基于电力物联网的电网故障修复方法和装置
技术领域
本发明涉及电网技术领域,特别涉及一种基于电力物联网的电网故障修复方法和装置。
背景技术
随着社会生活中使用的电气设备越来越多,社会对电网稳定性的要求也越来越高。相应的,电网运营方既需要对电网进行优化以尽量避免发生电网故障,也需要在发生电网故障时在尽量短的时间内修复电网故障。
目前对电网的监控只能实现在发生电网故障时输出故障告警,而确定电网故障的故障类型,以及后续针对故障类型确定相应的修复方案,均需要修复人员通过分析电网的运行数据确定,导致修复电网故障所需的时间较长,电网故障的修复效率较低。
发明内容
针对上述现有技术的缺点,本申请提供一种基于电力物联网的电网故障修复方法和装置,以缩短电网故障的修复时间。
本申请第一方面提供一种基于电力物联网的电网故障修复方法,包括:
利用已发生的多个历史电网故障的故障数据构建故障数据库,并利用电网的操作规程,故障处置预案和运行日志构建故障知识库;其中,所述电网故障的故障数据包括,发生所述电网故障时所述电网的运行数据,故障告警数据,以及发生所述电网故障的地理位置;
利用所述故障数据库存储的故障数据训练得到故障分类模型;其中,所述故障分类模型用于将所述多个历史电网故障划分为多个故障类型;
针对每一种所述故障类型,根据所述故障知识库中的数据确定所述故障类型对应的故障预处理方案;
在所述电网出现电网故障时,利用所述故障分类模型对当前的电网故障的故障数据进行分类,以确定当前的电网故障的故障类型;
在多种故障预处理方案中,查找出和当前的电网故障的故障类型所对应的故障预处理方案。
可选的,所述针对每一种所述故障类型,根据所述故障知识库中的数据确定所述故障类型对应的故障预处理方案,包括:
利用自然语言处理技术从所述故障知识库存储的数据中提取得到多项故障知识;
基于知识图谱技术将所述多项故障知识构建为故障知识图谱;
通过电力专家系统分析所述故障知识图谱和所述故障分类模型所划分的多个故障类型,得到每一种所述故障类型对应的故障预处理方案。
可选的,所述利用所述故障数据库存储的故障数据训练得到故障分类模型,包括:
针对每一个所述历史电网故障,将所述历史电网故障的故障数据转换为对应的故障特征向量;
基于所有所述历史电网故障的故障特征向量之间的欧氏距离,训练预先构建的支持向量机,得到故障分类模型;其中,所述故障分类模型用于将每两个故障特征向量的欧氏距离大于相似度阈值的历史电网故障划分为同一故障类型。
可选的,所述利用所述故障分类模型对当前的电网故障的故障数据进行分类,以确定当前的电网故障的故障类型,包括:
将当前的电网故障的故障数据转换为对应的故障特征向量;
将当前的电网故障的故障特征向量输入所述故障分类模型,得到所述故障分类模型输出的,当前的电网故障的故障类型。
本申请第二方面提供一种基于电力物联网的电网故障修复装置,包括:
构建单元,用于利用已发生的多个历史电网故障的故障数据构建故障数据库,并利用电网的操作规程,故障处置预案和运行日志构建故障知识库;其中,所述电网故障的故障数据包括,发生所述电网故障时所述电网的运行数据,故障告警数据,以及发生所述电网故障的地理位置;
训练单元,用于利用所述故障数据库存储的故障数据训练得到故障分类模型;其中,所述故障分类模型用于将所述多个历史电网故障划分为多个故障类型;
确定单元,用于针对每一种所述故障类型,根据所述故障知识库中的数据确定所述故障类型对应的故障预处理方案;
分类单元,用于在所述电网出现电网故障时,利用所述故障分类模型对当前的电网故障的故障数据进行分类,以确定当前的电网故障的故障类型;
预处理单元,用于在多种故障预处理方案中,查找出和当前的电网故障的故障类型所对应的故障预处理方案。
可选的,所述确定单元针对每一种所述故障类型,根据所述故障知识库中的数据确定所述故障类型对应的故障预处理方案时,具体用于:
利用自然语言处理技术从所述故障知识库存储的数据中提取得到多项故障知识;
基于知识图谱技术将所述多项故障知识构建为故障知识图谱;
通过电力专家系统分析所述故障知识图谱和所述故障分类模型所划分的多个故障类型,得到每一种所述故障类型对应的故障预处理方案。
可选的,所述训练单元利用所述故障数据库存储的故障数据训练得到故障分类模型时,具体用于:
针对每一个所述历史电网故障,将所述历史电网故障的故障数据转换为对应的故障特征向量;
基于所有所述历史电网故障的故障特征向量之间的欧氏距离,训练预先构建的支持向量机,得到故障分类模型;其中,所述故障分类模型用于将每两个故障特征向量的欧氏距离大于相似度阈值的历史电网故障划分为同一故障类型。
可选的,所述确定单元利用所述故障分类模型对当前的电网故障的故障数据进行分类,以确定当前的电网故障的故障类型时,具体用于:
将当前的电网故障的故障数据转换为对应的故障特征向量;
将当前的电网故障的故障特征向量输入所述故障分类模型,得到所述故障分类模型输出的,当前的电网故障的故障类型。
本申请第三方面提供一种电子设备,包括存储器和处理器;
其中,所述存储器用于存储计算机程序;
所述处理器用于执行所述计算机程序,具体用于实现本申请第一方面任意一项所提供的电网故障的修复方法。
本申请第四方面提供一种计算机存储介质,用于存储计算机程序,所述计算机程序被执行时,具体用于实现本申请第一方面任意一项所提供的电网故障的修复方法。
本申请提供一种基于电力物联网的电网故障修复方法和装置,该方法包括,利用已发生的多个历史电网故障的故障数据构建故障数据库,并利用电网的操作规程,故障处置预案和运行日志构建故障知识库;利用故障数据库存储的故障数据训练得到故障分类模型;确定每一种故障类型对应的故障预处理方案,在电网出现电网故障时,利用故障分类模型确定当前的电网故障的故障类型;然后查找出和当前的电网故障的故障类型所对应的故障预处理方案。本方案能够利用故障分析模型自动确定故障类型,并基于故障知识库提供相应的推荐修复策略,从而提高修复电网故障的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于电力物联网的电网故障修复方法的流程图;
图2为本申请实施例提供的一种基于电力物联网的电网故障修复装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
随着电网的普及,电网的边缘、站点和终端设备在运行过程中会产生大量的历史数据,本方案通过采集这些历史数据,并利用人工智能技术对这些数据进行分析,实现对电网故障的自动诊断,具体来说,本方案主要是在出现故障告警后,利用人工智能技术对相关数据进行分析,从而确定出故障类型,并为相关人员提供推荐维修策略,从而极大的提高电网故障的修复效率。
人工智能技术泛指一类基于收集得到大量数据信息实现的数据处理和分析技术,其主要是通过模拟人类大脑的思维过程,对信息和数据进行分析、处理和反馈。因此,这类技术在复杂系统的智能控制和决策领域有很大作用。
本方案主要对基于人工智能和电力物联网的电网调控技术进行了研究,在对人工智能特点、电网调控运行需求进行分析的基础上,提出了一种基于人工智能的电网故障分类和基于分类结果的辅助修复方法,本方法可促进大数据的高性能计算与调控、电网系统预测及辨识、智能辅助决策等的关键技术。
电力物联网是物联网技术在智能电网中的应用,是信息通信技术发展到一定阶段的结果。将电网中的各个设备(包括终端设备,边缘设备等)分别接入网络组成的电力物联网,可以有效整合通信基础设施资源和电力系统基础设施资源,提高电力系统信息化水平,改善电力系统现有基础设施利用效率,为电网发、输、变、配、用电等环节提供重要技术支撑。本方案正是通过电力物联网收集电网中各个设备运行过程中产生的海量数据,借由分析和应用这些数据,为电网中的各种故障提供对应的推荐修复策略,进而提高修复电网故障的效率。
为了更好的理解本申请提供的方法,首先对本申请所涉及的一些术语进行解释:
故障分类:基于人工智能技术中的深度学习技术,对以往的海量历史数据进行分析,从而将以往发生的电网故障划分为多种故障类型。基于故障分类的结果,若当前发生了电网故障,本方案能够基于当前收集到的相关数据确定当前发生的电网故障的故障类型,从而为后续提供推荐维修策略提供支持。
数据库:在本方案中,数据库用于存储电网的各个设备(包括终端设备,边缘设备等)运行过程中产生的多个维度的海量数据,具体包括测量设备检测到的,设备的运行数据(如某一时刻变压器的电压,频率,功率等参数),电网的故障告警系统在发生电网故障时输出的故障告警数据,以及电网中各个设备的地理位置,特别是发生故障的设备的地理位置。
知识库:在电网运营的过程中,运营方会制定相关的操作规程和故障修复文档(用于指示发生电网故障时应当执行什么样的操作),同时,在以往的故障修复过程中会产生大量的运行日志(其中可以包含对电网故障的描述,发生电网故障时的检修和调度方法等),用于存储上述文本数据的数据库,就是本方案中所指的知识库,也可以称为故障知识库。
专家系统:把已经研究出来的知识与实践经验结合在一起,创建合理的数据库,借助网络模拟专家系统进行分析,然后得出相应的原因和结论,并提出科学的解决方案。
在本方案中,专家系统可以用于对故障知识库中的文本数据,以及故障分类模型划分的多种故障类型进行分析,从而根据故障知识库中的文本数据,为每一种故障类型确定对应的故障预处理方案。
在专家系统中,数据库和知识库起到了不可替代的作用,直接关系到专家系统运用在实际场景(例如本方案的电网系统)中的可靠性,为了提升专家系统的有效利用率,我们应该深入研究相关信息,不断丰富专家系统的知识储备,从根本上提升其在电网系统中的有效性。
知识图谱:知识图谱是一种结构化的知识管理方法,主要用于以符号形式描述物理世界中的概念及其相互关系,本方案中,系统可以将利用自然语言处理技术从故障知识库存储的文本数据中提取出故障知识,并基于提取得到的故障知识构建故障的知识图谱,然后将故障的知识图谱推送至专家系统,以支持专家系统为每一种故障类型确定对应的故障预处理方案。
本方案的关键在于:
针对电网故障的分类问题,构建了故障分类模型,其原理是首先建立基于深度学习的决策分类方法构建初始的神经网络模型(具体的,这里的神经网络模型可以是支持向量机),基于前期积累大量故障数据,用大量数据训练模型,加上成熟的故障分类技术,可以根据多个历史电网故障之间的相似度,将已发生的大量历史电网故障划分为多种故障类型,具体的分类原则可以是,将每两个相似的历史电网故障划分为同一故障类型,而每两个不相似的历史电网故障则划分为不同故障类型,之后就可以基于故障知识图谱以及专家系统,针对每一种故障类型生成对应的预处理方案。
训练得到故障分类模型后并确定对应的预处理方案后,对于之后发生的任意一次电网故障,均可以利用训练好的故障分类模型对本次发生的电网故障的故障数据进行分类,确定出本次发生的电网故障的故障类型,最后提供对应的预处理方案。
请参考图1,本申请实施例提供一种基于电力物联网的电网故障修复方法,该方法可以包括以下步骤:
S101、利用已发生的多个历史电网故障的故障数据构建故障数据库,并利用电网的操作规程,故障处置预案和运行日志构建故障知识库。
其中,电网故障的故障数据包括,发生电网故障时电网的运行数据,故障告警数据,以及发生电网故障的地理位置。
为了实时地获得电网中各器件和线路当前的状态,电网中一般会在多个地方安装多种不同功能的量测设备,这些量测设备可以实时采集对应位置的器件和线路的参数(如电压值,交流电的频率等)并反馈至电网的运营系统,这些量测设备反馈的参数,就是电网的运行数据,通过收集在发生电网故障时(具体来说,可以是收到故障告警数据前后的一个时间区间内)记录的电网的运行数据并加以分析,可以实现对电网故障的分类,从而为后续制定每一故障类型的预处理方案提供支持。
S102、利用故障数据库存储的故障数据训练得到故障分类模型。
其中,故障分类模型用于将多个历史电网故障划分为多个故障类型。
在执行步骤S102时,可以先基于高性能处理器、架构、计算机硬件等,建立初始的深度学习模型,这里的深度学习模型,可以是支持向量机模型(support vector machine,SVM),然后基于步骤S101收集的海量数据集训练模型,使模型能得到正确的故障数据和故障类型的映射关系,从而将多个历史电网故障划分为多种不同的故障类型
可选的,故障分类模型在训练好之后,还可以在实际使用过程中通过比对模型输出结果和实际结果,不断对模型进行迭代优化,以提高模型的效率和正确性。
步骤S102的具体执行过程可以是:
针对每一个历史电网故障,将历史电网故障的故障数据转换为对应的故障特征向量;
基于所有历史电网故障的故障特征向量之间的欧氏距离,训练预先构建的支持向量机,得到故障分类模型。
其中,故障分类模型用于将每两个故障特征向量的欧氏距离大于相似度阈值的历史电网故障划分为同一故障类型。
S103、针对每一种故障类型,根据故障知识库中的数据确定故障类型对应的故障预处理方案。
步骤S103的具体执行过程可以是:
利用自然语言处理技术从故障知识库存储的数据中提取得到多项故障知识;
基于知识图谱技术将多项故障知识构建为故障知识图谱;
通过电力专家系统分析故障知识图谱和故障分类模型所划分的多个故障类型,得到每一种故障类型对应的故障预处理方案。
在提取故障知识的步骤中,可以针对故障知识库中存储的操作规程,修复文档,运行日志等文本数据,建立电网运营和调度领域的专业词语的语料库和语义模型,然后自然语言处理技术,基于建立的语料库和语义模型对上述文本数据进行信息抽取,从而在上述文本中提取出多项与电网故障的维护相关的,以计算机可识别的程序语言表示的故障知识。
在构建故障知识图谱(相当于故障知识表现)步骤中,根据抽取到的多项故障知识之间多层级的关联,可以将相互关联的每两项故障知识进行连接,从而形成由故障知识以及故障知识之间的连接关系组成的故障知识图谱,通过故障知识图谱可以容易的看出故障知识之间以及对应的电网故障之间的相互关系。
在需要存储故障知识时,可以直接采用图数据库的方式存储上述构建好的故障知识图谱。
在确定故障预处理方案的步骤中,可以将构建好的故障知识图谱推送至专家系统,专家系统可以基于前述故障分类模型划分的每一种故障类型,在故障知识图谱中检索出相关的故障知识,然后基于这些故障知识,为每一种故障类型确定对应的故障预处理方案。
S104、在电网出现电网故障时,利用故障分类模型对当前的电网故障的故障数据进行分类,以确定当前的电网故障的故障类型。
结合步骤S102中故障分类模型的训练过程,可以理解的,在步骤S104中,确定当前发生的电网故障的故障类型的方法,可以是:
将当前的电网故障的故障数据转换为对应的故障特征向量;
将当前的电网故障的故障特征向量输入故障分类模型,得到故障分类模型输出的,当前的电网故障的故障类型。
S105、在多种故障预处理方案中,查找出和当前的电网故障的故障类型所对应的故障预处理方案。
如前文所述,在步骤S103中,通过专家系统针对已知的每一种故障类型均确定了对应的故障预处理方案,因此,在步骤S105中,可以直接用故障分类模型所确定的,当前发生的电网故障的故障类型,在步骤S103确定的多种故障预处理方案中进行匹配,从而找到适用于当前发生的电网故障的故障类型的一种故障预处理方案。
找到对应的故障预处理方案后,系统可以将查找到的故障预处理方案推送至每一个电网维护人员的终端设备,以便电网维护人员根据故障预处理方案进行作业,从而及时地修复当前发生的电网故障。查找得到的故障预处理方案就相当于是本方案针对电网故障提供的推荐修复策略。
需要说明的是,在上述实施例中,步骤S101至步骤S103所述的过程,可以理解为预先准备的过程,而步骤S104和步骤S105,可以理解为在训练好故障分类模型,并且确定了相应的预处理方案之后的实时检测的过程。
也就是说,在实际实施本申请提供的方案时,可以只执行一次如步骤S101至步骤S103所述的过程,以获得故障分类模型和对应的预处理方案,在后续的执行过程中,只需要实时的检测是否发生电网故障,并且在每一次检测到发生电网故障时通过步骤S104和步骤S105确定相应的预处理方案,而不需要再执行步骤S101至步骤S103。
本申请提供一种基于电力物联网的电网故障修复方法,该方法包括,利用已发生的多个历史电网故障的故障数据构建故障数据库,并利用电网的操作规程,故障处置预案和运行日志构建故障知识库;利用故障数据库存储的故障数据训练得到故障分类模型;确定每一种故障类型对应的故障预处理方案,在电网出现电网故障时,利用故障分类模型确定当前的电网故障的故障类型;然后查找出和当前的电网故障的故障类型所对应的故障预处理方案。本方案能够利用故障分析模型自动确定故障类型,并基于故障知识库提供相应的推荐修复策略,从而提高修复电网故障的效率。
深度学习技术中的决策分类技术,是指,使用对应的特征向量(或者模式向量)描述需要分类的各个样本,然后基于特征向量之间的相似度,基于“将特征向量相似度高的样本划分为同一类别,将特征向量的相似度低的样本划分至不同类别”这一训练目标,对预先构建的一个数学模型训练,从而获得一个训练好的分类模型。
在本方案中,样本就是已发生的历史电网故障,如前文所述,为了进行模型训练,可以将每一个历史电网故障的故障数据转换为对应的故障特征向量,在本申请中,故障特征向量用Xi表示,其中i表示这个故障特征向量对应的是第i个历史电网故障。故障特征向量的维数n可以预先设定,设定了维数n之后,故障特征向量Xi就可以表示为:
Xi=(x1,x2,x3,……xn)
其中x1至xn为一个故障特征向量的n个分量,每个分量的具体取值由对应的历史电网故障的故障数据决定。
基于上述故障特征向量,决策分类技术实质上就是,将所有故障特征向量划分至预先确定的多个故障类型中,假设预先设定了k个故障类型,则故障类型可以依次记为W1,W2,……Wk。
如前文所述,本申请所使用的故障分类模型,可以是支持向量机。
支持向量机(support vector machine,SVM)的基本模型是定义在特征空间上间隔最大的线性分类器。是一种二分类模型,当采用了核技巧后,支持向量机就可以用于非线性分类。
超平面——分类的决策边界。在SVM中,希望找到离分隔超平面最近的点(称为支持向量),确保它们离分隔超平面的距离尽可能的远。通过最大化支持向量到分隔超平面的距离来训练SVM。SVM主要分为以下三类:
线性可分支持向量机(也称为硬间隔支持向量机):当训练数据线性可分时,通过硬间隔最大化,学得一个线性可分支持向量机。
线性支持向量机(也称为软间隔支持向量机):当训练数据近似线性可分时,通过软间隔最大化,学得一个线性支持向量机。
非线性支持向量机:当训练数据不可分时,通过使用核技巧以及软间隔最大化,学得一个非线性支持向量机。
SVM本质上是非线性方法。缺点是计算代价比较大,SVM是将低维无序杂乱的数据通过核函数(RBF,poly,linear,sigmoid)映射到高维空间,通过超平面将其分开。
优点是SVM是通过支撑面做分类的,也就是说不需要计算所有的样本,高维数据中只需去少量的样本,节省了内存。
在本申请实施例中,故障分类模型可以是上述三种支持向量机中的任意一种。
对预先构建的支持向量机(下文简称初始支持向量机)的训练,其实质是一个优化问题,在训练过程中可以基于误差的反向传播和梯度下降算法,通过反复迭代调整初始支持向量机中预设的初始参数的数值,直至某一次调整后,模型的损失(或者说误差)满足要求,此时训练过程结束,当前的支持向量机就可以作为步骤S102中所构建的故障分类模型。
在本申请中,可以用一个多层结构的神经网络作为支持向量机,神经网络的每一层均包括多个神经单元,每一个神经单元包含至少一个参数(也可以称为权值),对支持向量机进行训练,其实质就是通过反复迭代确定其中每一个神经单元的每一个参数的取值。
每一次迭代的执行过程可以是:
利用当前的支持向量机对转换得到的多个故障特征向量进行计算,根据计算结果确定每一个故障特征向量所对应的故障类型,得到当前的支持向量机的分类结果;
随后,计算当前的支持向量机的分类结果的损失。在执行步骤S102之前,可以预先对每一个历史电网故障进行人工分类,从而确定每一个历史电网故障的真实故障类型。然后,针对每一个故障特征向量,根据该故障特征向量的真实故障类型,确定当前的支持向量机的输出层的每一个神经单元j的预期输出yj。另一方面,可以根据当前的支持向量机为故障特征向量确定的故障类型确定输出层的每一个神经单元的实际输出zj。
最后,基于上述输出层的所有神经单元的实际输出和预期输出,按下述公式计算得到当前的支持向量机的损失(或者说误差)Ld:
其中,outputs表示支持向量机的最后一层的所有神经单元的集合。
然后,误差的反向传播算法(back propagation,BP)可以利用上述损失,基于下述公式确定支持向量机中每一个权值H(i,j)的更新幅值ΔH(i,j)
