CN116976043A - 一种基于知识图谱的sdss电网智能辅助决策方法 - Google Patents

Abstract

本发明提出了基于知识图谱的SDSS电网智能辅助决策方法，实现了实体到虚拟模型的三维映射，包括以下内容：建立数字模型，接入多源异构基础数据源；电网知识图谱构建，抽取设备、关系、属性以及业务信息，并进行整合、提炼与深度学习，形成完整的图谱体系，不断更新学习新接受的知识；故障信息解析，获取来自电网***的告警或复归信号并进行解析，实现对信号实现修正和逻辑判读；故障案例查询，针对故障信号在图谱中进行信息匹配，输出解决方案；可视化智能辅助决策，在可视化的基础上，完成对电网***的实时监测、应对故障方案辅助提示以及知识传承。本发明能够实现故障快速精准定位、及时给出高效处理方案，为电网运行提供新的智能辅助决策手段。

Description

一种基于知识图谱的SDSS电网智能辅助决策方法

技术领域

本发明涉及一种电网智能辅助决策***，***建立在GIS基础上，并采用基于知识图谱与决策支持***的功能集成和技术集成，涉及一种基于知识图谱的SDSS电网智能辅助决策方法。

背景技术

随着决策支持***(DSS)的开发和应用，人们认识到传统的DSS存在很大的局限性。由于现代决策活动都趋于社会化、信息化和***化，重大问题的决策是由多个相关的决策者按照一定的原则和规程协同进行的，而传统的DSS由于是基于单一代理(agent)，无法支持决策全过程和多决策成员的协同。目前，在我国电力部门中信息管理***己得到相当广泛的应用，而决策支持***的应用还刚刚起步。配电网规划是一项很复杂的工作，涉及到许多人为因素和半结构因素，这就需要建立这样一个计算机决策***：一方面要建立一些有关配电网规划及其决策的模型，能提供配电网规划的决策支持：另一方面***要具有一定程度的智能化，能处理半结构化的问题，提高科学决策的水平。

大多数GIS的功能尚停留在空间数据的采集、储存、管理、查询、分析和显示、制图的水平上，空间分析能力较弱，缺乏对复杂空间问题决策的支持能力，难以满足各级决策者的需要。而大多数的DSS的功能不能灵活、直观地描述对象的空间位置、空间分布等信息，不能为决策者或决策分析人员创造一种空间数据可视化的决策环境。

本发明提出的一种基于知识图谱的SDSS电网智能辅助决策方法，配电网规划智能决策支持***是一个复杂的***。为适应配电网规划的特点，提高配电网智能决策支持***的功能和效率，***建立在GIS基础上，并采用基于知识图谱与决策支持***的功能集成和技术集成的，各库并列型多库协同的总体结构方案。知识图谱是智能决策支持***的核心部分，它通过利用与配电网规划相关的各种信息进行综合分析决策后得出配电网规划的最佳方案；GIS***平台为配电网规划提供了强大的空间分析和显示功能；

发明内容

本发明提出的一种基于知识图谱的SDSS电网智能辅助决策方法。具体包括以下步骤：

步骤1：数字化模型建立，接入多元异构基础数据源实现实体到虚拟模型的三维映射

步骤1-1：数据获取，接入多元异构基础数据源，实现实体到虚拟模型的三维映射。此处的多源异构基础数据源包括来着电网业务中台的设备运行数据、MIS、SCADA***、用户信息***、外界传感器测量的物理数据、各种检测报告、运行日志以及地理环境信息。保证地理信息***数据库中的数据在内容和空间上的完整性、数据值逻辑一致性、低错误率等特性。

步骤1-2：数据变换和格式处理：实现数据的格式化、转换和概化；数据的格式化是指不同的数据结构的数据间交换，是一种消耗时间长、极其容易出错、计算量极大的工作。数据转换包括数据格式的转化、数据比例尺的变换。该过程是为了增加数据的融合性，实现多元数据的深度融合。

步骤1-3：数据分配与管理：本部分主要进行数据集成，也是建立SDSS***的关键步骤，涉及到空间数据和属性数据的组织。通过对空间数据和属性数据的组织和管理，实现数据的深度结合。

