CN117647697B - 一种基于知识图谱的电力计量流水线故障定位方法及系统 - Google Patents
一种基于知识图谱的电力计量流水线故障定位方法及系统 Download PDFInfo
- Publication number
- CN117647697B CN117647697B CN202311559759.9A CN202311559759A CN117647697B CN 117647697 B CN117647697 B CN 117647697B CN 202311559759 A CN202311559759 A CN 202311559759A CN 117647697 B CN117647697 B CN 117647697B
- Authority
- CN
- China
- Prior art keywords
- data
- time period
- equipment
- positioning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 54
- 230000000875 corresponding effect Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007418 data mining Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种基于知识图谱的电力计量流水线故障定位方法及系统,包括;采集电力计量自动化流水线部分设备运行日志数据;将所述日志数据聚类,构建以终端设备标识为聚类中心的数据集合;将所述数据集合根据时间段顺序划分为多个数据块;以所述时间段标识为索引,分别根据所述多个数据块构建终端设备的轨迹数据,所述轨迹数据为预设时间段内所述终端设备与流水线中其他设备之间具有交互的设备标识序列;根据所述轨迹数据实现故障的粗步定位,根据所述粗定位预测结果实现故障的精确定位,根据匹配结果对待检测流水线进行故障定位。本申请的方法、系统及计算机存储介质提升了故障检测的准确,降低运维成本,提高检测的准确性和灵活性。
Description
技术领域
本发明属于涉及设备故障检测技术领域,尤其是涉及一种基于知识图谱的电力计量流水线故障定位方法及系统。
背景技术
随着我国电力行业的讯速发展,智能化电气设备在电力系统中得到广泛应用,电力计量检定智能化是电力企业在智能电网建设部署下提出的明确建设要求。自动化检定系统的关键在于能够对检定流水线系统的故障进行智能预警,通知并进行全面的故障预防排查措施,实现对自动化检定流水线的故障预防。
目前,国内检定流水线采用的检定算法主要是采用传统数据挖掘方法,总体存在采集的数据不全面、数据量相对偏少、诊断效果不佳且效率低的缺陷。同时,现有的设备故障诊断是通过单个硬件报错,并没有从整个流水线和流水线相互之间的影响去考虑及分析,整体诊断效果不佳。
本发明针对上述缺点,提出一种基于知识图谱的电力计量流水线故障定位方法及系统,旨在解决如何在流水线相互之间的影响的前提下,通过轨迹数据的粗步定位与精确定位,用于准确识别流水线故障,对运维现场的各种故障诊断具有重要的意义。
发明内容
为了克服上述现有技术的不足,本公开提供了一种基于知识图谱的电力计量流水线故障定位方法及系统,通过提取轨迹数据特征,设计轨迹数据的粗步定位与精确定位,提高预测的准确性,解决现有故障检测成本高、效率低及灵活度低的问题。
本公开所采用的技术方案是:
本发明实施例的第一方面提出一种基于知识图谱的电力计量流水线故障定位方法,包括:
通过智能设备和传感器组定时采集电力计量自动化流水线部分设备运行日志数据;
将所述日志数据进行聚类,构建以终端设备标识为聚类中心的数据集合;
将所述数据集合根据时间段顺序划分为多个数据块;
以所述时间段标识为索引,分别根据所述多个数据块构建终端设备的轨迹数据,所述轨迹数据为预设时间段内所述终端设备与流水线中其他设备之间具有交互的设备标识序列;
根据所述轨迹数据实现故障的粗步定位,所述粗步定位包括:
将所述轨迹数据的时间段标识与数据库中的时间段标识进行匹配,
判断是否存在预设时间段标识,如果存在,则将对应的轨迹数据与对应时间段内的参考轨迹数据进行相似度比对;
根据对应的轨迹数据与对应时间段内的参考轨迹数据的相似度,得到相似轨迹的各设备标识,确定粗定位预测结果;
根据所述粗定位预测结果实现故障的精确定位,所述精确定位包括:
将粗定位预测结果中所述相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,其中,所述电力故障知识图谱中包括各种设备标识与关联数据的对应关系;
根据匹配结果对待检测流水线进行故障定位。
