CN117910577A - 基于规则模拟和在线学习的事件化告警推理方法及系统 - Google Patents

Abstract

一种基于规则模拟和在线学习的集控事件化告警推理方法，包括以下步骤：步骤1，按照设备间隔类型定义事件化告警的特征向量空间；步骤2，利用预先定义好的经验推理规则产生模拟事件化告警样本；步骤3，通过从已有集控系统获取历史告警数据生成真实事件化告警样本；步骤4，形成完整的训练数据集；基于机器学习模型进行训练，获得用于部署到生产环境的事件化告警推理模型；步骤5，部署后，使用事件化告警推理模型进行集控事件化告警推理；并获取集控系统在线识别的事件化告警信息，生成更新的真实事件化告警样本。本发明优化机制涵盖了从数据准备到模型部署和持续优化的全过程，确保了告警识别系统在各个阶段都能实现最佳性能。

Description

基于规则模拟和在线学习的事件化告警推理方法及系统

技术领域

本发明属于电力自动化技术领域，更具体地，涉及一种基于规则模拟和在线学习的事件化告警推理系统。

背景技术

集控系统在变电监控领域发挥着至关重要的作用，用于远程监控变电站的各种设备和传感器。其中，事件化告警是集控系统中一个非常关键的功能，它通过实时监控系统状态和各种信号，以生成相应的告警和通知。有助于运维人员及时地了解系统状态和潜在问题，从而采取适当的应急措施。

传统的集控系统中的事件化告警功能主要基于人工设置的规则来进行，这样的方式存在以下几个主要的问题：

1)人工维护规则成本高。由于需要人工设定和不断更新告警规则，运维团队需要投入大量的人力和时间进行维护。尤其是在大型或复杂的集控系统中，维护成本会更为显著。

2)输入信号规范性要求高。告警规则通常需要输入信号高度规范化，这就意味着所有的传感器和设备都必须符合严格的数据格式和标准，以保证规则的有效性。这不仅限制了系统的灵活性，而且增加了与第三方设备或系统集成的复杂性。

3)难以判别复杂告警情况。当集控系统面临多个或者复杂的告警情况时，基于规则的告警系统可能会遇到识别准确性的问题。例如，在面对多个信号叠加或干扰的情况下，传统的告警规则往往无法准确地识别问题的根本原因。

4)投运后规则调整困难。在运行过程中，由于各种原因可能需要调整告警规则。然而，由于规则之间存在相互影响，人工调整规则容易造成未知的错误，并且难以进行充分验证。

因此，现有的基于规则的事件化告警系统难以满足日益复杂和动态的集控环境需求，迫切需要一种更为先进和灵活的告警优化方法。

发明内容

为解决现有技术中存在的不足，本发明提供一种基于规则模拟和在线学习的集控事件化告警推理方法和系统。基于经验规则模拟生成初始样本数据，用于构建事件化告警机器学习模型。部署后，系统自动收集新告警，通过在线标注与再训练过程优化模型以提高准确性。

本发明采用如下的技术方案。本发明的第一方面提供了一种基于规则模拟和在线学习的集控事件化告警推理方法，包括以下步骤：

步骤1，按照设备间隔类型定义事件化告警的特征向量空间；

步骤2，基于定义事件化告警的特征向量空间，利用预先定义好的经验推理规则产生模拟事件化告警样本；

步骤3，通过从已有集控系统获取历史告警数据生成真实事件化告警样本；

步骤4，将步骤2产生的模拟事件化告警样本、步骤3产生的真实事件化告警样本结合起来，形成完整的训练数据集；基于机器学习模型进行训练，获得用于部署到生产环境的事件化告警推理模型；

步骤5，事件化告警推理模型部署后，使用事件化告警推理模型进行集控事件化告警推理；并获取集控系统在线识别的事件化告警信息，对未能正确识别的告警信息进行修正标注，生成更新的真实事件化告警样本。

优选地，步骤1包括：逐一定义设备间隔类型的事件化告警特征向量空间，每个设备间隔类型j，j＝1,2,…,P，其特征向量空间为V_j，P表示设备间隔类型总数；

每个特征向量空间由一组特征向量定义，这些特征向量对应于该类型设备间隔的事件化告警，对于设备间隔类型j，有K_j个样本，每个样本具有M_j个特征，该特征向量空间以如下公式表示：

式中：

每个特征向量x_ji(i＝1,2,…,K_j)是一个M_j维向量，表示第j类设备间隔的第i个样本的特征，以如下公式表示：

式中：

x_ij表示第j类设备间隔的第i个样本的所有特征，x_ijk表示该样本的第k个特征的值，M_j是第j类设备间隔中特征的总数，特征为该设备间隔所有可能引发事件化告警的输入信号；

综合所有的设备间隔类型，得到一个完整的特征向量空间集合，以如下公式表示：

式中：

V表示包含了所有设备间隔类型的综合特征向量空间。

优选地，步骤2具体包括：

步骤2.1，针对设备间隔类型j用于产生事件化告警的m_j个输入信号，m_j≤M_j，对该设备间隔的特征向量空间中M_j个特征向量的前m_j个位置进行定义，其余位置代表其他可能信号，在该规则中不被使用，设定为空值；

步骤2.2，这m_j个输入信号经过“与”、“或”、“非”、“M选N”等关系组合构成n_j个1级逻辑节点，再通过关系组合构成高层级逻辑节点，最终集中到输出逻辑节点，形成事件推理树；

步骤2.3，根据经验推理规则定义，以穷举法编制能够触发输出的全部输入信号组合，生成完整的模拟告警事件样本。

优选地，步骤3包括：

步骤3.1，从集控系统获取的历史告警数据包括：事件化告警结果，变位信号和关联量测数据；

步骤3.2，通过映射关系，构建历史告警数据与设备间隔标准输入信号的映射，将历史告警数据转换为与模拟事件化告警样本格式相同的真实事件化告警样本。

优选地，步骤4包括：

步骤4.1，对训练数据集，按照设备间隔类型划分为不同的训练数据子集，针对不同设备间隔类型进行独立训练；按照设定比例划分训练集、验证集和测试集；

步骤4.2，基于机器学习模型进行训练，达到性能指标后，获得用于部署到生产环境的事件化告警推理模型。

优选地，步骤5包括：

步骤5.1，将事件化告警推理模型集成到现有的集控系统后，实时获取新产生的告警信息；

步骤5.2，事件化告警推理模型自动分析接收到的告警信号，并将告警信号与事件化识别结果推送至一个待审核队列；

步骤5.3，审核告警事件，对未能正确识别的告警信息进行修正标注，使用新标注的告警信息对事件化告警推理模型进行再训练，更新事件化告警推理模型，用于集控事件化告警推理。

优选地，步骤5.3中，对警事件进行准确的标注，包括是否判别准确，告警的类型、级别和原因；

对于未被归类到事件化告警的输入信号，编辑纳入到某一个事件化告警中；

对于未能被识别出的新的事件化告警，编辑创建一个新的事件化告警分类。

优选地，所述方法还包括步骤6：

通过持续的在线自适应学习，定期对事件化告警推理模型的性能进行验证，判断其准确性和可靠性，使用新标注的告警信息对事件化告警推理模型进行再训练，更新事件化告警推理模型，用于集控事件化告警推理。

优选地，步骤6包括：

步骤6.1，将新增样本集与历史训练样本集进行整合，整合过程经过数据清洗和预处理，以保证数据的质量和一致性；

步骤6.2，集控系统采用已有的机器学习算法，利用这批整合后的训练样本集数据进行模型的再训练；

步骤6.3，新训练出的模型将接受性能评估测试，如果评估结果的准确率和召回率指标不低于当前部署模型，新模型将被部署到生产环境，替换或补充现有的告警识别机制。

本发明的第二方面提供了一种基于规则模拟和在线学习的集控事件化告警推理系统，运行所述的基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于，包括：

再训练模块，用于使用初始数据集和更新的数据集训练事件化告警推理模型；

告警分类服务模块，用于以集控系统的告警信号为输入，以事件化告警推理模型推理获得事件化告警分类；

在线标注模块，用于对未能正确识别的告警信息进行在线标注，生成新的告警数据；

展示模块，用于接收告警分类服务模块的事件化告警分类结果进行输出展示。

与现有技术相比，本发明的有益效果至少包括：在本发明中，端到端优化机制涵盖了从数据准备到模型部署和持续优化的全过程，确保了告警识别系统在各个阶段都能实现最佳性能。

首先，通过生成初始数据集，系统已经将经验推理规则和现有的告警事件信息结合起来，为初始机器学习模型提供了丰富而有针对性的训练数据。这一步确保了模型在最初阶段就具有较高的准确性和可用性。

其次，在模型部署到生产环境后，通过在线自适应学习环节，系统有能力实时收集和分析新产生的告警信息。特别是对于那些未能正确识别的告警信息，系统会自动加以收集，用于进一步优化模型。这样不仅提高了模型的动态适应性，也使系统能够随着时间和环境变化而自我优化。

再次，通过在线标注与再训练环节，运行人员可以对难以识别的告警事件进行标注，然后这些新标注的数据将被用于模型的再训练。这一机制确保了模型能够不断地从最新的告警情况中学习，从而不断提升其准确性和可靠性。

综合上述各个环节，本发明构建了一个从数据准备、模型训练和部署，到模型持续优化的端到端优化机制。这一机制不仅大幅提高了告警识别的准确性和系统的稳定性，还降低了人工运维成本，实现在复杂和不断变化的运行环境中持续实现准确的事件化告警。

附图说明

图1是依照本发明实施例提供的基于规则模拟和在线学习的事件化告警推理系统架构图；

图2是依照本发明实施例提供的初始数据集生成流程图；

图3是依照本发明实施例提供的在线标注与再训练协作流程图；

图4是依照本发明实施例提供的事件推理树及其逻辑推理组合关系。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有做出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。

如图1-3所示，本发明的实施例1提供了一种基于规则模拟和在线学习的集控事件化告警推理方法，包括以下步骤：

步骤1，按照设备间隔类型定义事件化告警的特征向量空间。具体地，按照表1的典型设备间隔类型，逐一定义设备间隔类型的事件化告警特征向量空间。每个设备间隔类型j(j＝1,2,…,P)，其特征向量空间为V_j，P表示设备间隔类型总数。

表1典型间隔表

每个特征向量空间由一组特征向量定义，这些特征向量对应于该类型设备间隔的事件化告警。对于设备间隔类型j，有K_j个样本，每个样本具有M_j个特征，该特征向量空间以如下公式表示：

式中：

每个特征向量x_ji(i＝1,2,…,K_j)是一个M_j维向量，表示第j类设备间隔的第i个样本的特征，以如下公式表示：

式中：

x_ij表示第j类设备间隔的第i个样本的所有特征，x_ijk表示该样本的第k个特征的值，M_j是第j类设备间隔中特征的总数。这里的特征为该设备间隔所有可能引发事件化告警的输入信号。

综合所有的设备间隔类型，得到一个完整的特征向量空间集合，以如下公式表示：

式中：

V表示包含了所有设备间隔类型的综合特征向量空间。

步骤2，基于定义事件化告警的特征向量空间，利用预先定义好的经验推理规则产生模拟事件化告警样本，包括：事件化告警结果、变位信号和关联量测数据。

在本发明优选但非限制性的实施方式中，步骤2具体包括：

步骤2.1，针对设备间隔类型j用于产生事件化告警的m_j个输入信号，m_j≤M_j，对该设备间隔的特征向量空间中M_j个特征向量的前m_j个位置进行定义，其余位置代表其他可能信号，在该规则中不被使用，设定为空值。

步骤2.2，这m_j个输入信号经过“与”、“或”、“非”、“M选N”等关系组合构成n_j个1级逻辑节点，再通过关系组合构成高层级逻辑节点，最终集中到输出逻辑节点，形成事件推理树，其逻辑推理组合关系如图4所示。

其中，逻辑关系定义如下：

“与”关系：表示所有输入信号必须同时为“真”时，输出为“真”，否则为“假”；

“或”关系：表示任一输入信号为“真”时，输出为“真”，否则为“假”；

“非”关系：表示输入信号为“假”时，输出为“真”，否则为“假”；

“Y选X”：表示在Y个输入信号中，有不少于X个输入信号为“真”时，输出为“真”，否则为“假”。

步骤2.3，根据经验推理规则定义，以穷举法编制能够触发输出的全部输入信号组合，生成完整的模拟告警事件样本，这些模拟生成的告警事件样本将充当事件化告警机器学习模型的训练数据。

在本发明示例但非限制性的实施方式中，以“35kV及以下线路”设备间隔的“35kV及以下线路瞬时故障(重合成功)”经验推理规则为例，说明事件化告警样本生成的方法。

“35kV及以下线路”设备间隔有M个输入信号用于产生事件化告警，即该设备间隔的特征向量空间包含M_j个特征向量。

其中有18个输入信号用于“35kV及以下线路瞬时故障(重合成功)”规则定义，包括“全站事故总”、“XX间隔事故信号”、“XX线路保护过流3段动作”、“XX线路保护过流1段动作”、“XX线路保护过流2段动作”、“XX线路保护过流加速动作”、“XX线路保护零流2段动作”、“XX线路保护低频减载动作”、“XX线路保护低压减载动作”、“XX线路保护零流加速动作”、“XX线路保护零流1段动作”、“XX线路保护零流3段动作”、“XX开关位置”、“XX刀闸位置”、“保护动作”、“XX线路保护重合闸动作”、“XX开关手车工作位置”。

定义这18个输入信号占据M_j个特征向量的前18个位置，其余位置代表其他可能信号，在该规则中不被使用，设定为空值。

这18个信号经过“与”、“或”、“非”、“M选N”等关系组合构成8个1级逻辑节点，再通过关系组合构成高层级逻辑节点，最终集中到输出逻辑节点，形成事件推理树，其逻辑推理组合关系如图4所示。

根据经验推理规则定义，以穷举法编制能够触发输出的全部输入信号组合，生成完整的模拟告警事件样本，这些模拟生成的告警事件样本将充当事件化告警机器学习模型的训练数据。如下所示：

35kV及以下线路瞬时故障(重合成功)，1,1,…,0,1,NULL,…,NULL

35kV及以下线路瞬时故障(重合成功)，1,1,…,1,0,NULL,…,NULL

……

35kV及以下线路瞬时故障(重合成功)，1,1,…,0,0,NULL,…,NULL。

步骤3，通过从已有集控系统获取历史告警数据生成事件化告警样本。

在本发明优选但非限制性的实施方式中，步骤3具体包括：

步骤3.1，从集控系统获取的历史告警数据包括：事件化告警结果，变位信号、关联量测数据等。

获取的事件化告警结果包括：所属厂站、所属间隔和故障；变位信号包括：时间、告警内容、所属厂站和所属间隔；关联测量数据包括：检测对象、数值、门槛、所属厂站和所属间隔。

在本发明示例但非限制性的实施方式中，以某10kV线路间隔故障跳闸的事件化告警事件为例，历史告警数据如下：

1)事件化告警结果：110kV NCN站10kVSC线785间隔故障跳闸

2)变位信号：

表2变位信号示例

3)关联测量数据：

表3关联测量数据示例

序号	检测对象	数值	门槛	所属厂站	所属间隔
						1	785负荷开关位置	0	1	110kV NCN站	10kV SC线785间隔
2	785手车工作位置	1	1	110kV NCN站	10kV SC线785间隔

步骤3.2，通过映射关系，实现历史告警数据与设备间隔标准输入信号的映射，将历史告警数据转换为与模拟事件化告警样本格式相同的真实事件化告警样本。

在本发明示例但非限制性的实施方式中，继续以某10kV线路间隔故障跳闸的事件化告警事件为例，通过映射关系，实现历史告警数据与设备间隔标准输入信号的映射包括：

1)“110kVNCN站10kVSC线785间隔故障跳闸，无重合闸”→“35kV及以下线路瞬时故障(重合成功)”

2)“785负荷开关分位”→“XX开关位置”＝0

3)“785开关过流I段动作(速断)动作”→“XX线路保护过流1段动作”＝1

4)“事故总信号动作”→“全站事故总”＝1

5)“785负荷开关位置＝0”→“XX开关位置”＝0

6)“785手车工作位置＝1”→“XX开关手车工作位置”＝1

从而将历史告警数据转换为如下的告警事件样本：

35kV及以下线路故障跳闸(无重合闸)，1,1,…,0,0,NULL,…,NULL

步骤4，将步骤2产生的模拟事件化告警样本、步骤3产生的真实事件化告警样本结合起来，形成完整的训练数据集；基于机器学习模型进行训练，获得用于部署到生产环境的事件化告警推理模型。

在本发明优选但非限制性的实施方式中，步骤4具体包括：

步骤4.1，对训练数据集，按照设备间隔类型划分为不同的训练数据子集，针对不同设备间隔类型进行独立训练；每一类设备间隔的样本划分为70％训练集、15％验证集、15％测试集；

步骤4.2采用支持向量机、决策树、随机森林等学习模型，选择合适的初始参数设置开始训练过程，在在每个训练周期(epoch)结束后，使用验证集评估模型，记录验证集上的性能指标，如准确率、召回率、F1分数等。根据验证集的性能结果调整模型的参数。在验证集上测试不同的模型和参数设置，选择最佳表现的模型，使用独立的测试集对模型进行最终评估。通过评估则获得用于部署到生产环境的事件化告警推理模型。

步骤5，事件化告警推理模型部署后，使用事件化告警推理模型进行集控事件化告警推理；并获取集控系统在线识别的事件化告警信息，对未能正确识别的告警信息进行修正标注，使用新标注的告警信息对事件化告警推理模型进行再训练，更新事件化告警推理模型，用于集控事件化告警推理。

具体地，步骤5，对于集控系统在线识别的事件化告警信息，可进行人工判断，并对未能正确识别的告警信息进行人工标注，实现在线标注功能。这些新标注的数据将被用于模型的再训练，从而提高模型在未来识别相似告警信息的准确性。

在本发明优选但非限制性的实施方式中，步骤5具体包括：

步骤5.1，将事件化告警推理模型集成到现有的集控系统中，通过API或其他方式实时获取新产生的告警信息。

步骤5.2，事件化告警模块会自动分析接收到的告警信号，系统会自动将告警信号与事件化识别结果推送至一个待审核队列。

步骤5.3，在这一阶段，运维人员或领域专家可以接入系统，进行详细的人工审核，对这些告警事件进行准确的标注，包括是否判别准确，告警的类型、级别和可能的原因。

进一步优选地，对于未被归类到事件化告警的系统信号，可人工编辑纳入到某一个事件化告警中。

对于未能被识别出的新的事件化告警，可人工编辑创建一个新的事件化告警分类。

这些新的经过标注的告警信息将会被纳入新增样本训练集。

步骤6，通过持续的在线自适应学习，定期对模型的性能进行验证，确保其持续的准确性和可靠性，用于实现再训练功能。

在本发明优选但非限制性的实施方式中，步骤6具体包括：

步骤6.1，将新增样本集与历史训练样本集进行整合，整合过程经过数据清洗和预处理，以保证数据的质量和一致性；

步骤6.2，集控系统会采用已有的机器学习算法，利用这批整合后的训练样本集数据进行模型的再训练。这一步涉及到参数优化、特征选择等多个方面，以确保模型能更准确地识别复杂或不常见的告警情况。

