一种电网数据的预警方法、装置、设备及存储介质与流程

1.本发明实施例涉及智能电网技术领域，尤其涉及一种电网数据的预警方法、装置、设备及存储介质。


背景技术：

2.近年来，随着电网智能终端的快速普及，智能电网朝着数字化、信息化和智能化的方向快速发展。
3.为了提高电网特性的在线分析能力，以便实现对电网运行状态的全局掌握和对系统资源的优化控制，尤其是通过对客户的用电和消费行为的重点分析来实现差别化服务，为客户提供进一步的增值服务，提高客户满意度和忠诚度，可以时刻关注用户的用电安全，进而及时提供安全预警服务。
4.目前主要是通过支持向量机(support vector machines，svm)技术来实现上述安全预警服务，但是其存在计算量较大的问题。


技术实现要素：

5.本发明实施例提供了一种电网数据的预警方法、装置、设备及存储介质，以实现计算量较低的目标电网数据的预警效果。
6.第一方面，本发明实施例提供了一种电网数据的预警方法，可以包括：
7.采集待进行分析的目标电网数据，并将目标电网数据输入至已经训练完成的电网数据分析模型中，其中电网数据分析模型包括残差网络模型，残差网络模型包括加权残缺模块，加权残缺模块包括以全连接层的加权值作为输出基准的网络模块；
8.根据电网数据分析模型的输出结果得到目标电网数据的目标分析结果，并根据目标分析结果确定是否需要对目标电网数据进行预警。
9.第二方面，本发明实施例还提供了一种电网数据的预警装置，可以包括：
10.电网数据输入模块，用于采集待进行分析的目标电网数据，并将目标电网数据输入至已经训练完成的电网数据分析模型中，其中电网数据分析模型包括残差网络模型，残差网络模型包括加权残缺模块，加权残缺模块包括以全连接层的加权值作为输出基准的网络模块；
11.电网数据预警模块，用于根据电网数据分析模型的输出结果得到目标电网数据的目标分析结果，并根据目标分析结果确定是否需要对目标电网数据进行预警。
12.第三方面，本发明实施例还提供了一种电网数据的预警设备，可以包括：
13.一个或多个处理器；
14.存储器，用于存储一个或多个程序；
15.当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例所提供的电网数据的预警方法。
16.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机
程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的电网数据的预警方法。
17.本发明实施例的技术方案，通过采集待进行分析的目标电网数据，并将该目标电网数据输入至已经训练完成的电网数据分析模型中，根据电网数据分析模型的输出结果得到目标电网数据的目标分析结果，并根据目标分析结果确定是否需要对目标电网数据进行预警，上述电网数据分析模型包括残差网络模型，残差网络模型包括以全连接层的加权值作为输出基准的加权残缺模块，该加权残缺模块的引入简化了残差网络模型的网络结构，由此降低了残差网络模型的计算工作量，进而提高了该残差网络模型的工作效率。上述技术方案，通过在残差网络模型中引入以全连接层的加权值作为输出基准的加权残缺模块，有效降低了残差网络模型的计算工作量，进而降低了目标电网数据在预警过程中的计算工作量，由此以较低的计算工作量完成了目标电网数据的有效预警。
附图说明
18.图1是本发明实施例一中的一种电网数据的预警方法的流程图；
19.图2a是本发明实施例一中的一种电网数据的预警方法中的残差网络模型的结构示意图；
20.图2b是本发明实施例一中的一种电网数据的预警方法中的加权残缺模块的结构示意图；
21.图3是本发明实施例二中的一种电网数据的预警方法的流程图；
22.图4是本发明实施例三中的一种电网数据的预警方法的流程图；
23.图5是本发明实施例四中的一种电网数据的预警装置的结构框图；
24.图6是本发明实施例五中的一种电网数据的预警设备的结构示意图。
具体实施方式
25.下面结合附图和实施例对本发明作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
26.实施例一
27.图1是本发明实施例一中提供的一种电网数据的预警方法的流程图。本实施例可以适用于对存在预警需求的目标电网数据进行预警的情况，尤其适用于以较低的计算量完成对存在预警需求的目标电网数据进行预警的情况。该方法可以由本发明实施例提供的电网数据的预警装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在电网数据的预警设备上，该设备可以是各种用户终端或服务器。
28.参见图1，本发明实施例的方法具体包括如下步骤：
29.s110、采集待进行分析的目标电网数据，并将目标电网数据输入至已训练完成的电网数据分析模型中，其中电网数据分析模型包括残差网络模型，残差网络模型包括加权残缺模块，加权残缺模块包括以全连接层的加权值作为输出基准的网络模块。
30.其中，目标电网数据可以是从电网中采集到的需要进行分析的数据，实际应用中，可选的，该目标电网数据的数据数量可以是一个、两个或多个；每个目标电网数据内的数据
数量可以是一个、两个或是多个，每个目标电网数据的数据形式可以是离散点、各离散点构成的目标数据波形等，数据采集时机可以是实时采集或基于预设时间间隔采集，在此未做具体限定。电网数据分析模型可以是已训练完成的用于对目标电网数据进行分析的神经网网络模型，其分析的具体内容与其自身的训练过程有关，比如目标电网数据的变化趋势是否平稳、是否存在异常等等。由此，可以将采集得到的目标电网数据输入至该电网数据分析模型中，以便基于该电网数据分析模型对该目标电网数据进行分析。
31.考虑到本发明实施例可能涉及到的应用场景，可选的，可以通过下述内容完成上述步骤：连续采集待进行分析的目标电网数据，基于预先设置的滑动窗口对目标电网数据进行切分，并将切分出的每个目标电网子数据作为目标电网数据；针对每个目标电网数据，将该目标电网数据输入至已经训练完成的电网数据分析模型中。其中，目标电网数据的连续采集过程可以理解为实时采集或基于预设时间间隔进行采集的过程，此时的目标电网数据可以理解为一个整体，其内包括至少两个数据。滑动窗口可以是预先设置的用于对目标电网数据进行切分的窗口，比如根据滑动窗口的窗口尺寸将该目标电网数据切分为至少一个目标电网子数据，示例性的，当目标电网数据通过目标数据波形进行展示时，可以将该目标电网数据中的每个完整的目标数据波形作为一个目标电网子数据，即将该目标电网数据中在时间上连续的预设数据数量的数据作为一个目标电网子数据，该预设数据数量的具体大小可以与窗口尺寸有关。进而，可以将每个目标电网子数据均作为一个目标电网数据，然后将各目标电网数据分别输入至电网数据分析模型中，以便基于该电网数据分析模型对目标电网数据进行分析。
32.需要说明的是，上述电网数据分析模型可以包括残差网络(residual network)模型，该残差网络模型可以包括加权残缺模块，该加权残缺模块可以包括以全连接层的加权值作为输出基准的网络模块，以全连接层的加权值作为输出基准的加权残缺模块的引入有效降低了残差网络模型的计算工作量，由此提高了残差网络模型(即电网数据分析模型)的分析效率。
33.s120、根据电网数据分析模型的输出结果得到该目标电网数据的目标分析结果，并根据目标分析结果确定是否需要对目标电网数据进行预警。
34.其中，电网数据分析模型在对目标电网数据进行分析后，可以将其分析出的具体内容进行输出，进而上述电网数据的预警装置可以根据该电网数据分析模型的输出结果得到目标电网数据的目标分析结果，该目标分析结果可以表示出这样的目标电网数据是否存在预警需求，因此可以根据该目标分析结果确定是否需要对上述目标电网数据进行预警，若是则予以实时预警，否则无需进行预警。示例性的，如果目标分析结果是该目标电网数据是存在异常的目标异常电网数据，这说明该目标电网数据存在预警需求，则可以予以实时预警；如果目标分析结果是该目标电网数据是未存在异常的目标正常电网数据，这说明该目标电网数据未存在预警需求，则可以无需进行预警。
35.本发明实施例的技术方案，通过采集待进行分析的目标电网数据，并将该目标电网数据输入至已经训练完成的电网数据分析模型中，根据电网数据分析模型的输出结果得到目标电网数据的目标分析结果，并根据目标分析结果确定是否需要对目标电网数据进行预警，上述电网数据分析模型包括残差网络模型，残差网络模型包括以全连接层的加权值作为输出基准的加权残缺模块，该加权残缺模块的引入简化了残差网络模型的网络结构，
由此降低了残差网络模型的计算工作量，进而提高了该残差网络模型的工作效率。上述技术方案，通过在残差网络模型中引入以全连接层的加权值作为输出基准的加权残缺模块，有效降低了残差网络模型的计算工作量，进而降低了目标电网数据在预警过程中的计算工作量，由此以较低的计算工作量完成了目标电网数据的有效预警。
36.在此基础上，可选的，上述残差网络模型还可以包括与加权残缺模块连接的激活层和/或平均池化层，具体的连接方式可以是以激活层的输出作为该加权残缺模块的输入，并且以该加权残缺模块的输出作为平均池化层的输入等等，在此未做具体限定。当然，上述残差网络模型还可以包括其余的网络层，比如卷积层、归一化层、批归一化层、全连接层等等，在此亦未做具体限定。示例性的，如图2a所示，残差网络模型可以包括从前至后依次连接并封装的卷积层、归一化层、批归一化层、激活层、加权残缺模块、平均池化层和全连接层。再可选的，上述加权残缺模块还可以包括与全连接层连接的批归一化层、以及与批归一化层连接的卷积层，示例性的，参见图2b，加权残缺模块可以包括从前至后依次连接并封装的卷积层、批规一化层和全连接层。
37.实施例二
38.图3是本发明实施例二中提供的一种电网数据的预警方法的流程图。本实施例是以上述各技术方案为基础进行优化。在本实施例中，可选的，上述电网数据的预警方法，还可包括：获取已进行分析的历史电网数据、以及历史电网数据的历史分析结果，并将历史电网数据和历史分析结果作为一组训练样本；基于多组训练样本对已构建完成的原始神经网络模型进行训练，得到电网数据分析模型，其中原始神经网络模型可包括未经训练的残差网络模型。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
39.参见图3，本实施例的方法具体可以包括如下步骤：
40.s210、获取已进行分析的历史电网数据以及历史电网数据的历史分析结果，并将历史电网数据和历史分析结果作为一组训练样本。
41.其中，历史电网数据可以是从电网中采集到的已进行过分析的数据，实际应用中，可选的，该历史电网数据的数据数量可以是一个、两个或多个；每个历史电网数据内的数据数量可以是一个、两个或是多个，每个历史电网数据的数据形式可以是离散点、各离散点构成的历史数据波形等，数据采集时机可以是实时采集或基于预设时间间隔采集，在此未做具体限定。示例性的，该历史电网数据可以是历史异常电网数据，即经过分析后存在异常的历史电网数据，其可以从故障录波设备中采集得到；还可以是历史正常电网数据，即经过分析后未存在异常的历史电网数据。实际应用中，可选的，当训练样本的样本数量有多个时，还可以将它们随机划分为训练集和验证集，由此提高了后续训练出的电网数据分析模型的分析精度。再可选的，由于目标电网数据可以根据滑动窗口切分得到，因此历史电网数据也可以基于同样的滑动窗口切分得到，由此保证了后续基于这样的历史电网数据训练得到的电网数据分析模型能够适应于上述基于滑动窗口切分得到的目标电网数据。
42.历史分析结果可以是对上述历史电网数据进行分析后得到的结果，考虑到本发明实施例可能涉及到的应用场景，从理论上而言，随着时间推移，该历史电网数据的变化趋势是平稳的，或是说由历史电网数据构成的历史数据波形是平滑的，但是，由于负载变动或是其它原因的正常扰动，其会导致该历史数据波形发生变化，因此上述历史分析结果可以是在预先设定的历史分析条件下对历史电网数据进行分析后得到的结果，该历史分析条件可
以包括历史属性以及与该历史属性对应的历史阈值，比如电压和xx伏特(v)、电流和xx安培(a)等等。在实际应用中，可选的，对于同一历史电网数据，不同的历史分析条件下可能得到不同的历史分析结果，因此上述历史分析结果除了可以体现出历史电网数据的分析结果外，还可以体现出相应的历史分析条件，以便从历史分析结果中可以直接确定该历史分析结果是在怎样的历史分析条件下得到的。上述历史分析结果可以理解为模型训练过程中的打标过程。
43.在此基础上，可以将历史电网数据、以及该历史电网数据的历史分析结果作为一组训练样本。继续以上述示例为例，示例性的，当历史电网数据是历史异常电网数据或是历史正常电网数据时，上述训练样本可以是正训练样本或是负训练样本，当然，是将与历史异常电网数据对应的训练样本作为正训练样本，还是将与历史异常电网数据对应的训练样本作为负训练样本，可以根据实际的应用场景进行设置，在此未做具体限定。
44.s220、基于多组该训练样本对已构建完成的原始神经网络模型进行训练，得到电网数据分析模型，其中原始神经网络模型包括未经训练的残差网络模型，残差网络模型包括加权残缺模块，加权残缺模块包括以全连接层的加权值作为输出基准的网络模块。
45.其中，原始神经网络模型与电网数据分析模型的网络结构相同，其可理解为已构建完成但尚未训练完成的电网数据分析模型，即其中的加权残缺模块是已构建完成但尚未训练完成的以全连接层的加权值作为输出基准的网络模块。由此，可以基于多组训练样本对该原始神经网络模型进行训练，得到电网数据分析模型。需要说明的是，如果上述训练样本是在某种历史分析条件下得到的训练样本，那么后续在基于由此训练得到的电网数据分析模型进行分析后得到的目标分析结果也可以是与该历史分析条件对应的目标分析条件下的分析结果。
46.s230、采集待进行分析的目标电网数据，并将目标电网数据输入至已训练完成的电网数据分析模型中。
47.s240、根据该电网数据分析模型的输出结果得到目标电网数据的目标分析结果，并根据目标分析结果确定是否需要对目标电网数据进行预警。
48.本发明实施例的技术方案，通过将获取到的已进行分析的历史电网数据、以及该历史电网数据的历史分析结果作为一组训练样本，基于多组训练样本对已经构建完成的包括未经训练的残差网络模型的原始神经网络模型进行训练，由此达到了电网数据分析模型的有效训练的效果。
49.一种可选的技术方案，历史分析结果包括历史分析条件，该历史分析条件包括历史属性、以及与历史属性对应的历史阈值，将目标电网数据输入至已经训练完成的电网数据分析模型中，可包括：确定目标电网数据的目标分析条件，并从各已训练完成的电网数据分析模型中确定在模型训练过程中是基于与目标分析条件对应的历史分析条件训练得到的目标电网数据分析模型；将目标电网数据输入至目标电网数据分析模型中；相应的，根据电网数据分析模型的输出结果得到目标电网数据的目标分析结果，可包括：根据目标电网数据分析模型的输出结果得到目标电网数据的目标分析结果。其中，历史分析条件可以是对历史电网数据进行分析时采用的分析条件，历史属性可以是历史电网数据具有的某种属性，如电压、电流等等，历史阈值可以是与历史属性对应的能够表示出历史电网数据是否为历史正常电网数据(或是历史异常电网数据)的阈值。示例性的，以使历史电网数据是历史
数据波形为例，假设该历史数据波形包括电网中某一点的历史电压波形，那么历史属性可以是电压，历史阈值可以是其为历史正常电压波形时的xx伏特，可选的，历史异常电压波形可以来自单相接地短路、雷电冲击等等下的波形。为了提高目标分析结果的准确性，在得到目标电网数据后，可以先确定其的目标分析条件，然后从各已训练完成的电网数据分析模型中确定在模型训练过程中是基于与目标分析条件对应的历史分析条件训练得到的目标电网数据分析模型，由此可以将该目标电网数据输入到该目标电网数据分析模型中，并根据该目标电网数据分析模型的输出结果得到该目标电网数据的目标分析结果，由此达到了目标分析结果的精准分析的效果。
50.另一种可选的技术方案，历史电网数据包括第一电网数据和第二电网数据，原始神经网络模型还可包括损失函数计算模块，损失函数计算模块是基于预先设置的属性损失函数构建得到的模块，属性损失函数可包括与第一电网数据在历史属性上的第一历史属性值和第二电网数据在历史属性上的第二历史属性值相关的属性式子以及与原始神经网络模型针对第一电网数据学习到的第一特征映射值和针对第二电网数据学习得到的第二特征映射值相关的特征映射式子。损失函数计算模块可以是用于计算损失函数的模块，其可以是基于预先设置的属性损失函数构建得到，该属性损失函数可以是与历史电网数据的历史属性相匹配的损失函数，其可包括与第一电网数据在历史属性上的第一历史属性值和第二电网数据在历史属性上的第二历史属性值相关的属性式子。上述技术方案，通过引入属性损失函数，能够较好地区分各历史属性，且还能避免出现因为在历史阈值范围内的正常扰动而对历史分析结果带来影响的情况，由此能够提高后续训练得到的电网数据分析模型的分析精度。
51.在此基础上，可选的，上述属性损失函数可以通过如下公式进行表示：
[0052][0053]
其中l
a
是损失函数计算结果，i是第一电网数据，j是第二电网数据，g
i
是第一特征映射值，g
j
是第二特征映射值，g
i
‑
g
j
是特征映射式子，且y
i
是第一历史属性值，y
j
是第二历史属性值，g是在模型训练过程中的矩阵参数，g(y
i
‑
y
j
)是属性式子。结合到本发明实施例可能涉及到的应用场景，当历史电网数据是历史数据波形时，上述各变量的含义还可以表述为：g
i
是残差网络模型在历史数据波形中的第i点上学习到的特征映射值，g
j
是残差网络模型在历史数据波形中的第j点上学习到的特征映射值，y
i
是历史数据波形中的第i点在历史属性上的历史属性值，y
j
是历史数据波形中的第j点在历史属性上的历史属性值，g是在模型训练过程中的矩阵参数。
[0054]
实施例三
[0055]
图4是本发明实施例三中提供的一种电网数据的预警方法的流程图。本实施例以上述各技术方案为基础进行优化。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
[0056]
参见图4，本实施例的方法具体可以包括如下步骤：
[0057]
s310、采集智能电网的已进行分析的历史数据波形，基于预先设置的滑动窗口分别对各历史数据波形进行切分，并将切分出的每段历史子数据波形作为历史数据波形，其中历史数据波形包括历史正常数据波形和历史异常数据波形。
[0058]
s320、对历史异常数据波形进行标记，其中标记内容包括历史分析条件，历史分析条件包括历史属性、以及与历史属性对应的历史阈值。
[0059]
s330、获取已构建完成的原始神经网络模型，其中原始神经网络模型包括未经训练的残差网络模型，残差网络模型包括从前至后依次连接并封装的卷积层、归一化层、批归一化层、激活层、加权残缺模块、平均池化层和全连接层，加权残缺模块包括从前至后依次连接并封装的卷积层、批归一化层和全连接层，原始神经网络模型还包括损失函数计算模块，损失函数计算模块包括基于预先设置的属性损失函数构建得到的模块，属性损失函数通过如下公式进行表示：
[0060][0061]
其中l
a
是损失函数计算结果，g
i
是残差网络模型在历史数据波形中的第i点上学习到的特征映射值，g
j
是残差网络模型在历史数据波形中的第j点上学习到的特征映射值，y
i
是历史数据波形中的第i点在历史属性上的历史属性值，y
j
是历史数据波形中的第j点在历史属性上的历史属性值，g是在模型训练过程中的矩阵参数。
[0062]
其中，加权残缺模块是以全连接层的加权值作为输出基准的网络模块，在实际应用中，可选的，残差网络模型中的第一个卷积层的卷积核可以为3
×
3或5
×
5，且卷积核可以为2；再可选的，加权残缺模块中的卷积层的卷积核可以为1
×
1，且卷积核可以为1。当然，还可以选择其余的卷积核，在此未做具体限定。
[0063]
s340、基于带有标记的历史异常数据波形和未带标记的历史正常数据波形对原始神经网络模型进行训练，得到已训练完成的最优的电网数据分析模型。
[0064]
其中，在上述历史分析条件下，未带标记的历史正常数据波形可以认为该历史正常数据波形的历史分析结果为正常，且带有标记的历史异常数据波形的历史分析结果为异常。在实际应用中，可选的，为了实现电网数据的精准分析，每个电网数据分析模型可以均基于具有同一历史分析条件的历史数据波形训练得到，即每个电网数据分析模型均可以对应有各自的历史分析条件。再可选的，可以将上述各历史数据波形随意划分为训练集和验证集，在基于训练集中的各历史数据波形训练得到电网数据分析模型后，还可以基于验证集中各历史数据波形对电网数据分析模型进行验证，判断该电网数据分析模型的训练效果。
[0065]
s350、采集智能电网的待进行分析的目标数据波形，基于滑动窗口对目标数据波形进行切分，并将切分出的每段目标子数据波形作为目标数据波形。
[0066]
其中，目标数据波形可以是由多个目标电网数据构成的波形，其采集过程可以认为是实时采集过程，即在实时采集过程中基于滑动窗口进行切分。
[0067]
s360、针对每个目标数据波形，确定该目标数据波形的目标分析条件，并从各电网数据分析模型中确定在模型训练过程中是基于与目标分析条件对应的历史分析条件训练得到的目标电网数据分析模型。
[0068]
s370、将目标数据波形输入至目标电网数据分析模型中，并根据目标电网数据分析模型的输出结果确定目标数据波形的目标分析结果。
[0069]
s380、根据目标分析结果确定目标数据波形是否为目标异常数据波形。
[0070]
s390、如果是，则予以实时预警，并在预警后退出；否则，退出。
[0071]
本发明实施例的技术方案，通过在构建原始神经网络模型时添加以全连接层的加权值作为输出基准的加权残缺模块、以及基于与历史属性相匹配的属性损失函数构建得到的损失函数计算模块，由此训练出的电网数据分析模型具有计算量小且分析准确的优点，进而达到了以较小的计算工作量和较高的准确度对存在预警需求的目标电网数据进行预警的效果。
[0072]
实施例四
[0073]
图5为本发明实施例四提供的电网数据的预警装置的结构框图，该装置用于执行上述任意实施例所提供的电网数据的预警方法。该装置与上述各实施例的电网数据的预警方法属于同一个发明构思，在电网数据的预警装置的实施例中未详尽描述的细节内容，可以参考上述电网数据的预警方法的实施例。参见图5，该装置具体可包括：电网数据输入模块410和电网数据预警模块420。
[0074]
其中，电网数据输入模块410，用于采集待进行分析的目标电网数据，并将目标电网数据输入至已经训练完成的电网数据分析模型中，其中，电网数据分析模型包括残差网络模型，残差网络模型包括加权残缺模块，加权残缺模块包括以全连接层的加权值作为输出基准的网络模块；
[0075]
电网数据预警模块420，用于根据电网数据分析模型的输出结果得到目标电网数据的目标分析结果，并根据目标分析结果确定是否需要对目标电网数据进行预警。
[0076]
可选的，在上述装置的基础上，该装置还可以包括：
[0077]
练样本得到模块，用于获取已进行分析的历史电网数据以及历史电网数据的历史分析结果，将历史电网数据和历史分析结果作为一组训练样本；
[0078]
电网数据分析模型得到模块，用于基于多组训练样本对已构建完成的原始神经网络模型进行训练，得到电网数据分析模型，其中原始神经网络模型包括未经训练的残差网络模型。
[0079]
在此基础上，可选的，历史电网数据包括第一电网数据和第二电网数据，原始神经网络模型还包括损失函数计算模块，该损失函数计算模块是基于预先设置的属性损失函数构建得到的模块，属性损失函数可包括与第一电网数据在历史属性上的第一历史属性值和第二电网数据在历史属性上的第二历史属性值相关的属性式子以及与原始神经网络模型针对第一电网数据学习到的第一特征映射值和针对第二电网数据学习到的第二特征映射值相关的特征映射式子。
[0080]
在此基础上，可选的，属性损失函数通过如下公式进行表示：
[0081][0082]
其中，l
a
是损失函数计算结果，i是第一电网数据，j是第二电网数据，g
i
是第一特征映射值，g
j
是第二特征映射值，g
i
‑
g
j
是特征映射式子，y
i
是第一历史属性值，y
j
是第二历史属性值，g是在模型训练过程中的矩阵参数，g(y
i
‑
y
j
)是属性式子。
[0083]
可选的，历史分析结果包括历史分析条件，历史分析条件包括历史属性、以及与历史属性对应的历史阈值，电网数据输入模块410，可以包括：
[0084]
目标电网数据分析模型确定单元，用于确定目标电网数据的目标分析条件，并从各已训练完成的电网数据分析模型中确定在模型训练过程中是基于与目标分析条件对应
的历史分析条件训练到的目标电网数据分析模型；第一电网数据输入单元，用于将目标电网数据输入至目标电网数据分析模型中；
[0085]
相应的，电网数据预警模块420，可以包括：
[0086]
目标分析结果得到单元，用于根据目标电网数据分析模型的输出结果得到目标电网数据的目标分析结果。
[0087]
可选的，电网数据输入模块410，可以包括：
[0088]
目标电网数据采集单元，用于连续采集待进行分析的目标电网数据，基于预先设置的滑动窗口对目标电网数据进行切分，将切分得到的每个目标电网子数据作为目标电网数据；第二电网数据输入单元，用于针对每个目标电网数据，将目标电网数据输入至已经训练完成的电网数据分析模型中。
[0089]
可选的，加权残缺模块还包括与全连接层连接的批归一化层及与批归一化层连接的卷积层；和/或，残差网络模型还包括与加权残缺模块连接的激活层和/或平均池化层。
[0090]
本发明实施例四所提供的电网数据的预警装置，通过电网数据输入模块和电网数据预警模块相互配合，采集待进行分析的目标电网数据，并将目标电网数据输入至已训练完成的电网数据分析模型中，根据电网数据分析模型的输出结果得到目标电网数据的目标分析结果，并根据目标分析结果确定是否需要对目标电网数据进行预警，上述电网数据分析模型包括残差网络模型，残差网络模型包括以全连接层的加权值作为输出基准的加权残缺模块，该加权残缺模块的引入简化了残差网络模型的网络结构，由此降低了残差网络模型的计算工作量，进而提高了该残差网络模型的工作效率。上述技术方案，通过在残差网络模型中引入以全连接层的加权值作为输出基准的加权残缺模块，有效降低了该残差网络模型的计算工作量，进而降低了在对目标电网数据进行预警时的计算工作量，由此以较低的计算工作量完成了目标电网数据的有效预警。
[0091]
本发明实施例所提供的电网数据的预警装置可执行本发明任意实施例所提供的电网数据的预警方法，具备执行方法相应的功能模块和有益效果。
[0092]
值得注意的是，上述电网数据的预警装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0093]
实施例五
[0094]
图6为本发明实施例五提供的一种电网数据的预警设备的结构示意图，如图6所示，该设备包括存储器510、处理器520、输入装置530和输出装置540。设备中的处理器520的数量可以是一个或多个，图6中以一个处理器520为例；设备中的存储器510、处理器520、输入装置530和输出装置540可以通过总线或其它方式连接，图6中以通过总线550连接为例。
[0095]
存储器510作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，比如本发明实施例中的电网数据的预警方法对应的程序指令/模块(例如，电网数据的预警装置中的电网数据输入模块410和电网数据预警模块420)。处理器520通过运行存储在存储器510中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的电网数据的预警方法。
[0096]
存储器510可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此
外，存储器510可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件或是其他非易失性固态存储器件。在一些实例中，存储器510可进一步包括相对于处理器520远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0097]
输入装置530可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
[0098]
实施例六
[0099]
本发明实施例六提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种电网数据的预警方法，该方法包括：
[0100]
采集待进行分析的目标电网数据，并将目标电网数据输入至已经训练完成的电网数据分析模型中，其中电网数据分析模型包括残差网络模型，残差网络模型包括加权残缺模块，加权残缺模块包括以全连接层的加权值作为输出基准的网络模块；
[0101]
根据电网数据分析模型的输出结果得到目标电网数据的目标分析结果，并根据目标分析结果确定是否需要对目标电网数据进行预警。
[0102]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的电网数据的预警方法中的相关操作。
[0103]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read
‑
only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0104]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。