CN119917973A - 一种设备异常处理方法、装置、设备、介质及产品 - Google Patents

Abstract

本发明公开了一种设备异常处理方法、装置、设备、介质及产品。该方法包括：响应于对目标设备的异常处理请求，确定二次主站系统发送的告警文本，并提取告警文本中的异常告警信息，以生成对应的结构化数据；根据结构化数据，在预设案例库中进行匹配，得到目标案例，并确定目标案例对应的处理效果评估值；根据结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理。本发明的技术方案，可以实现换流站二次设备的智能化、自动化决策支持，帮助相关人员快速、准确地做出决策，从而提高设备的可靠性、运维效率和电网的稳定性。

Description

一种设备异常处理方法、装置、设备、介质及产品

技术领域

本发明涉及电网技术领域，尤其涉及一种设备异常处理方法、装置、设备、介质及产品。

背景技术

随着电力系统容量的持续扩大和新能源的快速发展，换流站在电力系统中的作用日益重要，承担着资源优化配置、提高输电效率和新能源利用率等关键任务。然而，电网中设备运行复杂，且技术成熟度尚未完全达到自动化运维的要求。现有的故障诊断和决策系统通常依赖人工经验和规则库，缺乏智能化方法的支持，这使得设备的运行维护效率低下，并容易受到人为因素的影响。此种情况下，设备故障未能及时处理或错失最佳处理时机，进而可能影响电力系统的稳定运行。

因此，如何实现换流站二次设备的智能化、自动化决策支持，帮助相关人员快速、准确地做出决策，从而提高设备的可靠性、运维效率和电网的稳定性，是目前亟待解决的问题。

发明内容

本发明提供了一种设备异常处理方法、装置、设备、介质及产品，以实现换流站二次设备的智能化、自动化决策支持，帮助相关人员快速、准确地做出决策，从而提高设备的可靠性、运维效率和电网的稳定性。

根据本发明的一方面，提供了一种设备异常处理方法，包括：

响应于对目标设备的异常处理请求，确定二次主站系统发送的告警文本，并提取告警文本中的异常告警信息，以生成对应的结构化数据；

根据结构化数据，在预设案例库中进行匹配，得到目标案例，并确定目标案例对应的处理效果评估值；

根据结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理。

根据本发明的另一方面，提供了一种设备异常处理装置，包括：

生成模块，用于响应于对目标设备的异常处理请求，确定二次主站系统发送的告警文本，并提取告警文本中的异常告警信息，以生成对应的结构化数据；

确定模块，用于根据结构化数据，在预设案例库中进行匹配，得到目标案例，并确定目标案例对应的处理效果评估值；

处理模块，用于根据结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的设备异常处理方法。

根据本发明的另一方面，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计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的设备异常处理方法。

根据本发明的另一方面，还提供了一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现本发明任一实施例的设备异常处理方法。

本发明实施例的技术方案，响应于对目标设备的异常处理请求，确定二次主站系统发送的告警文本，并提取告警文本中的异常告警信息，以生成对应的结构化数据；根据结构化数据，在预设案例库中进行匹配，得到目标案例，并确定目标案例对应的处理效果评估值；根据结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理。通过这样的方式，可以实现换流站二次设备的智能化、自动化决策支持，帮助相关人员快速、准确地做出决策，从而提高设备的可靠性、运维效率和电网的稳定性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种设备异常处理方法的流程图；

图2A是本发明实施例二提供的异常处理决策生成的流程示意图；

图2B是本发明实施例二提供的更新案例库的流程示意图；

图3是本发明实施例三提供的一种设备异常处理装置的结构框图；

图4是本发明实施例四提供的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”、“候选”、“备选”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

实施例一

图1是本发明实施例一提供的一种设备异常处理方法的流程图；本实施例可适用于异常处理系统对告警文件进行解析和异常检测以对目标设备进行异常处理的情况，该方法可以由设备异常处理装置来执行，该设备异常处理装置可以采用硬件和/或软件的形式实现，该设备异常处理装置可配置于电子设备中，如异常处理系统中，如图1所示，该设备异常处理方法包括：

S101、响应于对目标设备的异常处理请求，确定二次主站系统发送的告警文本，并提取告警文本中的异常告警信息，以生成对应的结构化数据。

其中，目标设备具体可以是换流站二次设备，如保护装置、监控设备等。异常处理请求是指对目标设备对应的告警文本进行解析以得到异常处理决策对目标设备进行异常处理的请求。二次主站系统中可以配置有不同的目标设备。告警文本是指可以表征目标设备发生异常的情况信息，告警文本例如可以是“通道一通信异常，误码率高”、“通道一通信丢失，严重”、实时传感器信号、光纤通道连接状态(通过布尔值表示)以及数据误码率”。其中数据误码率可以为数值型特征，通过BER值(bit error rate，误比特率)表示。

可选的，提取告警文本中的异常告警信息，以生成对应的结构化数据，包括：采用预设大语言模型，对告警文本进行语义分析和关键词提取，以得到异常告警信息；基于预设的格式要求，对异常告警信息进行拼接处理，以生成对应的结构化数据。

其中，异常告警信息可以包括以下至少一种：异常编号、异常名称、异常类型、异常严重程度和异常特征。结构化数据是指将异常告警信息按照预设格式要求组合得到的数据，结构化数据例如可以是：{"编号":"C001","名称":"通道一通信异常","类型":"线路保护装置异常告警","严重程度":"严重","特征":{"误码率":"10^-3","光纤连接状态":"断开"}}。预设大语言模型可以为预训练的GPT(Generative Pre-Trained Transformer，生成式预训练变换器)模型。

需要说明的是，通过大语言模型强大的自然语言处理能力，可以自动从换流站二次系统的告警描述中提取关键数据，并将其转化为结构化信息。这些结构化数据包括告警编号、名称、类型、严重程度等，加快了告警信息的处理速度，减少了人工干预，提高了信息处理的效率和准确性。

可选的，采用预设大语言模型对告警文本进行语义分析和关键词提取，得到异常告警信息，包括：基于预设目标关键词，对告警文本进行关键词提取，以得到告警文本中记载的异常编号、异常名称、异常类型和异常严重程度；采用预设大语言模型对告警文本进行语义分析，以得到告警文本对应的异常特征，并根据异常编号、异常名称、异常类型、异常严重程度和异常特征，确定异常告警信息。

示例性的，可以通过预训练的大语言模型和提示词技术，对告警文本及传感器数据进行处理，具体包括：从告警描述中提取字段，如告警编号、类型和严重程度；自动解析传感器信号中的关键参数(如误码率和通道连接状态)，进一步可以将自然语言描述和传感器信号转化为结构化数据格式。

S102、根据结构化数据，在预设案例库中进行匹配，得到目标案例，并确定目标案例对应的处理效果评估值。

其中，预设案例库可以是CBR(Case-Based Reasoning，案例推理)案例库。目标案例是指预设案例库中与结构化数据对应的异常告警案例相似度大于预设相似度阈值的案例。处理效果评估值是指对案例中对目标设备的处理效果进行评估得到的指标值。

可选的，可以根据结构化数据中的异常告警信息，分别在在预设案例库中进行匹配，确定预设案例库中各候选案例与结构化数据的相似度，并将相似度大于预设相似度阈值的候选案例确定为目标案例。

可选的，预设案例库中还可以存储有各候选案例的权重信息，相应的，确定相似度大于预设相似度阈值的候选案例之后，还可以将该候选案例的权重信息进行比对，并将权重信息较高的预设数量的候选案例确定为目标案例。

可选的，确定目标案例对应的处理效果评估值，包括：根据目标案例中对目标设备的处理情况信息，确定目标案例对应的处理成功率、处理时效评估值和效果稳定评估值；根据处理成功率、处理时效评估值和效果稳定评估值，结合预设的评估权重，确定目标案例对应的处理效果评估值。

其中，处理情况信息可以包括以下至少一种：成功恢复设备次数和总处理案例数、实际处理时间、预定处理时间、设备运行稳定度和持续运行时间。预设的评估权重可以分别包括处理成功率、处理时效评估值和效果稳定评估值对应的权重，表示为α，β和γ，且三者的和为1。

示例性的，根据处理成功率、处理时效评估值和效果稳定评估值，结合预设的评估权重，可以基于如下公式确定目标案例对应的处理效果评估值E_k：

E_k＝αP_k+βT_k×γS_k

其中，α，β和γ分别为处理成功率、处理时效评估值和效果稳定评估值对应的权重，P_k、T_k以及S_k分别表示处理成功率、处理时效评估值和效果稳定评估值。

可选的，根据目标案例中对目标设备的处理情况信息，确定目标案例对应的处理成功率、处理时效评估值和效果稳定评估值，包括：根据目标案例中对目标设备的处理情况信息，确定成功恢复设备次数和总处理案例数，以得到目标案例对应的处理成功率；根据目标案例中对目标设备的处理情况信息，确定实际处理时间和预定处理时间，以得到目标案例对应的处理时效评估值；根据目标案例中对目标设备的处理情况信息，确定设备运行稳定度和持续运行时间，以得到目标案例对应的效果稳定评估值。

示例性的，根据成功恢复设备次数和总处理案例数，可以基于如下公式得到目标案例对应的处理成功率：

示例性的，根据实际处理时间和预定处理时间，可以基于如下公式得到目标案例对应的处理时效评估值：

示例性的，根据设备运行稳定度和持续运行时间，可以基于如下公式得到目标案例对应的效果稳定评估值：

S_k＝设备运行稳定度×持续运行时间

S103、根据结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理。

其中，异常处理决策可以包括以下至少一种：检查步骤、故障隔离以及恢复操作。当前运行数据可以是相关开关量、设备状态、环境参数等。

可选的，可以根据结构化数据、目标案例、目标案例的处理效果评估值，从目标案例中筛选出最适宜当前结构化数据情况的最终案例，并将最终案例的处理决策确定为对目标设备的异常处理决策，进一步结合当前运行数据的情况，分析各异常处理决策的决策优先级，以按照优先级顺序对目标设备进行异常处理。

示例性的，结构化数据可以通过包括如下信息：编号(如C001)；名称(如“通道一通信异常”)；类型(如“线路保护装置异常告警”)；严重程度(如“严重”)；特征属性：实时设备状态(如光纤通道连接状态：断开；误码率10^-3等)。

可选的，可以将结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据输入预先训练好的大模型，通过大模型生成多步骤处理建议，并为每个步骤分配优先级。

示例性的，异常处理决策可以包括如下过程：1、故障分析：解析告警的严重程度(如“严重”或“异常”)；提取实时数据特征(如误码率过高、光纤连接断开等)；2、生成初步建议：检查步骤，检查通道光纤连接状态、误码率；故障隔离，若光纤损坏，切换至备用通道；恢复操作，重新校准时间同步模块，恢复通信质量。3、优化建议：根据实时信号动态调整建议。例如：若误码率较高但光纤连接正常，优先检查数据传输质量；若光纤断开，直接进行隔离操作。

示例性的，决策优先级可以基于如下公式确定：

P_k＝f(S,T,E)

其中，P_k表示决策优先级，S表示告警严重性(如“严重”或“异常”)，T表示实时信号状态(如误码率、光纤连接状态)；E表示目标案例的处理效果评估值(如成功率和时效性)。

可选的，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理之后，还包括：根据告警文本和异常处理决策，生成异常告警案例，并将异常告警案例在预设案例库中匹配，以确定异常告警案例是否为新案例；若否，则根据对目标设备异常处理后的反馈结果，确定异常告警案例的处理效果评估值，以根据处理效果评估值，评估是否对预设案例库中的异常告警案例进行权重更新。

示例性的，每当一个异常告警被处理完后，大模型会根据决策处理效果来自动更新案例库；例如，当一个新的异常告警被处理后，系统会自动将其作为新的案例存入案例库，为后续类似异常告警场景提供参考，此外，系统可以优化已有案例的权重和处理策略。系统基于决策处理效果的反馈机制，来动态调整案例的优先级和权重，使其更符合当前实际故障处理需求。具体来说，处理效果较好的案例将获得更高的权重，并成为未来决策生成时的优先参考，确保案例库在不断更新中提升决策的准确性和适应性。

示例性的，可以基于如下公式，更新案例库中的案例权重：

W_Updated＝W_Old+γ·ΔE_k

其中W_Updated为更新后的案例权重，W_Old为案例原始权重，γ为学习率，用于控制权重更新的幅度，ΔE_k为处理结果的变化，反映该案例的“决策处理效果”提升程度。

示例性的，预设大模型的工作流程可以包括输入：处理完的完整异常告警案例与决策处理效果的反馈结果。反馈学习：根据处理反馈评估案例的决策效果，计算“决策处理效果”指标；然后根据权重更新公式，动态调整案例的权重，并自动优化案例的处理策略(如调整处理步骤的优先级)。输出：优化后的案例库，若为新异常告警，则作为新增案例存入案例库，若是已知异常告警，系统将优化相应案例的原始权重。

本发明实施例的技术方案，响应于对目标设备的异常处理请求，确定二次主站系统发送的告警文本，并提取告警文本中的异常告警信息，以生成对应的结构化数据；根据结构化数据，在预设案例库中进行匹配，得到目标案例，并确定目标案例对应的处理效果评估值；根据结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理。通过这样的方式，可以实现换流站二次设备的智能化、自动化决策支持，帮助相关人员快速、准确地做出决策，从而提高设备的可靠性、运维效率和电网的稳定性。

实施例二

图2A是本发明实施例二提供的异常处理决策生成的流程示意图；图2B是本发明实施例二提供的更新案例库的流程示意图；本实施例在上述实施例的基础上，提供了一种基于案例库生成设备异常情况对应的异常处理决策以进行异常处理的优选实例，具体的，如图2A所示，该方法包括如下过程：

根据告警文本确定多模态实时数据，采用换流站智能决策大模型进行特征提取和预处理以实现案例化结构处理，进一步根据案例库基于最近相邻法进行案例匹配，确定异常告警案例是否由新案例组成，若否，则进行决策处理效果反馈，优化原始案例的权重，以采用换流站智能决策大模型结合实时数据优化案例，若是，则直接采用换流站智能决策大模型分析新案例的特征，生成新案例处理建议，得到CBR结构化的新案例，并将新案例导入案例库，其中案例库中通过问题+解决方案的方式存储案例。最后，得到优化案例或新案例后，可以通过调用案例，生成决策建议，得到异常处理决策。

示例性的，参见图2B，可以利用预设大模型，对预设案例库中的历史案例进行权重更新，具体的，预设大模型的输入数据可以为处理完的异常告警案例和决策处理效果的反馈结果，可以根据输出结果确定异常告警案例是否为新案例，若是，则作为新案例存入案例库，若否，则计算“决策处理效果”指标Ek，进一步判断决策处理效果是否提升，若是，则更新历史案例的原始权重，否则，保持历史案例的原始权重。

可选的，本发明可以通过调用API(Application Programming Interface，应用程序编程)接口，结合大模型的微调和提示词技术，实现了换流站二次设备智能分析与决策。API接口实现了模型的标准化处理逻辑框架、实时数据输入与反馈机制的动态适配，确保了模型能够在实时告警和历史案例库的基础上生成个性化、多步骤的处理建议，并自动更新CBR案例库以优化决策效果。

示例性的，换流站智能分析决策大模型准备可以包括如下步骤：1、微调，微调是大模型学习换流站运维规则、培训资料和历史案例库的关键步骤，为后续的提示词工程提供标准化的处理逻辑框架。微调数据包括运维规范、培训资料和CBR案例库等与换流站运维相关的资料。通过内化这些资料，大模型能够学习到常见告警类型(如通信故障、保护动作异常)的处理逻辑，并将其标准化。2、在微调后的大模型上，通过提示词引导模型动态适配新故障场景,结合实时信号，为未出现过的告警生成合理建议。该过程能够优化建议的优先级和执行顺序。同时自动更新CBR案例库以适应不断变化的运行环境。在这一步中，主要实现以下2个功能：(1)对于未见过的告警场景，参考CBR案例库中历史案例，并结合实时数据生成个性化的建议；(2)根据实时输入信息(如数值型数据和布尔型数据)和历史决策建议反馈，动态调整处理建议的执行顺序和优先级，确保每一步决策能够快速响应当前告警场景，并通过反馈优化后续案例库的构建与应用。

示例性的，本发明提出了一种基于提示词的大模型引导方法，用于换流站二次设备的智能分析与决策。通过提示词设计，结合微调后内化了运维规范、培训资料和CBR案例库的大模型，生成规范化、动态适配的处理建议。提示词设计不仅解决了传统CBR规则僵化的问题，还显著提升了故障处理的灵活性和准确性。具体的，提示词具体设计包括：

任务角色设定：将大模型定义为“电力系统智能分析专家”，专注于二次设备的告警分析和处理建议生成，确保模型在特定场景中的任务聚焦。

输入数据规范化：将多模态输入数据(如告警描述、实时信号状态)转化为结构化CBR输入格式，涵盖告警编号、类型、严重程度等，确保模型高效处理。

动态适配机制：结合实时输入数据(如环境参数、设备状态)和决策效果反馈，动态调整处理逻辑和优先级，适配多变的故障场景，提升决策的灵活性。

输出内容优化：生成包含检查、故障隔离、恢复操作等多步骤的规范化处理建议，并对每个步骤进行优先级标注，优化故障处理的执行流程。

示例性的，提示词的设计主要包括以下步骤：角色与任务定义：明确大模型的任务范围，通过提示词描述设定模型角色及职责，例如异常告警信号分析和处理建议生成。输入数据处理：通过提示词引导，将非结构化自然语言数据(如告警描述)及多模态信息转化为标准化的CBR输入格式，便于后续处理。输出建议生成：结合CBR案例库、实时数据和决策效果反馈，通过提示词引导模型生成符合实际场景的个性化多步骤处理建议，并根据优先级进行动态优化。

本发明提出一种基于大模型增强CBR的换流站二次设备异常告警的智能分析与决策方案，旨在提升换流站二次设备的异常告警分析和决策支持。该系统结合了大模型的语义理解与生成能力和传统CBR方法，能够在面对复杂故障场景时，基于实时数据和案例库动态生成个性化的故障处理决策建议，从而提升故障处理的精确度、效率和灵活性，减少人为干预对设备安全和电网稳定性的影响。

实施例三

图3是本发明实施例三提供的一种设备异常处理装置的结构框图；本实施例可适用于异常处理系统对告警文件进行解析和异常检测以对目标设备进行异常处理的情况，本发明实施例所提供的设备异常处理装置可执行本发明任一实施例所提供的设备异常处理方法，具备执行方法相应的功能模块和有益效果；该设备异常处理装置可以采用硬件和/或软件的形式实现，并配置于具有设备异常处理功能的电子设备中，如异常处理系统中，如图3所示，该设备异常处理装置具体包括：

生成模块301，用于响应于对目标设备的异常处理请求，确定二次主站系统发送的告警文本，并提取告警文本中的异常告警信息，以生成对应的结构化数据；

确定模块302，用于根据结构化数据，在预设案例库中进行匹配，得到目标案例，并确定目标案例对应的处理效果评估值；

处理模块303，用于根据结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理。

本发明实施例的技术方案，响应于对目标设备的异常处理请求，确定二次主站系统发送的告警文本，并提取告警文本中的异常告警信息，以生成对应的结构化数据；根据结构化数据，在预设案例库中进行匹配，得到目标案例，并确定目标案例对应的处理效果评估值；根据结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理。通过这样的方式，可以实现换流站二次设备的智能化、自动化决策支持，帮助相关人员快速、准确地做出决策，从而提高设备的可靠性、运维效率和电网的稳定性。

进一步的，生成模块301可以包括：

得到单元，用于采用预设大语言模型，对告警文本进行语义分析和关键词提取，以得到异常告警信息；

生成单元，用于基于预设的格式要求，对异常告警信息进行拼接处理，以生成对应的结构化数据。

进一步的，得到单元具体用于：

基于预设目标关键词，对告警文本进行关键词提取，以得到告警文本中记载的异常编号、异常名称、异常类型和异常严重程度；

采用预设大语言模型对告警文本进行语义分析，以得到告警文本对应的异常特征，并根据异常编号、异常名称、异常类型、异常严重程度和异常特征，确定异常告警信息。

进一步的，确定模块302可以包括：

第一确定单元，用于根据目标案例中对目标设备的处理情况信息，确定目标案例对应的处理成功率、处理时效评估值和效果稳定评估值；

第二确定单元，用于根据处理成功率、处理时效评估值和效果稳定评估值，结合预设的评估权重，确定目标案例对应的处理效果评估值。

进一步的，第一确定单元具体用于：

根据目标案例中对目标设备的处理情况信息，确定成功恢复设备次数和总处理案例数，以得到目标案例对应的处理成功率；

根据目标案例中对目标设备的处理情况信息，确定实际处理时间和预定处理时间，以得到目标案例对应的处理时效评估值；

根据目标案例中对目标设备的处理情况信息，确定设备运行稳定度和持续运行时间，以得到目标案例对应的效果稳定评估值。

进一步的，上述装置还用于：

根据告警文本和异常处理决策，生成异常告警案例，并将异常告警案例在预设案例库中匹配，以确定异常告警案例是否为新案例；

若否，则根据对目标设备异常处理后的反馈结果，确定异常告警案例的处理效果评估值，以根据处理效果评估值，评估是否对预设案例库中的异常告警案例进行权重更新。

实施例四

图4是本发明实施例四提供的电子设备的结构示意图。图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如设备异常处理方法。

在一些实施例中，设备异常处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的设备异常处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行设备异常处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、系统级芯片(SOC)、复杂可编程逻辑器件(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

在一实施例中，本发明实施例还包括一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现本发明任一实施例的设备异常处理方法。

计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，还包括常规的过程式程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种设备异常处理方法，其特征在于，包括：

响应于对目标设备的异常处理请求，确定二次主站系统发送的告警文本，并提取告警文本中的异常告警信息，以生成对应的结构化数据；

根据结构化数据，在预设案例库中进行匹配，得到目标案例，并确定目标案例对应的处理效果评估值；

根据结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理。

2.根据权利要求1所述的方法，其特征在于，提取告警文本中的异常告警信息，以生成对应的结构化数据，包括：

采用预设大语言模型，对告警文本进行语义分析和关键词提取，以得到异常告警信息；

基于预设的格式要求，对异常告警信息进行拼接处理，以生成对应的结构化数据。

3.根据权利要求2所述的方法，其特征在于，采用预设大语言模型对告警文本进行语义分析和关键词提取，得到异常告警信息，包括：

基于预设目标关键词，对告警文本进行关键词提取，以得到告警文本中记载的异常编号、异常名称、异常类型和异常严重程度；

采用预设大语言模型对告警文本进行语义分析，以得到告警文本对应的异常特征，并根据异常编号、异常名称、异常类型、异常严重程度和异常特征，确定异常告警信息。

4.根据权利要求1所述的方法，其特征在于，确定目标案例对应的处理效果评估值，包括：

根据目标案例中对目标设备的处理情况信息，确定目标案例对应的处理成功率、处理时效评估值和效果稳定评估值；

根据处理成功率、处理时效评估值和效果稳定评估值，结合预设的评估权重，确定目标案例对应的处理效果评估值。

5.根据权利要求4所述的方法，其特征在于，根据目标案例中对目标设备的处理情况信息，确定目标案例对应的处理成功率、处理时效评估值和效果稳定评估值，包括：

根据目标案例中对目标设备的处理情况信息，确定成功恢复设备次数和总处理案例数，以得到目标案例对应的处理成功率；

根据目标案例中对目标设备的处理情况信息，确定实际处理时间和预定处理时间，以得到目标案例对应的处理时效评估值；

根据目标案例中对目标设备的处理情况信息，确定设备运行稳定度和持续运行时间，以得到目标案例对应的效果稳定评估值。

6.根据权利要求1所述的方法，其特征在于，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理之后，还包括：

根据告警文本和异常处理决策，生成异常告警案例，并将异常告警案例在预设案例库中匹配，以确定异常告警案例是否为新案例；

若否，则根据对目标设备异常处理后的反馈结果，确定异常告警案例的处理效果评估值，以根据处理效果评估值，评估是否对预设案例库中的异常告警案例进行权重更新。

7.一种设备异常处理装置，其特征在于，包括：

生成模块，用于响应于对目标设备的异常处理请求，确定二次主站系统发送的告警文本，并提取告警文本中的异常告警信息，以生成对应的结构化数据；

确定模块，用于根据结构化数据，在预设案例库中进行匹配，得到目标案例，并确定目标案例对应的处理效果评估值；

处理模块，用于根据结构化数据、目标案例、目标案例的处理效果评估值以及当前运行数据，确定对目标设备的异常处理决策和决策优先级，以对目标设备进行异常处理。

8.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的设备异常处理方法。

9.一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计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的设备异常处理方法。

10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的设备异常处理方法。