引言
电力系统产生的数据，涵盖了从发电、输电、配电到用电等各个环节的实时数据、历史数据以及各类事件记录[1]。数据的采集、存储和分析已成为保障电网稳定运行和高效管理的重要基石。较大波动数据不局限于单一负荷数据，而是涵盖电力系统中多个负荷数据，通过对系统整体数据的分析来确定。这是因为电力系统各负荷之间相互关联，多个负荷的波动情况对于全面评估系统运行状态至关重要。电力系统较大波动的数据条目往往蕴含着重要的信息，如设备故障预警、负荷突变、电网稳定性问题等，对于电力系统的监控、分析和优化至关重要[2]。传统的数据检索方法往往依赖于固定的查询条件或索引结构，难以适应电力系统数据动态变化、多维度、高复杂性的特点。研究能够自适应电力系统数据波动特性的检索方法能够提升电力系统的智能化水平。
赵松燕等[3]提出MapReduce能够在大规模的分布式计算集群中处理大量的数据，根据数据量的增加而自动扩展，支持处理超大规模的数据集。在输电监测数据智能检索中，该模型能够处理电流、电压、温度等多样化的监测数据类型。在特定应用场景下，能够实现接近实时的数据处理和检索，适用于需要快速响应的输电监测场景。但是MapReduce在处理大数据集时，需要将数据从输入节点传输到执行Map和Reduce函数的节点，导致大量的数据移动。数据移动过程将消耗大量的时间和网络带宽，成为性能瓶颈。赵征宇等[4]通过融合多个语义粒度的语义信息，处理更复杂的语义信息，包括短语、句子甚至段落级别的语义匹配，从而增强对文本内容的理解能力，有助于在检索过程中更准确地匹配用户的查询意图和文档内容，提高检索满意度。通过调整语义粒度的选择和融合策略，针对不同领域的文本特点和用户需求进行优化。但是某些粒度的语义信息非常稀疏，导致难以进行有效地匹配和检索。刘东等人研究电网调控信息的智能检索方法[5]。通过构建电网设备、属性、关联关系等本体概念框架，实现对电网调控信息的层次化、结构化表示。知识图谱能够捕捉文本中的语义关系，如设备间的关联、属性间的依赖等，有助于系统更准确地理解用户的查询意图，从而提供更精确的检索结果。通过知识图谱，系统可以自动感知电网事件，如故障异常、倒闸操作等，将电网调控信息以结构化的形式存储，便于不同部门之间的知识共享与复用。但是知识图谱的构建需要收集大量的电网调控信息，并进行清洗、标注和融合等处理。且电网调控信息具有动态性和时效性，需要不断更新和维护。邸剑等研究利用BERT和覆盖率机制改进的HiNT文本检索模型[6]，该模型具有强大的语义表示能力，能够对文档的各个段落进行深度语义理解，使模型在检索过程中，能够更准确地匹配用户的查询意图和文档内容。但是该模型过于依赖于预训练的语言模型或语义表示模型来提取文本的语义信息。如果预训练模型的质量不高或与实际应用场景不匹配，直接影响检索性能。研究电力系统较大波动数据条目的自适应检索方法，实现电力系统波动数据的精准捕捉。该模型能够自动学习电力数据的波动模式，根据数据的实时变化调整检索参数，从而提高检索准确性。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006558
作者信息：
马玉龙，俞阳，王逸民，王娅
（国网江苏省电力有限公司营销服务中心，江苏 南京 210024）
