发明内容
基于此,有必要针对上述技术问题,提供一种能够评判智能变电站告警信息重要度等级的信息的等级确定方法、装置、计算机设备和存储介质。
第一方面,本申请提供一种信息的等级确定方法,该方法包括:
获取预设时间段内的变电站的至少一个初始指标数据,确定各初始指标数据对应的上一级分类指标;
根据各初始指标数据对应的上一级分类指标,确定各初始指标数据的主观权重和客观权重;
根据主观权重、客观权重和优化决策模型,确定各初始指标数据的综合权重;
根据综合权重,确定各初始指标数据的重要度等级。
在其中一个实施例中,根据上一级分类指标,确定各初始指标数据的主观权重和客观权重,包括:
对各上一级分类指标下的初始指标数据利用模糊AHP法进行主观赋权,确定各上一级分类指标下的初始指标数据的主观权重;
对各上一级分类指标下的初始指标数据根据灰色关联分析法进行客观赋权,确定各上一级分类指标下的初始指标数据的客观权重。
在其中一个实施例中,对各上一级分类指标下的初始指标数据利用模糊AHP法进行主观赋权,确定各上一级分类指标下的初始指标数据的主观权重,包括:
对各上一级分类指标下的初始指标数据两两进行比较,得到各上一级分类指标下的初始指标数据的重要度比较值;
根据各上一级分类指标下的初始指标数据的重要度比较值,构建模糊判断矩阵;
根据模糊判断矩阵,确定各上一级分类指标对应的概率矩阵、模糊评判矩阵;
根据各上一级分类指标对应的概率矩阵、模糊评判矩阵,确定各上一级分类指标的模糊互补判断矩阵;
根据各专家的权系数、专家数量以及各上一级分类指标对应的模糊互补判断矩阵,确定各上一级分类指标下的初始指标数据的合成矩阵;
根据各上一级分类指标下的初始指标数据的个数和各上一级分类指标下的初始指标数据的合成矩阵,确定各上一级分类指标下的初始指标数据的主观权重。
在其中一个实施例中,该方法还包括:
根据判断矩阵和主观权重的矢量,确定判断矩阵的最大特征值;
根据最大特征值和判断矩阵的阶数,确定一致性指标的值;
根据判断矩阵的阶数,查找随机一致性指标对照表,确定判断矩阵的随机一致性指标的值;
根据一致性指标的值和随机一致性指标的值,得到一致性比例;
将一致性比例与预设比例阈值进行比较;
若一致性比例大于预设比例阈值,则重新调整判断矩阵。
在其中一个实施例中,对各上一级分类指标下的初始指标数据根据灰色关联分析法进行客观赋权,确定各上一级分类指标下的初始指标数据的客观权重,包括:
对各上一级分类指标下的初始指标数据进行均值化处理,得到初始指标数据的量化值;
根据初始指标数据的量化值,确定上一级分类指标下的各初始指标数据之间的关联度;
根据各初始指标数据之间的关联度,确定上一级分类指标下的各初始指标数据之间的关联序;
对各初始指标数据的关联序进行归一化处理,得到各上一级分类指标相同的初始指标数据的客观权重。
在其中一个实施例中,根据主观权重、客观权重和优化决策模型,确定各初始指标数据的综合权重,包括:
将主观权重、客观权重代入优化决策模型中,进行拉格朗日变换;
对变换后的优化决策模型进行求解,得到综合权重。
在其中一个实施例中,根据综合权重,确定各初始指标数据的重要度等级,包括:
根据预设的评价指标越界量和综合权重,确定各初始指标数据的修正权重;
对各初始指标数据的修正权重进行归一化处理,确定各初始指标数据的模糊权重;
根据专家数量和各初始指标数据的重要度评判结果,确定各初始指标数据的重要度隶属度;
根据各初始指标数据的重要度隶属度、各初始指标数据的重要度分级数,构建模糊综合评判矩阵;
根据各初始指标数据的模糊权重和模糊综合评判矩阵,确定各初始指标数据的模糊综合重要度;
根据模糊综合重要度和模糊评判矩阵,确定各初始指标数据的重要度等级。
第二方面,本申请提供一种信息的等级确定装置,该装置包括:
获取模块,用于获取预设时间段内的变电站的至少一个初始指标数据,确定各初始指标数据对应的上一级分类指标;
