(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211116394.8 (22)申请日 2022.09.14 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 申请人 国网天津市电力公司电力科 学研究 院　 国网天津市电力公司 　 国家电网有限公司 (72)发明人 徐建南　焦飞　李志坚　徐会芳　 张英强　 (74)专利代理 机构 北京中巡通大知识产权代理 有限公司 1 1703 专利代理师 孟大帅(51)Int.Cl. G06K 9/62(2022.01) G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种变电设备并发故障分析方法、 系统、 设 备及介质 (57)摘要 本发明公开了一种变电设备并发故障分析 方法、 系统、 设备及介质， 所述方法包括： 获取待 并发故障分析的变电设备或部件的故障子图； 将 故障子图中的设备或部件故障、 故障时间进行特 征向量表 示并融合， 获得设备或部件故障中心节 点特征表 示； 利用关系图卷积神经网络融合故障 类型、 故障原因和故障所属设备或部件的语义表 征并更新设备或部件故障中心节 点特征表示， 获 得更新后的设备或部件故障中心节 点特征表示； 基于更新后的设备或部件故障中心节点特征表 示， 计算设备或部件故障节点间的关联度获取并 发故障分析结果。 本发明可实现变电设备并发故 障的高效、 精准分析， 能够提升变电设备并发故 障分析的智能化水平。 权利要求书6页 说明书16页 附图5页 CN 115409122 A 2022.11.29 CN 115409122 A 1.一种变电设备并发 故障分析 方法， 其特 征在于， 包括以下步骤： 获取待并发故障分析的变电设备或部件的故障子 图； 其中， 所述故障子 图包括实体节 点、 属性节点以及各节点之 间的拓扑关联结构； 所述 实体节点包括设备或部件故障、 故障类 型、 故障原因、 故障所属设备或部件； 所述属性节点包括故障时间； 将所述故障子 图中的设备或部件故障、 故障时间进行特征向量表示并计算融合， 获得 设备或部件故障中心 节点特征表示； 将所述故障子 图中的故障类型、 故障原因和故障所属设备或部件进行特征向量表示， 利用预先训练好的关系图卷积神经网络融合 故障类型、 故障原因和故障所属设备或部件的 语义表征并更新所述设备或部件故障中心节点特征表示， 获得更新后的设备或部件故障中 心节点特征表示； 基于所述更新后的设备或部件故障中心节点特征表示， 根据节点特征相似度和拓扑连 接关系建模故障关联度， 通过计算设备或部件故障节点间的关联度获取并发故障分析结 果。 2.根据权利要求1所述的一种变电设备并发故障分析方法， 其特征在于， 所述获取待并 发故障分析的变电设备或部件的故障子图的步骤 包括： 基于预先构建的变电设备故障知识图谱， 以设备或部件故障节点为中心节点获取包含 预设关键信息的故障子图； 其中， 所述预先构建的变电设备故障知识图谱中， 以图结构形式存储有各个节点的故 障知识及节点间的拓扑关联结构； 所述预设关键信息包括设备或部件故障、 故障类型、 故障 原因、 故障所属设备或部件、 故障时间。 3.根据权利要求2所述的一种变电设备并发故障分析方法， 其特征在于， 所述预先构建 的变电设备故障知识图谱的获取步骤 包括： 根据专家经验及 设备检修标准文档， 获取变电设备及部件的故障类型、 故障原因、 故障 时间概念及其间的逻辑关系； 基于获取的概念及逻辑关系构建获得变电设备故障知识图谱 本体架构； 基于所述变电设备故障知识图谱本体架构的概念及其间的逻辑关系， 对故障分析报 告、 检修记录文档进行知识抽取， 形成结构化的三元组数据<实体 ‑关系‑实体>； 对获取的所有三元组数据中的设备或部件节点进行共指消解， 并根据变电站接线图及 设备结构拓扑图补充设备、 部件间的电气和机械连接关系， 完成变电设备故障知识图谱数 据层的构建， 获得 所述预先构建的变电设备故障知识图谱。 4.根据权利要求3所述的一种变电设备并发故障分析方法， 其特征在于， 所述基于所述 变电设备故障知识图谱本体架构的概念及其间的逻辑关系， 对故障分析报告、 检修记录文 档进行知识抽取， 形成结构化的三元组数据<实体 ‑关系‑实体>的步骤中， 采用BERT ‑BiGRU‑CRF模型实现对故障分析报告、 检修记录文档的实体和 属性抽取； 采用BERT ‑BiGRU‑Attention模型实现对故障分析报告、 检修记录文档的关系抽取。 5.根据权利要求1所述的一种变电设备并发故障分析方法， 其特征在于， 所述将所述故 障子图中的设备或部件故障、 故障时间进行特征向量表示并计算融合， 获得设备或部件故 障中心节点特征表示的步骤 包括： 采用均值组合方式将字符 向量进行融合， 得到设备或部件故障子图中实体节点和属性权　利　要　求　书 1/6 页 2 CN 115409122 A 2节点的特 征向量表示， 表达式为， Y＝(y1,y2,...,ym) 式中， Y表示实体节点和属性节点的特征向量， m表示每个字符的向量维度， n表示实体 和属性的节点名称字 符长度， yj表示实体和属性节 点名称特征向量的第 j维特征值， xij表示 实体和属性节点名称第i个字符特 征向量的第j维特 征值， Xn×m表示字符特 征矩阵； 采用加权平均法得到融合故障时间属性节点信息的设备或部件故障中心节点特征表 示， 表达式为， Y′e＝α Ye+β Yp； 式中α、 β 为加权系数， 满足α +β ＝1； Ye、 Yp分别为设备或部件故障节点和故障时间属性节 点的特征向量； Y ′e为融合故障时间属性节点信息的设备或部件故障中心 节点特征向量。 6.根据权利要求5所述的一种变电设备并发故障分析方法， 其特征在于， 所述将所述故 障子图中的故障类型、 故障原因和故障所属设备或部件进行特征向量表示， 利用预先训练 好的关系图卷积神经网络融合故障类型、 故障原因和故障所属设备或部件的语义表征并更 新所述设备或部件故障中心节点特征表示， 获得更新后的设备或部件故障中心节点特征表 示的步骤中， 关系图卷积神经网络为基于节点信 息传递的异构图神经网络， 在图卷积神经网络学习 实体嵌入的基础上加入边信息； 设备或部件故障中心 节点特征更新公式为， 式中， 为设备或部件故障节点i在第l层的特征表达； R为 设备或部件故障节点的邻接 关系集合， 为节点i在关系r 条件下的邻居节点集， 为邻居节点j在第l层的特征表达； 为归一化因子， di和di为节点i和节点j的度； 为节点自身变换权重参数， 为在关系r条件 下的邻居节 点变换权重参数； 初始输入 和 分别为关系r条件下设 备或部件故障节点的邻居节点特征向量表示和融合故障时间属 性节点信息的设备或部件 故障中心节点 特征表示； σ 表示非线性激活函 数ReLU； 为设备或部件故障节点i在第l+1 层的特征表达。 7.根据权利要求6所述的一种变电设备并发故障分析方法， 其特征在于， 所述基于所述 更新后的设备或部件故障中心节点特征表示， 根据节点特征相似度和拓扑连接 关系建模故 障关联度， 通过计算设备或部件故障节点间的关联度获取并发 故障分析 结果的步骤中， 故障关联度计算表达式为， 权　利　要　求　书 2/6 页 3 CN 115409122 A 3