CN115170344A - 调控系统运行事件智能处理方法及装置、介质及设备 - Google Patents
调控系统运行事件智能处理方法及装置、介质及设备 Download PDFInfo
- Publication number
- CN115170344A CN115170344A CN202210598372.3A CN202210598372A CN115170344A CN 115170344 A CN115170344 A CN 115170344A CN 202210598372 A CN202210598372 A CN 202210598372A CN 115170344 A CN115170344 A CN 115170344A
- Authority
- CN
- China
- Prior art keywords
- data
- knowledge
- control system
- regulation
- map
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 39
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种调控系统运行事件智能处理方法,涉及电力系统技术领域。此方法通过对调控系统历史运行的告警数据进行知识抽取,获得三元组数据,构建运行事件的第一知识图谱,然后对第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全获得第二知识图谱,并基于第二知识图谱提取的特征向量对预设机器学习模型进行训练生成故障识别模型,最后根据故障识别模型对实时运行状态数据进行识别故障信息并进行故障处置。这样实现了对海量告警数据的快速关联挖掘,提高了数据的使用价值,能够准确和支撑对运行事件的分析,并确定出目标处置策略,有助于提高策略确定的准确率。
Description
技术领域
本公开涉及电力系统技术领域,尤其涉及一种调控系统运行事件智能处理方法及装置、介质及设备。
背景技术
调度控制系统作为电网企业进行电网运行控制和调度生产管理的重要技术手段,是保障电网安全运行的关键基础设施。
相关技术中,系统故障诊断的调控方式主要以人工经验分析为主,基于故障对象的一些基本信息进行分析判断,然后确定对应的处置策略。但是通过这样的方式,比较考验策略确定人员的经验,若策略确定人员经验较少,则极有可能无法准确的对海量数据、方案模型进行经验知识关联,导致对资源的分析出现错误,处置策略确定的准确度较低。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种调控系统运行事件智能处理方法及装置、介质及设备,至少在一定程度上克服由于相关技术的限中对故障信息的分析错误而导致处置策略确定的准确度低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种调控系统运行事件智能处理方法,包括:
获取调控系统历史运行的告警数据;
根据所述告警数据进行知识抽取,获得三元组数据;
将所述三元组数据导入Neo4j数据库,构建运行事件的第一知识图谱;
对所述第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全,获得补全后的运行事件的第二知识图谱;
根据所述第二知识图谱进行特征提取,得到训练特征向量;
根据所述训练特征向量对预设的机器学习模型进行训练,生成故障识别模型;
获取调控系统的实时运行状态数据;
将所述实时运行状态数据输入所述故障识别模型,输出故障信息;
基于预设的处置方案对所述故障信息进行处置。
在本公开一个实施例中,所述根据所述告警数据进行知识抽取,获得三元组数据,包括:
根据正则表达式对所述告警数据进行筛选,去除非文本内容以及与调控系统无关的内容,获得有效文本数据;
根据所述有效文本数据进行知识抽取,获得三元组数据。
在本公开一个实施例中,所述对所述第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全,获得补全后的运行事件的第二知识图谱,包括:
获取待补全的第一知识图谱;
通过训练好的概率预测模型对所述待补全的第一知识图谱的缺失部分进行预测,获得多个预测结果及每个预测结果对应的概率;
将概率最大的预测结果作为最终预测值对所述待补全的第一知识图谱的缺失部分进行补全,生成第二知识图谱。
在本公开一个实施例中,所述预设的处置方案包括多个故障信息以及每个所述故障信息对应的事件处理方案。
在本公开一个实施例中,所述事件处理方案设置有不同优先级。
在本公开一个实施例中,所述方法还包括:
获取处置结束后的运行状态数据;
通过对所述处置结束后的运行状态数据与预设标准运行状态数据的阈值进行分析,获得分析结果;
根据所述分析结果完善所述预设的处置方案。
根据本公开的另一个方面,提供一种调控系统运行事件智能处理装置,包括:
第一获取模块,用于获取调控系统历史运行的告警数据;
数据处理模块,用于根据所述告警数据进行知识抽取,获得三元组数据;
图谱构建模块,用于将所述三元组数据导入Neo4j数据库,构建运行事件的第一知识图谱;
图谱补全模块,用于对所述第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全,获得补全后的运行事件的第二知识图谱;
