CN116384567A - 一种基于知识图谱的电力设备故障预测方法及系统 - Google Patents
一种基于知识图谱的电力设备故障预测方法及系统 Download PDFInfo
- Publication number
- CN116384567A CN116384567A CN202310303328.XA CN202310303328A CN116384567A CN 116384567 A CN116384567 A CN 116384567A CN 202310303328 A CN202310303328 A CN 202310303328A CN 116384567 A CN116384567 A CN 116384567A
- Authority
- CN
- China
- Prior art keywords
- power equipment
- entity
- data
- equipment fault
- fault
- 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 35
- 238000004458 analytical method Methods 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000005065 mining Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance 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
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
Abstract
本发明公开了一种基于知识图谱的电力设备故障预测方法及系统,该方法包括:获取历史电力设备的故障记录数据;针对每个样本的不同模态数据分别采用对应的预设规则进行实体抽取;基于每个样本的多模态实体抽取结果,输入到预设特征融合分析模型,获取表征电力设备故障关联规则的实体关系;基于所述实体和实体关系形成电力设备故障分析知识图谱;基于当前时刻前的电力设备故障数据结合电力设备故障分析知识图谱,获取未来时刻电力设备故障预测结果。本发明通过电力设备故障分析知识图谱进行电力设备故障预测分析,实现了基于知识图谱的电力设备故障辅助分析和处理功能。
Description
技术领域
本发明涉及电力运维技术领域,具体涉及一种基于知识图谱的电力设备故障预测方法及系统。
背景技术
电力系统作为一种资产庞杂、知识密集的电能生产与消费系统,支撑着多种能源的转换、互联、传输、交互,涉及发、输、变、配、用等多个领域的系统性知识。随着我国能源互联网企业建设进程的逐步推进,电力领域知识体系愈发呈现出开放式、扁平化、边界模糊的发展趋势,进一步加剧了电力系统智能认知的复杂性。亟待引入知识图谱这一新兴工程技术,以结构化方式刻画电力系统中的概念、实体、事件及其间的关系,推动电力人工智能有序发展。
发明内容
针对上述现有技术存在的问题,本发明提供了一种基于知识图谱的电力设备故障预测方法及系统,有效实现基于知识图谱的电力设备故障辅助分析和处理功能。该技术方案如下:
第一方面,提供了一种基于知识图谱的电力设备故障预测方法,包括:
获取历史电力设备的故障记录数据,每个故障记录数据形成一个初始样本;
针对每个样本的不同模态数据分别采用对应的预设规则进行实体抽取;
基于每个样本的多模态实体抽取结果,输入到预设特征融合分析模型,获取表征电力设备故障关联规则的实体关系;
基于所述实体和实体关系形成电力设备故障分析知识图谱;
基于当前时刻前的电力设备故障数据结合电力设备故障分析知识图谱,获取未来时刻电力设备故障预测结果。
在一些优选实施方式中,所述电力设备的故障记录数据,包括位置信息、时间信息、设备类型、故障类型、设备生产厂家、设备使用时长信息。
在一些优选实施方式中,所述针对每个样本的不同模态数据分别采用对应的预设规则进行实体抽取,包括:
针对图像模态数据,利用训练过的电力故障图像识别模型获取图像的实体数据,所述图像的实体数据包括设备类型、故障类型、故障等级;
针对文本模态数据,利用训练过的BERT模型进行文本数据的关键字提取,获取文本的实体数据,所述文本的实体数据包括设备类型、设备名称、设备位置、故障时间。
在一些优选实施方式中,所述BERT模型,依次包括输入层、Transformer层、GRU层、注意力层、输出层,所述输入层用于将输入的文本数据转换为字向量、文本向量、位置序列数据,所述Transformer层用于将输入层输出的数据进行特征编码;所述GRU层用于将Transformer层输出的数据进行特征关联关系分析和深度特征提取,所述注意力层用于将GRU层输出的深度特征进行重要性分析和权重分配,所述输出层用于输出文本的实体数据标签。
