配电网故障处置知识图谱构建、智能辅助决策系统及方法与流程

1.本发明属于电力系统技术领域，具体涉及配电网故障处置知识图谱构建、智能辅助决策系统及方法。


背景技术：

2.我国交直流混联大电网已经形成，单一故障不及时处置易引发连锁故障，对故障处置效果和规范性提出了更高的要求。配电网作为与用户终端紧密相连的最后环节，是保证供电可靠性的关键所在，面对数据多样、复杂、孤岛化，与任务场景结合度高等新挑战，调度员处置故障压力前所未有。现行调控系统能够较为全面的采集、监视配网运行状态，面对配网故障尚未形成整套的业务流程处置系统，多依靠调度员经验进行决策，预先编制的规程、预案缺乏智能地电子化和建模手段，不能有效及时地在故障时为调度员提供辅助决策，造成了大量的闲置。综上，亟需通过学习现行调控规程、预案等文本形成知识模型，提升配电网数据感知认知智能水平以及规范故障处理能力。


技术实现要素：

3.本发明克服了现有技术存在的不足，提供了配电网故障处置知识图谱构建、智能辅助决策系统及方法。
4.为了解决上述技术问题，本发明采用的技术方案为：
5.配电网故障处置知识图谱构建、智能辅助决策系统，包括故障处置数据预处理模块、配电网故障处置知识抽取模块、故障处置知识图谱构建模块和故障处置决策推理模块，所述故障处置数据预处理模块与配电网故障处置知识抽取模块连接，所述配电网故障处置知识抽取模块和故障处置知识图谱构建模块连接，所述故障处置知识图谱构建模块和故障处置决策推理模块连接。
6.配电网故障处置知识图谱构建、智能辅助决策方法，包括以下步骤：
7.s1、故障处置数据预处理模块基于正则表达式对结构化数据和非结构化数据进行清洗；
8.s2、配电网故障处置知识抽取模块基于混合神经网络抽取故障处置预案中的故障处置知识，得到故障处置要点和要点关系，以动词为触发词的配网故障处置预案bio标记和事件抽取；
9.s3、故障处置知识图谱构建模块将上述抽取出的故障处置预案处置知识按照预案标题、运行方式、控制措施、故障原因、控制要求、故障后影响等信息类别存在到neo4j数据库中，将整个故障处置知识图谱模块化，并通过文本卷积神经网络判定组合的预案事件的操作意图；
10.s4、故障处置决策推理模块以故障处置预案知识图谱为处置引擎，通过感知配电网实时运行状态，并在推理机的作用下完成对故障的智能处置。
11.优选的，所述步骤s1中，结构化数据为来自关系型数据库中的表信息，包括厂站、
线路、变压器、母线、刀闸、断路器、电力公司通讯录、新能源厂站，非结构化数据为文本信息，包括调度规程、调度细则、故障处置预案、故障处置案例。
12.优选的，所述步骤s2中，包括以下步骤：
13.s21、依据自然语法对故障处置预案事件文本中的各事件成分，即实体类别进行分类，将故障处置预案实体分为执行主语、动词触发词、执行宾语、执行宾补、执行状语、执行条件 6种类别，非实体1种标签，共7种标签；
14.s22、采用albert-crf识别故障处置预案中实体类型，将执行主语、动词触发词、执行宾语、执行宾补、执行状语、执行条件6种故障处置预案实体，按照语法关系组合形成完整事件，完成对故障处置预案事件的抽取；
15.s23、利用albert动态词向量模型将故障处置预案实体转化为可计算的词向量，实现故障处置预案实体编码，再将编码处理后的字向量送入albert网络调参层预测字符的实体信息标签种类，最后在crf层以句子为单位输出全局最优标签序列。
16.优选的，执行主语实体开始部分表示为“b-sub”，执行主语实体其余部分表示为“i-sub”；动词触发词实体开始部分表示为“b-act”，动词触发词实体其余部分表示为“i-act”；执行宾语实体开始部分表示为“b-obj”，执行宾语实体其余部分表示为“i-obj”；执行宾补实体开始部分表示为“b-obj_m，执行宾补实体其余部分表示为“i-obj_m”；执行状语实体开始部分表示为“b-adv”，执行状语实体其余部分表示为“i-adv”；执行条件实体开始部分表示为“b-con”，执行条件实体其余部分表示为“i-con”，将非实体成分表示为“o”。
17.优选的，albert是一种轻量bert模型，通过分解词向量降低了bert隐含层参数维度，可以根据需求再将分解后的词向量隐射到隐含层。
18.优选的，crf层的功能是从全局的角度预测出各类别的最优标签分数，其计算公式如下：
[0019][0020]
式中：是crf中相邻的状态转移矩阵分布值，是lstm模型输出向量的分数值，将分数值归一化后，获得模型的概率公式：
[0021][0022]
式中：yx表示所有的序列标注；
[0023]
crf通过对概率求取对数来实现标签序列的优化，最后通过极大似然估计获取分值最高的序列作为最终预测的输出序列，其计算公式如下：
[0024][0025][0026]
式中：表示整个预测序列的得分。
[0027]
优选的，所述步骤s3中，文本卷积神经网络进行故障原因判定包括以下步骤：
[0028]
s31、定义多个一维卷积核，然后使用这些卷积核对输入进行卷积计算，不同长度的卷积核会抽取出多个邻近字、词之间的相互关系；假设模型的输入数据为词向量矩阵n，输入的文本由m个字组成，神经网络中的权重为w，b是偏置，获得特征ai的计算公式为：
[0029]ai
＝f(w
·ni:i+h-1
+b)
[0030]
式中：i＝1,2,
…
,m-h+1，h是卷积核的长度，“·”表示点积运算，n
i:i+h-1
是矩阵n的第i行到第i+h-1行，f是一个非线性函数；
[0031]
s32、使用时序最大池化对输出的所有通道提取代表性特征，然后将这些代表性特征拼接成一个新的特征向量；
[0032]
s33、通过全连接层将拼接后的向量输出为概率最大的一个标签，通过计算预测与实际标签的损失函数，使用梯度下降算法对参数进行更新；
[0033]
s34、电网故障发生时，知识图谱通过感知电网告警信息，通过文本相似度技术匹配到相应的故障处置预案，将故障处置预案各个操作事件和操作事件意图进行呈现，并按照相应的意图执行预案事件完成故障处置。
[0034]
优选的，文本卷积神经网络自动对输入的特征进行组合筛选，通过卷积层与池化层，对重要特征进行高效率的提取，获得不同抽象层次的语义信息；依据特征划分，将故障处置事件分为通知汇报类、开关刀闸操作类、调整机组出力类、控制设备及断面潮流类、开停机类、控制电网电压类以及控制电网频率类。
[0035]
优选的，所述步骤s4中，知识图谱在感知到配配电网故障时将自动启动，通过与调度员进行交互，驱动整个处置流程的实现，人机交互方式支撑语音交互或者信息弹屏交互；在感知到的故障与预案或者案例中的故障相符或者相近的情况，将按照流程引导知识图谱进行，图谱通过感知电网状态计算信息和调度员决策情况引导调度员进行下一步处置，每个处置节点都设置了向下一节点的驱动条件；通过知识图谱可以支撑调度员进行规程规定、注意事项、相关人员联系方式的查询，在处置过程中涉及多个单位，建设协同处置工具，可以支持信息协同传递、自动建群、自动给相关人员拨打电话；同时建立了信息自动记录功能。
[0036]
本发明与现有技术相比具有的有益效果是：
[0037]
1、本发明提出基于albert-crf和动词触发词融合的故障处置预案事件抽取方法，实现故障处置知识的智能抽取；
[0038]
2、本发明提出了故障处置预案自动执行方法，通过将故障处置预案知识建立为知识图谱，利用知识图谱推理机制形成与发生故障相对应的处置事件，通过textcnn建立预案事件意图识别模型，判定预案事件执行意图，根据识别的预案事件操作成分和预案事件意图完成故障处置预案的自动执行，即完成配网故障的智能处置。
附图说明
[0039]
下面结合附图对本发明做进一步的说明。
[0040]
图1为本发明的模块连接示意图。
具体实施方式
[0041]
如图所示，实施例一：配电网故障处置知识图谱构建、智能辅助决策系统，包括故
障处置数据预处理模块、配电网故障处置知识抽取模块、故障处置知识图谱构建模块和故障处置决策推理模块，所述故障处置数据预处理模块与配电网故障处置知识抽取模块连接，所述配电网故障处置知识抽取模块和故障处置知识图谱构建模块连接，所述故障处置知识图谱构建模块和故障处置决策推理模块连接。
[0042]
配电网故障处置知识图谱构建、智能辅助决策方法，包括以下步骤：
[0043]
一、故障处置数据预处理模块基于正则表达式对结构化数据和非结构化数据进行清洗，结构化数据为来自关系型数据库中的各种表信息，包括：厂站、线路、变压器、母线、刀闸、断路器、电力公司通讯录、新能源厂站等表信息，非结构化数据包含：调度规程、调度细则、故障处置预案、故障处置案例等文本信息。
[0044]
二、配电网故障处置知识抽取模块基于混合神经网络抽取故障处置预案中的故障处置知识，得到故障处置要点和要点关系。提出了以动词为触发词的配网故障处置预案bio标记方法和事件抽取方法。
[0045]
首先依据自然语法对故障处置预案事件文本中的各事件成分，即实体类别进行分类。将故障处置预案实体分为，执行主语、动词触发词、执行宾语、执行宾补、执行状语、执行条件6种类别，非实体1种标签，共7种标签，具体表示方式为：执行主语实体开始部分表示为“b-sub”，执行主语实体其余部分表示为“i-sub”；动词触发词实体开始部分表示为“b-act”，动词触发词实体其余部分表示为“i-act”；执行宾语实体开始部分表示为“b-obj”，执行宾语实体其余部分表示为“i-obj”；执行宾补实体开始部分表示为“b-obj_m，执行宾补实体其余部分表示为“i-obj_m”；执行状语实体开始部分表示为“b-adv”，执行状语实体其余部分表示为“i-adv”；执行条件实体开始部分表示为“b-con”，执行条件实体其余部分表示为“i-con”，将非实体成分表示为“o”。
[0046]
采用albert-crf识别故障处置预案中实体类型，将执行主语、动词触发词、执行宾语、执行宾补、执行状语、执行条件6种故障处置预案实体按照语法关系组合形成完整事件，如此完成了故障处置预案事件的抽取。利用albert动态词向量模型将故障处置预案实体转化为可计算的词向量，实现故障处置预案实体编码，再将编码处理后的字向量送入albert网络调参层预测字符的实体信息标签种类，最后在crf层以句子为单位输出全局最优标签序列。
[0047]
albert是一种轻量bert模型，通过分解词向量降低了bert隐含层参数维度，可以根据需求再将分解后的词向量隐射到隐含层。bert模型自注意力层、前馈神经网络层参数量巨大， albert在方面采用了参数共享机制，将原有12层参数压缩为1层参数，降低了模型计算参数的复杂程度，但是性能稍微受到影响。为了弥补性能损失，采取移除模型dropout层、扩宽扩深模型和句序预测(sop)预训练策略代替下一句预测(nsp)等措施。
[0048]
基于albert预训练模型优点，文中以其作为词向量模型对标记的故障原因诊断相关信息进行词向量编码。
[0049]
crf层的功能是从全局的角度预测出各类别的最优标签分数，其计算公式如下：
[0050][0051]
式中：是crf中相邻的状态转移矩阵分布值，是lstm模型输出向量的分
数值。将分数值归一化后，获得模型的概率公式：
[0052][0053]
式中：yx表示所有的序列标注。
[0054]
crf通过对概率求取对数来实现标签序列的优化，最后通过极大似然估计获取分值最高的序列作为最终预测的输出序列，其计算公式如下：
[0055][0056][0057]
式中：表示整个预测序列的得分。
[0058]
三、故障处置知识图谱构建模块将上述抽取出的故障处置预案处置知识按照预案标题、运行方式、控制措施、故障原因、控制要求、故障后影响等信息类别存在到neo4j数据库中，将整个故障处置知识图谱模块化，并通过文本卷积神经网络(textcnn)判定组合的预案事件的操作意图，操作意图分为：通知汇报类、开关刀闸操作类、调整机组出力类、控制设备及断面潮流类、开停机类、控制电网电压类以及控制电网频率类。
[0059]
textcnn在进行故障原因诊断时分为以下步骤：
[0060]
(1)定义多个一维卷积核，然后使用这些卷积核对输入进行卷积计算，不同长度的卷积核会抽取出多个邻近字(词)之间的相互关系。假设模型的输入数据为词向量矩阵n，输入的文本由m个字组成，神经网络中的权重为w，b是偏置，获得特征ai的计算公式为：
[0061]ai
＝f(w
·ni:i+h-1
+b)
[0062]
式中：i＝1,2,
…
,m-h+1，h是卷积核的长度，“·”表示点积运算，n
i:i+h-1
是矩阵n的第i行到第i+h-1行，f是一个非线性函数；
[0063]
(2)使用时序最大池化对输出的所有通道提取代表性特征，然后将这些代表性特征拼接成一个新的特征向量；
[0064]
(3)通过全连接层将拼接后的向量输出为概率最大的一个标签，通过计算预测与实际标签的损失函数，使用梯度下降算法对参数进行更新。
[0065]
文中矩阵特征是故障原因识别的词向量组成的向量矩阵，textcnn自动对输入的特征进行组合筛选，通过卷积层与池化层，对重要特征进行高效率的提取，获得不同抽象层次的语义信息。依据特征划分，将故障处置事件分为通知汇报类、开关刀闸操作类、调整机组出力类、控制设备及断面潮流类、开停机类、控制电网电压类以及控制电网频率类。
[0066]
在电网故障发生时，知识图谱通过感知电网告警信息，通过文本相似度技术匹配到相应的故障处置预案，将故障处置预案各个操作事件和操作事件意图进行呈现，并按照相应的意图执行预案事件完成故障处置。
[0067]
四、故障处置决策推理模块以故障处置预案知识图谱为处置引擎，通过感知配电网实时运行状态，并在推理机的作用下完成对故障的智能处置。知识图谱在感知到配配电网故障时将自动启动，通过与调度员进行交互，驱动整个处置流程的实现，人机交互方式支撑语音交互或者信息弹屏交互。在感知到的故障与预案或者案例中的故障相符或者相近的
情况，将按照流程引导知识图谱进行，该图谱通过感知电网状态计算信息和调度员决策情况引导调度员进行下一步处置，每个处置节点都设置了向下一节点的驱动条件。通过知识图谱可以支撑调度员进行规程规定、注意事项、相关人员联系方式的查询，此外在处置过程中涉及多个单位，建设协同处置工具，可以支持信息协同传递、自动建群、自动给相关人员拨打电话。同时建设了信息自动记录功能，提高了信息的记录速度和处置信息的追溯。
[0068]
上述实施方式仅示例性说明本发明的原理及其效果，而非用于限制本发明。对于熟悉此技术的人皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改进。因此，凡举所述技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。