一种电力通信运维数据分析方法、装置及存储介质与流程

1.本发明涉及电力数据处理技术领域，尤其是涉及一种电力通信运维数据分析方法、装置及存储介质。


背景技术：

2.目前，随着我国电网的大规模建设，电力系统互联程度的加强和远距离输电系统的不断发展，能覆盖一个甚至多个国家的超大规模电力系统正在不断出现，电力系统的数据规模和模式发生了巨大变化，在对电力通信系统进行运营和维护的时候，会产生大量电力通信运维数据。现有的电力通信运维数据分析方法无法统一管理和分析电力通信运维数据，需要耗费大量的人力，导致对电力通信运维数据分析的效率较低。


技术实现要素：

3.本发明提供了一种电力通信运维数据分析方法、装置及存储介质，以解决现有的电力通信运维数据分析方法无法统一管理和分析电力通信运维数据，需要耗费大量的人力，导致对电力通信运维数据分析的效率较低。
4.本发明的实施例提供了一种电力通信运维数据分析方法，包括：
5.采集预设时间段内的电力通信运维数据作为历史样本数据；
6.根据apriori算法提取所述历史样本数据的数据特征；
7.利用所述数据特征进行svm训练，得到svm分析模型；
8.采集实时电力通信运维数据，将所述实时电力通信运维数据输入至所述svm分析模型中进行数据分析，得到电力通信运维数据的分析结果。
9.进一步的，所述采集预设时间段内的电力通信运维数据作为历史样本数据，包括：
10.采用自适应算法采集预设时间段内的电力通信运维数据作为历史样本数据。
11.进一步的，采用自适应算法采集预设时间段内的电力通信运维数据作为历史样本数据，包括：
12.获取第一个数据点的采集时间作为初始时间，并设置初始斜率值；
13.根据当前时刻的数据点与上一时刻的数据点计算相邻两个数据点的上斜率和下斜率；
14.当所述上斜率不等于所述下斜率时，调整数据采集的采集间隔；
15.初始化所述上斜率和所述下斜率，将所述当前时刻的是据点作为初始点进行采集下一时刻的数据点，直至在预设时间段内完成电力通信运维数据的采集。
16.进一步的，所述调整数据采集的采集间隔，包括：
17.计算相邻时刻两个数据点的平滑度，若所述平滑度小于等于预设数据平滑度阈值，则根据预设的采集间隔以及数据采集过程中的波动次数，计算得到新的采集间隔。
18.进一步的，根据apriori算法提取得到所述历史样本数据的数据特征，包括：
19.采用所述apriori算法计算得到每一所述历史样本数据对应的支持度和置信度，
并设定最小支持度和最小置信度；
20.根据所述最小支持度找出所有频繁项集参数；
21.根据所述置信度找出关联规则，将满足所述关联规则的频繁项集参数形成电力通信运维数据的数据特征。
22.进一步的，所述根据所述最小支持度找出所有频繁项集参数，包括：
23.计算预设长度的频繁项集的支持度，在所述支持度中找出所有支持度大于等于所述最小支持度的频繁项集，将所述频繁项集两两连接新的数据集；
24.以所述数据集为基础，增加所述预设长度后重新获取新的数据集，直至无法找到新的数据集。
25.进一步的，所述采用所述apriori算法计算得到每一所述历史样本数据对应的支持度和置信度，包括：
26.基于所述apriori算法采用挖掘公式计算每一所述历史样本数据对应的置信度，所述挖掘公式为：
[0027][0028]
其中，x为样本数据中的所有参数，support(x1,x2,
…
,xn)表示数据集的关联规则支持度，p(x1x2…
xn)表示数据集的置信度；表示n个事件相对于x1x2…
xn整个数据集同时发生的频繁程度。
[0029]
本发明的一个实施例一种电力通信运维数据分析装置，包括：
[0030]
历史数据采集模块，用于采集预设时间段内的电力通信运维数据作为历史样本数据；
[0031]
数据特征提取模块，用于根据关联算法提取所述历史样本数据的数据特征；
[0032]
数据训练模块，用于利用所述数据特征进行svm训练，得到svm分析模型；
[0033]
电力数据分析模块，用于采集实时电力通信运维数据，将所述实时电力通信运维数据输入至所述svm分析模型中进行数据分析，得到电力通信运维数据的分析结果。
[0034]
本发明的一个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的电力通信运维数据分析方法的步骤。
[0035]
本发明实施例通过apriori算法能够准确提取得到历史样本数据的数据特征，并根据该数据特征进行svm训练得到svm分析模型，将实时采集的电力通信运维数据输入至该模型中即可快速、准确得到电力通信运维数据的分析结果，能够实现统一对电力通信运维数据进行管理和分析，从而有效地提高了电力通信运维数据分析的效率。
附图说明
[0036]
图1是本发明实施例提供的电力运维数据分析方法的流程示意图；
[0037]
图2是本发明实施例提供的数据库的结构示意图。
[0038]
图3是本发明实施例提供的电力运维数据分析装置的结构示意图。
