CN113205186A - 一种二次设备巡检知识图谱架构及二次设备智能巡检方法 - Google Patents
一种二次设备巡检知识图谱架构及二次设备智能巡检方法 Download PDFInfo
- Publication number
- CN113205186A CN113205186A CN202110597704.1A CN202110597704A CN113205186A CN 113205186 A CN113205186 A CN 113205186A CN 202110597704 A CN202110597704 A CN 202110597704A CN 113205186 A CN113205186 A CN 113205186A
- Authority
- CN
- China
- Prior art keywords
- inspection
- knowledge
- secondary equipment
- layer
- data
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012550 audit Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000003930 cognitive ability Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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 Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种二次设备巡检知识图谱架构及二次设备智能巡检方法，其中，二次设备巡检知识图谱架构包括：数据层、数据处理层、知识抽取层、知识模型层、知识管理层和知识应用层，通过知识收集、巡检知识图谱、规则功能触发和自动巡视检查等关键技术路径实现。本发明可以有效解决由于电网运行方式多变、二次信息量众多且二次回路关系复杂，而按照人工依据巡视规则进行巡视巡检难度大、效率低甚至出现漏巡的问题。
Description
技术领域
本发明涉及电力系统继电保护信息管理技术领域，尤其涉及一种二次设备巡检知识图谱架构及二次设备智能巡检方法。
背景技术
近年来，随着机器学习、深度学习、云计算以及大数据技术的飞速发展，人工智能技术在各行各业得到广泛的应用，尤其是在图像识别、语音识别、非线性系统建模等领域，同样在电力系统的新能源预测、负荷预测、故障诊断、暂态分析等方面也取得了进展，这些技术的应用和突破为实现二次设备智能巡检提供了技术基础。
在人工智能技术范畴内，知识图谱(Knowledge Graph，KG)旨在以结构化的形式描述客观世界中概念、实体、事件及其之间的复杂关系。知识图谱可以通过知识收集、知识处理、知识抽取、知识表示、知识存储等步骤构建，其中知识抽取是核心步骤，实体和关系的抽取方法是学术界研究的热点，先后经历了规则词典到机器学习再到深度学习几个技术发展阶段。目前，知识图谱在智能搜索、对话问答等领域展示出强大的威力，与大数据、深度学习一起，成为推动人工智能发展的核心驱动力。
电网二次设备巡视巡检，需要按照一定的巡视巡检要求开展日常的巡检工作。由于电网运行方式多变、二次信息量众多且二次回路关系复杂，人工依据巡视规则进行巡视巡检，难度大、效率低，还容易出现漏巡的问题。
因此针对这一现状，迫切需要一种基于巡检知识图谱的二次设备智能巡检系统架构方法，以满足实际使用的需要。
发明内容
本发明所要解决的技术问题在于，提供一种二次设备巡检知识图谱架构及二次设备智能巡检方法，以提高巡检效率，避免漏巡。
为了解决上述技术问题，本发明实施例提供一种二次设备巡检知识图谱架构，包括：
数据层，用于收集二次设备巡检领域涉及的结构化、半结构化和非结构化数据；
数据处理层，用于将结构化数据和非结构化数据进行预处理，再使用BIOES规范对实体和关系进行标记；
知识抽取层，用于针对不同输入类型的标记数据分别采用基于数据库、规则和深度学习方法提取实体和关系；
知识模型层，用于采用通用k-means聚类算法和余弦相似度算法将识别出来的实体和关系进行知识的融合；
知识管理层，用于对构建好的二次设备巡检知识图谱进行管理；
知识应用层，用于应用构建好的二次设备巡检知识图谱支撑智能巡视和智能定检规则电子化、智能搜索和异常处置的应用场景。
进一步地，所述数据处理层还用于对除人工标记的数据以外剩余的数据利用数据增强工具进行标记，其中，增强工具采用同义词转换和K-近邻分类实现。
进一步地，所述基于数据库知识抽取将结构化数据通过提取-翻译-加载转化为实体和关系；所述基于规则的知识抽取采用中文分词工具和正则表达式实现；所述基于深度学习的知识抽取利用中文分词、Word2Vec将文本转化为词向量，将词向量作为输入，使用双向长短记忆网络+条件随机场识别实体标签，使用卷积神经网络识别关系标签。
进一步地，在结巴分词工具中加入电力专业词典，所述电力专业词典采用手工和信息熵方式构成。
进一步地，所述知识模型层采用Neo4j存储关系类知识和实体属性类知识。
进一步地，实体属性类型包含设备类、保护类、告警类、异常类、动作类，关系描述相应地包含属于、作用于、告警、异常、动作类别；设备类节点与实体、概念图谱中的对应实体节点相链接，进而获得相关设备的属性与运行状态。
进一步地，所述知识管理层具体用于依据二次设备巡检规程、作业指导书、巡检规范对构建的知识图谱进行审核、校验，确保其符合实际应用要求。
进一步地，智能巡视项目包括通信状态、二次链路状态、电压电流回路、开入量信号、压板状态、定值校核、版本校核、纵联通道、装置自检、对时状态、保护功能和保护动作诊断。
进一步地，智能定检项目包括虚端子信号、交流采样精度、开关量回路、纵联通道、压板检查、定值校核、配置文件、整组试验、装置上电检查、厂站自动化、事件记录和异常次数统计。
本发明还提供一种二次设备智能巡检方法，基于所述的二次设备巡检知识图谱架构实施，所述二次设备智能巡检方法包括：
获取二次设备运行信息、一二次系统识别和巡视定检功能触发作为触发条件；
结合所述触发条件和所述二次设备巡检知识图谱架构，进行智能决策；
输出用于支持自动监视、自动巡视和自动定检工作的结果报告并执行。
本发明实施例的有益效果在于：知识图谱技术可以模拟二次设备巡检的“指挥大脑”，知识图谱可以对二次设备巡检领域知识进行提炼、萃取、关联、整合，形成知识模型。通过知识模型让机器具备认知能力，从而形成二次设备巡检知识引擎，实现二次设备巡检自动化和智能化；可以有效解决由于电网运行方式多变、二次信息量众多且二次回路关系复杂，而按照人工依据巡视规则进行巡视巡检难度大、效率低甚至出现漏巡的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明二次设备巡检知识图谱架构的示意图。
图2为本发明二次设备智能巡检的Neo4j业务逻辑谱图。
图3为本发明二次设备智能巡视项目内容示意图。
图4为本发明二次设备智能定检项目内容示意图。
图5为本发明二次设备智能巡检的规则功能触发流程示意图；
图6为本发明二次设备智能巡检的驾驶舱风格的人机主界面示意图。
图7为本发明二次设备智能巡检的驾驶舱风格的自动巡视结果查询界面示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
请参照图1所示，本发明实施例一提供一种二次设备巡检知识图谱架构，包括：
数据层，用于收集二次设备巡检领域涉及的结构化、半结构化和非结构化数据；
数据处理层，用于将结构化数据和非结构化数据进行预处理，再使用BIOES规范对实体和关系进行标记；
知识抽取层，用于针对不同输入类型的标记数据分别采用基于数据库、规则和深度学习方法提取实体和关系；
知识模型层，用于采用通用k-means聚类算法和余弦相似度算法将识别出来的实体和关系进行知识的融合；
知识管理层，用于对构建好的二次设备巡检知识图谱进行管理；
知识应用层，用于应用构建好的二次设备巡检知识图谱支撑智能巡视和智能定检规则电子化、智能搜索和异常处置的应用场景。
具体地，数据层收集二次设备巡检领域涉及的结构化、半结构化和非结构化数据，其中结构化数据可以直接使用，半结构化和非结构化数据需要在数据处理层进行整理。需要说明的是，所涉及的数据主要由用户提供。
数据处理层将结构化数据和非结构化数据使用不同方法进行预处理，然后使用现行标准的BIOES(B：Begin，开始；I：Inside，内部；O：Outside，外部；E：End，结束；S：Single，单独组成一个实体)规范对实体和关系进行标记。人工标记需要花费大量的时间、财力和物力，在本专利方案中人工标记一小部分样本，剩余的数据利用数据增强工具进行标记。增强工具采用工程实现较为容易的同义词转换和K-近邻(K-Nearrest Neighbors，KNN)分类进行实现。
知识抽取层是构建知识图谱的核心，针对不同输入类型的标记数据分别采用基于数据库、规则和深度学习方法提取实体和关系。基于数据库知识抽取将结构化数据通过提取-翻译-加载(Extraction Transformation Loading，ETL)转化为实体和关系；基于规则的知识抽取采用中文分词工具和正则表达式实现；基于深度学习的知识抽取利用中文分词、Word2Vec将文本转化为词向量，将词向量作为输入，使用双向长短记忆网络+条件随机场(Bilateral Long-Short Term Memory-Conditional Random Field，BiLSTM-CRF)识别实体标签，使用卷积神经网络(Convolutional Neural Network)识别关系标签。为了提供中文分词准确性，在结巴分词工具中加入电力专业词典，词典采用手工和信息熵方式构成。
知识模型层采用通用k-means聚类算法和余弦相似度算法将识别出来的实体和关系进行知识的融合。所述k-means聚类算法的基本步骤如下：
输入：k,data[n]；
第1步：选择k个初始聚类中心点，例如,c[0]＝data[0],...,c[k-1]＝data[k-1]
第2步：对于data[0],...,data[n],分别与c[0]...,c[n-1]对比，如果c[i]是最小差值，就可记为i；
第3步：对于所有标记为i的点，重新计算c[i]＝{所有标记为i的data[j]之和标记为i的个数}；
第4步：对第2、3步多次操作，直至所有的c[i]值变化比给阀值的小为止。
然后，对知识进行表示和存储，采用Neo4j存储关系类知识和实体属性类知识。其中部分通过Neo4j业务逻辑谱图见图2所示，实体属性类型包含设备类、保护类、告警类、异常类、动作类等，关系描述也相应地包含属于、作用于、告警、异常、动作等类别。其中设备类节点又可与实体、概念图谱中的对应实体节点相链接，进而获得相关设备的属性与运行状态。例如：高抗保护、断路器保护、主变保护、断路器保护和线路保护属于保护装置类，而线路保护如果出现电流互感器断线或电压互感器断线会发生告警，如果通信异常或SV通信中断会发生异常等。110kV线路、220kV线路和500kV线路都属于线路，线路智能终端作用于线路。
知识管理层对构建好的二次设备巡检知识图谱进行管理。专业人员依据二次设备巡检规程、作业指导书、巡检规范等对构建的知识图谱进行审核、校验，确保其符合实际应用要求。随着时间的更替，需要专业人员对知识图谱进行扩充和维护。
知识应用层应用构建好的二次设备巡检知识图谱支撑巡视和定检规则电子化、智能搜索和异常处置等应用场景。进一步地，关于如何对二次设备巡视和定检规则内容的电子化，分别以图3所示的开入量信号巡视(详情见表1)和定值校核巡视(详情见表2)以及图4所示的智能定检项目(详情见表3)为例进行说明。
表1
表2
表3
本发明的智能巡视项目如图3所示，包括通信状态、二次链路状态、电压电流回路、开入量信号、压板状态、定值校核、版本校核、纵联通道、装置自检、对时状态、保护功能和保护动作诊断等。
本发明的智能定检项目如图4所示，包括虚端子信号、交流采样精度、开关量回路、纵联通道、压板检查、定值校核、配置文件、整组试验、装置上电检查、厂站自动化、事件记录和异常次数统计等。
需要说明的是，上述表1-3是为了更清楚地说明如何对二次设备巡视和定检规则内容的电子化。
相应于本发明实施例一的一种二次设备巡检知识图谱架构，本发明实施例二提供一种二次设备智能巡检方法，基于本发明实施例一一种二次设备巡检知识图谱架构实施，所述二次设备智能巡检方法包括：
获取二次设备运行信息、一二次系统识别和巡视定检功能触发作为触发条件；
结合所述触发条件和所述二次设备巡检知识图谱架构，进行智能决策；
输出用于支持自动监视、自动巡视和自动定检工作的结果报告并执行。
本发明的二次设备智能巡检的人机设计采用驾驶舱风格的界面，如图6所示。这种设计遵循“精于心简于形”的原则，具体实现采用WEB网页方式发布。具体地，当智能巡检后台自动巡检到异常信息时，可以在界面的左上角“智能巡检异常”处新增异常数目，如果要查看明细信息，可以点击“智能巡视异常”图标，详情画面如图7所示，主要内容包括通信状态、二次链路状态、电压电流回路、开入量信号、压板状态、定值校核、版本校核、纵联通道、装置自检、对时状态、保护功能和保护动作诊断等。另外，可以在画面的右下角看到当前智能巡视厂站数和智能巡检厂站数。
综上所述，相比于现有技术，本发明实施例带来的有益效果在于：知识图谱技术可以模拟二次设备巡检的“指挥大脑”，知识图谱可以对二次设备巡检领域知识进行提炼、萃取、关联、整合，形成知识模型。通过知识模型让机器具备认知能力，从而形成二次设备巡检知识引擎，实现二次设备巡检自动化和智能化；可以有效解决由于电网运行方式多变、二次信息量众多且二次回路关系复杂，而按照人工依据巡视规则进行巡视巡检难度大、效率低甚至出现漏巡的问题。。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种二次设备巡检知识图谱架构，其特征在于，包括：
数据层，用于收集二次设备巡检领域涉及的结构化、半结构化和非结构化数据；
数据处理层，用于将结构化数据和非结构化数据进行预处理，再使用BIOES规范对实体和关系进行标记；
知识抽取层，用于针对不同输入类型的标记数据分别采用基于数据库、规则和深度学习方法提取实体和关系；
知识模型层，用于采用通用k-means聚类算法和余弦相似度算法将识别出来的实体和关系进行知识的融合；
知识管理层，用于对构建好的二次设备巡检知识图谱进行管理；
知识应用层，用于应用构建好的二次设备巡检知识图谱支撑智能巡视和智能定检规则电子化、智能搜索和异常处置的应用场景。
2.根据权利要求1所述的二次设备巡检知识图谱架构，其特征在于，所述数据处理层还用于对除人工标记的数据以外剩余的数据利用数据增强工具进行标记，其中，增强工具采用同义词转换和K-近邻分类实现。
3.根据权利要求1所述的二次设备巡检知识图谱架构，其特征在于，所述基于数据库知识抽取将结构化数据通过提取-翻译-加载转化为实体和关系；所述基于规则的知识抽取采用中文分词工具和正则表达式实现；所述基于深度学习的知识抽取利用中文分词、Word2Vec将文本转化为词向量，将词向量作为输入，使用双向长短记忆网络+条件随机场识别实体标签，使用卷积神经网络识别关系标签。
4.根据权利要求3所述的二次设备巡检知识图谱架构，其特征在于，在结巴分词工具中加入电力专业词典，所述电力专业词典采用手工和信息熵方式构成。
5.根据权利要求1所述的二次设备巡检知识图谱架构，其特征在于，所述知识模型层采用Neo4j存储关系类知识和实体属性类知识。
6.根据权利要求5所述的二次设备巡检知识图谱架构，其特征在于，实体属性类型包含设备类、保护类、告警类、异常类、动作类，关系描述相应地包含属于、作用于、告警、异常、动作类别；设备类节点与实体、概念图谱中的对应实体节点相链接，进而获得相关设备的属性与运行状态。
7.根据权利要求1所述的二次设备巡检知识图谱架构，其特征在于，所述知识管理层具体用于依据二次设备巡检规程、作业指导书、巡检规范对构建的知识图谱进行审核、校验，确保其符合实际应用要求。
8.根据权利要求1所述的二次设备巡检知识图谱架构，其特征在于，智能巡视项目包括通信状态、二次链路状态、电压电流回路、开入量信号、压板状态、定值校核、版本校核、纵联通道、装置自检、对时状态、保护功能和保护动作诊断。
9.根据权利要求8所述的二次设备巡检知识图谱架构，其特征在于，智能定检项目包括虚端子信号、交流采样精度、开关量回路、纵联通道、压板检查、定值校核、配置文件、整组试验、装置上电检查、厂站自动化、事件记录和异常次数统计。
10.一种二次设备智能巡检方法，基于如权利要求1所述的二次设备巡检知识图谱架构实施，所述二次设备智能巡检方法包括：
获取二次设备运行信息、一二次系统识别和巡视定检功能触发作为触发条件；
结合所述触发条件和所述二次设备巡检知识图谱架构，进行智能决策；
输出用于支持自动监视、自动巡视和自动定检工作的结果报告并执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110597704.1A CN113205186B (zh) | 2021-05-31 | 一种二次设备巡检知识图谱架构及二次设备智能巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110597704.1A CN113205186B (zh) | 2021-05-31 | 一种二次设备巡检知识图谱架构及二次设备智能巡检方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113205186A true CN113205186A (zh) | 2021-08-03 |
| CN113205186B CN113205186B (zh) | 2024-10-22 |
Family
ID=
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779312A (zh) * | 2021-09-14 | 2021-12-10 | 广州汇通国信科技有限公司 | 一种基于知识图谱的非结构化电网数据处理方法及装置 |
| CN113869589A (zh) * | 2021-09-30 | 2021-12-31 | 国网上海市电力公司 | 一种基于知识图谱的输电线路事故预测方法及巡检系统 |
| CN115393347A (zh) * | 2022-10-11 | 2022-11-25 | 中关村科学城城市大脑股份有限公司 | 一种基于城市大脑的电网智能巡检方法及系统 |
| CN115795276A (zh) * | 2022-11-22 | 2023-03-14 | 南京电力设计研究院有限公司 | 一种基于小波分析与机器学习二次回路压板状态评估方法 |
| CN118378194A (zh) * | 2024-06-21 | 2024-07-23 | 国网江苏省电力有限公司电力科学研究院 | 一种基于知识图谱的电力设备运维方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801315A (zh) * | 2021-01-28 | 2021-05-14 | 国网河北省电力有限公司电力科学研究院 | 电力二次设备的状态诊断方法、装置及终端 |
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801315A (zh) * | 2021-01-28 | 2021-05-14 | 国网河北省电力有限公司电力科学研究院 | 电力二次设备的状态诊断方法、装置及终端 |
Non-Patent Citations (1)
| Title |
|---|
| COOLDREAM2009: "知识图谱基础知识之三——知识图谱的构建过程", pages 1 - 7, Retrieved from the Internet <URL:https://blog.csdn.net/lzw17750614592/article/details/89519366> * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779312A (zh) * | 2021-09-14 | 2021-12-10 | 广州汇通国信科技有限公司 | 一种基于知识图谱的非结构化电网数据处理方法及装置 |
| CN113779312B (zh) * | 2021-09-14 | 2024-05-31 | 广州汇通国信科技有限公司 | 一种基于知识图谱的非结构化电网数据处理方法及装置 |
