开云优惠体育网页版入口

专利名称：一种电力多方实时会商的计算机协同系统及其数据处理方法

专利类型：发明专利

专利申请号：CN202411009043.6

专利申请（专利权）人：国网甘肃省电力公司白银供电公司,国网甘肃省电力公司
权利人地址：甘肃省白银市白银区人民路6号

专利发明（设计）人：发明人:冀东红,宋强,王德文,张学文,付智鑫,寇明泽,裴倩雯,王松涛,张乐桢,张政,王克乾

专利摘要：本发明涉及电力系统监测技术领域，本发明公开了一种电力多方实时会商的计算机协同系统及其数据处理方法，包括获得目标电力系数，对目标电力系数进行分析生成第一分析结果，根据视频流数据和实时监测数据构建相应的数字孪生模型，对数字孪生模型进行分析生成第二分析结果，再获取关于电力系统的描述文本数据，根据描述文本数据生成事件图，最后将第一分析结果、第二分析结果和事件图输入到预构建的状态监测模型中，获得系统状态类型，本发明通过多元化的数据对电力系统进行分析，那么在处理复杂环境和多变工况时，能够提供可靠的故障诊断结果。

主权利要求：
1.一种电力多方实时会商的计算机数据处理方法，其特征在于，包括：
获取关于电力系统的实时监测数据和实时可靠数据，基于实时监测数据计算初始电力系数，基于实时可靠数据计算可靠性系数，将初始电力系数和可靠性系数输入到预构建的状态调整模型中，获得目标电力系数，对目标电力系数进行分析生成第一分析结果，所述第一分析结果包括一级故障、二级故障和三级故障；
获取关于电力系统的视频流数据，根据视频流数据和实时监测数据构建相应的数字孪生模型，对数字孪生模型进行分析生成第二分析结果；
获取关于电力系统的描述文本数据，根据描述文本数据生成事件图；
将第一分析结果、第二分析结果和事件图输入到预构建的状态监测模型中，获得系统状态类型，系统状态类型包括无故障、一级故障、二级故障和三级故障；
所述实时监测数据包括实时振动值、实时电流值、实时温度值和实时油位值，基于实时监测数据计算初始电力系数的方法包括：；
式中，IPF为初始电力系数， 为实时温度值， 为标准温度值， 为实时油位值， 为实时振动值， 为标准振动值， 为实时电流值， 为标准电流值， 是以3为底的对数函数， 为反余切函数，、 均为大于0的常数；
所述实时可靠数据包括平均故障次数、使用总时长和设备使用成本，基于实时可靠数据计算可靠性系数的方法包括：；
式中，RYC为可靠性系数， 为平均故障次数， 为使用总时长， 为设备使用成本， 反正弦函数， 为双曲正弦函数， 为大于0的常数， 、 、 均为权重因子；
对数字孪生模型进行分析生成第二分析结果的方法包括：
基于仿真分析软件对数字孪生模型进行分析，生成可视化开云优惠体育网页版入口，将可视化开云优惠体育网页版入口作为第二分析结果；
状态监测模型为决策模型，状态监测模型根据第二分析结果和事件图生成决策结果，根据决策结果调整第一分析结果，从而输出系统状态类型，决策结果包括状态升级和状态降级。
2.根据权利要求1所述的一种电力多方实时会商的计算机数据处理方法，其特征在于，所述根据视频流数据和实时监测数据构建相应的数字孪生模型的方法包括：对视频流数据进行识别获取设备型号，基于设备型号确定预构建的初始三维模型，根据实时监测数据、仿真分析软件以及初始三维模型构建相应的数字孪生模型，数字孪生模型包括结构孪生模型。
3.根据权利要求2所述的一种电力多方实时会商的计算机数据处理方法，其特征在于，所述根据实时监测数据、仿真分析软件以及初始三维模型构建相应的数字孪生模型的方法包括：将实时监测数据输入到仿真分析软件中，再根据仿真分析软件对初始三维模型进行模拟仿真，从而构建相应的数字孪生模型。
4.根据权利要求1所述的一种电力多方实时会商的计算机数据处理方法，其特征在于，所述状态调整模型的构建方法包括：获取样本数据集，所述样本数据集中包括历史初始电力系数、历史可靠性系数和历史目标电力系数，将样本数据集划分为样本训练集和样本测试集，构建回归网络，以样本训练集中的历史初始电力系数和历史可靠性系数作为回归网络的输入数据，以样本训练集中的历史目标电力系数作为回归网络的输出数据，对回归网络进行训练，得到用于预测实时目标电力系数的初始回归网络，利用样本测试集对初始回归网络进行测试，输出满足小于预设误差值的初始回归网络作为状态调整模型。
5.根据权利要求4所述的一种电力多方实时会商的计算机数据处理方法，其特征在于，对目标电力系数进行分析生成第一分析结果的方法包括：若目标电力系数小于预设第一系数阈值，则第一分析结果为一级故障；
若目标电力系数小于预设第二系数阈值，并且大于等于预设第一系数阈值，则第一分析结果为二级故障；
若目标电力系数大于等于预设第二系数阈值，则第一分析结果为三级故障。
