CN116976318A - 基于深度学习和模型推理的电网倒闸操作票智能审核系统 - Google Patents
基于深度学习和模型推理的电网倒闸操作票智能审核系统 Download PDFInfo
- Publication number
- CN116976318A CN116976318A CN202310997440.8A CN202310997440A CN116976318A CN 116976318 A CN116976318 A CN 116976318A CN 202310997440 A CN202310997440 A CN 202310997440A CN 116976318 A CN116976318 A CN 116976318A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- model
- auditing
- deep learning
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000010276 construction Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000013136 deep learning model Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于深度学习和模型推理的电网倒闸操作票智能审核系统,属于智能审核技术领域,包括采集预处理模块、图谱融合模块、模型构建模块、推理审核模块、监控报警模块、权限管理模块、用户平台、自动化工作模块、维护模块以及存储管理模块;本发明能够提供丰富的知识背景和关联信息,增强审核系统的知识表示能力,提高审核准确性和可解释性,能够优化审核决策策略,提高系统的审核性能,保障审核系统的鲁棒性和安全性,同时提高操作的安全性和准确性。
Description
技术领域
本发明涉及智能审核技术领域,尤其涉及基于深度学习和模型推理的电网倒闸操作票智能审核系统。
背景技术
电力系统是现代社会的重要基础设施之一,而电网倒闸操作是维护电力系统运行稳定和安全的关键环节。电网倒闸操作票智能审核系统是针对电力系统运行和管理的特定应用场景。在电力系统领域,操作票是运维和维护过程中的重要文档,审核操作票的合规性和安全性对于电力系统的稳定运行至关重要。通过应用深度学习和模型推理技术,该系统能够提高对操作票的审核效率和准确性,帮助电力系统运维人员更好地处理操作票数据,减少潜在风险。随着深度学习技术的不断发展,利用深度学习算法和模型推理技术,通过对操作票数据进行智能分析和预测,成为了对操作票的自动审核和风险预测的重要手段之一。
现有的电网倒闸操作票智能审核系统无法提供丰富的知识背景和关联信息,知识表示能力差,其审核准确性和可解释性较低;此外,现有的电网倒闸操作票智能审核系统的鲁棒性和安全性较差,且系统审核性能不强,其操作的安全性与准确性较低,为此,我们提出基于深度学习和模型推理的电网倒闸操作票智能审核系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的基于深度学习和模型推理的电网倒闸操作票智能审核系统。
为了实现上述目的,本发明采用了如下技术方案:
基于深度学习和模型推理的电网倒闸操作票智能审核系统,包括采集预处理模块、图谱融合模块、模型构建模块、推理审核模块、监控报警模块、权限管理模块、用户平台、自动化工作模块、维护模块以及存储管理模块;
所述采集预处理模块用于收集电网倒闸操作票的历史数据,并对数据进行预处理;
所述图谱融合模块用于将电力系统知识图谱与操作票数据进行融合;
所述模型构建模块用于构建深度学习模型,并对该模型参数进行测试更新;
所述推理审核模块用于接收实时操作票数据,同时使用深度学习模型进行推理并输出审核结果;
所述监控报警模块用于对系统进行实时监控,并根据系统的运行状况和审核结果产生相应的警报;
所述权限管理模块用于对用户身份验证、访问控制和数据加密,同时阻止未经授权的用户访问敏感数据和系统功能;
所述用户平台用于提供一个直观的用户界面,并对数据进行可视化显示,同时使操作员和审核人员能够提交操作票数据,查看审核结果和反馈信息;
所述自动化工作模块用于对审核过程进行自动化管理;
所述维护模块用于监控系统的运行状态和性能,并进行系统的运维和维护;
所述存储管理模块用于存储和管理审核结果和相关数据,并对历史审核数据的归档和备份,同时对数据进行清理和维护。
作为本发明的进一步方案,所述采集预处理模块数据预处理具体步骤如下:
步骤一:从电力系统的记录或数据库中收集电网倒闸操作票的历史数据,检测各组历史数据中存在的缺失值,并标记各缺失值在对应数据中的所在位置,对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围,并进行填补或删除;
步骤二:计算历史数据的标准偏差,之后依据计算出的标准偏差分别对异常数据进行检测并筛除,通过指数平滑来去除噪音和波动以获取趋势和周期性信息,同时对各历史数据进行标准化处理以统一格式,再检测是否存在重复的数据记录,若存在重复数据,则将其删除;
步骤三:为每组操作票的历史数据标注合规性标签以及安全性标签,之后对各组历史数据进行分词处理以获取多组分词字符串,并通过一组二维数组存储各组分词字符串以及历史数据对应类型标签,再计算各分词的词频-逆文档频率;
步骤四:将计算出的各组词频-逆文档频率按照由大到小的顺序排列,并将对应分词存储至另一初始化后的数组中,同时根据该数组生成各历史数据的多项式关键词特征向量,若数据中包含该数组中的关键词则在多项式关键词特征向量对应位置记为1,否则将其记为0,同时将该多项式关键词特征向量存入对应二维数组中。
作为本发明的进一步方案,所述采集预处理模块通过收集、整理和准备操作票数据,为后续的深度学习模型训练和推理做好准备,同时该模块收集的历史数据涵盖不同时间段和各种操作情况,确保模型具有广泛的学习经验。
作为本发明的进一步方案,所述词频-逆文档频率具体计算公式如下:
TF-IDFij=tfij*idfij (3)
式中,nij代表二维数组分词在第i组历史数据中出现的次数,Di代表第i组历史数据各分词组成的集合。
作为本发明的进一步方案,所述图谱融合模块数据融合具体步骤如下:
步骤(1):从专家知识、电力系统手册、技术规范、文献资料、互联网以及电力数据库中收集与电力系统相关的各种知识和信息,并对收集到的电力系统知识进行分类、去重以及筛选处理;
步骤(2):通过NLP技术识别和抽取出处理后的电力系统知识中的实体,再从相关的知识信息中提取每个实体的对应属性,并建立实体之间的关系,形成电力系统知识图谱的连接;
步骤(3):采用三元组的形式将实体、属性和关系处理成对应图状结构,选择合适的图数据库来存储和管理电力系统知识图谱,并对电力系统知识图谱进行不断地更新和维护,之后将预处理过的操作票的历史数据中的实体与知识图谱中的对应实体进行匹配。
作为本发明的进一步方案,所述电力系统知识具体包括设备、操作规程以及安全标准,其实体信息具体包括设备名称以及操作步骤;利用知识图谱中的相关知识,增强对操作票数据的理解和判断能力,提高了审核准确性和可解释性,同时所述图谱融合模块通过将操作票数据中的实体与知识图谱中的对应实体进行匹配,可以获取更多的关联信息,增强对操作的理解和审核。
作为本发明的进一步方案,所述模型构建模块深度学习模型具体构建步骤如下:
步骤①:从采集预处理模块中获取预处理后的操作票历史数据,同时将获取的各组数据整合归纳成验证数据集,之后将数据集划分为训练集和测试集;
步骤②:选择并初始化卷积神经网络的权重和参数,之后将训练集导入该卷积神经网络中,根据输入数据和当前的权重和参数计算对应输出,之后分别通过交叉熵损失函数以及交叉熵损失函数衡量模型的预测结果与真实标签之间的损失值;
步骤③:若损失值未满足预设条件,则重新训练该卷积神经网络,并通过反向传播算法来更新模型的权重,同时更新该卷积神经网络参数,当损失值满足预设条件时,使用测试集对训练好的卷积神经网络进行评估,计算卷积神经网络在测试集上的性能指标,并输出深度学习模型,同时将训练好的模型保存到模型存储库中。
作为本发明的进一步方案,所述模型构建模块参数更新具体步骤如下:
步骤Ⅰ:模型构建模块在卷积神经网络的规定区间内初始化网络连接权值,计算卷积神经网络的输出,再比较期望输出与实际输出,同时计算所有神经元的局部误差;
步骤Ⅱ:当局部误差超出预设阈值后,依据学习规则方程对卷积神经网络的权值进行训练以及更新,并依据预设的学习率以及步长列出所有可能的数据结果,对于每一组数据,选取任意一个子集作为测试集,其余子集作为训练集,训练模型后对测试集进行检测,并统计检测结果的损失值;
步骤Ⅲ:将测试集更换为另一子集,再取剩余子集作为训练集,再次计算损失值,直至对所有数据都进行一次预测,通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换卷积神经网络原有参数。
作为本发明的进一步方案,所述推理审核模块审核结果具体推理步骤如下:
第一步:推理审核模块从模型存储库提取并加载训练完成的深度学习模型,之后通过TF-IDF文本表示方法对新的电网倒闸操作票数据进行预处理,并将预处理后的数据作为输入数据;
第二步:使深度学习模型输入层的节点数和数据维度与训练阶段定义的模型输入层保持一致,之后输入数据从深度学习模型输入层开始经过模型的各隐藏层;
第三步:各隐藏层分别对输入数据进行一次线性变换和非线性激活,并将处理后的数据通过各层之间的权重和激活函数进行逐层传递,之后输出层输出最终预测结果;
第四步:设置合适的阈值,将预测结果中的概率值转换为最终的分类标签,同时可以将预测结果中的实数值映射为相应的风险等级,并以图表或可视化形式展示。
作为本发明的进一步方案,第三步所述线性变换具体计算公式式如下:
Z=X·W+b
(4)
式中,X代表输入数据,W代表权重矩阵,b代表偏置向量。
相比于现有技术,本发明的有益效果在于:
1、本发明相较于以往智能审核系统,该系统通过图谱融合模块从专家知识、电力系统手册、技术规范、文献资料、互联网以及电力数据库中收集与电力系统相关的各种知识和信息,并对收集到的电力系统知识进行分类、去重以及筛选处理,通过NLP技术识别和抽取出处理后的电力系统知识中的实体,再从相关的知识信息中提取每个实体的对应属性,并建立实体之间的关系,形成电力系统知识图谱的连接,采用三元组的形式将实体、属性和关系处理成对应图状结构,选择合适的图数据库来存储和管理电力系统知识图谱,并对电力系统知识图谱进行不断地更新和维护,之后将预处理过的操作票的历史数据中的实体与知识图谱中的对应实体进行匹配,能够提供丰富的知识背景和关联信息,增强审核系统的知识表示能力,提高审核准确性和可解释性。
2、本发明通过从电力系统的记录或数据库中收集电网倒闸操作票的历史数据,并对采集的数据进行预处理后通过TF-IDF文本表示方法将各组数据处理成对应特征向量,之后将各组数据划分为训练集和测试集,再选择并初始化卷积神经网络的权重和参数,将训练集导入该卷积神经网络中,根据输入数据和当前的权重和参数计算对应输出,之后分别通过交叉熵损失函数以及交叉熵损失函数衡量模型的预测结果与真实标签之间的损失值,若损失值未满足预设条件,则重新训练该卷积神经网络,并通过反向传播算法来更新模型的权重,同时更新该卷积神经网络参数,当损失值满足预设条件时,使用测试集对训练好的卷积神经网络进行评估,计算卷积神经网络在测试集上的性能指标,并输出深度学习模型,对新的电网倒闸操作票数据进行预处理,并将其作为输入数据传输至深度学习模型中输出最终预测结果,能够优化审核决策策略,提高系统的审核性能,保障审核系统的鲁棒性和安全性,同时提高操作的安全性和准确性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的基于深度学习和模型推理的电网倒闸操作票智能审核系统的系统框图。
具体实施方式
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。
实施例1
参照图1,基于深度学习和模型推理的电网倒闸操作票智能审核系统,包括采集预处理模块、图谱融合模块、模型构建模块、推理审核模块、监控报警模块、权限管理模块、用户平台、自动化工作模块、维护模块以及存储管理模块。
采集预处理模块用于收集电网倒闸操作票的历史数据,并对数据进行预处理。
具体的,采集预处理模块从电力系统的记录或数据库中收集电网倒闸操作票的历史数据,检测各组历史数据中存在的缺失值,并标记各缺失值在对应数据中的所在位置,对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围,并进行填补或删除,计算历史数据的标准偏差,之后依据计算出的标准偏差分别对异常数据进行检测并筛除,通过指数平滑来去除噪音和波动以获取趋势和周期性信息,同时对各历史数据进行标准化处理以统一格式,再检测是否存在重复的数据记录,若存在重复数据,则将其删除,为每组操作票的历史数据标注合规性标签以及安全性标签,之后对各组历史数据进行分词处理以获取多组分词字符串,并通过一组二维数组存储各组分词字符串以及历史数据对应类型标签,再计算各分词的词频-逆文档频率,将计算出的各组词频-逆文档频率按照由大到小的顺序排列,并将对应分词存储至另一初始化后的数组中,同时根据该数组生成各历史数据的多项式关键词特征向量,若数据中包含该数组中的关键词则在多项式关键词特征向量对应位置记为1,否则将其记为0,同时将该多项式关键词特征向量存入对应二维数组中。
本实施例中,采集预处理模块通过收集、整理和准备操作票数据,为后续的深度学习模型训练和推理做好准备,同时该模块收集的历史数据涵盖不同时间段和各种操作情况,确保模型具有广泛的学习经验。
需要进一步说明的是,词频-逆文档频率具体计算公式如下:
TF-IDFij=tfij*idfij (3)
式中,nij代表二维数组分词在第i组历史数据中出现的次数,Di代表第i组历史数据各分词组成的集合。
图谱融合模块用于将电力系统知识图谱与操作票数据进行融合。
具体的,图谱融合模块从专家知识、电力系统手册、技术规范、文献资料、互联网以及电力数据库中收集与电力系统相关的各种知识和信息,并对收集到的电力系统知识进行分类、去重以及筛选处理,通过NLP技术识别和抽取出处理后的电力系统知识中的实体,再从相关的知识信息中提取每个实体的对应属性,并建立实体之间的关系,形成电力系统知识图谱的连接,采用三元组的形式将实体、属性和关系处理成对应图状结构,选择合适的图数据库来存储和管理电力系统知识图谱,并对电力系统知识图谱进行不断地更新和维护,之后将预处理过的操作票的历史数据中的实体与知识图谱中的对应实体进行匹配。
需要进一步说明的是,电力系统知识具体包括设备、操作规程以及安全标准,其实体信息具体包括设备名称以及操作步骤;利用知识图谱中的相关知识,增强对操作票数据的理解和判断能力,提高了审核准确性和可解释性,同时图谱融合模块通过将操作票数据中的实体与知识图谱中的对应实体进行匹配,可以获取更多的关联信息,增强对操作的理解和审核。
权限管理模块用于对用户身份验证、访问控制和数据加密,同时阻止未经授权的用户访问敏感数据和系统功能。
用户平台用于提供一个直观的用户界面,并对数据进行可视化显示,同时使操作员和审核人员能够提交操作票数据,查看审核结果和反馈信息。
实施例2
参照图1,基于深度学习和模型推理的电网倒闸操作票智能审核系统,包括采集预处理模块、图谱融合模块、模型构建模块、推理审核模块、监控报警模块、权限管理模块、用户平台、自动化工作模块、维护模块以及存储管理模块。
模型构建模块用于构建深度学习模型,并对该模型参数进行测试更新。
具体的,模型构建模块从采集预处理模块中获取预处理后的操作票历史数据,同时将获取的各组数据整合归纳成验证数据集,之后将数据集划分为训练集和测试集,选择并初始化卷积神经网络的权重和参数,之后将训练集导入该卷积神经网络中,根据输入数据和当前的权重和参数计算对应输出,之后分别通过交叉熵损失函数以及交叉熵损失函数衡量模型的预测结果与真实标签之间的损失值,若损失值未满足预设条件,则重新训练该卷积神经网络,并通过反向传播算法来更新模型的权重,同时更新该卷积神经网络参数,当损失值满足预设条件时,使用测试集对训练好的卷积神经网络进行评估,计算卷积神经网络在测试集上的性能指标,并输出深度学习模型,同时将训练好的模型保存到模型存储库中。
具体的,模型构建模块在卷积神经网络的规定区间内初始化网络连接权值,计算卷积神经网络的输出,再比较期望输出与实际输出,同时计算所有神经元的局部误差,当局部误差超出预设阈值后,依据学习规则方程对卷积神经网络的权值进行训练以及更新,并依据预设的学习率以及步长列出所有可能的数据结果,对于每一组数据,选取任意一个子集作为测试集,其余子集作为训练集,训练模型后对测试集进行检测,并统计检测结果的损失值,将测试集更换为另一子集,再取剩余子集作为训练集,再次计算损失值,直至对所有数据都进行一次预测,通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换卷积神经网络原有参数。
推理审核模块用于接收实时操作票数据,同时使用深度学习模型进行推理并输出审核结果。
具体的,推理审核模块从模型存储库提取并加载训练完成的深度学习模型,之后通过TF-IDF文本表示方法对新的电网倒闸操作票数据进行预处理,并将预处理后的数据作为输入数据,使深度学习模型输入层的节点数和数据维度与训练阶段定义的模型输入层保持一致,之后输入数据从深度学习模型输入层开始经过模型的各隐藏层,各隐藏层分别对输入数据进行一次线性变换和非线性激活,并将处理后的数据通过各层之间的权重和激活函数进行逐层传递,之后输出层输出最终预测结果,设置合适的阈值,将预测结果中的概率值转换为最终的分类标签,同时可以将预测结果中的实数值映射为相应的风险等级,并以图表或可视化形式展示。
本实施例中,线性变换具体计算公式式如下:
Z=X·W+b
(4)
式中,X代表输入数据,W代表权重矩阵,b代表偏置向量。
监控报警模块用于对系统进行实时监控,并根据系统的运行状况和审核结果产生相应的警报。
自动化工作模块用于对审核过程进行自动化管理;维护模块用于监控系统的运行状态和性能,并进行系统的运维和维护;存储管理模块用于存储和管理审核结果和相关数据,并对历史审核数据的归档和备份,同时对数据进行清理和维护。
Claims (8)
1.基于深度学习和模型推理的电网倒闸操作票智能审核系统,其特征在于,包括采集预处理模块、图谱融合模块、模型构建模块、推理审核模块、监控报警模块、权限管理模块、用户平台、自动化工作模块、维护模块以及存储管理模块;
所述采集预处理模块用于收集电网倒闸操作票的历史数据,并对数据进行预处理;
所述图谱融合模块用于将电力系统知识图谱与操作票数据进行融合;
所述模型构建模块用于构建深度学习模型,并对该模型参数进行测试更新;
所述推理审核模块用于接收实时操作票数据,同时使用深度学习模型进行推理并输出审核结果;
所述监控报警模块用于对系统进行实时监控,并根据系统的运行状况和审核结果产生相应的警报;
所述权限管理模块用于对用户身份验证、访问控制和数据加密,同时阻止未经授权的用户访问敏感数据和系统功能;
所述用户平台用于提供一个直观的用户界面,并对数据进行可视化显示,同时使操作员和审核人员能够提交操作票数据,查看审核结果和反馈信息;
所述自动化工作模块用于对审核过程进行自动化管理;
所述维护模块用于监控系统的运行状态和性能,并进行系统的运维和维护;
所述存储管理模块用于存储和管理审核结果和相关数据,并对历史审核数据的归档和备份,同时对数据进行清理和维护。
2.根据权利要求1所述的基于深度学习和模型推理的电网倒闸操作票智能审核系统,其特征在于,所述采集预处理模块数据预处理具体步骤如下:
步骤一:从电力系统的记录或数据库中收集电网倒闸操作票的历史数据,检测各组历史数据中存在的缺失值,并标记各缺失值在对应数据中的所在位置,对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围,并进行填补或删除;
步骤二:计算历史数据的标准偏差,之后依据计算出的标准偏差分别对异常数据进行检测并筛除,通过指数平滑来去除噪音和波动以获取趋势和周期性信息,同时对各历史数据进行标准化处理以统一格式,再检测是否存在重复的数据记录,若存在重复数据,则将其删除;
步骤三:为每组操作票的历史数据标注合规性标签以及安全性标签,之后对各组历史数据进行分词处理以获取多组分词字符串,并通过一组二维数组存储各组分词字符串以及历史数据对应类型标签,再计算各分词的词频-逆文档频率;
步骤四:将计算出的各组词频-逆文档频率按照由大到小的顺序排列,并将对应分词存储至另一初始化后的数组中,同时根据该数组生成各历史数据的多项式关键词特征向量,若数据中包含该数组中的关键词则在多项式关键词特征向量对应位置记为1,否则将其记为0,同时将该多项式关键词特征向量存入对应二维数组中。
3.根据权利要求2所述的基于深度学习和模型推理的电网倒闸操作票智能审核系统,其特征在于,所述词频-逆文档频率具体计算公式如下:
TF-IDFij=tfij*idfij (3)
式中,nij代表二维数组分词在第i组历史数据中出现的次数,Di代表第i组历史数据各分词组成的集合。
4.根据权利要求3所述的基于深度学习和模型推理的电网倒闸操作票智能审核系统,其特征在于,所述图谱融合模块数据融合具体步骤如下:
步骤(1):从专家知识、电力系统手册、技术规范、文献资料、互联网以及电力数据库中收集与电力系统相关的各种知识和信息,并对收集到的电力系统知识进行分类、去重以及筛选处理;
步骤(2):通过NLP技术识别和抽取出处理后的电力系统知识中的实体,再从相关的知识信息中提取每个实体的对应属性,并建立实体之间的关系,形成电力系统知识图谱的连接;
步骤(3):采用三元组的形式将实体、属性和关系处理成对应图状结构,选择合适的图数据库来存储和管理电力系统知识图谱,并对电力系统知识图谱进行不断地更新和维护,之后将预处理过的操作票的历史数据中的实体与知识图谱中的对应实体进行匹配。
5.根据权利要求3所述的基于深度学习和模型推理的电网倒闸操作票智能审核系统,其特征在于,所述模型构建模块深度学习模型具体构建步骤如下:
步骤①:从采集预处理模块中获取预处理后的操作票历史数据,同时将获取的各组数据整合归纳成验证数据集,之后将数据集划分为训练集和测试集;
步骤②:选择并初始化卷积神经网络的权重和参数,之后将训练集导入该卷积神经网络中,根据输入数据和当前的权重和参数计算对应输出,之后分别通过交叉熵损失函数以及交叉熵损失函数衡量模型的预测结果与真实标签之间的损失值;
步骤③:若损失值未满足预设条件,则重新训练该卷积神经网络,并通过反向传播算法来更新模型的权重,同时更新该卷积神经网络参数,当损失值满足预设条件时,使用测试集对训练好的卷积神经网络进行评估,计算卷积神经网络在测试集上的性能指标,并输出深度学习模型,同时将训练好的模型保存到模型存储库中。
6.根据权利要求5所述的基于深度学习和模型推理的电网倒闸操作票智能审核系统,其特征在于,所述模型构建模块参数更新具体步骤如下:
步骤Ⅰ:模型构建模块在卷积神经网络的规定区间内初始化网络连接权值,计算卷积神经网络的输出,再比较期望输出与实际输出,同时计算所有神经元的局部误差;
步骤Ⅱ:当局部误差超出预设阈值后,依据学习规则方程对卷积神经网络的权值进行训练以及更新,并依据预设的学习率以及步长列出所有可能的数据结果,对于每一组数据,选取任意一个子集作为测试集,其余子集作为训练集,训练模型后对测试集进行检测,并统计检测结果的损失值;
步骤Ⅲ:将测试集更换为另一子集,再取剩余子集作为训练集,再次计算损失值,直至对所有数据都进行一次预测,通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换卷积神经网络原有参数。
7.根据权利要求5所述的基于深度学习和模型推理的电网倒闸操作票智能审核系统,其特征在于,所述推理审核模块审核结果具体推理步骤如下:
第一步:推理审核模块从模型存储库提取并加载训练完成的深度学习模型,之后通过TF-IDF文本表示方法对新的电网倒闸操作票数据进行预处理,并将预处理后的数据作为输入数据;
第二步:使深度学习模型输入层的节点数和数据维度与训练阶段定义的模型输入层保持一致,之后输入数据从深度学习模型输入层开始经过模型的各隐藏层;
第三步:各隐藏层分别对输入数据进行一次线性变换和非线性激活,并将处理后的数据通过各层之间的权重和激活函数进行逐层传递,之后输出层输出最终预测结果;
第四步:设置合适的阈值,将预测结果中的概率值转换为最终的分类标签,同时可以将预测结果中的实数值映射为相应的风险等级,并以图表或可视化形式展示。
8.根据权利要求7所述的基于深度学习和模型推理的电网倒闸操作票智能审核系统,其特征在于,第三步所述线性变换具体计算公式式如下:
Z=X·W+b
(4)
式中,X代表输入数据,W代表权重矩阵,b代表偏置向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310997440.8A CN116976318A (zh) | 2023-08-07 | 2023-08-07 | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310997440.8A CN116976318A (zh) | 2023-08-07 | 2023-08-07 | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116976318A true CN116976318A (zh) | 2023-10-31 |
Family
ID=88474887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310997440.8A Pending CN116976318A (zh) | 2023-08-07 | 2023-08-07 | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976318A (zh) |
-
2023
- 2023-08-07 CN CN202310997440.8A patent/CN116976318A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111782472B (zh) | 系统异常检测方法、装置、设备及存储介质 | |
CN111680856B (zh) | 电力监控系统用户行为安全预警方法和系统 | |
CN110108914B (zh) | 一种反窃电智能化决策方法、系统、设备及介质 | |
CN110837866A (zh) | 基于XGBoost的电力二次设备缺陷程度评估方法 | |
CN106682527A (zh) | 一种基于数据分类分级的数据安全管控方法及系统 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN108985467A (zh) | 基于人工智能的二次设备精益化管控方法 | |
CN110011990A (zh) | 内网安全威胁智能分析方法 | |
CN114841268B (zh) | 基于Transformer和LSTM融合算法的异常电力客户识别方法 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
CN112711757B (zh) | 一种基于大数据平台的数据安全集中管控方法及系统 | |
CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
CN108446202A (zh) | 一种机房设备的安全状况的判断方法 | |
CN117370548A (zh) | 用户行为风险识别方法、装置、电子设备及介质 | |
CN113891342A (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN111080005A (zh) | 一种基于支持向量机的治安风险预警方法及系统 | |
Pisica et al. | Feature selection filter for classification of power system operating states | |
CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 | |
CN113222471B (zh) | 一种基于新媒体数据的资产风控方法及设备 | |
CN115544235A (zh) | 一种基于文本解析的电网规划智能问答系统 | |
CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
Punjabi et al. | Forensic Intelligence-Combining Artificial Intelligence with Digital Forensics | |
Zhang | The WSN intrusion detection method based on deep data mining | |
CN117473571B (zh) | 一种数据信息安全处理方法及系统 |
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 |