鄒國(guó)惠，魏嘉隆，王超，張勇

(南方電網(wǎng)廣東珠海供電局，廣東 珠海 519000)

在我國(guó)物聯(lián)網(wǎng)技術(shù)快速發(fā)展的背景下[1]，電網(wǎng)發(fā)展正步入一個(gè)全新的時(shí)期，質(zhì)量、效率等等諸多方面的提升都推動(dòng)著電網(wǎng)在技術(shù)層面上的改革和創(chuàng)新，促使電網(wǎng)技術(shù)體系向智能化、信息化、自動(dòng)化方向升級(jí)。隨著電網(wǎng)投運(yùn)電力設(shè)備數(shù)量的激增，電網(wǎng)企業(yè)對(duì)設(shè)備運(yùn)維檢修的投資加大，運(yùn)檢人員面臨更多的電力設(shè)備巡視、維護(hù)和檢修任務(wù)。為確保電力系統(tǒng)的安全和穩(wěn)定運(yùn)行，必須對(duì)電力設(shè)備進(jìn)行全方位且精確的評(píng)估，準(zhǔn)確掌握設(shè)備的當(dāng)前狀態(tài)及發(fā)展趨勢(shì)，以便及早發(fā)現(xiàn)故障并進(jìn)行必要的維護(hù)[2]。然而，傳統(tǒng)評(píng)估方法往往依賴于運(yùn)行經(jīng)驗(yàn)，缺乏客觀數(shù)據(jù)支撐，且未充分考慮設(shè)備運(yùn)行環(huán)境和氣候因素對(duì)不同區(qū)域電力設(shè)備狀態(tài)的影響程度[3-4]。此外，評(píng)分方式未充分考慮到不同數(shù)據(jù)類型的特征以及數(shù)據(jù)生成頻率的異質(zhì)性，難以實(shí)現(xiàn)對(duì)電力設(shè)備健康狀態(tài)的數(shù)據(jù)融合和精確評(píng)估。利用知識(shí)圖譜信息可以將全域多維電力設(shè)備數(shù)據(jù)在語義層上聯(lián)系起來，一方面在實(shí)體基礎(chǔ)上實(shí)現(xiàn)多源數(shù)據(jù)聚合，另一方面將設(shè)備外態(tài)勢(shì)信息聯(lián)系起來用于情報(bào)挖掘及輔助決策。針對(duì)繁雜數(shù)據(jù)資源利用率低的問題，周俊宇等設(shè)計(jì)了基于知識(shí)圖譜算法的搜索引擎系統(tǒng)，但是該系統(tǒng)的搜索準(zhǔn)確率有待提高[5]。針對(duì)核電設(shè)備健康管理問題，熊奧等提出基于知識(shí)圖譜的核電設(shè)備健康管理知識(shí)建模與分析方法，應(yīng)用實(shí)體關(guān)系模型構(gòu)建維修知識(shí)圖譜本體框架，根據(jù)核電企業(yè)實(shí)際的維修工單數(shù)據(jù)，從統(tǒng)計(jì)分析和關(guān)聯(lián)分析2個(gè)方面取得良好的實(shí)踐效果，但將該方法應(yīng)用于其他設(shè)備的實(shí)踐效果有待提高[6]。針對(duì)光譜匹配方法在高光譜圖像目標(biāo)識(shí)別過程中對(duì)先驗(yàn)知識(shí)和空間信息利用不足的問題，王海晏等提出利用知識(shí)圖譜構(gòu)建地物屬性及其關(guān)聯(lián)關(guān)系對(duì)目標(biāo)進(jìn)行識(shí)別；該方法依托先驗(yàn)知識(shí)，將語義信息與定量描述的算法進(jìn)行關(guān)聯(lián)，針對(duì)高光譜圖像數(shù)據(jù)特點(diǎn)，給出近似真彩色圖像顏色轉(zhuǎn)換方法和基于特征點(diǎn)匹配的輪廓識(shí)別方法[7]。但是，知識(shí)圖譜技術(shù)在電力領(lǐng)域的構(gòu)建與研究還有待深入[8]。

