基于知识图谱的深度学习的高压断路器故障辨识系统的制作方法

本发明涉及高压断路器诊断，具体为基于知识图谱的深度学习的高压断路器故障辨识系统。

背景技术：

1、电力系统是现代社会不可或缺的基础设施，用于生成、传输和分配电能；随着能源需求的不断增长和电力系统规模的扩大，电网设备的可靠性和稳定性变得尤为重要；断路器是指能够关合、承载和开断正常回路条件下的电流并能在规定的时间内关合、承载和开断异常回路条件下的电流的开关装置；断路器按其使用范围分为高压断路器与低压断路器，高低压界线划分比较模糊，一般将3kv以上的称为高压电器；

2、断路器可用来分配电能，不频繁地启动异步电动机，对电源线路及电动机等实行保护，当它们发生严重的过载或者短路及欠压等故障时能自动切断电路，其功能相当于熔断器式开关与过欠热继电器等的组合；而且在分断故障电流后一般不需要变更零部件；已获得了广泛的应用；电的产生、输送、使用中，配电是一个极其重要的环节；配电系统包括变压器和各种高低压电器设备，低压断路器则是一种使用量大面广的电器；

3、但是高压断路器的种类繁杂，结构多变，且受自身质量和外部环境因素影响较大，发生故障时会对电力系统的安全和稳定造成影响，因此能及时和准确的发现故障点就显得尤为重要，为此我们提出了基于知识图谱的深度学习的高压断路器故障辨识系统。

技术实现思路

1、本发明的目的在于提供基于知识图谱的深度学习的高压断路器故障辨识系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：基于知识图谱的深度学习的高压断路器故障辨识系统，包括如下步骤：

3、s1，数据采集，监测电网系统获得电网系统内断路器的原始数据；

4、s2，数据分析，原始数据分类处理；在分类数据中进行数据抓取，着重采集与预设阈值相似度高的数据；分类数据间隔采样；

5、s3，数据推理，根据断路器的动作信息以及疑似故障路段进行模型推理；

6、s4，dtw算法推理，利用dtw算法计算原始数据和抓取数据的相似度，并进行dtw算法优化的再计算；

7、s5，故障辨别，根据算法优化比对数据，依据最佳数据辨别故障线路，并结束任务，返回初始程序。

8、优选的，对高压断路器进行分组测试，记录高压断路器在各个情况下的检测参数的数据，并按照情况对记录的数据进行分类，各个情况包括正常情况和多个故障情况；

9、优选的，使用聚类算法分别对每种故障情况的样本数据进行处理得到每种故障情况样本数据的聚类中心信号和聚类距离最大值，并对比和各个聚类中心信号的距离值，若距离值小于聚类距离最大值，则用距离值与聚类距离的平均值对比，距离值小于聚类距离的平均值，则利用对进行调节，调节方法为使用非相似段的中数据依次替换中对应向量元素；

10、优选的，在步骤s1中，采集的数据参数包括高压断路器的线圈电流、触头振动信号、触头电流和触头移动行程中的一种，针对疑似故障线路，获取其故障时刻前五个周波的综合电流样本序列和故障后三个周波至五个周波的综合电流样本序列。

11、优选的，在步骤s4中，依据相似度与预设阈值进行比对，并根据比对结果调整参数；将比对数据再次进行dte算法优化，计算抓取数据的横向、纵向差异度；而后依据相似度、差异度与预设阈值进行比对，得到最佳数据。

12、优选的，在步骤s2的分类数据间隔采样中，根据断路器的动作时间将原始基准信号和采样信号进行分段，对每一段进行特征匹配，每一段分别选取最相似的采样信号，最后依据相似的采样信号最多的信号来源作为新的基准信号，并将新的基准信号作为调节参数。

13、优选的，所述辨识系统包括有云端服务器和三个存储区，所述步骤s1和s2为基础知识图谱构建，收集电网系统内的基础数据参数并初步分析，而后存储至第一存储区内，且基础知识图谱用于生成具有时效性的推理知识图谱；获取推理规则集，根据收集的基础知识图谱并导入推理规则集内生成推理知识图谱，而后存储至第二存储区内；所述推理知识图谱为步骤s3、s4和s5。

