CN116739829B - 一种基于大数据的电力数据分析方法、***及介质 - Google Patents
一种基于大数据的电力数据分析方法、***及介质 Download PDFInfo
- Publication number
- CN116739829B CN116739829B CN202310796359.3A CN202310796359A CN116739829B CN 116739829 B CN116739829 B CN 116739829B CN 202310796359 A CN202310796359 A CN 202310796359A CN 116739829 B CN116739829 B CN 116739829B
- Authority
- CN
- China
- Prior art keywords
- power data
- data
- power
- preset
- analysis model
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims description 72
- 238000010586 diagram Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 34
- 238000013499 data model Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于大数据的电力数据分析方法、***及介质,该方法包括:通过历史大数据生成电力数据分析模型,得到历史电力数据分析结果;将历史电力数据的分析结果与预设的结果信息进行相似度计算,得到数据相似度;根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型;采集电力数据,并对电力数据进行预处理,得到处理后的电力数据;将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果;通过电力数据分析模型对实时采集的电力数据进行分析判断,实现电力数据的智能化分析,同时通过电力数据对电力数据分析模型进行训练,使电力数据分析模型的分析结果越来越精准。
Description
技术领域
本申请涉及电力数据分析领域,具体而言,涉及一种基于大数据的电力数据分析方法、***及介质。
背景技术
随着电力***长时间运转,设备会受到高温、高压、氧化、机械损耗等因素的影响,久而久之,老化、磨损、腐蚀的现象不可避免。最终,***整体性能会下降,进而导致故障频发甚至丧失工作能力,给人们的生活带来不必要的损失,为了使***能够安全平稳运行,电力相关企业需要对重点设备的运行状态进行跟踪和监测,采集、记录、分析和整理各种状态数据并做出评估,现有的电力数据分析无法实现数据分析的智能化,针对上述问题,目前亟待有效的技术解决方案。
发明内容
本发明的目的在于提供一种基于大数据的电力数据分析方法、***及介质,可以通过电力数据分析模型对实时采集的电力数据进行分析判断,实现电力数据的智能化分析,同时通过电力数据对电力数据分析模型进行训练,使电力数据分析模型的分析结果越来越精准。
本申请还提供了一种基于大数据的电力数据分析方法,包括:
通过历史大数据生成电力数据分析模型;
采集电力数据,并对电力数据进行预处理,得到处理后的电力数据;
将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果;
将分析结果与预设的结果信息进行相似度计算,得到数据相似度;
根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的调整修正。
可选地,在本申请实施例所述的基于大数据的电力数据分析方法中,所述通过历史大数据生成电力数据分析模型,具体为:
获取历史大数据,设定分类规则将历史大数据进行分类,得到若干个数据集;
将若干个数据集输入预设模型内进行参数训练,得到训练结果;
判断训练结果是否收敛;
若收敛,则生成数据集对应的维度参数;
若不收敛,则继续训练;
将若干个数据集对应的维度参数输入预设模型进行参数修正,得到电力数据分析模型。
可选地,在本申请实施例所述的基于大数据的电力数据分析方法中,所述采集电力数据,并对电力数据进行预处理,得到处理后的电力数据,具体为:
获取电力信号,并生成电力信号波形图;
将电力信号波形图与预设的波形图进行比较,得到波形偏差率;
判断所述波形偏差率是否大于或等于预设的偏差率阈值;
若大于或等于,则生成滤波信息,根据滤波信息对电力信号波形图进行平滑处理;
若小于,则提取电力信号特征值,对电力信号特征值进行筛选处理生成电力数据。
可选地,在本申请实施例所述的基于大数据的电力数据分析方法中,所述将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果,具体为:
设定采集时间,根据采集时间生成若干个不同时间节点的电力数据;
通过电力数据分析模型判断相邻时间节点的电力数据变化量;
判断所述变化量是否大于预设的变化值;
若大于,则生成电力数据误差信息,根据电力数据误差信息将对应时间节点的电力数据进行误差修正;
若小于,则判定电力数据正常。
可选地,在本申请实施例所述的基于大数据的电力数据分析方法中,所述根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型,具体为:
获取数据相似度,将所述数据相似度与第一阈值、第二阈值进行比较;
若大于第一阈值且小于第二阈值,则生成第一修正参数,根据第一修正参数对电力数据分析模型进行一次修正;
若小于第一阈值,则生成第一修正比例,将第一修正比例乘以第一修正参数,得到第二修正参数,根据第二修正参数对电力数据分析模型进行二次修正;
若大于第二阈值,则生成第二修正比例,将第二修正比例乘以第二修正参数,得到第三修正参数,根据第三修正参数对电力数据分析模型进行多次修正。
可选地,在本申请实施例所述的基于大数据的电力数据分析方法中,所述根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型,具体为:
获取数据相似度,将数据相似度与相似度阈值进行百分比计算,得到相似度比值;
判断所述相似度比值是否大于1;
若大于1,则生成正相关系数,根据正相关系数对电力数据模型的超参数进行正相关调整;
若小于或等于1,则生成负相关系数,根据负相关系数对电力数据模型的超参数进行负相关调整。
第二方面,本申请提供了一种基于大数据的电力数据分析***,该***包括:存储器及处理器,所述存储器中包括基于大数据的电力数据分析方法的程序,所述基于大数据的电力数据分析方法的程序被所述处理器执行时实现以下步骤:
通过历史大数据生成电力数据分析模型,得到历史电力数据分析结果;
将历史电力数据的分析结果与预设的结果信息进行相似度计算,得到数据相似度;
根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型;
采集电力数据,并对电力数据进行预处理,得到处理后的电力数据;
将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果;
将分析结果按照预定的方式传输至终端。
可选地,在本申请实施例所述的基于大数据的电力数据分析***中,所述通过历史大数据生成电力数据分析模型,具体为:
获取历史大数据,设定分类规则将历史大数据进行分类,得到若干个数据集;
将若干个数据集输入预设模型内进行参数训练,得到训练结果;
判断训练结果是否收敛;
若收敛,则生成数据集对应的维度参数;
若不收敛,则继续训练;
将若干个数据集对应的维度参数输入预设模型进行参数修正,得到电力数据分析模型。
可选地,在本申请实施例所述的基于大数据的电力数据分析***中,所述采集电力数据,并对电力数据进行预处理,得到处理后的电力数据,具体为:
获取电力信号,并生成电力信号波形图;
将电力信号波形图与预设的波形图进行比较,得到波形偏差率;
判断所述波形偏差率是否大于或等于预设的偏差率阈值;
若大于或等于,则生成滤波信息,根据滤波信息对电力信号波形图进行平滑处理;
若小于,则提取电力信号特征值,对电力信号特征值进行筛选处理生成电力数据。
第三方面,本申请实施例还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中包括基于大数据的电力数据分析方法程序,所述基于大数据的电力数据分析方法程序被处理器执行时,实现如上述任一项所述的基于大数据的电力数据分析方法的步骤。
与现有技术相比,本申请供的一种基于大数据的电力数据分析方法、***及介质,通过历史大数据生成电力数据分析模型,得到历史电力数据分析结果;将历史电力数据的分析结果与预设的结果信息进行相似度计算,得到数据相似度;根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型;采集电力数据,并对电力数据进行预处理,得到处理后的电力数据;将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果;将分析结果按照预定的方式传输至终端;通过电力数据分析模型对实时采集的电力数据进行分析判断,实现电力数据的智能化分析,同时通过电力数据对电力数据分析模型进行训练,使电力数据分析模型的分析结果越来越精准。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的基于大数据的电力数据分析方法的流程图;
图2为本申请实施例提供的基于大数据的电力数据分析方法的电力数据分析模型训练流程图;
图3为本申请实施例提供的基于大数据的电力数据分析方法的电力数据预处理流程图;
图4为本申请实施例提供的基于大数据的电力数据分析***的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种基于大数据的电力数据分析方法的流程图。该基于大数据的电力数据分析方法用于终端设备中,该基于大数据的电力数据分析方法,包括以下步骤:
S101,通过历史大数据生成电力数据分析模型,得到历史电力数据分析结果;
S102,将历史电力数据的分析结果与预设的结果信息进行相似度计算,得到数据相似度;
S103,根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型;
S104,采集电力数据,并对电力数据进行预处理,得到处理后的电力数据;
S105,将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果,将分析结果按照预定的方式传输至终端。
需要说明的是,通过海量的历史大数据对电力数据分析模型进行构建并训练电力数据分析模型,使得电力数据分析模型更加的精准,输出结果更加贴近实际结果,分析误差较小,此外通过分析结果的误差可以反向对电力数据分析模型进行参数调整修正,可以实时的对电力数据模型进行参数调整,使电力数据分析模型具有学习功能,输出结果越来越精准。
请参照图2,图2是本申请一些实施例中的一种基于大数据的电力数据分析方法的电力数据分析模型训练流程图。根据本发明实施例,通过历史大数据生成电力数据分析模型,具体为:
S201,获取历史大数据,设定分类规则将历史大数据进行分类,得到若干个数据集;
S202,将若干个数据集输入预设模型内进行参数训练,得到训练结果;
S203,判断训练结果是否收敛;
S204,若收敛,则生成数据集对应的维度参数;若不收敛,则继续训练;
S205,将若干个数据集对应的维度参数输入预设模型进行参数修正,得到电力数据分析模型。
需要说明的是,通过设定分类规则将历史大数据按照多个维度进行分类,得到不同维度的数据集,通过不同维度的数据集对电力数据分析模型进行不同维度参数的调整训练,最后将多个维度的参数进行融合,提高电力数据分析模型的准确性。
请参照图3,图3是本申请一些实施例中的一种基于大数据的电力数据分析方法的电力数据预处理流程图。根据本发明实施例,采集电力数据,并对电力数据进行预处理,得到处理后的电力数据,具体为:
S301,获取电力信号,并生成电力信号波形图;
S302,将电力信号波形图与预设的波形图进行比较,得到波形偏差率;
S303,判断波形偏差率是否大于或等于预设的偏差率阈值;
S304,若大于或等于,则生成滤波信息,根据滤波信息对电力信号波形图进行平滑处理;
S305,若小于,则提取电力信号特征值,对电力信号特征值进行筛选处理生成电力数据。
需要说明的是,通过分析电力信号波形图,可以对电力信号波形图进行平滑分析,消除电力信号的误差及干扰,提高电力数据的精准度。
根据本发明实施例,将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果,具体为:
设定采集时间,根据采集时间生成若干个不同时间节点的电力数据;
通过电力数据分析模型判断相邻时间节点的电力数据变化量;
判断变化量是否大于预设的变化值;
若大于,则生成电力数据误差信息,根据电力数据误差信息将对应时间节点的电力数据进行误差修正;
若小于,则判定电力数据正常。
需要说明的是,通过判断不同时间节点的电力数据,判断电力数据的变化量,当相邻时间节点的电力数据变化较大时,则判定电力数据出现异常,此时,通过误差信息对电力数据进行误差修正。
根据本发明实施例,根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的调整修正,具体为:
获取数据相似度,将数据相似度与第一阈值、第二阈值进行比较;
若大于第一阈值且小于第二阈值,则生成第一修正参数,根据第一修正参数对电力数据分析模型进行一次修正;
若小于第一阈值,则生成第一修正比例,将第一修正比例乘以第一修正参数,得到第二修正参数,根据第二修正参数对电力数据分析模型进行二次修正;
若大于第二阈值,则生成第二修正比例,将第二修正比例乘以第二修正参数,得到第三修正参数,根据第三修正参数对电力数据分析模型进行多次修正。
需要说明的是,通过将数据相似度与不同的阈值进行比较,通过比较结果生成不同的修正参数,根据不同的修正参数对电力数据分析模型进行多次修正,提高修正精度。
根据本发明实施例,根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的调整修正,具体为:
获取数据相似度,将数据相似度与相似度阈值进行百分比计算,得到相似度比值;
判断相似度比值是否大于1;
若大于1,则生成正相关系数,根据正相关系数对电力数据模型的超参数进行正相关调整;
若小于或等于1,则生成负相关系数,根据负相关系数对电力数据模型的超参数进行负相关调整。
需要说明的是,通过判断数据相似度对电力数据模型进行超参数修正,此外可以通过正相关系数与负相关系数进行电力数据模型不同方向的调整修正,提高电力数据模型的精度。
根据本发明实施例,设定采集时间,根据采集时间生成若干个不同时间节点的电力数据,通过电力数据分析模型判断相邻时间节点的电力数据变化量之后,还包括:
将不同时间节点进行排序,分别为第一时间节点、第二时间节点……第N时间节点;
将相邻时间节点的电力数据进行比较,得到数据偏差率;
判断数据偏差率是否大于或等于预设的数据偏差率阈值;
若大于或等于,则将相邻时间节点的电力数据输入预设的故障模型,根据预设的故障模型分析电力数据的故障信息,并确定故障类型;
若小于,则按照时间节点顺序依次对相邻的两个时间节点的电力数据进行比较分析。
需要说明的是,首先将第一时间节点与第二时间节点的电力数据进行分析,然后将第二时间节点与第三时间节点的电力数据进行分析,可以通过故障模型对每一个时间节点的电力数据进行故障分析,从而为电力设备的维修提供依据。
根据本发明实施例,所述对电力信号特征值进行筛选处理生成电力数据的步骤,具体包括:
将电力信号特征值按照预设特征值范围进行划分,得到对应电力信号特征值落入的特征值范围;
根据电力信号特征值落入的特征值范围在预设电力数据表中查询,得到对应电力信号特征值对应的电力数据。
需要说明的是,在同一特征值范围内的电力信号特征值对应的电力数据相同,所述预设电力数据表中存储有每个特征值范围对应的电力数据,其中预设特征值范围越小,对应电力数据越详细,具体预设特征值范围由本领域技术人员进行设置。
根据本发明实施例,所述根据电力数据误差信息将对应时间节点的电力数据进行误差修正的步骤,具体包括:
获取相同时间点的历史电力数据分析模型判断对应时间节点的电力数据变化量,设为第一变化量;
将第一变化量减去预设的实际第一变化量,得到电力数据误差值;
将电力数据误差值和变化量进行累加,得到对应时间节点的电力数据的修正值。
需要说明的是,所述电力数据误差信息包括电力数据误差值,通过相同时间点的历史电力数据进行分析,得到电力数据误差值,从而对当前电力数据进行误差修正。
根据本发明实施例,还包括:
获取历史电力数据输入至电力数据分析模型,得到历史分析结果的总次数;
提取历史分析结果和预设的结果的数据相似值小于预设相似度阈值的第一次数;
判断历史分析结果的总次数是否大于预设第一次数阈值,若是,则将第一次数除以历史分析结果的总次数,得到对应电力数据分析模型的正确率;
判断所述电力数据分析模型的正确率是否大于预设正确率阈值,若是,则对应电力数据分析模型停止修正。
需要说明的是,当历史分析结果和预设的结果的数据相似值小于预设相似度阈值时,说明对应历史分析结果为正确,为了防止电力数据分析模型的输出结果存在偶然性,提高历史分析结果的总次数,其中历史分析结果的总次数越多,其电力数据分析模型越准确,所述预设第一次数阈值、预设正确率阈值由本领域技术人员进行设置。
请参照图4,图4是本申请一些实施例中的一种基于大数据的电力数据分析***的结构示意图。第二方面,本申请实施例提供了一种基于大数据的电力数据分析***4,该***包括:存储器41及处理器42,存储器41中包括基于大数据的电力数据分析方法的程序,基于大数据的电力数据分析方法的程序被处理器执行时实现以下步骤:
通过历史大数据生成电力数据分析模型,得到历史电力数据分析结果;
将历史电力数据的分析结果与预设的结果信息进行相似度计算,得到数据相似度;
根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型;
采集电力数据,并对电力数据进行预处理,得到处理后的电力数据;
将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果;
将分析结果按照预定的方式传输至终端。
需要说明的是,通过海量的历史大数据对电力数据分析模型进行构建并训练电力数据分析模型,使得电力数据分析模型更加的精准,输出结果更加贴近实际结果,分析误差较小,此外通过分析结果的误差可以反向对电力数据分析模型进行参数调整修正,可以实时的对电力数据模型进行参数调整,使电力数据分析模型具有学习功能,输出结果越来越精准。
根据本发明实施例,通过历史大数据生成电力数据分析模型,具体为:
获取历史大数据,设定分类规则将历史大数据进行分类,得到若干个数据集;
将若干个数据集输入预设模型内进行参数训练,得到训练结果;
判断训练结果是否收敛;
若收敛,则生成数据集对应的维度参数;
若不收敛,则继续训练;
将若干个数据集对应的维度参数输入预设模型进行参数修正,得到电力数据分析模型。
需要说明的是,通过设定分类规则将历史大数据按照多个维度进行分类,得到不同维度的数据集,通过不同维度的数据集对电力数据分析模型进行不同维度参数的调整训练,最后将多个维度的参数进行融合,提高电力数据分析模型的准确性。
根据本发明实施例,采集电力数据,并对电力数据进行预处理,得到处理后的电力数据,具体为:
获取电力信号,并生成电力信号波形图;
将电力信号波形图与预设的波形图进行比较,得到波形偏差率;
判断波形偏差率是否大于或等于预设的偏差率阈值;
若大于或等于,则生成滤波信息,根据滤波信息对电力信号波形图进行平滑处理;
若小于,则提取电力信号特征值,对电力信号特征值进行筛选处理生成电力数据。
需要说明的是,通过分析电力信号波形图,可以对电力信号波形图进行平滑分析,消除电力信号的误差及干扰,提高电力数据的精准度。
根据本发明实施例,将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果,具体为:
设定采集时间,根据采集时间生成若干个不同时间节点的电力数据;
通过电力数据分析模型判断相邻时间节点的电力数据变化量;
判断变化量是否大于预设的变化值;
若大于,则生成电力数据误差信息,根据电力数据误差信息将对应时间节点的电力数据进行误差修正;
若小于,则判定电力数据正常。
需要说明的是,通过判断不同时间节点的电力数据,判断电力数据的变化量,当相邻时间节点的电力数据变化较大时,则判定电力数据出现异常,此时,通过误差信息对电力数据进行误差修正。
根据本发明实施例,根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的调整修正,具体为:
获取数据相似度,将数据相似度与第一阈值、第二阈值进行比较;
若大于第一阈值且小于第二阈值,则生成第一修正参数,根据第一修正参数对电力数据分析模型进行一次修正;
若小于第一阈值,则生成第一修正比例,将第一修正比例乘以第一修正参数,得到第二修正参数,根据第二修正参数对电力数据分析模型进行二次修正;
若大于第二阈值,则生成第二修正比例,将第二修正比例乘以第二修正参数,得到第三修正参数,根据第三修正参数对电力数据分析模型进行多次修正。
需要说明的是,通过将数据相似度与不同的阈值进行比较,通过比较结果生成不同的修正参数,根据不同的修正参数对电力数据分析模型进行多次修正,提高修正精度。
根据本发明实施例,根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的调整修正,具体为:
获取数据相似度,将数据相似度与相似度阈值进行百分比计算,得到相似度比值;
判断相似度比值是否大于1;
若大于1,则生成正相关系数,根据正相关系数对电力数据模型的超参数进行正相关调整;
若小于或等于1,则生成负相关系数,根据负相关系数对电力数据模型的超参数进行负相关调整。
需要说明的是,通过判断数据相似度对电力数据模型进行超参数修正,此外可以通过正相关系数与负相关系数进行电力数据模型不同方向的调整修正,提高电力数据模型的精度。
根据本发明实施例,设定采集时间,根据采集时间生成若干个不同时间节点的电力数据,通过电力数据分析模型判断相邻时间节点的电力数据变化量之后,还包括:
将不同时间节点进行排序,分别为第一时间节点、第二时间节点……第N时间节点;
将相邻时间节点的电力数据进行比较,得到数据偏差率;
判断数据偏差率是否大于或等于预设的数据偏差率阈值;
若大于或等于,则将相邻时间节点的电力数据输入预设的故障模型,根据预设的故障模型分析电力数据的故障信息,并确定故障类型;
若小于,则按照时间节点顺序依次对相邻的两个时间节点的电力数据进行比较分析。
需要说明的是,首先将第一时间节点与第二时间节点的电力数据进行分析,然后将第二时间节点与第三时间节点的电力数据进行分析,可以通过故障模型对每一个时间节点的电力数据进行故障分析,从而为电力设备的维修提供依据。
本发明第三方面提供了一种计算机可读存储介质,可读存储介质中包括基于大数据的电力数据分析方法程序,基于大数据的电力数据分析方法程序被处理器执行时,实现如上述任一项的基于大数据的电力数据分析方法的步骤。
本发明公开的一种基于大数据的电力数据分析方法、***及介质,通过历史大数据生成电力数据分析模型,得到历史电力数据分析结果;将历史电力数据的分析结果与预设的结果信息进行相似度计算,得到数据相似度;根据数据相似度与相似度阈值判断,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型;采集电力数据,并对电力数据进行预处理,得到处理后的电力数据;将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果;将分析结果按照预定的方式传输至终端;通过电力数据分析模型对实时采集的电力数据进行分析判断,实现电力数据的智能化分析,同时通过电力数据对电力数据分析模型进行训练,使电力数据分析模型的分析结果越来越精准。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (6)
1.一种基于大数据的电力数据分析方法,其特征在于,包括:
通过历史大数据生成电力数据分析模型,得到历史电力数据分析结果;
将历史电力数据的分析结果与预设的结果信息进行相似度计算,得到数据相似度;
根据数据相似度与相似度阈值的判断结果,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型;
采集电力数据,并对电力数据进行预处理,得到处理后的电力数据;
将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果;
将分析结果按照预定的方式传输至终端;
所述采集电力数据,并对电力数据进行预处理,得到处理后的电力数据,具体为:
获取电力信号,并生成电力信号波形图;
将电力信号波形图与预设的波形图进行比较,得到波形偏差率;
判断所述波形偏差率是否大于或等于预设的偏差率阈值;
若大于或等于,则生成滤波信息,根据滤波信息对电力信号波形图进行平滑处理;
若小于,则提取电力信号特征值,对电力信号特征值进行筛选处理生成电力数据;
所述将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果,具体为:
设定采集时间,根据采集时间生成若干个不同时间节点的电力数据;
通过电力数据分析模型判断相邻时间节点的电力数据变化量;
判断所述变化量是否大于预设的变化值;
若大于,则生成电力数据误差信息,根据电力数据误差信息将对应时间节点的电力数据进行误差修正;
若小于,则判定电力数据正常;
所述设定采集时间,根据采集时间生成若干个不同时间节点的电力数据,通过电力数据分析模型判断相邻时间节点的电力数据变化量之后,还包括:
将不同时间节点进行排序,分别为第一时间节点、第二时间节点……第N时间节点;
将相邻时间节点的电力数据进行比较,得到数据偏差率;
判断数据偏差率是否大于或等于预设的数据偏差率阈值;
若大于或等于,则将相邻时间节点的电力数据输入预设的故障模型,根据预设的故障模型分析电力数据的故障信息,并确定故障类型;
若小于,则按照时间节点顺序依次对相邻的两个时间节点的电力数据进行比较分析;
所述根据电力数据误差信息将对应时间节点的电力数据进行误差修正的步骤,具体包括:
获取相同时间点的历史电力数据分析模型,判断对应时间节点的电力数据变化量,设为第一变化量;
将第一变化量减去预设的实际第一变化量,得到电力数据误差值;
将电力数据误差值和变化量进行累加,得到对应时间节点的电力数据的修正值。
2.根据权利要求1所述的基于大数据的电力数据分析方法,其特征在于,所述通过历史大数据生成电力数据分析模型,具体为:
获取历史大数据,设定分类规则将历史大数据进行分类,得到若干个数据集;
将若干个数据集输入预设模型内进行参数训练,得到训练结果;
判断训练结果是否收敛;
若收敛,则生成数据集对应的维度参数;
若不收敛,则继续训练;
将若干个数据集对应的维度参数输入预设模型进行参数修正,得到电力数据分析模型。
3.根据权利要求1所述的基于大数据的电力数据分析方法,其特征在于,根据数据相似度与相似度阈值的判断结果,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型,具体为:
获取数据相似度,将数据相似度与相似度阈值进行百分比计算,得到相似度比值;
判断所述相似度比值是否大于1;
若大于1,则生成正相关系数,根据正相关系数对电力数据模型的超参数进行正相关调整;
若小于或等于1,则生成负相关系数,根据负相关系数对电力数据模型的超参数进行负相关调整。
4.一种基于大数据的电力数据分析***,其特征在于,该***包括:存储器及处理器,所述存储器中包括基于大数据的电力数据分析方法的程序,所述基于大数据的电力数据分析方法的程序被所述处理器执行时实现以下步骤:
通过历史大数据生成电力数据分析模型,得到历史电力数据分析结果;
将历史电力数据的分析结果与预设的结果信息进行相似度计算,得到数据相似度;
根据数据相似度与相似度阈值的判断结果,进行电力数据分析模型参数的优化调整,得到优化后的电力数据分析模型;
采集电力数据,并对电力数据进行预处理,得到处理后的电力数据;
将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果;
将分析结果按照预定的方式传输至终端;
所述采集电力数据,并对电力数据进行预处理,得到处理后的电力数据,具体为:
获取电力信号,并生成电力信号波形图;
将电力信号波形图与预设的波形图进行比较,得到波形偏差率;
判断所述波形偏差率是否大于或等于预设的偏差率阈值;
若大于或等于,则生成滤波信息,根据滤波信息对电力信号波形图进行平滑处理;
若小于,则提取电力信号特征值,对电力信号特征值进行筛选处理生成电力数据;
所述将处理后的电力数据输入至优化后的电力数据分析模型,得到分析结果,具体为:
设定采集时间,根据采集时间生成若干个不同时间节点的电力数据;
通过电力数据分析模型判断相邻时间节点的电力数据变化量;
判断所述变化量是否大于预设的变化值;
若大于,则生成电力数据误差信息,根据电力数据误差信息将对应时间节点的电力数据进行误差修正;
若小于,则判定电力数据正常;
所述设定采集时间,根据采集时间生成若干个不同时间节点的电力数据,通过电力数据分析模型判断相邻时间节点的电力数据变化量之后,还包括:
将不同时间节点进行排序,分别为第一时间节点、第二时间节点……第N时间节点;
将相邻时间节点的电力数据进行比较,得到数据偏差率;
判断数据偏差率是否大于或等于预设的数据偏差率阈值;
若大于或等于,则将相邻时间节点的电力数据输入预设的故障模型,根据预设的故障模型分析电力数据的故障信息,并确定故障类型;
若小于,则按照时间节点顺序依次对相邻的两个时间节点的电力数据进行比较分析;
所述根据电力数据误差信息将对应时间节点的电力数据进行误差修正的步骤,具体包括:
获取相同时间点的历史电力数据分析模型,判断对应时间节点的电力数据变化量,设为第一变化量;
将第一变化量减去预设的实际第一变化量,得到电力数据误差值;
将电力数据误差值和变化量进行累加,得到对应时间节点的电力数据的修正值。
5.根据权利要求4所述的基于大数据的电力数据分析***,其特征在于,所述通过历史大数据生成电力数据分析模型,具体为:
获取历史大数据,设定分类规则将历史大数据进行分类,得到若干个数据集;
将若干个数据集输入预设模型内进行参数训练,得到训练结果;
判断训练结果是否收敛;
若收敛,则生成数据集对应的维度参数;
若不收敛,则继续训练;
将若干个数据集对应的维度参数输入预设模型进行参数修正,得到电力数据分析模型。
6.一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中包括基于大数据的电力数据分析方法程序,所述基于大数据的电力数据分析方法程序被处理器执行时,实现如权利要求1至3中任一项所述的基于大数据的电力数据分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796359.3A CN116739829B (zh) | 2023-07-03 | 2023-07-03 | 一种基于大数据的电力数据分析方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796359.3A CN116739829B (zh) | 2023-07-03 | 2023-07-03 | 一种基于大数据的电力数据分析方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739829A CN116739829A (zh) | 2023-09-12 |
CN116739829B true CN116739829B (zh) | 2024-03-19 |
Family
ID=87916800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310796359.3A Active CN116739829B (zh) | 2023-07-03 | 2023-07-03 | 一种基于大数据的电力数据分析方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739829B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575358B (zh) * | 2023-11-22 | 2024-06-14 | 山西亦加企业管理咨询有限责任公司 | 一种基于大数据的数据处理管理方法及*** |
CN117668497B (zh) * | 2024-01-31 | 2024-05-07 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159517A (zh) * | 2021-03-24 | 2021-07-23 | 国网浙江省电力有限公司宁波供电公司 | 一种三维可视化电网运行数据分析*** |
CN114116844A (zh) * | 2021-11-25 | 2022-03-01 | 广东电网有限责任公司 | 一种电力通信运维数据分析方法、装置及存储介质 |
CN114519420A (zh) * | 2022-02-17 | 2022-05-20 | 平安国际智慧城市科技股份有限公司 | 一种空气质量预测方法、装置、计算机设备及存储介质 |
CN114720764A (zh) * | 2022-02-23 | 2022-07-08 | 江苏森维电子有限公司 | 一种基于电表实时监测数据的谐波分析方法及*** |
CN114839556A (zh) * | 2022-05-10 | 2022-08-02 | 中国第一汽车股份有限公司 | 动力电池异常检测方法、装置、存储介质及电子装置 |
CN115563775A (zh) * | 2022-10-08 | 2023-01-03 | 华能国际电力股份有限公司 | 电力仿真方法和装置、电子设备和存储介质 |
CN115587719A (zh) * | 2022-06-08 | 2023-01-10 | 国网安徽省电力有限公司 | 基于密集输电通道灾害的大电网静态安全风险分析方法 |
CN116311814A (zh) * | 2022-12-29 | 2023-06-23 | 国网山东省电力公司淄博供电公司 | 高压开关柜运行状态分析、主动预警***及方法 |
CN116345696A (zh) * | 2023-05-29 | 2023-06-27 | 南京上古网络科技有限公司 | 一种基于全域监测的异常信息分析管理***及方法 |
-
2023
- 2023-07-03 CN CN202310796359.3A patent/CN116739829B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159517A (zh) * | 2021-03-24 | 2021-07-23 | 国网浙江省电力有限公司宁波供电公司 | 一种三维可视化电网运行数据分析*** |
CN114116844A (zh) * | 2021-11-25 | 2022-03-01 | 广东电网有限责任公司 | 一种电力通信运维数据分析方法、装置及存储介质 |
CN114519420A (zh) * | 2022-02-17 | 2022-05-20 | 平安国际智慧城市科技股份有限公司 | 一种空气质量预测方法、装置、计算机设备及存储介质 |
CN114720764A (zh) * | 2022-02-23 | 2022-07-08 | 江苏森维电子有限公司 | 一种基于电表实时监测数据的谐波分析方法及*** |
CN114839556A (zh) * | 2022-05-10 | 2022-08-02 | 中国第一汽车股份有限公司 | 动力电池异常检测方法、装置、存储介质及电子装置 |
CN115587719A (zh) * | 2022-06-08 | 2023-01-10 | 国网安徽省电力有限公司 | 基于密集输电通道灾害的大电网静态安全风险分析方法 |
CN115563775A (zh) * | 2022-10-08 | 2023-01-03 | 华能国际电力股份有限公司 | 电力仿真方法和装置、电子设备和存储介质 |
CN116311814A (zh) * | 2022-12-29 | 2023-06-23 | 国网山东省电力公司淄博供电公司 | 高压开关柜运行状态分析、主动预警***及方法 |
CN116345696A (zh) * | 2023-05-29 | 2023-06-27 | 南京上古网络科技有限公司 | 一种基于全域监测的异常信息分析管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116739829A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、***及介质 | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及*** | |
CN106557546B (zh) | 一种对特高压在线监测数据进行挖掘并评价的方法及*** | |
CN116306320B (zh) | 非血管腔道导丝生产质量管理方法及*** | |
CN111414703B (zh) | 一种滚动轴承剩余寿命预测方法及装置 | |
CN112001644B (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN111371188A (zh) | 一种用电异常数据实时预警*** | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN113570200A (zh) | 一种基于多维信息的电网运行状态监测方法及*** | |
CN116401532B (zh) | 一种电力***受扰后频率失稳识别方法及*** | |
CN116388402B (zh) | 一种应用于变电设备的异常报警分析方法 | |
CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
CN112904148A (zh) | 智能电缆运行监测***、方法及装置 | |
CN115796708A (zh) | 一种工程建设用的大数据智能质检方法、***和介质 | |
CN116433034B (zh) | 一种基于机器学习的虚拟电厂运行风险检测方法 | |
CN117233645A (zh) | 一种储能逆变器电池异常判定方法、***及介质 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的***及方法 | |
CN115729761B (zh) | 一种硬盘故障预测方法、***、设备及介质 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及*** | |
CN101923605B (zh) | 铁路防灾风预警方法 | |
CN114626433A (zh) | 一种智能电能表故障预测并分类方法、装置及*** | |
CN112398706B (zh) | 数据评估标准确定方法、装置及存储介质、电子设备 |
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 |