| CN113869589A (zh) * | 2021-09-30 | 2021-12-31 | 国网上海市电力公司 | 一种基于知识图谱的输电线路事故预测方法及巡检系统 |
| CN115393347A (zh) * | 2022-10-11 | 2022-11-25 | 中关村科学城城市大脑股份有限公司 | 一种基于城市大脑的电网智能巡检方法及系统 |
| CN115393347B (zh) * | 2022-10-11 | 2023-12-29 | 中关村科学城城市大脑股份有限公司 | 一种基于城市大脑的电网智能巡检方法及系统 |
| CN115795276A (zh) * | 2022-11-22 | 2023-03-14 | 南京电力设计研究院有限公司 | 一种基于小波分析与机器学习二次回路压板状态评估方法 |
| CN115795276B (zh) * | 2022-11-22 | 2024-04-26 | 南京电力设计研究院有限公司 | 一种基于小波分析与机器学习二次回路压板状态评估方法 |
| CN118378194A (zh) * | 2024-06-21 | 2024-07-23 | 国网江苏省电力有限公司电力科学研究院 | 一种基于知识图谱的电力设备运维方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985653B (zh) | 基于知识图谱的电网故障知识推荐与知识管理系统及方法 | |
| CN112860872B (zh) | 基于自学习的配电网操作票语义合规性的校验方法及系统 | |
| CN114168745A (zh) | 面向环氧乙烷衍生品生产过程的知识图谱构建方法 | |
| CN113553420A (zh) | 基于知识图谱的电网故障处理规程推荐方法和系统 | |
| CN112132491B (zh) | 一种基于电网拓扑分析的电网监视告警系统及方法 | |
| CN115357726A (zh) | 基于知识图谱的故障处置预案数字化模型建立方法 | |
| CN113283602B (zh) | 基于离线知识学习和在线动态修正电网系统故障诊断方法 | |
| CN108664538A (zh) | 一种输变电设备疑似家族性缺陷的自动辨识方法及系统 | |
| CN115292518A (zh) | 基于知识型信息抽取的配电网故障处理方法及系统 | |
| CN111832977A (zh) | 一种基于自然语言解析的检修申请自动成票方法 | |
| Suo et al. | Computer assistance analysis of power grid relay protection based on data mining | |
| Ramirez-Gonzalez et al. | Convolutional neural network based approach for static security assessment of power systems | |
| CN114021425A (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
| CN118035910A (zh) | 面向新型电力系统的电网资源聚类预警方法、系统、设备及存储介质 | |
| CN117350700A (zh) | 一种基于潜在语义分析的事件辅助决策方法和系统 | |
| CN113205186B (zh) | 一种二次设备巡检知识图谱架构及二次设备智能巡检方法 | |
| CN113205186A (zh) | 一种二次设备巡检知识图谱架构及二次设备智能巡检方法 | |
| Wu et al. | Construction of Power Communication Network Knowledge Graph with BERT-BiLSTM-CRF Model Based Entity Recognition | |
| CN112765314B (zh) | 一种基于电力本体知识库的电力信息检索方法 | |
| CN114298339B (zh) | 一种变电站设备告警智能决策方法及系统 | |
| CN115705364A (zh) | 一种基于设备运行特征的电网监控知识图谱构建方法 | |
| CN113987164A (zh) | 一种基于领域事件知识图谱的项目研判方法及装置 | |
| Liang et al. | KNN_SVM based information transmission method for renewable energy power generation | |
| Xinjie et al. | A Construction Method for the Knowledge Graph of Power Grid Supervision Business | |
| CN117521662B (zh) | 一种基于深度学习的电力调度语义分析方法 |
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 |