CN110243834B - 基于知识图谱的变压器设备缺陷分析方法 - Google Patents

Abstract

本发明公开了一种基于知识图谱的变压器设备缺陷分析方法，其包括接收变压器的缺陷现象，构成部件表征矩阵；获取与构成部件相关的所有特征状态并构建形成关联矩阵；提取与特征状态相关的缺陷现象，并构建形成细化关联矩阵；提取与缺陷现象对应的所有量级特征，并构建量级特征矩阵；采用softmax算法和初始中间变量，计算权重因子，并采用所有的权重因子构成权重矩阵；根据权重矩阵和量级特征矩阵，计算故障原因向量，并将迭代次数累加一次；当迭代次数小于迭代阈值时，更新初始中间变量，之后返回权重因子计算步骤；当迭代次数大于等于迭代阈值时，采用最后一次计算的故障原因向量计算量级特征矩阵对应故障原因的概率向量。

Description

基于知识图谱的变压器设备缺陷分析方法

技术领域

本发明涉及机器学习与知识图谱技术领域，涉及一种基于知识图谱的变压器设备缺陷分析方法。

背景技术

知识图谱(KnowledgeGraph)是人工智能的重要分支技术，它在2012年由美国谷歌(Google)公司提出实践并开发，成为建立大规模知识的综合性应用技术，应用领域广泛，包括应用在语义搜索、自然语言处理、人工AI(Artificial Intelligence)助手、商业合作等领域，在学术界和商业界都发挥着重要作用。

变压器是输配电系统中一种极其重要的电器设备，其正常运行关乎着整个电厂区域电网的日常生产工作，但是在电厂的正常工作中会出现各种缺陷现象。以往通过人工分析变压器缺陷原因，而采用人工分析需要对变压器缺陷情况等全面地综合分析，要借鉴多年积累的经验，但往往受限于电厂的硬件条件，效果往往不符合标准。

现如今，变电站已经配置了巡检机器人和分布式摄像头，负责对图像进行采集。通过图像分析变压器设备的缺陷原因，然后工作人员记录电力系统数据库中。但在知识图谱的领域中，人工智能的技术和电力设备缺陷数据还没有精准结合使用，大部分的缺陷数据没能利用起来，使得很难做到对缺陷现象的精准识别。

发明内容

针对现有技术中的上述不足，本发明提供的基于知识图谱的变压器设备缺陷分析方法能够通过获取的缺陷现象精确找到引发变压器缺陷现象的故障原因。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于知识图谱的变压器设备缺陷分析方法，其包括：

S1、接收变压器的缺陷现象，并根据所述缺陷现象构建与其相关构成部件的构成部件表征矩阵；

S2、根据所述构成部件表征矩阵，获取与构成部件相关的所有特征状态，并构建形成构成部件与特征状态的关联矩阵；

S3、根据所有特征状态，提取与特征状态相关的缺陷现象，并构建形成特征状态与缺陷现象的细化关联矩阵；

S4、提取与缺陷现象对应的所有量级特征，并采用所有缺陷现象对应的量级特征构建缺陷现象与量级特征的量级特征矩阵；

S5、采用softmax算法和初始中间变量，计算变压器中每个特征状态与故障原因之间的权重因子，并采用所有的权重因子构成权重矩阵；

S6、根据权重矩阵和量级特征矩阵，计算故障原因向量，并将迭代次数累加一次；

S7、当迭代次数小于迭代阈值时，采用故障原因向量和量级特征矩阵更新初始中间变量，并返回步骤S5；

S8、当迭代次数大于等于迭代阈值时，采用最后一次计算的故障原因向量计算量级特征矩阵对应故障原因的概率向量。

本发明的有益效果为：本方案能够通过对缺陷现象提取文字信息，分析其中所包含的变压器构成部件，提取变压器该构成部件的所有特征状态，分析变压器构成部件与特征状态之间的特征矩阵，通过缺陷现象对应的量级特征矩阵，再结合引入的权重因子，得到包含激活函数的权重矩阵，实现准确判断故障原因和对应概率。

附图说明

图1为基于知识图谱的变压器设备缺陷分析方法的流程图。

图2为缺陷现象与故障原因的权重关系图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

本方案中实现变压器设备缺陷分析方法的主体为一台服务器，其内部存储有电网数据库、电压器相关网站、专业文献中的词库信息，蕴含着变压器的自然属性(构成部件、特征状态、缺陷现象和描述同一缺陷现象的多个量级形容词)的实体信息，通过提取变压器缺陷现象中的文本信息，抽取变压器缺陷现象，然后进行文本解析(具体可以经过分词后进行关键词提取获得特征状态、缺陷现象和描述同一缺陷现象的多个量级形容词)，对变压器领域中的缺陷现象进行识别。

服务器可以根据变压器的缺陷数据、电力设备类型、特征状态，对变压器缺陷进行分类并形成专属的缺陷类别，根据该变压器专属缺陷类别，创建该变压器设备的知识图谱。

参考图1，图1示出了基于知识图谱的变压器设备缺陷分析方法的流程图；如图1所示，该方法S包括步骤S1至步骤S8。

在步骤S1中，接收变压器的缺陷现象，并根据所述缺陷现象构建与其相关构成部件的构成部件表征矩阵；构成部件表征矩阵可以表示如下：

其中，part_n为变压器中的第n个构成部件；

在实际应用中缺陷现象中会包含有变压器的构成部件名称，以此可以构建构成部件表征矩阵，比如缺陷现象为防爆管爆裂，其中的防爆管即为构成部件，那么基于防爆管爆裂这一缺陷现象构建的构成部件表征矩阵中的构成部件就只有一个，其中的n＝1。

在步骤S2中，根据所述构成部件表征矩阵，获取与构成部件相关的所有特征状态，并构建形成构成部件与特征状态的关联矩阵；关联矩阵可以表示如下：

H＝(P-E_n)·step·m_n

其中，E_n为n阶单位矩阵，用于防止P为零矩阵时(即在缺陷现象的文字描述中无构成部件)导致H为零矩阵；step为构成部件计算步长；类型影响因子参数m_n＝1，代表电力设备类型；

本方案引入变压器特征状态的主要原因是，一些表面的缺陷现象并没有直观定位到哪个具体构成部件上，通过引入特征状态可以获取更多变压器的缺陷信息。

变压器的特征状态主要包括：油箱油位、绝缘性能、短路、过负荷、内部硬件故障、触头压力、环境温度、环境干湿度、外部硬件故障。

在步骤S3中，根据所有特征状态，提取与特征状态相关的缺陷现象，并构建形成特征状态与缺陷现象的细化关联矩阵；细化特征矩阵X定义为：

其中，X为对应于特征状态矩阵构成部件表征矩阵H的细化特征矩阵，构成部件表征矩阵H与缺陷现象的构成部件关联；x_ij为当前电力设备构成部件i的第j个细化特征，其中i的取值范围是1到n。

常见的变压器缺陷现象包括：三相电压不平衡、变压器过热、油色变化显著、油温突然升高、油面上升或下降、绝缘下降、分接开关放电、漏油、绝缘绕组老化、高压熔断器熔断、变压器着火。

在步骤S4中，提取与缺陷现象对应的所有量级特征，并采用所有缺陷现象对应的量级特征构建缺陷现象与量级特征的量级特征矩阵；量级特征矩阵表示D_F为：

D_F＝H·X·Z_k

其中，Z_k为同一缺陷现象对应的多个量级特征构成的量级矩阵；U_k为同一缺陷现象的第k个量级特征。

变电站工作人员在描述变压器故障现象时，不同的现象会用到不同的量级形容词，例如，变压器过载运行时，音调高、音量大，会发出沉重的“嗡嗡”声。这里的“高”、“大”以及“嗡嗡”声都是量级形容词；电网发生过电压时，变压器声音比平常尖，这里的声音“尖”是量级形容词；个别零件松动时，声音比正常增大且有明显地杂音。这里的声音“大”和“明显地”杂音都是量级形容词。

具体地，考虑到缺陷现象对应的量级，例如“轻微”“中等”“严重”，Z矩阵代表的是程度矩阵，例如U₁代表的是音调的程度，U₂代表的是音量的程度，U₃代表的是杂音，如下表所示：

本方案通过构建量级特征矩阵可以避免变电站工作人员在描述变压器故障现象所表述的量级形容词不同而导致后续故障原因分析不全。

在步骤S5中，采用softmax算法和初始中间变量，计算变压器中每个特征状态与故障原因之间的权重因子，并采用所有的权重因子构成权重矩阵。

权重矩阵刻画了细化特征矩阵D_F和故障原因矩阵R之间的影响强弱关系，细化特征与故障原因的权重关系可以参考图2。

在本发明的一个实施例中，权重因子的计算公式为：

其中，ω_ij为量级特征矩阵中的量级特征D_F_ji和中间层向量S_j之间的权重系数；b_ij为第j个量级特征与第i个故障原因的中间变量，其初始值为0；e为自然常数；k为j的最大取值；

采用所有的权重因子构建的权重矩阵为：

其中，W为权重矩阵；初始中间变量的更新公式为：

b_ij＝b_ij+D_F*R_j。

在量级特征层与故障原因层之间加入权重动态更新机制，找到一组权重系数ω_ij，它们能找到量级特征向量D_F_ij最关联的故障原因向量R_ij，即最关联输出的输入向量，这样就找到知识图谱中最好的路径。

在步骤S6中，根据权重矩阵和量级特征矩阵，计算故障原因向量，并将迭代次数累加一次；

在步骤S7中，当迭代次数小于迭代阈值时，采用故障原因向量和量级特征矩阵更新初始中间变量，并返回步骤S5；

所述故障原因向量的计算公式为：

其中，R_j为第j个量级特征对应的故障原因向量，R为一个n×1的矩阵；S_j为第j个量级特征对应的中间层向量；||.||为中间层向量S_j的模长；||.||²为中间层向量S_j模长的平方；D_F为量级特征矩阵。

在步骤S8中，当迭代次数大于等于迭代阈值时，采用最后一次计算的故障原因向量计算量级特征矩阵对应故障原因的概率向量。

量级特征矩阵对应的概率向量为P＝{p₁,p₂,…p_j…,p_n}，其中p_j的计算公式为：

其中，n为造成该缺陷现象可能的故障原因个数；p_j为量级特征矩阵第j个量级特征对应故障原因的概率。

由于变压器的缺陷复杂性的影响，变压器设备的缺陷现象可能对应了多种复杂原因，有时在恶劣环境条件的影响下，工作人员记录缺陷描述不准确，本方案通过不断迭代更新权重和故障原因向量可以较好的解决工作人员描述不准确所导致的故障原因分析不准确的问题。

假设接收的变压器缺陷现象为音调高、音量大，会发出沉重的“嗡嗡”声，通过本方案分析方法进行分析后，可以得到以下的缺陷原因：

综上所述，本方案提供的变压器设备缺陷分析方法通过分析得到的缺陷现象，将变压器的构成部件、特征状态、缺陷现象及量级形容词进行关联，并通过引入的权重因子能够较准确地得到变压器缺陷现象对应的故障原因和概率。

Claims (5)

1.基于知识图谱的变压器设备缺陷分析方法，其特征在于，包括：

S1、接收变压器的缺陷现象，并根据所述缺陷现象构建与其相关构成部件的构成部件表征矩阵；

S2、根据所述构成部件表征矩阵，获取与构成部件相关的所有特征状态，并构建形成构成部件与特征状态的关联矩阵；

S3、根据所有特征状态，提取与特征状态相关的缺陷现象，并构建形成特征状态与缺陷现象的细化关联矩阵；

S4、提取与缺陷现象对应的所有量级特征，并采用所有缺陷现象对应的量级特征构建缺陷现象与量级特征的量级特征矩阵；

S5、采用softmax算法和初始中间变量，计算变压器中每个特征状态与故障原因之间的权重因子，并采用所有的权重因子构成权重矩阵；

S6、根据权重矩阵和量级特征矩阵，计算故障原因向量，并将迭代次数累加一次；

S7、当迭代次数小于迭代阈值时，采用故障原因向量和量级特征矩阵更新初始中间变量，并返回步骤S5；

S8、当迭代次数大于等于迭代阈值时，采用最后一次计算的故障原因向量计算量级特征矩阵对应故障原因的概率向量。

2.根据权利要求1所述的基于知识图谱的变压器设备缺陷分析方法，其特征在于，权重因子的计算公式为：

其中，ω_ij为量级特征矩阵中的量级特征D_F_ji和中间层向量S_j之间的权重系数；b_ij为第j个量级特征与第i个故障原因的中间变量，其初始值为0；e为自然常数；k为j的最大取值；

采用所有的权重因子构建的权重矩阵为：

其中，W为权重矩阵。

3.根据权利要求1所述的基于知识图谱的变压器设备缺陷分析方法，其特征在于，所述故障原因向量的计算公式为：

其中，R_j为第j个量级特征对应的故障原因向量；S_j为第j个量级特征对应的中间层向量；||.||为中间层向量S_j的模长；||.||²为中间层向量S_j模长的平方；D_F为量级特征矩阵。

4.根据权利要求3所述的基于知识图谱的变压器设备缺陷分析方法，其特征在于，初始中间变量的更新公式为：

b_ij＝b_ij+D_F*R_j。

5.根据权利要求1-4任一所述的基于知识图谱的变压器设备缺陷分析方法，其特征在于，量级特征矩阵对应的概率向量为P＝{p₁，p₂，...p_j...，p_n}，其中p_j的计算公式为：

其中，n为造成该缺陷现象可能的故障原因个数；p_j为量级特征矩阵第j个量级特征对应故障原因的概率。

Images