本發(fā)明涉及故障診斷，特別是涉及一種基于事件知識圖譜的變電站自動化設備故障診斷方法及系統(tǒng)。

背景技術：

1、隨著變電站自動化設備故障診斷技術發(fā)展，有通過故障特征表進行故障判斷的，有通過知識圖譜進行故障推理的，現(xiàn)有方法可以總結為：通過獲取設備運行數(shù)據(jù)，利用預設狀態(tài)診斷模型和電力知識圖譜進行診斷，輸出結果至電力調度系統(tǒng)。通過實時檢測故障告警數(shù)據(jù)，構建特征集合，利用預訓練模型進行故障定位，反饋故障位置。通過故障信息庫和系統(tǒng)數(shù)據(jù)辨識，分析故障類型和位置。通過獲取運行數(shù)據(jù)，分類整合數(shù)據(jù)，構建故障檢測模型，快速準確定位故障節(jié)點。

2、現(xiàn)有的方法存在以下幾點問題：

3、(1)現(xiàn)有非基于知識圖譜的自動化設備故障診斷方法效果差，僅利用某一時刻的狀態(tài)信號數(shù)據(jù)，通過先整理故障模板，再結合閾值判定的方式，判斷某時刻的設備信號是否有某種故障，這種判定方式固定單一，不能準確判斷故障情況。

4、(2)現(xiàn)有利用知識圖譜的方法，在對自動化設備常規(guī)知識圖譜構建中，會使用到設備臺賬、scd(substation?configuration?description，全站系統(tǒng)配置文件)、pms(plantmanagement?system，設備管理系統(tǒng))缺陷記錄多源數(shù)據(jù)，但缺少有效方法實體對齊，通過人工定義相似集進行對齊或通過簡單的文字相似度進行對齊，對齊效果差，無法有效解決一個實體對應多個名稱的問題。

5、(3)現(xiàn)有利用常規(guī)知識圖譜進行自動化設備故障診斷，常規(guī)知識圖譜的構建信息不夠全面，故障信息關聯(lián)性差，沒有圍繞具體故障信息進行關聯(lián)圖譜構建，因此導致故障結果信息推理不準確，無法給出準確的故障和故障處置建議，不能有效輔助工作人員進行故障排查。

技術實現(xiàn)思路

1、鑒于此，本發(fā)明提供一種基于事件知識圖譜的變電站自動化設備故障診斷方法及系統(tǒng)。

2、本發(fā)明公開了一種基于事件知識圖譜的變電站自動化設備故障診斷方法，其包括：

3、建立自動化設備故障的最終事件知識圖譜；

4、取自動化設備故障的最終事件知識圖譜中的每一個設備的每一類故障相關的信號集作為故障信號子圖譜，并采集故障信號子圖譜中涉及的故障信號數(shù)據(jù)，得到故障信號圖數(shù)據(jù)集；

5、將故障信號圖數(shù)據(jù)集劃分為訓練集、驗證集和測試集，將訓練集和驗證集輸入到時空圖卷積神經(jīng)網(wǎng)絡基礎模型中，進行自動化設備故障診斷模型訓練和驗證，得到自動化設備故障診斷模型，自動化設備故障診斷模型對測試集中的故障信號子圖譜進行分類，輸出故障設備和故障類型。

6、進一步地，所述建立自動化設備故障的最終事件知識圖譜，包括：

7、通過標注自動化設備領域語料數(shù)據(jù)，按照預設比例混合通用語料數(shù)據(jù)，對albert基礎模型進行多輪訓練，得到可提取自動化設備領域語料數(shù)據(jù)高維特征的特征提取模型；

8、針對自動化設備故障事件，從自動化設備的故障案例、臺賬、scd、pms缺陷記錄數(shù)據(jù)中抽取故障事件相關的實體、關系、屬性三元組，構建初級事件知識圖譜；實體的類型包括故障設備、故障類型、故障等級、故障信號、故障處置建議；

9、利用訓練好的特征提取模型，對初級事件知識圖譜中的實體進行對齊操作，推理合并不同文字描述但表示同一語義的實體，將這些實體修改為同一文字描述，并合并實體，完成實體對齊，得到自動化設備故障的最終事件知識圖譜。

10、進一步地，所述通過標注自動化設備專業(yè)語料數(shù)據(jù)，按照預設比例混合通用語料數(shù)據(jù)，對albert基礎模型進行多輪訓練，得到可提取自動化設備領域語料數(shù)據(jù)高維特征的特征提取模型，包括：

11、通過爬蟲網(wǎng)頁搜集并標注自動化設備領域語料數(shù)據(jù)，按照預設比例將標注后的自動化設備領域語料數(shù)據(jù)與通用領域語料數(shù)據(jù)混合，得到自動化設備的混合語料數(shù)據(jù)并將其輸入到albert基礎模型進行多輪訓練，albert基礎模型將混合語料數(shù)據(jù)轉換成詞嵌入向量，再采用自注意機制對詞嵌入向量進行特征提取和特征表示，經(jīng)訓練，得到可提取混合語料數(shù)據(jù)高維特征的特征提取模型；每個詞嵌入向量由詞嵌入、位置嵌入和分段嵌入組成。

12、進一步地，所述利用訓練好的特征提取模型，對初級事件知識圖譜中的實體進行對齊操作，推理合并不同文字描述但表示同一語義的實體，將這些實體修改為同一文字描述，并合并實體，完成實體對齊，得到自動化設備故障的最終事件知識圖譜，包括：

13、利用訓練好的特征提取模型，對初級事件知識圖譜中的實體進行對齊操作，通過將所有同類型實體轉換成的詞嵌入向量，提取高維特征，采用余弦相似度法計算高維特征相似度，并設定相似度閾值，當計算相似度超過該閾值，即判斷是不同文字描述但表示同一語義的實體，將這些實體修改為同一文字描述，并合并實體，完成實體對齊，得到精簡化的自動化設備故障的最終事件知識圖譜。

14、進一步地，所述取自動化設備故障的最終事件知識圖譜中的每一個設備的每一類故障相關的信號集作為故障信號子圖譜，并采集故障信號子圖譜中涉及的故障信號數(shù)據(jù)，得到故障信號圖數(shù)據(jù)集，包括：

15、取最終事件知識圖譜中每一個設備的每一類故障相關的信號集作為故障信號子圖譜，并采集故障信號子圖譜中涉及的故障信號數(shù)據(jù)，需要采集自動化設備正常狀態(tài)和故障狀態(tài)下一段時間間隔內的產(chǎn)生的信號時序數(shù)據(jù)，并按照故障信號子圖譜所屬的故障設備和故障類型作為標簽進行故障信號子圖譜數(shù)據(jù)標注，得到故障信號圖數(shù)據(jù)集。

16、進一步地，所述將訓練集和驗證集輸入到時空圖卷積神經(jīng)網(wǎng)絡基礎模型中，進行自動化設備故障診斷模型訓練和驗證，得到自動化設備故障診斷模型，包括：

17、將訓練集和驗證集輸入到時空圖卷積神經(jīng)網(wǎng)絡基礎模型中，進行自動化設備故障診斷模型訓練和驗證，時空圖卷積神經(jīng)網(wǎng)絡分為空間特征提取模塊和時間特征提取模塊，將圖卷積神經(jīng)網(wǎng)絡和門控卷積神經(jīng)網(wǎng)絡提取的特征進行融合，根據(jù)融合特征進行故障信號子圖譜分類，得到自動化設備故障診斷模型。

18、進一步地，空間特征提取模塊采用圖卷積神經(jīng)網(wǎng)絡，提取故障信號子圖譜數(shù)據(jù)的全圖特征，學習得到不同類別故障信號之間的空間特征分布；時間特征提取模塊采用門控卷積神經(jīng)網(wǎng)絡，提取故障信號的時序特征分布。

19、進一步地，所述輸出故障設備和故障類型之后，還包括：

20、基于最終事件知識圖譜，對自動化設備故障診斷模型進行故障結果補全。

21、進一步地，所述基于最終事件知識圖譜，對自動化設備故障診斷模型進行故障結果補全，包括：

22、利用自動化設備故障診斷模型進行故障結果推理，自動化設備故障診斷模型的輸入是最終事件知識圖譜中的自動化設備產(chǎn)生的故障信號時序數(shù)據(jù)，輸出的是完整故障診斷結果，實現(xiàn)故障診斷；完整故障診斷結果是結合最終事件知識圖譜，根據(jù)故障設備和故障類型推理得到的；其中，完整故障診斷結果包括故障設備、故障類型、故障等級、故障關聯(lián)設備、故障判定信號、故障處置建議。

23、本發(fā)明還公開了一種基于事件知識圖譜的變電站自動化設備故障診斷系統(tǒng)，實現(xiàn)上述任一項所述的基于事件知識圖譜的變電站自動化設備故障診斷方法，其包括：

24、圖譜構建模塊，用于建立自動化設備故障的最終事件知識圖譜；

25、采集模塊，用于取自動化設備故障的最終事件知識圖譜中的每一個設備的每一類故障相關的信號集作為故障信號子圖譜，并采集故障信號子圖譜中涉及的故障信號數(shù)據(jù)，得到故障信號圖數(shù)據(jù)集；

26、故障診斷模塊，用于將故障信號圖數(shù)據(jù)集劃分為訓練集、驗證集和測試集，將訓練集和驗證集輸入到時空圖卷積神經(jīng)網(wǎng)絡基礎模型中，進行自動化設備故障診斷模型訓練和驗證，得到自動化設備故障診斷模型，自動化設備故障診斷模型對測試集中的故障信號子圖譜進行分類，輸出故障設備和故障類型。

27、由于采用了上述技術方案，本發(fā)明具有如下的優(yōu)點：

28、1.本發(fā)明構建的最終事件知識圖譜更準確、更清晰，有效解決圖譜構建過程中針對同一實體的不同描述問題。該效果來源自基于albert文本理解模型的自動化設備事件知識圖譜實體對齊。

29、2.本發(fā)明利用設備產(chǎn)生的信號時序數(shù)據(jù)和故障信號子圖譜，進行模型訓練，提高了故障診斷的準確率，準確定位故障設備，并提供故障處置建議。實驗過程共采集變電站的3類(測控裝置、時間同步裝置、遠動裝置)共30個自動化設備的2000組數(shù)據(jù)，涉及10種故障，并進行訓練和測試(訓練集/驗證集/測試集：1400/400/200組)，對測試結果統(tǒng)計，故障設備和故障類型診斷準確率達97.5％。