本發明涉及電力設備故障分析領域，具體是一種基于動態知識圖譜的電力設備故障定位方法及系統。
背景技術：
1、電力設備健康狀態診斷是電網資產管理的核心，對電網安全穩定運行至關重要；據統計，電力設備自身故障是電網事故的主要起因；電力設備健康狀態診斷可分為單一狀態診斷和多狀態根因分析；其中，單一狀態診斷主要是依據規程，采用閾值分析、趨勢分析、相間比較等進行判別；多狀態根因分析主要依靠專家經驗結合規程進行判斷，及時準確找到設備缺陷的根因；但其人工分析復雜度高且難度大，導致診斷結果準確性無法保證，且高水平專家經驗往往需要長時間的累積，其傳承難度大；因此當下急需解決現有設備診斷依靠人工經驗、多源多模態數據利用不充分和診斷準確性無法保證的技術缺陷。
技術實現思路
1、本發明的目的在于提供一種基于動態知識圖譜的電力設備故障定位方法及系統，以解決現有技術中提出的問題。
2、為實現上述目的，本發明提供如下技術方案：
3、一種基于動態知識圖譜的電力設備故障定位方法，該方法包括以下步驟：
4、確定電力設備監測目標，對目標電力設備進行運行數據采集；
5、構建大參數模型和小模型對抗學習框架，對大參數模型與小模型數據進行輸出數據處理；
6、通過小模型對所述目標電力設備數據進行特征分析，結合大參數模型對目標電力設備數據進行參數預測，確定目標電力設備的故障分析數據；
7、基于大參數模型及小模型對所述目標電力設備的故障分析數據，構建設備診斷知識圖譜，對所述目標設備的故障分析數據進行節點分析，確定所述目標電力設備故障數據推理路徑，輸出所述目標電力設備故障數據。
8、進一步的，根據電網管控端口獲取電網設備運行節點網絡，確定所述目標電力設備的編號及定位數據；其中目標電力設備包括變壓器、高壓斷路器和gis設備；
9、通過電網管控端口調取所述目標電力設備的運行數據包，構建周期目標電力設備運行數據表；其中對應目標電力設備運行數據包括油中溶解氣體數據、變壓器頻率響應數據、變壓器機械狀態數據、斷路器繞圈電流狀態數據和gis局部放電數據等。
10、進一步的，所述構建大參數模型和小模型對抗學習框架，通過對各所述目標電力設備類型及對應運行數據分析場景規劃數據輸出格式，并對大參數模型和對應各所述目標電力設備數據分析小模型輸出數據進行數據轉換規則制定，實現對大參數模型和對應各所述目標電力設備數據分析小模型輸出數據的對齊處理；其中對應不同電力設備及運行數據場景，其輸出數據形式差異較大，通過轉換規則進行格式統一，利于提高數據處理的效率和準確性；
11、基于對齊處理后的大參數模型和對應各所述目標電力設備數據分析小模型輸出數據，根據人工方式對輸出數據進行對比判斷，確定大參數模型和對應各所述目標電力設備數據分析小模型輸出數據的差異情況，并基于差異情況對大參數模型進行模型網絡數據訓練結構或參數調整，對大參數模型進行對抗學習數據更新；其中若存在大參數模型和某電力設備對應某運行數據的分析小模型輸出數據存在偏差時，可以通過調整模型網絡結構或參數，如在神經網絡中通過調整神經元連接權重值優化輸出，不斷更新模型參數，強化模型的學習能力。
12、進一步的，通過對各所述目標電力設備的周期目標電力設備運行數據表進行調取，獲取對應周期內對應所述目標電力設備的周期運行的各類型數據，將獲取數據分別輸入對應所述目標電力設備數據分析小模型進行特征處理；對所述目標電力設備的對應類型周期各時間點運行數據，構建對應類型周期運行數據的特征向量；
13、通過將對應所述目標電力設備的周期內各類型運行數據所對應的特征向量進行集成，以對應所述目標電力設備為中心節點，構建統一特征向量空間，確定各所述目標電力設備的周期運行數據特征向量集合；通過大參數模型對各所述目標電力設備的相鄰下一周期內各類型運行數據進行預測，并構建各所述目標電力設備的相鄰下一周期預測運行數據特征向量集合；結合當前周期內各所述目標電力設備的周期運行數據特征向量集合和相鄰下一周期預測運行數據特征向量集合，進行對應各所述目標電力設備的故障分析，基于分析結果確定故障電力設備；其中，故障分析計算為
14、；
15、其中fd（h）為對應編號h目標電力設備的故障指數；v（h）m和vx（h）m分別對應編號h目標電力設備的當前周期的周期運行數據特征向量集合和相鄰下一周期預測運行數據特征向量集合中對應類型編號m的運行數據的特征向量；m為運行數據類型數量編號；根據故障分析結果，判斷各所述目標電力設備的故障指數，通過設立判斷閾值，對大于閾值的故障指數對應的電力設備進行故障提示。
16、進一步的，基于大參數模型結合對應所述目標電力設備各類型運行數據分析小模型，對各所述目標電力設備的周期運行數據故障分析結果，確定故障電力設備；通過構建設備診斷知識圖譜，以故障設備為主節點，以故障設備周期內各類型運行數據為a層子節點，以故障設備的歷史故障類型數據為b層子節點，以故障設備的歷史故障類型對應歷史故障原因數據為c層子節點；通過分析故障電力設備周期內各類型運行數據的故障指數，確定故障電力設備的周期故障運行數據；其中對運行數據的故障指數分析，采取當前周期內對應類型運行數據與相鄰下一周期對應類型運行數據，對應各時間點數據進行向量構建并作故障指數分析，其計算方式與判斷方式參考上述電力設備的故障指數計算方式；
17、基于確定的故障運行數據，在設備診斷知識圖譜中將對應故障運行數據節點與設備主節點進行連接，構建故障電力設備的故障數據鏈；通過對故障電力設備的確定故障運行數據進行對應故障類型概率分布分析，基于分析結果確定當前故障運行數據的故障類型數據；根據對應故障運行故障數據的故障類型數據所對應的歷史故障原因數據進行匹配，根據匹配結果構建當前故障電力設備對應故障運行數據的故障運行數據推理路徑；分別對各故障數據對應故障數據推理路徑的故障占比進行分析，基于分析結果分別構建當前故障電力設備的故障數據表，對各故障數據進行優先級輸出；其中對故障運行數據進行對應故障類型概率分布分析，其計算為
18、；
19、其中，l（n）為對應類型編號n故障運行數據的故障類型分布函數值；n（k）、nx（k）和n（k）j分別對應為編號n故障運行數據當前周期內各時間點k處的數據值、編號n故障運行數據下一周期內各時間點k處的數據值和編號n故障運行數據歷史周期內各時間點k處的平均數據值；通過查詢對應故障運行數據的故障類型分布函數值所處區間對應的故障類型，確定當前周期內故障電力設備存在的故障數據所對應的故障類型；通過確定對應故障類型與故障原因的歷史影響權重，對當前故障運行數據的故障類型對應各故障原因進行匹配；根據對應故障運行數據的故障類型與各匹配故障原因數據，在設備診斷知識圖譜中分別進行對應節點連接，獲取當前故障運行數據存在的推理路徑；基于當前故障電力設備存在的故障運行數據推理路徑，分別對各故障運行數據各推理路徑進行占比分析，其分析計算為
20、；
21、其中，y（gq(n)）對應為編號n的故障運行數據推理路徑編號gq的故障占比；fd（n）為對應編號n的故障運行數據的故障指數；l（n）i為對應編號n的故障運行數據的對應編號i故障類型的分布函數值；wq,i為對應編號i故障類型對應編號q歷史故障原因數據權重值；其中由于單故障數據對應的故障類型可能存在多個故障原因，因此在進行故障運行數據推理路徑構建時，會存在單個故障數據對應多個推理路徑；對當前故障電力設備存在的各故障運行數據對應的各推理路徑進行故障占比排序，構建當前故障電力設備的故障數據表，按照推理路徑故障占比值由大至小進行排序，并將故障數據表進行輸出，對故障數據表中的故障電力設備的對應故障運行數據及對應故障類型和故障原因進行警示。
22、一種基于動態知識圖譜的電力設備故障定位系統，所述系統包括電力設備監控模塊、模型構建學習模塊、故障確定模塊和故障分析模塊；
23、所述電力設備監控模塊確定電力設備監測目標，對目標電力設備進行運行數據采集；所述模型構建學習模塊構建大參數模型和小模型對抗學習框架，對大參數模型與小模型數據進行輸出數據處理；所述故障確定模塊通過小模型對所述目標電力設備數據進行特征分析，結合大參數模型對目標電力設備數據進行參數預測，確定目標電力設備的故障分析數據；所述故障分析模塊基于大參數模型及小模型對所述目標電力設備的故障分析數據，構建設備診斷知識圖譜，對所述目標設備的故障分析數據進行節點分析，確定所述目標電力設備故障數據推理路徑，輸出所述目標電力設備故障數據。
24、進一步的，所述電力設備監控模塊包括目標設備確定單元和數據采集單元；
25、所述目標設備確定單元根據電網管控端口獲取電網設備運行節點網絡，確定所述目標電力設備的編號及定位數據；
26、所述數據采集單元通過電網管控端口調取所述目標電力設備的運行數據包，構建周期目標電力設備運行數據表。
27、進一步的，所述模型構建學習模塊包括模型數據處理單元和模型參數調整單元；
28、所述模型數據處理單元所述構建大參數模型和小模型對抗學習框架，通過對各所述目標電力設備類型及對應運行數據分析場景規劃數據輸出格式，并對大參數模型和對應各所述目標電力設備數據分析小模型輸出數據進行數據轉換規則制定，實現對大參數模型和對應各所述目標電力設備數據分析小模型輸出數據的對齊處理；
29、所述模型參數調整單元基于對齊處理后的大參數模型和對應各所述目標電力設備數據分析小模型輸出數據，根據人工方式對輸出數據進行對比判斷，確定大參數模型和對應各所述目標電力設備數據分析小模型輸出數據的差異情況，并基于差異情況對大參數模型進行模型網絡數據訓練結構或參數調整，對大參數模型進行對抗學習數據更新。
30、進一步的，所述故障確定模塊包括運行數據特征處理單元和故障電力設備確定單元；
31、所述運行數據特征處理單元通過對各所述目標電力設備的周期目標電力設備運行數據表進行調取，獲取對應周期內對應所述目標電力設備的周期運行的各類型數據，將獲取數據分別輸入對應所述目標電力設備數據分析小模型進行特征處理；對所述目標電力設備的對應類型周期各時間點運行數據，構建對應類型周期運行數據的特征向量；
32、所述故障電力設備確定單元通過將對應所述目標電力設備的周期內各類型運行數據所對應的特征向量進行集成，以對應所述目標電力設備為中心節點，構建統一特征向量空間，確定各所述目標電力設備的周期運行數據特征向量集合；通過大參數模型對各所述目標電力設備的相鄰下一周期內各類型運行數據進行預測，并構建各所述目標電力設備的相鄰下一周期預測運行數據特征向量集合；結合當前周期內各所述目標電力設備的周期運行數據特征向量集合和相鄰下一周期預測運行數據特征向量集合，進行對應各所述目標電力設備的故障分析，基于分析結果確定故障電力設備。
33、進一步的，所述故障分析模塊包括知識圖譜構建單元和故障數據反饋單元；
34、所述知識圖譜構建單元基于大參數模型結合對應所述目標電力設備各類型運行數據分析小模型，對各所述目標電力設備的周期運行數據故障分析結果，確定故障電力設備；通過構建設備診斷知識圖譜，以故障設備為主節點，以故障設備周期內各類型運行數據為a層子節點，以故障設備的歷史故障類型數據為b層子節點，以故障設備的歷史故障類型對應歷史故障原因數據為c層子節點；通過分析故障電力設備周期內各類型運行數據的故障指數，確定故障電力設備的周期故障運行數據；
35、所述故障數據反饋單元基于確定的故障運行數據，在設備診斷知識圖譜中將對應故障運行數據節點與設備主節點進行連接，構建故障電力設備的故障數據鏈；通過對故障電力設備的確定故障運行數據進行對應故障類型概率分布分析，基于分析結果確定當前故障運行數據的故障類型數據；根據對應故障運行故障數據的故障類型數據所對應的歷史故障原因數據進行匹配，根據匹配結果構建當前故障電力設備對應故障運行數據的故障運行數據推理路徑；分別對各故障數據對應故障數據推理路徑的故障占比進行分析，基于分析結果分別構建當前故障電力設備的故障數據表，對各故障數據進行優先級輸出。
36、與現有技術相比，本發明的有益效果是：
37、本發明通過構建大參數模型及分布式小模型對監控設備進行多源數據集成處理，并通過對電力設備運行數據進行特征處理，確定故障電力設備；基于故障電力設備對故障數據進行分析，并構建設備診斷知識圖譜對故障數據進行故障路徑；本發明通過對大參數模型與小模型進行對抗學習，對設備運行數據進行特征處理并進行故障分析，再通過對故障設備進行故障數據確定后，通過分層次進行故障類型和故障原因進行分析，基于知識圖譜進行根因分析構建故障推理路徑，實現對故障設備、故障數據、故障類型和故障原因輸出；本發明彌補了現有設備診斷的人工依賴性；改善了對多源多模態數據利用不充分的情況，提高設備故障的檢測性能。