CN114692875A - 一种故障诊断用gis知识图谱的构建方法 - Google Patents
一种故障诊断用gis知识图谱的构建方法 Download PDFInfo
- Publication number
- CN114692875A CN114692875A CN202210382783.9A CN202210382783A CN114692875A CN 114692875 A CN114692875 A CN 114692875A CN 202210382783 A CN202210382783 A CN 202210382783A CN 114692875 A CN114692875 A CN 114692875A
- Authority
- CN
- China
- Prior art keywords
- fault
- node
- gis
- probability
- knowledge
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 42
- 230000001364 causal effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 239000000470 constituent Substances 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Public Health (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明涉及电力设备故障检测技术领域,揭露了一种故障诊断用GIS知识图谱的构建方法,首先完成GIS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,并将知识映射到模式层中完成知识图谱的构建;依据故障概率知识图谱与贝叶斯网络拓扑结构关于事件概率的相似性,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;最后对GIS故障贝叶斯网络通过敏感性分析进行故障诊断;本发明可以实现GIS的概率知识图谱的构建以及故障诊断,并且可以及时发现GIS各类故障,来保证电力系统的安全稳定运行。
Description
技术领域
本发明涉及电力设备故障检测技术领域,尤其涉及一种故障诊断用GIS知识图谱的构建方法。
背景技术
作为电力系统中关键的输变电设备之一,GIS凭借其占地面积少,绝缘等级高,使用年限长以及保养简单等特点得到了广泛应用。因此,依据GIS各种试验数据与在线监测数据开展事前故障预测以及事后故障致因分析,对确保GIS以及电力系统的安全可靠运行具有十分重要的现实意义,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,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GIS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GIS故障样本稀缺的条件下,因此可以在结合两者的优势进行GIS的故障诊断。
GIS的故障诊断具有重要的意义,不仅可以减少GIS的维修费用,而且可以避免由于故障引起的各种损失;同时,正确实时的评估GIS的运行状况,及时准确的定位GIS的故障部位,准确的预测GIS的潜在故障,具有重要的现实意义。
发明内容
本发明提供一种故障诊断用GIS知识图谱的构建方法,其主要目的在于解决现有方案中没有基于GIS知识图谱实现GIS的故障诊断,并指导运维人员进行检修,保证GIS及电力系统的安全稳定运行的问题。
为实现上述目的,本发明提供的一种故障诊断用GIS知识图谱的构建方法,包括:
S1:GIS故障概率知识图谱的构建;通过构建GIS故障概率知识图谱将GIS状态量、故障类型、两者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:GIS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,将知识图谱的主要构成部分与贝叶斯网络模型一一对应,知识图谱中的属性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先天优势;
S3:GIS故障诊断;在GIS运行过程中,可通过定期的带电检测和在线监测获取GIS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GIS在数据不完整的情况下进行故障诊断;
S4:GIS故障的统计和评估;在预设的评估时间段对相关故障子节点的故障情况进行统计和评估,以此来对相关故障子节点的故障进行针对性的关注和提示。
优选地,所述GIS故障概率知识图谱的构建,包括:采用自顶向下的方式对GIS故障知识图谱进行构建,即首先对故障知识图谱的模式层进行构建来确定知识图谱的整体框架,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。
优选地,所述模式层的构建包括:
S31:确定实体层级;实体层级按照从上到下的层级分为四层,分别为:设备故障、故障大类、故障子类以及对应状态量;
S32:确定层级关系;层级关系包含所属关系、因果关系以及主次关系;
S33:确定层级实体的自有属性;层级实体的自有属性包含运行状态、变化趋势、设定阈值和事件概率。
优选地,所述数据层的构建包括:
S41:知识抽取;对GIS规程导则、试验数据、运行数据以及专家经验数据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;
S42: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;
S43: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、属性进行校正以及去除冗余信息,保障图谱的准确与简洁。
优选地,所述故障概率知识图谱向贝叶斯网络的转化,包括:
将故障概率知识图谱中的顶层设备故障实体、故障大类实体、故障子类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GIS故障转化为叶节点,其余实体均转化为中间节点;
故障概率知识图谱层级关系中的所属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父子关系;
状态量实体的状态先验概率自有属性转化为贝叶斯网络条件概率表中根节点的先验概率,故障概率知识图谱层级关系中的因果关系,即条件概率属性,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。
优选地,所述网络中间节点或叶节点T状态为Tq时的概率表达式为:
式中,T表示节点,Tq表示节点T状态,P(T=Tq)表示节点T状态为Tq时的概率,q∈(0,1,2,3),对应表示正常、注意、异常和严重四种状态;yk表示中间节点;π(yk)表示中间节点yk的父节点集合;xi表示根节点;P(xi)表示根节点xi的先验概率。
优选地,所述GIS故障诊断,包括:
通过敏感性分析实现;其中,敏感性分析为假设节点某一状态百分之百发生时,根据其相关节点所受影响程度,确定受影响最大的敏感性节点,从而实现GIS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))的概率表达式为:
式中,x表示状态量节点,xq表示状态量节点x状态,T表示相关故障子节点,TP表示相关故障子节点T状态,P(T=Tp|x=xq)表示在确定状态量x为xq证据下相关故障子节点T状态为TP的概率。
优选地,知识图谱的主要构成部分与贝叶斯网络模型一一对应表示知识图谱的实体、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。
优选地,所述在预设的评估时间段对相关故障子节点的故障情况进行统计和评估,包括:
在预设的评估时间段,统计所有子节点出现注意、异常和严重的状态总次数,将注意、异常和严重的状态总次数联立获取所有子节点出现故障的节点评估值,对节点评估值进行分析,得到低故障节点和高故障节点。
优选地,所述对节点评估值进行分析,包括:获取子节点对应的节点评估阈值,并将节点评估值与节点评估阈值进行匹配和标记;
将小于节点评估阈值的节点评估值对应的子节点标记为低故障节点;
将不小于节点评估阈值的节点评估值对应的子节点标记为高故障节点。
相比于现有方案,本发明可以实现的有益效果为:
本发明首先完成GIS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关于事件概率的相似性,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GIS进行故障诊断以及对GIS故障进行统计和评估;本发明能够有效的实现GIS故障诊断,为运维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,有效提高了设备的检修效率,可以保证电力系统的平稳运行。
附图说明
图1为本发明实施例中故障概率知识图谱构建的流程图;
图2为本发明实施例中GIS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;
图4为本发明实施例中GIS故障贝叶斯网络。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种故障诊断用GIS知识图谱的构建方法。该一种故障诊断用GIS知识图谱的构建方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,该一种故障诊断用GIS知识图谱的构建方法可以由安装在终端设备或服务端设备的软件或硬件来执行,该软件可以是区块链平台。该服务端包括但不限于:单台服务平台、服务平台集群、云端服务平台或云端服务平台集群等。
参照图1至图4所示,为本发明一实施例提供的一种故障诊断用GIS知识图谱的构建方法,包括如下步骤:
S1:GIS故障概率知识图谱的构建;通过构建GIS故障概率知识图谱将GIS状态量、故障类型、两者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;
其中,GIS故障概率知识图谱的构建,包括:采用自顶向下的方式对GIS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;
需要说明的是,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GIS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;具体的步骤包括:
S1011:实体层级的确定;实体层级按照从上到下的层级分为四层,分别为:设备故障、故障大类、故障子类以及对应状态量;
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″设备故障-包含-故障大类″;
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、设定阈值以及事件概率等,例如:状态量实体中的状态等级以及设定阈值等。
特别的,本发明实施例中,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;先验概率是指根据以往经验和分析得到的概率;
为充分表明GIS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。
需要说明的是,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;具体的步骤包括:
S1021:知识抽取;对GIS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:实体层级中故障大类抽取到的实体有机械故障、局部放电故障、微水超标故障、气体泄漏故障以及过热故障;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GIS故障概率知识图谱如图2所示。
S2:GIS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;
其中,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设备故障实体、故障大类实体、故障子类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GIS故障转化为叶节点,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,可得到网络中间节点或叶节点T状态为Tq时的概率;网络中间节点或叶节点T状态为Tq时的概率表达式为:
式中,T表示节点,Tq表示节点T状态,P(T=Tq)表示节点T状态为Tq时的概率,q∈(0,1,2,3),对应表示正常、注意、异常和严重四种状态;yk表示中间节点;π(yk)表示中间节点yk的父节点集合;xi表示根节点;P(xi)表示根节点xi的先验概率。
S3:GIS故障诊断;在GIS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GIS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GIS在数据不完整的情况下进行故障诊断;后验概率是指事情已经发生,要求这件事情发生的原因是由某个因素引起的可能性的大小。
其中,GIS故障诊断可以通过敏感性分析实现;
具体的,敏感性分析为假设节点某一状态百分之百发生时,根据其相关节点所受影响程度,确定受影响最大的敏感性节点,从而实现GIS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))的概率表达式为:
式中,x表示状态量节点,xq表示状态量节点x状态,T表示相关故障子节点,TP表示相关故障子节点T状态,P(T=Tp|x=xq)表示在确定状态量x为xq证据下相关故障子节点T状态为TP的概率。
S4:GIS故障的统计和评估;在预设的评估时间段对相关故障子节点的故障情况进行统计和评估,以此来对相关故障子节点的故障进行针对性的关注和提示。
其中,在预设的评估时间段,统计所有子节点出现注意、异常和严重的状态总次数并分别设定为第一次数YC、第二次数EC和第三次数SC,通过节点评估表达式获取所有子节点出现故障的节点评估值JP;
该节点评估表达式为:JP=α×(a1×YC+a2×YC+a3×YC)/T;a1、a2、a3为不同的比例系数且均大于零,α为子节点对应故障大类的权重,T为评估时间段,单位为天,可以取值为30;公式中的比例系数可以由本领域的技术人员根据实际情况设定或者通过大量数据模拟获取,比如,a1可以取值为0.537,a2可以取值为1.651,a3可以取值为2.836,节点评估值越大,表示对应的子节点越容易出现故障;
本发明实施例中,GIS故障包含机械故障、局部放电故障、微水超标故障、过热故障和气体泄露故障五个故障大类,不同的故障大类预先设定一个不同的权重,基于权重可以表示该故障大类的重要性;本发明实施例中的五个故障大类对应的权重可以依次递减;
获取子节点对应的节点评估阈值,并将节点评估值与节点评估阈值进行匹配和标记;
将小于节点评估阈值的节点评估值对应的子节点标记为低故障节点;
将不小于节点评估阈值的节点评估值对应的子节点标记为高故障节点;
通过在评估时间段内对GIS所有的子节点的出现故障的情况进行统计和标记,以便运维人员可以针对性的进行关注和查验。
本发明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。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种故障诊断用GIS知识图谱的构建方法,其特征在于,包括:
S1:GIS故障概率知识图谱的构建;通过构建GIS故障概率知识图谱将GIS状态量、故障类型、两者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:GIS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,将知识图谱的主要构成部分与贝叶斯网络模型一一对应,知识图谱中的属性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先天优势;
S3:GIS故障诊断;在GIS运行过程中,可通过定期的带电检测和在线监测获取GIS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GIS在数据不完整的情况下进行故障诊断;
S4:GIS故障的统计和评估;在预设的评估时间段对相关故障子节点的故障情况进行统计和评估,以此来对相关故障子节点的故障进行针对性的关注和提示。
2.如权利要求1所述的一种故障诊断用GIS知识图谱的构建方法,其特征在于,所述GIS故障概率知识图谱的构建,包括:采用自顶向下的方式对GIS故障知识图谱进行构建,即首先对故障知识图谱的模式层进行构建来确定知识图谱的整体框架,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。
3.如权利要求2所述的一种故障诊断用GIS知识图谱的构建方法,其特征在于,所述模式层的构建包括:
S31:确定实体层级;实体层级按照从上到下的层级分为四层,分别为:设备故障、故障大类、故障子类以及对应状态量;
S32:确定层级关系;层级关系包含所属关系、因果关系以及主次关系;
S33:确定层级实体的自有属性;层级实体的自有属性包含运行状态、变化趋势、设定阈值和事件概率。
4.如权利要求2所述的一种故障诊断用GIS知识图谱的构建方法,其特征在于,所述数据层的构建包括:
S41:知识抽取;对GIS规程导则、试验数据、运行数据以及专家经验数据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;
S42: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;
S43: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、属性进行校正以及去除冗余信息,保障图谱的准确与简洁。
5.如权利要求1所述的一种故障诊断用GIS知识图谱的构建方法,其特征在于,所述故障概率知识图谱向贝叶斯网络的转化,包括:
将故障概率知识图谱中的实体层级即顶层设备故障实体、故障大类实体、故障子类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GIS故障转化为叶节点,其余实体均转化为中间节点;
故障概率知识图谱层级关系中的所属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父子关系;
状态量实体的状态先验概率自有属性转化为贝叶斯网络条件概率表中根节点的先验概率,故障概率知识图谱层级关系中的因果关系,即条件概率属性,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。
8.如权利要求1所述的一种故障诊断用GIS知识图谱的构建方法,其特征在于,知识图谱的主要构成部分与贝叶斯网络模型一一对应表示知识图谱的实体、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。
9.如权利要求1所述的一种故障诊断用GIS知识图谱的构建方法,其特征在于,所述在预设的评估时间段对相关故障子节点的故障情况进行统计和评估,包括:
在预设的评估时间段,统计所有子节点出现注意、异常和严重的状态总次数,将注意、异常和严重的状态总次数联立获取所有子节点出现故障的节点评估值,对节点评估值进行分析,得到低故障节点和高故障节点。
10.如权利要求9所述的一种故障诊断用GIS知识图谱的构建方法,其特征在于,所述对节点评估值进行分析,包括:获取子节点对应的节点评估阈值,并将节点评估值与节点评估阈值进行匹配和标记;
将小于节点评估阈值的节点评估值对应的子节点标记为低故障节点;
将不小于节点评估阈值的节点评估值对应的子节点标记为高故障节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382783.9A CN114692875A (zh) | 2022-04-12 | 2022-04-12 | 一种故障诊断用gis知识图谱的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382783.9A CN114692875A (zh) | 2022-04-12 | 2022-04-12 | 一种故障诊断用gis知识图谱的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692875A true CN114692875A (zh) | 2022-07-01 |
Family
ID=82143491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210382783.9A Pending CN114692875A (zh) | 2022-04-12 | 2022-04-12 | 一种故障诊断用gis知识图谱的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692875A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776984A (zh) * | 2023-07-10 | 2023-09-19 | 河海大学 | 一种基于知识图谱的灾害链推理预测方法及系统 |
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 |
-
2022
- 2022-04-12 CN CN202210382783.9A patent/CN114692875A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776984A (zh) * | 2023-07-10 | 2023-09-19 | 河海大学 | 一种基于知识图谱的灾害链推理预测方法及系统 |
CN116776984B (zh) * | 2023-07-10 | 2024-03-19 | 河海大学 | 一种基于知识图谱的灾害链推理预测方法及系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Bayesian networks in fault diagnosis | |
CN114692875A (zh) | 一种故障诊断用gis知识图谱的构建方法 | |
CN109408603B (zh) | 一种基于大数据的台区拓扑图绘制方法 | |
CN107545349A (zh) | 一种面向电力大数据的数据质量分析评价模型 | |
CN110175324B (zh) | 一种基于数据挖掘的电网运行操作指令校验方法及系统 | |
CN113902242A (zh) | 一种基于数字孪生的电网设备的综合状态评价方法及系统 | |
CN114138982A (zh) | 一种用于干式变压器故障诊断的知识图谱的构建方法 | |
CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
Liu et al. | A concurrent fault diagnosis method of transformer based on graph convolutional network and knowledge graph | |
CN113487211A (zh) | 核电装备质量追溯方法、系统、计算机设备及介质 | |
Gao et al. | A novel framework for the reliability modelling of repairable multistate complex mechanical systems considering propagation relationships | |
Li et al. | A quantitative causal diagram based optimal sensor allocation strategy considering the propagation of fault risk | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
Strasser et al. | Graph-based ontology-guided data mining for D-matrix model maturation | |
CN116611523B (zh) | 涡轮风扇发动机的可解释故障预测方法及系统 | |
Xu et al. | Fault diagnosis and identification of malfunctioning protection devices in a power system via time series similarity matching | |
CN113891342B (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN109324591A (zh) | 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 | |
Faragó et al. | Impact of version history metrics on maintainability | |
Hou et al. | A Federated Learning‐Based Fault Detection Algorithm for Power Terminals | |
CN108549734A (zh) | 基于系统功能结构的tfm三维信息流建模方法 | |
Xia | A systematic graph-based methodology for cognitive predictive maintenance of complex engineering equipment | |
CN115718472A (zh) | 水电机组故障扫描诊断方法 | |
Jia et al. | Reliability analysis of systems with mixed uncertainties based on Bhattacharyya distance and Bayesian network | |
Chen et al. | Application of Orthogonal Defect Classification for Software Reliability Analysis |
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 |