基于大模型的电力系统告警降噪与智能研判方法和系统与流程

本发明涉及一种基于大模型的电力系统告警降噪与智能研判方法和系统，属于电力系统自动化与人工智能交叉。

背景技术：

1、随着电力系统数字化、智能化程度的不断提升，电力系统中部署了大量的监测设备和传感器，每日产生海量的运行数据和告警信息。这些告警数据来源多样、格式各异，包括来自scada系统的遥测告警、来自保护装置的故障告警、来自网络安全设备的攻击告警等，呈现出典型的多源异构特征。与此同时，电力系统面临的运行风险日益复杂化，高风险事件往往隐蔽在海量告警数据之中，难以被及时发现和准确识别。大量的误报和冗余告警不仅增加了调度人员的工作负担，还可能对态势感知模型产生噪声干扰，扭曲对真实运行态势的判断。

2、现有技术中，电力系统告警处理主要经历了三个阶段的发展演进：

3、第一阶段——基于阈值的规则告警（1990s-2010s） ：该阶段主要依赖人工设定的固定阈值和简单规则对告警进行过滤和筛选。这种方法虽然实现简单，但难以应对复杂多变的电力系统运行工况，误报率和漏报率较高，且规则维护成本随系统规模扩大而急剧上升。

4、第二阶段——基于机器学习的异常检测（2010s-2020s） ：该阶段引入机器学习算法对告警数据进行聚类分析和异常检测。例如，已有专利公开了一种异构网络环境中告警信息的聚类融合方法，通过告警预处理和模糊聚类算法实现相似告警的聚类分析。然而，该类方法主要依赖告警本身的浅层特征进行聚类，未能充分挖掘告警之间的时空关联、设备拓扑关联和深层语义关联，聚类结果的准确性和可解释性仍有不足。

5、第三阶段——基于知识图谱与大模型的智能运维（2020s-） ：近年来，知识图谱和大语言模型技术开始被引入电力系统告警分析领域。例如，已有专利公开了基于大模型驱动知识图谱的电网故障应对策略生成方法；也有专利提出了融合知识图谱与大模型的水电站设备故障诊断方法。此外，还出现了基于大模型混合检索增强的告警处置方案生成方法、基于大模型的态势感知高危告警智能提醒方法等。

6、然而，上述现有技术仍存在以下不足：

7、第一，告警聚类的精细化程度不足。 现有技术中，告警聚类主要基于告警文本的语义相似度或简单的设备关联关系进行，未能充分融合时空维度、设备拓扑维度和语义维度进行多维度综合判断。不同告警场景（如瞬时故障场景、发展性故障场景、网络攻击场景）对各个维度的敏感度不同，现有技术采用固定权重的相似度计算方式，无法根据场景类型自适应调整，导致聚类结果在不同场景下的表现不稳定。

8、第二，大模型的知识利用不够充分。 现有技术虽然引入了知识图谱与大模型的融合，但多采用将知识图谱作为离线知识库进行检索增强的方式，未能将知识图谱的结构化知识作为约束条件深度融入模型的训练和推理过程中。大模型在电力系统这一专业领域的推理准确性受限于领域知识的覆盖程度，单纯依赖通用预训练模型难以准确识别电力系统中的复杂故障模式。

9、第三，推理过程的可解释性和可靠性不足。 现有技术中，大模型的推理过程往往是一个“黑箱”，缺乏对推理结果的可解释性支撑和置信度评估。调度人员难以判断模型输出的告警研判结果是否可靠，影响了技术方案在实际生产环境中的可接受度。

10、第四，缺乏闭环优化机制。 现有技术多为开环系统，未能根据实际使用中的反馈（如人工复核结果、模型置信度等）对告警聚类策略和模型参数进行自适应调整和持续优化。

11、在上述现有技术中，与本技术最为接近的是公开号为cn121998403a的“基于电力系统大模型的告警降噪方法及系统”。该专利申请公开了一种基于电力系统大模型的告警降噪方法，包括：获取多源异构告警数据并构建预处理数据集；基于预处理数据集构建异构信息网络，利用异构信息网络生成包含告警语义的节点序列，将符合相似度要求的多个节点序列聚合为告警簇；基于告警簇生成告警簇特征数据结构；获取知识图谱和历史告警数据构建电力威胁检测大模型；将告警簇特征数据结构输入大模型生成告警研判报告。

12、然而，该在先申请至少存在以下缺陷：（1）其异构信息网络仅笼统提及包含告警语义的节点序列，未明确网络中包含时间节点、位置节点等多元节点类型以及告警之间的时序关联关系、空间拓扑关系等多元语义关系；（2）其节点序列的生成和聚类采用单一的相似度要求，未涉及多维度相似度的加权融合和动态权重自适应调整；（3）其大模型的构建未明确知识图谱作为外部知识约束的具体方式，也未涉及双通道架构；（4）其生成的告警研判报告缺乏置信度评估机制，无法为调度人员提供决策可靠性的量化参考；（5）整体方案为开环系统，缺乏基于反馈的闭环优化机制。

技术实现思路

1、根据背景所述问题，本发明要解决的问题是：提供一种基于大模型的电力系统告警降噪与智能研判方法及系统，旨在实现对电力系统海量告警数据的高效降噪和精准研判，来解决上述中存在的问题。

2、为实现上述目的，本发明提供如下技术方案：提供一种基于大模型的电力系统告警降噪与智能研判方法，包括以下步骤：

3、s1、获取电力系统中的多源异构告警数据，对所述多源异构告警数据进行预处理，构建预处理数据集；

4、s2、基于所述预处理数据集构建异构信息网络，对所述异构信息网络中的各类型节点和各类边分别分配初始权重；

5、所述异构信息网络包含告警节点、设备节点、时间节点及位置节点，以及所述节点之间的多元语义关系，所述多元语义关系至少包括告警与设备的归属关系、告警之间的时序关联关系、告警之间的空间拓扑关系，所述初始权重基于节点类型的重要性和边类型的语义强度确定；

6、s3、在所述异构信息网络上定义多条元路径，基于所述多条元路径进行带偏好的随机游走，生成多个节点序列，对每个所述节点序列进行语义编码生成告警语义向量，计算任意两个所述告警语义向量之间的多维度相似度，所述多维度相似度包括语义相似度、时空相似度和设备拓扑相似度，将所述语义相似度、时空相似度和设备拓扑相似度按照动态权重进行加权融合得到综合相似度，所述动态权重根据告警场景类型自适应调整，基于所述综合相似度对所述多个节点序列进行聚类，生成告警簇；

7、s4、基于所述告警簇，提取各告警簇的时空分布特征、设备关联特征和语义聚合特征，生成告警簇特征数据结构；

8、s5、获取所述电力系统的知识图谱和历史告警数据，以所述知识图谱作为结构化知识约束集、以所述历史告警数据作为训练语料，采用双通道架构构建并训练电力威胁检测大模型，所述双通道架构包括知识增强通道和时序推理通道，所述知识增强通道用于将所述告警簇特征数据结构中的实体与所述知识图谱中的对应实体进行链接和语义对齐生成知识增强的告警语义表示，所述时序推理通道用于对所述告警簇特征数据结构中的时序特征进行序列建模生成时序增强的告警演化表示，将所述知识增强的告警语义表示与所述时序增强的告警演化表示进行跨通道融合得到融合推理结果；

9、s6、基于所述融合推理结果，生成电力系统的告警研判报告，并对所述告警研判报告进行置信度评估，输出所述告警研判报告对应的置信度分数。

10、优选的，所述步骤s3中的带偏好的随机游走中的游走路径的选择概率根据元路径类型和节点类型的差异动态调整，具体包括：

11、对于不同类型的元路径，设置不同的游走偏好权重；

12、在游走过程中，当前节点向各候选节点转移的概率由候选节点类型与当前元路径所期望的下一节点类型的匹配程度、候选节点与当前节点之间边的类型与当前元路径所期望的边类型的匹配程度、以及候选节点自身的节点重要性权重共同决定。

13、优选的，所述步骤s3中的语义相似度基于两个告警语义向量之间的余弦距离计算；

14、所述时空相似度基于两个告警簇对应的时间窗口重叠率和空间位置距离计算；

15、所述设备拓扑相似度基于两个告警簇所关联设备集合在电力系统拓扑图中的最短路径距离和共同邻居节点数量计算；

16、所述动态权重根据当前告警场景类型从预设的权重映射表中获取，所述告警场景类型至少包括瞬时故障场景、发展性故障场景和网络攻击场景，不同告警场景类型下语义相似度、时空相似度和设备拓扑相似度的权重分配不同。

17、优选的，所述步骤s3中基于所述综合相似度对所述多个节点序列进行聚类，生成告警簇之后，还包括：

18、对聚类结果进行簇内紧密度和簇间分离度的校验，计算各告警簇的簇内平均距离和簇间最小距离，若簇内平均距离大于第一阈值或簇间最小距离小于第二阈值，则调整所述动态权重后重新进行聚类。

19、优选的，所述步骤s4包括：

20、提取各告警簇内告警时间戳的分布区间和告警频率变化趋势，以及各告警簇内告警所涉及的地理区域或电网拓扑区域，作为所述时空分布特征；

21、提取各告警簇中告警所关联的设备集合及设备之间的拓扑连接关系和电气耦合关系，作为所述设备关联特征；

22、提取各告警簇中告警文本经大模型编码后的簇中心语义向量和告警类型分布统计向量，作为所述语义聚合特征；

23、将所述时空分布特征、设备关联特征和语义聚合特征进行特征融合编码，生成统一格式的告警簇特征数据结构。

24、优选的，所述步骤s5中的以所述知识图谱作为结构化知识约束集、以所述历史告警数据作为训练语料，采用双通道架构构建并训练电力威胁检测大模型，包括：

25、从所述历史告警数据中提取告警文本、告警时序、告警处置记录和故障归因信息，构建训练数据集；

26、从所述知识图谱中抽取电力设备拓扑关系、设备参数关联规则和历史故障模式，构建结构化知识约束集；

27、以预训练大语言模型为基础模型，采用参数高效微调策略构建所述双通道架构，所述知识增强通道在微调过程中以所述结构化知识约束集作为外部知识进行约束增强，所述时序推理通道采用序列建模网络对时序特征进行建模；

28、训练过程中仅更新基础模型的部分参数，冻结其余参数。

29、优选的，所述步骤s5中的跨通道融合采用门控融合机制，所述门控融合机制根据所述知识增强的告警语义表示与所述时序增强的告警演化表示各自的信息熵和置信度，动态计算两个通道的融合权重，基于所述融合权重对两个通道的表示进行加权融合。

30、优选的，所述步骤s6中的生成电力系统的告警研判报告，包括：

31、基于所述融合推理结果，识别告警簇对应的高风险事件类型和风险等级；

32、调用预设的告警研判报告模板，将所述高风险事件类型、风险等级、告警簇的时空分布信息、设备关联信息和语义聚合信息填充至所述报告模板的对应字段；

33、对填充后的报告进行自然语言生成增强，生成结构化的告警研判报告，所述告警研判报告至少包含事件概述、风险分析、根因推断和处置建议四个部分。

34、优选的，所述步骤s6中的对所述告警研判报告进行置信度评估，输出所述告警研判报告对应的置信度分数，包括：

35、基于所述融合推理结果中高风险事件类型识别概率的分布熵计算第一置信度分量；

36、基于所述告警研判报告中根因推断与所述知识图谱中历史故障模式的匹配程度计算第二置信度分量；

37、基于所述告警簇的簇内紧密度和簇间分离度计算第三置信度分量；

38、将所述第一置信度分量、第二置信度分量和第三置信度分量进行加权融合，得到所述置信度分数。

39、本发明还提供一种基于大模型的电力系统告警降噪与智能研判系统，包括：

40、数据获取与预处理模块，用于获取电力系统中的多源异构告警数据，对所述多源异构告警数据进行预处理，构建预处理数据集；

41、异构信息网络构建与告警聚类模块，用于基于所述预处理数据集构建异构信息网络，所述异构信息网络包含告警节点、设备节点、时间节点及位置节点，以及所述节点之间的多元语义关系；在所述异构信息网络上定义多条元路径，基于所述多条元路径进行带偏好的随机游走生成多个节点序列，对每个所述节点序列进行语义编码生成告警语义向量；计算任意两个所述告警语义向量之间的多维度相似度，所述多维度相似度包括语义相似度、时空相似度和设备拓扑相似度，将所述语义相似度、时空相似度和设备拓扑相似度按照动态权重进行加权融合得到综合相似度，基于所述综合相似度对所述多个节点序列进行聚类生成告警簇；

42、告警簇特征提取模块，用于基于所述告警簇，提取各告警簇的时空分布特征、设备关联特征和语义聚合特征，生成告警簇特征数据结构；

43、大模型构建与推理模块，用于获取所述电力系统的知识图谱和历史告警数据，以所述知识图谱作为结构化知识约束集、以所述历史告警数据作为训练语料，采用双通道架构构建并训练电力威胁检测大模型，所述双通道架构包括知识增强通道和时序推理通道，将所述告警簇特征数据结构输入至所述电力威胁检测大模型中进行推理，得到融合推理结果；

44、告警研判报告生成模块，用于基于所述融合推理结果生成电力系统的告警研判报告，并对所述告警研判报告进行置信度评估，输出所述告警研判报告对应的置信度分数；

45、反馈优化模块，用于根据所述告警研判报告的置信度分数和人工复核结果，对所述异构信息网络的节点权重、元路径选择和所述电力威胁检测大模型的参数进行增量更新。

46、本发明的有益效果是：

47、1、告警聚类的准确性和场景适应性显著提升

48、现有技术中，告警聚类主要基于单一相似度指标或固定权重的多指标融合方式进行。本发明通过引入多维度相似度（语义相似度、时空相似度、设备拓扑相似度）并采用动态权重自适应调整机制，能够根据不同的告警场景类型（瞬时故障、发展性故障、网络攻击等）自动调整各维度的权重分配。这一机制使得告警聚类在不同场景下均能保持较高的准确性，避免了固定权重方案在场景切换时性能下降的问题。同时，通过对聚类结果进行簇内紧密度和簇间分离度的校验与迭代优化，进一步保证了聚类质量。

49、2、大模型推理的专业性和准确性显著增强

50、现有技术中，大模型与知识图谱的融合多采用检索增强的方式，知识图谱仅作为外部知识库在推理阶段被调用。本发明将知识图谱作为结构化知识约束集深度融入模型的训练过程中，通过知识增强通道将告警特征与知识图谱实体进行链接和语义对齐，使模型在训练阶段即受到电力系统领域知识和物理约束的引导。这种深度融合方式显著提升了模型在电力系统专业领域的推理准确性，有效降低了通用大模型在专业场景中容易产生的“幻觉”问题。

51、3、推理结果的可解释性和可信度显著提高

52、现有技术中，大模型的推理过程缺乏可解释性支撑，调度人员难以判断输出结果的可靠性。本发明通过双通道架构的设计，使推理结果同时受到知识图谱的结构化知识约束和时序演化规律的双重引导，推理过程具有更高的可解释性。同时，本发明引入了多维度的置信度评估机制，从模型输出确定性、与已知故障模式的匹配程度、聚类质量三个维度综合评估研判报告的可靠程度，为调度人员的决策提供了量化的可信度参考。

53、4、实现了告警处理的闭环持续优化

54、现有技术多为开环系统，缺乏基于实际使用反馈的自我完善能力。本发明建立了基于置信度分数和人工复核结果的反馈优化机制，能够对异构信息网络的节点权重、元路径选择策略和大模型参数进行增量更新。这一闭环机制使系统在实际运行中能够不断学习和适应新的告警模式和故障类型，具有持续进化的能力，长期使用效果优于静态配置的现有技术方案。

55、5、系统架构具有高度的可扩展性和通用性

56、本发明的异构信息网络构建、多维度相似度聚类、双通道大模型架构等核心模块均具有良好的可扩展性。异构信息网络支持灵活增加新的节点类型和关系类型，多维度相似度计算支持增加新的相似度维度，双通道架构支持增加新的推理通道。这种模块化、可扩展的设计使得本发明不仅适用于电力系统告警降噪与智能研判，还可以推广至其他工业领域的告警分析场景。