針對(duì)變電設(shè)備檢修被動(dòng)且效率低下問題，本文提出一種基于知識(shí)圖譜的變電設(shè)備畫像方法。為準(zhǔn)確分析變電設(shè)備特征，利用知識(shí)圖譜對(duì)設(shè)備信息進(jìn)行映射，并結(jié)合圖譜分類對(duì)映射數(shù)據(jù)進(jìn)行多維度屬性類別的劃分；采用多視圖理論和深度學(xué)習(xí)方法，構(gòu)建一種融合多種技術(shù)的設(shè)備健康狀態(tài)評(píng)估模型。在此基礎(chǔ)上，運(yùn)用模糊數(shù)學(xué)層次分析法，對(duì)變電設(shè)備的狀態(tài)進(jìn)行全面評(píng)估。最后，通過實(shí)驗(yàn)對(duì)所提出方法的有效性和可行性進(jìn)行驗(yàn)證。

1 知識(shí)圖譜結(jié)構(gòu)

電力設(shè)備的安全運(yùn)行知識(shí)圖譜用于提取有關(guān)信息，并將計(jì)算機(jī)收集的資料加以整理和匯總歸類，在查找時(shí)能獲得準(zhǔn)確、全面的解答[9]。在電力系統(tǒng)建設(shè)速度越來越快的背景下，出現(xiàn)了海量的相關(guān)數(shù)據(jù)。數(shù)據(jù)有結(jié)構(gòu)化和非結(jié)構(gòu)化之分：結(jié)構(gòu)化數(shù)據(jù)是指按某種格式表達(dá)的表、庫等，一般可直接應(yīng)用于知識(shí)圖譜的建構(gòu)；半結(jié)構(gòu)化數(shù)據(jù)為文本、音頻、視頻、圖片等，需要對(duì)它們進(jìn)行信息抽取才能進(jìn)一步構(gòu)建知識(shí)圖譜。當(dāng)拿到不同來源的數(shù)據(jù)時(shí)，需要對(duì)數(shù)據(jù)進(jìn)行融合，將多源數(shù)據(jù)集合并成一個(gè)數(shù)據(jù)集，得到最終的數(shù)據(jù)，在此基礎(chǔ)上構(gòu)建相應(yīng)的知識(shí)圖譜。以三元組為知識(shí)圖譜基本單位，構(gòu)建其步驟主要分為收集多源異構(gòu)數(shù)據(jù)、知識(shí)獲取、知識(shí)融合和知識(shí)加工。對(duì)于文本型數(shù)據(jù)這類非結(jié)構(gòu)化數(shù)據(jù)而言，知識(shí)獲取主要有實(shí)體識(shí)別、關(guān)系抽取、屬性抽取3種途徑。實(shí)體識(shí)別指在一段文本中識(shí)別哪些詞代表實(shí)體，并打上標(biāo)簽(進(jìn)行分類)。關(guān)系抽取指識(shí)別文本(或其他數(shù)據(jù))中實(shí)體之間的關(guān)系，具體方法又包括基于特征模版的方法[10]、基于核函數(shù)的監(jiān)督學(xué)習(xí)方法[11]、基于深度學(xué)習(xí)的方法[12-13]等。屬性抽取指提取實(shí)體的特定屬性信息，為實(shí)體提供更詳細(xì)的描述，使知識(shí)圖譜更加豐富具體。

2 知識(shí)圖譜描繪變電設(shè)備畫像

變電系統(tǒng)由一系列不同類型(型號(hào))的電力設(shè)備和相應(yīng)配套的設(shè)施共同組成。由于復(fù)雜的設(shè)備構(gòu)成以及設(shè)備本身復(fù)雜精密的特點(diǎn)，以變電設(shè)備為典型評(píng)估對(duì)象，依托本文提出的基于三元組的知識(shí)圖譜對(duì)其進(jìn)行畫像，可以有效提高知識(shí)檢索與設(shè)備運(yùn)行檢修效率。圖1為變電設(shè)備知識(shí)圖譜構(gòu)建流程。

