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。
[0004]为达到上述目的，本专利技术所采用的技术方案是：
[0005]第一方面，提供一种变电站设备故障诊断方法，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。
[0006]进一步地，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。
[0007]进一步地，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。
[0008]进一步地，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：
[0009][0010]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；
[0011]样本数据的代价函数为：
[0012][0013]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；
[0014]网络权值和偏置的更新表达式分别为：
[0015][0016][0017]其中，α为学习率。
[0018]进一步地，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；
[0019]第n次epoch的学习率的表达式为：
[0020][0021]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，表达式如下：
[0022][0023]学习率的自增强方式如下：
[0024]若n≤b，则用大于1的常数自增强学习率，即
[0025]α
n
＝α0λ
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0026]若n＞b，则先计算J和β(x)，根据β(x)的符号调整学习率：
[0027][0028]然后更新权值w和偏置b；若未达到设定的迭代次数，则继续执行学习率更新，否则停止。
[0029]进一步地，所述知识图谱的构建方法，包括：知识抽取、知识融合、知识加工和存储数据；构建知识图谱的主要工作是通过三元组筛选法将变电站设备信息转化为结构化的三元组数据，三元组筛选法是指每一个实体或概念都用节点来表示，而节点间的关系或属性用边来声明，通过点与边将变电站场景内设备实体和关系构成用网络化形式的语义图表示；然后，根据定义的概念框架，将三元组知识联结起来，结构化数据以图的形式存储在Neo4j图数据库中，最终形成知识图谱。
[0030]进一步地，构建知识图谱时，利用图数据库以网络化的模式存储数据，包括：本体
概念框架构建，即属性关系以及类别层次定义；数据层构建，包括数据获取和整理，通过预训练实现实体对齐，再经过实体/关系抽取后以三元组的形式来描述实体与实体间的关系，形成知识图谱。
[0031]进一步地，所述知识抽取，包括从变电站场景和互联网络中采集到的文本、图像、视频和音频数据选择其中置信度符合设定条件的信息。
[0032]进一步地，所述变电站智慧巡检系统的各子系统，包括视频智慧巡检系统、防盗报警系统、消防系统、门禁控制系统、轮式机器人智能巡检系统、无人机智能巡检系统、轨道机器人智能巡检系统、设备在线监测系统和智能环境检测系统。
[0033]第二方面，提供一种变电站设备故障诊断系统，包括：数据获取模块，用于获取变电站的监控信息；故障诊断模块，用于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。
[0034]与现有技术相比，本专利技术所达到的有益效果：
[0035](1)本专利技术通过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；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；
[0036](2)本专利技术解决了无人值守变电站智慧巡检系统在应用过程中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的问题；且该方法运行管理费用低、供电质量高、值班人员工作量低、安全性高，符合智能变电站的发展趋势。
附图说明
[0037]图1是本专利技术实施例提供的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的技术框架示意图；
[0038]图2是本专利技术实施例提供的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中知识图谱的构建流程示意图。
具体实施方式
[0039]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0040]实施例一：
[0041]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，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：