CN114138982A - 一种用于干式变压器故障诊断的知识图谱的构建方法 - Google Patents

一种用于干式变压器故障诊断的知识图谱的构建方法 Download PDF

Info

Publication number
CN114138982A
CN114138982A CN202111458972.1A CN202111458972A CN114138982A CN 114138982 A CN114138982 A CN 114138982A CN 202111458972 A CN202111458972 A CN 202111458972A CN 114138982 A CN114138982 A CN 114138982A
Authority
CN
China
Prior art keywords
knowledge
graph
dry
type transformer
knowledge graph
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
CN202111458972.1A
Other languages
English (en)
Other versions
CN114138982B (zh
Inventor
王永强
黄琦
商静
张重远
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111458972.1A priority Critical patent/CN114138982B/zh
Publication of CN114138982A publication Critical patent/CN114138982A/zh
Application granted granted Critical
Publication of CN114138982B publication Critical patent/CN114138982B/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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种用于干式变压器故障诊断的知识图谱的构建方法，包括以下步骤：根据干式变压器的状态量、故障类型、设备部件之间的关系和概率属性，构建第一基础知识图谱；基于贝叶斯网络，对第一基础知识图谱进行转化，构建第二知识图谱；获取诊断规则集，诊断规则集用于表示根据第二知识图谱生成诊断知识图谱需要使用的规则；根据第二知识图谱和诊断规则集，生成诊断知识图谱，合并第二知识图谱和诊断知识图谱，得到用于干式变压器故障诊断的知识图谱；基于第一单位时间，根据第二知识图谱和诊断规则集，更新诊断知识图谱，以更新知识图谱；本发明有效实现干式变压器故障诊断，有效的提高了变压器的检修效率，保证电力系统平稳运行。

Description

一种用于干式变压器故障诊断的知识图谱的构建方法
技术领域
本发明涉及电力设备故障检测技术领域，尤其涉及一种用于干式变压器故障诊断的知识图谱的构建方法。
背景技术
电力变压器是输配电系统的重要设备，在电网中处于十分重要的地位。其中干式变压器以其防火、防爆、体积小、运行可靠、维护简单方便等特点被大量使用在对安全性能要求高的场所。随着电力需求的增大，干式变压器的故障类型和故障原因也变得越来越复杂，故障时干式变压器的温度会急剧上升，导致绝缘恶化，最终造成经济损失，并且有可能造成火灾、人员伤亡、电网瘫痪等事故，因此需要一种准确而又快速的故障诊断方法。
近年来，知识图谱与贝叶斯网络均是目前常用的电力设备故障诊断方法，各有其优缺点，如知识图谱具有实体间关系明确及实体属性齐全等特点，但其对于干式变压器故障诊断方面的应用还需进一步研究；贝叶斯网络具有诊断结果精度高及诊断过程快的优点，但其存在网络拓扑结构构建困难，事件概率获取困难的缺点，尤其在干式变压器故障样本稀缺的条件下，因此，急需一种可以在结合两者的优势进行干式变压器的故障诊断的方法。
发明内容
为了解决现有的技术问题，本发明的目的是提供一种故障诊断用干式变压器知识图谱及其构建方法：干式变压器故障概率知识图谱的构建、故障概率知识图谱向贝叶斯网络的转化以及干式变压器故障诊断，实现干式变压器的故障诊断，并指导运维人员进行检修，保证干式变压器及电力系统的安全稳定运行。
为了实现上述技术目的，本发明提供了一种用于干式变压器故障诊断的知识图谱的构建方法，包括以下步骤：
根据干式变压器的状态量、故障类型、设备部件之间的关系和概率属性，构建第一基础知识图谱；
基于贝叶斯网络，对第一基础知识图谱进行转化，构建第二知识图谱，第二知识图谱用于生成具有时效性的诊断知识图谱；
获取诊断规则集，诊断规则集用于表示根据第二知识图谱生成诊断知识图谱需要使用的规则；
根据第二知识图谱和诊断规则集，生成诊断知识图谱，合并第二知识图谱和诊断知识图谱，得到用于干式变压器故障诊断的知识图谱；
基于第一单位时间，根据第二知识图谱和诊断规则集，更新诊断知识图谱，以更新知识图谱。
优选地，在构建第一基础知识图谱的过程中，通过行业专家对第一基础知识图谱的模式层进行构建，确定第一基础知识图谱的整体框架；通过从干式变压器的数据源中抽取知识三元组，并映射至模式层中进行框架的填充后，构建第一基础知识图谱，其中数据源包括干式变压器的状态量、故障类型、设备部件。
优选地，在构建第一基础知识图谱的模式层的过程中，模式层包括实体层级、层级关系以及层级实体的自有属性；
实体层级按照从上到下的层级分为五层，分别为：本体、主要部件、部件成分、各类故障以及对应状态量；
层级关系分为所属关系、因果关系以及主次关系；
层级实体的自有属性包括运行状态、变化趋势以及设定阈值。
优选地，基于实体层级、层级关系以及层级实体的自有属性，根据不同层级在不同状态下的第一条件概率，以及层级实体在不同状态下发生的第一先验概率，构建诊断规则集，诊断规则集用于表示干式变压器的运行状态的诊断规则，其中，运行状态包括正常、注意、异常、严重，诊断规则包括每种运行状态的概率。
优选地，在构建第一基础知识图谱的过程中，基于模式层，对结构化或非结构化源数据进行知识抽取、知识融合、知识加工操作，构建第一基础知识图谱的数据层，数据层用于将不同类型的结构数据统一转换为三元组的实例形式，映射到模式层的相关类中。
优选地，知识抽取的过程包括：对干式变压器的规程导则、试验数据、运行数据以及专家经验，按照模式层的指导开展抽取；
知识融合的过程包括：将抽取到的实体、实体间关系、实体属性进行整合，并映射到模式层中进行知识填充，其中，知识融合用于通过实体消歧和共指消解的操作方法，明确定义会产生歧义的部分以及对同一实体的不同代称进行统一；
知识加工的过程包括，在知识融合的基础上，通过规程导则以及现场专家对第一基础知识图谱的实体、关系、属性进行校正，并去除冗余信息，用于保障第一基础知识图谱的准确与简洁。
优选地，在构建第二知识图谱的过程中，将第一基础知识图谱的实体、关系和属性依次对应贝叶斯网络的节点、有向边以及事件概率，构建第二知识图谱，具体步骤包括：
将第一基础知识图谱的顶层干式变压器实体、主要部件实体、各类故障实体和状态量实体转化为贝叶斯网络的有向无环图中的节点部分，其中，将状态量实体转化为根节点，将顶层干式变压器实体转化为叶节点，将其余实体转化为中间节点；
将实体间关系转化为有向无环图的有向边部分，用于表示其上下级节点的因果关系；
将状态量实体的第一先验概率转化为贝叶斯网络的条件概率表中根节点的第二先验概率；
将实体间关系的第一条件概率转化为中间节点或叶节点的各状态下的第二条件概率。
优选地，贝叶斯网络的表示为：
Figure BDA0003389109370000041
其中，P(T＝Tq)为节点T状态为Tq时的概率，q∈(0,1,2,3)，对应正常、注意、异常和严重四种状态；π(yk)为中间节点yk的父节点集合；P(xi)为根节点xi的先验概率，P(T＝Tq|π(T))为节点T父节点集合π(T)发生正常、注意、异常和严重四种条件综合下节点T状态为Tq时的概率；P(yk|π(yk))同理为中间节点yk父节点集合π(yk)发生正常、注意、异常和严重四种条件综合下中间节点yk发生正常、注意、异常和严重四种条件的概率；
Figure BDA0003389109370000051
表示节点T到根节点有m个中间节点且每个中间节点的条件概率均以乘积相连；
Figure BDA0003389109370000052
表示最外一层叶节点有n个且每个叶节点的先验概率均以乘积相连。
优选地，通过获取贝叶斯网络的敏感性节点，对干式变压器进行故障诊断，其中，
敏感性节点的表达式为：
Figure BDA0003389109370000053
其中，x为状态量节点，xq为确定状态，T表示故障子节点，Tp为当状态量节点x处于确定状态xq时，相关故障子节点T所对应的状态，其中q∈(0,1,2,3)；p∈(0,1,2,3)，0、1、2、3分别对应正常、注意、异常和严重状态。
优选地，应用知识图谱进行故障诊断的知识图谱系统，包括：
数据采集模块，用于采集干式变压器的状态量；
故障诊断模块，用于根据状态量，对干式变压器进行故障诊断；
显示模块，用于显示故障类型；
故障诊断模块用于通过知识图谱，依据状态量，对干式变压器进行故障诊断。
本发明公开了以下技术效果：
本发明有效实现干式变压器故障诊断，为维修人员提供可靠的维修指导，从而减少人工排查故障检修的人工成本和时间成本，有效的提高了变压器的检修效率，保证电力系统平稳运行。
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为本发明实施例中故障概率知识图谱构建流程图；
图2为本发明实施例中干式变压器故障概率知识图谱；
图3为本发明实施例中知识图谱与贝叶斯网络的转化关系；
图4为本发明实施例中干式变压器故障贝叶斯网络。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1-4所示，本发明提供了一种用于干式变压器故障诊断的知识图谱的构建方法，包括以下步骤：
根据干式变压器的状态量、故障类型、设备部件之间的关系和概率属性，构建第一基础知识图谱；
基于贝叶斯网络，对第一基础知识图谱进行转化，构建第二知识图谱，第二知识图谱用于生成具有时效性的诊断知识图谱；
获取诊断规则集，诊断规则集用于表示根据第二知识图谱生成诊断知识图谱需要使用的规则；
根据第二知识图谱和诊断规则集，生成诊断知识图谱，合并第二知识图谱和诊断知识图谱，得到用于干式变压器故障诊断的知识图谱；
基于第一单位时间，根据第二知识图谱和诊断规则集，更新诊断知识图谱，以更新知识图谱。
进一步优选地，在构建第一基础知识图谱的过程中，通过行业专家对第一基础知识图谱的模式层进行构建，确定第一基础知识图谱的整体框架；通过从干式变压器的数据源中抽取知识三元组，并映射至模式层中进行框架的填充后，构建第一基础知识图谱，其中数据源包括干式变压器的状态量、故障类型、设备部件。
进一步优选地，在构建第一基础知识图谱的模式层的过程中，模式层包括实体层级、层级关系以及层级实体的自有属性；
实体层级按照从上到下的层级分为五层，分别为：本体、主要部件、部件成分、各类故障以及对应状态量；
层级关系分为所属关系、因果关系以及主次关系；
层级实体的自有属性包括运行状态、变化趋势以及设定阈值。
进一步优选地，基于实体层级、层级关系以及层级实体的自有属性，根据不同层级在不同状态下的第一条件概率，以及层级实体在不同状态下发生的第一先验概率，构建诊断规则集，诊断规则集用于表示干式变压器的运行状态的诊断规则，其中，运行状态包括正常、注意、异常、严重，诊断规则包括每种运行状态的概率。
进一步优选地，在构建第一基础知识图谱的过程中，基于模式层，对结构化或非结构化源数据进行知识抽取、知识融合、知识加工操作，构建第一基础知识图谱的数据层，数据层用于将不同类型的结构数据统一转换为三元组的实例形式，映射到模式层的相关类中。
进一步优选地，知识抽取的过程包括：对干式变压器的规程导则、试验数据、运行数据以及专家经验，按照模式层的指导开展抽取；
知识融合的过程包括：将抽取到的实体、实体间关系、实体属性进行整合，并映射到模式层中进行知识填充，其中，知识融合用于通过实体消歧和共指消解的操作方法，明确定义会产生歧义的部分以及对同一实体的不同代称进行统一；
知识加工的过程包括，在知识融合的基础上，通过规程导则以及现场专家对第一基础知识图谱的实体、关系、属性进行校正，并去除冗余信息，用于保障第一基础知识图谱的准确与简洁。
进一步优选地，在构建第二知识图谱的过程中，将第一基础知识图谱的实体、关系和属性依次对应贝叶斯网络的节点、有向边以及事件概率，构建第二知识图谱，具体步骤包括：
将第一基础知识图谱的顶层干式变压器实体、主要部件实体、各类故障实体和状态量实体转化为贝叶斯网络的有向无环图中的节点部分，其中，将状态量实体转化为根节点，将顶层干式变压器实体转化为叶节点，将其余实体转化为中间节点；
将实体间关系转化为有向无环图的有向边部分，用于表示其上下级节点的因果关系；
将状态量实体的第一先验概率转化为贝叶斯网络的条件概率表中根节点的第二先验概率；
将实体间关系的第一条件概率转化为中间节点或叶节点的各状态下的第二条件概率。
进一步优选地，贝叶斯网络的表示为：
Figure BDA0003389109370000091
其中，P(T＝Tq)为节点T状态为Tq时的概率，q∈(0,1,2,3)，对应正常、注意、异常和严重四种状态；π(yk)为中间节点yk的父节点集合；P(xi)为根节点xi的先验概率，P(T＝Tq|π(T))为节点T父节点集合π(T)发生正常、注意、异常和严重四种条件综合下节点T状态为Tq时的概率；P(yk|π(yk))同理为中间节点yk父节点集合π(yk)发生正常、注意、异常和严重四种条件综合下中间节点yk发生正常、注意、异常和严重四种条件的概率；
Figure BDA0003389109370000092
表示节点T到根节点有m个中间节点且每个中间节点的条件概率均以乘积相连；
Figure BDA0003389109370000093
表示最外一层叶节点有n个且每个叶节点的先验概率均以乘积相连。
进一步优选地，通过获取贝叶斯网络的敏感性节点，对干式变压器进行故障诊断，其中，
敏感性节点的表达式为：
Figure BDA0003389109370000101
其中，x为状态量节点，xq为确定状态，T表示故障子节点，Tp为当状态量节点x处于确定状态xq时，相关故障子节点T所对应的状态，其中q∈(0,1,2,3)；p∈(0,1,2,3)，0、1、2、3分别对应正常、注意、异常和严重状态。
进一步优选地，应用知识图谱进行故障诊断的知识图谱系统，包括：
数据采集模块，用于采集干式变压器的状态量；
故障诊断模块，用于根据状态量，对干式变压器进行故障诊断；
显示模块，用于显示故障类型；
故障诊断模块用于通过知识图谱，依据状态量，对干式变压器进行故障诊断。
实施例1：本发明提供的干式变压器故障概率知识图谱的构建，通过构建干式变压器故障概率知识图谱将干式变压器状态量、故障类型、设备部件间的关系以及概率属性进行揭示，为后续知识图谱向贝叶斯网络的转化以及故障诊断奠定基础。
故障概率知识图谱向贝叶斯网络的转化。利用知识图谱构造贝叶斯网络，将知识图谱地主要构成部分与贝叶斯网络模型一一对应，即知识图谱的实体、关系和属性依次对应贝叶斯网络的节点、有向边以及事件概率。知识图谱中的属性又可以划分为实体属性和关系属性，为贝叶斯网络中每个节点先验概率与有向边条件概率的确定提供了天然的优势。
干式变压器故障诊断。在干式变压器运行过程中，可通过定期的带电检测和在线监测等手段获取干式变压器各状态量的状态等级，并以此作为证据添加至贝叶斯网络中，获取其相应状态等级下相关故障子节点的后验概率，实现干式变压器在数据不完整的情况下进行故障诊断。
所述干式变压器故障概率知识图谱的构建，具体为，采用自顶向下的方式对干式变压器故障知识图谱进行构建，即由行业专家先对故障知识图谱的模式层进行构建，确定知识图谱的整体框架，然后再进行数据层的构建，通过从数据源中抽取知识三元组映射至模式层中进行框架的填充，完成知识图谱的构建。
所述的模式层的构建，由于知识图谱模式层是构建知识图谱的基本“骨架”，其定义了类与类，类与类之间的关系，能够对知识库进行模式规范化管理，因此通过查阅导则与专家经验结合的方法，将干式故障知识图谱的模式层构建分为三部分：实体层级、层级关系以及层级实体的自有属性，因此具体步骤为：
实体层级的确定。实体层级按照从上到下的层级分为五层，分别为：本体、主要部件、部件成分、各类故障以及对应状态量；
层级关系的确定。层级关系主要分为所属关系、因果关系以及主次关系，例如“本体-包含-主要部件”；
层级实体的自有属性的确定。层级实体的自有属性主要为运行状态、变化趋势以及设定阈值等，例如：状态量实体中的状态等级以及设定阈值等。特别的，本发明故障概率知识图谱的必备层级关系属性为不同层级不同状态下的条件概率；必备层级实体属性为状态量层级实体的不同状态发生的先验概率。为充分表明干式变压器的运行状态，知识图谱将每个节点的运行状态划分为四类：正常、注意、异常和严重，然后确定每种状态的概率。
所述的数据层的构建，由于知识图谱数据层的构建主要是在模式层的指导下，对结构化或非结构化源数据进行知识抽取、知识融合、知识加工操作，从而将不同类型的结构数据统一转换为三元组的实例形式，最后映射到模式层的相关类中，因此具体步骤为：
知识抽取。对干式变压器规程导则、试验数据、运行数据以及专家经验等数据源按照模式层中实体层级、层级关系以及层级实体的自有属性的指导开展抽取。例如：实体层级中主要部件抽取到的实体有载流系统、冷却系统、有载分接开关以及铁芯；层级关系抽取到的有包含、产生、主相关、次相关、条件概率等。
知识融合。将抽取到的实体、实体间关系、实体属性进行整合，并映射到模式层中进行具体知识填充。主要操作为实体消歧和共指消解，明确定义可能会产生歧义的部分以及对同一实体的不同代称进行统一。
知识加工。在知识融合的基础上，再次通过规程导则以及现场专家对故障概率知识图谱的实体、关系、属性进行校正，并去除冗余信息，保障图谱的准确与简洁。在准确性的基础上，根据关系路径进行推理，查找同层级实体或不同层级实体间的隐藏关系，完善故障概率知识图谱。
所述故障概率知识图谱向贝叶斯网络的转化，具体为，依据知识图谱的主要构成部分与贝叶斯网络模型一一对应，即知识图谱的实体、关系和属性依次对应贝叶斯网络的节点、有向边以及事件概率。故障概率知识图谱中的顶层干式变压器实体、主要部件实体、各类故障实体和状态量实体转化为贝叶斯网络有向无环图中的节点部分，其中状态量实体转化为根节点，顶层实体干式变压器整体状态转化为叶节点，其余实体均转化为中间节点；实体间的关系转化为有向无环图的有向边部分，来表示其上下级节点的因果关系。状态量实体的状态先验概率属性转化为贝叶斯网络条件概率表中根节点的先验概率，实体间关系的条件概率属性转化为中间节点或叶节点的各状态下的条件概率。
转换后的贝叶斯网络，可得到网络中间节点或叶节点T状态为Tq时的概率：
Figure BDA0003389109370000131
式中，P(T＝Tq)为节点T状态为Tq时的概率，q∈(0,1,2,3)，对应正常、注意、异常和严重四种状态；π(yk)为中间节点yk的父节点集合；P(xi)为根节点xi的先验概率。
所述干式变压器故障诊断，具体为，敏感性分析为假定节点某一状态百分之百发生时，其相关节点所受影响程度，从而确定受影响最大的敏感性节点，从而实现干式变压器故障诊断。当状态量节点x处于确定状态xq时，相关故障子节点T状态为Tp(p∈(0,1,2,3))的概率为：
Figure BDA0003389109370000141
由以上技术方案可知，本发明首先完成干式变压器故障概率知识图谱的构建，采用自顶向下的方式，在定义故障概率知识图谱框架的模式层基础上进行数据层中知识的抽取、融合加工，并最后将知识映射到模式层中完成知识图谱的构建；然后依据故障概率知识图谱与贝叶斯网络拓扑结构与事件概率的相似性，将故障概率知识图谱直接转化为贝叶斯网络，并获取网络中间节点以及叶节点各状态的事件概率；最后依据贝叶斯网络对干式变压器进行故障诊断。本发明能够有效的实现干式变压器故障诊断，为维修人员提供可靠的维修指导，从而减少人工排查故障检修的人工成本和时间成本，有效的提高了变压器的检修效率，保证电力系统平稳运行。
实施例2：本发明提供的一种故障诊断用干式变压器知识图谱及其构建方法，该方法包括如下步骤：
S1)干式变压器故障概率知识图谱的构建。通过构建干式变压器故障概率知识图谱将干式变压器状态量、故障类型、设备部件间的关系以及概率属性进行揭示，为后续知识图谱向贝叶斯网络的转化以及故障诊断奠定基础。
S2)故障概率知识图谱向贝叶斯网络的转化。利用知识图谱构造贝叶斯网络，将知识图谱地主要构成部分与贝叶斯网络模型一一对应，即知识图谱的实体、关系和属性依次对应贝叶斯网络的节点、有向边以及事件概率。知识图谱中的属性又可以划分为实体属性和关系属性，为贝叶斯网络中每个节点先验概率与有向边条件概率的确定提供了天然的优势。
S3)干式变压器故障诊断。在干式变压器运行过程中，可通过定期的带电检测和在线监测等手段获取干式变压器各状态量的状态等级，并以此作为证据添加至贝叶斯网络中，获取其相应状态等级下相关故障子节点的后验概率，实现干式变压器在数据不完整的情况下进行故障诊断。
在步骤S1中，所述干式变压器故障概率知识图谱的构建，具体为，采用自顶向下的方式对干式变压器故障知识图谱进行构建，即由行业专家先对故障知识图谱的模式层进行构建，确定知识图谱的整体框架，然后再进行数据层的构建，通过从数据源中抽取知识三元组映射至模式层中进行框架的填充，完成知识图谱的构建，如图1所示。
所述的模式层的构建，由于知识图谱模式层是构建知识图谱的基本“骨架”，其定义了类与类，类与类之间的关系，能够对知识库进行模式规范化管理，因此通过查阅导则与专家经验结合的方法，将干式故障知识图谱的模式层构建分为三部分：实体层级、层级关系以及层级实体的自有属性，因此具体步骤为：
S1011)实体层级的确定。实体层级按照从上到下的层级分为五层，分别为：本体、主要部件、部件成分、各类故障以及对应状态量；
S1012)层级关系的确定。层级关系主要分为所属关系、因果关系以及主次关系，例如“本体-包含-主要部件”；
S1013)层级实体的自有属性的确定。层级实体的自有属性主要为运行状态、变化趋势以及设定阈值等，例如：状态量实体中的状态等级以及设定阈值等。特别的，本发明故障概率知识图谱的必备层级关系属性为不同层级不同状态下的条件概率；必备层级实体属性为状态量层级实体的不同状态发生的先验概率。为充分表明干式变压器的运行状态，知识图谱将每个节点的运行状态划分为四类：正常、注意、异常和严重，然后确定每种状态的概率。
所述的数据层的构建，由于知识图谱数据层的构建主要是在模式层的指导下，对结构化或非结构化源数据进行知识抽取、知识融合、知识加工操作，从而将不同类型的结构数据统一转换为三元组的实例形式，最后映射到模式层的相关类中，因此具体步骤为：
S1021)知识抽取。对干式变压器规程导则、试验数据、运行数据以及专家经验等数据源按照模式层中实体层级、层级关系以及层级实体的自有属性的指导开展抽取。例如：实体层级中主要部件抽取到的实体有载流系统、冷却系统、有载分接开关以及铁芯；层级关系抽取到的有包含、产生、主相关、次相关、条件概率等。
S1022)知识融合。将抽取到的实体、实体间关系、实体属性进行整合，并映射到模式层中进行具体知识填充。主要操作为实体消歧和共指消解，明确定义可能会产生歧义的部分以及对同一实体的不同代称进行统一。
S1023)知识加工。在知识融合的基础上，再次通过规程导则以及现场专家对故障概率知识图谱的实体、关系、属性进行校正，并去除冗余信息，保障图谱的准确与简洁。在准确性的基础上，根据关系路径进行推理，查找同层级实体或不同层级实体间的隐藏关系，完善故障概率知识图谱，完整干式变压器故障概率知识图谱如图2所示。
在步骤S2中，所述故障概率知识图谱向贝叶斯网络的转化，具体为，依据知识图谱的主要构成部分与贝叶斯网络模型一一对应，即知识图谱的实体、关系和属性依次对应贝叶斯网络的节点、有向边以及事件概率。故障概率知识图谱中的顶层干式变压器实体、主要部件实体、各类故障实体和状态量实体转化为贝叶斯网络有向无环图中的节点部分，其中状态量实体转化为根节点，顶层实体干式变压器整体状态转化为叶节点，其余实体均转化为中间节点；实体间的关系转化为有向无环图的有向边部分，来表示其上下级节点的因果关系。状态量实体的状态先验概率属性转化为贝叶斯网络条件概率表中根节点的先验概率，实体间关系的条件概率属性转化为中间节点或叶节点的各状态下的条件概率，如图3所示。
转换后的贝叶斯网络，如图4所示，可得到网络中间节点或叶节点T状态为Tq时的概率：
Figure BDA0003389109370000171
式中，P(T＝Tq)为节点T状态为Tq时的概率，q∈(0,1,2,3)，对应正常、注意、异常和严重四种状态；π(yk)为中间节点yk的父节点集合；P(xi)为根节点xi的先验概率。
在步骤S3中，所述干式变压器故障诊断，具体为，敏感性分析为假定节点某一状态百分之百发生时，其相关节点所受影响程度，从而确定受影响最大的敏感性节点，从而实现干式变压器故障诊断。当状态量节点x处于确定状态xq时，相关故障子节点T状态为Tp(p∈(0,1,2,3))的概率为：
Figure BDA0003389109370000181
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述实施例仅表达了本发明的实施方式，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。综上所述，本说明书内容不应理解为对本发明的限制，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种用于干式变压器故障诊断的知识图谱的构建方法，其特征在于，包括以下步骤：
根据干式变压器的状态量、故障类型、设备部件之间的关系和概率属性，构建第一基础知识图谱；
基于贝叶斯网络，对所述第一基础知识图谱进行转化，构建第二知识图谱，所述第二知识图谱用于生成具有时效性的诊断知识图谱；
获取诊断规则集，所述诊断规则集用于表示根据所述第二知识图谱生成所述诊断知识图谱需要使用的规则；
根据所述第二知识图谱和所述诊断规则集，生成所述诊断知识图谱，合并所述第二知识图谱和所述诊断知识图谱，得到用于干式变压器故障诊断的知识图谱；
基于第一单位时间，根据所述第二知识图谱和所述诊断规则集，更新所述诊断知识图谱，以更新所述知识图谱。
2.根据权利要求1所述一种用于干式变压器故障诊断的知识图谱的构建方法，其特征在于：
在构建第一基础知识图谱的过程中，通过行业专家对所述第一基础知识图谱的模式层进行构建，确定所述第一基础知识图谱的整体框架；通过从所述干式变压器的数据源中抽取知识三元组，并映射至所述模式层中进行框架的填充后，构建所述第一基础知识图谱，其中所述数据源包括所述干式变压器的所述状态量、所述故障类型、所述设备部件。
3.根据权利要求2所述一种用于干式变压器故障诊断的知识图谱的构建方法，其特征在于：
在构建所述第一基础知识图谱的模式层的过程中，所述模式层包括实体层级、层级关系以及层级实体的自有属性；
所述实体层级按照从上到下的层级分为五层，分别为：本体、主要部件、部件成分、各类故障以及对应状态量；
所述层级关系分为所属关系、因果关系以及主次关系；
所述层级实体的自有属性包括运行状态、变化趋势以及设定阈值。
4.根据权利要求3所述一种用于干式变压器故障诊断的知识图谱的构建方法，其特征在于：
基于所述实体层级、所述层级关系以及所述层级实体的自有属性，根据不同层级在不同状态下的第一条件概率，以及所述层级实体在不同状态下发生的第一先验概率，构建所述诊断规则集，所述诊断规则集用于表示所述干式变压器的运行状态的诊断规则，其中，所述运行状态包括正常、注意、异常、严重，所述诊断规则包括每种所述运行状态的概率。
5.根据权利要求4所述一种用于干式变压器故障诊断的知识图谱的构建方法，其特征在于：
在构建所述第一基础知识图谱的过程中，基于所述模式层，对结构化或非结构化源数据进行知识抽取、知识融合、知识加工操作，构建所述第一基础知识图谱的数据层，所述数据层用于将不同类型的结构数据统一转换为三元组的实例形式，映射到所述模式层的相关类中。
6.根据权利要求5所述一种用于干式变压器故障诊断的知识图谱的构建方法，其特征在于：
所述知识抽取的过程包括：对所述干式变压器的规程导则、试验数据、运行数据以及专家经验，按照所述模式层的指导开展抽取；
所述知识融合的过程包括：将抽取到的实体、实体间关系、实体属性进行整合，并映射到所述模式层中进行知识填充，其中，所述知识融合用于通过实体消歧和共指消解的操作方法，明确定义会产生歧义的部分以及对同一实体的不同代称进行统一；
所述知识加工的过程包括，在所述知识融合的基础上，通过所述规程导则以及现场专家对所述第一基础知识图谱的实体、关系、属性进行校正，并去除冗余信息，用于保障所述第一基础知识图谱的准确与简洁。
7.根据权利要求6所述一种用于干式变压器故障诊断的知识图谱的构建方法，其特征在于：
在构建第二知识图谱的过程中，将所述第一基础知识图谱的实体、关系和属性依次对应所述贝叶斯网络的节点、有向边以及事件概率，构建所述第二知识图谱，具体步骤包括：
将所述第一基础知识图谱的顶层干式变压器实体、主要部件实体、各类故障实体和状态量实体转化为所述贝叶斯网络的有向无环图中的节点部分，其中，将所述状态量实体转化为根节点，将所述顶层干式变压器实体转化为叶节点，将其余实体转化为中间节点；
将实体间关系转化为所述有向无环图的有向边部分，用于表示其上下级节点的因果关系；
将所述状态量实体的所述第一先验概率转化为所述贝叶斯网络的条件概率表中根节点的第二先验概率；
将所述实体间关系的所述第一条件概率转化为所述中间节点或所述叶节点的各状态下的第二条件概率。
8.根据权利要求7所述一种用于干式变压器故障诊断的知识图谱的构建方法，其特征在于：
所述贝叶斯网络的表示为：
Figure FDA0003389109360000041
其中，P(T＝Tq)为节点T状态为Tq时的概率，q∈(0,1,2,3)，对应所述正常、所述注意、所述异常和所述严重四种状态；π(yk)为中间节点yk的父节点集合；P(xi)为根节点xi的先验概率，P(T＝Tq|π(T))为节点T父节点集合π(T)发生正常、注意、异常和严重四种条件综合下节点T状态为Tq时的概率；P(yk|π(yk))同理为中间节点yk父节点集合π(yk)发生正常、注意、异常和严重四种条件综合下中间节点yk发生正常、注意、异常和严重四种条件的概率；
Figure FDA0003389109360000042
表示节点T到根节点有m个中间节点且每个中间节点的条件概率均以乘积相连；
Figure FDA0003389109360000043
表示最外一层叶节点有n个且每个叶节点的先验概率均以乘积相连。
9.根据权利要求8所述一种用于干式变压器故障诊断的知识图谱的构建方法，其特征在于：
通过获取所述贝叶斯网络的敏感性节点，对所述干式变压器进行故障诊断，其中，
所述敏感性节点的表达式为：
Figure FDA0003389109360000051
其中，x为状态量节点，xq为确定状态，T表示故障子节点，Tp为当状态量节点x处于确定状态xq时，相关故障子节点T所对应的状态，其中q∈(0,1,2,3)；p∈(0,1,2,3)，0、1、2、3分别对应正常、注意、异常和严重状态。
10.根据权利要求9所述一种用于干式变压器故障诊断的知识图谱的构建方法，其特征在于，应用所述知识图谱的知识图谱系统，包括：
数据采集模块，用于采集所述干式变压器的状态量；
故障诊断模块，用于根据所述状态量，对所述干式变压器进行故障诊断；
显示模块，用于显示故障类型；
所述故障诊断模块用于通过权利要求1-9中任一权利要求构建的所述知识图谱，依据所述状态量，对所述干式变压器进行故障诊断。
CN202111458972.1A 2021-12-02 2021-12-02 一种用于干式变压器故障诊断的知识图谱的构建方法 Active CN114138982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111458972.1A CN114138982B (zh) 2021-12-02 2021-12-02 一种用于干式变压器故障诊断的知识图谱的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111458972.1A CN114138982B (zh) 2021-12-02 2021-12-02 一种用于干式变压器故障诊断的知识图谱的构建方法

Publications (2)

Publication Number Publication Date
CN114138982A true CN114138982A (zh) 2022-03-04
CN114138982B CN114138982B (zh) 2024-07-19

Family

ID=80387289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111458972.1A Active CN114138982B (zh) 2021-12-02 2021-12-02 一种用于干式变压器故障诊断的知识图谱的构建方法

Country Status (1)

Country Link
CN (1) CN114138982B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692875A (zh) * 2022-04-12 2022-07-01 华北电力大学 一种故障诊断用gis知识图谱的构建方法
CN115080760A (zh) * 2022-05-23 2022-09-20 成都天奥测控技术有限公司 一种故障诊断知识图谱建模方法
CN115099924A (zh) * 2022-05-20 2022-09-23 北京结慧科技有限公司 一种金融风控管理方法及系统、设备及存储介质
CN117114102A (zh) * 2023-10-13 2023-11-24 江苏前景瑞信科技发展有限公司 一种基于贝叶斯网络和故障树的变压器故障诊断方法
CN118014564A (zh) * 2024-04-10 2024-05-10 山东和兑智能科技有限公司 一种基于数据驱动的电力设备故障诊断系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090150325A1 (en) * 2007-12-03 2009-06-11 Infosys Technologies Ltd. System and method for root cause analysis of the failure of a manufactured product
CN110033101A (zh) * 2019-03-07 2019-07-19 华中科技大学 基于融合特征的知识图谱的水电机组故障诊断方法和系统
CN112269901A (zh) * 2020-09-14 2021-01-26 合肥中科类脑智能技术有限公司 一种基于知识图谱的故障判别推理方法
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
CN113312411A (zh) * 2021-06-22 2021-08-27 中国电子科技集团公司第十四研究所 一种基于知识图谱和规则约束的装备故障原因诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090150325A1 (en) * 2007-12-03 2009-06-11 Infosys Technologies Ltd. System and method for root cause analysis of the failure of a manufactured product
CN110033101A (zh) * 2019-03-07 2019-07-19 华中科技大学 基于融合特征的知识图谱的水电机组故障诊断方法和系统
CN112269901A (zh) * 2020-09-14 2021-01-26 合肥中科类脑智能技术有限公司 一种基于知识图谱的故障判别推理方法
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
CN113312411A (zh) * 2021-06-22 2021-08-27 中国电子科技集团公司第十四研究所 一种基于知识图谱和规则约束的装备故障原因诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
付鑫;郭阳;聂玲;王思宁;王小滨;杨滨名: "基于知识图谱技术的电网运营监测分析系统设计", 供用电, no. 007, 31 December 2021 (2021-12-31) *
王永强;律方成;李和明: "基于粗糙集理论和贝叶斯网络的电力变压器故障诊断方法", 中国电机工程学报, no. 008, 31 December 2006 (2006-12-31) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692875A (zh) * 2022-04-12 2022-07-01 华北电力大学 一种故障诊断用gis知识图谱的构建方法
CN114692875B (zh) * 2022-04-12 2024-09-13 华北电力大学 一种故障诊断用gis知识图谱的构建方法
CN115099924A (zh) * 2022-05-20 2022-09-23 北京结慧科技有限公司 一种金融风控管理方法及系统、设备及存储介质
CN115080760A (zh) * 2022-05-23 2022-09-20 成都天奥测控技术有限公司 一种故障诊断知识图谱建模方法
CN117114102A (zh) * 2023-10-13 2023-11-24 江苏前景瑞信科技发展有限公司 一种基于贝叶斯网络和故障树的变压器故障诊断方法
CN118014564A (zh) * 2024-04-10 2024-05-10 山东和兑智能科技有限公司 一种基于数据驱动的电力设备故障诊断系统及方法

Also Published As

Publication number Publication date
CN114138982B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
CN114138982B (zh) 一种用于干式变压器故障诊断的知识图谱的构建方法
CN112803592B (zh) 一种适用于分布式电站的智能故障预警方法及系统
CN112910089A (zh) 一种变电站二次设备故障逻辑可视化方法及系统
CN114692875B (zh) 一种故障诊断用gis知识图谱的构建方法
CN106383958A (zh) 一种变电站防误闭锁逻辑智能验收系统
CN117273133A (zh) 配电网多源异构数据知识图谱的构建方法
CN112836436A (zh) 一种基于概率图模型的配电网线路风险量化预测方法
CN115689181A (zh) 电力系统的防误校核方法、系统和非瞬态计算机可读介质
CN115730749A (zh) 基于融合电力数据的电力调度风险预警方法及装置
Zhang et al. An analytical method for mapping alarm information to model of power grid fault diagnosis
Liu et al. Application of knowledge graph in smart grid fault diagnosis
WO2019140553A1 (zh) 配电系统的健康指数确定方法及装置、计算机存储介质
CN114117072A (zh) 一种基于知识图谱的设备家族缺陷检修预判的方法
CN116304579A (zh) 基于变电站模型与规则实例化的事件告警推理方法与系统
Li et al. An Effective Node‐To‐Edge Interdependent Network and Vulnerability Analysis for Digital Coupled Power Grids
Xinjie et al. A Construction Method for the Knowledge Graph of Power Grid Supervision Business
CN107436958B (zh) 一种基于通用逻辑的调度主站二次设备信号建模方法
CN112101422A (zh) 电力系统故障案例的典型案例自学习方法
Zhao et al. Research on power grid alarm information analysis and auxiliary decision-making based on knowledge graph
Zhang et al. Data preprocessing and quality evaluation for building the power grid supervision knowledge graph
Chen et al. Intelligent Fault Diagnosis of CINRAD Radar Based on Fault Tree and Bayesian Network
Ni et al. Research on Fault Location Expert System of Secondary System of Intelligent Substation Based on Fuzzy Fault Tree Theory
CN112104073B (zh) 电力系统实时信息标定方法
CN115906420A (zh) 一种农网变压器状态评估方法及系统
CN118657210A (zh) 电力设备防误校核方法、电子设备、存储介质及程序产品

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