CN117973940A - 城市系统电力应急能力预测方法、装置和计算机设备 - Google Patents
城市系统电力应急能力预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117973940A CN117973940A CN202410174498.7A CN202410174498A CN117973940A CN 117973940 A CN117973940 A CN 117973940A CN 202410174498 A CN202410174498 A CN 202410174498A CN 117973940 A CN117973940 A CN 117973940A
- Authority
- CN
- China
- Prior art keywords
- power emergency
- index data
- analyzed
- key index
- electric power
- 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 54
- 239000013598 vector Substances 0.000 claims abstract description 222
- 230000004927 fusion Effects 0.000 claims abstract description 90
- 238000011156 evaluation Methods 0.000 claims abstract description 83
- 238000007499 fusion processing Methods 0.000 claims abstract description 52
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 66
- 238000000605 extraction Methods 0.000 claims description 39
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 11
- 239000000284 extract Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011946 reduction process 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
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种城市系统电力应急能力预测方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括:获取待分析城市系统的指标数据;从指标数据中提取出各个关键指标数据,并获取各个关键指标数据对应的特征向量;对各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量;将融合特征向量输入至与待分析城市系统对应的各个电力应急能力识别模型,得到待分析城市系统的各个初始电力应急能力预测结果;根据各个电力应急能力识别模型对应的模型权重,对待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到待分析城市系统的目标电力应急能力预测结果。采用本方法,能够提高城市系统综合应急能力的评价准确度。
Description
技术领域
本申请涉及电网技术领域,特别是涉及一种城市系统电力应急能力预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在电网技术领域中,对城市系统综合应急能力进行准确评价,对建设和提升城市系统综合应急能力极其重要。
在传统技术中,对城市系统综合应急能力进行评价时,通常是人工评价方法为主;但是,这种人工评价方法存在主观因素,容易出现错误,导致城市系统综合应急能力的评价准确度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高城市系统综合应急能力的评价准确度的城市系统电力应急能力预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种城市系统电力应急能力预测方法,包括:
从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据;
从所述指标数据中提取出各个关键指标数据,并获取所述各个关键指标数据对应的特征向量;
对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量;
分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型,得到所述待分析城市系统的各个初始电力应急能力预测结果;
根据所述各个电力应急能力识别模型对应的模型权重,对所述待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到所述待分析城市系统的目标电力应急能力预测结果。
在其中一个实施例中,所述获取所述各个关键指标数据对应的特征向量,包括:
从所述各个关键指标数据中,识别出所述各个关键指标数据的关联关键指标数据;
分别将所述各个关键指标数据作为主要数据,将所述各个关键指标数据的关联关键指标数据作为辅助数据,输入到特征提取模型中进行特征提取处理,得到所述各个关键指标数据对应的特征向量。
在其中一个实施例中,所述对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量,包括:
从所述各个关键指标数据对应的特征向量中,识别出所述各个关键指标数据的关联关键指标数据对应的特征向量;
将所述各个关键指标数据对应的特征向量,以及所述各个关键指标数据的关联关键指标数据对应的特征向量,输入至注意力机制模型中进行注意力机制处理,得到所述各个关键指标数据对应的权重;
根据所述各个关键指标数据对应的权重,对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量。
在其中一个实施例中,所述分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型,得到所述待分析城市系统的各个初始电力应急能力预测结果,包括:
分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型中进行特征提取处理,得到各个第一目标融合特征向量;