第一确定模块,用于根据各初始指标数据对应的上一级分类指标,确定各初始指标数据的主观权重和客观权重;
第二确定模块,用于根据主观权重、客观权重和优化决策模型,确定各初始指标数据的综合权重;
第三确定模块,用于根据综合权重,确定各初始指标数据的重要度等级。
第三方面,本申请提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面任一项实施例中方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一项实施例中方法的步骤。
上述信息的等级确定方法、装置、计算机设备和存储介质,通过获取预设时间段内的变电站的至少一个初始指标数据,确定各初始指标数据对应的上一级分类指标;根据各初始指标数据对应的上一级分类指标,确定各初始指标数据的主观权重和客观权重;根据主观权重、客观权重和优化决策模型,确定各初始指标数据的综合权重;根据综合权重,确定各初始指标数据的重要度等级。能够对智能变电站一次设备、二次设备的告警信息进行划分等级,并且兼顾主观和客观两种情况,对指标数据的等级划分更加合理,便于工作人员根据重要度处理相关数据信息,对变电站一次设备、二次设备进行维护。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的信息的等级确定方法,可以应用于如图1所示的应用环境中。该应用环境包括变电站一次设备11、变电站二次设备12和终端13。其中,终端13分别与变电站二次设备12、变电站一次设备11通过网络进行通信,实时获取变电站一次设备运行过程中的数据信息,并将数据信息存储在变电站二次系统中并得到告警信息,对告警信息划分重要度等级,确定重要告警信息重要度等级,提示优先进行故障处理。
在一个实施例中,如图2所示,提供了一种信息的等级确定方法,以该方法应用于图1中的变电站二次系统为例进行说明,包括以下步骤:
S202,获取预设时间段内的变电站的至少一个初始指标数据,确定各初始指标数据对应的上一级分类指标。
其中,初始指标数据可以包括变电站一次设备、变电站二次系统的告警信息,该告警信息中可以包括各个引发告警原因的评价指标标签、各个设备的运行数据等。
具体地,在变电站一次设备、变电站的二次设备运行过程中,终端可以实时获取变电站一次设备、变电站二次设备的运行数据,并根据运行数据确定告警信息,即初始指标数据,对照如图3所示的预先构建好的智能变电站一次设备告警信息重要程度分类三级评判指标体系、智能变电站二次设备告警信息重要程度分类三级评判指标体系,可以确定初始指标数据的上一级分类指标。终端可以同时获取多条初始指标数据,并确定各个初始指标数据的上一级分类指标。例如,对照图3,将智能变电站一次设备各告警引发原因按故障类型分为电压电流互感器故障、断路器故障、电容器故障、变压器故障、母线故障、线路故障、开关故障七个大类,再对每一大类进行细分,划分出多个子类;若获取到的其中一条初始指标数据中的评价指标标签为变电站一次设备的变压器错档,则该指标的上一级分类指标为变压器运行方式。对照图3,将智能变电站二次设备各告警信息引发原因按故障类型分为系统继电保护及安全自动装置故障、系统调度自动化故障、通信系统设备故障、计算机监控系统设备故障、元件保护及安全自动装置故障、其他二次系统故障六个大类,再对每一大类进行细分,划分出多个子类,若获取到的其中一条初始指标数据中的评价指标标签为母线保护装置故障,则该指标的上一级分类指标为系统继电保护及安全自动装置故障。
S204,根据各初始指标数据对应的上一级分类指标,确定各初始指标数据的主观权重和客观权重。
具体地,当确定各个初始指标数据的上一级分类指标后,对上一级分类指标相同的初始指标数据分别进行主观赋权和客观赋权。其中,主观赋权可以采用模糊AHP法、层次分析法等,对上一级分类指标对应的初始指标数据进行赋权得到上一级分类指标相同的各个初始指标数据的主观权重。客观赋权可以采用灰色关联分析法、熵权法等,对上一级分类指标对应的初始指标数据进行赋权,得到上一级分类指标相同的各个初始指标数据的客观权重。
