CN117689018A - 一种电力调度知识图谱搭建方法及系统 - Google Patents
一种电力调度知识图谱搭建方法及系统 Download PDFInfo
- Publication number
- CN117689018A CN117689018A CN202311683767.4A CN202311683767A CN117689018A CN 117689018 A CN117689018 A CN 117689018A CN 202311683767 A CN202311683767 A CN 202311683767A CN 117689018 A CN117689018 A CN 117689018A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- graph
- map
- power dispatching
- entity
- 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 13
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000013441 quality evaluation Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 20
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 31
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及电力调度技术领域,特别涉及一种电力调度知识图谱搭建方法及系统。包括步骤:根据已有的电力调度原始数据集构建原始知识表示图谱;获取电力调度数据源并清洗入库;对结构化数据进行整合形成第一子图谱;对半结构化数据以及非结构化数据进行知识抽取,抽取其在知识图谱中的实体、关系与属性之间的关系,形成第二子图谱,将第一子图谱和第二子图谱整合形成初步知识表示图谱;对初步知识表示图谱进行实体对齐,并与原始知识表示图谱融合形成标准知识表示图谱;对标准知识表示图谱进行质量评估,质量评估达到标准后形成最终的电力调度知识图谱。本发明能够充分发掘电网故障处理中多元异构数据的价值,提高了电力调度的效率。
Description
技术领域
本发明涉及电力调度技术领域,特别涉及一种电力调度知识图谱搭建方法及系统。
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。其中,针对电网故障的处置预案以及电网数据、数据的检测等主要依靠调度运行人员进行调度处理以及电网故障调度,由于故障处置预案变化频繁且复杂,给调度运行人员的调度处理带来难度。
近年来,知识图谱已成为实现多源异构超媒体数据融合的一种关键技术。知识图谱本质上是一种语义网络,该图谱中的结点代表实体或者概念,边代表实体/概念之间的各种语义关系。因此,基于知识图谱技术的本体建模,本质上是为多源、异构、类型多样的大数据提供了一种高抽象概念层次的统一数据模型,使得该数据模型不仅能通过一组图谱生成工具把各种来源、异构、海量的大数据进行汇聚、融合以及关联在一起进行存储,还能通过知识图谱的大数据分析,实现大数据的本质语义关联。由此可见,相对于传统关系型数据库,知识图谱更加自由多样化,能更好地满足用户对电网大数据的价值探索和情报发现需求。
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。鉴于此,因此,搭建一种适用于电网调度的知识图谱,对未来调度业务进行辅助决策、电网故障调度的智能推荐等,为调度员在处理电网故障时提供辅助决策,丰富调度人员恢复决策手段。
发明内容
为了解决上述现有技术中的问题,本发明提供了一种电力调度知识图谱搭建方法及系统,充分发掘电网故障处理中数据的价值,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。具体技术方案如下:
本发明一方面提供了一种电力调度知识图谱搭建方法,包括以下步骤:
步骤S1,根据已有的电力调度原始数据集构建原始知识表示图谱;
步骤S2,获取电力调度数据源并清洗入库;所述电力调度数据源包括结构化数据、半结构化数据以及非结构化数据;
步骤S3,对结构化数据进行整合形成第一子图谱;对半结构化数据以及非结构化数据进行知识抽取,抽取其在知识图谱中的实体、关系与属性之间的关系,形成第二子图谱,将第一子图谱和第二子图谱整合形成初步知识表示图谱;
步骤S4,对初步知识表示图谱进行实体对齐,并与原始知识表示图谱融合形成标准知识表示图谱;
步骤S5,对标准知识表示图谱进行质量评估,质量评估达到标准后形成最终的电力调度知识图谱。
优选地,所述步骤S2中基于元数据库对划分后的电网调度数据源进行预处理,并结合元数据库以及制定的清洗规则进行数据清洗,验证后进行存储到Redis数据库。
优选地,所述步骤S3中知识抽取包括实体抽取、关系抽取、属性抽取。
优选地,所述实体抽取和关系抽取步骤具体地采用Transformer-BiGRU-CRF组合模型对已处理数据进行抽取;通过所述实体抽取步骤获得实体及实体对应的属性,通过所述关系抽取步骤获得实体与实体间的关系。
优选地,所述步骤S4中对初步知识表示图谱进行实体对齐具体包括以下步骤:
步骤S41,对初步知识表示图谱中的第一子图谱、第二子图谱进行数据预处理;
步骤S42,构建图神经网络模型,利用图神经网络对初步知识表示图谱统一建模,得到知识图谱中实体的向量化表示;
步骤S43,基于贪心算法搜索向量空间中实体向量表示与实体语义相似度最高的实体,作为对齐实体。
优选地,所述步骤S42中具体包括以下步骤:
利用图神经网络对初步知识表示图谱统一建模,得到图谱中实体和关系的向量化表示;
图卷积神经网络中实体和关系的向量化表示通过迭代不断调整,以实体语义相似程度与实体向量表示相似程度一致为收敛目标,具体迭代过程为:
聚合信息,初始化图谱向量表示后,对图谱中每个节点作聚合操作,聚合其邻居节点的信息更新中心节点的向量表示,对所有有联系的节点信息进行聚合;
根据损失函数对图神经网络模型的所有变量依据链式法则反向求导,使用梯度下降法更新模型参数;
重复上述步骤直到整个训练过程结束,图谱向量表示不再发生变化。
优选地,所述步骤S43中利用贪心算法对整个向量空间搜索,将计算得到的在不同知识图谱中节点向量表示的欧氏距离小于阈值的成对向量对应实体,作为对齐实体。
优选地,所述步骤S5中使用Neo4j进行电力调度知识图谱的展示。
优选地,所述步骤S5中对标准知识表示图谱进行质量评估包括:对标准知识表示图谱进行知识推理,输出知识发现,并与通过标准知识表示图谱输出的知识发现进行对比,采用欧氏距离计算,当距离小于设定阈值时则质量评估满足标准。
本发明另一方面提供了一种电力调度知识图谱搭建系统,包括:
原始知识表示图谱构建模块,用于根据已有的电力调度原始数据集构建原始知识表示图谱;
数据清洗模块,用于获取电力调度数据源并清洗入库;所述电力调度数据源包括结构化数据、半结构化数据以及非结构化数据;
知识抽取整合模块,用于对结构化数据进行整合形成第一子图谱;对半结构化数据以及非结构化数据进行知识抽取,抽取其在知识图谱中的实体、关系与属性之间的关系,形成第二子图谱,将第一子图谱和第二子图谱整合形成初步知识表示图谱;
实体对齐模块,用于对初步知识表示图谱进行实体对齐,并与原始知识表示图谱融合形成标准知识表示图谱;
质量评估模块,用于对标准知识表示图谱进行质量评估,质量评估达到标准后形成最终的电力调度知识图谱。
与现有技术相比,本发明的有益效果为:本发明通过构建调度知识图谱,针对电网调度业务的行业内领域知识图谱,用以对未来调度业务进行辅助决策、电网故障调度的智能推荐等,为调度员在处理电网故障时提供辅助决策,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,提高了电力调度的效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明的方法流程图;
图2为部分数据集的示意图;
图3为本发明的系统原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例1:
如图1所示,本发明提供了一种电力调度知识图谱搭建方法,包括以下步骤:
步骤S1,根据已有的电力调度原始数据集构建原始知识表示图谱;已有的电力调度数据来源是电力调度相关的法律、规程及业务指导书等各类知识内容,包含有电力调度相关法律、电网规程、业务指导书、事故处理预案、事故限电序位表、网区站、线、关键断面越限清单、拉路选线序位表、调度受令人员信息等。部分原始数据集如图2所示。
步骤S2,获取电力调度数据源并清洗入库;所述电力调度数据源包括结构化数据、半结构化数据以及非结构化数据;基于元数据库对划分后的电网调度数据源进行预处理,并结合元数据库以及制定的清洗规则进行数据清洗,验证后进行存储到Redis数据库。
步骤S3,对结构化数据进行整合形成第一子图谱;对半结构化数据以及非结构化数据进行知识抽取,抽取其在知识图谱中的实体、关系与属性之间的关系,形成第二子图谱,将第一子图谱和第二子图谱整合形成初步知识表示图谱;知识抽取包括实体抽取、关系抽取、属性抽取。实体抽取和关系抽取步骤具体地采用Transformer-BiGRU-CRF组合模型对已处理数据进行抽取;通过所述实体抽取步骤获得实体及实体对应的属性,通过所述关系抽取步骤获得实体与实体间的关系。
其中,CRF为条件随机场,BiGRU指双向门限循环神经网络,Transformer模型是一个完全基于注意力机制的编码-解码模型。具体地,在实体抽取步骤部分,使用Transformer模型获取句子的positional embedding代替Word2Vec获取句子的词向量,使用BiGRU模型通过positional embedding得到句子的label序列,使用CRF对label序列进行运算之后通过原来的句子得到句子对应的实体和实体的属性;在关系抽取步骤中使用Attention模型在BiGRU模型的结果label序列和实体抽取结果两个部分结合的情况下对实体与实体间的关系进行抽取。
步骤S4,对初步知识表示图谱进行实体对齐,并与原始知识表示图谱融合形成标准知识表示图谱;对初步知识表示图谱进行实体对齐具体包括以下步骤:
步骤S41,对初步知识表示图谱中的第一子图谱、第二子图谱进行数据预处理;
步骤S42,构建图神经网络模型,利用图神经网络对初步知识表示图谱统一建模,得到知识图谱中实体的向量化表示;具体包括以下步骤:
利用图神经网络对初步知识表示图谱统一建模,得到图谱中实体和关系的向量化表示;
图卷积神经网络中实体和关系的向量化表示通过迭代不断调整,以实体语义相似程度与实体向量表示相似程度一致为收敛目标,具体迭代过程为:
聚合信息,初始化图谱向量表示后,对图谱中每个节点作聚合操作,聚合其邻居节点的信息更新中心节点的向量表示,对所有有联系的节点信息进行聚合;
根据损失函数对图神经网络模型的所有变量依据链式法则反向求导,使用梯度下降法更新模型参数;
重复上述步骤直到整个训练过程结束,图谱向量表示不再发生变化。
步骤S43,基于贪心算法搜索向量空间中实体向量表示与实体语义相似度最高的实体,作为对齐实体。利用贪心算法对整个向量空间搜索,将计算得到的在不同知识图谱中节点向量表示的欧氏距离小于阈值的成对向量对应实体,作为对齐实体。
步骤S5,对标准知识表示图谱进行质量评估,质量评估达到标准后形成最终的电力调度知识图谱。使用Neo4j进行电力调度知识图谱的展示。对标准知识表示图谱进行质量评估包括:对标准知识表示图谱进行知识推理,输出知识发现,并与通过标准知识表示图谱输出的知识发现进行对比,采用欧氏距离计算,当距离小于设定阈值时则质量评估满足标准。
实施例2:
基于与上述搭建方法相同的发明构思,本实施例提供了一种电力调度知识图谱搭建系统,如图3所示,包括:
原始知识表示图谱构建模块,用于根据已有的电力调度原始数据集构建原始知识表示图谱;具体原理参见上述步骤S1。
数据清洗模块,用于获取电力调度数据源并清洗入库;所述电力调度数据源包括结构化数据、半结构化数据以及非结构化数据;具体原理参见上述步骤S2。
知识抽取整合模块,用于对结构化数据进行整合形成第一子图谱;对半结构化数据以及非结构化数据进行知识抽取,抽取其在知识图谱中的实体、关系与属性之间的关系,形成第二子图谱,将第一子图谱和第二子图谱整合形成初步知识表示图谱;具体原理参见上述步骤S3。
实体对齐模块,用于对初步知识表示图谱进行实体对齐,并与原始知识表示图谱融合形成标准知识表示图谱;具体原理参见上述步骤S4。
质量评估模块,用于对标准知识表示图谱进行质量评估,质量评估达到标准后形成最终的电力调度知识图谱,具体原理参见上述步骤S5。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可结合为一个模块,一个模块可拆分为多个模块,或一些特征可以忽略等。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-0nlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种电力调度知识图谱搭建方法,其特征在于,包括以下步骤:
步骤S1,根据已有的电力调度原始数据集构建原始知识表示图谱;
步骤S2,获取电力调度数据源并清洗入库;所述电力调度数据源包括结构化数据、半结构化数据以及非结构化数据;
步骤S3,对结构化数据进行整合形成第一子图谱;对半结构化数据以及非结构化数据进行知识抽取,抽取其在知识图谱中的实体、关系与属性之间的关系,形成第二子图谱,将第一子图谱和第二子图谱整合形成初步知识表示图谱;
步骤S4,对初步知识表示图谱进行实体对齐,并与原始知识表示图谱融合形成标准知识表示图谱;
步骤S5,对标准知识表示图谱进行质量评估,质量评估达到标准后形成最终的电力调度知识图谱。
2.根据权利要求1所述的一种电力调度知识图谱搭建方法,其特征在于,所述步骤S2中基于元数据库对划分后的电网调度数据源进行预处理,并结合元数据库以及制定的清洗规则进行数据清洗,验证后进行存储到Redis数据库。
3.根据权利要求2所述的一种电力调度知识图谱搭建方法,其特征在于,所述步骤S3中知识抽取包括实体抽取、关系抽取、属性抽取。
4.根据权利要求3所述的一种电力调度知识图谱搭建方法,其特征在于,所述实体抽取和关系抽取步骤具体地采用Transformer-BiGRU-CRF组合模型对已处理数据进行抽取;通过所述实体抽取步骤获得实体及实体对应的属性,通过所述关系抽取步骤获得实体与实体间的关系。
5.根据权利要求1所述的一种电力调度知识图谱搭建方法,其特征在于,所述步骤S4中对初步知识表示图谱进行实体对齐具体包括以下步骤:
步骤S41,对初步知识表示图谱中的第一子图谱、第二子图谱进行数据预处理;
步骤S42,构建图神经网络模型,利用图神经网络对初步知识表示图谱统一建模,得到知识图谱中实体的向量化表示;
步骤S43,基于贪心算法搜索向量空间中实体向量表示与实体语义相似度最高的实体,作为对齐实体。
6.根据权利要求5所述的一种电力调度知识图谱搭建方法,其特征在于,所述步骤S42中具体包括以下步骤:
利用图神经网络对初步知识表示图谱统一建模,得到图谱中实体和关系的向量化表示;
图卷积神经网络中实体和关系的向量化表示通过迭代不断调整,以实体语义相似程度与实体向量表示相似程度一致为收敛目标,具体迭代过程为:
聚合信息,初始化图谱向量表示后,对图谱中每个节点作聚合操作,聚合其邻居节点的信息更新中心节点的向量表示,对所有有联系的节点信息进行聚合;
根据损失函数对图神经网络模型的所有变量依据链式法则反向求导,使用梯度下降法更新模型参数;
重复上述步骤直到整个训练过程结束,图谱向量表示不再发生变化。
7.根据权利要求5所述的一种电力调度知识图谱搭建方法,其特征在于,所述步骤S43中利用贪心算法对整个向量空间搜索,将计算得到的在不同知识图谱中节点向量表示的欧氏距离小于阈值的成对向量对应实体,作为对齐实体。
8.根据权利要求1所述的一种电力调度知识图谱搭建方法,其特征在于,所述步骤S5中使用Neo4j进行电力调度知识图谱的展示。
9.根据权利要求1所述的一种电力调度知识图谱搭建方法,其特征在于,所述步骤S5中对标准知识表示图谱进行质量评估包括:对标准知识表示图谱进行知识推理,输出知识发现,并与通过标准知识表示图谱输出的知识发现进行对比,采用欧氏距离计算,当距离小于设定阈值时则质量评估满足标准。
10.一种电力调度知识图谱搭建系统,其特征在于,包括:
原始知识表示图谱构建模块,用于根据已有的电力调度原始数据集构建原始知识表示图谱;
数据清洗模块,用于获取电力调度数据源并清洗入库;所述电力调度数据源包括结构化数据、半结构化数据以及非结构化数据;
知识抽取整合模块,用于对结构化数据进行整合形成第一子图谱;对半结构化数据以及非结构化数据进行知识抽取,抽取其在知识图谱中的实体、关系与属性之间的关系,形成第二子图谱,将第一子图谱和第二子图谱整合形成初步知识表示图谱;
实体对齐模块,用于对初步知识表示图谱进行实体对齐,并与原始知识表示图谱融合形成标准知识表示图谱;
质量评估模块,用于对标准知识表示图谱进行质量评估,质量评估达到标准后形成最终的电力调度知识图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311683767.4A CN117689018A (zh) | 2023-12-10 | 2023-12-10 | 一种电力调度知识图谱搭建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311683767.4A CN117689018A (zh) | 2023-12-10 | 2023-12-10 | 一种电力调度知识图谱搭建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117689018A true CN117689018A (zh) | 2024-03-12 |
Family
ID=90131229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311683767.4A Pending CN117689018A (zh) | 2023-12-10 | 2023-12-10 | 一种电力调度知识图谱搭建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689018A (zh) |
-
2023
- 2023-12-10 CN CN202311683767.4A patent/CN117689018A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112612902B (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
CN108573411B (zh) | 基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法 | |
CN111428054A (zh) | 一种网络空间安全领域知识图谱的构建与存储方法 | |
CN108874878A (zh) | 一种知识图谱的构建系统及方法 | |
CN111967761B (zh) | 一种基于知识图谱的监控预警方法、装置及电子设备 | |
CN110968699A (zh) | 一种基于事理推荐的逻辑图谱构建及预警方法和装置 | |
CN111767325B (zh) | 基于深度学习的多源数据深度融合方法 | |
CN113593661A (zh) | 临床术语标准化方法、装置、电子设备及存储介质 | |
CN115438199A (zh) | 一种基于智慧城市场景数据中台技术的知识平台系统 | |
CN117390198A (zh) | 构建电力领域科技知识图谱的方法、装置、设备及介质 | |
CN117151222A (zh) | 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质 | |
CN113407726A (zh) | 一种应急处置预案方法和系统 | |
Wang et al. | Research on intelligent decision method of computer-aided manufacturing numerical control parameters based on model-based definition and back propagation neural networks | |
CN111259106A (zh) | 一种结合神经网络和特征演算的关系抽取方法 | |
CN116523042A (zh) | 一种电网调度实体关系联合抽取方法及系统 | |
CN115563968A (zh) | 水电运检知识自然语言人工智能系统及方法 | |
Liu et al. | A two-stage clustering ensemble algorithm applicable to risk assessment of railway signaling faults | |
CN117689018A (zh) | 一种电力调度知识图谱搭建方法及系统 | |
CN114298339A (zh) | 一种变电站设备告警智能决策方法及系统 | |
Huda et al. | Aspect-based sentiment analysis in tourism industry for tourism recommender system | |
Omri et al. | Dynamic editing distance-based extracting relevant information approach from social networks | |
CN113849639A (zh) | 一种城市级数据仓库主题模型类别的构建方法及系统 | |
Jin et al. | Representation and Extraction of Diesel Engine Maintenance Knowledge Graph with Bidirectional Relations Based on BERT and the Bi-LSTM-CRF Model | |
Peng et al. | A novel text retrieval algorithm for public crisis cases | |
CN116975256B (zh) | 抽水蓄能电站地下厂房施工过程多源信息的处理方法及系统 |
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 |