可选的,在本发明实施例第一方面的第一种实现方式中,将所述日志数据进行聚类,构建以终端设备标识为聚类中心的数据集合,包括:
以终端设备标识为初始质心,进行分组;
通过计算每个样本与每个质心属于同一族的概率,将每个样本分配给其最靠近的质心,即将数据集划分为K个类别,所述概率计算过程包括:
以终端设备标识为不同的类族,生成n×Nc矩阵,其中Nc是所有基聚类的总簇数;
对n维样本空间中的随机向量x,若x服从高斯分布,其概率密度函数为:
其中,μ是n维均值向量,所有成对的概率将成形一个n×n的协方差矩阵,H是n×n的协方差矩阵。
可选的,在本发明实施例第一方面的第一种实现方式中,将相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,包括:
从电力故障知识图谱中的关联数据中提取关键内容特征,所述电力故障知识图谱中包括各种设备标识与关联数据的对应关系;
将提取的关键内容特征输入向量模型得到内容特征向量;
从待匹配的轨迹数据中提取文本特征;
将提取的关键内容特征输入向量模型得到文本特征向量;
将内容特征向量通过对比学习的方法得到差异化的内容特征向量;
将所述文本特征向量与所述差异化的内容特征向量进行相似度比对;
根据所述相似度比对结果确定搜索结果。
可选的,在本发明实施例第一方面的第一种实现方式中,所述将内容特征向量通过对比学习的方法得到差异化的内容特征向量,包括:
获得分类后的包括正样本和负样本的训练样本集及初始分布参数;
通过正负样本的对比学习,挖掘样本分布规律,得到对比损失值;
基于对比损失值构建多模态自监督学习模型;
将内容特征向量输入多模态自监督学习模型得到差异化的内容特征向量。
可选的,在本发明实施例第一方面的第一种实现方式中,计算得到所述对比损失值,公式为:
;其中,αi、βi分别表示相关系数,simi(x,y)表示相关样本向量(x,y)之间的相似度,simi(x,z)表示不相关样本向量(x,z)之间的相似度,n表示模态类别,1≤i≤n。
可选的,在本发明实施例第一方面的第一种实现方式中,所述在将将相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,之前还包括:
采集各平台收集来的电力计量流水线数据;
将发生故障的数据进行故障标识;
通过数据挖掘技术对各设备之间的关联关系进行分析,对即将发生故障的数据进行标识;
根据流水线设备故障与所述故障标识和即将发生故障的数据标识之间的对应关系构建电力计量流水线故障知识图谱。
本发明实施例的第二方面提供了一种基于知识图谱的电力计量流水线故障定位系统,包括:
信息采集模块,用于通过智能设备和传感器组定时采集电力计量自动化流水线部分设备运行日志数据;
信息预处理模块,用于将所述日志数据进行聚类,构建以终端设备标识为聚类中心的数据集合;
数据块划分模块,用于将所述数据集合根据时间段顺序划分为多个数据块;
轨迹数据表示模块,用于以所述时间段标识为索引,分别根据所述多个数据块构建终端设备的轨迹数据,所述轨迹数据为预设时间段内所述终端设备与流水线中其他设备之间具有交互的设备标识序列;
粗步定位模块,用于根据所述轨迹数据实现故障的粗步定位,所述粗步定位包括:
将所述轨迹数据的时间段标识与数据库中的时间段标识进行匹配,
判断是否存在预设时间段标识,如果存在,则将对应的轨迹数据与对应时间段内的参考轨迹数据进行相似度比对;
根据对应的轨迹数据与对应时间段内的参考轨迹数据的相似度,得到相似轨迹的各设备标识,确定粗定位预测结果;
精确定位模块,用于根据所述轨迹数据实现故障的精确定位,所述精确定位包括:
将所述相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,其中,所述电力故障知识图谱中包括各种设备标识与关联数据的对应关系;
结果输出模块,用于根据匹配结果对待检测流水线进行故障定位。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的基于知识图谱的电力计量流水线故障定位方法。
本发明实施例的第四方面提供了一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行任意一项所述的基于知识图谱的电力计量流水线故障定位方法。
本项发明的上述技术方案有益结果如下:
本发明实施例提供的技术方案中,充分考虑了流水线及设备相互间的影响因素,通过通过聚类、知识图谱的方式,构建电力故障知识图谱,利用流水线得到轨迹数据,通过将轨迹数据进行粗步定位,获得获得故障点的大致区域,再根据粗定位预测结果进行精确定位,满足了复杂线路、高精度的定位要求,对待检测流水线进行故障定位,可以提高定位预测结果的准确性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本申请,并不构成对本公开的不当限定。
