基于数据推演的设备数据建模方法、装置、设备及介质与流程

1.本技术涉及能源安全技术领域，尤其涉及一种基于数据推演的设备数据建模方法、装置、设备及介质。


背景技术：

2.基于电能流、信息流和业务流的载波传感有减小传输噪声、实现频分复用和传播距离远等特点。然而，低压台区高比例新能源、柔性可控负荷、分布式储能等多能源主体的大规模接入，低压台区信道受干扰严重，电力线载波传感采集数据不稳定，可能受到干扰或噪声的影响而导致数据缺失和数据质量差，从而无法用于建模。并且载波传感主要在常用频率附近进行传感采集，采集能力有限；而一些设备的频繁投切，以及突发脉冲干扰和噪声的影响以及突发紧急事件的影响，也会影响载波传感的数据采集。因此，需要对电能流、信息流和业务流的稀疏数据进行补全，以服务于设备数据建模。


技术实现要素：

3.本技术提供了一种基于数据推演的设备数据建模方法、装置、设备及介质，以解决当前设备数据受干扰而导致数据稀缺的技术问题。
4.为了解决上述技术问题，第一方面，本技术提供了一种基于数据推演的设备数据建模方法，包括：
5.获取目标低压台区的历史电能流、历史信息流以及历史业务流分别对应的载波传感数据；
6.对每种所述载波传感数据进行数据知识抽取，以分别建立稀疏数据矩阵；
7.对所述稀疏数据矩阵进行元素补全，得到目标稀疏数据矩阵；
8.基于所述目标稀疏数据矩阵，分别建立多业务电气设备的电能交互模型、信息交互模型和业务交互模型；
9.对所述电能交互模型、信息交互模型和业务交互模型进行模型融合，得到所述目标低压台区的多业务电气设备一体化数据模型。
10.在一些实现方式中，所述对每种所述载波传感数据进行数据知识抽取，以分别建立稀疏数据矩阵，包括：
11.针对每种所述载波传感数据，对所述载波传感数据进行数据结构识别、数据特征识别和数据关系抽取，得到所述载波传感数据的数据结构、数据特征和数据关系；
12.基于所述数据结构、数据特征和数据关系，建立每种所述载波传感数据的稀疏数据矩阵，所述稀疏数据矩阵包括电能流载波传感数据矩阵、信息流载波传感数据矩阵、业务流载波传感数据矩阵、抽取知识矩阵和数据关系矩阵。
13.在一些实现方式中，所述对所述稀疏数据矩阵进行元素补全，得到目标稀疏数据矩阵，包括：
14.利用预设数据补全策略，基于每种影响因素的预设权重系数，对每种所述稀疏数
据矩阵进行元素补全，得到对应的目标稀疏数据矩阵，其中所述预设数据补全策略的表达式为：
[0015][0016]
其中，a
*
(a1，a2，a3)表示电能流载波传感数据矩阵，b
*
(b1，b2，b3)表示信息流载波传感数据矩阵，c
*
(c1，c2，c3)表示业务流载波传感数据矩阵，d
*
(d1，d2，d3)表示抽取知识矩阵，e
*
(e1，e2，e3)表示数据关系矩阵，a1、a2和a3分别表示电流、电压和电能质量，δ1、δ2和δ3分别表示电流、电压和电能质量分别对应的权重系数，g表示电能流载波传感数据矩阵的元素总数，b1、b2和b3分别表示信息到达时间、信息效果和信息质量，ε1、ε2和ε3分别表示信息到达时间、信息效果和信息质量分别对应的权重系数，h表示信息流载波传感数据矩阵的元素总数，c1、c2和c3分别表示业务完成时间、业务难度和业务数量，φ1、φ2和φ3分别表示业务完成时间、业务难度和业务数量分别对应的权重系数，j表示业务流载波传感数据矩阵的元素总数，d1、d2和d3分别表示抽取知识量、抽取知识速度和抽取知识方式，和分别表示抽取知识量、抽取知识速度和抽取知识方式分别对应的权重系数，k表示抽取知识矩阵的元素总数，e1、e2和e3分别表示学习关联度、学习关联效果和学习关联方式，γ1、γ2和γ3分别表示学习关联度、学习关联效果和学习关联方式分别对应的权重系数，l表示数据关系矩阵的元素总数。
[0017]
在一些实现方式中，所述基于所述目标稀疏数据矩阵，分别建立多业务电气设备的电能交互模型、信息交互模型和业务交互模型，包括：
[0018]
基于所述目标稀疏数据矩阵，构建电能流邻接矩阵，并基于所述电能流邻接矩阵构建电能流动方向的第一邻接图，以及基于所述第一邻接图建立所述电能交互模型；
