本申请提供一种电力设备异常检测方法、装置、电子设备及存储介质，该方法包括获取待检测的目标电力设备对应的数据信息和文本信息；确定所述数据信息对应的数据特征，并确定所述文本信息对应的语义特征；将所述数据特征与所述语义特征拼接在一起，得到所述目标电力设备对应的组合特征；将所述组合特征输入到训练获得的异常检测模型中，得到所述目标电力设备的异常检测结果，从而在电力设备进行异常检测时，充分考虑了电力设备对应的数据信息和文本信息，并将二者对应的特征组合到一起作为检测模型的输入，进一步提高了电力设备异常检测的准确性，使得检测结果更加全面。
【技术实现步骤摘要】
本申请涉及电力设备异常检测，尤其涉及一种电力设备异常检测方法、装置、电子设备及存储介质。
技术介绍
1、目前，电力设备异常检测是电力领域的一个重要研究课题，特别是针对5g电力边缘设备的异常检测，对检测结果的准确性和稳定性提出了更高的要求。而相关技术中，主要通过电力设备运行过程中的数据信息进行分析，以达到设备异常检测的目的，但是，这种检测方法忽略了电力设备运行过程中的文本信息，从而无法实现准确全面的异常检测。
技术实现思路
1、有鉴于此，本申请的目的在于提出一种电力设备异常检测方法、装置、电子设备及存储介质以解决或部分解决上述技术问题。
2、基于上述目的，本申请提供了一种电力设备异常检测方法，包括：
3、获取待检测的目标电力设备对应的数据信息和文本信息；
4、确定所述数据信息对应的数据特征，并确定所述文本信息对应的语义特征；
5、将所述数据特征与所述语义特征拼接在一起，得到所述目标电力设备对应的组合特征；
6、将所述组合特征输入到训练获得的异常检测模型中，得到所述目标电力设备的异常检测结果。
7、在一些实施例中，确定所述文本信息对应的语义特征，具体包括：
8、确定所述文本信息中每个词汇在其所在的句子中的第一位置；
9、确定所述文本信息中每个句子在所述文本信息中的第二位置；
10、将所述文本信息输入到训练获得的语义特征提取模型中，得到所述文本信息中每个词汇对应的特征表示；
11、基于所述第一位置、所述第二位置以及所述特征表示，确定所述文本信息对应的语义特征。
12、在一些实施例中，基于所述第一位置、所述第二位置以及所述特征表示，确定所述文本信息对应的语义特征，具体包括：
13、分别将所述第一位置与所述第二位置转化为与所述特征表示维度相同的第一表示和第二表示；
14、将所述第一表示、所述第二表示以及所述特征表示拼接到一起，确定所述文本信息对应的语义特征。
15、在一些实施例中，确定所述数据信息对应的数据特征，具体包括：
16、将所述数据信息输入到训练获得的编码器中，得到所述数据特征。
17、在一些实施例中，训练获得所述异常检测模型的过程包括：
18、通过第一样本数据集训练基准模型和全连接网络；
19、通过训练完成的所述全连接网络以及第二样本数据集重新训练所述基准模型，得到完成训练的第二模型；其中，所述第二样板数据包括所述目标电力设备对应的历史数据信息和历史文本信息；所述第一样本数据包括与所述目标电力设备类型相同的电力设备对应的历史数据信息和历史文本信息；
20、通过重新训练完成的所述基准模型与训练完成的所述全连接网络，得到所述异常检测模型。
21、基于同一个构思，本申请还提出了一种电力设备异常检测装置，包括：
22、获取模块，获取待检测的目标电力设备对应的数据信息和文本信息；
23、确定模块，确定所述数据信息对应的数据特征，并确定所述文本信息对应的语义特征；
24、拼接模块，将所述数据特征与所述语义特征拼接在一起，得到所述目标电力设备对应的组合特征；
25、检测模块，将所述组合特征输入到训练获得的异常检测模型中，得到所述目标电力设备的异常检测结果。
26、在一些实施例中，所述确定模块包括：
27、第一位置单元，确定所述文本信息中每个词汇在其所在的句子中的第一位置；
28、第二位置单元，确定所述文本信息中每个句子在所述文本信息中的第二位置；
29、提取单元，将所述文本信息输入到训练获得的语义特征提取模型中，得到所述文本信息中每个词汇对应的特征表示；
30、特征确定单元，基于所述第一位置、所述第二位置以及所述特征表示，确定所述文本信息对应的语义特征。
31、在一些实施例中，所述特征确定单元，具体用于：
32、分别将所述第一位置与所述第二位置转化为与所述特征表示维度相同的第一表示和第二表示；
33、将所述第一表示、所述第二表示以及所述特征表示拼接到一起，确定所述文本信息对应的语义特征。
