公开/公告号CN112632288A
专利类型发明专利
公开/公告日2021-04-09
原文格式PDF
申请/专利权人 深圳供电局有限公司;
申请/专利号CN202011468894.9
申请日2020-12-15
分类号G06F16/36(20190101);G06F16/33(20190101);G06F40/295(20200101);G06Q10/06(20120101);G06Q50/06(20120101);
代理机构44238 深圳汇智容达专利商标事务所(普通合伙);
代理人潘中毅
地址 518000 广东省深圳市罗湖区深南东路4020号电力调度通信大楼
入库时间 2023-06-19 10:32:14
技术领域
本发明涉及电网调度技术领域,尤其涉及一种基于知识图谱的电力调度系统及方法。
背景技术
在配电网调度自动化与信息化的建设中,利用智能虚拟调度员代替人工调度员进行现场调度信息的接收、验证与发送等,有利于减少调度员的单一重复性工作量,提高配电调度的自动化程度和调度员的分析决策效率。由于配电网调度涉及到大量的电力设备以及相关的设备状态和操作信息,近年来已有不少研究采用知识图谱对配电调度信息进行更为有效的组织和分析。
但在实际调度工作中,现场人员通常都以自然语言的形式对调度信息进行复诵或汇报,在控制室的调度操作人员根据现场人员的指令,手动对电力电网进行调度,效率较低,自动化程度不高。
发明内容
本发明所要解决的技术问题在于,提出一种基于知识图谱的电力调度系统及方法,以提高电力调度的效率。
为了解决上述技术问题,本发明提供一种基于知识图谱的电力调度系统,所述电力调度系统包括语音获取子系统和调度决策子系统;
所述语音获取子系统与所述调度决策子系统连接;
所述语音获取子系统用于获取电力人员发送的语音信息,并识别所述语音信息的特征信息,将所述语音信息和特征信息发送给所述调度决策子系统;
所述调度决策子系统包括:信息接收模块、知识图谱控制模块和调度指令生成模块;
所述信息接收模块和所述知识图谱控制模块连接;
所述知识图谱控制模块和调度指令生成模块连接;
所述信息接收模块接收所述语音信息和特征信息,并将所述语音信息和特征信息发送给所述知识图谱控制模块;
所述知识图谱控制模块用于从预设的调度知识图谱库中,获取与所述特征信息和语音信息相对应的调度决策,并将所述调度决策发送给所述调度指令生成模块;
所述调度指令生成模块用于根据所述调度决策生成调度指令,并将所述调度指令输出给电力调度执行机构自动执行。
进一步地,所述语音获取子系统包括意图识别模块和自然语言处理模块;
所述意图识别模块用于根据所述语音信息获取电力人员当前的意图特征信息;
所述自然语言处理模块用于采用自然语言处理技术,识别所述语音信息中命名实体的特征信息。
进一步地,所述调度知识图谱库的构建方法包括:
根据预设调度规程,获取多项调度决策概念;
解构所述预设调度规程,确定所述多项调度决策概念之间的关系;
对所述预设调度规程进行学习,生成实体抽取规则;
根据所述多项调度决策概念和所述关系构建模式层;
根据所述实体抽取规则对预设调度实例进行实体学习,抽取所述预设调度实例中的实体,并采用所述实体构建数据层;
采用所述模式层和所述数据层构建决调度知识图谱库。
进一步地,所述调度知识图谱库包括配电网知识图谱,所述配电网知识图谱的构建方法包括:
利用配电网台账和操作规范,构建包含配电网电力站点的类型和名称、设备的类型和名称、设备状态类型和操作类型的配电网知识图谱。
进一步地,所述根据预设调度规程,获取多项调度决策概念的步骤,包括:
获取电力调度决策术语;
基于预设调度规程从所述电力调度决策术语中抽取概念术语,构成多项调度决策概念。
进一步地,所述对所述预设调度规程进行学习,生成实体抽取规则的步骤,包括:
从所述预设调度规程中抽取通用句式;
对所述通用句式进行学习,生成实体抽取规则。
进一步地,所述知识图谱控制模块包括特征信息匹配单元和调度决策获取单元;
所述特征信息匹配单元将所述特征信息与知识图谱库中的所有实体依次进行匹配,获取与特征信息在知识图谱中对应的实体;
所述调度决策获取单元用于获取与对应的实体相匹配的调度决策。
进一步地,所述语音获取子系统用于获取电力人员发送的语音信息,并识别所述语音信息的特征信息,具体包括:
对输入语句进行分词处理;
对分词处理得到的词语进行词性标注,并对得到的词语进行命名实体识别和实体链接以作为所述语音的特征信息。
本发明还提供一种基于知识图谱的电力调度方法,包括:
获取电力人员发送的语音信息,并识别所述语音信息的特征信息;
从预设的调度知识图谱库中,获取与所述特征信息和语音信息相对应的调度决策;