需要说明的是,上述公式中,H(i,j)和H(j,i)指代的是同一个权值,这里之所以把标签“j”置于“i”之前,仅仅表示这是一个反向更新过程而已,也就是说,H(j,i)可以理解为更新前原本的权值,H(i,j)则表示基于更新幅值ΔH(i,j)更新后的权值。
本发明中人工智能的算法可以采用故障特征向量之间的欧氏距离衡量故障特征向量的相似度,进而进行分类,类似的,也可以采用故障特征向量之间的余弦相似度作为衡量标准。如果特征向量模长是经过归一化处理,欧氏距离和余弦距离有着单调的关系,即两者效果相同,否则余弦相似度效果优于欧式距离;余弦相似度算法复杂度相对较高,效率上低于欧氏距离。
结合本申请实施例提供的电网故障的修复方法,本申请实施例还提供一种基于电力物联网的电网故障修复装置,请参考图2,该装置可以包括以下单元:
构建单元201,用于利用已发生的多个历史电网故障的故障数据构建故障数据库,并利用电网的操作规程,故障处置预案和运行日志构建故障知识库。
其中,电网故障的故障数据包括,发生电网故障时电网的运行数据,故障告警数据,以及发生电网故障的地理位置。
训练单元202,用于利用故障数据库存储的故障数据训练得到故障分类模型。
其中,故障分类模型用于将多个历史电网故障划分为多个故障类型。
确定单元203,用于针对每一种故障类型,根据故障知识库中的数据确定故障类型对应的故障预处理方案。
分类单元204,用于在电网出现电网故障时,利用故障分类模型对当前的电网故障的故障数据进行分类,以确定当前的电网故障的故障类型。
预处理单元205,用于在多种故障预处理方案中,查找出和当前的电网故障的故障类型所对应的故障预处理方案。
确定单元203针对每一种故障类型,根据故障知识库中的数据确定故障类型对应的故障预处理方案时,具体用于:
利用自然语言处理技术从故障知识库存储的数据中提取得到多项故障知识;
基于知识图谱技术将多项故障知识构建为故障知识图谱;
通过电力专家系统分析故障知识图谱和故障分类模型所划分的多个故障类型,得到每一种故障类型对应的故障预处理方案。
训练单元202利用故障数据库存储的故障数据训练得到故障分类模型时,具体用于:
针对每一个历史电网故障,将历史电网故障的故障数据转换为对应的故障特征向量;
基于所有历史电网故障的故障特征向量之间的余弦相似度,训练预先构建的支持向量机,得到故障分类模型;其中,故障分类模型用于将每两个故障特征向量的余弦相似度大于相似度阈值的历史电网故障划分为同一故障类型。
可选的,确定单元203利用故障分类模型对当前的电网故障的故障数据进行分类,以确定当前的电网故障的故障类型时,具体用于:
将当前的电网故障的故障数据转换为对应的故障特征向量;
将当前的电网故障的故障特征向量输入故障分类模型,得到故障分类模型输出的,当前的电网故障的故障类型。
本申请实施例提供的电网故障的修复装置,其具体的工作原理可以参考本申请实施例提供的电网故障的修复方法,此处不再赘述。
本申请提供一种基于电力物联网的电网故障修复装置,该装置包括,构建单元201利用已发生的多个历史电网故障的故障数据构建故障数据库,并利用电网的操作规程,故障处置预案和运行日志构建故障知识库;训练单元202利用故障数据库存储的故障数据训练得到故障分类模型;确定单元203确定每一种故障类型对应的故障预处理方案,在电网出现电网故障时,分类单元204利用故障分类模型确定当前的电网故障的故障类型;然后预处理单元205查找出和当前的电网故障的故障类型所对应的故障预处理方案。本方案能够利用故障分析模型自动确定故障类型,并基于故障知识库提供相应的推荐修复策略,从而提高修复电网故障的效率。
本申请实施例还提供一种电子设备,请参考图3,包括存储器301和处理器302
其中,存储器301用于存储计算机程序;
处理器302用于执行计算机程序,具体用于实现本申请任一实施例所提供的电网故障的修复方法。
本申请实施例还提供一种计算机存储介质,用于存储计算机程序,计算机程序被执行时,具体用于实现本申请任一实施例所提供的电网故障的修复方法。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。