CN117131457A - 基于ai模型的电力大数据采集处理方法及系统 - Google Patents
基于ai模型的电力大数据采集处理方法及系统 Download PDFInfo
- Publication number
- CN117131457A CN117131457A CN202311394719.3A CN202311394719A CN117131457A CN 117131457 A CN117131457 A CN 117131457A CN 202311394719 A CN202311394719 A CN 202311394719A CN 117131457 A CN117131457 A CN 117131457A
- Authority
- CN
- China
- Prior art keywords
- power
- data acquisition
- event
- power data
- network
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 130
- 230000015654 memory Effects 0.000 claims abstract description 86
- 230000007787 long-term memory Effects 0.000 claims abstract description 55
- 230000006403 short-term memory Effects 0.000 claims abstract description 45
- 238000005192 partition Methods 0.000 claims abstract description 29
- 230000000875 corresponding effect Effects 0.000 claims description 233
- 238000012549 training Methods 0.000 claims description 79
- 238000013480 data collection Methods 0.000 claims description 56
- 230000010354 integration Effects 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 230000005856 abnormality Effects 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000006978 adaptation Effects 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 15
- 230000001364 causal effect Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000003306 harvesting Methods 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例提供一种基于AI模型的电力大数据采集处理方法及系统,首先,获取目标电力服务分区的多个电力数据采集事件的样例电力采集数据序列和初始电力系统故障诊断网络。然后,获取各电力数据采集事件对应的第二长短期记忆网络。接着,根据每个电力数据采集事件的样例电力采集数据序列,循环地对其对应的第二长短期记忆网络进行知识学习,直到网络符合收敛要求,生成完成知识学习的第二长短期记忆网络。最后,基于初始电力系统故障诊断网络和各电力数据采集事件对应的完成知识学习的第二长短期记忆网络,生成目标电力服务分区的目标电力系统故障诊断网络。由此,可有效提高电力系统故障诊断的准确性和效率。
Description
技术领域
本申请涉及智能模型算法技术领域,具体而言,涉及一种基于AI模型的电力大数据采集处理方法及系统。
背景技术
电力系统作为现代生活的基础设施,其稳定、可靠的运行对于整个用户经济活动具有至关重要的意义。然而,由于电力系统本身的复杂性以及外界环境的不确定性,电力系统中的故障事件是无法完全避免的。因此,准确、高效地进行电力系统的故障诊断显得尤为重要。
随着现代电力系统的复杂性和规模不断增大,故障诊断成为了保证电力系统正常运行的重要环节。然而,传统的故障诊断方法主要基于经验规则或者统计分析,这些方法在处理复杂、动态变化的电力系统故障时往往效果不佳,无法满足现代电力系统对高准确性故障诊断的需求。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于AI模型的电力大数据采集处理方法及系统。
第一方面,本申请提供一种基于AI模型的电力大数据采集处理方法,应用于电力服务系统,所述方法包括:
获取针对一个目标电力服务分区的多个电力数据采集事件中各个电力数据采集事件对应的样例电力采集数据序列和初始电力系统故障诊断网络,其中,所述样例电力采集数据序列包括多个携带样例故障因果链数据的电力特征训练数据,一个电力特征训练数据的样例故障因果链数据用于反映该电力特征训练数据的先验故障诊断数据,所述初始电力系统故障诊断网络包括第一长短期记忆网络和分类器;
获取各个所述电力数据采集事件对应的第二长短期记忆网络;
针对各个所述电力数据采集事件,依据该电力数据采集事件对应的样例电力采集数据序列对该电力数据采集事件对应的第二长短期记忆网络进行循环网络知识学习操作,直到所述第二长短期记忆网络符合网络收敛要求,生成该电力数据采集事件对应的完成知识学习的第二长短期记忆网络;
依据所述初始电力系统故障诊断网络和各所述电力数据采集事件对应的完成知识学习的第二长短期记忆网络,生成所述目标电力服务分区的目标电力系统故障诊断网络;
其中,针对各个所述电力数据采集事件,所述网络知识学习操作包括:
针对该电力数据采集事件对应的各个电力特征训练数据,依据所述第一长短期记忆网络和该电力数据采集事件对应的第二长短期记忆网络,对该电力数据采集事件对应的电力特征训练数据进行编码,依据编码获得的电力状态序列关系向量,依据所述分类器得到该电力数据采集事件对应的电力特征训练数据的故障预测数据;
依据该电力数据采集事件对应的各电力特征训练数据对应的故障预测数据和先验故障诊断数据之间的特征距离,生成该电力数据采集事件对应的网络学习代价参数;
如果不符合所述网络收敛要求,则依据所述网络学习代价参数对该电力数据采集事件对应的第二长短期记忆网络的参数信息进行更新。
在第一方面的一种可能的实施方式中,所述第一长短期记忆网络包括多个第一编码单元,所述第二长短期记忆网络包括与局部第一编码单元并行设置的第二编码单元;
所述依据所述第一长短期记忆网络和该电力数据采集事件对应的第二长短期记忆网络,对该电力数据采集事件对应的电力特征训练数据进行编码,包括:
依据多个编码分支分别对该电力特征训练数据进行特征依赖关系编码,各个编码分支包括第一编码单元,局部编码分支还包括与该编码分支的第一编码单元并行设置的第二编码单元;
其中,所述特征依赖关系编码包括:
对于未涵盖第二编码单元的编码分支,依据该编码分支的第一编码单元对该编码分支的加载数据进行编码,将编码获得的电力状态序列关系向量作为该编码分支的生成数据;
其中,首个编码分支的加载数据为电力特征训练数据,除首个编码分支以外的编码分支的加载数据为该编码分支的在先编码分支的生成数据,终末编码单元的生成数据作为所述分类器的加载数据;
针对涵盖第二编码单元的编码分支,依据第一编码单元和第二编码单元,分别对该编码分支的加载数据进行编码,并将第一编码单元和第二编码单元编码获得的电力状态序列关系向量进行特征集成,将特征集成后的电力状态序列关系向量作为该编码分支的生成数据。
在第一方面的一种可能的实施方式中,所述获取各个所述电力数据采集事件对应的第二长短期记忆网络,包括:
针对各个电力数据采集事件,确定该电力数据采集事件对应的样例电力采集数据序列中的电力特征训练数据的第一统计值;
获取预置映射表,所述预置映射表包括多个参考数值区间以及与所述多个参考数值区间中各个参考数值区间对应的目标统计值;
针对各个所述电力数据采集事件,确定该电力数据采集事件对应的所述第一统计值在所述多个参考数值区间中所关联的目标区间,将该目标区间对应的目标统计值确定为该电力数据采集事件对应的第二统计值,所述第二统计值为第二长短期记忆网络中涵盖的第二编码单元的统计值,所述第一统计值与所述第二统计值呈现正关联;
针对各个电力数据采集事件,依据所述该电力数据采集事件对应的第二统计值的第二编码单元,生成该电力数据采集事件对应的第二长短期记忆网络。
在第一方面的一种可能的实施方式中,所述方法还包括:
确定所述多个电力数据采集事件中每个电力数据采集事件的事件触发标签;
如果所述多个电力数据采集事件中存在匹配事件触发标签的电力数据采集事件,则将匹配事件触发标签的电力数据采集事件作为一个电力数据采集事件簇,并将匹配事件触发标签的电力数据采集事件对应的样例电力采集数据序列合并,生成电力数据采集事件簇对应的样例电力采集数据序列;
所述获取各个所述电力数据采集事件对应的第二长短期记忆网络,包括:
获取每个电力数据采集事件簇对应的第二长短期记忆网络、以及所述多个电力数据采集事件中除电力数据采集事件簇以外的各个电力数据采集事件对应的第二长短期记忆网络。
在第一方面的一种可能的实施方式中,所述依据所述初始电力系统故障诊断网络和各所述电力数据采集事件对应的完成知识学习的第二长短期记忆网络,生成所述目标电力服务分区的目标电力系统故障诊断网络,包括下述任意一项:
将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,生成特征集成后的第二长短期记忆网络;
将所述初始电力系统故障诊断网络和所述特征集成后的第二长短期记忆网络,确定为所述多个电力数据采集事件中其中一个电力数据采集事件对应的目标电力系统故障诊断网络,所述多个电力数据采集事件对应的第二长短期记忆网络的模型架构相同;
针对各个所述电力数据采集事件,将所述初始电力系统故障诊断网络和该电力数据采集事件对应的完成知识学习的第二长短期记忆网络,确定为该电力数据采集事件对应的目标电力系统故障诊断网络。
在第一方面的一种可能的实施方式中,所述将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,包括:
获取各电力数据采集事件的采集路径;
依据各电力数据采集事件的采集路径之间的依赖关系值,确定所述多个电力数据采集事件之间的第一依赖关系值;
将第一依赖关系值符合目标要求的多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成。
在第一方面的一种可能的实施方式中,所述将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,包括:
获取所述多个电力数据采集事件中每个电力数据采集事件的事件评价信息,并基于所述多个电力数据采集事件中各电力数据采集事件的事件评价信息,确定所述多个电力数据采集事件中各电力数据采集事件的事件参与度,一个电力数据采集事件的事件评价信息包括该电力数据采集事件的所述样例电力采集数据序列中电力特征训练数据的统计值或该电力数据采集事件的影响系数中的至少一项;或者,获取所述目标电力系统故障诊断网络对应的目标适应情景信息,确定所述目标适应情景信息对应的目标电力数据采集事件,如果所述目标适应情景信息对应的目标电力数据采集事件为所述多个电力数据采集事件中的任一电力数据采集事件,则将所述任一电力数据采集事件对应的事件参与度确定为1,将所述任一电力数据采集事件以外的各个电力数据采集事件对应的事件参与度确定为0,如果所述目标适应情景信息对应的目标电力数据采集事件不属于所述多个电力数据采集事件中的任一电力数据采集事件,则分别确定所述多个电力数据采集事件中各电力数据采集事件与所述目标电力数据采集事件的第二依赖关系值,基于所述多个电力数据采集事件中各电力数据采集事件与所述目标电力数据采集事件的第二依赖关系值,确定各电力数据采集事件的事件参与度,所述第二依赖关系值和所述事件参与度呈现正关联;
依据所述多个电力数据采集事件中各电力数据采集事件的事件参与度,对所述多个电力数据采集事件对应的完成知识学习的第二网络功能层参数信息进行融合。
在第一方面的一种可能的实施方式中,一个电力数据采集事件的事件评价信息包括该电力数据采集事件对应的电力特征训练数据的统计值和该电力数据采集事件的影响系数;
所述基于所述多个电力数据采集事件中各电力数据采集事件的事件评价信息,确定所述多个电力数据采集事件中各电力数据采集事件的事件参与度,包括:
确定所述多个电力数据采集事件中每个电力数据采集事件对应的电力特征训练数据的第一统计值以及所述多个电力数据采集事件对应的电力特征训练数据的总统计值,基于多个电力数据采集事件中每个电力数据采集事件对应的第一统计值在所述总统计值中的比例,确定每个电力数据采集事件对应的第一事件参与度;
基于多个电力数据采集事件中各电力数据采集事件对应的影响系数,确定每个电力数据采集事件对应的第二事件参与度;
对于每个电力数据采集事件,对该电力数据采集事件对应的第一事件参与度和第二事件参与度进行加权计算,生成该电力数据采集事件对应的事件参与度。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取目标电力服务分区对应的目标电力采集数据;
依据所述目标电力服务分区的目标电力系统故障诊断网络对所述目标电力采集数据进行故障诊断,生成所述目标电力采集数据对应的故障诊断数据;
所述目标电力系统故障诊断网络的训练步骤,包括:
对所述目标电力采集数据进行采集事件需求分析,生成所述目标电力采集数据对应的采集事件需求数据,所述采集事件需求数据包括所述多个电力数据采集事件中各个电力数据采集事件对应的需求概率值;
将需求概率值最大的电力数据采集事件对应的完成知识学习的电力系统故障诊断网络,确定为所述目标电力系统故障诊断网络,或者,基于需求概率值的降序次序,将排在前N的多个需求概率值对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,生成特征集成后的第二长短期记忆网络,依据所述初始电力系统故障诊断网络和特征集成后的第二长短期记忆网络,生成所述目标电力系统故障诊断网络;
所述目标电力采集数据为电力异常反馈用户的第一反馈电力数据,所述故障诊断数据为所述反馈电力数据对应的第一反馈响应数据;
所述生成所述目标电力采集数据对应的故障诊断数据之后,还包括:
对所述第一反馈电力数据进行反馈问题节点提取,生成所述第一反馈电力数据对应的反馈问题节点;
依据所述反馈问题节点,生成与所述反馈问题节点对应的目标解决方案信息;
将所述第一反馈响应数据和所述目标解决方案信息,下发至所述电力异常反馈用户;
如果检测到所述电力异常反馈用户产生的第二反馈电力数据和针对所述目标解决方案信息的确认请求时,将所述第二反馈电力数据和所述电力异常反馈用户选择的解决方案信息作为新的目标电力采集数据,依据所述目标电力系统故障诊断网络对所述新的目标电力采集数据进行故障诊断,生成第二反馈响应数据;
将所述第二反馈响应数据下发至所述电力异常反馈用户。
第二方面,本申请实施例还提供一种电力服务系统,所述电力服务系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于AI模型的电力大数据采集处理方法。
采用以上任意方面的技术方案,首先,获取目标电力服务分区的多个电力数据采集事件的样例电力采集数据序列和初始电力系统故障诊断网络。然后,获取各电力数据采集事件对应的第二长短期记忆网络。接着,根据每个电力数据采集事件的样例电力采集数据序列,循环地对其对应的第二长短期记忆网络进行知识学习,直到网络符合收敛要求,生成完成知识学习的第二长短期记忆网络。最后,基于初始电力系统故障诊断网络和各电力数据采集事件对应的完成知识学习的第二长短期记忆网络,生成目标电力服务分区的目标电力系统故障诊断网络。由此,可有效提高电力系统故障诊断的准确性和效率。
也即,本申请通过采用长短期记忆网络进行知识学习,能够捕获并理解复杂的时间序列模式,从而提高了电力系统故障诊断的准确性。通过针对各个电力数据采集事件进行特定的网络知识学习操作,可以更好地适应不同的电力数据采集事件,使得故障诊断过程更为精细和优化。通过生成目标电力服务分区的目标电力系统故障诊断网络,可以有效地监控和管理电力服务分区,及时发现和处理故障,从而增强了电力系统的稳定性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于AI模型的电力大数据采集处理方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于AI模型的电力大数据采集处理方法的电力服务系统的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
参见图1所示,本申请提供一种基于AI模型的电力大数据采集处理方法,包括以下步骤。
步骤S110,获取针对一个目标电力服务分区的多个电力数据采集事件中各个电力数据采集事件对应的样例电力采集数据序列和初始电力系统故障诊断网络。
本实施例中,所述样例电力采集数据序列包括多个携带样例故障因果链数据的电力特征训练数据,一个电力特征训练数据的样例故障因果链数据用于反映该电力特征训练数据的先验故障诊断数据,所述初始电力系统故障诊断网络包括第一长短期记忆网络和分类器。
例如,假设正在处理一个城市的北部地区(目标电力服务分区)。在这个区域内,已经进行了多次电力数据采集事件。每次电力数据采集事件都包括了一系列样例电力采集数据,例如电压、电流、频率等电力特征数据,同时还携带了样例故障因果链数据,比如过载导致电线烧断的事件记录。也即,这些样例电力采集数据不仅提供了电力状态信息,也反映了先验的故障诊断信息。同时,还有一个初始的电力系统故障诊断网络,它由一个第一长短期记忆网络(LSTM)和一个分类器组成。
示例性的,样例电力采集数据序列可以是由多次电力数据采集活动获取的数据,形成了一系列的电力特征训练数据。例如,可能每秒收集一次电压、电流和频率等数据,并连续收集24小时,那么就得到了一个86400个数据点的序列。
样例故障因果链数据可以描述电力系统故障原因和结果的信息,可以用于反映该电力特征训练数据的先验故障诊断数据。例如,如果某次数据采集时发现电压突然下降,并且后来查明是因为某个开关跳闸导致的,那么这个“开关跳闸——电压下降”的信息就是故障因果链数据。
初始电力系统故障诊断网络是一个用于诊断电力系统故障的预先设定好的神经网络模型,包括一个第一长短期记忆网络(LSTM)和一个分类器。第一长短期记忆网络用于处理电力数据的时间序列特性,因为在电力系统中,很多故障的发生都与之前的状态有关;分类器则用于根据LSTM的输出判断当前电力系统是否存在故障,以及是哪种类型的故障。
所以,简单来说,在收集电力系统的运行数据的同时,也记录下了相关的先验故障诊断数据。这些数据被用来训练一个神经网络模型,使得它能够从电力数据中识别出潜在的故障。
步骤S120,获取各个所述电力数据采集事件对应的第二长短期记忆网络。
在每一次电力数据采集事件中,都可以获取对应的一个第二长短期记忆网络。这些第二长短期记忆网络是为了更好地理解和学习每个事件中电力数据变化和故障模式。
步骤S130,针对各个所述电力数据采集事件,依据该电力数据采集事件对应的样例电力采集数据序列对该电力数据采集事件对应的第二长短期记忆网络进行循环网络知识学习操作,直到所述第二长短期记忆网络符合网络收敛要求,生成该电力数据采集事件对应的完成知识学习的第二长短期记忆网络。
接下来,可以使用各个电力数据采集事件对应的样例电力采集数据序列,让第二长短期记忆网络进行循环网络知识学习操作。这个过程就像是训练这个第二长短期记忆网络,让第二长短期记忆网络可以根据样例电力采集数据序列不断调整自身的参数,以更好地理解和预测故障。这个过程会一直持续,直到第二长短期记忆网络达到设定的收敛要求,例如误差下降到一个可接受的范围内。
步骤S140,依据所述初始电力系统故障诊断网络和各所述电力数据采集事件对应的完成知识学习的第二长短期记忆网络,生成所述目标电力服务分区的目标电力系统故障诊断网络。
本实施例中,完成知识学习的第二长短期记忆网络结合了原始的故障诊断网络和针对各个电力数据采集事件学习得到的网络知识,能更准确地进行故障诊断。
其中,针对各个所述电力数据采集事件,所述网络知识学习操作包括:
步骤S101,针对该电力数据采集事件对应的各个电力特征训练数据,依据所述第一长短期记忆网络和该电力数据采集事件对应的第二长短期记忆网络,对该电力数据采集事件对应的电力特征训练数据进行编码,依据编码获得的电力状态序列关系向量,依据所述分类器得到该电力数据采集事件对应的电力特征训练数据的故障预测数据。
例如,假设正在处理一次电力数据采集事件,其中包含的电力特征训练数据是在某个时刻的电压、电流和频率等信息。首先,会使用第一长短期记忆网络(LSTM)和该电力数据采集事件对应的第二长短期记忆网络对这些电力特征训练数据进行编码。编码的结果是一个电力状态序列关系向量,由此捕获了这些电力特征训练数据之间的时间依赖关系。然后,利用分类器对这个电力状态序列关系向量进行处理,得到这次电力数据采集事件对应的电力特征训练数据的故障预测数据。也就是说,预测出了基于当前电力状态可能会发生的故障类型。
示例性的,假设正在处理一次电力数据采集事件,收集到的电力特征训练数据包括连续10秒钟每秒的电压、电流和频率等信息。该电力特征训练数据就是要进行编码的数据。
首先使用第一长短期记忆网络(LSTM)和该电力数据采集事件对应的第二长短期记忆网络对这些电力特征训练数据进行编码,编码的目标是捕获电力特征训练数据中的时间序列关系,例如当前的电力状态可能受前几秒甚至更长时间内的电力状态影响。比如,如果电流在持续上升,那么可能会导致接下来的电压下降。编码的结果是一个电力状态序列关系向量,它是一个高维度的向量,其中每个元素都代表了原始数据中的某种模式或趋势。再例如,如果在晚高峰时段发现电压有持续下降的趋势,这就是一个重要的模式,编码后的电力状态序列关系向量会反映这个模式。
电力状态序列关系向量是通过神经网络(在这个例子中是长短期记忆网络,LSTM)编码时间序列数据得到的。其实际表达格式依赖于具体的神经网络结构和输入数据的特性,一般来说,它是一个高维度的数值向量,每个元素都是实数。
举个例子,假设LSTM网络的最后一个隐藏层的大小为128,那么每个输入样本通过该LSTM网络编码后,将会得到一个长度为128的向量。这个向量就是电力状态序列关系向量。
例如,一个可能的电力状态序列关系向量可以是:
[0.1, -0.2, 0.4, 0.6, -0.5, ..., 0.3](总共128个元素)
这个电力状态序列关系向量代表了原始电力状态序列中的时间相关模式和趋势。每个元素的具体数值都是通过神经网络学习得到的,反映了某种从原始数据中抽取出的特征或信息。但需要注意的是,这些元素的具体含义通常不容易直观理解,因为它们是在高维空间中表示的抽象特征。
接着,利用分类器对这个电力状态序列关系向量进行处理。分类器的作用是根据输入的电力状态序列关系向量预测出可能发生的故障类型。例如,如果电力状态序列关系向量表示的模式是“电流持续上升,电压开始下降”,分类器可能会预测出"电流上升——电压下降——电源过载"的故障链。这个预测结果可以理解为电力特征训练数据的故障预测数据。再例如,如果输入的电力状态序列关系向量反映了“晚高峰时段电压下降”的模式,分类器可能会预测出“电压下降——电流下降——供电不足”的故障。
在这个过程中,编码和故障预测是密切相关的。通过编码把原始的电力数据转化为能够表示其内在模式的向量,然后再用这个电力状态序列关系向量进行故障预测。
步骤S102,依据该电力数据采集事件对应的各电力特征训练数据对应的故障预测数据和先验故障诊断数据之间的特征距离,生成该电力数据采集事件对应的网络学习代价参数。
接下来,会计算每个电力特征训练数据对应的故障预测数据和先验故障诊断数据之间的特征距离。这可以理解为预测结果和真实结果之间的差距。比如,如果预测会发生电压过高故障,但实际上发生的是电流过大故障,那么这个特征距离就比较大。根据这个特征距离,可以计算出网络学习的代价参数。
例如,假设故障预测数据为"电压下降——电流上升——电源过载"。同时,也有这个电力数据采集事件对应的先验故障诊断数据,即实际发生的故障因果链,比如"电压下降——电流上升——电源过载"。
接着,计算预测的故障因果链数据和先验故障诊断数据之间的特征距离。如果预测的故障因果链和实际发生的故障因果链完全一致,那么特征距离就为0,反之,如果两者完全不同,那么特征距离就会很大。这个特征距离就是网络学习的代价参数,本实施例的目标是通过调整网络参数来最小化这个代价参数,从而提高预测的准确性。
步骤S103,如果不符合所述网络收敛要求,则依据所述网络学习代价参数对该电力数据采集事件对应的第二长短期记忆网络的参数信息进行更新。
最后,如果网络的预测结果还没有达到设定的收敛要求(比如特征距离还不够小),就需要更新网络参数以改进预测效果。具体来说,就是根据计算出的网络学习代价参数对该电力数据采集事件对应的第二长短期记忆网络的参数进行更新。
基于以上步骤,首先,获取目标电力服务分区的多个电力数据采集事件的样例电力采集数据序列和初始电力系统故障诊断网络。然后,获取各电力数据采集事件对应的第二长短期记忆网络。接着,根据每个电力数据采集事件的样例电力采集数据序列,循环地对其对应的第二长短期记忆网络进行知识学习,直到网络符合收敛要求,生成完成知识学习的第二长短期记忆网络。最后,基于初始电力系统故障诊断网络和各电力数据采集事件对应的完成知识学习的第二长短期记忆网络,生成目标电力服务分区的目标电力系统故障诊断网络。由此,可有效提高电力系统故障诊断的准确性和效率。
也即,本申请通过采用长短期记忆网络进行知识学习,能够捕获并理解复杂的时间序列模式,从而提高了电力系统故障诊断的准确性。通过针对各个电力数据采集事件进行特定的网络知识学习操作,可以更好地适应不同的电力数据采集事件,使得故障诊断过程更为精细和优化。通过生成目标电力服务分区的目标电力系统故障诊断网络,可以有效地监控和管理电力服务分区,及时发现和处理故障,从而增强了电力系统的稳定性。
在一种可能的实施方式中,所述第一长短期记忆网络包括多个第一编码单元,所述第二长短期记忆网络包括与局部第一编码单元并行设置的第二编码单元。
假设正在处理一次电力数据采集事件,收集到的电力特征训练数据包括连续10秒的电压、电流和频率读数(每秒一个读数)。在此例中,假设第一长短期记忆网络(LSTM)包含两个第一编码单元,而第二长短期记忆网络包含一个第二编码单元,该第二编码单元与第一个第一编码单元并行设置。
步骤S101中,依据所述第一长短期记忆网络和该电力数据采集事件对应的第二长短期记忆网络,对该电力数据采集事件对应的电力特征训练数据进行编码,可以包括:
首先,依据多个编码分支分别对该电力特征训练数据进行特征依赖关系编码,各个编码分支包括第一编码单元,局部编码分支还包括与该编码分支的第一编码单元并行设置的第二编码单元。
其中,所述特征依赖关系编码包括:对于未涵盖第二编码单元的编码分支,依据该编码分支的第一编码单元对该编码分支的加载数据进行编码,将编码获得的电力状态序列关系向量作为该编码分支的生成数据。
其中,首个编码分支的加载数据为电力特征训练数据,除首个编码分支以外的编码分支的加载数据为该编码分支的在先编码分支的生成数据,终末编码单元的生成数据作为所述分类器的加载数据。
接着,针对涵盖第二编码单元的编码分支,依据第一编码单元和第二编码单元,分别对该编码分支的加载数据进行编码,并将第一编码单元和第二编码单元编码获得的电力状态序列关系向量进行特征集成,将特征集成后的电力状态序列关系向量作为该编码分支的生成数据。
首先,首个编码分支(只包含一个第一编码单元)对电力特征训练数据进行编码。这个过程就像是提取电力数据中的模式或趋势,比如电压和电流是否有同步上升或下降的趋势。编码的结果是一个电力状态序列关系向量,这个向量就是该编码分支的生成数据。
接着,第二个编码分支的加载数据就是第一个编码分支的生成数据,即那个电力状态序列关系向量。因为第二个编码分支涵盖了一个第二编码单元,所以它会同时使用第一编码单元和第二编码单元对加载数据进行编码。这一步就像是在提取更高级的模式,比如电压和电流的同步上升趋势是否持续了一段时间。第一编码单元和第二编码单元分别得到两个电力状态序列关系向量,然后将这两个向量进行特征集成,得到特征集成后的电力状态序列关系向量,作为该编码分支的生成数据。
最后,终末编码单元(即第二个编码分支)的生成数据,也就是那个特征集成后的电力状态序列关系向量,被送入分类器进行故障预测。
通过以上过程,能够在不同层级对输入数据进行抽象和编码,使得网络能够捕捉到更复杂的模式和趋势。每个编码分支的输出都可以被下一个编码分支使用,形成了一个多级的特征提取和融合的过程。
值得说明的是,在上述实施例中,编码单元指的是长短期记忆网络中的一个单元或节点,其能够对输入数据进行处理,并输出编码后的结果。这些编码单元在神经网络中形成一层层的结构,通过协同工作来对复杂的输入数据进行深度学习。
具体到LSTM,每个编码单元实际上是包含了四个交互的部分:输入门、遗忘门、输出门和单元状态。这些部分共同决定了如何更新网络的状态。
例如,假设第一LSTM包括两个第一编码单元,而第二LSTM则包含一个第二编码单元。
1. 第一编码单元:当电压、电流和频率等电力特征训练数据被输入到第一LSTM时,每个第一编码单元都会接收到这些数据,并根据自己的权重和偏置参数对数据进行计算,得到一个编码结果。这个结果可以看作是原始数据的一个抽象表示,捕捉了某种特定的模式或趋势。
2. 第二编码单元:对于涵盖第二编码单元的编码分支,第二编码单元将与第一编码单元并行工作,共同对输入数据进行处理。第二编码单元可能会捕捉到与第一编码单元不同的模式或趋势,这样就可以从更多角度理解输入数据。
通过这种方式,每个编码单元都在对输入数据进行独立的学习和提取特征,而最终的输出结果则是所有编码单元结果的集成。
在一种可能的实施方式中,步骤S120可以包括:
步骤S121,针对各个电力数据采集事件,确定该电力数据采集事件对应的样例电力采集数据序列中的电力特征训练数据的第一统计值。
例如,假设正在处理三次电力数据采集事件,分别是电力数据采集事件A、电力数据采集事件B和电力数据采集事件C。每次电力数据采集事件都有对应的样例电力采集数据序列,其中包含了连续一段时间内的电压、电流和频率读数。
首先,针对每个电力数据采集事件,计算该电力数据采集事件对应的电力特征训练数据的第一统计值。这个统计值可能是某种度量,例如数据点的数量。例如,电力数据采集事件A的电力特征训练数据包含2000个数据点,电力数据采集事件B的电力特征训练数据包含3000个数据点,电力数据采集事件C的电力特征训练数据包含4000个数据点。
步骤S122,获取预置映射表,所述预置映射表包括多个参考数值区间以及与所述多个参考数值区间中各个参考数值区间对应的目标统计值。
例如,预置映射表可能规定:如果数据点的数量在2000-2500之间,对应的目标统计值就是2;如果数据点的数量在2500-3500之间,对应的目标统计值就是3;如果数据点的数量在3500-4500之间,对应的目标统计值就是4。
步骤S123,针对各个所述电力数据采集事件,确定该电力数据采集事件对应的所述第一统计值在所述多个参考数值区间中所关联的目标区间,将该目标区间对应的目标统计值确定为该电力数据采集事件对应的第二统计值,所述第二统计值为第二长短期记忆网络中涵盖的第二编码单元的统计值,所述第一统计值与所述第二统计值呈现正关联。
例如,电力数据采集事件A的第二统计值就是2,电力数据采集事件B的第二统计值就是3,电力数据采集事件C的第二统计值就是4。
步骤S124,针对各个电力数据采集事件,依据所述该电力数据采集事件对应的第二统计值的第二编码单元,生成该电力数据采集事件对应的第二长短期记忆网络。
例如,可以根据每个电力数据采集事件的第二统计值,决定生成多少个第二编码单元,从而生成该电力数据采集事件对应的第二LSTM。例如,如果第二统计值为2,那么就生成两个第二编码单元;如果第二统计值为3,那么就生成三个第二编码单元,以此类推。
这样,每个电力数据采集事件都会有一个根据其电力特征训练数据的数量动态生成的专属第二LSTM,使得神经网络的结构能够适应不同规模的数据处理需求。
在一种可能的实施方式中,本实施例还可以确定所述多个电力数据采集事件中每个电力数据采集事件的事件触发标签,如果所述多个电力数据采集事件中存在匹配事件触发标签的电力数据采集事件,则将匹配事件触发标签的电力数据采集事件作为一个电力数据采集事件簇,并将匹配事件触发标签的电力数据采集事件对应的样例电力采集数据序列合并,生成电力数据采集事件簇对应的样例电力采集数据序列。
例如,假设正在处理四次电力数据采集事件,分别是电力数据采集事件A、电力数据采集事件B、电力数据采集事件C和电力数据采集事件D。每次电力数据采集事件都有对应的样例电力采集数据序列,其中包含了连续一段时间内的电压、电流和频率读数。针对每个电力数据采集事件,确定其事件触发标签。事件触发标签可以是某种特征或条件,比如"电压下降超过10%"或"电流超过阈值"等。在这个例子中,假设电力数据采集事件A和电力数据采集事件B的触发标签都是"电压下降超过10%",而电力数据采集事件C和电力数据采集事件D的触发标签则是"电流超过阈值"。
由此,可以将具有相同事件触发标签的电力数据采集事件归为一类,作为一个电力数据采集事件簇。在这个例子中,电力数据采集事件A和电力数据采集事件B会被归为一个电力数据采集事件簇,电力数据采集事件C和电力数据采集事件D会被归为另一个事件簇。然后,将每个电力数据采集事件簇中的样例电力采集数据序列合并,生成电力数据采集事件簇对应的样例电力采集数据序列。
在此基础上,步骤S120还可以包括:
获取每个电力数据采集事件簇对应的第二长短期记忆网络、以及所述多个电力数据采集事件中除电力数据采集事件簇以外的各个电力数据采集事件对应的第二长短期记忆网络。
例如,这一步与前面描述的过程相同,都是根据电力数据采集事件对应的电力特征训练数据(在这里是事件簇对应的样例电力采集数据序列)的统计值,确定第二统计值,并据此生成第二LSTM。
通过这种方式,可以将具有相似特性的事件进行归类处理,使得神经网络能够更有效地学习和提取特征,从而提高预测的准确性。
在一种可能的实施方式中,步骤S140可以包括下述任意一项:
1、将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,生成特征集成后的第二长短期记忆网络。然后,将所述初始电力系统故障诊断网络和所述特征集成后的第二长短期记忆网络,确定为所述多个电力数据采集事件中其中一个电力数据采集事件对应的目标电力系统故障诊断网络,所述多个电力数据采集事件对应的第二长短期记忆网络的模型架构相同。
2、针对各个所述电力数据采集事件,将所述初始电力系统故障诊断网络和该电力数据采集事件对应的完成知识学习的第二长短期记忆网络,确定为该电力数据采集事件对应的目标电力系统故障诊断网络。
例如,假设有一个初始电力系统故障诊断网络,以及四个电力数据采集事件A、B、C和D,每个事件都对应一个已经完成知识学习的第二LSTM。
首先,将四个事件对应的第二LSTM的第二网络功能层参数信息进行特征集成,生成特征集成后的第二LSTM。特征集成可以通过多种方法实现,例如平均、加权平均或者更复杂的机器学习模型。
然后,有两种方式来生成目标电力系统故障诊断网络:
将初始电力系统故障诊断网络和特征集成后的第二LSTM确定为其中一个电力数据采集事件(比如事件A)对应的目标电力系统故障诊断网络。在这种情况下,所有电力数据采集事件对应的第二LSTM需要有相同的模型架构。
针对每个电力数据采集事件,将初始电力系统故障诊断网络和该事件对应的第二LSTM确定为该事件对应的目标电力系统故障诊断网络。在这种情况下,事件A、B、C和D会分别得到一个定制化的目标电力系统故障诊断网络。
通过这种方式,可以根据各个电力数据采集事件的特性和已经学习到的知识,生成适合处理相应事件的目标电力系统故障诊断网络,使得神经网络的预测更加准确和有效。
在一种可能的实施方式中,所述将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,包括:
1、获取各电力数据采集事件的采集路径。
例如,假设有四个电力数据采集事件A、B、C和D,每个事件都对应一个已经完成知识学习的第二长短期记忆网络(LSTM)。每个事件都有一个采集路径,可以理解为电力数据采集的路线或过程。
首先,获取各电力数据采集事件的采集路径。比如,事件A的采集路径可能是"发电厂 ->变电站 ->用户",事件B的采集路径可能是"发电厂 ->用户",事件C和事件D的采集路径可能都是"发电厂 ->中转站 ->用户"。
2、依据各电力数据采集事件的采集路径之间的依赖关系值,确定所述多个电力数据采集事件之间的第一依赖关系值。
然后,根据各电力数据采集事件的采集路径之间的依赖关系值,确定各事件之间的第一依赖关系值。依赖关系值可以是某种度量,例如相似性或距离。在这个例子中,由于事件C和事件D的采集路径完全相同,所以它们之间的第一依赖关系值可能是最大的;而事件A和事件B的采集路径不同,所以它们之间的第一依赖关系值可能较小。
示例性的,各电力数据采集事件的采集路径之间的依赖关系值可以用来衡量两个电力数据采集事件在特定情境下的相互关联程度。这种关联程度可能基于多个因素,例如各事件发生的时间顺序、频率、影响力等。一种可能的计算公式如下:
依赖关系值(PathA,PathB) = α * P(PathB|PathA) + β * P(PathA|PathB)
其中,P(PathB|PathA)表示在事件A的采集路径发生后,事件B的采集路径发生的概率;P(PathA|PathB)表示在事件B的采集路径发生后,事件A的采集路径发生的概率。α 和β 是权重参数,根据实际应用场景进行调整。
例如,如果在100次观察中,事件A的采集路径发生了30次,事件B的采集路径在事件A的采集路径发生后也发生了20次,反过来,事件A的采集路径在事件B的采集路径发生后发生了15次,那么可以得到:
P(PathB|PathA) = 20/ 30 = 0.67
P(PathA|PathB) = 15 / 20 = 0.75
假设将α 设置为0.6,β 设置为0.4,就可以计算出依赖关系值:
依赖关系值(PathA,PathB) = 0.6 * 0.67 + 0.4 * 0.75 = 0.7
这个值表示事件A的采集路径和事件B的采集路径之间的依赖程度。这只是一个简单的例子,实际的计算方法可能会更复杂并考虑到更多的因素。
3、将第一依赖关系值符合目标要求的多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成。
例如,可以选择那些第一依赖关系值符合目标要求(例如大于某个阈值)的事件,将这些事件对应的第二LSTM的第二网络功能层参数信息进行特征集成。比如,如果的目标是选择采集路径完全相同的事件进行特征集成,那么就会选择事件C和事件D;如果的目标是选择采集路径有一定相似性的事件进行特征集成,那么就可能选择事件A、事件C和事件D。
通过这种方式,可以根据电力数据采集事件的采集路径和依赖关系值来进行特征集成,使得神经网络能够更好地学习和提取特征,从而提高预测的准确性。
在另一种可能的实施方式中,所述将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,还可以包括:
1、获取所述多个电力数据采集事件中每个电力数据采集事件的事件评价信息,并基于所述多个电力数据采集事件中各电力数据采集事件的事件评价信息,确定所述多个电力数据采集事件中各电力数据采集事件的事件参与度,一个电力数据采集事件的事件评价信息包括该电力数据采集事件的所述样例电力采集数据序列中电力特征训练数据的统计值或该电力数据采集事件的影响系数中的至少一项。或者,获取所述目标电力系统故障诊断网络对应的目标适应情景信息,确定所述目标适应情景信息对应的目标电力数据采集事件,如果所述目标适应情景信息对应的目标电力数据采集事件为所述多个电力数据采集事件中的任一电力数据采集事件,则将所述任一电力数据采集事件对应的事件参与度确定为1,将所述任一电力数据采集事件以外的各个电力数据采集事件对应的事件参与度确定为0,如果所述目标适应情景信息对应的目标电力数据采集事件不属于所述多个电力数据采集事件中的任一电力数据采集事件,则分别确定所述多个电力数据采集事件中各电力数据采集事件与所述目标电力数据采集事件的第二依赖关系值,基于所述多个电力数据采集事件中各电力数据采集事件与所述目标电力数据采集事件的第二依赖关系值,确定各电力数据采集事件的事件参与度,所述第二依赖关系值和所述事件参与度呈现正关联。
例如,假设有四个电力数据采集事件A、B、C和D,每个事件都对应一个已经完成知识学习的第二长短期记忆网络(LSTM)。
首先,获取每个电力数据采集事件的事件评价信息,事件评价信息可能包括电力特征训练数据的统计值或影响系数等。基于事件评价信息,确定各事件的事件参与度。比如,如果事件A的影响系数最大,那么它的事件参与度可能就是最高的;而如果事件B的影响系数较小,那么它的事件参与度可能就较低。
或者,也可以获取目标电力系统故障诊断网络对应的目标适应情景信息,以此确定目标电力数据采集事件,并据此重新确定各事件的事件参与度。如果目标适应情景信息对应的目标电力数据采集事件是其中一个事件(比如事件C),那么这个事件的事件参与度就被确定为1,其他事件的事件参与度都被确定为0。如果目标电力数据采集事件不是这四个事件中的任何一个,那么就需要计算各事件与目标电力数据采集事件的第二依赖关系值,并据此确定各事件的事件参与度。
本实施例中,目标电力系统故障诊断网络是为了解决特定类型的电力问题(例如电压异常)而训练出来的。假设,这个目标电力系统故障诊断网络对应的目标适应情景信息就可能是"电压异常"。然后,需要确定与"电压异常"这个情景信息对应的目标电力数据采集事件。如果有四个电力数据采集事件A、B、C和D,每个事件都涵盖了一种或多种电力问题的信息。比如,事件A涵盖了电压异常的信息,事件B涵盖了电流过大的信息,事件C涵盖了频率不稳的信息,事件D涵盖了功率因数低的信息。在这种情况下,就会将事件A确定为与"电压异常"这个情景信息对应的目标电力数据采集事件。所以,获取目标电力系统故障诊断网络对应的目标适应情景信息,并确定目标适应情景信息对应的目标电力数据采集事件,其实就是找到最能反映目标电力系统故障诊断网络所针对问题的数据采集事件,这样可以提高故障诊断的准确性和效率。
其中,所述多个电力数据采集事件中各电力数据采集事件与所述目标电力数据采集事件的第二依赖关系值的计算过程可以是:
假设有两个电力数据采集事件A和B。可以通过以下公式来计算事件A对事件B的依赖关系值:
依赖关系值(A,B) = P(B|A) * P(A)
其中,P(B|A)表示在事件A发生的情况下事件B发生的概率,P(A)表示事件A发生的概率。
例如,如果在100次观察中,事件A发生了30次,事件B在事件A发生后也发生了20次,那么可以得到:
P(A) = 30 / 100 = 0.3
P(B|A) = 20 / 30 = 0.67
然后,就可以计算出依赖关系值:
依赖关系值(A,B) = 0.67 * 0.3 = 0.2
这个值表示事件A对事件B的依赖程度。值得说明的是,这只是一个简单的例子,并且实际的计算方法可能会更复杂并考虑更多的因素。
2、依据所述多个电力数据采集事件中各电力数据采集事件的事件参与度,对所述多个电力数据采集事件对应的完成知识学习的第二网络功能层参数信息进行融合。
例如,根据各电力数据采集事件的事件参与度,对这些各电力数据采集事件对应的第二LSTM的第二网络功能层参数信息进行融合。比如,如果事件A的事件参与度最高,那么在融合时,事件A对应的第二LSTM的参数信息可能会占有更大的权重。通过这种方式,可以根据电力数据采集事件的事件评价信息或目标适应情景信息来进行特征融合,使得神经网络能够更好地学习和提取特征,从而提高预测的准确性。
示例性的,以下是一个具体的例子:
假设有三个电力数据采集事件A、B和C,他们的事件参与度分别为0.3、0.4和0.3。每个事件都对应一个完成知识学习的第二网络(例如深度神经网络),并且每个网络都有一组功能层参数信息。
在融合这些参数信息时,可以根据每个事件的事件参与度来给每个网络的参数信息赋予不同的权重。例如,事件A的网络参数信息将被赋予0.3的权重,事件B的网络参数信息将被赋予0.4的权重,事件C的网络参数信息将被赋予0.3的权重。
然后,可以通过加权平均等方式来融合这些参数信息。比如,如果每个网络都有一个参数w,那么融合后的参数w'可能就是`w' = 0.3 * w_A + 0.4 * w_B + 0.3 * w_C`。
通过这种方式,可以根据各电力数据采集事件的事件参与度来融合各事件对应的网络参数信息,从而生成一个综合了所有事件信息的新网络。这个新网络可以更好地适应不同的电力数据采集事件,从而提高故障诊断的准确性。
在一种可能的实施方式中,一个电力数据采集事件的事件评价信息包括该电力数据采集事件对应的电力特征训练数据的统计值和该电力数据采集事件的影响系数。
所述基于所述多个电力数据采集事件中各电力数据采集事件的事件评价信息,确定所述多个电力数据采集事件中各电力数据采集事件的事件参与度,包括:
1、确定所述多个电力数据采集事件中每个电力数据采集事件对应的电力特征训练数据的第一统计值以及所述多个电力数据采集事件对应的电力特征训练数据的总统计值,基于多个电力数据采集事件中每个电力数据采集事件对应的第一统计值在所述总统计值中的比例,确定每个电力数据采集事件对应的第一事件参与度。
例如,假设有四个电力数据采集事件A、B、C和D,每个事件都对应一组电力特征训练数据和一个影响系数。
首先,确定各事件对应的电力特征训练数据的第一统计值以及总统计值。比如,事件A的电力特征训练数据包含2000个数据点,事件B的电力特征训练数据包含3000个数据点,事件C的电力特征训练数据包含4000个数据点,事件D的电力特征训练数据包含5000个数据点。那么总统计值就是14000(2000+3000+4000+5000)。然后,根据每个事件的第一统计值在总统计值中的比例,确定每个事件的第一事件参与度。例如,事件A的第一事件参与度可能就是2000/14000=0.14。
2、基于多个电力数据采集事件中各电力数据采集事件对应的影响系数,确定每个电力数据采集事件对应的第二事件参与度。
例如,可以根据各电力数据采集事件的影响系数,确定每个电力数据采集事件的第二事件参与度。影响系数可能是由专家评估或算法计算得出的,比如电力数据采集事件A的影响系数是0.6,电力数据采集事件B的影响系数是0.8,电力数据采集事件C的影响系数是0.7,电力数据采集事件D的影响系数是0.9。
3、对于每个电力数据采集事件,对该电力数据采集事件对应的第一事件参与度和第二事件参与度进行加权计算,生成该电力数据采集事件对应的事件参与度。
例如,具体的加权方法可以根据实际需求来定,比如可能会给第二事件参与度更高的权重,因为它代表了事件的影响力。
通过这种方式,可以基于电力数据采集事件的电力特征训练数据统计值和影响系数来确定事件参与度,使得神经网络能够更好地学习和提取特征,从而提高预测的准确性。
在一种可能的实施方式中,所述方法还包括:
步骤S150,获取目标电力服务分区对应的目标电力采集数据。
步骤S160,依据所述目标电力服务分区的目标电力系统故障诊断网络对所述目标电力采集数据进行故障诊断,生成所述目标电力采集数据对应的故障诊断数据。
例如,假设有四个电力数据采集事件A、B、C和D,每个事件都对应一个已经完成知识学习的第二长短期记忆网络(LSTM)。还有一个目标电力服务分区,其中包含一些目标电力采集数据。
首先,获取目标电力服务分区对应的目标电力采集数据,这可能包括各种电力参数的读数,例如电压、电流、频率等。
然后,使用目标电力系统故障诊断网络对这些目标电力采集数据进行故障诊断,生成对应的故障诊断数据。这些故障诊断数据可以帮助理解目标电力服务分区的状态,例如是否存在故障、故障的类型和严重程度等。
其中,所述目标电力系统故障诊断网络的训练步骤,包括:
步骤A110,对所述目标电力采集数据进行采集事件需求分析,生成所述目标电力采集数据对应的采集事件需求数据,所述采集事件需求数据包括所述多个电力数据采集事件中各个电力数据采集事件对应的需求概率值。
步骤A120,将需求概率值最大的电力数据采集事件对应的完成知识学习的电力系统故障诊断网络,确定为所述目标电力系统故障诊断网络,或者,基于需求概率值的降序次序,将排在前N的多个需求概率值对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,生成特征集成后的第二长短期记忆网络,依据所述初始电力系统故障诊断网络和特征集成后的第二长短期记忆网络,生成所述目标电力系统故障诊断网络。
例如,可以对目标电力采集数据进行采集事件需求分析,生成对应的采集事件需求数据。采集事件需求数据可能包括各个电力数据采集事件对应的需求概率值。然后,选择需求概率值最大的事件(比如事件A)对应的电力系统故障诊断网络作为目标电力系统故障诊断网络,或者,基于需求概率值的降序次序,将排在前N的事件对应的第二LSTM的第二网络功能层参数信息进行特征集成,生成特征集成后的第二LSTM,然后依据初始电力系统故障诊断网络和特征集成后的第二LSTM,生成目标电力系统故障诊断网络。
一种可能的实施方式中,所述目标电力采集数据为电力异常反馈用户的第一反馈电力数据,所述故障诊断数据为所述反馈电力数据对应的第一反馈响应数据。
通过这种方式,可以根据目标电力服务分区的实际情况和需求来进行故障诊断和网络训练,从而更好地满足用户的需求并提高服务质量。
一种可能的实施方式中,在生成所述目标电力采集数据对应的故障诊断数据之后,本申请实施例还可以包括以下步骤:
步骤B110,对所述第一反馈电力数据进行反馈问题节点提取,生成所述第一反馈电力数据对应的反馈问题节点。
步骤B120,依据所述反馈问题节点,生成与所述反馈问题节点对应的目标解决方案信息。
步骤B130,将所述第一反馈响应数据和所述目标解决方案信息,下发至所述电力异常反馈用户。
步骤B140,如果检测到所述电力异常反馈用户产生的第二反馈电力数据和针对所述目标解决方案信息的确认请求时,将所述第二反馈电力数据和所述电力异常反馈用户选择的解决方案信息作为新的目标电力采集数据,依据所述目标电力系统故障诊断网络对所述新的目标电力采集数据进行故障诊断,生成第二反馈响应数据。
步骤B150,将所述第二反馈响应数据下发至所述电力异常反馈用户。
例如,假设有一个目标电力服务分区,其中存在一位电力异常反馈用户。这位用户提供了一份第一反馈电力数据,表明他们家中出现了电力问题。
首先,对这份第一反馈电力数据进行反馈问题节点提取,生成对应的反馈问题节点。比如,如果反馈数据显示电压过低,那么"电压"就可能是一个反馈问题节点。
然后,依据反馈问题节点,生成对应的目标解决方案信息。例如,如果问题节点是"电压",那么解决方案可能包括"检查电源线路"、"调整电源设置"等。
接着,将第一反馈响应数据(也就是之前的故障诊断数据)和目标解决方案信息下发至电力异常反馈用户。
如果检测到电力异常反馈用户产生了第二反馈电力数据和确认请求(比如用户反馈说他们已经按照解决方案进行了操作,但问题依然存在),那么将这些新的反馈数据和用户选择的解决方案信息作为新的目标电力采集数据,然后使用目标电力系统故障诊断网络对这些新数据进行故障诊断,生成第二反馈响应数据。
最后,将第二反馈响应数据下发至电力异常反馈用户。
通过这种方式,可以持续地处理用户的反馈数据,提供解决方案,并根据用户的反馈进行调整,以更好地解决用户的问题。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的电力服务系统100。
对于一个实施例,图2示出了电力服务系统100,该电力服务系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中,电力服务系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中,电力服务系统100可包括具有指令114的多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为电力服务系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一些可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例,控制模块104可包括多个输入/输出控制器,以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为电力服务系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为电力服务系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为电力服务系统100提供接口以依据多个网络通信,电力服务系统100可基于多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信,例如接入依据通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中,电力服务系统100可以但不限于是:台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,电力服务系统100可具有更多或更少的组件和/或不同的架构。例如,一些可替代的实施方式中,电力服务系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于AI模型的电力大数据采集处理方法,其特征在于,应用于电力服务系统,所述方法包括:
获取针对一个目标电力服务分区的多个电力数据采集事件中各个电力数据采集事件对应的样例电力采集数据序列和初始电力系统故障诊断网络,其中,所述样例电力采集数据序列包括多个携带样例故障因果链数据的电力特征训练数据,一个电力特征训练数据的样例故障因果链数据用于反映该电力特征训练数据的先验故障诊断数据,所述初始电力系统故障诊断网络包括第一长短期记忆网络和分类器;
获取各个所述电力数据采集事件对应的第二长短期记忆网络;
针对各个所述电力数据采集事件,依据该电力数据采集事件对应的样例电力采集数据序列对该电力数据采集事件对应的第二长短期记忆网络进行循环网络知识学习操作,直到所述第二长短期记忆网络符合网络收敛要求,生成该电力数据采集事件对应的完成知识学习的第二长短期记忆网络;
依据所述初始电力系统故障诊断网络和各所述电力数据采集事件对应的完成知识学习的第二长短期记忆网络,生成所述目标电力服务分区的目标电力系统故障诊断网络;
其中,所述针对各个所述电力数据采集事件,依据该电力数据采集事件对应的样例电力采集数据序列对该电力数据采集事件对应的第二长短期记忆网络进行循环网络知识学习操作,包括:
针对该电力数据采集事件对应的各个电力特征训练数据,依据所述第一长短期记忆网络和该电力数据采集事件对应的第二长短期记忆网络,对该电力数据采集事件对应的电力特征训练数据进行编码,依据编码获得的电力状态序列关系向量,依据所述分类器得到该电力数据采集事件对应的电力特征训练数据的故障预测数据;
依据该电力数据采集事件对应的各电力特征训练数据对应的故障预测数据和先验故障诊断数据之间的特征距离,生成该电力数据采集事件对应的网络学习代价参数;
如果不符合所述网络收敛要求,则依据所述网络学习代价参数对该电力数据采集事件对应的第二长短期记忆网络的参数信息进行更新。
2.根据权利要求1所述的基于AI模型的电力大数据采集处理方法,其特征在于,所述第一长短期记忆网络包括多个第一编码单元,所述第二长短期记忆网络包括与局部第一编码单元并行设置的第二编码单元;
所述依据所述第一长短期记忆网络和该电力数据采集事件对应的第二长短期记忆网络,对该电力数据采集事件对应的电力特征训练数据进行编码,包括:
依据多个编码分支分别对该电力特征训练数据进行特征依赖关系编码,各个编码分支包括第一编码单元,局部编码分支还包括与该编码分支的第一编码单元并行设置的第二编码单元;
其中,所述特征依赖关系编码包括:
对于未涵盖第二编码单元的编码分支,依据该编码分支的第一编码单元对该编码分支的加载数据进行编码,将编码获得的电力状态序列关系向量作为该编码分支的生成数据;
其中,首个编码分支的加载数据为电力特征训练数据,除首个编码分支以外的编码分支的加载数据为该编码分支的在先编码分支的生成数据,终末编码单元的生成数据作为所述分类器的加载数据;
针对涵盖第二编码单元的编码分支,依据第一编码单元和第二编码单元,分别对该编码分支的加载数据进行编码,并将第一编码单元和第二编码单元编码获得的电力状态序列关系向量进行特征集成,将特征集成后的电力状态序列关系向量作为该编码分支的生成数据。
3.根据权利要求2所述的基于AI模型的电力大数据采集处理方法,其特征在于,所述获取各个所述电力数据采集事件对应的第二长短期记忆网络,包括:
针对各个电力数据采集事件,确定该电力数据采集事件对应的样例电力采集数据序列中的电力特征训练数据的第一统计值;
获取预置映射表,所述预置映射表包括多个参考数值区间以及与所述多个参考数值区间中各个参考数值区间对应的目标统计值;
针对各个所述电力数据采集事件,确定该电力数据采集事件对应的所述第一统计值在所述多个参考数值区间中所关联的目标区间,将该目标区间对应的目标统计值确定为该电力数据采集事件对应的第二统计值,所述第二统计值为第二长短期记忆网络中涵盖的第二编码单元的统计值,所述第一统计值与所述第二统计值呈现正关联;
针对各个电力数据采集事件,依据所述该电力数据采集事件对应的第二统计值的第二编码单元,生成该电力数据采集事件对应的第二长短期记忆网络。
4.根据权利要求1所述的基于AI模型的电力大数据采集处理方法,其特征在于,所述方法还包括:
确定所述多个电力数据采集事件中每个电力数据采集事件的事件触发标签;
如果所述多个电力数据采集事件中存在匹配事件触发标签的电力数据采集事件,则将匹配事件触发标签的电力数据采集事件作为一个电力数据采集事件簇,并将匹配事件触发标签的电力数据采集事件对应的样例电力采集数据序列合并,生成电力数据采集事件簇对应的样例电力采集数据序列;
所述获取各个所述电力数据采集事件对应的第二长短期记忆网络,包括:
获取每个电力数据采集事件簇对应的第二长短期记忆网络、以及所述多个电力数据采集事件中除电力数据采集事件簇以外的各个电力数据采集事件对应的第二长短期记忆网络。
5.根据权利要求1所述的基于AI模型的电力大数据采集处理方法,其特征在于,所述依据所述初始电力系统故障诊断网络和各所述电力数据采集事件对应的完成知识学习的第二长短期记忆网络,生成所述目标电力服务分区的目标电力系统故障诊断网络,包括下述任意一项:
将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,生成特征集成后的第二长短期记忆网络;
将所述初始电力系统故障诊断网络和所述特征集成后的第二长短期记忆网络,确定为所述多个电力数据采集事件中其中一个电力数据采集事件对应的目标电力系统故障诊断网络,所述多个电力数据采集事件对应的第二长短期记忆网络的模型架构相同;
或,针对各个所述电力数据采集事件,将所述初始电力系统故障诊断网络和该电力数据采集事件对应的完成知识学习的第二长短期记忆网络,确定为该电力数据采集事件对应的目标电力系统故障诊断网络。
6.根据权利要求5所述的基于AI模型的电力大数据采集处理方法,其特征在于,所述将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,包括:
获取各电力数据采集事件的采集路径;
依据各电力数据采集事件的采集路径之间的依赖关系值,确定所述多个电力数据采集事件之间的第一依赖关系值;
将第一依赖关系值符合目标要求的多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成。
7.根据权利要求5所述的基于AI模型的电力大数据采集处理方法,其特征在于,所述将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,包括:
获取所述多个电力数据采集事件中每个电力数据采集事件的事件评价信息,并基于所述多个电力数据采集事件中各电力数据采集事件的事件评价信息,确定所述多个电力数据采集事件中各电力数据采集事件的事件参与度,一个电力数据采集事件的事件评价信息包括该电力数据采集事件的所述样例电力采集数据序列中电力特征训练数据的统计值或该电力数据采集事件的影响系数中的至少一项;或者,获取所述目标电力系统故障诊断网络对应的目标适应情景信息,确定所述目标适应情景信息对应的目标电力数据采集事件,如果所述目标适应情景信息对应的目标电力数据采集事件为所述多个电力数据采集事件中的任一电力数据采集事件,则将所述任一电力数据采集事件对应的事件参与度确定为1,将所述任一电力数据采集事件以外的各个电力数据采集事件对应的事件参与度确定为0,如果所述目标适应情景信息对应的目标电力数据采集事件不属于所述多个电力数据采集事件中的任一电力数据采集事件,则分别确定所述多个电力数据采集事件中各电力数据采集事件与所述目标电力数据采集事件的第二依赖关系值,基于所述多个电力数据采集事件中各电力数据采集事件与所述目标电力数据采集事件的第二依赖关系值,确定各电力数据采集事件的事件参与度,所述第二依赖关系值和所述事件参与度呈现正关联;
依据所述多个电力数据采集事件中各电力数据采集事件的事件参与度,对所述多个电力数据采集事件对应的完成知识学习的第二网络功能层参数信息进行融合。
8.根据权利要求7所述的基于AI模型的电力大数据采集处理方法,其特征在于,一个电力数据采集事件的事件评价信息包括该电力数据采集事件对应的电力特征训练数据的统计值和该电力数据采集事件的影响系数;
所述基于所述多个电力数据采集事件中各电力数据采集事件的事件评价信息,确定所述多个电力数据采集事件中各电力数据采集事件的事件参与度,包括:
确定所述多个电力数据采集事件中每个电力数据采集事件对应的电力特征训练数据的第一统计值以及所述多个电力数据采集事件对应的电力特征训练数据的总统计值,基于多个电力数据采集事件中每个电力数据采集事件对应的第一统计值在所述总统计值中的比例,确定每个电力数据采集事件对应的第一事件参与度;
基于多个电力数据采集事件中各电力数据采集事件对应的影响系数,确定每个电力数据采集事件对应的第二事件参与度;
对于每个电力数据采集事件,对该电力数据采集事件对应的第一事件参与度和第二事件参与度进行加权计算,生成该电力数据采集事件对应的事件参与度。
9.根据权利要求1所述的基于AI模型的电力大数据采集处理方法,其特征在于,所述方法还包括:
获取目标电力服务分区对应的目标电力采集数据;
依据所述目标电力服务分区的目标电力系统故障诊断网络对所述目标电力采集数据进行故障诊断,生成所述目标电力采集数据对应的故障诊断数据;
所述目标电力系统故障诊断网络的训练步骤,包括:
对所述目标电力采集数据进行采集事件需求分析,生成所述目标电力采集数据对应的采集事件需求数据,所述采集事件需求数据包括所述多个电力数据采集事件中各个电力数据采集事件对应的需求概率值;
将需求概率值最大的电力数据采集事件对应的完成知识学习的电力系统故障诊断网络,确定为所述目标电力系统故障诊断网络,或者,基于需求概率值的降序次序,将排在前N的多个需求概率值对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成,生成特征集成后的第二长短期记忆网络,依据所述初始电力系统故障诊断网络和特征集成后的第二长短期记忆网络,生成所述目标电力系统故障诊断网络;
所述目标电力采集数据为电力异常反馈用户的第一反馈电力数据,所述故障诊断数据为所述反馈电力数据对应的第一反馈响应数据;
所述生成所述目标电力采集数据对应的故障诊断数据之后,还包括:
对所述第一反馈电力数据进行反馈问题节点提取,生成所述第一反馈电力数据对应的反馈问题节点;
依据所述反馈问题节点,生成与所述反馈问题节点对应的目标解决方案信息;
将所述第一反馈响应数据和所述目标解决方案信息,下发至所述电力异常反馈用户;
如果检测到所述电力异常反馈用户产生的第二反馈电力数据和针对所述目标解决方案信息的确认请求时,将所述第二反馈电力数据和所述电力异常反馈用户选择的解决方案信息作为新的目标电力采集数据,依据所述目标电力系统故障诊断网络对所述新的目标电力采集数据进行故障诊断,生成第二反馈响应数据;
将所述第二反馈响应数据下发至所述电力异常反馈用户。
10.一种电力服务系统,其特征在于,所述电力服务系统包括处理器和机器可读存储介质,该机器可读存储介质中存储有机器可执行指令,该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的基于AI模型的电力大数据采集处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394719.3A CN117131457B (zh) | 2023-10-26 | 2023-10-26 | 基于ai模型的电力大数据采集处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394719.3A CN117131457B (zh) | 2023-10-26 | 2023-10-26 | 基于ai模型的电力大数据采集处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131457A true CN117131457A (zh) | 2023-11-28 |
CN117131457B CN117131457B (zh) | 2024-01-26 |
Family
ID=88856745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311394719.3A Active CN117131457B (zh) | 2023-10-26 | 2023-10-26 | 基于ai模型的电力大数据采集处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131457B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572159A (zh) * | 2024-01-17 | 2024-02-20 | 成都英华科技有限公司 | 基于大数据分析的电力故障检测方法及系统 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
CN109033450A (zh) * | 2018-08-22 | 2018-12-18 | 太原理工大学 | 基于深度学习的电梯设备故障预测方法 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN111241748A (zh) * | 2020-01-13 | 2020-06-05 | 华北电力大学 | 基于长短期记忆模型循环神经网络的风力发电机故障诊断 |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111552609A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
CN112101431A (zh) * | 2020-08-30 | 2020-12-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 电子设备故障诊断系统 |
WO2021017416A1 (zh) * | 2019-07-30 | 2021-02-04 | 重庆邮电大学 | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 |
CN112712205A (zh) * | 2020-12-29 | 2021-04-27 | 南京后生远达科技有限公司 | 一种基于长短期记忆神经网络的配电网故障预防方法 |
US20210168021A1 (en) * | 2019-11-30 | 2021-06-03 | Huawei Technologies Co., Ltd. | Fault Root Cause Determining Method and Apparatus, and Computer Storage Medium |
CN113191556A (zh) * | 2021-05-08 | 2021-07-30 | 上海核工程研究设计院有限公司 | 一种核电Loca事件故障预测与诊断方法 |
CN113360679A (zh) * | 2021-07-08 | 2021-09-07 | 北京国信会视科技有限公司 | 一种基于知识图谱技术的故障诊断方法 |
US20210357282A1 (en) * | 2020-05-13 | 2021-11-18 | Mastercard International Incorporated | Methods and systems for server failure prediction using server logs |
CN114528897A (zh) * | 2021-07-27 | 2022-05-24 | 河北工业大学 | 一种基于知识和数据融合驱动的设备故障诊断方法 |
CN114925809A (zh) * | 2022-04-13 | 2022-08-19 | 北京印刷学院 | 基于lstm的印刷机轴承故障诊断方法及装置 |
CN115062759A (zh) * | 2022-05-27 | 2022-09-16 | 江苏大学 | 一种基于改进型长短记忆神经网络的故障诊断方法 |
CN115166597A (zh) * | 2022-06-24 | 2022-10-11 | 华北电力大学(保定) | 一种考虑特征耦合关系的电力变压器故障诊断方法 |
CN115328088A (zh) * | 2022-08-11 | 2022-11-11 | 北京理工大学重庆创新中心 | 基于云边协同的汽车故障诊断方法、系统及智能汽车 |
CN115659583A (zh) * | 2022-09-13 | 2023-01-31 | 王一凡 | 一种转辙机故障诊断方法 |
CN115858825A (zh) * | 2023-03-02 | 2023-03-28 | 山东能源数智云科技有限公司 | 基于机器学习的设备故障诊断知识图谱构建方法和装置 |
CN116304940A (zh) * | 2023-03-02 | 2023-06-23 | 北京锐达芯集成电路设计有限责任公司 | 基于长短期记忆神经网络的模拟电路故障诊断方法 |
CN116451148A (zh) * | 2023-03-17 | 2023-07-18 | 广西大学 | 一种模态分解预测双向注意力网络的轴承故障诊断方法 |
CN116881737A (zh) * | 2023-09-06 | 2023-10-13 | 四川川锅环保工程有限公司 | 一种工业智慧监盘系统中的系统分析方法 |
-
2023
- 2023-10-26 CN CN202311394719.3A patent/CN117131457B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
CN109033450A (zh) * | 2018-08-22 | 2018-12-18 | 太原理工大学 | 基于深度学习的电梯设备故障预测方法 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
WO2021017416A1 (zh) * | 2019-07-30 | 2021-02-04 | 重庆邮电大学 | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
US20210168021A1 (en) * | 2019-11-30 | 2021-06-03 | Huawei Technologies Co., Ltd. | Fault Root Cause Determining Method and Apparatus, and Computer Storage Medium |
CN111241748A (zh) * | 2020-01-13 | 2020-06-05 | 华北电力大学 | 基于长短期记忆模型循环神经网络的风力发电机故障诊断 |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111552609A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 一种异常状态检测方法、系统、存储介质、程序、服务器 |
US20210357282A1 (en) * | 2020-05-13 | 2021-11-18 | Mastercard International Incorporated | Methods and systems for server failure prediction using server logs |
CN112101431A (zh) * | 2020-08-30 | 2020-12-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 电子设备故障诊断系统 |
CN112712205A (zh) * | 2020-12-29 | 2021-04-27 | 南京后生远达科技有限公司 | 一种基于长短期记忆神经网络的配电网故障预防方法 |
CN113191556A (zh) * | 2021-05-08 | 2021-07-30 | 上海核工程研究设计院有限公司 | 一种核电Loca事件故障预测与诊断方法 |
CN113360679A (zh) * | 2021-07-08 | 2021-09-07 | 北京国信会视科技有限公司 | 一种基于知识图谱技术的故障诊断方法 |
CN114528897A (zh) * | 2021-07-27 | 2022-05-24 | 河北工业大学 | 一种基于知识和数据融合驱动的设备故障诊断方法 |
CN114925809A (zh) * | 2022-04-13 | 2022-08-19 | 北京印刷学院 | 基于lstm的印刷机轴承故障诊断方法及装置 |
CN115062759A (zh) * | 2022-05-27 | 2022-09-16 | 江苏大学 | 一种基于改进型长短记忆神经网络的故障诊断方法 |
CN115166597A (zh) * | 2022-06-24 | 2022-10-11 | 华北电力大学(保定) | 一种考虑特征耦合关系的电力变压器故障诊断方法 |
CN115328088A (zh) * | 2022-08-11 | 2022-11-11 | 北京理工大学重庆创新中心 | 基于云边协同的汽车故障诊断方法、系统及智能汽车 |
CN115659583A (zh) * | 2022-09-13 | 2023-01-31 | 王一凡 | 一种转辙机故障诊断方法 |
CN115858825A (zh) * | 2023-03-02 | 2023-03-28 | 山东能源数智云科技有限公司 | 基于机器学习的设备故障诊断知识图谱构建方法和装置 |
CN116304940A (zh) * | 2023-03-02 | 2023-06-23 | 北京锐达芯集成电路设计有限责任公司 | 基于长短期记忆神经网络的模拟电路故障诊断方法 |
CN116451148A (zh) * | 2023-03-17 | 2023-07-18 | 广西大学 | 一种模态分解预测双向注意力网络的轴承故障诊断方法 |
CN116881737A (zh) * | 2023-09-06 | 2023-10-13 | 四川川锅环保工程有限公司 | 一种工业智慧监盘系统中的系统分析方法 |
Non-Patent Citations (3)
Title |
---|
SOUFIANE BELAGOUNE等: "Deep learning through LSTM classification and regression for transmission line fault detection, diagnosis and location in large-scale multi-machine power systems", 《MEASUREMENT 》, pages 1 - 14 * |
孙永峰: "基于卷积和循环神经网络的风电机组滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2023, no. 2, pages 042 - 794 * |
童轶之: "结合残差收缩和长短期记忆网络的轴承故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2023, no. 2, pages 029 - 751 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572159A (zh) * | 2024-01-17 | 2024-02-20 | 成都英华科技有限公司 | 基于大数据分析的电力故障检测方法及系统 |
CN117572159B (zh) * | 2024-01-17 | 2024-03-26 | 成都英华科技有限公司 | 基于大数据分析的电力故障检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117131457B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10317864B2 (en) | Systems and methods for adaptively updating equipment models | |
CN110413227B (zh) | 一种硬盘设备的剩余使用寿命在线预测方法和系统 | |
CN117131457B (zh) | 基于ai模型的电力大数据采集处理方法及系统 | |
CN106685674B (zh) | 网络事件预测以及建立网络事件预测模型的方法和装置 | |
CN112118143B (zh) | 流量预测模型训练方法、流量预测方法、装置、设备及介质 | |
US20160239592A1 (en) | Data-driven battery aging model using statistical analysis and artificial intelligence | |
CN109992473B (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
CN105637432A (zh) | 识别被监控实体的异常行为 | |
CN107426033B (zh) | 一种对物联网接入终端进行状态预测的方法和装置 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN113705896A (zh) | 目标设备的确定方法、装置及电子设备 | |
US20170302506A1 (en) | Methods and apparatus for fault detection | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN115544803B (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
RU2703874C1 (ru) | Способ контроля и прогнозирования работы газотурбинной установки с использованием матрицы дефектов | |
WO2023184237A1 (zh) | 计算电子系统的剩余使用寿命的方法、装置及计算机介质 | |
CN110764975B (zh) | 设备性能的预警方法、装置及监控设备 | |
CN114866438A (zh) | 一种云架构下的异常隐患预测方法及系统 | |
CN112332529A (zh) | 用于配电网的改进的电子保护装置 | |
CN117572159B (zh) | 基于大数据分析的电力故障检测方法及系统 | |
CN110187989A (zh) | 雾环境下基于Markov Chain的容错策略选择方法 | |
CN117728585B (zh) | 一种分布式光伏电站状态预测方法及系统 | |
JP7356781B2 (ja) | 欠測を生じ得る観測値から観測確率を推定するプログラム、装置及び推定方法 | |
CN117609927B (zh) | 排碳机构的生产状态确定方法、装置与电子设备 | |
CN112512072B (zh) | VoLTE网络故障预测方法及设备 |
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 |