专利名称:一种火电厂风险监测可视化实现方法及设备
专利类型:发明专利
专利申请号:CN202410136029.6
专利申请(专利权)人:华电淄博热电有限公司
权利人地址:山东省淄博市张店区南定镇张南路131号
专利发明(设计)人:李强,周鹏飞,张泽巍,张峰,刘然,李翔,程诺
专利摘要:本发明提供一种火电厂风险监测可视化实现方法及设备,获取目标火电厂监测数据序列,基于目标风险事件检测算法进行风险事件分类,最后依据目标类型检测字符串包含目标火电厂监测数据序列中各个数据项对应的风险事件属性,检测得到目标火电厂监测数据序列中的目标风险事件,以便进行数字孪生可视化展示。本发明通过抽取各层的风险派生载体进行风险事件检测,能够合并依据抽象层级抽取的风险派生载体进行风险事件检测获得的风险事件分类结果和基于在基础层级抽取的指示风险指标参数基础层级的风险派生载体进行风险事件检测获得的风险事件分类结果确定目标火电厂监测数据序列中的目标风险事件,风险事件检测的准确度得到提升。
主权利要求:
1.一种火电厂风险监测可视化实现方法,其特征在于,应用于计算机设备,所述方法包括:获取待分析的目标火电厂监测数据序列;
基于目标风险事件检测算法依据所述目标火电厂监测数据序列进行风险事件分类,获得目标类型检测字符串,所述目标类型检测字符串包含所述目标火电厂监测数据序列中各个数据项对应的风险事件属性;其中,所述目标类型检测字符串由所述目标风险事件检测算法依据所述目标火电厂监测数据序列进行多层次的风险派生载体抽取,获得各层抽取到的多个目标风险派生载体序列,以及结合所述多个目标风险派生载体序列的多个风险事件分类结果进行确定;
其中,所述多层次的风险派生载体抽取时,是将第n层抽取的风险派生载体序列确定为第n+1层的加载数据序列进行风险派生载体抽取;
基于所述目标类型检测字符串中的风险事件属性,确定所述目标火电厂监测数据序列中包含的目标风险事件;
根据所述目标风险事件,在预设的火电厂数字孪生模型中对所述目标风险事件对应的位置进行风险信息展示;
所述目标风险事件检测算法包括u个串联的风险派生载体抽取算子和风险事件分类算子;所述基于目标风险事件检测算法依据所述目标火电厂监测数据序列进行风险事件分类,获得目标类型检测字符串,包括:对所述目标火电厂监测数据序列进行数据低维空间投影,获得数据投影序列;
基于所述u个串联的风险派生载体抽取算子依据所述数据投影序列进行多层风险派生载体抽取;其中,所述u个串联的风险派生载体抽取算子中第n个风险派生载体抽取算子的输出结果作为第n+1个风险派生载体抽取算子的输入,其中,u大于1;
在所述u个串联的风险派生载体抽取算子输出的风险派生载体序列中,获取其中m个目标风险派生载体抽取算子输出的m个目标风险派生载体序列,其中,m大于1且小于或等于u;
基于风险事件分类算子依据所述m个目标风险派生载体序列中的各目标风险派生载体序列进行风险事件分类,获得每一目标风险派生载体序列对应的风险事件分类结果;
获取各个所述风险事件分类结果的合并重要性变量;
依据所述合并重要性变量对多个所述风险事件分类结果进行合并处理,获得合并结果;
基于所述合并结果确定所述目标火电厂监测数据序列对应的目标类型检测字符串;
所述风险事件分类算子包含标记置信度分类单元和条件马尔可夫分类单元,所述基于风险事件分类算子依据所述m个目标风险派生载体序列中的各目标风险派生载体序列进行风险事件分类,获得每一目标风险派生载体序列对应的风险事件分类结果,包括:针对每一目标风险派生载体序列,基于所述标记置信度分类单元对所述目标风险派生载体序列中的每一风险派生载体进行分类,获得每一所述目标风险派生载体序列对应的置信度分布张量;
基于所述条件马尔可夫分类单元依据每一所述置信度分布张量中的各风险派生载体属于各风险事件属性的置信度,获得每一所述目标风险派生载体序列对应的风险事件分类结果;
所述基于所述条件马尔可夫分类单元依据所述置信度分布张量中的各风险派生载体属于各风险事件属性的置信度,获得每一所述目标风险派生载体序列对应的风险事件分类结果,包括:针对每一目标风险派生载体序列,基于所述条件马尔可夫分类单元依据所述目标火电厂监测数据序列中的数据项排列位置,对所述目标风险派生载体序列中的每一风险派生载体确定一个风险事件属性进行组合,获得多个候选标记轨迹;
依据所述置信度分布张量中的各风险派生载体属于各风险事件属性的置信度,确定每一候选标记轨迹的轨迹指数;
从所述多个候选标记轨迹中确定所述轨迹指数最大的目标标记轨迹,获得每一目标风险派生载体序列对应的风险事件分类结果;
所述基于所述置信度分布张量中的各风险派生载体属于各风险事件属性的置信度,确定每一候选标记轨迹的轨迹指数,包括:确定当前候选标记轨迹中指示的每一风险事件属性对应的数据项;
确定所述每一风险事件属性对应的数据项在相应的置信度分布张量中的置信度,以所述置信度为相应数据项对应的风险事件属性的属性指数,以获得所述当前候选标记轨迹中指示的每一风险事件属性的属性指数;
将所述当前候选标记轨迹中指示的每一风险事件属性的属性指数相加,获得当前候选标记轨迹的风险事件属性的态势指数;
获取态势变化指数,所述态势变化指数由所述候选标记轨迹中任意前后排列的两个风险事件属性的属性指数之间的态势变化变量求和获得,其中,针对每一候选标记轨迹,确定任两个前后排列的风险事件属性的组合中,从一风险事件属性变化到另一风险事件属性的态势变化变量,所述态势变化变量为基于任一风险事件属性变化到任一风险事件属性的变化可能性,每一所述态势变化变量基于马尔可夫分类单元在训练过程中习得的约束和态势变化指数数组确定得到,将每一所述态势变化变量相加,获得所述候选标记轨迹的态势变化指数;
将所述态势指数和所述态势变化指数相加,对相加值执行对数运算,获得对应候选标记轨迹的轨迹指数;
所述风险事件属性的类型包括正常事件属性、事件触发数据项属性、事件发生数据项属性以及事件结束数据项属性,所述基于所述目标类型检测字符串中的风险事件属性,确定所述目标火电厂监测数据序列中包含的目标风险事件,包括:基于所述目标类型检测字符串中的风险事件属性,确定所述目标类型检测字符串中的目标子类型检测字符串;其中,所述目标子类型检测字符串包括基于所述事件触发数据项属性和所述事件结束数据项属性按序分布组成的字符串,基于所述事件触发数据项属性、所述事件发生数据项属性和所述事件结束数据项属性按序分布组成的字符串,以及在所述目标类型检测字符串中,靠前和靠后都是所述正常事件属性的一个所述事件触发数据项属性;
依据所述目标子类型检测字符串中的风险事件属性在所述目标火电厂监测数据序列中对应的数据项,确定在所述目标火电厂监测数据序列中所述目标子类型检测字符串对应的目标风险事件。
2.根据权利要求1所述的方法,其特征在于,所述合并结果包含所述目标火电厂监测数据序列中的各数据序列数据项属于各风险事件属性的目标置信度,所述基于所述合并结果确定所述目标火电厂监测数据序列对应的目标类型检测字符串,包括:依据所述合并结果中的各数据序列数据项属于各风险事件属性的目标置信度,确定所述目标火电厂监测数据序列中的各数据序列数据项对应的最大的所述目标置信度时的目标风险事件属性;
依据每一数据序列数据项的目标风险事件属性,生成所述目标火电厂监测数据序列对应的目标类型检测字符串。
3.根据权利要求1所述的方法,其特征在于,所述基于目标风险事件检测算法依据所述目标火电厂监测数据序列进行风险事件分类,获得目标类型检测字符串之前,所述方法还包括:获取目标火电厂监测数据序列模板和类型检测字符串模板,所述类型检测字符串模板包含所述目标火电厂监测数据序列模板中的各模板数据项对应的模板风险事件属性;
将所述目标火电厂监测数据序列模板加载到基础算法进行多层次的风险派生载体抽取,获得多个目标层输出的多个预估风险派生载体序列,以及确定每一预估风险派生载体序列的预估风险事件分类结果,每一所述预估风险事件分类结果包括所述目标火电厂监测数据序列模板中的各模板数据项属于各风险事件属性的预估置信度;
基于每一所述预估风险事件分类结果中的各模板数据项属于各风险事件属性的预估置信度、所述类型检测字符串模板中的各模板数据项对应的模板风险事件属性,确定每一目标层的代价;
基于各目标层对应的合并重要性变量和各目标层的代价,确定目标代价;
基于所述目标代价优化所述基础算法的算法参数,循环进行训练直到满足预设的训练收敛评估条件,获得训练完成的目标风险事件检测算法。
4.根据权利要求3所述的方法,其特征在于,所述基于每一所述预估风险事件分类结果中的各模板数据项属于各风险事件属性的预估置信度、所述类型检测字符串模板中的各模板数据项对应的模板风险事件属性,确定每一目标层的代价,包括:基于每一所述预估风险事件分类结果中的各模板数据项属于各风险事件属性的预估置信度、所述类型检测字符串模板中的各模板数据项对应的模板风险事件属性,确定每一目标层的预估分类结果中的各模板数据项的数据项代价;
对所述目标火电厂监测数据序列模板中多个模板数据项的数据项代价进行加权,获得每一目标层的代价;
所述目标层对应的合并重要性变量与所述目标层的层数之间反向关联。
5.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~4任一项所述的方法。 说明书 : 一种火电厂风险监测可视化实现方法及设备技术领域[0001] 本公开涉及电数据处理领域,具体而言,涉及一种火电厂风险监测可视化实现方法及设备。背景技术[0002] 火电厂是电力供应的重要组成部分,但其运行过程中存在各种风险事件,如设备故障、人为失误等,这些风险可能会导致停电、火灾等严重后果。因此,对火电厂进行风险监测和管理至关重要。传统的火电厂风险监测方法主要依赖人工监测和经验判断,存在着主观性强、效率低、无法及时发现潜在风险等问题。为了解决这些问题,近年来机器学习技术在火电厂风险监测中得到了广泛应用。[0003] 机器学习算法可以对大量监测数据进行分析和处理,自动识别出潜在的风险事件,并进行预警和预测。然而,仅仅依靠机器学习算法本身还不足以实现对火电厂风险的全面监测和管理。因此,数字孪生技术被引入到火电厂风险监测中。数字孪生是一种基于物理实体的虚拟模型,可以实时反映物理实体的状态和行为。通过将火电厂的监测数据与数字孪生模型进行结合,可以实现对火电厂风险的实时监测和可视化展示。如何确保火电厂风险监测的准确检测,以达到高可靠度可视化展示,是需要考虑的技术问题。发明内容[0004] 本发明的目的在于提供一种火电厂风险监测可视化实现方法及设备。[0005] 本公开实施例的技术方案是这样实现的:[0006] 第一方面,本公开实施例提供了一种火电厂风险监测可视化实现方法,应用于计算机设备,所述方法包括:[0007] 获取待分析的目标火电厂监测数据序列;[0008] 基于目标风险事件检测算法依据所述目标火电厂监测数据序列进行风险事件分类,获得目标类型检测字符串,所述目标类型检测字符串包含所述目标火电厂监测数据序列中各个数据项对应的风险事件属性;其中,所述目标类型检测字符串由所述目标风险事件检测算法依据所述目标火电厂监测数据序列进行多层次的风险派生载体抽取,获得各层抽取到的多个目标风险派生载体序列,以及结合所述多个目标风险派生载体序列的多个风险事件分类结果进行确定;[0009] 其中,所述多层次的风险派生载体抽取时,是将第n层抽取的风险派生载体序列确定为第n+1层的加载数据序列进行风险派生载体抽取;[0010] 基于所述目标类型检测字符串中的风险事件属性,确定所述目标火电厂监测数据序列中包含的目标风险事件;[0011] 根据所述目标风险事件,在预设的火电厂数字孪生模型中对所述目标风险事件对应的位置进行风险信息展示。[0012] 其中,可选地,所述目标风险事件检测算法包括u个串联的风险派生载体抽取算子和风险事件分类算子;所述基于目标风险事件检测算法依据所述目标火电厂监测数据序列进行风险事件分类,获得目标类型检测字符串,包括:[0013] 对所述目标火电厂监测数据序列进行数据低维空间投影,获得数据投影序列;[0014] 基于所述u个串联的风险派生载体抽取算子依据所述数据投影序列进行多层风险派生载体抽取;其中,所述u个串联的风险派生载体抽取算子中第n个风险派生载体抽取算子的输出结果作为第n+1个风险派生载体抽取算子的输入,其中,u大于1;[0015] 在所述u个串联的风险派生载体抽取算子输出的风险派生载体序列中,获取其中m个目标风险派生载体抽取算子输出的m个目标风险派生载体序列,其中,m大于1且小于或等于u;[0016] 基于风险事件分类算子依据所述m个目标风险派生载体序列中的各目标风险派生载体序列进行风险事件分类,获得每一目标风险派生载体序列对应的风险事件分类结果;[0017] 获取各个所述风险事件分类结果的合并重要性变量;[0018] 依据所述合并重要性变量对多个所述风险事件分类结果进行合并处理,获得合并结果;[0019] 基于所述合并结果确定所述目标火电厂监测数据序列对应的目标类型检测字符串。[0020] 其中,可选地,所述合并结果包含所述目标火电厂监测数据序列中的各数据序列数据项属于各风险事件属性的目标置信度,所述基于所述合并结果确定所述目标火电厂监测数据序列对应的目标类型检测字符串,包括:[0021] 依据所述合并结果中的各数据序列数据项属于各风险事件属性的目标置信度,确定所述目标火电厂监测数据序列中的各数据序列数据项对应的最大的所述目标置信度时的目标风险事件属性;[0022] 依据每一数据序列数据项的目标风险事件属性,生成所述目标火电厂监测数据序列对应的目标类型检测字符串。[0023] 其中,可选地,所述风险事件分类算子包含标记置信度分类单元和条件马尔可夫分类单元,所述基于风险事件分类算子依据所述m个目标风险派生载体序列中的各目标风险派生载体序列进行风险事件分类,获得每一目标风险派生载体序列对应的风险事件分类结果,包括:[0024] 针对每一目标风险派生载体序列,基于所述标记置信度分类单元对所述目标风险派生载体序列中的每一风险派生载体进行分类,获得每一所述目标风险派生载体序列对应的置信度分布张量;[0025] 基于所述条件马尔可夫分类单元依据每一所述置信度分布张量中的各风险派生载体属于各风险事件属性的置信度,获得每一所述目标风险派生载体序列对应的风险事件分类结果。[0026] 其中,可选地,所述基于所述条件马尔可夫分类单元依据所述置信度分布张量中的各风险派生载体属于各风险事件属性的置信度,获得每一所述目标风险派生载体序列对应的风险事件分类结果,包括:[0027] 针对每一目标风险派生载体序列,基于所述条件马尔可夫分类单元依据所述目标火电厂监测数据序列中的数据项排列位置,对所述目标风险派生载体序列中的每一风险派生载体确定一个风险事件属性进行组合,获得多个候选标记轨迹;[0028] 依据所述置信度分布张量中的各风险派生载体属于各风险事件属性的置信度,确定每一候选标记轨迹的轨迹指数;[0029] 从所述多个候选标记轨迹中确定所述轨迹指数最大的目标标记轨迹,获得每一目标风险派生载体序列对应的风险事件分类结果。[0030] 其中,可选地,所述基于所述置信度分布张量中的各风险派生载体属于各风险事件属性的置信度,确定每一候选标记轨迹的轨迹指数,包括:[0031] 确定当前候选标记轨迹中指示的每一风险事件属性对应的数据项;[0032] 确定所述每一风险事件属性对应的数据项在相应的置信度分布张量中的置信度,以所述置信度为相应数据项对应的风险事件属性的属性指数,以获得所述当前候选标记轨迹中指示的每一风险事件属性的属性指数;[0033] 将所述当前候选标记轨迹中指示的每一风险事件属性的属性指数相加,获得当前候选标记轨迹的风险事件属性的态势指数;[0034] 获取态势变化指数,所述态势变化指数由所述候选标记轨迹中任意前后排列的两个风险事件属性的属性指数之间的态势变化变量求和获得,其中,针对每一候选标记轨迹,确定任两个前后排列的风险事件属性的组合中,从一风险事件属性变化到另一风险事件属性的态势变化变量,所述态势变化变量为基于任一风险事件属性变化到任一风险事件属性的变化可能性,每一所述态势变化变量基于马尔可夫分类单元在训练过程中习得的约束和态势变化指数数组确定得到,将每一所述态势变化变量相加,获得所述候选标记轨迹的态势变化指数;[0035] 将所述态势指数和所述态势变化指数相加,对相加值执行对数运算,获得对应候选标记轨迹的轨迹指数。[0036] 其中,可选地,所述风险事件属性的类型包括正常事件属性、事件触发数据项属性、事件发生数据项属性以及事件结束数据项属性,所述基于所述目标类型检测字符串中的风险事件属性,确定所述目标火电厂监测数据序列中包含的目标风险事件,包括:[0037] 基于所述目标类型检测字符串中的风险事件属性,确定所述目标类型检测字符串中的目标子类型检测字符串;其中,所述目标子类型检测字符串包括基于所述事件触发数据项属性和所述事件结束数据项属性按序分布组成的字符串,基于所述事件触发数据项属性、所述事件发生数据项属性和所述事件结束数据项属性按序分布组成的字符串,以及在所述目标类型检测字符串中,靠前和靠后都是所述正常事件属性的一个所述事件触发数据项属性;[0038] 依据所述目标子类型检测字符串中的风险事件属性在所述目标火电厂监测数据序列中对应的数据项,确定在所述目标火电厂监测数据序列中所述目标子类型检测字符串对应的目标风险事件。[0039] 其中,可选地,所述基于目标风险事件检测算法依据所述目标火电厂监测数据序列进行风险事件分类,获得目标类型检测字符串之前,所述方法还包括:[0040] 获取目标火电厂监测数据序列模板和类型检测字符串模板,所述类型检测字符串模板包含所述目标火电厂监测数据序列模板中的各模板数据项对应的模板风险事件属性;[0041] 将所述目标火电厂监测数据序列模板加载到基础算法进行多层次的风险派生载体抽取,获得多个目标层输出的多个预估风险派生载体序列,以及确定每一预估风险派生载体序列的预估风险事件分类结果,每一所述预估风险事件分类结果包括所述目标火电厂监测数据序列模板中的各模板数据项属于各风险事件属性的预估置信度;[0042] 基于每一所述预估风险事件分类结果中的各模板数据项属于各风险事件属性的预估置信度、所述类型检测字符串模板中的各模板数据项对应的模板风险事件属性,确定每一目标层的代价;[0043] 基于各目标层对应的合并重要性变量和各目标层的代价,确定目标代价;[0044] 基于所述目标代价优化所述基础算法的算法参数,循环进行训练直到满足预设的训练收敛评估条件,获得训练完成的目标风险事件检测算法。[0045] 其中,可选地,所述基于每一所述预估风险事件分类结果中的各模板数据项属于各风险事件属性的预估置信度、所述类型检测字符串模板中的各模板数据项对应的模板风险事件属性,确定每一目标层的代价,包括:[0046] 基于每一所述预估风险事件分类结果中的各模板数据项属于各风险事件属性的预估置信度、所述类型检测字符串模板中的各模板数据项对应的模板风险事件属性,确定每一目标层的预估分类结果中的各模板数据项的数据项代价;[0047] 对所述目标火电厂监测数据序列模板中多个模板数据项的数据项代价进行加权,获得每一目标层的代价;[0048] 所述目标层对应的合并重要性变量与所述目标层的层数之间反向关联。[0049] 第二方面,本公开提供一种计算机设备,包括:存储器和处理器,所述存储器存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法。[0050] 本公开至少具有的有益效果:[0051] 本公开提供一种火电厂风险监测可视化实现方法及设备,基于获取待进行风险事件检测的目标火电厂监测数据序列,然后基于训练完成的目标风险事件检测算法对目标火电厂监测数据序列进行风险事件分类,目标风险事件检测算法依据目标火电厂监测数据序列进行多层次的风险派生载体抽取,得到多个目标层输出的多个目标风险派生载体序列,以确定不同层抽取的目标风险派生载体序列,进行风险事件分类,以及结合不同层对应的风险事件分类结果确定目标类型检测字符串,最后依据目标类型检测字符串包含目标火电厂监测数据序列中各个数据项对应的风险事件属性,检测得到目标火电厂监测数据序列中的目标风险事件,以便进行数字孪生可视化展示。上述方案通过抽取各层的风险派生载体进行风险事件检测,能够合并依据抽象层级抽取的风险派生载体进行风险事件检测获得的风险事件分类结果和基于在基础层级抽取的指示风险指标参数基础层级的风险派生载体进行风险事件检测获得的风险事件分类结果确定目标火电厂监测数据序列中的目标风险事件,风险事件检测的准确度得到提升。[0052] 在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。附图说明[0053] 此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。[0054] 图1是本公开实施例提供的火电厂风险监测可视化实现方法的应用场景示意图。[0055] 图2是本公开实施例提供的一种火电厂风险监测可视化实现方法的流程图。[0056] 图3是本公开实施例提供的火电厂风险监测可视化实现装置的功能模块架构示意图。[0057] 图4是本公开实施例提供的一种计算机设备的组成示意图。具体实施方式[0058] 为了使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开作进一步地详细描述,所描述的实施例不应视为对本公开的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。[0059] 在以下的描述中,涉及到“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。[0060] 在以下的描述中,所涉及的术语“第一\第二\第三”等类似术语,仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的,不是旨在限制本公开。[0061] 本公开实施例提供的火电厂风险监测可视化实现方法可以由计算机设备执行,计算机设备可以是笔记本电脑,平板电脑,台式计算机等各种类型的终端,也可以实施为服务器。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。[0062] 图1是本公开实施例提供的火电厂风险监测可视化实现方法的应用场景示意图。本公开实施例中应用场景包括多个火电厂数据采集终端100、网络200和计算机设备300,多个火电厂数据采集终端100和计算机设备300之间通过网络200实现通信连接。计算机设备300用于执行本公开实施例提供的方法。具体地,本公开实施例提供了一种火电厂风险监测可视化实现方法,如图2所示,该方法包括:[0063] 操作S100,获取待分析的目标火电厂监测数据序列。[0064] 目标火电厂监测数据序列为通过部署在火电厂的设备和设备上的传感器设备采集到的序列数据,这些设备可以理解为应用场景中的多个火电厂数据采集终端100。其中,目标火电厂监测数据序列可以包括设备数据、环境数据和传感器数据等中的至少一种。设备数据可以包括火电厂设备的运行状态(如振动、温度、电流等)、能耗(如用电量、用水量)、安全监测数据(如火灾报警器、气体检测仪等用于监测火灾、气体泄漏等安全风险的设备监测数据);环境数据例如包括大气污染物、烟气排放参数、噪音水平等数据;传感器数据例如为安装在火电厂的各种设备和系统中的温度传感器、压力传感器、流量传感器、液位传感器、气体传感器等,监测得到的关键参数,如温度、压力、流量、液位、气体浓度等数据。这些数据按照预设的采集周期进行定期采集,一个采集周期中的数据构成一个火电厂监测数据序列,多个采集周期采集的火电厂监测数据序列可以拼接在一起构成一个长序列数据。一个火电厂监测数据序列中的各个数据元素为对应采集到的数据项,通过约定的位置关系进行排列,多个数据项共同构成一个火电厂监测数据序列。[0065] 操作S200,基于目标风险事件检测算法依据目标火电厂监测数据序列进行风险事件分类,获得目标类型检测字符串。目标类型检测字符串由目标风险事件检测算法依据目标火电厂监测数据序列进行多层次的风险派生载体抽取,获得各层抽取到的多个目标风险派生载体序列,以及结合多个目标风险派生载体序列的多个风险事件分类结果进行确定。[0066] 为了检测目标火电厂监测数据序列中的风险事件,分析是否包括风险事件,需确定目标火电厂监测数据序列中风险事件在数据序列中的位置。具体地,依据训练完成的目标风险事件检测算法对目标火电厂监测数据序列中的数据项进行风险事件分类,获得对应的目标类型检测字符串,目标类型检测字符串包含目标火电厂监测数据序列中各个数据项对应的风险事件属性,基于目标类型检测字符串,确定目标火电厂监测数据序列中的各个风险事件,以在目标火电厂监测数据序列中检测到风险事件。其中,目标类型检测字符串指示目标火电厂监测数据序列中的各数据序列数据项对应的风险事件属性,比如,目标类型检测字符串是目标火电厂监测数据序列中各个数据项对应的风险事件属性依据数据项在目标火电厂监测数据序列中的顺次组合得到的序列。作为一种实施方式,风险事件属性的类型包含正常事件属性、事件触发数据项属性、事件发生数据项属性和事件结束数据项属性。[0067] 下面对上述概念进行解释,首先需说明何为风险事件,在本公开实施例中,风险事件是一系列风险数据项构成的数据序列,风险数据项为对应的风险事件属性中不满足正常数据值范围的数据项。比如,锅炉压力为15MPa,超过10MPa、汽轮机排汽温度310℃,超过300℃、冷却塔出水温70℃,超过45℃,此时构成一个风险事件,即该风险事件可以用(15,310,70)的向量序列来表示。可以理解,不同的风险事件属性关注不同的数据项类型,但是通常在火电厂监测数据序列中是连续存在的。基于以上风险事件的定义,正常事件属性代表数据项不是目标风险事件中的数据项,事件触发数据项属性即目标风险事件中风险事件开始的数据项、事件发生数据项属性即目标风险事件中位于中间的数据项、事件结束数据项属性即目标风险事件中,结束的数据项。[0068] 目标风险事件检测算法可以包括多个串联的风险派生载体抽取算子,完成风险派生载体抽取。风险派生载体是对数据序列中的风险特征数据进行特征表示得到的派生值,通常可以采用向量或者矩阵进行表示。风险派生载体抽取算子是深度神经网络中的执行组件,例如卷积组件。串联的风险派生载体抽取算子中,靠后(正向方向)的风险派生载体抽取算子(即更深的风险派生载体抽取算子)输出的风险派生载体能表达目标火电厂监测数据序列更抽象层级的数据语义,即是什么类型的风险,靠前的风险派生载体抽取算子(即更浅的风险派生载体抽取算子)输出的风险派生载体能表达目标火电厂监测数据序列的指示风险指标参数基础层级的特征,例如是否为风险数据项,将抽象层级和基础层级表征进行融合以进行风险事件分类,能提高风险事件分类的准确性。本公开实施例在对目标火电厂监测数据序列进行风险事件分类时,注意到不同层的风险派生载体,将不同层的风险派生载体的风险事件分类结果进行融合得到目标类型检测字符串,可以增加风险事件分类的可靠性。类型检测字符串是对应的数据项类型构成的序列。[0069] 多层次的风险派生载体抽取时,是将第n层抽取的风险派生载体序列确定为第n+1层的加载数据序列进行风险派生载体抽取。在一个实施方式中,提出一种机器学习算法,其包括数据序列嵌入部分和编码部分,数据序列嵌入部分用于对目标火电厂监测数据序列进行数据低维空间投影,该过程将火电厂监测数据序列投影到向量空间,以便编码部分进行风险派生载体抽取。编码部分基于多层风险派生载体抽取算子串联得到,每层风险派生载体抽取算子包括至少一个滤波器(conv),前后两层的滤波器各自全连接。基于该算法架构,多层次的风险派生载体抽取时,目标火电厂监测数据序列完成数据低维空间投影后,依据数据序列嵌入部分的输出与第一层的各个滤波器的全连接,将数据投影序列传播到第一层的风险派生载体抽取算子中相应的滤波器进行风险派生载体抽取,然后依据第一层中的各滤波器的输出和第二层的每一滤波器的输入的全连接,将第一层的每一滤波器输出的抽取风险派生载体加载到第二层的每一滤波器进行风险派生载体抽取,基于此思路进行下去,直到最后一滤波器进行抽取,完成依据目标火电厂监测数据序列的多层次的风险派生载体抽取。上述过程,每一滤波器依据注意力和全连接对数据投影序列进行风险派生载体抽取,得到表征每一数据序列数据项的抽象特征的风险派生载体。[0070] 作为一种实施方式,目标风险事件检测算法的编码部分基于多个子风险派生载体抽取算子组成,前后排列的两个子风险派生载体抽取算子依据全连接完成串联,每一子风险派生载体抽取算子对应一层次的深度,目标风险事件检测算法还包括风险事件分类算子。[0071] 以下通过目标风险事件检测算法的算法架构对风险事件分类进行描述,目标风险事件检测算法包括u个串联的风险派生载体抽取算子和风险事件分类算子,以上操作S200包括:[0072] 操作S210,对目标火电厂监测数据序列进行数据低维空间投影,获得数据投影序列。[0073] 操作S220,基于u个串联的风险派生载体抽取算子依据数据投影序列进行多层风险派生载体抽取。其中,u个串联的风险派生载体抽取算子中第n个风险派生载体抽取算子的输出结果为第n+1个风险派生载体抽取算子的输入,其中,u大于1。[0074] 操作S230,在u个串联的风险派生载体抽取算子输出的风险派生载体序列中,获取其中m个目标风险派生载体抽取算子输出的m个目标风险派生载体序列.其中,m大于1且小于或等于u。[0075] 操作S240,基于风险事件分类算子,依据m个目标风险派生载体序列中的各目标风险派生载体序列进行风险事件分类,获得每一目标风险派生载体序列对应的风险事件分类结果。[0076] 操作S250,将多个风险事件分类结果进行合并处理,获得目标火电厂监测数据序列对应的目标类型检测字符串。[0077] 数据投影序列包括目标火电厂监测数据序列中的各数据序列数据项对应的数据项向量。数据低维空间投影是将目标火电厂监测数据序列中的数据项进行数据序列嵌入表示,以得到数据嵌入,实现目标火电厂监测数据序列的嵌入表达,从而实现风险派生载体抽取。在获得目标火电厂监测数据序列对应的数据投影序列后,依据多层次的风险派生载体抽取,基于u个串联的风险派生载体抽取算子对数据投影序列中的每一数据序列数据项表示进行风险派生载体抽取,以使得各深度的风险派生载体抽取算子,依据前一风险派生载体抽取算子输出的风险派生载体进行风险派生载体抽取,以及,在不同层的风险派生载体抽取算子设置相应的输出层,得到不同的目标层的风险派生载体抽取算子输出的目标风险派生载体序列。之后,依据风险事件分类算子分别对每一目标风险派生载体序列进行分类,获得每一目标风险派生载体序列对应的风险事件分类结果。之后合并全部风险事件分类结果,确定目标火电厂监测数据序列对应的目标类型检测字符串,从而实现结合多个层的风险派生载体序列的风险事件分类结果,确定目标火电厂监测数据序列中的各数据序列数据项最后对应的风险事件属性,增加对目标火电厂监测数据序列的风险事件检测的可靠性。[0078] 作为一种实施方式,操作S230可以依据设定的抽取间隔在u个串联的风险派生载体抽取算子输出的风险派生载体序列中按照该抽取间隔获取m个风险派生载体抽取算子输出的风险派生载体序列,作为m个目标风险派生载体序列。在一个举例中,假如目标风险事件检测算法包括5个串联的风险派生载体抽取算子,从正传播方向将目标风险事件检测算法中第2个风险派生载体抽取算子、第3个风险派生载体抽取算子,和第5个风险派生载体抽取算子输出的风险派生载体序列确定为目标风险派生载体序列。[0079] 或者,可以在u个串联的风险派生载体抽取算子输出的风险派生载体序列中任意获取m个风险派生载体抽取算子输出的风险派生载体序列,作为m个目标风险派生载体序列。假如目标风险事件检测算法包括5个串联的风险派生载体抽取算子,从正传播方向将目标风险事件检测算法中第1、第4和第5个风险派生载体抽取算子输出的风险派生载体序列确定为目标风险派生载体序列。m个目标风险派生载体序列中包括目标风险事件检测算法中的最后一个风险派生载体抽取算子输出的风险派生载体序列。[0080] 作为一种实施方式,获取多个不同层的目标风险派生载体序列后,针对每一目标风险派生载体序列,可依据每一风险派生载体被检测为各风险事件属性的置信度,以确定每一目标风险派生载体序列的风险事件分类结果,这样,可配置指定的风险事件分类算子架构。风险事件分类算子包含标记置信度分类单元和条件马尔可夫分类单元,操作S240例如包括如下操作:[0081] 操作S241,针对每一目标风险派生载体序列,基于标记置信度分类单元对目标风险派生载体序列中的每一风险派生载体进行分类,获得每一目标风险派生载体序列对应的置信度分布张量。[0082] 操作S242,基于条件马尔可夫分类单元依据每一置信度分布张量中的各风险派生载体属于各风险事件属性的置信度,获得每一目标风险派生载体序列对应的风险事件分类结果。[0083] 目标风险派生载体序列对应的置信度分布张量例如是一个二阶张量,换言之,是一个张量矩阵,其中包括目标风险派生载体序列中的各风险派生载体被分类为每一风险事件属性的置信度。例如,风险事件属性的类型包含正常事件属性、事件触发数据项属性、事件发生数据项属性和事件结束数据项属性,则置信度分布张量中包含每一风险派生载体被检测成以上各风险事件属性的置信度。若目标火电厂监测数据序列包含u个数据项,目标风险派生载体序列包含u个风险派生载体,那么置信度分布张量为4*u的数表。事件属性可以用数字或字母进行表示,比如,正常事件属性可以表示为0、事件触发数据项属性可以表示为1、事件发生数据项属性可以表示为2、事件结束数据项属性可以表示为3。获得多个不同层的目标风险派生载体序列后,分别对每一目标风险派生载体序列进行风险事件分类。在风险事件分类检测时,针对每一目标风险派生载体序列,确定目标风险派生载体序列中的各风险派生载体被检测成各风险事件属性的置信度,例如,针对标记置信度分类单元可以为多属性逻辑斯谛回归算法(MultinomialLogisticRegression),针对每一目标风险派生载体序列,标记置信度分类单元对目标风险派生载体序列中的每一风险派生载体进行事件属性分类,获得每一风险派生载体属于各风险事件属性的置信度,针对每一风险派生载体可具有多个不同风险事件属性的置信度,如果包括四个风险事件属性,那么每一风险派生载体包括四个风险事件属性的置信度,每一目标风险派生载体序列进行置信度分类后,得到一个置信度分布张量。然后,依据条件马尔可夫分类单元的分类模块,结合马尔可夫分类单元基于训练获得的约束,对每一目标风险派生载体序列对应的置信度分布张量进行风险事件分类,具体依据分类确定得到合适的标记轨迹确定为每一目标风险派生载体序列的风险事件分类结果。[0084] 作为一种实施方式,为了增加每一目标风险派生载体序列的风险事件分类的可靠性,可基于马尔可夫分类单元对每一目标风险派生载体序列的置信度分布张量进行风险事件分类。则操作S242具体可以包括:针对每一目标风险派生载体序列,基于条件马尔可夫分类单元依据目标火电厂监测数据序列中的数据项排列位置,对目标风险派生载体序列中的每一风险派生载体确定一个风险事件属性进行组合,获得多个候选标记轨迹;依据置信度分布张量中的各风险派生载体属于各风险事件属性的置信度,确定每一候选标记轨迹的轨迹指数;在多个候选标记轨迹中确定轨迹指数最大的目标标记轨迹,获得每一目标风险派生载体序列对应的风险事件分类结果。数据项排列位置例如是目标火电厂监测数据序列中数据项与数据项之间的顺次,如此限定条件马尔可夫分类单元生成候选标记轨迹时,每一数据序列数据项的风险事件属性的顺序。候选标记轨迹由多个数据项的风险事件属性构成,每一数据序列数据项的风险事件属性为对应的置信度分布张量中的任一个属性,候选标记轨迹中各个风险事件属性之间的顺次和对应的数据项在目标火电厂监测数据序列中的顺次相同。风险事件分类结果可以包括目标数据项对应各风险事件属性的置信度,需说明,即使马尔可夫分类单元基于分类得到最优目标标记轨迹,确定为风险事件分类结果,但依旧包括每一数据序列数据项被淘汰的风险事件属性的置信度,每一数据序列数据项被淘汰的风险事件属性的置信度为零,仅维护最优目标标记轨迹表征的每一数据序列数据项的实际风险事件属性的置信度,方便对不同层的风险事件属性结果进行合并。[0085] 轨迹指数为候选标记轨迹得到的支持度,用于分析当前候选标记轨迹是不是对的标记轨迹,候选标记轨迹的轨迹指数越高,归集为对的标记轨迹的置信度越大,每一候选标记轨迹的轨迹指数可基于轨迹的风险事件属性的态势指数和态势变化指数进行确定。[0086] 在马尔可夫分类单元中,具有事件属性变化到另一事件属性的可能,事件属性变化的原因是因为一数据项的事件属性受上下文数据项的扰动,事件属性变化表示在一个数据序列中,一风险事件的属性随前后事件属性产生变化。举例来说,在一个数据序列中,一数据项在一位置被检测成一个事件属性,在另一个位置被检测成其他事件属性。该事件属性变化的发生为数据序列的上下文引起。前后排列的数据项可能会对当前风险事件的属性产生扰动,引起事件属性变化。基于事件属性间的变化考量,马尔可夫分类单元可以锁定数据序列中的上下文关系,增加风险事件检测的可靠性。态势变化指数即衍生出的对上述变化关系进行评估的指标,它体现了前后排列事件属性之间的变化置信度。基于对态势变化指数的计算,马尔可夫分类单元可以在进行风险事件检测过程中,考虑各数据项被检测成各事件属性的指数,以及目标数据序列中前后排列两个数据项之间的事件属性变化指数,对数据序列中的风险事件进行检测的准确性更高。[0087] 风险事件属性的态势指数是对应的候选标记轨迹中,包括各风险事件属性时的态势指数,在对其进行计算时,例如包括:确定当前候选标记轨迹中指示的每一风险事件属性对应的数据项,确定每一风险事件属性对应的数据项在相应的置信度分布张量中的置信度,以该置信度为相应数据项对应的风险事件属性的属性指数,那么可确定当前候选标记轨迹中的每一风险事件属性的属性指数,将当前候选标记轨迹中的每一风险事件属性的属性指数相加,获得当前候选标记轨迹的风险事件属性的态势指数,态势变化指数是候选标记轨迹中各个风险事件属性之间的态势变化指数,态势变化指数可基于候选标记轨迹中任意前后排列的两个风险事件属性的属性指数之间的态势变化变量求和获得。具体地,针对每一候选标记轨迹,确定任两个前后排列的风险事件属性的组合中,从一风险事件属性变化到另一风险事件属性的态势变化变量,需理解,态势变化变量是基于任一风险事件属性变化到任一风险事件属性的变化可能性,每一态势变化变量由马尔可夫分类单元在训练过程中习得的约束和态势变化指数矩阵确定得到。将每一态势变化变量相加获得候选标记轨迹的态势变化指数。将态势指数和态势变化指数相加,然后对相加值执行对数运算,获得对应候选标记轨迹的轨迹指数。基于此,马尔可夫分类单元在对每一目标风险派生载体序列的置信度分布张量进行风险事件分类时,考虑每一数据序列数据项被分类为各风险事件属性的权重和整个目标火电厂监测数据序列中前后排列两个数据项间的风险事件属性变化指数,提升每一目标风险派生载体序列的风险事件分类的可靠性。[0088] 作为一种实施方式,每一目标风险派生载体序列的风险事件分类结果表示一层,基于综合多个不同层的风险事件分类结果,以确定目标火电厂监测数据序列最终的风险事件分类结果,也就是目标类型检测字符串。操作S250具体可以包括:操作S251,获取各个风险事件分类结果的合并重要性变量。操作S252,依据合并重要性变量对多个风险事件分类结果进行合并处理,获得合并结果。操作S253,基于合并结果确定目标火电厂监测数据序列对应的目标类型检测字符串。[0089] 以上合并重要性变量即相应层在网络训练过程中设置的权重,举例而言,在目标风险事件检测算法的训练过程中,对不同层分配对应的权重,也就是即重要性变量,依据各层对应的风险事件分类结果对应的代价以及各层对应的重要性变量以计算目标代价,从而对算法进行训练,每一重要性变量在算法应用时作为多个风险事件分类结果合并过程中的合并重要性变量。[0090] 得到每一风险事件分类结果的合并重要性变量后,依据各合并重要性变量对获得的多个风险事件分类结果进行合并处理,具体可以是基于各自的重要性变量进行加权求和以获得合并结果。依据合并结果中的各数据序列数据项对应风险事件属性的目标置信度,以确定目标火电厂监测数据序列中的各数据序列数据项的风险事件属性。[0091] 作为一种实施方式,合并结果也为置信度分布张量,包含目标火电厂监测数据序列中的各数据序列数据项对应各风险事件属性的目标置信度,目标置信度由不同风险事件分类结果中的各数据序列数据项属于同一风险事件属性的置信度加权求和得到。对目标火电厂监测数据序列中的每一数据序列数据项,在合并结果中确定目标置信度最大时的目标风险事件属性,以获得目标火电厂监测数据序列的目标类型检测字符串。举例而言,操作S253具体可以包括:依据合并结果中的各数据序列数据项属于各风险事件属性的目标置信度,确定目标火电厂监测数据序列中的各数据序列数据项对应的最大的目标置信度时的目标风险事件属性;依据每一数据序列数据项的目标风险事件属性,生成目标火电厂监测数据序列对应的目标类型检测字符串。目标类型检测字符串代表目标火电厂监测数据序列中的各风险事件的位置。[0092] 接下来是算法的训练的流程的描述,首先提供一个初始风险事件检测算法,该算法是基于预训练(pre‑train)得到的机器学习算法。作为一种实施方式,为了强化算法的风险事件分类性能,本公开实施例分别对不同层的预估结果进行代价生成,结合不同层的代价对基础算法进行训练,轮得到训练完成的目标风险事件检测算法。操作S200之前,方法还包括:[0093] 操作S001,获取目标火电厂监测数据序列模板和类型检测字符串模板。[0094] 操作S002,将目标火电厂监测数据序列模板加载到基础算法进行多层次的风险派生载体抽取,获得多个目标层输出的多个预估风险派生载体序列,以及确定每一预估风险派生载体序列的预估风险事件分类结果。[0095] 操作S003,基于每一预估风险事件分类结果中的各模板数据项属于各风险事件属性的预估置信度、类型检测字符串模板中的各模板数据项对应的模板风险事件属性,确定每一目标层的代价。[0096] 操作S004,基于各目标层对应的合并重要性变量和各目标层的代价,确定目标代价。[0097] 操作S005,基于目标代价优化基础算法的算法参数,循环进行训练直到满足预设的训练收敛评估条件,获得训练完成的目标风险事件检测算法。[0098] 目标火电厂监测数据序列模板为训练样本,类型检测字符串模板是训练样本中的标注信息序列,包括目标火电厂监测数据序列模板中的各模板数据项对应的模板标注信息,每一模板标注信息代表每一数据序列数据项对应的模板风险事件属性。预估风险派生载体序列包含每一数据序列数据项在对应层下的风险派生载体抽取算子抽取的风险派生载体。每一预估风险事件分类结果包括目标火电厂监测数据序列模板中的各模板数据项属于各风险事件属性的预估置信度,预估风险事件分类结果可以为矩阵,针对每一数据序列数据项都包含对应风险事件属性的预估置信度,矩阵只维护每一数据序列数据项被确定为对应风险事件属性的预估置信度,其他被淘汰的风险事件属性预估置信度为零。[0099] 设基础算法为transformer,其包含数据序列嵌入部分和编码部分,其中,编码部分包含多个风险派生载体抽取算子,多个风险派生载体抽取算子串联组成多层串联的编码部分。为了增加风险事件识别可靠性,对预训练的基础算法配置相应的多个不同目标层的输出端,将每一输出端连接到基础算法中的风险事件分类算子,完成分别对输出端输出的预估风险派生载体序列进行风险事件分类,以得到每一预估风险派生载体序列的预估风险事件分类结果。算法训练时,将类型检测字符串模板确定为对照数据,针对每一预估风险事件分类结果构建代价函数,确定当前目标层的预估风险事件分类结果的代价。结合多个事先配置的每一目标层的合并重要性变量与代价执行加权求和得到目标代价。最后,依据目标代价去优化基础算法中的算法参数。依据上述过程对网络进行反复训练直到满足预设的要求,预设的要求例如时基础算法输出的预估风险事件分类结果与类型检测字符串模板一致、训练的次数达到了设定的最大次数,或目标代价达到最小值,此时,得到训练完成的目标风险事件检测算法。[0100] 作为一种实施方式,针对每一预估风险事件分类结果,在计算对应的代价时,可获取目标火电厂监测数据序列中的各数据序列数据项的代价,依据加权确定目标火电厂监测数据序列中全部数据项的代价,以确定每一目标层对应的预估风险事件分类结果的代价。比如,操作S003可以包括:基于每一预估风险事件分类结果中的各模板数据项属于各风险事件属性的预估置信度、类型检测字符串模板中的各模板数据项对应的模板风险事件属性,确定每一目标层的预估分类结果中的各模板数据项的数据项代价;对目标火电厂监测数据序列模板中多个模板数据项的数据项代价进行加权,获得每一目标层的代价。目标层的预估风险事件分类结果的代价获取的公式如下:[0101][0102] K为预估风险事件分类结果的代价,m为风险事件属性的数量,u为目标火电厂监测数据序列模板的数据项数量;目标火电厂监测数据序列模板中第x个数据项不属于第y类风险事件属性时,fxy等于0,当目标火电厂监测数据序列模板中第x个数据项为第y类风险事件属性时,fxy等于1;vxy为预估风险事件分类结果中第x个数据项为第y类风险事件属性的置信度。[0103] 如此,获得每一预估风险事件分类结果的代价,便于依据各目标层的合并重要性变量和对应的预估风险事件分类结果的代价进行加权以获得目标代价。作为一种实施方式,由于较抽象层级对应的风险信息更精确,为了让网络在风险事件识别过程中将更多的注意力投放在基础层级风险派生载体表征的信息上,本公开实施例中,针对基础层级的预估风险事件分类结果匹配更大的合并重要性变量,也即目标层对应的合并重要性变量与目标层的层数之间反向关联,即层数越深,合并重要性变量越小,层数越浅,合并重要性变量越大。如此,在结合多个风险事件分类结果进行风险事件分类时,关注基础层级风险派生载体表征的信息,提升风险事件分类的可靠性。[0104] 如此,对目标火电厂监测数据序列进行风险事件分类,获得目标类型检测字符串,便于基于目标类型检测字符串表征的风险事件信息检测得到目标火电厂监测数据序列中的风险事件,增加风险事件识别的可靠性。[0105] 操作S300,基于目标类型检测字符串中的风险事件属性,确定目标火电厂监测数据序列中包含的目标风险事件。[0106] 本公开实施例中,获得目标类型检测字符串后,分析目标类型检测字符串中的各数据序列数据项对应的风险事件属性,依据每一数据序列数据项对应的风险事件属性,选取出目标火电厂监测数据序列中表示风险事件风险事件的区域,目标火电厂监测数据序列中表示风险事件风险事件的区域即目标风险事件。[0107] 作为一种实施方式,风险事件属性的类型包括正常事件属性、事件触发数据项属性、事件发生数据项属性以及事件结束数据项属性,操作S300包括:基于目标类型检测字符串中的风险事件属性,确定目标类型检测字符串中的目标子类型检测字符串。其中,目标子类型检测字符串包括基于事件触发数据项属性和事件结束数据项属性按序分布组成的字符串,基于事件触发数据项属性、事件发生数据项属性和事件结束数据项属性按序分布组成的字符串,以及在目标类型检测字符串中,靠前和靠后都是正常事件属性的一个事件触发数据项属性;依据目标子类型检测字符串中的风险事件属性在目标火电厂监测数据序列中对应的数据项,确定在目标火电厂监测数据序列中目标子类型检测字符串对应的目标风险事件。例如,确定正常事件属性、事件触发数据项属性、事件发生数据项属性和事件结束数据项属性在目标类型检测字符串中的风险事件属性分布,以基于风险事件标属性分布确定得到目标类型检测字符串中的每一个目标子类型检测字符串,然后依据每一目标子类型检测字符串在目标火电厂监测数据序列中抽取得到对应的目标风险事件。如此,在获得目标类型检测字符串后,分析目标类型检测字符串中包含每一数据序列数据项对应的风险事件属性,以基于每一数据序列数据项对应的风险事件属性确定风险事件在目标火电厂监测数据序列中的空间关系,选取得到目标火电厂监测数据序列中属于风险事件的数据项,获得至少一个目标风险事件。[0108] 操作S400,根据目标风险事件,在预设的火电厂数字孪生模型中对目标风险事件对应的位置进行风险信息展示。[0109] 火电厂数字孪生模型是根据现实世界的火电厂数字化运行架构进行构建的孪生体,在确定出目标风险事件后,基于目标风险事件对应的设备位置、类型、编号等信息,在数字孪生模型中定位到孪生位置,对齐进行预设的可视化元素显示。例如,对于锅炉水温过高,可以采用不同颜色进行对应的风险等级的展示,例如颜色越深,风险等级越高,风险等级可以根据超出阈值的范围来进行确定,可以理解,超出越多,风险越高,具体不做限定。在一个示例中,可以通过红色、橙色、黄色和蓝色四种颜色展示重大风险、较大风险、一般风险和低风险。由于数字孪生模型构建和对应的展示方式可以参考相关技术,此处不做赘述。[0110] 本公开实施例获取目标火电厂监测数据序列,然后基于训练完成的目标风险事件检测算法对目标火电厂监测数据序列进行风险事件分类,其中,目标风险事件检测算法依据目标火电厂监测数据序列进行多层次的风险派生载体抽取,获得多个目标层输出的多个目标风险派生载体序列,以确定不同层抽取的目标风险派生载体序列来进行风险事件分类,以及结合不同层对应的风险事件分类结果确定目标类型检测字符串,依据目标类型检测字符串包含目标火电厂监测数据序列中各个数据项对应的风险事件属性,检测得到目标火电厂监测数据序列中的目标风险事件。以此,基于提取各层抽取到的风险派生载体进行风险事件检测,能够合并依据抽象层级抽取的风险派生载体进行风险事件检测获得的风险事件分类结果和基于在基础层级抽取的指示风险指标参数基础层级的风险派生载体进行风险事件检测获得的风险事件分类结果确定目标火电厂监测数据序列中的目标风险事件,风险事件检测的准确度得到提升。本公开融合传感器网络、实时数据分析和可视化技术,专门用于实时监测火电厂关键区域的温度、压力和气体浓度等指标。通过机器学习和数据挖掘技术评估潜在风险,将风险等级分类,并在用户界面中以四色图形式动态展示,使操作人员能够迅速识别当前的安全状况并采取相应措施,有效提升火电厂的运营安全性和效率。[0111] 基于上述实施例,本公开实施例提供一种火电厂风险监测可视化实现装置,图3是本公开实施例提供的一种火电厂风险监测可视化实现装置340,如图3所示,所述装置340包括:[0112] 监测数据获取模块341,用于获取待分析的目标火电厂监测数据序列;[0113] 事件属性确定模块342,用于基于目标风险事件检测算法依据所述目标火电厂监测数据序列进行风险事件分类,获得目标类型检测字符串,所述目标类型检测字符串包含所述目标火电厂监测数据序列中各个数据项对应的风险事件属性;其中,所述目标类型检测字符串由所述目标风险事件检测算法依据所述目标火电厂监测数据序列进行多层次的风险派生载体抽取,获得各层抽取到的多个目标风险派生载体序列,以及结合所述多个目标风险派生载体序列的多个风险事件分类结果进行确定;[0114] 其中,所述多层次的风险派生载体抽取时,是将第n层抽取的风险派生载体序列确定为第n+1层的加载数据序列进行风险派生载体抽取;[0115] 风险事件监测模块343,用于基于所述目标类型检测字符串中的风险事件属性,确定所述目标火电厂监测数据序列中包含的目标风险事件;[0116] 风险信息展示模块344,用于根据所述目标风险事件,在预设的火电厂数字孪生模型中对所述目标风险事件对应的位置进行风险信息展示。[0117] 以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开装置实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。[0118] 若本公开技术方案涉及个人或私密信息,应用本公开技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本公开技术方案涉及敏感个人信息,应用本公开技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求,同时在法律法规的范围内收集。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式、处理的个人信息种类等信息。[0119] 需要说明的是,本公开实施例中,如果以软件功能模块的形式实现上述方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ReadOnlyMemory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本公开实施例不限制于任何特定的硬件和软件结合。[0120] 本公开实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法。[0121] 本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。[0122] 本公开实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(SoftwareDevelopmentKit,SDK)等等。[0123] 需要说明的是,图4是本公开实施例提供的一种计算机设备的硬件实体示意图,如图4所示,该计算机设备300的硬件实体包括:处理器310、通信接口320和存储器330,其中:处理器310通常控制计算机设备300的总体操作。通信接口320可以使计算机设备通过网络与其他终端或服务器通信。存储器330配置为存储由处理器310可执行的指令和应用,还可以缓存待处理器310以及计算机设备300中各模块待处理或已经处理的数据(例如火电厂监测数据),可以通过闪存(FLASH)或随机访问存储器(RandomAccessMemory,RAM)实现。处理器310、通信接口320和存储器330之间可以通过总线340进行数据传输。这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开存储介质和设备实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。[0124] 应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本公开的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本公开的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。[0125] 需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。[0126] 在本公开所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。[0127] 上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。[0128] 另外,在本公开实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。[0129] 本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ReadOnlyMemory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。[0130] 或者,本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。[0131] 以上所述,仅为本公开的实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。
专利地区:山东
专利申请日期:2024-01-31
专利公开日期:2024-09-03
专利公告号:CN118035828B