CN116205612A - 辅助生成电网维护方案的方法、系统、终端及存储介质 - Google Patents
辅助生成电网维护方案的方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN116205612A CN116205612A CN202310483561.0A CN202310483561A CN116205612A CN 116205612 A CN116205612 A CN 116205612A CN 202310483561 A CN202310483561 A CN 202310483561A CN 116205612 A CN116205612 A CN 116205612A
- Authority
- CN
- China
- Prior art keywords
- target
- parameter
- type
- abnormal
- file
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 104
- 239000000463 material Substances 0.000 claims abstract description 70
- 239000013077 target material Substances 0.000 claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电数据处理技术领域，具体提供一种辅助生成电网维护方案的方法、系统、终端及存储介质，包括：将异常数据输入至预先训练好的诊断模型，得到目标异常类型；基于关键词相似度和阅读时长生成目标异常类型与素材文件的关联度；筛选出与目标异常类型的关联度达到设定阈值的目标素材文件，并将目标素材文件输出至显示列表。本发明能够有效确定异常类型并辅助维护人员快速确定维护方案，大大提升了电网维护效率。
Description
技术领域
本发明属于电数据处理技术领域，具体涉及一种辅助生成电网维护方案的方法、系统、终端及存储介质。
背景技术
随着电网维护的自动化以及智能化升级，在一些区域可以实现无人化数据采集。但是现有的电网维护技术通常是采集电网运行数据，然后利用简单的阈值比对技术或者其他处理规则对电网运行数据进行异常排查，排查到异常数据后生成维护任务，将维护任务推送至运维人员。后续仍然需要运维人员根据异常数据进行异常诊断以及依靠个人经验进行异常排除。
显然，现有的电网维护方法采用的数据处理方法在对数据进行异常排查时是孤立的处理过程，并没有考虑到数据之间的关联性，无法准确诊断异常类型。且现有电网维护方法也无法给出相应的维护方案。
发明内容
针对现有技术存在的电网维护效率低下的问题，本发明提供一种辅助生成电网维护方案的方法、系统、终端及存储介质，以解决上述技术问题。
第一方面，本发明提供一种辅助生成电网维护方案的方法，包括：
将异常数据输入至预先训练好的诊断模型，得到目标异常类型；
基于关键词相似度和阅读时长生成目标异常类型与素材文件的关联度；
筛选出与目标异常类型的关联度达到设定阈值的目标素材文件，并将目标素材文件输出至显示列表。
在一个可选的实施方式中，基于关键词相似度和阅读时长生成目标异常类型与素材文件的关联度，包括：
利用基于统计特征的关键词提取技术从素材文件提取关键词；
预先为异常类型设置异常关键词；
利用余弦相似度算法计算目标异常类型与素材文件的关键词相似度；
统计用户端在目标异常类型下对素材文件的阅读时间，并将所述阅读时间转换为时间参数；
将关键词相似度与时间参数的加权和作为目标异常类型与相应素材文件的关联度。
在一个可选的实施方式中，统计用户端在目标异常类型下对素材文件的阅读时间，并将所述阅读时间转换为时间参数，包括：
获取用户端当前次请求的目标异常类型；
记录用户端在查询目标异常类型对应的维护方案时，打开目标素材文件的次数以及停留在所述素材文件的阅读时间；
将所述阅读时间与预设参照值的商保存为第一参数，并判断所述第一参数是否不小于预设限制值：
若是，则将所述打开目标素材文件的次数保存为第二参数，并将第一参数与第二参数的和作为时间参数输出；
若否，则清除关于所述目标素材文件的记录数据。
在一个可选的实施方式中，所述素材文件的获取方法包括：
获取存储有历史维护方案的第一数据库的第一存储目录；
定期从目标网站收集学术文件；
定期从网页爬取电网维护相关的数据，并将爬取的数据保存为网络文件；
将学术文件和网络文件保存至第二数据库，并获取第二数据库的第二存储目录。
