一种地区电力的负荷智能检测方法及系统与流程

1.本发明涉及电力负荷检测相关技术领域，具体涉及一种地区电力的负荷智能检测方法及系统。


背景技术：

2.地区电力的负荷即限定地区内电能用户的用电设备在某一时刻向电力系统取用的电功率的总和，电力负荷检测方式主要具有两种，其一是侵入式负荷检测技术，主要是在每一个电力负载处进行负荷检测确定电力运行状态，缺点是效率较低，成本较高；其二是非侵入式负荷分解技术，只需要在电力入口处装设监测设备检测总电压及总电流等电气量，再分解确定各个负荷的运行状态，缺点是由于电力系统的复杂性导致分解过程会产生误差，使得电力负荷检测准确度难以保障。
3.综上可知，亟需构建满足用户准确需求的高效负荷智能检测方法，智能检测设备负荷，为提前进行电力负荷管理，有效防止电量超出负荷，确保电网能够正常有序的实现正常的运转。
4.综上所述，现有技术中存在电力负荷检测的精度低，确定电力负荷数据需要的时间周期长，检测效率低下的技术问题。


技术实现要素：

5.本技术通过提供了一种地区电力的负荷智能检测方法及系统，旨在解决现有技术中电力负荷检测的精度低，确定电力负荷数据需要的时间周期长，检测效率低下的技术问题。
6.鉴于上述问题，本技术实施例提供了一种地区电力的负荷智能检测方法及系统。
7.本技术公开的第一个方面，提供了一种地区电力的负荷智能检测方法，其中，所述方法包括：遍历预设区域的电力设备，采集多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值；遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度；根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标；遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型；将电力设备总负荷特征值和电力设备分布拓扑图输入所述负荷分解模型，生成电力负荷分解结果。
8.本技术公开的另一个方面，提供了一种地区电力的负荷智能检测系统，其中，所述方法包括：数据采集模块，用于遍历预设区域的电力设备，采集多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值；偏离度计算模块，用于遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度；指标
类型筛选模块，用于根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标；样本序列生成模块，用于遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；概率集合确定模块，用于所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；模型训练模块，用于根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型；分解结果生成模块，用于将电力设备总负荷特征值和电力设备分布拓扑图输入所述负荷分解模型，生成电力负荷分解结果。
9.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：由于采用了遍历预设区域的电力设备，采集多组用电记录数据；遍历多组负荷指标类型和多组负荷指标记录值，计算类间偏离度，进行筛选，生成负荷特征样本指标，进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；多组电力设备样本状态序列包括转移概率集合，多组负荷指标样本特征值序列包括观测概率集合，基于隐马尔科夫链群，训练负荷分解模型，生成电力负荷分解结果，实现了针对负荷指标数据值与负荷指标类型，搭建负荷分解模型，提高电力负荷检测的精度，通过模型辅助，以电力负荷分解替代直接检测的方式，缩短确定电力负荷数据的需要时间周期长，提高电力负荷检测整体效率的技术效果。
10.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
