CN116681186B - 一种基于智能终端的用电质量分析方法及装置 - Google Patents

一种基于智能终端的用电质量分析方法及装置 Download PDF

Info

Publication number
CN116681186B
CN116681186B CN202310967287.4A CN202310967287A CN116681186B CN 116681186 B CN116681186 B CN 116681186B CN 202310967287 A CN202310967287 A CN 202310967287A CN 116681186 B CN116681186 B CN 116681186B
Authority
CN
China
Prior art keywords
characteristic
data
voltage
current
feature
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
CN202310967287.4A
Other languages
English (en)
Other versions
CN116681186A (zh
Inventor
崔涛
董银锋
郭晓柳
沈正钊
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.)
Shenzhen Friendcom Technology Co Ltd
Original Assignee
Shenzhen Friendcom 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 Shenzhen Friendcom Technology Co Ltd filed Critical Shenzhen Friendcom Technology Co Ltd
Priority to CN202310967287.4A priority Critical patent/CN116681186B/zh
Publication of CN116681186A publication Critical patent/CN116681186A/zh
Application granted granted Critical
Publication of CN116681186B publication Critical patent/CN116681186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及人工智能领域，公开了一种基于智能终端的用电质量分析方法及装置，用于提高智能终端提高用电质量分析的准确率。方法包括：对历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对历史电压数据进行特征谱图构建，得到电压特征谱图集合；对电流特征谱图集合进行特征提取，得到目标电流特征集合，并对电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据功率因数数据构建功率因数特征集合；根据目标电流特征集合和功率因数特征集合生成第一特征向量，并根据目标电压特征集合和功率因数特征集合生成第二特征向量；将第一特征向量和第二特征向量输入用电质量分析模型进行分析，得到目标用电质量分析结果。