步骤6.3，新训练出的模型将接受性能评估测试，包括准确率、召回率等多个指标。如果评估结果的准确率和召回率指标不低于当前部署模型，新模型将被部署到生产环境，替换或补充现有的告警识别机制。

值得注意的是，在模型部署到生产环境后，通过在线自适应学习环节，系统有能力实时收集和分析新产生的告警信息。特别是对于那些未能正确识别的告警信息，系统会自动汇总供运行人员进行筛选，通过选择告警信号并标注事件化告警标签编制补充训练样本，用于进一步优化模型。即在生产环境现场使用已有模拟样本和现场标注的样本，进行重新训练，获得新的推理模型，不仅提高了模型的动态适应性，也使系统能够随着时间和环境变化而自我优化。

通过在线标注与再训练环节，运行人员可以对难以识别的告警事件进行标注，然后这些新标注的数据将被用于模型的再训练。这一机制确保了模型能够不断地从最新的告警情况中学习，从而不断提升其准确性和可靠性。

如图1-3所示，本发明的实施例2提供了一种基于规则模拟和在线学习的集控事件化告警推理系统，包括：初始数据生成模块、在线标注模块、再训练模块、告警分类服务模块、展示模块。

具体地，所述初始数据生成模块用于生成用于训练模型的初始数据集，通过从已有集控系统和其他相关数据源获取历史告警数据，结合经验推理规则模拟样本生成初始数据集。

再训练模块用于使用初始数据集和更新的数据集训练事件化告警推理模型，即基于规则模拟和在线学习的集控事件化告警推理系统在部署后再训练模块使用初始样本和现场标注样本进行再训练。

告警分类服务模块用于以集控系统的告警信号为输入，以事件化告警推理模型推理获得事件化告警分类。

在线标注模块用于对未能正确识别的告警信息进行人工在线标注，生成新的告警数据。

展示模块用于接收告警分类服务模块的事件化告警分类结果进行输出展示。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于，包括以下步骤：

步骤1，按照设备间隔类型定义事件化告警的特征向量空间；

步骤2，基于定义事件化告警的特征向量空间，利用预先定义好的经验推理规则产生模拟事件化告警样本；

步骤3，通过从已有集控系统获取历史告警数据生成真实事件化告警样本；

步骤4，将步骤2产生的模拟事件化告警样本、步骤3产生的真实事件化告警样本结合起来，形成完整的训练数据集；基于机器学习模型进行训练，获得用于部署到生产环境的事件化告警推理模型；

步骤5，事件化告警推理模型部署后，使用事件化告警推理模型进行集控事件化告警推理；并获取集控系统在线识别的事件化告警信息，对未能正确识别的告警信息进行修正标注，生成更新的真实事件化告警样本。

2.根据权利要求1所述的一种基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于：

步骤1包括：逐一定义设备间隔类型的事件化告警特征向量空间，每个设备间隔类型j，j＝1，2，...，P，其特征向量空间为V_j，P表示设备间隔类型总数；

每个特征向量空间由一组特征向量定义，这些特征向量对应于该类型设备间隔的事件化告警，对于设备间隔类型j，有K_j个样本，每个样本具有M_j个特征，该特征向量空间以如下公式表示：

式中：

每个特征向量x_ji(i＝1，2，...，K_j)是一个M_j维向量，表示第j类设备间隔的第i个样本的特征，以如下公式表示：

式中：

x_ij表示第j类设备间隔的第i个样本的所有特征，x_ijk表示该样本的第k个特征的值，M_j是第j类设备间隔中特征的总数，特征为该设备间隔所有可能引发事件化告警的输入信号；

综合所有的设备间隔类型，得到一个完整的特征向量空间集合，以如下公式表示：

式中：

V表示包含了所有设备间隔类型的综合特征向量空间。

3.根据权利要求2所述的一种基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于：

步骤2具体包括：

步骤2.1，针对设备间隔类型j用于产生事件化告警的m_j个输入信号，m_j≤M_j，对该设备间隔的特征向量空间中M_j个特征向量的前m_j个位置进行定义，其余位置代表其他可能信号，在该规则中不被使用，设定为空值；

步骤2.2，这m_j个输入信号经过“与”、“或”、“非”、“M选N”等关系组合构成n_j个1级逻辑节点，再通过关系组合构成高层级逻辑节点，最终集中到输出逻辑节点，形成事件推理树；

步骤2.3，根据经验推理规则定义，以穷举法编制能够触发输出的全部输入信号组合，生成完整的模拟告警事件样本。

4.根据权利要求2所述的一种基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于：

步骤3包括：

步骤3.1，从集控系统获取的历史告警数据包括：事件化告警结果，变位信号和关联量测数据；

步骤3.2，通过映射关系，构建历史告警数据与设备间隔标准输入信号的映射，将历史告警数据转换为与模拟事件化告警样本格式相同的真实事件化告警样本。

5.根据权利要求2至4中任一项所述的一种基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于：

步骤4包括：

步骤4.1，对训练数据集，按照设备间隔类型划分为不同的训练数据子集，针对不同设备间隔类型进行独立训练；按照设定比例划分训练集、验证集和测试集；

步骤4.2，基于机器学习模型进行训练，达到性能指标后，获得用于部署到生产环境的事件化告警推理模型。

6.根据权利要求2至4中任一项所述的一种基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于：

步骤5包括：

步骤5.1，将事件化告警推理模型集成到现有的集控系统后，实时获取新产生的告警信息；

步骤5.2，事件化告警推理模型自动分析接收到的告警信号，并将告警信号与事件化识别结果推送至一个待审核队列；

步骤5.3，审核告警事件，对未能正确识别的告警信息进行修正标注，使用新标注的告警信息对事件化告警推理模型进行再训练，更新事件化告警推理模型，用于集控事件化告警推理。

7.根据权利要求6所述的一种基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于：

步骤5.3中，对警事件进行准确的标注，包括是否判别准确，告警的类型、级别和原因；

对于未被归类到事件化告警的输入信号，编辑纳入到某一个事件化告警中；

对于未能被识别出的新的事件化告警，编辑创建一个新的事件化告警分类。

8.根据权利要求2至4中任一项所述的一种基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于：

所述方法还包括步骤6：

通过持续的在线自适应学习，定期对事件化告警推理模型的性能进行验证，判断其准确性和可靠性，使用新标注的告警信息对事件化告警推理模型进行再训练，更新事件化告警推理模型，用于集控事件化告警推理。

9.根据权利要求2所述的一种基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于：

步骤6包括：

步骤6.1，将新增样本集与历史训练样本集进行整合，整合过程经过数据清洗和预处理，以保证数据的质量和一致性；

步骤6.2，集控系统采用已有的机器学习算法，利用这批整合后的训练样本集数据进行模型的再训练；

步骤6.3，新训练出的模型将接受性能评估测试，如果评估结果的准确率和召回率指标不低于当前部署模型，新模型将被部署到生产环境，替换或补充现有的告警识别机制。

10.一种基于规则模拟和在线学习的集控事件化告警推理系统，运行如权利要求1至9中任一项所述的基于规则模拟和在线学习的集控事件化告警推理方法，其特征在于，包括：

再训练模块，用于使用初始数据集和更新的数据集训练事件化告警推理模型；

告警分类服务模块，用于以集控系统的告警信号为输入，以事件化告警推理模型推理获得事件化告警分类；

在线标注模块，用于对未能正确识别的告警信息进行在线标注，生成新的告警数据；

展示模块，用于接收告警分类服务模块的事件化告警分类结果进行输出展示。