知识图谱

在知识图谱的数据层，知识以事实（fact）为单位存储在图数据库．如果以“实体－关系－实体”或者“实体－属性－性值”三元组作为事实的基本表达方式，则存储在图数据库中的所有数据将构成庞大的实体关系网络，形成知识的“图谱”．

模式层在数据层之上，是知识图谱的核心．在模式层存储的是经过提炼的知识，通常采用本体库来管理知识图谱的模式层，借助本体库对公理、规则和约束条件的支持能力来规范实体、关系以及实体的类型和属性等对象之间的联系．本体库在知识图谱中的地位相当于知识库的模具，拥有本体库的知识库冗余知识较少

自顶向下

自底向上（主流）

混合构建

实体抽取

语义类抽取

属性和属性值抽取

关系抽取

传统的知识表示方法主要是以RDF（Resource Description Framework资源描述框架）的三元组SPO（subject,property,object）来符号性描述实体间的关系。

以深度学习为代表的表示学习技术，可以将实体的语义信息表示为稠密低维实值向量，进而在低维空间中高效计算实体、关系及其之间的复杂语义关联，对知识库的构建、推理、融合以及应用均具有重要的意义

代表模型

提取了知识后，由于知识来源广泛，这些知识常常呈现出分散、异构、自治的特点，还有冗余、噪音、不确定、非完备的特征，清洗数据并不能解决这些问题，所以必须对知识进行融合和验证。来自不同知识源的知识在同一框架规范下进行异构数据整合、消歧、加工推理验证、更新等步骤，达到数据、信息、方法、经验以及人的思想融合，形成高质量的知识库。在引入新的知识时，需要判断新知识是否正确，与已有知识是否一致，这里可以用到的证据是权威度、冗余度、多样性、一致性。

实体链接

知识合并

本体构建

知识推理

质量评估

人类所拥有的信息和知识量都是时间的单调递增函数，因此知识图谱的内容也需要与时俱进，其构建过程是一个不断迭代更新的过程

从逻辑上看，知识库的更新包括概念层的更新和数据层的更新

知识图谱的内容更新有２种方式：数据驱动下的全面更新和增量更新

跨语言知识抽取的主要思路是借助于丰富的源语种知识自动化抽取缺失的目标语种知识．

基于翻译的跨语言知识提取模型

知识链接是构建跨语言知识图谱需要解决的关键问题之一，其主要思想是将不同语言表示的相同
知识链接起来，包括模式层的链接和数据层的链接．

模式层链接的核心是本体映射（对齐），其内涵是如果２个本体间如果存在语义上的概念关联，则
通过语义关联实现二者之间的映射，本体映射的目的是实现知识的共享和重用

跨语言本体映射研究的目标是实现不同语言的本体库之间的本体映射，当前主流的做法是使用翻
译工具将其中一种语言的本体库翻译成另外一种语言，从而将跨语种本体映射问题转化为单语种本体
映射问题

基于信息检索的问答系统的基本思路是首先将问题转变为一个基于知识库的结构化查询，从知识库中抽取与问题中实体相关的信息来生成多个候选答案，然后再从候选答案中识别出正确答案

基于语义分析的问答系统的基本思路是首先通过语义分析正确理解问题的含义，然后将问题转变为知识库的精确查询，直接找到正确答案．

是实体集合，是关系集合，代表知识库中的三元组

实体是知识图谱中最基本的元素

概念主要是指集合、类别、对象类型、事物的种类

属性主要是指对象可能具有的属性、特征、特性、特点以及参数

属性值主要指对象指定属性的值

广度，强调融合更多实体，主要应用于智能搜索领域

深度，通常需要依靠特定行业的数据来构建，具有特定的行业意义

数据层主要是由一系列的事实组成，而知识将以事实为单位进行存储。如果用(实体1，关系，实体2)、(实体、属性，属性值)这样的三元组来表达事实，可选择图数据库作为存储介质

模式层构建在数据层之上，主要是通过本体库来规范数据层的一系列事实表达。本体是结构化知识库的概念模板，通过本体库而形成的知识库不仅层次结构较强，并且冗余程度较小

自顶向下

自底向上（主流）

知识抽取主要是面向开放的链接数据，通过自动化的技术抽取出可用的知识单元，知识单元主要包括实体(概念的外延)、关系以及属性3个知识要素，并以此为基础，形成一系列高质量的事实表达，为上层模式层的构建奠定基础。

