[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111340287A - 配电柜运行状态预测方法及装置 - Google Patents

配电柜运行状态预测方法及装置 Download PDF

Info

Publication number
CN111340287A
CN111340287A CN202010113661.0A CN202010113661A CN111340287A CN 111340287 A CN111340287 A CN 111340287A CN 202010113661 A CN202010113661 A CN 202010113661A CN 111340287 A CN111340287 A CN 111340287A
Authority
CN
China
Prior art keywords
power distribution
distribution cabinet
operation state
machine learning
characteristic data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010113661.0A
Other languages
English (en)
Inventor
薛一波
郑畅畅
曾海天
王兆国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010113661.0A priority Critical patent/CN111340287A/zh
Publication of CN111340287A publication Critical patent/CN111340287A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (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)

Abstract

本发明实施例提供一种配电柜运行状态预测方法及装置，所述方法包括：获取配电柜运行状态的相关特征数据；对相关特征数据进行加噪声处理；将加噪声后的相关特征数据，输入至机器学习模型，输出目标关键指标的预测结果；其中，机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到；根据预测结果确定预设时间段之后的配电柜的运行状态。本发明实施例提供的配电柜运行状态预测方法及装置，将机器学习与配电柜运行状态预测分析相结合，能够有效的预估未来某一时刻和未来一段时间的配电柜运行状态，为配电柜的健康状态评估提供参考依据，保证了配电柜设备的可靠性。

Description

配电柜运行状态预测方法及装置
技术领域
本发明涉及电力系统技术领域，尤其涉及一种配电柜运行状态预测方法及装置。
背景技术
随着大数据时代的到来，大型数据中心已经成为数据存储、计算的重要基础。而作为数据中心服务器机房动力环境重要一环的高低压配电配电系统，配电柜在其中起到了重要的作用。由于每一个配电柜都会影响多台服务器，因此保障配电柜稳定工作十分重要，但因配电柜数量众多，靠人工排查会浪费巨大人力物力，仅进行故障检测则可能出现多台配电柜出现故障时不能及时恢复。由于数据中心服务器机房规模不断扩大，对高低压配电系统的要求也越来越高，因此，保障配电柜的稳定可靠，对配电柜运行状态进行智能化评估，对于数据中心机房的建设意义重大。
目前，针对配电柜运行状态评估的方法还很不成熟，多数情况是采用在故障发生后尽快维修的方法。这种方法，在故障发生后被动的采取补救措施，时效性差，突然停电对于机房的多台计算机等设备会产生难以估量的损失。
发明内容
本发明实施例提供一种配电柜运行状态预测方法及装置，用于解决现有技术中的上述技术问题。
为了解决上述技术问题，一方面，本发明实施例提供一种配电柜运行状态预测方法，包括：
获取配电柜运行状态的相关特征数据；
对所述相关特征数据进行加噪声处理；
将加噪声后的相关特征数据，输入至机器学习模型，输出目标关键指标的预测结果；其中，所述机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到；
根据所述预测结果确定预设时间段之后的配电柜的运行状态。
进一步地，所述根据所述预测结果确定预设时间段之后的配电柜的运行状态，具体包括：
根据所述预测结果，利用蒙特卡洛方法得到所述预测结果的概率分布；
根据所述概率分布在目标关键指标正常运行区间上的置信水平，确定预设时间段之后的配电柜的运行状态。
进一步地，对所述机器学习模型进行训练的步骤如下：
获取配电柜运行状态监测数据；
对所述配电柜运行状态监测数据进行预处理，对缺失值进行填充；
利用相关性分析法，确定与配电柜运行的目标关键指标相关度大于预设值的运行状态监测数据，作为配电柜运行状态的相关特征数据样本；
选择预设时间段之后的目标关键指标的数据值作为标签；
利用所述相关特征数据样本和所述标签对所述机器学习模型进行训练。
进一步地，所述机器学习模型为线性回归、SVR、梯度提升树和LSTM中的任一种。
进一步地，所述相关特征数据样本的种类至少包括三相平均线电流、三相视在功率、相有功功率A、相有功功率B、相有功功率C、相电流A、相电流B、相电流C和三相有功功率中的任一种。
进一步地，所述相关性分析法为协方差矩阵、多元回归和相关系数中的任一种。
进一步地，所述对所述配电柜运行状态监测数据进行预处理，具体包括：
采用牛顿差值公式对所述配电柜运行状态监测数据进行插值处理。
另一方面，本发明实施例提供一种配电柜运行状态预测装置，包括：
获取模块，用于获取配电柜运行状态的相关特征数据；
加噪模块，用于对所述相关特征数据进行加噪声处理；
处理模块，用于将加噪声后的相关特征数据，输入至机器学习模型，输出目标关键指标的预测结果；其中，所述机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到；
预测模块，用于根据所述预测结果确定预设时间段之后的配电柜的运行状态。
再一方面，本发明实施例提供一种电子设备，包括：存储器、处理器，以及存储在所述存储器上并可在所述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，实现上述第一方面提供的方法的步骤。
又一方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述第一方面提供的方法的步骤。
本发明实施例提供的配电柜运行状态预测方法及装置，将机器学习与配电柜运行状态预测分析相结合，能够有效的预估未来某一时刻和未来一段时间的配电柜运行状态，为配电柜的健康状态评估提供参考依据，保证了配电柜设备的可靠性。
附图说明
图1为本发明实施例提供的配电柜运行状态预测方法示意图；
图2为本发明实施例基于机器学习的配电柜运行状态预测流程图；
图3为本发明实施例配电柜运行状态预测模型建立的流程图；
图4为本发明实施例配电柜健康度评估的流程图；
图5为本发明实施例提供的配电柜运行状态预测装置示意图；
图6为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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。
随着近年来机器学习、人工智能的兴起，更多的机器学习技术应用到实际生产中。配电柜作为配电系统的重要组成部分，有数量众多、型号类似的特点，因此其正常运行的态势类似，最适合应用基于机器学习、人工智能的技术，最需要设备运行状态评估的功能。本发明运用机器学习技术，主要解决配电柜运行状态评估问题，综合考虑涉及配电柜运行状态的各种特征，对配电柜未来某时刻及一段时间的运行状态进行预测，并根据蒙特卡罗方法预测的关键指标概率分布，对配电柜当前运行状态进行评价。
图1为本发明实施例提供的配电柜运行状态预测方法示意图，如图1所示，本发明实施例提供一种配电柜运行状态预测方法，其执行主体为配电柜运行状态预测装置。该方法包括：
步骤S101、获取配电柜运行状态的相关特征数据。
具体来说，首先，获取配电柜运行状态监测数据。例如，监测数据为配电柜三相视在功率、三相有功/无功功率、三相功率因数等37维监控指标运行状态数据。
然后，从配电柜运行状态监测数据中提取配电柜运行状态的相关特征数据。具体需要提取哪些相关特征数据由机器学习模型的训练过程来决定。
例如，相关特征数据样本的种类包括三相平均线电流、三相视在功率、相有功功率A、相有功功率B、相有功功率C相电流A、相电流B、相电流C和三相有功功率。
步骤S102、对所述相关特征数据进行加噪声处理。
具体来说，为了消除数据的随机误差导致结果的不准确，在获取配电柜运行状态的相关特征数据之后，需要对相关特征数据进行加噪声处理。使相关特征数据生成一组数据。
例如，可以采用相关特征数据，加入高斯噪声生成一组数据。
步骤S103、将加噪声后的相关特征数据，输入至机器学习模型，输出目标关键指标的预测结果；其中，所述机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到。
具体来说，在获取进行加噪处理后的相关特征数据之后，将该数据输入至机器学习模型，输出目标关键指标的预测结果。
其中，该机器学习模型是提前经过训练的机器学习模型，该机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到。
例如，该机器学习模型可以为线性回归、SVR、梯度提升树和LSTM中的任一种。
预设时间段的长度由训练样本数据决定。例如，可以为1小时、3小时或24小时等。
步骤S104、根据所述预测结果确定预设时间段之后的配电柜的运行状态。
具体来说，在确定目标关键指标的预测结果之后，根据该预测结果确定预设时间段之后的配电柜的运行状态。
例如，先根据该预测结果，利用蒙特卡洛方法得到预测结果的概率分布，再根据概率分布在目标关键指标正常运行区间上的置信水平，确定预设时间段之后的配电柜的运行状态。
本发明实施例提供的配电柜运行状态预测方法，将机器学习与配电柜运行状态预测分析相结合，能够有效的预估未来某一时刻和未来一段时间的配电柜运行状态，为配电柜的健康状态评估提供参考依据，保证了配电柜设备的可靠性。
基于上述任一实施例，进一步地，所述根据所述预测结果确定预设时间段之后的配电柜的运行状态，具体包括：
根据所述预测结果，利用蒙特卡洛方法得到所述预测结果的概率分布；
根据所述概率分布在目标关键指标正常运行区间上的置信水平，确定预设时间段之后的配电柜的运行状态。
具体来说，在本发明实施例中，根据预测结果确定预设时间段之后的配电柜的运行状态，具体步骤如下：
首先，根据预测结果，利用蒙特卡洛方法得到预测结果的概率分布；
然后，根据概率分布在目标关键指标正常运行区间上的置信水平，确定预设时间段之后的配电柜的运行状态。
本发明实施例提供的配电柜运行状态预测方法，将机器学习与配电柜运行状态预测分析相结合，能够有效的预估未来某一时刻和未来一段时间的配电柜运行状态，为配电柜的健康状态评估提供参考依据，保证了配电柜设备的可靠性。
基于上述任一实施例，进一步地，对所述机器学习模型进行训练的步骤如下：
获取配电柜运行状态监测数据；
对所述配电柜运行状态监测数据进行预处理，对缺失值进行填充；
利用相关性分析法，确定与配电柜运行的目标关键指标相关度大于预设值的运行状态监测数据，作为配电柜运行状态的相关特征数据样本；
选择预设时间段之后的目标关键指标的数据值作为标签；
利用所述相关特征数据样本和所述标签对所述机器学习模型进行训练。
具体来说，在本发明实施例中，对机器学习模型进行训练的步骤如下：
首先，获取配电柜运行状态监测数据。
例如，监测数据为配电柜三相视在功率、三相有功/无功功率、三相功率因数等37维监控指标运行状态数据。
然后，对配电柜运行状态监测数据进行预处理，对缺失值进行填充。
例如，采用牛顿差值公式对配电柜运行状态监测数据进行插值处理，对缺失值进行填充，确保所有数据合法。
然后，利用相关性分析法，确定与配电柜运行的目标关键指标相关度大于预设值的运行状态监测数据，作为配电柜运行状态的相关特征数据样本。
例如，可以采用协方差矩阵、多元回归和相关系数中的任一种，确定与配电柜运行的目标关键指标相关度，选择与配电柜运行的目标关键指标相关度大于预设值的运行状态监测数据，作为配电柜运行状态的相关特征数据样本。
然后，选择预设时间段之后的目标关键指标的数据值作为标签。
例如，可以选择相关特征数据样本3个小时之后的目标关键指标的数据值作为标签。
最后，利用相关特征数据样本和标签对机器学习模型进行训练。
本发明实施例提供的配电柜运行状态预测方法，将机器学习与配电柜运行状态预测分析相结合，能够有效的预估未来某一时刻和未来一段时间的配电柜运行状态，为配电柜的健康状态评估提供参考依据，保证了配电柜设备的可靠性。
基于上述任一实施例，进一步地，所述机器学习模型为线性回归、SVR、梯度提升树和LSTM中的任一种。
具体来说，在本发明实施例中，机器学习模型为线性回归、SVR、梯度提升树和LSTM中的任一种。
本发明实施例提供的配电柜运行状态预测方法，将机器学习与配电柜运行状态预测分析相结合，能够有效的预估未来某一时刻和未来一段时间的配电柜运行状态，为配电柜的健康状态评估提供参考依据，保证了配电柜设备的可靠性。
基于上述任一实施例，进一步地，所述相关特征数据样本的种类至少包括三相平均线电流、三相视在功率、相有功功率A、相有功功率B、相有功功率C、相电流A、相电流B、相电流C和三相有功功率中的任一种。
具体来说，在本发明实施例中，相关特征数据样本的种类至少包括三相平均线电流、三相视在功率、相有功功率A、相有功功率B、相有功功率C相电流A、相电流B、相电流C和三相有功功率中的任一种。
本发明实施例提供的配电柜运行状态预测方法，将机器学习与配电柜运行状态预测分析相结合，能够有效的预估未来某一时刻和未来一段时间的配电柜运行状态，为配电柜的健康状态评估提供参考依据，保证了配电柜设备的可靠性。
基于上述任一实施例，进一步地，所述相关性分析法为协方差矩阵、多元回归和相关系数中的任一种。
具体来说，在本发明实施例中，相关性分析法为协方差矩阵、多元回归和相关系数中的任一种。
本发明实施例提供的配电柜运行状态预测方法，将机器学习与配电柜运行状态预测分析相结合，能够有效的预估未来某一时刻和未来一段时间的配电柜运行状态，为配电柜的健康状态评估提供参考依据，保证了配电柜设备的可靠性。
基于上述任一实施例，进一步地，所述对所述配电柜运行状态监测数据进行预处理，具体包括：
采用牛顿差值公式对所述配电柜运行状态监测数据进行插值处理。
具体来说，在本发明实施例中，对配电柜运行状态监测数据进行预处理，具体步骤如下：
采用牛顿差值公式对配电柜运行状态监测数据进行插值处理。
本发明实施例提供的配电柜运行状态预测方法，将机器学习与配电柜运行状态预测分析相结合，能够有效的预估未来某一时刻和未来一段时间的配电柜运行状态，为配电柜的健康状态评估提供参考依据，保证了配电柜设备的可靠性。
下面以一个具体的例子对上述任一实施例中的方法进行说明：
图2为本发明实施例基于机器学习的配电柜运行状态预测流程图，如图2所示，该例子主要包括如下四个步骤：
s1.配电柜运行状态监测数据提取与预处理：提取配电柜实时监控数据，并对该部分数据进行数据预处理操作，对缺失值进行填充，确保所有数据合法；
s2.配电柜运行状态数据特征提取：基于相关性分析方法，确定各个特征与配电柜运行关键指标相关度的大小，提取与配电柜运行状态相关度较高的特征，方便进一步模型训练；
s3.基于机器学习的配电柜状态预测模型训练：基于设备历史监测数据与当前实时监控数据，进行配电柜运行状态预测模型的训练，用蒙特卡罗法生成预测结果的概率分布；
s4.配电柜运行状态评价分析：使用运行状态数据，通过关键指标的预测值概率分布对配电柜健康状态评价。
所述步骤s1中，监测数据为配电柜三相视在功率、三相有功/无功功率、三相功率因数等37维监控指标运行状态数据。
在步骤s1中，具体实施步骤为：对配电柜监控数据进行时间点对齐操作，并针对缺失值问题，使用牛顿差值公式进行插值处理，即：
Figure BDA0002390828570000091
式中，X为在T时间区间内实际采集数据集合，n为数据点数，σ为对齐相邻两数据点间隔，n+k为时间对其后的数据点数，存在n±k＝T/σ，GNIF为牛顿插值法，
Figure BDA0002390828570000092
为经插值后的数据集合。
其中，基于Python的工具包，从数据库中提取配电柜各监控指标的监测数据，对预处理完成的数据存入数据库中，如MySQL，便于后续特征工程及模型训练。
所述步骤s2中，选用的相关性分析方法包括协方差矩阵、多元回归、相关系数等；
在步骤s2中，具体为：使用相关系数法提取与配电柜运行状态相关度较高的特征，得到的特征包括：三相平均线电流，三相视在功率，相有功功率A，相有功功率B，相有功功率C，相电流A，相电流B，相电流C，三相有功功率；
所述步骤s3中，选用的预测模型包括线性回归、SVR、梯度提升树、LSTM等；
图3为本发明实施例配电柜运行状态预测模型建立的流程图，如图3所示，在步骤s3中，具体实施步骤包括：
s31.选择关键特征参数一段时间后的数据作为标签(Xl)，当前时刻以前一段时间内的关键特征参数数据与其余参数数据作为特征(Xf)，即Xl＝g*(Xf)，g*为目标预测模型；
s32.使用基于机器学习算法模型对配电柜样本数据集进行训练测试，使用r2作为模型评判标准，选择r2表现较好的预测模型，作为配电柜实际应用预测模型g，所选取较优预测模型为梯度提升回归树模型，即：
Figure BDA0002390828570000101
式中，对样本i＝1,2,…,m，yi是回归的目标值，ft-1(xi)是强学习器，ht(xi)是CART回归树模型的弱学习器，J是叶子节点的个数，而
Figure BDA0002390828570000102
是第j叶子节点的最优值。
s33.对于配电柜样本数据集Xf，加入高斯噪声生成一组样本数据集{Xf,1,Xf,2,…,Xf,k}，然后对每一样本数据集用步骤s32中选择好的预测模型进行预测，预测结果再利用蒙特卡洛方法得到关键指标预测结果的概率分布ρ；
图4为本发明实施例配电柜健康度评估的流程图，如图4所示，在步骤s4中，具体为：计算关键特征参数的预测概率分布在正常运行区间上的置信水平(1-α)，将置信水平与设备健康度H(0≤H≤100)做映射，即
Figure BDA0002390828570000103
以此衡量配电柜运行状态；其中正常区间的设定可依据指标阈值区间。
综上所述，本发明提出的一种基于机器学习的配电柜运行状态预测方法，顺应了大数据时代智能运维的潮流，使得配电柜故障预测智能化、自动化，对配电柜的运行状态进行评价，有效保证了大型数据中心机房高低压配电系统中配电柜的长期平稳运行，做到配电柜故障的提前感知。
基于上述任一实施例，图5为本发明实施例提供的配电柜运行状态预测装置示意图，如图5所示，本发明实施例提供一种配电柜运行状态预测装置，包括获取模块501、加噪模块502、处理模块503和预测模块504，其中：
获取模块501用于获取配电柜运行状态的相关特征数据；加噪模块502用于对所述相关特征数据进行加噪声处理；处理模块503用于将加噪声后的相关特征数据，输入至机器学习模型，输出目标关键指标的预测结果；其中，所述机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到；预测模块504用于根据所述预测结果确定预设时间段之后的配电柜的运行状态。
本发明实施例提供一种配电柜运行状态预测装置，用于执行上述任一实施例中所述的方法，通过本实施例提供的装置执行上述某一实施例中所述的方法的具体步骤与上述相应实施例相同，此处不再赘述。
本发明实施例提供的配电柜运行状态预测装置，将机器学习与配电柜运行状态预测分析相结合，能够有效的预估未来某一时刻和未来一段时间的配电柜运行状态，为配电柜的健康状态评估提供参考依据，保证了配电柜设备的可靠性。
图6为本发明实施例提供的电子设备的结构示意图，如图6所示，该电子设备包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601和存储器602通过总线603完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行如下方法：
获取配电柜运行状态的相关特征数据；
对所述相关特征数据进行加噪声处理；
将加噪声后的相关特征数据，输入至机器学习模型，输出目标关键指标的预测结果；其中，所述机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到；
根据所述预测结果确定预设时间段之后的配电柜的运行状态。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机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步骤。而前述的存储介质包括：U盘、移动硬盘、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。
进一步地，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例中的步骤，例如包括：
获取配电柜运行状态的相关特征数据；
对所述相关特征数据进行加噪声处理；
将加噪声后的相关特征数据，输入至机器学习模型，输出目标关键指标的预测结果；其中，所述机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到；
根据所述预测结果确定预设时间段之后的配电柜的运行状态。
进一步地，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述各方法实施例中的步骤，例如包括：
获取配电柜运行状态的相关特征数据；
对所述相关特征数据进行加噪声处理；
将加噪声后的相关特征数据，输入至机器学习模型，输出目标关键指标的预测结果；其中，所述机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到；
根据所述预测结果确定预设时间段之后的配电柜的运行状态。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种配电柜运行状态预测方法，其特征在于，包括：
获取配电柜运行状态的相关特征数据；
对所述相关特征数据进行加噪声处理；
将加噪声后的相关特征数据，输入至机器学习模型，输出目标关键指标的预测结果；其中，所述机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到；
根据所述预测结果确定预设时间段之后的配电柜的运行状态。
2.根据权利要求1所述的配电柜运行状态预测方法，其特征在于，所述根据所述预测结果确定预设时间段之后的配电柜的运行状态，具体包括：
根据所述预测结果，利用蒙特卡洛方法得到所述预测结果的概率分布；
根据所述概率分布在目标关键指标正常运行区间上的置信水平，确定预设时间段之后的配电柜的运行状态。
3.根据权利要求1所述的配电柜运行状态预测方法，其特征在于，对所述机器学习模型进行训练的步骤如下：
获取配电柜运行状态监测数据；
对所述配电柜运行状态监测数据进行预处理，对缺失值进行填充；
利用相关性分析法，确定与配电柜运行的目标关键指标相关度大于预设值的运行状态监测数据，作为配电柜运行状态的相关特征数据样本；
选择预设时间段之后的目标关键指标的数据值作为标签；
利用所述相关特征数据样本和所述标签对所述机器学习模型进行训练。
4.根据权利要求1所述的配电柜运行状态预测方法，其特征在于，所述机器学习模型为线性回归、SVR、梯度提升树和LSTM中的任一种。
5.根据权利要求3所述的配电柜运行状态预测方法，其特征在于，所述相关特征数据样本的种类至少包括三相平均线电流、三相视在功率、相有功功率A、相有功功率B、相有功功率C、相电流A、相电流B、相电流C和三相有功功率中的任一种。
6.根据权利要求3所述的配电柜运行状态预测方法，其特征在于，所述相关性分析法为协方差矩阵、多元回归和相关系数中的任一种。
7.根据权利要求3所述的配电柜运行状态预测方法，其特征在于，所述对所述配电柜运行状态监测数据进行预处理，具体包括：
采用牛顿差值公式对所述配电柜运行状态监测数据进行插值处理。
8.一种配电柜运行状态预测装置，其特征在于，包括：
获取模块，用于获取配电柜运行状态的相关特征数据；
加噪模块，用于对所述相关特征数据进行加噪声处理；
处理模块，用于将加噪声后的相关特征数据，输入至机器学习模型，输出目标关键指标的预测结果；其中，所述机器学习模型是基于配电柜运行状态的相关特征数据样本以及预设时间段之后的目标关键指标的数据值标签进行训练后得到；
预测模块，用于根据所述预测结果确定预设时间段之后的配电柜的运行状态。
9.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述配电柜运行状态预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至7任一所述配电柜运行状态预测方法的步骤。
CN202010113661.0A 2020-02-24 2020-02-24 配电柜运行状态预测方法及装置 Pending CN111340287A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010113661.0A CN111340287A (zh) 2020-02-24 2020-02-24 配电柜运行状态预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010113661.0A CN111340287A (zh) 2020-02-24 2020-02-24 配电柜运行状态预测方法及装置

Publications (1)

Publication Number Publication Date
CN111340287A true CN111340287A (zh) 2020-06-26

Family

ID=71181791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010113661.0A Pending CN111340287A (zh) 2020-02-24 2020-02-24 配电柜运行状态预测方法及装置

Country Status (1)

Country Link
CN (1) CN111340287A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529733A (zh) * 2020-12-07 2021-03-19 云南电网有限责任公司普洱供电局 配电网作业安全远程管控方法、装置、设备及存储介质
CN112966379A (zh) * 2021-03-07 2021-06-15 广东电网有限责任公司广州供电局 基于闭锁的防误操作方法、装置
CN113270943A (zh) * 2021-06-03 2021-08-17 长沙理工大学 一种智能配电柜(箱)安全监测预警方法、系统及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165819A (zh) * 2018-08-03 2019-01-08 国网山东省电力公司聊城供电公司 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法
US20200034665A1 (en) * 2018-07-30 2020-01-30 DataRobot, Inc. Determining validity of machine learning algorithms for datasets

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200034665A1 (en) * 2018-07-30 2020-01-30 DataRobot, Inc. Determining validity of machine learning algorithms for datasets
CN109165819A (zh) * 2018-08-03 2019-01-08 国网山东省电力公司聊城供电公司 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐晨蕊 等: "基于E-LSTM循环神经网络的制冷设备状态预测", 《测控技术》 *
胡伟健: "基于蒙特卡洛法对燃气具热性能的研究与实验", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529733A (zh) * 2020-12-07 2021-03-19 云南电网有限责任公司普洱供电局 配电网作业安全远程管控方法、装置、设备及存储介质
CN112966379A (zh) * 2021-03-07 2021-06-15 广东电网有限责任公司广州供电局 基于闭锁的防误操作方法、装置
CN113270943A (zh) * 2021-06-03 2021-08-17 长沙理工大学 一种智能配电柜(箱)安全监测预警方法、系统及装置

Similar Documents

Publication Publication Date Title
CN108737406B (zh) 一种异常流量数据的检测方法及系统
CN111314173B (zh) 监控信息异常的定位方法、装置、计算机设备及存储介质
CN111309539A (zh) 一种异常监测方法、装置和电子设备
CN111340287A (zh) 配电柜运行状态预测方法及装置
CN115392037A (zh) 设备故障预测方法、装置、设备及存储介质
CN113868953B (zh) 工业系统中多机组运行优化方法、装置、系统及存储介质
CN116401532B (zh) 一种电力系统受扰后频率失稳识别方法及系统
CN114647558A (zh) 一种日志异常检测的方法和装置
CN110766236A (zh) 基于统计分析和深度学习的电力设备状态趋势预测方法
CN108009063B (zh) 一种电子设备故障阈值检测的方法
CN111767193A (zh) 一种服务器数据异常检测方法、装置、存储介质及设备
CN115577851A (zh) 能源消耗预测方法、装置、设备及存储介质
CN112949201B (zh) 一种风速预测方法、装置、电子设备及存储介质
CN115878598A (zh) 监控数据处理方法、电子设备及存储介质
CN107977626B (zh) 一种电子设备工作数据的分组方法
CN108009582B (zh) 一种电子设备标准工作指标设置的方法
CN114708117B (zh) 融合先验知识的用电安全检查评级方法、装置及设备
CN113379279B (zh) 基于不完整数据的深度强化学习短期电压稳定性评估方法
CN114202110B (zh) 一种基于rf-xgboost的业务故障预测方法及装置
CN116127326A (zh) 一种复合绝缘子检测方法、装置、电子设备及存储介质
Do Coutto Filho et al. Revealing gross errors in critical measurements and sets via forecasting-aided state estimators
CN114943273A (zh) 数据处理方法、存储介质以及计算机终端
CN113205215A (zh) 一种基于知识的战场态势预测方法
CN115344459A (zh) 巡检方法、装置，存储介质以及电子设备
WO2023097808A1 (zh) 一种烧结设备的故障监测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626

RJ01 Rejection of invention patent application after publication