特征提取模块,用于根据所述第二知识图谱进行特征提取,得到训练特征向量;
模型生成模块,用于根据所述训练特征向量对预设的机器学习模型进行训练,生成故障识别模型;
第二获取模块,用于获取调控系统的实时状态数据;
模型应用模块,用于将所述实时状态数据输入所述故障识别模型,输出故障信息;
故障处置模块,用于基于预设的处置方案对所述故障信息进行处置。
在本公开一个实施例中,所述装置还包括:
第三获取模块,用于获取处置结束后的运行状态数据;
分析模块,用于根据所述运行状态数据与预设标准的运行状态数据阈值进行分析,获得分析结果;
方案完善模块,用于根据所述分析结果完善所述预设的处置方案。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的调控系统运行事件智能处理方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的调控系统运行事件智能处理方法。
本公开的实施例所提供的调控系统运行事件智能处理方法,通过对调控系统历史运行的告警数据进行知识抽取,获得三元组数据,构建运行事件的第一知识图谱,然后对第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全获得第二知识图谱,并基于第二知识图谱提取的特征向量对预设机器学习模型进行训练生成故障识别模型,最后根据故障识别模型对实时运行状态数据进行识别故障信息并进行故障处置。这样实现了对海量告警数据的快速关联挖掘,提高了数据的使用价值,能够准确和支撑对运行事件的分析,并确定出目标处置策略,有助于提高策略确定的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种调控系统运行事件智能处理方法流程图。
图2是图1中一种调控系统运行事件智能处理方法的一种流程图。
图3是图1中一种调控系统运行事件智能处理方法的另一种流程图。
图4是图1中一种调控系统运行事件智能处理方法的又一种流程图。
图5示出本公开实施例中一种电子设备的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出本公开实施例中一种调控系统运行事件智能处理方法流程图。
参考图1,应用于一种调控系统运行事件智能处理方法,包括:
步骤S102:获取调控系统历史运行的告警数据;
步骤S104:根据所述告警数据进行知识抽取,获得三元组数据;
步骤S106:将所述三元组数据导入Neo4j数据库,构建运行事件的第一知识图谱;
步骤S108:对所述第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全,获得补全后的运行事件的第二知识图谱;
步骤S110:根据所述第二知识图谱进行特征提取,得到训练特征向量;
步骤S112:根据所述训练特征向量对预设的机器学习模型进行训练,生成故障识别模型;
步骤S114:获取调控系统的实时运行状态数据;
步骤S116:将所述实时运行状态数据输入所述故障识别模型,输出故障信息;
步骤S118:基于预设的处置方案对所述故障信息进行处置。
具体的,通过对调控系统历史运行的告警数据进行知识抽取,获得三元组数据,构建运行事件的第一知识图谱,然后对第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全获得第二知识图谱,并基于第二知识图谱提取的特征向量对预设机器学习模型进行训练生成故障识别模型,最后根据故障识别模型对实时运行状态数据进行识别故障信息并进行故障处置。这样实现了对海量告警数据的快速关联挖掘,提高了数据的使用价值,能够准确和支撑对运行状态的分析,并确定出目标处置策略,有助于提高策略确定的准确率。
下面分别对图1中的各个步骤进行具体说明。
在步骤S102中,获取调控系统历史运行的告警数据。
其中,获取的告警数据内容可以包括:告警级别、告警对象、告警类型、告警范围详情和告警时间,其中告警对象可以包括:设备、通道、网络链路、程序、应用及数据库。
在步骤S104中,根据所述告警数据进行知识抽取,获得三元组数据。
其中,知识抽取包括实体抽取、属性抽取和关系抽取。三元组是知识图谱的一种通用表示方式,三元组的基本形式主要包括(实体1-关系-实体2)和(实体-属性-属性值)等。
例如,为计算机设备建立CPU使用率、硬盘分区使用率等属性,构建(计算机,CPU使用率,90%)这样形如(实体,属性,属性值)的三元组描述;为计算机设备与SCADA应用之间建立运行关系,构建(计算机,运行,SCADA应用)这样形如(实体,关系,实体)的三元组描述。
参考图2,上述步骤S104,可以包括:
步骤S202:根据正则表达式对所述告警数据进行筛选,去除非文本内容以及与调控系统无关的内容,获得有效文本数据;
步骤S204:根据所述有效文本数据进行知识抽取,获得三元组数据。
其中,正则表达式,又称规则表达式。正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑。
本示例实施方式中,根据正则表达式对告警数据进行筛选,去除非文本内容以及与调控系统无关的内容,获得有效文本数据。其中,有效文本数据可以包括调控系统中各个设备、通道、网络链路、程序和应用的运行状态、运行参数、生产数据、历史运行告警数据和状态监测信息等等数据。
