一种城市地下供电管廊异常事件预测方法及电子设备与流程

本发明涉及人工智能，尤其涉及一种城市地下供电管廊异常事件预测方法及电子设备。

背景技术：

1、供电管廊，作为现代城市地下电力传输的命脉，承载着确保城市电力供应连续性与稳定性的重要职责。它们是城市基础设施中不可或缺的一环，直接关系到居民日常生活的便利性及社会经济的正常运行。近年来，随着物联网、大数据、人工智能等技术的快速发展，智慧城市建设已成为提升城市管理效能的重要方向。

2、智慧电力管廊作为智慧城市的重要组成部分，旨在通过集成先进的传感技术、网络通信技术和数据分析技术，实现对电力管廊内部环境的全面感知、实时监控和智能预警。现有的管廊监控系统往往缺乏高效的异常事件实时检测及预测机制，难以及时响应突发事件，增加了事故发生的风险。

技术实现思路

1、本申请的目的在于提供一种城市地下供电管廊异常事件预测方法及电子设备，以通过智能化的手段对管廊内异常事件的实时检测与预警。

2、为了实现上述目的，本申请实施例采用的技术方案如下：

3、第一方面，本申请实施例提供了一种城市地下供电管廊异常事件预测方法，应用于城市地下供电管廊异常事件预测系统，所述系统包括中央服务器，所述方法包括以下步骤：

4、通过管廊中部署的各类传感节点获取目标属性的原始数据；

5、将所述原始数据通过所述各类传感节点设置的线性回归数据处理模块进行训练，得到第一模型参数；

6、将所述第一模型参数通过所述各类传感节点内部设置的无线通讯模块上传至所述中央服务器，所述中央服务器对所述第一模型参数进行聚合，生成第二模型参数；

7、所述中央服务器将所述第二模型参数下发给所述各类传感节点，所述各类传感节点更新后得到第三模型参数；

8、所述第三模型参数通过所述无线通讯模块上传至所述中央服务器，所述中央服务器提取所述第三模型参数中的基本特征；

9、所述中央服务器计算所述基本特征的衍生特征；

10、将所述基本特征与所述衍生特征进行组合得到第一数据集，所述中央服务器对所述第一数据集进行训练预测，得到第一预测结果；

11、所述中央服务器对第一预测结果进行回归预测训练，得到第二预测结果，所述第二预测结果为最终预测结果。

12、进一步的，所述线性回归数据处理模块仅处理对应的传感节点采集到的原始数据。

13、进一步的，所述第二模型参数聚合公式为：

14、

15、其中，w是第二模型参数，k是各类传感节点，n是参与训练的传感节点数,nk是第k个传感节点的样本数量，wk是第k个传感节点的模型参数。

16、进一步的，所述中央服务器对所述第一模型参数进行聚合，生成第二模型参数，包括：

17、所述中央服务器采用自适应学习率调整机制对所述第一模型参数进行聚合，生成所述第二模型参数。

18、进一步的，所述中央服务器计算所述基本特征的衍生特征，包括：

19、所述中央服务器利用滑动平均值计算公式计算过去一段时间的滑动平均值；其中，所述滑动平均值计算公式为：

20、

21、式中，smat是时间t的滑动平均值，xi是时间i的观测值，n是传感节点数量。

22、进一步的，

23、所述中央服务器计算所述基本特征的衍生特征，包括：

24、所述中央服务器利用指数平均值计算公式计算过去一段时间的指数平滑值；其中，所述指数平均值计算公式为：

25、st＝axt+(1-a)st-1

26、式中，st是时间t的指数平滑值，xt是时间t的观测值，st-1是时间t-1的指数平滑值，a是平滑常数(0<a<1)。

27、进一步的，所述中央服务器计算所述基本特征的衍生特征，包括：

28、所述中央服务器利用标准差计算公式计算每个所述基础特征在过去一段时间内的标准差；其中，所述标准差计算公式：

29、

30、其中，σ是标准差，n是传感节点数量，xi是i时刻的观测值，u是多个时刻观测值的均值。

31、进一步的，所述中央服务器包括随机森林(rf)、梯度提升决策树(gbdt)和支持向量机(svm)的有一种或多种组合的基础预测模型模块，所述基础模型计算模块用于对所述第一数据集进行预测训练，得到一种或多种第一预测结果。

32、进一步的，所述中央服务器包括逻辑回归(lr)模型模块，分别将一种或多种第一预测结果作为新的特征输入到所述逻辑回归(lr)模型模块，得到一种或多种第二预测结果。

33、第二方面，本申请实施例还提供了一种电子设备，包括：

34、存储器，用于存储一个或多个程序；处理器；

35、当所述一个或多个程序被所述处理器执行时，实现上述任一项所述的城市地下供电管廊异常事件预测方法。

36、相对于现有技术，本申请具有以下有益效果：

37、通过各种感器数据的实时采集与融合，实现对管廊内异常事件的即时检测与预警，有效提高了响应速度，降低了事故发生的风险；系统能够及时发现并处理潜在的安全隐患，如电缆设备过热、湿度异常等，有效避免了因电缆设备故障或环境因素引发的安全事故。同时，系统的快速响应机制能够迅速定位故障并采取措施，保障了电力供应的连续性和稳定性；利用联邦学习算法，各传感节点在本地训练模型，仅上传模型参数至中央服务器进行聚合，既保护了用户隐私，又提高了数据处理效率；采用随机森林、梯度提升决策树和支持向量机等作为基模型，并通过逻辑回归模型结合这些基模型的预测结果，实现了预测结果的优化，提高了预警的准确性和可靠性。

38、为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

技术特征：

1.一种城市地下供电管廊异常事件预测方法，其特征在于，应用于城市地下供电管廊异常事件预测系统，所述系统包括中央服务器；所述方法包括以下步骤：

2.如权利要求1所述的预测方法，其特征在于，所述线性回归数据处理模块仅处理对应的传感节点采集到的原始数据。

3.如权利要求1或2任意一项所述的预测方法，其特征在于，所述第二模型参数聚合公式为：

4.如权利要求3所述的预测方法，其特征在于，所述中央服务器对所述第一模型参数进行聚合，生成第二模型参数，包括：

5.如权利要求3所述的预测方法，其特征在于，所述中央服务器计算所述基本特征的衍生特征，包括：

6.如权利要求5所述的预测方法，其特征在于，所述中央服务器计算所述基本特征的衍生特征，包括：

7.如权利要求3所述的预测方法，其特征在于，所述中央服务器计

8.如权利要求7所述的预测方法，其特征在于，所述中央服务器包

9.如权利要求8所述的预测方法，其特征在于，所述中央服务器包

10.一种电子设备，其特征在于，包括：

技术总结
本申请提供了一种城市地下供电管廊异常事件预测方法及电子设备，人工智能技术领域。包括：在管廊中部署的各类传感节点获取原始数据；通过线性回归数据处理模块对原始数据进行处理，得到第一模型参数；第一模型参数上传至中央服务器对第一模型参数进行聚合，生成第二模型参数；第二模型参数下发给各类传感节点更新后得到第三模型参数；中央服务器提取第三模型参数中的基本特征并计算衍生特征，将基本特征与衍生特征组合得到第一数据集，中央服务器对第一数据集进行训练预测，得到第一预测结果；对第一预测结果进行回归预测训练，得到第二预测结果。本方法对管廊内异常事件预测准确性高，信息交互安全性高，降低了事故发生的风险。

技术研发人员：丁玉春,蒋叶峰
受保护的技术使用者：广州中科融达科技有限公司
技术研发日：
技术公布日：2024/12/5