[发明专利]一种基于机器学习和大数据分析的电力系统异常预测方法

权利要求书

1.一种基于机器学习和大数据分析的电力系统异常预测方法，其特征在于，包括以下步骤：

S1：从数据库中采集相关电网故障的原始数据，并根据时间先后顺序对所述原始数据进行分段处理，得到数据序列；

S2：对所述数据序列进行预处理，得到对应的特征值和异常程度值，并将所述数据序列及其特征值、异常程度值组成样本数据；

S3：对所述样本数据进行再次处理、采样、转换以及特征的设计与选择，然后进行数据分类，得到所述样本数据对应的特征数据；

S4：构建机器学习模型，并将所述特征数据输入所述机器学习模型中进行训练，得到完成训练的机器学习模型；

S5：将所述完成训练的机器学习模型接入数据库线上获取实时电网检测数据，所述实时电网检测数据输入所述完成训练的机器学习模型中，输出得到电力系统异常预测结果。

2.根据权利要求1所述的电力系统异常预测方法，其特征在于：所述S2步骤中，对所述数据序列进行预处理的具体步骤依次包括：数据清洗、格式转化、过采样、正则化或二极化、抽样检查数据质量、填补遗漏的数据值、缩放和规范化数据。

3.根据权利要求2所述的电力系统异常预测方法，其特征在于：所述S2步骤中，进行预处理所采用的的处理模块包括：preprocess模块、TF-IDF转换模块、word2vec词向量转化模块。

4.根据权利要求1所述的电力系统异常预测方法，其特征在于：所述S3步骤中，进行数据分类的依据包括用户信息、故障类型、故障时间、故障地点、故障环境。

5.根据权利要求4所述的电力系统异常预测方法，其特征在于：所述S4步骤中，构建机器学习模型的具体步骤包括：

S4.1：根据所述样本数据对应的特征数据，从数据库中获取初始参数、训练字段标识、训练数据表标识及其对应的训练数据表，从机器学习库中获取与用户信息对应的算法；

S4.2：根据所述训练字段标识选择目标训练数据表标识及其对应的训练数据表，从所述训练数据表中提取数据作为训练数据；

S4.3：采用所述初始参数对所获取的算法进行初始化，得到初始机器学习模型；将所述训练数据及样本数据输入所述初始机器学习模型中进行训练，得到与所述用户名对应的机器学习模型。

6.根据权利要求5所述的电力系统异常预测方法，其特征在于：所述S4.1步骤中，从机器学习库中获取的算法包括回归模型算法、分类模型算法、聚类模型算法中的一种或多种。

7.根据权利要求6所述的电力系统异常预测方法，其特征在于：所述回归模型算法包括线性回归算法、逻辑回归算法、多项式回归算法、Stepwise Regression逐步回归算法、Ridge Regression岭回归算法、Lasso Regression套索回归算法、ElasticNet回归算法中的一种或多种。

8.根据权利要求6所述的电力系统异常预测方法，其特征在于：所述分类模型算法包括支持向量机算法、K最近邻算法、决策树算法、集成学习算法、人工神经网络算法以及朴素贝叶斯算法中的一种或多种。

9.根据权利要求6所述的电力系统异常预测方法，其特征在于：所述聚类模型算法包括K-Means算法、谱聚类算法。

10.根据权利要求5所述的电力系统异常预测方法，其特征在于：所述S4步骤中，还包括以下步骤：

S4.5：从数据库中获取预测字段标识、预测数据表标识及其对应的预测数据表，

S4.6：根据所获取的预测字段标识，选择目标预测数据表标识及其对应的预测数据表，然后从所述预测数据表中提取数据作为测试数据；

S4.7：将所述测试数据及样本数据输入所述目标机器学习模型中，输出得到测试结果，并将测试结果与预测数据表及样本数据对应的特征数据进行对比，根据其对比结果对机器学习模型的参数进行调整，得到完成训练的机器学习模型。