在步骤S106中,将所述三元组数据导入Neo4j数据库,构建运行事件的第一知识图谱。
知识图谱(Knowledge Graph),知识图谱又可以叫语义网,在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱用来描述真实世界中存在的各种实体或概念及其关系,构成一张巨大的语义网络图,知识图谱中每个节点都有若干个属性及其属性值,实体与实体之间的边表示节点之间的关系,边的指向表示关系的方向,边上的标记表示关系的类型。
根据Neo4j数据集原理,将构建的三元组数据导入Neo4j数据库,生成运行事件的第一知识图谱。
在步骤S108中,对所述第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全,获得补全后的运行事件的第二知识图谱。
参考图3,上述步骤S108,可以包括:
步骤S302:获取待补全的第一知识图谱;
步骤S304:通过训练好的概率预测模型对所述待补全的第一知识图谱的缺失部分进行预测,获得多个预测结果及每个预测结果对应的概率;
步骤S306:将概率最大的预测结果作为最终预测值对所述待补全的第一知识图谱的缺失部分进行补全,生成第二知识图谱。
在步骤S110中,根据所述第二知识图谱进行特征提取,得到训练特征向量。
对第二知识图谱进行进一步提取,提取出不同知识层次下的适合进行模型训练的训练特征向量。
在步骤S112中,根据所述训练特征向量对预设的机器学习模型进行训练,生成故障识别模型。
根据第二知识图谱中提取的训练特征向量,对预设的机器学习模型做完全监督和弱监督训练,可以根据实际场景进行选择,在训练过程中,根据具体场景不断调整权重,得到故障识别模型。
在步骤S114中,获取调控系统的实时运行状态数据。
可以通过软件接口对接方式、开放数据库方式或者基于底层数据交换的数据直接采集方式,进行采集数据,获取调控系统的实时运行状态数据。实时运行状态数据可以包括:调控系统中各个设备、通道、网络链路、程序和应用的实时运行状态、运行参数、生产数据、报警信息等等数据。
在步骤S116中,将所述实时运行状态数据输入所述故障识别模型,输出故障信息。
例如,调控系统中的一个计算机的CPU使用率过高,导致在此台计算机使用其他软件时,出现卡顿现象。实时运行状态数据中包括此台计算机名称、此台计算机CPU使用率、此台计算机CPU温度、与此台计算机关联的其他受影响设备等等信息,将实时运行状态数据输入所述故障识别模型,输出此台计算机的CPU使用率过高的故障信息。
在步骤S118中,基于预设的处置方案对所述故障信息进行处置。
其中,预设的处置方案包括多个故障信息以及每个故障信息对应的事件处理方案。故障信息可以包括各个设备、通道、网络链路、程序和应用的故障信息。事件处理方案设置有不同优先级,优先等级高的事件处理方案比优先等级低的事件处理方案拥有有限处理权。
参考图4,调控系统运行事件智能处理方法还包括:
步骤S402:获取处置结束后的运行状态数据;
步骤S404:通过对所述处置结束后的运行状态数据与预设标准运行状态数据的阈值进行分析,获得分析结果;
步骤S406:根据所述分析结果完善所述预设的处置方案。
一种调控系统运行事件智能处理装置,包括第一获取模块、数据处理模块、图谱构建模块、图谱补全模块、特征提取模块、模型生成模块、第二获取模块、模型应用模块和故障处置模块。
第一获取模块,用于获取调控系统历史运行的告警数据;
数据处理模块,用于根据所述告警数据进行知识抽取,获得三元组数据;
图谱构建模块,用于将所述三元组数据导入Neo4j数据库,构建运行事件的第一知识图谱;
图谱补全模块,用于对所述第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全,获得补全后的运行事件的第二知识图谱;
特征提取模块,用于根据所述第二知识图谱进行特征提取,得到训练特征向量;
模型生成模块,用于根据所述训练特征向量对预设的机器学习模型进行训练,生成故障识别模型;
第二获取模块,用于获取调控系统的实时状态数据;
模型应用模块,用于将所述实时状态数据输入所述故障识别模型,输出故障信息;
故障处置模块,用于基于预设的处置方案对所述故障信息进行处置。
一种调控系统运行事件智能处理装置,还包括第三获取模块、分析模块和方案完善模块。
第三获取模块,用于获取处置结束后的运行状态数据;
分析模块,用于根据所述运行状态数据与预设标准的运行状态数据阈值进行分析,获得分析结果;
方案完善模块,用于根据所述分析结果完善所述预设的处置方案
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1中所示的步骤S102,获取调控系统历史运行的告警数据;步骤S104,根据所述告警数据进行知识抽取,获得三元组数据;步骤S106,将所述三元组数据导入Neo4j数据库,构建运行事件的第一知识图谱;步骤S108,对所述第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全,获得补全后的运行事件的第二知识图谱;步骤S110,根据所述第二知识图谱进行特征提取,得到训练特征向量;步骤S112,根据所述训练特征向量对预设的机器学习模型进行训练,生成故障识别模型;步骤S114,获取调控系统的实时运行状态数据;步骤S116,将所述实时运行状态数据输入所述故障识别模型,输出故障信息;步骤S118,基于预设的处置方案对所述故障信息进行处置。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
描述了根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种调控系统运行事件智能处理方法,其特征在于,包括:
获取调控系统历史运行的告警数据;
根据所述告警数据进行知识抽取,获得三元组数据;
将所述三元组数据导入Neo4j数据库,构建运行事件的第一知识图谱;
对所述第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全,获得补全后的运行事件的第二知识图谱;
根据所述第二知识图谱进行特征提取,得到训练特征向量;
根据所述训练特征向量对预设的机器学习模型进行训练,生成故障识别模型;
获取调控系统的实时运行状态数据;
将所述实时运行状态数据输入所述故障识别模型,输出故障信息;
基于预设的处置方案对所述故障信息进行处置。
2.根据权利要求1所述的调控系统运行事件智能处理方法,其特征在于,所述根据所述告警数据进行知识抽取,获得三元组数据,包括:
根据正则表达式对所述告警数据进行筛选,去除非文本内容以及与调控系统无关的内容,获得有效文本数据;
根据所述有效文本数据进行知识抽取,获得三元组数据。
3.根据权利要求1或2所述的调控系统运行事件智能处理方法,其特征在于,所述对所述第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全,获得补全后的运行事件的第二知识图谱,包括:
获取待补全的第一知识图谱;
通过训练好的概率预测模型对所述待补全的第一知识图谱的缺失部分进行预测,获得多个预测结果及每个预测结果对应的概率;
将概率最大的预测结果作为最终预测值对所述待补全的第一知识图谱的缺失部分进行补全,生成第二知识图谱。
4.根据权利要求1所述的调控系统运行事件智能处理方法,其特征在于,所述预设的处置方案包括多个故障信息以及每个所述故障信息对应的事件处理方案。
5.根据权利要求4所述的调控系统运行事件智能处理方法,其特征在于,所述事件处理方案设置有不同优先级。
6.根据权利要求1所述的调控系统运行事件智能处理方法,其特征在于,所述方法还包括:
获取处置结束后的运行状态数据;
通过对所述处置结束后的运行状态数据与预设标准运行状态数据的阈值进行分析,获得分析结果;
根据所述分析结果完善所述预设的处置方案。
7.一种调控系统运行事件智能处理装置,其特征在于,包括:
第一获取模块,用于获取调控系统历史运行的告警数据;
数据处理模块,用于根据所述告警数据进行知识抽取,获得三元组数据;
图谱构建模块,用于将所述三元组数据导入Neo4j数据库,构建运行事件的第一知识图谱;
图谱补全模块,用于对所述第一知识图谱中缺失的实体、属性和关系的部分进行图谱补全,获得补全后的运行事件的第二知识图谱;
特征提取模块,用于根据所述第二知识图谱进行特征提取,得到训练特征向量;
模型生成模块,用于根据所述训练特征向量对预设的机器学习模型进行训练,生成故障识别模型;
第二获取模块,用于获取调控系统的实时状态数据;
模型应用模块,用于将所述实时状态数据输入所述故障识别模型,输出故障信息;
故障处置模块,用于基于预设的处置方案对所述故障信息进行处置。
8.根据权利要求7所述的调控系统运行事件智能处理装置,其特征在于,所述装置还包括:
第三获取模块,用于获取处置结束后的运行状态数据;
分析模块,用于根据所述运行状态数据与预设标准的运行状态数据阈值进行分析,获得分析结果;
方案完善模块,用于根据所述分析结果完善所述预设的处置方案。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求 1~6中任意一项所述调控系统运行事件智能处理方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~6中任意一项所述的调控系统运行事件智能处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210598372.3A CN115170344A (zh) | 2022-05-30 | 2022-05-30 | 调控系统运行事件智能处理方法及装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210598372.3A CN115170344A (zh) | 2022-05-30 | 2022-05-30 | 调控系统运行事件智能处理方法及装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170344A true CN115170344A (zh) | 2022-10-11 |
Family
ID=83483484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210598372.3A Pending CN115170344A (zh) | 2022-05-30 | 2022-05-30 | 调控系统运行事件智能处理方法及装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170344A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344717A (zh) * | 2022-10-18 | 2022-11-15 | 国网江西省电力有限公司电力科学研究院 | 面向多类型供用能系统调控运行知识图谱构建方法及装置 |
CN116774569A (zh) * | 2023-07-25 | 2023-09-19 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
CN117519052A (zh) * | 2023-12-12 | 2024-02-06 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
-
2022
- 2022-05-30 CN CN202210598372.3A patent/CN115170344A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344717A (zh) * | 2022-10-18 | 2022-11-15 | 国网江西省电力有限公司电力科学研究院 | 面向多类型供用能系统调控运行知识图谱构建方法及装置 |
CN116774569A (zh) * | 2023-07-25 | 2023-09-19 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
CN116774569B (zh) * | 2023-07-25 | 2024-04-05 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
CN117519052A (zh) * | 2023-12-12 | 2024-02-06 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
CN117519052B (zh) * | 2023-12-12 | 2024-05-28 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3798846B1 (en) | Operation and maintenance system and method | |
CN115170344A (zh) | 调控系统运行事件智能处理方法及装置、介质及设备 | |
WO2021057576A1 (zh) | 一种构造云化网络告警根因关系树模型方法、装置和存储介质 | |
CN204883710U (zh) | 一种基于规则的电网故障诊断智能系统 | |
CN113609008B (zh) | 测试结果分析方法、装置和电子设备 | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN117993868B (zh) | 基于双模态注意力的电网工程项目审计预警方法及系统 | |
CN116523284A (zh) | 基于机器学习的业务操作流程自动化评估方法、系统 | |
CN114996936A (zh) | 设备运维方法、设备运维装置、设备运维设备及存储介质 | |
CN110633318A (zh) | 一种数据提取的处理方法、装置、设备和存储介质 | |
CN112712348B (zh) | 换流站的日志关联分析方法及诊断装置 | |
CN113849581A (zh) | 告警信息的处理方法、装置、设备和存储介质 | |
CN116611813B (zh) | 一种基于知识图谱的智能运维管理方法及系统 | |
CN111400414B (zh) | 一种基于标准化企业数据的决策方法、系统及电子设备 | |
CN115222058A (zh) | 调控系统运行状态分析模型构建方法及装置、介质及设备 | |
CN117170724A (zh) | 用于检测业务异常的ai模型自动化更新方法、装置及设备 | |
CN116992051A (zh) | 一种电网调度业务的知识图谱构建方法和装置 | |
CN111352820A (zh) | 一种高性能应用运行状态预测和监控方法、设备和装置 | |
CN115983383A (zh) | 面向电力设备的实体关系抽取方法及相关装置 | |
CN112712443B (zh) | 换流站的事件分析方法及分析装置 | |
CN115767601A (zh) | 一种基于多维数据的5gc网元自动化纳管方法及装置 | |
CN115271277A (zh) | 电力设备画像构建方法、系统、计算机设备及存储介质 | |
CN115186738A (zh) | 模型训练方法、装置和存储介质 | |
CN114357180A (zh) | 知识图谱的更新方法及电子设备 | |
Long et al. | 6G comprehensive intelligence: network operations and optimization based on Large Language Models |
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 |