CN116934127A - 基于智慧平台的应急预案生成方法及系统 - Google Patents
基于智慧平台的应急预案生成方法及系统 Download PDFInfo
- Publication number
- CN116934127A CN116934127A CN202311204902.2A CN202311204902A CN116934127A CN 116934127 A CN116934127 A CN 116934127A CN 202311204902 A CN202311204902 A CN 202311204902A CN 116934127 A CN116934127 A CN 116934127A
- Authority
- CN
- China
- Prior art keywords
- emergency
- training
- vector
- data
- dimension
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 387
- 238000004891 communication Methods 0.000 claims abstract description 329
- 238000012545 processing Methods 0.000 claims abstract description 101
- 230000002776 aggregation Effects 0.000 claims abstract description 97
- 238000004220 aggregation Methods 0.000 claims abstract description 97
- 238000005065 mining Methods 0.000 claims abstract description 90
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 504
- 238000012549 training Methods 0.000 claims description 303
- 229910052742 iron Inorganic materials 0.000 claims description 252
- 238000009826 distribution Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005536 corrosion prevention Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005246 galvanizing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于智慧平台的应急预案生成方法及系统,涉及人工智能技术领域。在本发明中,在目标通信铁塔出现通信铁塔事故时,提取到目标通信铁塔运行数据和与目标通信铁塔运行数据之间具有相关关系的历史应急处理数据;利用应急预案生成网络,将提取到的目标通信铁塔运行数据和与目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量;利用应急预案生成网络,将通信铁塔运行聚合向量进行特征还原操作,形成目标通信铁塔运行数据对应的目标应急预案。基于上述的内容,可以在一定程度上提高通信铁塔事故中应急预案生成的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于智慧平台的应急预案生成方法及系统。
背景技术
通信铁塔一般由塔体、平台、避雷针、爬梯、天线支撑等钢构件组成,并经热镀锌防腐处理,主要用于微波、超短波、无线网络信号的传输与发射等。在通信铁塔的运行过程中,运行质量(如通信质量)一般会受到通信铁塔的运行故障等事故的影响,因此,在出现通信铁塔的运行故障时,需要生成相应的应急预案,使得可以基于应急预案对运行故障进行处理,以恢复通信铁塔的正常运行。但是,在现有技术中,在生成应急预案的过程中,一般存在着应急预案生成的可靠度相对不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于智慧平台的应急预案生成方法及系统,以在一定程度上提高通信铁塔事故中应急预案生成的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于智慧平台的应急预案生成方法,包括:
在目标通信铁塔出现通信铁塔事故时,提取到目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据,所述目标通信铁塔运行数据基于对所述目标通信铁塔的运行过程进行监控以形成,所述历史应急处理数据至少包括所述目标通信铁塔在历史上出现的通信铁塔事故和对该通信铁塔事故进行处理的历史应急预案;
利用应急预案生成网络,将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量;
利用所述应急预案生成网络,将所述通信铁塔运行聚合向量进行特征还原操作,形成所述目标通信铁塔运行数据对应的目标应急预案,所述目标应急预案用于指示对所述目标通信铁塔出现的通信铁塔事故进行处理。
在一些优选的实施例中,在上述基于智慧平台的应急预案生成方法中,所述利用应急预案生成网络,将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量的步骤,包括:
将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据,加载到应急预案生成网络;
将所述目标通信铁塔运行数据进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度语义向量;
将所述铁塔运行维度语义向量进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度深层向量;
将所述历史应急处理数据进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度语义向量;
将所述铁塔应急维度语义向量进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度深层向量;
依据所述铁塔应急维度语义向量对应的向量参数分布情况,生成匹配的概率分布数据,以及,将所述概率分布数据进行参数抽选操作,输出所述铁塔应急维度深层向量的加权参数,并依据所述铁塔应急维度深层向量的加权参数,分析出所述铁塔运行维度深层向量的加权参数;
基于所述铁塔运行维度深层向量的加权参数和所述铁塔应急维度深层向量的加权参数,将所述铁塔运行维度深层向量和所述铁塔应急维度深层向量进行聚合处理,输出对应的通信铁塔运行聚合向量。
在一些优选的实施例中,在上述基于智慧平台的应急预案生成方法中,所述将所述目标通信铁塔运行数据进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度语义向量的步骤,利用所述应急预案生成网络中的第一特征挖掘单元实现;
所述将所述铁塔运行维度语义向量进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度深层向量的步骤,利用所述应急预案生成网络中的第二特征挖掘单元实现;
所述将所述历史应急处理数据进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度语义向量的步骤,利用所述应急预案生成网络中的第三特征挖掘单元实现;
所述将所述铁塔应急维度语义向量进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度深层向量的步骤,利用所述应急预案生成网络中的第四特征挖掘单元实现。
在一些优选的实施例中,在上述基于智慧平台的应急预案生成方法中,所述依据所述铁塔应急维度语义向量对应的向量参数分布情况,生成匹配的概率分布数据,以及,将所述概率分布数据进行参数抽选操作,输出所述铁塔应急维度深层向量的加权参数,并依据所述铁塔应急维度深层向量的加权参数,分析出所述铁塔运行维度深层向量的加权参数的步骤,包括:
对所述铁塔应急维度语义向量进行期望值和二阶中心距进行确定,输出所述铁塔应急维度语义向量对应的目标期望值和目标二阶中心距;
基于所述目标期望值和所述目标二阶中心距,生成所述铁塔应急维度语义向量对应的属于正态分布的目标概率分布数据;
对所述目标概率分布数据中的概率分布参数进行参数抽选操作,输出所述铁塔应急维度深层向量的加权参数;
