CN114167223B - 供电异常的检测方法、装置及计算机可读存储介质 - Google Patents
供电异常的检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114167223B CN114167223B CN202210127215.4A CN202210127215A CN114167223B CN 114167223 B CN114167223 B CN 114167223B CN 202210127215 A CN202210127215 A CN 202210127215A CN 114167223 B CN114167223 B CN 114167223B
- Authority
- CN
- China
- Prior art keywords
- power supply
- area
- determining
- power
- cluster
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 65
- 238000004590 computer program Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种供电异常的检测方法、装置及计算机可读存储介质,应用于配电***,配电***包括处理端,以及多个与处理端通信连接的配电箱,方法包括:确定各个配电箱对应的供电区域的区域画像;确定各个区域画像之间的相似度,根据相似度确定各个供电区域所属的区域集群;获取处于目标区域集群的各个供电区域在预设时段内的用电量;根据用电量确定处于目标区域集群的各个供电区域的供电异常检测结果。本发明提高了供电异常的检测效率。
Description
技术领域
本发明涉及配电管理技术领域,尤其涉及一种供电异常的检测方法、装置及计算机可读存储介质。
背景技术
当特征相似的区域出现耗电量差距过大的情况,往往意味着其中某个区域用电异常。而导致用电异常情况出现的原因,一般是因为供电网络的电路或者供电设施故障或老化。为了确定供电网络的异常原因,管理人员需要依次前往配电区域排查对应的配电箱,直至根据配电数据判断出供电异常的区域,由此可见,现存手段进行供电异常的检测的效率低。
发明内容
本发明实施例通过提供一种供电异常的检测方法、装置及计算机可读存储介质,旨在解决如何提高供电异常的检测的效率的技术问题。
本发明实施例提供一种供电异常的检测方法,应用于配电***,所述配电***包括处理端,以及多个与所述处理端通信连接的配电箱,所述供电异常的检测方法包括以下步骤:
确定各个配电箱对应的供电区域的区域画像;
确定各个所述区域画像之间的相似度,根据所述相似度确定各个所述供电区域所属的区域集群;
获取处于目标区域集群的各个所述供电区域在预设时段内的用电量;
根据所述用电量确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
在一实施例中,所述确定各个配电箱对应的供电区域的区域画像的步骤包括:
获取各个所述配电箱对应的供电区域在多个历史时间段内的历史用电量;
根据所述历史用电量得到各个所述配电箱对应的供电区域的区域画像。
在一实施例中,所述获取各个所述配电箱对应的供电区域在多个历史时间段内的历史用电量的步骤包括:
获取预设的历史时间段以及预设的历史日期区间;
将所述历史日期区间中所述历史时间段内的用电量作为所述历史用电量。
在一实施例中,所述确定各个配电箱对应的供电区域的区域画像的步骤包括:
获取各个所述配电箱对应的供电区域的线路布局和线路负荷;
根据所述线路布局和所述线路负荷得到各个所述配电箱对应的供电区域的区域画像。
在一实施例中,所述确定各个所述区域画像之间的相似度,根据所述相似度确定各个所述供电区域所属的区域集群的步骤包括:
获取各个所述区域画像的特性向量;
根据预设的初始聚类中心对所述特征向量进行聚类,得到与所述初始聚类中心对应数量的聚类中心;
根据所述聚类中心确定所述区域集群。
在一实施例中,所述根据所述用电量确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果的步骤包括:
获取所述用电量的平均值;
获取所述用电量与所述平均值的差值;
根据所述差值确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
在一实施例中,所述根据所述差值确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果的步骤包括:
在所述差值中确定大于等于预值差值的目标差值;
确定所述目标差值对应的目标用电量,将所述目标用电量对应的供电区域作为异常区域;
根据所述异常区域得到确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
在一实施例中,所述根据所述用电量确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果的步骤之后,所述方法还包括:
输出所述供电异常检测结果对应的提示信息。
本发明实施例还提供一种供电异常的检测装置,所述供电异常的检测装置包括:存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的供电异常的检测方法的各个步骤。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质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如上所述的供电异常的检测方法的各个步骤。
在本实施例的技术方案中,供电异常的检测装置确定各个配电箱对应的供电区域的区域画像;确定各个所述区域画像之间的相似度,根据所述相似度确定各个所述供电区域所属的区域集群;获取处于目标区域集群的各个所述供电区域在预设时段内的用电量;根据所述用电量确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。由于供电异常的检测装置可确定各个供电区域的区域画像,可将区域画像相同的供电区域进行比较,确定出用电量异于其他区域的供电区域,从而得到供电异常结果,配电管理人员可基于供电异常检测结果快速了解目标区域集群中区域画像相同但用电量不同的供电区域,进而对上述供电区域采取节电措施,提高了供电异常的检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例涉及的供电异常的检测装置的硬件构架示意图;
图2为本发明供电异常的检测方法第一实施例的流程示意图;
图3为本发明供电异常的检测方法第二实施例步骤S10的细化流程示意图;
图4为本发明供电异常的检测方法第三实施例步骤S10的细化流程示意图;
图5为本发明供电异常的检测装置第四实施例的流程示意图。
具体实施方式
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的主要解决方案是:供电异常的检测装置确定各个配电箱对应的供电区域的区域画像;确定各个所述区域画像之间的相似度,根据所述相似度确定各个所述供电区域所属的区域集群;获取处于目标区域集群的各个所述供电区域在预设时段内的用电量;根据所述用电量确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
由于供电异常的检测装置可确定各个供电区域的区域画像,可将区域画像相同的供电区域进行比较,确定出用电量异于其他区域的供电区域,从而得到供电异常结果,配电管理人员可基于供电异常检测结果快速了解目标区域集群中区域画像相同但用电量不同的供电区域,进而对上述供电区域采取节电措施,提高了供电异常的检测效率。
作为一种实现方式,供电异常的检测装置可以如图1。
本发明实施例方案涉及的是供电异常的检测装置,供电异常的检测装置包括:处理器101,例如CPU,存储器102,通信总线103。其中,通信总线103用于实现这些组件之间的连接通信。
存储器102可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。如图1,作为一种计算机可读存储介质的存储器103中可以包括检测程序;而处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
确定各个配电箱对应的供电区域的区域画像;
确定各个所述区域画像之间的相似度,根据所述相似度确定各个所述供电区域所属的区域集群;
获取处于目标区域集群的各个所述供电区域在预设时段内的用电量;
根据所述用电量确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
获取各个所述配电箱对应的供电区域在多个历史时间段内的历史用电量;
根据所述历史用电量得到各个所述配电箱对应的供电区域的区域画像。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
获取预设的历史时间段以及预设的历史日期区间;
将所述历史日期区间中所述历史时间段内的用电量作为所述历史用电量。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
获取各个所述配电箱对应的供电区域的线路布局和线路负荷;
根据所述线路布局和所述线路负荷得到各个所述配电箱对应的供电区域的区域画像。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
获取各个所述区域画像的特性向量;
根据预设的初始聚类中心对所述特征向量进行聚类,得到与所述初始聚类中心对应数量的聚类中心;
根据所述聚类中心确定所述区域集群。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
获取所述用电量的平均值;
获取所述用电量与所述平均值的差值;
根据所述差值确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
在所述差值中确定大于等于预值差值的目标差值;
确定所述目标差值对应的目标用电量,将所述目标用电量对应的供电区域作为异常区域;
根据所述异常区域得到确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
输出所述供电异常检测结果对应的提示信息。
在本实施例的技术方案中,供电异常的检测装置确定各个配电箱对应的供电区域的区域画像;确定各个所述区域画像之间的相似度,根据所述相似度确定各个所述供电区域所属的区域集群;获取处于目标区域集群的各个所述供电区域在预设时段内的用电量;根据所述用电量确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。由于供电异常的检测装置可确定各个供电区域的区域画像,可将区域画像相同的供电区域进行比较,确定出用电量异于其他区域的供电区域,从而得到供电异常结果,配电管理人员可基于供电异常检测结果快速了解目标区域集群中区域画像相同但用电量不同的供电区域,进而对上述供电区域采取节电措施,提高了供电异常的检测效率。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照图2,图2为本发明供电异常的检测方法的第一实施例,方法包括以下步骤:
步骤S10,确定各个配电箱对应的供电区域的区域画像。
在本实施例中,本实施例应用于配电***,本实施例的配电***连接多个配电箱,其中,供电异常的检测装置保存有不同配电箱对应的供电区域的区域画像。配电***还包括处理端,以及多个与处理端通信连接的配电箱,配电箱又名配电设备,是在电力***中对高压配电柜,发电机、变压器、电力线路、断路器,低压开关柜,配电盘,开关箱,控制箱等设备的统称。供电区域指的配电***中单个配电箱控制供电的供电区域。
在本实施例中,区域画像用于体现各个供电区域的特征,与人物画像类似,区域画像相当于配电区域对应的属性标签,例如:基于供电区域对应的大型耗电设备数量、住户规模、电路布局以及线路负荷等可预先获取的数据进行画像,以得到对应的供电区域的区域画像。
可选的,区域画像也可以是根据供电区域中预设事物的发展规律确定,例如历史用电量的规律,当根据某个供电区域的历史用电量确定该供电区域多个检测周期内都处于A区间,则可基于A区间的数值对该供电区域进行画像,以得到该供电区域的区域画像。
步骤S20,确定各个所述区域画像之间的相似度,根据所述相似度确定各个所述供电区域所属的区域集群。
在本实施例中,各个供电区域的区域画像以特征向量的方式进行存储,区域画像之间的相似度比对,可基于特征向量的相似度确定。
步骤S30,获取处于目标区域集群的各个所述供电区域在预设时段内的用电量。
在本实施例中,目标区域集群包括多个供电区域,上述各个供电区域的配电箱会回传各个供电区域在预设时段内的用电量。
步骤S40,根据所述用电量确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
在本实施例中,当出现区域画像相似但用电量异于其他供电区域的情况,可将该情况对应的提示信息作为供电异常检测结果。
可选的,获取所述用电量的平均值;获取所述用电量与所述平均值的差值;根据所述差值确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
可选的,在所述差值中确定大于等于预值差值的目标差值;确定所述目标差值对应的目标用电量,将所述目标用电量对应的供电区域作为异常区域;根据所述异常区域得到确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
可选的,输出所述供电异常检测结果对应的提示信息。
在本实施例的技术方案中,由于供电异常的检测装置可确定各个供电区域的区域画像,可将区域画像相同的供电区域进行比较,确定出用电量异于其他区域的供电区域,从而得到供电异常结果,配电管理人员可基于供电异常检测结果快速了解目标区域集群中区域画像相同但用电量不同的供电区域,进而对上述供电区域采取节电措施,提高了供电异常的检测效率。
参照图3,图3为本发明供电异常的检测方法的第二实施例,基于第一至第二任一实施例,步骤S10包括:
步骤S11,获取各个所述配电箱对应的供电区域在多个历史时间段内的历史用电量。
在本实施例中,历史用电量预先存储于供电异常的检测装置,其中,历史用电量由对应的配电箱采集并发送至供电异常的检测装置,以使得供电异常的检测装置在接收到配电箱回传的用电量信息时进行存储。
可选的,获取预设的历史时间段以及预设的历史日期区间;将所述历史日期区间中所述历史时间段内的用电量作为所述历史用电量。其中,考虑到历史用电量的数据量可能较大,因此,可以将预设时间段的数据作为上述历史用电量。
步骤S12,根据所述历史用电量得到各个所述配电箱对应的供电区域的区域画像。
在本实施例中,供电区域的区域画像可根据供电异常的检测装置存储的各个供电区域的历史用电量进行确定,例如:当连续N个周期内,A个供电区域中存在B个供电区域的用来量不超出预设用电范围,则可基于上述B个供电区域的用电量对B个区域进行画像。
在本实施例的技术方案中,由于供电异常的检测装置可以得到各个供电区域的历史用电量并基于其进行画像,当检测到区域画像相同的供电区域中出现了用电量差距大的异常供电区域,则可基于历史用电量以及实时用电量在区域画像相同的供电区域中确定上述异常供电区域,从而实现供电异常的检测,相对于逐个检测供电区域是否异常,本实施例提高了供电异常检测的效率。
参照图4,图4为本发明供电异常的检测方法的第三实施例,基于第一至第三任一实施例,步骤S10包括:
步骤S13,获取各个所述配电箱对应的供电区域的线路布局和线路负荷。
在本实施例中,线路布局以及线路负荷为预先存储于供电异常的检测装置中的数据。
步骤S14,根据所述线路布局和所述线路负荷得到各个所述配电箱对应的供电区域的区域画像。
在本实施例中,供电异常的检测装置可基于线路布局或者线路负荷对各个供电区域进行区域画像。
在本实施例的技术方案中,由于供电异常的检测装置可基于各个供电区域的线路布局或者线路负荷进行画像,当线路布局相似的供电区域出现用电量差距较大的情况,供电异常的检测装置可及时检测到,从而提高了供电异常检测的实时性。
参照图5,图5为本发明供电异常的检测方法的第四实施例,基于第一至第四任一实施例,步骤S20包括:
步骤S21,获取各个所述区域画像的特性向量。
步骤S22,根据预设的初始聚类中心对所述特征向量进行聚类,得到与所述初始聚类中心对应数量的聚类中心。
步骤S23,根据所述聚类中心确定所述区域集群。
聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类(Cluster)分析是由若干模式(Pattern)组成的,通常,模式是一个度量(Measurement)的向量,或者是多维空间中的一个点。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
在本实施例中,使用k均值聚类算法(k-means clustering algorithm)对存储的区域画像进行聚类分析,从而划分上述区域肌群,k均值聚类算法是一种迭代求解的聚类分析算法,其步骤是,预将特征向量数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。
聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程,聚类就是一种发现这种内在结构的技术,聚类技术经常被称为无监督学习。k均值聚类是最著名的划分聚类算法,由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k,k由用户指定,k均值算法根据某个距离函数反复把数据分入k个聚类中。
在本实施例的技术方案中,通过对区域画像进行聚类分析的方式划分供电区域集群,可使得区域划分方式数据化,提高了肌群划分的准确率。
为实现上述目的,本发明实施例还提供一种供电异常的检测装置,所述供电异常的检测装置包括:存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的供电异常的检测方法的各个步骤。
为实现上述目的,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质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如上所述的供电异常的检测方法的各个步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种供电异常的检测方法,其特征在于,应用于配电***,所述配电***包括处理端,以及多个与所述处理端通信连接的配电箱,所述供电异常的检测方法包括以下步骤:
确定各个配电箱对应的供电区域的区域画像,其中,获取各个所述配电箱对应的供电区域在多个历史时间段内的历史用电量,根据所述历史用电量得到各个所述配电箱对应的供电区域的区域画像;或者获取各个所述配电箱对应的供电区域的线路布局和线路负荷,根据所述线路布局和所述线路负荷得到各个所述配电箱对应的供电区域的区域画像;
确定各个所述区域画像之间的相似度,根据所述相似度确定各个所述供电区域所属的区域集群;
获取处于目标区域集群的各个所述供电区域在预设时段内的用电量;
获取所述用电量的平均值;
获取所述用电量与所述平均值的差值;
根据所述差值确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果,其中,当所述目标区域集群中出现区域画像相似但用电量异于其他供电区域的情况,将该情况对应的提示信息作为所述供电异常检测结果。
2.如权利要求1所述的供电异常的检测方法,其特征在于,所述获取各个所述配电箱对应的供电区域在多个历史时间段内的历史用电量的步骤包括:
获取预设的历史时间段以及预设的历史日期区间;
将所述历史日期区间中所述历史时间段内的用电量作为所述历史用电量。
3.如权利要求1所述的供电异常的检测方法,其特征在于,所述确定各个所述区域画像之间的相似度,根据所述相似度确定各个所述供电区域所属的区域集群的步骤包括:
获取各个所述区域画像的特性向量;
根据预设的初始聚类中心对所述特性 向量进行聚类,得到与所述初始聚类中心对应数量的聚类中心;
根据所述聚类中心确定所述区域集群。
4.如权利要求1所述的供电异常的检测方法,其特征在于,所述根据所述差值确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果的步骤包括:
在所述差值中确定大于等于预值差值的目标差值;
确定所述目标差值对应的目标用电量,将所述目标用电量对应的供电区域作为异常区域;
根据所述异常区域得到确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果。
5.如权利要求1所述的供电异常的检测方法,其特征在于,所述根据所述用电量确定处于所述目标区域集群的各个所述供电区域的供电异常检测结果的步骤之后,所述方法还包括:
输出所述供电异常检测结果对应的提示信息。
6.一种供电异常的检测装置,其特征在于,所述供电异常的检测装置包括:存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的供电异常的检测方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至5中任一项所述的供电异常的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127215.4A CN114167223B (zh) | 2022-02-11 | 2022-02-11 | 供电异常的检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127215.4A CN114167223B (zh) | 2022-02-11 | 2022-02-11 | 供电异常的检测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114167223A CN114167223A (zh) | 2022-03-11 |
CN114167223B true CN114167223B (zh) | 2022-05-31 |
Family
ID=80489695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210127215.4A Active CN114167223B (zh) | 2022-02-11 | 2022-02-11 | 供电异常的检测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167223B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209260A (zh) * | 2019-04-26 | 2019-09-06 | 平安科技(深圳)有限公司 | 耗电量异常检测方法、装置、设备及计算机可读存储介质 |
CN111783875A (zh) * | 2020-06-29 | 2020-10-16 | 中国平安财产保险股份有限公司 | 基于聚类分析的异常用户检测方法、装置、设备及介质 |
WO2020248543A1 (zh) * | 2019-06-12 | 2020-12-17 | 杭州萤石软件有限公司 | 异常目标的检测方法、设备及存储介质 |
CN113125903A (zh) * | 2021-04-20 | 2021-07-16 | 广东电网有限责任公司汕尾供电局 | 线损异常检测方法、装置、设备及计算机可读存储介质 |
CN113487051A (zh) * | 2021-07-28 | 2021-10-08 | 武汉都梁信息技术有限责任公司 | 一种配电网故障抢修维护数据处理方法、设备及计算机存储介质 |
-
2022
- 2022-02-11 CN CN202210127215.4A patent/CN114167223B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209260A (zh) * | 2019-04-26 | 2019-09-06 | 平安科技(深圳)有限公司 | 耗电量异常检测方法、装置、设备及计算机可读存储介质 |
WO2020248543A1 (zh) * | 2019-06-12 | 2020-12-17 | 杭州萤石软件有限公司 | 异常目标的检测方法、设备及存储介质 |
CN111783875A (zh) * | 2020-06-29 | 2020-10-16 | 中国平安财产保险股份有限公司 | 基于聚类分析的异常用户检测方法、装置、设备及介质 |
CN113125903A (zh) * | 2021-04-20 | 2021-07-16 | 广东电网有限责任公司汕尾供电局 | 线损异常检测方法、装置、设备及计算机可读存储介质 |
CN113487051A (zh) * | 2021-07-28 | 2021-10-08 | 武汉都梁信息技术有限责任公司 | 一种配电网故障抢修维护数据处理方法、设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114167223A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108683530B (zh) | 多维度数据的数据分析方法、装置及存储介质 | |
CN113780691A (zh) | 数据测试方法、装置、电子设备及存储介质 | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
CN115441456A (zh) | 一种电网调度支持***故障诊断方法及装置 | |
CN117290719B (zh) | 基于数据分析的巡检管理方法、装置及存储介质 | |
CN114048816A (zh) | 一种图神经网络数据采样方法、装置、设备及存储介质 | |
CN114167223B (zh) | 供电异常的检测方法、装置及计算机可读存储介质 | |
CN111414528B (zh) | 确定设备标识的方法、装置、存储介质及电子设备 | |
CN113191432A (zh) | 基于离群因子的虚拟机集群的异常检测方法、设备及介质 | |
CN112418305A (zh) | 一种训练样本的生成方法、装置、计算机设备和存储介质 | |
KR20190081843A (ko) | 웨이퍼 데이터를 처리하는 방법 및 장치 | |
CN113570070B (zh) | 流式数据采样与模型更新方法、装置、***与存储介质 | |
US20220230028A1 (en) | Determination method, non-transitory computer-readable storage medium, and information processing device | |
CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
CN115271277A (zh) | 电力设备画像构建方法、***、计算机设备及存储介质 | |
CN113792875A (zh) | 一种分布式通信库的性能测试方法、装置、设备及介质 | |
CN112988383A (zh) | 一种资源分配方法、装置、设备以及存储介质 | |
CN112416709A (zh) | 芯片动态功耗估计方法、装置、处理器芯片及服务器 | |
CN112235152B (zh) | 流量大小估算方法和装置 | |
CN110543897A (zh) | 一种内存条归类方法、***、终端及存储介质 | |
CN116894209B (zh) | 采样点的分类方法、装置、电子设备及可读存储介质 | |
CN117194049B (zh) | 一种基于机器学习算法的云主机智能行为分析方法及*** | |
US11310349B1 (en) | Transforming multivariate time series data into image data to generate image-based predictions | |
CN114386767B (zh) | 一种配电运维管理***的故障预警方法及*** |
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 |