【技术实现步骤摘要】
一种变电设备并发故障分析方法、系统、设备及介质
[0001]本专利技术属于变电设备故障诊断分析
，涉及关系图卷积神经网络以及知识图谱领域，特别涉及一种变电设备并发故障分析方法、系统、设备及介质。
技术介绍
[0002]变电设备是电力系统的重要组成部分，其中的变压器、断路器等关键设备在运行过程中发生的不同程度和不同类型的故障会影响电网的安全稳定运行；另外，变电设备故障具有并发性、继发性等特点，在电网运行过程中会出现并发故障的情况，即多个故障同时出现。综上，由于故障类型多样、特征极为复杂，且多种故障间关联分析难度大，变电设备并发故障分析存在巨大挑战。
[0003]目前，变电设备并发故障分析业务主要依靠人工经验分析，运检人员需要掌握全面、系统的专业知识与业务经验，存在知识经验储备不足导致并发故障人为分析难度大、质效低、可靠性不稳定等技术问题。
[0004]综上，鉴于上述现有技术尚存的缺陷，为了实现变电设备并发故障的高效、精准分析，亟需提供一种新的并发故障分析方法，这对于电力系统的安全可靠运行具有重要意义。
技术实现思路
[0005]本专利技术的目的在于提供一种变电设备并发故障分析方法、系统、设备及介质，以解决上述存在的一个或多个技术问题。本专利技术提供的技术方案中，基于关系图卷积神经网络以及故障知识图谱对变电设备并发故障进行分析，可实现变电设备并发故障的高效、精准分析，可提升变电设备并发故障分析的智能化水平。
[0006]为达到上述目的，本专利技术采用以下技术方案：
[...
【技术保护点】
【技术特征摘要】
1.一种变电设备并发故障分析方法，其特征在于，包括以下步骤：获取待并发故障分析的变电设备或部件的故障子图；其中，所述故障子图包括实体节点、属性节点以及各节点之间的拓扑关联结构；所述实体节点包括设备或部件故障、故障类型、故障原因、故障所属设备或部件；所述属性节点包括故障时间；将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示；将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示；基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果。2.根据权利要求1所述的一种变电设备并发故障分析方法，其特征在于，所述获取待并发故障分析的变电设备或部件的故障子图的步骤包括：基于预先构建的变电设备故障知识图谱，以设备或部件故障节点为中心节点获取包含预设关键信息的故障子图；其中，所述预先构建的变电设备故障知识图谱中，以图结构形式存储有各个节点的故障知识及节点间的拓扑关联结构；所述预设关键信息包括设备或部件故障、故障类型、故障原因、故障所属设备或部件、故障时间。3.根据权利要求2所述的一种变电设备并发故障分析方法，其特征在于，所述预先构建的变电设备故障知识图谱的获取步骤包括：根据专家经验及设备检修标准文档，获取变电设备及部件的故障类型、故障原因、故障时间概念及其间的逻辑关系；基于获取的概念及逻辑关系构建获得变电设备故障知识图谱本体架构；基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体
‑
关系
‑
实体>；对获取的所有三元组数据中的设备或部件节点进行共指消解，并根据变电站接线图及设备结构拓扑图补充设备、部件间的电气和机械连接关系，完成变电设备故障知识图谱数据层的构建，获得所述预先构建的变电设备故障知识图谱。4.根据权利要求3所述的一种变电设备并发故障分析方法，其特征在于，所述基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系，对故障分析报告、检修记录文档进行知识抽取，形成结构化的三元组数据<实体
‑
关系
‑
实体>的步骤中，采用BERT
‑
BiGRU
‑
CRF模型实现对故障分析报告、检修记录文档的实体和属性抽取；采用BERT
‑
BiGRU
‑
Attention模型实现对故障分析报告、检修记录文档的关系抽取。5.根据权利要求1所述的一种变电设备并发故障分析方法，其特征在于，所述将所述故障子图中的设备或部件故障、故障时间进行特征向量表示并计算融合，获得设备或部件故障中心节点特征表示的步骤包括：采用均值组合方式将字符向量进行融合，得到设备或部件故障子图中实体节点和属性
节点的特征向量表示，表达式为，Y＝(y1,y2,...,y
m
)式中，Y表示实体节点和属性节点的特征向量，m表示每个字符的向量维度，n表示实体和属性的节点名称字符长度，y
j
表示实体和属性节点名称特征向量的第j维特征值，x
ij
表示实体和属性节点名称第i个字符特征向量的第j维特征值，X
n
×
m
表示字符特征矩阵；采用加权平均法得到融合故障时间属性节点信息的设备或部件故障中心节点特征表示，表达式为，Y
′
e
＝αY
e
+βY
p
；式中α、β为加权系数，满足α+β＝1；Y
e
、Y
p
分别为设备或部件故障节点和故障时间属性节点的特征向量；Y
′
e
为融合故障时间属性节点信息的设备或部件故障中心节点特征向量。6.根据权利要求5所述的一种变电设备并发故障分析方法，其特征在于，所述将所述故障子图中的故障类型、故障原因和故障所属设备或部件进行特征向量表示，利用预先训练好的关系图卷积神经网络融合故障类型、故障原因和故障所属设备或部件的语义表征并更新所述设备或部件故障中心节点特征表示，获得更新后的设备或部件故障中心节点特征表示的步骤中，关系图卷积神经网络为基于节点信息传递的异构图神经网络，在图卷积神经网络学习实体嵌入的基础上加入边信息；设备或部件故障中心节点特征更新公式为，式中，为设备或部件故障节点i在第l层的特征表达；R为设备或部件故障节点的邻接关系集合，为节点i在关系r条件下的邻居节点集，为邻居节点j在第l层的特征表达；为归一化因子，d
i
和d
i
为节点i和节点j的度；为节点自身变换权重参数，为在关系r条件下的邻居节点变换权重参数；初始输入和分别为关系r条件下设备或部件故障节点的邻居节点特征向量表示和融合故障时间属性节点信息的设备或部件故障中心节点特征表示；σ表示非线性激活函数ReLU；为设备或部件故障节点i在第l+1层的特征表达。7.根据权利要求6所述的一种变电设备并发故障分析方法，其特征在于，所述基于所述更新后的设备或部件故障中心节点特征表示，根据节点特征相似度和拓扑连接关系建模故障关联度，通过计算设备或部件故障节点间的关联度获取并发故障分析结果的步骤中，故障关联度计算表达式为，
式中，h
u
和h
v
为不同设备或部件故障中心节点特征表示，m表示特征向量维度，和为不同设备或部件故障中心节点特征表示的第i维特征值；exp(
·
)为指数函数；l表示不同故障所属设备或部件间的电气和机械连接路径长度，γ为收缩因子，用于调节曼哈顿距离与惩罚项的影响因素；将计算获得的故障关联度与预设阈值σ进行比较，若故障关联度大于预设阈值，则表明为并发故障。8.根据权利要求7所述的一种变电设备并发故障分析方法，其特征在于，所述预先训练好的关系图卷积神经网络的输入为故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；经过所述设备或部件故障中心节点特征更新公式计算后，输出为更新后的设备或部件故障中心节点特征表示；所述预先训练好的关系图卷积神经网络的训练获取步骤包括：获取多个故障子图并两两组合进行标注，形成训练集；其中，标签包括两个故障是并发故障以及两个故障不是并发故障；获取训练集的故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示；将所述训练集的故障子图中的故障类型、故障原因和故障所属设备或部件的特征向量表示，以及融合故障时间属性节点信息的设备或部件故障中心节点特征表示输入所述关系图卷积神经网络中，计算得到更新后的设备或部件故障中心节点特征表示；通过故障关联度计算方法得到训练集中两两故障间的故障关联度，作为并发故障的预测概率；基于并发故障的预测概率和标签，利用交叉熵损失函数计算损失值，并利用梯度下降法对关系图卷积神经网络参数进行更新迭代，训练过程直到训练轮数满足设置的更新迭代次数为止。9.一种变电设备并发故障分析系统，其特征在于，包括：故障子图获取模块，用于获取待并发故障分析的变电设备或部件的故障子图；其中，所述故障子图包括实体节点、属性节点以及各节点之间的拓扑关联结构；所述实体节点包括设备或部件故障、故障类型、故障原因、故障所属设备或部件；所述属性节点包括故障时间；设备或部件故障中心节点特征表示获取模块，用于将所述故障子图中的设备或部件故障、故障时间进行特...
【专利技术属性】
技术研发人员：徐建南，焦飞，李志坚，徐会芳，张英强，
申请(专利权)人：国网天津市电力公司电力科学研究院国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。