CN116976682B - 一种基于模糊算法的用电信息采集系统运行状态评估方法 - Google Patents
一种基于模糊算法的用电信息采集系统运行状态评估方法 Download PDFInfo
- Publication number
- CN116976682B CN116976682B CN202311230904.9A CN202311230904A CN116976682B CN 116976682 B CN116976682 B CN 116976682B CN 202311230904 A CN202311230904 A CN 202311230904A CN 116976682 B CN116976682 B CN 116976682B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- time sequence
- consumption information
- result
- data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 70
- 230000005611 electricity Effects 0.000 title claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 39
- 238000012502 risk assessment Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims 1
- 238000000700 time series analysis Methods 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模糊算法的用电信息采集系统运行状态评估方法，包括以下步骤：S1、采集用电信息采集系统运行时的数据，并对采集的数据进行预处理；S2、对预处理后的数据进行特征提取，获取特征参数；S3、采用模糊算法对特征参数进行分析评估；S4、对分析评估结果进行时序分析，得到时序变化趋势，并对时序变化趋势进行异常检测，根据异常检测结果进行标注；S5、根据特征参数和分析评估结果进行权重分配。本发明通过采集用电信息系统的数据，并对其进行实时监控和分析，能够及时发现和预测潜在的问题或异常情况，使得用电信息采集系统便于及时采取措施，减少可能的损失和风险。
Description
技术领域
本发明涉及用电信息采集系统领域，具体来说，特别是涉及一种基于模糊算法的用电信息采集系统运行状态评估方法。
背景技术
电力用户用电信息采集系统可以通过监测电力信息采集系统的运行状态，可以及时发现系统中的故障或异常情况，帮助识别故障的位置和原因，这有助于提高系统的可靠性和可用性，并减少停电时间维修人员可以根据评估结果迅速采取行动，修复故障或更换损坏部件，并通过对运行状态评估进行性能分析数据，同时通过评估系统的运行状态，可以监测潜在的安全风险和电力漏洞，并采取相应的安全措施，而电力信息采集系统生成大量的数据，通过评估系统的运行状态，可以分析这些数据并提供有关电力系统运行的洞察力，通过这些洞察力可以用于决策支持，例如负担预测、能源同时，运行状态评估还可以检测系统中的数据错误或不一致性，确保提供准确可靠的数据用于分析和决策。
但随着能源需求的不断增长和对能源管理要求的迫切提高，用电信息采集系统作为能源管理的重要组成部分，然而现有用电信息采集系统，在对系统风险运行状态评估方法在识别异常点方面存在一定的局限性，因此需要一种基于模糊算法的用电信息采集系统运行状态评估方法来提高用电信息采集系统运行状态评估的精准性和可靠性。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
本发明的目的是：提供一种基于模糊算法的用电信息采集系统运行状态评估方法，通过采用模糊算法实现对用电信息采集系统运行状态评估精准度的效果，具备提高评估精准度的优点。
为实现上述提高评估精准度的优点，本发明采用的具体技术方案如下：
一种基于模糊算法的用电信息采集系统运行状态评估方法，包括以下步骤：
S1、采集用电信息采集系统运行时的数据，并对采集的数据进行预处理；
S2、对预处理后的数据进行特征提取，获取特征参数；
S3、采用模糊算法对特征参数进行分析评估；
S4、对分析评估结果进行时序分析，得到时序变化趋势，并对时序变化趋势进行异常检测，根据异常检测结果进行标注；
S5、根据特征参数和分析评估结果进行权重分配；
S6、依据时序变化趋势和权重分配结果对用电信息采集系统运行状态进行判断，并根据判断结果进行风险评估；
S7、根据风险评估结果对用电信息采集系统生成相应的决策进行反馈，并对采取决策后的用电信息采集系统进行实时监控，并提供用电信息采集系统的数据反馈。
作为优选方案，采用模糊算法对特征参数进行分析评估包括以下步骤：
S31、将特征参数中的特征值转换为模糊集合，并确定特征值在模糊集合中的隶属度；
S32、预设输入特征值和输出评估结果之间关系的模糊规则；
S33、根据模糊规则和输入特征值通过模糊关联矩阵进行模糊推理，生成模糊输出结果；
