CN117114657A - 基于电力设备巡检知识图谱的故障信息预警***及方法 - Google Patents
基于电力设备巡检知识图谱的故障信息预警***及方法 Download PDFInfo
- Publication number
- CN117114657A CN117114657A CN202311371006.5A CN202311371006A CN117114657A CN 117114657 A CN117114657 A CN 117114657A CN 202311371006 A CN202311371006 A CN 202311371006A CN 117114657 A CN117114657 A CN 117114657A
- Authority
- CN
- China
- Prior art keywords
- power equipment
- early warning
- information
- knowledge graph
- nodes
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012512 characterization method Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力巡检信息处理技术领域,具体涉及一种基于电力设备巡检知识图谱的故障信息预警***及方法。该***通过知识图谱构建模块从电力设备语料库中抽取电力设备的相关语料并构建电力设备巡检知识图谱;基于迭代表征增强图卷积神经网络的信息传播模块利用构建完成的电力设备巡检知识图谱,结合迭代表征增强图卷积神经网络,使得电力设备的故障信息可以在不同设备之间进行传播;所述预警信息识别模块对传播后的信息进行故障判断,并进行预警。本发明使预警信息可以在不同电力设备节点之间传播,在较少的电力设备样例中进行准确的判断。
Description
技术领域
本发明属于电力巡检信息处理技术领域,具体涉及一种基于电力设备巡检知识图谱的故障信息预警***及方法。
背景技术
变电侧设备作为电网的核心枢纽点,其可靠性和稳定性程度直接决定了电网运行可靠与否。分析变电领域相关的电力事故数据,发现相关事故均集中于相关人员误操作和巡检不及时两个方面。这是由两方面的原因造成的,一是变电设备种类繁多导致巡检要求及规范非常复杂,对工作人员专业素养要求极高,二是变电设备分布不均,巡检移动范围大,同时缺乏全局信息统筹,无法及时预见设备故障,使得巡检效率低下,相关人员工作负担繁重。亟待通过加快电网基础设施智能化、数字化改造以减少对巡检人员的依赖,提升巡检的效率和质量,确保电网的安全、可靠、稳定运行。
电网基础设施智能化、数字化改造的其中一个重要方向就是对设备进行自动预警,为使信息在知识图网络上进行有效、高效且自动化的传播,人们进行了许多相关研究。近年来,受生物脑技术的启发,许多研究者结合知识图谱中的先验知识对神经网络进行训练,并取得了较好的效果。因此,结合知识图谱中的知识,使得预警模型能够在较少的电力设备样例中进行准确的判断成为一个极具意义的科学问题。
发明内容
本发明的目的在于提供一种基于电力设备巡检知识图谱的故障信息预警***及方法,可以使预警信息可以在不同电力设备节点之间传播,在较少的电力设备样例中进行准确的判断。
本发明提出的基于电力设备巡检知识图谱的故障信息预警***,包括面向电力设备的知识图谱构建模块、基于迭代表征增强图卷积神经网络的信息传播模块和预警信息识别模块;所述知识图谱构建模块从电力设备语料库中抽取电力设备的相关语料并构建电力设备巡检知识图谱;信息传播模块利用构建完成的电力设备巡检知识图谱,结合迭代表征增强图卷积神经网络,使得电力设备的故障信息可以在不同设备之间进行传播;所述预警信息识别模块对传播后的信息进行故障判断,并进行预警。
进一步优选,所述基于迭代表征增强图卷积神经网络的信息传播模块,首先采用邻接矩阵对电力设备巡检知识图谱进行建模,将具有联系的电力设备在电力设备巡检知识图谱标1表示,否则为0;信息传播模块采用自注意力和交叉注意力机制对图中节点的信息进行迭代更新;使用迭代表征增强图卷积神经网络动态更新电力设备的预警状态的表征;迭代表征增强图卷积神经网络(Att-GRN)将各个预警信息的词向量作为输入,通过迭代表征增强图卷积神经网络,利用自注意力和交叉注意力机制来进行各个电力设备节点及其关系的上下文信息建模,输出每个电力设备节点增强后的特征表示。
进一步优选,所述面向电力设备的知识图谱构建模块,采用半自动的方式对知识进行构建;结合电力巡检语料库结构化的特点,首先构建实体词典,包括设备、信号灯、电压、温度;再根据实体词典设计实体间的关系,实体间的关系包括电力设备的从属关系、位置耦合关系;其次,根据实体间词向量的距离自动从语料库中发现新的实体;之后,使用实体消歧技术,对发现的实体进行过滤,并进行人工的筛选;最终将电力设备节点作为中心节点,电力设备属性节点为普通节点,以电力设备与电力设备属性之间的联系为边构建完整的电力设备巡检知识图谱。
进一步优选,所述迭代表征增强图卷积神经网络包括基于自注意力的节点表征增强模块和基于交叉注意力的边表征增强模块,以迭代的方式更新特征。
进一步优选,本发明的基于电力设备巡检知识图谱的故障信息预警方法,包括如下步骤:
步骤1.采用半自动的方式对电力设备巡检知识图谱进行构建;
步骤2.利用基于自注意力和交叉注意力的迭代表征增强图卷积神经网络(Att-GRN)传播预警信息;
步骤2.1.采用邻接矩阵对电力设备巡检知识图谱进行建模,将具有联系的电力设备在电力设备巡检知识图谱标1表示,否则为0;
步骤2.2.采用自注意力机制在不同节点间传播上下文信息,从而动态调整节点中的关键信息,过滤噪声以增强节点的特征表示;自注意力机制动态分配节点中不同位置的重要性权重;其数学表达式如下:
;
;
其中,X表示自注意力机制更新后的节点的特征表示,O表示更新前节点的特征表示,Q、K、V分别表示将每个节点的特征表示映射为查询向量、键向量、值向量的线性网络,dk为节点的特征表示的维度,Softmax为自注意力机制的激活函数,T表示转置;FFN表示一个具有两个全连接层和残差连接的前馈网络;MH表示多头注意力;SA表示自注意力机制;
步骤2.3.采用交叉注意力机制在不同节点以及与节点关联的边之间传播上下文信息,增加节点和边之间的交互,以增强节点和边的特征表示;其数学表达式如下:
;
;
;
;
其中,表示交叉注意力机制更新后的节点特征,Y表示边的初始特征,/>表示交叉注意力机制更新后的边特征,/>表示用于更新节点特征的交叉注意力模块,表示用于更新边特征的交叉注意力模块,/>表示用于节点进行特征映射的具有两个全连接层和残差连接的前馈网络;/>表示用于边进行特征映射的具有两个全连接层和残差连接的前馈网络;
步骤2.4.迭代表征增强图卷积神经网络对电力设备的预警信息进行传播;该迭代表征增强图卷积神经网络将各个预警信息的词向量作为输入,通过迭代表征增强图卷积神经网络的上下文信息扩散的特点将预警信息传播给各个节点及与节点关联的边,最终迭代更新得到每个电力设备节点及电力设备节点之间的关系增强后的特征表示;
步骤3.利用预警信息识别模块对迭代表征增强图卷积神经网络的输出信息进行判断,判断哪些电力设备需要预警,输出预警结果。
进一步优选,所述电力设备巡检知识图谱的构建过程如下:
步骤1.1.结合电力设备巡检语料库结构化的特点,首先构建实体词典,包括设备、信号灯、电压、温度;
步骤1.2.再根据实体词典设计实体间的关系,实体间的关系包括电力设备的从属关系、位置耦合关系;
步骤1.3.利用实体抽取技术,从电力设备巡检语料库中抽取出备选实体;
步骤1.4.根据备选实体与人工选择的实体间词向量的余弦距离,自动从电力设备巡检语料库中发现与人工选择的实体的词向量的余弦距离在设定阈值范围内的新实体;
步骤1.5.使用实体消歧技术,对发现的新实体进行过滤,并进行人工的筛选;
步骤1.6.节点包括电力设备节点和电力设备属性节点,将电力设备节点作为中心节点,电力设备属性节点为普通节点,以电力设备与电力设备属性之间的联系为边构建完整的电力设备巡检知识图谱。
进一步优选,步骤3使用Sigmoid激活函数对每个节点的输出进行归一化,并采用二元交叉熵损失函数计算损失对迭代表征增强图卷积神经网络进行训练。
本发明提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述基于电力设备巡检知识图谱的故障信息预警方法。
本发明提供一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行基于电力设备巡检知识图谱的故障信息预警方法。
本发明先构建电力设备巡检知识图谱,然后基于所构建的电力设备巡检知识图谱中每个节点为电力设备的语义信息,对预警知识进行传播,利用知识图谱与图卷积的方式组合并进行电力设备的故障判断。本发明采用迭代表征增强图卷积神经网络(Att-GRN),该网络利用自注意力机制得到图中每个节点更好的表征,随后交叉注意力机制进行节点和边的信息交互,将预警信息通过图卷积传播到整个网络。
附图说明
图1为基于电力设备巡检知识图谱的故障信息预警***结构框图。
图2为迭代表征增强图卷积神经网络的推理过程示意图。
具体实施方式
下面结合附图和实施例进一步详细阐明本发明。
参照图1,本实施例提出的基于电力设备巡检知识图谱的故障信息预警***,包括面向电力设备的知识图谱构建模块、基于迭代表征增强图卷积神经网络的信息传播模块和预警信息识别模块;所述知识图谱构建模块从电力设备语料库中抽取电力设备的相关语料并构建电力设备巡检知识图谱;信息传播模块利用构建完成的电力设备巡检知识图谱,结合迭代表征增强图卷积神经网络,使得电力设备的故障信息可以在不同设备之间进行传播;所述预警信息识别模块对传播后的信息进行故障判断,并进行预警。
本实施例中,所述面向电力设备的知识图谱构建模块,采用半自动的方式对知识进行构建;结合电力巡检语料库结构化的特点,首先构建实体词典,包括设备、信号灯、电压、温度;再根据实体词典设计实体间的关系,实体间的关系包括电力设备的从属关系、位置耦合关系;其次,根据实体间词向量的距离自动从语料库中发现新的实体;之后,使用实体消歧技术,对发现的实体进行过滤,并进行人工的筛选;最终将电力设备节点作为中心节点,电力设备属性节点为普通节点,以电力设备与电力设备属性之间的联系为边构建完整的电力设备巡检知识图谱。
本实施例中,所述迭代表征增强图卷积神经网络的信息传播模块,首先采用邻接矩阵对电力设备巡检知识图谱进行建模,将具有联系的电力设备在电力设备巡检知识图谱标1表示,否则为0;信息传播模块采用自注意力和交叉注意力机制对图中节点和边的信息进行动态更新;使用迭代表征增强图卷积神经网络对电力设备的预警状态信息进行传播;迭代表征增强图卷积神经网络将各个预警信息的词向量作为输入,通过迭代表征增强图卷积神经网络的知识扩散的特点将信息传播给各个电力设备节点,最终输出每个电力设备节点的特征表示。
本实施例中,所述预警信息识别模块,使用Sigmoid激活函数对每个节点的输出进行归一化。采用二元交叉熵损失函数计算损失并进行训练。
参照图2,本实施例的基于电力设备巡检知识图谱的故障信息预警方法,包括如下步骤:
步骤1.采用半自动的方式对电力设备巡检知识图谱进行构建;
步骤1.1.结合电力设备巡检语料库结构化的特点,首先构建实体词典,包括设备、信号灯、电压、温度;
步骤1.2.再根据实体词典设计实体间的关系,实体间的关系包括电力设备的从属关系、位置耦合关系;
步骤1.3.利用实体抽取技术,从电力设备巡检语料库中抽取出备选实体;
步骤1.4.根据备选实体与人工选择的实体间词向量的余弦距离,自动从电力设备巡检语料库中发现与人工选择的实体的词向量的余弦距离在设定阈值范围内的新实体;
步骤1.5.使用实体消歧技术,对发现的新实体进行过滤,并进行人工的筛选;
步骤1.6.节点包括电力设备节点和电力设备属性节点,将电力设备节点作为中心节点,电力设备属性节点为普通节点,以电力设备与电力设备属性之间的联系为边构建完整的电力设备巡检知识图谱。
步骤2.利用迭代表征增强图卷积神经网络(Att-GRN)传播预警信息;
步骤2.1.采用邻接矩阵对电力设备巡检知识图谱进行建模,将具有联系的电力设备在电力设备巡检知识图谱标1表示,否则为0;
步骤2.2.采用自注意力机制在不同节点间传播上下文信息,从而动态调整节点中的关键信息,过滤噪声以增强节点的特征表示;自注意力机制动态分配节点中不同位置的重要性权重;其数学表达式如下:
;
;
其中,X表示自注意力机制更新后的节点的特征表示,O表示更新前节点的特征表示,Q、K、V分别表示将每个节点的特征表示映射为查询向量、键向量、值向量的线性网络,dk为节点的特征表示的维度,Softmax为自注意力机制的激活函数,T表示转置;FFN表示一个具有两个全连接层和残差连接的前馈网络;MH表示多头注意力;SA表示自注意力机制;多头注意力是堆叠多层自注意力机制。
步骤2.3.采用交叉注意力机制在不同节点以及与节点关联的边之间传播上下文信息,增加节点和边之间的交互,以增强节点和边的特征表示,从而一定程度上消除噪声信息;其数学表达式如下:
