CN116821423A - 配电网智能解析和知识型故障处理辅助***及方法 - Google Patents
配电网智能解析和知识型故障处理辅助***及方法 Download PDFInfo
- Publication number
- CN116821423A CN116821423A CN202310663567.6A CN202310663567A CN116821423A CN 116821423 A CN116821423 A CN 116821423A CN 202310663567 A CN202310663567 A CN 202310663567A CN 116821423 A CN116821423 A CN 116821423A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- fault
- data
- layer
- distribution network
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 238000010276 construction Methods 0.000 claims abstract description 38
- 239000010410 layer Substances 0.000 claims description 128
- 238000004364 calculation method Methods 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 239000012792 core layer Substances 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 230000008859 change Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了配电网智能解析和知识型故障处理辅助***及方法，具有辅助故障诊断的优点。传统电网的故障诊断依赖于调度员的工作经验和专业知识，需要调度员实时分析故障后电网的状态、参数变化信息，推理事故发生的原因，图谱构建层和图谱应用层详细记录了各类预想故障的事故特征，当事故发生后根据事故后电网运行方式的变化情况，对知识图谱进行检索和推理，实现知识驱动型的故障诊断辅助决策，减少对调度员的经验依赖，此外，将每次故障诊断的结果作为新的知识对知识图谱进行更新完善，可以使知识图谱提供更为精确、全面、动态化的决策辅助支持。
Description
技术领域
本发明涉及配电网技术领域，具体为配电网智能解析和知识型故障处理辅助***及方法。
背景技术
随着电力物联网的不断发展，电力大数据迎来新机遇。配电网作为与用户终端紧密相连的最后环节，是保证供电质量的关键。面对数据多样、复杂、孤岛化，任务场景结合度高的新挑战，提升配电网数据感知认知智能水平并规范故障处理能力对于调度工作具有重要意义。
调度决策知识存在于调度规程等文本文件、数据库以及专家经验中，调度员在故障处理时需要依赖大量的专业知识支撑、历史和实时电网态势感知，并根据情况变化在短时间内做出最优决策。针对调度知识复杂，调度决策实时性高的需求，如何利用电网调度规则、故障预案以及人工经验知识构建包含调度知识、故障处理知识、业务流程知识的知识图谱，构建以电网拓扑结构形成的知识表征，将故障预案及故障处理案例以事件簇形式进行关联，将对配电网的决策起到重要的作用。为此，本发明提出配电网智能解析和知识型故障处理辅助***及方法。
发明内容
本发明的目的在于克服现有技术的调度知识复杂，调度决策实时性高的缺陷，提供配电网智能解析和知识型故障处理辅助***及方法。
为实现上述目的，本发明提供如下技术方案：配电网智能解析和知识型故障处理辅助***，包括数据获取层、图谱构建层、知识计算层以及图谱应用层；
所述数据获取层用于结构化数据解析、半/非结构化数据标注以及第三方合作数据解析，数据获取层包括调度规程、安全规程、专家经验相关数据，且所述数据获取层连接资源层，获取处于最底层的资源层中匹配的监测终端所收集的信息，具体地对实体、事件和知识图谱进行获取，其中所述实体包含操作运行专业术语、事故处理专业术语、电网拓扑图结构的相关内容，所述事件包含故障处理一般原则、故障处理专家经验、故障处理业务逻辑的相关内容；
