CN117273375A - 基于知识图谱的配网故障处置决策监管提升系统 - Google Patents
基于知识图谱的配网故障处置决策监管提升系统 Download PDFInfo
- Publication number
- CN117273375A CN117273375A CN202311352312.4A CN202311352312A CN117273375A CN 117273375 A CN117273375 A CN 117273375A CN 202311352312 A CN202311352312 A CN 202311352312A CN 117273375 A CN117273375 A CN 117273375A
- Authority
- CN
- China
- Prior art keywords
- decision
- fault
- distribution network
- value
- target
- 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.)
- Granted
Links
- 238000012795 verification Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 30
- 238000012216 screening Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 96
- 238000005516 engineering process Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/383—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了基于知识图谱的配网故障处置决策监管提升系统，属于配网故障处置决策监管提升技术领域，包括图谱模块、目标模块和检索提升模块；所述图谱模块用于建立企业的配网故障处置图谱；所述目标模块用于基于配网故障处置图谱确定对应的需要进行优化提升的目标项，所述检索提升模块用于根据各目标项进行实时处置决策提升方式检索，识别各目标项，根据获得的目标项设置各目标项对应的检索库，根据各目标项进行实时检索，将检索到的故障处置决策方式标记为检索决策方式；对各所述检索决策方式进行评估；将评估合格的检索决策方式标记为推荐决策方式，对各所述推荐决策方式进行验证；将验证通过的推荐决策方式标记为目标决策方式。
Description
技术领域
本发明属于配网故障处置决策监管提升技术领域，具体是基于知识图谱的配网故障处置决策监管提升系统。
背景技术
近几年来，经济高速的发展给各行各业带来了很大的发展，技术的改革成为各个行业成功的奥秘。电网建设规模的不断增加，配电线路设备的不断增多，使得居民的生活水平有了显著提高；随着配网规模的逐渐增大，人们越来越依赖电力设备，但是当前经常出现各种配网故障，影响供电使用；因此为了解决可能出现的配网故障问题，在各供电企业中应用有各种配网故障处置决策系统，通过应用配网故障处置决策系统来实现配网故障的智能决策；提高配网故障的处理效率。
但是在当前的各应用配网故障处置决策系统的相关企业中，缺乏一定的配网故障处置决策监管提升系统，当出现新的相关配网故障处置决策方式时，当前应用的配网故障处置决策系统中的相关决策功能得不到及时的提升和优化，使得企业中应用的相关配网故障处置决策方式得不到及时提升，优化决策方式；因此，为了解决上述问题，本发明提供了基于知识图谱的配网故障处置决策监管提升系统。
发明内容
为了解决上述方案存在的问题，本发明提供了基于知识图谱的配网故障处置决策监管提升系统，以解决现有的配网故障处置决策系统缺乏相应的监管提升的问题。
本发明的目的可以通过以下技术方案实现：
基于知识图谱的配网故障处置决策监管提升系统，包括图谱模块、目标模块和检索提升模块。
所述图谱模块用于建立企业的配网故障处置图谱。
进一步地，图谱模块的工作方法包括：
识别用户具有的各种配网故障数据；根据获得的各所述配网故障数据建立对应的故障关联图和决策关联图；
根据各故障类型与故障处置决策方式之间的对应关系将故障关联图和决策关联图进行对应连接合并，形成配网故障处置图谱；并根据相应配网故障数据的更新进行配网故障处置图谱的动态更新。
进一步地，故障关联图的建立方法包括：
识别所述配网故障数据中的各故障类型；根据所述配网故障数据确定各所述故障类型对应的待选关联单元；
对获得的待选关联单元进行筛选，获得对应的筛选单元；
根据各筛选单元确定所述故障类型对应的关联故障；将各故障类型作为故障单元，结合相应的关联故障建立故障关联图。
进一步地，关联故障的确定方法包括：
根据配网故障数据识别故障类型与对应筛选单元组合的量级份额；
统计各所述故障类型对应的故障发生概率，根据获得的故障发生概率设置对应的调整系数；
将各筛选单元对应的量级份额和调整系数分别标记为LG和δ；
根据关联评估公式PGL＝δ×LG计算对应的关联值PGL，将关联值大于阈值X1的筛选单元标记为该故障类型的关联故障。
进一步地，决策关联图的建立方法包括：
获取用户对各故障类型对应的故障处置决策方式，根据各故障处置决策方式确定相应的关联决策，将各故障处置决策方式作为决策单元，根据各决策单元对应的关联决策建立决策关联图。
所述目标模块用于基于配网故障处置图谱确定对应的需要进行优化提升的目标项，获取配网故障处置图谱，对获得的配网故障处置图谱进行实时识别，获得各待选项；对各待选项进行实时评估，获得对应的评估目标值，将评估目标值大于阈值X2的待选项标记为目标项。
进一步地，对待选项进行实时评估的方法包括：
获取各待选项的配网故障监测需求，根据获得的各所述待选项的配网故障监测需求设置对应的需求值；
实时获取各所述待选项对应的故障处置决策方式，获取所述故障处置决策方式对应的历史故障处理数据，根据所述历史故障处理数据获取对应的决策处理效率和决策处理效果；
根据获得的决策处理效率和决策处理效果设置对应的决策效率值和决策效果值；
根据获得的历史故障处理数据识别对应的最大处理效果和最低处理效果，根据获得的最高处理效果和最低处理效果设置对应的最大效果值和最低效果值；再根据获得的历史故障处理数据识别对应的最大效率值和最低效率值；
将获得的需求值、决策效率值、决策效果值、最大效率值、最低效率值、最大效果值和最低效果值输入到目标评估公式中，根据所述目标评估公式计算各待选项对应的目标评估值。
进一步地，目标评估公式为：
式中：MXK为目标评估值；b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1；XQ为需求值；XGmax为最大效果值；XGmin为最低效果值；XLmax为最大效率值；XLmin为最低效率值；XLc为决策效率值；XGc为决策效果值。
所述检索提升模块用于根据各目标项进行实时处置决策提升方式检索，识别各目标项，根据获得的目标项设置各目标项对应的检索库，根据各目标项进行实时检索，将检索到的故障处置决策方式标记为检索决策方式；对各所述检索决策方式进行评估，将评估合格的检索决策方式标记为推荐决策方式，对各所述推荐决策方式进行验证；将验证通过的推荐决策方式标记为目标决策方式，将目标决策方式替换该目标项对应的故障处置决策方式。
进一步地，对各检索决策方式进行评估的方法包括：
根据目标评估公式中对应参数对检索决策方式进行相应的数据采集，基于目标评估公式计算检索决策方式对应的检索评估值，标记为MXKj；识别目标项对应的目标评估值MXK；根据判断公式计算对应的判断值AGD，当判断值大于阈值X3时，视为评估合格，反之评估不合格。
与现有技术相比，本发明的有益效果是：
通过图谱模块和目标模块之间的相互配合，实现智能确定企业用户中需要进行监测优化提升的目标项，降低用户的人工参与程度，降低人工负担，同时提高工作效率，实现在众多的待选项中智能快速的确定适应企业用户的目标项，便于后续的智能分析。通过图谱模块、目标模块和检索提升模块之间的相互配合，实现对配网故障处置决策的实时监管和提升，及时发现符合提升优化的配网故障处置决策方式，做到及时向管理人员预警符合提升优化的配网故障处置决策方式，解决现有的配网故障处置决策系统缺乏相应的监管提升的问题。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明原理框图。
具体实施方式
下面将结合实施例对本发明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，都属于本发明保护的范围。
如图1所示，基于知识图谱的配网故障处置决策监管提升系统，包括图谱模块、目标模块和检索提升模块。
所述图谱模块用于建立企业的配网故障处置图谱，根据企业对应配电网具有的各种故障种类，与企业内对应应用的故障处置决策进行配对，再结合各故障之间的关联性和各处置决策之间的关联性进行整合，形成双层图谱组合的配网故障处置图谱。
图谱模块的具体工作方式如下：
获取配电网具有的各种配网故障数据，配网故障数据包括故障类型、共同出现的各关联故障、故障危害等相关数据；利用历史积累的大量配网故障数据进行汇总采集；一般选择该企业内数据库记录的相关故障数据，因为不同企业的管理、设备等差异，将会导致对应故障数据具有一定的差异；
识别配网故障数据中的各故障类型，识别各故障类型的关联故障，将各故障类型作为故障单元，结合相应的关联故障建立故障关联图；即将故障单元作为故障关联图中代表各个故障类型的图框；再根据各关联故障进行对应连接和位置调整，形成故障关联图。
获取企业内对各故障类型的故障处置决策方式，根据具有的各故障处置决策方式建立决策关联图。
根据各故障类型与故障处置决策方式之间的对应关系将故障关联图和决策关联图进行对应连接合并，形成配网故障处置图谱；后续根据企业数据的变化进行配网故障处置图谱的持续更新。
其中，关联故障的识别方法包括：
根据配网故障数据识别与故障类型共同出现的其他故障类型，将其他故障类型标记为该故障类型的待选关联单元。