在一些优选实施方式中,所述BERT模型训练采用的损失函数采用基于L2正则化的交叉熵损失函数。
在一些优选实施方式中,所述基于每个样本的多模态实体抽取结果,输入到预设特征融合分析模型,获取表征电力设备故障关联规则的实体关系,包括:
所述实体关系包括电力设备状态量和故障类别之间的关系、不同电力设备故障的因果关系和并发关系。
在一些优选实施方式中,所述预设特征融合分析模型获取实体关系的方法,包括如下步骤:
(71)基于不同实体形成候选1项集;
(72)根据最小支持度,对候选1项集筛选出频繁1项集;
(73)基于频繁1项集进行连接和过滤删除,获取候选2项集;
(74)根据最小支持度,对候选2项集筛选出频繁2项集;
(75)重复步骤(73)和(74),依次获取频繁1项集、频繁2项集、...、频繁k项集,直至步骤(73)中获取不到K+1项集为止;
(76)基于频繁k项集,通过根据最小支持度和最小置信度设置,筛选出符合条件的不同实体之间的关联关系。
第二方面,提供了一种基于知识图谱的电力设备故障预测系统,包括:
数据获取单元,用于获取历史电力设备的故障记录数据,每个故障记录数据形成一个初始样本;
实体抽取单元,用于针对每个样本的不同模态数据分别采用对应的预设规则进行实体抽取;
实体关系抽取单元,用于基于每个样本的多模态实体抽取结果,输入到预设特征融合分析模型,获取表征电力设备故障关联规则的实体关系;
知识图谱构建单元,用于基于所述实体和实体关系形成电力设备故障分析知识图谱;
电力设备故障预测单元,用于基于当前时刻前的电力设备故障数据结合电力设备故障分析知识图谱,获取未来时刻电力设备故障预测结果。
第三方面,提供了一种电力设备故障预测设备,所述设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现第一方面所述的基于知识图谱的电力设备故障预测方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机指令,所述指令被处理器执行时实现所述的基于知识图谱的电力设备故障预测方法的步骤。
本发明的一种基于知识图谱的电力设备故障预测方法及系统,具备如下有益效果:基于多模态数据表征电力设备故障信息,实现对电力设备故障数据的多种特征表示,提高了实体关系抽取的准确性,进而实现电力设备故障分析知识图谱的精确构建,通过电力设备故障分析知识图谱进行电力设备故障预测分析,实现了基于知识图谱的电力设备故障辅助分析和处理功能。
附图说明
图1是本申请实施例中基于知识图谱的电力设备故障预测方法的流程示意图;
图2是本申请实施例中基于知识图谱的电力设备故障预测系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参见图1,本申请实施例提供的一种基于知识图谱的电力设备故障预测方法,包括如下步骤:
步骤1,获取历史电力设备的故障记录数据,每个故障记录数据形成一个初始样本;
步骤2,针对每个样本的不同模态数据分别采用对应的预设规则进行实体抽取;
步骤3,基于每个样本的多模态实体抽取结果,输入到预设特征融合分析模型,获取表征电力设备故障关联规则的实体关系;
步骤4,基于所述实体和实体关系形成电力设备故障分析知识图谱;
步骤5,基于当前时刻前的电力设备故障数据结合电力设备故障分析知识图谱,获取未来时刻电力设备故障预测结果。
本申请实施例中,基于多模态数据表征电力设备故障信息,实现对电力设备故障数据的多种特征表示,提高了实体关系抽取的准确性,进而实现电力设备故障分析知识图谱的精确构建。本申请实施例中通过电力设备故障分析知识图谱进行电力设备故障预测分析,实现了基于知识图谱的电力设备故障辅助分析和处理功能。
具体来说,上述步骤1中的电力设备的故障记录数据,包括位置信息、时间信息、设备类型、故障类型、设备生产厂家、设备使用时长信息。
本申请实施例中,电力设备的故障记录数据采用的位置信息可以采用多种表示形式,例如可以是某一台区下的电力设备或者某一线路上的电力设备或者某一地理区域的电力设备等,同时本申请实施例的故障记录数据采用了设备生产厂家、设备使用时长信息,可以理解,设备生产厂家、设备生产批次、设备投入使用时间同样对故障发生有影响,本申请实施例采用设备的自身属性信息,实现设备故障预测过程中的多特征数据融合,提高预测精度。
进一步来说,上述步骤2中,针对每个样本的不同模态数据分别采用对应的预设规则进行实体抽取,包括:
步骤21,针对图像模态数据,利用训练过的电力故障图像识别模型获取图像的实体数据,所述图像的实体数据包括设备类型、故障类型、故障等级;
步骤22,针对文本模态数据,利用训练过的BERT模型进行文本数据的关键字提取,获取文本的实体数据,所述文本的实体数据包括设备类型、设备名称、设备位置、故障时间。
