(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 202210822473.4 (22)申请日 2022.07.12 (71)申请人 国网山东省电力公司枣庄供电公司 地址 277000 山东省枣庄市新城区黄河路 999号 (72)发明人 田鹏　李岩　卞俊善　刘广辉　 单媛媛　王磊　崔国栋　李国亮　 王坤　李长红　杜健文　雷祥杰　 韩浩　彭治国　张浩然　刘建　 (74)专利代理 机构 上海东信专利商标事务所 (普通合伙) 31228 专利代理师 李丹　杨丹莉 (51)Int.Cl. G06F 16/36(2019.01) G06N 5/02(2006.01)G06N 3/04(2006.01) G06K 9/62(2022.01) G01R 31/12(2006.01) (54)发明名称 一种知识驱动的局部放电模式识别方法 (57)摘要 本发明公开了一种知识驱动的局部放电模 式识别方法， 其包括步骤： (1)构建卷积神经网络 对电力设备的局部放电PRPS数据进行特征提取， 以得到数据特征向量； (2)构建电力设备的局部 放电知识图谱， 并对其进行语义建模和结构建 模； (3)基于经过语义建模和结构建模的局部放 电知识图谱， 构建图卷积神经网络对电力设备的 各类局部放电模式的知 识特征进行提取， 以得到 知识特征向量； (4)比较所述数据特征向量与知 识特征向量的相似度， 将相似度最大的局部放电 模式作为识别结果。 权利要求书1页 说明书6页 附图2页 CN 115168610 A 2022.10.11 CN 115168610 A 1.一种知识驱动的局部放电模式识别方法， 其特 征在于， 包括 步骤： (1)构建卷积神经网络对电力设备的局部放电PRPS数据进行特征提取， 以得到数据特 征向量； (2)构建电力设备的局部放电知识图谱， 并对其进行语义建模和结构建模； 所述局部放 电知识图谱具有若干个节点， 所述节点包括若干个局部放电模式节点和用于描述局部放电 模式特征 的若干个特征节点； 在进行语义建模时， 将局部放电知识图谱中的每个节点的语 义的各个汉字转化为字向量以形成字向量矩阵， 然后 将每个节点对应的字向量矩阵转化为 一个节点向量， 以形成嵌入矩阵； 在进 行结构建模时， 将局部放电知识图谱的结构特征表 示 为临接矩阵A， 所述临接矩阵为大小为n ×n的对称矩阵， 其中n是局部放电知识图谱的节点 数量； (3)基于经过语义建模和结构建模的局部放电知识图谱， 构建图卷积神经网络对电力 设备的各类局部放电模式的知识特 征进行提取， 以得到知识特 征向量； (4)比较所述数据特征向量与知识特征向量的相似度， 将相似度最大的局部放电模式 作为识别结果。 2.如权利要求1所述的知识驱动的局部放电模式识别方法， 其特征在于， 在步骤(1)中， 所述卷积神经网络具有3个卷积层、 2个池化层和1个拉伸层。 3.如权利要求2所述的知识驱动的局部放电模式识别方法， 其特征在于， 在步骤(1)中， 所述各卷积层均具有 多个卷积核。 4.如权利要求1所述的知识驱动的局部放电模式识别方法， 其特征在于， 在步骤(1)中， 所述卷积神经网络的激活函数为线性整流 函数。 5.如权利要求1所述的知识驱动的局部放电模式识别方法， 其特征在于， 在步骤(2)中， 在进行语义建模时， 采用BERT中文字嵌入表示模型将局部放电知识图谱中的每个节点的语 义的各个汉字转化为字向量以形成字向量矩阵； 采用最大池化方法将每个节点对应的字向 量矩阵转 化为一个节点向量。 6.如权利要求1所述的知识驱动的局部放电模式识别方法， 其特征在于， 在步骤(3)中， 所述图卷积神经网络包括两个图卷积层。 7.如权利要求1所述的知识驱动的局部放电模式识别方法， 其特征在于， 在步骤(3)中， 所述图卷积层采用下式表示： Y＝σ(D‑1(A+I)XΘ) 其中， X表示所述嵌入矩阵， I为单位矩阵， Θ为图卷积层的可训练卷积核， Y为图卷积层 的输出矩阵， D为局部放电知识图谱的度矩阵， A 表示所述临接矩阵。 8.如权利要求1所述的知识驱动的局部放电模式识别方法， 其特征在于， 在步骤(4)中， 采用欧拉距离计算所述相似度。 9.如权利要求1所述的知识驱动的局部放电模式识别方法， 其特征在于， 所述局部放电 模式包括： 颗粒放电、 悬浮 放电、 尖端放电、 沿面 放电、 以及气隙放电。权　利　要　求　书 1/1 页 2 CN 115168610 A 2一种知识驱动的局部放电模式识别方 法 技术领域 [0001]本发明涉及 一种电力设备绝缘缺陷故障诊断技术， 尤其涉及一种对局部放电模式 进行识别的方法。 背景技术 [0002]众所周知， 在现有的能源传输系统中， 采用具有高可靠性和优异绝缘性能的电力 设备对于确保系统的安全运行十分重要。 [0003]在当前传统电力设备 中， 其内部所存在的介电绝缘劣化是导致设备发生故障的主 要原因之一， 严重的话还可能导 致大规模停电， 从而造成人民财产安全的重大损失。 [0004]发明人研究发现， 由于不同的局部放电模式对电力设备的绝缘水平降低的影响各 有不同， 不同的局 放模式可能引起的故障严重性也千差万别， 因此针对局部放电的模式识 别已经成为了降低绝缘缺陷和故障风险的重要措施， 其对于电力设备的运维来说至关重 要。 [0005]当前， 传统的局部放电模式识别十分依赖人工 的特征提取， 而数据驱动算法则又 对数据集的数量和质量很敏感， 因此现有的局部放电模式识别会受到实际局部放电数据中 干扰信号的影响。 [0006]而随着知识工程的发展， 将先验知识应用于数据集不足和不平衡的多类目标检测 能够显著 提高图像识别的性能。 在先验知识的监督下， 知识驱动的算法更容易解释， 且更不 可能违背常识。 知识图谱是一种由实体(节点)和关系(边)组成的多关系图， 其以人类认识 世界的方式表示先验知识， 并且由于其特征被广泛用于知识驱动算法中， 在表示结构化数 据方面非常有效。 [0007]基于上述背景， 为了弥补局部放电数据集噪声等问题带来的负面影响， 实现对局 部放电模式的准确识别， 本发明设计并获得了一种新的知识驱动的局部放电模式识别方 法。 发明内容 [0008]本发明的目的在于提供一种知识驱动的局部放电模式识别方法， 该局部放电模式 识别方法能够利用卷积神经网络自动抽取局放数据的特征信息， 并构建电力设备的局部放 电知识图谱， 其通过利用图卷积网络抽取局部放电知识图谱中各种局 放模式的知识特征， 最后通过对比数据特 征与知识特 征实现对局部放电的模式识别。 [0009]基于上述目的， 本发明提出了一种知识驱动的局部放电模式识别方法， 其包括步 骤： [0010](1)构建卷积神 经网络对电力设备的局部放电PRPS数据进行特征提取， 以得到数 据特征向量； [0011](2)构建电力设备的局部放电知识图谱， 并对其进行语义建模和结构建模； 所述局 部放电知识图谱具有若干个节点， 所述节点包括若干个局部放电模式节点和用于描述局部说　明　书 1/6 页 3 CN 115168610 A 3