6.根据权利要求1所述的一种电力多方实时会商的计算机数据处理方法，其特征在于，所述根据描述文本数据生成事件图的方法包括：对描述文本数据进行关键词识别获取N个关键词，将N个关键词作为对象，确定N个对象之间的对应关系，以N个对象为节点，N个对象之间的对应关系为边，以此构建事件图。
7.根据权利要求1所述的一种电力多方实时会商的计算机数据处理方法，其特征在于，所述状态监测模型的构建方法包括：获取h组数据，h为大于1的正整数，数据包括历史第一分析结果、历史第二分析结果、历史事件图和历史系统状态类型，将历史第一分析结果、历史第二分析结果、历史事件图和历史系统状态类型作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史第一分析结果、历史第二分析结果和历史事件图作为输入数据，将训练集中的历史系统状态类型作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为状态监测模型。
8.一种电力多方实时会商的计算机协同系统，其用于实现权利要求1?7中任一项所述的一种电力多方实时会商的计算机数据处理方法，其特征在于，包括：第一分析模块：用于获取关于电力系统的实时监测数据和实时可靠数据，基于实时监测数据计算初始电力系数，基于实时可靠数据计算可靠性系数，将初始电力系数和可靠性系数输入到预构建的状态调整模型中，获得目标电力系数，对目标电力系数进行分析生成第一分析结果；
第二分析模块：用于获取关于电力系统的视频流数据，根据视频流数据和实时监测数据构建相应的数字孪生模型，对数字孪生模型进行分析生成第二分析结果；
第三分析模块：用于获取关于电力系统的描述文本数据，根据描述文本数据生成事件图；
决策模块：用于将第一分析结果、第二分析结果和事件图输入到预构建的状态监测模型中，获得系统状态类型。
9.一种电子设备，包括存储器、中央处理器以及存储在存储器上并可在中央处理器上运行的计算机程序，其特征在于，所述中央处理器执行所述计算机程序时实现权利要求1至
7任一项所述的一种电力多方实时会商的计算机数据处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现权利要求1至7任一项所述的一种电力多方实时会商的计算机数据处理方法。 说明书 : 一种电力多方实时会商的计算机协同系统及其数据处理方法技术领域[0001] 本发明涉及电力系统监测技术领域，更具体地说，本发明涉及一种电力多方实时会商的计算机协同系统及其数据处理方法。背景技术[0002] 在当前智能电网系统中，输电线路故障的监测和诊断主要依赖单一的数据源和传统的分析方法，然而，这些方法在实时性、监测精度和预警能力方面存在不足，这导致在故障发生时，系统难以及时准确地识别的问题，从而影响电网的整体稳定性和安全性，此外，传统方法在处理复杂环境和多变工况时，往往难以提供可靠的故障诊断结果，进一步限制了电网的高效管理和运行。[0003] 例如，公开号为CN112467877A的中国专利提供了一种电力系统运行状态综合监测系统，该专利通过设置电路监测模块、温度监测模块和现场监测模块，能够帮助后台维护人员远程掌控更多、更准确的故障信息，公开号为CN110690763A的中国专利提供了一种电力系统智能监控装置及其监控方法，该专利采取多种传感器结合共同协作，对电力系统内的装置进行长期连续自动监测和报警。[0004] 上述专利虽然都能采取多种数据，并且根据多种数据对电力系统进行实时监测，但是多种数据通常都是通过传感器获取的量化数据，不够多元化，导致在处理复杂环境和多变工况时，往往难以提供可靠的故障诊断结果。[0005] 鉴于此，本发明提出一种电力多方实时会商的计算机协同系统及数据处理方法以解决上述问题。发明内容[0006] 为了克服现有技术的上述缺陷，本发明提供一种电力多方实时会商的计算机协同系统及其数据处理方法。[0007] 为实现上述目的，本发明提供如下技术方案：[0008] 一种电力多方实时会商的计算机数据处理方法，包括：[0009] 获取关于电力系统的实时监测数据和实时可靠数据，基于实时监测数据计算初始电力系数，基于实时可靠数据计算可靠性系数，将初始电力系数和可靠性系数输入到预构建的状态调整模型中，获得目标电力系数，对目标电力系数进行分析生成第一分析结果；[0010] 获取关于电力系统的视频流数据，根据视频流数据和实时监测数据构建相应的数字孪生模型，对数字孪生模型进行分析生成第二分析结果；[0011] 获取关于电力系统的描述文本数据，根据描述文本数据生成事件图；[0012] 将第一分析结果、第二分析结果和事件图输入到预构建的状态监测模型中，获得系统状态类型。[0013] 进一步地，根据视频流数据和实时监测数据构建相应的数字孪生模型的方法包括：[0014] 对视频流数据进行识别获取设备型号，基于设备型号确定预构建的初始三维模型，根据实时监测数据、仿真分析软件以及初始三维模型构建相应的数字孪生模型，数字孪生模型至少包括结构孪生模型。[0015] 进一步地，根据实时监测数据、仿真分析软件以及初始三维模型构建相应的数字孪生模型的方法包括：[0016] 将实时监测数据输入到仿真分析软件中，再根据仿真分析软件对初始三维模型进行模拟仿真，从而构建相应的数字孪生模型。[0017] 进一步地，实时监测数据包括实时振动值、实时电流值、实时温度值和实时油位值，基于实时监测数据计算初始电力系数的方法包括：[0018] ；[0019] 式中，IPF为初始电力系数， 为实时温度值， 为标准温度值， 为实时油位值， 为实时振动值， 为标准振动值， 为实时电流值， 为标准电流值， 是以3为底的对数函数， 为反余切函数，、均为大于0的常数。[0020] 进一步地，实时可靠数据包括平均故障次数、使用总时长和设备使用成本，基于实时可靠数据计算可靠性系数的方法包括：[0021] ；[0022] 式中，RYC为可靠性系数， 为平均故障次数， 为使用总时长， 为设备使用成本， 反正弦函数， 为双曲正弦函数，为大于0的常数， 、 、 均为权重因子。[0023] 进一步地，状态调整模型的构建方法包括：[0024] 获取样本数据集，所述样本数据集中包括历史初始电力系数、历史可靠性系数和历史目标电力系数，将样本数据集划分为样本训练集和样本测试集，构建回归网络，以样本训练集中的历史初始电力系数和历史可靠性系数作为回归网络的输入数据，以样本训练集中的历史目标电力系数作为回归网络的输出数据，对回归网络进行训练，得到用于预测实时目标电力系数的初始回归网络，利用样本测试集对初始回归网络进行测试，输出满足小于预设误差值的初始回归网络作为状态调整模型。[0025] 进一步地，第一分析结果包括一级故障、二级故障和三级故障，对目标电力系数进行分析生成第一分析结果的方法包括：[0026] 若目标电力系数小于预设第一系数阈值，则第一分析结果为一级故障；[0027] 若目标电力系数小于预设第二系数阈值，并且大于等于预设第一系数阈值，则第一分析结果为二级故障；[0028] 若目标电力系数大于等于预设第二系数阈值，则第一分析结果为三级故障。[0029] 进一步地，根据描述文本数据生成事件图的方法包括：[0030] 对描述文本数据进行关键词识别获取N个关键词，将N个关键词作为对象，确定N个对象之间的对应关系，以N个对象为节点，N个对象之间的对应关系为边，以此构建事件图。[0031] 进一步地，状态监测模型的构建方法包括：[0032] 获取h组数据，h为大于1的正整数，数据包括历史第一分析结果、历史第二分析结果、历史事件图和历史系统状态类型，将历史第一分析结果、历史第二分析结果、历史事件图和历史系统状态类型作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史第一分析结果、历史第二分析结果和历史事件图作为输入数据，将训练集中的历史系统状态类型作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为状态监测模型。[0033] 一种电力多方实时会商的计算机协同系统，其用于实现上述的一种电力多方实时会商的计算机数据处理方法，包括：[0034] 第一分析模块：用于获取关于电力系统的实时监测数据和实时可靠数据，基于实时监测数据计算初始电力系数，基于实时可靠数据计算可靠性系数，将初始电力系数和可靠性系数输入到预构建的状态调整模型中，获得目标电力系数，对目标电力系数进行分析生成第一分析结果；[0035] 第二分析模块：用于获取关于电力系统的视频流数据，根据视频流数据和实时监测数据构建相应的数字孪生模型，对数字孪生模型进行分析生成第二分析结果；[0036] 第三分析模块：用于获取关于电力系统的描述文本数据，根据描述文本数据生成事件图；[0037] 决策模块：用于将第一分析结果、第二分析结果和事件图输入到预构建的状态监测模型中，获得系统状态类型。[0038] 一种电子设备，包括电源、接口、键盘、存储器、中央处理器以及存储在存储器上并可在中央处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述一种电力多方实时会商的计算机数据处理方法，所述接口包括网络接口与数据接口，网络接口包括有线或无线接口，数据接口包括输入或输出接口。[0039] 一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述一种电力多方实时会商的计算机数据处理方法。[0040] 相比于现有技术，本发明的有益效果为：[0041] 本发明先是获得目标电力系数，对目标电力系数进行分析生成第一分析结果，根据视频流数据和实时监测数据构建相应的数字孪生模型，对数字孪生模型进行分析生成第二分析结果，再获取关于电力系统的描述文本数据，根据描述文本数据生成事件图，最后将第一分析结果、第二分析结果和事件图输入到预构建的状态监测模型中，获得系统状态类型，本发明通过多元化的数据对电力系统进行分析，那么在处理复杂环境和多变工况时，能够提供可靠的故障诊断结果。附图说明[0042] 图1为本发明中一种电力多方实时会商的计算机数据处理方法的流程图；[0043] 图2为本发明中一种电力多方实时会商的计算机协同系统的结构示意图；[0044] 图3为本发明中事件图的示意图；[0045] 图4为本发明中计算机可读存储介质的示意图。[0046] 附图标记：[0047] 10、节点；20、边。具体实施方式[0048] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0049] 实施例1[0050] 请参阅图1所示，本实施例公开提供了一种电力多方实时会商的计算机数据处理方法，包括：[0051] S10：获取关于电力系统的实时监测数据和实时可靠数据，基于实时监测数据计算初始电力系数，基于实时可靠数据计算可靠性系数，将初始电力系数和可靠性系数输入到预构建的状态调整模型中，获得目标电力系数，对目标电力系数进行分析生成第一分析结果；[0052] 本实施例中，电力系统可以是输电线路系统，输电线路系统包括输电线路、变压器、电容器组以及继电保护装置等，以变压器进行举例说明，实时监测数据包括但不限于实时振动值、实时电流值、实时温度值和实时油位值，实时振动值可以是变压器工作过程中振动的频率值，实时电流值指的是变压器工作过程中的电流值，实时温度值指的是变压器中重要零件的加权平均温度值，重要零件可以是铁芯、绕组和油箱等，实时电流值可以通过霍尔效应传感器直接获。凳闭穸悼梢酝ü穸衅髦苯踊袢。凳庇臀恢悼梢酝ü∏蛞何淮衅髦苯踊袢。[0053] 基于实时监测数据计算初始电力系数的方法包括：[0054] ；[0055] 式中，IPF为初始电力系数， 为实时温度值， 为标准温度值， 为实时油位值， 为实时振动值， 为标准振动值， 为实时电流值， 为标准电流值， 是以3为底的对数函数， 为反余切函数，、均为大于0的常数。[0056] 需要说明的是，上述中标准温度值、标准振动值和标准电流值是根据专家经验提前预设，并且存入系统中，以实时振动值进行举例，实时振动值过低可能是由于机械部件的某些问题，如润滑不良或部件松动，导致摩擦减少，或者变压器长期处于低负载或空载状态，导致内部电气运行状况不稳定，振动值减少，因此实时振动值与标准振动值之间差值绝对值越大，表明变压器状态越不稳定，因此由上述内容可知，本实施例初始电力系数与变压器状态呈负相关，初始电力系数越大，表征变压器状态越不稳定。[0057] 本实施例中，实时可靠数据包括但不限于平均故障次数、使用总时长和设备使用成本，还是以变压器进行举例，平均故障次数可以是变压器若干个月的平均故障次数，也可以是每年的平均故障次数，本实施例不对此进行限制，设备使用成本为设备购买成本和设备安装成本之和，可以理解的是设备使用成本已经提前记录在数据库中，需要时可以直接从数据库中提。骄收洗问褪褂米苁背ね，本实施例不对此进行过多的赘述。[0058] 基于实时可靠数据计算可靠性系数的方法包括：[0059] ；[0060] 式中，RYC为可靠性系数， 为平均故障次数， 为使用总时长， 为设备使用成本， 反正弦函数， 为双曲正弦函数，为大于0的常数， 、 、 均为权重因子。[0061] 需要说明的是，以使用总时长和设备使用成本为例，相应的使用总时长的值越大，表明该变压器老化较为严重，那么发生故障的概率高，那么变压器的可靠性在降低，需要着重进行检查，相应的设备使用成本越大，通常表明该变压器的可靠性较高，因此由上述内容可知，本实施例中，可靠性系数与变压器的可靠程度呈正相关，也就是说，当可靠性系数越大时，表明变压器的可靠程度越高。[0062] 状态调整模型的构建方法包括：[0063] 获取样本数据集，所述样本数据集中包括历史初始电力系数、历史可靠性系数和历史目标电力系数，将样本数据集划分为样本训练集和样本测试集，构建回归网络，以样本训练集中的历史初始电力系数和历史可靠性系数作为回归网络的输入数据，以样本训练集中的历史目标电力系数作为回归网络的输出数据，对回归网络进行训练，得到用于预测实时目标电力系数的初始回归网络，利用样本测试集对初始回归网络进行测试，输出满足小于预设误差值的初始回归网络作为状态调整模型，初始回归网络优选为神经网络模型。[0064] 可以理解的是，本实施例中，初始电力系数越大，表征变压器状态越不稳定，可靠性系数越大时，表明变压器的可靠程度越高，因此当可靠性系数越大时，对初始电力系数的调整值较。绱嬖诒溲蛊鰽和变压器B，变压器A的可靠性系数要大于变压器B的可靠性系数，并且变压器A的初始电力系数与变压器B的初始电力系数相等，那么经过状态调整模型的调整后，所获得的第一目标电力系数小于第二目标电力系数，第一目标电力系数与变压器A对应，第二目标电力系数与变压器B对应。[0065] 需要说明的是，根据可靠性系数调整初始电力系数的方法存在多种，例如，预先确定可靠性系数对应的系数区间，再根据系数区间获取所对应的调节值，最后根据调节值将初始电力系数调整为目标电力系数。[0066] 第一分析结果包括一级故障、二级故障和三级故障，对目标电力系数进行分析生成第一分析结果的方法包括：[0067] 若目标电力系数小于预设第一系数阈值，则第一分析结果为一级故障；[0068] 若目标电力系数小于预设第二系数阈值，并且大于等于预设第一系数阈值，则第一分析结果为二级故障；[0069] 若目标电力系数大于等于预设第二系数阈值，则第一分析结果为三级故障。[0070] S20：获取关于电力系统的视频流数据，根据视频流数据和实时监测数据构建相应的数字孪生模型，对数字孪生模型进行分析生成第二分析结果；[0071] 本实施例中，承接上述以变压器进行举例说明，视频流数据可以是变压器内部工作视频和变压器外部工作视频，视频流数据可以通过高清摄像头或者红外摄像头直接获。梢岳斫獾氖，高清摄像头主要获取变压器的具体结构图像，而红外摄像头主要获取变压器内部的热分布图像。[0072] 根据视频流数据和实时监测数据构建相应的数字孪生模型的方法包括：[0073] 对视频流数据进行识别获取设备型号，基于设备型号确定预构建的初始三维模型，根据实时监测数据、仿真分析软件以及初始三维模型构建相应的数字孪生模型，数字孪生模型至少包括结构孪生模型。[0074] 需要说明的是，还是以变压器进行举例，通常情况下，一些摄像头能够在获取视频流数据的过程中自动标注设备型号和时间标签，那么在获取视频流数据后，只需要提取设备型号即可，设备型号是目标设备的唯一标识，例如变压器的序列号，若视频流数据不带有设备型号时，可以对视频流数据进行识别，将视频流数据中的目标设备与数据库作对比，从而获取相应的设备型号，可以通过现有的如YOLO目标检测模型或者FasterR?CNN模型对视频流数据进行识别，YOLO目标检测模型或者FasterR?CNN模型为现有技术，本实施例不对此进行过多赘述。[0075] 本实施例中，初始三维模型为设备机械结构模型，例如变压器内部机械结构模型，可以理解的是，预先通过变压器的详细设计图纸和技术规格，包括材料属性、几何尺寸等，再通过SolidWorks等三维软件预先构建变压器内部机械结构模型。[0076] 根据实时监测数据、仿真分析软件以及初始三维模型构建相应的数字孪生模型的方法包括：[0077] 将实时监测数据输入到仿真分析软件中，再根据仿真分析软件对初始三维模型进行模拟仿真，从而构建相应的数字孪生模型。[0078] 需要说明的是，以分析变压器内部结构振动进行举例，那么需要将实时监测数据中的实时振动值输入到仿真分析软件，再根据仿真分析软件对变压器内部机械结构模型进行模拟仿真，从而构建变压器结构孪生模型，仿真分析软件可以是ANSYS和COMSOLMultiphysics等。[0079] 可以理解的是，结构孪生模型是一种数字孪生模型，专注于物理结构的实时仿真，上述的数字孪生模型还可以是热分布孪生模型，热分布孪生模型是一种专注于物理系统热行为的数字孪生模型，若要构建热分布孪生模型，则需要获取目标设备内部的热分布图，例如变压器内部的热分布图，热分布图可以通过上述的红外摄像头直接获。嘤Φ姆抡娣治鋈砑需要更换为ThermNet或者OpenFOAM等。[0080] 对数字孪生模型进行分析生成第二分析结果的方法包括：[0081] 基于仿真分析软件对数字孪生模型进行分析，生成可视化开云优惠体育网页版入口，将可视化开云优惠体育网页版入口作为第二分析结果。[0082] 本实施例中，可视化开云优惠体育网页版入口能够详细描述数字孪生模型存在的问题，可视化开云优惠体育网页版入口可以是表格形式或者图表形式，以上述中变压器结构孪生模型进行举例，分别对变压器结构孪生模型进行应力分析和谐响应分析，分别生成显示振动导致的应力分布，评估可能的疲劳和破坏风险，以及展示变压器在不同频率下的振动响应曲线，通常包括位移和速度的频率响应函数。[0083] S30：获取关于电力系统的描述文本数据，根据描述文本数据生成事件图；[0084] 需要说明的是，描述文本数据指的是与电力系统相关的事件文字描述，下面结合以下内容进行具体说明。[0085] 还是以变压器进行举例说明，描述文本包括三个描述子文本，三个描述子文本分别为：[0086] 第一描述子文本：变压器在运行过程中，温度保持在正常范围内，油位正常，未观察到异常振动或噪音。[0087] 第二描述子文本：变压器出现绕组局部放电故障，伴随着电流突然升高至警戒值以上。[0088] 第三描述子文本：变压器进行了定期维护，包括油浸式绝缘油更换和冷却系统清洗，操作过程中未发现任何异常。[0089] 根据描述文本数据生成事件图的方法包括：[0090] 对描述文本数据进行关键词识别获取N个关键词，将N个关键词作为对象，确定N个对象之间的对应关系，以N个对象为节点，N个对象之间的对应关系为边，以此构建事件图。[0091] 可以理解的是，现有技术中，存在多种专门用于进行关键词识别的技术，例如，Word2Vec可以捕捉词语的语义相似性，通过聚类或其他方法提取关键词，YAKE是一种无监督的关键词提取方法，专注于单文档关键词提。箍梢允褂孟钟械脑ぱ盗酚镅阅Ｐ，进行迁移学习生成需要的关键词提取模型，本实施例不对此进行过多进行赘述；[0092] 承接上述，以描述文本包括三个描述子文本进行示例性说明，分别对三个描述子文本进行关键词提。拥谝幻枋鲎游谋咎崛〉墓丶饰氨溲蛊鳌、“运行”、“温度正常”以及“油位正常”，从第二描述子文本提取的关键词为“变压器”、“绕组”、“故障”、“电流升高”，从第三描述子文本提取的关键词为“变压器”、“定期维护”以及“更换”，那么相应的“运行”与“温度正常”和“油位正常”存在对应关系，“绕组”与“故障”“电流升高”存在对应关系，“定期维护”与“更换”存在对应关系，可以理解的是以上述三个描述子文本中的共同关键词“变压器”作为起点，以此构建事件图，如图3所示，存在节点10和边20，可以理解的是这里节点10表征的是上述内容中的关键词，而边20表征的是关键词之间的关系。[0093] S40：将第一分析结果、第二分析结果和事件图输入到预构建的状态监测模型中，获得系统状态类型；[0094] 系统状态类型包括无故障、一级故障、二级故障和三级故障，状态监测模型的构建方法包括：[0095] 获取h组数据，h为大于1的正整数，数据包括历史第一分析结果、历史第二分析结果、历史事件图和历史系统状态类型，将历史第一分析结果、历史第二分析结果、历史事件图和历史系统状态类型作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史第一分析结果、历史第二分析结果和历史事件图作为输入数据，将训练集中的历史系统状态类型作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为状态监测模型，分类器优选为朴素贝叶斯模型或支持向量机模型的其中一种，[0096] 需要补充的是，可以将状态监测模型看作一个决策模型，由上述内容可知，第一分析结果包括一级故障、二级故障和三级故障，状态监测模型根据第二分析结果和事件图生成决策结果，根据决策结果调整第一分析结果，从而输出系统状态类型，决策结果包括状态升级和状态降级，状态升级可以是将一级故障调整为二级故障，状态降级可以是将一级故障调整为无故障。[0097] 可以理解的是，以第二分析结果和事件图进行举例说明，第二分析结果为可视化开云优惠体育网页版入口，可视化开云优惠体育网页版入口能够详细描述数字孪生模型存在的问题，那么当可视化开云优惠体育网页版入口描述变压器对应的数字孪生模型不存在问题时，相应决策结果为状态降级，事件图是由描述文本数据生成的，当描述文本数据均为上述中第二描述子文本（变压器出现绕组局部放电故障，伴随着电流突然升高至警戒值以上）时，那么相应的决策结果为状态升级。[0098] 本实施例中，先是获得目标电力系数，对目标电力系数进行分析生成第一分析结果，根据视频流数据和实时监测数据构建相应的数字孪生模型，对数字孪生模型进行分析生成第二分析结果，再获取关于电力系统的描述文本数据，根据描述文本数据生成事件图，最后将第一分析结果、第二分析结果和事件图输入到预构建的状态监测模型中，获得系统状态类型，本实施例通过多元化的数据对电力系统进行分析，那么在处理复杂环境和多变工况时，能够提供可靠的故障诊断结果。[0099] 实施例2[0100] 如图2所示，本实施例在实施例1的基础之上，提供了一种电力多方实时会商的计算机协同系统，包括：[0101] 第一分析模块：用于获取关于电力系统的实时监测数据和实时可靠数据，基于实时监测数据计算初始电力系数，基于实时可靠数据计算可靠性系数，将初始电力系数和可靠性系数输入到预构建的状态调整模型中，获得目标电力系数，对目标电力系数进行分析生成第一分析结果；[0102] 本实施例中，电力系统可以是输电线路系统，输电线路系统包括输电线路、变压器、电容器组以及继电保护装置等，以变压器进行举例说明，实时监测数据包括但不限于实时振动值、实时电流值、实时温度值和实时油位值，实时振动值可以是变压器工作过程中振动的频率值，实时电流值指的是变压器工作过程中的电流值，实时温度值指的是变压器中重要零件的加权平均温度值，重要零件可以是铁芯、绕组和油箱等，实时电流值可以通过霍尔效应传感器直接获。凳闭穸悼梢酝ü穸衅髦苯踊袢。凳庇臀恢悼梢酝ü∏蛞何淮衅髦苯踊袢。[0103] 基于实时监测数据计算初始电力系数的方法包括：[0104] ；[0105] 式中，IPF为初始电力系数， 为实时温度值， 为标准温度值， 为实时油位值， 为实时振动值， 为标准振动值， 为实时电流值， 为标准电流值， 是以3为底的对数函数， 为反余切函数，、均为大于0的常数。[0106] 本实施例中，实时可靠数据包括但不限于平均故障次数、使用总时长和设备使用成本，还是以变压器进行举例，平均故障次数可以是变压器若干个月的平均故障次数，也可以是每年的平均故障次数，本实施例不对此进行限制，设备使用成本为设备购买成本和设备安装成本之和，可以理解的是设备使用成本已经提前记录在数据库中，需要时可以直接从数据库中提。骄收洗问褪褂米苁背ね，本实施例不对此进行过多的赘述。[0107] 基于实时可靠数据计算可靠性系数的方法包括：[0108] ；[0109] 式中，RYC为可靠性系数， 为平均故障次数， 为使用总时长， 为设备使用成本， 反正弦函数， 为双曲正弦函数，为大于0的常数， 、 、 均为权重因子。[0110] 状态调整模型的构建方法包括：[0111] 获取样本数据集，所述样本数据集中包括历史初始电力系数、历史可靠性系数和历史目标电力系数，将样本数据集划分为样本训练集和样本测试集，构建回归网络，以样本训练集中的历史初始电力系数和历史可靠性系数作为回归网络的输入数据，以样本训练集中的历史目标电力系数作为回归网络的输出数据，对回归网络进行训练，得到用于预测实时目标电力系数的初始回归网络，利用样本测试集对初始回归网络进行测试，输出满足小于预设误差值的初始回归网络作为状态调整模型，初始回归网络优选为神经网络模型。[0112] 需要说明的是，根据可靠性系数调整初始电力系数的方法存在多种，例如，预先确定可靠性系数对应的系数区间，再根据系数区间获取所对应的调节值，最后根据调节值将初始电力系数调整为目标电力系数。[0113] 第一分析结果包括一级故障、二级故障和三级故障，对目标电力系数进行分析生成第一分析结果的方法包括：[0114] 若目标电力系数小于预设第一系数阈值，则第一分析结果为一级故障；[0115] 若目标电力系数小于预设第二系数阈值，并且大于等于预设第一系数阈值，则第一分析结果为二级故障；[0116] 若目标电力系数大于等于预设第二系数阈值，则第一分析结果为三级故障。[0117] 第二分析模块：用于获取关于电力系统的视频流数据，根据视频流数据和实时监测数据构建相应的数字孪生模型，对数字孪生模型进行分析生成第二分析结果；[0118] 本实施例中，承接上述以变压器进行举例说明，视频流数据可以是变压器内部工作视频和变压器外部工作视频，视频流数据可以通过高清摄像头或者红外摄像头直接获。梢岳斫獾氖，高清摄像头主要获取变压器的具体结构图像，而红外摄像头主要获取变压器内部的热分布图像。[0119] 根据视频流数据和实时监测数据构建相应的数字孪生模型的方法包括：[0120] 对视频流数据进行识别获取设备型号，基于设备型号确定预构建的初始三维模型，根据实时监测数据、仿真分析软件以及初始三维模型构建相应的数字孪生模型，数字孪生模型至少包括结构孪生模型。[0121] 需要说明的是，还是以变压器进行举例，通常情况下，一些摄像头能够在获取视频流数据的过程中自动标注设备型号和时间标签，那么在获取视频流数据后，只需要提取设备型号即可，设备型号是目标设备的唯一标识，例如变压器的序列号，若视频流数据不带有设备型号时，可以对视频流数据进行识别，将视频流数据中的目标设备与数据库作对比，从而获取相应的设备型号，可以通过现有的如YOLO目标检测模型或者FasterR?CNN模型对视频流数据进行识别，YOLO目标检测模型或者FasterR?CNN模型为现有技术，本实施例不对此进行过多赘述。[0122] 本实施例中，初始三维模型为设备机械结构模型，例如变压器内部机械结构模型，可以理解的是，预先通过变压器的详细设计图纸和技术规格，包括材料属性、几何尺寸等，再通过SolidWorks等三维软件预先构建变压器内部机械结构模型。[0123] 根据实时监测数据、仿真分析软件以及初始三维模型构建相应的数字孪生模型的方法包括：[0124] 将实时监测数据输入到仿真分析软件中，再根据仿真分析软件对初始三维模型进行模拟仿真，从而构建相应的数字孪生模型。[0125] 需要说明的是，以分析变压器内部结构振动进行举例，那么需要将实时监测数据中的实时振动值输入到仿真分析软件，再根据仿真分析软件对变压器内部机械结构模型进行模拟仿真，从而构建变压器结构孪生模型，仿真分析软件可以是ANSYS和COMSOLMultiphysics等。[0126] 对数字孪生模型进行分析生成第二分析结果的方法包括：[0127] 基于仿真分析软件对数字孪生模型进行分析，生成可视化开云优惠体育网页版入口，将可视化开云优惠体育网页版入口作为第二分析结果。[0128] 第三分析模块：用于获取关于电力系统的描述文本数据，根据描述文本数据生成事件图；[0129] 需要说明的是，描述文本数据指的是与电力系统相关的事件文字描述，下面结合以下内容进行具体说明。[0130] 还是以变压器进行举例说明，描述文本包括三个描述子文本，三个描述子文本分别为：[0131] 第一描述子文本：变压器在运行过程中，温度保持在正常范围内，油位正常，未观察到异常振动或噪音。[0132] 第二描述子文本：变压器出现绕组局部放电故障，伴随着电流突然升高至警戒值以上。[0133] 第三描述子文本：变压器进行了定期维护，包括油浸式绝缘油更换和冷却系统清洗，操作过程中未发现任何异常。[0134] 根据描述文本数据生成事件图的方法包括：[0135] 对描述文本数据进行关键词识别获取N个关键词，将N个关键词作为对象，确定N个对象之间的对应关系，以N个对象为节点，N个对象之间的对应关系为边，以此构建事件图。[0136] 可以理解的是，现有技术中，存在多种专门用于进行关键词识别的技术，例如，Word2Vec可以捕捉词语的语义相似性，通过聚类或其他方法提取关键词，YAKE是一种无监督的关键词提取方法，专注于单文档关键词提。箍梢允褂孟钟械脑ぱ盗酚镅阅Ｐ，进行迁移学习生成需要的关键词提取模型，本实施例不对此进行过多进行赘述。[0137] 决策模块：用于将第一分析结果、第二分析结果和事件图输入到预构建的状态监测模型中，获得系统状态类型；[0138] 系统状态类型包括无故障、一级故障、二级故障和三级故障，状态监测模型的构建方法包括：[0139] 获取h组数据，h为大于1的正整数，数据包括历史第一分析结果、历史第二分析结果、历史事件图和历史系统状态类型，将历史第一分析结果、历史第二分析结果、历史事件图和历史系统状态类型作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史第一分析结果、历史第二分析结果和历史事件图作为输入数据，将训练集中的历史系统状态类型作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为状态监测模型，分类器优选为朴素贝叶斯模型或支持向量机模型的其中一种，[0140] 需要补充的是，可以将状态监测模型看作一个决策模型，由上述内容可知，第一分析结果包括一级故障、二级故障和三级故障，状态监测模型根据第二分析结果和事件图生成决策结果，根据决策结果调整第一分析结果，从而输出系统状态类型，决策结果包括状态升级和状态降级，状态升级可以是将一级故障调整为二级故障，状态降级可以是将一级故障调整为无故障。[0141] 实施例3[0142] 本实施例公开提供了一种电子设备，包括存储器、中央处理器以及存储在存储器上并可在中央处理器上运行的计算机程序，所述中央处理器执行所述计算机程序时实现上述各方法所提供的一种电力多方实时会商的计算机数据处理方法。[0143] 由于本实施例所介绍的电子设备为实施本申请实施例中一种电力多方实时会商的计算机数据处理方法所采用的电子设备，故而基于本申请实施例中所介绍的一种电力多方实时会商的计算机数据处理方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中一种电力多方实时会商的计算机数据处理方法所采用的电子设备，都属于本申请所欲保护的范围。[0144] 实施例4[0145] 如图4所示，本实施例公开提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述一种电力多方实时会商的计算机数据处理方法。[0146] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。[0147] 上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）或者半导体介质。半导体介质可以是固态硬盘。[0148] 本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。[0149] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0150] 在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。[0151] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0152] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。[0153] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。[0154] 最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：甘肃

专利申请日期：2024-07-26

专利公开日期：2024-10-11

专利公告号：CN118568989B