CN114283030A - 一种基于知识图谱的配电方案推荐方法及装置 - Google Patents

Abstract

本发明提供一种基于知识图谱的配电方案推荐方法及装置，方法包括：根据配电网的至少一种数据源形成的标准数据库；根据所述标准数据库和电力大数据，构建配电网的知识图谱；根据所述知识图谱，得到至少一种配电网的规划设计方案。本发明的方案实现了配电网的规划设备方案的有效推荐。

Description

一种基于知识图谱的配电方案推荐方法及装置

技术领域

本发明涉及计算机信息处理技术领域，特别是指一种基于知识图谱的配电方案推荐方法及装置。

背景技术

随着技术手段的不断发展和创新，主网数字化建模设计已经全面推广应用，而配网标准模块数字化设计仍处于探索阶段。由于配电网设计过程复杂，需要考虑的因素众多，要依赖不同系统数据源的基础数据与运行数据进行综合处理及分析，才能进行配电网规划设计工作，这些数据的处理速度以及处理方式很大程度上影响了设计方案的时效性。

发明内容

本发明要解决的技术问题是提供一种基于知识图谱的配电方案推荐方法及装置。实现了配电网的规划设备方案的有效推荐。

为解决上述技术问题，本发明的技术方案如下：

一种基于知识图谱的配电方案推荐方法，所述方法包括：

根据配电网的至少一种数据源形成的标准数据库；

根据所述标准数据库和电力大数据，构建配电网的知识图谱；

根据所述知识图谱，得到至少一种配电网的规划设计方案。

可选的，根据配电网的至少一种数据源形成的标准数据库，包括：

对配电网的至少一种数据源按照多维数据模型进行处理，得到所述标准数据库；所述多维数据模型包括：维度、维度成员、层次、级别、度量值形成的数据立方体。

可选的，对配电网的至少一种数据源按照多维数据模型进行处理，得到所述标准数据库，包括：

对所述数据立方体进行钻取操作、上卷操作、切片操作、切块操作、旋转操作，得到所述标准数据库。

可选的，根据所述标准数据库和电力大数据，构建配电网的知识图谱，包括：

对所述电力大数据进行知识抽取、知识融合、知识加工，得到第一处理结果；

将所述第一处理结果与所述标准数据库进行融合处理，得到配电网的知识图谱。

可选的，对所述电力大数据进行知识抽取，包括：

对所述电力大数据中的物理实体数据进行分词处理，得到分词结果；

根据所述分词结果在预设术语集中进行检索，若能检索到匹配项，对该物理实体数据进行抽取，得到知识抽取处理结果。

可选的，对所述电力大数据进行知识融合，包括：

根据所述知识抽取处理结果，按照词性进行分类，得到至少一个词性集合；

计算每个词性集合中的词向量，得到词的相似度，得到知识融合结果。

可选的，对所述电力大数据进行知识加工，包括：

对所述电力大数据中各种数据之间的关系进行抽取，得到知识加工的处理结果。

可选的，将所述第一处理结果与所述标准数据库进行融合处理，得到配电网的知识图谱，包括：

将所述第一处理结果与所述标准数据库进行知识提取、知识表示、知识融合以及知识推理处理，得到配电网的知识图谱。

可选的，根据所述知识图谱，得到至少一种配电网的规划设计方案，包括：

根据预设查询条件，从所述知识图谱中，检查出至少一种配电网的规划设计方案。

本发明的实施例还提供一种基于知识图谱的配电方案推荐装置，包括：

第一处理模块，用于根据配电网的至少一种数据源形成的标准数据库；

第二处理模块，用于根据所述标准数据库和电力大数据，构建配电网的知识图谱；

第三处理模块，用于根据所述知识图谱，得到至少一种配电网的规划设计方案。

本发明的上述方案至少包括以下有益效果：

本发明的上述方案，通过根据配电网的至少一种数据源形成的标准数据库；根据所述标准数据库和电力大数据，构建配电网的知识图谱；根据所述知识图谱，得到至少一种配电网的规划设计方案。实现了配电网的规划设备方案的有效推荐。

附图说明

图1是本发明的基于知识图谱的配电方案推荐方法的流程示意图；

图2是本发明的多维数据模型的多维分析的钻取(Drill-down)操作的示意图；

图3是本发明的多维数据模型的多维分析的上卷(Roll-up)操作的示意图；

图4是本发明的多维数据模型的多维分析的切片(Slice)操作的示意图；

图5是本发明的多维数据模型的多维分析的切块(Dice)操作的示意图；

图6是本发明的多维数据模型的多维分析的旋转(Pivot)操作的示意图；

图7是本发明的配电网标准模块知识图谱的架构示意图；

图8是本发明的以开关站为实体的知识图谱示例图；

图9是本发明的在知识图谱中可得出如下推荐方案过程示意图；

图10是本发明的基于知识图谱的配电方案推荐装置的模块示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

如图1所示，本发明的实施例提出一种基于知识图谱的配电方案推荐方法，所述方法包括：

步骤11，根据配电网的至少一种数据源形成的标准数据库；

步骤12，根据所述标准数据库和电力大数据，构建配电网的知识图谱；

步骤13，根据所述知识图谱，得到至少一种配电网的规划设计方案。

本发明的该实施例，通过根据配电网的至少一种数据源形成的标准数据库；根据所述标准数据库和电力大数据，构建配电网的知识图谱；根据所述知识图谱，得到至少一种配电网的规划设计方案。实现了配电网的规划设备方案的有效推荐。

本发明的一可选的实施例中，步骤11可以包括：

对配电网的至少一种数据源按照多维数据模型进行处理，得到所述标准数据库；所述多维数据模型包括：维度、维度成员、层次、级别、度量值形成的数据立方体。

这里，对配电网的至少一种数据源按照多维数据模型进行处理，得到所述标准数据库，包括：

对所述数据立方体进行钻取操作、上卷操作、切片操作、切块操作、旋转操作，得到所述标准数据库。

这里至少一种数据源包括：环境数据：环境数据应包括气象数据和地理数据，主要考虑气象条件和地理位置对配电网运行带来的影响。

基础数据：基础数据应包括设备的全部信息，包括设备台账、网架拓扑以及用户的基础信息等信息。

运行数据：运行数据应包括当前系统的运行数据、维修数据、设备运行数据、维修数据以及用户能效的使用数据等。

经济数据：经济数据主要包括投资数据、收益数据等。

其他数据：其他系统中可获取的，对配电网规划设计有参考意义的数据。

多维数据模型是为了满足用户从多角度多层次进行数据查询和分析的需要而建立起来的基于事实和维的数据库模型，其基本的应用是为了实现OLAP(Online AnalyticalProcessing)。

其中，每维对应于模式中的一个或一组属性，而每个单元存放某种聚集度量值，如count或sum。数据立方体提供数据的多维视图，并允许预计算和快速访问汇总数据。

数据立方体是一类多维矩阵，让用户从多个角度探索和分析数据集，通常是一次同时考虑三个或更多因素(维度)。数据立方体是二维表格的多维扩展，如同几何学中立方体是正方形的三维扩展一样。“立方体”这个词让我们想起三维的物体，我们也可以把三维的数据立方体看作是一组类似的互相叠加起来的二维表格。下面是一个数据立方体的示意图，这张图上，每一个小方格代表着一个“源、路线、时间”组合下的包数和上一次的时间。

在多维数据模型中，维度：就是观察数据的一种角度。在这个例子中，路线，源，时间都是维度，这三个维度构成了一个立方体空间。维度可以理解为立方体的一个轴。要注意的是有一个特殊的维度，即度量值维度。

维度成员：构成维度的基本单位。对于时间维，它的成员分别是：第一季度、第二季度、第三季度、第四季度。

层次：维度的层次结构，要注意的是存在两种层次：自然层次和用户自定义层次。对于时间维而言，(年、月、日)是它的一个层次，(年、季度、月)是它的另一个层次，一个维可以有多个层次，层次可以理解为单位数据聚合的一种路径。

