CN115098652A - 绝缘缺陷分析系统、方法、电子设备及存储介质 - Google Patents
绝缘缺陷分析系统、方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115098652A CN115098652A CN202210583652.7A CN202210583652A CN115098652A CN 115098652 A CN115098652 A CN 115098652A CN 202210583652 A CN202210583652 A CN 202210583652A CN 115098652 A CN115098652 A CN 115098652A
- Authority
- CN
- China
- Prior art keywords
- data
- insulation
- type
- insulation defect
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 148
- 238000004458 analytical method Methods 0.000 title claims abstract description 86
- 230000007547 defect Effects 0.000 title claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 70
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3325—Reformulation based on results of preceding query
- G06F16/3326—Reformulation based on results of preceding query using relevance feedback from the user, e.g. relevance feedback on documents, documents sets, document terms or passages
- G06F16/3328—Reformulation based on results of preceding query using relevance feedback from the user, e.g. relevance feedback on documents, documents sets, document terms or passages using graphical result space presentation or visualisation
-
- 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
Abstract
本发明提供了一种绝缘缺陷分析系统、方法、电子设备及存储介质，所述分析系统首先通过数据获取模块，获取供配电设备的数据，其中所述数据包括：设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、绝缘数据、设备自检信息和设备通讯信息；然后通过数据分析模块，分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型；之后知识图谱模块根据所述类型在知识图谱中检索出针对所述类型的处理建议；最后分析报告推送模块根据所述数据、类型和处理建议形成绝缘缺陷分析报告。本发明可以为用户提供安全可靠的远程服务及数据分析报告，为智能化、数字化管理提供有效的数据支持。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种绝缘缺陷分析系统、方法、电子设备及存储介质。
背景技术
供电可靠性直接关系到很多设备应用的安全性，如果供电设备出现故障，会造成很多事故。供电设备在线故障诊断与预测模型不够成熟，适应能力不高，往往只能满足特定条件下的预测需求，难以适应多种复杂环境，影响故障诊断与预测的准确性。
发明内容
本发明提供了一种绝缘缺陷分析系统、方法、电子设备及存储介质；利用数据传输及现代通信技术，搭建用户绝缘安全服务平台，结合大数据和云计算等先进数据技术，为用户提供安全可靠的远程服务及数据分析报告，为智能化、数字化管理提供有效的数据支持。
第一方面，本发明实施例提供了一种绝缘缺陷分析系统，所述分析系统包括：
数据获取模块，用于获取供配电设备的数据，其中所述数据包括：设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、绝缘数据、设备自检信息和设备通讯信息；
数据分析模块，用于分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型；
知识图谱模块，根据所述类型在知识图谱中检索出针对所述类型的处理建议；
分析报告推送模块，根据所述数据、类型和处理建议形成绝缘缺陷分析报告。
可选地，所述分析系统还包括：
数据管理模块，用于管理事故数据库，将所述绝缘缺陷分析报告中的内容存入所述事故数据库中作为案例；其中，所述事故数据库存储有历史绝缘缺陷事故案例。
可选地，所述分析报告推送模块包括检索单元，获取用户输入的检索内容，根据所述检索内容在所述知识图谱模块中进行检索，将检索得到的内容以页面形式呈现在用户端。
第二方面，本发明的实施例提供了一种绝缘缺陷分析方法，所述分析方法包括：
获取供配电设备的数据，其中所述数据包括：设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、绝缘数据、设备自检信息和设备通讯信息；
分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型；
根据所述数据和所述类型在预先构建的知识图谱中检索出针对所述类型的绝缘缺陷的处理建议；
根据所述数据、类型和处理建议形成绝缘缺陷分析报告。
可选地，所述分析方法还包括：
将所述绝缘缺陷分析报告中的内容存入所述事故数据库中作为案例；其中，所述事故数据库存储有历史绝缘缺陷事故案例。
可选地，所述分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型包括：
获取历史绝缘数据并形成绝缘数据波形图；
根据所述绝缘数据波形图分析出绝缘数据基值、波动范围和波动速率；
根据所述绝缘数据基值、波动范围和波动速率判断所述绝缘缺陷的类型。
可选地，所述知识图谱的构建包括：
知识存储，将原始数据存入到知识模型中；其中，所述原始数据包括结构化数据、半结构化数据和非结构化数据；
信息抽取，从所述半结构化数据和所述非结构数据中抽取实体、关系以及实体属性；
知识融合，对进行过信息抽取的数据进行实体链接和知识合并。
可选地，所述分析方法还包括：
获取用户输入的检索内容，根据所述检索内容在所述知识图谱中进行检索，将检索得到的内容以页面形式呈现在用户端。
第三方面，本发明的实施例提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如第一方面任一项所述的方法。
第四方面，本发明的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的方法。
有益效果
本发明提供了一种绝缘缺陷分析系统、方法、电子设备及存储介质，所述分析系统首先通过数据获取模块，获取供配电设备的数据，其中所述数据包括：设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、绝缘数据、设备自检信息和设备通讯信息；然后通过数据分析模块，分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型；之后知识图谱模块根据所述类型在知识图谱中检索出针对所述类型的处理建议；最后分析报告推送模块根据所述数据、类型和处理建议形成绝缘缺陷分析报告。上述技术方案通过利用数据传输及现代通信技术，搭建用户绝缘安全服务平台，结合大数据和云计算等先进数据技术，为用户提供安全可靠的远程服务及数据分析报告，为智能化、数字化管理提供有效的数据支持。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。
图1示出了本发明实施例的一种绝缘缺陷分析系统的结构示意图；
图2示出了本发明另一实施例的一种绝缘缺陷分析系统的结构示意图；
图3示出了本发明实施例的一种绝缘缺陷分析方法的流程图；
图4示出了本发明另一实施例的一种绝缘缺陷分析方法的流程图；
图5示出了本发明实施例的一种电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
需要说明的是，本发明实施例描述的仅仅是为了更加清楚的说明本发明实施例的技术方案，并不构成对本发明实施例提供的技术方案的限定。
图1示出了本发明的实施例的一种绝缘缺陷分析系统的结构框图；如图 1所示，所述分析系统包括：
数据获取模块20，用于获取供配电设备的数据，其中所述数据包括：设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、绝缘数据、设备自检信息和设备通讯信息；
具体地，现场测量时将现场分析系统测量的设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、分析处理后的绝缘数据、设备自检信息、设备通讯信息和在线绝缘安全分析系统工作状态输入到所述分析系统中，所述分析系统的数据获取模块20获取这些数据并传输到数据分析模块为后续的数据分析提供数据基础。
数据分析模块40，用于分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型；
具体地，获取历史绝缘数据并形成绝缘数据波形图；
根据所述绝缘数据波形图分析出绝缘数据基值、波动范围和波动速率；
根据所述绝缘数据基值、波动范围和波动速率判断所述绝缘缺陷的类型。
知识图谱模块60，根据所述类型在知识图谱中检索出针对所述类型的处理建议；
具体地，所述知识图谱的构建包括：
知识存储，将原始数据存入到知识模型中；其中，所述原始数据包括结构化数据、半结构化数据和非结构化数据；
信息抽取，从所述半结构化数据和所述非结构数据中抽取实体、关系以及实体属性；
知识融合，对进行过信息抽取的数据进行实体链接和知识合并。
其中，信息抽取包括实体抽取：也称为命名实体识别(named entityrecognition，NER)，是指从文本数据集中自动识别出命名实体；当前主流技术为面向开放域(open domain)的实体抽取；关系抽取：为了得到语义信息，从相关语料中提取出实体之间的关联关系，通过关系将实体联系起来，才能够形成网状的知识结构；属性抽取：目标是从不同信息源中采集特定实体的属性信息，如针对某个公众人物，可以从网络公开信息中得到其昵称、生日、国籍、教育背景等信息；采用数据挖掘的方法直接从文本中挖掘实体属性和属性值之间的关系模式，据此实现对属性名和属性值在文本中的定位。
知识融合，通过信息抽取，实现从原始数据中获取到了实体、关系以及实体的属性信息后，通过知识融合对数据进行逻辑归属和冗杂/错误过滤；即需要实体链接和知识合并两个流程实现；其中，对非结构化/半结构化数据处理：实体链接(entity linking)的流程是通过给定的实体指称项，通过相似度计算进行实体消歧和共指消解，确认正确实体对象后，再将该实体指称项链接到知识库中对应实体；对结构化数据处理：知识合并主要涉及“合并外部知识库”，处理数据层和模式层的冲突；以及用RDB2RDF等方法“合并关系数据库”。
实体抽取方法包括:基于规则和字典的方法、基于传统机器学习的方法和基于深度学习的方法；
基于规则和字典的方法：
基于规则和字典的方法是专家们事先根据语法、句子结构等知识人为地设定规则，然后根据这些规则对文本资源进行实体抽取；在特定领域精确度很高，但是很难迁移到其他领域，不同的领域需要制定不同的规则。
基于统计的方法：
基于统计的方法将命名实体识别看作序列标注问题，将少量训练样本进行标注后训练统计得到模型，然后根据模型预测抽取实体；人力代价较小，模型迁移到其他领域时不需要做改动或者较小的改动。
基于深度学习的方法：
基于深度学习的方法将神经网络运用到实体识别中，将待识别文本转化为词向量作为神经网络的输入，经过训练过的神经网络模型抽出实体；主要采用RNN、Bi-LSTM、Bi-LSTM+CRF等神经网络模型。
关系抽取方法包括：有监督学习方法，半监督学习方法和无监督学习方法；
有监督学习方法：
有监督学习方法需要模型对大量标注好的数据进行训练，然后再对需要提取信息的数据进行抽取；在特定的领域有较高的准确率，主要包括：基于规则的方法、基于特征向量的方法和基于核函数的方法。
半监督学习方法：
半监督学习方法相比有监督学习方法的主要区别在于使用的标注数据较少，该方法将少量标注好的数据作为种子模板，然后根据这个模板去抽取文本中的关系数据；能有效的降低对标注语料的依赖程度，减少人力，也有相对较高的精确度，种子模板的质量好坏直接影响到模型质量好坏，主要包括的算法有：Bootstrapping方法、协同训练方法和标注传播方法。
无监督学习方法：
无监督学习方法主要是使用聚类的思想，学习实体的上下文，如果某些实体的上下文相似度很高，就选择一种关系类型词来刻画这种关系；不需要标注数据来训练，也不依赖种子模板，有很好的适应性，可以迁移到不同的领域。
知识融合使用Neo4j图数据库，Neo4j图数据库属于一种NoSQL数据库，是一个高性能的图形数据库，具有嵌入式、高性能、轻量级、分布式存储的特点；这种数据库存储的数据包括节点和关系，每个节点就是一个实体，每个实体拥有零到多个属性，每个关系就是两个实体之间存在的某种关系。
Neo4j图数据库不仅可以用简单的图结构存储大量的知识，而且利于发掘各个节点之间的隐藏关系，在查询范围很广、关系很复杂的事物上具有很大的优势。知识图谱中的知识表达形式是类似图结构的三元组形式，利用图数据库来存储可以便于查找和储存。
分析报告推送模块80，根据所述数据、类型和处理建议形成绝缘缺陷分析报告推送给用户。
具体地，将所述获取到的相关数据和对应分析得到的绝缘缺陷类型和根据所述绝缘缺陷的类型从知识图谱中检索得到的针对该绝缘缺陷的相关建议汇总在一起形成分析报告推送给用户，用户可以在用户客户端收到相关的信息并查看所述分析报告。
本发明提供了一种绝缘缺陷分析系统，所述分析系统首先通过数据获取模块20，获取供配电设备的数据，其中所述数据包括：设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、绝缘数据、设备自检信息和设备通讯信息；然后通过数据分析模块40，分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型；之后知识图谱模块60根据所述类型在知识图谱中检索出针对所述类型的处理建议；最后分析报告推送模块80根据所述数据、类型和处理建议形成绝缘缺陷分析报告。上述技术方案通过利用数据传输及现代通信技术，搭建用户绝缘安全服务平台，结合大数据和云计算等先进数据技术，为用户提供安全可靠的远程服务及数据分析报告，为智能化、数字化管理提供有效的数据支持。
图2示出了本发明另一实施例的一种绝缘缺陷分析系统的结构示意图；如图2所示：
所述分析系统还包括：
数据管理模块90，管理事故数据库，将所述绝缘缺陷分析报告中的内容存入所述事故数据库中作为案例；其中，所述事故数据库存储有历史绝缘缺陷事故案例。
所述分析报告推送模块80包括检索单元801，获取用户输入的检索内容，根据所述检索内容在所述知识图谱模块中进行检索，将检索得到的内容以页面形式呈现在用户端。
图3示出了本发明实施例的一种绝缘缺陷分析方法的流程图；如图3所示：
S20、获取供配电设备的数据，其中所述数据包括：设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、绝缘数据、设备自检信息和设备通讯信息；
具体地，现场测量时将现场分析系统测量的设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、分析处理后的绝缘数据、设备自检信息、设备通讯信息和在线绝缘安全分析系统工作状态输入到所述分析系统中，所述分析系统的数据获取模块20获取这些数据并传输到数据分析模块为后续的数据分析提供数据基础。
S40、分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型；
具体地，获取历史绝缘数据并形成绝缘数据波形图；
根据所述绝缘数据波形图分析出绝缘数据基值、波动范围和波动速率；
根据所述绝缘数据基值、波动范围和波动速率判断所述绝缘缺陷的类型。
S60、根据所述数据和所述类型在预先构建的知识图谱中检索出针对所述类型的绝缘缺陷的处理建议；
具体地，所述知识图谱的构建包括：
知识存储，将原始数据存入到知识模型中；其中，所述原始数据包括结构化数据、半结构化数据和非结构化数据；
信息抽取，从所述半结构化数据和所述非结构数据中抽取实体、关系以及实体属性；
知识融合，对进行过信息抽取的数据进行实体链接和知识合并。
其中，信息抽取包括实体抽取：也称为命名实体识别(named entityrecognition，NER)，是指从文本数据集中自动识别出命名实体；当前主流技术为面向开放域(open domain)的实体抽取；关系抽取：为了得到语义信息，从相关语料中提取出实体之间的关联关系，通过关系将实体联系起来，才能够形成网状的知识结构；属性抽取：目标是从不同信息源中采集特定实体的属性信息，如针对某个公众人物，可以从网络公开信息中得到其昵称、生日、国籍、教育背景等信息；采用数据挖掘的方法直接从文本中挖掘实体属性和属性值之间的关系模式，据此实现对属性名和属性值在文本中的定位。
知识融合，通过信息抽取，实现从原始数据中获取到了实体、关系以及实体的属性信息后，通过知识融合对数据进行逻辑归属和冗杂/错误过滤；即需要实体链接和知识合并两个流程实现；其中，对非结构化/半结构化数据处理：实体链接(entity linking)的流程是通过给定的实体指称项，通过相似度计算进行实体消歧和共指消解，确认正确实体对象后，再将该实体指称项链接到知识库中对应实体；对结构化数据处理：知识合并主要涉及“合并外部知识库”，处理数据层和模式层的冲突；以及用RDB2RDF等方法“合并关系数据库”。
实体抽取方法包括:基于规则和字典的方法、基于传统机器学习的方法和基于深度学习的方法；
基于规则和字典的方法：
基于规则和字典的方法是专家们事先根据语法、句子结构等知识人为地设定规则，然后根据这些规则对文本资源进行实体抽取；在特定领域精确度很高，但是很难迁移到其他领域，不同的领域需要制定不同的规则。
基于统计的方法：
基于统计的方法将命名实体识别看作序列标注问题，将少量训练样本进行标注后训练统计得到模型，然后根据模型预测抽取实体；人力代价较小，模型迁移到其他领域时不需要做改动或者较小的改动。
基于深度学习的方法：
基于深度学习的方法将神经网络运用到实体识别中，将待识别文本转化为词向量作为神经网络的输入，经过训练过的神经网络模型抽出实体；主要采用RNN、Bi-LSTM、Bi-LSTM+CRF等神经网络模型。
关系抽取方法包括：有监督学习方法，半监督学习方法和无监督学习方法；
有监督学习方法：
有监督学习方法需要模型对大量标注好的数据进行训练，然后再对需要提取信息的数据进行抽取；在特定的领域有较高的准确率，主要包括：基于规则的方法、基于特征向量的方法和基于核函数的方法。
半监督学习方法：
半监督学习方法相比有监督学习方法的主要区别在于使用的标注数据较少，该方法将少量标注好的数据作为种子模板，然后根据这个模板去抽取文本中的关系数据；能有效的降低对标注语料的依赖程度，减少人力，也有相对较高的精确度，种子模板的质量好坏直接影响到模型质量好坏，主要包括的算法有：Bootstrapping方法、协同训练方法和标注传播方法。
无监督学习方法：
无监督学习方法主要是使用聚类的思想，学习实体的上下文，如果某些实体的上下文相似度很高，就选择一种关系类型词来刻画这种关系；不需要标注数据来训练，也不依赖种子模板，有很好的适应性，可以迁移到不同的领域。
知识融合使用Neo4j图数据库，Neo4j图数据库属于一种NoSQL数据库，是一个高性能的图形数据库，具有嵌入式、高性能、轻量级、分布式存储的特点；这种数据库存储的数据包括节点和关系，每个节点就是一个实体，每个实体拥有零到多个属性，每个关系就是两个实体之间存在的某种关系。
Neo4j图数据库不仅可以用简单的图结构存储大量的知识，而且利于发掘各个节点之间的隐藏关系，在查询范围很广、关系很复杂的事物上具有很大的优势。知识图谱中的知识表达形式是类似图结构的三元组形式，利用图数据库来存储可以便于查找和储存。
S80、根据所述数据、类型和处理建议形成绝缘缺陷分析报告；
具体地，将所述获取到的相关数据和对应分析得到的绝缘缺陷类型和根据所述绝缘缺陷的类型从知识图谱中检索得到的针对该绝缘缺陷的相关建议汇总在一起形成分析报告推送给用户，用户可以在用户客户端收到相关的信息并查看所述分析报告。
本发明提供了一种绝缘缺陷分析方法，所述分析方法首先获取供配电设备的数据，其中所述数据包括：设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、绝缘数据、设备自检信息和设备通讯信息；然后分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型；之后根据所述类型在知识图谱中检索出针对所述类型的处理建议；最后根据所述数据、类型和处理建议形成绝缘缺陷分析报告。上述技术方案通过利用数据传输及现代通信技术，搭建用户绝缘安全服务平台，结合大数据和云计算等先进数据技术，为用户提供安全可靠的远程服务及数据分析报告，为智能化、数字化管理提供有效的数据支持。
图4示出了本发明另一实施例的一种绝缘缺陷分析方法的流程图；如图 4所示：
所述分析方法还包括：
将所述绝缘缺陷分析报告中的内容存入所述事故数据库中作为案例；其中，所述事故数据库存储有历史绝缘缺陷事故案例。
获取用户输入的检索内容，根据所述检索内容在所述知识图谱中进行检索，将检索得到的内容以页面形式呈现在用户端。
本发明实施例还提供了一种计算机电子设备，图5示出了可以应用本发明实施例的电子设备的结构示意图，如图5所示，该计算机电子设备包括，中央处理模块(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出 (I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据获取模块20、数据分析模块 40、知识图谱模块60和分析报告推送模块80，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，知识图谱模块60还可以被描述为“根据所述类型在知识图谱中检索出针对所述类型的处理建议的知识图谱模块60”。
作为另一方面，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述一种绝缘缺陷分析系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入电子设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本发明的一种绝缘缺陷分析方法。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种绝缘缺陷分析系统，其特征在于，所述分析系统包括：
数据获取模块，用于获取供配电设备的数据，其中所述数据包括：设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、绝缘数据、设备自检信息和设备通讯信息；
数据分析模块，用于分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型；
知识图谱模块，根据所述类型在知识图谱中检索出针对所述类型的处理建议；
分析报告推送模块，根据所述数据、类型和处理建议形成绝缘缺陷分析报告。
2.根据权利要求1所述的分析系统，其特征在于，所述分析系统还包括：
数据管理模块，用于管理事故数据库，将所述绝缘缺陷分析报告中的内容存入所述事故数据库中作为案例；其中，所述事故数据库存储有历史绝缘缺陷事故案例。
3.根据权利要求1所述的分析系统，其特征在于，所述分析报告推送模块包括检索单元，用于获取用户输入的检索内容，根据所述检索内容在所述知识图谱模块中进行检索，将检索得到的内容以页面形式呈现在用户端。
4.一种绝缘缺陷分析方法，其特征在于，所述分析方法包括：
获取供配电设备的数据，其中所述数据包括：设备绝缘电阻值、分支回路绝缘电阻值、告警信息、原始测量数据、绝缘数据、设备自检信息和设备通讯信息；
分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型；
根据所述数据和所述类型在预先构建的知识图谱中检索出针对所述类型的绝缘缺陷的处理建议；
根据所述数据、类型和处理建议形成绝缘缺陷分析报告。
5.根据权利要求4所述的分析方法，其特征在于，所述分析方法还包括：
将所述绝缘缺陷分析报告中的内容存入所述事故数据库中作为案例；其中，所述事故数据库存储有历史绝缘缺陷事故案例。
6.根据权利要求4所述的分析方法，其特征在于，所述分析所述数据判断所述供配电设备是否存在绝缘缺陷，若存在则判断所述绝缘缺陷的类型包括：
获取历史绝缘数据并形成绝缘数据波形图；
根据所述绝缘数据波形图分析出绝缘数据基值、波动范围和波动速率；
根据所述绝缘数据基值、波动范围和波动速率判断所述绝缘缺陷的类型。
7.根据权利要求4所述的分析方法，其特征在于，所述知识图谱的构建包括：
知识存储，将原始数据存入到知识模型中；其中，所述原始数据包括结构化数据、半结构化数据和非结构化数据；
信息抽取，从所述半结构化数据和所述非结构数据中抽取实体、关系以及实体属性；
知识融合，对进行过信息抽取的数据进行实体链接和知识合并。
8.根据权利要求4所述的分析方法，其特征在于，所述分析方法还包括：
获取用户输入的检索内容，根据所述检索内容在所述知识图谱中进行检索，将检索得到的内容以页面形式呈现在用户端。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的系统。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210583652.7A CN115098652A (zh) | 2022-05-25 | 2022-05-25 | 绝缘缺陷分析系统、方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210583652.7A CN115098652A (zh) | 2022-05-25 | 2022-05-25 | 绝缘缺陷分析系统、方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115098652A true CN115098652A (zh) | 2022-09-23 |
Family
ID=83289438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210583652.7A Pending CN115098652A (zh) | 2022-05-25 | 2022-05-25 | 绝缘缺陷分析系统、方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115098652A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004233163A (ja) * | 2003-01-29 | 2004-08-19 | Hitachi High-Technologies Corp | パターン欠陥検査方法およびその装置 |
| CN107328994A (zh) * | 2017-07-17 | 2017-11-07 | 国家电网公司 | 变压器绝缘电阻试验装置及方法 |
| CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
| CN111831862A (zh) * | 2020-07-20 | 2020-10-27 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 高质量绝缘评估系统 |
| CN114169248A (zh) * | 2021-12-14 | 2022-03-11 | 广域铭岛数字科技有限公司 | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 |
-
2022
- 2022-05-25 CN CN202210583652.7A patent/CN115098652A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004233163A (ja) * | 2003-01-29 | 2004-08-19 | Hitachi High-Technologies Corp | パターン欠陥検査方法およびその装置 |
| CN107328994A (zh) * | 2017-07-17 | 2017-11-07 | 国家电网公司 | 变压器绝缘电阻试验装置及方法 |
| CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
| CN111831862A (zh) * | 2020-07-20 | 2020-10-27 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 高质量绝缘评估系统 |
| CN114169248A (zh) * | 2021-12-14 | 2022-03-11 | 广域铭岛数字科技有限公司 | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李继光，杨迪著: "《智能搜索和推荐系统 原理、算法与应用》", 中国海洋大学出版社, pages: 174 - 189 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112199511B (zh) | 跨语言多来源垂直领域知识图谱构建方法 | |
| CN101814067B (zh) | 对自然语言内容中的信息含量进行定量估算的系统和方法 | |
| CN113806563B (zh) | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 | |
| CN113392209B (zh) | 一种基于人工智能的文本聚类方法、相关设备及存储介质 | |
| US11977574B2 (en) | Method and apparatus for acquiring POI state information | |
| CN110019820B (zh) | 一种病历中主诉与现病史症状时间一致性检测方法 | |
| CN111898852A (zh) | 企业隐患和事故知识图谱构建方法、电子设备、存储介质 | |
| CN113191148A (zh) | 一种基于半监督学习和聚类的轨道交通实体识别方法 | |
| CN109522396B (zh) | 一种面向国防科技领域的知识处理方法及系统 | |
| CN113486667A (zh) | 一种基于实体类型信息的医疗实体关系联合抽取方法 | |
| CN112925883B (zh) | 搜索请求处理方法、装置、电子设备及可读存储介质 | |
| CN111813874B (zh) | 太赫兹知识图谱构建方法及系统 | |
| CN111259160A (zh) | 知识图谱构建方法、装置、设备及存储介质 | |
| WO2023125589A1 (zh) | 突发事件的监测方法及装置 | |
| CN113553412A (zh) | 问答处理方法、装置、电子设备和存储介质 | |
| CN112559747A (zh) | 事件分类处理方法、装置、电子设备和存储介质 | |
| CN115982379A (zh) | 基于知识图谱的用户画像构建方法和系统 | |
| CN114218951B (zh) | 实体识别模型的训练方法、实体识别方法及装置 | |
| CN114840685A (zh) | 一种应急预案知识图谱构建方法 | |
| CN115114419A (zh) | 问答处理方法、装置、电子设备和计算机可读介质 | |
| CN113610626A (zh) | 银行信贷风险识别知识图谱构建方法、装置、计算机设备及计算机可读存储介质 | |
| CN110377690B (zh) | 一种基于远程关系抽取的信息获取方法和系统 | |
| CN116881395A (zh) | 一种舆情信息检测方法和装置 | |
| CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
| CN113807102B (zh) | 建立语义表示模型的方法、装置、设备和计算机存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220923 |