【技术实现步骤摘要】
本专利技术涉及电网，具体涉及一种基于知识图谱的电力生产设备故障与隐患智能诊断方法及系统。
技术介绍
1、随着机器学习与人工智能技术的不断发展，大量研究工作将电网故障诊断与前沿人工智能技术相结合，开展了大量先进技术与电网背景相融合的相关研究，杨强等人为了整合整个电力设备生命周期的数据，发现业务实体与设备实体之间的复杂关系，构建了领域性知识图谱；闪鑫等人提供了基于知识图谱的辅助策略和语音辅助技术进行探索；李新鹏等人基于知识图谱的构建及应用方法，帮助相关工作人员深入了解和学习调度自动化系统内部结构并进行辅助性的故障分析；高泽璞等人针对低压配电网拓扑结构频繁变化的问题，提出一种基于知识图谱的低压配电网拓扑结构辨识方法，整合挖掘多个低压配电网信息系统数据，识别系统中低压配电网户间的关系。王骏东等人提出一种基于知识图谱的配电网故障辅助决策研究方法，使用电网调度规则和故障预案等知识建立配电网故障调度知识图谱，该图谱基于配电网的拓扑结构形成知识表示。目前，投入使用的传统设备故障诊断方法往往需要借助人工经验，无法高效地处理大量故障信息。
技术实现思路
1、为了解决当前借助人工经验进行设备故障诊断时存在无法高效处理大量故障信息的技术问题，尤其是针对重大故障难以给予及时处理，无法保证电力生产设备的稳定运行，进而影响到人们的生产、生活各个方面，为此，本专利技术提供了一种基于知识图谱的电力生产设备故障与隐患智能诊断方法及系统。
2、所采用的技术方案如下：
3、一种基于知识图谱的电力生
4、进一步地，针对故障告警信息进行故障严重性等级识别，并按故障治理顺序排序的具体方法是：
5、对故障产生的故障告警信息进行词嵌入向量表征；
6、采用双向长短时记忆网络算法对所得故障告警信息的词嵌入向量表征进行双向语义编码训练；
7、采用注意力机制增强双向语义编码后的故障告警中的相关特征；
8、利用softmax函数对故障告警特征进行故障等级识别，并规划出故障治理排序。
9、进一步地，对故障产生的告警信息进行词嵌入向量表征，其具体方法是：
10、采用word2vec算法将获取到的故障告警信息形式化定义为下式：
11、sf＝{x1，x2，...，xn} (1)
12、利用词向量矩阵对故障告警信息进行词向量表征，如下式：
13、embs＝{e1，e2，...，en} (2)
14、式中xi-文本s中的第i个词汇；
15、将故障告警信息的句子sf转换为一个实数矩阵，并在其中添加故障等级信息，将获取的实数矩阵embs传递到双向长短时记忆网络中。
16、进一步地，采用双向长短时记忆网络中的前向长短期网络处理前文的故障告警信息，针对输入的分词特征向量xt到xt，结合xt的前文信息对xt进行语义编码，输出信息为ht；同时采用双向长短时记忆网络中的后向长短期网络处理后文的故障告警信息，针对输入的分词特征向量xn到xt，结合xt的后文信息对xt进行语义编码，输出信息为ht；将获取到的ht和ht表征第t个分词编码后的信息，其公式如(3)和(4)所示。
17、
18、式中-向量联结；
19、de-单向长短期网络维度；
20、ht-第t个分词编码后的信息；
21、h-输出向量集合，作为下一层的输入；
22、h＝(h1，h2，…，hn)∈r2de×n (4)。
23、进一步地，采用注意力机制增强双向语义编码后的故障告警中的相关特征，其具体方法是：
24、故障告警信息文本中，由双向长短时记忆网络输出的n时刻故障等级特征向量最后状态的注意力概率分布an的计算如式(5)所示。
25、
26、基于注意力机制的故障告警信息文本在n时刻最终特征的计算如式(6)所示；
27、进一步地，采用softmax函数计算后，得到故障等级类型标签维度为1×4，其概率分布如下式(7)和(8)：
28、
29、f′＝vf (8)
30、式中-每一个标签的概率；
31、t-故障等级标签数，包括minor、warning、major、critical；
32、v-故障告警信息在训练过程中产生的权重；
33、f-故障告警信息对应的故障严重性等级；
34、根据上述所得故障等级高低规划出故障治理顺序。
35、进一步地，使用tfidf模型对向量化表示的特征项进行加权，结合所构建的知识图谱，利用相似度计算方法得到诊断结果，其具体方法是：建立特征项tij在故障文本dj中对应的权重wij，并将其定义为tfidf模型因子，其计算如下式(9)：
36、
37、式中tfij-第j个文档第i特征项在故障文本中出现的次数；
38、dfij-第j文档第i特征项在所有故障文本中出现的次数；
39、利用余弦相似度函数进行故障文本di和dj的相似度计算，其计算如下式(10)：
40、
41、当余弦值接近1时，故障诊断可信度高，当余弦值接近0，故障诊断可信度低。
42、另一方面，本专利技术还提供了一种基于知识图谱的电力生产设备故障与隐患智能诊断系统，所述系统运行于计算机终端中，所述系统包括：
43、电力生产设备故障知识图谱，用于将若干故障信息、设备信息、维护记录数据进行整合，形成设备故障知识图谱；
44、故障严重性等级识别模块，其针对获取到的故障告警信息进行故障严重性等级识别，并按故障治理顺序排序；
45、设备故障智能诊断模块，按照故障治理顺序将待处理的故障文本预处理后得到的特征项进行向量化表示，结合所述电力生产设备故障知识图谱，利用相似度计算方法获取故障诊断结果。
46、进一步地，所述故障严重性等级识别模块包括：
47、词嵌入层模块，其利用word2vec算法对故障产生的故障告警信息进行词嵌入向量表征；
48、特征提取层模块，采用bilstm算法对所得故障告警信息的词嵌入向量表征进行双向语义编码训练；
49、注意力机制模块，用于增强双向语义编码后的故障告警中的相关特征；
50、故障等级识别模块，其利用softmax函数对故障告警特征进行故障等级识别，并规划出故障治理排序。
51、进一步地，所述设备故障智能诊断模块包括：
52、特征向量化模块，用于在向量空间模本文档来自技高网...
【技术保护点】
1.一种基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，构建电力生产设备故障知识图谱；针对获取到的故障告警信息进行故障严重性等级识别，并按故障治理顺序排序；按照故障治理顺序将待处理的故障文本采用向量空间模型进行预处理后得到特征项，并向量化表示；对向量化表示的特征项进行加权，结合所构建的知识图谱，利用相似度计算方法获取故障诊断结果。
2.根据权利要求1所述的基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，针对故障告警信息进行故障严重性等级识别，并按故障治理顺序排序的具体方法是：
3.根据权利要求2所述的基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，对故障产生的告警信息进行词嵌入向量表征，其具体方法是：
4.根据权利要求2所述的基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，
5.根据权利要求4所述的基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，采用注意力机制增强双向语义编码后的故障告警中的相关特征，其具体方法是：
6.根据权利要求5所述的基于知识图谱
7.根据权利要求1-6任一项所述的基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，使用TFIDF模型对向量化表示的特征项进行加权，结合所构建的知识图谱，利用相似度计算方法得到诊断结果，其具体方法是：建立特征项tij在故障文本dj中对应的权重Wij，并将其定义为TFIDF模型因子，其计算如下式(9)：
8.一种基于知识图谱的电力生产设备故障与隐患智能诊断系统，所述系统运行于计算机终端中，其特征在于，所述系统包括：
9.根据权利要求8所述的基于知识图谱的电力生产设备故障与隐患智能诊断系统，其特征在于，所述故障严重性等级识别模块包括：
10.根据权利要求8所述的基于知识图谱的电力生产设备故障与隐患智能诊断系统，其特征在于，所述设备故障智能诊断模块包括：
...【技术特征摘要】
1.一种基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，构建电力生产设备故障知识图谱；针对获取到的故障告警信息进行故障严重性等级识别，并按故障治理顺序排序；按照故障治理顺序将待处理的故障文本采用向量空间模型进行预处理后得到特征项，并向量化表示；对向量化表示的特征项进行加权，结合所构建的知识图谱，利用相似度计算方法获取故障诊断结果。
2.根据权利要求1所述的基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，针对故障告警信息进行故障严重性等级识别，并按故障治理顺序排序的具体方法是：
3.根据权利要求2所述的基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，对故障产生的告警信息进行词嵌入向量表征，其具体方法是：
4.根据权利要求2所述的基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，
5.根据权利要求4所述的基于知识图谱的电力生产设备故障与隐患智能诊断方法，其特征在于，采用注意力机制增强双向语义编码后的故障告警中的相关特征，...
【专利技术属性】
技术研发人员：孙暕，王刚，王振浩，穆景龙，高嵩，李天宁，丁以心，靳双源，路天峰，杨旭昕，曹飞译，娄展豪，叶德武，张鑫，张大勇，
申请(专利权)人：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。