CN116450663A - 一种智慧电力数据采集方法 - Google Patents
一种智慧电力数据采集方法 Download PDFInfo
- Publication number
- CN116450663A CN116450663A CN202310420241.0A CN202310420241A CN116450663A CN 116450663 A CN116450663 A CN 116450663A CN 202310420241 A CN202310420241 A CN 202310420241A CN 116450663 A CN116450663 A CN 116450663A
- Authority
- CN
- China
- Prior art keywords
- data
- power consumption
- power
- individual
- parameter
- 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 44
- 230000005611 electricity Effects 0.000 claims abstract description 95
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000013500 data storage Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 63
- 230000005856 abnormality Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 230000000875 corresponding effect Effects 0.000 claims description 18
- 230000001932 seasonal effect Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
- H04L63/0442—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply asymmetric encryption, i.e. different keys for encryption and decryption
-
- 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
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智慧电力数据采集方法，包括：采集用电区域范围内各个用户在连续时间段内的用电数据；对用电数据中连续时间点上的区域用电量以及区域用电功率进行分析，得到用电分析结果；对用电数据进行预处理后，得到预处理后用电数据，并将预处理后用电数据与用电分析结果进行关联后，采用数据存储服务器的公钥进行加密后，得到密文电力数据；将密文电力数据上传至数据存储服务器进行存储，完成电力数据的采集。本发明先采集电力数据以及电力数据进行处理，再将处理结果以及电力数据加密后，最后存储至服务器中，既能发现电力数据中的有益信息，又能够保障电力数据的安全。
Description
技术领域
本发明属于电力数据处理领域，具体涉及一种智慧电力数据采集方法。
背景技术
随着国家经济的大力发展、科技的进步，加之电网的现代化、智能化的建设，越来越多的电力设备投入运行。无论是个体用户或者是企业用户，都需要对用户的用电数据进行采集，以根据用电数据进行电力调度或者异常监测。但是，现有技术中常常采用抄表的形式或者手持设备测量的方式采集电力数据。为了解决该问题，目前在用户侧以及变压器侧均设置了电力数据采集的装置，以实现对电力数据的采集以及监测，但是现有技术仅仅将数据采集后就直接上传至电网服务器中进行存储，并未对电力数据进行处理，未充分挖掘电网数据，并且直接将电力数据上传至服务器中存储，存在数据泄露的风险。
发明内容
本发明提供一种智慧电力数据采集方法，用以解决现有技术中存在的问题。
一种智慧电力数据采集方法，包括：
通过第一电力数据采集装置采集用电区域范围内各个用户在连续时间段内的用电数据，所述用电数据包括每个时间段内的用电量以及用电功率，每个用户对应一个第一电力数据采集装置；
通过第二电力数据采集装置采集用电区域范围内所有第一电力数据采集装置中的用电数据，并对所述用电数据中连续时间点上的区域用电量以及用电功率进行分析，得到用电分析结果；
对第二电力数据采集装置中的用电数据进行预处理后，得到预处理后用电数据，并将预处理后用电数据与用电分析结果进行关联，得到关联数据，然后采用数据存储服务器的公钥对所述关联数据进行加密，得到密文电力数据；
将所述密文电力数据上传至数据存储服务器进行存储，完成电力数据的采集，以使工作人员调用数据存储服务器的私钥对密文电力数据进行解密查看。
在一种可能的实施方式中，对所述用电数据中连续时间点上的区域用电量以及用电功率进行分析，得到用电分析结果，包括：
