CN112990551A - 基于知识图谱的连锁故障演化路径溯源和预测方法及装置 - Google Patents
基于知识图谱的连锁故障演化路径溯源和预测方法及装置 Download PDFInfo
- Publication number
- CN112990551A CN112990551A CN202110191955.XA CN202110191955A CN112990551A CN 112990551 A CN112990551 A CN 112990551A CN 202110191955 A CN202110191955 A CN 202110191955A CN 112990551 A CN112990551 A CN 112990551A
- Authority
- CN
- China
- Prior art keywords
- event
- characteristic
- events
- cascading failure
- evolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000903 blocking effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000009360 ningdong Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的连锁故障演化路径溯源和预测方法及装置，可以应用于交直流电网连锁故障风险评估与预警***。该方法结合物理机理和相关性分析方法提取关键特征量，通过机器学习算法自动学习和判断特征事件间的关联关系，通过构建两层级的知识图谱，实现特征事件上、下级关联关系匹配与判断，根据特征事件关联关系判断结果和时序特征，基于深度优先搜索策略识别连锁故障演化路径。该方法引入智能化学习和分析引擎代替调度人员思考和判断，为复杂连锁故障溯源和预判提供了有效的技术支撑。
Description
技术领域
本发明属于电力***自动化技术领域，具体涉及一种基于知识图谱的连锁故障演化路径溯源和预测方法，还涉及一种基于知识图谱的连锁故障演化路径溯源和预测装置。
背景技术
随着风电、光伏等新能源大量并网，直流跨区输电规模持续增长，电网局部故障的连锁反应演化为全局安全风险特征日趋显著，典型的案例如跨区受端电网发生交流短路故障引发多回直流换相失败，换相失败期间的大功率冲击导致送端交流联络线功率、电压的大幅度波动，进一步引发电网解列、新能源大规模脱网等威胁全局电网安全稳定运行的严重事件。基于电网特征事件，进行连锁事故链溯源分析和超前预测，对阻断连锁故障恶性演化和事故处置具有重要意义。
连锁故障演化路径与电网运行方式、设备的涉网保护等诸多因素密切相关，存在较强的不确定性。调度运行人员对连锁故障演化过程的认知主要来源于离线方式计算分析结论以及调度自动化***中的事件告警信息。但离线方式计算难以穷尽所有运行场景，将离线知识用于特征事件溯源难以保障结论的准确性。现有的故障诊断或者综合智能告警***可以通过多源数据整合和专家经验实现单一设备故障的识别，无法判别多个事件之间连锁关联关系。电力***连锁故障的发生以及事件的演化本质上具有因果关系和时序特征，关键特征事件具有可追溯性和可预测性，这极度依赖于运行经验和知识积累。知识图谱是一种基于图的数据结构，用于描述知识间的关系，具备知识的检索、推理和分析能力，特别适合作为规则知识的推理分析引擎。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种基于知识图谱的连锁故障演化路径溯源和预测方法，提取事件类、特征事件、特征事件之间关系以及关系属性，形成特征事件演化知识图谱，搜索特征事件演化知识图谱获得连锁故障特征事件溯源和预测路径。
为解决上述技术问题，本发明的技术方案如下。
第一方面，本发明提供了一种基于知识图谱的连锁故障演化路径溯源和预测方法，包括以下过程：
获取连锁故障历史数据，生成连锁故障演化样本数据库；
基于获得的连锁故障演化样本数据库，训练得到特征事件关系模型，所述特征事件关系模型的输入为事件对的关键特征量，输出为事件对之间关系是否成立；
从连锁故障演化样本数据库中，提取事件类、特征事件、特征事件之间关系以及关系属性，形成特征事件演化知识图谱，所述特征事件之间关系是任意特征事件组成事件对输入训练后的特征事件关系模型所获得的；
针对获取的实测特征事件序列，搜索特征事件演化知识图谱，获得连锁故障特征事件溯源和预测路径。
可选的，所述连锁故障历史数据包括按事件发生时序排列的事件序列、事件前后电网运行方式数据、事件引起电网暂态电气量变化信息、故障地点和故障类型。
可选的，所述特征事件关系模型训练的过程包括：
通过物理机理分析从连锁故障演化样本数据库确定训练的事件对集合；
通过数据相关性分析方法提取各事件对集合的关键特征量；
将关键特征量作为输入，事件对之间关系是否成立作为输出，基于支持向量机算法进行训练，获得特征事件关系模型。
可选的，所述提取事件类、特征事件、特征事件之间关系以及关键特征量，形成特征事件演化知识图谱，包括：
将事件类作为顶层中节点；
将具体特征事件作为底层中节点，并与上层节点中所属事件类之间用连线连接；
在底层节点中，如果事件之间有关系，则在图谱中将两个事件用箭头连线连接，并且箭头指向后序事件；
将事件的关系属性作为底层节点引出的节点。
可选的，所述特征事件之间关系还包括规则化知识推导出的。
可选的，所述针对获取的实测特征事件序列，搜索特征事件演化知识图谱，获得连锁故障特征事件溯源和预测路径，包括：
将实测特征事件序列依据时序排列，形成特征事件集合；
从特征事件集合中剔除在特征事件演化知识图谱不存在匹配的特征事件；
采用深度优先搜索算法，以特征事件集合中的排序最后的特征事件为起点，向上搜索其关联的所有特征事件；
将搜索到的所有特征事件按照搜索顺序组成事件对，将事件对输入特征事件关系模型得到特征事件之间关系，若特征事件之间关系为“成立”且事件存在于特征事件集合中，则将事件对纳入溯源路径集合；
对溯源路径集合中的特征事件按时序排序，排序后的事件序列即为连锁故障的溯源路径；
采用深度优先搜索算法，以特征事件集合中的排序最后的特征事件为起点，向下搜索其关联的所有特征事件；
将搜索到的所有特征事件按照搜索顺序组成事件对，将事件对输入特征事件关系模型得到特征事件之间关系，若特征事件之间关系为“成立”且事件存在于特征事件集合中，则将事件对纳入预测路径集合；
预测路径集合中的事件序列即为预测的连锁故障演化路径。
可选的，所述从特征事件集合中剔除在特征事件演化知识图谱不存在匹配的特征事件，包括：
针对特征事件集合中每个特征事件，优先查找特征事件演化知识图谱中是否存在匹配的事件类，若不存在，则将此特征事件从特征事件集合中剔除；
若存在特征事件所属的事件类，则针对此事件特征，将事件特征的关键特征量与该事件类中各事件特征及事件特征的关系属性作匹配，若匹配不成功，则将此特征事件从特征事件集合中剔除。
第二方面，本发明提供了一种基于知识图谱的连锁故障演化路径溯源和预测装置，包括：
数据获取模块，用于获取连锁故障历史数据，生成连锁故障演化样本数据库；
模型训练模块，用于基于获得的连锁故障演化样本数据库，训练得到特征事件关系模型，所述特征事件关系模型的输入为事件对的关键特征量，输出为事件对之间关系是否成立；
知识图谱构建模块，用于从连锁故障演化样本数据库中，提取事件类、特征事件、特征事件之间关系以及关系属性，形成特征事件演化知识图谱，所述特征事件之间关系是任意特征事件组成事件对输入训练后的特征事件关系模型所获得的；
溯源预测模块，用于针对获取的实测特征事件序列，搜索特征事件演化知识图谱，获得连锁故障特征事件溯源和预测路径。
与现有技术相比，本发明所达到的有益效果是：本发明从电网运行状态量和故障信息中提取关键特征量，通过机器学习自动学习和判断特征事件关联关系，有效提升了事件关系识别的准确性。通过构建两层级知识图谱，实现特征事件上、下级关联关系匹配与判断。根据特征事件关联关系判断结果和时序特征，基于深度优先搜索策略识别连锁故障演化路径，满足连锁事故链在线溯源分析和超前预测需求。该方法利用知识图谱技术代替调度人员思考和判断，为复杂连锁故障溯源和预判难题提供了有效的技术支撑。
附图说明
图1为本发明方法的具体流程图；
图2为本发明一个知识图谱实施例；
图3为本发明中实测发生事件在知识图谱中显示的示例。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明提出基于知识图谱的连锁故障演化路径溯源和预测方法，可以应用于交直流电网连锁故障风险评估与预警***。该方法将电网运行状态量和故障信息作为输入特征量，结合物理机理和相关性分析方法提取关键特征量，通过机器学习算法自动学习和判断特征事件间的关联关系，通过构建两层级的知识图谱，实现特征事件上、下级关联关系匹配与判断，根据特征事件关联关系判断结果和时序特征，基于深度优先搜索策略识别连锁故障演化路径。该方法引入智能化学习和分析引擎代替调度人员思考和判断，为复杂连锁故障溯源和预判提供了有效的技术支撑。
本发明的一种基于知识图谱的连锁故障演化路径溯源和预测方法，参见图1所示，包括如下步骤：
步骤S1：基于连锁故障历史数据，生成连锁故障演化样本数据库，进入步骤S2；
连锁故障历史数据包括按事件发生时序排列的事件序列、事件前后电网运行方式数据、事件引起电网暂态电气量变化信息、故障地点和故障类型。
步骤S2：基于步骤S1构建的连锁故障演化样本数据库，基于支持向量机算法进行特征事件关系模型训练，从步骤S1构建的样本数据库中，通过知识提取和知识表示获得特征事件、特征事件关系模型、关键特征量、规则化知识，存储至知识数据库，通过设计连锁故障演化知识图谱本体形成特征事件演化知识图谱，进入步骤S3；
特征事件关系模型指通过机器学习训练获得的用以描述输入和输出关系的数学模型，该模型的输入是：按事件发生时序排列的事件序列、电网运行方式数据、事件引起电网暂态电气量变化信息、故障地点、故障类型；该模型的输出是：事件关系成立或不成立；事件关系具体指，电网在某种条件下，如果前序事件发生，是否会引起后序事件发生。事件关系成立是指如果前序事件发生会引起后序事件发生。
特征事件关系模型训练具体步骤如下：
S2-1)通过物理机理分析确定需要进行特征事件关系模型训练的事件对集合，此事件对集合是两类事件的名称；
物理机理分析即通过电力***固有特性分析发现不同事件间是否存在关系，例如事件对集合为交流短路事件和直流换相失败事件，交流短路事件导致直流逆变侧换流母线电压下降，导通阀在反向电压作用下未能恢复阻断能力，导致直流换相失败事件，因此，交流短路事件与直流换相失败事件间存在关系。
S2-2)通过数据相关性分析方法提取各事件对集合的关键特征量，特征量包括电网运行状态量和故障信息；
S2-3)将关键特征量作为输入，关系是否成立作为输出，基于支持向量机算法进行事件相关性训练，获得特征事件关系模型。
知识提取面向文本数据，利用预先标注好的语料训练模型，使模型学习到换相失败、脱网词作为实体组成部分的概率，进而计算一个候选字段作为实体的概率值，进一步抽取事件、关系以及关系属性。
知识表示以本体为核心，以资源描述框架(RDF)为基础框架，通过网络本体语言(OWL)描述事件、关系以及关系属性。
特征事件指具有因果性、全局性和时序性的事件，包括：发电机跳闸、线路跳闸、变压器跳闸、直流换相失败、直流闭锁、新能源脱网、安控或***保护切机切负荷、高周切机、低频减载、解列和功率振荡；
关键特征量指影响特征事件关系模型成立与否的电网运行状态量和事件信息；
规则化知识指电力***固有的、不受电网运行方式变化影响的设备或装置控制策略，包括：直流连续换相失败3次触发直流闭锁。
知识图谱本体具体包括：
事件类，即同类特征事件的集合，例如换相失败、风电场脱网等，在知识图谱中为顶层节点；
事件，即具体特征事件，如宾金直流换相失败、灵绍直流换相失败、宁东风电场脱网等，在知识图谱中为底层节点；
关系，即事件之间的关系，包括成立或者不成立，是基于特征事件关系模型得到的事件关系，在知识图谱中为节点之间关系，用节点之间相连的箭头表示；
关系属性，即关键特征量，在知识图谱中为底层节点引出的节点。
规则，即电力***固有的规则化知识，比如安控策略，直流控制保护策略等，规则同样可以通过上述知识图谱本体进行表达，以附图1说明，灵绍直流换相失败三次导致灵绍直流双极闭锁即为规则化知识，事件是灵绍直流换相失败和灵绍直流双极闭锁，关系是成立或导致，关系属性是换相失败三次。规则是不需要学习和训练的知识，是固有的逻辑。规则化知识的两个事件关系是一定成立或一定不成立的，判断容易，不需要进行关系模型训练。但也可能组成溯源和预测路径，因此需要列出。路径搜索过程对于规则化知识同样适用。
知识图谱本体构建时，将事件类作为顶层中节点，例如换相失败、直流闭锁、风电场脱网等，将具体事件作为底层中节点，并与上层节点中所属事件类之间用连线连接，具体事件例如灵绍直流换相失败、灵绍直流闭锁、宁东风电场脱网等，事件类和事件形成两层级知识图谱。在底层节点中，如果事件之间有关系(包括成立和不成立)，则在图谱中将两个事件(节点)用箭头连线连接，并且箭头指向后序事件。事件的关系属性为底层节点引出的节点。一个知识图谱示例具体参见图2所示，知识图谱是节点、节点间关系，关系在图谱中用节点相连的箭头表示，关系属性也是用节点表示。
在电网实测到具体事件时，优先搜索和匹配事件类可以大大缩小特征事件和关系模型搜索范围。
步骤S3：获取电网在线运行方式数据和综合智能告警***推送的实测特征事件，进入步骤S4；
步骤S4：基于深度优先的搜索技术，利用知识图谱进行特征事件演化路径在线搜索，输出连锁故障特征事件溯源和预测路径，以及相关告警信息。
特征事件溯源演化路径在线搜索具体步骤如下：
S4-1)将一序列电网实测特征事件依据时序排列，形成特征事件集合{Fi}；
S4-2)置溯源路径集合S'和演化路径集合S”为空集；
S4-3)针对特征事件集合中每个特征事件，优先查找知识图谱中事件类，若在知识图谱中没有找到特征事件所属的事件类，则将此特征事件从集合{Fi}中剔除，若找到特征事件所属的事件类，则针对此事件特征，将事件特征相关电网在线运行方式数据等关键特征量与该事件类中各事件及事件特征的关系属性作匹配；若匹配成功，则保留，若匹配不成功，则将此特征事件从集合{Fi}中剔除；
匹配即事件名称一致且关系属性内容一致，否则为不匹配。
S4-4)采用深度优先搜索算法，以集合{Fi}中的排序最后的特征事件为起点，向上(搜索前序事件)搜索其关联的所有特征事件；
S4-5)将搜索到的所有特征事件按照搜索顺序组成事件对，将事件对输入特征事件关系模型进行判断，若特征事件关系模型输出为“成立”且事件存在于集合{Fi}中，表明前序事件导致后序事件，将事件对纳入S'；若特征事件关系模型输出为“不成立”，表明前序事件不导致后序事件；
S4-6)对S'中的特征事件按时序排序，排序后的S'即为连锁故障的溯源路径；
S4-7)采用深度优先搜索算法，以{Fi}中的排序最后的特征事件为起点，向下(搜索后序事件)搜索其关联的所有特征事件；
S4-8)将搜索到的所有特征事件按照搜索顺序组成事件对，将事件对输入特征事件关系模型进行判断，若特征事件关系模型输出为“成立”且事件存在于集合{Fi}中，表明前序事件导致后序事件，将事件对纳入S”；若特征事件关系模型输出为“不成立”，表明前序事件不导致后序事件；
S4-9)S”中的事件序列即为预测的连锁故障演化路径。
参见图3所示，假定实测的电网特征事件按发生时间先后顺序分别为a，i，g，d，e，以e为起点进行溯源分析，d和h为可能的上级事件，根据电网运行状态和实测事件信息，“d导致e”的关系成立，可确定d为e的上级事件，类似的可以推断g为d的上级事件，i为g的上级事件，而a未导致b发生，从而推断演化路径为(i，g，d，e)，源发性故障为i。
以e为起点进行演化预测，若“e导致f”的关系成立，并且在f发生的情况下，“f导致p”的关系成立，则预测的连锁故障演化路径为(e，f，p)。
本发明所达到的有益效果是：
本发明结合物理机理和相关性分析方法从电网运行状态量和故障信息中提取关键特征量，通过机器学习自动学习和判断特征事件关联关系，有效提升了事件关系识别的准确性。通过构建两层级知识图谱，实现特征事件上、下级关联关系匹配与判断。根据特征事件关联关系判断结果和时序特征，基于深度优先搜索策略识别连锁故障演化路径，满足连锁事故链在线溯源分析和超前预测需求。该方法利用知识图谱技术代替调度人员思考和判断，为复杂连锁故障溯源和预判难题提供了有效的技术支撑。
实施例2
第二方面，本发明的一种基于知识图谱的连锁故障演化路径溯源和预测装置，包括：
数据获取模块，用于获取连锁故障历史数据，生成连锁故障演化样本数据库；
模型训练模块，用于基于获得的连锁故障演化样本数据库，训练得到特征事件关系模型，所述特征事件关系模型的输入为事件对的关键特征量，输出为事件对之间关系是否成立；
知识图谱构建模块，用于从连锁故障演化样本数据库中，提取事件类、特征事件、特征事件之间关系以及关系属性，形成特征事件演化知识图谱，所述特征事件之间关系是任意特征事件组成事件对输入训练后的特征事件关系模型所获得的；
溯源预测模块，用于针对获取的实测特征事件序列，搜索特征事件演化知识图谱，获得连锁故障特征事件溯源和预测路径。
本发明装置中各模块的具体实现方案参见方法中各步骤的实现过程。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (8)
1.一种基于知识图谱的连锁故障演化路径溯源和预测方法，其特征是，包括以下过程：
获取连锁故障历史数据，生成连锁故障演化样本数据库；
基于获得的连锁故障演化样本数据库，训练得到特征事件关系模型，所述特征事件关系模型的输入为事件对的关键特征量，输出为事件对之间关系是否成立；
从连锁故障演化样本数据库中，提取事件类、特征事件、特征事件之间关系以及关系属性，形成特征事件演化知识图谱，所述特征事件之间关系是任意特征事件组成事件对输入训练后的特征事件关系模型所获得的；
针对获取的实测特征事件序列，搜索特征事件演化知识图谱，获得连锁故障特征事件溯源和预测路径。
2.根据权利要求1所述的一种基于知识图谱的连锁故障演化路径溯源和预测方法，其特征是，所述连锁故障历史数据包括按事件发生时序排列的事件序列、事件前后电网运行方式数据、事件引起电网暂态电气量变化信息、故障地点和故障类型。
3.根据权利要求1所述的一种基于知识图谱的连锁故障演化路径溯源和预测方法，其特征是，所述特征事件关系模型训练的过程包括：
通过物理机理分析从连锁故障演化样本数据库确定训练的事件对集合；
通过数据相关性分析方法提取各事件对集合的关键特征量；
将关键特征量作为输入，事件对之间关系是否成立作为输出，基于支持向量机算法进行训练，获得特征事件关系模型。
4.根据权利要求1所述的一种基于知识图谱的连锁故障演化路径溯源和预测方法，其特征是，所述提取事件类、特征事件、特征事件之间关系以及关键特征量，形成特征事件演化知识图谱，包括：
将事件类作为顶层中节点；
将具体特征事件作为底层中节点，并与上层节点中所属事件类之间用连线连接；
在底层节点中，如果事件之间有关系，则在图谱中将两个事件用箭头连线连接，并且箭头指向后序事件；
将事件的关系属性作为底层节点引出的节点。
5.根据权利要求1所述的一种基于知识图谱的连锁故障演化路径溯源和预测方法，其特征是，所述特征事件之间关系还包括规则化知识推导出的。
6.根据权利要求1所述的一种基于知识图谱的连锁故障演化路径溯源和预测方法，其特征是，所述针对获取的实测特征事件序列，搜索特征事件演化知识图谱，获得连锁故障特征事件溯源和预测路径，包括：
将实测特征事件序列依据时序排列，形成特征事件集合；
从特征事件集合中剔除在特征事件演化知识图谱不存在匹配的特征事件；
采用深度优先搜索算法，以特征事件集合中的排序最后的特征事件为起点，向上搜索其关联的所有特征事件；
将搜索到的所有特征事件按照搜索顺序组成事件对，将事件对输入特征事件关系模型得到特征事件之间关系，若特征事件之间关系为“成立”且事件存在于特征事件集合中，则将事件对纳入溯源路径集合；
对溯源路径集合中的特征事件按时序排序，排序后的事件序列即为连锁故障的溯源路径；
采用深度优先搜索算法，以特征事件集合中的排序最后的特征事件为起点，向下搜索其关联的所有特征事件；
将搜索到的所有特征事件按照搜索顺序组成事件对，将事件对输入特征事件关系模型得到特征事件之间关系，若特征事件之间关系为“成立”且事件存在于特征事件集合中，则将事件对纳入预测路径集合；
预测路径集合中的事件序列即为预测的连锁故障演化路径。
7.根据权利要求1所述的一种基于知识图谱的连锁故障演化路径溯源和预测方法，其特征是，所述从特征事件集合中剔除在特征事件演化知识图谱不存在匹配的特征事件，包括：
针对特征事件集合中每个特征事件，优先查找特征事件演化知识图谱中是否存在匹配的事件类，若不存在，则将此特征事件从特征事件集合中剔除；
若存在特征事件所属的事件类，则针对此事件特征，将事件特征的关键特征量与该事件类中各事件特征及事件特征的关系属性作匹配，若匹配不成功，则将此特征事件从特征事件集合中剔除。
8.一种基于知识图谱的连锁故障演化路径溯源和预测装置，其特征是，包括：
数据获取模块，用于获取连锁故障历史数据，生成连锁故障演化样本数据库；
模型训练模块，用于基于获得的连锁故障演化样本数据库，训练得到特征事件关系模型，所述特征事件关系模型的输入为事件对的关键特征量，输出为事件对之间关系是否成立；
知识图谱构建模块，用于从连锁故障演化样本数据库中，提取事件类、特征事件、特征事件之间关系以及关系属性，形成特征事件演化知识图谱，所述特征事件之间关系是任意特征事件组成事件对输入训练后的特征事件关系模型所获得的；
溯源预测模块，用于针对获取的实测特征事件序列，搜索特征事件演化知识图谱，获得连锁故障特征事件溯源和预测路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110191955.XA CN112990551A (zh) | 2021-02-20 | 2021-02-20 | 基于知识图谱的连锁故障演化路径溯源和预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110191955.XA CN112990551A (zh) | 2021-02-20 | 2021-02-20 | 基于知识图谱的连锁故障演化路径溯源和预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112990551A true CN112990551A (zh) | 2021-06-18 |
Family
ID=76393605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110191955.XA Withdrawn CN112990551A (zh) | 2021-02-20 | 2021-02-20 | 基于知识图谱的连锁故障演化路径溯源和预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990551A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705874A (zh) * | 2021-08-19 | 2021-11-26 | 国家电网有限公司 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
| CN114493408A (zh) * | 2021-12-21 | 2022-05-13 | 重庆特斯联智慧科技股份有限公司 | 一种基于知识图谱的货物优化装载方法和装置 |
| CN115081918A (zh) * | 2022-07-07 | 2022-09-20 | 北京交通大学 | 基于数据驱动的轨道交通风险点预测方法及*** |
| CN115237091A (zh) * | 2022-07-18 | 2022-10-25 | 西安交通大学 | 一种机电装备故障溯源方法及*** |
| WO2023282738A1 (en) * | 2021-07-09 | 2023-01-12 | Universiti Tenaga Nasional | A computer-implemented method and system for modeling and predicting failure of a power grid configuration |
| CN117192373A (zh) * | 2023-08-08 | 2023-12-08 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
| CN118014564A (zh) * | 2024-04-10 | 2024-05-10 | 山东和兑智能科技有限公司 | 一种基于数据驱动的电力设备故障诊断***及方法 |
-
2021
- 2021-02-20 CN CN202110191955.XA patent/CN112990551A/zh not_active Withdrawn
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023282738A1 (en) * | 2021-07-09 | 2023-01-12 | Universiti Tenaga Nasional | A computer-implemented method and system for modeling and predicting failure of a power grid configuration |
| CN113705874A (zh) * | 2021-08-19 | 2021-11-26 | 国家电网有限公司 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
| CN113705874B (zh) * | 2021-08-19 | 2024-03-15 | 国家电网有限公司 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
| CN114493408A (zh) * | 2021-12-21 | 2022-05-13 | 重庆特斯联智慧科技股份有限公司 | 一种基于知识图谱的货物优化装载方法和装置 |
| CN114493408B (zh) * | 2021-12-21 | 2024-04-09 | 重庆特斯联智慧科技股份有限公司 | 一种基于知识图谱的货物优化装载方法和装置 |
| CN115081918A (zh) * | 2022-07-07 | 2022-09-20 | 北京交通大学 | 基于数据驱动的轨道交通风险点预测方法及*** |
| CN115081918B (zh) * | 2022-07-07 | 2023-05-23 | 北京交通大学 | 基于数据驱动的轨道交通风险点预测方法及*** |
| CN115237091A (zh) * | 2022-07-18 | 2022-10-25 | 西安交通大学 | 一种机电装备故障溯源方法及*** |
| CN117192373A (zh) * | 2023-08-08 | 2023-12-08 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
| CN117192373B (zh) * | 2023-08-08 | 2024-05-07 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
| CN118014564A (zh) * | 2024-04-10 | 2024-05-10 | 山东和兑智能科技有限公司 | 一种基于数据驱动的电力设备故障诊断***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990551A (zh) | 基于知识图谱的连锁故障演化路径溯源和预测方法及装置 | |
| CN107274105B (zh) | 基于线性判别分析的多属性决策树电网稳定裕度评估方法 | |
| CN109501834B (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN113283602B (zh) | 基于离线知识学习和在线动态修正电网***故障诊断方法 | |
| CN111985653A (zh) | 基于知识图谱的电网故障知识推荐与知识管理***及方法 | |
| CN111474444B (zh) | 一种基于知识图谱的线路故障复电决策方法 | |
| CN103197168B (zh) | 电力***中基于事件集因果链实现故障诊断控制的方法 | |
| CN116304928A (zh) | 供电设备故障预测方法、装置、设备及存储介质 | |
| CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及*** | |
| CN113887606A (zh) | 基于故障树建立的电子设备控制***故障诊断方法 | |
| CN111049131B (zh) | 一种地区电网在线故障处置预案生成方法及*** | |
| CN113837423A (zh) | 基于能源互联网电力大数据的电网运行态势预测方法 | |
| Wang et al. | Data-driven transient stability assessment using sparse PMU sampling and online self-check function | |
| CN107103361A (zh) | 基于粗糙集与回答集的变压器故障诊断方法和*** | |
| CN116227878B (zh) | 电力负荷分解分析方法、***、计算机设备及存储介质 | |
| CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
| Jiarula et al. | Fault mode prediction based on decision tree | |
| Kinghorst et al. | Integration of additional information sources for improved alarm flood detection | |
| Olaru et al. | Data mining tools and application in power system engineering | |
| Shaaban et al. | Transformer fault diagnosis method based on rough set and generalized distribution table | |
| CN114399177A (zh) | 一种基于Apriori的调度处置规则挖掘与生成方法及*** | |
| Tan et al. | Automatic Construction of Knowledge Graph and Its Application in Electric Power System | |
| Tao et al. | Power Grid Fault Diagnosis Method Based on LightGBM | |
| CN117872038B (zh) | 一种基于图论的直流微电网失稳故障源定位方法及装置 | |
| Huang et al. | Power Grid Fault Diagnosis Based on Random Forest |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210618 |
|
| WW01 | Invention patent application withdrawn after publication |