11.图1为本技术实施例提供了一种地区电力的负荷智能检测方法可能的流程示意图；图2为本技术实施例提供了一种地区电力的负荷智能检测方法中类间偏离度计算可能的流程示意图；图3为本技术实施例提供了一种地区电力的负荷智能检测方法中负荷特征样本指标筛选可能的流程示意图；图4为本技术实施例提供了一种地区电力的负荷智能检测系统可能的结构示意图。
12.附图标记说明：数据采集模块100，偏离度计算模块200，指标类型筛选模块300，样本序列生成模块400，概率集合确定模块500，模型训练模块600，分解结果生成模块700。
具体实施方式
13.本技术提供的技术方案总体思路如下：本技术实施例提供了针对地区电力的负荷智能检测，考虑到侵入式负荷检测技术的检测效率与非侵入式负荷分解技术的误差，进行负荷指标类型分组，通过相同型号设备的样本，针对负荷指标数据值与负荷指标类型，搭建负荷分解模型，高效检测电力负荷。
14.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非
限制性的实施方式。
15.实施例一如图1所示，本技术实施例提供了一种地区电力的负荷智能检测方法，其中，所述方法包括：s10：遍历预设区域的电力设备，采集多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值；s20：遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度；具体而言，所述预设区域为目标负荷检测区域，用电记录数据即电力设备的使用日志，所述预设区域的电力设备可以是电驱动设备（简单来说就是以电为原动力的设备），所述多组用电记录数据与多个电力设备对应（几个电力设备，即对应几组用电记录数据），所述负荷指标类型包括但不限于有功功率、无功功率、电流有效值、电流幅值、电流波峰系数、v-i轨迹曲线、电流直流分量、三次谐波、五次谐波、七次谐波，负荷指标记录值，所述多组负荷指标记录值与所述多组负荷指标类型一一对应，所述类间偏离度即同一负荷指标类型的离散度；遍历预设区域的电力设备，采集电力设备的使用日志，获取多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值（若负荷指标类型为有功功率，对应的负荷指标记录值可以是35w，即某一个电力设备的有功功率为35w），遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度，为后续进行运算提供基础。
16.如图2所示，步骤s20包括步骤：s21：遍历所述多组负荷指标类型和所述多组负荷指标记录值进行整合，生成第n类型指标记录值集合，其中，所述第n类型指标记录值和所述预设区域的电力设备一一对应；s22：遍历所述第n类型指标记录值集合进行数据离散度评估，生成第n类型指标类间偏离度；s23：将所述第n类型指标类间偏离度添加进所述类间偏离度。
17.具体而言，遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度，具体包括：所述第n类型指标记录值和所述预设区域的电力设备一一对应，离散度评估即先计算两两记录值的差值、均值，再计算差值与均值的差异数据，以差值与均值之比（所述类型指标记录值包括第一有功功率为35w、第二有功功率为31w且均为某一个电力设备的使用日志所录入的数据信息，第一有功功率与第二有功功率的差值为4w、均值为33w，离散度即4/33=12.12%）作为离散度；通过预设区域的电力设备，遍历所述多组负荷指标类型和所述多组负荷指标记录值进行数据区分整理，生成第n类型指标记录值集合，其中，第n类型指标记录值集合的元素即多个第n类型指标记录值，所述第n类型指标记录值和所述预设区域的电力设备一一对应，有条理的进行数据整理，遍历所述第n类型指标记录值集合进行数据离散度评估，计算生成第n类型指标类间偏离度；将所述第n类型指标类间偏离度所添加进所述类间偏离度，为后续数据处理提供基础。
18.s30：根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本