实体抽取（命名实体学习、命名实体识别）

关系抽取

属性抽取

基于三元组的知识表示形式

以深度学习为代表的表示学习技术

代表模型

复杂关系模型

多源信息融合

独热表示方案假设所有对象都是相互独立的．也就是说，在独热表示空间中，所有对象的向量都是相互正交的，通过余弦
距离或欧氏距离计算的语义相似度均为０．这显然是不符合实际情况的，会丢失大量有用信息

与独热表示相比，表示学习的向量维度较低，有助于提高计算效率，同时能够充分利用对象间的语义信息，从而有效缓解数据稀疏问题

现实世界中的实体是离散的，不同对象之间有明显的界限．人脑通过大量神经元上的激活和抑制存储这些对象，形成内隐世界

每个单独神经元的激活或抑制并没有明确含义，但是多个神经元的状态则能表示世间万物．受到该工
作机制的启发，分布式表示的向量可以看作模拟人脑的多个神经元，每维对应一个神经元，而向量中的
值对应神经元的激活或抑制状态

基于神经网络这种对离散世界的连续表示机制，人脑具备了高度的学习能力与智能水平．表示学习正是对人脑这一工作机制的模仿

现实世界存在层次结构，这种层次或嵌套的结构反映在人脑中，形成了神经网络的层次结构

演绎推理

归纳推理

默认推理

确定性推理

不确定性推理

单调推理

非单调推理

启发式推理

非启发式推理

基于知识的推理

统计推理

直觉推理

为应对愈加复杂的电网安全运行形势，对调度知识体系进行建模、管理与应用，是提升未来电网调度智能化水平
的关键手段之一。该文提出了一种面向电网故障处理辅助决策的知识图谱应用框架，将电网调度操作环节中以大量文本
形式存在的操作规程、处置预案、调度细则等非结构化内容凝练为可表示、可操作、可推理的结构化知识网络。将知识
图谱的构建和应用设计为 5 个层次，包含基础数据层、图谱构建层、信息解析层、推理决策层和人机交互层，并基于电
网故障处理业务场景和需求，将领域知识图谱分为设备实体图谱、概念图谱、业务逻辑图谱和案例图谱等 4 类。之后，
针对各环节的功能实现，分析解决思路与关键技术，从而实现基于知识图谱的故障信息解析判别、智能辅助决策及多维
度的人机交互。最后，对未来知识图谱在电网调度智能辅助决策中的应用和挑战进行了总结和展望。

图

五个层次

基础数据与图谱构成

知识图谱构建技术

故障信息知识解析技术

故障知识推理技术

人机交互技术（在知识图谱的助力下，人机交互技术可在以下几方面得到提升）

基于知识图谱的故障处理流程

电网调控运行作为电力系统运行的“决策大脑”，是集大量数据、机理分析、运行规程和专业经验相结合的综合性决策控制，与以数据驱动、知识引导为特征的新一代人工智能发展思路和演进方向十分相近。在分析新一代人工智能技术特点、电网调控运行业务场景及需求的基础上，提出了未来基于人工智能的调度控制系统设计思路、总体架构和主要功能，并从高性能计算、调控大数据、基于深度学习的电网预测及辨识、基于知识图谱的智能辅助决策以及基于语音交互的调度助手等方面，对其关键技术和潜在应用场景进行了分析。最后对未来人工智能在电网调控中的发展进行了小结和展望。

１）基于历史数据的电网特性及行为分析

２）调控运行知识经验的学习和模拟

智能学习系统

实时运行系统

提出了一种基于迁移学习的电网故障处置文本数据的实体识别技术，该技术可以在少量标注的情况下实现较高准确度的实体识别工作，有效地解决了电网领域小样本数据实体识别准确度较低的问题

