一种电网故障修复方法和装置

技术领域

本发明涉及电网故障修复技术领域，尤其涉及一种电网故障修复方法和装置。

背景技术

随着特高压交流、直流工程的建设，电网交直流耦合特征逐步凸显，电网的调度运行操作日趋复杂，另外，极端天气和自然灾害事件的不断增加，导致外力破坏电网事故的频繁发生，大电网故障特别是特高压故障对电网的危害越发严重，如果对电力事故处理方法不当，必然会造成大面积停电事故。想要确保电力系统在出现事故后仍能保证有效供电，同时在短时间内做好电网事故的处理工作，除了依赖频率紧急协调控制系统和安控装置外，对事故应急处理方法显得尤为重要。

现有技术中主要是，事故修复预案主要是根据人工离线分析计算得出的典型修复方案，以编制文本的形式发布，但存在故障时刻查阅预案困难，预案相关信息无法结合电网当前运行状态等问题，降低了电网故障修复的能力。

发明内容

本发明提供了一种电网故障修复方法和装置，解决了现有事故修复预案根据人工离线分析计算得出的典型修复方案，存在故障时刻查阅预案困难，预案相关信息无法结合电网当前运行状态等问题，降低了电网故障修复的能力的技术问题。

本发明提供第一方面提供的一种电网故障修复方法，包括：

当接收到故障修复数据时，对所述故障修复数据进行分析预处理，生成故障训练样本数据和模型构建参数；

采用所述故障训练样本数据和所述模型构建参数构建目标故障修复模型；

当接收到待修复故障数据时，将所述待修复故障数据输入预设的设备数据模型，匹配所述待修复故障数据对应的故障设备数据；

将所述故障设备数据输入所述目标故障修复模型，生成多个故障修复方案；

从所述故障修复方案提取对应的目标修复数据，计算多个所述目标修复数据与所述待修复故障数据的相似值；

将最大的所述相似值所属的故障修复方案确定为目标故障修复方案。

可选地，所述采用所述故障训练样本数据和所述模型构建参数构建目标故障修复模型的步骤，包括：

采用所述模型构建参数构建初始故障修复模型；

将所述故障训练样本数据输入所述初始故障修复模型，生成对应的训练修复方案；

计算所述训练修复方案与关联的标准方案之间的精确值；

比较所述精确值是否大于或等于预设的标准精确阈值；

若所述精确值大于或等于所述标准精确阈值，则停止训练，生成目标故障修复模型。

可选地，所述采用所述故障训练样本数据和所述模型构建参数构建目标故障修复模型的步骤，还包括：

若所述精确值小于所述标准精确阈值，则按照预设的梯度调整所述初始故障修复模型的参数，并跳转执行所述将所述故障训练样本数据输入所述初始故障修复模型，生成对应的训练修复方案的步骤。

