CN113032577A - 一种电力系统知识图谱的构建、缺陷目标识别方法及系统 - Google Patents

一种电力系统知识图谱的构建、缺陷目标识别方法及系统 Download PDF

Info

Publication number
CN113032577A
CN113032577A CN202110299207.3A CN202110299207A CN113032577A CN 113032577 A CN113032577 A CN 113032577A CN 202110299207 A CN202110299207 A CN 202110299207A CN 113032577 A CN113032577 A CN 113032577A
Authority
CN
China
Prior art keywords
entity
power system
knowledge graph
target
learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110299207.3A
Other languages
English (en)
Other versions
CN113032577B (zh
Inventor
王超
郑伟
马伦
张博
吴合风
褚双伟
张璐
张小斐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Henan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Priority to CN202110299207.3A priority Critical patent/CN113032577B/zh
Publication of CN113032577A publication Critical patent/CN113032577A/zh
Application granted granted Critical
Publication of CN113032577B publication Critical patent/CN113032577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/247—Thesauruses; Synonyms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种电力系统知识图谱的构建、缺陷目标识别方法及系统，所述构建方法包括：对电力系统的原数据进行本体学习，获取本体，根据所述本体形成模式层；结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，根据所述目标实体形成数据层；根据所述模式层以及数据层，构建知识图谱。本发明的技术方案，实现了对各类巡检数据进行实时验证分析，提高了缺陷及故障识别率。

Description

一种电力系统知识图谱的构建、缺陷目标识别方法及系统
技术领域
本发明涉及人工智能技术领域，尤其涉及一种电力系统知识图谱的构建、缺陷目标识别方法及系统。
背景技术
目前，大规模电力缺陷目标检测指的是识别与定位图像中大量的属于不同类别的目标，类别之间的不平衡(有的类别的样本很少)、遮挡、模糊和小目标问题是大规模目标检测面临的主要挑战。
卷积神经网络作为深度学习模型来实现以下目标识别、提取的工作。但是，当前的很多基于卷积神经网络的目标检测方法都是对每个候选区域独立地进行检测，因此需要高质量的特征表示，以及每个类别的充足的标记数据，它们并没有考虑目标之间的语义依赖关系，因此缺乏在常识的帮助下进行推理的能力。知识图谱是以图的形式存储实体及实体间关系的知识库，它语义表达能力丰富，可以实现有效的知识组织、管理和利用，引入知识图谱到神经网络中，主要是对传统目标检测做一个增强，可在缺乏常识的情况下加强目标识别算法推理的能力，为大规模电力缺陷目标检测提供了强有力的技术手段。
发明内容
本发明提供一种电力系统知识图谱的构建、缺陷目标识别方法及系统，用于实现对各类巡检数据进行实时验证分析，提高缺陷及故障识别率。
为了解决上述技术问题，本发明实施例提供如下技术方案：
一种电力系统知识图谱的构建方法，包括：
对电力系统的原数据进行本体学习，获取本体，根据所述本体形成模式层；
结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，根据所述目标实体形成数据层；
根据所述模式层以及数据层，构建知识图谱。
可选的，对电力系统的原数据进行本体学习，获取本体，包括：
对电力系统的原数据进行术语抽取，获取专业标记集合；
对所述专业标记集合进行概念抽取，获取概念集合；
对所述概念集合进行关系抽取，获取关系集合；
对所述关系集合进行规则学习，获取规则信息集合。
可选的，结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，包括：
抽取所述电力系统的原数据中的实体，获取所述实体；
根据所述模式层的关系层次对所述实体进行处理，获取所述实体之间的结构关系；
对所述实体进行实体学习并结合所述结构关系，获取目标实体。
可选的，所述实体学习包括：
对所述实体进行实体对齐处理，获取统一的实体标志表征；
对所述统一的实体标志表征进行实体填充处理，获取补充实体。
可选的，所述对所述唯一的实体标志表征进行实体填充处理，获取补充实体，包括：
增加所述实体的属性以及所述实体的同义名称，获取补充实体。
可选的，所述实体的属性包括缺陷的等级。
本发明的实施例还提供一种电力系统知识图谱的构建系统，包括：
本体学习模块，用于对电力系统的原数据进行本体学习，获取本体，根据所述本体形成模式层；
实体学习模块，用于结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，根据所述目标实体形成数据层；
构建模块，用于根据所述模式层以及数据层，构建知识图谱。
本发明的实施例还提供一种基于电力系统知识图谱的缺陷目标识别方法，包括：
根据原始特征，由检测器基础结构中的分类层权重生成全局语义池；
知识图谱对所述全局语义池的信息进行语义关系验证，获取目标关系特征；
对所述目标关系特征进行自适应全局推理处理，获取被增强的目标类别特征；
将所述被增强的特征与所述原始特征融合，获取目标的类别与定位。
可选的，所述知识图谱对所述全局语义池的信息进行语义关系验证，包括：
将所述全局语义池的特征信息输入至所述知识图谱；
所述知识图谱对接收到的所述特征信息进行判断；
若判断所述特征信息为不正确的，则所述知识图谱对所述特征信息进行修改；反之，则对该特征进行加强。
本发明的实施例还提供一种基于电力系统知识图谱的缺陷目标识别系统，包括：
生成模块，用于根据原始特征，由检测器基础结构中的分类层权重生成全局语义池；
知识图谱模块，用于知识图谱对所述全局语义池的信息进行语义关系验证，获取目标关系特征；
全局推理模块，用于对所述目标关系特征进行自适应全局推理处理，获取被增强的目标类别特征；
特征融合模块，用于将所述被增强的特征与所述原始特征融合，获取目标的类别与定位。
本发明的实施例，具有如下技术效果：
本发明实施例的上述技术方案，电力系统知识图谱将不同结构化的实体通过知识相互连接，更为准确地表达知识之间的关联和协同关系，从而将知识图谱中的异构信息组织起来成为相互联系、可以被利用的知识，提高了实体的准确性；知识图谱改变了传统的数据检索方式，可通过知识推理实现概念和逻辑层面的深层次检索，更为符合电力系统用户天然的检索需求；此外，电力系统知识图谱的构建技术也包含了自动化的知识更新和学习技术，能够通过不断更新和学习持续提高图谱的智能性；不同于神经网络提供的黑盒模型，知识图谱基于逻辑符号表达的推理过程对人是可解释的，因此基于知识图谱的电网缺陷图谱库辅助决策系统不仅能够给出决策结果，还可以提供决策的依据和过程。
附图说明
图1为本发明实施例提供的电力系统知识图谱的构建方法的流程示意图；
图2为本发明实施例提供的电力系统知识图谱的结构示意图；
图3为本发明实施例提供的电力系统知识图谱的A部分示意图；
图4为本发明实施例提供的电力系统知识图谱的B部分示意图；
图5为本发明实施例提供的电力系统知识图谱的C部分示意图；
图6为本发明实施例提供的电力系统知识图谱的D部分示意图；
图7为本发明实施例提供的电力系统知识图谱的E部分示意图；
图8为本发明实施例提供的电力系统知识图谱的F部分示意图；
图9为本发明实施例提供的电力系统知识图谱的G部分示意图；
图10为本发明实施例提供的电力系统知识图谱的H部分示意图；
图11为本发明实施例提供的电力系统知识图谱的I部分示意图；
图12为本发明实施例提供的电力系统知识图谱的G部分示意图；
图13为本发明实施例提供的电力系统知识图谱的K部分示意图；
图14为本发明实施例提供的基于电力系统知识图谱的缺陷目标识别系统的结构部分示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明的实施例提供一种电力系统知识图谱的构建方法，包括：
步骤11：对电力系统的原数据进行本体学习，获取本体，根据所述本体形成模式层；
步骤12：结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，根据所述目标实体形成数据层；
步骤13：根据所述模式层以及数据层，构建知识图谱。
本发明的该实施例通过自顶向下的方法构建电力系统知识图谱，首先根据现有的结构化数据或专家知识库构造模式层中的本体及其相互关系，形成对应的概念模型和规则关系，然后再依照此模式从数据中抽取实体，构造数据层，也即自顶向下构建方法是从抽象到具体，先有概念而后有具体实现的构建过程。
本发明的该实施例，电力系统知识图谱将不同结构化的实体通过知识相互连接，更为准确地表达知识之间的关联和协同关系，从而将知识图谱中的异构信息组织起来成为相互联系、可以被利用的知识，提高了实体的准确性；知识图谱改变了传统的数据检索方式，可通过知识推理实现概念和逻辑层面的深层次检索，更为符合电力系统用户天然的检索需求；此外，电力系统知识图谱的构建技术也包含了自动化的知识更新和学习技术，能够通过不断更新和学习持续提高图谱的智能性；不同于神经网络提供的黑盒模型，知识图谱基于逻辑符号表达的推理过程对人是可解释的，因此基于知识图谱的电网缺陷图谱库辅助决策系统不仅能够给出决策结果，还可以提供决策的依据和过程。
本发明一可选的实施例，步骤12中，对电力系统的原数据进行本体学习，获取本体，包括：
对电力系统的原数据进行术语抽取，获取专业标记集合；
对所述专业标记集合进行概念抽取，获取概念集合；
对所述概念集合进行关系抽取，获取关系集合；
对所述关系集合进行规则学习，获取规则信息集合。
具体的，术语抽取的目标是获取用于表示电力系统中缺陷概念或本体的专业标记集合。在术语抽取的基础上，进一步对电力系统中的概念进行抽取。概念是更加抽象、具有代表性和概括性的术语，能够代表一定范畴内部的全部实体，例如“塔基缺陷”这一概念可代表“塔基下陷”、“塔基积水”等多个术语本体。关系抽取用于构建概念之间的关系，对于电力系统中的概念，通过识别数据源中概念间的语义关联关系，从而将其关系抽取出来。例如，利用连接金具缺陷生成第一级连续金具，第二级包括接续管、并沟线夹、预绞丝等，以及第三级继续分类。
如下表为连接金具关系抽取示例。
Figure BDA0002985515990000051
Figure BDA0002985515990000061
本发明一可选的实施例，步骤13中，结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，包括：
抽取所述电力系统的原数据中的实体，获取所述实体；
根据所述模式层的关系层次对所述实体进行处理，获取所述实体之间的结构关系；
对所述实体进行实体学习并结合所述结构关系，获取目标实体。
本发明一可选的实施例，所述实体学习包括：
对所述实体进行实体对齐处理，获取统一的实体标志表征；
对所述统一的实体标志表征进行实体填充处理，获取补充实体。
具体的，本发明该实施例的实体学习包括实体对齐和实体填充。
1)实体对齐。实体对齐是指将同一实体的不同表达方式归一化的知识融合过程，也称共指消歧(coreference resolution)。在电力系统的原数据中，同一个实体可能由于语言习惯、使用范围和应用领域的不同而存在不同的表示方式。例如，在实际使用中，“绝缘子伞裙自爆”可能具有“绝缘子片缺失”“绝缘子伞裙薄片”。实体对齐将这些表达方式合并，使用全局统一的标志表征此实体，从而达到有效精简图谱中实体数量、提高构建和检索效率的目的。
2)实体填充。实体填充为已获得的实体增加描述，使得实体能够更好地被人理解和区分。
本发明一可选的实施例，所述对所述唯一的实体标志表征进行实体填充处理，获取补充实体，包括：
增加所述实体的属性以及所述实体的同义名称，获取补充实体。
本发明一可选的实施例，步骤13中，所述实体的属性包括缺陷的等级。
具体的，本发明该实施例的实体填充增加的描述数据包括实体属性和实体同义名称等。在项目运行中将缺陷对电网运行的影响程度进行了等级划分，可分为以下几种：
(1)危急缺陷：设备或建筑物发生了直接威胁安全运行并需立即处理的缺陷，否则，随时可能造成设备损坏、人身伤亡、大面积停电、火灾等事故。
(2)严重缺陷：对人身或设备有重要威胁，暂时尚能坚持运行但需尽快处理的缺陷。
(3)一般缺陷：上述危急、严重缺陷以外的设备缺陷，指性质一般，情况较轻，对安全运行影响不大的缺陷。
本发明该实施例，为了便捷的实施缺陷检测，将缺陷等级填充至缺陷属性中，例如，“绝缘子伞裙自爆”实体可填充的属性包括“严重缺陷”等。
具体的，上述实施例通过如下实现方式实现：
将输电线路设备缺陷分为八大类，分别为杆塔类、导地线类、绝缘子类、大尺寸金具类、小尺寸金具类、基础类、通道环境类、附属设施类。
例如，下述表1至表5，对电力巡检中输电设备的小金具类和绝缘子类、大金具类、杆塔类目标及缺陷关系等类别做梳理，输电设备目标之前存在包含关系，目标与缺陷存在具有关系，部件可分为两级，一级包含二级，每个设备目标具有多种缺陷类型，设备具有缺陷。不同设备部件之前有从属、连接等关系。
输电线路巡检图像缺陷识别种类统计如下表1所示：
表1
Figure BDA0002985515990000071
Figure BDA0002985515990000081
Figure BDA0002985515990000091
绝缘子类易误检类别有绝缘子伞裙脏污、均压环脱落等类别，可加入部件信息进行二次查询，以检验缺陷检测的正确性。
绝缘子关联部件如下表2所示：
表2
Figure BDA0002985515990000092
Figure BDA0002985515990000101
大金具缺陷及相关关系分析如下表3所示：
表3
Figure BDA0002985515990000102
小金具缺陷及相关关系分析，如下表4所示：
表4
Figure BDA0002985515990000103
Figure BDA0002985515990000111
杆塔类缺陷及相关关系分析如下表5所示：
表5
Figure BDA0002985515990000112
Figure BDA0002985515990000121
通过对电力巡检中输电设备的目标及缺陷关系做梳理，输电设备目标之前存在包含关系，目标与缺陷存在具有关系，部件可分为两级，一级包含二级，每个设备目标具有多种缺陷类型，设备具有缺陷。不同设备部件之前有从属、连接等关系。
通过上述对项目中的部件及缺陷梳理后，构建出如图2至图13所示的知识图谱。
由于电力系统中的知识在不断增加和更新，知识图谱在建成后还需要动态构建和迭代更新，不断增加新的知识、删除旧的知识并相应调整知识图谱的结构。知识图谱的更新包括数据层的更新和模式层的更新。相对而言，数据层更新对知识图谱的整体架构影响较小，而模式层更新的影响较大；因此，知识图谱的数据层往往可以采取自动化的更新方式，而模式层更新则往往需要人工确认和审核。从更新方式上分，电力系统知识图谱的更新可以分为增量更新和全量更新。增量更新是以新增数据作为输入对知识图谱进行更新，其资源消耗较小；全量更新是以更新后的全量数据作为输入，从零开始重新构建知识图谱，其资源消耗较大。
本发明的实施例还提供一种电力系统知识图谱的构建系统，包括：
本体学习模块，用于对电力系统的原数据进行本体学习，获取本体，根据所述本体形成模式层；
实体学习模块，用于结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，根据所述目标实体形成数据层；
构建模块，用于根据所述模式层以及数据层，构建知识图谱。
可选的，对电力系统的原数据进行本体学习，获取本体，包括：
对电力系统的原数据进行术语抽取，获取专业标记集合；
对所述专业标记集合进行概念抽取，获取概念集合；
对所述概念集合进行关系抽取，获取关系集合；
对所述关系集合进行规则学习，获取规则信息集合。
可选的，结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，包括：
抽取所述电力系统的原数据中的实体，获取所述实体；
根据所述模式层的关系层次对所述实体进行处理，获取所述实体之间的结构关系；
对所述实体进行实体学习并结合所述结构关系，获取目标实体。
可选的，所述实体学习包括：
对所述实体进行实体对齐处理，获取统一的实体标志表征；
对所述统一的实体标志表征进行实体填充处理，获取补充实体。
可选的，所述对所述唯一的实体标志表征进行实体填充处理，获取补充实体，包括：
增加所述实体的属性以及所述实体的同义名称，获取补充实体。
可选的，所述实体的属性包括缺陷的等级。
需要说明的是，该装置是与上述图1所示方法的实施例对应的系统，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
如图14所示，本发明的实施例还提供一种基于电力系统知识图谱的缺陷目标识别方法，包括：
步骤21：根据原始特征，由检测器基础结构中的分类层权重生成全局语义池；
步骤22：知识图谱对所述全局语义池的信息进行语义关系验证，获取目标关系特征；
步骤23：对所述目标关系特征进行自适应全局推理处理，获取被增强的目标类别特征；
步骤24：将所述被增强的特征与所述原始特征融合，获取目标的类别与定位。
具体的，本发明的实施例采用Reasoning-RCNN网络，是一种卷积神经网络(Convolutional NeuralNetwork,CNN)，由检测器基础(Base Detector)结构中的分类层的权重生成全局语义池，然后引入知识图谱，将语义池中的不同类别的高级语义信息根据知识图谱中的连接节点相互关联。然后送入自适应全局推理模块中，输出增强的类别特征，随之将增强的类别特征通过soft-mapping 机制映射回原始区域中。最终，将每个区域中新的增强的特征与原始特征结合起来，提升分类与定位的性能。
具体的，如图14所示:
1)从所有区域提议中提取的视觉特征集合，获取区域提议特征(f)。
2)由检测器基础(Base Detector)结构中的分类层的权重生成全局语义池 M(Globle Semantic Pool M)，全局语义池M整合了所有类别的高级语义表示。
具体的，在分类器中，每个类别的权重其实已经包含了高级语义信息，因此设M∈RC*D表示整个全局语义池，R是权重，C表示特征类别数，D表示特征维数，这个值来自于basedetector的分类器中所有C个类别的权重。由于在训练时分类器是不断更新的，因此全局语义池M所整合的高级语义表示也会变得越来越准确。
3)引入image-wiseAttentionα机制强调每个图像中相关性更高的类别；
4)被增强的特征通过soft-mapping机制被映射回原始提议中，得到 EnhancedFeatures(f’)；
Figure BDA0002985515990000141
上式f是从所有区域提议中提取的视觉特征的集合，Nr＝|N|是区域提议的数量。
新的特征增强可以描述为下面的形式：
Figure BDA0002985515990000142
上式中α是Image-wiseAttention，其中
Figure BDA0002985515990000143
是channel-wise的乘积，是通过自适应全局图推理得到的增强特征，它的维数是E，
Figure BDA0002985515990000144
其余的都是矩阵乘法。
具体的，在Reasoning-RCNN网络中，边的作用就是充当一个图的结点之间信息的传递作用，边决定了信息如何传、传给谁。因此，对于所有的类别其对应的边矩阵:ε∈RC×C，这里的ε一定是一个无向图，其构成取决于先验的知识图谱，例如：金具上有销钉，而不是销钉上有金具。
5)最后将提议特征与增强特征结合起来，送入新的回归层(New Box Regression)和新的分类层来(New Classifier)得到检测结果。
本发明一可选的实施例，步骤22中，所述知识图谱对所述全局语义池的信息进行语义关系验证，包括：
将所述全局语义池的特征信息输入至所述知识图谱；
所述知识图谱对接收到的所述特征信息进行判断；
若判断所述特征信息为不正确的，则所述知识图谱对所述特征信息进行修改；反之，则对该特征进行加强。
本发明的上述缺陷目标识别方法与现有技术的缺陷目标识别方法的对比结果，如下表6所示：
表6
Figure BDA0002985515990000151
表6中，Recall、Precision、AP、mAP均为评价指标，评价指标的值越大，表示结果越准确，其中，AP为在IoU阈值为0.5时的检测精度。
通过上述表6中各项评价指标值的对比，可知，本发明实施例提供的缺陷目标识别方法对电力系统缺陷识别精准度高于现有技术中的缺陷目标识别方法。
本发明的实施例还提供一种基于电力系统知识图谱的缺陷目标识别系统，包括：
生成模块，用于根据原始特征，由检测器基础结构中的分类层权重生成全局语义池；
知识图谱模块，用于知识图谱对所述全局语义池的信息进行语义关系验证，获取目标关系特征；
全局推理模块，用于对所述目标关系特征进行自适应全局推理处理，获取被增强的目标类别特征；
特征融合模块，用于将所述被增强的特征与所述原始特征融合，获取目标的类别与定位。
可选的，所述知识图谱对所述全局语义池的信息进行语义关系验证，包括：
将所述全局语义池的特征信息输入至所述知识图谱；
所述知识图谱对接收到的所述特征信息进行判断；
若判断所述特征信息为不正确的，则所述知识图谱对所述特征信息进行修改；反之，则对该特征进行加强。
本发明的上述技术方案，Reasoning-RCNN网络通过联合知识图谱技术与深度学习技术(卷积神经网络)，可以对各类电力系统巡检数据进行实时验证分析，提高缺陷及故障识别率；此外，研究对象具有普适性和典型性，有利于将项目成果在各种地理环境条件下线路开展推广应用。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电力系统知识图谱的构建方法，其特征在于，包括：
对电力系统的原数据进行本体学习，获取本体，根据所述本体形成模式层；
结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，根据所述目标实体形成数据层；
根据所述模式层以及数据层，构建知识图谱。
2.根据权利要求1所述的电力系统知识图谱的构建方法，其特征在于，对电力系统的原数据进行本体学习，获取本体，包括：
对电力系统的原数据进行术语抽取，获取专业标记集合；
对所述专业标记集合进行概念抽取，获取概念集合；
对所述概念集合进行关系抽取，获取关系集合；
对所述关系集合进行规则学习，获取规则信息集合。
3.根据权利要求1所述的电力系统知识图谱的构建方法，其特征在于，结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，包括：
抽取所述电力系统的原数据中的实体，获取所述实体；
根据所述模式层的关系层次对所述实体进行处理，获取所述实体之间的结构关系；
对所述实体进行实体学习并结合所述结构关系，获取目标实体。
4.根据权利要求3所述的电力系统知识图谱的构建方法，其特征在于，所述实体学习包括：
对所述实体进行实体对齐处理，获取统一的实体标志表征；
对所述统一的实体标志表征进行实体填充处理，获取补充实体。
5.根据权利要求4所述的电力系统知识图谱的构建方法，其特征在于，所述对所述唯一的实体标志表征进行实体填充处理，获取补充实体，包括：
增加所述实体的属性以及所述实体的同义名称，获取补充实体。
6.根据权利要求5所述的电力系统知识图谱的构建方法，其特征在于，所述实体的属性包括缺陷的等级。
7.一种电力系统知识图谱的构建系统，其特征在于，包括：
本体学习模块，用于对电力系统的原数据进行本体学习，获取本体，根据所述本体形成模式层；
实体学习模块，用于结合所述模式层对所述电力系统的原数据进行实体学习，获取目标实体，根据所述目标实体形成数据层；
构建模块，用于根据所述模式层以及数据层，构建知识图谱。
8.一种基于电力系统知识图谱的缺陷目标识别方法，其特征在于，包括：
根据原始特征，由检测器基础结构中的分类层权重生成全局语义池；
知识图谱对所述全局语义池的信息进行语义关系验证，获取目标关系特征；
对所述目标关系特征进行自适应全局推理处理，获取被增强的目标类别特征；
将所述被增强的特征与所述原始特征融合，获取目标的类别与定位。
9.根据权利要求8所述的基于电力系统知识图谱的缺陷目标识别方法，其特征在于，所述知识图谱对所述全局语义池的信息进行语义关系验证，包括：
将所述全局语义池的特征信息输入至所述知识图谱；
所述知识图谱对接收到的所述特征信息进行判断；
若判断所述特征信息为不正确的，则所述知识图谱对所述特征信息进行修改；反之，则对该特征进行加强。
10.一种基于电力系统知识图谱的缺陷目标识别系统，其特征在于，包括：
生成模块，用于根据原始特征，由检测器基础结构中的分类层权重生成全局语义池；
知识图谱模块，用于知识图谱对所述全局语义池的信息进行语义关系验证，获取目标关系特征；
全局推理模块，用于对所述目标关系特征进行自适应全局推理处理，获取被增强的目标类别特征；
特征融合模块，用于将所述被增强的特征与所述原始特征融合，获取目标的类别与定位。
CN202110299207.3A 2021-03-21 2021-03-21 一种电力系统知识图谱的构建、缺陷目标识别方法及系统 Active CN113032577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110299207.3A CN113032577B (zh) 2021-03-21 2021-03-21 一种电力系统知识图谱的构建、缺陷目标识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110299207.3A CN113032577B (zh) 2021-03-21 2021-03-21 一种电力系统知识图谱的构建、缺陷目标识别方法及系统

Publications (2)

Publication Number Publication Date
CN113032577A true CN113032577A (zh) 2021-06-25
CN113032577B CN113032577B (zh) 2022-12-27

Family

ID=76472253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110299207.3A Active CN113032577B (zh) 2021-03-21 2021-03-21 一种电力系统知识图谱的构建、缺陷目标识别方法及系统

Country Status (1)

Country Link
CN (1) CN113032577B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505241A (zh) * 2021-07-15 2021-10-15 润建股份有限公司 一种基于知识图谱的用电安全隐患智能诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110727741A (zh) * 2019-09-29 2020-01-24 全球能源互联网研究院有限公司 一种电力系统的知识图谱构建方法及系统
CN110941612A (zh) * 2019-11-19 2020-03-31 上海交通大学 基于关联数据的自治数据湖构建系统及方法
US20200134092A1 (en) * 2018-10-30 2020-04-30 Kpmg Llp Systems and methods for aligning data tables to domain ontologies
CN111737496A (zh) * 2020-06-29 2020-10-02 东北电力大学 一种电力设备故障知识图谱构建方法
WO2021008180A1 (zh) * 2019-07-16 2021-01-21 扬州大学 面向软件缺陷知识的知识搜索方法
CN112347271A (zh) * 2020-12-04 2021-02-09 国网天津市电力公司电力科学研究院 基于文字语义识别的配电物联网设备缺陷辅助录入方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200134092A1 (en) * 2018-10-30 2020-04-30 Kpmg Llp Systems and methods for aligning data tables to domain ontologies
WO2021008180A1 (zh) * 2019-07-16 2021-01-21 扬州大学 面向软件缺陷知识的知识搜索方法
CN110727741A (zh) * 2019-09-29 2020-01-24 全球能源互联网研究院有限公司 一种电力系统的知识图谱构建方法及系统
CN110941612A (zh) * 2019-11-19 2020-03-31 上海交通大学 基于关联数据的自治数据湖构建系统及方法
CN111737496A (zh) * 2020-06-29 2020-10-02 东北电力大学 一种电力设备故障知识图谱构建方法
CN112347271A (zh) * 2020-12-04 2021-02-09 国网天津市电力公司电力科学研究院 基于文字语义识别的配电物联网设备缺陷辅助录入方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505241A (zh) * 2021-07-15 2021-10-15 润建股份有限公司 一种基于知识图谱的用电安全隐患智能诊断方法

Also Published As

Publication number Publication date
CN113032577B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN111506722A (zh) 基于深度学习技术的知识图谱问答方法、装置及设备
CN109919585A (zh) 基于知识图谱的人工智能辅助行政审批方法、系统及终端
CN109543690A (zh) 用于提取信息的方法和装置
CN109344285A (zh) 一种面向监控的视频图谱构建和挖掘方法、设备
CN109697162A (zh) 一种基于开源代码库的软件缺陷自动检测方法
CN111881290A (zh) 一种基于加权语义相似度的配网多源网架实体融合方法
CN112579707A (zh) 一种日志数据的知识图谱构建方法
CN110413319A (zh) 一种基于深度语义的代码函数味道检测方法
CN110377751A (zh) 课件智能生成方法、装置、计算机设备及存储介质
CN112800172A (zh) 一种基于两阶段注意力机制的代码搜索方法
CN113032577B (zh) 一种电力系统知识图谱的构建、缺陷目标识别方法及系统
CN110781297B (zh) 基于层次判别树的多标签科研论文的分类方法
CN108846043A (zh) 基于互联网大数据的网络痕迹挖掘分析方法及系统
CN114579794A (zh) 特征一致性建议的多尺度融合地标图像检索方法及系统
CN113378024B (zh) 一种基于深度学习面向公检法领域的相关事件识别方法
CN114491081A (zh) 基于数据血缘关系图谱的电力数据溯源方法及系统
CN115270774B (zh) 一种半监督学习的大数据关键词词典构建方法
CN117010373A (zh) 一种电力设备资产管理数据所属类别和组的推荐方法
CN115017251B (zh) 一种用于智慧城市的标准映射地图建立方法及系统
CN116467437A (zh) 面向复杂场景描述的自动流程建模方法
CN114238735B (zh) 一种互联网数据智能采集方法
CN110362828A (zh) 网络资讯风险识别方法及系统
CN115795060A (zh) 一种基于知识增强的实体对齐方法
Rajendran et al. Multi level object relational similarity based image mining for improved image search using semantic ontology
CN116842936A (zh) 关键词识别方法、装置、电子设备和计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Guo Zhimin

Inventor after: Mao Wandeng

Inventor after: Liu Shanfeng

Inventor after: Liu Hao

Inventor after: Li Zhe

Inventor after: Lu Ming

Inventor after: Chu Shuangwei

Inventor after: Geng Juncheng

Inventor after: Chen Cen

Inventor after: Wang Chao

Inventor after: Wang Bo

Inventor after: Tian Yangyang

Inventor after: Chen Jiangqi

Inventor after: Zhang Xi

Inventor after: Zheng Wei

Inventor after: Wang Qi

Inventor after: Wan Diming

Inventor after: Zhang Lu

Inventor after: Pang Jie

Inventor after: Zhao Huitong

Inventor after: Yuan Shaoguang

Inventor before: Wang Chao

Inventor before: Zheng Wei

Inventor before: Ma Lun

Inventor before: Zhang Bo

Inventor before: Wu Hefeng

Inventor before: Chu Shuangwei

Inventor before: Zhang Lu

Inventor before: Zhang Xiaofei

CB03 Change of inventor or designer information