在一个可选的实施方式中，将异常数据输入至预先训练好的诊断模型，得到目标异常类型，包括：
对接收自用户端的异常数据进行解析，判断所述异常数据是否包含参数值：
若是，则提取所述异常数据的参数值集合，并将所述参数值集合输入至预先训练好的诊断模型以获取目标异常类型，所述诊断模型采用神经网络模型；
若否，则从所述异常数据提取关键词，并通过关键词相似度计算方法筛选出与所述异常数据的关键词相似度最高的异常类型作为目标异常类型。
第二方面，本发明提供一种辅助生成电网维护方案的系统，包括：
数据诊断模块，用于将异常数据输入至预先训练好的诊断模型，得到目标异常类型；
关联生成模块，用于基于关键词相似度和阅读时长生成目标异常类型与素材文件的关联度；
素材显示模块，用于筛选出与目标异常类型的关联度达到设定阈值的目标素材文件，并将目标素材文件输出至显示列表。
在一个可选的实施方式中，关联生成模块包括：
文件处理单元，用于利用基于统计特征的关键词提取技术从素材文件提取关键词；
异常设置单元，用于预先为异常类型设置异常关键词；
相似计算单元，用于利用余弦相似度算法计算目标异常类型与素材文件的关键词相似度；
时间统计单元，用于统计用户端在目标异常类型下对素材文件的阅读时间，并将所述阅读时间转换为时间参数；
关联计算单元，用于将关键词相似度与时间参数的加权和作为目标异常类型与相应素材文件的关联度。
在一个可选的实施方式中，时间统计单元包括：
类型确认子单元，用于获取用户端当前次请求的目标异常类型；
请求记录子单元，用于记录用户端在查询目标异常类型对应的维护方案时，打开目标素材文件的次数以及停留在所述素材文件的阅读时间；
时间判断子单元，用于将所述阅读时间与预设参照值的商保存为第一参数，并判断所述第一参数是否不小于预设限制值：
参数输出子单元，用于若第一参数不小于预设限制值，则将所述打开目标素材文件的次数保存为第二参数，并将第一参数与第二参数的和作为时间参数输出；
记录清除子单元，用于若第一参数小于预设限制值，则清除关于所述目标素材文件的记录数据。
第三方面，提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本发明的有益效果在于，本发明提供的辅助生成电网维护方案的方法、系统、终端及存储介质，先利用诊断模型基于异常数据诊断出异常类型，然后计算异常类型与预先存储的素材文件的关联度，筛选出高关联度的素材文件输出至显示显示列表，以使维护人员从素材文件中快速定位电网维护方案。本发明能够有效确定异常类型并辅助维护人员快速确定维护方案，大大提升了电网维护效率。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明实施例提供的辅助生成电网维护方案的方法由计算机设备执行，相应地，辅助生成电网维护方案的系统运行于计算机设备中。
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种辅助生成电网维护方案的系统。根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
如图1所示，该方法包括：
步骤110，将异常数据输入至预先训练好的诊断模型，得到目标异常类型；
步骤120，基于关键词相似度和阅读时长生成目标异常类型与素材文件的关联度；
步骤130，筛选出与目标异常类型的关联度达到设定阈值的目标素材文件，并将目标素材文件输出至显示列表。
为了便于对本发明的理解，下面以本发明辅助生成电网维护方案的方法的原理，结合实施例中对电网维护方案进行辅助生成的过程，对本发明提供的辅助生成电网维护方案的方法做进一步的描述。
具体的，辅助生成电网维护方案的方法包括：
S1、将异常数据输入至预先训练好的诊断模型，得到目标异常类型。
S101、首先构建神经网络模型作为诊断模型，基于历史诊断数据及对应的异常类型构建数据集，将数据集分割为训练集和验证集对诊断模型进行训练和验证，得到训练好的诊断模型。
S102、异常数据处理过程包括：
对接收自用户端的异常数据进行解析，判断异常数据是否包含参数值：若是，则提取异常数据的参数值集合，并将参数值集合输入至预先训练好的诊断模型以获取目标异常类型，诊断模型采用神经网络模型；若否，则从异常数据提取关键词，并通过关键词相似度计算方法筛选出与异常数据的关键词相似度最高的异常类型作为目标异常类型。
异常数据可能是监控数据文件包也可能是运维人员上传的描述异常情况的文字，因此需要对其类型进行区分。若异常数据是监控数据则将其输入至诊断模型以获取目标异常类型。若异常数据是描述性文字，则采用关键词匹配的方式进行异常诊断，其中关键词相似度计算方法与步骤S2中采用的方法相同。