地理信息***中的数据类型空间数据的表达方式包括各种数据结构，并表现为点、线、面等各种图形符号信息；属性数据的表达方法包括基于地理特征(包括空间特征和属性特征)的多种分类关系的表格。栅格模型、矢量模型和栅格/矢量模型的混合模型是常用的空间数据组织方法。属性数据的组织方式有层次结构、网络结构和关系数据库管理***等，最常用的是关系型数据库***。空间数据结构是指对空间数据进行合理的组织，以便于进行计算机处理，可以分为矢量数据结构和栅格数据结构。数据结构的选取取决于数据的性质以及使用方式，大多数地理信息***都同时采用矢量数据和栅格数据结构。

步骤1-4：空间查询和数据输出：空间查询、检索、统计和计算功能是***及其它自动化地理数据处理***应具备的最基本的功能。可将已有的数据进行分析处理，最终以报告、表格、图片、模型等的方式呈现在计算机屏幕上面，以更直观的方式向工作人员传达模型信息。

步骤2：电网知识图谱构建，形成一个完整知识图谱体系。

步骤2-1：知识抽取，通过已有的数据库获得大部分的实体图谱，解决实体之间语义连接的问题，同时厘清实体之间的属性，建立起实体与实体之间的关系图谱。

(1)实体抽取：大部分设备实体通过已有数据库即可获得，可利用预先设定好的关键词，使得模型学习相应的关键字并且能够自动在库中捕获具有关键特征的实体，完成实体识别。抽取的常见实体包括异常原因、操作内容、调整措施等内容(可识别的文本数据)。

(2)关系抽取：解决实体间语义连接的问题，从而将海量实体编织成图谱。关系抽取相当于一个分类问题，通过人工定义进行预标注，再建立实体关系。抽取的常见关系包括因果关系、顺承关系、条件关系等内容。

属性抽取：属性抽取主要是针对实体而言的，通过属性可形成实体的完整勾画。实体和属性之间也可以是对应关系，因此，可以将属性抽取转化为为关系抽取问题。常见的属性抽取主要指从预案、细则、处置手册中提取相关状态量(如潮流)限值、开关分合状态、发电厂出力要求等内容。

(3)属性抽取：属性抽取主要是针对实体而言的，通过属性可形成实体的完整勾画。实体和属性之间也可以是对应关系，因此，可以将属性抽取转化为为关系抽取问题。常见的属性抽取主要指从预案、细则、处置手册中提取相关状态量(如潮流)限值、开关分合状态、发电厂出力要求等内容。

步骤2-2：知识融合，从非结构化的调度规则文本中抽取的知识可能包含大量的模糊或冗余的信息，知识融合的目的就是对其进行清理和整合，从而确保知识的质量。

(1)实体消歧：实体消歧用于解决某个实体指称项对应于多个命名实体对象的问题。其关键在于如何定义实体对象与指称项之间的相似度，常用方法包括空间向量模型、语义模型等。

(2)共指消解：共指消解主要用于解决多个指称项对应于同一实体对象的问题。

(3)知识合并：将已有的知识库与抽取的信息进行合并，重点解决融合过程中的实体冲突与冗余问题。电网的设备实体在调度***的数据库中已有明确定义和命名，可作为知识合并的主要标准。

步骤2-3：知识加工，知识加工是对抽取的信息进一步的整合和提炼，将已有的知识图谱概念进行规范化表示，以形式化方式对概念及其之间的关系给出明确的定义。在已有的基础上不断挖掘发现新知识，并增加知识的质量评估环节，消除知识错误和冲突，形成较为完整的知识体系。

(1)本体构建：(本体相当于是设备、操作、状态的规范术语)规范概念表示，以形式化方式对概念及其之间联系给出明确定义，是对该领域进行描述的语义基础。该过程主要基于电力本体的概念图谱、业务逻辑图谱和案例图谱进行实体相似度计算、上下位关系抽取以及本体的生成。