获取与用电功率对应的环境特征，该环境特征包括在连续时间段内的平均温度特征、天气特征以及用电高峰期特征，即每个时间段均存在对应用电功率以及环境特征，不同的天气采用不同的第一数字串表示，用电高峰期特征包括该时间点为用电高峰期或者该时间点不为用电高峰期，用电高峰期采用第二数字串表示，非用电高峰期采用第三数字串表示，且第一数字串、第二数字串以及第三数字串各不相同；
以连续时间点上的用电功率、温度特征、天气特征以及用电高峰期特征构建用电数据特征矩阵，并对该用电数据特征矩阵进行归一化处理，得到归一化后的用电数据特征矩阵；
获取用电区域内变压器的输出功率，并计算变压器到用户的线损功率，并采用输出功率减去线损功率，得到用户侧的预期用电功率；
判断预期用电功率与用户的总用电功率之间的差值是否大于设定的第一阈值，若是，则进行变化率的判断，否则直接判定用电异常分析结果为不存在异常；
判断预期用电功率与用户的总用电功率之间差值的增大天数是否大于第二阈值，若是，则根据归一化后的用电数据特征矩阵获取用电异常分析结果，否则直接判定用电异常分析结果为不存在异常；
以归一化后的用电数据特征矩阵作为预先训练完成的异常判断模型的输入数据，获取用电数据特征矩阵对应用户所对应的异常用电分析结果，所述异常用电分析结果包括存在异常或者不存在异常；
根据每个用户在各个时间段内的用电量，获取用电区域范围的总用电量；
获取各个时间段对应的季节数据、天气数据、平均温度数据以及日期类型数据，所述日期类型数据；所述季节数据包括春季、夏季、秋季或冬季，所述天气数据包括下雨、晴天、阴天或雪天，所述日期类型数据包括工作日或非工作日；
根据所述各个时间段对应的季节数据、天气数据、平均温度数据、日期类型数据以及总用电量，训练区域用电量预测模型；
采集未来时间段内的季节数据、天气数据、平均温度数据以及日期类型数据，并将季节数据、天气数据、平均温度数据以及日期类型数据作为训练完成的区域用电量预测模型的输入数据，得到预测用电量；
将异常用电分析结果以及预测用电量共同作为用电分析结果。
在一种可能的实施方式中，对用电数据进行预处理后，得到预处理后用电数据，包括：对用电数据进行缺失值以及异常值处理，并对缺失值以及异常值进行标记，得到预处理后用电数据。
在一种可能的实施方式中，预先训练完成的异常判断模型的获取方法包括：
构建卷积神经网络，并将该卷积神经网络作为异常判断模型，以对用电数据特征矩阵进行识别；
采用混沌映射机制初始化异常判断模型的网络参数，得到参数个体；
重复获取参数个体多次，将得到的参数个体组成训练种群；
获取每个参数个体的适应度，将适应度按从大到小的顺序，从训练种群取出适应度最大的最优个体；
获取切换概率p，并生成(0,1)之间的随机数rand，判断随机数rand是否小于切换概率p，若是，则根据适应度最大的最优个体对参数个体进行第一局部更新，得到更新后的训练种群，否则根据适应度最大的最优个体对参数个体进行第二局部更新，得到更新后的训练种群；
针对最优个体，采用全局搜索更新方法对最优个体进行更新，得到更新后的最优个体；
重新确定更新后的最优个体以及更新后的训练种群中适应度最大的个体，并将重新确定的个体作为新的最优个体；
判断最优个体的适应度值是否大于预先设定的阈值或者当前更新轮数是否大于最大更新轮数，若是，则将最优个体作为异常判断模型的最终网络参数，得到训练完成的异常判断模型，否则进入下一轮训练，重新对参数个体进行更新。
在一种可能的实施方式中，根据适应度最大的最优个体对参数个体进行第一局部更新，包括：
X(t+1)＝ω(t)*D'*ebl*cos(2πl)+Xbest(t)
ω(t)＝ωi+(ωf-ωi)exp(-(αt/Tmax)2)
其中，Xbest(t)表示最优个体，X(t)表示待更新参数个体，X(t+1)表示更新后的参数个体，ω(t)表示更新权重因子，D'表示系数向量，e表示自然常数，b表示常数，l表示(-1,1)之间的随机数，π表示圆周率，ωi表示初始权重因子，ωf表示最终权重因子，α表示收敛因子，α＝2-(2/(1+e-t/Tmax))，t表示当前更新轮数，Tmax表示设置的最大更新轮数，Levy(λ)表示服从莱维分布的随机搜索路径，表示点对点乘。
在一种可能的实施方式中，根据适应度最大的最优个体对参数个体进行第二局部更新，包括：
A1、获取第一系数向量A，所述第一系数向量A中任意元素为2α*r1-α，r1表示[0,1]之间的随机数；
A2、判断第一系数向量的模|A|是否小于或者等于1，若是，则进入步骤A3，否则进入步骤A4；
A3、根据适应度最大的最优个体对参数个体进行更新，完成第二局部更新，该更新为：
X(t+1)＝Xbest(t)-A*D
D＝|C*Xbest(t)-X(t)|
其中，D表示最优个体与待更新参数个体之间距离的绝对值，C表示第二系数向量，且第二系数向量C中每个元素为2r2，r2表示[0,1]之间的随机数；
A4、根据适应度最大的最优个体对参数个体进行更新，完成第二局部更新，该更新为：
X(t+1)＝Xrand(t)-A*D
D＝|C*Xrand(t)-X(t)|
其中，Xrand(t)表示除待更新参数个体之外的随机参数个体。
在一种可能的实施方式中，采用全局搜索更新方法对最优个体进行更新，得到更新后的最优个体，包括：
确定搜索概率p为：
其中，pmax表示搜索概率的上限，pmin表示搜索概率的下限，pmax以及pmin均位于(0,1)之间；
生成(0,1)之间的随机数rand，并判断随机数rand是否小于搜索概率p，若是，则对最优个体进行反向学习更新，得到更新后的最优个体，否则对最优个体进行柯西变异更新，得到更新后的最优个体；
所述反向学习更新为：
Xbest(t+1)＝b'⊕(Xbest(t)-(ub+r⊕(lb-Xbest(t))))
其中，b'表示交流系数，表示点对点乘，Xbest(t)表示待更新最优个体，Xbest(t+1)表示更新后的最优个体，ub表示上边界，lb表示下边界，r表示服从(0,1)标准均匀分布1×d的随机数矩阵，d表示个体中网络参数的总数；
所述柯西变异更新为：
其中，cauchy(0,1)表示标准柯西分布。
在一种可能的实施方式中，训练完成的区域用电量预测模型的获取方法为：
采用输入层、隐含层以及输出层的多层前馈网络作为区域用电量预测模型；
采用梯度下降法对区域用电量预测模型进行训练，得到训练完成的区域用电量预测模型。
在一种可能的实施方式中，采用梯度下降法对区域用电量预测模型进行训练，得到训练完成的区域用电量预测模型，包括：
将根据所述各个时间段对应的季节数据、天气数据、平均温度数据、日期类型数据以及总用电量作为区域用电量预测模型的输入，获取区域用电量预测模型的实际输出；
初始化区域用电量预测模型的网络参数；
将总用电量作为区域用电量预测模型的期望输出，根据所述期望输出以及实际输出，获取区域用电量预测模型的误差为：
其中，E表示误差，tpk表示第i个训练数据输入时输出层中第k个神经元的期望输出，opk表示第i个训练数据输入时输出层中第k个神经元的实际输出；
判断区域用电量预测模型的误差E是否小于设定的误差阈值，若是，则将当前网络参数作为区域用电量预测模型的最终网络参数，否则进行网络参数的更新；
其中，bt表示更新前的偏置，wt表示更新前的权重，bt+1表示更新后的偏置，wt+1表示更新后的权重，ηt表示第t次训练时的学习率；
重新获取区域用电量预测模型的误差，进行下一次训练。
在一种可能的实施方式中，所述学习率ηt为：
ηt＝ηt-1(1-β*ΔE)
其中，ηt-1表示第t-1次训练时的学习率，β表示(0,1)之间的常量，ΔE＝Et-Et-1，Et表示第t次训练时的误差，Et-1表示第t-1次训练时的误差。
本发明提供的一种智慧电力数据采集方法，先采集电力数据，再将电力数据进行处理，然后再将处理结果以及电力数据加密后，再存储至服务器中，既能使工作人员发现电力数据中的有益信息，又能够保障电力数据的安全，实现了电力数据的安全采集。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的一种智慧电力数据采集方法的流程图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
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。
下面结合附图详细说明本发明的实施例。
如图1所示，一种智慧电力数据采集方法，包括：
S101、通过第一电力数据采集装置采集用电区域范围内各个用户在连续时间段内的用电数据，所述用电数据包括每个时间段内的用电量以及用电功率，每个用户对应一个第一电力数据采集装置。
可选的，第一电力数据采集装置可以为智能电表或者其他基于物联网的电力数据采集装置，第一电路数据采集装置采集数据后，将采集的数据传输至第一电力数据采集装置中。
S102、通过第二电力数据采集装置采集用电区域范围内所有第一电力数据采集装置中的用电数据，并对所述用电数据中连续时间点上的区域用电量以及用电功率进行分析，得到用电分析结果。
电网中用户数量较多，如果直接收集数据后，直接存储至电网中，并由电网进行处理，会给电网的服务器造成巨大的负担。因此本实施例采用分布式计算方法，通过各个用电区域范围内的第二电力数据采集装置进行数据汇总分析后，再将分析结果以及用电数据共同上传至数据存储服务器，能够有效减少单个节点的数据处理压力，同时满足工作人员对数据的分析要求。
第二电力数据采集装置可以为能与第一电力数据采集装置进行通信，且具备一定的数据处理能力，从而可以完成对用电数据的分析。
S103、对第二电力数据采集装置中的用电数据进行预处理后，得到预处理后用电数据，并将预处理后用电数据与用电分析结果进行关联，得到关联数据，然后采用数据存储服务器的公钥对所述关联数据进行加密，得到密文电力数据。
采用数据存储服务器的公钥进行加密，除了数据存储服务器能够采用其自身私钥进行解密，其他人及时获取了加密后的用电数据，也不能进行有效地查看，能够有效地保障用电数据的安全。
S104、将所述密文电力数据上传至数据存储服务器进行存储，完成电力数据的采集，以使工作人员调用数据存储服务器的私钥对密文电力数据进行解密查看，有效保证电力数据的安全。
本实施例通过对用电数据进行收集、分析以及存储，整个数据采集过程，即满足了电力数据的安全性要求，又满足了对电力数据的分析需求，并且极大地减缓了数据存储服务器的数据处理压力。
在一种可能的实施方式中，对所述用电数据中连续时间点上的区域用电量以及用电功率进行分析，得到用电分析结果，包括：
