本发明涉及电力系统技术领域，特别涉及一种基于打分机制的电器设备预测方法、装置、设备及介质。
背景技术：
如何通过非接触式手段准确预测出电力系统中发生投切动作的电器设备成为当下的一个研究热点。在现有技术中，通常会利用一对多分类模型来确定电力系统中发生投切动作的电器设备。也即，在利用一对多分类模型对待测电器设备进行预测的过程中，首先会针对电力系统中的所有电器设备训练多个二分类模型，然后，依次利用这些二分类模型来对发生投切动作的待测电器设备进行预测投票，最后，将投票结果最高的电器设备作为待测电器设备的预测结果。但是，此种模型预测方法可能会出现多个最高票数相同的现象，在此情况下，就会随机选择其中的一种预测结果作为待测电器设备的最终预测结果，这样就会使得待测电器设备的预测结果存在误差大、精度低的问题。目前，针对这一技术问题，还没有较为有效的解决办法。
技术实现要素：
有鉴于此，本发明的目的在于提供一种基于打分机制的电器设备预测方法、装置、设备及介质，以提高在对待测电器设备进行预测时的精确度。其具体方案如下：
一种基于打分机制的电器设备预测方法，包括：
当需要对目标电力系统中发生投切动作的待测电器设备进行预测时，则提取所述待测电器设备在进行投切动作时的目标电气特征；
将所述目标电气特征分别输入至二分类模型集合的所有二分类模型中，并利用预设打分函数对所述待测电器设备归属于各二分类模型中正样本和负样本的概率进行评分，得到目标评分集合；
在所述目标评分集合中，对所述待测电器设备属于同一电器设备的评分进行累加统计，并将累加评分最高所对应的电器设备判定为所述待测电器设备；
其中，所述二分类模型集合的创建过程包括：
获取所述目标电力系统中各个电器设备在进行投切动作时的电气特征；
根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合。
优选的，所述获取所述目标电力系统中各个电器设备在进行投切动作时的电气特征的过程，包括：
利用非侵入式负荷监测技术获取所述目标电力系统中各个电器设备在进行投切动作时的电气特征。
优选的，所述利用非侵入式负荷监测技术获取所述目标电力系统中各个电器设备在进行投切动作时的电气特征的过程，包括：
利用所述非侵入式负荷监测技术获取所述目标电力系统中各个电器设备在进行投切动作时的电流幅值；
计算各个电器设备在进行投切动作时电流幅值的均值和均方差，分别得到各个电器设备在进行投切动作时的电气特征。
优选的，所述预设打分函数的表达式为：
f(x)＝1/(1 e-x)；
式中，x为所述目标电气特征距离目标二分类模型中决策面的欧式距离，所述目标二分类模型为所述二分类模型集合中的任意一个二分类模型。
优选的，所述根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合的过程，包括：
基于svm算法，根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合。
优选的，所述基于svm算法，根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合的过程，包括：
将所述svm算法中的核函数设置为高斯函数，并根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合。
相应的，本申请还公开了一种基于打分机制的电器设备预测装置，包括：
特征提取模块，用于当需要对目标电力系统中发生投切动作的待测电器设备进行预测时，则提取所述待测电器设备在进行投切动作时的目标电气特征；
评分计算模块，用于将所述目标电气特征分别输入至二分类模型集合的所有二分类模型中，并利用预设打分函数对所述待测电器设备归属于各二分类模型中正样本和负样本的概率进行评分，得到目标评分集合；
电器预测模块，用于在所述目标评分集合中，对所述待测电器设备属于同一电器设备的评分进行累加统计，并将累加评分最高所对应的电器设备判定为所述待测电器设备；
其中，所述二分类模型集合由模型创建模块创建所得，所述模型创建模块包括：
特征获取单元，用于获取所述目标电力系统中各个电器设备在进行投切动作时的电气特征；
模型创建单元，用于根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合。
相应的，本申请还公开了一种基于打分机制的电器设备预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如前述所公开的一种基于打分机制的电器设备预测方法的步骤。
相应的，本申请还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述所公开的一种基于打分机制的电器设备预测方法的步骤。
可见，在本发明中，为了对目标电力系统中发生投切动作的待测电器设备进行预测，首先是预先获取目标电力系统中各个电器设备在进行投切动作时的电气特征，并根据目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到二分类模型集合；然后，再提取待测电器设备在进行投切动作时的目标电气特征，并将目标电气特征分别输入至二分类模型集合的所有二分类模型中，同时利用预设打分函数对待测电器设备归属于各个二分类模型中正样本和负样本的概率进行评分，得到目标评分集合；最后，在目标评分集合中，对待测电器设备归属于同一电器设备的评分进行累加统计，并将累加评分最高所对应的电器设备判定为待测电器设备。显然，相较于现有技术而言，由于该方法是在多个二分类模型中引入了打分机制，这样就能够有效避免现有技术中在利用一对多分类模型对待测电器设备进行预测时所出现最高票数相同的情况，从而保证了待测电器设备预测结果的唯一性与可靠性，由此就可以显著提高在对待测电器设备进行预测时的精确度。相应的，本发明所提供的一种基于打分机制的电器设备预测装置、设备及介质，同样具有上述有益效果。
附图说明
为了更清楚地说明本发明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发明的实施例，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。
图1为本发明实施例所提供的一种基于打分机制的电器设备预测方法的流程图；
图2为本发明实施例所提供的一种基于打分机制的电器设备预测装置的结构图；
图3为本发明实施例所提供的一种基于打分机制的电器设备预测设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，图1为本发明实施例所提供的一种基于打分机制的电器设备预测方法的流程图，该预测方法包括：
步骤s11：当需要对目标电力系统中发生投切动作的待测电器设备进行预测时，则提取待测电器设备在进行投切动作时的目标电气特征；
步骤s12：将目标电气特征分别输入至二分类模型集合的所有二分类模型中，并利用预设打分函数对待测电器设备归属于各二分类模型中正样本和负样本的概率进行评分，得到目标评分集合；
步骤s13：在目标评分集合中，对待测电器设备属于同一电器设备的评分进行累加统计，并将累加评分最高所对应的电器设备判定为待测电器设备；
其中，二分类模型集合的创建过程包括：
获取目标电力系统中各个电器设备在进行投切动作时的电气特征；
根据目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到二分类模型集合。
在本实施例中，是提供了一种基于打分机制的电器设备预测方法，以提高在对待测电器设备进行预测时的精确度。在该预测方法中，需要预先创建二分类模型集合，在创建二分类模型集合的过程中，首先是获取目标电力系统中各个电器设备在进行投切动作时的电气特征，并根据目标电力系统中任意两个电器设备在进行投切时的电气特征建立二分类模型，得到二分类模型集合。
假设在目标电力系统中总共有n个电器设备，那么在该目标电力系统中就会训练出s个二分类模型。其中，
当需要对目标电力系统中发生投切动作的待测电器设备进行预测时，也即，当需要确定目标电力系统中的哪个电器设备发生投切动作时，首先是提取待测电器设备在进行投切动作时的目标电气特征；当获取得到待测电器设备在进行投切动作时的目标电气特征时，则将待测电器设备在进行投切动作时的目标电气特征分别输入至二分类模型集合中的所有二分类模型中，并利用预设打分函数对待测电器设备归属于各个二分类模型中正样本和负样本的概率进行评分，得到目标评分集合。最后，再在目标评分集合中，对待测电器设备属于同一电器设备的评分进行累加统计，并将累加评分最高所对应的电器设备判定为待测电器设备。
此处通过一个具体例子进行说明，假设目标电力系统中共有3个电器设备，分别为a、b、c，此时二分类模型集合共会有3个二分类模型，其中，第一个二分类模型为a和b的分类模型，第二个分类模型为a和c的分类模型，第三个分类模型为b和c的分类模型。
如果需要对目标电力系统中的待测电器设备进行预测，则需要将待测电器设备的电气特征分别输入至第一个分类模型、第二个分类模型以及第三个分类模型中，同时利用预设打分函数对待测电器设备归属于各个二分类模型中正样本和负样本的概率进行评分。也即，会利用预设打分函数对待测电器设备归属于第一个分类模型中分别属于a和b的概率进行评分，同理，也会利用预设打分函数对待测电器设备归属于第二个分类模型中分别属于a和c的概率进行评分以及利用预设打分函数对待测电器设备归属于第三个分类模型中分别属于b和c的概率进行评分。
假设待测电器设备归属于第一个分类模型中属于a和b的概率分别为0.2和0.3，待测电器设备归属于第二个分类模型中属于a和c的概率分别为0.3和0.8，待测电器设备归属于第三个分类模型中属于b和c的概率分别为0.3和0.8。那么，目标评分集合则为0.2、0.3、0.3、0.8、0.3和0.8。之后，再对待测电器设备属于同一个电器设备的评分进行累加统计。具体的，在本实施例中，统计得到待测电器设备属于电器设备a、b、c的概率分别为0.5、0.6和1.6，在此情况下，待测电器设备属于c的评分最高，此时则说明待测电器设备即为c。需要说明的是，待测电器设备可以是目标电力系统中的任意一个电器设备，此处不作具体限定。
相较于现有技术，由于该方法是在多个二分类模型中引入了打分机制，这样就能够有效避免现有技术中在利用一对多分类模型对待测电器设备进行预测时所出现最高票数相同的情况，从而保证了待测电器设备预测结果的唯一性与可靠性，由此就可以显著提高在对待测电器设备进行预测时的精确度。
此外，如果是在目标电力系统中新增加电器设备的情况下，利用现有技术中的预测方法，还需要对分类模型进行重新训练才能达到对待测电器设备进行预测的目的，而通过本实施例所提供的方法，只需要在二分类模型集合中增加与新增电器设备相关的二分类模型，即可达到对待测电器设备进行预测的目的。显然，通过本实施例所提供的方法也可以相对提高人们在使用该方法在对待测电器设备进行预测时的便捷度。
可见，在本实施例中，为了对目标电力系统中发生投切动作的待测电器设备进行预测，首先是预先获取目标电力系统中各个电器设备在进行投切动作时的电气特征，并根据目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到二分类模型集合；然后，再提取待测电器设备在进行投切动作时的目标电气特征，并将目标电气特征分别输入至二分类模型集合的所有二分类模型中，同时利用预设打分函数对待测电器设备归属于各个二分类模型中正样本和负样本的概率进行评分，得到目标评分集合；最后，在目标评分集合中，对待测电器设备归属于同一电器设备的评分进行累加统计，并将累加评分最高所对应的电器设备判定为待测电器设备。显然，相较于现有技术而言，由于该方法是在多个二分类模型中引入了打分机制，这样就能够有效避免现有技术中在利用一对多分类模型对待测电器设备进行预测时所出现最高票数相同的情况，从而保证了待测电器设备预测结果的唯一性与可靠性，由此就可以显著提高在对待测电器设备进行预测时的精确度。
基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤：获取目标电力系统中各个电器设备在进行投切动作时的电气特征的过程，包括：
利用非侵入式负荷监测技术获取目标电力系统中各个电器设备在进行投切动作时的电气特征。
具体的，在本实施例中，是利用非侵入式负荷监测技术(non-intrusiveloadmonitoring，nilm)来获取目标电力系统中各个电器设备在进行投切动作时的电气特征。因为利用该技术可以在电力入口处安装监测设备，并通过监测某一特定位置的电压电流信号就可以分析得到负荷集群中单个负荷的种类和运行情况。
所以，通过本实施例所提供的技术方案，不仅可以使得电气特征的提取过程更加简单可靠，而且，也可以节省安装和维护监控设备所需要的人力与时间投入。
作为一种优选的实施方式，上述步骤：利用非侵入式负荷监测技术获取目标电力系统中各个电器设备在进行投切动作时的电气特征的过程，包括：
利用非侵入式负荷监测技术获取目标电力系统中各个电器设备在进行投切动作时的电流幅值；
计算各个电器设备在进行投切动作时电流幅值的均值和均方差，分别得到各个电器设备在进行投切动作时的电气特征。
在本实施例中，是提供了一种提取目标电力系统中各个电器设备电气特征的具体操作方法，也即，在提取目标电力系统中各个电气设备在进行投切动作时电气特征的过程中，首先是利用非侵入式负荷监测技术获取目标电力系统中各个电器设备在进行投切动作时的电流幅值，然后，再计算各个电器设备在进行投切动作时电流幅值的均值和均方差，这样就可以得到各个电器设备在进行投切动作时的电气特征。
能够想到的是，由于电器设备在进行投切时的电流幅值相较于电器设备的其它电气参数而言，测量过程相对简单、易行，因此，通过此种设置方式来提取电器设备在进行投切动作时的电气特征时，就可以相对提高在提取电器设备电气特征时的便捷度。
基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，预设打分函数的表达式为：
f(x)＝1/(1 e-x)；
式中，x为目标电气特征距离目标二分类模型中决策面的欧式距离，目标二分类模型为二分类模型集合中的任意一个二分类模型。
具体的，在本实施例中，是利用预设打分函数f(x)＝1/(1 e-x)来对待测电器设备归属于各个二分类模型中正样本和负样本的概率进行评分。其中，x为目标电气特征距离目标二分类模型中决策面的欧式距离，也即，待测电器设备在进行投切动作时电流幅值的均值和均方差作为坐标点距离每一个二分类模型中决策面的欧式距离。
具体的，如果待测电器设备电流幅值的均值和均方差作为坐标点的位置处于目标二分类模型的正样本区域，那么，预设打分函数f(x)评分数越高则表示待测电器设备属于目标二分类模型中正样本的概率比较大，而待测电器设备属于目标二分类模型中负样本的概率会比较小；如果待测电器设备电流幅值的均值和均方差作为坐标点的位置处于目标二分类模型的负样本区域，那么，预设打分函数f(x)评分数越高则表示待测电器设备属于目标二分类模型中负样本的概率比较大，而待测电器设备属于目标二分类模型中正样本的概率会比较小。
基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤：根据目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到二分类模型集合的过程，包括：
基于svm算法，根据目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到二分类模型集合。
可以理解的是，因为svm(supportvectormachine，支持向量机)算法不仅算法代码开源，而且，svm算法还具有较好的分类效果好。因此，在本实施例中，是基于svm算法，并根据目标电力系统中任意两个电气设备在进行投切动作时的电气特征建立二分类模型来得到二分类模型集合。
作为一种优选的实施方式，上述步骤：基于svm算法，根据目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到二分类模型集合的过程，包括：
将svm算法中的核函数设置为高斯函数，并根据目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到二分类模型集合。
具体的，在本实施例中，是将svm算法中的核函数设置为高斯函数来建立二分类模型。因为当将svm算法中的核函数设置为高斯函数之后，就可以解决二分类模型的非线性分类问题，并且，高斯函数相较于svm的其它核函数而言，高斯函数只有一个参数，容易选择。
所以，通过本实施例所提供的技术方案，就可以进一步降低在创建二分类模型时的难度。
请参见图2，图2为本发明实施例所提供的一种基于打分机制的电器设备预测装置的结构图，该预测装置包括：
特征提取模块21，用于当需要对目标电力系统中发生投切动作的待测电器设备进行预测时，则提取待测电器设备在进行投切动作时的目标电气特征；
评分计算模块22，用于将目标电气特征分别输入至二分类模型集合的所有二分类模型中，并利用预设打分函数对待测电器设备归属于各二分类模型中正样本和负样本的概率进行评分，得到目标评分集合；
电器预测模块23，用于在目标评分集合中，对待测电器设备属于同一电器设备的评分进行累加统计，并将累加评分最高所对应的电器设备判定为待测电器设备；
其中，二分类模型集合由模型创建模块创建所得，模型创建模块包括：
特征获取单元，用于获取目标电力系统中各个电器设备在进行投切动作时的电气特征；
模型创建单元，用于根据目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到二分类模型集合。
本发明实施例所提供的一种基于打分机制的电器设备预测装置，具有前述所公开的一种基于打分机制的电器设备预测方法所具有的有益效果。
请参见图3，图3为本发明实施例所提供的一种基于打分机制的电器设备预测设备的结构图，该预测设备包括：
存储器31，用于存储计算机程序；
处理器32，用于执行计算机程序时实现如前述所公开的一种基于打分机制的电器设备预测方法的步骤。
本发明实施例所提供的一种基于打分机制的电器设备预测设备，具有前述所公开的一种基于打分机制的电器设备预测方法所具有的有益效果。
相应的，本发明实施例还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述所公开的一种基于打分机制的电器设备预测方法的步骤。
本发明实施例所提供的一种计算机可读存储介质，具有前述所公开的一种基于打分机制的电器设备预测方法所具有的有益效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种基于打分机制的电器设备预测方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
1.一种基于打分机制的电器设备预测方法，其特征在于，包括：
当需要对目标电力系统中发生投切动作的待测电器设备进行预测时，则提取所述待测电器设备在进行投切动作时的目标电气特征；
将所述目标电气特征分别输入至二分类模型集合的所有二分类模型中，并利用预设打分函数对所述待测电器设备归属于各二分类模型中正样本和负样本的概率进行评分，得到目标评分集合；
在所述目标评分集合中，对所述待测电器设备属于同一电器设备的评分进行累加统计，并将累加评分最高所对应的电器设备判定为所述待测电器设备；
其中，所述二分类模型集合的创建过程包括：
获取所述目标电力系统中各个电器设备在进行投切动作时的电气特征；
根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合。
2.根据权利要求1所述的电器设备预测方法，其特征在于，所述获取所述目标电力系统中各个电器设备在进行投切动作时的电气特征的过程，包括：
利用非侵入式负荷监测技术获取所述目标电力系统中各个电器设备在进行投切动作时的电气特征。
3.根据权利要求2所述的电器设备预测方法，其特征在于，所述利用非侵入式负荷监测技术获取所述目标电力系统中各个电器设备在进行投切动作时的电气特征的过程，包括：
利用所述非侵入式负荷监测技术获取所述目标电力系统中各个电器设备在进行投切动作时的电流幅值；
计算各个电器设备在进行投切动作时电流幅值的均值和均方差，分别得到各个电器设备在进行投切动作时的电气特征。
4.根据权利要求1所述的电器设备预测方法，其特征在于，所述预设打分函数的表达式为：
f(x)＝1/(1 e-x)；
式中，x为所述目标电气特征距离目标二分类模型中决策面的欧式距离，所述目标二分类模型为所述二分类模型集合中的任意一个二分类模型。
5.根据权利要求1至4任一项所述的电器设备预测方法，其特征在于，所述根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合的过程，包括：
基于svm算法，根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合。
6.根据权利要求5所述的电器设备预测方法，其特征在于，所述基于svm算法，根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合的过程，包括：
将所述svm算法中的核函数设置为高斯函数，并根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合。
7.一种基于打分机制的电器设备预测装置，其特征在于，包括：
特征提取模块，用于当需要对目标电力系统中发生投切动作的待测电器设备进行预测时，则提取所述待测电器设备在进行投切动作时的目标电气特征；
评分计算模块，用于将所述目标电气特征分别输入至二分类模型集合的所有二分类模型中，并利用预设打分函数对所述待测电器设备归属于各二分类模型中正样本和负样本的概率进行评分，得到目标评分集合；
电器预测模块，用于在所述目标评分集合中，对所述待测电器设备属于同一电器设备的评分进行累加统计，并将累加评分最高所对应的电器设备判定为所述待测电器设备；
其中，所述二分类模型集合由模型创建模块创建所得，所述模型创建模块包括：
特征获取单元，用于获取所述目标电力系统中各个电器设备在进行投切动作时的电气特征；
模型创建单元，用于根据所述目标电力系统中任意两个电器设备在进行投切动作时的电气特征建立二分类模型，得到所述二分类模型集合。
8.一种基于打分机制的电器设备预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的一种基于打分机制的电器设备预测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种基于打分机制的电器设备预测方法的步骤。
技术总结