一种基于云边模式的信息物联统一的数据模型构建方法与流程

1.本发明涉及物联网技术，特别是一种基于云边模式的信息物联统一的数据模型构建方法。


背景技术：

2.近年来，经过国家电网有限公司内部职责的重新调整，传统调度机构更名为调度控制中心(简称调控中心)，其调管职责也新增了对管辖全部设备的集中监视和遥控操作职能，传统的有人值守变电站模式变为了无人值守模式。
3.由于电网数据具有多源、高维、先验、异构的特点，并且蕴含大量因果关系，如何从电网历史大数据中挖掘出不同应用场景的因果关系，从而构建监控运行业务应用是电网监控专业实际生产及管理的热点问题。


技术实现要素：

4.发明目的：本发明的目的是提供一种基于云边模式的信息物联统一的数据模型构建方法，从而从海量多源多维生数据中提炼出因果关系变量集，进而生成监控大数据因果概率图模型。
5.技术方案：本发明所述的一种基于云边模式的信息物联统一的数据模型构建方法，包括以下步骤：
6.s1、应用大数据分析技术从海量多源多维数据中挖掘出存在强关联关系的变量集合，其具体的构建步骤如下：
7.s1.1、计算获得强相关数据集，采用皮尔逊积矩相关系数法，实施全要素间的相关性检测，对检测出大于指定相关性检测阈值的强相关关系的要素进行标注，并且删除不具备强相关关系的要素，从而获得强相关要素集；
8.s1.2、计算获得因果关系数据集，对强相关要素集，使用格兰杰因果关系假设方法，检测强相关要素集中存在的因果关系，对检测大于指定阈值的强相关要素对，进行因果关系标注，获得因果关系要素集；
9.s1.3、电力大数据概率图建模，基于步骤s2中获得的因果关系数据集进行有向概率图建模，其节点为因果关系要素集中的元素，其节点间的有向边为节点间的因果关系；
10.s1.4、对电力大数据概率图因果结构中的指定的故障或异常节点与其各祖先节点之间的关系系数进行计算；
11.s1.5、应用人工经验与因果依赖关系推荐模型相结合建立故障或异常的决策判断模型；
12.s1.6、基于步骤s5中获得的决策判断模型，建立的敏感故障或缺陷趋势预警分类器；
13.s2、将人工经验与推荐模型相结合，筛选出功能应用集合，生成基于物联网的监控业务模型。
14.步骤s1.3中所述的概率图模型是用图来表示变量概率依赖关系的理论，结合概率论与图论表示与模型有关的变量联合概率分布形式。
15.一种计算机存储介质，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上述的基于云边模式的信息物联统一的数据模型构建方法。
16.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于云边模式的信息物联统一的数据模型构建方法。
17.有益效果：与现有技术相比，本发明具有如下优点：本发明构建依托监控大数据分析平台，基于智能电网监控运行大数据应用模型构建方法研发的监控运行大数据分析系统，结合相关性分析和格兰杰因果分析方法，该框架能够从海量多源多维生数据中提炼出因果关系变量集，进而生成监控大数据因果概率图模型，对提高大数据技术在电网深度应用具有重要的工程意义。
附图说明
18.图1为本发明的步骤流程图。
具体实施方式
19.下面结合附图对本发明的技术方案作进一步说明。
20.一种基于云边模式的信息物联统一的数据模型构建方法，建立数据模型最终是对每个主题建立逻辑数据库，即建立数据模型，对物联网平台而言，数据模型自上而下分为：(1)全域数据模型，整个规划范围内有序的基本表集；(2)应用系统数据模型，一个应用系统内有序的基本表集；(3)子系统数据模型，一个子系统内有序的基本表集。
21.其模型构建方法具体包括以下步骤：
22.s1、应用大数据分析技术从海量多源多维数据中挖掘出存在强关联关系的变量集合，其具体的构建步骤如下：
23.s1.1、计算获得强相关数据集，采用皮尔逊积矩相关系数法，实施全要素间的相关性检测，对检测出大于指定相关性检测阈值的强相关关系的要素进行标注，并且删除不具备强相关关系的要素，从而获得强相关要素集；
24.s1.2、计算获得因果关系数据集，对强相关要素集，使用格兰杰因果关系假设方法，检测强相关要素集中存在的因果关系，对检测大于指定阈值的强相关要素对，进行因果关系标注，获得因果关系要素集；
25.s1.3、电力大数据概率图建模，基于步骤s2中获得的因果关系数据集进行有向概率图建模，其节点为因果关系要素集中的元素，其节点间的有向边为节点间的因果关系；
26.s1.4、对电力大数据概率图因果结构中的指定的故障或异常节点与其各祖先节点之间的关系系数进行计算；
27.s1.5、应用人工经验与因果依赖关系推荐模型相结合建立故障或异常的决策判断模型；
28.s1.6、基于步骤s5中获得的决策判断模型，建立的敏感故障或缺陷趋势预警分类器。
29.s2、将人工经验与推荐模型相结合，筛选出功能应用集合，生成基于物联网的监控业务模型。
30.其中s1.3中概率图模型是用图来表示变量概率依赖关系的理论，结合概率论与图论表示与模型有关的变量联合概率分布形式。
31.本发明中，多源全要素集合，汇聚了调控中心集中采集到的天气数据(例如：温度、降雨量、湿度)、主动变压器(以下简称主变)负载、主变油温、主变线温、冷却器是否投入、主变电压、主变电流、地区实时负载、主变油位、主变投入使用年限、是否存在渗漏油故障、导线搭头温度、声音、主变色谱、主变绝缘等数据。
32.这些多源全要素被认为与监控业务关注的设备故障、异常时间序列之间是隐藏着互为因果的关系。
33.因此，本数据模型构建方法涉及应用大数据分析方法从海量多源多维数据中挖掘出存在强因果关系的变量集合，建立变量的数学模型的过程。
34.其中数据模型构建方法的具体流程如下：
35.1.计算获得强相关数据集，采用皮尔逊积矩相关系数法，实施全要素间的相关性检测，对检测出大于指定相关性检测阈值的强相关关系的要素进行标注，并且删除不具备强相关关系的要素，从而获得强相关要素集；
36.皮尔逊相关系数广泛用于度量两个变量之间的相关程度，其值介于-1与1之间。皮尔逊相关系数的变化范围为-1到1。系数的值为1意味着x和y可以很好的由直线方程来描述，所有的数据点都很好的落在一条直线上，且随着的增加而增加。系数的值为-1意味着所有的数据点都落在直线上，且随着的增加而减少。系数的值为0意味着两个变量之间没有线性关系。
37.2.计算获得因果关系数据集，对强相关要素集，使用格兰杰因果关系假设方法，检测强相关要素集中存在的因果关系，对检测大于指定阈值的的强相关要素对，进行因果关系标注，获得因果关系要素集；
38.格兰杰因果关系假设方法中过去值(lagvalue，或称落后期)：同一变项比当期时间上更早的值。
39.例如：当期为y
10
，它的落後期为yi＜10。格兰杰因果关系检验的基本观念在于：未来的事件不会对目前与过去产生因果影响，而过去的事件才可能对现在及未来产生影响。
40.也就是说，如果我们试图探讨变量是否对变量有因果影响，那么只需要估计的落後期是否会影响的现在值，因为的未来值不可能影响的现在值。假如在控制了变量的过去值以后，变量的过去值仍能对y变量有显著的解释能力，我们就可以称能“granger影响”(granger-cause)y。
41.3.电力大数据概率图建模，基于步骤2获得的因果关系数据集进行有向概率图建模，其节点为因果关系要素集中的元素，其节点间的有向边为节点间的因果关系。
42.4.对电力大数据概率图因果结构中的指定的故障或异常节点与其各祖先节点之间的关系系数进行计算。假设某指定故障或异常节点xi具有m个相对独立的祖先节点，每一组祖先节点记为{π(xi)，π2(xi)，
…
，πm(xi)}，πj(xi)
→
xi，代表xi的第j个祖先节点与故障或异常节点xi之间的因果依赖关系，其中j∈[1，m]，而πj(xi)
→
xi的因果依赖关系系数p(xi|πj(xi))记为πj(xi)
→
xi的权重λ
ji
。
[0043]
5.应用人工经验与因果依赖关系推荐模型相结合建立故障或异常的决策判断模型。该决策判断模型计算公式为：
[0044][0045]
式中：αj为由人工专家对各组因果依赖关系πj(xi)
→
xi进行的可用性、结构及合理性的参数评估取值，并且约定∑αj＝1；p(πj(xi))为工程应用中。
[0046]
6.基于步骤5获得的决策判断模型，建立的敏感故障或缺陷趋势预警分类器。其输入为“果”要素的各祖先节点πj(xi)(“因”要素)的概率值p(πj(xi))(根据历史值和预测值的抽样获得)，当输出的趋势预警系数h大于指定阈值时，判断为故障或异常xi告警，否则不告警。