CN110516837A - 一种基于ai的智能化诊断方法、***及装置 - Google Patents
一种基于ai的智能化诊断方法、***及装置 Download PDFInfo
- Publication number
- CN110516837A CN110516837A CN201910620275.8A CN201910620275A CN110516837A CN 110516837 A CN110516837 A CN 110516837A CN 201910620275 A CN201910620275 A CN 201910620275A CN 110516837 A CN110516837 A CN 110516837A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity consumption
- model
- acquisition
- consumption data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 124
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 33
- 230000005540 biological transmission Effects 0.000 claims description 29
- 230000000750 progressive effect Effects 0.000 claims description 13
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 20
- 238000012937 correction Methods 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000003032 molecular docking Methods 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011985 exploratory data analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241001310793 Podium Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000082 states acquisition Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能电网领域,特别涉及一种基于AI的智能化诊断方法、***及装置。核心是AI+IoT,由标准化、工业化的IoT边缘计算硬件设备加上定制化的AI模块构成,包括:IoT设备的采集单元采集用电数据;云平台根据历史数据训练AI模型,根据新的数据不断动态完善AI模型,IoT设备的边缘计算单元将采集的用电数据输入训练好的人工智能AI模型,得到相关数据。实现治理的实时预测,切实提高了能源指标异常超标的实时监测水平,将以往半人工***检测加人工核实的工作模式,改为全自动智能AI分析模式。最终实现云平台+边缘计算设备+智能现场终端+智慧IoT芯片组模块的全新软硬件形态,重新定义用户侧能源***、配电管理***,开启“软件定义能源”的时代。
Description
技术领域
本发明涉及智能电网领域,特别涉及一种基于AI的智能化诊断方法、***及装置。
背景技术
目前,泛在电力物联网建设正稳步进行,基础支撑、数据共享和对内对外业务等六大领域任务已先后开展。线损作为电网企业的核心经济技术指标之一,反应了企业的经营成本和经济效益,加强线损管理是电网企业一项长期的战略任务和***工程。智能电网是以平衡为约束的多目标函数,其因子众泛,条件随机,线损情况多变,成因复杂,实际线损通常由多个增损因素共同作用所致,同时线损的各项因素又是动态变化的,难以物理建模,人工经验及现有手段仍存在分析效率低、误判率高,影响因素发现不完全等问题。
物联网整体建设与应用仍存在不足,基础架构上主要存在以下不足:
终端方面:配电、用电侧等终端采集监控覆盖不足,实时性不强;终端智能化和双向交互水平较低;缺乏统一规划设计和标准;
网络方面:通信接入网覆盖深度不够、带宽不足;电网调控业务专用通道存在带宽瓶颈;缺乏端到端的泛在通信网解决方案,网络资源调配能力不足;
平台方面:缺乏跨专业统一物联管理,超大规模终端接入和应用管理能力不足;面向物联应用的开放共享不足;平台层与终端层的协同计算与实时响应能力不足。
目前,能源指标治理工作存在的问题主要有以下几方面:
1、“能源指标治理无预测性”——当前能源指标管理***以监测及数据储备为主,大量数据没有发挥作用,无法实时的预测能源指标,从而无法精确判断能源指标异常情况;
2、“能源指标异常成因诊断困难”——当前使用的能源指标管理***大多以数据计算为主,分析能力较弱,无法精确定位每个站房、设备、线路、台区、用户的实时异常状态,能源指标治理难度大,能源指标异常成因的诊断严重依赖人员的专业水平,存在误判、漏判等风险;
3、“治理决策依靠人工”——目前的能源指标管理处在半自动化水平,严重依赖人工经验及人工决策,缺乏有效的技术和数据支撑。
4、“数据价值利用不足”——目前能源指标管理的分析工作大多依赖各大业务***进行联动,由于数据海量,时间跨度大,数据关联关系复杂等原因,对这些数据在能源指标治理上的价值挖掘不足。
发明内容
本发明实施例提供了一种一种基于AI的智能化诊断方法、***及装置,核心是AI+IoT,由标准化、工业化的IoT边缘计算硬件设备加上定制化的AI 模块构成,包括:IoT设备的采集单元采集用电数据;云平台根据历史数据训练AI模型,根据新的数据动态完善AI模型,IoT设备的边缘计算单元将采集的用电数据输入训练好的人工智能AI模型,得到相关数据。实现治理的实时预测,切实提高了能源指标异常超标的实时监测水平,将以往半人工***检测加人工核实的工作模式,改为全自动智能AI分析模式。
根据本发明实施例的第一方面,一种基于AI的智能化诊断方法,包括:
IoT采集单元采集用电数据;
将采集的用电数据输入训练好的人工智能AI模型,得到相关数据。
人工智能AI模型包括窃电AI模型,检测窃电数据,其中,所述窃电AI 模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对窃电AI模型训练。
还包括:
每隔固定时间,收集新的带标签的用电数据,对新收集的用电数据进行预处理;
利用预处理后的新收集的用电处理更新所述窃电AI模型。
所述窃电AI模型为分类回归树模型或者渐进梯度分类树模型。
对于用电数据大于N条数据/天的,采用分类回归树模型,对于用电数据小于等于N条数据/天,选用渐进梯度分类树模型,N为大于1的整数。
通过预处理后的用电数据对窃电AI模型训练包括:
从预处理后的用电数据中选择部分用电数据对模型进行训练;
从预处理后的用电数据中选用剩余部分用电数据对模型进行测试;
测试结果的测试指标在阈值范围内时,训练结束,测试结果不在阈值范围内,修改模型参数重新训练。
对收集的用电数据进行预处理,包括:
针对采集的用户数据,采用基于高斯分布的点估计法以及多项式回归的方法去回填丢失的用电数据,并纠正误差大于预设阈值的用电数据。
将采集的用电数据输入训练好的台区表AI模型,检测台区能源指标异常波动数据,其中,所述台区表AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对台区表AI模型训练。
将采集的用电数据输入训练好的技术损耗AI模型,预测实时线损数据,其中,所述技术损耗AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对技术损耗 AI模型训练。
将采集的用电数据输入训练好的户变关系AI模型,计算户变关系对能源指标的影响,并筛选出不准确的户变关系,其中,所述户变关系AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对户变关系AI模型训练。
将采集的用电数据输入训练好的采集AI模型,筛选出采集不准确的数据,其中,所述采集AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对采集AI模型训练。
将采集的用电数据输入训练好的计量AI模型,计算计量对能源指标的影响,筛选出计量不准确的计量结果,其中,所述计量AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对计量AI模型训练。
将采集的用电数据输入训练好的档案AI模型,分析档案错误对能源指标的影响,筛选出存在问题的档案,其中,所述档案AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对档案AI模型训练。
一种基于AI的智能化IOT边缘计算能源指标诊断***,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行所述方法的步骤。
一种基于AI的智能化IOT边缘计算能源指标诊断装置,包括边缘计算模块和若干数据采集模块,数据采集模块连接边缘计算模块,数据采集模块用于采集用电数据,将采集数据传输给边缘计算模块。
还包括供电模块,所述数据采集模块包括采集子模块、传输子模块,其中:
所述采集子模块用于采集数据,所述传输模块连接于采集子模块,用于将采集模块采集的数据传送给边缘计算模块,供电模块分别与采集子模块和传输子模块供电端连接,用于给采集子模块、传输子模块供电。
边缘计算模块包括处理子模块、数据接收子模块、存储子模块,数据接收子模块用于接收所述采集子模块采集的数据;存储子模块连接于处理子模块,用于存储所述采集子模块采集的数据;供电模块用于给处理子模块、数据接收子模块、存储子模块供电。
数据采集模块还包括单片机***和接口子模块,所述单片机***连接所述接口子模块的输出端。
接口子模块包括RS485接口和RS232接口。
数据采集模块还包括温度传感器和/或看门狗***。
所述传输子模块包括LORA模块和天线。
边缘计算模块的数据接收子模块包括LORA NC单元和数据接收天线。
边缘计算模块的处理子模块包括多核中央处理单元CPU和内存单元。
数据发送模块包括4G单元和/或5G单元,还包括数据发送天线,用于将数据传送给控制中心。
本发明实施例提供的技术方案可以包括以下有益效果:
基于AI的智能化诊断方法、***及装置采用分级部署,用户端边缘节点完成数据采集和回传。在配变电台区边缘节点,具备云API,边缘计算、边缘存储等能力,可以承载智能AI,实现低延时业务响应。配变电台区边缘节点在完成边缘计算的同时,将数据传回传到区域中心层(国网/省市级数据中心),为数据中心侧提供类型丰富的边缘数据,以利于中心侧对大数据进行分析挖掘,从而使中心侧更好的与IoT边缘计算平台协同作业。
AI智能***能够深入挖掘智能电表、采集终端、用电量信息等相关装置和平台的大数据价值,提升能源指标管理的精益化、智能化水平,将有效改善能源指标。应用AI人工智能结合数据挖掘及边缘计算等新技术,开展能源指标智能诊断研究,以实干促进泛在电力物联网建设。
智能AI是计算机科学的一个分支,能以人类智能相似的方式做出反应,该领域的研究包括机器人,语言识别、图像识别、自然语言处理和专家***等。
边缘计算在网络边缘侧的智能网关上就近处理采集到的数据,而不需要将大量数据上传到远端的数据中心,其应用程序在边缘侧发起,产生更快的网络服务响应,满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。
实现了能源指标治理工作的各类复杂因素人工智能模块化处理,实现能源指标治理的实时预测,切实提高了能源指标异常超标的实时监测水平,将以往半人工能源指标管理***检测加人工核实的工作模式,改为全自动智能 AI分析模式,根据现场使用的实际反馈,实时发现率从65%提升至91%,解决了能源指标异常波动漏判多、误判高的问题。
智能AI***具有台区和高压区域实时预测的特点,不仅可以在用户端进行实时的数据深度挖掘和预测,同时可以为改造类项目提供准确的数据支撑,模型可以记录下设备的实际运营状态,减少过渡改造所带来的成本支出。同时,可以运用智能AI机器模型,将陈旧和新增的人工和半自动***无法处理的庞大数据进行收集再次加工,并对现存数据的缺失部分进行回填和纠错,不仅满足智能AI***的工作需求,也可为电网公司其他半自动***提供联动协助。以此为基础,建立电网设备与用户的数据桥梁,实现精准的判定和预测设备与用户的异常,根据实施现场对***的使用反馈能源指标治理率提升了30%的百分点。
智能AI***深化泛在物联网技术应用,利用智能配变终端及新一代智能采集终端,以配变为单元开展同期售电量、台区线损率等边缘计算,含设备端的边缘计算、三站合一(变电站改造为“变电站、储能站和数据中心”)边缘数据中心两种类型。使用人工智能,结合边缘计算,深度挖掘边缘数据价值,将数据价值转换为经营效益价值。
智能AI***利用对泛在电力物联网中的设备信息及访问数据进行智能分析,对物联网中的设备进行智能身份识别,通过身份认证来界定访问权限,当越过安全级别的登录、访问发生时,智能AI***将根据智能判断启动预警、拦截、记录等操作,实现智能防御,包括对物联网安全态势的动态感知,预警信息的自动分发、安全威胁的智能分析,相应措施的联动处置等。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是一种基于AI的智能化诊断方法流程图;
图2是分类回归树模型训练输出图;
图3是一种基于AI的智能化诊断***模块图;
图4是一种基于AI的智能化诊断装置示意图;
图5是一种基于AI的智能化诊断装置全流程示意图。
具体实施方式
实施例一
如图1所示,本发明提供了一种基于AI的智能化诊断方法,包括:
采集用电数据;
将采集的用电数据输入训练好的人工智能AI模型,得到相关数据。
人工智能AI模型包括窃电AI模型,检测窃电数据,其中,所述窃电AI 模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对窃电AI模型训练。
具体的,对模型的训练,通过IOT边缘设备采集真实的台区用电数据用作模型的训练。数据特征集包括时间,单相/三相电压,单相/三相电流,零线电压 /电流,相位夹角,是否开盖,标签为实际的用户分类数据(正常用户,窃电用户)作为用户分类的实际结果作为,对模型进行训练。
对采集的用电数据进行预处理,采用基于高斯分布的点估计法以及多项式回归的方法去回填丢失的数据,并纠正误差较大的数据,从而提升训练数据的质量,保证模型的学习效果;数据集其中代表标签分别表示正常用户和窃电用户,为特征向量,包括时间,单相/三相电压,单相/ 三相电流,零线电压/电流,相位夹角,是否开盖,其中时间为数据读取时刻的时间,是否开盖中开盖为1,不开盖为0;
对AI模型进行训练,选择部分数据进行训练,用剩余部分的数据作为测试数据,当满足设定条件时,结束训练;
优选的,AI模型可以为分类回归树模型或者渐进梯度分类树模型,优选的,对于大于N条数据/天的,采用分类回归树模型,对于小于等于N条数据/天,选用渐进梯度分类树模型;N为大于1的整数,N可以为10万。
如图2所示,选择分类回归树模型进行训练,将随机选取其中部分数据作为训练数据,训练,该模型属于经典机器学习领域中的一种决策树方法,能在适中的数据集下非常高效地学习出特征和标签之间的关系,并能直观地把该模型通过树的形式可视化展示出来。该模型的核心构建是通过计算不同数据集的 Gini系数来决定的,其中Gini系数的公式为:其中k表示的是数据类别,pk表示的是第k类数据的占比。通过模型构建后,该模型便可视化成一棵树;
用剩余部分的数据作为测试数据,对模型进行测试,得到精确度、召回率,综合评价指标F1,精确度、召回率,综合评价指标F1在阈值范围内时,将训练结束;精确度、召回率,综合评价指标F1不在阈值范围内时,调整特征选择和树的结构,重新进行训练,直到精确度、召回率,综合评价指标F1在阈值范围内;
将训练好的额分类回归树模型部署于IOT边缘数据量较大的地方,比如台区端用来做数据汇总的边缘设备上;
选择渐进梯度分类树模型进行训练,将随机选取其中部分数据作为训练数据,
初始化:
N为输入数据个数,i为输入数据的位置,代表标签分别表示正常用户和窃电用户,L(*)实际值和预测值的损失函数;c为计算的预测值;
对于m=1,2,…M,i=1,2,…N计算
对rm,i拟合回归树,得到第m棵树的叶结点区域Rm,j,j=1,2…J
对j=1,2…J,计算每个区域Rm,j上的输出值:
更新
得到回归树:
用剩余部分的数据对模型进行测试,得到精确度、召回率、综合评价指标 F1,如果精确度、召回率、综合评价指标F1在阈值范围内,训练结束,如果精确度、召回率、综合评价指标F1不在阈值范围,调整计算的预测值c;
将训练好的渐进梯度分类树模型署于数据量小但需要更精细处理的地方,比如用户侧的电表端;
当模型训练和优化完成后,我们通过IOT总控制台将其部署到每一个IOT 边缘设备中运行模型。此时IOT设备会每隔一段时间(例如15分钟)不断采集新的数据,包括时间,单相/三相电压,单相/三相电流,零线电压/电流,相位夹角,是否开盖等各个指标,将采集的数据代入训练好的模型,便可计算得到是否是窃电用户。
其中,对于渐进梯度分类树,公式如下所示。其中M表示决策树的数量, hm表示第m棵决策树,x表示输入的特征向量,Θm表示通过训练得到的模型参数。当检测到窃电用户时,IOT边缘设备便能在第一时间对其进行响应,如通知就近的电力公司触发告警,在最短的时间内进行窃电的处理。
每隔固定时间,收取新的窃电类别的用电数据,用电数据包括(特征+标签数据)后进行新一轮的训练,从而让模型适应不断变化中的窃电类型。模型训练过程和前面的过程相同,在此不再赘述。当训练完成后,我们再通过IOT 总控制台把模型部署到每一个IOT设备中,从而完成模型的更新操作。
实施例二
本发明一种基于AI的智能化诊断方法包括:
我们通过IOT边缘设备采集到了大量真实的台区用电数据用作模型的训练。其中各IOT设备采集的训练数据总量大约在20w,包含时间,单相/三相电压,单相/三相电流,零线电压/电流,相位夹角,是否开盖等各个指标数据作为特征集,并且也包含实际的用户分类数据(正常用户,窃电用户)作为用户分类的实际结果作为标签,对模型进行训练。
在这20w通过IOT边缘设备采集的数据中,包含了部分缺失和有误差的数据,因此我们需要先对数据进行预处理,使数据能到达训练数据的标准。通过 EDA(ExploratoryData Analysis)方法,我们发现质量好的数据的分布规律较明显,呈现高斯分布(GaussianDistribution)的特征,而且各个指标之间呈现较强的关联性,因此我们先通过质量好的数据,采用基于高斯分布的点估计法以及多项式回归(Polynomial Regression)的方法去回填丢失的数据,并纠正误差较大的数据,从而提升训练数据的质量,保证模型的学习效果。
数据预处理完成后,我们随机选取其中70%的数据作为训练数据,然后采用分类回归树(Classification And Regression Tree)模型进行训练。该模型属于经典机器学习领域中的一种决策树(Decision Tree)方法,能在适中的数据集下非常高效地学习出特征和标签之间的关系,并能直观地把该模型通过树的形式可视化展示出来。该模型的核心构建是通过计算不同数据集的Gini系数来决定的,其中Gini系数的公式为:其中k表示的是数据类别, pk表示的是第k类数据的占比。通过模型构建后,该模型便可视化成一棵树,如图1所示。
我们拿剩余30%的数据作为测试数据,对模型进行测试,得到精确度(precision)P=100%,召回率(recall)R=91%,综合评价指标(F1-Measure) F1=(2*P*R)/(P+R)=95%。在这里我们发现模型指标表现非常不错,但有可能存在过拟合(Overfitting)的现象,因此我们决定采用机器学习领域中的集成学习模型——渐进梯度分类树(Gradient Boost Decision Tree)来继续提高模型性能。模型训练的核心思想是按顺序依次迭代训练每个学习器,并重点关注被前面的学习器错分的样本,从而通过不断迭代学习前人的经验教训来降低错误的发生,达到好的学习效果。
当模型训练和优化完成后,我们通过IOT总控制台将其部署到每一个IOT 边缘设备中运行模型。此时IOT设备会每隔一段时间(例如15分钟)不断采集新的数据,包括时间,单相/三相电压,单相/三相电流,零线电压/电流,相位夹角,是否开盖等各个指标,然后我们将采集的数据代入训练好的渐进梯度分类树的公式,便可计算得到是否是窃电用户。公式如下所示。其中M表示决策树的数量,hm表示第m棵决策树,x表示输入的特征向量,Θm表示通过训练得到的模型参数。当检测到窃电用户时,IOT边缘设备便能在第一时间对其进行响应,如通知就近的电力公司触发告警,在最短的时间内进行窃电的处理。
模型更新:随着时间推移,新的窃电类型一定会层出不穷的冒出来。为了适应这种变化,我们可以每隔一段时间后(如1天)让模型接收新的窃电类别的数据输入(特征+标签数据)后进行新一轮的训练,从而让模型适应不断变化中的窃电类型。模型训练过程和前面的过程相同,在此不再赘述。当训练完成后,我们再通过IOT总控制台把模型部署到每一个IOT设备中,从而完成模型的更新操作。
基于AI的智能能源指标诊断***由窃电、台区表、技术损耗、户变关系、采集、计量和档案等七部分AI模块组成,通过数据AI化来解决数据不精准以及能源指标管理过程中的人工局限性,建立一套全自动化的能源指标监控、分析、诊断、预测及智能决策的AI***。
实施例三
本发明一种基于AI的智能化诊断方法还包括:
采集用电数据;
将采集的用电数据输入训练好的人工智能AI模型,得到相关数据。
优选的,其中,人工智能AI模型还包括台区表AI模型、技术损耗AI模型、户变关系AI模型、采集AI模型、计量AI模型、档案AI模型。
其中,相关模型如下所述:
台区表AI模型
台区表用于计量供电量和售电量之差(称为线损电量),台区表统计 10kV/400V低压分台区的供电量和售电量,提供台区线损的基础数据。台区表 AI模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,,建立台区表AI模型,筛选出台区能源指标异常波动数据;
3.将窃电AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.台区表AI模块发现能源指标异常波动数据后,同其他模块联动,分析能源指标异常波动成因。
技术损耗AI模型
线损按其产生的原因主要分为技术线损和管理线损两类,技术线损又称为理论线损,计算技术线损作为线损管理的一项重要工作,它为制定降损方案、技措计划及确定线损率指标、线损考核提供理论依据,对线损管理具有很大的指导作用。技术损耗AI模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家判断逻辑,机器对20万以上的技术损耗数据进行学习,得出技术损耗AI模型;
3.将技术损耗AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.通过台区理论线损AI模型,能够精确预测每一个台区实时的理论线损率,并筛选出线损异常波动的结果,为治理台区线损提供科学依据;
户变关系AI模型
台区户变关系的正确是有效开展台区能源指标治理的基础,台区户变关系是否一一对应,是台区能源指标管理首先应解决的问题。户变关系的准确,既是台区能源指标准确统计的基础,也是后续准确分析、及时整改的保障,不掌握正确的户变关系,台区能源指标治理根本无法开展。正因如此,户变关系的准确性万分重要,户变关系AI模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,得出户变关系AI模型;
3.将户变关系AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.户变关系AI模块可以非常准确的计算户变关系对能源指标的影响,并筛选出不准确的户变关系。
采集AI模型
采集是能源指标管理的基础环节,采集设备的正常工作是数据准确的基础,采集AI模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,得出采集AI模型;
3.将采集AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.采集AI模型可以非常准确的计算采集对能源指标的影响,并筛选出采集不准确的数据。
计量AI模型
计量管理是能源指标管理的关键环节,直接决定了能源指标基础统计数据的准确性,没有准确的计量,后续的分析和改进措施就是空中楼阁。而加强计量表计管理、依靠技术手段加强监控是确保计量准确的主要手段,计量AI模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,得出计量AI模型;
3.将计量AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.计量AI模块可以准确计算计量对能源指标的影响,此外筛选出计量不准确的计量结果。
档案AI模型
营销***档案错误以及营销***档案与用电信息采集***内档案信息未同步等原因,都将导致采集***售电量统计异常,引起台区能源指标异常。档案 AI模块将主要针对这个问题,完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,得出档案AI模型;
3.将档案AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.档案AI模块可以准确的分析出档案错误对能源指标的影响,还可以筛选出可能存在问题的档案。
如图3所示,一种基于AI的智能化诊断***,根据本发明的计算***可以至少包括至少一个处理器、以及至少一个存储器。其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行本说明书上述描述的根据本发明各种示例性实施方式的资源展示方法中的步骤。
一种基于AI的智能化诊断***的组件可以包括但不限于:上述至少一个处理器、上述至少一个存储器、连接不同***组件(包括存储器和处理器)的总线。
总线表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、***总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM) 和/或高速缓存存储器,还可以进一步包括只读存储器(ROM)。
存储器还可以包括具有一组(至少一个)程序模块的程序/实用工具,这样的程序模块包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
该***也可以与一个或多个外部设备(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与计算装置交互的设备通信,和/或与使得该计算装置能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,该***还可以通过网络适配器与一个或者多个网络(例如局域网(LAN),广域网(WAN) 和/或公共网络,例如因特网)通信。如图所示,网络适配器通过总线与用于该***的其它模块通信。应当理解,尽管图中未示出,可以结合该***使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。该***包括一种基于AI的智能化诊断方法对应的模块,具体为
包括采集模块、人工智能AI模块,将采集的用电数据输入训练好的人工智能AI模块,得到相关数据;
采集模块通过IOT边缘设备采集真实的台区用电数据;并可以将带标签的数据作为训练数据训练AI模块;
人工智能AI模块包括包括窃电AI模块,检测窃电数据,
其中,所述窃电AI模块为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对窃电AI模块训练。
数据预处理通过对采集的用电数据进行预处理,高斯分布的点估计法以及多项式回归的方法去回填丢失的数据,并纠正误差较大的数据;
窃电AI模块可以为分类回归树模块或者渐进梯度分类树模块,用带标签的训练数据训练窃电AI模块,当窃电AI模块满足训练条件时,可以对采集的用电数据进行检测,检测出窃电用户。窃电AI模块每隔固定时间需要重新训练。
优选的,采集模块包括单片机***、接口模块,用于运行软件程序,完成数据采集及发送的各种处理,单片机***连接接口模块的输出端;接口模块包括RS485接口和RS232接口,RS485用于与电表对接,考虑到总线接构传输的可靠性,带电子隔离模块;RS232,由于是标准的点对点对接,不存在总线冲突问题,无电子隔离模块。
窃电AI模块
在管理降损方面,重点加强违章用电整治和反窃电工作力度。使用窃电AI 模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,得出窃电AI模型;
3.将窃电AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.窃电AI模块可以非常准确的完成窃电的常规判断(基于专家的经验判断),除此之外,还可以得出常规判断外的窃电用户筛选结果。
台区表AI模块
台区表用于计量供电量和售电量之差(称为线损电量),台区表统计 10kV/400V低压分台区的供电量和售电量,提供台区线损的基础数据。台区表 AI模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,,建立台区表AI模型,筛选出台区能源指标异常波动数据;
3.将窃电AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.台区表AI模块发现能源指标异常波动数据后,同其他模块联动,分析能源指标异常波动成因。
1.2.3技术损耗AI模块
线损按其产生的原因主要分为技术线损和管理线损两类,技术线损又称为理论线损,计算技术线损作为线损管理的一项重要工作,它为制定降损方案、技措计划及确定线损率指标、线损考核提供理论依据,对线损管理具有很大的指导作用。技术损耗AI模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家判断逻辑,机器对20万以上的技术损耗数据进行学习,得出技术损耗AI模型;
3.将技术损耗AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.通过台区理论线损AI模型,能够精确预测每一个台区实时的理论线损率,并筛选出线损异常波动的结果,为治理台区能源指标提供科学依据;
1.2.4户变关系AI模块
台区户变关系的正确是有效开展台区能源指标治理的基础,台区户变关系是否一一对应,是台区能源指标管理首先应解决的问题。户变关系的准确,既是台区能源指标准确统计的基础,也是后续准确分析、及时整改的保障,不掌握正确的户变关系,台区能源指标治理根本无法开展。正因如此,户变关系的准确性万分重要,户变关系AI模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,得出户变关系AI模型;
3.将户变关系AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.户变关系AI模块可以非常准确的计算户变关系对能源指标的影响,并筛选出不准确的户变关系。
1.2.5采集AI模块
采集是能源指标管理的基础环节,采集设备的正常工作是数据准确的基础,采集AI模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,得出采集AI模型;
3.将采集AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.采集AI模块可以非常准确的计算采集对能源指标的影响,并筛选出采集不准确的数据。
1.2.6计量AI模块
计量管理是能源指标管理的关键环节,直接决定了能源指标基础统计数据的准确性,没有准确的计量,后续的分析和改进措施就是空中楼阁。而加强计量表计管理、依靠技术手段加强监控是确保计量准确的主要手段,计量AI模块,主要完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,得出计量AI模型;
3.将计量AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.计量AI模块可以准确计算计量对能源指标的影响,此外筛选出计量不准确的计量结果。
1.2.7档案AI模块
营销***档案错误以及营销***档案与用电信息采集***内档案信息未同步等原因,都将导致采集***售电量统计异常,引起台区能源指标异常。档案 AI模块将主要针对这个问题,完成以下任务:
1.首先对数据进行回填和纠正,使数据的准确率提高到95%以上;
2.根据专家人工判断逻辑,机器对20万以上的正确与非正确数据进行学习,得出档案AI模型;
3.将档案AI模型放入生产环境模拟数据库,进行模型的进一步矫正和参数增加,使模型进一步丰满;
4.档案AI模块可以准确的分析出档案错误对能源指标的影响,还可以筛选出可能存在问题的档案。
如图4、图5所示,一种基于AI的智能化诊断装置,包括边缘计算模块、若干数据采集模块,数据采集模块包括采集子模块、传输子模块、供电模块;
采集子模块采集数据,传输子模块连接于采集子模块,接收采集子模块的数据并将采集子模块采集的数据传送给边缘计算模块,供电模块连接采集子模块、传输子模块供电端,给采集子模块、传输子模块供电;
边缘计算模块包括处理子模块、数据接收子模块、存储子模块和供电模块,数据接收子模块接收数据采集模块的采集子模块采集的数据;存储子模块连接于处理子模块,存储采集子模块采集的数据;供电模块给处理子模块、数据接收子模块、存储子模块供电。
采集模块部署在用户终端和配变台区终端,包括单片机***、接口子模块,用于运行软件程序,完成数据采集及发送的各种处理,单片机***连接接口子模块的输出端;接口子模块包括RS485接口和RS232接口,RS485用于与电表对接,考虑到总线接构传输的可靠性,带电子隔离模块;RS232,由于是标准的点对点对接,不存在总线冲突问题,无电子隔离模块。
接口子模块采集的数据包括电流、电压、电量、三相夹角。
优选的,数据采集模块还包括看门狗***,于提升设备可靠性,在CPU***程序运行异常时,可以自动复位***,让***恢复正常。
优选的,数据采集模块还包括温度传感器,温度传感器用于检测设备工作环境温度,采用MCU内置温度传感器。
供电模块主要解决供电问题,可以从220V直接取电,或者采用适配器供电方式。
传输子模块包括LORA模块、天线;LORA模块为低功耗无线传输模块,用于将采集到的数据回传到边缘计算模块。LORA是低功耗广域网通信技术中的一种,是Semtech公司采用和推广的一种基于扩频技术的超远距离无线传输技术,是Semtech射频部分产生的一种独特的调制格式。LORA模块就是基于 Semtech公司SX1276/1278芯片研发的无线数传模块,这种芯片集成规模小、效率高,从而让LORA模块拥有高接收灵敏度。
边缘计算模块的处理模块包括多核CPU和内存单元,可选的,可以采用 1.4GHz 64位4核ARM Cortex-A53 CPU其中,考虑到局端运算需求相对较大,内存采用至少1G的容量。
多核CPU处理模块***优选的,使用linux***,支持多线程。
CPU处理模块包括数据预处理模块、分类回归树模块、渐进梯度分类树模块、数据处理模块、更新模块。
多核CPU由于采集及存储的数据量在3GB/月以上(按照每台区10000个点位,每15分钟采集一次数据,单次数据为100字节估算),通过支持TF卡,可以灵活配置存储卡大小,满足不同应用场景需求。
边缘计算模块的数据接收子模块包括LORA NC单元和数据接收天线。 LORA NC单元为LORA的数据汇聚端
边缘计算模块的存储子模块为存储卡,用以存储处理的数据。
边缘计算模块的供电模块主要解决模块供电问题,直接从220V直接取电,或者采用适配器供电方式,考虑到临时停电或者电力故障,还需要支持电池供电。
边缘计算模块还包括数据发送子模块,数据发送模块包括4G单元或5G单元,还包括数据发送天线,将数据传送给控制中心。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (24)
1.一种基于AI的智能化诊断方法,其特征在于,包括:
IoT采集单元采集用电数据;
将采集的用电数据输入训练好的人工智能AI模型,得到相关数据。
2.如权利要求1所述的方法,特征在于,人工智能AI模型包括窃电AI模型,检测窃电数据,其中,所述窃电AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对窃电AI模型训练。
3.如权利要求2所述的方法,特征在于,还包括:
每隔固定时间,收集新的带标签的用电数据,对新收集的用电数据进行预处理;
利用预处理后的新收集的用电处理更新所述窃电AI模型。
4.如权利要求3所述的方法,其特征在于,所述窃电AI模型为分类回归树模型或者渐进梯度分类树模型。
5.如权利要求4所述的方法,其特征在于,对于用电数据大于N条数据/天的,采用分类回归树模型,对于用电数据小于等于N条数据/天,选用渐进梯度分类树模型,N为大于1的整数。
6.如权利要求5所述的方法,其特征在于,通过预处理后的用电数据对窃电AI模型训练包括:
从预处理后的用电数据中选择部分用电数据对模型进行训练;
从预处理后的用电数据中选用剩余部分用电数据对模型进行测试;
测试结果的测试指标在阈值范围内时,训练结束,测试结果不在阈值范围内,修改模型参数重新训练。
7.如权利要求6所述的方法,其特征在于,对收集的用电数据进行预处理,包括:
针对采集的用户数据,采用基于高斯分布的点估计法以及多项式回归的方法去回填丢失的用电数据,并纠正误差大于预设阈值的用电数据。
8.如权利要求1所述的方法,其特征在于,将采集的用电数据输入训练好的台区表AI模型,检测台区能源指标异常波动数据,其中,所述台区表AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对台区表AI模型训练。
9.如权利要求1所述的方法,其特征在于,将采集的用电数据输入训练好的技术损耗AI模型,预测实时线损数据,其中,所述技术损耗AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对技术损耗AI模型训练。
10.如权利要求1所述的方法,其特征在于,将采集的用电数据输入训练好的户变关系AI模型,计算户变关系对能源指标的影响,并筛选出不准确的户变关系,其中,所述户变关系AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对户变关系AI模型训练。
11.如权利要求1所述的方法,其特征在于,将采集的用电数据输入训练好的采集AI模型,筛选出采集不准确的数据,其中,所述采集AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对采集AI模型训练。
12.如权利要求1所述的方法,其特征在于,将采集的用电数据输入训练好的计量AI模型,计算计量对能源指标的影响,筛选出计量不准确的计量结果,其中,所述计量AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对计量AI模型训练。
13.如权利要求1所述的方法,其特征在于,将采集的用电数据输入训练好的档案AI模型,分析档案错误对能源指标的影响,筛选出存在问题的档案,其中,所述档案AI模型为按照以下流程训练得到的:收集带标签的用电数据;对收集的用电数据进行预处理;通过预处理后的用电数据对档案AI模型训练。
14.一种基于AI的智能化IOT边缘计算能源指标诊断***,其特征在于,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行权利要求1~13任一权利要求所述方法的步骤。
15.一种基于AI的智能化IOT边缘计算能源指标诊断装置,其特征在于,包括边缘计算模块和若干数据采集模块,数据采集模块连接边缘计算模块,数据采集模块用于采集用电数据,将采集数据传输给边缘计算模块。
16.如权利要求15所述的装置,其特征在于,还包括供电模块,所述数据采集模块包括采集子模块、传输子模块,其中:
所述采集子模块用于采集数据,所述传输模块连接于采集子模块,用于将采集模块采集的数据传送给边缘计算模块,供电模块分别与采集子模块和传输子模块供电端连接,用于给采集子模块、传输子模块供电。
17.如权利要求16所述的装置,其特征在于,边缘计算模块包括处理子模块、数据接收子模块、存储子模块,数据接收子模块用于接收所述采集子模块采集的数据;存储子模块连接于处理子模块,用于存储所述采集子模块采集的数据;供电模块用于给处理子模块、数据接收子模块、存储子模块供电。
18.如权利要求17所述的装置,其特征在于,数据采集模块还包括单片机***和接口子模块,所述单片机***连接所述接口子模块的输出端。
19.如权利要求18所述的装置,其特征在于,接口子模块包括RS485接口和RS232接口。
20.如权利要求17所述的装置,其特征在于,数据采集模块还包括温度传感器和/或看门狗***。
21.如权利要求17所述的装置,其特征在于,所述传输子模块包括LORA模块和天线。
22.如权利要求17所述的装置,其特征在于,边缘计算模块的数据接收子模块包括LORANC单元和数据接收天线。
23.如权利要求17所述的装置,其特征在于,边缘计算模块的处理子模块包括多核中央处理单元CPU和内存单元。
24.如权利要求17所述的装置,其特征在于,数据发送模块包括4G单元和/或5G单元,还包括数据发送天线,用于将数据传送给控制中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910620275.8A CN110516837B (zh) | 2019-07-10 | 2019-07-10 | 一种基于ai的智能化诊断方法、***及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910620275.8A CN110516837B (zh) | 2019-07-10 | 2019-07-10 | 一种基于ai的智能化诊断方法、***及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516837A true CN110516837A (zh) | 2019-11-29 |
CN110516837B CN110516837B (zh) | 2020-12-18 |
Family
ID=68622576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910620275.8A Active CN110516837B (zh) | 2019-07-10 | 2019-07-10 | 一种基于ai的智能化诊断方法、***及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516837B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111262723A (zh) * | 2020-01-07 | 2020-06-09 | 南京佶合信息科技有限公司 | 一种基于模块化硬件和软件定义的边缘智能计算平台 |
CN111582016A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 基于云边协同深度学习的智能免维护电网监控方法及*** |
CN111740494A (zh) * | 2020-06-14 | 2020-10-02 | 石霜霜 | 基于边缘计算和云计算的数据管理方法及边缘计算平台 |
CN111866063A (zh) * | 2020-06-03 | 2020-10-30 | 上海工程技术大学 | 一种工业物联网ai算法的在线更新***、方法及装置 |
CN111897655A (zh) * | 2020-08-06 | 2020-11-06 | 山东科宏电子科技有限公司 | 一种输变电云端智能控制器 |
CN112085321A (zh) * | 2020-07-30 | 2020-12-15 | 国家电网有限公司 | 一种基于边缘计算的台区状态评价方法 |
CN112801145A (zh) * | 2021-01-12 | 2021-05-14 | 深圳市中博科创信息技术有限公司 | 安全监测方法、装置、计算机设备及存储介质 |
CN113129163A (zh) * | 2021-03-29 | 2021-07-16 | 上海思创电器设备有限公司 | 一种应用于算法核心单元的负荷监控*** |
CN113269478A (zh) * | 2021-07-21 | 2021-08-17 | 武汉中原电子信息有限公司 | 一种基于多模型的集中器异常数据提醒方法及*** |
CN113434601A (zh) * | 2021-07-06 | 2021-09-24 | 湖南方心科技股份有限公司 | 面向电网物联的云端数据存储与本地边缘控制***与方法 |
CN114897210A (zh) * | 2022-03-30 | 2022-08-12 | 南通电力设计院有限公司 | 一种基于能源损耗预测的能源互联方法及*** |
CN115294750A (zh) * | 2022-10-09 | 2022-11-04 | 广东电网有限责任公司广州供电局 | 窃电检测方法、装置、***、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231144A (zh) * | 2011-06-03 | 2011-11-02 | 中国电力科学研究院 | 一种基于Boosting算法的配电网理论线损预测方法 |
CN102866321A (zh) * | 2012-08-13 | 2013-01-09 | 广东电网公司电力科学研究院 | 一种自适应的防窃漏电诊断方法 |
CN103997783A (zh) * | 2014-05-14 | 2014-08-20 | 无锡北邮感知技术产业研究院有限公司 | 一种室外聚类匹配定位方法和装置 |
RU169425U1 (ru) * | 2016-11-18 | 2017-03-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет" | Устройство прогнозирования электропотребления на основе многослойной нейронной сети |
CN108051810A (zh) * | 2017-12-01 | 2018-05-18 | 南京市测绘勘察研究院股份有限公司 | 一种InSAR分布式散射体相位优化方法 |
CN109633321A (zh) * | 2018-12-24 | 2019-04-16 | 国网山东省电力公司潍坊供电公司 | 一种台区户变关系区分***、方法及台区高损监测方法 |
CN109636124A (zh) * | 2018-11-18 | 2019-04-16 | 韩霞 | 基于大数据的电力行业低压台区线损分析方法及处理*** |
-
2019
- 2019-07-10 CN CN201910620275.8A patent/CN110516837B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231144A (zh) * | 2011-06-03 | 2011-11-02 | 中国电力科学研究院 | 一种基于Boosting算法的配电网理论线损预测方法 |
CN102866321A (zh) * | 2012-08-13 | 2013-01-09 | 广东电网公司电力科学研究院 | 一种自适应的防窃漏电诊断方法 |
CN103997783A (zh) * | 2014-05-14 | 2014-08-20 | 无锡北邮感知技术产业研究院有限公司 | 一种室外聚类匹配定位方法和装置 |
RU169425U1 (ru) * | 2016-11-18 | 2017-03-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет" | Устройство прогнозирования электропотребления на основе многослойной нейронной сети |
CN108051810A (zh) * | 2017-12-01 | 2018-05-18 | 南京市测绘勘察研究院股份有限公司 | 一种InSAR分布式散射体相位优化方法 |
CN109636124A (zh) * | 2018-11-18 | 2019-04-16 | 韩霞 | 基于大数据的电力行业低压台区线损分析方法及处理*** |
CN109633321A (zh) * | 2018-12-24 | 2019-04-16 | 国网山东省电力公司潍坊供电公司 | 一种台区户变关系区分***、方法及台区高损监测方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111262723A (zh) * | 2020-01-07 | 2020-06-09 | 南京佶合信息科技有限公司 | 一种基于模块化硬件和软件定义的边缘智能计算平台 |
CN111582016A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 基于云边协同深度学习的智能免维护电网监控方法及*** |
CN111866063A (zh) * | 2020-06-03 | 2020-10-30 | 上海工程技术大学 | 一种工业物联网ai算法的在线更新***、方法及装置 |
CN111866063B (zh) * | 2020-06-03 | 2023-03-31 | 上海工程技术大学 | 一种工业物联网ai算法的在线更新***、方法及装置 |
CN111740494A (zh) * | 2020-06-14 | 2020-10-02 | 石霜霜 | 基于边缘计算和云计算的数据管理方法及边缘计算平台 |
CN112085321A (zh) * | 2020-07-30 | 2020-12-15 | 国家电网有限公司 | 一种基于边缘计算的台区状态评价方法 |
CN111897655B (zh) * | 2020-08-06 | 2022-10-11 | 泰安泰山高压开关有限公司 | 一种输变电云端智能控制器 |
CN111897655A (zh) * | 2020-08-06 | 2020-11-06 | 山东科宏电子科技有限公司 | 一种输变电云端智能控制器 |
CN112801145A (zh) * | 2021-01-12 | 2021-05-14 | 深圳市中博科创信息技术有限公司 | 安全监测方法、装置、计算机设备及存储介质 |
CN112801145B (zh) * | 2021-01-12 | 2024-05-28 | 深圳市中博科创信息技术有限公司 | 安全监测方法、装置、计算机设备及存储介质 |
CN113129163A (zh) * | 2021-03-29 | 2021-07-16 | 上海思创电器设备有限公司 | 一种应用于算法核心单元的负荷监控*** |
CN113434601A (zh) * | 2021-07-06 | 2021-09-24 | 湖南方心科技股份有限公司 | 面向电网物联的云端数据存储与本地边缘控制***与方法 |
CN113269478A (zh) * | 2021-07-21 | 2021-08-17 | 武汉中原电子信息有限公司 | 一种基于多模型的集中器异常数据提醒方法及*** |
CN113269478B (zh) * | 2021-07-21 | 2021-10-15 | 武汉中原电子信息有限公司 | 一种基于多模型的集中器异常数据提醒方法及*** |
CN114897210A (zh) * | 2022-03-30 | 2022-08-12 | 南通电力设计院有限公司 | 一种基于能源损耗预测的能源互联方法及*** |
CN114897210B (zh) * | 2022-03-30 | 2023-09-12 | 南通电力设计院有限公司 | 一种基于能源损耗预测的能源互联方法及*** |
CN115294750A (zh) * | 2022-10-09 | 2022-11-04 | 广东电网有限责任公司广州供电局 | 窃电检测方法、装置、***、计算机设备及存储介质 |
CN115294750B (zh) * | 2022-10-09 | 2023-01-20 | 广东电网有限责任公司广州供电局 | 窃电检测方法、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110516837B (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516837A (zh) | 一种基于ai的智能化诊断方法、***及装置 | |
CN105515184B (zh) | 基于无线传感网络的多传感器多参量配网协同监测*** | |
CN103197138B (zh) | 一种具有供电可靠率和电压合格率监测功能的智能电表及监测方法 | |
CN104794206B (zh) | 一种变电站数据质量评价***及方法 | |
CN103198139B (zh) | 用户电力数据的用能分析方法 | |
CN104331773A (zh) | 一种电网规划方案综合评估方法 | |
CN109934447A (zh) | 一种智能变电站二次设备效能的模糊综合评估方法 | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及*** | |
CN108197820A (zh) | 一种基于ds证据和变权理论的配电网可靠性关联和评价模型及其建立方法 | |
CN103617447B (zh) | 智能变电站的评价***及评价方法 | |
CN108053110A (zh) | 一种基于pmu数据的变压器状态在线诊断方法 | |
CN110311709A (zh) | 用电信息采集***故障判别方法 | |
CN109272190A (zh) | 一种基于动量bp神经网络的电力电缆状态评价方法 | |
CN112598234A (zh) | 一种低压台区线损异常分析方法、装置和设备 | |
CN203069670U (zh) | 一种具有供电可靠率和电压合格率监测功能的智能电表 | |
CN108921425A (zh) | 一种资产项目投资分类的方法、***及服务器 | |
CN109413003A (zh) | 一种基于物联网的水环境数据传输***和方法 | |
CN205983175U (zh) | 一种建筑能耗监测平台 | |
CN117937497A (zh) | 算力负载均衡方法及装置 | |
CN111208384A (zh) | 一种智能电网管理*** | |
CN101685964A (zh) | 基于大规模并行处理的在线调度辅助决策方法和*** | |
CN106771707A (zh) | 一种线损分析服务终端 | |
CN115689206A (zh) | 一种基于深度学习的变电站基建进度智能监测方法 | |
CN105678456A (zh) | 一种电能计量装置运行状态自动评估方法及其*** | |
CN107025497A (zh) | 一种基于Elman神经网络的电力负荷预警方法及装置 |
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 |