基于机器学习的配电网异常事件传播链诊断方法及系统与流程

本发明涉及配电网智能运维，具体涉及基于机器学习的配电网异常事件传播链诊断方法及系统。

背景技术：

1、随着分布式能源大规模接入及配电网拓扑动态重构，配电网异常事件呈现多源触发、级联传播、路径隐化的特征，传统诊断手段难以满足复杂场景下的异常溯源需求。现有诊断技术主要存在以下深层缺陷：

2、现有方法多聚焦单点异常检测与定位，依赖scada量测数据及静态物理电气拓扑进行传播分析，完全忽略了rpa在跨系统操作过程中记录的操作轨迹日志。这些日志中的非成功操作重试轨迹、字段映射摩擦记录真实反映了系统间脆弱连接，而这些脆弱连接往往构成异常传播的隐性传导通道，现有技术未将其纳入诊断输入，导致传播链推断遗漏信息系统层面的关键旁路证据。

3、配电网运行数据具有高度异构性，运维工单文本数据与信息系统操作日志长期处于孤立状态。现有技术对运维工单的处理停留在简单文本内容抽取层面，未能利用rpa版式分析获取的字段完整度、版式规整度等特征，也未能通过电力领域语义编码实现运维文本与操作行为日志的时空对齐与深度融合，导致早期异常语义信号流失，无法建立工单间的因果关联。

4、现有传播链分析止于拓扑推断与根因定位，诊断结果无法自动转化为跨系统可执行指令，需人工登录生产管理系统、地理信息系统及调度自动化系统重复操作，造成诊断与处置脱节。历史rpa成功处置案例中的操作轨迹模板未能被复用，无法形成从异常识别、传播链推断到协同处置的闭环自动化流程，异常响应迟滞且模型缺乏进化机制。

5、因此，亟需一种能够融合多源异构数据、识别隐性传导路径、实现诊断到处置自动闭环的配电网异常事件传播链诊断方法。

技术实现思路

1、本发明所要解决的是现有技术中异常传播链诊断因仅依赖电气量测而忽略信息系统脆弱性行为证据、非结构化运维工单与信息系统操作日志未深度融合以及诊断结果与跨系统协同处置脱节的技术问题。

2、本发明解决上述技术问题的技术方案如下：基于机器学习的配电网异常事件传播链诊断方法，具体包括以下步骤：

3、s1.通过非侵入式rpa流程自动采集配电网生产管理系统、地理信息系统及调度自动化系统的运维工单文本与操作轨迹日志，经电力领域语义编码与时空对齐，生成融合工单语义信息与系统操作行为模式的因果语义-行为指纹融合特征向量；

4、s2.将融合特征向量解耦映射为节点动态传播属性，基于语义蕴含关系判定隐式因果传播方向，并经操作行为轨迹时序与设备拓扑双重验证，构建并优化异常事件传播链拓扑图；

5、s3.基于优化后的传播链拓扑图逆向置信度传播定位根因工单节点，复用历史成功处置案例生成跨系统协同处置指令，捕获执行反馈日志以更新非成功操作重试轨迹模式库。

6、在上述技术方案的基础上，本发明还可以做如下改进。

7、进一步，所述s1中，通过rpa登录配电网各业务系统，采集运维工单及操作轨迹日志，具体包括：

8、s111.通过rpa机器人模拟人工操作，按照预设周期自动登录配电网生产管理系统、地理信息系统及调度自动化系统，保持各系统会话持续有效；

9、s112.遍历各系统的工单列表界面，通过界面元素解析和ocr识别方式采集多格式运维工单文本数据，所述多格式包括pdf、word、excel及图片扫描件；

10、s113.在跨系统操作过程中实时记录rpa操作轨迹日志，所述操作轨迹日志包括各系统间的查询跳转序列、时间戳、数据同步请求的响应时延、不同系统间同一设备或故障字段的映射摩擦记录，以及操作执行失败后的重试行为记录。

11、进一步，所述s1中，对各运维工单的文本内容进行事件语义编码，提取事件语义向量，具体包括：

12、s121.对运维工单的文本内容进行文本清洗，去除无关字符和格式标记，采用电力领域自适应分词工具进行分词处理，并通过命名实体识别模型从文本中识别设备名称、故障现象描述、设备状态变化描述及时间表述；

13、s122.将预处理后的文本内容输入预训练的电力领域语义编码模型，所述语义编码模型采用基于电力运维语料库微调的预训练语言模型，输出各工单的上下文语义编码向量；

14、s123.从所述上下文语义编码向量中，提取与故障现象描述对应的第一语义子向量和与设备状态变化描述对应的第二语义子向量，将所述第一语义子向量和第二语义子向量进行加权拼接融合，生成各工单的事件语义向量。

15、进一步，所述s1中，将所述操作轨迹日志与事件语义向量进行时空对齐与联合编码，生成因果语义-行为指纹融合特征向量，具体包括：

16、s131.获取各工单的发生时间作为基准时间戳，将所述操作轨迹日志中的各条操作记录按照操作时间戳与各工单的基准时间戳进行时间对齐，当一条操作记录的操作时间戳落入某一工单基准时间戳前后的预设时间窗口内时，将该操作记录标记为关联该工单；

17、s132.对于每一工单，从关联该工单的全部操作轨迹记录中提取行为特征子向量，所述行为特征子向量包括数据同步时延统计特征、字段映射摩擦事件计数特征、非成功操作重试次数特征、重试间隔序列统计特征及跨系统查询跳转频次特征；

18、s133.将各工单的事件语义向量与对应的行为特征子向量进行向量拼接，生成各工单的因果语义-行为指纹融合特征向量。

19、进一步，所述s2中，将所述因果语义-行为指纹融合特征向量解耦为各工单的事件语义向量及行为特征子向量，将解耦后的向量映射为节点动态传播属性，依据所述事件语义向量间语义蕴含关系判定隐式因果传播方向，具体包括：

20、s211.以配电网物理拓扑为静态骨架，将各工单的因果语义-行为指纹融合特征向量解耦为事件语义向量及行为特征子向量，并结合设备拓扑信息将解耦后的向量映射为各工单所对应节点的动态传播属性，所述动态传播属性包括节点异常严重度、节点操作阻力指数和节点影响范围系数，其中节点异常严重度、节点操作阻力指数和节点影响范围系数分别根据事件语义向量与正常工况基准向量的偏离度、行为特征子向量中的数据同步时延与字段映射摩擦事件计数、以及工单涉及设备在配电网物理拓扑中的连接度数确定；

21、s212.获取第一工单的事件语义向量与第二工单的事件语义向量，将两个事件语义向量进行拼接后输入预先训练的语义蕴含判别模型，输出语义蕴含得分；

22、s213.当所述语义蕴含得分超过预设阈值时，判定第一工单描述的事件状态在语义上构成第二工单描述的事件状态的原因或前提，建立从第一工单指向第二工单的候选隐式因果传播方向。

23、进一步，所述s2中，经所述行为特征子向量中的操作行为轨迹与设备拓扑联合验证，具体包括：

24、s221.从第一工单关联的操作轨迹日志中提取非成功操作重试轨迹的时间戳序列，从第二工单关联的操作轨迹日志中提取非成功操作重试轨迹的时间戳序列，分别对两个重试时间戳序列进行概率密度分布估计，将概率密度峰值所在的时间区间确定为各工单的重试轨迹集中时间窗口，当第一工单的集中时间窗口早于第二工单的集中时间窗口时，通过重试轨迹时序验证；

25、s222.根据第一工单和第二工单各自对应的设备名称查询配电网设备拓扑关联关系，当两个工单对应的设备之间存在电气连接关系或拓扑邻接关系时，通过设备拓扑约束验证。

26、进一步，所述s2中，构建并优化异常事件传播链拓扑图，具体包括：

27、s231.当候选隐式因果传播方向同时通过所述重试轨迹时序验证和设备拓扑约束验证时，确认该候选隐式因果传播方向为有效隐式因果传播关系，以各工单为节点、以全部有效隐式因果传播关系为有向边，构建初始异常事件传播链拓扑图；

28、s232.为所述初始异常事件传播链拓扑图中的每条有向边计算传播权重，所述传播权重根据语义蕴含得分、重试轨迹时序验证的通过强度及设备拓扑邻接距离综合确定；

29、s233.剔除传播权重低于预设阈值的冗余有向边，并对存在多个传播分支且分支路径传播权重差异小于预设容差的拓扑图进行分支合并，合并共享相同上游节点的分支路径，得到优化后的异常事件传播链拓扑图。

30、进一步，所述s3中，基于所述异常事件传播链拓扑图逆向置信度传播定位根因工单节点，具体包括：

31、s311.以所述异常事件传播链拓扑图中的各工单节点为传播单元，将每个末端节点的初始置信度设为其节点动态传播属性中的节点异常严重度；

32、s312.按照有向边的逆方向从所有出度为零的末端节点向上游节点逐级传播置信度，下游节点的置信度分值乘以其与上游节点之间有向边的传播权重后传递至上游节点，每个上游节点将所有下游节点反向传播来的置信度分值与自身节点异常严重度进行加权求和，得到该节点的根因置信度；

33、s313.遍历所述异常事件传播链拓扑图中的全部工单节点，将根因置信度最高的工单节点定位为根因工单节点；当多个工单节点的根因置信度相同时，选取节点异常严重度最高者作为根因工单节点，若节点异常严重度仍相同，则选取工单发生时间最早者作为根因工单节点。

34、进一步，所述s3中，基于历史处置案例生成跨系统协同处置指令并下发，捕获执行反馈日志更新非成功操作重试轨迹模式库，具体包括：

35、s321.以所述根因工单节点的异常类型和异常事件传播链拓扑图的拓扑结构特征作为检索键，在历史成功处置案例库中进行相似度检索，所述拓扑结构特征包括传播链深度、分支数和汇聚节点数；

36、s322.选择相似度最高的历史成功处置案例，提取案例中记录的各系统操作序列、操作参数及操作时序，结合当前根因工单节点的设备信息和故障参数进行实例化适配，生成rpa操作轨迹模板；

37、s323.将所述rpa操作轨迹模板解析为针对配电网生产管理系统的工单状态更新指令、针对地理信息系统的设备定位与隔离指令以及针对调度自动化系统的保护定值调整与开关分合指令，按照操作轨迹模板中记录的时序顺序依次下发并执行；

38、s324.监控并捕获各跨系统协同处置指令的实际执行结果，记录执行失败的操作步骤及对应的重试行为，将执行失败的操作步骤及对应的重试行为更新至非成功操作重试轨迹模式库中。

39、基于机器学习的配电网异常事件传播链诊断系统，用于实现基于机器学习的配电网异常事件传播链诊断方法，包括：

40、数据融合模块，用于通过rpa登录配电网各业务系统采集运维工单及操作轨迹日志，对各运维工单的文本内容进行事件语义编码，提取事件语义向量，将所述操作轨迹日志与事件语义向量进行时空对齐与联合编码，生成因果语义-行为指纹融合特征向量；

41、传播链推断模块，用于将所述因果语义-行为指纹融合特征向量解耦为各工单的事件语义向量及行为特征子向量，将解耦后的向量映射为节点动态传播属性，依据所述事件语义向量间语义蕴含关系判定隐式因果传播方向，经所述行为特征子向量中的操作行为轨迹与设备拓扑联合验证，构建并优化异常事件传播链拓扑图；

42、协同处置模块，用于基于所述异常事件传播链拓扑图逆向置信度传播定位根因工单节点，基于历史处置案例生成跨系统协同处置指令并下发，捕获执行反馈日志更新非成功操作重试轨迹模式库。

43、本发明的有益效果是：

44、1.通过引入rpa操作轨迹日志中的非成功重试与字段映射摩擦特征，将信息系统脆弱性量化为异常传播阻力指标，解决了传统方法仅依赖电气量测导致的早期异常信号流失问题，提升了多源异构数据融合的完整性与异常传播感知的灵敏度。

45、2.通过语义蕴含判别与操作行为轨迹时序的双重验证机制，突破了传统方法仅依赖物理电气连接的局限，有效过滤跨空间无关联工单的虚假因果关联，提升了异常传播链拓扑推断的准确性与完整性。

46、3.通过复用历史成功处置案例中的rpa操作轨迹模板，实现诊断结果到跨系统协同处置的非侵入式自动闭环，缩短了异常事件响应时间；同时利用执行反馈日志持续更新非成功操作重试轨迹模式库，实现了诊断模型的在线进化与自适应优化。