本发明属于电力系统自动化，具体涉及一种电力调度系统支撑平台可靠性评估方法及相关设备。
背景技术：
1、随着信息技术的迅猛发展和应用领域的不断拓展，深度学习技术在可靠性验证领域得到了广泛应用。在系统失效性级别的验证方面，深度学习技术可以基于大量的故障数据集，通过构建深度学习模型对数据进行学习，从而实现对系统失效性级别的精准预测。在实际应用中，深度学习技术可以提高可靠性验证的效率和准确性，同时也可以降低验证的成本。例如，在工业制造领域，通过对生产线中的故障数据进行机器学习训练，可以实现对设备的状态实时监测和预测，从而提高生产效率和产品质量。在航空航天领域，深度学习技术可以用于对飞行器的故障数据进行分析和预测，以保障飞行安全。在电力调度系统领域中，尽管可靠性评估方法多依据故障树分析、贝叶斯网络等方法计算系统的可靠性，但这些方法难以充分获取系统故障中的复杂模式。
2、现有技术：《基于深度学习算法的系统故障预测》，该论文分别利用多层感知机和卷积神经网络两个深度学习算法，选择具有不同故障比例的四个nasa故障数据集，先对数据进行正则化处理和清洗，将清理后的数据分别输入到多层感知机和卷积神经网络中，通过调整隐藏层的层数、激活函数类型、训练周期数、批大小和dropout率等超参数，对模型进行优化。结果显示cnn在识别准确率、检测成功率和tnr等指标上均明显优于多层感知机，其中准确率表示预测正确的概率，检测率表示故障被成功识别的概率，tnp表示非故障类别数据的识别准确率。但是该论文中涉及的cnn存在一定的缺点，例如：(1)该方法使用单一的神经网络算法，分类器直接输出结果，难以识别出电力调度系统这个复杂系统不同特征的重要程度关系。(2)该方法由于使用了较深的网络结构，使得计算复杂度较高，需要更多的计算资源，且网络较深可能导致梯度爆炸和梯度消失问题。(3)论文使用的卷积神经网络使用局部滑动窗口进行特征提取，限制了对长期以依赖关系的捕捉，难以处理好输入数据中的时间关系，且无法提取电力调度系统故障数据周期性、时序性的特征。
技术实现思路
1、本发明的目的在于提供一种电力调度系统支撑平台可靠性评估方法及相关设备，以至少解决现有技术中存在的问题之一。
2、为了实现上述目的，本发明采用如下技术方案：
3、本发明第一方面，提供了一种电力调度系统支撑平台可靠性评估方法，包括：
4、获取电力调度系统支撑平台的实时运行数据；
5、将所述实时运行数据输入预先训练好的可靠性评估模型，所述可靠性评估模型输出电力调度系统支撑平台的可靠性评估结果；其中，所述可靠性评估模型为基于时序卷积网络和自注意力机制的深度学习模型。
6、进一步的，将所述实时运行数据输入预先训练好的可靠性评估模型，所述可靠性评估模型输出电力调度系统支撑平台的可靠性评估结果的步骤中，所述可靠性评估模型按照如下方式训练：
7、获取电力调度系统支撑平台的故障数据；
8、采用时序卷积网络对所述故障数据进行特征提取，采用自注意力机制对时序卷积网络提取的特征进行加权，得到加权特征；
9、使用全连接层将加权特征输入到softmax分类器中，采用交叉熵损失函数进行模型训练，使用十折交叉方法验证训练结果，模型收敛后得到训练好的可靠性评估模型。
10、进一步的，获取电力调度系统支撑平台的故障数据，包括：
11、将模拟的故障注入电力调度系统支撑平台；
12、获取故障注入后电力调度系统支撑平台的运行数据、系统指标状态和日志，作为原始故障数据；
13、依据故障注入后电力调度系统支撑平台的实际运行状况，对所述原始故障数据进行分级，得到不同等级的故障数据，并为每一等级的故障数据标注故障级别标签，得到故障数据集。
14、进一步的，采用时序卷积网络对所述故障数据进行特征提取，包括：
15、1)将故障数据初始词嵌入表示作为时序卷积网络层的输入；
16、2)对时序卷积网络层的输入进行卷积运算，将卷积运算结果利用扩展因果卷积层进行扩张因果卷积，输出扩张因果卷积结果；
17、3)将扩张因果卷积结果送入dropout正则化层进行处理，dorpout正则化层以设定的概率随机丢弃神经元，输出所有未被丢弃的神经元输出的平均值；
18、4)将dropout正则化层的输出与扩张因果卷积结果进行残差拼接，得到残差拼接结果；
19、5)将步骤4)的残差拼接结果作为下一层时序卷积网络层的输入，重复进行步骤2)～4)，完成对所述故障数据的特征提取。
20、进一步的，采用自注意力机制对时序卷积网络提取的特征进行加权，得到加权特征，包括：
21、将时序卷积网络提取的特征作为自注意力层的输入序列，基于输入序列将特征分别映射到对应的查询、键和值矩阵；
22、基于查询、键和值矩阵，计算每个特征之间的相关权重，并进行加权求和，获得最终的加权特征。
23、本发明第二方面，提供了一种电力调度系统支撑平台可靠性评估装置，包括：
24、数据获取模块，用于获取电力调度系统支撑平台的实时运行数据；
25、可靠性评估模块，用于将所述实时运行数据输入预先训练好的可靠性评估模型，所述可靠性评估模型输出电力调度系统支撑平台的可靠性评估结果；其中，所述可靠性评估模型为基于时序卷积网络和自注意力机制的深度学习模型。
26、进一步的，可靠性评估模块中，所述可靠性评估模型按照如下方式训练：
27、获取电力调度系统支撑平台的故障数据；
28、采用时序卷积网络对所述故障数据进行特征提取，采用自注意力机制对时序卷积网络提取的特征进行加权，得到加权特征；
29、使用全连接层将加权特征输入到softmax分类器中，采用交叉熵损失函数进行模型训练，使用十折交叉方法验证训练结果，模型收敛后得到训练好的可靠性评估模型。
30、进一步的，采用时序卷积网络对所述故障数据进行特征提取，包括：
31、1)将故障数据初始词嵌入表示作为时序卷积网络层的输入；
32、2)对时序卷积网络层的输入进行卷积运算，将卷积运算结果利用扩展因果卷积层进行扩张因果卷积，输出扩张因果卷积结果；
33、3)将扩张因果卷积结果送入dropout正则化层进行处理，dorpout正则化层以设定的概率随机丢弃神经元，输出所有未被丢弃的神经元输出的平均值；
34、4)将dropout正则化层的输出与扩张因果卷积结果进行残差拼接，得到残差拼接结果；
35、5)将步骤4)的残差拼接结果作为下一层时序卷积网络层的输入，重复进行步骤2)～4)，完成对所述故障数据的特征提取。
36、本发明第三方面，提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如上述的电力调度系统支撑平台可靠性评估方法。
37、本发明第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如上述的电力调度系统支撑平台可靠性评估方法。
38、与现有技术相比较，本发明的有益效果如下：
39、本方案提供的电力调度系统支撑平台可靠性评估方法，将实时运行数据输入预先训练好的可靠性评估模型，可靠性评估模型输出电力调度系统支撑平台的可靠性评估结果；其中，可靠性评估模型为基于时序卷积网络和自注意力机制的深度学习模型。本方案提出的融合时序卷积网络和自注意力机制的可靠性评估模型，时序卷积网络能有效处理电力调度系统支撑平台中的时间序列运行数据。由于时序卷积神经网络和自注意力机制都具有参数共享和并行计算的特点，本方案模型在训练和预测过程中可以更高效的利用故障数据。
40、本方案采用的时序卷积网络利用因果卷积的方式，捕获电力调度系统故障数据的时序性特征，并通过多个时序网络层获取到的不同尺度下的数据特征进行融合，适应了电网数据周期性分布的特点；自注意力机制对数据重要部分的捕捉和时序卷积网络对局部特征的提取能力，也帮助模型实现了电力调度系统复杂故障状况的准确预测。本发明提供的一种电力调度系统支撑平台可靠性评估装置、电子设备和计算机可读存储介质同样解决了背景技术部分提出的问题。
41、本方案提供的电力调度系统支撑平台可靠性评估方法，堆叠多个时序卷积网络层，引入多尺度卷积，通过扩展卷积的方式使模型获取不同时间尺度的信息，以支持对电力调度系统支撑平台故障情况和故障严重程度进行准确预测。
1.一种电力调度系统支撑平台可靠性评估方法，其特征在于，包括：
2.根据权利要求1所述的电力调度系统支撑平台可靠性评估方法，其特征在于，将所述实时运行数据输入预先训练好的可靠性评估模型，所述可靠性评估模型输出电力调度系统支撑平台的可靠性评估结果的步骤中，所述可靠性评估模型按照如下方式训练：
3.根据权利要求2所述的电力调度系统支撑平台可靠性评估方法，其特征在于，获取电力调度系统支撑平台的故障数据，包括：
4.根据权利要求2所述的电力调度系统支撑平台可靠性评估方法，其特征在于，采用时序卷积网络对所述故障数据进行特征提取，包括：
5.根据权利要求2所述的电力调度系统支撑平台可靠性评估方法，其特征在于，采用自注意力机制对时序卷积网络提取的特征进行加权，得到加权特征，包括：
6.一种电力调度系统支撑平台可靠性评估装置，其特征在于，包括：
7.根据权利要求6所述的电力调度系统支撑平台可靠性评估装置，其特征在于，可靠性评估模块中，所述可靠性评估模型按照如下方式训练：
8.根据权利要求7所述的电力调度系统支撑平台可靠性评估装置，其特征在于，采用时序卷积网络对所述故障数据进行特征提取，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至5中任意一项所述的电力调度系统支撑平台可靠性评估方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至5中任意一项所述的电力调度系统支撑平台可靠性评估方法。