构建了电网故障处置知识图谱，该图谱将电网调度领域多源异构数据转化为知识，可实现对多故障类型的决策支撑

基于所建立的电网故障处置知识图谱，实现了故障处置实时辅助决策功能，并嵌套进省地协同故障处置引擎应用中

电网运行断面数据

电网故障处置预案

电网调度控制管理规程 

对《电网调度管理规程》进行预处理

实体识别模型

知识图谱本体模型构建，自顶向下

多源异构数据融合的知识图谱构建

实时辅助知识推理技术

基于深度网络与知识图谱技术，提出一种关联变电站设备多模态信息的故障智能诊断方法

利用深度学习技术和知识图谱方法对采集的多模态数据进行知识提取和融合，构建一个多模态信息融合的语义知识图谱

使用 YOLOv4 算法对故障样本聚类并提取先验框参数

将多模态知识图谱和 YOLOv4 视觉检测相结合，应用到变电站场景中，实现变电站设备的自主预警诊断

将知识图谱技术与视觉检测算法相结合为智能巡检领域提供了一种新的高效决策方法

一是利用知识图谱对采集的信息进行统一表征和存储，构建变电站设备及设备故障的知识图谱库

二是利用 YOLOv4检测算法对无人值守变电站设备进行实时检测，将视觉检测方法和知识图谱相结合，使得机器具备与人类似的联想能力，指导精准开展隐患排查

三是提出设备四诊法( 望—视觉检测，闻—拾音检测，问—知识图谱查询，切—红外检测) ，实现变电站设备智能故障诊断

模型分为两部分

实现流程

知识图谱搭建

YOLOv4 检测模型

实验

电力设备在运行维护中积累了大量包含重要实体信息
的故障文本，然而文本实体边界模糊、术语较多等特点导致
传统实体识别方法训练效率低下，效果难以提升。为此，本
文提出一种新的实体识别方法 I-BRC (integrated algorithm of 
BERT based BiRNN with CRF)。该方法采用字嵌入模型将文
本逐字转化为字向量序列以避免分词处理带来的误差累积；
利用循环神经网络与概率图模型对文本的序列特征信息进行
抽取；集成多个单一类型实体识别器分别独立学习不同类型
实体的特征并采用并行预训练机制提升算法训练效率；最后
利用多类型识别器对识别结果进行整合。此外，通过调整单
一类型实体识别器可以灵活机动地应对不同电力设备的实体
识别任务，避免重复训练，节省计算资源。实验表明，所提
出的 I-BRC 仅需 3 次迭代就可收敛，训练效率大幅度提升；
且该模型的 F1值、精确率、召回率分别达到了 88.0%、86.8%
与 89.2%，相比传统模型性能提升了 7.5%~29.3%，验证了本
文所提模型的有效性与可行性。

准确高效地对电力设备故障文本中各类实体信息进行挖掘并加以分析，对设备维护的智能决策起到关键的作用

本文提出了一种新的实体识别算法 I-BRC (integrated algorithm of 
BERT based BiRNN with CRF），其实现方法与特点如下所示

本文将实体识别看作序列标注任务，通过自动标注文本中每个汉字字符来实现
实体信息的抽取与分类，无需事先对文本进行分词处理，有效避免了误差累积

本文采用 BIEO 序列标注法对文本中的实体进行标注。其中，B 代表该字符为一个实体的开始；I 代表该字符在实体的内部；E 代表该字符为一个实体的结束；O 则代表该字符在任意一个实体的外面。

本文所提出的 I-BRC 故障文本实体识别算法共包含 3 部分

技术介绍

I-BRC算法及其训练机制

电力行业内部会积累规模可观的电力业务数据，自动挖掘电力业务数据中的信息对提升相关
部门业务能力、降低电力行业内巨大运维成本有促进作用。但电力业务数据大多是非结构化数据且
体量庞大繁杂，因此针对如何将电力业务数据中非结构化文本提取出结构化信息这一问题，设计了
基于 Transformer 模型的融合词汇和二元词组特征的命名实体识别模型。在该模型中，通过使用融
合多特征的 BERT 预训练语言模型得到词嵌入表示，并使用 Transformer 模型和条件随机场作为编
码层和解码层，实现电网领域的命名实体识别。通过在电网领域文本的实验表明，所提出的模型在实
体类型识别的准确率为 93.62%，性能优于传统的命名实体识别方法，通过消融实验证明了该命名实
体识别方法的有效性。

神经网络也成为实现命名实体识别的主流方法，其本质是将字符或词映射为词嵌入向量，然后将向量输入具有编码器功能的神经网络，再通过捕捉上下文特征得到每个字符或词的新的表示，最后通过解码器获得准确的标注结果。

