CN117808157A - 基于智能识别的未报备停电行为预测分析*** - Google Patents
基于智能识别的未报备停电行为预测分析*** Download PDFInfo
- Publication number
- CN117808157A CN117808157A CN202311853452.XA CN202311853452A CN117808157A CN 117808157 A CN117808157 A CN 117808157A CN 202311853452 A CN202311853452 A CN 202311853452A CN 117808157 A CN117808157 A CN 117808157A
- Authority
- CN
- China
- Prior art keywords
- real
- power
- time
- power consumption
- historical
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 89
- 230000005611 electricity Effects 0.000 claims abstract description 67
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims description 50
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Emergency Management (AREA)
- Manufacturing & Machinery (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明涉及智能识别数据分析技术领域,尤其涉及基于智能识别的未报备停电行为预测分析***,包括数据采集模块、特征提取模块、数据筛选模块以及智能报警模块;数据采集模块获取历史用电的样本数据和实时用电数据;特征提取模块获取每个周期的历史停电频率和对应的历史用电功率,并根据其相关性计算获取停电特征系数;数据筛选模块对实时用电功率进行数据筛选,并获取疑似停电的分析结果;智能报警模块校对分析得到实时用电校对分析结果,并计算报警预测系数进行报警处理。本发明用于解决对停电行为进行智能预测和报警处理不准确的技术问题。
Description
技术领域
本发明涉及智能识别数据分析技术领域,尤其涉及基于智能识别的未报备停电行为预测分析***。
背景技术
智能识别是指利用人工智能技术对图像、语音、文本等数据进行识别和分析的过程。智能识别是基于人工智能技术,通过模拟人类的认知过程,实现对各种类型的数据进行自动化的分析、识别和理解。
当前这种技术在图像识别、语音识别、自然语言处理等领域有着广泛的应用,可以帮助人们更高效地处理和理解大量的数据信息。但是,基于智能识别技术预测未报备的停电行为的潜在问题不易被发现,无法提供更好的停电检测和预防,工厂每停电一次就会产生一定的用电功率,当工厂设备正在运行时,监测数据的误差会导致预测结果不准确,且无法对停电行为进行精准报警,以至于降低了停电预测分析***的有效性和可靠性,这是亟待解决的问题。
发明内容
本发明的目的是为了解决背景技术中的问题,而提出的基于智能识别的未报备停电行为预测分析***。
为了实现上述目的,本发明采用了如下技术方案:
基于智能识别的未报备停电行为预测分析***,包括:数据采集模块、特征提取模块、数据筛选模块以及智能报警模块;
数据采集模块用于获取历史用电的样本数据和实时用电数据;
数据采集模块包括历史样本数据采集单元和实时运行数据采集单元,历史样本数据采集单元用于获取历史用电的样本数据,并划分时间段对历史用电的样本数据进行采集,采集每个用电周期的历史停电频率和对应的历史用电功率,并将采集的信息发送至特征提取模块;实时运行数据采集单元用于获取当前设备的实时用电数据,并将采集到的数据存储到数据库中同时发送至数据筛选模块;
特征提取模块用于接收历史样本数据采集单元的信息,获取每个周期的历史停电频率和对应的历史用电功率,根据每个用电周期的历史停电频率和对应的历史用电功率的相关性进行计算分析建立回归方程,获取停电特征系数;
数据筛选模块用于接收实时运行数据采集单元的信息,获取异常用电功率和正常用电功率的参照范围,计算异常用电概率确定异常用电概率的临界值,将当前设备的实时用电功率进行数据筛选,生成实时用电的疑似异常信号得到疑似停电的分析结果,并发送至智能报警模块;
智能报警模块用于对疑似停电的分析结果进行校对分析得到实时用电校对分析结果,计算报警预测系数,并获取不同等级指令,将不同等级指令进行不同级别的报警处理。
需要说明的是,本发明实施例中基于智能识别的未报备停电行为预测分析***的应用对象可以为制造工厂的电力能源使用状况的数据质量监测,具体的可以为制造工厂的停电行为进行精确地智能预测和报警处理,其中,监测停电数据的监测指标为停电频率和用电功率指标。
进一步的,历史样本数据采集单元对历史用电的样本数据进行采集的过程包括:
获取电力***的历史用电的样本数据,对历史用电的样本数据按时间段进行划分;
以6个月作为一个用电周期,根据用电周期对用电数据进行采集;
获取每个用电周期的历史停电频率和对应的历史用电功率,将采集的信息存储至数据库中,并标记为历史用电数据库,同时发送至特征提取模块。
进一步的,实时运行数据采集单元获取当前设备的实时用电数据的步骤包括:
获取当前设备的实时用电数据,以一周作为一个监测周期,对设备的实时用电功率进行采集;
将采集到的数据存储到数据库中,并标记为实时用电数据库,同时发送至数据筛选模块。
进一步的,特征提取模块根据历史停电频率和对应的历史用电功率的相关性建立回归方程,并计算获取停电特征系数的过程包括
接收历史样本数据采集单元的信息,获取每个周期的历史用电的样本数据,并对每次进行的数据采集用i表示,i=1,2,3,……,n;n为正整数;
将历史停电频率和对应的历史用电功率分别标记为xi和yi;
对数据yi和xi进行均值和求和处理,计算得到以及/>
以历史停电频率为控制点,并根据每个用电周期的历史停电频率和对应的历史用电功率的相关性进行回归分析建立回归方程;
通过停电回归方程计算分析停电特征系数TD,其中,计算公式为y=bx+a,且数据单位为兆瓦,式中,
其中,本发明实施例中采集的数据是近几年的工厂停电频率,以半年为一个监测周期,因为工厂的每年生产效率或高或低,电力供应会不稳定,且电力负载不一样,工厂每停电一次就会产生一定的用电功率,此处的用电功率是指停一次电的能耗值,根据两者的相关性建立回归方程,计算过程如下,获取工厂2020年至2022年的历史停电频率和对应的历史用电功率的监测数据,若xi=2、1、0、3,yi=0.005、0.002、0.001、0.006,则
由此得出y=-0.0012x+0.0053。
进一步的,数据筛选模块对实时用电功率进行数据筛选,计算分析得到疑似停电的分析结果的过程包括:
接收实时运行数据采集单元的信息;
根据停电特征系数进行分析判断,当历史停电频率x不小于2时,则将对应的历史用电功率判断为异常用电功率YD;获取设备的正常用电功率的参照范围(ZDmin,ZDmax);
通过计算公式得到异常用电概率YG,其中,计算公式为:YG=[(YD-ZD)/ZD]×100%,并根据计算结果确定异常用电概率的临界值A%;
获取实时用电功率,并编号标记为SDj,j=1,2,3,……,m;m为正整数;
将当前设备的实时用电功率进行数据筛选,通过计算公式SG=[(SDj-ZD)/ZD]×100%计算实时用电概率SG,若SG大于异常用电概率的临界值A%,则将该实时用电功率标记为SDk,其中,k表示该实时用电功率的数据编号,并生成实时用电的疑似异常信号得到疑似停电的分析结果;
将疑似停电的分析结果发送至智能报警模块。
进一步的,智能报警模块根据疑似停电的分析结果进行校对分析得到实时用电的校对分析结果的过程包括:
对疑似停电的分析结果进行校对分析,获取用电功率的预测值YC;
将实时用电的疑似异常信号对应的实时用电功率SDk与用电功率的预测值YC进行比对,当实时用电功率SDk大于用电功率预测值YC时,则确定该实时用电功率存在异常,并生成实时用电功率的异常信号;当实时用电功率SDk不大于用电功率预测值YC时,则确定该实时用电功率正常,并生成实时用电功率的正常信号;
由实时用电功率的异常信号和实时用电功率的正常信号得到实时用电校对分析结果。
进一步的,智能报警模块计算分析报警预测系数,并生成不同等级指令的过程包括:
根据实时用电校对分析结果进行报警预测分析,通过公式×P计算报警预测系数,式中,/>表示获取到的实时用电的疑似异常信号对应的实时用电功率的平均值,P为报警预测系数预设的比例系数,且0<P<1,其中,l=1,2,3,……,o;o为正整数;
将计算结果进行分析处理,若报警预测系数BJ的数值范围在(0.6,1)之间,则***生成一级报警指令;若报警预测系数BJ的数值范围在(0.3,0.6)之间,则***生成二级报警指令;若报警预测系数BJ的数值范围在(0,0.3)之间,则***生成三级报警指令;