S34、将模糊输出结果输出转换为具体的评估结果。
作为优选方案，根据模糊规则和输入特征值通过模糊关联矩阵进行模糊推理，生成模糊输出结果包括以下步骤：
S331、根据模糊规则和输入特征值通过模糊关联矩阵计算模糊规则匹配度，并通过计算输入特征值与模糊规则匹配度进行评估模糊规则置信度；
S332、根据模糊推理方法和模糊规则置信度，对输入特征值的隶属度进行模糊逻辑运算，得到综合隶属度；
S333、将模糊规则的综合隶属度进行分析，得到模糊输出结果。
作为优选方案，根据模糊规则和输入特征值通过模糊关联矩阵计算模糊规则匹配度，并通过计算输入特征值与模糊规则匹配度进行评估模糊规则置信度包括以下步骤：
S3311、将模糊规则和输入特征值通过采用海明算法计算之间的不同位数的个数，计算公式为：
；
S3312、根据模糊规则和输入特征值通过采用海明算法计算之间的不同位数的个数计算模糊规则匹配度，计算公式为：M=（V-d）/V；
S3313、根据计算输入特征值与模糊规则匹配度计算评估模糊规则置信度，计算公式为：Q=a+(1-a）·M
其中，d为输入特征值与模糊规则之间的不同位数的个数；
ua(ut)为输入特征值对模糊规则的线性内插函数；
ub(ut)为模糊规则的隶属度；
M为模糊规则匹配度；
V为输入特征值的维度；
Q为模糊规则置信度；
a为输入特征值的加权系数；
n为模糊规则和输入特征值均包括的评价项目个数。
作为优选方案，将模糊输出结果输出转换为具体的评估结果的计算公式为：
;
其中，C为评估结果；
y(ar)为隶属度中模糊输出结果的第r个隶属值；
or为模糊输出结果的第r个输出值；
ar为模糊输出结果中的第r个隶属值。
作为优选方案，对分析评估结果进行时序分析，得到时序变化趋势，并对时序变化趋势进行异常检测，根据异常检测结果进行标注包括以下步骤：
S41、将分析评估结果按时间顺序排列分析，获取时序变化趋势；
S42、基于时序分析的结果，将时序数据序列与预设时序数据比较，并根据比较结果，标注异常数据点。
作为优选方案，将分析评估结果按时间顺序排列分析，获取时序变化趋势包括以下步骤：
S411、根据分析评估结果的时间信息，按照时间顺序进行排序；
S412、将按时间顺序排列的分析评估结果组成时序数据序列；
S413、将时序数据序列进行采用自回归移动平均模型进行时间序列分析，并根据时间序列分析结果，获取时序变化趋势。
作为优选方案，基于时序分析的结果，将时序数据序列与预设时序数据比较，并根据比较结果，标注异常数据点包括以下步骤：
S421、预设标准值，并根据预设标准值获取预设时序数据；
S422、将时序数据序列与预设时序数据进行差值比较；
S423、根据差值比较结果识别异常数据点，并对异常数据点进行标注。
作为优选方案，依据时序变化趋势和权重分配结果对用电信息采集系统运行状态进行判断，并根据判断结果进行风险评估包括以下步骤：
S61、将时序变化趋势与权重分配结果通过加权平均法对用电信息采集系统运行状态进行计算；
S62、根据用电信息采集系统运行状态的计算结果进行运行状态判断；
S63、根据用电信息采集系统的特点和运行需求定义风险评估指标；
S64、根据判断结果和风险评估指标进行映射，根据映射结果采用数据挖掘法进行风险级别评估。
作为优选方案，根据风险评估结果对用电信息采集系统生成相应的决策进行反馈，并对采取决策后的用电信息采集系统进行实时监控，并提供用电信息采集系统的数据反馈包括以下步骤：
S71、根据风险评估结果生成调整决策，并将调整决策反馈至管理系统；
S72、对采取决策后的用电信息采集系统进行实时监控，并预设运行状态参数；
S73、对实时监控参数进行分析处理，并将监控参数与预设运行参数进行比较，判断用电信息采集系统是否正常；
S74、根据实时监控参数，生成用电信息采集系统数据报告，并将用电信息采集系统数据报告反馈至管理人员。
与现有技术相比，本发明提供了一种基于模糊算法的用电信息采集系统运行状态评估方法，具备以下有益效果：
本发明通过采集用电信息系统的数据，并对其进行实时监控和分析，能够及时发现和预测潜在的问题或异常情况，使得用电信息采集系统便于及时采取措施，减少可能的损失和风险，提高用电信息采集系统运行状态评估的精准性和可靠性。
基于对采集数据的特征提取、模糊算法分析、时序分析和权重分配等处理，并分别选择最优且合适的算法进行具体数据处理和分析，准确生成相应的评估结果和风险级别，使其能够更加科学和准确地制定决策方案。
（2）本发明通过对用电信息采集系统的运行状态进行风险评估，可以及时发现潜在的问题和风险并根据评估结果，可以采取相应的调整决策，以降低风险和提高系统的可靠性和稳定性，且根据实时监控参数和系统运行状态，生成用电信息采集系统的数据报告，助于管理人员了解系统的运行情况和性能，并根据报告进行相应的改进和优化。
