一种基于深度学习的故障线路复电知识推理方法与流程

1.本发明涉及电力系统运维技术领域，具体的，涉及一种基于深度学习的故障线路复电知识推理方法。


背景技术：

2.随着能源结构的转型、分布式电源的快速发展和特高压交直流大容量输电线路的投运，电网的结构形态和系统特性日趋复杂，使得电网调控业务的难度和复杂度大幅增加。而随着国民经济的持续高速发展，用户的用电需求对供电的可靠性提出了更高的要求。当电网出现故障情况时，为了维持电网持续安全稳定供电，调度运行人员必须快速做出反应并及时进行处置。目前，在电网故障快速反应方面，电网调度控制系统的综合智能分析与告警、特高压直流故障协同处置等功能取得了长足的发展，能够快速准确识别和诊断电网故障。但是在电网故障处置方面，仍然缺乏可靠的智能辅助应用功能和措施，尤其是快速、安全恢复故障线路的供电，面临着巨大的考验，依靠自动重合装置已远不能满足当下的调度运行需要。
3.当线路故障且自动重合装置自动重合一次失败后，调度员需要结合故障告警信息，手动查询故障线路相关的各项文档和通知，快速评估线路故障造成的影响及恢复供电的紧急程度，并判断能否立即复电。对于能够试送的情况，应立即进行复电试送，及时消除故障造成的影响，避免连锁故障发生而造成更严重的后果；如果不能复电，则必须采取其他处置方案，并尽快安排线路故障排查和检修。而影响线路能否复电的因素众多且分布在调控系统和文档管理系统中，检索难度大且耗时多。传统的线路复电推理判断过于依据人工经验和调度规程规则进行复杂的逻辑推理判断，具有明显的线性化特征，分析效率低下且极易出错。


技术实现要素：

4.本发明的目的是提出一种基于深度学习的故障线路复电知识推理方法，解决传统判断方法严重依赖人工逻辑规则设计、过于线性化、漏判误判多等问题，为调度人员提高电网故障处置效率、快速恢复供电提供了快速、准确、可靠、可解释的决策参考依据。
5.为实现上述技术目的，本发明提供的一种技术方案是，一种基于深度学习的故障线路复电知识推理方法，其特征在于：包括如下步骤：s1、通过电力领域专业文本训练线路故障处置bert模型；s2、对线路故障处置历史记录进行标注，构建故障线路复电判断数据集；s3、构建故障线路复电判断深度学习模型，并利用故障线路复电判断数据集对模型进行优化训练得到recover_model模型；s4、接收实时线路故障触发的综合智能告警信号，自动从电网调控系统搜集故障相关的实时采集数据和高级应用分析结果数据，自动从故障线路复电判断知识图谱中检索相关的参考文档知识信息；将全部故障信息整理为标准格式数据；
s5、利用s1中训练的线路故障处置bert模型，将s4中自动汇集整理好的标准格式数据和知识信息进行向量化表示；s6、进行故障线路复电判断模型的推理计算；s7、解析模型推理结果；s8、利用调度规程中故障线路试送电恢复必须遵循的基本准则，对模型的推理结果进行校核；s9、判定是否符合复电条件，根据判定结果执行对应策略；s10、生成线路故障处置记录，将s6中得到的计算推理输出向量作为标签，添加到故障线路复电判断数据集中，重复s3中的模型训练过程，使recover_model模型达到新的最优状态。
6.本方案中，对调度控制系统和复电判断知识图谱中搜集到的历史线路的所有故障处置相关数据和知识进行复电判断结论标注和判断依据标注；将故障处置相关数据进行数字化向量表示；构建训练深度学习模型实现是否复电的推理计算；结合调度规程进行校核；相比于传统复电判断方法，本发明提出了用深度学习的方法通过拟合理想化的复电推理判断，能够自动提取数据特征，通过引入非线性元素，尝试提供可解释性、具有持续学习能力、严格遵循调度规程的方案；采用本发明能够以极低的漏判率和误判率实现故障线路能否复电的自动判断，在较大程度上降低目前人工分析校核的工作量，避免人工设计判断准则的偏差，为调度人员提高电网故障处置效率、快速恢复供电提供了快速、准确、可靠、可解释的决策参考依据。
7.作为优选，s2包括如下步骤：s21、依据记录的是否复电的判断结果，对整条记录进行(0，1)二分类，同时归纳整理与线路复电判断相关的影响因素，所述影响因素包括21类；s22、对每条历史故障处置记录同时做生效影响因素的标记，预留长度为21的向量；其中的第n位存储第n类影响因素是否生效的标记，生效为1，未生效为0，每条历史记录的标签均为长度为22的向量。
8.作为优选，影响因素包括有：线路类型、短路故障类型、故障测距、线路三跨情况、设备异常信号、保护及开关信号完整性、检修计划、带电作业计划、设备家族性缺陷、n-1新增越限、线路薄弱运行、相关设备新增重载、相关设备新增越限、相关设备未来新增越限、严重故障情况、相关断面是否超过临时/长期稳定限额、相关断面是否超过历史稳定限额、相关断面未来是否超过临时/长期稳定限额、相关断面未来是否超过历史稳定限额、气象灾害、重要用户。
9.作为优选，s3中，模型的输出向量长度与数据集的标签保持一致为长度22的向量{y1,y2,...,y
22
}，以准确率acc、漏判率h、误判率e作为模型优化目标的三个指标；基于深度学习框架构建深度学习模型结构，利用s1中训练好的bert模型将s2中标注好的复电判断数据集转化为数值矩阵train_data_m＝{{a
11
,a
12
,...,a
1768
}，{a
21
,a
22
,...,a
2768
}，{a
31
,a
32
,...,a
3768
}，.......，{a
n1
,a
n2
,...,a
ni
,...,a
n768
}，.......}，其中_m后缀标识第m条数据，a
ni
表示当前数据中第n个字符经bert转换为向量后向量中保存的第i个数值，形成矩阵形式的故障线路复电判断数据集train_datas＝{train_data_1，train_data_2，.......，train_data_m，......}；将train_data_n传入设计好的深度学习模型中
进行训练计算，得到模型输出{b1,b2,...,b
22
}，与标注向量{y1,y2,...,y
22
}做误差计算得到误差loss，并计算设定的三个指标数值，再通过反向传播的优化算法迭代修正模型中的权重参数w，以此类推不断传入训练数据；不断循环迭代至最大次数max_epoch或设定的优化指标趋于稳定为止；检验稳定后的指标是否符合预期值，符合则训练完成，否则修改模型重新进行训练，直至指标符合应用需求为止，保存模型结构和参数为recover_model。
10.作为优选，s6包括如下步骤：将s5中得到的数据知识向量化表示结果inference_data输入进s3中训练好的故障线路复电判断深度学习模型recover_model中进行前向推理计算，得到输出向量p＝{0,1,0,1,1,0,0,1,0,1,1,1,0,0,0,1,0,0,0,0,0,0}；其中s5中得到的数据知识向量化表示结果inference_data＝{{c
11
,c
12
,...,c
1768
}，{c
21
,c
22
,...,c
2768
}，{c
31
,c
32
,...,c
3768
}，.......，{c
n1
,c
n2
,...,c
ni
,...,c
n768
}，.......}。
11.作为优选，s8中需遵守的基本准则为：准则一：全电缆线路坚决不可复电；准则二：三相故障坚决不可复电；准则三：线路短期有带电作业计划坚决不可复电；如果校核通过，推理结果符合调度规程基本准则，则进入s9；如果校核不通过，则推理结构违背了调度规程的基本准则，需要人工进行推理结果的修正，然后再进入s9。
12.作为优选，s9中根据判定结果执行对应策略包括如下步骤：如果推理计算的最终结果为可以复电，则提示调度员进行故障线路复电，并展示所有建议复电的相关因素，警示线路复电的紧急程度；如果推理计算的最终结果为不可复电，则提示调度员故障线路不可复电，同时展示导致不可复电的影响因素，解释推理的依据和缘由；其中，推理结论和提示信息将作为调度操作的参考依据以及后续各项应用的分析计算基础。
13.本发明的有益效果：本发明提供的一种基于深度学习的故障线路复电知识推理方法，可以克服现有技术方法的不足，解决传统判断方法严重依赖人工逻辑规则设计、过于线性化、漏判误判多等问题；利用深度学习模型拟合理想化的推理准则并融入非线性，快速、准确地得到能否复电得结论及直接影响因素，具备一定的可解释性；通过调度规程原理校核，进一步取得更低的漏判率和误判率，而且能在不断的数据积累中继续迭代优化推理效果；在较大程度上降低目前人工分析校核的工作量，避免人工设计判断准则的偏差，为调度人员提高电网故障处置效率、快速恢复供电提供了快速、准确、可靠、可解释的决策参考依据。
附图说明
14.图1为本发明的一种基于深度学习的故障线路复电知识推理方法的流程图。
具体实施方式
15.为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对
本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
16.实施例：如图1所示，一种基于深度学习的故障线路复电知识推理方法，包括以下步骤：步骤一、训练线路故障处置bert模型；在预训练bert模型的基础上，用大量电力领域专业文本进行无监督微调训练，训练好的bert模型可将线路故障相关的调控数据以及相关参考文档信息转为向量,每个字符将被映射为1
×
768的向量ai。
17.步骤二、对线路故障处置历史记录进行标注，构建故障线路复电判断数据集；依据记录的是否复电的判断结果，对整条记录进行(0，1)二分类；同时归纳整理了与线路复电判断相关的所有影响因素，包括有：线路类型、短路故障类型、故障测距、线路三跨情况、设备异常信号、保护及开关信号完整性、检修计划、带电作业计划、设备家族性缺陷、n-1新增越限、线路薄弱运行、相关设备新增重载、相关设备新增越限、相关设备未来新增越限、严重故障情况、相关断面是否超过临时/长期稳定限额、相关断面是否超过历史稳定限额、相关断面未来是否超过临时/长期稳定限额、相关断面未来是否超过历史稳定限额、气象灾害、重要用户合计21类；对每条历史故障处置记录同时做生效影响因素的标记，预留长度为21的向量，其中的第n位存储第n类影响因素是否生效的标记，生效为1，未生效为0，因此每条历史记录的标签均为长度为22的向量，标注样式如表1所示。
18.表1.历史故障信息标注式样。
19.步骤三、设计构建故障线路复电判断深度学习模型，并利用故障线路复电判断数据集进行模型优化训练得到recover_model模型。模型的输出向量长度与数据集的标签保持一致为长度22的向量{y1,y2,...,y
22
}，便于计算误差，设定训练优化目标为三个指标：准确率acc、漏判率l、误判率e。其中准确率是整体性指标，表示计算结果与标签一致的概率；漏判率表示不能复电的情况被错误判断为可以复电的概率；误判率表示能够复电的情况被错误判断为不可复电的概率。通过参数调优，使准确率趋高，漏判率和误判率趋低。具体为：基于深度学习框架软件构建深度学习模型结构，利用步骤一中训练好的bert模型将步骤二中标注好的复电判断数据集转化为数值矩阵train_data_m＝{{a
11
,a
12
,...,a
1768
}，{a
21
,a
22
,...,a
2768
}，{a
31
,a
32
,...,a
3768
}，.......，{a
n1
,a
n2
,...,a
ni
,...,a
n768
}，.......}，其中_m后缀标识第m条数据，a
ni
表示当前数据中第n个字符经bert转换为向量后向量中保存的第i个数值，形成矩阵形式的故障线路复电判断数据集train_datas＝{train_data_1，train_
data_2，.......，train_data_m，......}。将train_data_n传入设计好的模型中进行训练计算，得到模型输出{b1,b2,...,b
22
}，与标注向量{y1,y2,...,y
22
}做误差计算得到误差loss，并计算设定的三个指标数值，再通过反向传播的优化算法迭代修正模型中的权重参数w，以此类推不断传入训练数据。不断循环迭代至最大次数max_epoch或设定的优化指标趋于稳定(即loss趋近于0或acc、l、e趋于不变)为止。检验稳定后的指标是否符合预期值，符合则训练完成，否则修改模型重新进行训练，直至指标符合应用需求为止，保存模型结构和参数为recover_model。训练好的recover_model模型可以自动识别实时故障信息，给出当前故障线路能否复电的判断结论以及生效的影响因素。
20.步骤四、接收实时线路故障触发的综合智能告警信号，自动从电网调控系统搜集故障相关的实时采集数据和高级应用分析结果数据，自动从故障线路复电判断知识图谱中检索相关的参考文档知识信息。
21.具体为：新发生a线路故障后，调控系统的综合智能告警模块立即发出故障告警，触发故障线路复电知识推理流程开始，从综合智能告警信号中获取故障线路名称、短路故障类型、故障测距、设备异常信号、保护及开关信号，依据故障线路名称a到调控系统高级应用分析结果中汇集保护及开关信号完整性、n-1新增越限、线路薄弱运行、新增重载情况、新增越限情况、未来新增越限情况、严重故障情况、相关断面实时潮流数据、气象灾害信息，同时依据线路名称a到故障线路复电知识图谱中检索相关的检修计划、带电作业计划、设备家族性缺陷、相关断面临时/长期稳定限额、相关断面历史稳定限额、重要用户情况。对获取到的所有数据情况做数据预处理，将全部故障信息整理为标准格式，如表2所示。
22.表2.新发生故障信息标准格式。
23.步骤五、构建实时线路故障相关的数据和知识的向量化表示；利用步骤一中训练的线路故障处置bert模型，将步骤四中自动汇集整理好的标准数据和知识进行向量化表示，转化为数值举证inference_data＝{{c
11
,c
12
,...,c
1768
}，{c
21
,c
22
,...,c
2768
}，{c
31
,c
32
,...,c
3768
}，.......，{c
n1
,c
n2
,...,c
ni
,...,c
n768
}，.......}。
24.步骤六、进行故障线路复电判断模型推理计算；将步骤五中得到的数据知识向量化表示结果inference_data输入进步骤三中训练好的故障线路复电判断深度学习模型recover_model中进行前向推理计算，得到输出向量p＝{0,1,0,1,1,0,0,1,0,1,1,1,0,0,0,1,0,0,0,0,0,0}。
25.步骤七、解析模型推理结果；将步骤六中的输出向量解析为可以阅读的文本字符串，例如：故障线路a不可复电，因故障为三相短路，故障点位于线路与高速交跨的位置需巡线检查，5274开关控制回路断线待查明原因，05-08 08:45有带电作业计划复电可能导致人身安全问题；复电紧急性高，有新增n-1越限和设备重载情况。
26.步骤八、调度规程原理校核。利用调度规程中故障线路试送电恢复必须遵循的基本准则，对模型的推理结果进行校核，以确保符合电网安全稳定要求。
27.判断准则为：1、全电缆线路坚决不可复电；2、三相故障坚决不可复电；3、线路短期有带电作业计划坚决不可复电。
28.如果校核通过，推理结果符合调度规程基本准则，则进入步骤九；如果校核不通过，则推理结构违背了调度规程的基本准则，需要人工进行推理结果的修正，然后再进入步骤九。
29.步骤九、能否复电最终结论判断。
30.如果推理计算的最终结果为可以复电，则提示调度员进行故障线路复电，并展示所有建议复电的相关因素，警示线路复电的紧急程度等。
31.如果推理计算的最终结果为不可复电，则提示调度员故障线路不可复电，同时展示导致不可复电的影响因素，解释推理的依据和缘由；推理结论和提示信息将作为调度操作的重要参考依据以及后续各项应用的分析计算基础。
32.步骤十、生成线路故障处置记录，将步骤六中得到的计算推理输出向量作为标签，添加到故障线路复电判断数据集中，重复步骤三中的模型训练过程，使recover_model模型达到新的最优状态。
33.以上所述之具体实施方式为本发明一种基于深度学习的故障线路复电知识推理方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。