CN113312499B - 一种基于知识图谱的电力安全预警方法及系统 - Google Patents

一种基于知识图谱的电力安全预警方法及系统 Download PDF

Info

Publication number
CN113312499B
CN113312499B CN202110660681.4A CN202110660681A CN113312499B CN 113312499 B CN113312499 B CN 113312499B CN 202110660681 A CN202110660681 A CN 202110660681A CN 113312499 B CN113312499 B CN 113312499B
Authority
CN
China
Prior art keywords
early warning
image
knowledge graph
image data
model
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.)
Active
Application number
CN202110660681.4A
Other languages
English (en)
Other versions
CN113312499A (zh
Inventor
赵冲
葛久松
卫星
虞浩
姚尚
侯宝华
康旭
陆阳
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110660681.4A priority Critical patent/CN113312499B/zh
Publication of CN113312499A publication Critical patent/CN113312499A/zh
Application granted granted Critical
Publication of CN113312499B publication Critical patent/CN113312499B/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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (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)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于知识图谱的电力安全预警方法及系统，包括：获取电力设备场景图像数据，并预处理电力设备场景图像数据为标记图像数据；将标记图像数据划分为训练样本和测试样本，检验并剔除标记图像数据中异常的图像数据，以得到数据集；通过基于知识图谱的电力安全预警模型训练样本，以得到训练后基于知识图谱的电力安全预警模型；通过训练后基于知识图谱的电力安全预警模型对所述测试样本进行处理，发送预警信息至危险信息检测设备，判定危险级别并向电力工作人员发出警报。本发明基于知识图谱对场景进行智能分析，不需要采用人工观测电力设备场景，预警效果良好。

