一种电力系统主设备数字孪生混合模型构建方法及装置

摘要

本发明公开了一种电力系统主设备数字孪生混合模型构建方法及装置。其中，方法包括：将电力系统主设备的运行状态与故障关联知识图谱进行信息编码，生成密度向量；将密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型；通过历史采集数据对数据驱动初始模型的卷积基和分类器进行优化，得到优化后的数据驱动模型；将数据驱动模型以及电力系统主设备的机理模型以并联形式协同工作，并通过求解器进行神经网络损失函数的梯度下降，构建电力系统主设备的数字孪生混合模型。

权利要求

1.一种电力系统主设备数字孪生混合模型构建方法，其特征在于，包括：将电力系统主设备的运行状态与故障关联知识图谱进行信息编码，生成密度向量；

将所述密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型；

通过历史采集数据对所述数据驱动初始模型的卷积基和分类器进行优化，得到优化后的数据驱动模型；

将所述数据驱动模型以及所述电力系统主设备的机理模型以并联形式协同工作，并通过求解器进行神经网络损失函数的梯度下降，构建所述电力系统主设备的数字孪生混合模型。

2.根据权利要求1所述的方法，其特征在于，还包括：融合所述电力系统主设备的运行状态知识库、故障事故知识库以及运行状态与故障事故的本征关联关系知识库，形成所述运行状态与故障关联知识图谱。

3.根据权利要求1所述的方法，其特征在于，将所述密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型的操作，包括：采用ComplEx嵌入模型，将所述密度向量嵌入至所述ConvGRU神经网络首层进行数据驱动模型的初始训练，得到所述数据驱动初始模型。

4.根据权利要求1所述的方法，其特征在于，通过历史采集数据对所述数据驱动初始模型的卷积基和分类器进行优化，得到优化后的数据驱动模型的操作，包括：对所述历史采集数据进行预处理，并根据预先设置的比例将所述历史采集数据划分为训练集以及验证集；

通过所述训练集对所述数据驱动初始模型进行卷积基和分类器进行优化，并通过所述验证集进行验证，构建所述数据驱动模型。

5.根据权利要求1所述的方法，其特征在于，还包括：根据对电力系统主设备的实际测量的各项参数，修正所述机理模型中的各项设备外形参数；

根据所述实际测量的各项参数，修正所述机理模型中的各项内部参数，其中所述内部参数包括油浸式配电变压器的铁芯全电流、夹件接地电流、变压器绝缘套管电容量、介质损耗因数、气体传感器、油色谱仪和温度传感器的误差率。

6.一种电力系统主设备数字孪生混合模型构建装置，其特征在于，包括：生成模块，用于将电力系统主设备的运行状态与故障关联知识图谱进行信息编码，生成密度向量；

训练模块，用于将所述密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型；

优化模块，用于通过历史采集数据对所述数据驱动初始模型的卷积基和分类器进行优化，得到优化后的数据驱动模型；

构建模块，用于将所述数据驱动模型以及所述电力系统主设备的机理模型以并联形式协同工作，并通过求解器进行神经网络损失函数的梯度下降，构建所述电力系统主设备的数字孪生混合模型。

7.根据权利要求6所述的装置，其特征在于，还包括：融合模块，用于融合所述电力系统主设备的运行状态知识库、故障事故知识库以及运行状态与故障事故的本征关联关系知识库，形成所述运行状态与故障关联知识图谱。

8.根据权利要求6所述的装置，其特征在于，训练模块，包括：训练子模块，用于采用ComplEx嵌入模型，将所述密度向量嵌入至所述ConvGRU神经网络首层进行数据驱动模型的初始训练，得到所述数据驱动初始模型。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1‑5任一所述的方法。

10.一种电子设备，其特征在于，所述电子设备包括：处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1‑5任一所述的方法。

说明书

一种电力系统主设备数字孪生混合模型构建方法及装置

技术领域

[0001] 本发明涉及电力系统技术领域，并且更具体地，涉及一种电力系统主设备数字孪生混合模型构建方法及装置。

背景技术

[0002] 目前对于电网设备仿真建模，存在数字孪生混合模型，其中包括串联形式、并联形式型、紧耦合形式三种。1.基于串联形式的混合模型构建：数据驱动模型的输入数据与机理模型的输入数据之间可能存在量级差异，在这种情况下必须估计数据的中间值，但该中间值往往存在难以确定的问题，因此对实际建模准确程度存在较大限制；2.基于并联形式的混合模型构建：数据驱动模型并不学习底层动态，而仅仅是对机理模型与现实的不匹配程度进行预测，因此该建模方法虽然可以在一定程度上提高数据的拟合度，但实际应用范围非常有限。一般来说，只能基于简单系统使用该建模方法；3.基于紧耦合形式的混合模型构建：该方法未使用先验知识库嵌入，存在训练不易收敛，建模成功率低的问题。因此现有的电网设备仿真建模存在建模精度低以及建模成功率低的技术问题。

发明内容

[0003] 针对现有技术的不足，本发明提供一种电力系统主设备数字孪生混合模型构建方法及装置。

[0004] 根据本发明的一个方面，提供了一种电力系统主设备数字孪生混合模型构建方法，包括：

[0005] 将电力系统主设备的运行状态与故障关联知识图谱进行信息编码，生成密度向量；

[0006] 将密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型；

[0007] 通过历史采集数据对数据驱动初始模型的卷积基和分类器进行优化，得到优化后的数据驱动模型；

[0008] 将数据驱动模型以及电力系统主设备的机理模型以并联形式协同工作，并通过求解器进行神经网络损失函数的梯度下降，构建电力系统主设备的数字孪生混合模型。

[0009] 可选地，还包括：

[0010] 融合电力系统主设备的运行状态知识库、故障事故知识库以及运行状态与故障事故的本征关联关系知识库，形成运行状态与故障关联知识图谱。

[0011] 可选地，将密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型的操作，包括：

[0012] 采用ComplEx嵌入模型，将密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型。

[0013] 可选地，通过历史采集数据对数据驱动初始模型的卷积基和分类器进行优化，得到优化后的数据驱动模型的操作，包括：

[0014] 对历史采集数据进行预处理，并根据预先设置的比例将历史采集数据划分为训练集以及验证集；

[0015] 通过训练集对数据驱动初始模型进行卷积基和分类器进行优化，并通过验证集进行验证，构建数据驱动模型。

[0016] 可选地，还包括：

[0017] 根据对电力系统主设备的实际测量的各项参数，修正机理模型中的各项设备外形参数；

[0018] 根据实际测量的各项参数，修正机理模型中的各项内部参数，其中内部参数包括油浸式配电变压器的铁芯全电流、夹件接地电流、变压器绝缘套管电容量、介质损耗因数、气体传感器、油色谱仪和温度传感器的误差率。

[0019] 根据本发明的另一个方面，提供了一种电力系统主设备数字孪生混合模型构建装置，包括：

[0020] 生成模块，用于将电力系统主设备的运行状态与故障关联知识图谱进行信息编码，生成密度向量；

[0021] 训练模块，用于将密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型；

[0022] 优化模块，用于通过历史采集数据对数据驱动初始模型的卷积基和分类器进行优化，得到优化后的数据驱动模型；

[0023] 构建模块，用于将数据驱动模型以及电力系统主设备的机理模型以并联形式协同工作，并通过求解器进行神经网络损失函数的梯度下降，构建电力系统主设备的数字孪生混合模型。

[0024] 根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。

[0025] 根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。

[0026] 从而，基于电力系统主设备知识库嵌入的数字孪生混合模型构建，即在采集数据进行数据驱动模型构建过程中，首先将油浸式配电变压器知识库转换为密度向量并对ConvGRU神经网络首层嵌入完成模型预训练，再基于历史采集数据对预训练数据的卷积基和分类器进行微调。最后在求解器中对数据驱动模型与机理模型进行求解，确定数字孪生混合模型。该建模方法能够拟合任何运行状态与故障现象间的关联关系，形成对机理模型的有效补充，通过提高建模范围实现了建模精度的提升。采用历史采集数据对卷积基与分类器进行微调，提高了数据驱动模型构建成功率。基于ConvGRU神经网络的混合模型构建方法包含了设备采集数据中隐含特征与故障现象间的关联关系，在数据可覆盖的概率分布条件范围内，可提高数字孪生系统在多时空多场景下的动态推演能力。

附图说明

[0027] 通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

[0028] 图1是本发明一示例性实施例提供的电力系统主设备数字孪生混合模型构建方法的流程示意图；

[0029] 图2是本发明一示例性实施例提供的基于电力系统主设备知识库嵌入的数字孪生混合模型构建另一示意图；

[0030] 图3是本发明一示例性实施例提供的架空输电线运行状态与故障知识图谱示意；

[0031] 图4是本发明一示例性实施例提供的数字孪生混合模型构建步骤的另一示意图；

[0032] 图5是本发明一示例性实施例提供的电力系统主设备数字孪生混合模型构建装置的结构示意图；

[0033] 图6是本发明一示例性实施例提供的电子设备的结构。

具体实施方式

[0034] 下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。

[0035] 应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

[0036] 本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

[0037] 还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。

[0038] 还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。

[0039] 另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。

[0040] 还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。

[0041] 同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

[0042] 以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

[0043] 对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。

[0044] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

[0045] 本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

[0046] 终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

[0047] 示例性方法

[0048] 图1是本发明一示例性实施例提供的电力系统主设备数字孪生混合模型构建方法的流程示意图。本实施例可应用在电子设备上，如图1和图2所示

[0049] ，电力系统主设备数字孪生混合模型构建方法100包括以下步骤：

[0050] 步骤101，将电力系统主设备的运行状态与故障关联知识图谱进行信息编码，生成密度向量。

[0051] 步骤102，将密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型。

[0052] 可选地，将密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型的操作，包括：

[0053] 采用ComplEx嵌入模型，将密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型。

[0054] 可选地，该方法还包括：

[0055] 融合电力系统主设备的运行状态知识库、故障事故知识库以及运行状态与故障事故的本征关联关系知识库，形成运行状态与故障关联知识图谱。

[0056] 具体地，典型的电力系统知识库包括：

[0057] 1.运行状态知识库：包含采用统计方法分析电力系统设备在雷电、强风等灾害气象下的设备状况。包含不同气象条件与设备状态的映射关系。包含非灾害气象条件下新型电力系统设备内部缺陷及外部隐患的时空分布特性。

[0058] 2.故障事故知识库：基于电力系统设备历史故障数据，挖掘海故障关联因素，研究不同类型故障的时空分布特性。

[0059] 3.运行状态与故障事故的本征关联关系知识库：包含设备运行状态和故障事故的关联关系、各类故障特征的表现形式、各类故障事故的溯源推理。

[0060] 融合以上三种知识库即可形成电力系统主设备运行状态与故障关联知识库，以架空输电线与油浸式配电变压器为例，示意图如图3所示。该知识库中编码了现有电力系统知识的运行特征与故障现象间的关联关系，通过将图3中的信息编码为密集向量实现到连续向量空间的动态嵌入可实现神经网络的模型预训练。

[0061] 步骤103，通过历史采集数据对数据驱动初始模型的卷积基和分类器进行优化，得到优化后的数据驱动模型。

[0062] 可选地，通过历史采集数据对数据驱动初始模型的卷积基和分类器进行优化，得到优化后的数据驱动模型的操作，包括：

[0063] 对历史采集数据进行预处理，并根据预先设置的比例将历史采集数据划分为训练集以及验证集；

[0064] 通过训练集对数据驱动初始模型进行卷积基和分类器进行优化，并通过验证集进行验证，构建数据驱动模型。

[0065] 具体地，参考图2所示，基于电力系统主设备知识库嵌入的紧耦合混合数据驱动模型构建，即在采集数据进行数据驱动模型构建过程中，首先将油浸式配电变压器知识库转换为密度向量并对ConvGRU神经网络首层嵌入完成模型预训练，再基于历史采集数据对预训练数据的卷积基和分类器进行微调。

[0066] 其中，历史采集数据预处理：主要处理以下三种情况的异常数据：

[0067] a.数据传输导致的数据异常：因传输链路扰动或传传输错误导致的峰谷数据，该项数据无法真实反映物理设备的状态；

[0068] b.特殊事件导致的数据异常：因极端天气导致采集数据超过传感器极值引起的数据异常，该项数据也无法物理设备的实际状态；

[0069] c.因为通信问题导致的采集数据缺失：指配电网数据采集中存在的数据传输可靠性差、关键点位数据缺失等问题。

[0070] 对于以上两种典型异常数据，本发明采用基于生成对抗插补神经网络（GAIN）进行数据补全：

[0071] a.生成器（G）：估算缺失分量并输出完整向量；

[0072] b.鉴别器（D）：取该完整向量并尝试找出具体的补全分量，因此鉴别器可迫使生成器生成逼近真实分布的数据序列。

[0073] 训练集和验证集划分：考虑到建模准确性的需要，本申请考虑采用提高验证集比例的数据划分方式，即序列集采用70%数据，验证集采用30%数据。

[0074] 基于架空配电线知识库融合的ConvGRU神经网络结构：融合层可将运行状态与故障事故关联关系作为序列映射到真实的向量域。然后将形状为200x200的嵌入表示送入一维卷积层，该层有100个卷积核，核大小为4。每个conv层的输出传递给dropout层，conv层将输入的特征空间卷积成200x200的表示，然后通过沿着嵌入维数为4的池大小的1D max pooling layer (MPL)进一步向下采样，产生50x200的形状输出。其中，50个维度中的每一个都可以被视为一个提取的特征。MPL通过在每个时间步长维度上取最大值，从而使输出空间变平，从而生成一个包含隐含特征的1x200向量，通过另一个dropout层，将最有影响力的特性输入一个全连接层，最后通过softmax层生成类的概率分布。

[0075] 步骤104，将数据驱动模型以及电力系统主设备的机理模型以并联形式协同工作，并通过求解器进行神经网络损失函数的梯度下降，构建电力系统主设备的数字孪生混合模型。

[0076] 其中，电力系统主设备的机理模型采用现有油浸式配电变压器相关物理公式，具体包括：热源公式、传热公式以及变压器流体温度场‑流场耦合公式，其中

[0077] 热源公式包括：铁芯损耗以及高、低压绕组损耗；

[0078] 传热公式包括：热传导公式、对流传热公式以及热辐射公式；

[0079] 变压器流体温度场‑流场耦合公式包括：流体质量守恒方程、流体轴向动量守恒方程、流体径向动量守恒方程、流体能量守恒方程以及无滑移边界条件。

[0080] 从而，传统机理模型因无法对设备运行时的动态隐含关联因素进行建模，因此实时仿真结果存在不准确的情况。本申请提出的基于ConvGRU神经网络的混合模型构建方法包含了设备采集数据中隐含特征与故障现象间的关联关系，在数据可覆盖的概率分布条件范围内，可提高数字孪生系统在多时空多场景下的动态推演能力。

[0081] 可选地，还包括：

[0082] 根据对电力系统主设备的实际测量的各项参数，修正机理模型中的各项设备外形参数；

[0083] 根据实际测量的各项参数，修正机理模型中的各项内部参数，其中内部参数包括油浸式配电变压器的铁芯全电流、夹件接地电流、变压器绝缘套管电容量、介质损耗因数、气体传感器、油色谱仪和温度传感器的误差率。

[0084] 具体地，参考图4所示，数字孪生混合模型构建分为四个步骤：

[0085] 1.几何参数校准：利用实际测量的各项参数，修正机理模型中的各项设备外形参数。包括油浸式配电变压器其主体及各管路、套管、分离罐的尺寸等；

[0086] 2.电气和机械参数校准：利用实际测量的各项参数，修正机理模型中的各项参数。包括油浸式配电变压器的铁芯全电流、夹件接地电流、变压器绝缘套管电容量、介质损耗因数、气体传感器、油色谱仪和温度传感器的误差率等。

[0087] 3.基于数据序列隐含特征提取的未建模参数校准：通过浸式配电变压器历史运行数据序列，训练ConvGRU神经网络参数，并将模型作为对未建模参数的校准在下一步与机理模型组装成为数字孪生混合模型；

[0088] 4.混合模型装配：通过与机理模型并联一个电力系统主设备知识库嵌入的基于ConvGRU神经网络的数据驱动模型，并通过求解器更新参数并最小化整体loss完成混合模型的构建。

[0089] 从而，本申请的有益效果如下：

[0090] 1.建模精度提升：本申请提出的方法可在历史采集数据中同时在横向和纵向两个维度寻找设备隐含状态对故障现象的关联关系。其中，横向维度是指在同一时间切片内对电力设备传感器采集的多源异构数据进行局部关系挖掘，纵向维度是指在数据序列中对隐含特征整体关系的挖掘。因此，在实际使用中，基于以上方法训练的模型能够依据实时采集数据序列对可能的故障现象进行多分类预测，在预测偏差超过预设阈值时，可将相关数据重新加入数据集对神经网络模型进行迭代训练。相比于依赖于物理公式或数学公式的传统仿真机理模型，该建模方法能够拟合任何运行状态与故障现象间的关联关系，形成对机理模型的有效补充，通过提高建模范围实现了建模精度的提升。

[0091] 2.数据驱动模型构建成功率提升：本发明提出的基于电力系统知识库嵌入的混合模型动态构建方法，是结合实时采集数据通过ConvGRU神经网络生成的数据驱动模型、机理模型与数据驱动模型，通过将知识库中节点与关系转换为密度向量并嵌入Conv卷积网络，在利用知识向量完成预训练模型的情况下，采用历史采集数据对卷积基与分类器进行微调，提高了数据驱动模型构建成功率。

[0092] 3.推演预测准确性提升：传统机理模型因无法对设备运行时的动态隐含关联因素进行建模，因此实时仿真结果存在不准确的情况。本发明提出的基于ConvGRU神经网络的混合模型构建方法包含了设备采集数据中隐含特征与故障现象间的关联关系，在数据可覆盖的概率分布条件范围内，可提高数字孪生系统在多时空多场景下的动态推演能力。

[0093] 示例性装置

[0094] 图5是本发明一示例性实施例提供的电力系统主设备数字孪生混合模型构建装置的结构示意图。如图5所示，装置500包括：

[0095] 生成模块510，用于将电力系统主设备的运行状态与故障关联知识图谱进行信息编码，生成密度向量；

[0096] 训练模块520，用于将所述密度向量嵌入至ConvGRU神经网络首层进行数据驱动模型的初始训练，得到数据驱动初始模型；

[0097] 优化模块530，用于通过历史采集数据对所述数据驱动初始模型的卷积基和分类器进行优化，得到优化后的数据驱动模型；

[0098] 构建模块540，用于将所述数据驱动模型以及所述电力系统主设备的机理模型以并联形式协同工作，并通过求解器进行神经网络损失函数的梯度下降，构建所述电力系统主设备的数字孪生混合模型。

[0099] 可选地，装置500还包括：

[0100] 融合模块，用于融合所述电力系统主设备的运行状态知识库、故障事故知识库以及运行状态与故障事故的本征关联关系知识库，形成所述运行状态与故障关联知识图谱。

[0101] 可选地，训练模块520，包括：

[0102] 训练子模块，用于采用ComplEx嵌入模型，将所述密度向量嵌入至所述ConvGRU神经网络首层进行数据驱动模型的初始训练，得到所述数据驱动初始模型。

[0103] 可选地，优化模块530，包括：

[0104] 预处理子模块，用于对历史采集数据进行预处理，并根据预先设置的比例将历史采集数据划分为训练集以及验证集；

[0105] 优化子模块，用于通过训练集对数据驱动初始模型进行卷积基和分类器进行优化，并通过验证集进行验证，构建数据驱动模型。

[0106] 可选地，装置500还包括：

[0107] 第一修正模块，用于根据对电力系统主设备的实际测量的各项参数，修正机理模型中的各项设备外形参数；

[0108] 第二修正模块，用于根据实际测量的各项参数，修正机理模型中的各项内部参数，其中内部参数包括油浸式配电变压器的铁芯全电流、夹件接地电流、变压器绝缘套管电容量、介质损耗因数、气体传感器、油色谱仪和温度传感器的误差率。

[0109] 示例性电子设备

[0110] 图6是本发明一示例性实施例提供的电子设备的结构。如图6所示，电子设备60包括一个或多个处理器61和存储器62。

[0111] 处理器61可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

[0112] 存储器62可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器61可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置63和输出装置64，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

[0113] 此外，该输入装置63还可以包括例如键盘、鼠标等等。

[0114] 该输出装置64可以向外部输出各种信息。该输出装置64可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

[0115] 当然，为了简化，图6中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。

[0116] 示例性计算机程序产品和计算机可读存储介质

[0117] 除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。

[0118] 所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

[0119] 此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。

[0120] 所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD‑ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。

[0121] 以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

[0122] 本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

[0123] 本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具 有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

[0124] 可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

[0125] 还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

[0126] 为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。