System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及调度,尤其涉及一种基于分布式测控的调度优化方法及系统。
技术介绍
1、目前,电力网络中所接入的电力设备的种类、数量均越来越多,为了能够提高调度的精准性,通常需要在各种电力设备中设置相应的传感器,再将传感器的数据交由调度端以作为调度的依据。
2、但是,在一个待调度的电网中,传感器数据的总数据量十分庞大,调度端也难以从中准确地识别出存在异常的传感器数据,进而难以识别出需要调度的电力设备,使得调度不够精准。
技术实现思路
1、为了解决上述技术问题,本申请实施例提出了一种基于分布式测控的调度优化方法及系统,能够提高调度的精准性。
2、第一方面,本申请实施例提供了一种基于分布式测控的调度优化方法,适用于与分布式测控节点通信连接的云端,所述分布式测控节点用于检测待调度对象以生成实时节点数据并将所述实时节点数据传输至所述云端,所述方法包括:
3、将所述实时节点数据输入至预训练的异常检测模型中进行异常检测,以根据异常检测结果对所述待调度对象进行调度。
4、其中,所述异常检测模型的训练过程包括:
5、分别确定第一数据类型及其对应的第一标准特征、第二数据类型及其对应的第二标准特征,其中,所述第一数据类型与所述第二数据类型不同。
6、根据所述第一数据类型从样本数据中抽取目标节点数据,通过待训练模型提取所述目标节点数据的数据特征。
7、确定所述数据特征与所述第一标准特征的第一差异系数、所述数据特征与所述第二标准特
8、基于所述数据特征、所述第一标准特征、所述第二标准特征、所述第一差异系数及所述第三差异系数,确定模型调整参数。
9、根据所述模型调整参数训练所述待训练模型,得到所述异常检测模型。
10、进一步的,所述基于所述数据特征、所述第一标准特征、所述第二标准特征、所述第一差异系数及所述第三差异系数,确定模型调整参数,包括:
11、基于所述数据特征、所述第一标准特征及所述第一差异系数,确定第一相似度。
12、基于所述数据特征、所述第二标准特征及所述第三差异系数,确定第二相似度。
13、基于所述第一相似度及所述第二相似度,确定所述模型调整参数。
14、进一步的,所述基于所述第一相似度及所述第二相似度,确定所述模型调整参数,包括:
15、计算所述第一相似度及所述第二相似度的和值。
16、基于所述第一相似度与所述和值之间的比值,确定所述模型调整参数。
17、进一步的,所述方法还包括:
18、确定所述目标节点数据在所述样本数据中的数据量占比,以根据所述数据量占比确定特征权重。
19、所述基于所述数据特征、所述第一标准特征、所述第二标准特征、所述第一差异系数及所述第三差异系数,确定模型调整参数,包括:
20、基于所述特征权重、所述数据特征、所述第一标准特征、所述第二标准特征、所述第一差异系数及所述第三差异系数,确定模型调整参数。
21、进一步的,所述基于所述特征权重、所述数据特征、所述第一标准特征、所述第二标准特征、所述第一差异系数及所述第三差异系数,确定模型调整参数,包括:
22、基于所述数据特征、所述第一标准特征及所述第一差异系数,确定第一相似度。
23、基于所述数据特征、所述第二标准特征及所述第三差异系数,确定第二相似度。
24、基于所述特征权重、所述第一相似度及所述第二相似度,确定所述模型调整参数。
25、进一步的,所述第一相似度是由所述数据特征的范数、所述第一标准特征的范数、所述第一差异系数的乘积所确定的。
26、所述第二相似度是由所述数据特征的范数、所述第二标准特征的范数、所述第三差异系数的乘积所确定的。
27、进一步的,所述方法还包括:
28、基于所述第一差异系数确定缩放比例。
29、所述调小所述第二差异系数得到第三差异系数,包括:
30、将所述第二差异系数乘以所述缩放比例得到所述第三差异系数。
31、进一步的,所述第一差异系数用于表征所述数据特征与所述第一标准特征之间的偏离程度,其中,所述偏离程度越小,所述缩放比例越小。
32、进一步的,所述待调度对象包括待调度电网中的各电力设备。
33、第二方面,本申请实施例提供了一种基于分布式测控的调度优化系统,包括分布式测控节点以及与所述分布式测控节点通信连接的云端,所述分布式测控节点用于检测待调度对象以生成实时节点数据并将所述实时节点数据传输至所述云端,所述云端被配置为:
34、将所述实时节点数据输入至预训练的异常检测模型中进行异常检测,以根据异常检测结果对所述待调度对象进行调度。
35、其中,所述异常检测模型的训练过程包括:
36、分别确定第一数据类型及其对应的第一标准特征、第二数据类型及其对应的第二标准特征,其中,所述第一数据类型与所述第二数据类型不同。
37、根据所述第一数据类型从样本数据中抽取目标节点数据,通过待训练模型提取所述目标节点数据的数据特征。
38、确定所述数据特征与所述第一标准特征的第一差异系数、所述数据特征与所述第二标准特征的第二差异系数,调小所述第二差异系数得到第三差异系数。
39、基于所述数据特征、所述第一标准特征、所述第二标准特征、所述第一差异系数及所述第三差异系数,确定模型调整参数。
40、根据所述模型调整参数训练所述待训练模型,得到所述异常检测模型。
41、综上,本申请实施例至少具有以下有益效果:
42、采用本申请实施例,通过将所述实时节点数据输入至预训练的异常检测模型中进行异常检测,以根据异常检测结果对所述待调度对象进行调度;其中,所述异常检测模型的训练过程包括:分别确定第一数据类型及其对应的第一标准特征、第二数据类型及其对应的第二标准特征,其中,所述第一数据类型与所述第二数据类型不同;根据所述第一数据类型从样本数据中抽取目标节点数据,通过待训练模型提取所述目标节点数据的数据特征;确定所述数据特征与所述第一标准特征的第一差异系数、所述数据特征与所述第二标准特征的第二差异系数,调小所述第二差异系数得到第三差异系数;基于所述数据特征、所述第一标准特征、所述第二标准特征、所述第一差异系数及所述第三差异系数,确定模型调整参数;根据所述模型调整参数训练所述待训练模型,得到所述异常检测模型,从而使得异常检测模型能够提高对于不同类型数据的识别能力,即提高对于正常数据与异常数据的区分能力,进而可以利用该模型迅速准确地判断实时节点数据是否为异常,提高调度的精准性。
本文档来自技高网...【技术保护点】
1.一种基于分布式测控的调度优化方法,其特征在于,适用于与分布式测控节点通信连接的云端,所述分布式测控节点用于检测待调度对象以生成实时节点数据并将所述实时节点数据传输至所述云端,所述方法包括:
2.如权利要求1所述的基于分布式测控的调度优化方法,其特征在于,所述基于所述数据特征、所述第一标准特征、所述第二标准特征、所述第一差异系数及所述第三差异系数,确定模型调整参数,包括:
3.如权利要求2所述的基于分布式测控的调度优化方法,其特征在于,所述基于所述第一相似度及所述第二相似度,确定所述模型调整参数,包括:
4.如权利要求1所述的基于分布式测控的调度优化方法,其特征在于,所述方法还包括:
5.如权利要求4所述的基于分布式测控的调度优化方法,其特征在于,所述基于所述特征权重、所述数据特征、所述第一标准特征、所述第二标准特征、所述第一差异系数及所述第三差异系数,确定模型调整参数,包括:
6.如权利要求2或5所述的基于分布式测控的调度优化方法,其特征在于,
7.如权利要求1所述的基于分布式测控的调度优化方法,其特征在
8.如权利要求7所述的基于分布式测控的调度优化方法,其特征在于,所述第一差异系数用于表征所述数据特征与所述第一标准特征之间的偏离程度,其中,所述偏离程度越小,所述缩放比例越小。
9.如权利要求1所述的基于分布式测控的调度优化方法,其特征在于,所述待调度对象包括待调度电网中的各电力设备。
10.一种基于分布式测控的调度优化系统,其特征在于,包括分布式测控节点以及与所述分布式测控节点通信连接的云端,所述分布式测控节点用于检测待调度对象以生成实时节点数据并将所述实时节点数据传输至所述云端,所述云端被配置为:
...【技术特征摘要】
1.一种基于分布式测控的调度优化方法,其特征在于,适用于与分布式测控节点通信连接的云端,所述分布式测控节点用于检测待调度对象以生成实时节点数据并将所述实时节点数据传输至所述云端,所述方法包括:
2.如权利要求1所述的基于分布式测控的调度优化方法,其特征在于,所述基于所述数据特征、所述第一标准特征、所述第二标准特征、所述第一差异系数及所述第三差异系数,确定模型调整参数,包括:
3.如权利要求2所述的基于分布式测控的调度优化方法,其特征在于,所述基于所述第一相似度及所述第二相似度,确定所述模型调整参数,包括:
4.如权利要求1所述的基于分布式测控的调度优化方法,其特征在于,所述方法还包括:
5.如权利要求4所述的基于分布式测控的调度优化方法,其特征在于,所述基于所述特征权重、所述数据特征、所述第一标准特征、所述第二标准特征、所...
【专利技术属性】
技术研发人员:陈晓刚,章寒冰,叶吉超,季奥颖,丁宁,徐永海,张程翔,黄慧,卢武,胡鑫威,郑华,潘奕颖,
申请(专利权)人:国网浙江省电力有限公司丽水供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。