CN115358371A - 基于深度学习的电网监控信息事件化智能辨识方法 - Google Patents
基于深度学习的电网监控信息事件化智能辨识方法 Download PDFInfo
- Publication number
- CN115358371A CN115358371A CN202210973579.4A CN202210973579A CN115358371A CN 115358371 A CN115358371 A CN 115358371A CN 202210973579 A CN202210973579 A CN 202210973579A CN 115358371 A CN115358371 A CN 115358371A
- Authority
- CN
- China
- Prior art keywords
- alarm
- event
- information
- power grid
- deep learning
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 238000012163 sequencing technique Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000011664 signaling Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims description 2
- 238000012098 association analyses Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及电网维管监控技术领域,具体地说,涉及基于深度学习的电网监控信息事件化智能辨识方法。包括:构建电网告警事件特征库;基于特征库的快速辨识;告警事件多维度关联分析;深度学习技术应用;告警事件实时智能排序。本发明设计基于历史电网告警事件特征库,对事件相关告警信息采用深度学习,结合数据关联规则算法、推理算法等智能化的手段进行知识推理,可以从海量告警信息中及时、准确、自动地辨识出事件结果,通过直观可视化展示、对事件按轻重缓急进行实时智能排序,呈现给调度员精简有效的告警信息;可以有效解决分析事件困难、监屏压力大、容易漏监视的问题,提高监屏效率、告警信息的重要事件辨识能力以及电网状态实时掌控能力。
Description
技术领域
本发明涉及电网维管监控技术领域,具体地说,涉及基于深度学习的电网监控信息事件化智能辨识方法。
背景技术
电力调度控制中心主要任务是为了保证电网安全稳定运行、对外可靠供电、各类电力生产工作安全有序进行,调度员负责对电网运行的监视、指挥与控制,与电网安全生产紧密相关,为保证调度员高效开展调控工作,有效提升技术支撑是重要举措。
电网运行状态监控是一项确保电网安全稳定运行的核心业务工作,主要是监视所辖范围设备的遥信、遥测、及异常告警信息,按规定进行确认和复归等生产工作。目前主网调控每天面对近万条监控信息,监屏压力很大,在异常、故障突发时大量告警信息集中涌现,与故障无关的信号在短时间内将有有价值的信号淹没,完全依靠调度员对信号进行分辨、甄别,事件分析难度较大,且极易造成漏监视,对电网安全运行存在较大风险。在故障突发时尤为明显,大量告警信息集中涌现,在短时间内将有有价值的信号淹没,大量无效告警、频发告警等严重影响调度员实时设备监视及异常处置。且告警信息离散,未形成事故主题,完全依靠调度员对信号进行分辨、甄别、提取分析,事件分析难度较大,且极易造成漏监视,对电网安全运行存在较大风险,监视效率及监视质量亟待提升。
每值需要对电网数十甚至数百座变电站进行全面巡视,完全依靠人工,耗时费力,工作压力大,巡视的质量不高,调控员难以有效及时掌握实时电网系统状态及设备运行工况,调控一体化效率发挥较为局限。
鉴于此,我们提出了基于深度学习的电网监控信息事件化智能辨识方法。
发明内容
本发明的目的在于提供基于深度学习的电网监控信息事件化智能辨识方法,以解决上述背景技术中提出的问题。
为实现上述技术问题的解决,本发明的目的之一在于,提供了基于深度学习的电网监控信息事件化智能辨识方法,包括如下步骤:
S1、构建电网告警事件特征库:基于知识图谱技术,通过将涉及监控分析处理的结构化、非结构化的多源异构调控信息进行集成、挖掘、关联融合后进行训练,形成告警信息、事件、预案为一体的、具备关联性的告警事件特征库;
S2、基于特征库的快速辨识:从海量监控信息中智能辨识出需处理的重要信息,结合设备缺陷及历史拟合成事件;
S3、告警事件多维度关联分析:对零散的告警信息进行关联性分类,分析之间存在密切的内在联系,并直观展示;
