本发明涉及电力设备故障，具体为一种变压器故障溯因推理方法、系统及相关设备。
背景技术：
1、变压器作为电力系统的关键核心设备，在运行过程中发生故障会严重影响电力系统的安全稳定运行，因此实现故障成因的及时排查与精准挖掘对于故障快速处置、降低系统损害具有重要意义。当前故障溯因分析主要依靠人工经验，需要运检人员掌握全面系统的专业知识，存在知识储备不足导致故障溯因难度大、质效低等问题，因此亟需结合人工智能技术实现变压器故障成因的高效精准推理。
2、在变压器运行过程中可获取到图像、声纹等多种类型的监测数据，同时还存在文本类型的故障信息。若仅利用单一模态数据进行故障成因分析存在信息利用不充分的问题，导致出现误判、错判等情况，因此需综合利用多模态信息进行故障成因分析，提高故障溯因推理的可靠性和准确性。多模态知识图谱可实现多种监测数据和故障信息的有效组织和管理，但对于节点特征聚合与节点嵌入表示，传统基于频谱分解/矩阵分解的直推式图表示学习方法只能针对特定图结构中的节点生成嵌入向量，而对于不同的图结构难以适用。
技术实现思路
1、为了解决现有技术中存在的问题，本发明的目的是提供一种变压器故障溯因推理方法、系统及相关设备，该方法得到具有可扩展性的故障溯因推理模型，能够针对不同图结构实现监测数据与故障信息的特征聚合及节点嵌入生成，支撑故障溯因推理模型向不同图结构的故障子图快速扩展。
2、为了实现上述目的，本发明采用如下技术方案：
3、第一方面本发明提供一种变压器故障溯因推理方法，包括：
4、构建变压器故障多模态知识图谱本体架构；
5、基于变压器故障多模态知识图谱本体架构，对变压器故障案例进行知识抽取获取故障子图及其所属故障原因，建立故障原因库并为故障子图添加故障原因标签，并构建训练集、验证集和测试集；
6、对故障子图中各模态实体节点特征提取，获取子图中各节点的自身节点嵌入表示；
7、基于子图中各节点的自身节点嵌入表示，采用归纳式图表示学习方法融合k跳内邻居节点信息，提取并聚合邻居节点的关键特征，以获取更有效的节点深层语义嵌入表征，并更新子图中各节点嵌入表示，进而得到聚合k层邻居节点信息的故障节点嵌入表示；
8、提取故障原因语义表征，并计算聚合更新后的故障节点嵌入表示与故障原因语义表征间的关联度作为故障原因得分；基于训练集、验证集和测试集，利用故障原因得分和故障子图标签计算损失值，迭代更新故障溯因推理模型参数，训练得到故障溯因推理模型；
9、利用训练好的故障溯因推理模型，计算待分析故障子图与故障原因的关联度，推理得到溯因结果。
10、可选地，所述构建变压器故障多模态知识图谱本体架构，包括：
11、根据专家经验及变压器故障案例，归纳总结表述故障发生位置、故障类型、多模态故障现象对应信息的概念及其之间的逻辑关系和拓扑关联结构，进而构建变压器故障多模态知识图谱本体架构。
12、可选地，所述基于变压器故障多模态知识图谱本体架构，对变压器故障案例进行知识抽取获取故障子图及其所属故障原因，建立故障原因库并为故障子图添加故障原因标签，并构建训练集、验证集和测试集，包括：
13、基于变压器故障多模态知识图谱本体架构，根据多种模态数据的知识抽取，形成结构化的三元组数据：实体-关系-实体，再进行实体对齐操作，将三元组中的同一实体进行对齐合并，进而形成变压器故障子图；基于变压器故障案例获得多个故障子图及其所属故障原因，构建故障原因库并为故障子图添加故障原因标签，最后将多个故障子图划分为训练集、验证集和测试集。
14、可选地，所述根据多种模态数据的知识抽取，形成结构化的三元组数据：实体-关系-实体，包括：
15、基于本体架构的概念及其之间的逻辑关系和拓扑关联，对非结构化的变压器故障案例进行知识抽取；
16、对于文本模态数据，采用循环神经网络+条件随机场方法对变压器故障案例进行实体抽取，获取对应于本体架构中概念的实体和故障原因实体；
17、在实体抽取结果的基础上，利用循环神经网络提取包含两个实体文本的句子级特征，并进行实体关系分类实现关系抽取；
18、对于图像等其他模态数据，抽取变压器故障案例中相应模态的实体，并利用概念间的逻辑关系建立与其它实体的关联关系。
19、可选地，所述对故障子图中各模态实体节点特征提取，获取子图中各节点的自身节点嵌入表示，包括：
20、将故障子图实体节点分为文本型节点、图像型节点和数值型节点，其中图像型节点包括红外图像节点、可见光图像节点；数值型节点划分为连续型节点和离散型节点，连续性节点包括声纹节点，离散型节点包括油色谱节点；其余节点为文本型节点；
21、提取故障子图中各节点值的特征向量，获取自身节点嵌入表示，提取文本型节点的特征向量、提取图像型节点的特征向量、提取特征参量作为连续型节点的特征向量、将节点值作为离散型节点的特征向量；
22、节点特征向量均经过线性层统一向量维度为n，并进行向量线性归一化操作。
23、可选地，所述提取并聚合邻居节点的关键特征，以获取更有效的节点深层语义嵌入表征，包括：
24、定义得到的故障子图中节点i的自身嵌入表示为xi，i＝1,2,...,m，m为故障子图节点数量，并对故障子图中所有节点进行搜索深度为k的邻居节点信息聚合过程，其中k＝1表示聚合节点i的邻居节点信息，k＝2表示聚合节点i的邻居节点信息以及节点i邻居节点的邻居节点信息，以此类推；聚合过程如下所示：
25、
26、通过对节点i的邻居节点集n(i)进行采样得到r，其中rp为节点i的邻居节点；若采样大小s≤len(n(i))，r中的元素满足rp,rq∈n(i)且rp≠rq，否则满足且当设置s大于n(i)的集合长度时，可充分融合利用设备多种监测数据和故障信息；yi(l-1)为节点i在第l-1层的邻居节点嵌入矩阵，通过concat(·)函数实现邻居节点嵌入的纵向拼接，shuffle(·)函数实现对s个邻居节点嵌入的重新洗牌操作；faggregate为聚合函数，具体为通过卷积神经网络提取邻居节点的关键特征，以获取更有效的节点深层语义嵌入表征；为节点j在第l-1层的嵌入表示，为节点i的邻居节点信息经过聚合操作后得到的嵌入表示。
27、可选地，所述更新子图中各节点嵌入表示，得到聚合k层邻居节点信息的故障节点嵌入表示，包括：
28、基于得到的邻居节点聚合嵌入表示通过更新函数fupdate计算得到融合邻居信息的故障节点嵌入表示更新函数如下所示，其中concat(·)函数实现和的横向拼接，w(l)为第l层的权重矩阵，σ为非线性激活函数；节点初始嵌入表示xi共经k次聚合及更新过程，最终得到聚合k层邻居节点信息的故障节点嵌入表示
29、
30、得到聚合k层邻居节点信息的故障节点嵌入表示。
31、可选地，所述提取故障原因语义表征，并计算聚合更新后的故障节点嵌入表示与故障原因语义表征间的关联度作为故障原因得分，包括：
32、提取故障原因的语义特征表示c，并将故障子图中聚合更新后的故障节点嵌入表示与故障原因语义表征c之间的关联度作为故障原因得分；关联度计算公式如下：
33、
34、计算得到故障原因得分。
35、可选地，所述基于训练集、验证集和测试集，利用故障原因得分和故障子图标签计算损失值，迭代更新故障溯因推理模型参数，训练得到故障溯因推理模型，包括：
36、获取故障子图中聚合更新后的故障节点嵌入表示；计算训练集中故障子图的故障原因得分，再基于故障原因得分和故障子图标签，利用多分类交叉熵损失函数计算损失值，并利用梯度下降法对各模态特征提取模型、图表示学习模型和故障原因特征提取模型的参数进行更新迭代；在模型参数更新迭代过程中，保存验证集溯因准确率最高的模型参数，最后基于测试集来测试模型溯因效果，训练得到故障溯因推理模型。
37、可选地，所述利用训练好的故障溯因推理模型，计算待分析故障子图与故障原因的关联度，推理得到溯因结果，包括：对于待溯因的变压器故障，将多种监测数据和故障信息按照本体架构组织形成故障子图，通过上述训练得到的故障溯因推理模型，计算待溯因的故障子图与故障原因库中所有故障原因的关联度，并选取得分最高的故障原因作为溯因推理结果。
38、第二方面本发明提供一种变压器故障溯因推理系统，包括：
39、构建模块，用于构建变压器故障多模态知识图谱本体架构；
40、抽取模块，用于基于变压器故障多模态知识图谱本体架构，对变压器故障案例进行知识抽取获取故障子图及其所属故障原因，建立故障原因库并为故障子图添加故障原因标签，并构建训练集、验证集和测试集；
41、提取模块，用于对故障子图中各模态实体节点特征提取，获取子图中各节点的自身节点嵌入表示；
42、表征模块，用于基于子图中各节点的自身节点嵌入表示，采用归纳式图表示学习方法融合k跳内邻居节点信息，提取并聚合邻居节点的关键特征，以获取更有效的节点深层语义嵌入表征，并更新子图中各节点嵌入表示，进而得到聚合k层邻居节点信息的故障节点嵌入表示；
43、训练模块，用于提取故障原因语义表征，并计算聚合更新后的故障节点嵌入表示与故障原因语义表征间的关联度作为故障原因得分；基于训练集、验证集和测试集，利用故障原因得分和故障子图标签计算损失值，迭代更新故障溯因推理模型参数，训练得到故障溯因推理模型；
44、推理模块，用于利用训练好的故障溯因推理模型，计算待分析故障子图与故障原因的关联度，推理得到溯因结果。
45、作为本发明进一步改进，所述构建模块中，构建变压器故障多模态知识图谱本体架构，包括：
46、根据专家经验及变压器故障案例，归纳总结表述故障发生位置、故障类型、多模态故障现象对应信息的概念及其之间的逻辑关系和拓扑关联结构，进而构建变压器故障多模态知识图谱本体架构。
47、作为本发明进一步改进，所述抽取模块中，基于变压器故障多模态知识图谱本体架构，对变压器故障案例进行知识抽取获取故障子图及其所属故障原因，建立故障原因库并为故障子图添加故障原因标签，并构建训练集、验证集和测试集，包括：
48、基于变压器故障多模态知识图谱本体架构，根据多种模态数据的知识抽取，形成结构化的三元组数据：实体-关系-实体，再进行实体对齐操作，将三元组中的同一实体进行对齐合并，进而形成变压器故障子图；基于变压器故障案例获得多个故障子图及其所属故障原因，构建故障原因库并为故障子图添加故障原因标签，最后将多个故障子图划分为训练集、验证集和测试集。
49、作为本发明进一步改进，所述根据多种模态数据的知识抽取，形成结构化的三元组数据：实体-关系-实体，包括：
50、基于本体架构的概念及其之间的逻辑关系和拓扑关联，对非结构化的变压器故障案例进行知识抽取；
51、对于文本模态数据，采用循环神经网络+条件随机场方法对变压器故障案例进行实体抽取，获取对应于本体架构中概念的实体和故障原因实体；
52、在实体抽取结果的基础上，利用循环神经网络提取包含两个实体文本的句子级特征，并进行实体关系分类实现关系抽取；
53、对于图像等其他模态数据，抽取变压器故障案例中相应模态的实体，并利用概念间的逻辑关系建立与其它实体的关联关系。
54、作为本发明进一步改进，所述提取模块中，对故障子图中各模态实体节点特征提取，获取子图中各节点的自身节点嵌入表示，包括：
55、将故障子图实体节点分为文本型节点、图像型节点和数值型节点，其中图像型节点包括红外图像节点、可见光图像节点；数值型节点划分为连续型节点和离散型节点，连续性节点包括声纹节点，离散型节点包括油色谱节点；其余节点为文本型节点；
56、提取故障子图中各节点值的特征向量，获取自身节点嵌入表示，提取文本型节点的特征向量、提取图像型节点的特征向量、提取特征参量作为连续型节点的特征向量、将节点值作为离散型节点的特征向量；
57、节点特征向量均经过线性层统一向量维度为n，并进行向量线性归一化操作。
58、作为本发明进一步改进，所述表征模块中，提取并聚合邻居节点的关键特征，以获取更有效的节点深层语义嵌入表征，包括：
59、定义得到的故障子图中节点i的自身嵌入表示为xi，i＝1,2,…,m，m为故障子图节点数量，并对故障子图中所有节点进行搜索深度为k的邻居节点信息聚合过程，其中k＝1表示聚合节点i的邻居节点信息，k＝2表示聚合节点i的邻居节点信息以及节点i邻居节点的邻居节点信息，以此类推；聚合过程如下所示：
60、
61、通过对节点i的邻居节点集n(i)进行采样得到r，其中rp为节点i的邻居节点；若采样大小s≤len(n(i))，r中的元素满足rp,rq∈n(i)且rp≠rq，否则满足且当设置s大于n(i)的集合长度时，可充分融合利用设备多种监测数据和故障信息；yi(l-1)为节点i在第l-1层的邻居节点嵌入矩阵，通过concat(·)函数实现邻居节点嵌入的纵向拼接，shuffle(·)函数实现对s个邻居节点嵌入的重新洗牌操作；faggregate为聚合函数，具体为通过卷积神经网络提取邻居节点的关键特征，以获取更有效的节点深层语义嵌入表征；为节点j在第l-1层的嵌入表示，为节点i的邻居节点信息经过聚合操作后得到的嵌入表示。
62、作为本发明进一步改进，所述表征模块中，更新子图中各节点嵌入表示，得到聚合k层邻居节点信息的故障节点嵌入表示，包括：
63、基于得到的邻居节点聚合嵌入表示通过更新函数fupdate计算得到融合邻居信息的故障节点嵌入表示更新函数如下所示，其中concat(·)函数实现和的横向拼接，w(l)为第l层的权重矩阵，σ为非线性激活函数；节点初始嵌入表示xi共经k次聚合及更新过程，最终得到聚合k层邻居节点信息的故障节点嵌入表示
64、
65、得到聚合k层邻居节点信息的故障节点嵌入表示。
66、作为本发明进一步改进，所述训练模块中，提取故障原因语义表征，并计算聚合更新后的故障节点嵌入表示与故障原因语义表征间的关联度作为故障原因得分，包括：
67、提取故障原因的语义特征表示c，并将故障子图中聚合更新后的故障节点嵌入表示与故障原因语义表征c之间的关联度作为故障原因得分；关联度计算公式如下：
68、
69、作为本发明进一步改进，所述训练模块中，基于训练集、验证集和测试集，利用故障原因得分和故障子图标签计算损失值，迭代更新故障溯因推理模型参数，训练得到故障溯因推理模型，包括：
70、获取故障子图中聚合更新后的故障节点嵌入表示；计算训练集中故障子图的故障原因得分，再基于故障原因得分和故障子图标签，利用多分类交叉熵损失函数计算损失值，并利用梯度下降法对各模态特征提取模型、图表示学习模型和故障原因特征提取模型的参数进行更新迭代；在模型参数更新迭代过程中，保存验证集溯因准确率最高的模型参数，最后基于测试集来测试模型溯因效果，训练得到故障溯因推理模型。
71、作为本发明进一步改进，所述推理模块中，利用训练好的故障溯因推理模型，计算待分析故障子图与故障原因的关联度，推理得到溯因结果，包括：对于待溯因的变压器故障，将多种监测数据和故障信息按照本体架构组织形成故障子图，通过上述训练得到的故障溯因推理模型，计算待溯因的故障子图与故障原因库中所有故障原因的关联度，并选取得分最高的故障原因作为溯因推理结果。
72、第三方面本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述变压器故障溯因推理方法。
73、第四方面本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述变压器故障溯因推理方法。
74、与现有技术相比，本发明具有以下有益效果：
75、本发明的变压器故障溯因推理方法，首先以设备多种监测数据和故障信息为节点构建多模态故障子图，其次通过特征提取模型获取子图中各模态节点的特征表示，然后利用归纳式图表示学习模型聚合邻居特征信息以更新故障节点嵌入，最后计算故障节点嵌入与故障原因语义表示的关联度进而实现故障成因推理。通过充分聚合多模态监测数据、故障位置、故障类型等节点特征信息和图结构信息，并在特征聚合过程中考虑提取邻居节点的关键特征，可获取信息更丰富、特征更有效的故障深层语义嵌入表征，有效助力设备故障溯因分析效率和智能化水平的提升。此外，本发明基于归纳式图表示学习的故障溯因推理模型通过学习产生节点嵌入的映射，避免了对特定图结构的依赖，易于扩展至图结构变化的故障子图，具有良好的可扩展性和普适性。
1.一种变压器故障溯因推理方法，其特征在于，包括：
2.根据权利要求1所述的变压器故障溯因推理方法，其特征在于，所述构建变压器故障多模态知识图谱本体架构，包括：
3.根据权利要求1所述的变压器故障溯因推理方法，其特征在于，所述基于变压器故障多模态知识图谱本体架构，对变压器故障案例进行知识抽取获取故障子图及其所属故障原因，建立故障原因库并为故障子图添加故障原因标签，并构建训练集、验证集和测试集，包括：
4.根据权利要求1所述的变压器故障溯因推理方法，其特征在于，所述根据多种模态数据的知识抽取，形成结构化的三元组数据：实体-关系-实体，包括：
5.根据权利要求1所述的变压器故障溯因推理方法，其特征在于，所述对故障子图中各模态实体节点特征提取，获取子图中各节点的自身节点嵌入表示，包括：
6.根据权利要求1所述的变压器故障溯因推理方法，其特征在于，所述提取并聚合邻居节点的关键特征，以获取更有效的节点深层语义嵌入表征，包括：
7.根据权利要求1所述的变压器故障溯因推理方法，其特征在于，所述更新子图中各节点嵌入表示，得到聚合k层邻居节点信息的故障节点嵌入表示，包括：
8.根据权利要求1所述的变压器故障溯因推理方法，其特征在于，所述提取故障原因语义表征，并计算聚合更新后的故障节点嵌入表示与故障原因语义表征间的关联度作为故障原因得分，包括：
9.根据权利要求1所述的变压器故障溯因推理方法，其特征在于，所述基于训练集、验证集和测试集，利用故障原因得分和故障子图标签计算损失值，迭代更新故障溯因推理模型参数，训练得到故障溯因推理模型，包括：
10.根据权利要求1所述的变压器故障溯因推理方法，其特征在于，所述利用训练好的故障溯因推理模型，计算待分析故障子图与故障原因的关联度，推理得到溯因结果，包括：对于待溯因的变压器故障，将多种监测数据和故障信息按照本体架构组织形成故障子图，通过上述训练得到的故障溯因推理模型，计算待溯因的故障子图与故障原因库中所有故障原因的关联度，并选取得分最高的故障原因作为溯因推理结果。
11.一种变压器故障溯因推理系统，其特征在于，包括：
12.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-10任一项所述变压器故障溯因推理方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-10任一项所述变压器故障溯因推理方法。