Description

一种基于知识图谱的电力安全预警方法及系统
技术领域
本发明属于电力安全技术领域，尤其涉及一种基于知识图谱的电力安全预警方法及系统。
背景技术
近年来，随着科技的发展，工业、居民对电力的需求量急剧增加，为满足电力行业高速发展的需求，电力设备和电网迅猛扩容，电力设备所承受的电力负荷在不断提升。据调查统计，近两年我国全社会全年用电量均超过了七万亿千瓦时，其中，工业电力设备耗电量占据七成左右。为了配合我国经济的高速发展，进一步提高电力产能，满足全国电力的供给需求，更加复杂化的电力设施、各种变电设备和大规模的输电网络被引进供电系统，比如高压电塔、电力站、远距离输电导线等设备得到广泛应用。由于我国地域辽阔、人口聚居复杂多样、资源分布不均衡，大量的变电设施和输电线路网络分布在复杂多变的室外环境中，不断地经受着风吹、雨淋、暴晒等恶劣天气的摧残，电力设备外观存在严重缺陷，极易发生设备故障，导致供电事故，对电力作业人员和用户的生命财产安全造成严重威胁。目前，依靠现有的巡检装置或是人工巡检效率低下，不能实时高效的获取设备表面状况，存在很大的安全隐患。
知识图谱又称科学知识图谱，在图书情报界叫做知识域可视化或知识领域映射地图，是以图的形式表现客观世界的概念和实体及其之间关系的知识库。它将不同种类的知识关联在一起，其本质上是一种语义网，具有语义网的许多特性，区别在于知识图谱的数据来源广泛，更多关注的是知识表示、知识融合等技术。知识图谱具有逻辑推理、可解释性、自然关系、高效资源发现、透明共享及可视化等优势，基于知识图谱的分析技术，不再是将简单的文档结果进行排序，而是能够通过智能语义分析，反馈接近人类需求的答案，具有广泛的应用前景。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于知识图谱的电力安全预警方法及系统，用于解决现有技术中的电力设备场景下中存在的大量人工操作、无法实时检测电力设备表面缺陷、不能及时预防设备外观缺陷引起的电力安全事故等问题。
为实现上述目的，本发明采用如下的技术方案：
一种基于知识图谱的电力安全预警方法，包括；
采集电力设备场景图像数据，并将所述电力设备场景图像数据预处理为标记图像数据；
剔除所述标记图像数据中异常的图像数据，以得到数据集，将所述数据集划分为训练样本和测试样本；
通过基于知识图谱的电力安全预警模型训练样本，以得到训练后基于知识图谱的电力安全预警模型；
通过训练后基于知识图谱的电力安全预警模型对所述测试样本进行图像处理，发送预警信息至危险信息检测设备，判定危险级别。
作为优选，所述获取电力设备场景图像数据，并将所述电力设备场景图像数据预处理为标记图像数据包括：
采集摄像头视距范围内的电力设备场景视频流数据；
提取视频流数据中的关键帧，并保存所述关键帧为图像数据；
裁剪所述图像数据，得到所述标记图像数据。
作为优选，得到训练后基于知识图谱的电力安全预警模型，包括：
根据电力设备日常巡检中的设备缺陷情况记录，筛选出现频次较高的预警信息描述范式，构成预警信息模板集；
获取封闭域知识图谱；
使用Inception_v4模型对所述标记图像数据进行编码获取信息；
提取Inception_v4模型最后一层全连接层的输出特征作为图像的全局特征V0；
提取Inception_v4模型最后一层卷积层的输出特征作为图像的局部特征V＝{v1，...，vK}，k为图像被划分的总区域个数，V为图像的局部特征向量；
通过所述训练样本进行分词处理、去除停用词以及词性筛选，形成图像标签词汇表，采用训练好的FCN模型分别对图像的各个区域特征进行标签预测，得到图像局部特征标签；
对图像局部特征标签进行筛选检查，以剔除无意义的局部特征块；
依据所述图像各局部特征标签向知识图谱发出查询请求；
依据知识图谱中相关知识的存储格式对各实体标签进行描述归一化；
通过描述归一化后的实体标签形成对应标准化的SPARQL查询语句；
通过标准化的查询语句检索知识库中相应的实体以及与其在类别、关系、相关性匹配度较高的实体，然后投射到高维向量空间，获得字向量或者词向量；
利用训练好的深度学习模型对实体相似度进行计算，再通过相应的打分机制获得候选排序；
筛选出与图像各区域特征相似度最高的实体，确定实体之间存在的关系路径；
依据所述关系路径和信息描述模板形成预警信息，得到训练后基于知识图谱的电力安全预警模型。
作为优选，所述训练好的FCN模型分别对图像的各个区域特征进行标签预测，包括：
利用13个3×3的卷积层和5个最大池化层提取图像中抽象的语义特征；
利用1×1的卷积层实现任意尺寸图像的输入；
通过反卷积进行上采样，将图像恢复成原始大小；
将第5个池化层输出的特征图经过反卷积扩大2倍后与第4个池化层输出的特征图结合，并将其结果反卷积扩大2倍后与第3个池化层输出的特征图结合，最后反卷积扩大8倍后生成预测标签图像。
作为优选，所述筛选与图像各区域特征相似度最高的实体，包括：
利用训练好的深度学习模型对实体相似度进行计算，可表示为：
Si＝Calculate(pi|qi)
其中，Si表示实体相似度，Calculate函数表示深度学习模型中的相似度打分机制，pi表示图像的各个局部特征，qi表示知识图谱中的实体；
