电力现货业务系统故障预测的方法、装置、计算机设备和存储介质制造方法及图纸

本申请公开了电力现货业务系统故障预测的方法、装置、计算机设备和存储介质，电力现货业务系统故障预测的方法包括接收电力现货业务系统中硬件装备实时的装备参数时序数据，输入第一类深度神经网络得到硬件装备发生故障的概率；所述第一类深度神经网络为预先构建获得，包括：接收电力现货业务系统中硬件装备在故障前的装备参数时序数据，根据所述装备参数时序数据构建装备参数字典；利用所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据和训练数据；利用深度神经网络微调迁移学习所述训练数据，得到所述第一类深度神经网络。本申请保障了电力现货市场和业务系统的安全运行和可靠运转。务系统的安全运行和可靠运转。务系统的安全运行和可靠运转。

【技术实现步骤摘要】
电力现货业务系统故障预测的方法、装置、计算机设备和存储介质


[0001]本申请涉及深度学习领域，特别是涉及一种电力现货业务系统故障预测的方法、装置、计算机设备和存储介质。

技术介绍

[0002]自上世纪90年代英国电力工业革命以来，电力市场建设已在全世界范围内走过了几十年的历程。目前，世界多个国家都已建立了电力市场，而其中现货市场又是一个极其关键的环节，其在短时序上建立了与电力系统运行紧密结合的市场组织形式。电力现货市场主要包括日前、日内和实时的电能量与备用等辅助服务交易市场。
[0003]为保障电力现货市场业务的正常运营以及电网的安全稳定运行，电力现货业务系统的建设受到了国家越来越大的重视和投入。电力现货业务系统主要包括电力调度自动化系统和电力现货交易系统。目前，已建成的电力现货业务系统已经能够实现国、网、省三级调度计划的统一协调，发挥特大电网资源优化配置能力。同时，该系统还能支持调度运行与市场交易的有机衔接，促进电力系统的安全运行和市场的可靠运转。然而，由于电网装备复杂，装备间关联紧密，电力现货市场交易频度高、交易品种多、交易体系复本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.电力现货业务系统故障预测的方法，其特征在于，包括接收电力现货业务系统中硬件装备实时的装备参数时序数据，输入第一类深度神经网络得到硬件装备发生故障的概率；所述第一类深度神经网络为预先构建获得，具体包括：接收电力现货业务系统中硬件装备在故障前的装备参数时序数据，根据所述装备参数时序数据构建装备参数字典；利用所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据，所述向量化的装备参数时序数据中的至少一部分作为训练数据；利用深度神经网络微调迁移学习所述训练数据，得到所述第一类深度神经网络。2.根据权利要求1所述的电力现货业务系统故障预测的方法，其特征在于，所述向量化的装备参数时序数据中的至少一部分作为测试数据；得到所述第一类深度神经网络后还包括利用所述测试数据评估所述第一类深度神经网络。3.根据权利要求1所述的电力现货业务系统故障预测的方法，其特征在于，根据所述装备参数时序数据构建装备参数字典，具体包括：读取所述装备参数的参数值，根据所述参数值生成相对应的索引号，所述装备参数的参数值和索引号共同构成装备参数字典。4.根据权利要求3所述的电力现货业务系统故障预测的方法，其特征在于，利用所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据，具体包括：获取装备参数时序数据中每一时间步的装备参数值；根据装备参数字典查找各个时间步的装备参数值所对应的索引号；建立一个向量长度与所述装备参数字典长度相同的全零向量；根据装备参数字典查找索引号的位置，将全零向量中对应位置的值设为一，得到向量化的装备参数时序数据。5.电力现货业务系统故障预测的方法，其特征在于，包括接收电力现货业务系统中软件系统实时的状态参数，将所述状态参数转化为电力软件系统属性度量向量，再输入第二类深度神经网络得到电力软件系统发生故障的概率；所述第二类深度神经网络为预先构建获得，具体包括：接收电力现货业务系统中软件系统的故障数据，通过对所述故障数据进行软件度量，构建电力软件系统属性度量向量数据集；获取对照软件系统属性度量向量，所述对照软件系统属性度量向量的至少一部分作为训练数据；利用...

【专利技术属性】
技术研发人员：蒋正威，黄龙达，庄卫金，杨争林，卢敏，孔飘红，阙凌燕，张静，潘加佳，徐攀，张鸿，孙鹏，刘晓梅，邵平，郑亚先，薛必克，卢永，王勇，
申请(专利权)人：中国电力科学研究院有限公司国网浙江省电力有限公司湖州供电公司，
类型：发明
国别省市：