CN118194214A - 一种输电立体巡检方法、系统、计算机及存储介质 - Google Patents

一种输电立体巡检方法、系统、计算机及存储介质 Download PDF

Info

Publication number
CN118194214A
CN118194214A CN202410621256.8A CN202410621256A CN118194214A CN 118194214 A CN118194214 A CN 118194214A CN 202410621256 A CN202410621256 A CN 202410621256A CN 118194214 A CN118194214 A CN 118194214A
Authority
CN
China
Prior art keywords
data
module
fault data
fault
power transmission
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
Application number
CN202410621256.8A
Other languages
English (en)
Other versions
CN118194214B (zh
Inventor
陈新彪
饶学优
曾锦
肖志刚
胡正
陈光明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Booway New Technology Co ltd
Original Assignee
Jiangxi Booway New Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Booway New Technology Co ltd filed Critical Jiangxi Booway New Technology Co ltd
Priority to CN202410621256.8A priority Critical patent/CN118194214B/zh
Publication of CN118194214A publication Critical patent/CN118194214A/zh
Application granted granted Critical
Publication of CN118194214B publication Critical patent/CN118194214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种输电立体巡检方法、系统、计算机及存储介质，所述方法包括获取输电线路的巡检数据，将所述巡检数据分别输入至所述第一故障检测模型和所述第二故障检测模型，以分别输出得到所述输电线路的模块类故障数据及部件类故障数据；分别将所述模块类故障数据及所述部件类故障数据进行实例化，将实例化的所述模块类故障数据及所述部件类故障数据预处理，抽取预处理后的所述模块类故障数据及所述部件类故障数据的实体、关系和属性；基于所述融合实体、所述关系和所述属性以结构化的方式储存并形成知识图谱，利用子图查找基于所述知识图谱匹配出所述模块类故障数据及所述部件类故障数据的运维知识，提升巡检监控效率。

