CN116628220A - 基于关系图卷积神经网络的电力工作票生成方法及系统 - Google Patents
基于关系图卷积神经网络的电力工作票生成方法及系统 Download PDFInfo
- Publication number
- CN116628220A CN116628220A CN202310539867.3A CN202310539867A CN116628220A CN 116628220 A CN116628220 A CN 116628220A CN 202310539867 A CN202310539867 A CN 202310539867A CN 116628220 A CN116628220 A CN 116628220A
- Authority
- CN
- China
- Prior art keywords
- graph
- node
- neural network
- relationship
- model
- 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 66
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 71
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000003860 storage Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 10
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 231100000817 safety factor Toxicity 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于关系图卷积神经网络的电力工作票生成方法,包括:获取电力系统的历史工作票和设备台账信息;根据历史工作票和设备台账信息构建知识图谱关系图;对知识图谱关系图中的数据进行处理和转换,得到图结构;构建关系图卷积神经网络模型并基于图结构对模型进行训练,得到知识推理模型;获取新数据并基于知识推理模型内容预测工作票中相关设备的危险因素和对应的安全措施。本发明综合考虑知识库中的历史工作票信息和标准作业安全措施库,及工作票和安全措施、危险源之间的关系;由模型输出最佳安全措施以及可能面临的危险源,进而辅助工作人员对工作票的完整填写,提升工作效率和工作质量,优化电厂安全生产水平。
Description
技术领域
本发明涉及电力管理领域,更具体地,涉及一种基于关系图卷积神经网络的电力工作票生成方法及系统。
背景技术
工作票生成是电厂的重要操作流程,是企业安全生产的最重要保障,但填写和处理工作票的过程要求相关人员技术水平较高且拥有丰富的专家知识,在填写和处理过程中仔细认真,任何错误都会给企业生产和安全带来相当大的威胁,其现有技术存在如下问题和难点:
(1)需要实施工作票的问题和操作一般为紧急且优先级较高的情况,对效率要求较高。
(2)较重大的缺陷,需对生产和安全因素以及危险源考虑十分全面。
(3)电力工作票中安全措施的填写是一个要求较为复杂且专业的工作,填写的安全措施内容往往不规范甚至不合格,对于相同内容用词不同等情况给填写和审核过程带来大量重复工作,影响整体的工作票规范情况。
现有生成安全措施的方法通过采用专家系统实现,但是由于数据量较大,规则工作量较多并且难度很大,导致专家系统规则匹配方式需要将填写安全措施的所有流程及关联信息梳理成一个具有逻辑规则的知识库,但电力工作票领域相关知识庞大,且关联知识范围大,使得梳理过程工作量大,即使经验丰富的专家也很难将所有情况采用固定规则描述完。
随着知识表示和机器学习等技术的发展,知识图谱相关技术取得了突破性的进展,特别是在知识图谱的构建、推理和计算机技术以及知识服务技术领域,都得到了快速的发展。知识图谱推理在一个知识图谱的发展演变过程中起着重要的作用,知识图谱推理用于对知识图谱进行补全和质量检测等。近年来提出的图神经网络,主要是用于处理图结构的数据,随着信息在节点之间的传播以捕捉图中节点间的依赖关系,其图结构的表示方式使得模型可以基于图进行推理,以完成实体分类任务和链路预测任务。
现有技术1(CN111461392B)公开了一种基于图神经网络的电力故障预测方法,包括:基于电气图构建邻接矩阵A;获取A中各节点的状态信息,构建状态矩阵X;以X为输入,以A为卷积核,利用电力故障预测网络预测各节点是否出现故障;若出现故障,则定位电网中的故障节点;对于任意第i个节点,获取其负荷序列和容载比序列,并以小时、日、周、月、季和年为粒度间隔进行序列嵌入,生成负载特性向量x′i(t);以x′i(t)为输入,利用供电中断时间点预测模型预测该节点在各时间点的中断状态,若F后续时间点均为供电中断状态,则预测该时间点为供电中断时间点。现有技术1存在的技术问题至少包括:没有对训练数据进行适当的处理,导致无法有效准确地预测未来的危险因素,且之预测了可能出现的故障而没有给出对应的处理措施,导致工作人员在填写电力工作票时主观性较强、填写效率较低,还容易出现错误和漏填现象。
发明内容
为解决现有技术中存在的不足,本发明提供一种基于关系图卷积神经网络进行推理的电力工作票生成方法,能够解决当前根据基础数据,得到的安全措施和危险源的效率低下以及难以达到最佳适配的问题,提高安全措施匹配程度。
本发明采用如下的技术方案。
一种基于关系图卷积神经网络的电力工作票生成方法,包括:
步骤1,获取电力系统的历史工作票和设备台账信息;
步骤2,根据历史工作票和设备台账信息构建知识图谱关系图;
步骤3,采用稀疏向量表示对知识图谱关系图中的数据进行处理和转换,得到图结构;
步骤4,构建关系图卷积神经网络模型并基于图结构对模型进行训练,得到知识推理模型;
步骤5,获取新电力设备的数据并基于知识推理模型内容预测电力设备的危险因素和对应的安全措施,并基于得到的危险因素和安全措施生成完整的工作票。
优选的,所述步骤1中,获取的历史工作票中包含工作内容、作业工序、工作地点、危险因素和安全措施;
获取设备台账中包括以下电力设备的相关信息:责任人、机组、部门、班组、设备类型、专业、型号、KKS描述、KKS编码和安装位置。
优选的,所述步骤2还包括,
步骤2-1,根据历史工作票和设备台账中的相关信息得到实体节点和节点属性;
步骤2-2,根据历史工作票和设备台账信息构建实体关系,并根据实体节点、实体关系和节点属性构建知识图谱;
步骤2-3,将知识图谱中的实体和关系类型编码为整数。
优选的,所述步骤2-1中,实体节点类型包括设备、工作票、危险因素和安全措施;
设备还包括设备名称、KKS编码、设备类型、安装位置、机组的节点属性,其中设备名称为KKS描述;工作票还包括工作内容、作业工序、工作地点的节点属性;危险因素包括危险因素描述、危险源、风险等级的节点属性;安全措施包括安全措施描述、适用范围、执行情况的节点属性。
优选的,所述步骤2-2中,构建的实体关系包括:设备-工作票关系、工作票-危险因素关系、工作票-安全措施关系、设备-危险因素关系和危险因素-安全措施关系。
优选的,所述步骤3还包括:
步骤3-1,将知识图谱关系图中的编码转换为一维稀疏向量,对编码中的元素进行编号,并将其转换为稀疏向量中的元素;
步骤3-2,根据得到的稀疏向量计算邻接矩阵和度矩阵;
步骤3-3,根据邻接矩阵和度矩阵生成知识图谱的图结构;
步骤3-4,生成知识图谱的图结构后,根据稀疏向量的更新对知识图谱的图结构进行更新。
优选的,所述步骤4中,关系图卷积神经网络模型包括输入层、R-GCN层和输出层;
输入层将每个实体和关系转换为一个向量表示,并将每个节点的向量和邻接矩阵传递到下一层;
R-GCN层由多个图卷积单元组成,每个图卷积单元可以聚合各节点的邻居节点的信息,并更新节点的向量表示;
关系图卷积神经网络模型的输出层为基于多分类逻辑回归的输出层,输出层的输入是每个节点表示的工作票或设备台账,输出层的输出目标是每个节点预测概率分布,概率分布的值表示该节点属于所有可能的危险因素或安全措施类别中的一个。
优选的,所述图卷积单元的工作包括:
节点嵌入表示的线性变换:将每个节点的嵌入向量与权重矩阵进行乘积操作,并输出一个新的节点表示向量,并传递到下一层;
节点与邻居节点的聚合:在已有的节点向量表示和邻接矩阵的基础上,聚合每个节点的邻居节点的信息。聚合方法是将邻居节点的嵌入向量与邻接矩阵相乘,再将结果进行平均,得到聚合后的向量表示。
优选的,所述步骤5中,新数据包括工作内容、作业工序、工作地点和设备台账数据,将新数据输入步骤4所生成的知识推理模型,推理预测得到危险因素和对应的最佳安全措施,并根据预测结果填写电力工作票。
本发明还提供了一种基于关系图卷积神经网络的电力工作票生成系统,包括:数据采集模块、知识图谱构建模块、图结构计算模块、模型构建及训练模块、预测模块和工作票生成模块;
数据采集模块能够电力系统的历史工作票和设备台账信息,以及待预测的电力数据;
知识图谱构建模块能够对历史工作票和设备台账信息进行处理,并构建知识图谱关系图;
图结构计算模块能够采用稀疏向量表示对知识图谱关系图中的数据进行处理和转换,得到图结构;
模型构建及训练模块用于构建关系图卷积神经网络模型并基于图结构对模型进行训练,得到知识推理模型;
预测模块能够根据知识推理模型对待预测的电力设备相关数据进行预测,得到可能存在的危险因素和对应的安全措施;
工作票生成模块能够结合待预测的电力设备相关数据以及预测结果,生成完整的电力工作票。
本发明还提供了一种终端,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行所述电力工作票生成方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述电力工作票生成方法的步骤。
本发明的有益效果在于,与现有技术相比,本发明根据设备台账中的信息,搭建完整的知识图谱,通过对知识图谱的数据进行处理并对实体分类任务和链路预测任务的关系图卷积神经网络进行训练,生成高效地知识推理模型,得到的知识推理模型能够较大程度地提升输入的新数据与所需要推理得到的安全措施和危险源的适配程度,从而提高预测结果的准确性,保障了生成工作票的适用性,帮助检修和运维人员生成完整的工作票,提升工作效率,减小遗漏,确保生产和施工安全,提高电网的安全运行水平。
