中国的碳排放中，能源系统占比约80%，其中电力行业占比超过40%，即电力行业碳排放总占比超1/3。可以预料，在未来的终端用能侧将出现大范围电能替代，如新能源汽车等行业的持续推广，将增加市场对电力能源的需求，因此电力行业将会是实现“双碳”目标的主战场。建设数字化、智能化的新型电力系统自然成为实现“双碳”目标的重要抓手，达观数据智能制造知识图谱平台针对电力能源行业特点，以智能化的技术手段，帮助电力能源企业有效实现信息和知识的分享与应用，驱动业务增长。
电力系统主要分为五个环节：发电、变电、输电、配电、用电。发电是电能产生的最初环节，它是利用电能生产设备将各种一次能源或其他形式的能转换为电能，生产电能的主要方式有火力发电、水力发电、核能发电、地热发电、风力发电、太阳能发电、潮汐能发电、生物智能发电和燃料电池发电等；变电就是改变电压的环节，变压主要是为了降低输送过程的损耗，变压分为升压变电和降压变电；输电是将发电站转换的电力通过输电线路送到各个用电地方，是电力系统整体功能的重要组成环节；配电是直接向终端用户分配电能的一个过程，是电网的重要组成部分；用电是指终端用户使用电能的过程，主要有工业用电、商业用电、居民用电和农业用电等。
随着中国电力行业业务的不断发展壮大，生产过程的智能化程度不断推进等原因，电力系统的各个环节中数据量急剧增长，数据即价值，这些数据承载的不仅仅是行业专业知识、专家经验积累，更是帮助企业在竞争中立于不败之地，并保持长期、可持续发展的重要基石。然而在这些数据及知识在深度挖掘利用的过程中，各企业依旧面临众多难题：
数据多源异构：由于移动互联网、物联网、自动化系统等技术的普及，数据的量级正在高速增长。数据形态也由传统的文档、日志，拓展到图片、语音、视频等多种模态。
缺乏明确知识积累策略：过往工作中遇到的问题、解决方法、防范措施等的总结没有有效沉淀，导致类似问题有可能再次发生。
缺少共享平台：日常工作过程中员工遇到问题无法找到解决办法和专家辅助，专家解答过的知识、经验等得不到有效的共享、传承，甚至这些宝贵知识经验且会随着岗位的变动而“流失”。
传统的 IT系统缺少智能化的技术手段：无法有效处理和应对信息与知识的爆发，在知识的分享与应用、驱动业务增长等方面的问题。
达观知识图谱平台
针对上述中的问题，达观推出涵盖了知识图谱的设计、构建、管理、应用全生命周期的知识图谱平台。电力项目从立项开始就会产生大量的数据：项目设计建设阶段会有初步设计文件，施工图设计文件，设备招投标文件等；而在运行阶段，各个系统设备的实时运行参数，记录生产过程的运行日志及工作票数据；同时会有大量的设备数据，产品手册、设备安装手册等文件。这些数据大多以电子文档、纸质资料或图片等多种形式存储，通常缺乏对数据的深入分析挖掘，无法发挥应有的价值。达观数据借助自然语言处理、深度学习、图计算等智能化技术整合异构、多源和多模态的数据、文档和知识，全面挖掘“人机料法环测” ，建立知识间无所不在的连接，构建多维度的专业知识图谱。然后基于知识图谱的知识挖掘、知识推理，可以更好地积淀领域知识和行业专家经验，形成领域的专家系统，为企业的生产持续赋能。同时通过持续积淀企业的数据、经验和知识，不断完善专业领域的长效知识体系。
从多源异构的复杂数据中获取想要的知识内容，传统以关键字进行文本检索的方法虽然能够定位段落，但是检索结果碎片化、缺乏组织，经常出现检索不全、答非所问的情况，容易产生疏忽遗漏，这对于设备系统复杂、业务类型多样的电力行业来说显然不适用，如电网的客服人员，日常工作需要处理各种业务问题及客户反馈，因为很难熟悉所有业务内容而导致影响客户体验。借助达观知识图谱强大的语义网络，可以智能理解用户接近口语化的问题并返回准确的答案，知识图谱的智能问答可以大大提升知识获取的准确性和效率。
近些年国内在电力设备制造领域取得了十分卓越的成就，如具有完全自主知识产权的三代压水堆核电华龙一号、特高压交流变压器、大功率海上风机等。未来电力设备的国产化、高端化、智能化是趋势。而潜在失效模式及后果分析FMEA是制造企业常用且重要的质量管控方法，当前企业对FMEA的制作管理常常采用手动制作excel表格或在特定软件中制作的方式，制作周期长，高度依赖工程师自身经验，不便于内容检索、变更、共享，难以保证内容描述一致性，有相似内容的FMEA条目之间也难以建立关联（例如无法直接找到有相同失效影响或失效原因机理的失效模式）等问题，不利于数字化和智能化。达观数据利用领先的知识图谱和自然语言处理NLP技术，基于新能源科技类型企业对质量与可靠性体系要求，打造了达观FMEA知识图谱系统，以FMEA为核心，实现了产品结构、功能、工艺、失效模式、失效原因、失效影响、改善措施等核心知识的连接，打通了新能源科技企业在设计研发、生产制造、工艺改良、产品售后等不同环节，推动新能源科技企业的数字化和智能化转型，助力中国碳达峰碳中和目标。
当系统发生故障后，工作人员需要快速定位故障位置和原因，及时派遣人员对故障进行检修并做好相应的记录。整个处置调度工作高度依赖调度人员以往的经验，甚至需要反复查阅大量的历史资料，如故障处置要点，故障案例等文件。故障诊断过程依赖有经验的专家进行信息处理和判断分析。而电力设备覆盖地域广，且系统设备复杂，这都给故障的定位和处理增加了难度。达观电力故障知识图谱首创支持细颗粒度解析失效关联的失效案例FA、失效树FTA和FMEA，智能理解失效现象、抽取失效要素并定位到深层故障原因，通过探索图谱发现可能引起该现象的失效模式、该失效的改善措施、分析实验等等。如下图变压器漏液故障归因分析。
电力故障知识图谱不仅支持故障归因分析，也支持以图表等形式呈现故障率趋势、失效模式累计计数、部件故障数量等，让用户对故障的原因有更加直观深刻的认识，同时为故障预判提供可靠的依据。
除了故障诊断，故障后的调度处置也是影响整个故障解决效率的重要环节。调度任务需要分析故障后系统的状态、参数变化情况，全面考虑调度规程、安全规程等工作规定，结合故障预案、历史故障记录，然后制定相应的故障处置措施，协调各部门做出快速准确的应对措施和工作部署，整个过程依赖于调度员的工作经验和专业知识。
电力故障知识图谱详细记录了各类故障的事故特征，当事故发生后根据事故后系统运行方式的变化情况，对知识图谱进行检索和推理，实现知识驱动型的辅助决策，借助知识图谱处理事故中的部分非关键环节，减少事故处理期间对调度员的干扰，使调度员能够将精力集中于事故处理中，以便制定更加优化的调度决策。如制定符合规定的故障处理流程，根据历史资料推荐有相应经验的专家解决故障等。
此外，故障知识图谱支持基于时间维度的数据更新，将每次故障诊断的结果和记录文件，如故障工单，工作票等文件，通过开放的API接口在知识图谱进行更新完善，如果出现了以往并未记录的新故障，平台会自动提示维护人员有新故障知识需要在图谱中完善，并将新故障推荐给相应的工作人员，确保知识图谱提供更为精确、全面、动态化的决策辅助支持。
