一种设备灾害事故预测方法

1.本发明涉及一种事故预测方法，尤其涉及一种电网事故概率预测方法。


背景技术：

2.众所周知，在电力运输的过程中，电网的安全性能十分重要，安全的电网是确保正常电力运输的基础。
3.然而，在实际应用时，电网自然灾害却并不少见。电网自然灾害是由自然条件与电网环境综合作用而产生的，其表示能够对电网造成破坏性影响的现象与过程总称。一方面，自然灾害会影响电网设备的运行环境，导致电力系统事故，威胁电网设备的安全运行；另一方面，自然灾害会对电网及电网设备造成物理结构上的破坏，引起级联故障，导致大面积停电。
4.因此，为了在事故发生前采取有力措施，将自然灾害对电网设备的破坏降到最小，采用合适的方法提前预测电网自然灾害输电线路事故的发生概率就显得尤为重要。
5.基于此，本发明期望获得一种设备灾害事故预测方法，采用这种设备灾害事故预测方法可以快速准确地预测出特定气象、地理、设备条件下输电线路事故的发生概率，进而辅助电力设备运维人员的运维决策。


技术实现要素：

6.本发明的目的在于提供一种设备灾害事故预测方法，该设备灾害事故预测方法将知识图谱和图卷积神经网络应用在输电线路在自然灾害下的事故发生概率预测中，并获得了一种准确率较高、训练效率更高、数据量需求较低的设备灾害事故预测模型，其能够有效快速地预测出特定气象、地理、设备条件下输电线路事故的发生概率，辅助电力设备运维人员的运维决策。
7.基于上述目的，本发明提出了一种设备灾害事故预测方法，其包括步骤：
8.(1)采集自然灾害下输电线路事故发生的历史案例；
9.(2)构建电网自然灾害知识图谱的本体模型，所述本体模型包括若干类节点；
10.(3)基于所述历史案例和所述本体模型构建图结构储存的历史电网自然灾害知识图谱，所述历史电网自然灾害知识图谱包括若干个实体；
11.(4)采用自注意网络双向编译表示模型得到历史电网自然灾害知识图谱中每个实体的低维嵌入化向量表示，其中每一个历史案例中的所有实体的低维嵌入化向量表示组成该历史案例的特征矩阵；
12.(5)构建图卷积神经网络，以每个历史案例的特征矩阵作为图卷积神经网络的输入对其进行训练以得到事故概率预测模型的模型参数；
13.(6)进行预测时：
14.基于待预测案例和所述本体模型构建图结构储存的待预测知识图谱；
15.采用所述自注意网络双向编译表示模型得到待预测知识图谱中每个实体的低维
嵌入化向量表示，其中待预测案例中的所有实体的低维嵌入化向量表示组成其特征矩阵；
16.将待预测案例的特征矩阵输入经过训练的图卷积神经网络中，得到对不同事故类型发生概率的预测结果。
17.需要说明的是，在本发明上述技术方案中，发明人创造性地将知识图谱和图卷积神经网络应用在输电线路在自然灾害下的事故发生概率预测中。
18.知识图谱是一种基于人工智能技术的知识组织和构建方法，其适合用于地理和设备信息这类典型的非结构化知识的系统化储存与使用。当下，知识图谱在自然灾害领域主要被应用在知识库的信息查询与展示，尚未作为一种概率预测工具被应用到电网自然灾害事故的预测中来。
19.在本发明中，发明人运用知识图谱技术，可以对电网自然灾害历史案例中涉及到的气象数据、地理条件、设备状态等信息进行提取和储存，最终可以得到以图结构的形式储存的历史电网自然灾害知识图谱。
20.相应地，基于获得的历史电网自然灾害知识图谱，本发明可以首先采用自注意网络双向编译表示模型(bidirectional encoder representation from transformers，bert)将历史电网自然灾害知识图谱中每个实体的各个中文字符转化为计算机能够理解的低维嵌入向量，随后将嵌入化的每个案例输入到图卷积神经网络(graph convolutional neural network，gcn)中进行图分类，对其进行训练，方可获得训练后的图卷积神经网络，获得合适的事故概率预测模型(即训练后的图卷积神经网络)的模型参数。
21.由此，将待预测案例的特征矩阵输入训练后的图卷积神经网络，即可快速准确地预测出特定气象、地理、设备条件下输电线路事故的发生概率，从而有效辅助电力设备运维人员的运维决策。
22.进一步地，在本发明所述的设备灾害事故预测方法中，所述若干类节点包括：地理类节点、气象类节点和设备类节点，其中每一类节点包括至少一个节点。
23.需要指出的是，在本发明中，考虑到自然灾害对于输电线路的影响是除气象条件之外，加上地理环境、设备状态共同作用的结果。因此，引入地理和设备信息作为事故概率预测的补充有利于进一步提高预测结果的准确率。
24.进一步地，在本发明所述的设备灾害事故预测方法中，所述实体包括结构化数据对应的实体和非结构化数据对应的实体。
25.进一步地，在本发明所述的设备灾害事故预测方法中，在所述步骤(4)和步骤(6)中：对于非结构化数据对应的实体，将其字符串中的每个字符输入自注意网络双向编译表示模型，得到对应的字向量表示，对该实体的每个字向量表示求和取平均值，得到该实体的词向量表示，所述词向量表示为该实体对应的所述低维嵌入化向量表示。
26.进一步地，在本发明所述的设备灾害事故预测方法中，在所述步骤(4)和步骤(6)中：对于结构化数据对应的实体，将其以字符串的方式表示并输入所述自注意网络双向编译表示模型，得到对应的字向量表示，对每个字向量表示求和取平均值，得到该实体的词向量表示，所述词向量表示为该实体对应的所述低维嵌入化向量表示。
27.在本发明上述技术方案中，非结构化数据对应的实体可以包括：一部分气象实体和所有地理实体、设备实体；而结构化数据对应的实体则为另一部分气象实体，其具体可以包括气温、湿度、风速等这种可以由传感器检测得到的内容。
28.进一步地，在本发明所述的设备灾害事故预测方法中，在步骤(4)和步骤(6)中，对同类实体的词向量取平均值，计算得到与其对应的节点，将所有节点的嵌入表达合并为所述特征矩阵。
29.进一步地，在本发明所述的设备灾害事故预测方法中，所述图卷积神经网络包括2个图卷积层和1个全连接层。
30.进一步地，在本发明所述的设备灾害事故预测方法中，第一个图卷积层的计算公式为：
31.h
(2)
＝relu(a
″h(1)w(1)
b
(1)
)
32.其中，h
(2)
为第一个图卷积层的输出矩阵，w
(1)
和b
(1)
是第一个图卷积层的模型参数，h
(1)
＝x，x是每个案例图谱的特征矩阵，同时也是第一个图卷积层的输入，a是每个案例图谱的邻接矩阵，体现了节点之间的拓扑关系，d是经过邻接矩阵a处理得到的度矩阵，i为单位矩阵。
33.进一步地，在本发明所述的设备灾害事故预测方法中，第二个图卷积层的计算公式为：
34.h
(3)
＝relu(a
″h(2)w(2)
b
(2)
)
35.其中，h
(3)
为第二个图卷积层的输出矩阵，w
(2)
和b
(2)
是第二个图卷积层的模型参数。
36.进一步地，在本发明所述的设备灾害事故预测方法中，所述全连接层的计算公式为：
37.y＝sigmoid(w
(3)
f(h
(3)
) b
(3)
)
38.其中，y表示最终的预测向量，w
(3)
和b
(3)
是全连接层的模型参数，f(h
(3)
)表示将矩阵h
(3)
变换为一个一维向量。
39.进一步地，在本发明所述的设备灾害事故预测方法中，在步骤(5)中，首先初始化图卷积神经网络模型的模型参数，然后在训练过程中采用均方损失函数衡量预测向量与历史案例的标签值的偏差值，每一次迭代时均利用反向传播更新模型参数值，直到均方损失函数数值小于预设的目标时结束迭代，得到训练好的图卷积神经网络模型。
40.本发明所述的设备灾害事故预测方法具有以下优点以及有益效果：
41.本发明所述的设备灾害事故预测方法将知识图谱和图卷积神经网络应用在输电线路在自然灾害下的事故发生概率预测中，并获得了一种准确率较高、训练效率更高、数据量需求较低的设备灾害事故预测模型，其能够有效快速地预测出特定气象、地理、设备条件下输电线路事故的发生概率，辅助电力设备运维人员的运维决策。
42.在本发明中，基于自然灾害下输电线路事故发生的历史案例中气象数据、地理条件、设备状态等结构化数据与非结构化文本可以构建历史电网自然灾害知识图谱，其可以用于储存电网自然灾害事故发生的内生与外在因素。
43.基于获得的历史电网自然灾害知识图谱可以进一步得到该历史案例中每个实体的低维嵌入化向量表示，并组成历史案例的特征矩阵，以此作为图卷积神经网络的输入对其进行训练。相应地，完成训练后的图卷积神经网络可以对待预测案例的特征矩阵进行分类，进而预测输电线路不同事故发生的概率，有利于运维人员进行设备维护决策，提升输电
线路运维智能化水平。
附图说明
44.图1为本发明所述的设备灾害事故预测方法在一种实施方式下的步骤流程图。
45.图2示例性地显示了电网自然灾害知识图谱的本体模型在一种实施方式下的示意图。
46.图3示例性地显示了历史电网自然灾害知识图谱在一种实施方式下的示意图。
47.图4示意性地显示了事故概率预测模型在一种实施方式下的训练流程图。
具体实施方式
48.下面将结合说明书附图和具体的实施例对本发明所述的设备灾害事故预测方法做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。
49.图1示意性地显示了本发明所述的设备灾害事故预测方法在一种实施方式下的步骤流程图。
50.如图1所示，在本实施方式中，本发明所述的设备灾害事故预测方法可以包括以下步骤：
51.(1)批量采集自然灾害下输电线路事故发生的历史案例。
52.(2)构建电网自然灾害知识图谱的本体模型。
53.(3)基于历史案例和本体模型构建图结构储存的历史电网自然灾害知识图谱，且该历史电网自然灾害知识图谱包括若干个实体。
54.(4)采用自注意网络双向编译表示模型得到历史电网自然灾害知识图谱中每个实体的低维嵌入化向量表示，其中每一个历史案例中的所有实体的低维嵌入化向量表示组成该历史案例的特征矩阵。
55.(5)构建图卷积神经网络，以每个历史案例的特征矩阵作为图卷积神经网络的输入对其进行训练以得到事故概率预测模型的模型参数。
56.(6)对于每个待预测案例，将其对应的特征矩阵输入事故概率预测模型(即经过训练的图卷积神经网络)，可以得到该待预测案例可能发生的不同事故类型的概率预测值。
57.需要说明的是，在上述步骤(6)中，对于每个待预测案例，获取其对应的特征矩阵可以包括以下步骤(a)-(b)：
58.(a)基于待预测案例和步骤(2)中电网自然灾害知识图谱的本体模型可以构建图结构储存的待预测知识图谱。
59.(b)采用步骤(4)所示的自注意网络双向编译表示模型得到待预测知识图谱中每个实体的低维嵌入化向量表示，并利用待预测案例中的所有实体的低维嵌入化向量表示组成其特征矩阵，即可获得该待预测案例对应的特征矩阵。
60.由此可见，在本发明中，发明人创新地将知识图谱和图卷积神经网络应用在输电线路在自然灾害下的事故发生概率预测中，并获得了一种准确率较高、训练效率更高、数据量需求较低的事故概率预测模型(即经过训练的图卷积神经网络)。
61.在本发明中，在上述步骤(2)中，构建的电网自然灾害知识图谱的本体模型可以包括若干类节点，且每一类节点包括至少一个节点，图2示例性地显示了一种具体模型。
62.图2示例性地显示了电网自然灾害知识图谱的本体模型在一种实施方式下的示意图。
63.如图2所示，在本实施方式中，图2中的每一个方框均表示一个节点，本发明构建的电网自然灾害知识图谱的本体模型包括：地理类节点、气象类节点和设备类节点三大类节点，这三大类节点具体包括17个节点。其中，气象类节点的以现场传感器采集的在线监测数据为主，另一小部分气象类节点以及地理类节点和设备类节点则是以文本形式描述的非结构化数据。
64.图3示意性地显示了历史电网自然灾害知识图谱在一种实施方式下的示意图。
65.需要指出的是，在步骤(3)中，构建历史电网自然灾害知识图谱的具体方法为：基于本体模型中定义的气象、地理、设备实体，可以人工提取历史案例中与之对应的实体信息，并储存到neo4j图数据库中以供后续步骤的读取与计算。
66.如图3所示，图3展示了根据某案例构建得到的案例图谱，图3中每一个圆圈均对应的是一个实体，历史电网自然灾害知识图谱包括若干个实体，不同的节点代表了不同实体，以用于后续的嵌入化向量表示与事故概率预测。其中，所述实体包括结构化数据对应的实体和非结构化数据对应的实体。
67.相应地，在本发明所述的步骤(4)和步骤(6)中，需要采用自注意网络双向编译表示模型分别得到历史电网自然灾害知识图谱和待预测知识图谱中每个实体的低维嵌入化向量表示，并构建对应的特征矩阵。
68.在本发明中，上述步骤(4)和步骤(6)的这一过程所采用的具体方法为：
69.1.对于非结构化数据对应的实体(即一小部分气象实体和所有地理实体、设备实体)：经抽取得到的实体是一串包括汉字的字符串，将其字符串中的每个字符输入自注意网络双向编译表示模型，得到对应的字向量表示，对该实体的每个字向量表示求和取平均值，得到该实体的词向量表示。其中，词向量表示为该实体对应的低维嵌入化向量。
70.在本发明中，可以采用现有技术中已知的基于全词覆盖的自注意网络双向编译表示模型，该自注意网络双向编译表示模型可以对输入的每个字符生成一个768维的向量，则每个实体的词向量表示为768维的向量。
71.2.对于结构化数据对应的实体(即大部分气象实体，其包括气温、湿度、风速这种传感器可以检测的内容)，将其以字符串的方式表示，如中国气象局规定的6级强风对应的风速实体为“10.8m/s”到“13.8m/s”，并将字符串输入所述自注意网络双向编译表示模型，得到对应的字向量表示，对每个字向量表示求和取平均值，得到该实体的词向量表示。其中，词向量表示为该实体对应的所述低维嵌入化向量表示。
72.3.通过实体的嵌入词向量得到每个案例的特征矩阵的具体方法是：对同类实体的词向量取平均值，计算得到与其对应的节点的嵌入表达，将所有节点的嵌入表达合并即可得到特征矩阵。例如，在本实施方式中，由本体模型可知每个案例共有17个实体节点，17个实体节点的嵌入表达合并为17
×
768的特征矩阵。
73.图4示意性地显示了事故概率预测模型在一种实施方式下的训练流程图。
74.如图4所示，在本实施方式中，步骤(5)中构建的图卷积神经网络可以包括：包括2个图卷积层和1个全连接层。
75.在图4所示的实施方式中，步骤(5)基于历史案例的特征矩阵训练图卷积神经网
络，以得到事故概率预测模型的模型参数的具体方法为：
76.100：如图4所示，将历史案例的特征矩阵按照3:1的比例分为训练集和测试集。
77.200：初始化事故概率预测模型的模型参数。图卷积神经网络由2个图卷积层和1个全连接层构成，训练集中的每个历史案例的特征矩阵输入到图卷积神经网络中，并输出一个最终的预测向量y。
78.在此过程中，图卷积神经网络中的第一个图卷积层的计算公式为：
79.h
(2)
＝relu(a
″h(1)w(1)
b
(1)
)
80.其中，h
(2)
为第一个图卷积层的输出矩阵，w
(1)
和b
(1)
是第一个图卷积层的模型参数，h
(1)
＝x，x是每个案例图谱的特征矩阵，同时也是第一个图卷积层的输入，a是每个案例图谱的邻接矩阵，体现了节点之间的拓扑关系，d是经过邻接矩阵a处理得到的度矩阵，i为单位矩阵。
81.第二个图卷积层的计算公式为：
82.h
(3)
＝relu(a
″h(2)w(2)
b
(2)
)
83.其中，h
(3)
为第二个图卷积层的输出矩阵，w
(2)
和b
(2)
是第二个图卷积层的模型参数。
84.全连接层的计算公式为：
85.y＝sigmoid(w
(3)
f(h
(3)
) b
(3)
)
86.其中，w
(3)
和b
(3)
是第二个图卷积层的模型参数；f(h
(3)
)表示将矩阵h
(3)
变换为一个一维向量；y表示最终的预测向量，例如维度为20的预测向量，其代表预测20种设备恶化、受损、破坏情况的发生概率。
87.300：进行反向传播，更新模型参数。引入均方损失函数(mse loss)，用mse loss衡量预测向量y与历史案例的标签值的偏差值。每一次迭代的时候利用反向传播更新模型参数值，直到mse loss数值小于预期目标时结束迭代，即可得到训练好的图卷积神经网络。
88.400：在测试集上测试经过训练的图卷积神经网络准确率。计算经过训练的图卷积神经网络在测试集上的mseloss值，如果符合预先设定的要求，则可以认为图卷积神经网络训练成功，否则则需要修改模型结构、调整超参数重新训练。
89.经过前述步骤，经过训练的图卷积神经网络已经具备预测多种事故发生概率的能力，只需将待预测案例对应的特征矩阵输入到该训练的图卷积神经网络中，即可得到最终的预测结果。
90.为了更好地说明本发明所述的设备灾害事故预测方法的有效性，在本发明的步骤(6)中，本发明利用现有实际案例作为步骤(6)中的待预测案例进行了验证，其具体过程如下所述。
91.例如：2017年4月上旬，青海海东地区出现持续性雾雪天气，形成大面积冰冻，致使青海东部地区45条110kv及以上输电线路出现不同程度覆冰。4月11日凌晨，该线路4236号塔塔头损坏并发生倒塔事故，对其倒塔的分析原因如下：
92.1、环境因素产生覆冰条件。4236塔隶属青海省海东地区平安市、互助县的凤台岭地区，处于西亚大槽底部偏西气流中，不断有暖湿气流向该地区输送。受北部冷空气和西南暖湿气流的共同影响，该地区出现了连续降水天气，自4月8日以来当地气温持续维持在-10
℃到2℃，空气相对湿度大多在70％以上，风速保持在2到5m/s。综上所述，4236塔所在地区从4月9日开始就已经完全具备了输电线路导线覆冰必须持续的三个条件，产生持续性的导线覆冰。
93.2、微地形特征加剧铁塔负担。4236塔所在的凤台岭地区海拔高度在3000～3200m之间，是本地区较明显的分水岭，对冷暖气团有明显的阻挡作用，微地形和微气候特征明显，气候的垂直差异较大。冷、暖气团来临时，凤台岭对气团的阻挡作用很明显，主要表现为海拔超过2300m地段的降水量明显大于海拔在2300m以下地段，海拔较高地段植被茂密，气候垂直差异明显。4236塔所在区段在翻越凤台岭的分水岭海拔高程约3000m，属全线最高地段，地形梁坡交错，沟壑纵横，植被茂密，水汽充足，处在典型的垭口地形之上，狭管效应导致的横向风速较大。
94.在本发明中，发明人运用本发明所述的设备灾害事故预测方法进行了预测，计算得到预测向量y，预测向量y的每个数值代表了对应事故类型的发生预测概率值，如表1所示：
95.表1.
96.事故类型预测概率值事故类型预测概率值线路覆冰1.000地线断股0.000线间距离不足0.000铁塔倾倒0.994线路弧垂增大0.000导线断股0.000线路不同期脱冰0.000地线断线0.000线路不均匀覆冰0.000导线断线0.001导线扭绞0.000地线搭接导线0.000铁塔折弯0.000铁塔塔头损坏0.990铁塔塔头损伤0.002耐张金具损坏0.000地线垂落0.000相间间隔棒损坏0.000导地线放电0.000导地线横担折弯0.000
97.经本发明所述的设备灾害事故预测方法预测判断，4236塔发生线路覆冰、铁塔倾倒、铁塔塔头损坏等设备恶化、受损、破坏情况的概率超过了预警值。
98.对照前文提及的“青海东部地区45条110kv及以上输电线路出现不同程度覆冰，4月11日凌晨，该线路4236号塔塔头损坏并发生倒塔事故”，出现了“覆冰”、“塔头损坏”、“倒塔”的事故描述，发现采用本发明所述的设备灾害事故预测方法获得的预测结果符合实际情况。
99.需要说明的是，本发明的保护范围中现有技术部分并不局限于本技术文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
100.此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
101.还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容
直接得出或者很容易便联想到的，均应属于本发明的保护范围。