Description

一种输电立体巡检方法、系统、计算机及存储介质
技术领域
本发明属于电力系统输电技术领域，具体地涉及一种输电立体巡检方法、系统、计算机及存储介质。
背景技术
知识图谱是一种大规模结构化知识网络图库，直观真实的表述各类实体的概念及其相互的关系。目前知识图谱技术已在金融、医疗、证券、能源等各行业广泛应用。
在对输电立体巡检的过程中，需要业务人员需凭借自身工作经验前往查询有效信息数据满足日常巡监监控分析统计工作要求，这种依赖人工查询的模式影响日常工作效率。
发明内容
为了解决上述技术问题，本发明提供了一种输电立体巡检方法、系统、计算机及存储介质系统，用于解决现有依赖人工查询的模式对业务知识的工作模式影响日常工作效率的技术问题。
第一方面，该发明提供以下技术方案，一种输电立体巡检方法，所述方法包括：
获取输电线路的巡检数据，并创建第一故障检测模型和第二故障检测模型；
将所述巡检数据分别输入至所述第一故障检测模型和所述第二故障检测模型，以分别输出得到所述输电线路的模块类故障数据及部件类故障数据；
分别将所述模块类故障数据及所述部件类故障数据进行实例化，将实例化的所述模块类故障数据及所述部件类故障数据预处理，抽取预处理后的所述模块类故障数据及所述部件类故障数据的实体、关系和属性；
对所述实体进行词汇分词形成多个词汇实体，利用余弦计算公式对多个所述词汇实体进行相似度计算，并得到相似值，判断所述相似值是否小于阈值，若所述相似值小于阈值，则将多个所述词汇实体融合，形成融合实体；
基于所述融合实体、所述关系和所述属性以结构化的方式储存并形成知识图谱，利用子图查找基于所述知识图谱匹配出所述模块类故障数据及所述部件类故障数据的运维知识。
相比现有技术，本申请的有益效果为：利用知识图谱技术建立图数据库，充分挖掘各业务数据间的潜在关联关系，可应用于巡检日常工作预警及统计分析研究工作，提升巡检监控效率。基于知识图谱技术可视化呈现数据信息，为业务人员直观展示各巡检及监控数据关联关系，便于查找相关信息。通过第一故障检测模型和所述第二故障检测模型的设置，可以根据输电线路不同类型的故障给出对应的检测模型，有效的提高监测精度。
进一步的，得到所述输电线路的模块类故障数据的步骤包括：
对所述巡检数据进行整合、清洗、分词、过滤停用词的预处理，并构建基于分布式特征表示的语言模型，将预处理后的所述巡检数据输入至所述语言模型，并输出所述巡检数据的特征向量；
构建提取模型，将所述巡检数据的特征向量输入至所述提取模型，并输出所述巡检数据的故障特征；
将所述故障特征送入代价敏感随机森林故障定位模型进行训练，训练后的所述故障定位模型与所述提取模型进行级联，将所述故障特征输入至级联后的所述故障定位模型与所述提取模型，输出模块类故障数据。
进一步的，得到所述输电线路的部件类故障数据的步骤包括：
将所述巡检数据转化为结构化的分布式词嵌入表示，结合注意力机制计算所述巡检数据的分布式词嵌入表示的每个词的上下文特征表示；
将所述上下文特征表示与所述分布式词嵌入表示进行融合，形成融合特征；
创建基于胶囊网络的诊断模型，使用所述诊断模型的多尺度卷积窗口来提取所述融合特征不同位置不同长度的词频特征；
所述诊断模型的初级胶囊层对相同部位抽取的所述词频特征进行组合，所述诊断模型的全连接胶囊层对组合后所述词频特征的高层次特征进行整合，形成部件类故障数据。
进一步的，所述第一故障检测模型包括输入模块、提取模块及诊断模块，所述输入模块包括嵌入层，所述提取模块包括第一卷积层及池化层，所述诊断模块包括压平层、全连接层及分类器；
所述第二故障检测模型包括特征融合模块及检测模块，所述特征融合模块包括输入层及注意力层、第二卷积层、初级胶囊层及全连接胶囊层。
进一步的，将实例化的所述模块类故障数据及所述部件类故障数据预处理的步骤包括：清洗、规范、去噪、及降维处理。
进一步的，所述余弦计算公式包括：
式中，表示为相似值，/>分别表示为多个词汇实体中第一词汇实体和第二词汇实体的向量元素，/>表示为向量的维度。
进一步的，所述利用子图查找基于所述知识图谱匹配出所述模块类故障数据及所述部件类故障数据的运维知识的步骤包括：
以所述模块类故障数据及所述部件类故障数据的实例化表示作为运维知识的搜索起点，并利用Neo4j图数据库中的Cypher查询语句在所述知识图谱中匹配出相关运维要素的知识路径；
基于所述知识路径经过图搜索的方式找到所述模块类故障数据及所述部件类故障数据具体的运维策略。
第二方面，该发明提供以下技术方案，所述输电立体巡检系统包括：
获取模块，用于获取输电线路的巡检数据，并创建第一故障检测模型和第二故障检测模型；
输出模块，用于将所述巡检数据分别输入至所述第一故障检测模型和所述第二故障检测模型，以分别输出得到所述输电线路的模块类故障数据及部件类故障数据；
抽取模块，用于分别将所述模块类故障数据及所述部件类故障数据进行实例化，将实例化的所述模块类故障数据及所述部件类故障数据预处理，抽取预处理后的所述模块类故障数据及所述部件类故障数据的实体、关系和属性；
融合模块，用于对所述实体进行词汇分词形成多个词汇实体，利用余弦计算公式对多个所述词汇实体进行相似度计算，并得到相似值，判断所述相似值是否小于阈值，若所述相似值小于阈值，则将多个所述词汇实体融合，形成融合实体；
运维模块，用于基于所述融合实体、所述关系和所述属性以结构化的方式储存并形成知识图谱，利用子图查找基于所述知识图谱匹配出所述模块类故障数据及所述部件类故障数据的运维知识。
第三方面，该发明提供以下技术方案，一种计算机，包括存储器、处理器以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上述的输电立体巡检方法。
第四方面，该发明提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的输电立体巡检方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的输电立体巡检方法的流程图；
图2为本发明第一实施例提供的输电立体巡检方法第一故障检测模型的结构示意图；
图3为本发明第二实施例提供的输电立体巡检系统的结构框图；
图4为本发明第三实施例提供的计算机的硬件结构示意图。
以下将结合附图对本发明实施例作进一步说明。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号数据表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明的实施例，而不能理解为对本发明的限制。
在本发明实施例的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
在本发明的第一实施例中，如图1和图2所示，一种输电立体巡检方法，包括以下步骤S01至步骤S05：
S01，获取输电线路的巡检数据，并创建第一故障检测模型和第二故障检测模型；
具体的，获取无人机巡检及集中监控应用集群的信息数据，确认采集数据范围来源于输电线路、巡视作业、无人机、集中监控、其他机械、项目计划等数据节点，围绕设备及项目为基本实体，对巡检数据预处理操作，其中，对巡检数据预处理操作包括依次对巡检数据进行如下处理，大小写处理、句子分割、分词、词性标注、文本纠错、去停用词、词频统计、及文本向量化。
在本实施例中，所述第一故障检测模型包括输入模块、提取模块及诊断模块，所述输入模块包括嵌入层，所述提取模块包括第一卷积层及池化层，所述诊断模块包括压平层、全连接层及分类器，其中，图2中的概率归一化用softmax函数。
所述第二故障检测模型包括特征融合模块及检测模块，所述特征融合模块包括输入层及注意力层、第二卷积层、初级胶囊层及全连接胶囊层。
S02，将所述巡检数据分别输入至所述第一故障检测模型和所述第二故障检测模型，以分别输出得到所述输电线路的模块类故障数据及部件类故障数据；
具体的，得到所述输电线路的模块类故障数据的步骤包括：
S21，对所述巡检数据进行整合、清洗、分词、过滤停用词的预处理，并构建基于分布式特征表示的语言模型，将预处理后的所述巡检数据输入至所述语言模型，并输出所述巡检数据的特征向量；
S22，构建提取模型，将所述巡检数据的特征向量输入至所述提取模型，并输出所述巡检数据的故障特征；
S23，将所述故障特征送入代价敏感随机森林故障定位模型进行训练，训练后的所述故障定位模型与所述提取模型进行级联，将所述故障特征输入至级联后的所述故障定位模型与所述提取模型，输出模块类故障数据。
具体的，得到所述输电线路的部件类故障数据的步骤包括：
S24，将所述巡检数据转化为结构化的分布式词嵌入表示，结合注意力机制计算所述巡检数据的分布式词嵌入表示的每个词的上下文特征表示；
S25，将所述上下文特征表示与所述分布式词嵌入表示进行融合，形成融合特征；
S26，创建基于胶囊网络的诊断模型，使用所述诊断模型的多尺度卷积窗口来提取所述融合特征不同位置不同长度的词频特征；
S27，所述诊断模型的初级胶囊层对相同部位抽取的所述词频特征进行组合，所述诊断模型的全连接胶囊层对组合后所述词频特征的高层次特征进行整合，形成部件类故障数据。
在本实施例中，语言模型为连续词袋模型(Continuous Bag-Of-Words，CBOW)神经网络语言模型，提取模型为多尺度卷积神经网络(MCNN-BN)模型，模块类故障数据为故障模块的精确定位数据。诊断模型为CapsNets诊断模型，词频特征为N-gram特征。其中，在所述诊断模型的训练过程中，使用多分类焦点损失函数，在模型训练过程中对少数/困难样本的损失贡献率进行动态平衡，实现模型更新过程中参数的最优配置，提高模型对部件级故障的检测精度。
在实施例中，模块类故障数据包括：安全计算机单元、安全数字输入输出单元、输电线路接口单元、及测电压测电流单元、及无线通信单元，所述部件类故障数据包括：线路本体(导地线、绝缘子、线夹均压环、防震锤及细小金具类)、杆塔本体(基础设施及附属设施)、及线路通道(大机械野蛮施工、线路上有风筝或者鸟巢)。
