CN113870046A - 电力设备故障诊断方法及设备 - Google Patents
电力设备故障诊断方法及设备 Download PDFInfo
- Publication number
- CN113870046A CN113870046A CN202111045373.7A CN202111045373A CN113870046A CN 113870046 A CN113870046 A CN 113870046A CN 202111045373 A CN202111045373 A CN 202111045373A CN 113870046 A CN113870046 A CN 113870046A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- knowledge graph
- power equipment
- type
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003745 diagnosis Methods 0.000 title claims description 45
- 238000007689 inspection Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000013526 transfer learning Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000013508 migration Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F16/334—Query execution
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种电力设备故障诊断方法及设备,该方法包括获取多个电力设备的当前巡检数据;根据各个电力设备的当前巡检数据,建立故障知识图谱;将故障知识图谱与基础知识图谱进行匹配,以确定当前各个电力设备的故障类型和决策方案,其中,基础知识图谱根据各个电力设备的历史巡检数据、故障处理数据、调度规范数据预先建立。通过将表示设备当前故障的故障知识图谱与集合了全部故障情况多个电力设备的基础知识图谱相匹配,以准确确定当前故障类型以及决策方案,能够准确的对多个电力设备进行故障诊断。
Description
技术领域
本申请属于电力设备故障诊断技术领域,尤其涉及一种电力设备故障诊断方法及设备。
背景技术
随着物联网技术、传感技术以及人工智能技术等新兴技术的高速发展,新型的高度智能化的电力设备越来越多,新增了大量多源异构的电力设备数据,包括数字、文字、图像、声音、视频等。
现有技术中,由于传统的比值方法、波形特征分析方法由于其主要针对单一设备的某一数据,因此面对大量的新增数据以及设备之间的彼此联系,诊断的准确率低。
发明内容
有鉴于此,本发明提供了一种电力设备故障诊断方法及设备,旨在解决对电力设备故障诊断准确率低的问题。
本发明实施例的第一方面提供了一种电力设备故障诊断方法,包括:
获取多个电力设备的当前巡检数据;
根据各个电力设备的当前巡检数据,建立故障知识图谱;
将所述故障知识图谱与基础知识图谱进行匹配,以确定当前各个电力设备的故障类型和决策方案,其中,所述基础知识图谱根据各个电力设备的历史巡检数据、故障处理数据、调度规范数据预先建立。
本发明实施例的第二方面提供了一种电力设备故障诊断装置,包括:
获取模块,用于获取多个电力设备的当前巡检数据;
建立模块,用于根据各个电力设备的当前巡检数据,建立故障知识图谱;
匹配模块,用于将所述故障知识图谱与基础知识图谱进行匹配,以确定当前各个电力设备的故障类型和决策方案,其中,所述基础知识图谱根据各个电力设备的历史巡检数据、故障处理数据、调度规范数据预先建立。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面所述电力设备故障诊断方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面所述电力设备故障诊断方法的步骤。
本发明实施例提供的电力设备故障诊断方法及设备,获取多个电力设备的当前巡检数据;根据各个电力设备的当前巡检数据,建立故障知识图谱;将故障知识图谱与基础知识图谱进行匹配,以确定当前各个电力设备的故障类型和决策方案,其中,基础知识图谱根据各个电力设备的历史巡检数据、故障处理数据、调度规范数据预先建立。通过将表示设备当前故障的故障知识图谱与集合了全部故障情况多个电力设备的基础知识图谱相匹配,以准确确定当前故障类型以及决策方案,能够准确的对多个电力设备进行故障诊断。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的电力设备故障诊断方法的应用环境图;
图2是本发明一个实施例提供的电力设备故障诊断方法的实现流程图;
图3是本发明一个实施例提供的迁移学习算法的原理示意图;
图4是本发明一个实施例提供的基础知识图谱的结构示意图;
图5是本发明一个实施例提供的故障知识图谱的结构示意图;
图6是本发明一个实施例提供的包含关系冗余示意图;
图7是本发明一个实施例提供的故障知识图谱和基础知识图谱的匹配示意图;
图8是本发明一个实施示例提供的电力设备故障诊断方法的实现流程图;
图9是本发明一个实施例提供的电力设备故障诊断装置的结构示意图;
图10是本发明一个实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
电力设备是电力系统中的重要组成内容,变压器、输电线路、断路器等关键设备在运行中产生的不同类型、不同程度的故障都会直接影响整个电力系统的安全稳定运行。由于输变电设备本身就是一个极其复杂的系统,表征其状态的特征量众多,比如运行工况、检修历史、工作环境、检测数据等,这些状态信息具有不确定性和模糊性,同时这些状态量彼此之间也相互耦合影响,系统具有关联性。
目前,输变电设备的运维检修业务主要在导则、规程、专家经验或传统的比值、波形特性分析法等方式的指导下开展。导则、规程和专家经验都是基于过去设备故障知识的总结、提炼,从而形成的指导性文件或经验知识,这些知识需要大量的前期学习成本以及经验积累时间。而且随着物联网技术、传感技术以及人工智能技术等技术的高速发展,智能化程度高的电力设备越来越多,新增了大量多源异构的电力设备数据,包括数字、文字、图像、声音、视频等。原有的导则、规程和专家经验更新速度很难跟上爆炸增长的新数据,评估准确率低。而传统的比值、波形特征分析方法主要针对单一设备的某一数据,因此面对大量的新增数据以及设备之间的彼此联系,其评估准确性低、诊断效率低。
本发明主要是针对电力设备系统复杂、数据多源异构、信息密度大等问题,利用知识图谱匹配的方式更好的管理和理解海量信息,并提出一种迁移学习的算法来补全现有知识所搭建知识图谱中的空窗,以提高故障诊断的效率和准确率。
图1是本发明一个实施例提供的电力设备故障诊断方法的应用环境图。本发明实施例提供的电力设备故障诊断方法可以但不限于应用于该应用环境。如图1所示,该系统中包括:数据库11、电子设备12、巡检终端13。
巡检终端13用于录入当前巡检数据并将其发送给电子设备12,电子设备12在接收到当前巡检数据后,从数据库中获取基础知识图谱,然后对电力设备进行故障诊断,得到故障类型和决策方案,并将其存储到数据库11中,和/或将其发送至巡检终端13。
数据库11可以是关系型数据库,也可以是非关系型数据库,在此不作限定。电子设备12可以是服务器、终端等,在此不作限定。服务器可以用独立服务器或者是多个服务器组成的服务器集群来实现。终端可以包括但不限于台式计算机、笔记本电脑、平板电脑等。巡检终端13可以包括但不限于手机、笔记本电脑、手持移动终端等,在此不作限定。
图2是本发明一个实施例提供的电力设备故障诊断方法的实现流程图。该实施例中,以该方法应用于图1中的电子设备为例进行说明。如图2所示,该方法包括:
S201,获取多个电力设备的当前巡检数据。
S202,根据各个电力设备的当前巡检数据,建立故障知识图谱。
S203,将故障知识图谱与基础知识图谱进行匹配,以确定当前各个电力设备的故障类型和决策方案,其中,基础知识图谱根据各个电力设备的历史巡检数据、故障处理数据、调度规范数据预先建立。
本实施例中,当前巡检数据和历史巡检数据主要为电力设备的具体故障现象和故障程度。故障知识图谱与基础知识图谱进行匹配即可以是当前故障现象和故障程度与历史故障现象和故障程度相匹配,然后根据基础知识图谱中的调度规范数据可以确定故障类型,根据基础知识图谱中的故障处理数据可以确定决策方案。
本实施例中,获取多个电力设备的当前巡检数据;根据各个电力设备的当前巡检数据,建立故障知识图谱;将故障知识图谱与基础知识图谱进行匹配,以确定当前各个电力设备的故障类型和决策方案,其中,基础知识图谱根据各个电力设备的历史巡检数据、故障处理数据、调度规范数据预先建立。通过将表示设备当前故障的故障知识图谱与集合了全部故障情况多个电力设备的基础知识图谱相匹配,以准确确定当前故障类型以及决策方案,能够准确的对多个电力设备进行故障诊断。
并且,通过使用预先构建的基础知识图谱,减少了搭建过程中的运算,在故障诊断的过程中只需进行故障知识图谱搭建和匹配工作,保证了故障诊断的快速性和高效性。
图3是本发明一个实施例提供的迁移学习算法的原理示意图。如图3所示,在一些实施例中,电力设备故障诊断方法还包括:
根据历史巡检数据、故障处理数据、调度规范数据和迁移学习算法建立基础知识图谱。
在一些实施例中,每个电力设备对应至少一种故障类型;每种故障类型对应至少一种属性。
根据历史巡检数据、故障处理数据、调度规范数据和迁移学习算法建立基础知识图谱,包括:
根据故障处理数据、调度规范数据确定各个电力设备的故障类型;并根据故障类型,建立故障类型知识图谱;
根据历史巡检数据,建立属性知识图谱;
以故障类型知识图谱为基准,将属性知识图谱与之匹配,得到具有空窗的准完备知识图谱;将属性知识图谱作为源域、将空窗作为目标域,根据迁移学习算法对准完备基础知识图谱进行空窗填补,得到基础知识图谱。
本实施例中,电力设备的属性可以包括电力设备的故障现象、程度等,具体可以将其量化为电力设备的运行参数,例如由温度传感器、电流传感器等装置记录的故障下的电力设备的运行参数。
本实施例中,构建知识图谱的参考资料集种类繁杂,不同资料倾向于不同的知识内容,如故障处理数据、调度规范数据集中于对故障整体描述,面对的是整类设备所有可能的故障类型,无法细化到每类故障对应的具体故障表现程度、现象。而历史巡检数据更倾向于从具体电力设备出发,根据设备实际故障记录表达具体设备具体的故障现象和程度,但由于数据源于具体设备,无法完成对所有故障类型和对应故障现象、程度的关联。因此,基于这些资料构建的基础知识图谱必然存在整体知识中标明存在,但在历史巡检记录中没有记录故障现象、程度等属性的情况,可以称这种情况为空窗,空窗的存在导致基础知识图谱不完备,故障知识图谱进行匹配时精度受影响。
本实施例中,通过迁移学习算法对基础知识图谱进行完善,具体包括:
通过神经网络建立各属性与故障类型的联系;
针对某一个空窗,根据该空窗缺失属性的相邻属性与故障类型的联系、迁移学习算法,对该空窗进行数据迁移,以填充其缺失的属性。
例如图3中,对于电力设备1的故障1(故障类型),在故障类型知识图谱中标明了五种故障程度(程度1-5),但在属性知识图谱中仅存在2种故障程度(程度1、程度4),故基础知识图谱对于故障1存在3个空窗。根据迁移学习算法和存在的2种故障程度,可以得出另外三种故障程度:由程度1迁移得到程度2、由程度4迁移得到程度3、由程度4迁移得到程度5。
本实施例中,通过迁移学习算法对基础知识图谱进行完善,能够有效提高电力设备故障诊断的准确度。
在一些实施例中,故障处理数据可以包括但不限于下述至少一项:专家经验数据、调度方案数据、预案数据;调度规范数据可以包括但不限于下述至少一项:字典数据、导则数据、规程数据。
在一些实施例中,故障知识图谱与基础知识图谱的结构相同。图4是本发明一个实施例提供的基础知识图谱的结构示意图。图5是本发明一个实施例提供的故障知识图谱的结构示意图。如图4和图5所示,根据各个电力设备的当前巡检数据,建立故障知识图谱,包括:
根据当前巡检数据和字典数据,建立多个第一类三元组和多个第二类三元组;其中,第一类三元组表示任意两个电力设备之间的关系;第一类三元组的结构为电力设备-关系-电力设备;第二类三元组表示各个电力设备的属性;第二类三元组的结构为电力设备-关系-属性;
将各个第一类三元组和各个第二类三元组之间共有的电力设备或属性结合,得到网状结构的故障知识图谱。
本实施例中,图4和图5给出了在一种可能情况下的基础知识图谱和故障知识图谱结构示例,其中,A、B、C、D、E、F、G、H、I为故障的电力设备,每两个电力设备以及其关系构成一个第一类三元组。J、K、L、M为故障电力设备的属性,I与J、H与J以及F与K,构成三个第二类三元组。
在一些实施例中,根据当前巡检数据和字典数据,建立多个第一类三元组和多个第二类三元组,包括:
S1,电力设备/属性抽取。S1具体可以是分别根据电力设备和属性对当前巡检数据和字典数据进行数据提取。
S2,共指消解。S2具体可以包括根据词向量计算工具对提取的数据进行转换,得到多个词向量;词向量包括电力设备词向量和属性词向量;
计算每两个词向量之间的相关性;
若某两个词向量之间的相关性大于预设阈值,则合并该两个词向量。
S3,关系抽取。S3具体可以包括确定各个电力设备词向量和各个属性词向量之间是否存在关联关系;
若电力设备词向量和属性词向量之间存在关联关系,则根据关联关系、关联关系对应的电力设备词向量和属性词向量,建立多个第二类三元组。
S4,关系筛选。S4具体可以包括获取各个电力设备词向量之间的包含关系,并删除非直接包含的包含关系;
根据各个电力设备词向量、各个电力设备词向量之间的包含关系,建立多个第一类三元组。
本实施例中,词向量计算工具可以是word2vec。根据词向量计算工具对提取的数据进行转换,具体包括:将电力设备/属性按照词性分类,将各词性为同类的词转换为一个词向量。合并相关性高的词向量,可以减少同义词,实现共指消解,减小知识图谱的复杂程度。
本实施例中,获取各个电力设备词向量之间的包含关系,并删除非直接包含的包含关系,旨在消除冗余包含关系。图6是本发明一个实施例提供的包含关系冗余示意图。如图6所示,存在三个电力设备,分别为A、a以及风扇,其中,A包含a,a包含风扇,A包含风扇。此时A包含风扇为非直接包含的包含关系,即冗余包含关系,应当将其删除。
图7是本发明一个实施例提供的故障知识图谱和基础知识图谱的匹配示意图。如图7所示,在一些实施例中,将故障知识图谱与基础知识图谱进行匹配,包括:
根据故障知识图谱中的电力设备,对基础知识图谱中的各电力设备进行标记;
查找基础知识图谱中的合理支路,合理支路为包括全部标记的电力设备的支路;
将故障知识图谱中的属性与合理支路进行关联,以完成匹配。
本实施例中,在图4和图5给出了在一种可能情况下的基础知识图谱和故障知识图谱结构的基础上,将故障知识图谱与基础知识图谱进行匹配,具体如下:
根据故障知识图谱中的电力设备,对基础知识图谱中的各电力设备进行标记,其中,黑色部分为标记部分。
查找基础知识图谱中的合理支路:标记部分仅有i与属性具有连接关系,以i为起点,共存在三条支路:1)i-f-e-g,2)i-f-e-b-a,3)i-f-d-c-b-a,其中只有3)i-f-c-b-a包括全部标记的电力设备,故其为合理支路。
将故障知识图谱中的属性与合理支路进行关联,以完成匹配。
在一些实施例中,电力设备故障诊断方法还包括:
若故障知识图谱与基础知识图谱不匹配,则根据故障知识图谱对基础知识图谱进行更新。
本实施例中,在知识图谱使用过程中,如果根据日常巡检记录构建的故障知识图谱无法与基础知识图谱匹配,在根据专家经验数据确认后,会将故障知识图谱更新进基础知识图谱,以完善基础知识图谱。
本实施例中,通过故障知识图谱对基础知识图谱进行动态更新,可以保障基础知识图谱的长期有效。
在一些实施例中,电力设备故障诊断方法还包括:
在各个电力设备的历史巡检数据、故障处理数据或调度规范数据发生变化时,判断变化的数据量是否超过预设阈值;
若变化的数据量不超过预设阈值,则根据变化的数据建立更新知识图谱,并根据更新知识图谱对基础知识图谱进行更新;
若变化的数据量超过预设阈值,则删除基础知识图谱,并根据变化后的历史巡检数据、故障处理数据或调度规范数据建立新的基础知识图谱。
本实施例中,如果遇到新增规程数据、导则数据等,对其进行上述的知识图谱构建,得到新的知识图谱,更新入基础知识图谱;上述两种更新均属于增量更新,只需要消耗较少资源。
如果遇到基础数据的大量更新,增量更新无法胜任时,则只能覆盖原知识图谱,进行全量更新。
图8是本发明一个实施示例提供的电力设备故障诊断方法的实现流程图。如图8所示,下面通过一个实施示例对上述电力设备故障诊断方法进行说明,但并不作为限定。该实施示例的具体步骤如下:
步骤1,根据数据库存储的历史巡检数据、故障处理数据、调度规范数据和迁移学习算法建立基础知识图谱。
步骤2,获取多个电力设备的当前巡检数据。
步骤3,根据各个电力设备的当前巡检数据,建立故障知识图谱。
步骤4,将故障知识图谱与基础知识图谱进行匹配,以确定当前各个电力设备的故障类型和决策方案。
