CN118504939B 一种电网故障保电维修计划制定方法、装置、设备及介质 （国网浙江省电力有限公司杭州供电公司）

AT514680A2,2015.02.15一种电网故障保电维修计划制定方法、装本发明公开了一种电网故障保电维修计划2基于所述历史故障数据和所述维修策略进行故障模拟仿真测试，分别将每一所述响应数据输入到预先构建的关联网络模其中，所述关联网络模型的构建包括：将所述电网中每个节点视优先级排序反映目标故障节点相对于非目标故障故障的保电维修计划。基于时间序列预测算法，以及所述故障时间序列数据集对时间序3获取模块，用于获取电网中各节点的历史故障数据，建立与测试模块，用于基于所述历史故障数据和所述维修策略预测模块，用于分别将每一所述响应数据输入到预先构建的关联网络模型中进行预其中，所述关联网络模型的构建包括：将所述电网中每个节点视排序模块，用于基于所有所述预测结果，构建所述电网4述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，被处理器执行时实现如权利要求1_7任意一项所述的电网故障保电维修5所述优先级排序反映目标故障节点相对于非目标故障节点在故障环[0012]运用时间序列算法分析所述历史故障数据，以识别导致电网重大中断的故障模6[0021]收集根据所述维修策略对目标故障节点进行维修时，非目标故障节点的响应数[0032]测试模块，用于基于所述历史故障数据和所述维修策略7行所述计算机程序时实现如上所述的电网故障保电维修计[0041]图1是本发明其中一种实施例中的电网故障保电维修计划制定方法的流程示意[0042]图2是本发明其中一种实施例中的电网故障保电维修计划制定装置的结构示意8所述实际故障的保电维修计划。[0055]运用时间序列算法分析所述历史故障数据，以识别导致电网重大中断的故障模[0058]对收集到的历史故障数据进行特征工程，提取出能够反故障特征数据集进行训练，如使用LSTM、GRU等深度学习算法进行时间序列分类，使用9[0072]将故障关联知识图谱与故障预测模型相结合，构建综合[0073]对故障预测和诊断系统进行持续的优化和更新，采用增量学习或在线学习的方[0075]在建立故障预测模型时，可以使用AutoARIMA算法自动选择最优的ARIMA模型参和因果关系转化为IF_THEN形式的规则，如"IF故障A发生THEN故障B在10分钟内会以0.9的[0087]在构建关联网络模型时，可以使用互信息和传递熵计算和校准，得到群组的标准特征模板，作为后续类比分析的参考标杆。通过Node2Vec或[0116]对采集到的原始电力时间序列数据进行预处理和特征工程，通过滑动窗口分段、(FluctuationAnalysis)等方法对原始时间序列进行离散化和符号化表示，然后采用同尺度下的频率成分和能量分布特征，并使用奇异谱分析(SSA)等方法对信号进行周期分则在T3时刻节点C以置信度C出现波动模式P3"的多维时序关联规则，揭示节点间复杂的动[0120]开发基于深度学习的时间序列异常检测算法，通过卷积神经网络(CNN)或长短期道路ID+方向编码的复合主键来唯一标识一条中断记录，道路ID可以用道路的起讫点编号各类因素对任务路线可达性的影响权重，生成面向不同维修任务类型的道路风险预警模顺序形成任务执行队列。键路径并绘制任务网络图。再用CCPM从关键链上选择投入量最大的三类资源作为瓶颈资目缓冲时间，一般取关键链长度的30%以内。用甘特图直观呈现带资源平衡的优化进度计之间的最短传播路径，将传播路径长度小于设定阈值[0165]测试模块12，用于基于所述历史故障数据和所述维修策略进行故障模拟仿真测