CN117909797A - 电力建设企业电力应急能力预测方法、装置和计算机设备 - Google Patents
电力建设企业电力应急能力预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117909797A CN117909797A CN202410174495.3A CN202410174495A CN117909797A CN 117909797 A CN117909797 A CN 117909797A CN 202410174495 A CN202410174495 A CN 202410174495A CN 117909797 A CN117909797 A CN 117909797A
- Authority
- CN
- China
- Prior art keywords
- power
- index
- power emergency
- data
- analyzed
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 284
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 254
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 39
- 238000007781 pre-processing Methods 0.000 claims description 35
- 230000004927 fusion Effects 0.000 claims description 15
- 238000007499 fusion processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 description 14
- 230000007547 defect Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 230000008520 organization Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种电力建设企业电力应急能力预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标;获取所述待分析电力建设企业的基础数据,以及所述待分析电力建设企业在所述电力应急能力指标下的指标数据;确定所述基础数据对应的第一特征向量以及所述指标数据对应的第二特征向量;将所述第一特征向量和所述第二特征向量,输入至预先训练的电力应急能力识别模型,得到所述待分析电力建设企业的电力应急能力预测结果。采用本方法,能够提高电力建设企业电力应急能力的确定效率。
Description
技术领域
本申请涉及电网技术领域,特别是涉及一种电力建设企业电力应急能力预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在电力建设企业中,对电力建设企业电力应急能力进行评价,对建设和提升电力建设企业电力应急能力极其重要。
在传统技术中,对电力建设企业电力应急能力进行评价时,通常是人工评价方法为主;但是,这种人工评价方法比较繁琐,需要花费大量的时间和人力,导致电力建设企业电力应急能力的确定效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高电力建设企业电力应急能力的确定效率的电力建设企业电力应急能力预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电力建设企业电力应急能力预测方法,包括:
从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标;
获取所述待分析电力建设企业的基础数据,以及所述待分析电力建设企业在所述电力应急能力指标下的指标数据;
确定所述基础数据对应的第一特征向量以及所述指标数据对应的第二特征向量;
将所述第一特征向量和所述第二特征向量,输入至预先训练的电力应急能力识别模型,得到所述待分析电力建设企业的电力应急能力预测结果。
在其中一个实施例中,所述从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标,包括:
从预先构建的电力应急能力知识图谱中,识别出待分析电力建设企业的关联电力建设企业;
从所述电力应急能力知识图谱中,确定出与所述待分析电力建设企业关联的第一电力应急能力指标,以及与所述关联电力建设企业关联的第二电力应急能力指标;
将所述第一电力应急能力指标和所述第二电力应急能力指标,作为与所述待分析电力建设企业对应的电力应急能力指标。
在其中一个实施例中,所述从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标,还包括:
从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业关联的初始电力应急能力指标;
获取所述待分析电力建设企业与所述初始电力应急能力指标之间的关联度;
从所述初始电力应急能力指标中,筛选出所述关联度大于预设关联度的目标电力应急能力指标,作为与所述待分析电力建设企业对应的电力应急能力指标。
在其中一个实施例中,所述确定所述基础数据对应的第一特征向量以及所述指标数据对应的第二特征向量,包括:
分别对所述基础数据和所述指标数据进行预处理,得到预处理基础数据和预处理指标数据;
从所述预处理基础数据中提取出关键基础数据,以及从所述预处理指标数据中提取出关键指标数据;
将所述关键基础数据作为主要数据,将所述关键指标数据作为辅助数据,输入到第一特征提取模型中,得到所述关键基础数据对应的特征向量,作为所述第一特征向量;
将所述关键指标数据作为主要数据,将所述关键基础数据作为辅助数据,输入到第二特征提取模型中,得到所述关键指标数据对应的特征向量,作为所述第二特征向量。
在其中一个实施例中,所述将所述第一特征向量和所述第二特征向量,输入至预先训练的电力应急能力识别模型,得到所述待分析电力建设企业的电力应急能力预测结果,包括:
通过预先训练的电力应急能力识别模型,对所述第一特征向量和所述第二特征向量进行特征提取处理,得到第一目标特征向量和第二目标特征向量;
对所述第一目标特征向量和所述第二目标特征向量进行注意力机制处理,得到所述第一目标特征向量对应的第一权重和所述第二目标特征向量对应的第二权重;
根据所述第一权重和所述第二权重,对所述第一目标特征向量和所述第二目标特征向量进行融合处理,得到融合特征向量;
对所述融合特征向量进行分类处理,得到所述待分析电力建设企业的预测电力应急能力分数,作为所述待分析电力建设企业的电力应急能力预测结果。
在其中一个实施例中,所述预先训练的电力应急能力识别模型通过下述方式训练得到:
从预先构建的电力应急能力知识图谱中,识别出与样本电力建设企业对应的样本电力应急能力指标;
获取所述样本电力建设企业的样本基础数据,以及所述样本电力建设企业在所述样本电力应急能力指标下的样本指标数据;
确定所述样本基础数据对应的第一特征向量以及所述样本指标数据对应的第二特征向量;
将所述样本基础数据对应的第一特征向量和所述样本指标数据对应的第二特征向量,输入至待训练的电力应急能力识别模型,得到所述样本电力建设企业的电力应急能力预测结果;
根据所述样本电力建设企业的电力应急能力预测结果与所述样本电力建设企业的电力应急能力实际结果之间的差异,对所述待训练的电力应急能力识别模型进行迭代训练,得到所述预先训练的电力应急能力识别模型。
第二方面,本申请还提供了一种电力建设企业电力应急能力预测装置,包括:
指标识别模块,用于从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标;
数据获取模块,用于获取所述待分析电力建设企业的基础数据,以及所述待分析电力建设企业在所述电力应急能力指标下的指标数据;
向量确定模块,用于确定所述基础数据对应的第一特征向量以及所述指标数据对应的第二特征向量;
结果预测模块,用于将所述第一特征向量和所述第二特征向量,输入至预先训练的电力应急能力识别模型,得到所述待分析电力建设企业的电力应急能力预测结果。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标;
获取所述待分析电力建设企业的基础数据,以及所述待分析电力建设企业在所述电力应急能力指标下的指标数据;
确定所述基础数据对应的第一特征向量以及所述指标数据对应的第二特征向量;
将所述第一特征向量和所述第二特征向量,输入至预先训练的电力应急能力识别模型,得到所述待分析电力建设企业的电力应急能力预测结果。
第四方面,本申请还提供了一种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以下步骤:
从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标;
获取所述待分析电力建设企业的基础数据,以及所述待分析电力建设企业在所述电力应急能力指标下的指标数据;
确定所述基础数据对应的第一特征向量以及所述指标数据对应的第二特征向量;
将所述第一特征向量和所述第二特征向量,输入至预先训练的电力应急能力识别模型,得到所述待分析电力建设企业的电力应急能力预测结果。
第五方面,本申请还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以下步骤:
从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标;
获取所述待分析电力建设企业的基础数据,以及所述待分析电力建设企业在所述电力应急能力指标下的指标数据;
确定所述基础数据对应的第一特征向量以及所述指标数据对应的第二特征向量;
将所述第一特征向量和所述第二特征向量,输入至预先训练的电力应急能力识别模型,得到所述待分析电力建设企业的电力应急能力预测结果。
上述电力建设企业电力应急能力预测方法、装置、计算机设备、存储介质和计算机程序产品,先从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标,再获取待分析电力建设企业的基础数据,以及待分析电力建设企业在电力应急能力指标下的指标数据,然后确定基础数据对应的第一特征向量以及指标数据对应的第二特征向量,最后将第一特征向量和第二特征向量,输入至预先训练的电力应急能力识别模型,得到待分析电力建设企业的电力应急能力预测结果。这样,在进行电力建设企业电力应急能力预测时,通过预先构建的电力应急能力知识图谱和预先训练的电力应急能力识别模型,可以实现对待分析电力建设企业的电力建设企业电力应急能力进行自动化预测,避免了人工评价方法比较繁琐,需要花费大量的时间和人力,导致电力建设企业电力应急能力的确定效率较低的缺陷,进而提高了电力建设企业电力应急能力的确定效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为一个实施例中电力建设企业电力应急能力预测方法的流程示意图;
图2为一个实施例中电力应急能力知识图谱的结构示意图;
图3为一个实施例中电力应急能力指标的示意图;
图4为一个实施例中识别出与待分析电力建设企业对应的电力应急能力指标的步骤的流程示意图;
图5为另一个实施例中识别出与待分析电力建设企业对应的电力应急能力指标的步骤的流程示意图;
图6为一个实施例中确定基础数据对应的第一特征向量以及指标数据对应的第二特征向量的步骤的流程示意图;
图7为一个实施例中得到待分析电力建设企业的电力应急能力预测结果的步骤的流程示意图;
图8为一个实施例中得到预先训练的电力应急能力识别模型的步骤的流程示意图;
图9为另一个实施例中电力建设企业电力应急能力预测方法的流程示意图;
图10为一个实施例中电力建设企业电力应急能力预测装置的结构框图;
图11为一个实施例中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。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
在一个示例性的实施例中,如图1所示,提供了一种电力建设企业电力应急能力预测方法,本实施例以该方法应用于服务器进行举例说明;可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器之间的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑;服务器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。本实施例中,该方法包括以下步骤:
步骤S101,从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标。
其中,电力应急能力知识图谱是指与电力应急能力相关的知识图谱。
举例说明,参考图2,电力应急能力知识图谱包括电力建设企业(企业1、企业2、企业3、企业4)、指标(指标1、指标2、指标3、指标4)、以及电力建设企业和指标之间的对应关系等。
其中,待分析电力建设企业是指需要进行分析的电力建设企业。
其中,电力应急能力指标是指与电力应急能力相关的指标。
举例说明,参考图3,电力应急能力指标可以包括4个电力应急能力评价一级指标,比如预防与应急准备能力、监测与预警能力、应急处置与救援能力和事后恢复与重建能力;其中,预防与应急准备能力指标下可以有7个二级指标,比如法规制度、应急规划与实施、应急组织体系、应急预案管理、应急培训与演练、应急队伍、应急保障能力;监测与预警能力指标下可以有3个二级指标,比如监测预警能力、事件监测和预警管理;应急处置与救援能力指标下可以有6个二级指标,比如先期处置、应急指挥、现场救援、信息报送、信息发布和调整与结束;事后恢复与重建能力指标下可以有3个二级指标,比如后期处置、应急处置评估、恢复重建。
示例性地,服务器响应于针对待分析电力建设企业的电力应急能力预测请求,从数据库中获取待分析电力建设企业的企业标识(比如企业名称);接着,服务器从数据库中获取预先构建的电力应急能力知识图谱,并从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业的企业标识对应的电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。
进一步地,服务器从预先构建的电力应急能力知识图谱中,识别出待分析电力建设企业的关联电力建设企业,从电力应急能力知识图谱中,确定出与关联电力建设企业关联的电力应急能力指标,将与关联电力建设企业关联的电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。
步骤S102,获取待分析电力建设企业的基础数据,以及待分析电力建设企业在电力应急能力指标下的指标数据。
其中,待分析电力建设企业的基础数据可以是指待分析电力建设企业的属性,比如企业规模、企业类别等数据。
其中,待分析电力建设企业在电力应急能力指标下的指标数据,是指待分析电力建设企业中与电力应急能力指标对应的数据,比如待分析电力建设企业中在应急队伍指标下的指标数据为10个应急专家队伍、5个应急抢险救援队伍。
示例性地,服务器从数据库中获取待分析电力建设企业相关的数据,再从待分析电力建设企业相关的数据中,提取待分析电力建设企业的基础数据;接着,服务器根据电力应急能力指标,从待分析电力建设企业相关的数据中,提取与电力应急能力指标对应的指标数据,作为待分析电力建设企业在电力应急能力指标下的指标数据。
步骤S103,确定基础数据对应的第一特征向量以及指标数据对应的第二特征向量。
其中,基础数据对应的第一特征向量,是指对基础数据进行特征提取处理后得到的特征向量。
其中,指标数据对应的第二特征向量,是指对指标数据进行特征提取处理后得到的特征向量。
示例性地,服务器对基础数据进行预处理,得到预处理基础数据,根据预处理基础数据的数据类型,确定与预处理基础数据对应的特征提取模型,再将预处理基础数据输入到对应的特征提取模型中进行特征提取处理,得到基础数据对应的第一特征向量;接着,服务器对指标数据进行预处理,得到预处理指标数据,根据预处理指标数据的数据类型,确定与预处理指标数据对应的特征提取模型,再将预处理指标数据输入到对应的特征提取模型中进行特征提取处理,得到指标数据对应的第二特征向量。
步骤S104,将第一特征向量和第二特征向量,输入至预先训练的电力应急能力识别模型,得到待分析电力建设企业的电力应急能力预测结果。
其中,电力应急能力识别模型是指能够利用第一特征向量和第二特征向量,得到待分析电力建设企业的电力应急能力预测结果对应的网络模型。
其中,待分析电力建设企业的电力应急能力预测结果,是指待分析电力建设企业的电力应急能力结果的预测值。
示例性地,服务器将第一特征向量输入至预先训练的电力应急能力识别模型,通过电力应急能力识别模型对第一特征向量进行预测,得到在各个预设权重下的预测概率,再从各个预设权重下的预测概率中,筛选出预测概率最大的预设权重,作为第一特征向量对应的权重;接着,服务器将第二特征向量输入至预先训练的电力应急能力识别模型,通过电力应急能力识别模型对第二特征向量进行预测,得到在各个预设权重下的预测概率,再从各个预设权重下的预测概率中,筛选出预测概率最大的预设权重,作为第二特征向量对应的权重;最后,服务器根据第一特征向量对应的权重和第二特征向量对应的权重,对第一特征向量和第二特征向量进行融合处理,比如进行加权求和处理;最后,服务器将融合处理后得到的结果,作为待分析电力建设企业的电力应急能力预测结果。
上述电力建设企业电力应急能力预测方法中先从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标,再获取待分析电力建设企业的基础数据,以及待分析电力建设企业在电力应急能力指标下的指标数据,然后确定基础数据对应的第一特征向量以及指标数据对应的第二特征向量,最后将第一特征向量和第二特征向量,输入至预先训练的电力应急能力识别模型,得到待分析电力建设企业的电力应急能力预测结果。这样,在进行电力建设企业电力应急能力预测时,通过预先构建的电力应急能力知识图谱和预先训练的电力应急能力识别模型,可以实现对待分析电力建设企业的电力建设企业电力应急能力进行自动化预测,避免了人工评价方法比较繁琐,需要花费大量的时间和人力,导致电力建设企业电力应急能力的确定效率较低的缺陷,进而提高了电力建设企业电力应急能力的确定效率。
在一个示例性的实施例中,如图4所示,上述步骤S101,从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标,具体包括如下步骤:
步骤S401,从预先构建的电力应急能力知识图谱中,识别出待分析电力建设企业的关联电力建设企业。
步骤S402,从电力应急能力知识图谱中,确定出与待分析电力建设企业关联的第一电力应急能力指标,以及与关联电力建设企业关联的第二电力应急能力指标。
步骤S403,将第一电力应急能力指标和第二电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。
其中,待分析电力建设企业的关联电力建设企业,是指与待分析电力建设企业存在对应关系的电力建设企业。
举例说明,参考图2,若待分析电力建设企业为企业1,则待分析电力建设企业的关联电力建设企业为企业2和企业4。
其中,第一电力应急能力指标是指与待分析电力建设企业存在对应关系的电力应急能力指标。
举例说明,参考图2,若待分析电力建设企业为企业1,则第一电力应急能力指标为指标1和指标2。
其中,第二电力应急能力指标是指与关联电力建设企业存在对应关系的电力应急能力指标。
举例说明,参考图2,若关联电力建设企业为企业2,则第二电力应急能力指标为指标2和指标4。
示例性地,服务器从预先构建的电力应急能力知识图谱中,获取与待分析电力建设企业存在对应关系的电力建设企业,作为待分析电力建设企业的关联电力建设企业;接着;服务器从电力应急能力知识图谱中,获取与待分析电力建设企业存在对应关系的电力应急能力指标,作为与待分析电力建设企业关联的第一电力应急能力指标;然后,服务器从电力应急能力知识图谱中,获取与关联电力建设企业存在对应关系的电力应急能力指标,作为与关联电力建设企业关联的第二电力应急能力指标;最后,服务器将第一电力应急能力指标和第二电力应急能力指标进行合并处理,将合并处理后得到的电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。
本实施例中,通过预先构建的电力应急能力知识图谱,确定出与待分析电力建设企业关联的第一电力应急能力指标,以及与关联电力建设企业关联的第二电力应急能力指标,将第一电力应急能力指标和第二电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。相当于从两个不同的维度确定待分析电力建设企业对应的电力应急能力指标,从而使得待分析电力建设企业对应的电力应急能力指标的确定更加全面,进而提高了待分析电力建设企业对应的电力应急能力指标的确定准确度。
在一个示例性的实施例中,如图5所示,上述步骤S101,从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标,具体包括如下步骤:
步骤S501,从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业关联的初始电力应急能力指标。
步骤S502,获取待分析电力建设企业与初始电力应急能力指标之间的关联度。
步骤S503,从初始电力应急能力指标中,筛选出关联度大于预设关联度的目标电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。
其中,初始电力应急能力指标是指与待分析电力建设企业关联的全部电力应急能力指标。
其中,待分析电力建设企业与初始电力应急能力指标之间的关联度,是指待分析电力建设企业与初始电力应急能力指标之间的关联程度。
其中,预设关联度是指预先设定的关联度阈值,具体可以视情况而定。
其中,目标电力应急能力指标是指初始电力应急能力指标中关联度大于预设关联度的电力应急能力指标。
示例性地,服务器从预先构建的电力应急能力知识图谱中,获取与待分析电力建设企业存在对应关系的全部电力应急能力指标,作为与待分析电力建设企业关联的初始电力应急能力指标;接着,服务器获取待分析电力建设企业与初始电力应急能力指标之间的关联度(比如通过灰色关联度分析);然后,服务器根据预设关联度,对各电力应急能力指标与待分析电力建设企业对应的关联度进行判断;若关联度大于预设关联度,则将关联度对应的电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。
本实施例中,通过筛选出关联度大于预设关联度的目标电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标,这样可以筛选出与待分析电力建设企业关联度较高的电力应急能力指标,有利于进一步提高待分析电力建设企业对应的电力应急能力指标确定的针对性。
在一个示例性的实施例中,如图6所示,上述步骤S103,确定基础数据对应的第一特征向量以及指标数据对应的第二特征向量,具体包括如下步骤:
步骤S601,分别对基础数据和指标数据进行预处理,得到预处理基础数据和预处理指标数据。
步骤S602,从预处理基础数据中提取出关键基础数据,以及从预处理指标数据中提取出关键指标数据。
步骤S603,将关键基础数据作为主要数据,将关键指标数据作为辅助数据,输入到第一特征提取模型中,得到关键基础数据对应的特征向量,作为第一特征向量。
步骤S604,将关键指标数据作为主要数据,将关键基础数据作为辅助数据,输入到第二特征提取模型中,得到关键指标数据对应的特征向量,作为第二特征向量。
其中,对基础数据和指标数据进行预处理,是指对基础数据和指标数据进行预先处理,比如检查基础数据和指标数据中是否存在缺失值和异常值,对存在缺失值的基础数据和指标数据进行填补,对存在异常值的基础数据和指标数据进行删除等。
其中,预处理基础数据是指预处理后的基础数据。
其中,预处理指标数据是指预处理后的指标数据。
其中,关键基础数据是指从预处理基础数据中筛选得到的重要程度较高的预处理基础数据。
其中,关键指标数据是指从预处理指标数据中筛选得到的重要程度较高的预处理指标数据。
其中,主要数据可以是指对应权重较大的数据。
其中,辅助数据可以是指对应权重较小的数据。
其中,第一特征提取模型是指能够利用作为主要数据的关键基础数据,以及作为辅助数据的关键指标数据,得到关键基础数据对应的特征向量对应的网络模型。
其中,关键基础数据对应的特征向量,是指通过第一特征提取模型对关键基础数据和关键指标数据进行特征提取处理得到的特征向量。
其中,第一特征向量是指关键基础数据对应的特征向量。
其中,第二特征提取模型是指能够利用作为主要数据的关键指标数据,以及作为辅助数据的关键基础数据,得到关键指标数据对应的特征向量对应的网络模型。
其中,关键指标数据对应的特征向量是指通过第二特征提取模型对关键基础数据和关键指标数据进行特征提取处理得到的特征向量。
其中,第二特征向量是指关键指标数据对应的特征向量。
示例性地,服务器分别对基础数据和指标数据进行预处理,比如检查基础数据和指标数据中是否存在缺失值和异常值,对存在缺失值的基础数据和指标数据进行填补,对存在异常值的基础数据和指标数据进行删除等,得到预处理后的基础数据和预处理后的指标数据,作为预处理基础数据和预处理指标数据;接着,服务器从预处理基础数据中,提取出满足预设条件的预处理基础数据,作为关键基础数据,再从预处理指标数据中,提取出满足预设条件的预处理指标数据,作为关键指标数据;例如,服务器确定各预处理基础数据对应的重要程度,再从预处理基础数据中,提取出对应的重要程度大于预设重要程度的预处理基础数据,并将这些预处理基础数据作为关键基础数据,再确定各预处理指标数据对应的重要程度,再从预处理指标数据中,提取出对应的重要程度大于预设重要程度的预处理指标数据,并将这些预处理指标数据作为关键指标数据;然后,服务器将关键基础数据和关键指标数据,输入到第一特征提取模型中,通过第一特征提取模型,确定关键基础数据和关键指标数据各自对应的权重;例如确定关键基础数据对应的权重为0.8,确定关键指标数据对应的权重为0.2;根据关键基础数据和关键指标数据各自对应的权重,分别对关键基础数据和关键指标数据进行融合处理,得到得到关键基础数据对应的特征向量,作为第一特征向量;接着,服务器将关键基础数据和关键指标数据,输入到第二特征提取模型中,通过第二特征提取模型,确定关键基础数据和关键指标数据各自对应的权重;例如确定关键基础数据对应的权重为0.2,确定关键指标数据对应的权重为0.8;根据关键基础数据和关键指标数据各自对应的权重,分别对关键基础数据和关键指标数据进行融合处理,得到得到关键指标数据对应的特征向量,作为第二特征向量。
本实施例中,通过从预处理数据中提取出关键数据,可以在保证数据完整性的同时,筛选出重要程度较高的数据,可以大大减少后续特征提取模型处理所需要的数据量,有利于提高特征提取模型处理的效率;而且,在特征提取模型处理的过程中,同时考虑了两种不同的数据,从而使得提取出的第一特征向量和第二特征向量更加全面,有利于提高第一特征向量和第二特征向量的确定准确率。
在一个示例性的实施例中,如图7所示,上述步骤S104,将第一特征向量和第二特征向量,输入至预先训练的电力应急能力识别模型,得到待分析电力建设企业的电力应急能力预测结果,具体包括如下步骤:
步骤S701,通过预先训练的电力应急能力识别模型,对第一特征向量和第二特征向量进行特征提取处理,得到第一目标特征向量和第二目标特征向量。
步骤S702,对第一目标特征向量和第二目标特征向量进行注意力机制处理,得到第一目标特征向量对应的第一权重和第二目标特征向量对应的第二权重。
步骤S703,根据第一权重和第二权重,对第一目标特征向量和第二目标特征向量进行融合处理,得到融合特征向量。
步骤S704,对融合特征向量进行分类处理,得到待分析电力建设企业的预测电力应急能力分数,作为待分析电力建设企业的电力应急能力预测结果。
其中,特征提取处理可以是指对对第一特征向量和第二特征向量进行降维处理。
其中,第一目标特征向量是指对第一特征向量进行特征提取处理得到的特征向量。
其中,第二目标特征向量是指对第二特征向量进行特征提取处理得到的特征向量。
其中,注意力机制处理是指根据特征向量得到特征向量对应的权重的过程。
其中,第一权重是指第一目标特征向量对应的权重。
其中,第二权重是指第二目标特征向量对应的权重。
其中,融合处理可以是指拼接处理。
其中,融合特征向量是指对第一目标特征向量和第二目标特征向量进行融合处理后得到的特征向量。
其中,分类处理是指根据融合特征向量得到待分析电力建设企业的预测电力应急能力分数的过程。
其中,预测电力应急能力分数是指待分析电力建设企业的电力应急能力对应的预测分数。
示例性地,服务器将第一特征向量和第二特征向量,输入至预先训练的电力应急能力识别模型,通过预先训练的电力应急能力识别模型,对第一特征向量和第二特征向量进行特征提取处理,将特征提取处理后得到的第一特征向量和第二特征向量,作为第一目标特征向量和第二目标特征向量;接着,服务器对第一目标特征向量和第二目标特征向量进行注意力机制处理,得到第一目标特征向量对应的第一权重和第二目标特征向量对应的第二权重;例如,服务器将第一目标特征向量和第二目标特征向量输入注意力机制网络中的Attention(注意力)模块进行注意力机制处理,得到一目标特征向量对应的第一权重和第二目标特征向量对应的第二权重;然后,服务器根据第一权重和第二权重,对第一目标特征向量和第二目标特征向量进行融合处理,得到融合处理后的特征向量,作为融合特征向量;例如,服务器根据第一权重和第二权重,对第一目标特征向量和第二目标特征向量进行加权处理,得到加权处理后的特征向量,作为融合特征向量;最后,服务器对融合特征向量进行分类处理(比如通过全连接层进行分类处理),得到融合特征向量对应的分数,作为待分析电力建设企业的预测电力应急能力分数,将该预测电力应急能力分数,作为待分析电力建设企业的电力应急能力预测结果。
本实施例中,通过预先训练的电力应急能力识别模型,自动地确定出待分析电力建设企业的电力应急能力预测结果,整个过程无需通过人工进行处理,避免了人工评价方法比较繁琐,需要花费大量的时间和人力,导致电力建设企业电力应急能力的确定效率较低的缺陷,进而提高了电力建设企业电力应急能力的确定效率。
在一个示例性的实施例中,如图8所示,本申请提供的电力建设企业电力应急能力预测方法还包括预先训练的电力应急能力识别模型的训练步骤,具体包括如下步骤:
步骤S801,从预先构建的电力应急能力知识图谱中,识别出与样本电力建设企业对应的样本电力应急能力指标。
步骤S802,获取样本电力建设企业的样本基础数据,以及样本电力建设企业在样本电力应急能力指标下的样本指标数据。
步骤S803,确定样本基础数据对应的第一特征向量以及样本指标数据对应的第二特征向量。
步骤S804,将样本基础数据对应的第一特征向量和样本指标数据对应的第二特征向量,输入至待训练的电力应急能力识别模型,得到样本电力建设企业的电力应急能力预测结果。
步骤S805,根据样本电力建设企业的电力应急能力预测结果与样本电力建设企业的电力应急能力实际结果之间的差异,对待训练的电力应急能力识别模型进行迭代训练,得到预先训练的电力应急能力识别模型。
其中,样本电力建设企业是指用于训练电力应急能力识别模型的电力建设企业。
其中,样本电力应急能力指标是指样本电力建设企业对应的电力应急能力指标。
其中,样本基础数据是指样本电力建设企业的基础数据。
其中,样本指标数据是指样本电力建设企业的指标数据。
其中,样本基础数据对应的第一特征向量,是指样本基础数据对应的特征向量。
其中,样本指标数据对应的第二特征向量,是指样本指标数据对应的特征向量。
其中,样本电力建设企业的电力应急能力预测结果,是指样本电力建设企业的电力应急能力结果的预测值。
其中,样本电力建设企业的电力应急能力实际结果,是指样本电力建设企业的电力应急能力结果的实际值。
其中,差异可以是指样本电力建设企业的电力应急能力结果的预测值和实际值之间的差异。
示例性地,服务器响应于针对待训练的电力应急能力识别模型的训练指令,从预先构建的电力应急能力知识图谱中,根据样本电力建设企业的企业标识,识别出与样本电力建设企业对应的样本电力应急能力指标;接着,服务器从数据库中获取样本电力建设企业的样本基础数据,以及样本电力建设企业在样本电力应急能力指标下的样本指标数据;然后,服务器将样本基础数据和样本指标数据输入特征提取模型进行特征提取处理,得到样本基础数据对应的第一特征向量以及样本指标数据对应的第二特征向量;接着,服务器将样本基础数据对应的第一特征向量和样本指标数据对应的第二特征向量,输入至待训练的电力应急能力识别模型进行融合处理,将融合处理后得到的结果,作为样本电力建设企业的电力应急能力预测结果;然后,服务器根据样本电力建设企业的电力应急能力预测结果与样本电力建设企业的电力应急能力实际结果之间的差异,得到损失值;接着,服务器根据损失值,对待训练的电力应急能力识别模型的模型参数进行调整,并对模型参数调整后的电力应急能力识别模型进行再次训练,直到训练后的电力应急能力识别模型得到的损失值小于损失值阈值,则停止训练,并将该训练后的电力应急能力识别模型,作为预先训练的电力应急能力识别模型。
本实施例中,通过预先训练电力应急能力识别模型,便于在实际应用中,在确定电力建设企业的基础数据和指标数据对应的特征向量后,对电力建设企业的电力应急能力预测结果进行预测即可;而且,电力应急能力识别模型在每一轮迭代中接收新的数据,进行模型内部改进及优化,便于能够更有效地进行预测,有利于提高电力应急能力识别模型的预测准确率。
在一个示例性的实施例中,如图9所示,提供了另一种电力建设企业电力应急能力预测方法,以该方法应用于服务器进行举例说明,包括以下步骤:
步骤S901,从预先构建的电力应急能力知识图谱中,识别出待分析电力建设企业的关联电力建设企业。
步骤S902,从电力应急能力知识图谱中,确定出与待分析电力建设企业关联的第一电力应急能力指标,以及与关联电力建设企业关联的第二电力应急能力指标。
步骤S903,将第一电力应急能力指标和第二电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。
步骤S904,从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业关联的初始电力应急能力指标。
步骤S905,获取待分析电力建设企业与初始电力应急能力指标之间的关联度。
步骤S906,从初始电力应急能力指标中,筛选出关联度大于预设关联度的目标电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。
步骤S907,获取待分析电力建设企业的基础数据,以及待分析电力建设企业在电力应急能力指标下的指标数据。
步骤S908,分别对基础数据和指标数据进行预处理,得到预处理基础数据和预处理指标数据;从预处理基础数据中提取出关键基础数据,以及从预处理指标数据中提取出关键指标数据。
步骤S909,将关键基础数据作为主要数据,将关键指标数据作为辅助数据,输入到第一特征提取模型中,得到关键基础数据对应的特征向量,作为第一特征向量;将关键指标数据作为主要数据,将关键基础数据作为辅助数据,输入到第二特征提取模型中,得到关键指标数据对应的特征向量,作为第二特征向量。
步骤S910,通过预先训练的电力应急能力识别模型,对第一特征向量和第二特征向量进行特征提取处理,得到第一目标特征向量和第二目标特征向量。
步骤S911,对第一目标特征向量和第二目标特征向量进行注意力机制处理,得到第一目标特征向量对应的第一权重和第二目标特征向量对应的第二权重。
步骤S912,根据第一权重和第二权重,对第一目标特征向量和第二目标特征向量进行融合处理,得到融合特征向量。
步骤S913,对融合特征向量进行分类处理,得到待分析电力建设企业的预测电力应急能力分数,作为待分析电力建设企业的电力应急能力预测结果。
上述电力建设企业电力应急能力预测方法中,在进行电力建设企业电力应急能力预测时,通过预先构建的电力应急能力知识图谱和预先训练的电力应急能力识别模型,可以实现对待分析电力建设企业的电力建设企业电力应急能力进行自动化预测,避免了人工评价方法比较繁琐,需要花费大量的时间和人力,导致电力建设企业电力应急能力的确定效率较低的缺陷,进而提高了电力建设企业电力应急能力的确定效率。
在一个示例性的实施例中,为了更清晰阐明本申请实施例提供的电力建设企业电力应急能力预测方法,以下以一个具体的实施例对该电力建设企业电力应急能力预测方法进行具体说明。在一个实施例中,本申请还提供了一种电力建设企业电力应急能力评价方法,在进行电力建设企业电力应急能力预测时,通过构建电力应急能力指标体系得到多个评价指标,再通过建立电力建设企业电力安全管理评估模型,得到各指标的权重和得分,根据各指标的权重和得分确定评价结果,进而提高了电力建设企业电力应急能力的确定准确度。具体包括如下内容:
1、电力应急能力指标体系的构建:
从预防与准备能力、监测与预警能力、处置与救援能力、恢复与重建能力四个方面出发,制定具备应急系统特色的电力应急能力评价指标体系,例如将应急保障能力、灾后恢复重建能力和灾后联动能力作为特色的恢复与重建能力评价指标,详见图2。
2、电力建设企业电力安全管理评估模型建立:
制作重要程度调查问卷,从问卷中提取数据,使用层次分析法等算法来计算各指标的权重;或者,通过调查问卷的打分,或者预先构建的指标体系知识图谱,计算各下级指标与其对应的一个上级指标之间的数据关联度,通过灰色关联法对数据关联度进行处理,得到不同层级中各指标的权重。获取各指标的得分,如专家打分,如问卷调查得分,如将各指标的数据输入预训练的得分评估模型中,输出各指标的得分。利用加权平均原则,最终确定评价结果,形成报告。
上述实施例,在进行电力建设企业电力应急能力预测时,通过预先构建的电力应急能力知识图谱和预先训练的电力应急能力识别模型,可以实现对待分析电力建设企业的电力建设企业电力应急能力进行自动化预测,避免了人工评价方法比较繁琐,需要花费大量的时间和人力,导致电力建设企业电力应急能力的确定效率较低的缺陷,进而提高了电力建设企业电力应急能力的确定效率。同时,本申请建立了电力建设企业电力应急的评价指标体系,能够完整、全面、系统地反映电力建设企业的电力安全状况,以便及时查找应急能力存在的问题和不足,从而指导电力建设企业完善电力应急体系。
应该理解的是,虽然如上所述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,如上所述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电力建设企业电力应急能力预测方法的电力建设企业电力应急能力预测装置。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电力建设企业电力应急能力预测装置实施例中的具体限定可以参见上文中对于电力建设企业电力应急能力预测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图10所示,提供了一种电力建设企业电力应急能力预测装置,包括:指标识别模块1001、数据获取模块1002、向量确定模块1003和结果预测模块1004,其中:
指标识别模块1001,用于从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标。
数据获取模块1002,用于获取待分析电力建设企业的基础数据,以及待分析电力建设企业在电力应急能力指标下的指标数据。
向量确定模块1003,用于确定基础数据对应的第一特征向量以及指标数据对应的第二特征向量。
结果预测模块1004,用于将第一特征向量和第二特征向量,输入至预先训练的电力应急能力识别模型,得到待分析电力建设企业的电力应急能力预测结果。
在一个示例性的实施例中,指标识别模块1001,还用于从预先构建的电力应急能力知识图谱中,识别出待分析电力建设企业的关联电力建设企业;从电力应急能力知识图谱中,确定出与待分析电力建设企业关联的第一电力应急能力指标,以及与关联电力建设企业关联的第二电力应急能力指标;将第一电力应急能力指标和第二电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。
在一个示例性的实施例中,指标识别模块1001,还用于从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业关联的初始电力应急能力指标;获取待分析电力建设企业与初始电力应急能力指标之间的关联度;从初始电力应急能力指标中,筛选出关联度大于预设关联度的目标电力应急能力指标,作为与待分析电力建设企业对应的电力应急能力指标。
在一个示例性的实施例中,向量确定模块1003,还用于分别对基础数据和指标数据进行预处理,得到预处理基础数据和预处理指标数据;从预处理基础数据中提取出关键基础数据,以及从预处理指标数据中提取出关键指标数据;将关键基础数据作为主要数据,将关键指标数据作为辅助数据,输入到第一特征提取模型中,得到关键基础数据对应的特征向量,作为第一特征向量;将关键指标数据作为主要数据,将关键基础数据作为辅助数据,输入到第二特征提取模型中,得到关键指标数据对应的特征向量,作为第二特征向量。
在一个示例性的实施例中,结果预测模块1004,还用于通过预先训练的电力应急能力识别模型,对第一特征向量和第二特征向量进行特征提取处理,得到第一目标特征向量和第二目标特征向量;对第一目标特征向量和第二目标特征向量进行注意力机制处理,得到第一目标特征向量对应的第一权重和第二目标特征向量对应的第二权重;根据第一权重和第二权重,对第一目标特征向量和第二目标特征向量进行融合处理,得到融合特征向量;对融合特征向量进行分类处理,得到待分析电力建设企业的预测电力应急能力分数,作为待分析电力建设企业的电力应急能力预测结果。
在一个示例性的实施例中,该电力建设企业电力应急能力预测装置还包括模型训练模块,用于从预先构建的电力应急能力知识图谱中,识别出与样本电力建设企业对应的样本电力应急能力指标;获取样本电力建设企业的样本基础数据,以及样本电力建设企业在样本电力应急能力指标下的样本指标数据;确定样本基础数据对应的第一特征向量以及样本指标数据对应的第二特征向量;将样本基础数据对应的第一特征向量和样本指标数据对应的第二特征向量,输入至待训练的电力应急能力识别模型,得到样本电力建设企业的电力应急能力预测结果;根据样本电力建设企业的电力应急能力预测结果与样本电力建设企业的电力应急能力实际结果之间的差异,对待训练的电力应急能力识别模型进行迭代训练,得到预先训练的电力应急能力识别模型。
上述电力建设企业电力应急能力预测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。
在一个示例性的实施例中,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11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基础数据、指标数据等。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电力建设企业电力应急能力预测方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,还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各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,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各方法实施例中的步骤。
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,所述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。
以上所述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)
1.一种电力建设企业电力应急能力预测方法,其特征在于,所述方法包括:
从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标;
获取所述待分析电力建设企业的基础数据,以及所述待分析电力建设企业在所述电力应急能力指标下的指标数据;
确定所述基础数据对应的第一特征向量以及所述指标数据对应的第二特征向量;
将所述第一特征向量和所述第二特征向量,输入至预先训练的电力应急能力识别模型,得到所述待分析电力建设企业的电力应急能力预测结果。
2.根据权利要求1所述的方法,其特征在于,所述从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标,包括:
从预先构建的电力应急能力知识图谱中,识别出待分析电力建设企业的关联电力建设企业;
从所述电力应急能力知识图谱中,确定出与所述待分析电力建设企业关联的第一电力应急能力指标,以及与所述关联电力建设企业关联的第二电力应急能力指标;
将所述第一电力应急能力指标和所述第二电力应急能力指标,作为与所述待分析电力建设企业对应的电力应急能力指标。
3.根据权利要求1所述的方法,其特征在于,所述从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标,还包括:
从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业关联的初始电力应急能力指标;
获取所述待分析电力建设企业与所述初始电力应急能力指标之间的关联度;
从所述初始电力应急能力指标中,筛选出所述关联度大于预设关联度的目标电力应急能力指标,作为与所述待分析电力建设企业对应的电力应急能力指标。
4.根据权利要求1所述的方法,其特征在于,所述确定所述基础数据对应的第一特征向量以及所述指标数据对应的第二特征向量,包括:
分别对所述基础数据和所述指标数据进行预处理,得到预处理基础数据和预处理指标数据;
从所述预处理基础数据中提取出关键基础数据,以及从所述预处理指标数据中提取出关键指标数据;
将所述关键基础数据作为主要数据,将所述关键指标数据作为辅助数据,输入到第一特征提取模型中,得到所述关键基础数据对应的特征向量,作为所述第一特征向量;
将所述关键指标数据作为主要数据,将所述关键基础数据作为辅助数据,输入到第二特征提取模型中,得到所述关键指标数据对应的特征向量,作为所述第二特征向量。
5.根据权利要求1所述的方法,其特征在于,所述将所述第一特征向量和所述第二特征向量,输入至预先训练的电力应急能力识别模型,得到所述待分析电力建设企业的电力应急能力预测结果,包括:
通过预先训练的电力应急能力识别模型,对所述第一特征向量和所述第二特征向量进行特征提取处理,得到第一目标特征向量和第二目标特征向量;
对所述第一目标特征向量和所述第二目标特征向量进行注意力机制处理,得到所述第一目标特征向量对应的第一权重和所述第二目标特征向量对应的第二权重;
根据所述第一权重和所述第二权重,对所述第一目标特征向量和所述第二目标特征向量进行融合处理,得到融合特征向量;
对所述融合特征向量进行分类处理,得到所述待分析电力建设企业的预测电力应急能力分数,作为所述待分析电力建设企业的电力应急能力预测结果。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述预先训练的电力应急能力识别模型通过下述方式训练得到:
从预先构建的电力应急能力知识图谱中,识别出与样本电力建设企业对应的样本电力应急能力指标;
获取所述样本电力建设企业的样本基础数据,以及所述样本电力建设企业在所述样本电力应急能力指标下的样本指标数据;
确定所述样本基础数据对应的第一特征向量以及所述样本指标数据对应的第二特征向量;
将所述样本基础数据对应的第一特征向量和所述样本指标数据对应的第二特征向量,输入至待训练的电力应急能力识别模型,得到所述样本电力建设企业的电力应急能力预测结果;
根据所述样本电力建设企业的电力应急能力预测结果与所述样本电力建设企业的电力应急能力实际结果之间的差异,对所述待训练的电力应急能力识别模型进行迭代训练,得到所述预先训练的电力应急能力识别模型。
7.一种电力建设企业电力应急能力预测装置,其特征在于,所述装置包括:
指标识别模块,用于从预先构建的电力应急能力知识图谱中,识别出与待分析电力建设企业对应的电力应急能力指标;
数据获取模块,用于获取所述待分析电力建设企业的基础数据,以及所述待分析电力建设企业在所述电力应急能力指标下的指标数据;
向量确定模块,用于确定所述基础数据对应的第一特征向量以及所述指标数据对应的第二特征向量;
结果预测模块,用于将所述第一特征向量和所述第二特征向量,输入至预先训练的电力应急能力识别模型,得到所述待分析电力建设企业的电力应急能力预测结果。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410174495.3A CN117909797A (zh) | 2024-02-07 | 2024-02-07 | 电力建设企业电力应急能力预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410174495.3A CN117909797A (zh) | 2024-02-07 | 2024-02-07 | 电力建设企业电力应急能力预测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117909797A true CN117909797A (zh) | 2024-04-19 |
Family
ID=90687093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410174495.3A Pending CN117909797A (zh) | 2024-02-07 | 2024-02-07 | 电力建设企业电力应急能力预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117909797A (zh) |
-
2024
- 2024-02-07 CN CN202410174495.3A patent/CN117909797A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116701033A (zh) | 主机切换异常检测方法、装置、计算机设备和存储介质 | |
CN114881343B (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
CN117318052B (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
Arslan et al. | On the distribution modeling of heavy-tailed disk failure lifetime in big data centers | |
CN117909797A (zh) | 电力建设企业电力应急能力预测方法、装置和计算机设备 | |
CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
CN115577259A (zh) | 高压直流输电系统故障选极方法、装置和计算机设备 | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN118014425A (zh) | 应急系统电力应急能力预测方法、装置和计算机设备 | |
CN117973940A (zh) | 城市系统电力应急能力预测方法、装置和计算机设备 | |
CN118070095A (zh) | 电网企业电力应急能力预测方法、装置和计算机设备 | |
CN116756298B (zh) | 面向云数据库的ai会话信息优化方法及大数据优化服务器 | |
CN117437004A (zh) | 资源借调业务的风险识别方法、装置和计算机设备 | |
CN116881092A (zh) | 告警数据的预测方法、装置、设备和存储介质 | |
CN117056307A (zh) | 数据库管理方法、装置、设备、存储介质和程序产品 | |
Li | Construction and Verification of Academic Performance Early Warning Model based on PSO-XGBoost Algorithm | |
CN116911977A (zh) | 虚拟资源处理方法、装置、计算机设备和存储介质 | |
CN116703216A (zh) | 业务场景评分方法、装置、计算机设备和存储介质 | |
CN117633309A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN117764276A (zh) | 基于计算电网物资产品碳足迹通用模型的方法及系统 | |
CN116756668A (zh) | 资源转移异常检测方法、装置、计算机设备和存储介质 | |
CN116501836A (zh) | 电力舆情风险等级确定方法、装置和计算机设备 | |
CN116188177A (zh) | 基于动态信息量化的业务风险评估方法、装置和设备 | |
CN117634963A (zh) | 业务能力确定方法、装置、计算机设备和存储介质 | |
CN117453248A (zh) | 灰度发布方法、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 |