本申请实施例中,通过不同的模型对不同模态数据进行实体识别,实现对电力设备多模态数据的综合处理,通过对电力设备多模态数据的综合分析,实现对电力设备当前状态的全面分析,进而进行电力设备故障的当前判断和未来预测。
进一步来说,上述步骤22中的BERT模型,依次包括输入层、Transformer层、GRU层、注意力层、输出层,所述输入层用于将输入的文本数据转换为字向量、文本向量、位置序列数据,所述Transformer层用于将输入层输出的数据进行特征编码;所述GRU层用于将Transformer层输出的数据进行特征关联关系分析和深度特征提取,所述注意力层用于将GRU层输出的深度特征进行重要性分析和权重分配,所述输出层用于输出文本的实体数据标签。
本申请实施例中,在Transformer层后采用门控循环网络GRU层,可以理解,门控循环网络GRU是LSTM网络的简化版,GRU层基于输入向量,在内部数据处理过程中,基于复位门和更新门把每一层状态向量和输出向量融合形成新的状态向量,实现时序关联关系特征的挖掘分析,有利于本申请中电力设备状态量和故障类别之间的关系、不同电力设备故障的因果关系和并发关系的分析。基于输入层、Transformer层、GRU层、注意力层、输出层组成的BERT模型,实现对本申请实施例中电力设备故障文本模态数据的实体抽取,Transformer层堆叠的6个编码器可以更好的提取文本在语境中的特征信息,实现高度适用文本数据中电力设备符号、编号、字母、文字混合的情况。
进一步来说,上述步骤22中的BERT模型训练采用的损失函数采用基于L2正则化的交叉熵损失函数。即BERT模型训练采用的损失函数L=L1+k*L2,其中,L1是交叉熵损失函数,L2是L2正则化函数,k是平衡交叉熵损失函数和L2正则化函数的系数。
进一步来说,上述步骤3中,基于每个样本的多模态实体抽取结果,输入到预设特征融合分析模型,获取表征电力设备故障关联规则的实体关系,其中的实体关系包括电力设备状态量和故障类别之间的关系、不同电力设备故障的因果关系和并发关系。可以理解,电力设备故障的关联关系,可以是当电力设备的实时状态量超过预警值引发的故障,也可以是其他设备发生故障进而引发的当前电力设备发生故障,该引发关系可能具有时间先后关系,可能同时发生。
进一步来说,上述步骤3中,预设特征融合分析模型获取实体关系的方法,采用频繁项集关联规则挖掘算法,包括如下步骤:
(71)基于不同实体形成候选1项集;
(72)根据最小支持度,对候选1项集筛选出频繁1项集;
(73)基于频繁1项集进行连接和过滤删除,获取候选2项集;
(74)根据最小支持度,对候选2项集筛选出频繁2项集;
(75)重复步骤(73)和(74),依次获取频繁1项集、频繁2项集、,...,频繁k项集,直至步骤(73)中获取不到K+1项集为止;
(76)基于频繁k项集,通过根据最小支持度和最小置信度设置,筛选出符合条件的不同实体之间的关联关系。
上述最小支持度的获取方法为:基于在第一候选项发生的情况第二候选项发生的概率P1与第二候选项发生概率P2的比值确定;
上述最小置信度的获取方法为:获取在第一候选项发生的情况第二候选项发生的概率P1与第二候选项发生概率P2的差值C1,获取P1和P2的较大值C2,基于C1和C2的比值确定最小置信度。
本申请实施例中,对于电力设备故障关联规则的实体关系的抽取,采用频繁项集关联规则挖掘算法,通过上述最小支持度和最小置信度的设置,实现候选项集的有效筛选,避免保留过多无用的冗余项即局部关联规则,同时避免漏掉关键的局部关联规则,进一步实现步骤(76)中获取的不同实体之间的关联关系的准确性和有效性。
在一种实施方式中,考虑到实体中含有数值型数据,在上述步骤(71)之前还可以对数值数据进行离散化处理,具体的,包括:
将多模态数据抽取的实体全部连接;
对所有的连接关系根据对应的实体关联关系获取连接关系权值,并根据连接关系权值大小,将接关系权值大小相近的对应实体划分到同一区域中,获取不同实体的区域划分结果,所述连接关系权值基于第一实体发生情况下第二实体发生的概率与第二实体发生概率的比值确定;
基于不同实体的区域划分结果,采用频繁项集关联规则挖掘算法获取不同实体之间的关联关系。
参见图2,本申请实施例提供的一种基于知识图谱的电力设备故障预测系统,包括:
数据获取单元,用于获取历史电力设备的故障记录数据,每个故障记录数据形成一个初始样本;
实体抽取单元,用于针对每个样本的不同模态数据分别采用对应的预设规则进行实体抽取;
实体关系抽取单元,用于基于每个样本的多模态实体抽取结果,输入到预设特征融合分析模型,获取表征电力设备故障关联规则的实体关系;
知识图谱构建单元,用于基于所述实体和实体关系形成电力设备故障分析知识图谱;
电力设备故障预测单元,用于基于当前时刻前的电力设备故障数据结合电力设备故障分析知识图谱,获取未来时刻电力设备故障预测结果。
