本發(fā)明涉及智能變電站，尤其涉及一種智能變電站虛回路自動(dòng)校核方法及系統(tǒng)。

背景技術(shù)：

1、繼電保護(hù)設(shè)備通過(guò)將一次大電流轉(zhuǎn)變?yōu)槎涡‰娏饕詫?shí)現(xiàn)各類故障切除以及后續(xù)故障分析。在傳統(tǒng)變電站內(nèi)，其設(shè)備之間的電信號(hào)通訊通過(guò)電纜端對(duì)端的連接實(shí)現(xiàn)，因此每個(gè)電信號(hào)都需要一組電纜傳輸，接線復(fù)雜。而智能變電站通過(guò)電子信息技術(shù)將傳統(tǒng)變電站中的電信號(hào)轉(zhuǎn)變?yōu)楣庑盘?hào)，因而站內(nèi)各智能電子設(shè)備(intelligent?electronicdevice，ied)間需要數(shù)根光纖即可實(shí)現(xiàn)設(shè)備間的信息傳輸，而無(wú)需鋪設(shè)大量的電纜傳遞電信號(hào)。為和傳統(tǒng)變電站的二次回路得到的聯(lián)系，智能變電站引入了虛回路的概念，以虛回路來(lái)代表傳統(tǒng)變電站中的二次回路，用虛端子表示虛回路兩端的端子描述，代表了信息在設(shè)備之間的傳輸通路。其在智能變電站中尤為重要，虛回路連接錯(cuò)誤可能會(huì)引起保護(hù)誤動(dòng)、拒動(dòng)等嚴(yán)重后果。因此，在智能變電站投運(yùn)前，需要對(duì)全站系統(tǒng)配置文件（substationconfiguration?description，scd）的虛回路設(shè)計(jì)進(jìn)行校核。

2、虛回路中的每個(gè)虛端子都有自己的文本描述，能表示各自的功能。因此當(dāng)下常規(guī)的虛回路校驗(yàn)以人工為主，但是由于其所代表的二次回路識(shí)別專業(yè)性強(qiáng)、可讀性差，特別在高電壓等級(jí)的變電站內(nèi)，虛回路的連接更加復(fù)雜。導(dǎo)致人工逐項(xiàng)比對(duì)效率低且易出錯(cuò)。加之現(xiàn)在國(guó)內(nèi)的智能設(shè)備虛回路具體實(shí)現(xiàn)沒(méi)有規(guī)范，因而各個(gè)廠家的虛回路文本描述也不盡相同，使得虛回路的校驗(yàn)更加困難。

3、近年來(lái)，有一些研究提出用自然語(yǔ)言處理(natural?language?processing，nlp)來(lái)實(shí)現(xiàn)虛端子全自動(dòng)校驗(yàn)。nlp作為人工智能領(lǐng)域的核心研究方向之一，隨著深度神經(jīng)網(wǎng)絡(luò)和預(yù)訓(xùn)練模型被提出，nlp被應(yīng)用各個(gè)領(lǐng)域，以提升行業(yè)的智能化水平。文獻(xiàn)提出可以基于levenshtein距離模糊匹配算法來(lái)建立標(biāo)準(zhǔn)虛端子庫(kù)和非標(biāo)準(zhǔn)虛端子庫(kù)之間的映射，從而實(shí)現(xiàn)自動(dòng)校核。但由于該方法使用詞袋(?continuous?bag-of-words，cbow)?模型對(duì)文本編碼，處理某些兩端文本描述有較大差異的虛端子匹配效果不佳。文獻(xiàn)提出用改進(jìn)雙向長(zhǎng)短時(shí)記憶?(bi-directional?long?short-term?memory，bi-lstm)來(lái)獲得虛端子文本的句向量，通過(guò)對(duì)比兩端虛端子文本的句向量相似度實(shí)現(xiàn)虛端子的自動(dòng)校核，但是該方法需要復(fù)雜的調(diào)參，且存在過(guò)擬合問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供了一種智能變電站虛回路自動(dòng)校核方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中在智能變電站虛回路進(jìn)行校核時(shí)，校核結(jié)果不準(zhǔn)確的技術(shù)問(wèn)題。

2、本發(fā)明實(shí)施例的第一方面提供了一種智能變電站虛回路自動(dòng)校核方法，方法包括：

3、獲取智能變電站虛回路中多個(gè)虛端子的文本描述；

4、對(duì)各個(gè)文本描述進(jìn)行清洗，得到對(duì)應(yīng)的清洗后的文本，將各個(gè)清洗后的文本輸入目標(biāo)校核模型，以使目標(biāo)校核模型對(duì)各個(gè)清洗后的文本進(jìn)行編碼，得到各個(gè)字符的嵌入向量，基于各個(gè)字符的嵌入向量，得到對(duì)應(yīng)的句向量，其中，校核模型通過(guò)對(duì)sbert網(wǎng)絡(luò)模型訓(xùn)練得到；

5、根據(jù)句向量，確定多個(gè)句子對(duì)，計(jì)算各個(gè)句子對(duì)之間的相似度，得到文本相似度值，判斷文本相似度是否大于預(yù)設(shè)閾值，若大于，則確定各個(gè)虛端子匹配。

6、在第一方面的一種可能的實(shí)現(xiàn)方式中，目標(biāo)校核模型通過(guò)對(duì)sbert網(wǎng)絡(luò)模型訓(xùn)練得到，包括:

7、獲取智能變電站虛回路中多個(gè)虛端子的文本數(shù)據(jù)集，將數(shù)據(jù)集按照預(yù)設(shè)比例分為訓(xùn)練集和測(cè)試集；

8、對(duì)各個(gè)訓(xùn)練集進(jìn)行清洗，得到對(duì)應(yīng)的清洗后的訓(xùn)練集，將各個(gè)清洗后的訓(xùn)練集輸入sbert網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到初始校核模型；

9、利用測(cè)試樣本數(shù)據(jù)對(duì)初始校核模型進(jìn)行調(diào)整，得到目標(biāo)校核模型。

10、在第一方面的一種可能的實(shí)現(xiàn)方式中，對(duì)訓(xùn)練集中的文本進(jìn)行清洗，得到清洗后的訓(xùn)練集，包括：

11、將各個(gè)訓(xùn)練集中的無(wú)效信息剔除，并且將以英文字母代表的文本信息擴(kuò)充為真實(shí)含義，得到對(duì)應(yīng)的清洗后的訓(xùn)練集。

12、在第一方面的一種可能的實(shí)現(xiàn)方式中，將各個(gè)清洗后的訓(xùn)練集輸入sbert網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到初始校核模型，包括：

13、對(duì)各個(gè)清洗后的訓(xùn)練集進(jìn)行編碼，得到每個(gè)樣本字符的空間嵌入向量，基于各個(gè)樣本字符的空間嵌入向量，得到各個(gè)清洗后的訓(xùn)練集對(duì)應(yīng)的句向量；

14、對(duì)各個(gè)清洗后的訓(xùn)練集進(jìn)行編碼，得到每個(gè)樣本字符的空間嵌入向量，基于各個(gè)樣本字符的空間嵌入向量，得到各個(gè)清洗后的訓(xùn)練集對(duì)應(yīng)的句向量；

15、基于各個(gè)清洗后的訓(xùn)練集對(duì)應(yīng)的句向量，確定多個(gè)樣本句子對(duì)，計(jì)算各個(gè)樣本句子對(duì)之間的相似度，得到對(duì)應(yīng)的相似度值，其中，相似度值的計(jì)算公式為：

16、

17、式中，、分別表示各個(gè)清洗后的文本對(duì)應(yīng)的嵌入向量；

18、根據(jù)各個(gè)相似度值，得到均方誤差，根據(jù)均方誤差對(duì)sbert網(wǎng)絡(luò)模型進(jìn)行反向傳播，直到達(dá)到預(yù)設(shè)條件停止訓(xùn)練，得到初始校核模型，其中，均方誤差函數(shù)為：

19、

20、式中，為真實(shí)相似度分?jǐn)?shù)，為模型計(jì)算的語(yǔ)句相似度分?jǐn)?shù)。

21、在第一方面的一種可能的實(shí)現(xiàn)方式中，利用測(cè)試集對(duì)初始校核模型進(jìn)行調(diào)整，得到目標(biāo)校核模型，包括：

22、將測(cè)試數(shù)據(jù)輸入初始校核模型進(jìn)行校核，得到初始校核結(jié)果；

23、根據(jù)初始校核結(jié)果，利用預(yù)設(shè)評(píng)估公式對(duì)初始校核結(jié)果進(jìn)行計(jì)算，得到評(píng)估值，其中，預(yù)設(shè)評(píng)估公式為：

