CN119449580A 基于时空图神经网络的电力光通信网告警分析方法及系统 （中国电力科学研究院有限公司）

司基于时空图神经网络的电力光通信网告警本发明公开一种基于时空图神经网络的电电力光通信网数据，对采集到的数据进行预处图神经网络对所述图结构中节点的特征进行提发明将电力光通信网表示为一个包含时空信息22.根据权利要求1所述基于时空图神经网络的电力光通信网告警分析方法，其特征在3.根据权利要求1所述基于时空图神经网络的电力光通信网告警分析方法，其特征在4.根据权利要求1所述基于时空图神经网络的电力光通信网告警分析方法，其特征在5.根据权利要求4所述基于时空图神经网络的电力光通信网告警分析方法，其特征在利用时空图神经网络提取图中节点和边的空6.根据权利要求5所述基于时空图神经网络的电力光通信网告警分析方法，其特征在7.根据权利要求6所述基于时空图神经网络的电力光通信网告警分析方法，其特征在力网络GAT中的任意一种或多种的组合；所述异质图神经网络模型包括异质图神经网络HGNN及异质图注意力网络HAN中的任意一种或8.根据权利要求6所述基于时空图神经网络的电力光通信网告警分析方法，其特征在型的数学表达式为Hr=ReLU(A,X,W)，所述时间模型的数学表达式为Gr=F(HP)；3所述时间模型包括自动回归积分滑动平均模型ARIMA、循环神经网络RNN及转换器9.根据权利要求1所述基于时空图神经网络的电力光通信网告警分析方法，其特征在节点时空嵌入表示生成模块，用于利用时空图神经网络对所述图告警分析与评估模块，用于根据节点对应设备的预测标签，对12.根据权利要求11所述基于时空图神经网络的电力光通信网告警分析系统，其特征13.根据权利要求12所述基于时空图神经网络的电力光通信网告警分析系统，其特征通过对节点和边的空间特征以及节点状态的动态变化进行融合，生所述时空图神经网络中的每个时间步都是一个图，并通过图神经网络14.根据权利要求13所述基于时空图神经网络的电力光通信网告警分析系统，其特征在于，所述节点时空嵌入表示生成模块通过图神经网络模型进行邻域聚合提取空间特征，通过时间模型进行时间序列捕捉提取时间特征，所述图神经网络模型的数学表达式为Hr=ReLU(A,XP,W)，所述时间模型的数学表达式为Gr=F(HP)；415.根据权利要求14所述基于时空图神经网络的电力光通信网告警分析系统，其特征所述异质图神经网络模型包括异质图神经网络HGNN及异质图注意力网络HAN中的任意所述时间模型包括自动回归积分滑动平均模型ARIMA、循环神经网络RNN及转换器16.根据权利要求11所述基于时空图神经网络的电力光通信网告警分析系统，其特征17.根据权利要求11所述基于时空图神经网络的电力光通信网告警分析系统，其特征存储的计算机程序以实现如权利要求1至10中任一项所述基于时空图神经网络的电力光通指令，所述至少一个指令被处理器执行时实现如权利要求1至10中任一项所述基于时空图5输数据和控制信息，以保障电力系统的稳定运行。随着电力系统规模的扩大和复杂度的增统的告警分析方法主要依赖基于规则的系统或传统的机器学习模型，这些方法在处理复杂法通常将时间和空间的处理分离开来，难以充分整合时空特征，因而在处理思想是通过聚合邻居节点的信息来更新当前节点的表示，对于GCN的第层，其输出特征矩阵h((+1)可以表示为：RELU(O(X)=max(0,X))；A=A+I是添加了自环的邻接矩阵，A是原始的邻接矩阵，i是单电力光通信网告警分析方法及系统，将电力光通信网表示为一个包含时空信息的图结构，6型包括异质图神经网络HGNN及异质图注意力网络HAN中的任意一种或特征，所述图神经网络模型的数学表达式为Hr=ReLU(A,X,W)，所述时间模型的数学表7节点嵌入表示进行线性变换；使用Relu激活线性变换后的结果，得到t时刻的节点嵌告警情况进行分析和影响评估的步骤中，识别出电力光通信网潜在的故障节点和告警类模型的数学表达式为Hr=ReLU(A,X,W)，所述时间模型的数学表达式为Gr=F(HP)；8节点嵌入表示进行线性变换；使用Relu激活线性变换后的结果，得到t时刻的节点嵌集网络GraphSAGE及图注意力网络GAT中的任意所述异质图神经网络模型包括异质图神经网络HGNN及异质图注意力网络HAN中的[0024]作为一种优选的方案，所述告警分析与评估模块在根据节点对应设备的预测标中存储的计算机程序以实现如第一方面所述基于时空图神经网络的电力光通信网告警分地捕捉电力光通信网的时空动态特征。相比于现有技术中将时间和空间分开处理的方式，上表现更为出色。因此本发明告警分析方法能够显著提升电力光通信网的安全性和稳定9[0038]请参阅图3，本发明实施例的时空图神经网络（Spatio_TemporalGraphNeural有效地捕捉图中节点和边的动态变化及其相互关系。学表达式为Hr=ReLU(A,XP,W)，所述时间模型的数学表达式为Gr=F(HP)；节点嵌入表示进行线性变换；使用Relu激活线性变换后的结果，得到t时刻的节点嵌邻居节点特征时能够动态地分配不同的权重。GAT能够根据邻居节点的重要性来调整它们[0050]自动回归积分滑动平均模型（AutoRegressiveIntegratedMovingAverage，ARIMA是时间序列分析中广泛使用的一种统计模型。它结合了自回归（AR）和滑动平均注意力机制来建模序列中的元素之间的关系，克服了传统循环神经网络RNN在处理长序列网中的告警情况进行分析和影响评估时，识别出电力光通信网潜在的故障节点和告警类[0056]本发明另一实施例还提出一种基于时空图神经网络的电力光通信网告警分析系网络模型的数学表达式为Hr=ReLU(A,X,W)，所述时间模型的数学表达式为Gr=F(HP)；节点嵌入表示进行线性变换；使用Relu激活线性变换后的结果，得到t时刻的节点嵌和聚集网络GraphSAGE及图注意力网络GAT中的任所述异质图神经网络模型包括异质图神经网络HGNN及异质图注意力网络HAN中的[0062]在一种可能的实施方式中，所述节点标签预测模块在基[0064]本发明设计了电力光通信网时空图建模及告警分析流程，通过数据采集及预处空间特征提取能力和时间模型的序列建模能力，能够在时间维度上跟踪告警事件的演变，同时在空间维度上捕捉设备之间的关联和相互影响，从而实现对未来告警情况的精准预执行存储器中存储的计算机程序以实现所述基于时空图神经网络的电力光通信网告警分述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当