CN114648419B - 基于智慧变电站数字孪生系统知识图谱的创建和使用方法 - Google Patents

Abstract

本发明公开了一种基于智慧变电站数字孪生系统知识图谱的创建和使用方法，创建方法包括：步骤1，以设备部件为对象，围绕设备部件建立结构化知识库；步骤2，将结构化知识库生成图数据库；步骤3，将图数据库存储在图数据网络里形成链型关联的知识图谱。借助本技术所创建的基于智慧变电站数字孪生系统知识图谱，所呈现的效果和实际业务需求匹配度非常高，当设备发生告警时，可通过知识图谱网络自动推送告警产生的原因和发生概率值，经运维人员根据本系统给出的指导建议进一步排查发现，缺陷诊断准确性极高，利用知识图谱及时解决了缺陷问题，确保了变电站设备安全稳定运行。

Description

基于智慧变电站数字孪生系统知识图谱的创建和使用方法

技术领域

本发明属于变电站运维领域，主要涉及一种智慧变电站数字孪生系统关于电力知识图谱及其创建和使用方法，主要用于知识库的创建、知识库关联逻辑建立、缺陷推演三方面。

背景技术

常规的变电站运维监控系统，通常的知识都以文档的形式存储在电脑硬件服务器里，知识内容分散、查阅时不方便，也不够智能，包括：缺陷类型是哪个、导致该异常现象的原因是哪些、每种原因发生的可能性概率是多少、如何做进一步的人工排障、需要给出什么样的指导建议及预防措施等等问题均需要变电站运维人员手动分析确认。

发明内容

为了解决现有技术的上述技术问题，本发明提出一种基于智慧变电站数字孪生系统知识图谱及创建和使用方法，通过创建并使用基于智慧变电站数字孪生系统知识图谱，解决现有技术中知识内容分散、查阅不方便、不够智能的缺陷，可以实现自动分析告警原因和概率发生值，有助于及时解决缺陷问题，有助于变电站设备安全稳定运行。

本发明解决上述技术问题所采用的技术方案包括：

一种基于智慧变电站数字孪生系统知识图谱的创建方法，其包括以下步骤：

步骤1，以设备部件为对象，围绕设备部件建立结构化知识库；

步骤2，将结构化知识库生成图数据库；

步骤3，将图数据库存储在图数据网络里形成链型关联的知识图谱，完成知识图谱的创建。

借助建立结构化知识库，再将结构化知识库生成图数据库，然后存储在图数据网络里形成知识图谱，利用图谱关系图，实现所有知识节点的链型关联所创建的基于智慧变电站数字孪生系统知识图谱，使得所呈现的效果和实际业务需求匹配度较高，当设备发生告警时，可通过知识图谱网络自动推送告警产生的原因和发生概率值，经运维人员根据软件系统给出的指导建议进一步排查发现，缺陷诊断准确性极高，利用知识图谱及时解决了缺陷问题，确保了变电站设备安全稳定运行。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的创建方法，其步骤1的实现方式是：以设备部件为对象，围绕设备部件将相关知识节点建立知识链条，若干知识链条构成结构化知识库。

具体实施时，可以根据电力运检业务应用场景，以设备部件为对象，基于运检经验，围绕设备部件可能产生的缺陷类型、缺陷原因等知识，建立一套完整的知识链条，并将相关知识归纳整理到excel表格中，也就是结构化知识库。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的创建方法，其中，结构化知识库中包含的知识节点包括：设备、部件、缺陷类型、缺陷原因、判别方法、现象特征、数据特征、判别规则、特征量、技术标准、解决方案和预防措施。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的创建方法，其步骤2的实现方式是：结构化知识库中的知识经过分离和重组以后变成能被算法识别的图数据库中的数据。

具体实施时，可以将知识链条上的知识节点分离出来，并整合成一个个最简单的三元组模型，每个三元组模型包括起始节点、终止节点、节点关系，例如“开关柜设备结构类型是中置式”，这里面，开关柜是起始节点、中置式是终止节点，结构类型是节点关系，这样一来，这些结构化知识经过分离和重组以后就变成了可被算法识别的图数据库数据。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的创建方法，其步骤3的实现方式是：将图数据库导入生成知识链状网络图(即知识图谱)，网络图中有知识节点和节点与节点之间的关系数据。