筛选出与图像各区域特征相似度最高的实体，表示为：
Zi＝max(Si)
其中，Zi表示知识图谱中对应各局部图像特征相似度最高的实体，Si表示知识图谱中各实体的相似度。
作为优选，通过训练后基于知识图谱的电力安全预警模型对所述测试样本进行图像处理，发送预警信息至危险信息检测设备，判定危险级别，包括：
获取与图像各区域特征相似度最高的实体；
确定所述封闭域知识图谱中实体之间存在的关系路径；
根据筛选出的实体集合及其关系路径确定候选的预警信息模板集；
通过最小编辑距离找到语义最接近的预警信息模板，形成预警信息描述结果；
根据危险信息标准语料库，通过训练好的深度学习模型筛选出与描述结果相似度最高的危险信息，判定预警信息的危险等级。
本发明还提供一种基于知识图谱的电力安全预警系统，包括：
采集模块，用于获取电力设备场景图像数据，并将所述电力设备场景图像数据预处理为标记图像数据；
划分模块，用于剔除所述标记图像数据中异常的图像数据，以得到数据集，将所述数据集划分为训练样本和测试样本；
训练模块，用于通过基于知识图谱的电力安全预警模型训练样本，以得到训练后基于知识图谱的电力安全预警模型；
预警模块，用于通过训练后基于知识图谱的电力安全预警模型对所述测试样本进行图像处理，发送预警信息至危险信息检测设备，判定危险级别。
作为优选，构架模块的具体过程包括：
根据电力设备日常巡检中的设备缺陷情况记录，筛选出现频次较高的预警信息描述范式，构成预警信息模板集；
获取封闭域知识图谱；
使用Inception_v4模型对所述标记图像数据进行编码获取信息；
提取Inception_v4模型最后一层全连接层的输出特征作为图像的全局特征V0；
提取Inception_v4模型最后一层卷积层的输出特征作为图像的局部特征V＝{v1，...，vK}，k为图像被划分的总区域个数，V为图像的局部特征向量；
通过所述训练样本进行分词处理、去除停用词以及词性筛选，形成图像标签词汇表，采用训练好的FCN模型分别对图像的各个区域特征进行标签预测，得到图像局部特征标签；
对图像局部特征标签进行筛选检查，以剔除无意义的局部特征块；
依据所述图像各局部特征标签向知识图谱发出查询请求；
依据知识图谱中相关知识的存储格式对各实体标签进行描述归一化；
通过描述归一化后的实体标签形成对应标准化的SPARQL查询语句；
通过标准化的查询语句检索知识库中相应的实体以及与其在类别、关系、相关性匹配度较高的实体，然后投射到高维向量空间，获得字向量或者词向量；
利用训练好的深度学习模型对实体相似度进行计算，再通过相应的打分机制获得候选排序；
筛选出与图像各区域特征相似度最高的实体，确定实体之间存在的关系路径；
依据所述关系路径和信息描述模板形成预警信息，得到训练后基于知识图谱的电力安全预警模型。
作为优选，所述预警模块，包括：
获取单元，用于获取与图像各区域特征相似度最高的实体；
第一确定单元，用于确定封闭域知识图谱中实体之间存在的关系路径；
第二确定单元，用于根据筛选出的实体集合及其关系路径，确定候选的预警信息模板集；
处理单元，用于通过最小编辑距离找到语义最接近的预警信息模板，形成预警信息描述结果；
判定单元，用于根据危险信息标准语料库，通过训练好的深度学习模型筛选出与描述结果相似度最高的危险信息，判定预警信息的危险等级。
如上所述，本发明的一种基于知识图谱的电力安全预警方法及系统，具有以下有益效果：
本发明的基于知识图谱的电力安全预警方法通过构建电力设备外观缺陷封闭域知识图谱，采用标记的电力设备外观缺陷场景图像样本，对基于知识图谱的电力安全预警模型进行训练，得到训练后的网络模型用于生成目标场景的电力设备外观缺陷实况描述，并通过危险信息检测设备判定预警信息等级，发出预警。不需要采用人工观测电力设备外观缺陷场景，预警效果良好。
本发明的基于知识图谱的电力安全预警方法大大提高了对复杂场景下的电力设备外观缺陷检测效率，并能及时对安全事故进行预警，本发明具有更加有利于预防电力设备区安全隐患的特点。
本发明的基于知识图谱的电力安全预警方法解决了传统的设备巡检场景中存在大量人工操作、电力设备外观检测效率低下、电力设备安全事故不能及时预警等问题，从根本上为电力作业人员和电力用户提供安全保障。
附图说明
图1为本申请实施例提供的一种基于知识图谱的电力安全预警方法的工作流程图；
图2为本申请实施例提供的图1中的一种基于知识图谱的电力安全预警方法的步骤S1的工作流程图；
图3为本申请实施例提供的图1中的一种基于知识图谱的电力安全预警方法的步骤S2的工作流程图；
图4为本申请实施例提供的图1中的一种基于知识图谱的电力安全预警方法的基于知识图谱的电力安全预警模型中Inception_v4的架构示意图；
图5为本申请实施例提供的图1中的一种基于知识图谱的电力安全预警方法的基于知识图谱的电力安全预警模型中FCN模型结构图；
图6为本申请实施例提供的图1中的一种基于知识图谱的电力安全预警方法的步骤S4的工作流程图；
图7为本申请实施例提供的一种基于知识图谱的电力安全预警系统的结构示意图；
