一种基于知识图谱的电力故障影响范围分析方法、装置及电子设备与流程

1.本发明涉及一种基于知识图谱的电力故障影响范围分析方法、装置及电子设备，属于电网故障影响分析技术领域。


背景技术：

2.随着新型电力系统逐步向配电侧和用户侧衍生和供电保障可靠性要求的不断提高，电力大数据分析迎来了新的挑战和机遇。
3.针对调度主网、配电自动化等故障场景，现有研究集中于采用潮流计算方法进行电网故障分析、故障定位和可能引起的连锁故障等方面，而且主要针对主网和配网领域进行研究，缺少用户侧低压配电故障影响范围分析，同时受限于主网、配网和用户侧的电网资产管理和运行模型壁垒，缺少覆盖输配用从500kv到380v全电压等级电网故障分析研究，一旦电力故障引起用户侧连锁故障，这将严重威胁到重要用户负荷的安全运行，对供电保障产生严重影响。
4.针对主网、配网和用户侧全电压等级电网故障分析，电力设备本体运行情况以及电网中相关联的其他电力设备可能对故障分析结果准确性的影响的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.目的：为了克服现有技术中存在的不足，本发明提供一种基于知识图谱的电力故障影响范围分析方法、装置及电子设备，引入知识图谱技术进行关联性分析，并在电网潮流的基础上考虑电力设备本体温度、环境温度、环境湿度、运行时长、历史告警数、运维记录数等多维度信息，实现输配用从500kv到380v的全电压等级电力故障影响范围分析。
6.技术方案：为解决上述技术问题，本发明采用的技术方案为：
7.第一方面，一种基于知识图谱的电力故障影响范围分析方法，包括如下步骤：
8.步骤1：分别进行主网模型、配网模型和用户侧配电模型融合，建立统一电力运行模型。
9.步骤2：采用自上而下的方法构建统一电力运行模型的电力知识图谱，形成网状结构的电力知识图谱关系模型。
10.步骤3：建立各类电力设备风险状态评估指标体系，综合考虑专家经验和指标波动情况，计算电力设备风险值。
11.步骤4：根据电力知识图谱关系模型计算关联设备贡献风险值。
12.步骤5：基于电力设备风险值和关联设备贡献风险值计算设备综合风险值。
13.步骤6：结合电网运行潮流筛选设备综合风险值超过阈值的电力设备，确定电力故障影响范围。
14.作为优选方案，所述步骤1，包括如下步骤：
15.步骤1.1：分别将主网模型与pms设备资产模型，配网模型与pms配电设备资产模型和用户侧配电模型与用户配电台账模型采用最小编辑距离算法建立映射关系，得到融合后的主网模型，配网模型和用户侧配电模型。
16.步骤1.2：基于sg-cim规范，在融合后的主网模型中10kv出线点与融合后的配网模型中10kv入线点进行拼接，在融合后的配网模型中配网分界室10kv出线点与融合后的用户侧配电模型中10kv入线点进行拼接，最终建立统一电力运行模型。
17.作为优选方案，所述步骤2，包括如下步骤：
18.步骤2.1：获取统一电力运行模型中本体，根据本体获取本体类型和本体关系。步骤2.2：对关于本体的结构化数据进行知识抽取，得到实体和三元组。
19.步骤2.3：对关于本体的非结构化数据进行知识抽取，得到实体和三元组。步骤2.4：将知识抽取得到的知识进行知识融合，得到实体-关系-实体的三元组，获得实体-关系-实体的三元组后，进行知识表示，形成电力知识图谱关系模型，并存储于neo4j图数据库中。
20.作为优选方案，所述步骤2.1，具体包括如下步骤：
21.步骤2.1.1：确定统一电力运行模型中本体所处的领域、包含的信息、上层应用和使用人员。
22.步骤2.1.2：重用与统一电力运行模型中本体有相同领域的其他本体。
23.步骤2.1.3：针对需求将本体按场景进行局部本体设计，再将局部本体合并成一个完整的本体。
24.步骤2.1.4：列出本体中的重要术语，并根据重要术语得到关心的数据。
25.步骤2.1.5：定义本体中类和类的继承，包括：采用自顶向下的方式从最通用的概念开始，然后通过不断细化的方式添加子概念，并构建类和类的继承。
26.步骤2.1.6：定义本体中属性和关系，包括：定义本体的属性和关系，属性和关系分为两种，一种是值属性，用来描述概念本身的属性，值属性连接着特定的字面值类型。另一种是关系属性，用来描述两个概念之间的关系。
27.步骤2.1.7：定义本体中属性的限制，包括：属性的基数、属性值的类型，以及属性的定义域和值域。
28.步骤2.1.8：根据本体，本体中重要术语、类和类的继承、属性和关系和属性的限制设计出一个初步的本体，电力领域的专家对设计出一个初步的本体进行是否符合实际场景的判断，如果符合，则输出电力知识图谱关系模型的本体，如果不符合，返回步骤2.1.3。
29.作为优选方案，所述步骤2.2，包括如下步骤：
30.本体的电力数据分布在多个系统中，针对各个电力子系统的数据库设计文档，梳理出数据之间的关系，从数据库中抽取出需要的结构化数据。
31.对于结构化数据，采用基于映射规则的知识抽取方法，从多个数据源中抽取所需要的实体和三元组。
32.作为优选方案，所述步骤2.3，包括如下步骤：
33.非结构化数据包括故障预案和故障简报，结合电力领域数据的特点，采用深度学习的方式从故障预案和故障简报中抽取出相应的故障知识，故障知识中涉及到的电力设备与知识库中的相关节点进行关联，再一起合并到知识库中。
34.作为优选方案，所述步骤3，包括如下步骤：
35.步骤3.1：构建电力设备风险状态评估指标体系，所述电力设备风险状态评估指标体系包括：电流、电压、负载率、本体温度、环境温度、环境湿度、运行时长、历史告警数、运维记录数。
36.步骤3.2：计算电力设备i的指标x的偏离程度计算公式如下：
[0037][0038]
其中，xi为电力设备i的指标x，low为指标x的偏离下限值；high指标x的偏离上限值。
[0039]
步骤3.2：计算电力设备风险值scorei，计算方法如下：
[0040][0041]
其中，scorei为电力设备i的电力设备风险值，为电力设备i指标x的偏离程度；ω
x
为电力设备i指标x的权重，x为指标的数量。
[0042]
作为优选方案，所述步骤4，包括如下步骤：
[0043]
步骤4.1：获取电力知识图谱关系模型中电力设备连接关系的有向图，并用邻接矩阵表示，其中，n个连接电力设备的邻接矩阵m为：
[0044]
m＝(m
ij
)n×n[0045]
其中，m
ij
为有向图中电力设备j指向电力设备i的边的数目。
[0046]
步骤4.2：根据邻接矩阵m，获取电力设备i的出度di，计算公式如下：
[0047][0048]
其中，m
ik
为邻接矩阵m中第i行第k列元素。
[0049]
步骤4.3：计算电力设备i的关联设备贡献风险值sconni，计算公式如下：
[0050][0051]
其中，scoren为电力设备n的电力设备风险值。
[0052]
作为优选方案，所述设备综合风险值vari，计算公式如下：
[0053][0054]
进一步的，所述步骤6：包括如下步骤：
[0055]
步骤6.1：计算有连接关系的电力设备连接线路实时有功功率。
[0056]
步骤6.2：在设备综合风险值大于阈值的电力设备中剔除连接线路实时有功功率为0的电力设备，剩余电力设备则为电力故障影响范围。
[0057]
第二方面，一种基于知识图谱的电力故障影响范围分析装置，包括如下模块：
[0058]
电力运行模型构建模块：用于分别进行主网模型、配网模型和用户侧配电模型融
合，建立统一电力运行模型。
[0059]
电力知识图谱构建模块：用于采用自上而下的方法构建统一电力运行模型的电力知识图谱，形成网状结构的电力知识图谱关系模型。
[0060]
电力设备风险值计算模块：用于建立各类电力设备风险状态评估指标体系，综合考虑专家经验和指标波动情况，计算电力设备风险值。
[0061]
关联设备贡献风险值计算模块：根据电力知识图谱关系模型计算关联设备贡献风险值。
[0062]
设备综合风险值计算模块：用于基于电力设备风险值和关联设备贡献风险值计算设备综合风险值。
[0063]
电力故障影响范围确定模块：用于结合电网运行潮流筛选设备综合风险值超过阈值的电力设备，确定电力故障影响范围。
[0064]
第三方面，一种电子设备，包括：处理器和存储器；所述处理器与所述存储器连接；所述存储器用于存储程序指令。
[0065]
所述处理器，用于通过调用所述存储器中存储的所述程序指令，以执行第一方面所述的基于知识图谱的电力故障影响范围分析方法。
[0066]
有益效果：本发明提供的一种基于知识图谱的电力故障影响范围分析方法、装置及电子设备，本发明建立500kv-380v统一电力运行模型，采用知识图谱构建电力设备连接关系，同时考虑电力设备连接关系、电力指标波动、电网实时运行潮流联合判定电力故障影响范围，提高了故障影响范围判定的准确性和可靠性。与现有技术相比，本发明具有如下有益效果：
[0067]
(1)、将主网、配网和用户侧配电模型进行融合，实现发输配用从500kv到380v全电压等级的电网运行模型分析，打破不同电网模型之间的隔阂。
[0068]
(2)、在电力设备风险计算时从电网潮流基础上进一步融合电力设备本体温度、环境温度、环境湿度、运行时长、历史告警数、运维记录数等多维度信息，提高了故障分析的准确性和可靠性。
[0069]
(3)、采用知识图谱技术，综合考虑电力设备本身可相关联设备可能带来的附加影响，同时考虑电网实时潮流，提高影响范围边界定位准确性，避免了故障影响范围漏判和误判。
附图说明
[0070]
图1是本发明中方法流程图。
[0071]
图2是本发明中电力知识图谱本体构建流程图。
[0072]
图3是本发明中电力知识图谱的知识抽取流程图。
具体实施方式
[0073]
下面结合附图对本发明作更进一步的说明。
[0074]
如图1所示，第一种实施例一种基于知识图谱的电力故障影响范围分析方法，包括如下步骤：
[0075]
步骤1、分别进行主网模型、配网模型和用户侧配电模型融合，建立统一电力运行
模型。
[0076]
步骤2、采用自上而下的方法构建统一电力运行模型的电力知识图谱，形成网状结构的电力知识图谱关系模型。
[0077]
步骤3、建立各类电力设备风险状态评估指标体系，综合考虑专家经验和指标波动情况，计算电力设备风险值。
[0078]
步骤4、根据电力知识图谱关系模型计算关联设备贡献风险值。
[0079]
步骤5、基于电力设备风险值和关联设备贡献风险值计算设备综合风险值。
[0080]
步骤6、结合电网运行潮流筛选设备综合风险值超过阈值的电力设备，确定电力故障影响范围。
[0081]
进一步的，所述步骤1，包括如下步骤：
[0082]
分别将主网模型与pms设备资产模型，配网模型与pms配电设备资产模型和用户侧配电模型与用户配电台账模型，采用最小编辑距离算法建立映射关系，得到融合后的主网模型，配网模型和用户侧配电模型。
[0083]
基于sg-cim(国家电网公司统一数据模型)规范，在融合后的主网模型中10kv出线点与融合后的配网模型中10kv入线点进行拼接，在融合后的配网模型中配网分界室10kv出线点与融合后的用户侧配电模型中10kv入线点进行拼接，最终建立统一电力运行模型。
[0084]
进一步的，所述主网模型包括500kv、220kv、110kv和10kv四种电压等级的主网电网模型，所述配网模型包括10kv电压等级的配网电网模型，所述用户侧配电模型包括10kv和380v两种电压等级的用户电网模型。所述统一电力运行模型按照电压等级从高到低为：500kv、220kv、110kv、10kv、380v。
[0085]
进一步的，所述步骤2，包括如下步骤：
[0086]
本发明构建的电力知识图谱关系模型涵盖500kv、220kv、110kv、10kv、380v五种电压等级电力设备，电力知识图谱属于垂直领域知识图谱，专业性较强，适合采用自上而下的方法构建，通过和电力行业专家的交流讨论了解相关的电力知识，紧密结合供电保障实际需求，分析出需要涉及的本体类型和关系。
[0087]
步骤2.1：获取统一电力运行模型中本体，根据本体获取本体类型和本体关系。如图2所示，所述步骤2.1，具体包括如下步骤：
[0088]
步骤2.1.1：确定本体的领域和范围，包括：统一电力运行模型中本体所处的领域、包含的信息、上层应用、使用人员。
[0089]
步骤2.1.2：考虑重用现有本体，包括：考虑重用与统一电力运行模型中本体有相同领域的其他本体。由于统一电力运行模型本身就是数据的高度抽象，所以如果有相同领域的其他本体，那么他们会有很大的参考价值，可以节省大量的工作。步骤2.1.3：划分需求模块，包括：针对需求将本体按场景进行局部本体设计，再将局部本体合并成一个完整的本体。由于电力系统数据来源众多，数据关系复杂，为了减少数据的冗余，针对主要需求将本体分为多个场景进行，分别针对各个场景设计局部本体，最后合并成一个完整的本体。
[0090]
步骤2.1.4：列出本体中的重要术语，并根据重要术语得到关心的数据。所述重要术语包含了在业务进行中会涉及到的大部分数据。
[0091]
步骤2.1.5：定义本体中类和类的继承，包括：采用自顶向下的方式从最通用的概念开始，然后通过不断细化的方式添加子概念，并构建类和类的继承。
[0092]
步骤2.1.6：定义本体中属性和关系，包括：定义本体的属性和关系，属性和关系分为两种，一种是值属性，用来描述概念本身的属性，值属性连接着特定的字面值类型。例如“场馆”这个类型可以具有值属性“name”表示姓名。另一种是关系属性，用来描述两个概念之间的关系。例如“场馆”和“分界室”之间可能存在“分界室信息”关系，这表示两个不同类型的实体之间的关系。
[0093]
步骤2.1.7：定义本体中属性的限制，包括：属性的基数、属性值的类型，以及属性的定义域和值域。
[0094]
步骤2.1.8：质量评估，包括：根据本体，本体中重要术语、类和类的继承、属性和关系和属性的限制设计出一个初步的本体，电力领域的专家对设计出一个初步的本体进行是否符合实际场景的判断，如果符合，则输出电力知识图谱关系模型的本体，如果不符合，返回步骤2.1.3，重新划分需求模块。
[0095]
步骤2.2：对关于本体的结构化数据进行知识抽取，得到实体和三元组。
[0096]
本体的电力数据分布在多个系统中，针对各个电力子系统的数据库设计文档，梳理出数据之间的关系，从数据库中抽取出需要的结构化数据，就可以获得大量的电力领域知识。对于大量的保电结构化数据，采用基于映射规则的知识抽取方法，从多个数据源中抽取所需要的实体和三元组。
[0097]
如图3所示，以供电保障为例，数据的抽取从场馆和电站开始。首先抽取所有涉及到的场馆和电站，再以这些节点为核心，扩展到其他节点，最后围绕这些节点将一些工单、保障人员、保障计划等数据导入其中，这样可以避免大量无用数据的抽取。
[0098]
步骤2.3：对关于本体的非结构化数据进行知识抽取，得到实体和三元组。
[0099]
非结构化数据主要有故障预案和故障简报等，结合电力领域数据的特点，采用深度学习的方式从文本中抽取出相应的故障知识，故障中涉及到的设备需要知识库中的相关节点进行关联，再一起合并到知识库中。
[0100]
非结构化数据包括对故障预案和故障简报文档的处理，文档中包含各个系统中出现的故障要素，通过深度学习模型将这些实体抽取出来后，与知识库中的节点进行关联，从而将多个系统中出现的实体映射到同一个知识库中。
[0101]
本专利使用字典树+规则+bert的方式实现命名实体识别。具体步骤如下：
[0102]
步骤2.3.1：将知识库中的相关节点的名称和字段名输入到字典树中，字典树会建立一个树型结构用于快速检索。例如对于“场馆id”和“场馆名称”，可以联机树型结构如下：
[0103][0104]
对于一段在文档中出现的描述，可以在字典树中做精确检索，通过字典树的树型结构可使得检索的速度大大增加。
[0105]
步骤2.3.2：基于正则表达式的实体识别。正则匹配模块主要用于识别强规则的实体，如日期/时间。其识别规则如下：
[0106]
pattern_date＝r"\d{1,4}年\d{1,2}月\d{1,2}[日号]{1}|\d{1,4}年\d{1,2}月|\d{1,2}月\d{1,2}[日号]{1}|\d{1,4}年|\d{1,2}月|\d{1,2}[日号]{1}"。pattern_time＝r"[01]？[0-9]{1}:[0-5]{1}[0-9]{1}|2[0-3]{1}[0-5]{1}[0-9]{1}"。
[0107]
步骤2.3.2：基于bert的实体识别。使用bert+bilstm+crf的模型结构。输入为文本格式数据，内容为文档中的一小个段落，输出为符合bio标签约束的带标签的词向量数组。
[0108]
bio标签一共有三个标记，如下：
[0109]
b：名词短语的开头。
[0110]
i：名词短语的中间。
[0111]
o：不是名词短语。
[0112]
例如对于“五棵松站上级站点的告警信息”模型的输出为：
[0113][0114][0115]
根据模型的输出，可以得到实体“五颗松站”。
[0116]
步骤2.4：将知识抽取得到的知识进行知识融合，得到实体-关系-实体的三元组，获得实体-关系-实体的三元组后，进行知识表示，形成电力知识图谱关系模型，并存储于neo4j图数据库中。
[0117]
进一步的，所述步骤3，包括如下步骤：
[0118]
对于电力设备，可以认为维护的频率越高就越安全，发生故障的次数越多就越危险。
[0119]
步骤3.1：构建电力设备风险状态评估指标体系，所述电力设备风险状态评估指标体系包括：电流、电压、负载率、本体温度、环境温度、环境湿度、运行时长、历史告警数、运维记录数。
[0120]
步骤3.2：计算电力设备i的指标x的偏离程度计算公式如下：
[0121][0122]
其中，xi为电力设备i的指标x，low为指标x的偏离下限值；high指标x的偏离上限值。
[0123]
步骤3.2：计算电力设备风险值scorei，计算方法如下：
[0124][0125]
其中，scorei为电力设备i的电力设备风险值，为电力设备i指标x的偏离程度；ω
x
为电力设备i指标x的权重，x为指标的数量。
[0126]
进一步的，所述步骤4，包括如下步骤：
[0127]
风险评估用于评估关键节点的风险值，主要考虑到两个因素：设备自身的状态、发生故障时产生的影响，综合这两个因素给出一个量化的分值，分值越高，风险越大。单个设备的故障可能会影响其他设备的运行，因此，故障的风险也是在一个范围内扩散的。
[0128]
步骤4.1：获取电力知识图谱关系模型中电力设备连接关系的有向图，并用邻接矩阵表示，其中，n个连接电力设备的邻接矩阵m为：
[0129]
m＝(m
ij
)n×n[0130]
其中，m
ij
为有向图中电力设备j指向电力设备i的边的数目。
[0131]
步骤4.2：根据邻接矩阵m，获取电力设备i的出度di，计算公式如下：
[0132][0133]
其中，m
ik
为邻接矩阵m中第i行第k列元素。
[0134]
步骤4.3：计算电力设备i的关联设备贡献风险值sconni，计算公式如下：
[0135][0136]
其中，scoren为电力设备n的电力设备风险值。
[0137]
所述设备综合风险值，包括：考虑到单个设备发生风险时可能会造成其他设备的一系列故障，因此计算出初步的分数后，还要将与该节点关联的节点的风险值考虑进来，电力设备i的综合风险值vari计算方法如下：
[0138][0139]
进一步的，所述步骤6：包括如下步骤：
[0140]
电力故障影响范围不仅是风险在电网中连接关系的扩散，还要结合电网实时运行情况。
[0141]
步骤6.1：计算有连接关系的电力设备连接线路实时有功功率。
[0142]
步骤6.2：在设备综合风险值大于阈值的电力设备中剔除连接线路实时有功功率为0的电力设备，剩余电力设备则为电力故障影响范围。
[0143]
例如只有通电的线路才是投入使用的线路，对于备用线路则不会纳入影响范围
中，相应的，通过备用线路相连的其他设备也会被忽略。
[0144]
第二种实施例一种基于知识图谱的电力故障影响范围分析装置，包括如下模块：电力运行模型构建模块：用于分别进行主网模型、配网模型和用户侧配电模型融合，建立统一电力运行模型。
[0145]
电力知识图谱构建模块：用于采用自上而下的方法构建统一电力运行模型的电力知识图谱，形成网状结构的电力知识图谱关系模型。
[0146]
电力设备风险值计算模块：用于建立各类电力设备风险状态评估指标体系，综合考虑专家经验和指标波动情况，计算电力设备风险值。
[0147]
关联设备贡献风险值计算模块：根据电力知识图谱关系模型计算关联设备贡献风险值。
[0148]
设备综合风险值计算模块：用于基于电力设备风险值和关联设备贡献风险值计算设备综合风险值。
[0149]
电力故障影响范围确定模块：用于结合电网运行潮流筛选设备综合风险值超过阈值的电力设备，确定电力故障影响范围。
[0150]
进一步的，所述电力运行模型构建模块，包括：
[0151]
分别将主网模型与pms设备资产模型，配网模型与pms配电设备资产模型和用户侧配电模型与用户配电台账模型，采用最小编辑距离算法建立映射关系，得到融合后的主网模型，配网模型和用户侧配电模型。
[0152]
基于sg-cim(国家电网公司统一数据模型)规范，在融合后的主网模型中10kv出线点与融合后的配网模型中10kv入线点进行拼接，在融合后的配网模型中配网分界室10kv出线点与融合后的用户侧配电模型中10kv入线点进行拼接，最终建立统一电力运行模型。
[0153]
进一步的，所述主网模型包括500kv、220kv、110kv和10kv四种电压等级的主网电网模型，所述配网模型包括10kv电压等级的配网电网模型，所述用户侧配电模型包括10kv和380v两种电压等级的用户电网模型。所述统一电力运行模型按照电压等级从高到低为：500kv、220kv、110kv、10kv、380v。
[0154]
进一步的，所述电力知识图谱构建模块，包括：
[0155]
本发明构建的电力知识图谱关系模型涵盖500kv、220kv、110kv、10kv、380v五种电压等级电力设备，电力知识图谱属于垂直领域知识图谱，专业性较强，适合采用自上而下的方法构建，通过和电力行业专家的交流讨论了解相关的电力知识，紧密结合供电保障实际需求，分析出需要涉及的本体类型和关系。
[0156]
获取统一电力运行模型中本体，根据本体获取本体类型和本体关系。
[0157]
如图2所示，具体包括如下步骤：
[0158]
确定本体的领域和范围，包括：统一电力运行模型中本体所处的领域、包含的信息、上层应用、使用人员。
[0159]
考虑重用现有本体，包括：考虑重用与统一电力运行模型中本体有相同领域的其他本体。由于统一电力运行模型本身就是数据的高度抽象，所以如果有相同领域的其他本体，那么他们会有很大的参考价值，可以节省大量的工作。
[0160]
划分需求模块，包括：针对需求将本体按场景进行局部本体设计，再将局部本体合并成一个完整的本体。由于电力系统数据来源众多，数据关系复杂，为了减少数据的冗余，
针对主要需求将本体分为多个场景进行，分别针对各个场景设计局部本体，最后合并成一个完整的本体。
[0161]
列出本体中的重要术语，并根据重要术语得到关心的数据。所述重要术语包含了在业务进行中会涉及到的大部分数据。
[0162]
定义本体中类和类的继承，包括：采用自顶向下的方式从最通用的概念开始，然后通过不断细化的方式添加子概念，并构建类和类的继承。
[0163]
定义本体中属性和关系，包括：定义本体的属性和关系，属性和关系分为两种，一种是值属性，用来描述概念本身的属性，值属性连接着特定的字面值类型。例如“场馆”这个类型可以具有值属性“name”表示姓名。另一种是关系属性，用来描述两个概念之间的关系。例如“场馆”和“分界室”之间可能存在“分界室信息”关系，这表示两个不同类型的实体之间的关系。
[0164]
定义本体中属性的限制，包括：属性的基数、属性值的类型，以及属性的定义域和值域。
[0165]
质量评估，包括：根据本体，本体中重要术语、类和类的继承、属性和关系和属性的限制设计出一个初步的本体，电力领域的专家对设计出一个初步的本体进行是否符合实际场景的判断，如果符合，则输出电力知识图谱关系模型的本体，如果不符合，返回重新划分需求模块。
[0166]
对关于本体的结构化数据进行知识抽取，得到实体和三元组。
[0167]
本体的电力数据分布在多个系统中，针对各个电力子系统的数据库设计文档，梳理出数据之间的关系，从数据库中抽取出需要的结构化数据，就可以获得大量的电力领域知识。对于大量的保电结构化数据，采用基于映射规则的知识抽取方法，从多个数据源中抽取所需要的实体和三元组。
[0168]
对关于本体的非结构化数据进行知识抽取，得到实体和三元组。
[0169]
非结构化数据主要有故障预案和故障简报等，结合电力领域数据的特点，采用深度学习的方式从文本中抽取出相应的故障知识，故障中涉及到的设备需要知识库中的相关节点进行关联，再一起合并到知识库中。
[0170]
非结构化数据包括对故障预案和故障简报文档的处理，文档中包含各个系统中出现的故障要素，通过深度学习模型将这些实体抽取出来后，与知识库中的节点进行关联，从而将多个系统中出现的实体映射到同一个知识库中。
[0171]
将知识抽取得到的知识进行知识融合，得到实体-关系-实体的三元组，获得实体-关系-实体的三元组后，进行知识表示，形成电力知识图谱关系模型，并存储于neo4j图数据库中。
[0172]
进一步的，所述电力设备风险值计算模块，包括：
[0173]
对于电力设备，可以认为维护的频率越高就越安全，发生故障的次数越多就越危险。
[0174]
构建电力设备风险状态评估指标体系，所述电力设备风险状态评估指标体系包括：电流、电压、负载率、本体温度、环境温度、环境湿度、运行时长、历史告警数、运维记录数。
[0175]
计算电力设备i的指标x的偏离程度计算公式如下：
[0176][0177]
其中，xi为电力设备i的指标x，low为指标x的偏离下限值；high指标x的偏离上限值。
[0178]
计算电力设备风险值scorei，计算方法如下：
[0179][0180]
其中，scorei为电力设备i的电力设备风险值，为电力设备i指标x的偏离程度；ω
x
为电力设备i指标x的权重，x为指标的数量。
[0181]
进一步的，所述关联设备贡献风险值计算模块，包括：
[0182]
风险评估用于评估关键节点的风险值，主要考虑到两个因素：设备自身的状态、发生故障时产生的影响，综合这两个因素给出一个量化的分值，分值越高，风险越大。单个设备的故障可能会影响其他设备的运行，因此，故障的风险也是在一个范围内扩散的。
[0183]
获取电力知识图谱关系模型中电力设备连接关系的有向图，并用邻接矩阵表示，其中，n个连接电力设备的邻接矩阵m为：
[0184]
m＝(m
ij
)n×n[0185]
其中，m
ij
为有向图中电力设备j指向电力设备i的边的数目。
[0186]
根据邻接矩阵m，获取电力设备i的出度di，计算公式如下：
[0187][0188]
其中，m
ik
为邻接矩阵m中第i行第k列元素。
[0189]
计算电力设备i的关联设备贡献风险值sconni，计算公式如下：
[0190][0191]
其中，scoren为电力设备n的电力设备风险值。
[0192]
所述设备综合风险值计算模块，包括：考虑到单个设备发生风险时可能会造成其他设备的一系列故障，因此计算出初步的分数后，还要将与该节点关联的节点的风险值考虑进来，电力设备i的综合风险值vari计算方法如下：
[0193][0194]
进一步的，所述电力故障影响范围确定模块：包括：
[0195]
电力故障影响范围不仅是风险在电网中连接关系的扩散，还要结合电网实时运行情况。
[0196]
步骤6.1：计算有连接关系的电力设备连接线路实时有功功率。
[0197]
步骤6.2：在设备综合风险值大于阈值的电力设备中剔除连接线路实时有功功率为0的电力设备，剩余电力设备则为电力故障影响范围。
[0198]
第三种实施例一种电子设备，包括：处理器和存储器；所述处理器与所述存储器连
接；所述存储器用于存储程序指令。
[0199]
所述处理器，用于通过调用所述存储器中存储的所述程序指令，以执行第一种实施例所述的基于知识图谱的电力故障影响范围分析方法。
[0200]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种基于知识图谱的电力故障影响范围分析方法，其特征在于：包括如下步骤：步骤1：分别进行主网模型、配网模型和用户侧配电模型融合，建立统一电力运行模型；步骤2：采用自上而下的方法构建统一电力运行模型的电力知识图谱，形成网状结构的电力知识图谱关系模型；步骤3：建立各类电力设备风险状态评估指标体系，综合考虑专家经验和指标波动情况，计算电力设备风险值；步骤4：根据电力知识图谱关系模型计算关联设备贡献风险值；步骤5：基于电力设备风险值和关联设备贡献风险值计算设备综合风险值；步骤6：结合电网运行潮流筛选设备综合风险值超过阈值的电力设备，确定电力故障影响范围。2.根据权利要求1所述的一种基于知识图谱的电力故障影响范围分析方法，其特征在于：所述步骤1，包括如下步骤：步骤1.1：分别将主网模型与pms设备资产模型，配网模型与pms配电设备资产模型和用户侧配电模型与用户配电台账模型采用最小编辑距离算法建立映射关系，得到融合后的主网模型，配网模型和用户侧配电模型；步骤1.2：基于sg-cim规范，在融合后的主网模型中10kv出线点与融合后的配网模型中10kv入线点进行拼接，在融合后的配网模型中配网分界室10kv出线点与融合后的用户侧配电模型中10kv入线点进行拼接，最终建立统一电力运行模型。3.根据权利要求1所述的一种基于知识图谱的电力故障影响范围分析方法，其特征在于：所述步骤2，包括如下步骤：步骤2.1：获取统一电力运行模型中本体，根据本体获取本体类型和本体关系；步骤2.2：对关于本体的结构化数据进行知识抽取，得到实体和三元组；步骤2.3：对关于本体的非结构化数据进行知识抽取，得到实体和三元组；步骤2.4：将知识抽取得到的知识进行知识融合，得到实体-关系-实体的三元组，获得实体-关系-实体的三元组后，进行知识表示，形成电力知识图谱关系模型，并存储于neo4j图数据库中。4.根据权利要求3所述的一种基于知识图谱的电力故障影响范围分析方法，其特征在于：所述步骤2.1，具体包括如下步骤：步骤2.1.1：确定统一电力运行模型中本体所处的领域、包含的信息、上层应用和使用人员；步骤2.1.2：重用与统一电力运行模型中本体有相同领域的其他本体；步骤2.1.3：针对需求将本体按场景进行局部本体设计，再将局部本体合并成一个完整的本体；步骤2.1.4：列出本体中的重要术语，并根据重要术语得到关心的数据；步骤2.1.5：定义本体中类和类的继承，包括：采用自顶向下的方式从最通用的概念开始，然后通过不断细化的方式添加子概念，并构建类和类的继承；步骤2.1.6：定义本体中属性和关系，包括：定义本体的属性和关系，属性和关系分为两种，一种是值属性，用来描述概念本身的属性，值属性连接着特定的字面值类型；另一种是关系属性，用来描述两个概念之间的关系；
步骤2.1.7：定义本体中属性的限制，包括：属性的基数、属性值的类型，以及属性的定义域和值域；步骤2.1.8：根据本体，本体中重要术语、类和类的继承、属性和关系和属性的限制设计出一个初步的本体，电力领域的专家对设计出一个初步的本体进行是否符合实际场景的判断，如果符合，则输出电力知识图谱关系模型的本体，如果不符合，返回步骤2.1.3。5.根据权利要求3所述的一种基于知识图谱的电力故障影响范围分析方法，其特征在于：所述步骤2.2，包括如下步骤：本体的电力数据分布在多个系统中，针对各个电力子系统的数据库设计文档，梳理出数据之间的关系，从数据库中抽取出需要的结构化数据；对于结构化数据，采用基于映射规则的知识抽取方法，从多个数据源中抽取所需要的实体和三元组。6.根据权利要求3所述的一种基于知识图谱的电力故障影响范围分析方法，其特征在于：所述步骤2.3，包括如下步骤：非结构化数据包括故障预案和故障简报，结合电力领域数据的特点，采用深度学习的方式从故障预案和故障简报中抽取出相应的故障知识，故障知识中涉及到的电力设备与知识库中的相关节点进行关联，再一起合并到知识库中。7.根据权利要求1所述的一种基于知识图谱的电力故障影响范围分析方法，其特征在于：所述步骤3，包括如下步骤：步骤3.1：构建电力设备风险状态评估指标体系，所述电力设备风险状态评估指标体系包括：电流、电压、负载率、本体温度、环境温度、环境湿度、运行时长、历史告警数、运维记录数；步骤3.2：计算电力设备i的指标x的偏离程度计算公式如下：其中，x
i
为电力设备i的指标x，low为指标x的偏离下限值；high指标x的偏离上限值；步骤3.2：计算电力设备风险值score
i
，计算方法如下：其中，score
i
为电力设备i的电力设备风险值，为电力设备i指标x的偏离程度；ω
x
为电力设备i指标x的权重，x为指标的数量。8.根据权利要求7所述的一种基于知识图谱的电力故障影响范围分析方法，其特征在于：所述步骤4，包括如下步骤：步骤4.1：获取电力知识图谱关系模型中电力设备连接关系的有向图，并用邻接矩阵表示，其中，n个连接电力设备的邻接矩阵m为：m＝(m
ij
)
n
×
n
其中，m
ij
为有向图中电力设备j指向电力设备i的边的数目；步骤4.2：根据邻接矩阵m，获取电力设备i的出度d
i
，计算公式如下：
其中，m
ik
为邻接矩阵m中第i行第k列元素；步骤4.3：计算电力设备i的关联设备贡献风险值sconn
i
，计算公式如下：其中，score
n
为电力设备n的电力设备风险值。9.根据权利要求8所述的一种基于知识图谱的电力故障影响范围分析方法，其特征在于：所述设备综合风险值var
i
，计算公式如下：var
i
＝score
i
+sconn
i
。10.根据权利要求1所述的一种基于知识图谱的电力故障影响范围分析方法，其特征在于：所述步骤6：包括如下步骤：步骤6.1：计算有连接关系的电力设备连接线路实时有功功率；步骤6.2：在设备综合风险值大于阈值的电力设备中剔除连接线路实时有功功率为0的电力设备，剩余电力设备则为电力故障影响范围。11.一种基于知识图谱的电力故障影响范围分析装置，其特征在于：包括如下模块：电力运行模型构建模块：用于分别进行主网模型、配网模型和用户侧配电模型融合，建立统一电力运行模型；电力知识图谱构建模块：用于采用自上而下的方法构建统一电力运行模型的电力知识图谱，形成网状结构的电力知识图谱关系模型；电力设备风险值计算模块：用于建立各类电力设备风险状态评估指标体系，综合考虑专家经验和指标波动情况，计算电力设备风险值；关联设备贡献风险值计算模块：根据电力知识图谱关系模型计算关联设备贡献风险值；设备综合风险值计算模块：用于基于电力设备风险值和关联设备贡献风险值计算设备综合风险值；电力故障影响范围确定模块：用于结合电网运行潮流筛选设备综合风险值超过阈值的电力设备，确定电力故障影响范围。12.一种电子设备，其特征在于，包括：处理器和存储器；所述处理器与所述存储器连接；所述存储器用于存储程序指令；所述处理器，用于通过调用所述存储器中存储的所述程序指令，以执行权利要求1-10任一项所述的基于知识图谱的电力故障影响范围分析方法。

技术总结
本发明公开了一种基于知识图谱的电力故障影响范围分析方法、装置及电子设备，引入知识图谱技术进行关联性分析，并在电网潮流的基础上考虑电力设备本体温度、环境温度、环境湿度、运行时长、历史告警数、运维记录数等多维度信息，实现输配用从500kV到380V的全电压等级电力故障影响范围分析。本发明提供的一种基于知识图谱的电力故障影响范围分析方法、装置及电子设备，打破不同电网模型之间的隔阂。提高了故障分析的准确性和可靠性。提高影响范围边界定位准确性，避免了故障影响范围漏判和误判。判。判。


技术研发人员：张伟 解凯 陶延延 张代新 陈佳 徐忠锴
受保护的技术使用者：南京南瑞继保工程技术有限公司
技术研发日：2023.03.06
技术公布日：2023/8/28