融合大模型与图神经网络的电力设备缺陷诊断

• 全文链接
• 请求原文

作   者：

李莉;  时榕良;  郭旭;  蒋洪鑫; 

作者机构：

华北电力大学 计算机系;  华北电力大学控制与计算机工程学院计算机系; 

关键词：

图神经网络;  电力系统;  检索增强生成;  缺陷诊断;  大语言模型;  低秩适配(LoRA)微调;  智能运维; 

期刊名称：

计算机科学与探索

i s s n：

1673-9418

年卷期：

2024 年 18 卷 010 期

页   码：

2643-2655

摘   要：

电力系统中不同装置设备的缺陷评级和分析处理常受运维人员主观性影响,导致同一缺陷文本描述出现不同的严重程度评级.专业知识的差异也导致诊断分析差异和诊断效率不同.为提升缺陷诊断的准确性和效率,提出一种基于图神经网络的缺陷文本评级分类方法和大模型智能诊断分析助手.构建专业词典,使用自然语言处理算法规范化文本描述.通过统计方法,优化缺陷文本的语义表示.集成图注意力神经网络和RoBERTa模型对缺陷文本进行精确评级分类.基于大语言模型Qwen1.5-14B-Chat进行低秩适配(LoRA)微调训练得到电力设备诊断大模型Qwen-ElecDiag,结合检索增强生成技术开发设备缺陷诊断助手.此外,整理提供微调电力设备诊断大模型的指令数据集.对比实验结果表明,提出的基于图神经网络的缺陷评级分类方法在准确性上较最优基准模型BERT提升近8个百分点;诊断助手的电力知识以及缺陷诊断能力得到提升.通过提高缺陷评级的准确率并提供全面专业化诊断建议,不仅提高电力设备运维的智能化水平,也为其他垂直领域的智能运维提供新的解决方案.