CN115829536A - 电力网中逐渐发展的故障 - Google Patents

Abstract

为了检测电力网中逐渐发展的故障，训练基于机器学习的模型，并且使用具有时间信息的事件作为输入来使用经训练的模型。事件由智能电子设备中的功能基于从电力网测量的一个或更多个值生成，该事件至少指示功能及其输出。在训练中，使用从事件历史数据中提取的多个事件模式，事件模式包括按发生顺序在时间跨度内先于干扰事件的事件。干扰事件是导致电力网中电力供应中断的事件。经训练的预测器正在输出对电力网中干扰事件的发生时间的预测，并且它们被显示以用于检测电力网中逐渐发展的故障。

Description

电力网中逐渐发展的故障

技术领域

本发明涉及电力网。

背景技术

计算机与能够在没有用户参与的情况下进行通信的测量设备特别是不同的传感器之间联网的逐渐发展增加了收集到的数据量。智能电网已逐渐取代传统配电网。这种转变与添加大量智能仪表和其他信息提取单元来源有关。智能电网的发展与大数据流息息相关。Dabeeruddin Syed等人的论文“Smart Grid Big Data Analytics:Survey ofTechnologies,Techniques,and Applications”，发表于IEEE Access，第9卷，第59564至59585页，提供了对各种大数据技术的深入见解，并且讨论了智能电网背景下的大数据分析。该论文公开了：预测性维护——其利用基于状态的维护——可以基于对来自SCADA(监督控制和数据采集)的数据的分析。然而，来自SCADA的数据是经过滤的数据，并且因此将其用于检测逐渐发展的(evolving)故障具有挑战性。

发明内容

本发明的一个目的是促进对电力网中逐渐发展的故障的检测。本发明的一般方面使用由一个或更多个智能电子设备生成的事件作为输入数据，以预测电力网中干扰事件的发生时间。

根据一个方面，提供了一种用于对包括智能电子设备的电力网进行故障预测的计算机实现的方法，该方法包括：从一个或更多个智能电子设备接收具有时间信息的事件，事件由智能电子设备中的功能基于从电力网测量的一个或更多个值生成，事件至少指示功能及其输出；至少将事件作为输入数据输入至经训练的预测器，该经训练的预测器是至少使用从事件历史数据中提取的多个事件模式进行训练的基于机器学习的模型，事件模式包括按发生顺序在时间跨度内先于干扰事件的事件，干扰事件是导致电力网中电力供应中断的事件，经训练的预测器输出对电力网中干扰事件的发生时间的预测；以及显示预测，用于检测电力网中逐渐发展的故障。

在实施方式中，根据时间显示预测包括：当从同一开始时间确定时，显示两个或更多个不同长度的时间窗；以及按照所显示的时间窗，指示干扰事件的发生时间是在时间窗内，还是在下一时间窗内，还是不在时间窗内也不在下一时间窗内。

在实施方式中，方法还包括：维护将事件与事件类别相关联的信息，其中，信息将事件与事件类别中的一种事件类别相关联；在输入事件之前，确定事件的类别；以及至少将类别与事件一起作为输入数据输入至经训练的预测器。

在实施方式中，方法还包括：维护将事件与权重值相关联的信息，其中，信息将事件与一个权重值相关联；在输入事件之前，确定事件的权重值；以及至少将权重值与事件一起作为输入数据输入至经训练的预测器。

在实施方式中，方法还包括：至少暂时存储具有时间信息的事件；至少将时间信息与事件一起作为输入数据输入至经训练的预测器；以及定期地执行输入。

根据一个方面，提供了一种计算机实现的方法，该方法包括：获取从事件历史数据中提取的多个事件模式，或者获取事件历史数据并从历史数据中提取多个事件模式，其中，事件历史数据包括来自一个或更多个智能电子设备的具有时间信息的事件，事件由智能电子设备中的功能基于从电力网测量的一个或更多个值生成，事件至少指示功能及其输出，并且事件模式包括按发生顺序在预设时间跨度内先于干扰事件的事件，干扰事件是导致电力网中电力供应中断的事件；将多个事件模式作为训练数据输入至机器学习模型，以训练模型以预测电力网中干扰事件的发生时间；以及存储经训练的模型以用作用于电力网的经训练的预测器。

在实施方式中，机器学习模型是输出两个或更多个不同长度的时间窗的模型，时间窗的长度不超过预设时间跨度，时间窗通过按照时间窗被分类为三类中的一类来预测干扰事件的发生时间，从而指示干扰事件的发生时间是在时间窗内，还是在下一时间窗内，还是不在时间窗内也不在下一时间窗内。

在实施方式中，方法还包括：在输入之前，通过指示测试或调试的功能从多个事件模式中过滤生成干扰事件的事件模式。

在实施方式中，事件模式包括由保护功能或控制功能生成的事件。

在实施方式中，方法还包括：获取将事件与事件类别相关联的信息，其中，信息将事件与事件类别中的一种事件类别相关联；在输入之前，按照事件模式，确定事件模式中的事件的事件类别；以及包括作为事件模式的一部分的事件类别作为训练数据。

在实施方式中，方法还包括：获取将事件与权重值相关联的信息，其中，信息将事件与一个权重值相关联；在输入之前，按照事件模式，确定事件模式中的事件的权重值；以及包括作为事件模式的一部分的权重值作为训练数据。

在实施方式中，方法还包括：从事件模式中过滤权重值低于预设阈值的事件。

根据一个方面，提供了一种用于对包括智能电子设备的电力网进行故障预测的装置，该装置至少包括：处理器；与处理器耦接的存储器；以及计算机程序代码，计算机程序代码存储在存储器中并且当由处理器执行时可操作成使装置至少：从一个或更多个智能电子设备接收具有时间信息的事件，事件由智能电子设备中的功能基于从电力网测量的一个或更多个值生成，事件至少指示功能及其输出；至少将事件作为输入数据输入至经训练的预测器，该经训练的预测器是至少使用从事件历史数据中提取的多个事件模式进行训练的基于机器学习的模型，事件模式包括按发生顺序在时间跨度内先于干扰事件的事件，干扰事件是导致电力网中电力供应中断的事件，经训练的预测器输出对电力网中干扰事件的发生时间的预测；以及显示预测，用于检测电力网中逐渐发展的故障。