获取与用电功率对应的环境特征，该环境特征包括在连续时间段内的平均温度特征、天气特征以及用电高峰期特征，即每个时间段均存在对应用电功率以及环境特征，不同的天气采用不同的第一数字串表示，用电高峰期特征包括该时间点为用电高峰期或者该时间点不为用电高峰期，用电高峰期采用第二数字串表示，非用电高峰期采用第三数字串表示，且第一数字串、第二数字串以及第三数字串各不相同。
将不为数字的特征转换为数字，可以方便后续的处理，并且不同的特征采用不同的数字进行表示，也能够保证挖掘特征中的潜在关系。
以连续时间点上的用电功率、温度特征、天气特征以及用电高峰期特征构建用电数据特征矩阵，并对该用电数据特征矩阵进行归一化处理，得到归一化后的用电数据特征矩阵。
以连续时间点上的用电功率、温度特征、天气特征以及用电高峰期特征构建用电数据特征矩阵，可以包括：将用电功率、温度特征、天气特征以及用电高峰期特征分别作为行数据，从而可以得到用电数据特征矩阵。对用电数据特征矩阵进行归一化，能够有效地降低整个过程的数据处理量，使分析过程更快。
获取用电区域内变压器的输出功率，并计算变压器到用户的线损功率，并采用输出功率减去线损功率，得到用户侧的预期用电功率。
在理想情况下，变压器的输出功率等于变压器到用户的线损功率加上用户产生的功率，因此采用输出功率减去线损功率所得到的预期用电功率可以作为参考，将其与实际的总用电功率进行比较，若是差值较大，则说明可能存在环境因素或者人为因素的扰动，导致功率差值较大。
判断预期用电功率与用户的总用电功率之间差值是否大于设定的第一阈值，若是，则进行变化率的判断，否则直接判定用电异常分析结果为不存在异常。
判断预期用电功率与用户的总用电功率之间差值的增大天数是否大于第二阈值，若是，则根据归一化后的用电数据特征矩阵获取用电异常分析结果，否则直接判定用电异常分析结果为不存在异常。
环境因素对用电功率的影响会随着时间进行改变或者消除，因此，当差值的增大天数超过第二阈值时，则可以认为存在不可逆的环境因素影响或者人为因素影响。例如，漏电或者人为窃电，都会导致这种情况地发生。
以归一化后的用电数据特征矩阵作为预先训练完成的异常判断模型的输入数据，获取用电数据特征矩阵对应用户所对应的异常用电分析结果，所述异常用电分析结果包括存在异常或者不存在异常。
可以通过以下方法获取预先训练完成的异常判断模型：获取训练数据，该训练数据包括训练用电数据特征矩阵以及对应的异常用电分析结果；将训练用电数据特征矩阵作为输入，获取实际输出，将异常用电分析结果作为期望数据，从而可以根据实际输出与期望输出之间的差值对异常判断模型的参数进行更新，以获取预先训练完成的异常判断模型。例如，可以采用梯度下降法对异常判断模型的参数进行更新。
通过对用电数据进行异常分析，可以使工作人员及时发现异常情况，以避免更大的损失出现。
根据每个用户在各个时间段内的用电量，获取用电区域范围的总用电量。
获取各个时间段对应的季节数据、天气数据、平均温度数据以及日期类型数据，所述日期类型数据；所述季节数据包括春季、夏季、秋季或冬季，所述天气数据包括下雨、晴天、阴天或雪天，所述日期类型数据包括工作日或非工作日。
可选的，为了便于后续的数据处理，可以将季节数据、天气数据、平均温度数据以及日期类型数据中非数字数据转换为数字，且不同的数据对应的数字各不相同。
根据所述各个时间段对应的季节数据、天气数据、平均温度数据、日期类型数据以及总用电量，训练区域用电量预测模型。
可以采用神经网络作为区域用电量预测模型，以季节数据、天气数据、平均温度数据以及日期类型数据组成输入数据，以总用电量作为真值标签，对区域用电量预测模型进行训练，从而使其获得短期预测用电量的能力。通过对用电量进行预测，可以方便工作人员进行电力调度。
采集未来时间段内的季节数据、天气数据、平均温度数据以及日期类型数据，并将季节数据、天气数据、平均温度数据以及日期类型数据作为训练完成的区域用电量预测模型的输入数据，得到预测用电量。
可选的，未来时间段内的天气数据以及平均温度数据可以通过气象局的数据获取，从而预测用电量。
将异常用电分析结果以及预测用电量共同作为用电分析结果。
值得说明的是，异常判断模型以及区域用电量预测模型在训练后，虽然两者都具备了识别数据的能力，但是其仅能识别固定长度的数据，因此需要保证后续输入的数据长度与训练时采用的数据长度相同，从而实现准确的识别。
在一种可能的实施方式中，对用电数据进行预处理后，得到预处理后用电数据，包括：对用电数据进行缺失值以及异常值处理，并对缺失值以及异常值进行标记，得到预处理后用电数据。
通过对异常值和缺失值进行处理，可以方便后续工作人员对用电数据进行分析，而对缺失值以及异常值进行标记，可以使工作人员能够快速找到异常值。
在一种可能的实施方式中，预先训练完成的异常判断模型的获取方法包括：
构建卷积神经网络，并将该卷积神经网络作为异常判断模型，以对用电数据特征矩阵进行识别。
用电数据特征矩阵可以看作一张简单的图像，因此可以采用卷积神经网络作为异常判断模型。值得说明的是，除了卷积神经网络之外，还可以采用其他的神经网络进行用电数据特征矩阵的识别。
采用混沌映射机制初始化异常判断模型的网络参数，得到参数个体，网络参数可以包括权重以及偏置。
重复获取参数个体多次，将得到的参数个体组成训练种群。
可选的，混沌机制可以为：
其中，表示第i个参数个体对应的第k-1个混沌参数，/>为(down，up)之间的随机值，up表示网络参数上限，down表示网络参数下限，/>表示第i个参数个体中第k-1个网络参数，参数个体的总数可以为I。
获取每个参数个体的适应度，将适应度按从大到小的顺序，从训练种群取出适应度最大的最优个体。
可选的，适应度可以为：
其中，tpk表示第i个训练数据输入时输出层中第k个神经元的期望输出，opk表示第i个训练数据输入时输出层中第k个神经元的实际输出。
获取切换概率p，并生成(0,1)之间的随机数rand，判断随机数rand是否小于切换概率p，若是，则根据适应度最大的最优个体对参数个体进行第一局部更新，得到更新后的训练种群，否则根据适应度最大的最优个体对参数个体进行第二局部更新，得到更新后的训练种群。
针对最优个体，采用全局搜索更新方法对最优个体进行更新，得到更新后的最优个体。
重新确定更新后的最优个体以及更新后的训练种群中适应度最大的个体，并将重新确定的个体作为新的最优个体。
判断最优个体的适应度值是否大于预先设定的阈值或者当前更新轮数是否大于最大更新轮数，若是，则将最优个体作为异常判断模型的最终网络参数，得到训练完成的异常判断模型，否则进入下一轮训练，重新对参数个体进行更新。
在一种可能的实施方式中，根据适应度最大的最优个体对参数个体进行第一局部更新，包括：
X(t+1)＝ω(t)*D'*ebl*cos(2πl)+Xbest(t)
ω(t)＝ωi+(ωf-ωi)exp(-(αt/Tmax)2)
其中，Xbest(t)表示最优个体，X(t)表示待更新参数个体，X(t+1)表示更新后的参数个体，ω(t)表示更新权重因子，D'表示系数向量，e表示自然常数，b表示常数，l表示(-1,1)之间的随机数，π表示圆周率，ωi表示初始权重因子，ωf表示最终权重因子，α表示收敛因子，α＝2-(2/(1+e-t/Tmax))，t表示当前更新轮数，Tmax表示设置的最大更新轮数，Levy(λ)表示服从莱维分布的随机搜索路径，表示点对点乘。
引入自适应权重和莱维飞行策略改善寻优能力，避免算法早熟收敛，同时提高局部寻优能力有限以及寻优精度。在迭代过程中对个体的移动步长进行随机扰动，并对个体更新进行自适应控制，使得算法能够摆脱局部最优，进一步提升寻优性能。
在一种可能的实施方式中，根据适应度最大的最优个体对参数个体进行第二局部更新，包括：
A1、获取第一系数向量A，所述第一系数向量A中任意元素为2α*r1-α，r1表示[0,1]之间的随机数；
A2、判断第一系数向量的模|A|是否小于或者等于1，若是，则进入步骤A3，否则进入步骤A4；
A3、根据适应度最大的最优个体对参数个体进行更新，完成第二局部更新，该更新为：
X(t+1)＝Xbest(t)-A*D
D＝|C*Xbest(t)-X(t)|
其中，D表示最优个体与待更新参数个体之间距离的绝对值，C表示第二系数向量，且第二系数向量C中每个元素为2r2，r2表示[0,1]之间的随机数；
A4、根据适应度最大的最优个体对参数个体进行更新，完成第二局部更新，该更新为：
X(t+1)＝Xrand(t)-A*D
D＝|C*Xrand(t)-X(t)|
其中，Xrand(t)表示除待更新参数个体之外的随机参数个体。
在一种可能的实施方式中，采用全局搜索更新方法对最优个体进行更新，得到更新后的最优个体，包括：
确定搜索概率p为：
其中，pmax表示搜索概率的上限，pmin表示搜索概率的下限，pmax以及pmin均位于(0,1)之间。
生成(0,1)之间的随机数rand，并判断随机数rand是否小于搜索概率p，若是，则对最优个体进行反向学习更新，得到更新后的最优个体，否则对最优个体进行柯西变异更新，得到更新后的最优个体；
所述反向学习更新为：
Xbest(t+1)＝b'⊕(Xbest(t)-(ub+r⊕(lb-Xbest(t))))
其中，b'表示交流系数，⊕表示点对点乘，Xbest(t)表示待更新最优个体，Xbest(t+1)表示更新后的最优个体，ub表示上边界，lb表示下边界，r表示服从(0,1)标准均匀分布1×d的随机数矩阵，d表示个体中网络参数的总数；
所述柯西变异更新为：
其中，cauchy(0,1)表示标准柯西分布。
在一种可能的实施方式中，训练完成的区域用电量预测模型的获取方法为：
采用输入层、隐含层以及输出层的多层前馈网络作为区域用电量预测模型；
采用梯度下降法对区域用电量预测模型进行训练，得到训练完成的区域用电量预测模型。
可选的，可以采用BP(Back Propagation，反向传播)神经网络作为区域用电量预测模型，可以采用其他训练方法对区域用电量预测模型进行训练。
在一种可能的实施方式中，采用梯度下降法对区域用电量预测模型进行训练，得到训练完成的区域用电量预测模型，包括：
将根据所述各个时间段对应的季节数据、天气数据、平均温度数据、日期类型数据以及总用电量作为区域用电量预测模型的输入，获取区域用电量预测模型的实际输出；
初始化区域用电量预测模型的网络参数；
将总用电量作为区域用电量预测模型的期望输出，根据所述期望输出以及实际输出，获取区域用电量预测模型的误差为：
其中，E表示误差，tpk表示第i个训练数据输入时输出层中第k个神经元的期望输出，opk表示第i个训练数据输入时输出层中第k个神经元的实际输出；
判断区域用电量预测模型的误差E是否小于设定的误差阈值，若是，则将当前网络参数作为区域用电量预测模型的最终网络参数，否则进行网络参数的更新；
其中，bt表示更新前的偏置，wt表示更新前的权重，bt+1表示更新后的偏置，wt+1表示更新后的权重，ηt表示第t次训练时的学习率；
重新获取区域用电量预测模型的误差，进行下一次训练。
在一种可能的实施方式中，所述学习率ηt为：
ηt＝ηt-1(1-β*ΔE)
其中，ηt-1表示第t-1次训练时的学习率，β表示(0,1)之间的常量，ΔE＝Et-Et-1，Et表示第t次训练时的误差，Et-1表示第t-1次训练时的误差。
本发明提供的一种智慧电力数据采集方法，先采集电力数据，再将电力数据进行处理，然后再将处理结果以及电力数据加密后，再存储至服务器中，既能使工作人员发现电力数据中的有益信息，又能够保障电力数据的安全，实现了电力数据的安全采集。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种智慧电力数据采集方法，其特征在于，包括：
通过第一电力数据采集装置采集用电区域范围内各个用户在连续时间段内的用电数据，所述用电数据包括每个时间段内的用电量以及用电功率，每个用户对应一个第一电力数据采集装置；
通过第二电力数据采集装置采集用电区域范围内所有第一电力数据采集装置中的用电数据，并对所述用电数据中连续时间点上的区域用电量以及用电功率进行分析，得到用电分析结果；
对第二电力数据采集装置中的用电数据进行预处理后，得到预处理后用电数据，并将预处理后用电数据与用电分析结果进行关联，得到关联数据，然后采用数据存储服务器的公钥对所述关联数据进行加密，得到密文电力数据；
将所述密文电力数据上传至数据存储服务器进行存储，完成电力数据的采集，以使工作人员调用数据存储服务器的私钥对密文电力数据进行解密查看。
2.根据权利要求1所述的智慧电力数据采集方法，其特征在于，对所述用电数据中连续时间点上的区域用电量以及用电功率进行分析，得到用电分析结果，包括：
获取与用电功率对应的环境特征，该环境特征包括在连续时间段内的平均温度特征、天气特征以及用电高峰期特征，即每个时间段均存在对应用电功率以及环境特征，不同的天气采用不同的第一数字串表示，用电高峰期特征包括该时间点为用电高峰期或者该时间点不为用电高峰期，用电高峰期采用第二数字串表示，非用电高峰期采用第三数字串表示，且第一数字串、第二数字串以及第三数字串各不相同；
以连续时间点上的用电功率、温度特征、天气特征以及用电高峰期特征构建用电数据特征矩阵，并对该用电数据特征矩阵进行归一化处理，得到归一化后的用电数据特征矩阵；
获取用电区域内变压器的输出功率，并计算变压器到用户的线损功率，并采用输出功率减去线损功率，得到用户侧的预期用电功率；
判断预期用电功率与用户的总用电功率之间的差值是否大于设定的第一阈值，若是，则进行变化率的判断，否则直接判定用电异常分析结果为不存在异常；
判断预期用电功率与用户的总用电功率之间差值的增大天数是否大于第二阈值，若是，则根据归一化后的用电数据特征矩阵获取用电异常分析结果，否则直接判定用电异常分析结果为不存在异常；
以归一化后的用电数据特征矩阵作为预先训练完成的异常判断模型的输入数据，获取用电数据特征矩阵对应用户所对应的异常用电分析结果，所述异常用电分析结果包括存在异常或者不存在异常；
根据每个用户在各个时间段内的用电量，获取用电区域范围的总用电量；
获取各个时间段对应的季节数据、天气数据、平均温度数据以及日期类型数据，所述日期类型数据；所述季节数据包括春季、夏季、秋季或冬季，所述天气数据包括下雨、晴天、阴天或雪天，所述日期类型数据包括工作日或非工作日；
根据所述各个时间段对应的季节数据、天气数据、平均温度数据、日期类型数据以及总用电量，训练区域用电量预测模型；
采集未来时间段内的季节数据、天气数据、平均温度数据以及日期类型数据，并将季节数据、天气数据、平均温度数据以及日期类型数据作为训练完成的区域用电量预测模型的输入数据，得到预测用电量；
将异常用电分析结果以及预测用电量共同作为用电分析结果。
3.根据权利要求1所述的智慧电力数据采集方法，其特征在于，对用电数据进行预处理后，得到预处理后用电数据，包括：对用电数据进行缺失值以及异常值处理，并对缺失值以及异常值进行标记，得到预处理后用电数据。
4.根据权利要求2所述的智慧电力数据采集方法，其特征在于，预先训练完成的异常判断模型的获取方法包括：
构建卷积神经网络，并将该卷积神经网络作为异常判断模型，以对用电数据特征矩阵进行识别；
采用混沌映射机制初始化异常判断模型的网络参数，得到参数个体；
重复获取参数个体多次，将得到的参数个体组成训练种群；
获取每个参数个体的适应度，将适应度按从大到小的顺序，从训练种群取出适应度最大的最优个体；
获取切换概率p，并生成(0,1)之间的随机数rand，判断随机数rand是否小于切换概率p，若是，则根据适应度最大的最优个体对参数个体进行第一局部更新，得到更新后的训练种群，否则根据适应度最大的最优个体对参数个体进行第二局部更新，得到更新后的训练种群；
针对最优个体，采用全局搜索更新方法对最优个体进行更新，得到更新后的最优个体；
重新确定更新后的最优个体以及更新后的训练种群中适应度最大的个体，并将重新确定的个体作为新的最优个体；
判断最优个体的适应度值是否大于预先设定的阈值或者当前更新轮数是否大于最大更新轮数，若是，则将最优个体作为异常判断模型的最终网络参数，得到训练完成的异常判断模型，否则进入下一轮训练，重新对参数个体进行更新。
5.根据权利要求4所述的智慧电力数据采集方法，其特征在于，根据适应度最大的最优个体对参数个体进行第一局部更新，包括：
X(t+1)＝ω(t)*D'*ebl*cos(2πl)+Xbest(t)
ω(t)＝ωi+(ωf-ωi)exp(-(αt/Tmax)2)
D'＝|Levy(λ)⊕Xbest(t)-X(t)|
其中，Xbest(t)表示最优个体，X(t)表示待更新参数个体，X(t+1)表示更新后的参数个体，ω(t)表示更新权重因子，D'表示系数向量，e表示自然常数，b表示常数，l表示(-1,1)之间的随机数，π表示圆周率，ωi表示初始权重因子，ωf表示最终权重因子，α表示收敛因子，α＝2-(2/(1+e-t/Tmax))，t表示当前更新轮数，Tmax表示设置的最大更新轮数，Levy(λ)表示服从莱维分布的随机搜索路径，⊕表示点对点乘。
6.根据权利要求5所述的智慧电力数据采集方法，其特征在于，根据适应度最大的最优个体对参数个体进行第二局部更新，包括：
A1、获取第一系数向量A，所述第一系数向量A中任意元素为2α*r1-α，r1表示[0,1]之间的随机数；
A2、判断第一系数向量的模|A|是否小于或者等于1，若是，则进入步骤A3，否则进入步骤A4；
A3、根据适应度最大的最优个体对参数个体进行更新，完成第二局部更新，该更新为：
X(t+1)＝Xbest(t)-A*D
D＝|C*Xbest(t)-X(t)|
其中，D表示最优个体与待更新参数个体之间距离的绝对值，C表示第二系数向量，且第二系数向量C中每个元素为2r2，r2表示[0,1]之间的随机数；
A4、根据适应度最大的最优个体对参数个体进行更新，完成第二局部更新，该更新为：
X(t+1)＝Xrand(t)-A*D
D＝|C*Xrand(t)-X(t)|
其中，Xrand(t)表示除待更新参数个体之外的随机参数个体。
7.根据权利要求6所述的智慧电力数据采集方法，其特征在于，采用全局搜索更新方法对最优个体进行更新，得到更新后的最优个体，包括：
确定搜索概率p为：
其中，pmax表示搜索概率的上限，pmin表示搜索概率的下限，pmax以及pmin均位于(0,1)之间；
生成(0,1)之间的随机数rand，并判断随机数rand是否小于搜索概率p，若是，则对最优个体进行反向学习更新，得到更新后的最优个体，否则对最优个体进行柯西变异更新，得到更新后的最优个体；
所述反向学习更新为：
Xbest(t+1)＝b'⊕(Xbest(t)-(ub+r⊕(lb-Xbest(t))))
其中，b'表示交流系数，⊕表示点对点乘，Xbest(t)表示待更新最优个体，Xbest(t+1)表示更新后的最优个体，ub表示上边界，lb表示下边界，r表示服从(0,1)标准均匀分布1×d的随机数矩阵，d表示个体中网络参数的总数；
所述柯西变异更新为：
Xbest(t+1)＝cauchy(0,1)⊕Xbest(t)
其中，cauchy(0,1)表示标准柯西分布。
8.根据权利要求2所述的智慧电力数据采集方法，其特征在于，训练完成的区域用电量预测模型的获取方法为：
采用输入层、隐含层以及输出层的多层前馈网络作为区域用电量预测模型；
采用梯度下降法对区域用电量预测模型进行训练，得到训练完成的区域用电量预测模型。
9.根据权利要求2所述的智慧电力数据采集方法，其特征在于，采用梯度下降法对区域用电量预测模型进行训练，得到训练完成的区域用电量预测模型，包括：
将根据所述各个时间段对应的季节数据、天气数据、平均温度数据、日期类型数据以及总用电量作为区域用电量预测模型的输入，获取区域用电量预测模型的实际输出；
初始化区域用电量预测模型的网络参数；
将总用电量作为区域用电量预测模型的期望输出，根据所述期望输出以及实际输出，获取区域用电量预测模型的误差为：
其中，E表示误差，tpk表示第i个训练数据输入时输出层中第k个神经元的期望输出，opk表示第i个训练数据输入时输出层中第k个神经元的实际输出；
判断区域用电量预测模型的误差E是否小于设定的误差阈值，若是，则将当前网络参数作为区域用电量预测模型的最终网络参数，否则进行网络参数的更新；
其中，bt表示更新前的偏置，wt表示更新前的权重，bt+1表示更新后的偏置，wt+1表示更新后的权重，ηt表示第t次训练时的学习率；
重新获取区域用电量预测模型的误差，进行下一次训练。
10.根据权利要求2所述的智慧电力数据采集方法，其特征在于，所述学习率ηt为：
ηt＝ηt-1(1-β*ΔE)
其中，ηt-1表示第t-1次训练时的学习率，β表示(0,1)之间的常量，ΔE＝Et-Et-1，Et表示第t次训练时的误差，Et-1表示第t-1次训练时的误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310420241.0A CN116450663A (zh) | 2023-04-18 | 2023-04-18 | 一种智慧电力数据采集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310420241.0A CN116450663A (zh) | 2023-04-18 | 2023-04-18 | 一种智慧电力数据采集方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116450663A true CN116450663A (zh) | 2023-07-18 |
Family
ID=87119877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310420241.0A Pending CN116450663A (zh) | 2023-04-18 | 2023-04-18 | 一种智慧电力数据采集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116450663A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777121A (zh) * | 2023-08-18 | 2023-09-19 | 武汉振铭科技发展有限公司 | 基于大数据的非法用电的稽查方法、存储介质及电子设备 |
-
2023
- 2023-04-18 CN CN202310420241.0A patent/CN116450663A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777121A (zh) * | 2023-08-18 | 2023-09-19 | 武汉振铭科技发展有限公司 | 基于大数据的非法用电的稽查方法、存储介质及电子设备 |
| CN116777121B (zh) * | 2023-08-18 | 2023-11-03 | 武汉振铭科技发展有限公司 | 基于大数据的非法用电的稽查方法、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
| CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
| CN112910711B (zh) | 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质 | |
| CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
| CN111861023B (zh) | 基于统计学的混合风电功率预测方法、装置 | |
| CN110807550A (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
| CN116450663A (zh) | 一种智慧电力数据采集方法 | |
| CN103678004A (zh) | 一种基于非监督特征学习的主机负载预测方法 | |
| Arif et al. | Distribution network outage data analysis and repair time prediction using deep learning | |
| CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN109711715A (zh) | 电力通信网风险评估方法 | |
| CN116415923B (zh) | 智慧燃气工单实施管理方法与物联网系统及装置 | |
| CN116502160A (zh) | 一种电量数据自动采集系统 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
| Rojas-Campos et al. | Postprocessing of NWP precipitation forecasts using deep learning | |
| CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
| Yovits et al. | Development of a Theory of Information Flow and Analysis | |
| CN115017970A (zh) | 一种基于迁移学习的用气行为异常检测方法及系统 | |
| CN110489142A (zh) | 设备软件升级的评估方法及装置、存储介质、终端 | |
| US11900286B2 (en) | Job value model generation method and system | |
| CN117200352A (zh) | 一种基于云边融合的光伏发电调控方法及系统 | |
| CN114066180A (zh) | 配钞方法、配钞装置、计算机设备和存储介质 | |
| CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
| Cheng et al. | Inflow forecasting based on principal component analysis and long short term memory |
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 |