S206,根据主观权重、客观权重和优化决策模型,确定各初始指标数据的综合权重。
具体地,可以通过将各个初始指标数据的主观权重和客观权重代入至优化决策模型中,通过求解优化决策模型,得到各个初始指标数据的综合权重。
S208,根据综合权重,确定各初始指标数据的重要度等级。
具体地,当确定了综合权重后,可以将综合权重与重要程度评分建议表进行对比,得到最终的重要度等级。其中,重要度等级可以划分为为四个等级,建立评语集S={严重,紧急,一般,良好},相应的等级分值分别是1,0.7,0.3,0.1。为了方便运维人员快速辨识各级告警信息,依次用红、橙、黄、绿四种告警颜色标记。严重:此时需要运维人员人工干预,尽快采取措施,解除相关故障,否则智能变电站将无法正常运行;紧急:此时需要运维人员尽快人工干预,否则智能变电站可能将无法正常运行;一般:此时无需运维人员立即人工干预,运维人员可在能力范围内选择性解除相关故障;良好:此时智能变电站处于安全运行状态,告警信息仅起提示作用,提醒运维人员,当前发生的操作信息。告警信息重要程度评分与建议表如表1所示。
表1
上述信息的等级确定方法中,通过获取预设时间段内的变电站的至少一个初始指标数据,确定各初始指标数据对应的上一级分类指标;根据各初始指标数据对应的上一级分类指标,确定各初始指标数据的主观权重和客观权重;根据主观权重、客观权重和优化决策模型,确定各初始指标数据的综合权重;根据综合权重,确定各初始指标数据的重要度等级。能够对智能变电站一次设备、二次设备的告警信息进行划分等级,并且兼顾主观和客观两种情况,对指标数据的等级划分更加合理,便于工作人员根据重要度处理相关数据信息,对变电站一次设备、二次设备进行维护。
上述实施例对信息的等级确定方法进行了说明,现以一个实施例对如何确定主观权重和客观权重进一步说明,在一个实施例中,如图4所示,根据上一级分类指标,确定各初始指标数据的主观权重和客观权重,包括:
S402,对各上一级分类指标下的初始指标数据利用模糊AHP法进行主观赋权,确定各上一级分类指标下的初始指标数据的主观权重。
具体地,可以通过专家对各个上一级分类指标下的初始指标数据进行初始赋权,确定两两初始指标数据之间的重要度,然后根据该重要度利用模糊AHP法对各个初始指标数据进行赋权,确定各个上一级分类指标下的初始指标数据的主观权重。
进一步地,如图5所示,在一个实施例中,对各上一级分类指标下的初始指标数据利用模糊AHP法进行主观赋权,确定各上一级分类指标下的初始指标数据的主观权重,包括:
S502,对各上一级分类指标下的初始指标数据两两进行比较,得到各上一级分类指标下的初始指标数据的重要度比较值。
其中,重要度比较值为的确定准则可以参照表2,对两两初始指标数据进行比较打分,得到各初始指标数据的重要度比较值。例如,若专家认为第一初始指标数据的重要性与第二初始值指标数据的重要性相同,则确定第一初始指标数据和第二初始指标数值的重要度比较值为1。对各个初始指标数据两两之间进行打分,得到多个重要度比较值。
表2
S504,根据各上一级分类指标下的初始指标数据的重要度比较值,构建模糊判断矩阵。
具体地,当获取到各个初始指标数据的重要度比较值后,可以构建模糊判断矩阵
式中,m表示上一层分类指标相关的该层元素的个数。其中,
表示第m个初始指标数据与第m个初始指标数据的重要度比较值。进而确定该
的三角模糊数,n表示三角模糊数的下界,l表示三角模糊数的上界,m表示三角模糊数的中值,即重要度比较值。l和n表示两个指标相对重要程度关系范围,为认为预先设置的参数。
S506,根据模糊判断矩阵,确定各上一级分类指标对应的概率矩阵、模糊评判矩阵。
具体地,可以根据公式
确定各上一级分类指标对应的概率矩阵中的各个元素,其中,n表示三角模糊数的下界,l表示三角模糊数的上界,m表示三角模糊数的中值,即重要度比较值然后根据各个元素构建概率矩阵B=(b