图8为本申请实施例提供的一种基于知识图谱的电力安全预警系统的工作示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本发明提供一种基于知识图谱的电力安全预警方法，解决了传统的设备巡检场景中存在大量人工操作、电力设备外观检测效率低下、电力设备外观缺陷引起的安全事故不能及时预警等问题。所述基于知识图谱的电力安全预警方法包括：
步骤S1、依据电力设备日常巡检中积累的大量设备缺陷情况记录，构建封闭域知识图谱和危险信息标准语料库；
步骤S2、获取电力设备场景图像数据，并预处理电力设备场景图像数据；
步骤S3、将标记后的图像数据划分为训练样本和测试样本，检验并剔除标记图像数据中异常的图像数据，以得到数据集；具体的，可以但不限于将所述标记图像数据按7：3分为训练样本和测试样本，可以但不限于对所述标记图像数据进行人工检验，异常的标记图像数据进行剔除后，得到训练用的数据集。具体的，剔除所述标记图像数据中异常的图像数据，以得到数据集包括：①剔除以下不符合要求的内容：a)、不包含电力设备主体部分(如图像不包含设备器件主题、杆塔、绝缘子等)；b)、描述不重要细节(如电力设备周围环境等)；c)、图像预警描述语句过少(如少于8个字等)；②剔除图像画质极差的数据。
步骤S4、通过基于知识图谱的电力安全预警模型训练样本，以得到训练后基于知识图谱的电力安全预警模型；
步骤S5、通过训练后基于知识图谱的电力安全预警模型对所述测试样本进行图像处理，发送预警信息至危险信息检测设备，判定危险级别。
如图2所示，步骤S1中的所述依据电力设备日常巡检中积累的大量设备缺陷情况记录，构建封闭域知识图谱的步骤，包括：
步骤S11、抽取出非结构化的电力设备外观缺陷原始数据包含的实体、属性和关系，作为构成知识图谱的基本元素；
步骤S12、对抽取出的实体进行实体消歧和共指消解；
步骤S13、构建初态知识图谱，具体的，对实体、属性和关系进行整合并加入现有结构化数据，形成初状态的知识图谱；
步骤S14、对初态知识图谱不断进行优化。具体的，评估其数据和应用效果，并结合知识的发展和丰富，对知识图谱进行修补更新。
进一步，所述构建危险信息标准语料库，包括：
抽取电力设备原始数据中的所有危险描述信息；
对所述危险描述信息依据电力安全标准进行危险等级标注，形成初态标准语料库；
通过大量训练数据对所述初态标准语料库进行动态更新，不断完善所述危险信息标准语料库。
如图3所示，步骤S2中的获取电力设备场景图像数据，并预处理所述电力设备场景图像数据的步骤，包括：
步骤S21、采集获取电力设备外观缺陷场景视频流数据。具体的，可以在巡检装置上安装多角度摄像头，采集电力设备外观缺陷场景视频流数据；
步骤S22、按照需求截取视频流数据中的关键帧。具体的，可以按照角度需求在不同时刻截取视频流数据中的关键帧，并保存关键帧为图像数据；
步骤S23、裁剪所述图像，以获取裁剪后的图像数据。
进一步，如图4-6所示，步骤S4中，得到训练后基于知识图谱的电力安全预警模型，包括：
根据电力设备日常巡检中的设备缺陷情况记录，筛选出现频次较高的预警信息描述范式，构成预警信息模板集；
获取封闭域知识图谱；
使用Inception_v4模型对所述标记图像数据进行编码获取信息；
提取Inception_v4模型最后一层全连接层的输出特征作为图像的全局特征V0；
提取Inception_v4模型最后一层卷积层的输出特征作为图像的局部特征V＝{v1，...，vK}，k为图像被划分的总区域个数，V为图像的局部特征向量；
通过所述训练样本进行分词处理、去除停用词以及词性筛选，形成图像标签词汇表，采用训练好的FCN模型分别对图像的各个区域特征进行标签预测，得到图像局部特征标签；
对图像局部特征标签进行筛选检查，以剔除无意义的局部特征块；
依据所述图像各局部特征标签向知识图谱发出查询请求；
依据知识图谱中相关知识的存储格式对各实体标签进行描述归一化；
通过描述归一化后的实体标签形成对应标准化的SPARQL查询语句；
通过标准化的查询语句检索知识库中相应的实体以及与其在类别、关系、相关性匹配度较高的实体，然后投射到高维向量空间，获得字向量或者词向量；
利用训练好的深度学习模型对实体相似度进行计算，再通过相应的打分机制获得候选排序；
筛选出与图像各区域特征相似度最高的实体，确定实体之间存在的关系路径；
依据所述关系路径和信息描述模板形成预警信息，得到训练后基于知识图谱的电力安全预警模型。
进一步，使用Inception_v4模型输出图像的全局特征和图像的局部特征时，每个区域维度为1536维，映射到g维，g表示图像区域特征的维度，其为512维。具体的、所述使用Inception_v4模型处理图像过程的损失函数，具体为：
输入x,模型通过式(1)计算得到类别为k的概率为：
Figure BDA0003115091510000101
假设真实分布为q(k),交叉熵损失函数可表示为：
Figure BDA0003115091510000102
其中，p(k)为样本label；q(k)为模型的预估，分别代表训练样本和模型的分布。
最小化交叉熵等价最大似然函数。同时交叉熵函数对逻辑输出求导可表示为：
Figure BDA0003115091510000103
引入一个独立于样本分布的变量u(k)为：
q(k|x)＝(1-∈)δk，y+∈u(k)
作为输出层，Softmax输出的是几个类别选择的概率，并且概率和为1，Softmax输出为：
Figure BDA0003115091510000111
Figure BDA0003115091510000112
Figure BDA0003115091510000113
其中，zi代表的网络的第i个输出；ωij是第i个神经元的第j个权重；b是偏置；Si代表的是第i个神经元的输出；ai代表的是Softmax的第i个输出值。
进一步，所述训练好的FCN模型分别对图像的各个区域特征进行标签预测，包括：
利用13个3×3的卷积层和5个最大池化层提取图像中抽象的语义特征；
利用1×1的卷积层实现任意尺寸图像的输入；
通过反卷积进行上采样，将图像恢复成原始大小；
将第5个池化层输出的特征图经过反卷积扩大2倍后与第4个池化层输出的特征图结合，并将其结果反卷积扩大2倍后与第3个池化层输出的特征图结合，最后反卷积扩大8倍后生成预测标签图像。
进一步，所述筛选与图像各区域特征相似度最高的实体，包括：
利用训练好的深度学习模型对实体相似度进行计算，可表示为：
Si＝Calculate(pi|qi)
其中，Si表示实体相似度，Calculate函数表示深度学习模型中的相似度打分机制，pi表示图像的各个局部特征，qi表示知识图谱中的实体；
筛选出与图像各区域特征相似度最高的实体，表示为：
Zi＝max(Si)
其中，Zi表示知识图谱中对应各局部图像特征相似度最高的实体，Si表示知识图谱中各实体的相似度。
进一步，通过训练后基于知识图谱的电力安全预警模型对所述测试样本进行图像处理，发送预警信息至危险信息检测设备，判定危险级别，包括：
获取与图像各区域特征相似度最高的实体；
确定所述封闭域知识图谱中实体之间存在的关系路径；
根据筛选出的实体集合及其关系路径确定候选的预警信息模板集；
通过最小编辑距离找到语义最接近的预警信息模板，形成预警信息描述结果；
根据危险信息标准语料库，通过训练好的深度学习模型筛选出与描述结果相似度最高的危险信息，判定预警信息的危险等级。
如图7、8所示，本发明还提供一种基于知识图谱的电力安全预警系统，实现基于知识图谱的电力安全预警方法，包括：
采集模块，用于获取电力设备场景图像数据，并将所述电力设备场景图像数据预处理为标记图像数据；
划分模块，用于剔除所述标记图像数据中异常的图像数据，以得到数据集，将所述数据集划分为训练样本和测试样本；
训练模块，用于通过基于知识图谱的电力安全预警模型训练样本，以得到训练后基于知识图谱的电力安全预警模型；
预警模块，用于通过训练后基于知识图谱的电力安全预警模型对所述测试样本进行图像处理，发送预警信息至危险信息检测设备，判定危险级别。
进一步，构架模块的具体过程包括：
根据电力设备日常巡检中的设备缺陷情况记录，筛选出现频次较高的预警信息描述范式，构成预警信息模板集；
获取封闭域知识图谱；
使用Inception_v4模型对所述标记图像数据进行编码获取信息；
提取Inception_v4模型最后一层全连接层的输出特征作为图像的全局特征V0；
提取Inception_v4模型最后一层卷积层的输出特征作为图像的局部特征V＝{v1，...，vK}，k为图像被划分的总区域个数，V为图像的局部特征向量；
通过所述训练样本进行分词处理、去除停用词以及词性筛选，形成图像标签词汇表，采用训练好的FCN模型分别对图像的各个区域特征进行标签预测，得到图像局部特征标签；
对图像局部特征标签进行筛选检查，以剔除无意义的局部特征块；
依据所述图像各局部特征标签向知识图谱发出查询请求；
依据知识图谱中相关知识的存储格式对各实体标签进行描述归一化；
通过描述归一化后的实体标签形成对应标准化的SPARQL查询语句；
通过标准化的查询语句检索知识库中相应的实体以及与其在类别、关系、相关性匹配度较高的实体，然后投射到高维向量空间，获得字向量或者词向量；
利用训练好的深度学习模型对实体相似度进行计算，再通过相应的打分机制获得候选排序；
筛选出与图像各区域特征相似度最高的实体，确定实体之间存在的关系路径；
依据所述关系路径和信息描述模板形成预警信息，得到训练后基于知识图谱的电力安全预警模型。
进一步，所述预警模块，包括：
获取单元，用于获取与图像各区域特征相似度最高的实体；
第一确定单元，用于确定封闭域知识图谱中实体之间存在的关系路径；
第二确定单元，用于根据筛选出的实体集合及其关系路径，确定候选的预警信息模板集；
处理单元，用于通过最小编辑距离找到语义最接近的预警信息模板，形成预警信息描述结果；
判定单元，用于根据危险信息标准语料库，通过训练好的深度学习模型筛选出与描述结果相似度最高的危险信息，判定预警信息的危险等级。
综上所述，本发明的基于知识图谱的电力安全预警方法通过采用标记的电力设备外观场景图像样本，对基于知识图谱的电力安全预警模型进行训练，得到训练后的网络模型用于生成基于知识图谱的电力安全预警模型，不需要采用人工观测电力设备外观场景，预警效果良好。本发明解决了传统的设备巡检场景中存在大量人工操作、电力设备外观检测效率低下、不能及时预防设备外观缺陷引起的电力安全事故等问题，从根本上为电力作业人员和电力用户提供安全保障。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (7)

1.一种基于知识图谱的电力安全预警方法，其特征在于，包括；
采集电力设备场景图像数据，并将所述电力设备场景图像数据预处理为标记图像数据；
剔除所述标记图像数据中异常的图像数据，以得到数据集，将所述数据集划分为训练样本和测试样本；
通过基于知识图谱的电力安全预警模型训练样本，以得到训练后基于知识图谱的电力安全预警模型；
通过训练后基于知识图谱的电力安全预警模型对所述测试样本进行图像处理，发送预警信息至危险信息检测设备，判定危险级别；
得到训练后基于知识图谱的电力安全预警模型，包括：
根据电力设备日常巡检中的设备缺陷情况记录，筛选出现频次较高的预警信息描述范式，构成预警信息模板集；
获取封闭域知识图谱；
使用Inception_v4模型对所述标记图像数据进行编码获取信息；
提取Inception_v4模型最后一层全连接层的输出特征作为图像的全局特征V0；
提取Inception_v4模型最后一层卷积层的输出特征作为图像的局部特征V＝{v1，...，vK}，k为图像被划分的总区域个数，V为图像的局部特征向量；
通过所述训练样本进行分词处理、去除停用词以及词性筛选，形成图像标签词汇表，采用训练好的FCN模型分别对图像的各个区域特征进行标签预测，得到图像局部特征标签；
对图像局部特征标签进行筛选检查，以剔除无意义的局部特征块；
依据所述图像各局部特征标签向知识图谱发出查询请求；
依据知识图谱中相关知识的存储格式对各实体标签进行描述归一化；
通过描述归一化后的实体标签形成对应标准化的SPARQL查询语句；
通过标准化的查询语句检索知识库中相应的实体以及与其在类别、关系、相关性匹配度较高的实体，然后投射到高维向量空间，获得字向量或者词向量；
利用训练好的深度学习模型对实体相似度进行计算，再通过相应的打分机制获得候选排序；
筛选出与图像各区域特征相似度最高的实体，确定实体之间存在的关系路径；
依据所述关系路径和信息描述模板形成预警信息，得到训练后基于知识图谱的电力安全预警模型。
2.根据权利要求1所述的基于知识图谱的电力安全预警方法，其特征在于，所述获取电力设备场景图像数据，并将所述电力设备场景图像数据预处理为标记图像数据包括：
采集摄像头视距范围内的电力设备场景视频流数据；
提取视频流数据中的关键帧，并保存所述关键帧为图像数据；
裁剪所述图像数据，得到所述标记图像数据。
3.根据权利要求1所述的基于知识图谱的电力安全预警方法，其特征在于，所述训练好的FCN模型分别对图像的各个区域特征进行标签预测，包括：
利用13个3×3的卷积层和5个最大池化层提取图像中抽象的语义特征；
利用1×1的卷积层实现任意尺寸图像的输入；
通过反卷积进行上采样，将图像恢复成原始大小；
将第5个池化层输出的特征图经过反卷积扩大2倍后与第4个池化层输出的特征图结合，并将其结果反卷积扩大2倍后与第3个池化层输出的特征图结合，最后反卷积扩大8倍后生成预测标签图像。
4.根据权利要求1所述的基于知识图谱的电力安全预警方法，其特征在于，所述筛选与图像各区域特征相似度最高的实体，包括：
利用训练好的深度学习模型对实体相似度进行计算，可表示为：
Si＝Calculate(pi|qi)
其中，Si表示实体相似度，Calculate函数表示深度学习模型中的相似度打分机制，pi表示图像的各个局部特征，qi表示知识图谱中的实体；
筛选出与图像各区域特征相似度最高的实体，表示为：
Zi＝max(Si)
其中，Zi表示知识图谱中对应各局部图像特征相似度最高的实体，Si表示知识图谱中各实体的相似度。
5.根据权利要求1所述的基于知识图谱的电力安全预警方法，其特征在于，通过训练后基于知识图谱的电力安全预警模型对所述测试样本进行图像处理，发送预警信息至危险信息检测设备，判定危险级别，包括：
获取与图像各区域特征相似度最高的实体；
确定所述封闭域知识图谱中实体之间存在的关系路径；
根据筛选出的实体集合及其关系路径确定候选的预警信息模板集；
通过最小编辑距离找到语义最接近的预警信息模板，形成预警信息描述结果；
根据危险信息标准语料库，通过训练好的深度学习模型筛选出与描述结果相似度最高的危险信息，判定预警信息的危险等级。
6.一种基于知识图谱的电力安全预警系统，其特征在于，包括：
采集模块，用于获取电力设备场景图像数据，并将所述电力设备场景图像数据预处理为标记图像数据；
划分模块，用于剔除所述标记图像数据中异常的图像数据，以得到数据集，将所述数据集划分为训练样本和测试样本；
训练模块，用于通过基于知识图谱的电力安全预警模型训练样本，以得到训练后基于知识图谱的电力安全预警模型；
预警模块，用于通过训练后基于知识图谱的电力安全预警模型对所述测试样本进行图像处理，发送预警信息至危险信息检测设备，判定危险级别；
所述训练模块的执行过程包括：
根据电力设备日常巡检中的设备缺陷情况记录，筛选出现频次较高的预警信息描述范式，构成预警信息模板集；
获取封闭域知识图谱；
使用Inception_v4模型对所述标记图像数据进行编码获取信息；
提取Inception_v4模型最后一层全连接层的输出特征作为图像的全局特征V0；
提取Inception_v4模型最后一层卷积层的输出特征作为图像的局部特征V＝{v1，...，vK}，k为图像被划分的总区域个数，V为图像的局部特征向量；
通过所述训练样本进行分词处理、去除停用词以及词性筛选，形成图像标签词汇表，采用训练好的FCN模型分别对图像的各个区域特征进行标签预测，得到图像局部特征标签；
对图像局部特征标签进行筛选检查，以剔除无意义的局部特征块；
依据所述图像各局部特征标签向知识图谱发出查询请求；
依据知识图谱中相关知识的存储格式对各实体标签进行描述归一化；
通过描述归一化后的实体标签形成对应标准化的SPARQL查询语句；
通过标准化的查询语句检索知识库中相应的实体以及与其在类别、关系、相关性匹配度较高的实体，然后投射到高维向量空间，获得字向量或者词向量；
利用训练好的深度学习模型对实体相似度进行计算，再通过相应的打分机制获得候选排序；
筛选出与图像各区域特征相似度最高的实体，确定实体之间存在的关系路径；
依据所述关系路径和信息描述模板形成预警信息，得到训练后基于知识图谱的电力安全预警模型。
7.如权利要求6所述的基于知识图谱的电力安全预警系统，其特征在于，
所述预警模块，包括：
获取单元，用于获取与图像各区域特征相似度最高的实体；
第一确定单元，用于确定封闭域知识图谱中实体之间存在的关系路径；
第二确定单元，用于根据筛选出的实体集合及其关系路径，确定候选的预警信息模板集；
处理单元，用于通过最小编辑距离找到语义最接近的预警信息模板，形成预警信息描述结果；
判定单元，用于根据危险信息标准语料库，通过训练好的深度学习模型筛选出与描述结果相似度最高的危险信息，判定预警信息的危险等级。
CN202110660681.4A 2021-06-15 2021-06-15 一种基于知识图谱的电力安全预警方法及系统 Active CN113312499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110660681.4A CN113312499B (zh) 2021-06-15 2021-06-15 一种基于知识图谱的电力安全预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110660681.4A CN113312499B (zh) 2021-06-15 2021-06-15 一种基于知识图谱的电力安全预警方法及系统

Publications (2)

Publication Number Publication Date
CN113312499A CN113312499A (zh) 2021-08-27
CN113312499B true CN113312499B (zh) 2022-10-04

Family

ID=77378735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110660681.4A Active CN113312499B (zh) 2021-06-15 2021-06-15 一种基于知识图谱的电力安全预警方法及系统

Country Status (1)

Country Link
CN (1) CN113312499B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113783874B (zh) * 2021-09-10 2023-08-29 国网数字科技控股有限公司 基于安全知识图谱的网络安全态势评估方法及系统
CN113849663B (zh) * 2021-11-29 2022-04-01 湖南乐泊科技有限公司 摄像头协同知识图谱的故障监控方法、系统及计算机介质
CN114819878B (zh) * 2022-03-29 2024-08-06 新奥新智科技有限公司 燃气工程的作业示险方法和系统、计算机可读介质
CN117557244B (zh) * 2023-09-27 2024-07-02 国网江苏省电力有限公司信息通信分公司 基于知识图谱的电力运维警戒系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3600604A (en) * 1968-12-03 1971-08-17 Westinghouse Electric Corp Failsafe logic gates
CN107067026A (zh) * 2017-02-16 2017-08-18 国网江苏省电力公司电力科学研究院 基于深度神经网络的电力设备故障检测方法
CN108270785A (zh) * 2018-01-15 2018-07-10 中国人民解放军国防科技大学 一种基于知识图谱的分布式安全事件关联分析方法
CN110601374A (zh) * 2019-10-21 2019-12-20 国网电子商务有限公司 一种用电管理系统及用电数据监测方法
CN110825885A (zh) * 2019-11-13 2020-02-21 南方电网科学研究院有限责任公司 一种电力设备知识图谱应用系统
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
CN112580831A (zh) * 2020-11-19 2021-03-30 国网江苏省电力有限公司信息通信分公司 一种基于知识图谱的电力通信网智能辅助运维方法及系统
CN112612902A (zh) * 2020-12-23 2021-04-06 国网浙江省电力有限公司电力科学研究院 一种电网主设备的知识图谱构建方法及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9778286B2 (en) * 2013-05-21 2017-10-03 The Research Foundation For The State University Of New York Sensors for power distribution network and electrical grid monitoring system associated therewith

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3600604A (en) * 1968-12-03 1971-08-17 Westinghouse Electric Corp Failsafe logic gates
CN107067026A (zh) * 2017-02-16 2017-08-18 国网江苏省电力公司电力科学研究院 基于深度神经网络的电力设备故障检测方法
CN108270785A (zh) * 2018-01-15 2018-07-10 中国人民解放军国防科技大学 一种基于知识图谱的分布式安全事件关联分析方法
CN110601374A (zh) * 2019-10-21 2019-12-20 国网电子商务有限公司 一种用电管理系统及用电数据监测方法
CN110825885A (zh) * 2019-11-13 2020-02-21 南方电网科学研究院有限责任公司 一种电力设备知识图谱应用系统
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
CN112580831A (zh) * 2020-11-19 2021-03-30 国网江苏省电力有限公司信息通信分公司 一种基于知识图谱的电力通信网智能辅助运维方法及系统
CN112612902A (zh) * 2020-12-23 2021-04-06 国网浙江省电力有限公司电力科学研究院 一种电网主设备的知识图谱构建方法及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Predicting Graph Signals Using Kernel Regression Where the Input Signal is Agnostic to a Graph;Arun Venkitaraman;《IEEE Transactions on Signal and Information Processing over Networks》;20190820;第698-710页 *
基于卷积神经网络的建筑工程施工安全预警研究;赵静;《中国优秀博硕士学位论文全文数据库》;20200815;第B026-20页 *
基于知识图谱的网络安全数据组织方法;张阳等;《指挥信息系统与技术》;20200115(第06期);第29-35页 *

Also Published As

Publication number Publication date
CN113312499A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN113312499B (zh) 一种基于知识图谱的电力安全预警方法及系统
CN113392986B (zh) 一种基于大数据的公路桥梁信息抽取方法及管理养护系统
CN112507035B (zh) 输电线路多源异构数据统一标准化处理系统及方法
CN113095331A (zh) 一种电力设备外观缺陷的视觉问答方法、系统、设备及其存储介质
CN107908175A (zh) 一种电力系统现场智能化运维系统
CN117273133A (zh) 配电网多源异构数据知识图谱的构建方法
Liu et al. Research and application of artificial intelligence service platform for the power field
CN110516138A (zh) 一种基于多源自更新威胁情报库的食品安全事件预警系统
CN118643997B (zh) 基于自然语言处理和数据驱动模型的洪涝韧性高效评估方法和系统
CN114842363B (zh) 一种数字孪生台区关键电力设备的识别方法及系统
CN114201960B (zh) 一种基于情感属性挖掘的图像情感分析方法
CN112685570A (zh) 一种基于多标签图的电网网架知识图谱的构建方法
Feng et al. Gabor-YOLONet: A lightweight and efficient detection network for low-voltage power lines from unmanned aerial vehicle images
CN117152646B (zh) 无人电力巡检ai轻量大模型方法及系统
CN113487194A (zh) 一种基于文本分类的电力系统调度员等级评估系统
CN118606775A (zh) 一种基于多源数据融合的应急事件识别方法及系统
Xu et al. An efficient YOLO v3-based method for the detection of transmission line defects
CN117763242A (zh) 一种基于知识图谱的城市规划成果和大事件智能检索方法
CN117746264A (zh) 无人机航拍车辆检测与道路分割的多任务实现方法
CN115456080A (zh) 多源数据的双阶段融合方法及系统
Wang et al. [Retracted] Design of an Underground Transmission Line Condition Fault Monitoring System for Power Grids Based on Data Analysis Algorithms
CN115631153A (zh) 一种基于感知学习结构的管廊视觉缺陷检测方法及系统
Feng et al. A Power Grid Equipment Fault Prediction Model Based on Faster RCNN and Video Streaming
CN119025926B (zh) 基于语义标签构建的河湖水环境预警方法及系统
Chen et al. Adaptive semi-supervise graph neural network for fault diagnosis of tunnel ventilation systems

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
CB03 Change of inventor or designer information

Inventor after: Zhao Chong

Inventor after: Ge Jiusong

Inventor after: Wei Xing

Inventor after: Yu Hao

Inventor after: Yao Shang

Inventor after: Hou Baohua

Inventor after: Kang Xu

Inventor after: Lu Yang

Inventor before: Ge Jiusong

Inventor before: Wei Xing

Inventor before: Yu Hao

Inventor before: Yao Shang

Inventor before: Hou Baohua

Inventor before: Kang Xu

Inventor before: Lu Yang

Inventor before: Zhao Chong

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant