引言

電力系統產生的數據，涵蓋了從發電、輸電、配電到用電等各個環節的實時數據、歷史數據以及各類事件記錄[1]。數據的采集、存儲和分析已成為保障電網穩定運行和高效管理的重要基石。較大波動數據不局限于單一負荷數據，而是涵蓋電力系統中多個負荷數據，通過對系統整體數據的分析來確定。這是因為電力系統各負荷之間相互關聯，多個負荷的波動情況對于全面評估系統運行狀態至關重要。電力系統較大波動的數據條目往往蘊含著重要的信息，如設備故障預警、負荷突變、電網穩定性問題等，對于電力系統的監控、分析和優化至關重要[2]。傳統的數據檢索方法往往依賴于固定的查詢條件或索引結構，難以適應電力系統數據動態變化、多維度、高復雜性的特點。研究能夠自適應電力系統數據波動特性的檢索方法能夠提升電力系統的智能化水平。

趙松燕等[3]提出MapReduce能夠在大規模的分布式計算集群中處理大量的數據，根據數據量的增加而自動擴展，支持處理超大規模的數據集。在輸電監測數據智能檢索中，該模型能夠處理電流、電壓、溫度等多樣化的監測數據類型。在特定應用場景下，能夠實現接近實時的數據處理和檢索，適用于需要快速響應的輸電監測場景。但是MapReduce在處理大數據集時，需要將數據從輸入節點傳輸到執行Map和Reduce函數的節點，導致大量的數據移動。數據移動過程將消耗大量的時間和網絡帶寬，成為性能瓶頸。趙征宇等[4]通過融合多個語義粒度的語義信息，處理更復雜的語義信息，包括短語、句子甚至段落級別的語義匹配，從而增強對文本內容的理解能力，有助于在檢索過程中更準確地匹配用戶的查詢意圖和文檔內容，提高檢索滿意度。通過調整語義粒度的選擇和融合策略，針對不同領域的文本特點和用戶需求進行優化。但是某些粒度的語義信息非常稀疏，導致難以進行有效地匹配和檢索。劉東等人研究電網調控信息的智能檢索方法[5]。通過構建電網設備、屬性、關聯關系等本體概念框架，實現對電網調控信息的層次化、結構化表示。知識圖譜能夠捕捉文本中的語義關系，如設備間的關聯、屬性間的依賴等，有助于系統更準確地理解用戶的查詢意圖，從而提供更精確的檢索結果。通過知識圖譜，系統可以自動感知電網事件，如故障異常、倒閘操作等，將電網調控信息以結構化的形式存儲，便于不同部門之間的知識共享與復用。但是知識圖譜的構建需要收集大量的電網調控信息，并進行清洗、標注和融合等處理。且電網調控信息具有動態性和時效性，需要不斷更新和維護。邸劍等研究利用BERT和覆蓋率機制改進的HiNT文本檢索模型[6]，該模型具有強大的語義表示能力，能夠對文檔的各個段落進行深度語義理解，使模型在檢索過程中，能夠更準確地匹配用戶的查詢意圖和文檔內容。但是該模型過于依賴于預訓練的語言模型或語義表示模型來提取文本的語義信息。如果預訓練模型的質量不高或與實際應用場景不匹配，直接影響檢索性能。研究電力系統較大波動數據條目的自適應檢索方法，實現電力系統波動數據的精準捕捉。該模型能夠自動學習電力數據的波動模式，根據數據的實時變化調整檢索參數，從而提高檢索準確性。

本文詳細內容請下載：

http://www.cowatch.cn/resource/share/2000006558

作者信息：

馬玉龍，俞陽，王逸民，王婭

（國網江蘇省電力有限公司營銷服務中心，江蘇 南京 210024）