CN116187175A - 基于电气行业知识图谱的变配电站神经网络识别方法 - Google Patents

基于电气行业知识图谱的变配电站神经网络识别方法 Download PDF

Info

Publication number
CN116187175A
CN116187175A CN202310051191.3A CN202310051191A CN116187175A CN 116187175 A CN116187175 A CN 116187175A CN 202310051191 A CN202310051191 A CN 202310051191A CN 116187175 A CN116187175 A CN 116187175A
Authority
CN
China
Prior art keywords
knowledge graph
electrical
neural network
parameters
substation
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.)
Pending
Application number
CN202310051191.3A
Other languages
English (en)
Inventor
谢知逸
裴有铭
吕文思
蒋琦
唐芳华
马锐明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Jiaolian Electrical Engineering Co ltd
Original Assignee
Hangzhou Jiaolian Electrical Engineering Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Jiaolian Electrical Engineering Co ltd filed Critical Hangzhou Jiaolian Electrical Engineering Co ltd
Priority to CN202310051191.3A priority Critical patent/CN116187175A/zh
Publication of CN116187175A publication Critical patent/CN116187175A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于电气行业知识图谱的变配电站神经网络识别方法，首先，基于变配电站设计标准，构建变电站设计工程知识图谱；再基于递归神经网络深度学***面布局图；最后，基于生成对抗网络，将平面布局图向三维模型图映射，通过三维平台完成变配电站建筑结构模型建模，生成变配电站设备三维模型图；从而实现自动绘图，提高了设计效率，极大减轻设计人员负担，同时也可避免人为因素引起的关键参数误判或漏判的目的。