与英文命名实体识别不同，中文没有像英文单词用空格分离的分隔符，学者们通常先对文本进行分词然后再进一步处理。

基于以上工作，本文提出一种新的融合词汇和二元词组特征的电力业务数据命名体识别（with lattice bigram-bert transformer CRF，WLB-BTC）模型。

架构图

流程

技术介绍

知识图谱将配电网现有大量半结构化/非结构化文本数
据关联，提高配电网故障处置效率，但配电网多源异构文本
数据难以用于深度学习模型训练且电力领域文本数据的标注
成本较高。本文采用预训练方法构建深度学习模型对故障处
置数据进行命名实体识别，利用知识图谱技术对数据进行知
识存储和应用，辅助调控人员进行故障处置决策。首先，以
配网设备台账数据、故障处置数据、调度规程数据及配网缺
陷库数据为对象，提出配电网故障处置知识图谱的构建框架
和方法；然后，针对配电网可用于深度学习训练的数据量不
足的问题，采用预训练方法构建了 BERT-BiLSTM-CRF*实体
识别模型，实现了配电网领域非结构化知识的抽取；接着，
设计实验证明了本文所构建模型的有效性，模型的 F1_score
达到 86.3%，准确率 Accuracy 达到 95.16%；最后，利用 Neo4j
图数据库对知识图谱进行高度可视化管理，并给出配电网故
障处置知识图谱的应用流程，有效提高配电网调控人员故障
处置决策效率和处置效果。

本文首先以配网设备台账数据、故障处置数据、调度规程数据及配网缺陷库数据为研究对象，设计配电网故障处置知识图谱的构建框架以及构建方法

然后拟构建BERT-BiLSTM-CRF*模型完成故障处置数据的知识抽取工作

最后，将抽取、整理后的结构化知识利用 Neo4j 图数据库进行信息存储、动态更新和可视化呈现，从而有效辅助配电网调控人员进行故障处置决策

配网设备台账数据和配网缺陷库数据

故障处置数据中的故障情况和故障处理经过及原因部分

调度规程数据

流程

知识图谱构建框架

模式层构建

数据层构建

传统的BiLSTM-CRF模型

BERT-BiLSTM-CRF*模型

原始输入层

BERT层

BiLSTM 层

Concatenate 特征串联层

CRF 层

调度决策知识存在于调度规程等文本文件、数据库以
及专家经验中，调度员在故障处理时需要依赖大量的专业知
识支撑、历史和实时电网态势感知，并根据情况变化在短时
间内做出最优决策。针对调度知识复杂，调度决策实时性高
等需求，提出了一种基于知识图谱的配电网故障辅助决策方
法，利用电网调度规则、故障预案以及人工经验知识构建
包含调度知识、故障处理知识、业务流程知识的故障调度
知识图谱，构建以电网拓扑结构形成的知识表征，将故障
预案及故障处理案例以事件簇形式进行关联。结合人工智
能标记语言(artificial intelligence markup language，AIML)
和图算法，实现配电网调度故障的辅助知识问答、案例匹
配以及业务推荐等，通过故障反馈信息和实时决策场景完
成多目标的配电网重构策略生成。最后，研发了具有友好
交互性的故障调度辅助决策应用系统，并已在湖南长沙市
配电网在线投运，验证了所提推荐算法及交互策略的有效
性，表明该系统能够给调控人员提供快速、智能、准确的
辅助决策支持。

随着智能变电站的发展，二次设备更新换代频繁且智能化程度不断提升，以往采用手动测试配置的方法已
难以满足工作需求。提出一种基于知识图谱的二次设备自动配置方法。首先，模拟常规测试核心流程，构建基于
测试任务的信息点、基于设备厂家的信息点检索路径以及基于测试配置信息类型的命名实体知识三类知识图谱。
然后，根据测试设备及测试功能，利用所构建的知识图谱检索需配置信息点，确定设备厂家并基于子图匹配信息
路径。采用改进的 BERT 模型计算配置信息点与描述文本之间的相似性，从而完成映射配置。此外，还加入了端
口地址配置数据字符串校验。实验仿真结果表明，基于知识图谱的二次设备测试自动配置方法合理有效，并具有
极高的准确性。

知识图谱技术作为一种能够描述客观世界中概念、实体间复杂关系的新方法，以强大的知识推理能力被广
泛关注。调度控制中心是电网运行控制的中心枢纽，为了推动智能调控建设，结合知识图谱技术以及调控领域的
具体情况，提出了面向智能调控领域的知识图谱构建方法。进而针对实际调度的需求，提出了用于支撑运行规则
电子化、故障处置、倒闸操作、对话问答等应用场景的知识图谱应用方案。最后，构建了线路故障处置知识图谱，
通过应用表明，所建立的知识图谱能够自动驱动线路故障处置流程，流程判定识别准确率较高，有效地降低了人
工处置风险。

近年来，以深度学习为代表的先进人工智能技术促进了各行业的智能化发展。电网调控作为人工智能技术应用的
重要领域之一，亟需借鉴互联网思维，充分利用人工智能技术，进一步提升电网调控业务的智能化水平。分析总结了人
工智能技术的发展脉络，重点介绍了引发新一代人工智能技术大跨越的深度学习技术。聚焦大电网调控领域，论述了其
对人工智能技术的需求分析。在此基础上，分析了人工智能技术在电网故障辨识、负荷预测、电网智能辅助决策和人机
交互应用等方面的典型应用场景。最后通过电网故障辨识算例，进行了深度学习技术在电网调控应用的探索，可为调控
业务智能化研究与发展提供有益的参考和借鉴。

电网智能辅助决策

作为电力系统的“大脑”，电力调度承担着确保电力系统安全高效经济运行的职责，
其功能主要包括：预测用电负荷，安排发电任务、确定运行方式，监测和分析全系统运行状态，指挥操作、故障处理等

存在问题

基于知识图谱的调度优化决策

基于混合增强智能的调度控制

基于群体智能的协同调度

调度自动化系统的大部分业务知识都零散分布在系统源码、配置文件、数据库和专家的经验里，
无法形象化展示整个系统的业务逻辑。针对调度自动化系统业务关系复杂，业务种类繁多等特点，提出了
一种自底向上和自顶向下相结合的调度自动化系统知识图谱构建方法。通过知识的获取、知识的存储、知
识图谱的展示与应用 3 个步骤，解析结构化和半结构化的数据源，获得调度自动化系统基础平台以及各业
务之间的关联关系，形成系统结构和详细业务知识等信息。构建的调度自动化系统基础平台和业务逻辑知
识图谱，便于对整个系统业务关系的认知，在系统发生故障时，辅助故障分析。

在电力系统中，目前未见关于知识图谱的相关报道。调度自动化系统中的很多知识都是专家的经验，或者以源码、系统文件或者数据的形式零散地分布在系统中，很少有人能够全面掌握所有的业务知识。若仅仅依靠互联网公司基于语义网络的方法，由于缺乏电力专业知识背景，导致建立的知识图谱出现业务不全、准确性不够和专业性不强的问题。

针对调度自动化系统基础平台和应用业务拓扑的特点，本文提出一种自底向上和自顶向下相结合的调度自动化系统知识图谱构建方法。首先采用自底向上的方法构建基础平台的知识图谱，其次采用自顶向下的方法构建业务逻辑知识图谱；再次确定了便于扩展的知识图谱存储结构，最后实现了调度自动化系统业务拓扑关系的可视化展示，为专业运维人员了解调度自动化系统的内部结构和故障辅助分析提供了有力支撑。

图

本文采用自底向上和自顶向下相结合的方法，构建 D5000 系统基础平台和详细业务逻辑的知识图谱。

构建基础平台知识图谱

构建业务逻辑知识图谱

结构图

本体定义表：定义了所有的本体信息以及存储各类实体信息的数据库表名。

实体表：实体表是按照本体进行分类存储的，同一类的实体存储在同一张表中。

本体关系定义表：定义不同本体之间所具有的关系

实体关系表：定义 2 个实体之间的关系。知识图谱的内容采用三元组格式＜实体 1，关系，
实体 2＞进行存储，实体 1 和实体 2 的信息存储在实体表中，关系的详细信息存储在本体关系定义
表中，该存储方式避免了在每条实体关系中都存储详细信息而出现的数据冗余或者数据不一致错误。

1、构建电力行业知识图谱

2、设计电力行业知识问答智能系统

3、可视化的BS界面

存在的问题

国内外研究现状

本体理论

语义相似度计算

知识图谱的构建

Web爬虫框架

问答系统

同义词词林

电力行业本体构建

电力行业知识抽取

电力行业知识存储