System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
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。
技术介绍
1、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。
2、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。
3、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。
技术实现思路
1、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。
2、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:
3、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;
4、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
5、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。
6、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:
7、获取所述电网系统的历史报警事务数据;
8、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;
9、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;
10、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。
11、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:
12、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;
13、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。
14、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;
15、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:
16、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;
17、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。
18、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;
19、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。
20、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;
21、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;
22、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。
23、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:
24、获取电网系统的历史报警事务数据;
25、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;
26、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;
27、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。
28、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:
29、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;
30、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;
31、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。
32、在其中一个实施例中,所述装置还包括:
33、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。
34、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。
35、在其中一本文档来自技高网...
【技术保护点】
1.一种报警信息的处理方法,其特征在于,所述方法包括:
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:
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:
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;
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;
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;
7.一种风险等级识别模型的训练方法,其特征在于,所述方
8.一种报警信息的处理装置,其特征在于,所述装置包括:
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:
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。
...【技术特征摘要】
1.一种报警信息的处理方法,其特征在于,所述方法包括:
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:
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:
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;
5.根据权利要求1所述的方法,其特征在...
【专利技术属性】
技术研发人员:齐晖,田启东,李俊,林欣慰,李志,林正冲,苟吉伟,
申请(专利权)人:深圳供电局有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。