基于制造技术

本申请实施例提供一种基于

【技术实现步骤摘要】
基于AI模型的电力大数据采集处理方法及系统


[0001]本申请涉及智能模型算法
，具体而言，涉及一种基于
AI
模型的电力大数据采集处理方法及系统
。

技术介绍

[0002]电力系统作为现代生活的基础设施，其稳定
、
可靠的运行对于整个用户经济活动具有至关重要的意义
。
然而，由于电力系统本身的复杂性以及外界环境的不确定性，电力系统中的故障事件是无法完全避免的
。
因此，准确
、
高效地进行电力系统的故障诊断显得尤为重要
。
[0003]随着现代电力系统的复杂性和规模不断增大，故障诊断成为了保证电力系统正常运行的重要环节
。
然而，传统的故障诊断方法主要基于经验规则或者统计分析，这些方法在处理复杂
、
动态变化的电力系统故障时往往效果不佳，无法满足现代电力系统对高准确性故障诊断的需求
。

技术实现思路

[0004]为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于
AI
模型的电力大数据采集处理方法及系统
。
[0005]第一方面，本申请提供一种基于
AI
模型的电力大数据采集处理方法，应用于电力服务系统，所述方法包括：获取针对一个目标电力服务分区的多个电力数据采集事件中各个电力数据采集事件对应的样例电力采集数据序列和初始电力系统故障诊断网络，其中，所述样例电力采集数据序列包括多个携带样例故障因果链数据的电力特征训练数据，一个电力特征训练数据的样例故障因果链数据用于反映该电力特征训练数据的先验故障诊断数据，所述初始电力系统故障诊断网络包括第一长短期记忆网络和分类器；获取各个所述电力数据采集事件对应的第二长短期记忆网络；针对各个所述电力数据采集事件，依据该电力数据采集事件对应的样例电力采集数据序列对该电力数据采集事件对应的第二长短期记忆网络进行循环网络知识学习操作，直到所述第二长短期记忆网络符合网络收敛要求，生成该电力数据采集事件对应的完成知识学习的第二长短期记忆网络；依据所述初始电力系统故障诊断网络和各所述电力数据采集事件对应的完成知识学习的第二长短期记忆网络，生成所述目标电力服务分区的目标电力系统故障诊断网络；其中，针对各个所述电力数据采集事件，所述网络知识学习操作包括：针对该电力数据采集事件对应的各个电力特征训练数据，依据所述第一长短期记忆网络和该电力数据采集事件对应的第二长短期记忆网络，对该电力数据采集事件对应的电力特征训练数据进行编码，依据编码获得的电力状态序列关系向量，依据所述分类器得
到该电力数据采集事件对应的电力特征训练数据的故障预测数据；依据该电力数据采集事件对应的各电力特征训练数据对应的故障预测数据和先验故障诊断数据之间的特征距离，生成该电力数据采集事件对应的网络学习代价参数；如果不符合所述网络收敛要求，则依据所述网络学习代价参数对该电力数据采集事件对应的第二长短期记忆网络的参数信息进行更新
。
[0006]在第一方面的一种可能的实施方式中，所述第一长短期记忆网络包括多个第一编码单元，所述第二长短期记忆网络包括与局部第一编码单元并行设置的第二编码单元；所述依据所述第一长短期记忆网络和该电力数据采集事件对应的第二长短期记忆网络，对该电力数据采集事件对应的电力特征训练数据进行编码，包括：依据多个编码分支分别对该电力特征训练数据进行特征依赖关系编码，各个编码分支包括第一编码单元，局部编码分支还包括与该编码分支的第一编码单元并行设置的第二编码单元；其中，所述特征依赖关系编码包括：对于未涵盖第二编码单元的编码分支，依据该编码分支的第一编码单元对该编码分支的加载数据进行编码，将编码获得的电力状态序列关系向量作为该编码分支的生成数据；其中，首个编码分支的加载数据为电力特征训练数据，除首个编码分支以外的编码分支的加载数据为该编码分支的在先编码分支的生成数据，终末编码单元的生成数据作为所述分类器的加载数据；针对涵盖第二编码单元的编码分支，依据第一编码单元和第二编码单元，分别对该编码分支的加载数据进行编码，并将第一编码单元和第二编码单元编码获得的电力状态序列关系向量进行特征集成，将特征集成后的电力状态序列关系向量作为该编码分支的生成数据
。
