(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 202210152063.3 (22)申请日 2022.02.18 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 宋辉　陈立帆　盛戈皞　孟祥麟　 张钊棋　钱勇　罗林根　 (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. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 16/36(2019.01) G06F 40/284(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种设备灾害 事故预测方法 (57)摘要 本发明公开了一种设备灾害事故预测方法， 其包括步骤： (1)采集自然灾害下输电线路事故 发生的历史案例； (2)构建电网自然灾害知识图 谱的本体模型； (3)基于历史案例和本体模型构 建历史电网自然灾害知识图谱； (4)采用自注意 网络双向编译表示模型得到历史电网自然灾害 知识图谱中每个实体的低维嵌入化向量表示， 其 中每一个历史案例中的所有实体的低维嵌入化 向量表示组成该历史案例的特征矩阵； (5)构建 图卷积神经网络， 以每个历史案例的特征矩阵作 为图卷积神经网络的输入对其进行训练以得到 事故概率预测模型的模型参数； (6)进行预测时， 将待预测案例的特征矩 阵输入经过训练的图卷 积神经网络， 可得不同事故类型发生 概率。 权利要求书2页 说明书8页 附图4页 CN 114519464 A 2022.05.20 CN 114519464 A 1.一种设备灾害事故预测方法， 其特 征在于， 包括 步骤： (1)采集自然灾害下输电线路事故 发生的历史案例； (2)构建电网自然灾害知识图谱的本体模型， 所述本体模型包括若干类节点； (3)基于所述历史案例和所述本体模型构建图结构储存的历史 电网自然灾害知识图 谱， 所述历史电网自然灾害知识图谱 包括若干个实体； (4)采用自注意网络双向编译表示模型得到历史电网自然灾害知识图谱中每个实体的 低维嵌入化向量表示， 其中每一个历史案例中的所有实体的低维嵌入化向量表示组成该历 史案例的特 征矩阵； (5)构建图卷积神经网络， 以每个历史案例的特征矩阵作为图卷积神经网络的输入对 其进行训练以得到事故概 率预测模型的模型参数； (6)当进行 预测时： 基于待预测案例和所述本体模型构建图结构储 存的待预测知识图谱； 采用所述自注意网络双向编译表示模型得到待预测知识图谱中每个实体的低维嵌入 化向量表示， 其中待预测案例中的所有实体的低维嵌入化向量表示组成其特 征矩阵； 将待预测案例的特征矩阵输入经过训练的图卷积神经网络 中， 得到对不同事故类型发 生概率的预测结果。 2.如权利要求1所述的设备灾害事故预测方法， 其特征在于， 所述若干类节点包括： 地 理类节点、 气象类节点和设备类节点， 其中每一类节点包括至少一个节点。 3.如权利要求1所述的设备灾害事故预测方法， 其特征在于， 所述实体包括结构化数据 对应的实体和非结构化数据对应的实体。 4.如权利 要求3所述的设备灾害事故预测方法， 其特征在于， 在所述步骤(4)和步骤(6) 中： 对于非结构化数据对应的实体， 将其字符串中的每个字符输入自注意网络双向编译表 示模型， 得到对应的字向量表 示， 对该实体的每个字向量表 示求和取平均值， 得到该实体的 词向量表示， 所述词向量表示 为该实体对应的所述低维嵌入化向量表示。 5.如权利 要求3所述的设备灾害事故预测方法， 其特征在于， 在所述步骤(4)和步骤(6) 中： 对于结构化数据对应的实体， 将其以字符串的方式表示并输入所述自注意网络双向编 译表示模 型， 得到对应的字向量表示， 对每个字向量表示求和取平均值， 得到该实体的词向 量表示， 所述词向量表示 为该实体对应的所述低维嵌入化向量表示。 6.如权利要求3所述的设备灾害事故预测方法， 其特征在于， 在步骤(4)和步骤(6)中， 对同类实体的词向量取平均值， 计算得到与其对应的节点， 将所有节点的嵌入表达合并为 所述特征矩阵。 7.如权利要求1 ‑6中任意一项所述的设备灾害事故预测方法， 其特征在于， 所述图卷积 神经网络包括2个图卷积层和1个全连接层。 8.如权利要求7所述的设备灾害事故预测方法， 其特征在于， 第 一个图卷积层的计算公 式为： H(2)＝ReLU(A ″H(1)W(1)+b(1)) 其中， H(2)为第一个图卷积层的输出矩阵， W(1)和b(1)是第一个图卷积层的模型参数， H(1)＝X， X是每个案例图谱的特征矩阵， 同时也是第一个图卷积层的输权　利　要　求　书 1/2 页 2 CN 114519464 A 2入， A是每个案例图谱的邻接矩阵， 体现了节点之间的拓扑关系， D是经过邻接矩阵A处理得 到的度矩阵， I 为单位矩阵。 9.如权利要求8所述的设备灾害事故预测方法， 其特征在于， 第 二个图卷积层的计算公 式为： H(3)＝ReLU(A ″H(2)W(2)+b(2)) 其中， H(3)为第二个图卷积层的输出矩阵， W(2)和b(2)是第二个图卷积层的模型参数。 10.如权利要求9所述的设备灾害事故预测方法， 其特征在于， 所述全连接层的计算公 式为： Y＝sigmo id(W(3)f(H(3))+b(3)) 其中， Y表示最终的预测向量， W(3)和b(3)是全连接层的模型参数， f(H(3))表示将矩阵H(3) 变换为一个一维向量。 11.如权利要求1所述的设备灾害事故预测方法， 其特征在于， 在步骤(5)中， 首先初始 化图卷积神经网络模型的模型参数， 然后在训练过程中采用均方损失函数衡量预测向量与 历史案例的标签值的偏差值， 每一次迭代时均利用反向传播更新模型参数值， 直到均方损 失函数数值小于预设的目标时结束迭代， 得到训练好的图卷积神经网络模型。权　利　要　求　书 2/2 页 3 CN 114519464 A 3