CN114781882A - 基于双重图结构结合双监督的电网调度认知图谱生成方法 - Google Patents

基于双重图结构结合双监督的电网调度认知图谱生成方法 Download PDF

Info

Publication number
CN114781882A
CN114781882A CN202210448132.5A CN202210448132A CN114781882A CN 114781882 A CN114781882 A CN 114781882A CN 202210448132 A CN202210448132 A CN 202210448132A CN 114781882 A CN114781882 A CN 114781882A
Authority
CN
China
Prior art keywords
graph
node
power grid
information
double
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.)
Granted
Application number
CN202210448132.5A
Other languages
English (en)
Other versions
CN114781882B (zh
Inventor
高俊彦
梁芙蓉
陈宇星
殷自力
李宽宏
张功林
张振宇
甘乾昕
黄亦昕
李英
许宇航
张水长
林艺滨
曾志川
陈祎超
吴桐
赵建伟
李琦
黄章斌
罗华玥
韩超
俞晓雯
许志导
臧志斌
赵光
童明建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Fujian Electric Power Co Ltd
Xiamen Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Xiamen Power Supply Co of State Grid Fujian Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Fujian Electric Power Co Ltd, Xiamen Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202210448132.5A priority Critical patent/CN114781882B/zh
Publication of CN114781882A publication Critical patent/CN114781882A/zh
Application granted granted Critical
Publication of CN114781882B publication Critical patent/CN114781882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于双重图结构结合双监督的电网调度认知图谱生成方法，包括以下步骤：步骤S1:获取电网调度相关的数据集；步骤S2:构建出对应的知识图谱结构；步骤S3:获取节节点表示信息，动作边表示信息，人机交互指令信息；步骤S5:更新子图中的图注意力机制融合模型;步骤S6:利用图注意力机制融合模型和图表示学习机制对历史离线数据集进行表示学习，一方面融合环境中的时空因子，另一方面基于双重图结构结合双监督机制生成应用于电网调度的认知图谱。本发明可以有效提升指令推荐的准确性和合理性，提高指令动作的质量，最终使得产生的决策效果更优。

Description

基于双重图结构结合双监督的电网调度认知图谱生成方法
技术领域
本发明涉及电网智能调度领域，具体涉及一种基于双重图结构结合双监督的电网调度认知图谱生成方法。
背景技术
现存的大多数基于深度学习的电网认知图谱生成方法在对知识图谱中的实体和关系(或动作)进行表示学习的时候，仅将实体和关系直接初始化为指定维度向量进行拟合,未考虑周围环境对实体表示的具体影响，造成实体表达的解耦性较弱。
现存的大多数基于深度学习的电网认知图谱生成方法在对知识图谱中的实体和关系(或动作)进行表示学习的时候，未考虑线上人机交互信息，这导致离线数据训练出来的认知知识图谱不能很好地完成线上的推荐或推理任务。
发明内容
有鉴于此，本发明的目的在于提供一种基于双重图结构结合双监督的电网调度认知图谱生成方法，有效提升指令推荐的准确性和合理性，提高指令动作的质量，最终使得产生的决策效果更优。
为实现上述目的，本发明采用如下技术方案：
一种基于双重图结构结合双监督的电网调度认知图谱生成方法，包括以下步骤：
步骤S1:获取电网调度相关的数据集；
步骤S2:基于电网调度的先验知识结合电网调度相关的实体状态和相应的调度动作构建出对应的知识图谱结构；
步骤S3:根据知识图谱结构以及各个电网调度相关实体状态转换的关系对节点和电网调度命令进行图表示学习，其中实体节点状态由电网数据本身特征，资源数据，环境数据和作业数据在子图中通过图注意力机制融合得到，而动作边对应与历史数据集中的指令动作集合，通过神经网络对其进行初始化；
步骤S4:根据得到的节点表示和动作边表示，通过线上人机交互指令信息，对电网调度工作人员的指令票使用历史数据中的指令集表示集合进行表示学习,得到的节点表示信息，动作边表示信息，人机交互指令信息；
步骤S5:基于步骤S4中得到的节点表示信息，动作边表示信息，人机交互指令信息,首先使用动作边信息和节点表示信息使用graph embedding对子图中的节点相关信息进行图注意力机制融合模型训练，然后线上使用线上人机交互指令信息和基于认知图谱推理的指导动作信息进行对抗学习，约束更新应用于子图中的图注意力机制融合模型；
步骤S6:利用图注意力机制融合模型和图表示学习机制对历史离线数据集进行表示学习，一方面融合环境中的时空因子，另一方面基于双重图结构结合双监督机制生成应用于电网调度的认知图谱。
进一步的，所述电网调度相关的数据集包括电网数据，环境数据，资源数据，作业数据，以及调度指令动作集。
进一步的，所述步骤S2具体为：
步骤S2-1:将每个电网节点的状态作为知识图谱中的一个实体节点，其中每个实体节点由包含数个时空因子节点的子图来表示；将针对每个电网节点状态做出的指令动作作为实体节点间的关联边；步骤S2-2：对整个数据集电网节点状态依据指令动作对应的边进行关联，最终构成一张包含数据集中电网节点状态和指令动作的知识图谱。
进一步的，所述步骤S3具体为：
步骤S3-1:根据电网节点状态，定义出每个电网节点状态所对应的实体类，实体类的个数定义为n；同时定义每个状态输入的维度大小为embed_size；
步骤S3-2:根据每个包含数个的时空因子节点的子图对实体类每个电网节点状态进行表示学习初始化，初始化向量的维度为embed_size；
定义的一个基于图注意力机制的消息传递函数GA_f，作用为在节点状态中嵌入环境信息：
Figure BDA0003617572630000031
Figure BDA0003617572630000032
其中i和j表示相邻的两个节点的下标，k表示邻居节点的小标，第一个式子求出的是注意力机制的系数，第二个式子中是对邻居节点信息基于图注意力机制进行融合，这些子图的邻居节点表示时空因子信息，其中每个子图都共享图注意力机制卷积核参数；
步骤S3-3:定义指令动作的初始化向量维度为1*embed_size；
步骤S3-4:依据相关节点状态下指令动作数据集，从中获取对应的记录，该记录中包含n个实体类对应的实例记录，作为一个n元组；基于n元组，从中生成对应存在关系的(状态i，指令动作r，状态j)的三元组，这类三元组的个数记作k，将这k个三元组作为成熟的图表示学习算法transH的输入，共同进行损失训练，生成电网节点状态集和指令动作集对应的Embedding。
进一步的，所述步骤S4具体为：
步骤S4-1:根据得到的节点表示和动作边表示，对基于线上人机交互的指令动作信息进行嵌入表示；
步骤S4-2:在离线历史数据集中指令动作和节点状态共同进行图表示学习的基础上，添加基于线上人机交互指令信息的动作监督约束，对初步训练得到的图嵌入模型进行表示学习增强和参数微调,完成双监督机制下的图表示学习模型构建。
进一步的，所述步骤S5具体为:
步骤S5-1：对输入数据集进行处理，然后抽取出影响每个电网节点状态的共享时空因子，然后以共享时空因子构建子图用于向节点中嵌入环境信息，最后将子图抽象为graph embedding中的一个节点，构成节点网络，其中子图中包含时空因子f(1,...n),这些时空因子用于嵌入到节点特征中；
步骤S5-2：由子图定义完抽象节点，这些节点作为graph embedding中的节点，边使用神经网络进行初始化；
步骤S5-3：设置训练的迭代次数epochs，从epochs等于1开始训练；
步骤S5-4：由节点信息和指令信息使用TransH进行graph embedding嵌入模型训练；
步骤S5-5：计算节点的嵌入表示加上邻边的嵌入表示和相邻节点的损失函数最小化，对模型参数进行更新；
步骤S5-6：在epochs定义的值范围内，重复步骤S5-3，获得初步基于双重图结构的图嵌入模型；
步骤S5-7：获取线上人机交互指令信息，使用初步获得的基于双重图结构的图嵌入模型对指令信息进行表示学习；
步骤S5-8：计算节点的嵌入表示加上指令的嵌入表示和相邻节点的损失函数最小化，对模型参数进行更新；
步骤S5-9：在epochs定义的值范围内，重复步骤S5-3，获得最终的基于双重图结构结合双监督机制的图嵌入模型。
本发明与现有技术相比具有以下有益效果：
本发明有效提升指令推荐的准确性和合理性，提高指令动作的质量，最终使得产生的决策效果更优。
附图说明
图1是本发明一实施例中基于双重图结构的图表示学习；
图2是本发明一实施例中基于线下离线历史数据集和线上人机交互指令的双监督机制框架；
图3是本发明一实施例中基于基于双重图结构结合双监督的电网调度认知图谱生成框架。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于双重图结构结合双监督的电网调度认知图谱生成方法，包括以下步骤：
步骤S1:获取电网调度相关的数据集；数据集包含电网数据，环境数据，资源数据和作业数据等节点相关信息，以及调度指令动作集；
步骤S2:基于电网调度的先验知识结合电网调度相关的实体状态和相应的调度动作构建出对应的知识图谱结构；
步骤S3:利用步骤S2中构建的知识图谱以及电网数据集中各个电网调度相关实体状态转换的关系对步骤S1中的电网数据集中节点和电网调度命令进行图表示学习，其中实体节点状态由电网数据本身特征，资源数据，环境数据和作业数据等相关信息在子图中通过图注意力机制融合得到，而动作边对应与历史数据集中的指令动作集合，这里直接通过神经网络对其进行初始化；
步骤S4:根据得到的节点表示和动作边表示，通过线上人机交互指令信息，对电网调度工作人员的指令票使用历史数据中的指令集表示集合进行表示学习,得到的节点表示信息，动作边表示信息，人机交互指令信息；
步骤S5:基于步骤S4中得到的节点表示信息，动作边表示信息，人机交互指令信息,首先使用动作边信息和节点表示信息使用graph embedding对子图中的节点相关信息进行图注意力机制融合模型训练，然后线上使用线上人机交互指令信息和基于认知图谱推理的指导动作信息进行对抗学习，约束更新应用于子图中的图注意力机制融合模型；
步骤S6:利用图注意力机制融合模型和图表示学习机制对历史离线数据集进行表示学习，一方面融合环境中的时空因子，另一方面基于双重图结构结合双监督机制生成应用于电网调度的认知图谱。
在本实施例中，步骤S2具体为：
步骤S2-1:将每个电网节点的状态作为知识图谱中的一个实体节点，其中每个实体节点由包含数个时空因子节点的子图来表示；将针对每个电网节点状态做出的指令动作作为实体节点间的关联边；步骤S2-2：对整个数据集电网节点状态依据指令动作对应的边进行关联，最终构成一张包含数据集中电网节点状态和指令动作的知识图谱。
在本实施例中，步骤S3具体为：
步骤S3-1:根据电网节点状态，定义出每个电网节点状态所对应的实体类，实体类的个数定义为n；同时定义每个状态输入的维度大小为embed_size；
步骤S3-2:根据每个包含数个的时空因子节点的子图对实体类每个电网节点状态进行表示学习初始化，初始化向量的维度为embed_size；
定义的一个基于图注意力机制的消息传递函数GA_f，作用为在节点状态中嵌入环境信息：
Figure BDA0003617572630000081
Figure BDA0003617572630000082
其中i和j表示相邻的两个节点的下标，k表示邻居节点的小标，第一个式子求出的是注意力机制的系数，第二个式子中是对邻居节点信息基于图注意力机制进行融合，优选的这些子图的邻居节点表示时空因子信息，其中每个子图都共享图注意力机制卷积核参数；
步骤S3-3:定义指令动作的初始化向量维度为1*embed_size；
步骤S3-4:依据相关节点状态下指令动作数据集，从中获取对应的记录，该记录中包含n个实体类对应的实例记录，作为一个n元组；基于n元组，从中生成对应存在关系的(状态i，指令动作r，状态j)的三元组，这类三元组的个数记作k，将这k个三元组作为成熟的图表示学习算法transH的输入，共同进行损失训练，生成电网节点状态集和指令动作集对应的Embedding。
在本实施例中，步骤S4具体为：
步骤S4-1:根据步骤S3中获得的初始图表示学习模型，对基于线上人机交互的指令动作信息进行嵌入表示；
步骤S4-2:在离线历史数据集中指令动作和节点状态共同进行图表示学习的基础上，添加基于线上人机交互指令信息的动作监督约束，对初步训练得到的图嵌入模型进行表示学习增强和参数微调,完成双监督机制下的图表示学习模型构建。
在本实施例中，电网认知知识图谱是基于双重图结构结合双监督机制的graphembedding框架来实现的，步骤S5具体为:
步骤S5-1：对输入数据集进行处理，然后抽取出影响每个电网节点状态的共享时空因子，然后以共享时空因子构建子图用于向节点中嵌入环境信息，最后将子图抽象为graph embedding中的一个节点，构成节点网络，网络结构如图1所示，其中子图中包含时空因子f(1,...n),这些时空因子用于嵌入到节点特征中；
步骤S5-2：由子图定义完抽象节点，这些节点作为graph embedding中的节点，边使用神经网络进行初始化；
步骤S5-3：设置训练的迭代次数epochs，从epochs等于1开始训练；
步骤S5-4：由节点信息和指令信息使用TransH进行graph embedding嵌入模型训练；
步骤S5-5：计算节点的嵌入表示加上邻边的嵌入表示和相邻节点的损失函数最小化，对模型参数进行更新；
步骤S5-6：在epochs定义的值范围内，重复步骤S5-3，获得初步基于双重图结构的图嵌入模型；
步骤S5-7：获取线上人机交互指令信息，使用初步获得的基于双重图结构的图嵌入模型对指令信息进行表示学习；
步骤S5-8：计算节点的嵌入表示加上指令的嵌入表示和相邻节点的损失函数最小化，对模型参数进行更新，如图2所示；
步骤S5-9：在epochs定义的值范围内，重复步骤S5-3，获得最终的基于双重图结构结合双监督机制的图嵌入模型，如图3所示。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种基于双重图结构结合双监督的电网调度认知图谱生成方法，其特征在于，包括以下步骤：
步骤S1:获取电网调度相关的数据集；
步骤S2:基于电网调度的先验知识结合电网调度相关的实体状态和相应的调度动作构建出对应的知识图谱结构；
步骤S3:根据知识图谱结构以及各个电网调度相关实体状态转换的关系对节点和电网调度命令进行图表示学习，其中实体节点状态由电网数据本身特征，资源数据，环境数据和作业数据在子图中通过图注意力机制融合得到，而动作边对应与历史数据集中的指令动作集合，通过神经网络对其进行初始化；
步骤S4:根据得到的节点表示和动作边表示，通过线上人机交互指令信息，对电网调度工作人员的指令票使用历史数据中的指令集表示集合进行表示学习,得到的节点表示信息，动作边表示信息，人机交互指令信息；
步骤S5:基于步骤S4中得到的节点表示信息，动作边表示信息，人机交互指令信息,首先使用动作边信息和节点表示信息使用graph embedding对子图中的节点相关信息进行图注意力机制融合模型训练，然后线上使用线上人机交互指令信息和基于认知图谱推理的指导动作信息进行对抗学习，约束更新应用于子图中的图注意力机制融合模型；
步骤S6:利用图注意力机制融合模型和图表示学习机制对历史离线数据集进行表示学习，一方面融合环境中的时空因子，另一方面基于双重图结构结合双监督机制生成应用于电网调度的认知图谱。
2.根据权利要求1所述的基于双重图结构结合双监督的电网调度认知图谱生成方法，其特征在于，所述电网调度相关的数据集包括电网数据，环境数据，资源数据，作业数据，以及调度指令动作集。
3.根据权利要求1所述的基于双重图结构结合双监督的电网调度认知图谱生成方法，其特征在于，所述步骤S2具体为：
步骤S2-1:将每个电网节点的状态作为知识图谱中的一个实体节点，其中每个实体节点由包含数个时空因子节点的子图来表示；将针对每个电网节点状态做出的指令动作作为实体节点间的关联边；
步骤S2-2：对整个数据集电网节点状态依据指令动作对应的边进行关联，最终构成一张包含数据集中电网节点状态和指令动作的知识图谱。
4.根据权利要求1所述的基于双重图结构结合双监督的电网调度认知图谱生成方法，其特征在于，所述步骤S3具体为：
步骤S3-1:根据电网节点状态，定义出每个电网节点状态所对应的实体类，实体类的个数定义为n；同时定义每个状态输入的维度大小为embed_size；
步骤S3-2:根据每个包含数个的时空因子节点的子图对实体类每个电网节点状态进行表示学习初始化，初始化向量的维度为embed_size；
定义的一个基于图注意力机制的消息传递函数GA_f，作用为在节点状态中嵌入环境信息：
Figure FDA0003617572620000031
Figure FDA0003617572620000032
其中i和j表示相邻的两个节点的下标，k表示邻居节点的小标，第一个式子求出的是注意力机制的系数，第二个式子中是对邻居节点信息基于图注意力机制进行融合，这些子图的邻居节点表示时空因子信息，其中每个子图都共享图注意力机制卷积核参数；
步骤S3-3:定义指令动作的初始化向量维度为1*embed_size；
步骤S3-4:依据相关节点状态下指令动作数据集，从中获取对应的记录，该记录中包含n个实体类对应的实例记录，作为一个n元组；基于n元组，从中生成对应存在关系的(状态i，指令动作r，状态j)的三元组，这类三元组的个数记作k，将这k个三元组作为成熟的图表示学习算法transH的输入，共同进行损失训练，生成电网节点状态集和指令动作集对应的Embedding。
5.根据权利要求1所述的基于双重图结构结合双监督的电网调度认知图谱生成方法，其特征在于，所述步骤S4具体为：
步骤S4-1:根据得到的节点表示和动作边表示，对基于线上人机交互的指令动作信息进行嵌入表示；
步骤S4-2:在离线历史数据集中指令动作和节点状态共同进行图表示学习的基础上，添加基于线上人机交互指令信息的动作监督约束，对初步训练得到的图嵌入模型进行表示学习增强和参数微调,完成双监督机制下的图表示学习模型构建。
6.根据权利要求1所述的基于双重图结构结合双监督的电网调度认知图谱生成方法，其特征在于，所述步骤S5具体为:
步骤S5-1：对输入数据集进行处理，然后抽取出影响每个电网节点状态的共享时空因子，然后以共享时空因子构建子图用于向节点中嵌入环境信息，最后将子图抽象为graphembedding中的一个节点，构成节点网络，其中子图中包含时空因子f(1,...n),这些时空因子用于嵌入到节点特征中；
步骤S5-2：由子图定义完抽象节点，这些节点作为graph embedding中的节点，边使用神经网络进行初始化；
步骤S5-3：设置训练的迭代次数epochs，从epochs等于1开始训练；
步骤S5-4：由节点信息和指令信息使用TransH进行graph embedding嵌入模型训练；
步骤S5-5：计算节点的嵌入表示加上邻边的嵌入表示和相邻节点的损失函数最小化，对模型参数进行更新；
步骤S5-6：在epochs定义的值范围内，重复步骤S5-3，获得初步基于双重图结构的图嵌入模型；
步骤S5-7：获取线上人机交互指令信息，使用初步获得的基于双重图结构的图嵌入模型对指令信息进行表示学习；
步骤S5-8：计算节点的嵌入表示加上指令的嵌入表示和相邻节点的损失函数最小化，对模型参数进行更新；
步骤S5-9：在epochs定义的值范围内，重复步骤S5-3，获得最终的基于双重图结构结合双监督机制的图嵌入模型。
CN202210448132.5A 2022-04-27 2022-04-27 基于双重图结构结合双监督的电网调度认知图谱生成方法 Active CN114781882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210448132.5A CN114781882B (zh) 2022-04-27 2022-04-27 基于双重图结构结合双监督的电网调度认知图谱生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210448132.5A CN114781882B (zh) 2022-04-27 2022-04-27 基于双重图结构结合双监督的电网调度认知图谱生成方法

Publications (2)

Publication Number Publication Date
CN114781882A true CN114781882A (zh) 2022-07-22
CN114781882B CN114781882B (zh) 2024-09-06

Family

ID=82433192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210448132.5A Active CN114781882B (zh) 2022-04-27 2022-04-27 基于双重图结构结合双监督的电网调度认知图谱生成方法

Country Status (1)

Country Link
CN (1) CN114781882B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196354A (zh) * 2023-11-08 2023-12-08 国网浙江省电力有限公司 一种多模态感知与领域图谱模型的智能决策方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111475655A (zh) * 2020-03-05 2020-07-31 国网浙江省电力有限公司 一种基于配电网知识图谱的电力调度文本实体链接方法
CN111563611A (zh) * 2020-04-13 2020-08-21 北京工业大学 面向图卷积网络的云数据中心可再生能源时空预测方法
WO2020258611A1 (zh) * 2019-06-28 2020-12-30 山东科技大学 一种基于时空循环注意力机制的ct淋巴结检测系统
CN112487789A (zh) * 2020-11-27 2021-03-12 贵州电网有限责任公司 一种基于知识图谱的操作票调度逻辑合法性验证方法
CN113947320A (zh) * 2021-10-25 2022-01-18 国网天津市电力公司电力科学研究院 一种基于多模态强化学习的电网调控方法
US20220121884A1 (en) * 2011-09-24 2022-04-21 Z Advanced Computing, Inc. System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220121884A1 (en) * 2011-09-24 2022-04-21 Z Advanced Computing, Inc. System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform
WO2020258611A1 (zh) * 2019-06-28 2020-12-30 山东科技大学 一种基于时空循环注意力机制的ct淋巴结检测系统
CN111475655A (zh) * 2020-03-05 2020-07-31 国网浙江省电力有限公司 一种基于配电网知识图谱的电力调度文本实体链接方法
CN111563611A (zh) * 2020-04-13 2020-08-21 北京工业大学 面向图卷积网络的云数据中心可再生能源时空预测方法
CN112487789A (zh) * 2020-11-27 2021-03-12 贵州电网有限责任公司 一种基于知识图谱的操作票调度逻辑合法性验证方法
CN113947320A (zh) * 2021-10-25 2022-01-18 国网天津市电力公司电力科学研究院 一种基于多模态强化学习的电网调控方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196354A (zh) * 2023-11-08 2023-12-08 国网浙江省电力有限公司 一种多模态感知与领域图谱模型的智能决策方法
CN117196354B (zh) * 2023-11-08 2024-01-30 国网浙江省电力有限公司 一种多模态感知与领域图谱模型的智能决策方法

Also Published As

Publication number Publication date
CN114781882B (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
Alzubaidi et al. A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications
Mousavi et al. Traffic light control using deep policy‐gradient and value‐function‐based reinforcement learning
Liu et al. Linguistic reasoning Petri nets for knowledge representation and reasoning
Li et al. 3D reconstruction based on hierarchical reinforcement learning with transferability
US20240134939A1 (en) Deep learning-based method for fusing multi-source urban energy data and storage medium
CN106408084A (zh) 一种知识与数据混合驱动的二型模糊神经网络设计方法
CN113141012B (zh) 电网潮流调控决策推理方法
Hu et al. On Transforming Reinforcement Learning With Transformers: The Development Trajectory
Shi et al. Visualizing and understanding graph convolutional network
CN114781882B (zh) 基于双重图结构结合双监督的电网调度认知图谱生成方法
Dai et al. Distributed Q-learning algorithm for dynamic resource allocation with unknown objective functions and application to microgrid
Zhang et al. Interactive AI with retrieval-augmented generation for next generation networking
Feng et al. Human-cyber-physical system for operation in nuclear reactor possessing asymmetric multi-task learning-based predicting framework
Liang et al. RL-OPC: Mask Optimization with Deep Reinforcement Learning
CN113988418A (zh) 一种能源负荷预测的可视化方法
Guo et al. Survey of reinforcement learning based on human prior knowledge
Sedlak et al. Active inference on the edge: A design study
CN114707613B (zh) 基于分层的深度策略梯度网络的电网调控方法
CN114880527B (zh) 一种基于多预测任务的多模态知识图谱表示方法
CN114861645A (zh) 一种基于长尾数据分布的文档级关系抽取方法
Zhu et al. Fast Adaptive Character Animation Synthesis Based on Greedy Algorithm
Jiao et al. Hybrid rule-based classification by integrating expert knowledge and data
Khayut et al. Intelligent user interface in fuzzy environment
Ning et al. Research on automatic mapping of electrical system diagram based on artificial intelligence algorithm
Wen et al. IMKGA-SM: Interpretable Multimodal Knowledge Graph Answer Prediction via Sequence Modeling

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
GR01 Patent grant
GR01 Patent grant