一种电力计量运维资源调度方法、系统、设备及介质与流程

摘要: 本技术涉及电力系统计量运维领域,特别涉及一种电力计量运维资源调度方法、系统、设备及介质。背景技术:1、随着智能电表的全面普及和泛在电力物联网建设的持续推进,电力...
一种电力计量运维资源调度方法、系统、设备及介质与流程

本技术涉及电力系统计量运维领域,特别涉及一种电力计量运维资源调度方法、系统、设备及介质。

背景技术:

1、随着智能电表的全面普及和泛在电力物联网建设的持续推进,电力计量设备/装置的数量呈爆炸式增长,其计量运维工作量与复杂度急剧上升,计量运维业务逐渐呈现出设备规模大、运行状态复杂、故障类型多样及服务需求实时性高等特点。电力计量运维作为保障电网安全稳定运行、提升供电服务质量的关键环节,其效率与质量直接影响电力企业的运营成本和用户满意度。

2、传统计量运维模式主要依赖人工经验制定运维计划、分派工单。运维人员根据经验判断故障类型、分配任务,调度过程缺乏科学的量化分析与全局优化,这种模式存在响应速度慢、运维效率低、资源分配不均等突出问题。例如,故障定位不精准导致运维人员往返奔波,不同区域、不同类型的运维任务未能根据人员技能、地理位置、紧急程度进行动态优化匹配,造成人力资源和车辆资源的严重浪费。

3、为解决上述问题,当前提出了两种主流的资源调度与优化方案,第一种方案是基于多目标优化算法进行资源协同调度,该类方案通过融合发电、气象、市场等多源结构化数据生成协同调度决策,此类方法在处理结构化数据并求解多目标优化问题方面具有一定优势,但该类方案的优化模型的输入高度依赖于预先定义的结构化数据字段,模型的灵活性与适应性受到数据格式的严格限制,例如,当面对电力计量运维场景中大量存在的非结构化工单信息时,缺乏对文本、语音中复杂语义、隐含业务需求和风险信息的理解能力,导致其生成的最优调度方案可能脱离了实际业务情境,在效率和用户满意度之间失衡。第二种方案是采用基于深度强化学习的模型进行状态预测与资源决策优化,能够从大量交互数据中学习最优策略,但该模型的可解释性差(不能满足运维管理中对安全性和责任追溯的高要求)、依赖海量交互数据(导致模型训练困难、收敛缓慢)且难以有效、系统地融入电力计量领域的专家经验和规则知识(如特定型号电表的常见故障模式、特定节假日的保电规则),其决策可能违背基本的行业安全规程或经验共识。

4、另外,上述解决方案多为针对广义能源管理或电站运维的通用模型,缺乏对电力计量运维这一细分领域独特需求(如海量终端、故障类型特定、与客户服务强关联)的深度适配,而电力计量运维具有海量终端设备、故障类型特定、与客户服务强关联等独特需求,通用模型往往难以满足这些专业化要求。

技术实现思路

1、有鉴于此,本技术的目的在于提供一种电力计量运维资源调度方法、系统、设备及介质,实现了自动化的电力计量运维资源调度,节省了人力成本和时间成本,同时极大减轻了人工协调与决策负担,并大幅提升了故障诊断的精准性与工单生成效率,减少了因误判导致的重复派工与现场排查时间,同时,显著降低了平均响应时间与运维成本,并实现了故障诊断精准性、资源调度合理性与决策可解释性的同步提升。其具体方案如下:

2、第一方面,本技术公开了一种电力计量运维资源调度方法,包括:

3、采集针对目标电力系统的多维计量运维数据,得到当前多维电力计量运维数据;

4、从预设的电力计量运维知识图谱中查询与所述当前多维电力计量运维数据对应的目标知识片段;所述目标知识片段中包括电力故障实体及关联的故障路径;

5、将所述当前多维电力计量运维数据和所述目标知识片段输入至训练后的计量运维调度决策模型中,以将所述目标知识片段作为提示词,对所述当前多维电力计量运维数据进行上下文分析,生成针对所述目标电力系统的调度策略语义描述;所述计量运维调度决策模型为利用历史多维电力计量运维数据对预训练语言模型进行微调后得到的模型,所述调度策略语义描述中包含故障诊断结果及对应的故障诊断工单;

6、将所述调度策略语义描述映射为多目标优化模型中的动态参数;所述动态参数中包括目标函数权重集合与约束条件集合;

7、利用多目标优化算法并基于所述调度策略语义描述、可调度运维资源状态信息以及所述动态参数,对所述多目标优化模型中的多个优化目标进行求解,生成运维资源调度方案,并根据所述运维资源调度方案执行相应的运维任务;所述多个优化目标包括资源调度响应时间、资源调度响应成本、资源负载均衡度。

8、可选的,所述电力计量运维资源调度方法,还包括:

9、采集针对目标电力系统的多维历史运维数据,得到历史多维电力计量运维数据;

10、对所述历史多维电力计量运维数据进行标注,得到标注后历史运维语料;所述标注后历史运维语料中包含第一样本数据和第二样本数据,所述第一样本数据为自然语言工单描述与故障诊断结论的配对样本数据,所述第二样本数据为自然语言工单描述与电力资源需求清单的配对样本数据;

11、利用lora技术并基于所述标注后历史运维语料对预训练语言模型进行监督微调,得到所述计量运维调度决策模型。

12、可选的,所述从预设的电力计量运维知识图谱中查询与所述当前多维电力计量运维数据对应的目标知识片段,包括:

13、对所述当前多维电力计量运维数据进行预处理,得到处理后计量运维数据,并对所述处理后计量运维数据进行向量化表示,得到计量运维特征数据;

14、提取所述计量运维特征数据中的关键词,得到运维特征关键词,并从预设的电力计量运维知识图谱中检索与所述运维特征关键词对应的目标知识片段。

15、可选的,所述对所述当前多维电力计量运维数据进行预处理,得到处理后计量运维数据,包括:

16、对所述当前多维电力计量运维数据进行时空对齐,得到对齐后运维数据;所述当前多维电力计量运维数据包括所述目标电力系统内不同电力计量设备的设备运行状态数据、设备业务属性数据、设备空间拓扑数据、设备异常工单数据;

17、对所述对齐后运维数据进行归一化处理,得到处理后计量运维数据。

18、可选的,所述故障诊断结果中包含故障根因、故障位置以及故障置信度;

19、相应的,所述将所述调度策略语义描述映射为多目标优化模型中的动态参数,包括:

20、通过预先创建的策略转换器将所述调度策略语义描述中的工单定性描述映射为多目标优化模型中的工单响应时间权重;所述策略转换器中配置有预设映射规则库和/或监督学习模型;

21、将所述调度策略语义描述中的业务需求描述映射为多目标优化模型优化求解时需要遵守的硬性匹配约束;所述硬性匹配约束包括故障处理技能匹配约束、故障处理资质要求约束、故障处理工时容量约束;

22、获取所述故障位置对应的目标区域的实时交通数据,并根据所述实时交通数据将所述调度策略语义描述中针对所述目标区域的交通拥堵信息转化为多目标优化模型中的路径行驶成本权重。

23、可选的,所述电力计量运维资源调度方法,还包括:

24、当接收到新电力计量运维资源调度请求时,采集当前针对所述目标电力系统的多维计量运维数据,得到实时计量运维数据;所述实时计量运维数据中包括设备异常工单数据;

25、将所述实时计量运维数据作为当前多维电力计量运维数据,并跳转至所述从预设的电力计量运维知识图谱中查询与所述当前多维电力计量运维数据对应的目标知识片段的步骤,以生成新资源调度方案;

26、基于设备异常工单数据对应的优先级对所述新资源调度方案和所述运维资源调度方案进行排序,得到排序后资源调度方案,并依次执行所述排序后资源调度方案中的各个调度方案。

27、可选的,所述根据所述运维资源调度方案执行相应的运维任务,包括:

28、基于所述运维资源调度方案生成运维任务;所述运维任务中包括目标故障处理终端、到达电力计量设备的行驶路径和所述调度策略语义描述;

29、将所述运维任务发送至所述目标故障处理终端,以便所述目标故障处理终端对应的运维人员执行所述运维任务。

30、第二方面,本技术公开了一种电力计量运维资源调度系统,包括:

31、采集模块,用于采集针对目标电力系统的多维计量运维数据,得到当前多维电力计量运维数据;

32、查询模块,用于从预设的电力计量运维知识图谱中查询与所述当前多维电力计量运维数据对应的目标知识片段;所述目标知识片段中包括电力故障实体及关联的故障路径;

33、输入模块,用于将所述当前多维电力计量运维数据和所述目标知识片段输入至训练后的计量运维调度决策模型中,以将所述目标知识片段作为提示词,对所述当前多维电力计量运维数据进行上下文分析,生成针对所述目标电力系统的调度策略语义描述;所述计量运维调度决策模型为利用历史多维电力计量运维数据对预训练语言模型进行微调后得到的模型,所述调度策略语义描述中包含故障诊断结果及对应的故障诊断工单;

34、映射模块,用于将所述调度策略语义描述映射为多目标优化模型中的动态参数;所述动态参数中包括目标函数权重集合与约束条件集合;

35、调度方案生成模块,用于利用多目标优化算法并基于所述调度策略语义描述、可调度运维资源状态信息以及所述动态参数,对所述多目标优化模型中的多个优化目标进行求解,生成运维资源调度方案,并根据所述运维资源调度方案执行相应的运维任务;所述多个优化目标包括资源调度响应时间、资源调度响应成本、资源负载均衡度。

36、第三方面,本技术公开了一种电子设备,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的计算机程序时实现前述的电力计量运维资源调度方法。

37、第四方面,本技术公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述的电力计量运维资源调度方法。

38、可见,本技术先采集针对目标电力系统的多维计量运维数据,得到当前多维电力计量运维数据,然后从预设的电力计量运维知识图谱中查询与所述当前多维电力计量运维数据对应的目标知识片段(包括电力故障实体及关联的故障路径);接着,将所述当前多维电力计量运维数据和所述目标知识片段输入至训练后的计量运维调度决策模型中,以将所述目标知识片段作为提示词,对所述当前多维电力计量运维数据进行上下文分析生成针对所述目标电力系统的调度策略语义描述;所述计量运维调度决策模型为利用历史多维电力计量运维数据对预训练语言模型进行微调后得到的模型,所述调度策略语义描述中包含故障诊断结果及对应的故障诊断工单,最后,将所述调度策略语义描述映射为多目标优化模型中的动态参数(包括目标函数权重集合与约束条件集合),并利用多目标优化算法并基于所述调度策略语义描述、可调度运维资源状态信息以及所述动态参数,对所述多目标优化模型中的多个优化目标进行求解生成运维资源调度方案,并根据所述运维资源调度方案执行相应的运维任务;所述多个优化目标包括资源调度响应时间、资源调度响应成本、资源负载均衡度。

39、本技术先从预设的电力计量运维知识图谱中查询与当前多维电力计量运维数据对应的目标知识片段(包括电力故障实体及关联的故障路径),然后将计量运维特征数据和目标知识片段输入至基于预训练语言模型的计量运维调度决策模型中,从而生成包含故障诊断结果及对应的故障诊断工单的调度策略语义描述,再将调度策略语义描述映射为多目标优化模型中的动态参数,并利用多目标优化算法基于调度策略语义描述、可调度运维资源状态信息以及动态参数,对多目标优化模型中的多个优化目标进行求解,从而生成运维资源调度方案。通过上述方式,实现了自动化的电力计量运维资源调度,节省了人力成本和时间成本,同时极大减轻了人工协调与决策负担,通过结合多维电力计量运维数据、电力计量运维知识图谱和预训练语言模型,可以大幅提升故障诊断的精准性与工单生成效率,通过大语言模型对多源信息的深度理解与推理能力,使得故障根因分析更加准确,从而减少了因误判导致的重复派工与现场排查时间,提高了首次故障处置的成功率;其次,通过将大语言模型的语义理解能力与多目标优化算法深度融合,能够同时考虑效率、成本、负荷、客户体验等多维度因素,使得在复杂的实时约束下生成更合理、更经济的调度方案,显著降低了平均响应时间与运维成本,从而实现了故障诊断精准性、资源调度合理性与决策可解释性的同步提升。