買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉華北電力大學(保定)申請的專利一種基于繼電保護裝置缺陷知識圖譜的運維輔助決策方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117892814B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202410066728.8，技術領域涉及：G06N5/022；該發明授權一種基于繼電保護裝置缺陷知識圖譜的運維輔助決策方法是由戴志輝;張富澤;韓笑設計研發完成，并于2024-01-17向國家知識產權局提交的專利申請。

本一種基于繼電保護裝置缺陷知識圖譜的運維輔助決策方法在說明書摘要公布了：本發明公開了一種基于繼電保護裝置缺陷知識圖譜的運維輔助決策方法，包括以下步驟：步驟一，繼電保護裝置缺陷文本預處理；步驟二，構建命名實體識別模型；步驟三，知識抽??；步驟四，知識融合；步驟五，構建知識圖譜；步驟六，利用知識圖譜輔助決策；本發明通過對繼電保護裝置缺陷文本進行知識抽取與知識融合，完成繼電保護裝置缺陷知識圖譜的構建，實現了對缺陷數據的充分挖掘利用，本發明提出利用該知識圖譜進行輔助決策的流程和知識圖譜的更新方法，利用知識圖譜和缺陷現象可推理缺陷等級、缺陷部位、缺陷原因和消缺建議，給現場運維檢修人員提供參考，有效降低了運維工作的難度，提高了電網運維水平。

本發明授權一種基于繼電保護裝置缺陷知識圖譜的運維輔助決策方法在權利要求書中公布了：1.一種基于繼電保護裝置缺陷知識圖譜的運維輔助決策方法，包括以下步驟： 步驟一：繼電保護裝置缺陷文本預處理 選取保護裝置缺陷報表作為原始訓練數據集，分析保護裝置缺陷文本的記錄特點，并在此基礎上進行文本數據的預處理，獲取BIO標注數據集； 所述預處理包括以下步驟： S110.缺陷文本特點分析：記錄在繼電保護裝置缺陷報表中的缺陷主要包括以下四類： S1101.安裝尚未投運的繼電保護裝置本身缺陷； S1102.安裝已投運的繼電保護裝置本身缺陷； S1103.投入運行或試運行的繼電保護裝置在運行中發生的缺陷； S1104.投入運行或試運行的繼電保護裝置在定期檢驗或其他試驗中發生的缺陷； S120.數據分類：根據缺陷報表的文本數據形式，將數據分為結構化數據和非結構化數據兩種，結構化數據包括缺陷信息、裝置信息、變電站信息和消缺信息，是系統自動生成的規范化信息；非結構化數據包括保護異常情況或檢驗中發現的問題和處理情況及改進措施，是以短文本的描述形式進行手動記錄的內容； S130.數據清洗：采用以下三種方法對非結構化數據進行數據清洗： S1301.過濾停用詞：首先根據數據特點構建停用詞字典，然后使用Python中的Jieba分詞包結合所構建的停用詞字典，對缺陷文本停用詞進行過濾； S1302.異常值處理：對文本中的多余空格和異常換行符進行刪除，并刪除與結構化數據中重復的電壓等級信息，同時對英文字母的大小寫進行規范化處理； S1303.同義詞合并：按照電力行業標準命名構建電力專業詞典，進行同義實體的合并統一； S140.數據標注：采用BIO標注方法對清洗后的非結構化樣本數據內容進行標注，將所有字符和標簽一一對應，并生成BIO標注文件； S150.數據增強：采用同類實體替換與同義詞替換相結合的數據增強方法對標注后的數據進行語料擴充，具體為：首先，讀取完成BIO標注的文件數據，根據所標注的標簽類型可以提取出實體信息與非實體信息；其次，判斷實體信息的標簽，隨機從數據集中選取相同標簽的實體信息進行同類型替換；然后，利用Jieba分詞包對剩余的非實體信息進行分詞，通過構建同義詞詞典的方式實現同義詞的替換；最后，將替換后的實體信息與非實體信息組合生成新的BIO標注文件； S160.數據增強優化：為避免增強后的文本出現語義混亂與語義重復，在進行同類實體替換時應保證文中多次出現的相同實體所替換的實體也相同，并且缺陷現象標簽有兩個及以上時，保證替換的缺陷現象實體都不相同；另外，進行同義詞替換時忽略分詞中的標點符號，并設置替換比例為20％進行隨機替換以避免語義嚴重偏離； 步驟二：構建命名實體識別模型： 構建BERT-BiLSTM-CRF命名實體識別模型，并進行模型優化，得到MacBERT-BiLSTM-CRF模型； 所述模型構建與優化包括以下步驟： S210.模型構建：首先在BERT層對字符序列進行預訓練得到動態詞向量；然后將動態詞向量輸入到BiLSTM層進行雙向編碼，提取上下文語義信息；最后將含有上下文信息的語義向量輸入到CRF層進行預測標簽約束，經維特比解碼后可得到全局最優預測標簽序列，即獲得每個實體所對應的最大概率標簽，完成實體抽取任務； S220.模型改進：采用以下五種改進方法對BERT-BiLSTM-CRF模型進行改進： S2201.把BERT模型替換為MacBERT模型； S2202.將MacBERT層的輸出向量與BiLSTM層輸出的語義向量進行Concatenate特征串聯融合； S2203.在拼接向量后面引入Dropout層； S2204.采用學習率更新策略，前期通過初始學習率快速訓練尋找最優局部區域，當模型監控指標連續兩輪不再上升時，利用衰減學習率進行模型訓練，衰減學習率Learning_rateS與初始學習率Learning_rate的關系如下所示： 其中，n為學習率的衰減次數； S230.模型評估：根據混淆矩陣計算出精確率P、召喚率R和F1值作為命名實體識別模型的評估指標，在模型訓練時采用F1值作為監控指標判斷每一輪的訓練效果； 步驟三：知識抽取： 利用步驟二中優化得到的MacBERT-BiLSTM-CRF模型對非結構化的缺陷文本進行實體抽取，并結合基于規則的方法進行關系抽取； 所述實體抽取具體為：從數據源的非結構化文本中抽取出缺陷裝置、缺陷部位、缺陷現象、缺陷原因以及解決方法五類關鍵實體信息；其中，缺陷現象分開進行抽取，當抽取出現兩個及以上的缺陷現象時，對缺陷現象進行合并； 所述關系抽取具體為：制定關系抽取規則，抽取五類實體之間的語義關聯； 步驟四：知識融合： 利用余弦相似度對缺陷文本中原有結構化數據以及步驟三中知識抽取出的結合化數據進行知識融合； 所述知識融合具體為：采用余弦相似度算法進行實體的匹配融合，設B1和B2分別為電力專業詞典中的實體詞向量和抽取實體的MacBERT模型輸出詞向量，兩個實體的余弦相似度cosθ計算公式如下所示： 余弦相似度越接近1表示兩個實體越相似，選擇與詞典中相似度最高的實體進行鏈接，完成知識融合； 步驟五：構建知識圖譜： 基于模式層進行繼電保護裝置缺陷知識圖譜的構建，利用Neo4j圖數據庫完成知識圖譜的存儲； 所述知識圖譜構建包括以下步驟： S510.:構建模式層：模式層包含了構建繼電保護裝置缺陷知識圖譜所需要的實體信息，建立了部分實體之間的連接關系以及屬性關系； S520.構建數據層：數據層的數據來源包括電力公司繼電保護裝置缺陷報表和繼電保護裝置缺陷管理規定，對于缺陷文本中原有的結構化數據，可以根據模式層直接進行實例化，針對非結構化數據，通過步驟三和步驟四進行知識抽取和知識融合，然后再根據模式層進行實例化； S530.知識圖譜可視化：利用py2neo開發框架鏈接Neo4j圖數據庫構建知識圖譜，實現繼電保護裝置缺陷領域的知識圖譜可視化； S540.知識更新：結合Neo4j圖數據庫，以增量更新的方式對繼電保護裝置缺陷知識圖譜進行知識更新，具體包括： S5401.針對繼電保護裝置缺陷文本中新出現的實體類型，經專家歸納總結新增實體與原實體之間的關系以及從屬關系，對模式層進行更新； S5402.根據模型層對新增實體進行知識抽取與融合，完成數據層的更新； S5403.利用py2neo開發框架鏈接Neo4j圖數據庫，在原知識圖譜基礎上進行知識模塊的增添修改，實現知識圖譜的更新； 步驟六：利用知識圖譜輔助決策 根據缺陷現象，利用知識圖譜推理出診斷結果和輔助決策，給運維檢修工作提供參考； 所述輔助決策包括以下步驟： S610.實體識別：將缺陷內容通過MacBERT-BiLSTM-CRF改進模型進行實體識別，得到缺陷裝置與缺陷現象實體； S620.實體匹配：利用余弦相似度進行計算模型抽取的實體與知識圖譜中現有實體的匹配度，通過設置閾值進行實體鏈接； S630.推理與決策：對大于閾值的抽取實體通過設計Cypher語言與圖譜中的案例進行匹配，推理出可能的缺陷等級、缺陷部位與缺陷原因，并給出輔助策略，提高電網運維水平；對于小于閾值的抽取實體則由專家進行分析處理，并按知識更新的步驟更新繼電保護裝置缺陷知識圖譜。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人華北電力大學(保定)，其通訊地址為：071003 河北省保定市蓮池區永華北大街619號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。