CN112288278A - 一种基于知识图谱的设备资产管理方法 - Google Patents

Abstract

本申请公开了一种基于知识图谱的设备资产管理方法，包括：基于知识图谱采集设备全生命周期的原始运行数据、检修数据；通过灰色GM(1，1)模型对采集到的原始数据进行关联加权扩充；根据扩充后的数据计算瞬时运行维护费用分布函数F(t)；计算设备运行初期投入费用S_C；建立运行维护费用预测模型S_C(t)＝S_C×F(t)，得到运行维护费用预测值；根据所述运行维护费用预测值，计算设备维修总费用；基于遗传算法为企业制定所述设备维修总费用最小的最优维修决策方案，从系统整体效益出发建立了维修费用预测模型，对于设备的维修计划问题，利用遗传算法确定最佳维修时段序列。

Description

一种基于知识图谱的设备资产管理方法

技术领域

本申请涉及电网企业资产管理技术领域，尤其涉及一种基于知识图谱的设备资产管理方法。

背景技术

电网企业固定资产种类和结构非常多、分类非常繁琐，主要可以分成输电线路、变电设备、配电线路及设备、用电计量设备、生产管理用工器具、运输设备、非生产用设备及器具、房屋、建筑物等，从而使得电网资产管理非常困难。

分布非常广泛、规模大。对于电网企业的固定资产而言，不仅数量多，而且规模非常大，相关人员也涉及非常广泛。由于电网企业是民生的基础，所以造成了其建设的范围、分布的范围都非常广泛，全国各地都会建设电网，而全国各地也都会有电网公司，因此，电网的固定资产管理面积也非常广，这是它和其他企业的管理相比最大的不同。

由于电网企业70％以上都是固定资产，所以与固定资产每天打交道的部门和工作者便非常多，涉及的范围也非常广，财务部门需要对固定资产设立卡片和资金台账，对固定资产的计提折旧和处置进行详细地确认、记录和报告，而对于生产部门而言，则需要对固定资产进行计划、采购、建设使用以及检修处置等工作，这样牵扯的相关部门就会非常多，工作内容也会比较复杂，造成电网企业固定资产管理难度比较大。

设备运维检修是全生命周期管理的重要环节，目前的设备管理模型中通常只考虑了从项目前期到项目竣工移交为止的费用，即初次投入费用，并没有充分考虑电力设备投运之后的运行和维护费用，但设备的运行和维护成本占整个生命周期的约60％至70％，因此开展基于资产全生命周期管理的运维检修环节研究尤为必要。而这部分费用随着时间递增，所占的比重也将越来越大。

在企业中，运行维护费用S_c涉及到从电力设备投运到报废的整个过程，它在设备投运后长时间内仍然不断投入，该项费用分布表现为前期少，随时间的增加而增加，直至报废的特点。传统的确定瞬时运行维护费用分布类型的方法主要有：均方差最小准则法和基于模糊理论的模糊贴近度法，但两者在数据量较小时都较容易产生较大的误差。现有对受“噪音”污染系统的研究大多基于概率统计方法，但概率统计方法有很多不足之处：要求大样本、要求有典型的统计规律、计算工作量大等。而且在某些问题中，其概率意义下的结论并不直观或有用的信息量较少。

发明内容

本申请提供了一种基于知识图谱的设备资产管理方法，以解决现有技术中设备管理模型中通常只考虑初次投入费用，并没有充分考虑电力设备投运之后的运行和维护费用，且现有确定瞬时运行维护费用分布类型方法在数据量较小时较容易产生较大误差的问题。

