技术领域
[0001] 本发明涉及电力数据分析技术领域，尤其涉及一种基于深度学习的电力数据分析方法及终端。
相关背景技术
[0002] 近年来，深度学习技术在处理复杂非线性问题和模式识别方面取得了显著进展，为电力系统状态监测和评估提供了新的解决方案。深度学习模型能够自动学习数据中的内在特征和规律，然而，在实际应用中，深度学习模型的性能和效果受到多种因素的影响，如数据质量、模型架构、参数设置、训练算法等。因此，如何有效地结合电力数据和深度学习技术，进行有效地训练和优化，是实现电力系统状态监测和评估的关键。
具体实施方式
[0021] 为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
[0022] 请参照图1，一种基于深度学习的电力数据分析方法，包括步骤：
[0023] 从电力系统中获取原始电力数据，并对所述原始电力数据进行预处理，得到预处理数据；
[0024] 对所述预处理数据进行特征提取，得到电力提取数据；
[0025] 根据所述电力提取数据构建深度学习模型，并对所述深度学习模型进行训练，得到训练后的深度学习模型；
[0026] 采集实时电力数据，并使用所述训练后的深度学习模型对所述实时电力数据进行数据分析，得到数据分析结果；
[0027] 基于所述数据分析结果对所述电力系统的运行状态进行监测。
[0028] 从上述描述可知，本发明的有益效果在于：对电力系统中原始电力数据进行预处理，得到预处理数据，对预处理数据进行特征提取，根据电力提取数据构建深度学习模型，并对其进行训练，得到训练后的深度学习模型，并使用训练后的深度学习模型对采集的实时电力数据进行数据分析，得到数据分析结果，基于数据分析结果对电力系统的运行状态进行监测，以此能够从大量的原始电力数据中学习并提取有用的特征构建深度学习模型，训练后的深度学习模型能够快速处理和分析采集的实时电力数据，基于深度学习模型的分析结果能够对电力系统的运行状态进行有效监测，实现了电力数据与深度学习技术的有效结合，从而快速、准确地分析电力数据。
[0029] 进一步地，所述对所述原始电力数据进行预处理，得到预处理数据包括：
[0030] 对所述原始电力数据进行数据清洗，得到清洗后的数据；
[0031] 对所述清洗后的数据进行归一化处理，得到归一化后的数据；
[0032] 对所述归一化后的数据进行数据平滑处理，得到平滑后的数据；
[0033] 对所述平滑后的数据进行分段，得到预处理数据。
[0034] 由上述描述可知，对清洗后的数据进行归一化处理，能够将不同量纲和范围的数据转换到统一的尺度上，消除量纲对数据分析的影响，提高后续构建的模型的预测精度，再对数据进行平滑处理，可以减少数据中的随机波动和短期波动，并且通过数据分段可以简化数据的结构，降低数据的维度和复杂性，使得经过预处理的数据具有更好的一致性和稳定性。
[0035] 进一步地，所述对所述原始电力数据进行数据清洗，得到清洗后的数据包括：
[0036] 计算所述原始电力数据的标准差；
[0037] 根据所述标准差对所述原始电力数据中的每一数据点进行标准化处理，得到标准化数据；
[0038] 从所述原始电力数据中将标准化数据超出预设阈值的数据点标记为异常值，并对所述异常值进行剔除，得到清洗后的数据。
[0039] 由上述描述可知，根据标准差对原始电力数据中的每一数据点进行标准化处理，得到标准化数据，再从原始电力数据中将标准化数据超出预设阈值的数据点标记为异常值，并对异常值进行剔除，得到清洗后的数据，能够去除噪声、异常值和重复数据，从而提高数据的质量和准确性。
[0040] 进一步地，所述计算所述原始电力数据的标准差包括：
[0041]
[0042] 式中，St表示标准差，xi表示所述原始电力数据中第i个数据点，xj表示所述原始电力数据中第j个数据点，n表示数据点的总数。
[0043] 由上述描述可知，标准差用于衡量数据点围绕均值的离散程度，以便识别和处理原始电力数据中的异常值，从而减少错误数据对后续分析和建模的影响。
[0044] 进一步地，所述根据所述标准差对所述原始电力数据中的每一数据点进行标准化处理，得到标准化数据包括：
[0045]
[0046] 式中，Z表示标准化数据，x表示标准化处理后的数据点。
[0047] 由上述描述可知，标准化数据反映了每个数据点相对于整体分布的偏离程度，使得不同数据点之间的比较更加合理和一致。
[0048] 进一步地，所述对所述预处理数据进行特征提取，得到电力提取数据包括：
[0049] 根据电力数据性质和预设目标任务确定需要提取的特征类型；
[0050] 对所述预处理数据按照时间进行分段，得到多个时间段数据；
[0051] 根据所述特征类型对每个所述时间段数据进行计算，得到特征向量；
[0052] 基于所述特征向量对所述预处理数据进行特征提取，得到电力提取数据。
[0053] 由上述描述可知，通过特征提取能够去除原始数据中的噪声、异常值和冗余信息，并筛选出与目标任务最相关的特征，得到更加清晰、准确的电力提取数据，降低模型的输入维度，从而简化模型结构，减少计算资源和时间的消耗。
[0054] 进一步地，所述根据所述电力提取数据构建深度学习模型包括：
[0055] 根据所述电力提取数据的特点以及预设目标任务确定深度学习模型架构；
[0056] 根据所述深度学习模型架构确定模型参数、损失函数以及优化算法，得到深度学习模型。
[0057] 由上述描述可知，根据电力提取数据的特点以及预设目标任务确定深度学习模型架构，确保模型对数据特性的良好适应性，根据深度学习模型架构确定模型参数、损失函数以及优化算法，可以使模型在训练过程中更加高效地学习数据的内在规律和模式，量化模型预测与实际值之间的差异，并指导模型在训练过程中不断优化自身参数，减小预测误差，同时能够加速模型的训练过程，并有助于避免模型陷入局部最优解。
[0058] 进一步地，所述对所述深度学习模型进行训练，得到训练后的深度学习模型包括：
[0059] 将所述电力提取数据作为训练数据集；
[0060] 确定所述深度学习模型的训练超参数，并基于所述训练超参数将所述训练数据集输入至所述深度学习模型进行前向传播计算，得到优化模型；
[0061] 对所述优化模型进行反向传播计算和迭代训练，得到训练后的深度学习模型。
[0062] 由上述描述可知，通过将电力提取数据作为训练数据集，模型能够从实际数据中学习并提取有用的特征和模式，使得模型的决策更加数据驱动，能够更准确地反映电力系统的实际状态和行为，对深度学习模型设置训练超参数有效平衡模型的训练速度和收敛性能，通过前向传播计算，可以得到深度学习模型的初始输出，根据输出结果与真实标签之间的差异，可以计算损失函数的值，不断优化模型的性能，减小预测误差，对优化模型进行反向传播和迭代训练，确保深度学习模型训练的有效性。
[0063] 进一步地，所述基于所述数据分析结果对所述电力系统的运行状态进行监测包括：
[0064] 将所述数据分析结果输入所述电力系统的运行状态评估模型，得到状态评估结果。
[0065] 由上述描述可知，通过数据分析结果，可以实时监测电力系统的运行状态，确保系统处于安全稳定的运行状态，以便在故障发生之前识别出潜在问题，确保电力系统的安全运行。
[0066] 请参照图2，本发明另一实施例提供了一种基于深度学习的电力数据分析终端，包括存储器、处理器及存储在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基于深度学习的电力数据分析方法中的各个步骤。
[0067] 本发明上述的基于深度学习的电力数据分析方法及终端能够适用于需要对电力数据进行分析的场景，以下通过具体实施方式进行说明：
[0068] 请参照图1，本发明的实施例一为：
[0069] 一种基于深度学习的电力数据分析方法，包括步骤：
[0070] S1、从电力系统中获取原始电力数据，并对所述原始电力数据进行预处理，得到预处理数据，具体包括S11‑S15：
[0071] S11、从电力系统中获取原始电力数据，具体包括S111‑S113：
