CN119474996A 多模态通专协同因果思维链推理电力异常检测方法及系统 （国网智能科技股份有限公司）

多模态通专协同因果思维链推理电力异常本发明提出多模态通专协同因果思维链推高阶关联，对因果图中节点的嵌入表示进行更2将统一的嵌入表示输入至通用模型中，通过DDCoT推理技术将因果链条的生成过程细将因果图输入至超图神经网络中，通过多层卷积操作挖掘数据中的高2.如权利要求1所述的多模态通专协同因果思维链推理电力异常检测方法，其特征在采集电力设备视觉图像数据，基于VisionTransformer网络模型对3.如权利要求1所述的多模态通专协同因果思维链推理电力异常检测方法，其特征在将每一种模态数据的异常检测均进行当前层级任务划分，并按照递对当前层级任务中的多个子任务进行递归式分析，确定出当前层级基于当前层级任务的递归式分析结果，将当前层级任务多个子任对下一层级任务中的多个子任务进行递归式分析，确定出下一层级对当前层级任务中的多个子任务进行递归式分析，确定出当前层级3对当前层级中每个模态数据的嵌入表示通过通用模型进行广义异常检测，识别异常将当前层级任务中的第一类节点作为分析对象，结合相应的嵌评估对周边设备的影响：将当前层级任务中的第一类节点和第二类节点作为分析对的受影响的其他设备或系统作为第三类节点，基于传导路径将第三类节点与第二类节点考虑初始异常点和其潜在直接原因与其他设备或系统的空间、时间和功能的关联性，迭代上述多层级递归式子任务生成过程和分析过程，得到最终基于迭代完成后的多个层级任务的因果链条骨架，得到最终的4.如权利要求1所述的多模态通专协同因果思维链推理电力异常检测方法，其特征在针对最终的因果链条骨架中的每个节点，电力专属模型将每个节针对最终的因果链条骨架中的每个节点，电力专属模型进一步引入节点的多维度数在将通用模型最终的因果链条骨架进行补充细节信息并填充关获取节点的多维度数据，所述多维度数据包括设备运行数据4所述动态特征选择机制采用自适应注意力机制，自适应的为当前节点的多所述历史异常事件和外部因素数据包括自然灾害或基于环境数据并参考行业知识中的环境影响标准，判断异常是否受到环境因素的影5.如权利要求1所述的多模态通专协同因果思维链推理电力异常检测方法，其特征在将因果图输入至超图神经网络中，提取因果图的节点作为超图通过多层卷积操作对构建的超图结构进行多层次的因果基于更新后超图节点的嵌入表示，对因果图中节点的嵌入表示进根据模态特征间的相似性和关联性计算权重，从而确定超图节分别计算任意两个节点对应的模态特征之间的相似程5若因果图中的节点存在时间或空间上的依赖关系，则基于时间差使用设备拓扑图确定因果图中节点的拓扑距离，或通过物理连接情况来量化关联性，基于多个节点之间的高阶关联，因果图的节点能够获取多通过聚合其他节点的特征信息，因果图中的节点关系6.如权利要求1所述的多模态通专协同因果思维链推理电力异常检测方法，其特征在;7.如权利要求1所述的多模态通专协同因果思维链推理电力异常检测方法，其特征在将新异常作为新节点添加到因果图中，提取新异常的嵌入表示根据新异常与其他节点的关系动态生成新的超边，新的超边用于连接新将更新后的因果图再次输入超图神经网络，对所有节点的嵌入表通过多层超图卷积操作，逐层更新因果链条结构，使系统中的所有节6现如权利要求1_7任一项所述的多模态通专协同因果思维链推理电力异常检测方法中的步10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程7本发明第一方面提供了多模态通专协同因果思维链推理电力异将统一的嵌入表示输入至通用模型中，通过DDCoT推理技术将因果链条的生成过8执行时实现如本发明第一方面所述的多模态通专协同因果思维链推理电力异常检测方法义理解和电力专属模型的精细化分析，利用多模态思维链技术将两者的推理过程有机协[0012]本发明提出了一种基于超图神经网络与因果推理的多模态异常层次化因果链条9[0022]本实施例方法能够有效地揭示异常背后的因果逻辑，为电力系统提供了一个精将统一的嵌入表示输入至通用模型中，通过DDCoT推理技术将因果链条的生成过v=VT(V)[0034]系统利用GPT_4等先进的大语言模型对文本数据进行嵌入生成和深度特征提取，入用于提取基本语义特征（如设备状态而高层次嵌入捕获更复杂的因果逻辑和异常关[0041]将上述三种特征通过标准化和归一化处理，融合为一个统一的多模态嵌入矩阵Transformer（ViT）用于视觉特征提取、大语言模型（如GPT_4）用于文本分析、Audio环境因素对该异常的具体原因进行深入分析，如识别出是环境温度过高引起的性能下降，[0055]进一步的，在通过DDCoT推理技术将因果链条的生成过程细化为多个子任务的过在完成初步因果链条后，系统通过分析各节点间的模态特征相似性和时间关联，类节点的嵌入表示是在确定受第一类节点和第二类节点影响的其他设备或系统的过程中[0075]通过以上逐层的子任务推进和节点添加，系统能够形成对异常原因的初步判化分析提供基础。通用模型利用广义语义理解能力生成因果链条的基础骨架，初步判断异[0080]在每一级递归中，检查初始异常的传导是否可能引发后续的设备故障或警报事[0097]动态特征选择机制采用自适应注意力机制，根据链条的当前状态和新检测的数[0110]通过上述逐层深入的分析，电力专属模型不仅能识别出当前节点异常的直接原[0131]本实施例中的高阶关联指的是节点通过超边与多个关联超图神经网络中的多层卷积操作可逐层提取数据中的高阶特征，以识别复杂的因果关系。这些特征包含了设备状态和异常之间的高阶因对于更新后的因果图中每个节点，其嵌入表示hi包含了多模态特征的聚合信R(j)=a:p(i)+(1-a)·f(hy,0)系统根据新的数据调整现有的因果链条结构。假设当前因果链条G需要根据新输入数据更G'=G+AG更新后的因果图中的每个节点包含嵌入表示hi，它聚合了节点的多模态数据特本实施例公开了多模态通专协同因果思维链推理公开实施