【技术实现步骤摘要】
本专利技术涉及电力系统自动化以及智能优化算法领域，具体包括一种基于大语言模型的电力网络自愈方法及系统。
技术介绍
1、电力系统在现代社会中扮演着至关重要的角色，它为我们的日常生活和工业生产提供着不可或缺的能源。然而，电力系统经常面临各种故障和挑战，如线路老化、设备故障、恶劣天气等，这些因素可能导致电力中断，给人们的生产生活带来极大的不便。目前，传统的故障诊断和修复方法主要依赖人工检查和修复，这种方式不仅效率低下，而且容易出错。因此，开发一种基于大语言模型的电力网络自愈机制，以实现电力网络故障的自动识别、诊断和解决，具有重要的现实意义和实用价值。
2、现有的自动化系统主要针对特定的电力系统任务，如监控设备运行状况、检测故障等。虽然这些系统在一定程度上提高了电力系统的稳定性和效率，但仍存在一些限制和不足。系统往往缺乏对电力系统复杂性的全面考虑，无法准确识别和处理多种类型的故障。同时需要人工干预，以应对突发事件或复杂情况。
3、基于大语言模型的电力网络自愈机制的主要目的是提供一种全新的电力系统自动化解决方案，该方案能够自动识别、诊断和解决电力网络故障，提高电力系统的稳定性和可靠性。该机制主要包括语言模型技术、自然语言处理技术、机器学习技术等多种技术，通过这些技术的综合应用，可以实现电力网络故障的自动识别、定位和解决。此外，该机制还可以与现有的电力系统自动化系统进行集成，以提高整个电力系统的效率和可靠性。
4、与现有技术相比，基于大语言模型的电力网络自愈机制的优势在于其全面性和灵活性。该机制能够处理多
技术实现思路
1、专利技术目的：本专利技术提供了一种基于大语言模型的电力网络自愈方法及系统，旨在通过多种技术的综合应用，实现电力网络故障的自动识别、诊断和解决，提高电力系统的稳定性和可靠性。该机制能够自动处理多种类型的电力系统故障，无需人工干预，并可以在不同的电力系统之间进行移植和扩展，以适应不同的应用场景和需求。通过实现电力网络故障的自动识别、诊断和解决，本专利技术有助于提高电力系统的效率和可靠性，降低故障损失，同时减少人工干预的需求，降低人工成本，具有较高的实用价值和市场前景。
2、技术方案：本专利技术提出了一种基于大语言模型的电力网络自愈方法，包括如下步骤：
3、收集电力网络中包括电压、电流、温度、震动以及故障报告中的描述和位置信息，对收集到的数据进行预处理；
4、利用自然语言处理技术，对故障报告中的描述进行分析和处理，将故障报告文本进行分割，将其分成单个句子或单词，提取特征和信息；将收集到的电力网络中数据和文本信息进行整合，形成一个数据集；
5、构建训练模型，采用transformer模型对采集的数据进行训练；
6、利用训练后的模型针对采集的电力网络中电压、电流、温度、震动以及故障报告中的描述和位置信息进行识别故障类型，并使用机器学习算法进行故障定位。
7、进一步地，还包括：
8、基于对电力自动化系统的评估，建立决策评价指标体系，基于大语言模型，结合电力自动化系统的实际情况和专家知识，生成智能决策建议；
9、通过机器学习算法对电力系统自动化系统的历史数据进行学习，优化决策建议，将生成的决策建议转化为自动化执行命令。
10、进一步地，据进行预处理时，对收集到的数据进行清洗和整理，去除无效和错误数据，使用半监督学习的方式对数据进行标注；同时对数据进行数据归一化、数据转换、数据压缩操作。
11、进一步地，在采用transformer模型对数据进行训练时，具体过程如下：
12、41)建立残差链接，残差函数公式如下所示：
13、y＝h(x)＝f(x)+x
14、其中，y＝h(x)为模型输出，f(x)表示残差，x表示残差块输入；
15、42)进行标准化，标准化公式如下所示：
16、
17、yi＝αxi+β
18、其中，和表示标准化参数，d表示维度，xij表示输入数据，yi表示输出值，α和β表示可训练参数；
19、43)建立前馈全连接网络，对应公式如下所示：
20、n(x)＝max(0,xwi+bi)w2+b2
21、f(x)＝max(0,x)
22、wi表示第i隐含层权重矩阵，bi表示第i隐含层偏置向量，f(x)为激活函数；
23、44)采用iwso算法对transformer模型的学习率以及注意力头数进行优化。
24、进一步地，采用iwso算法对transformer模型的学习率以及注意力头数进行优化具体过程如下：
25、44.1)攻击策略，士兵根据国王和指挥官的位置更新自己的位置，更新公式如下：
26、xi(t+1)＝xi(t)+2×rand×(c-king)+rand×(wi×king-xi(t))
27、其中，xi(t+1)为第t+1次迭代士兵新位置，xi(t)为第t次迭代士兵位置，c为指挥官位置，king为国王位置，rand为[0,1]之间的随机数，wi为国王位置权值；士兵的位置的更新学习率以及注意力头数的更新；
28、44.2)排序和权重，若士兵新位置的攻击力fn小于当前代位置的攻击力fp，则士兵占据前一个位置，更新公式如下：
29、xi(t+1)＝(xi(t+1))×(fn≥fp)+(xi(t))×(fn＜fp)
30、44.3)若士兵成功更新位置，则士兵等级ri提升，等级更新公式如下所示：
31、ri＝(ri+1)×(fn≥fp)+(ri)×(fn＜fp)
32、44.5)根据士兵的攻击力进行排序，权重更新公式如下所示：
33、wi＝wi×(1-ri/t)α
34、其中，fn为士兵位置攻击力(适应度值)，fp为士兵当前位置攻击力(适应度值)，适应度值就是权重和阈值的值，ri为士兵的等级，α为指数变化因子；
35、44.6)优化指数变化因子α，提高全局搜索能力和开发的收敛能力，优化公式如下所示：
36、
37、44.7)防御策略，士兵根据附近士兵位置和国王位置改变其位置，位置更新公式如下所示：
38、xi(t+1)＝xi(t)+2×rand×(king-xrand(t))+rand×wi×(c-xi(t))
39、其中，xrand(t)为第t次迭代士兵的随机位置；
40、44.8)将随机士兵与弱兵交换位置或者将弱兵安置在靠近整个战场中位数的位置，位置更新公式如下所示：
41、xw(t+1)＝lb+rand×(ub-lb)
42、xw(t+1)＝-(1-randn)×本文档来自技高网...
【技术保护点】
1.一种基于大语言模型的电力网络自愈方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于大语言模型的电力网络自愈方法，其特征在于，还包括：
3.根据权利要求1所述的一种基于大语言模型的电力网络自愈方法，其特征在于，据进行预处理时，对收集到的数据进行清洗和整理，去除无效和错误数据，使用半监督学习的方式对数据进行标注；同时对数据进行数据归一化、数据转换、数据压缩操作。
4.根据权利要求1所述的一种基于大语言模型的电力网络自愈方法，其特征在于，在采用Transformer模型对数据进行训练时，具体过程如下：
5.根据权利要求4所述的一种基于大语言模型的电力网络自愈方法，其特征在于，采用IWSO算法对Transformer模型的学习率以及注意力头数进行优化具体过程如下：
6.根据权利要求2所述的一种基于大语言模型的电力网络自愈方法，其特征在于，优化决策建议的具体过程如下：
7.根据权利要求6所述的一种基于大语言模型的电力网络自愈方法，其特征在于，所述控制器的数学建模过程如下所示：
8.一种基
...【技术特征摘要】
1.一种基于大语言模型的电力网络自愈方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于大语言模型的电力网络自愈方法，其特征在于，还包括：
3.根据权利要求1所述的一种基于大语言模型的电力网络自愈方法，其特征在于，据进行预处理时，对收集到的数据进行清洗和整理，去除无效和错误数据，使用半监督学习的方式对数据进行标注；同时对数据进行数据归一化、数据转换、数据压缩操作。
4.根据权利要求1所述的一种基于大语言模型的电力网络自愈方法，其特征在于，在采用transformer模型对数据进行训练时，具体过程如下：
5.根据权利要...
【专利技术属性】
技术研发人员：沈雷，高强，葛玉伟，顾善匀，谢洋，李玮，朱小琼，臧宝国，张明，高源，王加强，罗京，向育鹏，朱官健，
申请(专利权)人：淮安宏能集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。