本发明属于配电网运行监测，具体涉及一种配电台区风险分级预警方法及系统。
背景技术：
1、随着电动汽车保有量大幅上升，容量较大的电动汽车充电站逐渐接入配电网，为电动汽车充放电提供了便捷的用能服务。由于部分配电网台区的运行状态监测设备与使用方法仍存在一定滞后性，目前对于含电动汽车充电站配电台区的运行监测能力尚存不足，难以满足对于含电动汽车充电站配电台区的高效监测需求。并且，电动汽车充电站运行中由于大量电动汽车集中充电，所在台区可能出现重过载、电压偏差等运行状态劣化问题。同时配电网对于配电台区的监测与预警缺乏高效方法，难以满足保证配电网优质运行的监测、预警需求。
2、目前关于配电网台区的运行状态监测问题已有研究，常规方法为以15分钟为时间间隔，对于台区的相关电气量进行采集，对运行状态进行分析告警。该方法可对运行状态要求相对较低的配电台区进行监测管理，但在解决含电动汽车充电站配电台区的监测预警问题时，较难实现更为及时的运行状态劣化预警。如不对含电动汽车充电站配电台区的运行状态进行更高效的监测、更精准的预警，将会严重影响含电动汽车充电站配电台区运行状态，制约充电站所在台区的供能水平与可靠性。
技术实现思路
1、为克服上述相关技术中存在的问题，本技术提供一种配电台区风险分级预警方法及系统。
2、根据本技术实施例的第一方面，提供一种配电台区风险分级预警方法，包括：
3、对基于第一数据采集时间间隔采集的配电台区的目标监测数据进行特征提取，得到第一台区数据特征；
4、基于所述第一台区数据特征，对预设的特征指标进行关联度分析，得到第一关键预警指标；
5、利用所述第一关键预警指标进行特征指标融合，得到第一新特征数据；
6、基于所述第一新特征数据，利用预警模型预测得到所述配电台区的预警等级；
7、根据所述配电台区的预警等级，对所述第一数据采集时间间隔进行调整，得到第二数据采集时间间隔；
8、基于所述第二数据采集时间间隔重新采集所述目标监测数据，并根据重新采集的目标监测数据重新获取配电台区的预警等级。
9、优选的，所述对基于第一数据采集时间间隔采集的配电台区的目标监测数据进行特征提取，得到第一台区数据特征，包括：
10、对所述目标监测数据进行数据清洗；
11、从数据清洗后的目标监测数据中提取与预设的特征指标对应的数据，得到所述第一台区数据特征。
12、优选的，所述基于所述第一台区数据特征，对预设的特征指标进行关联度分析，得到第一关键预警指标，包括：
13、基于所述第一台区数据特征，采用灰度关联分析方法对所述预设的特征指标进行关联度分析，得到所述第一关键预警指标。
14、优选的，所述基于所述第一台区数据特征，采用灰度关联分析方法对所述预设的特征指标进行关联度分析，得到所述第一关键预警指标，包括：
15、利用所述第一台区数据特征构建第一比较数列；
16、利用采集的第一历史监测数据构建第一参考数列；
17、对所述第一比较数列和所述第一参考数列均进行标准化处理；
18、计算各预设的特征指标对应的标准化处理后的第一比较数列和标准化处理后的第一参考数列之间的绝对差值；
19、利用所述绝对差值，确定各预设的特征指标对应的标准化处理后的第一比较数列和标准化处理后的第一参考数列之间的灰度关联度；
20、选取满足预设条件的灰度关联度对应的预设的特征指标为所述第一关键预警指标。
21、优选的，所述利用采集的第一历史监测数据构建第一参考数列，包括：
22、对所述第一历史监测数据进行数据清洗；
23、对与所述预设的特征指标对应的数据清洗后的第一历史监测数据进行标准化处理，得到所述预设的特征指标对应的标准化处理后的第一历史监测数据；
24、令各预设的特征指标对应的标准化处理后的第一历史监测数据中的最小值为最优值，各预设的特征指标对应的标准化处理后的第一历史监测数据中的最大值为最劣值；
25、利用所述预设的特征指标对应的最优值和最劣值构建所述第一参考数列。
26、优选的，所述利用所述绝对差值，确定各预设的特征指标对应的标准化处理后的第一比较数列和标准化处理后的第一参考数列之间的灰度关联度，包括：
27、根据所述绝对差值，确定各预设的特征指标对应的标准化处理后的第一比较数列和标准化处理后的第一参考数列之间的最大绝对差值和最小绝对差值；
28、利用所述最大绝对差值和最小绝对差值，计算得到各预设的特征指标对应的标准化处理后的第一比较数列和标准化处理后的第一参考数列之间的灰度关联度。
29、优选的，所述利用所述第一关键预警指标进行特征指标融合，得到第一新特征数据，包括：
30、从数据清洗后的目标监测数据中提取与所述第一关键预警指标对应的数据，构建第一特征集矩阵；
31、基于所述第一特征集矩阵，采用主成分分析方法构建所述第一新特征数据。
32、优选的，所述基于所述第一特征集矩阵，采用主成分分析方法构建所述第一新特征数据，包括：
33、利用所述第一特征集矩阵，计算得到第一协方差矩阵；
34、计算所述第一协方差矩阵中的前p个特征的累积贡献率；
35、当所述前p个特征的累积贡献率大于等于累积贡献率的预期值时，利用所述第一协方差矩阵中的前p个特征构建所述第一新特征数据；
36、其中，p为正整数，p≤k，k为第一协方差矩阵中的特征的总数量。
37、优选的，所述根据所述配电台区的预警等级，对所述第一数据采集时间间隔进行调整，得到第二数据采集时间间隔，包括：
38、若所述预警等级为第四预警等级或配电台区中电动汽车进场数量达到充电站容量第一百分比，则所述第二数据采集时间间隔为所述第一数据采集时间间隔的第一倍数；
39、若所述预警等级为第三预警等级或配电台区中电动汽车进场数量达到充电站容量第二百分比，则所述第二数据采集时间间隔为所述第一数据采集时间间隔的第二倍数；
40、若所述预警等级低于或等于第二预警等级，且配电台区中电动汽车进场数量小于充电站容量第二百分比，则所述第二数据采集时间间隔为所述第一数据采集时间间隔的第三倍数；
41、若所述预警等级低于或等于第一预警等级，且配电台区中电动汽车进场数量小于充电站容量第二百分比，则所述第二数据采集时间间隔为所述第一数据采集时间间隔。
42、优选的，所述预警模型的建立过程，包括：
43、采集配电台区的第二历史监测数据；
44、对所述第二历史监测数据进行特征提取，得到第二台区数据特征；
45、基于所述第二台区数据特征，对预设的特征指标进行关联度分析，得到第二关键预警指标；
46、利用所述第二关键预警指标进行特征指标融合，得到第二新特征数据；
47、确定所述第二新特征数据对应的配电台区的历史预警等级；
48、利用所述第二新特征数据和所述配电台区的历史预警等级构建数据集，并利用所述数据集对长短神经网络模型进行训练，得到所述预警模型。
49、优选的，所述对所述第二历史监测数据进行特征提取，得到第二台区数据特征，包括：
50、对所述第二历史监测数据进行数据清洗；
51、从数据清洗后的第二历史监测数据中提取与预设的特征指标对应的数据，得到第二台区数据特征。
52、优选的，所述基于所述第二台区数据特征，对预设的特征指标进行关联度分析，得到第二关键预警指标，包括：
53、基于所述第二台区数据特征，采用灰度关联分析方法对预设的特征指标进行关联度分析，得到所述第二关键预警指标。
54、优选的，所述基于所述第二台区数据特征，采用灰度关联分析方法对预设的特征指标进行关联度分析，得到所述第二关键预警指标，包括：
55、利用所述第二台区数据特征构建第二比较数列；
56、利用采集的第三历史监测数据构建第二参考数列；
57、对所述第二比较数列和所述第二参考数列均进行标准化处理；
58、计算各预设的特征指标对应的标准化处理后的第二比较数列和标准化处理后的第二参考数列之间的绝对差值；
59、利用所述绝对差值，确定各预设的特征指标对应的标准化处理后的第二比较数列和标准化处理后的第二参考数列之间的灰度关联度；
60、选取满足预设条件的灰度关联度对应的特征指标为所述第二关键预警指标；
61、其中，所述第三历史监测数据的采集时间早于所述第二历史监测数据的采集时间。
62、优选的，所述利用采集的第三历史监测数据构建第二参考数列，包括：
63、对所述第三历史监测数据进行数据清洗；
64、对与所述预设的特征指标对应的数据清洗后的第三历史监测数据进行标准化处理，得到所述预设的特征指标对应的标准化处理后的第三历史监测数据；
65、令各预设的特征指标对应的标准化处理后的第三历史监测数据中的最小值为最优值，各预设的特征指标对应的标准化处理后的第三历史监测数据中的最大值为最劣值；
66、利用所述预设的特征指标对应的最优值和最劣值构建所述第二参考数列。
67、优选的，所述利用所述绝对差值，确定各预设的特征指标对应的标准化处理后的第二比较数列和标准化处理后的第二参考数列之间的灰度关联度，包括：
68、根据所述绝对差值，确定各预设的特征指标对应的标准化处理后的第二比较数列和标准化处理后的第二参考数列之间的最大绝对差值和最小绝对差值；
69、利用所述最大绝对差值和最小绝对差值，计算得到各预设的特征指标对应的标准化处理后的第二比较数列和标准化处理后的第二参考数列之间的灰度关联度。
70、优选的，所述利用所述第二关键预警指标进行特征指标融合，得到第二新特征数据，包括：
71、从数据清洗后的第二历史监测数据中提取与所述第二关键预警指标对应的数据，构建第二特征集矩阵；
72、基于所述第二特征集矩阵，采用主成分分析方法构建所述第二新特征数据。
73、优选的，所述基于所述第二特征集矩阵，采用主成分分析方法构建所述第二新特征数据，包括：
74、利用所述第二特征集矩阵，计算得到第二协方差矩阵；
75、计算所述第二协方差矩阵中的前p'个特征的累积贡献率；
76、当前p'个特征的累积贡献率大于等于累积贡献率的预期值时，利用所述第二协方差矩阵中的前p'个特征构建所述第二新特征数据；
77、其中，p'为正整数，p'≤k'，k'为第二协方差矩阵中的特征的总数量。
78、优选的，所述确定所述第二新特征数据对应的配电台区的历史预警等级，包括：
79、根据所述第二关键预警指标对应的预设的台区正常运行时的标准限值和预设的台区故障运行时的标准限值，提取所述第二新特征数据中的有效数据，得到处理后的第二新特征数据；
80、基于所述第二关键预警指标，采用k-means聚类方法对所述处理后的第二新特征数据进行特征聚类，得到聚类后的第二新特征数据；
81、基于所述聚类后的第二新特征数据，采用区间预测方法分析得到所述第二关键预警指标对应的变化极值；
82、基于所述聚类后的第二新特征数据和所述第二关键预警指标对应的变化极值，利用bootstrap算法预测得到所述第二关键预警指标对应的bootstrap样本的样本方差；
83、利用所述第二关键预警指标对应的样本方差，计算得到第二关键预警指标的上限值和下限值；
84、根据所述第二关键预警指标的上限值和下限值，确定所述第二新特征数据对应的配电台区的历史预警等级。
85、优选的，所述根据所述第二关键预警指标的上限值和下限值，确定所述第二新特征数据对应的配电台区的历史预警等级，包括：
86、当所述第二关键预警指标的上限值和下限值，属于置信度为第一置信度阈值对应的波动区间时，所述配电台区的历史预警等级为第一预警等级；
87、当所述第二关键预警指标的上限值和下限值，属于置信度为第二置信度阈值对应的波动区间时，所述配电台区的历史预警等级为第二预警等级；
88、当所述第二关键预警指标的上限值和下限值，属于置信度为第三置信度阈值对应的波动区间时，所述配电台区的历史预警等级为第三预警等级；
89、当所述第二关键预警指标的上限值和下限值，属于置信度为第四置信度阈值对应的波动区间时，所述配电台区的历史预警等级为第四预警等级。
90、优选的，所述利用所述数据集对长短神经网络模型进行训练，得到所述预警模型，包括：
91、将所述数据集划分为训练集、验证集和测试集；
92、利用所述训练集对所述长短神经网络模型进行训练，得到训练后的长短神经网络模型；
93、利用验证集对所述训练后的长短神经网络模型进行验证，若验证成功，则利用所述测试集评估所述训练后的长短神经网络模型的性能；若验证失败，则调整所述长短神经网络模型的超参数和监测过拟合，并重新训练所述长短神经网络模型，直至验证成功；
94、利用所述测试集对所述训练后的长短神经网络模型进行性能评估，若所述训练后的长短神经网络模型的性能评估成功，则所述训练后的长短神经网络模型为所述预警模型；若所述训练后的长短神经网络模型的性能评估失败，则重新采集所述第二历史监测数据，并利用重新采集后的所述第二历史监测数据建立预警模型。
95、优选的，所述第一协方差矩阵的计算式，包括：
96、 b=x t x
97、所述第一协方差矩阵中的前p个特征的累积贡献率的计算式，包括：
98、
99、上式中，x为第一特征集矩阵，t为转置，b为第一协方差矩阵；，k为第一协方差矩阵中的特征的总数量，p≤k；为所述第一协方差矩阵中的前p个特征的累积贡献率，为所述第一协方差矩阵中的第i个特征的特征值。
100、优选的，所述第二协方差矩阵的计算式，包括：
101、 b'=x' t x'
102、所述第二协方差矩阵中的前p'个特征的累积贡献率的计算式，包括：
103、
104、上式中，x'为第二特征集矩阵，t为转置，b'为第二协方差矩阵； i'∈[ 1,k']，k'为第二协方差矩阵中的特征的总数量，p'≤k'；为所述第二协方差矩阵中的前p'个特征的累积贡献率，为所述第二协方差矩阵中的第i'个特征的特征值。
105、优选的，所述第二关键预警指标的上限值的计算式，包括：
106、
107、所述第二关键预警指标的下限值的计算式，包括：
108、
109、上式中，为第二关键预警指标的上限值，为第二关键预警指标的下限值，为第二关键预警指标对应的所述聚类后的第二新特征数据的均值，为第二关键预警指标对应的样本方差，为标准正态分布100·(1- α)%对应的临界值， α为调整系数。
110、优选的，所述配电台区为含电动汽车充电站的配电台区。
111、根据本技术实施例的第二方面，提供一种配电台区风险分级预警系统，包括：
112、提取单元，用于对基于第一数据采集时间间隔采集的配电台区的目标监测数据进行特征提取，得到第一台区数据特征；
113、第一获取单元，用于基于所述第一台区数据特征，对预设的特征指标进行关联度分析，得到第一关键预警指标；
114、第二获取单元，用于利用所述第一关键预警指标进行特征指标融合，得到第一新特征数据；
115、第三获取单元，用于基于所述第一新特征数据，利用预警模型预测得到所述配电台区的预警等级；
116、调整单元，用于根据所述配电台区的预警等级，对所述第一数据采集时间间隔进行调整，得到第二数据采集时间间隔；
117、第四获取单元，用于基于所述第二数据采集时间间隔重新采集所述目标监测数据，并根据重新采集的目标监测数据重新获取配电台区的预警等级。
118、优选的，所述提取单元，包括：
119、数据清洗子单元，用于对所述目标监测数据进行数据清洗；
120、第一获取子单元，用于从数据清洗后的目标监测数据中提取与预设的特征指标对应的数据，得到所述第一台区数据特征。
121、优选的，所述第一获取单元，包括：
122、第二获取子单元，用于基于所述第一台区数据特征，采用灰度关联分析方法对所述预设的特征指标进行关联度分析，得到所述第一关键预警指标。
123、优选的，所述第二获取子单元，包括：
124、第一构建模块，用于利用所述第一台区数据特征构建第一比较数列；
125、第二构建模块，用于利用采集的第一历史监测数据构建第一参考数列；
126、处理模块，用于对所述第一比较数列和所述第一参考数列均进行标准化处理；
127、第一计算模块，用于计算各预设的特征指标对应的标准化处理后的第一比较数列和标准化处理后的第一参考数列之间的绝对差值；
128、确定模块，用于利用所述绝对差值，确定各预设的特征指标对应的标准化处理后的第一比较数列和标准化处理后的第一参考数列之间的灰度关联度；
129、选择模块，用于选取满足预设条件的灰度关联度对应的预设的特征指标为所述第一关键预警指标。
130、优选的，所述第二构建模块，具体用于：
131、对所述第一历史监测数据进行数据清洗；
132、对与所述预设的特征指标对应的数据清洗后的第一历史监测数据进行标准化处理，得到所述预设的特征指标对应的标准化处理后的第一历史监测数据；
133、令各预设的特征指标对应的标准化处理后的第一历史监测数据中的最小值为最优值，各预设的特征指标对应的标准化处理后的第一历史监测数据中的最大值为最劣值；
134、利用所述预设的特征指标对应的最优值和最劣值构建所述第一参考数列。
135、优选的，所述确定模块，具体用于：
136、根据所述绝对差值，确定各预设的特征指标对应的标准化处理后的第一比较数列和标准化处理后的第一参考数列之间的最大绝对差值和最小绝对差值；
137、利用所述最大绝对差值和最小绝对差值，计算得到各预设的特征指标对应的标准化处理后的第一比较数列和标准化处理后的第一参考数列之间的灰度关联度。
138、优选的，所述第二获取单元，包括：
139、第一构建子单元，用于从数据清洗后的目标监测数据中提取与所述第一关键预警指标对应的数据，构建第一特征集矩阵；
140、第二构建子单元，用于基于所述第一特征集矩阵，采用主成分分析方法构建所述第一新特征数据。
141、优选的，第二构建子单元，包括：
142、第二计算模块，用于利用所述第一特征集矩阵，计算得到第一协方差矩阵；
143、第三计算模块，用于计算所述第一协方差矩阵中的前p个特征的累积贡献率；
144、第三构建模块，用于当所述前p个特征的累积贡献率大于等于累积贡献率的预期值时，利用所述第一协方差矩阵中的前p个特征构建所述第一新特征数据；
145、其中，p为正整数，p≤k，k为第一协方差矩阵中的特征的总数量。
146、优选的，所述调整单元，具体用于：
147、若所述预警等级为第四预警等级或配电台区中电动汽车进场数量达到充电站容量第一百分比，则所述第二数据采集时间间隔为所述第一数据采集时间间隔的第一倍数；
148、若所述预警等级为第三预警等级或配电台区中电动汽车进场数量达到充电站容量第二百分比，则所述第二数据采集时间间隔为所述第一数据采集时间间隔的第二倍数；
149、若所述预警等级低于或等于第二预警等级，且配电台区中电动汽车进场数量小于充电站容量第二百分比，则所述第二数据采集时间间隔为所述第一数据采集时间间隔的第三倍数；
150、若所述预警等级低于或等于第一预警等级，且配电台区中电动汽车进场数量小于充电站容量第二百分比，则所述第二数据采集时间间隔为所述第一数据采集时间间隔。
151、优选的，所述配电台区为含电动汽车充电站的配电台区。
152、根据本技术实施例的第三方面，提供一种电子设备，包括：至少一个处理器和存储器；所述存储器和处理器通过总线相连；
153、所述存储器，用于存储一个或多个程序；
154、当所述一个或多个程序被所述至少一个处理器执行时，实现所述的配电台区风险分级预警方法。
155、根据本技术实施例的第四方面，提供一种可读存储介质，其上存有执行程序，所述执行程序被执行时，实现所述的配电台区风险分级预警方法。
156、本发明提供的技术方案具有以下有益效果：
157、本发明提供了一种配电台区风险分级预警方法及系统，通过对基于第一数据采集时间间隔采集的配电台区的目标监测数据进行特征提取，得到第一台区数据特征，通过基于第一台区数据特征，对预设的特征指标进行关联度分析，得到第一关键预警指标，通过利用第一关键预警指标进行特征指标融合，得到第一新特征数据，通过基于第一新特征数据，利用预警模型预测得到配电台区的预警等级，通过根据配电台区的预警等级，对第一数据采集时间间隔进行调整，得到第二数据采集时间间隔，通过基于第二数据采集时间间隔重新采集目标监测数据，并根据重新采集的目标监测数据重新获取配电台区的预警等级，不仅实现了配电台区的采集间隔进行灵活调整，减轻了对于配电台区数据采集资源的压力，减轻数据传输与读取的任务强度，还提高了配电台区风险预警的准确性和可靠性，提高了含电动汽车充电站配电台区的电能服务交通用能的便捷性，进而提高配电网系统运行的安全稳定属性。
1.一种配电台区风险分级预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对基于第一数据采集时间间隔采集的配电台区的目标监测数据进行特征提取，得到第一台区数据特征，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一台区数据特征，对预设的特征指标进行关联度分析，得到第一关键预警指标，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述第一台区数据特征，采用灰度关联分析方法对所述预设的特征指标进行关联度分析，得到所述第一关键预警指标，包括：
5.根据权利要求4所述的方法，其特征在于，所述利用采集的第一历史监测数据构建第一参考数列，包括：
6.根据权利要求4所述的方法，其特征在于，所述利用所述绝对差值，确定各预设的特征指标对应的标准化处理后的第一比较数列和标准化处理后的第一参考数列之间的灰度关联度，包括：
7.根据权利要求2所述的方法，其特征在于，所述利用所述第一关键预警指标进行特征指标融合，得到第一新特征数据，包括：
8.根据权利要求7所述的方法，其特征在于，所述基于所述第一特征集矩阵，采用主成分分析方法构建所述第一新特征数据，包括：
9.根据权利要求2所述的方法，其特征在于，所述根据所述配电台区的预警等级，对所述第一数据采集时间间隔进行调整，得到第二数据采集时间间隔，包括：
10.根据权利要求1所述的方法，其特征在于，所述预警模型的建立过程，包括：
11.根据权利要求10所述的方法，其特征在于，所述对所述第二历史监测数据进行特征提取，得到第二台区数据特征，包括：
12.根据权利要求10所述的方法，其特征在于，所述基于所述第二台区数据特征，对预设的特征指标进行关联度分析，得到第二关键预警指标，包括：
13.根据权利要求12所述的方法，其特征在于，所述基于所述第二台区数据特征，采用灰度关联分析方法对预设的特征指标进行关联度分析，得到所述第二关键预警指标，包括：
14.根据权利要求13所述的方法，其特征在于，所述利用采集的第三历史监测数据构建第二参考数列，包括：
15.根据权利要求13所述的方法，其特征在于，所述利用所述绝对差值，确定各预设的特征指标对应的标准化处理后的第二比较数列和标准化处理后的第二参考数列之间的灰度关联度，包括：
16.根据权利要求11所述的方法，其特征在于，所述利用所述第二关键预警指标进行特征指标融合，得到第二新特征数据，包括：
17.根据权利要求16所述的方法，其特征在于，所述基于所述第二特征集矩阵，采用主成分分析方法构建所述第二新特征数据，包括：
18.根据权利要求10所述的方法，其特征在于，所述确定所述第二新特征数据对应的配电台区的历史预警等级，包括：
19.根据权利要求18所述的方法，其特征在于，所述根据所述第二关键预警指标的上限值和下限值，确定所述第二新特征数据对应的配电台区的历史预警等级，包括：
20.根据权利要求10所述的方法，其特征在于，所述利用所述数据集对长短神经网络模型进行训练，得到所述预警模型，包括：
21.根据权利要求8所述的方法，其特征在于，所述第一协方差矩阵的计算式，包括：
22.根据权利要求17所述的方法，其特征在于，所述第二协方差矩阵的计算式，包括：
23.根据权利要求18所述的方法，其特征在于，所述第二关键预警指标的上限值的计算式，包括：
24.根据权利要求1所述的方法，其特征在于，所述配电台区为含电动汽车充电站的配电台区。
25.一种配电台区风险分级预警系统，其特征在于，包括：
26.根据权利要求25所述的系统，其特征在于，所述提取单元，包括：
27.根据权利要求25所述的系统，其特征在于，所述第一获取单元，包括：
28.根据权利要求27所述的系统，其特征在于，所述第二获取子单元，包括：
29.根据权利要求28所述的系统，其特征在于，所述第二构建模块，具体用于：
30.根据权利要求28所述的系统，其特征在于，所述确定模块，具体用于：
31.根据权利要求26所述的系统，其特征在于，所述第二获取单元，包括：
32.根据权利要求31所述的系统，第二构建子单元，包括：
33.根据权利要求25所述的系统，其特征在于，所述调整单元，具体用于：
34.根据权利要求25所述的系统，其特征在于，所述配电台区为含电动汽车充电站的配电台区。
35.一种电子设备，其特征在于，包括：至少一个处理器和存储器；所述存储器和处理器通过总线相连；
36.一种可读存储介质，其特征在于，其上存有执行程序，所述执行程序被执行时，实现如权利要求1至24中任一项所述的配电台区风险分级预警方法。