Description

一种基于智能终端的用电质量分析方法及装置
技术领域
本发明涉及人工智能领域，尤其涉及一种基于智能终端的用电质量分析方法及装置。
背景技术
随着电力系统的发展和智能电网的建设，对用电质量的要求越来越高。用电质量问题，如电压波动、频率偏差、谐波污染等，会对电力设备的正常运行和用户的电器设备造成不良影响。因此，准确分析和评估电力系统的用电质量成为保障电网运行稳定和用户电器设备安全的重要任务。
传统的用电质量分析方法依赖于专业的测试设备和人工分析，需要专业技术人员进行操作和解读数据，成本高且耗时，无法全面地监测电力系统的用电质量状况，可能会漏掉某些关键信息。并且传统方法对于复杂的用电质量问题，如多种质量问题的同时存在或相互影响，缺乏有效的综合分析手段，难以准确判断问题的来源和影响，进而导致现有方案的准确率低。
发明内容
本发明提供了一种基于智能终端的用电质量分析方法及装置，用于提高智能终端提高用电质量分析的准确率。
本发明第一方面提供了一种基于智能终端的用电质量分析方法，所述基于智能终端的用电质量分析方法包括：
通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据，并对所述历史电流数据和所述历史电压数据进行功率因数计算，得到功率因数数据；
对所述历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对所述历史电压数据进行特征谱图构建，得到电压特征谱图集合；
对所述电流特征谱图集合进行特征提取，得到目标电流特征集合，并对所述电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据所述功率因数数据构建功率因数特征集合；
根据所述目标电流特征集合和所述功率因数特征集合生成第一特征向量，并根据所述目标电压特征集合和所述功率因数特征集合生成第二特征向量；
将所述第一特征向量和所述第二特征向量输入预置的用电质量分析模型，其中，所述用电质量分析模型包括：第一分类预测网络、第二分类预测网络以及融合预测层；
通过所述用电质量分析模型中的第一分类预测网络对所述第一特征向量进行分析，得到第一用电质量预测值，并通过所述用电质量分析模型中的第二分类预测网络对所述第二特征向量进行分析，得到第二用电质量预测值；
通过所述融合预测层对所述第一用电质量预测值和所述第二用电质量预测值进行融合分析，得到目标用电质量分析结果。
结合第一方面，在本发明第一方面的第一种实现方式中，所述通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据，并对所述历史电流数据和所述历史电压数据进行功率因数计算，得到功率因数数据，包括：
通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据；
对所述历史电流数据和所述历史电压数据进行离散化处理，得到离散化时序电流数据以及离散化时序电压数据；
根据所述离散化时序电流数据以及所述离散化时序电压数据，计算所述目标电力系统的有功功率数据以及视在功率数据；
根据所述有功功率数据以及所述视在功率数据，计算所述目标电力系统的功率因数数据。
结合第一方面，在本发明第一方面的第二种实现方式中，所述对所述历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对所述历史电压数据进行特征谱图构建，得到电压特征谱图集合，包括：
对所述历史电流数据进行波形转换，得到电流波形曲线，并对所述历史电压数据进行波形转换，得到电压波形曲线；
对所述历史电流数据进行频谱分析，得到电流频谱图，并对所述历史电压数据进行频谱分析，得到电压频谱图；
根据所述电流波形曲线和所述电流频谱图，生成对应的电流特征谱图集合，并根据所述电压波形曲线和所述电压频谱图，生成对应的电压特征谱图集合。
结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述电流特征谱图集合进行特征提取，得到目标电流特征集合，并对所述电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据所述功率因数数据构建功率因数特征集合，包括：
对所述电流特征谱图集合中的电流波形曲线进行特征值计算，得到对应的多个第一曲线特征值，并对所述电压特征谱图集合中的电压波形曲线进行特征值计算，得到对应的多个第二曲线特征值；
获取所述历史电流数据对应的第一标准曲线并计算所述第一标准曲线对应的第一曲线标准值，以及获取所述历史电压数据对应的第二标准曲线并计算所述第二标准曲线对应的第二曲线标准值；
对所述多个第一曲线特征值和所述第一曲线标准值进行数值比较，得到多个第一曲线数值比较结果，并对所述多个第一曲线数值比较结果进行筛选，得到多个第一电流特征值；
对所述多个第二曲线特征值和所述第二曲线标准值进行数值比较，得到多个第二曲线数值比较结果，并对所述多个第二曲线数值比较结果进行筛选，得到多个第一电压特征值；
对所述电流特征谱图集合中的电流频谱图进行谐波成分特征分析，得到多个第二电流特征值，并对所述电压特征谱图集合中的电压频谱图进行谐波成分特征分析，得到多个第二电压特征值；
对所述多个第一电流特征值和所述多个第二电流特征值进行集合转换，得到目标电流特征集合，并对所述多个第一电压特征值和所述多个第二电压特征值进行集合转换，得到目标电压特征集合；
将所述功率因数数据输入预置特征聚类模型，并通过所述特征聚类模型对所述功率因数数据进行聚类中心计算，得到初始正值聚类中心和初始负值聚类中心；
对所述功率因数数据与所述初始正值聚类中心进行距离计算，得到多个第一特征中心距并对所述多个第一特征中心距进行平均值计算，得到对应的第一平均中心距，以及对所述功率因数数据与所述初始负值聚类中心进行距离计算，得到多个第二特征中心距并对所述多个第二特征中心距进行平均值计算，得到对应的第二平均中心距；
根据所述第一平均中心距和所述第二平均中心距对所述特征聚类模型进行聚类参数调整，并确定目标正值聚类中心和目标负值聚类中心；
根据所述目标正值聚类中心对所述功率因数数据进行特征聚类，得到多个第一功率因数特征值，并根据所述目标负值聚类中心对所述功率因数数据进行特征聚类，得到多个第二功率因数特征值；
根据所述多个第一功率因数特征值以及所述多个第二功率因数特征值，生成功率因数特征集合。
结合第一方面，在本发明第一方面的第四种实现方式中，所述根据所述目标电流特征集合和所述功率因数特征集合生成第一特征向量，并根据所述目标电压特征集合和所述功率因数特征集合生成第二特征向量，包括：
获取所述历史电流数据与所述功率因数数据的第一特征维度以及第一权重数据，以及获取所述历史电压数据与所述功率因数数据的第二特征维度以及第二权重数据；
对所述目标电流特征集合进行归一化处理，得到多个归一化电流特征，并对所述目标电压特征集合进行归一化处理，得到多个归一化电压特征；
对所述功率因数特征集合进行归一化处理，得到多个归一化功率因数特征；
根据所述第一特征维度以及所述第一权重数据，对所述多个归一化电流特征和所述多个归一化功率因数特征进行向量转换，得到第一特征向量；
根据所述第二特征维度以及所述第二权重数据，对所述多个归一化电压特征和所述多个归一化功率因数特征进行向量映射，得到第二特征向量。
结合第一方面，在本发明第一方面的第五种实现方式中，所述通过所述用电质量分析模型中的第一分类预测网络对所述第一特征向量进行分析，得到第一用电质量预测值，并通过所述用电质量分析模型中的第二分类预测网络对所述第二特征向量进行分析，得到第二用电质量预测值，包括：
将所述第一特征向量输入所述用电质量分析模型中的第一分类预测网络，其中，所述第一分类预测网络包括：三层卷积网络以及逻辑回归层；
通过所述三层卷积网络对所述第一特征向量进行特征提取，得到第一目标向量；
将所述第一目标向量输入所述逻辑回归层进行用电质量分析预测，得到第一用电质量预测值；
将所述第二特征向量输入所述用电质量分析模型中的第二分类预测网络，其中，所述第二分类预测网络包括：两层长短时记忆网络以及两层全连接网络；
通过所述两层长短时记忆网络对所述第二特征向量进行特征提取，得到第二目标向量；
将所述第二目标向量输入所述两层全连接网络进行用电质量分析，得到第二用电质量预测值。
结合第一方面，在本发明第一方面的第六种实现方式中，所述通过所述融合预测层对所述第一用电质量预测值和所述第二用电质量预测值进行融合分析，得到目标用电质量分析结果，包括：
通过所述融合预测层对所述第一用电质量预测值和所述第二用电质量预测值进行加权融合，得到加权融合后的用电质量预测值；
对所述加权融合后的用电质量预测值进行用电质量分析结果匹配，得到目标用电质量分析结果。
本发明第二方面提供了一种基于智能终端的用电质量分析装置，所述基于智能终端的用电质量分析装置包括：
获取模块，用于通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据，并对所述历史电流数据和所述历史电压数据进行功率因数计算，得到功率因数数据；
构建模块，用于对所述历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对所述历史电压数据进行特征谱图构建，得到电压特征谱图集合；
提取模块，用于对所述电流特征谱图集合进行特征提取，得到目标电流特征集合，并对所述电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据所述功率因数数据构建功率因数特征集合；
生成模块，用于根据所述目标电流特征集合和所述功率因数特征集合生成第一特征向量，并根据所述目标电压特征集合和所述功率因数特征集合生成第二特征向量；
输入模块，用于将所述第一特征向量和所述第二特征向量输入预置的用电质量分析模型，其中，所述用电质量分析模型包括：第一分类预测网络、第二分类预测网络以及融合预测层；
分析模块，用于通过所述用电质量分析模型中的第一分类预测网络对所述第一特征向量进行分析，得到第一用电质量预测值，并通过所述用电质量分析模型中的第二分类预测网络对所述第二特征向量进行分析，得到第二用电质量预测值；
输出模块，用于通过所述融合预测层对所述第一用电质量预测值和所述第二用电质量预测值进行融合分析，得到目标用电质量分析结果。
本发明第三方面提供了一种基于智能终端的用电质量分析设备，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用电质量分析设备执行上述的基于智能终端的用电质量分析方法。
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用电质量分析方法。
本发明提供的技术方案中，对历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对历史电压数据进行特征谱图构建，得到电压特征谱图集合；对电流特征谱图集合进行特征提取，得到目标电流特征集合，并对电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据功率因数数据构建功率因数特征集合；根据目标电流特征集合和功率因数特征集合生成第一特征向量，并根据目标电压特征集合和功率因数特征集合生成第二特征向量；将第一特征向量和第二特征向量输入用电质量分析模型进行分析，得到目标用电质量分析结果，本发明通过智能终端的预置功能，可以实时获取目标电力系统的历史电流数据和历史电压数据，从而实现实时的用电质量监测与分析。利用预先建立的用电质量问题识别模型，结合智能终端获取的数据，实现自动化的用电质量分析。通过对历史电流数据和历史电压数据进行特征提取和功率因数计算，生成特征向量，并通过用电质量分析模型进行预测与分类，能够自动识别和判断电力系统中存在的用电质量问题。通过融合预测层对不同特征向量的用电质量预测值进行加权融合分析，得到目标用电质量分析结果，通过自动化与智能化的手段，能够快速识别和定位用电质量问题，提高了用电质量管理的效率和响应能力。
附图说明
图1为本发明实施例中基于智能终端的用电质量分析方法的一个实施例示意图；
图2为本发明实施例中特征谱图构建的流程图；
图3为本发明实施例中特征提取的流程图；
图4为本发明实施例中生成特征向量的流程图；
图5为本发明实施例中基于智能终端的用电质量分析装置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用电质量分析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用电质量分析方法及装置，用于提高智能终端提高用电质量分析的准确率。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用电质量分析方法的一个实施例包括：
S101、通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据，并对历史电流数据和历史电压数据进行功率因数计算，得到功率因数数据；
可以理解的是，本发明的执行主体可以为基于智能终端的用电质量分析装置，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，服务器首先，智能终端需要与电力系统的监测设备或传感器进行连接，并通过预置的接口或协议获取实时的电流和电压数据。这些数据通常以时间序列的形式记录，包括时间戳和对应的电流值和电压值。例如，智能终端可以连接到电表、传感器或智能电网设备，通过它们提供的API或通信协议获取数据。接下来，对历史电流数据和历史电压数据进行离散化处理，以便进行后续的功率因数计算。离散化处理意味着将连续的时间序列数据转换为离散的时序数据。这可以通过对连续数据进行采样来实现，例如每秒钟采集一次数据或每分钟采集一次数据。采样后，得到离散的电流时序数据和电压时序数据。根据离散化的电流时序数据和电压时序数据，可以计算目标电力系统的有功功率数据和视在功率数据。有功功率是电力系统中产生或吸收的实际功率，它可以通过将离散化时序电流数据与离散化时序电压数据相乘来计算。视在功率是电力系统中的总功率，可以通过将离散化时序电流数据与离散化时序电压数据相乘得到。有功功率和视在功率的计算结果可以用于计算目标电力系统的功率因数数据。功率因数是有功功率与视在功率之比的绝对值。通过计算所得的有功功率数据和视在功率数据，可以使用以下公式计算功率因数数据：功率因数=|有功功率|/视在功率。例如，假设智能终端获取的历史电流数据为[2A,3A,4A,2A]，历史电压数据为[220V,220V,220V,220V]。在离散化处理后，得到离散化时序电流数据为[2A,3A,4A,2A]，离散化时序电压数据为[220V,220V,220V,220V]。根据离散化时序电流数据和离散化时序电压数据计算有功功率数据和视在功率数据，得到有功功率数据为[440W,660W,880W,440W]，视在功率数据为[440VA,660VA,880VA,440VA]。根据有功功率数据和视在功率数据计算功率因数数据，得到功率因数数据为[1,1,1,1]。利用预置的智能终端获取目标电力系统的历史电流数据和历史电压数据，并进行功率因数计算，得到对应的功率因数数据。这样可以对电力系统的用电质量进行分析和评估，帮助用户了解电力系统的效率和稳定性。
S102、对历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对历史电压数据进行特征谱图构建，得到电压特征谱图集合；
具体的，服务器首先，对历史电流数据进行波形转换，以获得电流波形曲线。这可以通过将连续的电流数据绘制成时间-电流曲线来实现。例如，将历史电流数据绘制成折线图或曲线图，以显示电流随时间的变化。接下来，对电流波形曲线进行频谱分析，以获得电流频谱图。频谱分析是将信号转换到频域的过程，可以显示信号在不同频率上的能量分布。通过应用离散傅里叶变换（DFT）或其他频谱分析算法，可以将电流波形曲线转换为频谱图。同样地，对历史电压数据进行波形转换，得到电压波形曲线。然后，对电压波形曲线进行频谱分析，得到电压频谱图。根据电流波形曲线和电流频谱图，可以生成对应的电流特征谱图集合。这可以通过从波形曲线中提取特征（如峰值、谷值、波形形状等）以及从频谱图中提取特征（如频谱峰值、能量分布等）来实现。类似地，根据电压波形曲线和电压频谱图，可以生成对应的电压特征谱图集合。例如，假设有一段历史电流数据如下：[1A,2A,3A,4A,2A,1A]，以及一段历史电压数据如下：[220V,230V,240V,235V,230V,220V]。首先，对历史电流数据进行波形转换，得到电流波形曲线。本实施例中，将电流数据绘制成时间-电流曲线，得到电流波形曲线。接下来，对电流波形曲线进行频谱分析，得到电流频谱图。通过应用频谱分析算法，可以得到电流在不同频率上的能量分布。然后，根据电流波形曲线和电流频谱图，可以生成对应的电流特征谱图集合。特征谱图可能包括电流波形的特征（如峰值、谷值、波形形状等）以及频谱图的特征（如频谱峰值、能量分布等）。同样地，对历史电压数据进行波形转换，得到电压波形曲线。然后，对电压波形曲线进行频谱分析，得到电压频谱图。最后，根据电压波形曲线和电压频谱图，可以生成对应的电压特征谱图集合。
S103、对电流特征谱图集合进行特征提取，得到目标电流特征集合，并对电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据功率因数数据构建功率因数特征集合；
需要说明的是，首先，对电流特征谱图集合中的电流波形曲线进行特征值计算，以获得多个第一曲线特征值。这些特征值可以是电流波形曲线的统计特征，如均值、方差等。类似地，对电压特征谱图集合中的电压波形曲线进行特征值计算，得到多个第二曲线特征值。接下来，获取历史电流数据对应的第一标准曲线，并计算第一标准曲线对应的第一曲线标准值。类似地，获取历史电压数据对应的第二标准曲线，并计算第二标准曲线对应的第二曲线标准值。然后，对多个第一曲线特征值和第一曲线标准值进行数值比较，得到多个第一曲线数值比较结果，并对结果进行筛选，得到多个第一电流特征值。同样地，对多个第二曲线特征值和第二曲线标准值进行数值比较，得到多个第二曲线数值比较结果，并对结果进行筛选，得到多个第一电压特征值。接下来，对电流特征谱图集合中的电流频谱图进行谐波成分特征分析，以获得多个第二电流特征值。这些特征值可以包括频谱中的谐波成分强度、频谱峰值等。类似地，对电压特征谱图集合中的电压频谱图进行谐波成分特征分析，得到多个第二电压特征值。对多个第一电流特征值和多个第二电流特征值进行集合转换，得到目标电流特征集合。同样地，对多个第一电压特征值和多个第二电压特征值进行集合转换，得到目标电压特征集合。将功率因数数据输入预置的特征聚类模型，并通过该模型对功率因数数据进行聚类中心计算，得到初始正值聚类中心和初始负值聚类中心。根据功率因数数据与初始正值聚类中心进行距离计算，得到多个第一特征中心距，并对这些距离进行平均值计算，得到第一平均中心距。类似地，根据功率因数数据与初始负值聚类中心进行距离计算，得到多个第二特征中心距，并对这些距离进行平均值计算，得到第二平均中心距。根据第一平均中心距和第二平均中心距对特征聚类模型进行聚类参数调整，并确定目标正值聚类中心和目标负值聚类中心。最后，根据目标正值聚类中心对功率因数数据进行特征聚类，得到多个第一功率因数特征值。根据目标负值聚类中心对功率因数数据进行特征聚类，得到多个第二功率因数特征值。根据多个第一功率因数特征值和多个第二功率因数特征值，可以生成功率因数特征集合。例如，假设电流特征谱图集合中的电流波形曲线特征值为[1.5,2.3,1.8]，电压特征谱图集合中的电压波形曲线特征值为[220.5,225.1,222.8]。对应的第一曲线标准值为1.6，第二曲线标准值为222.5。通过数值比较和筛选，得到第一电流特征值为[1.5,1.8]，第一电压特征值为[225.1,222.8]。对电流频谱图进行谐波成分特征分析，得到第二电流特征值为[0.3,0.2]。对电压频谱图进行谐波成分特征分析，得到第二电压特征值为[0.4,0.5]。通过集合转换，得到目标电流特征集合为[1.5,1.8,0.3]，目标电压特征集合为[225.1,222.8,0.4,0.5]。然后，通过特征聚类模型计算出初始正值聚类中心和初始负值聚类中心，并根据距离计算和聚类参数调整得到目标聚类中心。最后，根据目标聚类中心对功率因数数据进行特征聚类，得到多个第一功率因数特征值和多个第二功率因数特征值，从而生成功率因数特征集合。