指标；如图3所示，步骤s30包括步骤：s31：设定类间偏离度阈值；s32：根据所述类间偏离度，获取第n类型指标类间偏离度；s33：判断所述第n类型指标类间偏离度是否满足所述类间偏离度阈值；s34：若满足，将所述第n类型指标类间偏离度对应的第n类型指标添加进所述负荷特征样本指标。
19.具体而言，根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标，具体包括：所述负荷特征即反应用电设备运行状态的信息，所述类间偏离度阈值为一预设偏离度上限，所述第n类型指标类间偏离度满足所述类间偏离度阈值即第n类型指标类间偏离度超出类间偏离度阈值（所述第n类型指标类间偏离度不大于预设偏离度上限）；设定类间偏离度阈值（类间偏离度阈值用户自定义设定）；根据所述类间偏离度，进行数据离散度评估，获取第n类型指标类间偏离度；判断所述第n类型指标类间偏离度是否满足所述类间偏离度阈值；若所述第n类型指标类间偏离度满足所述类间偏离度阈值，将所述第n类型指标类间偏离度对应的第n类型指标添加进所述负荷特征样本指标，通过类间偏离度阈值限定，进行根据类间偏离度筛选，保证偏差满足用户需求提供支持，为用户定制化进行指标精度限定提供基础。
20.s40：遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；步骤s40还包括步骤：s41：根据所述预设区域的电力设备，获取第m电力设备，基于电力大数据，遍历所述负荷特征样本指标，采集同族设备用电记录数据；s42：根据所述同族设备用电记录数据，获取第n类型指标用电记录数据，其中，所述第n类型指标用电记录数据包括多组第m设备状态序列数据和多组第n类型指标特征值序列数据；s43：遍历所述多组第m设备状态序列数据进行状态转移概率评估，生成第m设备状态转移概率集合；s44：遍历所述多组第m设备状态序列数据和所述多组第n类型指标特征值序列数据进行观测概率评估，生成第m设备第n类型指标观测概率集合；s45：将所述第m设备状态转移概率集合添加进所述转移概率集合；将所述第m设备第n类型指标观测概率集合添加进所述观测概率集合。
21.具体而言，所述同族设备即与预设区域的电力设备相同型号的设备，进行状态转移概率，所述设备状态可以是正常状态、注意状态、异常状态和危险状态，所述设备状态序列即可以包括第一正常状态、第二正常状态等其他相关状态，所述严格频繁序列即依照时序分布进行频繁严格排布（设备状态变化进行时序排布后，可以确定设备状态序列，所述频繁严格排布示例性的，设备装备变化为正常状态
→
注意状态
→
正常状态，对应的设备状态序列包括第一正常状态、第二正常状态、第一注意状态，序列排布满足第一正常状态
→
第一注意状态
→
第二正常状态对应的规则，即进行严格频繁序列排布），所述类型指标特征值的
信息特征与类型指标记录值一致，所述第n类型指标用电记录数据包括多组第m设备状态序列数据和多组第n类型指标特征值序列数据；遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘（挖掘为常规数据获取方式，采用挖掘可以保证所得数据的专一性）与排布，生成多组电力设备样本状态序列（所述样本特指同族设备的指标数据）和多组负荷指标样本特征值序列，采用严格频繁序列挖掘，提高样本数据的精准度；根据所述预设区域的电力设备，获取第m电力设备（第m电力设备与预设区域的第m个电力设备的型号相同，即第m电力设备为预设区域的第m个电力设备的同族设备），基于电力大数据，以所述第m电力设备为标记检索信息，遍历所述负荷特征样本指标，采集同族设备用电记录数据；根据所述同族设备用电记录数据，获取第n类型指标用电记录数据，所述第n类型指标用电记录数据包括多组第m设备状态序列数据和多组第m设备的第n类型指标特征值序列数据（本技术实施例中，多组第m设备的第n类型指标特征值序列数据可以简称为多组第n类型指标特征值序列数据）；遍历所述多组第m设备状态序列数据进行状态转移概率评估计算，生成第m设备状态转移概率集合，将所述第m设备状态转移概率集合添加进所述转移概率集合；遍历所述多组第m设备状态序列数据和所述多组第n类型指标特征值序列数据进行观测概率评估计算，生成第m设备第n类型指标观测概率集合，将所述第m设备第n类型指标观测概率集合添加进所述观测概率集合，为进行电力负荷高精度检测提供稳定的数据支持。
