WO2022262320A1 - 基于知识图谱的配电网cim模型信息补全方法及系统 - Google Patents

基于知识图谱的配电网cim模型信息补全方法及系统 Download PDF

Info

Publication number
WO2022262320A1
WO2022262320A1 PCT/CN2022/078964 CN2022078964W WO2022262320A1 WO 2022262320 A1 WO2022262320 A1 WO 2022262320A1 CN 2022078964 W CN2022078964 W CN 2022078964W WO 2022262320 A1 WO2022262320 A1 WO 2022262320A1
Authority
WO
WIPO (PCT)
Prior art keywords
path
entity
feature
pra
source
Prior art date
Application number
PCT/CN2022/078964
Other languages
English (en)
French (fr)
Inventor
郑世明
黄园芳
段新辉
罗宗杰
吴莉琳
徐沛东
林荣秋
王志强
陈宇钊
赵永发
魏焱
徐达艺
王晓明
李玲
付振宇
吴超成
曹彦朝
文彬
李琦
李旺军
彭显刚
谢卓均
杨瑞锋
刘颖
张华煜
Original Assignee
广东电网有限责任公司湛江供电局
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 广东电网有限责任公司湛江供电局 filed Critical 广东电网有限责任公司湛江供电局
Publication of WO2022262320A1 publication Critical patent/WO2022262320A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N5/027—Frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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

Definitions

  • the present application relates to the technical field of distribution network dispatching, and in particular to a knowledge graph-based method for complementing distribution network CIM model information.
  • the CIM model of the distribution network has missing topology information, missing attribute information, and incomplete model splicing, resulting in the topology construction based on CIM model. Problems such as inaccurate topology modeling and incomplete equipment parameters occur during modeling.
  • This application provides a distribution network CIM model information completion method and system based on a knowledge map, which is used to solve the technical problems of inaccurate topology modeling and incomplete equipment parameters when topology modeling is based on the CIM model.
  • the first aspect of the present application provides a knowledge graph-based distribution network CIM model information completion method, including the following steps:
  • step S5 Binarize the multiple features extracted in step S4, and take a union of the multiple features after the binarization process, thereby generating a feature set;
  • the step S1 specifically includes:
  • step S1 before the step S2 includes:
  • a predetermined range of knowledge graphs is intercepted in the distribution network CIM model knowledge graph as the original data set.
  • the step S3 specifically includes:
  • the step S4 specifically includes: extracting PRA-like path features, PRA-like generalization path features, PRA-like arbitrary generalization path features, bigram path features, etc. according to the source entity subgraph and the target entity subgraph.
  • One-sided features and one-sided comparison features are included in the source entity subgraph and the target entity subgraph.
  • the extraction process of the PRA-like path feature includes:
  • h ⁇ t represents the set of all entities included in the process from source entity h to target entity t; ⁇ h ⁇ t represents all path types contained in the process from source entity h to target entity t Set; P(h ⁇ t
  • ⁇ ht ) represents the full path of PRA between the source entity h and the target entity t; ⁇ h ⁇ x represents the set of all path types contained in the process from the target entity t to the intermediate entity x; ⁇ h ⁇ x -1 represents the path feature set after the path direction is reversed for ⁇ h ⁇ x ; x n represents the nth intermediate entity, n 1,2,...,n; ⁇ n represents the nth path Type, the path type is determined by the inference relation triplet; ⁇ h- ⁇ 1 -x 1 -... ⁇ n -x n -t ⁇ is equivalent to the graph structure, specifically,
  • Equation 2 Represents the entity-relationship triplet (h, ⁇ 1 , x 1 ) in the knowledge graph, h is the first entity in the entity-relationship triplet, x 1 represents the tail entity in the entity-relationship triplet, and ⁇ 1 represents the first entity and the path type between the tail entity;
  • T PRA represents a PRA-like path feature
  • the extraction process of the PRA-like generalization path feature includes:
  • T similar represents the similar generalized path characteristics of PRA-like
  • ⁇ h ⁇ t ' represents the path set that uses similar path types instead of corresponding path types in the process of starting from the source entity h and arriving at the target entity t
  • ⁇ x represents the PRA-like The x-th path type in the path feature
  • ⁇ x ' indicates a similar path type corresponding to ⁇ x , and only one ⁇ x ' is allowed in the path set ⁇ h ⁇ t ';
  • the extraction process of the arbitrary generalization path feature of the PRA-like includes:
  • each path type in the PRA-like path feature obtained in step S402 has any vector similar to the path type in the vector space obtained in step S412, and the arbitrary vector similar to the path type is an arbitrary value vector, then the arbitrary vector similar to the path type is introduced into the described PRA-like path feature obtained in step S401, and the arbitrary generalized path feature of the class PRA is obtained as,
  • Equation 5 any is represented as an arbitrary vector similar to the path type, T any represents any generalized path feature of PRA-like, ⁇ h ⁇ t (any) represents the path type used in the process from the source entity h to the target entity t Similar arbitrary vectors replace the path set of the corresponding path type;
  • the extraction process of the bigram path feature includes:
  • @h@ represents the path type of the source entity
  • @t@ represents the path type of the target entity
  • T bigram represents the bigram path feature
  • ⁇ h ⁇ t )) represents the total number of path types in the path P(h ⁇ t
  • the extraction process of one-sided features includes:
  • T one ⁇ T source-1 ,...,T source-i ,...,T source-m ,T target-1 ,...,T target-j ,...,T target-n ⁇ Formula 8
  • T source-1 represents the feature from the path type in the source entity subgraph and the first entity pair
  • T source-m represents the feature from the path type in the source entity subgraph and the tail entity pair
  • T target-1 represents the feature of the path type and the first entity pair from the target entity subgraph
  • T target-n represents the feature from the target entity subgraph
  • T source-i represents the middle of the source entity connected to the i-th source entity
  • the one-side feature of the entity, T source-i is expressed as the following formula:
  • s represents the source entity
  • - ⁇ - represents the path type and the two ends of the path type
  • i s represents the i-th intermediate entity connected to the source entity
  • T target-j represents the one-side feature of the intermediate entity connected between the target entity and the jth target entity, and T target-j is expressed as the following formula:
  • t represents the target entity
  • - ⁇ - represents the path type and the two ends of the path type, and it represents the i-th intermediate entity connected to the target entity
  • the extraction process of one-sided comparison features includes:
  • the one-sided comparison feature is defined as,
  • step S5 specifically includes:
  • T i represents the i-th feature representation
  • T i ' represents the feature representation after the i-th feature binarization process, means empty
  • step S502 Take the union of the features after binarization processing in step S501 to generate a feature set, specifically,
  • T SFE-BFS T PRA ' ⁇ T similar ' ⁇ T any ' ⁇ T bigram ' ⁇ T onesided ' ⁇ T comparison ' Formula 13
  • T SFE-BFS represents the feature set
  • T PRA ' represents the PRA-like path feature after binarization
  • T similar ' represents the PRA-like generalized path feature after binarization
  • T any ' represents the binarization
  • the post-PRA-like generalized path feature, T bigram ' indicates the binaryized bigram path feature, T onesided 'indicates the binarized one-sided feature, T comparison 'indicates the binarized one-sided comparison feature;
  • m is the total number of mapping relationships between the source entity and the corresponding target entity.
  • the information gain in the ID3 decision tree classifier in step S7 is,
  • the information entropy in the ID3 decision tree classifier in step S7 is,
  • S represents the training set
  • c represents the c-th class sample
  • n represents the number of sample subsets of the c-th sample
  • p represents the sample subset.
  • step S8 it also includes:
  • the present invention also provides a distribution network CIM model information completion system based on knowledge graph, including:
  • the building block is used to construct the distribution network CIM model knowledge map according to the entity elements extracted from the distribution network equipment and the lines connected between each distribution network equipment;
  • the entity extraction module is used to extract the source entity, reasoning relationship and target entity in the distribution network CIM model knowledge map according to the knowledge reasoning task, thereby forming a reasoning relationship triple;
  • a path search module configured to perform a path search based on a breadth-first search strategy according to the source entity and the target entity, thereby generating a source entity subgraph and a target entity subgraph;
  • a feature extraction module configured to perform multiple feature extractions on the source entity subgraph and the target entity subgraph
  • the feature set module is used to perform binarization processing on the features extracted by the feature extraction module, and take a union of multiple features after binarization processing, thereby generating a feature set;
  • a feature matrix module configured to generate a feature matrix according to the mapping relationship between the source entity and the target entity and the feature set
  • a model training module configured to train the feature matrix using an ID3 decision tree classifier, and construct a decision tree model with the inference relationship between the source entity and the target entity as output;
  • the completion module is used to import two test entities into the decision tree model, thereby judging whether the predicted reasoning relationship of the two test entities can be output, and is also used for when the above judgment is yes, then the predicted The reasoning relationship is added to the distribution network CIM model knowledge graph, thereby complementing the distribution network CIM model knowledge graph.
  • the present invention uses a breadth-first search strategy for path search, generates simpler source entity subgraphs and target entity subgraphs to create a feature space, reduces the search space, extracts more features, and takes less time.
  • a breadth-first search strategy for path search reduces the search space, reduces the probability of path feature explosion, extracts more features, and takes less time; by extracting source entities
  • a variety of graph features between the graph and the target entity subgraph enrich the path feature quantity and reduce the dependence of the recognition result on high-quality data sets; by only retaining the binary features of the feature set, the path is avoided.
  • the probability calculation process that requires a large amount of calculation in the feature.
  • FIG. 1 is a flow chart of a knowledge map-based distribution network CIM model information completion method provided by an embodiment of the present application
  • Fig. 2 is a schematic structural diagram of a distribution network CIM model information completion system based on a knowledge map provided by an embodiment of the present application.
  • CoR-PRA performs probability calculation when searching for path features, which requires a large amount of calculation.
  • the present invention provides a kind of distribution network CIM model information completion method based on knowledge graph, comprises the following steps:
  • step S5 Binarize the multiple features extracted in step S4, and take a union of the multiple features after the binarization process, thereby generating a feature set;
  • ID3 decision tree classifier namely Iterative Dichotomiser 3 decision tree classifier, iterative binary tree 3 generations
  • ID3 decision tree classifier namely Iterative Dichotomiser 3 decision tree classifier, iterative binary tree 3 generations
  • the present invention uses a breadth-first search strategy for path search, generates simpler source entity subgraphs and target entity subgraphs to create a feature space, reduces the search space, extracts more features, and takes less time.
  • a breadth-first search strategy for path search reduces the search space, reduces the probability of path feature explosion, extracts more features, and takes less time; by extracting source entities
  • a variety of graph features between the graph and the target entity subgraph enrich the path feature quantity and reduce the dependence of the recognition result on high-quality data sets; by only retaining the binary features of the feature set, the path is avoided.
  • the probability calculation process that requires a large amount of calculation in the feature.
  • step S1 specifically includes:
  • the distribution network equipment A is an entity
  • the model represents the attribute
  • LGJ-50 is the tail entity, which needs to be added to the entity relationship triple In , the triplets of the knowledge graph are generated.
  • step S1 before step S2 includes:
  • the predetermined range of knowledge graph is intercepted in the distribution network CIM model knowledge graph as the original data set.
  • the expert knowledge base includes prior knowledge of experts' past data analysis and logical judgment. For example, a large number of equipment are included in the CIM model of the distribution network. It can be obtained which equipment is required for power flow calculation; or when performing relational reasoning, it can be obtained through the expert knowledge base to reduce the scope of reasoning relations from all CIM models to partial CIM models, and from the full topology of lines to partial topologies. While reducing the amount of data, the search space is reduced.
  • the search space can be reduced and the generation of redundant path feature vectors can be avoided by properly intercepting the knowledge graph of the distribution network CIM model.
  • step S3 specifically includes:
  • the breadth-first search strategy is used to start from the source entity h, and take l as the path length threshold to generate the source entity subgraph G h , and start from the target entity t, and also use l as the path length threshold to generate the target entity subgraph In graph G t , the meaningless path features are reduced through the breadth-first search strategy, which improves the efficiency of path search.
  • step S4 specifically includes: extracting PRA-like path features, PRA-like generalization path features, PRA-like arbitrary generalization path features, bigram path features, one-sided features and one-sided features according to the source entity subgraph and the target entity subgraph. -sided comparison features.
  • Bigram path features are binary model path features
  • one-sided features are one-sided features
  • one-sided comparison features are one-sided comparison features
  • PRA Path Ranking Algorithm
  • the features extracted above are the features of the graph structure in the graph theory knowledge, which are used to enrich the path feature quantity and avoid the need to rely on a large number of high-precision data sets to identify the result when the feature quantity is single.
  • the extraction process of PRA-like path features includes:
  • h ⁇ t represents the set of all entities included in the process from source entity h to target entity t; ⁇ h ⁇ t represents all path types contained in the process from source entity h to target entity t Set; P(h ⁇ t
  • ⁇ ht ) represents the full path of PRA between the source entity h and the target entity t; ⁇ h ⁇ x represents the set of all path types contained in the process from the target entity t to the intermediate entity x; ⁇ h ⁇ x -1 represents the path feature set after the path direction is reversed for ⁇ h ⁇ x ; x n represents the nth intermediate entity, n 1,2,...,n; ⁇ n represents the nth path Type, the path type is determined by the inference relation triplet; ⁇ h- ⁇ 1 -x 1 -... ⁇ n -x n -t ⁇ is equivalent to the graph structure, specifically,
  • Equation 2 Represents the entity-relationship triplet (h, ⁇ 1 , x 1 ) in the knowledge graph, h is the first entity in the entity-relationship triplet, x 1 represents the tail entity in the entity-relationship triplet, and ⁇ 1 represents the first entity and the path type between the tail entity;
  • T PRA represents a PRA-like path feature
  • formula 3 is a subset of formula 1, so it is easy to obtain formula 3 through formula 1, and at the same time, there is no entity node quantity in the path quantity in formula 1 (but not including source entity, target entity and intermediate entity );
  • the extraction process of PRA-like generalized path features includes:
  • T similar represents the similar generalized path characteristics of PRA-like
  • ⁇ h ⁇ t ' represents the path set that uses similar path types instead of corresponding path types in the process of starting from the source entity h and arriving at the target entity t
  • ⁇ x represents the PRA-like The x-th path type in the path feature
  • ⁇ x ' indicates a similar path type corresponding to ⁇ x , and only one ⁇ x ' is allowed in the path set ⁇ h ⁇ t ';
  • the extraction process of PRA-like arbitrary generalization path features includes:
  • each path type in the PRA-like path feature obtained in step S402 has an arbitrary vector similar to the path type in the vector space obtained in step S412, and any vector similar to the path type is an arbitrary value vector, then The arbitrary vector similar to the path type is introduced into the PRA-like path feature obtained in step S401, and the arbitrary generalized path feature of the PRA-like is obtained as,
  • Equation 5 any is represented as an arbitrary vector similar to the path type, T any represents any generalized path feature of PRA-like, ⁇ h ⁇ t (any) represents the path type used in the process from the source entity h to the target entity t Similar arbitrary vectors replace the path set of the corresponding path type;
  • any vector with a similar path type means that the distance between it and the path type in the vector space is smaller than a preset distance threshold.
  • the extraction process of bigram path features includes:
  • @h@ represents the path type of the source entity
  • @t@ represents the path type of the target entity
  • the entity and the path type have different properties.
  • a label is added to the entity to represent the path type, so that the entity has the property of the path type.
  • T bigram represents the bigram path feature
  • ⁇ h ⁇ t )) represents the total number of path types in the path P(h ⁇ t
  • the entity will be marked with entity or path type, for example: from entity A to entity B need to go through path a, b, c in turn, then according to the order of passing, then the corresponding
  • the path type of neighbors is that a is adjacent to b, and b is adjacent to c.
  • the extraction process of one-sided features includes:
  • T one ⁇ T source-1 ,...,T source-i ,...,T source-m ,T target-1 ,...,T target-j ,...,T target-n ⁇ Formula 8
  • T source-1 represents the feature from the path type in the source entity subgraph and the first entity pair
  • T source-m represents the feature from the path type in the source entity subgraph and the tail entity pair
  • T target-1 represents the feature of the path type and the first entity pair from the target entity subgraph
  • T target-n represents the feature from the target entity subgraph
  • T source-i represents the middle of the source entity connected to the i-th source entity
  • the one-side feature of the entity, T source-i is expressed as the following formula:
  • s represents the source entity
  • - ⁇ - represents the path type and the two ends of the path type
  • i s represents the i-th intermediate entity connected to the source entity
  • T target-j represents the one-side feature of the intermediate entity connected between the target entity and the jth target entity, and T target-j is expressed as the following formula:
  • t represents the target entity
  • - ⁇ - represents the path type and the two ends of the path type, and it represents the i-th intermediate entity connected to the target entity
  • the path type and tail entity pair ( ⁇ , x) in the source entity subgraph and target entity subgraph can be recorded, where ( ⁇ , x) is represented as the source entity
  • the tail entity and the corresponding path type in the subgraph and the target entity subgraph is also the process of one-sided feature extraction.
  • degree represents the number of edges associated with a node in the graph.
  • the extraction process of one-sided comparison features includes:
  • step S5 specifically includes:
  • T i represents the i-th feature representation
  • T i ' represents the feature representation after the i-th feature binarization process, means empty
  • step S502 Take the union of the features after binarization processing in step S501 to generate a feature set, specifically,
  • T SFE-BFS T PRA ' ⁇ T similar ' ⁇ T any ' ⁇ T bigram ' ⁇ T onesided ' ⁇ T comparison ' Formula 13
  • T SFE-BFS represents the feature set
  • T PRA ' represents the PRA-like path feature after binarization
  • T similar ' represents the PRA-like generalized path feature after binarization
  • T any ' represents the binarization
  • the post-PRA-like generalized path feature, T bigram ' indicates the binaryized bigram path feature, T onesided 'indicates the binarized one-sided feature, T comparison 'indicates the binarized one-sided comparison feature;
  • m is the total number of mapping relationships between the source entity and the corresponding target entity.
  • the information gain in the ID3 decision tree classifier in step S7 is,
  • the information entropy in the ID3 decision tree classifier in step S7 is,
  • S represents the training set
  • c represents the c-th class sample
  • n represents the number of sample subsets of the c-th sample
  • p represents the sample subset.
  • step S8 it also includes:
  • a system for implementing a knowledge map-based distribution network CIM model information completion method provided by the present invention, including:
  • the construction module 100 is used to construct the distribution network CIM model knowledge map according to the entity elements extracted from the distribution network equipment and the lines connected between each distribution network equipment;
  • the entity extraction module 200 is used to extract the source entity, reasoning relationship and target entity in the distribution network CIM model knowledge map according to the knowledge reasoning task, so as to form a reasoning relationship triple;
  • the path search module 300 is used to perform path search based on the breadth-first search strategy according to the source entity and the target entity, thereby generating a source entity subgraph and a target entity subgraph;
  • a feature extraction module 400 configured to extract multiple features from the source entity subgraph and the target entity subgraph;
  • the feature set module 500 is used to perform binarization processing on the features extracted by the feature extraction module, and take a union of multiple features after the binarization processing, thereby generating a feature set;
  • a feature matrix module 600 configured to generate a feature matrix according to the mapping relationship between the source entity and the target entity and the feature set;
  • the model training module 700 is used to adopt the ID3 decision tree classifier to train the feature matrix, and construct a decision tree model with the inference relationship between the source entity and the target entity as output;
  • the completion module 800 is used to import two test entities into the decision tree model, thereby judging whether the predictive reasoning relationship of the two test entities can be output, and is also used to supplement the predictive reasoning relationship to the matching In the power grid CIM model knowledge graph, it complements the distribution network CIM model knowledge graph.
  • the disclosed devices and methods may be implemented in other ways.
  • the device embodiments described above are only illustrative.
  • the division of the units is only a logical function division. In actual implementation, there may be other division methods.
  • multiple units or components can be combined or May be integrated into another system, or some features may be ignored, or not implemented.
  • the mutual coupling or direct coupling or communication connection shown or discussed may be through some interfaces, and the indirect coupling or communication connection of devices or units may be in electrical, mechanical or other forms.
  • the units described as separate components may or may not be physically separated, and the components shown as units may or may not be physical units, that is, they may be located in one place, or may be distributed to multiple network units. Part or all of the units can be selected according to actual needs to achieve the purpose of the solution of this embodiment.
  • each functional unit in each embodiment of the present application may be integrated into one processing unit, each unit may exist separately physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated units can be implemented in the form of hardware or in the form of software functional units.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于知识图谱的配电网CIM模型信息补全方法及系统，相比于CoR-PRA方法中的随机游走策略，通过采用广度优先搜索策略进行路径搜索，降低了搜索空间，减小了路径特征爆炸的概率，搜索耗时更少，生成源实体子图和目标实体子图的效率更高；相比于CoR-PRA方法提取单一图特征，通过提取源实体子图与目标实体子图之间的多种图特征，丰富了路径特征量，减小了识别结果对高质量数据集的依赖程度；通过对特征集只保留二值化特征的处理方式，避免了CoR-PRA方法中路径特征需要较大计算量的概率计算过程。

Description

基于知识图谱的配电网CIM模型信息补全方法及系统
本申请要求于2021年6月15日提交至中国专利局、申请号为202110658047.7、发明名称为“基于知识图谱的配电网CIM模型信息补全方法及系统”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及配电网调度技术领域，尤其涉及一种基于知识图谱的配电网CIM模型信息补全方法。
背景技术
长期以来，各级电力系统对电网模型的维护是分散的，彼此之间无法共享，即使在同级应用系统之间，对电网模型的需求也各不相同，建模侧重点也不相同，为系统间信息交互带来了困难。为实现异构系统中信息的交互，国际电工委员会制定了IECC61970/61890标准，并定义公共信息模型(简称CIM模型，英文全称为Common Information Model)作为电力系统间模型转换的基础模型。
但是，即使如此，在实际场景中，由于工作人员维护不当或异构系统交互时机不当，配电网CIM模型存在拓扑信息缺失、属性信息缺失和模型拼接不完整的情况，导致基于CIM模型拓扑建模时出现拓扑建模不准确、设备参数不完整的问题。
发明内容
本申请提供了一种基于知识图谱的配电网CIM模型信息补全方法及系统，用于解决基于CIM模型拓扑建模时出现拓扑建模不准确、设备参数不完整的技术问题。
有鉴于此，本申请第一方面提供了一种基于知识图谱的配电网CIM模型信息补全方法，包括以下步骤：
S1、根据配电网设备以及各配电网设备之间联络的线路中提取出来的 实体元素构建配电网CIM模型知识图谱；
S2、根据知识推理任务提取所述配电网CIM模型知识图谱中的源实体、推理关系和目标实体，从而构成推理关系三元组；
S3、基于广度优先搜索策略，根据所述源实体和所述目标实体分别进行路径搜索，从而生成源实体子图和目标实体子图；
S4、提取所述源实体子图和所述目标实体子图中的多种特征；
S5、对步骤S4中提取的多种特征进行二值化处理，对经二值化处理后的多种特征取并集，从而生成特征集；
S6、根据所述源实体和所述目标实体的映射关系以及所述特征集，生成特征矩阵；
S7、采用ID3决策树分类器对所述特征矩阵进行训练，并以所述源实体和所述目标实体的推理关系作为输出构建决策树模型；
S8、通过向所述决策树模型导入两个测试实体，从而判断是否能输出所述两个测试实体的预测推理关系，当上述判断为是时，则将所述预测推理关系补充至所述配电网CIM模型知识图谱中，从而补全所述配电网CIM模型知识图谱。
优选地，所述步骤S1具体包括：
S101、以配电网设备作为实体，以各配电网设备之间联络的线路作为关系，构建实体关系三元组；
S102、在CIM模型中提取所述实体的属性值作为尾实体，对所述实体关系三元组进行补充，生成知识图谱的三元组；
S103、根据所述知识图谱的三元组构建配电网CIM模型知识图谱。
优选地，所述步骤S1之后，所述步骤S2之前包括：
根据专家知识库在所述配电网CIM模型知识图谱中截取预定范围的知识图谱作为原始数据集。
优选地，所述步骤S3具体包括：
采用广度优先搜索策略以所述源实体为起点进行路径搜索，生成路径长度为预设路径长度阈值的源实体子图；采用广度优先搜索策略以所述目标实体为起点进行路径搜索，生成路径长度为所述预设路径长度阈值的目 标实体子图。
优选地，所述步骤S4具体包括：根据所述源实体子图和所述目标实体子图提取类PRA路径特征、类PRA相似泛化路径特征、类PRA任意泛化路径特征、bigram路径特征、one-sided特征和one-sided比较特征。
优选地，所述类PRA路径特征的提取过程包括：
S401、假设所述源实体子图和所述目标实体子图中分别存在相应的所述源实体和所述目标实体到同一中间实体x的路径，则以该中间实体x作为链接节点生成所述源实体和所述目标实体之间的PRA全路径为，
P(h→t|Γ h→t)＝P(h→t|Γ h→x,Γ h→x -1)
＝{h-π 1-x 1-...π n-x n-t}        公式1
公式1中，h→t表示从源实体h出发抵达至目标实体t过程中所包含的所有实体集合；Γ h→t表示从源实体h出发抵达至目标实体t过程中所包含的所有路径类型集合；P(h→t|Γ h-t)表示源实体h和目标实体t之间的PRA全路径；Γ h→x表示目标实体t出发抵达至中间实体x过程中所包含的所有路径类型集合；Γ h→x -1表示对Γ h→x进行路径方向翻转后的路径特征集合；x n表示第n个中间实体，n＝1,2,...,n；π n表示第n个路径类型，路径类型由推理关系三元组决定；{h-π 1-x 1-...π n-x n-t}等效于图结构，具体为，
Figure PCTCN2022078964-appb-000001
公式2中，
Figure PCTCN2022078964-appb-000002
表示为图结构，
Figure PCTCN2022078964-appb-000003
表示知识图谱中的实体关系三元组(h,π 1,x 1)，h为实体关系三元组中的首实体，x 1表示实体关系三元组中的尾实体，π 1表示首实体和尾实体之间的路径类型；
S402、根据所述源实体和所述目标实体之间的PRA全路径生成类PRA路径特征为，
T PRA＝Γ h→t＝{π 1-π 2-...-π n}        公式3
公式3中，T PRA表示类PRA路径特征；
相应的，所述类PRA相似泛化路径特征的提取过程包括：
S411、通过PRA算法获取各个实体间的路径；
S412、对经PRA算法获得的各个实体的路径进行张量分解，得出路径类型的向量空间；
S413、将步骤S402中得到的所述类PRA路径特征中的每个路径类型替换为所述路径类型的向量空间中的与其相似的路径类型，则生成类PRA相似泛化路径特征为，
T similar＝Γ h→t'＝{π 1-π 2-...-π x'-...-π n} π x'＝π x       公式4
公式4中，T similar表示类PRA相似泛化路径特征；Γ h→t'表示从源实体h出发抵达至目标实体t过程中使用相似路径类型代替对应路径类型的路径集合；π x表示类PRA路径特征中第x个的路径类型；π x'表示与π x相对应的相似的路径类型，且在路径集合Γ h→t'中只允许有一个π x'；
相应的，所述类PRA任意泛化路径特征的提取过程包括：
S421、假设步骤S402中得到的所述类PRA路径特征中的每个路径类型在步骤S412中得到的所述向量空间中存在与路径类型相似的任意向量，且所述与路径类型相似的任意向量为任意值向量，则将该与路径类型相似的任意向量引至步骤S401中得出的所述类PRA路径特征中，得出类PRA任意泛化路径特征为，
T any＝Γ h→t(any)＝{π 1-any-...-π n}               公式5
公式5中，any表示为与路径类型相似的任意向量，T any表示类PRA任意泛化路径特征，Γ h→t(any)表示从源实体h出发抵达至目标实体t过程中使用与路径类型相似的任意向量代替对应的路径类型的路径集合；
相应的，所述bigram路径特征的提取过程包括：
S431、通过将所述源实体和所述目标实体分别增设标签以进行路径类型化，通过所述源实体和所述目标实体之间的PRA全路径得出下式为，
P(h→t|Γ h→t) bigram＝{@h@-π 1-x 1-...-π n-@t@}         公式6
公式6中，@h@表示源实体的路径类型化，@t@表示目标实体的路径类型化；
S432、将路径P(h→t|Γ h→t) bigram中每个相邻的路径类型创建bigram特征，从而得到bigram特征路径为，
Figure PCTCN2022078964-appb-000004
                              
Figure PCTCN2022078964-appb-000005
公式7中，T bigram表示bigram路径特征，path-pop(P(h→t|Γ h→t))表示路径P(h→t|Γ h→t)中的路径类型的总数量；
相应的，one-sided特征的提取过程包括：
S442、将所述源实体子图和所述目标实体子图中的每个实体和对应的路径类型的映射关系(π，x)的特征作为one-sided特征，从而得出one-sided特征为，
T one＝{T source-1,...,T source-i,...,T source-m,T target-1,...,T target-j,...,T target-n}     公式8
公式8中，T source-1表示来自源实体子图中的路径类型与首实体对的特征，T source-m表示来自源实体子图中的路径类型与尾实体对的特征，m＝deg(h)，deg(h)表示来自源实体子图中的实体的度；T target-1表示来自目标实体子图中的路径类型与首实体对的特征；T target-n表示来自目标实体子图中的路径类型与尾实体对的特征，n＝det(t)，det(t)表示来自目标实体子图中的实体的度；T source-i表示源实体与第i个源实体相连的中间实体的one-side特征，T source-i表示为下式：
T source-i＝s:-π-:i s               公式9
公式9中，s代表源实体，-π-则代表路径类型及路径类型的两端，i s表示第i个与源实体相连的中间实体；
T target-j表示目标实体与第j个目标实体相连的中间实体的one-side特征，T target-j表示为下式：
T target-j＝t:-π-:i t          公式10
公式10中，t表示目标实体，-π-则代表路径类型及路径类型的两端，i t表示第i个与目标实体相连的中间实体；
相应的，one-sided比较特征的提取过程包括：
S451、假设所述源实体和中间实体之间存在路径P(s→x|Γ s→x)，且所述目标实体与中间实体y之间存在路径P(t→y|Γ t→y)；
S452、通过对所述路径P(s→x|Γ s→x)和所述路径P(t→y|Γ t→y)进行路径搜索，当所述路径P(s→x|Γ s→x)和所述路径P(t→y|Γ t→y)存在相同的路径特征集合，则定义one-sided比较特征为，
Figure PCTCN2022078964-appb-000006
优选地，步骤S5具体包括：
S501、将所述类PRA路径特征、所述类PRA相似泛化路径特征、所述类PRA任意泛化路径特征、所述bigram路径特征、所述one-sided特征和所述one-sided比较特征均进行二值化处理，具体为，
Figure PCTCN2022078964-appb-000007
公式12中，T i表示第i个特征表示，T i'表示第i个特征二值化处理后的特征表示，
Figure PCTCN2022078964-appb-000008
表示空；
S502、将步骤S501中二值化处理后的特征取并集，生成特征集，具体为，
T SFE-BFS＝T PRA'∪T similar'∪T any'∪T bigram'∪T onesided'∪T comparison'           公式13
公式13中，T SFE-BFS表示特征集，T PRA'表示二值化后的类PRA路径特征，T similar'表示二值化后的类PRA相似泛化路径特征，T any'表示二值化后的类PRA任意泛化路径特征，T bigram'表示二值化后的bigram路径特征，T onesided'表示二值化后的one-sided特征，T comparison'表示二值化后的one-sided比较特征；
S503、以所述特征集为列，以所述源实体和对应的所述目标实体的映射关系为行，生成对应的特征矩阵为，
Figure PCTCN2022078964-appb-000009
公式14中，m为源实体和对应的目标实体的映射关系的总数。
优选地，步骤S7中的所述ID3决策树分类器中的信息增益为，
Figure PCTCN2022078964-appb-000010
公式15中，|S|表示训练集S中包含的样本数，|S v|表示训练集S v中包含的样本数，N表示特征，V表示总样本，v表示总样本中第v个样本；
步骤S7中的所述ID3决策树分类器中的信息熵为，
Figure PCTCN2022078964-appb-000011
公式16中，S表示训练集集合，c表示第c类样本，n表示第c样本的样本子集数量，p代表样本子集。
优选地，步骤S8之后还包括：
S9、将所述两个测试实体及其对应的预测推理关系以XML语句插至配电网CIM模型的XML文件中。
第二方面，本发明还提供了一种基于知识图谱的配电网CIM模型信息补全系统，包括：
构建模块，用于根据配电网设备以及各配电网设备之间联络的线路中提取出来的实体元素构建配电网CIM模型知识图谱；
实体提取模块，用于根据知识推理任务提取所述配电网CIM模型知识图谱中的源实体、推理关系和目标实体，从而构成推理关系三元组；
路径搜索模块，用于基于广度优先搜索策略，根据所述源实体和所述目标实体分别进行路径搜索，从而生成源实体子图和目标实体子图；
特征提取模块，用于对所述源实体子图和所述目标实体子图进行多种特征提取；
特征集模块，用于对所述特征提取模块提取的特征进行二值化处理，对经二值化处理后的多种特征取并集，从而生成特征集；
特征矩阵模块，用于根据所述源实体和所述目标实体的映射关系以及所述特征集，生成特征矩阵；
模型训练模块，用于采用ID3决策树分类器对所述特征矩阵进行训练，并以所述源实体和所述目标实体的推理关系作为输出构建决策树模型；
补全模块，用于通过向所述决策树模型导入两个测试实体，从而判断是否能输出所述两个测试实体的预测推理关系，还用于当上述判断为是时，则将所述预测推理关系补充至所述配电网CIM模型知识图谱中，从而补全所述配电网CIM模型知识图谱。
从以上技术方案可以看出，本申请实施例具有以下优点：
本发明通过采用广度优先搜索策略进行路径搜索，生成更加简单的源 实体子图和目标实体子图创建特征空间，降低了搜索空间，抽取的特征量更多，耗时更少，相比于CoR-PRA方法中的随机游走策略，通过采用广度优先搜索策略进行路径搜索，降低了搜索空间，减小了路径特征爆炸的概率，抽取特征量更多，耗时更少；通过提取源实体子图与目标实体子图之间的多种图特征，丰富了路径特征量，减少了识别结果对高质量数据集的依赖程度；通过对特征集只保留二值化特征的处理方式，避免了路径特征中需要较大计算量的概率计算过程。
附图说明
图1为本申请实施例提供的一种基于知识图谱的配电网CIM模型信息补全方法的流程图；
图2为本申请实施例提供的一种基于知识图谱的配电网CIM模型信息补全系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
通过本发明人发现，在现有方案中的基于知识推理的主配网统一管理模型信息补全方法，其使用CoR-PRA方法对电网管理模型进行特征提取和链接预测，具体为，首先根据路径搜索算法以源实体节点和目标实体节点为起点生成路径长度小于某个阈值的路径集合；其次通过PRA计算路径特征的概率，将路径特征进行翻转后放入常量候选集中；然后根据概率计算结果生成候选的常量路径；最后对每一个可能的组合生成更长的路径特征候选集。依据特征候选集作为更新基础实现对未来态主网和配网的知识图谱进行更新。
但通过上述方案进行知识图谱更新，存在以下问题：
1)尽管CoR-PRA方法采用了随机游走策略来降低搜索空间，当PRA(Path Ranking Algorithm，路径排序算法)应用在关系丰富且连接稠密的知识图谱上时，依然会面临路径特征爆炸的问题，路径特征爆炸会导致特征量过多，计算量大，也有可能会导致知识图谱更新出现过拟合现象。
2)CoR-PRA搜索路径特征时进行概率计算，需要较大计算量。
3)CoR-PRA方法提取的特征较为单一，只有源实体节点和目标节点之间的路径特征，特征量过少，识别结果只能依赖高质量的数据集。
为此，请参见图1，本发明提供了一种基于知识图谱的配电网CIM模型信息补全方法，包括以下步骤：
S1、根据配电网设备以及各配电网设备之间联络的线路中提取出来的实体元素构建配电网CIM模型知识图谱；
S2、根据知识推理任务提取配电网CIM模型知识图谱中的源实体、推理关系和目标实体，从而构成推理关系三元组；
S3、基于广度优先搜索策略，根据源实体和目标实体分别进行路径搜索，从而生成源实体子图和目标实体子图；
S4、提取源实体子图和目标实体子图中的多种特征；
S5、对步骤S4中提取的多种特征进行二值化处理，对经二值化处理后的多种特征取并集，从而生成特征集；
S6、根据源实体和目标实体的映射关系以及特征集，生成特征矩阵；
S7、采用ID3决策树分类器对特征矩阵进行训练，并以源实体和目标实体的推理关系作为输出构建决策树模型；
需要说明的是，ID3决策树分类器，即Iterative Dichotomiser 3决策树分类器，迭代二叉树3代，是Ross Quinlan发明的一种决策树算法。
S8、通过向决策树模型导入两个测试实体，从而判断是否能输出两个测试实体的预测推理关系，当上述判断为是时，则将预测推理关系补充至配电网CIM模型知识图谱中，从而补全配电网CIM模型知识图谱。
本发明通过采用广度优先搜索策略进行路径搜索，生成更加简单的源实体子图和目标实体子图创建特征空间，降低了搜索空间，抽取的特征量更多，耗时更少，相比于CoR-PRA方法中的随机游走策略，通过采用广 度优先搜索策略进行路径搜索，降低了搜索空间，减小了路径特征爆炸的概率，抽取特征量更多，耗时更少；通过提取源实体子图与目标实体子图之间的多种图特征，丰富了路径特征量，减少了识别结果对高质量数据集的依赖程度；通过对特征集只保留二值化特征的处理方式，避免了路径特征中需要较大计算量的概率计算过程。
以下为本发明提供的一种基于知识图谱的配电网CIM模型信息补全方法的具体描述。
进一步地，在步骤S1中具体包括：
S101、以配电网设备作为实体，以各配电网设备之间联络的线路作为关系，构建实体关系三元组；
S102、在CIM模型中提取实体的属性值作为尾实体，对实体关系三元组进行补充，生成知识图谱的三元组；
假设存在一个配电网设备A，它的型号为LGJ-50，那么，配电网设备A为实体，型号代表属性，LGJ-50就是尾实体，需将该尾实体补充至实体关系三元组中，生成知识图谱的三元组。
S103、根据知识图谱的三元组构建配电网CIM模型知识图谱。
进一步地，步骤S1之后，步骤S2之前包括：
根据专家知识库在配电网CIM模型知识图谱中截取预定范围的知识图谱作为原始数据集。
需要说明的是，专家知识库包括专家过往进行的数据分析、逻辑判断的先验知识，例如：在配电网CIM模型中包含了大量设备，当需要进行电气的潮流计算时，通过专家知识库可以得出进行潮流计算需要哪些设备；或在进行关系推理时，可以将通过专家知识库得出将推理关系的范围由全部CIM模型缩减到部分CIM模型、由线路的全拓扑缩减到部分拓扑，减少数据量的同时减小了搜索空间。
通过对配电网CIM模型知识图谱进行适当的范围截取，可以减小搜索空间，避免冗余路径特征向量的生成。
进一步地，步骤S3具体包括：
采用广度优先搜索策略以源实体为起点进行路径搜索，生成路径长度 为预设路径长度阈值的源实体子图；采用广度优先搜索策略以目标实体为起点进行路径搜索，生成路径长度为预设路径长度阈值的目标实体子图。
具体地，采用广度优先搜索策略以源实体h为起点，以l为路径长度阈值进行路径，生成源实体子图G h，以目标实体t为起点，同样以l为路径长度阈值生成目标实体子图G t，通过广度优先搜索策略减少无意义的路径特征，提升了路径搜索的效率。
为了进一步提升搜索效率，由于源实体子图和目标实体子图的搜索过程是一致的，如果在路径搜索过程中，某个中间实体x对应的目标实体中有很多相同的路径类型π i连接着不同的实体节点，那么这个路径类型π i不会作为当前广度优先搜索路径中的一个路径特征，而是把当前中间实体x当做源实体子图以及目标实体子图过程中的结束实体，并路径搜索终止。
进一步地，步骤S4具体包括：根据源实体子图和目标实体子图提取类PRA路径特征、类PRA相似泛化路径特征、类PRA任意泛化路径特征、bigram路径特征、one-sided特征和one-sided比较特征。
bigram路径特征也即二元模型路径特征、one-sided特征也即单侧特征，one-sided比较特征也即单侧比较特征，PRA(Path Ranking Algorithm)是一种将关系路径作为特征的推理算法。
可以理解的是，上述所提取的特征均是图论知识中关于图结构的特征，用于丰富路径特征量，避免特征量单一需要依赖大量高精度的数据集才能识别结果。
进一步地，类PRA路径特征的提取过程包括：
S401、假设源实体子图和目标实体子图中分别存在相应的源实体和目标实体到同一中间实体x的路径，则以该中间实体x作为链接节点生成源实体和目标实体之间的PRA全路径为，
P(h→t|Γ h→t)＝P(h→t|Γ h→x,Γ h→x -1)
＝{h-π 1-x 1-...π n-x n-t}         公式1
公式1中，h→t表示从源实体h出发抵达至目标实体t过程中所包含的所有实体集合；Γ h→t表示从源实体h出发抵达至目标实体t过程中所包含的所有路径类型集合；P(h→t|Γ h-t)表示源实体h和目标实体t之间的PRA 全路径；Γ h→x表示目标实体t出发抵达至中间实体x过程中所包含的所有路径类型集合；Γ h→x -1表示对Γ h→x进行路径方向翻转后的路径特征集合；x n表示第n个中间实体，n＝1,2,...,n；π n表示第n个路径类型，路径类型由推理关系三元组决定；{h-π 1-x 1-...π n-x n-t}等效于图结构，具体为，
Figure PCTCN2022078964-appb-000012
公式2中，
Figure PCTCN2022078964-appb-000013
表示为图结构，
Figure PCTCN2022078964-appb-000014
表示知识图谱中的实体关系三元组(h,π 1,x 1)，h为实体关系三元组中的首实体，x 1表示实体关系三元组中的尾实体，π 1表示首实体和尾实体之间的路径类型；
S402、根据源实体和目标实体之间的PRA全路径生成类PRA路径特征为，
T PRA＝Γ h→t＝{π 1-π 2-...-π n}            公式3
公式3中，T PRA表示类PRA路径特征；
需要说明的是，公式3为公式1的子集，因此，通过公式1容易得出公式3，同时，公式1中的路径量中没有实体节点量(但不包括源实体、目标实体以及中间实体)；
相应的，类PRA相似泛化路径特征的提取过程包括：
S411、通过PRA算法获取各个实体间的路径；
S412、对经PRA算法获得的各个实体的路径进行张量分解，得出路径类型的向量空间；
需要说明的是，通过张量分解后得到路径类型的向量空间为本领域公知常识，在此不再赘述。
S413、将步骤S402中得到的类PRA路径特征中的每个路径类型替换为路径类型的向量空间中的与其相似的路径类型，则生成类PRA相似泛化路径特征为，
T similar＝Γ h→t'＝{π 1-π 2-...-π x'-...-π n} π x'＝π x         公式4
公式4中，T similar表示类PRA相似泛化路径特征；Γ h→t'表示从源实体h 出发抵达至目标实体t过程中使用相似路径类型代替对应路径类型的路径集合；π x表示类PRA路径特征中第x个的路径类型；π x'表示与π x相对应的相似的路径类型，且在路径集合Γ h→t'中只允许有一个π x'；
需要说明的是，为了减少特征提取时出现特征空间组合爆炸的情况，一次只允许用类似的关系π x'替换一个关系；同时，在判断路径类型对应的相似路径类型中，需要根据两个路径特征向量在向量空间中的距离是否小于预设距离阈值来判定是否为相似路径类型，当上述判断为是时，即判定为相似路径类型，当上述判断为否时，则判定为非相似路径类型。
相应的，类PRA任意泛化路径特征的提取过程包括：
S421、假设步骤S402中得到的类PRA路径特征中的每个路径类型在步骤S412中得到的向量空间中存在与路径类型相似的任意向量，且与路径类型相似的任意向量为任意值向量，则将该与路径类型相似的任意向量引至步骤S401中得出的类PRA路径特征中，得出类PRA任意泛化路径特征为，
T any＝Γ h→t(any)＝{π 1-any-...-π n}              公式5
公式5中，any表示为与路径类型相似的任意向量，T any表示类PRA任意泛化路径特征，Γ h→t(any)表示从源实体h出发抵达至目标实体t过程中使用与路径类型相似的任意向量代替对应的路径类型的路径集合；
需要说明的是，路径类型相似的任意向量即为与路径类型在向量空间中的距离小于预设的距离阈值。
相应的，bigram路径特征的提取过程包括：
S431、通过将源实体和目标实体分别增设标签以进行路径类型化，通过源实体和目标实体之间的PRA全路径得出下式为，
P(h→t|Γ h→t) bigram＝{@h@-π 1-x 1-...-π n-@t@}         公式6
公式6中，@h@表示源实体的路径类型化，@t@表示目标实体的路径类型化；
需要说明的是，实体和路径类型具有不同的性质，为了让实体具有路径类型的性质，则向实体上增设标签进行表示路径类型，以使得实体具有路径类型的性质。
S432、将路径P(h→t|Γ h→t) bigram中每个相邻的路径类型创建bigram特征，从而得到bigram特征路径为，
Figure PCTCN2022078964-appb-000015
公式7中，T bigram表示bigram路径特征，path-pop(P(h→t|Γ h→t))表示路径P(h→t|Γ h→t)中的路径类型的总数量；
需要说明的是，在广度优先搜索的过程中，会对实体进行实体或路径类型进行标记，例如：从实体A到实体B需要依次经过路径a、b、c，则按照经过的顺序，则相邻的路径类型为a和b相邻，b和c相邻。
相应的，one-sided特征的提取过程包括：
S442、将源实体子图和目标实体子图中的路径类型与尾实体对(π，x)的特征作为one-sided特征，从而得出one-sided特征为，
T one＝{T source-1,...,T source-i,...,T source-m,T target-1,...,T target-j,...,T target-n}     公式8
公式8中，T source-1表示来自源实体子图中的路径类型与首实体对的特征，T source-m表示来自源实体子图中的路径类型与尾实体对的特征，m＝deg(h)，deg(h)表示来自源实体子图中的实体的度；T target-1表示来自目标实体子图中的路径类型与首实体对的特征；T target-n表示来自目标实体子图中的路径类型与尾实体对的特征，n＝det(t)，det(t)表示来自目标实体子图中的实体的度；T source-i表示源实体与第i个源实体相连的中间实体的one-side特征，T source-i表示为下式：
T source-i＝s:-π-:i s          公式9
公式9中，s代表源实体，-π-则代表路径类型及路径类型的两端，i s表示第i个与源实体相连的中间实体；
T target-j表示目标实体与第j个目标实体相连的中间实体的one-side特征，T target-j表示为下式：
T target-j＝t:-π-:i t         公式10
公式10中，t表示目标实体，-π-则代表路径类型及路径类型的两端，i t表示第i个与目标实体相连的中间实体；
需要说明的是，在广度优先搜索过程中，可以将源实体子图和目标实 体子图中的路径类型与尾实体对(π，x)进行记录，其中，(π，x)表示为源实体子图和目标实体子图中的尾实体和对应的路径类型，同时，记录过程也即one-sided特征提取的过程。
其中，度表示图中与节点关联的边的数量。
相应的，one-sided比较特征的提取过程包括：
S451、假设源实体和中间实体之间存在路径P(s→x|Γ s→x)，且目标实体与中间实体y之间存在路径P(t→y|Γ t→y)；
S452、通过对路径P(s→x|Γ s→x)和路径P(t→y|Γ t→y)进行路径搜索，当路径P(s→x|Γ s→x)和路径P(t→y|Γ t→y)存在相同的路径特征集合，则定义one-sided比较特征为，
Figure PCTCN2022078964-appb-000016
需要说明的是，当路径P(s→x|Γ s→x)和路径P(t→y|Γ t→y)不存在相同的路径特征集合，则相应的one-sided比较特征为空。
进一步地，步骤S5具体包括：
S501、将类PRA路径特征、类PRA相似泛化路径特征、类PRA任意泛化路径特征、bigram路径特征、one-sided特征和one-sided比较特征均进行二值化处理，具体为，
Figure PCTCN2022078964-appb-000017
公式12中，T i表示第i个特征表示，T i'表示第i个特征二值化处理后的特征表示，
Figure PCTCN2022078964-appb-000018
表示空；
S502、将步骤S501中二值化处理后的特征取并集，生成特征集，具体为，
T SFE-BFS＝T PRA'∪T similar'∪T any'∪T bigram'∪T onesided'∪T comparison'        公式13
公式13中，T SFE-BFS表示特征集，T PRA'表示二值化后的类PRA路径特征，T similar'表示二值化后的类PRA相似泛化路径特征，T any'表示二值化后的类PRA任意泛化路径特征，T bigram'表示二值化后的bigram路径特征，T onesided'表示二值化后的one-sided特征，T comparison'表示二值化后的one-sided比较特征；
S503、以特征集为列，以源实体和对应的目标实体的映射关系为行，
[根据细则91更正 31.05.2022]　
生成对应的特征矩阵为，
Figure PCTCN2022078964-appb-000020
公式14中，m为源实体和对应的目标实体的映射关系的总数。
进一步地，步骤S7中的ID3决策树分类器中的信息增益为，
Figure PCTCN2022078964-appb-000021
公式15中，|S|表示训练集S中包含的样本数，|S v|表示训练集S v中包含的样本数，N表示特征，V表示总样本，v表示总样本中第v个样本；
步骤S7中的ID3决策树分类器中的信息熵为，
Figure PCTCN2022078964-appb-000022
公式16中，S表示训练集集合，c表示第c类样本，n表示第c样本的样本子集数量，p代表样本子集。
进一步地，步骤S8之后还包括：
S9、将两个测试实体及其对应的预测推理关系以XML语句插至配电网CIM模型的XML文件中。
另外，参见图2，以下为实现本发明提供的一种基于知识图谱的配电网CIM模型信息补全方法的系统，包括：
构建模块100，用于根据配电网设备以及各配电网设备之间联络的线路中提取出来的实体元素构建配电网CIM模型知识图谱；
实体提取模块200，用于根据知识推理任务提取配电网CIM模型知识图谱中的源实体、推理关系和目标实体，从而构成推理关系三元组；
路径搜索模块300，用于基于广度优先搜索策略，根据源实体和目标实体分别进行路径搜索，从而生成源实体子图和目标实体子图；
特征提取模块400，用于对源实体子图和目标实体子图进行多种特征提取；
特征集模块500，用于对特征提取模块提取的特征进行二值化处理，对经二值化处理后的多种特征取并集，从而生成特征集；
特征矩阵模块600，用于根据源实体和目标实体的映射关系以及特征集，生成特征矩阵；
模型训练模块700，用于采用ID3决策树分类器对特征矩阵进行训练，并以源实体和目标实体的推理关系作为输出构建决策树模型；
补全模块800，用于通过向决策树模型导入两个测试实体，从而判断是否能输出两个测试实体的预测推理关系，还用于当上述判断为是时，则将预测推理关系补充至配电网CIM模型知识图谱中，从而补全配电网CIM模型知识图谱。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (10)

  1. 基于知识图谱的配电网CIM模型信息补全方法，其特征在于，包括以下步骤：
    S1、根据配电网设备以及各配电网设备之间联络的线路中提取出来的实体元素构建配电网CIM模型知识图谱；
    S2、根据知识推理任务提取所述配电网CIM模型知识图谱中的源实体、推理关系和目标实体，从而构成推理关系三元组；
    S3、基于广度优先搜索策略，根据所述源实体和所述目标实体分别进行路径搜索，从而生成源实体子图和目标实体子图；
    S4、提取所述源实体子图和所述目标实体子图中的多种特征；
    S5、对步骤S4中提取的多种特征进行二值化处理，对经二值化处理后的多种特征取并集，从而生成特征集；
    S6、根据所述源实体和所述目标实体的映射关系以及所述特征集，生成特征矩阵；
    S7、采用ID3决策树分类器对所述特征矩阵进行训练，并以所述源实体和所述目标实体的推理关系作为输出构建决策树模型；
    S8、通过向所述决策树模型导入两个测试实体，从而判断是否能输出所述两个测试实体的预测推理关系，当上述判断为是时，则将所述预测推理关系补充至所述配电网CIM模型知识图谱中，从而补全所述配电网CIM模型知识图谱。
  2. 根据权利要求1所述的基于知识图谱的配电网CIM模型信息补全方法，其特征在于，所述步骤S1具体包括：
    S101、以配电网设备作为实体，以各配电网设备之间联络的线路作为关系，构建实体关系三元组；
    S102、在CIM模型中提取所述实体的属性值作为尾实体，对所述实体关系三元组进行补充，生成知识图谱的三元组；
    S103、根据所述知识图谱的三元组构建配电网CIM模型知识图谱。
  3. 根据权利要求1所述的基于知识图谱的配电网CIM模型信息补全方法，其特征在于，所述步骤S1之后，所述步骤S2之前包括：
    根据专家知识库在所述配电网CIM模型知识图谱中截取预定范围的知识图谱作为原始数据集。
  4. 根据权利要求1所述的基于知识图谱的配电网CIM模型信息补全方法，其特征在于，所述步骤S3具体包括：
    采用广度优先搜索策略以所述源实体为起点进行路径搜索，生成路径长度为预设路径长度阈值的源实体子图；采用广度优先搜索策略以所述目标实体为起点进行路径搜索，生成路径长度为所述预设路径长度阈值的目标实体子图。
  5. 根据权利要求2所述的基于知识图谱的配电网CIM模型信息补全方法，其特征在于，所述步骤S4具体包括：根据所述源实体子图和所述目标实体子图提取类PRA路径特征、类PRA相似泛化路径特征、类PRA任意泛化路径特征、bigram路径特征、one-sided特征和one-sided比较特征。
  6. 根据权利要求5所述的基于知识图谱的配电网CIM模型信息补全方法，其特征在于，所述类PRA路径特征的提取过程包括：
    S401、假设所述源实体子图和所述目标实体子图中分别存在相应的所述源实体和所述目标实体到同一中间实体x的路径，则以该中间实体x作为链接节点生成所述源实体和所述目标实体之间的PRA全路径为，
    P(h→t|Γ h→t)＝P(h→t|Γ h→x,Γ h→x -1)
    ＝{h-π 1-x 1-...π n-x n-t}      公式1
    公式1中，h→t表示从源实体h出发抵达至目标实体t过程中所包含的所有实体集合；Γ h→t表示从源实体h出发抵达至目标实体t过程中所包含的所有路径类型集合；P(h→t|Γ h-t)表示源实体h和目标实体t之间的PRA全路径；Γ h→x表示目标实体t出发抵达至中间实体x过程中所包含的所有路径类型集合；Γ h→x -1表示对Γ h→x进行路径方向翻转后的路径特征集合；x n表示第n个中间实体，n＝1,2,...,n；π n表示第n个路径类型，路径类型由推理关系三元组决定；{h-π 1-x 1-...π n-x n-t}等效于图结构，具体为，
    Figure PCTCN2022078964-appb-100001
    公式2中，
    Figure PCTCN2022078964-appb-100002
    表示为图结构，
    Figure PCTCN2022078964-appb-100003
    表 示知识图谱中的实体关系三元组(h,π 1,x 1)，h为实体关系三元组中的首实体，x 1表示实体关系三元组中的尾实体，π 1表示首实体和尾实体之间的路径类型；
    S402、根据所述源实体和所述目标实体之间的PRA全路径生成类PRA路径特征为，
    T PRA＝Γ h→t＝{π 1-π 2-...-π n}   公式3
    公式3中，T PRA表示类PRA路径特征；
    相应的，所述类PRA相似泛化路径特征的提取过程包括：
    S411、通过PRA算法获取各个实体间的路径；
    S412、对经PRA算法获得的各个实体的路径进行张量分解，得出路径类型的向量空间；
    S413、将步骤S402中得到的所述类PRA路径特征中的每个路径类型替换为所述路径类型的向量空间中的与其相似的路径类型，则生成类PRA相似泛化路径特征为，
    T similar＝Γ h→t'＝{π 1-π 2-...-π x'-...-π n} π x'＝π x    公式4
    公式4中，T similar表示类PRA相似泛化路径特征；Γ h→t'表示从源实体h出发抵达至目标实体t过程中使用相似路径类型代替对应路径类型的路径集合；π x表示类PRA路径特征中第x个的路径类型；π x'表示与π x相对应的相似的路径类型，且在路径集合Γ h→t'中只允许有一个π x'；
    相应的，所述类PRA任意泛化路径特征的提取过程包括：
    S421、假设步骤S402中得到的所述类PRA路径特征中的每个路径类型在步骤S412中得到的所述向量空间中存在与路径类型相似的任意向量，且所述与路径类型相似的任意向量为任意值向量，则将该与路径类型相似的任意向量引至步骤S401中得出的所述类PRA路径特征中，得出类PRA任意泛化路径特征为，
    T any＝Γ h→t(any)＝{π 1-any-...-π n}      公式5
    公式5中，any表示为与路径类型相似的任意向量，T any表示类PRA任意泛化路径特征，Γ h→t(any)表示从源实体h出发抵达至目标实体t过程中使用与路径类型相似的任意向量代替对应的路径类型的路径集合；
    相应的，所述bigram路径特征的提取过程包括：
    S431、通过将所述源实体和所述目标实体分别增设标签以进行路径类型化，通过所述源实体和所述目标实体之间的PRA全路径得出下式为，
    P(h→t|Γ h→t) bigram＝{@h@-π 1-x 1-...-π n-@t@}     公式6
    公式6中，@h@表示源实体的路径类型化，@t@表示目标实体的路径类型化；
    S432、将路径P(h→t|Γ h→t) bigram中每个相邻的路径类型创建bigram特征，从而得到bigram特征路径为，
    Figure PCTCN2022078964-appb-100004
    公式7中，T bigram表示bigram路径特征，path-pop(P(h→t|Γ h→t))表示路径P(h→t|Γ h→t)中的路径类型的总数量；
    相应的，one-sided特征的提取过程包括：
    S442、将所述源实体子图和所述目标实体子图中的每个实体和对应的路径类型的映射关系(π，x)的特征作为one-sided特征，从而得出one-sided特征为，
    T one＝{T source-1,...,T source-i,...,T source-m,T t arg et-1,...,T t arg et-j,...,T t arg et-n}  公式8
    公式8中，T source-1表示来自源实体子图中的路径类型与首实体对的特征，T source-m表示来自源实体子图中的路径类型与尾实体对的特征，m＝deg(h)，deg(h)表示来自源实体子图中的实体的度；T t arg et-1表示来自目标实体子图中的路径类型与首实体对的特征；T t arg et-n表示来自目标实体子图中的路径类型与尾实体对的特征，n＝det(t)，det(t)表示来自目标实体子图中的实体的度；T source-i表示源实体与第i个源实体相连的中间实体的one-side特征，T source-i表示为下式：
    T source-i＝s:-π-:i s      公式9
    公式9中，s代表源实体，-π-则代表路径类型及路径类型的两端，i s表示第i个与源实体相连的中间实体；
    T target-j表示目标实体与第j个目标实体相连的中间实体的one-side特征，T target-j表示为下式：
    T target-j＝t:-π-:i t        公式10
    公式10中，t表示目标实体，-π-则代表路径类型及路径类型的两端，i t表示第i个与目标实体相连的中间实体；
    相应的，one-sided比较特征的提取过程包括：
    S451、假设所述源实体和中间实体之间存在路径P(s→x|Γ s→x)，且所述目标实体与中间实体y之间存在路径P(t→y|Γ t→y)；
    S452、通过对所述路径P(s→x|Γ s→x)和所述路径P(t→y|Γ t→y)进行路径搜索，当所述路径P(s→x|Γ s→x)和所述路径P(t→y|Γ t→y)存在相同的路径特征集合，则定义one-sided比较特征为，
    Figure PCTCN2022078964-appb-100005
  7. 根据权利要求5所述的基于知识图谱的配电网CIM模型信息补全方法，其特征在于，步骤S5具体包括：
    S501、将所述类PRA路径特征、所述类PRA相似泛化路径特征、所述类PRA任意泛化路径特征、所述bigram路径特征、所述one-sided特征和所述one-sided比较特征均进行二值化处理，具体为，
    Figure PCTCN2022078964-appb-100006
    公式12中，T i表示第i个特征表示，T i'表示第i个特征二值化处理后的特征表示，
    Figure PCTCN2022078964-appb-100007
    表示空；
    S502、将步骤S501中二值化处理后的特征取并集，生成特征集，具体为，
    T SFE-BFS＝T PRA'∪T similar'∪T any'∪T bigram'∪T onesided'∪T comparison'      公式13
    公式13中，T SFE-BFS表示特征集，T PRA'表示二值化后的类PRA路径特征，T similar'表示二值化后的类PRA相似泛化路径特征，T any'表示二值化后的类PRA任意泛化路径特征，T bigram'表示二值化后的bigram路径特征，T onesided'表示二值化后的one-sided特征，T comparison'表示二值化后的one-sided比较特征；
    S503、以所述特征集为列，以所述源实体和对应的所述目标实体的映射关系为行，生成对应的特征矩阵为，
    Figure PCTCN2022078964-appb-100008
    公式14中，m为源实体和对应的目标实体的映射关系的总数。
  8. 根据权利要求1所述的基于知识图谱的配电网CIM模型信息补全方法，其特征在于，步骤S7中的所述ID3决策树分类器中的信息增益为，
    Figure PCTCN2022078964-appb-100009
    公式15中，|S|表示训练集S中包含的样本数，|S v|表示训练集S v中包含的样本数，N表示特征，V表示总样本，v表示总样本中第v个样本；
    步骤S7中的所述ID3决策树分类器中的信息熵为，
    Figure PCTCN2022078964-appb-100010
    公式16中，S表示训练集集合，c表示第c类样本，n表示第c样本的样本子集数量，p代表样本子集。
  9. 根据权利要求1所述的基于知识图谱的配电网CIM模型信息补全方法，其特征在于，步骤S8之后还包括：
    S9、将所述两个测试实体及其对应的预测推理关系以XML语句插至配电网CIM模型的XML文件中。
  10. 一种基于知识图谱的配电网CIM模型信息补全系统，其特征在于，包括：
    构建模块，用于根据配电网设备以及各配电网设备之间联络的线路中提取出来的实体元素构建配电网CIM模型知识图谱；
    实体提取模块，用于根据知识推理任务提取所述配电网CIM模型知识图谱中的源实体、推理关系和目标实体，从而构成推理关系三元组；
    路径搜索模块，用于基于广度优先搜索策略，根据所述源实体和所述目标实体分别进行路径搜索，从而生成源实体子图和目标实体子图；
    特征提取模块，用于对所述源实体子图和所述目标实体子图进行多种特征提取；
    特征集模块，用于对所述特征提取模块提取的特征进行二值化处理，对经二值化处理后的多种特征取并集，从而生成特征集；
    特征矩阵模块，用于根据所述源实体和所述目标实体的映射关系以及 所述特征集，生成特征矩阵；
    模型训练模块，用于采用ID3决策树分类器对所述特征矩阵进行训练，并以所述源实体和所述目标实体的推理关系作为输出构建决策树模型；
    补全模块，用于通过向所述决策树模型导入两个测试实体，从而判断是否能输出所述两个测试实体的预测推理关系，还用于当上述判断为是时，则将所述预测推理关系补充至所述配电网CIM模型知识图谱中，从而补全所述配电网CIM模型知识图谱。
PCT/CN2022/078964 2021-06-15 2022-03-03 基于知识图谱的配电网cim模型信息补全方法及系统 WO2022262320A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110658047.7A CN113254669B (zh) 2021-06-15 2021-06-15 基于知识图谱的配电网cim模型信息补全方法及系统
CN202110658047.7 2021-06-15

Publications (1)

Publication Number Publication Date
WO2022262320A1 true WO2022262320A1 (zh) 2022-12-22

Family

ID=77188099

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/078964 WO2022262320A1 (zh) 2021-06-15 2022-03-03 基于知识图谱的配电网cim模型信息补全方法及系统

Country Status (2)

Country Link
CN (1) CN113254669B (zh)
WO (1) WO2022262320A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151445A (zh) * 2023-11-01 2023-12-01 国网信息通信产业集团有限公司 一种电网调度知识图谱管理系统及其动态更新方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113254669B (zh) * 2021-06-15 2021-10-19 广东电网有限责任公司湛江供电局 基于知识图谱的配电网cim模型信息补全方法及系统
CN116756327B (zh) * 2023-08-21 2023-11-10 天际友盟(珠海)科技有限公司 基于知识推断的威胁情报关系抽取方法、装置和电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543043A (zh) * 2018-05-10 2019-03-29 国网江西省电力有限公司信息通信分公司 一种基于知识图谱推理的电力通信大数据错误的自动监测方法
US20190122111A1 (en) * 2017-10-24 2019-04-25 Nec Laboratories America, Inc. Adaptive Convolutional Neural Knowledge Graph Learning System Leveraging Entity Descriptions
CN110955783A (zh) * 2019-11-27 2020-04-03 广东电网有限责任公司 一种基于知识推理的主配网统一管理模型信息补全方法
CN112434171A (zh) * 2020-11-26 2021-03-02 中山大学 一种基于强化学习的知识图谱推理补全方法及系统
CN112612902A (zh) * 2020-12-23 2021-04-06 国网浙江省电力有限公司电力科学研究院 一种电网主设备的知识图谱构建方法及设备
CN112685570A (zh) * 2020-12-15 2021-04-20 南京南瑞继保电气有限公司 一种基于多标签图的电网网架知识图谱的构建方法
CN113254669A (zh) * 2021-06-15 2021-08-13 广东电网有限责任公司湛江供电局 基于知识图谱的配电网cim模型信息补全方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388580B (zh) * 2018-01-24 2020-04-28 平安医疗健康管理股份有限公司 融合医学知识及应用病例的动态知识图谱更新方法
CN109063021B (zh) * 2018-07-12 2021-10-15 浙江大学 一种能够编码关系语义多样性结构的知识图谱分布式表示方法
CN109710701B (zh) * 2018-12-14 2022-11-01 浪潮软件股份有限公司 一种用于公共安全领域大数据知识图谱的自动化构建方法
CN111026875A (zh) * 2019-11-26 2020-04-17 中国人民大学 一种基于实体描述和关系路径的知识图谱补全方法
CN112749339B (zh) * 2021-01-18 2024-05-28 陕西师范大学 一种基于旅游知识图谱的旅游路线推荐方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190122111A1 (en) * 2017-10-24 2019-04-25 Nec Laboratories America, Inc. Adaptive Convolutional Neural Knowledge Graph Learning System Leveraging Entity Descriptions
CN109543043A (zh) * 2018-05-10 2019-03-29 国网江西省电力有限公司信息通信分公司 一种基于知识图谱推理的电力通信大数据错误的自动监测方法
CN110955783A (zh) * 2019-11-27 2020-04-03 广东电网有限责任公司 一种基于知识推理的主配网统一管理模型信息补全方法
CN112434171A (zh) * 2020-11-26 2021-03-02 中山大学 一种基于强化学习的知识图谱推理补全方法及系统
CN112685570A (zh) * 2020-12-15 2021-04-20 南京南瑞继保电气有限公司 一种基于多标签图的电网网架知识图谱的构建方法
CN112612902A (zh) * 2020-12-23 2021-04-06 国网浙江省电力有限公司电力科学研究院 一种电网主设备的知识图谱构建方法及设备
CN113254669A (zh) * 2021-06-15 2021-08-13 广东电网有限责任公司湛江供电局 基于知识图谱的配电网cim模型信息补全方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151445A (zh) * 2023-11-01 2023-12-01 国网信息通信产业集团有限公司 一种电网调度知识图谱管理系统及其动态更新方法
CN117151445B (zh) * 2023-11-01 2024-02-13 国网信息通信产业集团有限公司 一种电网调度知识图谱管理系统及其动态更新方法

Also Published As

Publication number Publication date
CN113254669A (zh) 2021-08-13
CN113254669B (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
WO2022262320A1 (zh) 基于知识图谱的配电网cim模型信息补全方法及系统
WO2022057669A1 (zh) 基于结构化上下文信息的知识图谱预训练方法
CN112131404B (zh) 一种四险一金领域知识图谱中实体对齐方法
CN111753024B (zh) 一种面向公共安全领域的多源异构数据实体对齐方法
WO2022205833A1 (zh) 无线网络协议知识图谱构建分析方法、系统、设备及介质
WO2022134071A1 (zh) 文本抽取方法及装置、计算机可读存储介质以及电子设备
Shi et al. Fast (er) exact decoding and global training for transition-based dependency parsing via a minimal feature set
CN114090783A (zh) 一种异构知识图谱融合方法及系统
CN108229578B (zh) 基于数据、信息和知识三层图谱架构的图像数据目标识别方法
CN111309979B (zh) 一种基于邻居向量的RDF Top-k查询方法
CN115438197B (zh) 一种基于双层异质图的事理知识图谱关系补全方法及系统
Qiao et al. Unsupervised author disambiguation using heterogeneous graph convolutional network embedding
Wang et al. GLASS: GNN with labeling tricks for subgraph representation learning
CN110264372B (zh) 一种基于节点表示的主题社团发现方法
Yin et al. Universal multi-source domain adaptation for image classification
CN108052683B (zh) 一种基于余弦度量规则的知识图谱表示学习方法
CN114969367B (zh) 基于多方面子任务交互的跨语言实体对齐方法
CN112800770A (zh) 一种基于异构图注意力网络的实体对齐方法
Bi et al. Knowledge transfer for out-of-knowledge-base entities: Improving graph-neural-network-based embedding using convolutional layers
Chairatanakul et al. PGRA: Projected graph relation-feature attention network for heterogeneous information network embedding
CN113761221A (zh) 基于图神经网络的知识图谱实体对齐方法
CN110909172A (zh) 一种基于实体距离的知识表示学习方法
CN115618097A (zh) 面向先验数据不充分多社交媒体平台知识图谱的实体对齐方法
CN116089645A (zh) 一种基于层次化风格的条件文本-电商图片检索方法和系统
CN112101358A (zh) 一种基于解耦和干预的图网络对齐短语和图片区域的方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22823812

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE