CN113760951A - 一种配网关键词自动联想方法 - Google Patents
一种配网关键词自动联想方法 Download PDFInfo
- Publication number
- CN113760951A CN113760951A CN202110903991.4A CN202110903991A CN113760951A CN 113760951 A CN113760951 A CN 113760951A CN 202110903991 A CN202110903991 A CN 202110903991A CN 113760951 A CN113760951 A CN 113760951A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- distribution network
- result
- steps
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000009795 derivation Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001212 derivatisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/243—Natural language query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于自动联想方法，具体涉及一种配网关键词自动联想方法。它包括下述步骤：步骤一：数据输入；步骤二：数据衍生；以基础数据为基础，衍生出和潜在事件相关的信息；步骤三：外部输入检索词；本步骤包括：接收外部检索词，语义解读，产生衍生检索词，步骤四：计算距离；计算步骤三衍生检索词与步骤二衍生属性之间的距离，步骤五：结果输出；根据步骤四的计算结果排序，计算结果数值大的排序在前，计算结果小的排序在后，然后将所有结果输出给工作人员。本发明的显著效果是：该方法能够在原有检索的基础上进行配电网关键词自动联想，使得检索结果更为丰富，实现了数据击穿，扩展了检索结果。
Description
技术领域
本发明属于自动联想方法，具体涉及一种配网关键词自动联想方法。
背景技术
知识图谱是一种采用图数据库作为存储工具，结合人工智能技术、相关算法库开展功能点落地。相较于传统关系型数据库，其优势有两个方面，一方面是能够形成纵向结构即自上而下的拓扑结构，即变电站、线路、线段、台区/配电变压器、计量箱、用户/相位、计量点、电能表，关系为上下级之间的关联方式；另一个方面能够形成横向结构，即业务围绕实体为中心，如针对台区/配电变压器这一实体，线损、异常、指标、停电事件等并行围绕这一实体。通过这两种结构的便利性把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制而显示出来，揭示知识领域的动态发展规律，为学科研究提供切实的、有价值的参考。
智能电网被称为“电网2.0”，是建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标，其主要特征包括自愈、激励和保护用户、抵御攻击、提供满足用户需求的电能质量、容许各种不同发电形式的接入、启动电力市场以及资产的优化高效运行。
智能电网中会产生大量数据，例如设备数据，运行数据，历史数据，台区数据等等。这些数据一般情况下是相互独立的，因而造成如果有某些事故或故障存在时，只能在各自成体系的数据内部解决，而无法跨数据解决。但是电网本身是一个复杂的，互相影响的集合体，一个事故或故障，造成的原因和产生的后果往往不在某一个独立的数据体系内部。
因此需要建立一个能够跨数据进行配网关键词自动联想的方法。
发明内容
本发明针对现有技术的缺陷，提供一种配网关键词自动联想方法。
本发明是这样实现的：一种配网关键词自动联想方法，其中，包括下述步骤：
步骤一：数据输入；
步骤二：数据衍生；
以基础数据为基础，衍生出和潜在事件相关的信息；
步骤三：外部输入检索词
本步骤包括：接收外部检索词，语义解读，产生衍生检索词，
步骤四：计算距离
计算步骤三衍生检索词与步骤二衍生属性之间的距离，
步骤五：结果输出
根据步骤四的计算结果排序，计算结果数值大的排序在前，计算结果小的排序在后，然后将所有结果输出给工作人员。
如上所述的一种配网关键词自动联想方法，其中，所述的步骤一包括，
输入基础数据，需要输入的基础数据包括：所有设备的设备名称、厂家、型号、所属电路节点号。
如上所述的一种配网关键词自动联想方法，其中，所述的步骤二包括，
按照下述原则进行衍生，额定功率、额定电流、额定电压、功率因数、三相不平衡、电压暂降、谐波、电涌、高压突波、频率漂移，