关于基于知识图谱的电力设备故障预测系统的具体限定可以参见上文中对于基于知识图谱的电力设备故障预测方法的限定,在此不再赘述。上述基于知识图谱的电力设备故障预测系统中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个单元对应的操作。
本申请实施例提供的一种电力设备故障预测设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现上述基于知识图谱的电力设备故障预测方法。
当然,该电力设备故障预测设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该设备还可以包括其他用于实现设备功能的部件,在此不做赘述。
本申请实施例提供的一种计算机可读存储介质,其上存储有计算机指令,所述指令被处理器执行时实现上述基于知识图谱的电力设备故障预测方法的步骤。例如,该计算机可读存储介质可以是只读存储器(read-only memory,ROM)、随机存取存储器(randomaccess memory,RAM)、只读光盘(compact disc read-only memory,CD-ROM)、磁带、软盘和光数据存储节点等。
本发明不局限于上述具体的实施方式,本领域的普通技术人员从上述构思出发,不经过创造性的劳动,所做出的种种变换,均落在本发明的保护范围之内。
Claims (10)
1.一种基于知识图谱的电力设备故障预测方法,其特征在于,包括:
获取历史电力设备的故障记录数据,每个故障记录数据形成一个初始样本;
针对每个样本的不同模态数据分别采用对应的预设规则进行实体抽取;
基于每个样本的多模态实体抽取结果,输入到预设特征融合分析模型,获取表征电力设备故障关联规则的实体关系;
基于所述实体和实体关系形成电力设备故障分析知识图谱;
基于当前时刻前的电力设备故障数据结合电力设备故障分析知识图谱,获取未来时刻电力设备故障预测结果。
2.根据权利要求1所述的一种基于知识图谱的电力设备故障预测方法,其特征在于,所述电力设备的故障记录数据,包括位置信息、时间信息、设备类型、故障类型、设备生产厂家、设备使用时长信息。
3.根据权利要求1所述的一种基于知识图谱的电力设备故障预测方法,其特征在于,所述针对每个样本的不同模态数据分别采用对应的预设规则进行实体抽取,包括:
针对图像模态数据,利用训练过的电力故障图像识别模型获取图像的实体数据,所述图像的实体数据包括设备类型、故障类型、故障等级;
针对文本模态数据,利用训练过的BERT模型进行文本数据的关键字提取,获取文本的实体数据,所述文本的实体数据包括设备类型、设备名称、设备位置、故障时间。
4.根据权利要求3所述的一种基于知识图谱的电力设备故障预测方法,其特征在于,所述BERT模型,依次包括输入层、Transformer层、GRU层、注意力层、输出层,所述输入层用于将输入的文本数据转换为字向量、文本向量、位置序列数据,所述Transformer层用于将输入层输出的数据进行特征编码;所述GRU层用于将Transformer层输出的数据进行特征关联关系分析和深度特征提取,所述注意力层用于将GRU层输出的深度特征进行重要性分析和权重分配,所述输出层用于输出文本的实体数据标签。
5.根据权利要求4所述的一种基于知识图谱的电力设备故障预测方法,其特征在于,所述BERT模型训练采用的损失函数采用基于L2正则化的交叉熵损失函数。
6.根据权利要求1所述的一种基于知识图谱的电力设备故障预测方法,其特征在于,所述基于每个样本的多模态实体抽取结果,输入到预设特征融合分析模型,获取表征电力设备故障关联规则的实体关系,包括:
所述实体关系包括电力设备状态量和故障类别之间的关系、不同电力设备故障的因果关系和并发关系。
7.根据权利要求6所述的一种基于知识图谱的电力设备故障预测方法,其特征在于,所述预设特征融合分析模型获取实体关系的方法,包括如下步骤:
(71)基于不同实体形成候选1项集;
(72)根据最小支持度,对候选1项集筛选出频繁1项集;
(73)基于频繁1项集进行连接和过滤删除,获取候选2项集;
(74)根据最小支持度,对候选2项集筛选出频繁2项集;
(75)重复步骤(73)和(74),依次获取频繁1项集、频繁2项集、...、频繁k项集,直至步骤(73)中获取不到K+1项集为止;
(76)基于频繁k项集,通过根据最小支持度和最小置信度设置,筛选出符合条件的不同实体之间的关联关系。
8.一种基于知识图谱的电力设备故障预测系统,其特征在于,包括:
数据获取单元,用于获取历史电力设备的故障记录数据,每个故障记录数据形成一个初始样本;
实体抽取单元,用于针对每个样本的不同模态数据分别采用对应的预设规则进行实体抽取;