步骤5,若故障知识图谱与基础知识图谱不匹配,或数据库数据发生变化,则对基础知识图谱进行更新。
本实施示例中,新增巡检记录即为当前巡检数据,字典和电力字典即为字典数据,累计巡检记录即为历史巡检数据。基础知识图谱和故障知识图谱建立均需要经过S1,电力设备/属性抽取。S2,共指消解。S3,关系抽取。S4,关系筛选。以及S5,数据整合。数据整合即为根据各个第一类三元组和各个第二类三元组得到网状的知识图谱的过程。
本发明具有以下优点:
(1)知识图谱将不同结构化的电力设备相互连接,以使数据建立网状关联,实现对数据更高效的利用。
(2)知识图谱也可用于辅助决策,知识图谱不仅仅可以应用于故障诊断,根据专家经验数据、调度方案数据、预案数据等,也可以实现故障诊断时同步关联决策方案,实现辅助决策功能。
(3)由于基于历史巡检数据、故障处理数据、调度规范数据建立基础知识图谱,实际工作使用时只需要建立一个根据当前巡检数据建立的简单的故障知识图谱,将故障知识图谱与基础知识图谱进行匹配,即可方便判断故障、检索决策方案。
(4)通过迁移学习算法对基础知识图谱进行完善,能够有效提高电力设备故障诊断的准确度。
(5)通过不断的更新、调整基础知识图谱结构,使知识图谱保持长期高效运行。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图9是本发明一个实施例提供的电力设备故障诊断装置的结构示意图。如图9所示,电力设备故障诊断装置9,包括:
获取模块910,用于获取多个电力设备的当前巡检数据;
建立模块920,用于根据各个电力设备的当前巡检数据,建立故障知识图谱;
匹配模块930,用于将故障知识图谱与基础知识图谱进行匹配,以确定当前各个电力设备的故障类型和决策方案,其中,基础知识图谱根据各个电力设备的历史巡检数据、故障处理数据、调度规范数据预先建立。
可选的,电力设备故障诊断装置9,还包括:迁移学习模块940。
迁移学习模块940,用于根据历史巡检数据、故障处理数据、调度规范数据和迁移学习算法建立基础知识图谱。
可选的,每个电力设备对应至少一种故障类型。每种故障类型对应至少一种属性。
迁移学习模块940,用于:
根据故障处理数据、调度规范数据确定各个电力设备的故障类型;并根据故障类型,建立故障类型知识图谱;
根据历史巡检数据,建立属性知识图谱;
以故障类型知识图谱为基准,将属性知识图谱与之匹配,得到具有空窗的准完备知识图谱;将属性知识图谱作为源域、将空窗作为目标域,根据迁移学习算法对准完备基础知识图谱进行空窗填补,得到基础知识图谱。
可选的,故障处理数据可以包括但不限于下述至少一项:专家经验数据、调度方案数据、预案数据;调度规范数据可以包括但不限于下述至少一项:字典数据、导则数据、规程数据。
可选的,故障知识图谱与基础知识图谱的结构相同。
建立模块920,用于:
根据当前巡检数据和字典数据,建立多个第一类三元组和多个第二类三元组;其中,第一类三元组表示任意两个电力设备之间的关系;第一类三元组的结构为电力设备-关系-电力设备;第二类三元组表示各个电力设备的属性;第二类三元组的结构为电力设备-关系-属性;
将各个第一类三元组和各个第二类三元组之间共有的电力设备或属性结合,得到网状结构的故障知识图谱。
可选的,建立模块920,用于:
分别根据电力设备和属性对当前巡检数据和字典数据进行数据提取;
根据词向量计算工具对提取的数据进行转换,得到多个词向量;词向量包括电力设备词向量和属性词向量;
计算每两个词向量之间的相关性;
若某两个词向量之间的相关性大于预设阈值,则合并该两个词向量;
确定各个电力设备词向量和各个属性词向量之间是否存在关联关系;
若电力设备词向量和属性词向量之间存在关联关系,则根据关联关系、关联关系对应的电力设备词向量和属性词向量,建立多个第二类三元组;
获取各个电力设备词向量之间的包含关系,并删除非直接包含的包含关系;
根据各个电力设备词向量、各个电力设备词向量之间的包含关系,建立多个第一类三元组。
可选的,匹配模块930,用于:
根据故障知识图谱中的电力设备,对基础知识图谱中的各电力设备进行标记;
查找基础知识图谱中的合理支路,合理支路为包括全部标记的电力设备的支路;
将故障知识图谱中的属性与合理支路进行关联,以完成匹配。
可选的,电力设备故障诊断装置还包括:第一更新模块950.
第一更新模块950,用于若故障知识图谱与基础知识图谱不匹配,则根据故障知识图谱对基础知识图谱进行更新。
可选的,电力设备故障诊断装置还包括:第二更新模块960.
第二更新模块960,用于
在各个电力设备的历史巡检数据、故障处理数据或调度规范数据发生变化时,判断变化的数据量是否超过预设阈值;
若变化的数据量不超过预设阈值,则根据变化的数据建立更新知识图谱,并根据更新知识图谱对基础知识图谱进行更新;
若变化的数据量超过预设阈值,则删除基础知识图谱,并根据变化后的历史巡检数据、故障处理数据或调度规范数据建立新的基础知识图谱。
本实施例提供的电力设备故障诊断装置,可用于执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图10是本发明一个实施例提供的电子设备的示意图。如图10所示,本发明的一个实施例提供的电子设备10,该实施例的电子设备10包括:处理器1000、存储器1001以及存储在存储器1001中并可在处理器1000上运行的计算机程序1002。处理器1000执行计算机程序1002时实现上述各个电力设备故障诊断方法实施例中的步骤,例如图2所示的步骤201至步骤203。或者,处理器1000执行计算机程序1002时实现上述各装置实施例中各模块/单元的功能,例如图9所示模块910至930的功能。
示例性的,计算机程序1002可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器1001中,并由处理器1000执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序1002在电子设备10中的执行过程。
电子设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端可包括,但不仅限于,处理器1000、存储器1001。本领域技术人员可以理解,图10仅仅是电子设备10的示例,并不构成对电子设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器1000可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器1001可以是电子设备10的内部存储单元,例如电子设备10的硬盘或内存。存储器1001也可以是电子设备10的外部存储设备,例如电子设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器1001还可以既包括电子设备10的内部存储单元也包括外部存储设备。存储器1001用于存储计算机程序以及终端所需的其他程序和数据。存储器1001还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述电力设备故障诊断方法实施例中的步骤。
计算机可读存储介质存储有计算机程序1002,计算机程序1002包括程序指令,程序指令被处理器1000执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序1002来指令相关的硬件来完成,计算机程序1002可存储于一计算机可读存储介质中,该计算机程序1002在被处理器1000执行时,可实现上述各个方法实施例的步骤。其中,计算机程序1002包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力设备故障诊断方法,其特征在于,包括:
获取多个电力设备的当前巡检数据;
根据各个电力设备的当前巡检数据,建立故障知识图谱;
将所述故障知识图谱与基础知识图谱进行匹配,以确定当前各个电力设备的故障类型和决策方案,其中,所述基础知识图谱根据各个电力设备的历史巡检数据、故障处理数据、调度规范数据预先建立。
2.根据权利要求1所述的电力设备故障诊断方法,其特征在于,所述方法还包括:
根据所述历史巡检数据、所述故障处理数据、所述调度规范数据和迁移学习算法建立所述基础知识图谱。
3.根据权利要求2所述的电力设备故障诊断方法,其特征在于,每个电力设备对应至少一种故障类型;每种故障类型对应至少一种属性;根据所述历史巡检数据、所述故障处理数据、所述调度规范数据和迁移学习算法建立所述基础知识图谱,包括:
根据故障处理数据、调度规范数据确定各个电力设备的故障类型;并根据所述故障类型,建立故障类型知识图谱;
根据所述历史巡检数据,建立所述属性知识图谱;
以所述故障类型知识图谱为基准,将所述属性知识图谱与之匹配,得到具有空窗的准完备知识图谱;将所述属性知识图谱作为源域、将所述空窗作为目标域,根据迁移学习算法对所述准完备基础知识图谱进行空窗填补,得到所述基础知识图谱。
4.根据权利要求1所述的电力设备故障诊断方法,其特征在于,所述故障处理数据包括下述至少一项:专家经验数据、调度方案数据、预案数据;所述调度规范数据包括下述至少一项:字典数据、导则数据、规程数据。
5.根据权利要求1所述的电力设备故障诊断方法,其特征在于,所述故障知识图谱与所述基础知识图谱的结构相同;所述根据各个电力设备的当前巡检数据,建立故障知识图谱,包括:
根据所述当前巡检数据和字典数据,建立多个第一类三元组和多个第二类三元组;其中,所述第一类三元组表示任意两个电力设备之间的关系;所述第一类三元组的结构为电力设备-关系-电力设备;所述第二类三元组表示各个电力设备的属性;所述第二类三元组的结构为电力设备-关系-属性;
将各个第一类三元组和各个第二类三元组之间共有的电力设备或属性结合,得到网状结构的故障知识图谱。
6.根据权利要求5所述的电力设备故障诊断方法,其特征在于,所述根据所述当前巡检数据和字典数据,建立多个第一类三元组和多个第二类三元组,包括:
分别根据电力设备和属性对所述当前巡检数据和所述字典数据进行数据提取;
根据词向量计算工具对提取的数据进行转换,得到多个词向量;所述词向量包括电力设备词向量和属性词向量;
计算每两个词向量之间的相关性;
若某两个词向量之间的相关性大于预设阈值,则合并该两个词向量;
确定各个电力设备词向量和各个属性词向量之间是否存在关联关系;