根据所述调度决策生成调度指令,并将所述调度指令输出给电力调度执行机构自动执行。
进一步地,所述调度知识图谱库的构建方法包括:
根据预设调度规程,获取多项调度决策概念;
解构所述预设调度规程,确定所述多项调度决策概念之间的关系;
对所述预设调度规程进行学习,生成实体抽取规则;
根据所述多项调度决策概念和所述关系构建模式层;
根据所述实体抽取规则对预设调度实例进行实体学习,抽取所述预设调度实例中的实体,并采用所述实体构建数据层;
采用所述模式层和所述数据层构建决调度知识图谱库。
本发明实施例的有益效果在于:能够自动识别现场人员的指令,根据现场人员的指令结合知识图谱,对电力电网自动进行调度,有效提高了电力调度的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一一种基于知识图谱的电力调度系统的结构框图。
图2为本发明实施例二一种基于知识图谱的电力调度方法的流程示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
请参照图1所示,本发明实施例一提供一种基于知识图谱的电力调度系统,所述电力调度系统包括语音获取子系统和调度决策子系统。
所述语音获取子系统与所述调度决策子系统连接,所述语音获取子系统用于获取电力人员发送的语音信息,并识别所述语音信息的特征信息,将所述语音信息和特征信息发送给所述调度决策子系统;
所述调度决策子系统包括:信息接收模块、知识图谱控制模块和调度指令生成模块;所述信息接收模块和所述知识图谱控制模块连接;所述知识图谱控制模块和调度指令生成模块连接。
所述信息接收模块接收所述语音信息和特征信息,并将所述语音信息和特征信息发送给所述知识图谱控制模块;所述知识图谱控制模块用于从预设的调度知识图谱库中,获取与所述特征信息和语音信息相对应的调度决策,并将所述调度决策发送给所述调度指令生成模块;所述调度指令生成模块用于根据所述调度决策生成调度指令,并将所述调度指令输出给电力调度执行机构自动执行。
本实施例中,调度指令包括发电机出力数值、调整负荷分布、投切电容器、电抗器等指令。
具体的,所述语音获取子系统包括意图识别模块和自然语言处理模块;
所述意图识别模块用于根据所述语音信息获取电力人员当前的意图特征信息;
所述自然语言处理模块用于采用自然语言处理技术,识别所述语音信息中命名实体的特征信息。
进一步,所述调度知识图谱库的构建方法包括:
根据预设调度规程,获取多项调度决策概念;
解构所述预设调度规程,确定所述多项调度决策概念之间的关系;
对所述预设调度规程进行学习,生成实体抽取规则;
根据所述多项调度决策概念和所述关系构建模式层;
根据所述实体抽取规则对预设调度实例进行实体学习,抽取所述预设调度实例中的实体,并采用所述实体构建数据层;
采用所述模式层和所述数据层构建决调度知识图谱库。
进一步,所述调度知识图谱库包括配电网知识图谱,所述配电网知识图谱的构建方法包括:
利用配电网台账和操作规范,构建包含配电网电力站点的类型和名称、设备的类型和名称、设备状态类型和操作类型的配电网知识图谱。
进一步,所述根据预设调度规程,获取多项调度决策概念的步骤,包括:
获取电力调度决策术语;
基于预设调度规程从所述电力调度决策术语中抽取概念术语,构成多项调度决策概念。
电力调度文本在表达模式上存在一些相对固定的规律,例如电力设备常用“北舍47010开关”、“塘兴G224线”等地名+字符专名+普通名词的模式进行表示,设备状态的切换通常用“由热备用改为冷备用”、“由跳闸改停用”等介宾+ 动宾的模式进行表达。因此,通过某个词上下文的词性组合可以推测出该词的一些语义信息,比如通过“名词+介词+名词+动词+名词”的词性组合可以在未知具体词语的条件下推测中间的名词可能为“热备用”、“跳闸”等表示状态的词,说明上下文词性可以代表词的部分特征,统称为词性特征。假设调度文本语料中共包含V个词(不含重复词)和V'种词性(不含重复词性),要生成的词性特征向量维数与语义特征向量维数相同,为D维,将某一句调度文本第i个词(中心词)的one-hot向量wi(V维)输入模型,首先与V行D列的输入矩阵T1'相乘得到一个D维向量,再将D维向量和输出矩阵T2'相乘。由于词性特征是基于词性而非词语本身对中心词的特征进行表示,模型输出对应的是词性,相应的输出矩阵T2'的维数应与词性数量相适应,所以T2'为D行V'列的矩阵。与T2'相乘后,再经过softmax函数和向量最大值置1等变换,得到词性的one-hot向量预测。词性特征模型的预测结果不仅包含了上下文词语的词性one-hot向量p'i-2、 p'i-1、p'i+1和p'i+2(均为V'维),也包含中心词本身的词性one-hot向量p'i(V'维),因为中心词的词性同样属于词性组合的一部分,对于中心词的词义也有表征作用。最后比较这些词性one-hot向量预测结果与真实词性one-hot向量的差异,通过反向传播算法训练矩阵T1'和T2'的参数。训练完成后,输入矩阵T1'的每一行就代表语料中一个词的D维词性特征向量。
进一步,所述对所述预设调度规程进行学习,生成实体抽取规则的步骤,包括:
从所述预设调度规程中抽取通用句式;
对所述通用句式进行学习,生成实体抽取规则。
为了在监督学习的过程中对文本特征进行更深层次的提取,近年来有不少研究在实体链接任务中引入基于深度学习神经网络的语义匹配模型,主要包括基于循环神经网络的语义匹配模型和基于卷积神经网络的语义匹配模型。基于词汇语义特征的跳跃卷积神经网络(Lexical Semantic Feature based Skip Convolution Neural Network,LSF-SCNN)就是一种基于卷积神经网络的语义匹配模型,但加入了词汇语义特征(LexicalSemanticFeature,LSF)对待匹配文本词语之间的内在语义联系进行了表示,加强了两条待匹配文本特征矩阵之间的联系。
进一步,所述知识图谱控制模块包括特征信息匹配单元和调度决策获取单元;
所述特征信息匹配单元将所述特征信息与知识图谱库中的所有实体依次进行匹配,获取与特征信息在知识图谱中对应的实体;
所述调度决策获取单元用于获取与对应的实体相匹配的调度决策。
进一步,所述语音获取子系统用于获取电力人员发送的语音信息,并识别所述语音信息的特征信息,具体包括:
对输入语句进行分词处理;
对分词处理得到的词语进行词性标注,并对得到的词语进行命名实体识别和实体链接以作为所述语音的特征信息。
在提取电力调度文本的语义特征时,相比于对整个句子进行特征提取,对每个词的语义特征进行提取可以捕捉到更小粒度的文本语义信息。因此,首先对调度文本进行分词,然后采用word2vec方法生成每个词的语义特征向量。 word2vec包括两种结构,分别为连续词袋(Continuous Bag-of-Words,CBOW)和 Skip-gram,其中Skip-gram能充分地提取低频词的语义特征,更适合于包含大量地名、编号等低频词语的电力调度文本,因此采用Skip-gram模型生成电力调度文本的每个词的语义特征向量。假设调度文本语料中共有V个词(不含重复词),要生成的语义特征向量为D维,Skip-gram模型的窗口大小为2(即分别对中心词前2个词和后2个词进行预测),将某一句调度文本第i个词(中心词)的 one-hot向量wi(V维)输入模型,经过输入矩阵T1(V行D列)、输出矩阵T2(D 行V列)和softmax函数的变换后,将向量的最大值位置取为1,其余位置取为0,得到上下文共4个词的one-hot向量预测w'i-2、w'i-1、w'i+1和w'i+2(均为V维),并比较它们与真实one-hot向量的差异,通过反向传播算法训练矩阵T1和T2的参数。训练完成后,输入矩阵T1的每一行就代表语料中一个词的D维语义特征向量。
请再参照图2所示,相应于本发明实施例一的基于知识图谱的电力调度系统,本发明实施例二提供一种基于知识图谱的电力调度方法,该方法包括:
S1:获取电力人员发送的语音信息,并识别所述语音信息的特征信息;
S2:从预设的调度知识图谱库中,获取与所述特征信息和语音信息相对应的调度决策;
S3:根据所述调度决策生成调度指令,并将所述调度指令输出给电力调度执行机构自动执行。
进一步,所述调度知识图谱库的构建方法包括:
根据预设调度规程,获取多项调度决策概念;
解构所述预设调度规程,确定所述多项调度决策概念之间的关系;
对所述预设调度规程进行学习,生成实体抽取规则;
根据所述多项调度决策概念和所述关系构建模式层;
根据所述实体抽取规则对预设调度实例进行实体学习,抽取所述预设调度实例中的实体,并采用所述实体构建数据层;
采用所述模式层和所述数据层构建决调度知识图谱库。
通过上述说明可知,本发明实施例的有益效果在于:能够自动识别现场人员的指令,根据现场人员的指令结合知识图谱,对电力电网自动进行调度,有效提高了电力调度的效率。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
机译: 一种基于知识图谱的多用户游戏服务提供方法及其装置
机译: 基于知识图谱上的经验路径提供游戏服务的方法及使用该方法的装置
机译: 基于本体的知识图谱诊断知识的方法