图1为基于基于知识图谱的电力计量流水线故障定位方法的步骤流程图
图2为基于基于知识图谱的电力计量流水线故障定位系统的模块示意图
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参阅图1,示出了本发明实施例一之基于知识图谱的电力计量流水线故障定位方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。需要说明是,本实施例以计算机设备为执行主体进行示例性描述。具体如下:
步骤S100,通过智能设备和传感器组定时采集电力计量自动化流水线部分设备运行日志数据。
示例性地,可以通过用户终端,如手机、电脑及服务器爬取设备运行日志数据,其中,日志数据包括设备标识、设备运行过程中的各种传感器参数及设备之间的交互数据。
步骤S102,将所述日志数据进行聚类,构建以终端设备标识为聚类中心的数据集合。
示例性地,以终端设备标识为初始质心,进行分组;
通过计算每个样本与每个质心属于同一族的概率,将每个样本分配给其最靠近的质心,即将数据集划分为K个类别,所述概率计算过程包括:
以终端设备标识为不同的类族,生成n×Nc矩阵,其中Nc是所有基聚类的总簇数;
对n维样本空间中的随机向量x,若x服从高斯分布,其概率密度函数为:
其中,μ是n维均值向量,所有成对的概率将成形一个n×n的协方差矩阵,H是n×n的协方差矩阵。由上式可以看出,高斯分布完全由均值向量μ和协方差矩阵H这两个参数确定。
步骤S104,将所述数据集合根据时间段顺序划分为多个数据块。
示例性地,设备在工作的过程中,对于各类别流水线,可以根据时间轨迹具有一定的规律性,为了便于查找定位,可以根据时间段顺序划分为多个数据块。
步骤S106,以所述时间段标识为索引,分别根据所述多个数据块构建终端设备的轨迹数据,所述轨迹数据为预设时间段内所述终端设备与流水线中其他设备之间具有交互的设备标识序列。
示例性地,为了精确进行故障定位,提高故障预警效果,必须充分考虑流水线及设备相互间的影响因素。通过以所述时间段标识为索引,分别根据所述多个数据块构建终端设备的轨迹数据,所述轨迹数据为预设时间段内所述终端设备与流水线中其他设备之间具有交互的设备标识序列,在后续的粗定位、精定位预测中,得到的预测结果更加准确。
步骤S108,根据所述轨迹数据实现故障的粗步定位。
可选的,粗步定位包括:将所述轨迹数据的时间段标识与数据库中的时间段标识进行匹配,判断是否存在预设时间段标识,如果存在,则将对应的轨迹数据与对应时间段内的参考轨迹数据进行相似度比对;根据对应的轨迹数据与对应时间段内的参考轨迹数据的相似度,得到相似轨迹的各设备标识,确定粗定位预测结果。
通过粗步定位可以很大程度上定位故障点的位置,获得故障点的大致区域,大大减少了数据处理量,提高了数据处理效率。
步骤S110,根据所述轨迹数据实现故障的精确定位。
可选的,精确定位包括:将所述相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,其中,所述电力故障知识图谱中包括各种设备标识与关联数据的对应关系;
根据匹配结果对待检测流水线进行故障定位。
可选的,将所述相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,包括:
从电力故障知识图谱中的关联数据中提取关键内容特征,所述电力故障知识图谱中包括各种设备标识与关联数据的对应关系;将提取的关键内容特征输入向量模型得到内容特征向量;
从待匹配的轨迹数据中提取文本特征;将提取的关键内容特征输入向量模型得到文本特征向量;将内容特征向量通过对比学习的方法得到差异化的内容特征向量;将所述文本特征向量与所述差异化的内容特征向量进行相似度比对;根据所述相似度比对结果确定搜索结果。
可选的,所述将内容特征向量通过对比学习的方法得到差异化的内容特征向量,包括:
获得分类后的包括正样本和负样本的训练样本集及初始分布参数;通过正负样本的对比学习,挖掘样本分布规律,得到对比损失值;基于对比损失值构建多模态自监督学习模型;将内容特征向量输入多模态自监督学习模型得到差异化的内容特征向量。
可选的,对比学习是一种自监督学习方法,可以通过比较不同样本之间的相似度,来学习有效的特征表示,实现拉近相同样本、拉远不同样本的效果。通过在训练过程中的对比学习得到差异化的内容特征向量,计算得到所述对比损失值,公式为:
;其中,αi、βi分别表示相关系数,simi(x,y)表示相关样本向量(x,y)之间的相似度,simi(x,z)表示不相关样本向量(x,z)之间的相似度,n表示模态类别,1≤i≤n。
本发明各实施例,将不规范的轨迹数据与故障的关系进行映射,并结合差异化的内容特征向量全面匹配,能够准确的定位故障,方便了进行设备维护。
可选的,在将将相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,之前还包括:采集各平台收集来的电力计量流水线数据;将发生故障的数据进行故障标识;通过数据挖掘技术对各设备之间的关联关系进行分析,对即将发生故障的数据进行标识;
根据流水线设备故障与所述故障标识和即将发生故障的数据标识之间的对应关系构建电力计量流水线故障知识图谱。
步骤S112,根据匹配结果对待检测流水线进行故障定位。
通过构建电力计量流水线故障知识图谱,能够将由粗定位预测结果中提取的文本特征向量,与由计量流水线故障知识图谱关联数据通过对比学习的方法得到差异化的内容特征向量进行相似度比对;根据相似度比对结果从电力计量流水线故障知识图谱确定搜索结果。当出现故障时,能够快速找到故障当前时间点的业务拓扑。当故障发生时,能够快速找到告警族谱,帮助快速找到问题根源,加速解决过程。
在一实施例中,提供一种基于知识图谱的电力计量流水线故障定位系统,该系统与上述实施例中故障定位方法一一对应。如图2所示,该基于知识图谱的电力计量流水线故障定位系统包括信息采集模块11、信息预处理模块12、数据块划分模块13、轨迹数据表示模块14、粗步定位模块15、精确定位模块16、结果输出模块17。各功能模块详细说明如下:
信息采集模块11,用于通过智能设备和传感器组定时采集电力计量自动化流水线部分设备运行日志数据;
信息预处理模块12,用于将所述日志数据进行聚类,构建以终端设备标识为聚类中心的数据集合;
数据块划分模块13,用于将所述数据集合根据时间段顺序划分为多个数据块;
轨迹数据表示模块14,用于以所述时间段标识为索引,分别根据所述多个数据块构建终端设备的轨迹数据,所述轨迹数据为预设时间段内所述终端设备与流水线中其他设备之间具有交互的设备标识序列;
粗步定位模块15,用于根据所述轨迹数据实现故障的粗步定位,所述粗步定位包括:
将所述轨迹数据的时间段标识与数据库中的时间段标识进行匹配,
判断是否存在预设时间段标识,如果存在,则将对应的轨迹数据与对应时间段内的参考轨迹数据进行相似度比对;
根据对应的轨迹数据与对应时间段内的参考轨迹数据的相似度,得到相似轨迹的各设备标识,确定粗定位预测结果;
精确定位模块16,用于根据所述粗定位预测结果实现故障的精确定位,所述精确定位包括:
将粗定位预测结果中所述相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,其中,所述电力故障知识图谱中包括各种设备标识与关联数据的对应关系;
结果输出模块17,用于根据匹配结果对待检测流水线进行故障定位。
在其中一个实施例中,信息预处理模块12的功能进一步包括,用于将所述日志数据进行聚类,构建以终端设备标识为聚类中心的数据集合,包括:
以终端设备标识为初始质心,进行分组;
通过计算每个样本与每个质心属于同一族的概率,将每个样本分配给其最靠近的质心,即将数据集划分为K个类别,所述概率计算过程包括:
以终端设备标识为不同的类族,生成n×Nc矩阵,其中Nc是所有基聚类的总簇数;
对n维样本空间中的随机向量x,若x服从高斯分布,其概率密度函数为:
其中,μ是n维均值向量,所有成对的概率将成形一个n×n的协方差矩阵,H是n×n的协方差矩阵。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的基于知识图谱的电力计量流水线故障定位方法。
本发明实施例还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行所述的基于知识图谱的电力计量流水线故障定位方法。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (8)
1.一种基于知识图谱的电力计量流水线故障定位方法,其特征在于,包括:
通过智能设备和传感器组定时采集电力计量自动化流水线部分设备运行日志数据;
将所述日志数据进行聚类,构建以终端设备标识为聚类中心的数据集合;
将所述数据集合根据时间段顺序划分为多个数据块;
以所述时间段标识为索引,分别根据所述多个数据块构建终端设备的轨迹数据,所述轨迹数据为预设时间段内所述终端设备与流水线中其他设备之间具有交互的设备标识序列;
根据所述轨迹数据实现故障的粗步定位,所述粗步定位包括:
将所述轨迹数据的时间段标识与数据库中的时间段标识进行匹配,
判断是否存在预设时间段标识,如果存在,则将对应的轨迹数据与对应时间段内的参考轨迹数据进行相似度比对;
根据对应的轨迹数据与对应时间段内的参考轨迹数据的相似度,得到相似轨迹的各设备标识,确定粗定位预测结果;
根据所述粗定位预测结果实现故障的精确定位,所述精确定位包括:
将粗定位预测结果中所述相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,其中,所述电力故障知识图谱中包括各种设备标识与关联数据的对应关系;
根据匹配结果对待检测流水线进行故障定位;
将所述日志数据进行聚类,构建以终端设备标识为聚类中心的数据集合,包括:
以终端设备标识为初始质心,进行分组;
通过计算每个样本与每个质心属于同一族的概率,将每个样本分配给其最靠近的质心,即将数据集划分为K个类别,概率计算过程包括:
以终端设备标识为不同的类族,生成n×Nc矩阵,其中Nc是所有基聚类的总簇数;
对n维样本空间中的随机向量x,若x服从高斯分布,其概率密度函数为:
其中,μ是n维均值向量,所有成对的概率将成形一个n×n的协方差矩阵,H是n×n的协方差矩阵。
2.根据权利要求1所述的基于知识图谱的电力计量流水线故障定位方法,其特征在于,将相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,包括:
从电力故障知识图谱中的关联数据中提取关键内容特征,所述电力故障知识图谱中包括各种设备标识与关联数据的对应关系;
将提取的关键内容特征输入向量模型得到内容特征向量;
从待匹配的轨迹数据中提取文本特征;
将提取的关键内容特征输入向量模型得到文本特征向量;
将内容特征向量通过对比学习的方法得到差异化的内容特征向量;
将所述文本特征向量与所述差异化的内容特征向量进行相似度比对;
根据所述相似度比对结果确定搜索结果。
3.根据权利要求2所述的基于知识图谱的电力计量流水线故障定位方法,其特征在于,所述将内容特征向量通过对比学习的方法得到差异化的内容特征向量,包括:
获得分类后的包括正样本和负样本的训练样本集及初始分布参数;
通过正负样本的对比学习,挖掘样本分布规律,得到对比损失值;
基于对比损失值构建多模态自监督学习模型;
将内容特征向量输入多模态自监督学习模型得到差异化的内容特征向量。
4.根据权利要求3所述的基于知识图谱的电力计量流水线故障定位方法,其特征在于,计算得到所述对比损失值,公式为:
其中,αi、βi分别表示相关系数,simi(x,y)表示相关样本向量(x,y)之间的相似度,simi(x,z)表示不相关样本向量(x,z)之间的相似度,n表示模态类别,1≤i≤n。
5.根据权利要求1所述的基于知识图谱的电力计量流水线故障定位方法,其特征在于,在将将相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,之前还包括:
采集各平台收集来的电力计量流水线数据;
将发生故障的数据进行故障标识;
通过数据挖掘技术对各设备之间的关联关系进行分析,对即将发生故障的数据进行标识;
根据流水线设备故障与所述故障标识和即将发生故障的数据标识之间的对应关系构建电力计量流水线故障知识图谱。
6.一种基于知识图谱的电力计量流水线故障定位系统,所述系统应用于权利要求1所述的基于知识图谱的电力计量流水线故障定位方法,包括:
信息采集模块,用于通过智能设备和传感器组定时采集电力计量自动化流水线部分设备运行日志数据;
信息预处理模块,用于将所述日志数据进行聚类,构建以终端设备标识为聚类中心的数据集合;
数据块划分模块,用于将所述数据集合根据时间段顺序划分为多个数据块;
轨迹数据表示模块,用于以所述时间段标识为索引,分别根据所述多个数据块构建终端设备的轨迹数据,所述轨迹数据为预设时间段内所述终端设备与流水线中其他设备之间具有交互的设备标识序列;
粗步定位模块,用于根据所述轨迹数据实现故障的粗步定位,所述粗步定位包括:
将所述轨迹数据的时间段标识与数据库中的时间段标识进行匹配,
判断是否存在预设时间段标识,如果存在,则将对应的轨迹数据与对应时间段内的参考轨迹数据进行相似度比对;
根据对应的轨迹数据与对应时间段内的参考轨迹数据的相似度,得到相似轨迹的各设备标识,确定粗定位预测结果;
精确定位模块,用于根据所述粗定位预测结果实现故障的精确定位,所述精确定位包括:
将粗定位预测结果中所述相似轨迹的各设备标识与电力故障知识图谱中的关联数据相匹配,其中,所述电力故障知识图谱中包括各种设备标识与关联数据的对应关系;
结果输出模块,用于根据匹配结果对待检测流水线进行故障定位;
所述信息预处理模块,用于将所述日志数据进行聚类,构建以终端设备标识为聚类中心的数据集合,包括:
以终端设备标识为初始质心,进行分组;
通过计算每个样本与每个质心属于同一族的概率,将每个样本分配给其最靠近的质心,即将数据集划分为K个类别,概率计算过程包括:
以终端设备标识为不同的类族,生成n×Nc矩阵,其中Nc是所有基聚类的总簇数;
对n维样本空间中的随机向量x,若x服从高斯分布,其概率密度函数为:
其中,μ是n维均值向量,所有成对的概率将成形一个n×n的协方差矩阵,H是n×n的协方差矩阵。
7.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-5中任意一项所述的基于知识图谱的电力计量流水线故障定位方法。
8.一种计算机可读存储介质,其特征在于,包括指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-5中任意一项所述的基于知识图谱的电力计量流水线故障定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311559759.9A CN117647697B (zh) | 2023-11-21 | 2023-11-21 | 一种基于知识图谱的电力计量流水线故障定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311559759.9A CN117647697B (zh) | 2023-11-21 | 2023-11-21 | 一种基于知识图谱的电力计量流水线故障定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117647697A CN117647697A (zh) | 2024-03-05 |
CN117647697B true CN117647697B (zh) | 2024-05-14 |
Family
ID=90044335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311559759.9A Active CN117647697B (zh) | 2023-11-21 | 2023-11-21 | 一种基于知识图谱的电力计量流水线故障定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117647697B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722058A (zh) * | 2020-06-17 | 2020-09-29 | 国网甘肃省电力公司信息通信公司 | 基于知识图谱的电力信息系统故障检测方法、装置及介质 |
CN113961424A (zh) * | 2021-10-28 | 2022-01-21 | 建信金融科技有限责任公司 | 分布式系统的故障预测方法以及故障预测装置 |
CN115269870A (zh) * | 2022-07-26 | 2022-11-01 | 国网天津市电力公司 | 一种基于知识图谱实现数据中台数据链路故障分类预警的方法 |
CN115638875A (zh) * | 2022-11-14 | 2023-01-24 | 国家电投集团河南电力有限公司技术信息中心 | 基于图谱分析的电厂设备故障诊断方法及系统 |
CN115809183A (zh) * | 2022-11-21 | 2023-03-17 | 浪潮软件集团有限公司 | 基于知识图谱的信创终端故障发现及处置的方法 |
CN116467459A (zh) * | 2023-03-02 | 2023-07-21 | 特斯联科技集团有限公司 | 物联网设备故障报告方法、装置、计算机设备和存储介质 |
CN116840766A (zh) * | 2023-06-17 | 2023-10-03 | 广西电网有限责任公司 | 基于知识图谱的电力计量设备状态追踪与异常监控方法 |
-
2023
- 2023-11-21 CN CN202311559759.9A patent/CN117647697B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722058A (zh) * | 2020-06-17 | 2020-09-29 | 国网甘肃省电力公司信息通信公司 | 基于知识图谱的电力信息系统故障检测方法、装置及介质 |
CN113961424A (zh) * | 2021-10-28 | 2022-01-21 | 建信金融科技有限责任公司 | 分布式系统的故障预测方法以及故障预测装置 |
CN115269870A (zh) * | 2022-07-26 | 2022-11-01 | 国网天津市电力公司 | 一种基于知识图谱实现数据中台数据链路故障分类预警的方法 |
CN115638875A (zh) * | 2022-11-14 | 2023-01-24 | 国家电投集团河南电力有限公司技术信息中心 | 基于图谱分析的电厂设备故障诊断方法及系统 |
CN115809183A (zh) * | 2022-11-21 | 2023-03-17 | 浪潮软件集团有限公司 | 基于知识图谱的信创终端故障发现及处置的方法 |
CN116467459A (zh) * | 2023-03-02 | 2023-07-21 | 特斯联科技集团有限公司 | 物联网设备故障报告方法、装置、计算机设备和存储介质 |
CN116840766A (zh) * | 2023-06-17 | 2023-10-03 | 广西电网有限责任公司 | 基于知识图谱的电力计量设备状态追踪与异常监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117647697A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111614491B (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
CN110632546B (zh) | 基于全网域证据集的电子式互感器可信度评估方法和装置 | |
CN111339297A (zh) | 网络资产异常检测方法、系统、介质和设备 | |
CN113807418A (zh) | 一种基于高斯混合模型的注塑机能耗异常检测方法及系统 | |
CN117647697B (zh) | 一种基于知识图谱的电力计量流水线故障定位方法及系统 | |
CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
CN112882898A (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
CN111090679B (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
Li et al. | Improving performance of log anomaly detection with semantic and time features based on bilstm-attention | |
CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
CN115378000A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
CN114553473A (zh) | 一种基于登录ip和登陆时间的异常登陆行为检测系统和方法 | |
CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 | |
CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 | |
CN116560894B (zh) | 应用机器学习的无人机故障数据分析方法、服务器及介质 | |
CN113344058B (zh) | 基于云计算的信息融合的预警方法、装置及云服务器 | |
Tan et al. | Efficient intrusion detection method based on Conditional Random Fields | |
CN117435937A (zh) | 一种智能电表异常数据识别方法、装置、设备及存储介质 | |
CN117827991A (zh) | 一种半结构化数据中个人标识信息识别方法与系统 | |
CN113743096A (zh) | 一种基于自然语言处理的众包测试报告相似度检测的方法 | |
CN118278009A (zh) | 一种基于两阶段风险指标的固件函数风险分类与评估方法 | |
CN114022696A (zh) | 基于连接对的聚类算法性能分析方法、装置、介质 | |
CN118332450A (zh) | 一种基于主机指纹技术的云上资产判定方法 | |
CN117493918A (zh) | 一种基于区间聚类模型的物联网设备告警集成方法 | |
Zhang | Research on Computer Software Engineering Project Automation Management based on Data Mining and Fuzzy Clustering |
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 |