S03，分别将所述模块类故障数据及所述部件类故障数据进行实例化，将实例化的所述模块类故障数据及所述部件类故障数据预处理，抽取预处理后的所述模块类故障数据及所述部件类故障数据的实体、关系和属性；
具体的，将实例化的所述模块类故障数据及所述部件类故障数据预处理的步骤包括：清洗、规范、去噪、及降维处理，为后续提供高质量的所述模块类故障数据及所述部件类故障数据。
在本实施例中，首先根据已有的设备相关语料库和语言模型定义模板，其涵盖需要抽取的实体类型、关系类型和规则，然后通过规则过滤和实体匹配等方式，识别并获取文本中的实体实例和实体关系实例，将抽取出的实体和关系信息输出、存储和可视化。
S04，对所述实体进行词汇分词形成多个词汇实体，利用余弦计算公式对多个所述词汇实体进行相似度计算，并得到相似值，判断所述相似值是否小于阈值，若所述相似值小于阈值，则将多个所述词汇实体融合，形成融合实体；
具体的，所述余弦计算公式包括：
式中，表示为相似值，/>分别表示为多个词汇实体中第一词汇实体和第二词汇实体的向量元素，/>表示为向量的维度。
S05，基于所述融合实体、所述关系和所述属性以结构化的方式储存并形成知识图谱，利用子图查找基于所述知识图谱匹配出所述模块类故障数据及所述部件类故障数据的运维知识。
具体的，所述利用子图查找基于所述知识图谱匹配出所述模块类故障数据及所述部件类故障数据的运维知识的步骤包括：
S51，以所述模块类故障数据及所述部件类故障数据的实例化表示作为运维知识的搜索起点，并利用Neo4j图数据库中的Cypher查询语句在所述知识图谱中匹配出相关运维要素的知识路径；
S52，基于所述知识路径经过图搜索的方式找到所述模块类故障数据及所述部件类故障数据具体的运维策略。
在本实施例中，运维知识包括：模块类故障的故障原因分析、部件类故障的故障原因分析、设备现象、处理措施、维护措施等运维要素信息及关联拓扑关系。运维策略的具体实施包括：根据搜索的故障，然后对故障原因和故障后的现象进行分析，基于故障处置原则，给出故障对应的维修方式。比如，输电线路接口单元出现无效的故障下，则给出更换更换该输电线路接口单元的维修方式。
综上，与现有技术的不同及相关的优势如下：利用知识图谱技术建立图数据库，充分挖掘各业务数据间的潜在关联关系，可应用于巡检日常工作预警及统计分析研究工作，提升巡检监控效率。基于知识图谱技术可视化呈现数据信息，为业务人员直观展示各巡检及监控数据关联关系，便于查找相关信息。
实施例二
如图3所示，在本发明的第二实施例提供了输电立体巡检系统，所述系统包括：
获取模块10，用于获取输电线路的巡检数据，并创建第一故障检测模型和第二故障检测模型；
输出模块20，用于将所述巡检数据分别输入至所述第一故障检测模型和所述第二故障检测模型，以分别输出得到所述输电线路的模块类故障数据及部件类故障数据；
抽取模块30，用于分别将所述模块类故障数据及所述部件类故障数据进行实例化，将实例化的所述模块类故障数据及所述部件类故障数据预处理，抽取预处理后的所述模块类故障数据及所述部件类故障数据的实体、关系和属性；
融合模块40，用于对所述实体进行词汇分词形成多个词汇实体，利用余弦计算公式对多个所述词汇实体进行相似度计算，并得到相似值，判断所述相似值是否小于阈值，若所述相似值小于阈值，则将多个所述词汇实体融合，形成融合实体；
运维模块50，用于基于所述融合实体、所述关系和所述属性以结构化的方式储存并形成知识图谱，利用子图查找基于所述知识图谱匹配出所述模块类故障数据及所述部件类故障数据的运维知识。
实施例三
如图4所示，在本发明的第三实施例中，本发明实施例提供以下技术方案，一种计算机，包括存储器202、处理器201以及存储在所述存储器202上并可在所述处理器201上运行的计算机程序，所述处理器201执行所述计算机程序时实现如上所述的输电立体巡检方法。
具体的，上述处理器201可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器202可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器202可包括硬盘驱动器（Hard Disk Drive，简称为HDD）、软盘驱动器、固态驱动器（Solid State Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerial Bus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器202可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器202可在数据处理装置的内部或外部。在特定实施例中，存储器202是非易失性（Non-Volatile）存储器。在特定实施例中，存储器202包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（Random Access Memory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable Read-Only Memory，简称为PROM）、可擦除PROM（ErasableProgrammable Read-Only Memory，简称为EPROM）、电可擦除PROM（Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM）、电可改写ROM（ElectricallyAlterable Read-Only Memory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（Static Random-AccessMemory，简称为SRAM）或动态随机存取存储器（Dynamic Random Access Memory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous Dynamic Random-Access Memory，简称SDRAM）等。
存储器202可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器201所执行的可能的计算机程序指令。
处理器201通过读取并执行存储器202中存储的计算机程序指令，以实现上述输电立体巡检方法。
在其中一些实施例中，计算机还可包括通信接口203和总线200。其中，如图4所示，处理器201、存储器202、通信接口203通过总线200连接并完成相互间的通信。
通信接口203用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口203还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线200包括硬件、软件或两者，将计算机的部件彼此耦接在一起。总线200包括但不限于以下至少之一：数据总线（Data Bus）、地址总线（Address Bus）、控制总线（ControlBus）、扩展总线（Expansion Bus）、局部总线（Local Bus）。举例来说而非限制，总线200可包括图形加速接口（Accelerated Graphics Port，简称为AGP）或其他图形总线、增强工业标准架构（Extended Industry Standard Architecture，简称为EISA）总线、前端总线（FrontSide Bus，简称为FSB）、超传输（Hyper Transport，简称为HT）互连、工业标准架构（Industry Standard Architecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（Lo万 Pin Count，简称为LPC）总线、存储器总线、微信道架构（Micro ChannelArchitecture，简称为MCA）总线、外围组件互连（Peripheral Component Interconnect，简称为PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial AdvancedTechnology Attachment，简称为SATA）总线、视频电子标准协会局部（Video ElectronicsStandards Association Local Bus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线200可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
实施例四
在本发明的第四实施例中，结合上述的输电立体巡检方法，本发明实施例提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的输电立体巡检方法。
本领域技术人员可以理解，在流程图中数据表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列数据表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
可读介质的更具体的示例（非穷尽性列数据表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种输电立体巡检方法，其特征在于，所述方法包括：
获取输电线路的巡检数据，并创建第一故障检测模型和第二故障检测模型；
将所述巡检数据分别输入至所述第一故障检测模型和所述第二故障检测模型，以分别输出得到所述输电线路的模块类故障数据及部件类故障数据；
分别将所述模块类故障数据及所述部件类故障数据进行实例化，将实例化的所述模块类故障数据及所述部件类故障数据预处理，抽取预处理后的所述模块类故障数据及所述部件类故障数据的实体、关系和属性；
对所述实体进行词汇分词形成多个词汇实体，利用余弦计算公式对多个所述词汇实体进行相似度计算，并得到相似值，判断所述相似值是否小于阈值，若所述相似值小于阈值，则将多个所述词汇实体融合，形成融合实体；
基于所述融合实体、所述关系和所述属性以结构化的方式储存并形成知识图谱，利用子图查找基于所述知识图谱匹配出所述模块类故障数据及所述部件类故障数据的运维知识；
得到所述输电线路的部件类故障数据的步骤包括：
将所述巡检数据转化为结构化的分布式词嵌入表示，结合注意力机制计算所述巡检数据的分布式词嵌入表示的每个词的上下文特征表示；
将所述上下文特征表示与所述分布式词嵌入表示进行融合，形成融合特征；
创建基于胶囊网络的诊断模型，使用所述诊断模型的多尺度卷积窗口来提取所述融合特征不同位置不同长度的词频特征；
所述诊断模型的初级胶囊层对相同部位抽取的所述词频特征进行组合，所述诊断模型的全连接胶囊层对组合后所述词频特征的高层次特征进行整合，形成部件类故障数据。
2.根据权利要求1所述的输电立体巡检方法，其特征在于，得到所述输电线路的模块类故障数据的步骤包括：
对所述巡检数据进行整合、清洗、分词、过滤停用词的预处理，并构建基于分布式特征表示的语言模型，将预处理后的所述巡检数据输入至所述语言模型，并输出所述巡检数据的特征向量；
构建提取模型，将所述巡检数据的特征向量输入至所述提取模型，并输出所述巡检数据的故障特征；
将所述故障特征送入代价敏感随机森林故障定位模型进行训练，训练后的所述故障定位模型与所述提取模型进行级联，将所述故障特征输入至级联后的所述故障定位模型与所述提取模型，输出模块类故障数据。
3.根据权利要求1所述的输电立体巡检方法，其特征在于，
所述第一故障检测模型包括输入模块、提取模块及诊断模块，所述输入模块包括嵌入层，所述提取模块包括第一卷积层及池化层，所述诊断模块包括压平层、全连接层及分类器；
所述第二故障检测模型包括特征融合模块及检测模块，所述特征融合模块包括输入层及注意力层、第二卷积层、初级胶囊层及全连接胶囊层。
4.根据权利要求1所述的输电立体巡检方法，其特征在于，将实例化的所述模块类故障数据及所述部件类故障数据预处理的步骤包括：清洗、规范、去噪、及降维处理。
5.根据权利要求1所述的输电立体巡检方法，其特征在于，所述余弦计算公式包括：
式中，表示为相似值，/>分别表示为多个词汇实体中第一词汇实体和第二词汇实体的向量元素，/>表示为向量的维度。
6.根据权利要求1所述的输电立体巡检方法，其特征在于，所述利用子图查找基于所述知识图谱匹配出所述模块类故障数据及所述部件类故障数据的运维知识的步骤包括：
以所述模块类故障数据及所述部件类故障数据的实例化表示作为运维知识的搜索起点，并利用Neo4j图数据库中的Cypher查询语句在所述知识图谱中匹配出相关运维要素的知识路径；
基于所述知识路径经过图搜索的方式找到所述模块类故障数据及所述部件类故障数据具体的运维策略。
7.一种输电立体巡检系统，其特征在于，所述输电立体巡检系统包括：
获取模块，用于获取输电线路的巡检数据，并创建第一故障检测模型和第二故障检测模型；
输出模块，用于将所述巡检数据分别输入至所述第一故障检测模型和所述第二故障检测模型，以分别输出得到所述输电线路的模块类故障数据及部件类故障数据；
抽取模块，用于分别将所述模块类故障数据及所述部件类故障数据进行实例化，将实例化的所述模块类故障数据及所述部件类故障数据预处理，抽取预处理后的所述模块类故障数据及所述部件类故障数据的实体、关系和属性；
融合模块，用于对所述实体进行词汇分词形成多个词汇实体，利用余弦计算公式对多个所述词汇实体进行相似度计算，并得到相似值，判断所述相似值是否小于阈值，若所述相似值小于阈值，则将多个所述词汇实体融合，形成融合实体；
运维模块，用于基于所述融合实体、所述关系和所述属性以结构化的方式储存并形成知识图谱，利用子图查找基于所述知识图谱匹配出所述模块类故障数据及所述部件类故障数据的运维知识。
8.一种计算机，包括存储器、处理器以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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的输电立体巡检方法。
9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的输电立体巡检方法。
CN202410621256.8A 2024-05-20 2024-05-20 一种输电立体巡检方法、系统、计算机及存储介质 Active CN118194214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410621256.8A CN118194214B (zh) 2024-05-20 2024-05-20 一种输电立体巡检方法、系统、计算机及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410621256.8A CN118194214B (zh) 2024-05-20 2024-05-20 一种输电立体巡检方法、系统、计算机及存储介质

Publications (2)

Publication Number Publication Date
CN118194214A true CN118194214A (zh) 2024-06-14
CN118194214B CN118194214B (zh) 2024-07-19

Family

ID=91403104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410621256.8A Active CN118194214B (zh) 2024-05-20 2024-05-20 一种输电立体巡检方法、系统、计算机及存储介质

Country Status (1)

Country Link
CN (1) CN118194214B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362660A (zh) * 2019-07-23 2019-10-22 重庆邮电大学 一种基于知识图谱的电子产品质量自动检测方法
WO2020253355A1 (zh) * 2019-06-20 2020-12-24 京东方科技集团股份有限公司 用于实体融合的方法和设备、电子设备和存储介质
CN112612902A (zh) * 2020-12-23 2021-04-06 国网浙江省电力有限公司电力科学研究院 一种电网主设备的知识图谱构建方法及设备
CN113112164A (zh) * 2021-04-19 2021-07-13 特变电工股份有限公司新疆变压器厂 基于知识图谱的变压器故障诊断方法、装置及电子设备
CN116822625A (zh) * 2023-05-17 2023-09-29 广西卓洁电力工程检修有限公司 一种发散式关联的风机设备运检知识图谱构建及检索方法
CN117874234A (zh) * 2024-01-12 2024-04-12 中国平安财产保险股份有限公司 基于语义的文本分类方法、装置、计算机设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253355A1 (zh) * 2019-06-20 2020-12-24 京东方科技集团股份有限公司 用于实体融合的方法和设备、电子设备和存储介质
CN110362660A (zh) * 2019-07-23 2019-10-22 重庆邮电大学 一种基于知识图谱的电子产品质量自动检测方法
CN112612902A (zh) * 2020-12-23 2021-04-06 国网浙江省电力有限公司电力科学研究院 一种电网主设备的知识图谱构建方法及设备
CN113112164A (zh) * 2021-04-19 2021-07-13 特变电工股份有限公司新疆变压器厂 基于知识图谱的变压器故障诊断方法、装置及电子设备
CN116822625A (zh) * 2023-05-17 2023-09-29 广西卓洁电力工程检修有限公司 一种发散式关联的风机设备运检知识图谱构建及检索方法
CN117874234A (zh) * 2024-01-12 2024-04-12 中国平安财产保险股份有限公司 基于语义的文本分类方法、装置、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANGTAO MA ET AL.: "GAFM: A Knowledge Graph Completion Method Based on Graph Attention Faded Mechanism", INFORMATION PROCESSING & MANAGEMENT, vol. 59, no. 5, 30 September 2022 (2022-09-30), pages 1 - 15 *
夏敏: "基于半监督学习的知识图谱构建技术研究", 中国优秀硕士学位论文全文数据库 信息科技辑, vol. 2024, no. 04, 15 April 2024 (2024-04-15), pages 138 - 2283 *
赵晓娟;贾焰;李爱平;常春喜;: "多源知识融合技术研究综述", 云南大学学报(自然科学版), no. 03, 10 May 2020 (2020-05-10) *

Also Published As

Publication number Publication date
CN118194214B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
EP3846048A1 (en) Online log analysis method, system, and electronic terminal device thereof
CN110334209B (zh) 文本分类方法、装置、介质及电子设备
CN111259144A (zh) 多模型融合文本匹配方法、装置、设备和存储介质
CN114613516B (zh) 文本的标准化处理方法、装置、电子设备及计算机介质
CN111177367B (zh) 案件分类方法、分类模型训练方法及相关产品
CN112883721B (zh) 基于bert预训练模型的新词识别方法和装置
US20230213353A1 (en) Method of updating road information, electronic device, and storage medium
CN113593661A (zh) 临床术语标准化方法、装置、电子设备及存储介质
CN115544303A (zh) 用于确定视频的标签的方法、装置、设备及介质
CN114153980A (zh) 知识图谱构建方法和装置、检查方法、存储介质
US20240273555A1 (en) Method, apparatus, device and storage medium for verifying real store
CN111063446B (zh) 用于标准化医疗文本数据的方法、装置、设备及存储介质
CN116132263A (zh) 告警解决方案推荐方法、装置、电子设备及存储介质
CN114462418A (zh) 事件检测方法、系统、智能终端及计算机可读存储介质
CN118194214B (zh) 一种输电立体巡检方法、系统、计算机及存储介质
CN117725218A (zh) 一种文本分类方法、计算机设备及程序产品
CN117235137A (zh) 一种基于向量数据库的职业信息查询方法及装置
CN111950646A (zh) 电磁图像的层次化知识模型构建方法及目标识别方法
CN113468307B (zh) 文本处理方法、装置、电子设备及存储介质
CN113688263B (zh) 用于搜索图像的方法、计算设备和存储介质
CN115730079A (zh) 基于知识图谱的虚假新闻辨识方法、装置、设备及介质
CN112818972A (zh) 兴趣点图像的检测方法、装置、电子设备及存储介质
CN113963357B (zh) 基于知识图谱的敏感文本检测方法及系统
CN116522908B (zh) 指挥控制系统消息管理方法及装置
CN116739047B (zh) 汽车螺栓拧紧曲线重建模型构建和拧紧质量识别方法

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