CN115577116A - 融合多参量数据分析的时序图建模方法及装置 - Google Patents
融合多参量数据分析的时序图建模方法及装置 Download PDFInfo
- Publication number
- CN115577116A CN115577116A CN202211101285.9A CN202211101285A CN115577116A CN 115577116 A CN115577116 A CN 115577116A CN 202211101285 A CN202211101285 A CN 202211101285A CN 115577116 A CN115577116 A CN 115577116A
- Authority
- CN
- China
- Prior art keywords
- source information
- feature vector
- vector
- semantic
- linear transformation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010586 diagram Methods 0.000 title claims abstract description 33
- 238000007405 data analysis Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 154
- 230000009466 transformation Effects 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000001257 hydrogen Substances 0.000 claims description 2
- 229910052739 hydrogen Inorganic materials 0.000 claims description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007726 management method 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
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种融合多参量数据分析的时序图建模方法及装置，所述方法包括：获取换流变的多源信息，多源信息包括工况运行数据和多源传感数据；将多源信息经词向量模型转换得到对应的语义特征向量；将各语义特征向量以及各语义特征拼接得到的拼接特征向量分别进行线性变换，以将多源信息变换至公共特征空间；基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各语义特征向量经线性变换后的特征值进行处理，得到不同时刻多源信息对应的知识图谱；基于时序图注意力神经网络，对不同时刻多源信息对应的知识图谱进行处理，分析多源信息的变化规律。
Description
技术领域
本发明涉及数据融合处理技术领域，具体涉及一种融合多参量数据分析的时序图建模方法及装置。
背景技术
随着西电东送的大规模发展，超远距离特高电压输电线路不断建设，逐渐形成了特高压大电网，特高压换流站作为超远距离大功率直流输电的枢纽，在送端通过换流阀整流，将500kV、750kV或者1000kV的交流电转换为±800kV或者±1100kV的直流电，实现电能的超远距离低损耗传输，在受端通过换流阀逆变，将直流电转换为交流电，再传输至下一级交流变电站。
目前，智能电网建设和增强供电可靠性已上升为国家战略，电力设备状态检测、监测逐渐兴起，随着智能电网的发展及设备精益化管理要求，换流站逐渐形成集控或少人值守的运维模式。但是特高压换流站设备数量非常多，涉及大量日常运维工作，一旦设备出现状况造成停电事故，将会造成极大的经济损失，可能对电网造成较为严重的功率震荡，甚至导致区域电网崩溃，换流变作为特高压换流站的重要设备，在直流输电系统中扮演重要角色，加强对换流变的研究对换流站的稳定运行有重要意义。
在特高压换流站中，换流变由于直流偏磁和高次谐波问题，故障发生率大约是交流变压器的两倍。同时换流站在线的数字化系统不稳定、算法不成熟等问题仍然突出，换流站智能运维的最大问题是数据分析技术跟不上站内硬件配置：从数据的角度来说，换流站内针对特高压换流变配备了丰富的传感器，采集多种观测数据，站内针对换流变内部采集数据多样，包括运行工况数据、各传感感知参量以及历史数据、设备维护案例数据等，然而站内上线的系统大多对某类数据进行单独分析处理，忽略了观测数据间的相关性，给出更好的结果。因此，在这种极端故障样本条件下的换流站场景里，需探索新的技术来支撑换流变的智能运维。
相关技术中，公布号为CN113254663A的中国发明专利文献记载了一种融合图卷积与翻译模型的知识图谱联合表示学习方法，包括以下步骤：1)根据知识图谱构建其相对应的直接邻接矩阵和间接邻接矩阵；2)设计图卷积网络，包括一个输入层、两个隐藏层和一个输出层，优化邻接点节点对中心节点的注意力系数，通过学习直接邻节点和间接邻节点的结构信息得到节点的向量表示；3)采用翻译模型学习关系的语义信息，得到实体和关系的向量表示；4)将图卷积网络和翻译模型相融合，通过不断的迭代学习得到知识图谱的最终向量表示。
