CN117312826A - 用于电网线损修复系统的数据分析方法及系统 - Google Patents

Abstract

本申请实施例提供一种用于电网线损修复系统的数据分析方法及系统，在训练最终电网运行修复决策模型的过程中，结合了模板电网线损特征数据中各个电网线损状态特征之间的关系，还结合了电网线损状态特征与电网运行修复知识点以及电网运行修复知识点与电网运行修复知识点之间的关系，由此提高电网运行修复决策的性能，可以便于后续精确确定出电网线损数据具有关联性的多个电网运行修复知识点，提高数据分析的可靠性，并且通过同步训练该深度学习网络模型和该最终电网运行修复决策模型，可以为确定电网线损数据关联的电网运行修复知识点提供更丰富的特征，从而提高电网运行修复知识点挖掘的准确性。

Description

用于电网线损修复系统的数据分析方法及系统

技术领域

本申请涉及电网运维技术领域，具体而言，涉及一种用于电网线损修复系统的数据分析方法及系统。

背景技术

电力网电能损耗(简称线损)是指电能从发电厂传输到用户的一系列过程中，在输电、变电、配电和营销等各环节产生的电能损耗和损失。线损率是综合反映电力网规划设计，生产运行和经营管理水平的主要技术指标。具体而言，发电机发出来的电能输送到用户，经过输电、变电、配电设备，由于这些设备存在着电阻，因此电能通过时就会产生损耗，以热能的形式散失在周围的介质中，另外再加上一部分客观存在的管理损耗，这两部分电能损耗就构成了电网的所有线损电量，简称为电网线损。基于此，需要对电网线损数据进行分析以便于进行及时异常修复，如何提高电网运行修复决策的性能，从而提高电网运行修复知识点挖掘的准确性，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用于电网线损修复系统的数据分析方法及系统。

依据本申请的第一方面，提供一种用于电网线损修复系统的数据分析方法，应用于云服务器，所述方法包括：

获得多个模板电网线损特征数据以及所述模板电网线损特征数据携带的电网运行修复知识点簇，所述模板电网线损特征数据的电网运行修复知识点簇包括：携带了与所述模板电网线损特征数据的修复关联特征的多个电网运行修复知识点，所述模板电网线损特征数据包括由一个或多个电网线损状态特征构成的电网线损状态特征集合；

对于每个所述模板电网线损特征数据，依据所述模板电网线损特征数据的电网线损状态特征集合和所述模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点组成的集合，并基于初始化模型权重参数的电网运行修复决策模型，确定所述模板电网线损特征数据的决策修复关联特征和所述电网运行修复知识点簇中各电网运行修复知识点的决策修复知识点特征，所述模板电网线损特征数据的决策修复关联特征反映决策的所述模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点与所述模板电网线损特征数据的修复关联特征；

对于每个所述模板电网线损特征数据，从所述模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个电网运行修复知识点范例组，依据所述电网运行修复知识点范例组中各电网运行修复知识点的所述决策修复知识点特征，并基于初始化模型权重参数的深度学习网络模型，确定所述电网运行修复知识点范例组的深度学习数据，所述电网运行修复知识点范例组包括多个电网运行修复知识点，所述深度学习数据反映所述电网运行修复知识点范例组中各电网运行修复知识点的修复关联特征是否匹配；

依据各模板电网线损特征数据的决策修复关联特征以及各模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点实际携带的修复关联特征，确定所述电网运行修复决策模型的第一训练误差参数值；

依据各模板电网线损特征数据的所述电网运行修复知识点范例组的训练标注数据以及深度学习数据，确定所述深度学习网络模型的第二训练误差参数值，所述模板电网线损特征数据的电网运行修复知识点范例组的训练标注数据表征所述模板电网线损特征数据的电网运行修复知识点范例组中各电网运行修复知识点实际携带的修复关联特征是否匹配；

若依据所述第一训练误差参数值和第二训练误差参数值确定出未满足模型收敛要求，则更新所述电网运行修复决策模型和深度学习网络模型的模型权重信息，并迭代进行更新，直至满足所述模型收敛要求，将更新输出的电网运行修复决策模型确定为最终电网运行修复决策模型。

在第一方面的一种可能的实施方式中，所述依据各模板电网线损特征数据的决策修复关联特征以及各模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点实际携带的修复关联特征，确定所述电网运行修复决策模型的第一训练误差参数值，包括：

对于每个模板电网线损特征数据，将所述模板电网线损特征数据的决策修复关联特征加载至初始化模型权重参数的全连接输出单元，生成所述全连接输出单元决策的所述模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点与所述模板电网线损特征数据之间的关联性输出信息；

依据各模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点的关联性输出信息和实际携带的修复关联特征，确定所述电网运行修复决策模型的第一训练误差参数值。

在第一方面的一种可能的实施方式中，所述依据所述模板电网线损特征数据的电网线损状态特征集合和所述模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点组成的集合，并基于初始化模型权重参数的电网运行修复决策模型，确定所述模板电网线损特征数据的决策修复关联特征和所述电网运行修复知识点簇中各电网运行修复知识点的决策修复知识点特征，包括：

依据所述模板电网线损特征数据的电网线损状态特征集合以及模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点组成的集合，生成目标知识描述向量簇；其中，所述目标知识描述向量簇中包括电网线损状态特征向量簇，电网运行修复知识点向量簇，以及设置在所述电网线损状态特征向量簇之前的状态类别区分向量，所述电网线损状态特征向量簇为由所述电网线损状态特征集合中各个电网线损状态特征的电网线损状态特征向量组成，所述电网运行修复知识点向量簇为由所述电网运行修复知识点簇中各个电网运行修复知识点的电网运行修复知识点向量组成；

将所述目标知识描述向量簇加载至初始化模型权重参数的电网运行修复决策模型，生成所述电网运行修复决策模型输出的决策参考信息簇，所述决策参考信息簇包括所述状态类别区分向量的决策参考信息以及所述电网运行修复知识点簇中各电网运行修复知识点的决策修复知识点特征，所述状态类别区分向量的决策参考信息用于表示所述模板电网线损特征数据的决策修复关联特征。

在第一方面的一种可能的实施方式中，所述模板电网线损特征数据的电网运行修复知识点簇包括：第一电网运行修复知识点簇和第二电网运行修复知识点簇，所述第一电网运行修复知识点簇包括：被配置标定为与所述模板电网线损特征数据关联的多个第一电网运行修复知识点，所述第二电网运行修复知识点簇包括：被配置标定为与所述模板电网线损特征数据不关联的多个第二电网运行修复知识点；

所述从所述模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个电网运行修复知识点范例组，包括：

从所述模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个第一电网运行修复知识点范例组和一个或多个第二电网运行修复知识点范例组，所述第一电网运行修复知识点范例组包括：来自所述第一电网运行修复知识点簇的两个第一电网运行修复知识点，所述第二电网运行修复知识点范例组包括：所述第一电网运行修复知识点簇中的一个第一电网运行修复知识点以及所述第二电网运行修复知识点簇中的一个第二电网运行修复知识点。

在第一方面的一种可能的实施方式中，所述模板电网线损特征数据的电网运行修复知识点簇包括：第一电网运行修复知识点簇和第二电网运行修复知识点簇，所述第一电网运行修复知识点簇包括：被配置标定为与所述模板电网线损特征数据关联的多个第一电网运行修复知识点，所述第二电网运行修复知识点簇包括：被配置标定为与所述模板电网线损特征数据不关联的多个第二电网运行修复知识点；

所述从所述模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个电网运行修复知识点范例组，包括：

从所述模板电网线损特征数据的第一电网运行修复知识点簇中选取出一电网运行修复知识点子序列，所述电网运行修复知识点子序列包括所述第一电网运行修复知识点簇中多个第一电网运行修复知识点；

从所述电网运行修复知识点簇中所述电网运行修复知识点子序列之外的电网运行修复知识点中选取出一个或多个电网运行修复知识点，并将选取出的每个电网运行修复知识点分别与所述电网运行修复知识点子序列组成一个电网运行修复知识点范例组，生成一个或多个电网运行修复知识点范例组；

所述依据所述电网运行修复知识点范例组中各电网运行修复知识点的所述决策修复知识点特征，并基于初始化模型权重参数的深度学习网络模型，确定所述电网运行修复知识点范例组的深度学习数据，包括：

将所述电网运行修复知识点范例组中所述电网运行修复知识点子序列中各第一电网运行修复知识点的决策修复知识点特征的加权特征确定为所述电网运行修复知识点子序列的决策修复知识点特征；

依据所述电网运行修复知识点范例组中所述电网运行修复知识点子序列的决策修复知识点特征以及所述电网运行修复知识点范例组中所述电网运行修复知识点子序列之外的电网运行修复知识点的决策修复知识点特征，并基于待预测的深度学习网络模型，确定所述电网运行修复知识点范例组的深度学习数据。

在第一方面的一种可能的实施方式中，所述方法还包括：

获得输入的电网线损数据以及设定的电网运行修复知识点簇，所述电网线损数据包括由一个或多个电网线损状态特征组成的电网线损状态特征集合，所述电网运行修复知识点簇中包括多个电网运行修复知识点；

依据所述电网线损数据的电网线损状态特征集合以及所述电网运行修复知识点簇中各电网运行修复知识点组成的集合，并基于最终电网运行修复决策模型，确定所述电网线损数据的决策修复关联特征，所述电网线损数据的决策修复关联特征反映所述电网运行修复知识点簇中各电网运行修复知识点与所述电网线损数据的修复关联特征；依据所述电网线损数据的决策修复关联特征，从所述电网运行修复知识点簇中确定出与所述电网线损数据关联的多个电网运行修复知识点；

其中，所述最终电网运行修复决策模型包括经过多流程模型更新得到的电网运行修复决策模型；

所述多流程模型更新为：基于多个模板电网线损特征数据对应的样本电网线损状态特征集合以及所述模板电网线损特征数据携带的样本电网运行修复知识点簇对应的样本电网运行修复知识点簇，以预测出所述模板电网线损特征数据与其样本电网运行修复知识点簇中各电网运行修复知识点的修复关联特征为训练目标训练所述电网运行修复决策模型；并且，在训练所述电网运行修复决策模型的过程中，依据所述模板电网线损特征数据的一个或多个电网运行修复知识点范例组中各电网运行修复知识点的决策修复知识点特征，以预测出所述电网运行修复知识点范例组中各电网运行修复知识点的修复关联特征是否匹配为训练目标，同步训练深度学习网络模型；

其中，所述样本电网运行修复知识点簇由样本电网运行修复知识点簇中各个电网运行修复知识点组成；所述模板电网线损特征数据的电网运行修复知识点范例组包括从所述模板电网线损特征数据的样本电网运行修复知识点簇中选取出的多个电网运行修复知识点，所述电网运行修复知识点的决策修复知识点特征为所述电网运行修复决策模型决策的所述电网运行修复知识点的电网运行修复知识点特征。

在第一方面的一种可能的实施方式中，所述方法还包括：

基于所述电网线损数据关联的多个电网运行修复知识点，对所述电网线损数据所对应的电网运行系统进行运行修复。

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用于电网线损修复系统的数据分析方法。

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，实现前述的用于电网线损修复系统的数据分析方法。

依据上述任一方面，本申请中，依据模板电网线损特征数据的电网线损状态特征集合以及模板电网线损特征数据携带的电网运行修复知识点簇对应的电网运行修复知识点簇来训练最终电网运行修复决策模型，这样，在训练最终电网运行修复决策模型的过程中，结合了模板电网线损特征数据中各个电网线损状态特征之间的关系，还结合了电网线损状态特征与电网运行修复知识点以及电网运行修复知识点与电网运行修复知识点之间的关系，由此提高电网运行修复决策的性能，可以便于后续精确确定出电网线损数据具有关联性的多个电网运行修复知识点，提高数据分析的可靠性。

同时，本申请在训练最终电网运行修复决策模型的过程中，会依据该最终电网运行修复决策模型输出的各电网运行修复知识点的决策修复知识点特征，以此训练可以提取电网运行修复知识点间关联性的深度学习网络模型，通过同步训练该深度学习网络模型和该最终电网运行修复决策模型，使得更新输出的最终电网运行修复决策模型可以准确提取电网运行修复知识点间的修复关联特征，而电网运行修复知识点的修复关联特征为确定电网线损数据关联的电网运行修复知识点提供更丰富的特征，从而使得最终电网运行修复决策模型可以精准提取到电网线损数据关联的电网运行修复知识点，提高电网运行修复知识点挖掘的准确性。

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关联的附图。

图1本申请实施例所提供的用于电网线损修复系统的数据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用于电网线损修复系统的数据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，没有逻辑的线损特征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用于电网线损修复系统的数据分析方法的流程示意图，应当理解，在其它实施例中，本实施例的用于电网线损修复系统的数据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。该用于电网线损修复系统的数据分析方法的详细包括：

步骤S101，获得多个模板电网线损特征数据以及每个模板电网线损特征数据携带的电网运行修复知识点簇。

其中，模板电网线损特征数据包括由一个或多个电网线损状态特征构成的电网线损状态特征集合。

其中，模板电网线损特征数据的电网运行修复知识点簇包括：携带了与该模板电网线损特征数据的修复关联特征的多个电网运行修复知识点。

电网运行修复知识点与模板电网线损特征数据的修复关联特征可以反映出电网运行修复知识点与电网线损数据的关联程度。

一种可替代的实施方式中，对于模型收敛更新阶段，电网线损数据携带的电网运行修复知识点簇中各电网运行修复知识点的修复关联特征可以分为两种：关联和不关联。如，模板电网线损特征数据携带的电网运行修复知识点簇中包括：与模板电网线损特征数据关联的第一电网运行修复知识点簇，以及，与模板电网线损特征数据不关联的第二电网运行修复知识点簇，相应的，第一电网运行修复知识点簇中包括被配置标定为与该模板电网线损特征数据关联的多个第一电网运行修复知识点，而第二电网运行修复知识点簇中包括被配置标定为与该电网线损数据不关联的多个第二电网运行修复知识点。

为了与后续多电网运行修复知识点电网线损数据分类中的电网运行修复知识点簇区分，模板电网线损特征数据的电网运行修复知识点簇也被称为样本电网运行修复知识点簇。

步骤S102，对于每个模板电网线损特征数据，依据模板电网线损特征数据的电网线损状态特征集合和模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点组成的集合，并基于初始化模型权重参数的电网运行修复决策模型，确定模板电网线损特征数据的决策修复关联特征和电网运行修复知识点簇中各电网运行修复知识点的决策修复知识点特征。

其中，模板电网线损特征数据的决策修复关联特征为电网运行修复决策模型决策的，可以反映模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点与该模板电网线损特征数据关联性的特征，因此，该决策修复关联特征可以反映决策的模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点与模板电网线损特征数据的修复关联特征。

电网运行修复知识点的决策修复知识点特征为基于该电网运行修复决策模型输出的该电网运行修复知识点的特征表示。

对于每个模板电网线损特征数据，依据其电网线损状态特征集合和电网运行修复知识点簇，并基于初始化模型权重参数的模型，可以得到模板电网线损特征数据的决策修复关联特征和电网运行修复知识点簇中各个电网运行修复知识点的决策修复知识点特征。

其中，将电网线损状态特征集合和电网运行修复知识点簇作为模型的输入电网线损数据，对输入电网线损数据(如本申请中的电网线损状态特征集合和电网运行修复知识点簇)进行双向学习，因此，可以更为准确的学习输入电网线损数据中之间的线损特征关系，即，充分学习电网线损状态特征集合和电网运行修复知识点簇中电网线损状态特征与电网线损状态特征之间、电网线损状态特征与电网运行修复知识点之间，以及电网运行修复知识点与电网运行修复知识点之间的修复关联特征，从而能够更为准确出确定出各个电网线损状态特征以及电网运行修复知识点的特征表示。

步骤S103，对于每个模板电网线损特征数据，从模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个电网运行修复知识点范例组，依据电网运行修复知识点范例组中各电网运行修复知识点的决策修复知识点特征，并基于初始化模型权重参数的深度学习网络模型，确定电网运行修复知识点范例组的深度学习数据。

其中，每个电网运行修复知识点范例组包括多个电网运行修复知识点。

其中，电网运行修复知识点范例组中多个电网运行修复知识点可以均为与模板电网线损特征数据的修复关联特征匹配的电网运行修复知识点，或者是，与电网线损数据电网运行修复知识点的修复关联特征不同的电网运行修复知识点。为了能够提高深度学习效果，本申请可以选取出多个电网运行修复知识点范例组，且该多个电网运行修复知识点范例组中包括：各电网运行修复知识点与模板电网线损特征数据的修复关联特征均匹配的电网运行修复知识点范例组，以及，各电网运行修复知识点与模板电网线损特征数据的修复关联特征不匹配的电网运行修复知识点范例组。

为了便于理解，以模板电网线损特征数据的电网运行修复知识点簇包括：与模板电网线损特征数据关联的第一电网运行修复知识点簇以及与模板电网线损特征数据不关联的第二电网运行修复知识点簇为例说明。

一种可替代的实施方式中，选取电网运行修复知识点范例组可以为：从模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个第一电网运行修复知识点范例组和一个或多个第二电网运行修复知识点范例组，该第一电网运行修复知识点范例组包括：来自第一电网运行修复知识点簇的两个第一电网运行修复知识点，第二电网运行修复知识点范例组包括：第一电网运行修复知识点簇中的一个第一电网运行修复知识点以及第二电网运行修复知识点簇中的一个第二电网运行修复知识点。

其中，由于模板电网线损特征数据的第一电网运行修复知识点簇中是与该模板电网线损特征数据关联的电网运行修复知识点，因此，从该第一电网运行修复知识点簇中选取出的两个第一电网运行修复知识点都是与该模板电网线损特征数据关联的电网运行修复知识点，因此，该第一电网运行修复知识点范例组中两个电网运行修复知识点为与模板电网线损特征数据关联性匹配的电网运行修复知识点，这两个电网运行修复知识点属于关联电网运行修复知识点组合，也是联动出现于第一电网运行修复知识点簇的联动电网运行修复知识点。

此外，由于第二电网运行修复知识点范例组中两个电网运行修复知识点分别来自第一电网运行修复知识点簇和第二电网运行修复知识点簇，因此，该第二电网运行修复知识点范例组中一个电网运行修复知识点与模板电网线损特征数据具有关联性，而另一个电网运行修复知识点与该模板电网线损特征数据不具有关联性，因此，该第二样本电网运行修复知识点中两个电网运行修复知识点与模板电网线损特征数据的修复关联特征不同，即这两个电网运行修复知识点属于不关联电网运行修复知识点组合，自然也不属于联动电网运行修复知识点。

在以上该种确定电网运行修复知识点范例组的情况中，可以针对模板电网线损特征数据的每个电网运行修复知识点范例组，可以获得步骤S102中确定出的该电网运行修复知识点范例组中各电网运行修复知识点的决策修复知识点特征，并依据模板电网线损特征数据的各个电网运行修复知识点范例组中各个电网运行修复知识点的决策修复知识点特征训练一深度学习网络模型。

一种可替代的实施方式中，对于每个模板电网线损特征数据，本申请可以从模板电网线损特征数据的第一电网运行修复知识点簇中选取出一电网运行修复知识点子序列，该电网运行修复知识点子序列包括第一电网运行修复知识点簇中多个第一电网运行修复知识点。然后，可以从该电网运行修复知识点簇中该电网运行修复知识点子序列之外的电网运行修复知识点中选取出一个或多个电网运行修复知识点，并将选取出的每个电网运行修复知识点分别与电网运行修复知识点子序列组成一个电网运行修复知识点范例组，生成一个或多个电网运行修复知识点范例组。

如，对于每个模板电网线损特征数据，在从第一电网运行修复知识点簇选取出电网运行修复知识点子序列之后，可以将第一电网运行修复知识点簇和第二电网运行修复知识点簇中不属于电网运行修复知识点子序列的各电网运行修复知识点分别与该电网运行修复知识点子序列组成一个电网运行修复知识点范例组，从而得到多个电网运行修复知识点范例组。例如，假设模板电网线损特征数据的第一电网运行修复知识点簇包括电网运行修复知识点1、电网运行修复知识点2和电网运行修复知识点3，而其第二电网运行修复知识点簇包括电网运行修复知识点4和电网运行修复知识点5，如果电网运行修复知识点1和电网运行修复知识点2被选为电网运行修复知识点子序列，则该电网运行修复知识点子序列可以与电网运行修复知识点3组成一个电网运行修复知识点范例组，且该电网运行修复知识点子序列还可以与电网运行修复知识点4组成一个电网运行修复知识点范例组，同时，该电网运行修复知识点子序列还可以与电网运行修复知识点5组成一个电网运行修复知识点子序列。

由于电网运行修复知识点子序列包括多个电网运行修复知识点，因此，可以将电网运行修复知识点子序列中各第一电网运行修复知识点的决策修复知识点特征的加权特征确定为该电网运行修复知识点子序列的决策修复知识点特征。在此基础上，可以依据电网运行修复知识点范例组中电网运行修复知识点子序列的决策修复知识点特征以及电网运行修复知识点范例组中该电网运行修复知识点子序列之外的电网运行修复知识点的决策修复知识点特征，并基于深度学习网络模型，确定该电网运行修复知识点范例组的深度学习数据。

电网运行修复知识点范例组的关联类别反映该电网运行修复知识点范例组中各电网运行修复知识点的修复关联特征是否匹配。其中，一个电网运行修复知识点范例组中各个电网运行修复知识点与电网线损数据关联是否匹配可以包括两种情况，一种为关联性匹配，另一种为关联性不匹配。在本申请中，深度学习数据为由该深度学习网络模型决策的，反映该样本电网运行修复知识点中各个电网运行修复知识点的修复关联特征是否匹配的关联标签。

步骤S104，依据各模板电网线损特征数据的决策修复关联特征以及各模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点实际携带的修复关联特征，确定电网运行修复决策模型的第一训练误差参数值。

其中，模板电网线损特征数据的决策修复关联特征可以为表征决策的该模板电网线损特征数据的电网运行修复知识点簇中各个电网运行修复知识点与该模板电网线损特征数据的修复关联特征，在此基础上，在模板电网线损特征数据的电网运行修复知识点簇中各个电网运行修复知识点实际携带的与该模板电网线损特征数据的修复关联特征已知的情况下，可以依据设定训练误差函数，确定电网运行修复决策模型的训练误差参数值。

电网运行修复决策模型的训练误差参数值用于表示电网运行修复决策模型的关联性输出信息的可信度，其也是衡量电网运行修复决策模型是否收敛的参考条件。其中，本申请将电网运行修复决策模型的训练误差参数值称为第一训练误差参数值。

一种可替代的实施方式中，对于每个模板电网线损特征数据，本申请还可以将该模板电网线损特征数据的决策修复关联特征加载至初始化模型权重参数的全连接输出单元，生成该全连接输出单元决策的模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点与所述模板电网线损特征数据之间的关联性输出信息。在此基础上，可以依据各模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点的关联性输出信息和实际携带的修复关联特征，确定电网运行修复决策模型的第一训练误差参数值。

步骤S105，依据各模板电网线损特征数据的电网运行修复知识点范例组的训练标注数据以及深度学习数据，确定深度学习网络模型的第二训练误差参数值。

其中，该模板电网线损特征数据的电网运行修复知识点范例组的训练标注数据表征模板电网线损特征数据的电网运行修复知识点范例组中各电网运行修复知识点实际携带的修复关联特征是否匹配。

比如，对于每个模板电网线损特征数据，在电网运行修复知识点簇包括前面提到的第一电网运行修复知识点簇和第二电网运行修复知识点的情况中，如果电网运行修复知识点范例组中各个电网运行修复知识点都来自该模板电网线损特征数据的第一电网运行修复知识点簇，则由于第一电网运行修复知识点簇中各个电网运行修复知识点都与模板电网线损特征数据具有关联性，因此，该电网运行修复知识点范例组的训练标注数据为关联性匹配，即电网运行修复知识点范例组中各个电网运行修复知识点实际携带的修复关联特征匹配。

依据深度学习网络模型决策的模板电网线损特征数据的电网运行修复知识点范例组的深度学习数据与该电网运行修复知识点范例组的训练标注数据，可以确定出用于反映该深度学习网络模型预测精准度的训练误差参数值。为了便于区分，将该深度学习网络模型的训练误差参数值称为第二训练误差参数值。

步骤S106，若依据第一训练误差参数值和第二训练误差参数值确定出未满足模型收敛要求，则更新电网运行修复决策模型和深度学习网络模型的模型权重信息，并迭代进行更新，直至达到模型收敛要求，将更新输出的电网运行修复决策模型确定为最终电网运行修复决策模型。

本申请依据模板电网线损特征数据的电网线损状态特征集合以及模板电网线损特征数据携带的电网运行修复知识点簇对应的电网运行修复知识点簇来训练最终电网运行修复决策模型，这样，在训练最终电网运行修复决策模型的过程中，结合了模板电网线损特征数据中各个电网线损状态特征之间的关系，还结合了电网线损状态特征与电网运行修复知识点以及电网运行修复知识点与电网运行修复知识点之间的关系，由此提高电网运行修复决策的性能，可以便于后续精确确定出电网线损数据具有关联性的多个电网运行修复知识点，提高数据分析的可靠性。

同时，本申请在训练最终电网运行修复决策模型的过程中，会依据该最终电网运行修复决策模型输出的各电网运行修复知识点的决策修复知识点特征，以此训练可以提取电网运行修复知识点间关联性的深度学习网络模型，通过同步训练该深度学习网络模型和该最终电网运行修复决策模型，使得更新输出的最终电网运行修复决策模型可以准确提取电网运行修复知识点间的修复关联特征，而电网运行修复知识点的修复关联特征为确定电网线损数据关联的电网运行修复知识点提供更丰富的特征，从而使得最终电网运行修复决策模型可以精准提取到电网线损数据关联的电网运行修复知识点，提高基于该最终电网运行修复决策模型确定电网线损数据关联的多个电网运行修复知识点的准确性。

为了便于理解，下面以电网运行修复决策模型为长短期记忆网络模型，即最终电网运行修复决策模型为依据长短期记忆网络模型训练得到的为例对本申请的方案进行说明。

长短期记忆网络模型的输入电网线损数据由电网线损状态特征集合和电网运行修复知识点簇构成。

由于长短期记忆网络模型的输入为特征向量，可以先将电网线损状态特征集合中各个电网线损状态特征转换为电网线损状态特征向量，生成电网线损状态特征向量簇，并将模板电网线损特征数据对应的电网运行修复知识点簇中各个电网运行修复知识点转换为电网运行修复知识点向量，生成电网运行修复知识点向量簇。

在此基础上，长短期记忆网络模型的依据目标知识描述向量簇包括：

模板电网线损特征数据对应的电网线损状态特征向量簇，为电网线损状态特征集合中电网线损状态特征的总个数；

模板电网线损特征数据标注电网运行修复知识点簇对应的电网运行修复知识点向量簇为模板电网线损特征数据的电网运行修复知识点簇中电网运行修复知识点的总个数；

对于长短期记忆网络模型输出的各个电网运行修复知识点的决策修复知识点特征，可以组成电网运行修复知识点组合，依据电网运行修复知识点对的决策修复知识点特征进行电网运行修复知识点对联动预测，以判断两个电网运行修复知识点组成的电网运行修复知识点对是否与模板电网线损特征数据的修复关联特征匹配。

同时，对于长短期记忆网络模型输出的各个电网运行修复知识点的决策修复知识点特征，还可以先从多个电网运行修复知识点中选取出一个电网运行修复知识点子序列，然后将电网运行修复知识点子序列与剩余各个电网运行修复知识点分别构成一个电网运行修复知识点范例组，并依据电网运行修复知识点子序列中各电网运行修复知识点以及与电网运行修复知识点子序列进行组合的电网运行修复知识点的决策修复知识点特征，预测电网运行修复知识点子序列与该电网运行修复知识点子序列组合的电网运行修复知识点是否属于均属于第一电网运行修复知识点簇或者第二电网运行修复知识点簇。

下面进一步介绍本申请另一个实施例，参见下述步骤。

步骤S201，获得多个模板电网线损特征数据以及该模板电网线损特征数据携带的电网运行修复知识点簇。

模板电网线损特征数据的电网运行修复知识点簇包括：第一电网运行修复知识点簇和第二电网运行修复知识点簇，第一电网运行修复知识点簇包括：被配置标定为与该模板电网线损特征数据关联的多个第一电网运行修复知识点，第二电网运行修复知识点簇包括：被配置标定为与该模板电网线损特征数据不关联的多个第二电网运行修复知识点。

步骤S202，对于每个模板电网线损特征数据，依据该模板电网线损特征数据的电网线损状态特征集合和模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点组成的集合，生成目标知识描述向量簇。

其中，该目标知识描述向量簇包括电网线损状态特征集合对应的电网线损状态特征向量簇以及电网运行修复知识点簇对应的电网运行修复知识点向量簇，且目标知识描述向量簇包括设置于电网线损状态特征向量簇之前的状态类别区分向量，以及设置于电网运行修复知识点向量簇边缘的知识点区分向量。

其中，电网线损状态特征向量簇为电网线损状态特征集合中各个电网线损状态特征的电网线损状态特征向量构成的簇，该电网运行修复知识点向量簇为电网运行修复知识点簇中各个电网运行修复知识点的电网运行修复知识点向量构成的簇。

步骤S203，将该目标知识描述向量簇加载至初始化模型权重参数的长短期记忆网络模型，生成长短期记忆网络模型输出的决策参考信息簇。

其中，该决策参考信息簇包括状态类别区分向量的决策参考信息以及该电网运行修复知识点簇中各电网运行修复知识点的决策修复知识点特征。

该状态类别区分向量的决策参考信息用于表示模板电网线损特征数据的决策修复关联特征，即，通过状态类别区分向量的决策参考信息来表示电网运行修复知识点簇中各个电网运行修复知识点与该模板电网线损特征数据的修复关联特征。

步骤S204，对于每个模板电网线损特征数据，将该模板电网线损特征数据的决策修复关联特征加载至初始化模型权重参数的全连接输出单元，生成该全连接输出单元决策的该模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点与该模板电网线损特征数据之间的关联性输出信息。

其中，关联性输出信息是指经过长短期记忆网络模型和全连接输出单元决策的该电网运行修复知识点簇中各个电网运行修复知识点与模板电网线损特征数据的修复关联特征。其中，关联性输出信息可以为电网运行修复知识点与模板电网线损特征数据关联的关联可能性。

关联性输出信息也可以表征是否关联的输出标签，如，关联性输出信息对应的是关联这一输出标签，则关联性输出信息对应的取值为1；如果对应不关联这一输出标签，关联性输出信息的取值为0。

本实施例是以将长短期记忆网络模型输出的模板电网线损特征数据对应的决策修复关联特征加载至全连接电网运行修复决策模型来确定电网运行修复知识点簇中各个电网运行修复知识点与模板电网线损特征数据的关联性输出信息为例说明，但是其中，在实际应用中，依据长短期记忆网络模型输出的决策修复关联特征还可以通过深度学习网络模型或者其他方式来确定各个电网运行修复知识点与模板电网线损特征数据的关联性输出信息，对此不加限制。

步骤S205，依据各模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点的关联性输出信息和实际携带的修复关联特征，确定该长短期记忆网络模型的第一训练误差参数值，跳转到步骤S212。

在本实施例中，长短期记忆网络模型的第一训练误差参数值实际上就是由长短期记忆网络模型和全连接输出单元构成的模型的训练误差参数值，或者说是多电网运行修复知识点电网线损数据分类的训练误差参数值。

步骤S206，从模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个第一电网运行修复知识点范例组和一个或多个第二电网运行修复知识点范例组。

其中，第一电网运行修复知识点范例组包括：来自该第一电网运行修复知识点簇的两个第一电网运行修复知识点，所述第二电网运行修复知识点范例组包括：第一电网运行修复知识点簇中的一个第一电网运行修复知识点以及所述第二电网运行修复知识点簇中的一个第二电网运行修复知识点。

在该步骤S206中选取出的每个电网运行修复知识点范例组实际上是由两个电网运行修复知识点组成的电网运行修复知识点组合，其中，第一电网运行修复知识点范例组包括：被配置标定为与模板电网线损特征数据关联的两个电网运行修复知识点，即第一电网运行修复知识点范例组为关联电网运行修复知识点对；而第二电网运行修复知识点范例组包括：被配置标定为与模板电网线损特征数据不关联的两个电网运行修复知识点，即不关联电网运行修复知识点对。

步骤S207，针对第一电网运行修复知识点范例组和第二电网运行修复知识点范例组中每个电网运行修复知识点范例组，依据该电网运行修复知识点范例组中各电网运行修复知识点的决策修复知识点特征，并基于初始化模型权重参数的第一深度学习网络模型，确定该电网运行修复知识点范例组的第一深度学习数据。

第一深度学习数据反映电网运行修复知识点范例组中各电网运行修复知识点的修复关联特征是否匹配。其中，为了便于区分，将通过步骤S206到步骤S207的方式确定出电网运行修复知识点范例组，并依据第一深度学习网络模型决策的深度学习数据称为第一深度学习数据。

如，由于第一电网运行修复知识点范例组为两个关联电网运行修复知识点组合，而第二电网运行修复知识点范例组为两个不关联电网运行修复知识点组合，因此，该第一深度学习数据可以包括：关联(或者说，关联电网运行修复知识点对)，以及不关联(或者说不关联电网运行修复知识点对)这两个类别。

相应的，可以将电网运行修复知识点的决策修复知识点特征以及电网运行修复知识点的决策修复知识点特征加载至第一深度学习网络模型中，从而通过第一深度学习网络模型决策的电网运行修复知识点与电网运行修复知识点是否属于关联电网运行修复知识点对。如，通过第一深度学习网络模型决策的电网运行修复知识点与电网运行修复知识点属于关联电网运行修复知识点对的可能性。

步骤S208，依据各模板电网线损特征数据的电网运行修复知识点范例组的训练标注数据以及第一深度学习数据，确定该第一深度学习网络模型的第二训练误差参数值，跳转到步骤S212。

对于一个模板电网线损特征数据而言，电网运行修复知识点范例组的训练标注数据表征该模板电网线损特征数据的电网运行修复知识点范例组中各电网运行修复知识点实际携带的修复关联特征是否匹配。该训练标注数据由电网运行修复知识点范例组中各电网运行修复知识点实际被携带的修复关联特征决定。

如，对于第一电网运行修复知识点范例组而言，由于第一电网运行修复知识点范例组中两个电网运行修复知识点都来自与模板电网线损特征数据关联的第一电网运行修复知识点簇，因此，第一电网运行修复知识点范例组中两个电网运行修复知识点均与模板电网线损特征数据关联，即第一电网运行修复知识点范例组的训练标注数据为关联(或者说属于关联电网运行修复知识点对)。类似的，第二电网运行修复知识点范例组的训练标注数据为不关联(或者说属于不关联电网运行修复知识点对)

在此基础上，对于每个模板电网线损特征数据的每个电网运行修复知识点范例组而言，依据其训练标注数据以及决策的第一深度学习数据，便可以确定出第一深度学习网络模型是否准确预测出电网运行修复知识点范例组所属的关联类别。

其中，第一深度学习网络模型的训练误差参数值反映第一深度学习网络模型预测电网运行修复知识点范例组的深度学习数据的准确性。

步骤S209，对于每个模板电网线损特征数据，从模板电网线损特征数据的第一电网运行修复知识点簇中选取出一电网运行修复知识点子序列，从该电网运行修复知识点簇中该电网运行修复知识点子序列之外的电网运行修复知识点中选取出一个或多个电网运行修复知识点，并将选取出的每个电网运行修复知识点分别与该电网运行修复知识点子序列组成一个电网运行修复知识点范例组，生成一个或多个电网运行修复知识点范例组。

其中，该电网运行修复知识点子序列包括第一电网运行修复知识点簇中多个第一电网运行修复知识点。

针对某个模板电网线损特征数据，假设第一电网运行修复知识点簇至少包括与模板电网线损特征数据关联的电网运行修复知识点1、电网运行修复知识点3和电网运行修复知识点n，而第二电网运行修复知识点簇至少包括与模板电网线损特征数据不关联的电网运行修复知识点2和电网运行修复知识点4。

将电网运行修复知识点1和电网运行修复知识点n选取为电网运行修复知识点子序列。相应的，电网运行修复知识点子序列可以与第一电网运行修复知识点簇中的电网运行修复知识点3组合为一个电网运行修复知识点范例组，电网运行修复知识点子序列还可以是与第二电网运行修复知识点簇中的电网运行修复知识点2组成一个电网运行修复知识点范例组，电网运行修复知识点子序列还可以是与第二电网运行修复知识点簇中的电网运行修复知识点4组成一个电网运行修复知识点范例组。

步骤S210，针对该模板电网线损特征数据的每个电网运行修复知识点范例组，将该电网运行修复知识点范例组中该电网运行修复知识点子序列中各第一电网运行修复知识点的决策修复知识点特征的加权特征确定为该电网运行修复知识点子序列的决策修复知识点特征，依据该电网运行修复知识点范例组中电网运行修复知识点子序列的决策修复知识点特征以及该电网运行修复知识点范例组中该电网运行修复知识点子序列之外的电网运行修复知识点的决策修复知识点特征，并基于待预测的第二深度学习网络模型，确定该电网运行修复知识点范例组的第二深度学习数据。

其中，第二深度学习数据反映第二深度学习网络模型决策的，该电网运行修复知识点范例组中各电网运行修复知识点的修复关联特征是否匹配。如，第二深度学习数据可以包括：关联输出标签(或者是联动电网运行修复知识点)，以及非关联输出标签(或者称为非联动电网运行修复知识点)。如果第二深度学习数据为关联电网运行修复知识点(或者说联动电网运行修复知识点)，表示预测出电网运行修复知识点范例组中各电网运行修复知识点均属于第一电网运行修复知识点簇中出现的联动电网运行修复知识点；类似的，如果第二深度学习数据为非关联输出标签，则表示预测出该电网运行修复知识点范例组中各电网运行修复知识点不全部属于第一电网运行修复知识点簇中联动的联动电网运行修复知识点。

其中，可以将通过步骤S209到步骤S210的方式确定出电网运行修复知识点范例组，并依据第二深度学习网络模型决策的深度学习数据称为第二深度学习数据。

对于电网运行修复知识点子序列的决策修复知识点特征可以为电网运行修复知识点1的决策修复知识点特征和电网运行修复知识点n的决策修复知识点特征的加权特征。

相应的，对于电网运行修复知识点子序列与电网运行修复知识点2组成的电网运行修复知识点范例组，可以将电网运行修复知识点子序列的决策修复知识点特征与电网运行修复知识点2的决策修复知识点特征加载至第二深度学习网络模型，生成该第二深度学习网络模型决策的该电网运行修复知识点子序列中各个电网运行修复知识点与电网运行修复知识点2是否均属于与模板电网线损特征数据关联的电网运行修复知识点，即是否属于联动于第一电网运行修复知识点簇中的电网运行修复知识点。如，通过第二深度学习网络模型决策的电网运行修复知识点子序列与电网运行修复知识点2属于关联电网运行修复知识点对的可能性。

对于电网运行修复知识点子序列与电网运行修复知识点3或者电网运行修复知识点4组合成的电网运行修复知识点范例组其过程也类似，对此不再赘述。

步骤S211，依据各模板电网线损特征数据的电网运行修复知识点范例组的训练标注数据以及第二深度学习数据，确定该第二深度学习网络模型的第二训练误差参数值。

其中，模板电网线损特征数据的电网运行修复知识点范例组的训练标注数据表征模板电网线损特征数据的电网运行修复知识点范例组中各电网运行修复知识点实际携带的修复关联特征是否匹配。

该步骤S211与前面步骤S208类似，在此不再赘述。

步骤S212，若依据第一训练误差参数值、第一深度学习网络模型的第二训练误差参数值以及第二深度学习网络模型的第二损失函数确定出未满足模型收敛要求，如果是，则结束训练，将更新输出的长短期记忆网络模型和全连接输出单元确定为最终电网运行修复决策模型；如果否，更新长短期记忆网络模型、全连接输出单元、第一深度学习网络模型和第二深度学习网络模型的模型权重信息，并返回步骤S202并迭代进行更新，直至达到模型收敛要求，则将训练得到的长短期记忆网络模型和全连接电网运行修复决策模型作为最终电网运行修复决策模型。

下面介绍本申请的一种应用实施例：

步骤S301，获得输入的电网线损数据以及设定的电网运行修复知识点簇。

其中，电网线损数据包括由一个或多个电网线损状态特征组成的电网线损状态特征集合。该输入的电网线损数据为需要确定其关联的多个电网运行修复知识点的电网线损数据。

步骤S302，依据该电网线损数据的电网线损状态特征集合以及该电网运行修复知识点簇中各电网运行修复知识点组成的集合，并基于最终电网运行修复决策模型，确定该电网线损数据的决策修复关联特征。

其中，该电网线损数据的决策修复关联特征为由最终电网运行修复决策模型决策的，反映该电网运行修复知识点簇中各电网运行修复知识点与该电网线损数据的修复关联特征的特征。

其中，该最终电网运行修复决策模型包括经过多流程模型更新得到的电网运行修复决策模型。

所述多流程模型更新为：基于多个模板电网线损特征数据对应的样本电网线损状态特征集合以及模板电网线损特征数据携带的样本电网运行修复知识点簇对应的样本电网运行修复知识点簇，以预测出该模板电网线损特征数据与其样本电网运行修复知识点簇中各电网运行修复知识点的修复关联特征为训练目标训练所述电网运行修复决策模型；并且，在训练该电网运行修复决策模型的过程中，依据该模板电网线损特征数据的一个或多个电网运行修复知识点范例组中各电网运行修复知识点的决策修复知识点特征，以预测出该电网运行修复知识点范例组中各电网运行修复知识点的修复关联特征是否匹配为训练目标，同步训练深度学习网络模型。

其中，样本电网运行修复知识点簇由样本电网运行修复知识点簇中各个电网运行修复知识点组成。模板电网线损特征数据的电网运行修复知识点范例组包括从该模板电网线损特征数据的样本电网运行修复知识点簇中选取出的多个电网运行修复知识点，该电网运行修复知识点的决策修复知识点特征为该电网运行修复决策模型决策的电网运行修复知识点的电网运行修复知识点特征。

其中，为了与设定的电网运行修复知识点簇进行区分，本申请将训练最终电网运行修复决策模型所采用的模板电网线损特征数据对应的电网线损状态特征集合称为样本电网线损状态特征集合，将模板电网线损特征数据携带的电网运行修复知识点簇称为样本电网运行修复知识点簇，并将样本电网运行修复知识点簇对应的电网运行修复知识点簇称为样本电网运行修复知识点簇。

一种可替代的实施方式中，该最终电网运行修复决策模型仅包括电网运行修复决策模型，如前面所述，该电网运行修复决策模型可以有多种可能。作为一种优选方式，该电网运行修复决策模型可以为长短期记忆网络模型。

一种可替代的实施方式中，该最终电网运行修复决策模型可以包括电网运行修复决策模型和全连接电网运行修复决策模型，具体可见最终电网运行修复决策模型的训练部分，在此不再赘述。

步骤S303，依据该电网线损数据的决策修复关联特征，从该电网运行修复知识点簇中确定出与电网线损数据关联的多个电网运行修复知识点。

如，依据决策修复关联特征确定出电网运行修复知识点簇中各个电网运行修复知识点与该电网线损数据的修复关联特征，并依据各个电网运行修复知识点与电网线损数据的修复关联特征，选取出与该电网线损数据关联的多个电网运行修复知识点。

一种可替代的实施方式中，该最终电网运行修复决策模型还包括全连接输出单元，相应的，可以将该电网线损数据的决策修复关联特征加载至更新输出的全连接输出单元，生成该电网运行修复知识点簇中各电网运行修复知识点与该电网线损数据的关联性输出信息。如，该关联性输出信息可以为表征电网运行修复知识点与电网线损数据关联程度的关联可能性，或者是，表征电网运行修复知识点与电网线损数据是否关联的输出信息。

相应的，依据该电网运行修复知识点簇中各电网运行修复知识点与该电网线损数据的关联性输出信息，确定出该电网运行修复知识点簇中与电网线损数据关联的多个电网运行修复知识点。如，假设关联性输出信息为关联可能性，则可以将电网运行修复知识点簇中关联可能性大于设定阈值的电网运行修复知识点，确定为该电网线损数据关联的电网运行修复知识点。

其中，结合最终电网运行修复决策模型的训练过程可知，由于最终电网运行修复决策模型能具备相对较强的提取电网运行修复知识点关联性的能力，因此，本申请基于该最终电网运行修复决策模型可以更为准确的确定出电网线损数据关联的电网运行修复知识点。

同时，本申请会同时依据电网线损数据的电网线损状态特征集合以及该电网运行修复知识点簇中各个电网运行修复知识点组成的集合来预测电网线损数据的决策修复关联特征，从而使得最终电网运行修复决策模型不仅会分析电网线损数据中各个电网线损状态特征之间的关系，还会分析电网运行修复知识点簇中各个电网运行修复知识点以及电网运行修复知识点与电网线损数据中电网线损状态特征之间的修复关联特征，从而有利于更为准确的确定出电网运行修复知识点簇中各个电网运行修复知识点与该电网线损数据的修复关联特征，进而能够进一步提高多电网运行修复知识点电网线损数据分类的准确性。

下面以最终电网运行修复决策模型中的电网运行修复决策模型为长短期记忆网络模型为例说明。提供进一步的应用实施例，可以包括：

步骤S401，获得输入的电网线损数据以及设定的电网运行修复知识点簇。

其中，电网线损数据包括由一个或多个电网线损状态特征组成的电网线损状态特征集合。

步骤S402，依据该电网线损数据的电网线损状态特征集合以及电网运行修复知识点簇中各电网运行修复知识点组成的集合，生成该电网线损数据的目标知识描述向量簇。

其中，该电网线损数据的目标知识描述向量簇中包括电网线损状态特征向量簇，电网运行修复知识点向量簇，以及设置在电网线损状态特征向量簇之前的状态类别区分向量。该电网线损状态特征向量簇为由该电网线损状态特征集合中各个电网线损状态特征的电网线损状态特征向量组成，该电网运行修复知识点向量簇为由电网运行修复知识点簇中各个电网运行修复知识点的电网运行修复知识点向量组成。

其中，生成电网线损数据的目标知识描述向量簇与前面生成模板电网线损特征数据的目标知识描述向量簇的过程相似。

步骤S403，将该电网线损数据的目标知识描述向量簇加载至最终电网运行修复决策模型的长短期记忆网络模型中，生成长短期记忆网络模型输出的状态类别区分向量的决策参考信息。

该状态类别区分向量的决策参考信息用于表示电网线损数据的决策修复关联特征。

步骤S404，将该电网线损数据的决策修复关联特征加载至最终电网运行修复决策模型的全连接输出单元，生成全连接输出单元输出的该电网运行修复知识点簇中各电网运行修复知识点与该电网线损数据的修复关联特征可能性。

步骤S405，将电网运行修复知识点簇中与电网线损数据的修复关联特征可能性大于设定阈值的多个电网运行修复知识点确定为电网线损数据关联的电网运行修复知识点。

基于以上步骤，本申请依据模板电网线损特征数据的电网线损状态特征集合以及模板电网线损特征数据携带的电网运行修复知识点簇对应的电网运行修复知识点簇来训练最终电网运行修复决策模型，这样，在训练最终电网运行修复决策模型的过程中，结合了模板电网线损特征数据中各个电网线损状态特征之间的关系，还结合了电网线损状态特征与电网运行修复知识点以及电网运行修复知识点与电网运行修复知识点之间的关系，由此提高电网运行修复决策的性能，可以便于后续精确确定出电网线损数据具有关联性的多个电网运行修复知识点，提高数据分析的可靠性。

同时，本申请在训练最终电网运行修复决策模型的过程中，会依据该最终电网运行修复决策模型输出的各电网运行修复知识点的决策修复知识点特征，以此训练可以提取电网运行修复知识点间关联性的深度学习网络模型，通过同步训练该深度学习网络模型和该最终电网运行修复决策模型，使得更新输出的最终电网运行修复决策模型可以准确提取电网运行修复知识点间的修复关联特征，而电网运行修复知识点的修复关联特征为确定电网线损数据关联的电网运行修复知识点提供更丰富的特征，从而使得最终电网运行修复决策模型可以精准提取到电网线损数据关联的电网运行修复知识点，提高电网运行修复知识点挖掘的准确性。

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。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)

1.一种用于电网线损修复系统的数据分析方法，其特征在于，应用于云服务器，所述方法包括：

获得多个模板电网线损特征数据以及所述模板电网线损特征数据携带的电网运行修复知识点簇，所述模板电网线损特征数据的电网运行修复知识点簇包括：携带了与所述模板电网线损特征数据的修复关联特征的多个电网运行修复知识点，所述模板电网线损特征数据包括由一个或多个电网线损状态特征构成的电网线损状态特征集合；

对于每个所述模板电网线损特征数据，依据所述模板电网线损特征数据的电网线损状态特征集合和所述模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点组成的集合，并基于初始化模型权重参数的电网运行修复决策模型，确定所述模板电网线损特征数据的决策修复关联特征和所述电网运行修复知识点簇中各电网运行修复知识点的决策修复知识点特征，所述模板电网线损特征数据的决策修复关联特征反映决策的所述模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点与所述模板电网线损特征数据的修复关联特征；

对于每个所述模板电网线损特征数据，从所述模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个电网运行修复知识点范例组，依据所述电网运行修复知识点范例组中各电网运行修复知识点的所述决策修复知识点特征，并基于初始化模型权重参数的深度学习网络模型，确定所述电网运行修复知识点范例组的深度学习数据，所述电网运行修复知识点范例组包括多个电网运行修复知识点，所述深度学习数据反映所述电网运行修复知识点范例组中各电网运行修复知识点的修复关联特征是否匹配；

依据各模板电网线损特征数据的决策修复关联特征以及各模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点实际携带的修复关联特征，确定所述电网运行修复决策模型的第一训练误差参数值；

依据各模板电网线损特征数据的所述电网运行修复知识点范例组的训练标注数据以及深度学习数据，确定所述深度学习网络模型的第二训练误差参数值，所述模板电网线损特征数据的电网运行修复知识点范例组的训练标注数据表征所述模板电网线损特征数据的电网运行修复知识点范例组中各电网运行修复知识点实际携带的修复关联特征是否匹配；

若依据所述第一训练误差参数值和第二训练误差参数值确定出未满足模型收敛要求，则更新所述电网运行修复决策模型和深度学习网络模型的模型权重信息，并迭代进行更新，直至满足所述模型收敛要求，将更新输出的电网运行修复决策模型确定为最终电网运行修复决策模型。

2.根据权利要求1所述的用于电网线损修复系统的数据分析方法，其特征在于，所述依据各模板电网线损特征数据的决策修复关联特征以及各模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点实际携带的修复关联特征，确定所述电网运行修复决策模型的第一训练误差参数值，包括：

对于每个模板电网线损特征数据，将所述模板电网线损特征数据的决策修复关联特征加载至初始化模型权重参数的全连接输出单元，生成所述全连接输出单元决策的所述模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点与所述模板电网线损特征数据之间的关联性输出信息；

依据各模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点的关联性输出信息和实际携带的修复关联特征，确定所述电网运行修复决策模型的第一训练误差参数值。

3.根据权利要求1或2所述的用于电网线损修复系统的数据分析方法，其特征在于，所述依据所述模板电网线损特征数据的电网线损状态特征集合和所述模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点组成的集合，并基于初始化模型权重参数的电网运行修复决策模型，确定所述模板电网线损特征数据的决策修复关联特征和所述电网运行修复知识点簇中各电网运行修复知识点的决策修复知识点特征，包括：

依据所述模板电网线损特征数据的电网线损状态特征集合以及模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点组成的集合，生成目标知识描述向量簇；其中，所述目标知识描述向量簇中包括电网线损状态特征向量簇，电网运行修复知识点向量簇，以及设置在所述电网线损状态特征向量簇之前的状态类别区分向量，所述电网线损状态特征向量簇为由所述电网线损状态特征集合中各个电网线损状态特征的电网线损状态特征向量组成，所述电网运行修复知识点向量簇为由所述电网运行修复知识点簇中各个电网运行修复知识点的电网运行修复知识点向量组成；

将所述目标知识描述向量簇加载至初始化模型权重参数的电网运行修复决策模型，生成所述电网运行修复决策模型输出的决策参考信息簇，所述决策参考信息簇包括所述状态类别区分向量的决策参考信息以及所述电网运行修复知识点簇中各电网运行修复知识点的决策修复知识点特征，所述状态类别区分向量的决策参考信息用于表示所述模板电网线损特征数据的决策修复关联特征。

4.根据权利要求1所述的用于电网线损修复系统的数据分析方法，其特征在于，所述模板电网线损特征数据的电网运行修复知识点簇包括：第一电网运行修复知识点簇和第二电网运行修复知识点簇，所述第一电网运行修复知识点簇包括：被配置标定为与所述模板电网线损特征数据关联的多个第一电网运行修复知识点，所述第二电网运行修复知识点簇包括：被配置标定为与所述模板电网线损特征数据不关联的多个第二电网运行修复知识点；

所述从所述模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个电网运行修复知识点范例组，包括：

从所述模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个第一电网运行修复知识点范例组和一个或多个第二电网运行修复知识点范例组，所述第一电网运行修复知识点范例组包括：来自所述第一电网运行修复知识点簇的两个第一电网运行修复知识点，所述第二电网运行修复知识点范例组包括：所述第一电网运行修复知识点簇中的一个第一电网运行修复知识点以及所述第二电网运行修复知识点簇中的一个第二电网运行修复知识点。

5.根据权利要求1所述的用于电网线损修复系统的数据分析方法，其特征在于，所述模板电网线损特征数据的电网运行修复知识点簇包括：第一电网运行修复知识点簇和第二电网运行修复知识点簇，所述第一电网运行修复知识点簇包括：被配置标定为与所述模板电网线损特征数据关联的多个第一电网运行修复知识点，所述第二电网运行修复知识点簇包括：被配置标定为与所述模板电网线损特征数据不关联的多个第二电网运行修复知识点；

所述从所述模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个电网运行修复知识点范例组，包括：

从所述模板电网线损特征数据的第一电网运行修复知识点簇中选取出一电网运行修复知识点子序列，所述电网运行修复知识点子序列包括所述第一电网运行修复知识点簇中多个第一电网运行修复知识点；

从所述电网运行修复知识点簇中所述电网运行修复知识点子序列之外的电网运行修复知识点中选取出一个或多个电网运行修复知识点，并将选取出的每个电网运行修复知识点分别与所述电网运行修复知识点子序列组成一个电网运行修复知识点范例组，生成一个或多个电网运行修复知识点范例组；

所述依据所述电网运行修复知识点范例组中各电网运行修复知识点的所述决策修复知识点特征，并基于初始化模型权重参数的深度学习网络模型，确定所述电网运行修复知识点范例组的深度学习数据，包括：

将所述电网运行修复知识点范例组中所述电网运行修复知识点子序列中各第一电网运行修复知识点的决策修复知识点特征的加权特征确定为所述电网运行修复知识点子序列的决策修复知识点特征；

依据所述电网运行修复知识点范例组中所述电网运行修复知识点子序列的决策修复知识点特征以及所述电网运行修复知识点范例组中所述电网运行修复知识点子序列之外的电网运行修复知识点的决策修复知识点特征，并基于待预测的深度学习网络模型，确定所述电网运行修复知识点范例组的深度学习数据。

6.根据权利要求1-5中任意一项所述的用于电网线损修复系统的数据分析方法，其特征在于，所述方法还包括：

获得输入的电网线损数据以及设定的电网运行修复知识点簇，所述电网线损数据包括由一个或多个电网线损状态特征组成的电网线损状态特征集合，所述电网运行修复知识点簇中包括多个电网运行修复知识点；

依据所述电网线损数据的电网线损状态特征集合以及所述电网运行修复知识点簇中各电网运行修复知识点组成的集合，并基于最终电网运行修复决策模型，确定所述电网线损数据的决策修复关联特征，所述电网线损数据的决策修复关联特征反映所述电网运行修复知识点簇中各电网运行修复知识点与所述电网线损数据的修复关联特征；依据所述电网线损数据的决策修复关联特征，从所述电网运行修复知识点簇中确定出与所述电网线损数据关联的多个电网运行修复知识点；

其中，所述最终电网运行修复决策模型包括经过多流程模型更新得到的电网运行修复决策模型；

所述多流程模型更新为：基于多个模板电网线损特征数据对应的样本电网线损状态特征集合以及所述模板电网线损特征数据携带的样本电网运行修复知识点簇对应的样本电网运行修复知识点簇，以预测出所述模板电网线损特征数据与其样本电网运行修复知识点簇中各电网运行修复知识点的修复关联特征为训练目标训练所述电网运行修复决策模型；并且，在训练所述电网运行修复决策模型的过程中，依据所述模板电网线损特征数据的一个或多个电网运行修复知识点范例组中各电网运行修复知识点的决策修复知识点特征，以预测出所述电网运行修复知识点范例组中各电网运行修复知识点的修复关联特征是否匹配为训练目标，同步训练深度学习网络模型；

其中，所述样本电网运行修复知识点簇由样本电网运行修复知识点簇中各个电网运行修复知识点组成；所述模板电网线损特征数据的电网运行修复知识点范例组包括从所述模板电网线损特征数据的样本电网运行修复知识点簇中选取出的多个电网运行修复知识点，所述电网运行修复知识点的决策修复知识点特征为所述电网运行修复决策模型决策的所述电网运行修复知识点的电网运行修复知识点特征。

7.根据权利要求6所述的用于电网线损修复系统的数据分析方法，其特征在于，所述方法还包括：

基于所述电网线损数据关联的多个电网运行修复知识点，对所述电网线损数据所对应的电网运行系统进行运行修复。

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中任意一项所述的用于电网线损修复系统的数据分析方法。

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中任意一项所述的用于电网线损修复系统的数据分析方法。

10.一种用于电网线损修复系统的数据分析系统，其特征在于，所述用于电网线损修复系统的数据分析系统包括云服务器以及与所述云服务器通信连接的能源路由器多能形式储能系统，所述云服务器具体用于：

获得多个模板电网线损特征数据以及所述模板电网线损特征数据携带的电网运行修复知识点簇，所述模板电网线损特征数据的电网运行修复知识点簇包括：携带了与所述模板电网线损特征数据的修复关联特征的多个电网运行修复知识点，所述模板电网线损特征数据包括由一个或多个电网线损状态特征构成的电网线损状态特征集合；

对于每个所述模板电网线损特征数据，依据所述模板电网线损特征数据的电网线损状态特征集合和所述模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点组成的集合，并基于初始化模型权重参数的电网运行修复决策模型，确定所述模板电网线损特征数据的决策修复关联特征和所述电网运行修复知识点簇中各电网运行修复知识点的决策修复知识点特征，所述模板电网线损特征数据的决策修复关联特征反映决策的所述模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点与所述模板电网线损特征数据的修复关联特征；

对于每个所述模板电网线损特征数据，从所述模板电网线损特征数据的电网运行修复知识点簇中选取出一个或多个电网运行修复知识点范例组，依据所述电网运行修复知识点范例组中各电网运行修复知识点的所述决策修复知识点特征，并基于初始化模型权重参数的深度学习网络模型，确定所述电网运行修复知识点范例组的深度学习数据，所述电网运行修复知识点范例组包括多个电网运行修复知识点，所述深度学习数据反映所述电网运行修复知识点范例组中各电网运行修复知识点的修复关联特征是否匹配；

依据各模板电网线损特征数据的决策修复关联特征以及各模板电网线损特征数据的电网运行修复知识点簇中各电网运行修复知识点实际携带的修复关联特征，确定所述电网运行修复决策模型的第一训练误差参数值；

依据各模板电网线损特征数据的所述电网运行修复知识点范例组的训练标注数据以及深度学习数据，确定所述深度学习网络模型的第二训练误差参数值，所述模板电网线损特征数据的电网运行修复知识点范例组的训练标注数据表征所述模板电网线损特征数据的电网运行修复知识点范例组中各电网运行修复知识点实际携带的修复关联特征是否匹配；

若依据所述第一训练误差参数值和第二训练误差参数值确定出未满足模型收敛要求，则更新所述电网运行修复决策模型和深度学习网络模型的模型权重信息，并迭代进行更新，直至满足所述模型收敛要求，将更新输出的电网运行修复决策模型确定为最终电网运行修复决策模型。