24、

25、式中，p為初始校核結(jié)果為正的樣本中實(shí)際為正的概率，r表示實(shí)際為正的樣本被預(yù)測(cè)為正的概率；

26、若評(píng)估值大于預(yù)設(shè)評(píng)估值，則確定初始校核結(jié)果為訓(xùn)練好的校核模型，若評(píng)估值小于預(yù)設(shè)評(píng)估值，則繼續(xù)根據(jù)訓(xùn)練集對(duì)基于sbert網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到得到目標(biāo)校核模型。

27、在第一方面的一種可能的實(shí)現(xiàn)方式中，sbert網(wǎng)絡(luò)模型為將孿生網(wǎng)絡(luò)與bert模型結(jié)合得到的。

28、為了解決相同的技術(shù)問(wèn)題，本發(fā)明實(shí)施例的第二方面提供了智能變電站虛回路自動(dòng)校核系統(tǒng)，包括：

29、獲取模塊，用于獲取智能變電站虛回路中多個(gè)虛端子的文本描述；

30、編碼模塊，用于對(duì)各個(gè)文本描述進(jìn)行清洗，得到對(duì)應(yīng)的清洗后的文本，將各個(gè)清洗后的文本輸入目標(biāo)校核模型，以使目標(biāo)校核模型對(duì)各個(gè)清洗后的文本進(jìn)行編碼，得到各個(gè)字符的嵌入向量，基于各個(gè)字符的嵌入向量，得到對(duì)應(yīng)的句向量，其中，校核模型通過(guò)對(duì)sbert網(wǎng)絡(luò)模型訓(xùn)練得到；

31、相似度計(jì)算模塊，用于根據(jù)句向量，確定多個(gè)句子對(duì)，計(jì)算各個(gè)句子對(duì)之間的相似度，得到文本相似度值，判斷文本相似度是否大于預(yù)設(shè)閾值，若大于，則確定各個(gè)虛端子匹配。

32、在第二方面的一種可能的實(shí)現(xiàn)方式中，編碼模塊包括樣本數(shù)據(jù)獲取單元、訓(xùn)練單元和調(diào)整單元，其中，

33、樣本數(shù)據(jù)獲取單元用于獲取智能變電站虛回路中多個(gè)虛端子的文本數(shù)據(jù)集，將所述數(shù)據(jù)集按照預(yù)設(shè)比例分為訓(xùn)練集和測(cè)試集；

34、訓(xùn)練單元用于對(duì)各個(gè)訓(xùn)練集進(jìn)行清洗，得到對(duì)應(yīng)的清洗后的訓(xùn)練集，將各個(gè)清洗后的訓(xùn)練集輸入sbert網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到初始校核模型；

35、調(diào)整單元用于利用測(cè)試樣本數(shù)據(jù)對(duì)初始校核模型進(jìn)行調(diào)整，得到目標(biāo)校核模型。

36、本發(fā)明實(shí)施例的第三方面提供了一種計(jì)算機(jī)設(shè)備，包括：

37、存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；

38、處理器，用于執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如第一方面的智能變電站虛回路自動(dòng)校核方法的步驟。

39、本發(fā)明實(shí)施例的第四方面提供了一種存儲(chǔ)介質(zhì)，存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面的智能變電站虛回路自動(dòng)校核方法的步驟。

40、本發(fā)明技術(shù)方案，具有如下優(yōu)點(diǎn)：

41、本發(fā)明實(shí)施例提供的智能變電站虛回路自動(dòng)校核方法，獲取智能變電站虛回路中多個(gè)虛端子的文本描述，然后對(duì)各個(gè)文本描述進(jìn)行清洗，得到對(duì)應(yīng)的清洗后的文本，通過(guò)利用基于sbert網(wǎng)絡(luò)模型訓(xùn)練得到的目標(biāo)校核模型，對(duì)各個(gè)清洗后的文本進(jìn)行編碼，得到各個(gè)字符的嵌入向量，基于所述各個(gè)字符的嵌入向量，得到對(duì)應(yīng)的句向量，根據(jù)句向量，確定多個(gè)句子對(duì)，計(jì)算各個(gè)句子對(duì)之間的相似度，得到文本相似度值，判斷文本相似度是否大于預(yù)設(shè)閾值，若大于，則確定各個(gè)虛端子匹配，通過(guò)上述方法顯著提高了虛端子的自動(dòng)校驗(yàn)的準(zhǔn)確性。