CN117540319A - 供电可靠性指标数据异常检测方法、系统、介质及终端 - Google Patents
供电可靠性指标数据异常检测方法、系统、介质及终端 Download PDFInfo
- Publication number
- CN117540319A CN117540319A CN202311579869.1A CN202311579869A CN117540319A CN 117540319 A CN117540319 A CN 117540319A CN 202311579869 A CN202311579869 A CN 202311579869A CN 117540319 A CN117540319 A CN 117540319A
- Authority
- CN
- China
- Prior art keywords
- average
- power failure
- outage
- prediction model
- system average
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 40
- 230000005856 abnormality Effects 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明实施例公开了一种供电可靠性指标数据异常检测方法、系统、介质及终端,方法包括:根据历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间的实际值;根据所述历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值、先验知识以及机器学习算法构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型;根据所述最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型获取系统平均停电时间预测值;通过所述系统平均停电时间预测值进行供电可靠性指标数据检测,确定异常指标数据,节省人工成本,提高了供电可靠性指标数据检测效率和精确度。
Description
技术领域
本发明涉及配电网可靠性指标评估技术领域,尤其涉及一种供电可靠性指标数据异常检测方法、系统、介质及终端。
背景技术
随着经济社会的发展,电力行业在国民经济中的地位越来越重要,用户对电力系统的可靠性以及供电质量的要求也在不断提高。供电可靠性指标作为反映电力企业管理水平和电力系统安全运行状况,以及电力工业对国民经济用电需求满足程度的基础性指标,在电网规划设计、设备运行和和检修维护、营销服务等方面的指导作用日益显著。
供电可靠性指标中异常数据的存在可能对供电可靠性目标的过程管理造成误导,因此需要监测分析供电可靠性指标状况,及时发现异常指标,并尽快采取措施保证指标可控在控。
现有技术中,供电可靠性指标的异常查找工作均由人工进行,致使供电可靠性管理工程技术人员工作量大,且随着数据规模的不断增大和业务的多样化,人工查找难以适应未来的业务需求;并且,多维供电可靠性指标之间存在一定的关联,而人工校核效率较低,无法及时发现异常指标特别是落后指标,导致管控的滞后。
发明内容
基于此,有必要针对上述问题,提出了一种供电可靠性指标数据异常检测方法、系统、介质及终端。
一种供电可靠性指标数据异常检测方法,所述方法包括:
根据历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间的实际值。
根据所述历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值、先验知识以及机器学习算法构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
根据所述最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型获取系统平均停电时间预测值。
通过所述系统平均停电时间预测值进行供电可靠性指标数据检测,确定异常指标数据。
其中,所述根据历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间的实际值,具体包括:
根据所述历史运行数据中每次预安排停电持续时间数据、每次预安排停电用户数据和总用户数据确定所述系统平均预安排停电时间实际值。
根据所述历史运行数据中每次故障停电持续时间数据、每次故障停电用户数据和所述总用户数据确定所述系统平均故障停电时间实际值。
其中,所述根据所述历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值、先验知识以及机器学习算法构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,具体包括:
根据所述历史运行数据和先验知识确定所述系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数。
利用所述系统平均预安排停电时间和系统平均故障停电时间的实际值及其对应的特征参数确定原始样本数据,并将所述原始样本数据随机划分为训练样本和测试样本。
对所述系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数进行预处理。
根据所述训练样本以及所述预处理后的系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数,通过交叉验证对所述机器学习算法的超参数进行优化,确定系统平均预安排停电时间和系统平均故障停电时间预测模型的最优超参数。
根据所述最优超参数确定系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
基于所述测试样本以及系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,通过均方根误差、均方误差和决定系数评价指标确定最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
其中,所述根据所述历史运行数据和先验知识确定所述系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数,具体包括:
根据所述历史运行数据中每次预安排停电用户数据和总用户数据确定所述先验知识中的系统平均预安排停电频率。
根据所述历史运行数据中每次预安排停电时间数据和预安排停电次数确定所述先验知识中的预安排停电平均持续时间。