(2)知识发现：知识发现从知识库中已有的实体关系数据出发，通过机器学习挖掘新的实体或建立实体间的新关联，从而拓展和丰富知识网络。

(3)质量评估：***学习到新知识之后，需要进行可信度量化评价，从而消除知识错误或冲突。质量评估可采用专家人工评定的方法，也可根据自身业务需求定义可信度评估函数，进行综合考评以确定知识图谱的最终质量评分。

步骤2-4：案例抽取，对于故障处理业务，事件抽取任务以实体、关系与属性抽取为基础，重点在于对历史故障报告和数据中的信息进行有效抽取，从而形成结构化案例图谱。

步骤2-5：知识更新，随着电力***设备更换、装置更新、网络结构的变化，各类操作原则、处置预案等知识也会进行不断更新。

步骤3：故障信息知识解析，可借助知识图谱和自然语言处理技术，对故障告警信息知识进行自动解析，形成可供机器进行理解和计算的结构化表示，再基于知识图谱中存储的设备信息和业务知识进行查询匹配与判断分析。

步骤3-1：获取故障信息，SCADA***在电网运行过程中会不断接收到油压低告警、装置异常、通信中断等告警或复归信号，并采用故障信息捕捉技术，保障故障发生时遥信信息的完整获取，同时排除掉与本次事故无关的异常告警信号。

步骤3-2：解析故障信息，可采用基于机器学习技术，配合故障处理领域词典，自动对遥信信号进行分词、词性标注、句法依存分析、实体识别等操作。

步骤3-3：故障信息知识结构化，为便于机器理解和计算，仅通过信息分词或实体识别技术，仍然不能准确表达故障信息所蕴含的语义，需要对故障遥信信息进行结构化表示。当操作出现多种含义时，可通过优先度进行评比执行。

步骤3-4：信息匹配查询，针对已经结构化表示的信息，在知识图谱中进行快速匹配查询，得到与故障区域想匹配的实体拓扑结构信息、地理信息以及环境数据等。知识图谱的图数据结构往往具有较快的查询效率，能够满足故障诊断的速度需求。

步骤3-5：故障信息判断与修正，根据设备、断路器与保护之间的配伍关系，以及因果联系、互斥关系与控制逻辑，实现信号纠错与过滤，判定信息真伪或缺失情况，进而完成信号分析和故障模式判断。完成信息结构化与逻辑判断后，即可按照图谱的三元组形式记录电网本次故障的关键信息流，并将重要的异常或故障信息链接至业务逻辑图谱中相关分析或处置的知识节点上，从而实现故障显式与隐含知识的完整表达。另外，该结构化知识也可自动记录至本次故障的案例图谱之中。

步骤4：电网故障知识推理任务是进行辅助的逻辑或决策判断，即基于电网设备实体与概念图谱、业务逻辑图谱、历史案例图谱，根据故障信号解析后的关键信息流，采用电网运行与控制逻辑、规则和经验知识，进行故障处理操作方式的辅助决策。

步骤4-1：逻辑推理，通过逻辑表达式或者逻辑方程组的方式，借助符号运算得出故障处理结论。

步骤4-2：规则推理，梳理出前项和后项的关系，只要前提满足就能推导出后项。产生式规则由前件与后件构成，如果前提满足，则可得到结论或执行相应动作。规则推理属于演绎推理，是一种较为准确、解释性很强的推理方式，故障处理中的调度操作规程、处置预案中的部分内容，会以类似于产生式规则的方式进行编写。

步骤4-3：案例推理，案例推理将本次电网事故与历史案例库进行相似度计算，通过历史处理经验，给出本次事件的操作原则或建议。该种思维方式与工作人员处理故障时的行为较为相似，属于是归纳推理。当匹配到相应的案例之后，可实现历史案例的再现，帮助工作人员做进一步分析，也可以直接转至实体图谱，给出相应的处理预案。知识图谱通过建立事件的相关实体、关系与属性知识网络，为案例事件的描述提供了丰富的语义信息与关联关系，可提升案例知识表示的丰富度与准确性。

步骤4-4：分布式知识推理，分布式向量本质上是自然语言符号的语义信息在向量空间的投影。理论上，一个精确的向量化表示方法可实现文本符号的数值操作与计算。可对电网故障案例特征进行向量化表示，计算不同故障案例之间的相似程度，进而实现基于案例的分类、匹配与推理。

