(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211169268.9 (22)申请日 2022.09.26 (71)申请人 广东电网有限责任公司东莞供电局 地址 523000 广东省东莞 市东城街道东城 路东城段239号 (72)发明人 罗金满　叶思琪　余凌　王海吉　 刘丽媛　王莉娜　梁浩波　封祐钧　 姚子汭　林浩钊　高承芳　晏晶　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 杜嘉伟 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 5/02(2006.01) G06N 20/10(2019.01) G06K 9/62(2022.01) G06Q 50/06(2012.01) (54)发明名称 一种生成对应电网运行环境下因果模型的 方法 (57)摘要 本发明公开了一种生成对应电网运行环境 下因果模型的方法， 包括以下步骤： 利用集群分 析基于运行工况数据对电网设备实体进行组合 筛选得到各个电网事件类别波及的电网设备实 体作为各个电网事件类别的波及实体； 利用神经 网络构建表征在各个电网事件类别中波及实体 间事件相关性的事件实体相关性测算模型， 并基 于事件实体相关性测算模型测算出波及实体间 的事件相关性。 本发明构建出在各个电网事件类 别中波及实体间的事件实体因果模 型， 以实现在 电网事件类别中波及实体因果关系的预测， 可直 观展现大量的电网设备间的因果 关系， 提高利用 因果关系进行事件源头的发现效率， 降低事件溯 源过程繁琐性。 权利要求书3页 说明书8页 附图1页 CN 115239033 A 2022.10.25 CN 115239033 A 1.一种生成对应电网运行环境下因果模型的方法， 其特 征在于： 包括以下步骤： 步骤S1、 在电网日志中依次提取出各个电网事件类别发生时的各个电网设备实体的运 行工况数据， 利用集群分析基于运行工况数据对电网设备实体进 行组合筛选得到各个电网 事件类别波及的电网设备实体作为各个电网事 件类别的波及实体； 步骤S2、 利用神经网络构建表征在各个电网事件类别中波及实体间事件相关性的事件 实体相关性测算模型， 并基于事 件实体相关性测算模型测算出波及实体间的事 件相关性； 步骤S3、 将波及实体间在各个电网事件类别中的事件相关性依次进行离散性分析和均 值化分析确定出各个电网事件类别中波及实体间的因果关系， 并基于各个电网事件类别中 波及实体间的因果关系和各个电网事件类别的事件数据构建出在各个电网事件类别中波 及实体间的事 件实体因果模型， 以实现在电网事 件类别中波及实体因果关系的预测。 2.根据权利要求1所述的生成对应电网运行环境下因果模型的方法， 其特征在于： 所述 利用集群分析基于运行工况数据对电网设备实体进行组合筛选得到各个电网事件类别波 及的电网设备实体作为各个电网事 件类别的波及实体， 包括： 在每个电网事件类别中， 利用Kmeans聚类算法基于运行工况数据对各个电网设备实体 聚类为多个实体集合， 并筛选出每个实体集合中距离实体集合的聚类中心 最近的电网设备 实体作为中心实体； 将每个中心实体的运行工况数据输入至预先建立的事件类别预测模型得到每个中心 实体的发生事件类别， 将各个中心实体的发生事件类别依次与电网事件类别进行类别比 较， 其中， 若中心实体的发生事件类别与电网事件类别一致， 则对应的中心实体所属的实体集合 中所有电网设备实体标记为电网事件类别的波及实体， 以得到每个电网事件类别的波及实 体； 若中心实体的发生事件类别与电网事件类别不一致， 则对应的中心实体所述的实体集 合中所有电网设备实体标记为电网事 件类别的非波及实体； 所述事件类别预测模型的构建包括： 将每个电网设备实体在发生各个电网事件类别时的运行工况数据作为CNN神经网络输 入项， 将运行工况数据对应的电网事件类别作为CNN神经网络输出项， 利用CNN神经网络在 所述CNN神经网络输入项和 CNN神经网络输出项上进行模型训练得到每个电网设备实体的 事件类别预测模型， 所述事 件类别预测模型的模型表达式为： Labeli=CNN(datai)； 式中， Labeli为第i个电网设备实体的事件类别， datai为第i个电网设备实体的运行工 况数据， CNN为CNN神经网络， i为计量常数。 3.根据权利要求2所述的生成对应电网运行环境下因果模型的方法， 其特征在于： 所述 运行工况 数据在进行 Kmeans聚类算法运 算、 事件类别预测模型运 算前均进行归一 化处理。 4.根据权利要求3所述的生成对应电网运行环境下因果模型的方法， 其特征在于： 所述 利用神经网络构建表征在各个电网事件类别中波及实体间事件相关性的事件实体相关性 测算模型， 包括： 在每个电网事件类别中， 选取出多个波及实体作为样本实体， 提取样本实体在电网事 件类别发生时的运行工况 数据作为样本实体的事 件数据；权　利　要　求　书 1/3 页 2 CN 115239033 A 2依次计算任意两个样本实体的事件数据的数据相似度， 将样本实体的事件数据、 电网 事件类别作为BP神经网络输入项， 将样本实体间的数据相似度作为BP神经网络输出项， 利 用BP神经网络在BP神经网络输入项和BP神经网络输出项上进行模型训练得到每个电网事 件类别中所述事 件实体相关性测算模型； 所述事件实体相关性测算模型的模型表达式： P=BP(Dj,Dk,Label)； 式中， P为实体间的事件相关性， Dj,Dk分别为第 j，k个实体的事件数据， Label为电网事 件类别， BP为BP神经网络， j，k为计量常数。 5.根据权利要求4所述的生成对应电网运行环境下因果模型的方法， 其特征在于： 所述 基于事件实体相关性测算模型测算出波及实体间的事 件相关性， 包括： 将每个电网事件类别中所有波及实体均两两组合带入至所述事件实体相关性测算模 型得到每个电网事 件类别中各个波及实体中两 两组合的事 件相关性； 在各个电网事件类别中提取出重复的波及实体作为重复实体， 将重复的波及实体 中两 两组合的事 件相关性作为重复实体中两 两组合的事 件相关性。 6.根据权利要求5所述的生成对应电网运行环境下因果模型的方法， 其特征在于： 所述 将波及实体间在各个电网事件类别中的事件相关性依 次进行离散性分析和均值化分析确 定出各个电网事 件类别中波及实体间的因果关系， 包括： 将重复实体中两两组合在各个电网事件类别 中的事件相关性进行离散性分析得到重 复实体相关性离 散度， 将重复实体相关性离 散度与预设离 散度进行比较， 其中， 若重复实体相关性离散度小于或等于预设离散度， 则将对应的重复实体的两两组合标 记为因果组合； 若重复实体相关性离散度大于预设离散度， 则将对应的重复实体的两两组合标记为非 因果组合； 将因果组合在各个电网事件类别中的事件相关性进行均值化分析得到因果组合相关 性均值， 将因果组合相关性均值与预设均值进行比较， 其中， 若因果组合相关性均值大于或等于预设均值， 则将对应的因果组合标记为强因果组 合； 若因果组合相关性均值小于预设均值， 则将对应的因果组合标记为弱因果组合； 将强因果组合对应的波及实体间的因果关系标记为强因果关系， 将弱因果组合对应的 波及实体间的因果关系标记为强因果关系， 将除强因果组合和弱因果组合外的波及实体间 的因果关系标记为随机因果关系。 7.根据权利要求6所述的生成对应电网运行环境下因果模型的方法， 其特征在于， 所述 基于各个电网事件类别中波及实体间的因果关系和各个电网事件类别的事件数据构建出 在各个电网事 件类别中波及实体间的事 件实体因果模型， 包括： 将波及实体间在各个电网事件类别中的事件数据作为SVM分类器输入项， 将波及实体 间的因果关系 作为SVM分类器输出项， 利用SVM分类器基于所述SVM 分类器输入项和SVM分类 器输出项进行模型训练得到所述事件实体因果模型， 所述事件实体因果模型的模型表达 式： Type=SVM([datax_list],[datay_list])；权　利　要　求　书 2/3 页 3 CN 115239033 A 3