对所述各个第一目标融合特征向量进行再次特征提取处理,得到各个第二目标融合特征向量;
对所述各个第二目标融合特征向量进行分类处理,得到所述各个电力应急能力识别模型输出的所述待分析城市系统在各个预设电力应急能力等级下的分类概率;
针对所述各个电力应急能力识别模型,从所述各个预设电力应急能力等级中筛选出所述分类概率最大的预设电力应急能力等级,对应作为所述待分析城市系统的各个初始电力应急能力预测结果。
在其中一个实施例中,每个电力应急能力识别模型通过下述方式训练得到:
从所述区块链网络中,获取样本城市系统在预设城市系统电力应急能力指标下的样本指标数据;
从所述样本指标数据中提取出各个样本关键指标数据,并获取所述各个样本关键指标数据对应的特征向量;
对所述各个样本关键指标数据对应的特征向量进行融合处理,得到样本融合特征向量;
将所述样本融合特征向量,输入至待训练电力应急能力识别模型,得到所述样本城市系统对应的电力应急能力预测结果;
根据所述样本城市系统对应的电力应急能力预测结果与电力应急能力实际结果之间的差异,对所述待训练电力应急能力识别模型进行迭代训练,得到电力应急能力识别模型。
在其中一个实施例中,在根据所述各个电力应急能力识别模型对应的模型权重,对所述待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到所述待分析城市系统的目标电力应急能力预测结果之后,还包括:
获取所述待分析城市系统的与所述预设城市系统电力应急能力指标对应的评估问卷数据;
将所述评估问卷数据输入到深度学习模型中,得到所述待分析城市系统的电力应急能力评估结果;
根据所述电力应急能力评估结果,对所述目标电力应急能力预测结果进行修正处理,得到所述待分析城市系统的目标电力应急能力评估结果。
第二方面,本申请还提供了一种城市系统电力应急能力预测装置,包括:
指标数据获取模块,用于从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据;
指标数据处理模块,用于从所述指标数据中提取出各个关键指标数据,并获取所述各个关键指标数据对应的特征向量;
特征向量处理模块,用于对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量;
初始结果预测模块,用于分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型,得到所述待分析城市系统的各个初始电力应急能力预测结果;
目标结果预测模块,用于根据所述各个电力应急能力识别模型对应的模型权重,对所述待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到所述待分析城市系统的目标电力应急能力预测结果。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据;
从所述指标数据中提取出各个关键指标数据,并获取所述各个关键指标数据对应的特征向量;
对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量;
分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型,得到所述待分析城市系统的各个初始电力应急能力预测结果;
根据所述各个电力应急能力识别模型对应的模型权重,对所述待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到所述待分析城市系统的目标电力应急能力预测结果。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据;
从所述指标数据中提取出各个关键指标数据,并获取所述各个关键指标数据对应的特征向量;
对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量;
分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型,得到所述待分析城市系统的各个初始电力应急能力预测结果;
根据所述各个电力应急能力识别模型对应的模型权重,对所述待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到所述待分析城市系统的目标电力应急能力预测结果。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据;
从所述指标数据中提取出各个关键指标数据,并获取所述各个关键指标数据对应的特征向量;
对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量;
分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型,得到所述待分析城市系统的各个初始电力应急能力预测结果;
根据所述各个电力应急能力识别模型对应的模型权重,对所述待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到所述待分析城市系统的目标电力应急能力预测结果。
上述城市系统电力应急能力预测方法、装置、计算机设备、存储介质和计算机程序产品,先从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据,再从指标数据中提取出各个关键指标数据,并获取各个关键指标数据对应的特征向量,然后对各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量,接着分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型,得到待分析城市系统的各个初始电力应急能力预测结果,最后根据各个电力应急能力识别模型对应的模型权重,对待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到待分析城市系统的目标电力应急能力预测结果。这样,在进行城市系统电力应急能力预测时,通过对待分析城市系统的指标数据对应的特征向量进行融合处理,将得到的融合特征向量输入到各个不同的电力应急能力识别模型中,得到多个初始电力应急能力预测结果,再结合各个电力应急能力识别模型对应的模型权重,得到目标电力应急能力预测结果,相当于综合了多个预测结果,从而使得待分析城市系统的目标电力应急能力预测结果更加全面,有利于提高待分析城市系统的目标电力应急能力预测结果的评价准确度,进而提高了城市系统综合应急能力的评价准确度。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,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为一个实施例中城市系统电力应急能力预测方法的流程示意图;
图2为一个实施例中预设城市系统电力应急能力指标的示意图;
图3为一个实施例中获取各个关键指标数据对应的特征向量的步骤的流程示意图;
图4为一个实施例中得到融合特征向量的步骤的流程示意图;
图5为一个实施例中得到待分析城市系统的各个初始电力应急能力预测结果的步骤的流程示意图;
图6为一个实施例中得到电力应急能力识别模型的步骤的流程示意图;
图7为一个实施例中得到待分析城市系统的目标电力应急能力评估结果的步骤的流程示意图;
图8为另一个实施例中城市系统电力应急能力预测方法的流程示意图;
图9为一个实施例中基于层次分析法的模糊综合应急能力评价的流程示意图;
图10为一个实施例中城市系统电力应急能力预测装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
在一个示例性的实施例中,如图1所示,提供了一种电网企业电力应急能力预测方法,本实施例以该方法应用于服务器进行举例说明;可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器之间的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑;服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤S101,从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据。
其中,区块链网络是指与待分析城市系统相关的区块链网络。
其中,待分析城市系统是指需要进行分析的城市系统。
其中,预设城市系统电力应急能力指标是指预先设定的城市系统电力应急能力指标。
举例说明,参考图2,城市系统电力应急能力指标可以包括7个指标,比如政府系统电力应急能力评估、电网企业电力应急能力评估、电力建设企业电力应急能力评估、发电企业电力应急能力评估、生命线行业企业电力应急能力评估、其他重要用户电力应急能力评估、公众电力应急能力评估。
其中,待分析城市系统在预设城市系统电力应急能力指标下的指标数据,是指待分析城市系统在预设城市系统电力应急能力指标对应的数据。
示例性地,服务器响应于针对待分析城市系统的电力应急能力预测请求,从预设城市系统电力应急能力指标中,识别出待分析城市系统对应的城市系统电力应急能力指标;接着,服务器从区块链网络中,获取待分析城市系统对应的城市系统电力应急能力指标对应的指标数据,作为待分析城市系统在预设城市系统电力应急能力指标下的指标数据。
步骤S102,从指标数据中提取出各个关键指标数据,并获取各个关键指标数据对应的特征向量。
其中,关键指标数据是指从指标数据中提取得到的重要程度较高的指标数据。
其中,特征向量是指表征关键指标数据的特征的向量。
示例性地,服务器从指标数据中,提取出各个满足预设条件的指标数据,作为各个关键指标数据;例如,服务器确定各个指标数据对应的重要程度,再从指标数据中,提取出对应的重要程度大于预设重要程度的指标数据,并将这些指标数据作为各个关键指标数据;接着,服务器对各个关键指标数据进行特征提取处理,得到提取处理后的各个特征向量,作为各个关键指标数据对应的特征向量。
步骤S103,对各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量。
其中,融合处理可以是指加权处理,也可以是求平均,也可以是求最大值。
其中,融合特征向量是指对各个关键指标数据对应的特征向量进行融合处理得到的特征向量。
示例性地,服务器将各个关键指标数据对应的特征向量输入至注意力机制模型,通过注意力机制模型对各个关键指标数据对应的特征向量进行预测,得到在各个预设权重下的预测概率,再从各个预设权重下的预测概率中,筛选出预测概率最大的预设权重,作为各个关键指标数据对应的权重;接着,服务器根据各个关键指标数据对应的权重,分别对各个关键指标数据对应的特征向量进行融合处理,得到融合处理后的特征向量,将融合处理后的特征向量作为融合特征向量。
步骤S104,分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型,得到待分析城市系统的各个初始电力应急能力预测结果。
其中,电力应急能力识别模型是指能够利用融合特征向量,得到电力应急能力预测结果的网络模型。
其中,初始电力应急能力预测结果是指通过电力应急能力识别模型得到的电力应急能力预测结果。
示例性地,服务器分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型,通过各个电力应急能力识别模型对融合特征向量进行分类处理,得到各个电力应急能力识别模型输出的待分析城市系统在各个预设电力应急能力等级下的分类概率,针对各个电力应急能力识别模型,从各个预设电力应急能力等级中筛选出分类概率最大的预设电力应急能力等级,对应作为待分析城市系统的各个初始电力应急能力预测结果。
步骤S105,根据各个电力应急能力识别模型对应的模型权重,对待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到待分析城市系统的目标电力应急能力预测结果。
其中,模型权重表征电力应急能力识别模型的重要程度。
其中,目标电力应急能力预测结果是指对各个初始电力应急能力预测结果进行融合处理得到的电力应急能力预测结果。
示例性地,服务器根据各个电力应急能力识别模型对应的模型权重,对待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到融合处理后的电力应急能力预测结果,作为待分析城市系统的目标电力应急能力预测结果;例如,服务器根据各个电力应急能力识别模型对应的模型权重,筛选出模型权重最大的电力应急能力识别模型,将该电力应急能力识别模型对应的电力应急能力预测结果,作为待分析城市系统的目标电力应急能力预测结果。
