一种自然灾害下电力设备故障概率预测方法及系统与流程

1.本发明涉及一种预测方法及系统，尤其涉及一种设备故障概率预测方法及系统。


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自然灾害下电力设备故障概率预测方法及系统，采用该自然灾害下电力设备故障概率预测方法及系统可以快速准确地预测出特定气象、地理、设备条件下电力设备事故的发生概率，进而辅助电力设备运维人员的运维决策。


技术实现要素：

6.本发明的目的之一在于提供一种自然灾害下电力设备故障概率预测方法，该自然灾害下电力设备故障概率预测方法能够有效快速地预测出特定气象、地理、设备条件下电力设备事故的发生概率，辅助电力设备运维人员的运维决策。
7.基于上述目的，本发明提出了一种自然灾害下电力设备故障概率预测方法，其包括步骤：
8.(1)采集自然灾害下电力设备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实体；
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电网自然灾害知识图谱，所述电网自然灾害知识图谱包括若干个实体节点，所述实体节点包括设备节点；
11.(4)采用节点引力算法计算每一个设备节点与其他所有设备节点的节点相似度，并基于这些节点相似度构成相似度特征向量；
12.(5)构建前馈神经网络分类器，采用所述电网自然灾害知识图谱中所有设备节点的相似度特征向量和历史案例的标签值训练前馈神经网络分类器；
13.(6)在预测时，采用节点引力算法计算待预测设备节点与其他所有设备节点的节点相似度，并基于节点相似度构成待预测设备节点的相似度特征向量，将待预测设备节点的相似度特征向量输入经过训练的前馈神经网络分类器，得到对不同事故类型发生概率的预测结果。
14.在本发明上述技术方案中，发明人创造性地将知识图谱和链接预测应用在电力设
备在自然灾害下的事故发生概率预测中，从而得到了一种可靠性较高、数据量需求较低的自然灾害下电力设备故障概率预测方法。该预测方法能够有效快速地预测出特定气象、地理、设备条件下电力设备事故的发生概率，辅助电力设备运维人员的运维决策。
15.众所周知，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。在当下现有技术，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。
16.本发明运用知识图谱技术，可对电网自然灾害历史案例中涉及到的气象数据、地理条件、设备状态进行提取和储存，最终得到以图结构的形式储存的电网自然灾害知识图谱。
17.相应地，基于获得的电网自然灾害知识图谱，本发明所述的自然灾害下电力设备故障概率预测方法首先采用节点引力算法计算每一个设备节点与其他所有设备节点的节点相似度，并基于这些节点相似度构成相似度特征向量，随后利用电网自然灾害知识图谱中所有设备节点的相似度特征向量和历史案例的标签值对前馈神经网络分类器进行训练，方可获得训练后的前馈神经网络分类器。
18.由此，在预测时，待预测设备节点的相似度特征向量输入训练后的前馈神经网络分类器，即可快速准确地预测出特定气象、地理、设备条件下电力设备事故的发生概率。
19.进一步地，在本发明所述的自然灾害下电力设备故障概率预测方法中，其特征在于，所述若干类实体包括：地理类实体、气象类实体、设备类实体和事故类实体。
20.需要指出的是，在本发明中，考虑到自然灾害对电力设备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提高预测结果的准确率。
21.进一步地，在本发明所述的自然灾害下电力设备故障概率预测方法中，在所述步骤(4)中：对于电网自然灾害知识图谱中每两个设备节点x和y，它们之间的节点相似度s
xy
表示为：
[0022][0023]
通过上式计算得到待预测设备节点与电网自然灾害知识图谱中其他所有设备节点的节点相似度，所有节点相似度组成了相似度特征向量；
[0024]
式中，实体节点z是x和y的共同邻居节点中的一个，k表示实体节点z的度或称为连接数，分子ez表示实体节点z的所有邻居节点中满足下面任意一个条件的实体节点的个数：
[0025]
(a)该邻居节点是实体节点x或实体节点y本身；
[0026]
(b)该邻居节点同时是实体节点x和实体节点y的邻居节点。
[0027]
进一步地，在本发明所述的自然灾害下电力设备故障概率预测方法中，所述前馈神经网络分类器的计算公式为：
[0028]
y＝sigmoid(wh b)
[0029]
其中，y表示最终的预测向量，h表示输入的相似度特征向量，w和b是待训练参数。
[0030]
进一步地，在本发明所述的自然灾害下电力设备故障概率预测方法中，在步骤(5)中，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，得到训练好的前馈神经网络分类器。
[0031]
相应地，本发明的另一目的在于提供一种自然灾害下电力设备故障概率预测系统，该自然灾害下电力设备故障概率预测系统可以用于实施本发明上述的自然灾害下电力设备故障概率预测方法。
[0032]
基于上述目的，本发明还提出了一种自然灾害下电力设备故障概率预测系统，其包括：
[0033]
采集模块，其采集自然灾害下电力设备事故发生的历史案例；
[0034]
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实体；
[0035]
图结构储存的电网自然灾害知识图谱，其基于所述历史案例和所述本体模型构建，所述电网自然灾害知识图谱包括若干个实体节点，所述实体节点包括设备节点；
[0036]
特征向量提取模块，其采用节点引力算法计算每一个设备节点与其他所有设备节点的节点相似度，并基于这些节点相似度构成相似度特征向量；
[0037]
前馈神经网络分类器，采用所述电网自然灾害知识图谱中所有设备节点的相似度特征向量和历史案例的标签值训练前馈神经网络分类器；
[0038]
其中，在预测时，所述特征向量提取模块采用节点引力算法计算待预测设备节点与其他所有设备节点的节点相似度，并基于节点相似度构成待预测设备节点的相似度特征向量，将待预测设备节点的相似度特征向量输入经过训练的前馈神经网络分类器，得到对不同事故类型发生概率的预测结果。
[0039]
进一步地，在本发明所述的自然灾害下电力设备故障概率预测系统中，所述若干类实体包括：地理类实体、气象类实体、设备类实体和事故类实体。
[0040]
进一步地，在本发明所述的自然灾害下电力设备故障概率预测系统中，对于电网自然灾害知识图谱中每两个设备节点x和y，它们之间的节点相似度s
xy
表示为：
[0041][0042]
通过上式计算得到待预测设备节点与电网自然灾害知识图谱中其他所有设备节点的节点相似度，所有节点相似度组成了相似度特征向量；
[0043]
式中，实体节点z是x和y的共同邻居节点中的一个，k表示实体节点z的度或称为连接数，分子ez表示实体节点z的所有邻居节点中满足下面任意一个条件的实体节点的个数：
[0044]
(a)该邻居节点是实体节点x或实体节点y本身；
[0045]
(b)该邻居节点同时是实体节点x和实体节点y的邻居节点。
[0046]
进一步地，在本发明所述的自然灾害下电力设备故障概率预测系统中，所述前馈神经网络分类器的计算公式为：
[0047]
y＝sigmoid(wh b)
[0048]
其中，y表示最终的预测向量，h表示输入的相似度特征向量，w和b是待训练参数。
[0049]
进一步地，在本发明所述的自然灾害下电力设备故障概率预测系统中，在前馈神经网络分类器的训练过程中，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，得到训练好的前馈神经网络分类器。
[0050]
本发明所述的自然灾害下电力设备故障概率预测方法及系统具有以下优点以及有益效果：
[0051]
针对当下电网自然灾害故障预测输入数据不够丰富、考虑因素不够全面的研究现状，本发明将知识图谱作为概率预测工具，基于节点相似度算法运用构建的知识图谱进行链接预测和援例推理，实现了自然灾害下电力设备的故障预测。
[0052]
发明人将知识图谱和链接预测应用在电力设备在自然灾害下的事故发生概率预测中，得到了一种可靠性较高、数据量需求较低的自然灾害下电力设备故障概率预测方法，其能够有效快速地预测出特定气象、地理、设备条件下电力设备事故的发生概率。
[0053]
在本发明中，本发明面向自然灾害下电力设备故障的案例文本，提取事故发生背后的结构化与非结构化的气象条件、地理环境、设备状态信息并构建图结构储存的电网自然灾害知识图谱，储存电网自然灾害事故发生的内生与外在因素。通过节点相似度算法计算设备节点与事故节点存在链接关系的可能性，可以预测电力设备不同事故发生的概率，有利于运维人员进行设备维护决策，提升电力设备运维智能化水平。
[0054]
相应地，本发明所述的自然灾害下电力设备故障概率预测系统能够用于实施上述的自然灾害下电力设备故障概率预测方法，其同样具有上述的优点以及有益效果。
附图说明
[0055]
图1为本发明所述的自然灾害下电力设备故障概率预测方法在一种实施方式下的步骤流程图。
[0056]
图2示意性地显示了本发明构建的电网自然灾害知识图谱在一种实施方式下的示意图。
具体实施方式
[0057]
下面将结合说明书附图和具体的实施例对本发明所述的自然灾害下电力设备故障概率预测方法及系统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。
[0058]
图1为本发明所述的自然灾害下电力设备故障概率预测方法在一种实施方式下的步骤流程图。
[0059]
如图1所示，在本实施方式中，本发明所述的自然灾害下电力设备故障概率预测方法可以包括以下步骤：
[0060]
(1)批量采集自然灾害下电力设备事故发生的历史案例。
[0061]
(2)构建电网自然灾害知识图谱的本体模型。
[0062]
(3)基于历史案例和所述本体模型构建图结构储存的电网自然灾害知识图谱，该电网自然灾害知识图谱包括若干个实体节点，且实体节点包括设备节点。
[0063]
(4)采用节点引力算法计算每一个设备节点与其他所有设备节点的节点相似度，并基于这些节点相似度构成相似度特征向量。
[0064]
(5)构建前馈神经网络分类器，采用电网自然灾害知识图谱中所有设备节点的相似度特征向量和历史案例的标签值训练前馈神经网络分类器。
[0065]
(6)在预测时，采用节点引力算法计算待预测设备节点与其他所有设备节点的节
点相似度，并基于节点相似度构成待预测设备节点的相似度特征向量，将待预测设备节点的相似度特征向量输入经过训练的前馈神经网络分类器，即可得到对不同事故类型发生概率的预测结果。
[0066]
需要指出的是，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实体。其中，在本实施方式中，该本体模型一共可以包括四类实体，即地理类实体、气象类实体、设备类实体和事故类实体，构建的本体模型可以参阅下述表1。
[0067]
表1.
[0068][0069]
需要注意的是，气象类实体以现场传感器采集的在线监测数据为主，地理类实体、设备类实体和事故类实体则主要是历史案例中以文本形式描述的非结构化文本。
[0070]
在本发明所述的步骤(3)中，构建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、事故实体，人工提取电网自然灾害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。
[0071]
图2示意性地显示了本发明构建的电网自然灾害知识图谱在一种实施方式下的示意图。
[0072]
如图2所示，图2展示了构建得到的部分知识图谱，图2中每一个圆圈均对应的是一个节点，不同的节点代表了不同实体，以用于后续的节点相似度计算和链接预测。
[0073]
相应地，构建完毕的电网自然灾害知识图谱是一个不存在自环结构的无向网络g，基于获得的电网自然灾害知识图谱，在本发明所述的步骤(4)中，需要采用节点引力算法计算每一个设备节点与其他所有设备节点的节点相似度，对于知识图谱中每两个实体节点x和y，它们之间的节点相似性s
xy
的定义式如下述公式所示：
[0074][0075]
通过上式即可计算得到待预测设备节点与电网自然灾害知识图谱中其他所有设备节点的节点相似度，所有节点相似度组成了相似度特征向量。
[0076]
需要说明的是，在上述公式中，实体节点z是x和y的共同邻居节点中的一个，k表示实体节点z的度或称为连接数，分子ez表示实体节点z的所有邻居节点中满足下面任意一个条件的实体节点的个数：
[0077]
(a)该邻居节点是实体节点x或实体节点y本身；
[0078]
(b)该邻居节点同时是实体节点x和实体节点y的邻居节点。
[0079]
此外，进一步参阅图1可以看出，在本实施方式中，在本发明步骤(5)中采用构建得到的电网自然灾害知识图谱中所有设备节点的相似度特征向量和历史案例的标签值，对前馈神经网络分类器进行训练的方法可以具体包括以下步骤100-500：
[0080]
100：将通过历史案例提取出的设备实体节点按照3:1的比例分为训练集和测试集。
[0081]
200：将设备实体节点与事故实体节点的链接关系以一个维度为n的预测向量表示，向量中的每个元素的取值为0到1，代表n种设备恶化、受损、破坏情况的发生概率。
[0082]
300：前馈神经网络分类器的计算公式为：
[0083]
y＝sigmoid(wh b)
[0084]
其中，y表示最终的预测向量，h表示输入的相似度特征向量，w和b是待训练参数。
[0085]
400：进行反向传播，更新模型参数。引入均方损失函数(mse loss)，利用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，得到训练好的前馈神经网络分类器。
[0086]
500：在测试集上测试前馈神经网络分类器的准确率，如果mseloss值符合预先设定的要求，则可以认为训练成功，否则需要调整超参数或重新设计前馈神经网络分类器层数与隐藏层节点个数来重新训练。
[0087]
通过上述步骤，经过训练的前馈神经网络分类器已经具备预测多种事故发生概率的能力，只需将待预测案例中设备实体节点对应的相似度特征矩阵输入到该经过训练的前馈神经网络分类器中，即可得到最终的预测结果。
[0088]
此外，需要注意的是，为了更好地实施本发明所述的自然灾害下电力设备故障概率预测方法，发明人还进一步地设计了一种自然灾害下电力设备故障概率预测系统，其可以用于实施上述预测方法，
[0089]
在本发明中，该自然灾害下电力设备故障概率预测系统可以包括：采集模块、电网自然灾害知识图谱的本体模型、图结构储存的电网自然灾害知识图谱、特征向量提取模块和前馈神经网络分类器。
[0090]
其中，采集模块能够采集自然灾害下电力设备事故发生的历史案例；图结构储存的电网自然灾害知识图谱能够基于历史案例和本体模型进行构建，该电网自然灾害知识图谱包括若干个实体节点，且实体节点包括设备节点。
[0091]
在特征向量提取模块中，其通过采用节点引力算法可以计算电网自然灾害知识图谱中每一个设备节点与其他所有设备节点的节点相似度，并基于这些节点相似度构成相似度特征向量。
[0092]
相应地，采用电网自然灾害知识图谱中所有设备节点的相似度特征向量和历史案例的标签值可以对系统中的前馈神经网络分类器进行训练，以获得完成训练的前馈神经网络分类器。
[0093]
在实际采用本发明所述的自然灾害下电力设备故障概率预测系统进行预测时，利用特征向量提取模块通过节点引力算法可以计算出待预测的设备节点与其他所有设备节点的节点相似度，并基于节点相似度构成待预测设备节点的特征向量。将待预测设备节点的特征向量输入经过训练的前馈神经网络分类器，即可得到对不同事故类型发生概率的预测结果。
[0094]
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。
[0095]
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。
[0096]
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。