本申请涉及一种电力系统的运维告警方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括：获取新型电力系统中各个设备产生的异常告警信息，利用预先训练好的偏好模型，确定各运维人员对每条异常告警信息的偏好程度，根据偏好程度确定每条异常告警信息对应的目标运维人员列表，将异常告警信息分发至对应的目标运维人员列表中的各运维人员的操作终端。该方法基于运维人员对告警信息的偏好，向不同的运维人员个性化分发异常告警信息，分发给每个运维人员的异常告警信息对应的是各运维人员较为精通的运维工作，从而提高新型电力系统的运维人员的工作效率。系统的运维人员的工作效率。系统的运维人员的工作效率。
【技术实现步骤摘要】
电力系统的运维告警方法、装置、计算机设备和存储介质
[0001]本申请涉及电力系统
，特别是涉及一种电力系统的运维告警方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]新型电力系统的安全运维是保障新型电力系统的稳态运行的重要工作，快速定位并处理各种安全事件可以减少新型电力系统在异常情况下的损失，保证电力生产的安全高效。安全告警是运维人员保障电力系统正常运行的关键，在新型电力系统的正常运行过程中若发生电力系统故障或遭到恶意攻击时，需要运维人员及时定位并排除故障，以确保新型电力系统安全平稳运行。异常告警在新型电力系统中是辅助运维人员有效进行运维工作的关键参考信息。
[0003]为了尽可能降低突发异常情况造成的损失，运维人员需要快速定位异常位置、及时排除异常情况，因此，提供给运维人员的异常告警列表应当有助于快速定位分析异常状态。目前，新型电力系统中的异常告警信息的一些处理技术，可根据告警类型分类、依据告警的重要程度排序，运维人员可以看到经分类、排序处理后的异常告警信息。这些经过分类、排序处理过的异常告警信息可以在一定程度上提高运维人员的工作效率，保障电力系统稳态运行。
[0004]新型电力系统的异常告警信息往往是复杂且海量的。当前的新型电力系统高度信息化和智能化，其中包含了大量的子系统、设备以及传感器等安全主体，并且类型异构、不同部分之间有业务耦合。在新型电力系统规模巨大的情况下，系统故障和安全事件频发，一个故障或一次入侵会导致大量设备的不同的功能产生异常告警信息。异常告警信息过多会对运维人员造成严重干扰，影响运维工作的进行。因此，在异常告警信息复杂且数量庞大的情况下，运维人员需要在大量异常告警信息中寻找自己业务能力范围内的异常告警信息，同时运维人员业务能力范围外的异常告警信息容易被忽略。因此，针对新型电力系统产生的海量的异常告警信息，现有的处理技术存在运维人员无法高效地处理大量的异常告警信息的问题。
技术实现思路
[0005]基于此，有必要针对上述技术问题，提供一种能够提高运维人员处理效率的电力系统的运维告警方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种电力系统的运维告警方法。所述方法包括：
[0007]获取新型电力系统中各个设备产生的异常告警信息；
[0008]利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
[0009]根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；
[0010]将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操
作终端。
[0011]在其中一个实施例中，所述方法还包括：
[0012]在所述偏好模型未训练时，将所述异常告警信息向全部运维人员推送；
[0013]获取运维人员反馈的对所述异常告警信息的偏好程度；
[0014]根据所述运维人员对所述异常告警信息的偏好程度，构建所述偏好模型的训练样本集；
[0015]基于所述训练样本集对所述偏好模型进行训练。
[0016]在其中一个实施例中，所述基于所述训练样本集对所述偏好模型进行训练，包括：
[0017]对所述训练样本集采用矩阵分解的协同过滤算法分解为用户模型和告警模型；
[0018]对所述用户模型和告警模型进行相乘，得到预测的偏好程度；
[0019]以所述训练样本集中训练样本的偏好程度和预测的所述偏好程度的平方误差为最小化损失函数，迭代训练所述用户模型和所述告警模型；
[0020]根据训练好的所述用户模型和所述告警模型，得到偏好模型。
[0021]在其中一个实施例中，根据所述运维人员对所述异常告警信息的偏好程度，构建所述偏好模型的训练样本集，包括：
[0022]若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值；
[0023]根据调整所述偏好程度值的异常告警信息构建模型的训练样本集。
[0024]在其中一个实施例中，若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值，包括：