圖1 變電設(shè)備知識(shí)圖譜構(gòu)建流程Fig.1 Substation equipment knowledge graph construction flow chart

2.1 知識(shí)來源

變電設(shè)備各類狀態(tài)信息作為數(shù)據(jù)來源，其體量龐大、來源復(fù)雜且零散。本文用到的數(shù)據(jù)具體內(nèi)容如下。

a)監(jiān)視對(duì)象：變壓器、斷路器、電容器、隔離開關(guān)、高壓并聯(lián)電抗器等，這些設(shè)備可以反映設(shè)備的重載、電壓、頻率、壓力等狀態(tài)。

b)告警信號(hào)：變壓器設(shè)備非電氣保護(hù)中的油溫等信息，可用于檢測(cè)設(shè)備在實(shí)時(shí)運(yùn)行過程中的健康狀態(tài)。

c)輔助檢測(cè)：監(jiān)視范圍為變壓器、斷路器中的油色譜、接地電流、套管介損、彈簧壓力等。

2.2 知識(shí)表示

從監(jiān)測(cè)設(shè)備和信息監(jiān)測(cè)的相互關(guān)系中可找出從不同設(shè)備監(jiān)測(cè)到的信號(hào)間的邏輯關(guān)系。按照對(duì)其他相關(guān)系統(tǒng)產(chǎn)生的效果及緊迫性可以將信息監(jiān)測(cè)劃分為5類：事故、異常、偏差、位移、報(bào)告。以某變壓器為例的設(shè)備子譜如圖2所示，該變壓器作為中心節(jié)點(diǎn)，該設(shè)備的特征屬性、電力系統(tǒng)內(nèi)的其他設(shè)備、指標(biāo)體系等均可以藉由特定的關(guān)系描述與該變壓器連接，從而形成豐富的知識(shí)圖譜。

2.3 知識(shí)抽取

現(xiàn)在通用的抽取標(biāo)準(zhǔn)有2種：Direct Mapping和R2RML[14-15]。Direct Mapping是一種簡(jiǎn)單的知識(shí)抽取標(biāo)準(zhǔn)，它將文本中的實(shí)體、屬性和關(guān)系直接映射到數(shù)據(jù)庫表的列和行。具體來說，Direct Mapping通過指定1組規(guī)則或模板，將文本中的實(shí)體抽取為數(shù)據(jù)庫表的記錄，將文本中的屬性抽取為表中的列，并使用關(guān)系表示實(shí)體之間的關(guān)聯(lián)。R2RML是一種標(biāo)準(zhǔn)化的語言和映射規(guī)范，用于將關(guān)系型數(shù)據(jù)庫(relational database，RDB)中的數(shù)據(jù)映射到資源描述框架(resource description framework，RDF)格式，從而支持?jǐn)?shù)據(jù)的語義表示和知識(shí)圖譜構(gòu)建。R2RML提供了一套規(guī)則和術(shù)語，描述了如何將數(shù)據(jù)庫中的表、列和關(guān)系映射到RDF三元組的主題、屬性和對(duì)象。對(duì)于非結(jié)構(gòu)文本信息中獲取數(shù)據(jù)一般使用模式匹配、統(tǒng)計(jì)機(jī)器學(xué)習(xí)、監(jiān)督學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)等。