根据对应配网故障数据中的故障类型顺序对待选关联单元进行筛选，获得筛选单元；即根据故障类型的并发顺序、发生顺序、关联顺序等进行筛选，将与该故障类型直接关联的保留下来，作为筛选单元；示例性的，某个故障类型有3个待选关联单元，分别为待选1、待选2、待选3；故障类型标记为故障1，而根据配电网故障数据和领域常识可知，故障关联为故障1→待选1→待选2，故障1→待选3→待选2，则筛选单元为待选1和待选3，待选2为待选1和待选2的筛选单元。
根据配网故障数据识别故障类型与对应筛选单元组合的量级份额，量级份额即该故障类型与相应筛选单元的组合在该故障类型对应的所有的配网故障数据中的次数占比。
统计各故障类型在该企业内的发生概率，标记为故障发生概率；根据获得的故障发生概率设置对应的调整系数，调整系数是根据故障发生概率的大小进行设置的，故障发生概率越大，调整系数越大，且调整系数的取值范围为[0，2]；预设调整系数为0和1时对应的故障发生概率临界值，后续模拟设置若干个对应的坐标点，利用数学技术，拟合一条匹配曲线，后续进行对应匹配即可；也可以基于CNN网络或DNN网络等建立对应的调整系数分析模型，通过人工的方式建立对应的训练集进行训练，训练集包括对应模拟设置的故障发生概率以及对应设置的调整系数，通过训练成功后的调整系数分析模型进行分析，获得对应的调整系数；因为神经网络为本领域的现有技术，因此具体的建立和训练过程在本发明中不进行详细叙述。
将各筛选单元对应的量级份额和调整系数分别标记为LG和δ；
根据关联评估公式PGL＝δ×LG计算对应的关联值PGL，将关联值大于阈值X1的筛选单元标记为该故障类型的关联故障。
决策关联图的建立方法包括：
识别具有的故障处置决策方式，根据各故障处置决策方式对应的技术原理等确定相互关联的关联决策，即根据该故障处置决策方式中相应技术更新、处置方式变化后，其他故障处置决策方式是否需要同步进行变化的判断进行确定，如某一故障处置决策方式经过判断需要进行优化提升，而另一故障处置决策方式的所应用的技术相同，可以按照相同或相似的方式进行优化提升，则认定为关联决策；
将各故障处置决策方式作为决策单元，根据各决策单元对应的关联决策建立决策关联图，当确定决策单元和关联决策后，决策关联图的建立方式与故障关联图的建立方式相似。
所述目标模块用于基于配网故障处置图谱确定对应的需要进行优化提升的目标项，目标项即为关注更新的故障类型；具体方法包括：
获取配网故障处置图谱，对获得的配网故障处置图谱进行实时识别，识别具有的需要进行动态监测更新的各故障类型，将识别的故障类型标记为待选项；对各待选项进行实时评估，获得对应的评估目标值，将评估目标值大于阈值X2的待选项标记为目标项。
其中，对待选项进行实时评估的方法包括：
根据各待选项的配网故障监测需求，设置各待选项对应的需求值；其中，需求值由企业用户自行设置，由企业用户根据其自身对各待选项的监管提升需求进行设置，即根据其对某些待选项的额外重视需求进行设置，用于提高该待选项的评估，若用户未设置需求值，则默认该待选项的需求值为0。
实时获取各待选项对应的故障处置决策方式，获取故障处置决策方式的历史故障处理数据，根据获得的历史故障处理数据获取对应的决策处理效率和决策处理效果，可以按照平均值、众数等数学方式确定对应的决策处理效率和决策处理效果；根据获得的决策处理效率和决策处理效果设置对应的决策效率值和决策效果值。
决策效率值即对应的处理效率；决策效果值根据对应待选项可能具有的决策处理效果进行匹配的，预设不同决策处理效果对应的效果值，后续进行相应的匹配即可，也可以利用现有的各种赋值方法为不同的决策处理效果进行赋值，实现量化处理，便于后续的处理计算；即预设对应的决策处理效果转化方法，用以实现根据对应的处理效果设置对应的效果值。
将获得的需求值、决策效率值、决策效果值分别标记为XQ、XLc和XGc。
根据获得的历史故障处理数据识别对应的最大处理效果和最低处理效果，根据获得的最大处理效果和最低处理效果设置对应的最大效果值和最低效果值，将获得的最大效果值和最低效果值分别标记为XGmax和XGmin；再根据获得的历史故障处理数据识别对应的最大效率值和最低效率值，将获得的最大效率值和最低效率值分别标记为XLmax和XLmin。
根据目标评估公式：
计算对应的目标评估值MKX，其中，b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1。
通过图谱模块和目标模块之间的相互配合，实现智能确定企业用户中需要进行监测优化提升的目标项，降低用户的人工参与程度，降低人工负担，同时提高工作效率，实现在众多的待选项中智能快速的确定适应企业用户的目标项，便于后续的智能分析。
所述检索提升模块用于根据各目标项进行实时处置决策提升方式检索，利用现有的大数据、各种行业数据库等，实时检索该目标项适合的优于当前故障处置决策方式的方法，标记为处置决策提升方式；具体方法如下：
