融合多参量数据分析的时序图建模方法及装置制造方法及图纸

本发明专利技术公开一种融合多参量数据分析的时序图建模方法及装置，所述方法包括：获取换流变的多源信息，多源信息包括工况运行数据和多源传感数据；将多源信息经词向量模型转换得到对应的语义特征向量；将各语义特征向量以及各语义特征拼接得到的拼接特征向量分别进行线性变换，以将多源信息变换至公共特征空间；基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各语义特征向量经线性变换后的特征值进行处理，得到不同时刻多源信息对应的知识图谱；基于时序图注意力神经网络，对不同时刻多源信息对应的知识图谱进行处理，分析多源信息的变化规律。信息的变化规律。信息的变化规律。

【技术实现步骤摘要】
融合多参量数据分析的时序图建模方法及装置


[0001]本专利技术涉及数据融合处理
，具体涉及一种融合多参量数据分析的时序图建模方法及装置。

技术介绍

[0002]随着西电东送的大规模发展，超远距离特高电压输电线路不断建设，逐渐形成了特高压大电网，特高压换流站作为超远距离大功率直流输电的枢纽，在送端通过换流阀整流，将500kV、750kV或者1000kV的交流电转换为
±
800kV或者
±
1100kV的直流电，实现电能的超远距离低损耗传输，在受端通过换流阀逆变，将直流电转换为交流电，再传输至下一级交流变电站。
[0003]目前，智能电网建设和增强供电可靠性已上升为国家战略，电力设备状态检测、监测逐渐兴起，随着智能电网的发展及设备精益化管理要求，换流站逐渐形成集控或少人值守的运维模式。但是特高压换流站设备数量非常多，涉及大量日常运维工作，一旦设备出现状况造成停电事故，将会造成极大的经济损失，可能对电网造成较为严重的功率震荡，甚至导致区域电网崩溃，换流变作为特高压换流站的重要设备，在直流输电系统中扮演重要角色，加强对换流变的研究对换流站的稳定运行有重要意义。
[0004]在特高压换流站中，换流变由于直流偏磁和高次谐波问题，故障发生率大约是交流变压器的两倍。同时换流站在线的数字化系统不稳定、算法不成熟等问题仍然突出，换流站智能运维的最大问题是数据分析技术跟不上站内硬件配置：从数据的角度来说，换流站内针对特高压换流变配备了丰富的传感器，采集多种观测数据，站内针对换流变内部采集数据多样，包括运行工况数据、各传感感知参量以及历史数据、设备维护案例数据等，然而站内上线的系统大多对某类数据进行单独分析处理，忽略了观测数据间的相关性，给出更好的结果。因此，在这种极端故障样本条件下的换流站场景里，需探索新的技术来支撑换流变的智能运维。
[0005]相关技术中，公布号为CN113254663A的中国专利技术专利文献记载了一种融合图卷积与翻译模型的知识图谱联合表示学习方法，包括以下步骤：1)根据知识图谱构建其相对应的直接邻接矩阵和间接邻接矩阵；2)设计图卷积网络，包括一个输入层、两个隐藏层和一个输出层，优化邻接点节点对中心节点的注意力系数，通过学习直接邻节点和间接邻节点的结构信息得到节点的向量表示；3)采用翻译模型学习关系的语义信息，得到实体和关系的向量表示；4)将图卷积网络和翻译模型相融合，通过不断的迭代学习得到知识图谱的最终向量表示。
[0006]公布号为CN113704500A的中国专利技术专利文献记载了一种基于图神经网络的知识图谱社区划分方法，包括以下步骤：1)构建知识图谱及其邻接矩阵；2)利用图神经网络将知识图谱中的节点进行表示学习，得到节点的向量表示；3)基于余弦相似度计算节点间的相似度；4)根据同类型的节点间的邻接关系以及节点相似度构建一个无向有权节点关系网络；5)设置模块度评估社区内部的内聚程度；6)通过社区划分算法将知识图谱中目标节点
进行社团划分。
[0007]上述相关方案中知识图谱仅限制在文本类数据，而不是针对多源数据的融合。

技术实现思路

[0008]本专利技术所要解决的技术问题在于如何实现换流变多模态数据的融合分析，提高站内在线监控系统的智能化水平。
[0009]本专利技术通过以下技术手段实现解决上述技术问题的：
[0010]本方面提出了一种融合多参量数据分析的时序图建模方法，所述方法包括：
[0011]获取换流变的多源信息，所述多源信息包括工况运行数据和多源传感数据；
[0012]将所述多源信息经词向量模型转换得到对应的语义特征向量；
[0013]将各所述语义特征向量以及各所述语义特征拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间；
[0014]基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱；
[0015]基于时序图注意力神经网络，对不同时刻所述多源信息对应的知识图谱进行处理，分析所述多源信息的变化规律。
[0016]本专利技术通过先将多模态数据映射到一个公共特征空间，解决了不同类型数据在特征上的异构性和不可比性问题，然后通过构建知识图谱对前一步骤转化的多模态数据建立不同模态之间的相关关系，最后利用图神经网络结合注意力机制分析一段时间内每个时刻多模态数据建立的知识图谱，从而分析多模态数据的变化规律。
[0017]进一步地，所述将所述多源信息经词向量模型转换得到对应的语义特征向量，包括：
[0018]将所述多源信息经Word2Vec词向量模型得到对应的语义特征向量{F1,F2,
…
,F
n
}，其中，n表示所述多源信息的种类数量。
[0019]进一步地，所述将各所述语义特征向量以及各所述语义特征向量拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间，包括：
[0020]将各所述语义特征向量进行拼接，得到拼接特征向量F
s
；
[0021]将各所述语义特征向量{F1,F2,
…
,F
n
}和所述拼接特征向量F
s
，分别进行线性变换，线性变换公式为：
[0022][0023]式中，σ(
·
)表示激活函数ReLU；W
m
和b
m
分别为F
m
的变换矩阵和常量；F
m
表示语义特征向量或拼接特征向量。
[0024]进一步地，在所述将各所述语义特征向量{F1,F2,
…
,F
n
}和所述拼接特征向量F
s
，分别进行线性变换之后，还包括：
[0025]利用损失函数最小化各所述语义特征向量和所述拼接特征向量之间的距离，所述损失函数为：
[0026][0027]其中，表示2范数；表示各所述语义特征向量线性变换后的特征，i＝1,......,n；表示所述拼接特征向量线性变换后的特征；
[0028]迭代优化所述线性变换公式的参数，使得所述损失值L最小，以将各所述语义特征向量和所述拼接特征向量映射到同一空间转化成同一维度。
[0029]进一步地，所述基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱，包括：
[0030]将各所述语义特征向量经线性变换后的特征值分别对应知识图谱中的一个节点，基于相邻节点之间的连线作为邻接边，其中，以相邻节点的特征值之间的余弦相似度作为所述知识图谱的邻接边权重，构造邻接矩阵为：
[0031][0032]式中：A
ij
表示邻接矩阵的第i行第j列元素，表示节点i的特征向量；表示节点j的特征向量。
[0033本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多参量数据分析的时序图建模方法，其特征在于，所述方法包括：获取换流变的多源信息，所述多源信息包括工况运行数据和多源传感数据；将所述多源信息经词向量模型转换得到对应的语义特征向量；将各所述语义特征向量以及各所述语义特征拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间；基于邻接矩阵权重随节点特征自适应变化的知识图谱技术，对各所述语义特征向量经线性变换后的特征值进行处理，得到不同时刻所述多源信息对应的知识图谱；基于时序图注意力神经网络，对不同时刻所述多源信息对应的知识图谱进行处理，分析所述多源信息的变化规律。2.如权利要求1所述的融合多参量数据分析的时序图建模方法，其特征在于，所述将所述多源信息经词向量模型转换得到对应的语义特征向量，包括：将所述多源信息经Word2Vec词向量模型得到对应的语义特征向量{F1,F2,
…
,F
n
}，其中，n表示所述多源信息的种类数量。3.如权利要求1所述的融合多参量数据分析的时序图建模方法，其特征在于，所述将各所述语义特征向量以及各所述语义特征向量拼接得到的拼接特征向量分别进行线性变换，以将所述多源信息变换至公共特征空间，包括：将各所述语义特征向量进行拼接，得到拼接特征向量F
s
；将各所述语义特征向量{F1,F2,
…
,F
n
}和所述拼接特征向量F
s
，分别进行线性变换，线性变换公式为：式中，σ(
·
)表示激活函数ReLU；W
m
和b
m
分别为F
m
的变换矩阵和常量；F
m
表示语义特征向量或拼接特征向量。4.如权利要求3所述的融合多参量数据分析的时序图建模方法，其特征在于，在所述将各所述语义特征向量{F1,F2,
…
,F
n
}和所述拼接特征向量F
s
，分别进行线性变换之后，还包括：利用损失函数最小化各所述语义特征向量和所述拼接特征向量之间的距离，所述损失函数为：其中，表示2范数；表示各所述语义特征向量线性变换后的特征，i＝1,......,n；表示所述拼接特征向量线性变换后的特征；迭代优化所述线性变换公式的参数，使得所述损失值L最小，以将各所述语义特征向量和所述拼接特征向量映射到同一空间转化成同一维度。5.如权利要求1所述的融合多参量数据分析的时序图建模方法，其特征在于，所述基于邻接矩阵权重随节点特征自适应...

【专利技术属性】
技术研发人员：刘鑫，常文婧，甘津瑞，常珂，刘浩，韩兆刚，夏卫尚，邱欣杰，谢涛，陈庆涛，马欢，黄海宏，孙伟，梁娟娟，李坚林，杜君莉，尚守卫，
申请(专利权)人：国网安徽省电力有限公司国网智能电网研究院有限公司合肥工业大学中国电力科学研究院有限公司国网河南省电力公司电力科学研究院，
类型：发明
国别省市：