CN114118524A - 一种基于知识推理的设备状态综合分析方法 - Google Patents
一种基于知识推理的设备状态综合分析方法 Download PDFInfo
- Publication number
- CN114118524A CN114118524A CN202111260697.2A CN202111260697A CN114118524A CN 114118524 A CN114118524 A CN 114118524A CN 202111260697 A CN202111260697 A CN 202111260697A CN 114118524 A CN114118524 A CN 114118524A
- Authority
- CN
- China
- Prior art keywords
- equipment
- knowledge
- state
- early warning
- equipment state
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000007547 defect Effects 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims description 13
- 230000001939 inductive effect Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 3
- 230000006698 induction Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013138 pruning Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000013077 scoring method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Animal Behavior & Ethology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于知识推理的设备状态综合分析方法,以电网重要设备为中心,首先,统计分析历史数据,明确反映设备健康状态的特征信息,从宏观和微观上梳理设备状态评估指标,构建以设备为中心的状态分析关键因素知识图谱库;其次,建立设备指标数据智能预警库,并基于指标,通过基于归纳的知识推理方法得到设备缺陷、故障风险概率;再者,通过基于逻辑和规则的知识推理方法得到设备状态评级;最后,建立设备状态评价的闭环系统,通过结果验证,确定评价结果的合理性。通过构建基于知识推理的设备状态综合分析方法,实现监控设备运行状态挖掘预警,提前感知设备运行状态,降低电网潜在运行风险。
Description
技术领域
本发明涉及电力系统调控运行领域,尤其是涉及一种基于知识推理的设备状态综合分析方法。
背景技术
变电站设备状态评估主要利用变电设备状态量中蕴涵的大量特征信息实现关键部件的状态评价、故障检测、缺陷诊断以及可靠性和使用寿命分析,使电网能够及时主动应对各类设备故障。随着部分老旧变电设备进入设备寿命后期,设备运行可靠性降低,设备故障的风险日益增加,但全部更换这些设备显然是不现实的,因此需要寻找既降低成本、又提高设备可靠性的办法。
变压器状态评价旨在通过外观检查、关键指标参量、试验情况等综合手段,确定变压器当前的运行状况,从而指导运维检修决策。在当前的生产实践中,应用最为广泛的是基于导则规定的状态评价方法。变压器状态评价导则中提供的设备状态评价方法又称作状态打分法,这一方法全面考量了变压器各个部件出现故障或缺陷隐患时可能出现的表现情况,通过匹配不同的特征条件对各个设备各个部件的状态进行得分。由于不同部件对于设备能否正常运行的影响程度不同,状态打分法最终会将部件得分进行加权求和,得到变压器的总得分值,并根据总得分值确定变压器的当前运行状态与缺陷等级,从而指导运维人员开展与该缺陷等级对应的运维处置。
状态打分法凝聚了行业专家的经验,能够较为全面地反映设备状态,但其也存在一定的局限。首先,状态打分法中有众多扣分项需要经过各类电气试验确定,且其中部分试验需停电时才可开展,在一般的运维过程中未必具备相应的试验结果支撑或试验条件;其次,状态评价导则当中的扣分项繁多,为获取变压器整体的扣分情况,需尽可能多地检查导则规定的各类扣分项,所需投入的时间成本和人力成本较高;最后,受限于运维人员数量、专业水平等因素,设备状态评价的及时性和客观性难以保证。
所谓的知识推理,就是在已有知识的基础之上,推断出未知的知识的过程。通过从已知的知识出发,通过已经获取的知识,从中获取到所蕴含的新的事实,或者从大量的已有的知识中进行归纳,从个体知识推广到一般性的知识。目前,知识推理技术尚未在电力设备状态评价业务中有所涉及和应用,因此本发明将利用知识推理技术对电网设备的缺陷、故障状况进行分析,深入挖掘知识间的关联关系和特征信息;同时进行辅助的逻辑或决策判断,即基于业务逻辑图谱及数据,采用电网运行与状态、评价导则和经验知识,进行设备状态综合分析,得到设备状态评价。通过本研究,形成基于知识推理的设备状态综合分析方法,辅助监控人员及时掌握设备运行情况,形成设备风险预警,为故障研判、状态检修奠定基础,从而维护电网安全。
发明内容
本发明的目的是提供一种基于知识推理的设备状态综合分析方法,以提升设备状态风险评估能力,以及调度员故障研判能力。
为实现本发明的目的,本发明提供的技术方案如下:
一种基于知识推理的设备状态综合分析方法,其特征在于,包括如下步骤:
步骤1:基于历史数据,构建以设备为中心的状态分析关键因素知识图谱库;
步骤2:基于知识图谱库,建立设备监控智能预警模型以及设备指标数据智能预警库;
步骤3:基于知识图谱库,通过基于逻辑和规则的知识推理方法得到设备状态评级;
步骤4:建立设备状态评价的闭环系统,验证评价结果、更新智能预警库、修正智能预警模型。
进一步地,在步骤1中,包括从宏观和微观上梳理设备状态评估指标的步骤,其中,评估指标分为两个部分,一是通过抽取设备状态评价导则中的关键影响因素;二是通过专家经验梳理,确定影响设备状态的关键指标,二者结合得到设备状态综合分析的维度。
进一步地,
所述步骤2具体包括:基于知识图谱对历史缺陷分类整理统计,对缺陷等级、设备类别、缺陷部位、缺陷性质、消缺情况、缺陷时间属性计算频数分布,并统计分析造成缺陷的原因及关联参数,设定设备监控参数预警阈值;将监控设备、关联监控参数、预警阈值、运行时间断面参数融合,建立设备监控智能预警模型,同时建立设备指标数据智能预警库。
进一步地,在步骤2中,采用基于归纳推理的方法得到设备缺陷、故障概率。
进一步地,所述归纳推理为基于决策树的归纳推理方式。
进一步地,在步骤3中,所述设备状态评级依次划分为良好、一般、严重、危急。
进一步地,所述步骤4具体包括:针对已确立的指标数据趋势预警,校验分析后作为样本充实到智能预警库中,不断完善智能预警库;通过结果验证,确定评价结果的合理性,当评价结果与设备状态不吻合时,对模型进行修正,从而形成设备状态评价的闭环系统。
与现有技术相比,本发明的有益效果为,本发明提供了一种基于知识推理的设备状态综合分析方法,以电网重要设备为中心,首先,统计分析历史数据,明确反映设备健康状态的特征信息,从宏观和微观上梳理设备状态评估指标,构建以设备为中心的状态分析关键因素知识图谱库;其次,建立设备指标数据智能预警库,并基于指标,通过基于归纳的知识推理方法得到设备缺陷、故障风险概率;再者,通过基于逻辑和规则的知识推理方法得到设备状态评级;最后,建立设备状态评价的闭环系统,通过结果验证,确定评价结果的合理性。通过构建基于知识推理的设备状态综合分析方法,实现监控设备运行状态挖掘预警,提前感知设备运行状态,降低电网潜在运行风险。
附图说明
图1所示为本发明的方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
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申请的示例性实施方式。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属于“包含”和/或“包括”时,其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于知识推理的设备状态综合分析方法。
首先,统计分析历史数据,明确反映设备健康状态的特征信息,从宏观和微观上梳理设备状态评估指标,构建以设备为中心的状态分析关键因素知识图谱库;其次,建立设备指标数据智能预警库,并基于指标,采用基于归纳推理的方法得到设备缺陷、故障概率;再者,通过基于逻辑和规则的知识推理方法得到设备状态评级;最后,建立设备状态评价的闭环系统,通过结果验证,确定评价结果的合理性。
如图1所示,本发明提供的基于知识推理的设备状态综合分析方法,具体包括如下步骤:
步骤1,统计分析历史数据,明确反映设备健康状态的特征信息,从宏观和微观上梳理设备状态评估指标,构建以设备为中心的状态分析关键因素知识图谱库。
