一种基于知识图谱的干式变压器故障诊断构建方法及系统与流程
本发明涉及计算机,具体涉及知识图谱与故障诊断,尤其涉及一种基于知识图谱的干式变压器故障诊断构建方法及系统。
背景技术:
1、干式变压器广泛应用于配电系统中,其运行状态直接关系到供电的可靠性。在长期运行过程中,干式变压器可能出现过热、局部放电、绝缘老化、绕组变形、散热不良等多种故障形态,且这些故障往往由多种诱因交织引起,呈现出明显的耦合特征。例如,散热不良可能引起绕组温升,而持续的温升又会加速绝缘老化,绝缘老化进一步可能诱发局部放电,从而形成故障之间相互关联的传播链路。
2、在相关技术中,对干式变压器的故障诊断通常采用两类方式。一类方式依据预先设定的阈值对单一监测量进行越限告警,该方式仅能反映单一物理量的异常,难以刻画多个监测量之间的关联关系,对耦合故障的定位能力有限。另一类方式采用端到端的机器学习模型,将监测数据直接映射为故障类别,该方式虽然具有一定的识别能力,但其内部决策过程难以解释,诊断结论无法溯源,且来自在线监测、传感器、台账、规程与历史案例等多种来源的异构数据难以有效融合到统一的模型中,使得分散在各处的运维经验难以被复用。
3、因此,相关技术中存在多源异构数据难以融合、诊断过程不可解释不可溯源、对多诱因耦合故障定位准确率较低的技术问题,有必要提出一种新的干式变压器故障诊断构建方案。
技术实现思路
1、为了解决所述现有技术的不足,本技术提供了基于知识图谱的干式变压器故障诊断构建方法及系统。
2、本技术所要达到的技术效果通过以下方案实现:
3、根据本技术的第一方面,提供一种基于知识图谱的干式变压器故障诊断构建方法,包括:
4、s1,从干式变压器的多源监测数据中抽取故障知识三元组以及反映运行状态变化的时序动态特征;
5、s2,对所述故障知识三元组进行融合清洗,消除其中的冲突与冗余,得到标准化故障知识三元组;
6、s3,基于所述标准化故障知识三元组与所述时序动态特征,逐层构建包括静态语义层、概率因果层和规则增强层的三层故障诊断知识图谱;
7、s4,将待诊断干式变压器的实时监测数据输入所述三层故障诊断知识图谱,通过规则推理、概率推理与图神经网络推理相融合的方式进行诊断,输出诊断结果;
8、s5,按设定周期采用新增的监测数据与检修数据更新所述三层故障诊断知识图谱以及所述规则推理、概率推理与图神经网络推理的推理参数。
9、优选地,所述s1包括:从结构化数据源、半结构化数据源和非结构化数据源分别采集监测数据;对采集的监测数据进行实体识别、关系抽取与规则抽取,得到所述故障知识三元组;对采集的监测数据进行时序特征提取,得到包括温度趋势、局放变化与温升速率的所述时序动态特征。
10、优选地,所述s2包括:对所述故障知识三元组进行实体消歧,将同名异义实体相区分、将同义异名实体相合并;对来自不同数据源的重复三元组进行冗余合并;将专家经验三元组与试验数据三元组进行交叉校验,剔除相互矛盾的因果关系;按统一标准对设备型号、运行工况与环境参数进行映射对齐,得到所述标准化故障知识三元组。
11、优选地,所述s3包括:基于所述标准化故障知识三元组关联设备部件、运行状态、故障类型、因果关系与检修措施,构建所述静态语义层;在所述静态语义层的基础上,为故障节点标注故障发生先验概率,为因果关系边标注条件概率与故障传播权重,构建所述概率因果层;在所述概率因果层的基础上,叠加故障判据阈值与诊断规则,构建所述规则增强层。
12、优选地,所述s4包括:利用所述规则增强层将所述实时监测数据匹配的告警现象定位至候选故障根因;利用所述概率因果层对所述候选故障根因进行反向溯源,计算多故障耦合的根因概率;利用所述图神经网络推理对图谱节点进行嵌入,挖掘隐藏的故障关联;对上述三种推理结果进行融合,输出包括故障类型、故障部件、根因概率、检修优先级与消缺方案的所述诊断结果。
13、优选地,所述s5包括:按所述设定周期采集新增的故障案例、检修数据与监测阈值变化;基于新增数据扩充所述三层故障诊断知识图谱中的实体与关系;基于新增数据更新所述概率因果层中的概率权重并优化所述规则增强层中的诊断规则。
14、优选地,所述实体识别得到的实体包括设备层实体、状态层实体、故障层实体与处置层实体;所述故障层实体包括过热、局部放电、绝缘老化、绕组变形、铁芯多点接地、风机故障、散热不良与受潮中的至少一种;所述状态层实体的属性包括温升、局放幅值、谐波、绝缘电阻、局部温度、负荷与环境温湿度中的至少一种。
15、优选地,所述利用所述概率因果层对所述候选故障根因进行反向溯源,计算多故障耦合的根因概率,包括:将所述实时监测数据对应的异常现象作为观测证据;基于所述概率因果层中的条件概率与故障传播权重,计算各故障节点在所述观测证据下的后验概率;按所述后验概率由高至低对候选故障根因排序,得到所述根因概率。
16、根据本技术的第二方面,提供一种基于知识图谱的干式变压器故障诊断构建方法的系统,其特征在于,包括:
17、知识抽取模块,被配置为从干式变压器的多源监测数据中抽取故障知识三元组以及时序动态特征;
18、知识融合模块,被配置为对所述故障知识三元组进行融合清洗,得到标准化故障知识三元组;
19、图谱构建模块,被配置为基于所述标准化故障知识三元组与所述时序动态特征,逐层构建包括静态语义层、概率因果层和规则增强层的三层故障诊断知识图谱;
20、诊断推理模块,被配置为将待诊断干式变压器的实时监测数据输入所述三层故障诊断知识图谱,通过规则推理、概率推理与图神经网络推理相融合的方式进行诊断并输出诊断结果;
21、迭代更新模块,被配置为按设定周期采用新增的监测数据与检修数据更新所述三层故障诊断知识图谱以及推理参数。
22、优选地,所述图谱构建模块还被配置为:为故障节点标注故障发生先验概率,为因果关系边标注条件概率与故障传播权重以构建所述概率因果层;并在所述概率因果层的基础上叠加故障判据阈值与诊断规则以构建所述规则增强层。
23、与现有技术相比,本发明的有益效果在于:
24、1、通过逐层构建静态语义层、概率因果层与规则增强层的三层故障诊断知识图谱,将设备部件、运行状态、故障类型与检修措施之间的关联关系显式地组织为可视化的语义网络,使诊断过程中的故障溯源链路能够沿因果关系边逐级回溯,从而相对于端到端的黑盒模型显著提升了诊断结论的可解释性与可溯源性。
25、2、通过将规则推理、概率推理与图神经网络推理三种方式相融合,既能够利用规则增强层对告警现象进行快速定位,又能够利用概率因果层对多故障耦合的根因概率进行反向溯源,还能够利用图神经网络挖掘图谱中隐藏的故障关联,从而提升了对多诱因交织的耦合故障的定位准确率。
26、3、通过按设定周期采用新增的监测数据与检修数据对图谱与推理参数进行迭代更新,使所构建的故障诊断知识图谱具备自学习能力,诊断精度能够随运行数据的积累而持续提升。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com