本申请涉及一种高压直流线路的故障类型识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取高压直流线路中多个历史故障案例各自对应的知识图谱实体，将知识图谱实体分别转换为初始嵌入向量；按照每一历史故障案例各自对应的多个知识图谱实体类型，分别对每一历史故障案例各自的初始嵌入向量进行划分，得到每一历史故障案例各自对应的多个子初始嵌入向量；基于多头注意力机制，对每一历史故障案例的多个子初始嵌入向量进行加权融合，得到每一历史故障案例各自的目标嵌入向量；基于目标嵌入向量，通过图卷积神经网络模型训练得到高压直流线路的故障类型识别模型。采用本方法能够提高高压直流输电线路故障类型识别效果。故障类型识别效果。故障类型识别效果。
【技术实现步骤摘要】
高压直流线路的故障类型识别方法、装置和计算机设备
[0001]本申请涉及线路故障诊断
，特别是涉及一种高压直流线路的故障类型识别方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]随着远距离输电技术的发展，具备传输容量大、输电距离远等优势的高压直流输电线路得到了广泛的运用，但高压直流输电线路较长，沿线地形复杂，且高压直流输电线路的阻尼较小，与其他直流输电线路相比，高压直流输电线路的故障概率较高。
[0003]传统技术中，当高压直流输电线路出现故障时，一般需要较多的人工干预，以识别高压直流输电线路的故障类型，并开展抢修。
[0004]然而，传统技术中，由于人工干预的过程需要耗费较多时间，且存在判断失误的情况，无法快速、准确地识别出高压直流输电线路的故障类型，导致高压直流输电线路的故障类型识别效果不佳。
技术实现思路
[0005]基于此，有必要针对上述技术问题，提供一种能够提高高压直流输电线路故障类型识别效果的高压直流线路的故障类型识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种高压直流线路的故障类型识别方法。所述方法包括：
[0007]获取高压直流线路中多个历史故障案例各自对应的知识图谱实体，并将每一历史故障案例各自对应的知识图谱实体，分别转换为各自对应的初始嵌入向量；
[0008]按照每一历史故障案例各自对应的多个知识图谱实体类型，分别对每一历史故障案例各自对应的初始嵌入向量进行划分，得到每一历史故障案例各自对应的多个子初始嵌入向量；
[0009]基于多头注意力机制，对每一历史故障案例各自对应的多个子初始嵌入向量进行加权融合，得到每一历史故障案例各自对应的目标嵌入向量；
[0010]基于目标嵌入向量，通过图卷积神经网络模型训练得到高压直流线路的故障类型识别模型，以识别高压直流线路的故障类型。
[0011]在其中一个实施例中，获取高压直流线路中多个历史故障案例各自对应的知识图谱实体，并将每一历史故障案例各自对应的知识图谱实体，分别转换为各自对应的初始嵌入向量包括：
[0012]分别对每一历史故障案例的知识图谱实体进行词性标注，获得标注结果；
[0013]基于标注结果，获得每一历史故障案例的知识图谱实体各自对应的字序列；
[0014]将字序列分别转换为相应的初始嵌入向量，得到每一历史故障案例各自对应的初始嵌入向量。
[0015]在其中一个实施例中，按照每一历史故障案例各自对应的多个知识图谱实体类
型，分别对每一历史故障案例各自对应的初始嵌入向量进行划分，得到每一历史故障案例各自对应的多个子初始嵌入向量之前，包括：
[0016]将每一历史故障案例各自对应的知识图谱实体分别输入类型识别模型；
[0017]基于类型识别模型，对每一历史故障案例各自对应的知识图谱实体分别进行类型特征提取，得到每一历史故障案例各自对应的多个知识图谱实体类型。
[0018]在其中一个实施例中，每一子初始嵌入向量均对应一种知识图谱实体类型，每一历史故障案例均对应多个子初始嵌入向量；
[0019]基于多头注意力机制，对每一历史故障案例各自对应的多个子初始嵌入向量进行加权融合，得到每一历史故障案例各自对应的目标嵌入向量包括：
[0020]获取每一历史故障案例中每一子初始嵌入向量各自对应的权重；
[0021]按照每一子初始嵌入向量的权重，对每一历史故障案例中的多个初始嵌入向量进行加权融合，得到每一历史故障案例各自对应的目标嵌入向量。
[0022]在其中一个实施例中，获取每一历史故障案例中每一子初始嵌入向量各自对应的权重包括：
[0023]构建每一子初始嵌入向量各自对应的特征图；
[0024]对每一子初始嵌入向量各自对应的特征图进行全局平均池化，得到每一子初始嵌入向量各自对应的权重。
[0025]在其中一个实施例中，基于目标嵌入向量，通过图卷积神经网络模型训练得到高压直流线路的故障类型识别模型，以识别高压直流线路的故障类型包括：
[0026]将每一历史故障案例各自对应的目标嵌入向量，以及每一历史故障案例各自对应的故障类型输入图卷积神经网络模型，图卷积神经网络模型配置有多个节点，每一节点对应一个历史故障案例；
[0027]通过图卷积神经网络模型，对各历史故障案例的目标嵌入向量以及故障类型进行特征提取，训练得到高压直流线路的故障类型识别模型。
[0028]第二方面，本申请还提供了一种高压直流线路的故障类型识别装置。所述装置包括：
[0029]初始嵌入向量转换模块，用于获取高压直流线路中多个历史故障案例各自对应的知识图谱实体，并将每一历史故障案例各自对应的知识图谱实体，分别转换为各自对应的初始嵌入向量；
[0030]子初始嵌入向量获得模块，用于按照每一历史故障案例各自对应的多个知识图谱实体类型，分别对每一历史故障案例各自对应的初始嵌入向量进行划分，得到每一历史故障案例各自对应的多个子初始嵌入向量；
[0031]目标嵌入向量获得模块，用于基于多头注意力机制，对每一历史故障案例各自对应的多个子初始嵌入向量进行加权融合，得到每一历史故障案例各自对应的目标嵌入向量；
[0032]故障类型识别模型获得模块，用于基于目标嵌入向量，通过图卷积神经网络模型训练得到高压直流线路的故障类型识别模型，以识别高压直流线路的故障类型。
[0033]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0034]获取高压直流线路中多个历史故障案例各自对应的知识图谱实体，并将每一历史故障案例各自对应的知识图谱实体，分别转换为各自对应的初始嵌入向量；
[0035]按照每一历史故障案例各自对应的多个知识图谱实体类型，分别对每一历史故障案例各自对应的初始嵌入向量进行划分，得到每一历史故障案例各自对应的多个子初始嵌入向量；
[0036]基于多头注意力机制，对每一历史故障案例各自对应的多个子初始嵌入向量进行加权融合，得到每一历史故障案例各自对应的目标嵌入向量；
[0037]基于目标嵌入向量，通过图卷积神经网络模型训练得到高压直流线路的故障类型识别模型，以识别高压直流线路的故障类型。
[0038]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其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以下步骤：
[0039]获取高压直流线路中多个历史故障案例各自对应的知识图谱实体，并将每一历史故障案例各自对应的知识图谱实体，分别转换为各自对应的初始嵌入向量；
[0040]按照每一历史故障案例各自对应的多个知识图谱实体类型，分别对每一历史故障案例各自对应的初始嵌入向量进行划分，得到每一历史故障案例各自对应的多个子初始嵌入向量；...
【技术保护点】
【技术特征摘要】
1.一种高压直流线路的故障类型识别方法，其特征在于，所述方法包括：获取高压直流线路中多个历史故障案例各自对应的知识图谱实体，并将每一所述历史故障案例各自对应的知识图谱实体，分别转换为各自对应的初始嵌入向量；按照每一所述历史故障案例各自对应的多个知识图谱实体类型，分别对每一所述历史故障案例各自对应的初始嵌入向量进行划分，得到每一所述历史故障案例各自对应的多个子初始嵌入向量；基于多头注意力机制，对每一所述历史故障案例各自对应的多个子初始嵌入向量进行加权融合，得到每一所述历史故障案例各自对应的目标嵌入向量；基于所述目标嵌入向量，通过图卷积神经网络模型训练得到所述高压直流线路的故障类型识别模型，以识别所述高压直流线路的故障类型。2.根据权利要求1所述的方法，其特征在于，所述获取高压直流线路中多个历史故障案例各自对应的知识图谱实体，并将每一所述历史故障案例各自对应的知识图谱实体，分别转换为各自对应的初始嵌入向量包括：分别对每一所述历史故障案例的知识图谱实体进行词性标注，获得标注结果；基于所述标注结果，获得每一所述历史故障案例的知识图谱实体各自对应的字序列；将所述字序列分别转换为相应的初始嵌入向量，得到每一所述历史故障案例各自对应的初始嵌入向量。3.根据权利要求1所述的方法，其特征在于，所述按照每一所述历史故障案例各自对应的多个知识图谱实体类型，分别对每一所述历史故障案例各自对应的初始嵌入向量进行划分，得到每一所述历史故障案例各自对应的多个子初始嵌入向量之前，包括：将每一所述历史故障案例各自对应的知识图谱实体分别输入类型识别模型；基于所述类型识别模型，对每一所述历史故障案例各自对应的知识图谱实体分别进行类型特征提取，得到每一所述历史故障案例各自对应的多个知识图谱实体类型。4.根据权利要求1所述的方法，其特征在于，每一子初始嵌入向量均对应一种知识图谱实体类型，每一所述历史故障案例均对应多个子初始嵌入向量；所述基于多头注意力机制，对每一所述历史故障案例各自对应的多个子初始嵌入向量进行加权融合，得到每一所述历史故障案例各自对应的目标嵌入向量包括：获取每一所述历史故障案例中每一所述子初始嵌入向量各自对应的权重；按照每一所述子初始嵌入向量的权重，对每一所述历史故障案例中的多个初始嵌入向量进行加权融合，得到每一所述历史故障案例各自对...
【专利技术属性】
技术研发人员：陈潜，武霁阳，李强，彭光强，何竞松，国建宝，张楠，陈礼昕，黄之笛，王晨涛，王金玉，杨礼太，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司大理局，
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。