在装置的实施方式中，至少一个存储器和计算机程序代码被配置成利用至少一个处理器使装置还至少通过以下方式执行根据时间显示预测：当从同一开始时间确定时，显示两个或更多个不同长度的时间窗；以及按照所显示的时间窗，指示干扰事件的发生时间是在时间窗内，还是在下一时间窗内，还是不在时间窗内也不在下一时间窗内。

在装置的实施方式中，至少一个存储器和计算机程序代码被配置成利用至少一个处理器使装置还至少：维护将事件与事件类别相关联的信息，其中，信息将事件与事件类别中的一种事件类别相关联；在输入事件之前，确定事件的类别；以及至少将类别与事件一起作为输入数据输入至经训练的预测器。

在装置的实施方式中，至少一个存储器和计算机程序代码被配置成利用至少一个处理器使装置还至少：维护将事件与权重值相关联的信息，其中，信息将事件与一个权重值相关联；在输入事件之前，确定事件的权重值；以及至少将权重值与事件一起作为输入数据输入至经训练的预测器。

在装置的实施方式中，至少一个存储器和计算机程序代码被配置成利用至少一个处理器使装置还至少：至少暂时存储具有时间信息的事件；至少将时间信息与事件一起作为输入数据输入至经训练的预测器；以及定期地执行输入。

根据一个方面，提供了一种用于对包括智能电子设备的电力网进行故障预测的装置，该装置至少包括：处理器；与处理器耦接的存储器；以及计算机程序代码，计算机程序代码存储在存储器中并且当由处理器执行时可操作为使装置至少：获取从事件历史数据中提取的多个事件模式，或者获取事件历史数据并从历史数据中提取多个事件模式，其中，事件历史数据包括来自一个或更多个智能电子设备的具有时间信息的事件，事件由智能电子设备中的功能基于从电力网测量的一个或更多个值生成，事件至少指示功能及其输出，并且事件模式包括按发生顺序在预设时间跨度内先于干扰事件的事件，干扰事件是导致电力网中电力供应中断的事件；将多个事件模式作为训练数据输入至机器学习模型，以训练模型以预测电力网中干扰事件的发生时间；以及存储经训练的模型以用作用于电力网的经训练的预测器。

在装置的实施方式中，机器学习模型是输出两个或更多个不同长度的时间窗的模型，时间窗的长度不超过预设时间跨度，时间窗通过按照时间窗被分类为三类中的一类来预测干扰事件的发生时间，从而指示干扰事件的发生时间是在时间窗内，还是在下一时间窗内，还是不在时间窗内也不在下一时间窗内。

在装置的实施方式中，至少一个存储器和计算机程序代码被配置成利用至少一个处理器使装置还至少：在输入之前，通过指示测试或调试的功能从多个事件模式中过滤生成干扰事件的事件模式。

在装置的实施方式中，事件模式包括由保护功能或控制功能生成的事件。

在装置的实施方式中，至少一个存储器和计算机程序代码被配置成利用至少一个处理器使装置还至少：获取将事件与事件类别相关联的信息，其中，信息将事件与事件类别中的一种事件类别相关联；在输入之前，按照事件模式，确定事件模式中的事件的事件类别；以及包括作为事件模式的一部分的事件类别作为训练数据。

在装置的实施方式中，至少一个存储器和计算机程序代码被配置成利用至少一个处理器使装置还至少：获取将事件与权重值相关联的信息，其中，信息将事件与一个权重值相关联；在输入之前，按照事件模式，确定事件模式中的事件的权重值；以及包括作为事件模式的一部分的权重值作为训练数据。

在装置的实施方式中，至少一个存储器和计算机程序代码被配置成利用至少一个处理器使装置还至少从事件模式中过滤权重值低于预设阈值的事件。

根据一个方面，提供了一种计算机可读介质，计算机可读介质包括程序指令，程序指令用于使计算装置针对包括智能电子设备的电力网的故障预测执行第一功能和第二功能中至少之一，其中，第一功能至少包括：当从一个或更多个智能电子设备接收具有时间信息的事件时，至少将事件作为输入数据输入至经训练的预测器，事件由智能电子设备中的功能基于从电力网测量的一个或更多个值生成，事件至少指示功能及其输出，该经训练的预测器是至少使用从事件历史数据中提取的多个事件模式进行训练的基于机器学习的模型，事件模式包括按发生顺序在时间跨度内先于干扰事件的事件，干扰事件是导致电力网中电力供应中断的事件，经训练的预测器输出对电力网中干扰事件的发生时间的预测；以及显示预测，用于检测电力网中逐渐发展的故障，其中，第二功能至少包括：获取从事件历史数据中提取的多个事件模式，或者获取事件历史数据并从历史数据中提取多个事件模式，其中，事件历史数据包括来自一个或更多个智能电子设备的具有时间信息的事件，事件由智能电子设备中的功能基于从电力网测量的一个或更多个值生成，事件至少指示功能及其输出，并且事件模式包括按发生顺序在预设时间跨度内先于干扰事件的事件，干扰事件是导致电力网中电力供应中断的事件；将多个事件模式作为训练数据输入至机器学习模型，以训练模型以预测电力网中干扰事件的发生时间；以及存储经训练的模型以用作用于电力网的经训练的预测器。

附图说明

在下文中，将参照附图更详细地描述示例性实施方式，在附图中

图1示出了系统的简化架构；

图2示意性地示出了信息流的示例；

图3至图5是示出功能的示例的流程图；

图6示意性地示出了信息流和要训练的模型的示例；

图7至图11是示出与训练相关的功能的示例的流程图；以及

图12是示意性框图。

具体实施方式

以下实施方式是示例性的。虽然说明书可以在若干位置中提及“一”、“一个”或“一些”实施方式，但是这不一定意味着每个这样的提及是针对相同的(一个或更多个)实施方式或者该特征仅适用于单个实施方式。不同实施方式的单个特征也可以组合以提供其他实施方式。此外，词语“包括”和“包含”应被理解为不将所描述的实施方式/示例限制为仅由已经提及的那些特征组成，并且这样的实施方式还可以包含未具体地提及的特征/结构。

下面使用单个单元、模型、设备(装备)和存储器(数据存储装置)来描述不同的实施方式和示例，而不将实施方式/示例限制于这样的解决方案。可以使用被称为云计算和/或虚拟化的构思。虚拟化可以允许单个物理计算设备托管作为独立计算设备出现并操作的虚拟机的一个或更多个实例，使得单个物理计算设备可以以动态方式创建、维护、删除或以其他方式管理虚拟机。设备操作将被分布在多个服务器、节点、设备或主机之中也是可行的。在云计算网络设备中，计算设备和/或存储设备提供共享的资源。一些其他技术进步例如软件定义网络(SDN)可以使下面描述的一个或更多个功能迁移到任何对应的抽象或装置或设备。因此，所有的词语和表达方式应当被宽泛地解释，并且它们旨在说明实施方式而不是限制实施方式。

在图1中，示出了系统架构的一般简化示例，其仅示出了一些设备、装置和功能实体，所有这些均为其实现方式和/或数目可以与所示出的不同的逻辑单元。图1中所示的连接是逻辑连接；实际的物理连接可能不同。连接可以是直接连接、有线连接或短距离无线连接，例如蓝牙、WLAN(无线局域网)、Li-Fi(光保真)、ZigBee和近场通信，仅列举一些示例，但不限于这些示例，以及/或者连接可以通过一个或更多个有线或无线网络，包括互联网和蜂窝网络例如4G、5G等或其任何组合。连接的细节并不重要，并且因此在本文中不作详细描述。例如，系统100可以实现工业物联网(IIoT)以提供用于智能电网的机制，该机制可以利用云平台进行远程监测。然而，也可以使用任何其他实现方式，包括不利用IIoT的实现方式。此外，对于本领域技术人员来说明显的是，系统包括任何数量的所示元件、其他设备/装备以及未示出的其他功能。它们以及例如用于信息传输的协议，为本领域技术人员公知的，其细节对本发明并不重要。因此，此处不需要更详细地讨论它们。对于本领域技术人员来说明显的是可以使用任何已知的或将来的连接和协议。

在图1所示的示例中，系统100是集中式系统，其包括一个或更多个电力分配网110、一个或更多个控制中心130、一个或更多个云平台102和一个或更多个离线装备(设备)140。

在本文中，电力分配网110描绘了任何大小的电力网。电力分配网110通常包括多个智能电子设备(IED)111，例如每个断路器一个智能电子设备(IED)111或每组断路器一个智能电子设备(IED)111或每个变电站一个智能电子设备(IED)111。智能电子设备(IED)是可以被配置成至少包括控制功能、保护功能和监测功能的电子设备。所述功能中的至少一些用作输入，即对从电力网测量的值作出反应。智能电子设备可以测量来自电力网的值，以及/或者智能电子设备可以从一个或更多个传感器接收例如从电力网测量的值。所述功能基于它们作出反应的输入来生成事件。智能电子设备111被配置成将事件与时间信息相关联，例如与时间戳相关联。时间信息指示事件的发生时间。事件至少指示功能及其输出。该事件还可以指示该输入所源自的智能电子设备和/或设备/传感器。智能电子设备111可以被配置成向控制中心130发送事件，或者向控制中心与智能电子设备之间的中间设备发送事件。智能电子设备111还可以被配置成将事件发送至云平台102。然而，由于不需要对智能电子设备111的实际功能、或者事件被生成所基于的功能、或者事件的内容或事件报告进行修改，因此在本文中，无需更详细地讨论它们。

云平台102(云环境)例如可以是公共云、社区云、私有云或混合云。在所示示例中，云平台102至少包括存储历史事件数据的数据存储装置121。历史事件数据包括接收和归档的事件。换言之，历史事件数据是事件信息的档案，它也存在于现有技术的智能电网中，但不一定是归档的。例如，可以直接从智能电子设备111和/或从控制中心130接收事件数据。以下是历史事件数据可能包含的内容的示例摘录。应当理解，它仅示出了短的时间段，历史事件数据包括较长时段内的事件数据。在所示示例中，一行对应于一个事件。

如可以看出的，甚至可以在同一时间处由不同的功能(功能块或功能实例)生成事件。例如，按照事件，历史事件数据还可以包括其他信息，例如：指示电子设备或事件在其中创建的电子设备中的实例(功能块)的信息；和/或天气信息；和/或关于事件类型(指示功能输出的结果的事件类型)的信息；和/或指示事件是在测试期间还是在调试期间或在电力供应期间等发生的信息。事件类型的非限制性示例包括用于警报的“Alm”、用于开始的“Str”、用于操作或跳闸的“Op”、用于成功重合闸的“SucRec”以及用于未成功重合闸的“UnsRec”。

应当理解，历史事件数据可以按间格(bay)、按变电站、按站点、按智能电子设备等进行维护。

数据存储装置121——其描绘一个或更多个数据存储——可以是任何类型的常规或未来数据存储库，包括由任何合适的管理系统管理的数据的分布式和集中式存储。在图1所示出的示例中，数据存储装置121示出了在基于云的存储装置中的分布式存储。云存储服务可以通过协同定位的云计算机服务、网络服务应用编程接口(API)或通过利用API的应用例如云存储网关或基于网络的内容管理系统被访问。换言之，数据存储装置121可以是配备有一个或更多个存储器的计算装备、或子系统、或在线归档系统，该子系统或系统包括计算设备，该计算设备被配置成作为用于向其存储数据和/或从其检索数据的设备(装备、装置)的一个逻辑数据存储装置而出现。然而，数据存储装置121的实现方式、数据如何被存储、检索和更新的方式、即数据存储装置如何被对接以及数据被存储的位置的细节与本发明无关，并且因此在本文中不再详细讨论。对于本领域的技术人员来说明显的是，可以使用任何已知的或未来的解决方案。

在本文中，控制中心130描绘了远程站点，其包括一个或更多个计算装置(设备)132，用于远程监测和/或控制电力网的至少一部分。计算装置132包括或连接至一个或更多个用户界面(UI)131以用于用户交互。在所示示例中，至少一个计算装置132包括预测器单元133。预测器单元133是经训练的基于机器学习的模型，这将在下面更详细地描述。预测器单元133输出对干扰事件的发生时间的预测。干扰事件是导致电力供应中断的事件。跳闸是中断的一个示例。如果所述事件发生在由已经操作的任何功能在输出为真的情况下生成的事件之后的2秒内，则干扰事件可以被更精确地限定，例如，限定为由功能CBCSWI在输出打开的情况下生成的事件。可以经由一个或更多个用户界面显示预测，以检测逐渐发展的故障。逐渐发展的故障可能是由例如由于暴风雨而逐渐倒向电力线的树木或由电缆磨损引起的，仅提及这几个示例。在图1所示的示例中，当从相同的开始时间确定长度时，使用不同长度的时间窗显示预测131-1作为发生概率。在所示示例中，时间窗长度为1小时、6小时、1天和7天，并且时间窗列中的填充颜色指示预测的发生是在该时间窗内、在下一时间窗内、还是既不在该时间窗内也不在下一时间窗内。因此，无论他/她的能力如何，用户都可以很容易地看到存在逐渐发展的故障。当检测到逐渐发展的故障时，可以由用户或计算装置采取预防措施。然而，应当理解，可以使用显示预测的任何其他方式。例如，可以将预测显示为与时间相关的概率。此外，例如，可以按间格和/或按站点和/或按电力网的一部分和/或针对整个电力网来显示预测。除了显示预测之外，还可以从计算装置或者从预测器单元向SCADA(监督控制和数据采集)和/或分配管理系统和/或其他相应的监测接口发送对逐渐发展的故障的警告。

