多维度停电精准研判方法与流程

本技术涉及停电故障判断领域，具体涉及一种多维度停电精准研判方法。

背景技术：

1、极端灾害、设备老化、负荷过载等因素常常导致电力系统发生故障，进而引发停电事件。停电事件不仅影响了居民的日常生活，还对商业活动和工业生产造成了重大损失。面对突发停电事件，急需通过对事件的深入分析和全面复盘，找出问题所在，才能有针对性地展开相关技术研究，以提升营销客户服务的应急响应能力和应对效率，并减轻基层单位的工作负担。

2、传统的停电故障判断方法主要依赖于人工经验和简单的数据分析。这些方法不仅效率低下，而且容易受到人为因素的影响，导致判断结果的准确性和可靠性不足。随着电力系统的复杂性增加，传统的研判方法在面对多维度、多源数据时，显得力不从心。

3、因此，期待一种优化的多维度停电精准研判方法。

技术实现思路

1、考虑到以上问题而做出了本技术。本技术的一个目的是提供一种多维度停电精准研判方法。

2、本技术的实施例提供了一种多维度停电精准研判方法，其包括：

3、获取故障报修工单、人工发布停电信息、配电终端停电事件数据、终端不在线数据、线路支线开关数据、电流截面曲线数据和10kv线路故障信号数据；

4、对所述故障报修工单、所述人工发布停电信息、所述配电终端停电事件数据、所述终端不在线数据、所述线路支线开关数据、所述电流截面曲线数据和所述10kv线路故障信号数据进行嵌入编码和语义关联优化以得到优化故障报修工单嵌入编码向量、优化人工发布停电信息嵌入编码向量、优化配电终端停电事件嵌入编码向量、优化终端不在线数据嵌入编码向量、优化线路支线开关数据嵌入编码向量、优化电流截面曲线数据嵌入编码向量和优化线路故障信号数据嵌入编码向量；

5、对所述优化故障报修工单嵌入编码向量、所述优化人工发布停电信息嵌入编码向量、所述优化配电终端停电事件嵌入编码向量、所述优化终端不在线数据嵌入编码向量、所述优化线路支线开关数据嵌入编码向量、所述优化电流截面曲线数据嵌入编码向量和所述优化线路故障信号数据嵌入编码向量进行跨域查询匹配编码以得到故障跨维度查询匹配特征向量；

6、基于所述故障跨维度查询匹配特征向量，生成故障判断结果。

7、例如，根据本技术的实施例的多维度停电精准研判方法，其中，对所述故障报修工单、所述人工发布停电信息、所述配电终端停电事件数据、所述终端不在线数据、所述线路支线开关数据、所述电流截面曲线数据和所述10kv线路故障信号数据进行嵌入编码和语义关联优化以得到优化故障报修工单嵌入编码向量、优化人工发布停电信息嵌入编码向量、优化配电终端停电事件嵌入编码向量、优化终端不在线数据嵌入编码向量、优化线路支线开关数据嵌入编码向量、优化电流截面曲线数据嵌入编码向量和优化线路故障信号数据嵌入编码向量，包括：

8、对所述故障报修工单、所述人工发布停电信息、所述配电终端停电事件数据、所述终端不在线数据、所述线路支线开关数据、所述电流截面曲线数据和所述10kv线路故障信号数据进行嵌入编码以得到故障报修工单嵌入编码向量、人工发布停电信息嵌入编码向量、配电终端停电事件嵌入编码向量、终端不在线数据嵌入编码向量、线路支线开关数据嵌入编码向量、电流截面曲线数据嵌入编码向量、线路故障信号数据嵌入编码向量；

9、将所述故障报修工单嵌入编码向量、所述人工发布停电信息嵌入编码向量、所述配电终端停电事件嵌入编码向量、所述终端不在线数据嵌入编码向量、所述线路支线开关数据嵌入编码向量、所述电流截面曲线数据嵌入编码向量和所述线路故障信号数据嵌入编码向量输入基于序列内生相关性分析的特征关联优化模块以得到所述优化故障报修工单嵌入编码向量、所述优化人工发布停电信息嵌入编码向量、所述优化配电终端停电事件嵌入编码向量、所述优化终端不在线数据嵌入编码向量、所述优化线路支线开关数据嵌入编码向量、所述优化电流截面曲线数据嵌入编码向量和所述优化线路故障信号数据嵌入编码向量。

10、例如，根据本技术的实施例的多维度停电精准研判方法，其中，将所述故障报修工单嵌入编码向量、所述人工发布停电信息嵌入编码向量、所述配电终端停电事件嵌入编码向量、所述终端不在线数据嵌入编码向量、所述线路支线开关数据嵌入编码向量、所述电流截面曲线数据嵌入编码向量和所述线路故障信号数据嵌入编码向量输入基于序列内生相关性分析的特征关联优化模块以得到所述优化故障报修工单嵌入编码向量、所述优化人工发布停电信息嵌入编码向量、所述优化配电终端停电事件嵌入编码向量、所述优化终端不在线数据嵌入编码向量、所述优化线路支线开关数据嵌入编码向量、所述优化电流截面曲线数据嵌入编码向量和所述优化线路故障信号数据嵌入编码向量，包括：

11、计算所述故障报修工单嵌入编码向量、所述人工发布停电信息嵌入编码向量、所述配电终端停电事件嵌入编码向量、所述终端不在线数据嵌入编码向量、所述线路支线开关数据嵌入编码向量、所述电流截面曲线数据嵌入编码向量和所述线路故障信号数据嵌入编码向量所构成的特征集合中任意两个嵌入编码向量之间的语义关联得分向量以得到语义关联得分向量的序列；

12、计算所述语义关联得分向量的序列的均值向量以得到序列内生相关性全局表示向量；

13、基于所述序列内生相关性全局表示向量，分别计算所述故障报修工单嵌入编码向量、所述人工发布停电信息嵌入编码向量、所述配电终端停电事件嵌入编码向量、所述终端不在线数据嵌入编码向量、所述线路支线开关数据嵌入编码向量、所述电流截面曲线数据嵌入编码向量和所述线路故障信号数据嵌入编码向量的关联优化因子以得到关联优化因子的序列；

14、将所述关联优化因子的序列输入softmax激活函数以得到关联优化权重因子的序列；

15、以所述关联优化权重因子的序列中的各个关联优化权重因子作为权重，分别对所述故障报修工单嵌入编码向量、所述人工发布停电信息嵌入编码向量、所述配电终端停电事件嵌入编码向量、所述终端不在线数据嵌入编码向量、所述线路支线开关数据嵌入编码向量、所述电流截面曲线数据嵌入编码向量和所述线路故障信号数据嵌入编码向量进行加权以得到所述优化故障报修工单嵌入编码向量、所述优化人工发布停电信息嵌入编码向量、所述优化配电终端停电事件嵌入编码向量、所述优化终端不在线数据嵌入编码向量、所述优化线路支线开关数据嵌入编码向量、所述优化电流截面曲线数据嵌入编码向量和所述优化线路故障信号数据嵌入编码向量。

16、例如，根据本技术的实施例的多维度停电精准研判方法，其中，计算所述故障报修工单嵌入编码向量、所述人工发布停电信息嵌入编码向量、所述配电终端停电事件嵌入编码向量、所述终端不在线数据嵌入编码向量、所述线路支线开关数据嵌入编码向量、所述电流截面曲线数据嵌入编码向量和所述线路故障信号数据嵌入编码向量所构成的特征集合中任意两个嵌入编码向量之间的语义关联得分向量以得到语义关联得分向量的序列，包括：

17、将所述故障报修工单嵌入编码向量和所述人工发布停电信息嵌入编码向量进行级联后乘以权重系数矩阵，再和偏置向量进行点加以得到所述语义关联得分向量。

18、例如，根据本技术的实施例的多维度停电精准研判方法，其中，基于所述序列内生相关性全局表示向量，计算所述故障报修工单嵌入编码向量的关联优化因子，包括：

19、将所述故障报修工单嵌入编码向量和所述序列内生相关性全局表示向量分别乘以不同的权重系数向量后进行加法运算以得到语义关联系数；

20、将所述语义关联系数加上偏置参数后通过sigmoid激活函数以得到所述关联优化因子。

21、例如，根据本技术的实施例的多维度停电精准研判方法，其中，对所述优化故障报修工单嵌入编码向量、所述优化人工发布停电信息嵌入编码向量、所述优化配电终端停电事件嵌入编码向量、所述优化终端不在线数据嵌入编码向量、所述优化线路支线开关数据嵌入编码向量、所述优化电流截面曲线数据嵌入编码向量和所述优化线路故障信号数据嵌入编码向量进行跨域查询匹配编码以得到故障跨维度查询匹配特征向量，包括：

