本發(fā)明涉及電力人工智能，特別是一種智能問(wèn)答型電力系統(tǒng)仿真模型生成方法及系統(tǒng)。

背景技術(shù)：

1、新型電力系統(tǒng)中有著海量的新能源電源、大量的電力電子設(shè)備和交直流異構(gòu)電網(wǎng)，產(chǎn)生了模型精確建模困難、智能化程度低以及海量異構(gòu)業(yè)務(wù)的數(shù)據(jù)孤島與效率瓶頸問(wèn)題。在這樣的情況下，電網(wǎng)要開(kāi)展安全穩(wěn)定分析、開(kāi)展新型電力系統(tǒng)仿真機(jī)理建模，進(jìn)行仿真算法、安全穩(wěn)定智能分析等技術(shù)研究，必須要面對(duì)大量的不同層面、不同尺度仿真計(jì)算需求，高效的建模能力是當(dāng)前不可回避的問(wèn)題。在互聯(lián)網(wǎng)領(lǐng)域，人工智能技術(shù)快速發(fā)展，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，各種預(yù)訓(xùn)練大語(yǔ)言模型紛紛出現(xiàn)，使得人工智能在理解和生成自然語(yǔ)言方面的能力得到極大提升，目前在機(jī)器翻譯、文本摘要、知識(shí)問(wèn)答等領(lǐng)域的自然語(yǔ)言處理方面表現(xiàn)出色，當(dāng)然，在自然語(yǔ)言模型應(yīng)用中，也存在同義數(shù)字容易混淆，難以直接通過(guò)訓(xùn)練規(guī)避，從而無(wú)法準(zhǔn)確識(shí)別出數(shù)字意義等問(wèn)題需要在應(yīng)用中解決。采用大語(yǔ)言模型進(jìn)行電力仿真知識(shí)進(jìn)行訓(xùn)練，實(shí)現(xiàn)通過(guò)語(yǔ)言對(duì)話提取信息后自動(dòng)生成模型將有利于解決電力系統(tǒng)仿真面臨的大量的建模工作。

技術(shù)實(shí)現(xiàn)思路

1、鑒于現(xiàn)有的電力系統(tǒng)仿真中面臨大量建模工作，工作人員能夠描述建模需求，但不具備熟練的建模業(yè)務(wù)能力，提出了本發(fā)明。

2、因此，本發(fā)明所要解決的問(wèn)題在于通過(guò)智能問(wèn)答服務(wù)的自然語(yǔ)言描述的建模需求如何與仿真模型知識(shí)庫(kù)的專業(yè)描述實(shí)現(xiàn)高度匹配，得到滿足建模需求的模型信息輸入，從而驅(qū)動(dòng)模型生成服務(wù)，生成用戶需要的仿真模型。

3、為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實(shí)施例提供了一種智能問(wèn)答型電力系統(tǒng)仿真模型生成方法，其包括，收集多種仿真模型和用戶需求描述信息，將收集的多種仿真模型整合成仿真模型表征信息；將仿真模型表征信息和用戶需求描述信息轉(zhuǎn)化為知識(shí)庫(kù)文字向量，根據(jù)知識(shí)庫(kù)文字向量構(gòu)建仿真模型知識(shí)庫(kù)；基于仿真模型知識(shí)庫(kù)，構(gòu)建智能問(wèn)答服務(wù)，并通過(guò)智能問(wèn)答服務(wù)收集用戶需求文字向量；使用余弦相似度計(jì)算方法計(jì)算知識(shí)庫(kù)文字向量和智能問(wèn)答服務(wù)收集的用戶需求文字向量的相似度；根據(jù)相似度計(jì)算結(jié)果，提取與用戶需求文字向量相似度最高的一個(gè)或多個(gè)仿真模型表征信息，根據(jù)智能問(wèn)答服務(wù)選定一個(gè)仿真模型表征信息；使用nlp技術(shù)解析選定的仿真模型表征信息，智能推薦最優(yōu)仿真模型參數(shù)集合，根據(jù)最優(yōu)仿真模型參數(shù)集合，生成所需仿真模型。

5、作為本發(fā)明智能問(wèn)答型電力系統(tǒng)仿真模型生成方法的一種優(yōu)選方案，其中：將仿真模型表征信息和用戶需求描述信息轉(zhuǎn)化為知識(shí)庫(kù)文字向量包括，對(duì)于任意語(yǔ)句，采用對(duì)應(yīng)實(shí)體的同義詞替換后得到新的語(yǔ)句的表達(dá)式如下：

6、x′＝[x1′,x2′,...，xn′]

7、其中，x′表示由文字信息抽取出的、經(jīng)同義詞替換后得到的實(shí)體組成的向量，xn′表示文字信息中抽取的、經(jīng)過(guò)同義詞替換后得到的實(shí)體；將得到的x′集合{x′}輸入至bert模型進(jìn)行訓(xùn)練，并提取語(yǔ)義特征，經(jīng)過(guò)訓(xùn)練后，形成新的語(yǔ)義特征向量的公式如下：

8、e′＝bert({x′})

9、其中，e′表示經(jīng)過(guò)bert訓(xùn)練后的語(yǔ)義特征向量，bert({x′})表示將文字信息抽取、替換同義詞后的實(shí)體向量集合輸入到bert模型進(jìn)行訓(xùn)練；基于新的向量e′，進(jìn)行關(guān)鍵詞提取，提取關(guān)鍵詞向量的公式如下：

10、vec＝bert(g1，g2，…)

11、其中，vec表示bert訓(xùn)練后的關(guān)鍵詞向量，g1表示e′中設(shè)定值前的第1個(gè)向量元素，g2表示e′中設(shè)定值前的第2個(gè)向量元素，bert(g1，g2，…)表示將g1、g2向量元素輸入bert訓(xùn)練，并返回關(guān)鍵詞向量。

12、作為本發(fā)明智能問(wèn)答型電力系統(tǒng)仿真模型生成方法的一種優(yōu)選方案，其中：構(gòu)建智能問(wèn)答服務(wù)包括，定義訓(xùn)練數(shù)據(jù)、定義對(duì)話策略、定義意圖特征值處理行為、定義任務(wù)執(zhí)行行為以及進(jìn)行語(yǔ)言訓(xùn)練，在語(yǔ)言訓(xùn)練完成后啟動(dòng)智能問(wèn)答機(jī)器人服務(wù)，執(zhí)行與用戶的對(duì)話交流；定義訓(xùn)練數(shù)據(jù)包括輸入用戶的意圖表達(dá)方式，并在意圖表達(dá)方式中標(biāo)識(shí)意圖表達(dá)方式特征值，同時(shí)，對(duì)意圖表達(dá)方式特征值添加同義詞轉(zhuǎn)換規(guī)則，將同義表述轉(zhuǎn)換為對(duì)應(yīng)的固定語(yǔ)句；定義對(duì)話策略包括規(guī)定意圖輸入后的響應(yīng)動(dòng)作，以及意圖完成的特征值；定義意圖特征值處理行為包括解釋并提取用戶意圖中的各項(xiàng)意圖特征值，對(duì)于包含置信度超過(guò)設(shè)定值的多重特征值的意圖，直接使用提取結(jié)果，對(duì)于包含無(wú)法用正則表達(dá)式區(qū)分的單重特征值的意圖，增加機(jī)器人對(duì)答行為元數(shù)據(jù)判定，并使用已串位的有效意圖特征值；定義任務(wù)執(zhí)行行為包括在意圖特征值滿足任務(wù)限定要求后，通過(guò)行為執(zhí)行接口，將意圖特征值轉(zhuǎn)換為執(zhí)行參數(shù)，傳遞至仿真模型生成服務(wù)。

13、作為本發(fā)明智能問(wèn)答型電力系統(tǒng)仿真模型生成方法的一種優(yōu)選方案，其中：所使用余弦相似度計(jì)算方法計(jì)算知識(shí)庫(kù)文字向量和智能問(wèn)答服務(wù)收集的用戶需求文字向量的相似度的公式如下：

14、

15、其中，si表示相似度計(jì)算結(jié)果，vec1表示知識(shí)庫(kù)文字向量，vec2表示用戶需求文字向量，|vec1|和|vec2|分別為知識(shí)庫(kù)文字向量和用戶需求文字向量的歐幾里得范數(shù)。

16、作為本發(fā)明智能問(wèn)答型電力系統(tǒng)仿真模型生成方法的一種優(yōu)選方案，其中：使用nlp技術(shù)解析選定的仿真模型表征信息，智能推薦最優(yōu)仿真模型參數(shù)集合包括，將用戶需求描述信息d通過(guò)bert模型轉(zhuǎn)化為向量將仿真模型表征信息pj通過(guò)bert模型轉(zhuǎn)化為向量計(jì)算用戶需求描述信息向量與仿真模型表征信息向量之間的高斯核相似度；計(jì)算仿真模型表征信息向量與候選參數(shù)之間的相關(guān)性；綜合考慮高斯核相似度和相關(guān)性，使用權(quán)重對(duì)每個(gè)參數(shù)進(jìn)行加權(quán)，得到候選仿真模型參數(shù)集合推薦評(píng)分rj；定義加權(quán)均方誤差項(xiàng)，衡量樣本預(yù)測(cè)值與樣本實(shí)際值之間的偏差；引入正則化項(xiàng)，定義relu激活函數(shù)項(xiàng)，衡量用戶需求文字向量的相似度si與仿真模型參數(shù)集合推薦評(píng)分rj之間的差異，得到最優(yōu)仿真模型參數(shù)集合。

17、作為本發(fā)明智能問(wèn)答型電力系統(tǒng)仿真模型生成方法的一種優(yōu)選方案，其中：候選仿真模型參數(shù)集合推薦評(píng)分的計(jì)算公式如下：

18、

19、其中，rj表示候選仿真模型參數(shù)集合推薦評(píng)分，m表示參數(shù)的數(shù)量，αk表示第k個(gè)參數(shù)的權(quán)重，γ表示核函數(shù)的參數(shù)，表示仿真模型表征信息向量，表示用戶需求描述信息向量，表示候選參數(shù)。

20、作為本發(fā)明智能問(wèn)答型電力系統(tǒng)仿真模型生成方法的一種優(yōu)選方案，其中：最優(yōu)仿真模型參數(shù)集合的計(jì)算公式如下：

21、

22、其中，opt表示最優(yōu)仿真模型參數(shù)集合，n表示樣本數(shù)量，yk表示第k個(gè)樣本的實(shí)際值，f(xk)表示第k個(gè)樣本的預(yù)測(cè)值，xk表示第k個(gè)樣本的輸入特征向量，表示第k個(gè)樣本的方差，λ表示正則化參數(shù)，θ表示模型參數(shù)，β表示relu的權(quán)重，m表示參數(shù)的數(shù)量，si表示用戶需求文字向量的相似度，rj表示仿真模型參數(shù)集合推薦評(píng)分。

23、第二方面，本發(fā)明實(shí)施例提供了智能問(wèn)答型電力系統(tǒng)仿真模型生成系統(tǒng)，其包括數(shù)據(jù)收集模塊，用于收集多種仿真模型，形成仿真模型表征信息，并將仿真模型的表征信息存入初始知識(shí)庫(kù)；計(jì)算模型，用于基于仿真模型的表征信息和用戶建模需求的描述文字，構(gòu)建文字向量化模型，采用余弦相似度計(jì)算方法與智能問(wèn)答得到用戶需求描述信息的向量化模型，根據(jù)用戶需求描述信息的向量化模型進(jìn)行向量夾角余弦計(jì)算；知識(shí)庫(kù)構(gòu)建模塊，用于根據(jù)向量夾角余弦計(jì)算結(jié)果提取與用戶建模需求一致的仿真模型表征信息，并將仿真模型的文字向量化模型添加到模型的初始知識(shí)庫(kù)中，得到仿真模型知識(shí)庫(kù)；問(wèn)答構(gòu)建模塊，用于基于仿真模型知識(shí)庫(kù)，構(gòu)建智能問(wèn)答服務(wù)；模型構(gòu)建模塊，用于基于仿真模型知識(shí)庫(kù)中的信息和智能問(wèn)答服務(wù)傳遞的用戶需求，通過(guò)構(gòu)建需求文字和模型知識(shí)庫(kù)中的文字向量進(jìn)行相似度分析，得到一個(gè)或多個(gè)向量方向相同的模型知識(shí)庫(kù)表征信息，經(jīng)智能問(wèn)答服務(wù)對(duì)存在多個(gè)滿足相似度分析模型知識(shí)庫(kù)表征信息進(jìn)行選擇確認(rèn)后，選定目標(biāo)模型表征信息，調(diào)用模型生成服務(wù)，生成所需仿真模型。

24、第三方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其中：計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面的智能問(wèn)答型電力系統(tǒng)仿真模型生成方法的步驟。

25、第四方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中：計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面的智能問(wèn)答型電力系統(tǒng)仿真模型生成方法的步驟。

26、本發(fā)明有益效果為：將仿真模型表征信息和用戶需求描述信息轉(zhuǎn)化為知識(shí)庫(kù)文字向量，并構(gòu)建仿真模型知識(shí)庫(kù)，實(shí)現(xiàn)了信息的結(jié)構(gòu)化和向量化表示，使得系統(tǒng)能夠更好地理解和處理復(fù)雜的仿真模型信息，構(gòu)建智能問(wèn)答服務(wù)，提高了用戶需求獲取的效率和準(zhǔn)確性，使系統(tǒng)能夠更精準(zhǔn)地理解用戶意圖，使用余弦相似度計(jì)算方法比較知識(shí)庫(kù)文字向量和用戶需求文字向量，并選擇相似度最高的仿真模型表征信息，實(shí)現(xiàn)了智能化的模型匹配，提高了模型選擇的準(zhǔn)確性和效率，能夠快速定位最適合用戶需求的仿真模型，使用nlp技術(shù)解析選定的仿真模型表征信息，引入高斯核相似度、相關(guān)性計(jì)算和加權(quán)評(píng)分機(jī)制，并結(jié)合加權(quán)均方誤差和正則化項(xiàng)，實(shí)現(xiàn)了更加精準(zhǔn)的參數(shù)推薦，提高了參數(shù)選擇的準(zhǔn)確性和魯棒性，最終達(dá)到生成更加貼合用戶需求的高質(zhì)量仿真模型的效果。