CN116804691B - 一种用于电力系统的调度自动化设备故障监测方法 - Google Patents

一种用于电力系统的调度自动化设备故障监测方法 Download PDF

Info

Publication number
CN116804691B
CN116804691B CN202310771582.2A CN202310771582A CN116804691B CN 116804691 B CN116804691 B CN 116804691B CN 202310771582 A CN202310771582 A CN 202310771582A CN 116804691 B CN116804691 B CN 116804691B
Authority
CN
China
Prior art keywords
subject
word
fault
model
words
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.)
Active
Application number
CN202310771582.2A
Other languages
English (en)
Other versions
CN116804691A (zh
Inventor
方争
唐海捷
李进
徐昌斌
董敏
汪向东
张坤
胡砚芬
余伟松
何曦
高学成
王子建
李严
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingyang Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
Qingyang Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingyang Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical Qingyang Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority to CN202310771582.2A priority Critical patent/CN116804691B/zh
Publication of CN116804691A publication Critical patent/CN116804691A/zh
Application granted granted Critical
Publication of CN116804691B publication Critical patent/CN116804691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10File systems; File servers
    • G06F16/13File access structures, e.g. distributed indices
    • G06F16/137Hash-based
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35Clustering; Classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/29Graphical models, e.g. Bayesian networks
    • G06F18/295Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • G06N3/0442Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于电力系统的调度自动化设备故障监测方法,该方法包括以下步骤获取电力系统调度自动化设备的运行数据;计算出电力系统调度自动化设备的线损值,且测量电变量;计算出的线损值与线损阈值进行比较,同时对测量的电变量与电变量阈值进行比较,若实际线损值超过线损阈值或电变量超过电变量阈值,则认定设备存在故障;准确识别出操作意图,并显示相应的故障信息;根据输入的故障数据和文档模板,自动生成符合要求的文档内容。本发明可以实现设备故障监测报告的自动生成,提高报告编写效率,同时实现对操作人员指令的智能理解和执行,提高系统的交互性和易用性。

Description

一种用于电力系统的调度自动化设备故障监测方法
技术领域
本发明涉及电力系统领域,具体来说,涉及一种用于电力系统的调度自动化设备故障监测方法。
背景技术
调度自动化设备是指一类用于电力系统调度的自动化设备,其主要功能是实现对电力系统的实时监控、控制和优化。这些设备通过采集电力系统各种设备的运行数据,对数据进行处理和分析,以实现对电力系统的故障检测、预警、保护和控制等功能。调度自动化设备通常包括以下几类:
数据采集设备:如智能传感器、终端设备等,用于实时收集电力系统中各种设备的运行数据,如电压、电流、功率等参数。
通信设备:如光纤通信、无线通信等设备,用于将采集到的数据传输至监测中心。
控制设备:如监控中心的计算机系统、自动控制器等,用于对收集到的数据进行处理和分析,实现对电力系统的实时监控、控制和优化。
保护设备:如断路器、继电器等,用于对电力系统中的异常情况进行实时监测和保护,防止故障扩大,确保电力系统的安全稳定运行。
通过这些设备的协同工作,调度自动化设备能够提高电力系统的运行效率和安全性,降低运维成本,为现代电力系统的可持续发展提供支持。
现有技术中,例如中国专利201511033276.0公开了电力设备的远程故障监测方法及系统,其包括解析状态数据,以获取其中携带的状态参数,状态参数超过状态标准时,判定所述电力设备出故障,且获取并显示电力设备的地理位置。但是上述还存在以下不足:对于获取的设备故障信息,操作人员需要手动编写故障分析报告,这将耗费大量的时间和精力,降低工作效率,故障分析报告可能质量不一,操作人员与故障监测系统的交互可能较为繁琐,需要通过固定的命令或界面操作。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种用于电力系统的调度自动化设备故障监测方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种用于电力系统的调度自动化设备故障监测方法,该方法包括以下步骤:
S1、获取电力系统调度自动化设备的运行数据;
S2、分析运行数据,并计算出电力系统调度自动化设备的线损值,且测量电变量;
S3、设定线损阈值和电变量阈值,将计算出的线损值与线损阈值进行比较,同时对测量的电变量与电变量阈值进行比较,若实际线损值超过线损阈值或电变量超过电变量阈值,则认定设备存在故障;
S4、根据操作人员的语言输入,准确识别出相应的操作意图,并显示相应的故障信息;
S5、根据电力系统故障报告及分析报告的要求,设计相应的文档模板,根据输入的故障数据和文档模板,自动生成符合要求的文档内容。
在进一步的实施例中,所述根据操作人员的语言输入,准确识别出相应的操作意图包括以下步骤:
S41、构建操作文本数据库,利用哈希算法计算文本哈希值,并与已添加文件的哈希值进行对比,找出数据冗余并删除;
S42、获取操作人员的语言输入,并得到音频信号,且对音频信号进行预处理,以提取有用的信息并将其转化为特征向量;
S43、训练声学模型以及语言模型,并将特征向量输入声学模型以及语言模型;
S44、通过解码器将声学模型和语言模型的输出结合起来,以生成词序列;
S45、基于相似度算法找到与词序列最相近的操作文本数据,并得到操作人员的操作意图;
S46、根据识别出的操作意图,执行相应的操作。
在进一步的实施例中,所述训练声学模型时,构建带标签的音频数据训练隐马尔科夫模型,并学习到音频特征到对应因素的映射关系;
所述训练语言模型时,采用N-gram模型分别对音频信号的单词及音节进行识别。
在进一步的实施例中,所述根据输入的故障数据和文档模板,自动生成符合要求的文档内容包括以下步骤:
S51、提取主题词:根据用户输入的主题描述语句,使用概率主题模型从主题描述中提取若干主题词;
S52、关键词扩展与主题聚类:对提取出的主题词进行关键词扩展,形成更丰富的主题词集合,且将主题词集合进行聚类,得到若干主题词聚类,形成文档内容的主题规划;
S53、整合故障数据:将故障数据与主题规划相结合,为每个主题词聚类分配相应的故障数据,确保生成的文档内容能够准确反映故障情况;
S54、模板匹配:将主题规划的主题词聚类结果与文档模板中的各个部分相匹配;
S55、生成段落文本:使用基于注意力的循环神经网络模型,根据主题词聚类结果,自动生成每个段落的内容;
S56、拼接文档内容:将生成的每个段落按照文档模板的结构进行拼接,形成文档内容。
在进一步的实施例中,所述使用基于注意力的循环神经网络模型,根据主题词聚类结果,自动生成每个段落的内容包括以下步骤:
