电力设备健康管理知识图谱:基本概念、关键技术及研究进展

来源 :电力系统自动化 | 被引量 : 0次 | 上传用户:prcjzzz
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
知识图谱具有良好的知识表达能力和解释性,是人工智能领域的一个重要分支,将其应用于电力设备健康管理,可有效整合设备全生命周期的数据,形成以知识为导向的新型运维管理模式.首先,文中系统地梳理了开放领域知识图谱构建方法,针对其中的关键技术和难点问题进行了详细阐述,并结合电力设备健康管理知识图谱的特点,论述了知识图谱的构建过程;然后,结合现有工作,明确了知识图谱在电力设备健康管理中的应用场景,并分析了当前健康管理领域对知识图谱技术的需求;最后,对未来知识图谱在能源电力设备健康管理中的应用前景做了展望.
其他文献
随着物联网与通信技术的发展,电力物联网数据呈现海量异构的特点.针对目前云计算架构下电力物联网数据处理存在时延大、云计算压力大等问题,文章提出基于云边协同的数据处理方法.首先通过数据标准化描述、集成与融合等预处理步骤,解决数据多源异构、冗余度高等问题;然后针对数据处理提出了基于容器化技术的云边协同方法,将数据处理划分为多个微服务部署到边缘层,达到缓解云计算压力的目的.
传统电力信息系统运维数据整合方法数据整合时间较长,且整合过程中数据覆盖率不高,为此文章设计了基于人工智能技术的电力信息系统运维数据整合方法.首先设定统一电力信息系统运维数据整合标准与数据分类原则,根据数据间相互关系定义数据类型,分类处理电力信息系统运维数据,并剔除分类后格式不一致和重复数据,以此降低无效数据干扰、提升数据整合效率.然后制定统一编码标准,对分类后数据进行校核与编码,确定分类后的数据集与实际数据是否匹配,以离线数据为基础,利用深度学习算法进行电力信息系统运维数据的整合,可以降低系统中资源的占用
架空输电线路杆塔所处环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对杆塔异常振动识别准确率降低.为改善识别模型偏差问题,文章提出一种基于领域适配深度迁移学习的杆塔异常振动识别方法.通过一维卷积神经网络实现不同环境条件下异常振动信号的自动特征提取,并引入迁移学习,实现复杂环境下异常振动的准确识别.所提方法通过优化场景差异性正则化损失函数,缩小复杂真实场景与典型场景间的分布差异,获得有效的领域适配模型.实验结果表明,所提方法能明显改善复杂环境下输电杆塔异常振