CN117171176B - 一种基于人工智能的用电大数据自升级监管平台 - Google Patents
一种基于人工智能的用电大数据自升级监管平台 Download PDFInfo
- Publication number
- CN117171176B CN117171176B CN202311455794.6A CN202311455794A CN117171176B CN 117171176 B CN117171176 B CN 117171176B CN 202311455794 A CN202311455794 A CN 202311455794A CN 117171176 B CN117171176 B CN 117171176B
- Authority
- CN
- China
- Prior art keywords
- data
- electricity consumption
- module
- electricity
- value
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 191
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 46
- 238000005516 engineering process Methods 0.000 claims abstract description 31
- 238000013500 data storage Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000004140 cleaning Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 238000013079 data visualisation Methods 0.000 claims abstract description 10
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 62
- 239000013598 vector Substances 0.000 claims description 45
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000013135 deep learning Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 15
- 238000007667 floating Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000012502 risk assessment Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013524 data verification Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 4
- 238000012800 visualization Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于人工智能的用电大数据自升级监管平台,涉及用电数据监管技术领域,数据采集模块用于从各类用电设备和系统中采集用电相关的数据,数据清洗模块用于对接收到的数据进行格式转换、去重、校验、补全操作,以提高数据的质量和一致性,数据存储模块用于将接收到的数据按照预设的规则和结构进行存储和管理,数据分析模块用于对存储在数据存储模块中的数据进行统计分析,数据可视化模块用于对接收到的数据分析结果与数据存储模块存储的用电数据进行图形化展示,结合人工智能与大数据技术实现对用电数据的采集、清洗、分析、存储和可视化,以及对用电异常、用电风险和用电效率的智能识别、预警,从而提高用电监管的效率和水平。
Description
技术领域
本发明涉及用电数据监管技术领域,尤其涉及一种基于人工智能的用电大数据自升级监管平台。
背景技术
随着社会经济的发展和科技水平的提高,用电需求不断增加,用电行为也越来越复杂多样。为了保障用电安全、稳定、高效、节能和环保,需要对用电情况进行有效地监管。然而,传统的用电监管方式存在以下问题:(1)监管手段单一,主要依靠人工现场检查或定期报表填报,难以实现对全面、实时、动态的用电情况的掌握;(2)监管效率低下,由于用电数据量庞大、来源多样、结构复杂、质量参差等原因,难以对用电数据进行有效地管理和处理;(3)监管效果不佳,由于缺乏对用电行为深入理解和分析,难以对用电异常、风险和效率进行准确识别、及时预警和合理优化。因此,急需一种基于人工智能技术和大数据技术的新型用电监管平台及其方法,以解决上述问题。
发明内容