[0019]
基于所述目标稀疏数据矩阵，构建信息流邻接矩阵，并基于所述信息流邻接矩阵构建信息流动方向的第二邻接图，以及基于所述第二邻接图建立所述信息交互模型；
[0020]
基于业务流中的业务节点，根据所述目标稀疏数据矩阵，建立业务节点的关联拓扑图，并基于所述关联拓扑图建立所述业务交互模型。
[0021]
在一些实现方式中，所述对所述电能交互模型、信息交互模型和业务交互模型进行模型融合，得到所述目标低压台区的多业务电气设备一体化数据模型，包括：
[0022]
根据所述目标低压台区的业务节点、电能流动方向和信息传输方向，建立电能流、信息流和业务流之间的关联关系；
[0023]
基于所述关联关系，对所述电能交互模型、所述信息交互模型和所述业务交互模型进行融合，得到所述多业务电气设备一体化数据模型。
[0024]
第二方面，本技术还提供一种基于数据推演的设备数据建模装置，包括：
[0025]
获取模块，用于获取目标低压台区的历史电能流、历史信息流以及历史业务流分别对应的载波传感数据；
[0026]
抽取模块，用于对每种所述载波传感数据进行数据知识抽取，以分别建立稀疏数据矩阵；
[0027]
补全模块，用于对所述稀疏数据矩阵进行元素补全，得到目标稀疏数据矩阵；
[0028]
建立模块，用于基于所述目标稀疏数据矩阵，分别建立多业务电气设备的电能交互模型、信息交互模型和业务交互模型；
[0029]
融合模块，用于对所述电能交互模型、信息交互模型和业务交互模型进行模型融合，得到所述目标低压台区的多业务电气设备一体化数据模型。
[0030]
在一些实现方式中，所述补全模块，具体用于：
[0031]
利用预设数据补全策略，基于每种影响因素的预设权重系数，对每种所述稀疏数据矩阵进行元素补全，得到对应的目标稀疏数据矩阵，其中所述预设数据补全策略的表达式为：
[0032][0033]
其中，a
*
(a1，a2，a3)表示电能流载波传感数据矩阵，b
*
(b1，b2，b3)表示信息流载波传感数据矩阵，c
*
(c1，c2，c3)表示业务流载波传感数据矩阵，d
*
(d1，d2，d3)表示抽取知识矩阵，e
*
(e1，e2，e3)表示数据关系矩阵，a1、a2和a3分别表示电流、电压和电能质量，δ1、δ2和δ3分别表示电流、电压和电能质量分别对应的权重系数，g表示电能流载波传感数据矩阵的元素总数，b1、b2和b3分别表示信息到达时间、信息效果和信息质量，ε1、ε2和ε3分别表示信息到达时间、信息效果和信息质量分别对应的权重系数，h表示信息流载波传感数据矩阵的元素总数，c1、c2和c3分别表示业务完成时间、业务难度和业务数量，φ1、φ2和φ3分别表示业务完成时间、业务难度和业务数量分别对应的权重系数，j表示业务流载波传感数据矩阵的元素总数，d1、d2和d3分别表示抽取知识量、抽取知识速度和抽取知识方式，和分别表示抽取知识量、抽取知识速度和抽取知识方式分别对应的权重系数，k表示抽取知识矩阵的元素总数，e1、e2和e3分别表示学习关联度、学习关联效果和学习关联方式，γ1、γ2和γ3分别表示学习关联度、学习关联效果和学习关联方式分别对应的权重系数，l表示数据关系矩阵的元素总数。
[0034]
在一些实现方式中，所述建立模块，具体用于：
[0035]
基于所述目标稀疏数据矩阵，构建电能流邻接矩阵，并基于所述电能流邻接矩阵构建电能流动方向的第一邻接图，以及基于所述第一邻接图建立所述电能交互模型；
[0036]
基于所述目标稀疏数据矩阵，构建信息流邻接矩阵，并基于所述信息流邻接矩阵
构建信息流动方向的第二邻接图，以及基于所述第二邻接图建立所述信息交互模型；
[0037]
基于业务流中的业务节点，根据所述目标稀疏数据矩阵，建立业务节点的关联拓扑图，并基于所述关联拓扑图建立所述业务交互模型。
[0038]
第三方面，本技术还提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的基于数据推演的设备数据建模方法。
[0039]
第四方面，本技术还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于数据推演的设备数据建模方法。
[0040]
与现有技术相比，本技术至少具备以下有益效果：
[0041]
通过获取目标低压台区的历史电能流、历史信息流以及历史业务流分别对应的载波传感数据，对每种所述载波传感数据进行数据知识抽取，以分别建立稀疏数据矩阵，对所述稀疏数据矩阵进行元素补全，得到目标稀疏数据矩阵，从而解决载波传感数据缺失问题，同时数据知识抽取有利于保证数据的关联性和准确性；基于所述目标稀疏数据矩阵，分别建立多业务电气设备的电能交互模型、信息交互模型和业务交互模型，对所述电能交互模型、信息交互模型和业务交互模型进行模型融合，得到所述目标低压台区的多业务电气设备一体化数据模型，以实现电能流、信息流和业务流之间的电气设备数据一体化处理。
附图说明
[0042]
图1为本技术实施例示出的基于数据推演的设备数据建模方法的流程示意图；
[0043]
图2为本技术实施例示出的基于数据推演的设备数据建模装置的结构示意图；
[0044]
图3为本技术实施例示出的计算机设备的结构示意图。
具体实施方式
[0045]
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作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。
[0046]
请参照图1，图1为本技术实施例提供的一种基于数据推演的设备数据建模方法的流程示意图。本技术实施例的基于数据推演的设备数据建模方法可应用于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的基于数据推演的设备数据建模方法包括步骤s101至步骤s105，详述如下：
[0047]
步骤s101，获取目标低压台区的历史电能流、历史信息流以及历史业务流分别对应的载波传感数据。
[0048]
在本步骤中，采集低压台区电气设备营销业务、低压台区电气设备配电业务和低压台区电气设备调控业务中，能量流动形成的电能流载波传感数据、信息传输形成的信息流载波传感数据和业务运行流程形成的业务流载波传感数据。其中，低压台区电气设备营销业务包括设备变更用电服务、营销电费管理、营销电量管理、设备营销业务扩充等；低压台区电气设备配电业务包括提供设备电源、按装设备配电计量装置、设备用电升降压等；低
压台区电气设备调控业务包括设备停电管理、设备操作管理、设备定期工作管理、设备异常及事故处理等。
[0049]
步骤s102，对每种所述载波传感数据进行数据知识抽取，以分别建立稀疏数据矩阵。
[0050]
在本步骤中，数据知识抽取包括数据结构识别、数据特征识别和数据关系抽取。
[0051]
在一些实施例中，所述步骤s102，包括：
[0052]
针对每种所述载波传感数据，对所述载波传感数据进行数据结构识别、数据特征识别和数据关系抽取，得到所述载波传感数据的数据结构、数据特征和数据关系；
[0053]
基于所述数据结构、数据特征和数据关系，建立每种所述载波传感数据的稀疏数据矩阵，所述稀疏数据矩阵包括电能流载波传感数据矩阵、信息流载波传感数据矩阵、业务流载波传感数据矩阵、抽取知识矩阵和数据关系矩阵。
[0054]
在本实施例中，基于历史电能流、信息流、业务流载波传感数据，对历史数据进行数据结构识别、数据特征识别、数据关系抽取实现数据知识抽取，数据结构可通过对数据的存储方式分析得到；数据特征识别通过对数据值进行计算得到数据极差、频率等特征；数据关系抽取利用百科数据库等结构化数据，不断补充电能流、信息流、业务流间关系，同时引入学习算法，输入百科数据库数据初始化学习算法模型，进而通过输入各流数据，输出各流间关系，通过学习融合，提高关系抽取效率。基于所抽取的数据结构、数据特征、数据关系构建知识图谱f(a，b，c，d，e)，其中，a表示历史电能流载波传感数据矩阵；b表示历史信息流载波传感数据矩阵；c表示历史业务流载波传感数据矩阵；d表示抽取知识矩阵；e表示数据关系矩阵。
[0055]
步骤s103，对所述稀疏数据矩阵进行元素补全，得到目标稀疏数据矩阵。
[0056]
在本实施例中，根据稀疏数据矩阵的数据特点，添加稀疏数据矩阵的元素。其中，历史电能流载波传感数据矩阵中的元素都与电流a1、电压a2、电能质量a3有关，即第g个历史电能流载波传感数据矩阵中的元素可表示为ag(a1，a2，a3)；历史信息流载波传感数据矩阵中的元素都与信息到达时间b1、信息效果b2、信息质量b3有关，即第h个历史信息流载波传感数据矩阵中的元素可表示为bh(b1，b2，b3)；历史业务流载波传感数据矩阵中的元素都与业务完成时间c1、业务难度c2、业务数量c3有关，即第j个历史业务流载波传感数据矩阵中的元素可表示为cj(c1，c2，c3)；抽取知识矩阵中的元素都与抽取知识量d1、抽取知识速度d2、抽取知识方式d3有关，即第k个历史业务流载波传感数据矩阵中的元素可表示为dk(d1，d2，d3)；学习关联矩阵中的元素都与学习关联度e1、学习关联效果e2、学习关联方式e3有关，即第l个历史业务流载波传感数据矩阵中的元素可表示为e
l
(e1，e2，e3)。
[0057]
在一些实施例中，步骤s103，包括：
[0058]
利用预设数据补全策略，基于每种影响因素的预设权重系数，对每种所述稀疏数据矩阵进行元素补全，得到对应的目标稀疏数据矩阵，其中所述预设数据补全策略的表达式为：
[0059][0060]
其中，a
*
(a1，a2，a3)表示电能流载波传感数据矩阵，b
*
(b1，b2，b3)表示信息流载波传感数据矩阵，c
*
(c1，c2，c3)表示业务流载波传感数据矩阵，d
*
(d1，d2，d3)表示抽取知识矩阵，e
*
(e1，e2，e3)表示数据关系矩阵，a1、a2和a3分别表示电流、电压和电能质量，δ1、δ2和δ3分别表示电流、电压和电能质量分别对应的权重系数，g表示电能流载波传感数据矩阵的元素总数，b1、b2和b3分别表示信息到达时间、信息效果和信息质量，ε1、ε2和ε3分别表示信息到达时间、信息效果和信息质量分别对应的权重系数，h表示信息流载波传感数据矩阵的元素总数，c1、c2和c3分别表示业务完成时间、业务难度和业务数量，φ1、φ2和φ3分别表示业务完成时间、业务难度和业务数量分别对应的权重系数，j表示业务流载波传感数据矩阵的元素总数，d1、d2和d3分别表示抽取知识量、抽取知识速度和抽取知识方式，和分别表示抽取知识量、抽取知识速度和抽取知识方式分别对应的权重系数，k表示抽取知识矩阵的元素总数，e1、e2和e3分别表示学习关联度、学习关联效果和学习关联方式，γ1、γ2和γ3分别表示学习关联度、学习关联效果和学习关联方式分别对应的权重系数，l表示数据关系矩阵的元素总数。
[0061]
需要说明的是，所有的权重系数用来衡量不同指标的重要程度。特别的历史电能流、信息流、业务流载波传感数据矩阵，抽取知识矩阵和学习关联矩阵中的已知元素越多，则缺失元素预测越准确。
[0062]
步骤s104，基于所述目标稀疏数据矩阵，分别建立多业务电气设备的电能交互模型、信息交互模型和业务交互模型。
[0063]
在本步骤中，目标稀疏数据矩阵包括电能流、信息流和业务流分别对应的目标稀疏数据矩阵，所以分别根据对应的目标稀疏数据矩阵，建立电能交互模型、信息交互模型和业务交互模型。
[0064]
在一些实施例中，所述步骤s104，包括：
[0065]
基于所述目标稀疏数据矩阵，构建电能流邻接矩阵，并基于所述电能流邻接矩阵构建电能流动方向的第一邻接图，以及基于所述第一邻接图建立所述电能交互模型；
[0066]
基于所述目标稀疏数据矩阵，构建信息流邻接矩阵，并基于所述信息流邻接矩阵构建信息流动方向的第二邻接图，以及基于所述第二邻接图建立所述信息交互模型；
[0067]
基于业务流中的业务节点，根据所述目标稀疏数据矩阵，建立业务节点的关联拓扑图，并基于所述关联拓扑图建立所述业务交互模型。
[0068]
在本实施例中，通过稀疏数据矩阵数据特征构建电能流数据特征邻接矩阵，并根据邻接矩阵构建电能流动方向邻接图，进而得到多业务电气设备电能交互模型；通过差异
化多通道协议实现各种低压台区电气设备通信，并根据信息流动方向邻接图，得到多业务电气设备信息交互模型；通过提取业务流中业务节点，构建业务节点关联拓扑图，建立多业务电气设备业务交互模型。
[0069]
步骤s105，对所述电能交互模型、信息交互模型和业务交互模型进行模型融合，得到所述目标低压台区的多业务电气设备一体化数据模型。
[0070]
在本步骤中，根据电能流、信息流和业务流之间的关系，对电能交互模型、信息交互模型和业务交互模型进行融合，以建立一体化数据模型。
[0071]
在一些实施例中，所述步骤s1050，包括：
[0072]
根据所述目标低压台区的业务节点、电能流动方向和信息传输方向，建立电能流、信息流和业务流之间的关联关系；
[0073]
基于所述关联关系，对所述电能交互模型、所述信息交互模型和所述业务交互模型进行融合，得到所述多业务电气设备一体化数据模型。
[0074]
在本实施例中，纵向构建多业务电气设备电能交互模型、多业务电气设备信息交互模型、多业务电气设备业务交互模型关联关系，具体来说，结合业务节点电能流动、信息传输方向等特征，得到相应的电能流下信息流流动情况、业务流下电能流和信息流流动情况的深度关联关系，将三类模型通过电能流、信息流、与业务流深度关系进行融合，得到低压台区多业务电气设备一体化数据模型。
[0075]
需要说明的是，本技术根据历史电能流、信息流、业务流载波传感数据，抽取知识和学习关联，构建知识图谱，然后通过对各类元素指标进行分析，完成了对历史电能流、信息流、业务流载波传感数据矩阵，抽取知识矩阵和学习关联矩阵中的缺失元素进行预测补全，实现了压台区运行知识图谱的电能流、信息流、业务流载波传感稀疏数据推演。
[0076]
同时，根据业务交互的相关表结构、电能交互的图形化方式和硬件、网线的通信的信息交互，构建了多业务电气设备业务交互、电能交互和信息交互模型，并通过深度融合的方式构建了低压台区多业务电气设备一体化数据模型。
[0077]
为了执行上述方法实施例对应的基于数据推演的设备数据建模方法，以实现相应的功能和技术效果。参见图2，图2示出了本技术实施例提供的一种基于数据推演的设备数据建模装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的基于数据推演的设备数据建模装置，包括：
[0078]
获取模块201，用于获取目标低压台区的历史电能流、历史信息流以及历史业务流分别对应的载波传感数据；
[0079]
抽取模块202，用于对每种所述载波传感数据进行数据知识抽取，以分别建立稀疏数据矩阵；
[0080]
补全模块203，用于对所述稀疏数据矩阵进行元素补全，得到目标稀疏数据矩阵；
[0081]
建立模块204，用于基于所述目标稀疏数据矩阵，分别建立多业务电气设备的电能交互模型、信息交互模型和业务交互模型；
[0082]
融合模块205，用于对所述电能交互模型、信息交互模型和业务交互模型进行模型融合，得到所述目标低压台区的多业务电气设备一体化数据模型。
[0083]
在一些实施例中，所述抽取模块202，具体用于：
[0084]
针对每种所述载波传感数据，对所述载波传感数据进行数据结构识别、数据特征
识别和数据关系抽取，得到所述载波传感数据的数据结构、数据特征和数据关系；
[0085]
基于所述数据结构、数据特征和数据关系，建立每种所述载波传感数据的稀疏数据矩阵，所述稀疏数据矩阵包括电能流载波传感数据矩阵、信息流载波传感数据矩阵、业务流载波传感数据矩阵、抽取知识矩阵和数据关系矩阵。
[0086]
在一些实施例中，所述补全模块203，具体用于：
[0087]
利用预设数据补全策略，基于每种影响因素的预设权重系数，对每种所述稀疏数据矩阵进行元素补全，得到对应的目标稀疏数据矩阵，其中所述预设数据补全策略的表达式为：
[0088][0089]
其中，a
*
(a1，a2，a3)表示电能流载波传感数据矩阵，b
*
(b1，b2，b3)表示信息流载波传感数据矩阵，c
*
(c1，c2，c3)表示业务流载波传感数据矩阵，d
*
(d1，d2，d3)表示抽取知识矩阵，e
*
(e1，e2，e3)表示数据关系矩阵，a1、a2和a3分别表示电流、电压和电能质量，δ1、δ2和δ3分别表示电流、电压和电能质量分别对应的权重系数，g表示电能流载波传感数据矩阵的元素总数，b1、b2和b3分别表示信息到达时间、信息效果和信息质量，ε1、ε2和ε3分别表示信息到达时间、信息效果和信息质量分别对应的权重系数，h表示信息流载波传感数据矩阵的元素总数，c1、c2和c3分别表示业务完成时间、业务难度和业务数量，φ1、φ2和φ3分别表示业务完成时间、业务难度和业务数量分别对应的权重系数，j表示业务流载波传感数据矩阵的元素总数，d1、d2和d3分别表示抽取知识量、抽取知识速度和抽取知识方式，和分别表示抽取知识量、抽取知识速度和抽取知识方式分别对应的权重系数，k表示抽取知识矩阵的元素总数，e1、e2和e3分别表示学习关联度、学习关联效果和学习关联方式，γ1、γ2和γ3分别表示学习关联度、学习关联效果和学习关联方式分别对应的权重系数，l表示数据关系矩阵的元素总数。
[0090]
在一些实施例中，所述建立模块204，具体用于：
[0091]
基于所述目标稀疏数据矩阵，构建电能流邻接矩阵，并基于所述电能流邻接矩阵构建电能流动方向的第一邻接图，以及基于所述第一邻接图建立所述电能交互模型；
[0092]
基于所述目标稀疏数据矩阵，构建信息流邻接矩阵，并基于所述信息流邻接矩阵构建信息流动方向的第二邻接图，以及基于所述第二邻接图建立所述信息交互模型；
[0093]
基于业务流中的业务节点，根据所述目标稀疏数据矩阵，建立业务节点的关联拓扑图，并基于所述关联拓扑图建立所述业务交互模型。
[0094]
在一些实施例中，所述融合模块205，具体用于：
[0095]
根据所述目标低压台区的业务节点、电能流动方向和信息传输方向，建立电能流、
信息流和业务流之间的关联关系；
[0096]
基于所述关联关系，对所述电能交互模型、所述信息交互模型和所述业务交互模型进行融合，得到所述多业务电气设备一体化数据模型。
[0097]
上述的基于数据推演的设备数据建模装置可实施上述方法实施例的基于数据推演的设备数据建模方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
[0098]
图3为本技术一实施例提供的计算机设备的结构示意图。如图3所示，该实施例的计算机设备3包括：至少一个处理器30(图3中仅示出一个)、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意方法实施例中的步骤。
[0099]
所述计算机设备3可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是计算机设备3的举例，并不构成对计算机设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0100]
所称处理器30可以是中央处理单元(central processing unit，cpu)，该处理器30还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0101]
所述存储器31在一些实施例中可以是所述计算机设备3的内部存储单元，例如计算机设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述计算机设备3的外部存储设备，例如所述计算机设备3上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
[0102]
另外，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
[0103]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
[0104]
在本技术所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
[0105]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以
存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0106]
以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围。特别指出，对于本领域技术人员来说，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于数据推演的设备数据建模方法，其特征在于，包括：获取目标低压台区的历史电能流、历史信息流以及历史业务流分别对应的载波传感数据；对每种所述载波传感数据进行数据知识抽取，以分别建立稀疏数据矩阵；对所述稀疏数据矩阵进行元素补全，得到目标稀疏数据矩阵；基于所述目标稀疏数据矩阵，分别建立多业务电气设备的电能交互模型、信息交互模型和业务交互模型；对所述电能交互模型、信息交互模型和业务交互模型进行模型融合，得到所述目标低压台区的多业务电气设备一体化数据模型。2.如权利要求1所述的基于数据推演的设备数据建模方法，其特征在于，所述对每种所述载波传感数据进行数据知识抽取，以分别建立稀疏数据矩阵，包括：针对每种所述载波传感数据，对所述载波传感数据进行数据结构识别、数据特征识别和数据关系抽取，得到所述载波传感数据的数据结构、数据特征和数据关系；基于所述数据结构、数据特征和数据关系，建立每种所述载波传感数据的稀疏数据矩阵，所述稀疏数据矩阵包括电能流载波传感数据矩阵、信息流载波传感数据矩阵、业务流载波传感数据矩阵、抽取知识矩阵和数据关系矩阵。3.如权利要求1所述的基于数据推演的设备数据建模方法，其特征在于，所述对所述稀疏数据矩阵进行元素补全，得到目标稀疏数据矩阵，包括：利用预设数据补全策略，基于每种影响因素的预设权重系数，对每种所述稀疏数据矩阵进行元素补全，得到对应的目标稀疏数据矩阵，其中所述预设数据补全策略的表达式为：其中，a
*
(a1,a2,a3)表示电能流载波传感数据矩阵，b
*
(b1,b2,b3)表示信息流载波传感数据矩阵，c
*
(c1,c2,c3)表示业务流载波传感数据矩阵，d
*
(d1,d2,d3)表示抽取知识矩阵，e
*
(e1,e2,e3)表示数据关系矩阵，a1、a2和a3分别表示电流、电压和电能质量，δ1、δ2和δ3分别表示电流、电压和电能质量分别对应的权重系数，g表示电能流载波传感数据矩阵的元素总数，b1、b2和b3分别表示信息到达时间、信息效果和信息质量，ε1、ε2和ε3分别表示信息到达时间、信息效果和信息质量分别对应的权重系数，h表示信息流载波传感数据矩阵的元素总数，c1、c2和c3分别表示业务完成时间、业务难度和业务数量，φ1、φ2和φ3分别表示业务完成时间、业务难度和业务数量分别对应的权重系数，j表示业务流载波传感数据矩阵的元素总数，d1、d2和d3分别表示抽取知识量、抽取知识速度和抽取知识方式，和分别表
示抽取知识量、抽取知识速度和抽取知识方式分别对应的权重系数，k表示抽取知识矩阵的元素总数，e1、e2和e3分别表示学习关联度、学习关联效果和学习关联方式，γ1、γ2和γ3分别表示学习关联度、学习关联效果和学习关联方式分别对应的权重系数，l表示数据关系矩阵的元素总数。4.如权利要求1所述的基于数据推演的设备数据建模方法，其特征在于，所述基于所述目标稀疏数据矩阵，分别建立多业务电气设备的电能交互模型、信息交互模型和业务交互模型，包括：基于所述目标稀疏数据矩阵，构建电能流邻接矩阵，并基于所述电能流邻接矩阵构建电能流动方向的第一邻接图，以及基于所述第一邻接图建立所述电能交互模型；基于所述目标稀疏数据矩阵，构建信息流邻接矩阵，并基于所述信息流邻接矩阵构建信息流动方向的第二邻接图，以及基于所述第二邻接图建立所述信息交互模型；基于业务流中的业务节点，根据所述目标稀疏数据矩阵，建立业务节点的关联拓扑图，并基于所述关联拓扑图建立所述业务交互模型。5.如权利要求1所述的基于数据推演的设备数据建模方法，其特征在于，所述对所述电能交互模型、信息交互模型和业务交互模型进行模型融合，得到所述目标低压台区的多业务电气设备一体化数据模型，包括：根据所述目标低压台区的业务节点、电能流动方向和信息传输方向，建立电能流、信息流和业务流之间的关联关系；基于所述关联关系，对所述电能交互模型、所述信息交互模型和所述业务交互模型进行融合，得到所述多业务电气设备一体化数据模型。6.一种基于数据推演的设备数据建模装置，其特征在于，包括：获取模块，用于获取目标低压台区的历史电能流、历史信息流以及历史业务流分别对应的载波传感数据；抽取模块，用于对每种所述载波传感数据进行数据知识抽取，以分别建立稀疏数据矩阵；补全模块，用于对所述稀疏数据矩阵进行元素补全，得到目标稀疏数据矩阵；建立模块，用于基于所述目标稀疏数据矩阵，分别建立多业务电气设备的电能交互模型、信息交互模型和业务交互模型；融合模块，用于对所述电能交互模型、信息交互模型和业务交互模型进行模型融合，得到所述目标低压台区的多业务电气设备一体化数据模型。7.如权利要求6所述的基于数据推演的设备数据建模装置，其特征在于，所述补全模块，具体用于：利用预设数据补全策略，基于每种影响因素的预设权重系数，对每种所述稀疏数据矩阵进行元素补全，得到对应的目标稀疏数据矩阵，其中所述预设数据补全策略的表达式为：
其中，a
*
(a1,a2,a3)表示电能流载波传感数据矩阵，b
*
(b1,b2,b3)表示信息流载波传感数据矩阵，c
*
(c1,c2,c3)表示业务流载波传感数据矩阵，d
*
(d1,d2,d3)表示抽取知识矩阵，e
*
(e1,e2,e3)表示数据关系矩阵，a1、a2和a3分别表示电流、电压和电能质量，δ1、δ2和δ3分别表示电流、电压和电能质量分别对应的权重系数，g表示电能流载波传感数据矩阵的元素总数，b1、b2和b3分别表示信息到达时间、信息效果和信息质量，ε1、ε2和ε3分别表示信息到达时间、信息效果和信息质量分别对应的权重系数，h表示信息流载波传感数据矩阵的元素总数，c1、c2和c3分别表示业务完成时间、业务难度和业务数量，φ1、φ2和φ3分别表示业务完成时间、业务难度和业务数量分别对应的权重系数，j表示业务流载波传感数据矩阵的元素总数，d1、d2和d3分别表示抽取知识量、抽取知识速度和抽取知识方式，和分别表示抽取知识量、抽取知识速度和抽取知识方式分别对应的权重系数，k表示抽取知识矩阵的元素总数，e1、e2和e3分别表示学习关联度、学习关联效果和学习关联方式，γ1、γ2和γ3分别表示学习关联度、学习关联效果和学习关联方式分别对应的权重系数，l表示数据关系矩阵的元素总数。8.如权利要求6所述的基于数据推演的设备数据建模装置，其特征在于，所述建立模块，具体用于：基于所述目标稀疏数据矩阵，构建电能流邻接矩阵，并基于所述电能流邻接矩阵构建电能流动方向的第一邻接图，以及基于所述第一邻接图建立所述电能交互模型；基于所述目标稀疏数据矩阵，构建信息流邻接矩阵，并基于所述信息流邻接矩阵构建信息流动方向的第二邻接图，以及基于所述第二邻接图建立所述信息交互模型；基于业务流中的业务节点，根据所述目标稀疏数据矩阵，建立业务节点的关联拓扑图，并基于所述关联拓扑图建立所述业务交互模型。9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5任一项所述的基于数据推演的设备数据建模方法。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于数据推演的设备数据建模方法。

技术总结
本申请公开了一种基于数据推演的设备数据建模方法、装置、设备及介质，通过获取目标低压台区的历史电能流、历史信息流以及历史业务流分别对应的载波传感数据，对每种载波传感数据进行数据知识抽取，以分别建立稀疏数据矩阵，对稀疏数据矩阵进行元素补全，得到目标稀疏数据矩阵，从而解决载波传感数据缺失问题，同时数据知识抽取有利于保证数据的关联性和准确性；基于目标稀疏数据矩阵，分别建立多业务电气设备的电能交互模型、信息交互模型和业务交互模型，对电能交互模型、信息交互模型和业务交互模型进行模型融合，得到目标低压台区的多业务电气设备一体化数据模型，以实现电能流、信息流和业务流之间的电气设备数据一体化处理。处理。处理。


技术研发人员：施展 邓晓智 李星南 李波 张健 梁宇图 曾瑛
受保护的技术使用者：广东电网有限责任公司电力调度控制中心
技术研发日：2023.04.19
技术公布日：2023/9/7