22、以所述优化故障报修工单嵌入编码向量作为查询特征向量，且以所述优化故障报修工单嵌入编码向量、所述优化人工发布停电信息嵌入编码向量、所述优化配电终端停电事件嵌入编码向量、所述优化终端不在线数据嵌入编码向量、所述优化线路支线开关数据嵌入编码向量、所述优化电流截面曲线数据嵌入编码向量和所述优化线路故障信号数据嵌入编码向量所构成的特征集合作为库特征向量的序列，将所述查询特征向量和所述库特征向量的序列输入基于键矩阵局部关联强化的跨域关注门查询编码器以得到所述故障跨维度查询匹配特征向量。

23、例如，根据本技术的实施例的多维度停电精准研判方法，其中，将所述查询特征向量和所述库特征向量的序列输入基于键矩阵局部关联强化的跨域关注门查询编码器以得到所述故障跨维度查询匹配特征向量，包括：

24、对所述库特征向量的序列中的各个库特征向量进行线性变换以得到初始键矩阵，其中，所述初始键矩阵中的各个行向量为各个线性变换后的库特征向量；

25、计算所述查询特征向量与所述初始键矩阵中的各个行向量之间的特征分布差异能量系数以得到特征分布差异能量系数的序列；

26、将所述特征分布差异能量系数的序列中的各个特征分布差异能量系数与预定阈值进行比较，且响应于所述特征分布差异能量系数小于预定阈值，以所述特征分布差异能量系数对应的行向量与所述查询特征向量之间的均值向量作为更新后的行向量以得到更新键矩阵；

27、使用值嵌入矩阵对所述查询特征向量进行处理以得到值向量；

28、以所述查询特征向量作为查询向量、所述更新键矩阵中的各个行向量作为键向量，将所述查询向量、所述键向量和所述值向量输入基于transformer结构的跨域关注门查询模块以得到故障特征跨域查询关注向量的序列；

29、计算所述故障特征跨域查询关注向量的序列的按位置均值向量以得到所述故障跨维度查询匹配特征向量。

30、例如，根据本技术的实施例的多维度停电精准研判方法，其中，计算所述查询特征向量与所述初始键矩阵中的各个行向量之间的特征分布差异能量系数以得到特征分布差异能量系数的序列，包括：

31、计算所述查询特征向量与所述行向量之间的按位置点加、按位置点减和按位置点乘以得到第一匹配融合结果、第二匹配融合结果和第三匹配融合结果；

32、将所述第一匹配融合结果、所述第二匹配融合结果和所述第三匹配融合结果级联为故障特征多尺度语义匹配向量后，对其进行一维卷积处理和最大值池化处理以得到故障特征关联表示向量；

33、计算所述故障特征关联表示向量的能量系数以得到所述特征分布差异能量系数。

34、例如，根据本技术的实施例的多维度停电精准研判方法，其中，计算所述故障特征关联表示向量的能量系数以得到所述特征分布差异能量系数，包括：

35、计算所述故障特征关联表示向量的最大特征值和其特征均值的差值的平方、所述故障特征关联表示向量的特征方差以及偏置项之间的加权和值，并将所述故障特征关联表示向量的特征方差和所述偏置项之和除以所述加权和值以得到所述特征分布差异能量系数。

36、例如，根据本技术的实施例的多维度停电精准研判方法，其中，基于所述故障跨维度查询匹配特征向量，生成故障判断结果，包括：

37、将所述故障跨维度查询匹配特征向量输入基于解码器的故障研判结果生成器以得到所述故障判断结果。

38、根据本技术的实施例的多维度停电精准研判方法，其采用基于深度学习的人工智能技术对故障报修工单、人工发布停电信息、配变终端停电事件数据、终端不在线数据、线路支线开关数据、电流截面曲线数据和10kv线路故障信号数据进行语义关联分析，基于多源数据的信息交叉查询验证，智能判断该停电故障的类型。这样，可以有效提高停电故障判断的准确性和效率，减轻相关人员的工作负担，并为营销客户服务提供更有力的技术支持。