步骤5：可视化智能辅助决策，SDSS***既可以作为原始数据的输入接口，接入电网业务中台的设备运行数据、MIS、SCADA***、用户信息***、外界传感器测量的物理数据、各种检测报告、运行日志以及地理环境信息等数据，又可以作为结果显示的工具，还可以作为用户操作的界面。知识图谱强大的地理空间信息分析功能是其区别于一般电子地图的显著标志；叠加、包含、相邻关系、缓冲区、地形分析、面积、距离等地理空间信息的统计分析，能有效地提取与变电站选址有关的地理空间信息，实现对各种地质体的多种空间关系的定量分析和可视化。

步骤5-1：可视化提示，SDSS***既可以作为原始数据的输入接口，接入电网业务中台的设备运行数据、MIS、SCADA***、用户信息***、外界传感器测量的物理数据、各种检测报告、运行日志以及地理环境信息等数据，又可以作为结果显示的工具，还可以作为用户操作的界面。

步骤5-2：信息交互平台，知识图谱的图数据结构存储了大量实体、关系以及属性，不仅可以根据用户查询准确返回答案，同时可基于丰富的语义网络关系，结合此时电网的运行状态显示更为丰富和具体的额外隐含信息。可以通过故障信息查询到相关设备的运行状态以及设备故障信息，再通过SDSS***强大的可视化分析功能，以知识卡片、语音交互、信息播报等多种形式完成与工作人员的交流，从而提供智能信息搜索与交互服务。

步骤5-3：辅助决策提示，基于对电网知识图谱的推理分析，在故障发生、发展、控制与恢复处置的全过程中向调度员提供调度决策依据、建议与提示。并将推理结果以图片、报告、表格等多种形式可视化显示。

步骤5-4：风险预警：机器也可以根据知识库中存储的经验，对电网运行数据进行风险评估，通过与历史案例图谱和业务逻辑图谱中进行数据相似度匹配，实现电网风险的缺陷预警，并且及时匹配查询显示出预警措施，最后完成与工作的人员的互动。

步骤5-5：知识传承，通过结构化的语义网络，记录每次电网故障的关键信息流及处置操作，丰富机器学习样本，不断更新已有知识图谱。知识图谱通过丰富的语义内容进行知识的结构化展示，工作人员可随时查询历史案例，便于进行经验总结，尤其对于刚加入电网行业的人来说，这可以很大程度提高处理故障和分析电网的能力。

附图说明

图1是本发明提出的一种基于知识图谱的SDSS电网智能辅助决策方法框架图；

图2是本发明数据接入过程的流程示意图；

图3是本发明知识图谱构建与故障查询示意图；

图4是本发明的可智能辅助决策的示意图；

图5是本发明的整体构建示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述。

本发明提出的一种基于知识图谱的SDSS电网智能辅助决策方法具体步骤如下

步骤1：数字化模型建立，接入多元异构基础数据源实现实体到虚拟模型的三维映射。具体流程图如图2所示

①数据获取:接入数据，包括空间数据(图形数据)的获取和属性数据的获取；

②数据组织：数据的组织也是数据库的设计。包括空间数据库的设计和属性数据库的设计；

③图形数据录入数据库；

④利用GIS软件进行数字化作业程序；

⑤属性数据录入数据库；

⑥编辑修改、存入计算机。

具体流程如图3所示

步骤2：电网知识图谱构建，形成一个完整知识图谱体系。

步骤2-1：知识抽取，通过已有的数据库获得大部分的实体图谱，解决实体之间语义连接的问题，同时厘清实体之间的属性，建立起实体与实体之间的关系图谱。

基于字向量TextCNN的预案文本分类文本分类(text classification)是将预案文本按预先定义的类别进行自动分类标记。预案文本中的“故障后运行方式”常分为潮流变化信息、潮流转移信息、电压变化信息、设备状态变化信息、出力损失信息5类情况，描述故障后电网运行方式的变化情况；“故障处置要点”也可细分为：潮流控制、电压控制、负荷控制、出力调整、运行方式调整5类，描述针对预想故障应采取的具体处置措施。对预案文本进行准确、高效地分类，是知识抽取的一个重要内容。

基于LR-CNN的命名实体识别:命名实体识别是对文本中具有特定含义的实体进行边界确定和类别识别。电网故障处置预案属于特定领域的文本，因此在构建命名实体识别模型时应充分考虑文本的特点。

基于BiGRU-Attention的实体间关系抽取实体间关系抽取是在命名实体识别的基础上判断实体间是否存在预定义的关系，从而构成一系列三元组知识。本文定义的实体间关系类别。

步骤3：故障信息知识解析，可借助知识图谱和自然语言处理技术，对故障告警信息知识进行自动解析，形成可供机器进行理解和计算的结构化表示，再基于知识图谱中存储的设备信息和业务知识进行查询匹配与判断分析。

步骤4：故障案例查询，针对解析出的故障信息，基于电网实体与概念图谱、业务逻辑图谱、案例图谱，采用电网运行与控制逻辑、规则和经验知识，实现快速准确的关键信息匹配。

知识图谱运行如图4所示

步骤5：可视化智能辅助决策，实现上述过程的可视化，完成对电网***的实时可视化监测、应对故障方案可视化辅助提示以及实现知识传承。

该方案实现整体构建如图5所示

本发明申请书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (1)

1.一种基于知识图谱的SDSS电网智能辅助决策方法，具体包括以下步骤：

步骤1：数字化模型建立，接入多元异构基础数据源实现实体到虚拟模型的三维映射；

步骤1-1：数据获取，接入多元异构基础数据源，实现实体到虚拟模型的三维映射；此处的多源异构基础数据源包括来着电网业务中台的设备运行数据、外界传感器测量的物理数据、各种检测报告、运行日志以及地理环境信息；保证地理信息***数据库中的数据在内容和空间上的完整性、数据值逻辑一致性、低错误率等特性；

步骤1-2：数据变换和格式处理：实现数据的格式化、转换和概化；数据的格式化是指不同的数据结构的数据间交换，是一种消耗时间长、极其容易出错、计算量极大的工作，数据转换包括数据格式的转化、数据比例尺的变换，该过程是为了增加数据的融合性，实现多元数据的深度融合；

步骤1-3：数据分配与管理：本部分主要进行数据集成，也是建立SDSS***的关键步骤，涉及到空间数据和属性数据的组织，通过对空间数据和属性数据的组织和管理，实现数据的深度结合；

步骤1-4：空间查询和数据输出：空间查询、检索、统计和计算功能是***及其它自动化地理数据处理***应具备的最基本的功能，可将已有的数据进行分析处理，最终以报告、表格、图片、模型等的方式呈现在计算机屏幕上面，以更直观的方式向工作人员传达模型信息；

步骤2：电网知识图谱构建，形成一个完整知识图谱体系；

步骤2-1：知识抽取，通过已有的数据库获得大部分的实体图谱，解决实体之间语义连接的问题，同时厘清实体之间的属性，建立起实体与实体之间的关系图谱；

步骤2-2：知识融合，从非结构化的调度规则文本中抽取的知识可能包含大量的模糊或冗余的信息，知识融合的目的就是对其进行清理和整合，从而确保知识的质量；

步骤2-3：知识加工，知识加工是对抽取的信息进一步的整合和提炼，将已有的知识图谱概念进行规范化表示，以形式化方式对概念及其之间的关系给出明确的定义；在已有的基础上不断挖掘发现新知识，并增加知识的质量评估环节，消除知识错误和冲突，形成较为完整的知识体系；

步骤2-4：案例抽取，对于故障处理业务，事件抽取任务以实体、关系与属性抽取为基础，重点在于对历史故障报告和数据中的信息进行有效抽取，从而形成结构化案例图谱；

步骤2-5：知识更新，随着电力***设备更换、装置更新、网络结构的变化，各类操作原则、处置预案等知识也会进行不断更新；

步骤3：故障信息知识解析，可借助知识图谱和自然语言处理技术，对故障告警信息知识进行自动解析，形成可供机器进行理解和计算的结构化表示，再基于知识图谱中存储的设备信息和业务知识进行查询匹配与判断分析；

步骤3-1：获取故障信息，SCADA***在电网运行过程中会不断接收到油压低告警、装置异常、通信中断等告警或复归信号，并采用故障信息捕捉技术，保障故障发生时遥信信息的完整获取，同时排除掉与本次事故无关的异常告警信号；

步骤3-2：解析故障信息，可采用基于机器学习技术，配合故障处理领域词典，自动对遥信信号进行分词、词性标注、句法依存分析、实体识别等操作；

步骤3-3：故障信息知识结构化，为便于机器理解和计算，仅通过信息分词或实体识别技术，仍然不能准确表达故障信息所蕴含的语义，需要对故障遥信信息进行结构化表示；当操作出现多种含义时，可通过优先度进行评比执行；

步骤3-4：信息匹配查询，针对已经结构化表示的信息，在知识图谱中进行快速匹配查询，得到与故障区域想匹配的实体拓扑结构信息、地理信息以及环境数据等；知识图谱的图数据结构往往具有较快的查询效率，能够满足故障诊断的速度需求；

步骤3-5：故障信息判断与修正，对查询到的故障信息进行逻辑判断，实现信号的过滤和纠错，保证信号的真实性和完整性；对于重要信息，该结构化知识可自动记录至本次故障的案例图谱中；

步骤4：故障案例查询，针对解析出的故障信息，基于电网实体与概念图谱、业务逻辑图谱、案例图谱，采用电网运行与控制逻辑、规则和经验知识，实现快速准确的关键信息匹配；

步骤4-1：逻辑推理，通过逻辑表达式或者逻辑方程组的方式，借助符号运算得出故障处理结论；

步骤4-2：规则推理，梳理出前项和后项的关系，只要前提满足就能推导出后项，这是一种演绎推理的方式，比符号运算更加准确，解释性更强；

步骤4-3：案例推理，将本次故障信息与案例图谱中的信息进行相似度匹配，通过历史经验，给出本次故障的解决措施以及操作流程；

步骤4-4：分布式知识推理，分布式向量本质上是自然语言符号的语义信息在向量空间的投影，理论上，一个精确的向量化表示方法可实现文本符号的数值操作与计算；可对电网故障案例特征进行向量化表示，计算不同故障案例之间的相似程度，进而实现基于案例的分类、匹配与推理；

步骤5：可视化智能辅助决策，实现上述过程的可视化，完成对电网***的实时可视化监测、应对故障方案可视化辅助提示以及实现知识传承；

步骤5-1：可视化提示，SDSS***既可以作为原始数据的输入接口，接入电网业务中台的设备运行数据、MIS、SCADA***、用户信息***、外界传感器测量的物理数据、各种检测报告、运行日志以及地理环境信息等数据，又可以作为结果显示的工具，还可以作为用户操作的界面；

步骤5-2：信息交互平台，知识图谱的图数据结构存储了大量实体、关系以及属性，不仅可以根据用户查询准确返回答案，同时可基于丰富的语义网络关系，结合此时电网的运行状态显示更为丰富和具体的额外隐含信息；可以通过故障信息查询到相关设备的运行状态以及设备故障信息，再通过SDSS***强大的可视化分析功能，以知识卡片、语音交互、信息播报等多种形式完成与工作人员的交流，从而提供智能信息搜索与交互服务；

步骤5-3：辅助决策提示，基于对电网知识图谱的推理分析，在故障发生、发展、控制与恢复处置的全过程中向调度员提供调度决策依据、建议与提示；并将推理结果以图片、报告、表格等多种形式可视化显示；

步骤5-4：风险预警：机器也可以根据知识库中存储的经验，对电网运行数据进行风险评估，通过与历史案例图谱和业务逻辑图谱中进行数据相似度匹配，实现电网风险的缺陷预警，并且及时匹配查询显示出预警措施，最后完成与工作的人员的互动；

步骤5-5：知识传承，通过结构化的语义网络，记录每次电网故障的关键信息流及处置操作，丰富机器学习样本，不断更新已有知识图谱。