CN113268604B - 知识库自适应扩展方法及*** - Google Patents
知识库自适应扩展方法及*** Download PDFInfo
- Publication number
- CN113268604B CN113268604B CN202110545292.7A CN202110545292A CN113268604B CN 113268604 B CN113268604 B CN 113268604B CN 202110545292 A CN202110545292 A CN 202110545292A CN 113268604 B CN113268604 B CN 113268604B
- Authority
- CN
- China
- Prior art keywords
- fault
- knowledge
- regulation
- online
- knowledge base
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000005516 engineering process Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000003058 natural language processing Methods 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 28
- 230000001105 regulatory effect Effects 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000001364 causal effect Effects 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012384 transportation and delivery Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims 1
- 238000005096 rolling process Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000013439 planning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
知识库自适应扩展方法及***，包括：采集调控预案、电网运行记录、检修计划和调控作业指导书，基于自然语言处理算法对调控语料库进行处理，生成调控语料词向量；利用调控语料词向量构建调控语料库；以调控语料库对知识库进行离线扩展；根据电网***级故障的在线诊断结果，以故障处置知识抽取模型对在线故障处置知识图谱进行故障处置知识识别；以识别结果对知识库进行在线扩展。对离线知识库故障处置知识进行细化、丰富，并且对故障处置知识库在线动态更新，解决离线建立的调控知识库无法覆盖实时故障的问题，通过在线知识滚动技术对调控知识库进行自适应拓展和更新，还提高了调控工作效率与规范化程度。
Description
技术领域
本发明涉及电网管理控制技术领域，更具体地，涉及知识库自适应扩展方法及***。
背景技术
我国高度重视人工智能产业的发展，人工智能与经济社会各行业各领域融合创新水平不断提升。随着调控云平台等新技术的建设与完善，电力***数据量与计算能力近期都有较大提升，为开展电力调控领域人工智能机器人技术研究创造了有利的条件。
随着大电网一体化特征日趋明显，***内部不同元素以及***与外部环境之间的耦合关系不断增强，电力***及调控业务的一系列深层次发展变化，使得调度控制策略与规程规定复杂程度不断提高，对调控业务的自动化、智能化提出了更高的要求。电力调度控制中心是集高价值数据、分析规则、专家经验和计算决策为一体的“指挥大脑”，现行调控方式主要以人工经验分析为主，调度人员需要将海量多样数据、方案模型进行经验知识关联，重复性“人脑劳动”较多，效率较低，因此，实现智能调控，降低调控人员工作强度迫在眉睫。