本发明提供了一种基于人工智能的用电大数据自升级监管平台,包括:数据采集模块、数据清洗模块、数据存储模块、数据分析模块和数据可视化模块;
数据采集模块用于从各类用电设备和系统中采集用电相关的数据,并将采集到的数据发送至数据清洗模块;
数据清洗模块用于对接收到的数据进行格式转换、去重、校验、补全操作,以提高数据的质量和一致性,并将清洗后的数据发送至数据存储模块;
数据存储模块用于将接收到的数据按照预设的规则和结构进行存储和管理,并提供数据查询和访问的接口;
数据分析模块用于对存储在数据存储模块中的数据进行统计分析,并根据分析结果生成风险评估与预警,并将分析结果发送至数据可视化模块;
数据可视化模块用于对接收到的数据分析结果与数据存储模块存储的用电数据进行图形化展示,并提供交互式操作和多维展示功能,以便用户对用电情况进行全面了解和监督。
如上所述的一种基于人工智能的用电大数据自升级监管平台,其中数据采集模块包括:数据源接入子模块,数据格式转换子模块和数据发送子模块;
数据源接入子模块,用于与各类用电设备和系统建立连接,并根据预设的采集频率和方式从各类用电设备和系统中获取原始的用电相关的数据;
数据格式转换子模块,用于将获取到的原始数据转换为统一的数据格式,并对转换后的数据进行标识和分类;
数据发送子模块,用于将转换后的数据发送至数据清洗模块。
如上所述的一种基于人工智能的用电大数据自升级监管平台,其中数据源接入子模块根据不同的接口转换器件提供了RS232、RS422、RS485、SPABUS及以太网接口;
如上所述的一种基于人工智能的用电大数据自升级监管平台,其中数据清洗模块包括:数据去重子模块,数据校验子模块,数据补全子模块和数据发送子模块;
数据去重子模块,用于对接收到的数据进行去重操作,以消除数据中的重复记录;
数据校验子模块,用于对接收到的数据进行校验操作,以检测和排除数据中的错误和异常值;
数据补全子模块,用于对接收到的数据进行补全操作,以填充数据中的缺失值和空值;
数据发送子模块,用于将清洗后的数据按照预设的发送频率和方式发送至数据存储模块。
如上所述的一种基于人工智能的用电大数据自升级监管平台,其中数据校验子模块对错误和异常值的检验通过对预定校验周期内的数据设置浮动范围并对用电数据基于浮动范围进行校验,超出范围的部分视为错误和异常值。
如上所述的一种基于人工智能的用电大数据自升级监管平台,其中对预定校验周期内的数据设置浮动范围,具体包括以下子步骤:
计算校验周期内用电数据的平均值;
低于平均值的数据计算平均值作为平均最低值;
高于平均值的数据计算平均值作为平均最高值;
平均最低值与平均最高值确定一个基础数据区域;
在基础数据区域上增加上下百分之五十的浮动区域。
如上所述的一种基于人工智能的用电大数据自升级监管平台,其中数据存储模块包括:数据库管理子模块,数据存储子模块和数据查询子模块;
数据库管理子模块,用于建立和维护用电大数据的数据库;
数据存储子模块,用于将接收到的数据按照预设的规则和结构存储在数据库中;
数据查询子模块,用于提供数据查询和访问的接口。
如上所述的一种基于人工智能的用电大数据自升级监管平台,其中数据分析模块利用深度学习人工智能技术对用电数据进行智能化处理,提取用电特征、规律和知识,实现对用电行为的深度理解和分析,具体分为以下子步骤:
利用深度学习人工智能技术对用电数据进行特征提取量;
利用大数据处理技术对用电数据进行模式识别;
利用深度学习人工智能技术对用电数据进行异常检测;
利用深度学习人工智能技术对用电数据进行风险评估。
如上所述的一种基于人工智能的用电大数据自升级监管平台,其中利用大数据处理技术对用电数据进行模式识别,具体包括以下子步骤:
将预定周期内反映用电行为的特征向量整理为数据集;
将数据集输入到用电行为分类模型中,输出用电行为类型;
根据输出结果对用电数据分类并标识。
本发明还提供一种基于人工智能的用电大数据自升级监管方法,包括:
Step1:采集各类用电设备和系统中用电相关的数据;
Step2:对采集到的用电数据进行数据清理,包括:格式转换、去重、校验、补全操作;
Step3:将清理完成的用电数据按照预设的规则和结构进行存储和管理,并提供数据查询和访问的接口;
Step4:对用电数据进行统计分析,并根据分析结果生成风险评估与预警;
Step5:对用电数据分析结果与存储的用电数据进行图形化展示,并提供交互式操作和多维展示功能。
本发明实现的有益效果如下:结合人工智能与大数据技术实现对用电数据的采集、清洗、分析、存储和可视化,以及对用电异常、用电风险和用电效率的智能识别、预警和优化,从而提高用电监管的效率和水平。
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,下面将对实施例或现有技术描述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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于人工智能的用电大数据自升级监管平台示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做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。
实施例一
如图1所示,本发明实施例一提供一种基于人工智能的用电大数据自升级监管平台,包括:数据采集模块、数据清洗模块、数据存储模块、数据分析模块和数据可视化模块。
(1)数据采集模块用于从各类用电设备和系统中采集用电相关的数据,并将采集到的数据发送至数据清洗模块;
所述的数据采集模块包括:数据源接入子模块,用于与各类用电设备和系统建立连接,并根据预设的采集频率和方式从各类用电设备和系统中获取原始的用电相关的数据;根据不同的接口转换器件提供了RS232、RS422、RS485、SPABUS及以太网接口,用于采集不同型号设备的用电数据,对于各社区物业或其它用电系统的数据,通过网络通信调用其查询接口获取用电数据,采集方式以定时任务的形式自动拉取数据,采集频率在定时任务的“触发时间”选项中设置。
数据格式转换子模块,用于将获取到的原始数据转换为统一的数据格式,并对转换后的数据进行标识和分类;数据格式的转换是将原始数据中的用电数据按照预定字段提取,通过单位换算统一用电数据的衡量单位,根据数据来源、采集时间进行标识和分类。
数据发送子模块,用于将转换后的数据发送至数据清洗模块。
(2)数据清洗模块,用于对接收到的数据进行格式转换、去重、校验、补全操作,以提高数据的质量和一致性,并将清洗后的数据发送至数据存储模块;
所述的数据清洗模块包括:数据去重子模块,用于对接收到的数据进行去重操作,以消除数据中的重复记录;首先查询出重复数据,再将每组重复数据只保留一条,其余重复数据删除,查询条件要保证可以表示数据的唯一性。
数据校验子模块,用于对接收到的数据进行校验操作,以检测和排除数据中的错误和异常值;由于断电或电路故障等异常原因形成的异常数据需要进行删除并由数据补全子模块进行数据的补全,保证数据的完整性,通过对预定校验周期内的数据设置浮动范围并对用电数据基于浮动范围进行校验,超出范围的部分视为错误和异常值,浮动范围的设置首先通过计算周期内用电数据的平均最低值与平均最高值确定一个基础数据区域,在此区域上增加上下百分之五十的浮动区域,基础数据区域加浮动区域就是浮动范围,平均最低值与平均最高值的计算步骤为:
①计算校验周期内用电数据的平均值,计算公式为:,其中/>为校验周期内第i次采集获得的用电数据实际值,n为校验周期内总采集次数;
②低于平均值的数据计算平均值作为平均最低值,计算公式为:,其中i表示校验周期内第i次采集行为,n为校验周期内总采集次数,/>为判断第i次采集获得的用电数据实际值/>是否小于平均值P的函数,/>return />,else return 0,/>为计算第i次采集获得的用电数据实际值/>小于平均值P发生次数的函数,/>;③高于平均值的数据计算平均值作为平均最高值。
数据补全子模块,用于对接收到的数据进行补全操作,以填充数据中的缺失值和空值;缺失值和空值即为用电数据中数值项为NULL或0的情况,为保证数据完整性需要对此类数据进行补全,数据的补全采用的是线性插值法。
数据发送子模块,用于将清洗后的数据按照预设的发送频率和方式发送至数据存储模块。
(3)数据存储模块,用于将接收到的数据按照预设的规则和结构进行存储和管理,并提供数据查询和访问的接口;
所述的数据存储模块包括:数据库管理子模块,用于建立和维护用电大数据的数据库,并根据预设的规则和结构对数据库进行分区、分表、索引等操作;
数据存储子模块,用于将接收到的数据按照预设的规则和结构存储在数据库中,并根据预设的策略对存储在数据库中的数据进行备份、归档、删除等操作;
数据查询子模块,用于提供数据查询和访问的接口,并根据用户的查询请求从数据库中检索和提取相应的数据,并将查询结果返回给用户。
(4)数据分析模块,用于对存储在数据存储模块中的数据进行统计分析,并根据分析结果生成风险评估与预警,并将分析结果发送至数据可视化模块;
利用深度学习人工智能技术对用电数据进行智能化处理,提取用电特征、规律和知识,实现对用电行为的深度理解和分析,具体地说,是通过以下步骤实现的:
首先,利用深度学习人工智能技术对用电数据进行特征提取,即从用电数据中抽取出能够反映用电行为的特征向量,如用电量、用电时间、用电频率、用电类型、用电设备等;
其次,利用大数据处理技术对用电数据进行模式识别,即根据用电特征向量对用电行为进行分类和标注,包括正常用电、异常用电、高风险用电、低效率用电,具体地:
将预定周期内反映用电行为的特征向量整理为数据集,其中每列数据如:/>表示不同类型的特征向量,m为特征向量的总数,每行数据如:/>表示同类型、不同采集时间下的特征向量,n为预定周期内的采集总次数;
将数据集输入到用电行为分类模型中,输出用电行为类型,用电行为分类模型为:,其中/>为输入的特征向量类型表达值,/>为输入的特征向量值,/>为/>类型特征向量的平均值,/>为判断异常用电的特征向量类型表达值,/>为异常用电行为表达值,/>为判断高风险用电的特征向量类型表达值,/>为判断高风险用电的阀值,/>为高风险用电行为表达值,为判断低效率用电的特征向量类型表达值,G为判断低效率用电的阀值,/>为低效率用电行为表达值,/>为正常用电行为表达值。
根据输出结果对用电数据分类标识并存储于数据库。
再次,利用深度学习人工智能技术对用电数据进行异常检测,即根据用电模式识别结果对非正常用电行为进行定位,具体地:
通过对不同用电模式识别结果即不同用电行为下数据深度学习,通过对比不同用电行为用电数据的特征向量,确定判断非正常用电行为的判断特征,如用电量的多少、用电时间的长短、用电频率、用电类型是否合规、用电设备是否合规等,也可以自定义设置判断特征,根据判断特征建立用电行为定位模型:,其中,/>为第i项判断特征所对应的实际特征向量值,Li~Hi为第i项判断特征的正常范围,n为判断特征的总数,/>为第i项判断特征的表达值,/>超出第i项判断特征的正常范围时,输出/>,并计算超出部分的百分比,计算公式为:/>其中/>为输入值,即超出判断特征正常范围的实际特征向量值,/>为判断高于或低于正常范围的函数,/> 。最后,利用深度学习人工智能技术对用电数据进行风险评估,即根据用电异常检测结果对异常用电行为造成的风险进行评估和预警,具体地:
根据判断特征生成风险评估和预警,如:用电行为定位模型输出结果为用电量多少的表达值时,根据超出用电量判断特征正常范围部分的百分比计算结果C,为正数或负数,可判断用电量高于正常范围还是低于正常范围,并根据超出部分的百分比评估风险,风险等级的默认划分粒度为每超出百分之三十划分一个风险等级,可进行自定义设置,结合风险评估等级与用电行为定位输出结果可生成“用电量异常,风险等级X级”的预警,预警内容为异常用电数据,并着重标识数据来源、采集时间以及超出部分的百分比计算结果C。
通过上述步骤,利用深度学习人工智能技术对用电数据进行智能化处理,提取出了有价值的用电特征、规律和知识,并实现了对用电行为的深度理解和分析,从而为提高用电监管的效率和水平提供了有效的支持和帮助
(5)数据可视化模块,用于对接收到的数据分析结果与数据存储模块存储的用电数据进行图形化展示,并提供交互式操作和多维展示功能,以便用户对用电情况进行全面了解和监督。
首先,利用可视化技术对用电数据和分析结果进行图形化展示,即将用电数据和分析结果转换为各种图形,如折线图、柱状图、饼图、散点图、地图等,以便用户直观地看到用电数据和分析结果的分布、变化、比例、关系等;
其次,利用可视化技术对用电数据和分析结果进行交互式操作,即提供各种操作功能,如放大、缩小、拖动、筛选、排序、切换等,以便根据需求和喜好对用电数据和分析结果进行调整和控制;
再次,利用可视化技术对用电数据和分析结果进行多维展示,即提供多个维度的视角,如时间维度、空间维度、类型维度、设备维度等,以便从不同的角度和层次对用电数据和分析结果进行观察和比较。
通过上述步骤,利用可视化技术对用电数据和分析结果进行直观的呈现和展示,从而为提高用电监管的效率和水平提供了有效的支持和帮助。
实施例二
本发明实施例二提供一种基于人工智能的用电大数据自升级监管方法,包括:
步骤S10:采集各类用电设备和系统中用电相关的数据;
步骤S20:对采集到的用电数据进行数据清理,包括:格式转换、去重、校验、补全操作;
步骤S30:将清理完成的用电数据按照预设的规则和结构进行存储和管理,并提供数据查询和访问的接口;
步骤S40:对用电数据进行统计分析,并根据分析结果生成风险评估与预警;
步骤S50:对用电数据分析结果与存储的用电数据进行图形化展示,并提供交互式操作和多维展示功能。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的用电大数据自升级监管平台,包括:数据采集模块、数据清洗模块、数据存储模块、数据分析模块和数据可视化模块;
数据采集模块用于从各类用电设备和系统中采集用电相关的数据,并将采集到的数据发送至数据清洗模块;
数据清洗模块用于对接收到的数据进行格式转换、去重、校验、补全操作,并将清洗后的数据发送至数据存储模块;
数据存储模块用于将接收到的数据按照预设的规则和结构进行存储和管理,并提供数据查询和访问的接口;
数据分析模块用于对存储在数据存储模块中的数据进行统计分析,根据分析结果生成风险评估与预警,并将分析结果发送至数据可视化模块;
数据可视化模块用于对接收到的数据分析结果与数据存储模块存储的用电数据进行图形化展示,并提供交互式操作和多维展示功能;
数据分析模块利用深度学习人工智能技术对用电数据进行智能化处理,提取用电特征、规律和知识,实现对用电行为的深度理解和分析,具体分为以下子步骤:
利用深度学习人工智能技术对用电数据进行特征提取;
利用大数据处理技术对用电数据进行模式识别,根据用电特征向量对用电行为进行分类和标注,包括正常用电、异常用电、高风险用电、低效率用电;具体将预定周期内反映用电行为的特征向量整理为数据集,其中每列数据表示不同类型的特征向量,m为特征向量的总数,每行数据表示同类型、不同采集时间下的特征向量,n为预定周期内的采集总次数;将数据集输入到用电行为分类模型中,输出用电行为类型,用电行为分类模型为:,其中/>为输入的特征向量类型表达值,/>为输入的特征向量值,/>为/>类型特征向量的平均值,/>为判断异常用电的特征向量类型表达值,/>为异常用电行为表达值,/>为判断高风险用电的特征向量类型表达值,/>为判断高风险用电的阀值,/>为高风险用电行为表达值,/>为判断低效率用电的特征向量类型表达值,/>为判断低效率用电的阀值,/>为低效率用电行为表达值,/>为正常用电行为表达值;
利用深度学习人工智能技术对用电数据进行异常检测;具体通过对不同用电模式识别结果即不同用电行为下数据深度学习,通过对比不同用电行为用电数据的特征向量,确定判断非正常用电行为的判断特征,根据判断特征建立用电行为定位模型:,其中,/>为第i项判断特征所对应的实际特征向量值,Li~Hi为第i项判断特征的正常范围,n为判断特征的总数,/>为第i项判断特征的表达值,/>超出第i项判断特征的正常范围时,输出/>,并计算超出部分的百分比,计算公式为:/>其中/>为输入值,即超出判断特征正常范围的实际特征向量值,/>为判断高于或低于正常范围的函数;
利用深度学习人工智能技术对用户行为定位模型输出的结果进行风险评估。
2.根据权利要求1所述的一种基于人工智能的用电大数据自升级监管平台,其特征在于,数据采集模块包括:数据源接入子模块,数据格式转换子模块和数据发送子模块;
数据源接入子模块,用于与各类用电设备和系统建立连接,并根据预设的采集频率和方式从各类用电设备和系统中获取原始的用电相关的数据;
数据格式转换子模块,用于将获取到的原始数据转换为统一的数据格式,并对转换后的数据进行标识和分类;
数据发送子模块,用于将转换后的数据发送至数据清洗模块。
3.根据权利要求2所述的一种基于人工智能的用电大数据自升级监管平台,其特征在于,数据源接入子模块根据不同的接口转换器件提供了RS232、RS422、RS485、SPABUS及以太网接口。
4.根据权利要求1所述的一种基于人工智能的用电大数据自升级监管平台,其特征在于,数据清洗模块包括:数据去重子模块,数据校验子模块,数据补全子模块和数据发送子模块;
数据去重子模块,用于对接收到的数据进行去重操作,消除数据中的重复记录;
数据校验子模块,用于对接收到的数据进行校验操作,检测和排除数据中的错误和异常值;
数据补全子模块,用于对接收到的数据进行补全操作,填充数据中的缺失值和空值;
数据发送子模块,用于将清洗后的数据按照预设的发送频率和方式发送至数据存储模块。
5.根据权利要求4所述的一种基于人工智能的用电大数据自升级监管平台,其特征在于,数据校验子模块对错误和异常值的检验通过对预定校验周期内的数据设置浮动范围并对用电数据基于浮动范围进行校验,超出范围的部分视为错误和异常值。
6.根据权利要求5所述的一种基于人工智能的用电大数据自升级监管平台,其特征在于,对预定校验周期内的数据设置浮动范围,具体包括以下子步骤:
计算校验周期内用电数据的平均值;
低于平均值的数据计算平均值作为平均最低值;
高于平均值的数据计算平均值作为平均最高值;
平均最低值与平均最高值确定一个基础数据区域;
在基础数据区域上增加上下百分之五十的浮动区域。
7.根据权利要求1所述的一种基于人工智能的用电大数据自升级监管平台,其特征在于,其中数据存储模块包括:数据库管理子模块,数据存储子模块和数据查询子模块;
数据库管理子模块,用于建立和维护用电大数据的数据库;
数据存储子模块,用于将接收到的数据按照预设的规则和结构存储在数据库中;
数据查询子模块,用于提供数据查询和访问的接口。
8.根据权利要求7所述的一种基于人工智能的用电大数据自升级监管平台,其特征在于,利用大数据处理技术对用电数据进行模式识别,具体包括以下子步骤:
将预定周期内反映用电行为的特征向量整理为数据集;
将数据集输入到用电行为分类模型中,输出用电行为类型;
根据输出结果对用电数据分类并标识。
9.一种基于人工智能的用电大数据自升级监管方法,包括:
Step1:采集各类用电设备和系统中用电相关的数据;
Step2:对采集到的用电数据进行数据清理,包括:格式转换、去重、校验、补全操作;
Step3:将清理完成的用电数据按照预设的规则和结构进行存储和管理,并提供数据查询和访问的接口;
Step4:对用电数据进行统计分析,并根据分析结果生成风险评估与预警;
Step5:对用电数据分析结果与存储的用电数据进行图形化展示,并提供交互式操作和多维展示功能;
数据分析模块利用深度学习人工智能技术对用电数据进行智能化处理,提取用电特征、规律和知识,实现对用电行为的深度理解和分析,具体分为以下子步骤:
利用深度学习人工智能技术对用电数据进行特征提取;
利用大数据处理技术对用电数据进行模式识别,根据用电特征向量对用电行为进行分类和标注,包括正常用电、异常用电、高风险用电、低效率用电;具体将预定周期内反映用电行为的特征向量整理为数据集,其中每列数据表示不同类型的特征向量,m为特征向量的总数,每行数据表示同类型、不同采集时间下的特征向量,n为预定周期内的采集总次数;将数据集输入到用电行为分类模型中,输出用电行为类型,用电行为分类模型为:,其中为输入的特征向量类型表达值,/>为输入的特征向量值,/>为/>类型特征向量的平均值,/>为判断异常用电的特征向量类型表达值,/>为异常用电行为表达值,/>为判断高风险用电的特征向量类型表达值,/>为判断高风险用电的阀值,/>为高风险用电行为表达值,/>为判断低效率用电的特征向量类型表达值,/>为判断低效率用电的阀值,/>为低效率用电行为表达值,/>为正常用电行为表达值;
利用深度学习人工智能技术对用电数据进行异常检测;具体通过对不同用电模式识别结果即不同用电行为下数据深度学习,通过对比不同用电行为用电数据的特征向量,确定判断非正常用电行为的判断特征,根据判断特征建立用电行为定位模型:,其中,/>为第i项判断特征所对应的实际特征向量值,Li~Hi为第i项判断特征的正常范围,n为判断特征的总数,/>为第i项判断特征的表达值,/>超出第i项判断特征的正常范围时,输出/>,并计算超出部分的百分比,计算公式为:/>其中/>为输入值,即超出判断特征正常范围的实际特征向量值,/>为判断高于或低于正常范围的函数;
利用深度学习人工智能技术对用电数据进行风险评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311455794.6A CN117171176B (zh) | 2023-11-03 | 2023-11-03 | 一种基于人工智能的用电大数据自升级监管平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311455794.6A CN117171176B (zh) | 2023-11-03 | 2023-11-03 | 一种基于人工智能的用电大数据自升级监管平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117171176A CN117171176A (zh) | 2023-12-05 |
CN117171176B true CN117171176B (zh) | 2024-02-02 |
Family
ID=88941742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311455794.6A Active CN117171176B (zh) | 2023-11-03 | 2023-11-03 | 一种基于人工智能的用电大数据自升级监管平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171176B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109103883A (zh) * | 2018-10-31 | 2018-12-28 | 国网上海市电力公司 | 一种配电网安全风险的评估、预警和决策方法 |
CN112152314A (zh) * | 2020-08-13 | 2020-12-29 | 国网浙江省电力有限公司 | 一种集中监控变电站风险辨识预警系统及其工作方法 |
CN113010506A (zh) * | 2021-03-11 | 2021-06-22 | 江苏省生态环境监控中心(江苏省环境信息中心) | 一种多源异构水环境大数据管理系统 |
CN115934680A (zh) * | 2022-12-23 | 2023-04-07 | 乐元素科技(北京)股份有限公司 | 一站式大数据分析处理系统 |
CN116109280A (zh) * | 2023-03-11 | 2023-05-12 | 广东德澳智慧医疗科技有限公司 | 基于智慧大数据和算法的多功能金融监测与分析平台 |
CN116860739A (zh) * | 2023-07-27 | 2023-10-10 | 上海术木医疗科技有限公司 | 一种重症医疗大数据处理系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7533798B2 (en) * | 2006-02-23 | 2009-05-19 | Rockwell Automation Technologies, Inc. | Data acquisition and processing system for risk assessment |
JP6930742B2 (ja) * | 2015-05-04 | 2021-09-01 | ハサン・シェド・カムラン | コンピュータネットワークにおけるセキュリティを管理する方法及び装置 |
-
2023
- 2023-11-03 CN CN202311455794.6A patent/CN117171176B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109103883A (zh) * | 2018-10-31 | 2018-12-28 | 国网上海市电力公司 | 一种配电网安全风险的评估、预警和决策方法 |
CN112152314A (zh) * | 2020-08-13 | 2020-12-29 | 国网浙江省电力有限公司 | 一种集中监控变电站风险辨识预警系统及其工作方法 |
CN113010506A (zh) * | 2021-03-11 | 2021-06-22 | 江苏省生态环境监控中心(江苏省环境信息中心) | 一种多源异构水环境大数据管理系统 |
CN115934680A (zh) * | 2022-12-23 | 2023-04-07 | 乐元素科技(北京)股份有限公司 | 一站式大数据分析处理系统 |
CN116109280A (zh) * | 2023-03-11 | 2023-05-12 | 广东德澳智慧医疗科技有限公司 | 基于智慧大数据和算法的多功能金融监测与分析平台 |
CN116860739A (zh) * | 2023-07-27 | 2023-10-10 | 上海术木医疗科技有限公司 | 一种重症医疗大数据处理系统及方法 |
Non-Patent Citations (1)
Title |
---|
输电线路多源异构数据处理关键技术研究综述;李黎 等;《广东电力》;第31卷(第8期);第124-133页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117171176A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543903B (zh) | 一种gis局部放电大数据系统的数据清洗方法及系统 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN111159165B (zh) | 基于云平台的电力井下低功耗边缘计算系统及其方法 | |
CN110995153B (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
CN115664038B (zh) | 一种用于电气安全管理的智能配电运维监控系统 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
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 | |
CN114997256A (zh) | 一种风电场异常功率的检测方法、设备及存储介质 | |
CN110738415A (zh) | 基于用电采集系统和离群点算法的窃电用户分析方法 | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN117171176B (zh) | 一种基于人工智能的用电大数据自升级监管平台 | |
CN117390403A (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN110956281A (zh) | 一种基于Log分析的电力设备异常检测报警系统 | |
CN114356900A (zh) | 一种电力数据异常检测方法、装置、设备及介质 | |
CN116956089A (zh) | 电器设备温度异常检测模型训练方法以及检测方法 | |
Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
CN116702045A (zh) | 基于多传感数据的供电房安全监控方法及装置 | |
CN113138875B (zh) | 一种故障检测方法、终端以及计算机存储介质 | |
CN117849700B (zh) | 可控制测量的模块化电能计量系统 | |
CN116433034B (zh) | 一种基于机器学习的虚拟电厂运行风险检测方法 | |
CN118094264A (zh) | 一种智能化电力电容器局部放电检测方法及系统 | |
CN117825864A (zh) | 一种配电网线路短路容量监控诊断方法及系统 | |
CN117807155A (zh) | 多维度预警提示信息的生成方法、设备及存储介质 |
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 |