CN116028646A - 一种基于机器学习的电网调度领域知识图谱构建方法 - Google Patents

Abstract

本发明涉及一种基于机器学习的电网调度领域知识图谱构建方法，其技术特点是：包括以下步骤：获取电网调度控制系统的基础数据信息；基于条件随机域进行电网命名实体的识别；基于BiGRU‑ATT模型进行实体粗略关系的抽取；使用Neo4j进行电力调度领域知识图谱展示，描述电力调度领域知识中的节点和关系,实现智能布局、图谱分析及时间序列分析功能。本发明充分发掘电网故障处理中多元异构数据的价值,在一定程度上解决由于调控运行人员知识储备差异性及匮乏性而导致的故障处理精准度低、时效性差等问题,是提升电网调控人员事故处理能力的有效途径，对提升电网调控人员事故处理能力具有重要意义。

Description

一种基于机器学习的电网调度领域知识图谱构建方法

技术领域

本发明属于电网调度技术领域，尤其是一种基于机器学习的电网调度领域知识图谱构建方法。

背景技术

随着特高压电网和新能源的快速发展,电网故障形态日益复杂,电网故障处理对调控人员综合业务能力的要求不断提高。当故障发生时,要求调控人员实时分析电网运行薄弱环节,全景监视风险防控重点部位,准确快速判断故障原因并采取事故恢复措施。

目前调度控制系统以监视、分析为主,决策与执行环节大都依赖调控人员的经验积累和应变能力,各类调度操作规程、事故预案、监控处置方式等大量文本形式的知识均需由调控人员进行反复记忆和查询。由于这种故障处置方式不仅容易产生疏忽或遗漏,执行效率较低,而且调控经验和能力难于共享和传承,因此这种故障处理的精准性和规范性很难得到保证。

为了应对未来愈加复杂的电网故障形态,突破依赖经验的调度决策与操作瓶颈,亟需借助智能化技术,将调控人员的经验和操作逻辑提炼为知识,丰富故障判断和恢复决策手段,帮助调控人员主动、快速、全面地掌控故障处理的关键信息,为故障处理提供相应的辅助决策。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于机器学习的电网调度领域知识图谱构建方法，通过构建电网故障处理的领域知识图谱，充分发掘电网故障处理中多元异构数据的价值,解决由于调控运行人员知识储备差异性及匮乏性而导致的故障处理精准度低、时效性差等问题。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种基于机器学习的电网调度领域知识图谱构建方法，包括以下步骤：

步骤1、对接电网运行监控系统、电网调度管理系统、调度运行指挥平台、电网运行风险综合管控平台，获取电网调度控制系统的基础数据信息；

步骤2、基于条件随机域进行电网命名实体的识别；

步骤3、基于BiGRU-ATT模型进行实体粗略关系的抽取；

步骤4、使用Neo4j进行电力调度领域知识图谱展示，描述电力调度领域知识中的节点和关系,实现智能布局、图谱分析及时间序列分析功能。

进一步，所述电网调度控制系统的基础数据信息包括电网运行监控系统数据、电网调度管理系统数据、调度运行指挥平台跳闸信息以及电网运行风险综合管控平台当前未解除的风险预警单及预案。

进一步，所述电网运行监控系统数据包括模型数据、图形数据、遥测断面、设备位置状态断面、遥信告警和挂牌信息，所述模型数据包括断路器、刀闸、接地刀闸、母线和线路，其通过发送CIM模型文件对接获得；所述图形数据包括一次接线图、系统图、目录图和图元，其通过发送svg图形文件对接获得；所述断面遥测数据通过发送E文本文件对接获得；所述设备位置状态断面包括断路器、刀闸和地刀的位置状态信息，通过发送E文本文件对接获得；所述遥信告警包括厂站遥信信号的实时告警信息，其通过数据库接口/消息接口对接获得；所述挂牌信息通过数据库接口/消息接口对接获得；

所述电网调度管理系统数据包括检修申请、新投申请单和方式变更单，其通过数据库接口/消息接口/发送数据文件对接获得；

所述获取调度运行指挥平台跳闸信息和电网运行风险综合管控平台当前未解除的风险预警单及预案均通过数据库接口/消息接口/发送数据文件进行对接获得。

进一步，所述电网命名实体的识别包括电网问题、处置方式和检查方式；所述电网问题主要是指由电网工作人员观察得到的电网异常，所述处置方式是指为了处置故障而采取的手段，所述检查方式是指为了获取故障相关情况进一步信息对电网设备进行的检查方式。

进一步，所述步骤2的具体实现方法包括以下步骤：

⑴根据已知电网文本观测序列推断最优可能的状态序列；

⑵基于条件随机域进行电网命名实体的识别。

进一步，所述实体粗略关系包括相关故障、相关检查、相关处置和相关后果。

进一步，所述步骤3的具体实现方法包括以下步骤：

⑴通过链式法则建立语言模型，构建自然语言中词序列的分布；

⑵对语言模型使用平滑处理方式将电网文本转化成词向量的形式，通过词向量的空间距离来判断两个词的语义是否接近；

⑶集合Attention机制，构建包括输入层、隐藏层和输出层的BiGRU-ATT模型，进行实体粗略关系的抽取。

进一步，所述步骤4的具体实现方法包括以下步骤：

⑴根据研判场景，选择适合的布局方式，直观了解实体之间的关系；

⑵通过图谱分析工具，构建基于图形化关系分析技术的分析导图；

⑶通过时间轴从时间序列的维度对图谱进行分析，通过时间轴直观地看到关联关系网络及事件在时间维度的分布及统计情况，拖动时间轴，看到关系网络随时间的发展变化及在某特定时间段内事件的发生情况。

进一步，所述布局方式包括自动排布、网络排布、层次排布及环形排布；所述自动排布指采用力导向算法将各个元素进行排布展示，所述网络排布指以网络形式自动展示图析，所述层次排布指以层次关系展示图析，所述环形排布指以环形方式展示图析。

本发明的优点和积极效果是：

本发明通过构建电网故障处理的领域知识图谱,对实际操作中的各类规定、原则和经验知识进行凝练,形成基于语义网络的判断方法和操作逻辑,通过知识查询、链接和推理进行智能辅助决策，能够充分发掘电网故障处理中多元异构数据的价值,在一定程度上解决由于调控运行人员知识储备差异性及匮乏性而导致的故障处理精准度低、时效性差等问题,是提升电网调控人员事故处理能力的有效途径，对提升电网调控人员事故处理能力具有重要意义。

附图说明

图1为本发明的处理流程示意图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

本发明的设计思想是：为了满足电网调度故障处置业务的辅助决策场景和需求,设计领域知识图谱的构建框架并分析其关键技术,对实际操作中的各类规定、原则和经验知识进行凝练,形成基于语义网络的判断方法和操作逻辑,通过知识查询、链接和推理进行智能辅助决策。知识图谱(Knowledge Graph)作为一种基于人工智能技术的知识组织和构建方法,其信息表达更接近人类认知世界的形式,能够从语义层面表示复杂的关联关系,提供一种更好地管理和理解海量信息的能力。

基于上述设计思想，本发明提出一种基于机器学习的电网调度领域知识图谱构建方法，如图1所示，包括以下步骤：

步骤1、对接电网运行监控系统(OCS)、电网调度管理系统(OMS)、调度运行指挥平台、电网运行风险综合管控平台，获取电网调度控制系统的基础数据信息。

在本步骤中，通过与系统对接，获得电网调度控制系统的基础数据信息，具体包括：

(1)获取OCS(电网运行监控系统)数据，该OCS数据包括模型数据、图形数据、遥测断面、设备位置状态断面、遥信告警、挂牌信息。

其中，模型数据包括断路器、刀闸、接地刀闸、母线、线路等，包含模型及拓扑，通过发送CIM模型文件对接。图形数据包括一次接线图、系统图、目录图、图元(svg/g)，通过发送svg图形文件对接。断面文件中包含遥测数据，通过发送E文本文件对接。设备位置状态断面包括断路器、刀闸、地刀等的位置状态信息，通过发送E文本文件对接。遥信告警包括厂站遥信信号的实时告警信息，通过数据库接口/消息接口对接。挂牌信息通过数据库接口/消息接口对接。

(2)获取OMS(电网调度管理系统)数据，该OMS数据包括检修申请、新投申请单、方式变更单。获取OMS数据的方法为：通过数据库接口/消息接口/发送数据文件进行对接。

(3)获取调度运行指挥平台跳闸信息，获取电网运行风险综合管控平台当前未解除的风险预警单及预案，获取的方法为：通过数据库接口/消息接口/发送数据文件进行对接。

步骤2、基于条件随机域(CRF)进行电网命名实体的识别，包括电网问题、处置方式和检查方式等实体类别的识别。

在本步骤中，电网命名实体的识别包括电网问题、处置方式和检查方式等实体类别。其中，电网问题主要是指由电网工作人员观察得到的电网异常，处置方式主要是指为了处置故障而采取的手段，检查方式主要是指为了获取故障相关情况等进一步信息对电网设备进行的检查方式。

电网命名实体的识别的具体过程为：

(1)实体识别的过程就是将已知电网文本观测序列作为输入的词序列o，根据词序列o推断最优可能的状态序列s，即p(s|o)：

其中，z是归一化因子，f_k(s_i-1,s_i,o,i)表示的是当前句子的第i个位置上是否具有第k个特征，由当前的状态s_i和前一状态s_i-1共同决定，λ_k为特征的权重。

(2)基于条件随机域(CRF)进行电网命名实体的识别，具体方法为：

在识别过程中，读取要处理的电网文本，采用中文字符串遍历，使用字符串分割算法进行切分。根据切分的字符串数组构建出形状相同的特征数组，实现数组的合成。

把每个句子作为一个序列进行学习，在句子中把每个字作为一个token，格式为B_X，I_X，E_X，S_X或者O，其中B，I，E，S，O分别代表实体类别的首部，内部，尾部，单个实体，不属于已定义任何实体，X代表标注的类别包括XX(现象)、SJ(事件)、JC(检查)和CZ(处置)，标注集如表所示；B_SJ，I_SJ，E_SJ分别代表当前词为事件实体的首部，当前词为事件实体的内部，当前词为事件实体的尾部。

采用IOBES模型进行标注，确定标签体系。构建条件随机域(CRF)的状态特征函数s_i(y_i,x,i)和转移特征函数t_k(y_i-1,y_i,x,i)，其中y_i是标签，x是观测序列，i是当前节点位置。根据CRF++处理的结果辅助人工构建候选的关系句，提取出实验需要的关于处置流程事件的句子构建候选关系句集合。

步骤3、基于BiGRU-ATT模型进行实体粗略关系的抽取，包括相关故障(Related-SY)、相关检查(Related-CH)、相关处置Related-TR)和相关后果(Related-CO)等电网实体关系类别体系。

本步骤的具体实现方法为：

(1)通过链式法则建立语言模型，构建自然语言中词序列的分布。

将电网文本转化成词向量的形式，通过词向量的空间距离来判断两个词的语义是否接近。

其中，词向量对应的空间距离越小，说明两个词的语义相似度就越接近。

其中，通过链式法则建立语言模型，构建自然语言中词序列的分布，用于评估某个词序列的概率。假设存在文字序列S＝{w₁,w₂,...w_n}，则该文字序列构成句子的概率为：

P(S)＝P(w₁)P(w₂|w₁)P(w₃|w₁w₂)…P(w_n|w₁w₂…w_n-1)  (2)

其中，P(w₁)表示第一个单词w₁出现的概率，P(w₂|w₁)是在已知第一个词w₁出现的情况下，第二个词w₂出现的概率，依次类推，P(w_n|w₁w₂…w_n-1)是在出现序列w₁w₂…w_n-1的情况下，出现第n个词w_n的概率。

(2)对语言模型使用平滑处理方式将电网文本转化成词向量的形式，通过词向量的空间距离来判断两个词的语义是否接近。

由于语料库的有限性，当某个词汇出现在一个测试集的不可见上下文中，就会出现数据稀疏问题，导致语言模型在该词汇上分配零概率的情况。使用古德-图灵平滑方法，对于没有观测到的样本分配其一个极小的概率，修改训练样本中事件的实际计数，使样本中(实际出现的)不同事件的概率之和小于1，剩余的概率量分配给未见概率，利用频率的类别信息来对频率进行平滑。

针对样本数量为N的数据集，定义n_r为样本中出现r次的事件的数目，对于该数据集：

利用频率的类别信息对频率进行平滑，调整出现频率为r的N-grams频率为r^*：

则在样本中出现r事件的概率为：

(3)集合Attention机制，构建包括输入层、隐藏层和输出层的BiGRU-ATT模型，进行实体粗略关系的抽取。

首先，通过BiGRU层提取文本深层次的特征表示，然后通过attention机制来对提取的特征进行关键信息的加强，利用权重分配机制使得重要的信息能够分配更多的权重，从而提高该隐含层特征提取的质量。加入字级别的attention目的是为不同的字向量分配相应的概率权重，突出文本的关键信息，将每个字级的特征合并为句子级的特征向量，进一步提取了文本的特征信息。句子级的attention体现每个句子对于分类结果的影响程度，可以充分利用每个实体对的所有信息句子，从而对整体信息获得高质量的表示方式，最后将提取的信息放入softmax中，实现关系的分类。

步骤4、使用Neo4j进行电力调度领域知识图谱展示，描述电力调度领域知识中的节点和关系，实现智能布局、图谱分析及时间序列分析等功能；

本步骤的具体实现方法为：

(1)根据研判场景，选择适合的布局方式，帮助用户直观了解实体之间的关系。包括自动排布、网络排布、层次排布及环形排布。其中，自动排布指采用力导向算法将各个元素进行排布展示、网络排布指以网络形式自动展示图析、层次排布指以层次关系展示图析、环形排布指以环形方式展示图析；

(2)通过图谱分析工具，构建基于图形化关系分析技术的分析导图。包括批量上传、历史记录、添加实体、添加关系等输入工具，前进/后退、多选、反选删除、删除、放大/缩小、关键实体强调、网络布局、路径分析、定位、手型拖动工具、缩放比例等操作工具，导出图片、导出数据、导出快照、导入快照等导出工具。

