[發明專利]一種調控系統運行變化趨勢預測方法和系統

在審

• 申請號: 202010020970.3
• 申請日: 2020-01-09
• 公開（公告）號: CN111222702A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 王艷;孫名揚;莊衛金;于芳;徐攀;黃龍達;卜強生;顏自堅;李虎成;孫鵬;朱桂英;劉曉梅;潘加佳;曾飛
• 申請（專利權）人: 中國電力科學研究院有限公司;國網江蘇省電力有限公司電力科學研究院;國網江蘇省電力有限公司;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

1.一種調控系統運行變化趨勢預測方法，其特征在于，包括：

基于預先設定的健康狀態評估指標、以及影響所述健康狀態評估指標的關鍵參數，從采集的實時工況數據中確定對運行狀態判斷的特征值；

對所述特征值進行訓練，得到所述關鍵參數的變化趨勢；

基于預先建立的穩定模式工況庫結合所述關鍵參數的變化趨勢，對所述穩定狀態的判斷指標的運行狀態進行判斷；

所述穩定狀態的判斷指標包括：服務器狀態、網絡、數據庫和應用指標。

2.如權利要求1所述的方法，其特征在于，所述穩定模式工況庫的建立，包括：

以所述穩定狀態的判斷指標為特征，對歷史工況數據采用K-均值法進行聚類分析；

根據所述聚類分析結果，對工況運行狀態進行類別標注和篩選，得到穩定模式工況庫；

所述穩定狀態的判斷指標，將影響穩定的關鍵參數作為穩定狀態的判斷指標。

3.如權利要求2所述的方法，其特征在于，所述以所述穩定狀態的判斷指標為特征，所述對歷史工況數據采用K-均值法進行聚類分析，包括：

以所述穩定狀態的判斷指標為特征，對工況狀態進行聚類分析，獲得歷史工況中的狀態分布情況；

以所述穩定狀態的判斷指標為特征，采用K-均值法對工況狀態進行聚類分析。

4.如權利要求2所述的方法，其特征在于，所述關鍵參數的確定，包括：

利用多種特征篩選組合方法對工況數據進行分析，確定影響穩定的關鍵參數；

其中，所述多種特征篩選篩組合方法包括：隨機lasso、嶺回歸、隨機森林、穩定性選擇和遞歸特征消除法；

所述關鍵參數包括：服務器CPU、硬盤、內存、網絡流量、數據庫流量。

5.如權利要求1所述的方法，其特征在于，所述對所述特征值進行訓練，得到所述關鍵參數的變化趨勢，包括：

利用差分整合移動平均自回歸模型算法對所述特征值進行差分整合移動平均自回歸模型訓練；

采用差分整合移動平均自回歸模型對關鍵參數的變化趨勢進行預測；

將預測的關鍵參數分別訓練時間序列模型；

采用參數的時間序列模型檢測時間序列是否是平穩序列，

如果是，則給出關鍵參數的預測值，用預測值作為所述實時狀態的輔助狀態識別；

否則，對該時刻的可控參數進行調控。

6.如權利要求1所述的方法，其特征在于，所述基于預先建立的穩定模式工況庫結合所述關鍵參數的變化趨勢預測值，對所述參數狀態指標的運行狀態進行判斷，包括：

根據穩定狀態判斷指標，并結合所述預測值，對指標的運行狀態進行判斷：

當判定該時刻的運行狀態為異常時，從穩定工況模式庫中讀取工況記錄，得到推薦的目標值；

根據所述目標值對該時刻的可控參數進行調控。

7.如權利要求1所述的方法，其特征在于，所述對采集的實時工況數據中確定之前，還包括：

對采集的數據進行異常值處理、空值處理、離散化處理和歸一化處理，其中，所述數據異常值處理、空值處理，通過數據篩選和數據清洗實現，所述離散化處理和歸一化處理，由特征簡約和數據變換實現。

8.一種調控系統運行變化趨勢預測系統，其特征在于，包括：預設模塊、訓練模塊和工況庫模塊；

所述預設模塊，用于基于預先設定的健康狀態評估指標、以及影響所述健康狀態評估指標的關鍵參數，從采集的實時工況數據中確定對運行狀態判斷的特征值；

所述訓練模塊，用于對所述特征值進行訓練，得到所述關鍵參數的變化趨勢；

所述工況庫模塊，用于基于預先建立的穩定模式工況庫結合所述關鍵參數的變化趨勢，對所述穩定參數的判斷指標的運行狀態進行判斷；

所述穩定狀態判斷指標包括：服務器狀態、網絡、數據庫和應用指標。