Description

基于电气行业知识图谱的变配电站神经网络识别方法
技术领域
本发明涉及变配电站设计领域和人工智能领域，尤其是涉及基于电气行业知识图谱的变配电站神经网络识别方法。
背景技术
随着电力行业的不断发展，变配电站及其内部电气的设计越来越复杂，由此，在设计面向复杂用户变配电站过程中，消耗了大量的人力物力，存在不够细化、智能化的问题，并且仍然不可避免的存在不同程度的人为引起的参数误判或漏盘的情况。
知识图谱作为一种智能高效的知识组织方法，在通用领域以及金融、医疗、地理等特定领域已有了广泛应用，由于电力领域与其他领域的数据存在相同的特征：规模庞大、来源多样、数据结构不一致等，因此知识图谱的很多应用场景和想法都可以延伸到电力领域。构建电力领域知识图谱，可以将电力领域零散分布及结构多样的数据进行有效处理和组织，来保证电网的数据能一处录入，全网使用，为信息的真实性、一致性和完整性提供保障，将全国电网建成一体化企业级信息集成平台的目标。
因此，可以通过设计一种面向复杂用户变配电站设计工程领域知识图谱建模方法，利用机器学习技术构造知识图谱模式层和数据层信息，利用推理引擎进行智能识别与判断，从而解决当下设计效率低的问题。
发明内容
为解决现有技术的不足，实现自动绘图，极大减轻设计人员负担，提高***自动配置的能力，同时也可避免人为因素引起的关键参数误判或漏判的目的，本发明采用如下的技术方案：
基于电气行业知识图谱的变配电站神经网络识别方法，包括如下步骤：
步骤S1：基于变配电站设计标准，构建变电站设计工程知识图谱；
步骤S2：基于递归神经网络深度学习，智能识别电气***图参数；
步骤S3：将电气***图参数，通过图神经网络，学***面布局图；
步骤S4：基于生成对抗网络，将平面布局图向三维模型图映射，通过三维平台完成变配电站建筑结构模型建模，生成变配电站设备三维模型图。
进一步地，所述步骤S2中，电气***图参数包括房间信息、一级干线电气参数，智能识别的过程包括如下步骤：
步骤S2.1：获取电气***图，进行图像分割，每张分割后的小图包含一种电气参数；
步骤S2.2：对小图中的电气参数x1进行标记，标记正确的类别，将参数x1标记为标签y1(例如：标签y1为回路用途参数)，参数x2标记为y2(例如：标签y2为负荷参数)，将标记类别的电气参数作为训练集，输入神经网络VGG16；
步骤2.3：训练集(如参数x1)输入神经网络VGG16的3*3*C的卷积层Conv5，其中3*3表示卷积窗口的尺寸，C表示通道数，经卷积操作进行电气参数的特征提取，得到卷积层输出的特征图x2；
步骤2.4：特征图x2输入双向长短期记忆层，将特征图x2的每一行，循环与双向长短期记忆层相连接，获得256维的Bi-LSTM，最终得到输出的特征图x3；
步骤2.5：特征图x3输入由5层卷积层构成的编码器，进行编码操作操作，得到编码输出特征x4，依次对编码输出特征进行乘加操作，再经正态分布N(0,1)采样，得到了特征x6，特征x6通过解码器解码，得到了特征x7，再经全连接层，分别得到房间坐标位置信息、类别分数、侧边补偿，基于侧边补偿对房间坐标侧边改进偏移量，以提高定位精度，通过类别分数得到预测的电气参数类别Y；
步骤2.6：将预测的电气参数类别Y与标记正确的类别进行比较，基于损失函数进行损失计算，训练神经网络VGG16；
步骤2.7：将待预测的电气***图，输入训练好的神经网络VGG16，得到预测的各电气参数类别、房间坐标位置信息。
进一步地，将生成的知识图谱，用于电气***图参数识别，通过实体及实体间关系是基于设计标准的知识图谱，生成知识图谱权重，引入递归神经网络深度学习，以提高电气***图参数识别的精度，避免了该电气参数被识别为其他相似的电气参数。
进一步地，所述步骤S3中，作为实体的电子参数及其之间的关系与变电站设计工程知识图谱的结合，包括如下步骤：
步骤S3.1：将实体空间映射到关系空间，使得关系的可区分性更强，两个实体在具有相似意思时，距离近，不具有相似意思时，距离远；定义映射算子Map，采用Word2vec和跳字模型Skip-gram两种方法，从实体空间投影到嵌入关系空间；
步骤S3.2：加入非线性变换的激活函数的参数bijt，与图注意力网络操作相同，用知识图谱上相邻的实体节点(三元组)计算相关性模型权重系数：
aijt＝softmaxjt(bijt)
softmaxjk表示第j个实体基于关系t的激活函数，t表示关系类型，i、j表示实体类型，利用图神经网络加入边的关系后，对实体进行多次迭代，获取学***面布局规划中的大量几何约束条件(不可重叠，相邻排布，并列排布等)和工程约束(离墙最小间距、设备最小间距、人行通道最小宽度等)等问题。
