[发明专利]配电柜运行状态预测方法及装置

说明书

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。

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。