CN115409122A - 一种变电设备并发故障分析方法、系统、设备及介质 - Google Patents
一种变电设备并发故障分析方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115409122A CN115409122A CN202211116394.8A CN202211116394A CN115409122A CN 115409122 A CN115409122 A CN 115409122A CN 202211116394 A CN202211116394 A CN 202211116394A CN 115409122 A CN115409122 A CN 115409122A
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- component
- node
- concurrent
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 129
- 238000004458 analytical method Methods 0.000 claims abstract description 91
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 48
- 238000010586 diagram Methods 0.000 claims description 27
- 238000012423 maintenance Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 8
- 238000002372 labelling Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000004804 winding Methods 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种变电设备并发故障分析方法、系统、设备及介质，所述方法包括：获取待并发故障分析的变电设备或部件的故障子图；将故障子图中的设备或部件故障、故障时间进行特征向量表示并融合，获得设备或部件故障中心节点特征表示；利用关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示；基于更新后的设备或部件故障中心节点特征表示，计算设备或部件故障节点间的关联度获取并发故障分析结果。本发明可实现变电设备并发故障的高效、精准分析，能够提升变电设备并发故障分析的智能化水平。
Description
技术领域
本发明属于变电设备故障诊断分析技术领域，涉及关系图卷积神经网络以及知识图谱领域，特别涉及一种变电设备并发故障分析方法、系统、设备及介质。
背景技术
变电设备是电力系统的重要组成部分，其中的变压器、断路器等关键设备在运行过程中发生的不同程度和不同类型的故障会影响电网的安全稳定运行；另外，变电设备故障具有并发性、继发性等特点，在电网运行过程中会出现并发故障的情况，即多个故障同时出现。综上，由于故障类型多样、特征极为复杂，且多种故障间关联分析难度大，变电设备并发故障分析存在巨大挑战。
目前，变电设备并发故障分析业务主要依靠人工经验分析，运检人员需要掌握全面、系统的专业知识与业务经验，存在知识经验储备不足导致并发故障人为分析难度大、质效低、可靠性不稳定等技术问题。
综上，鉴于上述现有技术尚存的缺陷，为了实现变电设备并发故障的高效、精准分析，亟需提供一种新的并发故障分析方法，这对于电力系统的安全可靠运行具有重要意义。
发明内容
本发明的目的在于提供一种变电设备并发故障分析方法、系统、设备及介质，以解决上述存在的一个或多个技术问题。本发明提供的技术方案中，基于关系图卷积神经网络以及故障知识图谱对变电设备并发故障进行分析，可实现变电设备并发故障的高效、精准分析，可提升变电设备并发故障分析的智能化水平。
为达到上述目的，本发明采用以下技术方案：
本发明第一方面提供的一种变电设备并发故障分析方法，包括以下步骤：
获取待并发故障分析的变电设备或部件的故障子图；其中，所述故障子图包括实体节点、属性节点以及各节点之间的拓扑关联结构；所述实体节点包括设备或部件故障、故障类型、故障原因、故障所属设备或部件；所述属性节点包括故障时间；
将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示；
将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示；
基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果。
本发明方法的进一步改进在于，所述获取待并发故障分析的变电设备或部件的故障子图的步骤包括：
基于预先构建的变电设备故障知识图谱，以设备或部件故障节点为中心节点获取包含预设关键信息的故障子图；
其中，所述预先构建的变电设备故障知识图谱中，以图结构形式存储有各个节点的故障知识及节点间的拓扑关联结构；所述预设关键信息包括设备或部件故障、故障类型、故障原因、故障所属设备或部件、故障时间。
本发明方法的进一步改进在于，所述预先构建的变电设备故障知识图谱的获取步骤包括：
根据专家经验及设备检修标准文档，获取变电设备及部件的故障类型、故障原因、故障时间概念及其间的逻辑关系；基于获取的概念及逻辑关系构建获得变电设备故障知识图谱本体架构；
基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体-关系-实体>；
对获取的所有三元组数据中的设备或部件节点进行共指消解，并根据变电站接线图及设备结构拓扑图补充设备、部件间的电气和机械连接关系，完成变电设备故障知识图谱数据层的构建，获得所述预先构建的变电设备故障知识图谱。
本发明方法的进一步改进在于，所述基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体-关系-实体>的步骤中，
采用BERT-BiGRU-CRF模型实现对故障分析报告、检修记录文档的实体和属性抽取；
采用BERT-BiGRU-Attention模型实现对故障分析报告、检修记录文档的关系抽取。
本发明方法的进一步改进在于，所述将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示的步骤包括：
采用均值组合方式将字符向量进行融合，得到设备或部件故障子图中实体节点和属性节点的特征向量表示，表达式为，
Y＝(y1,y2,...,ym)
式中，Y表示实体节点和属性节点的特征向量，m表示每个字符的向量维度，n表示实体和属性的节点名称字符长度，yj表示实体和属性节点名称特征向量的第j维特征值，xij表示实体和属性节点名称第i个字符特征向量的第j维特征值，Xn×m表示字符特征矩阵；
采用加权平均法得到融合故障时间属性节点信息的设备或部件故障中心节点特征表示，表达式为，
Y′e＝αYe+βYp；
式中α、β为加权系数，满足α+β＝1；Ye、Yp分别为设备或部件故障节点和故障时间属性节点的特征向量；Y′e为融合故障时间属性节点信息的设备或部件故障中心节点特征向量。
本发明方法的进一步改进在于，所述将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示的步骤中，
关系图卷积神经网络为基于节点信息传递的异构图神经网络，在图卷积神经网络学习实体嵌入的基础上加入边信息；
设备或部件故障中心节点特征更新公式为，
式中，
为设备或部件故障节点i在第l层的特征表达；R为设备或部件故障节点的邻接关系集合，
为节点i在关系r条件下的邻居节点集，
为邻居节点j在第l层的特征表达；
为归一化因子，di和di为节点i和节点j的度；
为节点自身变换权重参数，
为在关系r条件下的邻居节点变换权重参数；初始输入
和
分别为关系r条件下设备或部件故障节点的邻居节点特征向量表示和融合故障时间属性节点信息的设备或部件故障中心节点特征表示；σ表示非线性激活函数ReLU；
为设备或部件故障节点i在第l+1层的特征表达。
本发明方法的进一步改进在于，所述基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果的步骤中，
故障关联度计算表达式为，
式中，hu和hv为不同设备或部件故障中心节点特征表示，m表示特征向量维度，
和
为不同设备或部件故障中心节点特征表示的第i维特征值；exp(·)为指数函数；l表示不同故障所属设备或部件间的电气和机械连接路径长度，γ为收缩因子，用于调节曼哈顿距离与惩罚项的影响因素；
将计算获得的故障关联度与预设阈值σ进行比较，若故障关联度大于预设阈值，则表明为并发故障。
本发明方法的进一步改进在于，所述预先训练好的关系图卷积神经网络的输入为故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；经过所述设备或部件故障中心节点特征更新公式计算后，输出为更新后的设备或部件故障中心节点特征表示；
所述预先训练好的关系图卷积神经网络的训练获取步骤包括：
获取多个故障子图并两两组合进行标注，形成训练集；其中，标签包括两个故障是并发故障以及两个故障不是并发故障；
获取训练集的故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；将所述训练集的故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示输入所述关系图卷积神经网络中，计算得到更新后的设备或部件故障中心节点特征表示；
通过故障关联度计算方法得到训练集中两两故障间的故障关联度，作为并发故障的预测概率；基于并发故障的预测概率和标签，利用交叉熵损失函数计算损失值，并利用梯度下降法对关系图卷积神经网络参数进行更新迭代，训练过程直到训练轮数满足设置的更新迭代次数为止。
本发明第二方面提供的一种变电设备并发故障分析系统，包括：
故障子图获取模块，用于获取待并发故障分析的变电设备或部件的故障子图；其中，所述故障子图包括实体节点、属性节点以及各节点之间的拓扑关联结构；所述实体节点包括设备或部件故障、故障类型、故障原因、故障所属设备或部件；所述属性节点包括故障时间；
设备或部件故障中心节点特征表示获取模块，用于将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示；
设备或部件故障中心节点特征表示更新模块，用于将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示；
分析结果获取模块，用于基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果。
本发明系统的进一步改进在于，所述故障子图获取模块实现获取待并发故障分析的变电设备或部件的故障子图的步骤包括：
基于预先构建的变电设备故障知识图谱，以设备或部件故障节点为中心节点获取包含预设关键信息的故障子图；
其中，所述预先构建的变电设备故障知识图谱中，以图结构形式存储有各个节点的故障知识及节点间的拓扑关联结构；所述预设关键信息包括设备或部件故障、故障类型、故障原因、故障所属设备或部件、故障时间。
本发明系统的进一步改进在于，所述预先构建的变电设备故障知识图谱的获取步骤包括：
根据专家经验及设备检修标准文档，获取变电设备及部件的故障类型、故障原因、故障时间概念及其间的逻辑关系；基于获取的概念及逻辑关系构建获得变电设备故障知识图谱本体架构；
基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体-关系-实体>；
对获取的所有三元组数据中的设备或部件节点进行共指消解，并根据变电站接线图及设备结构拓扑图补充设备、部件间的电气和机械连接关系，完成变电设备故障知识图谱数据层的构建，获得所述预先构建的变电设备故障知识图谱。
本发明系统的进一步改进在于，所述基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体-关系-实体>的步骤中，
采用BERT-BiGRU-CRF模型实现对故障分析报告、检修记录文档的实体和属性抽取；
采用BERT-BiGRU-Attention模型实现对故障分析报告、检修记录文档的关系抽取。
本发明系统的进一步改进在于，所述设备或部件故障中心节点特征表示获取模块实现将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示的步骤包括：
采用均值组合方式将字符向量进行融合，得到设备或部件故障子图中实体节点和属性节点的特征向量表示，表达式为，
Y＝(y1,y2,...,ym)
式中，Y表示实体节点和属性节点的特征向量，m表示每个字符的向量维度，n表示实体和属性的节点名称字符长度，yj表示实体和属性节点名称特征向量的第j维特征值，xij表示实体和属性节点名称第i个字符特征向量的第j维特征值，Xn×m表示字符特征矩阵；
采用加权平均法得到融合故障时间属性节点信息的设备或部件故障中心节点特征表示，表达式为，
Y′e＝αYe+βYp；
式中α、β为加权系数，满足α+β＝1；Ye、Yp分别为设备或部件故障节点和故障时间属性节点的特征向量；Y′e为融合故障时间属性节点信息的设备或部件故障中心节点特征向量。
本发明系统的进一步改进在于，所述设备或部件故障中心节点特征表示更新模块实现将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示的步骤中，
关系图卷积神经网络为基于节点信息传递的异构图神经网络，在图卷积神经网络学习实体嵌入的基础上加入边信息；
设备或部件故障中心节点特征更新公式为，
式中，
为设备或部件故障节点i在第l层的特征表达；R为设备或部件故障节点的邻接关系集合，
为节点i在关系r条件下的邻居节点集，
为邻居节点j在第l层的特征表达；
为归一化因子，di和di为节点i和节点j的度；
为节点自身变换权重参数，
为在关系r条件下的邻居节点变换权重参数；初始输入
和
分别为关系r条件下设备或部件故障节点的邻居节点特征向量表示和融合故障时间属性节点信息的设备或部件故障中心节点特征表示；σ表示非线性激活函数ReLU；
为设备或部件故障节点i在第l+1层的特征表达。
本发明系统的进一步改进在于，所述分析结果获取模块实现基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果的步骤中，
故障关联度计算表达式为，
式中，hu和hv为不同设备或部件故障中心节点特征表示，m表示特征向量维度，
和
为不同设备或部件故障中心节点特征表示的第i维特征值；exp(·)为指数函数；l表示不同故障所属设备或部件间的电气和机械连接路径长度，γ为收缩因子，用于调节曼哈顿距离与惩罚项的影响因素；
将计算获得的故障关联度与预设阈值σ进行比较，若故障关联度大于预设阈值，则表明为并发故障。
本发明系统的进一步改进在于，所述预先训练好的关系图卷积神经网络的输入为故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；经过所述设备或部件故障中心节点特征更新公式计算后，输出为更新后的设备或部件故障中心节点特征表示；
所述预先训练好的关系图卷积神经网络的训练获取步骤包括：
获取多个故障子图并两两组合进行标注，形成训练集；其中，标签包括两个故障是并发故障以及两个故障不是并发故障；
获取训练集的故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；将所述训练集的故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示输入所述关系图卷积神经网络中，计算得到更新后的设备或部件故障中心节点特征表示；
通过故障关联度计算方法得到训练集中两两故障间的故障关联度，作为并发故障的预测概率；基于并发故障的预测概率和标签，利用交叉熵损失函数计算损失值，并利用梯度下降法对关系图卷积神经网络参数进行更新迭代，训练过程直到训练轮数满足设置的更新迭代次数为止。
本发明第三方面提供的一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明任一项上述的变电设备并发故障分析方法。
本发明第四方面提供的一种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本发明任一项上述的变电设备并发故障分析方法。
与现有技术相比，本发明具有以下有益效果：
本发明提供的变电设备并发故障分析方法中，将故障子图中实体、属性节点进行特征向量表示，并计算融合属性特征的设备或部件故障核心节点特征表示；然后利用关系图卷积神经网络，融合故障发生位置、时间、原因等关键信息的语义表征，更新设备或部件故障表示；最后基于节点特征相似度和拓扑连接关系建模故障关联度，进而通过计算设备或部件故障节点间的关联度搜索并发故障；其中，将故障发生位置、时间、原因等信息融入故障的语义表示，可得到更为丰富的深层语义特征，有助于多重故障间关联知识的挖掘；综合考虑故障信息的深层语义特征及设备或部件间的电气、机械连接关系，可支撑知识图谱中故障节点间关联度的计算与并发故障的搜索。综上所述，本发明基于关系图卷积神经网络和知识图谱对变电设备并发故障进行分析，通过分析和挖掘变电设备多重故障间的关联知识，可实现变电设备并发故障的高效、精准分析，能够有效提升设备并发故障分析效率和智能化水平。
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，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种变电设备并发故障分析方法的流程示意框图；
图2是本发明实施例提供的又一种变电设备并发故障分析方法的流程示意框图；
图3是本发明实施例中，变电设备故障知识图谱本体架构示意图；
图4是本发明实施例中，基于BERT-BiGRU-CRF的实体和属性抽取模型结构示意图；
图5是本发明实施例中，基于BERT-BiGRU-Attention的关系抽取模型结构示意图；
图6是本发明实施例中，基于关系图卷积神经网络的节点特征表示更新示意图；
图7是本发明实施例提供的一种变电设备并发故障分析系统的流程示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
请参阅图1，本发明实施例提供的一种变电设备并发故障分析方法，具体是一种基于关系图卷积神经网络和知识图谱的变电设备并发故障分析方法，包括以下步骤：
获取待并发故障分析的变电设备或部件的故障子图；其中，所述故障子图包括实体节点、属性节点以及各节点之间的拓扑关联结构；所述实体节点包括设备或部件故障、故障类型、故障原因、故障所属设备或部件；所述属性节点包括故障时间；
将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示；
将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，并利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示；
基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取分析结果。
本发明实施例提供的变电设备并发故障分析方法，适用于两个及以上变电设备或部件故障时的并发故障分析；本发明实施例提供的技术方案从以下两方面提升了设备并发故障分析的智能化水平，包括：
(1)实现了故障知识信息的融合利用；具体解释性的，本发明实施例中采用特征向量融合及图神经网络更新知识图谱中故障节点的特征表示，充分融合利用故障节点的属性信息及其邻居节点的关键知识，将故障发生位置、时间、原因等信息融入故障的语义表示，得到更为丰富的深层语义特征，有助于多重故障间关联知识的挖掘；
(2)实现了并发故障的关联分析；具体解释性的，本发明实施例中提出基于节点特征相似度和拓扑连接关系的故障关联分析方法，综合考虑故障信息的深层语义特征及设备或部件间的电气、机械连接关系，支撑知识图谱中故障节点间关联度的计算与并发故障的搜索，为设备并发性故障的关联分析提供了新的技术思路。
请参阅图2和图3，本发明实施例提供的一种变电设备并发故障分析方法，包括以下步骤：
基于预先构建的变电设备故障知识图谱，以故障节点(示例性的，设备或部件故障节点)为中心节点获取包含预设关键信息的故障子图；其中，所述预先构建的变电设备故障知识图谱中，以图结构形式存储有各个节点的故障知识及节点间的拓扑关联结构；其中，所述预设关键信息包括设备或部件故障、故障类型、故障原因、所属设备或部件、故障时间；
将故障子图中设备或部件故障实体节点、故障时间属性节点进行特征向量表示，并计算获得融合属性特征的设备或部件故障中心节点特征表示；
将故障子图中故障类型、故障原因和故障所属设备或部件实体节点进行特征向量表示，利用预先训练关系图卷积神经网络，融合故障类型、故障原因和故障所属设备或部件的关键信息语义表征，更新设备或部件故障中心节点特征；
根据更新后的设备或部件故障中心节点特征，基于节点特征相似度和拓扑连接关系建模故障关联度，进而通过计算设备或部件故障节点间的关联度获得分析结果。
本发明实施例中，构建变电设备故障知识图谱本体架构时采用的步骤可为：根据专家经验及设备检修标准文档，归纳总结变电设备及其部件的故障类型、故障原因、故障时间等概念及其间的逻辑关系，进而构建变电设备故障知识图谱本体架构；构建的变电设备故障知识图谱本体架构示例性如图3所示。
在变电设备故障知识图谱本体架构指导下，基于本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体-关系-实体>。对所有三元组数据中的设备或部件节点进行共指消解，并根据变电站接线图及设备结构拓扑图补充设备、部件间的电气和机械连接关系，完成变电设备故障知识图谱数据层的构建。
本发明实施例中，具体示例性的采用BERT-BiGRU-CRF模型实现对故障分析报告、检修记录文档的实体和属性抽取，包括：首先，文本字符序列由预训练语言模型BERT进行编码获得语义向量表示形式；然后，将字符向量序列输入BiGRU层，捕捉上下文特征以增强字符的语义表达，并输出字符的预测标签分数序列，预测标签表示为B-X、I-X、O；X对应于本体架构中的所有概念，如对于设备，X为Equipment；B-X表示此字符属于X概念且为首字符，I-X表示此字符属于X概念且为中间字符，O表示不属于任何概念；最后，将BiGRU层输出的所有字符预测标签分数输入CRF层中，通过字符序列的状态转移矩阵为预测标签添加合理性约束，并选择预测得分最高的标签序列作为最优标注序列，其中将预测标签为“故障时间”概念的字符序列作为设备或部件故障的属性节点。
请参阅图4，本发明实施例具体示例性的，BERT-BiGRU-CRF模型的结构由BERT层、BiGRU层、CRF层组合构成；其中，BERT层用于将文本字符转换为语义向量表示形式，输入为文本字符序列，输出为字符向量序列；BiGRU层用于捕捉上下文特征以增强字符的语义表达，输入为字符向量序列，输出为字符的预测标签分数序列；CRF层用于预测标签添加合理性约束，输入为字符的预测标签分数序列，输出为文本字符的最优标注序列。
本发明实施例采用的BERT-BiGRU-CRF模型的训练步骤包括：对故障分析报告、检修记录文档中的文本字符进行人工标注，并将标注后的文本作为训练集，具体标注为B-X、I-X、O，其中，X对应于本体架构中的设备或部件故障、故障类型、故障原因、所属设备或部件、故障时间概念，如对于设备，X为Equipment，B-X表示此字符属于X概念且为首字符，I-X表示此字符属于X概念且为中间字符，O表示不属于任何概念；
定义损失函数为当前转移状态矩阵在正确路径的分数与所有路径分数之和的负对数似然；
将训练集的文本字符序列输入BERT-BiGRU-CRF模型中，基于当前字符序列的状态转移矩阵，利用损失函数计算损失值，并利用梯度下降法对模型参数进行更新迭代，使得状态转移矩阵中正确转移状态序列的分数最大，训练过程直到训练轮数满足设置的更新迭代次数为止。
本发明实施例中，具体示例性的采用BERT-BiGRU-Attention模型实现对故障分析报告、检修记录文档的关系抽取，在实体抽取结果的基础上判断实体之间是否存在预定义关系，包括：首先，将包含两个实体的文本句子使用BERT进行编码生成字符向量序列；其次，将字符向量序列输入BiGRU层进行上下文特征提取；再次，将BiGRU层的输出向量输入Attention层进一步提取文本字符间的内部关联信息以挖掘深度特征，并输出文本句子特征向量；最后，将文本句子特征向量输入全连接层及Softmax层得到分类结果，其中关系分类标签为模式层中已知的概念间逻辑关系及一种未知关系。
请参阅图5，本发明实施例中，BERT-BiGRU-Attention模型结构由BERT层、BiGRU层、Attention层组合构成；其中，BERT层用于将文本字符转换为语义向量表示形式，输入为文本字符序列，输出为字符向量序列；BiGRU层用于对文本字符进行上下文特征提取，输入为字符向量序列，输出为提取上下文特征后的字符向量序列；Attention层用于提取文本字符间的内部关联信息以挖掘深度特征，输入为提取上下文特征后的字符向量序列，输出为文本句子特征向量，文本句子特征向量再输入全连接层及Softmax层得到关系分类结果。
本发明实施例采用的BERT-BiGRU-Attention模型的训练获取步骤包括：对故障分析报告、检修记录文档中包含两个实体的文本句子进行人工标注，并将标注后的文本作为训练集，预定义关系类别包括故障、时间、类型、原因、包括或未知关系共六类，将标注的关系类别作为文本句子标签；
将训练集的文本字符序列输入BERT-BiGRU-Attention模型中，获取当前模型Softmax层的输出作为关系类别的预测概率；
基于关系类别的预测概率和文本句子标签，利用交叉熵损失函数计算损失值，并利用梯度下降法对模型参数进行更新迭代，训练过程直到训练轮数满足设置的更新迭代次数为止。
本发明实施例中，将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示的步骤具体包括：
以设备或部件故障节点为中心节点，在变电设备故障知识图谱中查找属性节点及邻居节点，获得设备或部件故障子图；属性节点为故障时间节点，邻居节点包括故障所属设备或部件、故障类型、故障原因节点；采用均值组合方式将Attention层输出的字符向量进行融合，得到设备或部件故障子图中实体节点和属性节点的特征向量表示；给定字符特征矩阵Xn×m，采用均值组合方式计算实体节点和属性节点的特征向量Y如下式所示：
Y＝(y1,y2,...,ym)
式中，n表示实体和属性的节点名称字符长度，m表示每个字符的向量维度，yj表示实体和属性节点名称特征向量的第j维特征值，xij表示实体和属性节点名称第i个字符特征向量的第j维特征值。
得到设备或部件故障节点及其属性节点的特征向量表示后，采用加权平均法得到融合故障时间属性节点信息的设备或部件故障中心节点特征表示，如下式所示：
Y′e＝αYe+βYp；
式中α、β为加权系数，满足α+β＝1；Ye、Yp分别为设备或部件故障节点和故障时间属性节点的特征向量；Y′e为融合故障时间属性节点信息的设备或部件故障中心节点特征向量。
本发明实施例中，将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，并利用预先训练好的关系图卷积神经网络，融合故障类型、故障原因和故障所属设备或部件的语义表征更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示的过程包括：
基于设备或部件故障子图，采用关系图卷积神经网络聚集设备或部件故障节点的邻居节点特征信息，即融合设备或部件故障节点的局部结构信息，实现设备或部件故障中心节点特征的更新；其中，关系图卷积神经网络为基于节点信息传递的异构图神经网络，在图卷积神经网络学习实体嵌入的基础上加入边信息；其中，设备或部件故障中心节点特征更新公式如下所示：
式中，
为设备或部件故障节点i在第l层的特征表达；R为设备或部件故障节点的邻接关系集合，
为节点i在关系r条件下的邻居节点集，
为邻居节点j在第l层的特征表达；
为归一化因子，di和di为节点i和节点j的度；
为节点自身变换权重参数，
为在关系r条件下的邻居节点变换权重参数，对于不同的关系
不同；模型初始输入
和
分别为关系r条件下设备或部件故障节点的邻居节点特征向量表示和融合故障时间属性节点信息的设备或部件故障中心节点特征表示；σ表示非线性激活函数ReLU；
为设备或部件故障节点i在第l+1层的特征表达。
通过上述步骤融合设备或部件故障节点的属性节点及邻居节点特征，将故障所属设备或部件、故障时间、故障原因等信息融入设备或部件故障的语义表征，以得到更为丰富的深层语义特征表示。
本发明实施例中，基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取分析结果的步骤具体包括：
在得到更新的设备或部件故障中心节点特征表示后，通过计算故障关联度搜索并发故障；故障关联度表现为曼哈顿距离与惩罚项的组合，曼哈顿距离表示设备或部件故障节点特征表示在深层语义空间中的相似度，主要考虑不同设备或部件故障间故障所属设备或部件、时间、原因等因素的语义关联信息；惩罚项表示不同故障所属设备或部件间的电气和机械连接路径长度，若节点直接相连则路径长度为1，以此类推，主要考虑设备或部件间的拓扑结构关联，惩罚电气和机械连接较远的设备或部件，排除因故障特征表示相近但在运行状态上不互相影响而导致的误判情况；其中，本发明实施例提供的故障关联度计算如下式所示：
式中，hu和hv为不同设备或部件故障中心节点特征表示，m表示特征向量维度，
和
为不同设备或部件故障中心节点特征表示的第i维特征值；exp(·)为指数函数；l表示不同故障所属设备或部件间的电气和机械连接路径长度，γ为收缩因子，用于调节曼哈顿距离与惩罚项的影响因素；
将计算获得的故障关联度与预设阈值σ进行比较，若故障关联度大于该阈值，表明为并发故障。通过计算设备或部件故障节点与知识图谱中所有其它故障节点的关联度并进行阈值比较，最终得到并发故障分析结果。
本发明实施例具体示例性解释的，所述关系图卷积神经网络的输入为所述故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示，经过所述节点特征更新公式计算后，输出为更新后的设备或部件故障中心节点特征表示。本发明实施例中，训练获取步骤包括：获取变电设备故障知识图谱中的部分故障子图，将故障子图进行两两组合并进行人工标注，形成训练集，其中标签为0和1，1表示两个故障是并发故障，0表示两个故障不是并发故障；获取训练集故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；将所述训练集故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示输入所述关系图卷积神经网络中，计算得到更新后的设备或部件故障中心节点特征表示；通过所述故障关联度计算方法得到训练集中两两故障间的故障关联度，作为并发故障的预测概率；基于并发故障的预测概率和标签，利用交叉熵损失函数计算损失值，并利用梯度下降法对关系图卷积神经网络参数进行更新迭代，训练过程直到训练轮数满足设置的更新迭代次数为止。
本发明实施例中，以220kV变电站设备并发故障分析为例，通过以下步骤step1至step10所述的技术方案实现上述目的：
Step1，根据专家经验及设备检修标准文档，归纳总结变电设备及其部件的故障类型、故障原因、故障时间等概念及其间的逻辑关系，进而构建变电设备故障知识图谱本体架构。
Step2，在变电设备故障知识图谱本体架构指导下，基于本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体-关系-实体>。
Step3，采用BERT-BiGRU-CRF模型实现对故障分析报告、检修记录文档的实体和属性抽取，具体流程为：首先，文本字符由预训练语言模型BERT进行编码获得语义向量表示形式。然后，将字符向量表示序列输入BiGRU层，捕捉上下文特征以增强字符的语义表达，并输出字符的预测标签分数，预测标签表示为B-X、I-X、O，其中，X对应于本体架构中的所有概念，如对于变电设备，X为Equipment；B-X表示此字符属于X概念且为首字符，I-X表示此字符属于X概念且为中间字符，O表示不属于任何概念。最后，将BiGRU层输出的所有字符预测标签分数输入CRF层中，为预测标签添加合理性约束，并选择预测得分最高的标签序列作为最优标注序列，其中将预测标签为“故障时间”概念的字符序列作为设备或部件故障的属性节点。
Step4，采用BERT-BiGRU-Attention方法实现对故障分析报告、检修记录文档的关系抽取，在实体抽取结果的基础上判断实体之间是否存在预定义关系，具体流程为：首先，将包含两个实体的句子使用BERT进行编码生成字符向量序列。其次，将字符向量序列输入BiGRU层进行上下文特征提取。再次，将BiGRU层的输出向量输入Attention层进一步提取句子字符间的内部关联信息以挖掘深度特征，并输出句子特征向量。最后，将句子特征向量输入全连接层及Softmax层得到最终的分类结果，其中关系分类标签为模式层中已知的概念间逻辑关系及一种未知关系，通过步骤Step3和Step4得到结构化三元组数据。
Step5，对所有三元组数据中的设备或部件节点进行共指消解，并根据变电站接线图及设备结构拓扑图补充设备、部件间的电气和机械连接关系，例如部件“绕组”和部件“铁芯”间的电气连接、部件“高压套管”和部件“低压套管”间的电气连接等，完成变电设备故障知识图谱数据层的构建。
Step6，以设备或部件故障节点为核心，在变电设备故障知识图谱中查找属性节点及邻居节点，获得设备或部件故障子图。属性节点为故障时间节点，邻居节点包括故障所属设备或部件、故障类型、故障原因节点。下表1为部件故障节点及其属性节点和邻居节点示例。
表1.部件故障节点及其属性节点和邻居节点
Step7，采用均值组合方式将Step4中Attention层输出的字符向量进行融合，得到设备或部件故障子图中实体节点和属性节点的特征向量表示。如以部件故障“套管乙炔超标故障”为例，融合其中每个字符向量得到节点特征表示。给定字符特征矩阵Xn×m，采用均值组合方式计算实体节点和属性节点的特征向量Y如下式所示：
Y＝(y1,y2,...ym)
Step8，在得到设备或部件故障节点及其属性节点的特征向量表示后，采用加权平均法得到融合时间属性信息的设备或部件故障节点特征表示，如下式所示：
Y′e＝αYe+βYp；式中α、β为加权系数，满足α+β＝1；Ye、Yp分别为步骤Step7得到的设备或部件故障节点和故障时间属性节点的特征向量；Y′e为融合时间属性信息的设备或部件故障节点特征向量。例如表1，将“2018年8月5日”故障时间节点特征表示融入“套管乙炔超标故障”部件故障节点特征表示。
Step9，基于设备或部件故障子图，采用关系图卷积神经网络聚集设备或部件故障节点的邻居节点特征信息，即融合设备或部件故障节点的局部结构信息。关系图卷积神经网络为基于节点信息传递的异构图神经网络，在图卷积神经网络学习实体嵌入的基础上加入边信息。设备或部件故障节点特征更新公式如下所示：
通过Step8和Step9步骤融合设备或部件故障节点的属性节点及邻居节点特征，将故障发生位置、时间、原因等信息融入设备或部件故障的语义表征，以得到更为丰富的深层语义特征表示。
Step10，在得到设备或部件故障节点的融合特征表示后，通过计算故障关联度搜索并发故障，故障关联度表现为曼哈顿距离与惩罚项的组合。曼哈顿距离表示设备或部件故障节点特征表示在深层语义空间中的相似度，主要考虑不同设备或部件故障间故障发生位置、时间、原因等因素的语义关联信息；惩罚项表示不同设备或部件故障间的电气和机械连接路径长度，若节点直接相连则路径长度为1，以此类推，主要考虑设备或部件间的拓扑结构关联，惩罚电气和机械连接较远的设备或部件，排除因故障特征表示相近但在运行状态上不互相影响而导致的误判情况。故障关联度计算如下式所示：
将故障关联度与阈值σ进行比较，若故障关联度大于该阈值，表明为并发故障；通过计算设备或部件故障节点与知识图谱中所有其它故障节点的关联度并进行阈值比较，最终得到并发故障分析结果。
本发明实施例提供的技术方案中，通过将图神经网络、知识图谱等人工智能技术引入设备并发故障研究中，提出一种基于关系图卷积神经网络和知识图谱的变电设备并发故障分析方法，支撑设备并发性故障的有效挖掘。以知识图谱中设备或部件故障节点为核心获取包含故障所属设备或部件、时间、类型、原因节点的故障子图。通过特征向量融合与关系图卷积神经网络，计算融合属性信息的设备或部件故障节点特征，并利用邻居节点特征更新设备或部件故障节点表示，进而将故障发生位置、时间、原因等信息融入设备或部件故障的语义表示，以得到更为丰富的深层语义特征。采用节点特征相似度和拓扑连接关系结合的方式建立故障关联度计算模型，支撑设备或部件故障节点间关联度的计算与并发故障的搜索。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
请参阅图7，本发明再一实施例中，提供一种变电设备并发故障分析系统，包括：
故障子图获取模块，用于获取待并发故障分析的变电设备或部件的故障子图；其中，所述故障子图包括实体节点、属性节点以及各节点之间的拓扑关联结构；所述实体节点包括设备或部件故障、故障类型、故障原因、故障所属设备或部件；所述属性节点包括故障时间；
设备或部件故障中心节点特征表示获取模块，用于将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示；
设备或部件故障中心节点特征表示更新模块，用于将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示；
分析结果获取模块，用于基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于变电设备并发故障分析方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关变电设备并发故障分析方法的相应步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (18)
1.一种变电设备并发故障分析方法，其特征在于，包括以下步骤：
获取待并发故障分析的变电设备或部件的故障子图；其中，所述故障子图包括实体节点、属性节点以及各节点之间的拓扑关联结构；所述实体节点包括设备或部件故障、故障类型、故障原因、故障所属设备或部件；所述属性节点包括故障时间；
将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示；
将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示；
基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果。
2.根据权利要求1所述的一种变电设备并发故障分析方法，其特征在于，所述获取待并发故障分析的变电设备或部件的故障子图的步骤包括：
基于预先构建的变电设备故障知识图谱，以设备或部件故障节点为中心节点获取包含预设关键信息的故障子图；
其中，所述预先构建的变电设备故障知识图谱中，以图结构形式存储有各个节点的故障知识及节点间的拓扑关联结构；所述预设关键信息包括设备或部件故障、故障类型、故障原因、故障所属设备或部件、故障时间。
3.根据权利要求2所述的一种变电设备并发故障分析方法，其特征在于，所述预先构建的变电设备故障知识图谱的获取步骤包括：
根据专家经验及设备检修标准文档，获取变电设备及部件的故障类型、故障原因、故障时间概念及其间的逻辑关系；基于获取的概念及逻辑关系构建获得变电设备故障知识图谱本体架构；
基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体-关系-实体>；
对获取的所有三元组数据中的设备或部件节点进行共指消解，并根据变电站接线图及设备结构拓扑图补充设备、部件间的电气和机械连接关系，完成变电设备故障知识图谱数据层的构建，获得所述预先构建的变电设备故障知识图谱。
4.根据权利要求3所述的一种变电设备并发故障分析方法，其特征在于，所述基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体-关系-实体>的步骤中，
采用BERT-BiGRU-CRF模型实现对故障分析报告、检修记录文档的实体和属性抽取；
采用BERT-BiGRU-Attention模型实现对故障分析报告、检修记录文档的关系抽取。
5.根据权利要求1所述的一种变电设备并发故障分析方法，其特征在于，所述将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示的步骤包括：
采用均值组合方式将字符向量进行融合，得到设备或部件故障子图中实体节点和属性节点的特征向量表示，表达式为，
Y＝(y1,y2,...,ym)
式中，Y表示实体节点和属性节点的特征向量，m表示每个字符的向量维度，n表示实体和属性的节点名称字符长度，yj表示实体和属性节点名称特征向量的第j维特征值，xij表示实体和属性节点名称第i个字符特征向量的第j维特征值，Xn×m表示字符特征矩阵；
采用加权平均法得到融合故障时间属性节点信息的设备或部件故障中心节点特征表示，表达式为，
Y′e＝αYe+βYp；
式中α、β为加权系数，满足α+β＝1；Ye、Yp分别为设备或部件故障节点和故障时间属性节点的特征向量；Y′e为融合故障时间属性节点信息的设备或部件故障中心节点特征向量。
6.根据权利要求5所述的一种变电设备并发故障分析方法，其特征在于，所述将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示的步骤中，
关系图卷积神经网络为基于节点信息传递的异构图神经网络，在图卷积神经网络学习实体嵌入的基础上加入边信息；
设备或部件故障中心节点特征更新公式为，
式中，
为设备或部件故障节点i在第l层的特征表达；R为设备或部件故障节点的邻接关系集合，
为节点i在关系r条件下的邻居节点集，
为邻居节点j在第l层的特征表达；
为归一化因子，di和di为节点i和节点j的度；
为节点自身变换权重参数，
为在关系r条件下的邻居节点变换权重参数；初始输入
和
分别为关系r条件下设备或部件故障节点的邻居节点特征向量表示和融合故障时间属性节点信息的设备或部件故障中心节点特征表示；σ表示非线性激活函数ReLU；
为设备或部件故障节点i在第l+1层的特征表达。
7.根据权利要求6所述的一种变电设备并发故障分析方法，其特征在于，所述基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果的步骤中，
故障关联度计算表达式为，
式中，hu和hv为不同设备或部件故障中心节点特征表示，m表示特征向量维度，
和
为不同设备或部件故障中心节点特征表示的第i维特征值；exp(·)为指数函数；l表示不同故障所属设备或部件间的电气和机械连接路径长度，γ为收缩因子，用于调节曼哈顿距离与惩罚项的影响因素；
将计算获得的故障关联度与预设阈值σ进行比较，若故障关联度大于预设阈值，则表明为并发故障。
8.根据权利要求7所述的一种变电设备并发故障分析方法，其特征在于，所述预先训练好的关系图卷积神经网络的输入为故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；经过所述设备或部件故障中心节点特征更新公式计算后，输出为更新后的设备或部件故障中心节点特征表示；
所述预先训练好的关系图卷积神经网络的训练获取步骤包括：
获取多个故障子图并两两组合进行标注，形成训练集；其中，标签包括两个故障是并发故障以及两个故障不是并发故障；
获取训练集的故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；将所述训练集的故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示输入所述关系图卷积神经网络中，计算得到更新后的设备或部件故障中心节点特征表示；
通过故障关联度计算方法得到训练集中两两故障间的故障关联度，作为并发故障的预测概率；基于并发故障的预测概率和标签，利用交叉熵损失函数计算损失值，并利用梯度下降法对关系图卷积神经网络参数进行更新迭代，训练过程直到训练轮数满足设置的更新迭代次数为止。
9.一种变电设备并发故障分析系统，其特征在于，包括：
故障子图获取模块，用于获取待并发故障分析的变电设备或部件的故障子图；其中，所述故障子图包括实体节点、属性节点以及各节点之间的拓扑关联结构；所述实体节点包括设备或部件故障、故障类型、故障原因、故障所属设备或部件；所述属性节点包括故障时间；
设备或部件故障中心节点特征表示获取模块，用于将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示；
设备或部件故障中心节点特征表示更新模块，用于将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示；
分析结果获取模块，用于基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果。
10.根据权利要求9所述的一种变电设备并发故障分析系统，其特征在于，所述故障子图获取模块实现获取待并发故障分析的变电设备或部件的故障子图的步骤包括：
基于预先构建的变电设备故障知识图谱，以设备或部件故障节点为中心节点获取包含预设关键信息的故障子图；
其中，所述预先构建的变电设备故障知识图谱中，以图结构形式存储有各个节点的故障知识及节点间的拓扑关联结构；所述预设关键信息包括设备或部件故障、故障类型、故障原因、故障所属设备或部件、故障时间。
11.根据权利要求10所述的一种变电设备并发故障分析系统，其特征在于，所述预先构建的变电设备故障知识图谱的获取步骤包括：
根据专家经验及设备检修标准文档，获取变电设备及部件的故障类型、故障原因、故障时间概念及其间的逻辑关系；基于获取的概念及逻辑关系构建获得变电设备故障知识图谱本体架构；
基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体-关系-实体>；
对获取的所有三元组数据中的设备或部件节点进行共指消解，并根据变电站接线图及设备结构拓扑图补充设备、部件间的电气和机械连接关系，完成变电设备故障知识图谱数据层的构建，获得所述预先构建的变电设备故障知识图谱。
12.根据权利要求11所述的一种变电设备并发故障分析系统，其特征在于，所述基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体-关系-实体>的步骤中，
采用BERT-BiGRU-CRF模型实现对故障分析报告、检修记录文档的实体和属性抽取；
采用BERT-BiGRU-Attention模型实现对故障分析报告、检修记录文档的关系抽取。
13.根据权利要求9所述的一种变电设备并发故障分析系统，其特征在于，所述设备或部件故障中心节点特征表示获取模块实现将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示的步骤包括：
采用均值组合方式将字符向量进行融合，得到设备或部件故障子图中实体节点和属性节点的特征向量表示，表达式为，
Y＝(y1,y2,...,ym)
式中，Y表示实体节点和属性节点的特征向量，m表示每个字符的向量维度，n表示实体和属性的节点名称字符长度，yj表示实体和属性节点名称特征向量的第j维特征值，xij表示实体和属性节点名称第i个字符特征向量的第j维特征值，Xn×m表示字符特征矩阵；
采用加权平均法得到融合故障时间属性节点信息的设备或部件故障中心节点特征表示，表达式为，
Y′e＝αYe+βYp；
式中α、β为加权系数，满足α+β＝1；Ye、Yp分别为设备或部件故障节点和故障时间属性节点的特征向量；Y′e为融合故障时间属性节点信息的设备或部件故障中心节点特征向量。
14.根据权利要求13所述的一种变电设备并发故障分析系统，其特征在于，所述设备或部件故障中心节点特征表示更新模块实现将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示的步骤中，
关系图卷积神经网络为基于节点信息传递的异构图神经网络，在图卷积神经网络学习实体嵌入的基础上加入边信息；
设备或部件故障中心节点特征更新公式为，
式中，
为设备或部件故障节点i在第l层的特征表达；R为设备或部件故障节点的邻接关系集合，
为节点i在关系r条件下的邻居节点集，
为邻居节点j在第l层的特征表达；
为归一化因子，di和di为节点i和节点j的度；
为节点自身变换权重参数，
为在关系r条件下的邻居节点变换权重参数；初始输入
和
分别为关系r条件下设备或部件故障节点的邻居节点特征向量表示和融合故障时间属性节点信息的设备或部件故障中心节点特征表示；σ表示非线性激活函数ReLU；hi (l+1)为设备或部件故障节点i在第l+1层的特征表达。
15.根据权利要求14所述的一种变电设备并发故障分析系统，其特征在于，所述分析结果获取模块实现基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果的步骤中，
故障关联度计算表达式为，
式中，hu和hv为不同设备或部件故障中心节点特征表示，m表示特征向量维度，
和
为不同设备或部件故障中心节点特征表示的第i维特征值；exp(·)为指数函数；l表示不同故障所属设备或部件间的电气和机械连接路径长度，γ为收缩因子，用于调节曼哈顿距离与惩罚项的影响因素；
将计算获得的故障关联度与预设阈值σ进行比较，若故障关联度大于预设阈值，则表明为并发故障。
16.根据权利要求15所述的一种变电设备并发故障分析系统，其特征在于，所述预先训练好的关系图卷积神经网络的输入为故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；经过所述设备或部件故障中心节点特征更新公式计算后，输出为更新后的设备或部件故障中心节点特征表示；
所述预先训练好的关系图卷积神经网络的训练获取步骤包括：
获取多个故障子图并两两组合进行标注，形成训练集；其中，标签包括两个故障是并发故障以及两个故障不是并发故障；
获取训练集的故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；将所述训练集的故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示输入所述关系图卷积神经网络中，计算得到更新后的设备或部件故障中心节点特征表示；
通过故障关联度计算方法得到训练集中两两故障间的故障关联度，作为并发故障的预测概率；基于并发故障的预测概率和标签，利用交叉熵损失函数计算损失值，并利用梯度下降法对关系图卷积神经网络参数进行更新迭代，训练过程直到训练轮数满足设置的更新迭代次数为止。
17.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任一项所述的变电设备并发故障分析方法。
18.一种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权利要求1至8中任一项所述的变电设备并发故障分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211116394.8A CN115409122A (zh) | 2022-09-14 | 2022-09-14 | 一种变电设备并发故障分析方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211116394.8A CN115409122A (zh) | 2022-09-14 | 2022-09-14 | 一种变电设备并发故障分析方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115409122A true CN115409122A (zh) | 2022-11-29 |
Family
ID=84165011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211116394.8A Pending CN115409122A (zh) | 2022-09-14 | 2022-09-14 | 一种变电设备并发故障分析方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115409122A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114657A (zh) * | 2023-10-23 | 2023-11-24 | 国网江西省电力有限公司超高压分公司 | 基于电力设备巡检知识图谱的故障信息预警系统及方法 |
-
2022
- 2022-09-14 CN CN202211116394.8A patent/CN115409122A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114657A (zh) * | 2023-10-23 | 2023-11-24 | 国网江西省电力有限公司超高压分公司 | 基于电力设备巡检知识图谱的故障信息预警系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023065545A1 (zh) | 风险预测方法、装置、设备及存储介质 | |
| CN112905804B (zh) | 一种电网调度知识图谱的动态更新方法及装置 | |
| CN110941716A (zh) | 一种基于深度学习的信息安全知识图谱的自动构建方法 | |
| CN111079430A (zh) | 一种组合深度学习和概念图谱的电力故障事件抽取方法 | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| CN112560486A (zh) | 基于多层神经网络的电力实体识别方法、存储介质和设备 | |
| CN116956929B (zh) | 针对桥梁管养文本数据的多特征融合命名实体识别方法、装置 | |
| Han et al. | Research on quality problems management of electric power equipment based on knowledge–data fusion method | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| CN117273133A (zh) | 配电网多源异构数据知识图谱的构建方法 | |
| CN115409122A (zh) | 一种变电设备并发故障分析方法、系统、设备及介质 | |
| CN114492460A (zh) | 基于衍生提示学习的事件因果关系抽取方法 | |
| Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
| CN113536508A (zh) | 一种制造网络节点分类方法及系统 | |
| Qi et al. | Incorporating adaptability-related knowledge into support vector machine for case-based design adaptation | |
| CN112632978A (zh) | 基于端到端的变电站多元事件关系抽取的方法 | |
| CN112380844A (zh) | 武器装备属性同义词扩展方法 | |
| CN117010373A (zh) | 一种电力设备资产管理数据所属类别和组的推荐方法 | |
| CN116993043A (zh) | 一种电力设备故障溯源方法及装置 | |
| CN116975161A (zh) | 电力设备局放文本的实体关系联合抽取方法、设备、介质 | |
| Hu et al. | A classification model of power operation inspection defect texts based on graph convolutional network | |
| CN112765314B (zh) | 一种基于电力本体知识库的电力信息检索方法 | |
| CN112256838B (zh) | 相似域名查找方法、装置及电子设备 | |
| Ji et al. | Construction and application of knowledge graph for grid dispatch fault handling based on pre-trained model | |
| CN116521905B (zh) | 一种基于多模态的电网调度知识图谱系统及方法 |
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 |