***根据生成的不同等级指令进行不同级别的报警处理。
与现有的技术相比,本发明提供了基于智能识别的未报备停电行为预测分析***的优点在于:
1、本发明通过数据采集模块获取历史用电的样本数据和实时用电数据,并分别将采集的信息发送至特征提取模块和数据筛选模块;
2、本发明通过特征提取模块接收历史样本数据采集单元的信息,获取每个周期的历史停电频率和对应的历史用电功率,根据每个用电周期的历史停电频率和对应的历史用电功率的相关性进行计算分析建立回归方程,获取停电特征系数;
3、本发明通过数据筛选模块接收实时运行数据采集单元的信息,获取异常用电功率和正常用电功率的参照范围,计算异常用电概率确定异常用电概率的临界值,将当前设备的实时用电功率进行数据筛选,生成实时用电的疑似异常信号得到疑似停电的分析结果,并发送至智能报警模块,确保异常信息准确无误;
4、本发明通过智能报警模块对疑似停电的分析结果进行校对分析得到实时用电校对分析结果,计算报警预测系数,并获取不同等级指令,将不同等级指令进行不同级别的报警处理,使报警指令更准确。
综上所述,本发明可以根据实际情况,对报警预测系数的计算结果进行分析处理,生成的不同等级指令,***根据生成的不同等级指令进行不同级别的报警处理,提高报警功能的实时性和可靠性,通过全面的预测数据分析和报警优化处理,确保后续基于智能识别的未报备停电行为预测分析***的正常工作。
附图说明
图1为本发明提出的基于智能识别的未报备停电行为预测分析***的模块图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施条例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,基于智能识别的未报备停电行为预测分析***,该***包括数据采集模块、特征提取模块、数据筛选模块以及智能报警模块;
数据采集模块用于获取历史用电的样本数据和实时用电数据;数据采集模块包括历史样本数据采集单元和实时运行数据采集单元,历史样本数据采集单元用于获取历史用电的样本数据,并划分时间段对历史用电的样本数据进行采集,采集每个用电周期的历史停电频率和对应的历史用电功率,并将采集的信息发送至特征提取模块;实时运行数据采集单元用于获取当前设备的实时用电数据,并将采集到的数据存储到数据库中同时发送至数据筛选模块;
特征提取模块用于接收历史样本数据采集单元的信息,获取每个周期的历史停电频率和对应的历史用电功率,根据每个用电周期的历史停电频率和对应的历史用电功率的相关性进行计算分析建立回归方程,获取停电特征系数;
数据筛选模块用于接收实时运行数据采集单元的信息,获取异常用电功率和正常用电功率的参照范围,计算异常用电概率确定异常用电概率的临界值,将当前设备的实时用电功率进行数据筛选,生成实时用电的疑似异常信号得到疑似停电的分析结果,并发送至智能报警模块;
智能报警模块用于对疑似停电的分析结果进行校对分析得到实时用电校对分析结果,计算报警预测系数,并获取不同等级指令,将不同等级指令进行不同级别的报警处理。
需要说明的是,本发明实施例中基于智能识别的未报备停电行为预测分析***的应用对象可以为制造工厂的电力能源使用状况的数据质量监测,具体的可以为制造工厂的停电行为进行精确地智能预测和报警处理,其中,监测停电数据的监测指标为停电频率和用电功率指标。
历史样本数据采集单元对历史用电的样本数据进行采集的过程包括:
S101、获取电力***的历史用电的样本数据,对历史用电的样本数据按时间段进行划分;
S102、以6个月作为一个用电周期,根据用电周期对用电数据进行采集;
S103、获取每个用电周期的历史停电频率和对应的历史用电功率,将采集的信息存储至数据库中,并标记为历史用电数据库,同时发送至特征提取模块。
实时运行数据采集单元获取当前设备的实时用电数据的步骤包括:
S201、获取当前设备的实时用电数据,以一周作为一个监测周期,对设备的实时用电功率进行采集;
S202、将采集到的数据存储到数据库中,并标记为实时用电数据库,同时发送至数据筛选模块。
特征提取模块根据历史停电频率和对应的历史用电功率的相关性建立回归方程,并计算获取停电特征系数的过程包括:
S301、接收历史样本数据采集单元的信息,获取每个周期的历史用电的样本数据,并对每次进行的数据采集用i表示,i=1,2,3,……,n;n为正整数;
S302、将历史停电频率和对应的历史用电功率分别标记为xi和yi;
S303、对数据x和y进行均值和求和处理,计算得到 以及
S304、以历史停电频率为控制点,并根据每个用电周期的历史停电频率和对应的历史用电功率的相关性进行回归分析建立回归方程;
