CN116644306B - 一种基于智能终端的电力数据管理方法及系统 - Google Patents
一种基于智能终端的电力数据管理方法及系统 Download PDFInfo
- Publication number
- CN116644306B CN116644306B CN202310922537.2A CN202310922537A CN116644306B CN 116644306 B CN116644306 B CN 116644306B CN 202310922537 A CN202310922537 A CN 202310922537A CN 116644306 B CN116644306 B CN 116644306B
- Authority
- CN
- China
- Prior art keywords
- electric equipment
- things
- internet
- target
- node
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013523 data management Methods 0.000 title claims abstract description 55
- 238000009826 distribution Methods 0.000 claims abstract description 342
- 230000006855 networking Effects 0.000 claims abstract description 243
- 238000010586 diagram Methods 0.000 claims abstract description 194
- 238000011156 evaluation Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000005611 electricity Effects 0.000 claims description 73
- 238000001514 detection method Methods 0.000 claims description 37
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000007621 cluster analysis Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 22
- 238000005265 energy consumption Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 230000005612 types of electricity Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 238000004378 air conditioning Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 108010015046 cell aggregation factors Proteins 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及数据处理领域,公开了一种基于智能终端的电力数据管理方法及系统,用于基于智能终端实现智能化的电力数据管理并且提高电力数据管理的准确率。方法包括:构建第一用电设备组网分布图并进行特征提取,得到多个用电特征信息;进行特征增强处理,生成第二用电设备组网分布图;遍历第二用电设备组网分布图,得到多个一级物联网用电设备并进行二次遍历,得到多个二级物联网用电设备;生成第二用电设备组网分布图的目标节点关联关系,进行节点评价指标计算,得到多个节点评价指标;进行故障节点检测,得到至少一个目标故障节点;进行组网关系更新,得到目标用电设备组网分布图并进行节点负载均衡分配,得到目标电力负载分配方案。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于智能终端的电力数据管理方法及系统。
背景技术
随着物联网技术的发展和智能电力系统的应用,电力数据管理成为了提高电力系统效率和可靠性的重要课题。传统的电力数据管理方法主要基于中心化的数据采集和处理系统,需要大量的设备和人力投入。而基于智能终端的电力数据管理方法则通过利用智能终端设备的普及和便利性,可以实现对目标区域内多个物联网用电设备的数据采集、分析和管理,为电力系统提供更高效、灵活的数据管理解决方案。
然而,现有放方案在组网关系分析和负载分配方面还存在一定的局限性,需要进一步改进和优化,并且针对复杂的电力组网系统,故障检测的准确性和响应速度仍然是一个挑战。
发明内容
本发明提供了一种基于智能终端的电力数据管理方法及系统,用于基于智能终端实现智能化的电力数据管理并且提高电力数据管理的准确率。
本发明第一方面提供了一种基于智能终端的电力数据管理方法,所述基于智能终端的电力数据管理方法包括:
通过预置的智能终端获取目标区域的多个物联网用电设备,并获取每个物联网用电设备的目标用电数据;
构建所述多个物联网用电设备的第一用电设备组网分布图,并对所述目标用电数据进行特征提取,得到每个物联网用电设备的多个用电特征信息;
根据所述多个用电特征信息,对所述第一用电设备组网分布图进行特征增强处理,生成第二用电设备组网分布图;
遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,并通过所述多个一级物联网用电设备对所述第二用电设备组网分布图进行二次遍历,得到每个一级物联网用电设备的多个二级物联网用电设备;
根据所述多个一级物联网用电设备和所述多个二级物联网用电设备生成所述第二用电设备组网分布图的目标节点关联关系,对所述第二用电设备组网分布图进行节点评价指标计算,得到多个节点评价指标;
通过所述目标节点关联关系和所述多个节点评价指标进行故障节点检测,得到至少一个目标故障节点;
根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图,并对所述目标用电设备组网分布图进行节点负载均衡分配,得到目标电力负载分配方案。
结合第一方面,在本发明第一方面的第一种实现方式中,所述构建所述多个物联网用电设备的第一用电设备组网分布图,并对所述目标用电数据进行特征提取,得到每个物联网用电设备的多个用电特征信息,包括:
获取所述多个物联网用电设备的设备位置信息,并通过所述智能终端获取每个物联网用电设备的电力传输信息;
基于所述设备位置信息和所述电力传输信息,构建所述多个物联网用电设备的第一用电设备组网分布图;
对所述目标用电数据进行数据分类,得到多类用电数据,并分别对所述多类用电数据进行特征提取,得到多个第一特征信息,其中,所述多个第一特征信息包括:每个物联网用电设备的平均功率消耗、峰值功率、能耗总量以及使用时长;
对所述多个第一特征信息进行特征选择,得到多个第二特征信息,并对所述多个第二特征信息进行特征信息转换,得到每个物联网用电设备的多个用电特征信息。
结合第一方面,在本发明第一方面的第二种实现方式中,所述根据所述多个用电特征信息,对所述第一用电设备组网分布图进行特征增强处理,生成第二用电设备组网分布图,包括:
对所述第一用电设备组网分布图进行分布聚类分析,得到第一聚类结果;
根据所述第一聚类结果,对所述第一用电设备组网分布图中的多个第一分布节点进行节点权重计算,得到每个第一分布节点的目标节点权重;
根据所述目标节点权重,分别计算每个用电特征信息对应的加权特征信息;
基于所述加权特征信息,对所述第一用电设备组网分布图进行分布图边加权处理,得到第二用电设备组网分布图。
结合第一方面,在本发明第一方面的第三种实现方式中,所述遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,并通过所述多个一级物联网用电设备对所述第二用电设备组网分布图进行二次遍历,得到每个一级物联网用电设备的多个二级物联网用电设备,包括:
S1:遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,其中,所述一级物联网用电设备是与其他物联网用电设备直接相连的主要节点;
S2:将所述多个一级物联网用电设备加入到一个列表中,构建一级物联网用电设备列表;
S3:根据所述一级物联网用电设备列表,分别对所述第二用电设备组网分布图进行二次遍历,得到二级物联网用电设备,其中,所述二级物联网用电设备是与一级物联网用电设备直接连接的次要节点;
S4:根据所述二级物联网用电设备,构建二级物联网用电设备列表;
S5:重复执行步骤S3~S4,直到遍历完所有一级物联网用电设备,得到每个一级物联网用电设备的多个二级物联网用电设备。
结合第一方面,在本发明第一方面的第四种实现方式中,所述根据所述多个一级物联网用电设备和所述多个二级物联网用电设备生成所述第二用电设备组网分布图的目标节点关联关系,对所述第二用电设备组网分布图进行节点评价指标计算,得到多个节点评价指标,包括:
根据所述多个一级物联网用电设备和所述多个二级物联网用电设备,确定所述第二用电设备组网分布图对应的多个第二分布节点;
对所述多个第二分布节点进行从属关系分析,生成所述第二用电设备组网分布图的目标节点关联关系;
对所述第二用电设备组网分布图进行聚类分析,得到第二聚类结果;
根据所述第二聚类结果,对所述第二用电设备组网分布图中的多个第二分布节点进行节点评价指标计算,得到多个节点评价指标。
结合第一方面,在本发明第一方面的第五种实现方式中,所述通过所述目标节点关联关系和所述多个节点评价指标进行故障节点检测,得到至少一个目标故障节点,包括:
对所述目标节点关联关系进行向量映射,得到每两个第二分布节点之间的第一向量元素,并对所述多个节点评价指标进行向量转换,得到每个节点评价指标对应的第二向量元素;
根据所述第一向量元素和所述第二向量元素构建目标输入向量;
将所述目标输入向量输入预置的故障检测模型,其中,所述故障检测模型包括:两层双向长短时记忆网络以及全连接网络;
通过所述故障检测模型对所述目标输入向量进行故障节点检测,输出目标预测向量,其中,所述目标预测向量包括多个预测向量元素,每个预测向量元素为对应第二分布节点的异常概率;
根据所述目标预测向量,将预测向量元素的异常概率大于预设目标值的第二分布节点作为对应的至少一个目标故障节点。
结合第一方面,在本发明第一方面的第六种实现方式中,所述根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图,并对所述目标用电设备组网分布图进行节点负载均衡分配,得到目标电力负载分配方案,包括:
根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图;
通过预置负载均衡模型确定所述目标用电设备组网分布图中多个第三分布节点之间的多个选择因素,其中,所述多个选择因素包括电力负载、通信延迟、节点稳定性;
根据所述多个选择因素,从预置的多个候选电力负载分配方案中匹配对应的目标电力负载分配方案。
本发明第二方面提供了一种基于智能终端的电力数据管理系统,所述基于智能终端的电力数据管理系统包括:
获取模块,用于通过预置的智能终端获取目标区域的多个物联网用电设备,并获取每个物联网用电设备的目标用电数据;
构建模块,用于构建所述多个物联网用电设备的第一用电设备组网分布图,并对所述目标用电数据进行特征提取,得到每个物联网用电设备的多个用电特征信息;
处理模块,用于根据所述多个用电特征信息,对所述第一用电设备组网分布图进行特征增强处理,生成第二用电设备组网分布图;
遍历模块,用于遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,并通过所述多个一级物联网用电设备对所述第二用电设备组网分布图进行二次遍历,得到每个一级物联网用电设备的多个二级物联网用电设备;
计算模块,用于根据所述多个一级物联网用电设备和所述多个二级物联网用电设备生成所述第二用电设备组网分布图的目标节点关联关系,对所述第二用电设备组网分布图进行节点评价指标计算,得到多个节点评价指标;
检测模块,用于通过所述目标节点关联关系和所述多个节点评价指标进行故障节点检测,得到至少一个目标故障节点;
更新模块,用于根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图,并对所述目标用电设备组网分布图进行节点负载均衡分配,得到目标电力负载分配方案。
结合第二方面,在本发明第二方面的第一种实现方式中,所述构建模块具体用于:
获取所述多个物联网用电设备的设备位置信息,并通过所述智能终端获取每个物联网用电设备的电力传输信息;
基于所述设备位置信息和所述电力传输信息,构建所述多个物联网用电设备的第一用电设备组网分布图;
对所述目标用电数据进行数据分类,得到多类用电数据,并分别对所述多类用电数据进行特征提取,得到多个第一特征信息,其中,所述多个第一特征信息包括:每个物联网用电设备的平均功率消耗、峰值功率、能耗总量以及使用时长;
对所述多个第一特征信息进行特征选择,得到多个第二特征信息,并对所述多个第二特征信息进行特征信息转换,得到每个物联网用电设备的多个用电特征信息。
结合第二方面,在本发明第二方面的第二种实现方式中,所述处理模块具体用于:
对所述第一用电设备组网分布图进行分布聚类分析,得到第一聚类结果;
根据所述第一聚类结果,对所述第一用电设备组网分布图中的多个第一分布节点进行节点权重计算,得到每个第一分布节点的目标节点权重;
根据所述目标节点权重,分别计算每个用电特征信息对应的加权特征信息;
基于所述加权特征信息,对所述第一用电设备组网分布图进行分布图边加权处理,得到第二用电设备组网分布图。
结合第二方面,在本发明第二方面的第三种实现方式中,所述遍历模块具体用于:
S1:遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,其中,所述一级物联网用电设备是与其他物联网用电设备直接相连的主要节点;
S2:将所述多个一级物联网用电设备加入到一个列表中,构建一级物联网用电设备列表;
S3:根据所述一级物联网用电设备列表,分别对所述第二用电设备组网分布图进行二次遍历,得到二级物联网用电设备,其中,所述二级物联网用电设备是与一级物联网用电设备直接连接的次要节点;
S4:根据所述二级物联网用电设备,构建二级物联网用电设备列表;
S5:重复执行步骤S3~S4,直到遍历完所有一级物联网用电设备,得到每个一级物联网用电设备的多个二级物联网用电设备。
结合第二方面,在本发明第二方面的第四种实现方式中,所述计算模块具体用于:
根据所述多个一级物联网用电设备和所述多个二级物联网用电设备,确定所述第二用电设备组网分布图对应的多个第二分布节点;
对所述多个第二分布节点进行从属关系分析,生成所述第二用电设备组网分布图的目标节点关联关系;
对所述第二用电设备组网分布图进行聚类分析,得到第二聚类结果;
根据所述第二聚类结果,对所述第二用电设备组网分布图中的多个第二分布节点进行节点评价指标计算,得到多个节点评价指标。
结合第二方面,在本发明第二方面的第五种实现方式中,所述检测模块具体用于:
对所述目标节点关联关系进行向量映射,得到每两个第二分布节点之间的第一向量元素,并对所述多个节点评价指标进行向量转换,得到每个节点评价指标对应的第二向量元素;
根据所述第一向量元素和所述第二向量元素构建目标输入向量;
将所述目标输入向量输入预置的故障检测模型,其中,所述故障检测模型包括:两层双向长短时记忆网络以及全连接网络;
通过所述故障检测模型对所述目标输入向量进行故障节点检测,输出目标预测向量,其中,所述目标预测向量包括多个预测向量元素,每个预测向量元素为对应第二分布节点的异常概率;
根据所述目标预测向量,将预测向量元素的异常概率大于预设目标值的第二分布节点作为对应的至少一个目标故障节点。
结合第二方面,在本发明第二方面的第六种实现方式中,所述更新模块具体用于:
根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图;
通过预置负载均衡模型确定所述目标用电设备组网分布图中多个第三分布节点之间的多个选择因素,其中,所述多个选择因素包括电力负载、通信延迟、节点稳定性;
根据所述多个选择因素,从预置的多个候选电力负载分配方案中匹配对应的目标电力负载分配方案。
本发明第三方面提供了一种基于智能终端的电力数据管理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于智能终端的电力数据管理设备执行上述的基于智能终端的电力数据管理方法。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于智能终端的电力数据管理方法。
本发明提供的技术方案中,构建第一用电设备组网分布图并进行特征提取,得到多个用电特征信息;进行特征增强处理,生成第二用电设备组网分布图;遍历第二用电设备组网分布图,得到多个一级物联网用电设备并进行二次遍历,得到多个二级物联网用电设备;生成第二用电设备组网分布图的目标节点关联关系,进行节点评价指标计算,得到多个节点评价指标;进行故障节点检测,得到至少一个目标故障节点;进行组网关系更新,得到目标用电设备组网分布图并进行节点负载均衡分配,得到目标电力负载分配方案,本发明通过使用智能终端设备,可以实现对目标区域内多个物联网用电设备的数据采集,消除了传统中心化数据采集系统所需的大量设备和人力投入,从而提高了数据采集的效率。能够实时获取物联网用电设备的目标用电数据,并通过智能终端进行实时监测和管理,通过对目标用电数据进行特征提取,提供多个用电特征信息,如平均功率消耗、峰值功率、能耗总量和使用时长等。通过构建第一用电设备组网分布图和第二用电设备组网分布图,可以帮助优化物联网用电设备的组网拓扑结构。通过节点评价指标计算和故障节点检测,可以识别和处理故障节点,并根据目标负载分配方案对设备组网关系进行更新和优化,通过对目标用电设备组网分布图进行节点负载均衡分配,该方法能够有效管理电力负载,合理分配负载,从而提高电力系统的能源利用效率,实现能耗的优化和节约,进而实现智能化的电力数据管理并且提高电力数据管理的准确率。
附图说明
图1为本发明实施例中基于智能终端的电力数据管理方法的一个实施例示意图;
图2为本发明实施例中特征提取的流程图;
图3为本发明实施例中特征增强处理的流程图;
图4为本发明实施例中故障节点检测的流程图;
图5为本发明实施例中基于智能终端的电力数据管理系统的一个实施例示意图;
图6为本发明实施例中基于智能终端的电力数据管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于智能终端的电力数据管理方法及系统,用于基于智能终端实现智能化的电力数据管理并且提高电力数据管理的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于智能终端的电力数据管理方法的一个实施例包括:
S101、通过预置的智能终端获取目标区域的多个物联网用电设备,并获取每个物联网用电设备的目标用电数据;
可以理解的是,本发明的执行主体可以为基于智能终端的电力数据管理系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,在目标区域中预先安装智能终端设备,如智能电表、智能插座等。这些智能终端设备可以通过无线通信技术,如Wi-Fi、Zigbee或LoRa等,与网络连接,并具备数据采集和传输功能。通过扫描周围的设备或与设备进行配对,智能终端可以识别目标区域中的物联网用电设备。例如,智能终端可以通过扫描附近的智能电表或智能插座,发现与之相连的设备,并建立通信链接。当识别出物联网用电设备,智能终端就可以与每个设备进行通信,以获取其目标用电数据。不同设备的数据获取方式可能有所不同。例如,假设目标区域是一个办公楼,楼内安装了智能电表和智能插座。预置在该区域的智能终端是一个能够与智能电表和智能插座进行通信的设备。智能终端首先通过扫描周围的设备,识别出办公楼内的多个智能电表和智能插座。它与每个设备建立通信链接,并发送数据请求。对于智能电表,智能终端使用DLMS/COSEM通信协议与电表进行通信,获取用电量、功率等数据。例如,智能终端可以发送读取电表数据的指令,电表将回复用电量数据,智能终端将该数据记录下来。对于智能插座,智能终端发送控制指令获取插座的用电状态和用电量等信息。例如,智能终端可以发送查询指令,插座将回复当前用电状态和用电量,智能终端将获取到的数据进行记录。通过与多个智能电表和智能插座的通信,智能终端逐个获取每个设备的目标用电数据。这些数据可以包括每个设备的用电量、功率、电压等信息。
S102、构建多个物联网用电设备的第一用电设备组网分布图,并对目标用电数据进行特征提取,得到每个物联网用电设备的多个用电特征信息;
具体的,服务器获取多个物联网用电设备的设备位置信息。通过智能终端,服务器获取每个物联网用电设备的位置信息,这可以通过设备的GPS坐标、安装位置记录等方式实现。同时,通过智能终端,服务器还可以获取每个物联网用电设备的电力传输信息。这些信息包括设备之间的电力连接关系、传输路径以及电力负载情况等。基于设备位置信息和电力传输信息,服务器构建多个物联网用电设备的第一用电设备组网分布图。该图反映了设备之间的连接关系和电力传输路径,有助于获取设备之间的关联性和电力传输情况。服务器对目标用电数据进行数据分类,将其分为不同的类别。例如,对于酒店,服务器将用电数据分类为客房用电、公共区域用电、设备用电等。每个类别代表了不同的用电模式和特征。对于每个类别的用电数据,服务器进行特征提取,得到多个第一特征信息。这些特征信息可以包括每个物联网用电设备的平均功率消耗、峰值功率、能耗总量以及使用时长等。通过对这些特征的提取,服务器获取设备的能耗情况、用电习惯以及负载情况等重要信息。服务器对多个第一特征信息进行特征选择,选取最具代表性和关联性的特征,得到多个第二特征信息。特征选择可以利用统计分析、机器学习算法等方法进行。选取的第二特征信息可以更准确地描述每个物联网用电设备的用电特征。服务器对多个第二特征信息进行特征信息转换,以得到每个物联网用电设备的多个用电特征信息。特征信息转换可以采用数据处理和转换技术,如归一化、标准化、主成分分析等方法。例如,考虑一个工业生产环境中的多个物联网用电设备,包括机器设备、照明设备和传感器设备。通过智能终端获取每个设备的位置信息和电力传输信息。根据设备类型和功能,将目标用电数据分为机器用电、照明用电和传感器用电三类。针对每个类别的用电数据,提取平均功率消耗、峰值功率、能耗总量以及使用时长等第一特征信息。利用特征选择算法,选取最具代表性的特征,如平均功率消耗和能耗总量,得到第二特征信息。对第二特征信息进行转换,如标准化处理,得到每个物联网用电设备的多个用电特征信息,如标准化后的平均功率消耗和能耗总量。
S103、根据多个用电特征信息,对第一用电设备组网分布图进行特征增强处理,生成第二用电设备组网分布图;
需要说明的是,对第一用电设备组网分布图进行分布聚类分析。将设备组网分布图中的设备节点根据它们的位置、连接关系或其他特征进行聚类。聚类算法可以使用K-means、层次聚类等常用的聚类算法。通过聚类分析,服务器获得第一聚类结果,即将设备节点划分为不同的聚类簇。根据第一聚类结果,服务器对第一用电设备组网分布图中的多个第一分布节点进行节点权重计算。节点权重可以根据聚类簇的大小、密度或其他度量指标进行计算。较大或密集的聚类簇可能被赋予较高的权重,因为它们代表着具有更多连接或更重要的设备群。根据目标节点权重,服务器分别计算每个用电特征信息对应的加权特征信息。例如,设备的平均功率消耗可以与节点权重相乘,得到加权平均功率消耗。类似地,服务器计算其他特征的加权值,如加权峰值功率、加权能耗总量和加权使用时长等。基于加权特征信息,服务器对第一用电设备组网分布图进行分布图边加权处理,得到第二用电设备组网分布图。在第一用电设备组网分布图的边上引入权重,以反映设备之间的特征相似性或连接强度。例如,权重可以表示设备之间的用电特征相似度,较高的权重表示较强的相似性或连接。加权后的第二用电设备组网分布图可以更好地反映设备之间的特征关系和重要性。例如,考虑一个工业生产场景中的多个物联网用电设备,如机器设备和传感器设备。服务器对设备组网分布图进行分布聚类分析,将设备节点划分为多个聚类簇,如机器设备聚类和传感器设备聚类。根据聚类簇的大小和密度等指标,计算每个聚类簇的节点权重。对于每个用电特征信息,如平均功率消耗和能耗总量,通过与节点权重相乘,计算加权特征信息。在第一用电设备组网分布图的边上引入加权值,以得到第二用电设备组网分布图。加权后的图可以更好地显示设备之间的用电特征相似性或连接强度,从而提供更准确的信息来指导电力数据管理和优化。
S104、遍历第二用电设备组网分布图,得到多个一级物联网用电设备,并通过多个一级物联网用电设备对第二用电设备组网分布图进行二次遍历,得到每个一级物联网用电设备的多个二级物联网用电设备;
具体的,服务器遍历第二用电设备组网分布图,以找到与其他物联网用电设备直接相连的主要节点,这些节点将被视为一级物联网用电设备。通过识别节点之间的连接关系和拓扑结构,服务器确定这些主要节点。将这些一级物联网用电设备加入到一个列表中,构建一级物联网用电设备列表。服务器对这些一级设备进行进一步的处理和分析。根据一级物联网用电设备列表,服务器对第二用电设备组网分布图进行二次遍历。这次遍历的目的是获取与一级物联网用电设备直接连接的次要节点,即二级物联网用电设备。根据这些二级物联网用电设备,服务器构建二级物联网用电设备列表。这个列表包含了每个一级物联网用电设备所连接的多个二级设备。服务器重复执行上述步骤,即对一级物联网用电设备列表中的每个一级设备进行二次遍历,继续寻找与它们直接连接的二级物联网用电设备。服务器逐步扩展每个一级设备的关联节点,直到遍历完所有一级物联网用电设备,得到每个一级物联网用电设备的多个二级物联网用电设备。例如,考虑一个智能家居系统,其中包括智能电器设备和传感器设备。服务器遍历第二用电设备组网分布图,发现与其他设备直接相连的主要节点,如智能电视、智能空调和智能门锁等。这些设备将作为一级物联网用电设备。服务器将这些一级设备加入到一级物联网用电设备列表中。服务器对第二用电设备组网分布图进行二次遍历,以获取与一级设备直接连接的次要节点,如音响设备、温度传感器和门窗传感器等。这些次要节点将构成二级物联网用电设备列表。服务器再次遍历一级物联网用电设备列表中的每个一级设备,寻找与它们直接连接的二级物联网用电设备。例如,对于智能电视,服务器找到连接的音响设备、电视机顶盒等。通过重复执行这些步骤,服务器不断扩展每个一级物联网用电设备的关联节点,直到遍历完所有一级设备,得到每个一级物联网用电设备的多个二级物联网用电设备。
S105、根据多个一级物联网用电设备和多个二级物联网用电设备生成第二用电设备组网分布图的目标节点关联关系,对第二用电设备组网分布图进行节点评价指标计算,得到多个节点评价指标;
具体的,根据多个一级物联网用电设备和多个二级物联网用电设备,确定第二用电设备组网分布图对应的多个第二分布节点。这些第二分布节点是根据设备之间的连接关系和拓扑结构所确定的,可以是一级和二级物联网用电设备之间的连接节点。对多个第二分布节点进行从属关系分析,以生成第二用电设备组网分布图的目标节点关联关系。确定节点之间的关联和依赖关系。例如,一级物联网用电设备可以视为目标节点,而与之直接相连的二级物联网用电设备可以视为从属节点。对第二用电设备组网分布图进行聚类分析,以得到第二聚类结果。聚类分析可以基于节点之间的相似性、连接性或其他特征进行。通过聚类分析,服务器将节点划分为不同的聚类簇,以更好地理解节点的分布模式和群组。根据第二聚类结果,服务器对第二用电设备组网分布图中的多个第二分布节点进行节点评价指标计算,得到多个节点评价指标。这些指标可以反映节点的重要性、连接强度、负载情况或其他关键属性。例如,可以计算节点的度中心性、介数中心性、聚集系数等指标。例如,考虑一个智能办公楼的场景,其中包括多个一级物联网用电设备,如空调系统、照明系统和安全监控系统,以及与之直接相连的多个二级物联网用电设备,如空调控制器、灯具和摄像头。根据设备之间的连接关系,服务器确定了第二用电设备组网分布图中的多个第二分布节点,如空调控制器与空调系统之间的连接节点。通过分析一级和二级物联网用电设备之间的从属关系,服务器生成了第二用电设备组网分布图的目标节点关联关系。例如,空调系统可以被视为目标节点,而与之直接相连的空调控制器可以被视为从属节点。服务器对第二用电设备组网分布图进行聚类分析,将节点划分为不同的聚类簇,如将空调系统和相关的空调控制器划分为一个聚类簇。根据聚类结果,服务器计算每个聚类簇中的节点评价指标。例如,可以计算空调系统的度中心性和介数中心性,以衡量其在整个网络中的重要性和中介性。同样,可以计算空调控制器的聚集系数,以评估其与其他节点的连接强度。
S106、通过目标节点关联关系和多个节点评价指标进行故障节点检测,得到至少一个目标故障节点;
具体的,对目标节点关联关系进行向量映射,以得到每两个第二分布节点之间的第一向量元素。这可以通过将节点关联关系转化为向量表示来实现。例如,可以使用独热编码来表示节点之间的连接状态,其中1表示两个节点相连,0表示两个节点不相连。服务器得到每两个节点之间的第一向量元素。同时,对多个节点评价指标进行向量转换,以得到每个节点评价指标对应的第二向量元素。这可以将评价指标进行归一化、标准化或其他处理方法,将其映射到合适的数值范围内,以得到每个节点的第二向量元素。根据第一向量元素和第二向量元素构建目标输入向量。将第一向量元素和第二向量元素按照一定的规则进行组合,形成目标输入向量。例如,可以将第一向量元素与第二向量元素按位连接或按元素相乘等方式进行组合。将目标输入向量输入预置的故障检测模型进行故障节点检测。这个故障检测模型可以包括两层双向长短时记忆网络(BiLSTM)和全连接网络。BiLSTM可以捕捉输入序列的时序特征,而全连接网络可以对输入进行分类或回归。通过故障检测模型对目标输入向量进行处理,得到目标预测向量。目标预测向量包括多个预测向量元素,每个预测向量元素表示对应第二分布节点的异常概率。这些异常概率可以表示节点的故障可能性。根据目标预测向量,将预测向量元素的异常概率大于预设目标值的第二分布节点作为对应的至少一个目标故障节点。通过设置合适的异常概率阈值,服务器确定哪些节点被判定为故障节点。例如,考虑一个智能建筑的场景,其中包括多个传感器节点和控制节点。通过目标节点关联关系进行向量映射,得到传感器节点和控制节点之间的第一向量元素。对节点评价指标进行向量转换,将每个节点的评价指标映射为第二向量元素。根据第一向量元素和第二向量元素构建目标输入向量。例如,可以将第一向量元素和第二向量元素按位连接,形成目标输入向量。将目标输入向量输入预置的故障检测模型,该模型由两层BiLSTM和全连接网络组成。模型将处理目标输入向量并输出目标预测向量,其中每个预测向量元素表示对应节点的异常概率。根据目标预测向量,服务器将预测向量元素的异常概率大于预设目标值的节点确定为至少一个目标故障节点。例如,如果某个传感器节点的异常概率超过设定的阈值,服务器将其判定为故障节点。
S107、根据至少一个目标故障节点对第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图,并对目标用电设备组网分布图进行节点负载均衡分配,得到目标电力负载分配方案。
具体的,服务器根据至少一个目标故障节点,对第二用电设备组网分布图进行组网关系更新。这需要调整设备之间的连接关系,以解决目标故障节点引起的网络中断或故障。例如,可以通过添加、删除或重新连接设备来重新组织网络拓扑结构,以确保电力传输的连续性和稳定性。通过组网关系更新,服务器得到目标用电设备组网分布图,这是一个经过修复和优化的网络拓扑结构。该图反映了在目标故障节点修复后设备之间的新连接和关联关系。服务器使用预置的负载均衡模型来确定目标用电设备组网分布图中多个第三分布节点之间的选择因素。这些选择因素可以包括电力负载、通信延迟和节点稳定性等。例如,电力负载可以表示设备的能源消耗情况,通信延迟可以表示设备之间的数据传输速度,节点稳定性可以表示设备的可靠性和容错能力。基于这些选择因素,服务器从预置的多个候选电力负载分配方案中匹配对应的目标电力负载分配方案。这意味着选择合适的负载分配方案,以平衡节点之间的电力负载,并满足其他选择因素的要求。例如,服务器考虑将负载分配给稳定性高、电力负载低且通信延迟较低的节点,以实现最佳的负载均衡。服务器根据目标故障节点对第二用电设备组网分布图进行组网关系更新,并得到目标用电设备组网分布图。利用预置的负载均衡模型,服务器确定适合目标用电设备组网分布图的电力负载分配方案,以实现节点之间的负载均衡和最优的能源利用。例如,考虑一个智能城市的场景,其中包括多个能源分配站和连接到这些站点的智能电网设备。假设在某个能源分配站点发生了故障,导致该站点下的设备无法正常工作。服务器更新第二用电设备组网分布图,将该站点下的设备重新连接到其他可用的能源分配站点。根据目标故障节点,服务器对第二用电设备组网分布图进行组网关系更新。服务器将受影响的设备与其他能源分配站点进行重新连接,以确保能源传输的连续性和稳定性。在得到目标用电设备组网分布图后,服务器使用预置的负载均衡模型来确定多个第三分布节点之间的选择因素。选择因素可以包括电力负载、通信延迟和节点稳定性。例如,服务器可能希望将负载分配给电力负载较低、通信延迟较低且节点稳定性较高的设备。根据选择因素,服务器从预置的多个候选电力负载分配方案中选择最适合目标用电设备组网分布图的方案。服务器考虑负载均衡需求,将电力负载分配给节点,以实现最佳的能源分配和最小化能源浪费。
本发明实施例中,构建第一用电设备组网分布图并进行特征提取,得到多个用电特征信息;进行特征增强处理,生成第二用电设备组网分布图;遍历第二用电设备组网分布图,得到多个一级物联网用电设备并进行二次遍历,得到多个二级物联网用电设备;生成第二用电设备组网分布图的目标节点关联关系,进行节点评价指标计算,得到多个节点评价指标;进行故障节点检测,得到至少一个目标故障节点;进行组网关系更新,得到目标用电设备组网分布图并进行节点负载均衡分配,得到目标电力负载分配方案,本发明通过使用智能终端设备,可以实现对目标区域内多个物联网用电设备的数据采集,消除了传统中心化数据采集系统所需的大量设备和人力投入,从而提高了数据采集的效率。能够实时获取物联网用电设备的目标用电数据,并通过智能终端进行实时监测和管理,通过对目标用电数据进行特征提取,提供多个用电特征信息,如平均功率消耗、峰值功率、能耗总量和使用时长等。通过构建第一用电设备组网分布图和第二用电设备组网分布图,可以帮助优化物联网用电设备的组网拓扑结构。通过节点评价指标计算和故障节点检测,可以识别和处理故障节点,并根据目标负载分配方案对设备组网关系进行更新和优化,通过对目标用电设备组网分布图进行节点负载均衡分配,该方法能够有效管理电力负载,合理分配负载,从而提高电力系统的能源利用效率,实现能耗的优化和节约,进而实现智能化的电力数据管理并且提高电力数据管理的准确率。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、获取多个物联网用电设备的设备位置信息,并通过智能终端获取每个物联网用电设备的电力传输信息;
S202、基于设备位置信息和电力传输信息,构建多个物联网用电设备的第一用电设备组网分布图;
S203、对目标用电数据进行数据分类,得到多类用电数据,并分别对多类用电数据进行特征提取,得到多个第一特征信息,其中,多个第一特征信息包括:每个物联网用电设备的平均功率消耗、峰值功率、能耗总量以及使用时长;
S204、对多个第一特征信息进行特征选择,得到多个第二特征信息,并对多个第二特征信息进行特征信息转换,得到每个物联网用电设备的多个用电特征信息。
具体的,服务器获取每个物联网用电设备的设备位置信息。这可以通过不同的方式实现,如使用GPS定位技术、基站信号定位或通过用户提供位置信息等。通过这些方法,服务器获取物联网用电设备的地理位置坐标或区域信息。通过智能终端与物联网用电设备建立连接,获取每个设备的电力传输信息。这些信息可以包括设备的电力消耗数据、传输速率、传输稳定性等。通过智能终端与设备之间的通信,服务器获取实时的电力传输信息。基于设备位置信息和电力传输信息,服务器构建多个物联网用电设备的第一用电设备组网分布图。这个分布图反映了设备之间的连接关系和拓扑结构。例如,根据设备之间的位置和通信信号强度,服务器确定设备之间的相对距离和连接关系,从而构建第一用电设备组网分布图。对目标用电数据进行数据分类,以得到多类用电数据。这意味着将用电数据分为不同的类别或类型,如家庭用电、商业用电或工业用电等。通过对用电数据进行分类,服务器更好地理解和管理不同类别的用电需求和特点。对于每个类别的用电数据,服务器进行特征提取,以得到多个第一特征信息。这些特征信息可以包括每个物联网用电设备的平均功率消耗、峰值功率、能耗总量以及使用时长等。通过对用电数据进行统计和分析,服务器提取出描述设备用电特征的重要信息。进一步地,服务器对多个第一特征信息进行特征选择,以得到多个第二特征信息。特征选择可以基于统计方法、机器学习算法或领域专家的知识。通过选择最具代表性和区分性的特征,服务器减少特征的维度并保留最有价值的信息。服务器对多个第二特征信息进行特征信息转换,以得到每个物联网用电设备的多个用电特征信息。这可以包括对特征进行归一化、标准化或其他变换方法,以确保特征的一致性和可比性。例如,考虑一个智能家居系统,其中包括多个物联网用电设备,如智能灯具、智能插座和智能家电。服务器获取每个设备的位置信息,如灯具的房间位置、插座的插座位置等。通过智能终端与每个设备建立连接,服务器获取每个设备的电力传输信息,如灯具的亮度、插座的电力消耗等。基于设备位置信息和电力传输信息,服务器构建第一用电设备组网分布图,将设备之间的连接关系可视化。服务器对用电数据进行分类,将智能灯具的用电数据、智能插座的用电数据和智能家电的用电数据分为不同的类别。针对每个类别的用电数据,服务器进行特征提取,如计算智能灯具的平均功率消耗、峰值功率、能耗总量和使用时长。通过特征选择,服务器选择最相关和具有区分性的特征,如智能插座的功率消耗和智能家电的能耗总量,来作为第二特征信息。服务器对第二特征信息进行归一化处理,以确保每个特征具有一致的尺度和可比性。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、对第一用电设备组网分布图进行分布聚类分析,得到第一聚类结果;
S302、根据第一聚类结果,对第一用电设备组网分布图中的多个第一分布节点进行节点权重计算,得到每个第一分布节点的目标节点权重;
S303、根据目标节点权重,分别计算每个用电特征信息对应的加权特征信息;
S304、基于加权特征信息,对第一用电设备组网分布图进行分布图边加权处理,得到第二用电设备组网分布图。
具体的,服务器对第一用电设备组网分布图进行分布聚类分析,以得到第一聚类结果。分布聚类是一种将节点根据它们的位置和连接关系划分为不同组的方法。通过聚类分析,服务器识别出具有相似特征或功能的设备群组。例如,服务器将位于同一楼层的灯具设备聚类在一起,将位于同一区域的插座设备聚类在一起。基于第一聚类结果,服务器计算第一用电设备组网分布图中多个第一分布节点的节点权重。节点权重可以根据节点在聚类结果中的属于度来计算。例如,如果一个节点属于多个不同聚类,可以考虑将其权重分配给每个聚类,并根据节点在每个聚类中的重要性确定权重的大小。根据目标节点权重,服务器分别计算每个用电特征信息对应的加权特征信息。这意味着服务器根据节点的重要性给每个特征分配一个权重,并将这些权重应用于特征信息。例如,如果某个用电特征对于聚类中的关键节点更重要,服务器给予它更高的权重。通过加权特征信息,服务器更好地表征节点的用电特征。基于加权特征信息,服务器对第一用电设备组网分布图进行分布图边加权处理,以得到第二用电设备组网分布图。分布图边加权是指调整连接节点之间边的权重,以反映节点之间的关联强度。例如,对于那些具有较高加权特征值的节点对之间的连接,服务器增加边的权重以强化它们之间的联系。例如,考虑一个工业自动化系统,其中包含多个传感器和执行器节点。服务器对第一用电设备组网分布图进行分布聚类分析,将相邻且相似功能的节点聚类在一起,如温度传感器节点和湿度传感器节点。服务器得到了第一聚类结果。基于第一聚类结果,服务器计算每个聚类中的节点的节点权重。例如,对于监控节点的聚类,服务器给予更高的权重,因为它们对系统的安全性和稳定性至关重要。服务器根据节点权重计算每个用电特征信息的加权特征信息。例如,如果一个用电特征对于监控节点的聚类更重要,服务器分配更高的权重给该特征,并将其应用于特征信息。基于加权特征信息,服务器对第一用电设备组网分布图进行分布图边加权处理。例如,对于那些具有较高加权特征值的节点对之间的连接,服务器增加边的权重,以表明它们之间的关联强度更大
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
S1:遍历第二用电设备组网分布图,得到多个一级物联网用电设备,其中,一级物联网用电设备是与其他物联网用电设备直接相连的主要节点;
S2:将多个一级物联网用电设备加入到一个列表中,构建一级物联网用电设备列表;
S3:根据一级物联网用电设备列表,分别对第二用电设备组网分布图进行二次遍历,得到二级物联网用电设备,其中,二级物联网用电设备是与一级物联网用电设备直接连接的次要节点;
S4:根据二级物联网用电设备,构建二级物联网用电设备列表;
S5:重复执行步骤S3~S4,直到遍历完所有一级物联网用电设备,得到每个一级物联网用电设备的多个二级物联网用电设备。
具体的,服务器开始遍历第二用电设备组网分布图,以查找与其他设备直接相连的主要节点,即一级物联网用电设备。通过检查每个节点的连接关系,服务器确定其与其他节点的直接连接性。例如,如果一个节点与多个其他节点直接相连,且没有其他节点位于其路径上,则该节点可以被识别为一级物联网用电设备。在遍历过程中,服务器将发现多个一级物联网用电设备,并将它们加入到一个列表中,以构建一级物联网用电设备列表。该列表将保存一级物联网用电设备的信息,方便后续处理和分析。服务器以一级物联网用电设备列表为基础,对第二用电设备组网分布图进行二次遍历。在这个二次遍历过程中,服务器关注与一级物联网用电设备直接连接的节点,即二级物联网用电设备。通过检查每个一级物联网用电设备的连接关系,服务器确定与其直接相连的二级物联网用电设备。根据发现的二级物联网用电设备,服务器构建二级物联网用电设备列表。该列表将保存每个一级物联网用电设备所连接的所有二级物联网用电设备的信息。重复执行以上步骤,直到遍历完所有一级物联网用电设备,服务器将获得每个一级物联网用电设备所连接的多个二级物联网用电设备。例如,考虑一个智能办公楼的场景,其中包括多个物联网用电设备,如灯具、传感器和安全监控设备。服务器开始遍历第二用电设备组网分布图,发现有几个设备直接与其他设备相连,而不需要经过其他设备。这些设备被识别为一级物联网用电设备,如主要的照明灯具和主控传感器。将这些一级物联网用电设备加入到一级物联网用电设备列表中,服务器构建了一个包含主要设备信息的列表。服务器进行二次遍历,针对每个一级物联网用电设备,查找与其直接连接的设备。这些设备可以是辅助灯具、次要传感器或其他与一级设备直接关联的设备。基于这些发现,服务器构建了二级物联网用电设备列表,其中包含每个一级物联网用电设备所连接的二级设备的信息。通过重复执行这个过程,服务器完整地遍历第二用电设备组网分布图,并获得每个一级物联网用电设备的多个二级物联网用电设备。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)根据多个一级物联网用电设备和多个二级物联网用电设备,确定第二用电设备组网分布图对应的多个第二分布节点;
(2)对多个第二分布节点进行从属关系分析,生成第二用电设备组网分布图的目标节点关联关系;
(3)对第二用电设备组网分布图进行聚类分析,得到第二聚类结果;
(4)根据第二聚类结果,对第二用电设备组网分布图中的多个第二分布节点进行节点评价指标计算,得到多个节点评价指标。
具体的,服务器根据多个一级物联网用电设备和多个二级物联网用电设备,确定第二用电设备组网分布图对应的多个第二分布节点。第二分布节点是与一级物联网用电设备和二级物联网用电设备直接相连的节点。通过检查节点之间的连接关系,服务器识别出这些第二分布节点。对多个第二分布节点进行从属关系分析,生成第二用电设备组网分布图的目标节点关联关系。从属关系分析旨在确定节点之间的层次关系和从属关系。通过检查节点之间的连接和依赖关系,服务器建立目标节点关联关系,揭示节点之间的上下级关系。例如,一级物联网用电设备可能是第二分布节点的上级,而二级物联网用电设备可能是第二分布节点的下级。对第二用电设备组网分布图进行聚类分析,以得到第二聚类结果。聚类分析旨在将节点划分为具有相似特征或功能的群组。通过聚类分析,服务器识别出具有相似属性或行为的节点群组。这有助于理解和管理第二用电设备组网分布图中的节点集合。基于第二聚类结果,服务器对第二用电设备组网分布图中的多个第二分布节点进行节点评价指标计算。节点评价指标旨在对节点的性能、重要性或质量进行量化评估。通过计算各个指标,服务器衡量每个节点在网络中的相对价值或贡献度。这些指标可以包括节点的功率利用率、通信效率、稳定性等。例如,考虑一个智能城市的场景,其中包括多个一级物联网用电设备如智能交通信号灯和智能垃圾桶,以及多个二级物联网用电设备如智能路灯和智能停车传感器。通过确定它们之间的连接关系,服务器确定第二用电设备组网分布图的第二分布节点,如智能路灯和智能停车传感器。服务器对这些第二分布节点进行从属关系分析,生成目标节点关联关系。例如,智能路灯可能从属于智能交通信号灯,而智能停车传感器可能从属于智能路灯。服务器建立目标节点之间的层次关系和从属关系。服务器对第二用电设备组网分布图进行聚类分析,以识别出具有相似特征或功能的节点群组。例如,服务器可能将具有相似功率利用率和稳定性的智能路灯归为一类。基于第二聚类结果,服务器对第二用电设备组网分布图中的多个第二分布节点进行节点评价指标计算。这可以涉及计算节点的功率利用率、通信效率和稳定性等指标。通过这些评价指标,服务器比较和评估每个节点的性能和质量。
在一具体实施例中,如图4所示,执行步骤S106的过程可以具体包括如下步骤:
S401、对目标节点关联关系进行向量映射,得到每两个第二分布节点之间的第一向量元素,并对多个节点评价指标进行向量转换,得到每个节点评价指标对应的第二向量元素;
S402、根据第一向量元素和第二向量元素构建目标输入向量;
S403、将目标输入向量输入预置的故障检测模型,其中,故障检测模型包括:两层双向长短时记忆网络以及全连接网络;
S404、通过故障检测模型对目标输入向量进行故障节点检测,输出目标预测向量,其中,目标预测向量包括多个预测向量元素,每个预测向量元素为对应第二分布节点的异常概率;
S405、根据目标预测向量,将预测向量元素的异常概率大于预设目标值的第二分布节点作为对应的至少一个目标故障节点。
具体的,服务器对目标节点关联关系进行向量映射,以获取每两个第二分布节点之间的第一向量元素。这可以通过将目标节点关联关系表示为矩阵或邻接表的形式来实现。根据关联关系矩阵或邻接表,计算节点之间的第一向量元素,用于描述它们之间的关系强度或相似度。对多个节点评价指标进行向量转换,得到每个节点评价指标对应的第二向量元素。这涉及将每个节点的评价指标转换为向量的形式。例如,可以使用归一化或标准化的方法将评价指标转换为在特定范围内的数值,并将其表示为向量的元素。基于第一向量元素和第二向量元素,构建目标输入向量。将第一向量元素和第二向量元素按照一定规则组合或连接起来,形成表示目标节点特征的输入向量。将目标输入向量输入预置的故障检测模型。该故障检测模型可以由两层双向长短时记忆网络(Bi-LSTM)和全连接网络组成。这样的模型结构具有较强的学习和表示能力,可以对输入向量进行有效的故障节点检测。通过故障检测模型对目标输入向量进行故障节点检测,得到输出的目标预测向量。目标预测向量包括多个预测向量元素,每个预测向量元素表示对应第二分布节点的异常概率或故障概率。根据目标预测向量中的预测向量元素,将异常概率大于预设目标值的第二分布节点作为对应的至少一个目标故障节点。通过设定适当的阈值或条件,筛选出异常概率高于预设目标值的节点,即可确定故障节点。例如,考虑一个电力系统中的智能电表网络,其中包含多个物联网用电设备(电表)。通过采集和分析电表的数据,服务器构建电表之间的关联关系,并计算它们之间的关联强度作为第一向量元素。同时,对每个电表的功率消耗、电流波动等指标进行归一化处理,得到第二向量元素。将第一向量元素和第二向量元素结合,形成目标输入向量。将目标输入向量输入到预置的故障检测模型中。该模型可以学习电表之间的关联模式和异常模式,并输出每个电表的异常概率作为目标预测向量的预测向量元素。根据目标预测向量中的异常概率,服务器设定一个预设目标值,例如0.8,将异常概率大于该阈值的电表节点作为目标故障节点。这些节点可能表示出现了异常情况或潜在故障的电表设备。