公布号为CN113704500A的中国发明专利文献记载了一种基于图神经网络的知识图谱社区划分方法，包括以下步骤：1)构建知识图谱及其邻接矩阵；2)利用图神经网络将知识图谱中的节点进行表示学习，得到节点的向量表示；3)基于余弦相似度计算节点间的相似度；4)根据同类型的节点间的邻接关系以及节点相似度构建一个无向有权节点关系网络；5)设置模块度评估社区内部的内聚程度；6)通过社区划分算法将知识图谱中目标节点进行社团划分。
上述相关方案中知识图谱仅限制在文本类数据，而不是针对多源数据的融合。
发明内容
本发明所要解决的技术问题在于如何实现换流变多模态数据的融合分析，提高站内在线监控系统的智能化水平。
本发明通过以下技术手段实现解决上述技术问题的：
本方面提出了一种融合多参量数据分析的时序图建模方法，所述方法包括：
获取换流变的多源信息，所述多源信息包括工况运行数据和多源传感数据；
将所述多源信息经词向量模型转换得到对应的语义特征向量；
将各所述语义特征向量以及各所述语义特征拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间；
基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱；
基于时序图注意力神经网络，对不同时刻所述多源信息对应的知识图谱进行处理，分析所述多源信息的变化规律。
本发明通过先将多模态数据映射到一个公共特征空间，解决了不同类型数据在特征上的异构性和不可比性问题，然后通过构建知识图谱对前一步骤转化的多模态数据建立不同模态之间的相关关系，最后利用图神经网络结合注意力机制分析一段时间内每个时刻多模态数据建立的知识图谱，从而分析多模态数据的变化规律。
进一步地，所述将所述多源信息经词向量模型转换得到对应的语义特征向量，包括：
将所述多源信息经Word2Vec词向量模型得到对应的语义特征向量{F1,F2,…,Fn}，其中，n表示所述多源信息的种类数量。
进一步地，所述将各所述语义特征向量以及各所述语义特征向量拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间，包括：
将各所述语义特征向量进行拼接，得到拼接特征向量Fs；
将各所述语义特征向量{F1,F2,…,Fn}和所述拼接特征向量Fs，分别进行线性变换，线性变换公式为：
式中，σ(·)表示激活函数ReLU；Wm和bm分别为Fm的变换矩阵和常量；Fm表示语义特征向量或拼接特征向量。
进一步地，在所述将各所述语义特征向量{F1,F2,…,Fn}和所述拼接特征向量Fs，分别进行线性变换之后，还包括：
利用损失函数最小化各所述语义特征向量和所述拼接特征向量之间的距离，所述损失函数为：
其中，
表示2范数；
表示各所述语义特征向量线性变换后的特征，i＝1,......,n；
表示所述拼接特征向量线性变换后的特征；
迭代优化所述线性变换公式的参数，使得所述损失值L最小，以将各所述语义特征向量和所述拼接特征向量映射到同一空间转化成同一维度。
进一步地，所述基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱，包括：
将各所述语义特征向量经线性变换后的特征值分别对应知识图谱中的一个节点，基于相邻节点之间的连线作为邻接边，其中，以相邻节点的特征值之间的余弦相似度作为所述知识图谱的邻接边权重，构造邻接矩阵为：
式中：Aij表示邻接矩阵的第i行第j列元素，
表示节点i的特征向量；
表示节点j的特征向量。
进一步地，所述基于时序图注意力神经网络包含的各图注意力神经网络中加入注意力机制，所述注意力机制用于将所述知识图谱节点i、j的特征向量hi、hj进行拼接后与一个
维度的向量
计算内积，计算节点j对于节点i的注意力分数为：
式中：||表示拼接操作；LeakyReLU表示激活函数；W表示线性变换矩阵；
表示的
转置；Ni表示与第i个节点关联的节点集合；
基于所述注意力分数，得到某一时刻所述所述多源信息对应的知识图谱的输出特征量，所述输出特征量的计算公式为：
式中：
表示输出特征量；σ(·)表示激活函数ReLU。
进一步地，所述时序图注意力神经网络包含的各图注意力神经网络之间共享网络参数。
此外，本发明还提出了一种融合多参量数据分析的时序图建模装置，所述装置包括：
多源信息获取模块，用于获取换流变的多源信息，所述多源信息包括工况运行数据和多源传感数据；
转换模块，用于将所述多源信息经词向量模型转换得到对应的语义特征向量；
线性转换模块，用于将各所述语义特征向量以及各所述语义特征拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间；
知识图谱模块，用于基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱；
分析模块，用于基于时序图注意力神经网络，对不同时刻所述多源信息对应的知识图谱进行处理，分析所述多源信息的变化规律。
此外，本发明还提出了一种设备，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上所述的方法。
此外，本发明还提出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，实现如上所述的方法。
本发明的优点在于：
(1)本发明针对现有换流变的数据往往具有多源异构特点、各源相关性不确定性的特点，将多源数据映射到一个公共特征空间转换至同一维度，然后根据不同源数据之间的关联利用知识图谱设计自适应的图数据构造技术，该图谱构建针对的是电力变压器等设备的感知数据，与知识图谱仅限制在文本类数据不一致，本方案得到的是每个时刻多源数据对应的知识图谱；最后利用联合时序机制和注意力机制的图神经网络对基于含有多源信息的知识图谱进行数据挖掘和融合分析，得出多源数据的变化规律。
(2)本发明提出的损失函数，用于最小化单独的语义特征向量和拼接得到的拼接特征向量之间的距离，通过不断迭代优化线性变换的参数，将不同结构不可比的数据映射到同一空间转化成同一维度。
(3)本发明利用知识图谱连接不同模态数据，同时计算相邻节点的邻接矩阵作为相邻模态数据关联的权重值，提出了融入注意力机制的自适应权重学习算法，建立自适应权重的知识图谱，这种按照关联程度为邻接边分配不同权重的方法，有利于在图传播过程中换流变数据按照与其他源数据的关联程度学习其知识信息，从而增强自身的数据特征，进而提高诊断和预警能力。
(4)图谱构建提出了共享权重的时序图谱，能建模电力设备各源异构感知数据的相关性，采用时序图神经网络根据该图谱能分析数据变化趋势，实现诊断与预警。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明一实施例中融合多参量数据分析的时序图建模方法的流程示意图；
图2是本发明一实施例中融合多参量数据分析的时序图建模方法整体流程示意图；
图3是本发明一实施例中基于自监督学习的多源数据映射框架图；
图4是本发明一实施例中基于自适应权重的知识图谱对比示意图；
图5是本发明一实施例中时序图注意力神经网络原理图；
图6是本发明一实施例中注意力机制Attention的结构示意图；
图7是本发明一实施例中融合多参量数据分析的时序图建模装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1至图2所示，本发明第一实施例提出了一种融合多参量数据分析的时序图建模方法，所述方法包括以下步骤：
S10、获取换流变的多源信息，所述多源信息包括工况运行数据和多源传感数据；
需要说明的是，本实施例中所获取的换流变的多源信息包括电压数据、电流数据、气体数据、温度数据等声、光、电、气、化数据，这些多源数据通过相应的传感器即可进行采集。
S20、将所述多源信息经词向量模型转换得到对应的语义特征向量；
需要说明的是，本实施例所采用的词向量模型包括但不限于Word2Vec词向量模型，本实施例不做具体限定。
本实施例将所述多源信息经Word2Vec词向量模型得到对应的语义特征向量{F1,F2,…,Fn}，其中，n表示所述多源信息的种类数量。
S30、将各所述语义特征向量以及各所述语义特征拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间；
需要说明的是，多源信息中各模态数据对应一个语义特征向量，将各语义特征向量进行拼接操作，得到拼接特征向量，将拼接特征向量进行线性变换后得到的特征包含了多源信息中所有数据种类信息。
针对多模态数据的多源异构性，将多种模态数据对应的语义特征向量和拼接特征向量映射到一个公共的特征空间，为后续的数据分析处理奠定了基础。
S40、基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱；
需要说明的是，本实施例所述知识图谱不同于传统的知识图谱，其利用不同源数据的特征信息，构建邻接矩阵权重随节点特征自适应变化的知识图谱，不仅能表述节点之间是否有关联，还能体现节点之间的关联程度。
S50、基于时序图注意力神经网络，对不同时刻所述多源信息对应的知识图谱进行处理，分析所述多源信息的变化规律。
本实施例针对现有换流变的数据往往具有多源异构特点、各源相关性不确定性的特点，将多源数据映射到一个公共特征空间转换至同一维度，然后根据不同源数据之间的关联利用知识图谱设计自适应的图数据构造技术，得到每个时刻多源数据对应的知识图谱；最后利用联合时序机制和注意力机制的图神经网络对基于含有多源信息的知识图谱进行数据挖掘和融合分析，得出多源数据的变化规律。
在一实施例中，如图3所示，所述步骤S30：将各所述语义特征向量以及各所述语义特征拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间，具体包括以下步骤：
S31、将各所述语义特征向量进行拼接，得到拼接特征向量Fs；
S32、将各所述语义特征向量{F1,F2,…,Fn}和所述拼接特征向量Fs，分别进行线性变换，线性变换公式为：
式中，σ(·)表示激活函数ReLU；Wm和bm分别为Fm的变换矩阵和常量；Fm表示语义特征向量或拼接特征向量。
需要说明的是，特征向量Fs通过线性变换的过程类似多源数据特征的特征融合过程，故变换后的特征
含有{F1,F2,…,Fn}的信息。
在一实施例中，在所述步骤S32之后，所述方法还包括以下步骤：
利用损失函数最小化各所述语义特征向量和所述拼接特征向量之间的距离，所述损失函数为：
其中，
表示2范数；
表示各所述语义特征向量线性变换后的特征，i＝1,......,n；
表示所述拼接特征向量线性变换后的特征；
迭代优化所述线性变换公式的参数，使得所述损失值L最小，以将各所述语义特征向量和所述拼接特征向量映射到同一空间转化成同一维度。
本实施例创新性的提出损失函数，用于最小化单独和拼接的语义特征之间的距离，通过不断迭代优化线性变换的参数，将不同结构不可比的多模态数据映射到同一空间转化成同一维度，经过一定次数的迭代训练，取特征向量
作为多源数据的映射结果。
在一实施例中，所述步骤S40：基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱，包括以下步骤：
将各所述语义特征向量经线性变换后的特征值分别对应知识图谱中的一个节点，基于相邻节点之间的连线作为邻接边，其中，以相邻节点的特征值之间的余弦相似度作为所述知识图谱的邻接边权重，构造邻接矩阵为：
式中：Aij表示邻接矩阵的第i行第j列元素，
表示节点i的特征向量；
表示节点j的特征向量。
需要说明的是，不同源数据之间存在着一定的相似关联。现存的知识图谱不能体现不同源数据之间的关联关系，在传播过程中影响数据的稳定性，如图4-(a)所示，现有知识图谱的邻接矩阵是一种方阵，用来表示有限图，它的每个元素代表各节点之间是否有边相连，若节点之间有边则在邻接矩阵中对应的位置为1，若节点之间无边则在邻接矩阵中对应的位置为0。这种邻接矩阵的构造方式仅仅能表述节点之间是否有关联，不能体现节点之间的关联程度，进而限制了图谱在传播过程中数据特征的稳定性。
本实施例针对当前知识图谱存在的问题，利用不同源数据的特征信息，构建邻接矩阵权重随节点特征自适应变化的知识图谱，这种基于自适应权重的知识图谱的邻接矩阵能直观的表示各节点之间的关联程度，如图4-(b)所示，通过按照关联程度为邻接边分配不同权重的方法，有利于在图传播过程中换流变数据按照与其他源数据的关联程度学习其知识信息，从而增强自身的数据特征，进而提高诊断和预警能力。
进一步地，余弦相似度的取值范围为[-1,1]，负值表示相连的两种换流变数据具有负关联，零值表示两种数据几乎没有关联。
在一实施例中，为了实现故障诊断和预警，需分析不同时间段的多模态数据，本实施例为了获取不同时间段的数据特征，提出了时序图注意力神经网络，如图5所示，时刻T1到时刻Tk的数据通过基于自适应权重的知识图谱技术得到对应的知识图谱，然后经过图注意力神经网络得到对应时刻的数据特征I1,I2,…,In。
假设时刻Ti数据拥有N种数据类型，每个节点的特征向量为hi，向量维度为F，那么时刻Ti的知识图谱可表示成h＝{h1,h2,…,hN}。对节点特征向量h进行线性变换，可以得到新的特征向量
维度
公式如下：
式中：W为线性变换的矩阵；
表示F维。
进一步地，时序图注意力神经网络包含的各图注意力神经网络中加入注意力机制，设时节点j是节点i的邻居，则可以使用注意力机制计算节点j对于节点i的重要性，注意力分数为：
eij＝Attention(Whi,Whj)
其中，注意力机制Attention做法如下，把节点i、j的特征向量
拼接在一起，然后和一个
维度的向量
计算内积，公式如下：
式中：||表示拼接操作；LeakyReLU表示激活函数；
表示的
转置；Ni表示与第i个节点关联的节点集合。
更直观的，如图6所示，经过注意力机制Attention之后节点i的特征向量如下：
需要说明的是，本实施例中的时序图注意力神经网络模型在训练时，各图注意力神经网络之间共享网络参数。
本实施例通过先将多模态数据映射到一个公共特征空间，解决了不同类型数据在特征上的异构性和不可比性问题，然后通过构建知识图谱对前一步骤转化的多模态数据建立不同模态之间的相关关系，最后利用图神经网络结合注意力机制分析一段时间内每个时刻多模态数据建立的知识图谱，从而分析数据的变化规律。
此外，如图7所示，本发明第二实施例提出了一种融合多参量数据分析的时序图建模装置，所述装置包括：
多源信息获取模块10，用于获取换流变的多源信息，所述多源信息包括工况运行数据和多源传感数据；
转换模块20，用于将所述多源信息经词向量模型转换得到对应的语义特征向量；
线性转换模块30，用于将各所述语义特征向量以及各所述语义特征拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间；
知识图谱模块40，用于基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱；
分析模块50，用于基于时序图注意力神经网络，对不同时刻所述多源信息对应的知识图谱进行处理，分析所述多源信息的变化规律。