S305、通过停电回归方程计算分析停电特征系数TD,其中,计算公式为y=bx+a,且数据单位为兆瓦,式中,
其中,本发明实施例中采集的数据是近几年的工厂停电频率,以半年为一个监测周期,因为工厂的每年生产效率或高或低,电力供应会不稳定,且电力负载不一样,工厂每停电一次就会产生一定的用电功率,此处的用电功率是指停一次电的能耗值,根据两者的相关性建立回归方程,计算过程如下,获取工厂2020年至2022年的历史停电频率和对应的历史用电功率的监测数据,若xi=2、1、0、3,yi=0.005、0.002、0.001、0.006,则
由此得出y=-0.0012x+0.0053。
数据筛选模块对实时用电功率进行数据筛选,计算分析得到疑似停电的分析结果的过程包括:
S401、接收实时运行数据采集单元的信息;
S402、根据停电特征系数进行分析判断,当历史停电频率x不小于2时,则将对应的历史用电功率判断为异常用电功率YD;获取设备的正常用电功率的参照范围(ZDmin,ZDmax);
S403、通过计算公式得到异常用电概率YG,其中,计算公式为:YG=[(YD-ZD)/ZD]×100%,并根据计算结果确定异常用电概率的临界值A%;
S404、获取实时用电功率,并编号标记为SDj,j=1,2,3,……,m;m为正整数;
S405、将当前设备的实时用电功率进行数据筛选,通过计算公式SG=[(SDj-ZD)/ZD]×100%计算实时用电概率SG,若SG大于异常用电概率的临界值A%,则将该实时用电功率标记为SDk,其中,k表示该实时用电功率的数据编号,并生成实时用电的疑似异常信号得到疑似停电的分析结果;
S406、将疑似停电的分析结果发送至智能报警模块。
智能报警模块根据疑似停电的分析结果进行校对分析得到实时用电的校对分析结果的过程包括:
S501、对疑似停电的分析结果进行校对分析,获取用电功率的预测值YC;
S502、将实时用电的疑似异常信号对应的实时用电功率SDk与用电功率的预测值YC进行比对,当实时用电功率SDk大于用电功率预测值YC时,则确定该实时用电功率存在异常,并生成实时用电功率的异常信号;当实时用电功率SDk不大于用电功率预测值YC时,则确定该实时用电功率正常,并生成实时用电功率的正常信号;
S503、由实时用电功率的异常信号和实时用电功率的正常信号得到实时用电校对分析结果。
智能报警模块计算分析报警预测系数,并生成不同等级指令的过程包括:
S601、根据实时用电校对分析结果进行报警预测分析,通过公式 式中,/>表示获取到的实时用电的疑似异常信号对应的实时用电功率的平均值,P为报警预测系数预设的比例系数,且0<P<1,其中,l=1,2,3,……,o;o为正整数;
S602、将计算结果进行分析处理,若报警预测系数BJ的数值范围在(0.6,1)之间,则***生成一级报警指令;若报警预测系数BJ的数值范围在(0.3,0.6)之间,则***生成二级报警指令;若报警预测系数BJ的数值范围在(0,0.3)之间,则***生成三级报警指令;
S603、***根据生成的不同等级指令进行不同级别的报警处理。
本发明实施例中,通过数据采集模块获取历史用电的样本数据,采集每个用电周期的历史停电频率和对应的历史用电功率,并将采集的信息发送至特征提取模块,同时获取当前设备的实时用电数据,并将采集到的数据存储到数据库中同时发送至数据筛选模块,通过特征提取模块接收历史样本数据采集单元的信息,获取每个周期的历史停电频率和对应的历史用电功率,根据每个用电周期的历史停电频率和对应的历史用电功率的相关性进行计算分析建立回归方程,获取停电特征系数,通过数据筛选模块接收实时运行数据采集单元的信息,获取异常用电功率和正常用电功率的参照范围,计算异常用电概率确定异常用电概率的临界值,将当前设备的实时用电功率进行数据筛选,生成实时用电的疑似异常信号得到疑似停电的分析结果,并发送至智能报警模块,提高***监测异常的精准性和可靠性,通过智能报警模块对疑似停电的分析结果进行校对分析得到实时用电校对分析结果,计算报警预测系数,并获取不同等级指令,将不同等级指令进行不同级别的报警处理,使报警指令更准确。综上所述,本发明实例涉及到数据采集分析、结果生成和优化措施的决策,解决基于智能识别的未报备停电行为预测分析***的停电行为进行智能预测和报警处理不精确的问题。在实际情况中,可能需要更多的数据和上下文信息来做出具体的决策和优化方案。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,各个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本依托于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
为了描述得方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
其次:本发明公开实施例附图中,只涉及与本公开实施例涉及的结构,其他结构可参考通常设计,在不冲突情况下,本发明同一实施例及不同实施例可以相互组合;
最后:以上所述仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.基于智能识别的未报备停电行为预测分析***,其特征在于:包括数据采集模块、特征提取模块、数据筛选模块以及智能报警模块;
数据采集模块用于获取历史用电的样本数据和实时用电数据;数据采集模块包括历史样本数据采集单元和实时运行数据采集单元,历史样本数据采集单元用于获取历史用电的样本数据,并划分时间段对历史用电的样本数据进行采集,采集每个用电周期的历史停电频率和对应的历史用电功率,并将采集的信息发送至特征提取模块;实时运行数据采集单元用于获取当前设备的实时用电数据,并将采集到的数据存储到数据库中同时发送至数据筛选模块;
特征提取模块用于接收历史样本数据采集单元的信息,获取每个周期的历史停电频率和对应的历史用电功率,根据每个用电周期的历史停电频率和对应的历史用电功率的相关性进行计算分析建立回归方程,获取停电特征系数;
数据筛选模块用于接收实时运行数据采集单元的信息,获取异常用电功率和正常用电功率的参照范围,计算异常用电概率确定异常用电概率的临界值,将当前设备的实时用电功率进行数据筛选,生成实时用电的疑似异常信号得到疑似停电的分析结果,并发送至智能报警模块;
智能报警模块用于对疑似停电的分析结果进行校对分析得到实时用电校对分析结果,计算报警预测系数,并获取不同等级指令,将不同等级指令进行不同级别的报警处理。
2.根据权利要求1所述的基于智能识别的未报备停电行为预测分析***,其特征在于:历史样本数据采集单元对历史用电的样本数据进行采集的过程包括:
获取电力***的历史用电的样本数据,对历史用电的样本数据按时间段进行划分;
以6个月作为一个用电周期,根据用电周期对用电数据进行采集;
获取每个用电周期的历史停电频率和对应的历史用电功率,将采集的信息存储至数据库中,并标记为历史用电数据库,同时发送至特征提取模块。
3.根据权利要求1所述的基于智能识别的未报备停电行为预测分析***,其特征在于:实时运行数据采集单元获取当前设备的实时用电数据的步骤包括:
获取当前设备的实时用电数据,以一周作为一个监测周期,对设备的实时用电功率进行采集;
将采集到的数据存储到数据库中,并标记为实时用电数据库,同时发送至数据筛选模块。
4.根据权利要求1所述的基于智能识别的未报备停电行为预测分析***,其特征在于:特征提取模块根据历史停电频率和对应的历史用电功率的相关性建立回归方程,并计算获取停电特征系数的过程包括:
接收历史样本数据采集单元的信息,获取每个周期的历史用电的样本数据,并对每次进行的数据采集用i表示,i=1,2,3,……,n;n为正整数;
将历史停电频率和对应的历史用电功率分别标记为xi和yi;
对数据x和y进行均值和求和处理,计算得到 以及/>
以历史停电频率为控制点,并根据每个用电周期的历史停电频率和对应的历史用电功率的相关性进行回归分析建立回归方程;
通过停电回归方程计算分析停电特征系数TD,其中,计算公式为y=bx+a,且数据单位为兆瓦,式中,
5.根据权利要求1所述的基于智能识别的未报备停电行为预测分析***,其特征在于:数据筛选模块对实时用电功率进行数据筛选,计算分析得到疑似停电的分析结果的过程包括:
接收实时运行数据采集单元的信息;
根据停电特征系数进行分析判断,当历史停电频率x不小于2时,则将对应的历史用电功率判断为异常用电功率YD;获取设备的正常用电功率的参照范围(ZDmin,ZDmax);
通过计算公式得到异常用电概率YG,其中,计算公式为:YG=[(YD-ZD)/ZD]×100%,并根据计算结果确定异常用电概率的临界值A%;
获取实时用电功率,并编号标记为SDj,j=1,2,3,……,m;m为正整数;
将当前设备的实时用电功率进行数据筛选,通过计算公式SG=[(SDj-ZD)/ZD]×100%计算实时用电概率SG,若SG大于异常用电概率的临界值A%,则将该实时用电功率标记为SDk,其中,k表示该实时用电功率的数据编号,并生成实时用电的疑似异常信号得到疑似停电的分析结果;
将疑似停电的分析结果发送至智能报警模块。
6.根据权利要求1所述的基于智能识别的未报备停电行为预测分析***,其特征在于:智能报警模块根据疑似停电的分析结果进行校对分析得到实时用电的校对分析结果的过程包括:
对疑似停电的分析结果进行校对分析,获取用电功率的预测值YC;
将实时用电的疑似异常信号对应的实时用电功率SDk与用电功率的预测值YC进行比对,当实时用电功率SDk大于用电功率预测值YC时,则确定该实时用电功率存在异常,并生成实时用电功率的异常信号;当实时用电功率SDk不大于用电功率预测值YC时,则确定该实时用电功率正常,并生成实时用电功率的正常信号;
由实时用电功率的异常信号和实时用电功率的正常信号得到实时用电的校对分析结果。
7.根据权利要求1所述的基于智能识别的未报备停电行为预测分析***,其特征在于:智能报警模块计算分析报警预测系数,并生成不同等级指令的过程包括:
根据实时用电校对分析结果进行报警预测分析,通过公式 计算报警预测系数,式中,/>表示获取到的实时用电的疑似异常信号对应的实时用电功率的平均值,P为报警预测系数预设的比例系数,且0<P<1,其中,l=1,2,3,……,o;o为正整数;
将计算结果进行分析处理,若报警预测系数BJ的数值范围在(0.6,1)之间,则***生成一级报警指令;若报警预测系数BJ的数值范围在(0.3,0.6)之间,则***生成二级报警指令;若报警预测系数BJ的数值范围在(0,0.3)之间,则***生成三级报警指令;
***根据生成的不同等级指令进行不同级别的报警处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311853452.XA CN117808157B (zh) | 2023-12-29 | 2023-12-29 | 基于智能识别的未报备停电行为预测分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311853452.XA CN117808157B (zh) | 2023-12-29 | 2023-12-29 | 基于智能识别的未报备停电行为预测分析*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808157A true CN117808157A (zh) | 2024-04-02 |
CN117808157B CN117808157B (zh) | 2024-06-18 |
Family
ID=90431313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311853452.XA Active CN117808157B (zh) | 2023-12-29 | 2023-12-29 | 基于智能识别的未报备停电行为预测分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808157B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632805A (zh) * | 2021-03-15 | 2021-04-09 | 国能大渡河大数据服务有限公司 | 机组跨越振动区分析预警方法、***、终端及介质 |
US20210390441A1 (en) * | 2020-06-12 | 2021-12-16 | Verizon Patent And Licensing Inc. | System and methods for scoring telecommunications network data using regression classification techniques |
CN116613867A (zh) * | 2023-07-20 | 2023-08-18 | 西安峰盛智能电子有限公司 | 用于agv的无线电能传输***及其控制方法 |
CN117132025A (zh) * | 2023-10-26 | 2023-11-28 | 国网山东省电力公司泰安供电公司 | 一种基于多源数据融合的用电监测预警*** |
CN117294000A (zh) * | 2023-08-23 | 2023-12-26 | 内蒙古电力(集团)有限责任公司电力营销服务与运营管理分公司 | 一种电网智能停电预警*** |
-
2023
- 2023-12-29 CN CN202311853452.XA patent/CN117808157B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210390441A1 (en) * | 2020-06-12 | 2021-12-16 | Verizon Patent And Licensing Inc. | System and methods for scoring telecommunications network data using regression classification techniques |
CN112632805A (zh) * | 2021-03-15 | 2021-04-09 | 国能大渡河大数据服务有限公司 | 机组跨越振动区分析预警方法、***、终端及介质 |
CN116613867A (zh) * | 2023-07-20 | 2023-08-18 | 西安峰盛智能电子有限公司 | 用于agv的无线电能传输***及其控制方法 |
CN117294000A (zh) * | 2023-08-23 | 2023-12-26 | 内蒙古电力(集团)有限责任公司电力营销服务与运营管理分公司 | 一种电网智能停电预警*** |
CN117132025A (zh) * | 2023-10-26 | 2023-11-28 | 国网山东省电力公司泰安供电公司 | 一种基于多源数据融合的用电监测预警*** |
Non-Patent Citations (3)
Title |
---|
徐国祥: "商务统计学", 31 August 2020, 上海:复旦大学出版社, pages: 294 - 295 * |
董丽丽;张科;许文海;: "基于红外成像的船舶净空高度测量方法", 科学技术与工程, no. 15, 28 May 2020 (2020-05-28) * |
郭志民;张永浩;周兴华;苏娟;吴博;耿俊成;宁杰;: "基于多源数据融合策略的配电网停电故障分析", 电网与清洁能源, no. 01, 25 January 2018 (2018-01-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117808157B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及*** | |
CN109977535B (zh) | 一种线损异常诊断方法、装置、设备及可读存储介质 | |
CN104809051B (zh) | 用于预测计算机应用中的异常和故障的方法和装置 | |
CN105184084B (zh) | 一种电力计量自动化终端故障类型预测方法和*** | |
KR101872342B1 (ko) | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 | |
CN105871634A (zh) | 检测集群异常的方法及应用、管理集群的*** | |
CN116125361B (zh) | 电压互感器误差评估方法、***、电子设备及存储介质 | |
CN101720453A (zh) | 利用时序信号处理进行电池组件预测维护的***和方法 | |
CN110865924B (zh) | 电力信息***内部服务器健康度诊断方法与健康诊断框架 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警***及算法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
CN117560300B (zh) | 一种智能物联网流量预测与优化*** | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
CN117808157B (zh) | 基于智能识别的未报备停电行为预测分析*** | |
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 | |
CN116448234A (zh) | 一种电力变压器运行状态声纹监测方法及*** | |
CN111382946B (zh) | 设备健康状态的自主评估方法、***及工业互联网设备 | |
CN112398706B (zh) | 数据评估标准确定方法、装置及存储介质、电子设备 | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及*** | |
CN117978628B (zh) | 一种基于智慧园区通信控制方法及*** |
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 |