例如，用户端为维护人员使用的电网维护终端，监控数据文件包可以包含电网中关键设备的电压、电流、功率、占空比、温度值、电网关键位置的开关状态。描述异常情况的文字包括维护人员上传的某设备无法运行、检测无电流等描述文件、台账、操作票、某设备存在电火花或漏电情况的描述文件等等。
针对参数值集合，通过对参数值集合可以诊断出的目标异常类型包括：线路的重载、过载、失电、温度过高等异常情况，并给出异常线路定位信息。
对于描述性文件，若描述性文件中存在漏电这一关键词，则查找记载中具有漏电现象的所有异常类型，如线路老化、短路等。
S2、基于关键词相似度和阅读时长生成目标异常类型与素材文件的关联度。
S201、首先整理素材文件，具体方法包括：获取存储有历史维护方案的第一数据库的第一存储目录；定期从目标网站收集学术文件；定期从网页爬取电网维护相关的数据，并将爬取的数据保存为网络文件；将学术文件和网络文件保存至第二数据库，并获取第二数据库的第二存储目录。
整理素材文件的渠道有两种，一种是内部网络的历史维护方案，可由用户端上传后保存，另一种是网络文件。两种获取渠道可以保证维护方案的素材的及时更新。此外，第一数据库和第二数据库采用分布式文件系统。各处理端保存第一存储目录和第二存储目录，在需要获取素材文件时向分布式文件系统获取即可。
S202、利用基于统计特征的关键词提取技术从素材文件提取关键词；预先为异常类型设置异常关键词；利用余弦相似度算法计算目标异常类型与素材文件的关键词相似度；统计用户端在目标异常类型下对素材文件的阅读时间，并将所述阅读时间转换为时间参数；将关键词相似度与时间参数的加权和作为目标异常类型与相应素材文件的关联度。
考虑到素材内容与异常类型的相关度以及阅读时间两个因素，将关键词相似度与时间参数的加权和作为目标异常类型与相应素材文件的关联度。
其中，计算异常类型与素材文件的关键词相似度的方法包括：
基于统计特征的关键词提取算法的思想是利用文档中词语的统计信息抽取文档的关键词，例如采用TF-IDF算法。 TF-IDF（term frequency–inverse documentfrequency，词频-逆向文件频率）是一种用于信息检索（information retrieval）与文本挖掘（text mining）的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。 TF-IDF的主要思想是：如果某个单词在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。
在进行关键词相似度计算时，首先判断目标素材文件是否已经存在关键词，若已经存在关键词则直接执行关键词相似度计算，若不存在关键词则执行关键词抽取操作。
在本发明的一种实施方式中，关键词相似度计算方法为，分别构建异常类型的关键词矩阵和素材文件的关键词矩阵，利用余弦相似度算法计算两个关键词矩阵的相似度。其中，异常类型的关键词可以是人工设置，如将异常类型的表现状态作为关键词或将异常类型的生成原理作为关键词。
在本发明的一种实施方式中，为了提高阅读时间这一因素对关联度的贡献精度，采用以下方法将其转换为时间参数：
获取用户端当前次请求的目标异常类型；记录用户端在查询目标异常类型对应的维护方案时，打开目标素材文件的次数以及停留在所述素材文件的阅读时间；将所述阅读时间与预设参照值的商保存为第一参数，并判断所述第一参数是否不小于预设限制值：若是，则将所述打开目标素材文件的次数保存为第二参数，并将第一参数与第二参数的和作为时间参数输出；若否，则清除关于所述目标素材文件的记录数据。
通过监控阅读时长，过滤掉打开但未长时间阅读的无效素材，同时将打开次数和阅读时长作为两个标准，能够准确定位具有高相关性的素材文件。
S3、筛选出与目标异常类型的关联度达到设定阈值的目标素材文件，并将目标素材文件输出至显示列表。
设定阈值可以是80%，则筛选出关联度达到80%的多篇素材文件，按关联度从高到低进行排序，并将排序后的素材文件输出至显示列表。显示列表中每个文件名均对应一个缓存地址，点击文件名即可从缓存中调取相应的素材文件。
维护人员在看到素材文件后，可以结合最新的解决方法以及历史维护方案生成最适合的维护方案。
在一些实施例中，所述辅助生成电网维护方案的系统200可以包括多个由计算机程序段所组成的功能模块。所述辅助生成电网维护方案的系统200中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行（详见图1描述）辅助生成电网维护方案的的功能。
