开云优惠体育网页版入口

专利名称：一种电力数据解析方法、解析系统及电力系统、终端设备、存储介质

专利类型：实用新型专利

专利申请号：CN202410486361.5

专利申请（专利权）人：国网山西省电力公司晋城供电公司
权利人地址：山西省晋城市新市东街1号

专利发明（设计）人：发明人:张丽敏,李继东,李海峰,冯楠,魏晋蒙,张豪,张中兴,王大豪,崔高智,王丹丹,郭锫骐,赫连培育

专利摘要：本申请提供一种电力数据解析方法，包括：采集电力系统中的结构化数据、半结构化数据和非结构化数据，构建不同电力数据类型对应的多个电力知识图谱；构建强化学习模型，其中：环境为电力知识图谱，智能体为电力数据解析算法，状态为电力数据变化结果，动作为电力数据变化值，奖励为解析效果值；响应于用户的解析请求，触发强化学习模型对目标电力数据进行指定轮数的预测解析；解析结束后，对强化学习模型每一轮的输出结果进行整理，形成电力解析数据的奖励值?迭代次数的对应关系图；最后，将对应关系图以及对应的电力数据预测解析结果输出给用户。本申请有效地提高了电力数据解析的准确性和效率，应用于电力系统数据处理领域。

主权利要求：
1.一种电力数据解析方法，其特征在于：包括：
采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱；
构建强化学习模型，其中：模型环境为电力知识图谱，模型智能体为电力数据解析算法，模型状态为电力数据变化结果，模型动作为电力数据变化值，模型奖励为解析效果值；
响应于用户的解析请求，触发强化学习模型对目标电力数据进行指定轮数的预测解析；
解析结束后，对强化学习模型每一轮的输出结果进行整理，形成电力解析数据的奖励值?迭代次数的对应关系图；
最后，将所述对应关系图以及对应的电力数据预测解析结果输出给用户，以供用户对目标电力数据进行合理预测；
所述采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱，具体包括：采用对应的数据获取手段从多种来源处获取电力相关的数据，所述电力相关的数据包括结构化电力数据、半结构化电力数据和非结构化电力数据；其中：结构化电力数据由电力文本数据构成，半结构化电力数据由电力文本数据和电力图片数据组合构成，非结构化电力数据由电力图片数据构成；
采用正则表达式、分词、词性标注、命名实体识别中的一种或多种手段对电力文本数据进行清洗，采用图像增强、去噪、分割中的一种或多种手段对电力图片数据进行清洗；
从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示；
对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱；
将各电力知识图谱存储在适合查询和分析的结构中，并提供相应的接口和服务；
从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中。
2.根据权利要求1所述的电力数据解析方法，其特征在于：所述的从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示，具体包括：对于结构化电力数据和半结构化电力数据，执行以下步骤：
采用分词、去除停用词中的一种或多种手段对经过清洗后的电力文本数据进行预处理，采用图像预处理、标注中的一种或多种手段对经过清洗后的电力图片数据进行预处理；
采用词嵌入手段将经过预处理的电力文本数据转换为密集向量表示，利用卷积神经网络对经过预处理的电力图片数据进行图像特征提。缓蠼缓蟮拿芗蛄勘硎、提取后的图像特征形成对应的训练集；
对训练集中的电力数据进行训练，最后抽取出概念、实体、属性和关系；
对于非结构化电力数据，执行以下步骤：
使用目标检测手段从图片中检测出感兴趣的物体，将这些物体设置为实体；
利用图像分类手段对图片进行分类，识别出图片中的属性，该属性包括主题和场景；
通过图像描述生成手段，生成用于描述图片内容的文本信息，最后抽取出概念、实体、属性和关系；
在完成概念、实体、属性和关系的抽取后，执行以下步骤：
使用预训练模型，分别将抽取出的实体的嵌入量、向量与知识库中的实体的嵌入量、向量，进行相似度匹配，将匹配度最高的抽取实体和知识库实体进行链接，所述知识库由所有的电力知识图谱构成；
将抽取出的各实体作为预训练模型的输入，通过模型输出实体和实体之间的关系概率分布图，最终选择概率最高的关系作为实体之间的分类结果；
在完成实体链接和关系分类之后，执行以下步骤：
将从电力数据中识别出的概念、实体、属性和关系，转换为标准格式的电力知识表示。
3.根据权利要求1所述的电力数据解析方法，其特征在于：在对不同来源和类型的电力知识进行整合的过程中，所述的电力知识，包括：在本轮解析过程中形成的标准格式的新电力知识文本数据、以及在本轮解析之前已经形成的电力知识图谱数据；
所述的对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱，具体包括：采用清洗、分词、词性标注中的一种或多种手段对新电力知识文本数据进行预处理，并将不同来源的电力知识图谱进行统一格式的转换；
利用基于向量表示的手段，将经过预处理后的来自不同数据源的各电力知识数据中的同名实体嵌入到同一向量空间，计算实体之间的相似度，根据计算结果判断它们是否指向同一概念，根据判断结果对这些同名实体进行消歧；
利用基于向量表示的手段，将不同电力知识图谱中的同义关系或相似关系嵌入到同一向量空间，以使嵌入模型对关系的表示进行学习，然后计算不同电力知识图谱中关系之间的相似度，根据计算结果对这些关系进行对齐；
利用本体匹配和映射手段，比较不同电力知识图谱中的本体结构和语义信息，找到相似的部分，进行合并；
利用逻辑推理手段，对各电力知识图谱进行一致性检查后，解决冲突问题；
最后，将经过整合处理后的各电力知识按照电力数据类型的分类，形成多个统一和一致的电力知识图谱。
4.根据权利要求1所述的电力数据解析方法，其特征在于：所述的从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中，具体包括：采用清洗、去重、格式标准化中的一种或多种手段对电力知识图谱数据进行预处理，并将其转换成适合推理的格式，然后：执行如下步骤：使用推理引擎递归式执行预定义的多个推理规则，对实体之间的关系进行匹配，逐步推导出新的电力知识和规律，最后对推理结果进行评估，根据评估结果对各推理规则的优先级进行调整，以对推理过程进行调优；所述的推理规则被规则语言定义为描述电力知识图谱中实体之间的关系和约束；
或执行如下步骤：将电力知识图谱表示成图的形式，利用图计算模型学习图结构中的特征，并通过迭代优化推理出图结构中隐含的电力知识和规律，最后对推理结果进行评估，根据评估结果对图计算模型的参数进行调整，以对推理过程进行调优；
将推理得到的新的电力知识转换为标准格式后集成到原有的电力知识图谱中，并更新已有实体之间的关系，形成更新后的电力知识图谱。
5.一种电力数据解析系统，其特征在于：包括：
电力知识图谱构建单元（10）：用于采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱；
强化学习模型构建单元（20）：用于构建强化学习模型，其中：模型环境为电力知识图谱，模型智能体为电力数据解析算法，模型状态为电力数据变化结果，模型动作为电力数据变化值，模型奖励为解析效果值；
电力数据解析单元（30）：用于响应于用户的解析请求，触发强化学习模型对目标电力数据进行指定轮数的预测解析；
对应关系图生成单元（40）：用于在解析结束后，对强化学习模型每一轮的输出结果进行整理，形成电力解析数据的奖励值?迭代次数的对应关系图；
预测解析结果输出单元（50）：用于将所述对应关系图以及对应的电力数据预测解析结果输出给用户，以供用户对目标电力数据进行合理预测；
所述电力知识图谱构建单元（10），包括：
数据采集模块（101）：用于采用对应的数据获取手段从多种来源处获取电力相关的数据，所述电力相关的数据包括结构化电力数据、半结构化电力数据和非结构化电力数据；其中：结构化电力数据由电力文本数据构成，半结构化电力数据由电力文本数据和电力图片数据组合构成，非结构化电力数据由电力图片数据构成；
数据清洗模块（102）：用于采用正则表达式、分词、词性标注、命名实体识别中的一种或多种手段对电力文本数据进行清洗，采用图像增强、去噪、分割中的一种或多种手段对电力图片数据进行清洗；
知识抽取模块（103）：用于从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示；
知识融合模块（104）：用于对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱；
知识存储模块（105）：用于将各电力知识图谱存储在适合查询和分析的结构中，并提供相应的接口和服务；
知识推理模块（106）：用于从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中。
6.一种电力系统，其特征在于，包括：如权利要求5所述的电力数据解析系统。
7.一种终端设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1 4中任一项所述的电力数据解析方法。
~
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1 4中任一项所述的电力数据解析方法。
~ 说明书 : 一种电力数据解析方法、解析系统及电力系统、终端设备、存
储介质技术领域[0001] 本申请涉及电力系统的技术领域，具体涉及一种电力数据解析方法、解析系统及电力系统、终端设备、存储介质。背景技术[0002] 电力系统是现代社会不可或缺的基础设施之一，其运行状态和效率直接关系到人们的生产生活和国家的发展。目前电力系统数据具有数量级大、种类复杂、多尺度等特征，针对以上特征，电力系统数据以业务领域、时间维度、数据结构分为不同类型。如图1所示，电力系统数据按业务领域大致分为系统运行、企业运营管理、非电能源、非能源数据四个类型。其中系统运行包括新能源及系统发电资源电能生产数据、电网及各分布式资源运行状态监控数据、设备生命周期数据、负荷数据以及柔性负荷、电动汽车(ElectricVehicle，EV)状态数据。企业运营管理数据汇总企业电力的各方面数据，其中包含企业发售电量、用户用电的数据、资源计划、物资管理以及电力市场的价格数据。非电能源领域中也包含一定的电力数据，例如天然气系统供应数据、天然气负荷数据、热力系统供应数据、冷热负荷数据以及能量耦合和转换设备数据。非电能源数据包含天然气等一次和二次能源数据。由于能源之间耦合有着积极的作用，因此彼此之间的数据需要进行共享。非能源包括政策、环境与气象和碳水平等数据，非能源支撑着电力系统的精准负荷预测、合理规划和调度等。电力系统数据按时间维度分为历史数据、在线量测数据、仿真推演数据以及预测数据等。随着数据的增加，电力系统数据的时间维度也逐渐复杂，依据数据结构分为结构化数据、非结构化数据、半结构化数据。[0003] 随着电力系统规模的不断扩大和复杂性的增加，电力数据解析成为了电力系统管理和运营的重要问题。电力数据解析是指对电力系统中的各种数据进行处理和分析，以提取有用的信息和洞察。[0004] 传统的电力数据解析主要依赖于人工经验和规则，即使利用了人工智能技术，也多是一些基于统计学习的模型，这些方法存在着以下缺点：(1)规则编写需要大量的人工经验和专业知识，且难以适应数据变化和异常情况；(2)统计学习模型需要大量的标注数据和特征工程，且难以捕捉数据之间的复杂关系和非线性映射；(3)这些方法通常只针对单一类型或单一维度的数据进行解析或校验，缺乏对多源多维度数据的综合分析能力。也就是说，传统的电力数据解析方法存在效率低下、易出错和难以适应复杂变化的问题。因此，如何提高电力数据解析的准确性和效率成为了当前的研究热点。发明内容[0005] 为了解决上述技术缺陷之一，本申请实施例中提供了一种电力数据解析方法、解析系统及电力系统、终端设备、存储介质。[0006] 根据本申请实施例的第一个方面，提供了一种电力数据解析方法，包括：[0007] 采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱；构建强化学习模型，其中：模型环境为电力知识图谱，模型智能体为电力数据解析算法，模型状态为电力数据变化结果，模型动作为电力数据变化值，模型奖励为解析效果值；响应于用户的解析请求，触发强化学习模型对目标电力数据进行指定轮数的预测解析；解析结束后，对强化学习模型每一轮的输出结果进行整理，形成电力解析数据的奖励值?迭代次数的对应关系图；最后，将所述对应关系图以及对应的电力数据预测解析结果输出给用户，以供用户对目标电力数据进行合理预测。[0008] 优选地，所述采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱，具体包括：采用对应的数据获取手段从多种来源处获取电力相关的数据，所述电力相关的数据包括结构化电力数据、半结构化电力数据和非结构化电力数据；其中：结构化电力数据主要由电力文本数据构成，半结构化电力数据主要由电力文本数据和电力图片数据组合构成，非结构化电力数据主要由电力图片数据构成；采用正则表达式、分词、词性标注、命名实体识别中的一种或多种手段对电力文本数据进行清洗，采用图像增强、去噪、分割中的一种或多种手段对电力图片数据进行清洗；从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示；对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱；将各电力知识图谱存储在适合查询和分析的结构中，并提供相应的接口和服务；从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中。[0009] 优选地，所述的从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示，具体包括：对于结构化电力数据和半结构化电力数据，执行以下步骤：采用分词、去除停用词中的一种或多种手段对经过清洗后的电力文本数据进行预处理，采用图像预处理、标注中的一种或多种手段对经过清洗后的电力图片数据进行预处理；采用词嵌入手段将经过预处理的电力文本数据转换为密集向量表示，利用卷积神经网络对经过预处理的电力图片数据进行图像特征提。缓蠼缓蟮拿芗蛄勘硎、提取后的图像特征形成对应的训练集；选择合适的模型对训练集中的电力数据进行训练，最后抽取出概念、实体、属性和关系；对于非结构化电力数据，执行以下步骤：使用目标检测手段从图片中检测出感兴趣的物体，将这些物体设置为实体；利用图像分类手段对图片进行分类，识别出图片中的属性，该属性包括主题和场景；通过图像描述生成手段，生成用于描述图片内容的文本信息，最后抽取出概念、实体、属性和关系；在完成概念、实体、属性和关系的抽取后，执行以下步骤：使用预训练模型，分别将抽取出的实体的嵌入量、向量与知识库中的实体的嵌入量、向量，进行相似度匹配，将匹配度最高的抽取实体和知识库实体进行链接，所述知识库主要由所有的电力知识图谱构成；将抽取出的各实体作为预训练模型的输入，通过模型输出实体和实体之间的关系概率分布图，最终选择概率最高的关系作为实体之间的分类结果；在完成实体链接和关系分类之后，执行以下步骤：将从电力数据中识别出的概念、实体、属性和关系，转换为标准格式的电力知识表示。[0010] 优选地，在对不同来源和类型的电力知识进行整合的过程中，所述的电力知识，包括：在本轮解析过程中形成的标准格式的新电力知识文本数据、以及在本轮解析之前已经形成的电力知识图谱数据；所述的对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱，具体包括：采用清洗、分词、词性标注中的一种或多种手段对新电力知识文本数据进行预处理，并将不同来源的电力知识图谱进行统一格式的转换；利用基于向量表示的手段，将经过预处理后的来自不同数据源的各电力知识数据中的同名实体嵌入到同一向量空间，计算实体之间的相似度，根据计算结果判断它们是否指向同一概念，根据判断结果对这些同名实体进行消歧；利用基于向量表示的手段，将不同电力知识图谱中的同义关系或相似关系嵌入到同一向量空间，以使嵌入模型对关系的表示进行学习，然后计算不同电力知识图谱中关系之间的相似度，根据计算结果对这些关系进行对齐；利用本体匹配和映射手段，比较不同电力知识图谱中的本体结构和语义信息，找到相似的部分，进行合并；利用逻辑推理手段，对各电力知识图谱进行一致性检查后，解决冲突问题；最后，将经过整合处理后的各电力知识按照电力数据类型的分类，形成多个统一和一致的电力知识图谱。[0011] 优选地，所述的从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中，具体包括：采用清洗、去重、格式标准化中的一种或多种手段对电力知识图谱数据进行预处理，并将其转换成适合推理的格式，然后：执行如下步骤：使用推理引擎递归式执行预定义的多个推理规则，对实体之间的关系进行匹配，逐步推导出新的电力知识和规律，最后对推理结果进行评估，根据评估结果对各推理规则的优先级进行调整，以对推理过程进行调优；所述的推理规则被规则语言定义为描述电力知识图谱中实体之间的关系和约束；或执行如下步骤：将电力知识图谱表示成图的形式，利用图计算模型学习图结构中的特征，并通过迭代优化推理出图结构中隐含的电力知识和规律，最后对推理结果进行评估，根据评估结果对图计算模型的参数进行调整，以对推理过程进行调优；将推理得到的新的电力知识转换为标准格式后集成到原有的电力知识图谱中，并更新已有实体之间的关系，形成更新后的电力知识图谱。[0012] 根据本申请实施例的第二个方面，提供了一种电力数据解析系统，包括：电力知识图谱构建单元：用于采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱；强化学习模型构建单元：用于构建强化学习模型，其中：模型环境为电力知识图谱，模型智能体为电力数据解析算法，模型状态为电力数据变化结果，模型动作为电力数据变化值，模型奖励为解析效果值；电力数据解析单元：用于响应于用户的解析请求，触发强化学习模型对目标电力数据进行指定轮数的预测解析；对应关系图生成单元：用于在解析结束后，对强化学习模型每一轮的输出结果进行整理，形成电力解析数据的奖励值?迭代次数的对应关系图；预测解析结果输出单元：用于将所述对应关系图以及对应的电力数据预测解析结果输出给用户，以供用户对目标电力数据进行合理预测。[0013] 优选地，所述电力知识图谱构建单元，包括：数据采集模块：用于采用对应的数据获取手段从多种来源处获取电力相关的数据，所述电力相关的数据包括结构化电力数据、半结构化电力数据和非结构化电力数据；其中：结构化电力数据主要由电力文本数据构成，半结构化电力数据主要由电力文本数据和电力图片数据组合构成，非结构化电力数据主要由电力图片数据构成；数据清洗模块：用于采用正则表达式、分词、词性标注、命名实体识别中的一种或多种手段对电力文本数据进行清洗，采用图像增强、去噪、分割中的一种或多种手段对电力图片数据进行清洗；知识抽取模块：用于从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示；知识融合模块：用于对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱；知识存储模块：用于将各电力知识图谱存储在适合查询和分析的结构中，并提供相应的接口和服务；知识推理模块：用于从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中。[0014] 根据本申请实施例的第三个方面，提供了一种电力系统，包括：如前所述的电力数据解析系统。[0015] 根据本申请实施例的第四个方面，提供了一种终端设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如前所述的电力数据解析方法。[0016] 根据本申请实施例的第五个方面，提供了一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如前所述的电力数据解析方法。[0017] 本申请实施例为了解决电力数据预测解析这一特定技术问题，针对性地将知识图谱和强化学习融合在一起，形成了专用于电力系统的全新的、可行的、可靠的数据解析方法和系统。本申请实施例中的电力知识图谱，可以将电力系统中的各种实体和关系以图的形式进行建模，帮助电力数据解析系统理解电力系统的拓扑结构、设备特性和运行规律；而本申请实施例中的强化学习模型，可以将电力系统通过知识图谱建模为一个强化学习环境，将数据解析算法视为智能体，通过与环境的交互来学习如何解析电力数据，在解析过程中，可以根据电力系统的实时状态和反馈信息，动态调整解析策略，以适应电力系统的变化和需求。本申请创新性地将二者进行特定结合，通过利用知识图谱的结构化表示和推理能力，更好地整合和利用了不同数据源中的信息，同时，根据电力系统的实时情况进行自主学习和优化，从而提供更灵活和智能的数据解析策略；因此，本方案具有以下优点：(1)无需人工编写规则或者标注数据，降低了人工成本和错误率；(2)无需进行特征工程，可以直接从原始数据中提取有效特征，并且可以处理多种类型和格式的数据；(3)可以捕捉数据之间的复杂关系和非线性映射，并且可以综合考虑多个目标和约束条件；(4)可以适应数据变化和异常情况，并且可以实时更新策略。整体而言，本方案有效地提高了电力数据解析的准确性和效率，其应用可以帮助电力系统运营商和管理者更好地理解和管理电力系统，提高电力系统的安全性、稳定性和效益。[0018] 本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所指出的内容来实现和获得。附图说明[0019] 此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：[0020] 图1为本申请实施例提供的电力系统数据类型汇总图；[0021] 图2为本申请实施例提供的电力数据解析的技术框架图；[0022] 图3为本申请一个实施例提供的电力数据解析系统的结构示意图；[0023] 图4为本申请另一个实施例提供的电力数据解析系统的结构示意图；[0024] 图中：10为电力知识图谱构建单元，20为强化学习模型构建单元，30为电力数据解析单元，40为对应关系图生成单元，50为预测解析结果输出单元，101为数据采集模块，102为数据清洗模块，103为知识抽取模块，104为知识融合模块，105为知识存储模块，106为知识推理模块，107为知识更新模块。具体实施方式[0025] 为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。[0026] 针对背景技术中提到的技术问题，本申请实施例中提供了一种电力数据解析方法，该方法可包括：[0027] 采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱。[0028] 构建强化学习模型，其中：模型环境为电力知识图谱，模型智能体为电力数据解析算法，模型状态为电力数据变化结果，模型动作为电力数据变化值，模型奖励为解析效果值。[0029] 响应于用户的解析请求，触发强化学习模型对目标电力数据进行指定轮数的预测解析。[0030] 解析结束后，对强化学习模型每一轮的输出结果进行整理，形成电力解析数据的奖励值?迭代次数的对应关系图。[0031] 最后，将所述对应关系图以及对应的电力数据预测解析结果输出给用户，以供用户对目标电力数据进行合理预测。[0032] 作为一个优选示例，所述采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱，具体可包括：[0033] 采用对应的数据获取手段从多种来源处(例如电力物联网、企业信息系统、公开文献等)获取电力相关的数据，例如采用数据库的方式从电力业务系统中获取数据，所述电力相关的数据包括结构化电力数据、半结构化电力数据和非结构化电力数据；其中：结构化电力数据主要由电力文本数据构成，半结构化电力数据主要由电力文本数据和电力图片数据组合构成，非结构化电力数据主要由电力图片数据构成；在该步骤中，为了利于后序能够提取出更多的概念、实体和属性信息，对于图片、视频、语音等非结构化电力数据，可先使用OCR技术从中提取出一些相应的电力文本信息。[0034] 对采集到的电力数据进行清洗，以去除无用或错误的数据、统一数据格式和编码、提高电力数据质量，其中，采用属于自然语言处理技术的正则表达式、分词、词性标注、命名实体识别中的一种或多种手段对电力文本数据进行清洗，采用属于图像处理技术的图像增强、去噪、分割中的一种或多种手段对电力图片数据进行清洗。[0035] 利用自然语言处理、图像识别等技术，从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示。[0036] 对不同来源和类型的电力知识进行整合，解决实体消歧、关系对齐、知识冲突等问题，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱。[0037] 利用图数据库或其他存储系统，将各电力知识图谱存储在适合查询和分析的结构中，并提供相应的接口和服务；例如，可以使用Neo4j、OrientDB等图数据库或者RDF、OWL等标准格式来存储知识图谱，并提供Cypher、SPARQL等查询语言和RESTfulAPI等服务接口。[0038] 利用图计算或其他推理技术，从电力知识图谱中挖掘出隐含的电力知识和规律(如因果关系、异常检测、相似度计算等)，并将推理结果添加到对应的电力知识图谱中。[0039] 在具体实施时，随着电力业务数据的变化和增加，对于电力知识图谱的构建，除了以上的步骤，还可包括：[0040] 及时更新电力知识图谱中的概念层和数据层，保持电力知识图谱的新鲜度和有效性。具体地，可使用增量更新或者全量更新的方法对电力知识图谱中的概念层和数据层进行更新，如使用时间戳、版本控制等技术记录电力数据变化，并根据变化情况选择增加、删除或修改相应的电力知识。[0041] 作为一个优选示例，所述的从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示，具体可包括：[0042] 对于结构化电力数据和半结构化电力数据，可执行以下步骤：[0043] 采用分词、去除停用词中的一种或多种手段对经过清洗后的电力文本数据进行预处理，采用图像预处理、标注中的一种或多种手段对经过清洗后的电力图片数据进行预处理，以提高电力数据的洁净度、有效性及适配性等性能。[0044] 采用词嵌入手段(如Word2Vec、GloVe等)将经过预处理的电力文本数据转换为密集向量表示，利用卷积神经网络(如CNN等)对经过预处理的电力图片数据进行图像特征提。缓蠼缓蟮拿芗蛄勘硎、提取后的图像特征形成对应的训练集。[0045] 选择合适的模型对训练集中的电力数据进行训练，最后抽取出概念、实体、属性和关系；在具体实施时，常用的模型包括基于逻辑回归、支持向量机(SVM)、深度学习等模型。[0046] 对于非结构化电力数据，可执行以下步骤：[0047] 使用目标检测手段(如YOLO、FasterR?CNN等)从图片中检测出感兴趣的物体，将这些物体设置为实体。[0048] 利用图像分类手段对图片进行分类，识别出图片中的属性，该属性包括主题和场景。[0049] 通过图像描述生成手段，生成用于描述图片内容的文本信息，最后抽取出概念、实体、属性和关系。[0050] 在完成概念、实体、属性和关系的抽取后，可执行以下步骤：[0051] 使用预训练模型(如BERT)，分别将抽取出的实体的嵌入量、向量与知识库中的实体的嵌入量、向量，进行相似度匹配，将匹配度最高的抽取实体和知识库实体进行链接，所述知识库主要由所有的电力知识图谱构成。[0052] 将抽取出的各实体作为预训练模型的输入，通过模型输出实体和实体之间的关系概率分布图，最终选择概率最高的关系作为实体之间的分类结果。[0053] 在完成实体链接和关系分类之后，可执行以下步骤：[0054] 将从电力数据中识别出的概念、实体、属性和关系，转换为标准格式的电力知识表示。[0055] 以上步骤可以根据具体任务和数据特点进行调整和组合，以实现对概念、实体、属性和关系的准确抽取。[0056] 本申请实施例中的电力知识表示的标准格式，可以为三元组格式，也可以为其他标准格式。假设有一条清洗后的电力数据为：“2019年5月份某地区的电力消费量为5000兆瓦时”，那么可以将这条电力数据解析成以下电力知识表示的三元组：主体(Subject)：2019年5月份某地区，谓词(Predicate)：电力消费量，宾语(Object)：5000兆瓦时。这样的三元组表示了一个特定时间和地区的电力消费量。同时，还可以从中提取出概念、实体、属性和关系，概念：电力消费量，实体：2019年5月份某地区，属性：时间(2019年5月份)、地区(某地区)，关系：电力消费量与时间、地区之间的关系。这些信息可以用于构建电力领域的知识图谱，帮助理解和分析电力数据，进而支持各种应用，比如优化电力供应、节能减排等。[0057] 作为一个优选示例，在对不同来源和类型的电力知识进行整合的过程中，所述的电力知识，可包括：在本轮解析过程中形成的标准格式的新电力知识文本数据、以及在本轮解析之前已经形成的电力知识图谱数据。[0058] 所述的对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱，具体可包括：[0059] 采用清洗、分词、词性标注中的一种或多种手段对新电力知识文本数据进行预处理，并将不同来源的电力知识图谱进行统一格式的转换，例如将RDF格式的电力知识图谱转换成统一的三元组表示。[0060] 利用基于向量表示的手段(如TransE、TransR等)，将经过预处理后的来自不同数据源的各电力知识数据中的同名实体嵌入到同一向量空间，计算实体之间的相似度，根据计算结果判断它们是否指向同一概念，根据判断结果对这些同名实体进行消歧；在具体实施时，除了可以利用基于向量表示的方法来进行实体消歧，还可以利用符号逻辑的方法，通过挖掘实体的属性特征和上下文信息来进行消歧。[0061] 利用基于向量表示的手段(如TransE)，将不同电力知识图谱中的同义关系或相似关系嵌入到同一向量空间，以使嵌入模型对关系的表示进行学习，然后计算不同电力知识图谱中关系之间的相似度，根据计算结果对这些关系进行对齐，确保它们在融合后的电力知识图谱中能够被正确理解和应用。[0062] 利用本体匹配和映射手段，比较不同电力知识图谱中的本体结构和语义信息，找到相似的部分，进行合并。[0063] 利用逻辑推理手段，对各电力知识图谱进行一致性检查后，解决冲突问题。[0064] 最后，将经过整合处理后的各电力知识按照电力数据类型的分类，形成多个统一和一致的电力知识图谱。[0065] 通过以上步骤，可以实现来自不同来源和类型的电力知识的整合，形成统一和一致的电力知识图谱，为后续的电力知识推理和应用提供支持。[0066] 作为一个优选示例，所述的从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中，具体可包括：[0067] 采用清洗、去重、格式标准化中的一种或多种手段对电力知识图谱数据进行预处理，以确保电力知识图谱数据的完整性和一致性，并将其转换成适合推理的格式，然后：[0068] 执行如下步骤：使用推理引擎递归式执行预定义的多个推理规则，对实体之间的关系进行匹配，逐步推导出新的电力知识和规律(如因果关系、相似度等)，最后对推理结果进行评估，检查其准确性和有效性，根据评估结果对各推理规则的优先级进行调整，以对推理过程进行调优；所述的推理规则被规则语言(如Prolog、SWRL等)定义为描述电力知识图谱中实体之间的关系和约束；[0069] 或执行如下步骤：将电力知识图谱表示成图的形式，利用图计算模型(如图神经网络(GNN)、图注意力网络(GAT)、图卷积网络(GCN)等)学习图结构中的特征，并通过迭代优化推理出图结构中隐含的电力知识和规律，最后对推理结果进行评估，检查其准确性和有效性，根据评估结果对图计算模型的参数进行调整，以对推理过程进行调优；例如，使用GNN模型学习图结构中的节点表示，然后利用这些表示进行相似度计算、异常检测等任务。需要说明的是，在上述基于机器学习的推理中，图神经网络(GNN)、图注意力网络(GAT)、图卷积网络(GCN)等图计算模型都是有效的工具，但它们各有特点，适用于不同的场景和任务，因此，在实际运用中需要根据具体的问题和数据特点来选择合适的模型。[0070] 将推理得到的新的电力知识转换为标准格式(如三元组格式)后集成到原有的电力知识图谱中，并更新已有实体之间的关系，形成更新后的电力知识图谱。[0071] 通过以上过程，可以实现从电力知识图谱中挖掘出隐含的知识和规律，包括因果关系、异常检测、相似度计算等，并将推理结果添加到电力知识图谱中，从而丰富和完善电力知识图谱的内容。[0072] 需要说明的是：[0073] 1、在本实施例的规则推理过程中，定义的推理规则是一组逻辑条件和操作，用于从已知事实推导出新的电力知识。每个推理规则都描述了一个特定的推理过程，当满足规则中的条件时，就可以执行规则中定义的操作，以生成新的推理知识或者更新现有的推理知识。更具体地，本实施例中规则推理过程包括：[0074] 规则定义：首先，定义一组规则集合，每条规则包含了条件和操作两部分。条件部分描述了规则的前提条件，即在何种情况下可以执行规则；操作部分描述了规则执行时所要进行的操作，即推导出新的电力知识或更新现有电力知识的过程。[0075] 规则匹配：在推理过程中，将已知的事实与规则进行匹配，以找到满足条件的规则。这个过程涉及到：逐条检查规则的条件部分是否与已知的事实相匹配，如果匹配成功，则可以执行规则中定义的操作。[0076] 规则执行：当某条规则的条件部分与已知的事实相匹配时，就可以执行规则中定义的操作。这可能包括生成新的知识、更新现有知识的状态，或者执行其他操作以满足推理的要求。[0077] 递归应用规则：在推理过程中，会涉及到多条规则的递归应用。即通过执行一条规则生成的新电力知识可能又成为下一条规则的条件，从而触发下一轮的规则匹配和执行。这样的递归过程可以持续进行，直到不再有新的电力知识生成为止。[0078] 知识更新：在推理过程中，生成的新知识可能会影响到已有的知识库。因此，需要及时更新知识库中的信息，以反映推理过程中生成的新知识。[0079] 总的来说，规则推理是一种基于逻辑条件和操作的推理方法，通过定义规则集合并递归地应用规则，可以从已知的事实中推导出新的知识。每条规则对应一个特定的推导过程，当满足规则条件时，就可以执行规则操作以生成新的知识。[0080] 2、在本实施例的机器学习方法中，特别是在利用图神经网络模型进行训练的过程中，通常会存在一个目标函数或者损失函数，用于衡量模型预测结果与真实标签之间的差异，并通过调整模型参数来最小化这个差异，从而实现对隐藏知识和规律的挖掘。在图神经网络的训练过程中，优化目标函数的过程一般是通过梯度下降或者其变种来实现的。具体来说，该过程包括以下步骤：[0081] 定义目标函数：首先，定义一个目标函数或者损失函数，用于衡量模型预测结果与真实标签之间的差异。这个函数通常是任务相关的，可以是分类任务中的交叉熵损失函数、回归任务中的均方误差损失函数等。[0082] 计算损失：在每一轮训练中，对模型输入图数据，通过前向传播计算模型的预测结果，然后将预测结果与真实标签计算损失值。[0083] 反向传播：根据损失值，利用反向传播算法计算模型参数对损失函数的梯度。这一步是目标函数优化的关键，它告诉模型在参数空间中应该朝着哪个方向移动才能降低损失。[0084] 参数更新：根据计算得到的梯度，通过梯度下降或者其他优化算法来更新模型参数，使得损失函数的值逐渐减小。[0085] 迭代优化：重复以上步骤，直到达到预先设定的停止条件，比如达到一定的训练轮数、损失函数收敛到某个阈值等。[0086] 这个迭代优化的过程可以看作是在模型参数空间中搜索最优解的过程，目标是使得模型在训练数据上的预测结果尽可能地接近真实标签。通过不断地迭代优化，模型能够学习到隐藏在数据中的知识和规律，并且逐渐提高其在未见数据上的泛化能力。[0087] 3、在本实施例的评估和调优推理过程时，包括以下步骤：[0088] 评估指标选择：首先，选择适合任务和推理目标的评估指标。这些评估指标可以包括准确率、精确度、召回率、F1分数等，具体选择取决于推理任务的性质和需求。[0089] 推理结果评估：使用所选的评估指标对推理结果进行评估。通过与真实标签或者领域专家的判断进行比较，评估推理结果的准确性、完整性和有效性。[0090] 调优策略选择：根据评估结果，选择合适的调优策略。这可能包括调整规则的优先级、调整参数、增加或删除规则、优化推理策略等。[0091] 优化目标设定：根据任务的需求和实际情况，设定优化目标。优化目标可以是提高推理结果的准确性、降低推理过程的复杂度、提高推理效率等。[0092] 调优过程：根据设定的优化目标，对推理过程进行调优。这可能涉及到多次实验和迭代，通过调整不同的参数和策略来改进推理结果。[0093] 评估调优效果：对调优后的推理结果进行再次评估，检查调优策略的效果和改进程度。如果调优效果不理想，可能需要重新选择策略或者调整优化目标。[0094] 迭代优化：如果需要，可以通过多次迭代优化过程，不断地改进推理过程和结果，以达到更好的效果。[0095] 在整个调优过程中，关键是根据任务需求选择合适的评估指标和优化目标，并采取有效的调优策略来改进推理过程和结果，从而提高推理系统的性能和效果。[0096] 作为一个优选示例，在本申请实施例中的强化学习模型中，使用深度神经网络作为其策略函数或者值函数，这样可以从大量的历史数据中自动学习最优或者次优的解析校验策略，并在新的数据上进行在线或离线地应用。[0097] 在具体实施时，本申请实际上是将电力数据解析问题建模为一个马尔可夫决策过程(MDP)，其中状态表示当前待处理的数据片段，动作表示对该数据片段进行某种解析或校验操作，奖励表示操作后得到的数据质量评估指标。图2为本申请实施例提供的电力数据解析的技术框架，在该技术框架中，将电力数据变化结果作为状态，电力数据的改变，同时也会改变电力数据评估，改变效果越好，评估越高；将电力数据改变量作为动作，不同的改变量造成的效果也不同；将解析效果值作为奖励。需要说明的是，策略函数(PolicyFunction)和值函数(ValueFunction)是本申请中强化学习模型的两个核心概念。1、策略函数是一个确定了在给定状态下应该采取哪个动作的函数；在本实施例中，策略函数可以是一个直接将状态映射到动作的函数，也可以是一个在给定状态下选择动作的概率分布。深度神经网络可以被用来近似这个策略函数，通过对状态的特征进行学习，输出动作或动作概率。2、值函数用于评估在给定状态下采取某个动作的好坏程度，或者预测在给定状态下能够获得的累积奖励的期望值；值函数分为状态值函数(StateValueFunction)和动作值函数(ActionValueFunction)；状态值函数(又称为状态价值函数)表示在特定状态下的预期回报值；动作值函数(又称为动作?状态值函数或Q函数)表示在特定状态下采取特定动作的预期回报值；深度神经网络可以被用来近似值函数，通过对状态和动作的特征进行学习，输出状态值或动作值的估计。这些函数在本实施例的深度强化学习中起到了关键作用，它们的学习和优化可以帮助智能体在环境中学习到最优的行为策略，并在面对新的情况时做出正确的决策；通过大量的历史数据，深度神经网络可以自动学习到这些函数的近似值，并在新的数据上进行在线或离线地应用，从而实现智能体的持续学习和适应能力。[0098] 相应地，本申请实施例还提供了一种电力数据解析系统，如图3所示，该解析系统可包括：[0099] 电力知识图谱构建单元10：用于采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱。[0100] 强化学习模型构建单元20：用于构建强化学习模型，其中：模型环境为电力知识图谱，模型智能体为电力数据解析算法，模型状态为电力数据变化结果，模型动作为电力数据变化值，模型奖励为解析效果值。[0101] 电力数据解析单元30：用于响应于用户的解析请求，触发强化学习模型对目标电力数据进行指定轮数的预测解析。[0102] 对应关系图生成单元40：用于在解析结束后，对强化学习模型每一轮的输出结果进行整理，形成电力解析数据的奖励值?迭代次数的对应关系图。[0103] 预测解析结果输出单元50：用于将所述对应关系图以及对应的电力数据预测解析结果输出给用户，以供用户对目标电力数据进行合理预测。[0104] 作为一个优选示例，如图4所示，所述电力知识图谱构建单元10，可包括：[0105] 数据采集模块101：用于采用对应的数据获取手段从多种来源处获取电力相关的数据，所述电力相关的数据包括结构化电力数据、半结构化电力数据和非结构化电力数据；其中：结构化电力数据主要由电力文本数据构成，半结构化电力数据主要由电力文本数据和电力图片数据组合构成，非结构化电力数据主要由电力图片数据构成；[0106] 数据清洗模块102：用于采用正则表达式、分词、词性标注、命名实体识别中的一种或多种手段对电力文本数据进行清洗，采用图像增强、去噪、分割中的一种或多种手段对电力图片数据进行清洗；[0107] 知识抽取模块103：用于从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示；[0108] 知识融合模块104：用于对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱；[0109] 知识存储模块105：用于将各电力知识图谱存储在适合查询和分析的结构中，并提供相应的接口和服务；[0110] 知识推理模块106：用于从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中。[0111] 在具体实施时，所述电力知识图谱构建单元10，还可包括：[0112] 知识更新模块107：用于使用增量更新或者全量更新的方法对电力知识图谱中的概念层和数据层进行更新。[0113] 相应地，本申请实施例还提供了一种电力系统，可包括：如前所述的电力数据解析系统。[0114] 相应地，本申请实施例还提供了一种终端设备，可包括：[0115] 存储器；[0116] 处理器；以及[0117] 计算机程序；[0118] 其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如前所述的电力数据解析方法。[0119] 相应地，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行以实现如前所述的电力数据解析方法。[0120] 在实际应用中，当用户需要获知未来一段时间内某一数据的预测值时，可向本实施例中的电力数据解析系统发送数据预测解析请求并指定强化学习模型的训练轮数，系统从知识库中获取与预解析数据相关的电力知识图谱数据，进行指定轮数的解析，解析结束后，系统向用户输出一个奖励值?迭代次数的对应关系图以及对应的电力数据预测解析结果，该对应关系图中展示的是每一轮解析对应的奖励值及其趋势曲线，用户看到该对应关系图之后，可以直观地获取到奖励值最高的解析轮数，奖励值高说明预测解析结果越接近实际效果，因此用户在对应地获取到奖励值最高的预测解析结果后，可将该结果作为一个可靠的参考值对未来一段时间内的相应数据进行设定、调整和控制。[0121] 本申请实施例为了解决电力数据预测解析这一特定技术问题，针对性地将知识图谱和强化学习融合在一起，形成了专用于电力系统的全新的、可行的、可靠的数据解析方法和系统。本申请实施例中的电力知识图谱，可以将电力系统中的各种实体和关系以图的形式进行建模，帮助电力数据解析系统理解电力系统的拓扑结构、设备特性和运行规律；而本申请实施例中的强化学习模型，可以将电力系统通过知识图谱建模为一个强化学习环境，将数据解析算法视为智能体，通过与环境的交互来学习如何解析电力数据，在解析过程中，可以根据电力系统的实时状态和反馈信息，动态调整解析策略，以适应电力系统的变化和需求。本申请创新性地将二者进行特定结合，通过利用知识图谱的结构化表示和推理能力，更好地整合和利用了不同数据源中的信息，同时，根据电力系统的实时情况进行自主学习和优化，从而提供更灵活和智能的数据解析策略；因此，本方案具有以下优点：(1)无需人工编写规则或者标注数据，降低了人工成本和错误率；(2)无需进行特征工程，可以直接从原始数据中提取有效特征，并且可以处理多种类型和格式的数据；(3)可以捕捉数据之间的复杂关系和非线性映射，并且可以综合考虑多个目标和约束条件；(4)可以适应数据变化和异常情况，并且可以实时更新策略。整体而言，本方案有效地提高了电力数据解析的准确性和效率，其应用可以帮助电力系统运营商和管理者更好地理解和管理电力系统，提高电力系统的安全性、稳定性和效益。[0122] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD?ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，C语言、VHDL语言、Verilog语言、面向对象的程序设计语言Java和直译式脚本语言JavaScript等。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在方框图一个方框或多个方框中指定的功能的步骤。此外，在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。[0123] 尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。[0124] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

专利地区：山西

专利申请日期：2024-04-22

专利公开日期：2024-10-08

专利公告号：CN118396162B