[发明专利]基于卷积和长短期记忆网络的电网监控告警事件识别方法

说明书

本发明公开了一种基于卷积和长短期记忆网络的电网监控告警事件识别方法，该方法通过电网监控系统中历史监控告警信息及时标生成信息向量，并且从收集的历史监控告警信息中提取事件样本，构建告警事件样本库；其次，建立基于长短期记忆网络和卷积神经网络组合的深度学习识别模型，利用告警事件样本对模型进行训练；最后使用训练好的深度学习模型对监控告警信息进行识别，取概率最大的事件类别作为识别结果输出。本发明结合长短期记忆网络在处理时序问题和卷积神经网络在挖掘短文本局部特征中的优异性能，建立组合模型，可以实现电网告警事件的快速识别，有效减轻监控业务人员的监屏压力，提升日常监视和事故异常处置工作效率。

技术领域

本发明属于电力系统智能告警控制技术，具体涉及一种基于卷积和长短期记忆网络的电网监控告警事件识别方法。

背景技术

随着电网规模不断扩大，对调控人员快速响应电网设备故障、及时恢复电网运行方式提出了更高的要求，因此提升电网设备运行监控的智能化水平，实现对电网告警事件的自主识别，对提升日常监控和事故异常处置的工作效率具有重要意义。

电网监控告警信息作为一种中文文本数据，是调控人员监视电网运行状态的重要数据基础。随着电网设备规模扩大及智能监测水平提升，电力数据出现爆发性增长，监控告警信息的数量呈现几何级增长趋势，集到的信息全部按时间顺序显示，未作任何的推理判断处理。电网调控人员需要对每一条信息逐一进行判别、分析并做出反馈，容易遗漏重要告警信息，无法在短时间内做出准确识别，出现设备故障或异常漏判误判的情况。这种方法已无法适应当前形势下电网监控业务的更高要求。本发明应用深度学习算法中的长短期记忆网络和卷积神经网络，对电网监控告警事件进行识别。

传统的机器学习模型如Logistic回归、支持向量机及随机森林算法等适合处理样本量较少的场景，一般不具有特征处理能力。因此，在应用这些算法时，需要对原始数据进行特征提取，增加了建模过程的复杂度。而深度学习算法采用逐层训练的方式对数据进行处理，能够获得原始输入变量集合的高级特征表示，提高预测和分类准确性，被广泛的应用于特征处理问题及大数据场景。面对海量的电网运行告警信息处理需求，深度学习可以更加充分的学习监控大数据的样本特征。长短期记忆网络具有处理具有时间相关性的序列的强大功能，而电网监控告警事件所触发的监控告警信息是在短时间内连续发生，整个事件的信息按照发生的时间先后排列，具有时序关系，将每一条告警信息作为一个时间步提取整个事件的时序特征。同时从语句表达含义上说，相邻的多条告警信息中包含了告警事件的重要特，CNN具有局部感知的特点并且具有优异的特征提取性能，可以挖掘相邻监控告警信息间的关联性特征。且卷积神经网络采用局部感知和权重共享的方式，大大降低了网络参数量并缓解模型过拟合问题。

发明内容

发明目的：针对现有电网监控告警中人工判断容易漏判和误判，且识别效率不高的问题，本发明提供一种基于卷积和长短期记忆网络的电网监控告警事件识别方法。

技术方案：一种基于卷积和长短期记忆网络的电网监控告警事件识别方法，包括以下步骤：

(1)采集电网监控系统中历史监控告警信息及每条告警信息的时标，告警信息中包含的所有变电站和线路名称，构成电网监控告警事件识别模型所需的训练数据集；

(2)对历史监控告警信息进行数据预处理，通过word2vec模型对监控告警信息进行无监督训练，生成包含信号特征的信息向量；

(3)从采集的历史监控告警信息中按照滑动时间窗口提取监控告警信息集合，确定告警信息集合的事件类型和告警事件的标志词，得到各类标签化监控告警事件的样本，构建告警事件样本库；

(4)建立基于长短期记忆网络和卷积神经网络组合的深度学习识别模型，设置各类超参数，建立目标函数并选取优化算法，利用监控告警事件样本库中的样本对模型进行迭代训练，并且通过计算损失函数的梯度逐步迭代更新识别模型的参数；

(5)使用训练好的深度学习模型对监控告警信息进行识别，取概率最大的事件类别作为告警事件识别结果输出。