二子序列。

电流序列能够反映用户对电力的使用特征，本实施例将基于电流序列获得用户对于电力需求的数字画像，并综合数字画像的差异进行最佳类别值的评估。

用户在不同时段对电力有不同的使用需求，从用户角度进行分析，用户启动电器或是调整电器功率时，所需更高的电器输出功率，相对应的配电箱电网应提高输出功率弥补用户的输入功率需求，而用电器工作时的电压通常限定在一定范围内，在用户电压限定下，用电器的功率需要提升，则电流需要增大，以便满足用电器的功率需求。通过对电流序列进行分析，能够获得用户在不同时刻下对于电流的需求热度，以便将相似需求的用户划分到一组。

对于任一用户对应的电流序列：

将该电流序列中最大电流数据与最小电流数据之间的差值记为第一差值；按照预设顺序分别将该电流序列中每两个相邻电流数据中后一个电流数据与前一个电流数据的之间的差值，确定为对应两个电流数据的第一差异；将所述第一差异与所述第一差值的比值确定为对应两个电流数据的波动指标；按照预设顺序将首个波动指标大于预设第一阈值的两个电流数据中的后一个电流数据对应的采集时刻，确定为第一变化点；按照预设顺序将该电流序列中第一变化点之后每两个相邻电流数据中前一个电流数据与后一个电流数据的之间的差值，确定为对应两个电流数据的第二差异；将所述第二差异与所述第一差值的比值确定为对应两个电流数据的波动指标；按照预设顺序将第一变化点之后首个波动指标大于预设第一阈值的两个电流数据中的后一个电流数据对应的采集时刻，确定为第二变化点；所述第一变化点和所述第二变化点之间的电流数据构成一个子数据段；以此类推，在该电流序列中第二变化点之后确定其他变化点，基于所有变化点获得该用户对应的各子数据段。本实施例的预设顺序为按照时间先后顺序，也即计算该电流序列中第2个电流数据与第1个电流数据的之间的差值，将该差值确定为第2个电流数据与第1个电流数据的第一差异，将第2个电流数据与第1个电流数据的第一差异和第一差值的比值确定为第2个电流数据与第1个电流数据的波动指标，本实施例中预设第一阈值为0.3，在具体应用中，实施者可根据具体情况进行设置，若第2个电流数据与第1个电流数据的波动指标大于0.3，则将第2个电流数据对应的采集时刻确定为第一变化点，将该电流序列中第3个电流数据与第4个电流数据的之间的差值确定为第3个电流数据与第4个电流数据的第二差异，将第3个电流数据与第4个电流数据的第二差异和第一差值的比值确定为第3个电流数据与第4个电流数据的波动指标，若第3个电流数据与第4个电流数据的波动指标大于0.3，则将第4个电流数据对应的采集时刻确定为第二变化点；第一变化点和第二变化点之间的所有电流数据构成一个子数据段，以此类推，在第二变化点之后获取第三变化点，在第三变化点之后获取第四变化点，第三变化点和第四变化点之间的所有电流数据构成一个子数据段。若第2个电流数据与第1个电流数据的波动指标小于或等于0.3，则计算该电流序列中第3个电流数据与第2个电流数据的之间的差值，将该差值确定为第3个电流数据与第2个电流数据的第一差异，将第3个电流数据与第2个电流数据的第一差异和第一差值的比值确定为第3个电流数据与第2个电流数据的波动指标，若第3个电流数据与第2个电流数据的波动指标大于0.3，则将第3个电流数据对应的采集时刻确定为第一变化点，以此类推，直至获得第一变化点，在第一变化点之后获取第二变化点，第一变化点和第二变化点之间的所有电流数据构成一个子数据段，在第二变化点之后获取第三变化点，在第三变化点之后获取第四变化点，第三变化点和第四变化点之间的所有电流数据构成一个子数据段，以此类推，获得多个变化点，基于所有变化点获得了该用户对应的多个子数据段。需要说明的是：若该电流序列中每两个相邻电流数据的波动指标均小于或等于0.3，则判定该电流序列中不存在变化点，也即不对该电流序列进行划分，将该电流序列作为该用户对应的子数据段。

每个子数据段内存在一段电流稳定的时段，代表用户在该时段内出现微弱的电流变化，也即用户的电器对功率的变化需求较低，视作冷区。稳定时段越长，说明子数据段对应的时段内用户对功率变化的需求越低。基于此，本实施例将结合每个子数据段对应的时长和每个子数据段中的电流数据与其所在的子数据段中所有电流数据的均值的差异，确定每个子数据段对应的功率评价指标。

具体的，对于任一子数据段：获取该子数据段对应的时长，将所述时长与预设时间段的总时长之间的比值记为时长占比；分别计算该子数据段中所有电流数据的均值和标准差；将该子数据段中各电流数据与所述均值的差值记为第二差值；根据所述时长占比、所述第二差值和所述标准差，得到该子数据段对应的功率评价指标，所述时长占比和所述第二差值均与所述功率评价指标呈正相关关系，所述标准差和所述功率评价指标呈负相关关系。其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。作为一个具体实施方式，给出功率评价指标的具体计算公式，第J个子数据段对应的功率评价指标的具体表达式为：

其中，为第J个子数据段对应的功率评价指标，为第J个子数据段中最后1个电 流数据对应的采集时刻，为第J个子数据段中第1个电流数据对应的采集时刻，为预设时 间段的总时长，为第J个子数据段中电流数据的数量，为第J个子数据段中第i个电流数 据，为第J个子数据段中所有电流数据的均值，为第J个子数据段中所有电流数据的标 准差，为预设调整参数。

表示第J个子数据段的时长占比，该时长占比越大，说明用户用电器不需较 大功率变化的时间越长；表示第二差值，也即第J个子数据段中第i个电流数据与第J 个子数据段中所有电流数据的均值的差值。引入预设调整参数是为了防止分母为0，本实施 例中的预设调整参数为1，在具体应用中，实施者可根据具体情况进行设置。反映 第J个子数据段中电流数据的偏离程度，其值大于零说明第J个子数据段中出现部分大于均 值的电流数据，偏离均值的程度更高，促使均值向更大数值方向移动，在电流序列中体现为 出现了部分较大的增长位置，但未触发变化点的判断条件，不应将其忽略，说明此时部分小 功率电器或现有用电设备小幅提高输出功率。

由于用电设备输出功率调整带来的功率变化引起电流数值波动远大于电力环境不稳定带来的极小幅波动，因此部分大于均值的电流数据增长情况较明显，说明用电器的功率需求热度值提升。采用上述方法，能够获得每个用户对应的每个子数据段对应的功率评价指标。

功率评价指标能够反映在对应时间段内用户对电力功耗变化的需求程度，本实施例将结合功率评价指标获得用户数字画像，并对用户数字画像进行分析确定用户的类别数。

对于任一用户：基于该用户对应的所有子数据段对应的功率评价指标，构建该用户的数字画像，该用户的数字画像中纵坐标为功率评价指标；数字画像的构建过程为现有技术，此处不再过多赘述。功率评价指标越大，说明该用户对功率调整的需求越高，因此本实施例基于该用户对应的所有子数据段对应的功率评价指标中大于或等于预设第二数值的所有功率评价指标构建该用户对应的第一子序列，第一子序列中的元素为功率评价指标，第一子序列中的元素均大于或等于预设第二数值；基于该用户对应的所有子数据段对应的功率评价指标中小于预设第二数值的所有功率评价指标构建该用户对应的第二子序列，第二子序列中的元素为功率评价指标，第二子序列中的元素均小于预设第二数值。本实施例中预设第二数值为0，在具体应用中，实施者可根据具体情况进行设置。

采用上述方法，能够获得每个用户对应的第一子序列和第二子序列，第一子序列中的数据所对应的采集时刻为功耗需求增加的旺盛分区，本实施例将第一子序列视为功耗热区序列，将第二子序列视为功耗冷区序列。

步骤S3，根据各用户对应的第一子序列和第二子序列中功率评价指标的分布情况，得到各用户对应的第一子序列和第二子序列之间的相似指标；基于所述相似指标确定类别数；基于所述类别数和所述相似指标对所有用户进行分组获得各类用户；根据各类用户在预设时间段内各采集时刻的电流数据，预测各类用户在下一时刻的电流数据。

每个用户对应的第一子序列所对应的采集时刻用户的功耗需求增加，因此对应的热度值较高；每个用户对应的第二子序列所对应的采集时刻用户的功耗需求减少，因此对应的热度值较低。热度值变化越强烈，用户的用电特征越明显。本实施例将结合每个用户对应的第一子序列中每两个相邻功率评价指标之间的差异、每个用户对应的第二子序列中每两个相邻功率评价指标之间的差异、每个用户对应的第一子序列中功率评价指标的最大值和第二子序列中功率评价指标的最小值之间的关系，判断每个用户对应的第一子序列和第二子序列的相似程度。

具体的，对于任一用户：将该用户对应的第一子序列中功率评价指标的最大值与第二子序列中功率评价指标的最小值的比值，确定为第一比值；将所述第一比值的绝对值记为第一指标；将该用户对应的第一子序列中每两个相邻功率评价指标的差值的绝对值，确定为对应两个相邻功率评价指标的第三差异；将该用户对应的第二子序列中每两个相邻功率评价指标的差值的绝对值，确定为对应两个相邻功率评价指标的第四差异；将该用户对应的第一子序列中所有每两个相邻功率评价指标的第三差异的均值，确定为第一均值；将该用户对应的第二子序列中所有每两个相邻功率评价指标的第四差异的均值，确定为第二均值；将所述第一均值与所述第二均值的比值记为第二指标；根据所述第一指标和所述第二指标，得到该用户对应的第一子序列和第二子序列之间的相似指标，所述第一指标和所述第二指标均与所述相似指标呈正相关关系。其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定，作为一个具体实施方式，给出相似指标的具体计算公式，该用户对应的第一子序列和第二子序列之间的相似指标的具体计算公式为：

其中，S为该用户对应的第一子序列和第二子序列之间的相似指标，K为该用户对 应的第一子序列中功率评价指标的个数，为该用户对应的第一子序列中第k个功率评价 指标，为该用户对应的第一子序列中第k-1个功率评价指标，F为该用户对应的第二子 序列中功率评价指标的个数，为该用户对应的第二子序列中第f个功率评价指标，为 该用户对应的第二子序列中第f-1个功率评价指标，为该用户对应的第一子序列中功 率评价指标的最大值，为该用户对应的第二子序列中功率评价指标的最小值，| |为取 绝对值符号。

表示该用户对应的第一子序列中第k个功率评价指标与第k-1个功率评 价指标之间的差异，也即第三差异；表示第一均值，也即该用户对应 的第一子序列中所有每两个相邻功率评价指标的第三差异的均值；表示该用户 对应的第二子序列中第f个功率评价指标与第f-1个功率评价指标之间的差异，也即第四差 异；表示第二均值，也即该用户对应的第二子序列中所有每两个相邻 功率评价指标的第四差异的均值；表示第二指标；表示第一比值， 表示第一指标。当第一均值与第二均值越接近、该用户对应的第一子序列中功率评价指标 的最大值与第二子序列中功率评价指标的最小值的绝对值越接近时，该用户对应的第一子 序列和第二子序列之间的相似指标越接近于1，此时说明该用户对应的第一子序列和第二 子序列越相似，该用户对应的第一子序列和第二子序列之间的相似指标为1时，第一子序列 和第二子序列的相似程度最高。

采用上述方法，能够获得每个用户对应的第一子序列和第二子序列之间的相似指 标，一个用户对应一个相似指标，根据所有用户对应的相似指标所有用户对应的第一子序 列和第二子序列之间的相似指标的最大值和最小值，确定相似指标的范围，将所述相似指 标的范围划分为预设数量的子区间段，将各子区间段中相似指标的个数与所有用户对应的 第一子序列和第二子序列之间的相似指标的总个数的比值，确定为各子区间段的数量占 比；计算所有子区间段的数量占比的方差；按照预设规则依次调整子区间段的数量，若调整 前后所有子区间段的数量占比的方差的差异小于预设差异阈值，则将调整前子区间段的数 量作为类别数；若调整前后所有子区间段的数量占比的方差的差异始终大于预设差异阈 值，则将类别数设置为1。相似指标的范围为，其中，为所有用户对应的第一 子序列和第二子序列之间的相似指标的最小值，为所有用户对应的第一子序列和第二 子序列之间的相似指标的最大值。设置预设数量，本实施例中的预设数量为1，在具体应用 中，实施者可根据具体情况进行设置；因此首先将相似指标的范围作为一个子区间段，统计 该子区间段中相似指标的个数，将该个数与所有用户对应的第一子序列和第二子序列之间 的相似指标的总个数的比值确定为该子区间段的数量占比，本实施例中的预设规则为：子 区间段的数量每次增加1，在具体应用中，实施者可根据具体情况进行设置；因此将相似指 标的范围划分为两个子区间段，统计每个子区间段中相似指标的个数，将该个数与所有用 户对应的第一子序列和第二子序列之间的相似指标的总个数的比值确定为对应子区间段 的数量占比，计算这两个子区间段的数量占比的方差，若调整前后所有子区间段的数量占 比的方差的差异小于预设差异阈值，则将调整前子区间段的数量作为类别数；若调整前后 所有子区间段的数量占比的方差的差异始终大于预设差异阈值，则将类别数设置为1。本实 施例中预设差异阈值为0.4，在具体应用中，实施者可根据具体情况进行设置。至此，获得了 类别数。

基于每个用户对应的第一子序列和第二子序列之间的相似指标，采用K-means聚类算法对所有用户进行分组，获得多个聚类簇，K-means聚类时k的值为类别数，每个聚类簇中至少包含一个用户，将每个聚类簇中的所有用户作为一类用户，也即获得了多类用户，同一类中用户中所有用户的用电情况相似，不同类中用户的用电情况差异较大。K-means聚类算法为现有技术，此处不再过多赘述。

对于同一类的用户，由配电箱内计算单元对用户对应类别进行标记，传输至后端人工智能网络进行深层特征识别处理。由于配电箱内计算单元计算能力有限，进行分类后由后端控制计算机进行识别。通过预先训练完成的BP神经网络进行特征识别，该网络的输入为带有相同类别标记的用户在预设时间段内的电流数据，该网络的输出为同类用户下一时刻的电流数据，该网络采用交叉熵损失函数。神经网络的训练过程为现有技术，此处不再过多赘述。

至此，采用本实施例提供的系统完成了对每类用户下一时刻的电流数据的预测，提高了电流数据监测及预测的准确性，便于根据预测结果进行针对性电力供给。

本实施例相比于现有核函数判断估计检测手段，通过数据升维进行的趋势判断，能够得到监测结果，但核函数训练开销大，前期投入成本较高，且对于不同场景布置系统时，核函数需要进行参数调整，不利于缩短系统部署时间，造成用户停电损失。本实施例通过分析用户的数字画像进行类别值的判断，再使用聚类算法进行簇类筛选，对于不同种类的电流数据都能够进行快速识别并确定。传统的对用户室内全部设备安装检测单元存在成本耗费巨大且不利于大批量部署的缺陷，本实施例在用户侧供电箱内安装单个物联网监测设备单元进行用户数据的采集并判断用户用电特征，降低了成本需求的同时提高了监测结果的准确性，使配电箱远程监测系统更加智能。

本实施例考虑到传统的仅根据用户单点监测数据对用户进行分类时，不同特征数据之间差异程度不同，难以保证分类结果的准确性，最终使得用户类型划分后，同一类型下的用户对电力负载需求差异不同，导致系统智能性不能够完全实现，使得用户电力使用情况的监测结果可信度较低，本实施例结合每个用户对应的各子数据段对应的功率评价指标，对每个用户的电流数据进行电力负荷特征判断，获得了每个用户对应的第一子序列和第二子序列，又根据每个用户对应的第一子序列和第二子序列中功率评价指标的分布情况，得到了每个用户对应的第一子序列和第二子序列之间的相似指标，进而确定了类别数，基于类别数对所有用户进行分组获得多类用户，同一类中所有用户的用电情况相似，不同类中用户的用电情况差异较大，本实施例根据每类用户在预设时间段内各采集时刻的电流数据，预测每类用户在下一时刻的电流数据，根据预测结果进行针对性电力供给，在提高电流数据监测结果可信度的同时，使得配电箱远程监测系统更加智能化。

需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于人工智能与物联网的配电箱远程监测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取不同用户在预设时间段内各采集时刻的电流数据；基于所述电流数据构建各用户对应的电流序列；

根据各用户对应的电流序列中每两个相邻电流数据之间的差异情况，对各用户对应的电流序列进行划分获得各用户对应的各子数据段；根据各子数据段中电流数据的分布情况，得到各子数据段对应的功率评价指标；基于所述功率评价指标获得各用户对应的第一子序列和第二子序列；

根据各用户对应的第一子序列和第二子序列中功率评价指标的分布情况，得到各用户对应的第一子序列和第二子序列之间的相似指标；基于所述相似指标确定类别数；基于所述类别数和所述相似指标对所有用户进行分组获得各类用户；根据各类用户在预设时间段内各采集时刻的电流数据，预测各类用户在下一时刻的电流数据；

所述根据各用户对应的电流序列中每两个相邻电流数据之间的差异情况，对各用户对应的电流序列进行划分获得各用户对应的各子数据段，包括：

对于任一用户对应的电流序列：

将该电流序列中最大电流数据与最小电流数据之间的差值记为第一差值；

按照预设顺序分别将该电流序列中每两个相邻电流数据中后一个电流数据与前一个电流数据的之间的差值，确定为对应两个电流数据的第一差异；将所述第一差异与所述第一差值的比值确定为对应两个电流数据的波动指标；按照预设顺序将首个波动指标大于预设第一阈值的两个电流数据中的后一个电流数据对应的采集时刻，确定为第一变化点；按照预设顺序将该电流序列中第一变化点之后每两个相邻电流数据中前一个电流数据与后一个电流数据的之间的差值，确定为对应两个电流数据的第二差异；将所述第二差异与所述第一差值的比值确定为对应两个电流数据的波动指标；按照预设顺序将第一变化点之后首个波动指标大于预设第一阈值的两个电流数据中的后一个电流数据对应的采集时刻，确定为第二变化点；所述第一变化点和所述第二变化点之间的电流数据构成一个子数据段；以此类推，在该电流序列中第二变化点之后确定其他变化点，基于所有变化点获得该用户对应的各子数据段；

所述根据各子数据段中电流数据的分布情况，得到各子数据段对应的功率评价指标，包括：

对于任一子数据段：

获取该子数据段对应的时长，将所述时长与预设时间段的总时长之间的比值记为时长占比；分别计算该子数据段中所有电流数据的均值和标准差；将该子数据段中各电流数据与所述均值的差值记为第二差值；

根据所述时长占比、所述第二差值和所述标准差，得到该子数据段对应的功率评价指标，所述时长占比和所述第二差值均与所述功率评价指标呈正相关关系，所述标准差和所述功率评价指标呈负相关关系；

第J个子数据段对应的功率评价指标的具体表达式为：

其中，为第J个子数据段对应的功率评价指标，/>为第J个子数据段中最后1个电流数据对应的采集时刻，/>为第J个子数据段中第1个电流数据对应的采集时刻，/>为预设时间段的总时长，/>为第J个子数据段中电流数据的数量，/>为第J个子数据段中第i个电流数据，/>为第J个子数据段中所有电流数据的均值，/>为第J个子数据段中所有电流数据的标准差，/>为预设调整参数；

所述基于所述功率评价指标获得各用户对应的第一子序列和第二子序列，包括：

对于任一用户：

该用户对应的所有子数据段对应的功率评价指标中大于或等于预设第二数值的所有功率评价指标构成该用户对应的第一子序列；该用户对应的所有子数据段对应的功率评价指标中小于预设第二数值的所有功率评价指标构成该用户对应的第二子序列；

根据各用户对应的第一子序列和第二子序列中功率评价指标的分布情况，得到各用户对应的第一子序列和第二子序列之间的相似指标，包括：

对于任一用户：

将该用户对应的第一子序列中功率评价指标的最大值与第二子序列中功率评价指标的最小值的比值，确定为第一比值；将所述第一比值的绝对值记为第一指标；

将该用户对应的第一子序列中每两个相邻功率评价指标的差值的绝对值，确定为对应两个相邻功率评价指标的第三差异；将该用户对应的第二子序列中每两个相邻功率评价指标的差值的绝对值，确定为对应两个相邻功率评价指标的第四差异；将该用户对应的第一子序列中所有每两个相邻功率评价指标的第三差异的均值，确定为第一均值；将该用户对应的第二子序列中所有每两个相邻功率评价指标的第四差异的均值，确定为第二均值；将所述第一均值与所述第二均值的比值记为第二指标；

根据所述第一指标和所述第二指标，得到该用户对应的第一子序列和第二子序列之间的相似指标，所述第一指标和所述第二指标均与所述相似指标呈正相关关系；该用户对应的第一子序列和第二子序列之间的相似指标的具体计算公式为：

其中，S为该用户对应的第一子序列和第二子序列之间的相似指标，K为该用户对应的第一子序列中功率评价指标的个数，为该用户对应的第一子序列中第k个功率评价指标，/>为该用户对应的第一子序列中第k-1个功率评价指标，F为该用户对应的第二子序列中功率评价指标的个数，/>为该用户对应的第二子序列中第f个功率评价指标，/>为该用户对应的第二子序列中第f-1个功率评价指标，/>为该用户对应的第一子序列中功率评价指标的最大值，/>为该用户对应的第二子序列中功率评价指标的最小值，| |为取绝对值符号；

所述基于所述相似指标确定类别数，包括：

根据所有用户对应的第一子序列和第二子序列之间的相似指标的最大值和最小值，确定相似指标的范围；

将所述相似指标的范围划分为预设数量的子区间段，将各子区间段中相似指标的个数与所有用户对应的第一子序列和第二子序列之间的相似指标的总个数的比值，确定为各子区间段的数量占比；计算所有子区间段的数量占比的方差；按照预设规则依次调整子区间段的数量，若调整前后所有子区间段的数量占比的方差的差异小于预设差异阈值，则将调整前子区间段的数量作为类别数；若调整前后所有子区间段的数量占比的方差的差异始终大于预设差异阈值，则将类别数设置为1；

所述基于所述类别数和所述相似指标对所有用户进行分组获得各类用户，包括：

基于各用户对应的第一子序列和第二子序列之间的相似指标，采用K-means聚类算法对所有用户进行分组，获得各类用户，K-means聚类时k的值为所述类别数。