S4、深度学习技术应用:采用深度学习对电网告警事件进行表征学习、提取特征,建立数据模型并用于分析新数据,以提升分类或预测的准确性;
S5、告警事件实时智能排序:基于告警事件特征库及事件自动辨识成果,对临时发生事件按关注度和待处理优先顺序进行分级。
作为本技术方案的进一步改进,所述S1中,构建电网告警事件特征库时,通过引入图划分方法,将信息按树形结构“切图”划分,并行计算,从而可按需动态生成图形,提升系统运行效率;其中,图划分算法主要包括但不限于几何方法、组合方法、谱方法和多层划分法等,各类算法可根据实际情况综合应用。
作为本技术方案的进一步改进,所述S2中,海量的监控信息包括但不限于遥信、遥测、告警信号等。
作为本技术方案的进一步改进,所述S2中,基于特征库的快速辨识的核心思路为借助特征库进行快速辨识,具体技术路线为:
通过对告警信息进行信息抽取,与电网告警事件特征库中实体、关系进行校核;
如果命中特征库,将基于此提取出事件相关告警信息关键特征,分析出事件结果;
如果未命中特征库,将进行采用知识图谱中的知识推理技术,经过训练强化学习,进入特征库,同时提取出告警事件关键信息推送给调度员。
作为本技术方案的进一步改进,所述S2中,基于特征库的快速辨识作业采用按时间窗分批进行辨识的方法,以提高运算和关联分析的效率;时间窗的大小依据运算效率自动调整,同时也支持人工干预调节。
作为本技术方案的进一步改进,所述S3中,通过告警事件多维度关联分析,可将告警事件划分为如下八种:
元件级告警,是因元件越限或发生故障而发出的告警;元件退出运行会导致潮流转移,随之会发生一系列的连锁故障;元件退出运行的原因有很多,或者是线路故障引起的,或者是继电器保护不当造成的;元件断开退出运行后会导致潮流大幅度转移,此时,输电线路负荷严重超载、电压直线下降,严重时会导致大面积停电事故;
系统级告警,是相对于元件级告警时立足于电力系统安全运行的基础上发出的告警;
单一告警,是单一的元件出现越限或者是单一的元件出现故障,又或是元件的任意指标不能达到要求而发出的告警;
串联告警,是当电力系统中发生一个电网故障,该故障会逐步引起其他多个故障,由此产生的一系列串联故障而发出的告警;串联告警的特点是只有一个故障为告警源,其他故障都是由该诱发故障而引起的;
并发告警,是两个故障同时发生却没有任何关联,各自都会引发连锁的故障,此时,由这两个故障发出的告警信息;
组合告警,当第一个故障发生后,引起第二个故障发生,与此同时,在离第一个故障发生较远的地方发生了第三个故障,这个故障的类型与前两个故障有所不同,但实质上是由初始故障引发的,此时将三个故障组合在一起进行告警的方式叫做组合告警;常用的组合告警方式有以下几种:几条线路越限的组合告警;几个节点电压越限的组合告警;线路和节点电压越限的组合告警等;
灵敏度告警,是反映可控变量和状态变量之间的相互关系,根据灵敏度系数对系统进行告警;
梯度告警,梯度告警呈现阶梯状,是针对系统的变化给出逐级的告警。
作为本技术方案的进一步改进,所述S3中,系统级告警包含两方面内容:第一,当电网系统受到较大的干扰后,电网内的电气量会在较短的时间内发生急剧的变化,变化速率会远远大于正常水平,此时系统会发出告警;第二,当电网系统中两个重要的电气表征量之间的关系发生变化时,系统也会发出告警。
作为本技术方案的进一步改进,所述S4中,深度学习技术应用的具体方法包括如下步骤:
S4.1、构建基于Word2vec的监控告警信息向量化模型:采用NLP中的Word2vec模型对监控告警信息进行向量化建模,将监控告警信息等文本信息转换为数字信息;
S4.2、对监控告警信息进行向量化建模处理,包括但不限于:分词、去停用词、平均化处理;
S4.3、基于卷积神经网络模型的监控告警事件识别:通过卷积神经网络CNN模型优异的局部特征提取性能,挖掘相邻监控告警信息间的关联性特征,从而识别告警事件的类型。
作为本技术方案的进一步改进,所述S5中,告警事件实时智能排序的主要技术路线为:基于告警事件特征库及事件自动辨识成果,采用归并排序算法、优先权调度算法,对事件影响范围、影响程度、发生时间、事故等级、风险评估等多方面因素权重值进行综合判断,实现对临时发生事件按关注度和待处理优先顺序进行分级:事故、危急、严重、一般、通知,并实时推送给调度员最新的任务列表;
同时,对于新增的临时事件,采用归并排序算法与现有已排序的事件进行合并排序,实时刷新任务列表;当对于非常重要、紧急且未处理完成的,采用非抢占式优先权调度算法进行置顶,便于跟踪进度。
本发明的目的之二在于,提供了一种基于深度学习的电网监控信息事件化智能辨识方法的运行平台装置,包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序,处理器用于执行计算机程序时实现上述的基于深度学习的电网监控信息事件化智能辨识方法的步骤。
本发明的目的之三在于,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于深度学习的电网监控信息事件化智能辨识方法的步骤。
与现有技术相比,本发明的有益效果:
1.该基于深度学习的电网监控信息事件化智能辨识方法中,基于历史电网告警事件特征库,对事件相关的告警信息采用深度学习,结合数据关联规则算法、推理算法等智能化的手段进行知识推理,可以从海量告警信息中及时、准确、自动地辨识出事件结果,提供直观可视化展示,对事件按轻重缓急进行实时智能排序,以便呈现给调度员精简有效的告警信息;
2.该基于深度学习的电网监控信息事件化智能辨识方法中,调度员不用再去“地毯式”搜索告警信息,在多条告警信息以及多个系统之间切换查找要点关联分析,从而可以有效解决分析事件困难、监屏压力大、容易漏监视的问题,提高监屏效率、告警信息的重要事件辨识能力以及电网状态实时掌控能力。
附图说明
图1为本发明中整体的电网监控信息事件化智能辨识方法流程图;
图2为本发明中示例性的告警信息事件化自动辨识原理示意框图;
图3为本发明中局部的方法流程图;
图4为本发明中示例性的实时智能排序技术逻辑原理框图;
图5为本发明中示例性的电子计算机平台装置结构示意图。
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。
实施例1
如图1-图5所示,本实施例提供了基于深度学习的电网监控信息事件化智能辨识方法,包括如下步骤:
S1、构建电网告警事件特征库:基于知识图谱技术,通过将涉及监控分析处理的结构化、非结构化的多源异构调控信息进行集成、挖掘、关联融合后进行训练,形成告警信息、事件、预案为一体的、具备关联性的告警事件特征库;
S2、基于特征库的快速辨识:从海量监控信息(包括但不限于遥信、遥测、告警信号等)中智能辨识出需处理的重要信息,结合设备缺陷及历史拟合成事件;如断路器控制回路断线,保护装置闭锁、直流系统接地、强油主变风冷全停、光差保护通信中断等;
S3、告警事件多维度关联分析:对零散的告警信息进行关联性分类,分析之间存在密切的内在联系,并直观展示;以便给调度员提供多角度和多方位的分析途径,便于掌握个体以及区域性关联事件情况,统一调控指挥处置;
S4、深度学习技术应用:采用深度学习对电网告警事件进行表征学习、提取特征,建立数据模型并用于分析新数据,以提升分类或预测的准确性;
S5、告警事件实时智能排序:基于告警事件特征库及事件自动辨识成果,对临时发生事件按关注度和待处理优先顺序进行分级。
本实施例中,S1中,构建电网告警事件特征库时,通过引入图划分方法,将信息按树形结构“切图”划分,并行计算,从而可按需动态生成图形,提升系统运行效率;其中,图划分算法主要包括但不限于几何方法、组合方法、谱方法和多层划分法等,各类算法可根据实际情况综合应用。
本实施例中,如图2所示,S2中,基于特征库的快速辨识的核心思路为借助特征库进行快速辨识,具体技术路线为:
通过对告警信息进行信息抽取,与电网告警事件特征库中实体、关系进行校核;
如果命中特征库,将基于此提取出事件相关告警信息关键特征,分析出事件结果;
如果未命中特征库,将进行采用知识图谱中的知识推理技术,经过训练强化学习,进入特征库,同时提取出告警事件关键信息推送给调度员。这是知识图谱的迭代过程,逐步提升准确率。
进一步地,S2中,基于特征库的快速辨识作业采用按时间窗分批进行辨识的方法,以提高运算和关联分析的效率;时间窗的大小依据运算效率自动调整,同时也支持人工干预调节。
其中,因监控信息作为事件自动辨识的输入项,数据量大,且在故障发生时告警信息出现频率更高且集中,如果逐条输入,与数据源交互的数量和频率剧增,影响效率,且不容易关联上下文分析,因此按时间窗(如10秒)分批进行辨识,可以提升运算效率。
本实施例中,S3中,通过告警事件多维度关联分析,可将告警事件划分为如下八种:
元件级告警,是因元件越限或发生故障而发出的告警;元件退出运行会导致潮流转移,随之会发生一系列的连锁故障;其中,元件退出运行的原因有很多,或者是线路故障引起的,或者是继电器保护不当造成的。元件断开退出运行后会导致潮流大幅度转移,此时,输电线路负荷严重超载、电压直线下降,严重时会导致大面积停电事故。当系统发生告警时,调度人员需立即做出反应,避免影响范围扩大。
系统级告警,是相对于元件级告警时立足于电力系统安全运行的基础上发出的告警;其中,系统级告警包含两方面内容:第一,当电网系统受到较大的干扰后,电网内的电气量会在较短的时间内发生急剧的变化,变化速率会远远大于正常水平,此时系统会发出告警;第二,当电网系统中两个重要的电气表征量之间的关系发生变化时,系统也会发出告警。
单一告警,是单一的元件出现越限或者是单一的元件出现故障,又或是元件的任意指标不能达到要求而发出的告警。
串联告警,是当电力系统中发生一个电网故障,该故障会逐步引起其他多个故障,由此产生的一系列串联故障而发出的告警;串联告警的特点是只有一个故障为告警源,其他故障都是由该诱发故障而引起的,这就需要调度人员从多种告警信息中找到故障发生的根源,并及时予以应对,使电力系统回到安全状态。
并发告警,是两个故障同时发生却没有任何关联,各自都会引发连锁的故障,此时,由这两个故障发出的告警信息;例如,电力系统中的一台发电机因故障而退出运行,系统母线电压和节点电压降低的同时,另一条大容量输电线路由于遭到雷击发生接地故障,此线路附近的线路潮流增大,会引起其他线路的潮流发生越限等故障,发电机退出运行和线路短路故障发出的告警就是并发告警。
组合告警,当第一个故障发生后,引起第二个故障发生,与此同时,在离第一个故障发生较远的地方发生了第三个故障,这个故障的类型与前两个故障有所不同,但实质上是由初始故障引发的,此时将三个故障组合在一起进行告警的方式叫做组合告警;常用的组合告警方式有以下几种:几条线路越限的组合告警;几个节点电压越限的组合告警;线路和节点电压越限的组合告警等。
灵敏度告警,是反映可控变量和状态变量之间的相互关系,根据灵敏度系数对系统进行告警。
梯度告警,梯度告警呈现阶梯状,是针对系统的变化给出逐级的告警。
本实施例中,如图3所示,S4中,深度学习技术应用的具体方法包括如下步骤:
S4.1、构建基于Word2vec的监控告警信息向量化模型:采用NLP中的Word2vec模型对监控告警信息进行向量化建模,将监控告警信息等文本信息转换为数字信息;
S4.2、对监控告警信息进行向量化建模处理,包括但不限于:分词、去停用词、平均化处理;
S4.3、基于卷积神经网络模型的监控告警事件识别:通过卷积神经网络CNN模型优异的局部特征提取性能,挖掘相邻监控告警信息间的关联性特征,从而识别告警事件的类型。
本实施例中,如图4所示,S5中,告警事件实时智能排序的主要技术路线为:基于告警事件特征库及事件自动辨识成果,采用归并排序算法、优先权调度算法,对事件影响范围、影响程度、发生时间、事故等级、风险评估等多方面因素权重值进行综合判断,实现对临时发生事件按关注度和待处理优先顺序进行分级,分级类型包括但不限于:事故、危急、严重、一般、通知,并实时推送给调度员最新的任务列表;
同时,对于新增的临时事件,采用归并排序算法与现有已排序的事件进行合并排序,实时刷新任务列表;当对于非常重要、紧急且未处理完成的,采用非抢占式优先权调度算法进行置顶,便于跟踪进度。
其中,实现告警事件实时智能排序的目的在于:目前的告警信息仅以异常、故障等触发的时间顺序记录,且多个事件的信息交替出现,在步骤S1~S4实现对主网监控告警信息智能辨识出事件相关信息后,事件仍处于无序状态,调度员难以第一时间掌握最重要、最紧急的事件及告警信息,不足以支撑调度员对关键问题以及全局形势的掌握。因此,通过智能化技术和算法实现对电网告警事件信息的实时智能排序,便于调度员及时关注最核心的事件信息以及排队等待处理的任务。
如图5所示,本实施例还提供了一种基于深度学习的电网监控信息事件化智能辨识方法的运行平台装置,该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
处理器包括一个或一个以上处理核心,处理器通过总线与存储器相连,存储器用于存储程序指令,处理器执行存储器中的程序指令时实现上述的基于深度学习的电网监控信息事件化智能辨识方法的步骤。
可选的,存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随时存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
此外,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的基于深度学习的电网监控信息事件化智能辨识方法的步骤。
可选的,本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面基于深度学习的电网监控信息事件化智能辨识方法的步骤。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤的过程可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.基于深度学习的电网监控信息事件化智能辨识方法,其特征在于:包括如下步骤:
S1、构建电网告警事件特征库:基于知识图谱技术,通过将涉及监控分析处理的结构化、非结构化的多源异构调控信息进行集成、挖掘、关联融合后进行训练,形成告警信息、事件、预案为一体的、具备关联性的告警事件特征库;