识别各目标项，根据获得的目标项设置各目标项对应的检索库，即指定该目标项后续从哪些数据库中进行相应决策技术、方式等检索，将对应的数据库视为检索库；并预设对应的检索模型，用于基于各目标项在检索库中进行实时检索，可以利用现有的检索技术进行检索模型建立；根据检索模型进行各目标项对应的相关故障处置决策方式的实时检索，将检索到的故障处置决策方式标记为检索决策方式；对各检索决策方式进行评估，将评估合格的检索决策方式标记为推荐决策方式，由专家组对推荐决策方式进行验证；对于电力行业来说，应用的故障处置决策方式必须经过验证，保证符合要求后才能进行应用；将验证通过的推荐决策方式标记为目标决策方式，将目标决策方式替换该目标项对应的故障处置决策方式。
其中，对各检索决策方式进行评估的方法包括：
根据目标评估公式中对应参数对检索决策方式进行相应的数据采集，基于目标评估公式计算检索决策方式对应的检索评估值，标记为MXKj；识别目标项对应的目标评估值MXK；根据判断公式计算对应的判断值AGD，当判断值大于阈值X3时，视为评估合格，反之评估不合格。
通过图谱模块、目标模块和检索提升模块之间的相互配合，实现对配网故障处置决策的实时监管和提升，及时发现符合提升优化的配网故障处置决策方式，做到及时向管理人员预警符合提升优化的配网故障处置决策方式，解决现有的配网故障处置决策系统缺乏相应的监管提升的问题。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (8)
1.基于知识图谱的配网故障处置决策监管提升系统，其特征在于，包括图谱模块、目标模块和检索提升模块；
所述图谱模块用于建立企业的配网故障处置图谱；
所述目标模块用于基于配网故障处置图谱确定对应的需要进行优化提升的目标项，获取配网故障处置图谱，对获得的配网故障处置图谱进行实时识别，获得各待选项；
对各待选项进行实时评估，获得对应的评估目标值，将评估目标值大于阈值X2的待选项标记为目标项；
所述检索提升模块用于根据各目标项进行实时处置决策提升方式检索，识别各目标项，根据获得的目标项设置各目标项对应的检索库，根据各目标项进行实时检索，将检索到的故障处置决策方式标记为检索决策方式；对各所述检索决策方式进行评估；
将评估合格的检索决策方式标记为推荐决策方式，对各所述推荐决策方式进行验证；将验证通过的推荐决策方式标记为目标决策方式，将目标决策方式替换该目标项对应的故障处置决策方式。
2.根据权利要求1所述的基于知识图谱的配网故障处置决策监管提升系统，其特征在于，图谱模块的工作方法包括：
识别用户具有的各种配网故障数据；根据获得的各所述配网故障数据建立对应的故障关联图和决策关联图；
根据各故障类型与故障处置决策方式之间的对应关系将故障关联图和决策关联图进行对应连接合并，形成配网故障处置图谱；并根据相应配网故障数据的更新进行配网故障处置图谱的动态更新。
3.根据权利要求2所述的基于知识图谱的配网故障处置决策监管提升系统，其特征在于，故障关联图的建立方法包括：
识别所述配网故障数据中的各故障类型；根据所述配网故障数据确定各所述故障类型对应的待选关联单元；
对获得的待选关联单元进行筛选，获得对应的筛选单元；
根据各筛选单元确定所述故障类型对应的关联故障；将各故障类型作为故障单元，结合相应的关联故障建立故障关联图。
4.根据权利要求3所述的基于知识图谱的配网故障处置决策监管提升系统，其特征在于，关联故障的确定方法包括：
根据配网故障数据识别故障类型与对应筛选单元组合的量级份额；
统计各所述故障类型对应的故障发生概率，根据获得的故障发生概率设置对应的调整系数；
将各筛选单元对应的量级份额和调整系数分别标记为LG和δ；
根据关联评估公式计算对应的关联值PGL，将关联值大于阈值X1的筛选单元标记为该故障类型的关联故障；
关联评估公式为：PGL＝δ×LG。
5.根据权利要求2所述的基于知识图谱的配网故障处置决策监管提升系统，其特征在于，决策关联图的建立方法包括：
获取用户对各故障类型对应的故障处置决策方式，根据各故障处置决策方式确定相应的关联决策，将各故障处置决策方式作为决策单元，根据各决策单元对应的关联决策建立决策关联图。
6.根据权利要求1所述的基于知识图谱的配网故障处置决策监管提升系统，其特征在于，对待选项进行实时评估的方法包括：
获取各待选项的配网故障监测需求，根据获得的各所述待选项的配网故障监测需求设置对应的需求值；
实时获取各所述待选项对应的故障处置决策方式，获取所述故障处置决策方式对应的历史故障处理数据，根据所述历史故障处理数据获取对应的决策处理效率和决策处理效果；
根据获得的决策处理效率和决策处理效果设置对应的决策效率值和决策效果值；
根据获得的历史故障处理数据识别对应的最大处理效果和最低处理效果，根据获得的最高处理效果和最低处理效果设置对应的最大效果值和最低效果值；再根据获得的历史故障处理数据识别对应的最大效率值和最低效率值；
将获得的需求值、决策效率值、决策效果值、最大效率值、最低效率值、最大效果值和最低效果值输入到目标评估公式中，根据所述目标评估公式计算各待选项对应的目标评估值。
7.根据权利要求6所述的基于知识图谱的配网故障处置决策监管提升系统，其特征在于，目标评估公式为：
式中：MXK为目标评估值；b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1；XQ为需求值；XGmax为最大效果值；XGmin为最低效果值；XLmax为最大效率值；XLmin为最低效率值；XLc为决策效率值；XGc为决策效果值。
8.根据权利要求7所述的基于知识图谱的配网故障处置决策监管提升系统，其特征在于，对各检索决策方式进行评估的方法包括：
根据目标评估公式中对应参数对检索决策方式进行相应的数据采集，基于目标评估公式计算检索决策方式对应的检索评估值，标记为MXKj；识别目标项对应的目标评估值MXK；
根据判断公式计算对应的判断值AGD，当判断值大于阈值X3时，视为评估合格，反之评估不合格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311352312.4A CN117273375B (zh) | 2023-10-19 | 2023-10-19 | 基于知识图谱的配网故障处置决策监管提升系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311352312.4A CN117273375B (zh) | 2023-10-19 | 2023-10-19 | 基于知识图谱的配网故障处置决策监管提升系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117273375A true CN117273375A (zh) | 2023-12-22 |
| CN117273375B CN117273375B (zh) | 2024-04-02 |
Family
ID=89221518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311352312.4A Active CN117273375B (zh) | 2023-10-19 | 2023-10-19 | 基于知识图谱的配网故障处置决策监管提升系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273375B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362689A (zh) * | 2019-06-21 | 2019-10-22 | 深圳壹账通智能科技有限公司 | 一种风险评估方法、装置、存储介质和服务器 |
| CN111474444A (zh) * | 2020-04-14 | 2020-07-31 | 国网山东省电力公司电力科学研究院 | 一种基于知识图谱的线路故障复电决策方法 |
| WO2021189729A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳壹账通智能科技有限公司 | 复杂关系网络的信息分析方法、装置、设备及存储介质 |
| CN114328963A (zh) * | 2021-12-29 | 2022-04-12 | 安徽继远软件有限公司 | 基于知识图谱的故障处置辅助决策系统及方法 |
| CN114328950A (zh) * | 2021-12-03 | 2022-04-12 | 国网山西省电力公司电力科学研究院 | 配电网故障处置知识图谱构建、智能辅助决策系统及方法 |
| CN114817577A (zh) * | 2022-05-27 | 2022-07-29 | 国网河南省电力公司南阳供电公司 | 一种基于知识图谱电网知识共享及智能决策技术服务方法 |
| CN114936801A (zh) * | 2022-06-17 | 2022-08-23 | 王璨 | 基于大数据的配网调度运行管理方法 |
| CN115292518A (zh) * | 2022-08-18 | 2022-11-04 | 国家电网有限公司 | 基于知识型信息抽取的配电网故障处理方法及系统 |
| CN115639801A (zh) * | 2022-10-10 | 2023-01-24 | 合肥合锻智能制造股份有限公司 | 基于多智能体的故障诊断与分析决策平台 |
-
2023
- 2023-10-19 CN CN202311352312.4A patent/CN117273375B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362689A (zh) * | 2019-06-21 | 2019-10-22 | 深圳壹账通智能科技有限公司 | 一种风险评估方法、装置、存储介质和服务器 |
| WO2021189729A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳壹账通智能科技有限公司 | 复杂关系网络的信息分析方法、装置、设备及存储介质 |
| CN111474444A (zh) * | 2020-04-14 | 2020-07-31 | 国网山东省电力公司电力科学研究院 | 一种基于知识图谱的线路故障复电决策方法 |
| CN114328950A (zh) * | 2021-12-03 | 2022-04-12 | 国网山西省电力公司电力科学研究院 | 配电网故障处置知识图谱构建、智能辅助决策系统及方法 |
| CN114328963A (zh) * | 2021-12-29 | 2022-04-12 | 安徽继远软件有限公司 | 基于知识图谱的故障处置辅助决策系统及方法 |
| CN114817577A (zh) * | 2022-05-27 | 2022-07-29 | 国网河南省电力公司南阳供电公司 | 一种基于知识图谱电网知识共享及智能决策技术服务方法 |
| CN114936801A (zh) * | 2022-06-17 | 2022-08-23 | 王璨 | 基于大数据的配网调度运行管理方法 |
| CN115292518A (zh) * | 2022-08-18 | 2022-11-04 | 国家电网有限公司 | 基于知识型信息抽取的配电网故障处理方法及系统 |
| CN115639801A (zh) * | 2022-10-10 | 2023-01-24 | 合肥合锻智能制造股份有限公司 | 基于多智能体的故障诊断与分析决策平台 |
Non-Patent Citations (2)
| Title |
|---|
| 余建明;王小海;张越;刘艳;赵胜奥;单连飞;: "面向智能调控领域的知识图谱构建与应用", 电力系统保护与控制, no. 03, 1 February 2020 (2020-02-01) * |
| 刘杰;刘林志;: "基于知识图谱分析的产业创新评估预测模型研究", 现代情报, no. 06, 13 June 2018 (2018-06-13) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117273375B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145957B (zh) | 基于大数据的配电网异常指标的识别与处理方法及装置 | |
| WO2021073462A1 (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN112001572B (zh) | 一种工单智能分派方法 | |
| CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
| CN111930733A (zh) | 基于物联网监测的工业设备大数据存储系统 | |
| CN114971356A (zh) | 一种电力工程项目进度预测系统及方法 | |
| CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
| CN114896652B (zh) | 一种基于bim的工业建筑信息化控制终端 | |
| CN117273375B (zh) | 基于知识图谱的配网故障处置决策监管提升系统 | |
| CN116826976B (zh) | 一种配网运行自动化监管控制系统 | |
| CN115564180B (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
| CN106779245A (zh) | 基于事件的民航需求预测方法和装置 | |
| CN115392663A (zh) | 一种基于大数据的数据采集处理方法 | |
| CN113822587B (zh) | 一种基于总线电流数据的工厂产能评估方法 | |
| CN105719194A (zh) | 一种自动寻优型电力负荷分类方法 | |
| CN114997470A (zh) | 基于lstm神经网络的短期用电负荷预测方法 | |
| CN112785142B (zh) | 物联网污水处理设备预警智慧工单方法及其系统 | |
| CN114926258A (zh) | 通过异常偏差模型筛选校园财务异常数据的工作方法 | |
| CN112413832B (zh) | 一种基于用户行为的用户身份识别方法及其电器设备 | |
| CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
| CN113191569A (zh) | 一种基于大数据的企业管理方法及系统 | |
| CN112765549A (zh) | 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 | |
| CN113327047A (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
| CN111563665A (zh) | 一种电压质量管理方法 | |
| CN108666928A (zh) | 一种电力通信站巡视优化方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |