CN117172545A - 一种风险预警方法、装置及计算机可读存储介质 - Google Patents
一种风险预警方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117172545A CN117172545A CN202311165345.8A CN202311165345A CN117172545A CN 117172545 A CN117172545 A CN 117172545A CN 202311165345 A CN202311165345 A CN 202311165345A CN 117172545 A CN117172545 A CN 117172545A
- Authority
- CN
- China
- Prior art keywords
- risk
- early warning
- power grid
- data
- environmental 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012502 risk assessment Methods 0.000 claims abstract description 64
- 230000007613 environmental effect Effects 0.000 claims abstract description 56
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000728173 Sarima Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风险预警方法、装置及计算机可读存储介质。其中,方法包括:实时采集目标电网的环境数据,所述环境数据包括所述目标电网的运行状态以及所述目标电网所处的环境的环境参数;基于所述环境数据以及已存储的历史数据构建风险评估模型,所述历史数据包括历史环境数据及对应的历史风险数据;根据所述环境数据,采用所述风险评估模型评估所述目标电网的风险,生成风险评估结果;根据所述风险评估结果,通过预设的预警规则发出对应的风险预警。本发明实现了对电网环境中的安全风险的预警,从而能够及时地对电网环境中可能出现的安全风险进行预防和及时调控,提高了电网运行的稳定性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种风险预警方法、装置、电子设备及计算机可读存储介质。
背景技术
电网主要由联结成网的送电线路、变电所、配电所和配电线路组成。随着电力发展步伐的不断加快,电网系统运行电压等级不断提高,网络规模也不断扩大,这使得电网的运行状态监测显得尤为重要。
现有的电网运行状态监测方法主要使用电网全景监视系统对电网的各种设施进行全景化监视。然而,现有的电网全景监测系统缺乏对电网环境中的安全风险的预警,导致系统及调控人员无法及时对电网环境中可能出现的安全风险进行预防和及时调控,降低了电网运行的稳定性。
发明内容
为了解决上述提出的至少一个技术问题,本发明提供一种风险预警方法、装置、电子设备及计算机可读存储介质。
第一方面,提供了一种风险预警方法,所述方法:实时采集目标电网的环境数据,所述环境数据包括所述目标电网的运行状态以及所述目标电网所处的环境的环境参数;基于所述环境数据以及已存储的历史数据构建风险评估模型,所述历史数据包括历史环境数据及对应的历史风险数据;根据所述环境数据,采用所述风险评估模型评估所述目标电网的风险,生成风险评估结果;根据所述风险评估结果,通过预设的预警规则发出对应的风险预警。
在该方面中,通过实时采集目标电网的环境数据,结合历史数据构建风险评估模型以对目标电网的风险进行评估,并基于生成的风险评估结果和预设的预警规则发出对应的风险预警,实现了对电网环境中的安全风险的预警,从而能够及时地对电网环境中可能出现的安全风险进行预防和及时调控,提高了电网运行的稳定性。
在一种可能实现的方式中,所述基于所述环境数据以及已存储的历史数据构建风险评估模型,包括:
提取所述环境数据的特征参数;
根据所述特征参数以及所述历史数据进行建模,得到所述风险评估模型。
在该种可能实现的方式中,历史数据中包含了历史环境数据及对应的历史风险数据,在提取到实时的环境数据的特征参数后,结合历史数据进行风险评估模型的构建,能够更加准确地对目标电网的风险进行评估,并且用于构建风险评估模型的数据量不断增加和完善,能够持续提升风险评估模型的风险评估能力。
在一种可能实现的方式中,所述根据所述环境数据,采用所述风险评估模型评估所述目标电网的风险,包括:
根据所述环境数据,采用所述风险评估模型评估所述目标电网发生风险的可能性以及所述风险的影响程度。
在该种可能实现的方式中,采用风险评估模型评估目标电网发生风险的可能性以及风险的影响程度,使得后续能够更加精确地针对风险评估结果提出相应应对措施建议,从而进一步提高电网运行的稳定性。
在一种可能实现的方式中,在所述根据所述环境数据,采用所述风险评估模型评估所述目标电网的风险,生成风险评估结果之后,所述风险预警方法还包括;
对所述目标电网的风险进行排序。
在该种可能实现的方式中,由于基于风险评估模型评估得到的目标电网的风险可能有多个,对各项风险进行定量化的风险排序,从而能够优先处理较为紧迫的风险,进一步提高电网运行的稳定性。
在一种可能实现的方式中,,在所述根据所述风险评估结果,通过预设的预警规则发出对应的风险预警之后,所述风险预警方法还包括:
根据所述风险预警和所述历史数据生成应对措施建议并展示。
在一种可能实现的方式中,在所述根据所述风险评估结果,通过预设的预警规则发出对应的风险预警之后,所述风险预警方法还包括:
将所述风险预警推送给预设置的目标人员。
在该种可能实现的方式中,将风险预警推送给预设置的目标人员,从而目标人员能够更加及时地获知目标电网可能出现的风险,并及时做出调控措施。
在一种可能实现的方式中,所述历史数据存储在数据库中,所述风险预警方法还包括:
将所述环境数据和所述风险评估结果存储至所述数据库中。
在一种可能实现的方式中,所述预警规则为采用规则引擎或机器学习方法预先设置的;
所述根据所述风险评估结果,通过预设的预警规则发出对应的风险预警,包括:
判断所述风险评估结果中的风险是否达到所述预警规则的条件;
若是,发出所述风险预警。
第二方面,提供了一种风险预警装置,所述装置包括:
采集模块,用于实时采集目标电网的环境数据,所述环境数据包括所述目标电网的运行状态以及所述目标电网所处的环境的环境参数;
建模模块,用于基于所述环境数据以及已存储的历史数据构建风险评估模型,所述历史数据包括历史环境数据及对应的历史风险数据;
评估模块,用于根据所述环境数据,采用所述风险评估模型评估所述目标电网的风险,生成风险评估结果;
预警模块,用于根据所述风险评估结果,通过预设的预警规则发出对应的风险预警。
第三方面,提供了一种电子设备,包括:处理器、发送装置、输入装置、输出装置和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如上述的风险预警方法。
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计算机程序,所述计算机程序包括程序指令,所述程序指令当被电子设备的处理器执行时,使所述处理器执行如上述的风险预警方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1为本申请实施例提供的一种风险预警方法的流程示意图;
图2为本申请实施例提供的一种风险预警装置的结构示意图;
图3为本申请实施例提供的一种风险预警装置的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
另外,为了更好地说明本发明,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样能够实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本发明的主旨。
现有的电网运行状态监测方法主要使用电网全景监视系统对电网的各种设施进行全景化监视。然而,现有的电网全景监测系统缺乏对电网环境中的安全风险的预警,导致系统及调控人员无法及时对电网环境中可能出现的安全风险进行预防和及时调控,降低了电网运行的稳定性。
基于此,有必有提供一种风险预警方法,通过实时采集目标电网的环境数据,结合历史数据构建风险评估模型以对目标电网的风险进行评估,并基于生成的风险评估结果和预设的预警规则发出对应的风险预警,实现了对电网环境中的安全风险的预警,从而能够及时地对电网环境中可能出现的安全风险进行预防和及时调控,提高了电网运行的稳定性。
请参阅图1,图1为本申请实施例提供的一种风险预警方法的流程示意图。
S10、实时采集目标电网的环境数据。
其中,环境数据包括目标电网的运行状态以及目标电网所处的环境的环境参数。
在一个实施例中,通过设置各类传感器和监测设备实时采集目标电网的环境数据。可以理解的是,目标电网的运行状态包括目标电网是否正常运行,以及目标电网中的设备是否正常运行;目标电网所处的环境的环境参数包括环境温湿度、烟雾浓度等数据。
S20、基于环境数据以及已存储的历史数据构建风险评估模型。
其中,历史数据包括历史环境数据及对应的历史风险数据。
具体地,利用大数据分析和人工智能技术对环境数据进行处理、分析,提取大量特征参数,并结合历史数据进行挖掘和建模,以构建风险评估模型,用于分析目标电网中可能存在的安全风险。
在一种可能实现的方式中,风险评估模型包括:
电网负荷预测模型:电网负荷预测是电网运行中的一个重要问题,准确预测负荷变化可以帮助电网运营者合理调度发电和输电设备,更好地实现电网平衡。常见的负荷预测模型包括基于统计方法的时间序列模型(如ARIMA、SARIMA模型)、基于机器学习的回归模型(如支持向量机、神经网络模型)等。
异常检测模型:电网运行中的异常情况(如电压异常、电流异常、频率异常等)可能引发电网事故和故障,因此及时发现和预警这些异常情况非常重要。基于异常检测的模型可以通过分析电网监测数据的波动和变化,识别出异常情况。常见的异常检测方法包括基于统计的控制图方法、基于机器学习的分类模型(如支持向量机、随机森林)以及基于深度学习的神经网络模型等。
故障诊断模型:电网故障是电网安全的重要威胁,能够准确诊断故障类型和故障位置,有助于快速修复和恢复电网运行。故障诊断模型可以结合电网监测数据、历史故障数据以及专家知识,通过构建故障识别模型和故障位置定位模型,实现对电网故障的诊断。常见的故障诊断方法包括基于规则的专家系统、基于模型的故障识别和定位模型、基于机器学习的分类和回归模型等。
功率流预测模型:建立功率流预测模型可以帮助电网运营者预测电网中的潮流分布情况,实现对电网输电网络的优化调度。功率流预测模型可以利用历史线路负载数据、发电机出力数据、风速数据等,通过建立有效的数学模型和计算方法,预测电网不同节点和线路的功率流分布情况。常见的功率流预测方法包括基于电网拓扑结构的潮流计算方法、基于神经网络的非线性功率流预测方法等。
在一种可能实现的方式中,基于环境数据以及已存储的历史数据构建风险评估模型,包括:
S21、提取环境数据的特征参数。
S22、根据特征参数以及历史数据进行建模,得到风险评估模型。
在该种可能实现的方式中,历史数据中包含了历史环境数据及对应的历史风险数据,在提取到实时的环境数据的特征参数后,结合历史数据进行风险评估模型的构建,能够更加准确地对目标电网的风险进行评估,并且用于构建风险评估模型的数据量不断增加和完善,能够持续提升风险评估模型的风险评估能力。
在一种可能实现的方式中,根据特征参数以及历史数据进行建模具体包括:
问题定义:明确需要评估的风险类型和范围。确定评估的目标和目的,以及要考虑的相关因素和指标。
数据收集:收集与风险评估相关的数据,包括从环境数据中提取到的特征参数以及历史数据。确保数据的准确性、完整性和可靠性。
变量选择:根据问题定义,选择合适的变量和指标来表示风险因素。这些变量可以包括定量数据和定性数据。
数据预处理:对数据进行清洗、去噪和填充缺失值等预处理步骤。此外,可能需要进行数据转换、标准化或降维等操作,以便更好地应用模型。
模型选择:选择适合问题的风险评估模型。常用的模型包括统计模型(如回归分析、时间序列分析)、机器学习模型(如决策树、支持向量机、神经网络)等。可选地,可以选择单一模型或组合多个模型。
模型训练与验证:使用历史数据对选定的模型进行训练,并使用验证数据集对模型进行验证和调优。这可以评估模型的性能和准确性,并进行必要的调整和改进。
模型监测与更新:持续监测和评估模型的性能,并及时更新模型以适应变化的风险环境和数据。这可以提高模型的可靠性和适应性。
S30、根据环境数据,采用风险评估模型评估目标电网的风险,生成风险评估结果。
具体地,采用步骤S20得到的风险评估模型对目标电网进行风险评估,根据风险评估模型的输出,生成风险评估结果。可选地,风险评估结果包括目标电网的风险等级、风险指标的值等。可以使用概率估计、分类等方法来表示风险评估结果。
在一种可能实现的方式中,根据环境数据,采用风险评估模型评估目标电网的风险,包括:
根据环境数据,采用风险评估模型评估目标电网发生风险的可能性以及风险的影响程度。
在该种可能实现的方式中,采用风险评估模型评估目标电网发生风险的可能性以及风险的影响程度,使得后续能够更加精确地针对风险评估结果提出相应应对措施建议,从而进一步提高电网运行的稳定性。
在一种可能实现的方式中,在根据环境数据,采用风险评估模型评估目标电网的风险,生成风险评估结果之后,风险预警方法还包括;
对目标电网的风险进行排序。
在该种可能实现的方式中,由于基于风险评估模型评估得到的目标电网的风险可能有多个,对各项风险进行定量化的风险排序,从而能够优先处理较为紧迫的风险,进一步提高电网运行的稳定性。
S40、根据风险评估结果,通过预设的预警规则发出对应的风险预警。
可以理解的是,风险评估结果中包括风险可能发生的概率及其影响程度。因此,本申请实施例需要针对各项风险制定预警规则,当风险达到预警规则中规定的条件时,触发对应的风险预警。
在一种可能实现的方式中,在所述根据风险评估结果,通过预设的预警规则发出对应的风险预警之后,风险预警方法还包括:
根据风险预警和历史数据生成应对措施建议并展示。
通过根据风险预警和所述历史数据生成应对措施建议并展示,指导运维人员的检修维护工作、提供紧急故障处理流程等,以便快速、准确地应对安全风险。
在一种可能实现的方式中,在所述根据风险评估结果,通过预设的预警规则发出对应的风险预警之后,风险预警方法还包括:
将所述风险预警推送给预设置的目标人员。
在该种可能实现的方式中,将风险预警推送给预设置的目标人员,从而目标人员能够更加及时地获知目标电网可能出现的风险,并及时做出调控措施。
可选地,将风险预警通过短信、邮件、APP推送等方式推送给目标人员,如电力运维人员、设备维修人员等,以便及时采取相应的应对措施。同时,系统也应提供用户反馈功能,使监测人员能够及时了解用户的处理情况。
在一种可能实现的方式中,历史数据存储在数据库中,风险预警方法还包括:
将环境数据和风险评估结果存储至数据库中。
可以理解的是,通过将环境数据和风险评估结果存储至数据库中,方便了后续进行数据分析建模以及溯源。
在一种可能实现的方式中,预警规则为采用规则引擎或机器学习方法预先设置的;
根据风险评估结果,通过预设的预警规则发出对应的风险预警,包括:
S41、判断风险评估结果中的风险是否达到预警规则的条件;
S42、若是,发出风险预警。
可选地,在一种可能实现的方式中,为了保证整个电网系统的安全可靠,需要运用网络安全、数据加密等技术手段,保护数据的机密性、完整性和可用性。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
上述详细阐述了本申请实施例的方法,下面提供了本申请实施例的装置。
第二方面,请参阅图2,图2为本申请实施例提供的一种风险预警装置的结构示意图。
提供了一种风险预警装置,所述装置包括:
采集模块100,用于获取待评估企业的初始属性信息和科创评价指标信息;其中,所述初始属性信息能够表征所述待评估企业当前的企业规模、经营状况、科研状况、承接项目状况,以及财务状况;
建模模块200,用于基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息;
评估模块300,用于基于所述科创评价指标信息和所述完整属性信息,在政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面,分别从若干预设维度计算得到各个方面的多个科创评价指标值;
预警模块400,用于基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业规模、企业项目承接能力、企业科创能力,以及企业科创潜力。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
第三方面,本申请还提供了一种处理器,所述处理器用于执行如上述任意一种可能实现的方式的方法。
第四方面,本申请还提供了一种电子设备,包括:处理器、发送装置、输入装置、输出装置和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如上述任意一种可能实现的方式的方法。
第五方面,本申请还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计算机程序,所述计算机程序包括程序指令,所述程序指令当被电子设备的处理器执行时,使所述处理器执行如上述任意一种可能实现的方式的方法。
第六方面,参见图3,图3为本申请实施例提供的一种风险预警装置的硬件结构示意图。
该自动化测试装置2包括处理器21,存储器24,输入装置22,输出装置23。该处理器21、存储器24、输入装置22和输出装置23通过连接器相耦合,该连接器包括各类接口、传输线或总线等等,本申请实施例对此不作限定。应当理解,本申请的各个实施例中,耦合是指通过特定方式的相互联系,包括直接相连或者通过其他设备间接相连,例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器(graphicsprocessingunit,GPU),在处理器21是一个GPU的情况下,该GPU可以是单核GPU,也可以是多核GPU。可选的,处理器21可以是多个GPU构成的处理器组,多个处理器之间通过一个或多个总线彼此耦合。可选的,该处理器还可以为其他类型的处理器等等,本申请实施例不作限定。
存储器24可用于存储计算机程序指令,以及用于执行本申请方案的程序代码在内的各类计算机程序代码。可选地,存储器包括但不限于是随机存储记忆体(randomaccessmemory,RAM)、只读存储器(read-onlymemory,ROM)、可擦除可编程只读存储器(erasableprogrammablereadonlymemory,EPROM)、或便携式只读存储器(compactdiscread-onlymemory,CD-ROM),该存储器用于相关指令及数据。
输入装置22用于输入数据和/或信号,以及输出装置23用于输出数据和/或信号。输出装置23和输入装置22可以是独立的器件,也可以是一个整体的器件。
可理解,本申请实施例中,存储器24不仅可用于存储相关指令,本申请实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是,图3仅仅示出了一种自动化测试装置的简化设计。在实际应用中,自动化测试装置还可以分别包含必要的其他元件,包含但不限于任意数量的输入/输出装置、处理器、存储器等,而所有可以实现本申请实施例的视频解析装置都在本申请的保护范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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。所属领域的技术人员还可以清楚地了解到,本申请各个实施例描述各有侧重,为描述的方便和简洁,相同或类似的部分在不同实施例中可能没有赘述,因此,在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriberline,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(digitalversatiledisc,DVD))、或者半导体介质(例如固态硬盘(solidstatedisk,SSD))等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:只读存储器(read-onlymemory,ROM)或随机存储存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可存储程序代码的介质。
Claims (11)
1.一种风险预警方法,其特征在于,包括如下步骤:
实时采集目标电网的环境数据,所述环境数据包括所述目标电网的运行状态以及所述目标电网所处的环境的环境参数;
基于所述环境数据以及已存储的历史数据构建风险评估模型,所述历史数据包括历史环境数据及对应的历史风险数据;
根据所述环境数据,采用所述风险评估模型评估所述目标电网的风险,生成风险评估结果;
根据所述风险评估结果,通过预设的预警规则发出对应的风险预警。
2.根据权利要求1所述的风险预警方法,其特征在于,所述基于所述环境数据以及已存储的历史数据构建风险评估模型,包括:
提取所述环境数据的特征参数;
根据所述特征参数以及所述历史数据进行建模,得到所述风险评估模型。
3.根据权利要求1所述的风险预警方法,其特征在于,所述根据所述环境数据,采用所述风险评估模型评估所述目标电网的风险,包括:
根据所述环境数据,采用所述风险评估模型评估所述目标电网发生风险的可能性以及所述风险的影响程度。
4.根据权利要求3所述的风险预警方法,其特征在于,在所述根据所述环境数据,采用所述风险评估模型评估所述目标电网的风险,生成风险评估结果之后,所述风险预警方法还包括;
对所述目标电网的风险进行排序。
5.根据权利要求1所述的风险预警方法,其特征在于,在所述根据所述风险评估结果,通过预设的预警规则发出对应的风险预警之后,所述风险预警方法还包括:
根据所述风险预警和所述历史数据生成应对措施建议并展示。
6.根据权利要求1所述的风险预警方法,其特征在于,在所述根据所述风险评估结果,通过预设的预警规则发出对应的风险预警之后,所述风险预警方法还包括:
将所述风险预警推送给预设置的目标人员。
7.根据权利要求1所述的风险预警方法,其特征在于,所述历史数据存储在数据库中,所述风险预警方法还包括:
将所述环境数据和所述风险评估结果存储至所述数据库中。
8.根据权利要求1任一项所述的风险预警方法,其特征在于,所述预警规则为采用规则引擎或机器学习方法预先设置的;
所述根据所述风险评估结果,通过预设的预警规则发出对应的风险预警,包括:
判断所述风险评估结果中的风险是否达到所述预警规则的条件;
若是,发出所述风险预警。
9.一种风险预警装置,其特征在于,包括:
采集模块,用于实时采集目标电网的环境数据,所述环境数据包括所述目标电网的运行状态以及所述目标电网所处的环境的环境参数;
建模模块,用于基于所述环境数据以及已存储的历史数据构建风险评估模型,所述历史数据包括历史环境数据及对应的历史风险数据;
评估模块,用于根据所述环境数据,采用所述风险评估模型评估所述目标电网的风险,生成风险评估结果;
预警模块,用于根据所述风险评估结果,通过预设的预警规则发出对应的风险预警。
10.一种电子设备,其特征在于,包括:处理器、发送装置、输入装置、输出装置和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如权利要求1-8任意一项所述的风险预警方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被电子设备的处理器执行时,使所述处理器执行如权利要求1-8任意一项所述的风险预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311165345.8A CN117172545A (zh) | 2023-09-08 | 2023-09-08 | 一种风险预警方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311165345.8A CN117172545A (zh) | 2023-09-08 | 2023-09-08 | 一种风险预警方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117172545A true CN117172545A (zh) | 2023-12-05 |
