电力现货业务系统故障预测的方法、装置、计算机设备和存储介质与流程

1.本技术涉及深度学习领域，特别是涉及一种电力现货业务系统故障预测的方法、装置、计算机设备和存储介质。


背景技术：

2.自上世纪90年代英国电力工业革命以来，电力市场建设已在全世界范围内走过了几十年的历程。目前，世界多个国家都已建立了电力市场，而其中现货市场又是一个极其关键的环节，其在短时序上建立了与电力系统运行紧密结合的市场组织形式。电力现货市场主要包括日前、日内和实时的电能量与备用等辅助服务交易市场。
3.为保障电力现货市场业务的正常运营以及电网的安全稳定运行，电力现货业务系统的建设受到了国家越来越大的重视和投入。电力现货业务系统主要包括电力调度自动化系统和电力现货交易系统。目前，已建成的电力现货业务系统已经能够实现国、网、省三级调度计划的统一协调，发挥特大电网资源优化配置能力。同时，该系统还能支持调度运行与市场交易的有机衔接，促进电力系统的安全运行和市场的可靠运转。然而，由于电网装备复杂，装备间关联紧密，电力现货市场交易频度高、交易品种多、交易体系复杂，且与电网运行关系紧密等，因此往往会为电力现货业务系统带来大量不确定性故障，极大地增加了电力市场与业务系统的运行风险。综上所述，针对电力现货业务系统的不确定性故障进行精准可靠的预测，能够有效地保障电力现货市场和业务系统的安全运行和可靠运转，具有十分重要的意义。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种电力现货业务系统故障预测方法。
5.本技术电力现货业务系统故障预测的方法，包括接收电力现货业务系统中硬件装备实时的装备参数时序数据，输入第一类深度神经网络得到硬件装备发生故障的概率；
6.所述第一类深度神经网络为预先构建获得，具体包括：
7.接收电力现货业务系统中硬件装备在故障前的装备参数时序数据，根据所述装备参数时序数据构建装备参数字典；
8.利用所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据，所述向量化的装备参数时序数据中的至少一部分作为训练数据；
9.利用深度神经网络微调迁移学习所述训练数据，得到所述第一类深度神经网络。
10.可选的，所述向量化的装备参数时序数据中的至少一部分作为测试数据；
11.得到所述第一类深度神经网络后还包括利用所述测试数据评估所述第一类深度神经网络。
12.可选的，根据所述装备参数时序数据构建装备参数字典，具体包括：
13.读取所述装备参数的参数值，根据所述参数值生成相对应的索引号，所述装备参
数的参数值和索引号共同构成装备参数字典。
14.可选的，利用所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据，具体包括：
15.获取装备参数时序数据中每一时间步的装备参数值；
16.根据装备参数字典查找各个时间步的装备参数值所对应的索引号；
17.建立一个向量长度与所述装备参数字典长度相同的全零向量；
18.根据装备参数字典查找索引号的位置，将全零向量中对应位置的值设为一，得到向量化的装备参数时序数据。
19.本技术电力现货业务系统故障预测的方法，包括接收电力现货业务系统中软件系统实时的状态参数，将所述状态参数转化为电力软件系统属性度量向量，再输入第二类深度神经网络得到电力软件系统发生故障的概率；
20.所述第二类深度神经网络为预先构建获得，具体包括：
21.接收电力现货业务系统中软件系统的故障数据，通过对所述故障数据进行软件度量，构建电力软件系统属性度量向量数据集；
22.获取对照软件系统属性度量向量，所述对照软件系统属性度量向量的至少一部分作为训练数据；
23.利用所述训练数据训练二分类的深度神经网络；
24.利用训练后的二分类的深度神经网络微调迁移学习所述电力软件系统属性度量向量数据集，得到所述第二类深度神经网络。
25.可选的，所述对照软件系统属性度量向量的至少一部分作为测试数据；
26.得到所述第二类深度神经网络后还包括利用所述测试数据评估所述第二类深度神经网络。
27.可选的，所述二分类的深度神经网络能够根据输入的软件系统属性度量向量，输出其为正常类还是故障类的类别标签。
28.可选的，所述软件度量包括产品度量和/或过程度量。
29.可选的，所述电力软件系统属性度量向量数据集包括电力正常软件系统属性度量向量和电力故障软件系统属性度量向量。
30.可选的，所述二分类的深度神经网络为全连接分类网络或卷积神经网络。
31.本技术电力现货业务系统故障预测的方法，所述电力现货业务系统包括硬件设备和软件系统，包括：
32.基于所述硬件设备，采用本技术相应的方法进行故障预测；
33.基于所述软件系统，采用本技术相应的方法进行故障预测。
34.本技术还提供一种电力现货业务系统故障预测的装置，包括：
35.第一模块，用于接收电力现货业务系统中硬件装备在故障前的装备参数时序数据，根据所述装备参数时序数据构建装备参数字典；
