一种变电设备缺陷自动审核方法及存储介质与流程

1.本发明涉及一种变电设备缺陷自动审核方法及存储介质，尤其是一种基于知识图谱和图嵌入的变电设备缺陷自动审核方法及存储介质，是变电设备缺陷管理的辅助手段，能根据提供的变电设备缺陷信息进行设备类型、缺陷类型、缺陷部位、缺陷等级等信息的自动审核。


背景技术：

2.变电站是电网运行中的枢纽节点，变电设备的缺陷管理是保证变电站能安全稳定运行的重要工作。为了实现更精细化的变电设备缺陷的管理，需要经验丰富的技术专家对采集到的变电设备缺陷文本数据进行人工分类和审核，包括按照缺陷类别、缺陷等级、设备类别、消缺措施等进行审核，人工审核包括核实：设备类型、缺陷类型、缺陷部位、缺陷等级等几方面的内容，但人工进行缺陷的分类和审核通常无法避免地存在处理不及时、分类错误、无法发现多个缺陷之间的关联等问题。


技术实现要素：

3.本发明的提出正是为了解决人工进行变电设备缺陷的分类和审核所存在问题，通过结合变电设备的拓扑关系数据、变电设备缺陷历史数据、知识图谱和人工智能算法，实现更加客观科学的变电设备缺陷自动化审核。
4.为了实现上述目的，本发明提供如下技术方案：
5.一种变电设备缺陷自动审核方法，包括以下步骤：
6.步骤1，变电一次接线图生成基础图谱
7.采用属性图模型数据库neo4j作为知识图谱的数据库管理系统，将变电站中的设备和拓扑关系转换为图数据库中的节点(node)和关系(relatioship)。首先，将变电站一次接线图的svg文件作为输入，通过java程序将svg文件解析为dom树，将dom树中的开关、变压器、母线等转换为图数据库的节点(node)，将电压等级、厂家、投运年限等字段解析为节点(node)的属性(property)。其次，将导线、引线等解析为图数据库的关系(relatioship)，并对变电站一次接线图进行一定的简化，只保留变电站中的关键拓扑关系和关键设备，最终形成变电一次接线图的基础图谱。
8.步骤2，变电设备缺陷数据生成变电设备缺陷知识图谱
9.从电网生产管理系统的数据库中抽取变电设备缺陷的历史数据，包括缺陷的描述信息，如：所属设备id、设备类别、所属单位、电压等级(kv)、生产厂家、设备型号、缺陷表象、缺陷类型、缺陷描述等字段信息，以及缺陷的人工审核信息：审核设备类型、审核缺陷类型、审核缺陷等级、审核缺陷部位。
10.将上述的历史缺陷数据作为输入，通过java程序将每一条历史缺陷数据转换一个neo4j中的历史缺陷节点(node)，再在历史缺陷节点(node)和所属设备节点(node)之间建立关系(relatioship)，即构成：(设备)-[:发生缺陷]-(历史缺陷)的关系路径，将缺陷的结
构化字段作为缺陷节点的属性保存至数据库中。同时，将上述历史缺陷的人工审核信息转换为审核信息节点(node)加入到图数据库，再将审核信息节点(node)和历史缺陷节点(node)建立关系(relatioship)，即构成：(历史缺陷)-[:审核信息类型]-(审核信息内容)的关系路径，最终基于步骤1所构建的变电一次接线图基础图谱形成变电缺陷知识图谱。
[0011]
步骤3，知识图谱的图嵌入表示
[0012]
在根据步骤2输出的变电缺陷知识图谱构建变电设备自动审核模型的时，需要提前将知识图谱的图结构数据转换为机器学习算法可以使用的向量数据。为此需要采用图嵌入算法，将图结构数据转为低维稠密向量。
[0013]
本发明采用node2vec方法将知识图谱中的节点(node)转换为低维稠密向量，它是一种结合了深度优先搜索和广度优先搜索的方法，其目标是给定每个顶点条件下，令其近邻顶点出现的概率最大，目标函数如下：
[0014][0015]
其中，u表示变电缺陷知识图谱中的任意历史缺陷节点，v表示所有节点的集合，f(u)表示将节点u映射为向量的映射函数；ns(u)表示通过采样策略s得到的节点u的邻近节点集合，ni表示集合ns(u)中的任意节点；zu为归一化因子，
[0016]
步骤4，基于xgboost构建变电设备缺陷自动审核模型
[0017]
通过步骤3得到知识图谱中所有历史缺陷节点向量作为记为x，将历史缺陷节点的人工审核结果记为y，采用xgboost构建有监督的分类模型，其中xgboost的核心参数及参数值分别包括：
[0018]
参数名称参数值n_estimators550learning_rate0.1min_child_weight5max_depth4gamma0.1subsample0.7colsample_bytree0.7reg_alpha1reg_lambda1
[0019]
最终，将分类模型保存为model文件。
[0020]
步骤5，进行缺陷的自动审核
[0021]
在发生新缺陷h时，按照步骤2的方法将新缺陷h加入变电缺陷知识图谱得到节点n，按照步骤3获得节点n的向量化表示x’。读取步骤4生成的model文件，将x’输入模型，得到自动审核结果y’。
[0022]
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明所述的变电设备缺陷自动审核方法的步骤。
[0023]
有益效果
[0024]
本发明的方法结合了变电设备的拓扑关系数据、变电设备缺陷历史数据、知识图谱和人工智能算法，能有效地避免人工审核带来的所有问题，采用科学的方法来提升自动化审核的准确性，为后续合理地安排变电设备消缺工作提供全方位的技术支撑。
附图说明
[0025]
图1为本发明的方法的流程图。
具体实施方式
[0026]
下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。
[0027]
实施例1
[0028]
请参阅图1，本发明的一种变电设备缺陷自动审核方法流程图，包括如下步骤：
[0029]
步骤1，变电一次接线图生成基础图谱
[0030]
以neo4j作为图数据库，解析变电站的一次接线图svg文件，得到svg中的所有设备xml节点，以及节点之间的拓扑关系。提取其中的一次设备：变压器、开关、刀闸、ct/pt、母线等生成图数据库中的节点(node)，并根据设备类型为节点设置标签(label)，在这些设备的所属供电局、电压等级、设备名称、投运年限、运维单位、所属间隔等信息作为属性(property)保存至设备节点中。根据svg中导线、引线所构成的拓扑关系信息，在图数据库中建立节点之间的关系(relationship)，同时将原来导线的所属间隔信息保存至关系上，如某110kv变电站部分图谱数据示例如下：
[0031]
(隔离开关1016)-[:引线]-(断路器101)-[:引线]-(隔离开关1015)-[:引线]-(35kvii段母线)
[0032]
步骤2，变电设备缺陷数据生成变电设备缺陷知识图谱
[0033]
从电网生产管理系统的数据库中抽取变电设备缺陷的历史数据，包括：设备类别、所属单位、所属设备id、电压等级(kv)、生产厂家、设备型号、缺陷表象、缺陷类型、缺陷描述等字段信息。首先，在图数据库中，为每一条历史缺陷数据生成一个缺陷历史节点。其次，在其所属设备和历史缺陷之间建立关系，即构成：(设备)-[:发生缺陷]-(历史缺陷)的关系路径，将缺陷的结构化字段作为缺陷节点的属性保存至数据库中。如下所示为一个具体的缺陷示例：
[0034]
(断路器101)-[:发生缺陷]-(历史缺陷a)-[:部件]-(空压机)-[:表象]-(气动机构不储能)。
[0035]
当结构化字段信息无法描述缺陷的完整情况时，可采用nlp技术的实体提取和关系提取算法，从文本类字段如缺陷描述中提取出关键信息，将文本信息转换为知识图谱中的节点和关系。如某缺陷描述为：“101断路器发sf6气压低报警，现场检查sf6气压为0.55mpa,已到报警值。(闭锁值：0.50mpa，报警值：0.55mpa，额定值：0.60mpa)”，则需要生成如下缺陷图谱数据：
[0036]
(断路器101)-[:发生缺陷]-(历史缺陷b)-[:部件]-(气室)-[:表象]-(sf6气体压力低，已报警)
[0037]
同时，将每个历史缺陷的人工审核信息加入到图谱中，如下为某缺陷的部分审核信息：
[0038]
(断路器101)-[:发生缺陷]-(历史缺陷b)-[:审核设备类型]-(断路器)
[0039]
\[:审核缺陷类型]-(sf6气体渗漏)
[0040]
\[:审核缺陷部位]-(气室)。
[0041]
步骤3，知识图谱的图嵌入表示
[0042]
图嵌入的目标就是要将图中顶点转为一个低维稠密向量，本发明采用的是node2vec方法。它是在deepwalk的基础上进行了改进，通过在它随机游走的过程中加入了一个权重，使得可以同时采用深度优先和广度优先的策略进行游走。步骤分为两步：
[0043]
第一步，给定任意历史缺陷节点(u)，采用有偏随机采样策略s从它的邻居节点选择一个作为下一个节点，重复此过程直至采样期望长度的序列(n)。
[0044]
第二步，采用与word2vec相同skip-gram方法，通过训练一个网络在提取网络的隐藏层权重(wu)作为节点u的向量化表示。其目标函数如下：
[0045][0046]
其中，u表示变电缺陷知识图谱中的任意历史缺陷节点，v表示所有节点的集合，f(u)表示将节点u映射为向量的映射函数；ns(u)表示通过采样策略s得到的节点u的邻近节点集合，ni表示集合ns(u)中的任意节点；zu为归一化因子，且：
[0047][0048]
如上述节点(历史缺陷b)的向量表示为一个30维向量为：
[0049]
[0.354721,-0.6124,0.459096,-0.1043,-0.46317,-0.46723,0.438957,0.4993,-0.38522,-1.21575,-1.2896,0.768144,-0.43385,0.053044,0.264071,-1.01213,-1.21162,-0.2679,0.289952,0.078757,0.393111,0.188677,-1.27278,-0.80507,-0.64679,0.468389,0.42772,-0.71132,-0.00959,0.47102]。
[0050]
步骤4，基于xgboost构建变电设备缺陷自动审核模型
[0051]
通过步骤3得到知识图谱中所有历史缺陷节点向量作为记为x，将历史缺陷节点的人工审核结果记为y，采用xgboost构建有监督的分类模型，其中xgboost的核心参数及参数值分别包括：
[0052]
参数名称参数值n_estimators550learning_rate0.1min_child_weight5max_depth4gamma0.1subsample0.7colsample_bytree0.7reg_alpha1reg_lambda1
[0053]
最终，将分类模型保存为model文件。
[0054]
步骤5，进行缺陷的审核
[0055]
在发生新缺陷h时，按照步骤2的方法将新缺陷h加入变电缺陷知识图谱得到节点n，按照步骤3获得节点n的向量化表示x’。读取步骤4生成的model文件，将x’输入模型，得到自动审核结果y’。
[0056]
如下所示为一个新发生的变电缺陷，其主要信息如下表所示：
[0057][0058]
经过本发明的变电缺陷自动审核模型审核后的结果如下表所示：
[0059]
审核缺陷类型审核缺陷部位审核设备类型审核缺陷等级气动机构储能故障端子断路器紧急。