本申请采用的技术方案如下：

一种基于知识图谱的设备资产管理方法，包括以下步骤：

基于知识图谱采集设备全生命周期的原始运行数据、检修数据；

通过灰色GM(1，1)模型对采集到的原始数据进行关联加权扩充；

根据扩充后的数据计算瞬时运行维护费用分布函数F(t)；

计算设备运行初期投入费用S_C；

建立运行维护费用预测模型S_C(t)＝S_C×F(t)，得到运行维护费用预测值；

根据所述运行维护费用预测值，计算设备维修总费用；

基于遗传算法为企业制定最优设备维修计划决策方案。

优选地，所述通过灰色GM(1，1)模型对采集到的原始数据进行关联加权扩充，包括：

通过灰色GM(1，1)模型对采集到的原始数据进行一阶累加生成，得到曲线拟合数据和预测值；

计算所述原始数据和拟合数据之间的灰色关联度；

根据所述灰色关联度设定后续拟合数据的预测值权重；

根据所述预测值权重，将所述原始数据和后续拟合数据相结合得到扩充后样本。

优选地，所述根据扩充后的数据计算瞬时运行维护费用分布函数F(t)，包括：

计算所述扩充后样本的经验分布函数F₀；

根据故障时间数据，计算所述扩充后样本的各分布类型的分布函数和相应分布概率F_j；

计算所述扩充后样本的灰色关联度，关联度最大时对应的经验分布函数即为瞬时运行维护费用的分布函数F(t)。

优选地，所述通过灰色GM(1，1)模型对采集到的原始数据进行一阶累加生成，得到曲线拟合数据和预测值，包括：

原始数据序列为

对原始数据序列进行一阶累加生成，得到一阶累加生成序列X⁽¹⁾＝{X⁽¹⁾(t₁)，X⁽¹⁾(t₂)，...，X⁽¹⁾(t_n)}；

所述一阶累加生成序列X⁽¹⁾建立白化微分方程

令X⁽¹⁾(0)＝X⁽¹⁾(1)对方程进行求解：

其中，u为内生控制灰数，a为发展灰数，得到拟合数据数列

及对应时刻的预测值

所述计算所述原始数据和拟合数据之间的灰色关联度，包括：

将原始故障时间数据X_i ⁽⁰⁾＝{X_i ⁽⁰⁾(1)，X_i ⁽⁰⁾(2)，...，X_i ⁽⁰⁾(n)}分成m(小于等于n-4)个含不同样本数的子数列：

X₁ ⁽⁰⁾＝{X₀ ⁽⁰⁾(1)，X₀ ⁽⁰⁾(2)，...，X₀ ⁽⁰⁾(n)}

X₂ ⁽⁰⁾＝{X₀ ⁽⁰⁾(2)，X₀ ⁽⁰⁾(3)，...，X₀ ⁽⁰⁾(n)}

......

X_m ⁽⁰⁾＝{X₀ ⁽⁰⁾(m)，X₀ ⁽⁰⁾(m+1)，...，X₀ ⁽⁰⁾(n)}

两个序列之间关联度的计算公式为：

求两级最大差和最小差，记：

求得关联系数：

其中k＝1，2，...，n；i＝1，2，...，m，ρ为分辨系数，ρ在(0，1)内取值，

由此计算原始数列

与其拟合数列

之间的灰色关联度

式中k为样本数列元素个数，m为数列个数，

优选地，所述根据所述灰色关联度设定后续拟合数据的预测值权重，包括：

设第i个预测值数列

的权重为ω_i，为保证ω_i与灰色关联度具有线性相关性，将ω_i定义为

式中

为原始数据序列

与其拟合数据序列

之间的灰色关联度，

为m个含不同样本数的原始数据子数列与各自拟合数列之间的灰色关联度之和。

优选地，所述根据所述预测值权重，将所述原始数据和后续拟合数据相结合得到扩充后样本，包括：

原始故障时间数列的预测值

其中

ω为预测值权重；

将原始数据序列

与后续拟合数据的预测值数列

相结合，构成扩充后样本数列X：

X＝{x(1)，x(2)，...，x(n)，...，x(n+q)}，其中数列X前半部分是原始数列

后半部分是预测值数列

优选地，所述计算所述扩充后样本的经验分布函数F₀，包括：

计算所述扩充后样本的经验分布函数F₀：

n₀表示故障次数；k表示第k次故障。

优选地，所述计算所述扩充后样本的灰色关联度，关联度最大时对应的经验分布函数即为瞬时运行维护费用的分布函数F(t)，包括：

计算所述扩充后样本的灰色关联度：

依灰色关联度γ_j值大小排列关联序列，分析序列间影响程度的大小；

关联度最大时对应的经验分布函数即为瞬时运行维护费用的分布函数F(t)。

优选地，所述计算设备运行初期投入费用S_C，包括：

设备运行初期投入费用S_C包括运行成本CO，维护成本CM，停电损失成本CF和废弃成本CD，即S_C＝CO+CM+CF+CD；

所述运行成本CO＝λ₁C₁+λ₂C₂+…+λ_nC_n，其中，C₁，C₂，...，C_n是已投运设备各部分的历史费用，λ₁，λ₂，...，λ_n是新投运设备和已投运设备各费用的比例系数；

所述维护成本CM是将电力设备修理、维护、检测、更改费用以及相应的材料费用和人工成本累加求和；

所述停电损失成本：CF＝aWT+λ·RC·MTTR，λ为设备年平均故障数，T为设备年故障中断供电时间，W为设备故障中断供电功率，RC为设备故障平均修复成本，MTTR为设备平均修复时间，a为相关用户平均中断供电电量的价值；

所述废弃成本CD为废弃设备的总购买费用。

优选地，所述根据所述运行维护费用预测值，计算设备维修总费用，包括：

设备维修总费用最小时的公式为：

Min F＝M+L+R

式中，F为总费用，M是运行维护费用预测值，L是削减损失费用，R是维修风险费用；

所述基于遗传算法对企业设备制定所述设备维修总费用最小的最优维修决策方案，包括：

当待维修设备数为N，维修周期的时段数为N_T时，将维修计划编码为一个N×N_T的矩阵，其中矩阵元素X_kt＝1表示设备k在t时段维修，矩阵元素X_kt＝0表示设备k在t时段不维修；

基于遗传算法采用指数函数建立适应度函数；

对保留N×(1-G)个父代个体的群体进行选择时，其中N为群体规模，G为代沟，生产个体的适应度必须比两个父体都大，才能进入下一代；

对所述矩阵进行交叉操作，直至满足编码要求，得到完整的维修决策矩阵；

对所述矩阵进行变异操作；

输出所述设备维修总费用最小时的最优维修决策矩阵，即得到最优维修决策方案。

采用本申请的技术方案的有益效果如下：

1.本申请针对电网企业设备的实际情况，利用灰色理论，使用改进的GM(1，1)模型对维护费用数据进行预测扩充的基础上，提出基于灰色关联分析方法的瞬时运行维护费用分布类型的最佳拟合，得到预测结果。针对预测结果，基于遗传算法制定策略，以兼容价值和技术维度的最优运维策略延长资产技术改造寿命，实现了最大化降低企业成本和提高经营效益。

2.本申请从系统整体效益出发提出了电网企业资产管理中所需的设备维修决策模型，所建立的维修决策模型考虑了由于维修停运引起的削减损失和期望损失增量，在削减损失中计及了主动削减负荷量和网损增量的变化，很好地反应了由于系统中某个或某几个设备维修对于整个系统可靠性和经济性的影响。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请一种基于知识图谱的设备资产管理方法的流程图；

图2为本申请一种基于知识图谱的设备资产管理方法中的遗传算法流程图。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。

参见图1，为一种基于知识图谱的设备资产管理方法的流程图。

本申请提供的一种基于知识图谱的设备资产管理方法，包括以下步骤：

基于知识图谱采集设备全生命周期的原始运行数据、检修数据；

通过灰色GM(1，1)模型对采集到的原始数据进行关联加权扩充；

根据扩充后的数据计算瞬时运行维护费用分布函数F(t)；

计算设备运行初期投入费用S_C；

建立运行维护费用预测模型S_C(t)＝S_C×F(t)，得到运行维护费用预测值；

根据所述运行维护费用预测值，计算设备维修总费用；

基于遗传算法为企业制定最优设备维修计划决策方案，对于设备的维修计划问题，利用遗传算法确定最佳维修时段序列可有效控制设备维修成本。

灰色GM(1，1)系统理论把一切随机量都看成灰色数，即在指定范围内变化的所有白色数。对灰色数的处理不是找概率分布或求统计规律，而是利用数据处理的办法去寻找数据间的规律。通过对数列中的数据进行处理产生新的数列，以此来挖掘数据中的隐信息及寻找数据间规律性。

所述通过灰色GM(1，1)模型对采集到的原始数据进行关联加权扩充，包括：

通过灰色GM(1，1)模型对采集到的原始数据进行一阶累加生成，得到曲线拟合数据和预测值；

计算所述原始数据和拟合数据之间的灰色关联度；

根据所述灰色关联度设定后续拟合数据的预测值权重；

根据所述预测值权重，将所述原始数据和后续拟合数据相结合得到扩充后样本。

所述根据扩充后的数据计算瞬时运行维护费用分布函数F(t)，包括：

计算所述扩充后样本的经验分布函数F₀；

根据故障时间数据，计算所述扩充后样本的各分布类型的分布函数和相应分布概率F_j；

计算所述扩充后样本的灰色关联度，关联度最大时对应的经验分布函数即为瞬时运行维护费用的分布函数F(t)。

所述通过灰色GM(1，1)模型对采集到的原始数据进行一阶累加生成，得到曲线拟合数据和预测值，包括：

原始数据序列为

对原始数据序列进行一阶累加生成，得到一阶累加生成序列X⁽¹⁾＝{X⁽¹⁾(t₁)，X⁽¹⁾(t₂)，...，X⁽¹⁾(t_n)}；

所述一阶累加生成序列X⁽¹⁾建立白化微分方程

令X⁽¹⁾(0)＝X⁽¹⁾(1)对方程进行求解：

其中，u为内生控制灰数，a为发展灰数，得到拟合数据数列

及对应时刻的预测值

所述计算所述原始数据和拟合数据之间的灰色关联度，包括：

将原始故障时间数据X_i ⁽⁰⁾＝{X_i ⁽⁰⁾(1)，X_i ⁽⁰⁾(2)，...，X_i ⁽⁰⁾(n)}分成m(小于等于n-4)个含不同样本数的子数列：

X₁ ⁽⁰⁾＝{X₀ ⁽⁰⁾(1)，X₀ ⁽⁰⁾(2)，...，X₀ ⁽⁰⁾(n)}

X₂ ⁽⁰⁾＝{X₀ ⁽⁰⁾(2)，X₀ ⁽⁰⁾(3)，...，X₀ ⁽⁰⁾(n)}

......

X_m ⁽⁰⁾＝{X₀ ⁽⁰⁾(m)，X₀ ⁽⁰⁾(m+1)，...，X₀ ⁽⁰⁾(n)}

两个序列之间关联度的计算公式为：

求两级最大差和最小差，记：

求得关联系数：

其中k＝1，2，...，n；i＝1，2，...，m，ρ为分辨系数，ρ在(0，1)内取值，ρ越小则关联系数间的差异越大，区分能力越强，ρ通常取值为0.5，

由此计算原始数列

与其拟合数列

之间的灰色关联度

式中k为样本数列元素个数，m为数列个数，

所述根据所述灰色关联度设定后续拟合数据的预测值权重，包括：

设第i个预测值数列

的权重为ω_i，为保证ω_i与灰色关联度具有线性相关性，将ω_i定义为

式中

为原始数据序列

与其拟合数据序列

之间的灰色关联度，

为m个含不同样本数的原始数据子数列与各自拟合数列之间的灰色关联度之和。

所述根据所述预测值权重，将所述原始数据和后续拟合数据相结合得到扩充后样本，包括：

原始故障时间数列的预测值

其中

ω为预测值权重；

将原始数据序列

与后续拟合数据的预测值数列

相结合，构成扩充后样本数列X：

X＝{x(1)，x(2)，...，x(n)，...，x(n+q)}，其中数列X前半部分是原始数列

后半部分是预测值数列

所述根据故障时间数据，计算所述扩充后样本的各分布类型的分布函数和相应分布概率F_j，包括：

根据故障时间数据，求出各假设分布的参数及其各点的分布函数，因为时变运行维护费用一般符合威布尔分布、正态分布、对数正态分布、指数分布这四种分布，本实施例中假定数据样本满足指数分布：

指数分布函数参数的极大似然估计值为：

所述计算所述扩充后样本的经验分布函数F₀，包括：

计算所述扩充后样本的经验分布函数F₀：

n₀表示故障次数；k表示第k次故障。

所述计算所述扩充后样本的灰色关联度，关联度最大时对应的经验分布函数即为瞬时运行维护费用的分布函数F(t)，包括：

计算所述扩充后样本的灰色关联度：

γ_j(k)为关联系数；

依灰色关联度γ_j值大小排列关联序列，分析序列间影响程度的大小；

关联度最大时对应的经验分布函数即为瞬时运行维护费用的分布函数F(t)。

所述计算设备运行初期投入费用S_C，包括：

设备运行初期投入费用S_C包括运行成本CO，维护成本CM，停电损失成本CF和废弃成本CD，即S_C＝CO+CM+CF+CD；

所述运行成本CO＝λ₁C₁+λ₂C₂+…+λ_nC_n，其中，C₁，C₂，...，C_n是已投运设备各部分的历史费用，λ₁，λ₂，...，λ_n是新投运设备和已投运设备各费用的比例系数；

所述维护成本CM是将电力设备修理、维护、检测、更改费用以及相应的材料费用和人工成本累加求和；

所述停电损失成本：CF＝aWT+λ·RC·MTTR，λ为设备年平均故障数，T为设备年故障中断供电时间，W为设备故障中断供电功率，RC为设备故障平均修复成本，MTTR为设备平均修复时间，a为相关用户平均中断供电电量的价值；

所述废弃成本CD为废弃设备的总购买费用。

所述根据所述运行维护费用预测值，计算设备维修总费用，包括：

设备维修总费用最小时的公式为：

Min F＝M+L+R

式中，F为总费用，M是运行维护费用预测值，L是削减损失费用，R是维修风险费用；削减损失费用是指由于维修停运引起的主动负荷削减损失；维修风险费用是指由于某一或某几个设备的维修停运而使系统不再满足单一故障安全准则时，可能引起的其他设备过载、电压越限等系统问题而被迫主动削减负荷的损失；

如图2所示，所述基于遗传算法对企业设备制定所述设备维修总费用最小的最优维修决策方案，包括：

当待维修设备数为N，维修周期的时段数为N_T时，将维修计划编码为一个N×N_T的矩阵，其中矩阵元素X_kt＝1表示设备k在t时段维修，矩阵元素X_kt＝0表示设备k在t时段不维修；

基于遗传算法采用指数函数建立适应度函数，与线性适应度函数相比较，可以拉开较优个体与较差个体的差距，加快算法的收敛速度；

对保留N×(1-G)个父代个体的群体进行选择时，其中N为群体规模，G为代沟，生产个体的适应度必须比两个父体都大，才能进入下一代；

对所述矩阵进行交叉操作，直至满足编码要求，得到完整的维修决策矩阵；即采用“与”操作与“或”操作结合的方式对两个父体矩阵分别进行与或运算，得到与矩阵和或矩阵；从或矩阵中选取值为1的元素，按照编码要求对与矩阵进行填充；在或矩阵中已经没有可选择的满足编码要求的元素后，如果与矩阵仍未满足编码要求，随机对其0元素进行赋1，直至满足编码要求，此时的编码矩阵描述了一个完整的维修决策安排；

对所述矩阵进行变异操作，在个别基因码小概率控制的情况下，随机产生一组适应度值大于阈值的个体，加入群体，阈值的大小与当代的群体适应度的均值和适应度的最大值有关，防止出现误差；

输出所述设备维修总费用最小时的最优维修决策矩阵，即得到最优维修时段的决策方案。

本申请中利用知识图谱使用改进的GM(1，1)模型对维护费用数据进行预测扩充的基础上，提出基于灰色关联分析方法的瞬时运行维护费用分布类型的最佳拟合，得到设备维修费用预测结果。再针对设备维修费用预测结果，基于遗传算法制定维修时段策略，以兼容价值和技术维度的最优运维策略延长资产技术改造寿命，从而达到最大化降低企业成本和提高经营效益的目的。针对企业资产运维检修阶段，建立运维检修资源预测方法。改变传统完全依靠人工经验制定维修决策的方法，着眼维修停运期间系统整体运行风险的变化以及运行方式改变所带来的影响，建立企业设备维修决策模型来完善电网企业资产管理所需的维修决策模型及其求解方法。

本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (10)

1.一种基于知识图谱的设备资产管理方法，其特征在于，包括以下步骤：

基于知识图谱采集设备全生命周期的原始运行数据、检修数据；

通过灰色GM(1，1)模型对采集到的原始数据进行关联加权扩充；

根据扩充后的数据计算瞬时运行维护费用分布函数F(t)；

计算设备运行初期投入费用S_C；

建立运行维护费用预测模型S_C(t)＝S_C×F(t)，得到运行维护费用预测值；

根据所述运行维护费用预测值，计算设备维修总费用；

基于遗传算法为企业制定最优设备维修计划决策方案。

2.根据权利要求1所述的一种基于知识图谱的设备资产管理方法，其特征在于，所述通过灰色GM(1，1)模型对采集到的原始数据进行关联加权扩充，包括：

通过灰色GM(1，1)模型对采集到的原始数据进行一阶累加生成，得到曲线拟合数据和预测值；

计算所述原始数据和拟合数据之间的灰色关联度；

根据所述灰色关联度设定后续拟合数据的预测值权重；

根据所述预测值权重，将所述原始数据和后续拟合数据相结合得到扩充后样本。

3.根据权利要求2所述的一种基于知识图谱的设备资产管理方法，其特征在于，所述根据扩充后的数据计算瞬时运行维护费用分布函数F(t)，包括：

计算所述扩充后样本的经验分布函数F₀；

根据故障时间数据，计算所述扩充后样本的各分布类型的分布函数和相应分布概率F_j；

计算所述扩充后样本的灰色关联度，关联度最大时对应的经验分布函数即为瞬时运行维护费用的分布函数F(t)。

4.根据权利要求2所述的一种基于知识图谱的设备资产管理方法，其特征在于，所述通过灰色GM(1，1)模型对采集到的原始数据进行一阶累加生成，得到曲线拟合数据和预测值，包括：

原始数据序列为

对原始数据序列进行一阶累加生成，得到一阶累加生成序列X⁽¹⁾＝{X⁽¹⁾(t₁)，X⁽¹⁾(t₂)，...，X⁽¹⁾(t_n)}；

所述一阶累加生成序列X⁽¹⁾建立白化微分方程

令X⁽¹⁾(0)＝X⁽¹⁾(1)对方程进行求解：

其中，u为内生控制灰数，a为发展灰数，得到拟合数据数列

及对应时刻的预测值

所述计算所述原始数据和拟合数据之间的灰色关联度，包括：

将原始故障时间数据X_i ⁽⁰⁾＝{X_i ⁽⁰⁾(1)，X_i ⁽⁰⁾(2)，...，X_i ⁽⁰⁾(n)}分成m(小于等于n-4)个含不同样本数的子数列：

X₁ ⁽⁰⁾＝{X₀ ⁽⁰⁾(1)，X₀ ⁽⁰⁾(2)，...，X₀ ⁽⁰⁾(n)}

X₂ ⁽⁰⁾＝{X₀ ⁽⁰⁾(2)，X₀ ⁽⁰⁾(3)，...，X₀ ⁽⁰⁾(n)}

X_m ⁽⁰⁾＝{X₀ ⁽⁰⁾(m)，X₀ ⁽⁰⁾(m+1)，...，X₀ ⁽⁰⁾(n)}

两个序列之间关联度的计算公式为：

Δ_i＝(Δ_i(1)，Δ_i(2)，...，Δ_i(n))，i＝1，2，...，m，

求两级最大差和最小差，记：

求得关联系数：

其中k＝1，2，...，n；i＝1，2，...，m，ρ为分辨系数，ρ在(0，1)内取值，

由此计算原始数列

与其拟合数列

之间的灰色关联度

式中k为样本数列元素个数，m为数列个数，

5.根据权利要求4所述的一种基于知识图谱的设备资产管理方法，其特征在于，所述根据所述灰色关联度设定后续拟合数据的预测值权重，包括：

设第i个预测值数列

的权重为ω_i，为保证ω_i与灰色关联度具有线性相关性，将ω_i定义为

式中

为原始数据序列

与其拟合数据序列

之间的灰色关联度，

为m个含不同样本数的原始数据子数列与各自拟合数列之间的灰色关联度之和。

6.根据权利要求5所述的一种基于知识图谱的设备资产管理方法，其特征在于，所述根据所述预测值权重，将所述原始数据和后续拟合数据相结合得到扩充后样本，包括：

原始故障时间数列的预测值

其中

ω为预测值权重；

将原始数据序列

与后续拟合数据的预测值数列

相结合，构成扩充后样本数列X：

X＝{x(1)，x(2)，...，x(n)，...，x(n+q)}，其中数列X前半部分是原始数列

后半部分是预测值数列

7.根据权利要求6所述的一种基于知识图谱的设备资产管理方法，其特征在于，所述计算所述扩充后样本的经验分布函数F₀，包括：

计算所述扩充后样本的经验分布函数F₀：

n₀表示故障次数；k表示第k次故障。

8.根据权利要求7所述的一种基于知识图谱的设备资产管理方法，其特征在于，所述计算所述扩充后样本的灰色关联度，关联度最大时对应的经验分布函数即为瞬时运行维护费用的分布函数F(t)，包括：

计算所述扩充后样本的灰色关联度：

依灰色关联度γ_j值大小排列关联序列，分析序列间影响程度的大小；

关联度最大时对应的经验分布函数即为瞬时运行维护费用的分布函数F(t)。

9.根据权利要求1或8所述的一种基于知识图谱的设备资产管理方法，其特征在于，所述计算设备运行初期投入费用S_C，包括：

设备运行初期投入费用S_C包括运行成本CO，维护成本CM，停电损失成本CF和废弃成本CD，即S_C＝CO+CM+CF+CD；

所述运行成本CO＝λ₁C₁+λ₂C₂+…+λ_nC_n，其中，C₁，C₂，...，C_n是已投运设备各部分的历史费用，λ₁，λ₂，...，λ_n是新投运设备和已投运设备各费用的比例系数；

所述维护成本CM是将电力设备修理、维护、检测、更改费用以及相应的材料费用和人工成本累加求和；

所述停电损失成本：CF＝aWT+λ·RC·MTTR，λ为设备年平均故障数，T为设备年故障中断供电时间，W为设备故障中断供电功率，RC为设备故障平均修复成本，MTTR为设备平均修复时间，a为相关用户平均中断供电电量的价值；

所述废弃成本CD为废弃设备的总购买费用。

10.根据权利要求9所述的一种基于知识图谱的设备资产管理方法，其特征在于，所述根据所述运行维护费用预测值，计算设备维修总费用，包括：

设备维修总费用最小时的公式为：

Min F＝M+L+R

式中，F为总费用，M是运行维护费用预测值，L是削减损失费用，R是维修风险费用；

所述基于遗传算法对企业设备制定所述设备维修总费用最小的最优维修决策方案，包括：

当待维修设备数为N，维修周期的时段数为N_T时，将维修计划编码为一个N×N_T的矩阵，其中矩阵元素X_kt＝1表示设备k在t时段维修，矩阵元素X_kt＝0表示设备k在t时段不维修；

基于遗传算法采用指数函数建立适应度函数；

对保留N×(1-G)个父代个体的群体进行选择时，其中N为群体规模，G为代沟，生产个体的适应度必须比两个父体都大，才能进入下一代；

对所述矩阵进行交叉操作，直至满足编码要求，得到完整的维修决策矩阵；

对所述矩阵进行变异操作；

输出所述设备维修总费用最小时的最优维修决策矩阵，即得到最优维修决策方案。

Images