附图说明
图1是本发明中基于关系图卷积神经网络的电力工作票生成方法的流程示意图;
图2是本发明中关系图卷积神经网络模型处理流程图;
图3是本发明中计算R-GCN模型中单个实体更新图;
图4是本发明中基于关系图卷积神经网络的电力工作票生成系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,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有所其它实施例,都属于本发明的保护范围。
如图1所示,本发明提出了一种基于关系图卷积神经网络的电力工作票生成方法,该方法具体包括如下步骤:
步骤1,获取电力系统的历史工作票和设备台账信息;
获取的历史工作票中包含工作内容、作业工序、工作地点、危险因素和安全措施;
根据对相关文献调查研究,并根据在实际工作中所了解到的信息,选取历史工作票中与安全措施和危险源最为相关的电力设备信息建立设备台账,设备台账主要包含设备种类等信息,如安装单位、安装日期、调试单位等,以便更好的匹配得到适用性最高的安全措施和危险源。
其中,设备台账中包括以下电力设备的相关信息:责任人、机组、部门、班组、设备类型、专业、型号、KKS描述、KKS编码和安装位置。
步骤2,根据历史工作票和设备台账信息构建知识图谱关系图;
步骤2还包括:
步骤2-1,根据历史工作票和设备台账中的相关信息得到实体节点和节点属性;
其中,实体节点类型包括设备、工作票、危险因素和安全措施;
具体的,设备包括设备名称、KKS编码、设备类型、安装位置、机组等属性;其中设备名称为KKS描述;
工作票包括工作内容、作业工序、工作地点等属性。其中,工作内容例如380V#4炉#3等离子整流柜检修;作业工序如:作业环境评估、确认安全措施正确执行、控制柜检查、控制箱清扫检查、测量绝缘、检修工作结束的工序。
危险因素包括危险因素描述、危险源、风险等级等属性。危险因素例如作业时未正确使用防护用品、未退出运行监视、施工废料未清理、#4机机组未停运等。
安全措施包括安全措施描述、适用范围、执行情况等属性。安全措施例如:断路器、接地线、警示牌、断路器、关阀门、开阀门、停电等。
步骤2-2,根据历史工作票和设备台账信息构建实体关系,并根据实体节点、实体关系和节点属性构建知识图谱;具体包括:
设备-工作票关系:设备与其相关联的工作票,例如一台设备可能需要执行多个工作票中的任务。
工作票-危险因素关系:工作任务所涉及到的危险因素/危险源。
工作票-安全措施关系:工作任务所需要执行的安全措施。
设备-危险因素关系:设备涉及的危险因素。
危险因素-安全措施关系:解决某危险因素所需要的安全措施。
优选的,本发明采用自顶向下方法搭建知识图谱。
步骤2-3,将知识图谱中的实体和关系类型编码为整数,便于后续计算。
步骤3,采用稀疏向量表示对知识图谱关系图中的数据进行处理和转换,从而得到图结构;
步骤3-1,将知识图谱关系图中的编码转换为一维稀疏向量,对编码中的元素进行编号,并将其转换为稀疏向量中的元素;
步骤3-2,根据得到的稀疏向量计算邻接矩阵和度矩阵;
其中,邻接矩阵的计算还包括:计算稀疏向量的对角线,通过递归的方式计算稀疏向量中非零元素的对角线上的元素,再使用计算得到的稀疏向量的对角线,计算知识图谱关系图中的邻接矩阵;
度矩阵的计算还包括:先计算稀疏向量的行列式,计算稀疏向量中非零元素的行列式的积,然后使用计算得到的稀疏向量的行列式,计算知识图谱关系图中的度矩阵;度矩阵表示了图中各个节点的度数,其中元素表示节点的度数。
步骤3-3,根据邻接矩阵和度矩阵生成知识图谱的图结构;
在此过程中使用向量来表示图的结构,并将其转换为稀疏向量的形式。
步骤3-4,生成知识图谱的图结构后,根据稀疏向量的更新对知识图谱的图结构进行更新。
步骤4,构建关系图卷积神经网络模型并基于步骤3得到的图结构进行训练,得到知识推理模型;
步骤4还包括:
关系图卷积神经网络模型由多层图卷积层组成,每一层将与当前节点相邻的节点的信息聚合起来,生成一个新的节点嵌入向量。在每一层后添加正则化、激活函数提高模型性能。
本发明中所构建的关系图卷积神经网络模型包括输入层、RGCN层和输出层;
具体的,输入层将每个实体和关系转换为一个向量表示,并将每个节点的向量和邻接矩阵传递到下一层。
R-GCN层由多个图卷积单元组成,每个图卷积单元可以聚合各节点的邻居节点的信息,并更新节点的向量表示。
使用图卷积算法学习节点的表示,将其传递到下一层中。具体来说,关系图卷积神经网络模型使用特殊的卷积层来处理节点之间的关系。这些卷积层可以根据节点之间的关系求解卷积核,而非像传统的CNN模型一样使用固定的卷积核。这样可以更好的适应关系型数据,并学习到节点之间的复杂关系。在这一过程中,模型会根据节点的特征向量和节点间的关系向量之间的权重生成新的特征向量,以表示这些节点之间的更加复杂和高阶的关系。
每个图卷积单元的工作包括以下步骤:
节点嵌入表示的线性变换:将每个节点的嵌入向量与权重矩阵W进行乘积操作,并输出一个新的节点表示向量,用于传递到下一层。
节点与邻居节点的聚合:在已有的节点向量表示和邻接矩阵的基础上,聚合每个节点的邻居节点的信息。聚合方法是将邻居节点的嵌入向量与邻接矩阵相乘,再将结果进行平均,得到聚合后的向量表示。
