面向某地区电网继电保护装置缺陷知识图谱构建的实体关系抽取

继电保护装置缺陷时有发生，威胁其作为第一道防线的可靠性，进而影响电网安全稳定运行。随着电网规模扩大，保护装置数量增加，现场运维工作需要智能化辅助减小运维压力；同时，保护装置历史缺陷数据累积，蕴含有助于辅助运维的信息有待文本挖掘。有鉴于此，该文以某地区电网实际继电保护装置缺陷数据和专业词典为基础，提出了一种面向继电保护装置缺陷知识图谱构建的实体关系抽取方法。首先，以传统本体构建思想为基础，借助词频–逆文档频率(term frequency-inverse document frequency,TF-IDF)方法，抽取了继电保护装置领域术语，并定义了概念及其间关系，实现了继电保护装置缺陷本体构建；其次，根据继电保护装置缺陷记录文本特征，提出了基于语法规则的实体关系抽取方法，实现了近邻词位实体的关系抽取；再次，提出了基于远程监督学习的实体关系抽取方法，实现了长间隔词位实体关系抽取；进一步，利用关系抽取可信度评价指标，实现了综合语法规则和远程监督的实体关系抽取；最后，利用Protégé对装置缺陷本体及关系抽取结果做了局部可视化展示。     

基于两层知识架构的电力设备差异化运维技术

针对电力设备运维数据质量不高、信息隔离以及数据扭曲等信息问题,提出两层知识库架构,以不同类型缺陷率和因素之间相关系数、不同特征组合下的设备缺陷率作为知识表示,采用模型统一、分块统计和动态排序算法,构建运维知识生成数学模型,通过运维样本的不断积累,更新运维知识库中缺陷率和因素之间相关性和不同特征组合下的设备缺陷率,根据排序结果形成重点运维清单,提高现场运维缺陷识别的准确性。以电力公司运维缺陷数据为基础,分析和验证了基于两层架构的知识生成方法的有效性和正确性,可为设备运维决策提供理论依据。     

电力人工智能技术理论基础与发展展望(二):自主学习与应用初探EI北大核心CSCD

电力人工智能技术不断取得突破的同时,实际应用中也面临诸多挑战,在电力人工智能的假设分析与应用范式研究基础上,探索电力人工智能自主学习的创新应用模式。首先,针对电力人工智能研究中存在的可信伦理、数据分布与进化迁移等瓶颈,提出并详细阐述数据知识融合、平行互动、模型进化三大机制;进而,基于生物脑认知原理,提出适用于电力领域人工智能应用的意识引导的自主学习技术,通过构建电力领域机器意识引导算法进行模型构建、数据组织、训练调优等自主学习应用,解决规则复杂、数据价值低、场景泛化等情况下的电力人工智能模型训练优化难题;最后,在设备运维检修领域开展应用探索,通过意识引导知识、数据、任务的理解分析,构建面向复杂运维检修任务端到端算法生成的智能应用。     

基于知识图谱的电能计量设备知识库构建

<正>以电能计量设备知识图谱可视化为研究对象，通过整合非结构化数据进行知识抽取，设计新型知识图谱模型，并使用Neo4j图数据库存储知识图谱，最终实现计量设备知识图谱的可视化展示，为电力用户提供更多的服务。随着信息技术的发展，知识图谱技术已广泛应用到众多领域，但在电力领域，知识图谱技术的研究和应用还处于初级阶段。因此，迫切需要将知识图谱技术引入电力领域，构建全面且深入的电力领域知识图谱，以便电力从业人员快速查询和分析相关信息，提高电网信息的整合和利用效率。     

面向风电机组运维的知识图谱构建研究与应用

规模化风机高频运维信息愈发呈现数据高维、类间互联、规模攀升的特点,传统人工孤岛式故障检修运维模式难以适应人机料法环一体式发展进程。针对风机全环节、全要素的主动运维要求,提出知识规则、主从设备、规范条例一体融合的风电机组运维知识图谱构建方法。利用图论文本关键词提取算法(TextRank)完成对风电专业运维文本的实体识别与关系抽取,用以提高特征词的提取精度。采用Neo4j图数据库构建风电安全管理规程图谱及风电设备运维图谱,实现多元数据的互联与可视,进而实现风电运维信息的智能化查询。应用上述方法构建了629个实体、742条关系类型的风机知识图谱。数据查询试验表明：该方法的精确率及召回率等主要指标均在89%以上,较传统数据库方法平均提升了6.5%。该方法建立了运维要求可视表达和类间任务关联。运维大数据的有效查询,将有助于节省双碳战略风电运维力量,提高运维智能化水平。     

基于SMOTE和决策树算法的电力变压器状态评估知识获取方法

提出基于合成少数过采样技术(SMOTE)算法和决策树算法的电力变压器状态评估知识获取方法,首先针对变压器非正常状态样本数量较少的情况,采用SMOTE算法补充非正常状态样本数量,解决了变压器样本集类别不平衡问题。然后将变压器状态评估过程视为分类过程,利用决策树模型为白箱模型的特点,将变压器状态评估知识获取问题转化为构建决策树的问题。最后采用C4.5决策树算法构建决策树,从中提取变压器状态评估知识,得到关键变压器状态量和评估规则。以某地市级供电公司110 kV电压等级油浸式变压器实际数据开展实例分析,结果表明所提出的方法能实现状态评估知识的自动化获取,可以为该地区110 kV油浸式变压器的状态评估工作提供决策支持。     

基于深度学习和知识图谱的变电站设备故障智能诊断

及时发现并诊断变电站运行中设备存在的问题,是保障电网安全运行的关键手段之一.基于深度网络与知识图谱技术,提出一种关联变电站设备多模态信息的故障智能诊断方法.利用深度学习技术和知识图谱方法对采集的多模态数据进行知识提取和融合,构建一个多模态信息融合的语义知识图谱;使用YOLOv4算法对故障样本聚类并提取先验框参数;将多模...     

智能变电站继电保护智能运维系统自动配置技术研究

为提高继电保护智能运维信息采集配置的效率及正确性,提出一种基于知识图谱的智能运维系统信息采集自动配置技术。基于继电保护相关规范建立继电保护装置数据输出端口的标准化模型,依据专家知识按照IED类型建立智能运维系统信息采集点与继电保护装置标准化数据输出端口的关联关系,形成智能运维系统信息采集配置知识图谱本体。结合智能运维系统的历史配置数据进行知识学习,建立智能运维系统信息采集配置知识图谱。基于二次设备数据输出端口地址信息与继电保护装置数据输出端口的标准化模型的相似性计算,自动将二次设备数据输出端口地址匹配到标准信息端口地址实现知识融合,并引入CBOW模型增强语义理解,提高实体相似性算法的精度。实例验证结果表明,基于知识图谱的智能运维系统信息采集自动配置技术可有效提高智能运维系统配置效率,保证配置的正确性。     

电能计量装置的知识图谱构建与应用

因知识图谱具备强大的实体关系表达推理能力,近年来在各领域得到了广泛应用。文中针对电能计量装置存在标准规范多,建设管理运营成本和门槛高的问题,研究并提出了一种电能计量装置知识图谱的自动构建方法。针对技术规范文档存在的实体嵌套、语义模糊和图谱不全等问题,文中综合采用基于候选实体图匹配的命名实体识别方法,基于多依存句法树融合的关系抽取方法,基于概念层次图融合的关系推理方法,并在电能计量装置知识图谱构建中进行了验证。实验表明文章构建的知识图谱在实体识别、关系提取和关系推理的准确率和扩展性方面都取得了较大提升,可大幅降低相关领域标准规范的应用审查门槛和成本。     

基于电力设备大数据的预训练语言模型构建和文本语义分析EI北大核心CSCD

在电力设备运维管理过程中,如何运用非结构化文本信息,构造电力设备文本语义分析模型,挖掘非结构化文本信息,提升设备缺陷和故障的诊断速度和准确性,辅助电网运行检修决策,是非常具有应用价值的问题。该文提出基于超大规模预训练方法的电力设备文本语义分析模型(PowerBERT)。该模型基于多头注意力机制,采用多层嵌入语义表达结构,模型总参数超过1.1亿,实现对电力文本内蕴含的信息的理解和分析。基于超过18.62亿字符的电力标准、管理规定及检修记录文本构成的电力专业语料,并采用字符掩码、实体掩码、片段掩码等多种掩码机制和动态加载策略开展模型预训练。针对电力设备文本分析场景,在电力文本实体识别、信息抽取和缺陷诊断场景进行任务场景训练和优化。与传统深度学习算法进行对比实验的结果表明,该文所提方法在基于极少的场景任务样本的情况下,在验证集和测试集上实现召回率和精准度20%~30%的性能提升。     

基于深度强化学习的变电站倒闸操作序列生成方法

针对当前智能电网操作票系统通用性差、智能化程度不足等问题,提出一种基于深度强化学习的变电站倒闸操作序列生成方法。首先,采用知识图谱技术建立变电站知识图谱模型,利用知识图谱路径搜索确定操作空间,结合变电站运行规则对任务设备运行状态进行推理更新;然后,构建求解倒闸操作序列的强化学习模型;最后,应用DDQN深度强化学习算法求解倒闸操作序列。测试结果表明,该方法适用于不同的操作任务,能够根据操作任务自动生成符合倒闸操作逻辑的操作序列,无需建立复杂的规则库,通用性较强。     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

知识图谱在输变电设备运维中的应用

对输变电设备海量数据进行有效利用和管理是新型电力系统信息化发展的重要方向,挖掘电网输变电设备运维数据,并感知其运行态势,可保障输变电设备安全稳定的运行。该文将知识图谱引入输变电设备运维领域,分析输变电设备运维的数据情况和现存问题;介绍输变电设备数据融合聚类技术和运维知识图谱的构建技术;结合输变电设备运维特性,总结知识图谱在输变电设备运维中的典型应用场景;分析当前研究热点,探讨知识图谱在输变电设备运维领域的关键问题,并展望该领域的发展前景。运用知识图谱,在提高企业维修效率的同时,还能降低人力成本。     

基于功能缺陷文本的电力系统二次设备智能诊断与辅助决策

利用电力系统二次设备功能缺陷文本数据,建立了基于双向长短时记忆网络与条件随机场(BiLSTM-CRF)模型的文本信息抽取模型.在此基础上,为了进一步将数据中蕴含的知识价值应用到电力系统生产、管理过程中,构建了电力系统二次设备功能缺陷知识图谱,将各类数据间所含语义信息融入各类实体间的关系约束,建立了基于BiLSTM-CRF模型与知识图谱的二次设备功能缺陷智能诊断与辅助决策平台.该平台可依据缺陷设备类型与缺陷现象快速诊断设备的缺陷部位及原因,并推荐合理的解决措施.算例分析结果表明,相较于传统的命名实体识别算法、BiLSTM-softmax以及Seq2Seq-Attention模型,所采用BiLSTM-CRF模型的精确率、召回率、F1值这3项评估指标均有较大提升,所建平台能很好地挖掘、应用电力文本数据知识与价值,为电力系统二次设备功能缺陷处理提供有益参考.     

基于分类决策树算法的电力变压器故障诊断研究

电力变压器是电力系统稳定运行中最为重要的电力设备。对电力变压器的故障识别,一直是所有电力工作的重中之重。近些年随着人工智能的发展,许多智能算法被引入电力变压器故障研究当中。本文提出一种基于决策树算法的电力变压器故障诊断模型,与其他分类模型相比,该模型具有分类精度高、计算速度快、不需要任何领域知识和参数假设、易于实现等优点。通过对实际的故障样本进行诊断,并与支持向量机算法对比,验证了该算法的优越性。     

水利施工事故文本智能分析的BERT-BiLSTM混合模型

水利工程施工往往具有施工环境复杂、施工难度大的特点,施工事故频发。事故报告作为事故分析的文件,通常包含了事故发生的总结和原因,可以作为预防事故发生的依据。然而,目前水利领域的事故分析多依赖于现场管理人员的手工分析,不仅容易出错,而且耗时耗力。此外,现有的模型无法直接对水利事故文本进行高精度的分析和预测。因此,本文提出了一种结合变压器双向编码表示（BERT）和双向长短时记忆模型（BiLSTM）的混合深度学习模型深入分析水利工程施工事故原因。混合模型的上游采用BERT模型生成事故文本的字符级动态特征向量,模型下游基于改进的BiLSTM模型挖掘事故报告文本的语义特征,实现事故报告文本智能分析。最后,通过将本文提出的模型和目前先进的七种深度学习模型进行实验对比,对所提出的混合模型的有效性进行验证。结果表明,本文提出的混合模型优于其他几种深度学习算法,该模型可为水利施工事故的分析与决策提供算法支撑和依据。     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

基于知识图谱的电力检修方案智能编制方法

为了解决传统电力检修方案编制不规范、电力检修效率低的问题,提出基于知识图谱的电力检修方案智能 编制方法.采用改进传统知识图谱的创建方法,构建本体模型、实体模型和关系模型;利用关系将实体与实体、实体 与属性相连接,组合成三元组存入图数据库内,构建电网拓扑结构的知识图谱;依据构建好的知识图谱,建立设备图 元和电力检修数据库间的图库映射关系,生成电网检修基础数据;制定图形环境下的检修时间,采用启发式搜索法搜 索设备映射库中的缺陷记录,并将其与电网检修知识库相关联,进行数据规范化及填补,完成电力检修方案智能编 制.实验结果表明,该方法编制的数据报表更加工整规范,检修方案的设备整体搜索时间均在90ms以下,少于现有 方法的220ms以上,检索准确率在70％以上,高于其他方法的70％以下,召回率在50％以上,显著高于现有方法. 该方法提高了检修效率,且合理性及可执行性好.     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

基于克隆选择分类算法的电力变压器故障诊断

变压器油中溶解气体分析是进行电力变压器故障诊断的一种有效方法,将克隆选择分类算法引入电力变压器油中溶解气体分析,利用免疫克隆选择原理学习并提取表征故障样本特征的记忆抗体集,然后用最邻近分类法对故障样本进行分类。人工免疫系统具有良好的自学习和自记忆能力, 使得克隆选择分类算法具有很强的非线性分类和泛化能力。经大量实例分析,并将其结果与IEC三比值法和BP神经网络等方法的结果相比较表明,该算法能有效对电力变压器单故障和多故障样本进行分类,并具有较高的诊断精度。