进一步地，所述步骤S3.1中，每个关系三元组
Figure BDA0004058055890000031
通过连接方式拼接而成，再乘以线性变换参数矩阵W1，转为关系空间：
Figure BDA0004058055890000032
其中W1由跳字模型Skip-gram方法学习获取，t表示关系类型，i、j表示实体类型，且i≠j；一个实体可能具有多个层面的信息，不同的关系可能关注实体不同层面。实体和关系表达的最佳维度并不一定是一致的，因此，映射到同一个空间可能会限制模型效果，因此，将具有同一种关系的实体对进行聚类。
进一步地，采用变分自编码器生成式对抗网络，包括生成器G和判别器D，二维的平面布局图x作为输入，通过变分自编码器得到隐向量z，并送入生成器G，生成器G对一个概率隐空间随机采样多维的隐向量z，并将其映射到1个64*64*64的立方体中，并用三维体空间G(z)表示，判别器D基于生成器G的输入，输出置信度D(x)，用于判断是否与输入的二维的平面布局图x是否匹配，通过二值交叉熵作为分类损失，训练对抗网络。模型的损失函数由重构误差、对抗网络的交叉熵和KL距离共同决定。通过三维平台完成变配电站建筑结构模型建模，主要有建筑物、上部钢框架结构、下部桩基础及主变设备基础等，并严格按照建模规范对建筑墙体、门、窗等进行了属性赋值。
进一步地，基于生成的三维模型图，进行碰撞检测，对于三维图中具有交集电气设备进行筛查，同时，通过识别的电气***图参数和基于变配电站设计标准构建的知识图谱，获取房间信息和电气参数的实体信息及实体关系，融合变配电站设计过程中安装部署要求，补充筛选电气设备的碰撞，并对碰撞的情况进行调整。由于知识图谱是基于变配电站设计标准构建的，而变配电站设计标准包含了不同尺寸设备对于不同房间结构在安装部署时规避碰撞的要求，因此，需要结合知识图谱和电气***图参数对碰撞检测进行补充筛查。然后定位并给出碰撞检测结果，并在碰撞位置预留设备洞口。通过碰撞检测，能够筛查出工程中的碰撞问题，根据碰撞检查结果进行设计修改优化，减少建构筑物、管线、电气设备间的碰撞问题。三维建模平台的碰撞检测可将管线冲突等碰撞问题消除在施工之前，最大限度的降低施工阶段可能遇到的设计错误，减少因碰撞问题引起的工期延误和资金浪费。
进一步地，所述步骤S1中，根据变配电站相关设计标准，如国家标准和行业标准，建立规则库，获取规则库中变配电站的实体及实体之间的基于设计标准的关系，构建知识图谱；采用知识融合的方式，从相似度角度，判断两个实体是否是同一实体，或者能否归并到同一实体对象的分类下；基于相似度的判断，是判断两个实体的字符描述、属性/属性值以及语义结构的相似度，相似度越大，两个实体为同一实体的可能性越大，或者这两个实体更有可能指向同一实体对象。
进一步地，所述步骤S1中，知识图谱通过三元组K(S,O,R)表示，其中S表示主体，O表示客体，将关系定义为R:＝{SR|Value}，关系有一个值属性，不可逆，即主体S和客体O不能颠倒。
本发明的优势和有益效果在于：
本发明的基于电气行业知识图谱的变配电站神经网络识别方法，使图元和数据模型一一对应，在此基础上引入电力绘图标准，构建面向复杂用户变配电站设计工程领域的知识图谱，在知识图谱基础上，通过基于递归神经网络学***面布局图生成方法，通过图推理对相关规则的定义自动生成电力各类设计图，实现电气***图纸与建筑平面图纸的自动理解，在自动获取设计参数的基础上实现变配电站设计方案的自动生成，实现包括设备平面布置图、土木施工图、接地照明图纸等快速生成。为实现电气约束优化和环境因素策略控制，实现微电网变配电站设计优化策略千人千面打下基础。最终将原有传统设计的80％的工作量在AI程序设计中自动完成，尽可能减少人员干预，解决中低压配电站的设计方案自动生成问题，解决传统人工设计方法设计周期长、人工干预工作量大、正确性难以检查等问题。
说附图说明
图1是本发明实施例中基于电气行业知识图谱的变配电站神经网络识别方法流程图。
图2是本发明实施例中变配电站电气领域下开关实体的部分知识图谱示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1所示，基于电气行业知识图谱的变配电站神经网络识别方法，包括如下步骤：
步骤S1：基于变配电站设计标准，通过图神经网络，构建变电站设计工程知识图谱；
根据变配电站相关设计标准，如国家标准和行业标准，建立规则库，获取规则库中变配电站的实体及实体之间的基于设计标准的关系，构建知识图谱；
复杂用户变配电站设计工程问题属于垂直行业领域，其领域知识图谱的构建，分别通过变配电站设计约束知识表示、环境知识获取、知识存储与知识融合这构成一个循环迭代的生命周期。知识图谱构建的关键技术包含领域内知识表示建模、实体识别与实体链接、关系事件抽取、隐性关系发现等，其中包括知识图谱中缺失信息的发现和还原。
知识融合是从相似度角度，判断两个实体是否是同一实体，或者能否归并到同一实体对象的分类下。具体地，判断两个实体的字符描述、属性/属性值以及语义结构的相似度，相似度越大，两个实体为同一实体的可能性越大，或者这两个实体更有可能指向同一实体对象。如图2所示，实体与实体之间可能存在关系用连线表示。
知识图谱表示为三元组K(S,O,R),其中S表示主体，O表示客体，将关系定义为R:＝{SR|Value}，关系有一个值属性，不可逆，即主体S和客体O不能颠倒。电气领域特定的语义关系例举如下：
条款【4.1.6】：……低压配电装置内，应留有适当数量的备用回路。
K_50053_416＝{S_50053_416＝{低压配电装置},O_50053_416＝{备用回路},
R_50053_210＝{保留|适当数量}}
条款【6.2.6】：长度大于7m的配电室应设两个安全出口，并宜布置在配电室的两端。
K_50053_6261＝{S_50053_416＝{配电室},O_50053_416＝{长度},
R_50053_211＝{大于|7m}}
K_50053_6262＝{S_50053_416＝{配电室},O_50053_417＝{安全出口}，R_50053_210＝{放置|2}}
规制：K_50053_6261→K_50053_6262
步骤S2：基于递归神经网络深度学习，智能识别电气***图参数；
通过变配电站参数识别方法，从用户提供的建筑平面图上快速可靠地识别出变配电站所在房间信息(外墙轮廓、门窗位置、内部柱子等障碍物等)、一级干线电气参数(回路用途、负荷等级、供电范围、安装容量、需要系数、功率因数、配电箱参数等)；
在卷积神经网络(CNN)和循环神经网络(RNN)的基础上，将CNN，RNN和编码解码单元相结合，通过引入了“微分”和“变分推理”的思想，利用一种提议信息变分推理的递归神经网络，缩小训练样本分布与真实图像数据分布之间的差异，以达到训练电气设备的图像共性和差异性特征目的，提高电气***图参数识别准确率，具体包括如下步骤：
步骤S2.1：获取电气***图，进行图像分割，每张分割后的小图包含一种电气参数；
步骤S2.2：对小图中的电气参数进行标记，标记正确的类别，将参数x1标记为标签y1(例如：标签y1为回路用途参数)，参数x2标记为y2(例如：标签y2为负荷参数)；
将标记了类别的电气参数作为训练集，输入神经网络VGG16；
步骤2.3：训练集(如参数x1)输入神经网络VGG16的3*3*C的卷积层Conv5，其中3*3表示卷积窗口的尺寸，C表示通道数，经卷积操作进行电气参数的特征提取，得到卷积层输出的特征图x2；
步骤2.4：特征图x2输入Bi-LSTM(Bi-directional Long Short-Term Memory，双向长短期记忆)层，将特征图x2的每一行，循环与Bi-LSTM层相连接，获得256维的Bi-LSTM，最终得到输出的特征图x3；
步骤2.5：特征图x3输入由5层卷积层构成的编码器，进行编码操作操作，得到编码输出特征x4，依次对编码输出特征进行乘加操作，再经正态分布N(0,1)采样，得到了特征x6，特征x6通过解码器解码，得到了特征x7，特征x7再经FC全连接层，分别得到房间坐标位置信息、类别分数，侧边补偿，基于侧边补偿对房间位置坐标侧边改进偏移量，以提高定位精度，通过类别分数得到预测的电气参数类别Y；
步骤2.6：将预测的电气参数类别Y与之前标记的正确参数类别y1，进行比较，基于损失函数进行损失计算，训练神经网络VGG16；
步骤2.7：将待预测的电气***图，输入训练好的神经网络VGG16，得到预测的各电气参数类别、坐标位置信息。
另一方面，将生成的知识图谱，用于图参数识别，通过实体及实体间关系是基于设计标准的知识图谱，生成知识图谱权重，引入递归神经网络深度学习，以提高电气***图参数识别的精度，例如识别某一电气的参数时，由于考虑的与其连接的其他电气实体(知识图谱中的实体包含了实体信息)及实体连接关系，在确定识别的参数时，融入了知识图谱权重，避免了该电气参数被识别为其他相似的电气参数。
步骤S3：基于图神经网络，生成变配电站设备平面布局图；
基于递归神经网络深度学***面布局图(满足各项几何/工程约束)，包括两个阶段：
第一阶段，通过分析历史电力图纸元素和模型，建立支持国家要求的规则、标准、模型的模型平台，同时支持IEC61970标准的CIM公共信息模型规范，便于不同电力应用***之间的兼容性和互操作性。
第二阶段，利用GAT(图注意力网络)图神经网络的推理能力，学***面布局图生成方法，自动生成平面布局图。实体间的关联度知识图谱，具体包括如下步骤：
步骤S3.1：将实体映射到关系空间，两个实体在具有相似意思时，在实体空间中距离相近，在意思不相近时，距离较远。定义映射算子Map，采用Word2vec和跳字模型Skip-gram两种方法，从实体空间投影到嵌入关系空间，目的是使得关系的可区分性更强。
具体地，每个关系三元组
Figure BDA0004058055890000071
通过连接方式拼接而成，再乘以线性变换参数矩阵W1，转为关系空间C，其中W1由跳字模型Skip-gram方法学习获取，t表示关系类型，i、j表示实体类型，且i≠j；
Figure BDA0004058055890000072
一个实体可能具有多个层面的信息，不同的关系可能关注实体不同层面。实体和关系表达的最佳维度并不一定是一致的，因此，映射到同一个空间可能会限制模型效果。例如：有同一种关系的实体可能存在多种模式，例如：位置包含关系，(S1＝继电器，O1＝配电站，R1＝位于)，(S2＝继电器，O2＝102房间，R1＝位于)，因此，将具有同一种关系的实体对进行聚类。
步骤S3.2：加入非线性变换的激活函数的参数bijt，与GAT(图注意力网络)操作相同，用图上相邻的实体节点(三元组)计算相关性模型权重系数：
aijt＝softmaxjt(bijt)
利用GAT加入边的关系后，对实体进行多次迭代，获取学***面布局规划中的大量几何约束条件(不可重叠，相邻排布，并列排布等)和工程约束(离墙最小间距、设备最小间距、人行通道最小宽度等)等问题，根据变配电站设计标准，构建的知识图谱，能够优化规则库，实现对知识图谱和电气约束优化规则库的智能匹配，从而提高生成的变配电站设备平面布局图、及后续三维图的准确性。
步骤S4：基于生成对抗网络，将平面布局图向三维模型图映射，生成变配电站设备三维模型图；
传统的3D模型建模是基于网格和骨架基础上的合成，许多这些传统的方法合成新的对象是通过借用CAD模型库中的已有模型进行合成，由于简单的插值计算并不能解决合成3D模型的真实性和差异性问题，本发明利用生成式对抗网络(GAN)，结合自编码解码网络实现2D图像向3D模型的映射，达到变配电站设备3D模型生成的目的，利用变配电站设备3D模型生成方法建立了包含总平道路、配电装置楼建筑结构、水暖管道***及电气设备等的三维数字化模型。
本发明采用VAE(Variational AutoEncoder，变分自编码器)生成式对抗网络，包括生成器G和判别器D，2D平面图x作为输入，通过变分自编码器VAE得到隐向量z，并送入生成器G，生成器G对一个概率隐空间进行随机采样1个300维的隐向量z并将其映射到1个64*64*64的立方体中，并用G(z)表示一个3D体空间。利用二值交叉熵作为分类损失，判别器D则输出一个置信度D(x)，判断输入的平面图x是否真实。模型的损失函数由重构误差、对抗网络的交叉熵和KL距离共同决定。
基于VAE生成式对抗网络的变配电站设备3D模型的图像生成，主要完成总平面布置图、建筑平面、立面、剖面和水暖管道***及电气设备的三维出图。
基于生成的三维模型图，进行碰撞检测，对于三维图中具有交集电气设备进行筛查，同时，通过识别的电气***图参数和基于变配电站设计标准构建的知识图谱，获取房间信息和电气参数的实体信息及实体关系，融合变配电站设计过程中安装部署要求，补充筛选电气设备的碰撞。由于知识图谱是基于变配电站设计标准构建的，而变配电站设计标准包含了不同尺寸设备对于不同房间结构在安装部署时规避碰撞的要求，因此，需要结合知识图谱和电气***图参数对碰撞检测进行补充筛查。然后定位并给出碰撞检测结果，并在碰撞位置预留设备洞口。通过三维平台完成变配电站建筑结构模型建模，主要有建筑物、上部钢框架结构、下部桩基础及主变设备基础等，并严格按照建模规范对建筑墙体、门、窗等进行了属性赋值。
通过碰撞检测，能够筛查出工程中的碰撞问题，根据碰撞检查结果进行设计修改优化，减少建构筑物、管线、电气设备间的碰撞问题。三维建模平台的碰撞检测可将管线冲突等碰撞问题消除在施工之前，最大限度的降低施工阶段可能遇到的设计错误，减少因碰撞问题引起的工期延误和资金浪费。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

Claims (9)

1.基于电气行业知识图谱的变配电站神经网络识别方法，其特征在于包括如下步骤：
步骤S1：基于变配电站设计标准，构建变电站设计工程知识图谱；
步骤S2：基于递归神经网络深度学习，智能识别电气***图参数；
步骤S3：将电气***图参数，通过图神经网络，学***面布局图；
步骤S4：基于生成对抗网络，将平面布局图向三维模型图映射，通过三维平台完成变配电站建筑结构模型建模，生成变配电站设备三维模型图。
2.根据权利要求1所述的基于电气行业知识图谱的变配电站神经网络识别方法，其特征在于：所述步骤S2中，电气***图参数包括房间信息、一级干线电气参数，智能识别的过程包括如下步骤：
步骤S2.1：获取电气***图，进行图像分割，每张分割后的小图包含一种电气参数；
步骤S2.2：对小图中的电气参数x1进行标记，标记正确的类别，将标记类别的电气参数作为训练集，输入神经网络；
步骤2.3：神经网络经卷积操作进行电气参数的特征提取，得到卷积层输出的特征图x2；
步骤2.4：特征图x2输入双向长短期记忆层，将特征图x2的每一行，循环与双向长短期记忆层相连接，最终得到输出的特征图x3；
步骤2.5：特征图x3进行编码操作操作，得到编码输出特征x4，依次对编码输出特征进行乘加操作，再经正态分布采样，得到了特征x6，特征x6通过解码，得到了特征x7，再经全连接层，分别得到房间坐标位置信息、类别分数、侧边补偿，基于侧边补偿对房间坐标侧边改进偏移量，通过类别分数得到预测的电气参数类别Y；
步骤2.6：将预测的电气参数类别Y与标记正确的类别进行比较，基于损失函数进行损失计算，训练神经网络；
步骤2.7：将待预测的电气***图，输入训练好的神经网络，得到预测的各电气参数类别、房间坐标位置信息。
3.根据权利要求2所述的基于电气行业知识图谱的变配电站神经网络识别方法，其特征在于：将生成的知识图谱，用于电气***图参数识别，通过实体及实体间关系是基于设计标准的知识图谱，生成知识图谱权重，引入递归神经网络深度学习。
4.根据权利要求1所述的基于电气行业知识图谱的变配电站神经网络识别方法，其特征在于：所述步骤S3中，作为实体的电子参数及其之间的关系与变电站设计工程知识图谱的结合，包括如下步骤：
步骤S3.1：将实体空间映射到关系空间，两个实体在具有相似意思时，距离近，不具有相似意思时，距离远；
步骤S3.2：加入非线性变换的激活函数的参数，用知识图谱上相邻的实体节点计算相关性模型权重系数：
aijt＝softmaxjt(bijt)
softmaxjk表示第j个实体基于关系t的激活函数，t表示关系类型，i、j表示实体类型，利用图神经网络加入边的关系后，对实体进行多次迭代，获取学习到实体节点与其n阶邻居实体节点的信息和关系。
5.根据权利要求4所述的基于电气行业知识图谱的变配电站神经网络识别方法，其特征在于：
所述步骤S3.1中，每个关系三元组
Figure FDA0004058055880000021
通过连接方式拼接而成，再乘以线性变换参数矩阵W1，转为关系空间：
Figure FDA0004058055880000022
其中W1由跳字模型Skip-gram方法学习获取，t表示关系类型，i、j表示实体类型，且i≠j；将具有同一种关系的实体对进行聚类。
6.根据权利要求1所述的基于电气行业知识图谱的变配电站神经网络识别方法，其特征在于：采用变分自编码器生成式对抗网络，包括生成器G和判别器D，二维的平面布局图x作为输入，通过变分自编码器得到隐向量z，并送入生成器G，生成器G对一个概率隐空间采样多维的隐向量z，并将其映射到立方体中，并用三维体空间G(z)表示，判别器D基于生成器G的输入，输出置信度D(x)，用于判断是否与输入的二维的平面布局图x是否匹配，通过二值交叉熵作为分类损失，训练对抗网络。
7.根据权利要求1所述的基于电气行业知识图谱的变配电站神经网络识别方法，其特征在于：基于生成的三维模型图，进行碰撞检测，对于三维图中具有交集电气设备进行筛查，同时，通过识别的电气***图参数和基于变配电站设计标准构建的知识图谱，获取房间信息和电气参数的实体信息及实体关系，融合变配电站设计过程中安装部署要求，补充筛选电气设备的碰撞，并对碰撞的情况进行调整。
8.根据权利要求1所述的基于电气行业知识图谱的变配电站神经网络识别方法，其特征在于：所述步骤S1中，根据变配电站相关设计标准，建立规则库，获取规则库中变配电站的实体及实体之间的基于设计标准的关系，构建知识图谱；采用知识融合的方式，从相似度角度，判断两个实体是否是同一实体，或者能否归并到同一实体对象的分类下；基于相似度的判断，是判断两个实体的字符描述、属性/属性值以及语义结构的相似度，相似度越大，两个实体为同一实体的可能性越大，或者这两个实体更有可能指向同一实体对象。
9.根据权利要求1所述的基于电气行业知识图谱的变配电站神经网络识别方法，其特征在于：所述步骤S1中，知识图谱通过三元组K(S,O,R)表示，其中S表示主体，O表示客体，将关系定义为R:＝{SR|Value}，关系有一个值属性，不可逆，即主体S和客体O不能颠倒。
CN202310051191.3A 2023-02-02 2023-02-02 基于电气行业知识图谱的变配电站神经网络识别方法 Pending CN116187175A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310051191.3A CN116187175A (zh) 2023-02-02 2023-02-02 基于电气行业知识图谱的变配电站神经网络识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310051191.3A CN116187175A (zh) 2023-02-02 2023-02-02 基于电气行业知识图谱的变配电站神经网络识别方法

Publications (1)

Publication Number Publication Date
CN116187175A true CN116187175A (zh) 2023-05-30

Family

ID=86447205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310051191.3A Pending CN116187175A (zh) 2023-02-02 2023-02-02 基于电气行业知识图谱的变配电站神经网络识别方法

Country Status (1)

Country Link
CN (1) CN116187175A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235929A (zh) * 2023-09-26 2023-12-15 中国科学院沈阳自动化研究所 基于知识图谱和机器学习的三维cad生成式设计方法
CN117453923A (zh) * 2023-08-30 2024-01-26 广东电白建设集团有限公司 一种对施工现场施工设备和建筑设施的关系进行优化的方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117453923A (zh) * 2023-08-30 2024-01-26 广东电白建设集团有限公司 一种对施工现场施工设备和建筑设施的关系进行优化的方法
CN117453923B (zh) * 2023-08-30 2024-03-19 广东电白建设集团有限公司 一种对施工现场施工设备和建筑设施的关系进行优化的方法
CN117235929A (zh) * 2023-09-26 2023-12-15 中国科学院沈阳自动化研究所 基于知识图谱和机器学习的三维cad生成式设计方法
CN117235929B (zh) * 2023-09-26 2024-06-04 中国科学院沈阳自动化研究所 基于知识图谱和机器学习的三维cad生成式设计方法

Similar Documents

Publication Publication Date Title
CN116187175A (zh) 基于电气行业知识图谱的变配电站神经网络识别方法
Yu et al. Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking
CN113779675B (zh) 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置
Wang et al. Power system network topology identification based on knowledge graph and graph neural network
CN112149364B (zh) 一种智慧人居环境气流组织优化方法
CN107220758A (zh) 一种电网规划辅助***
Rampini et al. Artificial intelligence in construction asset management: A review of present status, challenges and future opportunities
Mao et al. Graph-based 3D building semantic segmentation for sustainability analysis
CN115439653A (zh) 一种变电站场景点云语义分割方法
Yassin et al. Digital twin in power system research and development: principle, scope, and challenges
Zhang et al. STPGTN–A Multi-Branch Parameters Identification Method Considering Spatial Constraints and Transient Measurement Data.
Jiang et al. Gaps and requirements for applying automatic architectural design to building renovation
Zad et al. Enhanced integration of flow-based market coupling in short-term adequacy assessment
Xu et al. Blockplanner: City block generation with vectorized graph representation
Collins et al. Shape encoding for semantic healing of design models and knowledge transfer to scan-to-BIM
Li CNN-GRU model based on attention mechanism for large-scale energy storage optimization in smart grid
Kong et al. Urban building energy modeling (UBEM): a systematic review of challenges and opportunities
Shao et al. Distributed multi-area intraday economic dispatch using modified critical region projection algorithm
Oladeji Network partitioning algorithms for electricity consumer clustering
Ghannad et al. Developing an advanced automated modular housing design system using deep learning and Building Information Modeling (BIM)
Park et al. Quality assessment of residential layout designs generated by relational Generative Adversarial Networks (GANs)
Keyan et al. Anomaly detection method of distribution network line loss based on hybrid clustering and LSTM
Liu et al. Construction of Multiobjective Planning Decision‐Making Model of Ecological Building Spatial Layout under the Background of Rural Revitalization
Zhuang et al. Spatial Load Forecasting Method Based on GIS and Generative Adversarial Network
Ge et al. Smart Power Distribution Network: Situation Awareness, Planning, and Operation

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