一种基于多模态学习的电力系统故障预警方法和系统技术方案

本发明专利技术公开一种基于多模态学习的电力系统故障预警方法和系统，基于电力信息系统的数据库、网络等异常的运行故障记录，进行数据库、网络异常相关联的典型数据特征的分析，构建系统日志故障特征库；基于系统的网络数据标签，针对该系统进行特征归类，构建基于分类算法的系统健康画像；基于知识库与推理机的原理，进行知识库与推理机的高速和高精度决策，通过对电力信息系统故障的关系分析，针对不同的故障类型提出处理策略；针对系统故障处理模型进行同一时间多类型故障训练，进行故障预测模型的泛化增强；进行电力信息系统的预测故障实时告警。本发明专利技术通过多模态学习等机器学习技术构建系统故障预测模型，实现系统隐患预测，提高运维效率。

A method and system of power system fault early warning based on multimodal learning

【技术实现步骤摘要】
一种基于多模态学习的电力系统故障预警方法和系统
本专利技术涉及电力资源管理
，具体涉及一种基于多模态学习的电力系统故障预警方法和系统。
技术介绍
随着电力网络信息化的发展，信息技术已经深入到电力生产的各个环节。电力信息系统在运行过程中会产生大量的日志数据，包括系统网络连接状态、数据库状态等系统运行日志以及设备运行参数等业务相关日志。如果对这些海量日志的分析与评价不及时，信息挖掘不准确，可能会造成严重的电力安全事故，因此在电力信息系统运维过程中，针对海量日志数据进行实时有效分析显得尤为必要。传统的电力信息系统运维方式对于日志数据利用不够，价值挖掘不够充分，缺少对电力信息系统在出现故障前主动预警机制，基于传统的数据分析方法处理时往往会出现由于处理算法单一、资源分配不合理等导致的数据处理速度不及时和效率低下等问题，严重影响了日志数据的处理和分析，目前积蓄针对电力信息系统日志数据的高效快速处理，实现对系统运行的隐患和故障的智能预警。
技术实现思路
为解决上述现有技术的中的不足，本专利技术的目的在于克服现有不足，提供一种基于多模本文档来自技高网...

【技术保护点】
1.一种基于多模态学习的电力系统故障预警方法，其特征在于，包括：/n基于电力信息系统的数据库、网络等异常的运行故障记录，进行数据库、网络异常相关联的典型数据特征的分析，且针对性提出异常的高效特征表示方法，构建系统日志故障特征库；/n采用深度神经网络结构，且基于电力信息系统的网络数据标签，针对该系统进行特征归类，构建基于分类算法的系统健康画像；/n基于知识库与推理机的原理，进行知识库与推理机的高速和高精度决策，通过对电力信息系统故障的关系分析，针对不同的故障类型提出处理策略，基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理；/n基于多模态多任务机器技术，进行训练任务的通用迁移，且采...

【技术特征摘要】
1.一种基于多模态学习的电力系统故障预警方法，其特征在于，包括：
基于电力信息系统的数据库、网络等异常的运行故障记录，进行数据库、网络异常相关联的典型数据特征的分析，且针对性提出异常的高效特征表示方法，构建系统日志故障特征库；
采用深度神经网络结构，且基于电力信息系统的网络数据标签，针对该系统进行特征归类，构建基于分类算法的系统健康画像；
基于知识库与推理机的原理，进行知识库与推理机的高速和高精度决策，通过对电力信息系统故障的关系分析，针对不同的故障类型提出处理策略，基于提出的策略对实际运行产生的不同类型故障的准确定位和快速处理；
基于多模态多任务机器技术，进行训练任务的通用迁移，且采用多任务学习，针对系统故障处理模型进行同一时间多类型故障训练，进行故障预测模型的泛化增强；基于随机森林预测模型，再结合深度特征学习技术提取的日志特征向量进行系统故障预测模型的训练，进行电力信息系统的预测故障实时告警。


2.根据权利要求1所述的一种基于多模态学习的电力系统故障预警方法，其特征在于，所述构建系统日志故障特征库基于特征选择构建，所述特征选择包括如下步骤：
计算电力系统日志故障产生的所有有效特征，设置为n，基于n个特征构建特征全集，设为2n，即2n为所述电力系统日志故障的特征全集；
基于电力系统日志故障的特征全集，基于搜索策略对于构建的特征全集2n进行进一步的特征子集的筛选并存储放置；
设置一评估函数，基于该评估函数进行存储放置的特征子集进行函数评估，且将函数评估的结果与结束准则进行对比；
若评估结果优于结束准则，结束当前操作，并记录当前评估结果对应的特征子集作为备选特征子集；若评估结果差于结束准则，基于搜索策略重新筛选特征子集，并进行评估。


3.根据权利要求1所述的一种基于多模态学习的电力系统故障预警方法，其特征在于，所述构建基于分类算法的系统健康画像，利用存储于电力系统服务器的海量日志以及数据库存储的数据进行分析和挖掘，针对分析和挖掘结果进行系统Tag，所述Tag包括网络异常连接、数据库数据异常以及系统运行错误。


4.根据权利要求1所述的一种基于多模态学习的电力系统故障预警方法，其特征在于，所述系统故障处理模型的构建包括如下：
模型参数进行初始化，确定模型参数的初始值，且在模型参数进行模型训练过程中进行取样，对模型训练的动态变化进行监控；
基于深度卷积神经网络进行电力信息系统的故障处理模型的构建；
基于已经构建完成的系统故障处理模型，通过对模型的参数变化轨迹，初始参数设置，超参数设置以及利用凸优化方法调优的认知，进行系统故障处理模型的优化处理。


5.根据权利要求1所述的一种基于多模态学习的电力系统故障预警方法，其特征在于，基于电力系统多模态的日志数据，构建基于有效距离的多模态特征选择模型，具体如下：
设电力系统存在K个模态，电力系统故障日志的特征训练样本Xk＝[x1k,x2k,…xck]B∈Rc×d为第k个模态的训练样本数据；A＝[a1,a2,…ai…ac]B∈Rc代表类别号；ai为第i个样本的类别标号；
设Lk∈Rd为第k个任务的线性函数的权重向量，且L＝[l1,l1,…,lK]∈Rd×K为对应权重矩阵，且设置lj为L的行，为K个模态中第j个特...

【专利技术属性】
技术研发人员：何东，徐海青，张辰，饶涵宇，徐唯耀，陈是同，董媛媛，吴小华，浦正国，张彬彬，胡心颖，郭庆，吴立刚，胡丁丁，
申请(专利权)人：国网浙江省电力有限公司信息通信分公司，安徽继远软件有限公司，国网信息通信产业集团有限公司，国家电网有限公司，
类型：发明
国别省市：浙江;33