基于大数据分析的电力系统风险预测方法及系统.pdf

《基于大数据分析的电力系统风险预测方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于大数据分析的电力系统风险预测方法及系统.pdf（18页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410005501.2(22)申请日 2024.01.03(71)申请人 北京智盟信通科技有限公司地址 100000 北京市大兴区北京市北京经济技术开发区科谷一街10号院11号楼3层(72)发明人 杨兆静陈操范大伟张莹高兴凯王颖新(74)专利代理机构 南京瑞华腾知识产权代理事务所(普通合伙)32368专利代理师 邱欢欢(51)Int.Cl.G06Q 10/0635(2023.01)G06Q 50/06(2024.01)G06F 17/16(2006.01)G06F 17/18(2006.01。

2、)(54)发明名称基于大数据分析的电力系统风险预测方法及系统(57)摘要本申请提供了一种基于大数据分析的电力系统风险预测方法及系统，通过获取历史数据集，并对其进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型；利用各个状态变换模型，构建每个电力单元的状态变换网络图；获取电力系统的当前运行参数，并对其进行大数据分析，确定各个电力单元对应的初始状态概率集；利用预设寻迹算法，根据各个初始状态概率集以及各个状态变换网络图，确定电力系统的组合风险预测序列；并根据组合风险预测序列确定并输出风险提示信息。解决了如何对电力系统进行高效、准确的风险预测的技术问题。权利要求书3页 说明书11页 附图。

3、3页CN 117495114 A2024.02.02CN 117495114 A1.一种基于大数据分析的电力系统风险预测方法，其特征在于，包括：获取历史数据集，并对所述历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型，所述综合状态转换模型用于表征每个所述电力单元由系统内因和/或系统外因引起的内部状态变换的概率；利用各个状态变换模型，构建每个所述电力单元与多个预测周期对应的状态变换网络图；获取所述电力系统的当前运行参数，并对所述当前运行参数进行大数据分析，确定各个所述电力单元对应的初始状态概率集，所述初始状态概率集包括多个初始状态概率，每个所述初始状态概率对应于一个内部。

4、运行状态；利用预设寻迹算法，根据各个所述初始状态概率集以及对应的各个所述状态变换网络图，确定所述电力系统的组合风险预测序列；根据所述组合风险预测序列确定并输出风险提示信息。2.根据权利要求1所述的基于大数据分析的电力系统风险预测方法，其特征在于，所述利用预设寻迹算法，根据各个所述初始状态概率集以及对应的各个所述状态变换网络图，确定所述电力系统的组合风险预测序列，包括：利用所述预设寻迹算法，根据各个所述初始状态概率集以及对应的各个所述状态变换网络图，确定每个所述电力单元在多个所述预测周期内的状态变换路径；根据每个所述状态变换路径中的各个所述内部运行状态，以及所述内部运行状态对应的风险值，确定每个。

5、所述电力单元在多个所述预测周期内的单元风险序列；根据预设组合方式将各个所述单元风险序列组合成所述组合风险预测序列。3.根据权利要求2所述的基于大数据分析的电力系统风险预测方法，其特征在于，所述获取历史数据集，并对所述历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型，包括：获取第一历史数据集和第二历史数据集，所述第一历史数据集包括电力系统在一个或多个历史时段内的至少一个内部运行数据，所述第二历史数据集包括所述电力系统在所述一个或多个历史时段内的至少一个外部环境数据；对所述第一历史数据集和所述第二历史数据集进行大数据分析，构建一个或多个所述电力单元对应的所述综合状态转换模。

6、型；所述综合状态转换模型包括：状态转换模型和状态映射模型，所述状态转换模型用于表征系统内因引起的各个所述内部运行状态之间相互转换的第一概率，所述状态映射模型用于表征每个系统外因与至少一个所述内部运行状态之间存在关联影响的第二概率。4.根据权利要求3所述的基于大数据分析的电力系统风险预测方法，其特征在于，所述利用预设寻迹算法，根据各个所述初始状态概率集以及对应的各个所述状态变换网络图，确定每个所述电力单元在多个所述预测周期内的状态变换路径，包括：通过状态预测规则，根据每个所述电力单元对应的所述初始状态概率集，确定每个所述电力单元对应的所述状态变换路径的第1个状态，以及所述第1个状态对应的第1个状。

