基于双重图结构结合双监督的电网调度认知图谱生成方法技术

本发明专利技术涉及一种基于双重图结构结合双监督的电网调度认知图谱生成方法，包括以下步骤：步骤S1:获取电网调度相关的数据集；步骤S2:构建出对应的知识图谱结构；步骤S3:获取节节点表示信息，动作边表示信息，人机交互指令信息；步骤S5:更新子图中的图注意力机制融合模型;步骤S6:利用图注意力机制融合模型和图表示学习机制对历史离线数据集进行表示学习，一方面融合环境中的时空因子，另一方面基于双重图结构结合双监督机制生成应用于电网调度的认知图谱。本发明专利技术可以有效提升指令推荐的准确性和合理性，提高指令动作的质量，最终使得产生的决策效果更优。产生的决策效果更优。产生的决策效果更优。

Cognitive map generation method of power grid dispatching based on double graph structure and double supervision

【技术实现步骤摘要】
基于双重图结构结合双监督的电网调度认知图谱生成方法


[0001]本专利技术涉及电网智能调度领域，具体涉及一种基于双重图结构结合双监督的电网调度认知图谱生成方法。

技术介绍

[0002]现存的大多数基于深度学习的电网认知图谱生成方法在对知识图谱中的实体和关系(或动作)进行表示学习的时候，仅将实体和关系直接初始化为指定维度向量进行拟合,未考虑周围环境对实体表示的具体影响，造成实体表达的解耦性较弱。
[0003]现存的大多数基于深度学习的电网认知图谱生成方法在对知识图谱中的实体和关系(或动作)进行表示学习的时候，未考虑线上人机交互信息，这导致离线数据训练出来的认知知识图谱不能很好地完成线上的推荐或推理任务。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于双重图结构结合双监督的电网调度认知图谱生成方法，有效提升指令推荐的准确性和合理性，提高指令动作的质量，最终使得产生的决策效果更优。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于双重图结构结合双监督的电网调度认知图谱生成方法，包括以下步骤：
[0007]步骤S1:获取电网调度相关的数据集；
[0008]步骤S2:基于电网调度的先验知识结合电网调度相关的实体状态和相应的调度动作构建出对应的知识图谱结构；
[0009]步骤S3:根据知识图谱结构以及各个电网调度相关实体状态转换的关系对节点和电网调度命令进行图表示学习，其中实体节点状态由电网数据本身特征，资源数据，环境数据和作业数据在子图中通过图注意力机制融合得到，而动作边对应与历史数据集中的指令动作集合，通过神经网络对其进行初始化；
[0010]步骤S4:根据得到的节点表示和动作边表示，通过线上人机交互指令信息，对电网调度工作人员的指令票使用历史数据中的指令集表示集合进行表示学习,得到的节点表示信息，动作边表示信息，人机交互指令信息；
[0011]步骤S5:基于步骤S4中得到的节点表示信息，动作边表示信息，人机交互指令信息,首先使用动作边信息和节点表示信息使用graph embedding对子图中的节点相关信息进行图注意力机制融合模型训练，然后线上使用线上人机交互指令信息和基于认知图谱推理的指导动作信息进行对抗学习，约束更新应用于子图中的图注意力机制融合模型；
[0012]步骤S6:利用图注意力机制融合模型和图表示学习机制对历史离线数据集进行表示学习，一方面融合环境中的时空因子，另一方面基于双重图结构结合双监督机制生成应用于电网调度的认知图谱。
[0013]进一步的，所述电网调度相关的数据集包括电网数据，环境数据，资源数据，作业
数据，以及调度指令动作集。
[0014]进一步的，所述步骤S2具体为：
[0015]步骤S2
‑
1:将每个电网节点的状态作为知识图谱中的一个实体节点，其中每个实体节点由包含数个时空因子节点的子图来表示；将针对每个电网节点状态做出的指令动作作为实体节点间的关联边；步骤S2
‑
2：对整个数据集电网节点状态依据指令动作对应的边进行关联，最终构成一张包含数据集中电网节点状态和指令动作的知识图谱。
[0016]进一步的，所述步骤S3具体为：
[0017]步骤S3
‑
1:根据电网节点状态，定义出每个电网节点状态所对应的实体类，实体类的个数定义为n；同时定义每个状态输入的维度大小为embed_size；
[0018]步骤S3
‑
2:根据每个包含数个的时空因子节点的子图对实体类每个电网节点状态进行表示学习初始化，初始化向量的维度为embed_size；
[0019]定义的一个基于图注意力机制的消息传递函数GA_f，作用为在节点状态中嵌入环境信息：
[0020][0021][0022]其中i和j表示相邻的两个节点的下标，k表示邻居节点的小标，第一个式子求出的是注意力机制的系数，第二个式子中是对邻居节点信息基于图注意力机制进行融合，这些子图的邻居节点表示时空因子信息，其中每个子图都共享图注意力机制卷积核参数；
[0023]步骤S3
‑
3:定义指令动作的初始化向量维度为1*embed_size；
[0024]步骤S3
‑
4:依据相关节点状态下指令动作数据集，从中获取对应的记录，该记录中包含n个实体类对应的实例记录，作为一个n元组；基于n元组，从中生成对应存在关系的(状态i，指令动作r，状态j)的三元组，这类三元组的个数记作k，将这k个三元组作为成熟的图表示学习算法transH的输入，共同进行损失训练，生成电网节点状态集和指令动作集对应的Embedding。
[0025]进一步的，所述步骤S4具体为：
[0026]步骤S4
‑
1:根据得到的节点表示和动作边表示，对基于线上人机交互的指令动作信息进行嵌入表示；
[0027]步骤S4
‑
2:在离线历史数据集中指令动作和节点状态共同进行图表示学习的基础上，添加基于线上人机交互指令信息的动作监督约束，对初步训练得到的图嵌入模型进行表示学习增强和参数微调,完成双监督机制下的图表示学习模型构建。
[0028]进一步的，所述步骤S5具体为:
[0029]步骤S5
‑
1：对输入数据集进行处理，然后抽取出影响每个电网节点状态的共享时空因子，然后以共享时空因子构建子图用于向节点中嵌入环境信息，最后将子图抽象为graph embedding中的一个节点，构成节点网络，其中子图中包含时空因子f(1,...n),这些时空因子用于嵌入到节点特征中；
[0030]步骤S5
‑
2：由子图定义完抽象节点，这些节点作为graph embedding中的节点，边
使用神经网络进行初始化；
[0031]步骤S5
‑
3：设置训练的迭代次数epochs，从epochs等于1开始训练；
[0032]步骤S5
‑
4：由节点信息和指令信息使用TransH进行graph embedding嵌入模型训练；
[0033]步骤S5
‑
5：计算节点的嵌入表示加上邻边的嵌入表示和相邻节点的损失函数最小化，对模型参数进行更新；
[0034]步骤S5
‑
6：在epochs定义的值范围内，重复步骤S5
‑
3，获得初步基于双重图结构的图嵌入模型；
[0035]步骤S5
‑
7：获取线上人机交互指令信息，使用初步获得的基于双重图结构的图嵌入模型对指令信息进行表示学习；
[0036]步骤S5
‑
8：计算节点的嵌入表示加上指令的嵌入表示和相邻节点的损失函数最小化，对模型参数进行更新；
[0037]步骤S5
‑
9：在epochs定义的值范围内，重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双重图结构结合双监督的电网调度认知图谱生成方法，其特征在于，包括以下步骤：步骤S1:获取电网调度相关的数据集；步骤S2:基于电网调度的先验知识结合电网调度相关的实体状态和相应的调度动作构建出对应的知识图谱结构；步骤S3:根据知识图谱结构以及各个电网调度相关实体状态转换的关系对节点和电网调度命令进行图表示学习，其中实体节点状态由电网数据本身特征，资源数据，环境数据和作业数据在子图中通过图注意力机制融合得到，而动作边对应与历史数据集中的指令动作集合，通过神经网络对其进行初始化；步骤S4:根据得到的节点表示和动作边表示，通过线上人机交互指令信息，对电网调度工作人员的指令票使用历史数据中的指令集表示集合进行表示学习,得到的节点表示信息，动作边表示信息，人机交互指令信息；步骤S5:基于步骤S4中得到的节点表示信息，动作边表示信息，人机交互指令信息,首先使用动作边信息和节点表示信息使用graph embedding对子图中的节点相关信息进行图注意力机制融合模型训练，然后线上使用线上人机交互指令信息和基于认知图谱推理的指导动作信息进行对抗学习，约束更新应用于子图中的图注意力机制融合模型；步骤S6:利用图注意力机制融合模型和图表示学习机制对历史离线数据集进行表示学习，一方面融合环境中的时空因子，另一方面基于双重图结构结合双监督机制生成应用于电网调度的认知图谱。2.根据权利要求1所述的基于双重图结构结合双监督的电网调度认知图谱生成方法，其特征在于，所述电网调度相关的数据集包括电网数据，环境数据，资源数据，作业数据，以及调度指令动作集。3.根据权利要求1所述的基于双重图结构结合双监督的电网调度认知图谱生成方法，其特征在于，所述步骤S2具体为：步骤S2
‑
1:将每个电网节点的状态作为知识图谱中的一个实体节点，其中每个实体节点由包含数个时空因子节点的子图来表示；将针对每个电网节点状态做出的指令动作作为实体节点间的关联边；步骤S2
‑
2：对整个数据集电网节点状态依据指令动作对应的边进行关联，最终构成一张包含数据集中电网节点状态和指令动作的知识图谱。4.根据权利要求1所述的基于双重图结构结合双监督的电网调度认知图谱生成方法，其特征在于，所述步骤S3具体为：步骤S3
‑
1:根据电网节点状态，定义出每个电网节点状态所对应的实体类，实体类的个数定义为n；同时定义每个状态输入的维度大小为embed_size；步骤S3
‑
2:根据每个包含数个的时空因子节点的子图对实体类每个电网节点状态进行表示学习初始化，初始化向量的维度为embed_size；定义的一个基于图注意力机制的消息传递函数GA_f，作用为在节点状态中嵌入环境信息：
其中i和j表示相邻的两个节点的下标，k表示邻居节点的小标，第一个式子求出的是注意力机制的系数，第二个式子中是对邻居节点信息基于图注意力机制进行融合，这些子图的邻居节点表示时...

【专利技术属性】
技术研发人员：高俊彦，梁芙蓉，陈宇星，殷自力，李宽宏，张功林，张振宇，甘乾昕，黄亦昕，李英，许宇航，张水长，林艺滨，曾志川，陈祎超，吴桐，赵建伟，李琦，黄章斌，罗华玥，韩超，俞晓雯，许志导，臧志斌，赵光，童明建，
申请(专利权)人：国网福建省电力有限公司厦门供电公司，
类型：发明
国别省市：