14、优选的，所述推理知识图谱内，依据推理规则集所推出的数据参数，第一数据标记为(n1)，且将第一数据（n1）作为初始数据，根据时间间隔，将后续推出的数据依次标记为（n2）...（nn）；将第一数据（n1）依次与后续标记数据（n2）...（nn）进行重叠类比，将每次重叠后的数据更新为第一知识图谱，直至第n知识图谱，并将更新的知识图谱存入第三存储区内。

15、优选的，将获得的推理知识图谱通过关键帧采样得到初始关键帧；以初始关键帧作为初始值，通过算法从初始关键帧内计算得出与原始关键帧具有高度相似性的近似关键帧，初始关键帧与原始关键帧之间的相似度以dtw距离度量，dtw距离越小，则该初始关键帧与原始关键帧的相似度越高。

16、与现有技术相比，本发明的有益效果是：

17、本方案提供的基于知识图谱的辨识系统，本方案通过关键帧采样方法所获取的关键帧序列为基础，通过dtw优化算法衡量关键帧和原始关键帧之间的相似度，能够在不丢失关键帧序列的情况下与原始关键帧进行迭代比对，形成知识学习图谱；能更好地捕捉整个数据抓取的节奏，获取更准确的数据信息；通过知识图谱的迭代学习从而减少误报和漏报的概率，通过后期大量的数据训练和学习，能够处理复杂的电网数据和故障情况，帮助我们快速找到故障点。

1.基于知识图谱的深度学习的高压断路器故障辨识系统，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于知识图谱的深度学习的高压断路器故障辨识系统，其特征在于：在步骤s1中，采集的数据参数包括高压断路器的线圈电流、触头振动信号、触头电流和触头移动行程中的一种，针对疑似故障线路，获取其故障时刻前五个周波的综合电流样本序列和故障后三个周波至五个周波的综合电流样本序列。

3.根据权利要求1所述的基于知识图谱的深度学习的高压断路器故障辨识系统，其特征在于：在步骤s4中，依据相似度与预设阈值进行比对，并根据比对结果调整参数；将比对数据再次进行dte算法优化，计算抓取数据的横向、纵向差异度；而后依据相似度、差异度与预设阈值进行比对，得到最佳数据。

4.根据权利要求1所述的基于知识图谱的深度学习的高压断路器故障辨识系统，其特征在于：在步骤s2的分类数据间隔采样中，根据断路器的动作时间将原始基准信号和采样信号进行分段，对每一段进行特征匹配，每一段分别选取最相似的采样信号，最后依据相似的采样信号最多的信号来源作为新的基准信号，并将新的基准信号作为调节参数。

5.根据权利要求1所述的基于知识图谱的深度学习的高压断路器故障辨识系统，其特征在于：所述辨识系统包括有云端服务器和三个存储区，所述步骤s1和s2为基础知识图谱构建，收集电网系统内的基础数据参数并初步分析，而后存储至第一存储区内，且基础知识图谱用于生成具有时效性的推理知识图谱；获取推理规则集，根据收集的基础知识图谱并导入推理规则集内生成推理知识图谱，而后存储至第二存储区内；所述推理知识图谱为步骤s3、s4和s5。

6.根据权利要求1所述的基于知识图谱的深度学习的高压断路器故障辨识系统，其特征在于：所述推理知识图谱内，依据推理规则集所推出的数据参数，第一数据标记为(n1)，且将第一数据（n1）作为初始数据，根据时间间隔，将后续推出的数据依次标记为（n2）...（nn）；将第一数据（n1）依次与后续标记数据（n2）...（nn）进行重叠类比，将每次重叠后的数据更新为第一知识图谱，直至第n知识图谱，并将更新的知识图谱存入第三存储区内。

7.根据权利要求6所述的基于知识图谱的深度学习的高压断路器故障辨识系统，其特征在于：将获得的推理知识图谱通过关键帧采样得到初始关键帧；以初始关键帧作为初始值，通过算法从初始关键帧内计算得出与原始关键帧具有高度相似性的近似关键帧，初始关键帧与原始关键帧之间的相似度以dtw距离度量，dtw距离越小，则该初始关键帧与原始关键帧的相似度越高。