上述城市系统电力应急能力预测方法中,先从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据,再从指标数据中提取出各个关键指标数据,并获取各个关键指标数据对应的特征向量,然后对各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量,接着分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型,得到待分析城市系统的各个初始电力应急能力预测结果,最后根据各个电力应急能力识别模型对应的模型权重,对待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到待分析城市系统的目标电力应急能力预测结果。这样,在进行城市系统电力应急能力预测时,通过对待分析城市系统的指标数据对应的特征向量进行融合处理,将得到的融合特征向量输入到各个不同的电力应急能力识别模型中,得到多个初始电力应急能力预测结果,再结合各个电力应急能力识别模型对应的模型权重,得到目标电力应急能力预测结果,相当于综合了多个预测结果,从而使得待分析城市系统的目标电力应急能力预测结果更加全面,有利于提高待分析城市系统的目标电力应急能力预测结果的评价准确度,进而提高了城市系统综合应急能力的评价准确度。
在一个示例性的实施例中,如图3所示,上述步骤S102,获取各个关键指标数据对应的特征向量,具体包括如下步骤:
步骤S301,从各个关键指标数据中,识别出各个关键指标数据的关联关键指标数据。
步骤S302,分别将各个关键指标数据作为主要数据,将各个关键指标数据的关联关键指标数据作为辅助数据,输入到特征提取模型中进行特征提取处理,得到各个关键指标数据对应的特征向量。
其中,关联关键指标数据是指与某个关键指标数据相关联的关键指标数据。比如,关键指标数据分别是A1,A2,A3,A4,A5,A6,A7;其中,A1的关联指标数据是A3,A5,A7;A2的关联指标数据是A1,A4,A7。
其中,主要数据可以是指对应权重较大的数据。
其中,辅助数据可以是指对应权重较小的数据。
其中,特征提取处理可以是指降维处理。
示例性地,服务器从各个关键指标数据中,识别出与各个关键指标数据相关联的关键指标数据,作为各个关键指标数据的关联关键指标数据;接着,服务器分别将各个关键指标数据,以及各个关键指标数据的关联关键指标数据,输入至特征提取模型,通过特征提取模型,确定各个关键指标数据和各个关联关键指标数据对应的权重;例如确定关键指标数据对应的权重为0.8,确定关联关键指标数据对应的权重为0.2;根据各个关键指标数据和各个关联关键指标数据对应的权重,分别对各个关键指标数据和各个关联关键指标数据进行特征提取处理,得到特征提取处理后的特征向量;最后,服务器将特征提取处理后的特征向量,作为各个关键指标数据对应的特征向量。
本实施例中,特征提取模型中进行特征提取处理的过程中,同时考虑了关键指标数据和关联关键指标数据,相当于同时考虑了两种不同的数据,从而使得提取出的各个关键指标数据对应的特征向量更加全面,有利于提高各个关键指标数据对应的特征向量的确定准确率。
在一个示例性的实施例中,如图4所示,上述步骤S103,对各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量,具体包括如下步骤:
步骤S401,从各个关键指标数据对应的特征向量中,识别出各个关键指标数据的关联关键指标数据对应的特征向量。
步骤S402,将各个关键指标数据对应的特征向量,以及各个关键指标数据的关联关键指标数据对应的特征向量,输入至注意力机制模型中进行注意力机制处理,得到各个关键指标数据对应的权重。
步骤S403,根据各个关键指标数据对应的权重,对各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量。
其中,注意力机制模型是指能够利用关键指标数据和关联关键指标数据对应的特征向量,得到关键指标数据对应的权重的网络模型。
其中,注意力机制处理是指将关键指标数据和关联关键指标数据对应的特征向量,转换为关键指标数据对应的权重的过程。
其中,关键指标数据对应的权重是指关键指标数据对应的权重的预测值,用于表征关键指标数据对应的重要程度。
示例性地,服务器从各个关键指标数据对应的特征向量中,识别出各个关键指标数据的关联关键指标数据对应的特征向量;接着,服务器将各个关键指标数据对应的特征向量作为主要数据,将各个关键指标数据的关联关键指标数据对应的特征向量作为辅助数据,输入至注意力机制模型中进行注意力机制处理,得到注意力机制处理后的权重,作为各个关键指标数据对应的权重;然后,服务器根据各个关键指标数据对应的权重,对各个关键指标数据对应的特征向量进行融合处理,得到融合处理后的特征向量,将融合处理后的特征向量作为融合特征向量;例如,服务器根据各个关键指标数据对应的权重,对各个关键指标数据对应的特征向量进行加权处理,得到加权处理后的特征向量,将加权处理后的特征向量作为融合特征向量。
本实施例中,通过注意力机制模型进行注意力机制处理的过程中,同时考虑了关键指标数据和关联关键指标数据对应的特征向量,相当于同时考虑了两种不同的特征向量,从而使得得到各个关键指标数据对应的权重更加全面,有利于提高融合特征向量的确定准确率。
在一个示例性的实施例中,如图5所示,上述步骤S104,分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型,得到待分析城市系统的各个初始电力应急能力预测结果,具体包括如下步骤:
步骤S501,分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型中进行特征提取处理,得到各个第一目标融合特征向量。
步骤S502,对各个第一目标融合特征向量进行再次特征提取处理,得到各个第二目标融合特征向量。
步骤S503,对各个第二目标融合特征向量进行分类处理,得到各个电力应急能力识别模型输出的待分析城市系统在各个预设电力应急能力等级下的分类概率。
步骤S504,针对各个电力应急能力识别模型,从各个预设电力应急能力等级中筛选出分类概率最大的预设电力应急能力等级,对应作为待分析城市系统的各个初始电力应急能力预测结果。
其中,第一目标融合特征向量是指对融合特征向量进行特征提取处理得到的特征向量。
其中,第二目标融合特征向量是指对第一目标融合特征向量进行特征提取处理得到的特征向量。
其中,分类处理是指根据第二目标融合特征向量得到各个预设电力应急能力等级下的分类概率的过程。
其中,预设电力应急能力等级是指根据城市系统的电力应急能力划分的等级。
其中,分类概率是指待分析城市系统在各个预设电力应急能力等级下的分类可能性。
示例性地,服务器分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型中进行特征提取处理,得到特征提取处理后的特征向量,作为各个第一目标融合特征向量;例如,服务器分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型中进行降维处理,得到降维处理后的特征向量,作为各个第一目标融合特征向量;接着,服务器对各个第一目标融合特征向量进行再次特征提取处理,得到特征提取处理后的特征向量,作为各个第二目标融合特征向量;例如,服务器对各个第一目标融合特征向量进行再次降维处理,得到降维处理后的特征向量,作为各个第二目标融合特征向量;然后,服务器对各个第二目标融合特征向量进行分类处理(比如通过全连接层进行分类处理),得到各个电力应急能力识别模型输出的待分析城市系统在各个预设电力应急能力等级下的分类概率;最后,服务器针对各个电力应急能力识别模型,从各个预设电力应急能力等级中筛选出分类概率最大的预设电力应急能力等级,对应作为待分析城市系统的各个初始电力应急能力预测结果。
本实施例中,通过将融合特征向量进行两次特征提取处理,可以大大减少后续分类处理所需要的数据量,有利于提高分类处理的效率;而且,从各个预设电力应急能力等级中筛选出分类概率最大的预设电力应急能力等级,对应作为待分析城市系统的各个初始电力应急能力预测结果,相当于筛选出待分析城市系统对应的可能性最大的电力应急能力等级,进而提高了待分析城市系统的电力应急能力等级的确定准确度。
在一个示例性的实施例中,如图6所示,本申请提供的城市系统电力应急能力预测方法还包括每个预先训练的电力应急能力识别模型的训练步骤,具体包括如下步骤:
步骤S601,从区块链网络中,获取样本城市系统在预设城市系统电力应急能力指标下的样本指标数据。
步骤S602,从样本指标数据中提取出各个样本关键指标数据,并获取各个样本关键指标数据对应的特征向量。
步骤S603,对各个样本关键指标数据对应的特征向量进行融合处理,得到样本融合特征向量。
步骤S604,将样本融合特征向量,输入至待训练电力应急能力识别模型,得到样本城市系统对应的电力应急能力预测结果。
步骤S605,根据样本城市系统对应的电力应急能力预测结果与电力应急能力实际结果之间的差异,对待训练电力应急能力识别模型进行迭代训练,得到电力应急能力识别模型。
其中,样本城市系统是指用于训练电力应急能力识别模型的城市系统。
其中,样本指标数据是指样本城市系统在预设城市系统电力应急能力指标对应的数据。
其中,样本关键指标数据是指从样本指标数据中提取得到的重要程度较高的样本指标数据。
其中,样本融合特征向量是指各个样本关键指标数据对应的特征向量进行融合处理得到的特征向量。
其中,样本城市系统对应的电力应急能力预测结果,是指样本城市系统对应的电力应急能力结果的预测值。
其中,样本城市系统对应的电力应急能力实际结果,是指样本城市系统对应的电力应急能力结果的实际值。
其中,差异可以是指样本城市系统对应的电力应急能力结果的预测值和实际值之间的差异。
示例性地,服务器响应于针对待训练的电力应急能力识别模型的训练指令,从区块链网络中,获取样本城市系统对应的城市系统电力应急能力指标对应的指标数据,作为样本城市系统在预设城市系统电力应急能力指标下的样本指标数据;接着,服务器从样本指标数据中,提取出各个满足预设条件的样本指标数据,作为各个样本关键指标数据;例如,服务器确定各个样本指标数据对应的重要程度,再从样本指标数据中,提取出对应的重要程度大于预设重要程度的样本指标数据,并这些样本指标数据作为各个样本关键指标数据;然后,服务器对各个样本关键指标数据进行特征提取处理,得到提取处理后的各个特征向量,作为各个样本关键指标数据对应的特征向量;接着,服务器对各个样本关键指标数据对应的特征向量进行融合处理,得到融合处理后的特征向量,将融合处理后的特征向量作为样本融合特征向量;然后,服务器将样本融合特征向量,输入至待训练电力应急能力识别模型,得到样本城市系统对应的电力应急能力预测结果;接着,服务器根据样本城市系统对应的电力应急能力预测结果与电力应急能力实际结果之间的差异,得到损失值;然后,服务器根据损失值,对待训练的电力应急能力识别模型的模型参数进行调整,并对模型参数调整后的电力应急能力识别模型进行再次训练,直到训练后的电力应急能力识别模型得到的损失值小于损失值阈值,则停止训练,并将该训练后的电力应急能力识别模型,作为预先训练的电力应急能力识别模型。
本实施例中,通过预先训练电力应急能力识别模型,便于在实际应用中,在确定待分析城市系统的指标数据对应的融合特征向量后,对电力应急能力预测结果进行预测即可;而且,电力应急能力识别模型在每一轮迭代中接收新的数据,进行模型内部改进及优化,便于能够更有效地进行预测,有利于提高电力应急能力识别模型的预测准确率。
在一个示例性的实施例中,如图7所示,上述步骤S105,在根据各个电力应急能力识别模型对应的模型权重,对待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到待分析城市系统的目标电力应急能力预测结果之后,具体包括如下步骤:
步骤S701,获取待分析城市系统的与预设城市系统电力应急能力指标对应的评估问卷数据。
步骤S702,将评估问卷数据输入到深度学习模型中,得到待分析城市系统的电力应急能力评估结果。
步骤S703,根据电力应急能力评估结果,对目标电力应急能力预测结果进行修正处理,得到待分析城市系统的目标电力应急能力评估结果。
其中,评估问卷数据是指待分析城市系统的与预设城市系统电力应急能力指标对应的指标重要程度调查问卷中的数据。
其中,深度学习模型是指能够利用评估问卷数据,得到电力应急能力评估结果的网络模型。
其中,电力应急能力评估结果是指根据评估问卷数据得到的待分析城市系统的电力应急能力相关的评估结果。
其中,修正处理可以是将电力应急能力评估结果和目标电力应急能力预测结果进行加权求和,得到目标电力应急能力评估结果的过程。
其中,目标电力应急能力评估结果是指对目标电力应急能力预测结果修正处理后得到的电力应急能力评估结果。
示例性地,服务器获取待分析城市系统的与预设城市系统电力应急能力指标对应的评估问卷数据,再从评估问卷数据中,提取出满足预设条件的评估问卷数据,作为关键评估问卷数据;例如,服务器确定各评估问卷数据对应的重要程度,再从评估问卷数据中,提取出对应的重要程度大于预设重要程度的评估问卷数据,作为关键评估问卷数据;接着,服务器将关键评估问卷数据输入到深度学习模型中,通过深度学习模型对关键评估问卷数据进行预测,得到待分析城市系统的电力应急能力评估结果;最后,服务器根据电力应急能力评估结果,对目标电力应急能力预测结果进行修正处理,得到待分析城市系统的目标电力应急能力评估结果;例如,服务器将电力应急能力评估结果和目标电力应急能力预测结果进行加权求和,得到加权求和后的电力应急能力评估结果,将加权求和后的电力应急能力评估结果,作为待分析城市系统的目标电力应急能力评估结果。
本实施例中,通过评估问卷数据对电力应急能力评估结果,对目标电力应急能力预测结果进行修正处理,相当于从两种不同的维度,对待分析城市系统的目标电力应急能力评估结果进行确定,从而使得待分析城市系统的目标电力应急能力评估结果更加全面,有利于提高城市系统综合应急能力的评价准确度。
在一个示例性的实施例中,如图8所示,提供了另一种城市系统电力应急能力预测方法,以该方法应用于服务器进行举例说明,包括以下步骤:
步骤S801,从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据;从指标数据中提取出各个关键指标数据。
步骤S802,从各个关键指标数据中,识别出各个关键指标数据的关联关键指标数据。
步骤S803,分别将各个关键指标数据作为主要数据,将各个关键指标数据的关联关键指标数据作为辅助数据,输入到特征提取模型中进行特征提取处理,得到各个关键指标数据对应的特征向量。
步骤S804,从各个关键指标数据对应的特征向量中,识别出各个关键指标数据的关联关键指标数据对应的特征向量。
步骤S805,将各个关键指标数据对应的特征向量,以及各个关键指标数据的关联关键指标数据对应的特征向量,输入至注意力机制模型中进行注意力机制处理,得到各个关键指标数据对应的权重。
步骤S806,根据各个关键指标数据对应的权重,对各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量。
步骤S807,分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型中进行特征提取处理,得到各个第一目标融合特征向量。
步骤S808,对各个第一目标融合特征向量进行再次特征提取处理,得到各个第二目标融合特征向量。
步骤S809,对各个第二目标融合特征向量进行分类处理,得到各个电力应急能力识别模型输出的待分析城市系统在各个预设电力应急能力等级下的分类概率。
步骤S810,针对各个电力应急能力识别模型,从各个预设电力应急能力等级中筛选出分类概率最大的预设电力应急能力等级,对应作为待分析城市系统的各个初始电力应急能力预测结果。
步骤S811,根据各个电力应急能力识别模型对应的模型权重,对待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到待分析城市系统的目标电力应急能力预测结果。
上述城市系统电力应急能力预测方法中,在进行城市系统电力应急能力预测时,通过对待分析城市系统的指标数据对应的特征向量进行融合处理,将得到的融合特征向量输入到各个不同的电力应急能力识别模型中,得到多个初始电力应急能力预测结果,再结合各个电力应急能力识别模型对应的模型权重,得到目标电力应急能力预测结果,相当于综合了多个预测结果,从而使得待分析城市系统的目标电力应急能力预测结果更加全面,有利于提高待分析城市系统的目标电力应急能力预测结果的评价准确度,进而提高了城市系统综合应急能力的评价准确度。
在一个示例性的实施例中,为了更清晰阐明本申请实施例提供的城市系统电力应急能力预测方法,以下以一个具体的实施例对该城市系统电力应急能力预测方法进行具体说明。在一个实施例中,本申请还提供了一种城市系统电力安全评价方法,在进行城市系统电力安全评价时,通过构建电力应急能力指标体系得到多个评价指标,再通过建立城市电力安全管理评估模型,得到各指标的权重和得分,根据各指标的权重和得分确定评价结果,进而提高了城市系统综合应急能力的评价准确度。具体包括如下内容:
1、电力应急能力指标体系的构建。将评估指标体系分为四个层级:
第一,一级指标。包括政府应急能力、电网企业应急能力、发电企业应急能力、电力建设企业应急能力、生命线行业应急能力、其他重要电力用户应急能力和公众电力应急能力7类指标,详见图2。
第二,二级指标。包括预防与准备能力、监测与预警能力、处置与救援能力、恢复与重建能力四类指标。
第三,三级指标。涉及与应急管理密切相关的制度、物资、资金、信息、社会支持、技术等多种要素的储备和应用能力指标。
第四,四级指标。涉及各个评估项目的具体内容细则,包括城市电力不同类别供电电源、设备设施、组织保障、应急准备、物资装备、现场环境等相关项目,以此来衡量城市电力应急各类子能力的建设情况。
汇总各层指标,得到城市电力安全评价指标体系,包括7个一级指标、28个二级指标、128个三级指标。
2、城市电力安全管理评估模型建立:
建立模糊综合评价因素集和评语集,从而制作指标重要程度调查问卷和城市电力安全模糊评估调查问卷;通过指标重要程度调查问卷,提取数据构造判断矩阵,利用层次分析法计算权重并完成检验一致性,得到上述指标各层级权重;通过模糊评估调查问卷,提取数据确定单因素模糊综合评价矩阵,多级模糊综合评价,利用加权平均原则,最终确定评价结果,形成报告。整体流程详见图9。
上述实施例,在进行城市系统电力应急能力预测时,通过对待分析城市系统的指标数据对应的特征向量进行融合处理,将得到的融合特征向量输入到各个不同的电力应急能力识别模型中,得到多个初始电力应急能力预测结果,再结合各个电力应急能力识别模型对应的模型权重,得到目标电力应急能力预测结果,相当于综合了多个预测结果,从而使得待分析城市系统的目标电力应急能力预测结果更加全面,有利于提高待分析城市系统的目标电力应急能力预测结果的评价准确度,进而提高了城市系统综合应急能力的评价准确度。同时,本申请建立了城市电力安全评价指标体系,能够完整、全面、系统地反映城市电力安全的状况,以便及时查找应急能力存在的问题和不足,从而指导城市完善电力应急体系。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的城市系统电力应急能力预测方法的城市系统电力应急能力预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个城市系统电力应急能力预测装置实施例中的具体限定可以参见上文中对于城市系统电力应急能力预测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图10所示,提供了一种城市系统电力应急能力预测装置,包括:指标数据获取模块1001、指标数据处理模块1002、特征向量处理模块1003、初始结果预测模块1004和目标结果预测模块1005,其中:
指标数据获取模块1001,用于从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据。
指标数据处理模块1002,用于从指标数据中提取出各个关键指标数据,并获取各个关键指标数据对应的特征向量。
特征向量处理模块1003,用于对各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量。
初始结果预测模块1004,用于分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型,得到待分析城市系统的各个初始电力应急能力预测结果。
