面向电网调控信息智能检索的知识图谱构建及应用

01电网调控信息知识图谱构建电网调控信息知识图谱通过业务需求分析，构建知识图谱本体概念框架，以电网设备作为图谱基础本体，与设备相关属性进行链接，通过设备与厂站关联关系，链接全网范围设备，将调度规程文本中对设备的描述作为电力设备属性，通过上述方式构建调控信息层次化知识图谱，如图1所示。在图1中，数据层主要以结构化的电网模型信息以及非结构的调度规程文本形式存在。数据预处理层形成了调控信息训练样本库。知识抽取层是构建知识图谱的关键，其采用提取-翻译-加载方法将电网模型数据转换为调控信息知识图谱的实体和实体间关系。知识融合层可以对抽取的知识进行标准化以形成统一的知识模型。知识应用层基于调控信息知识图谱推荐和检索调控业务操作知识提升调控业务处置效率。图1

调控信息知识图谱构建方案Fig.1

ConstructionplanofdispatchingandcontrolinformationknowledgegraphBiLSTM-CRF模型是将BiLSTM模型和CRF进行结合，模型结构如图2所示。与此同时，本文将BiLSTM中Softmax层替换为CRF层，以提升调度运行规程文本的段落类别识别精确性。BiLSTM将前向与后向LSTM相结合，以更好地从两个方向获取序列特征。本文模型包含向前和向后两个训练层，且两层之间没有信息流，共同连接一个输出层。这个结构提供给输出层输入序列中每一个点完整的过去和未来上、下文信息。Embedding层将模型输入特征转化为低维稠密向量。LSTM记忆单元由输入门、遗忘门、输出门与存储记忆单元组合而成，使得序列信息可以更好地向后传递。图2

BiLSTM-CRF模型结构Fig.2

StructureofBiLSTM-CRFmodelCRF通过考虑相邻标签的关系获得一个全局最优的标签序列。通过学习各类别标注间的约束条件，以弥补BiLSTM网络没有考虑输出标注间关系的劣势。将BiLSTM网络计算出的状态序列向量作为CRF层的输入，并通过状态转移矩阵，得到整个预测序列的得分。02基于BiLSTM-CRF的调度规程文本信息抽取

将电网调度运行规程文本转化为超文本标记语言（hypertextmarkuplanguage，HTML）格式，通过分析调度规程属性、内容和格式，确定影响文本信息的8维特征，如表1所示。其中文本特征基于正则表达式识别运行规则文本特定字符、符号或数字确定，其余7种特征均由HTML格式文本直接生成。表1

特征变量表示Table1

Characteristicvariablerepresentation通过对调度运行规程分析，确定20个规则标题及段落标签作为模型输出，20个标签存在父子关系，父节点标签为待检索问题，子节点标签为检索所对应的解释内容。本文将电网调度运行规程20种输出标签划分为10个层级，如表2所示。表2

层级划分及其标签类别对应关系Table2

Hierarchyandcorrespondingrelationshipbetweenlabelcategories在模型训练阶段，将前5种特征中的每个特征通过Embedding层转化为3维向量，剩余3种特征利用自身数值表示，如此形成一个18维的输入样本。采用20种信息标签作为模型输出。通过样本训练基于BiLSTM-CRF的电网调度规程信息识别模型，批次大小为16，学习率为0.01，隐藏层维数为256，神经元随机失活率为0.5，优化器为Adam。03算例分析本文试验数据来自某调控中心，包括电网调度控制管理规程、电网调度控制运行管理细则、电网作业指导书等调度规程文本，将文档中每一段落作为一条数据，累计得到10904条数据，按照7∶2∶1的比例将数据集划分为训练集、验证集和测试集，得到训练集、验证集、测试集数据分别为7634、2180、1090条。模型训练采用GPU显卡型号为NVIDIAQuadroRTX5000，深度学习框架为Torch1.4.0。本文采用精准率P、召回率R和综合评价指标F1作为电网运行规程信息识别结果的评价指标，即式中：T为正类预测为正类的样本数；L为负类预测为正类的样本数；N为正类预测为负类的样本数。基于调度规程训练集和验证集训练BiSLTM-CRF知识识别模型。采用1090条测试样本验证，20种标签识别效果如表3所示。表3

各类别标签识别结果Table3

Labelrecognitionresultsofeachcategory从表3可以看出，文中所提BiSLTM-CRF模型在测试集上取得了较高的识别效果，对于部分调度规程段落标签，其各项评价指标可以达到100%，多数段落标签识别指标也超过90%。与此同时，计算20种段落标签识别效果，其P为98.10%，R为98.19%，F1为98.10%。采用相同数据集验证LSTM模型、BiLSTM模型和BiLSTM-CRF模型对调度运行规程信息的识别效果，如图3所示。图3

训练过程准确率Fig.3

Accuracycurveoftrainingprocess从图3可以看出，随着训练迭代次数增加，3个模型呈现不同程度的收敛速度。相比LSTM和BiLSTM模型，BiLSTM-CRF模型收敛速度较快，损失值较小，准确率较高。对于测试样本集，各模型性能如表4所示。表4

不同模型性能比较Table4

Performancecomparisonofdifferentmodels采用不同模型计算每条测试样本的F1，绘制箱型图如图4所示。从图4可以看出BiLSTM-CRF模型的F1要明显高于BiSLTM和LSTM模型。LSTM模型的F1集中在89.15%~93.11%，个别类别标签识别准确性在80%，这种情况的原因可能是由于部分标签之间特征过于相似，模型难以学习到区分规程。BiLSTM对调度规程整体识别精度有了一定提升，模型的F1提升了2.77%，说明加入反向学习后，使得模型对运行规程段落信息特征提取能力更加充分，但还不能解决由于部分标签之间特征过于相似，使模型难以有效区分的问题。加入CRF后，模型对各类别标签识别精度集中于96.60%~99.60%，使得原来难以区分的段落标签得到有效区分，其相对于BiLSTM模型的F1值提升了4.68%。图4

各模型综合评价指标F1对比Fig.4

Comparisonofdifferentmodels

F1

value04基于知识图谱的信息智能检索融合识别的电网模型知识建立电力实体知识图谱，融合识别的调度运行规程知识建立调度运行规程知识图谱，通过“设备-厂站-运行规程”的关系将上述知识图谱链接建立调控信息知识图谱。基于词频-逆文件频率和余弦值计算输入的调度检索语言与知识图谱实体节点文本的相似度距离，检索和推荐出与输入调度运行语言最匹配的解释内容。在实际应用中，涉及调度应用场景中较多，文中以系统自动感知事件检索信息和人工检索信息两种方式给出典型调度场景下的应用实例，如图5所示。在电网故障异常、倒闸操作、设备启动等场景中，调控系统可以自动感知相关事件，将事件输入到调控信息知识图谱中，经过知识推理，快速检索出调控人员所需要的设备信息、天气信息以及调度规程精细化信息，快速反馈给调度员，大幅度提升调度员对信息检索和归集的效率。同时调控人员也可以通过手动输入调度运行语言，并通过调控信息知识图谱推理定位检索内容所对应的精细化解释，以减少查找时间。文中所提检索方法可以精细化地将检索要点和对应的解释内容，与现行单纯检索规程标题的方法相比，更能够满足实际现场的需要。目前基于知识图谱的调控信息智能检索应用已经在多个调控中心上线应用，调控业务信息检索平均准确率在95%以上，能够满足调控人员面对海量信息快速增长，对多维信息进行精细化检索的需求。图5

基于知识图谱的调控信息智能检索技术应用实例Fig.5

Applicationofintelligentretrievalofdispatchingandcontrolinformationbaseknowledgegraph

05结语

为了提升不同电网调控场景下多维信息快速检索和推荐能力，提出基于知识图谱的调控信息智能检索方法，采用BiLSTM-CRF识别调度运行规则知识，通过“设备-厂站-规程”的调度业务逻辑关系融合