（3）本发明通过模糊算法对用电信息采集系统运行状态评估采集通过对采集数据的模糊化处理，可以更好地表示数据的隶属度和不确定性，从而更准确地评估系统的风险水平，且通过对采集数据的模糊化和模糊规则的定义，可以更精确地判断和识别系统中的异常情况，并及时采取相应的措施进行处理，使得风险评估更加准确通过自动化的数据处理和分析，以及决策支持和反馈机制，可以节约人力和时间成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于模糊算法的用电信息采集系统运行状态评估方法的方法流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于模糊算法的用电信息采集系统运行状态评估方法，包括以下步骤：
S1、采集用电信息采集系统运行时的数据，并对采集的数据进行预处理；
具体的，对采集的数据进行预处理包括以下步骤：对采集的数据进行清洗，包括处理缺失值、异常值、重复值等，使用插值、平滑、删除或替换等方法来处理缺失值和异常值，再将采集的数据采用Z-score归一化进行标准化处理，Z-score归一化又称标准化，是一种常用的数据归一化方法，用于将原始数据转换为具有零均值和单位方差的标准正态分布，以消除不同特征之间的量纲差异，对预处理后的数据采用相关性分析进行特征选择，选择对问题和任务最相关的特征，对数据进行对数转换、指数转换、正态化等变换，使其符合特定的要求，对数据中的噪声使用平滑、滤波等技术来降低噪声，以减少噪声对结果的影响再将预处理后的数据集采用交叉验证划分为训练集和测试集，用于模型的训练和评估。
而模糊算法是一种基于模糊逻辑的计算方法，用于处理模糊和不确定性的问题，模糊算法可以将非精确逻辑的、模糊的输入转化为相应的模糊输出，从而解决传统的二值无法处理的问题，通过将模糊算法运用在用电信息采集系统运行状态进行评估，通过模糊规则纳入评估过程中，使得使评估结果可以获取更全面的信息依据。
S2、对预处理后的数据进行特征提取，获取特征参数；
具体的，利用领域专家的知识和经验，对特征进行选择和提取，根据对用电行为和系统运行的理解，指导选取与问题相关的特征，以获取更具信息量和解释性的特征，再通过计算平均值、标准差、最大值、最小值等数据的统计指标，描述用电信息的特征获取数据的集中趋势、分散程度等方面的信息，通过小波变换等方法对用电数据进行时频域分析，提取频率域或时频域上的特征并揭示用电行为的周期性、趋势性和瞬态特征。
再利用决策树、随机森林、特征重要性等方法算法，对特征进行选择和排序，识别对目标变量具有较高影响力的特征，提高模型的准确性和解释性，如果用电数据具有时间序列的特征，可以应用自回归移动平均模型、季节性分解等，提取趋势、周期和季节性等方法，如自回归移动平均模型、季节性分解等，提取趋势、周期和季节性等特征，将多个特征使用加法、乘法、指数化等运算，或者利用多项式特征、交叉特征等方法进行组合或交互，构建更复杂的特征表示，再利用深度学习模型进行特征提取，通过在预训练模型上进行特征提取或微调，可以获取数据中更高级别的抽象特征。
S3、采用模糊算法对特征参数进行分析评估；
本申请实施例中，采用模糊算法对特征参数进行分析评估包括以下步骤：
S31、将特征参数中的特征值转换为模糊集合；
S32、预设输入特征值和输出评估结果之间关系的模糊规则；
S33、根据模糊规则和输入特征值通过模糊关联矩阵进行模糊推理，生成模糊输出结果；
S34、将模糊输出结果输出转换为具体的评估结果。
本申请实施例中，根据模糊规则和输入特征值通过模糊关联矩阵进行模糊推理，生成模糊输出结果包括以下步骤：
S331、根据模糊规则和输入特征值通过模糊关联矩阵计算模糊规则匹配度，并通过计算输入特征值与模糊规则匹配度进行评估模糊规则置信度；
S332、根据模糊推理方法和模糊规则置信度，对输入特征值的隶属度进行模糊逻辑运算，得到综合隶属度；
S333、将模糊规则的综合隶属度进行分析，得到模糊输出结果。
本申请实施例中，根据模糊规则和输入特征值通过模糊关联矩阵计算模糊规则匹配度，并通过计算输入特征值与模糊规则匹配度进行评估模糊规则置信度包括以下步骤：
S3311、将模糊规则和输入特征值通过采用海明算法计算之间的不同位数的个数，计算公式为：
；
S3312、根据模糊规则和输入特征值通过采用海明算法计算之间的不同位数的个数计算模糊规则匹配度，计算公式为：M=（V-d）/V；
S3313、根据计算输入特征值与模糊规则匹配度计算评估模糊规则置信度，计算公式为：Q=a+(1-a）·M
其中，d为输入特征值与模糊规则之间的不同位数的个数；
ua(ut)为输入特征值对模糊规则的线性内插函数；
ub(ut)为模糊规则的隶属度；
M为模糊规则匹配度；
V为输入特征值的维度；
Q为模糊规则置信度；
a为输入特征值的加权系数；
n为模糊规则和输入特征值均包括的评价项目个数。
本申请实施例中，将模糊输出结果输出转换为具体的评估结果的计算公式为：
;
其中，C为评估结果；
y(ar)为隶属度中模糊输出结果的第r个隶属值；
or为模糊输出结果的第r个输出值；
ar为模糊输出结果中的第r个隶属值。
S4、对分析评估结果进行时序分析，得到时序变化趋势，并对时序变化趋势进行异常检测，根据异常检测结果进行标注；
本申请实施例中，对分析评估结果进行时序分析，得到时序变化趋势，并对时序变化趋势进行异常检测，根据异常检测结果进行标注包括以下步骤：
S41、将分析评估结果按时间顺序排列分析，获取时序变化趋势；
