本發(fā)明涉及電力系統(tǒng)智能運維，特別是一種基于告警信號的全流程智能處置管理方法及系統(tǒng)。

背景技術：

1、電力系統(tǒng)作為國民經濟的重要基礎產業(yè),其安全穩(wěn)定運行事關國計民生。隨著電網(wǎng)規(guī)模不斷擴大，設備數(shù)量持續(xù)增加，電網(wǎng)運行狀態(tài)日趨復雜，各類異常告警信號也越來越多，傳統(tǒng)的人工方式難以及時高效地處理大量異常情況。

2、傳統(tǒng)方法在告警信號的智能處置方面存在一些不足。一是缺乏對多源異構數(shù)據(jù)的融合利用，難以獲取全面的上下文信息支持決策；二是缺少知識驅動的處置模型生成機制，人工經驗難以系統(tǒng)化、規(guī)范化；三是缺乏流程自動化和智能化管理，處置過程效率低下；四是缺乏人機協(xié)同的優(yōu)化迭代機制，知識庫和流程模板難以持續(xù)完善。

技術實現(xiàn)思路

1、鑒于現(xiàn)有技術在異常告警信號智能處置方面存在的不足，提出了本發(fā)明。

2、因此，本發(fā)明所要解決的問題在于如何將專家處置知識模型轉化為智能化工作流程，引入過程智能管理機制，支持流程自適應調整、并行執(zhí)行和異常處理。

3、為解決上述技術問題，本發(fā)明提供如下技術方案：

4、第一方面，本發(fā)明實施例提供了一種基于告警信號的全流程智能處置管理方法，其包括采用kettle數(shù)據(jù)處理工具實時監(jiān)控傳輸文件夾，一旦發(fā)現(xiàn)ocs系統(tǒng)傳輸?shù)母婢盘枖?shù)據(jù)文件，則將其導入數(shù)據(jù)庫；對入庫數(shù)據(jù)執(zhí)行清洗程序，提取告警信號的核心信息；構建并持續(xù)更新專家知識庫，根據(jù)提取的核心信息在專家知識庫中進行匹配，對應生成專家知識模型；根據(jù)所生成的專家知識模型，將告警信號的處置步驟按階段自動拆分生成子流程；根據(jù)匹配結果判斷是否滿足自動處置的判據(jù)，若滿足則自動執(zhí)行，若不滿足則由現(xiàn)場人員確認后執(zhí)行；采用cart分類樹算法，基于歷史告警信號數(shù)據(jù)和處置結果，對潛在缺陷進行預測，為檢修提供決策依據(jù)。

5、作為本發(fā)明所述基于告警信號的全流程智能處置管理方法的一種優(yōu)選方案，其中：對入庫數(shù)據(jù)執(zhí)行清洗程序包括以下步驟：在對入庫數(shù)據(jù)執(zhí)行清洗程序時，引入基于語義規(guī)則的自適應數(shù)據(jù)清洗機制；基于領域本體和背景知識，構建一組清洗語義規(guī)則集合r；針對每條入庫數(shù)據(jù)d，基于清洗語義規(guī)則集合r對其進行語義解析，得到語義解析樹t；定義一個評分函數(shù)score(t,r)，以衡量語義解析樹t在清洗語義規(guī)則r下的分數(shù)，并設置閾值參數(shù)θ；若score(t,r)＞θ，則按照t的語義結構進行數(shù)據(jù)清洗；若score(t,r)≤θ，則反饋語義解析的不確定部分，由人工復審修正語義規(guī)則r；在人工修正的基礎上，重新構建評分函數(shù)newscore(t,r')；基于最新的評分函數(shù)newscore(t,r')對入庫數(shù)據(jù)d重新進行清洗。

6、作為本發(fā)明所述基于告警信號的全流程智能處置管理方法的一種優(yōu)選方案，其中：評分函數(shù)score(t,r)的具體公式如下：

7、score(t,r)＝λ1structuresim(t,r)+λ2conceptsim(t,r)

8、+λ3contextsim(t,r)+λ4rulecoveragesim(t,r)

9、

10、其中，structuresim(t,r)表示語義解析樹t與規(guī)則r在結構層面的相似性打分，conceptsim(t,r)表示語義解析樹t與規(guī)則r在概念層面的相似性打分，contextsim(t,r)表示語義解析樹t與規(guī)則r在上下文層面的相似性打分，rulecoveragesim(t,r)表示規(guī)則r對語義解析樹t的覆蓋程度，λ1、λ2、λ3、λ4表示各項打分的權重參數(shù)(通過驗證集數(shù)據(jù)進行調優(yōu)獲得)，nt表示語義解析樹t中節(jié)點集，n表示節(jié)點，mlp表示多層感知機網(wǎng)絡，σ表示sigmoid函數(shù)，et表示語義解析樹t中邊集合，e表示邊，cosinesim()表示計算兩個向量的余弦相似度，et1和et2表示邊兩端實體，embed表示實體向量表示(通過embedding嵌入技術映射到低維稠密向量空間中的向量表示)，pt表示語義解析樹t中路徑集合，p表示路徑，bleu表示自然語言生成任務中常用的評估指標，pdesc表示路徑描述，gendesc表示上下文生成模型，er表示規(guī)則r中邊集合。

11、重新構建評分函數(shù)newscore(t,r')的具體公式如下：

12、newscore(t,r')＝αscore(t,r')+(1-α)simword(t,d)

13、其中，simword表示詞袋相似度，α表示耦合參數(shù)，score(t,r')表示在人工修正后的新規(guī)則r'下對語義解析樹t的語義匹配程度評分，r'表示人工修正后的新規(guī)則，t表示語義解析樹，d表示入庫數(shù)據(jù)。

14、作為本發(fā)明所述基于告警信號的全流程智能處置管理方法的一種優(yōu)選方案，其中：構建并持續(xù)更新專家知識庫包括以下步驟：基于已有的人工標注的歷史告警數(shù)據(jù)，利用自然語言處理和機器學習技術，自動提取告警信號的核心信息；將來自監(jiān)控系統(tǒng)、工況數(shù)據(jù)庫、設備檔案的多源異構數(shù)據(jù)融合至專家知識庫中，為異常分析提供全面的上下文信息；將專家知識庫建模為面向電網(wǎng)領域的知識圖譜，對實體及其關系進行有效組織，支持更豐富的查詢和推理；利用圖神經網(wǎng)絡，在知識圖譜上自動學習歷史異常模式，對新的告警信號進行精準匹配，生成對應的專家處置模型；若新異常告警信號未在專家知識庫中存在，則人工錄入專家?guī)煨畔?，再次匹配專家?guī)?；對于匹配生成的專家處置模型，進行專家人工審核和反饋修正，并通過持續(xù)的人機協(xié)作迭代優(yōu)化，完善專家知識庫；將優(yōu)化得到的專家處置模型，結合實時監(jiān)控數(shù)據(jù)，動態(tài)生成個性化、可解釋的異常處置方案。

15、作為本發(fā)明所述基于告警信號的全流程智能處置管理方法的一種優(yōu)選方案，其中：將來自監(jiān)控系統(tǒng)、工況數(shù)據(jù)庫、設備檔案的多源異構數(shù)據(jù)融合至專家知識庫中包括以下步驟：構建一個包括監(jiān)控、工況、設備三大知識圖譜g1、g2、g3的總體框架g；在各子圖譜gi上分別訓練知識圖嵌入模型，得到嵌入表示向量vi；定義知識圖譜節(jié)點對齊評分函數(shù)align(vi,vj)＝δ(w·concat(vi,vj))，其中δ表示非線性函數(shù)，w表示權重矩陣，concat(vi,vj)表示將兩個向量vi和vj進行拼接，vi和vj分別表示來自兩個不同知識圖譜gi和gj的節(jié)點嵌入向量；在所有節(jié)點對(i,j)上最大化對齊評分的全局目標函數(shù)，優(yōu)化對齊矩陣m；在優(yōu)化的對齊矩陣m下，進行各子圖譜的特征交換，實現(xiàn)數(shù)據(jù)融合；對齊評分的全局目標函數(shù)具體公式如下：

16、max∑align(vi,vj)·mij

17、s.t.∑mij＝1,mij≥0

18、其中，m表示對齊矩陣，i和j分別表示行列變量，align(vi,vj)表示知識圖譜節(jié)點對齊評分函數(shù)，vi和vj分別表示來自兩個不同知識圖譜gi和gj的節(jié)點嵌入向量。

19、作為本發(fā)明所述基于告警信號的全流程智能處置管理方法的一種優(yōu)選方案，其中：將告警信號的處置步驟按階段自動拆分生成子流程包括以下步驟：利用知識圖譜中蘊含的豐富語義信息，根據(jù)告警信號的上下文關聯(lián)，動態(tài)規(guī)劃出最優(yōu)化的處置路徑；將處置路徑建模為智能化工作流，引入過程智能技術，支持流程的自適應調整、并行執(zhí)行和異常處理；將處置流程視為一個序列決策問題，利用強化學習技術，基于大量歷史案例自動學習和優(yōu)化最佳的分解路徑；基于專家知識庫拆分內部流程的同時，進行跨系統(tǒng)流程的編排和集成，使處置方案的執(zhí)行覆蓋更廣泛的場景；對于特殊復雜的異常情況，允許專家人工介入，通過可視化建模工具對預生成的流程進行審核、修改和補充，生成定制化的處置流程方案；對于執(zhí)行過程中產生的新知識和新做法，通過知識提煉技術自動歸納并反饋至專家知識庫，持續(xù)優(yōu)化和豐富處置流程模板。

20、作為本發(fā)明所述基于告警信號的全流程智能處置管理方法的一種優(yōu)選方案，其中：生成定制化的處置流程方案包括以下步驟：設計狀態(tài)s為當前已生成流程序列，動作a為插入/修改節(jié)點操作，定義獎賞函數(shù)r(s,a)為插入新節(jié)點后的流程質量打分；在強化學習框架下，狀態(tài)s、動作a、獎賞r(s,a)構建馬爾可夫決策過程，尋找最優(yōu)的生成策略π*＝argmax∑r(s,a)；基于已有的人工處置數(shù)據(jù)，利用監(jiān)督學習算法對策略π*進行預訓練，構建狀態(tài)-動作對的數(shù)據(jù)集；在人機交互模式下，實時接收專家操作動作a和反饋獎賞r，并通過策略迭代算法不斷調整優(yōu)化策略π*；構建模型可解釋性機制，解釋每一步操作的原因，若專家不理解或反對某一步驟，則通過模型可解釋性機制進行反饋糾正；對于優(yōu)化迭代的最終策略π*，編碼為流程生成模型，并集成到可視化建模工具中，輔助專家進行流程審核和定制；獎賞函數(shù)r(s,a)的具體公式如下：

21、r(s,a)＝w1simstructure(s',s)+w2simsemantic(s',s)+w3costscore(s')

22、其中，s'表示執(zhí)行動作a后新產生的流程，s表示參考優(yōu)質流程，simstructure和simsemantic分別用于測量新生成的流程s'與參考優(yōu)質流程s在結構和語義層面上的相似程度，w1、w2、w3分別表示對應權重。

23、第二方面，本發(fā)明實施例提供了基于告警信號的全流程智能處置管理系統(tǒng)，其包括傳輸檢測模塊，用于采用kettle數(shù)據(jù)處理工具實時監(jiān)控傳輸文件夾，一旦發(fā)現(xiàn)ocs系統(tǒng)傳輸?shù)母婢盘枖?shù)據(jù)文件，則將其導入數(shù)據(jù)庫；清洗執(zhí)行模塊，用于對入庫數(shù)據(jù)執(zhí)行清洗程序，提取告警信號的核心信息；匹配生成模塊，用于構建并持續(xù)更新專家知識庫，根據(jù)提取的核心信息在專家知識庫中進行匹配，對應生成專家知識模型；流程拆分模塊，用于根據(jù)所生成的專家知識模型，將告警信號的處置步驟按階段自動拆分生成子流程；判斷模塊，用于根據(jù)匹配結果判斷是否滿足自動處置的判據(jù)，若滿足則自動執(zhí)行，若不滿足則由現(xiàn)場人員確認后執(zhí)行；缺陷檢測模塊，用于采用cart分類樹算法，基于歷史告警信號數(shù)據(jù)和處置結果，對潛在缺陷進行預測，為檢修提供決策依據(jù)。

24、第三方面，本發(fā)明實施例提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述計算機程序指令被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于告警信號的全流程智能處置管理方法的步驟。

25、第四方面，本發(fā)明實施例提供了一種計算機可讀存儲介質，其上存儲有計算機程序，其中：所述計算機程序指令被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于告警信號的全流程智能處置管理方法的步驟。

26、本發(fā)明有益效果為：本發(fā)明實現(xiàn)對電網(wǎng)監(jiān)控系統(tǒng)傳輸?shù)母婢盘枖?shù)據(jù)文件的實時自動感知和監(jiān)測，提高異常監(jiān)測的及時性和準確性；基于多源異構數(shù)據(jù)融合構建面向電網(wǎng)領域的知識圖譜，對歷史異常模式進行自動學習，生成精準的專家處置知識模型，提供高效可解釋的異常處置決策支持；將專家處置模型轉化為智能化工作流程，引入過程智能管理機制，支持流程的自適應調整、并行執(zhí)行和異常處理，提升處置方案的針對性和可執(zhí)行性；建立人機協(xié)同優(yōu)化機制，持續(xù)優(yōu)化和豐富專家知識庫，迭代生成定制化處置流程，不斷提高異常處置決策的準確性和高級別。