本实施例针对现有换流变的数据往往具有多源异构特点、各源相关性不确定性的特点，将多源数据映射到一个公共特征空间转换至同一维度，然后根据不同源数据之间的关联利用知识图谱设计自适应的图数据构造技术，得到每个时刻多源数据对应的知识图谱；最后利用联合时序机制和注意力机制的图神经网络对基于含有多源信息的知识图谱进行数据挖掘和融合分析，得出多源数据的变化规律。
在一实施例中，所述转换模块20，采用Word2Vec词向量模型对多模态数据进行处理，得到对应的语义特征向量{F1,F2,…,Fn}，其中，n表示所述多源信息的种类数量。
在一实施例中，所述线性转换模块30，包括：
特征拼接单元，用于将各所述语义特征向量进行拼接，得到拼接特征向量Fs；
线性变换单元，用于将各所述语义特征向量{F1,F2,…,Fn}和所述拼接特征向量Fs，分别进行线性变换，线性变换公式为：
式中，σ(·)表示激活函数ReLU；Wm和bm分别为Fm的变换矩阵和常量；Fm表示语义特征向量或拼接特征向量。
需要说明的是，特征向量Fs通过线性变换的过程类似多源数据特征的特征融合过程，故变换后的特征
含有{F1,F2,…,Fn}的信息。
在一实施例中，所述装置还包括迭代训练模块，用于利用损失函数最小化各所述语义特征向量和所述拼接特征向量之间的距离，所述损失函数为：
其中，
表示2范数；
表示各所述语义特征向量线性变换后的特征，i＝1,......,n；
表示所述拼接特征向量线性变换后的特征；
迭代优化所述线性变换公式的参数，使得所述损失值L最小，以将各所述语义特征向量和所述拼接特征向量映射到同一空间转化成同一维度。
在一实施例中，所述知识图谱模块40，具体用于：
将各所述语义特征向量经线性变换后的特征值分别对应知识图谱中的一个节点，基于相邻节点之间的连线作为邻接边，其中，以相邻节点的特征值之间的余弦相似度作为所述知识图谱的邻接边权重，构造邻接矩阵为：
式中：Aij表示邻接矩阵的第i行第j列元素，
表示节点i的特征向量；
表示节点j的特征向量。
在一实施例中，时序图注意力神经网络包含的各图注意力神经网络中加入注意力机制，设时节点j是节点i的邻居，则可以使用注意力机制计算节点j对于节点i的重要性，注意力分数为：
eij＝Attention(Whi,Whj)
其中，注意力机制Attention做法如下，把节点i、j的特征向量
拼接在一起，然后和一个
维度的向量
计算内积，公式如下：
式中：||表示拼接操作；LeakyReLU表示激活函数；
表示的
转置；Ni表示与第i个节点关联的节点集合。
更直观的，如图6所示，经过注意力机制Attention之后节点i的特征向量如下：
需要说明的是，本实施例中的时序图注意力神经网络模型在训练时，各图注意力神经网络之间共享网络参数。
需要说明的是，本发明所述融合多参量数据分析的时序图建模装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不再赘余。
此外，本发明第三实施例提出了一种设备，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上所述的融合多参量数据分析的时序图建模方法。
此外，本发明还提出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，实现如上所述的融合多参量数据分析的时序图建模方法。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种融合多参量数据分析的时序图建模方法，其特征在于，所述方法包括：
获取换流变的多源信息，所述多源信息包括工况运行数据和多源传感数据；
将所述多源信息经词向量模型转换得到对应的语义特征向量；
将各所述语义特征向量以及各所述语义特征拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间；
基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱；
基于时序图注意力神经网络，对不同时刻所述多源信息对应的知识图谱进行处理，分析所述多源信息的变化规律。
2.如权利要求1所述的融合多参量数据分析的时序图建模方法，其特征在于，所述将所述多源信息经词向量模型转换得到对应的语义特征向量，包括：
将所述多源信息经Word2Vec词向量模型得到对应的语义特征向量{F1,F2,…,Fn}，其中，n表示所述多源信息的种类数量。
3.如权利要求1所述的融合多参量数据分析的时序图建模方法，其特征在于，所述将各所述语义特征向量以及各所述语义特征向量拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间，包括：
将各所述语义特征向量进行拼接，得到拼接特征向量Fs；
将各所述语义特征向量{F1,F2,…,Fn}和所述拼接特征向量Fs，分别进行线性变换，线性变换公式为：
式中，σ(·)表示激活函数ReLU；Wm和bm分别为Fm的变换矩阵和常量；Fm表示语义特征向量或拼接特征向量。