ij)
m×m;根据公式c
ij=n
ij-l
ij,确定模糊评判矩阵中个各个元素,然后根据这些元素构建模糊评判矩阵
S508,根据各上一级分类指标对应的概率矩阵、模糊评判矩阵,确定各上一级分类指标的模糊互补判断矩阵。
具体地,各上一级分类指标对应的概率矩阵B、模糊评判矩阵S,通过公式T=(t
ij)
m×m=(b
ijs
ij)
m×m,计算调整评判矩阵T,并根据公式
得出模糊互补判断矩阵V=(v
ij)
m×m。
S510,根据各专家的权系数、专家数量以及各上一级分类指标对应的模糊互补判断矩阵,确定各上一级分类指标下的初始指标数据的合成矩阵。
其中,专家的权系数为对各个专家结论的重要度系数,专家数量为对各个初始指标数据进行赋权的专家数量。
具体地,根据公式
确定合成矩阵,其中,
式中,λ
s表示各专家的权系数,设λ=1/k;k表示专家数量,s为其各个专家的序号。
S512,根据各上一级分类指标下的初始指标数据的个数和各上一级分类指标下的初始指标数据的合成矩阵,确定各上一级分类指标下的初始指标数据的主观权重。
具体地,根据公式
式中,α≥(m-1)/2,i=1,2,…,m,可以确定各上一级分类指标下的初始指标数据的主观权重γ=(γ
1,γ
2,…,γ
m)
T。
可选地,在得到模糊互补判断矩阵V=(vij)m×m时,还可以进行一致性检验,若矩阵通过检验,执行下一步,否则进行一致性调整。在一个实施例中,如图6所示,包括:
S602,根据判断矩阵和主观权重的矢量,确定判断矩阵的最大特征值。
具体地,在确定各上一级分类指标下的初始指标数据的主观权重γ=(γ
1,γ
2,…,γ
m)
T,可以得到主观权重的矢量,将判断矩阵和主观权重的矢量相乘得到
其中V判断矩阵、
为主观权重的矢量。根据公式
确定最大特征值λ
max。
S604,根据最大特征值和判断矩阵的阶数,确定一致性指标的值。
具体地,根据最大特征值和判断矩阵的阶数,进行一致性指标(CI)的检验:
其中,m为判断矩阵的阶数。
S606,根据判断矩阵的阶数,查找随机一致性指标对照表,确定判断矩阵的随机一致性指标的值。
具体地,根据判断矩阵的阶数m,确定随机一致性指标RI的值,通过查找如表3的随机一致性对照表,找到对应阶数m的随机一致性指标RI的值。例如,阶数为4,对应的随机一致性指标RI的值为0.89。
表3
n |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
RI |
0 |
0 |
0.52 |
0.89 |
1.12 |
1.26 |
1.36 |
1.41 |
1.46 |
1.49 |
1.52 |
S608,根据一致性指标的值和随机一致性指标的值,得到一致性比例。
具体地,通过公式
得到一致性比例。其中,CI为一致性指标的值,RI为随机一致性指标的值。
S610,将一致性比例与预设比例阈值进行比较。
具体地,一致性比例的预设比例阈值为0.1,将计算得到的一致性比例与0.1进行比较,判断一致性比例是大于还是小于预设比例阈值。
S612,若一致性比例大于预设比例阈值,则重新调整判断矩阵。
具体地,若一致性比例小于预设比例阈值,即CR<0.1时,则各评价指标重要性排序合理,否则,需要重新根据重要性进行赋值构建判断矩阵。
通过根据最大特征值和判断矩阵的阶数,确定一致性指标的值,根据判断矩阵的阶数,查找随机一致性指标对照表,确定判断矩阵的随机一致性指标的值,根据一致性指标的值和随机一致性指标的值,得到一致性比例,将一致性比例与预设比例阈值进行比较,若一致性比例小于预设比例阈值,则重新调整判断矩阵。能够消除人为排序,具有的主观性和随意性,使各评价指标与事实指标重要程度一致。
S404,对各上一级分类指标下的初始指标数据根据灰色关联分析法进行客观赋权,确定各上一级分类指标下的初始指标数据的客观权重。
具体地,对各上一级分类指标下的初始指标数据根据灰色关联分析法首先对各个初始指标数据进行均值化处理,使得各个数据无量纲化,便于进行后续的计算,然后确定各个初始指标数据间的关联性,进而根据该关联性,对上一及分类指标下的各个初始指标数据进行客观赋权,确定各上一级分类指标下的初始指标数据的客观权重。
进一步地,在一个实施例中,如图7所示,对各上一级分类指标下的初始指标数据根据灰色关联分析法进行客观赋权,确定各上一级分类指标下的初始指标数据的客观权重,包括:
S702,对各上一级分类指标下的初始指标数据进行均值化处理,得到初始指标数据的量化值。
具体地,根据公式
其中,k为各个初始指标数据,这里可以是初始指标数据中的运行数据,例如,电压值、电流值、功率值等。i为初始指标数据的个数。
S704,根据初始指标数据的量化值,确定上一级分类指标下的各初始指标数据之间的关联度。
具体地,确定各个初始指标数据的量化值后,求参考序列与比较序列的绝对差:Δ
i(k)=|X'
i(k)-X'
i(0)|;计算两极最大差与最小差:
计算关联系数:
其中:ξ为分辨系数为预设值,它的取值只影响关联系数的大小,不影响关联序,一般取0.5。然后根据公式:
求得关联度。
S706,根据各初始指标数据之间的关联度,确定上一级分类指标下的各初始指标数据之间的关联序。
具体地,当确定各个初始指标数据间的关联度后,每个初始指标数据对应一个关联度值,根据关联度值进行升序排序或者降序排序,得到关联序。例如,第一初始指标数据的关联度为0.98,第二初始指标数据的关联度为0.77,第三初始指标数据的关联度为0.54,则按照升序,第一初始指标数据的关联序为3、第二初始指标数据2、第三初始指标数据1。
S708,对各初始指标数据的关联序进行归一化处理,得到各上一级分类指标相同的初始指标数据的客观权重。
具体地,对各个各初始指标数据的关联序进行归一化处理,即可得到各个上一级分类指标相同的初始指标数据的客观权重β=(β1,β2,…,βm)T。
本实施例中,通过对各上一级分类指标下的初始指标数据利用模糊AHP法进行主观赋权,确定各上一级分类指标下的初始指标数据的主观权重;对各上一级分类指标下的初始指标数据根据灰色关联分析法进行客观赋权,确定各上一级分类指标下的初始指标数据的客观权重,能够准确得到各个初始指标数据的主观权重和客观权重,兼顾主观和客观,是的对初始指标数据的赋权更加合理。
上述实施例对如何进行主观赋权和客观赋权进行了说明,在完成主观赋权和客观赋权后,如何确定综合权重现以一个实施例进行说明,在一个实施例中,如图8所示,根据主观权重、客观权重和优化决策模型,确定各初始指标数据的综合权重,包括:
S802,将主观权重、客观权重代入优化决策模型中,进行拉格朗日变换。
具体地,设根据具体情况已给出m个指标的主、客观权重分别为:γ=(γ
1,γ
2,…,γ
m)
T,β=(β
1,β
2,…,β
m)
T式中:
且γ
j,β
j≥0(j=1,2,…,m)。设各项指标的综合权重为w=(w
1,w
2,…,w
m)
T式中:
w
j≥0(j=1,2,…,m)为了既兼顾对主、客观赋权法的偏好,又能充分利用系统信息,建立如下优化决策模型:
w
j≥0(j=1,2,…,m)式中:0<μ<1为偏好系数,它反映分析者对主、客观赋权的偏好程度。
然后,对上式做拉格朗日函数:
S804,对变换后的优化决策模型进行求解,得到综合权重。
wj=μγj+(1-μ)βj(j=1,2,…,m),即综合权重。
在本实施例中,通过将主观权重、客观权重代入优化决策模型中,进行拉格朗日变换;对变换后的优化决策模型进行求解,得到综合权重。能够得到兼顾主观和客观的综合权重,对后续对初始指标数据进行重要度分级更加准确。
上述实施例对如何确定综合权重进行了说明,由于确定主观权重中构建的判断矩阵仅建立在专家对故障类型的认知上,尚无法区别对待故障类型相同而严重程度不同的情况,需要对严重性可量化的指标的权重根据其偏离正常值的程度进行修正才能使最终的评判结果准确合理,现以一个实施例对如何修正进行说明,一个实施例中,如图9所示,根据综合权重,确定各初始指标数据的重要度等级,包括:
S902,根据预设的评价指标越界量和综合权重,确定各初始指标数据的修正权重。
具体地,x为预设评价指标越界量,Z(x)为指标越限的严重程度,由智能变电站实际运行情况可知,随着指标越界量增加,对系统安全稳定运行的影响越大,系统越不稳定,其越限量增加速度越快,故Z(x)应满足:Z'(x)>0;Z”(x)>0。
介于上述原则,选用以下权重修正公式:
wj=wj×Z(x)>0(其中Z(x)=ex),得到修正权重。
S904,对各初始指标数据的修正权重进行归一化处理,确定各初始指标数据的模糊权重。
具体地,修正后的权重经过归一化处理后得到模糊权重A:A=(w
1,w
2,…w
m)
S906,根据专家数量和各初始指标数据的重要度评判结果,确定各初始指标数据的重要度隶属度。
其中,各初始指标数据的重要度评判结果为专家对各初始指标数据划分为哪一个等级。例如分为1、2、3、4四个等级,专家对第一初始指标数据划分为2级。
具体地,对各评价指标的重要性等级通过专家调查的形式,制定专家评分表,对每项指标根据专家经验和看法进行评定,在评分表中的对应等级处划勾,然后对所有专家的评分结果进行汇总,得到各个评判指标对应等级的频数,按照下式进行归一化处理即可得到各指标对应等级的隶属度μ
ij。
S908,根据各初始指标数据的重要度隶属度、各初始指标数据的重要度分级数,构建模糊综合评判矩阵。
其中,各初始指标数据的重要度分级数为预设的重要分级个数,例如,分为1、2、3、4四个等级,则各初始指标数据的重要度分级数为4。
具体地,根据公式
得到模糊综合评判矩阵,其中R为评判矩阵,m为评价指标数目,μ表示评价指标的隶属度。
S910,根据各初始指标数据的模糊权重和模糊综合评判矩阵,确定各初始指标数据的模糊综合重要度。
具体地,根据公式B=A·R
i=(b
1,b
2,b
3,b
4)
并对模糊评价矩阵B进行归一化处理得到B'确定各初始指标数据的模糊综合重要度。
S912,根据模糊综合重要度和模糊评判矩阵,确定各初始指标数据的重要度等级。
具体地,根据公式N=B'×ST,确定各初始指标数据的重要度评分,并根据表1得到,确定各初始指标数据的重要度等级。
在本实施例中,通过根据预设的评价指标越界量和综合权重,确定各初始指标数据的修正权重;对各初始指标数据的修正权重进行归一化处理,确定各初始指标数据的模糊权重;根据专家数量和各初始指标数据的重要度评判结果,确定各初始指标数据的重要度隶属度;根据各初始指标数据的重要度隶属度、各初始指标数据的重要度分级数,构建模糊综合评判矩阵;根据各初始指标数据的模糊权重和模糊综合评判矩阵,确定各初始指标数据的模糊综合重要度;根据模糊综合重要度和模糊评判矩阵,确定各初始指标数据的重要度等级。能够避免因专家对故障类型的主观认知,无法准确区别对待故障类型相同而严重程度不同的情况,并对严重性可量化的指标的权重根据其偏离正常值的程度进行修正得到最终准确合理的评判结果。
应该理解的是,虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-9中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种信息的等级确定装置,包括:
获取模块901,用于获取预设时间段内的变电站的至少一个初始指标数据,确定各初始指标数据对应的上一级分类指标;
第一确定模块902,用于根据各初始指标数据对应的上一级分类指标,确定各初始指标数据的主观权重和客观权重;
第二确定模块903,用于根据主观权重、客观权重和优化决策模型,确定各初始指标数据的综合权重;
第三确定模块904,用于根据综合权重,确定各初始指标数据的重要度等级。
在本实施例中,由于获取模块获取预设时间段内的变电站的至少一个初始指标数据,确定各初始指标数据对应的上一级分类指标;第一确定模块根据各初始指标数据对应的上一级分类指标,确定各初始指标数据的主观权重和客观权重;第二确定模块根据主观权重、客观权重和优化决策模型,确定各初始指标数据的综合权重;第三确定模块根据综合权重,确定各初始指标数据的重要度等级。能够对智能变电站一次设备、二次设备的告警信息进行划分等级,并且兼顾主观和客观两种情况,对指标数据的等级划分更加合理,便于工作人员根据重要度处理相关数据信息,对变电站一次设备、二次设备进行维护。
在一个实施例中,如图11所示,第一确定模块902包括:
主观赋权单元9021,用于对各上一级分类指标下的初始指标数据利用模糊AHP法进行主观赋权,确定各上一级分类指标下的初始指标数据的主观权重;
客观赋权单元9022,用于对各上一级分类指标下的初始指标数据根据灰色关联分析法进行客观赋权,确定各上一级分类指标下的初始指标数据的客观权重。
在一个实施例中,主观赋权单元,具体用于对各上一级分类指标下的初始指标数据两两进行比较,得到各上一级分类指标下的初始指标数据的重要度比较值;根据各上一级分类指标下的初始指标数据的重要度比较值,构建模糊判断矩阵;根据模糊判断矩阵,确定各上一级分类指标对应的概率矩阵、模糊评判矩阵;根据各上一级分类指标对应的概率矩阵、模糊评判矩阵,确定各上一级分类指标的模糊互补判断矩阵;根据各专家的权系数、专家数量以及各上一级分类指标对应的模糊互补判断矩阵,确定各上一级分类指标下的初始指标数据的合成矩阵;根据各上一级分类指标下的初始指标数据的个数和各上一级分类指标下的初始指标数据的合成矩阵,确定各上一级分类指标下的初始指标数据的主观权重。
在一个实施例中,主观赋权单元,还用于根据判断矩阵和主观权重的矢量,确定判断矩阵的最大特征值;根据最大特征值和判断矩阵的阶数,确定一致性指标的值;根据判断矩阵的阶数,查找随机一致性指标对照表,确定判断矩阵的随机一致性指标的值;根据一致性指标的值和随机一致性指标的值,得到一致性比例;将一致性比例与预设比例阈值进行比较;若一致性比例大于预设比例阈值,则重新调整判断矩阵。
在一个实施例中,客观赋权具体用于对各上一级分类指标下的初始指标数据进行均值化处理,得到初始指标数据的量化值;根据初始指标数据的量化值,确定上一级分类指标下的各初始指标数据之间的关联度;根据各初始指标数据之间的关联度,确定上一级分类指标下的各初始指标数据之间的关联序;对各初始指标数据的关联序进行归一化处理,得到各上一级分类指标相同的初始指标数据的客观权重。
在一个实施例中,参照图11所示,第二确定模块903,包括:
变换单元9031,用于将主观权重、客观权重代入优化决策模型中,进行拉格朗日变换;
求解单元9032,用于对变换后的优化决策模型进行求解,得到综合权重。
在一个实施例中,第三确定模块,具体用于根据预设的评价指标越界量和综合权重,确定各初始指标数据的修正权重;对各初始指标数据的修正权重进行归一化处理,确定各初始指标数据的模糊权重;根据专家数量和各初始指标数据的重要度评判结果,确定各初始指标数据的重要度隶属度;根据各初始指标数据的重要度隶属度、各初始指标数据的重要度分级数,构建模糊综合评判矩阵;根据各初始指标数据的模糊权重和模糊综合评判矩阵,确定各初始指标数据的模糊综合重要度;根据模糊综合重要度和模糊评判矩阵,确定各初始指标数据的重要度等级。
关于信息的等级确定装置的具体限定可以参见上文中对于信息的等级确定方法的限定,在此不再赘述。上述信息的等级确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种信息的等级确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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。