具体实施方式
[0039]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0040]
在本技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0041]
在本技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
[0042]
请参阅图1，本发明的实施例提供了一种电力通信运维数据分析方法，包括：
[0043]
s1、采集预设时间段内的电力通信运维数据作为历史样本数据；
[0044]
在本发明实施例中，可采用自适应算法采集数据。其中，预设的时间段内可以根据实际需要设置，例如，可设置某年上半年时间段内的电力通信运维数据作为历史样本数据。
[0045]
s2、根据apriori算法提取历史样本数据的数据特征；
[0046]
s3、利用数据特征进行svm训练，得到svm分析模型；
[0047]
s4、采集实时电力通信运维数据，将实时电力通信运维数据输入至svm分析模型中进行数据分析，得到电力通信运维数据的分析结果。
[0048]
本发明实施例通过apriori算法能够准确提取得到历史样本数据的数据特征，并根据该数据特征进行svm训练得到svm分析模型，将实时采集的电力通信运维数据输入至该模型中即可快速、准确得到电力通信运维数据的分析结果，能够实现统一对电力通信运维数据进行管理和分析，从而有效地提高了电力通信运维数据分析的效率。
[0049]
在一个实施例中，采集预设时间段内的电力通信运维数据作为历史样本数据，包括：
[0050]
采用自适应算法采集预设时间段内的电力通信运维数据作为历史样本数据。
[0051]
在一个实施例中，采用自适应算法采集预设时间段内的电力通信运维数据作为历史样本数据，包括：
[0052]
获取第一个数据点的采集时间作为初始时间，并设置初始斜率值；
[0053]
根据当前时刻的数据点与上一时刻的数据点计算相邻两个数据点的上斜率和下斜率；
[0054]
当上斜率不等于下斜率时，调整数据采集的采集间隔；
[0055]
初始化上斜率和下斜率，将当前时刻的是据点作为初始点进行采集下一时刻的数据点，直至在预设时间段内完成电力通信运维数据的采集。
[0056]
在一个具体的实施方式中，将第一个数据点的采集时间t0作为初始时间，设置初始斜率值，保存第一个数据点，并以此为基准，记录第一个数据点为value0。
[0057]
采集下一时刻的数据点，将下一时刻数据点即为value
′
，采集时间记为t
′
，将上述的下一个时刻的数据点作为当前时刻数据点，根据以下公式计算得到相邻两个数据点的上斜率和下斜率：
[0058][0059][0060]
其中，up为上斜率，down为下斜率，diffdata表示容差，value
′
表示当前时刻t
′
的数据点，value表示上一时刻t的数据点。
[0061]
需要说明的是，在开始采集数据点时，根据预设的采集间隔进行数据点的采集，在每采集一个数据点之后，当上斜率不等于下斜率时，调整数据采集的采集间隔，继续下一轮数据点的采集，直至完成所有数据的采集。
[0062]
在一个实施例中，调整数据采集的采集间隔，包括：
[0063]
计算相邻时刻两个数据点的平滑度，若平滑度小于等于预设数据平滑度阈值，则根据预设的采集间隔以及数据采集过程中的波动次数，计算得到新的采集间隔。
[0064]
在本发明实施例中，若上斜率大于下斜率，则减少数据采集间隔，否则增大数据埃及间隔。本发明实施例设置一个数据平滑阈值t，计算相邻两个数据平滑度di：
[0065][0066]
在di≤t时，根据公式(4)计算得到调整后的采集间隔i
′
：
[0067]i′
＝i+n*data
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0068]
其中，i为原有的采集间隔，n为数据采集过程中出现波动的次数，data为采集间隔的乘数。
[0069]
重复上述数据采集步骤，直至所有数据采集完成。
[0070]
在一个实施例中，根据apriori算法提取得到历史样本数据的数据特征，包括：
[0071]
采用apriori算法计算得到每一历史样本数据对应的支持度和置信度，并设定最小支持度和最小置信度；
[0072]
根据最小支持度找出所有频繁项集参数；
[0073]
根据置信度找出关联规则，将满足关联规则的频繁项集参数形成电力通信运维数据的数据特征。
[0074]
在一个实施例中，根据最小支持度找出所有频繁项集参数，包括：
[0075]
计算预设长度的频繁项集的支持度，在支持度中找出所有支持度大于等于最小支持度的频繁项集，将频繁项集两两连接新的数据集；
[0076]
以数据集为基础，增加预设长度后重新获取新的数据集，直至无法找到新的数据集。
[0077]
在本发明实施例中，采用apriori算法扫描存储电力运维通信数据的数据库，计算长度k＝1的频繁项集的支持度，找出所有支持度大于等于最小支持度的频繁项集形成当长度k＝1时的频繁项集，将频繁项集进行两两连接，产生新的数据集。在此基础上，增加k的值，以增加后的k值重新扫描数据库，以产生新的数据集，重复该步骤直至找到新的数据集。
[0078]
请参阅图2，在一种具体的实施方式中，数据库包括界面层，交互层、逻辑层和持久层，界面层用于基于用户界面的设置为数据库设定属性；交互层用于接收界面层发送的数据库属性、待上传的数据和设置权限管理并分发到不同展现组件，由展现组件组织逻辑层来协同处理数据库属性、待上传的数据和设置权限管理；逻辑层用于基于数据库属性将待上传的数据通过预先设定的上传接口上传至数据库；持久层用于为数据库将处理结果保存至公共数据库提供接口。
[0079]
在一个实施例中，采用apriori算法计算得到每一历史样本数据对应的支持度和置信度，包括：
[0080]
基于apriori算法采用挖掘公式计算每一历史样本数据对应的置信度，挖掘公式为：
[0081][0082]
其中，x为样本数据中的所有参数，support(x1,x2,
…
,xn)表示数据集的关联规则支持度，p(x1x2…
xn)表示数据集的置信度；表示n个事件相对于x1x2…
xn整个数据集同时发生的频繁程度。
[0083]
实施本发明实施，具有以下有益效果：
[0084]
本发明实施例通过apriori算法能够准确提取得到历史样本数据的数据特征，并根据该数据特征进行svm训练得到svm分析模型，将实时采集的电力通信运维数据输入至该模型中即可快速、准确得到电力通信运维数据的分析结果，能够实现统一对电力通信运维数据进行管理和分析，从而有效地提高了电力通信运维数据分析的效率。
[0085]
请参阅图3，基于与上述实施例相同的发明构思，本发明的一个实施例一种电力通信运维数据分析装置，包括：
[0086]
历史数据采集模块10，用于采集预设时间段内的电力通信运维数据作为历史样本数据；
[0087]
数据特征提取模块20，用于根据关联算法提取历史样本数据的数据特征；
[0088]
数据训练模块30，用于利用数据特征进行svm训练，得到svm分析模型；
[0089]
电力数据分析模块40，用于采集实时电力通信运维数据，将实时电力通信运维数据输入至svm分析模型中进行数据分析，得到电力通信运维数据的分析结果。
[0090]
在一个实施例中，历史数据采集模块10，用于：
[0091]
采用自适应算法采集预设时间段内的电力通信运维数据作为历史样本数据。
[0092]
在一个实施例中，采用自适应算法采集预设时间段内的电力通信运维数据作为历史样本数据，包括：
[0093]
获取第一个数据点的采集时间作为初始时间，并设置初始斜率值；
[0094]
根据当前时刻的数据点与上一时刻的数据点计算相邻两个数据点的上斜率和下斜率；
[0095]
当上斜率不等于下斜率时，调整数据采集的采集间隔；
[0096]
初始化上斜率和下斜率，将当前时刻的是据点作为初始点进行采集下一时刻的数据点，直至在预设时间段内完成电力通信运维数据的采集。
[0097]
在一个实施例中，调整数据采集的采集间隔，包括：
[0098]
计算相邻时刻两个数据点的平滑度，若平滑度小于等于预设数据平滑度阈值，则根据预设的采集间隔以及数据采集过程中的波动次数，计算得到新的采集间隔。
[0099]
在一个实施例中，数据特征提取模块20，用于：
[0100]
采用apriori算法计算得到每一历史样本数据对应的支持度和置信度，并设定最小支持度和最小置信度；
[0101]
根据最小支持度找出所有频繁项集参数；
[0102]
根据置信度找出关联规则，将满足关联规则的频繁项集参数形成电力通信运维数据的数据特征。
[0103]
在一个实施例中，根据最小支持度找出所有频繁项集参数，包括：
[0104]
计算预设长度的频繁项集的支持度，在支持度中找出所有支持度大于等于最小支持度的频繁项集，将频繁项集两两连接新的数据集；
[0105]
以数据集为基础，增加预设长度后重新获取新的数据集，直至无法找到新的数据集。
[0106]
在一个实施例中，采用apriori算法计算得到每一历史样本数据对应的支持度和置信度，包括：
[0107]
基于apriori算法采用挖掘公式计算每一历史样本数据对应的置信度，挖掘公式为：
[0108][0109]
其中，x为样本数据中的所有参数，support(x1,x2,
…
,xn)表示数据集的关联规则支持度，p(x1x2…
xn)表示数据集的置信度；表示n个事件相对于x1x2…
xn整个数据集同时发生的频繁程度。
[0110]
本发明的一个实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述的电力通信运维数据分析方法的步骤。
[0111]
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。