[0072] S111、根据电力系统中的电力数据类型和范围确定电力数据需求；
[0073] 具体的，分析电力系统各个环节的关键组件和功能，各个环节包括发电、传输、分配和消费等；根据所述关键组件和功能确定电力数据类型，电力数据类型包括实时监测数据(如电压、电流、频率等)、负荷数据(如总负荷以及分布式负荷的数据)、发电数据(如各种发电站的发电量和效率)、环境数据(如影响发电和负荷的环境因素，包括温度、湿度等)和设备状态数据(如电力设备的运行状态和故障记录)；根据所述电力数据类型确定电力数据范围，电力数据范围包括采集频率、数据精度和历史数据保留时长。
[0074] 例如，假设需确定一个风力发电场的电力数据需求，分析关键组件和功能，风力发电场主要包括风力发电机、变电站和连接电网的输电线路；确定的电力数据类型和范围为实时监测数据(包括风速、发电机转速、电压、电流等)、发电数据(包括每台风力发电机的发电量、效率等)、环境数据(包括温度、湿度、风向和设备状态数据(包括发电机运行状态、故障记录等)。
[0075] S112、根据所述电力数据需求确定电力数据采集设备，并确定所述电力数据采集设备的采集频率和时长。
[0076] S113、使用所述电力数据采集设备按照所述采集频率和所述时长从电力系统中采集原始电力数据。
[0077] 通过根据电力系统的特定数据类型和范围来确定电力数据需求，可以确保所采集的数据与系统的实际运行情况和监测目标紧密相关，并通过合理配置电力数据采集设备，确定采集频率和时长，可以确保采集的数据的准确性和完整性。
[0078] S12、对所述原始电力数据进行数据清洗，得到清洗后的数据，具体包括S121‑S123：
[0079] S121、计算所述原始电力数据的标准差，具体为：
[0080]
[0081] 式中，St表示标准差，xi表示所述原始电力数据中第i个数据点，xj表示所述原始电力数据中第j个数据点，n表示数据点的总数。该标准差用于衡量数据点围绕均值的离散程度，通过对比数据点与均值的偏离程度与标准差的大小关系，能够合理地区分正常数据和异常数据。
[0082] S122、根据所述标准差对所述原始电力数据中的每一数据点进行标准化处理，得到标准化数据，具体为：
[0083]
[0084] 式中，Z表示标准化数据，x表示标准化处理后的数据点。
[0085] S123、从所述原始电力数据中将标准化数据超出预设阈值的数据点标记为异常值，并对所述异常值进行剔除，得到清洗后的数据。
[0086] 通过数据清洗能够识别和处理原始电力数据中的异常值，减少错误数据对后续分析和建模的影响，提高数据的质量和可靠性，其中的标准化处理使得不同数据点之间的比较更加合理和一致，便于统一分析和处理。
[0087] S13、对所述清洗后的数据进行归一化处理，得到归一化后的数据。
[0088] S14、对所述归一化后的数据进行数据平滑处理，得到平滑后的数据。
[0089] S15、对所述平滑后的数据进行分段，得到预处理数据。
[0090] 具体的，基于电力系统的操作周期和/或特定事件对所述平滑后的数据进行分段，对分段后的数据进行标注，以反映电力系统的特定状态或事件，得到预处理数据。
[0091] 例如，根据每天的时段(包括高峰时段和非高峰时段)、季节变化(包括夏季和冬季)和/或特殊事件(包括节假日和大型活动)对数据进行分段并标注。
[0092] 通过数据清洗有效去除噪声、异常值和重复数据，提高数据的质量和准确性，通过数据归一化处理能够将不同量纲和范围的数据转换到统一的尺度上，消除量纲对数据分析的影响，提高后续模型的预测精度，且利用数据平滑处理减少数据中的随机波动和短期波动，再通过数据分段简化数据结构，降低数据的维度和复杂性，经过预处理的数据具有更好的一致性和稳定性。
[0093] S2、对所述预处理数据进行特征提取，得到电力提取数据，具体包括S21‑S24：
[0094] S21、根据电力数据性质和预设目标任务确定需要提取的特征类型。
[0095] 电力数据中包括电压、电流、功率、频率等多种物理量，每种物理量都包含反映电力系统状态的重要信息。