可选地，所述当接收到待修复故障数据时，将所述待修复故障数据输入预设的设备数据模型，匹配所述待修复故障数据对应的故障设备数据的步骤，包括：

当接收到待修复故障数据时，将所述待修复故障数据输入预设的设备数据模型；

判断所述待修复故障数据是否匹配到对应的故障设备数据；

若是，则输出所述故障设备数据；

若否，则采用预设的相似性算法在所述设备数据模型中检索相似性最大的目标数据作为故障设备数据。

可选地，所述从所述故障修复方案提取对应的目标修复数据，计算多个所述目标修复数据与所述待修复故障数据的相似值的步骤，包括：

从所述故障修复方案提取对应的目标修复数据；

计算所述目标修复数据与所述待修复故障数据的并集；

计算所述目标修复数据与所述待修复故障数据的交集；

计算所述交集与所述并集的占比值，将所述占比值确定为相似值。

本发明提供第二方面提供的一种电网故障修复装置，包括：

数据采集模块，用于当接收到故障修复数据时，对所述故障修复数据进行分析预处理，生成故障训练样本数据和模型构建参数；

模型构建模块，用于采用所述故障训练样本数据和所述模型构建参数构建目标故障修复模型；

匹配模块，用于当接收到待修复故障数据时，将所述待修复故障数据输入预设的设备数据模型，匹配所述待修复故障数据对应的故障设备数据；

修复方案获取模块，用于将所述故障设备数据输入所述目标故障修复模型，生成多个故障修复方案；

相似值获取模块，用于从所述故障修复方案提取对应的目标修复数据，计算多个所述目标修复数据与所述待修复故障数据的相似值；

数据分析模块，用于将最大的所述相似值所属的故障修复方案确定为目标故障修复方案。

可选地，所述模型构建模块，包括：

初始故障修复模型获取子模块，用于采用所述模型构建参数构建初始故障修复模型；

第一训练修复方案获取子模块，用于将所述故障训练样本数据输入所述初始故障修复模型，生成对应的训练修复方案；

精确值获取子模块，用于计算所述训练修复方案与关联的标准方案之间的精确值；

第一比较分析子模块，用于比较所述精确值是否大于或等于预设的标准精确阈值；

第二比较分析子模块，用于若所述精确值大于或等于所述标准精确阈值，则停止训练，生成目标故障修复模型

可选地，所述模型构建模块，还包括：

第三比较分析子模块，用于若所述精确值小于所述标准精确阈值，则按照预设的梯度调整所述初始故障修复模型的参数，并跳转执行所述将所述故障训练样本数据输入所述初始故障修复模型，生成对应的训练修复方案的步骤。

可选地，所述匹配模块，包括：

故障设备数据获取子模块，用于当接收到待修复故障数据时，将所述待修复故障数据输入预设的设备数据模型；

第一判断分析子模块，用于判断所述待修复故障数据是否匹配到对应的故障设备数据；

若是，则输出所述故障设备数据；

若否，则采用预设的相似性算法在所述设备数据模型中检索相似性最大的目标数据作为故障设备数据。

可选地，所述相似值获取模块，包括：

目标修复数据获取子模块，用于从所述故障修复方案提取对应的目标修复数据；

并集计算子模块，用于计算所述目标修复数据与所述待修复故障数据的并集；

交集计算子模块，用于计算所述目标修复数据与所述待修复故障数据的交集；

占比值计算子模块，用于计算所述交集与所述并集的占比值，将所述占比值确定为相似值。

从以上技术方案可以看出，本发明具有以下优点：

当接收到故障修复数据时，对故障修复数据进行分析预处理，生成故障训练样本数据和模型构建参数，采用故障训练样本数据和模型构建参数构建目标故障修复模型，在接收到待修复故障数据时，将待修复故障数据输入预设的设备数据模型匹配对应的故障设备数据，并将故障设备数据输入目标故障修复模型，生成多个故障修复方案，计算每一个故障修复方案对应的目标修复数据与待修复数据的相似值，选取相似值最大的故障修复方案作为目标故障修复方案输出。解决了现有技术主要依靠人工离线分析计算得出典型修复方案，无法结合电网当前运行状态实时查阅预案，快速准确的编制出最佳修复方案，降低了电网故障修复的能力。通过构建目标修复模型快速生成多个故障修复方案，并通过选取相似值最大的故障修复方案作为目标故障修复方案，能结合当前电网运行状态准确的选取出最优方案输出，提高了电网故障修复的能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例一提供的一种电网故障修复方法的步骤流程图；

图2为本发明实施例二提供的一种电网故障修复方法的步骤流程图；

图3为本发明实施例三提供的一种电网故障修复装置的结构框图。

具体实施方式

本发明实施例提供了一种电网故障修复方法和装置，用于解决现有事故修复预案根据人工离线分析计算得出的典型修复方案，存在故障时刻查阅预案困难，预案相关信息无法结合电网当前运行状态等问题，降低了电网故障修复的能力的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例一提供的一种电网故障修复方法的步骤流程图。

本发明提供的一种电网故障修复方法，包括：

步骤101、当接收到故障修复数据时，对故障修复数据进行分析预处理，生成故障训练样本数据和模型构建参数。

故障修复数据指的是，从电网调度控制管理规程筛选出涉及故障及修复的规则规程，并将筛选规程出转化为故障修复数据。

分析预处理指的是，对故障修复数据和实际应用需求的分析，按照故障现象、故障处置操作、故障情景对故障修复数据进行分类，依照BIO标注体系对故障修复数据进行标注分类生成标签数据，其中，标签字典为：{0:'B-P',1:'B-F',2:'B-M',3:'I-P',4:'I-F',5:'I-M',6:'O'}，其中以B作为实体的开始，以I作为实体内容的持续，以O表示不关注的字，P、M、F分别对应故障现象、故障处置操作、故障情景3类实体从而进行区分。并随机选取100个故障修复数据进行标注，按照8：1：1的比例随机划分为训练集、测试集、验证集和预测数据。

故障训练样本数据指的是，分析预处理生成的训练集、测试集、验证集和预测数据。

模型构建参数指的是，分析预处理生成的标注数据。

在本发明实施例中，在接收到故障修复数据，对故障修复数据进行分类标注和划分操作，生成模型构建参数、训练集、测试集、验证集和预测数据。

步骤102、采用故障训练样本数据和模型构建参数构建目标故障修复模型。

目标故障修复模型指的是，用于接收识别待修复故障数据并提取，生成对应的故障设备数据的网络模型。

在本发明实施例中，以模型构建参数为基础构建“实体-属性-关系”的初始故障修复模型，通过故障训练样本数据对初始故障修复模型进行训练，生成目标故障修复模型。

步骤103、当接收到待修复故障数据时，将待修复故障数据输入预设的设备数据模型，匹配待修复故障数据对应的故障设备数据。

待修复故障数据指的是，故障的总开关和保护动作关系。

故障设备数据指的是，发生故障的设备类别以及发生故障设备的位置。

在本发明实施例中，在采集到待修复故障数据后，将待修复故障数据输入预设的设备数据模型中，匹配待修复故障数据对应的故障设备信息。

需要说明的是，预设的设备数据模型是将所有设备的开关和保护名称分配好对应的语料，通过Gensim模块中的word2vec函数直接训练语料，并以Skip-Gram models作为文本(案例)相似度匹配的模型训练得到的设备数据模型。

步骤104、将故障设备数据输入目标故障修复模型，生成多个故障修复方案。

在本发明实施例中，当获取到待修复故障数据对应的故障设备信息后，将故障设备数据输入目标故障修复模型，生成多个故障修复方案。

步骤105、从故障修复方案提取对应的目标修复数据，计算多个目标修复数据与待修复故障数据的相似值。

目标修复数据指的是，故障设备的历史故障处置措施、故障设备的相邻设备的潮流信息和调度规程规定的故障处置方案。

在本发明实施例中，从故障修复方案中选取出对应的目标修复数据，使用jaccard相似性计算公式计算各个目标修复数据与待修复故障的相似值。

步骤106、将最大的相似值所属的故障修复方案确定为目标故障修复方案。

在本发明实施例中，从多个故障修复方案中选取出相似值最大的作为目标故障修复方案输出。

在本发明实施例中，当接收到故障修复数据时，对故障修复数据进行分析预处理，生成故障训练样本数据和模型构建参数，采用故障训练样本数据和模型构建参数构建目标故障修复模型，在接收到待修复故障数据时，将待修复故障数据输入预设的设备数据模型匹配对应的故障设备数据，并将故障设备数据输入目标故障修复模型，生成多个故障修复方案，计算每一个故障修复方案对应的目标修复数据与待修复数据的相似值，选取相似值最大的故障修复方案作为目标故障修复方案输出。解决了现有技术主要依靠人工离线分析计算得出典型修复方案，无法结合电网当前运行状态实时查阅预案，快速准确的编制出最佳修复方案，降低了电网故障修复的能力。通过构建目标修复模型快速生成多个故障修复方案，并通过选取相似值最大的故障修复方案作为目标故障修复方案，能结合当前电网运行状态准确的选取出最优方案输出，提高了电网故障修复的能力。

请参阅图2，图2为本发明实施例二提供的一种电网故障修复方法的步骤流程图。

本发明提供的一种电网故障修复方法，包括：

步骤201、当接收到故障修复数据时，对故障修复数据进行分析预处理，生成故障训练样本数据和模型构建参数。

在本发明实施例中，在接收到故障修复数据，对故障修复数据进行分类标注和划分操作，生成模型构建参数和故障训练样本数据。

步骤202、采用故障训练样本数据和模型构建参数构建目标故障修复模型。

进一步地，步骤202可以包括以下子步骤：

S11、采用模型构建参数构建初始故障修复模型。

在本发明实施例中，将模型构建参数输入至预设ER模型中构建初始故障修复模型。

需要说明的是，ER模型是包含有“实体-属性-关系”的基础模型，通过将模型构建参数(故障预案、调度规程等半结构化数据以及非结构化数据)输入至ER模型中，采用自顶向下的构建方式，借助本体构建工具自定义领域知识图谱本体和模型构建参数对ER模型进行设计，同时使用实体消歧和共指消解在初始故障修复模型内建立准确的实体链接。

在将模型构建参数输入初始故障修复模型之前还需对模型构建参数中的多源域数据进行预处理，采用优化D-S证据理论分析对多源域数据进行特征提取，设V是多种数据集的集合，数据集之间的关系为互不相交的穷举状态，则V为识别框架。若m：2

则可以将信任函数m作为对V的概率分配，当

其中，K为归一化常数，当K<+∞时,可将多源域数据中单独的特征指标进行有效的融合。在多源域数据融合的应用过程中，以m(A)表示设备的状态的不确定性，n表示设备总的n种故障状态最终即可通过上式对多源域数据进行数据融合，实现多源域数据的特征性信息提取与融合工作。

S12、将故障训练样本数据输入初始故障修复模型，生成对应的训练修复方案。

故障训练样本数据指的是，对故障修复数据进行分析预处理生成的训练集、测试集、验证集和预测数据。

在本发明实施例中，选取故障训练样本中训练集输入初始故障修复模型，生成对应的训练修复方案。

S13、计算训练修复方案与关联的标准方案之间的精确值。

标准方案指的是，故障训练样本数据中的测试集。

在本发明实施例中，在生成训练修复方案后，计算训练修复方案与关联的标准方案之间的精确值。

S14、比较精确值是否大于或等于预设的标准精确阈值。

标准精确阈值指的是，在目标故障修复模型所对应的标准精确值。

在本发明实施例中，在计算出精确值后，判断精确值是否大于或等于标准精确阈值。

S15、若精确值大于或等于标准精确阈值，则停止训练，生成目标故障修复模型。

在本发明实施例中，当精确值大于或等于标准精确阈值，则说明初始故障修复模型已经训练完成，生成目标故障修复模型。

S16、若精确值小于标准精确阈值，则按照预设的梯度调整初始故障修复模型的参数，并跳转执行将故障训练样本数据输入初始故障修复模型，生成对应的训练修复方案的步骤。

在本发明实施例中，当精确值小于标准精确阈值时，则说明初始故障修复模型没有训练完成，通过按照预设的梯度调整初始故障修复模型内的参数，重新将故障训练样本数据输入初始故障修复模型，生成对应的训练修复方案。

步骤203、当接收到待修复故障数据时，将待修复故障数据输入预设的设备数据模型，匹配待修复故障数据对应的故障设备数据。

进一步地，步骤203可以包括以下子步骤：

S21、当接收到待修复故障数据时，将待修复故障数据输入预设的设备数据模型。

在本发明实施例中，在接收到待修复故障数据时，将待修复故障数据输入预设的设备数据模型。

S22、判断待修复故障数据是否匹配到对应的故障设备数据。

在本发明实施例中，当将待修复故障数据输入预设的设备数据模型时，判断设备数据模型是否匹配出相应的故障设备数据。

S23、若是，则输出故障设备数据。

在本发明实施例中，若设备数据模型匹配出相应的故障设备数据，则输出故障设备数据。

S24、若否，则采用预设的相似性算法在设备数据模型中检索相似性最大的目标数据作为故障设备数据。

在本发明实施例中，若设备数据模型为匹配出相应的故障设备数据，则采用相似性算法在设备数据模型中检索相似性最大的目标数据作为故障设备数据。

需要说明的是，相似性算法是选取故障设备模型中各个故障设备数据对应的动作数据，计算动作数据与待修复故障数据的交集，再计算动作数据与待修复故障数据的并集，通过计算并集与交集的比值，来判断相似性，若比值越大，则说明相似性越大。

步骤204、将故障设备数据输入目标故障修复模型，生成多个故障修复方案。

在本发明实施例中，到匹配得到故障设备数据时，将故障设备数据输入目标故障修复模型，生成多个故障修复方案。

步骤205、从故障修复方案提取对应的目标修复数据。

在本发明实施例中，从故障修复方案中选取出对应的目标修复数据。

步骤206、计算目标修复数据与待修复故障数据的并集。

在本发明实施例中，计算目标修复数据与修复故障数据的并集。

需要说明的是，计算目标修复数据与修复故障数据的并集，是通过选取所属目标修复数据A或所属修复故障数据B的元素所构成的集合。

步骤207、计算目标修复数据与待修复故障数据的交集。

在本发明实施例中，计算目标修复数据与待修复故障数据的交集。

需要说明的是，计算目标修复数据与修复故障数据的并集，是通过选取即所属目标修复数据A也所属修复故障数据B的元素所构成的集合。

步骤208、计算交集与并集的占比值，将占比值确定为相似值。

在本发明实施例中，根据并集元素的总个数a和交集元素的总个数b，计算总个数a与总个数b的占比值，将占比值确定为相似值。

步骤209、将最大的相似值所属的故障修复方案确定为目标故障修复方案。

在本发明实施例中，在各个故障修复方案中选取出最大相似值对应的故障修复方案，将最大相似值所属的故障修复方案确定为目标故障修复方案。

在本发明实施例中，在接收到故障修复数据时，对故障修复数据进行分析预处理，生成故障训练样本数据和模型构建参数，通过故障训练样本数据和模型构建参数构建目标故障修复模型，当接收到待修复故障数据时，将待修复故障数据输入预设的设备数据模型匹配对应的故障设备数据，再将故障设备数据输入目标故障修复模型，生成多个故障修复方案，计算每一个故障修复方案对应的目标修复数据与待修复数据的并集和交集，计算交集与并集的占比值并将占比值确定为相似值，选取相似值最大的故障修复方案作为目标故障修复方案输出。解决了现有技术主要依靠人工离线分析计算得出典型修复方案，无法结合电网当前运行状态实时查阅预案，快速准确的编制出最佳修复方案，降低了电网故障修复的能力。通过构建目标修复模型快速生成多个故障修复方案，并通过选取相似值最大的故障修复方案作为目标故障修复方案，能结合当前电网运行状态准确的选取出最优方案输出，提高了电网故障修复的能力。

请参阅图3，图3为本发明实施例三提供的一种电网故障修复装置的结构框图。

本发明提供的一种电网故障修复装置，包括：

数据采集模块301，用于当接收到故障修复数据时，对故障修复数据进行分析预处理，生成故障训练样本数据和模型构建参数。

模型构建模块302，用于采用故障训练样本数据和模型构建参数构建目标故障修复模型。

匹配模块303，用于当接收到待修复故障数据时，将待修复故障数据输入预设的设备数据模型，匹配待修复故障数据对应的故障设备数据。

修复方案获取模块304，用于将故障设备数据输入目标故障修复模型，生成多个故障修复方案。

相似值获取模块305，用于从故障修复方案提取对应的目标修复数据，计算多个目标修复数据与待修复故障数据的相似值。

数据分析模块306，用于将最大的相似值所属的故障修复方案确定为目标故障修复方案。

进一步地，模型构建模块302，包括：

初始故障修复模型获取子模块，用于采用模型构建参数构建初始故障修复模型。

第一训练修复方案获取子模块，用于将故障训练样本数据输入初始故障修复模型，生成对应的训练修复方案。

精确值获取子模块，用于计算训练修复方案与关联的标准方案之间的精确值。

第一比较分析子模块，用于比较精确值是否大于或等于预设的标准精确阈值。

第二比较分析子模块，用于若精确值大于或等于标准精确阈值，则停止训练，生成目标故障修复模型。

第三比较分析子模块，用于若精确值小于标准精确阈值，则按照预设的梯度调整初始故障修复模型的参数，并跳转执行将故障训练样本数据输入初始故障修复模型，生成对应的训练修复方案的步骤。

进一步地，匹配模块303，包括：

故障设备数据获取子模块，用于当接收到待修复故障数据时，将待修复故障数据输入预设的设备数据模型。

第一判断分析子模块，用于判断待修复故障数据是否匹配到对应的故障设备数据。

若是，则输出故障设备数据。

若否，则采用预设的相似性算法在设备数据模型中检索相似性最大的目标数据作为故障设备数据。

进一步地，相似值获取模块305，包括：

目标修复数据获取子模块，用于从故障修复方案提取对应的目标修复数据。

并集计算子模块，用于计算目标修复数据与待修复故障数据的并集。

交集计算子模块，用于计算目标修复数据与待修复故障数据的交集。

占比值计算子模块，用于计算交集与并集的占比值，将占比值确定为相似值。

在本发明实施例中，当数据采集模块接收到故障修复数据时，对故障修复数据进行分析预处理，生成故障训练样本数据和模型构建参数，通过模型构建模块采用故障训练样本数据和模型构建参数构建目标故障修复模型，当匹配模块接收到待修复故障数据时，将待修复故障数据输入预设的设备数据模型中，匹配待修复故障数据对应的故障设备数据，并通过修复方案获取模块将故障设备数据输入目标故障修复模型，生成多个故障修复方案，通过相似值获取模块计算各个故障修复方案的相似值，通过数据分析模块筛选出最大的相似值所属的故障修复方案并确定为目标故障修复方案。解决了现有技术根据人工离线分析计算得出的典型修复方案，存在故障时刻查阅预案困难，预案相关信息无法结合电网当前运行状态等问题，降低了电网故障修复的能力的技术问题，通过构建目标故障修复模型，使得存在故障时能结合电网当前运行状态，快速准确的查阅出相关预案，提高了电网故障修复的能力。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。