7、态判定值，所述状态变换路径中的状态与所述预测周期一一对应；通过所述状态预测规则，根据各个所述状态转换模型、各个所述状态映射模型、各个所述状态变换路径中的第n1个状态以及对应的第n1个状态判定值，计算各个所述状态变换权利要求书1/3 页2CN 117495114 A2路径中的第n个状态以及对应的第n个状态判定值，直至n达到预设最大值，其中n大于或等于2。5.根据权利要求4所述的基于大数据分析的电力系统风险预测方法，其特征在于，所述通过状态预测规则，根据每个所述电力单元对应的所述初始状态概率集，确定每个所述电力单元对应的所述状态变换路径的第1个状态，以及所述第1个状态对应的第1个状态判定值，包括：。

8、将每个所述初始状态概率集中的最大值作为所述第1个状态判定值，将所述最大值对应的状态作为所述第1个状态。6.根据权利要求4所述的基于大数据分析的电力系统风险预测方法，其特征在于，所述通过所述状态预测规则，根据各个所述状态转换模型、各个所述状态映射模型、各个所述状态变换路径中的第n1个状态以及对应的第n1个状态判定值，计算各个所述状态变换路径中的第n个状态以及对应的第n个状态判定值，包括：根据各个所述状态转换模型中的第一概率矩阵、各个所述状态映射模型中的第二概率矩阵和各个所述第n1个状态，计算每个第n个候选状态集中每个候选状态对应的一个或多个候选状态判定值，每个所述第n个候选状态集与每个所述状态变。

9、换路径中的所述第n个状态相对应：；其中，表示所述候选状态判定值，A为第n个所述预测周期对应的所述第一概率矩阵，为A中的任意一个元素，为所述第n1个状态，为任意一个所述候选状态，M为每个所述电力单元在第n个所述预测周期所有所述候选状态的总数，B为所述第二概率矩阵，为B中的任意一个元素，N为外部环境状态的总数，为第n个所述预测周期对应的所述外部环境状态；通过所述状态预测规则，根据每个所述状态变换路径对应的所述第n1个状态判定值，以及各个所述候选状态判定值，确定每个所述状态变换路径对应的所述第n个状态判定值；将所述第n个状态判定值对应的所述候选状态作为所述第n个状态。7.根据权利要求6所述的基于大数。

10、据分析的电力系统风险预测方法，其特征在于，所述通过所述状态预测规则，根据每个所述状态变换路径对应的所述第n1个状态判定值，以及各个所述候选状态判定值，确定每个所述状态变换路径对应的所述第n个状态判定值，包括：计算每个所述第n1个状态判定值与第一权重值的第一乘积；计算每个所述第n个状态对应的各个所述候选状态判定值与各个第二权重值的第二乘积，所述第二权重值与所述候选状态判定值一一对应；将所述第一乘积与至少一个所述第二乘积之和的最大值，作为所述第n个状态判定值。8.根据权利要求2所述的基于大数据分析的电力系统风险预测方法，其特征在于，所述根据每个所述状态变换路径中的各个所述内部运行状态，以及所述内部。

11、运行状态对应的风权利要求书2/3 页3CN 117495114 A3险值，确定每个所述电力单元在多个所述预测周期内的单元风险序列，包括：判断每个所述状态变换路径中的各个所述内部运行状态是否属于可正常运行类别；若是，则将所述内部运行状态对应的所述风险值设置为第一风险值；否则，将所述内部运行状态对应的所述风险值设置为第二风险值；将各个所述风险值按所述预测周期的顺序排列成所述单元风险序列。9.根据权利要求2所述的基于大数据分析的电力系统风险预测方法，其特征在于，所述根据预设组合方式将各个所述单元风险序列组合成所述组合风险预测序列，包括：判断每个所述单元风险序列中的倒数第二个所述风险值是否为第一风险值。

12、，所述第一风险值与可正常工作类别的所述内部运行状态相对应；若否，则将所述单元风险序列作为所述组合风险预测序列的子序列。10.一种基于大数据分析的电力系统风险预测系统，其特征在于，包括：获取模块，用于获取历史数据集；大数据分析模块，用于对所述历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型，所述综合状态转换模型用于表征每个所述电力单元由系统内因和/或系统外因引起的内部状态变换的概率；风险预测模块，用于利用各个状态变换模型，构建每个所述电力单元与多个预测周期对应的状态变换网络图；所述获取模块，还用于获取所述电力系统的当前运行参数；所述大数据分析模块，还用于对所述当前运行参。

