基于广义回归神经网络的配变异常预测方法、系统、设备及存储介质

技术领域

本发明属于配变技术领域，具体为一种基于广义回归神经网络的配变异常预测方法、系统、设备及存储介质。

背景技术

近年来随着配电自动化建设的不断推进，对用电管理提出了更精细化的要求。通过对设备的历史运行状态和相关数据进行分析，可以提前预测设备异常的概率和时间点。基于这些预测结果，可以制定相应的维护计划，提前采取措施，以防止设备故障或减少对系统运行的影响。

但目前传统的预测方法预测精度不高，且过度依赖配网历史数据完整性。

发明内容

发明目的：为解决传统预测方法预测准确率低、过度依赖配网历史数据完整性等技术问题，本发明提出了一种基于广义回归神经网络的配变异常预测方法、系统、设备及存储介质，通过对配变异常进行预测，防止设备故障，以及减少对系统运行的影响。

技术方案：一种基于广义回归神经网络的配变异常预测方法，包括以下步骤：

采用基于广义回归神经网络的预测方法对配变运行状态进行预测，得到配变运行状态的预测数据；

根据配变运行状态的历史数据及配变运行状态的预测数据，得到配变运行状态一览表；

根据配变运行状态一览表，计算配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度；

基于配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度，优化广义回归神经网络，得到优化后的广义回归神经网络；

基于优化后的广义回归神经网络，对配变运行状态进行预测，得到最优预测数据。

进一步的，所述配变运行状态通过：低电压次数、过电压次数、三相不平衡次数、重载次数、过载次数、电压合格率、低电压时长、过电压时长、三相不平衡时长、重载时长和过载时长进行表征；每个类型的数据对应有各自的日期和配变ID。

进一步的，基于广义回归神经网络的预测方法中采用的广义回归神经网络由输入层、模式层、求和层和输出层构成；

所述输入层中神经元的数目等于输入向量的维数，输入层中的神经元用于将输入向量传递给模式层；

所述模式层中神经元的数目等于输入向量的数目，模式层中各神经元对应不同的输入向量，模式层中神经元传递函数表示为：

式中，h

所述求和层对模式层中各神经元的输出进行求和；

所述输出层中神经元的数目等于输出向量的维数，输出层中各神经元将求和层的输出相除，输出层神经元的输出为预测值；

所述基于广义回归神经网络的预测方法，具体包括：

采用一广义回归神经网络，单独对重载次数及重载时长进行预测，得到重载次数的预测值和重载时长的预测值；

采用一广义回归神经网络，单独对过载次数及过载时长进行预测，得到过载次数的预测值和过载时长的预测值；

采用一广义回归神经网络，单独对三相不平衡次数及三相不平衡时长进行预测，得到三相不平衡次数的预测值和三相不平衡时长的预测值；

采用一广义回归神经网络，单独对低电压次数及低电压时长进行预测，得到低电压次数的预测值和低电压时长的预测值；

采用一广义回归神经网络，单独对过电压次数及过电压时长进行预测，得到过电压次数的预测值和过电压时长的预测值；

采用一广义回归神经网络，单独对电压合格率进行预测，得到电压合格率预测值。

进一步的，所述的根据配变运行状态的历史数据及配变运行状态的预测数据，得到配变运行状态一览表，具体包括：

所述配变运行状态的历史数据包括：重载次数的实际值、过载次数的实际值、低电压次数的实际值、过电压次数的实际值、三相不平衡次数的实际值、重载时长的实际值、过载时长的实际值、三相不平衡时长的实际值、低电压时长的实际值、过电压时长的实际值；

所述配变运行状态的预测数据包括：重载次数的预测值、过载次数的预测值、低电压次数的预测值、过电压次数的预测值、三相不平衡次数的预测值、重载时长的预测值、过载时长的预测值、三相不平衡时长的预测值、低电压时长的预测值、过电压时长的预测值；

每个配变运行状态的历史数据和每个配变运行状态的预测数据均具有对应的配变ID及具体的日期；

按照配变ID及具体的日期，将配变运行状态的历史数据和配变运行状态的预测数据进行整理，得到配变运行状态一览表。

进一步的，根据配变运行状态一览表，计算配变异常的次数预测准确度，具体包括：

根据配变ID及具体的日期，从配变运行状态一览表中获取重载次数的实际值、过载次数的实际值、三相不平衡次数的实际值、低电压次数的实际值、过电压次数的实际值、重载次数的预测值、过载次数的预测值、三相不平衡次数的预测值、低电压次数的预测值和过电压次数的预测值；

按照预测准确度＝1-误差率，误差率＝(次数的实际值的总和-次数的预测值的总和)/次数的实际值的总和，计算得到重过载次数预测准确度、三相不平衡次数预测准确度、低电压次数预测准确度和过电压次数预测准确度。

进一步的，根据配变运行状态一览表，计算配变异常的时长预测准确度，具体包括：

根据配变ID及具体的日期，从配变运行状态一览表中获取重载时长的实际值、过载时长的实际值、三相不平衡时长的实际值、低电压时长的实际值、过电压时长的实际值、重载时长的预测值、过载时长的预测值、三相不平衡时长的预测值、低电压时长的预测值和过电压时长的预测值；

按照预测准确度＝1-误差率，误差率＝(时长的实际值的总和-时长的预测值的总和)/时长的实际值的总和，计算得到重过载时长预测准确度、三相不平衡时长预测准确度、低电压时长预测准确度和过电压时长预测准确度。

进一步的，根据配变运行状态一览表，计算配变电压合格率的预测准确度，具体包括：

根据配变ID及具体的日期，从配变运行状态一览表中获取低电压次数的实际值、过电压次数的实际值、低电压次数的预测值和过电压次数的预测值；

基于低电压次数的实际值和过电压次数的实际值得到电压合格情况的实际值；

基于低电压次数的预测值和过电压次数的预测值得到电压合格情况的预测值；按照预测准确度＝1-误差率，误差率＝电压合格率的实际值和电压合格率的预测值的差的绝对值的总和除以日期天数，计算得到电压合格率预测准确度。

进一步的，所述的基于配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度，优化广义回归神经网络，得到优化后的广义回归神经网络，具体包括：

基于配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度，调整广义回归神经网络中的高斯基函数的宽度，得到优化后的广义回归神经网络。

本发明公开了一种基于广义回归神经网络的配变异常预测系统，包括：

预测单元，用于采用基于广义回归神经网络的预测方法对配变运行状态进行预测，得到配变运行状态的预测值；

计算单元，用于根据配变运行状态的历史数据及配变运行状态的预测数据，得到配变运行状态一览表，以及根据配变运行状态一览表，计算配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度；；

优化单元，用于基于配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度，优化广义回归神经网络，得到优化后的广义回归神经网络，由预测单元利用优化后的广义回归神经网络，对配变运行状态进行预测，得到最优预测数据。

进一步的，所述配变运行状态通过：低电压次数、过电压次数、三相不平衡次数、重载次数、过载次数、电压合格率、低电压时长、过电压时长、三相不平衡时长、重载时长和过载时长进行表征；每个类型的数据对应有各自的日期和配变ID。

进一步的，基于广义回归神经网络的预测方法中采用的广义回归神经网络由输入层、模式层、求和层和输出层构成；

所述输入层中神经元的数目等于输入向量的维数，输入层中的神经元用于将输入向量传递给模式层；

所述模式层中神经元的数目等于输入向量的数目，模式层中各神经元对应不同的输入向量，模式层中神经元传递函数表示为：

式中，h

所述求和层对模式层中各神经元的输出进行求和；

所述输出层中神经元的数目等于输出向量的维数，输出层中各神经元将求和层的输出相除，输出层神经元的输出为预测值；

所述基于广义回归神经网络的预测方法，具体包括：

采用一广义回归神经网络，单独对重载次数及重载时长进行预测，得到重载次数的预测值和重载时长的预测值；

采用一广义回归神经网络，单独对过载次数及过载时长进行预测，得到过载次数的预测值和过载时长的预测值；

采用一广义回归神经网络，单独对三相不平衡次数及三相不平衡时长进行预测，得到三相不平衡次数的预测值和三相不平衡时长的预测值；

采用一广义回归神经网络，单独对低电压次数及低电压时长进行预测，得到低电压次数的预测值和低电压时长的预测值；

采用一广义回归神经网络，单独对过电压次数及过电压时长进行预测，得到过电压次数的预测值和过电压时长的预测值；

采用一广义回归神经网络，单独对电压合格率进行预测，得到电压合格率预测值。

进一步的，所述的根据配变运行状态的历史数据及配变运行状态的预测数据，得到配变运行状态一览表，具体包括：

所述配变运行状态的历史数据包括：重载次数的实际值、过载次数的实际值、低电压次数的实际值、过电压次数的实际值、三相不平衡次数的实际值、重载时长的实际值、过载时长的实际值、三相不平衡时长的实际值、低电压时长的实际值、过电压时长的实际值；

所述配变运行状态的预测数据包括：重载次数的预测值、过载次数的预测值、低电压次数的预测值、过电压次数的预测值、三相不平衡次数的预测值、重载时长的预测值、过载时长的预测值、三相不平衡时长的预测值、低电压时长的预测值、过电压时长的预测值；

每个配变运行状态的历史数据和每个配变运行状态的预测数据均具有对应的配变ID及具体的日期；

按照配变ID及具体的日期，将配变运行状态的历史数据和配变运行状态的预测数据进行整理，得到配变运行状态一览表。

进一步的，根据配变运行状态一览表，计算配变异常的次数预测准确度，具体包括：

根据配变ID及具体的日期，从配变运行状态一览表中获取重载次数的实际值、过载次数的实际值、三相不平衡次数的实际值、低电压次数的实际值、过电压次数的实际值、重载次数的预测值、过载次数的预测值、三相不平衡次数的预测值、低电压次数的预测值和过电压次数的预测值；

按照预测准确度＝1-误差率，误差率＝(次数的实际值的总和-次数的预测值的总和)/次数的实际值的总和，计算得到重过载次数预测准确度、三相不平衡次数预测准确度、低电压次数预测准确度和过电压次数预测准确度。

进一步的，所述根据配变运行状态一览表，计算配变异常的时长预测准确度，具体包括：

根据配变ID及具体的日期，从配变运行状态一览表中获取重载时长的实际值、过载时长的实际值、三相不平衡时长的实际值、低电压时长的实际值、过电压时长的实际值、重载时长的预测值、过载时长的预测值、三相不平衡时长的预测值、低电压时长的预测值和过电压时长的预测值；

按照预测准确度＝1-误差率，误差率＝(时长的实际值的总和-时长的预测值的总和)/时长的实际值的总和，计算得到重过载时长预测准确度、三相不平衡时长预测准确度、低电压时长预测准确度和过电压时长预测准确度。

进一步的，根据配变运行状态一览表，计算配变电压合格率的预测准确度，具体包括：

根据配变ID及具体的日期，从配变运行状态一览表中获取低电压次数的实际值、过电压次数的实际值、低电压次数的预测值和过电压次数的预测值；

基于低电压次数的实际值和过电压次数的实际值得到电压合格情况的实际值；

基于低电压次数的预测值和过电压次数的预测值得到电压合格情况的预测值；按照预测准确度＝1-误差率，误差率＝电压合格率的实际值和电压合格率的预测值的差的绝对值的总和除以日期天数，计算得到电压合格率预测准确度。

进一步的，所述的基于配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度，优化广义回归神经网络，得到优化后的广义回归神经网络，具体包括：

基于配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度，调整广义回归神经网络中的高斯基函数的宽度，得到优化后的广义回归神经网络。

本发明公开了一种计算机设备，包括存储器、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一种基于广义回归神经网络的配变异常预测方法的步骤。

本发明公开了一种存储介质，所述存储介质存储有配变异常预测程序，所述配变异常预测程序被至少一个处理器执行时实现一种基于广义回归神经网络的配变异常预测方法的步骤。

有益效果：本发明与现有技术相比，具有以下优点：

(1)本发明方法通过利用配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度，对广义回归神经网络进行优化，可大大提高配变异常的预测准确性，通过提前预知配变异常，帮助管理人员采取及时行动，防止设备故障和停电事故的发生；

(2)本发明方法利用广义回归神经网络对配变运行状态进行预测，能够及时的提供故障警示，降低维护成本，提高工作效率。

附图说明

图1为本发明的一种基于广义回归神经网络的配变异常预测方法的流程图；

图2为本发明预测配变异常步骤的流程图；

图3为本发明统计配变运行状态一览步骤的流程图；

图4为本发明统计配变事件的次数及预测准确度步骤的流程图；

图5为本发明统计配变事件的时长及预测准确度步骤的流程图；

图6为本发明统计配变电压合格率及预测准确度步骤的流程图；

图7为本发明的一种基于广义回归神经网络的配变异常预测系统框图。

具体实施方式

现结合附图和实施例进一步阐述本发明的技术方案。

实施例1：

如图1所示，本实施例公开了一种基于广义回归神经网络的配变异常预测方法，主要包括以下步骤：

步骤1：使用广义回归神经网络算法对配变运行状态进行预测，得到配变运行状态预测值，将配变运行状态预测值记录在数据库配变预测状态统计表中；本步骤提及的配变运行状态通过：低电压次数、过电压次数、三相不平衡次数、重载次数、过载次数、电压合格率、低电压时长、过电压时长、三相不平衡时长、重载时长和过载时长进行表征；每个类型的数据对应有各自的日期和配变ID。

现对本实施例采用的广义回归神经网络算法作进一步说明。

本实施例采用的广义回归神经网络由四层构成，为输入层、模式层、求和层和输出层。

其中，输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，将广义回归神经网络传递给模式层。

其中，模式层神经元的数目等于学习样本的数目，各神经元对应不同的样本，模式层神经元传递函数为：

式中，h

神经元i的输出为输入变量与其对应的样本X之间的高斯转换形式。

其中，求和层对所有模式层的神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：

s

输出层中的神经元数目等于学习样本中输出向量的维数，各神经元将求和层的输出相除，神经元的输出对应估计结果Y(X)的第个元素。

在本步骤中，数据库配变预测状态统计表包括：数据日期、配变ID、低电压预测次数、过电压预测次数、三相不平衡预测次数、重载预测次数、过载预测次数、电压合格率预测值、低电压预测时长、过电压预测时长、三相不平衡预测时长、重载预测时长和过载预测时长；其中索引为配变ID。

在本步骤中，广义回归神经网络算法，采用多线程计算得出配变运行状态预测值且写入数据库配变预测状态统计表中。

在本步骤中，广义回归神经网络算法是基于将昨日配变运行状态与前N天的配变运行状态一一比对，并分配对应权值，从而给出未来的配变运行状态预测值，并为后续的决策和分析提供支持。同时，通过评估和优化模型，可以不断提高预测的准确性和稳定性。如图2所示，具体为：

定时在每天凌晨时间，获取前N天的配变负载率、三相不平衡、电压合格数据进行缓存；配变负载率是通过重载次数和过载次数进行统计的。

构建一个专门的广义回归神经网络，并基于该广义回归神经网络的预测方法比对前N天的历史数据，为重载次数及重载时长分配对应权值，预测重载次数及重载时长；

构建一个专门的广义回归神经网络，并基于该广义回归神经网络的预测方法比对前N天的历史数据，为过载次数及过载时长分配对应权值，预测过载次数及过载时长；

构建一个专门的广义回归神经网络，并基于该广义回归神经网络的预测方法比对前N天的历史数据，为三相不平衡次数及三相不平衡时长分配对应权值，预测三相不平衡次数及三相不平衡时长；

构建一个专门的广义回归神经网络，并基于该广义回归神经网络的预测方法比对前N天的历史数据，为低电压次数及低电压时长分配对应权值，预测低电压次数及低电压时长；

构建一个专门的广义回归神经网络，并基于该广义回归神经网络的预测方法比对前N天的历史数据，为过电压次数及过电压时长分配对应权值，预测过电压次数及过电压时长；

构建一个专门的广义回归神经网络，并基于该广义回归神经网络的预测方法比对前N天的历史数据，并分配对应权值，预测电压合格率。

将预测的重载次数及重载时长、过载次数及过载时长、三相不平衡次数及三相不平衡时长、低电压次数及低电压时长、过电压次数及过电压时长和电压合格率存储在数据库配变预测状态统计表中。

使用广义回归神经网络算法预测配变异常状态，能够充分利用其非线性建模能力、自适应学习和泛化能力、处理大量输入特征的能力以及适应多种数据类型和特征工程需求的特点，能够更准确地预测配变异常状态，从而提供有效的异常检测和预警，帮助管理人员及时采取措施，降低故障和停电风险，提高电力系统的可靠性和稳定性。

步骤2：根据配变预测状态统计表及配变运行状态统计表，得到统计配变状态一览表，并将统计配变状态一览表返回给用户。在配变运行状态统计表中记载有配变的历史数据，为真实数据。

现结合图3对步骤2做进一步说明。

在用户侧，用户下达请求配变运行状态一览指令；

在系统侧，系统接收到配变运行状态一览指令，根据传入的配变ID及日期天数，根据天数得出具体统计日期；

在系统侧，系统根据配变ID及具体统计日期，查询配变运行状态统计表中负载率的实际值、三相不平衡的实际值及电压合格情况的实际值；

在系统侧，系统根据配变ID及具体统计日期，查询配变预测状态统计表中负载率的预测值、三相不平衡的预测值及电压合格情况的预测值；

在系统侧，系统封装查询到的值及具体统计日期在相应的集合对象中，得到统计配变状态一览表，并将统计配变状态一览表推送给用户。

在用户侧，用户查看统计配变状态一览表详情。

上述提及的负载率情况、三相不平衡情况、电压合格情况，包括：

负载率的实际值通过配变实际运行状态统计表中的重载次数和过载次数进行统计；负载率的预测值通过数据库配变预测状态统计表中的重载次数和过载次数进行获取；负载率的判断逻辑为：若重载次数和过载次数都为0，则显示为正常，若重载次数大于0，过载次数为0，则显示为重载；若过载次数大于0，则显示为过载。

三相不平衡情况的实际值通过配变实际运行状态统计表中的三相不平衡次数进行统计；三相不平衡情况的预测值通过数据库配变预测状态统计表中的三相不平衡次数进行获取；三相不平衡情况判断逻辑：若三相不平衡次数为0，则显示为正常；其他为三相不平衡状态。

电压合格情况的实际值通过配变实际运行状态统计表中的低电压次数和过电压次数进行统计；电压合格情况的预测值通过数据库配变预测状态统计表中的低电压次数和过电压次数进行获取；电压合格情况的判断逻辑：若低电压次数和过电压次数为0，则显示为正常；若低电压次数大于0，则显示为低电压；若过电压次数大于0，则显示为过电压；若低电压次数和过电压次数都大于0，则同时显示过电压和低电压。

步骤3：根据配变预测状态统计表及配变运行状态统计表，统计配变事件的次数及预测准确度，并将结果返回给用户。

现结合图4对统计配变事件的次数及预测准确度的处理过程进行说明，包括：

在用户侧，用户下达统计配变事件的次数及预测准确度指令；

在系统侧，系统接收到统计配变事件的次数及预测准确度指令，根据传入的配变ID及日期天数，计算得出具体统计日期；

在系统侧，系统根据配变ID及具体统计日期，查询配变运行状态统计表中的重载次数的实际值、过载次数的实际值、三相不平衡次数的实际值、低电压次数的实际值和过电压次数的实际值；按照时间有序存储在数组中；

在系统侧，系统根据配变ID及具体的日期，查询配变预测状态统计表中的重载次数的预测值、过载次数的预测值、三相不平衡次数的预测值、低电压次数的预测值和过电压次数的预测值；按照时间有序存储在另一数组中；

在系统侧，系统按照预测准确度＝1-误差率，误差率＝(次数的实际值的总和-次数的预测值的总和)/次数的实际值的总和，计算得到重过载次数预测准确度、三相不平衡次数预测准确度、低电压次数预测准确度和过电压次数预测准确度；

在系统侧，系统封装上述得到的配变事件次数的实际值、预测值及预测准确度至相应的集合对象中，并将结果推送给用户。

在用户侧，用户查看配变事件的次数及预测准确度。

步骤4：根据配变预测状态统计表及配变运行状态统计表，统计配变事件的时长及预测准确度，并将结果返回给用户。

结合图5对统计配变事件的时长及预测准确度的处理过程进行说明：

在用户侧，用户下达统计配变事件的时长及预测准确度指令；

在系统侧，系统接收到统计配变事件的时长及预测准确度指令，根据传入的配变ID及日期天数，计算得出具体统计日期；

在系统侧，系统根据配变ID及具体统计日期，查询配变运行状态统计表中的重载时长的实际值、过载时长的实际值、三相不平衡时长的实际值、低电压时长的实际值和过电压时长的实际值；按照时间有序存储在数组中；

在系统侧，系统根据配变ID及具体的日期，查询配变预测状态统计表中的重载时长的预测值、过载时长的预测值、三相不平衡时长的预测值、低电压时长的预测值和过电压时长的预测值；按照时间有序存储在另一数组中；

在系统侧，系统按照预测准确度＝1-误差率，误差率＝(时长的实际值的总和-时长的预测值的总和)/时长的实际值的总和，计算得到重过载时长预测准确度、三相不平衡时长预测准确度、低电压时长预测准确度和过电压时长预测准确度；

在系统侧，系统封装上述得到的配变事件时长的实际值、预测值及预测准确度至相应的集合对象中，并将结果推送给用户。

在用户侧，用户查看配变事件时长及预测准确度详情。

步骤5：根据配变预测状态统计表及配变运行状态统计表，统计配变电压合格率及预测准确度，并将结果返回给用户。

现结合图6对统计配变电压合格率及预测准确度的处理过程进行说明，包括：

在用户侧，用户下达统计配变电压合格率及预测准确度指令；

在系统侧，系统接收到统计配变电压合格率及预测准确度指令，根据传入的配变ID及日期天数，计算得出具体统计日期；

在系统侧，系统根据配变ID及具体统计日期，查询配变运行状态统计表中的电压合格率的实际值；按照时间有序存储在数组中；

在系统侧，系统根据配变ID及具体统计日期，查询配变预测状态统计表中的电压合格率的预测值；按照时间有序存储在另一数组中；

在系统侧，系统按照预测准确度＝1-误差率，误差率＝电压合格率的实际值和电压合格率的预测值的差的绝对值的总和除以日期天数，计算得到电压合格率预测准确度；例如，假设今天为9月15日，那么，误差率按照下式计算得到：

在系统侧，系统封装上述得到的配变电压合格率实际值、预测值及预测准确度至相应的集合对象中，并将结果推送给用户。

在用户侧，用户查看配变电压合格率及预测准确度详情。

以上步骤涉及到的预测准确度计算，根据给定的公式，使用Java进行误差率和预测准确度的计算，具体使用Java的算术运算符、条件语句和逻辑运算符来实现相应的计算公式。以及为了确保计算的准确性和性能，使用Java的单元测试框架对计算逻辑进行测试，并进行性能优化以提高计算效率。

在上述步骤2～5中，系统返回给用户的结果，具备时间日期天数选择功能，以及步骤3～4中还支持切换不同配变异常展示对应异常时长及次数。以及步骤2～5采用异步多线程的方式对配变实际运行状态统计表和数据库配变预测状态统计表进行查询。

作为优选，为了适配处理大量的配变运行状态数据或同时为多个用户提供服务，步骤2～步骤5可以使用多线程、线程池、缓存技术等技术进行并发处理和性能优化。

本实施例提出的预测方法可以预测设备异常类型的概率和时间点，基于这些预测结果，可以制定相应的维护计划，提前采取措施降低设备故障率，减少对系统运行的影响。

步骤6：基于配变事件的次数预测准确度、配变事件的时长预测准确度、配变电压合格率预测准确度，优化广义回归神经网络，具体的，调整广义回归神经网络中的高斯基函数的宽度，得到优化后的广义回归神经网络；基于优化后的广义回归神经网络，对配变运行状态进行预测，得到最优预测数据。

本实施例通过利用配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度，对广义回归神经网络进行优化，可大大提高配变异常的预测准确性，通过提前预知配变异常，帮助管理人员采取及时行动，防止设备故障和停电事故的发生。

实施例2：

如图7所示，本实施例公开了一种基于广义回归神经网络的配变异常预测系统，其主要包括：

预测单元，用于采用基于广义回归神经网络的预测方法对配变运行状态进行预测，得到配变运行状态的预测值；

计算单元，用于根据配变运行状态的历史数据及配变运行状态的预测数据，得到配变运行状态一览表，以及根据配变运行状态一览表，计算配变异常的次数预测准确度；以及根据配变运行状态一览表，计算配变异常的时长预测准确度；以及根据配变运行状态一览表，计算配变电压合格率的预测准确度；

优化单元，用于基于配变异常的次数预测准确度、配变异常的时长预测准确度和配变电压合格率的预测准确度，优化广义回归神经网络，得到优化后的广义回归神经网络，由预测单元利用优化后的广义回归神经网络，对配变运行状态进行预测，得到最优预测数据。

服务器，作为存储单元，用于存储运行过程中采集的数据、统计信息和计算结果。

预测单元、计算单元和优化单元均部署在云主站。

具体的，在预测单元中，采用的广义回归神经网络由输入层、模式层、求和层和输出层构成；

输入层中神经元的数目等于输入向量的维数，输入层中的神经元用于将输入向量传递给模式层；

模式层中神经元的数目等于输入向量的数目，模式层中各神经元对应不同的输入向量，模式层中神经元传递函数表示为：

式中，h

求和层对模式层中各神经元的输出进行求和；

输出层中神经元的数目等于输出向量的维数，输出层中各神经元将求和层的输出相除，输出层神经元的输出为预测值。

在计算单元中，配变运行状态通过：低电压次数、过电压次数、三相不平衡次数、重载次数、过载次数、电压合格率、低电压时长、过电压时长、三相不平衡时长、重载时长和过载时长进行表征；每个类型的数据对应有各自的日期和配变ID。

在计算单元中，具体操作包括：

根据配变ID及具体的日期，查询得到负载率的实际值、三相不平衡的实际值及电压合格情况的实际值；

根据配变ID及具体的日期，查询得到负载率的预测值、三相不平衡的预测值及电压合格情况的预测值；

所述负载率的实际值基于重载次数的实际值和过载次数的实际值得到；所述负载率的预测值基于重载次数的预测值和过载次数的预测值得到；

所述电压合格情况的实际值基于低电压次数的实际值和过电压次数的实际值得到，所述电压合格情况的预测值基于低电压次数的预测值和过电压次数的预测值得到；

当重载次数和过载次数都为0时，表示负载状态正常；当重载次数大于0，过载次数为0时，表示负载状态为重载；当过载次数大于0时，表示负载状态为过载；

当三相不平衡次数为0时，表示三相平衡；当三相不平衡次数不为0时，表示处于三相不平衡状态；

当低电压次数和过电压次数为0时，表示电压正常；当低电压次数大于0时，表示低电压；当过电压次数大于0时，表示过电压；当低电压次数和过电压次数都大于0时，表示过电压和低电压同时存在。

根据配变ID及具体的日期，从配变运行状态一览表中获取重载次数的实际值、过载次数的实际值、三相不平衡次数的实际值、低电压次数的实际值、过电压次数的实际值、重载次数的预测值、过载次数的预测值、三相不平衡次数的预测值、低电压次数的预测值和过电压次数的预测值；

按照预测准确度＝1-误差率，误差率＝(次数的实际值的总和-次数的预测值的总和)/次数的实际值的总和，计算得到重过载次数预测准确度、三相不平衡次数预测准确度、低电压次数预测准确度和过电压次数预测准确度。

根据配变ID及具体的日期，从配变运行状态一览表中获取重载时长的实际值、过载时长的实际值、三相不平衡时长的实际值、低电压时长的实际值、过电压时长的实际值、重载时长的预测值、过载时长的预测值、三相不平衡时长的预测值、低电压时长的预测值和过电压时长的预测值；

按照预测准确度＝1-误差率，误差率＝(时长的实际值的总和-时长的预测值的总和)/时长的实际值的总和，计算得到重过载时长预测准确度、三相不平衡时长预测准确度、低电压时长预测准确度和过电压时长预测准确度。

根据配变ID及具体的日期，从配变运行状态一览表中获取电压合格率的实际值和电压合格率的预测值；

按照预测准确度＝1-误差率，误差率＝电压合格率的实际值和电压合格率的预测值的差的绝对值的总和除以日期天数，计算得到电压合格率预测准确度。

本实施例利用广义回归神经网络对配变运行状态进行预测，能够及时的提供故障警示，降低维护成本，提高工作效率。

实施例3：

本实施例公开了一种计算机设备，包括存储器、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，处理器执行计算机程序时实现上述任意一实施例公开的步骤。

实施例4：

本实施例公开了一种计算机可读存储介质，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任意一实施例公开的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。