关系图卷积神经网络模型的输出层是一个softmax层,它是一个基于多分类逻辑回归的输出层。该层的输入是图卷积神经网络的最后一层的节点表示,其中每个节点表示工作票或设备台账。输出层的目标是为每个节点预测一个概率分布,其中概率分布的值表示该节点属于所有可能的危险因素或安全措施类别中的哪一个。
对于危险因素预测任务,模型的输出层将为每个节点预测一个向量,其中每个元素都代表一种可能的危险因素,输出层将每个元素转换为一个概率。同理,对于安全措施任务,模型的输出层将为每个节点预测一个向量,其中每个元素都代表一种可能的安全措施,输出层将每个元素转换为一个概率。
使用最终得到的节点表示向量来进行危险因素和安全措施的预测。该模型将通过节点表示向量输入一个分类器进行分类。如将所有工作内容标记是否存在潜在的危险因素并进行训练,并使用已存在的工作内容中的特征和关系向量预测新工作内容的危险因素。
关系图卷积神经网络模型的输出层将输入的节点表示映射到危险因素或安全措施的概率分布,并输出每个节点所属的类别的预测概率,将得到的预测概率作为预测结论,以指导工作票中安全措施的制定。
具体的,对神经网络的训练还包括:使用标准监督学习算法交叉损失函数对RGCN模型进行训练。
在图结构上训练关系图卷积神经网络模型用于预测工作票的危险因素和安全措施。在训练期间,使用对应的标签值对模型预测值进行比较,利用反向传播算法来更新模型的参数。
关系图卷积神经网络模型由多层图卷积层组成,每一层将与当前节点相邻的节点的信息聚合起来,生成一个新的节点嵌入向量。在每一层后添加正则化、激活函数提高模型性能。
具体的训练步骤如下:
初始化参数:对模型的参数进行初始化,包括图卷积层的核函数和全连接层的权重矩阵;
前向传播:将节点特征矩阵和关系矩阵输入到模型中,并通过多层的图卷积层和全连接层,得到模型的输出。
计算损失函数:将模型输出与标签进行比较,计算模型的损失函数。使用二元交叉熵作为损失函数。
反向传播:通过反向传播算法计算损失函数对模型参数的梯度,更新模型参数。
重复迭代:重复以上步骤,对模型进行调整,增加图卷积层数、调整学习率和正则化权重,以提高模型的性能和泛化能力,直到模型收敛或达到预设的训练次数。
测试:使用测试数据集对模型进行测试,计算模型的准确率、精度、召回率和F1值指标,评估模型的性能。
优选的,当新数据到来时,定期采用新数据对模型进行更新。
关系图卷积神经网络模型引入一个由实体编码器和解码器组成的图形自动编码器模型,构建知识推理模型,完成链路预测任务。
具体的,在已构建的知识图谱基础上搭建关系图卷积神经网络,关系图卷积神经网络包括一个实体编码器和解码器,并基于知识图谱对关系图卷积神经网络模型进行训练,得到训练后的知识推理模型。
知识图谱中各个节点类型不同,具有不同的属性特征和数量差异,各个节点的度可各不相同,是不规则的数据结构,卷积神经网络无法有效提取非结构化数据的特征,而图卷积神经网络能自动捕捉知识图谱等非结构化数据的节点之间丰富的语义信息和节点自身的特征,因此本发明基于知识图谱中实体之间的关系对关系图卷积神经网络进行建模,得到知识推理模型。
图卷积神经网络模型用于提取知识图谱上的节点信息和结构信息,生成编码后的可用于监督学习和非监督学习的嵌入表示。
给定一个由N个节点,|E|条边组成的图G,其中,G=(E,V),i∈V,(i,j)∈E,稀疏交互矩阵A,A∈RN×N,对角节点度矩阵D,Dii=∑iiAij,以及节点向量矩阵X,X∈RN,P。
图卷积神经网络第k层卷积层的运算式为H(t+1)=σ(φ(AH(t)W(t))),其中W(t)∈RK×K是可训练参数,H(T)=φATH(0)W1,其中H(T)是T阶邻接矩阵,图G任意一个节点i∈V的感受也是T跳以内的节点,任意一个节点的感受也可表示为由所有T跳以内邻居节点和邻居节点权重组成的局部子图。
如图2所示,关系图卷积神经网络模型旨在泛化图卷积神经网络来处理知识库中的实体和各个实体之间的不同关系,通过知识图谱中的局部领域结构化关系信息预测出知识图谱中所缺失的信息。
图卷积神经网络模型用于同构图,同构图中点类型+边类型=2,也即不区分点与边类型。如社交软件上人与人之间的关系,一种实体:人;一种关系:朋友关系;而关系图卷积神经网络模型的思想是将异构图分成多个含单一关系的同构图,只需要解决不同关系之间的交互,套用图卷积神经网络模型同构图的思想解决异构图的问题。异构图中点类型+边类型>2,包含多种实体类型和多种关系类型。
关系图卷积神经网络模型首先对每个边类型执行单独的图卷积,然后将每个边类型上的消息聚合求和作为所有节点类型的最终结果。
即关系图卷积神经网络模型的核心问题为解决多关系间的交互,如图3所示,每一种关系下(可理解为同构图),指向内与指向外的都作为它的邻居点,同时加自循环特征,进行特征融合,从所有边类型的邻居收集消息,参与更新中心节点。
关系图卷积神经网络模型通过输入知识图谱目标实体局部领域中的关系信息,例如关系类型,关系方向,以及目标实体自循环等信息,输出目标实体的潜在特征向量表示,然后再通过DistMult解码器进行链接预测任务。
该模型主要是作为GCNs的扩展,这些图卷积神经网络对大规模关系数据的局部图邻域进行操作,采用了以下传播模型,用于计算关系(有向和标记)多图中由vi表示的实体或节点的向前传播:
其中,表示关系r∈R下节点i的邻居指标集,ci,r是一个可以预先学习或选择的特定于问题的归一化常数(如/>)。
通过归一化和对相邻节点的变换特征向量进行累加。与常规的图卷积神经网络不同,该模型引入了特定于关系的转化,即依赖于边缘的类型和方向。
为了确保在第l+1层的节点表示也可以由第l层的对应表示通知,向数据中的每个节点添加了一个特殊关系类型的单个自连接。神经网络层更新由并行的对每个节点求值组成。
在本实验中,利用稀疏矩阵乘法可以更加有效地实现,以避免邻域之间的显式求和。多层进行堆叠以允许跨几个关系步骤的依赖关系。该图编码器模型称为关系图卷积神经网络。
采用步骤3搭建构成的知识图谱,其实体为设备台账所包含的信息,关系为各个实体之间的联系。
在该模型中,将其应用到高度多关系数据的一个核心问题是,随着图中关系的数量,参数的数量迅速增长。在训练过程中,很容易导致在罕见的关系和大模型上过度拟合。
为了解决该问题,该模型引入了两种不同的正则化R-GCN层权值的方法:基分解和块对角分解。通过基分解,每个定义如下:
作为基变换的线性组合,其系数为/>使得只有系数依赖于r。在块对角分解中,该模型让每个/>通过一组低维矩阵的直接和进行定义:
因此,是块对角矩阵/>且/>这两种分解方法都减少了学习高度多关系数据所需的参数数量,缓解了罕见关系上的过拟合。
整个R-GCN模型采用以下形式:按照公式中定义的方式堆叠L层,前一层的输出作为下一层的输入。在没有其他特征的情况下,则第一层的输入可以选择为图中每个节点的唯一一个热向量。对于块表示,通过单个线性变换将这一热向量映射到密集表示。
如图3所示,对于实体节点的半监督分类,该模型R-GCN层进行堆叠,在最后一层的输出上具有softmax对每个节点进行激活,最小化了所有标记节点上的交叉熵损失:
其中,y是具有标签的节点索引集合,是第i个标签节点的网络输出的第k个条目,tik表示其各自的底层标签,并使用全批次梯度下降技术训练模型。
完成上述步骤后,进行链接预测的方法实现,即为选择适配度更高的安全措施和危险源。该模型引入了一个图形自动编码器模型,其由一个实体编码器和解码器组成。
编码器通过输入的知识图谱中的关系信息和实体描述等产生目标实体的潜在隐形特征向量表示。这些潜在隐形特征向量表示通过解码器DistMult张量分解模型进行链接预测,从而得到对应的安全措施。
编码器映射每个实体vi∈V到实值向量ei∈Rd,解码器根据顶点表示重新构造图的边。
该模型通过R-GCN编码器计算表示,其在标准链路预测中,采用了Distmult因子分解作为评分函数f(s,r,o):
与其他在因子分解方面的工作相同,本模型采用负抽样进行训练。通过随机破坏每个正面例子的主体或客体进行抽样,并且对交叉熵损失进行优化,以推动模型对可观察值的评分L比负值高三倍:
其中,T是真实和损坏的三元组的总集合,1是逻辑sigmoid函数,y是一个指标,对于正三元组设置为y=1,对于负三元组设置为y=0。
通过以上步骤,最终得到一个完整的神经网络,该神经网络即为知识推理模型,该网络通过对知识图谱中实体和实体之间的关系进行训练,生成推理预测模型。
通过知识图谱中实体之间的关系进行关系图卷积神经网络建模,实现链接预测和实体分类任务,生成知识图谱推理模型,提高安全措施的适用性。
步骤5,获取新电力设备相关数据并基于知识推理模型内容预测电力设备中相关设备的危险因素和对应的安全措施,并基于得到的危险因素和安全措施生成完整的工作票。
基于步骤4所获得的知识推理模型,当新数据到来时,将其输入到模型中,最终得到适配度最佳的安全措施和危险源。
其中,新电力设备相关数据可以为实时的电力设备数据或危险因素未知的待预测电力设备相关数据,新电力设备相关数据包括工作内容、作业工序、工作地点和设备台账数据,将以上数据输入步骤4所生成的知识推理模型,进行推理预测得到最为合适的安全措施和可能面临的危险因素。
知识推理模型的输入数据是构建知识图谱关系图所需要的数据,包括工作票中的工作内容和设备台账信息、实体和关系的类型以及它们之间的连接方式。
知识推理模型的输出包括预测的危险因素和安全措施;表示为危险因素和安全措施的类型。这些输出值需要根据工作票中的内容和设备台账信息预测,同时要考虑实体之间的关系以及历史数据中已经发生的事故或者异常情况。
优选的,将新数据输入到所得到的知识推理模型中,可输出匹配度最高的安全措施和危险源作为当前数据下可能面临的危险源和对应的最佳安全措施,将输出的安全措施与危险源建议提示给填票人员,为工作人员填写工作票提供参考,辅助工作票的完整生成,优化电厂安全生产。
将预测的危险因素和对应的安全措施填入工作票中,结合该电力设备相关数据,生成完整的电力工作票。
如图4所示,本发明还提出了一种基于关系图卷积神经网络的电力工作票生成系统,上述电力工作票的生成方法能够基于该系统实现,该系统包括:数据采集模块、知识图谱构建模块、图结构计算模块、模型构建及训练模块、预测模块和工作票生成模块;
数据采集模块能够电力系统的历史工作票和设备台账信息,以及待预测的电力数据;
知识图谱构建模块能够对历史工作票和设备台账信息进行处理,并构建知识图谱关系图;
图结构计算模块能够采用稀疏向量表示对知识图谱关系图中的数据进行处理和转换,得到图结构;
模型构建及训练模块用于构建关系图卷积神经网络模型并基于图结构对模型进行训练,得到知识推理模型;
预测模块能够根据知识推理模型对待预测的电力设备相关数据进行预测,得到可能存在的危险因素和对应的安全措施;
工作票生成模块能够结合待预测的电力设备相关数据以及预测结果,生成完整的电力工作票。
本发明的有益效果在于,与现有技术相比,本发明通过构建高效地知识推理模型,对新数据自动匹配推理出相关的安全措施、危险源等信息,帮助检修和运维人员提升工作效率,防止遗漏,确保生产和施工安全,提高电网的安全运行水平。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言-诸如Smalltalk、C++等,以及常规的过程式编程语言-诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络-包括局域网(LAN)或广域网(WAN)-连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
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 (12)
1.一种基于关系图卷积神经网络的电力工作票生成方法,其特征在于,包括如下步骤:
步骤1,获取电力系统的历史工作票和设备台账信息;
步骤2,根据历史工作票和设备台账信息构建知识图谱关系图;
步骤3,采用稀疏向量表示对知识图谱关系图中的数据进行处理和转换,得到图结构;
步骤4,构建关系图卷积神经网络模型并基于图结构对模型进行训练,得到知识推理模型;
步骤5,获取新电力设备的数据并基于知识推理模型内容预测电力设备的危险因素和对应的安全措施,并基于得到的危险因素和安全措施生成完整的工作票。
2.根据权利要求书1所述的基于关系图卷积神经网络的电力工作票生成方法,其特征在于,
所述步骤1中,获取的历史工作票中包含工作内容、作业工序、工作地点、危险因素和安全措施;
获取设备台账中包括以下电力设备的相关信息:责任人、机组、部门、班组、设备类型、专业、型号、KKS描述、KKS编码和安装位置。
3.根据权利要求书1所述的基于关系图卷积神经网络的电力工作票生成方法,其特征在于,
所述步骤2还包括,
步骤2-1,根据历史工作票和设备台账中的相关信息得到实体节点和节点属性;
步骤2-2,根据历史工作票和设备台账信息构建实体关系,并根据实体节点、实体关系和节点属性构建知识图谱;
步骤2-3,将知识图谱中的实体和关系类型编码为整数。
4.根据权利要求书3所述的基于关系图卷积神经网络的电力工作票生成方法,其特征在于,
所述步骤2-1中,实体节点类型包括设备、工作票、危险因素和安全措施;
设备还包括设备名称、KKS编码、设备类型、安装位置、机组的节点属性,其中设备名称为KKS描述;工作票还包括工作内容、作业工序、工作地点的节点属性;危险因素包括危险因素描述、危险源、风险等级的节点属性;安全措施包括安全措施描述、适用范围、执行情况的节点属性。
5.根据权利要求书4所述的基于关系图卷积神经网络的电力工作票生成方法,其特征在于,
所述步骤2-2中,构建的实体关系包括:设备-工作票关系、工作票-危险因素关系、工作票-安全措施关系、设备-危险因素关系和危险因素-安全措施关系。
6.根据权利要求书1所述的基于关系图卷积神经网络的电力工作票生成方法,其特征在于,
所述步骤3还包括:
步骤3-1,将知识图谱关系图中的编码转换为一维稀疏向量,对编码中的元素进行编号,并将其转换为稀疏向量中的元素;
步骤3-2,根据得到的稀疏向量计算邻接矩阵和度矩阵;
步骤3-3,根据邻接矩阵和度矩阵生成知识图谱的图结构;
步骤3-4,生成知识图谱的图结构后,根据稀疏向量的更新对知识图谱的图结构进行更新。
7.根据权利要求书1所述的基于关系图卷积神经网络的电力工作票生成方法,其特征在于,
所述步骤4中,关系图卷积神经网络模型包括输入层、R-GCN层和输出层;
输入层将每个实体和关系转换为一个向量表示,并将每个节点的向量和邻接矩阵传递到下一层;
R-GCN层由多个图卷积单元组成,每个图卷积单元可以聚合各节点的邻居节点的信息,并更新节点的向量表示;
关系图卷积神经网络模型的输出层为基于多分类逻辑回归的输出层,输出层的输入是每个节点表示的工作票或设备台账,输出层的输出目标是每个节点预测概率分布,概率分布的值表示该节点属于所有可能的危险因素或安全措施类别中的一个。
8.根据权利要求书7所述的基于关系图卷积神经网络的电力工作票生成方法,其特征在于,
所述图卷积单元的工作包括:
节点嵌入表示的线性变换:将每个节点的嵌入向量与权重矩阵进行乘积操作,并输出一个新的节点表示向量,并传递到下一层;
节点与邻居节点的聚合:在已有的节点向量表示和邻接矩阵的基础上,聚合每个节点的邻居节点的信息,聚合方法是将邻居节点的嵌入向量与邻接矩阵相乘,再将结果进行平均,得到聚合后的向量表示。
9.根据权利要求书7所述的基于关系图卷积神经网络的电力工作票生成方法,其特征在于,
所述步骤5中,新数据包括工作内容、作业工序、工作地点和设备台账数据,将新数据输入步骤4所生成的知识推理模型,推理预测得到危险因素和对应的最佳安全措施,并根据预测结果填写电力工作票。
10.一种利用权利要求1-9任一项权利要求所述方法的基于关系图卷积神经网络的电力工作票生成系统,其特征在于,包括:数据采集模块、知识图谱构建模块、图结构计算模块、模型构建及训练模块、预测模块和工作票生成模块;
数据采集模块能够电力系统的历史工作票和设备台账信息,以及待预测的电力数据;
知识图谱构建模块能够对历史工作票和设备台账信息进行处理,并构建知识图谱关系图;
图结构计算模块能够采用稀疏向量表示对知识图谱关系图中的数据进行处理和转换,得到图结构;
模型构建及训练模块用于构建关系图卷积神经网络模型并基于图结构对模型进行训练,得到知识推理模型;
预测模块能够根据知识推理模型对待预测的电力设备相关数据进行预测,得到可能存在的危险因素和对应的安全措施;
工作票生成模块能够结合待预测的电力设备相关数据以及预测结果,生成完整的电力工作票。
11.一种终端,包括处理器及存储介质;其特征在于:
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-9任一项所述方法的步骤。
12.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539867.3A CN116628220A (zh) | 2023-05-11 | 2023-05-11 | 基于关系图卷积神经网络的电力工作票生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539867.3A CN116628220A (zh) | 2023-05-11 | 2023-05-11 | 基于关系图卷积神经网络的电力工作票生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116628220A true CN116628220A (zh) | 2023-08-22 |
Family
ID=87591267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310539867.3A Pending CN116628220A (zh) | 2023-05-11 | 2023-05-11 | 基于关系图卷积神经网络的电力工作票生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628220A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649105A (zh) * | 2023-11-27 | 2024-03-05 | 国网江苏省电力有限公司扬州供电分公司 | 基于rpa流程自动化的变电站工作票智能填票方法及系统 |
CN117725841A (zh) * | 2024-02-04 | 2024-03-19 | 宝鸡核力材料科技有限公司 | 一种用于提升tc4卷带成材率的方法及系统 |
CN117788203A (zh) * | 2024-02-28 | 2024-03-29 | 西安华联电力电缆有限公司 | 一种改进的交联聚乙烯绝缘电力电缆的高效生产制备方法 |
CN117874565A (zh) * | 2023-11-27 | 2024-04-12 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于神经网络的工作票准确性检测方法 |
-
2023
- 2023-05-11 CN CN202310539867.3A patent/CN116628220A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649105A (zh) * | 2023-11-27 | 2024-03-05 | 国网江苏省电力有限公司扬州供电分公司 | 基于rpa流程自动化的变电站工作票智能填票方法及系统 |
CN117874565A (zh) * | 2023-11-27 | 2024-04-12 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于神经网络的工作票准确性检测方法 |
CN117649105B (zh) * | 2023-11-27 | 2024-05-31 | 国网江苏省电力有限公司扬州供电分公司 | 基于rpa流程自动化的变电站工作票智能填票方法 |
CN117725841A (zh) * | 2024-02-04 | 2024-03-19 | 宝鸡核力材料科技有限公司 | 一种用于提升tc4卷带成材率的方法及系统 |
CN117725841B (zh) * | 2024-02-04 | 2024-04-30 | 宝鸡核力材料科技有限公司 | 一种用于提升tc4卷带成材率的方法及系统 |
CN117788203A (zh) * | 2024-02-28 | 2024-03-29 | 西安华联电力电缆有限公司 | 一种改进的交联聚乙烯绝缘电力电缆的高效生产制备方法 |
CN117788203B (zh) * | 2024-02-28 | 2024-05-10 | 西安华联电力电缆有限公司 | 一种改进的交联聚乙烯绝缘电力电缆的高效生产制备方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023065545A1 (zh) | 风险预测方法、装置、设备及存储介质 | |
CN116628220A (zh) | 基于关系图卷积神经网络的电力工作票生成方法及系统 | |
Devaraj et al. | A holistic review on energy forecasting using big data and deep learning models | |
Wang et al. | A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
Guo et al. | Optimizing a stochastic disassembly line balancing problem with task failure via a hybrid variable neighborhood descent-artificial bee colony algorithm | |
US20230401390A1 (en) | Automatic concrete dam defect image description generation method based on graph attention network | |
CN116245033A (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
Varbella et al. | Geometric deep learning for online prediction of cascading failures in power grids | |
CN116402352A (zh) | 一种企业风险预测方法、装置、电子设备及介质 | |
Li et al. | An optimized GRNN‐enabled approach for power transformer fault diagnosis | |
Stødle et al. | Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation | |
Choi et al. | Improvement of cyber-attack detection accuracy from urban water systems using extreme learning machine | |
Wang et al. | Reliability analysis of complex electromechanical systems: State of the art, challenges, and prospects | |
CN114091361A (zh) | 基于气象事件的transformer模型构建方法 | |
Xu et al. | A composite quantile regression long short-term memory network with group lasso for wind turbine anomaly detection | |
CN116826743A (zh) | 一种基于联邦图神经网络的电力负荷预测方法 | |
Khodayar et al. | Deep Neural Networks in Power Systems: A Review | |
CN116702976A (zh) | 基于建模动态企业关系的企业资源预测方法以及装置 | |
Dold et al. | Neuro-symbolic computing with spiking neural networks | |
CN116108385A (zh) | 一种电力设备故障类型诊断方法及系统、终端、存储介质 | |
CN115630979A (zh) | 日前电价的预测方法、装置、存储介质及计算机设备 | |
Hou | Financial Abnormal Data Detection System Based on Reinforcement Learning | |
Li et al. | A Review of Intelligent Verification System for Distribution Automation Terminal based on Artificial Intelligence Algorithms | |
Gerlach et al. | Critical Success Factors for AI-driven Smart Energy Services. |
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 |