22.步骤s43包括步骤：s431：获取状态序列支持度评定式：；，其中，表征第i组状态序列数据，表征第i组状态序列数据第t时刻的设备状态特征，i表征状态序列数据总组数，表征第i组从t时刻到t+l时刻的状态序列在中的出现频率，表征第i组从t时刻到t+l时刻的状态序列的支持度；s432：获取状态转移概率评定式：；，其中，表征从组数据中第i组数据对应的到对应的状态转移频率，表征从组数据中第i组数据对应的的出现频率；s433：根据所述状态序列支持度评定式，遍历所述多组第m设备状态序列数据进行支持度计算，生成多个状态序列支持度；s434：从所述多个状态序列支持度筛选最大值状态序列数据，设为第m设备状态样本序列数据；s435：根据所述第m设备状态样本序列数据和所述状态转移概率评定式，遍历所述多组第m设备状态序列数据进行转移概率计算，生成所述第m设备状态转移概率集合。
23.具体而言，遍历所述多组第m设备状态序列数据进行状态转移概率评估计算，生成第m设备状态转移概率集合，具体包括：经过多次验证推导整理，获取状态序列支持度评定式：；，其中，表征第i组状态序列数据，表征第i组状态序列数据第一时刻的设备状态特征，表征第i组状态
序列数据第t时刻的设备状态特征，i表征状态序列数据总组数，表征第i组从t时刻到t+l时刻的状态序列在中的出现频率，包括第i组状态序列数据的总组状态序列数据，表征第i组从t时刻到t+l时刻的状态序列的支持度；经过多次验证推导整理，获取状态转移概率评定式：；，其中，包括第i组状态序列数据的总组状态序列数据，表征从组数据中第i组数据对应的到对应的状态转移频率，表征从组数据中第i组数据对应的的出现频率，表征第i组从t时刻到t-l时刻的状态转移概率；根据所述状态序列支持度评定式，遍历所述多组第m设备状态序列数据，代入状态序列支持度评定式进行支持度计算，生成多个状态序列支持度；将多个状态序列支持度逐个输入比较单元，从所述多个状态序列支持度筛选最大值状态序列数据，输入下一个状态序列支持度，将筛选所得最大值状态序列数据设为第m设备状态样本序列数据；将多个状态序列支持度逐个输入比较单元，通过比较单元比较输入的状态序列支持度与历史状态序列支持度最大值，若输入的状态序列支持度小于或等于历史状态序列支持度最大值，输入下一个状态序列支持度；若输入的状态序列支持度大于历史状态序列支持度最大值，将所述历史状态序列支持度最大值从比较单元的暂存单元删去，将输入的状态序列支持度存储于比较单元的暂存单元，有且仅的，在所述多个状态序列支持度逐个完全输入比较单元后，所述暂存单元中存储数据仅增加一位，且暂存单元的新增存储数据为所述多个状态序列支持度的最大值状态序列数据；根据所述第m设备状态样本序列数据和所述状态转移概率评定式，遍历所述多组第m设备状态序列数据，将所述多组第m设备状态序列数据逐次代入状态转移概率评定式进行转移概率计算，生成所述第m设备状态转移概率集合，所述第m设备状态转移概率集合的元素包括多个第m设备状态转移概率，获取状态序列支持度评定式与状态转移概率评定式，为后续进行带入运算提供便捷。
24.步骤s44包括步骤：s441：获取观测概率评定式：；；，其中，表征第i组状态数据序列，表征第i组状态数据序列第t时刻的状态特征值，表征和一一对应的第j组第n类型负荷指标特征值序列，表征和相对应的第n类型指标特征值，表征在多组第m设备状态序列数据和多组第n类型指标特征值序列数据中从由导致的频率，表征的出现频率；s442：根据所述观测概率评定式，遍历所述多组第m设备状态序列数据和所述多组第n类型指标特征值序列数据进行观测概率评估，生成所述第m设备第n类型指标观测概率集合。
25.具体而言，遍历所述多组第m设备状态序列数据和所述多组第n类型指标特征值序列数据进行观测概率评估计算，生成第m设备第n类型指标观测概率集合，具体包括：经过多次验证推导整理，获取观测概率评定式：；；，其中，表征第i组状态数据序列，表征第i组状态数据序列第一时刻的状态特征值，表征第i组状态数据序列第t时刻的状态特征值，表征和一一对应的第j组第n类型负荷指标特征值序列，表征和相对应的第n类型指标特征值，表征和相对应的第n类型指标特征值，表征多组第m设备状态数据序列数据和多组第n类型负荷指标特征值序列数据（一般的，、表征在多组第m设备状态序列数据和多组第n类型指标特征值序列数据中从由导致的频率，表征的出现频率，表征在t时刻的第m设备第i组状态数据序列与第j组第n类型负荷指标特征值序列的观测概率；根据所述观测概率评定式，遍历所述多组第m设备状态序列数据和所述多组第n类型指标特征值序列数据，将所述多组第m设备状态序列数据和所述多组第n类型指标特征值序列数据依照对应关系（和的一一对应关系）逐次代入观测概率评定式进行观测概率评估，生成所述第m设备第n类型指标观测概率集合，所述第m设备第n类型指标观测概率集合的元素包括多个第m设备第n类型指标观测概率，获取观测概率评定式，为后续进行带入运算提供便捷。
26.s50：所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；s60：根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型；s70：将电力设备总负荷特征值和电力设备分布拓扑图输入所述负荷分解模型，生成电力负荷分解结果。
27.具体而言，所述第m设备状态转移概率集合的元素包括多个第m设备状态转移概率，由此可知，转移概率指的是不同状态间的转移概率；观测概率指的是不同状态下观测量的出现概率；所述多组电力设备样本状态序列包括转移概率集合，所述第m设备第n类型指标观测概率集合的元素包括多个第m设备第n类型指标观测概率，由此可知，所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；以隐马尔科夫链群为模型基础，根据所述转移概率集合和所述观测概率集合，训练负荷分解模型；将电力设备总负荷特征值和电力设备分布拓扑图作为输入数据，输入所述负荷分解模型，负荷分解模型输出电力负荷分解结果，为后续进行代入运算提供模型基础。
28.步骤s60包括步骤：s61：基于第n类型指标，根据第一电力设备、第一设备状态转移概率集合与第一设备第n类型指标观测概率集合，构建第一隐马尔科夫子链；s62：基于第n类型指标，根据所述第m电力设备、所述第m设备状态转移概率集合与所述第m设备第n类型指标观测概率集合，构建第m隐马尔科夫子链；
s63：将所述第一隐马尔科夫子链直到所述第m隐马尔科夫子链合并，生成第n类型指标隐马尔科夫链群；s64：获取第n类型指标观测总量记录数据、第n类型指标观测分量记录数据和电力设备分布拓扑记录数据；s65：根据所述第n类型指标观测总量记录数据、所述电力设备分布拓扑记录数据和所述第n类型指标观测分量记录数据对所述第n类型指标隐马尔科夫链群进行训练，生成第n类型负荷指标分解模型；s66：将所述第n类型负荷指标分解模型添加进所述负荷分解模型。
29.具体而言，以隐马尔科夫链群为模型基础，根据所述转移概率集合和所述观测概率集合，训练负荷分解模型，具体包括：所述第n类型指标为所述多组负荷指标类型中的任意一类型指标（第n类型指标可以是有功功率、无功功率、电流有效值、电流幅值或其他类型指标），所述第一电力设备为所述预设区域中的任意一电力设备，所述第一设备状态转移概率集合即第一电力设备的转移概率集合（第一设备状态转移概率集合与所述第m设备状态转移概率集合的数据类型一致），所述第一设备第n类型指标观观测概率集合即第一设备第n类型指标的观测概率集合（第一设备第n类型指标观观测概率集合与第m设备第n类型指标观测概率集合的数据类型一致），电力负荷总量即观测总量，用电设备的状态是隐含量（不同用电设备状态量之间的相关性，使用相关系数表征）；第n类型指标观测总量记录数据即预设区域的电力设备第n类型指标对应的电力负荷总量，第n类型指标观测分量记录数据即预设区域的电力设备第n类型指标对应的电力负荷分量（负荷有功分量与负荷无功分量的同相位相差，出现的电力负荷分量），所述电力设备分布拓扑记录数据即预设区域的电力设备分布拓扑图所对应的记录数据；基于第n类型指标，以隐马尔科夫子链为模型基础，根据第一电力设备、第一设备状态转移概率集合与第一设备第n类型指标观测概率集合，构建第一隐马尔科夫子链；重复上述步骤，基于第n类型指标，根据所述第m电力设备、所述第m设备状态转移概率集合与所述第m设备第n类型指标观测概率集合，构建第m隐马尔科夫子链，遍历上述操作，获取第一隐马尔科夫子链、
…
、所述第m隐马尔科夫子链；采用隐马尔科夫子链中的多条可能的隐含状态链的合并方式，将所述第一隐马尔科夫子链直到所述第m隐马尔科夫子链合并，生成第n类型指标隐马尔科夫链群；通过地区电力的负荷智能检测系统，进行数据提取，获取第n类型指标观测总量记录数据、第n类型指标观测分量记录数据和电力设备分布拓扑记录数据；遍历所述第n类型指标观测总量记录数据、所述电力设备分布拓扑记录数据和所述第n类型指标观测分量记录数据，对所述第n类型指标隐马尔科夫链群进行训练，在所述第n类型指标隐马尔科夫链群预测输出趋于稳定后，获取第n类型负荷指标分解模型；将所述第n类型负荷指标分解模型添加进所述负荷分解模型，根据因子隐马尔科夫对观测值进行分解，有效保证电力负荷分解过程的有效执行。
30.特别的，计算多个电力设备第n类型指标的关联性（就是其中一个变化，另一个跟着变化的两个电力设备，例如游戏机和显示器）（分别获取两个电力设备的特征，所述电力设备的特征包括耗电量、额定功耗等相关参数指标，所述两个电力设备的特征的变化规律的相关度即第n类型指标的关联性，相关度可以是正相关或负相关，正相关如：一个电力设
备耗电量增加，另一个电力设备耗电量亦增加），当关联性满足阈值（用户设定）时，则只需要根据其中一个构建一个马尔科夫链，然后将其对应的电力负荷总量依据二者关联的变化规律进行表征，以此减少隐马尔科夫子链数量，增加计算效率。
31.综上所述，本技术实施例所提供的一种地区电力的负荷智能检测方法及系统具有如下技术效果：1.由于采用了遍历预设区域的电力设备，采集多组用电记录数据；遍历多组负荷指标类型和多组负荷指标记录值，计算类间偏离度，进行筛选，生成负荷特征样本指标，进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；多组电力设备样本状态序列包括转移概率集合，多组负荷指标样本特征值序列包括观测概率集合，基于隐马尔科夫链群，训练负荷分解模型，生成电力负荷分解结果，本技术通过提供了一种地区电力的负荷智能检测方法及系统，实现了针对负荷指标数据值与负荷指标类型，搭建负荷分解模型，提高电力负荷检测的精度，通过模型辅助，以电力负荷分解替代直接检测的方式，缩短确定电力负荷数据的需要时间周期长，提高电力负荷检测整体效率的技术效果。
32.2.由于采用了构建第一隐马尔科夫子链；构建第m隐马尔科夫子链；进行隐马尔科夫子链合并，生成第n类型指标隐马尔科夫链群；获取第n类型指标观测总量记录数据、第n类型指标观测分量记录数据和电力设备分布拓扑记录数据，训练生成第n类型负荷指标分解模型；将第n类型负荷指标分解模型添加进负荷分解模型，根据因子隐马尔科夫对观测值进行分解，有效保证电力负荷分解过程的有效执行。
33.实施例二基于与前述实施例中一种地区电力的负荷智能检测方法相同的发明构思，如图4所示，本技术实施例提供了一种地区电力的负荷智能检测系统，其中，所述系统包括：数据采集模块100，用于遍历预设区域的电力设备，采集多组用电记录数据，其中，任意一组所述多组用电记录数据包括多组负荷指标类型和多组负荷指标记录值；偏离度计算模块200，用于遍历所述多组负荷指标类型和所述多组负荷指标记录值，计算类间偏离度；指标类型筛选模块300，用于根据所述类间偏离度对所述多组负荷指标类型进行筛选，生成负荷特征样本指标；样本序列生成模块400，用于遍历所述负荷特征样本指标，对所述预设区域的电力设备进行严格频繁序列挖掘，生成多组电力设备样本状态序列和多组负荷指标样本特征值序列；概率集合确定模块500，用于所述多组电力设备样本状态序列包括转移概率集合，所述多组负荷指标样本特征值序列包括观测概率集合；模型训练模块600，用于根据所述转移概率集合和所述观测概率集合，基于隐马尔科夫链群，训练负荷分解模型；分解结果生成模块700，用于将电力设备总负荷特征值和电力设备分布拓扑图输入所述负荷分解模型，生成电力负荷分解结果。
34.进一步的，所述系统包括：信息整合模块，用于遍历所述多组负荷指标类型和所述多组负荷指标记录值进行
整合，生成第n类型指标记录值集合，其中，所述第n类型指标记录值和所述预设区域的电力设备一一对应；离散度评估模块，用于遍历所述第n类型指标记录值集合进行数据离散度评估，生成第n类型指标类间偏离度；偏离度添加模块，用于将所述第n类型指标类间偏离度添加进所述类间偏离度。
35.进一步的，所述系统包括：偏离度阈值设定模块，用于设定类间偏离度阈值；类间偏离度获取模块，用于根据所述类间偏离度，获取第n类型指标类间偏离度；离度阈值判断模块，用于判断所述第n类型指标类间偏离度是否满足所述类间偏离度阈值；指标添加模块，用于若满足，将所述第n类型指标类间偏离度对应的第n类型指标添加进所述负荷特征样本指标。
36.进一步的，所述系统包括：电力设备获取模块，用于根据所述预设区域的电力设备，获取第m电力设备，基于电力大数据，遍历所述负荷特征样本指标，采集同族设备用电记录数据；记录数据获取模块，用于根据所述同族设备用电记录数据，获取第n类型指标用电记录数据，其中，所述第n类型指标用电记录数据包括多组第m设备状态序列数据和多组第n类型指标特征值序列数据；状态转移概率评估模块，用于遍历所述多组第m设备状态序列数据进行状态转移概率评估，生成第m设备状态转移概率集合；观测概率评估模块，用于遍历所述多组第m设备状态序列数据和所述多组第n类型指标特征值序列数据进行观测概率评估，生成第m设备第n类型指标观测概率集合；集合添加模块，用于将所述第m设备状态转移概率集合添加进所述转移概率集合；将所述第m设备第n类型指标观测概率集合添加进所述观测概率集合。
37.进一步的，所述系统包括：支持度评定计算模块，用于获取状态序列支持度评定式：；，其中，表征第i组状态序列数据，表征第i组状态序列数据第t时刻的设备状态特征，i表征状态序列数据总组数，表征第i组从t时刻到t+l时刻的状态序列在中的出现频率，表征第i组从t时刻到t+l时刻的状态序列的支持度；概率评定计算模块，用于获取状态转移概率评定式：；，其中，表征从组数据中第i组数据对应的到对应的状态转移频率，表征从组数据中第i组数据对应的的出现频率；支持度计算模块，用于根据所述状态序列支持度评定式，遍历所述多组第m设备状态序列数据进行支持度计算，生成多个状态序列支持度；支持度筛选模块，用于从所述多个状态序列支持度筛选最大值状态序列数据，设
为第m设备状态样本序列数据；转移概率计算模块，用于根据所述第m设备状态样本序列数据和所述状态转移概率评定式，遍历所述多组第m设备状态序列数据进行转移概率计算，生成所述第m设备状态转移概率集合。
38.进一步的，所述系统包括：概率评定计算模块，用于获取观测概率评定式：；；，其中，表征第i组状态数据序列，表征第i组状态数据序列第t时刻的状态特征值，表征和一一对应的第j组第n类型负荷指标特征值序列，表征和相对应的第n类型指标特征值，表征在多组第m设备状态序列数据和多组第n类型指标特征值序列数据中从由导致的频率，表征的出现频率；观测概率计算模块，用于根据所述观测概率评定式，遍历所述多组第m设备状态序列数据和所述多组第n类型指标特征值序列数据进行观测概率评估，生成所述第m设备第n类型指标观测概率集合。
39.进一步的，所述系统包括：第一构建模块，用于基于第n类型指标，根据第一电力设备、第一设备状态转移概率集合与第一设备第n类型指标观测概率集合，构建第一隐马尔科夫子链；第m构建模块，用于基于第n类型指标，根据所述第m电力设备、所述第m设备状态转移概率集合与所述第m设备第n类型指标观测概率集合，构建第m隐马尔科夫子链；信息链合并模块，用于将所述第一隐马尔科夫子链直到所述第m隐马尔科夫子链合并，生成第n类型指标隐马尔科夫链群；数据获取模块，用于获取第n类型指标观测总量记录数据、第n类型指标观测分量记录数据和电力设备分布拓扑记录数据；模型训练模块，用于根据所述第n类型指标观测总量记录数据、所述电力设备分布拓扑记录数据和所述第n类型指标观测分量记录数据对所述第n类型指标隐马尔科夫链群进行训练，生成第n类型负荷指标分解模型；分解模型添加模块，用于将所述第n类型负荷指标分解模型添加进所述负荷分解模型。
40.综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本技术实施例中的任一项方法，在此不做多余限制。
41.进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。