34、在一些实施例中，所述确定模块还包括：
35、编码单元，将所述数据信息输入到训练获得的编码器中，得到所述数据特征。
36、在一些实施例中，所述装置还包括模型训练模块，用于：
37、通过第一样本数据集训练基准模型和全连接网络；
38、通过训练完成的所述全连接网络以及第二样本数据集重新训练所述基准模型，得到完成训练的第二模型；其中，所述第二样板数据包括所述目标电力设备对应的历史数据信息和历史文本信息；所述第一样本数据包括与所述目标电力设备类型相同的电力设备对应的历史数据信息和历史文本信息；
39、通过重新训练完成的所述基准模型与训练完成的所述全连接网络，得到所述异常检测模型。
40、基于同一个构思，本申请还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的电力设备异常检测方法。
41、基于同一个构思，本申请还提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的电力设备异常检测方法。
42、基于同一个构思，本申请还提出了一种计算机程序产品，所述计算机程序产品，包括计算机程序，所述计算机程序由一个或多个处理器执行以使得所述处理器执行如上所述的电力设备异常检测方法。
43、从上面所述可以看出，本申请提供的电力设备异常检测方法、装置、电子设备及存储介质，获取待检测的目标电力设备对应的数据信息和文本信息；确定所述数据信息对应的数据特征，并确定所述文本信息对应的语义特征；将所述数据特征与所述语义特征拼接在一起，得到所述目标电力设备对应的组合特征；将所述组合特征输入到训练获得的异常检测模型中，得到所述目标电力设备的异常检测结果，从而在电力设备进行异常检测时，充分考虑了电力设备对应的数据信息和文本信息，并将二者对应的特征组合到一起作为检测模型的输入，进一步提高了电力设备异常检测的准确性，使得检测结果更加全面。
本文档来自技高网...
【技术保护点】
1.一种电力设备异常检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，确定所述文本信息对应的语义特征，具体包括：
3.根据权利要求2所述的方法，其特征在于，基于所述第一位置、所述第二位置以及所述特征表示，确定所述文本信息对应的语义特征，具体包括：
4.根据权利要求1所述的方法，其特征在于，确定所述数据信息对应的数据特征，具体包括：
5.根据权利要求1所述的方法，其特征在于，训练获得所述异常检测模型的过程包括：
6.一种电力设备异常检测装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述确定模块包括：
8.根据权利要求7所述的装置，其特征在于，所述特征确定单元，具体用于：
9.根据权利要求6所述的装置，其特征在于，所述确定模块还包括：
10.根据权利要求6所述的装置，其特征在于，所述装置还包括模型训练模块，用于：
11.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至5任意一项所述的方法。
12.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至5任一所述的方法。
...
【技术特征摘要】
1.一种电力设备异常检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，确定所述文本信息对应的语义特征，具体包括：
3.根据权利要求2所述的方法，其特征在于，基于所述第一位置、所述第二位置以及所述特征表示，确定所述文本信息对应的语义特征，具体包括：
4.根据权利要求1所述的方法，其特征在于，确定所述数据信息对应的数据特征，具体包括：
5.根据权利要求1所述的方法，其特征在于，训练获得所述异常检测模型的过程包括：
6.一种电力设备异常检测装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述确...
【专利技术属性】
技术研发人员：梅文明，林亮成，曹亚明，刘新，时忆杰，国涛，刘冬兰，刘晗，金正平，李永刚，李正浩，张世超，秦素娟，林婷婷，肖英伟，王睿，桂明亮，刘洋，张昊，孙旗，刘瑞斌，王桐澎，董丹汝，
申请(专利权)人：国网思极网安科技北京有限公司，
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。