S2、基于特征库的快速辨识:从海量监控信息中智能辨识出需处理的重要信息,结合设备缺陷及历史拟合成事件;
S3、告警事件多维度关联分析:对零散的告警信息进行关联性分类,分析之间存在密切的内在联系,并直观展示;
S4、深度学习技术应用:采用深度学习对电网告警事件进行表征学习、提取特征,建立数据模型并用于分析新数据,以提升分类或预测的准确性;
S5、告警事件实时智能排序:基于告警事件特征库及事件自动辨识成果,对临时发生事件按关注度和待处理优先顺序进行分级。
2.根据权利要求1所述的基于深度学习的电网监控信息事件化智能辨识方法,其特征在于:所述S1中,构建电网告警事件特征库时,通过引入图划分方法,将信息按树形结构“切图”划分,并行计算,从而可按需动态生成图形;其中,图划分算法主要包括但不限于几何方法、组合方法、谱方法和多层划分法。
3.根据权利要求1所述的基于深度学习的电网监控信息事件化智能辨识方法,其特征在于:所述S2中,海量的监控信息包括但不限于遥信、遥测、告警信号。
4.根据权利要求3所述的基于深度学习的电网监控信息事件化智能辨识方法,其特征在于:所述S2中,基于特征库的快速辨识的核心思路为借助特征库进行快速辨识,具体技术路线为:
通过对告警信息进行信息抽取,与电网告警事件特征库中实体、关系进行校核;
如果命中特征库,将基于此提取出事件相关告警信息关键特征,分析出事件结果;
如果未命中特征库,将进行采用知识图谱中的知识推理技术,经过训练强化学习,进入特征库,同时提取出告警事件关键信息推送给调度员。
5.根据权利要求4所述的基于深度学习的电网监控信息事件化智能辨识方法,其特征在于:所述S2中,基于特征库的快速辨识作业采用按时间窗分批进行辨识的方法;时间窗的大小依据运算效率自动调整,同时也支持人工干预调节。
6.根据权利要求1所述的基于深度学习的电网监控信息事件化智能辨识方法,其特征在于:所述S3中,通过告警事件多维度关联分析,可将告警事件划分为如下八种:
元件级告警,是因元件越限或发生故障而发出的告警;
系统级告警,是相对于元件级告警时立足于电力系统安全运行的基础上发出的告警;
单一告警,是单一的元件出现越限或者是单一的元件出现故障,又或是元件的任意指标不能达到要求而发出的告警;
串联告警,是当电力系统中发生一个电网故障,该故障会逐步引起其他多个故障,由此产生的一系列串联故障而发出的告警;
并发告警,是两个故障同时发生却没有任何关联,各自都会引发连锁的故障,此时,由这两个故障发出的告警信息;
组合告警,当第一个故障发生后,引起第二个故障发生,与此同时,在离第一个故障发生较远的地方发生了第三个故障,这个故障的类型与前两个故障有所不同,但实质上是由初始故障引发的,此时将三个故障组合在一起进行告警的方式叫做组合告警;
灵敏度告警,是反映可控变量和状态变量之间的相互关系,根据灵敏度系数对系统进行告警;
梯度告警,是针对系统的变化给出逐级的告警。
7.根据权利要求6所述的基于深度学习的电网监控信息事件化智能辨识方法,其特征在于:所述S3中,系统级告警包含两方面内容:第一,当电网系统受到较大的干扰后,电网内的电气量会在较短的时间内发生急剧的变化,变化速率会远远大于正常水平,此时系统会发出告警;第二,当电网系统中两个重要的电气表征量之间的关系发生变化时,系统也会发出告警。
8.根据权利要求1所述的基于深度学习的电网监控信息事件化智能辨识方法,其特征在于:所述S4中,深度学习技术应用的具体方法包括如下步骤:
S4.1、构建基于Word2vec的监控告警信息向量化模型:采用NLP中的Word2vec模型对监控告警信息进行向量化建模,将监控告警信息等文本信息转换为数字信息;
S4.2、对监控告警信息进行向量化建模处理,包括但不限于:分词、去停用词、平均化处理;
S4.3、基于卷积神经网络模型的监控告警事件识别:通过卷积神经网络CNN模型优异的局部特征提取性能,挖掘相邻监控告警信息间的关联性特征,从而识别告警事件的类型。
9.根据权利要求1所述的基于深度学习的电网监控信息事件化智能辨识方法,其特征在于:所述S5中,告警事件实时智能排序的主要技术路线为:基于告警事件特征库及事件自动辨识成果,采用归并排序算法、优先权调度算法,对事件影响范围、影响程度、发生时间、事故等级、风险评估等多方面因素权重值进行综合判断,实现对临时发生事件按关注度和待处理优先顺序进行分级,并实时推送给调度员最新的任务列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210973579.4A CN115358371A (zh) | 2022-08-15 | 2022-08-15 | 基于深度学习的电网监控信息事件化智能辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210973579.4A CN115358371A (zh) | 2022-08-15 | 2022-08-15 | 基于深度学习的电网监控信息事件化智能辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115358371A true CN115358371A (zh) | 2022-11-18 |