S42、基于时序分析的结果，将时序数据序列与预设时序数据比较，并根据比较结果，标注异常数据点。
本申请实施例中，将分析评估结果按时间顺序排列分析，获取时序变化趋势包括以下步骤：
S411、根据分析评估结果的时间信息，按照时间顺序进行排序；
S412、将按时间顺序排列的分析评估结果组成时序数据序列；
S413、将时序数据序列进行采用自回归移动平均模型进行时间序列分析，并根据时间序列分析结果，获取时序变化趋势。
本申请实施例中，基于时序分析的结果，将时序数据序列与预设时序数据比较，并根据比较结果，标注异常数据点包括以下步骤：
S421、预设标准值，并根据预设标准值获取预设时序数据；
S422、将时序数据序列与预设时序数据进行差值比较；
S423、根据差值比较结果识别异常数据点，并对异常数据点进行标注。
S5、根据特征参数和分析评估结果进行权重分配；
具体的，根据特征参数和分析评估结果进行权重分配根据领域专家提供关于的特征和评估结果相对重要性的专业见解和经验，并通过专家的意见，可以建立权重分配的初始依据，再基于数据分析和统计方法，使用特征选择、特征重要性评估等技术来确定特征的相对重要性，使用决策树、随机森林等机器学习算法，根据特征的贡献度或影响力进行权重分配，再将权重分配问题转化为一个优化问题，通过定义目标函数和约束条件，寻找最优的权重分配方案，可以利用线性规划、进化算法等方法来求解权重分配的最优解，再使用AHP方法来确定特征或评估结果之间的相对权重，AHP可以通过构建判断矩阵和计算特征的权重向量来实现，且AHP方法又称多准则决策分析方法，用于帮助决策者在面对多个准则和多个选择方案时做出最优决策，在团队或专家小组中进行主观评估和讨论，根据成员的意见和共识来分配权重，可以采用投票、评分或权重排序等方式进行讨论和决策。
S6、依据时序变化趋势和权重分配结果对用电信息采集系统运行状态进行判断，并根据判断结果进行风险评估；
本申请实施例中，依据时序变化趋势和权重分配结果对用电信息采集系统运行状态进行判断，并根据判断结果进行风险评估包括以下步骤：
S61、将时序变化趋势与权重分配结果通过加权平均法对用电信息采集系统运行状态进行计算；
S62、根据用电信息采集系统运行状态的计算结果进行运行状态判断；
S63、根据用电信息采集系统的特点和运行需求定义风险评估指标；
S64、根据判断结果和风险评估指标进行映射，根据映射结果采用数据挖掘法进行风险级别评估。
具体的，确定风险评估的目标：明确用电信息采集系统所面临的风险类型和关注的方面，例如，可能的风险包括数据安全风险、系统故障风险、运行效率风险等，根据系统的特点和运行需求，确定需要评估的风险。
研究相关标准和指南：查阅相关行业标准、法规要求或专业指南，了解风险评估的常用指标和标准，这些标准和指南可能提供了一些通用的风险评估指标，可以作为参考。
制定系统特定的指标：根据用电信息采集系统的特点、目标和运行需求，制定适合系统的风险评估指标。这些指标应该与系统关键性能指标相关，并能够客观地反映系统运行的安全性、可靠性、稳定性等方面。
考虑权重和评估方法：对不同指标进行权重分配，以反映其相对重要性，可以利用专家知识、数据分析或层次分析等方法来确定权重，此外，还需要定义评估方法和标准，以确定不同风险级别的划分。
验证和修订：对制定的风险评估指标进行验证和修订，通过应用指标进行实际评估和分析，检验其可行性和有效性，根据评估结果和实际经验，进行必要的调整和修订，以确保指标的准确性和实用性。
S7、根据风险评估结果对用电信息采集系统生成相应的决策进行反馈，并对采取决策后的用电信息采集系统进行实时监控，并提供用电信息采集系统的数据反馈。
本申请实施例中，根据风险评估结果对用电信息采集系统生成相应的决策进行反馈，并对采取决策后的用电信息采集系统进行实时监控，并提供用电信息采集系统的数据反馈包括以下步骤：
S71、根据风险评估结果生成调整决策，并将调整决策反馈至管理系统；
S72、对采取决策后的用电信息采集系统进行实时监控，并预设运行状态参数；
S73、对实时监控参数进行分析处理，并将监控参数与预设运行参数进行比较，判断用电信息采集系统是否正常；
S74、根据实时监控参数，生成用电信息采集系统数据报告，并将用电信息采集系统数据报告反馈至管理人员。
具体的，确定用于监控用电信息采集系统的方法和技术。这可以包括传感器、监测设备、网络监控等，具体方法可以根据系统的特点和监控需求进行选择，例如实时监测系统的运行状态、数据采集情况、网络连接状况等。
明确需要监控的关键参数和指标，参数可以包括系统的性能指标、运行状态、故障报警等，根据系统的特点和关注的方面，确定需要实时监控的参数。
确定监控的频率和时间间隔，即多久进行一次监控和更新数据，取决于系统的实时性要求和监控参数的变化速度，根据实际情况来设定监控的时间间隔，以便及时检测和响应系统变化。
确定如何将监控数据反馈给管理人员或相关利益相关者，包括实时报告、数据可视化、告警通知等方式，根据用户的需求和决策支持的要求，选择合适的数据反馈方式，并确保反馈的数据清晰、准确和易于理解。
建立异常检测和告警机制，及时发现系统的异常情况并触发相应的告警，通过设置阈值、规则或使用机器学习算法来实现。在检测到异常时，及时向相关人员发送告警通知，以便采取相应的措施。