根据所述历史运行数据中每次预安排停电用户数据和预安排停电次数确定所述先验知识中的预安排停电平均用户数。
选取所述系统平均预安排停电频率、预安排停电平均持续时间和预安排停电平均用户数作为所述系统平均预安排停电时间预测模型的特征参数。
根据所述历史运行数据中每次故障停电用户数据和总用户数据确定所述先验知识中的系统平均故障停电频率。
根据所述历史运行数据中每次故障停电时间数据和故障停电次数确定所述先验知识中的故障停电平均持续时间。
根据所述历史运行数据中每次故障停电用户数据和故障停电次数确定所述先验知识中的故障停电平均用户数。
选取所述系统平均故障停电频率、故障停电平均持续时间和故障停电平均用户数作为所述系统平均故障停电时间预测模型的特征参数。
其中,所述对所述系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数进行预处理,具体包括:
根据对所述系统平均预安排停电时间和系统平均故障停电时间预测模型的特征参数进行预处理。其中,xscale为特征参数归一化后的值,x为特征参数的属性值,/>为特征参数的均值,xmax为特征参数的最大值,xmin为特征参数的最小值。
其中,所述基于所述测试样本以及系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,通过均方根误差、均方误差和决定系数评价指标确定最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,具体包括:
根据确定所述均方根误差评价指标。
根据确定所述均方误差评价指标。
根据确定所述决定系数评价指标。
其中,n为测试样本数,yi为第i个测试样本的系统平均预安排停电时间或系统平均故障停电时间实际值,为第i个测试样本的系统平均预安排停电时间或系统平均故障停电时间预测值,/>为所有测试样本系统平均预安排停电时间或系统平均故障停电时间实际值的均值。
其中,所述根据所述最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型获取系统平均停电时间预测值,具体包括:
根据所述最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型确定系统平均预安排停电时间预测值和系统平均故障停电时间预测值;
根据所述系统平均预安排停电时间预测值和系统平均故障停电时间预测值的总和确定所述系统平均停电时间预测值。
其中,所述通过所述系统平均停电时间预测值进行供电可靠性指标数据检测,确定异常指标数据,具体包括:
确定所述系统平均停电时间预测值的测试误差与系统平均停电时间异常检测阈值的比较情况。
若所述测试误差大于所述系统平均停电时间异常检测阈值,则待检测的系统平均停电时间为异常指标数据。
若所述测试误差小于等于所述系统平均停电时间异常检测阈值,则待检测的系统平均停电时间为正常指标数据。
一种供电可靠性指标数据异常检测系统,所述系统包括:
供电可靠性指标确定模块,用于根据历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间实际值。
最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型确定模块,用于根据所述历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值、先验知识以及机器学习算法构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
系统平均停电时间预测值获取模块,用于根据所述最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型获取系统平均停电时间预测值。
供电可靠性指标数据异常检测模块,用于通过所述系统平均停电时间预测值进行供电可靠性指标数据检测,确定异常指标数据。
一种介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上所述方法的步骤。
一种终端,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上所述方法的步骤。
采用本发明实施例,具有如下有益效果:
本发明通过历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间的实际值,根据历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值、先验知识以及机器学习算法构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,进而得到供电可靠性指标数据异常检测模型。通过该模型进行供电可靠性指标数据检测,确定异常指标数据,降低了供电可靠性数据管理技术人员的工作量,节省了人工成本,提高了供电可靠性指标数据检测的效率;并可及时发现异常指标特别是落后指标,实现供电可靠性指标的及时管控。
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。
其中:
图1是本发明提供的供电可靠性指标数据异常检测方法一实施例的流程示意图;
图2是本发明提供的供电可靠性指标数据异常检测方法一实施例的流程示意图;
图3是本发明提供的供电可靠性指标数据异常检测系统一实施例的结构示意图;
图4是本发明提供的终端的一实施例的结构示意图;
图5是本发明提供的介质的一实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。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。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
如图1所示,图1是本发明提供的一种供电可靠性指标数据异常检测方法一实施例的流程示意图。一种供电可靠性指标数据异常检测方法,方法包括:
S101:根据历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间的实际值。
在一个实施场景中,历史运行数据包括中压运行事件数据、停电馈线数据、停电用户数据。具体地,根据历史运行数据中每次预安排停电时间数据、每次预安排停电用户数据和总用户数据确定系统平均预安排停电时间的实际值,如下公式所示:
根据历史运行数据中每次故障停电时间数据、每次故障停电用户数据和总用户数据确定系统平均故障停电时间的实际值,如下公式所示:
S102:根据历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值、先验知识以及机器学习算法构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
在一个具体的实施场景中,根据历史运行数据和先验知识确定系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数。
优选地,根据历史运行数据中每次预安排停电用户数据和总用户数据确定先验知识中的系统平均预安排停电频率,如下公式所示:
根据历史运行数据中每次预安排停电时间数据和预安排停电次数确定先验知识中的预安排停电平均持续时间,如下公式所示:
根据历史运行数据中每次预安排停电用户数据和预安排停电次数确定先验知识中的预安排停电平均用户数,如下公式所示:
选取所述系统平均预安排停电频率、预安排停电平均持续时间和预安排停电平均用户数作为所述系统平均预安排停电时间预测模型的特征参数。
进一步地,根据历史运行数据中每次故障停电用户数据和总用户数据确定先验知识中的系统平均故障停电频率,如下公式所示:
根据历史运行数据中每次故障停电时间数据和故障停电次数确定先验知识中的故障停电平均持续时间,如下公式所示:
根据历史运行数据中每次故障停电用户数据和故障停电次数确定先验知识中的故障停电平均用户数,如下公式所示:
选取系统平均故障停电频率、故障停电平均持续时间和故障停电平均用户数作为系统平均故障停电时间预测模型的特征参数。
进一步地,利用系统平均预安排停电时间和系统平均故障停电时间的实际值及其对应的特征参数确定原始样本数据,并将原始样本数据随机划分为训练样本和测试样本。优选地,通过随机取样的方式进行数据集划分,具体划分比例为:训练样本数量:测试样本数量=7:3。
进一步地,对系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数进行预处理,如下公式所示:
其中,xscale为特征参数归一化后的值,x为特征参数的属性值,为特征参数的均值,xmax为特征参数的最大值,xmin为特征参数的最小值。
进一步地,根据训练样本以及预处理后的系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数,通过交叉验证对机器学习算法的超参数进行优化,确定系统平均预安排停电时间和系统平均故障停电时间预测模型的最优超参数。
优选地,可以采用交叉验证结合网格搜索/随机搜索/贝叶斯优化对机器学习算法的超参数进行优化。
根据最优超参数确定系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
基于所述测试样本以及系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,通过均方根误差、均方误差和决定系数评价指标确定最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
优选地,均方根误差评价指标根据如下公式确定:
均方误差评价指标根据如下公式确定:
决定系数评价指标根据如下公式确定:
其中,n为测试样本数,yi为第i个测试样本的系统平均预安排停电时间或系统平均故障停电时间实际值,为第i个测试样本的系统平均预安排停电时间或系统平均故障停电时间预测值,/>为所有测试样本系统平均预安排停电时间或系统平均故障停电时间实际值的均值。
S103:根据最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型获取系统平均停电时间预测值。
在一个具体的实施场景中,根据最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型确定系统平均预安排停电时间预测值和系统平均故障停电时间预测值,根据系统平均预安排停电时间预测值和系统平均故障停电时间预测值的总和确定系统平均停电时间预测值。
S104:通过系统平均停电时间预测值进行供电可靠性指标数据检测,确定异常指标数据。
在一个具体的实施场景中,确定系统平均停电时间预测值的测试误差与系统平均停电时间异常检测阈值的比较情况。若测试误差大于系统平均停电时间异常检测阈值,则待检测的系统平均停电时间为异常指标数据;若测试误差小于等于系统平均停电时间异常检测阈值,则待检测的系统平均停电时间为正常指标数据。
需要说明的是,系统平均停电时间的异常检测阈值可以根据模型训练误差或经验进行设定。
通过上述描述可知,本发明通过历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间的实际值,根据历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值和先验知识以及机器学习算法来构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,进而得到供电可靠性指标数据异常检测模型。通过该模型进行供电可靠性指标数据检测,确定异常指标数据,降低了供电可靠性数据管理技术人员的工作量,节省了人工成本,提高了供电可靠性指标数据检测的效率;并可及时发现异常指标特别是落后指标,实现供电可靠性指标的及时管控。
如图2所示,图2是本发明提供的一种供电可靠性指标数据异常检测方法一实施例的流程示意图。一种供电可靠性指标数据异常检测方法,方法包括:
S201:根据历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间的实际值。
在一个具体的实施场景中,根据历史运行数据中每次预安排停电时间数据、每次预安排停电用户数据和总用户数据确定系统平均预安排停电时间实际值。根据历史运行数据中每次故障停电时间数据、每次故障停电用户数据和总用户数据确定系统平均故障停电时间实际值。
S202:根据历史运行数据和先验知识确定系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数。
在一个具体的实施场景中,根据历史运行数据中每次预安排停电用户数据和总用户数据确定先验知识中的系统平均预安排停电频率;根据历史运行数据中每次预安排停电时间数据和预安排停电次数确定先验知识中的预安排停电平均持续时间;根据历史运行数据中每次预安排停电用户数据和预安排停电次数确定先验知识中的预安排停电平均用户数;选取系统平均预安排停电频率、预安排停电平均持续时间和预安排停电平均用户数作为系统平均预安排停电时间预测模型的特征参数。
进一步地,根据历史运行数据中每次故障停电用户数据和总用户数据确定先验知识中的系统平均故障停电频率;根据历史运行数据中每次故障停电时间数据和故障停电次数确定先验知识中的故障停电平均持续时间;根据历史运行数据中每次故障停电用户数据和故障停电次数确定先验知识中的故障停电平均用户数;选取系统平均故障停电频率、故障停电平均持续时间和故障停电平均用户数作为系统平均故障停电时间预测模型的特征参数。
S203:利用系统平均预安排停电时间和系统平均故障停电时间的实际值及其对应的特征参数确定原始样本数据,并将原始样本数据随机划分为训练样本和测试样本。
S204:对系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数进行预处理。
优选地,对系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数进行预处理,如下公式所示:
其中,xscale为特征参数归一化后的值,x为特征参数的属性值,为特征参数的均值,xmax为特征参数的最大值,xmin为特征参数的最小值。
S205:根据训练样本以及预处理后的系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数,通过交叉验证对机器学习算法的超参数进行优化,确定系统平均预安排停电时间和系统平均故障停电时间预测模型的最优超参数。
S206:根据最优超参数确定系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
S207:基于测试样本以及系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,通过均方根误差、均方误差和决定系数评价指标确定最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
S208:根据最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型确定系统平均预安排停电时间预测值和系统平均故障停电时间预测值。
S209:根据系统平均预安排停电时间预测值和系统平均故障停电时间预测值的总和确定系统平均停电时间预测值。
S210:确定系统平均停电时间预测值的测试误差与系统平均停电时间异常检测阈值的比较情况。
S211:若测试误差大于系统平均停电时间异常检测阈值,则待检测的系统平均停电时间为异常指标数据。
S212:若测试误差小于等于系统平均停电时间异常检测阈值,则待检测的系统平均停电时间为正常指标数据。
需要说明的是,步骤S205-S212在图1所示的实施场景中已做详细论述,在此不再赘述。
如图3所示,图3是本发明提供的供电可靠性指标数据异常检测系统一实施例的结构示意图。一种供电可靠性指标数据异常检测系统10,系统10包括:
供电可靠性指标确定模块11,用于根据历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间实际值;
最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型确定模块12,用于根据历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值、先验知识以及机器学习算法构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
系统平均停电时间预测值获取模块13,用于根据最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型获取系统平均停电时间预测值;
供电可靠性指标数据异常检测模块14,用于通过系统平均停电时间预测值进行供电可靠性指标数据检测,确定异常指标数据。
在一个具体的实施场景中,在供电可靠性指标确定模块11中,根据历史运行数据中每次预安排停电持续时间数据、每次预安排停电用户数据和总用户数据确定系统平均预安排停电时间实际值;根据历史运行数据中每次故障停电持续时间数据、每次故障停电用户数据和总用户数据确定系统平均故障停电时间实际值。
进一步地,在最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型确定模块12中,根据历史运行数据和先验知识确定系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数;利用系统平均预安排停电时间和系统平均故障停电时间的实际值及其对应的特征参数确定原始样本数据,并将原始样本数据随机划分为训练样本和测试样本;对系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数进行预处理;根据训练样本以及预处理后的系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数,通过交叉验证对机器学习算法的超参数进行优化,确定系统平均预安排停电时间和系统平均故障停电时间预测模型的最优超参数;根据最优超参数确定系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型;基于测试样本以及系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,通过均方根误差、均方误差和决定系数评价指标确定最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
进一步地,在系统平均停电时间预测值获取模块13中,根据最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型确定系统平均预安排停电时间预测值和系统平均故障停电时间预测值;根据系统平均预安排停电时间预测值和系统平均故障停电时间预测值的总和确定系统平均停电时间预测值。
最终,在供电可靠性指标数据异常检测模块14中,确定系统平均停电时间预测值的测试误差与系统平均停电时间异常检测阈值的比较情况;若测试误差大于系统平均停电时间异常检测阈值,则待检测的系统平均停电时间为异常指标数据;若测试误差小于等于系统平均停电时间异常检测阈值,则待检测的系统平均停电时间为正常指标数据。
如图4所示,图4是本发明提供的终端的一实施例的结构示意图。终端20包括存储器21和处理器22。存储器21存储有计算机程序,处理器22在工作时执行该计算机程序以实现如图1和图2所示的方法。
关于上述终端20执行计算机程序时实现的一种供电可靠性指标数据异常检测方法的具体技术细节已在上述方法步骤中详细论述,故此不做赘述。
如图5所示,图5是本发明提供的介质的一实施例的结构示意图。介质30中存储至少由一个计算机程序31,计算机程序31被处理器22执行以实现如图1和图2所示的方法,详细的方法可参见上述,在此不再赘述。在一个实施例中,介质30可以是存储芯片、硬盘或者移动硬盘或者优盘、光盘等其他可读写存储的工具,还可以是服务器等等。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机可读介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读介质与方法是对应的,因此,装置、设备、非易失性计算机介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机介质的有益技术效果。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (11)
1.一种供电可靠性指标数据异常检测方法,其特征在于,所述方法包括:
根据历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间的实际值;
根据所述历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值、先验知识以及机器学习算法构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型;
根据所述最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型获取系统平均停电时间预测值;
通过所述系统平均停电时间预测值进行供电可靠性指标数据检测,确定异常指标数据。
2.根据权利要求1所述的供电可靠性指标数据异常检测方法,其特征在于,所述根据历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间的实际值,具体包括:
根据所述历史运行数据中每次预安排停电持续时间数据、每次预安排停电用户数据和总用户数据确定所述系统平均预安排停电时间实际值;
根据所述历史运行数据中每次故障停电持续时间数据、每次故障停电用户数据和所述总用户数据确定所述系统平均故障停电时间实际值。
3.根据权利要求2所述的供电可靠性指标数据异常检测方法,其特征在于,所述根据所述历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值、先验知识以及机器学习算法构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,具体包括:
根据所述历史运行数据和先验知识确定所述系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数;
利用所述系统平均预安排停电时间和系统平均故障停电时间的实际值及其对应的特征参数确定原始样本数据,并将所述原始样本数据随机划分为训练样本和测试样本;
对所述系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数进行预处理;
根据所述训练样本以及所述预处理后的系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数,通过交叉验证对所述机器学习算法的超参数进行优化,确定系统平均预安排停电时间和系统平均故障停电时间预测模型的最优超参数;
根据所述最优超参数确定系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型;
基于所述测试样本以及系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,通过均方根误差、均方误差和决定系数评价指标确定最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型。
4.根据权利要求3所述的供电可靠性指标数据异常检测方法,其特征在于,所述根据所述历史运行数据和先验知识确定所述系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数,具体包括:
根据所述历史运行数据中每次预安排停电用户数据和总用户数据确定所述先验知识中的系统平均预安排停电频率;
根据所述历史运行数据中每次预安排停电时间数据和预安排停电次数确定所述先验知识中的预安排停电平均持续时间;
根据所述历史运行数据中每次预安排停电用户数据和预安排停电次数确定所述先验知识中的预安排停电平均用户数;
选取所述系统平均预安排停电频率、预安排停电平均持续时间和预安排停电平均用户数作为所述系统平均预安排停电时间预测模型的特征参数;
根据所述历史运行数据中每次故障停电用户数据和总用户数据确定所述先验知识中的系统平均故障停电频率;
根据所述历史运行数据中每次故障停电时间数据和故障停电次数确定所述先验知识中的故障停电平均持续时间;
根据所述历史运行数据中每次故障停电用户数据和故障停电次数确定所述先验知识中的故障停电平均用户数;
选取所述系统平均故障停电频率、故障停电平均持续时间和故障停电平均用户数作为所述系统平均故障停电时间预测模型的特征参数。
5.根据权利要求4所述的供电可靠性指标数据异常检测方法,其特征在于,所述对所述系统平均预安排停电时间预测模型的特征参数和系统平均故障停电时间预测模型的特征参数进行预处理,具体包括:
根据对所述系统平均预安排停电时间和系统平均故障停电时间预测模型的特征参数进行预处理。其中,xscale为特征参数归一化后的值,x为特征参数的属性值,为特征参数的均值,xmax为特征参数的最大值,xmin为特征参数的最小值。
6.根据权利要求5所述的供电可靠性指标数据异常检测方法,其特征在于,所述基于所述测试样本以及系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,通过均方根误差、均方误差和决定系数评价指标确定最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型,具体包括:
根据确定所述均方根误差评价指标;
根据确定所述均方误差评价指标;
根据确定所述决定系数评价指标;
其中,n为测试样本数,yi为第i个测试样本的系统平均预安排停电时间或系统平均故障停电时间实际值,为第i个测试样本的系统平均预安排停电时间或系统平均故障停电时间预测值,/>为所有测试样本系统平均预安排停电时间或系统平均故障停电时间实际值的均值。
7.根据权利要求6所述的供电可靠性指标数据异常检测方法,其特征在于,所述根据所述最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型获取系统平均停电时间预测值,具体包括:
根据所述最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型确定系统平均预安排停电时间预测值和系统平均故障停电时间预测值;
