本發(fā)明涉及智能配電，尤其涉及一種基于深度學習的電力線路對話模型構(gòu)建方法。

背景技術(shù)：

1、在現(xiàn)行的電力系統(tǒng)工作模式和流程中，對電力線路開展運行維護和問題分析仍是一件復雜且有挑戰(zhàn)的工作。當某條電力線路發(fā)生問題時，電力運維人員需要查閱大量關(guān)于該線路的臺賬資料和報告，才能掌握線路的基本情況、變更記錄和修理記錄，從而開展針對性的問題分析，并最終確定最優(yōu)運維策略。也就是說，在日常工作中，有極大概率因為運維人員對線路情況不熟悉而導致所確定的運維策略效果不佳，造成投資浪費。

2、例如，某臺區(qū)存在因三相不平衡導致的電壓越限問題，且歷史上曾多次人工調(diào)節(jié)三相負荷，而運維人員在不知道線路修試記錄的情況下繼續(xù)對該臺區(qū)開展人工調(diào)節(jié)三相負荷工作，最終仍未能解決問題。顯然，依靠人工查閱修試記錄來開展優(yōu)化工作并非是可靠的運維手段。另外，依賴人工閱讀資料的方式會占用大量的工作時間，勢必影響工作效率。

技術(shù)實現(xiàn)思路

1、針對上述問題，本發(fā)明提出一種基于深度學習的電力線路對話模型構(gòu)建方法，通過深度學習技術(shù)訓練一個針對某電力線路的專屬對話模型，使得電力運維人員無需花費大量時間查閱基礎(chǔ)資料，而是使用自然語言與對話模型交互即可快速掌握線路各類情況，提高工作效率。

2、為解決上述技術(shù)問題，本發(fā)明第一方面提出一種基于深度學習的電力線路對話模型構(gòu)建方法，包括以下步驟：

3、以基礎(chǔ)文本語料和電力文本語料為訓練數(shù)據(jù)構(gòu)建并訓練第一深度學習模型；

4、基于特定線路的電力線路分析信息對所述第一深度學習模型進行自監(jiān)督學習，得到第二深度學習模型；

5、對所述第二深度學習模型進行微調(diào)訓練，得到針對所述特定線路的電力線路對話模型。

6、在一些實施方式中，所述基礎(chǔ)文本語料包括含有基本語言結(jié)構(gòu)和含義的文本語料。

7、在一些實施方式中，所述電力文本語料包括電力書籍、電力論文和互聯(lián)網(wǎng)電力資訊中的至少一種。

8、在一些實施方式中，所述第一深度學習模型的構(gòu)建和訓練過程包括：

9、對所述基礎(chǔ)文本語料和所述電力文本語料進行文本語料預處理，得到第一樣本數(shù)據(jù)；

10、將所述第一樣本數(shù)據(jù)劃分為第一訓練數(shù)據(jù)集和第一測試數(shù)據(jù)集；

11、根據(jù)預設(shè)的網(wǎng)絡(luò)架構(gòu)構(gòu)建深度學習模型，基于所述第一訓練數(shù)據(jù)集對所述深度學習模型進行自監(jiān)督學習；

12、基于所述第一測試數(shù)據(jù)集對所述深度學習模型進行驗證與調(diào)優(yōu)，得到所述第一深度學習模型。

13、在一些實施方式中，所述深度學習模型的網(wǎng)絡(luò)架構(gòu)為循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、transformer，或者基于注意力機制的seq2seq。

14、在一些實施方式中，所述電力線路分析信息包括電力線路cim文件和電力線路分析報告。

15、在一些實施方式中，所述第二深度學習模型的構(gòu)建和訓練過程包括：

16、對所述電力線路cim文件進行預處理，得到電力線路cim文本；

17、對所述電力線路cim文本和所述線路分析報告進行文本語料預處理，得到第二樣本數(shù)據(jù)；

18、將所述第二樣本數(shù)據(jù)劃分為第二訓練數(shù)據(jù)集和第二測試數(shù)據(jù)集；

19、基于所述第二訓練數(shù)據(jù)集對所述第一深度學習模型進行自監(jiān)督學習；

20、基于所述第二測試數(shù)據(jù)集對所述第一深度學習模型進行驗證與調(diào)優(yōu)，得到第二深度學習模型。

21、在一些實施方式中，所述電力線路cim文件內(nèi)至少包含所述特定線路的設(shè)備情況和拓撲關(guān)系。

22、在一些實施方式中，對所述電力線路cim文件進行預處理包括：人工標注所述電力線路cim文件中關(guān)于電力設(shè)備的描述信息、人工標注相同電力線路兩個相鄰不同日期cim文件的電力設(shè)備差異，以及人工標注相同電力線路多個不同日期cim文件的電力設(shè)備發(fā)展歷程中的至少一種。

23、本發(fā)明第二方面提出一種電力線路對話模型，包括：

24、模型微調(diào)組件，用于調(diào)用上述的第二深度學習模型，結(jié)合用戶輸入的所述電力線路分析信息對所述第二深度學習模型進行微調(diào)訓練，輸出電力線路對話模型；

25、發(fā)布管理器，用于發(fā)布所述電力線路對話模型；

26、對話管理器，用于處理用戶與所述電力線路對話模型之間的交互流程；

27、輸入輸出界面，用于展示所述電力線路對話模型輸出的查詢結(jié)果。

28、本發(fā)明的有益效果為：通過分別建立和訓練得到電力線路對話模型，電力線路對話模型僅保留輸入輸出端，便于用戶快速掌握線路情況的方法，提高了電力線路問題診斷和故障分析的工作質(zhì)效，減少了人工閱讀資料可能導致的失誤。

技術(shù)特征：

1.一種基于深度學習的電力線路對話模型構(gòu)建方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的基于深度學習的電力線路對話模型構(gòu)建方法，其特征在于，所述基礎(chǔ)文本語料包括含有基本語言結(jié)構(gòu)和含義的文本語料。

3.如權(quán)利要求1所述的基于深度學習的電力線路對話模型構(gòu)建方法，其特征在于，所述電力文本語料包括電力書籍、電力論文和互聯(lián)網(wǎng)電力資訊中的至少一種。

4.如權(quán)利要求1所述的基于深度學習的電力線路對話模型構(gòu)建方法，其特征在于，所述第一深度學習模型的構(gòu)建和訓練過程包括：

5.如權(quán)利要求4所述的基于深度學習的電力線路對話模型構(gòu)建方法，所述深度學習模型的網(wǎng)絡(luò)架構(gòu)為循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、transformer，或者基于注意力機制的seq2seq。

6.如權(quán)利要求1所述的基于深度學習的電力線路對話模型構(gòu)建方法，其特征在于，所述電力線路分析信息包括電力線路cim文件和電力線路分析報告。

7.如權(quán)利要求6所述的基于深度學習的電力線路對話模型構(gòu)建方法，其特征在于，所述第二深度學習模型的構(gòu)建和訓練過程包括：

8.如權(quán)利要求6或7所述的基于深度學習的電力線路對話模型構(gòu)建方法，其特征在于，所述電力線路cim文件內(nèi)至少包含所述特定線路的設(shè)備情況和拓撲關(guān)系。

9.如權(quán)利要求1所述的基于深度學習的電力線路對話模型構(gòu)建方法，其特征在于，對所述電力線路cim文件進行預處理包括：人工標注所述電力線路cim文件中關(guān)于電力設(shè)備的描述信息、人工標注相同電力線路兩個相鄰不同日期cim文件的電力設(shè)備差異，以及人工標注相同電力線路多個不同日期cim文件的電力設(shè)備發(fā)展歷程中的至少一種。

10.一種電力線路對話模型，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開一種基于深度學習的電力線路對話模型構(gòu)建方法，包括以下步驟：以基礎(chǔ)文本語料和電力文本語料為訓練數(shù)據(jù)構(gòu)建并訓練第一深度學習模型；基于特定線路的電力線路分析信息對第一深度學習模型進行自監(jiān)督學習，得到第二深度學習模型；對第二深度學習模型進行微調(diào)訓練，得到針對特定線路的電力線路對話模型。本發(fā)明的有益效果是：通過分別建立和訓練得到電力線路對話模型，電力線路對話模型僅保留輸入輸出端，便于用戶快速掌握線路情況的方法，提高了電力線路問題診斷和故障分析的工作質(zhì)效，減少了人工閱讀資料可能導致的失誤。

技術(shù)研發(fā)人員：陳炯聰,王同賀,張靖
受保護的技術(shù)使用者：中國科學院廣州能源研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21