Family
ID=84001602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210973579.4A Pending CN115358371A (zh) | 2022-08-15 | 2022-08-15 | 基于深度学习的电网监控信息事件化智能辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358371A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313189A (zh) * | 2023-12-01 | 2023-12-29 | 国网山东省电力公司淄博供电公司 | 光纤二次回路可视化分析方法、系统、终端及存储介质 |
-
2022
- 2022-08-15 CN CN202210973579.4A patent/CN115358371A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313189A (zh) * | 2023-12-01 | 2023-12-29 | 国网山东省电力公司淄博供电公司 | 光纤二次回路可视化分析方法、系统、终端及存储介质 |
CN117313189B (zh) * | 2023-12-01 | 2024-03-19 | 国网山东省电力公司淄博供电公司 | 光纤二次回路可视化分析方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346466A (zh) | 一种电力调度系统的控制方法及装置 | |
CN109840157A (zh) | 故障诊断的方法、装置、电子设备和存储介质 | |
CN104657913A (zh) | 一种基于全数据模型的智能告警系统 | |
CN107492952A (zh) | 一种调控中心告警信号分析方法及基于它的智能告警系统 | |
CN105989427B (zh) | 一种基于数据挖掘的设备状态趋势分析和预警方法 | |
CN1787116A (zh) | 基于状态监测的核电厂智能维护系统 | |
CN115358371A (zh) | 基于深度学习的电网监控信息事件化智能辨识方法 | |
CN110866616A (zh) | 一种变电站二次设备故障预警方法及装置 | |
CN111404482B (zh) | 光伏电站监控方法和系统 | |
CN116756966A (zh) | 一种电网故障预警方法、系统、终端设备及存储介质 | |
CN108764544A (zh) | 线路隐患预测方法及装置 | |
CN113159503B (zh) | 一种远程遥控智能安全评估系统和方法 | |
CN105469186A (zh) | 一种能够自监测的风险监测系统及自监测方法 | |
CN116880337A (zh) | 一种流域梯级电厂集控中心监控系统告警辅助决策方法 | |
CN112950064A (zh) | 一种电网安全风险影响因素分析方法及装置 | |
CN113157526B (zh) | 一种基于电力监控系统的日志审计系统 | |
CN116010886B (zh) | 安全监测方法、装置、电子设备和存储介质 | |
CN116243103A (zh) | 基于多源数据的输变电设备状态智能感知预警方法 | |
CN116094174A (zh) | 基于知识图谱的电网运维监控方法、系统、设备及介质 | |
CN114154591A (zh) | 基于多源信息的设备状态智能预警方法及装置 | |
CN113642487A (zh) | 一种应用于安全生产的基于人工智能的方法及系统 | |
CN112736878B (zh) | 一种电网连锁故障告警方法及系统 | |
CN116778688B (zh) | 机房告警事件处理方法、装置、设备及存储介质 | |
CN117458722B (zh) | 基于电力能源管理系统的数据监控方法及系统 | |
CN117330889A (zh) | 一种小电流接地系统单相接地故障查找方法及系统 |
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 |