CN118011280B - 电压质量在线监测分析方法及系统 - Google Patents

Abstract

本发明属于电力设备领域，具体涉及一种电压质量在线监测分析方法及系统，所述方法包括：对前馈神经网络执行多次训练以获得智能预测模型；基于设定台区覆盖地理面积、设定台区内的客户数量、油浸式变压器的各项配置数据、目标客户的历史标识数据以及多个邻近客户分别对应的多份历史标识数据采用智能预测模型预测目标客户在当前时间分段是否存在电压越限场景。本发明还涉及一种电压质量在线监测分析系统。通过本发明，针对电压越限的检测时间和应对时间互不匹配导致应对效果不佳的技术问题，采用了智能预测模型对设定台区的目标客户当前时间分段是否会发生电压越限场景进行智能预测，为电压越限应对提供了反应时间。

Description

电压质量在线监测分析方法及系统

技术领域

本发明涉及电力设备领域，尤其涉及一种电压质量在线监测分析方法及系统。

背景技术

在电力设备领域中，单个台区指的是单个油浸式变压器负责供电的区域，例如，单个台区指的是单个油浸式变压器和其带动的多个客户，其中，每一个客户通过电能表进行客户用电的计量。在迎峰度夏度冬、农田灌溉等用电特征明显的时期，电压越限时有发生，例如某一客户工作电压过低或者过高，这种电压越限轻则设备受损，严重时导致黑启动，严重影响供电可靠性和质量。因此，为进一步加强客户电压越限率指标管控，提高数据监测效率，及时发现电压越限隐患，需要对电压越限进行数据分析，以防止后续再次发生电压越限的极端场景。

示例地，中国发明专利公开文本CN117318065A提出了一种配电台区电压越限治理方法及装置，该方法包括：读取当前治理时刻的配电台区运行状态，所述光伏出力包括光伏有功出力和光伏无功出力；在进入当前治理时刻时，根据配电台区运行状态，确定当前治理时刻电压状态；在当前治理时刻电压状态为过压时，若储能余量达到最大值，在各光伏无功出力中加入扰动，对各光伏节点进行排序，确定灵敏度最大的光伏无功节点，计算目标节点电压达到正常范围所需的无功出力调整量，按照计算的无功出力调整量调整灵敏度最大的光伏无功节点，直到目标节点电压达到正常范围。本发明可以有效提高电压灵敏度计算精准度，降低计算难度，提高电压越限治理效率。

示例地，中国发明专利公开文本CN110829439A提出的一种基于电压越限启动最优算法的变压器智能调档方法，在原有的主变测控装置基础上，通过设定母线电压的越限范围和设定触发输出调档指令的条件，母线电压越限后实现自动调档，若10kV母线电压低于10kV或高于10.7kV时，延时展宽10秒输出“升档”或“降档”指令，当10KV母线电压达到10~10.7kV时，停止输出调档指令；解决了现有技术的人工调档工作量大、容易产生调压不及时或准确度不高从而导致用户侧电压不合格影响正常用电或损坏电器设备、调度运行人员在调档过程中由于操作频繁而导致的误操作事故以及对通信光纤依赖大等问题。

显然，上述现有技术中的各项技术方案仅仅局限于台区范围内的客户电压越限的实时监测、实时数据分析以及应对，这样的应对和分析在时间上存在滞后性，导致对台区范围内的客户电压越限场景缺乏有效的预测机制，进而无法为管理方提供足够的反应时间进行应对，严重影响了台区范围内的客户电压越限场景的预防效果和处理效果。

发明内容

为了解决现有技术中的技术问题，本发明提供了一种电压质量在线监测分析方法及系统，能够在采用针对性的智能预测模型、针对性的预测基础数据以及针对性的模型学习机制的基础上，对设定台区的目标客户执行当前时间分段是否会发生高压越限或者低压越限的智能预测处理，所述智能预测处理基于定制结构的智能预测模型，从而替换了以往只能对已发生高压越限或者低压越限的目标客户进行的数据分析，实现了对目标客户未来时间范围内是否会发生高压越限或者低压越限的智能预测，为所述设定台区的针对性应对提供了充足的反应时间，保证了对台区范围内的客户电压越限场景的预防效果和处理效果。

根据本发明的第一方面，提供了一种电压质量在线监测分析方法，所述方法包括：

获取设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度并作为油浸式变压器的各项配置数据输出；

获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据；

对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联；

基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识。

根据本发明的第二方面，提供了一种电压质量在线监测分析系统，所述系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：

获取设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度并作为油浸式变压器的各项配置数据输出；

获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据；

对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联；

基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识。

根据本发明的第三方面，提供了一种电压质量在线监测分析系统，所述系统包括：

配置采集机构，用于获取设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度并作为油浸式变压器的各项配置数据输出；

数据检测机构，用于获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据；

多次训练机构，用于对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联；

智能预测机构，分别与所述配置采集机构、所述数据检测机构以及所述多次训练机构连接，用于基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识。

相比较于现有技术，本发明至少具备以下四处关键的发明点：

发明点A：针对设定台区的目标客户执行当前时间分段是否会发生高压越限或者低压越限的智能预测处理，所述智能预测处理基于定制结构的智能预测模型，从而替换了以往只能对已发生高压越限或者低压越限的目标客户进行的数据分析，实现了对目标客户未来时间范围内是否会发生高压越限或者低压越限的智能预测，为所述设定台区的针对性应对提供了充足的反应时间；

发明点B：智能预测模型的结构定制之处在于，所述智能预测模型为完成多次训练后的前馈神经网络，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与用作参考的多个历史时间分段的数目正向关联，从而为不同的台区建立不同结构的智能预测模型，提升了预测结果的有效性和稳定性；

发明点C：为了进一步提升预测结果的有效性和稳定性，针对性筛选了各项基础数据，包括设定台区覆盖地理面积、设定台区内的客户数量、油浸式变压器的各项配置数据、目标客户的历史标识数据以及目标客户的多个邻近客户分别对应的多份历史标识数据，用作智能预测模型的各项输入内容；

发明点D：在构建智能预测模型时而对前馈神经网络执行的每一次训练中，将设定台区内某一客户的某一历史时间分段对应的高压越限标识和低压越限标识作为所述前馈神经网络的输出内容，将所述设定台区覆盖地理面积、所述设定台区内的客户数量、油浸式变压器的各项配置数据、所述某一客户的历史标识数据以及所述某一客户的多个邻近客户分别对应的多份历史标识数据作为所述前馈神经网络的输入内容，完成本次训练，从而保证了前馈神经网络的每一次训练的训练效果。

附图说明

以下将结合附图对本发明的实施例进行描述，其中：

图1为根据本发明的电压质量在线监测分析方法及系统的工作场景示意图。

图2为根据本发明的实施例1示出的电压质量在线监测分析方法的步骤流程图。

图3为根据本发明的实施例2示出的电压质量在线监测分析方法的步骤流程图。

图4为根据本发明的实施例3示出的电压质量在线监测分析方法的步骤流程图。

图5为根据本发明的实施例4示出的电压质量在线监测分析方法的步骤流程图。

图6为根据本发明的实施例5示出的电压质量在线监测分析系统的结构示意图。

图7为根据本发明的实施例6示出的电压质量在线监测分析系统的结构示意图。

具体实施方式

实施例1

如图1所示，给出了根据本发明示出的电压质量在线监测分析方法及系统的工作场景示意图。

如图1所示，油浸式变压器负责提供设定台区内的各个客户的电力供应；

在图1中，所述设定台区内包括目标客户、所述目标客户的邻近客户A、所述目标客户的邻近客户B、所述目标客户的邻近客户C以及其他客户（未图示），每一个客户由单个电表负责提供相应客户消耗电能的计量；

本发明的具体的技术流程如下：

第一步：设计定制结构的智能预测模型，为设定台区的目标客户当前时间分段是否会发生高压越限或者低压越限提供智能预测机制；

其中，所述当前时间分段为以当前时刻为起点的时间分段，实际上是一个当前时刻尚未到达以及尚未完成的未来时间分段；

具体地，所述智能预测模型的定制结构表现在以下两个方面：

首先，所述智能预测模型为完成多次训练后的前馈神经网络，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与用作参考的多个历史时间分段的数目正向关联，从而为不同的台区建立不同结构的智能预测模型，提升了预测结果的有效性和稳定性；

其次，所述智能预测模型的训练模式为定制模式，从而保证了每一次训练的训练效果；

例如，在构建智能预测模型时而对前馈神经网络执行的每一次训练中，将设定台区内某一客户的某一历史时间分段对应的高压越限标识和低压越限标识作为所述前馈神经网络的输出内容，将所述设定台区覆盖地理面积、所述设定台区内的客户数量、油浸式变压器的各项配置数据、所述某一客户的历史标识数据以及所述某一客户的多个邻近客户分别对应的多份历史标识数据作为所述前馈神经网络的输入内容，完成本次训练；

第二步：为设定台区的目标客户当前时间分段是否会发生高压越限或者低压越限的智能预测提供针对性筛选获得的多项基础信息；

具体地，针对性筛选获得的多项基础信息包括：所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据；

进一步地，所述油浸式变压器的各项配置数据包括设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度；

以及，获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据；

第三步：采用第一步设计的定制结构的智能预测模型基于第二步针对性筛选的多项基础数据完成对设定台区的目标客户当前时间分段是否会发生高压越限或者低压越限的智能预测过程；

示例地，所述智能预测模型输出的智能预测结果包括所述目标客户的当前时间分段对应的高压越限标识和低压越限标识；

进一步地，所述目标客户的当前时间分段对应的高压越限标识的取值为0B01时，表示所述目标客户在当前时间分段内将会出现越过235.4V的工作电压，为0B00时，表示所述目标客户在当前时间分段内不会出现越过235.4V的工作电压；

以及，所述目标客户的当前时间分段对应的低压越限标识的取值为0B01时，表示所述目标客户在当前时间分段内将会出现低于198V的工作电压，为0B00时，表示所述目标客户在当前时间分段内不会出现低于198V的工作电压；

第四步：基于第三步的智能预测结果确定是否对所述目标客户执行针对当前时间分段的高压越限报警操作，以及确定是否对所述目标客户执行针对当前时间分段的低压越限报警操作；

示例地，在所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识表示所述目标客户在当前时间分段内将会出现越过235.4V的工作电压时，对所述目标客户执行针对当前时间分段的高压越限报警操作；

以及，在所述智能预测模型智能预测的所述目标客户的当前时间分段对应的低压越限标识表示所述目标客户在当前时间分段内将会出现低于198V的工作电压时，对所述目标客户执行针对当前时间分段的低压越限报警操作；

由此可见，通过采用上述智能预测机制，对设定台区内目标客户在当前时间分段是否会出现低压越限和高压越限执行同步预测，为后续执行低压越限报警或者高压越限报警提供了可靠的预测数据，从而为客户的电压越限的预警和应对提供了充足的反应时间。

本发明的关键点在于：智能预测模型的定制结构、多项基础数据的针对性筛选、对设定台区内目标客户在当前时间分段是否会出现低压越限和高压越限的同步预测和同步预警处理。

下面，将对本发明的电压质量在线监测分析方法及系统以实施例的方式进行具体说明。

实施例2

图2为根据本发明的实施例1示出的电压质量在线监测分析方法的步骤流程图。

如图2所示，所述电压质量在线监测分析方法包括以下具体步骤：

步骤S101：获取设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度并作为油浸式变压器的各项配置数据输出；

示例地，可以采用多个信息采集组件，用于分别采集设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度；

具体的，可以选择采用同一时钟控制组件，用于分别与所述多个信息采集组件连接，用于实现所述多个信息采集组件分别对应的多个采集动作的同步控制；

步骤S102：获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据；

一般地，当前时间分段和当前时间分段之前设定数目的多个历史时间分段中每一个时间分段的持续时长相同，这个持续时长在电力设备领域中被称作为“粒度”；

步骤S103：对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联；

示例地，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联包括：在所述设定台区内的客户数量为50个且所述设定数目的取值为20时，选择的多次训练的训练次数为100，在所述设定台区内的客户数量为80个且所述设定数目的取值为20时，选择的多次训练的训练次数为150，在所述设定台区内的客户数量为80个且所述设定数目的取值为25时，选择的多次训练的训练次数为180，在所述设定台区内的客户数量为120个且所述设定数目的取值为25时，选择的多次训练的训练次数为220，在所述设定台区内的客户数量为120个且所述设定数目的取值为30时，选择的多次训练的训练次数为260，等等；

步骤S104：基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识；

示例地，可以选择采用数值仿真模式完成基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识的数据处理过程的仿真和测试；

其中，所述目标客户的多个邻近客户为距离所述目标客户最近的固定数量的多个其他客户，所述多个邻近客户与所述目标客户同处于所述设定台区内；

其中，当前时间分段为以当前时刻为起点的时间分段，当前时间分段以及当前时间分段之前设定数目的多个历史时间分段中每一时间分段的持续时长相等且都为24小时，当前时间分段以及当前时间分段之前设定数目的多个历史时间分段在时间轴上组成一个完整的时间区间；

其中，基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识包括：所述目标客户的当前时间分段对应的高压越限标识的取值为0B01时，表示所述目标客户在当前时间分段内将会出现越过235.4V的工作电压，所述目标客户的当前时间分段对应的低压越限标识的取值为0B01时，表示所述目标客户在当前时间分段内将会出现低于198V的工作电压；

其中，对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联包括：在对所述前馈神经网络执行的每一次训练中，将所述设定台区内某一客户的某一历史时间分段对应的高压越限标识和低压越限标识作为所述前馈神经网络的输出内容，将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述某一客户的历史标识数据以及所述某一客户的多个邻近客户分别对应的多份历史标识数据作为所述前馈神经网络的输入内容，完成本次训练；

以及其中，在对所述前馈神经网络执行的每一次训练中，将所述设定台区内某一客户的某一历史时间分段对应的高压越限标识和低压越限标识作为所述前馈神经网络的输出内容，将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述某一客户的历史标识数据以及所述某一客户的多个邻近客户分别对应的多份历史标识数据作为所述前馈神经网络的输入内容，完成本次训练包括：将所述某一客户在所述某一历史时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识作为所述某一客户的历史标识数据，将所述某一客户的多个邻近客户中每一个邻近客户在所述某一历史时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识作为所述邻近客户的历史标识数据，以获得所述某一客户的多个邻近客户分别对应的多份历史标识数据。

实施例3

图3为根据本发明的实施例2示出的电压质量在线监测分析方法的步骤流程图。

如图3所示，与图2中的实施例不同，所述电压质量在线监测分析方法中，在基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识之后，即在步骤S104之后，所述方法还包括：

步骤S105：在所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识表示所述目标客户在当前时间分段内将会出现越过235.4V的工作电压时，对所述目标客户执行针对当前时间分段的高压越限报警操作，以及在所述智能预测模型智能预测的所述目标客户的当前时间分段对应的低压越限标识表示所述目标客户在当前时间分段内将会出现低于198V的工作电压时，对所述目标客户执行针对当前时间分段的低压越限报警操作；

具体地，可以选择采用光学报警组件或者声学报警组件用于对所述目标客户执行针对当前时间分段的高压越限报警操作，以及用于对所述目标客户执行针对当前时间分段的低压越限报警操作。

实施例4

图4为根据本发明的实施例3示出的电压质量在线监测分析方法的步骤流程图。

如图4所示，与图2中的实施例不同，所述电压质量在线监测分析方法中，在基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识之后，即在步骤S104之后，所述方法还包括：

步骤S106：接收所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识，并通过移动通信链路无线传输所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识到远端的电力管理服务器；

示例地，接收所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识，并通过移动通信链路无线传输所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识到远端的电力管理服务器包括：可以选择采用云计算服务器、区块链服务器或者大数据服务器来实现所述电力管理服务器。

实施例5

图5为根据本发明的实施例4示出的电压质量在线监测分析方法的步骤流程图。

如图5所示，与图2中的实施例不同，所述电压质量在线监测分析方法中，在基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识之后，即在步骤S104之后，所述方法还包括：

步骤S107：接收所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识，并实时显示所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识；

示例地，可以选择采用LED显示阵列、LCD显示阵列或者液晶显示屏幕实时显示所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识。

接着，继续对本发明的各个方法实施例进行详细的描述。

在根据本发明各个方法实施例的电压质量在线监测分析方法中：

获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据还包括：针对每一个时间分段，在目标客户在所述时间分段内出现越过235.4V的工作电压时，将目标客户的所述时间分段对应的高压越限标识取值为0B01，否则将目标客户的所述时间分段对应的高压越限标识取值为0B00；

其中，获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据还包括：针对每一个时间分段，在目标客户在所述时间分段内出现低于198V的工作电压时，将目标客户的所述时间分段对应的低压越限标识取值为0B01，否则将目标客户的所述时间分段对应的低压越限标识取值为0B00。

以及在根据本发明各个方法实施例的电压质量在线监测分析方法中：

基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识包括：将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据并行输入到所述智能预测模型；

具体地，可以采用同一控制时钟信号实现所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据到所述智能预测模型的并行输入；

其中，基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识包括：运行所述智能预测模型以获得所述智能预测模型输出的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识。

实施例6

图6为根据本发明的实施例5示出的电压质量在线监测分析系统的结构示意图。

如图6所示，所述电压质量在线监测分析系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：

步骤S101：获取设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度并作为油浸式变压器的各项配置数据输出；

示例地，可以采用多个信息采集组件，用于分别采集设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度；

具体的，可以选择采用同一时钟控制组件，用于分别与所述多个信息采集组件连接，用于实现所述多个信息采集组件分别对应的多个采集动作的同步控制；

步骤S102：获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据；

一般地，当前时间分段和当前时间分段之前设定数目的多个历史时间分段中每一个时间分段的持续时长相同，这个持续时长在电力设备领域中被称作为“粒度”；

步骤S103：对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联；

示例地，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联包括：在所述设定台区内的客户数量为50个且所述设定数目的取值为20时，选择的多次训练的训练次数为100，在所述设定台区内的客户数量为80个且所述设定数目的取值为20时，选择的多次训练的训练次数为150，在所述设定台区内的客户数量为80个且所述设定数目的取值为25时，选择的多次训练的训练次数为180，在所述设定台区内的客户数量为120个且所述设定数目的取值为25时，选择的多次训练的训练次数为220，在所述设定台区内的客户数量为120个且所述设定数目的取值为30时，选择的多次训练的训练次数为260，等等；

步骤S104：基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识；

示例地，可以选择采用数值仿真模式完成基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识的数据处理过程的仿真和测试；

其中，所述目标客户的多个邻近客户为距离所述目标客户最近的固定数量的多个其他客户，所述多个邻近客户与所述目标客户同处于所述设定台区内；

其中，当前时间分段为以当前时刻为起点的时间分段，当前时间分段以及当前时间分段之前设定数目的多个历史时间分段中每一时间分段的持续时长相等且都为24小时，当前时间分段以及当前时间分段之前设定数目的多个历史时间分段在时间轴上组成一个完整的时间区间；

其中，基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识包括：所述目标客户的当前时间分段对应的高压越限标识的取值为0B01时，表示所述目标客户在当前时间分段内将会出现越过235.4V的工作电压，所述目标客户的当前时间分段对应的低压越限标识的取值为0B01时，表示所述目标客户在当前时间分段内将会出现低于198V的工作电压；

其中，对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联包括：在对所述前馈神经网络执行的每一次训练中，将所述设定台区内某一客户的某一历史时间分段对应的高压越限标识和低压越限标识作为所述前馈神经网络的输出内容，将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述某一客户的历史标识数据以及所述某一客户的多个邻近客户分别对应的多份历史标识数据作为所述前馈神经网络的输入内容，完成本次训练；

以及其中，在对所述前馈神经网络执行的每一次训练中，将所述设定台区内某一客户的某一历史时间分段对应的高压越限标识和低压越限标识作为所述前馈神经网络的输出内容，将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述某一客户的历史标识数据以及所述某一客户的多个邻近客户分别对应的多份历史标识数据作为所述前馈神经网络的输入内容，完成本次训练包括：将所述某一客户在所述某一历史时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识作为所述某一客户的历史标识数据，将所述某一客户的多个邻近客户中每一个邻近客户在所述某一历史时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识作为所述邻近客户的历史标识数据，以获得所述某一客户的多个邻近客户分别对应的多份历史标识数据；

如图6所示，示例性地，给出了N个处理器，其中，N为大于等于1的自然数。

实施例7

图7为根据本发明的实施例6示出的电压质量在线监测分析系统的结构示意图。

如图7所示，所述电压质量在线监测分析系统包括以下组件：

配置采集机构，用于获取设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度并作为油浸式变压器的各项配置数据输出；

示例地，所述配置采集机构可以包括多个信息采集组件，用于分别采集设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度；

具体的，可以选择采用同一时钟控制组件，用于分别与所述多个信息采集组件连接，用于实现所述多个信息采集组件分别对应的多个采集动作的同步控制；

数据检测机构，用于获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据；

一般地，当前时间分段和当前时间分段之前设定数目的多个历史时间分段中每一个时间分段的持续时长相同，这个持续时长在电力设备领域中被称作为“粒度”；

多次训练机构，用于对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联；

示例地，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联包括：在所述设定台区内的客户数量为50个且所述设定数目的取值为20时，选择的多次训练的训练次数为100，在所述设定台区内的客户数量为80个且所述设定数目的取值为20时，选择的多次训练的训练次数为150，在所述设定台区内的客户数量为80个且所述设定数目的取值为25时，选择的多次训练的训练次数为180，在所述设定台区内的客户数量为120个且所述设定数目的取值为25时，选择的多次训练的训练次数为220，在所述设定台区内的客户数量为120个且所述设定数目的取值为30时，选择的多次训练的训练次数为260，等等；

智能预测机构，分别与所述配置采集机构、所述数据检测机构以及所述多次训练机构连接，用于基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识；

示例地，可以选择采用数值仿真模式完成基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识的数据处理过程的仿真和测试；

同时，可以选择采用可编程逻辑器件来实现所述智能预测机构，用于基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识；

其中，所述目标客户的多个邻近客户为距离所述目标客户最近的固定数量的多个其他客户，所述多个邻近客户与所述目标客户同处于所述设定台区内；

其中，当前时间分段为以当前时刻为起点的时间分段，当前时间分段以及当前时间分段之前设定数目的多个历史时间分段中每一时间分段的持续时长相等且都为24小时，当前时间分段以及当前时间分段之前设定数目的多个历史时间分段在时间轴上组成一个完整的时间区间；

其中，基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识包括：所述目标客户的当前时间分段对应的高压越限标识的取值为0B01时，表示所述目标客户在当前时间分段内将会出现越过235.4V的工作电压，所述目标客户的当前时间分段对应的低压越限标识的取值为0B01时，表示所述目标客户在当前时间分段内将会出现低于198V的工作电压；

其中，对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联包括：在对所述前馈神经网络执行的每一次训练中，将所述设定台区内某一客户的某一历史时间分段对应的高压越限标识和低压越限标识作为所述前馈神经网络的输出内容，将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述某一客户的历史标识数据以及所述某一客户的多个邻近客户分别对应的多份历史标识数据作为所述前馈神经网络的输入内容，完成本次训练；

以及其中，在对所述前馈神经网络执行的每一次训练中，将所述设定台区内某一客户的某一历史时间分段对应的高压越限标识和低压越限标识作为所述前馈神经网络的输出内容，将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述某一客户的历史标识数据以及所述某一客户的多个邻近客户分别对应的多份历史标识数据作为所述前馈神经网络的输入内容，完成本次训练包括：将所述某一客户在所述某一历史时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识作为所述某一客户的历史标识数据，将所述某一客户的多个邻近客户中每一个邻近客户在所述某一历史时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识作为所述邻近客户的历史标识数据，以获得所述某一客户的多个邻近客户分别对应的多份历史标识数据。

另外，本发明还可以引用以下技术内容以突出本发明的显著性技术进步：

将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据并行输入到所述智能预测模型包括：在将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据并行输入到所述智能预测模型之前，分别对所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据执行基于八进制数值转换的数值归一化处理；

示例地，可以选择采用MATLAB工具箱完成分别对所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据执行基于八进制数值转换的数值归一化处理的仿真和测试；

其中，运行所述智能预测模型以获得所述智能预测模型输出的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识包括：所述智能预测模型输出的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识分别为八进制数值表示形式。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (3)

1.一种电压质量在线监测分析方法，其特征在于，所述方法包括：

获取设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度并作为油浸式变压器的各项配置数据输出；

获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据；

对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联；

基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识；

在所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识表示所述目标客户在当前时间分段内将会出现越过235.4V的工作电压时，对所述目标客户执行针对当前时间分段的高压越限报警操作，以及在所述智能预测模型智能预测的所述目标客户的当前时间分段对应的低压越限标识表示所述目标客户在当前时间分段内将会出现低于198V的工作电压时，对所述目标客户执行针对当前时间分段的低压越限报警操作；或者，接收所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识，并通过移动通信链路无线传输所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识到远端的电力管理服务器；或者，接收所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识，并实时显示所述智能预测模型智能预测的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识；

其中，所述目标客户的多个邻近客户为距离所述目标客户最近的固定数量的多个其他客户，所述多个邻近客户与所述目标客户同处于所述设定台区内；

其中，当前时间分段为以当前时刻为起点的时间分段，当前时间分段以及当前时间分段之前设定数目的多个历史时间分段中每一时间分段的持续时长相等且都为24小时，当前时间分段以及当前时间分段之前设定数目的多个历史时间分段在时间轴上组成一个完整的时间区间；

其中，基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识包括：所述目标客户的当前时间分段对应的高压越限标识的取值为0B01时，表示所述目标客户在当前时间分段内将会出现越过235.4V的工作电压，所述目标客户的当前时间分段对应的低压越限标识的取值为0B01时，表示所述目标客户在当前时间分段内将会出现低于198V的工作电压；

其中，对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联包括：在对所述前馈神经网络执行的每一次训练中，将所述设定台区内某一客户的某一历史时间分段对应的高压越限标识和低压越限标识作为所述前馈神经网络的输出内容，将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述某一客户的历史标识数据以及所述某一客户的多个邻近客户分别对应的多份历史标识数据作为所述前馈神经网络的输入内容，完成本次训练；

其中，在对所述前馈神经网络执行的每一次训练中，将所述设定台区内某一客户的某一历史时间分段对应的高压越限标识和低压越限标识作为所述前馈神经网络的输出内容，将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述某一客户的历史标识数据以及所述某一客户的多个邻近客户分别对应的多份历史标识数据作为所述前馈神经网络的输入内容，完成本次训练包括：将所述某一客户在所述某一历史时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识作为所述某一客户的历史标识数据，将所述某一客户的多个邻近客户中每一个邻近客户在所述某一历史时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识作为所述邻近客户的历史标识数据，以获得所述某一客户的多个邻近客户分别对应的多份历史标识数据；

其中，获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据还包括：针对每一个时间分段，在目标客户在所述时间分段内出现越过235.4V的工作电压时，将目标客户的所述时间分段对应的高压越限标识取值为0B01，否则将目标客户的所述时间分段对应的高压越限标识取值为0B00；

其中，获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据还包括：针对每一个时间分段，在目标客户在所述时间分段内出现低于198V的工作电压时，将目标客户的所述时间分段对应的低压越限标识取值为0B01，否则将目标客户的所述时间分段对应的低压越限标识取值为0B00；

其中，基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识包括：将所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据并行输入到所述智能预测模型；

其中，基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识包括：运行所述智能预测模型以获得所述智能预测模型输出的所述目标客户的当前时间分段对应的高压越限标识和低压越限标识。

2.一种电压质量在线监测分析系统，其特征在于，所述系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行如权利要求1所述的电压质量在线监测分析方法。

3.一种电压质量在线监测分析系统，用于执行如权利要求1所述的电压质量在线监测分析方法，其特征在于，所述系统包括：

配置采集机构，用于获取设定台区对应的油浸式变压器的额定电流、额定电压、空载损耗、负载损耗、空载电流、短路阻抗、工作频率以及变压器油的工作温度并作为油浸式变压器的各项配置数据输出；

数据检测机构，用于获取设定台区内目标客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述目标客户的历史标识数据，同时获取所述目标客户的多个邻近客户中每一个邻近客户在当前时间分段之前设定数目的多个历史时间分段分别对应的多份高压越限标识和多份低压越限标识以作为所述邻近客户的历史标识数据；

多次训练机构，用于对前馈神经网络执行多次训练以获得完成多次训练后的前馈神经网络并作为智能预测模型输出，所述多次训练的训练次数与所述设定台区内的客户数量正向关联的同时与所述设定数目正向关联；

智能预测机构，分别与所述配置采集机构、所述数据检测机构以及所述多次训练机构连接，用于基于所述设定台区覆盖地理面积、所述设定台区内的客户数量、所述油浸式变压器的各项配置数据、所述目标客户的历史标识数据以及所述目标客户的多个邻近客户分别对应的多份历史标识数据采用所述智能预测模型智能预测所述目标客户的当前时间分段对应的高压越限标识和低压越限标识。