依据所述铁塔应急维度深层向量的加权参数,分析出所述铁塔运行维度深层向量的加权参数,所述铁塔运行维度深层向量的加权参数和所述铁塔应急维度深层向量的加权参数之间具有负相关的对应关系。
在一些优选的实施例中,在上述基于智慧平台的应急预案生成方法中,所述基于智慧平台的应急预案生成方法还包括:
提取到网络训练信息,所述网络训练信息包括训练通信铁塔运行数据、与所述训练通信铁塔运行数据之间具有相关关系的训练历史应急处理数据、所述训练通信铁塔运行数据对应的训练目标应急预案;
基于所述网络训练信息包括的训练通信铁塔运行数据、与所述训练通信铁塔运行数据之间具有相关关系的训练历史应急处理数据、所述训练通信铁塔运行数据对应的训练目标应急预案,对初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络;
其中,所述更新后的应急预案生成网络用于:
将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量;
将所述通信铁塔运行聚合向量进行特征还原操作,形成所述目标通信铁塔运行数据对应的目标应急预案。
在一些优选的实施例中,在上述基于智慧平台的应急预案生成方法中,所述基于所述网络训练信息包括的训练通信铁塔运行数据、与所述训练通信铁塔运行数据之间具有相关关系的训练历史应急处理数据、所述训练通信铁塔运行数据对应的训练目标应急预案,对初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络的步骤,包括:
利用初始的应急预案生成网络,将所述训练通信铁塔运行数据、所述训练历史应急处理数据和所述训练目标应急预案进行特征挖掘操作,输出对应的第一通信铁塔运行聚合向量和第二通信铁塔运行聚合向量,所述第一通信铁塔运行聚合向量用于反映所述训练通信铁塔运行数据和所述训练历史应急处理数据的聚合的语义信息,所述第二通信铁塔运行聚合向量用于反映所述训练通信铁塔运行数据、所述训练历史应急处理数据和所述训练目标应急预案的聚合的语义信息;
基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量,对所述初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络。
在一些优选的实施例中,在上述基于智慧平台的应急预案生成方法中,所述利用初始的应急预案生成网络,将所述训练通信铁塔运行数据、所述训练历史应急处理数据和所述训练目标应急预案进行特征挖掘操作,输出对应的第一通信铁塔运行聚合向量和第二通信铁塔运行聚合向量的步骤,包括:
将所述训练通信铁塔运行数据进行特征挖掘操作,输出所述训练通信铁塔运行数据对应的训练铁塔运行维度语义向量;
将所述训练铁塔运行维度语义向量进行特征挖掘操作,输出述训练通信铁塔运行数据对应的训练铁塔运行维度深层向量;
将所述训练历史应急处理数据进行特征挖掘操作,输出所述训练历史应急处理数据对应的训练铁塔应急维度语义向量;
将所述训练铁塔应急维度语义向量进行特征挖掘操作,输出所述训练历史应急处理数据对应的训练铁塔应急维度深层向量;
对所述训练铁塔运行维度深层向量和所述训练铁塔应急维度深层向量进行聚合操作,输出对应的第一通信铁塔运行聚合向量;
将所述训练目标应急预案进行特征挖掘操作,输出所述训练目标应急预案对应的训练铁塔结果维度语义向量;
将所述训练铁塔运行维度语义向量和所述训练铁塔结果维度语义向量进行特征挖掘操作,输出所述训练目标应急预案对应的第一铁塔结果深层向量;
将所述训练铁塔应急维度语义向量和所述训练铁塔结果维度语义向量进行特征挖掘操作,输出所述训练目标应急预案对应的第二铁塔结果深层向量;
对所述第一铁塔结果深层向量和所述第二铁塔结果深层向量进行聚合操作,输出对应的第二通信铁塔运行聚合向量。
在一些优选的实施例中,在上述基于智慧平台的应急预案生成方法中,所述对所述训练铁塔运行维度深层向量和所述训练铁塔应急维度深层向量进行聚合操作,输出对应的第一通信铁塔运行聚合向量的步骤,包括:
对所述训练铁塔运行维度语义向量和所述训练铁塔应急维度语义向量进行聚合分析,输出第一训练加权参数数据,所述第一训练加权参数数据用于反映所述训练通信铁塔运行数据和所述训练历史应急处理数据的加权参数;
基于所述第一训练加权参数数据,对所述训练铁塔运行维度深层向量和所述训练铁塔应急维度深层向量进行聚合操作,输出对应的第一通信铁塔运行聚合向量;
并且,所述对所述第一铁塔结果深层向量和所述第二铁塔结果深层向量进行聚合操作,输出对应的第二通信铁塔运行聚合向量的步骤,包括:
将所述训练铁塔运行维度语义向量、所述训练铁塔应急维度语义向量和所述训练铁塔结果维度语义向量进行聚合分析,输出对应的第二训练加权参数数据,所述第二训练加权参数数据用于反映所述训练通信铁塔运行数据和所述训练历史应急处理数据的加权参数;
基于所述第二训练加权参数数据,对所述第一铁塔结果深层向量和所述第二铁塔结果深层向量进行聚合操作,输出对应的第二通信铁塔运行聚合向量。
在一些优选的实施例中,在上述基于智慧平台的应急预案生成方法中,所述基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量,对所述初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络的步骤,包括:
基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量之间关于向量参数分布情况的区别,确定出对应的第一网络训练误差;
将所述第二通信铁塔运行聚合向量进行预测操作,输出预测的目标应急预案中的每一个预案文本坐标上的预测文本单元的预测可能性参数;
对所述预测的目标应急预案和所述训练目标应急预案进行比较分析,得到所述训练目标应急预案中的每一个预案文本坐标上的训练文本单元的训练可能性参数;
基于所述预测可能性参数和所述训练可能性参数之间的区别,确定出对应的第二网络训练误差;
基于所述第一网络训练误差和所述第二网络训练误差,将所述初始的应急预案生成网络的网络参数进行更新,形成更新后的应急预案生成网络。
本发明实施例还提供一种基于智慧平台的应急预案生成系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于智慧平台的应急预案生成方法。
本发明实施例提供的基于智慧平台的应急预案生成方法及系统,可以先在目标通信铁塔出现通信铁塔事故时,提取到目标通信铁塔运行数据和与目标通信铁塔运行数据之间具有相关关系的历史应急处理数据;利用应急预案生成网络,将提取到的目标通信铁塔运行数据和与目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量;利用应急预案生成网络,将通信铁塔运行聚合向量进行特征还原操作,形成目标通信铁塔运行数据对应的目标应急预案。基于前述的内容,由于在提取目标通信铁塔运行数据的时候,还会提取与目标通信铁塔运行数据之间具有相关关系的历史应急处理数据,使得可以对两者进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量,从而基于通信铁塔运行聚合向量进行特征还原操作,形成对应的目标应急预案,也就是说,生成的目标应急预案不仅考虑了通信铁塔运行数据,还考虑历史上的应急处理信息,而历史上的应急处理信息对于当前的事故处理一般都具有较高的关联性,因此,目标应急预案的生成依据可以更为可靠与丰富,使得可以在一定程度上提高通信铁塔事故中应急预案生成的可靠度,从而改善现有技术中存在的可靠度相对不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于智慧平台的应急预案生成系统的结构框图。
图2为本发明实施例提供的基于智慧平台的应急预案生成方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于智慧平台的应急预案生成装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
如图1所示,本发明实施例提供了一种基于智慧平台的应急预案生成系统。其中,所述基于智慧平台的应急预案生成系统可以包括存储器和处理器。
示例性地,在一些应用中,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于智慧平台的应急预案生成方法。
示例性地,在一些应用中,所述存储器可以是,但不限于,随机存取存储器(RandomAccess Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
示例性地,在一些应用中,所述基于智慧平台的应急预案生成系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于智慧平台的应急预案生成方法,可应用于上述基于智慧平台的应急预案生成系统。其中,所述基于智慧平台的应急预案生成方法有关的流程所定义的方法步骤,可以由所述基于智慧平台的应急预案生成系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,在目标通信铁塔出现通信铁塔事故时,提取到目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据。
在本发明实施例中,所述基于智慧平台的应急预案生成系统可以在目标通信铁塔出现通信铁塔事故时(如接收到上报的故障指令等),提取到目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据,可以是最近一段时间的历史应急处理数据,也可以是与当前出现的通信铁塔事故具有相关关系的历史通信铁塔事故对应的数据,如都是断电事故等,或者,当前出现的通信铁塔事故属于断电事故,历史通信铁塔事故可以不是断电事故,但是,需要与断电事故有关,供电电压不足、备用电源损坏等与断电事故有关的其它事故。所述目标通信铁塔运行数据基于对所述目标通信铁塔的运行过程进行监控以形成,所述历史应急处理数据至少包括所述目标通信铁塔在历史上出现的通信铁塔事故和对该通信铁塔事故进行处理的历史应急预案,即历史上针对通信铁塔的事故进行处理的预案。
步骤S120,利用应急预案生成网络,将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量。
在本发明实施例中,所述基于智慧平台的应急预案生成系统可以利用应急预案生成网络,将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量。也就是说,所述通信铁塔运行聚合向量聚合了所述目标通信铁塔运行数据和所述历史应急处理数据两方面的信息,语义更为丰富。
步骤S130,利用所述应急预案生成网络,将所述通信铁塔运行聚合向量进行特征还原操作,形成所述目标通信铁塔运行数据对应的目标应急预案。
在本发明实施例中,所述基于智慧平台的应急预案生成系统可以利用所述应急预案生成网络,将所述通信铁塔运行聚合向量进行特征还原操作,形成所述目标通信铁塔运行数据对应的目标应急预案。所述目标应急预案用于指示对所述目标通信铁塔出现的通信铁塔事故进行处理。所述特征还原操作可以是利用所述应急预案生成网络中的循环神经网络实现。示例性地,循环神经网络(Recurrent Neural Networks,RNNs)是一种具有反馈连接的解码网络,能够处理序列数据。它在每个时间步将当前输入与前一个时间步的隐藏状态结合,从而捕捉序列数据中的上下文信息。例如,可以将通信铁塔运行聚合向量作为循环神经网络的初始隐状态输入,并经过隐藏层计算得到下一个隐状态;然后,将该隐状态输入输出层,输出层会生成多个预设文本单元(如文字、词语、语句,或其它的文本粒度)在对应预案文本坐标(如第一个、第二个、第三个文字、词语、语句)上的可能性参数,选择可能性参数最大的预设文本单元作为当前预案文本坐标上的预测文本单元;接下来,将上一个隐状态作为输入,重复这个过程直至确定预设的多个预案文本坐标上的预测文本单元;最后,可以按照它们在坐标上的先后关系进行拼接组合,就可以形成对用的目标应急预案。
举例来说,假设目标通信铁塔遭受了一次断电事故,导致通信异常。首先提取该通信铁塔在当前一段时间的运行数据,例如,供电状态、信号强度、各设备的运行日志(如基站设备:信号强度:记录每个基站接收到的信号强度;载波利用率:监测基站上载波的利用率;数据流量:统计每个基站的数据流量,包括上传和下载速度。天线:信号覆盖范围:记录天线辐射的信号覆盖范围;方向性参数:监测天线的方向性参数,如天线增益和指向性图案。收发器(收发模块):发射功率:记录收发器的发射功率水平;接收信噪比:监测接收到的信号与噪声的比例;频谱分析:对收到的信号进行频谱分析)等,并获取与该运行数据具有相关关系的历史应急处理数据。历史上类似的通信铁塔断电事故可能包括主电源故障、天气影响等事故,并对应有相应的应急处理方案,比如启动备用发电机、检修电力设备等。利用应急预案生成网络,可以将提取到的目标通信铁塔断电期间的运行数据和相关的断电应急处理数据进行特征挖掘和聚合处理。通过分析这些数据,可以得到通信铁塔断电事件的关键特征,如断电原因、持续时间等信息,并将其聚合为一个断电事件的向量表示。再次利用应急预案生成网络,可以将通信铁塔断电事件的聚合向量进行特征还原操作,从而生成对应于该断电事件的目标应急预案。针对断电事故的应急预案可能包括以下步骤:1. 启动备用发电机来保证通信铁塔的供电;2. 检查主电源故障原因并进行修复;3. 对断电期间的通信中断情况进行记录和报告;4. 逐步恢复正常运行。
其中,针对断电事故的应急预案可能包括以下详细步骤:
启动备用发电机:根据预案,在断电发生后,将备用发电机迅速启动,以提供通信铁塔所需的电力供应;例如,启动备用发电机需要满足以下要求:发电机额定功率:X千瓦(如200千瓦(kW));启动时间:不超过Y分钟(如不超过3分钟);燃油供应:确保备用发电机有足够的燃油储备,并能够自动补给(如备用发电机配备至少500升的燃油储备量,以确保连续供电);并网切换控制:确保备用发电机能够与主电源进行自动切换(响应指令进行自动切换),并在主电源恢复后自动切回(如自动切换:备用发电机装备有自动并网切换系统,能够在主电源故障时自动启动并提供电力。主电源恢复后自动切回:一旦主电源恢复正常,备用发电机可以自动切回并与主电网同步运行,准备好下次需要);
监控备用发电机状态:在备用发电机启动后,需要实时监控其运行状态,包括燃油消耗、输出电压稳定性等;通过监控数据,及时判断备用发电机是否正常工作;
检修电力设备:同时,调派维修人员前往通信铁塔现场,对主电源故障进行检修和修复,确保主电源正常运行。具体的检修步骤可能包括:定位故障点:使用测试仪器和相关工具,找到导致断电的具体故障点;故障排除:根据故障点的特点,采取相应的修复措施,例如,更换损坏的电缆、修复短路等;
测试与验证:在修复故障后,进行测试和验证,确保主电源恢复正常工作;
维护通信设备:检查断电期间通信设备的状态,确保设备完好无损,如果有任何设备故障或损坏,及时更换或修复,维护步骤可能包括:检查天线和连接线路:确保天线和连接线路没有损坏或松动;检查设备供电:确认通信设备的供电是否正常,并检查相关的电池状态;清理设备周围环境:清除设备周围的杂物。
基于前述的内容,由于在提取目标通信铁塔运行数据的时候,还会提取与目标通信铁塔运行数据之间具有相关关系的历史应急处理数据,使得可以对两者进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量,从而基于通信铁塔运行聚合向量进行特征还原操作,形成对应的目标应急预案,也就是说,生成的目标应急预案不仅考虑了通信铁塔运行数据,还考虑历史上的应急处理信息,而历史上的应急处理信息对于当前的事故处理一般都具有较高的关联性,因此,目标应急预案的生成依据可以更为可靠与丰富,使得可以在一定程度上提高通信铁塔事故中应急预案生成的可靠度,从而改善现有技术中存在的可靠度相对不高的问题。
示例性地,在一些应用中,上述的步骤S120,可以包括以下具体内容:
将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据,加载到应急预案生成网络;可以分别将所述目标通信铁塔运行数据和所述历史应急处理数据加载到应急预案生成网络,利用应急预案生成网络进行后续的挖掘和聚合处理;
将所述目标通信铁塔运行数据进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度语义向量,示例性地,可以将所述目标通信铁塔运行数据进行嵌入处理,得到对应的铁塔运行维度语义向量;假设目标通信铁塔的运行数据包括电力供应状态、信号强度和设备故障情况,可以使用嵌入处理技术将这些数据转换为向量表示,例如,将电力供应状态编码为[0, 1]表示是否正常供电,信号强度可以映射到一个数值范围内,设备故障情况可以用二进制编码表示,通过将这些特征向量进行组合,可以得到对应的铁塔运行维度语义向量,例如[0.2, 0.8, 1, 0, 0.5];
将所述铁塔运行维度语义向量进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度深层向量,示例性地,可以对所述铁塔运行维度语义向量进行深层卷积运算,得到对应的铁塔运行维度深层向量;假设铁塔运行维度语义向量是由上述步骤得到的,即[0.2, 0.8, 1, 0, 0.5],可以使用深层卷积运算来提取更高级别的特征,例如,将该语义向量输入具有多个卷积层和池化层的神经网络,每个卷积层可以检测不同的模式和关联性,而池化层则减少特征的空间维度,通过这些操作,可以得到对应的铁塔运行维度深层向量;
将所述历史应急处理数据进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度语义向量,示例性地,可以将所述历史应急处理数据进行嵌入处理,得到对应的铁塔应急维度语义向量;假设历史应急处理数据包括过去的应急处理措施和效果记录,可以将这些数据进行嵌入处理,将每个应急处理措施转换为一个向量表示,例如,将紧急维修、备用电源启动、人员调度等应急处理措施编码为二进制向量,通过将这些向量进行组合,可以得到对应的铁塔应急维度语义向量,例如[1, 0, 1, 0, 0];
将所述铁塔应急维度语义向量进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度深层向量,示例性地,可以对所述铁塔应急维度语义向量进行深层卷积运算,得到对应的铁塔应急维度深层向量;假设铁塔应急维度语义向量是由上述步骤得到的,即[1, 0, 1, 0, 0],可以使用深层卷积运算来提取更高级别的特征,例如,将该语义向量输入具有多个卷积层和池化层的神经网络,每个卷积层可以检测不同的模式和关联性,而池化层则减少特征的空间维度,通过这些操作,可以得到对应的铁塔应急维度深层向量;
依据所述铁塔应急维度语义向量对应的向量参数分布情况,生成匹配的概率分布数据,以及,将所述概率分布数据进行参数抽选操作,输出所述铁塔应急维度深层向量的加权参数,并依据所述铁塔应急维度深层向量的加权参数,分析出所述铁塔运行维度深层向量的加权参数;
基于所述铁塔运行维度深层向量的加权参数和所述铁塔应急维度深层向量的加权参数,将所述铁塔运行维度深层向量和所述铁塔应急维度深层向量进行聚合处理,输出对应的通信铁塔运行聚合向量;示例性地,所述铁塔运行维度深层向量的加权参数*所述铁塔运行维度深层向量+所述铁塔应急维度深层向量的加权参数*所述铁塔应急维度深层向量。
举例来说,假设要处理一个通信铁塔的断电事故,可以使用一个应急预案生成网络来生成相应的应急预案,这个网络可以是一个循环神经网络(RNN)或变换器(Transformer)等。
输入数据:首先,需要准备输入数据,这包括目标通信铁塔的运行数据和与其相关的历史应急处理数据,目标通信铁塔的运行数据可以包括电力供应状态、信号强度、设备故障情况等,历史应急处理数据可以包括过去对类似断电事故的处理措施和效果记录。
网络架构:应急预案生成网络由输入层、隐藏层和输出层组成,隐藏层可以包括多个循环层或自注意力层,用于捕捉输入数据之间的时序关系或上下文信息,输出层负责生成应急预案。
训练过程:通过将输入数据喂入应急预案生成网络并与实际应急预案进行比对,调整网络的权重和参数,训练的目标是使网络能够准确地根据输入数据生成与实际应急预案相匹配的输出。
特征提取和学习:在训练过程中,网络会学习到输入数据的特征表示和关联,隐藏层的神经元或注意力机制可以提取输入数据中的重要特征,并捕捉数据之间的相互作用,这些特征有助于网络理解通信铁塔运行状况和历史应急处理的影响。
应急预案生成:一旦应急预案生成网络完成训练,可以使用该网络来生成针对目标通信铁塔断电的应急预案,将目标通信铁塔的运行数据输入网络,通过网络的隐藏层和输出层,网络将生成相应的应急预案,包括具体的措施、步骤或建议,以应对断电事故。
示例性地,在一些应用中,所述将所述目标通信铁塔运行数据进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度语义向量的步骤,利用所述应急预案生成网络中的第一特征挖掘单元实现,所述第一特征挖掘单元可以是一种嵌入网络。所述将所述铁塔运行维度语义向量进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度深层向量的步骤,利用所述应急预案生成网络中的第二特征挖掘单元实现,所述第二特征挖掘单元可以是一种卷积神经网络。所述将所述历史应急处理数据进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度语义向量的步骤,利用所述应急预案生成网络中的第三特征挖掘单元实现,所述第三特征挖掘单元可以是一种嵌入网络。所述将所述铁塔应急维度语义向量进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度深层向量的步骤,利用所述应急预案生成网络中的第四特征挖掘单元实现,所述第四特征挖掘单元可以是一种卷积神经网络。
示例性地,在一些应用中,所述依据所述铁塔应急维度语义向量对应的向量参数分布情况,生成匹配的概率分布数据,以及,将所述概率分布数据进行参数抽选操作,输出所述铁塔应急维度深层向量的加权参数,并依据所述铁塔应急维度深层向量的加权参数,分析出所述铁塔运行维度深层向量的加权参数的步骤,可以包括以下具体内容:
对所述铁塔应急维度语义向量进行期望值(即Mean)和二阶中心距(用于衡量各参数是如何分布在均值附近的,即Variance)进行确定,输出所述铁塔应急维度语义向量对应的目标期望值和目标二阶中心距;
基于所述目标期望值和所述目标二阶中心距,生成所述铁塔应急维度语义向量对应的属于正态分布的目标概率分布数据,即所述目标概率分布数据属于正态分布,且需要满足所述目标期望值和所述目标二阶中心距;
对所述目标概率分布数据中的概率分布参数进行参数抽选操作,输出所述铁塔应急维度深层向量的加权参数,如随机抽选;
依据所述铁塔应急维度深层向量的加权参数,分析出所述铁塔运行维度深层向量的加权参数,所述铁塔运行维度深层向量的加权参数和所述铁塔应急维度深层向量的加权参数之间具有负相关的对应关系,例如,所述铁塔运行维度深层向量的加权参数和所述铁塔应急维度深层向量的加权参数之间的和值可以为固定值,如1等数值。
举例来说,期望值确定:
计算铁塔应急维度语义向量中各个维度数值的平均值,得到期望值;例如,假设铁塔应急维度语义向量的维度为n,表示为[x1, x2, ..., xn],则期望值为E(x) = (x1 + x2+ ... + xn) / n;例如,铁塔应急维度语义向量为 [0.2, 0.5, 0.8, 0.1], [0.9, 0.3,0.6, 0.4], [0.7, 0.2, 0.4, 0.5],[0.6, 0.8, 0.3, 0.9];对应的期望值为0.475;
二阶中心距确定:计算铁塔应急维度语义向量中各个维度数值与期望值之差的平方的平均值,得到二阶中心距,例如,对于维度为n的铁塔应急维度语义向量,方差为Var(x)= [(x1 - E(x))^2 + (x2 - E(x))^2 + ... + (xn - E(x))^2] / n;在前述示例的情况,二阶中心距为0.01009375;
输出所述铁塔应急维度语义向量对应的目标期望值和目标二阶中心距。基于所述目标期望值和所述目标二阶中心距,生成所述铁塔应急维度语义向量对应的属于正态分布的目标概率分布数据。可以使用正态分布函数,根据目标期望值作为均值,目标二阶中心距开方作为标准差,生成概率密度函数图形。对所述目标概率分布数据中的概率分布参数进行参数抽选操作,可以采用统计学方法或者机器学习方法,例如,利用最大似然估计、贝叶斯推断等,该操作将从概率分布中抽取权重参数,用于进一步处理铁塔应急维度深层向量。依据所述铁塔应急维度深层向量的加权参数,分析出所述铁塔运行维度深层向量的加权参数,以及二者之间的相关性。通过建立合适的模型或采用特征选择方法,可以研究两个深层向量之间的相互关系和权重分布;如果所述铁塔应急维度深层向量的加权参数和所述铁塔运行维度深层向量的加权参数具有负相关的对应关系,表示在某些情况下,一个向量重要性的增加会导致另一个向量重要性的减小,或者反之。这种负相关关系可能隐含着不同信息之间的相互影响或依赖关系。在前述示例的基础上,即期望值为0.475,二阶中心距为0.01009375。正态分布的概率密度函数在数学上定义为:
f(x) = (1 / (σ * √(2π))) * exp(-(x - μ)^2 / (2 * σ^2));
其中,μ表示期望值,σ表示标准差,π是圆周率。代入给定的期望值和二阶中心距,我们可以得到正态分布的概率密度函数。基于此,可以得到一个相应的示例性的目标概率分布数据(可以包括更多的参数):
[0.475, 0.520, 0.548, 0.565, 0.577, 0.585, 0.589, 0.590, 0.589,0.585, 0.577, 0.565, 0.548, 0.520, 0.475]。
示例性地,在一些应用中,为了使得上述的应急预案生成网络具有上述的功能,即能够用于执行上述的步骤S120和步骤S130,所述基于智慧平台的应急预案生成方法,进一步还可以包括以下具体内容:
提取到网络训练信息,所述网络训练信息包括训练通信铁塔运行数据、与所述训练通信铁塔运行数据之间具有相关关系的训练历史应急处理数据、所述训练通信铁塔运行数据对应的训练目标应急预案,所述训练通信铁塔运行数据对应于上述的目标通信铁塔运行数据,所述训练历史应急处理数据对应于上述的历史应急处理数据,所述训练目标应急预案可以是指所述训练通信铁塔运行数据对应的实际采用的应急预案,即作为标签;
基于所述网络训练信息包括的训练通信铁塔运行数据、与所述训练通信铁塔运行数据之间具有相关关系的训练历史应急处理数据、所述训练通信铁塔运行数据对应的训练目标应急预案,对初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络,也就是说,基于所述网络训练信息包括的训练通信铁塔运行数据、与所述训练通信铁塔运行数据之间具有相关关系的训练历史应急处理数据、所述训练通信铁塔运行数据对应的训练目标应急预案进行对比分析,得到一个误差,然后,可以沿着降低该误差的方向,对初始的应急预案生成网络进行更新调整。
其中,所述更新后的应急预案生成网络用于:
将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量(对应于上述的步骤S120);
将所述通信铁塔运行聚合向量进行特征还原操作,形成所述目标通信铁塔运行数据对应的目标应急预案(对应于上述的步骤S130)。
示例性地,在一些应用中,所述基于所述网络训练信息包括的训练通信铁塔运行数据、与所述训练通信铁塔运行数据之间具有相关关系的训练历史应急处理数据、所述训练通信铁塔运行数据对应的训练目标应急预案,对初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络的步骤,可以包括以下具体内容:
利用初始的应急预案生成网络,将所述训练通信铁塔运行数据、所述训练历史应急处理数据和所述训练目标应急预案进行特征挖掘操作,输出对应的第一通信铁塔运行聚合向量和第二通信铁塔运行聚合向量,所述第一通信铁塔运行聚合向量用于反映所述训练通信铁塔运行数据和所述训练历史应急处理数据的聚合的语义信息(即反映运行和历史应急两方面的信息),所述第二通信铁塔运行聚合向量用于反映所述训练通信铁塔运行数据、所述训练历史应急处理数据和所述训练目标应急预案的聚合的语义信息(即反映运行、历史应急和实际应急三方面的信息);
基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量,对所述初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络,如,基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量进行对比分析,得到误差,以进行更新。
示例性地,在一些应用中,所述利用初始的应急预案生成网络,将所述训练通信铁塔运行数据、所述训练历史应急处理数据和所述训练目标应急预案进行特征挖掘操作,输出对应的第一通信铁塔运行聚合向量和第二通信铁塔运行聚合向量的步骤,可以包括以下具体内容:
将所述训练通信铁塔运行数据进行特征挖掘操作,如前述的嵌入,输出所述训练通信铁塔运行数据对应的训练铁塔运行维度语义向量;
将所述训练铁塔运行维度语义向量进行特征挖掘操作,如前述的深层卷积,输出述训练通信铁塔运行数据对应的训练铁塔运行维度深层向量;
将所述训练历史应急处理数据进行特征挖掘操作,如前述的嵌入,输出所述训练历史应急处理数据对应的训练铁塔应急维度语义向量;
将所述训练铁塔应急维度语义向量进行特征挖掘操作,如前述的深层卷积,输出所述训练历史应急处理数据对应的训练铁塔应急维度深层向量;
对所述训练铁塔运行维度深层向量和所述训练铁塔应急维度深层向量进行聚合操作,如加权求和,输出对应的第一通信铁塔运行聚合向量;
将所述训练目标应急预案进行特征挖掘操作,如前述的嵌入,输出所述训练目标应急预案对应的训练铁塔结果维度语义向量;
将所述训练铁塔运行维度语义向量和所述训练铁塔结果维度语义向量进行特征挖掘操作,输出所述训练目标应急预案对应的第一铁塔结果深层向量,例如,可以对所述训练铁塔运行维度语义向量和所述训练铁塔结果维度语义向量一起进行深层挖掘;
将所述训练铁塔应急维度语义向量和所述训练铁塔结果维度语义向量进行特征挖掘操作,输出所述训练目标应急预案对应的第二铁塔结果深层向量,例如,可以对所述训练铁塔应急维度语义向量和所述训练铁塔结果维度语义向量一起进行深层挖掘;
对所述第一铁塔结果深层向量和所述第二铁塔结果深层向量进行聚合操作,如加权求和,输出对应的第二通信铁塔运行聚合向量。
示例性地,在一些应用中,所述对所述训练铁塔运行维度深层向量和所述训练铁塔应急维度深层向量进行聚合操作,输出对应的第一通信铁塔运行聚合向量的步骤,可以包括以下具体内容:
对所述训练铁塔运行维度语义向量和所述训练铁塔应急维度语义向量进行聚合分析,输出第一训练加权参数数据,所述第一训练加权参数数据用于反映所述训练通信铁塔运行数据和所述训练历史应急处理数据的加权参数,可以参照前述的铁塔应急维度深层向量的加权参数的确定方式;或者,也可以先基于所述训练铁塔运行维度语义向量和所述训练铁塔应急维度语义向量对应的整体的向量参数分布情况(即两个向量的参数),生成匹配的概率分布数据,然后,基于概率分布数据确定出对应的加权参数;
基于所述第一训练加权参数数据,对所述训练铁塔运行维度深层向量和所述训练铁塔应急维度深层向量进行聚合操作,输出对应的第一通信铁塔运行聚合向量,如前相关描述,可以进行加权求和计算。
示例性地,在一些应用中,所述对所述第一铁塔结果深层向量和所述第二铁塔结果深层向量进行聚合操作,输出对应的第二通信铁塔运行聚合向量的步骤,可以包括以下具体内容:
将所述训练铁塔运行维度语义向量、所述训练铁塔应急维度语义向量和所述训练铁塔结果维度语义向量进行聚合分析,输出对应的第二训练加权参数数据,所述第二训练加权参数数据用于反映所述训练通信铁塔运行数据和所述训练历史应急处理数据的加权参数,可以先基于所述训练铁塔运行维度语义向量、所述训练铁塔应急维度语义向量和所述训练铁塔结果维度语义向量对应的整体的向量参数分布情况(即三个向量的参数),生成匹配的概率分布数据,然后,基于概率分布数据确定出对应的加权参数;
基于所述第二训练加权参数数据,对所述第一铁塔结果深层向量和所述第二铁塔结果深层向量进行聚合操作,输出对应的第二通信铁塔运行聚合向量,所述第二训练加权参数数据可以作为所述第一铁塔结果深层向量的加权系数,所述第二铁塔结果深层向量的加权系数可以与所述第二训练加权参数数据负相关,如和值等于1等,如此,可以计算所述第一铁塔结果深层向量*所述第一铁塔结果深层向量的加权系数+所述第二铁塔结果深层向量*所述第二铁塔结果深层向量的加权系数。
其中,示例性地,在一些应用中,将所述训练铁塔运行维度语义向量和所述训练铁塔结果维度语义向量进行特征挖掘操作,输出所述训练目标应急预案对应的第一铁塔结果深层向量,可以包括以下具体内容:
使用一个注意力模型(如Transformer),将训练铁塔运行维度语义向量作为查询向量(query),将训练铁塔结果维度语义向量作为键值对(key-value)向量,或者,可以将训练铁塔运行维度语义向量先进行线性映射,并将线性映射的结果作为查询向量,以及,将训练铁塔结果维度语义向量进行两种线性映射,结果分别作为键向量和值向量;
基于查询向量和键值对向量的相似度,计算注意力权重;例如,可以通过计算查询向量与每个键向量的点积,然后,应用softmax函数来实现;
根据注意力权重,将输入向量进行交叉编码,以获取更丰富的特征表示;例如,将注意力权重作为权重系数,对训练铁塔运行维度语义向量和训练铁塔结果维度语义向量进行加权求和,这会产生一个融合了两个向量信息的交叉编码向量;可以将加权和后的向量与原始输入向量(即所述训练铁塔运行维度语义向量和所述训练铁塔结果维度语义向量)按元素进行拼接或连接,以组成更高维度的特征向量;经过交叉编码后,得到了一个融合了训练铁塔运行维度和训练铁塔结果维度信息的交叉编码向量,该向量捕捉了两个输入向量之间的关联性,并且在挖掘过程中更加注重了注意力相关的维度,使得两个向量的融合更为的可靠。
示例性地,在一些应用中,所述基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量,对所述初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络的步骤,可以包括以下具体内容:
基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量之间关于向量参数分布情况的区别,确定出对应的第一网络训练误差,即对期望值和二阶中心距之间的区别进行分析;
将所述第二通信铁塔运行聚合向量进行预测操作,输出预测的目标应急预案中的每一个预案文本坐标上的预测文本单元的预测可能性参数,所述预测可能性参数可以是大于或等于0、小于或等于1;
对所述预测的目标应急预案和所述训练目标应急预案进行比较分析,得到所述训练目标应急预案中的每一个预案文本坐标上的训练文本单元的训练可能性参数;示例性地,在确定预测的目标应急预案中的每一个预案文本坐标上的预测文本单元后,可以将训练目标应急预案中每一个预案文本坐标上的训练文本单元与对应预案文本坐标上的预测文本单元进行对比,若训练文本单元与该预测文本单元一样,则该训练文本单元的训练可能性参数为1,若训练文本单元与该预测文本单元不一样,则该训练文本单元的训练可能性参数为0;
基于所述预测可能性参数和所述训练可能性参数之间的区别,确定出对应的第二网络训练误差,例如,可以对预测可能性参数进行取对数计算,然后,将取对数计算的值和训练可能性参数相乘,得到一个文本单元对应的局部误差,最后,对各文本单元对应的局部误差进行求和,得到对应的第二网络训练误差;
基于所述第一网络训练误差和所述第二网络训练误差,将所述初始的应急预案生成网络的网络参数进行更新,形成更新后的应急预案生成网络;示例性地,可以对所述第一网络训练误差和所述第二网络训练误差进行加权求和计算,得到总的网络训练误差,再沿着降低所述总的网络训练误差的方向,将所述初始的应急预案生成网络的网络参数进行更新。
其中,示例性地,在一些应用中,所述第一通信铁塔运行聚合向量表征的是训练通信铁塔运行数据和训练历史应急处理数据,第二通信铁塔运行聚合向量表征的训练通信铁塔运行数据、训练历史应急处理数据和训练目标应急预案,所述基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量之间关于向量参数分布情况的区别,确定出对应的第一网络训练误差的步骤,可以包括以下具体内容:
确定所述训练通信铁塔运行数据的训练铁塔运行维度深层向量的期望值和二阶中心距,得到第一期望值和第一二阶中心距,并确定所述训练通信铁塔运行数据的第一铁塔结果深层向量的期望值和二阶中心距,得到第二期望值和第二二阶中心距;
确定所述训练历史应急处理数据的训练铁塔应急维度深层向量的期望值和二阶中心距,得到第三期望值和第三二阶中心距,并确定所述训练历史应急处理数据的第二铁塔结果深层向量的期望值和二阶中心距,得到第四期望值和第四二阶中心距;
对所述第一二阶中心距和所述第二二阶中心距的比值进行取对数计算,得到第一数值,以及,所述第二二阶中心距和所述第一二阶中心距进行比值计算,得到第二数值,再对所述第二期望值和所述第一期望值的差值的平方与所述第一二阶中心距进行比值计算,得到第三数值,以及,对所述第一数值、所述第二数值和所述第三数值进行和值计算,再将计算得到的和值与第一预设数值进行差值计算,最后,将计算得到的差值与第二预设数值进行比值计算,得到第一局部误差,所述第一预设数值和所述第二预设数值不受限制,如分别为1和2等数值;
对所述第三二阶中心距和所述第四二阶中心距的比值进行取对数计算,得到第四数值,以及,所述第四二阶中心距和所述第三二阶中心距进行比值计算,得到第五数值,再对所述第四期望值和所述第三期望值的差值的平方与所述第三二阶中心距进行比值计算,得到第六数值,以及,对所述第四数值、所述第五数值和所述第六数值进行和值计算,再将计算得到的和值与第一预设数值进行差值计算,最后,将计算得到的差值与第二预设数值进行比值计算,得到第二局部误差;
基于所述第一局部误差和所述第二布局误差,确定出对应的第一网络训练误差,如求和计算或加权求和计算等。
结合图3,本发明实施例还提供一种基于智慧平台的应急预案生成装置,可应用于上述基于智慧平台的应急预案生成系统。其中,所述基于智慧平台的应急预案生成装置可以包括:
通信铁塔数据提取模块,用于在目标通信铁塔出现通信铁塔事故时,提取到目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据,所述目标通信铁塔运行数据基于对所述目标通信铁塔的运行过程进行监控以形成,所述历史应急处理数据至少包括所述目标通信铁塔在历史上出现的通信铁塔事故和对该通信铁塔事故进行处理的历史应急预案;
特征挖掘和聚合模块,用于利用应急预案生成网络,将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量;
应急预案生成模块,用于利用所述应急预案生成网络,将所述通信铁塔运行聚合向量进行特征还原操作,形成所述目标通信铁塔运行数据对应的目标应急预案,所述目标应急预案用于指示对所述目标通信铁塔出现的通信铁塔事故进行处理。
综上所述,本发明提供的基于智慧平台的应急预案生成方法及系统,可以先在目标通信铁塔出现通信铁塔事故时,提取到目标通信铁塔运行数据和与目标通信铁塔运行数据之间具有相关关系的历史应急处理数据;利用应急预案生成网络,将提取到的目标通信铁塔运行数据和与目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量;利用应急预案生成网络,将通信铁塔运行聚合向量进行特征还原操作,形成目标通信铁塔运行数据对应的目标应急预案。基于前述的内容,由于在提取目标通信铁塔运行数据的时候,还会提取与目标通信铁塔运行数据之间具有相关关系的历史应急处理数据,使得可以对两者进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量,从而基于通信铁塔运行聚合向量进行特征还原操作,形成对应的目标应急预案,也就是说,生成的目标应急预案不仅考虑了通信铁塔运行数据,还考虑历史上的应急处理信息,而历史上的应急处理信息对于当前的事故处理一般都具有较高的关联性,因此,目标应急预案的生成依据可以更为可靠与丰富,使得可以在一定程度上提高通信铁塔事故中应急预案生成的可靠度,从而改善现有技术中存在的可靠度相对不高的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种基于智慧平台的应急预案生成方法,其特征在于,包括:
在目标通信铁塔出现通信铁塔事故时,提取到目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据,所述目标通信铁塔运行数据基于对所述目标通信铁塔的运行过程进行监控以形成,所述历史应急处理数据至少包括所述目标通信铁塔在历史上出现的通信铁塔事故和对该通信铁塔事故进行处理的历史应急预案;
利用应急预案生成网络,将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量;
利用所述应急预案生成网络,将所述通信铁塔运行聚合向量进行特征还原操作,形成所述目标通信铁塔运行数据对应的目标应急预案,所述目标应急预案用于指示对所述目标通信铁塔出现的通信铁塔事故进行处理。
2.如权利要求1所述的基于智慧平台的应急预案生成方法,其特征在于,所述利用应急预案生成网络,将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量的步骤,包括:
将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据,加载到应急预案生成网络;
将所述目标通信铁塔运行数据进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度语义向量;
将所述铁塔运行维度语义向量进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度深层向量;
将所述历史应急处理数据进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度语义向量;
将所述铁塔应急维度语义向量进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度深层向量;
依据所述铁塔应急维度语义向量对应的向量参数分布情况,生成匹配的概率分布数据,以及,将所述概率分布数据进行参数抽选操作,输出所述铁塔应急维度深层向量的加权参数,并依据所述铁塔应急维度深层向量的加权参数,分析出所述铁塔运行维度深层向量的加权参数;
基于所述铁塔运行维度深层向量的加权参数和所述铁塔应急维度深层向量的加权参数,将所述铁塔运行维度深层向量和所述铁塔应急维度深层向量进行聚合处理,输出对应的通信铁塔运行聚合向量。
3.如权利要求2所述的基于智慧平台的应急预案生成方法,其特征在于,所述将所述目标通信铁塔运行数据进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度语义向量的步骤,利用所述应急预案生成网络中的第一特征挖掘单元实现;
所述将所述铁塔运行维度语义向量进行特征挖掘操作,输出所述目标通信铁塔运行数据对应的铁塔运行维度深层向量的步骤,利用所述应急预案生成网络中的第二特征挖掘单元实现;
所述将所述历史应急处理数据进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度语义向量的步骤,利用所述应急预案生成网络中的第三特征挖掘单元实现;
所述将所述铁塔应急维度语义向量进行特征挖掘操作,输出所述历史应急处理数据对应的铁塔应急维度深层向量的步骤,利用所述应急预案生成网络中的第四特征挖掘单元实现。
4.如权利要求2所述的基于智慧平台的应急预案生成方法,其特征在于,所述依据所述铁塔应急维度语义向量对应的向量参数分布情况,生成匹配的概率分布数据,以及,将所述概率分布数据进行参数抽选操作,输出所述铁塔应急维度深层向量的加权参数,并依据所述铁塔应急维度深层向量的加权参数,分析出所述铁塔运行维度深层向量的加权参数的步骤,包括:
对所述铁塔应急维度语义向量进行期望值和二阶中心距进行确定,输出所述铁塔应急维度语义向量对应的目标期望值和目标二阶中心距;
基于所述目标期望值和所述目标二阶中心距,生成所述铁塔应急维度语义向量对应的属于正态分布的目标概率分布数据;
对所述目标概率分布数据中的概率分布参数进行参数抽选操作,输出所述铁塔应急维度深层向量的加权参数;
依据所述铁塔应急维度深层向量的加权参数,分析出所述铁塔运行维度深层向量的加权参数,所述铁塔运行维度深层向量的加权参数和所述铁塔应急维度深层向量的加权参数之间具有负相关的对应关系。
5.如权利要求1-4任意一项所述的基于智慧平台的应急预案生成方法,其特征在于,所述基于智慧平台的应急预案生成方法还包括:
提取到网络训练信息,所述网络训练信息包括训练通信铁塔运行数据、与所述训练通信铁塔运行数据之间具有相关关系的训练历史应急处理数据、所述训练通信铁塔运行数据对应的训练目标应急预案;
基于所述网络训练信息包括的训练通信铁塔运行数据、与所述训练通信铁塔运行数据之间具有相关关系的训练历史应急处理数据、所述训练通信铁塔运行数据对应的训练目标应急预案,对初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络;
其中,所述更新后的应急预案生成网络用于:
将提取到的所述目标通信铁塔运行数据和与所述目标通信铁塔运行数据之间具有相关关系的历史应急处理数据进行特征挖掘和聚合处理,输出对应的通信铁塔运行聚合向量;
将所述通信铁塔运行聚合向量进行特征还原操作,形成所述目标通信铁塔运行数据对应的目标应急预案。
6.如权利要求5所述的基于智慧平台的应急预案生成方法,其特征在于,所述基于所述网络训练信息包括的训练通信铁塔运行数据、与所述训练通信铁塔运行数据之间具有相关关系的训练历史应急处理数据、所述训练通信铁塔运行数据对应的训练目标应急预案,对初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络的步骤,包括:
利用初始的应急预案生成网络,将所述训练通信铁塔运行数据、所述训练历史应急处理数据和所述训练目标应急预案进行特征挖掘操作,输出对应的第一通信铁塔运行聚合向量和第二通信铁塔运行聚合向量,所述第一通信铁塔运行聚合向量用于反映所述训练通信铁塔运行数据和所述训练历史应急处理数据的聚合的语义信息,所述第二通信铁塔运行聚合向量用于反映所述训练通信铁塔运行数据、所述训练历史应急处理数据和所述训练目标应急预案的聚合的语义信息;
基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量,对所述初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络。
7.如权利要求6所述的基于智慧平台的应急预案生成方法,其特征在于,所述利用初始的应急预案生成网络,将所述训练通信铁塔运行数据、所述训练历史应急处理数据和所述训练目标应急预案进行特征挖掘操作,输出对应的第一通信铁塔运行聚合向量和第二通信铁塔运行聚合向量的步骤,包括:
将所述训练通信铁塔运行数据进行特征挖掘操作,输出所述训练通信铁塔运行数据对应的训练铁塔运行维度语义向量;
将所述训练铁塔运行维度语义向量进行特征挖掘操作,输出述训练通信铁塔运行数据对应的训练铁塔运行维度深层向量;
将所述训练历史应急处理数据进行特征挖掘操作,输出所述训练历史应急处理数据对应的训练铁塔应急维度语义向量;
将所述训练铁塔应急维度语义向量进行特征挖掘操作,输出所述训练历史应急处理数据对应的训练铁塔应急维度深层向量;
对所述训练铁塔运行维度深层向量和所述训练铁塔应急维度深层向量进行聚合操作,输出对应的第一通信铁塔运行聚合向量;
将所述训练目标应急预案进行特征挖掘操作,输出所述训练目标应急预案对应的训练铁塔结果维度语义向量;
将所述训练铁塔运行维度语义向量和所述训练铁塔结果维度语义向量进行特征挖掘操作,输出所述训练目标应急预案对应的第一铁塔结果深层向量;
将所述训练铁塔应急维度语义向量和所述训练铁塔结果维度语义向量进行特征挖掘操作,输出所述训练目标应急预案对应的第二铁塔结果深层向量;
对所述第一铁塔结果深层向量和所述第二铁塔结果深层向量进行聚合操作,输出对应的第二通信铁塔运行聚合向量。
8.如权利要求7所述的基于智慧平台的应急预案生成方法,其特征在于,所述对所述训练铁塔运行维度深层向量和所述训练铁塔应急维度深层向量进行聚合操作,输出对应的第一通信铁塔运行聚合向量的步骤,包括:
对所述训练铁塔运行维度语义向量和所述训练铁塔应急维度语义向量进行聚合分析,输出第一训练加权参数数据,所述第一训练加权参数数据用于反映所述训练通信铁塔运行数据和所述训练历史应急处理数据的加权参数;
基于所述第一训练加权参数数据,对所述训练铁塔运行维度深层向量和所述训练铁塔应急维度深层向量进行聚合操作,输出对应的第一通信铁塔运行聚合向量;
并且,所述对所述第一铁塔结果深层向量和所述第二铁塔结果深层向量进行聚合操作,输出对应的第二通信铁塔运行聚合向量的步骤,包括:
将所述训练铁塔运行维度语义向量、所述训练铁塔应急维度语义向量和所述训练铁塔结果维度语义向量进行聚合分析,输出对应的第二训练加权参数数据,所述第二训练加权参数数据用于反映所述训练通信铁塔运行数据和所述训练历史应急处理数据的加权参数;
基于所述第二训练加权参数数据,对所述第一铁塔结果深层向量和所述第二铁塔结果深层向量进行聚合操作,输出对应的第二通信铁塔运行聚合向量。
9.如权利要求6所述的基于智慧平台的应急预案生成方法,其特征在于,所述基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量,对所述初始的应急预案生成网络进行网络更新操作,形成更新后的应急预案生成网络的步骤,包括:
基于所述第一通信铁塔运行聚合向量和所述第二通信铁塔运行聚合向量之间关于向量参数分布情况的区别,确定出对应的第一网络训练误差;
将所述第二通信铁塔运行聚合向量进行预测操作,输出预测的目标应急预案中的每一个预案文本坐标上的预测文本单元的预测可能性参数;
对所述预测的目标应急预案和所述训练目标应急预案进行比较分析,得到所述训练目标应急预案中的每一个预案文本坐标上的训练文本单元的训练可能性参数;
基于所述预测可能性参数和所述训练可能性参数之间的区别,确定出对应的第二网络训练误差;
基于所述第一网络训练误差和所述第二网络训练误差,将所述初始的应急预案生成网络的网络参数进行更新,形成更新后的应急预案生成网络。
10.一种基于智慧平台的应急预案生成系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的基于智慧平台的应急预案生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311204902.2A CN116934127B (zh) | 2023-09-19 | 2023-09-19 | 基于智慧平台的应急预案生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311204902.2A CN116934127B (zh) | 2023-09-19 | 2023-09-19 | 基于智慧平台的应急预案生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934127A true CN116934127A (zh) | 2023-10-24 |
CN116934127B CN116934127B (zh) | 2023-11-24 |
Family
ID=88388304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311204902.2A Active CN116934127B (zh) | 2023-09-19 | 2023-09-19 | 基于智慧平台的应急预案生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934127B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402720A (zh) * | 2011-12-17 | 2012-04-04 | 东南大学 | 一种公路突发交通事故应急预案的快速生成方法 |
CN107945082A (zh) * | 2017-10-09 | 2018-04-20 | 中国电子科技集团公司第二十八研究所 | 一种应急预案生成方法和系统 |
CN111324657A (zh) * | 2020-02-12 | 2020-06-23 | 广州奥格智能科技有限公司 | 应急预案内容优化方法和计算机设备 |
CN112488896A (zh) * | 2020-12-08 | 2021-03-12 | 山东科技大学 | 应急预案生成方法、装置、计算机设备及存储介质 |
CN113987183A (zh) * | 2021-10-29 | 2022-01-28 | 广西电网有限责任公司南宁供电局 | 一种基于数据驱动的电网故障处置预案辅助决策方法 |
CN114004210A (zh) * | 2021-11-03 | 2022-02-01 | 昭通亮风台信息科技有限公司 | 基于神经网络的应急预案生成方法、系统、设备及介质 |
CN114117032A (zh) * | 2021-12-08 | 2022-03-01 | 中国民航科学技术研究院 | 一种基于实时应急数据生成预案的方法及装置、电子设备 |
CN114519493A (zh) * | 2021-12-24 | 2022-05-20 | 煤炭科学技术研究院有限公司 | 应急预案生成方法、装置、存储介质及电子设备 |
US20230119211A1 (en) * | 2021-10-15 | 2023-04-20 | Hohai University | Method For Extracting Dam Emergency Event Based On Dual Attention Mechanism |
CN116244481A (zh) * | 2023-04-18 | 2023-06-09 | 南方电网能源发展研究院有限责任公司 | 一种应用于电力系统的智慧应急预案推送方法 |
-
2023
- 2023-09-19 CN CN202311204902.2A patent/CN116934127B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402720A (zh) * | 2011-12-17 | 2012-04-04 | 东南大学 | 一种公路突发交通事故应急预案的快速生成方法 |
CN107945082A (zh) * | 2017-10-09 | 2018-04-20 | 中国电子科技集团公司第二十八研究所 | 一种应急预案生成方法和系统 |
CN111324657A (zh) * | 2020-02-12 | 2020-06-23 | 广州奥格智能科技有限公司 | 应急预案内容优化方法和计算机设备 |
CN112488896A (zh) * | 2020-12-08 | 2021-03-12 | 山东科技大学 | 应急预案生成方法、装置、计算机设备及存储介质 |
US20230119211A1 (en) * | 2021-10-15 | 2023-04-20 | Hohai University | Method For Extracting Dam Emergency Event Based On Dual Attention Mechanism |
CN113987183A (zh) * | 2021-10-29 | 2022-01-28 | 广西电网有限责任公司南宁供电局 | 一种基于数据驱动的电网故障处置预案辅助决策方法 |
CN114004210A (zh) * | 2021-11-03 | 2022-02-01 | 昭通亮风台信息科技有限公司 | 基于神经网络的应急预案生成方法、系统、设备及介质 |
CN114117032A (zh) * | 2021-12-08 | 2022-03-01 | 中国民航科学技术研究院 | 一种基于实时应急数据生成预案的方法及装置、电子设备 |
CN114519493A (zh) * | 2021-12-24 | 2022-05-20 | 煤炭科学技术研究院有限公司 | 应急预案生成方法、装置、存储介质及电子设备 |
CN116244481A (zh) * | 2023-04-18 | 2023-06-09 | 南方电网能源发展研究院有限责任公司 | 一种应用于电力系统的智慧应急预案推送方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116934127B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Appiah et al. | Long short-term memory networks based automatic feature extraction for photovoltaic array fault diagnosis | |
EP3460496B1 (en) | A method and apparatus for automatic localization of a fault | |
CN113420290B (zh) | 一种电力物联网设备的安全性检测方法及系统 | |
CN112186900B (zh) | 一种基于5g技术的综合箱运行监控方法及装置 | |
CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
CN114661905A (zh) | 一种基于bert的电网故障诊断方法 | |
Zhou | A fuzzy petri-net approach for fault analysis considering factor influences | |
CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
Yang et al. | Modelling cascading failure of a CPS for topological resilience enhancement | |
CN116934127B (zh) | 基于智慧平台的应急预案生成方法及系统 | |
CN113987724A (zh) | 基于拓扑分析的电网风险辨识方法及系统 | |
Wang et al. | Federated learning for anomaly detection: A case of real-world energy storage deployment | |
CN116882756A (zh) | 基于区块链的电力安全管控方法 | |
CN116541748A (zh) | 基于人工智能技术的电网故障诊断方法和系统 | |
CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
CN115902510A (zh) | 一种台区停电故障预警方法和系统 | |
Xiong et al. | Research on Health Condition Assessment Method for Spacecraft Power Control System Based on SVM and Cloud Model | |
Vychuzhanin et al. | Intellectualization Method and Model of Complex Technical System's Failures Risk Estimation and Prediction. | |
CN115616437B (zh) | 一种epc特种电源的智能调测控制方法及系统 | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
Sun et al. | Log specification and intelligent analysis method based on oil and gas pipeline SCADA system | |
CN118035819A (zh) | 一种用于风力发电机的故障预测系统及方法 | |
CN117938076A (zh) | 光储能系统的运维管理方法及装置 | |
CN116743546A (zh) | 云桌面的故障检测方法、装置、服务器和云桌面系统 | |
CN117132156A (zh) | 基于全环节检测共享数据的电力设备预评价方法 |
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 |