需要说明的是,评估指标分为两个部分,一是通过抽取设备状态评价导则中的关键影响因素;二是通过专家经验梳理,确定影响设备状态的关键指标,二者结合得到设备状态综合分析的维度。
从设备状态评价导则中抽取的指标包括缺陷记录、检修记录、告警信息、运行工况。缺陷记录包括本体、套管、冷却器、有载、无励磁分接开关、非电量保护及在线监测装置等。检修记录包括检修内容、与前次检修间隔等。告警信息包括运行油温、压力释放异常、冷却系统故障等。运行工况包括短路电流、短路次数、变压器过负荷、变压器超温、分接开关切换次数。
通过专家经验梳理的设备状态指标包括实验报告、巡视记录、地理及气象条件。试验报告包括电气试验、油化试验、红外测温、铁芯接地电流等。巡视记录包括套管外观、噪声及振动、本体漏油等。地理及气象条件包括室内/室外、温度、湿度、周边环境等。
将数据划分为结构化数据和半结构化/非结构化数据,分别采用ETL工具和分布式并行处理框架来实现。结构化数据存储在传统的关系型数据库中;非结构化数据存储在新型的分布式存储中,如Hadoop的HDFSo;半结构化数据存储在新型的分布式NoSQL数据库中,如HBase。
根据调控业务知识,进行图谱的结构Schema设计,包括标签、实体(模型实体、运行实体、标签实体)、关系的定义。基于图谱Schema,利用模型数据、事件规则、告警、遥测等数据,将存量、增量数据导入到知识图谱中,采用图数据库进行存储。
知识图谱的建模包括概念、实体、属性、关系的设计,根据调控业务将知识图谱建模包括:标签体系、模型实体、运行实体、属性实体、关系定义。
标签体系主要用于实体和关系的分类,包括模型、运行、属性、关系四类,一个实体或关系有多级基础标签。如:“新边村”的基础标签是“变电站”、“容器”、“模型”。实体是调控领域内一个具体的实例对象,主要包括模型实体、事件实体、属性实体,如新边村、东桑园。关系包括了拓扑关系、包含关系、属性关系、依存关系、组合关系,如:“新边村”与“1#变压器”之间是包含关系,“新边村”与“220kV”之间是属性关系。采用Neo4j图数据库,作为核心的存储组件,用于知识图谱的存储及查询,并利用jdbc、Apoc组件,利用知识图谱Schema,用于neo4j数据的更新。
根据需要,设计Cypher规则表达式,通过rest服务方式提供给应用,将图谱查询的子图开放出来。基础图谱存储公共的知识,可以不断扩充监控图谱、计划图谱等各类业务知识。
本发明所述设备状态综合分析是指,构建以设备为中心的状态分析知识图谱库,运用人工智能的方法对相关数据进行评判,对设备运行状态进行全方位的定性定量分析,发现电力设备故障出现的早期症状,形成设备风险预警,为设备故障研判、状态检修奠定基础。
步骤2,建立设备指标数据智能预警库,并基于指标,采用基于归纳推理的方法得到设备缺陷、故障概率。
基于知识图谱对历史缺陷分类整理统计,对缺陷等级、设备类别、缺陷部位、缺陷性质、消缺情况、缺陷时间等属性计算频数分布,并统计分析造成缺陷的原因及关联参数,设定设备监控参数预警阈值。
将监控设备、关联监控参数、预警阈值、运行时间等断面参数融合,建立设备监控智能预警模型,同时建立设备指标数据智能预警库。
具体的,预测指标数据的方法有很多,典型的有分类、聚类、关联分析法等等,鉴于影响电力系统缺陷发生的原因错综复杂,开展缺陷预测比较困难,可用时间变量代替复杂多变的因素,采用时间序列法进行趋势性预警。时间序列分为基本序列和派生序列,根据影响因素作用性质来分,可归纳为四种:长期趋势、季节变动等。
具体的,建立时间序列预测模型,用X表示时序变量观察值,用T、S表示长期趋势因素、季节变动因素,则可以描述X=T+乘法模型,应用频数分布分离S和T,应用趋势分析法进行预测。
趋势分析法是利用已有数据寻找某种统计指标的内在规律性,从而得到较为准确的指标未来预测值。即从指标值序列{x1,x2,…xt}中获取数据的变化规律,并且预测{xt+1,xt+2,…,xt+n}的值。在趋势分析中,一般采用线性回归算法来分析平稳变化的趋势,采用指数回归算法分析剧烈变化的趋势,采用三角函数回归算法来分析周期性变化的趋势。
假定所采集的指标值序列为{y1,y2…,yn},采集时间序列为{t1,t2,…,tn}则线性回归函数为:
y=a+bt
利用最小二乘法计算参数a和b:
其中,通过现有采集的数据可以估算出参数a和b的值,将未来某个时刻值t代入线性回归函数即可对状态量的趋势进行分析。该方法可以对未来将出现的数据进行分析,适用于数据采集周期相对较短的数据。将预测数据与预警阈值进行比较,可得到趋势性预警。
监测预警对设备监测量进行分等级预警,依据历史数据统计,设定参数预警阈值及相应告警级别,设定设备的预警机制。
监测预警展示设备各监测量的变化以及预警阈值,系统定时获取监测量的变化,与预警阈值相比较,分析其趋势变化,当设备某一监测量达到预警阈值时,给出预警。
归纳推理是一种自下而上的过程,即从个体到一般的过程。通过已有的一部分知识,我们可以归纳总结出这种知识的一般性原则。
具体的,采用基于决策树的归纳推理方式,具体步骤为:
(1)特征选择,是指从训练数据中众多的特征中选择一个特征作为当前节点的分裂标准,如何选择特征有着很多不同量化评估标准,从而衍生出不同的决策树算法。
具体的,应用信息增益法作为特征选择方法,选择具有最高信息增益的特征作为测试特征,利用该特征对节点样本进行划分子集,会使得各子集中不同类别样本的混合程度最低,在各子集中对样本划分所需的信息(熵)最少。
具体的,样本集D为图谱中以缺陷设备为中心、缺陷时间为时间范围的特征数据,计算各特征a对样本集D进行划分所获得的“信息增益”。
假设随机变量a的可能取值有a1,a2,...,an,对于每一个可能的取值ai,其概率P(a=ai)=pi,(i=1,2,...,n),因此随机变量a的熵:
其中info(D)代表信息熵,|D^v|/|D|代表分支节点权重,即样本数越多的分支节点的影响越大。
Gain(A)=info(D)-infoA(D)
其中Gain(A)代表信息增益。信息增益用于决策树划分属性的选择,信息增益越大,则表示该特征对数据集划分贡献越大。
(2)决策树生成,是根据选择的特征评估标准,从上至下递归地生成子节点,直到数据集不可分则停止决策树停止生长。
采用信息增益法来选择用于对样本进行划分的特征,该特征即为测试特征,特征的每一个值都对应着从该节点产生的一个分支及被划分的一个子集。在决策树中,所有的特征均为符号值,即离散值。如果某个特征的值为连续值,那么需要先将其离散化。
递归上述划分子集及产生叶节点的过程,这样每一个子集都会产生一个决策(子)树,直到所有节点变成叶节点。
递归操作的停止条件就是:
1)一个节点中所有的样本均为同一类别,那么产生叶节点。
2)没有特征可以用来对该节点样本进行划分,这里用attribute_list=null为表示。此时也强制产生叶节点,该节点的类别为样本个数最多的类别。
3)没有样本能满足剩余特征的取值,即test_attribute=ai对应的样本为空。此时也强制产生叶节点,该节点的类别为样本个数最多的类别。
(3)剪枝,决策树容易过拟合,一般来需要剪枝,缩小树结构规模、缓解过拟合。
树枝修剪包括预剪枝和后剪枝两种方法,本发明采用预剪枝方法,边建立决策树边进行剪枝。在决策树生成分支的过程,除了要进行基础规则的判断外,还需要利用统计学的方法对即将分支的节点进行判断。
具体的,在决策树生成过程中,对每个结点在划分前先进行估计,若当前结点的划分不能带来决策树泛化性能提升,则停止划分并将当前结点标记为叶结点。
步骤3,通过基于逻辑和规则的知识推理方法得到设备状态评级。
本步骤所指的设备状态分析知识推理任务是进行辅助的逻辑或决策判断,即基于知识图谱数据,采用电网运行与状态、评价导则和经验知识,进行设备状态综合分析,得到设备状态评价。
本步骤所述的知识推理的主要方法包括逻辑推理与规则推理。
具体的,逻辑推理采用逻辑表达式或逻辑方程组对知识判断进行公式化表示,通过与、或、非等逻辑符号进行运算来得出结论。在设备状态分析过程中,逻辑符号推理的典型应用是对状态信息的解析,即通过知识库中存储的设备和评价逻辑及关联关系,建立状态的逻辑解析模型。
具体的,规则推理属于演绎推理,是一种较为准确、解释性很强的推理方式,状态分析中的状态评价导则等中的部分内容,会以类似于产生式规则的方式进行编写。
其中产生式规则由前件与后件构成,如果前提满足,则可得到结论或执行相应动作。
具体的,在进行变压器状态评价时会规定一些限制原则,如“220kV及以下”、“330kV及以上”等条件。这类判断非常适合采用产生式规则,从知识图谱的先验知识中进行查询匹配,进而选择合适的评价方式。
具体的,逻辑和规则主要存在于设备状态评价导则中,通过自然语言处理方法提取。
具体的,设备状态评级依次划分为良好、一般、严重、危急。
步骤4,建立设备状态评价的闭环系统,通过结果验证,确定评价结果的合理性。
针对已确立的指标数据趋势预警,校验分析后作为样本充实到智能预警库中,日积月累,不断完善智能预警库。
通过结果验证,确定评价结果的合理性,当评价结果与设备状态不吻合时,对模型进行修正,从而形成设备状态评价的闭环系统。
上述提供的一种基于知识推理的设备状态综合分析方法,进行电力设备状态综合分析,识别电网安全隐患,预防设备故障缺陷。本技术的实现将全面提升电网关键设备运行安全水平,提高电网安全稳定运行能力,并实时辅助调度员决策。
需要说明的是,本申请中未详述的技术方案,采用公知技术。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于知识推理的设备状态综合分析方法,其特征在于,包括如下步骤:
步骤1:基于历史数据,构建以设备为中心的状态分析关键因素知识图谱库;
步骤2:基于知识图谱库,建立设备监控智能预警模型以及设备指标数据智能预警库;
步骤3:基于知识图谱库,通过基于逻辑和规则的知识推理方法得到设备状态评级;
步骤4:建立设备状态评价的闭环系统,验证评价结果、更新智能预警库、修正智能预警模型。
2.根据权利要求1所述的一种基于知识推理的设备状态综合分析方法,其特征在于,在步骤1中,包括从宏观和微观上梳理设备状态评估指标的步骤,其中,评估指标分为两个部分,一是通过抽取设备状态评价导则中的关键影响因素;二是通过专家经验梳理,确定影响设备状态的关键指标,二者结合得到设备状态综合分析的维度。
3.根据权利要求1所述的一种基于知识推理的设备状态综合分析方法,其特征在于,
所述步骤2具体包括:基于知识图谱对历史缺陷分类整理统计,对缺陷等级、设备类别、缺陷部位、缺陷性质、消缺情况、缺陷时间属性计算频数分布,并统计分析造成缺陷的原因及关联参数,设定设备监控参数预警阈值;将监控设备、关联监控参数、预警阈值、运行时间断面参数融合,建立设备监控智能预警模型,同时建立设备指标数据智能预警库。
4.根据权利要求3所述的一种基于知识推理的设备状态综合分析方法,其特征在于,在步骤2中,采用基于归纳推理的方法得到设备缺陷、故障概率。
5.根据权利要求4所述的一种基于知识推理的设备状态综合分析方法,其特征在于,所述归纳推理为基于决策树的归纳推理方式。
6.根据权利要求1所述的一种基于知识推理的设备状态综合分析方法,其特征在于,
在步骤3中,所述设备状态评级依次划分为良好、一般、严重、危急。
7.根据权利要求1所述的一种基于知识推理的设备状态综合分析方法,其特征在于,所述步骤4具体包括:针对已确立的指标数据趋势预警,校验分析后作为样本充实到智能预警库中,不断完善智能预警库;通过结果验证,确定评价结果的合理性,当评价结果与设备状态不吻合时,对模型进行修正,从而形成设备状态评价的闭环系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111260697.2A CN114118524A (zh) | 2021-10-28 | 2021-10-28 | 一种基于知识推理的设备状态综合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111260697.2A CN114118524A (zh) | 2021-10-28 | 2021-10-28 | 一种基于知识推理的设备状态综合分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118524A true CN114118524A (zh) | 2022-03-01 |
Family
ID=80377503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111260697.2A Pending CN114118524A (zh) | 2021-10-28 | 2021-10-28 | 一种基于知识推理的设备状态综合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118524A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907542A (zh) * | 2022-11-29 | 2023-04-04 | 国网北京市电力公司 | 基于知识图谱的变电站二次设备数字化评价方法及系统 |
CN116452130A (zh) * | 2023-03-17 | 2023-07-18 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理平台及方法 |
CN117726079A (zh) * | 2024-02-05 | 2024-03-19 | 肯拓(天津)工业自动化技术有限公司 | 基于机电一体化的自动化环形产线优化方法 |
-
2021
- 2021-10-28 CN CN202111260697.2A patent/CN114118524A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907542A (zh) * | 2022-11-29 | 2023-04-04 | 国网北京市电力公司 | 基于知识图谱的变电站二次设备数字化评价方法及系统 |
CN116452130A (zh) * | 2023-03-17 | 2023-07-18 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理平台及方法 |
CN116452130B (zh) * | 2023-03-17 | 2023-09-05 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理系统及方法 |
CN117726079A (zh) * | 2024-02-05 | 2024-03-19 | 肯拓(天津)工业自动化技术有限公司 | 基于机电一体化的自动化环形产线优化方法 |
CN117726079B (zh) * | 2024-02-05 | 2024-04-16 | 肯拓(天津)工业自动化技术有限公司 | 基于机电一体化的自动化环形产线优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
Wu et al. | Literature review and prospect of the development and application of FMEA in manufacturing industry | |
CN114118524A (zh) | 一种基于知识推理的设备状态综合分析方法 | |
CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN108537394B (zh) | 一种智能电网实时安全预警方法和装置 | |
CN110298601A (zh) | 一种基于规则引擎的实时业务风控系统 | |
CN103154845A (zh) | 电网的机器学习 | |
CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
CN115760484A (zh) | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 | |
CN113379313B (zh) | 一种具有智能化的预防性试验作业管控系统 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
CN110716957B (zh) | 类案可疑对象智能挖掘分析方法 | |
CN106202805B (zh) | 一种开关设备可靠性评价方法 | |
CN112000708A (zh) | 一种基于调控配用数据融合的异常数据处理方法及系统 | |
CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 | |
CN115239153A (zh) | 一种用于化工园区事故的应急指挥决策方法、系统及介质 | |
Wang et al. | Research of the early warning analysis of crop diseases and insect pests | |
Poudel et al. | Artificial intelligence for energy fraud detection: a review | |
Yi | Design of elevator monitoring platform on big data | |
Chen et al. | Operational scenario definition in traffic simulation-based decision support systems: Pattern recognition using a clustering algorithm | |
CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 |
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 |