本实施例中，所述辅助生成电网维护方案的系统200根据其所执行的功能，可以被划分为多个功能模块，如图2所示。所述功能模块可以包括：数据诊断模块210、关联生成模块220、素材显示模块230。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
数据诊断模块，用于将异常数据输入至预先训练好的诊断模型，得到目标异常类型；
关联生成模块，用于基于关键词相似度和阅读时长生成目标异常类型与素材文件的关联度；
素材显示模块，用于筛选出与目标异常类型的关联度达到设定阈值的目标素材文件，并将目标素材文件输出至显示列表。
可选地，作为本发明一个实施例，关联生成模块包括：
文件处理单元，用于利用基于统计特征的关键词提取技术从素材文件提取关键词；
异常设置单元，用于预先为异常类型设置异常关键词；
相似计算单元，用于利用余弦相似度算法计算目标异常类型与素材文件的关键词相似度；
时间统计单元，用于统计用户端在目标异常类型下对素材文件的阅读时间，并将所述阅读时间转换为时间参数；
关联计算单元，用于将关键词相似度与时间参数的加权和作为目标异常类型与相应素材文件的关联度。
可选地，作为本发明一个实施例，时间统计单元包括：
类型确认子单元，用于获取用户端当前次请求的目标异常类型；
请求记录子单元，用于记录用户端在查询目标异常类型对应的维护方案时，打开目标素材文件的次数以及停留在所述素材文件的阅读时间；
时间判断子单元，用于将所述阅读时间与预设参照值的商保存为第一参数，并判断所述第一参数是否不小于预设限制值：
参数输出子单元，用于若第一参数不小于预设限制值，则将所述打开目标素材文件的次数保存为第二参数，并将第一参数与第二参数的和作为时间参数输出；
记录清除子单元，用于若第一参数小于预设限制值，则清除关于所述目标素材文件的记录数据。
图3为本发明实施例提供的一种终端300的结构示意图，该终端300可以用于执行本发明实施例提供的辅助生成电网维护方案的方法。
其中，该终端300可以包括：处理器310、存储器320及通信模块330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器（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。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC) 组成，例如可以由单颗封装的IC 所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信模块330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（英文：read-only memory，简称：ROM）或随机存储记忆体（英文：random access memory，简称：RAM）等。
因此，本发明先利用诊断模型基于异常数据诊断出异常类型，然后计算异常类型与预先存储的素材文件的关联度，筛选出高关联度的素材文件输出至显示显示列表，以使维护人员从素材文件中快速定位电网维护方案。本发明能够有效确定异常类型并辅助维护人员快速确定维护方案，大大提升了电网维护效率，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端（可以是个人计算机，服务器，或者第二终端、网络终端等）执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种辅助生成电网维护方案的方法，其特征在于，包括：
将异常数据输入至预先训练好的诊断模型，得到目标异常类型；
基于关键词相似度和阅读时长生成目标异常类型与素材文件的关联度；
筛选出与目标异常类型的关联度达到设定阈值的目标素材文件，并将目标素材文件输出至显示列表。
2.根据权利要求1所述的方法，其特征在于，基于关键词相似度和阅读时长生成目标异常类型与素材文件的关联度，包括：
利用基于统计特征的关键词提取技术从素材文件提取关键词；
预先为异常类型设置异常关键词；
利用余弦相似度算法计算目标异常类型与素材文件的关键词相似度；
统计用户端在目标异常类型下对素材文件的阅读时间，并将所述阅读时间转换为时间参数；
将关键词相似度与时间参数的加权和作为目标异常类型与相应素材文件的关联度。
3.根据权利要求2所述的方法，其特征在于，统计用户端在目标异常类型下对素材文件的阅读时间，并将所述阅读时间转换为时间参数，包括：
获取用户端当前次请求的目标异常类型；
记录用户端在查询目标异常类型对应的维护方案时，打开目标素材文件的次数以及停留在所述素材文件的阅读时间；
将所述阅读时间与预设参照值的商保存为第一参数，并判断所述第一参数是否不小于预设限制值：
若是，则将所述打开目标素材文件的次数保存为第二参数，并将第一参数与第二参数的和作为时间参数输出；
若否，则清除关于所述目标素材文件的记录数据。
4.根据权利要求1所述的方法，其特征在于，所述素材文件的获取方法包括：
获取存储有历史维护方案的第一数据库的第一存储目录；
定期从目标网站收集学术文件；
定期从网页爬取电网维护相关的数据，并将爬取的数据保存为网络文件；
将学术文件和网络文件保存至第二数据库，并获取第二数据库的第二存储目录。
5.根据权利要求1所述的方法，其特征在于，将异常数据输入至预先训练好的诊断模型，得到目标异常类型，包括：
对接收自用户端的异常数据进行解析，判断所述异常数据是否包含参数值：
若是，则提取所述异常数据的参数值集合，并将所述参数值集合输入至预先训练好的诊断模型以获取目标异常类型，所述诊断模型采用神经网络模型；
若否，则从所述异常数据提取关键词，并通过关键词相似度计算方法筛选出与所述异常数据的关键词相似度最高的异常类型作为目标异常类型。
6.一种辅助生成电网维护方案的系统，其特征在于，包括：
数据诊断模块，用于将异常数据输入至预先训练好的诊断模型，得到目标异常类型；
关联生成模块，用于基于关键词相似度和阅读时长生成目标异常类型与素材文件的关联度；
素材显示模块，用于筛选出与目标异常类型的关联度达到设定阈值的目标素材文件，并将目标素材文件输出至显示列表。
7.根据权利要求6所述的系统，其特征在于，所述关联生成模块包括：
文件处理单元，用于利用基于统计特征的关键词提取技术从素材文件提取关键词；
异常设置单元，用于预先为异常类型设置异常关键词；
相似计算单元，用于利用余弦相似度算法计算目标异常类型与素材文件的关键词相似度；
时间统计单元，用于统计用户端在目标异常类型下对素材文件的阅读时间，并将所述阅读时间转换为时间参数；
关联计算单元，用于将关键词相似度与时间参数的加权和作为目标异常类型与相应素材文件的关联度。
8.根据权利要求7所述的系统，其特征在于，所述时间统计单元包括：
类型确认子单元，用于获取用户端当前次请求的目标异常类型；
请求记录子单元，用于记录用户端在查询目标异常类型对应的维护方案时，打开目标素材文件的次数以及停留在所述素材文件的阅读时间；
时间判断子单元，用于将所述阅读时间与预设参照值的商保存为第一参数，并判断所述第一参数是否不小于预设限制值：
参数输出子单元，用于若第一参数不小于预设限制值，则将所述打开目标素材文件的次数保存为第二参数，并将第一参数与第二参数的和作为时间参数输出；
记录清除子单元，用于若第一参数小于预设限制值，则清除关于所述目标素材文件的记录数据。
9.一种终端，其特征在于，包括：
存储器，用于存储辅助生成电网维护方案的程序；
处理器，用于执行所述辅助生成电网维护方案的程序时实现如权利要求1-5任一项所述辅助生成电网维护方案的方法的步骤。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述可读存储介质上存储有辅助生成电网维护方案的程序，所述辅助生成电网维护方案的程序被处理器执行时实现如权利要求1-5任一项所述辅助生成电网维护方案的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310483561.0A CN116205612A (zh) | 2023-05-04 | 2023-05-04 | 辅助生成电网维护方案的方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310483561.0A CN116205612A (zh) | 2023-05-04 | 2023-05-04 | 辅助生成电网维护方案的方法、系统、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116205612A true CN116205612A (zh) | 2023-06-02 |
Family
ID=86509799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310483561.0A Pending CN116205612A (zh) | 2023-05-04 | 2023-05-04 | 辅助生成电网维护方案的方法、系统、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116205612A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255013A (zh) * | 2018-08-14 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 理赔决策方法、装置、计算机设备和存储介质 |
| CN110019837A (zh) * | 2017-12-22 | 2019-07-16 | 百度在线网络技术（北京）有限公司 | 用户画像的生成方法及装置、计算机设备及可读介质 |
| CN110516147A (zh) * | 2019-07-22 | 2019-11-29 | 平安科技（深圳）有限公司 | 页面数据生成方法、装置、计算机设备及存储介质 |
| CN110825611A (zh) * | 2018-08-14 | 2020-02-21 | 深圳兆日科技股份有限公司 | 异常程序的分析方法及装置和计算机可读存储介质 |
| CN112463469A (zh) * | 2020-10-23 | 2021-03-09 | 苏州浪潮智能科技有限公司 | 一种服务器故障诊断方法、系统、终端及存储介质 |
| CN113052948A (zh) * | 2021-04-21 | 2021-06-29 | 华蔚集团(广东)有限公司 | 一种基于教学动画的制作方法及应用 |
| CN113609103A (zh) * | 2021-08-17 | 2021-11-05 | 山西传世科技有限公司 | 一种基于ai的交互式阅读支持数据库构建方法及系统 |
| CN113822067A (zh) * | 2021-08-17 | 2021-12-21 | 深圳市东信时代信息技术有限公司 | 关键信息提取方法、装置、计算机设备及存储介质 |
| CN114398883A (zh) * | 2022-01-19 | 2022-04-26 | 平安科技（深圳）有限公司 | 演示文稿生成方法、装置、计算机可读存储介质及服务器 |
| CN114398239A (zh) * | 2022-01-18 | 2022-04-26 | 平安国际智慧城市科技股份有限公司 | 日志监控方法、装置、计算机设备及存储介质 |
| CN114840756A (zh) * | 2022-05-06 | 2022-08-02 | 东南大学 | 一种基于关键热点信息的媒体生成推荐系统 |
| KR20230027479A (ko) * | 2021-08-19 | 2023-02-28 | 주식회사 유니유니 | 딥러닝 기반 비식별화 데이터 분석을 통한 이상행동감지 시스템 |
-
2023
- 2023-05-04 CN CN202310483561.0A patent/CN116205612A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110019837A (zh) * | 2017-12-22 | 2019-07-16 | 百度在线网络技术（北京）有限公司 | 用户画像的生成方法及装置、计算机设备及可读介质 |
| CN109255013A (zh) * | 2018-08-14 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 理赔决策方法、装置、计算机设备和存储介质 |
| CN110825611A (zh) * | 2018-08-14 | 2020-02-21 | 深圳兆日科技股份有限公司 | 异常程序的分析方法及装置和计算机可读存储介质 |
| CN110516147A (zh) * | 2019-07-22 | 2019-11-29 | 平安科技（深圳）有限公司 | 页面数据生成方法、装置、计算机设备及存储介质 |
| CN112463469A (zh) * | 2020-10-23 | 2021-03-09 | 苏州浪潮智能科技有限公司 | 一种服务器故障诊断方法、系统、终端及存储介质 |
| CN113052948A (zh) * | 2021-04-21 | 2021-06-29 | 华蔚集团(广东)有限公司 | 一种基于教学动画的制作方法及应用 |
| CN113609103A (zh) * | 2021-08-17 | 2021-11-05 | 山西传世科技有限公司 | 一种基于ai的交互式阅读支持数据库构建方法及系统 |
| CN113822067A (zh) * | 2021-08-17 | 2021-12-21 | 深圳市东信时代信息技术有限公司 | 关键信息提取方法、装置、计算机设备及存储介质 |
| KR20230027479A (ko) * | 2021-08-19 | 2023-02-28 | 주식회사 유니유니 | 딥러닝 기반 비식별화 데이터 분석을 통한 이상행동감지 시스템 |
| CN114398239A (zh) * | 2022-01-18 | 2022-04-26 | 平安国际智慧城市科技股份有限公司 | 日志监控方法、装置、计算机设备及存储介质 |
| CN114398883A (zh) * | 2022-01-19 | 2022-04-26 | 平安科技（深圳）有限公司 | 演示文稿生成方法、装置、计算机可读存储介质及服务器 |
| CN114840756A (zh) * | 2022-05-06 | 2022-08-02 | 东南大学 | 一种基于关键热点信息的媒体生成推荐系统 |
Non-Patent Citations (1)
| Title |
|---|
| 董国宾;薛安荣;赵保同;: "基于RFID路径数据的异常路径检测", 计算机应用研究, no. 08 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308126A (zh) | 故障识别模型训练方法、故障识别方法、装置及电子设备 | |
| WO2017205936A1 (en) | Classification of log data | |
| CN109828750B (zh) | 自动配置数据埋点的方法、装置、电子设备及存储介质 | |
| CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
| CN111476375A (zh) | 一种确定识别模型的方法、装置、电子设备及存储介质 | |
| CN113779328B (zh) | 供电监测数据整合处理方法、系统、终端及存储介质 | |
| CN115269981A (zh) | 一种结合人工智能的异常行为分析方法及系统 | |
| CN113760666A (zh) | 系统异常的处理方法、设备及存储介质 | |
| CN116992274B (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
| CN116205612A (zh) | 辅助生成电网维护方案的方法、系统、终端及存储介质 | |
| WO2021001761A1 (en) | Random sampling from a search engine | |
| CN109064067B (zh) | 基于互联网的金融风险运营主体判定方法及装置 | |
| CN111475643A (zh) | 数据中心交换机异常日志的处理方法、装置及存储介质 | |
| CN111324725A (zh) | 一种话题获取方法、终端、计算机可读存储介质 | |
| CN116452054A (zh) | 一种电力系统物资抽检管理方法和装置 | |
| US11822578B2 (en) | Matching machine generated data entries to pattern clusters | |
| CN105302844A (zh) | 互联网监测方法、装置及系统 | |
| CN110851486A (zh) | 数据存储方法及装置 | |
| CN113626387A (zh) | 一种任务数据的导出方法、装置、电子设备及存储介质 | |
| CN111596641B (zh) | 核电站应急柴油机故障分析方法、装置、存储介质及设备 | |
| CN113407859B (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
| CN114896588B (zh) | 主机用户异常行为检测方法、装置、存储介质及电子设备 | |
| CN115481142A (zh) | 慢查询语句处理方法、装置、电子设备及存储介质 | |
| CN115877269B (zh) | 基于智慧母线的配电预警方法、装置、设备及存储介质 | |
| CN110633311B (zh) | 一种数据处理方法、装置及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230602 |
|
| RJ01 | Rejection of invention patent application after publication |