确保监控数据的有效存储和分析，使用适当的数据存储技术和工具，将监控数据进行持久化保存，以便后续的分析和回溯，应用数据分析和挖掘技术，对监控数据进行深入分析，发现潜在问题和趋势。
综上所述，借助于本发明的上述技术方案，本发明通过采集用电信息系统的数据，并对其进行实时监控和分析，能够及时发现和预测潜在的问题或异常情况，使得用电信息采集系统便于及时采取措施，减少可能的损失和风险，同时基于对采集数据的特征提取、模糊算法分析、时序分析和权重分配等处理，可以生成相应的评估结果和风险级别，使其能够更加科学和准确地制定决策方案。
此外，本发明通过对用电信息采集系统的运行状态进行风险评估，可以及时发现潜在的问题和风险并根据评估结果，可以采取相应的调整决策，以降低风险和提高系统的可靠性和稳定性，且根据实时监控参数和系统运行状态，生成用电信息采集系统的数据报告，助于管理人员了解系统的运行情况和性能，并根据报告进行相应的改进和优化。
此外，本发明通过模糊算法对用电信息采集系统运行状态评估采集通过对采集数据的模糊化处理，可以更好地表示数据的隶属度和不确定性，从而更准确地评估系统的风险水平，且通过对采集数据的模糊化和模糊规则的定义，可以更精确地判断和识别系统中的异常情况，并及时采取相应的措施进行处理，使得风险评估更加准确通过自动化的数据处理和分析，以及决策支持和反馈机制，可以节约人力和时间成本。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于模糊算法的用电信息采集系统运行状态评估方法，对其进行实时监控和分析，其特征在于，包括以下步骤：
S1、采集用电信息采集系统运行时的数据，并对采集的数据进行预处理；
S2、对预处理后的数据进行特征提取，获取特征参数；
S3、采用模糊算法对特征参数进行分析评估；具体的，其包括：S31、将特征参数中的特征值转换为模糊集合；S32、预设输入特征值和输出评估结果之间关系的模糊规则；S33、根据模糊规则和输入特征值通过模糊关联矩阵进行模糊推理，生成模糊输出结果；S34、将模糊输出结果输出转换为具体的评估结果；
其中，步骤S33包括以下步骤：
S331、根据模糊规则和输入特征值通过模糊关联矩阵计算模糊规则匹配度，并通过计算输入特征值与模糊规则匹配度进行评估模糊规则置信度；S332、根据模糊推理方法和模糊规则置信度，对输入特征值的隶属度进行模糊逻辑运算，得到综合隶属度；S333、将模糊规则的综合隶属度进行分析，得到模糊输出结果；
进一步的，步骤S331包括以下步骤：
S3311、采用海明算法计算将模糊规则和输入特征值之间的不同位数的个数，计算公式为：；
S3312、根据模糊规则和输入特征值通过上述不同位数的个数计算模糊规则匹配度，计算公式为：M=（V-d）/V；
S3313、根据计算输入特征值与模糊规则匹配度计算评估模糊规则置信度，计算公式为：Q=a+(1-a)·M；
其中，d为输入特征值与模糊规则之间的不同位数的个数；
ua(ut)为输入特征值对模糊规则的线性内插函数；
ub(ut)为模糊规则的隶属度；
M为模糊规则匹配度；
V为输入特征值的维度；
Q为模糊规则置信度；
a为输入特征值的加权系数；
n为模糊规则和输入特征值均包括的评价项目个数；
S4、对分析评估结果进行时序分析，得到时序变化趋势，并对时序变化趋势进行异常检测，根据异常检测结果进行标注；
S5、根据特征参数和分析评估结果进行权重分配；根据特征参数和分析评估结果进行权重分配，根据领域专家提供相关的特征和评估结果相对重要性的专业见解和经验，并通过专家的意见，建立权重分配的初始依据，再基于数据分析和统计方法，使用特征选择、特征重要性评估技术来确定特征的相对重要性，使用决策树、随机森林机器学习算法，根据特征的贡献度或影响力进行权重分配，再将权重分配问题转化为一个优化问题，通过定义目标函数和约束条件，寻找最优的权重分配方案，利用线性规划、进化算法方法来求解权重分配的最优解，再使用AHP方法来确定特征或评估结果之间的相对权重；
S6、依据时序变化趋势和权重分配结果对用电信息采集系统运行状态进行判断，并根据判断结果进行风险评估；具体的，其包括步骤：S61、将时序变化趋势与权重分配结果通过加权平均法对用电信息采集系统运行状态进行计算；S62、根据用电信息采集系统运行状态的计算结果进行运行状态判断；S63、根据用电信息采集系统的特点和运行需求定义风险评估指标；S64、根据判断结果和风险评估指标进行映射，根据映射结果采用数据挖掘法进行风险级别评估；
S7、根据风险评估结果对用电信息采集系统生成相应的决策进行反馈，并对采取决策后的用电信息采集系统进行实时监控，并提供用电信息采集系统的数据反馈。
2.根据权利要求1所述的一种基于模糊算法的用电信息采集系统运行状态评估方法，其特征在于，所述将模糊输出结果输出转换为具体的评估结果的计算公式为：；
其中，C为评估结果；
y(ar)为隶属度中模糊输出结果的第r个隶属值；
or为模糊输出结果的第r个输出值；
ar为模糊输出结果中的第r个隶属值。
3.根据权利要求1所述的一种基于模糊算法的用电信息采集系统运行状态评估方法，其特征在于，所述对分析评估结果进行时序分析，得到时序变化趋势，并对时序变化趋势进行异常检测，根据异常检测结果进行标注包括以下步骤：
S41、将分析评估结果按时间顺序排列分析，获取时序变化趋势；
S42、基于时序分析的结果，将时序数据序列与预设时序数据比较，并根据比较结果，标注异常数据点。
4.根据权利要求3所述的一种基于模糊算法的用电信息采集系统运行状态评估方法，其特征在于，所述将分析评估结果按时间顺序排列分析，获取时序变化趋势包括以下步骤：
S411、根据分析评估结果的时间信息，按照时间顺序进行排序；
S412、将按时间顺序排列的分析评估结果组成时序数据序列；
S413、将时序数据序列进行采用自回归移动平均模型进行时间序列分析，并根据时间序列分析结果，获取时序变化趋势。
5.根据权利要求4所述的一种基于模糊算法的用电信息采集系统运行状态评估方法，其特征在于，所述基于时序分析的结果，将时序数据序列与预设时序数据比较，并根据比较结果，标注异常数据点包括以下步骤：
S421、预设标准值，并根据预设标准值获取预设时序数据；
S422、将时序数据序列与预设时序数据进行差值比较；
S423、根据差值比较结果识别异常数据点，并对异常数据点进行标注。
6.根据权利要求1所述的一种基于模糊算法的用电信息采集系统运行状态评估方法，其特征在于，所述根据风险评估结果对用电信息采集系统生成相应的决策进行反馈，并对采取决策后的用电信息采集系统进行实时监控，并提供用电信息采集系统的数据反馈包括以下步骤：
S71、根据风险评估结果生成调整决策，并将调整决策反馈至管理系统；
S72、对采取决策后的用电信息采集系统进行实时监控，并预设运行状态参数；
S73、对实时监控参数进行分析处理，并将监控参数与预设运行参数进行比较，判断用电信息采集系统是否正常；
S74、根据实时监控参数，生成用电信息采集系统数据报告，并将用电信息采集系统数据报告反馈至管理人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311230904.9A CN116976682B (zh) | 2023-09-22 | 2023-09-22 | 一种基于模糊算法的用电信息采集系统运行状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311230904.9A CN116976682B (zh) | 2023-09-22 | 2023-09-22 | 一种基于模糊算法的用电信息采集系统运行状态评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116976682A CN116976682A (zh) | 2023-10-31 |
| CN116976682B true CN116976682B (zh) | 2023-12-26 |
Family
ID=88471683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311230904.9A Active CN116976682B (zh) | 2023-09-22 | 2023-09-22 | 一种基于模糊算法的用电信息采集系统运行状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116976682B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117499817B (zh) * | 2024-01-02 | 2024-03-19 | 龙城明琦科技(常州)有限公司 | 一种分布式电表采集系统及采集方法 |
| CN117761148A (zh) * | 2024-02-22 | 2024-03-26 | 西南石油大学 | 一种基于振动信号与漏磁信号融合的噪声消除方法 |
| CN117768246A (zh) * | 2024-02-22 | 2024-03-26 | 广东电网有限责任公司中山供电局 | 台区监控终端的控制方法和台区监控终端的控制装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392393A (zh) * | 2014-11-20 | 2015-03-04 | 三峡大学 | 一种降低电力系统安全风险方案的dematel-anp-vikor混合选择方法 |
| CN110796377A (zh) * | 2019-10-31 | 2020-02-14 | 云南电网有限责任公司信息中心 | 一种支持模糊理论的电网业务系统监控方法 |
| CN111680856A (zh) * | 2020-01-14 | 2020-09-18 | 国家电网有限公司 | 电力监控系统用户行为安全预警方法和系统 |
| CN114528934A (zh) * | 2022-02-18 | 2022-05-24 | 中国平安人寿保险股份有限公司 | 时序数据异常检测方法、装置、设备及介质 |
| CA3140345A1 (en) * | 2018-04-04 | 2022-05-24 | Schneider Electric USA, Inc. | Systems and methods for managing smart alarms |
| CN114549231A (zh) * | 2022-01-06 | 2022-05-27 | 国网山东省电力公司济南供电公司 | 一种电力用户侧用电感知及失电影响评估方法 |
| CN114971398A (zh) * | 2022-06-22 | 2022-08-30 | 国网经济技术研究院有限公司 | 基于多层级模糊技术的外送新能源消纳受阻程度评估方法 |
| CN115081811A (zh) * | 2022-05-20 | 2022-09-20 | 国网安徽省电力有限公司 | 基于半监督md算法的继电保护系统风险评估方法及系统 |
| CN115719177A (zh) * | 2022-11-18 | 2023-02-28 | 国网福建省电力有限公司龙岩供电公司 | 一种考虑时序的区域电能质量综合评估方法 |
| CN115860212A (zh) * | 2022-11-29 | 2023-03-28 | 国网福建省电力有限公司经济技术研究院 | 一种配电网的风险预测方法与终端 |
| CN115983507A (zh) * | 2023-03-20 | 2023-04-18 | 华中科技大学 | 送端源电网断面宽频振荡风险预测方法及系统 |
| CN116167527A (zh) * | 2023-04-21 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 纯数据驱动的电力系统静态安全运行风险在线评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030225651A1 (en) * | 2002-05-21 | 2003-12-04 | Yu-To Chen | System and method for fulfillment value at risk scoring |
| CN106444703B (zh) * | 2016-09-20 | 2018-12-07 | 西南石油大学 | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 |
-
2023
- 2023-09-22 CN CN202311230904.9A patent/CN116976682B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392393A (zh) * | 2014-11-20 | 2015-03-04 | 三峡大学 | 一种降低电力系统安全风险方案的dematel-anp-vikor混合选择方法 |
| CA3140345A1 (en) * | 2018-04-04 | 2022-05-24 | Schneider Electric USA, Inc. | Systems and methods for managing smart alarms |
| CN110796377A (zh) * | 2019-10-31 | 2020-02-14 | 云南电网有限责任公司信息中心 | 一种支持模糊理论的电网业务系统监控方法 |
| CN111680856A (zh) * | 2020-01-14 | 2020-09-18 | 国家电网有限公司 | 电力监控系统用户行为安全预警方法和系统 |
| CN114549231A (zh) * | 2022-01-06 | 2022-05-27 | 国网山东省电力公司济南供电公司 | 一种电力用户侧用电感知及失电影响评估方法 |
| CN114528934A (zh) * | 2022-02-18 | 2022-05-24 | 中国平安人寿保险股份有限公司 | 时序数据异常检测方法、装置、设备及介质 |
| CN115081811A (zh) * | 2022-05-20 | 2022-09-20 | 国网安徽省电力有限公司 | 基于半监督md算法的继电保护系统风险评估方法及系统 |
| CN114971398A (zh) * | 2022-06-22 | 2022-08-30 | 国网经济技术研究院有限公司 | 基于多层级模糊技术的外送新能源消纳受阻程度评估方法 |
| CN115719177A (zh) * | 2022-11-18 | 2023-02-28 | 国网福建省电力有限公司龙岩供电公司 | 一种考虑时序的区域电能质量综合评估方法 |
| CN115860212A (zh) * | 2022-11-29 | 2023-03-28 | 国网福建省电力有限公司经济技术研究院 | 一种配电网的风险预测方法与终端 |
| CN115983507A (zh) * | 2023-03-20 | 2023-04-18 | 华中科技大学 | 送端源电网断面宽频振荡风险预测方法及系统 |
| CN116167527A (zh) * | 2023-04-21 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 纯数据驱动的电力系统静态安全运行风险在线评估方法 |
Non-Patent Citations (5)
| Title |
|---|
| ARIMA Models in Electrical Load Forecasting and Their Robustness to Noise;Ewa Chodakowska et al.;Energies;1-22 * |
| Measurement of Fuzzy Membership Functions in Construction Risk Assessment;L. D. Nguyen and D. Q. Tran,;Journal of Construction Engineering and Management;1-13 * |
| 基于云理论及熵权法的变压器潜在故障风险评估方法;熊卫红;张宏志;谢志成;韩雄辉;李正天;林湘宁;;电力自动化设备(08);132-137，153 * |
| 基于模糊物元分析的变桨系统状态评估方法;张磊;朱希盼;张琨;车璐;;中南民族大学学报(自然科学版)(04);92-98 * |
| 基于负荷时序模型的变压器状态预警方法;王红斌;杜双育;戴建卓;任明;董明;;高压电器(08);210-216 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116976682A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116976682B (zh) | 一种基于模糊算法的用电信息采集系统运行状态评估方法 | |
| KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
| Zhang et al. | Time series anomaly detection for smart grids: A survey | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
| CN112859822A (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 | |
| WO2018170028A1 (en) | Automated decision making using staged machine learning | |
| CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
| KR20230030542A (ko) | 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법 | |
| CN116361059B (zh) | 一种银行业务异常根因诊断方法及诊断系统 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| JP2003044123A (ja) | プラント診断装置 | |
| CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
| CN111953531B (zh) | 网络故障分析方法及装置 | |
| TWI662809B (zh) | 影像串流服務的障礙定位系統及維運方法 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| CN116881661A (zh) | 一种基于低压电力电容器的性能自动化分析方法及系统 | |
| CN116956702A (zh) | 一种用电安全预警方法、介质及系统 | |
| Urmeneta et al. | A methodology for performance assessment at system level—Identification of operating regimes and anomaly detection in wind turbines | |
| CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
| CN114358160A (zh) | 一种电力系统中的数据异常检测方法 | |
| CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
| CN114626433A (zh) | 一种智能电能表故障预测并分类方法、装置及系统 | |
| CN114240102A (zh) | 一种线损异常数据识别方法、装置、电子设备及存储介质 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 |
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 |