一种基站备电时长的管理方法和相关装置与流程

1.本技术实施例涉及通信技术领域，尤其涉及一种基站备电时长的管理方法和相关装置。


背景技术：

2.随着锂电池的使用越来越多，循环充放电安全性和可靠性越来越高，基站的供电系统中利用备电电池提供电力可以很好地降低停电带来的影响。
3.目前基站的备电电池均被大多数厂商设置为固定的备电时长，除去备电时长对应的电量以外，剩余的电量用于供电系统在电价低峰期用市电供电，供电系统发现电能超过负载需求时回馈电网，电价高峰期由电池组供电，用于节省电费。
4.由于备电时长的电量用于停电时应急，但是停电风险低，固定的备电时长的电量往往大于了停电时的需求电量，就是说固定的备电时长存在冗余电量，并且该冗余的电量不能用于错峰放电时使用，所以冗余电量变成了沉默资产，电池能用来错峰放电的时长就相对减少，因此导致电池在电价高峰期时放电的时长不能达到最大化，进而无法充分利用峰谷电价进行错峰用电节省电费，造成用电成本的浪费。


技术实现要素：

5.本技术实施例提供了一种基站备电时长的管理方法和相关装置，用于提高基站的备电时长的灵活性和准确性。
6.第一方面，本技术实施例提供了一种基站备电时长的管理方法。本技术实施例中，可以先基于基站的历史停电数据，确定初始停电时长信息。具体的，本技术实施例中基站备电时长的管理方法可以应用于网管服务器或云服务器来实现，即由服务器来获取基站的历史停电历史数据，并确定初始停电时长信息。进一步的，上述服务器，可以是独立的一个物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统中的其中一个服务器节点，具体此处不做限定。
7.本技术实施例中的初始停电时长信息，需要基于基站的历史停电数据来进行确定。应理解，在实际应用中，基站的历史停电数据越丰富、样本数量越多，该初始停电时长信息则更有价值。例如，用于历史停电数据采集的基站的数量越多，该初始停电时长信息则更有价值；又例如，在一定程度上，每个基站所采集的历史停电数据的时间跨度越长，该初始停电时长信息则更有价值，如采集每个基站过往3个月以内的历史停电数据，或者采集每个基站过往6个月以内的历史停电数据，甚至采集每个基站过往1年以内的历史停电数据。本技术实施例中，基站的历史停电数据可以包括与基站停电相关的各类数据，示例性的，历史停电数据可以包括基站的基础属性，如该基站是否为宏基站，该基站的价值等级是否为高等级，该基站是否处于市区等等，历史停电数据也还可以包括基站的历史停电特征，如该基站在过往3个月内，每一天是否停电，每次停电的时长，每一天的天气是否为恶劣天气，每一天是否为周末等等。
8.应理解，本技术实施例中，初始停电时长信息本质上指的是基于一个泛化的统计后所得到的普遍性的规律，即用于指示在不考虑各个基站的自身特性的情况下，基站的初始停电时长信息。其表现形式可以为基站的停电时长的概率分布，即指示基站的停电时长处于各个停电时长区间的概率，或者，还可以有其他的表现形式，例如初始停电时长信息可以是经过泛化的统计后所得到的一个具体数值(例如停电时长为1小时)等等，具体此处不做限定。
9.可以理解的是，不同的基站之间的历史停电数据(如基础属性或历史停电特征)大多数都是不相同的，而本技术实施例中的初始停电时长信息，是基于一个泛化的计算方法所得到的，并没有针对每个基站的特性，来做出适应性调整。由于所获取到的历史停电数据是多个维度的，对此，本技术实施例中，针对历史停电数据中的每一类型的数据，都计算其对于基站的停电时长的影响。具体的，首先对所获取到的历史停电数据中的每一类型的数据进行归纳，得到本技术实施例中的与基站的停电时长相关的多个第一参数，则每一个第一参数对应历史停电数据中的一种类型的数据。
10.本技术实施例中，在确定目标基站对应的第二参数之前，应当先确定出每个第一参数对应的第二参数，然后才能将目标基站的目标数据与第一参数进行匹配，从而获取出与该目标基站相关的第二参数。进一步的，根据初始停电时长信息以及与该目标基站的停电时长相关的第二参数，来确定针对于目标基站的目标停电时长信息，并根据目标停电时长信息确定目标基站的备电时长。对此，该备电时长适应了目标基站的特性，则更加准确。
11.本技术实施例中，获取初始停电时长信息，初始停电时长信息为通过基站的历史停电数据得到的；根据预设的多个与基站的停电时长相关的第一参数和目标基站的目标数据确定目标基站对应的第二参数；根据第二参数和初始停电时长信息，确定目标基站的目标停电时长信息；根据目标停电时长信息确定目标基站的备电时长。通过上述方式，根据初始停电时长以及每个基站各自的目标数据，来确定针对于该基站的目标停电时长信息及备电时长，从而适应了每个基站的特性，使得基站的备电时长的配置更加灵活和准确。
12.基于第一方面，一种可选的实施方式中，在确定初始停电时长信息之前，可以预设多个停电时长区间，例如可以配置停电时长区间分别为[0，0.5)，[0.5，1)，[1，1.5)，[1.5，2)，[2，24]，又例如，也可以配置停电时长区间分别为[0，1)，[1，2)，[2，3)，[3，4)，[4，24]，在实际应用中，对于上述停电时长区间的数量和时间跨度等等，可以根据实际的应用场景进行自定义配置，具体此处不做限定。
[0013]
以停电时长区间分别为[0，0.5)，[0.5，1)，[1，1.5)，[1.5，2)，[2，24]为例，历史停电数据中有10000个停电样本。其中，有8000个停电样本的停电时长处于[0，0.5)的停电时长区间、有1000个停电样本的停电时长处于[0.5，1)的停电时长区间、有500个停电样本的停电时长处于[1，1.5)的停电时长区间、有300个停电样本的停电时长处于[1.5，2)的停电时长区间以及有200个停电样本的停电时长处于[2，24)的停电时长区间。则相应的，由于初始停电时长信息包括了基站的停电时长处于各个停电时长区间的概率，即初始停电时长指示了：基站的停电时长处于[0，0.5)区间的概率为80％、基站的停电时长处于[0.5，1)区间的概率为10％、基站的停电时长处于[1，1.5)区间的概率为5％、基站的停电时长处于[1.5，2)区间的概率为5％以及基站的停电时长处于[2，24)区间的概率为2％。
[0014]
基于第一方面，一种可选的实施方式中，在确定目标基站对应的第二参数之前，应
当先确定出每个第一参数对应的第二参数，然后才能将目标基站的目标数据与第一参数进行匹配，从而获取出与该目标基站相关的第二参数。具体的，需要将各个类型的第一参数划分成两个不同的类别。为了便于后续的运算，示例性的，若某个样本属于宏基站，则将该样本针对于“基站是否是宏基站”的这一个第一参数的值标记为“1”，若不属于宏基站，则将该样本针对于“基站是否是宏基站”的这一个第一参数的值标记为“0”；对于连续性变量，如人口数量、风力大小、气温和历史停电频率等信息，可以使用寻找最优分隔点二分类的方式进行划分。
[0015]
在选定好各个第一参数的分割点之后，便可以针对每一个第一参数，分别计算基站在满足一个第一参数的情况下，所对应的分类停电时长信息，其中，每个分类停电时长信息用于指示基站在该第一参数的影响下，停电时长处于各个停电时长区间的概率。示例性的，针对“气温”这一第一参数，假设按照上文中以“气温是否达到25摄氏度”以上为分割点，那么确定“气温”这一第一参数所对应的分类停电时长信息的方法为：筛选出历史停电数据的样本中，满足“气温达到25摄氏度以上”的这一第一参数的样本，并计算其停电时长处于各个停电时长区间的概率。例如，在历史停电数据的12000个样本中，满足“气温达到25摄氏度以上”的样本数量为8000个，这8000个样本中，有6000个停电样本的停电时长处于[0，0.5)的停电时长区间，有1000个停电样本的停电时长处于[0.5，1)的停电时长区间，则针对“气温”这个第一参数，其对应的分类时长信息指示了：在气温达到25摄氏度以上的影响下，基站的停电时长处于[0，0.5)区间的概率为75％，基站的停电时长处于[0.5，1)区间的概率为12.5％。
[0016]
在计算出多个第一参数对应的多个分类停电时长信息之后，便可以根据初始停电时长信息与多个分类停电时长信息来确定多个第二参数，其中，每个第二参数分别对应一种第一参数，每个第二参数用于指示一种第一参数对于初始停电时长信息的影响值，即每个第二参数指示的是基站在一种第一参数的影响下停电时长处于各个停电时长区间的概率，与初始停电时长信息中基站的停电时长处于各个停电时长区间的概率之间的差异大小，也可以认为，每个第二参数指示的是一种第一参数对应的分类停电时长信息与初始停电时长信息之间的差异。
[0017]
基于第一方面，一种可选的实施方式中，该目标停电时长信息可以包括目标基站的停电时长处于每个停电时长区间的概率，则可以根据目标停电时长信息中确定出其中一个停电时长区间为目标停电时长区间。
[0018]
在实际应用中，若将基站的备电时长配置为其中一个停电时长区间内的范围时，那么该备电时长也可以满足所有的停电时长小于这个备电时长的情况。示例性的，假设将基站的备电时长配置为上述[0.5，1)的停电时长区间(概率为10％)，那么针对于[0，0.5)的停电时长区间(概率为80％)所发生的停电时长，该备电时长也都是可以满足的的，因此可以认为，[0.5，1)的停电时长区间可以满足80％ 10％＝90％的停电时长情况。例如，基站的备电时长配置为[0.5，1)的停电时长区间中的0.8小时，那么针对于[0，0.5)的停电时长区间的所有停电时长情况(如停电0.3小时或停电0.2小时)，这个0.8小时的备电时长都是可以覆盖的。
[0019]
进一步的，为了便于描述，本技术实施例中将每个停电时长区间的概率与小于它的停电时长区间的概率进行累加，来作为该停电时长区间的覆盖概率。每个停电时长区间
的覆盖概率，指示了将目标基站的备电时长配置为当前停电时长区间时，所能够覆盖的停电时长情况的概率。示例性的，假设10000个停电样本经过初步统计，基站的停电时长处于[0，0.5)区间的概率为80％，处于[0.5，1)区间的概率为10％，处于[1，1.5)区间的概率为5％，处于[1.5，2)区间的概率为3％，处于[2，24]区间的概率为2％。本技术实施例中，可以将每个停电时长区间的概率与小于它的停电时长区间的概率进行累加，来作为该停电时长区间的覆盖概率。则各个停电时长区间的覆盖概率分别为：[0，0.5)区间的覆盖概率为80％，[0.5，1)区间的覆盖概率为90％(80％ 10％)，[1，1.5)区间的覆盖概率为95％(80％ 10％ 5％)，[1.5，2)区间的覆盖概率为98％(80％ 10％ 5％ 3％)，[2，24]区间的覆盖概率为100％(80％ 10％ 5％ 3％ 2％)。
[0020]
在基于目标停电时长信息来获取到每个停电时长区间的覆盖概率之后，可以通过预设的概率阈值来对目标停电时长区间进行筛选确定。具体的，该筛选的原则可以为：目标停电时长区间的覆盖概率为所有停电时长区间的覆盖概率中，与预设的概率阈值最接近的一个，且该目标停电时长区间的覆盖概率大于或等于概率阈值。示例性的，假设多个停电时长区间区间的覆盖概率分别为85％、90％、94％、98％和100％，且预设的概率阈值为95％，那么由于98％大于或等于95％，且与95％最为接近，则选择概率为98％所对应停电时长区间为目标停电时长区间。
[0021]
在实际应用中，本技术实施例中“预设的概率阈值”可以是基于每个基站来单独配置的，例如，对于价值等级较高的基站，或者位于市区的基站，其可靠性的要求较高，因此可以为其配置一个较高的概率阈值，从而选定出更为稳妥的停电时长区间来作为目标停电时长区间，覆盖更大范围的停电时长，提高基站备电时长的可靠性。另一方面，也可以对所有的基站都采用统一的概率阈值，简化备电时长的推荐流程，提高备电时长的管理的效率。
[0022]
在确定出目标停电时长区间之后，即可以以该目标停电时长区间的其中一个停电时长作为目标基站的备电时长。本实施例中，根据初始停电时长以及每个基站各自的目标数据，来确定针对于该基站的目标停电时长信息及备电时长，从而适应了每个基站的特性，使得基站的备电时长的配置更加灵活和准确。
[0023]
基于第一方面，一种可选的实施方式中，可以选定目标停电时长区间中的最大值为备电时长，从而提高基站的备电时长的可靠性。
[0024]
基于第一方面，一种可选的实施方式中，可以选定目标停电时长区间中的最大值为备电时长，从而提高基站的备电时长的效益。
[0025]
第二方面，本技术实施例提供了一种备电时长管理装置，其特征在于，包括：
[0026]
获取单元，用于获取初始停电时长信息，初始停电时长信息为通过基站的历史停电数据得到的；
[0027]
确定单元，用于根据预设的多个与基站的停电时长相关的第一参数和目标基站的目标数据确定目标基站对应的第二参数；
[0028]
确定单元，还用于根据第二参数和初始停电时长信息，确定目标基站的目标停电时长信息；
[0029]
确定单元，还用于根据目标停电时长信息确定目标基站的备电时长。
[0030]
基于第二方面，一种可选的实施方式中，获取单元具体用于：
[0031]
获取基站的历史停电数据以及预设的多个停电时长区间；
[0032]
根据历史停电数据确定初始停电时长信息，初始停电时长信息包括基站的停电时长处于每个停电时长区间的概率。
[0033]
基于第二方面，一种可选的实施方式中，目标停电时长信息包括目标基站的停电时长处于每个停电时长区间的概率。
[0034]
基于第二方面，一种可选的实施方式中，确定单元，还用于根据历史停电数据，确定多个第一参数对应的多个分类停电时长信息，每个分类停电时长信息用于指示基站在一种第一参数的影响下，停电时长处于每个停电时长区间的概率；
[0035]
确定单元，还用于根据初始停电时长信息与多个分类停电时长信息确定多个第二参数，每个第二参数用于指示一种第一参数对于初始停电时长信息的影响值。
[0036]
基于第二方面，一种可选的实施方式中，确定单元具体用于：
[0037]
根据目标停电时长信息确定目标基站的目标停电时长区间；
[0038]
确定目标停电时长区间中的一个停电时长为目标基站的备电时长。
[0039]
基于第二方面，一种可选的实施方式中，备电时长为目标停电时长区间中的最大值。
[0040]
基于第二方面，一种可选的实施方式中，备电时长为目标停电时长区间中的最小值。
[0041]
第三方面，本发明实施例提供了一种计算机设备，包括存储器、通信接口及与所述存储器和通信接口耦合的处理器；所述存储器用于存储指令，所述处理器用于执行所述指令，所述通信接口用于在所述处理器的控制下与其他设备进行通信；其中，所述处理器执行所述指令时执行上述任一方面所述的基站备电时长的管理方法。
[0042]
第四方面，本技术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中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述任一方面所述的基站备电时长的管理方法。
[0043]
第五方面，本技术实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，当其在计算机上运行时，使得计算机执行上述任一方面所述的基站备电时长的管理方法。
[0044]
从以上技术方案可以看出，本技术实施例具有以下优点：
[0045]
本技术公开了一种基站备电时长的管理方法，获取初始停电时长信息，初始停电时长信息为通过基站的历史停电数据得到的；根据预设的多个与基站的停电时长相关的第一参数和目标基站的目标数据确定目标基站对应的第二参数；根据第二参数和初始停电时长信息，确定目标基站的目标停电时长信息；根据目标停电时长信息确定目标基站的备电时长。通过上述方式，根据初始停电时长以及每个基站各自的目标数据，来确定针对于该基站的目标停电时长信息及备电时长，从而适应了每个基站的特性，使得基站的备电时长的配置更加灵活和准确。
附图说明
[0046]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据
提供的附图获得其他的附图。
[0047]
图1为基站的备电时长的应用场景示意图；
[0048]
图2为现有技术中基站的电池备电方案示意图；
[0049]
图3为本技术实施例中基站备电时长的管理方法的流程示意图；
[0050]
图4为本技术实施例中确定出多个第一参数对应的第二参数的流程示意图；
[0051]
图5为本技术实施例中基站备电时长的管理方法的系统框架示意图；
[0052]
图6为本技术实施例中基站备电时长的管理方法的另一种系统框架示意图；
[0053]
图7为本技术实施例提供的一种备电时长管理装置的结构示意图；
[0054]
图8为本技术实施例提供的计算机设备一种结构示意图。
具体实施方式
[0055]
本技术实施例提供了一种基站备电时长的管理方法和相关装置，用于提高基站的备电时长的灵活性和准确性。
[0056]
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释，而非旨在限定本发明。本领域普通技术人员可知，随着技术的发展和新场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0057]
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0058]
为了便于理解，下面首先对本技术实施例中所涉及的应用场景进行介绍。
[0059]
目前基站的备电电池均被大多数厂商设置为固定的备电时长，除去备电时长对应的电量以外，剩余的电量用于供电系统在电价低峰期用市电供电，供电系统发现电能超过负载需求时回馈电网，电价高峰期由电池组供电，用于节省电费。
[0060]
请参阅图1，图1为基站的备电时长的应用场景示意图。如图1所示，由于备电时长的电量用于停电时应急，但是停电风险低，固定的备电时长的电量往往大于了停电时的需求电量，就是说固定的备电时长存在冗余电量，并且该冗余的电量不能用于错峰放电时使用，所以冗余电量变成了沉默资产，电池能用来错峰放电的时长就相对减少，因此导致电池在电价高峰期时放电的时长不能达到最大化，进而无法充分利用峰谷电价进行错峰用电节省电费，造成用电成本的浪费。
[0061]
针对上述情况，现有技术中，提出了相应的基站的电池备电方案。请参阅图2，图2为现有技术中基站的电池备电方案示意图。如图2所示，该方法主要根据基站的当前状态去预测该基站是否会停电，利用与停电故障高度相关的特征作为初始故障特征，基于停电故障样本，获取输电线故障、雷电故障以及负荷不均衡故障特征数据，针对不同的故障建立差分整合移动平均自回归(auto regressive integrated moving average,arima)模型，得
到相应的故障因子值。基于初始故障特征，采用循环神经网络(recurrent neural network,rnn)构建停电故障预测深层模型，从而预测出基站是否停电，并进一步地选择基站电池的备电时长。
[0062]
然而，上述基站的电池备电方案方法仅仅是基于基站是否停电来选择备电时长，方案的灵活性较差，所确定的备电时长不够精确。
[0063]
有鉴于此，本技术实施例提供了一种基站备电时长的管理方法，用于提高基站的备电时长的灵活性和准确性。请参阅图3，图3为本技术实施例中基站备电时长的管理方法的流程示意图，如图3所示，本技术实施例中基站备电时长的管理方法包括：
[0064]
201.获取初始停电时长信息。
[0065]
本技术实施例中，可以基于基站的历史停电数据，确定初始停电时长信息。具体的，本技术实施例中基站备电时长的管理方法可以应用于网管服务器或云服务器来实现，即由服务器来获取基站的历史停电历史数据，并确定初始停电时长信息。进一步的，上述服务器，可以是独立的一个物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统中的其中一个服务器节点，具体此处不做限定。
[0066]
本技术实施例中的初始停电时长信息，需要基于基站的历史停电数据来进行确定。应理解，在实际应用中，基站的历史停电数据越丰富、样本数量越多，该初始停电时长信息则更有价值。例如，用于历史停电数据采集的基站的数量越多，该初始停电时长信息则更有价值；又例如，在一定程度上，每个基站所采集的历史停电数据的时间跨度越长，该初始停电时长信息则更有价值，如采集每个基站过往3个月以内的历史停电数据，或者采集每个基站过往6个月以内的历史停电数据，甚至采集每个基站过往1年以内的历史停电数据。本技术实施例中，基站的历史停电数据可以包括与基站停电相关的各类数据，示例性的，历史停电数据可以包括基站的基础属性，如该基站是否为宏基站，该基站的价值等级是否为高等级，该基站是否处于市区等等，历史停电数据也还可以包括基站的历史停电特征，如该基站在过往3个月内，每一天是否停电，每次停电的时长，每一天的天气是否为恶劣天气，每一天是否为周末等等。
[0067]
服务器在确定初始停电时长信息之前，可以预设多个停电时长区间，例如可以配置停电时长区间分别为[0，0.5)，[0.5，1)，[1，1.5)，[1.5，2)，[2，24]，又例如，也可以配置停电时长区间分别为[0，1)，[1，2)，[2，3)，[3，4)，[4，24]。在实际应用中，对于上述停电时长区间的数量和时间跨度等等，可以根据实际的应用场景进行自定义配置，具体此处不做限定。
[0068]
服务器在获取基站的历史停电数据以及预设的多个停电时长区间之后，统计所获取到的历史停电数据的样本中，基站的停电时长处于各个停电时长时间的概率。示例性的，请参阅如下表1，表1为初始停电时长信息的一种计算示例。
[0069]
停电时长区间[0，0.5)[0.5，1)[1，1.5)[1.5，2)[2，24]停电样本80001000500300200初始停电时长信息80％10％5％3％2％
[0070]
表1
[0071]
如表1所示，以停电时长区间分别为[0，0.5)，[0.5，1)，[1，1.5)，[1.5，2)，[2，24]为例，历史停电数据中有10000个停电样本。其中，有8000个停电样本的停电时长处于[0，
0.5)的停电时长区间、有1000个停电样本的停电时长处于[0.5，1)的停电时长区间、有500个停电样本的停电时长处于[1，1.5)的停电时长区间、有300个停电样本的停电时长处于[1.5，2)的停电时长区间以及有200个停电样本的停电时长处于[2，24)的停电时长区间。则相应的，由于初始停电时长信息包括了基站的停电时长处于各个停电时长区间的概率，即初始停电时长指示了：基站的停电时长处于[0，0.5)区间的概率为80％、基站的停电时长处于[0.5，1)区间的概率为10％、基站的停电时长处于[1，1.5)区间的概率为5％、基站的停电时长处于[1.5，2)区间的概率为5％以及基站的停电时长处于[2，24)区间的概率为2％。
[0072]
应理解，本技术实施例中，初始停电时长信息本质上指的是基于一个泛化的统计后所得到的普遍性的规律，即用于指示在不考虑各个基站的自身特性的情况下，基站的初始停电时长信息。在实际应用中，初始停电时长信息除了用于指示基站的停电时长处于各个停电时长区间的概率之外，还可以有其他的表现形式，例如初始停电时长信息可以是经过泛化的统计后所得到的一个具体数值(例如停电时长为1小时)等等，具体此处不做限定。
[0073]
202.根据预设的多个与基站的停电时长相关的第一参数和目标基站的目标数据确定目标基站对应的第二参数。
[0074]
可以理解的是，不同的基站之间的历史停电数据(如基础属性或历史停电特征)大多数都是不相同的，而步骤201中所获取的初始停电时长信息，是基于一个泛化的计算方法所得到的，并没有针对每个基站的特性，来做出适应性调整。而所获取到的历史停电数据是多个维度的，对此，本技术实施例中，针对历史停电数据中的每一类型的数据，都计算其对于基站的停电时长的影响。具体的，首先对所获取到的历史停电数据中的每一类型的数据进行归纳，得到本技术实施例中的与基站的停电时长相关的多个第一参数，则每一个第一参数对应历史停电数据中的一种类型的数据。
[0075]
本技术实施例中，在确定目标基站对应的第二参数之前，应当先确定出每个第一参数对应的第二参数，然后才能将目标基站的目标数据与第一参数进行匹配，从而获取出与该目标基站相关的第二参数。为了便于理解，请参阅图4，图4为本技术实施例中确定出多个第一参数对应的第二参数的流程示意图。如图4所示，本技术实施例中确定出多个第一参数对应的第二参数的流程包括：
[0076]
2021.确定每个第一参数的分割点。
[0077]
本技术实施例中，第一参数具体可以是离散变量或者连续性变量，对于离散型变量，如前一天是否停电，预测日是否是周末，基站是否是宏基站，是否发生恶劣天气等因素纳入考虑，将各个类型的第一参数划分成两个不同的类别。为了便于后续的运算，示例性的，若某个样本属于宏基站，则将该样本针对于“基站是否是宏基站”的这一个第一参数的值标记为“1”，若不属于宏基站，则将该样本针对于“基站是否是宏基站”的这一个第一参数的值标记为“0”；对于连续性变量，如人口数量、风力大小、气温和历史停电频率等信息，可以使用寻找最优分隔点二分类的方式进行划分。例如可使用网格搜索法，利用方差分析(analysis of variance，anova)计算在不同分隔点下该第一参数的f值，从而判定当前分隔点是否合适，最终选择f值最大且p值小于0.05(即表示该第一参数在该分隔点下的影响最为显著)的分隔点作为最终分隔点。统计量其中
和分别是组间和组内离差，这个统计量服从f(r-1,n-r)，式中n是样本总量，r是类别数。例如，经过网格搜索法，发现当以气温达到25摄氏度以上作为分割点时，满足f值最大且p值小于0.05，则确定“气温”的这一第一参数，应当以“气温是否达到25摄氏度以上”作为分割点，从而实现将连续变量转换为离散型变量。
[0078]
2022.确定每个第一参数对应的分类停电时长信息。
[0079]
在选定好各个第一参数的分割点之后，便可以针对每一个第一参数，分别计算基站在满足一个第一参数的情况下，所对应的分类停电时长信息，其中，每个分类停电时长信息用于指示基站在该第一参数的影响下，停电时长处于各个停电时长区间的概率。示例性的，针对“气温”这一第一参数，假设按照上文中以“气温是否达到25摄氏度”以上为分割点，那么确定“气温”这一第一参数所对应的分类停电时长信息的方法为：筛选出历史停电数据的样本中，满足“气温达到25摄氏度以上”的这一第一参数的样本，并计算其停电时长处于各个停电时长区间的概率。例如，在历史停电数据的12000个样本中，满足“气温达到25摄氏度以上”的样本数量为8000个，这8000个样本中，有6000个停电样本的停电时长处于[0，0.5)的停电时长区间，有1000个停电样本的停电时长处于[0.5，1)的停电时长区间，则针对“气温”这个第一参数，其对应的分类时长信息指示了：在气温达到25摄氏度以上的影响下，基站的停电时长处于[0，0.5)区间的概率为75％，基站的停电时长处于[0.5，1)区间的概率为12.5％。
[0080]
2023.根据初始停电时长信息与多个分类停电时长信息确定多个第二参数。
[0081]
在计算出多个第一参数对应的多个分类停电时长信息之后，便可以根据初始停电时长信息与多个分类停电时长信息来确定多个第二参数，其中，每个第二参数分别对应一种第一参数，每个第二参数用于指示一种第一参数对于初始停电时长信息的影响值，即每个第二参数指示的是基站在一种第一参数的影响下停电时长处于各个停电时长区间的概率，与初始停电时长信息中基站的停电时长处于各个停电时长区间的概率之间的差异大小，也可以认为，每个第二参数指示的是一种第一参数对应的分类停电时长信息与初始停电时长信息之间的差异。应理解，这种差异，应当是区分正负值的。示例性的，假设在计算初始停电时长信息的方式中，以将当前停电时长区间的概率值与在先的停电时长区间的概率值进行累加，来作为当前停电时长区间的最终的概率值。具体的，请参阅如下表2，表2为第二参数的一种计算示例。
[0082] [0，0.5)[0.5，1)[1，1.5)[1.5，2)[2，24]初始停电时长信息80％10％5％3％2％分类停电时长信息85％5％3％4％3％第二参数-5％5％2％-1％-1％
[0083]
表2
[0084]
如表2所示，初始停电时长信息中，基站的停电时长处于[0，0.5)区间的概率为80％，处于[0.5，1)区间的概率为10％，处于[1，1.5)区间的概率为5％，处于[1.5，2)区间的概率为3％，处于[2，24]区间的概率为2％，而针对“气温”这一第一参数对应的分类停电时
长信息中，基站的停电时长处于[0，0.5)区间的概率为85％，处于[0.5，1)区间的概率为5％，处于[1，1.5)区间的概率为3％，处于[1.5，2)区间的概率为4％，处于[2，24]区间的概率为3％，那么计算针对“气温”这一第一参数对应的分类停电时长信息与初始停电时长信息之间的差异，得到[0，0.5)区间的概率差异为80％-85％＝-5％，[0.5，1)区间的概率差异为10％-5％＝-5％，[1，1.5)区间的概率差异为5％-3％＝2％，[1.5，2)区间的概率差异为3％-4％＝-1％，[2，24]区间的概率差异为2％-3％＝-1％，因此，“气温”这一第一参数所对应的第二参数为(-5％，5％，2％，-1％，-1％)。
[0085]
因此，本技术实施例中，针对于历史停电数据中的每个第一参数，都需要先确定出与该第一参数对应的第二参数，从而得到该第一参数对于初始停电时长信息的影响值。
[0086]
在确定出各个第二参数之后，便可以将目标基站的目标数据与第一参数进行匹配，依据每个第一参数的分割点，来确定该目标基站是否需要计算该第一参数对于目标基站的停电时长的影响，若需要，则获取出与该第一参数对应的第二参数，从而得到与目标基站相关的第二参数。具体的，当该目标基站的目标数据满足某个第一参数的分割点，则确定该目标基站需要计算该第一参数对于目标基站的停电时长的影响，从而获取与该第一参数对应的第二参数，当该目标基站的目标数据不满足某个第一参数的分割点，则确定该目标基站不需要计算该第一参数对于目标基站的停电时长的影响，从而不需要获取与该第一参数对应的第二参数。具体的，请参阅如下表3，表3为目标基站的目标数据与第一参数进行匹配的一种示例。
[0087] 第一参数a第一参数b第一参数c第一参数d第一参数e目标基站11010
[0088]
表3
[0089]
如表3所示，经过目标基站的目标数据与多个第一参数的匹配，目标基站满足了其中第一参数a、第一参数b和第一参数d的分割点，而不满足第一参数c和第一参数e的分割点。相应的，则需要计算第一参数a、第一参数b和第一参数d对于目标基站的停电时长的影响，即需要获取第一参数a对应的第二参数、第一参数b对应的第二参数和第一参数d对应的第二参数。
[0090]
进一步的，以“气温”这一第一参数的分割点为“气温达到25摄氏度以上”为例，在计算该第一参数对应的第二参数时，是以满足“气温达到25摄氏度以上”的停电样本进行统计的。因此，在后续的匹配流程中，若目标基站的目标数据中针对气温的数据为28度，说明该目标基站与第一参数是匹配的，应当计算该第一参数对于目标基站的停电时长的影响，则需要获取出与该第一参数对应的第二参数。另一方面，若目标基站的目标数据中针对气温的数据为20度，说明该目标基站与第一参数是不匹配的，无需计算该第一参数对于目标基站的停电时长的影响，则不需要获取出与该第一参数对应的第二参数，因为该第一参数对应的第二参数与目标基站是不相关的。
[0091]
203.根据第二参数和初始停电时长信息，确定目标基站的目标停电时长信息。
[0092]
本技术实施例中，初始停电时长信息本质上指的是基于一个泛化的统计后所得到的普遍性的规律，即指示在不考虑各个基站的自身特性的情况下，一个较为泛化的停电时长信息。而本技术中的第二参数，则指示了第一参数对于初始停电时长信息的影响值，经过目标基站的目标数据与多个第一参数的匹配，从而确定出所有第二参数中与该目标基站的
停电时长相关的第二参数。进一步的，根据初始停电时长信息以及与该目标基站的停电时长相关的第二参数，来确定针对于目标基站的目标停电时长信息。对此，该目标停电时长信息则适应了目标基站的特性，则更加准确。
[0093]
204.根据目标停电时长信息确定目标基站的备电时长。
[0094]
本技术实施例中，该目标停电时长信息可以包括目标基站的停电时长处于每个停电时长区间的概率，则可以根据目标停电时长信息中确定出其中一个停电时长区间为目标停电时长区间。
[0095]
在实际应用中，若将基站的备电时长配置为其中一个停电时长区间内的范围时，那么该备电时长也可以满足所有的停电时长小于这个备电时长的情况。示例性的，假设将基站的备电时长配置为上述[0.5，1)的停电时长区间(概率为10％)，那么针对于[0，0.5)的停电时长区间(概率为80％)所发生的停电时长，该备电时长也都是可以满足的的，因此可以认为，[0.5，1)的停电时长区间可以满足80％ 10％＝90％的停电时长情况。例如，基站的备电时长配置为[0.5，1)的停电时长区间中的0.8小时，那么针对于[0，0.5)的停电时长区间的所有停电时长情况(如停电0.3小时或停电0.2小时)，这个0.8小时的备电时长都是可以覆盖的。
[0096]
进一步的，为了便于描述，本技术实施例中将每个停电时长区间的概率与小于它的停电时长区间的概率进行累加，来作为该停电时长区间的覆盖概率。每个停电时长区间的覆盖概率，指示了将目标基站的备电时长配置为当前停电时长区间时，所能够覆盖的停电时长情况的概率。示例性的，请参阅如下表4，表4为本技术实施例中停电时长区间的覆盖概率的一种计算示例。
[0097]
停电时长区间[0，0.5)[0.5，1)[1，1.5)[1.5，2)[2，24]停电样本80001000500300200初始停电时长信息80％10％5％3％2％覆盖概率80％90％95％98％100％
[0098]
表4
[0099]
如表4所示，10000个停电样本经过初步统计，基站的停电时长处于[0，0.5)区间的概率为80％，处于[0.5，1)区间的概率为10％，处于[1，1.5)区间的概率为5％，处于[1.5，2)区间的概率为3％，处于[2，24]区间的概率为2％。本技术实施例中，可以将每个停电时长区间的概率与小于它的停电时长区间的概率进行累加，来作为该停电时长区间的覆盖概率。则各个停电时长区间的覆盖概率分别为：[0，0.5)区间的覆盖概率为80％，[0.5，1)区间的覆盖概率为90％(80％ 10％)，[1，1.5)区间的覆盖概率为95％(80％ 10％ 5％)，[1.5，2)区间的覆盖概率为98％(80％ 10％ 5％ 3％)，[2，24]区间的覆盖概率为100％(80％ 10％ 5％ 3％ 2％)。
[0100]
在基于目标停电时长信息来获取到每个停电时长区间的覆盖概率之后，可以通过预设的概率阈值来对目标停电时长区间进行筛选确定。具体的，该筛选的原则可以为：目标停电时长区间的覆盖概率为所有停电时长区间的覆盖概率中，与预设的概率阈值最接近的一个，且该目标停电时长区间的覆盖概率大于或等于概率阈值。示例性的，假设多个停电时长区间区间的覆盖概率分别为85％、90％、94％、98％和100％，且预设的概率阈值为95％，那么由于98％大于或等于95％，且与95％最为接近，则选择概率为98％所对应停电时长区
间为目标停电时长区间。
[0101]
在实际应用中，本技术实施例中“预设的概率阈值”可以是基于每个基站来单独配置的，例如，对于价值等级较高的基站，或者位于市区的基站，其可靠性的要求较高，因此可以为其配置一个较高的概率阈值，从而选定出更为稳妥的停电时长区间来作为目标停电时长区间，覆盖更大范围的停电时长，提高基站备电时长的可靠性。另一方面，也可以对所有的基站都采用统一的概率阈值，简化备电时长的推荐流程，提高备电时长的管理的效率。
[0102]
在确定出目标停电时长区间之后，即可以以该目标停电时长区间的其中一个停电时长作为目标基站的备电时长。可选的，可以以该目标停电时长区间的最大值作为备电时长，也可以以该目标停电时长区间的最小值作为备电时长，或者在实际应用中可以结合应用场景自行选定目标停电时长区间中的一个值为备电时长，具体此处不做限定。
[0103]
综上所述，本技术实施例中，根据初始停电时长以及每个基站各自的目标数据，来确定针对于该基站的目标停电时长信息及备电时长，从而适应了每个基站的特性，使得基站的备电时长的配置更加灵活和准确。
[0104]
为了便于理解，请参阅图5，图5为本技术实施例中基站备电时长的管理方法的系统框架示意图。如图5所示，本技术实施例所提供的基站备电时长的管理方法中，可以用于任意基站的备电时长的推荐。服务器采集获取目标基站相应的目标数据之后，便可以根据该目标数据确定出适用于该目标基站的特性的备电时长。服务器将该备电时长下发给到相应的目标基站，由目标基站执行以该备电时长进行备电。具体的，该备电时长可以是目标基站未来一天的备电时长,即服务器每天都对目标基站的目标数据进行采集，从而确定出该目标基站未来一天的备电时长，实现备电时长每日的动态下发；或者也可以是未来一周的备电时长，即每周都进行一次备电时长的推荐，也还可以是其他周期内的备电时长，具体此处不做限定。
[0105]
为了更好地试试本技术提供的基站备电时长的管理方法，在执行上述步骤201之前，还可以先对目标基站的进行停电概率的预测，若经过预测，得到目标基站的停电概率非常高(大于预设的最大阈值)，那么则可以直接为目标基站配置一个较长的备电时长，并下发给目标基站；若经过预测，得到目标基站的停电概率非常低(小于预设的最小阈值)，那么则可以直接为目标基站配置一个较短的备电时长，并下发给目标基站。
[0106]
下面，对上述预测目标基站的停电概率的方法进行介绍。
[0107]
请参阅图6，图6为本技术实施例中基站备电时长的管理方法的另一种系统框架示意图。如图6所示，针对基站的停电概率的预测模型，可以使用梯度提升树类算法，例如xgboost或lightgbm等，以有监督学习的方式进行训练。而本技术实施例中基站的历史停电数据，同样可以作为上述基站停电概率的预测模型的训练样本，模型原始输出为停电及不停电的概率值。其中，可以对基站的历史停电数据进行特征提取，得到多个标签(例如基站属性的标签和历史停电特征的标签)作为模型的训练输入。
[0108]
由于在实际应用中，停电样本的数量是远远小于未停电样本的，对此在进行模型训练前，需要对停电样本进行过采样，对未停电样本进行降采样，从而实现样本均衡。然后将经过样本均衡处理后的训练样本作为停电概率预测模型的训练输入，将每个样本未来一天是否停电作为模型的输出，从而进行模型的训练。
[0109]
进一步的，一般来说，作为训练样本的基站的数量较为众多，而每个基站的历史停
电特征又各自具有差异性和相关性，为了更好地对停电概率的预测模型进行训练，可以先将历史停电特征类似的基站进行聚类分析。示例性的，可以将历史停电特征中的历史停电频率、历史停电时长的95％分位数、以及历史停电时长标准差作为聚类输入，一般可直接使用kmeans算法进行无监督聚类。经过聚类分析之后，为每个簇中的所有基站分配相同的聚类标签，并将该标签和上述其他标签一起作为基站停电概率的预测模型的训练输入。
[0110]
该预测模型的训练过程中，可以设置一个概率分位点(例如50％)，若模型所输出的停电概率大于或等于50％，则确定该基站未来一天会停电；若模型所输出的停电概率小于50％，则确定该基站未来一天不会停电。其中，这个概率分位点也是可以根据实际应用场景来进行调整或者直接在模型训练过程中进行优化，以使最终预测的准确率和召回率相对平衡，且处于较高水平。该预测模型的训练完成之后，当有新的基站的数据输入到这个模型时，可对新数据进行特征工程提取特征，利用训练好的模型进行推理，会得到一个停电概率值，便根据上述概率分位点来输出未来一天是否会停电。进一步的，若经过预测，得到该基站的停电概率非常高(大于预设的最大阈值)，那么则可以直接为该基站配置一个较长的备电时长，并下发给目标基站；若经过预测，得到该基站的停电概率非常低(小于预设的最小阈值)，那么则可以直接为该基站配置一个较短的备电时长，并下发给目标基站；若经过预测，得到该基站的停电概率并未大于预设的最大阈值，且并未小于预设的最小阈值，则将该基站的数据(目标数据)继续应用于上述实施例中的步骤202流程中，从而确定出备电时长。
[0111]
综上所述，图6所示的基站备电时长的管理方法的另一种系统框架中，基于基站的停电概率，将多种不同的备电时长的确定方法相结合，提高了备电时长的管理方法的灵活性和效率。
[0112]
在图3所对应的实施例的基础上，为了更好的实施本技术实施例的上述方案，下面还提供用于实施上述方案的相关设备。具体的，请参阅图7，图7为本技术实施例提供的一种备电时长管理装置的结构示意图，备电时长管理装置包括：
[0113]
获取单元401，用于获取初始停电时长信息，初始停电时长信息为通过基站的历史停电数据得到的；
[0114]
确定单元402，用于根据预设的多个与基站的停电时长相关的第一参数和目标基站的目标数据确定目标基站对应的第二参数；
[0115]
确定单元402，还用于根据第二参数和初始停电时长信息，确定目标基站的目标停电时长信息；
[0116]
确定单元402，还用于根据目标停电时长信息确定目标基站的备电时长。
[0117]
在一种可能的设计中，获取单元401具体用于：
[0118]
获取基站的历史停电数据以及预设的多个停电时长区间；
[0119]
根据历史停电数据确定初始停电时长信息，初始停电时长信息包括基站的停电时长处于每个停电时长区间的概率。
[0120]
在一种可能的设计中，目标停电时长信息包括目标基站的停电时长处于每个停电时长区间的概率。
[0121]
在一种可能的设计中，确定单元402，还用于根据历史停电数据，确定多个第一参数对应的多个分类停电时长信息，每个分类停电时长信息用于指示基站在一种第一参数的影响下，停电时长处于每个停电时长区间的概率；
[0122]
确定单元402，还用于根据初始停电时长信息与多个分类停电时长信息确定多个第二参数，每个第二参数用于指示一种第一参数对于初始停电时长信息的影响值。
[0123]
在一种可能的设计中，确定单元401具体用于：
[0124]
根据目标停电时长信息确定目标基站的目标停电时长区间；
[0125]
确定目标停电时长区间中的一个停电时长为目标基站的备电时长。
[0126]
在一种可能的设计中，备电时长为目标停电时长区间中的最大值。
[0127]
在一种可能的设计中，备电时长为目标停电时长区间中的最小值。
[0128]
需要说明的是，备电时长管理装置中各模块/单元之间的信息交互、执行过程等内容，与本技术中图3对应的方法实施例基于同一构思，具体内容可参见本技术前述所示的方法实施例中的叙述，此处不再赘述。
[0129]
本技术实施例还提供了一种计算机设备，请参阅图8，图8为本技术实施例提供的计算机设备一种结构示意图，计算机设备500上可以部署有图7对应实施例中所描述的数据处理装置，用于实现图4对应实施例中备电时长管理装置的功能，具体的，计算机设备500由一个或多个服务器实现，计算机设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)522(例如，一个或一个以上处理器)和存储器532，一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算机设备中的一系列指令操作。更进一步地，中央处理器522可以设置为与存储介质530通信，在计算机设备500上执行存储介质530中的一系列指令操作。
[0130]
计算机设备500还可以包括一个或一个以上电源526，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口558，和/或，一个或一个以上操作系统541，例如windows server
tm
，mac os x
tm
，unix
tm
，linux
tm
，freebsd
tm
等等。
[0131]
本技术实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图3所示实施例描述的方法。
[0132]
本技术实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述图3所示实施例描述的方法。
[0133]
本技术实施例提供的备电时长管理装置具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使芯片执行上述图3所示实施例描述的基站备电时长的管理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)等。
[0134]
所另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本技术提供
的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
[0135]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术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，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，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，训练设备，或者网络设备等)执行本技术各个实施例所述的方法。
[0136]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0137]
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。