CN117311320A - 水电站配电控制系统的故障原因分析方法及系统 - Google Patents
水电站配电控制系统的故障原因分析方法及系统 Download PDFInfo
- Publication number
- CN117311320A CN117311320A CN202311321820.6A CN202311321820A CN117311320A CN 117311320 A CN117311320 A CN 117311320A CN 202311321820 A CN202311321820 A CN 202311321820A CN 117311320 A CN117311320 A CN 117311320A
- Authority
- CN
- China
- Prior art keywords
- fault cause
- data
- cause data
- template
- fault
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 224
- 238000004458 analytical method Methods 0.000 title claims abstract description 118
- 230000002159 abnormal effect Effects 0.000 claims abstract description 238
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请实施例提供一种水电站配电控制系统的故障原因分析方法及系统，通过卷积神经网络确定参考故障原因数据的异常触发特征描述，然后通过分簇确定参考故障原因数据分簇，以及确定参考故障原因数据分簇的推定故障原因数据，然后将模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，先进行初步故障原因分析，在分簇得到的各个参考故障原因数据分簇中确定估计故障原因数据分簇，然后进行准确故障原因分析，在估计故障原因数据分簇的各个参考故障原因数据中确定与模板水电站配电系统异常控制数据对应的参考故障原因数据，通过第一网络代价值和第二网络代价值对卷积神经网络和配电控制故障原因分析网络进行组合网络权重参数更新。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种水电站配电控制系统的故障原因分析方法及系统。
背景技术
水电站由水力系统、机械系统和电能产生装置等组成，是实现水能到电能转换的水利枢纽工程，电能生产的可持续性要求水电站水能的利用具有不间断性。通过水电站水库系统的建设，人为地调节和改变水力资源在时间和空间上的分布，实现对水力资源的可持续利用。水电站配电控制系统可以实现配电网数据釆集及监控、故障处理、抢修指挥和调度运行管理等功能，为配电网调度运行控制与管理服务。然而，在当前结合人工智能分析技术对水电站配电控制系统的故障原因排查过程中，如何降低配电控制故障原因分析网络的冗余度，提升配电控制故障原因分析网络的可靠度和速度，是亟待解决的技术问题。
发明内容
有鉴于此，本申请的目的在于提供一种水电站配电控制系统的故障原因分析方法及系统。
依据本申请的第一方面，提供一种水电站配电控制系统的故障原因分析方法，应用于云服务器，所述方法包括：
获取模板水电站配电系统异常控制数据和多个参考故障原因数据，其中，所述模板水电站配电系统异常控制数据标注有多个模板故障原因数据；
依据卷积神经网络确定各个所述参考故障原因数据的异常触发特征描述，基于所述异常触发特征描述对多个所述参考故障原因数据进行分簇得到多个参考故障原因数据分簇，依据所述模板故障原因数据确定各个所述参考故障原因数据分簇的推定故障原因数据；
将所述模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，依据所述配电控制故障原因分析网络从多个所述参考故障原因数据分簇中确定估计故障原因数据分簇，再从所述估计故障原因数据分簇中确定与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据；
基于所述估计故障原因数据分簇的输出结果和所述推定故障原因数据确定第一网络代价值，基于与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据的输出结果和所述模板故障原因数据确定第二网络代价值；
基于所述第一网络代价值和所述第二网络代价值，对所述卷积神经网络和所述配电控制故障原因分析网络进行组合网络权重参数更新；
获取目标水电站配电系统异常控制数据，将所述目标水电站配电系统异常控制数据加载到更新后的所述配电控制故障原因分析网络，依据更新后的所述配电控制故障原因分析网络确定所述目标水电站配电系统异常控制数据的配电控制故障原因分析数据。
在第一方面的一种可能的实施方式中，所述配电控制故障原因分析网络包括特征嵌入单元和全连接输出单元；
所述将所述模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，依据所述配电控制故障原因分析网络从多个所述参考故障原因数据分簇中确定估计故障原因数据分簇，包括：
将所述模板水电站配电系统异常控制数据加载到所述特征嵌入单元，生成模板异常控制特征；
将所述模板异常控制特征输入所述全连接输出单元，确定各个所述参考故障原因数据分簇的第一估计得分；
对各个所述第一估计得分分别进行规则化转换，生成各个所述参考故障原因数据分簇的第一估计置信度；
在所述第一估计置信度不小于设定的第一门限置信度时，将所述第一估计置信度对应的所述参考故障原因数据分簇作为估计故障原因数据分簇。
在第一方面的一种可能的实施方式中，所述估计故障原因数据分簇的输出结果包括各个所述参考故障原因数据分簇的第一估计置信度；
所述基于所述估计故障原因数据分簇的输出结果和所述推定故障原因数据确定第一网络代价值，包括：
基于各个所述参考故障原因数据分簇的所述推定故障原因数据，确定各个所述参考故障原因数据分簇的目标故障原因置信度；
计算各个所述目标故障原因置信度和对应的所述第一估计置信度之间的交叉熵损失函数值，生成多个故障原因网络代价值；
将所有所述故障原因网络代价值之和作为第一网络代价值。
在第一方面的一种可能的实施方式中，所述从所述估计故障原因数据分簇中确定与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据，包括：
顺序游走所述估计故障原因数据分簇中的各个所述参考故障原因数据，计算所述模板异常控制特征和所述参考故障原因数据的异常触发特征描述之间的匹配度；
对所述匹配度进行规则化转换，生成所述参考故障原因数据的第二估计置信度；
在所述第二估计置信度不小于设定的第二门限置信度时，将所述第二估计置信度对应的所述参考故障原因数据作为与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据；
与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据的输出结果包括所述估计故障原因数据分簇中的各个所述参考故障原因数据的第二估计置信度；
所述基于与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据的输出结果和所述模板故障原因数据确定第二网络代价值，包括：
基于所述模板故障原因数据，确定所述估计故障原因数据分簇中各个所述参考故障原因数据的目标故障原因置信度；
计算各个所述目标故障原因置信度和对应的所述第二估计置信度之间的交叉熵损失函数值，生成多个故障原因数据网络代价值；将所有所述故障原因数据网络代价值之和作为第二网络代价值。
在第一方面的一种可能的实施方式中，所述将所述模板水电站配电系统异常控制数据加载到所述特征嵌入单元，生成模板异常控制特征，包括：
对所述模板水电站配电系统异常控制数据进行异常控制事件分离，生成异常控制事件集合，其中，所述异常控制事件集合包括多个异常控制事件；
为所述异常控制事件集合的事件触发节点添加异常控制触发特征，以及为异常控制事件集合的事件终止节点添加异常控制终止特征，生成嵌入异常控制事件集合；
对所述嵌入异常控制事件集合进行有向关系图生成，生成异常控制有向关系图；
依据全局最优搜索策略的特征选择算法，基于所述特征嵌入单元对所述异常控制有向关系图进行最优搜索特征选择，生成最优搜索特征选择集合，其中，所述最优搜索特征选择集合包括所述嵌入异常控制事件集合中各个异常控制事件的最优搜索特征；
依据全局最优搜索策略的特征选择算法，对各个所述最优搜索特征进行聚合，生成模板异常控制特征；
所述依据全局最优搜索策略的特征选择算法，对各个所述最优搜索特征进行聚合，生成模板异常控制特征，包括：
基于设定的显著性特征分析策略和所述最优搜索特征，确定各个所述最优搜索特征的显著性值；
基于设定的规则化转换函数和所述显著性值，确定各个所述最优搜索特征的显著性权重；
依据所述显著性权重，对各个所述最优搜索特征进行融合，生成模板异常控制特征。
在第一方面的一种可能的实施方式中，所述基于所述第一网络代价值和所述第二网络代价值，对所述卷积神经网络和所述配电控制故障原因分析网络进行组合网络权重参数更新，包括：
将所述第一网络代价值和所述第二网络代价值进行加权，生成目标网络代价值；
基于所述目标网络代价值，对所述卷积神经网络、所述特征嵌入单元和所述全连接输出单元进行组合网络权重参数更新。
在第一方面的一种可能的实施方式中，所述依据卷积神经网络确定各个所述参考故障原因数据的异常触发特征描述，包括：
依据设定的关系树模型，对所述参考故障原因数据进行故障原因依存关系树挖掘，生成至少一个故障原因依存关系树；
将所述故障原因依存关系树加载到卷积神经网络，生成所述故障原因依存关系树的故障触发特征向量；
针对任一所述参考故障原因数据，对所述参考故障原因数据对应的所有所述故障触发特征向量进行汇聚，生成异常触发特征描述。
依据本申请的第二方面，提供一种云服务器，所述云服务器包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该云服务器实现前述的水电站配电控制系统的故障原因分析方法。
依据本申请的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的水电站配电控制系统的故障原因分析方法。
依据上述任一方面，本申请中，通过卷积神经网络确定参考故障原因数据的异常触发特征描述，然后通过分簇确定参考故障原因数据分簇，以及确定参考故障原因数据分簇的推定故障原因数据，然后将模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，先进行初步故障原因分析，在分簇得到的各个参考故障原因数据分簇中确定估计故障原因数据分簇，然后进行准确故障原因分析，在估计故障原因数据分簇的各个参考故障原因数据中确定与模板水电站配电系统异常控制数据对应的参考故障原因数据，实现了配电控制故障原因分析网络的层次化故障原因分析，能够降低配电控制故障原因分析网络的冗余度，从而提高配电控制故障原因分析网络的分析速度，另外，通过第一网络代价值和第二网络代价值对卷积神经网络和配电控制故障原因分析网络进行组合网络权重参数更新，能够在网络权重参数更新过程中更新异常触发特征描述，进而提高模板水电站配电系统异常控制数据与处于边缘的参考故障原因数据之间的匹配度，有效提升配电控制故障原因分析网络的可靠度和速度。
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使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，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的水电站配电控制系统的故障原因分析方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的水电站配电控制系统的故障原因分析方法的云服务器的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中销毁一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。依据本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
图1示出了本申请实施例提供的水电站配电控制系统的故障原因分析方法的流程示意图，应当理解，在其它实施例中，本实施例的水电站配电控制系统的故障原因分析方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该水电站配电控制系统的故障原因分析方法的详细包括：
步骤S101：获取模板水电站配电系统异常控制数据和多个参考故障原因数据，其中，模板水电站配电系统异常控制数据标注有多个模板故障原因数据。
其中，模板水电站配电系统异常控制数据是指需要进行故障原因追溯的水电站配电系统异常控制数据。模板故障原因数据用于标识模板水电站配电系统异常控制数据的故障原因。模板水电站配电系统异常控制数据对应的模板故障原因数据可以作为初始化权重参数的配电控制故障原因分析网络的网络训练监督信息。在处理大规模的故障原因分析任务时，已有的故障原因数据库中存储有大量的参考故障原因数据，参考故障原因数据用于标识水电站配电系统异常控制数据的故障原因，故障原因分析任务的目标是在故障原因数据库中确定与输入的水电站配电系统异常控制数据匹配的一个或多个参考故障原因数据。模板故障原因数据可为多个参考故障原因数据中的其中一个故障原因数据，当模板故障原因数据与故障原因数据库中已有的各个参考故障原因数据均不同时，为了提升配电控制故障原因分析网络的精准度，可将模板故障原因数据添加至故障原因数据库中。
步骤S102：依据卷积神经网络确定各个参考故障原因数据的异常触发特征描述，基于异常触发特征描述对多个参考故障原因数据进行分簇得到多个参考故障原因数据分簇，依据模板故障原因数据确定各个参考故障原因数据分簇的推定故障原因数据。
本实施例需要对参考故障原因数据进行有向关系图生成，将转换成数字形式的异常触发特征描述作为输入。参考故障原因数据分簇包括一个或多个参考故障原因数据，在确定各个参考故障原因数据的异常触发特征描述后，可基于异常触发特征描述两两之间的匹配度，对异常触发特征描述进行分簇，将匹配度较高的两个异常触发特征描述对应的参考故障原因数据分配到同一个参考故障原因数据分簇中，将匹配度较低的两个异常触发特征描述对应的参考故障原因数据分配到不同的参考故障原因数据分簇中。推定故障原因数据用于确定参考故障原因数据分簇与模板水电站配电系统异常控制数据之间的匹配度，例如，通过分簇得到三个参考故障原因数据分簇，分别为参考故障原因数据分簇W1、参考故障原因数据分簇W2和参考故障原因数据分簇W3，其中，参考故障原因数据分簇W1包括参考故障原因数据“故障原因R1、故障原因R2、故障原因R3”，参考故障原因数据分簇W2包括参考故障原因数据“故障原因R4、故障原因R5、故障原因R6”，参考故障原因数据分簇W3包括参考故障原因数据“故障原因R7、故障原因R8、故障原因R9”，模板水电站配电系统异常控制数据T2可标注有三个模板故障原因数据，分别为“故障原因R1、故障原因R5和故障原因R4”，可通过匹配处理，将与任一模板故障原因数据匹配的参考故障原因数据分簇的推定故障原因数据的数值置为1，将与模板故障原因数据均不匹配的参考故障原因数据分簇的推定故障原因数据的数值置为0，由于参考故障原因数据分簇W1包括参考故障原因数据“故障原因R1”，参考故障原因数据分簇W2包括参考故障原因数据“故障原因R4、故障原因R5”，参考故障原因数据分簇W3没有相应的参考故障原因数据，因此，将参考故障原因数据分簇W1和参考故障原因数据分簇W2的推定故障原因数据的数值置为1，将参考故障原因数据分簇W3的推定故障原因数据的数值置为0，参考故障原因数据分簇W1和参考故障原因数据分簇W2均与模板水电站配电系统异常控制数据T2之间的匹配度较高，参考故障原因数据分簇W3与模板水电站配电系统异常控制数据T2之间的匹配度较低。
可替代地，依据卷积神经网络确定各个参考故障原因数据的异常触发特征描述，具体可以是依据设定的关系树模型，对参考故障原因数据进行故障原因依存关系树挖掘，生成至少一个故障原因依存关系树；将故障原因依存关系树加载到卷积神经网络，生成故障原因依存关系树的故障触发特征向量；针对任一参考故障原因数据，对参考故障原因数据对应的所有故障触发特征向量进行汇聚，生成异常触发特征描述，依据此，先进行异常控制事件分离得到至少一个故障原因依存关系树，然后处理得到各个故障原因依存关系树的故障触发特征向量，进而通过汇聚得到异常触发特征描述，能够提高异常触发特征描述的精准度，此外在每一轮网络权重参数更新流程中，基于更新后的卷积神经网络进行有向关系图生成，能够生成新的异常触发特征描述，在多轮网络权重参数更新流程中，可以不断增强模板水电站配电系统异常控制数据与处于边缘的参考故障原因数据之间的匹配度，有效提高配电控制故障原因分析网络的分析准确性。
譬如，本实施例可以在所有参考故障原因数据中选择M个故障原因数据，将M个故障原因数据对应的异常触发特征描述作为簇心特征，其中，M为不大于参考故障原因数据的总数量的正整数，然后顺序游走所有参考故障原因数据，计算参考故障原因数据对应的异常触发特征描述与各个簇心特征之间的匹配度，将匹配度结果作为参考故障原因数据与簇心特征之间的匹配度，然后将参考故障原因数据加载到与其匹配度最大的簇心特征所属的参考故障原因数据分簇中，然后基于参考故障原因数据分簇中所包含的参考故障原因数据，调整簇心特征，直至参考故障原因数据分簇中调整后的簇心特征与调整前的簇心特征相同时，生成作为分簇数据的参考故障原因数据分簇。
其中，在分簇策略的任一轮次的迭代过程中，簇心特征调整的调整过程如下：在本轮次的迭代过程中，将各个参考故障原因数据添加至对应的参考故障原因数据分簇后，针对任一参考故障原因数据分簇，计算该参考故障原因数据分簇中所包含的所有参考故障原因数据对应的异常触发特征描述的均值，基于均值结果重新确定该参考故障原因数据分簇对应的簇心特征，实现了在本轮次迭代过程中调整簇心特征。
步骤S103：将模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，依据配电控制故障原因分析网络从多个参考故障原因数据分簇中确定估计故障原因数据分簇，再从估计故障原因数据分簇中确定与模板水电站配电系统异常控制数据对应的参考故障原因数据。
基于配电控制故障原因分析网络的初步配电控制故障原因分析数据，在分簇得到的所有参考故障原因数据分簇中确定估计故障原因数据分簇，具体可指在所有参考故障原因数据分簇中确定出与模板水电站配电系统异常控制数据匹配度较高的参考故障原因数据分簇，进而基于配电控制故障原因分析网络的准确故障原因数据，在估计故障原因数据分簇的各个参考故障原因数据中确定与模板水电站配电系统异常控制数据对应的参考故障原因数据，具体可指在估计故障原因数据分簇的各个参考故障原因数据中确定出与模板水电站配电系统异常控制数据匹配度较低的参考故障原因数据，实现了配电控制故障原因分析网络的层次化分析，能够降低配电控制故障原因分析网络的冗余度，从而提高配电控制故障原因分析网络的分析速度。
可替代地，配电控制故障原因分析网络包括特征嵌入单元和全连接输出单元；将模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，依据配电控制故障原因分析网络从多个参考故障原因数据分簇中确定估计故障原因数据分簇，具体可以是将模板水电站配电系统异常控制数据加载到特征嵌入单元，生成模板异常控制特征，将模板异常控制特征输入全连接输出单元，确定各个参考故障原因数据分簇的第一估计得分，对各个第一估计得分分别进行规则化转换，生成各个参考故障原因数据分簇的第一估计置信度，在第一估计置信度不小于设定的第一门限置信度时，将第一估计置信度对应的参考故障原因数据分簇作为估计故障原因数据分簇，由此通过特征嵌入单元对模板水电站配电系统异常控制数据进行特征提取，生成模板异常控制特征，针对任一分簇得到的参考故障原因数据分簇，全连接输出单元对模板水电站配电系统异常控制数据进行初步估计，计算出参考故障原因数据分簇的第一估计得分，进而确定第一估计置信度，基于第一门限置信度划分第一估计置信度，进而在参考故障原因数据分簇中确定与模板水电站配电系统异常控制数据关联的估计故障原因数据分簇，通过依据分簇得到的参考故障原因数据分簇进行初步估计，从而提高配电控制故障原因分析网络的分析速度。
其中，可通过参考故障原因数据分簇的数量对全连接输出单元进行预处理，使得全连接输出单元能够输出每个参考故障原因数据分簇的第一估计得分，将模板异常控制特征输入全连接输出单元后，在全连接输出单元的作用下，能够得到各个参考故障原因数据分簇的第一估计得分，然后通过规则化转换函数，对各个第一估计得分分别进行规则化转换，生成各个参考故障原因数据分簇的第一估计置信度，进而确定出估计故障原因数据，例如，对于三个参考故障原因数据分簇，第一参考故障原因数据分簇T1的第一估计置信度为0.3，第二参考故障原因数据分簇T2的第一估计置信度为0.8，第三参考故障原因数据分簇T3的第一估计置信度为0.2，能够确定估计故障原因数据分簇的输出结果为[0.3，0.8，0.2]，第一门限置信度为0.5，通过比对，能够确定第二参考故障原因数据分簇T2为估计故障原因数据分簇，第一参考故障原因数据分簇T1和第三参考故障原因数据分簇T3为非估计故障原因数据分簇，实现了配电控制故障原因分析网络的初步分析，提高配电控制故障原因分析网络的分析速度。
可替代地，估计故障原因数据分簇的输出结果包括各个参考故障原因数据分簇的第一估计置信度；基于估计故障原因数据分簇的输出结果和推定故障原因数据确定第一网络代价值，具体可以是基于各个参考故障原因数据分簇的推定故障原因数据，确定各个参考故障原因数据分簇的目标故障原因置信度，计算各个目标故障原因置信度和对应的第一估计置信度之间的交叉熵损失函数值，生成多个故障原因网络代价值，将所有故障原因网络代价值之和作为第一网络代价值。
针对任一参考故障原因数据分簇，全连接输出单元对模板水电站配电系统异常控制数据进行初步分析，目标故障原因置信度由推定故障原因数据的数值确定，例如，当推定故障原因数据的数值为0时，目标故障原因置信度可为0，当推定故障原因数据的数值为1时，目标故障原因置信度可为1；目标故障原因置信度为0时，表示参考故障原因数据分簇和模板水电站配电系统异常控制数据不关联，目标故障原因置信度为1时，表示参考故障原因数据分簇和模板水电站配电系统异常控制数据相关联，当参考故障原因数据分簇的第一估计置信度越接近0，表示参考故障原因数据分簇和模板水电站配电系统异常控制数据之间的匹配度越低，当参考故障原因数据分簇的第一估计置信度越接近1，表示参考故障原因数据分簇和模板水电站配电系统异常控制数据之间的匹配度越高。例如，可将目标故障原因置信度设为0.1或0.9，目标故障原因置信度为0.1时，表示参考故障原因数据分簇和模板水电站配电系统异常控制数据不关联，目标故障原因置信度为0.9时，表示参考故障原因数据分簇和模板水电站配电系统异常控制数据相关联。
可替代地，从估计故障原因数据分簇中确定与模板水电站配电系统异常控制数据对应的参考故障原因数据，具体可以是顺序游走估计故障原因数据分簇中的各个参考故障原因数据，计算模板异常控制特征和参考故障原因数据的异常触发特征描述之间的匹配度，对匹配度进行规则化转换，生成参考故障原因数据的第二估计置信度，在第二估计置信度不小于设定的第二门限置信度时，将第二估计置信度对应的参考故障原因数据作为与模板水电站配电系统异常控制数据对应的参考故障原因数据，依据此，针对参考故障原因数据分簇中的任一参考故障原因数据，全连接输出单元对模板水电站配电系统异常控制数据进行精准分析，通过匹配度计算和规则化转换，计算出参考故障原因数据的第二估计置信度，基于第二门限置信度划分第二估计置信度，进而在参考故障原因数据中确定与模板水电站配电系统异常控制数据关联的预测故障原因数据，通过依据参考故障原因数据分簇中的参考故障原因数据进行准确输出，能够有效提升配电控制故障原因分析网络的可靠度。
可替代地，与模板水电站配电系统异常控制数据对应的参考故障原因数据的输出结果包括估计故障原因数据分簇中的各个参考故障原因数据的第二估计置信度；基于与模板水电站配电系统异常控制数据对应的参考故障原因数据的输出结果和模板故障原因数据确定第二网络代价值，具体可以是基于模板故障原因数据，确定估计故障原因数据分簇中各个参考故障原因数据的目标故障原因置信度，计算各个目标故障原因置信度和对应的第二估计置信度之间的交叉熵损失函数值，生成多个故障原因数据网络代价值，将所有故障原因数据网络代价值之和作为第二网络代价值。
针对参考故障原因数据分簇中的任一参考故障原因数据，全连接输出单元对模板水电站配电系统异常控制数据进行精准分析，通过模板故障原因数据确定目标故障原因置信度，例如，将与模板故障原因数据相同的参考故障原因数据的目标故障原因置信度设为1，将与模板故障原因数据不同的参考故障原因数据的目标故障原因置信度设为0，目标故障原因置信度为0时，表示参考故障原因数据和模板水电站配电系统异常控制数据不关联，目标故障原因置信度为1时，表示参考故障原因数据和模板水电站配电系统异常控制数据相关联，当参考故障原因数据的第二估计置信度越接近0，表示参考故障原因数据和模板水电站配电系统异常控制数据之间的匹配度越低，当参考故障原因数据的第二估计置信度越接近1，表示参考故障原因数据和模板水电站配电系统异常控制数据之间的匹配度越高。
可替代地，将模板水电站配电系统异常控制数据加载到特征嵌入单元，生成模板异常控制特征，具体可以是对模板水电站配电系统异常控制数据进行异常控制事件分离，生成异常控制事件集合，其中，异常控制事件集合包括多个异常控制事件，为异常控制事件集合的事件触发节点添加异常控制触发特征，以及为异常控制事件集合的事件终止节点异常控制终止特征，生成嵌入异常控制事件集合，对嵌入异常控制事件集合进行有向关系图生成，生成异常控制有向关系图，依据全局最优搜索策略的特征选择算法，基于特征嵌入单元对异常控制有向关系图进行最优搜索特征选择，生成最优搜索特征选择集合，其中，最优搜索特征选择集合包括嵌入异常控制事件集合中各个异常控制事件的最优搜索特征，依据全局最优搜索策略的特征选择算法，对各个最优搜索特征进行聚合，生成模板异常控制特征。
其中，异常控制事件集合是指由模板异常控制事件得到所有的异常控制事件所组成的集合，通过在异常控制事件集合中添加异常控制触发特征和异常控制终止特征，从而可以区分不同的模板水电站配电系统异常控制数据。然后通过有向关系图生成，将嵌入异常控制事件集合中的各个异常控制事件转换成数字向量，生成异常控制有向关系图，然后通过特征嵌入单元的最优搜索特征选择，生成最优搜索特征选择集合，然后通过全局最优搜索策略的特征选择算法的聚合，生成模板异常控制特征。
可替代地，依据全局最优搜索策略的特征选择算法，对各个最优搜索特征进行聚合，生成模板异常控制特征，具体可以是基于设定的显著性特征分析策略和最优搜索特征，确定各个最优搜索特征的显著性值，基于设定的规则化转换函数和显著性值，确定各个最优搜索特征的显著性权重，依据显著性权重，对各个最优搜索特征进行融合，生成模板异常控制特征。
其中，对嵌入异常控制事件集合中各个异常控制事件进行显著性评估，异常控制事件的异常显著程度越大，异常控制事件的最优搜索特征的显著性值越大，即相应的显著性权重越大，与此相反，异常控制事件的异常显著程度越小，异常控制事件的最优搜索特征的显著性值越小，即相应的显著性权重越小，通过对各个最优搜索特征进行融合，生成模板异常控制特征，异常控制事件的异常显著程度越大，模板异常控制特征与该异常控制事件的最优搜索特征之间的距离越小，与此相反，异常控制事件的异常显著程度越小，模板异常控制特征与该异常控制事件的最优搜索特征之间的距离越大。
步骤S104：基于估计故障原因数据分簇的输出结果和推定故障原因数据确定第一网络代价值，基于与模板水电站配电系统异常控制数据对应的参考故障原因数据的输出结果和模板故障原因数据确定第二网络代价值。
其中，第一网络代价值的目标是实现估计故障原因数据分簇的输出结果与推定故障原因数据之间的差异更小，估计故障原因数据分簇的输出结果是一个置信度向量序列，每个置信度向量对应一个参考故障原因数据分簇的第一估计置信度，推定故障原因数据用于确定参考故障原因数据分簇的目标故障原因置信度，可将目标故障原因置信度设为0或1，目标故障原因置信度为0时，表示参考故障原因数据分簇和模板水电站配电系统异常控制数据不关联，目标故障原因置信度为1时，表示参考故障原因数据分簇和模板水电站配电系统异常控制数据相关联，例如，对于四个参考故障原因数据分簇，第一参考故障原因数据分簇T1的第一估计置信度为0.3，第二参考故障原因数据分簇T2的第一估计置信度为0.8，第三参考故障原因数据分簇T3的第一估计置信度为0.2，第四参考故障原因数据分簇T4的第一估计置信度为0.9，能够确定估计故障原因数据分簇的输出结果为[0.3，0.8，0.2，0.9]，第一参考故障原因数据分簇T1的目标故障原因置信度为0，第二参考故障原因数据分簇T2的目标故障原因置信度为1，第三参考故障原因数据分簇T3的目标故障原因置信度为0，第四参考故障原因数据分簇T4的目标故障原因置信度为1，将参考故障原因数据分簇的目标故障原因置信度和对应的第一估计置信度的交叉熵损失函数值作为该参考故障原因数据分簇的网络代价值，进而通过计算四个参考故障原因数据分簇的网络代价值之和，确定第一网络代价值。
其中，第二网络代价值的目标是实现参考故障原因数据的输出结果与模板故障原因数据之间的距离小，实现故障原因准确分析的效果，参考故障原因数据的输出结果是一个置信度向量序列，每个置信度向量对应一个参考故障原因数据的第二估计置信度，模板故障原因数据用于确定参考故障原因数据的目标故障原因置信度，可将目标故障原因置信度设为0或1，目标故障原因置信度为0时，表示参考故障原因数据和模板水电站配电系统异常控制数据不关联，目标故障原因置信度为1时，表示参考故障原因数据和模板水电站配电系统异常控制数据相关联，例如，一个估计故障原因数据分簇中包括3个参考故障原因数据，第一参考故障原因数据L1的第二估计置信度为0.85，第二参考故障原因数据L2的第二估计置信度为0.3，第三参考故障原因数据L3的第二估计置信度为0.8，能够确定参考故障原因数据的输出结果为[0.85，0.3，0.8]，第一参考故障原因数据L1的目标故障原因置信度为1，第二参考故障原因数据L2的目标故障原因置信度为0，第三参考故障原因数据L3的目标故障原因置信度为1，将参考故障原因数据的目标故障原因置信度和对应的第二估计置信度的交叉熵损失函数值作为该参考故障原因数据的网络代价值，进而通过计算三个参考故障原因数据的网络代价值之和，确定第二网络代价值。
步骤S105：基于第一网络代价值和第二网络代价值，对卷积神经网络和配电控制故障原因分析网络进行组合网络权重参数更新。
可替代地，基于第一网络代价值和第二网络代价值，对卷积神经网络和配电控制故障原因分析网络进行组合网络权重参数更新，具体可以是将第一网络代价值和第二网络代价值进行融合，生成目标网络代价值；基于目标网络代价值，对卷积神经网络、特征嵌入单元和全连接输出单元进行组合网络权重参数更新。
计算出第一网络代价值和第二网络代价值的融合值后，可以判断卷积神经网络和配电控制故障原因分析网络是否收敛，当未收敛，使用目标网络代价值更新卷积神经网络和配电控制故障原因分析网络，生成更新后的卷积神经网络和配电控制故障原因分析网络，然后利用更新好的卷积神经网络和配电控制故障原因分析网络进行下一轮的训练，并返回获取模板水电站配电系统异常控制数据迭代执行，直到收敛时，生成更新后的卷积神经网络和配电控制故障原因分析网络，然后将更新后的卷积神经网络和配电控制故障原因分析网络进行部署并进行层次化的故障原因输出。
步骤S106：获取目标水电站配电系统异常控制数据，将目标水电站配电系统异常控制数据加载到更新后的配电控制故障原因分析网络，依据更新后的配电控制故障原因分析网络确定目标水电站配电系统异常控制数据的配电控制故障原因分析数据。
将目标水电站配电系统异常控制数据加载到至更新后的配电控制故障原因分析网络得到配电控制故障原因分析数据的原理，与依据配电控制故障原因分析网络得到前述的与模板水电站配电系统异常控制数据对应的参考故障原因数据的原理相类似。
在进一步的实施例中，可以包括但不限于以下步骤S201至步骤S205。
步骤S201：获取模板水电站配电系统异常控制数据和多个参考故障原因数据，其中，模板水电站配电系统异常控制数据标注有多个模板故障原因数据；
步骤S202：依据卷积神经网络确定各个参考故障原因数据的异常触发特征描述，基于异常触发特征描述对多个参考故障原因数据进行分簇得到多个参考故障原因数据分簇，依据模板故障原因数据确定各个参考故障原因数据分簇的推定故障原因数据；
步骤S203：将模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，依据配电控制故障原因分析网络从多个参考故障原因数据分簇中确定估计故障原因数据分簇，再从估计故障原因数据分簇中确定与模板水电站配电系统异常控制数据对应的参考故障原因数据；
步骤S204：基于估计故障原因数据分簇的输出结果和推定故障原因数据确定第一网络代价值，基于与模板水电站配电系统异常控制数据对应的参考故障原因数据的输出结果和模板故障原因数据确定第二网络代价值；
步骤S205：基于第一网络代价值和第二网络代价值，对卷积神经网络和配电控制故障原因分析网络进行组合网络权重参数更新。
以上实施例通过卷积神经网络确定参考故障原因数据的异常触发特征描述，然后通过分簇确定参考故障原因数据分簇，以及确定参考故障原因数据分簇的推定故障原因数据，然后将模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，先进行初步故障原因分析，在分簇得到的各个参考故障原因数据分簇中确定估计故障原因数据分簇，然后进行精准分析，在估计故障原因数据分簇的各个参考故障原因数据中确定与模板水电站配电系统异常控制数据对应的参考故障原因数据，实现了配电控制故障原因分析网络的层次化故障原因分析，能够降低配电控制故障原因分析网络的冗余度，从而提高配电控制故障原因分析网络的分析速度，另外，通过第一网络代价值和第二网络代价值对卷积神经网络和配电控制故障原因分析网络进行组合网络权重参数更新，能够网络权重参数更新过程中中更新异常触发特征描述，进而提高模板水电站配电系统异常控制数据与处于边缘的参考故障原因数据之间的匹配度，后续可以依据更新后的配电控制故障原因分析网络确定目标水电站配电系统异常控制数据的配电控制故障原因分析数据，生成目标水电站配电系统异常控制数据的多故障原因数据配电控制故障原因分析数据，从而有效提高多故障原因数据故障原因分析的速度。
上述步骤S201至步骤S205的详细原理可以参见前面对步骤S101至步骤S105。
然后计算各个目标故障原因置信度和对应的第一估计置信度之间的交叉熵损失函数值，生成多个故障原因网络代价值；将所有故障原因网络代价值之和作为第一网络代价值；并计算各个目标故障原因置信度和对应的第二估计置信度之间的交叉熵损失函数值，生成多个故障原因数据网络代价值；将所有故障原因数据网络代价值之和作为第二网络代价值。
最后，通过基于第一网络代价值和第二网络代价值，对卷积神经网络和配电控制故障原因分析网络进行组合网络权重参数更新。
可见，配电控制故障原因分析网络的层次化故障原因分析，能够降低配电控制故障原因分析网络的冗余度，从而提高配电控制故障原因分析网络的分析速度，依据更新后的配电控制故障原因分析网络得到与模板水电站配电系统异常控制数据对应的参考故障原因数据，从而有效提高多故障原因数据故障原因分析的速度。
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云服务器100。
对于一个实施例，图2示出了云服务器100，该云服务器100具有一个或多个处理器102、被耦合到(一个或多个)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的一个或多个输入/输出设备110，和被耦合到控制模块106的网络接口112。
处理器102可包括一个或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。一些示例性的设计思路中，云服务器100能够作为本申请实施例中所述网关等服务器设备。
一些示例性的设计思路中，云服务器100可包括具有指令114的一个或多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器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(一个或多个)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可被用于例如为云服务器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。一些示例性的设计思路中，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(DDR4SDRAM)。
对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向NVM/存储设备108及(一个或多个)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(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为云服务器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可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为云服务器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可为云服务器100提供接口以依据一个或多个网络通信，云服务器100可依据一个或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一个或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WwFw、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑加载在一起。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载(SwP)。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中，云服务器100可以但不限于是：云服务器、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，云服务器100可具有更多或更少的组件和/或不同的架构。例如，一些示例性的设计思路中，云服务器100包括一个或多个摄像机、键盘、液晶显示器(LCD)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(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍，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)
1.一种水电站配电控制系统的故障原因分析方法，其特征在于，应用于云服务器，所述方法包括：
获取模板水电站配电系统异常控制数据和多个参考故障原因数据，其中，所述模板水电站配电系统异常控制数据标注有多个模板故障原因数据；
依据卷积神经网络确定各个所述参考故障原因数据的异常触发特征描述，基于所述异常触发特征描述对多个所述参考故障原因数据进行分簇得到多个参考故障原因数据分簇，依据所述模板故障原因数据确定各个所述参考故障原因数据分簇的推定故障原因数据；
将所述模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，依据所述配电控制故障原因分析网络从多个所述参考故障原因数据分簇中确定估计故障原因数据分簇，再从所述估计故障原因数据分簇中确定与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据；
基于所述估计故障原因数据分簇的输出结果和所述推定故障原因数据确定第一网络代价值，基于与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据的输出结果和所述模板故障原因数据确定第二网络代价值；
基于所述第一网络代价值和所述第二网络代价值，对所述卷积神经网络和所述配电控制故障原因分析网络进行组合网络权重参数更新；
获取目标水电站配电系统异常控制数据，将所述目标水电站配电系统异常控制数据加载到更新后的所述配电控制故障原因分析网络，依据更新后的所述配电控制故障原因分析网络确定所述目标水电站配电系统异常控制数据的配电控制故障原因分析数据。
2.根据权利要求1所述的水电站配电控制系统的故障原因分析方法，其特征在于，所述配电控制故障原因分析网络包括特征嵌入单元和全连接输出单元；
所述将所述模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，依据所述配电控制故障原因分析网络从多个所述参考故障原因数据分簇中确定估计故障原因数据分簇，包括：
将所述模板水电站配电系统异常控制数据加载到所述特征嵌入单元，生成模板异常控制特征；
将所述模板异常控制特征输入所述全连接输出单元，确定各个所述参考故障原因数据分簇的第一估计得分；
对各个所述第一估计得分分别进行规则化转换，生成各个所述参考故障原因数据分簇的第一估计置信度；
在所述第一估计置信度不小于设定的第一门限置信度时，将所述第一估计置信度对应的所述参考故障原因数据分簇作为估计故障原因数据分簇。
3.根据权利要求2所述的水电站配电控制系统的故障原因分析方法，其特征在于，所述估计故障原因数据分簇的输出结果包括各个所述参考故障原因数据分簇的第一估计置信度；
所述基于所述估计故障原因数据分簇的输出结果和所述推定故障原因数据确定第一网络代价值，包括：
基于各个所述参考故障原因数据分簇的所述推定故障原因数据，确定各个所述参考故障原因数据分簇的目标故障原因置信度；
计算各个所述目标故障原因置信度和对应的所述第一估计置信度之间的交叉熵损失函数值，生成多个故障原因网络代价值；
将所有所述故障原因网络代价值之和作为第一网络代价值。
4.根据权利要求2所述的水电站配电控制系统的故障原因分析方法，其特征在于，所述从所述估计故障原因数据分簇中确定与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据，包括：
顺序游走所述估计故障原因数据分簇中的各个所述参考故障原因数据，计算所述模板异常控制特征和所述参考故障原因数据的异常触发特征描述之间的匹配度；
对所述匹配度进行规则化转换，生成所述参考故障原因数据的第二估计置信度；
在所述第二估计置信度不小于设定的第二门限置信度时，将所述第二估计置信度对应的所述参考故障原因数据作为与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据；
与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据的输出结果包括所述估计故障原因数据分簇中的各个所述参考故障原因数据的第二估计置信度；
所述基于与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据的输出结果和所述模板故障原因数据确定第二网络代价值，包括：
基于所述模板故障原因数据，确定所述估计故障原因数据分簇中各个所述参考故障原因数据的目标故障原因置信度；
计算各个所述目标故障原因置信度和对应的所述第二估计置信度之间的交叉熵损失函数值，生成多个故障原因数据网络代价值；将所有所述故障原因数据网络代价值之和作为第二网络代价值。
5.根据权利要求2所述的水电站配电控制系统的故障原因分析方法，其特征在于，所述将所述模板水电站配电系统异常控制数据加载到所述特征嵌入单元，生成模板异常控制特征，包括：
对所述模板水电站配电系统异常控制数据进行异常控制事件分离，生成异常控制事件集合，其中，所述异常控制事件集合包括多个异常控制事件；
为所述异常控制事件集合的事件触发节点添加异常控制触发特征，以及为异常控制事件集合的事件终止节点添加异常控制终止特征，生成嵌入异常控制事件集合；
对所述嵌入异常控制事件集合进行有向关系图生成，生成异常控制有向关系图；
依据全局最优搜索策略的特征选择算法，基于所述特征嵌入单元对所述异常控制有向关系图进行最优搜索特征选择，生成最优搜索特征选择集合，其中，所述最优搜索特征选择集合包括所述嵌入异常控制事件集合中各个异常控制事件的最优搜索特征；
依据全局最优搜索策略的特征选择算法，对各个所述最优搜索特征进行聚合，生成模板异常控制特征；
所述依据全局最优搜索策略的特征选择算法，对各个所述最优搜索特征进行聚合，生成模板异常控制特征，包括：
基于设定的显著性特征分析策略和所述最优搜索特征，确定各个所述最优搜索特征的显著性值；
基于设定的规则化转换函数和所述显著性值，确定各个所述最优搜索特征的显著性权重；
依据所述显著性权重，对各个所述最优搜索特征进行融合，生成模板异常控制特征。
6.根据权利要求2所述的水电站配电控制系统的故障原因分析方法，其特征在于，所述基于所述第一网络代价值和所述第二网络代价值，对所述卷积神经网络和所述配电控制故障原因分析网络进行组合网络权重参数更新，包括：
将所述第一网络代价值和所述第二网络代价值进行加权，生成目标网络代价值；
基于所述目标网络代价值，对所述卷积神经网络、所述特征嵌入单元和所述全连接输出单元进行组合网络权重参数更新。
7.根据权利要求1所述的水电站配电控制系统的故障原因分析方法，其特征在于，所述依据卷积神经网络确定各个所述参考故障原因数据的异常触发特征描述，包括：
依据设定的关系树模型，对所述参考故障原因数据进行故障原因依存关系树挖掘，生成至少一个故障原因依存关系树；
将所述故障原因依存关系树加载到卷积神经网络，生成所述故障原因依存关系树的故障触发特征向量；
针对任一所述参考故障原因数据，对所述参考故障原因数据对应的所有所述故障触发特征向量进行汇聚，生成异常触发特征描述。
8.一种计算机可读存储介质，其特征在于，其上存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-7中任意一项所述的水电站配电控制系统的故障原因分析方法。
9.一种云服务器，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-7中任意一项所述的水电站配电控制系统的故障原因分析方法。
10.一种水电站配电控制系统的故障原因分析系统，其特征在于，所述水电站配电控制系统的故障原因分析系统包括云服务器以及与所述云服务器通信连接的水电站配电控制系统，所述云服务器具体用于：
获取模板水电站配电系统异常控制数据和多个参考故障原因数据，其中，所述模板水电站配电系统异常控制数据标注有多个模板故障原因数据；
依据卷积神经网络确定各个所述参考故障原因数据的异常触发特征描述，基于所述异常触发特征描述对多个所述参考故障原因数据进行分簇得到多个参考故障原因数据分簇，依据所述模板故障原因数据确定各个所述参考故障原因数据分簇的推定故障原因数据；
将所述模板水电站配电系统异常控制数据加载至配电控制故障原因分析网络，依据所述配电控制故障原因分析网络从多个所述参考故障原因数据分簇中确定估计故障原因数据分簇，再从所述估计故障原因数据分簇中确定与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据；
基于所述估计故障原因数据分簇的输出结果和所述推定故障原因数据确定第一网络代价值，基于与所述模板水电站配电系统异常控制数据对应的所述参考故障原因数据的输出结果和所述模板故障原因数据确定第二网络代价值；
基于所述第一网络代价值和所述第二网络代价值，对所述卷积神经网络和所述配电控制故障原因分析网络进行组合网络权重参数更新；
获取目标水电站配电系统异常控制数据，将所述目标水电站配电系统异常控制数据加载到更新后的所述配电控制故障原因分析网络，依据更新后的所述配电控制故障原因分析网络确定所述目标水电站配电系统异常控制数据的配电控制故障原因分析数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311321820.6A CN117311320A (zh) | 2023-10-12 | 2023-10-12 | 水电站配电控制系统的故障原因分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311321820.6A CN117311320A (zh) | 2023-10-12 | 2023-10-12 | 水电站配电控制系统的故障原因分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117311320A true CN117311320A (zh) | 2023-12-29 |
Family
ID=89286319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311321820.6A Pending CN117311320A (zh) | 2023-10-12 | 2023-10-12 | 水电站配电控制系统的故障原因分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117311320A (zh) |
-
2023
- 2023-10-12 CN CN202311321820.6A patent/CN117311320A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model | |
| US20230238801A1 (en) | Dynamic hosting capacity analysis framework for distribution system planning | |
| CN116298686A (zh) | 应用于配电网的故障定位方法、装置、设备及介质 | |
| CN115238568A (zh) | 一种数字孪生模型构建方法、装置及终端设备 | |
| CN113935237A (zh) | 一种基于胶囊网络的输电线路故障类型判别方法及系统 | |
| CN116755403B (zh) | 基于光伏组件生产控制系统的数据采集方法及系统 | |
| CN116433050B (zh) | 应用于农业大数据管理系统的异常报警方法及系统 | |
| KR102521808B1 (ko) | 합성곱 신경망과 회귀 신경망을 활용한 하이브리드 에너지 소비 및 생산 예측 방법 및 그 장치 | |
| Huang et al. | A Multi-channel Feature Combination Model for Ultra-short-term Wind Power Prediction Under Carbon Neutral Background | |
| CN117458453A (zh) | 电力系统暂态稳定性的预测方法、系统、设备及存储介质 | |
| CN117311320A (zh) | 水电站配电控制系统的故障原因分析方法及系统 | |
| CN116191404A (zh) | 分布式电源发电预测方法、装置、电子设备及存储介质 | |
| CN116797973A (zh) | 应用于环卫智慧管理平台的数据挖掘方法及系统 | |
| CN116991136A (zh) | 燃气机组aps启动控制系统的优化方法及系统 | |
| WO2022247880A1 (zh) | 一种对神经网络的算子进行融合的方法和相关产品 | |
| Wu et al. | Fast dc optimal power flow based on deep convolutional neural network | |
| US11704562B1 (en) | Architecture for virtual instructions | |
| Xu et al. | NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method | |
| CN112101538A (zh) | 基于内存计算的图神经网络硬件计算系统及方法 | |
| CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
| Subramanian et al. | Load-Aware VM Migration Using Hypergraph Based CDB-LSTM | |
| CN116526582B (zh) | 基于人工智能联合驱动的电力机组组合调度方法与系统 | |
| CN117353302B (zh) | 新能源发电功率的预测方法、装置、设备及介质 | |
| CN117668694A (zh) | 能源路由器多能形式储能系统的数据分析方法及系统 | |
| Liao et al. | The inventory of spare parts Prediction Based on LSTM for large data and a short replacement cycle |
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 |