(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 202210856531.5 (22)申请日 2022.07.20 (71)申请人 国网四川省电力公司信息通信公司 地址 610000 四川省成 都市高新区锦晖西 二街16号 (72)发明人 刘家宇　吴斗　王卓　周里涛　 姚皓　陈龙　常健　黄昆　 (74)专利代理 机构 成都正煜知识产权代理事务 所(普通合伙) 51312 专利代理师 李龙 (51)Int.Cl. G06F 16/2458(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种结合高效用模式挖掘与图神经网络的 故障自愈方法 (57)摘要 本发明涉及电力系统故障领域， 提供了一种 结合高效用模式挖掘与图神经网络的故障自愈 方法。 主旨在于提出了一种准确率、 处理数据形 式、 潜藏信息获取能力上更加优越的新型图神经 网络模型。 主要方案包括步骤1： 对历史故障数据 库进行属性构造， 得到格式化效用事务数据库； 步骤2： 对格式化的效用事务数据库进行高效用 模式挖掘， 得到高效用模式库； 步骤3： 将高效用 模式库进行图结构数据转换， 得到图模式库； 步 骤4： 将图模式库输入图神经网络， 对图神经网络 进行训练， 得到故障自愈模型。 权利要求书2页 说明书8页 附图1页 CN 115203289 A 2022.10.18 CN 115203289 A 1.一种结合高效用模式挖掘与图神经网络的故障自愈方法， 其特征在于， 包括以下步 骤： 步骤1： 对历史故障数据库进行属性构造， 得到格式化效用事务数据库； 步骤2： 对格式化的效用事务数据库进行高效用模式挖掘， 得到高效用模式库； 步骤3： 将高效用模式库进行图结构数据转换， 得到图模式库； 步骤4： 将图模式库输入图神经网络， 对图神经网络进行训练， 得到故障自愈模型。 2.根据权利要求1所述的一种结合高效用模式挖掘与图神经网络的故障自愈方法， 其 特征在于， 步骤1具体的为： 步骤1.1、 依据专家结论将不同的故障信 息属性划分至不同的数据 频段中， 将历史故障 数据库中不同格式的数据统一 为频段的命名； 步骤1.2、 对每 个数据频 段的设置对应的重要性。 3.根据权利要求1所述的一种结合高效用模式挖掘与图神经网络的故障自愈方法， 其 特征在于， 步骤2具体包括如下步骤： 步骤2.1、 给定阈值 参数min_util； 步骤2.2、 遍历效用事务数据库， 获取效用列表， 即根据每个单项， 记录各单项出现的事 务tid， 形成事务列表tidset并将各单项在各事务中的效用值记录在事务列表t idset之中， 记录后得到各单项的效用列表， 同时每个t id存储一条指针用于事务间的连接， 所有效用列 表构成效用列表集 合， 其中， 单项是指各故障内容属性的各 频段， 效用值是指重要性赋值； 步骤2.3、 过滤效用 列表， 即计算各单项对应的效用列表的效用值之和， 并将效用值之 和低于阈值参数min_util的效用列表 直接删除， 得到过滤后的效用列表 集合； 同时， 新建一 个头表数组， 头表的每一 位上存储着每一个事务末项的对应的指针； 步骤2.4、 过滤后， 对数据库的每条事务进行反向遍历， 即从每条事务的最后一项开始 遍历， 将头表的指针指向最后一项的效用列表， 最后一项的效用列表的指针则指向倒数第 二项的效用列表的位置， 以此类推， 从而将 每条事务通过指针连接为一条链表， 链表的尾部 为不浪费存 储空间， 记录该 条链表对应的tid； 步骤2.5、 对步骤2.3得到的过滤后效用 列表集合中的单项进行添加后缀操作， 从当前 效用列表出发， 沿着链表指 针往下遍历， 将遍历 到的每一项加入后缀列 表， 直到到达尾部则 结束， 将当前项分别与后缀列表中的每一项进行组合得到新的效用列表， 判断新的效用列 表是否已经存在， 如已存在则将当前项与后缀列 表中的项的效用值相加后的结果与已经存 在的效用列 表的效用值相加， 得到效用列 表的新的效用值， 如不存在， 则并将当前项分别与 后缀列表中的项的效用值相加， 得到每一个新的效用列表的新的效用值， 最终得到更新的 效用列表； 步骤2.6、 若当前更新后的效用列表的效用值之和大于等于阈值参数min_util时， 将其 作为模式存储至高效用模式数据库中， 同时将效用列表作为新的单项加入效用列表集合， 用于添加后缀操作， 否则， 效用列表保持不变； 步骤2.7、 若效用列表集合中的所有单项的效用列表都被遍历一遍后， 该程序停止， 得 到高效用模式库， 否则， 执 行步骤2.5 。 4.根据权利要求1所述的一种结合高效用模式挖掘与图神经网络的故障自愈方法， 其 特征在于， 步骤3具体包括如下步骤：权　利　要　求　书 1/2 页 2 CN 115203289 A 2步骤3.1、 给定 置信度阈值mi n_conf； 步骤3.2、 扫描高效用数据库， 每一个模式新建一个节点， 每一个节点具有一个唯一编 号， 建立邻接矩阵Edges与节点数 组Nodes， Nodes节 点数组的下标对应着每一个节 点的节点 编号； 步骤3.3、 从高效用模式库中选择1个模式P1， 新建模式P1的节点P1， 计算其与其余模式 的置信度Confidence(P1＝＞P2)； 若置信度大于min_conf， 则连接一条由模式P1的节点节 点P1对指向其他模式对应节 点P2的边， 边的权重为置信度， 即将邻接矩阵Edges[P1][P2]位 置的数值标记为置信度， 同时， 将节点数组Nodes[P2] 的值置为对应节点的编号， 即为节点 P1的编号P1； 其中将每 个模式对应置信度的计算公式如下： 其中模式1与模式2是高效用模式库中任意两条模式， support表示对应模式的支 持度， 即模式在事务数据库中出现的次数； 步骤3.4、 判断所有节点是否遍历完毕， 若未遍历完毕， 则重复步骤3.3； 步骤3.5、 将得到的图通过传入节点数组Nodes作为参数， 使用UnionFind函数进行连通 性判定， 分割相互独立的图。 将所有的模式图加入图数据库， 形成高效用模式图数据库。 5.根据权利要求1所述的一种结合高效用模式挖掘与图神经网络的故障自愈方法， 其 特征在于， 步骤3.5中Un ionFind函数具体包括如下步骤： 步骤3.5.1、 新建一个空节点队列， 从节点数组Nodes下标为0对应的节点为当前节点开 始判断； 步骤3.5.2、 在节点数组Nodes中， 若当前Nodes下标位置对应 的值不为空值， 则将当前 Nodes下标的值对应的节 点加入节 点队列， 移动至当前节 点Nodes下标位置对应的值记录的 对应的节点， 继续 步骤3.5.2； 步骤3.5.3、 在节点数组Nodes中， 若当前Nodes下标位置对应 的节点数组的值为空值， 说明当前下标 的值对应的节点为根节点， 将当前节点加入节点队列， 之后根据节点队列重 构图结构， 重构的图即为独立的图； 步骤3.5.4、 清空队列， 将重构的图加入图数据库。权　利　要　求　书 2/2 页 3 CN 115203289 A 3