CN118037282B - 基于ai和云技术的电力业务数据智能处理系统与方法 - Google Patents

基于ai和云技术的电力业务数据智能处理系统与方法 Download PDF

Info

Publication number
CN118037282B
CN118037282B CN202410444224.5A CN202410444224A CN118037282B CN 118037282 B CN118037282 B CN 118037282B CN 202410444224 A CN202410444224 A CN 202410444224A CN 118037282 B CN118037282 B CN 118037282B
Authority
CN
China
Prior art keywords
data
edge node
power
classification model
fault
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
Application number
CN202410444224.5A
Other languages
English (en)
Other versions
CN118037282A (zh
Inventor
蔡涛
黄俊东
郭兆丰
宋子昂
廖荣涛
徐宁
杨文清
张万才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Nari Technology Co Ltd
Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Original Assignee
Huazhong University of Science and Technology
Nari Technology Co Ltd
Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology, Nari Technology Co Ltd, Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202410444224.5A priority Critical patent/CN118037282B/zh
Publication of CN118037282A publication Critical patent/CN118037282A/zh
Application granted granted Critical
Publication of CN118037282B publication Critical patent/CN118037282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于AI和云技术的电力业务数据智能处理系统与方法，涉及电力业务数据处理技术领域，包括：S1‑1，获取历史电力业务数据；S1‑2，训练第一分类模型、第二分类模型和第三分类模型；S1‑3，边缘节点以第一分类模型实时对电力业务数据进行分析；S1‑4，云平台实时调整电力业务数据的处理顺序，实时对电力系统进行故障监测；本发明采用边缘节点进行初步故障判断，基于初步故障判断结果，中心服务器对电力业务数据进行最终故障判断，有利于加快电力设备故障的识别速度；云平台提高了边缘节点和中心服务器之间的协作能力；使用人工智能算法处理大规模电力业务数据，提高工作效率。

Description

基于AI和云技术的电力业务数据智能处理系统与方法
技术领域
本发明涉及电力业务数据处理技术领域，具体为基于AI和云技术的电力业务数据智能处理系统与方法。
背景技术
电力业务数据智能处理是指利用人工智能、大数据、云计算等先进技术，对电力行业产生的海量数据进行收集、存储、分析和应用的过程。这种处理方式旨在提高电力系统的运行效率、优化资源配置、增强决策支持能力，并提升客户服务质量。故障检测与预防维护是电力业务数据智能处理的一个关键应用：通过分析传感器数据，实时监控设备状态，预测潜在故障，从而实现预防性维护，减少停机时间和维修成本。电力业务数据具有大规模、高时效性和复杂性的特点，数据的收集和处理必须非常迅速，以支持即时决策。电力系统是一个复杂的网络，数据需要在多个层面上进行集成和分析，而电力业务涉及的数据量巨大，给实时故障判断带来不利影响。在大规模电力业务数据下，一个边缘节点对故障判断的准确度不高，而使用中心服务器进行故障判断又会对故障判断的速度产生影响，如何改善故障判断的效果成为了一个亟需解决的问题。
发明内容
本发明的目的在于提供基于AI和云技术的电力业务数据智能处理系统与方法，以解决上述背景技术中提出的问题。
在本发明的一个方面，提供基于AI和云技术的电力业务数据智能处理方法，包括：
S1-1，获取历史电力业务数据；
S1-2，基于历史电力业务数据，以故障预测准确率为指标，训练第一分类模型、第二分类模型和第三分类模型，所述第一分类模型用于对一个边缘节点的电力业务数据进行分类，所述第二分类模型用于对两个边缘节点的电力业务数据进行分类，所述第三分类模型用于对多个边缘节点的电力业务数据进行分类；
在一个边缘节点处获得的电力业务数据，精确判断故障可能存在困难；例如，在电路中串联连接的两个电力设备，通过两个电力设备的电流却不相同，此时仅仅通过一个边缘节点的电力业务数据，无法判断出是否发生故障，结合其他的边缘节点的电力业务数据，可以判断出发生故障；
S1-3，边缘节点以第一分类模型实时对电力业务数据进行分析，将电力业务数据和分析结果反馈给云平台；
S1-4，云平台基于边缘节点反馈的电力业务数据和分析结果，实时调整电力业务数据的处理顺序，实时对电力系统进行故障监测。
在步骤S1-2中，所述故障预测准确率y按照以下公式进行计算：
；式中为正确率，为错误率，和为连接权值；所述正确率表示电力业务数据是故障时产生的，且被正确识别出的概率，的计算公式为，为被正确识别的故障电力业务数据的数量，为故障电力业务数据的数量；所述错误率表示电力业务数据是正常数据，但被错误识别为故障数据的概率，的计算公式为，为被错误识别的正常电力业务数据的数量，为正常电力业务数据的数量。
在步骤S1-2中，还包括以下步骤：
S3-1，对每个边缘节点的电力业务数据，采用无监督分类模型对电力业务数据进行分类；根据分类簇中正常电力业务数据和故障电力业务数据的数量，确定分类簇的类型，若正常电力业务数据的数量不少于故障电力业务数据的数量，则分类簇为正常分类簇；若正常电力业务数据的数量少于故障电力业务数据的数量，则分类簇为故障分类簇，故障分类簇中的故障电力业务数据为被正确识别出的故障电力业务数据，故障分类簇中的正常电力业务数据为被错误识别的正常电力业务数据；
S3-2，对边缘节点的分类模型的超参数进行调整，重新训练分类模型，直到故障预测准确率无法增加；
S3-3，对任意一个边缘节点A，云平台将除A之外的另一个边缘节点B的电力业务数据与边缘节点A的电力业务数据进行特征拼接，以拼接后的数据训练第二分类模型，判断边缘节点A的预测准确率y是否提升，若提升，则边缘节点B对边缘节点A的故障判断有辅助作用，若未提升，则边缘节点B对边缘节点A的故障判断无辅助作用；重复步骤找到所有对边缘节点A的故障判断有辅助作用的节点；
S3-4，以边缘节点A的故障预测准确率为指标，将所有对边缘节点A的故障判断有辅助作用节点的电力业务数据和边缘节点A的电力业务数据进行特征拼接，训练第三分类模型，调整超参数优化第三分类模型，直到边缘节点A的故障预测准确率不再增加。
当边缘节点B对边缘节点A的故障判断有辅助作用，边缘节点A对边缘节点B的故障判断也有辅助作用时；对边缘节点A进行故障判断时，以边缘节点A的预测准确率为评价指标；对边缘节点B进行故障判断时，以边缘节点B的预测准确率为评价指标，涉及到多个边缘节点时也是如此；即使分类模型涉及到的特征相同，对不同边缘节点进行故障判断时，使用的分类模型并不相同；对边缘节点A进行故障判断时，要求边缘节点A的故障预测准确率达到最高，而B的故障预测准确率通过另一个分类模型进行判断，对边缘节点A进行故障判断，不需要考虑边缘节点B的故障预测准确率，能够提高单个边缘节点的故障预测准确率。
实时调整电力业务数据的处理顺序，还包括以下步骤：
S4-1，以边缘节点的第一分类模型对当前的电力业务数据进行分类，计算出电力设备的故障率，i的取值范围是区间[1,n]内的正整数，n是边缘节点的数量；
S4-2，计算出边缘节点的分估值，，表示边缘节点对其他节点故障判断的辅助效果，j的取值范围是区间[1,n]内的正整数，且j和i不相等；
S4-3，按照分估值从大到小的顺序，云平台选择与边缘节点对应的第三分类模型对边缘节点发送的电力业务数据进行故障监测。
初步判断时故障率越高的电力设备，发生故障的可能性越高，需要尽可能快地识别，因而分估值与故障率成正相关；对其他边缘节点辅助效果越高的边缘节点，进行故障预测时被使用的概率越高，因此分估值与辅助效果也成正相关；辅助效果仅在边缘节点发生故障时起作用，因而边缘节点的故障率为辅助效果的系数。
在步骤S4-2中，边缘节点对其他节点故障判断的辅助效果通过以下步骤确定：
S5-1，对于边缘节点，找到对边缘节点的故障判断有辅助作用的其他边缘节点，计算出其他边缘节点单独带来的故障预测准确率的第一提升值，计算出其他边缘节点一起带来的故障预测准确率的第一提升值，根据第一提升值计算出第二提升值，；对边缘节点的故障判断无辅助作用的其他边缘节点，第二提升值为0，不用进行计算；遍历j的所有取值，得到其他边缘节点对边缘节点的第二提升值；遍历i的所有取值，得到对所有边缘节点的第二提升值；
对一个边缘节点来说，故障预测准确率的提升效果存在上限，其他边缘节点对边缘节点故障预测准确率的提升效果存在重复部分，按照其他边缘节点对边缘节点故障预测准确率的第一提升值分割边缘节点的故障预测准确率的提升效果上限，避免重复部分；
S5-2，获取步骤S5-1中得到的边缘节点对其他边缘节点的第二提升值，作为边缘节点对其他节点故障判断的辅助效果；遍历j的取值，得到边缘节点对所有边缘节点的辅助效果；遍历i的取值，得到所有边缘节点对其他节点的辅助效果；
对于边缘节点，找到对边缘节点的故障判断有辅助作用的其他边缘节点，计算出第二提升值，对边缘节点的故障判断无辅助作用的其他边缘节点，第二提升值为0，不用进行计算；从计算结果中可得到边缘节点对边缘节点的第二提升值；对边缘节点、、…、重复执行步骤得到边缘节点对所有边缘节点的辅助效果；类似方式得到所有边缘节点对其他节点的辅助效果。
实时对电力系统进行故障监测还包括以下步骤：
边缘节点获取电力业务数据后，对电力业务数据进行初步分析，判断发生故障的概率，将电力业务数据和判断结果发送到云平台；云平台根据边缘节点的初步判断结果，调整电力业务数据的处理顺序，并且采用每个边缘节点专用的分类模型对边缘节点的电力业务数据计算故障率，故障率为电力业务数据所属分类簇中故障电力业务数据与电力业务数据总数的比值；若故障率大于阈值，则云平台向报警模块发出指令，通知管理人员对边缘节点对应的电力设备进行检修。
在本发明的另一个方面，提供基于AI和云技术的电力业务数据智能处理系统，包括边缘节点、云平台、数据采集模块、数据存储模块和报警模块；所述边缘节点与所述云平台相互连接，用于对电力业务数据进行初步故障判断；所述云平台作为中心服务器，输出端与所述报警模块相互连接，用于确定电力业务数据的处理顺序，并对电力业务数据进行故障判断；所述数据采集模块的输出端与所述边缘节点和所述数据存储模块的输入端相互连接，用于获取电力设备的运行状态数据和性能参数；所述数据存储模块的输出端与所述云平台的输入端相互连接，用于存储历史电力业务数据；所述报警模块，用于响应云平台发出的指令，通知管理人员对电力设备进行检修。
所述云平台分为四层，分别为基础设施层、数据层、业务层和应用层；所述基础设施层包含云平台相关设施以及服务，包含 ECS、VPC、云存储、云盾、容器服务和EDAS；所述数据层由数据接口服务、共享数据和数据域构成，数据接口服务用于提供与边缘节点和数据存储模块的数据交互能力；所述业务层用于训练第一分类模型、第二分类模型和第三分类模型；所述应用层包含微应用单元，微应用单元包含前后端分离架构的前端应用及后端逻辑接口。
所述云平台利用历史电力业务数据训练第一分类模型、第二分类模型和第三分类模型，并将训练完成的模型存储在云数据库中；云平台为各模块提供模块部署所需的 IAAS层软硬件资源和 PAAS 层平台服务；IAAS 层资源提供计算、存储、网络、安全和虚拟化能力；PAAS 层提供中间件以及数据库服务，中间件服务包括微服务管理 EDAS、消息队列和负载均衡；数据库服务包括云数据库。
所述边缘节点从云平台获取第一分类模型，使用第一分类模型对电力业务数据进行初步故障判断；所述云平台基于初步故障判断结果确定不同边缘节点的电力业务数据处理顺序，采用第三分类模型对电力业务数据进行最终的故障判断。
与现有技术相比，本发明所达到的有益效果是：
本申请采用边缘节点进行初步故障判断，基于初步故障判断结果，中心服务器对电力业务数据进行最终故障判断，有利于加快电力设备故障的识别速度；云平台允许从任何地方通过互联网访问数据，提高了边缘节点和中心服务器之间的协作能力；使用人工智能算法，能够处理大规模电力业务数据，减少人工干预，进而提高工作效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明实施例提供的基于AI和云技术的电力业务数据智能处理系统的结构示意图。
具体实施方式
下面将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，所描述的实施例仅仅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，都属于本发明保护的范围。
在本发明的实施例中，请参阅图1，提供基于AI和云技术的电力业务数据智能处理系统，包括：边缘节点、云平台、数据采集模块、数据存储模块和报警模块。
所述边缘节点与所述云平台相互连接，用于对电力业务数据进行初步故障判断；所述边缘节点输出电力业务数据和初步故障判断结果到所述云平台，从所述云平台获取第一分类模型；
所述云平台作为中心服务器，输出端与所述报警模块连接，用于确定电力业务数据的处理顺序，并对电力业务数据进行故障判断；
所述数据采集模块的输出端与所述边缘节点和所述数据存储模块的输入端连接，用于获取电力设备的运行状态数据和性能参数；
所述数据存储模块的输出端与所述云平台的输入端相互连接，用于存储历史电力业务数据；
所述报警模块，用于响应云平台发出的指令，通知管理人员对电力设备进行检修。
所述云平台分为四层，分别为基础设施层、数据层、业务层和应用层；其中，
所述基础设施层包含云平台相关设施以及服务，主要有 ECS、VPC、云存储、云盾、容器服务和EDAS；
所述数据层由数据接口服务、共享数据和数据域构成，数据接口服务用于提供与边缘节点和数据存储模块的数据交互能力；
所述业务层，用于训练第一分类模型、第二分类模型和第三分类模型；
所述应用层包含微应用单元，微应用单元包含前后端分离架构的前端应用及后端逻辑接口。
所述云平台利用历史电力业务数据训练第一分类模型、第二分类模型和第三分类模型，并将训练完成的模型存储在云数据库中；云平台为边缘节点、数据采集模块、数据存储模块和报警模块提供模块部署所需的 IAAS 层软硬件资源和 PAAS 层平台服务；IAAS层资源提供计算、存储、网络、安全和虚拟化能力；PAAS 层提供中间件以及数据库服务，中间件服务包括微服务管理 EDAS、消息队列和负载均衡；数据库服务包括云数据库。
所述边缘节点从云平台获取第一分类模型，使用第一分类模型对电力业务数据进行初步故障判断；所述云平台基于初步故障判断结果确定不同边缘节点的电力业务数据处理顺序，采用第三分类模型对电力业务数据进行最终的故障判断。
在本发明的实施例中，提供基于AI和云技术的电力业务数据智能处理方法，包括以下步骤S1-1至S1-4。
S1-1，获取历史电力业务数据。
S1-2，基于历史电力业务数据，以故障预测准确率为指标，训练第一分类模型、第二分类模型和第三分类模型，所述第一分类模型用于对一个边缘节点的电力业务数据进行分类，对于任意一个边缘节点A，对边缘节点A的故障判断有辅助作用的另一个边缘节点的电力业务数据和边缘节点A的电力业务数据，采用第二分类模型对两个边缘节点的电力业务数据进行分类；对于任意一个边缘节点A，所有对边缘节点A的故障判断有辅助作用的边缘节点的电力业务数据和边缘节点A的电力业务数据，采用第三分类模型对多个边缘节点的电力业务数据进行分类；不同边缘节点的第一分类模型的输入特征可以不相同，例如，在同一条输电线路中，边缘节点、和处于输电线路的不同位置，第一分类模型的输入特征可以为电流、电势、温度和压力；而边缘节点的第一分类模型的输入特征可以为电力设备的温度、电力设备两端的电压、通过电力设备的电流和电力设备发出的声音。
故障预测准确率y按照以下公式进行计算：
式中，为正确率，为错误率，和为连接权值；所述正确率表示电力业务数据是故障时产生的，且被正确识别出的概率，的计算公式为，为被正确识别的故障电力业务数据的数量，为故障电力业务数据的数量；所述错误率表示电力业务数据是正常数据，但被错误识别为故障数据的概率，的计算公式为，为被错误识别的正常电力业务数据的数量，为正常电力业务数据的数量。
分类模型通过以下步骤S3-1至S3-4进行训练：
S3-1，对每个边缘节点的电力业务数据，采用无监督分类模型对电力业务数据进行分类；根据分类簇中正常电力业务数据和故障电力业务数据的数量，确定分类簇的类型，若正常电力业务数据的数量多于或等于故障电力业务数据的数量，则分类簇为正常分类簇；若正常电力业务数据的数量少于故障电力业务数据的数量，则分类簇为故障分类簇，故障分类簇中的故障电力业务数据为被正确识别出的故障电力业务数据，故障分类簇中的正常电力业务数据为被错误识别的正常电力业务数据；
S3-2，对边缘节点的分类模型的超参数进行调整，重新训练分类模型，直到故障预测准确率无法增加；
S3-3，对任意一个边缘节点A，云平台将除A之外的另一个边缘节点B的电力业务数据与边缘节点A的电力业务数据进行特征拼接，以拼接后的数据训练第二分类模型，判断边缘节点A的预测准确率y是否提升，若提升，则边缘节点B对边缘节点A的故障判断有辅助作用，若未提升，则边缘节点B对边缘节点A的故障判断无辅助作用；重复步骤找到所有对边缘节点A的故障判断有辅助作用的节点；
S3-4，以边缘节点A的故障预测准确率为指标，将所有对边缘节点A的故障判断有辅助作用节点的电力业务数据和边缘节点A的电力业务数据进行特征拼接，训练第三分类模型，调整超参数优化第三分类模型，直到边缘节点A的故障预测准确率不再增加。
S1-3，边缘节点以第一分类模型实时对电力业务数据进行故障分析，将电力业务数据和分析结果反馈给云平台。
S1-4，云平台基于边缘节点反馈的电力业务数据和分析结果，实时调整电力业务数据的处理顺序，实时对电力系统进行故障监测。
实时调整电力业务数据的处理顺序，还包括以下步骤：
S4-1，以边缘节点的第一分类模型对当前的电力业务数据进行分类，计算出电力系统的故障率，故障率为固定时间段内边缘节点的电力业务数据中，故障电力业务数据占所有电力业务数据的比例；i的取值范围是区间[1,n]内的正整数，n是边缘节点的数量；
S4-2，计算出边缘节点的分估值
表示边缘节点对其他节点故障判断的辅助效果，j的取值范围是区间[1,n]内的正整数，且j和i不相等；
S4-3，按照分估值从大到小的顺序，云平台选择与边缘节点对应的第三分类模型对边缘节点发送的电力业务数据进行故障监测。
边缘节点对其他节点故障判断的辅助效果通过以下步骤S5-1至S5-2确定：
S5-1，对于边缘节点，找到对边缘节点的故障判断有辅助作用的其他边缘节点，计算出其他边缘节点单独带来的故障预测准确率的第一提升值，计算出其他边缘节点一起带来的故障预测准确率的第一提升值，根据第一提升值计算出第二提升值，；对边缘节点的故障判断无辅助作用的其他边缘节点，第二提升值为0，不用进行计算；遍历j的所有取值，得到其他边缘节点对边缘节点的第二提升值；遍历i的所有取值，得到对所有边缘节点的第二提升值；
S5-2，获取步骤S5-1中得到的边缘节点对其他边缘节点的第二提升值，得到边缘节点对其他节点故障判断的辅助效果；遍历j的取值，得到边缘节点对所有边缘节点的辅助效果；遍历i的取值，得到所有边缘节点对其他节点的辅助效果。
对于边缘节点，找到对边缘节点的故障判断有辅助作用的其他边缘节点，计算出第二提升值，对边缘节点的故障判断无辅助作用的其他边缘节点，第二提升值为0，不用进行计算；从计算结果中可得到边缘节点对边缘节点的第二提升值；对边缘节点、、…、重复执行步骤得到边缘节点对所有边缘节点的辅助效果。
再找到对边缘节点的故障判断有辅助作用的其他边缘节点，计算出第二提升值，对边缘节点的故障判断无辅助作用的其他边缘节点，第二提升值为0，不用进行计算；边缘节点、、…、从计算结果中查找得到边缘节点、、…、对其他节点的辅助效果。
实时对电力系统进行故障监测还包括以下步骤：
边缘节点获取电力业务数据后，对电力业务数据进行初步分析，判断发生故障的概率，将电力业务数据和判断结果发送到云平台；
云平台根据边缘节点的初步判断结果，调整电力业务数据的处理顺序，并且采用每个边缘节点专用的分类模型对边缘节点的电力业务数据计算故障率，故障率为电力业务数据所属分类簇中故障电力业务数据与电力业务数据总数的比值；若故障率大于阈值，则云平台向报警模块发出指令，通知管理人员对边缘节点对应的电力设备进行检修。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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，均应包含在本发明的保护范围之内。

Claims (8)

1.基于AI和云技术的电力业务数据智能处理方法，其特征在于，包括以下步骤：
S1-1，获取历史电力业务数据；
S1-2，基于历史电力业务数据，以故障预测准确率为指标，训练第一分类模型、第二分类模型和第三分类模型，所述第一分类模型用于对一个边缘节点的电力业务数据进行分类，所述第二分类模型用于对两个边缘节点的电力业务数据进行分类，所述第三分类模型用于对多个边缘节点的电力业务数据进行分类；
S1-3，边缘节点以第一分类模型实时对电力业务数据进行分析，将电力业务数据和分析结果反馈给云平台；
S1-4，云平台基于边缘节点反馈的电力业务数据和分析结果，实时调整电力业务数据的处理顺序，实时对电力系统进行故障监测；
在步骤S1-2中，还包括以下步骤：
S3-1，对每个边缘节点的电力业务数据，采用无监督分类模型对电力业务数据进行分类；根据分类簇中正常电力业务数据和故障电力业务数据的数量，确定分类簇的类型，若正常电力业务数据的数量不少于故障电力业务数据的数量，则分类簇为正常分类簇；若正常电力业务数据的数量少于故障电力业务数据的数量，则分类簇为故障分类簇，故障分类簇中的故障电力业务数据为被正确识别出的故障电力业务数据，故障分类簇中的正常电力业务数据为被错误识别的正常电力业务数据；
S3-2，对边缘节点的分类模型的超参数进行调整，重新训练分类模型，直到故障预测准确率无法增加；
S3-3，对任意一个边缘节点A，云平台将除A之外的另一个边缘节点B的电力业务数据与边缘节点A的电力业务数据进行特征拼接，以拼接后的数据训练第二分类模型，判断边缘节点A的预测准确率y是否提升，若提升，则边缘节点B对边缘节点A的故障判断有辅助作用，若未提升，则边缘节点B对边缘节点A的故障判断无辅助作用；重复步骤找到所有对边缘节点A的故障判断有辅助作用的节点；
S3-4，以边缘节点A的故障预测准确率为指标，将所有对边缘节点A的故障判断有辅助作用节点的电力业务数据和边缘节点A的电力业务数据进行特征拼接，训练第三分类模型，调整超参数优化第三分类模型，直到边缘节点A的故障预测准确率不再增加；
实时调整电力业务数据的处理顺序，还包括以下步骤：
S4-1，以边缘节点的第一分类模型对当前的电力业务数据进行分类，计算出电力系统的故障率，i的取值范围是区间[1,n]内的正整数，n是边缘节点的数量；
S4-2，计算出边缘节点的分估值，，表示边缘节点对其他节点故障判断的辅助效果，j的取值范围是区间[1,n]内的正整数，且j和i不相等；
S4-3，按照分估值从大到小的顺序，云平台选择与边缘节点对应的第三分类模型对边缘节点发送的电力业务数据进行故障监测。
2.根据权利要求1所述的基于AI和云技术的电力业务数据智能处理方法，其特征在于，在步骤S1-2中，所述故障预测准确率y按照以下公式进行计算：
式中，为正确率，为错误率，和为连接权值；所述正确率表示电力业务数据是故障时产生的，且被正确识别出的概率，的计算公式为，为被正确识别的故障电力业务数据的数量，为故障电力业务数据的数量；所述错误率表示电力业务数据是正常数据，但被错误识别为故障数据的概率，的计算公式为，为被错误识别的正常电力业务数据的数量，为正常电力业务数据的数量。
3.根据权利要求1所述的基于AI和云技术的电力业务数据智能处理方法，其特征在于，在步骤S4-2中，边缘节点对其他节点故障判断的辅助效果通过以下步骤确定：
S5-1，对于边缘节点，找到对边缘节点的故障判断有辅助作用的其他边缘节点，计算出其他边缘节点单独带来的故障预测准确率的第一提升值，计算出其他边缘节点一起带来的故障预测准确率的第三提升值，根据第一提升值计算出第二提升值，；对边缘节点的故障判断无辅助作用的其他边缘节点，第二提升值为0，不用进行计算；遍历j的所有取值，得到其他边缘节点对边缘节点的第二提升值；遍历i的所有取值，得到对所有边缘节点的第二提升值；
S5-2，获取步骤S5-1中得到的边缘节点对其他边缘节点的第二提升值，得到边缘节点对其他节点故障判断的辅助效果；遍历j的取值，得到边缘节点对所有边缘节点的辅助效果；遍历i的取值，得到所有边缘节点对其他节点的辅助效果。
4.根据权利要求3所述的基于AI和云技术的电力业务数据智能处理方法，其特征在于，实时对电力系统进行故障监测还包括以下步骤：
边缘节点获取电力业务数据后，对电力业务数据进行初步分析，判断发生故障的概率，将电力业务数据和判断结果发送到云平台；云平台根据边缘节点的初步判断结果，调整电力业务数据的处理顺序，并且采用每个边缘节点专用的分类模型对边缘节点的电力业务数据计算故障率，故障率为电力业务数据所属分类簇中故障电力业务数据与电力业务数据总数的比值；若故障率大于阈值，则云平台向报警模块发出指令，通知管理人员对边缘节点对应的电力设备进行检修。
5.基于AI和云技术的电力业务数据智能处理系统，应用于权利要求1-4中任一项所述的基于AI和云技术的电力业务数据智能处理方法，其特征在于，包括边缘节点、云平台、数据采集模块、数据存储模块和报警模块；所述边缘节点与所述云平台相互连接，用于对电力业务数据进行初步故障判断；所述云平台作为中心服务器，云平台输出端与所述报警模块相互连接，用于确定电力业务数据的处理顺序，并对电力业务数据进行故障判断；所述数据采集模块的输出端与所述边缘节点和所述数据存储模块的输入端相互连接，用于获取电力设备的运行状态数据和性能参数；所述数据存储模块的输出端与所述云平台的输入端相互连接，用于存储历史电力业务数据；所述报警模块，用于响应云平台发出的指令，通知管理人员对电力设备进行检修。
6.根据权利要求5所述的基于AI和云技术的电力业务数据智能处理系统，其特征在于，所述云平台分为四层，分别为基础设施层、数据层、业务层和应用层；所述基础设施层包含云平台相关设施以及服务，包含 ECS、VPC、云存储、云盾、容器服务和EDAS；所述数据层由数据接口服务、共享数据和数据域构成，数据接口服务用于提供与边缘节点和数据存储模块的数据交互能力；所述业务层用于训练第一分类模型、第二分类模型和第三分类模型；所述应用层包含微应用单元，微应用单元包含前后端分离架构的前端应用及后端逻辑接口。
7.根据权利要求5所述的基于AI和云技术的电力业务数据智能处理系统，其特征在于，所述云平台利用历史电力业务数据训练第一分类模型、第二分类模型和第三分类模型，并将训练完成的模型存储在云数据库中；云平台为各模块提供模块部署所需的 IAAS 层软硬件资源和 PAAS 层平台服务；IAAS 层资源提供计算、存储、网络、安全和虚拟化能力；PAAS层提供中间件以及数据库服务，中间件服务包括微服务管理 EDAS、消息队列和负载均衡；数据库服务包括云数据库。
8.根据权利要求7所述的基于AI和云技术的电力业务数据智能处理系统，其特征在于，所述边缘节点从云平台获取第一分类模型，使用第一分类模型对电力业务数据进行初步故障判断；所述云平台基于初步故障判断结果确定不同边缘节点的电力业务数据处理顺序，采用第三分类模型对电力业务数据进行最终的故障判断。
CN202410444224.5A 2024-04-15 2024-04-15 基于ai和云技术的电力业务数据智能处理系统与方法 Active CN118037282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410444224.5A CN118037282B (zh) 2024-04-15 2024-04-15 基于ai和云技术的电力业务数据智能处理系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410444224.5A CN118037282B (zh) 2024-04-15 2024-04-15 基于ai和云技术的电力业务数据智能处理系统与方法

Publications (2)

Publication Number Publication Date
CN118037282A CN118037282A (zh) 2024-05-14
CN118037282B true CN118037282B (zh) 2024-07-05

Family

ID=90991856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410444224.5A Active CN118037282B (zh) 2024-04-15 2024-04-15 基于ai和云技术的电力业务数据智能处理系统与方法

Country Status (1)

Country Link
CN (1) CN118037282B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423009A (zh) * 2022-08-25 2022-12-02 中国电力科学研究院有限公司 一种面向云边协同的电力设备故障识别方法及系统
CN116259161A (zh) * 2023-05-16 2023-06-13 济南荣耀合创电力科技有限公司 一种电力故障预警系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4131094A4 (en) * 2020-09-23 2023-11-15 Ennew Digital Technology Co., Ltd. PREDICTION METHOD AND APPARATUS, READABLE MEDIUM AND ELECTRONIC DEVICE
KR102464762B1 (ko) * 2022-02-17 2022-11-09 주식회사 디엠테크컨설팅 경험적 공유 지식 기반의 인공지능을 활용한 설비고장 예지보전 방법
CN116720132A (zh) * 2023-05-24 2023-09-08 深圳供电局有限公司 电力业务识别系统、方法、设备、介质和产品
CN117370060A (zh) * 2023-10-17 2024-01-09 国网湖南省电力有限公司 基于云边协同的业务故障自动定位方法、系统及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423009A (zh) * 2022-08-25 2022-12-02 中国电力科学研究院有限公司 一种面向云边协同的电力设备故障识别方法及系统
CN116259161A (zh) * 2023-05-16 2023-06-13 济南荣耀合创电力科技有限公司 一种电力故障预警系统

Also Published As

Publication number Publication date
CN118037282A (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN111885012B (zh) 基于多种网络设备信息采集的网络态势感知方法及系统
CN107274105B (zh) 基于线性判别分析的多属性决策树电网稳定裕度评估方法
CN106844161B (zh) 一种带状态流计算系统中的异常监控及预测方法和系统
CN109787979B (zh) 一种电力网络事件和入侵的检测方法
CN108564254A (zh) 基于大数据的配电设备状态可视化平台
CN109190672A (zh) 电力系统运行工况无监督聚类方法及装置
CN111327480B (zh) 移动边缘环境下的Web服务多元QoS监控方法
CN113743246A (zh) 一种基于深度学习的关键电能设备故障诊断方法
CN114936808A (zh) 一种面向变电站故障检测的云边协同任务管理系统及方法
CN118037282B (zh) 基于ai和云技术的电力业务数据智能处理系统与方法
Hou et al. A Federated Learning‐Based Fault Detection Algorithm for Power Terminals
CN117834202A (zh) 一种基于XGBoost模型的SDWAN异常流量识别方法
CN111985526B (zh) 一种基于相似场景聚类的尾随间隔管理策略生成方法及其系统
CN114401195A (zh) 服务器的容量调整方法及装置、存储介质及电子设备
CN114265837A (zh) 一种站端交互数据特征提取方法
CN111813542A (zh) 一种并行处理大规模图分析任务的负载均衡方法及其装置
Qiu et al. Automatic feature extraction model of power iot terminal
Qiu et al. Automatic Locating Technology for Distribution Network Based on Graph Convolution Neural Networks
CN116932228B (zh) 一种基于志愿者计算的边缘ai任务调度和资源管理系统
CN109241060A (zh) 换流站远传信号的分层分级方法与装置
Jiang et al. Fault root cause location based on machine learning in 5G core network
Xia et al. Research on hidden danger risk perception technology based on big data
Ning et al. A Classification and Identification Method for Overload of Network Big Data Based on Rels-Tsvm
CN118869444A (zh) 一种基于深度学习的云平台告警场景根因定位的方法及系统
CN116232755A (zh) 一种智能电网态势感知方法、装置、电子设备及存储介质

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