所述图谱构建层包括实体识别模型，所述实体识别模型与所述数据获取层连接，且所述实体识别模型包括BERT层、Word2Vec词嵌入层、双向长短时记忆网络层BiLSTM、特征串联层Concatenate、全连接层Dense，所述图谱构建层提供数据符合基于CIM模型规则的RDF数据文件，或CIM-XML模型数据文件，且所述图谱构建层用于知识图谱应用架构的核心层承载、自然语言处理、知识抽取、知识融合以及知识加工工作，进行规范处理图数据库存储的实体、概念、关系和事件数据，其中知识图谱构建包括数据清洗、用户负荷、知识抽取、知识融合、知识加工、人工校验和知识更新；
所述知识计算层包括处理器，与所述实体识别模型连接，并用于所述实体识别模型数据集成的表示学习、关系推理、属性推理、事件推理、路径计算、比较排序的通用算法模型计算，且知识计算层包括数据存储和数据处理及推理计算，数据存储包括多层多库原则、权限分区管理、子图访问控制等要求，具体地由基础数据源、运行数据和故障信息通过知识图谱来进行数据逻辑关联挖掘后进行推理分析和计算；
所述图谱应用层通过CIS服务的数据形式为所述知识计算层提供接口，输出所述知识计算层的计算处理数据，并用于提供智能搜索、智能问答、智能推荐、辅助决策、知识管理及第三方应用，作为电力领域知识图谱应用架构所产出的最终功能模块与实际应用场景进行对接，所述图谱应用层结合业务场景进行数据逻辑关联挖掘，以关键信息匹配、拓扑路径搜索、数据挖掘统计方法分析计算。
优选的，所述图谱构建层的数据层构建是基于Neo4j的标签属性图数据模型由实体节点Entity Node和关系Relationship两种类型数据组成，其中，节点存储实体信息，关系链接实体，节点和关系的属性及标签以键值对形式存储。
优选的，所述知识计算层的知识图谱构建的通用算法模型为TF-IDF算法，具体地以配电网故障分类作为实体，故障发生原因、故障属性、故障现象、故障处理办法及相关专家经验形成多元组后，采用TF-IDF算法筛选出局部文本中在整个文件分布集中且出现高频的词语tf ij ，公式如下；
；
其中，表示是词语tf ij 在文件/>中出现的次数，/>则是文件/>中所有词汇出现的次数总和；
；
其中，|D| 是知识图谱语料库中的文件总数，表示包含词语/>的文件数目,即 ni,j≠0 的文件数目；
计算指定词的TF-IDF值公式如下：
；
将每个句子中每个词，分别计算TF-IDF值。
优选的，所述数据获取层包括知识抽取模块、知识融合模块与知识更新模块，所述知识抽取模块是在模式层知识组织架构的指导下，通过知识抽取方法从半/非构化数据中获取实体、实体间关系以及属性的结构化知识；所述知识融合模块是基于知识抽取模块所得到的实体信息数据，进行实体消歧和共指消解处理；所述知识更新模块则是在知识图谱应用的过程中，对相应知识的质量与时效性进行评估，并结合知识的发展进行更新和修正。
优选的，所述数据获取层中的数据是指对 excel、csv、json、xml文件进行导入、读取以及结构化存储，数据标注是指对文本数据进行概念、实体、关系、属性语义信息的标注工作。
优选的，所述图谱构建层采用自顶向下和自底向上组合后的方式进行创建，所述自定向下和自底向上，具体地自定向下算法或自底向上算法对应地抽取对应的关键词进行融合、筛选、修正和分类，分类为操作术语、事故处理术语、运行术语以及故障术语，结合数据材料采用筛除方法进行术语补全，通过搜索匹配完成对于专业术语解释及相关调度规程和安全规程的内容补充。
配电网智能解析和知识型故障处理辅助***的方法，包括以下步骤：
步骤1：对电网现有的操作规程、处置预案、规章规程进行统计，将电网出现故障之后所需要的操作规程、处置预案、规章规程联系起来，将电网现有的和电网出现故障之后所需要的操作规程、处置预案、规章规程分别进行，一一对应，形成结构化网络；
步骤2：根据配电网故障信息知识来构建数据获取层与图谱构建层，数据获取层将配电网故障调度决策中所需物理模型与知识模型进行统一，通过图谱构建层建立多源数据间关系链接，构建完成数据层与知识图谱层；
步骤3：根据配电网故障信息知识推理技术构建知识计算层，由基础数据源、运行数据和故障信息通过知识图谱来进行数据逻辑关联挖掘，最后进行推理分析和计算；
步骤4：当调度故障发生时，故障信息实时传回调控人员监控***，根据故障发生的位置自动推荐该区域故障预案，并匹配相关故障案例；
步骤5：拟合人类的思维及工作模式，将包括故障设备、地点、状态、现象的实时故障信息与贴合记忆网络的知识图谱中的故障现象及故障案例进行匹配，从同一设备故障案例簇、同类设备故障案例簇、同类设备故障处理原则三个方面，根据故障信息形成初始约束，建立实体链接，基于子图检索及路径关联故障案例簇与故障处理知识，统计历史故障信息，通过路径召回实现知识搜索、计算与推荐；
步骤6：完成故障定位，实施故障隔离后对非故障失电区域进行网络重构，在满足功率平衡、容量和电压约束以及配电网连通性和辐射状的约束下，参考故障推荐信息，完成包含网损小、恢复非故障负荷多、开关次数少的人机交互场景，适应多目标优化。
一种计算机可读存储介质，储存有指令，其特征在于：当所述指令在计算机上运行时，使得计算机应用配电网智能解析和知识型故障处理辅助***或执行配电网智能解析和知识型故障处理辅助***的方法。
与现有技术相比，本发明的有益效果是：
本发明具有智能信息检索的优点，传统的故障处置信息检索方式通过对关键词分解与匹配来完成，不能深入理解与处理问题的语义信息。知识图谱以图的形式对故障处置知识进行表示，准确地表达知识之间的关联关系，借助知识图谱对使用者查询的关键字进行解析，将其映射到具体概念或实体上，基于知识图谱丰富的语义网络，能够返回全面、准确的搜索结果；本发明具有辅助故障诊断的优点，传统电网的故障诊断依赖于调度员的工作经验和专业知识，需要调度员实时分析故障后电网的状态、参数变化信息，推理事故发生的原因，电网知识图谱详细记录了各类预想故障的事故特征，当事故发生后根据事故后电网运行方式的变化情况，对知识图谱进行检索和推理，实现知识驱动型的故障诊断辅助决策，减少对调度员的经验依赖，此外，将每次故障诊断的结果作为新的知识对知识图谱进行更新完善，可以使知识图谱提供更为精确、全面、动态化的决策辅助支持。
附图说明
图1为本发明配电网智能解析和知识型故障处理辅助***的架构示意图；
图2为本发明图谱构建层的构建流程图；
图3为本发明配电网智能解析和知识型故障处理辅助***的数据结构图；
图4为本发明配电网智能解析和知识型故障处理辅助***的决策框架图；
图5为本发明调度辅助问答处理流程及示例图。
图中标号：10、数据获取层；20、图谱构建层；30、知识计算层；40、图谱应用层。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1和图3，本发明提供一种技术方案：配电网智能解析和知识型故障处理辅助***，包括数据获取层10、图谱构建层20、知识计算层30以及图谱应用层40。其中，数据获取层10负责结构化数据解析、半/非结构化数据标注以及第三方合作数据解析，且数据获取层10包括调度规程、安全规程、专家经验相关数据，具体地对实体、事件和知识图谱进行获取，其中所述实体包含操作运行专业术语、事故处理专业术语、电网拓扑图结构的相关内容，所述事件包含故障处理一般原则、故障处理专家经验、故障处理业务逻辑的相关内容，其中数据获取层10中的数据泛指对 excel、csv、json、xml文件进行导入、读取以及结构化存储，数据标注指对文本数据进行概念、实体、关系、属性语义信息的标注工作；
本实施例的数据获取层10的构建包括以下三个步骤：
步骤（1）：知识抽取模块，数据获取层10连接资源层，处于最底层的资源层中匹配的监测终端所收集的信息在模式层知识组织架构的指导下，通过一系列知识抽取方法从非构化数据中获取实体、实体间关系以及属性等结构化知识；
步骤（2）：知识融合模块，对知识抽取模块所得到的实体进行实体消歧和共指消解处理，其中，图谱构建层20包括实体识别模型，实体识别模型与数据获取层10连接，且实体识别模型包括BERT层、Word2Vec词嵌入层、双向长短时记忆网络层BiLSTM、特征串联层Concatenate、全连接层Dense，且图谱构建层20用于知识图谱应用架构的核心层承载、自然语言处理、知识抽取、知识融合以及知识加工工作，进行规范处理图数据库存储的实体、概念、关系和事件数据，实现多对多关系管理；其中知识图谱构建包括数据清洗、用户负荷、知识抽取、知识融合、知识加工、人工校验和知识更新；通过知识计算层30的处理器与实体识别模型连接，并用于实体识别模型数据集成的表示学习、关系推理、属性推理、事件推理、路径计算、比较排序的通用算法模型计算，且知识计算层30包括数据存储和数据处理及推理计算，数据存储包括多层多库原则、权限分区管理、子图访问控制等要求，具体地由基础数据源、运行数据和故障信息通过知识图谱来进行数据逻辑关联挖掘后进行推理分析和计算；此外图谱应用层40通过CIS服务的数据形式为知识计算层30提供接口，用于提供智能搜索、智能问答、智能推荐、辅助决策、知识管理及第三方应用，作为知识图谱应用架构所产出的最终功能模块与实际应用场景进行对接，图谱应用层40结合业务场景进行数据逻辑关联挖掘，以及关键信息匹配、拓扑路径搜索、数据挖掘统计方法分析计算；
步骤（3）：知识更新模块，在知识图谱应用的过程中，对其中知识的质量与时效性进行评估，并结合知识的发展进行更新和修正。
本实施例的图谱构建层20作为知识图谱应用架构的核心层，承载自然语言处理、知识抽取、知识融合以及知识加工能力，同时，规范要求采用图数据库存储实体、概念、关系、事件并实现多对多关系管理，其中知识图谱构建包括数据清洗、用户负荷、知识抽取、知识融合、知识加工、人工校验和知识更新；
本实施例的知识计算层30负责集成表示学习、关系推理、属性推理、事件推理、路径计算、比较排序的通用算法模型，且知识计算层30包括数据存储和数据处理及推理计算，数据存储包括多层多库原则、 权限分区管理、子图访问控制等要求，具体地由基础数据源、运行数据和故障信息通过知识图谱来进行数据逻辑关联挖掘后进行推理分析和计算。
参阅图2，本实施例进一步优化地，该图谱构建层20采用自顶向下和自底向上组合后的方式进行创建，所述自定向下和自底向上，具体地自定向下算法或自底向上算法对应地抽取的对应的关键词进行融合、筛选、修正和分类，分类为操作术语、事故处理术语、运行术语以及故障术语，结合数据材料采用筛除方法进行术语补全，通过搜索匹配完成对于专业术语解释及相关调度规程和安全规程内容补充。
本实施例的图谱构建层20的数据层构建涉及Neo4j面向属性图的存储***或gStore面向RDF图的存储***两大类别，采用关系型数据库管理文件、视频、图像、音频等多媒体数据以及一对多关系，并通过HTML元素中的id_name连接彼此，基于Neo4j的标签属性图数据模型，由节点(node)和关系(relationship)两种类型数据组成，节点存储实体(entity)信息，关系链接实体，节点和关系的属性(property)及标签(label)以键值对(key-value)形式存储；
Entity Node:Label{Property1, Property2•••}；
Relationship start node-[rel:Property3]-end node；
式中：Label，Property1，Property2 为实体标签及多个属性值，实体标签用来区分不同类型的节点，每个实体可含有一个或多个标签、零个或多个属性；start node, endnode 表示头实体与尾实体，rel表示关系名称，Property3 表示关系属性，实体间关系具有方向性。
本实施例的知识计算层30的知识图谱构建的通用算法模型为TF-IDF算法，具体地以配电网故障分类作为实体，故障发生原因、故障属性、故障现象、故障处理办法及相关专家经验形成多元组后，进而采用TF-IDF算法筛选出局部文本中在整个文件分布集中且出现高频的词语tf ij ，公式如下；
；
其中，表示是词语tf ij 在文件/>中出现的次数，/>则是文件/>中所有词汇出现的次数总和；
；
其中，|D| 是知识图谱语料库中的文件总数，表示包含词语/>的文件数目，即 ni,j≠0 的文件数目；
计算某个词的TF-IDF值公式如下：
；
将每个句子中每个词，分别计算TF-IDF值。
参阅图3和图4，本实施例的图谱应用层40负责提供智能搜索、智能问答、智能推荐、辅助决策、知识管理及第三方应用，作为电力领域知识图谱应用架构所产出的最终功能模块与实际应用场景进行对接，所述图谱应用层40结合业务场景进行数据逻辑关联挖掘，以关键信息匹配、拓扑路径搜索、数据挖掘统计方法分析计算。
参阅图5，本实施例还提供一种配电网智能解析和知识型故障处理辅助***的方法，包括以下步骤：
步骤1：对电网现有的操作规程、处置预案、规章规程等内容进行统计，将电网出现故障之后所需要的操作规程、处置预案、规章规程等内容联系起来，一一对应，形成结构化网络，当电网出现故障情况时，不同的故障对应着不同的故障处理方案，涉及到不同的电力设备、变压器、联结点等，不同的术语，不同的故障预案和不同的故障记录。因此要根据电网所规定的操作规程、处置预案、规章规程等内容，将故障情况与相应的模块对应；
结构化采用基于 Neo4j 的标签属性图数据模型，宏观角度来说由节点(node)和关系(relationship)两种类型数据组成，节点存储实体(entity)，关系链接实体，节点和关系的属性(property)及标签(label)以键值对(key-value)形式存储。
Entity Node:Label{Property1, Property2•••}；
Relationship start node-[rel:Property3]-end node；
