电网线路的故障处理方法及装置与流程

1.本技术涉及智能电网技术领域，尤其涉及电网线路的故障处理方法及装置。


背景技术：

2.随着电力系统的快速发展、各类新能源和新型负荷的接入，电网的运行方 式日趋复杂，线路故障跳闸处理情况复杂、人工依赖性强，工作依赖调控人员 的记忆和习惯进行处理，难免出现遗漏情况，为电网安全运行带来一定的隐患。


技术实现要素：

3.本技术提供电网线路的故障处理方法及装置，以解决现有技术中电网电路 故障处理依赖人工的问题。
4.为解决上述技术问题，本技术提出一种电网线路的故障处理方法，包括： 利用知识图谱技术从电网历史线路故障处理数据中提取线路故障处理知识，并 根据线路故障处理知识构建线路故障处理知识图谱；根据电网设备以及线路故 障处理知识图谱之间的关联关系，通过规则学习提炼出线路故障处理规则；根 据线路故障处理规则对电网线路的故障进行处理，得到处理结果。
5.可选地，利用知识图谱技术从电网历史线路故障处理数据中提取线路故障 处理知识，包括：采集历史线路故障处理数据作为训练样本集；基于深度学习 技术从训练样本集中进行线路故障处理知识的抽取。
6.可选地，基于深度学习技术从训练样本集中进行线路故障处理知识的抽取， 包括：对训练样本集进行数据预处理，获得分词后的第一训练样本；对第一训 练样本进行词向量训练，从而完成线路故障处理知识的抽取。
7.可选地，根据电网设备以及线路故障处理知识图谱之间的关联关系，通过 规则学习提炼出线路故障处理规则之前，还包括：通过结构化知识抽取，获得 电网一次设备及设备间静态连接关系，形成静态设备图谱；根据态设备图谱以 及线路故障处理知识图谱之间的关联关系，通过规则学习提炼出线路故障处理 规则。
8.可选地，静态设备图谱包括设备静态连接关系、设备、变电站、地调的隶 属层级关系和设备各类静态属性，设备各类静态属性包括线路的电压等级和线 路的维护单位。
9.为解决上述技术问题，本技术提出一种电网线路的故障处理装置，包括： 线路故障处理知识图谱模块，用于利用知识图谱技术从电网历史线路故障处理 数据中提取线路故障处理知识，并根据线路故障处理知识构建线路故障处理知 识图谱；线路故障处理规则模块，用于根据电网设备以及线路故障处理知识图 谱之间的关联关系，通过规则学习提炼出线路故障处理规则；处理模块，用于 根据线路故障处理规则对电网线路的故障进行处理，得到处理结果。
10.可选地，线路故障处理知识图谱模块还用于：采集历史线路故障处理数据 作为训练样本集；基于深度学习技术从训练样本集中进行线路故障处理知识的 抽取。
11.可选地，线路故障处理知识图谱模块还用于：对训练样本集进行数据预处 理，获得分词后的第一训练样本；对第一训练样本进行词向量训练，从而完成 线路故障处理知识的抽取。
12.可选地，线路故障处理规则模块还用于：通过结构化知识抽取，获得电网 一次设备及设备间静态连接关系，形成静态设备图谱；根据态设备图谱以及线 路故障处理知识图谱之间的关联关系，通过规则学习提炼出线路故障处理规则。
13.可选地，静态设备图谱包括设备静态连接关系、设备、变电站、地调的隶 属层级关系和设备各类静态属性，设备各类静态属性包括线路的电压等级和线 路的维护单位。
14.本技术提出电网线路的故障处理方法及装置，其中方法包括：利用知识图 谱技术从电网历史线路故障处理数据中提取线路故障处理知识，并根据线路故 障处理知识构建线路故障处理知识图谱；根据电网设备以及线路故障处理知识 图谱之间的关联关系，通过规则学习提炼出线路故障处理规则；根据线路故障 处理规则对电网线路的故障进行处理，得到处理结果。通过上述方式，本技术 通过智能学习方法，利用规则学习技术，对图谱中大量的检修图谱、操作图谱 和设备图谱案例进行规则学习；利用规则对线路故障跳闸处理决策是否符合进 行检查，实现线路故障跳闸的智能化处理。
附图说明
15.为了更清楚地说明本技术的技术方案，下面将对实施方式中所需要使用的 附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施 方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
16.图1是本技术电网线路的故障处理方法一实施例的流程示意图；
17.图2是word2vec算法cbow模型的示意图；
18.图3是本技术电网线路的故障处理装置一实施例的结构示意图；图4是本技术进行句法分析一实施例的示意图。
具体实施方式
19.为使本领域的技术人员更好地理解本技术的技术方案，下面结合附图和具 体实施方式对本技术所提供电网线路的故障处理方法及装置进一步详细描述。
20.本技术提出一种电网线路的故障处理方法，请参阅图1，图1是本技术电网 线路的故障处理方法一实施例的流程示意图，在本实施例中，电网线路的故障 处理方法可以包括步骤s110～s130，各步骤具体如下：
21.s110：利用知识图谱技术从电网历史线路故障处理数据中提取线路故障处 理知识，并根据线路故障处理知识构建线路故障处理知识图谱。
22.在本实施例中，可以采集历史线路故障处理数据作为训练样本集，基于深 度学习技术从训练样本集中进行线路故障处理知识抽取。具体地，深度学习技 术可以进一步包括以下步骤：
23.1)数据预处理
24.采用最大概率路径算法找出基于词频的最大切分组合对历史操作票数据进 行分
词处理：对于任意一个语句，首先按语句中词组的出现顺序列出所有在语 料库中出现过的词组；将上述词组集中的每一个词作为一个顶点，加上开始与 结束顶点，按构成语句的顺序组织成有向图；再为有向图中每两个直接相连的 顶点间的路径赋上权值，如a
→
b，则ab间的路径权值为b的权值(若b为结 束顶点，则权值为0)；此时原问题就转化成了单源最短路径问题，通过动态规 划解出最优解即可。
25.从统计思想的角度来看，分词问题的输入是一个字串t1,t2,...,tn，输出是一个 词串s＝w1,w2,...,wm，其中m《＝n。对于一个特定的字符串t，会有多个切分方案 s对应，分词的任务就是在这些s中找出概率最大的一个切分方案，也就是对输 入字符串切分出最有可能的词序列。
26.计算目标句子t的分词方案为s的概率，其中s＝{s1,s2,...,sm}：
27.求取令概率最大的分词方案s，使得：
[0028][0029]
其中，p(s|t)指目标句子t的分词方案为s的概率，p(si|t)目标句 子t中将si作为其中一个分词的概率，p(t)指目标句子t在上下文中出现的 概率。
[0030]
算法步骤：
[0031]
①
对一个待分词的子串t，按照从左到右的顺序取出全部候选词s1,s2,...,sm；
[0032]
②
到词典中查出每个候选词的概率值p(si)，并记录每个候选词的全部左邻 词；
[0033]
③
按照步骤1计算每个候选词的累计概率，同时比较得到每个候选词的最 佳左邻词；
[0034]
④
如果当前词sm是字串t的尾词，且累计概率p(sm)最大，则sm就是t的 终点词；
[0035]
⑤
从sm开始，按照从右到左顺序，依次将每个词的最佳左邻词输出，即t 的分词结果。
[0036]
由于历史线路故障处理数据中涉及到大量专业术语，因此在采用最大概率 路径算法前可以先建立线路故障处理术语词典，采用基于词典的分词方法辅助 上述算法，实现正确分词。
[0037]
2)词向量训练
[0038]
获取历史线路故障处理分词结果，并形成故障处理术语词典后，可以采用 word2vec算法对历史操作票进行词向量训练：首先根据分词结果建立词频表， 将每个词作为输入模型矩阵的一个向量,如图所示，在训练过程中不断调整输入 层到投影层的参数矩阵，最终得到的矩阵为每一个词的词向量。请参阅图2，图 2是word2vec算法cbow模型的示意图。
[0039]
cbow模型去除了上下文各词的词序信息，使用上下文各词向量的平均值 代替神经网络语言模型使用的上文各词向量的拼接。形式化地，cbow模型对 于一段训练样本w
i-(n-1)
,...,w
i-1
，输入为：
[0040]
[0041]
训练过程就是不停调整上式中e(w)的大小,令x计算获取最大值。训练完成 后，cbow模型根据上下文表示，直接对目标词进行预测：
[0042][0043]
使用训练好的句法分析器对调度操作票进行句法分析示例如图4所示：
[0044][0045]
s120：根据电网设备以及线路故障处理知识图谱之间的关联关系，通过规 则学习提炼出线路故障处理规则。
[0046]
线路故障处理知识图谱可以包括电网设备图谱和线路设备图谱，具体地：
[0047]
1、电网设备图谱：
[0048]
电网一次设备模型cim包含了电网一次设备及设备间静态连接关系，通过 结构化知识抽取，可形成基本的静态设备图谱；静态图谱包含设备静态连接关 系、设备、变电站、地调的隶属层级关系，设备各类静态属性如，线路的电压 等级、线路的维护单位。其中，表1是实体属性表。
[0049]
表1实体属性表
[0050][0051]
2、线路设备图谱：
[0052]
设备元件包括开关、母线、主变、线路、刀闸等。构建线路设备图谱的顶 点集合：
[0053]
v＝(v1，v2，...,vn)
[0054]
其中vi代表接线图中的一个元器件，是一个d维向量，d为接线图中的设备 类型数。
[0055]
令vi＝(x
i1
，x
i2
，...,x
id
)
t
,其中x
ij
＝1时，代表vi是第j类设备，否则x
ij
＝0。
[0056]
设一条随机游走序列：
[0057]
s＝(v1，v2，...,v
len
)；
[0058]
序列长度为len，采样窗口大小为w，则目标节点vi的上下文邻居集合为：
[0059]
n(v)＝(v
i-w
，...,v
i-1
,v
i+1
,...,v
i+w
)。
[0060]
deepwalk的目标为最大化中心节点和其上下文节点共同出现的概率：
[0061][0062]
根据节点嵌入表示之间条件独立和嵌入空间的对称效应，目标函数又可表 示为：
[0063][0064]
其中，f(x)是目标函数，算法的目的就是要找到使得概率最大的目标函数。 应用到本发明中，可以理解为：通过计算，判断该设备属于哪种类型的概率最 高，就判断这个设备属于哪种类型。
[0065]
3、规则学习：
[0066]
规则学习是指在本体抽取过程中，对包含了实体、关系的通用句式或者模 板进行学习的过程。
[0067]
本发明采用“自顶向下”规则学习算法，从训练数据集最显著的条件项出发， 不断增加条件项约束，缩小规则覆盖范围，直至得到满足搜索要求的规则语句 的学习过程。规定训练数据集中每一个数据项可表示为(a1,a2,...,am,r)，其中 a1,a2,...,am为数据项的m项属性类型，第i项属性类型有si项取值可能，r为判定 结果，包括r种取值可能。在本发明中，各项属性类型包括设备图谱中的实体 属性、操作图谱中的设备类型、操作类型、操作步骤等内容。
[0068]
根据在训练样本集及设备图谱中各类判定结果r出现次数，可以确定r在各 种情况取值下的概率，概率越高，则显著性越强。选取显著性最强的判定结果 取值，计算不同属性不同取值与该判定结果取值的相关性：
[0069][0070]
上式中，cor()为满足r＝ri,aj＝a
j,m
条件的相关性函数；count()为计数函 数，data为训练数据集。
[0071]
统计显著性最强的判定结果ri下所有属性取值与其相关性，相关性最高的一 项为初始规则体条件。
[0072]
根据相关性概率，完善规则体语句。在aj＝a
j,m
条件下，继续搜索其他属性 取值与各判定结果相关性，并将相关性最高的属性条件补充进规则体语句，直 至达到收敛条件为止。
[0073]
例如，训练样本可以整理的属性可以描述成a1,a2,...,am的形式，属性类型包 括设备图谱中的实体属性、操作图谱中的设备类型、操作类型、操作步骤等内 容,而r是操作类型。从训练集合中，可以计算出每一种类型aj下，各种操作类 型r的概率。本实施例所做的工作就是计算对于需要进行规则判断的情况下，用 公式cor(x)计算出对应于每个属性
的操作类型的概率，最后取其中最大的操 作类型。
[0074]
s130：根据线路故障处理规则对电网线路的故障进行处理，得到处理结果。
[0075]
此外，在其他的一些实施例中，还可以根据线路故障处理规则建立规则库。 具体地，通过规则学习，获得初始线路故障处理规则知识库，同时提供人工规 则核对和确认手段进行规则补充，通过“规则学习+人工确认”手段，形成线路 故障处理校核知识库。
[0076]
综上，本实施例公开了采用深度学习技术从历史线路故障处理数据中进行 线路故障处理知识抽取的方法、线路设备图谱构建方法以及3、线路设备图谱与 线路故障处理知识图谱结合构建智能故障处理决策知识库的方法。通过构建电 网线路故障处理知识图谱，挖掘电网故障处理图谱与线路设备图谱之间的关联 关系，再通过规则学习进一步提炼线路故障处理规则，通过智能学习方法，利 用规则学习技术，对图谱中大量的检修图谱、故障处理图谱和设备图谱案例进 行规则学习；利用学习的规则库对线路故障跳闸处理决策是否符合进行检查， 实现线路故障跳闸处理智能化决策，大大降低人力投入，提升操作效率。
[0077]
本技术还提出一种电网线路的故障处理装置，请参阅图3，图3是本技术电 网线路的故障处理装置一实施例的结构示意图，在本实施例中，电网线路的故 障处理装置可以包括：
[0078]
线路故障处理知识图谱模块110，用于利用知识图谱技术从电网历史线路故 障处理数据中提取线路故障处理知识，并根据线路故障处理知识构建线路故障 处理知识图谱。
[0079]
线路故障处理规则模块120，用于根据电网设备以及线路故障处理知识图谱 之间的关联关系，通过规则学习提炼出线路故障处理规则。
[0080]
处理模块130，用于根据线路故障处理规则对电网线路的故障进行处理，得 到处理结果。
[0081]
可选地，线路故障处理知识图谱模块110还用于：采集历史线路故障处理 数据作为训练样本集；基于深度学习技术从训练样本集中进行线路故障处理知 识的抽取。
[0082]
可选地，线路故障处理知识图谱模块110还用于：对训练样本集进行数据 预处理，获得分词后的第一训练样本；对第一训练样本进行词向量训练，从而 完成线路故障处理知识的抽取。
[0083]
可选地，线路故障处理规则模块120还用于：通过结构化知识抽取，获得 电网一次设备及设备间静态连接关系，形成静态设备图谱；根据态设备图谱以 及线路故障处理知识图谱之间的关联关系，通过规则学习提炼出线路故障处理 规则。
[0084]
可选地，静态设备图谱包括设备静态连接关系、设备、变电站、地调的隶 属层级关系和设备各类静态属性，设备各类静态属性包括线路的电压等级和线 路的维护单位。
[0085]
本技术提出电网线路的故障处理方法及装置，其中方法包括：利用知识图 谱技术从电网历史线路故障处理数据中提取线路故障处理知识，并根据线路故 障处理知识构建线路故障处理知识图谱；根据电网设备以及线路故障处理知识 图谱之间的关联关系，通过规则学习提炼出线路故障处理规则；根据线路故障 处理规则对电网线路的故障进行处理，得到处理结果。通过上述方式，本技术 通过智能学习方法，利用规则学习技术，对图谱中大量的检修图谱、操作图谱 和设备图谱案例进行规则学习；利用规则对线路故障跳闸处理决策是否符合进 行检查，实现线路故障跳闸的智能化处理。
[0086]
可以理解的是，此处所描述的具体实施例仅用于解释本技术，而非对本申 请的限定。另外为了便于描述，附图中仅示出了与本技术相关的部分而非全部 结构。文中所使用的步骤编号也仅是为了方便描述，不对作为对步骤执行先后 顺序的限定。基于本技术中的实施例，本领域普通技术人员在没有做出创造性 劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0087]
本技术中的术语“第一”、“第二”等是用于区别不同对象，而不是用于 描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于 覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品 或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或 单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单 元。
[0088]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特 性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语 并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实 施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与 其它实施例相结合。
[0089]
以上所述仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是 利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接 运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。