一种信息物理系统的网-链式数据异常根因追溯自趋优方法、装置及介质与流程

本发明涉及电力信息物理系统数据异常诊断与智能优化，具体涉及一种信息物理系统的网-链式数据异常根因追溯自趋优方法、装置及介质。

背景技术：

1、随着新型电力系统建设与信息采集能力持续提升，用户侧量测数据、设备运行数据、通信状态数据、主站业务数据、档案数据、环境数据及负荷行为数据规模不断增长，已成为支撑电网运行管理、用能分析与数字化运维的重要基础。在实际运行中，受设备工况、通信状态、主站处理及业务系统耦合等因素影响，可能出现数据形态异常、时序失配及跨环节表现不一致等问题，准确识别异常并追溯其根因，是提升数据可用性和降低误判漏判风险的关键环节。

2、在信息物理系统（cyber-physical system, cps）视角下，多源运行数据沿“智能量测—本地与远程通信—主站处理—业务应用”链路流转：异常影响在通信与信息系统侧呈网络状关联与传播，在物理设备状态和外部因素驱动下呈链式传导与时序演化，二者耦合形成网-链式异常传播特征。由此，异常根因通常具有多因素叠加、跨环节传播和类别边界模糊等特点。

3、现有研究情况以及所存在缺陷如下：

4、知识驱动方法:早期及当前工程实践中，广泛采用专家阈值、故障树、规则库及先验约束等方式进行异常判别与原因分析。该类方法结论可解释、流程可审计，但随系统规模扩大与运行环境变化，规则维护成本持续上升，对多因素强耦合、长尾新异常模式的外推能力有限。

5、单模型数据驱动方法:基于统计、信息论或单一深度学习模型的根因分析逐步发展，可在一定程度上降低对人工规则的依赖。但用电数据同时包含时序、拓扑、结构化业务、气象等多模态特征，单一路径模型对强非线性、多模态信息的综合刻画能力有限。难以系统反映网-链式传播下的复杂关联结构。

6、多模型融合方法:为兼顾不同数据形态，工程上逐步采用多路基础模型并行推断、再融合输出多分类根因结果的方式。基础模型可涉及时序深度模型、表格特征模型、图结构模型、规则或知识模型等不同类型，各类模型在不同根因类别上往往具有互补优势，多模型融合已成为该领域的重要技术方向。

7、运行期持续更新方法: 通过预测落库、反馈采集、标签回流和周期重训缓解数据分布变化，但通常仍采用普通交叉熵和通用优化器更新可微模型，没有把物理设备、通信链路、主站业务、档案、环境及负荷行为等网-链证据转换为训练约束，也缺少对子模型更新后输出与融合权重调整顺序关系的明确限定。

技术实现思路

1、本发明要解决的技术问题：

2、（1）针对物理设备、通信链路、主站业务、档案、环境及负荷行为等多源运行证据虽共同影响异常根因判断，但现有方法未将其组织为统一可计算网-链数据对象的问题，本发明旨在解决如何构建网-链证据向量并形成异常根因先验。

3、（2）针对周期回流数据具有小批量和类别不均衡特点，常规多分类交叉熵未区分不同类别样本量，也未约束模型预测与电气网-链证据之间一致性的问题，本发明旨在解决如何使网-链证据和类别分布共同参与可微子模型训练目标。

4、（3）针对标准自适应优化方法直接使用分类损失梯度，未根据预测结果与网-链根因先验的冲突程度调整样本更新贡献的问题，本发明旨在解决如何在进入自适应矩估计过程前对样本梯度进行场景化调制。

5、（4）针对现有类别差异化融合权重仅依据当前批次分类损失更新，难以同时反映各子模型分类别可靠度，且在小批量反馈下可能偏离上一轮稳定生产配置的问题，本发明旨在解决如何利用类别-模型可靠度与已部署配置共同约束融合权重更新。

6、（5）针对子模型参数更新与融合策略调整的真实数据依赖关系不清，以及候选配置验证、部署、人工覆盖和回滚机制不足的问题，本发明旨在建立先更新子模型、再更新融合权重的双层级顺序协同机制，并使候选结果可验证、可条件部署和可回滚。

7、针对现有技术的上述问题，提供一种信息物理系统的网-链式数据异常根因追溯自趋优方法、装置及介质，使子模型训练和融合权重配置均受到网-链证据约束，并按照子模型更新在先、融合权重适配在后的顺序随运行反馈持续优化。

8、为了解决上述技术问题，本发明采用的技术方案为：

9、第一方面，本发明提出一种信息物理系统的网-链式数据异常根因追溯自趋优方法，包括以下步骤：

10、获取信息物理系统的多源运行数据，从所述多源运行数据中提取证据特征得到网-链证据向量，根据所述证据特征与异常根因类别的关联关系构建网-链关联矩阵；

11、将所述多源运行数据分别输入包含可微子模型的多个异构子模型进行异常根因预测，得到各子模型的预测概率，通过类别差异化融合权重参数矩阵对所述预测概率进行加权融合，得到融合预测结果并输出；

12、获取用户对所述融合预测结果的人工反馈以确定真实标签，将所述真实标签与对应的多源运行数据、网-链证据向量、预测概率及融合预测结果关联存储，得到对应的记录，并将满足回流条件的记录作为回流样本加入训练标签数据集；

13、当所述训练标签数据集满足周期重训条件时，从所述训练标签数据集中提取回流样本，将所述回流样本输入可微子模型，得到可微子模型的预测概率，根据所述回流样本对应的网-链证据向量和网-链关联矩阵计算网-链根因先验向量，根据所述回流样本对应的网-链根因先验与可微子模型的预测概率的差异计算网-链一致性损失，根据所述回流样本对应的真实标签计算类别平衡交叉熵损失，将所述类别平衡交叉熵损失与所述网-链一致性损失组合为网-链一致性复合损失，根据网-链一致性复合损失对可微子模型的网络参数进行梯度更新；

14、固定更新后的可微子模型网络参数并重新获取各子模型的预测概率，根据重新获取的预测概率和真实标签确定类别-模型可靠度矩阵，根据所述类别-模型可靠度矩阵和相对于上一轮已部署融合权重配置的稳定性约束，更新所述类别差异化融合权重参数矩阵得到更新后的融合权重配置；

15、部署更新后的可微子模型网络参数和融合权重配置。

16、进一步的，所述多源运行数据包括物理设备状态数据、通信链路状态数据、主站业务处理状态数据、档案数据、环境因素数据和负荷行为状态数据，从所述多源运行数据中提取证据特征得到网-链证据向量时，包括以下步骤：

17、针对同一异常事件，对所述多源运行数据进行时间对齐和对象关联；

18、从时间对齐和对象关联后的多源运行数据中，分别提取表征物理设备状态、通信链路状态、主站业务处理状态、档案一致性、环境因素和负荷行为状态的证据特征；其中，表征物理设备状态的证据特征至少包括电压偏差率、电流不平衡度、电量突变幅度、功率因数偏离度和数据缺失率；表征通信链路状态的证据特征至少包括终端在线率、采集成功率、信号强度均值、通信时延和丢包率；表征主站业务处理状态的证据特征至少包括接口调用成功率、任务队列积压量、数据处理异常率和系统响应时延；表征档案一致性的证据特征至少包括档案匹配标识、参数配置偏差和户变关系一致性；表征环境因素的证据特征至少包括温度偏离度、湿度、降水量和综合气象指数；表征负荷行为状态的证据特征至少包括负荷波动系数、负荷率、峰谷差率和与历史同期偏差；

19、对各类证据特征进行状态编码，将非数值型特征转换为数值表示；对状态编码后的各类证据特征进行数值归一化，将各维度特征值映射至[0,1]区间；将归一化后的各类证据特征按固定顺序拼接成定长特征向量，作为所述网-链证据向量。

20、进一步的，所述异构子模型包括专家规则子模型，专家规则子模型通过规则匹配输出确定性类别判定结果及对应的置信度分数，将未命中规则的类别置信度分数置为0，并对全部类别的置信度分数经softmax函数归一化，转化为与可微子模型同量纲的概率分布，归一化公式如下：

21、

22、式中，表示专家规则子模型判定输入数据属于第个异常根因类别的概率，为异常根因类别序号，

c为异常根因类别总数；

si为第

i个异常根因类别的置信度分数，

k为求和索引变量，>0为温度系数。

23、进一步的，将所述真实标签与对应的多源运行数据、网-链证据向量、预测概率及融合预测结果关联存储之前，还包括：初始化自趋优扩展字段，所述自趋优扩展字段包括真实类别字段、反馈类型字段、回流标识字段和网-链证据字段，其中，所述真实类别字段初始为空，所述反馈类型字段初始为未反馈，所述回流标识字段初始为未回流，所述网-链证据字段用于存储与所述融合预测结果对应的网-链证据向量；

24、将所述真实标签与对应的多源运行数据、网-链证据向量、预测概率及融合预测结果关联存储时，具体是将人工反馈确定的真实标签写入所述真实类别字段，将对应的网-链证据向量写入所述网-链证据字段，并将所述反馈类型字段更新为已反馈；

25、将满足回流条件的记录作为回流样本加入训练标签数据集时，具体是从反馈类型字段为已反馈且回流标识字段为未回流的记录中筛选有效记录，将所述有效记录的真实标签及其关联的多源运行数据、网-链证据向量、预测概率和融合预测结果加入所述训练标签数据集，并将对应的回流标识字段更新为已回流，以防止重复回流。

26、进一步的，根据所述证据特征与异常根因类别的关联关系构建网-链关联矩阵时，包括：基于电力系统领域专家经验，针对每一证据特征与每一异常根因类别确定关联程度，所述关联程度分为强关联、弱关联和无关联三个等级并分别赋予对应整数值；将所述关联程度赋值填入矩阵对应位置得到初始整数矩阵；对所述初始整数矩阵的每一列进行归一化处理，使每一列的元素之和为1，得到所述网-链关联矩阵；

27、根据所述回流样本对应的网-链证据向量和网-链关联矩阵计算网-链根因先验向量之前，还包括：利用所述回流样本统计各证据特征在不同异常根因类别下的实际分布，以滑动平均方式更新所述网-链关联矩阵的矩阵元素，数学表达式如下：

28、

29、式中，为更新前的矩阵元素值，为更新后的矩阵元素值，为学习率，

fji为根据近期反馈样本统计的第

j个证据特征在第类样本中的标准化贡献频率。

30、进一步的，从所述训练标签数据集中提取回流样本之后，还包括：将回流样本加入周期重训数据集；根据所述回流样本对应的网-链证据向量和网-链关联矩阵计算网-链根因先验向量时，包括：

31、通过网-链关联矩阵将周期重训数据集中的回流样本的网-链证据向量映射至各异常根因类别，并进行归一化处理，得到对应的网-链根因先验向量，数学表达式如下：

32、

33、上式中，表示回流样本

s的网-链证据向量，表示网-链关联矩阵a的转置，表示回流样本

s的网-链根因先验向量，softmax(·)表示归一化指数函数。

34、进一步的，根据所述回流样本对应的真实标签计算类别平衡交叉熵损失时，包括：

35、根据周期重训数据集中各异常根因类别的回流样本数量，计算相应的类别平衡权重，数学表达式如下：

36、

37、上式中，c表示异常根因类别总数，

i和

r分别表示异常根因类别序号和类别求和索引，和分别表示真实标签属于第

i类和第

r类的训练样本数量，表示第

i类的类别平衡权重，

δ>0表示类别样本数量平滑常数，

γ∈[0,1]表示类别不均衡调节系数；

38、针对任一可微子模型，根据所述回流样本的真实标签、所述可微子模型输出的预测概率和所述类别平衡权重，计算类别平衡交叉熵损失，数学表达式如下：

39、

40、上式中，表示类别平衡交叉熵损失，

ε>0表示数值稳定常数，ln表示自然对数，表示回流样本

s的真实标签独热编码中对应第

i类的分量，表示可微子模型j输出的训练样本s属于第i类的预测概率。

41、进一步的，根据所述回流样本对应的网-链根因先验向量与可微子模型的预测概率的差异计算网-链一致性损失时，数学表达式如下：

42、

43、上式中，表示网-链一致性损失，

ε>0表示数值稳定常数，c表示异常根因类别总数，表示所述网-链根因先验向量的第

i个类别分量，表示可微子模型j输出的训练样本s属于第i类的预测概率。

44、进一步的，将所述类别平衡交叉熵损失与所述网-链一致性损失组合为网-链一致性复合损失，根据网-链一致性复合损失对可微子模型的网络参数进行梯度更新时，包括：

45、得到对应的网-链根因先验向量，将所述类别平衡交叉熵损失与所述网-链一致性损失进行加权组合，得到所述可微子模型对应的网-链一致性复合损失，数学表达式如下：

46、

47、上式中，、和分别表示类别平衡交叉熵损失、网-链一致性损失和网-链一致性复合损失，

λ≥0表示网-链一致性约束系数；

48、计算当前训练批次内各回流样本网-链一致性损失的平均值，并根据每一回流样本的网-链一致性损失相对于所述平均值的偏离程度，确定相应的冲突调制系数，数学表达式如下：

49、

50、

51、上式中，表示当前训练批次的网-链一致性损失平均值；b表示当前训练批次的回流样本数量，

u表示当前训练批次内的样本求和索引，表示回流样本

s对应可微子模型

j的冲突调制系数，和分别表示冲突调制系数的下限和上限，clip(x,a,b)表示将x限制在下限a与上限b之间；

κ≥0表示冲突调制强度系数；

52、利用所述冲突调制系数对各回流样本的网-链一致性复合损失关于可微子模型网络参数的梯度进行调制和汇总，得到冲突调制后的批次梯度，数学表达式如下：

53、

54、上式中，表示可微子模型

j的网络参数，表示对求梯度，表示第

t次参数更新使用的冲突调制后批次梯度；

55、将冲突调制后的批次梯度输入自适应矩估计过程，更新一阶矩估计和二阶矩估计，经偏差校正后确定可微子模型的各维度网络参数的更新量；其中，若可微子模型为深层金字塔卷积网络，更新深层金字塔卷积层权重、区域嵌入层参数及全连接分类层参数；若可微子模型为图神经网络，更新图消息传递层权重、注意力系数、图池化层参数及节点分类层参数。

56、进一步的，固定更新后的可微子模型网络参数并重新获取各子模型的预测概率之后还包括：将对应的回流样本的预测概率替换为重新获取的预测概率后加入权重优化训练集；根据重新获取的预测概率和真实标签确定类别-模型可靠度矩阵时，包括：

57、对所述类别差异化融合权重参数矩阵逐行进行softmax归一化得到融合比例矩阵，根据同一异常根因类别下各子模型的预测概率计算融合得分，再对全部异常根因类别的融合得分进行归一化得到融合预测概率，公式如下：

58、

59、

60、

61、上式中，表示对回流样本的全部个类别融合得分再次归一化后得到的融合预测概率；表示数值稳定常数，表示回流样本序号，表示固定本轮子模型状态后，第个子模型对回流样本属于第类输出的预测概率；表示回流样本对应第类异常根因的融合得分，表示对类别差异化融合权重参数矩阵逐行进行softmax归一化得到的融合比例矩阵中第行第列的元素，表示自然指数函数，表示类别差异化融合权重参数矩阵中第行第列的元素，表示数值稳定常数；

62、对于权重优化训练集中真实标签为第

i个异常根因类别的回流样本数量的情况，沿用上一轮经效果验证并部署的类别-模型可靠度矩阵对应行，并停止该异常根因类别对应融合权重参数的自动更新；对于权重优化训练集中真实标签为第

i个异常根因类别的回流样本数量的情况，按照对真实类别输出的平均预测概率计算类别-模型可靠度矩阵并逐行归一化，公式如下：

63、

64、上式中，表示第个子模型在真实类别为的回流样本上对该真实类别输出的平均预测概率；表示对逐行归一化得到的类别-模型可靠度矩阵，表示所述类别-模型可靠度矩阵第行第列的元素，求和条件表示仅对真实类别为的回流样本求和。

65、进一步的，根据所述类别-模型可靠度矩阵和相对于上一轮已部署融合权重配置的稳定性约束，更新所述类别差异化融合权重参数矩阵得到更新后的融合权重配置时，包括：

66、以真实标签为监督，基于所述融合预测概率与所述网-链根因先验确定融合层网-链一致性复合损失，公式如下：

67、

68、上式中，表示权重优化训练集样本总数；表示融合层第类异常根因的类别平衡权重，采用类别平衡权重计算方法由权重优化训练集的类别样本数量确定；表示样本的真实标签独热编码中对应第类的分量，真实类别为时取，否则取；表示融合预测概率；表示样本的网-链根因先验向量中第类对应的分量；表示融合层网-链一致性约束系数，用于调节一致性损失对融合层复合损失的贡献；表示自然对数；表示数值稳定常数；

69、将所述融合层网-链一致性复合损失、所述融合比例矩阵与归一化类别-模型可靠度矩阵之间的偏差以及所述融合比例矩阵相对于上一轮经效果验证并部署的融合比例矩阵的变化量组合为融合权重优化损失，数学表达式如下：

70、

71、上式中，表示融合层网-链一致性复合损失；表示本轮融合比例矩阵；表示逐行归一化后的类别-模型可靠度矩阵；表示上一轮经效果验证并部署的融合比例矩阵；表示可靠度引导约束系数，用于调节融合比例矩阵向归一化可靠度矩阵接近的程度；表示配置稳定性约束系数，用于调节融合比例矩阵相对于上一轮已部署配置的变化程度；表示frobenius范数，其平方为矩阵全部元素平方之和；

72、根据所述融合权重优化损失对所述类别差异化融合权重参数矩阵进行梯度更新，得到更新后的融合权重配置。

73、进一步的，根据所述融合权重优化损失对所述类别差异化融合权重参数矩阵进行梯度更新时，包括以下步骤：

74、根据所述类别差异化融合权重参数矩阵中已被人工覆盖的元素，以及本轮用于训练的回流样本未覆盖的异常根因类别，生成与类别差异化融合权重参数矩阵维度相同的锁定掩码

m，其中允许自动更新的矩阵元素对应掩码值为1，禁止自动更新的矩阵元素对应掩码值为0；

75、计算融合权重优化损失关于类别差异化融合权重参数矩阵的梯度，将所述梯度与锁定掩码逐元素相乘，得到受控融合权重梯度，公式如下：

76、

77、上式中，表示锁定掩码，表示允许对应的自动更新，表示保持该参数不变；表示矩阵对应元素相乘；表示融合权重优化损失关于类别差异化融合权重参数矩阵的梯度，表示采用更新前矩阵计算并经锁定掩码约束的受控融合权重梯度；

78、将所述受控融合权重梯度输入自适应矩估计过程，经矩估计和偏差校正后更新未锁定的融合权重参数，并保持锁定元素对应的人工配置值或上一轮已部署配置值不变，公式如下：

79、

80、上式中，和分别表示本次迭代更新前和更新后的融合权重参数矩阵；表示融合权重学习率；和分别表示根据计算并经偏差校正的一阶矩和二阶矩估计；表示防止更新式分母为零的数值稳定常数；

81、在接收到人工权重覆盖指令时，根据所述人工权重覆盖指令指定的异常根因类别和子模型确定待锁定矩阵元素，将所述待锁定矩阵元素设置为人工配置值，并将锁定掩码中对应元素设置为0，使所述待锁定矩阵元素在后续自动优化过程中保持所述人工配置值；在接收到解除锁定指令时，将所述锁定掩码中对应元素恢复为1。

82、进一步的，部署更新后的可微子模型网络参数和融合权重配置时，包括：

83、对更新后的可微子模型网络参数和融合权重配置进行联合效果验证，所述联合效果验证包括计算整体准确率、网-链不一致率以及融合权重变化量，验证结果满足预设部署条件时，共同部署更新后的可微子模型网络参数和融合权重配置，否则维持上一轮已部署的可微子模型网络参数和融合权重配置。

84、进一步的，验证结果满足预设部署条件时，具体是同时满足以下条件：

85、候选配置的整体准确率不低于上一轮已部署配置在同一验证集上的整体准确率；

86、候选配置的宏平均f1不低于预设阈值，或者预先指定的全部关键类别的召回率分别不低于对应预设阈值；

87、候选配置的网-链不一致率不高于预设上限；

88、候选融合比例矩阵相对于上一轮已部署融合比例矩阵的最大行变化量不超过预设安全阈值。

89、进一步的，还包括：初始化所述类别差异化融合权重参数矩阵，具体是将所述类别差异化融合权重参数矩阵同一行中的各元素设置为相同初始值，以使各子模型对应同一异常根因类别的初始融合比例相同；或者，在存在上一轮经效果验证并已部署的类别差异化融合权重参数矩阵时，将上一轮经效果验证并已部署的类别差异化融合权重参数矩阵作为本轮初始值。

90、第二方面，本发明提出一种信息物理系统的网-链式数据异常根因追溯自趋优装置，包括：

91、数据获取单元，用于获取信息物理系统的多源运行数据，从所述多源运行数据中提取证据特征得到网-链证据向量，根据所述证据特征与异常根因类别的关联关系构建网-链关联矩阵；

92、异常根因预测单元，用于将所述多源运行数据分别输入包含可微子模型的多个异构子模型进行异常根因预测，得到各子模型的预测概率，通过类别差异化融合权重参数矩阵对所述预测概率进行加权融合，得到融合预测结果；

93、训练标签数据集构建单元，用于获取用户对所述融合预测结果的反馈以确定真实标签，将所述真实标签与对应的多源运行数据、网-链证据向量、预测概率及融合预测结果关联存储，得到对应的记录，并将满足回流条件的记录作为回流样本加入训练标签数据集；

94、可微子模型参数更新单元，用于当所述训练标签数据集满足周期重训条件时，从所述训练标签数据集中提取回流样本，将所述回流样本输入可微子模型，得到可微子模型的预测概率，根据所述回流样本对应的网-链证据向量和网-链关联矩阵计算网-链根因先验向量，根据所述回流样本对应的网-链根因先验向量与可微子模型的预测概率的差异计算网-链一致性损失，根据所述回流样本对应的真实标签计算类别平衡交叉熵损失，将所述类别平衡交叉熵损失与所述网-链一致性损失组合为网-链一致性复合损失，根据网-链一致性复合损失对可微子模型的网络参数进行梯度更新；

95、融合权重配置更新单元，用于固定更新后的可微子模型网络参数并重新获取各子模型的预测概率，根据重新获取的预测概率和真实标签确定类别-模型可靠度矩阵，根据所述类别-模型可靠度矩阵和相对于上一轮已部署融合权重配置的稳定性约束，更新所述类别差异化融合权重参数矩阵得到更新后的融合权重配置；

96、更新部署单元，用于部署更新后的可微子模型网络参数和融合权重配置。

97、进一步的，所述多源运行数据包括物理设备状态数据、通信链路状态数据、主站业务处理状态数据、档案数据、环境因素数据和负荷行为状态数据，所述数据获取单元从所述多源运行数据中提取证据特征得到网-链证据向量时，包括以下步骤：

98、针对同一异常事件，对所述多源运行数据进行时间对齐和对象关联；

99、从时间对齐和对象关联后的多源运行数据中，分别提取表征物理设备状态、通信链路状态、主站业务处理状态、档案一致性、环境因素和负荷行为状态的证据特征；其中，表征物理设备状态的证据特征至少包括电压偏差率、电流不平衡度、电量突变幅度、功率因数偏离度和数据缺失率；表征通信链路状态的证据特征至少包括终端在线率、采集成功率、信号强度均值、通信时延和丢包率；表征主站业务处理状态的证据特征至少包括接口调用成功率、任务队列积压量、数据处理异常率和系统响应时延；表征档案一致性的证据特征至少包括档案匹配标识、参数配置偏差和户变关系一致性；表征环境因素的证据特征至少包括温度偏离度、湿度、降水量和综合气象指数；表征负荷行为状态的证据特征至少包括负荷波动系数、负荷率、峰谷差率和与历史同期偏差；

100、对各类证据特征进行状态编码，将非数值型特征转换为数值表示；对状态编码后的各类证据特征进行数值归一化，将各维度特征值映射至[0,1]区间；将归一化后的各类证据特征按固定顺序拼接成定长特征向量，作为所述网-链证据向量。

101、进一步的，所述异构子模型包括专家规则子模型，专家规则子模型通过规则匹配输出确定性类别判定结果及对应的置信度分数，将未命中规则的类别置信度分数置为0，并对全部类别的置信度分数经softmax函数归一化，转化为与可微子模型同量纲的概率分布，归一化公式如下：

102、

103、式中，表示专家规则子模型判定输入数据属于第个异常根因类别的概率，为异常根因类别序号，

c为异常根因类别总数；

si为第

i个异常根因类别的置信度分数，

k为求和索引变量，>0为温度系数。

104、进一步的，所述训练标签数据集构建单元将所述真实标签与对应的多源运行数据、网-链证据向量、预测概率及融合预测结果关联存储之前，还包括：初始化自趋优扩展字段，所述自趋优扩展字段包括真实类别字段、反馈类型字段、回流标识字段和网-链证据字段，其中，所述真实类别字段初始为空，所述反馈类型字段初始为未反馈，所述回流标识字段初始为未回流，所述网-链证据字段用于存储与所述融合预测结果对应的网-链证据向量；

105、所述训练标签数据集构建单元将所述真实标签与对应的多源运行数据、网-链证据向量、预测概率及融合预测结果关联存储时，具体是将人工反馈确定的真实标签写入所述真实类别字段，将对应的网-链证据向量写入所述网-链证据字段，并将所述反馈类型字段更新为已反馈；

106、所述训练标签数据集构建单元将满足回流条件的记录作为回流样本加入训练标签数据集时，具体是从反馈类型字段为已反馈且回流标识字段为未回流的记录中筛选有效记录，将所述有效记录的真实标签及其关联的多源运行数据、网-链证据向量、预测概率和融合预测结果加入所述训练标签数据集，并将对应的回流标识字段更新为已回流，以防止重复回流。

107、进一步的，所述数据获取单元根据所述证据特征与异常根因类别的关联关系构建网-链关联矩阵时，包括：基于电力系统领域专家经验，针对每一证据特征与每一异常根因类别确定关联程度，所述关联程度分为强关联、弱关联和无关联三个等级并分别赋予对应整数值；将所述关联程度赋值填入矩阵对应位置得到初始整数矩阵；对所述初始整数矩阵的每一列进行归一化处理，使每一列的元素之和为1，得到所述网-链关联矩阵；

108、所述可微子模型参数更新单元根据所述回流样本对应的网-链证据向量和网-链关联矩阵计算网-链根因先验向量之前，还包括：利用所述回流样本统计各证据特征在不同异常根因类别下的实际分布，以滑动平均方式更新所述网-链关联矩阵的矩阵元素，数学表达式如下：

109、

110、式中，为更新前的矩阵元素值，为更新后的矩阵元素值，为学习率，

fji为根据近期反馈样本统计的第

j个证据特征在第类样本中的标准化贡献频率。

111、进一步的，所述可微子模型参数更新单元从所述训练标签数据集中提取回流样本之后，还将回流样本加入周期重训数据集；所述可微子模型参数更新单元根据所述回流样本对应的网-链证据向量和网-链关联矩阵计算得到网-链根因先验向量时，包括：

112、通过网-链关联矩阵将周期重训数据集中的回流样本的网-链证据向量映射至各异常根因类别，并进行归一化处理，得到对应的网-链根因先验向量，数学表达式如下：

113、

114、上式中，表示回流样本

s的网-链证据向量，表示网-链关联矩阵a的转置，表示回流样本

s的网-链根因先验向量，softmax(·)表示归一化指数函数。

115、进一步的，所述可微子模型参数更新单元根据所述回流样本对应的真实标签计算类别平衡交叉熵损失时，包括：

116、根据周期重训数据集中各异常根因类别的回流样本数量，计算相应的类别平衡权重，数学表达式如下：

117、

118、上式中，c表示异常根因类别总数，

i和

r分别表示异常根因类别序号和类别求和索引，和分别表示真实标签属于第

i类和第

r类的训练样本数量，表示第

i类的类别平衡权重，

δ>0表示类别样本数量平滑常数，

γ∈[0,1]表示类别不均衡调节系数；

119、针对任一可微子模型，根据所述回流样本的真实标签、所述可微子模型输出的预测概率和所述类别平衡权重，计算类别平衡交叉熵损失，数学表达式如下：

120、

121、上式中，表示类别平衡交叉熵损失，

ε>0表示数值稳定常数，ln表示自然对数，表示回流样本

s的真实标签独热编码中对应第

i类的分量，表示可微子模型j输出的训练样本s属于第i类的预测概率。

122、进一步的，所述可微子模型参数更新单元根据所述回流样本对应的网-链根因先验向量与可微子模型的预测概率的差异计算网-链一致性损失时，数学表达式如下：

123、

124、上式中，表示网-链一致性损失，

ε>0表示数值稳定常数，c表示异常根因类别总数，表示所述网-链根因先验向量的第

i个类别分量，表示可微子模型j输出的训练样本s属于第i类的预测概率。

125、进一步的，所述可微子模型参数更新单元将所述类别平衡交叉熵损失与所述网-链一致性损失组合为网-链一致性复合损失，根据网-链一致性复合损失对可微子模型的网络参数进行梯度更新时，包括：

126、将所述类别平衡交叉熵损失与所述网-链一致性损失进行加权组合，得到所述可微子模型对应的网-链一致性复合损失，数学表达式如下：

127、

128、上式中，、和分别表示类别平衡交叉熵损失、网-链一致性损失和网-链一致性复合损失，

λ≥0表示网-链一致性约束系数；

129、计算当前训练批次内各回流样本网-链一致性损失的平均值，并根据每一回流样本的网-链一致性损失相对于所述平均值的偏离程度，确定相应的冲突调制系数，数学表达式如下：