S104、根据目标电流特征集合和功率因数特征集合生成第一特征向量，并根据目标电压特征集合和功率因数特征集合生成第二特征向量；
具体的，首先，获取历史电流数据与功率因数数据的第一特征维度以及第一权重数据，以及获取历史电压数据与功率因数数据的第二特征维度以及第二权重数据。这些特征维度可以是历史数据中的电流和电压的某些统计量，如均值、方差等。权重数据用于调整特征的重要性，根据其对应的特征维度进行加权。接下来，对目标电流特征集合进行归一化处理，得到多个归一化电流特征。归一化可以使不同尺度的特征值处于相同的数值范围，以便更好地进行比较和处理。同样地，对目标电压特征集合进行归一化处理，得到多个归一化电压特征。这样可以消除特征之间的量纲差异，使它们具有可比性。进一步，对功率因数特征集合进行归一化处理，得到多个归一化功率因数特征。这有助于确保功率因数特征与其他特征处于相同的数值范围。然后，根据第一特征维度以及第一权重数据，对多个归一化电流特征和多个归一化功率因数特征进行向量转换，得到第一特征向量。这可以通过将归一化电流特征和归一化功率因数特征乘以对应的权重，并将它们按照第一特征维度进行求和得到。类似地，根据第二特征维度以及第二权重数据，对多个归一化电压特征和多个归一化功率因数特征进行向量映射，得到第二特征向量。这可以通过将归一化电压特征和归一化功率因数特征乘以对应的权重，并将它们按照第二特征维度进行求和得到。例如，假设历史电流数据的第一特征维度为平均电流值，第一权重为0.7；历史电压数据的第二特征维度为最大电压值，第二权重为0.5。对于目标电流特征集合，归一化后的特征值为[0.2,0.5,0.3]；对于目标电压特征集合，归一化后的特征值为[0.6,0.8,0.4,0.7]。功率因数特征集合归一化后的特征值为[0.9,0.6,0.8]。根据第一特征维度和第一权重，对归一化电流特征和功率因数特征进行向量转换，得到第一特征向量为0.2*0.7+0.5*0.7+0.3*0.7+0.9*0.7+0.6*0.7+0.8*0.7=2.29。根据第二特征维度和第二权重，对归一化电压特征和功率因数特征进行向量映射，得到第二特征向量为0.6*0.5+0.8*0.5+0.4*0.5+0.7*0.5+0.9*0.5+0.6*0.5+0.8*0.5=2.35。
S105、将第一特征向量和第二特征向量输入预置的用电质量分析模型，其中，用电质量分析模型包括：第一分类预测网络、第二分类预测网络以及融合预测层；
具体的，首先，建立第一分类预测网络。此网络可以是一个机器学习模型，如神经网络，用于对第一特征向量进行分析和预测。它接收第一特征向量作为输入，并输出第一用电质量的预测值。此预测值可以是一个分类标签，如“正常”或“异常”，或者是一个连续值，表示用电质量的程度。接下来，建立第二分类预测网络。类似于第一分类预测网络，第二分类预测网络也可以是一个机器学习模型，用于对第二特征向量进行分析和预测。它接收第二特征向量作为输入，并输出第二用电质量的预测值。然后，建立融合预测层。此层的作用是将第一分类预测网络和第二分类预测网络的输出进行融合，并生成最终的用电质量分析结果。融合可以采用简单的加权平均、逻辑运算、决策树等方法，具体根据模型的需求和特点来设计。例如，假设第一分类预测网络对第一特征向量进行分析，得到第一用电质量的预测值为“正常”。同时，第二分类预测网络对第二特征向量进行分析，得到第二用电质量的预测值为“异常”。然后，通过融合预测层，将这两个预测值进行融合分析，得到最终的用电质量分析结果为“正常与异常”。这样，通过将第一特征向量和第二特征向量输入用电质量分析模型，可以综合考虑不同特征的信息，并得出全面的用电质量分析结果。将第一特征向量和第二特征向量输入预置的用电质量分析模型可以有效地进行用电质量分析和预测。这种模型的优势在于它可以同时考虑不同特征的影响，提供更全面准确的用电质量分析结果。此外，该模型还可以根据实际情况进行调整和优化，以提高分析的准确性和适应性。
S106、通过用电质量分析模型中的第一分类预测网络对第一特征向量进行分析，得到第一用电质量预测值，并通过用电质量分析模型中的第二分类预测网络对第二特征向量进行分析，得到第二用电质量预测值；
具体的，首先，建立第一分类预测网络，该网络包括三层卷积网络和逻辑回归层。第一特征向量作为输入传入三层卷积网络中进行特征提取。卷积网络可以通过多个卷积层和池化层，提取特征的空间和频域信息。随后，将提取的特征传递给逻辑回归层，进行用电质量的预测。逻辑回归层可以将提取的特征映射到相应的用电质量标签上，如"正常"或"异常"。接下来，建立第二分类预测网络，该网络包括两层长短时记忆网络（LSTM）和两层全连接网络。第二特征向量作为输入传入两层LSTM网络中进行特征提取。LSTM网络可以有效地捕捉时间序列数据中的长期依赖关系。然后，将提取的特征传递给两层全连接网络，进行用电质量的预测。全连接网络可以将提取的特征映射到具体的用电质量预测值上。例如，假设第一特征向量输入第一分类预测网络的三层卷积网络中，经过特征提取得到第一目标向量。该向量可以包含关于电流特征的高阶抽象表示。然后，第一目标向量输入逻辑回归层进行用电质量分析预测，得到第一用电质量预测值为"正常"。同时，第二特征向量输入第二分类预测网络的两层LSTM网络中，经过特征提取得到第二目标向量。该向量可以包含关于电压特征的时间序列依赖关系。然后，第二目标向量输入两层全连接网络进行用电质量分析，得到第二用电质量预测值为"异常"。
S107、通过融合预测层对第一用电质量预测值和第二用电质量预测值进行融合分析，得到目标用电质量分析结果。
具体的，服务器首先，通过融合预测层对第一用电质量预测值和第二用电质量预测值进行加权融合。加权融合可以根据特定的权重设置，将两个预测值进行加权求和或加权平均。权重的设置可以根据预测值的可靠性、重要性或其他相关因素来确定。融合后的用电质量预测值综合了第一分类预测网络和第二分类预测网络的结果。接下来，对加权融合后的用电质量预测值进行用电质量分析结果匹配。可以通过设定阈值或使用分类规则来将预测值映射到具体的用电质量分析结果上。例如，可以将预测值与一组预定义的阈值进行比较，如果预测值超过某个阈值，则将其匹配为"异常"，否则匹配为"正常"。根据匹配结果，得到目标用电质量分析结果。例如，假设第一用电质量预测值为0.8，第二用电质量预测值为0.6。在融合预测层进行加权融合时，设定权重分别为0.7和0.3。则加权融合后的用电质量预测值为0.8*0.7+0.6*0.3=0.74。接着，根据用电质量分析结果匹配阈值，假设设定阈值为0.5，若加权融合后的预测值大于阈值，则将其匹配为"异常"，否则匹配为"正常"。因为0.74大于0.5，所以目标用电质量分析结果为"异常"。本实施例中，通过融合预测层对第一用电质量预测值和第二用电质量预测值进行加权融合，得到融合后的用电质量预测值，并根据匹配规则将预测值映射到具体的用电质量分析结果上。这样可以综合考虑两个预测结果的信息，得出更全面准确的目标用电质量分析结果。根据目标分析结果，可以采取相应的措施来改善电力系统的运行和管理。
本发明实施例中，对历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对历史电压数据进行特征谱图构建，得到电压特征谱图集合；对电流特征谱图集合进行特征提取，得到目标电流特征集合，并对电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据功率因数数据构建功率因数特征集合；根据目标电流特征集合和功率因数特征集合生成第一特征向量，并根据目标电压特征集合和功率因数特征集合生成第二特征向量；将第一特征向量和第二特征向量输入用电质量分析模型进行分析，得到目标用电质量分析结果，本发明通过智能终端的预置功能，可以实时获取目标电力系统的历史电流数据和历史电压数据，从而实现实时的用电质量监测与分析。利用预先建立的用电质量问题识别模型，结合智能终端获取的数据，实现自动化的用电质量分析。通过对历史电流数据和历史电压数据进行特征提取和功率因数计算，生成特征向量，并通过用电质量分析模型进行预测与分类，能够自动识别和判断电力系统中存在的用电质量问题。通过融合预测层对不同特征向量的用电质量预测值进行加权融合分析，得到目标用电质量分析结果，通过自动化与智能化的手段，能够快速识别和定位用电质量问题，提高了用电质量管理的效率和响应能力。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据；
（2）对历史电流数据和历史电压数据进行离散化处理，得到离散化时序电流数据以及离散化时序电压数据；
（3）根据离散化时序电流数据以及离散化时序电压数据，计算目标电力系统的有功功率数据以及视在功率数据；
（4）根据有功功率数据以及视在功率数据，计算目标电力系统的功率因数数据。
具体的，服务器首先，使用预置的智能终端获取目标电力系统的历史电流数据和历史电压数据。这可以通过连接智能终端与电力系统的监测设备、传感器或数据采集系统来实现。智能终端可以获取实时的电流和电压数据，以及相应的时间戳。接下来，对历史电流数据和历史电压数据进行离散化处理，以便进行进一步的分析。离散化处理可以通过对连续时间序列的采样或分割来实现。例如，可以将每分钟或每秒的电流和电压值记录为一个数据点，得到离散的时序电流数据和时序电压数据。然后，根据离散化时序电流数据和离散化时序电压数据，计算目标电力系统的有功功率数据和视在功率数据。有功功率是电流与电压的乘积，用来表示电路中的有效功率输出。视在功率是电流和电压的乘积的绝对值，用来表示电路中的总功率。这些计算可以通过逐个时间点上的电流和电压值进行相乘和求和来实现。最后，根据计算得到的有功功率数据和视在功率数据，计算目标电力系统的功率因数数据。功率因数是有功功率与视在功率的比值，用来表示电路中有用功率与总功率的比例。功率因数的计算可以通过将有功功率除以视在功率来得到。通常，功率因数的值在0到1之间，越接近1表示电路中有用功率占比越高。例如，假设历史电流数据为[2A,3A,4A,2A]，历史电压数据为[220V,230V,240V,220V]，离散化处理后得到离散化时序电流数据为[2A,3A,4A,2A]，离散化时序电压数据为[220V,230V,240V,220V]。根据离散化时序电流数据和电压数据，计算得到的有功功率数据为[440W,690W,960W,440W]，视在功率数据为[440VA,690VA,960VA,440VA]。进而，计算得到的功率因数数据为[1,1,1,1]。
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、对历史电流数据进行波形转换，得到电流波形曲线，并对历史电压数据进行波形转换，得到电压波形曲线；
S202、对历史电流数据进行频谱分析，得到电流频谱图，并对历史电压数据进行频谱分析，得到电压频谱图；
S203、根据电流波形曲线和电流频谱图，生成对应的电流特征谱图集合，并根据电压波形曲线和电压频谱图，生成对应的电压特征谱图集合。
具体的，服务器首先，对历史电流数据进行波形转换，将连续时间序列的电流数据转换为电流波形曲线。波形转换可以采用常见的方法，如离散化采样、平均滤波、傅里叶变换等。离散化采样将连续时间序列的数据离散化为离散的采样点，平均滤波可以平滑波形曲线，傅里叶变换可以将波形转换为频域表示。这样可以得到电流波形曲线，以展示电流的变化趋势和特征。接下来，对历史电压数据进行类似的波形转换，将连续时间序列的电压数据转换为电压波形曲线。同样地，可以采用离散化采样、平均滤波、傅里叶变换等方法来转换电压数据。这样可以得到电压波形曲线，以展示电压的变化趋势和特征。然后，对电流波形曲线和电流频谱图进行分析，生成电流特征谱图集合。电流特征谱图集合可以包含多个特征谱图，每个谱图对应于不同的特征提取方法或参数设置。特征提取可以通过计算波形的幅值、频率、功率、谐波分量等来实现。这些特征可以反映电流波形的形状、周期性、能量分布等信息。类似地，根据电压波形曲线和电压频谱图，也可以生成对应的电压特征谱图集合。电压特征谱图集合也可以包含多个特征谱图，反映电压波形的特性。例如，假设有一段历史电流数据包含以下连续时间序列：[2A,3A,4A,2A,3A,2A]，经过波形转换和特征提取，得到电流波形曲线。基于此波形曲线，可以提取出多个特征，如最大值、最小值、平均值等。同样，可以对历史电压数据进行类似的处理，得到对应的电压波形曲线和特征谱图。本实施例中，可以实现对历史电流数据进行波形转换，得到电流波形曲线，并对历史电压数据进行波形转换，得到电压波形曲线。然后，可以利用这些波形曲线和相应的频谱图来生成电流特征谱图集合和电压特征谱图集合，用于进一步的用电质量分析和特征提取。这样可以从波形和频域两个角度对电流和电压进行全面的特征表示，为后续的分析和预测提供更丰富的信息。
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、对电流特征谱图集合中的电流波形曲线进行特征值计算，得到对应的多个第一曲线特征值，并对电压特征谱图集合中的电压波形曲线进行特征值计算，得到对应的多个第二曲线特征值；
S302、获取历史电流数据对应的第一标准曲线并计算第一标准曲线对应的第一曲线标准值，以及获取历史电压数据对应的第二标准曲线并计算第二标准曲线对应的第二曲线标准值；
S303、对多个第一曲线特征值和第一曲线标准值进行数值比较，得到多个第一曲线数值比较结果，并对多个第一曲线数值比较结果进行筛选，得到多个第一电流特征值；
S304、对多个第二曲线特征值和第二曲线标准值进行数值比较，得到多个第二曲线数值比较结果，并对多个第二曲线数值比较结果进行筛选，得到多个第一电压特征值；
S305、对电流特征谱图集合中的电流频谱图进行谐波成分特征分析，得到多个第二电流特征值，并对电压特征谱图集合中的电压频谱图进行谐波成分特征分析，得到多个第二电压特征值；
S306、对多个第一电流特征值和多个第二电流特征值进行集合转换，得到目标电流特征集合，并对多个第一电压特征值和多个第二电压特征值进行集合转换，得到目标电压特征集合；
S307、将功率因数数据输入预置特征聚类模型，并通过特征聚类模型对功率因数数据进行聚类中心计算，得到初始正值聚类中心和初始负值聚类中心；
S308、对功率因数数据与初始正值聚类中心进行距离计算，得到多个第一特征中心距并对多个第一特征中心距进行平均值计算，得到对应的第一平均中心距，以及对功率因数数据与初始负值聚类中心进行距离计算，得到多个第二特征中心距并对多个第二特征中心距进行平均值计算，得到对应的第二平均中心距；
S309、根据第一平均中心距和第二平均中心距对特征聚类模型进行聚类参数调整，并确定目标正值聚类中心和目标负值聚类中心；
S310、根据目标正值聚类中心对功率因数数据进行特征聚类，得到多个第一功率因数特征值，并根据目标负值聚类中心对功率因数数据进行特征聚类，得到多个第二功率因数特征值；
S311、根据多个第一功率因数特征值以及多个第二功率因数特征值，生成功率因数特征集合。
具体的，服务器首先，对电流特征谱图集合中的每个电流波形曲线进行特征值计算，以提取波形的关键特征。特征值的计算可以包括各种统计量、时域指标、频域指标等。例如，可以计算波形的峰值、均值、标准差、最大值、最小值等特征。这些特征可以反映波形的振幅、稳定性、变化范围等信息。类似地，对电压特征谱图集合中的每个电压波形曲线进行类似的特征值计算，以提取电压波形的关键特征。接下来，获取历史电流数据对应的第一标准曲线，并计算第一标准曲线对应的第一曲线标准值。这可以作为参考基准，用于与特征值进行比较和筛选。同样地，获取历史电压数据对应的第二标准曲线，并计算第二标准曲线对应的第二曲线标准值。然后，对多个第一曲线特征值和第一曲线标准值进行数值比较，得到多个第一曲线数值比较结果。通过与标准值的比较，可以评估特征值在哪个范围内，以确定是否符合预期。对于符合预期的特征值，可以被筛选出来作为第一电流特征值。同样地，对多个第二曲线特征值和第二曲线标准值进行数值比较，得到多个第二曲线数值比较结果。通过与标准值的比较，可以确定是否符合预期，并筛选出多个第一电压特征值。接下来，对电流特征谱图集合中的电流频谱图进行谐波成分特征分析，得到多个第二电流特征值。谐波成分特征分析可以通过傅里叶变换或相关算法来提取频谱中的谐波成分，并计算其特征值。这些特征值可以反映电流频谱中的谐波含量、功率分布等信息。类似地，对电压特征谱图集合中的电压频谱图进行谐波成分特征分析，得到多个第二电压特征值。然后，将多个第一电流特征值和多个第二电流特征值进行集合转换，得到目标电流特征集合。集合转换可以将多个特征值合并为一个集合，以便后续的分析和处理。同样地，将多个第一电压特征值和多个第二电压特征值进行集合转换，得到目标电压特征集合。接下来，将功率因数数据输入预置的特征聚类模型，通过计算聚类中心距离来对功率因数数据进行聚类。根据聚类结果，确定目标正值聚类中心和目标负值聚类中心，以便后续的特征聚类。对功率因数数据与初始正值聚类中心的距离计算，可以使用常见的距离度量方法，例如欧氏距离、曼哈顿距离或余弦相似度等。计算功率因数数据与每个正值聚类中心之间的距离，并得到多个第一特征中心距。然后对这些距离进行平均值计算，得到对应的第一平均中心距。类似地，对功率因数数据与初始负值聚类中心进行距离计算，得到多个第二特征中心距。同样地，对这些距离进行平均值计算，得到对应的第二平均中心距。根据第一平均中心距和第二平均中心距，可以对特征聚类模型进行参数调整。具体的调整方法取决于所采用的聚类算法和模型的设计。例如，可以调整聚类模型中的聚类簇数、聚类阈值或聚类的优化参数等，以便更好地适应目标正值聚类中心和目标负值聚类中心的需求。通过调整聚类模型的参数，并重新计算聚类中心，可以确定目标正值聚类中心和目标负值聚类中心，这些中心将作为用于功率因数特征聚类的参考点。通过这种方式，服务器根据聚类结果将功率因数数据分为不同的类别或群组，更好地理解和分析功率因数的特征和行为。然后，根据目标正值聚类中心对功率因数数据进行特征聚类，得到多个第一功率因数特征值。类似地，根据目标负值聚类中心对功率因数数据进行特征聚类，得到多个第二功率因数特征值。最后，根据多个第一功率因数特征值和多个第二功率因数特征值，生成功率因数特征集合。此特征集合可以用于对功率因数的分析和预测，进一步评估用电质量的情况。例如，假设有一组电流特征谱图集合，其中包含了5个电流波形曲线的特征信息。对于每个波形曲线，计算得到的特征值如下：
同时，设定第一标准曲线对应的第一曲线标准值为0.3。通过与第一曲线标准值进行比较，得到多个第一曲线数值比较结果，如下：波形1：0.2(不符合)、波形2：0.4(符合)、波形3：0.3(符合)、波形4：0.1(不符合)、波形5：0.5(符合)。因此，可以筛选出多个第一电流特征值为波形2、波形3和波形5。类似地，根据电压特征谱图集合的特征计算结果，与第二标准曲线进行比较，得到多个第二曲线数值比较结果，并筛选出多个第一电压特征值。接下来，对电流特征谱图集合中的电流频谱图进行谐波成分特征分析，得到多个第二电流特征值。最后，将多个第一电流特征值、多个第二电流特征值以及多个第一电压特征值和第二电压特征值组合起来，形成功率因数特征集合。该特征集合包含了用于用电质量分析和评估的多个特征值，可以提供更全面的信息用于后续的分析和决策。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、获取历史电流数据与功率因数数据的第一特征维度以及第一权重数据，以及获取历史电压数据与功率因数数据的第二特征维度以及第二权重数据；
S402、对目标电流特征集合进行归一化处理，得到多个归一化电流特征，并对目标电压特征集合进行归一化处理，得到多个归一化电压特征；
S403、对功率因数特征集合进行归一化处理，得到多个归一化功率因数特征；
S404、根据第一特征维度以及第一权重数据，对多个归一化电流特征和多个归一化功率因数特征进行向量转换，得到第一特征向量；
S405、根据第二特征维度以及第二权重数据，对多个归一化电压特征和多个归一化功率因数特征进行向量映射，得到第二特征向量。
具体的，服务器首先需要确定所选取的特征维度和权重计算方法。特征维度是指在历史电流数据和功率因数数据中选择的具体特征参数，而权重是用于衡量各个特征的重要程度。一种常见的方法是通过统计学或领域知识来选择特征维度和权重。例如，对于历史电流数据，可以选择平均值、峰值、谐波含量等作为特征维度，并为每个特征维度分配相应的权重，表示其在整体特征中的重要性。类似地，对于功率因数数据，也可以选择平均功率因数、最小功率因数、功率因数波动等作为特征维度，并为每个特征维度分配权重。在获取历史电压数据与功率因数数据的第二特征维度以及第二权重数据时，可以采用类似的方法。根据需求和领域知识，选择合适的电压特征维度，如平均电压、最大电压变动、电压谐波等，并为每个特征维度赋予相应的权重。一旦确定了特征维度和权重，可以进行归一化处理。归一化是将不同尺度的特征值映射到统一的范围，以消除特征之间的量纲差异。对目标电流特征集合进行归一化处理，将电流特征值映射到统一的范围，得到多个归一化电流特征。对目标电压特征集合进行归一化处理，将电压特征值映射到统一的范围，得到多个归一化电压特征。同样地，对功率因数特征集合进行归一化处理，将功率因数特征值映射到统一的范围，得到多个归一化功率因数特征。最后，根据第一特征维度以及第一权重数据，对多个归一化电流特征和多个归一化功率因数特征进行向量转换，得到第一特征向量。这意味着将归一化的电流特征和功率因数特征按照特征维度和权重进行加权组合，得到一个综合的特征向量。类似地，根据第二特征维度以及第二权重数据，对多个归一化电压特征和多个归一化功率因数特征进行向量映射，得到第二特征向量。这表示将归一化的电压特征和功率因数特征按照特征维度和权重进行加权组合，得到另一个综合的特征向量。
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）将第一特征向量输入用电质量分析模型中的第一分类预测网络，其中，第一分类预测网络包括：三层卷积网络以及逻辑回归层；
（2）通过三层卷积网络对第一特征向量进行特征提取，得到第一目标向量；
（3）将第一目标向量输入逻辑回归层进行用电质量分析预测，得到第一用电质量预测值；
（4）将第二特征向量输入用电质量分析模型中的第二分类预测网络，其中，第二分类预测网络包括：两层长短时记忆网络以及两层全连接网络；
（5）通过两层长短时记忆网络对第二特征向量进行特征提取，得到第二目标向量；
（6）将第二目标向量输入两层全连接网络进行用电质量分析，得到第二用电质量预测值。
具体的，首先，定义第一分类预测网络的结构，由三层卷积网络和逻辑回归层组成。卷积网络用于从输入的第一特征向量中提取空间特征。通过多个卷积层和池化层，网络可以学习到输入数据中的重要特征。接着，得到的特征被展平为一维向量，并输入到逻辑回归层中进行用电质量的分类预测。逻辑回归层通过将特征与权重进行线性组合，并应用激活函数，将输入映射到预测结果的概率。类似地，将第二特征向量输入用电质量分析模型中的第二分类预测网络也需要几个步骤。首先，定义第二分类预测网络的结构，它由两层长短时记忆网络（LSTM）和两层全连接网络组成。LSTM网络能够处理时间序列数据，并捕捉序列中的时间依赖关系。通过多个LSTM层，网络可以学习到第二特征向量中的时序模式。接着，将LSTM网络的输出连接到两层全连接网络中，以进一步提取特征并进行用电质量的分类预测。通过将第一特征向量输入第一分类预测网络和第二特征向量输入第二分类预测网络，服务器分别获得第一用电质量预测值和第二用电质量预测值。这些预测结果可以用于评估电力系统的质量，如功率稳定性、谐波含量、电压波动等。例如，对于第一特征向量，经过卷积网络和逻辑回归层的处理，服务器预测出该特征向量对应的电力系统在某个质量指标下的分类结果，比如良好、一般或不良。对于第二特征向量，经过LSTM网络和全连接网络的处理，服务器预测出该特征向量对应的电力系统在另一个质量指标下的数值，如功率因数的值。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）通过融合预测层对第一用电质量预测值和第二用电质量预测值进行加权融合，得到加权融合后的用电质量预测值；
（2）对加权融合后的用电质量预测值进行用电质量分析结果匹配，得到目标用电质量分析结果。
具体的，首先，定义融合预测层的结构，该层用于将两个预测结果进行加权融合。加权融合的目的是将不同预测结果的信息进行综合，从而得到更准确和可靠的用电质量预测值。在加权融合的过程中，可以为第一用电质量预测值和第二用电质量预测值分配权重。权重可以根据预测结果的可靠性和重要性进行确定。一种常用的方法是基于模型性能或历史数据的统计信息来确定权重。例如，可以根据分类准确率或预测误差的方差来确定每个预测结果的权重。将第一用电质量预测值和第二用电质量预测值与对应的权重进行加权融合。加权融合可以通过简单的线性加权平均或其他更复杂的融合方法来实现。线性加权平均的公式可以表示为：加权融合后的用电质量预测值=第一用电质量预测值*权重1+第二用电质量预测值*权重2。得到加权融合后的用电质量预测值后，可以进行用电质量分析结果匹配。用电质量分析结果匹配的目的是将预测结果与预定义的用电质量标准进行比较，以确定目标用电质量分析结果。匹配可以基于阈值判断或其他更复杂的规则来实现。例如，如果加权融合后的用电质量预测值超过了某个阈值，则可以判断用电质量为优秀；如果预测值在一定范围内，则可以判断用电质量为一般；如果预测值低于某个阈值，则可以判断用电质量为较差。例如，假设第一用电质量预测值为0.8，第二用电质量预测值为0.6，而权重1为0.7，权重2为0.3。通过加权融合计算，得到加权融合后的用电质量预测值为：加权融合后的用电质量预测值=0.8*0.7+0.6*0.3=0.74。然后，将加权融合后的用电质量预测值与预定义的用电质量标准进行匹配。假设阈值为0.5，根据匹配规则，可以判断用电质量为优秀，因为加权融合后的预测值超过了阈值。
上面对本发明实施例中基于智能终端的用电质量分析方法进行了描述，下面对本发明实施例中基于智能终端的用电质量分析装置进行描述，请参阅图5，本发明实施例中基于智能终端的用电质量分析装置一个实施例包括：
获取模块501，用于通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据，并对所述历史电流数据和所述历史电压数据进行功率因数计算，得到功率因数数据；
构建模块502，用于对所述历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对所述历史电压数据进行特征谱图构建，得到电压特征谱图集合；
提取模块503，用于对所述电流特征谱图集合进行特征提取，得到目标电流特征集合，并对所述电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据所述功率因数数据构建功率因数特征集合；
生成模块504，用于根据所述目标电流特征集合和所述功率因数特征集合生成第一特征向量，并根据所述目标电压特征集合和所述功率因数特征集合生成第二特征向量；
输入模块505，用于将所述第一特征向量和所述第二特征向量输入预置的用电质量分析模型，其中，所述用电质量分析模型包括：第一分类预测网络、第二分类预测网络以及融合预测层；
分析模块506，用于通过所述用电质量分析模型中的第一分类预测网络对所述第一特征向量进行分析，得到第一用电质量预测值，并通过所述用电质量分析模型中的第二分类预测网络对所述第二特征向量进行分析，得到第二用电质量预测值；
输出模块507，用于通过所述融合预测层对所述第一用电质量预测值和所述第二用电质量预测值进行融合分析，得到目标用电质量分析结果。
通过上述各个组成部分的协同合作，对历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对历史电压数据进行特征谱图构建，得到电压特征谱图集合；对电流特征谱图集合进行特征提取，得到目标电流特征集合，并对电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据功率因数数据构建功率因数特征集合；根据目标电流特征集合和功率因数特征集合生成第一特征向量，并根据目标电压特征集合和功率因数特征集合生成第二特征向量；将第一特征向量和第二特征向量输入用电质量分析模型进行分析，得到目标用电质量分析结果，本发明通过智能终端的预置功能，可以实时获取目标电力系统的历史电流数据和历史电压数据，从而实现实时的用电质量监测与分析。利用预先建立的用电质量问题识别模型，结合智能终端获取的数据，实现自动化的用电质量分析。通过对历史电流数据和历史电压数据进行特征提取和功率因数计算，生成特征向量，并通过用电质量分析模型进行预测与分类，能够自动识别和判断电力系统中存在的用电质量问题。通过融合预测层对不同特征向量的用电质量预测值进行加权融合分析，得到目标用电质量分析结果，通过自动化与智能化的手段，能够快速识别和定位用电质量问题，提高了用电质量管理的效率和响应能力。
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用电质量分析装置进行详细描述，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用电质量分析设备进行详细描述。
图6是本发明实施例提供的一种基于智能终端的用电质量分析设备的结构示意图，该基于智能终端的用电质量分析设备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用电质量分析设备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，在基于智能终端的用电质量分析设备600上执行存储介质630中的一系列指令操作。
基于智能终端的用电质量分析设备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用电质量分析设备结构并不构成对基于智能终端的用电质量分析设备的限定，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用电质量分析设备，所述基于智能终端的用电质量分析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用电质量分析方法的步骤。
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用电质量分析方法的步骤。
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 (9)

1.一种基于智能终端的用电质量分析方法，其特征在于，所述基于智能终端的用电质量分析方法包括：
通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据，并对所述历史电流数据和所述历史电压数据进行功率因数计算，得到功率因数数据；
对所述历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对所述历史电压数据进行特征谱图构建，得到电压特征谱图集合；
对所述电流特征谱图集合进行特征提取，得到目标电流特征集合，并对所述电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据所述功率因数数据构建功率因数特征集合；具体包括：对所述电流特征谱图集合中的电流波形曲线进行特征值计算，得到对应的多个第一曲线特征值，并对所述电压特征谱图集合中的电压波形曲线进行特征值计算，得到对应的多个第二曲线特征值；获取所述历史电流数据对应的第一标准曲线并计算所述第一标准曲线对应的第一曲线标准值，以及获取所述历史电压数据对应的第二标准曲线并计算所述第二标准曲线对应的第二曲线标准值；对所述多个第一曲线特征值和所述第一曲线标准值进行数值比较，得到多个第一曲线数值比较结果，并对所述多个第一曲线数值比较结果进行筛选，得到多个第一电流特征值；对所述多个第二曲线特征值和所述第二曲线标准值进行数值比较，得到多个第二曲线数值比较结果，并对所述多个第二曲线数值比较结果进行筛选，得到多个第一电压特征值；对所述电流特征谱图集合中的电流频谱图进行谐波成分特征分析，得到多个第二电流特征值，并对所述电压特征谱图集合中的电压频谱图进行谐波成分特征分析，得到多个第二电压特征值；对所述多个第一电流特征值和所述多个第二电流特征值进行集合转换，得到目标电流特征集合，并对所述多个第一电压特征值和所述多个第二电压特征值进行集合转换，得到目标电压特征集合；将所述功率因数数据输入预置特征聚类模型，并通过所述特征聚类模型对所述功率因数数据进行聚类中心计算，得到初始正值聚类中心和初始负值聚类中心；对所述功率因数数据与所述初始正值聚类中心进行距离计算，得到多个第一特征中心距并对所述多个第一特征中心距进行平均值计算，得到对应的第一平均中心距，以及对所述功率因数数据与所述初始负值聚类中心进行距离计算，得到多个第二特征中心距并对所述多个第二特征中心距进行平均值计算，得到对应的第二平均中心距；根据所述第一平均中心距和所述第二平均中心距对所述特征聚类模型进行聚类参数调整，并确定目标正值聚类中心和目标负值聚类中心；根据所述目标正值聚类中心对所述功率因数数据进行特征聚类，得到多个第一功率因数特征值，并根据所述目标负值聚类中心对所述功率因数数据进行特征聚类，得到多个第二功率因数特征值；根据所述多个第一功率因数特征值以及所述多个第二功率因数特征值，生成功率因数特征集合；
根据所述目标电流特征集合和所述功率因数特征集合生成第一特征向量，并根据所述目标电压特征集合和所述功率因数特征集合生成第二特征向量；
将所述第一特征向量和所述第二特征向量输入预置的用电质量分析模型，其中，所述用电质量分析模型包括：第一分类预测网络、第二分类预测网络以及融合预测层；
通过所述用电质量分析模型中的第一分类预测网络对所述第一特征向量进行分析，得到第一用电质量预测值，并通过所述用电质量分析模型中的第二分类预测网络对所述第二特征向量进行分析，得到第二用电质量预测值；
通过所述融合预测层对所述第一用电质量预测值和所述第二用电质量预测值进行融合分析，得到目标用电质量分析结果。
2.根据权利要求1所述的基于智能终端的用电质量分析方法，其特征在于，所述通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据，并对所述历史电流数据和所述历史电压数据进行功率因数计算，得到功率因数数据，包括：
通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据；
对所述历史电流数据和所述历史电压数据进行离散化处理，得到离散化时序电流数据以及离散化时序电压数据；
根据所述离散化时序电流数据以及所述离散化时序电压数据，计算所述目标电力系统的有功功率数据以及视在功率数据；
根据所述有功功率数据以及所述视在功率数据，计算所述目标电力系统的功率因数数据。
3.根据权利要求1所述的基于智能终端的用电质量分析方法，其特征在于，所述对所述历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对所述历史电压数据进行特征谱图构建，得到电压特征谱图集合，包括：
对所述历史电流数据进行波形转换，得到电流波形曲线，并对所述历史电压数据进行波形转换，得到电压波形曲线；
对所述历史电流数据进行频谱分析，得到电流频谱图，并对所述历史电压数据进行频谱分析，得到电压频谱图；
根据所述电流波形曲线和所述电流频谱图，生成对应的电流特征谱图集合，并根据所述电压波形曲线和所述电压频谱图，生成对应的电压特征谱图集合。
4.根据权利要求1所述的基于智能终端的用电质量分析方法，其特征在于，所述根据所述目标电流特征集合和所述功率因数特征集合生成第一特征向量，并根据所述目标电压特征集合和所述功率因数特征集合生成第二特征向量，包括：
获取所述历史电流数据与所述功率因数数据的第一特征维度以及第一权重数据，以及获取所述历史电压数据与所述功率因数数据的第二特征维度以及第二权重数据；
对所述目标电流特征集合进行归一化处理，得到多个归一化电流特征，并对所述目标电压特征集合进行归一化处理，得到多个归一化电压特征；
对所述功率因数特征集合进行归一化处理，得到多个归一化功率因数特征；
根据所述第一特征维度以及所述第一权重数据，对所述多个归一化电流特征和所述多个归一化功率因数特征进行向量转换，得到第一特征向量；
根据所述第二特征维度以及所述第二权重数据，对所述多个归一化电压特征和所述多个归一化功率因数特征进行向量映射，得到第二特征向量。
5.根据权利要求1所述的基于智能终端的用电质量分析方法，其特征在于，所述通过所述用电质量分析模型中的第一分类预测网络对所述第一特征向量进行分析，得到第一用电质量预测值，并通过所述用电质量分析模型中的第二分类预测网络对所述第二特征向量进行分析，得到第二用电质量预测值，包括：
将所述第一特征向量输入所述用电质量分析模型中的第一分类预测网络，其中，所述第一分类预测网络包括：三层卷积网络以及逻辑回归层；
通过所述三层卷积网络对所述第一特征向量进行特征提取，得到第一目标向量；
将所述第一目标向量输入所述逻辑回归层进行用电质量分析预测，得到第一用电质量预测值；
将所述第二特征向量输入所述用电质量分析模型中的第二分类预测网络，其中，所述第二分类预测网络包括：两层长短时记忆网络以及两层全连接网络；
通过所述两层长短时记忆网络对所述第二特征向量进行特征提取，得到第二目标向量；
将所述第二目标向量输入所述两层全连接网络进行用电质量分析，得到第二用电质量预测值。
6.根据权利要求1所述的基于智能终端的用电质量分析方法，其特征在于，所述通过所述融合预测层对所述第一用电质量预测值和所述第二用电质量预测值进行融合分析，得到目标用电质量分析结果，包括：
通过所述融合预测层对所述第一用电质量预测值和所述第二用电质量预测值进行加权融合，得到加权融合后的用电质量预测值；
对所述加权融合后的用电质量预测值进行用电质量分析结果匹配，得到目标用电质量分析结果。
7.一种基于智能终端的用电质量分析装置，其特征在于，所述基于智能终端的用电质量分析装置包括：
获取模块，用于通过预置的智能终端获取目标电力系统的历史电流数据和历史电压数据，并对所述历史电流数据和所述历史电压数据进行功率因数计算，得到功率因数数据；
构建模块，用于对所述历史电流数据进行特征谱图构建，得到电流特征谱图集合，并对所述历史电压数据进行特征谱图构建，得到电压特征谱图集合；
提取模块，用于对所述电流特征谱图集合进行特征提取，得到目标电流特征集合，并对所述电压特征谱图集合进行特征提取，得到目标电压特征集合，以及根据所述功率因数数据构建功率因数特征集合；具体包括：对所述电流特征谱图集合中的电流波形曲线进行特征值计算，得到对应的多个第一曲线特征值，并对所述电压特征谱图集合中的电压波形曲线进行特征值计算，得到对应的多个第二曲线特征值；获取所述历史电流数据对应的第一标准曲线并计算所述第一标准曲线对应的第一曲线标准值，以及获取所述历史电压数据对应的第二标准曲线并计算所述第二标准曲线对应的第二曲线标准值；对所述多个第一曲线特征值和所述第一曲线标准值进行数值比较，得到多个第一曲线数值比较结果，并对所述多个第一曲线数值比较结果进行筛选，得到多个第一电流特征值；对所述多个第二曲线特征值和所述第二曲线标准值进行数值比较，得到多个第二曲线数值比较结果，并对所述多个第二曲线数值比较结果进行筛选，得到多个第一电压特征值；对所述电流特征谱图集合中的电流频谱图进行谐波成分特征分析，得到多个第二电流特征值，并对所述电压特征谱图集合中的电压频谱图进行谐波成分特征分析，得到多个第二电压特征值；对所述多个第一电流特征值和所述多个第二电流特征值进行集合转换，得到目标电流特征集合，并对所述多个第一电压特征值和所述多个第二电压特征值进行集合转换，得到目标电压特征集合；将所述功率因数数据输入预置特征聚类模型，并通过所述特征聚类模型对所述功率因数数据进行聚类中心计算，得到初始正值聚类中心和初始负值聚类中心；对所述功率因数数据与所述初始正值聚类中心进行距离计算，得到多个第一特征中心距并对所述多个第一特征中心距进行平均值计算，得到对应的第一平均中心距，以及对所述功率因数数据与所述初始负值聚类中心进行距离计算，得到多个第二特征中心距并对所述多个第二特征中心距进行平均值计算，得到对应的第二平均中心距；根据所述第一平均中心距和所述第二平均中心距对所述特征聚类模型进行聚类参数调整，并确定目标正值聚类中心和目标负值聚类中心；根据所述目标正值聚类中心对所述功率因数数据进行特征聚类，得到多个第一功率因数特征值，并根据所述目标负值聚类中心对所述功率因数数据进行特征聚类，得到多个第二功率因数特征值；根据所述多个第一功率因数特征值以及所述多个第二功率因数特征值，生成功率因数特征集合；
生成模块，用于根据所述目标电流特征集合和所述功率因数特征集合生成第一特征向量，并根据所述目标电压特征集合和所述功率因数特征集合生成第二特征向量；
输入模块，用于将所述第一特征向量和所述第二特征向量输入预置的用电质量分析模型，其中，所述用电质量分析模型包括：第一分类预测网络、第二分类预测网络以及融合预测层；
分析模块，用于通过所述用电质量分析模型中的第一分类预测网络对所述第一特征向量进行分析，得到第一用电质量预测值，并通过所述用电质量分析模型中的第二分类预测网络对所述第二特征向量进行分析，得到第二用电质量预测值；
输出模块，用于通过所述融合预测层对所述第一用电质量预测值和所述第二用电质量预测值进行融合分析，得到目标用电质量分析结果。
8.一种基于智能终端的用电质量分析设备，其特征在于，所述基于智能终端的用电质量分析设备包括：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用电质量分析设备执行如权利要求1-6中任一项所述的基于智能终端的用电质量分析方法。
9.一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1-6中任一项所述的基于智能终端的用电质量分析方法。
CN202310967287.4A 2023-08-03 2023-08-03 一种基于智能终端的用电质量分析方法及装置 Active CN116681186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310967287.4A CN116681186B (zh) 2023-08-03 2023-08-03 一种基于智能终端的用电质量分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310967287.4A CN116681186B (zh) 2023-08-03 2023-08-03 一种基于智能终端的用电质量分析方法及装置

Publications (2)

Publication Number Publication Date
CN116681186A CN116681186A (zh) 2023-09-01
CN116681186B true CN116681186B (zh) 2024-01-12

Family

ID=87779559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310967287.4A Active CN116681186B (zh) 2023-08-03 2023-08-03 一种基于智能终端的用电质量分析方法及装置

Country Status (1)

Country Link
CN (1) CN116681186B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094535B (zh) * 2023-10-19 2024-01-16 深圳市能数科技有限公司 基于人工智能的能源补给管理方法及系统
CN117875235A (zh) * 2023-12-26 2024-04-12 杭州行芯科技有限公司 一种输出电流曲线的求解方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107064667A (zh) * 2017-01-11 2017-08-18 国家电网公司 一种基于改进高斯混合模型的电铁负荷电能质量评估系统
CN113449793A (zh) * 2021-06-28 2021-09-28 国网北京市电力公司 用电状态的确定方法及装置
CN115860321A (zh) * 2022-10-24 2023-03-28 国网山东省电力公司青岛供电公司 一种配电网供电可靠性评估方法、系统、电子设备及介质
CN116068396A (zh) * 2023-03-29 2023-05-05 深圳市昱森机电有限公司 基于人工智能的电机性能的测试方法及相关装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107064667A (zh) * 2017-01-11 2017-08-18 国家电网公司 一种基于改进高斯混合模型的电铁负荷电能质量评估系统
CN113449793A (zh) * 2021-06-28 2021-09-28 国网北京市电力公司 用电状态的确定方法及装置
CN115860321A (zh) * 2022-10-24 2023-03-28 国网山东省电力公司青岛供电公司 一种配电网供电可靠性评估方法、系统、电子设备及介质
CN116068396A (zh) * 2023-03-29 2023-05-05 深圳市昱森机电有限公司 基于人工智能的电机性能的测试方法及相关装置

Also Published As

Publication number Publication date
CN116681186A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN116681186B (zh) 一种基于智能终端的用电质量分析方法及装置
CN112699913A (zh) 一种台区户变关系异常诊断方法及装置
CN108073158A (zh) 基于pca和knn密度算法风电机组轴承故障诊断方法
CN116148679B (zh) 一种电池健康状态的预测方法及相关装置
CN111368904B (zh) 一种基于电力指纹的电器设备识别方法
CN117214637B (zh) 充电枪耐压测试方法、装置、设备及存储介质
CN115170000A (zh) 一种基于电能表通信模块的远程监测方法及系统
CN117554821A (zh) 基于深度学习网络的储能电池在线监测管理方法及系统
CN114720764B (zh) 一种基于电表实时监测数据的谐波分析方法及系统
CN109359665A (zh) 一种基于支持向量机的家电负荷识别方法及装置
CN114977176B (zh) 电力负荷分解方法、装置、设备及存储介质
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN118191622B (zh) 储能锂电池的状态监控方法、装置、设备及存储介质
CN111932051A (zh) 一种基于非侵入式电力终端时序监测的恶意行为检测方法
CN118244124B (zh) 一种基于多源数据融合的电池寿命极限分析方法及系统
CN116125204A (zh) 一种基于电网数字化的故障预测系统
CN117992931B (zh) 一种直流信号特征库与参比信号模型建立系统及方法
CN117614060A (zh) 一种无线充电方法
CN115617784A (zh) 一种信息化配电的数据处理系统及其处理方法
CN116796271A (zh) 一种居民用能异常识别方法
CN117691756B (zh) 配电柜的安全预警管理方法及系统
CN115169405A (zh) 基于支持向量机的酒店客房设备故障诊断方法及系统
Pau et al. Electric current classification with tiny machine learning for home appliances
CN117439146B (zh) 充电桩的数据分析控制方法及系统
CN118549823B (zh) 一种锂电池电性能测试方法及系统

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