在一具体实施例中,执行步骤S107的过程可以具体包括如下步骤:
(1)根据至少一个目标故障节点对第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图;
(2)通过预置负载均衡模型确定目标用电设备组网分布图中多个第三分布节点之间的多个选择因素,其中,多个选择因素包括电力负载、通信延迟、节点稳定性;
(3)根据多个选择因素,从预置的多个候选电力负载分配方案中匹配对应的目标电力负载分配方案。
具体的,根据至少一个目标故障节点,对第二用电设备组网分布图进行组网关系更新。目标故障节点表示出现了故障或异常的节点,需要重新调整其与其他节点的连接关系。通过剔除或重新配置故障节点的连接,并重新建立与其他节点的关联,可以更新组网关系以修复或优化网络拓扑结构。通过预置的负载均衡模型,确定目标用电设备组网分布图中多个第三分布节点之间的选择因素。负载均衡模型可以考虑多个选择因素,包括电力负载、通信延迟和节点稳定性等。这些因素是影响设备之间连接和资源分配的重要因素。基于多个选择因素,从预置的多个候选电力负载分配方案中匹配对应的目标电力负载分配方案。候选电力负载分配方案是预先定义的多种资源分配策略,可以根据具体的网络要求和优化目标来制定。通过匹配选择最适合目标用电设备组网分布图的电力负载分配方案,可以实现资源的合理分配和负载均衡。例如,考虑一个工业物联网系统,包括多个传感器节点和执行器节点。假设其中一个目标故障节点是执行器节点A,它发生了故障并需要修复。根据故障节点A的位置和连接关系,服务器更新组网关系,将执行器节点A与其他节点进行重新连接,确保网络连接的完整性和可靠性。此外,服务器还需要考虑目标用电设备组网分布图中的选择因素,如电力负载、通信延迟和节点稳定性。通过预置的负载均衡模型,服务器确定这些选择因素的权重和优化目标。例如,服务器可能希望将电力负载分配均匀,减小通信延迟,并确保节点的稳定性。根据这些选择因素,服务器从预置的候选电力负载分配方案中选择最适合目标用电设备组网分布图的方案。
上面对本发明实施例中基于智能终端的电力数据管理方法进行了描述,下面对本发明实施例中基于智能终端的电力数据管理系统进行描述,请参阅图5,本发明实施例中基于智能终端的电力数据管理系统一个实施例包括:
获取模块501,用于通过预置的智能终端获取目标区域的多个物联网用电设备,并获取每个物联网用电设备的目标用电数据;
构建模块502,用于构建所述多个物联网用电设备的第一用电设备组网分布图,并对所述目标用电数据进行特征提取,得到每个物联网用电设备的多个用电特征信息;
处理模块503,用于根据所述多个用电特征信息,对所述第一用电设备组网分布图进行特征增强处理,生成第二用电设备组网分布图;
遍历模块504,用于遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,并通过所述多个一级物联网用电设备对所述第二用电设备组网分布图进行二次遍历,得到每个一级物联网用电设备的多个二级物联网用电设备;
计算模块505,用于根据所述多个一级物联网用电设备和所述多个二级物联网用电设备生成所述第二用电设备组网分布图的目标节点关联关系,对所述第二用电设备组网分布图进行节点评价指标计算,得到多个节点评价指标;
检测模块506,用于通过所述目标节点关联关系和所述多个节点评价指标进行故障节点检测,得到至少一个目标故障节点;
更新模块507,用于根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图,并对所述目标用电设备组网分布图进行节点负载均衡分配,得到目标电力负载分配方案。
可选的,所述构建模块502具体用于:
获取所述多个物联网用电设备的设备位置信息,并通过所述智能终端获取每个物联网用电设备的电力传输信息;
基于所述设备位置信息和所述电力传输信息,构建所述多个物联网用电设备的第一用电设备组网分布图;
对所述目标用电数据进行数据分类,得到多类用电数据,并分别对所述多类用电数据进行特征提取,得到多个第一特征信息,其中,所述多个第一特征信息包括:每个物联网用电设备的平均功率消耗、峰值功率、能耗总量以及使用时长;
对所述多个第一特征信息进行特征选择,得到多个第二特征信息,并对所述多个第二特征信息进行特征信息转换,得到每个物联网用电设备的多个用电特征信息。
可选的,所述处理模块503具体用于:
对所述第一用电设备组网分布图进行分布聚类分析,得到第一聚类结果;
根据所述第一聚类结果,对所述第一用电设备组网分布图中的多个第一分布节点进行节点权重计算,得到每个第一分布节点的目标节点权重;
根据所述目标节点权重,分别计算每个用电特征信息对应的加权特征信息;
基于所述加权特征信息,对所述第一用电设备组网分布图进行分布图边加权处理,得到第二用电设备组网分布图。
可选的,所述遍历模块504具体用于:
S1:遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,其中,所述一级物联网用电设备是与其他物联网用电设备直接相连的主要节点;
S2:将所述多个一级物联网用电设备加入到一个列表中,构建一级物联网用电设备列表;
S3:根据所述一级物联网用电设备列表,分别对所述第二用电设备组网分布图进行二次遍历,得到二级物联网用电设备,其中,所述二级物联网用电设备是与一级物联网用电设备直接连接的次要节点;
S4:根据所述二级物联网用电设备,构建二级物联网用电设备列表;
S5:重复执行步骤S3~S4,直到遍历完所有一级物联网用电设备,得到每个一级物联网用电设备的多个二级物联网用电设备。
可选的,所述计算模块505具体用于:
根据所述多个一级物联网用电设备和所述多个二级物联网用电设备,确定所述第二用电设备组网分布图对应的多个第二分布节点;
对所述多个第二分布节点进行从属关系分析,生成所述第二用电设备组网分布图的目标节点关联关系;
对所述第二用电设备组网分布图进行聚类分析,得到第二聚类结果;
根据所述第二聚类结果,对所述第二用电设备组网分布图中的多个第二分布节点进行节点评价指标计算,得到多个节点评价指标。
可选的,所述检测模块506具体用于:
对所述目标节点关联关系进行向量映射,得到每两个第二分布节点之间的第一向量元素,并对所述多个节点评价指标进行向量转换,得到每个节点评价指标对应的第二向量元素;
根据所述第一向量元素和所述第二向量元素构建目标输入向量;
将所述目标输入向量输入预置的故障检测模型,其中,所述故障检测模型包括:两层双向长短时记忆网络以及全连接网络;
通过所述故障检测模型对所述目标输入向量进行故障节点检测,输出目标预测向量,其中,所述目标预测向量包括多个预测向量元素,每个预测向量元素为对应第二分布节点的异常概率;
根据所述目标预测向量,将预测向量元素的异常概率大于预设目标值的第二分布节点作为对应的至少一个目标故障节点。
可选的,所述更新模块507具体用于:
根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图;
通过预置负载均衡模型确定所述目标用电设备组网分布图中多个第三分布节点之间的多个选择因素,其中,所述多个选择因素包括电力负载、通信延迟、节点稳定性;
根据所述多个选择因素,从预置的多个候选电力负载分配方案中匹配对应的目标电力负载分配方案。
通过上述各个组成部分的协同合作,构建第一用电设备组网分布图并进行特征提取,得到多个用电特征信息;进行特征增强处理,生成第二用电设备组网分布图;遍历第二用电设备组网分布图,得到多个一级物联网用电设备并进行二次遍历,得到多个二级物联网用电设备;生成第二用电设备组网分布图的目标节点关联关系,进行节点评价指标计算,得到多个节点评价指标;进行故障节点检测,得到至少一个目标故障节点;进行组网关系更新,得到目标用电设备组网分布图并进行节点负载均衡分配,得到目标电力负载分配方案,本发明通过使用智能终端设备,可以实现对目标区域内多个物联网用电设备的数据采集,消除了传统中心化数据采集系统所需的大量设备和人力投入,从而提高了数据采集的效率。能够实时获取物联网用电设备的目标用电数据,并通过智能终端进行实时监测和管理,通过对目标用电数据进行特征提取,提供多个用电特征信息,如平均功率消耗、峰值功率、能耗总量和使用时长等。通过构建第一用电设备组网分布图和第二用电设备组网分布图,可以帮助优化物联网用电设备的组网拓扑结构。通过节点评价指标计算和故障节点检测,可以识别和处理故障节点,并根据目标负载分配方案对设备组网关系进行更新和优化,通过对目标用电设备组网分布图进行节点负载均衡分配,该方法能够有效管理电力负载,合理分配负载,从而提高电力系统的能源利用效率,实现能耗的优化和节约,进而实现智能化的电力数据管理并且提高电力数据管理的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于智能终端的电力数据管理系统进行详细描述,下面从硬件处理的角度对本发明实施例中基于智能终端的电力数据管理设备进行详细描述。
图6是本发明实施例提供的一种基于智能终端的电力数据管理设备的结构示意图,该基于智能终端的电力数据管理设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于智能终端的电力数据管理设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于智能终端的电力数据管理设备600上执行存储介质630中的一系列指令操作。
基于智能终端的电力数据管理设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于智能终端的电力数据管理设备结构并不构成对基于智能终端的电力数据管理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于智能终端的电力数据管理设备,所述基于智能终端的电力数据管理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于智能终端的电力数据管理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于智能终端的电力数据管理方法的步骤。
所属领域的技术人员可以清楚地获取到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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。
Claims (10)
1.一种基于智能终端的电力数据管理方法,其特征在于,所述基于智能终端的电力数据管理方法包括:
通过预置的智能终端获取目标区域的多个物联网用电设备,并获取每个物联网用电设备的目标用电数据;
构建所述多个物联网用电设备的第一用电设备组网分布图,并对所述目标用电数据进行特征提取,得到每个物联网用电设备的多个用电特征信息;
根据所述多个用电特征信息,对所述第一用电设备组网分布图进行特征增强处理,生成第二用电设备组网分布图;
遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,并通过所述多个一级物联网用电设备对所述第二用电设备组网分布图进行二次遍历,得到每个一级物联网用电设备的多个二级物联网用电设备;
根据所述多个一级物联网用电设备和所述多个二级物联网用电设备生成所述第二用电设备组网分布图的目标节点关联关系,对所述第二用电设备组网分布图进行节点评价指标计算,得到多个节点评价指标;
通过所述目标节点关联关系和所述多个节点评价指标进行故障节点检测,得到至少一个目标故障节点;
根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图,并对所述目标用电设备组网分布图进行节点负载均衡分配,得到目标电力负载分配方案。
2.根据权利要求1所述的基于智能终端的电力数据管理方法,其特征在于,所述构建所述多个物联网用电设备的第一用电设备组网分布图,并对所述目标用电数据进行特征提取,得到每个物联网用电设备的多个用电特征信息,包括:
获取所述多个物联网用电设备的设备位置信息,并通过所述智能终端获取每个物联网用电设备的电力传输信息;
基于所述设备位置信息和所述电力传输信息,构建所述多个物联网用电设备的第一用电设备组网分布图;
对所述目标用电数据进行数据分类,得到多类用电数据,并分别对所述多类用电数据进行特征提取,得到多个第一特征信息,其中,所述多个第一特征信息包括:每个物联网用电设备的平均功率消耗、峰值功率、能耗总量以及使用时长;
对所述多个第一特征信息进行特征选择,得到多个第二特征信息,并对所述多个第二特征信息进行特征信息转换,得到每个物联网用电设备的多个用电特征信息。
3.根据权利要求1所述的基于智能终端的电力数据管理方法,其特征在于,所述根据所述多个用电特征信息,对所述第一用电设备组网分布图进行特征增强处理,生成第二用电设备组网分布图,包括:
对所述第一用电设备组网分布图进行分布聚类分析,得到第一聚类结果;
根据所述第一聚类结果,对所述第一用电设备组网分布图中的多个第一分布节点进行节点权重计算,得到每个第一分布节点的目标节点权重;
根据所述目标节点权重,分别计算每个用电特征信息对应的加权特征信息;
基于所述加权特征信息,对所述第一用电设备组网分布图的分布图边进行加权处理,得到第二用电设备组网分布图。
4.根据权利要求1所述的基于智能终端的电力数据管理方法,其特征在于,所述遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,并通过所述多个一级物联网用电设备对所述第二用电设备组网分布图进行二次遍历,得到每个一级物联网用电设备的多个二级物联网用电设备,包括:
S1:遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,其中,所述一级物联网用电设备是与其他物联网用电设备直接相连的主要节点;
S2:将所述多个一级物联网用电设备加入到一个列表中,构建一级物联网用电设备列表;
S3:根据所述一级物联网用电设备列表,分别对所述第二用电设备组网分布图进行二次遍历,得到二级物联网用电设备,其中,所述二级物联网用电设备是与一级物联网用电设备直接连接的次要节点;
S4:根据所述二级物联网用电设备,构建二级物联网用电设备列表;
S5:重复执行步骤S3~S4,直到遍历完所有一级物联网用电设备,得到每个一级物联网用电设备的多个二级物联网用电设备。
5.根据权利要求1所述的基于智能终端的电力数据管理方法,其特征在于,所述根据所述多个一级物联网用电设备和所述多个二级物联网用电设备生成所述第二用电设备组网分布图的目标节点关联关系,对所述第二用电设备组网分布图进行节点评价指标计算,得到多个节点评价指标,包括:
根据所述多个一级物联网用电设备和所述多个二级物联网用电设备,确定所述第二用电设备组网分布图对应的多个第二分布节点;
对所述多个第二分布节点进行从属关系分析,生成所述第二用电设备组网分布图的目标节点关联关系;
对所述第二用电设备组网分布图进行聚类分析,得到第二聚类结果;
根据所述第二聚类结果,对所述第二用电设备组网分布图中的多个第二分布节点进行节点评价指标计算,得到多个节点评价指标。
6.根据权利要求5所述的基于智能终端的电力数据管理方法,其特征在于,所述通过所述目标节点关联关系和所述多个节点评价指标进行故障节点检测,得到至少一个目标故障节点,包括:
对所述目标节点关联关系进行向量映射,得到每两个第二分布节点之间的第一向量元素,并对所述多个节点评价指标进行向量转换,得到每个节点评价指标对应的第二向量元素;
根据所述第一向量元素和所述第二向量元素构建目标输入向量;
将所述目标输入向量输入预置的故障检测模型,其中,所述故障检测模型包括:两层双向长短时记忆网络以及全连接网络;
通过所述故障检测模型对所述目标输入向量进行故障节点检测,输出目标预测向量,其中,所述目标预测向量包括多个预测向量元素,每个预测向量元素为对应第二分布节点的异常概率;
根据所述目标预测向量,将预测向量元素的异常概率大于预设目标值的第二分布节点作为对应的至少一个目标故障节点。
7.根据权利要求1所述的基于智能终端的电力数据管理方法,其特征在于,所述根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图,并对所述目标用电设备组网分布图进行节点负载均衡分配,得到目标电力负载分配方案,包括:
根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图;
通过预置负载均衡模型确定所述目标用电设备组网分布图中多个第三分布节点之间的多个选择因素,其中,所述多个选择因素包括电力负载、通信延迟、节点稳定性;
根据所述多个选择因素,从预置的多个候选电力负载分配方案中匹配对应的目标电力负载分配方案。
8.一种基于智能终端的电力数据管理系统,其特征在于,所述基于智能终端的电力数据管理系统包括:
获取模块,用于通过预置的智能终端获取目标区域的多个物联网用电设备,并获取每个物联网用电设备的目标用电数据;
构建模块,用于构建所述多个物联网用电设备的第一用电设备组网分布图,并对所述目标用电数据进行特征提取,得到每个物联网用电设备的多个用电特征信息;
处理模块,用于根据所述多个用电特征信息,对所述第一用电设备组网分布图进行特征增强处理,生成第二用电设备组网分布图;
遍历模块,用于遍历所述第二用电设备组网分布图,得到多个一级物联网用电设备,并通过所述多个一级物联网用电设备对所述第二用电设备组网分布图进行二次遍历,得到每个一级物联网用电设备的多个二级物联网用电设备;
计算模块,用于根据所述多个一级物联网用电设备和所述多个二级物联网用电设备生成所述第二用电设备组网分布图的目标节点关联关系,对所述第二用电设备组网分布图进行节点评价指标计算,得到多个节点评价指标;
检测模块,用于通过所述目标节点关联关系和所述多个节点评价指标进行故障节点检测,得到至少一个目标故障节点;
更新模块,用于根据所述至少一个目标故障节点对所述第二用电设备组网分布图进行组网关系更新,得到目标用电设备组网分布图,并对所述目标用电设备组网分布图进行节点负载均衡分配,得到目标电力负载分配方案。
9.一种基于智能终端的电力数据管理设备,其特征在于,所述基于智能终端的电力数据管理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于智能终端的电力数据管理设备执行如权利要求1-7中任一项所述的基于智能终端的电力数据管理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于智能终端的电力数据管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310922537.2A CN116644306B (zh) | 2023-07-26 | 2023-07-26 | 一种基于智能终端的电力数据管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310922537.2A CN116644306B (zh) | 2023-07-26 | 2023-07-26 | 一种基于智能终端的电力数据管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116644306A CN116644306A (zh) | 2023-08-25 |
CN116644306B true CN116644306B (zh) | 2023-10-10 |
Family
ID=87625071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310922537.2A Active CN116644306B (zh) | 2023-07-26 | 2023-07-26 | 一种基于智能终端的电力数据管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644306B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003248011A1 (en) * | 1999-01-12 | 2003-10-30 | Microsemi Corp. - Analog Mixed Signal Group Ltd | Improved Structure Cabling System |
CN102202339A (zh) * | 2010-03-25 | 2011-09-28 | 中兴通讯股份有限公司 | 实现物联网网络拓扑结构管理的方法及装置 |
CN106130805A (zh) * | 2016-08-31 | 2016-11-16 | 积成电子股份有限公司 | 基于宽带载波的用电信息采集系统网络拓扑可视化方法 |
CN106357305A (zh) * | 2016-11-04 | 2017-01-25 | 重庆邮电大学 | 一种树形结构网络的自动组网方法、装置及系统 |
US10778537B1 (en) * | 2019-02-19 | 2020-09-15 | Cisco Technology, Inc. | Presenting devices from an aggregated node within a network topology |
KR20200141712A (ko) * | 2019-06-11 | 2020-12-21 | (주)미르시스템 | 세대 구역에 대한 전력종단 에너지 네트워크 시스템 |
CN112543413A (zh) * | 2020-11-30 | 2021-03-23 | 深圳市欧瑞博科技股份有限公司 | 单火线蓝牙智能开关的组网方法、装置、电子设备及介质 |
CN116154765A (zh) * | 2023-02-24 | 2023-05-23 | 云南电网有限责任公司电力科学研究院 | 电力拓扑关系的识别方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021156824A1 (en) * | 2020-02-06 | 2021-08-12 | Briggs & Stratton, Llc | Equipment management via mesh network |
-
2023
- 2023-07-26 CN CN202310922537.2A patent/CN116644306B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003248011A1 (en) * | 1999-01-12 | 2003-10-30 | Microsemi Corp. - Analog Mixed Signal Group Ltd | Improved Structure Cabling System |
CN102202339A (zh) * | 2010-03-25 | 2011-09-28 | 中兴通讯股份有限公司 | 实现物联网网络拓扑结构管理的方法及装置 |
CN106130805A (zh) * | 2016-08-31 | 2016-11-16 | 积成电子股份有限公司 | 基于宽带载波的用电信息采集系统网络拓扑可视化方法 |
CN106357305A (zh) * | 2016-11-04 | 2017-01-25 | 重庆邮电大学 | 一种树形结构网络的自动组网方法、装置及系统 |
US10778537B1 (en) * | 2019-02-19 | 2020-09-15 | Cisco Technology, Inc. | Presenting devices from an aggregated node within a network topology |
KR20200141712A (ko) * | 2019-06-11 | 2020-12-21 | (주)미르시스템 | 세대 구역에 대한 전력종단 에너지 네트워크 시스템 |
CN112543413A (zh) * | 2020-11-30 | 2021-03-23 | 深圳市欧瑞博科技股份有限公司 | 单火线蓝牙智能开关的组网方法、装置、电子设备及介质 |
CN116154765A (zh) * | 2023-02-24 | 2023-05-23 | 云南电网有限责任公司电力科学研究院 | 电力拓扑关系的识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于物联网的家用电器的组网控制系统研究;黄欣欣;;电子技术与软件工程(07);第40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116644306A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11101652B2 (en) | Monitoring electrical substation networks | |
CN108257374B (zh) | 户变关系的识别方法和装置 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
KR101958941B1 (ko) | 머신러닝 기반 태양광 발전 제어 시스템 및 방법 | |
Lin et al. | Many-objective sensor selection in IoT systems | |
CN113033897A (zh) | 基于用户分支的电量相关性识别台区户变关系的方法 | |
CN113220751A (zh) | 多源数据状态量的计量系统及评估方法 | |
Wang | Decomposing core energy factor structure of US commercial buildings through clustering around latent variables with Random Forest on large-scale mixed data | |
CN109783553A (zh) | 一种配电网海量数据质量提升系统 | |
CN110287237B (zh) | 一种基于社会网络结构分析社团数据挖掘方法 | |
CN117767250B (zh) | 基于故障监测的直流微电网协调控制方法及系统 | |
Zhang et al. | Low-voltage distribution grid topology identification with latent tree model | |
Ding et al. | Development and coverage evaluation of ZigBee-based wireless network applications | |
Shen et al. | In-network self-learning algorithms for BEMS through a collaborative fog platform | |
CN116644306B (zh) | 一种基于智能终端的电力数据管理方法及系统 | |
CN114119292B (zh) | 一种基于物联网与大数据的建筑管理系统 | |
Lydia et al. | Generation of dynamic energy management using data mining techniques basing on big data analytics isssues in smart grids | |
Jafary et al. | Modeling the determinants of residential appliance electricity use single-family homes, homes with electric vehicles and apartments | |
CN115296405A (zh) | 一种基于嵌入式电力的能耗监测方法和系统 | |
CN109861893B (zh) | 一种基于系统总线的通信方法、装置及系统 | |
CN108876078B (zh) | 计算耗能系统性能的改善策略的方法和耗能系统监控装置 | |
KR102388579B1 (ko) | 에너지 관리 장치 및 그 방법 | |
CN110011418A (zh) | 电力物联网智能配电系统 | |
Xie et al. | Homogeneous and Mixed Energy Communities Discovery with Spatial-Temporal Net Energy | |
Deng et al. | Distribution Network Topology Identification Method Based on Knowledge Graph |
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 |