本申請涉及一種電力系統的運維告警方法、裝置、計算機設備、存儲介質和計算機程序產品。該方法包括：獲取新型電力系統中各個設備產生的異常告警信息，利用預先訓練好的偏好模型，確定各運維人員對每條異常告警信息的偏好程度，根據偏好程度確定每條異常告警信息對應的目標運維人員列表，將異常告警信息分發至對應的目標運維人員列表中的各運維人員的操作終端。該方法基于運維人員對告警信息的偏好，向不同的運維人員個性化分發異常告警信息，分發給每個運維人員的異常告警信息對應的是各運維人員較為精通的運維工作，從而提高新型電力系統的運維人員的工作效率。系統的運維人員的工作效率。系統的運維人員的工作效率。
【技術實現步驟摘要】
電力系統的運維告警方法、裝置、計算機設備和存儲介質
[0001]本申請涉及電力系統
，特別是涉及一種電力系統的運維告警方法、裝置、計算機設備、存儲介質和計算機程序產品。
技術介紹
[0002]新型電力系統的安全運維是保障新型電力系統的穩態運行的重要工作，快速定位并處理各種安全事件可以減少新型電力系統在異常情況下的損失，保證電力生產的安全高效。安全告警是運維人員保障電力系統正常運行的關鍵，在新型電力系統的正常運行過程中若發生電力系統故障或遭到惡意攻擊時，需要運維人員及時定位并排除故障，以確保新型電力系統安全平穩運行。異常告警在新型電力系統中是輔助運維人員有效進行運維工作的關鍵參考信息。
[0003]為了盡可能降低突發異常情況造成的損失，運維人員需要快速定位異常位置、及時排除異常情況，因此，提供給運維人員的異常告警列表應當有助于快速定位分析異常狀態。目前，新型電力系統中的異常告警信息的一些處理技術，可根據告警類型分類、依據告警的重要程度排序，運維人員可以看到經分類、排序處理后的異常告警信息。這些經過分類、排序處理過的異常告警信息可以在一定程度上提高運維人員的工作效率，保障電力系統穩態運行。
[0004]新型電力系統的異常告警信息往往是復雜且海量的。當前的新型電力系統高度信息化和智能化，其中包含了大量的子系統、設備以及傳感器等安全主體，并且類型異構、不同部分之間有業務耦合。在新型電力系統規模巨大的情況下，系統故障和安全事件頻發，一個故障或一次入侵會導致大量設備的不同的功能產生異常告警信息。異常告警信息過多會對運維人員造成嚴重干擾，影響運維工作的進行。因此，在異常告警信息復雜且數量龐大的情況下，運維人員需要在大量異常告警信息中尋找自己業務能力范圍內的異常告警信息，同時運維人員業務能力范圍外的異常告警信息容易被忽略。因此，針對新型電力系統產生的海量的異常告警信息，現有的處理技術存在運維人員無法高效地處理大量的異常告警信息的問題。
技術實現思路
[0005]基于此，有必要針對上述技術問題，提供一種能夠提高運維人員處理效率的電力系統的運維告警方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品。
[0006]第一方面，本申請提供了一種電力系統的運維告警方法。所述方法包括：
[0007]獲取新型電力系統中各個設備產生的異常告警信息；
[0008]利用預先訓練好的偏好模型，確定各運維人員對每條所述異常告警信息的偏好程度；
[0009]根據所述偏好程度確定每條所述異常告警信息對應的目標運維人員列表；
[0010]將所述異常告警信息分發至對應的所述目標運維人員列表中的各運維人員的操
作終端。
[0011]在其中一個實施例中，所述方法還包括：
[0012]在所述偏好模型未訓練時，將所述異常告警信息向全部運維人員推送；
[0013]獲取運維人員反饋的對所述異常告警信息的偏好程度；
[0014]根據所述運維人員對所述異常告警信息的偏好程度，構建所述偏好模型的訓練樣本集；
[0015]基于所述訓練樣本集對所述偏好模型進行訓練。
[0016]在其中一個實施例中，所述基于所述訓練樣本集對所述偏好模型進行訓練，包括：
[0017]對所述訓練樣本集采用矩陣分解的協同過濾算法分解為用戶模型和告警模型；
[0018]對所述用戶模型和告警模型進行相乘，得到預測的偏好程度；
[0019]以所述訓練樣本集中訓練樣本的偏好程度和預測的所述偏好程度的平方誤差為最小化損失函數，迭代訓練所述用戶模型和所述告警模型；
[0020]根據訓練好的所述用戶模型和所述告警模型，得到偏好模型。
[0021]在其中一個實施例中，根據所述運維人員對所述異常告警信息的偏好程度，構建所述偏好模型的訓練樣本集，包括：
[0022]若運維人員反饋的為對有用異常告警信息的偏好程度，則提高偏好程度值，若運維人員反饋的為對無用異常告警信息的偏好程度，則降低偏好程度值；
[0023]根據調整所述偏好程度值的異常告警信息構建模型的訓練樣本集。
[0024]在其中一個實施例中，若運維人員反饋的為對有用異常告警信息的偏好程度，則提高偏好程度值，若運維人員反饋的為對無用異常告警信息的偏好程度，則降低偏好程度值，包括：
[0025]若運維人員反饋的為對有用異常告警信息的偏好程度，則提高所述異常告警信息的偏好值則提高異常告警信息的偏好值到當前偏好值的一半再加1/2；
[0026]若運維人員反饋的為對無用異常告警信息的偏好程度，則對所述異常告警信息的偏好值降低當前偏好值的一半。
[0027]在其中一個實施例中，所述損失函數為所述訓練樣本集中訓練樣本的偏好程度與預測的偏好程度的平方誤差，以及正則化項之和。
[0028]在其中一個實施例中，所述根據所述偏好程度確定每條所述異常告警信息對應的目標運維人員列表包括：
[0029]根據所述運維人員對每條所述異常告警信息的所述偏好程度，對每條異常告警信息的所述運維人員進行排序；
[0030]根據排序結果取所述偏好程度大于預設值的運維人員，得到第一列表；
[0031]若第一列表中所述運維人員數量占比大于預設占比，則從第一列表中按排序取所述預設占比的人員，得到每條所述異常告警信息對應的目標運維人員列表。
[0032]第二方面，本申請還提供了一種電力系統的運維告警裝置。所述裝置包括：
[0033]異常告警信息獲取模塊，用于獲取新型電力系統中各個設備產生的異常告警信息；
[0034]偏好程度計算模塊，用于利用預先訓練好的偏好模型，確定各運維人員對每條所述異常告警信息的偏好程度；
[0035]運維人員列表確定模塊，用于根據所述偏好程度確定每條所述異常告警信息對應的目標運維人員列表；
[0036]異常告警信息分發模塊，用于將所述異常告警信息分發至對應的所述目標運維人員列表中的各運維人員的操作終端。
[0037]第三方面，本申請還提供了一種計算機設備。所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現以下步驟：
[0038]獲取新型電力系統中各個設備產生的異常告警信息；
[0039]利用預先訓練好的偏好模型，確定各運維人員對每條所述異常告警信息的偏好程度；
[0040]根據所述偏好程度確定每條所述異常告警信息對應的目標運維人員列表；
[0041]將所述異常告警信息分發至對應的所述目標運維人員列表中的各運維人員的操作終端。
[0042]第四方面，本申請還提供了一種計算機可讀存儲介質。所述計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現以下步驟：
[0043]獲取新型電力系統中各個設備產生的異常告警信息；
[0044]利用預先訓練好的偏好模型，確定各運維人員對每條所述異常告警信息的偏好程度；
本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種電力系統的運維告警方法，其特征在于，所述方法包括：獲取新型電力系統中各個設備產生的異常告警信息；利用預先訓練好的偏好模型，確定各運維人員對每條所述異常告警信息的偏好程度；根據所述偏好程度確定每條所述異常告警信息對應的目標運維人員列表；將所述異常告警信息分發至對應的所述目標運維人員列表中的各運維人員的操作終端。2.根據權利要求1所述的方法，其特征在于，所述方法還包括：在所述偏好模型未訓練時，將所述異常告警信息向全部運維人員推送；獲取運維人員反饋的對所述異常告警信息的偏好程度；根據所述運維人員對所述異常告警信息的偏好程度，構建所述偏好模型的訓練樣本集；基于所述訓練樣本集對所述偏好模型進行訓練。3.根據權利要求2所述的方法，其特征在于，所述基于所述訓練樣本集對所述偏好模型進行訓練，包括：對所述訓練樣本集采用矩陣分解的協同過濾算法分解為用戶模型和告警模型；對所述用戶模型和告警模型進行相乘，得到預測的偏好程度；以所述訓練樣本集中訓練樣本的偏好程度和預測的所述偏好程度的平方誤差為最小化損失函數，迭代訓練所述用戶模型和所述告警模型；根據訓練好的所述用戶模型和所述告警模型，得到偏好模型。4.根據權利要求2所述的方法，其特征在于，根據所述運維人員對所述異常告警信息的偏好程度，構建所述偏好模型的訓練樣本集，包括：若運維人員反饋的為對有用異常告警信息的偏好程度，則提高偏好程度值，若運維人員反饋的為對無用異常告警信息的偏好程度，則降低偏好程度值；根據調整所述偏好程度值的異常告警信息構建模型的訓練樣本集。5.根據權利要求4所述的方法，其特征在于，若運維人員反饋的為對有用異常告警信息的偏好程度，則提高偏好程度值，若運維人員反饋的為對無用異常告警信息的偏好程度，則降低偏好程度值，包括：若運維人員反...
【專利技術屬性】
技術研發人員：吳昊，肖焯，張麗娟，賴宇陽，黃寶鑫，張佳發，母天石，李慧娟，譚洪華，許露珉，鄧建鋒，王依云，連晨，
申請(專利權)人：南方電網數字電網研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。