CN117436351B - 复杂气象下基于知识图谱的电网设备故障预测方法及系统 - Google Patents
复杂气象下基于知识图谱的电网设备故障预测方法及系统 Download PDFInfo
- Publication number
- CN117436351B CN117436351B CN202311752694.XA CN202311752694A CN117436351B CN 117436351 B CN117436351 B CN 117436351B CN 202311752694 A CN202311752694 A CN 202311752694A CN 117436351 B CN117436351 B CN 117436351B
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- knowledge
- prediction model
- nodes
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 25
- 239000010410 layer Substances 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06N3/048—Activation functions
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Water Supply & Treatment (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (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
本发明公开了复杂气象下基于知识图谱的电网设备故障预测方法及系统,通过Transformer和知识图谱技术作为预测的基本手段,并在训练过程中,同步训练Transformer预测模型和基于知识图谱预测模型的BP神经网络分类器,借助知识图谱的独特数据结构,找出相关联的节点和节点关系,进一步找到相关的历史案例数据,再进行调整以优化样本质量,进而使得预测准确率可以进一步提高。本发明综合运用Transformer模型和知识图谱作为概率预测的工具,数据和知识融合驱动的模式不仅会从所有历史数据记录中受益,也能充分利用知识进行故障预测,能够有效快速地预测出特定气象条件下电力系统设备事故的发生概率,极大提升了故障数据利用的灵活性,提高预测的准确性、可靠性、稳定性。
Description
技术领域
本发明涉及数据处理领域,特别涉及复杂气象下基于知识图谱的电网设备故障预测方法及系统。
背景技术
在电力运输的过程中,电网的安全性能十分重要,电力系统能否稳定运行将直接影响相关地区的生产生活。然而,在暴雨、雷暴雨等极端天气条件下,电网设备的运行环境会收到影响,导致电力系统事故,威胁电网设备的安全运行;也会对电网及电网设备造成物理结构上的破坏,引起级联故障,导致大面积停电。因此,电力系统设备的故障应当被及时发现、尽快排除。
现有技术中,公开(公告)号CN116910633A公开了一种基于多模态知识混合推理的电网故障预测方法,方法包括:采集电网多模态原始数据信息并进行预处理以获得多模态有效数据;在多模态有效数据上添加标签形式的标注信息,将多模态有效数据中的信息与知识图谱的实体、属性和关系进行对应,以获得多模态标签数据;针对多模态标签数据的每一种模态,分别采用对应的模态模型进行格式转换和知识抽取,而后采用文本相似度算法对多模态的知识抽取结果进行融合和对齐,从而获得多模态故障推理模型;以电网运行状态、4种复杂气象和地理位置数据作为输入,基于多模态故障推理模型,采用基于分布式表示的知识推理算法推理出当前环境下的电网故障类型,得到预测结果。
虽然现有技术大多可以实现部分故障的预测,但是目前现有技术中的预测方法在训练完成后,输入参数后直接输出结果,中间过程是不可控不可见的黑盒。因此现有技术想要提高准确性,只能是调整模型的参数,但实际上,如果准确性低的原因是训练样本质量不佳(例如某故障样本虽然处于极端天气,但造成故障的原因并不是天气因素),则无论如何调整参数都无法提高准确率,而黑盒形式由于不呈现中间过程,因此很难发现准确性低的源头是什么,导致预测准确率较低。并且复杂气象下的电网设备故障通常涉及因素较广,人工筛选高质量样本的工作量极大,效率极低。
因此急需一种能够在训练阶段准确找出影响准确率的因素,进而提高最终预测准确率的方案。
发明内容
针对现有技术存在的无法找出影响准确率的因素导致预测准确率较低的问题,本发明提供了复杂气象下基于知识图谱的电网设备故障预测方法及系统,通过Transformer和知识图谱技术作为预测的基本手段,并借助知识图谱的独特数据结构,与Transformer预测模型进行同步的训练和验证,以帮助找到影响其预测准确性的低质量样本并进行调整,解决了Transformer预测模型的黑盒形式导致的无法找出影响准确率的因素的难题,进而提高整体训练效果,提高最终的预测准确率。
以下是本发明的技术方案。
复杂气象下基于知识图谱的电网设备故障预测方法,包括以下步骤:
进行故障预测时,将气象数据、待预测设备数据输入同步训练、验证的Transformer预测模型和知识图谱预测模型,由Transformer预测模型输出第一预测结果,由知识图谱预测模型输出待预测设备节点的特征向量,将特征向量输入的逆向传播神经网络分类器得到第二预测结果,将第一预测结果和第二预测结果综合运算,输出不同事故类型发生的概率。
作为优选,所述Transformer预测模型和知识图谱预测模型的同步训练、验证过程包括:
步骤A:获取极端天气下电网设备事故发生的历史案例数据;
步骤B:对历史案例数据进行预处理,建立电网极端天气下的知识图谱预测模型,并构建基于知识图谱预测模型的逆向传播神经网络分类器;
步骤C:将预处理后的历史案例数据分为训练集和测试集,利用训练集训练Transformer预测模型和逆向传播神经网络分类器,利用测试集验证Transformer预测模型和逆向传播神经网络分类器;
如存在任意的验证结果未达到预设要求,则调整训练参数重新训练和验证,如仍然未达到预设要求,则调取知识图谱预测模型中相关节点和关系,基于调取的相关节点和关系调整历史案例数据,重新执行步骤B,如验证结果达到预设要求则完成。
本发明中,先基于获取的历史案例数据来构建知识图谱预测模型,再利用处理后的历史案例数据来训练Transformer预测模型和逆向传播神经网络分类器,以形成基础的预测能力,同时,由于Transformer预测模型的中间过程为黑盒,只能通过调整模型参数来试图提高准确率,本发明利用知识图谱具备完整数据结构的特点,通过实体节点和节点之间的关系,可以倒推出预测对象对应实体及关联实体的原本历史案例数据。当通过调整模型参数无法提高准确率时,表示样本质量存在问题,因此通过知识图谱找出并调整这些历史案例数据,可以提高样本质量,进而提高训练效果,提高最终的故障预测准确率。并且,本申请利用两套预测体系综合运算得到最终结果,预测准确率更加稳定。
作为优选,所述步骤A:获取极端天气下电网设备事故发生的历史案例数据,包括:
获取极端天气记录和电网设备事故记录,如两者的发生日期存在重合则合并为一次历史案例;
获取历史案例中当天的现场传感器采集的在线监测数据作为气象类数据;
获取历史案例中的地理类数据、设备数据和事故数据,并转为以文本形式描述的非结构化文本;
将历史案例对应的气象类数据、地理类数据、设备数据和事故数据组合为历史案例数据。
作为优选,所述步骤B中的对历史案例数据进行预处理,包括:
剔除历史案例数据中的异常值,填补缺失值,并将数据进行量化及归一化处理。
作为优选,所述步骤B中的建立电网极端天气下的知识图谱预测模型,包括:
提取历史案例数据中的气象类数据、地理类数据、设备数据和事故数据,构建电网极端天气知识图谱的本体模型,所述本体模型包括根据历史案例数据生成的地理类实体、气象类实体、设备类实体和事故类实体;
根据本体模型中实体和实体之间的关系构建电网极端天气下的知识图谱预测模型,所述电网极端天气下的知识图谱预测模型的每个节点对应一类实体;
将设备节点与事故节点的链接关系以一个维度为W的向量表示,向量中的每个元素的取值为0到1,代表W种设备故障情况的发生概率。
作为优选,所述知识图谱预测模型中,采用节点引力算法计算每一个设备节点与其他所有设备节点的节点相似度,并基于这些节点相似度构成相似度特征向量,包括:
对于知识图谱预测模型中每两个设备节点和/>,它们之间的节点相似度表示为:
;
式中,实体节点 是 />和 />的共同邻居节点中的一个,分母 />表示实体节点 />的度或称为连接数,分子 />表示实体节点 />的所有邻居节点中满足下面任意一个条件的实体节点的个数:
(a)该邻居节点是实体节点或实体节点/>本身;
(b)该邻居节点同时是实体节点和实体节点 />的邻居节点;
通过上式计算得到待预测设备节点与知识图谱预测模型中其他所有设备节点的节点相似度,组成了相似度特征向量。
作为优选,所述步骤C中的将预处理后的历史案例数据分为训练集和测试集,包括:
将预处理后的历史案例数据按照3:1的比例分为训练集和测试集。
作为优选,所述步骤C中,逆向传播神经网络分类器的训练过程包括:
采用所述知识图谱预测模型中所有设备节点的相似度特征向量和历史案例的标签值训练逆向传播神经网络分类器;
所述逆向传播神经网络分类器取单层时的计算公式为:
;
其中,Y表示最终的预测向量,sigmoid为激活函数,H表示输入的相似度特征向量,W和f是分类器模型参数;
在训练过程中,采用均方损失函数衡量预测向量与历史案例的标签值的偏差值,每一次迭代时均利用反向传播更新模型参数值,直到均方损失函数数值小于预设的目标时结束迭代,得到训练好的逆向传播神经网络分类器;
其中均方损失函数表示为:
;
其中, 是输出概率值, />是标签概率值,n为训练样本数,i为样本编号。
作为优选,所述步骤C中,如存在任意的验证结果未达到预设要求,则调整训练参数重新训练和验证,包括:
对于Transformer预测模型,在测试集上测试Transformer预测模型的准确率,如准确率未达到预设要求,则调整注意力头数、隐藏层大小、层数来重新训练和验证;
对于逆向传播神经网络分类器,在测试集上测试逆向传播神经网络分类器的准确率,如果均方损失函数值不符合预设要求,则调整超参数或重新设计逆向传播神经网络分类器层数与隐藏层节点个数来重新训练和验证。
作为优选,所述步骤C中,调取知识图谱预测模型中相关节点和关系,基于调取的相关节点和关系调整历史案例数据,包括:
根据当前的验证结果,获取相关的设备节点、事故节点、地理节点、气象节点以及节点之间的链接关系;
从历史案例数据中筛选出带有上述节点及链接关系的待调整案例;
删除至少一项待调整案例,以调整历史案例数据,得到更新后的历史案例数据。
本发明中,由于知识图谱预测模型的相关节点和关系是由历史案例数据得出,因此通过查看和预测结果相关的节点和关系,可以反推得到原本的历史案例数据,在必要时删除全部或部分待调整案例,以提高整体样本质量,便于训练获取设备故障与气象之间的实际规律。
作为优选,所述步骤D中的将第一预测结果和第二预测结果综合运算,输出不同事故类型发生的概率,包括:
综合运算模型表示为:
;
其中, 表示Transformer预测模型输出的第一预测结果, />表示逆向传播神经网络分类器出的第二预测结果,A 、B为综合运算模型参数,数值区间为[0,1],通过分类训练或人工调节获得,/>表示预测设备不同事故类型发生的概率。
本发明还提供复杂气象下基于知识图谱的电网设备故障预测系统,用于执行上述的复杂气象下基于知识图谱的电网设备故障预测方法,包括:
故障预测模块:用于在进行故障预测时,将气象数据、待预测设备数据输入同步训练、验证的Transformer预测模型和知识图谱预测模型,由Transformer预测模型输出第一预测结果,由知识图谱预测模型输出待预测设备节点的特征向量,将特征向量输入的逆向传播神经网络分类器得到第二预测结果,将第一预测结果和第二预测结果综合运算,输出不同事故类型发生的概率。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现上述复杂气象下基于知识图谱的电网设备故障预测方法的步骤。
本发明还提供一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现上述复杂气象下基于知识图谱的电网设备故障预测方法的步骤。
本发明的实质性效果包括:
综合运用Transformer模型和知识图谱作为概率预测的工具,数据和知识融合驱动的模式不仅会从所有历史数据记录中受益,也能充分利用知识进行故障预测,能够有效快速地预测出特定气象、地理、设备条件下电力系统设备事故的发生概率,并在数据量不大时依然能够进行预测,极大提升了故障数据利用的灵活性,有利于运维人员进行设备维护决策,提升电力设备运维智能化水平。
并且,Transformer预测模型和知识图谱分别基于不同的原理和机制,可以各自捕捉到不同的特征和规律。将两者的预测结果综合起来,可以互相补充,降低单一模型的不确定性,提高预测的准确性、可靠性、稳定性。并且还可以根据实际情况对两者的权重进行优化分配,这可以使得综合运算的结果更加符合实际情况,提高预测的准确性和可信度。
同时,针对Transformer预测模型的过程不可见,导致样本质量难以判断的问题,通过同步训练和使用基于知识图谱预测模型的逆向传播神经网络分类器,在出现预测准确率较低时,能够通过知识图谱预测模型找出相关联的节点和节点关系,进一步找到相关的历史案例数据,再进行调整或删除,以优化样本质量,进而使得Transformer预测模型的预测准确率可以进一步提高。
附图说明
图1是本发明实施例的流程图;
图2是本发明实施例的Transformer预测模型的工作原理图。
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,下面将结合实施例,对本技术方案进行清楚、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。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“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。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
下面以具体的实施例对本发明的技术方案进行详细说明。实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例:
复杂气象下基于知识图谱的电网设备故障预测方法,如图1所示,包括以下步骤:
S1:获取极端天气下电网设备事故发生的历史案例数据,包括:
获取极端天气记录和电网设备事故记录,如两者的发生日期存在重合则合并为一次历史案例;
获取历史案例中当天的现场传感器采集的在线监测数据作为气象类数据;
获取历史案例中的地理类数据、设备数据和事故数据,并转为以文本形式描述的非结构化文本;
将历史案例对应的气象类数据、地理类数据、设备数据和事故数据组合为历史案例数据。
例如,在本实施例中,输入数据中气象类数据包括:气温(°C)、风速或者最大持续风速(m/s)、是否含有冰雹天气(1/0)、平均瞬时降雨量或最大瞬时降雨量(mm/h)、累计降水量/积水深度(mm)、雷电流幅值(kA)、闪电频率(次/h)、回击数(1)、气压(百帕)、灾害发生时间;地理类数据包括:地表类型、植被类型、输电走廊宽度(m)、河网密度(m/km2)、路网密度(m/km2)、地表植被覆盖率(%)、区域树木高度(m)、是否特殊场景区((1/0)山林区、河湖区、施工区、农业区、工业区、山火多发区、雷电多发区、地震多发区、三跨区等);设备数据包括:是直流还是交流、设备类型(变压器、母线、电缆等)、设备经度、设备纬度、设备海拔(m)、电压等级(kV)、是否室外(1/0)、电容电抗、运行电流(kA)、运行电压(kV)、线路潮流、历史故障次数、设备寿命、故障频率(次/月)。
考虑到极端天气对电力系统设备的影响是除气象条件之外,加上地理环境、设备状态共同作用的结果。因此,引入地理和设备信息作为事故概率预测的补充有利于提高预测结果的准确率。
S2:对历史案例数据进行预处理,建立电网极端天气下的知识图谱预测模型,并构建基于知识图谱预测模型的BP(逆向传播)神经网络分类器,包括:
剔除历史案例数据中的异常值,填补缺失值,并将数据进行量化及归一化处理;
归一化处理具体公式如下所示:
;
式中:为归一化处理后的数据; D为处理前的数据;/>、/>分别为训练数据集中各类数据的最大值和最小值;
提取历史案例数据中的气象类数据、地理类数据、设备数据和事故数据,构建电网极端天气知识图谱的本体模型,所述本体模型包括根据历史案例数据生成的地理类实体、气象类实体、设备类实体和事故类实体;
根据本体模型中实体和实体之间的关系构建电网极端天气下的知识图谱预测模型,所述电网极端天气下的知识图谱预测模型的每个节点对应一类实体;
将设备节点与事故节点的链接关系以一个维度为W的向量表示,向量中的每个元素的取值为0到1,代表W种设备故障情况的发生概率。
本实施例中,知识图谱预测模型的每个节点对应的实体信息储存到neo4j图数据库中以供后续步骤的读取与计算。
在本实施例的知识图谱预测模型中,采用节点引力算法计算每一个设备节点与其他所有设备节点的节点相似度,并基于这些节点相似度构成相似度特征向量,包括:
对于知识图谱预测模型中每两个设备节点和/>,它们之间的节点相似度表示为:
;
式中,实体节点 是 />和 />的共同邻居节点中的一个,分母 />表示实体节点 />的度或称为连接数,分子/>表示实体节点 />的所有邻居节点中满足下面任意一个条件的实体节点的个数:
(a)该邻居节点是实体节点 或实体节点 />本身;
(b)该邻居节点同时是实体节点 和实体节点 />的邻居节点;
通过上式计算得到待预测设备节点与知识图谱预测模型中其他所有设备节点的节点相似度,组成了相似度特征向量。
S3:将预处理后的历史案例数据分为训练集和测试集,利用训练集训练Transformer预测模型和BP神经网络分类器,利用测试集验证Transformer预测模型和BP神经网络分类器;如存在任意的验证结果未达到预设要求,则调整训练参数重新训练和验证,如仍然未达到预设要求,则调取知识图谱预测模型中相关节点和关系,基于调取的相关节点和关系调整历史案例数据,重新执行S2,如验证结果达到预设要求则执行S4。
在本实施例中,将预处理后的历史案例数据按照3:1的比例分为训练集和测试集。
本实施例所构建的Transformer预测模型,其整体架构分为四个模块:输入模块、编码模块、解码模块与输出模块。输入模块包括:数据嵌入层及其位置编码器,采用数据输入编码策略;编码器模块与解码器模块包括:自注意力模块、规范化层、前馈全连接子层和残差连接模块;输出模块包括:线性层与softmax层。
参考图2,所述数据嵌入层及其位置编码器指对输入序列中的每个数据进行词嵌入(Word Embedding,WE)操作,将输入序列中的每个数值均映射为512维的特征行向量,之后通过正余弦函数对输入序列进行编码并生成固定的绝对位置表示,即位置编码(PositionalEncoding,PE),再将其与之前完成词嵌入的序列对位相加。其位置编码公式如下:
;
;
式中:为某时间步数据所在输入序列中的位置索引 />为输入序列词嵌入的维度;m为向量的某一维度。
上述自注意力模块将输入序列映射为问题-键-值(query-key-value)并计算一个问题与所有键的点积以得到权重,从而学习到每个数据与序列中所有其他数据之间的相对重要性。其计算过程如下:
;
;
式中:代表问题;/>代表键; />代表值,并以词嵌入维度 />作为缩放因子,问题矩阵 />、键矩阵/> 、值矩阵 />:式中:/>、/>、/>为随着电力负荷预测模型训练而不停学习更新的权值矩阵。
进一步,编码器、解码器部分包括多头自注意力层,该机制将单个注意力拆分成8个,并在这些组内分别进行注意力操作,最后将每个小组的输出重新拼接为原始大小,作为多头注意力层的输出。
另外在S3中,BP神经网络分类器的训练过程包括:
采用所述知识图谱预测模型中所有设备节点的相似度特征向量和历史案例的标签值训练BP神经网络分类器;
所述BP神经网络分类器取单层时的计算公式为:
;
其中,Y表示最终的预测向量,sigmoid为激活函数,H表示输入的相似度特征向量,W和f是分类器模型参数;
在训练过程中,采用均方损失函数衡量预测向量与历史案例的标签值的偏差值,每一次迭代时均利用反向传播更新模型参数值,直到均方损失函数数值小于预设的目标时结束迭代,得到训练好的BP神经网络分类器;
其中均方损失函数表示为:
;
其中, 是输出概率值,/>是标签概率值,n为训练样本数,i为样本编号。
进一步,在S3中,如存在任意的验证结果未达到预设要求,则调整训练参数重新训练和验证,包括:
对于Transformer预测模型,在测试集上测试Transformer预测模型的准确率,如准确率未达到预设要求,则调整注意力头数、隐藏层大小、层数来重新训练和验证;
对于BP神经网络分类器,在测试集上测试BP神经网络分类器的准确率,如果均方损失函数值不符合预设要求,则调整超参数或重新设计BP神经网络分类器层数与隐藏层节点个数来重新训练和验证。
并且,如经过参数调整后,仍然未达到预设要求,则调取知识图谱预测模型中相关节点和关系,基于调取的相关节点和关系调整历史案例数据,包括:
根据当前的验证结果,获取相关的设备节点、事故节点、地理节点、气象节点以及节点之间的链接关系;
从历史案例数据中筛选出带有上述节点及链接关系的待调整案例;
删除至少一项待调整案例,以调整历史案例数据,得到更新后的历史案例数据。
例如,在对某年1月5日的大雪天气下甲设备的故障预测过程中,经过参数调整后,仍然未达到预设要求,则根据预测对象和其他相关数据,从知识图谱预测模型的neo4j图数据库中找到对应的实体信息,再将这些实体信息与实力案例数据进行匹配,即可得到待调整案例。
本实施例中,由于知识图谱预测模型的相关节点和关系是由历史案例数据得出,因此通过查看和预测结果相关的节点和关系,可以反推得到原本的历史案例数据,在必要时删除全部或部分待调整案例,以提高整体样本质量,便于训练获取设备故障与气象之间的实际规律。
S4:进行故障预测时,将气象数据、待预测设备数据输入Transformer预测模型和知识图谱预测模型,由Transformer预测模型输出第一预测结果,由知识图谱预测模型输出待预测设备节点的特征向量,将特征向量输入的BP神经网络分类器得到第二预测结果,将第一预测结果和第二预测结果综合运算,输出不同事故类型发生的概率。
在本实施例中,综合运算模型表示为:
;
其中, 表示Transformer预测模型输出的第一预测结果,/> 表示BP神经网络分类器出的第二预测结果,A、B 为综合运算模型参数,数值区间为[0,1],通过分类训练或人工调节获得,/>表示预测设备不同事故类型发生的概率。
即,预测时,Transformer预测模型输入为处理后的待预测设备的地理、设备信息数据和气象的预测数据,得到对不同事故类型发生概率的预测结果;知识图谱预测模型,通过节点引力算法可以计算出待预测的设备节点与其他所有设备节点的节点相似度,构成待预测设备节点的特征向量。将待预测设备节点的特征向量输入经过训练的BP神经网络分类器,即可得到对不同事故类型发生概率的预测结果;两个模型结果通过综合运算模块最终得到输出,为不同事故类型发生的概率。
在本实施例中,输出数据为不同类型故障的发生概率(0-1),故障类型包括线路跳闸/线路停运(普通交流)、特高压交/直流线路、密集通道、机组停运(包括新能源机组被迫停运)、厂站失电、新能源功率剧烈波动、母线失电、变压器故障等。
另外,本实施例还提供复杂气象下基于知识图谱的电网设备故障预测系统,用于执行上述的复杂气象下基于知识图谱的电网设备故障预测方法,包括:
数据获取模块:用于获取极端天气下电网设备事故发生的历史案例数据;
知识图谱模块:用于对历史案例数据进行预处理,建立电网极端天气下的知识图谱预测模型,并构建基于知识图谱预测模型的BP神经网络分类器;
模型训练模块:用于将预处理后的历史案例数据分为训练集和测试集,利用训练集训练Transformer预测模型和BP神经网络分类器,利用测试集验证Transformer预测模型和BP神经网络分类器;
数据调整模块,用于如存在任意的验证结果未达到预设要求,则调整训练参数重新训练和验证,如仍然未达到预设要求,则调取知识图谱预测模型中相关节点和关系,基于调取的相关节点和关系调整历史案例数据,重新执行知识图谱模块,如验证结果达到预设要求则执行故障预测模块;
故障预测模块:用于在进行故障预测时,将气象数据、待预测设备数据输入Transformer预测模型和知识图谱预测模型,由Transformer预测模型输出第一预测结果,由知识图谱预测模型输出待预测设备节点的特征向量,将特征向量输入的BP神经网络分类器得到第二预测结果,将第一预测结果和第二预测结果综合运算,输出不同事故类型发生的概率。
本实施例先基于获取的历史案例数据来构建知识图谱预测模型,再利用处理后的历史案例数据来训练Transformer预测模型和BP神经网络分类器,以形成基础的预测能力,同时,由于Transformer预测模型的中间过程为黑盒,只能通过调整模型参数来试图提高准确率,本发明利用知识图谱具备完整数据结构的特点,通过实体节点和节点之间的关系,可以倒推出预测对象对应实体及关联实体的原本历史案例数据。当通过调整模型参数无法提高准确率时,表示样本质量存在问题,因此通过知识图谱找出并调整这些历史案例数据,可以提高样本质量,进而提高训练效果,提高最终的故障预测准确率。并且,本申请利用两套预测体系综合运算得到最终结果,预测准确率更加稳定。
作为补充,本实施例还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现上述复杂气象下基于知识图谱的电网设备故障预测方法的步骤。
作为补充,本实施例还提供一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现上述复杂气象下基于知识图谱的电网设备故障预测方法的步骤。
综上所述,本实施例综合运用Transformer模型和知识图谱作为概率预测的工具,数据和知识融合驱动的模式不仅会从所有历史数据记录中受益,也能充分利用知识进行故障预测,能够有效快速地预测出特定气象、地理、设备条件下电力系统设备事故的发生概率,并在数据量不大时依然能够进行预测,极大提升了故障数据利用的灵活性,有利于运维人员进行设备维护决策,提升电力设备运维智能化水平。
并且,Transformer预测模型和知识图谱分别基于不同的原理和机制,可以各自捕捉到不同的特征和规律。将两者的预测结果综合起来,可以互相补充,降低单一模型的不确定性,提高预测的准确性、可靠性、稳定性。并且还可以根据实际情况对两者的权重进行优化分配,这可以使得综合运算的结果更加符合实际情况,提高预测的准确性和可信度。
同时,针对Transformer预测模型的过程不可见,导致样本质量难以判断的问题,通过同步训练和使用基于知识图谱预测模型的BP神经网络分类器,在出现预测准确率较低时,能够通过知识图谱预测模型找出相关联的节点和节点关系,进一步找到相关的历史案例数据,再进行调整或删除,以优化样本质量,进而使得Transformer预测模型的预测准确率可以进一步提高。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中可以根据需要而将上述功能分配由不同的功能模块完成,即将具体装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中,应该理解到,所揭露的结构和方法,可以通过其它的方式实现。例如,以上所描述的关于结构的实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个结构,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,结构或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (12)
1.复杂气象下基于知识图谱的电网设备故障预测方法,其特征在于,包括以下步骤:
进行故障预测时,将气象数据、待预测设备数据输入同步训练、验证的Transformer预测模型和知识图谱预测模型,由Transformer预测模型输出第一预测结果,由知识图谱预测模型输出待预测设备节点的特征向量,将特征向量输入的逆向传播神经网络分类器得到第二预测结果,将第一预测结果和第二预测结果综合运算,输出不同事故类型发生的概率;
通过与Transformer预测模型同步训练和使用的基于知识图谱预测模型的逆向传播神经网络分类器,在出现预测准确率较低时,通过知识图谱预测模型找出相关联的节点和节点关系,进一步找到相关的历史案例数据,再进行调整或删除,以优化样本质量,进而使得Transformer预测模型的预测准确率进一步提高;
所述Transformer预测模型和知识图谱预测模型的同步训练、验证过程包括:
步骤A:获取极端天气下电网设备事故发生的历史案例数据;
步骤B:对历史案例数据进行预处理,建立电网极端天气下的知识图谱预测模型,并构建基于知识图谱预测模型的逆向传播神经网络分类器;
步骤C:将预处理后的历史案例数据分为训练集和测试集,利用训练集训练Transformer预测模型和逆向传播神经网络分类器,利用测试集验证Transformer预测模型和逆向传播神经网络分类器;
如存在任意的验证结果未达到预设要求,则调整训练参数重新训练和验证,如仍然未达到预设要求,则调取知识图谱预测模型中相关节点和关系,基于调取的相关节点和关系调整历史案例数据,重新执行步骤B,如验证结果达到预设要求则完成;
所述步骤C中,调取知识图谱预测模型中相关节点和关系,基于调取的相关节点和关系调整历史案例数据,包括:
根据当前的验证结果,获取相关的设备节点、事故节点、地理节点、气象节点以及节点之间的链接关系;
从历史案例数据中筛选出带有上述节点及链接关系的待调整案例;
删除至少一项待调整案例,以调整历史案例数据,得到更新后的历史案例数据;
其中,从历史案例数据中筛选出带有上述节点及链接关系的待调整案例,包括:从知识图谱预测模型的neo4j图数据库中找到对应的实体信息,再将这些实体信息与历史案例数据进行匹配,得到待调整案例。
2.根据权利要求1所述的复杂气象下基于知识图谱的电网设备故障预测方法,其特征在于,所述步骤A:获取极端天气下电网设备事故发生的历史案例数据,包括:
获取极端天气记录和电网设备事故记录,如两者的发生日期存在重合则合并为一次历史案例;
获取历史案例中当天的现场传感器采集的在线监测数据作为气象类数据;
获取历史案例中的地理类数据、设备数据和事故数据,并转为以文本形式描述的非结构化文本;
将历史案例对应的气象类数据、地理类数据、设备数据和事故数据组合为历史案例数据。
3.根据权利要求1所述的复杂气象下基于知识图谱的电网设备故障预测方法,其特征在于,所述步骤B中的对历史案例数据进行预处理,包括:
剔除历史案例数据中的异常值,填补缺失值,并将数据进行量化及归一化处理。
4.根据权利要求1所述的复杂气象下基于知识图谱的电网设备故障预测方法,其特征在于,所述步骤B中的建立电网极端天气下的知识图谱预测模型,包括:
提取历史案例数据中的气象类数据、地理类数据、设备数据和事故数据,构建电网极端天气知识图谱的本体模型,所述本体模型包括根据历史案例数据生成的地理类实体、气象类实体、设备类实体和事故类实体;
根据本体模型中实体和实体之间的关系构建电网极端天气下的知识图谱预测模型,所述电网极端天气下的知识图谱预测模型的每个节点对应一类实体;
将设备节点与事故节点的链接关系以一个维度为W的向量表示,向量中的每个元素的取值为0到1,代表W种设备故障情况的发生概率。
5.根据权利要求4所述的复杂气象下基于知识图谱的电网设备故障预测方法,其特征在于,所述知识图谱预测模型中,采用节点引力算法计算每一个设备节点与其他所有设备节点的节点相似度,并基于这些节点相似度构成相似度特征向量,包括:
对于知识图谱预测模型中每两个设备节点α和β,它们之间的节点相似度表示为:
;
式中,实体节点是/>和/>的共同邻居节点中的一个,分母 />表示实体节点的度或称为连接数,分子 />表示实体节点 />的所有邻居节点中满足下面任意一个条件的实体节点的个数:
(a)该邻居节点是实体节点 或实体节点 />本身;
(b)该邻居节点同时是实体节点 和实体节点 />的邻居节点;
通过上式计算得到待预测设备节点与知识图谱预测模型中其他所有设备节点的节点相似度,组成了相似度特征向量。
6.根据权利要求1所述的复杂气象下基于知识图谱的电网设备故障预测方法,其特征在于,所述步骤C中的将预处理后的历史案例数据分为训练集和测试集,包括:
将预处理后的历史案例数据按照3:1的比例分为训练集和测试集。
7.根据权利要求1所述的复杂气象下基于知识图谱的电网设备故障预测方法,其特征在于,所述步骤C中,逆向传播神经网络分类器的训练过程包括:
采用所述知识图谱预测模型中所有设备节点的相似度特征向量和历史案例的标签值训练逆向传播神经网络分类器;
所述逆向传播神经网络分类器取单层时的计算公式为:
;
其中,Y表示最终的预测向量,sigmoid为激活函数,H表示输入的相似度特征向量,W和f是分类器模型参数;
在训练过程中,采用均方损失函数衡量预测向量与历史案例的标签值的偏差值,每一次迭代时均利用反向传播更新模型参数值,直到均方损失函数数值小于预设的目标时结束迭代,得到训练好的逆向传播神经网络分类器;
其中均方损失函数表示为:
;
其中, 是输出概率值, />是标签概率值,n为训练样本数,i为样本编号。
8.根据权利要求7所述的复杂气象下基于知识图谱的电网设备故障预测方法,其特征在于,所述步骤C中,如存在任意的验证结果未达到预设要求,则调整训练参数重新训练和验证,包括:
对于Transformer预测模型,在测试集上测试Transformer预测模型的准确率,如准确率未达到预设要求,则调整注意力头数、隐藏层大小、层数来重新训练和验证;
对于逆向传播神经网络分类器,在测试集上测试逆向传播神经网络分类器的准确率,如果均方损失函数值不符合预设要求,则调整超参数或重新设计逆向传播神经网络分类器层数与隐藏层节点个数来重新训练和验证。
9.根据权利要求1所述的复杂气象下基于知识图谱的电网设备故障预测方法,其特征在于,所述将第一预测结果和第二预测结果综合运算,输出不同事故类型发生的概率,包括:
综合运算模型表示为:
;
其中, 表示Transformer预测模型输出的第一预测结果,/>表示逆向传播神经网络分类器出的第二预测结果,A、B为综合运算模型参数,数值区间为[0,1],通过分类训练或人工调节获得, />表示预测设备不同事故类型发生的概率。
10.复杂气象下基于知识图谱的电网设备故障预测系统,用于执行如权利要求1-9中任意一项所述的复杂气象下基于知识图谱的电网设备故障预测方法,其特征在于,包括:
故障预测模块:用于在进行故障预测时,将气象数据、待预测设备数据输入同步训练、验证的Transformer预测模型和知识图谱预测模型,由Transformer预测模型输出第一预测结果,由知识图谱预测模型输出待预测设备节点的特征向量,将特征向量输入的逆向传播神经网络分类器得到第二预测结果,将第一预测结果和第二预测结果综合运算,输出不同事故类型发生的概率。
11.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如权利要求1至9中任意一项所述的复杂气象下基于知识图谱的电网设备故障预测方法的步骤。
12.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至9中任意一项所述的复杂气象下基于知识图谱的电网设备故障预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311752694.XA CN117436351B (zh) | 2023-12-19 | 2023-12-19 | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311752694.XA CN117436351B (zh) | 2023-12-19 | 2023-12-19 | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436351A CN117436351A (zh) | 2024-01-23 |
CN117436351B true CN117436351B (zh) | 2024-03-29 |
Family
ID=89555601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311752694.XA Active CN117436351B (zh) | 2023-12-19 | 2023-12-19 | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436351B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183878A (zh) * | 2020-10-13 | 2021-01-05 | 东北大学 | 一种结合知识图谱与神经网络的电力负荷预测方法 |
CN113469457A (zh) * | 2021-07-22 | 2021-10-01 | 中国电力科学研究院有限公司 | 融合注意力机制的输电线路故障概率预测方法 |
CN114676746A (zh) * | 2022-02-18 | 2022-06-28 | 上海交通大学 | 一种自然灾害下电力设备故障概率预测方法及系统 |
CN116780530A (zh) * | 2023-07-04 | 2023-09-19 | 贵州黔驰信息股份有限公司 | 面向大规模新能源接入电网薄弱环节识别预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114168745B (zh) * | 2021-11-30 | 2022-08-09 | 大连理工大学 | 面向环氧乙烷衍生品生产过程的知识图谱构建方法 |
-
2023
- 2023-12-19 CN CN202311752694.XA patent/CN117436351B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183878A (zh) * | 2020-10-13 | 2021-01-05 | 东北大学 | 一种结合知识图谱与神经网络的电力负荷预测方法 |
CN113469457A (zh) * | 2021-07-22 | 2021-10-01 | 中国电力科学研究院有限公司 | 融合注意力机制的输电线路故障概率预测方法 |
CN114676746A (zh) * | 2022-02-18 | 2022-06-28 | 上海交通大学 | 一种自然灾害下电力设备故障概率预测方法及系统 |
CN116780530A (zh) * | 2023-07-04 | 2023-09-19 | 贵州黔驰信息股份有限公司 | 面向大规模新能源接入电网薄弱环节识别预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
A_temporal_knowledge_graphs_prediction_method_for_community_gas_risk;Lei Zhao;《2022 4th International Conference on Intelligent Information Processing (IIP)》;20230615;第23-27页 * |
大型水轮发电机组水淹水车室预警决策模型研究;靳帅;郑建民;;四川水力发电;20200615(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117436351A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kezunovic et al. | Big data analytics for future electricity grids | |
CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
Li et al. | Application of the artificial neural network and support vector machines in forest fire prediction in the guangxi autonomous region, China | |
CN110019595B (zh) | 一种多源气象数据集成方法及系统 | |
CN107766879A (zh) | 基于特征信息抽取的mlp电网故障原因诊断方法 | |
CN111897030A (zh) | 一种雷暴预警系统及方法 | |
Wang et al. | Predicting wind-caused floater intrusion risk for overhead contact lines based on Bayesian neural network with spatiotemporal correlation analysis | |
Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
Sun et al. | An ensemble system to predict the spatiotemporal distribution of energy security weaknesses in transmission networks | |
Kezunovic et al. | Systematic framework for integration of weather data into prediction models for the electric grid outage and asset management applications | |
CN116151459B (zh) | 基于改进Transformer的电网防汛风险概率预测方法和系统 | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
CN111126672A (zh) | 一种基于分类决策树的高压架空输电线路台风灾害预测方法 | |
Deng et al. | [Retracted] Risk Assessment and Prediction of Rainstorm and Flood Disaster Based on Henan Province, China | |
CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN115730749A (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
Udeh et al. | Autoregressive modeling of utility customer outages with deep neural networks | |
Wang et al. | CNN-BiLSTM-attention model in forecasting wave height over South-East China Seas | |
CN117436351B (zh) | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 | |
CN117200352A (zh) | 一种基于云边融合的光伏发电调控方法及系统 | |
CN117077532A (zh) | 风电机组寿命预测的多模型融合方法 | |
CN106655181A (zh) | 电网节点的优先级设置方法和系统 | |
CN115980885A (zh) | 基于集合预报的降水预报偏差校正方法 | |
Lee et al. | Constructing efficient regional hazardous weather prediction models through big data analysis | |
CN116243103A (zh) | 基于多源数据的输变电设备状态智能感知预警方法 |
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 |