130、

131、

132、上式中，表示当前训练批次的网-链一致性损失平均值；b表示当前训练批次的回流样本数量，

u表示当前训练批次内的样本求和索引，表示回流样本

s对应可微子模型

j的冲突调制系数，和分别表示冲突调制系数的下限和上限，clip(x,a,b)表示将x限制在下限a与上限b之间；

κ≥0表示冲突调制强度系数；

133、利用所述冲突调制系数对各回流样本的网-链一致性复合损失关于可微子模型网络参数的梯度进行调制和汇总，得到冲突调制后的批次梯度，数学表达式如下：

134、

135、上式中，表示可微子模型

j的网络参数，表示对求梯度，表示第

t次参数更新使用的冲突调制后批次梯度；

136、将冲突调制后的批次梯度输入自适应矩估计过程，更新一阶矩估计和二阶矩估计，经偏差校正后确定可微子模型的各维度网络参数的更新量；其中，若可微子模型为深层金字塔卷积网络，更新深层金字塔卷积层权重、区域嵌入层参数及全连接分类层参数；若可微子模型为图神经网络，更新图消息传递层权重、注意力系数、图池化层参数及节点分类层参数。

137、进一步的，所述融合权重配置更新单元固定更新后的可微子模型网络参数并重新获取各子模型的预测概率之后还将对应的回流样本的预测概率替换为重新获取的预测概率后加入权重优化训练集；所述融合权重配置更新单元根据重新获取的预测概率和真实标签确定类别-模型可靠度矩阵时，包括：

138、对所述类别差异化融合权重参数矩阵逐行进行softmax归一化得到融合比例矩阵，根据同一异常根因类别下各子模型的预测概率计算融合得分，再对全部异常根因类别的融合得分进行归一化得到融合预测概率，公式如下：

139、

140、

141、

142、上式中，表示对回流样本的全部个类别融合得分再次归一化后得到的融合预测概率；表示数值稳定常数，表示回流样本序号，表示固定本轮子模型状态后，第个子模型对回流样本属于第类输出的预测概率；表示回流样本对应第类异常根因的融合得分，表示对类别差异化融合权重参数矩阵逐行进行softmax归一化得到的融合比例矩阵中第行第列的元素，表示自然指数函数，表示类别差异化融合权重参数矩阵中第行第列的元素，表示数值稳定常数；

143、对于权重优化训练集中真实标签为第

i个异常根因类别的回流样本数量的情况，沿用上一轮经效果验证并部署的类别-模型可靠度矩阵对应行，并停止该异常根因类别对应融合权重参数的自动更新；对于权重优化训练集中真实标签为第

i个异常根因类别的回流样本数量的情况，按照对真实类别输出的平均预测概率计算类别-模型可靠度矩阵并逐行归一化，公式如下：

144、

145、上式中，表示第个子模型在真实类别为的回流样本上对该真实类别输出的平均预测概率；表示对逐行归一化得到的类别-模型可靠度矩阵，表示所述类别-模型可靠度矩阵第行第列的元素，求和条件表示仅对真实类别为的回流样本求和。

146、进一步的，所述融合权重配置更新单元根据所述类别-模型可靠度矩阵和相对于上一轮已部署融合权重配置的稳定性约束，更新所述类别差异化融合权重参数矩阵得到更新后的融合权重配置时，包括：

147、以真实标签为监督，基于所述融合预测概率与所述网-链根因先验确定融合层网-链一致性复合损失，公式如下：

148、

149、上式中，表示权重优化训练集样本总数；表示融合层第类异常根因的类别平衡权重，采用类别平衡权重计算方法由权重优化训练集的类别样本数量确定；表示样本的真实标签独热编码中对应第类的分量，真实类别为时取，否则取；表示融合预测概率；表示样本的网-链根因先验向量中第类对应的分量；表示融合层网-链一致性约束系数，用于调节一致性损失对融合层复合损失的贡献；表示自然对数；表示数值稳定常数；

150、将所述融合层网-链一致性复合损失、所述融合比例矩阵与归一化类别-模型可靠度矩阵之间的偏差以及所述融合比例矩阵相对于上一轮经效果验证并部署的融合比例矩阵的变化量组合为融合权重优化损失，数学表达式如下：

151、

152、上式中，表示融合层网-链一致性复合损失；表示本轮融合比例矩阵；表示逐行归一化后的类别-模型可靠度矩阵；表示上一轮经效果验证并部署的融合比例矩阵；表示可靠度引导约束系数，用于调节融合比例矩阵向归一化可靠度矩阵接近的程度；表示配置稳定性约束系数，用于调节融合比例矩阵相对于上一轮已部署配置的变化程度；表示frobenius范数，其平方为矩阵全部元素平方之和；

153、根据所述融合权重优化损失对所述类别差异化融合权重参数矩阵进行梯度更新，得到更新后的融合权重配置。

154、进一步的，所述融合权重配置更新单元根据所述融合权重优化损失对所述类别差异化融合权重参数矩阵进行梯度更新时，包括以下步骤：

155、根据所述类别差异化融合权重参数矩阵中已被人工覆盖的元素，以及本轮用于训练的回流样本未覆盖的异常根因类别，生成与类别差异化融合权重参数矩阵维度相同的锁定掩码

m，其中允许自动更新的矩阵元素对应掩码值为1，禁止自动更新的矩阵元素对应掩码值为0；

156、计算融合权重优化损失关于类别差异化融合权重参数矩阵的梯度，将所述梯度与锁定掩码逐元素相乘，得到受控融合权重梯度，公式如下：

157、

158、上式中，表示锁定掩码，表示允许对应的自动更新，表示保持该参数不变；表示矩阵对应元素相乘；表示融合权重优化损失关于类别差异化融合权重参数矩阵的梯度，表示采用更新前矩阵计算并经锁定掩码约束的受控融合权重梯度；

159、将所述受控融合权重梯度输入自适应矩估计过程，经矩估计和偏差校正后更新未锁定的融合权重参数，并保持锁定元素对应的人工配置值或上一轮已部署配置值不变，公式如下：

160、

161、上式中，和分别表示本次迭代更新前和更新后的融合权重参数矩阵；表示融合权重学习率；和分别表示根据计算并经偏差校正的一阶矩和二阶矩估计；表示防止更新式分母为零的数值稳定常数；

162、在接收到人工权重覆盖指令时，根据所述人工权重覆盖指令指定的异常根因类别和子模型确定待锁定矩阵元素，将所述待锁定矩阵元素设置为人工配置值，并将锁定掩码中对应元素设置为0，使所述待锁定矩阵元素在后续自动优化过程中保持所述人工配置值；在接收到解除锁定指令时，将所述锁定掩码中对应元素恢复为1。

163、进一步的，所述更新部署单元部署更新后的可微子模型网络参数和融合权重配置时，包括：

164、对更新后的可微子模型网络参数和融合权重配置进行联合效果验证，所述联合效果验证包括计算整体准确率、网-链不一致率以及融合权重变化量，验证结果满足预设部署条件时，共同部署更新后的可微子模型网络参数和融合权重配置，否则维持上一轮已部署的可微子模型网络参数和融合权重配置。

165、进一步的，验证结果满足预设部署条件时，具体是同时满足以下条件：

166、候选配置的整体准确率不低于上一轮已部署配置在同一验证集上的整体准确率；

167、候选配置的宏平均f1不低于预设阈值，或者预先指定的全部关键类别的召回率分别不低于对应预设阈值；

168、候选配置的网-链不一致率不高于预设上限；

169、候选融合比例矩阵相对于上一轮已部署融合比例矩阵的最大行变化量不超过预设安全阈值。

170、进一步的，所述异常根因预测单元还用于初始化所述类别差异化融合权重参数矩阵，具体是将所述类别差异化融合权重参数矩阵同一行中的各元素设置为相同初始值，以使各子模型对应同一异常根因类别的初始融合比例相同；或者，在存在上一轮经效果验证并已部署的类别差异化融合权重参数矩阵时，将上一轮经效果验证并已部署的类别差异化融合权重参数矩阵作为本轮初始值。

171、第三发明，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的信息物理系统的网-链式数据异常根因追溯自趋优方法。

172、与现有技术相比，本发明的优点在于：

173、(1) 针对多源运行证据未组织为统一可计算对象的问题，本发明根据预设的证据特征与异常根因类别的关联关系构建网-链关联矩阵，并从多源运行数据中提取证据特征得到网-链证据向量，将物理设备、通信链路、主站业务、档案、环境和负荷行为等多源异构证据组织为统一的网-链证据向量，使网-链传播关系由背景描述转化为能够参与模型训练和融合优化的计算对象。

174、(2) 针对周期回流数据类别不均衡且缺乏网-链证据约束的问题，本发明根据网-链根因先验与可微子模型预测概率的差异计算网-链一致性损失，并将其与类别平衡交叉熵损失组合为网-链一致性复合损失，使网-链证据和类别分布共同参与可微子模型训练目标的构建，有利于改善类别不均衡条件下少样本根因学习不足以及预测结果与实际网-链证据不一致的问题。

175、(3) 针对标准优化未根据网-链冲突调整样本梯度的问题，本发明根据网-链一致性损失对可微子模型网络参数进行梯度更新，依据预测结果与网-链根因先验的冲突程度调整不同样本对网络参数更新的梯度贡献，有利于提升高冲突样本的训练充分性，改善预测结果与网-链证据不一致的样本学习效果。

176、(4) 针对融合权重难以反映子模型可靠度且易突变的问题，本发明固定更新后的可微子模型网络参数并重新获取各子模型的预测概率，根据该预测概率和真实标签确定类别-模型可靠度矩阵，并根据该可靠度矩阵和相对于上一轮已部署融合权重配置的稳定性约束更新融合权重，使融合权重能够适配子模型分类别输出质量的变化，同时降低小批量反馈引起的融合配置突变。

177、(5) 针对子模型与融合策略依赖关系不清及缺乏可控部署机制的问题，本发明先更新可微子模型网络参数、再更新融合权重，并对更新后的网络参数和融合权重配置进行联合效果验证，在满足预设部署条件时共同部署、否则维持上一轮已部署配置，准确反映两个优化层级之间的单向数据依赖，使持续优化结果在进入生产配置前得到验证、可条件部署和可回滚。