;
;
;
;
其中,表示交叉注意力机制更新后的节点特征,Y表示边的初始特征,/>表示交叉注意力机制更新后的边特征,/>表示用于更新节点特征的交叉注意力模块,表示用于更新边特征的交叉注意力模块,/>表示用于节点进行特征映射的具有两个全连接层和残差连接的前馈网络;/>表示用于边进行特征映射的具有两个全连接层和残差连接的前馈网络;
步骤2.4.迭代表征增强图卷积神经网络对电力设备的预警信息进行传播;该迭代表征增强图卷积神经网络将各个预警信息的词向量作为输入,通过迭代表征增强图卷积神经网络的上下文信息扩散的特点将预警信息传播给各个节点及与节点关联的边,最终迭代更新得到每个电力设备节点及电力设备节点之间的关系增强后的特征表示;
步骤3.利用预警信息识别模块对迭代表征增强图卷积神经网络的输出信息进行判断,判断哪些电力设备需要预警,输出预警结果:使用Sigmoid激活函数对每个节点的输出进行归一化,并采用二元交叉熵损失函数计算损失对迭代表征增强图卷积神经网络进行训练。在进行测试时,将归一化后输出值超过阈值0.5的电力设备作为需要进行预警的电力设备。
二元交叉熵损失函数Loss的具体数学表达式如下:
;
其中,N表示图中的结点数量,为第i个真实标签,/>为第i个节点预测标签的概率分布,通过Sigmoid激活函数对节点预测标签的概率分布进行归一化。
采用准确率作为本发明方法的评价指标,具体为将判断预警正确的样本数除以总测试样本数。
在另一实施例中,提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意实施例中的基于电力设备巡检知识图谱的故障信息预警方法。
本实施例提供一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行基于电力设备巡检知识图谱的故障信息预警方法。
以上所述的具体实施方案,进一步详细地说明了本发明的目的、技术方案和技术效果。所应理解的是,以上所述仅为本发明的具体实施方案而已,并非用以限定本发明的范围,任何本领域的技术人员,在不脱离本发明思想和原则的前提下所做出的等同变化与修改,均应属于本发明保护的范围。
Claims (8)
1.基于电力设备巡检知识图谱的故障信息预警***,其特征在于,包括面向电力设备的知识图谱构建模块、基于迭代表征增强图卷积神经网络的信息传播模块和预警信息识别模块;所述知识图谱构建模块从电力设备语料库中抽取电力设备的相关语料并构建电力设备巡检知识图谱;信息传播模块利用构建完成的电力设备巡检知识图谱,结合迭代表征增强图卷积神经网络,使得电力设备的故障信息可以在不同电力设备节点之间进行传播;所述预警信息识别模块对传播后的信息进行故障判断,并进行预警;
所述基于迭代表征增强图卷积神经网络的信息传播模块,首先采用邻接矩阵对电力设备巡检知识图谱进行建模,将具有联系的电力设备在电力设备巡检知识图谱标1表示,否则为0;信息传播模块采用自注意力和交叉注意力机制对图中节点和边的信息进行迭代更新;使用迭代表征增强图卷积神经网络动态更新电力设备的预警状态的表征;迭代表征增强图卷积神经网络将各个预警信息的词向量作为输入,通过迭代表征增强图卷积神经网络,利用自注意力和交叉注意力机制来进行各个电力设备节点及其关系的上下文信息建模,输出每个电力设备节点增强后的特征表示。
2.根据权利要求1所述的基于电力设备巡检知识图谱的故障信息预警***,其特征在于,所述面向电力设备的知识图谱构建模块,采用半自动的方式对知识进行构建;结合电力巡检语料库结构化的特点,首先构建实体词典,包括设备、信号灯、电压、温度;再根据实体词典设计实体间的关系,实体间的关系包括电力设备的从属关系、位置耦合关系;其次,根据实体间词向量的距离自动从语料库中发现新的实体;之后,使用实体消歧技术,对发现的实体进行过滤,并进行人工的筛选;最终将电力设备节点作为中心节点,电力设备属性节点为普通节点,以电力设备与电力设备属性之间的联系为边构建完整的电力设备巡检知识图谱。
3.根据权利要求1所述的基于电力设备巡检知识图谱的故障信息预警***,其特征在于,所述迭代表征增强图卷积神经网络包括基于自注意力的节点表征增强模块和基于交叉注意力的边表征增强模块,以迭代的方式更新特征。
4.基于电力设备巡检知识图谱的故障信息预警方法,其特征在于,包括如下步骤:
步骤1.采用半自动的方式对电力设备巡检知识图谱进行构建;
步骤2.利用基于自注意力和交叉注意力的迭代表征增强图卷积神经网络传播预警信息;
步骤2.1.采用邻接矩阵对电力设备巡检知识图谱进行建模,将具有联系的电力设备在电力设备巡检知识图谱标1表示,否则为0;
步骤2.2.采用自注意力机制在不同节点间传播上下文信息,从而动态调整节点中的关键信息,过滤噪声以增强节点的特征表示;自注意力机制动态分配节点中不同位置的重要性权重;其数学表达式如下:
;
;
其中,X表示自注意力机制更新后的节点的特征表示,O表示更新前节点的特征表示,Q、K、V分别表示将每个节点的特征表示映射为查询向量、键向量、值向量的线性网络,dk为节点的特征表示的维度,Softmax为自注意力机制的激活函数,T表示转置;FFN表示一个具有两个全连接层和残差连接的前馈网络;MH表示多头注意力;SA表示自注意力机制;
步骤2.3.采用交叉注意力机制在不同节点以及与节点关联的边之间传播上下文信息,增加节点和边之间的交互,以增强节点和边的特征表示;其数学表达式如下:
;
;
;
;
其中,表示交叉注意力机制更新后的节点特征,Y表示边的初始特征,/>表示交叉注意力机制更新后的边特征,/>表示用于更新节点特征的交叉注意力模块,/>表示用于更新边特征的交叉注意力模块,/>表示用于节点进行特征映射的具有两个全连接层和残差连接的前馈网络;/>表示用于边进行特征映射的具有两个全连接层和残差连接的前馈网络;
步骤2.4.迭代表征增强图卷积神经网络对电力设备的预警信息进行传播;所述迭代表征增强图卷积神经网络将各个预警信息的词向量作为输入,通过迭代表征增强图卷积神经网络的上下文信息扩散的特点将预警信息传播给各个节点及与节点关联的边,最终迭代更新得到每个电力设备节点及电力设备节点之间的关系增强后的特征表示;
步骤3.利用预警信息识别模块对迭代表征增强图卷积神经网络的输出信息进行判断,判断哪些电力设备需要预警,输出预警结果。
5.根据权利要求4所述的基于电力设备巡检知识图谱的故障信息预警方法,其特征在于,所述电力设备巡检知识图谱的构建过程如下:
步骤1.1.结合电力设备巡检语料库结构化的特点,首先构建实体词典,包括设备、信号灯、电压、温度;
步骤1.2.再根据实体词典设计实体间的关系,实体间的关系包括电力设备的从属关系、位置耦合关系;
步骤1.3.利用实体抽取技术,从电力设备巡检语料库中抽取出备选实体;
步骤1.4.根据备选实体与人工选择的实体间词向量的余弦距离,自动从电力设备巡检语料库中发现与人工选择的实体的词向量的余弦距离在设定阈值范围内的新实体;
步骤1.5.使用实体消歧技术,对发现的新实体进行过滤,并进行人工的筛选;
步骤1.6.节点包括电力设备节点和电力设备属性节点,将电力设备节点作为中心节点,电力设备属性节点为普通节点,以电力设备与电力设备属性之间的联系为边构建完整的电力设备巡检知识图谱。
6.根据权利要求4所述的基于电力设备巡检知识图谱的故障信息预警方法,其特征在于,步骤3使用Sigmoid激活函数对每个节点的输出进行归一化,并采用二元交叉熵损失函数计算损失对迭代表征增强图卷积神经网络进行训练。
7.一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行权利要求5-6任意一项所述的基于电力设备巡检知识图谱的故障信息预警方法。
8.一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求5-6任意一项基于电力设备巡检知识图谱的故障信息预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371006.5A CN117114657A (zh) | 2023-10-23 | 2023-10-23 | 基于电力设备巡检知识图谱的故障信息预警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371006.5A CN117114657A (zh) | 2023-10-23 | 2023-10-23 | 基于电力设备巡检知识图谱的故障信息预警***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114657A true CN117114657A (zh) | 2023-11-24 |
Family
ID=88800501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311371006.5A Pending CN117114657A (zh) | 2023-10-23 | 2023-10-23 | 基于电力设备巡检知识图谱的故障信息预警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114657A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540175A (zh) * | 2024-01-09 | 2024-02-09 | 海纳云物联科技有限公司 | 一种模型训练方法、预测方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114168740A (zh) * | 2021-10-11 | 2022-03-11 | 国网天津市电力公司电力科学研究院 | 基于图卷积神经网络和知识图谱的变压器并发性故障诊断方法 |
CN114266301A (zh) * | 2021-12-16 | 2022-04-01 | 郑州轻工业大学 | 基于图卷积神经网络的电力设备故障智能预测方法 |
CN114758152A (zh) * | 2022-04-25 | 2022-07-15 | 东南大学 | 一种基于注意力机制和邻域一致性的特征匹配方法 |
CN115171091A (zh) * | 2022-09-06 | 2022-10-11 | 浩鲸云计算科技股份有限公司 | 一种面向变电站巡检的表计识别方法 |
CN115409122A (zh) * | 2022-09-14 | 2022-11-29 | 中国电力科学研究院有限公司 | 一种变电设备并发故障分析方法、***、设备及介质 |
CN115659279A (zh) * | 2022-11-08 | 2023-01-31 | 国网浙江省电力有限公司杭州市富阳区供电公司 | 一种基于图文交互的多模态数据融合方法 |
CN116108835A (zh) * | 2023-01-13 | 2023-05-12 | 大连大学 | 一种融合迭代式关系图推理和属性语义嵌入的实体对齐方法 |
CN116186350A (zh) * | 2023-04-23 | 2023-05-30 | 浙江大学 | 基于知识图谱和主题文本的输电线路工程搜索方法和装置 |
CN116226735A (zh) * | 2023-01-16 | 2023-06-06 | 国网吉林省电力有限公司建设分公司 | 基于深度学习和知识图谱的变电站设备故障诊断方法及*** |
-
2023
- 2023-10-23 CN CN202311371006.5A patent/CN117114657A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114168740A (zh) * | 2021-10-11 | 2022-03-11 | 国网天津市电力公司电力科学研究院 | 基于图卷积神经网络和知识图谱的变压器并发性故障诊断方法 |
CN114266301A (zh) * | 2021-12-16 | 2022-04-01 | 郑州轻工业大学 | 基于图卷积神经网络的电力设备故障智能预测方法 |
CN114758152A (zh) * | 2022-04-25 | 2022-07-15 | 东南大学 | 一种基于注意力机制和邻域一致性的特征匹配方法 |
CN115171091A (zh) * | 2022-09-06 | 2022-10-11 | 浩鲸云计算科技股份有限公司 | 一种面向变电站巡检的表计识别方法 |
CN115409122A (zh) * | 2022-09-14 | 2022-11-29 | 中国电力科学研究院有限公司 | 一种变电设备并发故障分析方法、***、设备及介质 |
CN115659279A (zh) * | 2022-11-08 | 2023-01-31 | 国网浙江省电力有限公司杭州市富阳区供电公司 | 一种基于图文交互的多模态数据融合方法 |
CN116108835A (zh) * | 2023-01-13 | 2023-05-12 | 大连大学 | 一种融合迭代式关系图推理和属性语义嵌入的实体对齐方法 |
CN116226735A (zh) * | 2023-01-16 | 2023-06-06 | 国网吉林省电力有限公司建设分公司 | 基于深度学习和知识图谱的变电站设备故障诊断方法及*** |
CN116186350A (zh) * | 2023-04-23 | 2023-05-30 | 浙江大学 | 基于知识图谱和主题文本的输电线路工程搜索方法和装置 |
Non-Patent Citations (1)
Title |
---|
杨玉亭;冯林;代磊超;苏菡;: "面向上下文注意力联合学习网络的方面级情感分类模型", 模式识别与人工智能, no. 08 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540175A (zh) * | 2024-01-09 | 2024-02-09 | 海纳云物联科技有限公司 | 一种模型训练方法、预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111581396B (zh) | 一种基于多维特征融合与依存句法的事件图谱构建***及方法 | |
US20230031738A1 (en) | Taxpayer industry classification method based on label-noise learning | |
CN112711953A (zh) | 一种基于注意力机制和gcn的文本多标签分类方法和*** | |
CN113191148B (zh) | 一种基于半监督学习和聚类的轨道交通实体识别方法 | |
CN112016313B (zh) | 口语化要素识别方法及装置、警情分析*** | |
WO2023241272A1 (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN117114657A (zh) | 基于电力设备巡检知识图谱的故障信息预警***及方法 | |
CN116245107B (zh) | 电力审计文本实体识别方法、装置、设备及存储介质 | |
CN116089873A (zh) | 模型训练方法、数据分类分级方法、装置、设备及介质 | |
CN116205482A (zh) | 重点人员风险等级评估方法及相关设备 | |
CN115359799A (zh) | 语音识别方法、训练方法、装置、电子设备及存储介质 | |
CN116383399A (zh) | 一种事件舆情风险预测方法及*** | |
CN110826315B (zh) | 使用神经网络***识别短文本时效性的方法 | |
CN113869054B (zh) | 一种基于深度学习的电力领域项目特征识别方法 | |
CN113590827B (zh) | 一种基于多角度的科研项目文本分类装置和方法 | |
CN117648915A (zh) | 一种基于知识图谱的问答题评分方法及*** | |
CN117009516A (zh) | 换流站故障策略模型训练方法、推送方法及装置 | |
CN115757775A (zh) | 基于文本蕴含的无触发词文本事件检测方法及*** | |
CN115240145A (zh) | 基于场景识别的违章作业行为检测方法及*** | |
CN113886602A (zh) | 一种基于多粒度认知的领域知识库实体识别方法 | |
Mai et al. | Nested relation extraction via self-contrastive learning guided by structure and semantic similarity | |
CN113284498B (zh) | 客户意图识别方法及装置 | |
CN117725172A (zh) | 多意图识别支持大模型qa问答方法及装置 | |
Sugino et al. | Check for Formalising Document Structure and Automatically Recognising Document Elements: A Case Study on Automobile Repair Manuals | |
CN118394882A (zh) | 一种情绪识别方法及装置 |
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 |