上述参数中额定功率、额定电流、额定电压、功率因数均直接从设备说明书中读取，三相不平衡、电压暂降、谐波、电涌、高压突波、频率漂移六个参数是从历史数据中计算该设备产生上述原因的比例，
本步骤的数据和步骤一的数据共同组成该设备的14维参数，所有设备的14维参数组成数据矩阵D，其中D的行表示不同设备，D的列分别表示，设备名称、厂家、型号、所属电路节点号、额定功率、额定电流、额定电压、功率因数、三相不平衡、电压暂降、谐波、电涌、高压突波、频率漂移，
用公式表示D＝{dij}其中i表示行，即不同i表示不同设备，j表示维度，对同一个di，j表示该设备的不同维度信息。
如上所述的一种配网关键词自动联想方法，其中，所述的步骤三包括，
接收外部检索词是指接收外部输入的检索词，
语义解读是指从语义的角度分析工作人员实际要检索的内容，如果外部输入的信息与步骤二中数据矩阵D的相关信息精确匹配，则判定该输入的检索信息与数据矩阵D的相关信息匹配，无论是否精确匹配均执行后续步骤，
产生衍生检索词是指在原检索词的基础上进行衍生。
如上所述的一种配网关键词自动联想方法，其中，所述的步骤三包括，
进行检索词衍生是采用下述方法的：在历史数据中查找检索词对应的原因，并计算其概率，
用公式表示则为mjkj，其中kj为衍生检索词对应的维度数值，该处的j与步骤二中j表示同一维度，即在步骤二中di9表示三相不平衡，则k9也表示三相不平衡；mj为kj概率，如果是精确匹配则m＝1，
若衍生检索词无对应维度，则相应维度数值为0，若衍生检索词有对应维度，则相应维度数值为1。
如上所述的一种配网关键词自动联想方法，其中，所述的步骤四包括，
用下述公式计算
其中，dij是步骤二中数据矩阵D中的值，mjkj是步骤三中衍生检索词及对应概率，Q词是输入检索词的附加概率值，该值初始值为0，在后续计算中迭代调整，Si表示第i个设备计算后的总结果。
如上所述的一种配网关键词自动联想方法，其中，还包括步骤六修正，具体包括
修正的原则是：如果排序结果正确，则令附加概率值Q词保持不变；如果排序结果错误，则若步骤四排序靠前的结果，被工作人员判定应该排序靠后，则令附加概率值Q词向较小值变化，若步骤四排序靠后的结果，被工作人员判定应该排序靠前，则令附加概率值Q词向较大值变化。
如上所述的一种配网关键词自动联想方法，其中，还包括步骤六包括
如果排序结果正确，则令附加概率值Q词保持不变，如果排序结果错误，则若步骤四排序靠前的结果，被工作人员判定应该排序靠后，则令附加概率值Q词的值在原来的数值上减0.5，若步骤四排序靠后的结果，被工作人员判定应该排序靠前，则令附加概率值Q词的值在原来的数值上加0.5。
如上所述的一种配网关键词自动联想方法，其中，当进行完一个完整循环后，再有新检索时重复进行步骤三～步骤五，如果有新设备或新网络形态，则重复步骤一～步骤五。
本发明的显著效果是：本申请通过数据衍生，扩展了原本设备属性的，即将设备与更多事件产生关联，通过衍生检索词，合理的扩展了检索词的范围，使得检索范围更大，通过计算距离，使得扩展的设备属性与扩展的检索词产生关联，并依据此关联对设备进行排序，得到最终结果。该方法能够在原有检索的基础上进行配电网关键词自动联想，使得检索结果更为丰富，实现了数据击穿，扩展了检索结果。
具体实施方式
一种配网关键词自动联想方法，包括下述步骤：
步骤一：数据输入
输入基础数据，需要输入的基础数据包括：所有设备的设备名称、厂家、型号、所属电路节点号。
步骤二：数据衍生
以基础数据为基础，衍生出和潜在事件相关的信息。
即按照下述原则进行衍生。额定功率、额定电流、额定电压、功率因数、三相不平衡、电压暂降、谐波、电涌、高压突波、频率漂移。
上述参数中额定功率、额定电流、额定电压、功率因数均直接从设备说明书中读取，三相不平衡、电压暂降、谐波、电涌、高压突波、频率漂移六个参数是从历史数据中计算该设备产生上述原因的比例。
例如电网的某台区，共有100个设备，在历史数据中共发生电压暂降20次，其中由于3号设备的原因产生8次，由于9号设备的原因产生5次，由于1、38、43、56、66、72、84号设备的原因各产生1次，那么3号设备电压暂降的数值为8÷20＝0.4，9号设备电压暂降的数值为5÷20＝0.25，1、38、43、56、66、72、84号设备电压暂降的数值为1÷20＝0.05，其余设备电压暂降的数值为0。
本步骤的数据和步骤一的数据共同组成该设备的14维参数，所有设备的14维参数组成数据矩阵D，其中D的行表示不同设备，D的列分别表示，设备名称、厂家、型号、所属电路节点号、额定功率、额定电流、额定电压、功率因数、三相不平衡、电压暂降、谐波、电涌、高压突波、频率漂移。
用公式表示D＝{dij}其中i表示行，即不同i表示不同设备，j表示维度，对同一个di，j表示该设备的不同维度信息。
本申请只给出了上述维度的衍生结果，本领域技术人员可以根据本领域的基础知识根据实际情况对上述衍生结果进行增减，例如增加电路断开，设备损坏等维度。
步骤三：外部输入检索词
本步骤包括：接收外部检索词，语义解读，产生衍生检索词。
其中接收外部检索词是指接收外部输入的检索词，该检索词可以是检索某设备，例如输入设备名称，厂家，型号等信息；也可以是检索某类情况，例如电压暂降、谐波、电涌等，还可以是任意词汇，例如停电、无电压、设备无反应等词汇。
语义解读是指从语义的角度分析工作人员实际要检索的内容。如果外部输入的信息与步骤二中数据矩阵D的相关信息精确匹配，则判定该输入的检索信息与数据矩阵D的相关信息匹配，无论是否精确匹配均执行后续步骤。
产生衍生检索词是指在原检索词的基础上进行衍生，语义衍生可以使用现有技术中的语义分析方法进行，也可以使用本申请提供的方法。
本申请进行检索词衍生是采用下述方法的：在历史数据中查找检索词对应的原因，并计算其概率，例如检索词为电压不稳，与之相关的原因包括三相不平衡、电压暂降、谐波、高压突波、频率漂移，在历史数据中查找上述五个原因造成电压不稳的总数量，然后计算每类数量的比例，得到最终衍生检索词及对应概率，例如上述电压不稳的衍生检索词为三相不平衡、电压暂降、谐波、高压突波、频率漂移，对应概率为0.3、0.2、0.2、0.1、0.1、0.1。
用公式表示则为mjkj，其中kj为衍生检索词对应的维度数值，该处的j与步骤二中j表示同一维度。即在步骤二中di9表示三相不平衡，则k9也表示三相不平衡；mj为kj概率，如果是精确匹配则m＝1。
若衍生检索词无对应维度，则相应维度数值为0。若衍生检索词有对应维度，则相应维度数值为1。
步骤四：计算距离
计算步骤三衍生检索词与步骤二衍生属性之间的距离。
即用下述公式计算
其中，dij是步骤二中数据矩阵D中的值，mjkj是步骤三中衍生检索词及对应概率，Q词是输入检索词的附加概率值，该值初始值为0，在后续计算中迭代调整。Si表示第i个设备计算后的总结果。
步骤五：结果输出
根据步骤四的计算结果排序，计算结果数值大的排序在前，计算结果小的排序在后，然后将所有结果输出给工作人员。
步骤六：修正
根据工作人员的反馈对附加概率值Q词进行修正。
修正的原则是：如果排序结果正确，则令附加概率值Q词保持不变；如果排序结果错误，则若步骤四排序靠前的结果，被工作人员判定应该排序靠后，则令附加概率值Q词向较小值变化，若步骤四排序靠后的结果，被工作人员判定应该排序靠前，则令附加概率值Q词向较大值变化。
本步骤可采用任意本领域技术实现，也可以采用本申请提供的方法实现。本申请的方法如下：如果排序结果正确，则令附加概率值Q词保持不变，如果排序结果错误，则若步骤四排序靠前的结果，被工作人员判定应该排序靠后，则令附加概率值Q词的值在原来的数值上减0.5，若步骤四排序靠后的结果，被工作人员判定应该排序靠前，则令附加概率值Q词的值在原来的数值上加0.5。
以后再有新检索时重复进行步骤三～步骤五，如果有新设备或新网络形态，则重复步骤一～步骤五。
Claims (9)
1.一种配网关键词自动联想方法，其特征在于，包括下述步骤：
步骤一：数据输入；
步骤二：数据衍生；
以基础数据为基础，衍生出和潜在事件相关的信息；
步骤三：外部输入检索词
本步骤包括：接收外部检索词，语义解读，产生衍生检索词，
步骤四：计算距离
计算步骤三衍生检索词与步骤二衍生属性之间的距离，
步骤五：结果输出
根据步骤四的计算结果排序，计算结果数值大的排序在前，计算结果小的排序在后，然后将所有结果输出给工作人员。
2.如权利要求1所述的一种配网关键词自动联想方法，其特征在于：所述的步骤一包括，
输入基础数据，需要输入的基础数据包括：所有设备的设备名称、厂家、型号、所属电路节点号。
3.如权利要求2所述的一种配网关键词自动联想方法，其特征在于：所述的步骤二包括，
按照下述原则进行衍生，额定功率、额定电流、额定电压、功率因数、三相不平衡、电压暂降、谐波、电涌、高压突波、频率漂移，
上述参数中额定功率、额定电流、额定电压、功率因数均直接从设备说明书中读取，三相不平衡、电压暂降、谐波、电涌、高压突波、频率漂移六个参数是从历史数据中计算该设备产生上述原因的比例，
本步骤的数据和步骤一的数据共同组成该设备的14维参数，所有设备的14维参数组成数据矩阵D，其中D的行表示不同设备，D的列分别表示，设备名称、厂家、型号、所属电路节点号、额定功率、额定电流、额定电压、功率因数、三相不平衡、电压暂降、谐波、电涌、高压突波、频率漂移，
用公式表示D＝{dij}其中i表示行，即不同i表示不同设备，j表示维度，对同一个di，j表示该设备的不同维度信息。
4.如权利要求3所述的一种配网关键词自动联想方法，其特征在于：所述的步骤三包括，
接收外部检索词是指接收外部输入的检索词，
语义解读是指从语义的角度分析工作人员实际要检索的内容，如果外部输入的信息与步骤二中数据矩阵D的相关信息精确匹配，则判定该输入的检索信息与数据矩阵D的相关信息匹配，无论是否精确匹配均执行后续步骤，
产生衍生检索词是指在原检索词的基础上进行衍生。
5.如权利要求4所述的一种配网关键词自动联想方法，其特征在于：所述的步骤三包括，
进行检索词衍生是采用下述方法的：在历史数据中查找检索词对应的原因，并计算其概率，
用公式表示则为mjkj，其中kj为衍生检索词对应的维度数值，该处的j与步骤二中j表示同一维度，即在步骤二中di9表示三相不平衡，则k9也表示三相不平衡；mj为kj概率，如果是精确匹配则m＝1，
若衍生检索词无对应维度，则相应维度数值为0，若衍生检索词有对应维度，则相应维度数值为1。
6.如权利要求5所述的一种配网关键词自动联想方法，其特征在于：所述的步骤四包括，
用下述公式计算
其中，dij是步骤二中数据矩阵D中的值，mjkj是步骤三中衍生检索词及对应概率，Q词是输入检索词的附加概率值，该值初始值为0，在后续计算中迭代调整，Si表示第i个设备计算后的总结果。
7.如权利要求6所述的一种配网关键词自动联想方法，其特征在于：还包括步骤六修正，具体包括
修正的原则是：如果排序结果正确，则令附加概率值Q词保持不变；如果排序结果错误，则若步骤四排序靠前的结果，被工作人员判定应该排序靠后，则令附加概率值Q词向较小值变化，若步骤四排序靠后的结果，被工作人员判定应该排序靠前，则令附加概率值Q词向较大值变化。
8.如权利要求7所述的一种配网关键词自动联想方法，其特征在于：还包括步骤六包括
如果排序结果正确，则令附加概率值Q词保持不变，如果排序结果错误，则若步骤四排序靠前的结果，被工作人员判定应该排序靠后，则令附加概率值Q词的值在原来的数值上减0.5，若步骤四排序靠后的结果，被工作人员判定应该排序靠前，则令附加概率值Q词的值在原来的数值上加0.5。
9.如权利要求8所述的一种配网关键词自动联想方法，其特征在于：当进行完一个完整循环后，再有新检索时重复进行步骤三～步骤五，如果有新设备或新网络形态，则重复步骤一～步骤五。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110903991.4A CN113760951A (zh) | 2021-08-06 | 2021-08-06 | 一种配网关键词自动联想方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110903991.4A CN113760951A (zh) | 2021-08-06 | 2021-08-06 | 一种配网关键词自动联想方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113760951A true CN113760951A (zh) | 2021-12-07 |
Family
ID=78788669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110903991.4A Pending CN113760951A (zh) | 2021-08-06 | 2021-08-06 | 一种配网关键词自动联想方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113760951A (zh) |
-
2021
- 2021-08-06 CN CN202110903991.4A patent/CN113760951A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eidiani | A reliable and efficient holomorphic approach to evaluate dynamic available transfer capability | |
| Zhu et al. | Time series shapelet classification based online short-term voltage stability assessment | |
| Bai et al. | A novel parameter identification approach via hybrid learning for aggregate load modeling | |
| Rezaeian-Marjani et al. | Optimal allocation of D-STATCOM in distribution networks including correlated renewable energy sources | |
| CN108667005B (zh) | 一种计及新能源影响的电网静动态结合脆弱性评估方法 | |
| US20230052730A1 (en) | Method for predicting operation state of power distribution network with distributed generations based on scene analysis | |
| Lei et al. | Industrial approaches for dynamic equivalents of large power systems | |
| CN112383044B (zh) | 基于层次型拓扑结构的电网模型比较方法及装置 | |
| Liu et al. | Group decision support system for backbone-network reconfiguration | |
| CN109378835A (zh) | 基于互信息冗余性最优的大规模电力系统暂态稳定评估系统 | |
| Zhai et al. | Dynamic security assessment of small-signal stability for power grids using windowed online Gaussian process | |
| Ebrahimi et al. | Probabilistic optimal planning in active distribution networks considering non‐linear loads based on data clustering method | |
| Najafi et al. | Proper splitting of interconnected power systems | |
| CN116415002B (zh) | 一种基于图匹配的电网故障恢复防误校核方法 | |
| Jamil et al. | Optimal allocation of SPV based DG system for loss reduction and voltage improvement in radial distribution systems using approximate reasoning | |
| CN113760951A (zh) | 一种配网关键词自动联想方法 | |
| Austria et al. | Integrated approach to transfer limit calculations | |
| Fardinfar et al. | Optimal placement of D-STATCOM and PV solar in distribution system using probabilistic load models | |
| KR100471555B1 (ko) | 계통 해석방법 및 그 분석시스템 | |
| Sreedevi et al. | Optimal rating and placing of numerous distributed generators in distribution network applying spider monkey optimization | |
| Mosavi | Finding optimal point features in transient multivariate excursions by horizontally integrated trilateral hybrid feature selection scheme for transient analysis | |
| CN112464416B (zh) | 一键式变电站全站定值生成的方法及系统 | |
| Liu et al. | Robust Transmission Expansion Planning Considering Massive N-1 Contingencies with High Proportion of Renewable Energy | |
| Kashtanov et al. | Application of graph theory as a tool for reconfiguration of the distribution network | |
| Hoballah et al. | Risk assessment of power system transient instability incorporating renewable energy sources |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |