CN115409100A - 电力事故应急方案生成方法、装置、介质及设备 - Google Patents
电力事故应急方案生成方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN115409100A CN115409100A CN202211014273.2A CN202211014273A CN115409100A CN 115409100 A CN115409100 A CN 115409100A CN 202211014273 A CN202211014273 A CN 202211014273A CN 115409100 A CN115409100 A CN 115409100A
- Authority
- CN
- China
- Prior art keywords
- accident
- emergency
- historical
- regression
- information
- 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 56
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 24
- 238000011497 Univariate linear regression Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000011282 treatment Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 18
- 238000010276 construction Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 239000000110 cooling liquid Substances 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Animal Behavior & Ethology (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种电力事故应急方案生成方法、装置、介质及设备,包括:将电力设备发生电力事故时事故信息输入到预先建立的事故预警模型中,得到针对事故信息的第一应急策略、诱发事故以及对应诱发事故的第二应急策略;根据第一应急策略、诱发事故以及对应的第二应急策略,生成应急方案;事故预警模型中包括一个多元回归子模型和多个一元回归子模型,一元回归子模型是将电力设备的单一类型历史事故对应的事故知识图谱作为训练样本训练得到的;事故知识图谱包括多个处置节点、对应每一处置节点的事故信息描述和多个历史应急策略,事故知识图谱基于历史事故案例的相似度,将处置节点的事故信息描述和多个历史应急策略映射到预设的图谱结构中得到的。
Description
技术领域
本公开涉及电厂事故应急处理技术领域,具体地,涉及一种电力事故应急方案生成方法、装置、介质及设备。
背景技术
水电站中受电力设备故障的突发性、紧迫性及不可预见性影响,电力设备发生故障后,收集故障信息的及时性和准确性较低,故障研判的准确性较低,导致难以准确地预测故障引发的其他设备故障和难以估计事故的发展方向和衍变进度,因而存在制定应急方案不及时、应急方案准确性较低和安排抢修人员不及时等问题。
发明内容
本公开的目的是提供一种电力事故应急方案生成方法、装置、介质及设备,旨在解决相关场景中电力设备发生故障制定应急方案不及时、应急方案准确性较低和安排抢修人员不及时的技术问题。
为了实现上述目的,本公开第一方面,提供一种电力事故应急方案生成方法,所述方法包括:
获取水电站电力设备发生电力事故时的事故信息;
将所述事故信息输入到预先建立的事故预警模型中,得到所述事故预警模型输出的针对所述事故信息的第一应急策略、针对所述事故信息的诱发事故以及对应所述诱发事故的第二应急策略;
根据所述第一应急策略、所述诱发事故以及对应的所述第二应急策略,生成应急方案;
其中,所述事故预警模型中包括一个多元回归子模型和多个一元回归子模型,所述一元回归子模型是将电力设备的单一类型历史事故对应的事故知识图谱作为训练样本训练得到的,所述多元回归子模型是将所述多个一元回归子模型进行结合得到的;
所述事故知识图谱包括多个处置节点、对应每一所述处置节点的事故信息描述和多个历史应急策略,所述事故知识图谱基于历史事故案例的相似度,将处置节点的事故信息描述和多个历史应急策略均映射到预设的图谱结构中得到的。
本公开第二方面,提供一种电力事故应急方案生成装置,所述装置包括:
获取模块,被配置为获取水电站电力设备发生电力事故时的事故信息;
输入模块,被配置为将所述事故信息输入到预先建立的事故预警模型中,得到所述事故预警模型输出的针对所述事故信息的第一应急策略、针对所述事故信息的诱发事故以及对应所述诱发事故的第二应急策略;
生成模块,被配置为根据所述第一应急策略、所述诱发事故以及对应的所述第二应急策略,生成应急方案;
其中,所述事故预警模型中包括一个多元回归子模型和多个一元回归子模型,所述一元回归子模型是将电力设备的单一类型历史事故对应的事故知识图谱作为训练样本训练得到的,所述多元回归子模型是将所述多个一元回归子模型进行结合得到的;
所述事故知识图谱包括多个处置节点、对应每一所述处置节点的事故信息描述和多个历史应急策略,所述事故知识图谱基于历史事故案例的相似度,将处置节点的事故信息描述和多个历史应急策略均映射到预设的图谱结构中得到的。
本公开第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
本公开第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面中任一项所述方法的步骤。
通过上述技术方案,至少可以达到以下有益效果:
通过将事故信息输入到预先建立的事故预警模型中,得到事故预警模型输出的针对事故信息的第一应急策略、针对事故信息的诱发事故以及对应诱发事故的第二应急策略;而事故预警模型中包括一个多元回归子模型和多个一元回归子模型,一元回归子模型是将电力设备的单一类型历史事故对应的事故知识图谱作为训练样本训练得到的,多元回归子模型是将多个一元回归子模型进行结合得到的;事故知识图谱包括多个处置节点、对应每一处置节点的事故信息描述和多个历史应急策略,事故知识图谱基于历史事故案例的相似度,将处置节点的事故信息描述和多个历史应急策略均映射到预设的图谱结构中得到的。根据历史事故案例对应的应急策略构建事故知识图谱图谱,可以更为全面的制定应急策略,并且,以历史事故案例为样本的模型,能够提高电力设备发生故障制定应急方案的及时性和应急方案的准确性。此外,根据第一应急策略、诱发事故以及对应的第二应急策略,生成应急方案,不仅可以针对当前事故信息得到应急策略,还可以针对诱发事故提前做好应急策略,做到提前安排抢修人员,避免电力事故扩大化,造成更为严重的电力安全事故。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一实施例示出的一种电力事故应急方案生成方法的流程图。
图2是一实施例示出的事故预警模型确定诱发事故以及对应所述诱发事故的第二应急策略的方法的流程图。
图3是一实施例示出的一种实现图2中步骤S22的流程图。
图4是一实施例示出的一种实现图2中步骤S23的流程图。
图5是一实施例示出的一种构建事故知识图谱的流程图。
图6是根据一实施例示出的一种电力事故应急方案生成装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
为了实现上述目的,本公开提供一种电力事故应急方案生成方法,应用于事故应急监控设备,该设备可以是设置于电力设备现场的近端设备,也可以是设置于监控中心的远端设备,图1是根据一实施例示出的一种电力事故应急方案生成方法的流程图。参见图1所示,所述方法包括:
在步骤S11中,获取水电站电力设备发生电力事故时的事故信息;
本公开实施例中,电力设备在发生电力事故时,可以是现场的摄像头,温度传感器、水温传感器等装置发出的事故信息,以温度异常为例进行说明,事故信息可以是电力设备上配置的温度传感器上报的设备温度、压力传感器上报的冷却水压力、流量传感器上报的冷却水流量以及冷却液中配置的温度传感器上报的冷却液温度。
在步骤S12中,将所述事故信息输入到预先建立的事故预警模型中,得到所述事故预警模型输出的针对所述事故信息的第一应急策略、针对所述事故信息的诱发事故以及对应所述诱发事故的第二应急策略;
在步骤S13中,根据所述第一应急策略、所述诱发事故以及对应的所述第二应急策略,生成应急方案;
本公开实施例中,可以根据应急方案生成可视化界面,在可视化界面中可以分别展示第一应急策略、以及在不同第一应急策略下展示对应的诱发事故,并针对诱发事故展示第二应急策略。
其中,所述事故预警模型中包括一个多元回归子模型和多个一元回归子模型,所述一元回归子模型是将电力设备的单一类型历史事故对应的事故知识图谱作为训练样本训练得到的,所述多元回归子模型是将所述多个一元回归子模型进行结合得到的;
所述事故知识图谱包括多个处置节点、对应每一所述处置节点的事故信息描述和多个历史应急策略,所述事故知识图谱基于历史事故案例的相似度,将处置节点的事故信息描述和多个历史应急策略均映射到预设的图谱结构中得到的。
上述技术方案通过将事故信息输入到预先建立的事故预警模型中,得到事故预警模型输出的针对事故信息的第一应急策略、针对事故信息的诱发事故以及对应诱发事故的第二应急策略;而事故预警模型中包括一个多元回归子模型和多个一元回归子模型,一元回归子模型是将电力设备的单一类型历史事故对应的事故知识图谱作为训练样本训练得到的,多元回归子模型是将多个一元回归子模型进行结合得到的;事故知识图谱包括多个处置节点、对应每一处置节点的事故信息描述和多个历史应急策略,事故知识图谱基于历史事故案例的相似度,将处置节点的事故信息描述和多个历史应急策略均映射到预设的图谱结构中得到的。根据历史事故案例对应的应急策略构建事故知识图谱图谱,可以更为全面的制定应急策略,并且,以历史事故案例为样本的模型,能够提高电力设备发生故障制定应急方案的及时性和应急方案的准确性。此外,根据第一应急策略、诱发事故以及对应的第二应急策略,生成应急方案,不仅可以针对当前事故信息得到应急策略,还可以针对诱发事故提前做好应急策略,做到提前安排抢修人员,避免电力事故扩大化,造成更为严重的电力安全事故。
在其中一种实施方式中,所述事故预警模型是通过如下方式构建得到的:
根据所述事故知识图谱中所有历史事故对应的事故信息、对应的历史应急策略以及对应诱发的历史事故,对所述历史事故进行分类;
构建每一分类中历史事故的事故矩阵,并确定每一历史事故对应的事故等级;
根据每一分类中的事故等级、所述事故等级对应的等级权重、所述事故矩阵和所述事故矩阵对应的矩阵权重,确定针对该分类的回归系数;
其中,T表示对事故矩阵X求转置矩阵,WX为给每个事故矩阵对应的矩阵权重,y表示事故等级,Wy表示事故等级对应的等级权重。其中,Wy是一个只含对角元素的矩阵。
本公开实施例中,利用平方误差法对所有的y-Wx*X的平方求和,再将求和函数对WX求导,使导数等于0,求解WX的最优解。
根据所述回归系数、所述历史事故对应的事故信息以及一元回归函数的偏移量,得到针对每一分类的一元回归子模型;
示例地,通过如下公式建立每一分类的一元回归子模型Yi:
根据各分类对应的所述一元回归子模型以及多元回归函数的偏移量,得到所述多元回归子模型。
示例地,通过如下公式建立多远回归子模型z:
其中,C为多元回归子模型中多元回归函数的偏移量,同理是多元回归子模型中允许偏差范围的调整系数,在后续模型的训练和学习过程中会持续优化。
可选地,图2是一实施例示出的事故预警模型确定诱发事故以及对应所述诱发事故的第二应急策略的方法的流程图,参见图2所示,包括:
在步骤S21中,根据所述事故信息,从预设的事故知识图谱中确定多个关键处置节点;
本公开实施例中,将事故信息与事故知识图谱的事故信息描述进行匹配,将匹配度达到预设匹配度阈值的处置节点作为关键处置节点。
在步骤S22中,确定各所述关键处置节点在每一所述一元回归子模型中的一元回归概率,以及在所述多元回归子模型的多元回归概率;
将关键处置节点对应的事故信息描述,代入每一一元回归子模型中,得到对应一元回归子模型中的一元回归概率,并将关键处置节点对应的事故信息描述,代入多元回归子模型中,得到多元回归子模型的多元回归概率,可以理解的是事故信息描述可以反映电力设备的状态信息。
在步骤S23中,根据多个所述一元回归概率以及所述多元回归概率进行态势推演,从所述预设的事故知识图谱中确定所述诱发事故以及对应所述诱发事故的所述第二应急策略。
本公开实施例中,可以根据一元回归概率以及所述多元回归概率进行情景构建,分析情景空间内的因素集,并对因素集进行数据提取与分析,从而选择关键因素,根据关键因素对态势进行假定和验证,例如,将关键因素以序列的形式输入推演公式中,S(t)={e1(t),e2(t),…,en()},其中,ei(t),是关键因素在时刻的状态信息,对应情景描述表中的第i行,ei(t)的结构可表示为:ei(t)=<vi,tri,opi,ri>,vi表示关键因素i当前的状态值,tri表示关键因素i当前的发展趋势,opi={opi,1,opi,2,…,opi,mi(i)},表示可以对关键因素i进行的操作的集合,ri={ri1,ri2,…,rin}表示关键因素i与其他各个因素的关系。
当前情景态势觉察就是将情景中的关键因素ei(t)与事故过去状态和态势推演知识库中的数据进行比较、分析、判断,提取出重要的情景态势元素,如:危险源危害等级的变化等。当前情景态势觉察得到的结果作为当前情景态势理解的输入,应该包括三个方面的内容,即当前事故情景的状态描述,各关键因素的时间属性,事故情景的空间属性,可记为:A=[D,T,K],其中,D={D1,D2,…,Dn}表示当前事故的状态描述,通过分析情景序列S(t),提取出在当前状态下关键因素的状态值,T={t1,t2,…,tn}表示各因素的时间属性。最终,根据预设的事故知识图谱匹配到诱发事故和对应的第二应急策略。
本公开实施例中,将事故信息代入多元回归子模型和多个一元回归子模型中,验证各项目指标在一元回归函数和多元回归函数上的概率,从而达到对设备状态进行的精准预警分析的目的,同时可以根据一元回归子模型明确确定异常指标参数。
在其中一种实施方式中,在事故预警模型在确定针对所述事故信息的第一应急策略时,可以根据事故信息和多个关键处置节点对应的事故信息描述,确定电力事故与关键处置节点的在每一所述一元回归子模型的一元回归概率和在多远回归子模型的多远回归概率,进而根据一元回归概率和多远回归概率,从关键处置节点中确定目标处置节点,进而将目标处置节点的历史应急策略作为第一应急策略。举例来说,可以将最大的三个一元回归概率对应关键处置节点确定为第一目标处置子节点,将最大的多元回归概率对应的关键处置节点确定为第二目标处置子节点,进而根据第一目标处置子节点和第二目标处置子节点得到目标处置节点。
可选地,图3是一实施例示出的一种实现图2中步骤S22的流程图,参见图3所示,在步骤S22中,所述确定各所述关键处置节点在每一所述一元回归子模型中的一元回归概率,包括:
在步骤S221中,根据所述关键处置节点在不同历史事故中同一时间节点的设备状态信息,得到对应的不同诱发事故;
在步骤S222中,将所述诱发事故对应的多个设备状态信息进行分类,得到多个状态分类集,每个所述状态分类集中至少包括一个设备状态信息;
在步骤S223中,确定在所述一元回归子模型中,各所述状态分类集中所述样本状态信息属于任一样本分类的第一数量,所述一元回归子模型包括多个样本分类;
在步骤S224中,根据所述样本分类集对应的第一数量、所述一元回归子模型的样本总数以及所述一元回归子模型中对应的回归系数,确定所述关键处置节点在每一所述一元回归子模型中的一元回归概率。
示例地,假设S为具有s个设备状态信息的状态分类集。每一状态分类集中有m个设备状态信息,定义m个不同类ci(i=1,2,…,m),设si为类ci中的设备状态信息的数量,一元回归概率Pi可以通过如下公式计算:
Pi=si/S
其中,S为一元回归子模型的样本总数,si为样本分类集对应的第一数量。
可选地,图4是一实施例示出的一种实现图2中步骤S23的流程图,参见图4所示,在步骤S23中,所述根据多个所述一元回归概率以及所述多元回归概率进行态势推演,从所述预设的事故知识图谱中确定所述诱发事故以及对应所述诱发事故的所述第二应急策略,包括:
在步骤S231中,根据所述一元回归子模型中样本分类的分类数以及对应该一元回归子模型的所述一元回归概率,确定对应的样本分类信息熵;
示例地,假设S为具有s个设备状态信息的状态分类集。每一状态分类集中有m个设备状态信息,定义m个不同类ci(i=1,2,…,m),设si为类ci中的设备状态信息的数量,样本分类信息熵可以通过如下公式计算:
其中,I(s1,s2,s3,s4,…sm)样本分类信息熵。
在步骤S232中,计算各所述第一数量之和,并根据各所述第一数量的和以及所述一元回归子模型中的样本总数,确定所述状态分类集对应的权重;
在步骤S233中,根据所述样本分类信息熵、所述权重以及所述样本分类信息熵,确定对应所述状态分类集的状态子集信息熵;
在步骤S234中,根据各所述一元回归子模型对应的各所述状态子集信息熵,确定所述多元回归子模型对应的状态子集信息熵;
在步骤S235中,根据所述一元回归子模型对应的各所述状态子集信息熵,从所述预设的事故知识图谱中分别确定对应的候选诱发事故以及对应的候选应急策略,以及根据所述多元回归子模型对应的状态子集信息熵,从所述预设的事故知识图谱中分别确定对应的候选诱发事故以及对应的候选应急策略;
在步骤S236中,根据所述一元回归子模型对应的候选诱发事故以及对应的候选应急策略,以及所述多元回归子模型对应的候选诱发事故以及对应的候选应急策略,确定所述事故信息对应的诱发事故以及对应所述诱发事故的所述第二应急策略。
示例地,事故信息A中具有v个不同值{a1,a2,…,av},可以用属性A的取值将诱发事故S对应的多个设备状态信息划分为v个子集,即{s1,s2,…,sv},其中sj包含S中在属性A具有值aj的样本。如果A选作测试属性,则子集对应于由包含集合S的节点生长出来的分枝。设sij为子集sj中类ci的样本数,状态子集信息熵可以表示为:
熵值越小,子集划分的纯度越高。条件熵反映了信息输出后的平均不确定性。对于给定的子集sj其信息熵为:
其中,式中Pij为sj中的设备状态信息属于状态分类集cj的概率。
在事故信息A的各个诱发事故分支上所得的编码信息(互信息,又称为信息增益)为:
G(A)=I(s1,s2,s3,…,sm)-E(A)
可选地,图5是一实施例示出的一种构建事故知识图谱的流程图,参见图5所示,所述方法包括:
在步骤S51中,获取历史应急数据,所述历史应急数据包括针对水电站的历史事故案例的事故处置节点和所述事故处置节点对应的设备状态、历史应急策略以及采用所述历史应急策略后对应的诱发事故;
在步骤S52中,对所述历史应急数据进行特征提取,得到语义特征向量和事故场景特征向量;
在步骤S53中,基于预设的特征相似度算法,根据所述语义特征向量和所述事故场景特征向量,得到电力设备的图谱节点特征信息以及所述历史事故案例的相似度;
在步骤S54中,根据所述历史事故案例的相似度,将所述图谱节点特征信息映射到预设的图谱结构,得到所述事故知识图谱。
本公开是通过采集历史应急数据,并依据预设的方法对应急数据中的特征信息进行提取和处理,得到多个节点及每一节点的特征信息,然后将得到的特征信息映射到预设的图谱结构中,从而完成事故知识图谱的构建。
示例地,历史应急数据可以包括多个针对水电站的历史事故案例。具体地,针对每一历史事故案例,事故处置节点表示在该历史事故中,在哪些节点对水电站的电力设备进行处置。事故处置节点对应的设备状态可以包括该历史事故发生时、对该历史事故进行处置过程中以及对该历史事故进行处置后每一事故处置节点对应的电力设备的状态信息,其中电力设备的状态信息可以包括水电站的监控系统监控到的电力设备的状态信息,以及针对该历史事故,每一事故处置节点对应的处置人员信息。历史应急策略可以包括针对该历史事故,每一事故处置节点对应的历史处置策略。用历史应急策略后对应的诱发事故可以包括采用历史应急策略后,针对该历史事故的每一事故处置节点对应的处置效果。
示例地,语义特征向量和事故场景特征向量的提取可以是基于历史事故案例包括的结构和内容,分析历史事故案例的组成要素,对历史事故案例进行语义信息的标注,然后再进行特征提取,并对提取到语义特征和事故场景特征进行量化,以得到语义特征向量和事故场景特征向量。本公开实施例对特征提取的方法不作具体的限定。另外,可以采用计算余弦相似度、欧几里得距离以及曼哈顿距离等方法计算历史事故案例的相似度,本公开实施例对此也不作具体的限定。
采用上述技术方案,通过采集水电站的历史事故案例,对历史事故案例进行特征提取,得到语义特征向量和事故场景特征向量,并确定水电站的电力设备的图谱节点特征信息以及历史事故案例的相似度,然后根据历史事故案例的相似度和预设的图谱结构,构建事故知识图谱。如此,使得历史事故案例的每一事故处置节点、每一处置节点的处置要点、设备运行方式、故障部位及事故性质等信息可视化,为事故的应急处理策略的制定提供指导性基础,进而提高事故处理的效率和准确性。
在可能的方式中,获取历史应急数据可以是利用网页爬虫工具在预设的数据源中进行数据采集,得到历史应急数据。
示例地,预设的数据源可以包括存储有针对水电站的历史事故案例的本地文件、水电站的电力设备的信息记录手册、以及包括针对水电站的事故处理案例、事故处理方法等数据的网络数据源,本公开实施例对此不作限定。
在可能的方式中,对历史应急数据进行特征提取,得到语义特征向量和事故场景特征向量,可以是首先对历史应急数据进行知识提取,得到知识图谱构建数据,知识图谱构建数据包括历史应急数据中的电力设备实体、电力设备实体的属性信息以及电力设备实体间的实体关系,然后根据知识图谱构建数据和预设知识库中的图谱数据进行知识融合,得到融合后的知识图谱构建数据,最后对融合后的知识图谱构建数据进行特征提取,得到语义特征向量和事故场景特征向量。
应当理解的是,对历史应急数据进行知识提取主要包括命名实体抽取,实体关系抽取和属性抽取三个要素。其中,实体抽取可以是在历史应急数据包括的文本句中找出包括时间、地点、电力设备、故障名称、故障类型、处置方法、处置人员等的多个实体。本公开实施例对实体抽取的方法不做具体限定。属性抽取可以是利用使用python爬虫爬取网页信息以及水电站的监控数据或其他存储数据,确定每一实体的属性信息。其中,水电站的监控数据或其他存储数据可以包括水电站的电力设备的实时运行数据、水电站内部的监控数据。本公开实施例对实体属性抽取的方法不做具体限定。关系抽取可以是获取抽取到的实体之间的某种语义关系及关系的类别,然后将实体对及联系这一对实体的关系构成的三元组数据,本公开实施例对关系抽取的方法也不做具体限定。
