(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210972876.7 (22)申请日 2022.08.15 (71)申请人 云南电网有限责任公司玉 溪供电局 地址 653199 云南省玉 溪市红塔区红塔大 道42号 (72)发明人 叶小虎　杨再鹤　高道春　张敏　 蒋迪　杜凡　杨晓龙　李杨　陈君　 陈黎玲　 (74)专利代理 机构 昆明合众智 信知识产权事务 所 53113 专利代理师 朱玉丹 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/00(2012.01)G06Q 50/06(2012.01) (54)发明名称 基于卷积神经网络模型的监控告警事件识 别方法 (57)摘要 本发明涉及电力调度管 理技术领域， 具体地 说， 涉及基于卷积神经网络模型的监控告警事件 识别方法。 包括： 构建卷积神经网络CNN模型； 利 用模型对监控告警事件进行自主识别： 梳理基本 数据； 对原始监控告警信息进行预处理并进行向 量化表示； 提取带标签的事件样本； 搭建训练模 型结构； 划分训练集和测试集， 训练模型； 构建混 淆矩阵， 并对模型识别效果进行评价； 在线应用。 本发明设计利用卷积神经网络CNN模型， 通过挖 掘相邻监控告警信息间的关联性特征来识别告 警事件的类型， 可以大幅降低网络的参数量并缓 解模型的过拟合问题， 同时通过机器学习模型和 大量数据来学习数据的特征， 从而提升分类和预 测的准确率， 提高监控告警事件识别的容错能力 和判别效率。 权利要求书1页 说明书5页 附图2页 CN 115358369 A 2022.11.18 CN 115358369 A 1.基于卷积神经网络模型的监控告警事 件识别方法， 其特 征在于： 包括如下步骤： S1、 构建网络结构包括输入层、 卷积层、 池化层和全连接层的卷积神经网络 CNN模型； S2、 利用CN N模型对监控告警事 件进行自主识别： S2.1、 梳理基本数据； S2.2、 对原始监控告警信息进行预处理， 并利用自然语言处理NLP技术对其进行向量化 表示； S2.3、 从历史信息中提取 带标签的事 件样本； S2.4、 搭建训练模型 结构， 设置各类超参数， 建立目标函数并选取优化 算法； S2.5、 划分训练集和 测试集， 训练模型并在测试集上对 模型识别效果进行测试； S2.6、 构建混淆矩阵， 并使用准确率、 精确率、 召回率等评估指标对模型识别效果进行 评价， 观察识别正确率是否满足应用要求； S2.7、 在线应用验证模型识别效果， 并与基于知识库方法的判断结果结合使用。 2.根据权利要求1所述的基于卷积神经网络模型的监控告警事件识别方法， 其特征在 于： 所述S1中， 卷积神经网络CNN模型具有优异的局 部特征提取性能， 针对在短时间内连续 发生的电网事件所触发的监控告警信息， 可以挖掘相邻监控告警信息间的关联性特征， 从 而识别告警事 件的类型。 3.根据权利要求1所述的基于卷积神经网络模型的监控告警事件识别方法， 其特征在 于： 所述S1中， CNN模 型带有卷积结构的前馈神经网络， 相比于传统的神经网络， 其具有局部 连接和权值共享 等特点， 用于大幅降低网络的参数量并缓解模型的过拟合问题。 4.根据权利要求1所述的基于卷积神经网络模型的监控告警事件识别方法， 其特征在 于： 所述S2.1中， 基本数据包括但不限于电网监控告警历史信息、 变电站及 线路名称统计信 息等， 通过梳理基本数据， 可以建立电力词典、 停用词表等。 5.根据权利要求1所述的基于卷积神经网络模型的监控告警事件识别方法， 其特征在 于： 所述S2.2中， 对原始监控告警信息进行预处理的方法包括但不限于分词、 去停用词、 向 量化建模、 平均化处 理等。 6.根据权利要求1所述的基于卷积神经网络模型的监控告警事件识别方法， 其特征在 于： 所述S2.3中， 从历史信息中提取 带标签的事 件样本的具体方法包括如下步骤： S2.3.1、 以带分闸关键词的信息为标志， 提取该信息前后一段时间窗内的离散告警信 息集合； S2.3.2、 当满足一定的规则后， 构成各类标签化监控告警事件， 并对照调度日志进行校 核； S2.3.3、 最终构建可 供模型学习的事 件本库。 7.根据权利要求1所述的基于卷积神经网络模型的监控告警事件识别方法， 其特征在 于： 所述S2.7中， 模 型识别效果与基于知识库方法的判断结果结合使用时， 若自动推送识别 结果， 则直接加入样本库进行训练学习； 若 无法自动推送结果， 则由调 度员进行人工判断并 将修改成正确标签后的事 件样本加入样本库， 供模型进行训练学习。权　利　要　求　书 1/1 页 2 CN 115358369 A 2基于卷积神经 网络模型的监控告警事件识别方 法 技术领域 [0001]本发明涉及电力调度管理技术领域， 具体地说， 涉及基于卷积神经网络模型的监 控告警事 件识别方法。 背景技术 [0002]故障处置预案是调控运行人员应对电网突发故障， 有序开展电网紧急状态校正控 制， 维持电网安全稳定运行的重要手段。 在电网发生 故障时， 调控人员照故障处置预案对事 件分析、 执行以便恢复电网正常运行， 在此过程中需要将预案中规定的事件前/后电网运行 方式、 风险点等与当前实时电网运行状态进行安全校核， 在确保满足要求的情况下开展故 障处置工作。 [0003]在预先编制故障处置预案时， 需要从海量的告警信息中识别出相应的准确告警事 件。 然而， 目前调 度员面对海量散乱的告警信息， 纯文本的离线 预案， 实时变化的电网状态， 纯靠人工查找、 经验分析处理事件， 零散的监控和处置过程， 并未穿成一条线、 形成有机的 整体； 导致分析事件困难、 监屏压力大、 容易漏监视等， 大大影响了电力调度控制中心的运 行工作效率。 鉴于此， 我们提出了基于卷积神经网络模型的监控告警事 件识别方法。 发明内容 [0004]本发明的目的在于提供基于卷积神经网络模型的监控告警事件识别方法， 以解决 上述背景技 术中提出的问题。 [0005]为实现上述技术问题的解决， 本发明的目的之一在于， 提供了基于卷积神经网络 模型的监控告警事 件识别方法， 包括如下步骤： [0006]S1、 构建网络结构包括输入层、 卷积层、 池化层和全连接层的卷积神 经网络CNN模 型； [0007]S2、 利用CN N模型对监控告警事 件进行自主识别： [0008]S2.1、 梳理基本数据； [0009]S2.2、 对原始监控告警信息进行预处理， 并利用自然语言处理NLP 技术对其进行向 量化表示； [0010]S2.3、 从历史信息中提取 带标签的事 件样本； [0011]S2.4、 搭建训练模型 结构， 设置各类超参数， 建立目标函数并选取优化 算法； [0012]S2.5、 划分训练集和 测试集， 训练模型并在测试集上对 模型识别效果进行测试； [0013]S2.6、 构建混淆矩阵， 并使用准确率、 精确率、 召回率等评估指标对模型识别效果 进行评价， 观察识别正确率是否满足应用要求； [0014]S2.7、 在线应用验证模型识别效果， 并与基于知识库方法的判断结果结合使用。 [0015]作为本技术方案的进一步改进， 所述S1中， 卷积神经 网络CNN模型具有优异的局部 特征提取性能， 针对在短时间内连续发生的电网事件所触发的监控告警信息， 可以挖掘相 邻监控告警信息间的关联性特 征， 从而识别告警事 件的类型。说　明　书 1/5 页 3 CN 115358369 A 3