复杂气象下基于知识图谱的电网设备故障预测方法及系统与流程

本发明涉及数据处理领域，特别涉及复杂气象下基于知识图谱的电网设备故障预测方法及系统。

背景技术：

1、在电力运输的过程中，电网的安全性能十分重要，电力系统能否稳定运行将直接影响相关地区的生产生活。然而，在暴雨、雷暴雨等极端天气条件下，电网设备的运行环境会收到影响，导致电力系统事故，威胁电网设备的安全运行；也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。因此，电力系统设备的故障应当被及时发现、尽快排除。

2、现有技术中，公开（公告）号cn116910633a公开了一种基于多模态知识混合推理的电网故障预测方法，方法包括：采集电网多模态原始数据信息并进行预处理以获得多模态有效数据；在多模态有效数据上添加标签形式的标注信息，将多模态有效数据中的信息与知识图谱的实体、属性和关系进行对应，以获得多模态标签数据；针对多模态标签数据的每一种模态，分别采用对应的模态模型进行格式转换和知识抽取，而后采用文本相似度算法对多模态的知识抽取结果进行融合和对齐，从而获得多模态故障推理模型；以电网运行状态、4种复杂气象和地理位置数据作为输入，基于多模态故障推理模型，采用基于分布式表示的知识推理算法推理出当前环境下的电网故障类型，得到预测结果。

3、虽然现有技术大多可以实现部分故障的预测，但是目前现有技术中的预测方法在训练完成后，输入参数后直接输出结果，中间过程是不可控不可见的黑盒。因此现有技术想要提高准确性，只能是调整模型的参数，但实际上，如果准确性低的原因是训练样本质量不佳（例如某故障样本虽然处于极端天气，但造成故障的原因并不是天气因素），则无论如何调整参数都无法提高准确率，而黑盒形式由于不呈现中间过程，因此很难发现准确性低的源头是什么，导致预测准确率较低。并且复杂气象下的电网设备故障通常涉及因素较广，人工筛选高质量样本的工作量极大，效率极低。

4、因此急需一种能够在训练阶段准确找出影响准确率的因素，进而提高最终预测准确率的方案。

技术实现思路

1、针对现有技术存在的无法找出影响准确率的因素导致预测准确率较低的问题，本发明提供了复杂气象下基于知识图谱的电网设备故障预测方法及系统，通过transformer和知识图谱技术作为预测的基本手段，并借助知识图谱的独特数据结构，与transformer预测模型进行同步的训练和验证，以帮助找到影响其预测准确性的低质量样本并进行调整，解决了transformer预测模型的黑盒形式导致的无法找出影响准确率的因素的难题，进而提高整体训练效果，提高最终的预测准确率。

2、以下是本发明的技术方案。

3、复杂气象下基于知识图谱的电网设备故障预测方法，包括以下步骤：

4、进行故障预测时，将气象数据、待预测设备数据输入同步训练、验证的transformer预测模型和知识图谱预测模型，由transformer预测模型输出第一预测结果，由知识图谱预测模型输出待预测设备节点的特征向量，将特征向量输入的逆向传播神经网络分类器得到第二预测结果，将第一预测结果和第二预测结果综合运算，输出不同事故类型发生的概率。

5、作为优选，所述transformer预测模型和知识图谱预测模型的同步训练、验证过程包括：

6、步骤a：获取极端天气下电网设备事故发生的历史案例数据；

7、步骤b：对历史案例数据进行预处理，建立电网极端天气下的知识图谱预测模型，并构建基于知识图谱预测模型的逆向传播神经网络分类器；

8、步骤c：将预处理后的历史案例数据分为训练集和测试集，利用训练集训练transformer预测模型和逆向传播神经网络分类器，利用测试集验证transformer预测模型和逆向传播神经网络分类器；

9、如存在任意的验证结果未达到预设要求，则调整训练参数重新训练和验证，如仍然未达到预设要求，则调取知识图谱预测模型中相关节点和关系，基于调取的相关节点和关系调整历史案例数据，重新执行步骤b，如验证结果达到预设要求则完成。

10、本发明中，先基于获取的历史案例数据来构建知识图谱预测模型，再利用处理后的历史案例数据来训练transformer预测模型和逆向传播神经网络分类器，以形成基础的预测能力，同时，由于transformer预测模型的中间过程为黑盒，只能通过调整模型参数来试图提高准确率，本发明利用知识图谱具备完整数据结构的特点，通过实体节点和节点之间的关系，可以倒推出预测对象对应实体及关联实体的原本历史案例数据。当通过调整模型参数无法提高准确率时，表示样本质量存在问题，因此通过知识图谱找出并调整这些历史案例数据，可以提高样本质量，进而提高训练效果，提高最终的故障预测准确率。并且，本技术利用两套预测体系综合运算得到最终结果，预测准确率更加稳定。

11、作为优选，所述步骤a：获取极端天气下电网设备事故发生的历史案例数据，包括：

12、获取极端天气记录和电网设备事故记录，如两者的发生日期存在重合则合并为一次历史案例；

13、获取历史案例中当天的现场传感器采集的在线监测数据作为气象类数据；

14、获取历史案例中的地理类数据、设备数据和事故数据，并转为以文本形式描述的非结构化文本；

15、将历史案例对应的气象类数据、地理类数据、设备数据和事故数据组合为历史案例数据。

16、作为优选，所述步骤b中的对历史案例数据进行预处理，包括：

17、剔除历史案例数据中的异常值，填补缺失值，并将数据进行量化及归一化处理。

18、作为优选，所述步骤b中的建立电网极端天气下的知识图谱预测模型，包括：

19、提取历史案例数据中的气象类数据、地理类数据、设备数据和事故数据，构建电网极端天气知识图谱的本体模型，所述本体模型包括根据历史案例数据生成的地理类实体、气象类实体、设备类实体和事故类实体；

20、根据本体模型中实体和实体之间的关系构建电网极端天气下的知识图谱预测模型，所述电网极端天气下的知识图谱预测模型的每个节点对应一类实体；

21、将设备节点与事故节点的链接关系以一个维度为w的向量表示，向量中的每个元素的取值为0到1，代表w种设备故障情况的发生概率。

22、作为优选，所述知识图谱预测模型中，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，包括：

23、对于知识图谱预测模型中每两个设备节点和，它们之间的节点相似度 表示为：

24、 ；

25、式中，实体节点 是 和 的共同邻居节点中的一个，分母 表示实体节点 的度或称为连接数，分子 表示实体节点 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：

26、(a)该邻居节点是实体节点或实体节点本身；

27、(b)该邻居节点同时是实体节点和实体节点 的邻居节点；

28、通过上式计算得到待预测设备节点与知识图谱预测模型中其他所有设备节点的节点相似度，组成了相似度特征向量。

29、作为优选，所述步骤c中的将预处理后的历史案例数据分为训练集和测试集，包括：

30、将预处理后的历史案例数据按照3:1的比例分为训练集和测试集。

31、作为优选，所述步骤c中，逆向传播神经网络分类器的训练过程包括：

32、采用所述知识图谱预测模型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逆向传播神经网络分类器；

33、所述逆向传播神经网络分类器取单层时的计算公式为：

34、；

35、其中，y表示最终的预测向量，sigmoid为激活函数，h表示输入的相似度特征向量，w和f是分类器模型参数；

36、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，得到训练好的逆向传播神经网络分类器；

37、其中均方损失函数表示为：

38、 ；

39、其中， 是输出概率值， 是标签概率值，n为训练样本数，i为样本编号。

40、作为优选，所述步骤c中，如存在任意的验证结果未达到预设要求，则调整训练参数重新训练和验证，包括：

41、对于transformer预测模型，在测试集上测试transformer预测模型的准确率，如准确率未达到预设要求，则调整注意力头数、隐藏层大小、层数来重新训练和验证；

42、对于逆向传播神经网络分类器，在测试集上测试逆向传播神经网络分类器的准确率，如果均方损失函数值不符合预设要求，则调整超参数或重新设计逆向传播神经网络分类器层数与隐藏层节点个数来重新训练和验证。

43、作为优选，所述步骤c中，调取知识图谱预测模型中相关节点和关系，基于调取的相关节点和关系调整历史案例数据，包括：

44、根据当前的验证结果，获取相关的设备节点、事故节点、地理节点、气象节点以及节点之间的链接关系；

45、从历史案例数据中筛选出带有上述节点及链接关系的待调整案例；

46、删除至少一项待调整案例，以调整历史案例数据，得到更新后的历史案例数据。

47、本发明中，由于知识图谱预测模型的相关节点和关系是由历史案例数据得出，因此通过查看和预测结果相关的节点和关系，可以反推得到原本的历史案例数据，在必要时删除全部或部分待调整案例，以提高整体样本质量，便于训练获取设备故障与气象之间的实际规律。

48、作为优选，所述步骤d中的将第一预测结果和第二预测结果综合运算，输出不同事故类型发生的概率，包括：

49、综合运算模型表示为：

50、；

51、其中， 表示transformer预测模型输出的第一预测结果， 表示逆向传播神经网络分类器出的第二预测结果，a 、b为综合运算模型参数，数值区间为[0，1]，通过分类训练或人工调节获得，表示预测设备不同事故类型发生的概率。

52、本发明还提供复杂气象下基于知识图谱的电网设备故障预测系统，用于执行上述的复杂气象下基于知识图谱的电网设备故障预测方法，包括：

53、故障预测模块：用于在进行故障预测时，将气象数据、待预测设备数据输入同步训练、验证的transformer预测模型和知识图谱预测模型，由transformer预测模型输出第一预测结果，由知识图谱预测模型输出待预测设备节点的特征向量，将特征向量输入的逆向传播神经网络分类器得到第二预测结果，将第一预测结果和第二预测结果综合运算，输出不同事故类型发生的概率。

54、本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述复杂气象下基于知识图谱的电网设备故障预测方法的步骤。

55、本发明还提供一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述复杂气象下基于知识图谱的电网设备故障预测方法的步骤。

56、本发明的实质性效果包括：

57、综合运用transformer模型和知识图谱作为概率预测的工具，数据和知识融合驱动的模式不仅会从所有历史数据记录中受益，也能充分利用知识进行故障预测，能够有效快速地预测出特定气象、地理、设备条件下电力系统设备事故的发生概率，并在数据量不大时依然能够进行预测，极大提升了故障数据利用的灵活性，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。

58、并且，transformer预测模型和知识图谱分别基于不同的原理和机制，可以各自捕捉到不同的特征和规律。将两者的预测结果综合起来，可以互相补充，降低单一模型的不确定性，提高预测的准确性、可靠性、稳定性。并且还可以根据实际情况对两者的权重进行优化分配，这可以使得综合运算的结果更加符合实际情况，提高预测的准确性和可信度。

59、同时，针对transformer预测模型的过程不可见，导致样本质量难以判断的问题，通过同步训练和使用基于知识图谱预测模型的逆向传播神经网络分类器，在出现预测准确率较低时，能够通过知识图谱预测模型找出相关联的节点和节点关系，进一步找到相关的历史案例数据，再进行调整或删除，以优化样本质量，进而使得transformer预测模型的预测准确率可以进一步提高。