目标结果预测模块1005,用于根据各个电力应急能力识别模型对应的模型权重,对待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到待分析城市系统的目标电力应急能力预测结果。
在一个示例性的实施例中,指标数据处理模块1002,还用于从各个关键指标数据中,识别出各个关键指标数据的关联关键指标数据;分别将各个关键指标数据作为主要数据,将各个关键指标数据的关联关键指标数据作为辅助数据,输入到特征提取模型中进行特征提取处理,得到各个关键指标数据对应的特征向量。
在一个示例性的实施例中,特征向量处理模块1003,还用于从各个关键指标数据对应的特征向量中,识别出各个关键指标数据的关联关键指标数据对应的特征向量;将各个关键指标数据对应的特征向量,以及各个关键指标数据的关联关键指标数据对应的特征向量,输入至注意力机制模型中进行注意力机制处理,得到各个关键指标数据对应的权重;根据各个关键指标数据对应的权重,对各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量。
在一个示例性的实施例中,初始结果预测模块1004,还用于分别将融合特征向量,输入至与待分析城市系统对应的各个电力应急能力识别模型中进行特征提取处理,得到各个第一目标融合特征向量;对各个第一目标融合特征向量进行再次特征提取处理,得到各个第二目标融合特征向量;对各个第二目标融合特征向量进行分类处理,得到各个电力应急能力识别模型输出的待分析城市系统在各个预设电力应急能力等级下的分类概率;针对各个电力应急能力识别模型,从各个预设电力应急能力等级中筛选出分类概率最大的预设电力应急能力等级,对应作为待分析城市系统的各个初始电力应急能力预测结果。
在一个示例性的实施例中,该城市系统电力应急能力预测装置还包括识别模型训练模块,用于从区块链网络中,获取样本城市系统在预设城市系统电力应急能力指标下的样本指标数据;从样本指标数据中提取出各个样本关键指标数据,并获取各个样本关键指标数据对应的特征向量;对各个样本关键指标数据对应的特征向量进行融合处理,得到样本融合特征向量;将样本融合特征向量,输入至待训练电力应急能力识别模型,得到样本城市系统对应的电力应急能力预测结果;根据样本城市系统对应的电力应急能力预测结果与电力应急能力实际结果之间的差异,对待训练电力应急能力识别模型进行迭代训练,得到电力应急能力识别模型。
在一个示例性的实施例中,该城市系统电力应急能力预测装置还包括评估结果修正模块,用于获取待分析城市系统的与预设城市系统电力应急能力指标对应的评估问卷数据;将评估问卷数据输入到深度学习模型中,得到待分析城市系统的电力应急能力评估结果;根据电力应急能力评估结果,对目标电力应急能力预测结果进行修正处理,得到待分析城市系统的目标电力应急能力评估结果。
上述城市系统电力应急能力预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储指标数据、关键指标数据等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种城市系统电力应急能力预测方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.城市系统电力应急能力预测方法,其特征在于,所述方法包括:
从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据;
从所述指标数据中提取出各个关键指标数据,并获取所述各个关键指标数据对应的特征向量;
对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量;
分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型,得到所述待分析城市系统的各个初始电力应急能力预测结果;
根据所述各个电力应急能力识别模型对应的模型权重,对所述待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到所述待分析城市系统的目标电力应急能力预测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取所述各个关键指标数据对应的特征向量,包括:
从所述各个关键指标数据中,识别出所述各个关键指标数据的关联关键指标数据;
分别将所述各个关键指标数据作为主要数据,将所述各个关键指标数据的关联关键指标数据作为辅助数据,输入到特征提取模型中进行特征提取处理,得到所述各个关键指标数据对应的特征向量。
3.根据权利要求2所述的方法,其特征在于,所述对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量,包括:
从所述各个关键指标数据对应的特征向量中,识别出所述各个关键指标数据的关联关键指标数据对应的特征向量;
将所述各个关键指标数据对应的特征向量,以及所述各个关键指标数据的关联关键指标数据对应的特征向量,输入至注意力机制模型中进行注意力机制处理,得到所述各个关键指标数据对应的权重;
根据所述各个关键指标数据对应的权重,对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量。
4.根据权利要求1所述的方法,其特征在于,所述分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型,得到所述待分析城市系统的各个初始电力应急能力预测结果,包括:
分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型中进行特征提取处理,得到各个第一目标融合特征向量;
对所述各个第一目标融合特征向量进行再次特征提取处理,得到各个第二目标融合特征向量;
对所述各个第二目标融合特征向量进行分类处理,得到所述各个电力应急能力识别模型输出的所述待分析城市系统在各个预设电力应急能力等级下的分类概率;
针对所述各个电力应急能力识别模型,从所述各个预设电力应急能力等级中筛选出所述分类概率最大的预设电力应急能力等级,对应作为所述待分析城市系统的各个初始电力应急能力预测结果。
5.根据权利要求1所述的方法,其特征在于,每个电力应急能力识别模型通过下述方式训练得到:
从所述区块链网络中,获取样本城市系统在预设城市系统电力应急能力指标下的样本指标数据;
从所述样本指标数据中提取出各个样本关键指标数据,并获取所述各个样本关键指标数据对应的特征向量;
对所述各个样本关键指标数据对应的特征向量进行融合处理,得到样本融合特征向量;
将所述样本融合特征向量,输入至待训练电力应急能力识别模型,得到所述样本城市系统对应的电力应急能力预测结果;