应当理解，智能电子设备111或变电站或站点可以包括具有显示预测的相应用户界面的预测器单元。

此外，计算装置132可以被配置成还执行一个或更多个其他任务，例如监测相关任务。然而，它们对所公开的解决方案并不重要，并且因此在本文中，不再对其进行更详细的描述。

在图1所示出的示例中，离线装备(装置)140至少包括被配置成至少训练如将在下文更详细地描述的预测器单元133的训练器单元116。应当理解，离线装备140可以是控制中心130或云平台102的一部分。

图2示出了包括预测器单元133的装置132内的信息流的示例，该预测器单元提供实时预测。应当理解，类似的信息流也可以用于几乎实时的预测，几乎实时的预测是以特定时间间隔计算的预测，如将使用图4和图5说明的。

参照图2，预测器单元接收第一输入数据201。第一输入数据至少包括具有时间信息的事件。输入数据还可以包括其他信息，例如是否信息。在图2所示出的示例中，装置132在其存储器中包括将事件与事件类别相关联的信息134(具有一个事件类别的事件)以及将事件与权重值相关联的信息135(具有一个权重值的事件)。优选地，按照事件，可以生成的所有可能事件都与信息134中的类别和信息135中的权重值相关联。权重值指示对故障预测的作用或者对故障预测的影响或对故障预测的影响的大小。事件类别134的示例的非限制性列表包括“自动重合闸”、“接地故障”、“短路”、“监控”、“不平衡或损坏的元件”和“电力质量”。权重值135的示例的非限制性列表包括值0、1、2、3和4。值越大，故障有可能逐渐发展得越快，0意味着不可能出现逐渐发展的故障。

在图2的示例中，预测器单元133将第一输入数据中的事件与事件的类别(202)相关联以及与事件的权重值(203)相关联，并且将具有类别和权重值的第一输入数据输入(204)至经训练的基于机器学习(ML)的模型133-1。经训练的基于机器学习的模型133-1针对干扰事件的发生时间输出一个或更多个预测205。

图3至图5是示出包括预测器单元的装置的不同功能的流程图。

参照图3，在步骤301中，当接收到具有时间信息、可能还具有其他信息的一个或更多个事件时，在步骤302中，将接收到的信息输入至经训练的基于机器学习的模型，该经训练的基于机器学习的模型输出针对干扰事件的发生时间的一个或更多个预测。然后在步骤303中，一个或更多个预测被显示，或像被输出一样，或输出可以被处理为根据预设的显示限定，其示例在图1中给出，使得显示的查看者可以检测到逐渐发展的故障。例如，如果预测干扰事件将在168小时15分钟后以5小时的精度发生，则输出可以被处理成例如窗口化以在显示器131-1中显示图1中所示出的内容。

在其他实现方式中，接收到的事件可以与类别和/或与权重值相关联，如使用图2所描述的。

图4和图5公开了提供近乎实时的预测的实现方式。图4和图5中描述的处理可以并行运行。

参照图4，当在步骤401中接收到具有时间信息、可能还具有其他信息的事件时，在步骤402中，可以确定该事件的事件类别，如使用图2所描述的，和/或在步骤403中，可以确定该事件的权重值，如使用图2描述的。然后在步骤404中，将事件与相关信息一起暂时存储到例如缓冲器中，相关信息至少包括时间信息，并且根据实现方式，相关信息可以包括接收到的其他信息、类别和/或权重值。具有相关信息的临时存储的事件周期性地(以固定的时间间隔)输入到经训练的基于机器学习的模型。

参照图5，在步骤501中监测在先前输入之后的预设时间(时间间隔)是否已经过去。时间间隔可以自由预设。例如，时间间隔可以是5秒或1小时。

如果预设时间已经过去(步骤501：是)，则在步骤502中将在稍前输入(即先前输入)之后接收到的具有相关信息的那些事件输入至经训练的基于机器学习的模型。换言之，在步骤502中，输入具有相关信息的临时存储的事件，该输入使它们不再被临时存储。例如，缓冲器被清空。在所示示例中，假设预测应当如图1中所示显示在显示器131-1中。因此，取决于经训练的基于机器学习的模型输出的是什么，在步骤503中，输出预测可以被窗口化，并且然后被显示504，使得显示器的查看者可以检测逐渐发展的故障。

如上所述，使用事件数据作为输入数据确保使用相关数据或至少大部分相关数据。因此，检测逐渐发展的故障是简单的过程，尤其是与使用来自SCADA的数据的解决方案相比时是简单的过程，因为SCADA会过滤掉大部分相关数据。

图6示出了与经训练的基于机器学习的模型相关的信息流的示例以及输出干扰事件的发生时间的基于机器学习的模型的示例。更准确地说，图6描述了训练器单元或包括训练器单元的装置600如何操作以训练用于预测器单元的一个或更多个可训练算法的示例。宽范围的这样的算法例如XGBoost算法和随机森林算法是可用的，并且它们中的任何一种或任何相应的未来算法都可以用作训练模型的基础。换言之，举几个示例，机器学习可以是使用人工神经网络或支持向量机或回归或它们的组合的分类。自然地，可以使用任何其他机器学习，例如图像学习、基于规则的学习和基于解释的学习。

图6中的示例描述了用于在需要时创建、训练和重新训练预测器单元的基本原则，而不是将解决方案限制在特定示例中。在图6的示例中，假设有足够的历史事件数据用于训练，并且如果使用监督学习，则可以将要使用的足够的数据划分为训练数据和验证数据或测试数据，以创建/更新训练模型。此外，在图6所示出的示例中，假设模型是将预定义时间跨度内的预设时间窗分类为三类之一的分类器。