S551、通过word2vec预训练词向量获取主题词聚类结果中每个主题词的向量表示;
S552、将主题词向量按序列输入RNN模型,且t时刻的输出等于下一时刻的输入,同时采用LSTM作为RNN模型每一时刻的网络结构;
S553、通过计算主题词向量与生成词汇之间的相似度来评分并排序,且挑选评分高的词汇作为LSTM输出,并生成每个段落的原始内容。
在进一步的实施例中,所述生成每个段落的原始内容时,通过调整文本主题分布、调整注意力评分函数及调整主题词覆盖生成来改进段落的内容。
在进一步的实施例中,所述调整文本主题分布包括以下步骤:
通过Twitter LDA算法从原始内容中抽取主题词计算得到的得分,为每一个主题词设置[0,1]之间的初始权重;
不断调整主题权重,以确保表达不充分的主题得到充分表达。
在进一步的实施例中,所述不断调整主题权重,以确保表达不充分的主题得到充分表达时,主题权重的调整公式为:
φj=N×σ(U[T1,T2,…,Tk])
式中,Ct,j表示t时刻第j个主题词的权重,Ct-1,j表示t-1时刻第j个主题词的权重,φj表示第j个主题词的惩罚因子;
αt,j表示t时刻第j个主题词的注意力得分;
N表示长度为l的文本中有意义词汇个数;
U表示一个[k,dw]的矩阵,k主题词的数量,dw表示词向量维度;
Tk表示第k个主题词向量;
σ是sigmoid函数。
在进一步的实施例中,所述调整注意力评分函数包括以下步骤:
采用多层感知器来计算主题词的注意力得分,并添加一个基于上文与主题相似度的惩罚项;
前文在某一主题词上的关注越高,后文生成的内容在该主题词上的关注度则降低。
在进一步的实施例中,所述调整主题词覆盖生成包括以下步骤:
若某一词汇是非关键词,则生成概率不变,为由softmax函数和注意力机制计算出的原始概率;
若某一词汇是关键词,则为该词汇的生成概率添加一个附加项;
其中,所述附加项为P(xt∣T,xt-1,ht-1);
xt表示在t时刻生成的词汇,xt-1表示在t-1时刻生成的词汇;
T表示由一组主题词构成的主题向量;
P表示生成单词xt的概率;
ht-1表示t-1时刻的隐状态;
其中,所述关键词的扩展方法包括以下步骤:
通过Twitter LDA概率主题模型从主题描述中提取若干主题词;
基于Word2Vec预训练好的词向量,采用余弦相似度计算与主题词相近的词语,获得关键词。
本发明的有益效果为:
(1)本发明的一种用于电力系统的调度自动化设备故障监测方法,通过设定线损阈值和电变量阈值,将计算出的线损值与线损阈值进行比较,同时对测量的电变量与电变量阈值进行比较,若实际线损值超过线损阈值或电变量超过电变量阈值,则认定设备存在故障,有助于深入了解设备的运行状况,为后续故障预测和分析提供数据支持,及时发现设备存在故障,提高故障检测的准确性和及时性,有助于实现电力系统调度自动化设备的实时监测、故障预警、降低维修成本、提高供电可靠性和延长设备寿命等多方面的好处。
(2)通过根据操作人员的语言输入,准确识别出相应的操作意图,并显示相应的故障信息,从而实现对操作人员指令的智能理解和执行,提高系统的交互性和易用性。通过语言输入,操作人员可以用自然语言与系统进行交互,提高了系统的易用性,降低了操作难度。通过训练声学模型和语言模型,将音频信号转化为特征向量并生成词序列,可以实现对操作人员语言输入的高效识别。利用哈希算法计算文本哈希值,并与已添加文件的哈希值进行对比,找出数据冗余并删除,有助于优化操作文本数据库,提高检索效率。通过识别操作意图并执行相应操作,可以减少操作人员在执行任务时的手动操作,提高工作效率。
(3)通过根据输入的故障数据和文档模板,自动生成符合要求的文档内容,从而可以显著减少操作人员编写报告所需的时间和精力,提高工作效率,可以保证生成的文档内容具有一致性、专业性及标准化,有助于统一管理和维护。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是根据本发明实施例的一种用于电力系统的调度自动化设备故障监测方法的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种用于电力系统的调度自动化设备故障监测方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的用于电力系统的调度自动化设备故障监测方法,该方法包括以下步骤:
S1、获取电力系统调度自动化设备的运行数据,包括设备工作状态、电流、电压等参数。
S2、分析运行数据,并计算出电力系统调度自动化设备的线损值,且测量电流和电压等电变量。
S3、设定线损阈值和电变量阈值,将计算出的线损值与线损阈值进行比较,同时对测量的电变量与电变量阈值进行比较,若实际线损值超过线损阈值或电变量超过电变量阈值,则认定设备存在故障。
S4、根据操作人员的语言输入,准确识别出相应的操作意图,并显示相应的故障信息。
根据本发明的实施例,所述根据操作人员的语言输入,准确识别出相应的操作意图包括以下步骤:
S41、构建操作文本数据库,利用哈希算法计算文本哈希值,并与已添加文件的哈希值进行对比,找出数据冗余并删除;
S42、获取操作人员的语言输入,并得到音频信号,且对音频信号进行预处理,以提取有用的信息并将其转化为特征向量;
S43、训练声学模型以及语言模型,并将特征向量输入声学模型以及语言模型;
S44、通过解码器将声学模型和语言模型的输出结合起来,以生成词序列;
S45、基于相似度算法找到与词序列最相近的操作文本数据,并得到操作人员的操作意图;
S46、根据识别出的操作意图,执行相应的操作。
当操作人员与调度自动化设备故障监测系统进行交互时,可以通过意图识别与执行来实现更加直观、自然的操作。
例1:操作人员输入:“查询昨天发生的所有故障。”识别出操作人员的意图为“查询故障”,并提取出关键信息“昨天”。系统根据意图和关键信息,从故障监测数据中筛选出昨天发生的所有故障。然后,系统向操作人员提供实时反馈,展示昨天发生的故障列表以及相关信息。
例2:操作人员输入:“通知维修团队前往10号变压器进行检修。”意图识别系统识别出操作人员的意图为“通知维修”,并提取出关键信息“10号变压器”。系统根据意图和关键信息,向维修团队发送通知,要求前往10号变压器进行检修。同时,系统向操作人员提供实时反馈,确认已通知维修团队,并显示维修状态。
例3:操作人员输入:“生成本月所有设备的故障统计报告。”意图识别系统识别出操作人员的意图为“生成报告”,并提取出关键信息“本月”和“所有设备”。系统根据意图和关键信息,利用人工智能文档生成方法,自动生成本月所有设备的故障统计报告。最后,系统向操作人员提供实时反馈,展示生成的报告内容和下载链接。
意图识别与执行在电力系统调度自动化设备故障监测中的应用,提高了系统的交互性和易用性,使操作人员能够更加直观、自然地与系统进行沟通。
根据本发明的实施例,所述训练声学模型时,构建带标签的音频数据训练隐马尔科夫模型,并学习到音频特征到对应因素的映射关系;
在语音识别任务中,隐马尔科夫模型用来建模音频信号中因素的时序关系。具体来说,音频信号首先被划分为一系列短时帧,然后提取每帧的声学特征(如梅尔频率倒谱系数,MFCC)。接下来,隐马尔科夫模型被用来建模因素序列的生成过程。在这种情况下,隐马尔科夫模型的隐藏状态表示因素,观测值表示声学特征。通过训练隐马尔科夫模型,可以学习音频特征与因素之间的映射关系。
所述训练语言模型时,采用N-gram模型分别对音频信号的单词及音节进行识别。
N-gram模型是一种基于统计语言模型的方法,用于预测和分析文本中的词序列。在N-gram模型中,"N"表示考虑的单词数量。例如,当N=1时,称为一元模型,当N=2时,称为二元模型,当N=3时,称为三元模型,以此类推。N-gram模型的基本思想是根据前N-1个单词来预测第N个单词。它的关键概念是条件概率,即在给定前N-1个单词的情况下,第N个单词出现的概率。通过计算和比较不同词序列的概率,N-gram模型可以在一定程度上捕捉到文本中的语法和语义信息。
S5、根据电力系统故障报告及分析报告等文档的要求,设计相应的文档模板,根据输入的故障数据和文档模板,自动生成符合要求的文档内容。
根据本发明的实施例,所述根据输入的故障数据和文档模板,自动生成符合要求的文档内容包括以下步骤:
S51、提取主题词:根据用户输入的主题描述语句,使用概率主题模型(如TwitterLDA)从主题描述中提取若干主题词;
S52、关键词扩展与主题聚类:对提取出的主题词进行关键词扩展,形成更丰富的主题词集合,且将主题词集合进行聚类,得到若干主题词聚类,形成文档内容的主题规划;
S53、整合故障数据:将故障数据与主题规划相结合,为每个主题词聚类分配相应的故障数据,确保生成的文档内容能够准确反映故障情况;
S54、模板匹配:将主题规划的主题词聚类结果与文档模板中的各个部分相匹配;
S55、生成段落文本:使用基于注意力的循环神经网络模型,根据主题词聚类结果,自动生成每个段落的内容;
S56、拼接文档内容:将生成的每个段落按照文档模板的结构进行拼接,形成文档内容。
根据本发明的实施例,所述使用基于注意力的循环神经网络模型,根据主题词聚类结果,自动生成每个段落的内容包括以下步骤:
S551、通过word2vec预训练词向量获取主题词聚类结果中每个主题词的向量表示;
S552、将主题词向量按序列输入RNN模型,且t时刻的输出等于下一时刻的输入,同时采用LSTM作为RNN模型每一时刻的网络结构;
S553、通过计算主题词向量与生成词汇之间的相似度来评分并排序,且挑选评分高的词汇作为LSTM输出,并生成每个段落的原始内容。
根据本发明的实施例,所述生成每个段落的原始内容时,通过调整文本主题分布、调整注意力评分函数及调整主题词覆盖生成来改进段落的内容。
通过调整文本主题分布,从而确保表达不充分的主题得到充分表达;通过调整注意力评分函数,从而可以平衡多个主题的影响;通过调整主题词覆盖生成,从而提高主题词的生成可能性。
根据本发明的实施例,所述调整文本主题分布包括以下步骤:
通过Twitter LDA算法从原始内容中抽取主题词计算得到的得分,为每一个主题词设置[0,1]之间的初始权重;Twitter LDA(Latent Dirichlet Allocation)算法是一种用于文本挖掘和主题建模的机器学习算法。它是LDA算法在Twitter数据上的一种特殊应用。Twitter数据具有独特的特点,例如短文本、高度压缩和非正式语言等。
不断调整主题权重,以确保表达不充分的主题得到充分表达。
根据本发明的实施例,所述不断调整主题权重,以确保表达不充分的主题得到充分表达时,主题权重的调整公式为:
φj=N×σ(U[T1,T2,…,Tk])
式中,Ct,j表示t时刻第j个主题词的权重,Ct-1,j表示t-1时刻第j个主题词的权重,φj表示第j个主题词的惩罚因子;
αt,j表示t时刻第j个主题词的注意力得分;
N表示长度为l的文本中有意义(非PAD)词汇个数;
U表示一个[k,dw]的矩阵,k主题词的数量,dw表示词向量维度;
Tk表示第k个主题词向量;
σ是sigmoid函数。
根据本发明的实施例,所述调整注意力评分函数包括以下步骤:
采用多层感知器来计算主题词的注意力得分,并添加一个基于上文与主题相似度的惩罚项;
前文在某一主题词上的关注越高,后文生成的内容在该主题词上的关注度则降低。
根据本发明的实施例,所述调整主题词覆盖生成包括以下步骤:
若某一词汇是非关键词,则生成概率不变,为由softmax函数和注意力机制计算出的原始概率;
若某一词汇是关键词,则为该词汇的生成概率添加一个附加项;
其中,所述附加项为P(xt∣T,xt-1,ht-1);
xt表示在t时刻生成的词汇,xt-1表示在t-1时刻生成的词汇;
T表示由一组主题词构成的主题向量;
P表示生成单词xt的概率;
ht-1表示t-1时刻的隐状态;
其中,所述关键词的扩展方法包括以下步骤:
通过Twitter LDA概率主题模型从主题描述中提取若干主题词;
基于Word2Vec预训练好的词向量,采用余弦相似度计算与主题词相近的词语,获得关键词。
综上所述,本发明的一种用于电力系统的调度自动化设备故障监测方法,通过设定线损阈值和电变量阈值,将计算出的线损值与线损阈值进行比较,同时对测量的电变量与电变量阈值进行比较,若实际线损值超过线损阈值或电变量超过电变量阈值,则认定设备存在故障,有助于深入了解设备的运行状况,为后续故障预测和分析提供数据支持,及时发现设备存在故障,提高故障检测的准确性和及时性,有助于实现电力系统调度自动化设备的实时监测、故障预警、降低维修成本、提高供电可靠性和延长设备寿命等多方面的好处。通过根据操作人员的语言输入,准确识别出相应的操作意图,并显示相应的故障信息,从而实现对操作人员指令的智能理解和执行,提高系统的交互性和易用性。通过语言输入,操作人员可以用自然语言与系统进行交互,提高了系统的易用性,降低了操作难度。通过训练声学模型和语言模型,将音频信号转化为特征向量并生成词序列,可以实现对操作人员语言输入的高效识别。利用哈希算法计算文本哈希值,并与已添加文件的哈希值进行对比,找出数据冗余并删除,有助于优化操作文本数据库,提高检索效率。通过识别操作意图并执行相应操作,可以减少操作人员在执行任务时的手动操作,提高工作效率。通过根据输入的故障数据和文档模板,自动生成符合要求的文档内容,从而可以显著减少操作人员编写报告所需的时间和精力,提高工作效率,可以保证生成的文档内容具有一致性、专业性及标准化,有助于统一管理和维护。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (3)

1.一种用于电力系统的调度自动化设备故障监测方法,其特征在于,该方法包括以下步骤:
S1、获取电力系统调度自动化设备的运行数据;
S2、分析运行数据,并计算出电力系统调度自动化设备的线损值,且测量电变量;
S3、设定线损阈值和电变量阈值,将计算出的线损值与线损阈值进行比较,同时对测量的电变量与电变量阈值进行比较,若实际线损值超过线损阈值或电变量超过电变量阈值,则认定设备存在故障;
S4、根据操作人员的语言输入,准确识别出相应的操作意图,并显示相应的故障信息;
S5、根据电力系统故障报告及分析报告的要求,设计相应的文档模板,根据输入的故障数据和文档模板,自动生成符合要求的文档内容;
所述根据操作人员的语言输入,准确识别出相应的操作意图包括以下步骤:
S41、构建操作文本数据库,利用哈希算法计算文本哈希值,并与已添加文件的哈希值进行对比,找出冗余数据并删除;
S42、获取操作人员的语言输入,并得到音频信号,且对音频信号进行预处理,以提取有用的信息并将其转化为特征向量;
S43、训练声学模型以及语言模型,并将特征向量输入声学模型以及语言模型;
S44、通过解码器将声学模型和语言模型的输出结合起来,以生成词序列;
S45、基于相似度算法找到与词序列最相近的操作文本数据,并得到操作人员的操作意图;
S46、根据识别出的操作意图,执行相应的操作;
所述训练声学模型时,构建带标签的音频数据训练隐马尔科夫模型,并学习到音频特征到对应因素的映射关系;
所述训练语言模型时,采用N-gram模型分别对音频信号的单词及音节进行识别;
所述根据输入的故障数据和文档模板,自动生成符合要求的文档内容包括以下步骤:
S51、提取主题词:根据用户输入的主题描述语句,使用概率主题模型从主题描述中提取若干主题词;
S52、关键词扩展与主题聚类:对提取出的主题词进行关键词扩展,形成更丰富的主题词集合,且将主题词集合进行聚类,得到若干主题词聚类,形成文档内容的主题规划;
S53、整合故障数据:将故障数据与主题规划相结合,为每个主题词聚类分配相应的故障数据,确保生成的文档内容能够准确反映故障情况;
S54、模板匹配:将主题规划的主题词聚类结果与文档模板中的各个部分相匹配;
S55、生成段落文本:使用基于注意力的循环神经网络模型,根据主题词聚类结果,自动生成每个段落的内容;
S56、拼接文档内容:将生成的每个段落按照文档模板的结构进行拼接,形成文档内容;所述使用基于注意力的循环神经网络模型,根据主题词聚类结果,自动生成每个段落的内容包括以下步骤:
S551、通过word2vec预训练词向量获取主题词聚类结果中每个主题词的向量表示;
S552、将主题词向量按序列输入RNN模型,且t时刻的输出等于下一时刻的输入,同时采用LSTM作为RNN模型每一时刻的网络结构;
S553、通过计算主题词向量与生成词汇之间的相似度来评分并排序,且挑选评分高的词汇作为LSTM输出,并生成每个段落的原始内容;所述生成每个段落的原始内容时,通过调整文本主题分布、调整注意力评分函数及调整主题词覆盖生成来改进段落的内容;所述调整文本主题分布包括以下步骤:
通过Twitter LDA算法从原始内容中抽取主题词计算得到的得分,为每一个主题词设置[0,1]之间的初始权重;
不断调整主题的权重,以确保表达不充分的主题得到充分表达;所述不断调整主题的权重,以确保表达不充分的主题得到充分表达时,主题的权重的调整公式为:
φj=N×σ(U[T1,T2,…,Tk])
式中,Ct,j表示t时刻第j个主题词的权重,Ct-1,j表示t-1时刻第j个主题词的权重,φj表示第j个主题词的惩罚因子;
αt,j表示t时刻第j个主题词的注意力得分;
N表示长度为l的文本中有意义词汇个数;
U表示一个[k,dw]的矩阵,k表示主题词的数量,dw表示词向量维度;
Tk表示第k个主题词向量;
σ表示sigmoid函数。
2.根据权利要求1所述的一种用于电力系统的调度自动化设备故障监测方法,其特征在于,所述调整注意力评分函数包括以下步骤:
采用多层感知器来计算主题词的注意力得分,并添加一个基于上文与主题相似度的惩罚项;
前文在某一主题词上的关注越高,后文生成的内容在该主题词上的关注度则降低。
3.根据权利要求1所述的一种用于电力系统的调度自动化设备故障监测方法,其特征在于,所述调整主题词覆盖生成包括以下步骤:
若某一词汇是非关键词,则生成概率不变,所述生成概率为由softmax函数和注意力机制计算出的原始概率;
若某一词汇是关键词,则为该词汇的生成概率添加一个附加项;
其中,所述附加项为P(xt∣T,xt-1,ht-1);
xt表示在t时刻生成的词汇,xt-1表示在t-1时刻生成的词汇;
T表示由一组主题词构成的主题向量;
P表示生成单词xt的概率;
ht-1表示t-1时刻的隐状态;
其中,所述关键词的扩展方法包括以下步骤:
通过Twitter LDA概率主题模型从主题描述中提取若干主题词;
基于Word2Vec预训练好的词向量,采用余弦相似度计算与主题词相近的词语,获得关键词。
CN202310771582.2A 2023-06-28 2023-06-28 一种用于电力系统的调度自动化设备故障监测方法 Active CN116804691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310771582.2A CN116804691B (zh) 2023-06-28 2023-06-28 一种用于电力系统的调度自动化设备故障监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310771582.2A CN116804691B (zh) 2023-06-28 2023-06-28 一种用于电力系统的调度自动化设备故障监测方法

Publications (2)

Publication Number Publication Date
CN116804691A CN116804691A (zh) 2023-09-26
CN116804691B true CN116804691B (zh) 2024-02-13

Family

ID=88079420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310771582.2A Active CN116804691B (zh) 2023-06-28 2023-06-28 一种用于电力系统的调度自动化设备故障监测方法

Country Status (1)

Country Link
CN (1) CN116804691B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151069B (zh) * 2023-10-31 2024-01-02 中国电子科技集团公司第十五研究所 一种保障方案生成系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103869192A (zh) * 2014-03-18 2014-06-18 中国能源建设集团广东省电力设计研究院 智能电网线损检测方法和系统
CN106056207A (zh) * 2016-05-09 2016-10-26 武汉科技大学 一种基于自然语言的机器人深度交互与推理方法与装置
CN107662617A (zh) * 2017-09-25 2018-02-06 重庆邮电大学 基于深度学习的车载交互控制算法
CN111414743A (zh) * 2020-03-19 2020-07-14 北京字节跳动网络技术有限公司 一种文档模板的调用方法、装置、电子设备及存储介质
CN111680173A (zh) * 2020-05-31 2020-09-18 西南电子技术研究所(中国电子科技集团公司第十研究所) 统一检索跨媒体信息的cmr模型
CN111933129A (zh) * 2020-09-11 2020-11-13 腾讯科技(深圳)有限公司 音频处理方法、语言模型的训练方法、装置及计算机设备
CN112052326A (zh) * 2020-09-30 2020-12-08 民生科技有限责任公司 一种基于长短文本匹配的智能问答方法及系统
CN112241623A (zh) * 2020-09-17 2021-01-19 华中科技大学 一种接触网施工技术文档内容自动生成装置及方法
CN113360646A (zh) * 2021-06-02 2021-09-07 华院计算技术(上海)股份有限公司 基于动态权重的文本生成方法、设备及存储介质
CN113946657A (zh) * 2021-10-22 2022-01-18 唐亮 一种基于知识推理的电力业务意图自动识别方法
CN115221133A (zh) * 2022-03-16 2022-10-21 中国计量大学 一种面向3d打印的stl文件处理方法
CN115453267A (zh) * 2022-09-15 2022-12-09 北京京能清洁能源电力股份有限公司北京分公司 一种电力信息系统故障诊断系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10782360B2 (en) * 2015-05-04 2020-09-22 General Electric Company Systems and methods for monitoring and diagnosing transformer health
US20220374459A1 (en) * 2021-05-17 2022-11-24 Salesforce.Com, Inc. Systems and methods for hierarchical retrieval of semantic-based passages in deep learning

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103869192A (zh) * 2014-03-18 2014-06-18 中国能源建设集团广东省电力设计研究院 智能电网线损检测方法和系统
CN106056207A (zh) * 2016-05-09 2016-10-26 武汉科技大学 一种基于自然语言的机器人深度交互与推理方法与装置
CN107662617A (zh) * 2017-09-25 2018-02-06 重庆邮电大学 基于深度学习的车载交互控制算法
CN111414743A (zh) * 2020-03-19 2020-07-14 北京字节跳动网络技术有限公司 一种文档模板的调用方法、装置、电子设备及存储介质
CN111680173A (zh) * 2020-05-31 2020-09-18 西南电子技术研究所(中国电子科技集团公司第十研究所) 统一检索跨媒体信息的cmr模型
CN111933129A (zh) * 2020-09-11 2020-11-13 腾讯科技(深圳)有限公司 音频处理方法、语言模型的训练方法、装置及计算机设备
CN112241623A (zh) * 2020-09-17 2021-01-19 华中科技大学 一种接触网施工技术文档内容自动生成装置及方法
CN112052326A (zh) * 2020-09-30 2020-12-08 民生科技有限责任公司 一种基于长短文本匹配的智能问答方法及系统
CN113360646A (zh) * 2021-06-02 2021-09-07 华院计算技术(上海)股份有限公司 基于动态权重的文本生成方法、设备及存储介质
CN113946657A (zh) * 2021-10-22 2022-01-18 唐亮 一种基于知识推理的电力业务意图自动识别方法
CN115221133A (zh) * 2022-03-16 2022-10-21 中国计量大学 一种面向3d打印的stl文件处理方法
CN115453267A (zh) * 2022-09-15 2022-12-09 北京京能清洁能源电力股份有限公司北京分公司 一种电力信息系统故障诊断系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
EHDHE: Enhancing security of healthcare documents in IoT-enabled digital healthcare ecosystems using blockchain;A. Kannammal等;《 Information Sciences》;20230210;第230卷;第760-768页 *
基于结构分析的线控踏板位置传感器故障诊断;丁华 等;《电子设计工程》;20210305;第29卷(第5期);第65-70页 *

Also Published As

Publication number Publication date
CN116804691A (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN110580292B (zh) 一种文本标签生成方法、装置和计算机可读存储介质
CN111241295A (zh) 基于语义句法交互网络的知识图谱关系数据抽取方法
CN112270379A (zh) 分类模型的训练方法、样本分类方法、装置和设备
CN111090730B (zh) 智能语音调度系统及方法
CN111353029B (zh) 一种基于语义匹配的多轮对话口语理解方法
CN116804691B (zh) 一种用于电力系统的调度自动化设备故障监测方法
CN112101010B (zh) 一种基于bert的电信行业oa办公自动化文稿审核的方法
CN111429915A (zh) 一种基于语音识别的调度系统及调度方法
CN113157859B (zh) 一种基于上位概念信息的事件检测方法
CN111326153A (zh) 一种基于语义理解的电网智能调控辅助机器人交互方法
CN110888973B (zh) 一种监控信息表自动结构化梳理的方法
CN114661905B (zh) 一种基于bert的电网故障诊断方法
CN113095050A (zh) 一种智能成票方法、系统、设备及存储介质
Amin et al. Exploration of natural language processing (NLP) applications in aviation
CN115619117A (zh) 基于值班系统的电网智能调度方法
CN117149977A (zh) 一种基于机器人流程自动化的智能催收机器人
CN115936001A (zh) 基于BERT-BiLSTM-CRF模型和注意力的电网IT运维实体识别方法及系统
CN117933258A (zh) 一种命名实体识别方法和系统
CN117762464A (zh) 一种基于云计算的软件运维系统及方法
CN117932295A (zh) 多源数据融合的电网监控运行特征信息提取方法及系统
CN117196800A (zh) 一种用于银行网点员工行为的数字化管理方法
CN114388108A (zh) 一种基于多任务学习的用户反馈分析方法
CN116362247A (zh) 一种基于mrc框架的实体抽取方法
CN115098687A (zh) 面向电力sdh光传输系统调度运行的告警排查方法及装置
CN114330494A (zh) 一种融合BiLSTM与注意力的发电设备异常预测方法及系统

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
GR01 Patent grant
GR01 Patent grant