CN109614381A - 电力调度日志分类方法、装置及设备 - Google Patents
电力调度日志分类方法、装置及设备 Download PDFInfo
- Publication number
- CN109614381A CN109614381A CN201811502061.2A CN201811502061A CN109614381A CN 109614381 A CN109614381 A CN 109614381A CN 201811502061 A CN201811502061 A CN 201811502061A CN 109614381 A CN109614381 A CN 109614381A
- Authority
- CN
- China
- Prior art keywords
- result
- term vector
- log
- power scheduling
- obtains
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000015654 memory Effects 0.000 claims description 9
- 238000005267 amalgamation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种电力调度日志分类方法、装置及设备,涉及系统调度自动化的技术领域,该方法包括:获取电力调度的目标日志;根据目标算法对目标日志进行训练,得到词向量;通过LSTM算法对词向量分别进行正向学习和反向学习,得到正向结果和反向结果;将正向结果和反向结果合并,并发送至分类模块进行分类。本发明实施例相比传统的人工分类方法大大提高了分类的准确度和效率,节约了人力成本,进一步提高了工作效率。
Description
技术领域
本发明涉及系统调度自动化技术领域,尤其是涉及一种电力调度日志分类方法、装置及设备。
背景技术
近些年来,我国经济发展迅速,用电量大幅度增长。与此同时,电力网络规模逐步扩大,复杂程度越来越高,电网调度操作更加频繁,调度数据量也快速的增长。为了适应电网的快速发展,电力企业需要不断提高其电网调度管理水平。调度日志是电网调度管理信息化的重要组成部分。其主要记录了电网运行情况信息,是分析和挖掘电网运行的重要数据来源。目前,电网调度日志系统记录下的日志多以流水账的方式记录,并以文本的形式存储在数据库中。在日志记录过程中,不同调度员的理解和撰写方式存在较大差异,对同一事件的记录方式和描述侧重点有所不同。电网调度日志系统每天都会产生大量调度日志,通过对这些日志的准确、高效的分析和挖掘,可以发现大量有价值的信息。
发明内容
有鉴于此,本发明的目的在于提供一种电力调度日志分类方法、装置及设备,以提高日志分类的准确度和效率。
第一方面,本发明实施例提供了一种电力调度日志分类方法,该方法包括:获取电力调度的目标日志;根据目标算法对目标日志进行训练,得到词向量;通过LSTM算法对词向量分别进行正向学习和反向学习,得到正向结果和反向结果;将正向结果和反向结果合并,并发送至分类模块进行分类。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,获取电力调度的目标日志的步骤,包括:获取电力调度的原始日志;对原始日志进行预处理,得到目标日志。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,根据目标算法对目标日志进行训练,得到词向量的步骤,包括:根据Skip-gram模型对目标日志进行训练,得到词向量。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,通过LSTM算法对所述词向量分别进行正向学习和反向学习,得到正向结果和反向结果的步骤,包括:将词向量输入LSTM算法的模型中;对词向量按照顺序逐个进行正向学习,得到正向结果;对词向量按照逆序逐个进行反向学习,得到反向结果。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,将正向结果和反向结果合并,并发送至分类模块进行分类的步骤,包括计算正向结果和反向结果的均值,得到合并结果;将合并结果发送至分类模块进行分类。
第二方面,本发明实施例还提供一种电力调度日志分类装置,包括:日志获取模块,用于获取电力调度的目标日志;词向量模块,用于根据目标算法对目标日志进行训练,得到词向量;学习模块,用于通过LSTM算法对词向量分别进行正向学习和反向学习,得到正向结果和反向结果;发送模块,用于将正向结果和反向结果合并,并发送至分类模块进行分类。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,日志获取模块,还用于:获取电力调度的原始日志;对原始日志进行预处理,得到目标日志。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,词向量模块,还用于:根据Skip-gram模型对目标日志进行训练,得到词向量。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,学习模块,还用于:将词向量输入LSTM算法的模型中;对词向量按照顺序逐个进行正向学习,得到正向结果;对词向量按照逆序逐个进行反向学习,得到反向结果。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器,存储器中存储有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第一方面或其任一种可能的实施方式的方法的步骤。
本发明实施例带来了以下有益效果:本发明实施例提供了一种电力调度日志分类方法、装置及设备,以历史电力调度日志为分析对象,在得到电力调度的目标日志后,根据目标日志中的内容,通过目标算法对目标日志进行训练,得到词向量,将词向量作为LSTM算法的输入,通过LSTM算法对词向量分别进行正向学习和反向学习,得到正向结果和反向结果,并将正向结果和反向结果合并后发送给分类模块进行分类。本发明实施例相比传统的人工分类方法大大提高了分类的准确度和效率,节约了人力成本,进一步提高了工作效率。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、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。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的电力调度日志分类方法流程图;
图2为本发明实施例提供的电力调度日志分类方法的双向LSTM模型示意图;
图3为本发明实施例提供的电力调度日志分类装置结构框图;
图4为本发明实施例提供的电子设备结构框图。
图标:
31-日志获取模块;32-词向量模块;33-学习模块;34-发送模块;41-存储器;42-处理器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
随着深度学习在计算机视觉和语音识别中获得了巨大的成功,一些学者尝试把深度学习方法应用到自然语言处理中。Tang等人利用循环神经网络(Recurrent NeuralNetwork,RNN)对文档建模进行情感分类。使用卷积神经网络(Convolutional NeuralNetwork,CNN)证明了从字符中学习出抽象的文本概念来表示文本的可行性并可用其对句子进行分类。但是目前的研究多集中在互联网领域,而针对电网日志的词向量分析和文本分类的工作尚不多见。日志记录情况复杂多变,无法使用传统的数据库查询检索的方式,且调度日志的分类是新能源合理调度消纳、故障关联分析等重要工作的基础。
基于此,本发明实施例提供的一种电力调度日志分类方法、装置及设备,可以利用词向量学习得到调度日志中特征的表示,并在语义空间中对学习得到的词向量进行可视化展示,然后使用双向长短时记忆LSTM(Long Short-Term Memory,LSTM)对电网调度日志进行分类,从而能够获得比传统分类方法更优的性能。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种电力调度日志分类方法进行详细介绍。
实施例1
本发明实施例1提供了一种电力调度日志分类方法,参见图1所示的电力调度日志分类方法流程图,该方法包括以下步骤:
步骤S102,获取电力调度的目标日志。
电力调度日志的内容包括电网目前是否正常运行,有无故障发生,故障的现象、原因及解决过程,电网的例行检修计划的执行情况,电网中的紧急事件,以及总公司和各分公司进行调度联络的信息等。这些日志均以自然语言的形式记录,长短不确定,其中夹杂符号、时间、人名地名等各类信息。对历史电力调度日志进行筛选、人工标注日志类别及分词等处理,可以得到电力调度的目标日志。其中,日志类别可以包括:风力发电、光伏发电、水力发电和电网运行等类别。目标日志中去除了历史调度日志中的标点、语气助词等无效样本,且包括该日志所属的类别。
步骤S104,根据目标算法对目标日志进行训练,得到词向量。
目标算法可以为神经网络语言模型、C&W模型、CBOW模型(Continuous Bag-of-Words,CWOB)或Skip-gram模型等。
步骤S106,通过LSTM算法对词向量分别进行正向学习和反向学习,得到正向结果和反向结果。
LSTM(Long Short-Term Memory,LSTM)算法是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。为了能够学习到长距离依赖关系,提出了LSTM,在此之后,许多科研人员对LSTM进行了一系列优化和改进,使其在自然语言处理领域的各个方面得到了广泛的应用。LSTM设计了一个专门用于保存历史信息的记忆单元(memory cell)。历史信息通过三个门:输入门(input gate)、遗忘门(forget gate)、输出门(output gate)的控制进行更新。
ft=σ(Wfxxt+Wfhht-1+bf)
it=σ(Wixxt+Wihht-1+bi)
gt=φ(Wgxxt+Wghht-1+bg)
ot=σ(Woxxt+Wohht-1+bo)
st=gt⊙it+st-1⊙ft
ht=φ(st)⊙ot
其中,xt∈Rk表示t时刻的k维向量的输入,如词向量。遗忘门ft、输入门it、输入结点gt、输出门ot、本单元状态st和本单元输出ht依次按照上式计算,其中Wfx、Wfh、Wix、Wih、Wgx、Wgh、Wox、Woh是权重矩阵,bf、bi、bg、bo是对应权重的偏置。σ(·)是sigmoid函数,φ(·)是tanh函数,⊙表示点积。ht是t时刻以及之前时刻存储了所有有用信息的隐状态向量。
LSTM的特性是使当前单元得到本单元之前所有单元的信息,它的缺点是无法获得本单元之后的单元的信息,因此,本发明提出利用双向LSTM(Bi-directional LSTM),参见图2所示的电力调度日志分类方法的双向LSTM模型示意图,分别用前向和后向LSTM来抓取过去和将来所包含的信息,得到两部分的信息,即为正向结果和反向结果。
步骤S108,将正向结果和反向结果合并,并发送至分类模块进行分类。
将正向结果和反向结果合并,是综合考虑正向结果和反向结果,得到经LSTM算法学习的综合结果,将该综合结果发送至分类模块进行后续操作。
本发明实施例提供了一种电力调度日志分类方法,以历史电力调度日志为分析对象,在得到电力调度的目标日志后,根据目标日志中的内容,通过目标算法对目标日志进行训练,得到词向量,将词向量作为LSTM算法的输入,通过LSTM算法对词向量分别进行正向学习和反向学习,得到正向结果和反向结果,并将正向结果和反向结果合并后发送给分类模块进行分类。本发明实施例相比传统的人工分类方法大大提高了分类的准确度和效率,节约了人力成本,进一步提高了工作效率。
考虑到为了提高日志分类处理效率,获取电力调度的目标日志的步骤,包括:
(1)获取电力调度的原始日志。
原始日志是记录了电网运行情况信息的电力调度日志。例如,一条标签为“光伏发电”的电网调度日志,原始日志如下:
2016-01-03 17:20:58阳光天兴元光伏电站(叶健)报:12月31日8:32311线路箱变覆冰导致避雷器烧毁事故已处理完毕,现已更换损坏的避雷器申请陪停的313开关-#2光伏线所带#19-#40发电单元(容量11MW)并网,冀北调度同意;17:39上述光伏单元已并网。17:50申请311开关-#1光伏线所带#1-#18光伏单元并网(容量9MW),冀北调度同意;19:18上述光伏单元已并网。
(2)对原始日志进行预处理,得到目标日志。
预处理可以包括:剔除无效样本、人工标注日志类别和分词等数据预处理步骤。其中,对原始日志进行分词处理可以使用正向最大匹配算法等。
预处理结果:“阳光天兴元光伏电站线路箱变覆冰导致避雷器烧毁事故处理完毕现已更换损坏避雷器申请陪停开关光伏线所带发电单元容量并网冀北调度同意上述光伏单元已并网申请开关光伏线所带光伏单元并网冀北调度同意上述光伏单元已并网”。
以某电网2016年全年的电网调度日志为例,共包含6905条有效记录,除去每条记录中的日期和时间,最短的记录中包括17个字符,最长的记录中包含465个字符,长度差别巨大。经过剔除无效样本、人工标注日志类别、分词等数据预处理步骤后,形成了包含风力发电、光伏发电、水力发电、电网运行四类类别,共3125条数据。
考虑到Skip-gram模型在模型结构复杂度、参数个数以及时间复杂度上的优势,根据目标算法对目标日志进行训练,得到词向量的步骤,包括:根据Skip-gram模型对目标日志进行训练,得到词向量。
Skip-gram模型通过上下文来预测目标词,从而使整个语料的优化目标最大化:其中,Skip-gram模型每次从目标词w的上下文c中选择n个词,将其词向量作为模型的输入,也就是上下文的表示。选择Skip-gram模型训练电网调度日志的词向量,作为LSTM模型的输入,并在二维语义空间中进行可视化表示。如表1所示,为利用电网调度日志训练得到的二维语义空间的词量表示。
表1
综上所述,电网调度日志特征经过Skip-gram模型训练后,在语义空间能够表达语义相似性。
为了能够学习到长距离依赖关系,且得到更全面的学习效果,通过LSTM算法对所述词向量分别进行正向学习和反向学习,得到正向结果和反向结果的步骤,包括以下步骤:
(1)将词向量输入LSTM算法的模型中。
参见图2所示的电力调度日志分类方法的双向LSTM模型示意图,模型的最底层是输入层,即预处理结束后得到的每个单词的词向量作为神经网络的输入,输入向量ω1-ωn与日志中的每个单词一一对应,且n是可变的。
(2)对词向量按照顺序逐个进行正向学习,得到正向结果;对词向量按照逆序逐个进行反向学习,得到反向结果。
词向量经过前向和反向两个LSTM的学习分别得到最后一个LSTMF和LSTMB的输出hFn和hBn,其中hFn为正向结果,hBn为反向结果。
为了给后续分类模块分类处理提供更加准确的数据,将正向结果和反向结果合并,并发送至分类模块进行分类的步骤,包括计算正向结果和反向结果的均值,得到合并结果;将合并结果发送至分类模块进行分类。
例如,正向结果中包括某词向量属于某分类的概率一,反向结果中包括该词向量属于该分类的概率二,合并结果即为概率一和概率二的均值。将合并结果发送至分类模块进行分类,例如作为softmax的输入,可以使后续分类得到更加准确的结果。
本发明实施例使用了某电网调度日志共3125条,采用交叉验证的方式训练和测试,其中训练集和测试集比例是9:1。日志经预处理后,利用Skip-gram算法训练成词向量,分别使用朴素贝叶斯(Bayes,NB)、k近邻(k-Nearest Neighbors,kNN)、支持向量机(Support Vecotr Machine,SVM)和双向LSTM算法进行文本分类实验。评价指标有准确率(Precision)、召回率(Recall)、F1值。结果如下表2:
表2
可以看出在电网调度日志的分类任务中,双向LSTM相对于传统的机器学习方法,例如NB、kNN、SVM,都有一定的提升。跟传统方法相比,本发明实施例的模型在语料集中包含文本长度不均衡的情况下依然可以很好的学习上下文的长距离文本语义特征。本发明实施例基于电网调度日志训练出词向量,然后将词向量作为LSTM模型的输入,使用双向LSTM对电网调度日志进行分类。本发明实施例可以有效对长度差别巨大的日志进行分类,能够获得比传统分类方法更优的性能。
实施例2
本发明实施例提供了一种电力调度日志分类装置,参见图3所示的电力调度日志分类装置结构框图,该装置包括:
日志获取模块31,用于获取电力调度的目标日志;词向量模块32,用于根据目标算法对目标日志进行训练,得到词向量;学习模块33,用于通过LSTM算法对词向量分别进行正向学习和反向学习,得到正向结果和反向结果;发送模块34,用于将正向结果和反向结果合并,并发送至分类模块进行分类。
日志获取模块31,还用于:获取电力调度的原始日志;对原始日志进行预处理,得到目标日志。
词向量模块32,还用于:根据Skip-gram模型对目标日志进行训练,得到词向量。
学习模块33,还用于:将词向量输入LSTM算法的模型中;对词向量按照顺序逐个进行正向学习,得到正向结果;对词向量按照逆序逐个进行反向学习,得到反向结果。
附图中的流程图和框图显示了根据本发明的多个实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例所提供的电力调度日志分类装置,其实现原理及产生的技术效果和前述电力调度日志分类方法实施例相同,为简要描述,电力调度日志分类装置实施例部分未提及之处,可参考前述电力调度日志分类方法实施例中相应内容。
实施例3
本发明实施例3提供了一种电子设备,参见图4所示的电子设备结构框图,该电子设备包括:
存储器41、处理器42,存储器41中存储有可在处理器上运行的计算机程序,处理器42执行计算机程序时实现上述实施例1中任一种方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的电子设备的具体工作过程,可以参考前述电力调度日志分类方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种电力调度日志分类方法,其特征在于,包括:
获取电力调度的目标日志;
根据目标算法对所述目标日志进行训练,得到词向量;
通过LSTM算法对所述词向量分别进行正向学习和反向学习,得到正向结果和反向结果;
将所述正向结果和所述反向结果合并,并发送至分类模块进行分类。
2.根据权利要求1所述的电力调度日志分类方法,其特征在于,所述获取电力调度的目标日志的步骤,包括:
获取电力调度的原始日志;
对所述原始日志进行预处理,得到所述目标日志。
3.根据权利要求1所述的电力调度日志分类方法,其特征在于,所述根据目标算法对所述目标日志进行训练,得到词向量的步骤,包括:
根据Skip-gram模型对所述目标日志进行训练,得到词向量。
4.根据权利要求1所述的电力调度日志分类方法,其特征在于,所述通过LSTM算法对所述词向量分别进行正向学习和反向学习,得到正向结果和反向结果的步骤,包括:
将所述词向量输入所述LSTM算法的模型中;
对所述词向量按照顺序逐个进行正向学习,得到正向结果;
对所述词向量按照逆序逐个进行反向学习,得到反向结果。
5.根据权利要求1所述的电力调度日志分类方法,其特征在于,所述将所述正向结果和所述反向结果合并,并发送至分类模块进行分类的步骤,包括
计算所述正向结果和所述反向结果的均值,得到合并结果;
将所述合并结果发送至分类模块进行分类。
6.一种电力调度日志分类装置,其特征在于,包括:
日志获取模块,用于获取电力调度的目标日志;
词向量模块,用于根据目标算法对所述目标日志进行训练,得到词向量;
学习模块,用于通过LSTM算法对所述词向量分别进行正向学习和反向学习,得到正向结果和反向结果;
发送模块,用于将所述正向结果和所述反向结果合并,并发送至分类模块进行分类。
7.根据权利要求6所述的电力调度日志分类装置,其特征在于,所述日志获取模块,还用于:
获取电力调度的原始日志;
对所述原始日志进行预处理,得到所述目标日志。
8.根据权利要求6所述的电力调度日志分类装置,其特征在于,所述词向量模块,还用于:
根据Skip-gram模型对所述目标日志进行训练,得到词向量。
9.根据权利要求6所述的电力调度日志分类装置,其特征在于,所述学习模块,还用于:
将所述词向量输入所述LSTM算法的模型中;
对所述词向量按照顺序逐个进行正向学习,得到正向结果;
对所述词向量按照逆序逐个进行反向学习,得到反向结果。
10.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811502061.2A CN109614381A (zh) | 2018-12-07 | 2018-12-07 | 电力调度日志分类方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811502061.2A CN109614381A (zh) | 2018-12-07 | 2018-12-07 | 电力调度日志分类方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109614381A true CN109614381A (zh) | 2019-04-12 |
Family
ID=66007655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811502061.2A Pending CN109614381A (zh) | 2018-12-07 | 2018-12-07 | 电力调度日志分类方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614381A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160022A (zh) * | 2019-12-10 | 2020-05-15 | 国网冀北电力有限公司 | 一种基于改进skip-gram模型的电网调度日志词向量提取方法 |
CN117522371A (zh) * | 2023-09-27 | 2024-02-06 | 华能核能技术研究院有限公司 | 一种核电厂缺陷自动判定执行专业方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170139806A1 (en) * | 2015-11-18 | 2017-05-18 | Nec Laboratories America, Inc. | Automated Anomaly Detection Service on Heterogeneous Log Streams |
CN107832400A (zh) * | 2017-11-01 | 2018-03-23 | 山东大学 | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 |
CN107992597A (zh) * | 2017-12-13 | 2018-05-04 | 国网山东省电力公司电力科学研究院 | 一种面向电网故障案例的文本结构化方法 |
CN108898274A (zh) * | 2018-05-30 | 2018-11-27 | 国网浙江省电力有限公司宁波供电公司 | 一种电力调度日志缺陷分类方法 |
-
2018
- 2018-12-07 CN CN201811502061.2A patent/CN109614381A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170139806A1 (en) * | 2015-11-18 | 2017-05-18 | Nec Laboratories America, Inc. | Automated Anomaly Detection Service on Heterogeneous Log Streams |
CN107832400A (zh) * | 2017-11-01 | 2018-03-23 | 山东大学 | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 |
CN107992597A (zh) * | 2017-12-13 | 2018-05-04 | 国网山东省电力公司电力科学研究院 | 一种面向电网故障案例的文本结构化方法 |
CN108898274A (zh) * | 2018-05-30 | 2018-11-27 | 国网浙江省电力有限公司宁波供电公司 | 一种电力调度日志缺陷分类方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160022A (zh) * | 2019-12-10 | 2020-05-15 | 国网冀北电力有限公司 | 一种基于改进skip-gram模型的电网调度日志词向量提取方法 |
CN111160022B (zh) * | 2019-12-10 | 2024-06-14 | 国网冀北电力有限公司 | 一种基于改进skip-gram模型的电网调度日志词向量提取方法 |
CN117522371A (zh) * | 2023-09-27 | 2024-02-06 | 华能核能技术研究院有限公司 | 一种核电厂缺陷自动判定执行专业方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kavousi-Fard | A new fuzzy-based feature selection and hybrid TLA–ANN modelling for short-term load forecasting | |
Cao et al. | Multi-step wind power forecasting model using LSTM networks, similar time series and LightGBM | |
CN114118596A (zh) | 一种光伏发电量预测方法和装置 | |
CN109614381A (zh) | 电力调度日志分类方法、装置及设备 | |
CN115456235A (zh) | 一种基于多模态融合的光伏功率预测系统 | |
Huang et al. | Deep learning model-transformer based wind power forecasting approach | |
Saxena et al. | Hybrid KNN-SVM machine learning approach for solar power forecasting | |
Nikitha et al. | Solar PV forecasting using machine learning models | |
CN116502074A (zh) | 一种基于模型融合的光伏发电功率预测方法及系统 | |
Mele et al. | Machine learning platform for profiling and forecasting at microgrid level | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
Babu et al. | Water quality prediction using neural networks | |
Ouyang et al. | Short-term solar PV forecasting based on recurrent neural network and clustering | |
Kuang et al. | Short-term power load forecasting method in rural areas based on cnn-lstm | |
CN114492945A (zh) | 电力市场背景下的短期光伏功率预测方法、介质及设备 | |
Chandok et al. | Enhancing Bankruptcy Prediction with White Shark Optimizer and Deep Learning: A Hybrid Approach for Accurate Financial Risk Assessment. | |
Salam et al. | Applying deep learning model to predict smart grid stability | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
Meng et al. | Classification of customer service tickets in power system based on character and word level semantic understanding | |
Li et al. | Research on sand-dust storm forecasting based on deep neural network with stacking ensemble learning | |
Dmytro et al. | Model of the regional energy efficiency analysis based on the artificial neural networks | |
Yang et al. | Text classification method for analysing accidents in power system operation | |
Zhou et al. | Day-ahead power forecasting model for a photovoltaic plant in Macao based on weather classification using SVM/PCC/LM-ANN | |
Ying et al. | A brief investigation for techniques of deep learning model in smart grid | |
Li et al. | An ICT system fault analysis technology based on text classification and image recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |
|
RJ01 | Rejection of invention patent application after publication |