一种推理优化电力大模型的方法及系统、设备、介质与流程

本发明涉及人工智能，尤其涉及一种推理优化电力大模型的方法及系统、设备、介质，用于提高电网预测的准确性和精度。

背景技术：

1、目前，电力大模型是指应用于电力系统领域的大型预训练模型，具备多种功能，如意图识别、多轮对话、总结提炼、自动生成巡检报告、可视化数据服务、知识增强、跨模态交互等，已成为业务人员不可或缺的重要助手，充分验证了研发自主可控大模型的可行性。

2、在现代电力系统中，高压电网发挥着至关重要的作用。开关站通过其内部的开关装置，能够灵活地将电力系统与用户用电设备连接起来或切断连接，确保电力系统的高效、稳定运行，满足各类用电需求。开关站的电压等级通常达到10kv及以上，使其在高压电网中扮演着重要的分配角色。当电网将电能输送到开关站时，开关站会将这些电能分配给多个或单个变电所。变电所再将电压降至适合工业和居民使用的水平，从而实现电能的合理利用。

3、因此，本发明针对开关站方面提出了一种推理优化电力大模型的方法及系统、设备、介质，旨在提高电网预测的准确性和精度，为电网规划和建设提供更加科学、可靠的依据。通过运用这些方法和技术手段，我们将能够更好地应对电力系统中的各种挑战，推动电力行业的持续发展和进步。

技术实现思路

1、本发明提供了一种推理优化电力大模型的方法及系统、设备、介质，用于提高电网预测的准确性和精度。

2、本发明通过下述技术方案实现：一种推理优化电力大模型的方法，包括以下步骤：

3、步骤s1，建立开关站数量预测模型；

4、步骤s2，建立异常图像记录模型；

5、步骤s3，获取训练好的异常图像记录模型，将待测开关站需要记录的图像输入进训练好的所述异常图像记录模型中输出识别结果；

6、步骤s4，根据所述输出识别结果对所述开关站数量预测模型进行推理优化。

7、为了更好地实现本发明，进一步地，所述步骤s1包括：

8、步骤s11，根据发电厂、变电所、电力系统对应的平均进线长度获取接线模式，所述接线模式包括发电厂、变电所、电力系统对应的平均进线长度以及两级支接变电站和n站手拉手连线对应的平均进线长度；

9、步骤s12，根据所述接线模式、进线电缆型号以及负荷分配计算得到开关站在发电厂、变电所、电力系统中的数量。

10、为了更好地实现本发明，进一步地，所述步骤s1包括：

11、步骤s11，根据发电厂、变电所、电力系统对应的平均进线长度获取接线模式，所述接线模式包括发电厂、变电所、电力系统对应的平均进线长度以及两级支接变电站和n站手拉手连线对应的平均进线长度；

12、步骤s12，根据所述接线模式、进线电缆型号以及负荷分配计算得到开关站在发电厂、变电所、电力系统中的数量

13、为了更好地实现本发明，进一步地，所述步骤s11中获取接线模式的方法包括：

14、设l代表的是发电厂、变电所、电力系统对应的平均进线长度，平均进线长度计算公式如下：

15、其中，s代表的是发电厂、变电所、电力系统的经济容量，k描述的是线路曲折系数，s'描述的是上级变电站容量，r代表的是发电厂、变电所、电力系统的平均供电半径；

16、计算两级支接变电站对应的平均进线长度表示为：

17、n站手拉手连线在发电厂、变电所、电力系统中的平均进线长度表示为：

18、

19、其中，p描述的是发电厂、变电所、电力系统的进线参数。

20、为了更好地实现本发明，进一步地，所述步骤s12包括：

21、设nk代表的是开关站在发电厂、变电所、电力系统中的数量，表示为：

22、

23、其中，α描述的是区域负荷分配比例，s描述的是发电厂、变电所、电力系统的经济容量，β代表的是利用率，sl代表的是单个开闭所在发电厂、变电所、电力系统中的总容量。

24、根据权利要求1所述的一种推理优化电力大模型的方法，其特征在于，所述步骤s2包括：

25、所述异常图像记录模型基于卷积神经网络，包括卷积层、非线性激活函数、池化层、全连接层和卷积函数。

26、为了更好地实现本发明，进一步地，所述步骤s3中获取训练好的异常图像记录模型的方法包括：

27、将开关站输配电设备需要记录的图像整理在检测记录图库中，检测记录图库中的对象分为正常检测仪设备图像和异常检测设备图像。

28、采集正常检测仪设备图像及异常检测设备图像，分别对正常检测仪设备图像及异常检测设备图像进行处理，采集并标注异常检测设备图像，并按照标准格式整理成训练样本集；

29、在异常图像记录模型中输入训练样本集，通过所述卷积层提取图像特征，使用非线性激活函数将部分上层特征映射到下一层，经过所述池化层计算后，输入进所述全连接层，将得到的全部特征连接计算出网络预测值，在所述损失函数中将其与真实标签进行运算得到误差，并使用梯度下降法反向传播，逐层到达所述卷积层，网络中的权重参数随之更新，在经过多个轮次的训练后，获取训练好的网络模型。

30、为了更好地实现本发明，进一步地，所述损失函数包括平方误差损失函数。

31、本发明还提供了一种推理优化电力大模型的系统，包括电力大模型建立单元、异常图像记录模型建立单元、训练单元和推理优化单元，其中：

32、电力大模型建立单元，用于建立开关站数量预测模型；

33、异常图像记录模型建立单元，用于建立异常图像记录模型；

34、训练单元，用于获取训练好的异常图像记录模型，将待测开关站需要记录的图像输入进训练好的所述异常图像记录模型中输出识别结果；

35、推理优化单元，用于根据所述输出识别结果对所述开关站数量预测模型进行推理优化。

36、本发明还提供了一种电子设备，该电子设备包括处理器和存储器；处理器中包括上述第二方面所记载的推理优化电力大模型的系统。

37、本发明还提供了一种计算机可读存储介质，该计算机可读存储介质包括指令；当指令在上述第三方面所记载的电子设备上运行时，使得电子设备执行上述第一方面所记载的方法。

38、本发明与现有技术相比，具有以下优点及有益效果：

39、(1)本发明提供一种推理优化电力大模型的方法及系统、设备、介质，开关站是高压电网中不可或缺的一环，它通过复杂的设备组合和灵活的操作方式，确保了电力系统的稳定、高效运行，本发明基于开关站获取并推理优化开关站数量预测模型，这种预测模型不仅可以提高预测的准确性和精度，还可以根据实时数据动态调整预测结果，为电网规划和建设提供更加科学、可靠的依据。

技术特征：

1.一种推理优化电力大模型的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种推理优化电力大模型的方法，其特征在于，所述步骤s1包括：

3.根据权利要求2所述的一种推理优化电力大模型的方法，其特征在于，所述步骤s11中获取接线模式的方法包括：

4.根据权利要求2所述的一种推理优化电力大模型的方法，其特征在于，所述步骤s12包括：设nk代表的是开关站在发电厂、变电所、电力系统中的数量，表示为：

5.根据权利要求1所述的一种推理优化电力大模型的方法，其特征在于，所述步骤s2包括：所述异常图像记录模型基于卷积神经网络，包括卷积层、非线性激活函数、池化层、全连接层和卷积函数。

6.根据权利要求1所述的一种推理优化电力大模型的方法，其特征在于，所述步骤s3中获取训练好的异常图像记录模型的方法包括：

7.根据权利要求6所述的一种推理优化电力大模型的方法，其特征在于，所述损失函数包括平方误差损失函数。

8.一种推理优化电力大模型的系统，其特征在于，包括电力大模型建立单元、异常图像记录模型建立单元、训练单元和推理优化单元，其中：

9.一种电子设备，其特征在于，包括处理器和存储器；所述处理器中包括如权利要求8所述的推理优化电力大模型的系统。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括指令；当指令在如权利要求9所述的电子设备上运行时，使得所述电子设备执行如权利要求1-7任一项所述的方法。

技术总结本发明涉及人工智能技术领域，公开了一种推理优化电力大模型的方法及系统，方法包括：步骤S1，建立开关站数量预测模型；步骤S2，建立异常图像记录模型；步骤S3，获取训练好的异常图像记录模型，将待测开关站需要记录的图像输入进训练好的异常图像记录模型中输出识别结果；步骤S4，根据输出识别结果对开关站数量预测模型进行推理优化。系统包括电力大模型建立单元、异常图像记录模型建立单元、训练单元和推理优化单元。本申请还公开了一种电子设备及计算机可读存储介质，本发明用于提高电网预测的准确性和精度。技术研发人员：李欢欢,黄璞,秦宗列,徐小云,杨成瀚,王红蕾,邓大建,叶林峰,滕沛霖,董梅,孙觉予,向哲宏,许海受保护的技术使用者：国网信息通信产业集团有限公司技术研发日：技术公布日：2024/7/29