CN116186536A - 风险预测方法、装置、电子设备及存储介质 - Google Patents
风险预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116186536A CN116186536A CN202310009116.0A CN202310009116A CN116186536A CN 116186536 A CN116186536 A CN 116186536A CN 202310009116 A CN202310009116 A CN 202310009116A CN 116186536 A CN116186536 A CN 116186536A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- remote control
- predicted
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 111
- 238000009826 distribution Methods 0.000 claims abstract description 69
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000001174 ascending effect Effects 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种风险预测方法、装置、电子设备及存储介质。获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据;通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到;加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级,其中,所述终端在线率通过在线率预测模型对输入的所述待预测数据进行预测得到。提高了对风险预测等级预测的准确性。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种风险预测方法、装置、电子设备及存储介质。
背景技术
随着海量分布式能源不断加入配网,***的运行风险也随之增加,传统配网调度的风险预测方法已经不足以应用于目前的配网调度运行的风险检测工作。
目前,针对较为复杂的配网调度运行的风险检测,往往需要人工的介入,需要经验较为丰富的人员,对当前以及历史配网调度运行的数据进行对比分析,以得到当前配网调度运行的风险预测等级,效率较低,并且由于历史配网调度运行的数据的冗杂性,人工分析常常会忽略部分重要信息,以使对风险预测等级预测的准确性较差。
发明内容
本发明提供了一种风险预测方法、装置、电子设备及存储介质,以解决对风险预测等级预测的准确性较差的技术问题。
根据本发明的一方面,提供了一种风险预测方法,其中,该方法包括:
获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据;
通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到;
加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级,其中,所述终端在线率通过在线率预测模型对输入的所述待预测数据进行预测得到。
根据本发明的另一方面,提供了一种风险预测装置,其中,该装置包括:
数据获取模块,用于获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据;
结果预测模块,用于通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到;
等级预测模块,用于加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级,其中,所述终端在线率通过在线率预测模型对输入的所述待预测数据进行预测得到。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的风险预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风险预测方法。
本发明实施例的技术方案,通过获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据,对获取的数据进行预处理,得到了数字化的待预测数据,以及可能影响遥控预测结果的风险数据,以便于模型的识别和预测,提高了模型对遥控预测结果的预测效率和准确性;通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到,得到了准确性高的遥控预测结果,可以使得对风险预测等级的预测更加准确;加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级,其中,所述终端在线率通过在线率预测模型对输入的所述待预测数据进行预测得到。基于多维度数据对风险等级进行预测,提高了对风险预测等级预测的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是根据本发明实施例一提供的一种风险预测方法的流程图;
图2是根据本发明实施例二提供的一种风险预测方法的流程图;
图3是根据本发明实施例三提供的一种风险预测方法的流程图;
图4是根据本发明实施例提供的风险预测方法的整体流程图;
图5是根据本发明实施例四提供的一种风险预测装置的结构示意图;
图6是实现本发明实施例的风险预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种风险预测方法的流程图,本实施例可适用于调度风险预测的情况,该方法可以由风险预测装置来执行,该风险预测装置可以采用硬件和/或软件的形式实现,该风险预测装置可配置于计算机中。如图1所示,该方法包括:
S110、获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据。
其中,所述原始配网调度数据可以理解为原始的配网调度数据。可选的,所述原始配网调度数据可以是与配网调度相关的表格数据。在本发明实施例中,所述原始配网调度数据可以根据场景需求预设,在此不做具体限定。示例性的,所述原始配网调度数据可以是调度控制器变位数据、调度控制器的地理位置数据、调度时间数据以及调度控制器变位故障数据等。
所述待预测数据可以理解为对所述原始配网调度数据进行预处理后,所得到的数据。
所述第一时间段可以理解为获取所述待预测数据对应的风险数据,对应的时间段。在本发明实施例中,所述第一时间段可以根据场景需求预设,在此不做具体限定。可选的,所述第一时间段可以是针对原始配网调度数据的调度时间数据的前一周时间。其中,所述风险数据可以理解为所述待预测数据对应的风险性数据。可选的,所述风险数据可以是所述待预测数据中的调度控制器变位故障数据。示例性的。所述风险数据可以是开关故障数据。
具体的,获取预设的与配网调度相关的表格数据,对表格数据进行信息系匹配以及自然语言处理等预处理操作,得到所述待预测数据,以及前一周时间,所述待预测数据对应的风险数据。
S120、通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到。
其中,所述遥控预测模型可以理解为对输入的所述待预测数据进行预测,得到遥控预测结果的模型。
所述遥控预测结果可以理解为通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到的结果。可选的,所述遥控预测结果可以是针对所述待预测数据中调度控制器变位数据进行预测,所得到的预测结果。可以理解的是,所述待预测数据中调度控制器的地理位置数据、调度时间数据、调度控制器变位故障数据以及终端在线率数据等,可能会影响对所述待预测数据中调度控制器变位数据的遥控预测结果。在本发明实施例中,所述遥控预测结果的输出类型可以根据场景需求预设,在此不做具体限定。示例性的,所述遥控预测结果可以是0或1。其中,所述遥控预测结果是0,可以表征遥控预测成功;所述遥控预测结果是1,可以表征遥控预测失败。或者,所述遥控预测结果可以是0至1的预测值,进一步的,可以将不超过0.5的预测值,确定为遥控预测成功;将超过0.5的预测值,确定为遥控预测失败。
所述训练样本集可以理解为用于训练所述孤立森林模型的样本集。可以理解的是,所述训练样本集中的所述训练样本数据可以是与所述待预测数据相同类型的数据。
所述孤立森林模型可以理解为用于训练所述遥控预测模型的模型。
需要理解的是,孤立森林模型是一种基于异常隔离的分类模型,不同于传统K-means、DBSCAN等聚类分类模型,其主要目标在于隔离异常样本而非统计正常样本,通过异常样本占少数的特性建立迭代算法,大大提升了检测精度。在训练孤立森林时,每棵树的训练样本都是随机抽取生成,计算时不需要计算距离指标,具有线性的时间复杂度,能有效减少时间成本,适于处理大规模数据。孤立森林的基本思想类似于多维度的超平面分割,假设初始拥有样本集S,选取一个随机超平面对数据集进行切割,生成2个子空间,再随机选取超平面对2个子空间切割,重复该步骤直到每一个子空间中只含有一个样本点。至此每一个样本点都将对应一个分割次数,该值描述将该样本点单独分出所用的超平面个数。处于高密度区的正常样本应具有较大的分割次数,而处于样本边界的异常点将拥有较小的分割次数。孤立森林的构建分为训练和整合2个阶段,单棵树(即孤立树)的训练过程如下:
1)从原始样本集S中随机抽取ψ个点构成根节点子样本集。
2)随机选取维度ω,在该维度数据范围内随机选取一切割点p。
3)以切割点p生成超平面,将训练样本分成2个子空间,同时将子空间中所选维度ω下小于p和大于p的样本分为2类,分别形成该节点的左右分支。
4)重复步骤2)和3),以此法不断生成新的叶子节点,直到新的子节点的分支下只含有1个样本点为止。以上是单棵树的训练过程,由于孤立森林的样本选取和超平面切割点选择是随机的,因此需要反复训练,最后将所有树分割结果整合取平均值。假设总共训练了T棵树,对于样本点x,子样本集ψ,计算其异常得分s:
其中,h(x)表示该样本点在每一棵孤立树的深度,E(h(x))表示其平均深度,c(ψ)表示给定样本ψ下路径长度的平均值。
c(ψ)用作归一化处理。若s的值接近于1则说明该点是异常值,若s的值远小于0.5则该点为正常数据。
S130、加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级。
其中,所述终端在线率可以理解为终端的在线比例。在本发明实施例中,所述终端在线率通过在线率预测模型对输入的所述待预测数据进行预测得到。示例性的,所述终端在线率可以是90%、80%或70%等。
所述风险预测等级可以理解为预测的所述待预测数据对应的风险等级。具体的,所述风险预测等级可以根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据确定。在本发明实施例中,所述风险预测等级的输出类型可以根据场景需求预设,在此不做具体限定。可选的,所述风险预测等级可以是0、1、2或3。其中,所述风险预测等级是0,可以表征无风险;所述风险预测等级是1,可以表征轻度风险;所述风险预测等级是2,可以表征中度风险;所述风险预测等级是3,可以表征重度风险。可以理解的是,所述待预测数据中,所述遥控预测结果越大,所述终端在线率越低,所述风险数据越多,则所述待预测数据所对应的风险等级越大。
所述在线率预测模型可以理解为用于预测所述待预测数据对应的所述终端在线率的模型。
本发明实施例的技术方案,通过获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据,对获取的数据进行预处理,得到了数字化的待预测数据,以及可能影响遥控预测结果的风险数据,以便于模型的识别和预测,提高了模型对遥控预测结果的预测效率和准确性;通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到,得到了准确性高的遥控预测结果,可以使得对风险预测等级的预测更加准确;加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级,其中,所述终端在线率通过在线率预测模型对输入的所述待预测数据进行预测得到。基于多维度数据对风险等级进行预测,提高了对风险预测等级预测的准确性。
实施例二
图2为本发明实施例二提供的一种风险预测方法的流程图,本实施例是针对上述实施例中所述通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果进行追加。如图2所示,该方法包括:
S210、通过所述训练样本集对所述孤立森林模型进行训练,得到初步预测模型。
其中,所述初步预测模型可以理解为通过所述训练样本集对所述孤立森林模型进行训练,得到的模型。
可选的,所述通过所述训练样本集对所述孤立森林模型进行训练,得到初步预测模型,包括:
通过所述孤立森林模型对输入的所述训练样本数据进行预测,得到第一遥控结果;
获取所述训练样本数据对应的终端在线率、目标遥控结果以及第二时间段中所述训练样本数据对应的风险数据;
根据所述训练样本数据对应的所述第一遥控结果、所述目标遥控结果、所述终端在线率以及所述风险数据,对所述孤立森林模型中风险影响因素的权重进行调整,得到初步预测模型。
其中,所述第一遥控结果可以理解为通过所述孤立森林模型对输入的所述训练样本数据进行预测,得到的遥控结果。可选的,所述遥控结果可以是0或1,或者0至1的预测值。
所述目标遥控结果可以理解为所述训练样本数据对应的实际的遥控结果。可以理解的是,所述训练样本数据对应的所述第一遥控结果和所述目标遥控结果可以相同,也可以不同。
所述第二时间段可以理解为获取所述训练样本数据对应的所述风险数据,对应的时间段。在本发明实施例中,所述第二时间段可以根据场景需求预设,在此不做具体限定。可选的,所述第二时间段可以是针对所述训练样本数据的调度时间数据的前一周时间。其中,所述风险数据可以理解为所述训练样本数据对应的风险性数据。可选的,所述风险数据可以是所述训练样本数据中的调度控制器变位故障数据。示例性的。所述风险数据可以是开关故障数据。
所述风险影响因素可以理解为可以理解为影响预测所述训练样本数据对应的遥控结果的因素。在本发明实施例中,所述风险影响因素可以根据场景需求预设,在此不做具体限定。可选的,所述风险影响因素可以是所述训练样本数据中的调度时间数据、调度控制器的地理位置数据或调度控制器变位故障数据等。
所述权重可以理解为各所述风险影响因素对所述孤立森林模型的预测结果的影响程度。可以理解的是,各所述风险影响因素对所述孤立森林模型的预测结果的影响程度可以相同,也可以不同。所述风险影响因素的权重越大,对所述孤立森林模型的预测结果的影响程度越大。
S220、通过所述测试样本集对所述初步预测模型进行测试,在满足预设条件的情况下,将所述初步预测模型作为所述遥控预测模型。
所述测试样本集可以理解为用于测试所述初步预测模型的样本集。可以理解的是,所述测试样本集可以是训练样本集相同类型的数据集。
所述预设条件可以理解为用于判断所述初步预测模型是否可以作为所述遥控预测模型的条件。在本发明实施例中,所述预设条件可以根据场景需求预设,在此不做具体限定。
可选的,所述通过所述测试样本集对所述初步预测模型进行测试,在满足预设条件的情况下,将所述初步预测模型作为所述遥控预测模型,包括:
通过所述测试样本集对所述初步预测模型进行测试,得到所述初步预测模型对应的模型评价指标,其中,所述模型评价指标包括准确率、精准率、召回率以及由所述准确率、所述精准率和所述召回率组成的第一评价指标中的至少一项;
在所述初步预测模型对应的所述模型评价指标满足所述预设条件的情况下,将所述初步预测模型作为所述遥控预测模型。
其中,所述模型评价指标可以理解为用于评价所述初步预测模型的指标。可选的,所述模型评价指标可以包括:准确率、精准率、召回率以及第一评价指标。
具体的,计算所述初步预测模型的准确率的公式,可以是:
其中,A表示准确率,nTP表示将目标遥控结果为遥控失败的样本训练数据预测为遥控失败的数据量,nTN表示将目标遥控结果为遥控成功的样本训练数据预测为遥控成功的数据量,nFP表示将目标遥控结果为遥控成功的样本训练数据预测为遥控失败的数据量,nFN表示将目标遥控结果为遥控失败的样本训练数据预测为遥控成功的数据量。
具体的,计算所述初步预测模型的精准率的公式,可以是:
其中,P表示准确率,nTP表示将目标遥控结果为遥控失败的样本训练数据预测为遥控失败的数据量,nFP表示将目标遥控结果为遥控成功的样本训练数据预测为遥控失败的数据量。
具体的,计算所述初步预测模型的召回率的公式,可以是:
其中,R表示召回率,nTP表示将目标遥控结果为遥控失败的样本训练数据预测为遥控失败的数据量,nFN表示将目标遥控结果为遥控失败的样本训练数据预测为遥控成功的数据量。
具体的,计算所述初步预测模型的第一评价指标的公式,可以是:
其中,F1表示第一评价指标,P表示准确率,R表示召回率。
具体的,可以预设条件阈值,在所述初步预测模型对应的准确率、精准率、召回率以及所述第一评价指标超过所述预设条件阈值的情况下,将所述初步预测模型作为所述遥控预测模型。
S230、获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据。
S240、通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到。
S250、加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级。
本发明实施例的技术方案,通过所述训练样本集对所述孤立森林模型进行训练,得到初步预测模型;通过所述测试样本集对所述初步预测模型进行测试,在满足预设条件的情况下,将所述初步预测模型作为所述遥控预测模型。实现了提高遥控预测模型的精准度的效果。
实施例三
图3为本发明实施例三提供的一种风险预测方法的流程图,本实施例是针对上述实施例中所述通过所述训练样本集对所述孤立森林模型进行训练,得到初步预测模型进行追加。如图3所示,该方法包括:
S310、获取历史配网调度数据集,对所述历史配网调度数据集进行预处理,得到样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素。
其中,所述历史配网调度数据集可以理解为历史的配网调度数据集。可选的,所述历史配网调度数据集可以是与配网调度相关的表格数据。在本发明实施例中,所述历史配网调度数据集中的数据可以是与所述原始配网调度数据相同数据类型的数据。示例性的,所述历史配网调度数据集中的数据可以是调度控制器变位数据、调度控制器的地理位置数据、调度时间数据以及调度控制器变位故障数据等。
可选的,所述对所述历史配网调度数据集进行预处理,得到样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素,包括:
通过对所述历史配网调度数据集进行信息匹配,得到第一样本集;
通过对所述第一样本集进行自然语言处理,得到所述样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素。
其中,所述第一样本集可以理解为对所述历史配网调度数据集进行信息匹配,所得到的样本集。具体的。将所述历史配网调度数据集中的终端信息和开关信息进行匹配,将没有匹配关系的终端信息以及开关信息删除,以得到对应的所述第一样本集。
可选的,所述通过对所述第一样本集进行自然语言处理,得到所述样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素,包括:
通过对所述第一样本集进行标准化处理,得到标准化样本集;
通过对所述标准化样本集进行升序排列,对升序排列后的所述标准化样本集进行关键特征提取,并对所提取的所述关键特征进行编码,得到所述样本数据集,其中,所述样本数据集包括对应的所述风险数据和所述风险影响因素。
其中,所述标准化样本集可以理解为对所述第一样本集进行标准化处理,得到的样本集。
所述关键特征可以理解为所述标准化样本集中的关键特征数据。在本发明实施例中,所述关键特征可以根据场景需求预设,在此不做具体限定。可选的,所述关键特征可以是调度控制器的地理位置数据、调度时间数据或调度控制器变位故障数据等。示例性的,所述关键特征可以是地市局、区县局、供电所、变电站、线路以及开关名称等中文字段。
具体的,获取历史配网调度数据集,对历史配网调度数据集中的终端信息和开关信息进行信息匹配,删除没有匹配关系的数据,得到第一样本集;进一步的,标准化处理所述第一样本集,将所述第一样本集的字段类型以及数据格式进行统一标准化,得到标准化样本集;再进一步的,对所述标准化样本集进行升序排列,并提取关键特征,进行数字编码,得到样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素。
S320、根据预设比例对所述样本数据集进行划分,得到所述训练样本集和所述测试样本集。
其中,所述预设比例可以是用于对所述样本数据集进行划分的比例。在本发明实施例中,所述预设比例可以根据场景需求预设,在此不做具体限定。可选的,所述预设比例可以是2:1。
S330、通过所述训练样本集对所述孤立森林模型进行训练,得到初步预测模型。
S340、通过所述测试样本集对所述初步预测模型进行测试,在满足预设条件的情况下,将所述初步预测模型作为所述遥控预测模型。
S350、获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据。
S360、通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到。
S370、加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级。
本发明实施例的技术方案,通过获取历史配网调度数据集,对所述历史配网调度数据集进行预处理,得到样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素;根据预设比例对所述样本数据集进行划分,得到所述训练样本集和所述测试样本集。得到了数字化的训练样本集和测试样本集以及对应的风险数据和风险影响因素,以用于调整孤立森林模型的权重,实现了提高模型的训练效率的效果。
图4是根据本发明实施例提供的风险预测方法的整体流程图。如图4所示,风险预测方法的整体流程可以是:
1、对历史配网调度数据集进行预处理。将不统计遥控结果的数据删去,标准化调度控制器的开始遥控时间的格式并升序排列,根据遥控时间提取出季度和遥控时段;
2、终端信息匹配。根据《开关终端映射对应表》,将开关与终端信息相匹配;
3、自然语言处理,提取关键特征、标准化。将地市局、区县局、供电所、变电站、线路以及开关名称等中文字段作自然语言处理,提取出关键部分后进行编码,并将遥控结果为成功赋值为0,将遥控结果为失败赋值为1。
4、划分样本数据集,训练模型并输出结果。将每个季度的样本按2:1划分训练样本集和测试样本集,对孤立森林模型进行训练,并基于测试样本集进行测试。
5、加载风险数据及在线率数据,调整权重,建立风险预测体系。根据模型的输出结果,结合配网调度运行的风险数据和在线率数据,调整各种影响因素的权重,建立含海量分布式能源的配网调度风险感知评价体系。共分为四档:“无风险”、“低风险”、“中风险”、“高风险”,发生故障的概率依次增大。
本发明通过配网调度历史数据训练、优化调度操作及辅助决策算法,形成在不同时间尺度下智能分析配网调度计划、调度运行操作的方法和技术,构建基于设备多特征参数的配电网设备风险感知模型,运用机器学习技术学习历史数据,模型基于此前一周的行为数据对调度控制器行为进行预测分析和主动告警,以此提升应急处理的安全性。
实施例四
图5为本发明实施例四提供的一种风险预测装置的结构示意图。如图5所示,该装置包括:数据获取模块410、结果预测模块420以及等级预测模块430。
其中,数据获取模块410,用于获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据;
结果预测模块420,用于通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到;
等级预测模块430,用于加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级,其中,所述终端在线率通过在线率预测模型对输入的所述待预测数据进行预测得到。
本发明实施例的技术方案,通过获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据,对获取的数据进行预处理,得到了数字化的待预测数据,以及可能影响遥控预测结果的风险数据,以便于模型的识别和预测,提高了模型对遥控预测结果的预测效率和准确性;通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到,得到了准确性高的遥控预测结果,可以使得对风险预测等级的预测更加准确;加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级,其中,所述终端在线率通过在线率预测模型对输入的所述待预测数据进行预测得到。基于多维度数据对风险等级进行预测,提高了对风险预测等级预测的准确性。
可选的,所述风险预测装置,还包括:模型训练模块和模型测试模块。
其中,所述模型测试模块,用于在通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果之前,通过所述训练样本集对所述孤立森林模型进行训练,得到初步预测模型;
所述模型测试模块,用于通过所述测试样本集对所述初步预测模型进行测试,在满足预设条件的情况下,将所述初步预测模型作为所述遥控预测模型。
可选的,所述模型训练模块,用于:
通过所述孤立森林模型对输入的所述训练样本数据进行预测,得到第一遥控结果;
获取所述训练样本数据对应的终端在线率、目标遥控结果以及第二时间段中所述训练样本数据对应的风险数据;
根据所述训练样本数据对应的所述第一遥控结果、所述目标遥控结果、所述终端在线率以及所述风险数据,对所述第一预测模型中风险影响因素的权重进行调整,得到初步预测模型。
可选的,模型测试模块,用于:
通过所述测试样本集对所述初步预测模型进行测试,得到所述初步预测模型对应的模型评价指标,其中,所述模型评价指标包括准确率、精准率、召回率以及由所述准确率、所述精准率和所述召回率组成的第一评价指标中的至少一项;
在所述初步预测模型对应的所述模型评价指标满足所述预设条件的情况下,将所述初步预测模型作为所述遥控预测模型。
可选的,所述风险预测装置,包括:数据预处理模块和数据划分模块。
其中,所述数据预处理模块,用于在通过所述训练样本集对所述孤立森林模型进行训练,得到初步预测模型之前,获取历史配网调度数据集,对所述历史配网调度数据集进行预处理,得到样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素;
所述数据划分模块,用于根据预设比例对所述样本数据集进行划分,得到所述训练样本集和所述测试样本集。
可选的,所述数据预处理模块,包括:信息匹配单元和语言处理单元。
其中,所述信息匹配单元,用于通过对所述历史配网调度数据集进行信息匹配,得到第一样本集;
所述语言处理单元,用于通过对所述第一样本集进行自然语言处理,得到所述样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素。
可选的,所述语言处理单元,用于:
通过对所述第一样本集进行标准化处理,得到标准化样本集;
通过对所述标准化样本集进行升序排列,对升序排列后的所述标准化样本集进行关键特征提取,并对所提取的所述关键特征进行编码,得到所述样本数据集,其中,所述样本数据集包括对应的所述风险数据和所述风险影响因素。
本发明实施例所提供的风险预测装置可执行本发明任意实施例所提供的风险预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如风险预测方法。
在一些实施例中,风险预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的风险预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行风险预测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种风险预测方法,其特征在于,包括:
获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据;
通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到;
加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级,其中,所述终端在线率通过在线率预测模型对输入的所述待预测数据进行预测得到。
2.根据权利要求1所述的方法,其特征在于,在通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果之前,包括:
通过所述训练样本集对所述孤立森林模型进行训练,得到初步预测模型;
通过所述测试样本集对所述初步预测模型进行测试,在满足预设条件的情况下,将所述初步预测模型作为所述遥控预测模型。
3.根据权利要求2所述的方法,其特征在于,所述通过所述训练样本集对所述孤立森林模型进行训练,得到初步预测模型,包括:
通过所述孤立森林模型对输入的所述训练样本数据进行预测,得到第一遥控结果;
获取所述训练样本数据对应的终端在线率、目标遥控结果以及第二时间段中所述训练样本数据对应的风险数据;
根据所述训练样本数据对应的所述第一遥控结果、所述目标遥控结果、所述终端在线率以及所述风险数据,对所述孤立森林模型中风险影响因素的权重进行调整,得到初步预测模型。
4.根据权利要求2所述的方法,其特征在于,所述通过所述测试样本集对所述初步预测模型进行测试,在满足预设条件的情况下,将所述初步预测模型作为所述遥控预测模型,包括:
通过所述测试样本集对所述初步预测模型进行测试,得到所述初步预测模型对应的模型评价指标,其中,所述模型评价指标包括准确率、精准率、召回率以及由所述准确率、所述精准率和所述召回率组成的第一评价指标中的至少一项;
在所述初步预测模型对应的所述模型评价指标满足所述预设条件的情况下,将所述初步预测模型作为所述遥控预测模型。
5.根据权利要求2所述的方法,其特征在于,在通过所述训练样本集对所述孤立森林模型进行训练,得到初步预测模型之前,包括:
获取历史配网调度数据集,对所述历史配网调度数据集进行预处理,得到样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素;
根据预设比例对所述样本数据集进行划分,得到所述训练样本集和所述测试样本集。
6.根据权利要求5所述的方法,其特征在于,所述对所述历史配网调度数据集进行预处理,得到样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素,包括:
通过对所述历史配网调度数据集进行信息匹配,得到第一样本集;
通过对所述第一样本集进行自然语言处理,得到所述样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素。
7.根据权利要求6所述的方法,其特征在于,所述通过对所述第一样本集进行自然语言处理,得到所述样本数据集以及所述样本数据集对应的所述风险数据和所述风险影响因素,包括:
通过对所述第一样本集进行标准化处理,得到标准化样本集;
通过对所述标准化样本集进行升序排列,对升序排列后的所述标准化样本集进行关键特征提取,并对所提取的所述关键特征进行编码,得到所述样本数据集,其中,所述样本数据集包括对应的所述风险数据和所述风险影响因素。
8.一种风险预测装置,其特征在于,包括:
数据获取模块,用于获取原始配网调度数据,对所述原始配网调度数据进行预处理,得到待预测数据以及第一时间段中,所述待预测数据对应的风险数据;
结果预测模块,用于通过训练完成的遥控预测模型对输入的所述待预测数据进行预测,得到遥控预测结果,其中,所述遥控预测模型通过训练样本集对孤立森林模型训练得到;
等级预测模块,用于加载所述待预测数据对应的终端在线率,根据所述待预测数据对应的所述遥控预测结果、所述终端在线率以及所述风险数据,确定所述待预测数据对应的风险预测等级,其中,所述终端在线率通过在线率预测模型对输入的所述待预测数据进行预测得到。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的风险预测方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310009116.0A CN116186536A (zh) | 2023-01-04 | 2023-01-04 | 风险预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310009116.0A CN116186536A (zh) | 2023-01-04 | 2023-01-04 | 风险预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116186536A true CN116186536A (zh) | 2023-05-30 |
Family
ID=86451637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310009116.0A Pending CN116186536A (zh) | 2023-01-04 | 2023-01-04 | 风险预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186536A (zh) |
-
2023
- 2023-01-04 CN CN202310009116.0A patent/CN116186536A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307215A (zh) | 一种电力***的负荷预测方法、装置、设备及存储介质 | |
CN114282670A (zh) | 神经网络模型的压缩方法、设备和存储介质 | |
CN114580916A (zh) | 一种企业风险评估方法、装置、电子设备及存储介质 | |
CN116167352B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114841619A (zh) | 隔离开关的状态评估方法、装置、电子设备及介质 | |
CN116629620A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN115146853A (zh) | 基于电碳因子的用碳量确定方法、装置、设备及存储介质 | |
CN117235608B (zh) | 风险检测方法、装置、电子设备及存储介质 | |
CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
CN116340777A (zh) | 一种日志分类模型的训练方法、日志分类方法及装置 | |
CN115600607A (zh) | 一种日志检测方法、装置、电子设备及介质 | |
CN115794578A (zh) | 一种电力***的数据管理方法、装置、设备及介质 | |
CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN116186536A (zh) | 风险预测方法、装置、电子设备及存储介质 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
CN116627695B (zh) | 一种告警事件根因推荐方法、装置、设备及存储介质 | |
CN116128296A (zh) | 风险预测方法、装置、电子设备及存储介质 | |
CN116204522A (zh) | 一种数据稽核方法、装置、电子设备及存储介质 | |
CN115392399A (zh) | 流程超时预测模型的训练和使用方法、装置、设备及介质 | |
CN116822740A (zh) | 配电网运维方案确定方法、装置、电子设备及存储介质 | |
CN115564329A (zh) | 一种典型产能场景确定方法、装置、设备及存储介质 | |
CN114580896A (zh) | 一种碳排放量数据分类方法、装置、电子设备及存储介质 | |
CN115050029A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN117251809A (zh) | 电网时序数据异常检测方法、装置、设备和存储介质 | |
CN115618242A (zh) | 一种重复文本识别方法、装置、电子设备和存储介质 |
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 |