CN112800212A - 基于知识图谱与fahp的配电站健康评估方法 - Google Patents

Abstract

本公开提供了一种基于知识图谱与FAHP的配电站健康评估方法，基于配电站知识图谱，设定设备及指标的状态特征，得到在不同情况下设备及指标的主观权重；提出构建一种线性与指数相结合的劣化度函数，描述指标的偏移程度，并求出指标的动态变化客观权重；采用组合赋权法得到同时包含主观影响与客观影响的组合权重，引入故障率对组合权重优化后得到基于知识图谱的改进组合权重；根据构建的隶属度矩阵，结合改进组合权重，进行模糊综合评价得到每层的评价矩阵，根据最大隶属度原则得到评估分数，根据评估分数确定配电站的健康状态；本公开利用知识图谱构建了配电站设备指标体系，获得了包含主客观影响因素的组合权重，并引入故障率对组合权重进行修正，得到了基于知识图谱的改进组合权重，提高了评估结果的准确性。

Description

基于知识图谱与FAHP的配电站健康评估方法

技术领域

本公开涉及配电站健康评估技术领域，特别涉及一种基于知识图谱与FAHP的配电站健康评估方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

配电站是配电网中与用电设备相连的关键节点，位于电网的末端，其健康状态对于配电网的安全运行、居民生产生活等都有着巨大的影响；随着电力系统用电需求的不断增加以及电力市场的发展，用户对电能质量、供电可靠性要求逐渐增加，而配电站的健康安全运行对于供电可靠性起着重要的作用；同时，对配电站的健康状态进行预测评估，能够有效避免因故障发现不及时造成的重大损失，节约生产成本；因此对配电站的健康状态进行评估是非常有必要的。

模糊层次分析法(Fuzzy Analytic Fierarchy Process，FAHP)是一种将层次分析法与模糊综合法相结合的评价方法。首先，利用层次分析法将复杂的问题进行划分，针对与配电站健康状态相关的影响因素，建立配电站健康评估体系；其次，将配电站划分为设备层与指标层，设定状态判定集，根据专家法求出各指标权重；最后，再对各指标建立模糊隶属度函数，得出隶属度向量，并对各设备状态进行评估，得出配电站的健康状态。

发明人发现，配电站作为一个由众多设备构成的整体，其中测量数据众多，面对海量的指标，如何将关键指标选出并准确分析这些信息之间的关系是一个复杂的问题；同时层次分析法在求指标权重时会存在主观性影响因素较强的问题，所得结果可能与实际值存在误差。

发明内容

为了解决现有技术的不足，本公开提供了一种基于知识图谱与FAHP的配电站健康评估方法。利用知识图谱构建配电站设备指标体系，在预设实体间关系的基础上，首先，根据配电站具体运行状态进行逻辑判断，通过知识图谱匹配对应主观权重；其次，结合动态劣化度函数求取客观权重，应用组合赋权法，获得包含主客观影响因素的组合权重；最后在此基础上引入故障率对组合权重进行修正，得到了基于知识图谱的改进组合权重，提高了评估结果的准确性。

为了实现上述目的，本公开采用如下技术方案：

一种基于知识图谱与FAHP的配电站健康评估方法，包括以下步骤：

获取配电站运行的相关指标及数据，构建配电站知识图谱；

基于配电站知识图谱，设定设备及指标的状态特征，得到在不同情况下设备及指标的主观权重；

根据指标的偏移程度大小，利用线性与指数相结合的方式对设备指标当前运行状态进行更精准的动态描述，并得到相对应的客观权重；

采用组合赋权法得到同时包含主观影响与客观影响的组合权重，对组合权重优化后得到基于知识图谱的改进组合权重；

根据构建的隶属度矩阵，结合改进组合权重，进行模糊综合评价得到每层的评价矩阵，根据最大隶属度原则得到评估分数，完成对配电站当前运行状态的健康评估。

作为可能的一些实现方式，配电站知识图谱的构建，包括：

采用Python与Neo4j图数据库连接的方式，结合知识图谱理论与技术，进行数据导入；

在模式层定义实体标签，分别创建配电站主体、设备、指标、指标值四类节点，通过知识抽取从配电站数据库中抽取各类标签信息，完成配电站预置知识图谱的构建，对于预置知识图谱中的关系1进行设定，得出不同情况下的主观权重，包括：

根据配电站的具体情况，由气候和设备使用年限对设备的影响，设定关系判断条件，并利用层次分析法根据1-9标度法得到各种情况下对应设备及指标的主观权重，存入知识图谱中。

作为可能的一些实现方式，构建更准确表述指标偏移程度的线性与指数相结合的劣化度函数，通过当前指标数据与初始值或阈值的偏离程度，得到能够体现当前劣化程度的客观权重，每次健康评估时，根据当前数据对客观权重进行实时更新，并将此权重作为设备与指标两实体之间的关系，存入知识图谱中；

对当前设备的状态特征进行逻辑判断，根据知识图谱中关系查询对应的主观权重；利用组合赋权法，获得结合主客观影响因素的设备组合权重和指标组合权重。

作为进一步的限定，根据历史记录，由截止到当前时间各设备状态为劣化、故障时其指标超出允许范围的次数，计算各指标故障率，并定义修正权重。

作为更进一步的限定，基于配电站数据库中相关历史信息，利用修正权重，对设备组合权重和指标组合权重进行优化，得到基于知识图谱的改进设备组合权重和基于知识图谱的改进指标组合权重。

作为更进一步的限定，针对相关指标，对健康状态进行等级划分，分别为健康、良好、一般、劣化和故障五个等级；

对于各指标建立模糊隶属度函数，将指标检测值带入函数得到符合度矩阵，结合改进指标组合权重进行数乘运算，得到设备层的评估矩阵；

将设备层的评估矩阵与改进设备组合权重结合，得到配电站的模糊综合评价矩阵，再根据最大隶属度原则，通过运算得出评估分数，确定配电站的健康状态。

作为更进一步的限定，将当前配电站健康状态所得分数创立<配电站、状态、分数值>三元组，并在知识图谱中显示，每刷新一次，完成一次数据层的更新。

与现有技术相比，本公开的有益效果是：

1、本公开所述的方法，利用知识图谱构建配电站设备指标体系，在预设实体间关系的基础上，根据配电站具体运行状态进行逻辑判断，并通过知识图谱匹配对应主观权重，结合劣化度应用组合赋权法，获得包含主客观影响因素的组合权重，并在此基础上引入故障率对组合权重进行修正，得到了基于知识图谱的改进组合权重，提高了评估结果的准确性。

2、本公开所述的方法，解决了传统的配电站数据库仅通过表格和字段来展示数据难以准确描述信息间的关系的问题，通过知识图谱的构建，将各实体通过知识相互连接，用图像关系的展示更为精确直观的表达配电站及其指标之间的关系，并将配电站的健康状态以一种可视化的方式进行展示，方便工作人员了解当前的健康状态，及时采取应对措施，提高了工作效率。

3、本公开所述的方法，通过配电站知识图谱，可以实现智能化的搜索与问答，借助知识图谱对工作人员查询的关键字进行解析和推理，从而返回高质量的搜索结果。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例提供的基于知识图谱与FAHP的配电站健康评估方法的流程示意图。

图2为本公开实施例提供的配电站知识图谱示意图。

图3为本公开实施例提供的设备权值图谱示意图。

图4为本公开实施例提供的劣化度函数示意图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例：

本公开实施例提供了一种基于知识图谱与FAHP的配电站健康评估方法，借助知识图谱，对海量的调度运行过程以及管理的数据进行存储、智能的分析和深度挖掘，建立了数据之间的相互关联，简化了人工筛选指标数据的流程；

提出了基于知识图谱的改进组合赋权法，在构建配电站知识图谱时应用1-9标度法，根据指标设备的状态特征预先设定在不同情况下的权重，通过对实体间关系状态的逻辑判断主动获取并返回设备以及指标的主观权重；

针对权重无法反映参数当前变化状态的问题，利用组合赋权法，将主观权重与体现指标当前劣化度的动态客观权重相结合，并引入设备指标的故障率进行修正，得到基于知识图谱的改进组合权重，在此基础上应用三角隶属度函数，解决了灰类边界划分不清的问题，提高了评估的准确性；

最后提供了一种可视化的方式，将配电站安全情况转化为逻辑清晰的配电站体系图谱，并实现智能问答，使调度人员能够通过查询快速的获取所需要的知识和信息，并准确分析信息之间的关系。

详细的，包括以下步骤：

如图1、图2和图3所示：

步骤01：开始：

步骤02：定义实体标签，并建立知识图谱健康评估体系。

在知识图谱模式层定义实体标签，根据配电站的整体架构将其分为配电站主体、设备、设备指标、指标值四类，在Py2neo库中创建四类标签，从配电站数据库中进行相关信息的抽取，将此评估体系分为配电站主体目标层、一级指标设备层、底层设备指标层、以及各设备指标值四层。

步骤03：构建预置知识图谱，并确定配电站健康状态评语集及隶属度函数。

首先，从配电站数据库中抽取相应信息，完成对一级设备层及底层设备指标层的建立；

然后，对配电站主体与设备层的关系，以及设备层与指标层的关系进行初始化设置，建立<配电站，设备主观权值，设备层>，<设备层，关系1，图谱权重>，<设备，指标主观权值，指标>，<指标层，关系1，图谱权重>三元组，完成预置配电站知识图谱；

最后，通过规则设置及语义识别等技术建立智能问答模式(可以是智能问答机器人)，供调度人员进行搜索查询。

其中，根据配电站实际运行情况，计及气候对设备的影响、设备使用年限等因素，设定关系1判断。首先对上述因素，进行区间的划分或分类。将气候设定为夏季、冬季、春秋，确定设备使用年限过渡值，将上述因素进行排列组合；然后根据配电站长期运行情况以及相关专家经验，针对每一种组合情况，分别将设备层以及各指标层内因素进行两量比较，利用1-9标度法得出判断矩阵，通过判断矩阵得到设备及指标的主观权重，在进行一致性检验后存入图谱。

在完成配电站预置知识图谱后，根据经验划分配电站健康状态等级和分数区间(如表1所示)，并确定对应的隶属度函数。

表1：健康状态等级表和分数值

设X_i是某个指标的检测值，其对状态k的隶属度函数为：

步骤04：根据关系判断获取当前设备及指标的主观权重。

首先，获取当前气候、各设备使用年限，根据设定好的标准值进行逻辑判断；

其次，将此判断与知识图谱中设备关联关系进行匹配，得到相对应的权值。

例如：对于设备E₁，若其气候为夏季，使用年限大于设定年限，匹配关系后指向对应权重S₁₁并将此值返回；若其气候为冬季，使用年限小于设定年限，判断后由关系匹配指向对应权重S₁₂并返回，将各设备遍历，得到设备的权重向量S，并对<配电站，主观图谱权重，设备>中图谱权重进行更新。同理可得各指标主观权重。

步骤05：利用劣化度函数求得指标客观权重。

首先从知识图谱中得到某设备的其中一个指标值，由所测数据与其阈值、最佳标准值的偏离程度，根据偏离程度越大造成的影响可能更高这一特点，构造一种由线性与指数相结合的劣化度函数。当偏离程度较小时选择线性函数表示，当偏离程度超过一定范围时选择变化幅度更大的指数函数表示，如图4所示；

然后，依次遍历各设备指标，记录当前时间，建立<指标，时间，指标值>三元组，最后用如下公式来求得劣化度O'，并通过归一化处理得到客观权值O。

其中x是某指标的测量值；x₀是指标的初始值；x_min是指标的最小边界值；x_max是指标的最大边界值；a₁，b₁为线性系数；a₂是指数函数底数值。

此时o'仅表示一个劣化程度，因此需要对其进行处理，使得∑O＝1，因此有：

其中，o_i即为指标i的动态客观权值。

得到客观权重向量O后，在知识图谱中新增<设备，客观权重值，指标>三元组关系，每次进行健康状态评估时，对此客观权重进行更新，方便调度人员在查询时能够通过知识图谱了解当前指标的偏离初始值的程度。

步骤06：由故障率求出修正权重R。

基于历史数据，获取当设备状态为劣化、故障时其对应指标超出允许范围的次数，计算各指标与设备相关程度，定义故障率d_i＝f_i/f_∑，通过归一化处理得到描述指标历史状态的修正权重R。

步骤07：根据下式将求得的主观权重与客观权重进行组合，计算包含主、客观影响因素的组合权向量A。

A＝(a₁,a₂,…,a_m)

其中，s_i为指标i的主观权重；o_i为指标i的客观动态权重；a_i为指标i的组合权重。

步骤08：根据求得的修正权重R，利用下式对组合权重进行处理，得到指标最终的改进组合权重向量W₁：

ω_i＝λ₁a_i+(1-λ₁)r_i

W₁＝(ω₁,ω₂,…,ω_m)

其中，取λ₁＝0.8，a_i为指标的组合权重；r_i为指标的修正权重。

步骤09：将各指标数据进行归一化处理，应用灰色聚类法，将归一化后的指标带入隶属度函数，得出各指标的符合度向量f，建立相应的指标层符合度矩阵F。

步骤10：将符合度矩阵F与指标权重W₁进行加权运算，得到设备层的评估矩阵P：

P＝W₁×F

步骤11：按上述步骤03-08得到设备的改进组合权重W₂，根据设备层评估矩阵F与各设备权重W₂，采用加权模糊综合评判模式求得配电站的模糊综合评价矩阵Q：

可得出配电站处于各状态的隶属度分别是q₁,q₂,q₃,q₄,q₅。总分为100分，各状态从健康到故障以上限分数为标准分数依次为C₁,C₂,C₃,C₄,C₅.其中C₁＝20,C₅＝100。

最终配电站的评估分数H为：

步骤12：创建<设备、隶属度、状态>以及<设备、分数值、分数>三元组，并在知识图谱中显示，在进行新一次健康评估时，将隶属度与分数用最新数据替换，完成对数据层的更新。

步骤13：输出当前配电站分数H，并依照评价集确定配电站的健康状态。

步骤14：如果进行下一次健康评估，则返回至步骤04，如果不进行健康评估，则结束。

可以理解的，上述所有步骤可以在Py2neo库中完成，在Neo4j浏览器进行展示，也可以采用其他方式进行代码化运行，本领域技术人员可以根据具体工况进行选择，这里不再赘述。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (7)

1.一种基于知识图谱与FAHP的配电站健康评估方法，其特征在于：包括以下步骤：

获取配电站运行数据，建立配电站知识图谱；

基于配电站知识图谱，设定设备及指标的状态特征，根据逻辑判断得到在不同情况下设备及指标的主观权重；

由指标的偏移程度构建劣化度函数，得到指标的动态客观权重；

采用组合赋权法得到同时包含主观影响与客观影响的组合权重，引入故障率，对组合权重优化后得到基于知识图谱的改进组合权重；

根据构建的隶属度矩阵，结合改进组合权重，进行模糊综合评价得到每层的评价矩阵，根据最大隶属度原则得到评估分数，根据评估分数确定配电站的健康状态。

2.如权利要求1所述的基于知识图谱与FAHP的配电站健康评估方法，其特征在于：

配电站知识图谱的构建，包括：

采用Python与Neo4j图数据库连接的方式，结合知识图谱理论与技术，进行数据导入；

在模式层定义实体标签，分别创建配电站主体、设备、指标、指标值四类节点，通过知识抽取从配电站数据库中抽取各类标签信息，完成配电站预置知识图谱的构建，对于预置知识图谱中的关系1进行设定，得出不同情况下的主观权重，包括：

根据配电站的具体情况，由气候和设备使用年限对设备的影响，设定关系判断条件，并利用层次分析法根据1-9标度法得到各种情况下对应设备及指标的主观权重，存入知识图谱中。

3.根据权利要求1所述配电站健康状态评估方法，其特征在于，构建结合线性与指数表现形式的劣化度函数，包括：

当偏离程度较小时选择线性函数表示，当偏离程度超过一定范围时选择变化幅度更大的指数函数表示，更加准确的描述指标偏移程度，后经过归一化处理得到设备及指标的动态客观权重。

4.如权利要求1所述的基于知识图谱与FAHP的配电站健康评估方法，其特征在于：

采用组合赋权法得到同时包含主观影响与客观影响的组合权重，包括：

对当前设备的状态特征进行逻辑判断，根据知识图谱中关系查询对应的主观权重；

通过当前指标数据与初始值或阈值的偏离程度，得到能够体现当前劣化程度的客观权重，每次健康评估时，根据当前数据对客观权重进行实时更新，并将此权重作为设备与指标两实体之间的关系，存入知识图谱中；

利用组合赋权法，获得结合主客观影响因素的设备组合权重和指标组合权重。

5.如权利要求4所述的基于知识图谱与FAHP的配电站健康评估方法，其特征在于：

基于配电站数据库中相关历史信息，引入故障率得到修正权重，对设备组合权重和指标组合权重进行优化，得到基于知识图谱的改进设备组合权重和基于知识图谱的改进指标组合权重。

6.如权利要求5所述的基于知识图谱与FAHP的配电站健康评估方法，其特征在于：

针对相关指标，对健康状态进行等级划分，分别为健康、良好、一般、劣化和故障五个等级；

对于各指标建立模糊隶属度函数，将检测值带入函数得到符合度矩阵，结合改进指标组合权重进行数乘运算，得到设备层的评估矩阵；

将设备层的评估矩阵与改进设备组合权重结合，得到配电站的模糊综合评价矩阵，再根据最大隶属度原则，通过运算得出评估分数，依照评价集确定配电站的健康状态。

7.如权利要求6所述的基于知识图谱与FAHP的配电站健康评估方法，其特征在于：

将当前配电站健康状态所得分数创立<配电站、状态、分数值>三元组，并在知识图谱中显示，每刷新一次，完成一次数据层的更新。

Images