式中：Label，Property1，Property2为实体标签及多个属性值，标签用来区分不同类型的节点，每个实体可含有一个或多个标签，零个或多个属性；start node, end node表示头实体与尾实体，rel表示关系名称，Property3表示关系属性，实体间关系具有方向性；
步骤2：根据配电网故障信息知识来构建数据获取层10与图谱构建层20，数据获取层10将配电网故障调度决策中所需物理模型与知识模型进行统一，通过图谱构建层20建立多源数据间关系链接，数据获取层10包括调度规程、安全规程、专家经验等相关数据，知识图谱层包括实体、事件和知识图谱的构建，其中实体包含操作运行专业术语、事故处理专业术语、电网拓扑图结构等相关内容。事件包含故障处理一般原则、故障处理专家经验、故障处理业务逻辑等相关内容，知识图谱构建包括数据清洗、用户负荷、知识抽取、知识融合、知识加工、人工校验、知识更新等内容；
步骤3：根据配电网故障信息知识推理技术构建知识计算层30，由基础数据源、运行数据和故障信息通过知识图谱来进行数据逻辑关联挖掘，最后进行推理分析和计算，知识推理层结合业务场景进行数据逻辑关联挖掘，以关键信息匹配、拓扑路径搜索、数据挖掘统计等方法分析计算，在精细化场景中实现电力知识应用探索；
步骤4：当调度故障发生时，故障信息实时传回调控人员监控***，根据故障发生的位置可自动推荐该区域故障预案，并匹配相关故障案例；
步骤5：拟合人类的思维及工作模式，将实时故障信息包括故障设备、地点、状态、现象与贴合记忆网络的知识图谱中故障现象及故障案例等进行匹配，从同一设备故障案例簇、同类设备故障案例簇、同类设备故障处理原则三个方面，根据故障信息形成初始约束，建立实体链接，基于子图检索及路径关联故障案例簇与故障处理知识，统计历史故障信息，通过路径召回从而进一步实现知识搜索、计算与推荐；
根据故障信息形成初始约束，建立实体链接，基于子图检索及路径关联故障案例簇与故障处理知识，统计历史故障信息，通过路径召回从而进一步实现知识搜索、计算与推荐，设存在同类设备E (e1,e2,•••,en)共存在m类故障，设置所有可能发生的故障现象集合为A，则m类故障都对应有经验故障现象子集Am{a1,a2,•••,am}，每个故障案例簇C对应有故障现象子集Ca。当设备e1发生故障，在构建了故障案例功能模块的基础上，可实现案例事件簇的自动生成、保存及显示，Neo4j前端界面可提供故障案例簇的可视化展示，提供更多的故障信息，有利于发现电网薄弱点；
步骤6：当完成故障定位，实施故障隔离后对非故障失电区域进行网络重构，在满足功率平衡、容量和电压约束以及配电网连通性和辐射状等约束下，参考故障推荐信息，完成包含网损小、恢复非故障负荷多、开关次数少等的人机交互场景，适应多目标优化。
综上所述，本发明具有智能信息检索的优点，传统的故障处置信息检索方式通过对关键词分解与匹配来完成，不能深入理解与处理问题的语义信息。知识图谱以图的形式对故障处置知识进行表示，准确地表达知识之间的关联关系，借助知识图谱对使用者查询的关键字进行解析，将其映射到具体概念或实体上，基于知识图谱丰富的语义网络，能够返回全面、准确的搜索结果；本发明具有辅助故障诊断的优点，传统电网的故障诊断依赖于调度员的工作经验和专业知识，需要调度员实时分析故障后电网的状态、参数变化信息，推理事故发生的原因，电网故障处置知识图谱详细记录了各类预想故障的事故特征，当事故发生后根据事故后电网运行方式的变化情况，对知识图谱进行检索和推理，实现知识驱动型的故障诊断辅助决策，减少对调度员的经验依赖，此外，将每次故障诊断的结果作为新的知识对知识图谱进行更新完善，可以使知识图谱提供更为精确、全面、动态化的决策辅助支持。
其中，非易失性存储器可以包括只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic random access memory，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data dateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(directrambus RAM，DR RAM)。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。
应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.配电网智能解析和知识型故障处理辅助***，其特征在于：所述***包括数据获取层（10）、图谱构建层（20）、知识计算层（30）以及图谱应用层（40）；
所述数据获取层（10）用于结构化数据解析、半/非结构化数据标注以及第三方合作数据解析，且所述数据获取层（10）连接资源层，获取处于最底层的资源层中匹配的监测终端所收集的信息；
所述图谱构建层（20）包括实体识别模型，所述实体识别模型与所述数据获取层（10）连接，所述图谱构建层（20）提供符合基于CIM模型规则的RDF数据文件，或CIM-XML模型数据文件，且所述图谱构建层（20）用于知识图谱应用架构的核心层承载、自然语言处理、知识抽取、知识融合以及知识加工工作，进行规范处理图数据库存储的实体、概念、关系和事件数据；
所述知识计算层（30）包括处理器，与所述实体识别模型连接，并用于所述实体识别模型数据集成的表示学习、关系推理、属性推理、事件推理、路径计算、比较排序的通用算法模型计算；
所述图谱应用层（40）通过CIS服务的数据形式为所述知识计算层（30）提供接口，输出所述知识计算层（30）的计算处理数据，并用于提供智能搜索、智能问答、智能推荐、辅助决策、知识管理及第三方应用，作为知识图谱应用架构所产出的最终功能模块与实际应用场景进行对接。
2.根据权利要求1所述的配电网智能解析和知识型故障处理辅助***，其特征在于：所述数据获取层（10）包括调度规程、安全规程、专家经验相关数据，具体地对实体、事件和知识图谱进行获取，其中所述实体包含操作运行专业术语、事故处理专业术语、电网拓扑图结构的相关内容，所述事件包含故障处理一般原则、故障处理专家经验、故障处理业务逻辑的内容；
所述图谱构建层（20）的知识图谱构建包括数据清洗、用户负荷、知识抽取、知识融合、知识加工、人工校验和知识更新；所述实体识别模型包括BERT层、Word2Vec词嵌入层、双向长短时记忆网络层BiLSTM、特征串联层Concatenate、全连接层Dense；
所述知识计算层（30）包括数据存储和数据处理及推理计算，数据存储包括多层多库原则、权限分区管理、子图访问控制，具体地由基础数据源、运行数据和故障信息通过知识图谱来进行数据逻辑关联挖掘后进行推理分析和计算；
所述图谱应用层（40）结合业务场景进行数据逻辑关联挖掘，以及关键信息匹配、拓扑路径搜索、数据挖掘统计方法分析计算。
3.根据权利要求2所述的配电网智能解析和知识型故障处理辅助***，其特征在于：所述图谱构建层（20）的数据层构建是基于Neo4j的标签属性图数据模型，由实体节点EntityNode和关系Relationship两种类型数据组成，其中，节点存储实体信息，关系链接实体，节点和关系的属性及标签以键值对形式存储。
4.根据权利要求1所述的配电网智能解析和知识型故障处理辅助***，其特征在于：所述知识计算层（30）的知识图谱构建的通用算法模型为TF-IDF算法，以配电网故障分类作为实体，故障发生原因、故障属性、故障现象、故障处理办法及相关专家经验形成多元组后，采用TF-IDF算法筛选出局部文本中在整个文件分布集中且出现高频的词语tf ij ，公式如下；
；
其中，表示是词语tf ij 在文件/>中出现的次数，/>则是文件/>中所有词汇出现的次数总和；
；
其中，|D|是知识图谱语料库中的文件总数，表示包含词语/>的文件数目,即 ni,j≠0 的文件数目；
计算指定词的TF-IDF值公式如下：
；
将每个句子中每个词，分别计算TF-IDF值。
5.根据权利要求1所述的配电网智能解析和知识型故障处理辅助***，其特征在于：所述数据获取层（10）包括知识抽取模块、知识融合模块与知识更新模块，所述知识抽取模块是在知识组织架构的指导下，通过知识抽取方法从半/非构化数据中获取实体、实体间关系以及属性的结构化知识；所述知识融合模块是基于所述知识抽取模块得到的实体信息数据，进行实体消歧和共指消解处理；所述知识更新模块则是在知识图谱应用的过程中，对相应知识的质量与时效性进行评估，并结合知识的发展进行更新和修正。
6.根据权利要求1所述的配电网智能解析和知识型故障处理辅助***，其特征在于：所述数据获取层（10）中的数据是指对 excel、csv、json、xml文件进行导入、读取以及结构化存储后的数据，数据标注是指对文本数据进行概念、实体、关系、属性语义信息的标注工作。
7.根据权利要求1所述的配电网智能解析和知识型故障处理辅助***，其特征在于：所述图谱构建层（20）的构建方式采用自顶向下和自底向上组合后的方式进行创建，所述自顶向下和自底向上对应地抽取对应的关键词进行融合、筛选、修正和分类，分类为操作术语、事故处理术语、运行术语以及故障术语，结合数据材料采用筛除方法进行术语补全，通过搜索匹配完成对于专业术语解释及相关调度规程和安全规程的内容补充。
8.根据权利要求1-7任一项所述的配电网智能解析和知识型故障处理辅助***的方法，其特征在于：包括以下步骤：
步骤1：对电网现有的操作规程、处置预案、规章规程进行统计，将电网出现故障之后所需要的操作规程、处置预案、规章规程联系起来，将电网现有的和电网出现故障之后所需要的操作规程、处置预案、规章规程分别进行一一对应，形成结构化网络；
步骤2：根据配电网故障信息知识来构建数据获取层（10）与图谱构建层（20），数据获取层（10）将配电网故障调度决策中所需物理模型与知识模型进行统一，通过图谱构建层（20）建立多源数据间关系链接，构建完成数据层与知识图谱层；
步骤3：根据配电网故障信息知识推理技术构建知识计算层（30），由基础数据源、运行数据和故障信息通过知识图谱来进行数据逻辑关联挖掘，最后进行推理分析和计算；
步骤4：当调度故障发生时，故障信息实时传回调控人员监控***，根据故障发生的位置自动推荐该区域故障预案，并匹配相关故障案例；
步骤5：拟合人类的思维及工作模式，将包括故障设备、地点、状态、现象的实时故障信息与贴合记忆网络的知识图谱中的故障现象及故障案例进行匹配，从同一设备故障案例簇、同类设备故障案例簇、同类设备故障处理原则三个方面，根据故障信息形成初始约束，建立实体链接，基于子图检索及路径关联故障案例簇与故障处理知识，统计历史故障信息，通过路径召回实现知识搜索、计算与推荐；
步骤6：完成故障定位，实施故障隔离后对非故障失电区域进行网络重构，在满足功率平衡、容量和电压约束以及配电网连通性和辐射状的约束下，参考故障推荐信息，完成包含网损小、恢复非故障负荷多、开关次数少的人机交互场景，适应多目标优化。
9.一种计算机可读存储介质，储存有指令，其特征在于：当所述指令在计算机上运行时，使得计算机应用如权利要求1～7任意一项所述的配电网智能解析和知识型故障处理辅助***或执行如权利要求8所述的配电网智能解析和知识型故障处理辅助***的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310663567.6A CN116821423A (zh) | 2023-06-06 | 2023-06-06 | 配电网智能解析和知识型故障处理辅助***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310663567.6A CN116821423A (zh) | 2023-06-06 | 2023-06-06 | 配电网智能解析和知识型故障处理辅助***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116821423A true CN116821423A (zh) | 2023-09-29 |
Family
ID=88115946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310663567.6A Pending CN116821423A (zh) | 2023-06-06 | 2023-06-06 | 配电网智能解析和知识型故障处理辅助***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821423A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117521662A (zh) * | 2023-10-19 | 2024-02-06 | 湖北华中电力科技开发有限责任公司 | 一种基于深度学习的电力调度语义分析方法 |
-
2023
- 2023-06-06 CN CN202310663567.6A patent/CN116821423A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117521662A (zh) * | 2023-10-19 | 2024-02-06 | 湖北华中电力科技开发有限责任公司 | 一种基于深度学习的电力调度语义分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9798310B2 (en) | Method for searching cross-regional power supply area based on CIM model and system thereof | |
| WO2023045417A1 (zh) | 一种故障知识图谱构建方法及装置 | |
| CN113434634A (zh) | 知识图谱构建方法、装置 | |
| CN116821423A (zh) | 配电网智能解析和知识型故障处理辅助***及方法 | |
| CN113095524A (zh) | 电力设备检修工作单据智能生成方法、***及存储介质 | |
| CN112613611A (zh) | 一种基于知识图谱的税务知识库*** | |
| CN115221776A (zh) | 一种新型配电网的智能感知诊断模型的训练方法及装置 | |
| Tang et al. | Automatic schema construction of electrical graph data platform based on multi-source relational data models | |
| WO2019140553A1 (zh) | 配电***的健康指数确定方法及装置、计算机存储介质 | |
| Jiang et al. | Construction of substation engineering design knowledge graph based on “ontology seven-step method” | |
| Xiao et al. | Research on the construction and implementation of power grid fault handling knowledge graphs | |
| CN115827885A (zh) | 一种运维知识图谱的构建方法、装置及电子设备 | |
| Si et al. | Research on comprehensive evaluation of distribution network based on Knowledge Graphs | |
| Li et al. | Multi-source education knowledge graph construction and fusion for college curricula | |
| CN108960401A (zh) | 一种面向Web服务计算环境的数据细胞自愈方法 | |
| CN114138759B (zh) | 基于知识图谱推理的二次设备故障处理推送方法及*** | |
| Meng et al. | Research on the typical application of knowledge graph in power marketing | |
| Yan et al. | Implementation of Intelligent Q&A System for Electric Power Knowledge Based on Knowledge Graph | |
| Gao et al. | GridOnto: knowledge representation and extraction for fault events in power grid | |
| Liu et al. | Application of Knowledge Graph Technology in the Field of Power Grid Infrastructure | |
| Gu et al. | Research on the Knowledge Graph Construction Technology and its Power Grid Applications | |
| Haibo et al. | Construction of Knowledge Graph of Power Communication Planning based on Deep Learning | |
| Yan et al. | Construction of Dynamic Knowledge Graph for Grid day-ahead Scheduling Optimization Decision | |
| CN116644950A (zh) | 一种基于知识图谱的电力故障影响范围分析方法、装置及电子设备 | |
| Dai et al. | Power Grid Material Demand Forecasting Based on Pearson Feature Selection and Multi-Model Fusion |
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 |