36.第二模块，用于利用所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据，所述向量化的装备参数时序数据中的至少一部分作为训练数据；
37.第三模块，用于利用深度神经网络微调迁移学习所述训练数据，得到第一类深度神经网络；
38.第四模块，用于接收电力现货业务系统中硬件装备实时的装备参数时序数据，输入第一类深度神经网络得到硬件装备发生故障的概率。
39.本技术还提供一种电力现货业务系统故障预测的装置，包括：
40.第五模块，用于接收电力现货业务系统中软件系统的故障数据，通过对所述故障数据进行软件度量，构建电力软件系统属性度量向量数据集；
41.第六模块，用于获取对照软件系统属性度量向量，所述对照软件系统属性度量向量的至少一部分作为训练数据；
42.第七模块，用于利用所述训练数据训练二分类的深度神经网络；
43.第八模块，用于利用训练后的二分类的深度神经网络微调迁移学习所述电力软件系统属性度量向量数据集，得到第二类深度神经网络；
44.第九模块，用于接收电力现货业务系统中软件系统实时的状态参数，将所述状态参数转化为电力软件系统属性度量向量，再输入第二类深度神经网络得到电力软件系统发生故障的概率。
45.本技术还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本技术所述方法的步骤。
46.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本技术所述的方法的步骤。
47.本技术电力现货业务系统故障预测的方法至少具有以下效果：
48.通过装备参数时序数据构建装备参数字典，通过装备参数字典深度学习训练得到第一类深度神经网络，通过第一类深度神经网络检测装备参数时序数据的向量，输出装备参数发生故障的概率。
49.本技术基于深度学习的电力现货业务系统的故障预测方法，通过对硬件装备类故障数据和软件系统类故障数据分别进行深度学习，能够针对电力现货业务系统的不确定性故障进行精准可靠的预测，进而有效地保障电力现货市场和业务系统的安全运行和可靠运转。
附图说明
50.图1为一个实施例中电力现货业务系统硬件装备故障预测方法的流程示意图；
51.图2为一个实施例中电力现货业务系统硬件装备故障预测方法的流程示意图；
52.图3为一个实施例中电力现货业务系统故障预测的装置结构示意图；
53.图4为一个实施例中电力现货业务系统故障预测的装置结构示意图；
54.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本技术，并不用于限定本技术。
56.现有技术中电力现货业务系统运行风险大、不确定性的故障较多，无法针对电力现货业务系统的不确定性故障进行精准可靠的预测。
57.如图1所示，本技术一实施例中提供一种电力现货业务系统故障预测的方法，包括硬件装备类故障预测的方法，硬件装备类故障预测的方法具体包括步骤s100、步骤s200、步骤s300和步骤s400，其中：
58.步骤s100，接收电力现货业务系统中硬件装备在故障前的装备参数时序数据，根据所述装备参数时序数据构建装备参数字典；
59.可以理解，故障前的装备参数时序数据作为深度学习训练的样本来源。由于装备参数时序数据获取在故障之前的一段时间，可视为之后的时间是确定发生故障的，也基于该对应关系利用故障前的装备参数时序数据能够训练得到最终的第一类深度神经网络。
60.在一个实施例中，利用装备参数构建装备参数字典，具体包括：读取装备参数的参数值，根据参数值生成相对应的索引号，装备参数的参数值和索引号共同构成装备参数字典。
61.本实施例中，装备参数字典用以定位记录参数值和相对应的索引号的匹配位置，依据装备参数字典可以进行定位、比较、替换。
62.在一个实施例中，步骤s100中，具体包括步骤s110和步骤s120：
63.步骤s110，收集发生故障前后若干时间的装备参数时序数据。本实施例中，所述若干时间可根据实际情况确定，例如可以是发生故障前一天的装备参数时序数据；时序数据采样间隔可根据实际情况确定，例如半个小时。
64.步骤s120，利用所述装备参数时序数据内的装备参数构建装备参数字典。
65.具体地，所述装备参数字典中的每个不同的装备参数值对应了不同的索引号，如参数值1对应索引号1。
66.本实施例中，装备参数时序数据由电力现货业务系统的历史故障记录数据收集得到。具体地，将所述历史故障记录数据分为两类：包括硬件装备类故障数据和软件系统类故障数据。步骤s100～s400所披露的方法是基于硬件装备的，步骤s500～步骤s900是基于软件系统的。
67.步骤s200，利用所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据，所述向量化的装备参数时序数据中的至少一部分作为训练数据；
68.在一个实施例中，利用所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据，具体包括：获取装备参数时序数据中每一时间步的装备参数值；根据装备参数字典查找各个时间步的装备参数值所对应的索引号；建立一个向量长度与所述装备参数字典长度相同的全零向量；根据装备参数字典查找索引号的位置，将全零向量中对应位置的值设为一，得到向量化的装备参数时序数据。
69.在一个实施例中，步骤s200中，具体包括步骤s210和步骤s220：
70.步骤s210，利用所述装备参数字典将所述装备参数时序数据中每一时刻的装备参数数据用one
‑
hot向量表示，得到所述装备参数时序数据的向量化表示。
71.具体地，one
‑
hot向量是指只有一个位置的值为1，其他所有位置的值均为0的向量。针对所述装备参数时序数据中的每一时间步的装备参数值，查找其在所述装备参数字典中所对应的索引号，然后建立一个向量长度与所述装备参数字典长度相同大小的全零向量，将该向量中前述查找的索引号对应的位置的值设为1，所得到的新向量即为所述装备参数时序数据中的当前时间步的装备参数数据的one
‑
hot向量编码。将所述装备参数时序数
据中的每一时间步的装备参数数据均转换为one
‑
hot向量编码，所得到的one
‑
hot向量编码矩阵即为所述装备参数时序数据的向量化表示。
72.步骤s220，将所述向量化的装备参数时序数据划分为训练数据和测试数据。
73.在一个实施例中，向量化的装备参数时序数据中的至少一部分作为测试数据；得到所述第一类深度神经网络后还包括利用所述测试数据评估所述第一类深度神经网络。
74.具体地，训练数据和测试数据量对应的比例可采取8比2或者7比3。所述测试数据用以检测第一类深度学习模型。可以理解，本技术实施例中获得的第一类深度神经网络用于在电力现货业务系统的正常运行过程中，预测未来发生故障的可能性。而第一类深度神经网络训练数据的来源是向量化的装备参数时序数据(训练数据的样本取自于故障前)，所以，向量化的装备参数时序数据的部分作为测试数据能够检测第一类深度神经网络的可靠性。
75.步骤s300，利用深度神经网络微调迁移学习所述训练数据，得到所述第一类深度神经网络；
76.具体地，利用基于注意力机制的transformer深度神经网络微调迁移学习所述训练数据，并在所述测试数据上测试性能；
77.本实施例中，利用基于注意力机制的transformer深度神经网络，根据所述向量化的装备参数时序数据，学习电力装备故障的演化规律，并预测电力装备故障的发生概率。
78.其中，transformer深度神经网络是google的研究者于2017年在《attention is all you need》一文中提出的一种用于seq2seq(sequence to sequence，序列到序列)任务的模型，它没有rnn(recurrent neural network,循环神经网络)的循环结构或cnn(convolutional neural network，卷积神经网络)的卷积结构，在机器翻译等任务中取得了一定提升。其避免了循环的模型结构，完全依赖于注意力机制对输入输出的全局依赖关系进行建模。注意力机制(attention)已经成为各类任务中序列建模和转导模型的重要组成部分，其允许对输入输出序列的依赖项进行建模，而无需考虑它们在序列中的距离，从而可以更好地捕捉长范围的依赖关系。利用基于注意力机制的transformer深度神经网络来对所述装备参数时序数据进行学习和预测，可以更好地捕捉不同时间段的装备参数数据之间的依赖关系，从而更好地学习电力装备故障的演化规律，能够更加准确地预测电力装备故障的发生概率。
79.步骤s400，接收电力现货业务系统中硬件装备实时的装备参数时序数据，输入第一类深度神经网络得到硬件装备发生故障的概率。
80.具体地，深度神经网络训练完毕后，可输入某段时间的装备参数时序数据向量，输出装备参数在后续时间的演化过程，并预测其可能发生故障的概率。
81.上述电力现货业务系统故障预测的方法中，通过接收硬件装备类故障数据，构建装备参数字典、得到向量化的装备参数时序数据，进而训练得到第一类深度神经网络。通过对硬件装备类故障数据进行深度学习，能够针对电力现货业务系统的不确定性故障进行精准可靠的预测，进而有效地保障电力现货市场和业务系统的安全运行和可靠运转。
82.在一个实施例中，如图2所示，提供一种电力现货业务系统故障预测的方法，包括：
83.步骤s500，接收电力现货业务系统中软件系统的故障数据，通过对所述故障数据进行软件度量，构建电力软件系统属性度量向量数据集；
84.具体地，针对接收的软件系统类故障数据，对电力软件系统的各个模块进行软件度量，构建电力软件系统属性度量向量数据集；其中，软件度量方式包括软件项目的产品度量和/或过程度量，产品度量包括软件包层、程序类层和对象方法层；过程度量包括需求度量、人员度量和代码变更度量。关于软件度量的方式仅作为举例说明，软件度量的具体方式也可以是其他现有技术中的软件度量方式。
85.进一步地，所构建的电力软件系统属性度量向量数据集可包括电力正常软件系统属性度量向量和电力故障软件系统属性度量向量。
86.步骤s600，获取对照软件系统属性度量向量，所述对照软件系统属性度量向量的至少一部分作为训练数据；
87.具体地，收集大量与所述电力软件系统具有相似软件质量属性的其他软件系统(对照软件系统)的属性度量向量，构建其他软件系统属性度量训练数据集和测试数据集；
88.对照软件系统可以理解为，除了着手进行电力现货业务系统故障预测的其他对照软件系统，对照软件系统可以来自于棉花现货业务系统、牛奶现货业务系统、水果现货业务系统等其他现有技术中现货业务系统的软件系统。
89.具体地，所述其他软件系统的属性度量中包括正常类其他软件系统属性度量向量和故障类其他软件系统属性度量向量。
90.步骤s700，利用所述训练数据训练二分类的深度神经网络；
91.具体地，利用所述其他软件系统属性度量训练数据集训练一个二分类的深度神经网络，在所述其他软件系统属性度量测试数据集上测试分类性能；二分类的深度神经网络能够根据输入的软件系统属性度量向量，输出其为正常类还是故障类的类别标签。二分类的深度神经网络可采用一般的全连接分类网络，也可采用主流的卷积神经网络，卷积神经网络例如可以是resnet、vgg、densenet等其他卷积神经网络。
92.在一个实施例中，对照软件系统属性度量向量的至少一部分作为测试数据；得到所述第二类深度神经网络后还包括利用所述测试数据评估所述第二类深度神经网络。
93.可以理解，第二类深度神经网络训练数据的来源是对照软件系统属性度量向量(取自于对照软件系统)，所以，对照软件系统属性度量向量的至少一部分作为测试数据能够测试第二类深度神经网络的可靠性。
94.步骤s800，利用训练后的二分类的深度神经网络微调迁移学习所述电力软件系统属性度量向量数据集，得到所述第二类深度神经网络；
95.步骤s900，接收电力现货业务系统中软件系统实时的状态参数，将所述状态参数转化为电力软件系统属性度量向量，再输入第二类深度神经网络得到电力软件系统发生故障的概率。
96.具体地，第二类深度神经网络训练完毕后，可输入电力软件系统属性度量向量，预测其可能发生故障的概率。
97.可以理解，本实施例中获得的第二类深度神经网络用于在电力现货业务系统的正常运行过程中，根据实时的(当前的)状态参数，预测未来发生故障的可能性。因此，在具体应用过程中，接收电力现货业务系统中软件系统实时的状态参数(当前工作状态下一段时间内的状态参数)，当软件系统实时的状态参数转化为电力软件系统属性度量向量后、再输入到第二类深度神经网络即可以检测电力软件系统在未来时间中可能发生故障的概率。
98.上述电力现货业务系统故障预测的方法中，通过收集与电力现货业务系统相似的其他软件系统训练得到第二类深度神经网络，第二类深度神经网络能够针对电力现货业务系统的不确定性故障进行精准可靠的预测，进而有效地保障电力现货市场和业务系统的安全运行和可靠运转。可以理解，当不同实施例组合时，同时通过硬件装备类故障数据和软件系统类故障数据进行深度学习，能够进一步提高电力现货业务系统的故障预测的准确性。
99.应该理解的是，虽然图1
‑
2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1
‑
2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
100.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：步骤s100，接收电力现货业务系统中硬件装备在故障前的装备参数时序数据，根据所述装备参数时序数据构建装备参数字典；步骤s200，利用所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据，所述向量化的装备参数时序数据中的至少一部分作为训练数据；步骤s300，利用深度神经网络微调迁移学习所述训练数据，得到所述第一类深度神经网络；步骤s400，接收电力现货业务系统中硬件装备实时的装备参数时序数据，输入第一类深度神经网络得到硬件装备发生故障的概率。
101.在一个实施例中，处理器执行计算机程序时还实现以下步骤：步骤s500，接收电力现货业务系统中软件系统的故障数据，通过对所述故障数据进行软件度量，构建电力软件系统属性度量向量数据集；步骤s600，获取对照软件系统属性度量向量，所述对照软件系统属性度量向量的至少一部分作为训练数据；步骤s700，利用所述训练数据训练二分类的深度神经网络；步骤s800，利用训练后的二分类的深度神经网络微调迁移学习所述电力软件系统属性度量向量数据集，得到所述第二类深度神经网络；步骤s900，接收电力现货业务系统中软件系统实时的状态参数，将所述状态参数转化为电力软件系统属性度量向量，再输入第二类深度神经网络得到电力软件系统发生故障的概率。
102.本技术一实施例中，如图3所示，还提供一种电力现货业务系统故障预测的装置，包括：
103.第一模块，用于接收电力现货业务系统中硬件装备在故障前的装备参数时序数据，根据所述装备参数时序数据构建装备参数字典；
104.第二模块，用于利用所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据，所述向量化的装备参数时序数据中的至少一部分作为训练数据；
105.第三模块，用于利用深度神经网络微调迁移学习所述训练数据，得到所述第一类深度神经网络；
106.第四模块，用于接收电力现货业务系统中硬件装备实时的装备参数时序数据，输入第一类深度神经网络得到硬件装备发生故障的概率。
107.在一个实施例中，如图4所示，还提供一种电力现货业务系统故障预测的装置，包
括：
108.第五模块，用于接收电力现货业务系统中软件系统的故障数据，通过对所述故障数据进行软件度量，构建电力软件系统属性度量向量数据集；
109.第六模块，用于获取对照软件系统属性度量向量，所述对照软件系统属性度量向量的至少一部分作为训练数据；
110.第七模块，用于利用所述训练数据训练二分类的深度神经网络；
111.第八模块，用于利用训练后的二分类的深度神经网络微调迁移学习所述电力软件系统属性度量向量数据集，得到所述第二类深度神经网络；
112.第九模块，用于接收电力现货业务系统中软件系统实时的状态参数，将所述状态参数转化为电力软件系统属性度量向量，再输入第二类深度神经网络得到电力软件系统发生故障的概率。
113.关于本技术各实施例中电力现货业务系统故障预测的装置的具体限定可以参见上文中对于电力现货业务系统故障预测的方法的限定，在此不再赘述。上述电力现货业务系统故障预测的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
114.在一个实施例中，还提供一种电力现货业务系统故障预测的装置，所述装置包括基于硬件装备故障预测的装置和基于软件系统故障预测的装置；
115.所述基于硬件装备故障预测的装置，包括计算机存储器、计算机处理器、以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机处理器执行计算机程序时，实现如上述各实施例中的基于硬件装备故障预测的的方法；所述基于软件系统故障预测的装置，包括计算机存储器、计算机处理器、以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机处理器执行计算机程序时，实现如上述各实施例中的基于软件系统故障预测的的方法。
116.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力现货业务系统故障预测的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
117.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
118.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：步骤s100，接收电力现货业务系统中硬件装备在故障前的装备参数时序数据，根据所述装备参数时序数据构建装备参数字典；步骤s200，利用
所述装备参数字典对装备参数进行向量化处理，得到向量化的装备参数时序数据，所述向量化的装备参数时序数据中的至少一部分作为训练数据；步骤s300，利用深度神经网络微调迁移学习所述训练数据，得到所述第一类深度神经网络；步骤s400，接收电力现货业务系统中硬件装备实时的装备参数时序数据，输入第一类深度神经网络得到硬件装备发生故障的概率。
119.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：步骤s500，接收电力现货业务系统中软件系统的故障数据，通过对所述故障数据进行软件度量，构建电力软件系统属性度量向量数据集；步骤s600，获取对照软件系统属性度量向量，所述对照软件系统属性度量向量的至少一部分作为训练数据；步骤s700，利用所述训练数据训练二分类的深度神经网络；步骤s800，利用训练后的二分类的深度神经网络微调迁移学习所述电力软件系统属性度量向量数据集，得到所述第二类深度神经网络；步骤s900，接收电力现货业务系统中软件系统实时的状态参数，将所述状态参数转化为电力软件系统属性度量向量，再输入第二类深度神经网络得到电力软件系统发生故障的概率。
120.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
121.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时，可视为该附图也同时披露了所涉及的各个实施例的组合例。
122.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。