CN114861791A - 一种基于知识图谱的可解释电压暂降分类方法 - Google Patents

一种基于知识图谱的可解释电压暂降分类方法 Download PDF

Info

Publication number
CN114861791A
CN114861791A CN202210479614.7A CN202210479614A CN114861791A CN 114861791 A CN114861791 A CN 114861791A CN 202210479614 A CN202210479614 A CN 202210479614A CN 114861791 A CN114861791 A CN 114861791A
Authority
CN
China
Prior art keywords
sag
model
knowledge
knowledge graph
voltage sag
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
Application number
CN202210479614.7A
Other languages
English (en)
Inventor
王红
李肖肖
齐林海
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202210479614.7A priority Critical patent/CN114861791A/zh
Publication of CN114861791A publication Critical patent/CN114861791A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24553—Query execution of query operations
    • G06F16/24561—Intermediate data storage techniques for performance improvement
    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于知识图谱的可解释电压暂降分类方法，属于电力数据处理技术领域。该方法利用暂降知识图谱中蕴含的语义信息辅助模型进行暂降类型识别，将暂降知识与录波图像联合学习，实现语义空间与图像空间特征对齐，使得模型在完成暂降类型识别的同时，得到录波特征对应的相关语义知识的预测结果，为用户提供可信的决策依据，提高了基于数据驱动模型的透明性。基于知识图谱的解释符合人类认知过程，解释对象面向范围更加广泛的普通用户，这有利于增强用户对深度学习模型的信任，提高人机协作的可能性，具有实际应用价值。

Description

一种基于知识图谱的可解释电压暂降分类方法
技术领域
本发明涉及一种基于知识图谱的可解释电压暂降分类方法，属于电力数据处理技术领域。
背景技术
随着工业智能化、信息化发展，大量精密的电力电子设备接入电网，电能质量问题备受关注。经研究调查，70％以上的电能质量问题为电压暂降。电压暂降指电压方均根值暂时下降至额定电压幅值的90％～10％，持续时间为0.5～30个周波的一种暂态扰动现象。电压暂降发生时可能造成设备损坏、工厂停运、居民用电中断，给生产生活带来严重经济损失。因此，有必要对暂降事件类型进行准确识别，以便及时采取应对措施，降低经济损失。
目前，暂降分类方法大体上分为两种：机理分析方法和数据驱动方法。基于机理分析的方法以暂降录波数据为研究对象，通过对数据进行时域、频域变换提取数据特征，再将特征输入分类器中进行识别。这类方法依赖人工经验提取特征、方法参数选择难度大、处理过程繁琐，难以准确识别复杂电网环境下的暂降事件。基于数据驱动的方法利用深度学习技术，用模型自动拟合大规模带标签数据的特征，进而精确地识别暂降类型。这类方法有效避免了机理分析方法中存在问题，然而，人们不能理解这类模型的决策结果和决策依据，也无法判断输出结果是否正确，这是因为深度学习模型具有黑盒性，缺乏支持其决策过程的可解释理由。
为克服这一弱点，许多学者对深度模型的可解释性展开大量研究。现有的可解释方法分为事前可解释和事后可解释两类，前者指通过建立结构简单、可解释性好的模型或将可解释性结合到模型中，使模型本身具有可解释能力，如朴素贝叶斯、线性回归、决策树、随机森林等；后者指开发可解释性技术对已经训练好的模型进行解释，主要包括敏感性分析、显著性映射、注意力机制等。
然而，大多数方法将解释局限于数据和模型涉及的特征，例如显著性映射方法对模型关注的特征区域进行可视化，但其不代表模型学习逻辑，也不蕴含任何语义知识，因此本专利提出一种基于知识图谱的可解释方法，利用丰富的语义描述对模型做出解释。基于知识图谱的解释方法符合人类的认知过程，更容易被普通用户理解，具有广阔的应用场景。
发明内容
本发明的目的在于，提出一种基于知识图谱的可解释电压暂降分类方法。该方法用专家知识语义对模型的决策结果做出解释，是一种更加准确、友好的解释方法。
首先，对电压暂降数据进行数据预处理。所述数据处理包括对暂降数据归一化处理、数据转换成图片处理。
然后，构建电压暂降知识图谱。对电力系统数据库中存储的典型暂降事件，采用直接抽取方式，将结构化数据转换成三元组形式，构建成暂降知识图谱，利用TransH翻译模型进行知识表示，作为模型的输入数据。
其次，录波图像特征由卷积神经网络提取，提取到的图像特征和语义向量连接输入长短时记忆网络进行学习，在注意力机制的作用下，实现知识到图像的映射，共同指导模型参数的更新。
最后，根据图像特征输出暂降类型以及语言描述。
可行性分析：第一，符合实际应用需求：传统的电压暂降分类模型具有黑盒性质，用户无法理解模型的决策过程和决策依据，也无法判断模型输出结果的准确性，因此提高模型的可解释性成为亟待解决的问题；第二，具备数据支撑条件：电力系统中保存了大量的暂降事件数据，为本模型提供了可靠的数据支撑；第三，技术可行性：采用的卷积神经网络和长短时记忆神经网络具有大量的研究基础和实验验证，为技术可行性提供保障。
本发明的有益效果：提供一种基于知识图谱的可解释电压暂降分类方法，该方法将先验知识引入模型，实现图像和知识的联合学习，最后提供识别结果和语义描述。这种方法有助于用户更好的理解模型的决策依据，增强人机互信、人机协调。
附图说明
图1abc三相短路图像。
图2TransH模型原理图。
图3整体模型结构示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
步骤1：对电压暂降数据进行数据预处理：
本专利进行的数据预处理包括：对暂降数据进行归一化处理和数据形式转换，将录波数据转换成录波图像。如图1。
步骤2：构建电压暂降领域知识图谱并进行知识表示：
采用直接抽取方式将电力系统中存储的结构化数据转化成三元组形式，构建基于三元组的暂降知识图谱。采用TransH翻译模型进行知识表示，如图2。
TransH将头实体向量h与尾实体向量t沿法线wr投影到关系r对应的超平面中，用hr、tr表示如下式所示：
Figure BDA0003627198700000031
它认为正确的三元组(h,r,t)在空间向量中应该满足hr+r≈tr，否则tr应当远离hr+r，因此其得分函数如下式所示。
dist(h,r,t)＝||hr+r+tr||
TransH损失函数如下式所示：
Figure BDA0003627198700000032
式中S代表正例三元组集合；S’代表负例三元组集合；γ是一个常数，用来表示正负样本之间的距离；[x]+表示max(0,x)。
步骤3：使图像空间和知识空间对齐，实现图像与知识的联合学习：
本专利模型结构如图3，该模型利用VGG16卷积网络提取录波图像特征，将最后一个卷积层的输出作为提取到的特征图；利用注意力机制为特征图上的每一个像素点赋予不同权重，并将赋予权重的特征序列输入LSTM神经网络中，且不同时刻的输入对应不同的注意力权重系数；LSTM每个隐含层的输出即是特征图对应语义信息的预测，最后经过全连接层和SoftMax函数得到暂降分类结果。
本专利选择VGG16网络最后一个卷积层的输出作为录波特征图，这保留了图像特征的位置信息，同时可以得到特征向量集合a如下式所示，每个向量ai代表录波图像不同部分的特征。
a＝{a1,...,aL},ai∈RD
式中：D表示特征图的通道数，ai表示特征图中的某一像素点对应的一个D维向量，L＝H*W，H和W分别表示特征图的宽度和高度。
传统的LSTM网络，针对不同特征中间状态相互间是权值共享的，即每个特征对LSTM网络输出的影响程度一样。但事实上，录波图像的每个像素特征对最终的语义知识预测的贡献程度是不同的。因此，引入注意力机制对输入的特征序列赋予权重，提升模型的特征学习能力，增强对关键特征的表达。
对特征向量赋予的注意力权重由输入特征与输出特征的相关性决定。本文的注意力机制采用一层感知机学习输入特征与输出特征之间的相关程度：
Figure BDA0003627198700000041
式中：MLP为感知机，采用tanh(*)作为激活函数；ht,i为经过LSTM编码识别后的t时刻第i个特征向量中间层状态；
Figure BDA0003627198700000042
为LSTM待解码输出的语义特征；v、W1和W2为网络待学习参数。
对得到的相关程度St,i进行SoftMax归一化，得到每个像素特征序列被赋予的权重系数：
Figure BDA0003627198700000043
式中：St,i为t时刻第ai个特征向量的关注度；L＝W*H代表一个特征图上的像素点特征向量数量。
将得到的注意力权值pt,i，施加到各个像素点特征向量ai上，最终得到具有权重的特征图序列数据。
Figure BDA0003627198700000044
本专利提出一种基于知识图谱的可解释电压暂降分类方法。该方法利用暂降知识图谱中蕴含的语义信息辅助模型进行暂降类型识别，将暂降知识与录波图像联合学习，实现语义空间与图像空间特征对齐，使得模型在完成暂降类型识别的同时，得到录波特征对应的相关语义知识的预测结果，为用户提供可信的决策依据,提高了基于数据驱动模型的透明性，有利于增强用户对深度学习模型的信任度，提高人机协作的可能性。
本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的具体实现方式不应构成本发明的限定，本发明将以附权利要求书界定的范围作为本发明的保护范围。

Claims (5)

1.一种基于知识图谱的可解释电压暂降分类方法，该方法包括以下步骤：
步骤1：对电压暂降数据样本归一化处理并转换成录波图片；
步骤2：收集电力系统中记录的典型暂降事件构建成暂降知识图谱并进行知识表示；
步骤3：将录波图像与先验知识联合学习，共同影响模型权重参数；
步骤4：根据输入图像特征输出判断结果以及语义描述。
2.根据权利要求书1所述的一种基于知识图谱的可解释电压暂降分类方法，其特征在于，步骤1所述对数据样本归一化处理可以加快模型学习和计算效率，将数据转换成图片，使得模型学习到更详细的特征。
3.根据权利要求书1所述的一种基于知识图谱的可解释电压暂降分类方法，其特征在于，步骤2所述对电力系统中的典型暂降事件收集整理并转换成知识图谱形式，可以作为先验知识输入，提高模型可解释性。
4.根据权利要求书1所述的一种基于知识图谱的可解释电压暂降分类方法，其特征在于，步骤3所述录波图像特征由卷积神经网络提取，提取到的图像特征和语义向量连接输入长短时记忆网络进行学习，在注意力机制的作用下，实现知识到图像的映射，共同指导模型参数的更新。
5.根据权利要求书1所述的一种基于知识图谱的可解释电压暂降分类方法，其特征在于，步骤4所述输出特征语义描述对模型结果进行解释，具有更加友好的解释效果。
CN202210479614.7A 2022-05-05 2022-05-05 一种基于知识图谱的可解释电压暂降分类方法 Pending CN114861791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210479614.7A CN114861791A (zh) 2022-05-05 2022-05-05 一种基于知识图谱的可解释电压暂降分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210479614.7A CN114861791A (zh) 2022-05-05 2022-05-05 一种基于知识图谱的可解释电压暂降分类方法

Publications (1)

Publication Number Publication Date
CN114861791A true CN114861791A (zh) 2022-08-05

Family

ID=82635295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210479614.7A Pending CN114861791A (zh) 2022-05-05 2022-05-05 一种基于知识图谱的可解释电压暂降分类方法

Country Status (1)

Country Link
CN (1) CN114861791A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116049448A (zh) * 2023-03-31 2023-05-02 国网冀北电力有限公司 基于知识图谱的电能质量扰动识别模型的构建和识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116049448A (zh) * 2023-03-31 2023-05-02 国网冀北电力有限公司 基于知识图谱的电能质量扰动识别模型的构建和识别方法

Similar Documents

Publication Publication Date Title
CN109949317B (zh) 基于逐步对抗学习的半监督图像实例分割方法
CN111310672A (zh) 基于时序多模型融合建模的视频情感识别方法、装置及介质
CN111444939B (zh) 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法
CN114241282A (zh) 一种基于知识蒸馏的边缘设备场景识别方法及装置
KR20190138238A (ko) 딥 블라인드 전의 학습
CN110598018B (zh) 一种基于协同注意力的草图图像检索方法
CN112766378B (zh) 一种专注细粒度识别的跨域小样本图像分类模型方法
CN111949707B (zh) 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法
CN116051948B (zh) 基于注意力交互及反事实注意力的细粒度图像识别方法
CN114861791A (zh) 一种基于知识图谱的可解释电压暂降分类方法
CN112381082A (zh) 基于深度学习的表格结构重建方法
CN113569814A (zh) 一种基于特征一致性的无监督行人重识别方法
Zhong et al. Least-squares method and deep learning in the identification and analysis of name-plates of power equipment
CN112712099B (zh) 一种基于双层知识蒸馏说话人模型压缩系统和方法
CN113033678A (zh) 一种基于自适应对抗网络的锂电池组故障诊断方法
CN116579342A (zh) 基于双特征联合提取的电力营销命名实体识别方法
CN113536607B (zh) 一种变电站信号传输系统评估方法及系统
CN115810127A (zh) 基于监督和自监督联合对比学习的小样本图像分类方法
CN113342982B (zh) 融合RoBERTa和外部知识库的企业行业分类方法
CN114841266A (zh) 一种小样本下基于三元组原型网络的电压暂降识别方法
CN115331081A (zh) 图像目标检测方法与装置
CN115512174A (zh) 应用二次IoU损失函数的无锚框目标检测方法
CN117951632B (zh) 基于多模态原型网络的pu对比学习异常检测方法及系统
CN117370608A (zh) 一种具有可解释性和知识启发能力的视频问答方法与系统
CN108734182B (zh) 一种基于小数据样本学习的兴趣特征识别检测方法

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