现有技术中，多级调度故障协同处置知识库构建需要从电网运行信息、调度规程以及先验知等信息中抽取出故障处置要点、处置逻辑、处置步骤等知识。考虑到电网运行信息是历史数据，预案是基于典型运行方式编写，调度员经验要依据问题具体分析，应用这些数据建立的故障处置知识库难以覆盖所有故障处置情况，因此如何在线扩充知识库，以达到覆盖实时故障处置情况，是调控领域知识库技术发展的难点和关键。此外，调控领域知识库技术方面还存在如下问题：调控知识库以历史数据为基础依赖离线识别和扩展技术，扩展效率、识别准确性以及智能化程度均有待提升；此外，基于现有调控知识库的故障处置主要依赖于调控员经验完成，不仅缺乏规范化、流程化和智能化的方法、***、介质和设备，处置效率低，而且无法覆盖实时故障的问题。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种知识库自适应扩展方法及***，应用人工智能方法实现调控知识库的自动化生成，排除人工操作带来的影响；实现调度业务实时分析和故障处置决策在线识别，解决离线建立的调控知识库无法覆盖实时故障的问题，通过在线知识滚动技术对调控知识库进行自适应拓展和更新。
本发明采用如下的技术方案。
知识库自适应扩展方法包括：
步骤1，采集调控预案、电网运行记录、检修计划和调控作业指导书，基于自然语言处理算法对调控语料库进行处理，生成调控语料词向量；利用调控语料词向量构建调控语料库；
步骤2，通过自然语言处理技术，从调控语料库中提取特征数据以形成知识图谱，利用知识图谱对知识库进行离线扩展；
步骤3，实时采集电网故障离线仿真数据和电网故障历史运行数据，构建电网***级故障简单事件集合；基于复杂事件处理算法，利用电网***级故障简单事件集合，对电网***级故障进行在线诊断；根据电网***级故障的在线诊断结果，构建在线故障处置知识图谱；
步骤4，以故障处置知识抽取模型，对在线故障处置知识图谱进行故障处置知识的识别；以所识别的故障处置知识对知识库进行在线扩展。
优选地，
步骤1中，调控预案、电网运行记录、检修计划和调控作业指导书均为文本数据，是以触发或周期方式按照搜索请求，由调控内网搜索得到。
步骤1中包括：
步骤1.1，以所采集的文本数据为输入，进行分词和词性一级标注处理，输出调控语料词；
步骤1.2，以调控语料词为输入，以嵌套树结构表达调控语料词的相互关联关系以及调控语料词在句中的作用；
步骤1.3，基于分布式表示模型，将调控语料词从文本形式的符号信息转换为向量形式的数字信息。
优选地，
步骤2包括：
步骤2.1，通过自然语言处理技术，从电网运行记录中提取历史故障数据和电网故障特征信息，利用知识表征方法，构建线路试送辅助决策的知识图谱；
步骤2.2，通过自然语言处理技术，从调控预案和调控作业指导书中提取线路试送策略，以线路试送辅助决策的知识图谱为基础，构建故障处置知识图谱；
步骤2.3，通过自然语言处理技术，从检修计划中提取故障设备是否存在带电作业、检修操作以及本体缺陷，以此对故障处置知识图谱进行扩充，形成故障决策知识图谱；
步骤2.4，利用故障决策知识图谱对知识库进行离线扩展。
优选地，
步骤3中，简单事件集合中的各事件之间存在时间顺序约束关系；基于复杂事件处理算法设计电网***故障触发器，使得触发器能够被匹配的全部简单事件的集合构成电网***级故障因果关系；
根据因果关系确定电网***级故障在线诊断结果，并构建在线故障处置知识图谱。
优选地，
步骤4中，故障处置知识包括：故障处置要点及故障处置关系；其中，故障处置要点是故障处置实体，故障处置关系为各故障处置要点之间的逻辑关系。
步骤4包括：
步骤4.1，对于单一故障对象，采集与故障对象所在电网存在电气连接的设备清单和事件清单；以设备清单作为故障处置要点训练集，以事件清单作为故障处置关系训练集；
步骤4.2，利用故障处置要点训练集，基于双向长短期记忆网络-条件随机场算法对故障处置知识抽取模型进行第一次训练，由第一次训练所得的故障处置知识抽取模型输出故障处置要点的识别结果；
步骤4.3，利用故障处置关系训练集，基于卷积神经网络算法对已经经过第一次训练后的故障处置知识抽取模型进行第二次训练，由第二次训练所得的故障处置知识抽取模型输出故障处置关系的识别结果；
步骤4.4，利用训练好的故障处置知识抽取模型，对在线故障处置知识图谱进行识别，以所识别出的故障处置要点为特征，基于特征级信息融合算法，将故障处置要点和故障处置关系融合为故障处置知识；
步骤4.5，利用故障处置知识对已经经过离线扩展的知识库进行在线扩展。
知识库自适应扩展***包括：
离线知识库生成模块，用于以外部设备所采集的调控预案、电网运行记录、检修计划和调控作业指导书，基于自然语言处理算法对调控语料库进行处理，生成调控语料词向量；利用调控语料词向量构建调控语料库；以调控语料库对知识库进行离线扩展；
在线知识库生成模块，用于以外部设备从电网***级故障在线诊断***中实时获取在线故障处置知识图谱；以故障处置知识抽取模型，对在线故障处置知识图谱进行故障处置知识的识别；以所识别的故障处置知识对知识库进行在线扩展；
在线知识库生成模块中，电网***级故障在线诊断***，用于实时采集电网故障离线仿真数据和电网故障历史运行数据，构建电网***级故障简单事件集合；基于复杂事件处理算法，利用电网***级故障简单事件集合，对电网***级故障进行在线诊断；根据电网***级故障的在线诊断结果，构建在线故障处置知识图谱。
在线知识库生成模块，以故障处置知识抽取模型，从电网运行记录日志、检修计划、外部环境信息中识别故障处置要点和逻辑，对离线知识库故障处置知识进行细化以及在线动态更新。
本发明的有益效果在于，与现有技术相比，针对离线建立的知识库难以全面覆盖实时故障处置情况的问题，提出一种基于在线知识滚动提取的知识库自适应扩展技术。通过建立故障处置知识滚动抽取模型从电网运行记录日志、检修计划、外部环境等信息中识别故障处置要点和逻辑，对离线知识库故障处置知识进行细化、丰富，实现故障处置知识库在线动态更新；通过在线知识滚动技术对调控知识库进行自适应拓展和更新，还提高了调控工作效率与规范化程度。
本发明的有益效果还在于，将知识库自适应扩展方法应用于多级调度故障协同处置知识库的构建中，结合电网运行业务数据、调度故障处置原则和经验，基于知识图谱技术构建调控领域知识库，为电网故障处置的信息查询、决策推理等提供高效的数据支撑；研究单一设备故障处置的知识模型构建技术，以故障设备为中心，在线触发融合知识库关联知识、电网故障分析结果等，构建设备故障处置知识模型，为设备故障处置提供知识引导；研究面向单一设备故障的处置引导技术，基于调控知识库的故障处置流程，考虑故障影响的严重程度，实现自动引导调度员按照优先级进行实时故障的快速处置。
附图说明
图1是本发明的知识库自适应扩展方法的流程示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
本发明的优选实施例，以特高压交直流混联电网为研究对象，需要构建适用于该电网***的多级调度故障协同处置知识库，该知识库的构建从电网运行信息、调度规程以及先验知等信息中抽取出故障处置要点、处置逻辑、处置步骤等知识。
如图1，知识库自适应扩展方法包括：
步骤1，采集调控预案、电网运行记录、检修计划和调控作业指导书，基于自然语言处理算法对调控语料库进行处理，生成调控语料词向量；利用调控语料词向量构建调控语料库。
具体地，
步骤1中，调控预案、电网运行记录、检修计划和调控作业指导书均为文本数据，是以触发或周期方式按照搜索请求，由调控内网搜索得到。
步骤1中包括：
步骤1.1，以所采集的文本数据为输入，进行分词和词性一级标注处理，输出调控语料词。
步骤1.2，以调控语料词为输入，以嵌套树结构表达调控语料词的相互关联关系以及调控语料词在句中的作用。
步骤1.3，基于分布式表示模型，将调控语料词从文本形式的符号信息转换为向量形式的数字信息。
在知识引导方面，应用自然语言处理技术从调度规程、故障预案以及作业指导书等文本材料中提取知识，通过人工智能技术的应用，提高调控工作的效率和规范程度。
步骤2，通过自然语言处理技术，从调控语料库中提取特征数据以形成知识图谱，利用知识图谱对知识库进行离线扩展。
具体地，
步骤2包括：
步骤2.1，通过自然语言处理技术，从电网运行记录中提取历史故障数据和电网故障特征信息，利用知识表征方法，构建线路试送辅助决策的知识图谱。
步骤2.2，通过自然语言处理技术，从调控预案和调控作业指导书中提取线路试送策略，以线路试送辅助决策的知识图谱为基础，构建故障处置知识图谱。
步骤2.3，通过自然语言处理技术，从检修计划中提取故障设备是否存在带电作业、检修操作以及本体缺陷，以此对故障处置知识图谱进行扩充，形成故障决策知识图谱。
步骤2.4，利用故障决策知识图谱对知识库进行离线扩展。
步骤3，实时采集电网故障离线仿真数据和电网故障历史运行数据，构建电网***级故障简单事件集合；基于复杂事件处理算法，利用电网***级故障简单事件集合，对电网***级故障进行在线诊断；根据电网***级故障的在线诊断结果，构建在线故障处置知识图谱。
具体地，
步骤3中，简单事件集合中的各事件之间存在时间顺序约束关系；基于复杂事件处理算法设计电网***故障触发器，使得触发器能够被匹配的全部简单事件的集合构成电网***级故障因果关系；
本优选实施例中，特高压直流闭锁发生后，在一定的时间窗口内，不同调控***、不同应用产生大量不同类型的事件信息，事件间存在顺序、聚合、依赖、因果等关联关系，需要判断事件的相关性并快速推导事件反映电网运行本质，场景特征同CEP技术的特点具有良好匹配度，将该技术应用于特高压直流闭锁故障诊断，有助于提高***级故障的分析能力和处理速度。
根据因果关系确定电网***级故障在线诊断结果，并构建在线故障处置知识图谱。
特高压交直流混联电网运行特性呈现全局化特征，单一设备故障容易引发全网连锁反应，各事件之间的关系涉及到电磁、机电暂态过程，内在机理十分复杂，单凭事件时序进行简单判断分析，可能会出现错误判断，同时由于上述事件属于小样本事件，无法进行训练学习，如何智能辨识上述各个事件之间的内在因果关系，进而给出***级故障分析结果。通过电网***级故障在线诊断，实现对各种实时故障的覆盖。
知识图谱具有高效的推理能力，可以将调控规程、预案、经验、作业指导书等先验知识整合成可用知识，形成电网故障处置知识图谱，用于引导故障处置。
步骤4，以故障处置知识抽取模型，对在线故障处置知识图谱进行故障处置知识的识别；以所识别的故障处置知识对知识库进行在线扩展。
具体地，
步骤4中，故障处置知识包括：故障处置要点及故障处置关系；其中，故障处置要点是故障处置实体，故障处置关系为各故障处置要点之间的逻辑关系。
步骤4包括：
步骤4.1，对于单一故障对象，采集与故障对象所在电网存在电气连接的设备清单和事件清单；以设备清单作为故障处置要点训练集，以事件清单作为故障处置关系训练集；
步骤4.2，利用故障处置要点训练集，基于双向长短期记忆网络-条件随机场算法对故障处置知识抽取模型进行第一次训练，由第一次训练所得的故障处置知识抽取模型输出故障处置要点的识别结果；
步骤4.3，利用故障处置关系训练集，基于卷积神经网络算法对已经经过第一次训练后的故障处置知识抽取模型进行第二次训练，由第二次训练所得的故障处置知识抽取模型输出故障处置关系的识别结果；
步骤4.4，利用训练好的故障处置知识抽取模型，对在线故障处置知识图谱进行识别，以所识别出的故障处置要点为特征，基于特征级信息融合算法，将故障处置要点和故障处置关系融合为故障处置知识；
步骤4.5，利用故障处置知识对已经经过离线扩展的知识库进行在线扩展。
一种实施知识库自适应扩展方法的知识库自适应扩展***，包括：
离线知识库生成模块，用于以外部设备所采集的调控预案、电网运行记录、检修计划和调控作业指导书，基于自然语言处理算法对调控语料库进行处理，生成调控语料词向量；利用调控语料词向量构建调控语料库；以调控语料库对知识库进行离线扩展；
在线知识库生成模块，用于以外部设备从电网***级故障在线诊断***中实时获取在线故障处置知识图谱；以故障处置知识抽取模型，对在线故障处置知识图谱进行故障处置知识的识别；以所识别的故障处置知识对知识库进行在线扩展；
在线知识库生成模块中，电网***级故障在线诊断***，用于实时采集电网故障离线仿真数据和电网故障历史运行数据，构建电网***级故障简单事件集合；基于复杂事件处理算法，利用电网***级故障简单事件集合，对电网***级故障进行在线诊断；根据电网***级故障的在线诊断结果，构建在线故障处置知识图谱。
在线知识库生成模块，以故障处置知识抽取模型，从电网运行记录日志、检修计划、外部环境信息中识别故障处置要点和逻辑，对离线知识库故障处置知识进行细化以及在线动态更新。
一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如下步骤：
以外部设备所采集的调控预案、电网运行记录、检修计划和调控作业指导书，基于自然语言处理算法对调控语料库进行处理，生成调控语料词向量；利用调控语料词向量构建调控语料库；以调控语料库对知识库进行离线扩展；
以外部设备实时获取在线故障处置知识图谱；以故障处置知识抽取模型，对在线故障处置知识图谱进行故障处置知识的识别；以所识别的故障处置知识对知识库进行在线扩展。
一种计算机设备，包括存储器和处理器；存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如下步骤：
以外部设备所采集的调控预案、电网运行记录、检修计划和调控作业指导书，基于自然语言处理算法对调控语料库进行处理，生成调控语料词向量；利用调控语料词向量构建调控语料库；以调控语料库对知识库进行离线扩展；
以外部设备实时获取在线故障处置知识图谱；以故障处置知识抽取模型，对在线故障处置知识图谱进行故障处置知识的识别；以所识别的故障处置知识对知识库进行在线扩展。
一种信息数据处理终端，用于实现知识库自适应扩展方法。
本发明的有益效果在于，与现有技术相比，针对离线建立的知识库难以全面覆盖实时故障处置情况的问题，提出一种基于在线知识滚动提取的知识库自适应扩展技术。通过建立故障处置知识滚动抽取模型从电网运行记录日志、检修计划、外部环境等信息中识别故障处置要点和逻辑，对离线知识库故障处置知识进行细化、丰富，实现故障处置知识库在线动态更新；通过在线知识滚动技术对调控知识库进行自适应拓展和更新，还提高了调控工作效率与规范化程度。
本发明的有益效果还在于，将知识库自适应扩展方法应用于多级调度故障协同处置知识库的构建中，结合电网运行业务数据、调度故障处置原则和经验，基于知识图谱技术构建调控领域知识库，为电网故障处置的信息查询、决策推理等提供高效的数据支撑；研究单一设备故障处置的知识模型构建技术，以故障设备为中心，在线触发融合知识库关联知识、电网故障分析结果等，构建设备故障处置知识模型，为设备故障处置提供知识引导；研究面向单一设备故障的处置引导技术，基于调控知识库的故障处置流程，考虑故障影响的严重程度，实现自动引导调度员按照优先级进行实时故障的快速处置。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.知识库自适应扩展方法，其特征在于，
所述方法包括：
步骤1，采集调控预案、电网运行记录、检修计划和调控作业指导书，基于自然语言处理算法对调控语料库进行处理，生成调控语料词向量；利用调控语料词向量构建调控语料库；
步骤2，通过自然语言处理技术，从调控语料库中提取特征数据以形成知识图谱，利用知识图谱对知识库进行离线扩展；
步骤3，实时采集电网故障离线仿真数据和电网故障历史运行数据，构建电网***级故障简单事件集合；基于复杂事件处理算法，利用电网***级故障简单事件集合，对电网***级故障进行在线诊断；根据电网***级故障的在线诊断结果，构建在线故障处置知识图谱；
步骤4，以故障处置知识抽取模型，对在线故障处置知识图谱进行故障处置知识的识别；以所识别的故障处置知识对知识库进行在线扩展。
2.根据权利要求1所述的知识库自适应扩展方法，其特征在于，
步骤1中，所述调控预案、电网运行记录、检修计划和调控作业指导书均为文本数据，是以周期方式按照搜索请求，由调控内网搜索得到。
3.根据权利要求2所述的知识库自适应扩展方法，其特征在于，
步骤1包括：
步骤1.1，以所采集的文本数据为输入，进行分词和词性一级标注处理，输出调控语料词；
步骤1.2，以调控语料词为输入，以嵌套树结构表达调控语料词的相互关联关系以及调控语料词在句中的作用；
步骤1.3，基于分布式表示模型，将调控语料词从文本形式的符号信息转换为向量形式的数字信息。
4.根据权利要求1所述的知识库自适应扩展方法，其特征在于，
步骤2包括：
步骤2.1，通过自然语言处理技术，从电网运行记录中提取历史故障数据和电网故障特征信息，利用知识表征方法，构建线路试送辅助决策的知识图谱；
步骤2.2，通过自然语言处理技术，从调控预案和调控作业指导书中提取线路试送策略，以线路试送辅助决策的知识图谱为基础，构建故障处置知识图谱；
步骤2.3，通过自然语言处理技术，从检修计划中提取故障设备是否存在带电作业、检修操作以及本体缺陷，以此对故障处置知识图谱进行扩充，形成故障决策知识图谱；
步骤2.4，利用故障决策知识图谱对知识库进行离线扩展。
5.根据权利要求1所述的知识库自适应扩展方法，其特征在于，
步骤3中，简单事件集合中的各事件之间存在时间顺序约束关系；基于复杂事件处理算法设计电网***故障触发器，使得触发器能够被匹配的全部简单事件的集合构成电网***级故障因果关系；
根据所述因果关系确定电网***级故障在线诊断结果，并构建在线故障处置知识图谱。
6.根据权利要求1所述的知识库自适应扩展方法，其特征在于，
步骤4中，所述故障处置知识包括：故障处置要点及故障处置关系；其中，所述故障处置要点是故障处置实体，所述故障处置关系为各故障处置要点之间的逻辑关系。
7.根据权利要求6所述的知识库自适应扩展方法，其特征在于，
步骤4包括：
步骤4.1，对于单一故障对象，采集与故障对象所在电网存在电气连接的设备清单和事件清单；以设备清单作为故障处置要点训练集，以事件清单作为故障处置关系训练集；
步骤4.2，利用故障处置要点训练集，基于双向长短期记忆网络-条件随机场算法对故障处置知识抽取模型进行第一次训练，由第一次训练所得的故障处置知识抽取模型输出故障处置要点的识别结果；
步骤4.3，利用故障处置关系训练集，基于卷积神经网络算法对已经经过第一次训练后的故障处置知识抽取模型进行第二次训练，由第二次训练所得的故障处置知识抽取模型输出故障处置关系的识别结果；
步骤4.4，利用训练好的故障处置知识抽取模型，对在线故障处置知识图谱进行识别，以所识别出的故障处置要点为特征，基于特征级信息融合算法，将故障处置要点和故障处置关系融合为故障处置知识；
步骤4.5，利用故障处置知识对已经经过离线扩展的知识库进行在线扩展。
8.一种利用权利要求1～7任意一项所述知识库自适应扩展方法而实现的知识库自适应扩展***，其特征在于，所述知识库自适应扩展***包括：
离线知识库生成模块，用于以外部设备所采集的调控预案、电网运行记录、检修计划和调控作业指导书，基于自然语言处理算法对调控语料库进行处理，生成调控语料词向量；利用调控语料词向量构建调控语料库；以调控语料库对知识库进行离线扩展；
在线知识库生成模块，用于以外部设备从电网***级故障在线诊断***中实时获取在线故障处置知识图谱；以故障处置知识抽取模型，对在线故障处置知识图谱进行故障处置知识的识别；以所识别的故障处置知识对知识库进行在线扩展。
9.根据权利要求8所述的知识库自适应扩展***，其特征在于，
在线知识库生成模块中，所述电网***级故障在线诊断***，用于实时采集电网故障离线仿真数据和电网故障历史运行数据，构建电网***级故障简单事件集合；基于复杂事件处理算法，利用电网***级故障简单事件集合，对电网***级故障进行在线诊断；根据电网***级故障的在线诊断结果，构建在线故障处置知识图谱。
10.根据权利要求8所述的知识库自适应扩展***，其特征在于，
在线知识库生成模块，以故障处置知识抽取模型，从电网运行记录日志、检修计划、外部环境信息中识别故障处置要点和逻辑，对离线知识库故障处置知识进行细化以及在线动态更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110545292.7A CN113268604B (zh) | 2021-05-19 | 2021-05-19 | 知识库自适应扩展方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110545292.7A CN113268604B (zh) | 2021-05-19 | 2021-05-19 | 知识库自适应扩展方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113268604A CN113268604A (zh) | 2021-08-17 |
| CN113268604B true CN113268604B (zh) | 2024-06-07 |
Family
ID=77231801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110545292.7A Active CN113268604B (zh) | 2021-05-19 | 2021-05-19 | 知识库自适应扩展方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113268604B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850017B (zh) * | 2021-08-27 | 2024-04-02 | 国家电网有限公司 | 一种基于潮流变化图谱的***级故障分析***及方法 |
| CN114430365B (zh) * | 2022-04-06 | 2022-07-29 | 北京宝兰德软件股份有限公司 | 故障根因分析方法、装置、电子设备和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017076263A1 (zh) * | 2015-11-03 | 2017-05-11 | 中兴通讯股份有限公司 | 融合知识库处理方法和装置及知识库管理***、存储介质 |
| WO2018072563A1 (zh) * | 2016-10-18 | 2018-04-26 | 中兴通讯股份有限公司 | 一种知识图谱构建方法、装置及*** |
| CN108446367A (zh) * | 2018-03-15 | 2018-08-24 | 湖南工业大学 | 一种基于知识图谱的包装行业数据搜索方法及设备 |
| CN109189946A (zh) * | 2018-11-06 | 2019-01-11 | 湖南云智迅联科技发展有限公司 | 一种将设备故障语句描述转换为知识图谱表达的方法 |
| CN110717018A (zh) * | 2019-04-15 | 2020-01-21 | 中国石油大学(华东) | 一种基于知识图谱的工业设备故障维修问答*** |
| CN110929149A (zh) * | 2019-11-12 | 2020-03-27 | 广东工业大学 | 一种工业设备故障维修推荐方法和*** |
| CN110968700A (zh) * | 2019-11-01 | 2020-04-07 | 数地科技(北京)有限公司 | 一种融合多类事理与实体知识的领域事件图谱构建方法和装置 |
| WO2020143186A1 (zh) * | 2019-01-10 | 2020-07-16 | 平安科技（深圳）有限公司 | 推荐***训练方法、装置、计算机设备及存储介质 |
| CN112269901A (zh) * | 2020-09-14 | 2021-01-26 | 合肥中科类脑智能技术有限公司 | 一种基于知识图谱的故障判别推理方法 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10748118B2 (en) * | 2016-04-05 | 2020-08-18 | Facebook, Inc. | Systems and methods to develop training set of data based on resume corpus |
| US11741384B2 (en) * | 2018-10-13 | 2023-08-29 | Predii, Inc. | Adaptable systems and methods for discovering intent from enterprise data |
-
2021
- 2021-05-19 CN CN202110545292.7A patent/CN113268604B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017076263A1 (zh) * | 2015-11-03 | 2017-05-11 | 中兴通讯股份有限公司 | 融合知识库处理方法和装置及知识库管理***、存储介质 |
| WO2018072563A1 (zh) * | 2016-10-18 | 2018-04-26 | 中兴通讯股份有限公司 | 一种知识图谱构建方法、装置及*** |
| CN108446367A (zh) * | 2018-03-15 | 2018-08-24 | 湖南工业大学 | 一种基于知识图谱的包装行业数据搜索方法及设备 |
| CN109189946A (zh) * | 2018-11-06 | 2019-01-11 | 湖南云智迅联科技发展有限公司 | 一种将设备故障语句描述转换为知识图谱表达的方法 |
| WO2020143186A1 (zh) * | 2019-01-10 | 2020-07-16 | 平安科技（深圳）有限公司 | 推荐***训练方法、装置、计算机设备及存储介质 |
| CN110717018A (zh) * | 2019-04-15 | 2020-01-21 | 中国石油大学(华东) | 一种基于知识图谱的工业设备故障维修问答*** |
| CN110968700A (zh) * | 2019-11-01 | 2020-04-07 | 数地科技(北京)有限公司 | 一种融合多类事理与实体知识的领域事件图谱构建方法和装置 |
| CN110929149A (zh) * | 2019-11-12 | 2020-03-27 | 广东工业大学 | 一种工业设备故障维修推荐方法和*** |
| CN112269901A (zh) * | 2020-09-14 | 2021-01-26 | 合肥中科类脑智能技术有限公司 | 一种基于知识图谱的故障判别推理方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 打造智能互联网化的支撑客服***的设计与实现;仇建飞;;电子技术与软件工程;20200601(第11期);全文 * |
| 电力领域语义搜索***的构建方法;姬源;谢冬;周思明;王向东;;计算机***应用;20160415(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113268604A (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113268604B (zh) | 知识库自适应扩展方法及*** | |
| Korovin et al. | Intelligent oilfield model | |
| Ang et al. | Smart design for ships in a smart product through-life and industry 4.0 environment | |
| CN116245033B (zh) | 人工智能驱动的电力***分析方法及智能软件平台 | |
| CN113283602A (zh) | 基于离线知识学习和在线动态修正电网***故障诊断方法 | |
| CN111832977A (zh) | 一种基于自然语言解析的检修申请自动成票方法 | |
| Gajzler | The idea of knowledge supplementation and explanation using neural networks to support decisions in construction engineering | |
| Wessel et al. | Ontology-based traceability system for interoperable data acquisition in battery cell manufacturing | |
| CN113902569A (zh) | 数字资产中的绿色资产的占比的识别方法及相关产品 | |
| Ulrich et al. | Operator timing of task level primitives for use in computation-based human reliability analysis | |
| CN117557047A (zh) | 一种基于深度强化学习的配电设备运维优化方法及*** | |
| Ranganathan et al. | Smart grid data analytics for decision support | |
| Tjernberg | Reliability-Centered Asset Management with Models for Maintenance Optimization and Predictive Maintenance: Including Case Studies for Wind Turbines | |
| Chatterjee et al. | Deep reinforcement learning for maintenance planning of offshore vessel transfer | |
| CN115983714A (zh) | 边图神经网络电力***静态安全评估方法及*** | |
| CN115358369A (zh) | 基于卷积神经网络模型的监控告警事件识别方法 | |
| CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
| CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 | |
| Jack et al. | Optimization scheme for intelligent master controller with collaboratives energy system | |
| CN111652420A (zh) | 一种实时的负荷预测*** | |
| Quintana-Amate et al. | A new knowledge sourcing framework to support KBE development | |
| Naqvi et al. | Generating semantic matches between maintenance work orders for diagnostic decision support | |
| Huang et al. | The application of artificial intelligence in energy Internet | |
| CN117762464B (zh) | 一种基于云计算的软件运维***及方法 | |
| CN113434667B (zh) | 基于配网自动化终端文本分类模型的文本分类方法 |
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 | ||
| GR01 | Patent grant |