参照图6，获取601从事件历史数据中提取的多个事件模式610、或者获取事件历史数据601并从历史数据中提取610多个事件模式被执行。事件模式包括按发生顺序在预设时间跨度内先于干扰事件的事件。换言之，可以手动地从事件历史数据中提取事件模式，或者使用提取算法提取事件模式。例如，Word2Vec——其是为每个事件输出向量的浅层神经网络——可以与预定义的锚事件(例如由一个或更多个功能创建的事件)一起使用，以创建引起干扰的事件的相似性度量。另一示例是称为词频-逆文档频率的算法，它衡量事件的重要性。例如，当窗口化被使用时，如果事件仅在某些时间窗中经常发生，则重要性值较高，而如果事件在大多数时间窗中发生或很少发生，则重要性值较低。此外，应当理解，可以按一个或更多个间格、按一个或更多个变电站等提取事件模式。

然后在事件模式被提取之后或在事件模式被提取的同时对事件模式执行窗口化620。当手动提取事件模式时，可以自动或手动执行窗口化。当自动提取事件模式时，在时间跨度内自动执行窗口化。在窗口化期间，事件模式被分组到时间窗中，以具有预测和分类的分辨率。可替选地，在窗口化中，根据事件模式，按照预设时间窗形成另外的事件模式，其中，另外的事件模式包括在预设时间窗之一内的干扰事件之前的事件。例如，时间跨度可以是7天，并且预设时间窗为1小时、4小时、12小时、1天、4天、7天。

在窗口化之后，事件模式(另外的事件模式)被输入至预测器单元的基于机器学习的模型630。在所示出的示例中，机器学习模型包括输入层631、类预测层632和输出层633。模型630可以是XGBoost模型，其中事件模式通过将特征向量应用至输入事件模式在输入层中被重塑，类预测层使用XGBoost算法来预测类，该算法使用树结构，树结构的数量是可以设置的参数。输出层将获得并输出可通过类预测层预测的类，例如对于每个时间窗，它是否被分类为树类之一，所述树类包括例如“干扰将在该时间窗内发生”、“干扰将在下一时间窗内发生”以及“干扰既不在该时间窗内发生也不在下一时间窗内发生”或“没有干扰”。应当理解，在分类中可以使用两类，或者四个或更多个类。如本领域技术人员已知的，可以评估模型的准确性。

如果手动限定事件模式，则特征向量可以是独热编码。如果使用Word2Vec限定事件模式，则特征向量可以是窗口中的事件的最小、最大和平均距离。如果使用词频-逆文档频率限定事件模式，则特征向量可以是加权的独热编码。

在训练开始时，可以设置参数值或可以使用默认参数值。例如，对于XGBoost算法，可以使用默认参数值。

当训练结束时，预测器单元就可以使用了。取决于实现方式，一旦创建了训练模型，就可以使用以上公开的原理响应于显式命令连续地或周期性地重新训练/更新训练模型。

图7至图11是示出了在训练基于机器学习的模型时训练器单元或包括训练器单元的装置可以执行的不同训练相关功能的流程图。

参照图7，在步骤701中获取多个事件模式。在上面使用图6描述了事件模式的示例。根据实现方式，事件模式可以是具有相同时间跨度的事件模式，或者具有不同时间窗的事件模式，时间窗的长度小于或等于时间跨度。然后在步骤702中将获取的事件模式或旨在用于训练的事件模式中的至少一部分作为训练数据输入至基于机器学习的模型中，该基于机器学习的模型在步骤703中被训练为训练模型，并且在步骤703中，训练模型被存储以例如被下载到预测器单元。

参照图8，在步骤801中获取事件历史数据并且在步骤802中提取多个事件模式。在上面使用图6描述了事件模式的示例。根据实现方式，事件模式可以是具有相同时间跨度的事件模式，或者具有不同时间窗的事件模式，时间窗的长度小于或等于时间跨度。然后在步骤803中将提取的事件模式或旨在用于训练的事件模式中的至少一部分作为训练数据输入至基于机器学习的模型中，在步骤804中，该基于机器学习的模型被训练为训练模型，并且在步骤804中，训练模型被存储以例如被下载到预测器单元。

图9示出了可以在获取事件模式(图7中的步骤701)之后，或者在获取事件历史数据(图8中的步骤801)之后，或者在提取事件模式(图8中的步骤802)之后但在图7或图8所示的下一步骤之前执行的功能(步骤900)。参照图9，在步骤901中获取将事件与权重值相关联的信息和/或将事件与事件类别相关联的信息，如以上例如使用图2描述的。然后在步骤902中，对于事件，按照事件确定权重值和/或事件类别，并且在步骤903中，包括所确定的权重值和/或事件类别以作为训练数据的一部分。然后该过程继续(步骤904)至下一步骤，即到图7中的步骤702，或到图8中的步骤802，或到图8中的步骤803。应当理解，事件类别和/或权重值可以用作在没有相应(一个)输入/(多个)输入的情况下已被训练的训练模型的输入，并且反之亦然，可以在没有到训练模型的相应(一个)输入/(多个)输入的情况下使用事件类别和/或权重值来训练模型。

图10示出了可以在获取事件模式(图7中的步骤701)之后或者在提取事件模式(图8中的步骤802)之后执行(步骤1000)的功能。

参照图10，一旦事件模式被获取或提取(步骤1000)，不相关的事件模式在步骤1001中被过滤掉。这样的事件模式可以是其中由指示测试或调试的功能生成的干扰事件的事件模式。另一示例包括：除干扰事件是由控制功能和/或由保护功能生成的事件模式之外的所有其他事件模式不是相关事件模式，并且因此在步骤1001中被过滤掉。换言之，一个或更多个过滤规则可以应用于事件模式。然后过程继续(步骤1002)以将事件模式作为训练数据输入至要训练的模型，即过程继续至图7中的步骤702，或者继续至图8中的步骤803。

应当理解，如果该过程还包括图9所示的功能，则图10所示的功能可以在图9所示的功能之前或之后执行，使得两个功能都在事件模式被输入至要训练的模型之前执行。

图11示出了可以在获取事件模式(图7中的步骤701)之后、或者在获取事件历史数据(图8中的步骤801)之后、或者在提取事件模式(图8中的步骤802)之后或者在步骤903中包括所确定的权重值和/或事件类别以作为训练数据的一部分之后、但在图7或图8所示的下一步骤之前(参照图7或图8、在图9中的下一步骤)执行的功能(步骤1100)。

参照图11，在步骤1101中，过滤不相关或冗余的事件。换言之，一个或更多个过滤规则可以应用于事件。例如，在步骤1101中可以过滤掉不是由保护功能或控制功能生成的事件，结果是最后事件模式包括由控制功能和保护功能生成的事件。如果确定了事件的权重值，则可以过滤掉具有低于预设阈值的权重值的事件。例如，如果权重值为0至4，则可以从训练数据中过滤掉具有低于2的权重值的事件。如果确定了事件的事件类别，则可以使用事件类别将不相关的事件从训练数据中过滤掉。

应当理解，如果该过程还包括图10中所示的功能，则可以在图10所示的功能之前或之后执行图11所示的功能。

上述训练是可以由专用训练装置或包括在装置中的训练器单元执行的离线训练。然而，至少在投入使用时，可以例如通过包括预测器单元的装置中的单独训练器单元、或通过装置中的预测器单元、或在控制器中心中的服务器中、或在远程服务中心中通过执行在线训练来更新训练模型。

上面在图2至图11中描述的步骤和相关功能没有绝对的时间顺序，并且步骤中的一些步骤可以同时执行或以与给定顺序不同的顺序执行。在步骤之间或步骤内也可以执行其他功能。步骤中的一些或步骤的一部分也可以被省略或由对应步骤或步骤的一部分替换。例如，当不使用缓冲时，可以将没有时间信息的事件输入至预测器单元，该预测器单元可以将输入时间用作事件的发生时间。

本文中描述的技术可以通过各种手段来实现，使得装置——其使用实施方式/示例例如借助于图1至图11中的任何一个及其任何组合来实现上述一个或更多个功能/操作——不仅包括现有技术手段，而且包括用于实现使用实施方式例如借助于图1至图11中的任何一个及其任何组合所描述的相应功能的一个或更多个功能/操作的手段，并且它可以包括用于每个单独的功能/操作的单独的手段，或手段可以被配置成执行两个或更多个功能/操作。例如，用于上述一个或更多个功能/操作的手段和/或预测器单元、和/或训练器单元、或包括单元中至少之一的任何对应单元/子单元/集成单元中的一个或更多个可以是软件和/或软件-硬件和/或硬件和/或固件部件(不可擦除地记录在诸如只读存储器的介质上或体现在硬连线计算机电路系统中)或其组合。软件代码可以存储在任何合适的处理器/计算机可读数据存储介质或存储器单元或制品中并且由一个或更多个处理器/计算机、硬件(一个或更多个装置)、固件(一个或更多个装置)、软件(一个或更多个模块)或其组合来执行。对于固件或软件，可以通过执行本文描述的功能的模块(例如，过程、功能等)来实现。

图12是示出用于装置1200的一些单元的简化框图，该装置1200包括预测器单元和/或训练器单元，或包括至少预测器单元和训练器单元两者的任何对应的单元/子单元/集成单元，或者以其他方式被配置成至少执行例如借助于图1至图11中的任何一个以及它们的任何组合的上述一些功能，或者被配置成在功能在未来被分发的情况下至少执行例如这些功能中的一些。在所示示例中，该装置包括：一个或更多个接口(IF)实体1201，例如一个或更多个用户接口以及一个或更多个通信接口；连接至包括不同的用户接口实体1201'的各种接口实体1201并且连接至一个或更多个存储器1204的一个或更多个处理实体1202。

包括用户接口实体1201'的一个或更多个接口实体1201是用于接收和传输信息的实体例如如下通信接口，其包括硬件和/或软件，该硬件和/或软件用于根据一个或更多个通信协议实现通信连接，或者用于实现数据存储和获取(获得、检索)，或用于经由一个或更多个用户界面提供用户交互。一个或更多个用户界面可以是任何类型的用户界面，例如屏幕、键盘或集成显示设备或外部显示设备。

处理实体1202能够执行计算，并且被配置成至少实现预测器单元和/或训练器单元，或至少实现包括至少本文中所述的预测器单元和训练器单元两者的任何对应单元/子单元/集成单元，或者至少实现例如借助于图1至图11中的任何一个及其任意组合的上述功能/操作的至少一部分，并在分布式场景被实现的情况下作为对应单元或子单元，其中，对应的算法1203存储在存储器中1204中。实体1202可以包括适于执行上述实施方式或者例如借助于图1至图11中的任何一个及其任何组合的操作的处理器、控制器、控制单元、微控制器、单元、模块等。通常处理器是中央处理单元，但处理器也可以是附加运算处理器。

存储器1204可用于存储如下内容所需的计算机程序代码：预测器单元、和/或训练器单元、或包括至少预测器单元和训练器单元两者的任何对应单元/子单元/集成单元、或者例如借助于图1至图11中的任何一个及其任何组合的上述一个或更多个功能/操作，即用于借助于图1至图11中的任何一个及其任何组合来实现上述功能/操作的算法。存储器1204还可以用于存储一个或更多个经训练的基于机器学习的模型/算法、以及其他可能的信息，例如将事件与权重和/或类别相关联的信息、和/或缓冲传入事件。

算法1203是软件代码，即形成计算机程序的至少一部分的指令。计算机程序可以是源代码形式、目标代码形式或一些中间形式，并且计算机程序可以存储在可以是能够承载该程序的任何实体或设备的某种载体中。例如，计算机程序可以存储在可由计算设备或处理器读取的计算机程序分布介质上。例如，计算机程序介质可以是例如但不限于电载波信号、软件分发包或非暂态介质。用于执行所示和描述的实施方式的软件编码完全在本领域普通技术人员的范围内。

作为总结，预测器单元、和/或训练器单元、或包括至少预测器单元和训练器单元两者的任何对应的单元/子单元/集成单元、和/或用于例如借助于图1至图11中的任何一个及其任何组合的手段的本文描述的功能/操作的算法可以被配置为计算机或处理器、或微处理器例如单片计算机元件、或芯片组、或一个或更多个逻辑门，其至少包括用于提供用于算术运算的存储区域的存储器和用于执行算术运算的运算处理器。预测器单元、和/或训练器单元、或包括至少预测器单元和训练器单元两者的任何对应的单元/子单元/集成单元和/或用于例如借助于图1至图11中的任何一个及其任何组合中的手段的上述功能/操作的算法可以包括一个或更多个计算机处理器、专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、图形处理单元(GPU)和/或其他硬件部件，其已编程，以及/或者将通过下载计算机程序代码(一个或更多个算法)以执行一个或更多个实施方式/示例的一个或更多个功能的方式被编程。

实施方式提供了任何客户端可读分布/数据存储介质或存储器单元或制品上包括的计算机程序，其包括能够由一个或更多个处理器/计算机执行的程序指令，该程序指令在被加载到装置中时构成预测器单元和/或训练器单元，或者构成包括至少预测器单元和训练器单元两者的任何对应的单元/子单元/集成单元，或者构成提供对应功能的实体，或者构成对应功能的至少一部分。也被称为程序产品的程序——其包括软件例程、构成“程序库”的程序片段、小程序和宏——可以存储在任何介质中，并且可以下载到装置中。换言之，单元/子单元和/或用于例如借助于图1至图11中的任何一个及其任何组合中的手段的上述一个或更多个功能/操作的算法中的每一种或一些或一种可以是包括一个或更多个算术逻辑单元、多个特殊寄存器和控制电路的元件。

对于本领域技术人员而言明显的是，随着技术的进步，本发明构思可以以各种方式来实现。本发明及其实施方式不限于上述示例，而是可以在权利要求书的范围内变化。

Claims (25)

1.一种用于对包括智能电子设备的电力网进行故障预测的计算机实现的方法，所述方法包括：

从一个或更多个智能电子设备接收具有时间信息的事件，事件由智能电子设备中的功能基于从所述电力网测量的一个或更多个值生成，所述事件至少指示所述功能及所述功能的输出；

至少将所述事件作为输入数据输入至经训练的预测器，所述经训练的预测器是至少使用从事件历史数据中提取的多个事件模式进行训练的基于机器学习的模型，事件模式包括按发生顺序在时间跨度内先于干扰事件的事件，所述干扰事件是导致所述电力网中电力供应中断的事件，所述经训练的预测器输出对所述电力网中干扰事件的发生时间的预测；以及

显示所述预测，用于检测所述电力网中逐渐发展的故障。

2.根据权利要求1的所述计算机实现的方法，其中，根据时间显示所述预测包括：

当从同一开始时间确定时，显示两个或更多个不同长度的时间窗；以及

按照所显示的时间窗，指示干扰事件的发生时间是在所述时间窗内，还是在所述下一时间窗内，还是不在所述时间窗内也不在所述下一时间窗内。

3.根据权利要求1或2所述的计算机实现的方法，还包括：

维护将事件与事件类别相关联的信息，其中，所述信息将事件与所述事件类别中的一种事件类别相关联；

在输入所述事件之前，确定所述事件类别；以及

至少将所述类别与所述事件一起作为输入数据输入至所述经训练的预测器。

4.根据权利要求1或2所述的计算机实现的方法，还包括：

维护将事件与权重值相关联的信息，其中，所述信息将事件与一个权重值相关联；

在输入所述事件之前，确定所述事件的权重值；以及

至少将所述权重值与所述事件一起作为输入数据输入至所述经训练的预测器。

5.根据权利要求1或2所述的计算机实现的方法，还包括：

至少暂时存储具有时间信息的所述事件；

至少将所述时间信息与所述事件一起作为输入数据输入至所述经训练的预测器；以及

定期地执行所述输入。

6.一种计算机实现的方法，包括：

获取从事件历史数据中提取的多个事件模式，或者获取所述事件历史数据并从所述历史数据中提取所述多个事件模式，其中，所述事件历史数据包括来自一个或更多个智能电子设备的具有时间信息的事件，事件由智能电子设备中的功能基于从所述电力网测量的一个或更多个值生成，所述事件至少指示所述功能及所述功能的输出，以及事件模式包括按发生顺序在预设时间跨度内先于干扰事件的事件，所述干扰事件是导致所述电力网中电力供应中断的事件；

将所述多个事件模式作为训练数据输入至机器学习模型，以训练所述模型以预测所述电力网中干扰事件的发生时间；以及

存储经训练的模型以用作用于电力网的经训练的预测器。

7.根据权利要求6所述的计算机实现的方法，其中，所述机器学习模型是输出两个或更多个不同长度的时间窗的模型，时间窗的长度不超过所述预设时间跨度，所述时间窗通过按照时间窗被分类为三类中的一类来预测所述干扰事件的发生时间，从而指示干扰事件的发生时间是在所述时间窗内，还是在所述下一时间窗内，还是不在所述时间窗内也不在所述下一时间窗内。

8.根据权利要求6或7所述的计算机实现的方法，还包括：

在输入之前，通过指示测试或调试的功能从所述多个事件模式中过滤生成干扰事件的事件模式。

9.根据权利要求6或7所述的计算机实现的方法，其中，事件模式包括由保护功能或控制功能生成的事件。

10.根据权利要求6或7所述的计算机实现的方法，还包括：

获取将事件与事件类别相关联的信息，其中，所述信息将事件与所述事件类别中的一种事件类别相关联；

在输入之前，按照事件模式，确定所述事件模式中的事件的事件类别；以及

将要作为所述事件模式的一部分的事件类别包括为所述训练数据。

11.根据权利要求6或7所述的计算机实现的方法，还包括：

获取将事件与权重值相关联的信息，其中，所述信息将事件与一个权重值相关联；

在输入之前，按照事件模式，确定所述事件模式中的事件的权重值；以及

将要作为所述事件模式的一部分的权重值包括为所述训练数据。

12.根据权利要求11所述的计算机实现的方法，还包括：

从所述事件模式中过滤权重值低于预设阈值的事件。

13.一种用于对包括智能电子设备的电力网进行故障预测的装置，所述装置至少包括：

处理器；

与所述处理器耦接的存储器；以及

计算机程序代码，所述计算机程序代码存储在所述存储器中以及当由所述处理器执行时能够操作成使所述装置至少：

从一个或更多个智能电子设备接收具有时间信息的事件，事件由智能电子设备中的功能基于从所述电力网测量的一个或更多个值生成，所述事件至少指示所述功能及所述功能的输出；

至少将所述事件作为输入数据输入至经训练的预测器，所述经训练的预测器是至少使用从事件历史数据中提取的多个事件模式进行训练的基于机器学习的模型，事件模式包括按发生顺序在时间跨度内先于干扰事件的事件，所述干扰事件是导致所述电力网中电力供应中断的事件，所述经训练的预测器输出对所述电力网中干扰事件的发生时间的预测；以及

显示所述预测，用于检测所述电力网中逐渐发展的故障。

14.根据权利要求13所述的装置，其中，所述至少一个存储器和计算机程序代码被配置成利用所述至少一个处理器使所述装置还至少通过以下方式执行根据时间显示所述预测：

当从同一开始时间确定时，显示两个或更多个不同长度的时间窗；以及

按照所显示的时间窗，指示干扰事件的发生时间是在所述时间窗内，还是在所述下一时间窗内，还是不在所述时间窗内也不在所述下一时间窗内。

15.根据权利要求13或14所述的装置，其中，所述至少一个存储器和计算机程序代码被配置成利用所述至少一个处理器使所述装置还至少：

维护将事件与事件类别相关联的信息，其中，所述信息将事件与所述事件类别中的一种事件类别相关联；

在输入所述事件之前，确定所述事件类别；以及

至少将所述类别与所述事件一起作为输入数据输入至所述经训练的预测器。

16.根据权利要求13或14所述的装置，其中，所述至少一个存储器和计算机程序代码被配置成利用所述至少一个处理器使所述装置还至少：

维护将事件与权重值相关联的信息，其中，所述信息将事件与一个权重值相关联；

在输入所述事件之前，确定所述事件的权重值；以及

至少将所述权重值与所述事件一起作为输入数据输入至所述经训练的预测器。

17.根据权利要求13或14所述的装置，其中，所述至少一个存储器和计算机程序代码被配置成利用所述至少一个处理器使所述装置还至少：

至少暂时存储具有时间信息的所述事件；

至少将所述时间信息与所述事件一起作为输入数据输入至所述经训练的预测器；以及

定期地执行输入。

18.一种用于对包括智能电子设备的电力网进行故障预测的装置，所述装置至少包括：

处理器；

与所述处理器耦接的存储器；以及

计算机程序代码，所述计算机程序代码存储在所述存储器中以及当由所述处理器执行时能够操作成使所述装置至少：

获取从事件历史数据中提取的多个事件模式，或者获取所述事件历史数据并从所述历史数据中提取所述多个事件模式，其中，所述事件历史数据包括来自一个或更多个智能电子设备的具有时间信息的事件，事件由智能电子设备中的功能基于从所述电力网测量的一个或更多个值生成，所述事件至少指示所述功能及所述功能的输出，以及事件模式包括按发生顺序在预设时间跨度内先于干扰事件的事件，所述干扰事件是导致所述电力网中电力供应中断的事件；

将所述多个事件模式作为训练数据输入至机器学习模型，以训练所述模型以预测所述电力网中干扰事件的发生时间；以及

存储经训练的模型以用作用于电力网的经训练的预测器。

19.根据权利要求18所述的装置，其中，所述机器学习模型是输出两个或更多个不同长度的时间窗的模型，时间窗的长度不超过所述预设时间跨度，所述时间窗通过按照时间窗被分类为三类中的一类来预测所述干扰事件的发生时间，从而指示干扰事件的发生时间是在所述时间窗内，还是在所述下一时间窗内，还是不在所述时间窗内也不在所述下一时间窗内。

20.根据权利要求18或19所述的装置，其中，所述至少一个存储器和计算机程序代码被配置成利用所述至少一个处理器使所述装置还至少：

在输入之前，通过指示测试或调试的功能从所述多个事件模式中过滤生成干扰事件的事件模式。

21.根据权利要求18或19所述的装置，其中，事件模式包括由保护功能或控制功能生成的事件。

22.根据权利要求18或19所述的装置，其中，所述至少一个存储器和计算机程序代码被配置成利用所述至少一个处理器使所述装置还至少：

获取将事件与事件类别相关联的信息，其中，所述信息将事件与所述事件类别中的一种事件类别相关联；

在输入之前，按照事件模式，确定所述事件模式中的事件的事件类别；以及

将要作为所述事件模式的一部分的事件类别包括为所述训练数据。

23.根据权利要求18或19所述的装置，其中，所述至少一个存储器和计算机程序代码被配置成利用所述至少一个处理器使所述装置还至少：

获取将事件与权重值相关联的信息，其中，所述信息将事件与一个权重值相关联；

在输入之前，按照事件模式，确定所述事件模式中的事件的权重值；以及

将要作为所述事件模式的一部分的权重值包括为所述训练数据。

24.根据权利要求23所述的装置，其中，所述至少一个存储器和计算机程序代码被配置成利用所述至少一个处理器使所述装置还至少从所述事件模式中过滤权重值低于预设阈值的事件。

25.一种计算机可读介质，所述计算机可读介质包括程序指令，所述程序指令用于使计算装置针对包括智能电子设备的电力网的故障预测执行第一功能和第二功能中至少之一，

其中，所述第一功能至少包括：

当从一个或更多个智能电子设备接收具有时间信息的事件时，至少将所述事件作为输入数据输入至经训练的预测器，事件由智能电子设备中的功能基于从所述电力网测量的一个或更多个值生成，所述事件至少指示所述功能及所述功能的输出，所述经训练的预测器是至少使用从事件历史数据中提取的多个事件模式进行训练的基于机器学习的模型，事件模式包括按发生顺序在时间跨度内先于干扰事件的事件，所述干扰事件是导致所述电力网中电力供应中断的事件，所述经训练的预测器输出对所述电力网中干扰事件的发生时间的预测；以及

显示所述预测，用于检测所述电力网中逐渐发展的故障，

其中，所述第二功能至少包括：

获取从事件历史数据中提取的多个事件模式，或者获取所述事件历史数据并从所述历史数据中提取所述多个事件模式，其中，所述事件历史数据包括来自一个或更多个智能电子设备的具有时间信息的事件，事件由智能电子设备中的功能基于从所述电力网测量的一个或更多个值生成，所述事件至少指示所述功能及所述功能的输出，以及事件模式包括按发生顺序在预设时间跨度内先于干扰事件的事件，所述干扰事件是导致所述电力网中电力供应中断的事件；

将所述多个事件模式作为训练数据输入至机器学习模型，以训练所述模型以预测所述电力网中干扰事件的发生时间；以及

存储经训练的模型以用作用于电力网的经训练的预测器。

Images