根据所述系统平均预安排停电时间预测值和系统平均故障停电时间预测值的总和确定所述系统平均停电时间预测值。
8.根据权利要求7所述的供电可靠性指标数据异常检测方法,其特征在于,所述通过所述系统平均停电时间预测值进行供电可靠性指标数据检测,确定异常指标数据,具体包括:
确定所述系统平均停电时间预测值的测试误差与系统平均停电时间异常检测阈值的比较情况;
若所述测试误差大于所述系统平均停电时间异常检测阈值,则待检测的系统平均停电时间为异常指标数据;
若所述测试误差小于等于所述系统平均停电时间异常检测阈值,则待检测的系统平均停电时间为正常指标数据。
9.一种供电可靠性指标数据异常检测系统,其特征在于,所述系统包括:
供电可靠性指标确定模块,用于根据历史运行数据确定系统平均预安排停电时间和系统平均故障停电时间实际值;
最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型确定模块,用于根据所述历史运行数据、系统平均预安排停电时间和系统平均故障停电时间的实际值、先验知识以及机器学习算法构建最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型;
系统平均停电时间预测值获取模块,用于根据所述最优系统平均预安排停电时间预测模型和系统平均故障停电时间预测模型获取系统平均停电时间预测值;
供电可靠性指标数据异常检测模块,用于通过所述系统平均停电时间预测值进行供电可靠性指标数据检测,确定异常指标数据。
10.一种介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
11.一种终端,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311579869.1A CN117540319A (zh) | 2023-11-24 | 2023-11-24 | 供电可靠性指标数据异常检测方法、系统、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311579869.1A CN117540319A (zh) | 2023-11-24 | 2023-11-24 | 供电可靠性指标数据异常检测方法、系统、介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117540319A true CN117540319A (zh) | 2024-02-09 |
Family
ID=89785774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311579869.1A Pending CN117540319A (zh) | 2023-11-24 | 2023-11-24 | 供电可靠性指标数据异常检测方法、系统、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540319A (zh) |
-
2023
- 2023-11-24 CN CN202311579869.1A patent/CN117540319A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209560B (zh) | 数据异常检测方法及检测装置 | |
CN112148768A (zh) | 一种指标时间序列异常检测方法、系统及存储介质 | |
CN113641526B (zh) | 告警根因定位方法、装置、电子设备及计算机存储介质 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN113672467A (zh) | 运维预警方法及装置、电子设备、存储介质 | |
Haridy et al. | An optimisation design of the combined np-CUSUM scheme for attributes | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN114978877B (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
Scherb et al. | Reliability and component importance in networks subject to spatially distributed hazards followed by cascading failures | |
CN111639011A (zh) | 一种数据监控方法、装置及设备 | |
CN115115190A (zh) | 一种基于工况的质量监控方法及相关装置和程序介质产品 | |
CN116051118B (zh) | 行为时序模型的分析方法及装置 | |
CN110163470B (zh) | 事件评估方法及装置 | |
CN115658441B (zh) | 一种基于日志的家政业务系统异常监控方法、设备及介质 | |
CN117540319A (zh) | 供电可靠性指标数据异常检测方法、系统、介质及终端 | |
Sobaszek et al. | Survival analysis method as a tool for predicting machine failures | |
CN113010571A (zh) | 数据检测方法、装置、电子设备、存储介质和程序产品 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN111309716A (zh) | 应用于pas案例库的维护方法、装置及计算机设备 | |
CN115829543B (zh) | 基于故障需检区间的电力设备预防性试验有效性确定方法 | |
CN111222550A (zh) | 一种用户用电行为确定方法和装置 | |
WO2018177293A1 (en) | Sample-based multidimensional data cloning | |
CN116149971B (zh) | 设备故障预测方法、装置、电子设备及存储介质 | |
CN115409647A (zh) | 一种基于人工智能的能量路由器寿命预测方法和装置 | |
CN117035476A (zh) | 模型质量检测方法、装置、设备、介质及程序产品 |
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 |