2.4 知識(shí)融合

變電設(shè)備的深度綜合分析評(píng)估涉及不同系統(tǒng)、不同型號(hào)的設(shè)備以及大量實(shí)例等復(fù)雜情況[16]，對(duì)應(yīng)的體系級(jí)知識(shí)圖譜必然要涵蓋這些分立的知識(shí)圖譜，因此需要構(gòu)建融合知識(shí)圖譜。基于知識(shí)圖譜的知識(shí)融合方法主要有2類。第1類為基于邏輯推理的知識(shí)圖譜法，利用邏輯推理技術(shù)，將來自不同源的知識(shí)表示為統(tǒng)一的語義模型；然后使用圖數(shù)據(jù)庫或知識(shí)圖譜技術(shù)將這些三元組融合成完整的知識(shí)圖譜，可以通過查詢和推理來獲取全面的實(shí)體、屬性和關(guān)系知識(shí)。第2類為知識(shí)圖譜補(bǔ)全法，在已有的知識(shí)圖譜基礎(chǔ)上，通過自動(dòng)或半自動(dòng)方式從外部數(shù)據(jù)源中獲取新的實(shí)體、屬性或關(guān)系，并將其合并到現(xiàn)有的知識(shí)圖譜中。這類方法可以擴(kuò)展和豐富現(xiàn)有知識(shí)圖譜的內(nèi)容，提供更全面的知識(shí)視圖。在融合知識(shí)圖譜的構(gòu)建和應(yīng)用過程考慮2個(gè)主要問題：①體系作為新的本體，如何融入已有的設(shè)備庫中；②不同設(shè)備的子譜之間是否存在關(guān)系的沖突或冗余。

2.5 知識(shí)加工

變電設(shè)備畫像技術(shù)結(jié)合了知識(shí)圖譜高效地組織多維知識(shí)與層次化建模功能以滿足其本身對(duì)于知識(shí)定位、全面評(píng)價(jià)等綜合性、高效性與實(shí)時(shí)性要求。以大量豐富數(shù)據(jù)資源為支持，采用補(bǔ)全圖譜方法并應(yīng)用各種先進(jìn)技術(shù)實(shí)現(xiàn)知識(shí)圖譜決策推理及下游任務(wù)擴(kuò)展應(yīng)用[17]。精確的語義識(shí)別與分析，功能完備強(qiáng)大的多線程檢索引擎的提出，使知識(shí)需求得到快速解析，知識(shí)要素得到精確匹配，知識(shí)結(jié)果得到有效輸出。

3 基于模糊數(shù)學(xué)層次分析法的電力設(shè)備評(píng)估

電力設(shè)備狀態(tài)可以劃分為4個(gè)等級(jí)：正常狀態(tài)、注意狀態(tài)、異常狀態(tài)、嚴(yán)重狀態(tài)[18-19]。正常狀態(tài)是指能源設(shè)備的各個(gè)部件均處于正常工作狀態(tài)，且所有狀態(tài)變量的值均在警告值(注意值)之內(nèi)。注意狀態(tài)是指設(shè)備個(gè)別狀態(tài)變量達(dá)到注意值，但設(shè)備各部件和系統(tǒng)能保持一定時(shí)間內(nèi)基本完好。如果觀察到某一狀態(tài)變量超出了警告值范圍，則認(rèn)為該系統(tǒng)處于異常狀態(tài)，需要對(duì)其進(jìn)行處理，異常程度可分為輕度、中度、重度3種等級(jí)。當(dāng)異常發(fā)生時(shí)，電力生產(chǎn)過程會(huì)受到影響，甚至造成事故。當(dāng)電力設(shè)備狀態(tài)中某一因素或某一指標(biāo)明顯超出警戒值時(shí)，其劣化曲線呈現(xiàn)出近似于指數(shù)級(jí)的變化規(guī)律，則認(rèn)為設(shè)備處于嚴(yán)重狀態(tài)。當(dāng)設(shè)備發(fā)生故障時(shí)，其表現(xiàn)出的這種變化特性稱為“異?！碧卣鳎幢碚髁嗽摃r(shí)刻電力設(shè)備運(yùn)行狀況惡化的程度。

電力系統(tǒng)是由一系列具有不同級(jí)別特性的一級(jí)和二級(jí)用電設(shè)備構(gòu)成的復(fù)雜拓?fù)浣Y(jié)構(gòu)[20-21]。根據(jù)不同特征可以將電氣設(shè)備分成多個(gè)層級(jí)進(jìn)行管理，運(yùn)用層次分析法(analytic hierarchy process，AHP)構(gòu)建相應(yīng)的分析模型[22]。模型第1層(指標(biāo)層)為設(shè)備層和最底層系統(tǒng)評(píng)價(jià)的雙重目標(biāo)層，其目的是對(duì)被評(píng)對(duì)象進(jìn)行總體描述。第2層(中間層)為組件層，其目的是更好地識(shí)別器件的缺陷和不足。第3層為控制層，它被視為關(guān)鍵指標(biāo)，是構(gòu)成評(píng)價(jià)體系的基礎(chǔ)和主要組成部分。

通過對(duì)電氣設(shè)備狀態(tài)評(píng)估標(biāo)準(zhǔn)中各狀態(tài)量的權(quán)重系數(shù)進(jìn)行等級(jí)劃分，并對(duì)指標(biāo)層的元素進(jìn)行兩兩比較，以推導(dǎo)各狀態(tài)量指標(biāo)之間的相互關(guān)系，得到指標(biāo)層中k個(gè)不同元素相對(duì)于中間層相應(yīng)元素的權(quán)重的判斷矩陣W，其階數(shù)為k：

W=(wmn)k×k，m，n=1，2，…，k.

(1)

式中：wmn為指標(biāo)層元素m的權(quán)重系數(shù)與中間層元素n的權(quán)重系數(shù)的比值，wmn>0，wmn=1/wnm，當(dāng)m=n時(shí)，wmm=1。在構(gòu)建判斷矩陣時(shí)，由于主觀經(jīng)驗(yàn)所決定的權(quán)重系數(shù)存在誤差，特征根與特征相量之間的巨大偏差難以避免，需要引入一致性的校準(zhǔn)公式：

(2)

式中：CR為一致性比率；λmax為判斷矩陣W的最大特征值；CI為度量一致性偏差的標(biāo)準(zhǔn)；RI為度量隨機(jī)一致性偏差的標(biāo)準(zhǔn)。

以變壓器為例，基于AHP的電力設(shè)備狀態(tài)評(píng)估如圖3所示，以絕緣聚合度、繞組介質(zhì)損耗、總碳?xì)浠衔锖?、吸收?極化指數(shù)等指標(biāo)為基礎(chǔ)建立一個(gè)評(píng)估體系。

圖3 基于AHP的電力設(shè)備狀態(tài)評(píng)估(以變壓器為例)Fig.3 State evaluation of power equipment based on AHP (transformer as an example)

參照油浸式變壓器條件評(píng)價(jià)準(zhǔn)則確定各條件量值的權(quán)重系數(shù)，得到判斷矩陣

(3)

計(jì)算得到判斷矩陣W的最大特征值λmax=6.1。對(duì)應(yīng)的特征向量經(jīng)歸一化后的初始權(quán)重向量α6=(0.23 ，0.15 ，0.15 ，0.15 ，0.23 ，0.09)。

采用AHP將多源異構(gòu)數(shù)據(jù)整合到統(tǒng)一的評(píng)估系統(tǒng)中，通過計(jì)算得到某一元素的初始權(quán)重向量，該過程中存在較大的主觀經(jīng)驗(yàn)，因此需要運(yùn)用模糊數(shù)學(xué)來解決邊界模糊的難題[23]。采用模糊隸屬度函數(shù)對(duì)初始權(quán)重向量進(jìn)行修正，以提高評(píng)估結(jié)果的客觀性。為了解決邊界模糊集合中某一元素隸屬程度的問題，提出一種可行的隸屬度函數(shù)解決方案，其取值范圍為0～1。

采用模糊數(shù)學(xué)評(píng)估方法，很難量化各指標(biāo)權(quán)重及裝備劣化程度。針對(duì)這一問題，提出了一種基于模糊集理論的多級(jí)加權(quán)模糊評(píng)價(jià)模型，狀態(tài)量綜合評(píng)分采用參考導(dǎo)則評(píng)分評(píng)估方法，以基本打分值與權(quán)重系數(shù)之積作為評(píng)價(jià)依據(jù)。采用隸屬度函數(shù)計(jì)算得到狀態(tài)量指標(biāo)評(píng)價(jià)的初始權(quán)重，并獲得各個(gè)指標(biāo)在設(shè)備圖譜中間層所占的權(quán)重，從而定量地描述出當(dāng)前設(shè)備健康狀態(tài)。具體參數(shù)見表1。

表1 非數(shù)值型量化隸屬度評(píng)估方法Tab.1 Non-numerical quantitative membership evaluation method

4 實(shí)驗(yàn)部分

為驗(yàn)證文中設(shè)計(jì)的應(yīng)用大數(shù)據(jù)分析的電力設(shè)備運(yùn)行綜合評(píng)估方法在使用中的合理性，采用Neo4j繪制知識(shí)圖譜。

4.1 實(shí)驗(yàn)設(shè)置

此次實(shí)驗(yàn)對(duì)象設(shè)定為電力公司生產(chǎn)的220 kV的設(shè)備。在實(shí)驗(yàn)過程中，為提升結(jié)果的有效性與準(zhǔn)確性，將實(shí)驗(yàn)對(duì)象設(shè)定為2個(gè)部分，其中一臺(tái)實(shí)驗(yàn)設(shè)備選用正常運(yùn)行的設(shè)備，另一臺(tái)設(shè)定為故障的設(shè)備。

4.2 對(duì)比方法與評(píng)價(jià)指標(biāo)

4.2.1 評(píng)價(jià)指標(biāo)

為了有效評(píng)估算法的數(shù)據(jù)異常識(shí)別以及電力設(shè)備故障檢測(cè)的準(zhǔn)確率，選取數(shù)據(jù)清洗率和故障漏檢率2個(gè)評(píng)價(jià)指標(biāo)。數(shù)據(jù)清洗率是指成功識(shí)別并清除異常或噪音數(shù)據(jù)的比例，故障漏檢率是指未能成功檢測(cè)電力故障設(shè)備的數(shù)量占總電力設(shè)備的比例。

4.2.2 對(duì)比方法

為了體現(xiàn)本文算法的有效性和先進(jìn)性，分別將本文算法與傳統(tǒng)方法和深度學(xué)習(xí)算法進(jìn)行比較，通過不同的實(shí)驗(yàn)分析，驗(yàn)證本文算法的性能，并且通過這些實(shí)驗(yàn)研究不同方法的性能表現(xiàn)，以便為數(shù)據(jù)清洗和電力設(shè)備故障檢測(cè)提供更準(zhǔn)確的指導(dǎo)和推薦。

a)傳統(tǒng)方法。針對(duì)數(shù)據(jù)清洗與電力設(shè)備故障檢測(cè)，選擇能量強(qiáng)度方法和Harris角點(diǎn)檢測(cè)法進(jìn)行對(duì)比實(shí)驗(yàn)，這2種方法在數(shù)據(jù)處理和故障檢測(cè)中具有代表性。在實(shí)驗(yàn)中，重點(diǎn)關(guān)注迭代次數(shù)對(duì)數(shù)據(jù)清洗率和電力設(shè)備故障漏檢率的影響。

能量強(qiáng)度方法是一種基于數(shù)據(jù)振幅和能量分布的處理方式[24]，常用于數(shù)據(jù)清洗。其原理是通過測(cè)量數(shù)據(jù)的振幅變化來識(shí)別可能的異常點(diǎn)或噪音。在本文實(shí)驗(yàn)中，觀察不同迭代次數(shù)下，能量強(qiáng)度方法的數(shù)據(jù)清洗率。

Harris角點(diǎn)檢測(cè)法[25]是一種經(jīng)典的特征檢測(cè)方法，常用于圖像處理和故障檢測(cè)。該方法基于圖像局部區(qū)域的強(qiáng)度變化來識(shí)別角點(diǎn)，通常被應(yīng)用于電力設(shè)備故障檢測(cè)。本文實(shí)驗(yàn)對(duì)比不同迭代次數(shù)下Harris角點(diǎn)檢測(cè)法在發(fā)現(xiàn)電力設(shè)備故障方面的表現(xiàn)，以評(píng)估其漏檢率。

b)深度學(xué)習(xí)算法。隨著深度學(xué)習(xí)的發(fā)展，其在數(shù)據(jù)清洗與電力設(shè)備故障檢測(cè)人工智能算法領(lǐng)域表現(xiàn)出越來越大的優(yōu)勢(shì)。因此，除了與傳統(tǒng)方法對(duì)比之外，本文還選取了MuKEA、GPFL、DocTr幾種深度學(xué)習(xí)算法[26-27]進(jìn)行比較，以驗(yàn)證本文算法的先進(jìn)性。

4.3 實(shí)驗(yàn)結(jié)果分析

4.3.1 傳統(tǒng)算法對(duì)比實(shí)驗(yàn)結(jié)果分析

本文算法與2種傳統(tǒng)算法的數(shù)據(jù)清洗率如圖4所示?？梢钥闯?，Harris角點(diǎn)檢測(cè)方法的數(shù)據(jù)清洗效率平均為72.0%，能量強(qiáng)度法為79.5%，而本文算法的數(shù)據(jù)清洗效率高達(dá)96.0%。本文方法以圖的形式存儲(chǔ)數(shù)據(jù)，這與知識(shí)圖譜的本質(zhì)非常契合。圖數(shù)據(jù)庫能夠捕捉實(shí)體之間的關(guān)系，更自然地表示知識(shí)圖譜中的實(shí)體、屬性和關(guān)系。因此，本文算法在數(shù)據(jù)清洗方面表現(xiàn)出更高的效率。

圖4 數(shù)據(jù)清洗率Fig.4 Data cleaning rate

3種方法的電力設(shè)備異常漏檢率如圖5所示?？梢钥闯觯?種檢測(cè)方法對(duì)電力設(shè)備異常漏檢率的影響存在差異。針對(duì)這一問題，提出一種基于模糊理論的方法對(duì)設(shè)備進(jìn)行綜合評(píng)判。當(dāng)數(shù)據(jù)量達(dá)到10 GiB時(shí)，能量強(qiáng)度法在電力設(shè)備異常漏檢率方面表現(xiàn)不佳，漏檢率25%，Harris角點(diǎn)檢測(cè)與本文方法的漏檢率分別為15%和1.2%；當(dāng)電力設(shè)備的數(shù)據(jù)容量達(dá)到60 GiB時(shí)，Harris角點(diǎn)檢測(cè)方法和能量強(qiáng)度法的漏檢率幾乎達(dá)到18.5%，本文方法漏檢率僅為3%。相較于其他2種傳統(tǒng)方法，本文方法的電力設(shè)備異常漏檢率顯著降低。

圖5 電力設(shè)備故障漏檢率Fig.5 Missing detection rate of power equipment fault

4.3.2 深度學(xué)習(xí)算法對(duì)比實(shí)驗(yàn)結(jié)果分析

本文算法與3種深度學(xué)習(xí)算法的對(duì)比結(jié)果見表2?？梢钥闯觯跀?shù)據(jù)清洗效率以及電力故障漏檢率2個(gè)指標(biāo)上，本文算法均明顯優(yōu)于3種深度學(xué)習(xí)算法。其中，數(shù)據(jù)清洗效率最多提升了14%，電力故障漏檢率最多降低了1.7%，驗(yàn)證了本文算法的先進(jìn)性。

表2 本文算法與深度學(xué)習(xí)算法的對(duì)比結(jié)果Tab.2 Comparison of experimental results between the proposed algorithm and deep learning algorithm

4.4 下游任務(wù)——智能巡檢

作為電網(wǎng)智能化的重要組成部分[28]，電網(wǎng)設(shè)施智能化在線巡檢監(jiān)測(cè)系統(tǒng)提供了全面的數(shù)據(jù)支持，為電網(wǎng)設(shè)備狀態(tài)評(píng)估和相關(guān)診斷功能提供了有力的保障。該系統(tǒng)融合了傳感嵌入技術(shù)、實(shí)時(shí)檢測(cè)技術(shù)以及故障排查診斷，為電網(wǎng)智能在線巡檢監(jiān)測(cè)提供了全方位的支持。

在知識(shí)圖譜下游任務(wù)中，研究將智能巡視與知識(shí)圖譜畫像相結(jié)合的方法，通過知識(shí)圖譜展示智能巡視的結(jié)果，并以知識(shí)圖譜所描繪的設(shè)備健康狀態(tài)指導(dǎo)智能巡視系統(tǒng)的運(yùn)行。具體流程如圖6所示。

圖6 知識(shí)圖譜與智能巡檢協(xié)同應(yīng)用流程Fig.6 Collaborative application of knowledge graph and intelligent inspection

a)巡檢任務(wù)的管理：管理人員下達(dá)巡檢任務(wù)并分配巡檢任務(wù)，巡檢系統(tǒng)在接受任務(wù)時(shí)根據(jù)任務(wù)內(nèi)容完成現(xiàn)場(chǎng)巡檢工作。

b)巡檢數(shù)據(jù)采集：進(jìn)行巡檢數(shù)據(jù)采集時(shí)，需按照規(guī)定線路導(dǎo)航，引導(dǎo)標(biāo)準(zhǔn)操作流程，逐一實(shí)施巡檢任務(wù)，以確保實(shí)現(xiàn)作業(yè)全過程的規(guī)范化。利用智能語音播報(bào)器將操作指令以文字形式告知巡檢員，確保巡視工作順利進(jìn)行。建立故障知識(shí)庫，根據(jù)歷史維修情況分析可能出現(xiàn)問題的原因，制訂針對(duì)性措施。

c)故障排查與遠(yuǎn)程協(xié)助：終端可以通過巡檢模型對(duì)巡檢過程進(jìn)行巡檢指導(dǎo)，用圖譜形式展示設(shè)備畫像模型、工作原理、常見故障的處理辦法等?，F(xiàn)場(chǎng)工作人員遇到技術(shù)難題時(shí)，可通過遠(yuǎn)程協(xié)助獲取專家意見。

5 結(jié)束語

隨著經(jīng)濟(jì)的迅速發(fā)展，電網(wǎng)規(guī)模不斷擴(kuò)大，其所包含的電力設(shè)備數(shù)量激增。如何高效地利用和分析各類海量的電力設(shè)備信息成為了一個(gè)重要課題。由于設(shè)備類型繁多，且不同種類的設(shè)備之間存在差異，目前基于設(shè)備本體的狀態(tài)評(píng)估模型不能很好地滿足實(shí)際應(yīng)用需求。針對(duì)這些迫切需要解決的問題，本研究進(jìn)行了一系列工作。利用知識(shí)圖譜對(duì)設(shè)備信息進(jìn)行映射，結(jié)合圖譜分類對(duì)映射數(shù)據(jù)進(jìn)行多維度屬性類別的劃分，深入分析每個(gè)設(shè)備的特征?；诙嘁晥D理論和深度學(xué)習(xí)方法，構(gòu)建了一種融合多種技術(shù)的設(shè)備健康狀態(tài)評(píng)估模型。在此基礎(chǔ)上，運(yùn)用模糊數(shù)學(xué)層次分析法對(duì)變電設(shè)備的狀態(tài)進(jìn)行全面評(píng)估，并通過實(shí)驗(yàn)驗(yàn)證其數(shù)據(jù)清洗率與故障漏檢率。