基于深度学习和知识图谱的变电站设备故障诊断方法及系统技术方案

本发明专利技术公开了一种基于深度学习和知识图谱的变电站设备故障诊断方法及系统，方法包括：获取变电站的监控信息；将变电站的监控信息输入构建的基于深度学习和知识图谱的多模态语义模型，输出故障类型及对应的预防措施，用于变电站智慧巡检系统的各子系统之间的联动。本发明专利技术实现了对整个变电站的综合、有效监控，同时可以对各个分散的子系统和设备进行综合监控，实现各个子系统的整合和联动。实现各个子系统的整合和联动。实现各个子系统的整合和联动。

【技术实现步骤摘要】
基于深度学习和知识图谱的变电站设备故障诊断方法及系统


[0001]本专利技术属于变电站
，具体涉及一种基于深度学习和知识图谱的变电站设备故障诊断方法及系统。

技术介绍

[0002]随着无人值守变电站模式的推广和坚强智能电网的建设，变电站巡检技术正在逐步向智能化方向发展。而变电站电力设备在运行时一旦发生故障，可能会导致大规模大面积停电，给国民经济和工业生产带来不可估量的损失。智能巡检是保障电网和电力设备安全、稳定、经济运行的重要服务手段，是实现电网智能化的关键。当前无人值守变电站在应用过程中具有运行管理费用低、供电质量高、值班人员工作量低、安全性高等优势，因此得到了各地区电力企业的广泛关注。但在实际应用中，无人值守变电站智慧巡检系统无法满足变电站运行管理和控制的实质需要，存在信息显示不全面、可视化程度低、未配备相应的报警功能，各子系统之间缺乏联动等问题。

技术实现思路

[0003]为解决现有技术中的不足，本专利技术提供一种基于深度学习和知识图谱的变电站设备故障诊断方法及系统，实现了对整个变电站的综合、有效监控，同时可以对各个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变电站设备故障诊断方法，其特征在于，包括：获取变电站的监控信息；将变电站的监控信息输入构建的基于深度学习和知识图谱的多模态语义模型，输出故障类型及对应的预防措施，用于变电站智慧巡检系统的各子系统之间的联动。2.根据权利要求1所述的变电站设备故障诊断方法，其特征在于，所述变电站的监控信息，包括通过监控获取的变电站的视频、图像和音频信息。3.根据权利要求2所述的变电站设备故障诊断方法，其特征在于，基于深度学习和知识图谱的多模态语义模型根据自增强学习的AlexNet网络对变电站的监控信息的检测结果，对照构建的知识图谱进行关系推理及属性推理，得到故障类型及对应的预防措施。4.根据权利要求3所述的变电站设备故障诊断方法，其特征在于，所述自增强学习的AlexNet网络，包括五个卷积层和五个池化层，采用固定卷积核，使用最大值池化方法；其中，卷积层的输出表达式如下：其中，F
c
为输出特征，con()为卷积函数，B
i
为偏置，W
i
为卷积核，I
i
为卷积层的第i个数据，f()为非线性函数，n表示输入数据的个数；样本数据的代价函数为：其中，样本数据的代价函数J(w，b)用于衡量真实值与测量值之间的误差，y为样本数据集标签，为L2正则化项，m为样本数，μ为正则化系数，h
w，b
(x)为ReLU函数；网络权值和偏置的更新表达式分别为：网络权值和偏置的更新表达式分别为：其中，α为学习率。5.根据权利要求4所述的变电站设备故障诊断方法，其特征在于，所述自增强学习的AlexNet网络的训练方法，包括：根据训练过程中各个阶段样本数据的代价函数的变化情况调整学习率，在模型训练初期，用大于1的因子自增强学习率，加快网络向极值点附近逼近的速度；随着训练的进行，由于模型接近收敛，因此在该阶段根据代价函数的相对变化率适当的增加或减小学习率，直至网络收敛或是达到设定的迭代次数；第n次epoch的学习率的表达式为：
其中，a为阈值，b为某一整数，λ为大于1的常数，β(x)为样本数据的代价函数的相对变化率，表...

【专利技术属性】
技术研发人员：赵振喜，张晓东，李铁英，金长双，吕洋，王忠义，刘春生，初浩，吴龙飞，黄大鹏，周奕冰，丁丽娟，张传羽，
申请(专利权)人：国电南瑞南京控制系统有限公司，
类型：发明
国别省市：