CN117767541A - 报警信息的处理方法及风险等级识别模型的训练方法 - Google Patents
报警信息的处理方法及风险等级识别模型的训练方法 Download PDFInfo
- Publication number
- CN117767541A CN117767541A CN202311557690.6A CN202311557690A CN117767541A CN 117767541 A CN117767541 A CN 117767541A CN 202311557690 A CN202311557690 A CN 202311557690A CN 117767541 A CN117767541 A CN 117767541A
- Authority
- CN
- China
- Prior art keywords
- risk level
- transaction data
- fault
- training
- identification model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003672 processing method Methods 0.000 title abstract description 12
- 230000010365 information processing Effects 0.000 title description 10
- 238000009826 distribution Methods 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000003745 diagnosis Methods 0.000 claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 13
- 238000005457 optimization Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000009897 systematic effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种报警信息的处理方法及风险等级识别模型的训练方法。方法包括：获取电网系统中的配网故障报警信息，配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息；将与故障诊断关联的数据特征和故障类型信息输入训练好的风险等级识别模型中，并获取训练好的风险等级识别模型输出的配网故障报警信息对应的风险等级，风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，训练集是根据电网系统的历史报警事务数据生成的；根据风险等级对应的关联处理规则，处理配网故障报警信息。采用本方法能够提高报警信息的处理及时性。
Description
技术领域
本申请涉及电力系统领域，特别是涉及一种报警信息的处理方法及风险等级识别模型的训练方法。
背景技术
电力安全事故，是指电力生产或者电网运行过程中发生的影响电力系统安全稳定运行或者影响电力正常供应的事故，包括热电厂发生的影响热力正常供应的事故。根据电力安全事故影响电力系统安全稳定运行或者影响电力、热力正常供应的程度，电力安全事故分为特别重大事故、重大事故、较大事故和一般事故。
相关技术中，在发生电力安全事故后，事故现场有关人员向发电厂、变电站运行值班人员、电力调度机构值班人员或者本企业现场负责人报告。有关人员接到报告后，再向上一级电力调度机构和本企业负责人报告。此种方式是在事故已经发生，损失已经造成的情况下，可以尽可能的弥补和减少损失。
然而，随着智能电网的推广普及，电网中各种负荷变化、系统失配和设备故障等事件中均有监测，也会发生报警信息，报警信息数量繁杂种类多，导致报警信息无法及时得到处理。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高报警信息处理的及时性的报警信息的处理方法及风险等级识别模型的训练方法。
第一方面，本申请提供了一种报警信息的处理方法。所述方法包括：
获取电网系统中的配网故障报警信息，所述配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息；
将所述与故障诊断关联的数据特征和所述故障类型信息输入训练好的风险等级识别模型中，并获取所述训练好的风险等级识别模型输出的所述配网故障报警信息对应的风险等级，所述风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，所述训练集是根据所述电网系统的历史报警事务数据生成的；
根据所述风险等级对应的关联处理规则，处理所述配网故障报警信息。
在其中一个实施例中，在所述将所述与故障诊断关联的数据特征和所述故障类型信息输入训练好的风险等级识别模型中，并获取所述训练好的风险等级识别模型输出的所述配网故障报警信息对应的风险等级之前，所述方法还包括：
获取所述电网系统的历史报警事务数据；
对所述历史报警事务数据进行聚类，并通过对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集；
在所述报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成所述训练集；
使用所述训练集对所述风险等级识别模型进行无监督预训练和有监督调整。
在其中一个实施例中，所述通过对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集，包括：
采用熵值法确定不同的历史报警事务数据对故障诊断的影响权值；
根据所述影响权值，对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集。
在其中一个实施例中，所述风险等级识别模型包括深度信念网络模型，所述深度信念网络模型包括多层受限玻尔兹曼机和反向传播神经网络层；
所述使用所述训练集对所述风险等级识别模型进行无监督预训练和有监督调整，包括：
通过将上一层受限玻尔兹曼机的隐藏层神经元的状态向量作为下一层受限玻尔兹曼机的输入数据，对每一层受限玻尔兹曼机进行单独的无监督预训练，以得到最后一层受限玻尔兹曼机输出的特征向量，所述训练集为第一层受限玻尔兹曼机的输入数据；
将所述最后一层受限玻尔兹曼机输出的特征输入所述反向传播神经网络层，并将所述反向传播神经网络层输出的误差信息自顶向下传播至每一层受限玻尔兹曼机中，以调整每一层受限玻尔兹曼机的权重和偏置。
在其中一个实施例中，所述风险等级是根据所述电网系统的电力信息划分的，所述电力信息用于表征对所述电网系统的稳定运行和电能质量的影响程度；
所述电力信息包括以下至少一项：电网减供负荷信息、停电用户比例信息、发电厂或者变电站造成对外停电的持续时间信息、发电机组因安全故障停运的时间信息、供热机组对外停止供热的时间。
在其中一个实施例中，所述关联处理规则包括处理对象和电力调度指令，不同风险等级对应的处理对象和/或电力调度指令不同；
所述风险等级包括一级风险等级、二级风险等级和三级风险等级；所述一级风险等级、所述二级风险等级对应的处理对象包括所述电网系统的调度端，所述三级风险等级对应的处理对象包括故障发生端；
所述一级风险等级对应的电力调度指令包括拉限负荷、解列电网和解列发电机组；所述二级风险等级对应的电力调度指令包括开启或者关停发电机组、调整发电机组有功及无功负荷、调整电网运行方式和调整供电调度计划。
第二方面，本申请还提供了一种风险等级识别模型的训练方法。所述方法包括：
获取电网系统的历史报警事务数据；
对所述历史报警事务数据进行聚类，并通过对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集；
在所述报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成所述训练集；
使用所述训练集对所述风险等级识别模型进行无监督预训练和有监督调整，所述风险等级识别模型用于根据配网故障报警信息中与故障诊断关联的数据特征和故障类型信息，识别所述配网故障报警信息对应的风险等级。
第三方面，本申请还提供了一种报警信息的处理装置。所述装置包括：
获取模块，用于获取电网系统中的配网故障报警信息，所述配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息；
识别模块，用于将所述与故障诊断关联的数据特征和所述故障类型信息输入训练好的风险等级识别模型中，并获取所述训练好的风险等级识别模型输出的所述配网故障报警信息对应的风险等级，所述风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，所述训练集是根据所述电网系统的历史报警事务数据生成的；
处理模块，用于根据所述风险等级对应的关联处理规则，处理所述配网故障报警信息。
在其中一个实施例中，所述装置还包括：
模型优化模块，用于获取所述电网系统的历史报警事务数据；对所述历史报警事务数据进行聚类，并通过对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集；在所述报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成所述训练集；使用所述训练集对所述风险等级识别模型进行无监督预训练和有监督调整。
在其中一个实施例中，所述模型优化模块，具体用于采用熵值法确定不同的历史报警事务数据对故障诊断的影响权值；根据所述影响权值，对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集。
在其中一个实施例中，所述风险等级识别模型包括深度信念网络模型，所述深度信念网络模型包括多层受限玻尔兹曼机和反向传播神经网络层；
所述所述模型优化模块，具体用于通过将上一层受限玻尔兹曼机的隐藏层神经元的状态向量作为下一层受限玻尔兹曼机的输入数据，对每一层受限玻尔兹曼机进行单独的无监督预训练，以得到最后一层受限玻尔兹曼机输出的特征向量，所述训练集为第一层受限玻尔兹曼机的输入数据；将所述最后一层受限玻尔兹曼机输出的特征输入所述反向传播神经网络层，并将所述反向传播神经网络层输出的误差信息自顶向下传播至每一层受限玻尔兹曼机中，以调整每一层受限玻尔兹曼机的权重和偏置。
在其中一个实施例中，所述风险等级是根据所述电网系统的电力信息划分的，所述电力信息用于表征对所述电网系统的稳定运行和电能质量的影响程度；
所述电力信息包括以下至少一项：电网减供负荷信息、停电用户比例信息、发电厂或者变电站造成对外停电的持续时间信息、发电机组因安全故障停运的时间信息、供热机组对外停止供热的时间。
在其中一个实施例中，所述关联处理规则包括处理对象和电力调度指令，不同风险等级对应的处理对象和/或电力调度指令不同；
所述风险等级包括一级风险等级、二级风险等级和三级风险等级；所述一级风险等级、所述二级风险等级对应的处理对象包括所述电网系统的调度端，所述三级风险等级对应的处理对象包括故障发生端；
所述一级风险等级对应的电力调度指令包括拉限负荷、解列电网和解列发电机组；所述二级风险等级对应的电力调度指令包括开启或者关停发电机组、调整发电机组有功及无功负荷、调整电网运行方式和调整供电调度计划。
第四方面，本申请还提供了一种风险等级识别模型的训练装置。所述装置包括：
采集模块，用于获取电网系统的历史报警事务数据；
生成模块，用于对所述历史报警事务数据进行聚类，并通过对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集；在所述报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成所述训练集；
训练模块，用于使用所述训练集对所述风险等级识别模型进行无监督预训练和有监督调整，所述风险等级识别模型用于根据配网故障报警信息中与故障诊断关联的数据特征和故障类型信息，识别所述配网故障报警信息对应的风险等级。
第五方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的报警信息的处理方法或第二方面所述的风险等级识别模型的训练方法。
第六方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的报警信息的处理方法或第二方面所述的风险等级识别模型的训练方法。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的报警信息的处理方法或第二方面所述的风险等级识别模型的训练方法。
上述报警信息的处理方法及风险等级识别模型的训练方法，首先获取电网系统中的配网故障报警信息，配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息。随后，将与故障诊断关联的数据特征和故障类型信息输入训练好的风险等级识别模型中，并获取训练好的风险等级识别模型输出的配网故障报警信息对应的风险等级，风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，训练集是根据电网系统的历史报警事务数据生成的。最后，根据风险等级对应的关联处理规则，处理配网故障报警信息。由于通过风险等级识别模型识别配网故障报警信息对应的风险等级，按照不同的风险等级设定不同的关联处理规则，从而使得电网的调度系统可以快速对配网故障报警信息进行处理，能更快控制、减轻和消除电力安全事故损害，控制事故范围，防止发生电网系统性崩溃和瓦解，从而可以提高电网的运行安全。
附图说明
图1为本申请实施例提供的一种报警信息的处理方法的应用环境图；
图2为本申请实施例提供的一种报警信息的处理方法的流程示意图；
图3为本申请实施例提供的一种风险等级划分的示意图；
图4为本申请实施例提供的一种风险等级识别模型的训练方法的流程示意图；
图5为本申请实施例提供的另一种报警信息的处理方法的流程示意图；
图6为本申请实施例提供的一种报警信息的处理装置的结构框图；
图7为本申请实施例提供的一种风险等级识别模型的训练装置的结构框图；
图8为本申请实施例提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的报警信息的处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。
当需要对配网故障报警信息时，发生故障所在地的终端102可以将配网故障报警信息发送给服务器104。服务器104获取电网系统中的配网故障报警信息，该配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息。随后，服务器104将与故障诊断关联的数据特征和故障类型信息输入训练好的风险等级识别模型中，并获取训练好的风险等级识别模型输出的配网故障报警信息对应的风险等级，风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，训练集是根据电网系统的历史报警事务数据生成的。最后，服务器104根据风险等级对应的关联处理规则，处理配网故障报警信息。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种报警信息的处理方法，以该方法应用于图1中的服务器为例进行说明，包括S201-S203：
S201、获取电网系统中的配网故障报警信息。
在本申请中，服务器可以获取电网系统中的配网故障报警信息，从而确定配网故障报警信息的处理方式。
应理解，本申请实施例对于配网故障报警信息不做限制，在一些实施例中，配网故障报警信息可以包括任意影响电力系统安全稳定运行或者影响电力、热力正常供应的故障的报警信息。示例的，配网故障报警信息可以包括电网中负荷变化、系统失配和设备损坏等故障的报警信息。
应理解，本申请实施例对于服务器如何获取配网故障报警信息不做限制，在一些实施例中，电力系统中的各个设备或子系统中均设置有监控设备，该监控设备当检测到电力系统中的各个设备或子系统故障时，可以向服务器发送配网故障报警信息
其中，配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息。应理解，本申请实施例对于如何确定与故障诊断关联的数据特征不做限制，在一些实施例中，与故障诊断关联的数据特征可以包含特定的标识，通过识别该标识，可以确定配网故障报警信息中与故障诊断关联的数据特征。
应理解，本申请实施例对于故障类型信息也不做限制，可以根据实际情况采用多种不同的划分方式，示例性的，可以包括设备故障、系统故障、负荷异常等。
S202、将与故障诊断关联的数据特征和故障类型信息输入训练好的风险等级识别模型中，并获取训练好的风险等级识别模型输出的配网故障报警信息对应的风险等级。
其中，风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，训练集是根据电网系统的历史报警事务数据生成的。
在本申请中，当服务器获取电网系统中的配网故障报警信息后，可以将与故障诊断关联的数据特征和故障类型信息输入训练好的风险等级识别模型中，并获取训练好的风险等级识别模型输出的配网故障报警信息对应的风险等级。
下面对于如何训练风险等级识别模型进行说明。
在一些实施例中，服务器可以首先获取电网系统的历史报警事务数据。其次，服务器可以对历史报警事务数据进行聚类，并通过对历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集，再次，服务器在报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成训练集。最后，服务器使用训练集对风险等级识别模型进行无监督预训练和有监督调整。
其中，上述历史报警事务数据可以为电网系统中历史发生的配网故障报警信息。
应理解，上述对历史报警事务数据进行聚类的过程，即对历史报警事务数据进行预处理，通过对历史报警事务数据的聚类，可以将对历史报警事务数据划分为多个簇，同时，可以使同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大，然后把相似的簇内的数据进行整体处理。
应理解，本申请实施例对于如何对历史报警事务数据中与故障诊断关联的数据特征进行加权编码也不做限制，在一些实施例中，可以采用熵值法确定不同的历史报警事务数据对故障诊断的影响权值，随后，再根据影响权值，对历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集。通过影响权值，选取和故障诊断最相关的数据特征并进行加权编码，从而可以为所有的历史报警事务数据进行加权编码，保证历史报警事务数据覆盖的全面性。
在一些实施例中，上述风险等级识别模型可以包括深度信念网络模型，相应的，深度信念网络模型包括多层受限玻尔兹曼机和反向传播神经网络层。
示例性的，深度信念网络模型可以包括叠加型深度信念网络模型、双向深度信念网络模型、时序深度信念网络模型、条件深度信念网络模型、深度置信网络模型等，本申请实施例对此不做限制。
在一些实施例中，服务器可以通过将上一层受限玻尔兹曼机的隐藏层神经元的状态向量作为下一层受限玻尔兹曼机的输入数据，对每一层受限玻尔兹曼机进行单独的无监督预训练，以得到最后一层受限玻尔兹曼机输出的特征向量，训练集为第一层受限玻尔兹曼机的输入数据。随后，服务器再将最后一层受限玻尔兹曼机输出的特征输入反向传播神经网络层，并将反向传播神经网络层输出的误差信息自顶向下传播至每一层受限玻尔兹曼机中，以调整每一层受限玻尔兹曼机的权重和偏置。
示例性的，对于无监督预训练，服务器可以首先将训练集作为第一层受限玻尔兹曼机的输入数据进行训练。在充分训练第一层受限玻尔兹曼机后，将第一层受限玻尔兹曼机的隐藏层神经元的状态向量作为第二个受限玻尔兹曼机可视层的输入向量，对第二个受限玻尔兹曼机进行训练。随后，再将第二个受限玻尔兹曼机的隐藏层神经元的状态向量作为第三个受限玻尔兹曼机可视层的输入向量，并以此类推，不断地单独无监督地训练每一层受限玻尔兹曼机网络，直到最后一个受限玻尔兹曼机的隐藏层输出数据作为整个网络最终的输出结果。
应理解，深度信念网络模型可以采用逐层训练的方式来快速训练，即从最底层开始，每次只训练一层，直到最后一层。
示例性的，对于有监督调整训练，在完成无监督训练过程后，在深度信念网络的最后一层设置反向传播神经网络(Backpropagation Neural Network，BP)层，接收最后一个受限玻尔兹曼网络输出的特征向量作为其输入特征向量，同时将误差信息自顶向下传播至每一层受限玻尔兹曼机，调整整个深度信念网络，调整过程为有监督的训练过程，通过调整每层受限玻尔兹曼机的权重和偏置，使其达到最优。
S203、根据风险等级对应的关联处理规则，处理配网故障报警信息。
在本步骤中，在服务器获取训练好的风险等级识别模型输出的配网故障报警信息对应的风险等级后，可以根据风险等级对应的关联处理规则，处理配网故障报警信息。
其中，风险等级包括一级风险等级、二级风险等级和三级风险等级。示例性的，一级风险等级可以对应导致特别重大或重大电力安全事故的风险，二级风险等级可以对应可能导致较大或一般电力安全事故的风险，三级风险等级可以对应其他风险。
应理解，本申请实施例对于如何划分风险等级不做限制，在一些实施例中，风险等级是根据电网系统的电力信息划分的，电力信息用于表征对电网系统的稳定运行和电能质量的影响程度。
示例性的，电力信息包括以下至少一项：电网减供负荷信息、停电用户比例信息、发电厂或者变电站造成对外停电的持续时间信息、发电机组因安全故障停运的时间信息、供热机组对外停止供热的时间。
在一些实施例中，不同风险等级对应的处理对象和/或电力调度指令不同。
示例性的，图3为本申请实施例提供的一种风险等级划分的示意图。如图3所示，一级风险等级、二级风险等级对应的处理对象包括电网系统的调度端，三级风险等级对应的处理对象包括故障发生端。相应的，一级风险等级对应的电力调度指令包括拉限负荷、解列电网和解列发电机组；二级风险等级对应的电力调度指令包括开启或者关停发电机组、调整发电机组有功及无功负荷、调整电网运行方式和调整供电调度计划。
其中，电网系统的调度端处理的配网故障报警信息可以由调度中心进行调度处理，故障发生端的配网故障报警信息可以由对应的故障发生地工作人员处理。
在本申请中，服务器在接收到配网故障报警信息后，可以通过风险等级识别模型快速识别出风险等级，属于一级和二级风险等级的报警信息能够快速做出调度相应，对于属于三级风险等级的属于一般故障，则交由故障发生地工作人员进行处理即可，即能让电网自动调度系统做出快速调度命令的响应，数据响应速度更快。
在本申请中，基于深度信念网络对训练集进行处理，完成配网故障报警信息的风险等级分级，并按照对应的报警信息风险等级分级指定对应的关联处理规则，让电网自动调度系统快速做出调度命令响应，能控制、减轻和消除电力安全事故损害，控制事故范围，防止发生电网系统性崩溃和瓦解，尽可能避免事故危及人身和设备安全。
本申请采用深度信念网络对训练集中数据进行处理压缩，从繁杂的既往报警信息中提取并进行报警信息风险等级分级，然后按照不同的风险等级设定不同的处理规则，从而可以提高报警信息的处理及时性。
本申请实施例提供的报警信息的处理方法，首先获取电网系统中的配网故障报警信息，配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息。随后，将与故障诊断关联的数据特征和故障类型信息输入训练好的风险等级识别模型中，并获取训练好的风险等级识别模型输出的配网故障报警信息对应的风险等级，风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，训练集是根据电网系统的历史报警事务数据生成的。最后，根据风险等级对应的关联处理规则，处理配网故障报警信息。由于通过风险等级识别模型识别配网故障报警信息对应的风险等级，按照不同的风险等级设定不同的关联处理规则，从而使得电网的调度系统可以快速对配网故障报警信息进行处理，能更快控制、减轻和消除电力安全事故损害，控制事故范围，防止发生电网系统性崩溃和瓦解，从而可以提高电网的运行安全。
下面对于如何训练风险等级识别模型进行说明。图4为本申请实施例提供的一种风险等级识别模型的训练方法的流程示意图，如图4所示，该风险等级识别模型的训练方法，包括S301-S304：
S301、获取电网系统的历史报警事务数据。
其中，上述历史报警事务数据可以为电网系统中历史发生的配网故障报警信息。
S302、对历史报警事务数据进行聚类，并通过对历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集。
应理解，上述对历史报警事务数据进行聚类的过程，即对历史报警事务数据进行预处理，通过对历史报警事务数据的聚类，可以将对历史报警事务数据划分为多个簇，同时，可以使同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大，然后把相似的簇内的数据进行整体处理。
应理解，本申请实施例对于如何对历史报警事务数据中与故障诊断关联的数据特征进行加权编码也不做限制，在一些实施例中，可以采用熵值法确定不同的历史报警事务数据对故障诊断的影响权值，随后，再根据影响权值，对历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集。通过影响权值，选取和故障诊断最相关的数据特征并进行加权编码，从而可以为所有的历史报警事务数据进行加权编码，保证历史报警事务数据覆盖的全面性。
S303、在报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成训练集。
S304、使用训练集对风险等级识别模型进行无监督预训练和有监督调整，风险等级识别模型用于根据配网故障报警信息中与故障诊断关联的数据特征和故障类型信息，识别配网故障报警信息对应的风险等级。
在一些实施例中，服务器可以通过将上一层受限玻尔兹曼机的隐藏层神经元的状态向量作为下一层受限玻尔兹曼机的输入数据，对每一层受限玻尔兹曼机进行单独的无监督预训练，以得到最后一层受限玻尔兹曼机输出的特征向量，训练集为第一层受限玻尔兹曼机的输入数据。随后，服务器再将最后一层受限玻尔兹曼机输出的特征输入反向传播神经网络层，并将反向传播神经网络层输出的误差信息自顶向下传播至每一层受限玻尔兹曼机中，以调整每一层受限玻尔兹曼机的权重和偏置。
在本申请中，基于深度信念网络对训练集进行处理，完成配网故障报警信息的风险等级分级，并按照对应的报警信息风险等级分级指定对应的关联处理规则，让电网自动调度系统快速做出调度命令响应，能控制、减轻和消除电力安全事故损害，控制事故范围，防止发生电网系统性崩溃和瓦解，尽可能避免事故危及人身和设备安全。
图5为本申请实施例提供的另一种报警信息的处理方法的流程示意图，如图5所示，该风险等级识别模型的训练方法，包括S401-S407：
S401、获取电网系统的历史报警事务数据。
S402、对历史报警事务数据进行聚类，并通过对历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集。
S403、在报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成训练集。
S404、使用训练集对风险等级识别模型进行无监督预训练和有监督调整。
S405、获取电网系统中的配网故障报警信息，配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息。
S406、将与故障诊断关联的数据特征和故障类型信息输入训练好的风险等级识别模型中，并获取训练好的风险等级识别模型输出的配网故障报警信息对应的风险等级，风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，训练集是根据电网系统的历史报警事务数据生成的。
S407、根据风险等级对应的关联处理规则，处理配网故障报警信息。
本申请实施例提供的报警信息的处理方法，首先获取电网系统中的配网故障报警信息，配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息。随后，将与故障诊断关联的数据特征和故障类型信息输入训练好的风险等级识别模型中，并获取训练好的风险等级识别模型输出的配网故障报警信息对应的风险等级，风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，训练集是根据电网系统的历史报警事务数据生成的。最后，根据风险等级对应的关联处理规则，处理配网故障报警信息。由于通过风险等级识别模型识别配网故障报警信息对应的风险等级，按照不同的风险等级设定不同的关联处理规则，从而使得电网的调度系统可以快速对配网故障报警信息进行处理，能更快控制、减轻和消除电力安全事故损害，控制事故范围，防止发生电网系统性崩溃和瓦解，从而可以提高电网的运行安全。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的报警信息的处理方法的报警信息的处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个报警信息的处理装置实施例中的具体限定可以参见上文中对于报警信息的处理方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种报警信息的处理装置500，包括：获取模块501、识别模块502、处理模块503和模型优化模块504，其中：
获取模块501，用于获取电网系统中的配网故障报警信息，配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息。
识别模块502，用于将与故障诊断关联的数据特征和故障类型信息输入训练好的风险等级识别模型中，并获取训练好的风险等级识别模型输出的配网故障报警信息对应的风险等级，风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，训练集是根据电网系统的历史报警事务数据生成的。
处理模块503，用于根据风险等级对应的关联处理规则，处理配网故障报警信息。
在其中一个实施例中，报警信息的处理装置500还包括：
模型优化模块504，用于获取电网系统的历史报警事务数据；对历史报警事务数据进行聚类，并通过对历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集；在报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成训练集；使用训练集对风险等级识别模型进行无监督预训练和有监督调整。
在其中一个实施例中，模型优化模块504，具体用于采用熵值法确定不同的历史报警事务数据对故障诊断的影响权值；根据影响权值，对历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集。
在其中一个实施例中，风险等级识别模型包括深度信念网络模型，深度信念网络模型包括多层受限玻尔兹曼机和反向传播神经网络层。
模型优化模块504，具体用于通过将上一层受限玻尔兹曼机的隐藏层神经元的状态向量作为下一层受限玻尔兹曼机的输入数据，对每一层受限玻尔兹曼机进行单独的无监督预训练，以得到最后一层受限玻尔兹曼机输出的特征向量，训练集为第一层受限玻尔兹曼机的输入数据；将最后一层受限玻尔兹曼机输出的特征输入反向传播神经网络层，并将反向传播神经网络层输出的误差信息自顶向下传播至每一层受限玻尔兹曼机中，以调整每一层受限玻尔兹曼机的权重和偏置。
在其中一个实施例中，风险等级是根据电网系统的电力信息划分的，电力信息用于表征对电网系统的稳定运行和电能质量的影响程度。
电力信息包括以下至少一项：电网减供负荷信息、停电用户比例信息、发电厂或者变电站造成对外停电的持续时间信息、发电机组因安全故障停运的时间信息、供热机组对外停止供热的时间。
在其中一个实施例中，关联处理规则包括处理对象和电力调度指令，不同风险等级对应的处理对象和/或电力调度指令不同。
风险等级包括一级风险等级、二级风险等级和三级风险等级；一级风险等级、二级风险等级对应的处理对象包括电网系统的调度端，三级风险等级对应的处理对象包括故障发生端。
一级风险等级对应的电力调度指令包括拉限负荷、解列电网和解列发电机组；二级风险等级对应的电力调度指令包括开启或者关停发电机组、调整发电机组有功及无功负荷、调整电网运行方式和调整供电调度计划。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的风险等级识别模型的训练方法的风险等级识别模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个风险等级识别模型的训练装置实施例中的具体限定可以参见上文中对于风险等级识别模型的训练方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种风险等级识别模型的训练装置600，包括：采集模块601、生成模块602和训练模块603，其中：
采集模块601，用于获取电网系统的历史报警事务数据。
生成模块602，用于对历史报警事务数据进行聚类，并通过对历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集；在报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成训练集。
训练模块603，用于使用训练集对风险等级识别模型进行无监督预训练和有监督调整，风险等级识别模型用于根据配网故障报警信息中与故障诊断关联的数据特征和故障类型信息，识别配网故障报警信息对应的风险等级。
上述报警信息的处理装置和风险等级识别模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种报警信息的处理方法或风险等级识别模型的训练方法。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述报警信息的处理方法或上述风险等级识别模型的训练方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述报警信息的处理方法或上述风险等级识别模型的训练方法。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述报警信息的处理方法或上述风险等级识别模型的训练方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种报警信息的处理方法，其特征在于，所述方法包括：
获取电网系统中的配网故障报警信息，所述配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息；
将所述与故障诊断关联的数据特征和所述故障类型信息输入训练好的风险等级识别模型中，并获取所述训练好的风险等级识别模型输出的所述配网故障报警信息对应的风险等级，所述风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，所述训练集是根据所述电网系统的历史报警事务数据生成的；
根据所述风险等级对应的关联处理规则，处理所述配网故障报警信息。
2.根据权利要求1所述的方法，其特征在于，在所述将所述与故障诊断关联的数据特征和所述故障类型信息输入训练好的风险等级识别模型中，并获取所述训练好的风险等级识别模型输出的所述配网故障报警信息对应的风险等级之前，所述方法还包括：
获取所述电网系统的历史报警事务数据；
对所述历史报警事务数据进行聚类，并通过对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集；
在所述报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成所述训练集；
使用所述训练集对所述风险等级识别模型进行无监督预训练和有监督调整。
3.根据权利要求2所述的方法，其特征在于，所述通过对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集，包括：
采用熵值法确定不同的历史报警事务数据对故障诊断的影响权值；
根据所述影响权值，对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集。
4.根据权利要求2所述的方法，其特征在于，所述风险等级识别模型包括深度信念网络模型，所述深度信念网络模型包括多层受限玻尔兹曼机和反向传播神经网络层；
所述使用所述训练集对所述风险等级识别模型进行无监督预训练和有监督调整，包括：
通过将上一层受限玻尔兹曼机的隐藏层神经元的状态向量作为下一层受限玻尔兹曼机的输入数据，对每一层受限玻尔兹曼机进行单独的无监督预训练，以得到最后一层受限玻尔兹曼机输出的特征向量，所述训练集为第一层受限玻尔兹曼机的输入数据；
将所述最后一层受限玻尔兹曼机输出的特征输入所述反向传播神经网络层，并将所述反向传播神经网络层输出的误差信息自顶向下传播至每一层受限玻尔兹曼机中，以调整每一层受限玻尔兹曼机的权重和偏置。
5.根据权利要求1所述的方法，其特征在于，所述风险等级是根据所述电网系统的电力信息划分的，所述电力信息用于表征对所述电网系统的稳定运行和电能质量的影响程度；
所述电力信息包括以下至少一项：电网减供负荷信息、停电用户比例信息、发电厂或者变电站造成对外停电的持续时间信息、发电机组因安全故障停运的时间信息、供热机组对外停止供热的时间。
6.根据权利要求1所述的方法，其特征在于，所述关联处理规则包括处理对象和电力调度指令，不同风险等级对应的处理对象和/或电力调度指令不同；
所述风险等级包括一级风险等级、二级风险等级和三级风险等级；所述一级风险等级、所述二级风险等级对应的处理对象包括所述电网系统的调度端，所述三级风险等级对应的处理对象包括故障发生端；
所述一级风险等级对应的电力调度指令包括拉限负荷、解列电网和解列发电机组；所述二级风险等级对应的电力调度指令包括开启或者关停发电机组、调整发电机组有功及无功负荷、调整电网运行方式和调整供电调度计划。
7.一种风险等级识别模型的训练方法，其特征在于，所述方法包括：
获取电网系统的历史报警事务数据；
对所述历史报警事务数据进行聚类，并通过对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集；
在所述报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成所述训练集；
使用所述训练集对所述风险等级识别模型进行无监督预训练和有监督调整，所述风险等级识别模型用于根据配网故障报警信息中与故障诊断关联的数据特征和故障类型信息，识别所述配网故障报警信息对应的风险等级。
8.一种报警信息的处理装置，其特征在于，所述装置包括：
获取模块，用于获取电网系统中的配网故障报警信息，所述配网故障报警信息中包括与故障诊断关联的数据特征和故障类型信息；
识别模块，用于将所述与故障诊断关联的数据特征和所述故障类型信息输入训练好的风险等级识别模型中，并获取所述训练好的风险等级识别模型输出的所述配网故障报警信息对应的风险等级，所述风险等级识别模型是通过训练集进行无监督预训练和有监督调整后生成的，所述训练集是根据所述电网系统的历史报警事务数据生成的；
处理模块，用于根据所述风险等级对应的关联处理规则，处理所述配网故障报警信息。
9.一种风险等级识别模型的训练装置，其特征在于，所述装置包括：
采集模块，用于获取电网系统的历史报警事务数据；
生成模块，用于对所述历史报警事务数据进行聚类，并通过对所述历史报警事务数据中与故障诊断关联的数据特征进行加权编码，生成报警事务数据集；在所述报警事务数据集中为每个历史报警事务数据添加故障类型标签，生成所述训练集；
训练模块，用于使用所述训练集对所述风险等级识别模型进行无监督预训练和有监督调整，所述风险等级识别模型用于根据配网故障报警信息中与故障诊断关联的数据特征和故障类型信息，识别所述配网故障报警信息对应的风险等级。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311557690.6A CN117767541A (zh) | 2023-11-21 | 2023-11-21 | 报警信息的处理方法及风险等级识别模型的训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311557690.6A CN117767541A (zh) | 2023-11-21 | 2023-11-21 | 报警信息的处理方法及风险等级识别模型的训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117767541A true CN117767541A (zh) | 2024-03-26 |
Family
ID=90320909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311557690.6A Pending CN117767541A (zh) | 2023-11-21 | 2023-11-21 | 报警信息的处理方法及风险等级识别模型的训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117767541A (zh) |
-
2023
- 2023-11-21 CN CN202311557690.6A patent/CN117767541A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | A review of machine learning applications in power system resilience | |
| Fan et al. | Research and application of smart grid early warning decision platform based on big data analysis | |
| CN108154244A (zh) | 地产电力设备的运维方法、装置和系统 | |
| Zhang et al. | A novel case adaptation method based on an improved integrated genetic algorithm for power grid wind disaster emergencies | |
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| Pournabi et al. | Power system transient security assessment based on deep learning considering partial observability | |
| CN114021425B (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
| CN113850017B (zh) | 一种基于潮流变化图谱的系统级故障分析系统及方法 | |
| Xue et al. | Early warning classification of cluster supply chain emergency based on cloud model and datastream clustering algorithm | |
| CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
| CN117767541A (zh) | 报警信息的处理方法及风险等级识别模型的训练方法 | |
| CN106779443A (zh) | 电力调度中的操作风险确定方法和装置 | |
| Shang et al. | Loss of life estimation of distribution transformers considering corrupted AMI data recovery and field verification | |
| CN110212585A (zh) | 基于统计分析的风电机组运行可靠性预测方法、装置及风电机组 | |
| Glukhikh et al. | Using hybrid-CBR for intelligence monitoring and decision-making systems on SMART grid | |
| Li et al. | Online transient frequency safety prediction machine of power system based on time-feature attention module | |
| Zhang et al. | Model and Data Driven Machine Learning Approach for Analyzing the Vulnerability to Cascading Outages With Random Initial States in Power Systems | |
| Li et al. | A Review of Intelligent Verification System for Distribution Automation Terminal based on Artificial Intelligence Algorithms | |
| Wang et al. | Health state assessment of industrial equipment driven by the fusion of digital twin model and intelligent algorithm | |
| Mostafanezhad et al. | Data-Driven Small-Signal and N-1 Security Assessment Considering Missing Data | |
| Zhou et al. | An iterative two‐stage PSCOPF method considering line fault uncertainty under typhoon influence | |
| CN115829543B (zh) | 基于故障需检区间的电力设备预防性试验有效性确定方法 | |
| CN117251804B (zh) | 一种变电室运行状态监测数据处理系统及方法 | |
| CN114819108B (zh) | 一种综合能源系统故障识别方法及装置 | |
| CN117829496A (zh) | 电力系统管理方法、装置、计算机设备和存储介质 |
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 |