[0025]若运维人员反馈的为对有用异常告警信息的偏好程度，则提高所述异常告警信息的偏好值则提高异常告警信息的偏好值到当前偏好值的一半再加1/2；
[0026]若运维人员反馈的为对无用异常告警信息的偏好程度，则对所述异常告警信息的偏好值降低当前偏好值的一半。
[0027]在其中一个实施例中，所述损失函数为所述训练样本集中训练样本的偏好程度与预测的偏好程度的平方误差，以及正则化项之和。
[0028]在其中一个实施例中，所述根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表包括：
[0029]根据所述运维人员对每条所述异常告警信息的所述偏好程度，对每条异常告警信息的所述运维人员进行排序；
[0030]根据排序结果取所述偏好程度大于预设值的运维人员，得到第一列表；
[0031]若第一列表中所述运维人员数量占比大于预设占比，则从第一列表中按排序取所述预设占比的人员，得到每条所述异常告警信息对应的目标运维人员列表。
[0032]第二方面，本申请还提供了一种电力系统的运维告警装置。所述装置包括：
[0033]异常告警信息获取模块，用于获取新型电力系统中各个设备产生的异常告警信息；
[0034]偏好程度计算模块，用于利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
[0035]运维人员列表确定模块，用于根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；
[0036]异常告警信息分发模块，用于将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操作终端。
[0037]第三方面，本申请还提供了一种计算机设备。所述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：
[0038]获取新型电力系统中各个设备产生的异常告警信息；
[0039]利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
[0040]根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；
[0041]将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操作终端。
[0042]第四方面，本申请还提供了一种计算机可读存储介质。所述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：
[0043]获取新型电力系统中各个设备产生的异常告警信息；
[0044]利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电力系统的运维告警方法，其特征在于，所述方法包括：获取新型电力系统中各个设备产生的异常告警信息；利用预先训练好的偏好模型，确定各运维人员对每条所述异常告警信息的偏好程度；根据所述偏好程度确定每条所述异常告警信息对应的目标运维人员列表；将所述异常告警信息分发至对应的所述目标运维人员列表中的各运维人员的操作终端。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述偏好模型未训练时，将所述异常告警信息向全部运维人员推送；获取运维人员反馈的对所述异常告警信息的偏好程度；根据所述运维人员对所述异常告警信息的偏好程度，构建所述偏好模型的训练样本集；基于所述训练样本集对所述偏好模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述基于所述训练样本集对所述偏好模型进行训练，包括：对所述训练样本集采用矩阵分解的协同过滤算法分解为用户模型和告警模型；对所述用户模型和告警模型进行相乘，得到预测的偏好程度；以所述训练样本集中训练样本的偏好程度和预测的所述偏好程度的平方误差为最小化损失函数，迭代训练所述用户模型和所述告警模型；根据训练好的所述用户模型和所述告警模型，得到偏好模型。4.根据权利要求2所述的方法，其特征在于，根据所述运维人员对所述异常告警信息的偏好程度，构建所述偏好模型的训练样本集，包括：若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值；根据调整所述偏好程度值的异常告警信息构建模型的训练样本集。5.根据权利要求4所述的方法，其特征在于，若运维人员反馈的为对有用异常告警信息的偏好程度，则提高偏好程度值，若运维人员反馈的为对无用异常告警信息的偏好程度，则降低偏好程度值，包括：若运维人员反...
【专利技术属性】
技术研发人员：吴昊，肖焯，张丽娟，赖宇阳，黄宝鑫，张佳发，母天石，李慧娟，谭洪华，许露珉，邓建锋，王依云，连晨，
申请(专利权)人：南方电网数字电网研究院有限公司，
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。