Family
ID=88929665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311165345.8A Pending CN117172545A (zh) | 2023-09-08 | 2023-09-08 | 一种风险预警方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172545A (zh) |
-
2023
- 2023-09-08 CN CN202311165345.8A patent/CN117172545A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
Javed et al. | State of the art and taxonomy of prognostics approaches, trends of prognostics applications and open issues towards maturity at different technology readiness levels | |
CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
CN111563606A (zh) | 一种设备预测性维护方法及装置 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
US10963797B2 (en) | System for analyzing machine data | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
KR20230030542A (ko) | 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법 | |
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 | |
WO2021064144A1 (en) | Method and system for continuous estimation and representation of risk | |
CN116480534A (zh) | 一种风电机组健康度评估和检修方法、系统、设备及介质 | |
CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
KR20190135923A (ko) | 설비 관리 방법 및 이를 실행하는 장치 | |
CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及系统 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN117172545A (zh) | 一种风险预警方法、装置及计算机可读存储介质 | |
CN114722025A (zh) | 基于预测模型的数据预测方法、装置、设备及存储介质 | |
Guilian et al. | Research and Application of Remote Intelligent Operation and Maintenance System for Digital Instrument and Control Equipment in Nuclear Power Plant | |
CN118091406B (zh) | 电机检测修复方法、装置、电子设备及存储介质 | |
CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 | |
Castro-Puma et al. | Automatic learning algorithm for troubleshooting in hydraulic machinery | |
EP4254430A1 (en) | Device and method for tracking basis of abnormal state determination by using neural network model |
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 |