4.如权利要求3所述的融合多参量数据分析的时序图建模方法，其特征在于，在所述将各所述语义特征向量{F1,F2,…,Fn}和所述拼接特征向量Fs，分别进行线性变换之后，还包括：
利用损失函数最小化各所述语义特征向量和所述拼接特征向量之间的距离，所述损失函数为：
其中，
表示2范数；
表示各所述语义特征向量线性变换后的特征，i＝1,......,n；
表示所述拼接特征向量线性变换后的特征；
迭代优化所述线性变换公式的参数，使得所述损失值L最小，以将各所述语义特征向量和所述拼接特征向量映射到同一空间转化成同一维度。
5.如权利要求1所述的融合多参量数据分析的时序图建模方法，其特征在于，所述基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱，包括：
将各所述语义特征向量经线性变换后的特征值分别对应知识图谱中的一个节点，基于相邻节点之间的连线作为邻接边，其中，以相邻节点的特征值之间的余弦相似度作为所述知识图谱的邻接边权重，构造邻接矩阵为：
式中：Aij表示邻接矩阵的第i行第j列元素，
表示节点i的特征向量；
表示节点j的特征向量。
6.如权利要求1所述的融合多参量数据分析的时序图建模方法，其特征在于，所述基于时序图注意力神经网络包含的各图注意力神经网络中加入注意力机制，所述注意力机制用于将所述知识图谱节点i、j的特征向量hi、hj进行拼接后与一个
维度的向量
计算内积，计算节点j对于节点i的注意力分数为：
式中：||表示拼接操作；LeakyReLU表示激活函数；W表示线性变换矩阵；
表示的
转置；Ni表示与第i个节点关联的节点集合；
基于所述注意力分数，得到某一时刻所述所述多源信息对应的知识图谱的输出特征量，所述输出特征量的计算公式为：
式中：
表示输出特征量；σ(·)表示激活函数ReLU。
7.如权利要求1所述的融合多参量数据分析的时序图建模方法，其特征在于，所述时序图注意力神经网络包含的各图注意力神经网络之间共享网络参数。
8.一种融合多参量数据分析的时序图建模装置，其特征在于，所述装置包括：
多源信息获取模块，用于获取换流变的多源信息，所述多源信息包括工况运行数据和多源传感数据；
转换模块，用于将所述多源信息经词向量模型转换得到对应的语义特征向量；
线性转换模块，用于将各所述语义特征向量以及各所述语义特征拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间；
知识图谱模块，用于基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱；
分析模块，用于基于时序图注意力神经网络，对不同时刻所述多源信息对应的知识图谱进行处理，分析所述多源信息的变化规律。
9.一种设备，其特征在于，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-7中任一项所述的方法。
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1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211101285.9A CN115577116A (zh) | 2022-09-09 | 2022-09-09 | 融合多参量数据分析的时序图建模方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211101285.9A CN115577116A (zh) | 2022-09-09 | 2022-09-09 | 融合多参量数据分析的时序图建模方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115577116A true CN115577116A (zh) | 2023-01-06 |
Family
ID=84581790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211101285.9A Pending CN115577116A (zh) | 2022-09-09 | 2022-09-09 | 融合多参量数据分析的时序图建模方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115577116A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118094469A (zh) * | 2024-02-22 | 2024-05-28 | 国网智能电网研究院有限公司 | 多源异构数据的融合方法、装置、设备及存储介质 |
-
2022
- 2022-09-09 CN CN202211101285.9A patent/CN115577116A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118094469A (zh) * | 2024-02-22 | 2024-05-28 | 国网智能电网研究院有限公司 | 多源异构数据的融合方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A survey on the development status and application prospects of knowledge graph in smart grids | |
| Hua et al. | Optimal energy management strategies for energy Internet via deep reinforcement learning approach | |
| US20160048150A1 (en) | Method and apparatus for optimal power flow with voltage stability for large-scale electric power systems | |
| Ekel et al. | Multiobjective and multiattribute decision making in a fuzzy environment and their power engineering applications | |
| CN115293507A (zh) | 面向电网调度运行管理的态势知识图谱构建方法及系统 | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| CN105656028B (zh) | 一种基于gis的电网稳定裕度的可视化显示方法 | |
| CN109190672A (zh) | 电力系统运行工况无监督聚类方法及装置 | |
| Yun et al. | Research on intelligent fault diagnosis of power acquisition based on knowledge graph | |
| CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
| Guo et al. | Graph theory based topology design and energy routing control of the energy internet | |
| Dong et al. | Effective method to determine time‐delay stability margin and its application to power systems | |
| CN112329973A (zh) | 一种基于图神经网络和区域网格化的时空负荷预测方法 | |
| CN115577116A (zh) | 融合多参量数据分析的时序图建模方法及装置 | |
| CN114281878A (zh) | 一种面向电力市场的多模态数据融合方法、设备及介质 | |
| CN117609341B (zh) | 一种电网的数字孪生系统 | |
| Majumder et al. | Efficiency assignment of hydropower plants by DEMATEL-MAPPAC approach | |
| Gu et al. | An optimisation method of whole‐process restoration decision‐making of power systems considering disturbance‐resisting ability of the restored network | |
| WO2022154906A1 (en) | Graph neural network for signal processing | |
| KR20220117432A (ko) | 전력 계통 클러스터링 방법 및 장치 | |
| Liu et al. | Multi-source electricity information fusion methods: A survey | |
| CN110598931A (zh) | 基于图卷积的节点电价预测方法及装置 | |
| Lan et al. | CNN-LSTM MODELS COMBINED WITH ATTENTION MECHANISM FOR SHORT-TERM BUILDING HEATING LOAD PREDICTION | |
| Valuva et al. | A Comprehensive Review on the Modelling and Significance of Stability Indices in Power System Instability Problems | |
| John et al. | An Overview of Artificial Intelligence, Big Data, and Internet of Things for Future Energy Systems |
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 |