【技术实现步骤摘要】
本专利技术涉终端电流分析，特别是一种基于大数据的自动化终端电流统计分析方法及系统。
技术介绍
1、电力系统作为现代社会的基础设施之一，其稳定、高效和安全的运行备受关注。随着社会和工业的快速发展，电力需求持续增长，传统的电力系统管理方法逐渐暴露出一些局限性，如准确性不高、响应不够快速等，特别是在多元化、大规模和复杂性不断增加的现代电力系统中，需要更加智能和自适应的电流和电压管理策略。现有的电流统计分析方法主要依赖于历史数据和人工经验，缺乏实时性和自适应性，另外，这些方法通常只侧重于单一数据源(如电流或电压数据)的分析，而忽略了其他可能影响电流和电压的多种因素，如天气条件、用电行为、节假日等。同样，现有的电压优化策略大多数基于预定的规则或固定的数学模型，这些模型往往不能全面地考虑到电力系统的多变性和复杂性，此外，传统的优化方法通常是确定性的，缺乏足够的灵活性来适应不断变化的系统状态和环境因素。
2、因此，开发一种基于大数据的自动化终端电流统计分析方法，以便自动决策区域电压优化策略，成了一个急需解决的问题，特别是需要一种能够结合多源数据(如电流、电压、天气、用电行为等)进行综合分析，并能够动态地生成和调整电压优化策略的方法。通过集成多源数据和应用先进的数据分析与机器学习技术,显著提高了电流统计分析和电压优化策略的准确性和实时性。本专利技术结合电流、电压、天气条件、用电行为和节假日因素，以及动态地调整模型参数和权重，系统能够自适应地应对电网环境的快速变化。这种多维度的综合分析和自适应性有助于优化电力系统的整体性能，包括减少电
3、鉴于现有的基于大数据的自动化终端电流统计分析及系统中存在的问题，提出了本专利技术。
4、因此，本专利技术所要解决的问题在于需要一种新的电流统计分析和电压优化方法，以满足现代电力系统对于高效、稳定和安全运行的需求。
5、为解决上述技术问题，本专利技术提供如下技术方案：
6、第一方面，本专利技术实施例提供了一种基于大数据的自动化终端电流统计分析方法，其包括，对电流数据进行收集，通过终端传感器实时收集各终端的电流数据，并数据进行预处理。针对预处理的电流数据进行时间-空间的关联分析，侦测和识别电流异常或突变，利用深度学习算法，从电流数据中自动提取关键特征并识别其潜在的模式和趋势。基于分析提取的结果，结合影响因素数据源，包括天气、用电行为、节假日因素，优化电流模型。基于优化的电流模型，结合遗传算法，生成相应的电压优化策略，当新的电流数据进入时，系统实时反馈和调整之前生成的优化策略，确保其始终适应电网的实际情况。
7、作为本专利技术所述基于大数据的自动化终端电流统计分析方法的一种优选方案，其中：所述电流数据的收集具体包括，在电网系统的各关键节点和用户终端部署多功能电流传感器。其中，所使用的终端传感器具有高分辨率和高采样频率，以确保收集的数据具有高准确性和高时间分辨率；终端传感器采用mqtt，以实时、安全传输数据至中央数据库；传感器检测到数据异常或硬件故障时，自动进行数据修正或发送故障报告；终端传感器具有低能耗特性，并通过太阳能板自我供电。
8、作为本专利技术所述基于大数据的自动化终端电流统计分析方法的一种优选方案，其中：所述时间-空间的关联分析具体包括，创建空间-时间矩阵，用矩阵m表示，mi,j代表第i个地理位置在第j个时间点的电流值；计算每一时间序列的均值μ和方差σ2，具体公式为：
9、
10、其中，xi是电流值，n是样本数量；
11、应用z-score方法，对异常值进行检测，计算每一个mi,j的z-score值zi,j如下：
12、
13、应用自相关函数acf(k)来检测周期性，公式为：
14、
15、对于空间聚类，使用k-means算法将地理位置分为k个群集；
16、对相关性进行分析，应用pearson相关系数ρ，计算公式为：
17、
18、其中，cov(x，y)是x和y的协方差，σx和σy为x和y的的标准差；
19、复合分析，在时间滑动窗口w内和空间聚类c内，检测电流异常的复合分析，若在时间窗口w和空间聚类c内的电流值异常点超过预定比例，则标记为时空异常。构建实时监控系统，持续接收新的电流数据并立即进行上述的时间-空间关联分析，一旦检测到异常或突变，系统会自动触发报警，并将相关信息传送给后续的电压优化策略生成模块。
20、作为本专利技术所述基于大数据的自动化终端电流统计分析方法的一种优选方案，其中：所述关键特征包括，
21、频域特征，利用快速傅里叶变换从电流数据中提取频域特征，可以计算电流信号的频谱，并提取以下频域特征：频率分量：提取频谱中的主要频率分量，例如频率峰值或频率带宽。能量分布：计算频谱能量在不同频率区间的分布情况。频率谱形状：分析频谱的形状特征，例如频谱的斜率、峰值形状等。
22、时频特征，通过小波变换获取时频域的特征，小波变换可以将信号分解成不同的频带，并提取以下时频特征：小波系数：计算小波变换后各个频带的系数，用于表示信号在不同频带上的能量分布。小波包能量：计算小波包变换后各个频带的能量，用于表示信号在不同频带上的能量分布情况。小波包熵：计算小波包变换后各个频带的熵值，用于表示信号在不同频带上的复杂度。
23、统计特征，通过计算电流时间序列的基础统计量,反映数据的中心趋势、离散程度和分布形状，用于捕捉电流数据的统计性质；其统计基础量具体为：均值：计算电流数据的平均值，表示数据的中心趋势。方差：计算电流数据的方差，表示数据的离散程度。偏度：计算电流数据的偏度，表示数据分布的偏斜程度。峰度：计算电流数据的峰度，表示数据分布的尖锐程度。
24、自回归模型特征，应用自回归模型来提取电流数据的动态特性，p-阶自回归模型定义为：
25、
26、其中，c是常数项，是ar模型的参数，∈(t)是白噪声。
27、作为本专利技术所述基于大数据的自动化终端电流统计分析方法的一种优选方案，其中：所述识别潜在的模式和趋势具体包括，
28、聚类分析，利用dbscan算法进行聚类，根据特征向量的相似性识别电流模式。
29、分类器训练，应用神经网络模型训练分类器，用于识别正常和异常电流模式，特征向量用作输入，而标签作为输出。
30、实时识别，在系统运行过程中，使用训练好的分类器对新的电流数据进行实时模式识别。
31、自适应更新，当系统检测到新的未知模式或发生漂移时，自动触发模型的重本文档来自技高网...
【技术保护点】
1.一种基于大数据的自动化终端电流统计分析方法，其特征在于：包括，
2.如权利要求1所述的基于大数据的自动化终端电流统计分析方法，其特征在于：所述电流数据是通过在电网系统的各关键节点和用户终端部署多功能电流终端传感器收集；所述多功能电流终端传感器具有高分辨率和高采样频率，以确保收集的数据具有高准确性和高时间分辨率；
3.如权利要求1所述的基于大数据的自动化终端电流统计分析方法，其特征在于：所述时间-空间的关联分析具体包括，
4.如权利要求1所述的基于大数据的自动化终端电流统计分析方法，其特征在于：所述关键特征包括频域特征、时频特征、统计特征，以及自回归模型特征；
5.如权利要求4所述的基于大数据的自动化终端电流统计分析方法，其特征在于：所述识别潜在的模式和趋势的过程包括，
6.如权利要求5所述的基于大数据的自动化终端电流统计分析方法，其特征在于：所述结合影响因素数据源优化电流模型的过程包括，
7.如权利要求6所述的基于大数据的自动化终端电流统计分析方法，其特征在于：所述电压优化策略的生成和调整具体包括，>
8.一种基于大数据的自动化终端电流统计分析系统，基于权利要求1～7任一所述的基于大数据的自动化终端电流统计分析方法，其特征在于：包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于大数据的自动化终端电流统计分析方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于大数据的自动化终端电流统计分析方法的步骤。
...【技术特征摘要】
1.一种基于大数据的自动化终端电流统计分析方法，其特征在于：包括，
2.如权利要求1所述的基于大数据的自动化终端电流统计分析方法，其特征在于：所述电流数据是通过在电网系统的各关键节点和用户终端部署多功能电流终端传感器收集；所述多功能电流终端传感器具有高分辨率和高采样频率，以确保收集的数据具有高准确性和高时间分辨率；
3.如权利要求1所述的基于大数据的自动化终端电流统计分析方法，其特征在于：所述时间-空间的关联分析具体包括，
4.如权利要求1所述的基于大数据的自动化终端电流统计分析方法，其特征在于：所述关键特征包括频域特征、时频特征、统计特征，以及自回归模型特征；
5.如权利要求4所述的基于大数据的自动化终端电流统计分析方法，其特征在于：所述识别潜在的模式和趋势的过程包括，
6.如权利要求5...
【专利技术属性】
技术研发人员：张瑞颖，严思齐，欧钰瞧，海迪，杨志芳，
申请(专利权)人：云南电网有限责任公司昆明供电局，
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。