根据所述样本城市系统对应的电力应急能力预测结果与电力应急能力实际结果之间的差异,对所述待训练电力应急能力识别模型进行迭代训练,得到电力应急能力识别模型。
6.根据权利要求1至5任意一项所述的方法,其特征在于,在根据所述各个电力应急能力识别模型对应的模型权重,对所述待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到所述待分析城市系统的目标电力应急能力预测结果之后,还包括:
获取所述待分析城市系统的与所述预设城市系统电力应急能力指标对应的评估问卷数据;
将所述评估问卷数据输入到深度学习模型中,得到所述待分析城市系统的电力应急能力评估结果;
根据所述电力应急能力评估结果,对所述目标电力应急能力预测结果进行修正处理,得到所述待分析城市系统的目标电力应急能力评估结果。
7.一种城市系统电力应急能力预测装置,其特征在于,所述装置包括:
指标数据获取模块,用于从区块链网络中,获取待分析城市系统在预设城市系统电力应急能力指标下的指标数据;
指标数据处理模块,用于从所述指标数据中提取出各个关键指标数据,并获取所述各个关键指标数据对应的特征向量;
特征向量处理模块,用于对所述各个关键指标数据对应的特征向量进行融合处理,得到融合特征向量;
初始结果预测模块,用于分别将所述融合特征向量,输入至与所述待分析城市系统对应的各个电力应急能力识别模型,得到所述待分析城市系统的各个初始电力应急能力预测结果;
目标结果预测模块,用于根据所述各个电力应急能力识别模型对应的模型权重,对所述待分析城市系统的各个初始电力应急能力预测结果进行融合处理,得到所述待分析城市系统的目标电力应急能力预测结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410174498.7A CN117973940A (zh) | 2024-02-07 | 2024-02-07 | 城市系统电力应急能力预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410174498.7A CN117973940A (zh) | 2024-02-07 | 2024-02-07 | 城市系统电力应急能力预测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117973940A true CN117973940A (zh) | 2024-05-03 |
Family
ID=90851412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410174498.7A Pending CN117973940A (zh) | 2024-02-07 | 2024-02-07 | 城市系统电力应急能力预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117973940A (zh) |
-
2024
- 2024-02-07 CN CN202410174498.7A patent/CN117973940A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113961759A (zh) | 基于属性图表示学习的异常检测方法 | |
CN116701033A (zh) | 主机切换异常检测方法、装置、计算机设备和存储介质 | |
CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN115330435A (zh) | 一种碳排放权价格指标体系建立方法、装置、设备及介质 | |
CN117318052B (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
CN117973940A (zh) | 城市系统电力应急能力预测方法、装置和计算机设备 | |
CN118014425A (zh) | 应急系统电力应急能力预测方法、装置和计算机设备 | |
CN117909797A (zh) | 电力建设企业电力应急能力预测方法、装置和计算机设备 | |
CN118070095A (zh) | 电网企业电力应急能力预测方法、装置和计算机设备 | |
CN118130508B (zh) | 励磁浇筑母线质量检测方法、装置和计算机设备 | |
Tian et al. | An adaptive structural dominant failure modes searching method based on graph neural network | |
CN116881092A (zh) | 告警数据的预测方法、装置、设备和存储介质 | |
Yan | AUTOENCODER BASED GENERATOR FOR CREDIT INFORMATION RECOVERY OF RURAL BANKS | |
CN116911977A (zh) | 虚拟资源处理方法、装置、计算机设备和存储介质 | |
CN113962515A (zh) | 模型数据处理方法、装置、计算机设备和存储介质 | |
CN118229135A (zh) | 发电企业的电力应急能力预测方法、装置、设备和介质 | |
Mazumder et al. | Synthetic Data Generation Using Generative Adversarial Network for Burst Failure Risk Analysis of Oil and Gas Pipelines | |
CN117975370A (zh) | 基于图像的目标归档方法、装置、存储介质和电子设备 | |
CN117874491A (zh) | 一种特征提取方法及装置 | |
CN116227535A (zh) | 图表征学习模型的优化方法、装置和计算机设备 | |
CN118395200A (zh) | 匹配用户确定方法、装置、计算机设备和存储介质 | |
CN118036673A (zh) | 资源交互设备的状态检测方法、装置和计算机设备 | |
Zhou et al. | Detecting Errors in a Numerical Response via any Regression Model | |
CN117273922A (zh) | 交易预警方法、装置、计算机设备和存储介质 | |
CN118195769A (zh) | 产品逾期状态预测方法、装置、计算机设备、存储介质和计算机程序产品 |
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 |