[0007]在第一方面的一种可能的实施方式中，所述获取各个所述电力数据采集事件对应的第二长短期记忆网络，包括：针对各个电力数据采集事件，确定该电力数据采集事件对应的样例电力采集数据序列中的电力特征训练数据的第一统计值；获取预置映射表，所述预置映射表包括多个参考数值区间以及与所述多个参考数值区间中各个参考数值区间对应的目标统计值；针对各个所述电力数据采集事件，确定该电力数据采集事件对应的所述第一统计值在所述多个参考数值区间中所关联的目标区间，将该目标区间对应的目标统计值确定为该电力数据采集事件对应的第二统计值，所述第二统计值为第二长短期记忆网络中涵盖的第二编码单元的统计值，所述第一统计值与所述第二统计值呈现正关联；针对各个电力数据采集事件，依据所述该电力数据采集事件对应的第二统计值的第二编码单元，生成该电力数据采集事件对应的第二长短期记忆网络
。
[0008]在第一方面的一种可能的实施方式中，所述方法还包括：确定所述多个电力数据采集事件中每个电力数据采集事件的事件触发标签；如果所述多个电力数据采集事件中存在匹配事件触发标签的电力数据采集事件，则将匹配事件触发标签的电力数据采集事件作为一个电力数据采集事件簇，并将匹配事件
触发标签的电力数据采集事件对应的样例电力采集数据序列合并，生成电力数据采集事件簇对应的样例电力采集数据序列；所述获取各个所述电力数据采集事件对应的第二长短期记忆网络，包括：获取每个电力数据采集事件簇对应的第二长短期记忆网络
、
以及所述多个电力数据采集事件中除电力数据采集事件簇以外的各个电力数据采集事件对应的第二长短期记忆网络
。
[0009]在第一方面的一种可能的实施方式中，所述依据所述初始电力系统故障诊断网络和各所述电力数据采集事件对应的完成知识学习的第二长短期记忆网络，生成所述目标电力服务分区的目标电力系统故障诊断网络，包括下述任意一项：将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成，生成特征集成后的第二长短期记忆网络；将所述初始电力系统故障诊断网络和所述特征集成后的第二长短期记忆网络，确定为所述多个电力数据采集事件中其中一个电力数据采集事件对应的目标电力系统故障诊断网络，所述多个电力数据采集事件对应的第二长短期记忆网络的模型架构相同；针对各个所述电力数据采集事件，将所述初始电力系统故障诊断网络和该电力数据采集事件对应的完成知识学习的第二长短期记忆网络，确定为该电力数据采集事件对应的目标电力系统故障诊断网络
。
[0010]在第一方面的一种可能的实施方式中，所述将所述多个电力数据采集事件本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
AI
模型的电力大数据采集处理方法，其特征在于，应用于电力服务系统，所述方法包括：获取针对一个目标电力服务分区的多个电力数据采集事件中各个电力数据采集事件对应的样例电力采集数据序列和初始电力系统故障诊断网络，其中，所述样例电力采集数据序列包括多个携带样例故障因果链数据的电力特征训练数据，一个电力特征训练数据的样例故障因果链数据用于反映该电力特征训练数据的先验故障诊断数据，所述初始电力系统故障诊断网络包括第一长短期记忆网络和分类器；获取各个所述电力数据采集事件对应的第二长短期记忆网络；针对各个所述电力数据采集事件，依据该电力数据采集事件对应的样例电力采集数据序列对该电力数据采集事件对应的第二长短期记忆网络进行循环网络知识学习操作，直到所述第二长短期记忆网络符合网络收敛要求，生成该电力数据采集事件对应的完成知识学习的第二长短期记忆网络；依据所述初始电力系统故障诊断网络和各所述电力数据采集事件对应的完成知识学习的第二长短期记忆网络，生成所述目标电力服务分区的目标电力系统故障诊断网络；其中，所述针对各个所述电力数据采集事件，依据该电力数据采集事件对应的样例电力采集数据序列对该电力数据采集事件对应的第二长短期记忆网络进行循环网络知识学习操作，包括：针对该电力数据采集事件对应的各个电力特征训练数据，依据所述第一长短期记忆网络和该电力数据采集事件对应的第二长短期记忆网络，对该电力数据采集事件对应的电力特征训练数据进行编码，依据编码获得的电力状态序列关系向量，依据所述分类器得到该电力数据采集事件对应的电力特征训练数据的故障预测数据；依据该电力数据采集事件对应的各电力特征训练数据对应的故障预测数据和先验故障诊断数据之间的特征距离，生成该电力数据采集事件对应的网络学习代价参数；如果不符合所述网络收敛要求，则依据所述网络学习代价参数对该电力数据采集事件对应的第二长短期记忆网络的参数信息进行更新
。2.
根据权利要求1所述的基于
AI
模型的电力大数据采集处理方法，其特征在于，所述第一长短期记忆网络包括多个第一编码单元，所述第二长短期记忆网络包括与局部第一编码单元并行设置的第二编码单元；所述依据所述第一长短期记忆网络和该电力数据采集事件对应的第二长短期记忆网络，对该电力数据采集事件对应的电力特征训练数据进行编码，包括：依据多个编码分支分别对该电力特征训练数据进行特征依赖关系编码，各个编码分支包括第一编码单元，局部编码分支还包括与该编码分支的第一编码单元并行设置的第二编码单元；其中，所述特征依赖关系编码包括：对于未涵盖第二编码单元的编码分支，依据该编码分支的第一编码单元对该编码分支的加载数据进行编码，将编码获得的电力状态序列关系向量作为该编码分支的生成数据；其中，首个编码分支的加载数据为电力特征训练数据，除首个编码分支以外的编码分支的加载数据为该编码分支的在先编码分支的生成数据，终末编码单元的生成数据作为所述分类器的加载数据；
针对涵盖第二编码单元的编码分支，依据第一编码单元和第二编码单元，分别对该编码分支的加载数据进行编码，并将第一编码单元和第二编码单元编码获得的电力状态序列关系向量进行特征集成，将特征集成后的电力状态序列关系向量作为该编码分支的生成数据
。3.
根据权利要求2所述的基于
AI
模型的电力大数据采集处理方法，其特征在于，所述获取各个所述电力数据采集事件对应的第二长短期记忆网络，包括：针对各个电力数据采集事件，确定该电力数据采集事件对应的样例电力采集数据序列中的电力特征训练数据的第一统计值；获取预置映射表，所述预置映射表包括多个参考数值区间以及与所述多个参考数值区间中各个参考数值区间对应的目标统计值；针对各个所述电力数据采集事件，确定该电力数据采集事件对应的所述第一统计值在所述多个参考数值区间中所关联的目标区间，将该目标区间对应的目标统计值确定为该电力数据采集事件对应的第二统计值，所述第二统计值为第二长短期记忆网络中涵盖的第二编码单元的统计值，所述第一统计值与所述第二统计值呈现正关联；针对各个电力数据采集事件，依据所述该电力数据采集事件对应的第二统计值的第二编码单元，生成该电力数据采集事件对应的第二长短期记忆网络
。4.
根据权利要求1所述的基于
AI
模型的电力大数据采集处理方法，其特征在于，所述方法还包括：确定所述多个电力数据采集事件中每个电力数据采集事件的事件触发标签；如果所述多个电力数据采集事件中存在匹配事件触发标签的电力数据采集事件，则将匹配事件触发标签的电力数据采集事件作为一个电力数据采集事件簇，并将匹配事件触发标签的电力数据采集事件对应的样例电力采集数据序列合并，生成电力数据采集事件簇对应的样例电力采集数据序列；所述获取各个所述电力数据采集事件对应的第二长短期记忆网络，包括：获取每个电力数据采集事件簇对应的第二长短期记忆网络
、
以及所述多个电力数据采集事件中除电力数据采集事件簇以外的各个电力数据采集事件对应的第二长短期记忆网络
。5.
根据权利要求1所述的基于
AI
模型的电力大数据采集处理方法，其特征在于，所述依据所述初始电力系统故障诊断网络和各所述电力数据采集事件对应的完成知识学习的第二长短期记忆网络，生成所述目标电力服务分区的目标电力系统故障诊断网络，包括下述任意一项：将所述多个电力数据采集事件中多个电力数据采集事件对应的完成知识学习的第二长短期记忆网络的第二网络功能层参数信息进行特征集成，生成特征集成后的第二长短期记忆网络；将所述初始电力系统故障诊断网络和所述特征集成后的第二长短期记忆网络，确定为所述多个电力数据采集事件中其中一个电力数据采集事件对应的目标电力系统故障诊断网络，所述多个电力数据采集事件对应的第二长短期记忆网络的模型架构相同；或，针对各个所述电力数据采集事件，将所述初始电...

【专利技术属性】
技术研发人员：郭建波，汪扬，陆玲玲，陶永晶，
申请(专利权)人：杭州海兴电力科技股份有限公司深圳和兴电力科技有限公司广东和兴电力科技有限公司海南海兴国际科技发展有限公司宁波恒力达科技有限公司，
类型：发明
国别省市：