面向電網(wǎng)調(diào)控信息智能檢索的知識圖譜構(gòu)建及應(yīng)用

01電網(wǎng)調(diào)控信息知識圖譜構(gòu)建電網(wǎng)調(diào)控信息知識圖譜通過業(yè)務(wù)需求分析，構(gòu)建知識圖譜本體概念框架，以電網(wǎng)設(shè)備作為圖譜基礎(chǔ)本體，與設(shè)備相關(guān)屬性進行鏈接，通過設(shè)備與廠站關(guān)聯(lián)關(guān)系，鏈接全網(wǎng)范圍設(shè)備，將調(diào)度規(guī)程文本中對設(shè)備的描述作為電力設(shè)備屬性，通過上述方式構(gòu)建調(diào)控信息層次化知識圖譜，如圖1所示。在圖1中，數(shù)據(jù)層主要以結(jié)構(gòu)化的電網(wǎng)模型信息以及非結(jié)構(gòu)的調(diào)度規(guī)程文本形式存在。數(shù)據(jù)預處理層形成了調(diào)控信息訓練樣本庫。知識抽取層是構(gòu)建知識圖譜的關(guān)鍵，其采用提取-翻譯-加載方法將電網(wǎng)模型數(shù)據(jù)轉(zhuǎn)換為調(diào)控信息知識圖譜的實體和實體間關(guān)系。知識融合層可以對抽取的知識進行標準化以形成統(tǒng)一的知識模型。知識應(yīng)用層基于調(diào)控信息知識圖譜推薦和檢索調(diào)控業(yè)務(wù)操作知識提升調(diào)控業(yè)務(wù)處置效率。圖1

調(diào)控信息知識圖譜構(gòu)建方案Fig.1

ConstructionplanofdispatchingandcontrolinformationknowledgegraphBiLSTM-CRF模型是將BiLSTM模型和CRF進行結(jié)合，模型結(jié)構(gòu)如圖2所示。與此同時，本文將BiLSTM中Softmax層替換為CRF層，以提升調(diào)度運行規(guī)程文本的段落類別識別精確性。BiLSTM將前向與后向LSTM相結(jié)合，以更好地從兩個方向獲取序列特征。本文模型包含向前和向后兩個訓練層，且兩層之間沒有信息流，共同連接一個輸出層。這個結(jié)構(gòu)提供給輸出層輸入序列中每一個點完整的過去和未來上、下文信息。Embedding層將模型輸入特征轉(zhuǎn)化為低維稠密向量。LSTM記憶單元由輸入門、遺忘門、輸出門與存儲記憶單元組合而成，使得序列信息可以更好地向后傳遞。圖2

BiLSTM-CRF模型結(jié)構(gòu)Fig.2

StructureofBiLSTM-CRFmodelCRF通過考慮相鄰標簽的關(guān)系獲得一個全局最優(yōu)的標簽序列。通過學習各類別標注間的約束條件，以彌補BiLSTM網(wǎng)絡(luò)沒有考慮輸出標注間關(guān)系的劣勢。將BiLSTM網(wǎng)絡(luò)計算出的狀態(tài)序列向量作為CRF層的輸入，并通過狀態(tài)轉(zhuǎn)移矩陣，得到整個預測序列的得分。02基于BiLSTM-CRF的調(diào)度規(guī)程文本信息抽取

將電網(wǎng)調(diào)度運行規(guī)程文本轉(zhuǎn)化為超文本標記語言（hypertextmarkuplanguage，HTML）格式，通過分析調(diào)度規(guī)程屬性、內(nèi)容和格式，確定影響文本信息的8維特征，如表1所示。其中文本特征基于正則表達式識別運行規(guī)則文本特定字符、符號或數(shù)字確定，其余7種特征均由HTML格式文本直接生成。表1

特征變量表示Table1

Characteristicvariablerepresentation通過對調(diào)度運行規(guī)程分析，確定20個規(guī)則標題及段落標簽作為模型輸出，20個標簽存在父子關(guān)系，父節(jié)點標簽為待檢索問題，子節(jié)點標簽為檢索所對應(yīng)的解釋內(nèi)容。本文將電網(wǎng)調(diào)度運行規(guī)程20種輸出標簽劃分為10個層級，如表2所示。表2

層級劃分及其標簽類別對應(yīng)關(guān)系Table2

Hierarchyandcorrespondingrelationshipbetweenlabelcategories在模型訓練階段，將前5種特征中的每個特征通過Embedding層轉(zhuǎn)化為3維向量，剩余3種特征利用自身數(shù)值表示，如此形成一個18維的輸入樣本。采用20種信息標簽作為模型輸出。通過樣本訓練基于BiLSTM-CRF的電網(wǎng)調(diào)度規(guī)程信息識別模型，批次大小為16，學習率為0.01，隱藏層維數(shù)為256，神經(jīng)元隨機失活率為0.5，優(yōu)化器為Adam。03算例分析本文試驗數(shù)據(jù)來自某調(diào)控中心，包括電網(wǎng)調(diào)度控制管理規(guī)程、電網(wǎng)調(diào)度控制運行管理細則、電網(wǎng)作業(yè)指導書等調(diào)度規(guī)程文本，將文檔中每一段落作為一條數(shù)據(jù)，累計得到10904條數(shù)據(jù)，按照7∶2∶1的比例將數(shù)據(jù)集劃分為訓練集、驗證集和測試集，得到訓練集、驗證集、測試集數(shù)據(jù)分別為7634、2180、1090條。模型訓練采用GPU顯卡型號為NVIDIAQuadroRTX5000，深度學習框架為Torch1.4.0。本文采用精準率P、召回率R和綜合評價指標F1作為電網(wǎng)運行規(guī)程信息識別結(jié)果的評價指標，即式中：T為正類預測為正類的樣本數(shù)；L為負類預測為正類的樣本數(shù)；N為正類預測為負類的樣本數(shù)?；谡{(diào)度規(guī)程訓練集和驗證集訓練BiSLTM-CRF知識識別模型。采用1090條測試樣本驗證，20種標簽識別效果如表3所示。表3

各類別標簽識別結(jié)果Table3

Labelrecognitionresultsofeachcategory從表3可以看出，文中所提BiSLTM-CRF模型在測試集上取得了較高的識別效果，對于部分調(diào)度規(guī)程段落標簽，其各項評價指標可以達到100%，多數(shù)段落標簽識別指標也超過90%。與此同時，計算20種段落標簽識別效果，其P為98.10%，R為98.19%，F(xiàn)1為98.10%。采用相同數(shù)據(jù)集驗證LSTM模型、BiLSTM模型和BiLSTM-CRF模型對調(diào)度運行規(guī)程信息的識別效果，如圖3所示。圖3

訓練過程準確率Fig.3

Accuracycurveoftrainingprocess從圖3可以看出，隨著訓練迭代次數(shù)增加，3個模型呈現(xiàn)不同程度的收斂速度。相比LSTM和BiLSTM模型，BiLSTM-CRF模型收斂速度較快，損失值較小，準確率較高。對于測試樣本集，各模型性能如表4所示。表4

不同模型性能比較Table4

Performancecomparisonofdifferentmodels采用不同模型計算每條測試樣本的F1，繪制箱型圖如圖4所示。從圖4可以看出BiLSTM-CRF模型的F1要明顯高于BiSLTM和LSTM模型。LSTM模型的F1集中在89.15%~93.11%，個別類別標簽識別準確性在80%，這種情況的原因可能是由于部分標簽之間特征過于相似，模型難以學習到區(qū)分規(guī)程。BiLSTM對調(diào)度規(guī)程整體識別精度有了一定提升，模型的F1提升了2.77%，說明加入反向?qū)W習后，使得模型對運行規(guī)程段落信息特征提取能力更加充分，但還不能解決由于部分標簽之間特征過于相似，使模型難以有效區(qū)分的問題。加入CRF后，模型對各類別標簽識別精度集中于96.60%~99.60%，使得原來難以區(qū)分的段落標簽得到有效區(qū)分，其相對于BiLSTM模型的F1值提升了4.68%。圖4

各模型綜合評價指標F1對比Fig.4

Comparisonofdifferentmodels

F1

value04基于知識圖譜的信息智能檢索融合識別的電網(wǎng)模型知識建立電力實體知識圖譜，融合識別的調(diào)度運行規(guī)程知識建立調(diào)度運行規(guī)程知識圖譜，通過“設(shè)備-廠站-運行規(guī)程”的關(guān)系將上述知識圖譜鏈接建立調(diào)控信息知識圖譜?；谠~頻-逆文件頻率和余弦值計算輸入的調(diào)度檢索語言與知識圖譜實體節(jié)點文本的相似度距離，檢索和推薦出與輸入調(diào)度運行語言最匹配的解釋內(nèi)容。在實際應(yīng)用中，涉及調(diào)度應(yīng)用場景中較多，文中以系統(tǒng)自動感知事件檢索信息和人工檢索信息兩種方式給出典型調(diào)度場景下的應(yīng)用實例，如圖5所示。在電網(wǎng)故障異常、倒閘操作、設(shè)備啟動等場景中，調(diào)控系統(tǒng)可以自動感知相關(guān)事件，將事件輸入到調(diào)控信息知識圖譜中，經(jīng)過知識推理，快速檢索出調(diào)控人員所需要的設(shè)備信息、天氣信息以及調(diào)度規(guī)程精細化信息，快速反饋給調(diào)度員，大幅度提升調(diào)度員對信息檢索和歸集的效率。同時調(diào)控人員也可以通過手動輸入調(diào)度運行語言，并通過調(diào)控信息知識圖譜推理定位檢索內(nèi)容所對應(yīng)的精細化解釋，以減少查找時間。文中所提檢索方法可以精細化地將檢索要點和對應(yīng)的解釋內(nèi)容，與現(xiàn)行單純檢索規(guī)程標題的方法相比，更能夠滿足實際現(xiàn)場的需要。目前基于知識圖譜的調(diào)控信息智能檢索應(yīng)用已經(jīng)在多個調(diào)控中心上線應(yīng)用，調(diào)控業(yè)務(wù)信息檢索平均準確率在95%以上，能夠滿足調(diào)控人員面對海量信息快速增長，對多維信息進行精細化檢索的需求。圖5

基于知識圖譜的調(diào)控信息智能檢索技術(shù)應(yīng)用實例Fig.5

Applicationofintelligentretrievalofdispatchingandcontrolinformationbaseknowledgegraph

05結(jié)語

為了提升不同電網(wǎng)調(diào)控場景下多維信息快速檢索和推薦能力，提出基于知識圖譜的調(diào)控信息智能檢索方法，采用BiLSTM-CRF識別調(diào)度運行規(guī)則知識，通過“設(shè)備-廠站-規(guī)程”的調(diào)度業(yè)務(wù)邏輯關(guān)系融合