[0096] S22、对所述预处理数据按照时间进行分段，得到多个时间段数据。
[0097] 具体的，对于连续的预处理数据，按照时间进行分段，而对于不连续的预处理数据可省略分段操作，以便在每个时间段内提取特征，分段的方式是固定的时间窗口(如每秒或每分钟等)。
[0098] S23、根据所述特征类型对每个所述时间段数据进行计算，得到特征向量；
[0099] 例如，假设正在分析一个电力系统的功率数据，数据采集频率为每分钟一次，可以设置时间窗口为每10分钟，然后按照特征类型对这10分钟内的功率数据进行计算。比如，对于从10:00到10:10的时间窗口，计算该时间段内功率的平均值、标准差、最大值、最小值、峰值因数、偏度和峭度，这些统计值构成了这10分钟时间段的特征向量，通过这种方法可以从原始的电力数据中提取有价值的信息，以支持电力系统的分析和决策。
[0100] S24、基于所述特征向量对所述预处理数据进行特征提取，得到电力提取数据。
[0101] 电力提取数据即一组能够反映电力数据内在规律和特性的特征值。通过特征提取可去除原始数据中的噪声、异常值和冗余信息，得到更加清晰、准确的数据集，筛选出与目标任务最相关的特征，降低模型的输入维度，从而简化模型结构，减少计算资源和时间的消耗。
[0102] S3、根据所述电力提取数据构建深度学习模型，并对所述深度学习模型进行训练，得到训练后的深度学习模型，具体包括S31‑S35：
[0103] S31、根据所述电力提取数据的特点以及预设目标任务确定深度学习模型架构；
[0104] 例如，预设目标任务是预测一个地区未来24小时内的电力负荷。为此，设计一个深度学习模型，该模型能够根据历史电力数据(包括电力负荷、天气条件等)预测未来的电力需求。以下是如何根据电力提取数据的特点来确定深度学习模型架构的过程以及一个具体的案例：
[0105] 确定模型架构的考虑因素，包括：时间序列特性，电力负荷数据具有强烈的时间序列特性，包括季节性变化和周期性变化(如一天中的用电高峰和低谷)等；基于上述内容，使用长短期记忆网络(LSTM)作为深度学习模型的核心架构，在这样的模型中，输入数据通过一个数据预处理层，该层对电力负荷数据和相关的天气条件数据进行标准化处理，使之适合传输给LSTM层，预处理后的数据输入到一系列LSTM层中，LSTM层能够学习电力负荷数据的时间序列特征，包括捕捉长期趋势和短期波动，LSTM层的输出通过一个或多个全连接层，目的是将学习到的时间序列特征转化为最终的预测输出。在这些层中，可以使用激活函数(如ReLU)来增加模型的非线性能力，从而提高预测的准确性。最后，模型通过一个输出层给出未来24小时内每个小时的电力负荷预测。输出层的维度与预测时间范围一致，比如如果预测未来24小时，则输出层有24个节点，并使用线性激活函数。
[0106] S32、根据所述深度学习模型架构确定模型参数、损失函数以及优化算法，得到深度学习模型。
[0107] 根据电力提取数据的特点确定深度学习模型架构，可以确保模型对数据特性的良好适应性，通过合理设置深度学习模型的参数，如层数、神经元数量、激活函数等，使模型在训练过程中更加高效地学习数据的内在规律和模式，且选择合适的损失函数，可以量化模型预测与实际值之间的差异，并指导模型在训练过程中不断优化自身参数，从而减小预测误差，采用合适的优化算法可以加速模型的训练过程，并有助于避免模型陷入局部最优解。
[0108] S33、将所述电力提取数据作为训练数据集。
[0109] S34、确定所述深度学习模型的训练超参数，并基于所述训练超参数将所述训练数据集输入至所述深度学习模型进行前向传播计算，得到优化模型。
[0110] 所述训练超参数包括调整学习率、批大小和迭代次数等。
[0111] S35、对所述优化模型进行反向传播计算和迭代训练，得到训练后的深度学习模型。
[0112] 通过加载电力提取数据作为训练数据集，模型能够从实际数据中学习并提取有用的特征和模式，使得模型的决策更加数据驱动，能够更准确地反映电力系统的实际状态和行为，对深度学习模型设置训练超参数，可以平衡模型的训练速度和收敛性能，通过前向传播计算以得到深度学习模型的初始输出，根据输出结果与真实标签之间的差异，可以计算损失函数的值，不断优化模型的性能，减小预测误差，将优化模型进行反向传播和迭代训练，确保最佳的训练效果。
[0113] S4、采集实时电力数据，并使用所述训练后的深度学习模型对所述实时电力数据进行数据分析，得到数据分析结果。
[0114] 在一种可选的实施方式中，S4之后还包括：对所述数据分析结果进行评估，得到评估结果。比如，根据预设目标任务定义合适的评估指标，假设对于电力负荷预测，评估指标为均方误差(MSE)；计算每个预测值与实际值之间的误差，并分析误差的分布，以帮助识别模型预测的系统性偏差或特定条件下的预测不准确，通过绘制预测值与实际值的对比图，如时间序列图、散点图或误差分布图，直观展示模型的预测性能，基于性能指标、误差分析和可视化结果，识别模型性能的不足之处和可能的改进方向。例如，假设预设目标任务是预测一个地区未来一周每天的总电力消耗量，实际数据为一周内每天的实际电力消耗量：[100,105,98,103,107,111,115](单位：兆瓦时)；模型对同一周每天的电力消耗量的预测值，为：[102,106,99,104,108,110,117](单位：兆瓦时)；假设计算RMSE来评估模型的预测误差，得到的RMSE值较小，表明模型具有较好的预测准确性，计算每天的预测误差(预测值‑实际值)，分析误差的模式，从所举例子来看误差分布相对均匀，没有明显的系统偏差，通过绘制图表，横轴表示时间(天)，左侧纵轴表示电力消耗量，右侧纵轴表示误差量，图中用两条线分别表示实际值和预测值，以及误差的柱状图，有助于直观地展示模型的预测能力和误差分布。通过分析发现，虽然整体预测准确性较高，但在某些特定天气条件下的预测误差较大。因此，模型需要进一步针对这些条件下的数据进行优化。通过这样的分析过程，不仅能评估模型的整体性能，还能识别模型的弱点和改进方向，从而在未来的迭代中提高预测的准确性和可靠性。
[0115] S5、基于所述数据分析结果对所述电力系统的运行状态进行监测。
[0116] 具体的，将所述数据分析结果输入所述电力系统的运行状态评估模型，得到状态评估结果，可在故障发生之前识别出潜在问题，确保电力系统的安全运行。
[0117] 请参照图2，本发明的实施例二为：
[0118] 一种基于深度学习的电力数据分析终端，包括存储器、处理器及存储在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实施例一中的基于深度学习的电力数据分析方法中的各个步骤。
[0119] 综上所述，本发明提供的一种基于深度学习的电力数据分析方法及终端，对电力系统中原始电力数据进行预处理，得到预处理数据，对预处理数据进行特征提取，根据电力提取数据构建深度学习模型，并对其进行训练，得到训练后的深度学习模型，并使用训练后的深度学习模型对采集的实时电力数据进行数据分析，得到数据分析结果，基于数据分析结果对电力系统的运行状态进行监测，以此能够从大量的原始电力数据中学习并提取有用的特征构建深度学习模型，训练后的深度学习模型能够快速处理和分析采集的实时电力数据，基于深度学习模型的分析结果能够对电力系统的运行状态进行有效监测，实现了电力数据与深度学习技术的有效结合，从而快速、准确地分析电力数据；并且，通过将电力提取数据作为训练数据集，模型能够从实际数据中学习并提取有用的特征和模式，使得模型的决策更加数据驱动，能够更准确地反映电力系统的实际状态和行为，对深度学习模型设置训练超参数有效平衡模型的训练速度和收敛性能，通过前向传播计算，可以得到深度学习模型的初始输出，根据输出结果与真实标签之间的差异，可以计算损失函数的值，不断优化模型的性能，减小预测误差，对优化模型进行反向传播和迭代训练，确保深度学习模型训练的有效性。
[0120] 以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