13、数进行大数据分析，确定各个所述电力单元对应的初始状态概率集，所述初始状态概率集包括多个初始状态概率，每个所述初始状态概率对应于一个内部运行状态；所述风险预测模块，还用于：利用预设寻迹算法，根据各个所述初始状态概率集以及对应的各个所述状态变换网络图，确定所述电力系统的组合风险预测序列；根据所述组合风险预测序列确定并输出风险提示信息。权利要求书3/3 页4CN 117495114 A4基于大数据分析的电力系统风险预测方法及系统技术领域0001本申请涉及数据处理技术领域，尤其涉及一种基于大数据分析的电力系统风险预测方法及系统。背景技术0002随着科技和生产力的不断发展，对电力能源的平稳安全运行的要求。

14、也在不断提高，即对电力系统的风险抵抗能力要求不断提高，传统的人员值守只能够被动地抵御风险，已经不能满足风险抵抗要求。因此对电力系统进行风险预测，即主动式的风险防范已经成为了电力系统安全运行的发展趋势。进而对电力系统进行高效、准确的风险预测成为了亟待解决的技术问题。发明内容0003本申请提供一种基于大数据分析的电力系统风险预测方法及系统，以解决如何对电力系统进行高效、准确的风险预测的技术问题。0004第一个方面，本申请提供一种基于大数据分析的电力系统风险预测方法，包括：获取历史数据集，并对历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型，综合状态转换模型用于表征每个电力。

15、单元由系统内因和/或系统外因引起的内部状态变换的概率；利用各个状态变换模型，构建每个电力单元与多个预测周期对应的状态变换网络图；获取电力系统的当前运行参数，并对当前运行参数进行大数据分析，确定各个电力单元对应的初始状态概率集，初始状态概率集包括多个初始状态概率，每个初始状态概率对应于一个内部运行状态；利用预设寻迹算法，根据各个初始状态概率集以及对应的各个状态变换网络图，确定电力系统的组合风险预测序列；根据组合风险预测序列确定并输出风险提示信息。0005在一种可能的设计中，利用预设寻迹算法，根据各个初始状态概率集以及对应的各个状态变换网络图，确定电力系统的组合风险预测序列，包括：利用预设寻迹算法。

16、，根据各个初始状态概率集以及对应的各个状态变换网络图，确定每个电力单元在多个预测周期内的状态变换路径；根据每个状态变换路径中的各个内部运行状态，以及内部运行状态对应的风险值，确定每个电力单元在多个预测周期内的单元风险序列；根据预设组合方式将各个单元风险序列组合成组合风险预测序列。0006在一种可能的设计中，获取历史数据集，并对历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型，包括：获取第一历史数据集和第二历史数据集，第一历史数据集包括电力系统在一个或说明书1/11 页5CN 117495114 A5多个历史时段内的至少一个内部运行数据，第二历史数据集包括电力系统在一个。

17、或多个历史时段内的至少一个外部环境数据；对第一历史数据集和第二历史数据集进行大数据分析，构建一个或多个电力单元对应的综合状态转换模型；综合状态转换模型包括：状态转换模型和状态映射模型，状态转换模型用于表征系统内因引起的各个内部运行状态之间相互转换的第一概率，状态映射模型用于表征每个系统外因与至少一个内部运行状态之间存在关联影响的第二概率。0007在一种可能的设计中，利用预设寻迹算法，根据各个初始状态概率集以及对应的各个状态变换网络图，确定每个电力单元在多个预测周期内的状态变换路径，包括：通过状态预测规则，根据每个电力单元对应的初始状态概率集，确定每个电力单元对应的状态变换路径的第1个状态，以及。

18、第1个状态对应的第1个状态判定值，状态变换路径中的状态与预测周期一一对应；通过状态预测规则，根据各个状态转换模型、各个状态映射模型、各个状态变换路径中的第n1个状态以及对应的第n1个状态判定值，计算各个状态变换路径中的第n个状态以及对应的第n个状态判定值，直至n达到预设最大值，其中n大于或等于2。0008在一种可能的设计中，通过状态预测规则，根据每个电力单元对应的初始状态概率集，确定每个电力单元对应的状态变换路径的第1个状态，以及第1个状态对应的第1个状态判定值，包括：将每个初始状态概率集中的最大值作为第1个状态判定值，将最大值对应的状态作为第1个状态。0009在一种可能的设计中，通过状态预测。

19、规则，根据各个状态转换模型、各个状态映射模型、各个状态变换路径中的第n1个状态以及对应的第n1个状态判定值，计算各个状态变换路径中的第n个状态以及对应的第n个状态判定值，包括：根据各个状态转换模型中的第一概率矩阵、各个状态映射模型中的第二概率矩阵和各个第n1个状态，计算每个第n个候选状态集中每个候选状态对应的一个或多个候选状态判定值，每个第n个候选状态集与每个状态变换路径中的第n个状态相对应：0010其中，表示候选状态判定值，A为第n个预测周期对应的第一概率矩阵，为A中的任意一个元素，为第n1个状态，为任意一个候选状态，M为每个电力单元在第n个预测周期所有候选状态的总数，B为第二概率矩阵，为B。

20、中的任意一个元素，N为外部环境状态的总数，为第n个预测周期对应的外部环境状态；通过状态预测规则，根据每个状态变换路径对应的第n1个状态判定值，以及各个候选状态判定值，确定每个状态变换路径对应的第n个状态判定值；将第n个状态判定值对应的候选状态作为第n个状态。0011在一种可能的设计中，通过状态预测规则，根据每个状态变换路径对应的第n1个说明书2/11 页6CN 117495114 A6状态判定值，以及各个候选状态判定值，确定每个状态变换路径对应的第n个状态判定值，包括：计算每个第n1个状态判定值与第一权重值的第一乘积；计算每个第n个状态对应的各个候选状态判定值与各个第二权重值的第二乘积，第二权。

21、重值与候选状态判定值一一对应；将第一乘积与至少一个第二乘积之和的最大值，作为第n个状态判定值。0012在一种可能的设计中，根据每个状态变换路径中的各个内部运行状态，以及内部运行状态对应的风险值，确定每个电力单元在多个预测周期内的单元风险序列，包括：判断每个状态变换路径中的各个内部运行状态是否属于可正常运行类别；若是，则将内部运行状态对应的风险值设置为第一风险值；否则，将内部运行状态对应的风险值设置为第二风险值；将各个风险值按预测周期的顺序排列成单元风险序列。0013在一种可能的设计中，根据预设组合方式将各个单元风险序列组合成组合风险预测序列，包括：判断每个单元风险序列中的倒数第二个风险值是否为。

22、第一风险值，第一风险值与可正常工作类别的内部运行状态相对应；若否，则将单元风险序列作为组合风险预测序列的子序列。0014第二方面，本申请提供一种基于大数据分析的电力系统风险预测系统，包括：获取模块，用于获取历史数据集；大数据分析模块，用于对历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型，综合状态转换模型用于表征每个电力单元由系统内因和/或系统外因引起的内部状态变换的概率；风险预测模块，用于利用各个状态变换模型，构建每个电力单元与多个预测周期对应的状态变换网络图；获取模块，还用于获取电力系统的当前运行参数；大数据分析模块，还用于对当前运行参数进行大数据分析，确定各个电。

23、力单元对应的初始状态概率集，初始状态概率集包括多个初始状态概率，每个初始状态概率对应于一个内部运行状态；风险预测模块，还用于：利用预设寻迹算法，根据各个初始状态概率集以及对应的各个状态变换网络图，确定电力系统的组合风险预测序列；根据组合风险预测序列确定并输出风险提示信息。0015第三方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；存储器存储计算机执行指令；处理器执行存储器存储的计算机执行指令，以实现第一方面所提供的任意一种可能的基于大数据分析的电力系统风险预测方法。0016第四方面，本申请提供一种存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理。

24、器执行时用于实现第一方面所提供的任意一种可能的基于大数据分析的电力系统风险预测方法。说明书3/11 页7CN 117495114 A70017第五方面，本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所提供的任意一种可能的基于大数据分析的电力系统风险预测方法。0018本申请提供了一种基于大数据分析的电力系统风险预测方法及系统，通过获取历史数据集，并对历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型，综合状态转换模型用于表征每个电力单元由系统内因和/或系统外因引起的内部状态变换的概率；利用各个状态变换模型，构建每个电力单元与多个预测。

25、周期对应的状态变换网络图；获取电力系统的当前运行参数，并对当前运行参数进行大数据分析，确定各个电力单元对应的初始状态概率集，初始状态概率集包括多个初始状态概率，每个初始状态概率对应于一个内部运行状态；利用预设寻迹算法，根据各个初始状态概率集以及对应的各个状态变换网络图，确定电力系统的组合风险预测序列；根据组合风险预测序列确定并输出风险提示信息。解决了如何对电力系统进行高效、准确的风险预测的技术问题。附图说明0019此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。0020图1为本申请实施例提供的一种基于大数据分析的电力系统风险预测方法。

26、的流程示意图；图2为本申请实施例提供的步骤S104的一种可能的实施方式的流程示意图；图3为本申请实施例提供的一种基于大数据分析的电力系统风险预测系统的结构示意图；图4为本申请实施例提供的一种电子设备的结构示意图。0021通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。具体实施方式0022为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不。

27、是全部的实施例。基于本申请中的实施例，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，包括但不限于对多个实施例的组合，都属于本申请保护的范围。0023本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的。

28、那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。说明书4/11 页8CN 117495114 A80024传统的人员值守即被动式的风险防范已经不能满足目前电力系统对风险抵抗能力的要求，因此风险预测技术就成为了电力系统风险防范的重要核心技术。近年来，大数据分析技术的崛起，给风险预测注入了新的活力，本申请依托于大数据分析，构建了一种电力系统风险预测方法，能够通过电力系统所处外部环境的外界可观测状态的预测结果来预测电力系统的内部运行状态。即实现了通过显式的数据来预测隐式的电力系统的内部运行状态，达到高效准确地预测电力系统风险，以及时进行风险防范，提高系。

29、统的平稳运行能力，以为生产生活的电力供应提供稳定保障。0025图1为本申请实施例提供的一种基于大数据分析的电力系统风险预测方法的流程示意图。如图1所示，该方法的具体步骤包括：S101、获取历史数据集，并对历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型。0026在本步骤中，综合状态转换模型用于表征每个电力单元由系统内因和/或系统外因引起的内部状态变换的概率。0027具体的，获取历史数据集，包括：获取第一历史数据集和第二历史数据集。0028第一历史数据集包括电力系统在一个或多个历史时段内的至少一个内部运行数据，第二历史数据集包括电力系统在一个或多个历史时段内的至少一个外。

30、部环境数据。0029对历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型，包括：对第一历史数据集和第二历史数据集进行大数据分析，构建一个或多个电力单元对应的综合状态转换模型。0030综合状态转换模型包括：状态转换模型和状态映射模型，状态转换模型用于表征系统内因引起的各个内部运行状态之间相互转换的第一概率，状态映射模型用于表征每个系统外因与至少一个内部运行状态之间存在关联影响的第二概率。0031例如，在某个时段内，电力系统中的其中一个电力单元所能够具备的内部运行状态包括：S1、S2和S3，假设S1代表完全正常状态，S2代表部分失效但不影响正常工作，S3代表完全失效状态。那。

31、么随着时间的推移以及运维人员的维护动作，电力单元可能会在这三种状态之间相互切换，状态转换模型就是用来表征这种内部运行状态相互切换的概率，即状态转换模型可以包括一个3 3的第一概率矩阵，以此来表征内部运行状态之间相互切换的概率关系。0032值得注意的是，上述内部切换是没有考虑系统外因影响的，例如外部环境的状态也可能会对系统的内部运行状态产生影响。因此，本申请引入了状态映射模型来表示在不同系统外因的影响下，电力单元处于某个内部运行状态的概率。0033例如，假设系统外因包括了4种外部环境状态：E1、E2、E3和E4，外部环境状态可以由一个或多个环境参数来决定，如温度、湿度、风力、天气等等。因此，状态。

32、映射模型可以包括第二概率矩阵，用于表示每个外部状态Ei下，不同的内部运行状态Sj的概率。例如，第二概率矩阵是3 4的矩阵，每一行代表同一个内部运行状态对应不同的外部环境状态的概率。0034还需要说明的是，系统外因如外部环境状态是可以通过外部机构的数据得到预测值的，例如气象局会发布未来一周内的气象数据，通过这些气象数据就能够得知未来一周说明书5/11 页9CN 117495114 A9内电力系统所处环境的外部环境状态，由此就可以预测电力系统的一个或多个电力单元的内部运行状态。0035详细的预测步骤见本实施例的后续步骤中的描述，在此不再赘述。0036S102、利用各个状态变换模型，构建每个电力单元。

33、与多个预测周期对应的状态变换网络图。0037在本步骤中，多个预测周期可以是连续的时间周期，也可以是部分连续的，即其中至少有两个预测周期的时间是不连续的。可选的，不同的预测周期所对应的时间周期可以是相同的，也可以是不同的。0038值得说明的是，对于电力系统中的不同的电力单元，在不同的预测周期内，其所能够达到的内部运行状态可能是不一样的。例如，在第i个预测周期内，电力单元j只可能处于S1和S2两种内部运行状态，而电力单元j+1则可能处于S1、S2和S3三种内部运行状态，而在第i+1个预测周期内，电力单元j可能处于S1、S2和S3三种内部运行状态。0039还需要说明的是，根据不同预测周期所处的时间段。

34、，通过大数据分析得到每个电力单元在该预测周期内所对应的可能的内部运行状态。然后再添加每个电力单元对应的状态变换模型中的状态变换概率，就能够得到每个电力单元在多个预测周期上的所有可能的状态变换网络图。0040S103、获取电力系统的当前运行参数，并对当前运行参数进行大数据分析，确定各个电力单元对应的初始状态概率集。0041在本步骤中，初始状态概率用于表征电力系统在当前时刻处于任意一个内部运行状态的概率，即初始状态概率集包括多个初始状态概率，每个初始状态概率对应于一个内部运行状态。0042需要说明的是，初始概率集中的初始状态概率是从当前时刻进入到下一时刻的时候，内部运行状态切换的状态变换概率。也可。

35、以看成是电力系统启动或者重启时进入到的各个内部运行状态的概率。0043值得注意的是，若两个连续的时刻电力单元或电力系统维持状态不变的概率也包含在状态变换概率中，即状态变换概率可以表征从状态A变换到状态B的概率，也可以表征状态A维持不变的概率。0044S104、利用预设寻迹算法，根据各个初始状态概率集以及对应的各个状态变换网络图，确定电力系统的组合风险预测序列。0045在本步骤中，组合风险预测序列中包括：与各个预测时段对应的多个组合风险值。预设寻迹算法包括；最佳路径算法、蚁群算法、神经网络算法等等。0046在本实施例中，通过图2来具体介绍本步骤的一种可能的实施方式。0047图2为本申请实施例提供。

36、的步骤S104的一种可能的实施方式的流程示意图。如图2所示，在本步骤中，具体实现方式包括：S1041、利用预设寻迹算法，根据各个初始状态概率集以及对应的各个状态变换网络图，确定每个电力单元在多个预测周期内的状态变换路径。0048在本实施例中，可以多次执行本步骤，得到不同条件下的电力单元的状态变换路径。如最大概率路径，最小概率路径，综合概率路径等等。以便于全面且准确地覆盖各种风险可能性。说明书6/11 页10CN 117495114 A100049在一种可能的设计中，本步骤还可以根据以下循环程序具体实现：S10411、通过状态预测规则，根据每个电力单元对应的初始状态概率集，确定每个电力单元对应的。

37、状态变换路径的第1个状态，以及第1个状态对应的第1个状态判定值。0050在本步骤中，状态变换路径中的状态与预测周期一一对应。在一种可能的设计中，可以将每个初始状态概率集中的最大值、最小值、中值等作为第1个状态判定值，将该第1个状态判定值对应的状态作为第1个状态。0051需要说明的是，取最大值时，后续可以预测出最大可能路径，即电力单元最有可能的状态变换路径；取最小值时，则可以测试小概率风险，而取中值时，则可以预测综合风险。在实际应用中，本领域技术人员可以选择至少一种进行预测，本申请不作具体数量的限制。0052S10412、通过状态预测规则，根据各个状态转换模型、各个状态映射模型、各个状态变换路径。

38、中的第n1个状态以及对应的第n1个状态判定值，计算各个状态变换路径中的第n个状态以及对应的第n个状态判定值，直至n达到预设最大值。0053本步骤是一个循环步骤，n大于或等于2。0054具体的，首先，根据各个状态转换模型中的第一概率矩阵、各个状态映射模型中的第二概率矩阵和各个第n1个状态，计算每个第n个候选状态集中每个候选状态对应的一个或多个候选状态判定值，每个第n个候选状态集与每个状态变换路径中的第n个状态相对应，如公式（1）所示：（1）其中，表示候选状态判定值，A为第n个预测周期对应的第一概率矩阵，为A中的任意一个元素，为第n1个状态，为任意一个候选状态，M为每个电力单元在第n个预测周期所有。

39、候选状态的总数，B为第二概率矩阵，为B中的任意一个元素，N为外部环境状态的总数，为第n个预测周期对应的外部环境状态。表示候选状态判定值。0055然后，通过状态预测规则，根据每个状态变换路径对应的第n1个状态判定值，以及各个候选状态判定值，确定每个状态变换路径对应的第n个状态判定值。将第n个状态判定值对应的候选状态作为第n个状态。0056在一种可能的设计中，具体包括：计算每个第n1个状态判定值与第一权重值的第一乘积；计算每个第n个状态对应的各个候选状态判定值与各个第二权重值的第二乘积，第二权重值与候选状态判定值一一对应；将第一乘积与至少一个第二乘积之和的最大值，作为第n个状态判定值。0057上述。

40、步骤结束后，n自加1，重复执行上述步骤，直至n达到预设最大值。其中，第一权重值可以是工作人员预设的。0058S1042、根据每个状态变换路径中的各个内部运行状态，以及内部运行状态对应的风险值，确定每个电力单元在多个预测周期内的单元风险序列。说明书7/11 页11CN 117495114 A110059在本步骤中，首先，判断每个状态变换路径中的各个内部运行状态是否属于可正常运行类别；若是，则将内部运行状态对应的风险值设置为第一风险值；否则，将内部运行状态对应的风险值设置为第二风险值；然后，将各个风险值按预测周期的顺序排列成单元风险序列。0060S1043、根据预设组合方式将各个单元风险序列组合成。

41、组合风险预测序列。0061在本步骤中，组合风险预测序列中包括：与预测时段对应的多个组合风险值。0062在一种可能的设计中，本步骤具体包括：判断每个单元风险序列中的倒数第二个风险值是否为第一风险值，第一风险值与可正常工作类别的内部运行状态相对应；若否，则将单元风险序列作为组合风险预测序列的子序列，即组合风险预测序列是由多个子系列组成的。0063需要说明的是，在本实施例中选取倒数第二个内部运行状态是可以归类为可正常工作类别的内部运行状态，是因为需要考虑电力单元在多个预测周期对应的预测时段对整个系统工作的有效支持，只有在倒数第二个预测周期时电力单元仍能正常工作，才能证明预测时段的选择是合理的，否则电。

42、力单元长时间处于无法工作状态与现实的实际情况将会存在较大的偏差。0064S105、根据组合风险预测序列确定并输出风险提示信息。0065在本步骤中，组合风险预测序列中的各个子序列就代表了各个电力单元在各个预测周期内出现风险的概率，这样就能够提前安排相应的人员进行提前驻守，或者提前准备相应的维护预案。0066本实施例提供了一种基于大数据分析的电力系统风险预测方法，通过获取历史数据集，并对历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型，综合状态转换模型用于表征每个电力单元由系统内因和/或系统外因引起的内部状态变换的概率；利用各个状态变换模型，构建每个电力单元与多个预测周期。

43、对应的状态变换网络图；获取电力系统的当前运行参数，并对当前运行参数进行大数据分析，确定各个电力单元对应的初始状态概率集，初始状态概率集包括多个初始状态概率，每个初始状态概率对应于一个内部运行状态；利用预设寻迹算法，根据各个初始状态概率集以及对应的各个状态变换网络图，确定电力系统的组合风险预测序列；根据组合风险预测序列确定并输出风险提示信息。解决了如何对电力系统进行高效、准确的风险预测的技术问题。0067图3为本申请实施例提供的一种基于大数据分析的电力系统风险预测系统的结构示意图。该风险预测系统300可以通过软件、硬件或者两者的结合实现。0068如图3所示，该风险预测系统300包括：获取模块30。

44、1，用于获取历史数据集；大数据分析模块302，用于对历史数据集进行大数据分析，构建电力系统中至少一个电力单元的综合状态转换模型，综合状态转换模型用于表征每个电力单元由系统内因和/或系统外因引起的内部状态变换的概率；风险预测模块303，用于利用各个状态变换模型，构建每个电力单元与多个预测周期对应的状态变换网络图；说明书8/11 页12CN 117495114 A12获取模块301，用于获取电力系统的当前运行参数；大数据分析模块，还用于对当前运行参数进行大数据分析，确定各个电力单元对应的初始状态概率集，初始状态概率集包括多个初始状态概率，每个初始状态概率对应于一个内部运行状态；风险预测模块303，。

45、还用于：利用预设寻迹算法，根据各个初始状态概率集以及对应的各个状态变换网络图，确定电力系统的组合风险预测序列；根据组合风险预测序列确定并输出风险提示信息。0069在一种可能的设计中，风险预测模块303，还用于：利用预设寻迹算法，根据各个初始状态概率集以及对应的各个状态变换网络图，确定每个电力单元在多个预测周期内的状态变换路径；根据每个状态变换路径中的各个内部运行状态，以及内部运行状态对应的风险值，确定每个电力单元在多个预测周期内的单元风险序列；根据预设组合方式将各个单元风险序列组合成组合风险预测序列。0070在一种可能的设计中，获取模块301，还用于获取第一历史数据集和第二历史数据集，第一历史。

46、数据集包括电力系统在一个或多个历史时段内的至少一个内部运行数据，第二历史数据集包括电力系统在一个或多个历史时段内的至少一个外部环境数据；大数据分析模块302，还用于对第一历史数据集和第二历史数据集进行大数据分析，构建一个或多个电力单元对应的综合状态转换模型；综合状态转换模型包括：状态转换模型和状态映射模型，状态转换模型用于表征系统内因引起的各个内部运行状态之间相互转换的第一概率，状态映射模型用于表征每个系统外因与至少一个内部运行状态之间存在关联影响的第二概率。0071在一种可能的设计中，风险预测模块303，还用于：通过状态预测规则，根据每个电力单元对应的初始状态概率集，确定每个电力单元对应的状。

47、态变换路径的第1个状态，以及第1个状态对应的第1个状态判定值，状态变换路径中的状态与预测周期一一对应；通过状态预测规则，根据各个状态转换模型、各个状态映射模型、各个状态变换路径中的第n1个状态以及对应的第n1个状态判定值，计算各个状态变换路径中的第n个状态以及对应的第n个状态判定值，直至n达到预设最大值，其中n大于或等于2。0072在一种可能的设计中，风险预测模块303，还用于：将每个初始状态概率集中的最大值作为第1个状态判定值，将最大值对应的状态作为第1个状态。0073在一种可能的设计中，风险预测模块303，还用于：根据各个状态转换模型中的第一概率矩阵、各个状态映射模型中的第二概率矩阵和各个。

48、第n1个状态，计算每个第n个候选状态集中每个候选状态对应的一个或多个候选状态判定值，每个第n个候选状态集与每个状态变换路径中的第n个状态相对应：说明书9/11 页13CN 117495114 A130074其中，表示候选状态判定值，A为第n个预测周期对应的第一概率矩阵，为A中的任意一个元素，为第n1个状态，为任意一个候选状态，M为每个电力单元在第n个预测周期所有候选状态的总数，B为第二概率矩阵，为B中的任意一个元素，N为外部环境状态的总数，为第n个预测周期对应的外部环境状态；通过状态预测规则，根据每个状态变换路径对应的第n1个状态判定值，以及各个候选状态判定值，确定每个状态变换路径对应的第n个。

49、状态判定值；将第n个状态判定值对应的候选状态作为第n个状态。0075在一种可能的设计中，风险预测模块303，还用于：计算每个第n1个状态判定值与第一权重值的第一乘积；计算每个第n个状态对应的各个候选状态判定值与各个第二权重值的第二乘积，第二权重值与候选状态判定值一一对应；将第一乘积与至少一个第二乘积之和的最大值，作为第n个状态判定值。0076在一种可能的设计中，风险预测模块303，还用于：判断每个状态变换路径中的各个内部运行状态是否属于可正常运行类别；若是，则将内部运行状态对应的风险值设置为第一风险值；否则，将内部运行状态对应的风险值设置为第二风险值；将各个风险值按预测周期的顺序排列成单元风险。

50、序列。0077在一种可能的设计中，风险预测模块303，还用于：判断每个单元风险序列中的倒数第二个风险值是否为第一风险值，第一风险值与可正常工作类别的内部运行状态相对应；若否，则将单元风险序列作为组合风险预测序列的子序列。0078值得说明的是，图3所示实施例提供的系统，可以执行上述任一方法实施例中所提供的方法，其具体实现原理、技术特征、专业名词解释以及技术效果类似，在此不再赘述。0079图4为本申请实施例提供的一种电子设备的结构示意图。如图4所示，该电子设备400，可以包括：至少一个处理器401和存储器402。图4示出的是以一个处理器为例的装置。0080存储器402，用于存放程序。具体地，程序可。