示例地,为了保证事故知识图谱的完整性,且解决实体语义重复和语义矛盾的问题,可以将采集到历史应急数据中的电力设备实体、电力设备实体的属性信息以及电力设备实体间的实体关系与预设知识库中的图谱数据进行知识融合,然后对融合后的知识图谱构建数据进行特征提取,得到语义特征向量和事故场景特征向量。本公开实施例对特征提取的方法也不作具体限定。
在可能的方式中,历史应急数据包括结构化数据、半结构化数据和非结构化数据,若历史应急数据为结构化数据,对历史应急数据进行知识提取,得到知识图谱构建数据可以是通过预设的映射规则对历史应急数据进行知识抽取,得到知识图谱构建数据;
若历史应急数据为半结构化数据或非结构化数据,对历史应急数据进行知识提取,得到知识图谱构建数据可以是首先根据预设的目标信息从半结构化数据或非结构化数据中筛选出针对水电站的历史事故案例,然后通过预设的基于语义标注的关联模型算法,对筛选出的针对水电站的历史事故案例进行知识提取,得到知识图谱构建数据。
应当理解的是,由于数据源不同,获取的历史应急数据的结构化程度不同,具体地,历史应急数据包括结构化数据,(比如链接数据、数据库)、半结构化数据(比如网页中的表格、列表)或者非结构化数据(比如纯文本数据),结构化程度越低,知识抽取越为复杂。针对不同结构化程度不同历史应急数据,可以采用不同的方式进行指示抽取。
示例地,针对结构化的历史应急数据,其字段含义、字段数量、数据内容都是明确的,可以通过预设的映射规则对结构化的历史应急数据进行知识抽取,映射规则可以是根据历史应急数据具体进行设置的,本公开实施例对此不作限定。当然,也可以采用针对结构化数据的知识抽取模型对结构化的历史应急数据进行知识抽取,本公开实施例对此也不作限定。
针对半结构化数据或非结构化数据,可以先对其进行筛选,确定出哪些是针对水电站的历史事故案例,即可以根据预设的目标信息,确定出历史应急数据中包括的电力设备、电力设备的状态信息、应急策略、操作人员以及采用历史应急策略后对应的诱发事故的概念本体、各概念本体的含义、概念本体间的关系以及各个节点信息。其中,预设的目标信息可以是根据水电站事故案例的元素组成确定的。然后再采用预设的基于语义标注的关联模型算法进行知识提取,得到知识图谱构建数据。当然也可以采用其他实体抽取模型或方法对半结构化或非结构化的历史应急数据进行知识提取,本公开实施例对此不作限定。
在可能的方式中,根据知识图谱构建数据和预设知识库中的图谱数据进行知识融合,得到融合后的知识图谱构建数据,可以是首先将知识图谱构建数据与图谱数据合并,得到合并后的多个电力设备实体、每一电力设备实体的属性信息以及多个电力设备实体间的实体关系,再根据每一电力设备实体的属性信息,将合并后的多个电力设备实体中每一电力设备实体与其它电力设备实体进行比对,得到比对结果,然后根据比对结果对合并后的多个电力设备实体进行筛选,得到目标电力设备实体、目标电力设备实体的目标属性信息以及目标电力设备实体间的目标实体关系,最后根据目标电力设备实体、目标属性信息以及目标实体关系,得到融合后的知识图谱构建数据。
示例地,由于获取历史应急数据的数据源不同,获取得到的多个实体可能存在语义信息或属性信息的重复或矛盾,比如针对某一电力设备,其同一参数存在不一致产生实体矛盾,该电力设备的存在多个叫法或采用指代词进行只带后导致提取出多个重复的实体。
因此,可以首先将知识图谱构建数据与图谱数据合并,然后根据实体的属性信息将每一实体与其他实体进行比对,得到目标电力设备实体、目标电力设备实体的目标属性信息以及目标电力设备实体间的目标实体关系。比对的方式以及根据比对结果确定目标电力设备实体的标准可以根据实际应用场景设置,本公开实施例对此不作限定。
在可能的方式中,根据历史事故案例的相似度,将图谱节点特征信息映射到预设的图谱结构中,得到事故知识图谱,可以是首先根据历史事故案例的相似度,将图谱节点特征信息映射到预设的图谱结构中,得到初始事故知识图谱,再通过初始事故知识图谱进行知识推理,得到知识推理结果,然后对知识推理结果进行质量评估,得到质量评估结果,并根据质量评估结果补充所初始事故知识图谱,得到补充完整的事故知识图谱,最后将补充完整的事故知识图谱确定为事故知识图谱。
应当理解的是,在将图谱节点特征信息映射到预设的图谱结构中后,得到的初始事故知识图谱具有不完整性,因此可以围绕初始事故知识图谱中已有的概念和关系信息进行知识推理,以得到新的知识,具体可以采用逻辑规则、嵌入表示和神经网络三类方法进行知识推理,本公开实施例对知识推理的方法不作具体限定。对知识推理的结果进行质量评估可以是对推理得到的新知识的置信度进行评估,保留置信度高的知识,以保证事故知识图谱的准确度和有效性,当然也可以采用其他方式进行质量评估,本公开实施例对此不作具体限定。
应当理解的是,在水电站的使用过程中,水电站的监控系统采集到的信息在增加,预设数据源中的信息不断更新。因此,为了保证知识图谱的时效性和准确性,在另一种可能的方式中,事故知识图谱构建方法还可以将当前获取到的历史应急数据与事故知识图谱中的历史应急数据进行比对,确定当前获取到的历史应急数据是否发生变化,在当前获取到的历史应急数据发生变化的情况下,根据当前获取到的历史应急数据得到图谱节点特征信息,并对事故知识图谱进行知识更新。
可选地,所述事故信息包括所述电力设备所述在的电厂区域、事故发生时间、事故类型、电力设备类型以及当前的设备状态中的至少一者。
基于相同的构思,本公开实施例还提供一种电力事故应急方案生成装置,参见图6所示,所述装置600包括:
获取模块610,被配置为获取水电站电力设备发生电力事故时的事故信息;
输入模块620,被配置为将所述事故信息输入到预先建立的事故预警模型中,得到所述事故预警模型输出的针对所述事故信息的第一应急策略、针对所述事故信息的诱发事故以及对应所述诱发事故的第二应急策略;
生成模块630,被配置为根据所述第一应急策略、所述诱发事故以及对应的所述第二应急策略,生成应急方案;
其中,所述事故预警模型中包括一个多元回归子模型和多个一元回归子模型,所述一元回归子模型是将电力设备的单一类型历史事故对应的事故知识图谱作为训练样本训练得到的,所述多元回归子模型是将所述多个一元回归子模型进行结合得到的;
所述事故知识图谱包括多个处置节点、对应每一所述处置节点的事故信息描述和多个历史应急策略,所述事故知识图谱基于历史事故案例的相似度,将处置节点的事故信息描述和多个历史应急策略均映射到预设的图谱结构中得到的。
可选地,所述事故预警模型是通过如下方式构建得到的:
根据所述事故知识图谱中所有历史事故对应的事故信息、对应的历史应急策略以及对应诱发的历史事故,对所述历史事故进行分类;
构建每一分类中历史事故的事故矩阵,并确定每一历史事故对应的事故等级;
根据每一分类中的事故等级、所述事故等级对应的等级权重、所述事故矩阵和所述事故矩阵对应的矩阵权重,确定针对该分类的回归系数;
根据所述回归系数、所述历史事故对应的事故信息以及一元回归函数的偏移量,得到针对每一分类的一元回归子模型;
根据各分类对应的所述一元回归子模型以及多元回归函数的偏移量,得到所述多元回归子模型。
可选地,所述事故预警模型包括:第一确定模块,被配置为根据所述事故信息,从预设的事故知识图谱中确定多个关键处置节点;
确定各所述关键处置节点在每一所述一元回归子模型中的一元回归概率,以及在所述多元回归子模型的多元回归概率;
第二确定模块,被配置为根据多个所述一元回归概率以及所述多元回归概率进行态势推演,从所述预设的事故知识图谱中确定所述诱发事故以及对应所述诱发事故的所述第二应急策略。
可选地,所述第一确定模块,被配置为:
根据所述关键处置节点在不同历史事故中同一时间节点的设备状态信息,得到对应的不同诱发事故;
将所述诱发事故对应的多个设备状态信息进行分类,得到多个状态分类集,每个所述状态分类集中至少包括一个设备状态信息;
确定在所述一元回归子模型中,各所述状态分类集中所述样本状态信息属于任一样本分类的第一数量,所述一元回归子模型包括多个样本分类;
根据所述样本分类集对应的第一数量、所述一元回归子模型的样本总数以及所述一元回归子模型中对应的回归系数,确定所述关键处置节点在每一所述一元回归子模型中的一元回归概率。
可选地,所述第二确定模块,被配置为:
根据所述一元回归子模型中样本分类的分类数以及对应该一元回归子模型的所述一元回归概率,确定对应的样本分类信息熵;
计算各所述第一数量之和,并根据各所述第一数量的和以及所述一元回归子模型中的样本总数,确定所述状态分类集对应的权重;
根据所述样本分类信息熵、所述权重以及所述样本分类信息熵,确定对应所述状态分类集的状态子集信息熵;
根据各所述一元回归子模型对应的各所述状态子集信息熵,确定所述多元回归子模型对应的状态子集信息熵;
根据所述一元回归子模型对应的各所述状态子集信息熵,从所述预设的事故知识图谱中分别确定对应的候选诱发事故以及对应的候选应急策略,以及根据所述多元回归子模型对应的状态子集信息熵,从所述预设的事故知识图谱中分别确定对应的候选诱发事故以及对应的候选应急策略;
根据所述一元回归子模型对应的候选诱发事故以及对应的候选应急策略,以及所述多元回归子模型对应的候选诱发事故以及对应的候选应急策略,确定所述事故信息对应的诱发事故以及对应所述诱发事故的所述第二应急策略。
可选地,所述事故知识图谱是通过如下方式构建的:
获取历史应急数据,所述历史应急数据包括针对水电站的历史事故案例的事故处置节点和所述事故处置节点对应的设备状态、历史应急策略以及采用所述历史应急策略后对应的诱发事故;
对所述历史应急数据进行特征提取,得到语义特征向量和事故场景特征向量;
基于预设的特征相似度算法,根据所述语义特征向量和所述事故场景特征向量,得到电力设备的图谱节点特征信息以及所述历史事故案例的相似度;
根据所述历史事故案例的相似度,将所述图谱节点特征信息映射到预设的图谱结构,得到所述事故知识图谱。
可选地,所述事故信息包括所述电力设备所述在的电厂区域、事故发生时间、事故类型、电力设备类型以及当前的设备状态中的至少一者。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述实施例中任一项所述方法的步骤。
本公开实施例还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现前述实施例中任一项所述方法的步骤。
图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示,该电子设备700可以被配置为一监控终端,示例地该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的电力事故应急方案生成方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如音频、视频等等。该存储器702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,例如静态随机存取存储器(StaticRandom Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的电力事故应急方案生成方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的电力事故应急方案生成方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的电力事故应急方案生成方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种电力事故应急方案生成方法,其特征在于,所述方法包括:
获取水电站电力设备发生电力事故时的事故信息;
将所述事故信息输入到预先建立的事故预警模型中,得到所述事故预警模型输出的针对所述事故信息的第一应急策略、针对所述事故信息的诱发事故以及对应所述诱发事故的第二应急策略;
根据所述第一应急策略、所述诱发事故以及对应的所述第二应急策略,生成应急方案;
其中,所述事故预警模型中包括一个多元回归子模型和多个一元回归子模型,所述一元回归子模型是将电力设备的单一类型历史事故对应的事故知识图谱作为训练样本训练得到的,所述多元回归子模型是将所述多个一元回归子模型进行结合得到的;
所述事故知识图谱包括多个处置节点、对应每一所述处置节点的事故信息描述和多个历史应急策略,所述事故知识图谱基于历史事故案例的相似度,将处置节点的事故信息描述和多个历史应急策略均映射到预设的图谱结构中得到的。
2.根据权利要求1所述的方法,其特征在于,所述事故预警模型是通过如下方式构建得到的:
根据所述事故知识图谱中所有历史事故对应的事故信息、对应的历史应急策略以及对应诱发的历史事故,对所述历史事故进行分类;
构建每一分类中历史事故的事故矩阵,并确定每一历史事故对应的事故等级;
根据每一分类中的事故等级、所述事故等级对应的等级权重、所述事故矩阵和所述事故矩阵对应的矩阵权重,确定针对该分类的回归系数;
根据所述回归系数、所述历史事故对应的事故信息以及一元回归函数的偏移量,得到针对每一分类的一元回归子模型;
根据各分类对应的所述一元回归子模型以及多元回归函数的偏移量,得到所述多元回归子模型。
3.根据权利要求2所述的方法,其特征在于,所述事故预警模型是通过如下方式确定诱发事故以及对应所述诱发事故的第二应急策略:
根据所述事故信息,从预设的事故知识图谱中确定多个关键处置节点;
确定各所述关键处置节点在每一所述一元回归子模型中的一元回归概率,以及在所述多元回归子模型的多元回归概率;
根据多个所述一元回归概率以及所述多元回归概率进行态势推演,从所述预设的事故知识图谱中确定所述诱发事故以及对应所述诱发事故的所述第二应急策略。
4.根据权利要求3所述的方法,其特征在于,所述确定各所述关键处置节点在每一所述一元回归子模型中的一元回归概率,包括:
根据所述关键处置节点在不同历史事故中同一时间节点的设备状态信息,得到对应的不同诱发事故;
将所述诱发事故对应的多个设备状态信息进行分类,得到多个状态分类集,每个所述状态分类集中至少包括一个设备状态信息;
确定在所述一元回归子模型中,各所述状态分类集中所述样本状态信息属于任一样本分类的第一数量,所述一元回归子模型包括多个样本分类;
根据所述样本分类集对应的第一数量、所述一元回归子模型的样本总数以及所述一元回归子模型中对应的回归系数,确定所述关键处置节点在每一所述一元回归子模型中的一元回归概率。
5.根据权利要求4所述的方法,其特征在于,所述根据多个所述一元回归概率以及所述多元回归概率进行态势推演,从所述预设的事故知识图谱中确定所述诱发事故以及对应所述诱发事故的所述第二应急策略,包括:
根据所述一元回归子模型中样本分类的分类数以及对应该一元回归子模型的所述一元回归概率,确定对应的样本分类信息熵;
计算各所述第一数量之和,并根据各所述第一数量的和以及所述一元回归子模型中的样本总数,确定所述状态分类集对应的权重;
根据所述样本分类信息熵、所述权重以及所述样本分类信息熵,确定对应所述状态分类集的状态子集信息熵;
根据各所述一元回归子模型对应的各所述状态子集信息熵,确定所述多元回归子模型对应的状态子集信息熵;
根据所述一元回归子模型对应的各所述状态子集信息熵,从所述预设的事故知识图谱中分别确定对应的候选诱发事故以及对应的候选应急策略,以及根据所述多元回归子模型对应的状态子集信息熵,从所述预设的事故知识图谱中分别确定对应的候选诱发事故以及对应的候选应急策略;
根据所述一元回归子模型对应的候选诱发事故以及对应的候选应急策略,以及所述多元回归子模型对应的候选诱发事故以及对应的候选应急策略,确定所述事故信息对应的诱发事故以及对应所述诱发事故的所述第二应急策略。
6.根据权利要求1所述的方法,其特征在于,所述事故知识图谱是通过如下方式构建的:
获取历史应急数据,所述历史应急数据包括针对水电站的历史事故案例的事故处置节点和所述事故处置节点对应的设备状态、历史应急策略以及采用所述历史应急策略后对应的诱发事故;
对所述历史应急数据进行特征提取,得到语义特征向量和事故场景特征向量;
基于预设的特征相似度算法,根据所述语义特征向量和所述事故场景特征向量,得到电力设备的图谱节点特征信息以及所述历史事故案例的相似度;
根据所述历史事故案例的相似度,将所述图谱节点特征信息映射到预设的图谱结构,得到所述事故知识图谱。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述事故信息包括所述电力设备所述在的电厂区域、事故发生时间、事故类型、电力设备类型以及当前的设备状态中的至少一者。
8.一种电力事故应急方案生成装置,其特征在于,所述装置包括:
获取模块,被配置为获取水电站电力设备发生电力事故时的事故信息;
输入模块,被配置为将所述事故信息输入到预先建立的事故预警模型中,得到所述事故预警模型输出的针对所述事故信息的第一应急策略、针对所述事故信息的诱发事故以及对应所述诱发事故的第二应急策略;
生成模块,被配置为根据所述第一应急策略、所述诱发事故以及对应的所述第二应急策略,生成应急方案;
其中,所述事故预警模型中包括一个多元回归子模型和多个一元回归子模型,所述一元回归子模型是将电力设备的单一类型历史事故对应的事故知识图谱作为训练样本训练得到的,所述多元回归子模型是将所述多个一元回归子模型进行结合得到的;
所述事故知识图谱包括多个处置节点、对应每一所述处置节点的事故信息描述和多个历史应急策略,所述事故知识图谱基于历史事故案例的相似度,将处置节点的事故信息描述和多个历史应急策略均映射到预设的图谱结构中得到的。
9.一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,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211014273.2A CN115409100A (zh) | 2022-08-23 | 2022-08-23 | 电力事故应急方案生成方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211014273.2A CN115409100A (zh) | 2022-08-23 | 2022-08-23 | 电力事故应急方案生成方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409100A true CN115409100A (zh) | 2022-11-29 |
Family
ID=84161799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211014273.2A Pending CN115409100A (zh) | 2022-08-23 | 2022-08-23 | 电力事故应急方案生成方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409100A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829061A (zh) * | 2023-02-21 | 2023-03-21 | 中国电子科技集团公司第二十八研究所 | 一种基于历史案例和经验知识学习的应急事故处置方法 |
-
2022
- 2022-08-23 CN CN202211014273.2A patent/CN115409100A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829061A (zh) * | 2023-02-21 | 2023-03-21 | 中国电子科技集团公司第二十八研究所 | 一种基于历史案例和经验知识学习的应急事故处置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN118035731B (zh) | 用电安全监测预警方法及服务系统 | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN113891342B (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
CN115409100A (zh) | 电力事故应急方案生成方法、装置、介质及设备 | |
CN117595504A (zh) | 一种电网运行状态的智能监测预警方法 | |
CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 | |
CN117172753A (zh) | 一种基于移动互联网的智慧水电站巡检系统及方法 | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN117633592B (zh) | 一种新能源电站智能监盘系统 | |
CN117667495B (zh) | 一种关联规则与深度学习集成的应用系统故障预测方法 | |
CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测系统及介质 | |
CN115408535A (zh) | 事故知识图谱构建方法、装置、存储介质及电子设备 | |
Pisica et al. | Feature selection filter for classification of power system operating states | |
CN108830382A (zh) | 一种基于动态证据网络的dcs可靠性评价方法 | |
CN116132103A (zh) | 一种网络安全态势监测方法、装置、电子设备和存储介质 | |
CN117951854A (zh) | 边缘设备的排障方法、装置、电子设备及存储介质 | |
CN117749658A (zh) | 故障预测方法、网络运维管理平台、电子设备及介质 | |
Li et al. | Abnormal line loss identification and category classification of distribution networks based on semi-supervised learning and hierarchical classification | |
CN117056209B (zh) | 软件缺陷预测模型、解释方法以及量化评估方法 | |
CN116502156B (zh) | 一种换流站光ct异常状态智能辨识方法及系统 | |
CN115544276B (zh) | 计量装置知识图谱构建方法和计量装置档案核查方法 | |
CN116523314A (zh) | 电网项目风险预测方法、装置、计算机设备和存储介质 | |
CN115269869A (zh) | 一种隐患数据信息检索方法、装置、计算机设备及介质 |
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 |