具体实施时，可以基于neo4j技术手段(Neo4j是一个高性能的NOSQL图形数据库，它将结构化数据存储在网络图上而不是表中，是嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎)，将这些图数据库导入后，会自动生成知识链状网络图，网络图中有前2步骤(步骤1和步骤2)描述的各种知识节点和节点与节点之间的关系数据。

一种基于智慧变电站数字孪生系统知识图谱的使用方法，其包括步骤S1、缺陷推演。所述知识图谱系按照前述任一方法创建的。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的使用方法，其缺陷推演的具体步骤包括：

S101、输入数据型特征量或者现象型特征量；

S102、根据数据特征和特征量的判定规则，判断数据特征是否触发；

S103、根据触发的数据特征和现象特征，匹配计算缺陷原因匹配度；

S104、根据缺陷原因匹配度排序结果，按优先级推送问诊问题；

S105、根据不断丰富的现象特征和数据特征，确定缺陷等级、缺陷类型、缺陷原因；

S106、根据缺陷类型、缺陷等级推理出解决方案、预防措施、缺陷部件；

S107、根据缺陷原因推理出判别方法、技术标准。

借此，当设备发生告警时，可通过知识图谱网络自动推送告警产生的原因和发生概率值，经运维人员根据软件系统给出的指导建议进一步排查发现，缺陷诊断准确性极高，利用知识图谱及时解决了缺陷问题，确保了变电站设备安全稳定运行。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的使用方法，其包括下列步骤：

S2、选择异常特征时，单击判别方法，展开该判别方法下的特征量列表，数据型特征量排在前面，现象型特征量排在后面；

S3、单击下一步时，根据输入的特征量信息，后端根据脚本中的规则逻辑，计算对应的数据型特征量是否满足条件触发(较佳的，现象型特征量直接触发)，然后根据触发的现象特征和数据特征进行缺陷原因匹配度计算，进而确定要推送的数据特征或现象特征；

S4、系统推送特征信息时，查询图数据库确定其有关的特征部位，现象特征有特征部位，数据特征无特征部位；

S5、《判别方法》是根据缺陷诊断过程推送的现象特征或者数据特征查找到的；

S6、缺陷诊断过程中，系统每次推送的现象特征只有1个，但推送数据特征的时候是推送该数据特征下的所有特征量；

S7、缺陷诊断过程中，系统推送的数据特征，如果先前“选择异常特征”步骤已经输入了的特征量，该步骤不再推送相同特征量；

S8、根据再次输入的特征量，重复上面的S3-S5步骤；

S9、整个诊断过程中缺陷原因匹配度计算，匹配度计算方法：输入的特征量占某个缺陷原因对应的特征量总数的比值。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的使用方法，其步骤S3中包括：

a.现象特征：有特征部位的展示特征部位，当无特征部位时，特征部位名称展示“设备类型名称”，如：开关柜；

b.数据特征：特征部位名称展示“设备类型名称”，如：开关柜；

c.文案示例中，“请检查《特征部位》，根据《判别方法》结果，输入如下特征信息：”；

d.特征部位可能产生多个，则用“/”隔开，如示例中“母线仓/穿层套管”。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的使用方法，其还包括：步骤S10、诊断结果输出。

一种基于智慧变电站数字孪生系统知识图谱，其系依照前述任一方法创建的。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱，其包括：

知识节点模块，用于获取若干用于表征特定参数的知识节点，特定参数例如是电力设备运检场景应用；

结构化知识库模块，用于依据知识节点构建结构化知识库，具体构建方式较佳的可以为根据电力运检业务应用场景，以设备部件为对象，基于运检经验，围绕设备部件可能产生的缺陷类型、缺陷原因等知识，建立一套完整的知识链条，并将相关知识归纳整理到excel表格中，也就是结构化知识库；

图数据库模块，用于将结构化知识库生成图数据库，具体生成方式较佳的可以为将知识链条上的知识节点分离出来，并整合成一个个最简单的三元组模型，每个三元组模型包括起始节点、终止节点、节点关系，例如“开关柜设备结构类型是中置式”，这里面，开关柜是起始节点、中置式是终止节点，结构类型是节点关系，这样一来，这些结构化知识经过分离和重组以后就变成了可被算法识别的图数据库数据；

图数据网络模块，用于存储图数据库，具体实现方式较佳的可以为基于neo4j技术手段，将这些图数据库导入后，会自动生成知识链状网络图，网络图中有前2步骤描述的各种知识节点和节点与节点之间的关系数据；

缺陷推演模块，用于缺陷推演。

借此，变电站运维人员，通过专家知识图谱，在设备发生异常时，能够利用缺陷诊断推理机制，自动推送出该缺陷类型是哪个，以及导致该异常现象的原因是哪些，以及每种原因发生的可能性概率是多少，以及如何做进一步的人工排障，并给出具体的指导建议及预防措施，更有利于帮助用户解决变电站运维中各种相关技术问题。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱，其缺陷推演模块包括下列子模块中的任一个或任几个：

触发判定子模块，用于根据数据特征和特征量的判定规则，判断数据特征是否触发；

缺陷原因匹配度计算子模块，用于根据触发的数据特征和现象特征，匹配计算缺陷原因匹配度；

排序、推送子模块，用于根据缺陷原因匹配度排序结果，按优先级推送问诊问题；

缺陷确定子模块，用于根据不断丰富的现象特征和数据特征，确定缺陷等级、缺陷类型、缺陷原因；

推理子模块，用于根据缺陷类型、缺陷等级推理出解决方案、预防措施、缺陷部件；

判别方法推理子模块，用于根据缺陷原因推理出判别方法、技术标准。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱，其还包括下列模块中的任一个或任几个：

特征量输入模块，用于输入特征量信息，特征量包括数据型特征量和/或现象型特征量；

异常特征选择模块，用于选择异常特征。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱，其中，触发判定子模块，用于根据输入的特征量信息，根据脚本中的预定规则逻辑，计算对应的数据型特征量是否满足条件触发。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱，其中，缺陷原因匹配度计算子模块，用于根据触发的现象特征和数据特征进行缺陷原因匹配度计算，进而确定要推送的数据特征或现象特征。

较佳的，整个诊断过程中缺陷原因匹配度计算。

较佳的，匹配度计算方法为：输入的特征量占某个缺陷原因对应的特征量总数的比值。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱，其中，排序、推送子模块或者其中的特征信息推送子模块，用于查询图数据库确定特征信息有关的特征部位并推送，其中现象特征有特征部位，数据特征无特征部位；较佳的，缺陷诊断过程中，系统每次推送的现象特征只有1个，但推送数据特征的时候是推送该数据特征下的所有特征量；较佳的，缺陷诊断过程中，系统推送的数据特征，如果先前“选择异常特征”步骤已经输入了的特征量，该步骤不再推送相同特征量。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱，其中，判别方法推理模块，用于根据缺陷诊断过程推送的现象特征或者数据特征查找到相应的判别方法。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱，其结构化知识库中包含的知识节点包括：设备、部件、缺陷类型、缺陷原因、判别方法、现象特征、数据特征、判别规则、特征量、技术标准、解决方案和预防措施中的任一项或任几项知识节点。

本发明一个实施例的基于智慧变电站数字孪生系统知识图谱，其特征在于，特征量包括数据型特征量和现象型特征量。

本发明的技术效果在于：

本发明借助建立结构化知识库，再将结构化知识库生成图数据库，然后存储在图数据网络里形成知识图谱，利用图谱关系图，实现所有知识节点的链型关联所创建的基于智慧变电站数字孪生系统知识图谱，所呈现的效果和实际业务需求匹配度非常高，当设备发生告警时，可通过知识图谱网络自动推送告警产生的原因和发生概率值，经运维人员根据软件系统给出的指导建议进一步排查发现，缺陷诊断准确性极高，利用知识图谱及时解决了缺陷问题，确保了变电站设备安全稳定运行。

下面结合附图对本发明作进一步的说明。

附图说明

图1为本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的局部示意图(图1a为基于知识节点“绝缘件表面存在污秽、受潮”的局部知识图谱示意图，图1b为基于知识节点“开关柜”的局部知识图谱示意图)；

图2为本发明一个实施例的创建基于智慧变电站数字孪生系统知识图谱所基于的结构化知识库的示意图(局部图)；

图3为本发明一个实施例的创建基于智慧变电站数字孪生系统知识图谱中的图数据库的示意图(局部图)；

图4为本发明一个实施例的创建基于智慧变电站数字孪生系统知识图谱中的知识库关联逻辑及事故推演逻辑示意图；

图5为本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的使用方法中的异常特征输入示意图；

图6为本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的使用方法中的数据型特征量输出示意图；

图7为本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的使用方法中的现象型特征量输出示意图；

图8为本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的使用方法中的诊断结果输出示意图；

图9为本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的应用例示意图；

图10为本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的创建方法示意图；

图11为本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的创建方法中知识库的构建流程示意图。

具体实施方式

以下参照附图，进一步描述本发明的具体技术方案，以便本领域的学者及技术人员进一步理解本发明，而不构成本发明的权利限制。

参见图1，为本发明一个实施例的基于智慧变电站数字孪生系统知识图谱的示意图。

由图1中可以看出，知识图谱中包括若干知识节点：悬浮放电、母排、电晕放电、断路器、沿面放电、绝缘件表面存在污秽受潮、开关柜等。

各个知识节点间链型关联：规则是、特征部位是、产生现象、产生数据、判别方法是等。

由图1a可以看出(基于知识节点“绝缘件表面存在污秽、受潮”有27个最小三元组模型)。其中，知识节点“绝缘件表面存在污秽、受潮”与知识节点“沿面放电”以及链型关联“产生现象”三者构成一个三元组模型，其表示“绝缘件表面存在污秽、受潮”“产生现象”“沿面放电”；知识节点“绝缘件表面存在污秽、受潮”与知识节点“外观检查”以及链型关联“判别方法有”三者构成一个三元组模型，其表示“绝缘件表面存在污秽、受潮”的“判别方法有”“外观检查”。

由图1b可以看出(基于知识节点“开关柜”有9个最小三元组模型)，知识节点“开关柜”与知识节点“母排”以及链型关联“缺陷部件有”三者构成一个三元组模型，其表示“开关柜”的“缺陷部件有”“母排”。

上述实施例的知识图谱可以参照图10、图2至图4实施例的方式构建，具体如下(由于整体来看知识图谱系动态变化的，各实施例中的数据并不构成对方法本身的限制)：

步骤1，以设备部件为对象，围绕设备部件建立结构化知识库(建立的结构化知识库局部如图2所示)；

步骤2，将结构化知识库生成图数据库(生成的图数据库局部如图3所示)；

步骤3，将图数据库存储在图数据网络里形成链型关联的知识图谱(如图4所示)，形成所述知识图谱(如图1所示)。

例如，由图2可以看出，设备类型“开关柜”、结构类型“中置式”、缺陷部件“穿层套管”、缺陷类型“沿面放电”、缺陷原因“套管存在污秽、受潮”、判别方法“外观检查”、现象特征“存在凝露”、缺陷部位“穿层套管”、数据特征、技术标准、“消缺方案/预防措施”等按照预定方式构建成结构化知识库。由图3可以看出，开始节点“特征部位-穿层套管”、结束节点“缺陷部件-穿层套管”、关系类型“缺陷部件有”构成一个三元组模型。其中，开始节点包括开始节点类型与开始节点属性，开始节点类型为“特征部位”，开始节点属性为“{id:KGG-KZS01-F01,name:穿层套管}”；结束节点包括结束节点类型与结束节点属性，结束节点类型为“缺陷部件”，结束节点属性为“{id:KGG-KZS01-C01,name:穿层套管}”。

由图4可以看出，创建的知识图谱中包括若干知识链条，其中以设备为对象，有知识链条1“设备(属性：样式)”“部件有”“缺陷部件B”“缺陷类型有”“缺陷类型”、知识链条2“设备(属性：样式)”“部件有”“缺陷部件A”“缺陷类型有”“缺陷类型”“虚拟消缺方案”“消缺方案”、知识链条3“设备(属性：样式)”“部件有”“缺陷部件A”“缺陷类型有”“缺陷类型”“预防措施是”“预防措施”、知识链条4“设备(属性：样式)”“部件有”“缺陷部件A”“缺陷类型有”“缺陷类型”“缺陷原因有”“缺陷原因A”“产生”“现象特征”、知识链条5“设备(属性：样式)”“部件有”“缺陷部件A”“缺陷类型有”“缺陷类型”“缺陷原因有”“缺陷原因A”“产生”“数据特征”“计算规则是”“规则”“包含特征量有”“特征量”“严重程度是”“严重程度”、知识链条6“设备(属性：样式)”“部件有”“缺陷部件A”“缺陷类型有”“缺陷类型”“缺陷原因有”“缺陷原因A”“判别方法有”“判别方法”“技术标准是”“技术标准”“检测现象”“现象特征”、知识链条7“设备(属性：样式)”“部件有”“缺陷部件A”“缺陷类型有”“缺陷类型”“缺陷原因有”“缺陷原因A”“判别方法有”“判别方法”“技术标准是”“技术标准”“检测数据”“数据特征”“计算规则是”“规则”“包含特征量有”“特征量”“严重程度是”“严重程度”、知识链条8“设备(属性：样式)”“部件有”“缺陷部件A”“缺陷类型有”“缺陷类型”“虚拟消缺方案”“缺陷等级”、知识链条9“设备(属性：样式)”“部件有”“缺陷部件A”“缺陷类型有”“缺陷类型”“缺陷原因有”“缺陷原因A”“判别方法有”“判别方法”“技术标准是”“技术标准”“检测现象”“现象特征”“特征部位”“缺陷部件A”、知识链条10“设备(属性：样式)”“部件有”“缺陷部件A”“缺陷类型有”“缺陷类型”“缺陷原因有”“缺陷原因A”“产生”“现象特征”“特征部位”“缺陷部件A”等。

结合图4，上述实施例的知识图谱可以参照图5至图8实施例的方式使用，具体如下：

S101、输入数据型特征量或者现象型特征量(如图5所示)，即图4第一步异常特征输入之数据特征量和现象特征量；

S102、根据数据特征和特征量的判定规则，判断数据特征是否触发；

S103、根据触发的数据特征和现象特征，匹配计算缺陷原因匹配度，即图4第二步特征部位输出；

S104、根据缺陷原因匹配度排序结果，按优先级推送问诊问题(如图6所示)，即图4第三步特征量输出；

S105、根据不断丰富的现象特征和数据特征，确定缺陷等级、缺陷类型、缺陷原因(参见图7)；

S106、根据缺陷类型、缺陷等级推理出解决方案、预防措施、缺陷部件(参见图8)；

S107、根据缺陷原因推理出判别方法、技术标准。

为了更便于理解，下面通过一具体应用例对本发明做进一步描述。

参见图9，本发明知识图谱在智慧变电站数字孪生系统中的一应用例。

根据已有专家知识构建知识图谱；

根据构建的知识图谱对实时采集的设备运行数据进行缺陷推演；

根据缺陷推演得到的结果告警。

其中，根据已有专家知识构建知识图谱具体包括：

步骤1，建立结构化知识库(如图2所示)；

步骤2，将结构化知识库生成图数据库(如图3所示)；

步骤3，将图数据库存储在图数据网络里形成链型关联的知识图谱(如图4所示)，形成所述知识图谱(如图1所示)。

其中，缺陷推演具体包括：

依据现有的数字孪生平台告警监控系统初步判断是否触发告警，若判断结果为否，则返回执行实时采集设备运行数据，若判断结果为是，则执行设备全生命周期展示和/或管理指标展示，然后通过知识检索结合专家知识库的智能诊断分析，再判断是否能检索到告警原因和/或告警事态发展是否严重，若能检索到告警原因，则将告警原因通过列表展示，若不能检索到告警原因，则进行人工排障，再将人工排障得到的专家知识导入专家知识库(即更新知识图谱)，若判断告警事态发展不严重，则展示告警级别和/或告警信息，若判断告警事态发展严重，则发出告警提醒，并提供告警处置建议。

其中，通过知识检索结合专家知识库的智能诊断分析具体包括：

S101、输入数据型特征量或者现象型特征量(如图5所示)；

S102、根据数据特征和特征量的判定规则，判断数据特征是否触发；

S103、根据触发的数据特征和现象特征，匹配计算缺陷原因匹配度；

S104、根据缺陷原因匹配度排序结果，按优先级推送问诊问题(如图6所示)；

S105、根据不断丰富的现象特征和数据特征，确定缺陷等级、缺陷类型、缺陷原因(参见图7)；

S106、根据缺陷类型、缺陷等级推理出解决方案、预防措施、缺陷部件(参见图8)；

S107、根据缺陷原因推理出判别方法、技术标准。

其中，运维人员可以按照如下操作实现缺陷推演：

1、选择异常特征时，单击判别方法，展开该判别方法下的特征量列表，数据型特征量排在前面，现象型特征量排在后面；

2、单击下一步时，根据输入的特征量信息，后端根据脚本中的规则逻辑，计算对应的数据型特征量是否条件触发(现象型特征量直接触发)，然后根据触发的现象特征和数据特征进行缺陷原因匹配度计算，进而确定了要推送的数据特征或现象特征；

3、系统推送的特征信息时，查图数据库确定其有关的特征部位，现象特征有特征部位，数据特征无特征部位，其中，

a.现象特征：有特征部位的展示特征部位，当无特征部位时，特征部位名称展示“设备类型名称”，如：开关柜，

b.数据特征：特征部位名称展示“设备类型名称”，如：开关柜，

c.文案示例中，“请检查《特征部位》，根据《判别方法》结果，输入如下特征信息：”，

d.特征部位可能产生多个，则用“/”隔开，如示例中“母线仓/穿层套管”；

4、《判别方法》是根据缺陷诊断过程推送的现象特征或者数据特征查找到的；

5、缺陷诊断过程中，系统每次推送的现象特征只有1个，但推送数据特征的时候是推送该数据特征下的所有特征量；

6、缺陷诊断过程中，系统推送的数据特征，如果先前“选择异常特征”步骤已经输入了的特征量，该步骤不再推送相同特征量；

7、根据再次输入的特征量，重复上面的2-4步骤；

8、整个诊断过程中缺陷原因匹配度计算，匹配度计算方法：输入的特征量占某个缺陷原因对应的特征量总数的比值。

参见图11，上述任一实施例中，可以依照下述方式建立结构化知识库。

S11、变电站设备缺陷案例内容拆分，文本的清洗；

S12、解构缺陷内容，获取该缺陷内容的所有对象属性；

S13、根据获取得到的对象属性，将该缺陷案例内容以及其对应的对象属性存储到对应的数据表项中。

较佳的，所述步骤S12中获取得到该缺陷内容的对象属性包括该缺陷案例对应的变电站名称、设备电压等级、设备类型、设备结构类型、缺陷部件信息、缺陷类型、缺陷原因信息、判别方法、缺陷描述信息、判别技术标准、消缺措施、缺陷发现人信息、缺陷处理人信息等。

较佳实施例中，所述步骤S12中在获取变电站名称信息时，利用正则表达式的方式识别标题的内容，根据正则识别的结果确定变电站名称；在获取消缺措施时，利用预存的消缺触发词遍历整个识别出的内容，查询到正文内容中关于消缺措施的内容并提取出该部分内容。

较佳实施例中，所述步骤S13中存储缺陷案例内容时，可以首先将获取的判别方法存储到对应的数据表项中，接着在该表项中存储该判别方法对应的缺陷描述信息。

具体实施时，可以包括下述步骤：

S111、训练一个针对变电站设备领域的神经网络模型，模型用于文本的分词，词性标注，实体识别。

S112、构建多种不同的词库：

1)缺陷内容分段标识库，用于文本的切分；

2)缺陷特征的触发词库，用于缺陷描述的定位；

3)否定词的触发词库，用于筛选非缺陷的描述；

4)缺陷原因的触发词库，用于缺陷原因的定位；

5)消缺的触发词库，用于消缺措施的定位；

6)词性扩展库，用于缺陷特征的向前扩展完善缺陷描述；

7)特殊名词库，用于修正模型分词错误导致的信息解析错误。

S113、利用缺陷内容分段标识库对内容进行分段，对段落进行分句，对句子利用“，”等标识进行切分子句，利用训练好的模型对子句进行分词，词性标注，实体识别，得到子句的解析结果。

S121、根据解析结果：若结果中存在缺陷特征词，通过词性判断，利用设定好的词性扩展库，向前遍历进行缺陷描述的扩展，将词性在词性扩展库中的词拼接到缺陷特征词前；若前一个词的词性不在词性扩展库中，则拼接终止，形成完整的缺陷描述，形成的缺陷描述会包含缺陷发生的部位以及发生的缺陷；若结果中存在否定词，则过滤掉该缺陷描述，表示未发生该缺陷。

S122、根据解析结果：若结果中存在缺陷原因特征词，并且不存在否定词，则认定为该句子描述即为缺陷原因信息。

S123、通过抽取模板对句子内容进行匹配，例如：“通过...检测发现...”，即可将缺陷的判别方法信息抽取出来。

S131、将缺陷内容解构模块获取的所有对象属性信息形成对应的映射关系，并通过相应的数据表项存储到数据库中，建立所述结构化知识库。

借此，可以在没有标注数据或者少量标注数据的情况下对缺陷案例中的对象属性信息进行抽取，解析缺陷案例无需人工参与，即可自动将缺陷案例中的所有对象属性信息准确得抽取出来，形成便于人们查询和了解解构后的信息，整个过程无需人工干预，自动完成，并且系统自动解构数据精确度高。

综上所述，本发明借助建立结构化知识库，再将结构化知识库生成图数据库，然后存储在图数据网络里形成知识图谱，再利用图谱关系图，实现所有知识节点的链型关联所创建的基于智慧变电站数字孪生系统知识图谱，所呈现的效果和实际业务需求匹配度非常高，当设备发生告警时，可通过知识图谱网络自动推送告警产生的原因和发生概率值，经运维人员根据软件系统给出的指导建议进一步排查发现，缺陷诊断准确性极高，利用知识图谱及时解决了缺陷问题，确保了变电站设备安全稳定运行。

本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (6)

1.一种基于智慧变电站数字孪生系统知识图谱的创建和使用方法，其特征在于，创建包括以下步骤：

步骤1，以设备部件为对象，围绕设备部件建立结构化知识库；

步骤2，将结构化知识库生成图数据库；

步骤3，将图数据库存储在图数据网络里形成链型关联的知识图谱，完成知识图谱的创建；

其中，使用包括下列步骤：

S1、缺陷推演；

S2、选择异常特征时，单击判别方法，展开该判别方法下的特征量列表，数据型特征量排在前面，现象型特征量排在后面；

S3、单击下一步时，根据输入的特征量信息，后端根据脚本中的规则逻辑，计算对应的数据型特征量是否满足条件触发，然后根据触发的现象特征和数据特征进行缺陷原因匹配度计算，进而确定要推送的数据特征或现象特征；

S4、系统推送特征信息时，查询图数据库确定其有关的特征部位，现象特征有特征部位，数据特征无特征部位；

S5、判别方法是根据缺陷诊断过程推送的现象特征或者数据特征查找到的；

S6、缺陷诊断过程中，系统每次推送的现象特征只有1个，但推送数据特征的时候是推送该数据特征下的所有特征量；

S7、缺陷诊断过程中，系统推送的数据特征，如果先前“选择异常特征”步骤已经输入了的特征量，该步骤不再推送相同特征量；

S8、根据再次输入的特征量，重复上面的S3-S5步骤；

S9、整个诊断过程中缺陷原因匹配度计算，匹配度计算方法：输入的特征量占某个缺陷原因对应的特征量总数的比值；

其中，缺陷推演的具体步骤包括：

S101、输入数据型特征量或者现象型特征量；

S102、根据数据特征和特征量的判定规则，判断数据特征是否触发；

S103、根据触发的数据特征和现象特征，匹配计算缺陷原因匹配度；

S104、根据缺陷原因匹配度排序结果，按优先级推送问诊问题；

S105、根据不断丰富的现象特征和数据特征，确定缺陷等级、缺陷类型、缺陷原因；

S106、根据缺陷类型、缺陷等级推理出解决方案、预防措施、缺陷部件；

S107、根据缺陷原因推理出判别方法、技术标准。

2.根据权利要求1所述的基于智慧变电站数字孪生系统知识图谱的创建和使用方法，其特征在于，步骤1的实现方式是：以设备部件为对象，围绕设备部件将相关知识节点建立知识链条，若干知识链条构成结构化知识库。

3.根据权利要求2所述的基于智慧变电站数字孪生系统知识图谱的创建和使用方法，其特征在于，结构化知识库中包含的知识节点包括：设备、部件、缺陷类型、缺陷原因、判别方法、现象特征、数据特征、判别规则、特征量、技术标准、解决方案和预防措施。

4.根据权利要求2所述的基于智慧变电站数字孪生系统知识图谱的创建和使用方法，其特征在于，步骤2的实现方式是结构化知识库中的知识经过分离和重组以后变成能被算法识别的图数据库中的数据。

5.根据权利要求4所述的基于智慧变电站数字孪生系统知识图谱的创建和使用方法，其特征在于，步骤2的实现方式具体是：将知识链条上的知识节点分离出来，并整合成三元组模型，每个三元组模型包括起始节点、终止节点、节点关系。

6.根据权利要求1所述的基于智慧变电站数字孪生系统知识图谱的创建和使用方法，其特征在于，步骤3的实现方式是：将图数据库导入，生成知识链状网络图，网络图中有知识节点和节点与节点之间的关系数据。

Images