电网系统运行大安全管理数据规模较大,传统方法难以准确且快速地挖掘出异常数据。因此,文章提出了基于大语言模型(Large Language Model, LLM)的电网系统运行大安全管理异常数据挖掘。该方法在清洗并脱敏处理原始电网系统运行大安全管...电网系统运行大安全管理数据规模较大,传统方法难以准确且快速地挖掘出异常数据。因此,文章提出了基于大语言模型(Large Language Model, LLM)的电网系统运行大安全管理异常数据挖掘。该方法在清洗并脱敏处理原始电网系统运行大安全管理数据后,形成结构化的电网系统运行大安全管理数据集。通过构建LLM,该方法将结构化数据集输入模型,经训练后输出异常数据挖掘结果。实验分析表明,该方法数据挖掘结果的相对平方根误差仅为0.47%,交叉熵损失收敛值低至2.2146,显著优于传统聚类与小波方法,可为电网安全运行提供高效、可靠的异常监测支持。展开更多
文摘由于不同井间工况差异显著,异常振动特征分布存在跨井不一致性,传统基于单井数据的监测方法难以适应跨井场景。为此,以黏滑振动为例,对不同工况下的黏滑振动数据特征进行了对比分析,提出了一种结合深度判别迁移学习网络(domain adaptive transfer learning network,DDTLN)与BO⁃Transformer⁃LSTM的跨井异常振动识别方法。将近钻头振动数据输入到DDTLN模型中,通过卷积层与改进的联合分布自适应(IJDA)机制减小域间特征差异,实现跨域特征提取;将提取的特征输入到BO⁃Transformer⁃LSTM模型中挖掘时序信息,实现跨井高效分类。试验结果表明:不同工况下井间振动信号差异显著,传统方法跨域分类效果较差;经过DDTLN处理后,不同域间的数据特征有了很好的对齐,跨域识别准确率高达91.5%;DDTLN⁃BO⁃Transformer⁃LSTM模型能够有效解决跨井识别问题,分类准确率最高达96.7%,显著优于传统单井识别方法,具有更好的泛化能力。该研究可为跨井场景下的井下异常振动识别提供新思路。
文摘电网系统运行大安全管理数据规模较大,传统方法难以准确且快速地挖掘出异常数据。因此,文章提出了基于大语言模型(Large Language Model, LLM)的电网系统运行大安全管理异常数据挖掘。该方法在清洗并脱敏处理原始电网系统运行大安全管理数据后,形成结构化的电网系统运行大安全管理数据集。通过构建LLM,该方法将结构化数据集输入模型,经训练后输出异常数据挖掘结果。实验分析表明,该方法数据挖掘结果的相对平方根误差仅为0.47%,交叉熵损失收敛值低至2.2146,显著优于传统聚类与小波方法,可为电网安全运行提供高效、可靠的异常监测支持。
