基于自然语言处理的电力线路故障事件研判方法及系统与流程

本发明涉及电力系统安全分析，尤其是涉及一种基于自然语言处理的电力线路故障事件研判方法及系统。

背景技术：

1、传统的电力线路故障事件研判主要依赖于值班人员的监控和手动诊断，存在以下问题：

2、一是人工研判效率低下，容易受主观因素影响，导致诊断结果不准确；

3、二是无法实现对大量复杂数据的快速分析和处理；

4、三是缺乏智能化的故障诊断方法，无法根据实时监测结果进行动态调整。为了提高电力线路故障的实效性和自动化水平，提出了一种基于自然语言处理的电力线路故障事件研判方法及系统。

技术实现思路

1、本发明旨在至少改善现有技术中存在的技术问题之一。为此，本发明提出了一种基于自然语言处理的电力线路故障事件研判方法及系统。

2、根据本发明第一方面实施例的一种基于自然语言处理的电力线路故障事件研判方法，其中，包括：

3、步骤s100，获取电力线路调度系统内的开关遥信变位数据和保护装置动作信息数据，并分别转化为格式统一的数据集合；

4、步骤s200，根据自然语言处理技术对数据集合进行分析和处理，提取关键信息并建立事件规则模型；

5、步骤s300，根据事件规则模型中的既定规则自动生成电力线路停电事件，研判电力线路停电事件的故障类型；

6、步骤s400，根据故障模型研判事件与现场核实后结果比对，对电力线路停电事件进行实时更新和修正，优化事件规则模型。

7、在第一方面的一种可能的实现方式中，步骤s100中，具体包括：

8、设定开关遥信变位数据采集为一个集合 sswitch，其中集合 sswitch内每个元素表示一条开关遥信变位信息，每条信息包含时间 ti，变电站名称substationi，开关编号switchi，所述开关遥信变位信息数据的文本描述descriptioni，开关遥信变位数据的集合 sswitch表示为：

9、 sswitch={(t1,substation1,switch1,description1),(t2,substation2,switch2,description2),…,(tn,substationn,switchn,descriptionn)}；

10、保护装置动作信息采集为一个集合 sprotection，其中集合 sprotection内每个元素表示一条保护装置动作信息，每条信息包含时间 tj，变电站名称substationj，线路名称linej，所述保护装置动作信息数据的文本描述descriptionj，保护装置动作信息的集合 sprotection表示为：

11、 sprotection={(t1,substation1,line1,description1),(t2,substation2,line2,description2),…,(tm,substationm,linem,descriptionm)} ；

12、其中， n表示开关遥信变位信息条数， m表示保护装置动作信息条数。

13、在第一方面的一种可能的实现方式中，所述步骤s200具体包括以下步骤：

14、步骤s210，文本描述编码，利用预训练语言模型bert（bidirectional encoderrepresentations from transformers）对开关遥信变位数据的文本描述（descriptioni）进行编码，生成关键事件的向量表示vswitch：

15、vswitch=bert(descriptioni)，

16、其中，descriptioni是一条开关遥信变位信息数据的文本描述，vswitch是其对应的向量表示；

17、步骤s220，引入注意力机制识别关键词，通过在预训练语言模型的输出上应用自注意力机制，计算每个词与相关词之间的相关性权重 αi：

18、，

19、其中， ei是第 i个词的注意力打分， ek是第 k个词的注意力打分，相关词为该信息description中按照分词模型的结果集合中除了第i个词外的其他词，关键词表示向量vkey为：

20、，

21、其中，vi表示第 i个词的隐含表示， αi表示第 i个词的注意力权重；

22、步骤s230，句法分析，对文本描述进行句法分析，确定关键词之间的关系，识别出关键事件的逻辑结构，所述逻辑结构包括主要事件和辅助描述，如确定“分闸”是主要事件，“未见异常”是辅助描述；

23、步骤s240，语义理解，结合关键词提取和句法分析的结果，生成描述关键事件的向量表示vswitch，此向量表示vswitch包含了开关遥信变位事件的关键信息，如时间、变电站名称、开关编号等，最终表示形式如：

24、 vswitch=[时间,变电站a,开关1,主要事件,辅助描述]。

25、在第一方面的一种可能的实现方式中，步骤s230中，所述逻辑结构的主要事件包括分闸，辅助描述包括未见异常。

26、在第一方面的一种可能的实现方式中，步骤s300中，具体包括如下步骤：

27、步骤s310：根据关键信息中的关联字段将变电站开关和线路关联起来，建立有一个开关-线路关联矩阵mrelation和开关保护装置关联矩阵mprotection，其中开关-线路关联矩阵mrelation中的元素 mij表示第 i个开关是否与第 j条线路相连，如果相连则为 1，否则为 0；开关保护装置关联矩阵mprotection中的元素 pik表示第 i个开关是否与第 k个保护装置相连，如果相连则为 1，否则为 0。

28、步骤s320：定义一个开关分闸事件的向量s，其中向量s中每个元素表示一个开关分闸事件，如果分闸事件发生则为 1，否则为 0，类似地，定义一个保护装置动作事件的向量p，其中向量p中每个元素表示一个保护装置动作事件，如果动作事件发生则为 1，否则为0；