若电力设备词向量和属性词向量之间存在关联关系,则根据关联关系、关联关系对应的电力设备词向量和属性词向量,建立所述多个第二类三元组;
获取各个电力设备词向量之间的包含关系,并删除非直接包含的包含关系;
根据各个电力设备词向量、各个电力设备词向量之间的包含关系,建立所述多个第一类三元组。
7.根据权利要求5所述的电力设备故障诊断方法,其特征在于,将所述故障知识图谱与基础知识图谱进行匹配,包括:
根据所述故障知识图谱中的电力设备,对基础知识图谱中的各电力设备进行标记;
查找所述基础知识图谱中的合理支路,所述合理支路为包括全部标记的电力设备的支路;
将所述故障知识图谱中的属性与所述合理支路进行关联,以完成匹配。
8.根据权利要求1-7任一项所述的电力设备故障诊断方法,其特征在于,所述方法还包括:
若所述故障知识图谱与所述基础知识图谱不匹配,则根据所述故障知识图谱对所述基础知识图谱进行更新;
所述方法还包括:
在所述各个电力设备的历史巡检数据、故障处理数据或调度规范数据发生变化时,判断变化的数据量是否超过预设阈值;
若变化的数据量不超过预设阈值,则根据变化的数据建立更新知识图谱,并根据所述更新知识图谱对所述基础知识图谱进行更新;
若变化的数据量超过预设阈值,则删除所述基础知识图谱,并根据变化后的历史巡检数据、故障处理数据或调度规范数据建立新的基础知识图谱。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至8中任一项所述电力设备故障诊断方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至8中任一项所述电力设备故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045373.7A CN113870046A (zh) | 2021-09-07 | 2021-09-07 | 电力设备故障诊断方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045373.7A CN113870046A (zh) | 2021-09-07 | 2021-09-07 | 电力设备故障诊断方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113870046A true CN113870046A (zh) | 2021-12-31 |
Family
ID=78994682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111045373.7A Pending CN113870046A (zh) | 2021-09-07 | 2021-09-07 | 电力设备故障诊断方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870046A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114372063A (zh) * | 2022-01-21 | 2022-04-19 | 华谱科仪(北京)科技有限公司 | 一种基于色谱仪的故障检测方法及电子设备 |
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 |
CN115860435A (zh) * | 2023-02-20 | 2023-03-28 | 国网湖北省电力有限公司经济技术研究院 | 带agv的电力设备预防性维修动态柔性调度方法及系统 |
CN115865620A (zh) * | 2022-11-25 | 2023-03-28 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种柔直换流变告警知识系统 |
CN116054910A (zh) * | 2022-12-20 | 2023-05-02 | 中国人民解放军63819部队 | 基于知识图谱构建的地球站设备故障分析及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190220752A1 (en) * | 2017-12-08 | 2019-07-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, server, and storage medium for incorporating structured entity |
CN111400505A (zh) * | 2020-03-13 | 2020-07-10 | 国家电网有限公司 | 一种用电信息采集系统匹配故障消缺方案的方法及系统 |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN112231493A (zh) * | 2020-11-10 | 2021-01-15 | 泽恩科技有限公司 | 基于知识图谱的机房故障诊断方法、装置、设备及介质 |
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 |
CN113112164A (zh) * | 2021-04-19 | 2021-07-13 | 特变电工股份有限公司新疆变压器厂 | 基于知识图谱的变压器故障诊断方法、装置及电子设备 |
-
2021
- 2021-09-07 CN CN202111045373.7A patent/CN113870046A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190220752A1 (en) * | 2017-12-08 | 2019-07-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, server, and storage medium for incorporating structured entity |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111400505A (zh) * | 2020-03-13 | 2020-07-10 | 国家电网有限公司 | 一种用电信息采集系统匹配故障消缺方案的方法及系统 |
CN112231493A (zh) * | 2020-11-10 | 2021-01-15 | 泽恩科技有限公司 | 基于知识图谱的机房故障诊断方法、装置、设备及介质 |
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 |
CN113112164A (zh) * | 2021-04-19 | 2021-07-13 | 特变电工股份有限公司新疆变压器厂 | 基于知识图谱的变压器故障诊断方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
施正钗;郑俊翔;周泰斌;徐伟敏;郑微;: "基于语义分析的设备监控告警信息知识图谱构建研究", 浙江电力, no. 08, 25 August 2020 (2020-08-25), pages 83 - 87 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114372063A (zh) * | 2022-01-21 | 2022-04-19 | 华谱科仪(北京)科技有限公司 | 一种基于色谱仪的故障检测方法及电子设备 |
CN114372063B (zh) * | 2022-01-21 | 2022-08-12 | 华谱科仪(北京)科技有限公司 | 一种基于色谱仪的故障检测方法及电子设备 |
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 |
CN115865620A (zh) * | 2022-11-25 | 2023-03-28 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种柔直换流变告警知识系统 |
CN116054910A (zh) * | 2022-12-20 | 2023-05-02 | 中国人民解放军63819部队 | 基于知识图谱构建的地球站设备故障分析及装置 |
CN116054910B (zh) * | 2022-12-20 | 2024-05-14 | 中国人民解放军63819部队 | 基于知识图谱构建的地球站设备故障分析及装置 |
CN115860435A (zh) * | 2023-02-20 | 2023-03-28 | 国网湖北省电力有限公司经济技术研究院 | 带agv的电力设备预防性维修动态柔性调度方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113870046A (zh) | 电力设备故障诊断方法及设备 | |
CN109446341A (zh) | 知识图谱的构建方法及装置 | |
Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
CN110727741A (zh) | 一种电力系统的知识图谱构建方法及系统 | |
CN113935562A (zh) | 一种电力设备健康状况智能评级与自动预警方法 | |
CN112818035B (zh) | 一种网络故障预测方法及终端设备及存储介质 | |
CN112434024B (zh) | 面向关系型数据库的数据字典生成方法、装置、设备及介质 | |
CN112508261B (zh) | 一种基于神经网络的配电变压器负荷分层预测方法及装置 | |
CN115170344A (zh) | 调控系统运行事件智能处理方法及装置、介质及设备 | |
CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
CN112613611A (zh) | 一种基于知识图谱的税务知识库系统 | |
CN114900346B (zh) | 基于知识图谱的网络安全测试方法及系统 | |
CN114996936A (zh) | 设备运维方法、设备运维装置、设备运维设备及存储介质 | |
Liu et al. | Grey-based approach for estimating Weibull model and its application | |
CN112001539B (zh) | 一种高精度的客运预测方法及客运预测系统 | |
CN115374927A (zh) | 一种神经网络模型训练的方法、异常检测的方法及设备 | |
CN101206727A (zh) | 数据处理装置、方法和程序以及计算机可读介质 | |
CN117155771A (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
Dutta et al. | Big data architecture for environmental analytics | |
CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 | |
CN109543772B (zh) | 数据集自动匹配方法、装置、设备和计算机可读存储介质 | |
CN116340534A (zh) | 一种识别新能源异常数据的知识图谱构建方法和系统 | |
CN113673742B (zh) | 配电变压器台区负荷预测方法、系统、装置及介质 | |
CN112782584B (zh) | 电池电量的剩余使用额度的预测方法、系统、介质及设备 | |
Ivaschenko et al. | Semantic analysis implementation in engineering enterprise content management 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 |