(3)进行时间序列分析，通过时间轴能够从时间序列的维度对图谱进行分析，通过时间轴，用户可以很直观的看到关联关系网络及事件在时间维度的分布及统计情况，拖动时间轴，用户可以看到关系网络随时间的发展变化及在某特定时间段内事件的发生情况。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (9)

1.一种基于机器学习的电网调度领域知识图谱构建方法，其特征在于：包括以下步骤：

步骤1、对接电网运行监控系统、电网调度管理系统、调度运行指挥平台、电网运行风险综合管控平台，获取电网调度控制系统的基础数据信息；

步骤2、基于条件随机域进行电网命名实体的识别；

步骤3、基于BiGRU-ATT模型进行实体粗略关系的抽取；

步骤4、使用Neo4j进行电力调度领域知识图谱展示，描述电力调度领域知识中的节点和关系,实现智能布局、图谱分析及时间序列分析功能。

2.根据权利要求1所述的一种基于机器学习的电网调度领域知识图谱构建方法，其特征在于：所述电网调度控制系统的基础数据信息包括电网运行监控系统数据、电网调度管理系统数据、调度运行指挥平台跳闸信息以及电网运行风险综合管控平台当前未解除的风险预警单及预案。

3.根据权利要求2所述的一种基于机器学习的电网调度领域知识图谱构建方法，其特征在于：

所述电网运行监控系统数据包括模型数据、图形数据、遥测断面、设备位置状态断面、遥信告警和挂牌信息，所述模型数据包括断路器、刀闸、接地刀闸、母线和线路，其通过发送CIM模型文件对接获得；所述图形数据包括一次接线图、系统图、目录图和图元，其通过发送svg图形文件对接获得；所述断面遥测数据通过发送E文本文件对接获得；所述设备位置状态断面包括断路器、刀闸和地刀的位置状态信息，通过发送E文本文件对接获得；所述遥信告警包括厂站遥信信号的实时告警信息，其通过数据库接口/消息接口对接获得；所述挂牌信息通过数据库接口/消息接口对接获得；

所述电网调度管理系统数据包括检修申请、新投申请单和方式变更单，其通过数据库接口/消息接口/发送数据文件对接获得；

所述获取调度运行指挥平台跳闸信息和电网运行风险综合管控平台当前未解除的风险预警单及预案均通过数据库接口/消息接口/发送数据文件进行对接获得。

4.根据权利要求1所述的一种基于机器学习的电网调度领域知识图谱构建方法，其特征在于：所述电网命名实体的识别包括电网问题、处置方式和检查方式；所述电网问题主要是指由电网工作人员观察得到的电网异常，所述处置方式是指为了处置故障而采取的手段，所述检查方式是指为了获取故障相关情况进一步信息对电网设备进行的检查方式。

5.根据权利要求1或4所述的一种基于机器学习的电网调度领域知识图谱构建方法，其特征在于：所述步骤2的具体实现方法包括以下步骤：

⑴根据已知电网文本观测序列推断最优可能的状态序列；

⑵基于条件随机域进行电网命名实体的识别。

6.根据权利要求1所述的一种基于机器学习的电网调度领域知识图谱构建方法，其特征在于：所述实体粗略关系包括相关故障、相关检查、相关处置和相关后果。

7.根据权利要求1或6所述的一种基于机器学习的电网调度领域知识图谱构建方法，其特征在于：所述步骤3的具体实现方法包括以下步骤：

⑴通过链式法则建立语言模型，构建自然语言中词序列的分布；

⑵对语言模型使用平滑处理方式将电网文本转化成词向量的形式，通过词向量的空间距离来判断两个词的语义是否接近；

⑶集合Attention机制，构建包括输入层、隐藏层和输出层的BiGRU-ATT模型，进行实体粗略关系的抽取。

8.根据权利要求1所述的一种基于机器学习的电网调度领域知识图谱构建方法，其特征在于：所述步骤4的具体实现方法包括以下步骤：

⑴根据研判场景，选择适合的布局方式，直观了解实体之间的关系；

⑵通过图谱分析工具，构建基于图形化关系分析技术的分析导图；

⑶通过时间轴从时间序列的维度对图谱进行分析，通过时间轴直观地看到关联关系网络及事件在时间维度的分布及统计情况，拖动时间轴，看到关系网络随时间的发展变化及在某特定时间段内事件的发生情况。

9.根据权利要求8所述的一种基于机器学习的电网调度领域知识图谱构建方法，其特征在于：所述布局方式包括自动排布、网络排布、层次排布及环形排布；所述自动排布指采用力导向算法将各个元素进行排布展示，所述网络排布指以网络形式自动展示图析，所述层次排布指以层次关系展示图析，所述环形排布指以环形方式展示图析。

Images