29、步骤s330：定义一个时间间隔向量t，其中向量t中每个元素表示开关分闸事件后的时间间隔，如果在几秒（很短）时间内有动作信号，则为 1，否则为 0，表示为：

30、，

31、步骤s340：根据既定规则来定义事件规则，具体为，

32、只有在一个开关发生分闸且分闸信息中未出现检修、遥控、投退软压板信息后，在几秒时间内开关所属线路两端的保护装置有动作信号，才判断为故障，这个规则可以用以下公式表示：

33、，

34、其中，vswitch1表示经过自然语言处理算法处理后的分闸信息向量，t表示时间间隔向量，e表示故障事件向量；

35、若一个开关只有分闸信息，开关所属线路两端的保护装置没有保护信息，则判断为检修或试验，这个规则可以用以下公式表示：

36、，

37、其中，r是检修或试验事件向量；

38、若一个开关无分闸信息，无开关分闸，只有开关所属线路两端的保护装置的保护信息，则数据丢弃，这个规则可以用以下公式表示：

39、，

40、其中，d是丢弃事件向量。

41、在第一方面的一种可能的实现方式中，步骤s400具体包括：

42、步骤s410，历史数据分析：从电力线路调度系统和故障记录系统中收集过去的故障事件数据，形成历史数据集，对历史数据集进行清洗和预处理，去除噪声数据和异常数据，确保数据的质量；

43、通过聚类算法（如k-means、dbscan）识别故障事件的常见模式，并将上述常见模式用于优化故障诊断模型；

44、cluster( h)={ c1, c2,…, ck}表示对历史数据集h进行聚类分析后得到的聚类结果，在这个表示中，每个c1、c2、...、ck代表一个聚类簇，而k则表示聚类的数量；聚类分析的目的是将相似的数据点归为一类，从而揭示数据之间的内在结构和模式，每个聚类簇包含了具有相似特征或行为模式的数据点；

45、步骤s420，实时数据监测：实时监测开关遥信变位数据和保护装置动作信息，确保对最新的故障事件进行及时响应和处理；通过电力线路调度系统持续接收最新的开关遥信变位数据和保护装置动作信息，形成实时数据流；利用已训练的自然语言处理模型和事件规则模型对实时数据进行分析和处理，生成故障事件；可表示为：

46、 vswitch_real_time= bert( descriptionreal_time)，

47、步骤s430，模型更新和优化，根据实时数据和历史数据的对比分析，不断更新和优化故障诊断模型，以提高其适应性和准确性。

48、步骤s440，模型更新，使用反向传播算法，最小化损失函数 ltotal，更新模型参数 θ，从而优化事件规则模型。

49、在第一方面的一种可能的实现方式中，步骤s430中，具体包括内容：

50、（a）实时反馈机制：通过用户反馈和故障处理结果，系统不断验证和修正模型的判断结果；

51、，

52、其中： feedback表示反馈机制收集到的实际故障数据，其中f表示收集到的反馈数据的数量，即反馈集合中的元素个数；

53、（b）模型自适应调整：基于反馈数据和最新的故障模式，调整关键词识别、句法分析和事件规则模型的参数；

54、（c）连续学习：根据弹性权重整合（elastic weight consolidation, ewc）的连续学习算法，使模型能够在不遗忘已学知识的情况下，逐步适应新的故障模式和规则。

55、在第一方面的一种可能的实现方式中，在连续学习过程中，具体过程如下：

56、第一步，任务分解与建模：将故障事件研判任务分解为多个子任务，每个子任务对应一个特定的故障模式或规则，为每个子任务建立一个初始模型 m0，该模型基于当前已知的数据和规则进行训练；

57、第二步，重要性矩阵计算：计算每个参数 θ在旧任务中的重要性：

58、，

59、其中， lold是旧任务的损失函数， θi是模型的第 i个参数；

60、第三步，定义损失函数，对于新数据 dnew ，定义新的损失函数 ltotal

61、，

62、其中， λ是调节参数，用于控制旧任务知识的保持力度，表示模型在新数据上的损失，是旧任务中的最优参数。

63、根据本发明实施例的基于自然语言处理的电力线路故障事件研判方法，可实现自动化的故障事件研判，减轻了人工劳动成本。本发明利用自然语言处理技术，提高了研判的效率和准确性。同时本发明具有一定的智能学习能力，能够根据历史数据和实时监测结果不断优化事件规则模型。

64、根据本发明第二方面实施例的一种基于自然语言处理的电力线路故障事件研判系统，其种，应用于实现上述的研判方法，包括：

65、获取模块，用于获取电力线路调度系统内的开关遥信变位数据和保护装置动作信息数据，并分别转化为格式统一的数据集合；

66、处理模块，用于根据自然语言处理技术对数据集合进行分析和处理，提取关键信息并建立事件规则模型；

67、研判模块，用于根据事件规则模型中的既定规则自动生成电力线路停电事件，研判电力线路停电事件的故障类型；

68、更新模块，用于根据故障模型研判事件与现场核实后结果比对，对电力线路停电事件进行实时更新和修正，优化事件规则模型。

69、根据本发明实施例的基于自然语言处理的电力线路故障事件研判方法及系统，可实现对电力线路故障事件的实时更新和修正，提高故障诊断的准确性和效率，并具有自适应和连续学习的能力，确保在各种复杂和变化的电力系统环境中保持高水平的诊断性能。

70、根据本发明第三方面实施例的一种存储介质，所述存储介质上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述基于自然语言处理的电力线路故障事件研判方法。

71、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。