级别：级别组成层次。对于时间维的一个层次(年、月、日)而言，年是一个级别，月是一个级别，日是一个级别，显然这些级别是有父子关系的。

度量值：要分析展示的数据，即指标。如图中一个cell中包含了两个度量值：装箱数和截至时间，可以对其进行多维分析。

在不同的数据分析软件或方法中，上述概念可能有不同的表述。

如图2至图6所示，多维数据模型支持多种操作，这些操作被称为多维分析操作，它们支撑着智能分析的交互性。多维分析操作包括：钻取(Drill-down)、上卷(Roll-up)、切片(Slice)、切块(Dice)以及旋转(Pivot)。

其中，钻取(Drill-down)：在维的不同层次间的变化，从上层降到下一层，或者说是将汇总数据拆分到更细节的数据，如图2所示，比如通过对2018年第二季度的总销售数据进行钻取来查看2018年第二季度4、5、6每个月的消费数据；当然也可以钻取A省来查看A1市、A2市、A3市……这些城市的销售数据。

上卷(Roll-up)：钻取的逆操作，即从细粒度数据向高层的聚合，如将B省、C市和A省的销售数据进行汇总来查看江浙沪地区的销售数据，如图3所示。

切片(Slice)：选择维中特定的值进行分析，比如只选择电子产品的销售数据，或者2010年第二季度的数据，如图4所示。

切块(Dice)：选择维中特定区间的数据或者某批特定值进行分析，比如选择2010年第一季度到2010年第二季度的销售数据，或者是电子产品和日用品的销售数据，如图5所示。

旋转(Pivot)：即维的位置的互换，就像是二维表的行列转换，如图中通过旋转实现产品维和地域维的互换，如图6所示。

本发明的上述实施例对配电网标准模块进行多维数据分析，并采用多维数据建模法，对其进行数据建模，为配电网数字化设计提供标准数据。

本发明的一可选的实施例中，步骤12可以包括：

步骤121，对所述电力大数据进行知识抽取、知识融合、知识加工，得到第一处理结果；

步骤122，将所述第一处理结果与所述标准数据库进行融合处理，得到配电网的知识图谱。

其中，对所述电力大数据进行知识抽取，包括：

对所述电力大数据中的物理实体数据进行分词处理，得到分词结果；

根据所述分词结果在预设术语集中进行检索，若能检索到匹配项，对该物理实体数据进行抽取，得到知识抽取处理结果。

其中，对所述电力大数据进行知识融合，包括：

根据所述知识抽取处理结果，按照词性进行分类，得到至少一个词性集合；

计算每个词性集合中的词向量，得到词的相似度，得到知识融合结果。

其中，对所述电力大数据进行知识加工，包括：

对所述电力大数据中各种数据之间的关系进行抽取，得到知识加工的处理结果。

其中，将所述第一处理结果与所述标准数据库进行融合处理，得到配电网的知识图谱，包括：

将所述第一处理结果与所述标准数据库进行知识提取、知识表示、知识融合以及知识推理处理，得到配电网的知识图谱。

该实施例中，电力大数据可以包括：开关站，箱变，配电室，环网箱以及其它；开关站是为提高输电线路运行稳定度或便于分配同一电压等级电力，而在线路中间设置的没有主变压器的设施。开关站是由断路器、隔离开关、电流互感器、电压互感器、母线、相应的控制保护和自动装置以及辅助设施组成，同时也可安装各种必要的补偿装置。

知识图谱构建从最原始的数据源出发，采用一系列自动或者半自动的技术手段，从原始数据库和第三方数据库中提取知识事实，并将其存入知识库的数据层和模式层，这一过程包含：信息抽取、知识表示、知识融合、知识推理四个过程，每一次更新迭代均包含这四个阶段。

知识图谱主要有自顶向下(top-down)与自底向上(bottom-up)两种构建方式。自顶向下指的是先为知识图谱定义好本体与数据模式，再将实体加入到知识库。该构建方式需要利用一些现有的结构化知识库作为其基础知识库，例如Freebase项目就是采用这种方式，它的绝大部分数据是从维基百科中得到的。自底向上指的是从一些开放链接数据中提取出实体，选择其中置信度较高的加入到知识库，再构建顶层的本体模式。配电网标准模块知识图谱构建采用自底向上的方式进行构建，从第三方应用系统数据库中提取环境数据、基础数据、运行数据以及经济数据，在原始数据库中，对这些数据进行处理整合，进行知识抽取及后续步骤，如图7虚线框所示步骤。

知识图谱构建的一般过程主要分为3步，即知识抽取、知识融合、知识加工。知识抽取主要是抽取出非(半)结构化数据包含的实体、属性和关系，作为构成知识图谱的基本元素。

知识融合先对抽取出的实体进行实体消歧和共指消解：实体消歧是对可能存在多种含义的实体名称(如“苹果”可能指水果，也可能指公司名称)进行区分；共指消解是将具有相同含义和指代的名词和代词在知识图谱中进行合并。然后对实体、属性和关系进行整合并加入现有结构化数据，初步形成知识图谱。知识加工是一个动态过程，在知识图谱不断应用的过程中，评估其数据质量和应用效果，并结合知识的发展与丰富，对知识图谱进行更新与修正。

其中，知识抽取是从多源数据中抽取出表示实体/属性的词，比如35kV开关站标准模块设计方案：在35kV开关站标准模块设计方案中，短路电流为31.5kA。“35kV开关站标准模块设计方案”为实体，“短路电流”为属性，“31.5kA”为属性值。需要进行实体抽取，其步骤如下：

分词中将物理实体切割为单独的词，如上述的“35kV开关站标准模块设计方案”、“35kV箱变标准模块设计方案”等。根据HMM原理，在分词过程中可以认为每个字有一个对应的状态(状态值)，状态集合用G＝{B,M,E,S}表示。

其中：

B：一个词的开始；M：一个词的中间；E：一个词的结束；S：单字成词。

例如“在35kV开关站标准模块设计方案中，短路电流为31.5kA”,可以根据这句话的状态序列将句子切分为：

在/35kV/开关站/标准/模块/设计/方案/中/，/短路/电流/为/31.5K。

用状态值表示如下：

SS B M E B E B E B E B E S S B E B E S S

但实际情况下“35kV开关站”和“标准模块”、“设计方案”应该属于单个词，不应被分开，说明HMM是基于常用词语切分的，不具有行业知识，所以需要导入配电网行业的专业术语，辅助分词，以提高分词准确率。最终句子被切分为：在/35kV开关站/标准模块/设计方案/中/，/短路/电流/为/31.5K。

实体抽取是将上一步中切分好的词逐一在专业术语集中进行检索，若能检索到匹配项，则该实体可以抽取。

知识融合指的是从不同数据库抽取的实体，其所指的物理本体的一致性审查，若不同实体所指物理实体一致，则将这些实体整合为同一实体。知识融合也叫共指消解或消歧，其目的都是为消除实体产生的歧义，统一实体。

具体的，根据词性分类：

在数据中，如果两个词属于同一个实体/属性，那么它们的词性一定相同。因此可以将文本中表示实体/属性的词按词性分类成不同的词性集合(对于词性的标注在上节分词步骤中用Python中的jieba.posseg函数可以顺带完成)，然后对每个词性集合进行知识融合。

余弦相似度计算：

首先使用word2vec算法将每个词性集合中的词向量化，向量维度选择100维，得到词向量Vword＝(v1,v2,v3,……,v100)，然后通过

cosθ＝(x₁y₁+x₂y₂+x₃y₃+……x₁₀₀y₁₀₀)/||(x₁ ²+x₂ ²+x3²+x₄ ²+……x₁₀₀ ²)^1/2||+||(y₁ ²+y₂ ²+y₃ ²+y₄ ²+……y₁₀₀ ²)^1/2||

分别计算词向量之间的余弦值。根据余弦定理可知，余弦值越大，两个词向量间的夹角越小，从而判定两个词越相似，当余弦值达到某个阈值时，就认为两个词相同。在本文中，经过大量数据验证发现当cos≥0.86时，基本可以认为两个词属于同一实体/属性。

关系抽取：配电网规划设计领域属于强规则领域，规则关系较为固定。配电网规划设计中需要整合的数据源较多，数据量较大，因此使用BERT模型进行关系抽取可以减少语料标注的工作量，有效提高知识图谱在标准库中检索的使用效率和准确性。

BERT模型的全称是：BidirectionalEncoder Representations fromTransformer。BERT模型的目标是利用大规模无标注语料训练、获得文本的包含丰富语义信息的Representation，即：文本的语义表示，然后将文本的语义表示在特定NLP任务中作微调，最终应用于该NLP任务。

基于电力大数据构建的配电网标准模块知识图谱，可以在配电网设计规划过程中起到辅助决策作用。在复杂环境条件下，工程师对配电网的规划设计往往需要考虑较多因素叠加影响，综合考虑配电网的设计规划。以开关站设计为例说明，图8为开关站设计知识图谱示意图。

上述步骤具体实现时，将第一处理结果与所述标准数据库融合时，对抽取出的实体进行实体消歧和共指消解，这里实体消歧是对可能存在多种含义的实体名称(进行区分；共指消解是将具有相同含义和指代的名词和代词在知识图谱中进行合并。

本发明的一可选的实施例中，上述步骤13可以包括：

根据预设查询条件，从所述知识图谱中，检查出至少一种配电网的规划设计方案。

如图9所示，将配电网标准模块模型库与配电网知识图谱结合，通过检索设计规划参考因素，在知识图谱中可得出如下推荐方案过程。

本发明的上述实施例基于电力大数据的知识图谱体系，可用于方案模糊检索。构建适用于标准化三维模型库，将标准模块的三维模型数据与其他电力大数据整合进行知识图谱构建。在配电网数字化三维设计前，工程师可基于设计制约因素或设计条件，对三维模型库进行查询。例如：适用于XXX环境的35kV开关站方案有哪些？系统则基于知识图谱，自动检索出于XXX环境存在关联关系的35kV开关站方案，工程师便可以结合其他相关设计因素，快速提取标准化三维模型，进行数字化三维设计。

如图10所示，本发明的实施例还提供一种基于知识图谱的配电方案推荐装置100，包括：

第一处理模块101，用于根据配电网的至少一种数据源形成的标准数据库；

第二处理模块102，用于根据所述标准数据库和电力大数据，构建配电网的知识图谱；

第三处理模块103，用于根据所述知识图谱，得到至少一种配电网的规划设计方案。

可选的，根据配电网的至少一种数据源形成的标准数据库，包括：

对配电网的至少一种数据源按照多维数据模型进行处理，得到所述标准数据库；所述多维数据模型包括：维度、维度成员、层次、级别、度量值形成的数据立方体。

可选的，对配电网的至少一种数据源按照多维数据模型进行处理，得到所述标准数据库，包括：

对所述数据立方体进行钻取操作、上卷操作、切片操作、切块操作、旋转操作，得到所述标准数据库。

可选的，根据所述标准数据库和电力大数据，构建配电网的知识图谱，包括：

对所述电力大数据进行知识抽取、知识融合、知识加工，得到第一处理结果；

将所述第一处理结果与所述标准数据库进行融合处理，得到配电网的知识图谱。

可选的，对所述电力大数据进行知识抽取，包括：

对所述电力大数据中的物理实体数据进行分词处理，得到分词结果；

根据所述分词结果在预设术语集中进行检索，若能检索到匹配项，对该物理实体数据进行抽取，得到知识抽取处理结果。

可选的，对所述电力大数据进行知识融合，包括：

根据所述知识抽取处理结果，按照词性进行分类，得到至少一个词性集合；

计算每个词性集合中的词向量，得到词的相似度，得到知识融合结果。

可选的，对所述电力大数据进行知识加工，包括：

对所述电力大数据中各种数据之间的关系进行抽取，得到知识加工的处理结果。

可选的，将所述第一处理结果与所述标准数据库进行融合处理，得到配电网的知识图谱，包括：

将所述第一处理结果与所述标准数据库进行知识提取、知识表示、知识融合以及知识推理处理，得到配电网的知识图谱。

可选的，根据所述知识图谱，得到至少一种配电网的规划设计方案，包括：

根据预设查询条件，从所述知识图谱中，检查出至少一种配电网的规划设计方案。

需要说明的是，该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于知识图谱的配电方案推荐方法，其特征在于，所述方法包括：

根据配电网的至少一种数据源形成的标准数据库；

根据所述标准数据库和电力大数据，构建配电网的知识图谱；

根据所述知识图谱，得到至少一种配电网的规划设计方案。

2.根据权利要求1所述的基于知识图谱的配电方案推荐方法，其特征在于，根据配电网的至少一种数据源形成的标准数据库，包括：

对配电网的至少一种数据源按照多维数据模型进行处理，得到所述标准数据库；所述多维数据模型包括：维度、维度成员、层次、级别、度量值形成的数据立方体。

3.根据权利要求2所述的基于知识图谱的配电方案推荐方法，其特征在于，对配电网的至少一种数据源按照多维数据模型进行处理，得到所述标准数据库，包括：

对所述数据立方体进行钻取操作、上卷操作、切片操作、切块操作、旋转操作，得到所述标准数据库。

4.根据权利要求1所述的基于知识图谱的配电方案推荐方法，其特征在于，根据所述标准数据库和电力大数据，构建配电网的知识图谱，包括：

对所述电力大数据进行知识抽取、知识融合、知识加工，得到第一处理结果；

将所述第一处理结果与所述标准数据库进行融合处理，得到配电网的知识图谱。

5.根据权利要求4所述的基于知识图谱的配电方案推荐方法，其特征在于，对所述电力大数据进行知识抽取，包括：

对所述电力大数据中的物理实体数据进行分词处理，得到分词结果；

根据所述分词结果在预设术语集中进行检索，若能检索到匹配项，对该物理实体数据进行抽取，得到知识抽取处理结果。

6.根据权利要求5所述的基于知识图谱的配电方案推荐方法，其特征在于，对所述电力大数据进行知识融合，包括：

根据所述知识抽取处理结果，按照词性进行分类，得到至少一个词性集合；

计算每个词性集合中的词向量，得到词的相似度，得到知识融合结果。

7.根据权利要求4所述的基于知识图谱的配电方案推荐方法，其特征在于，对所述电力大数据进行知识加工，包括：

对所述电力大数据中各种数据之间的关系进行抽取，得到知识加工的处理结果。

8.根据权利要求4所述的基于知识图谱的配电方案推荐方法，其特征在于，将所述第一处理结果与所述标准数据库进行融合处理，得到配电网的知识图谱，包括：

将所述第一处理结果与所述标准数据库进行知识提取、知识表示、知识融合以及知识推理处理，得到配电网的知识图谱。

9.根据权利要求1所述的基于知识图谱的配电方案推荐方法，其特征在于，根据所述知识图谱，得到至少一种配电网的规划设计方案，包括：

根据预设查询条件，从所述知识图谱中，检查出至少一种配电网的规划设计方案。

10.一种基于知识图谱的配电方案推荐装置，其特征在于，包括：

第一处理模块，用于根据配电网的至少一种数据源形成的标准数据库；

第二处理模块，用于根据所述标准数据库和电力大数据，构建配电网的知识图谱；

第三处理模块，用于根据所述知识图谱，得到至少一种配电网的规划设计方案。

Images