实体关系抽取单元,用于基于每个样本的多模态实体抽取结果,输入到预设特征融合分析模型,获取表征电力设备故障关联规则的实体关系;
知识图谱构建单元,用于基于所述实体和实体关系形成电力设备故障分析知识图谱;
电力设备故障预测单元,用于基于当前时刻前的电力设备故障数据结合电力设备故障分析知识图谱,获取未来时刻电力设备故障预测结果。
9.一种电力设备故障预测设备,其特征在于,所述设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303328.XA CN116384567A (zh) | 2023-03-24 | 2023-03-24 | 一种基于知识图谱的电力设备故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303328.XA CN116384567A (zh) | 2023-03-24 | 2023-03-24 | 一种基于知识图谱的电力设备故障预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116384567A true CN116384567A (zh) | 2023-07-04 |
Family
ID=86970519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310303328.XA Pending CN116384567A (zh) | 2023-03-24 | 2023-03-24 | 一种基于知识图谱的电力设备故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384567A (zh) |
-
2023
- 2023-03-24 CN CN202310303328.XA patent/CN116384567A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033068B (zh) | 基于注意力机制的用于阅读理解的方法、装置和电子设备 | |
CN108648020A (zh) | 用户行为量化方法、系统、设备及存储介质 | |
WO2023241272A1 (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN116414990B (zh) | 一种车辆故障诊断与预防方法 | |
CN113504906A (zh) | 代码生成方法、装置、电子设备及可读存储介质 | |
JP2002041464A (ja) | エンドユーザ・トランザクションを識別するための方法及び装置 | |
CN114691525A (zh) | 测试用例的选择方法及装置 | |
CN112035629B (zh) | 基于符号化知识与神经网络的问答模型的实现方法 | |
CN117149996A (zh) | 面向人工智能应用的人机界面数字会话挖掘方法及ai系统 | |
CN112394973A (zh) | 一种基于伪孪生网络的多语言代码剽窃检测方法 | |
CN112416800A (zh) | 智能合约的测试方法、装置、设备及存储介质 | |
CN116956289A (zh) | 动态调整潜在黑名单和黑名单的方法 | |
CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
CN116384567A (zh) | 一种基于知识图谱的电力设备故障预测方法及系统 | |
CN116737943A (zh) | 面向新闻领域的时序知识图谱链路预测方法 | |
CN115795038A (zh) | 基于国产化深度学习框架的意图识别方法和装置 | |
CN116306923A (zh) | 一种基于知识图谱的评价权重计算方法 | |
CN115186738A (zh) | 模型训练方法、装置和存储介质 | |
CN112131363A (zh) | 自动问答方法、装置、设备及存储介质 | |
CN117521017B (zh) | 一种获取多模态特征方法和装置 | |
CN116128058B (zh) | 一种异构发电设备状态判断方法、装置、存储介质及设备 | |
CN109359781A (zh) | 一种智能制造系统余寿的预测方法及装置 | |
CN114970955B (zh) | 基于多模态预训练模型的短视频热度预测方法及装置 | |
CN116703075B (zh) | 电力调度决策方法、装置、电子设备及存储介质 | |
CN113342982B (zh) | 融合RoBERTa和外部知识库的企业行业分类方法 |
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 |