基于知识图谱的微电网调度策略智能检索系统及方法技术方案

本发明专利技术涉及一种基于知识图谱的微电网调度策略智能检索系统和方法。本发明专利技术借助知识图谱涉及的命名实体识别等自然语言处理技术，结合机器学习特别是深度学习等人工智能技术，利用微电网调度相关文献、资料构建了微电网运行调度领域的知识图谱，搭建了基于知识图谱的微电网调度策略检索系统架构，制定了系统工作原理过程及关键技术环节；根据获取的各微电网实时运行数据，通过逻辑判断、内容分词、实体识别等环节将微电网当前运行状态映射到微电网调度领域知识图谱中的实体和关系上，通过检索实现微电网当前运行状态下调度策略的生成，并将结果对应调度策略反馈至调度人员。结果对应调度策略反馈至调度人员。结果对应调度策略反馈至调度人员。

【技术实现步骤摘要】
基于知识图谱的微电网调度策略智能检索系统及方法


[0001]本专利技术涉及微电网运行调控领域，具体说是一种基于知识图谱的微电网调度策略智能检索系统。

技术介绍

[0002]随着可再生能源渗透率的提高，微电网以其灵活、智能和兼容的特点得以迅速发展。通过微电网内部分布式资源调控能够实现能源互补运行，从而降低运行成本，提升可再生能源消纳水平和系统运行稳定性。为了满足当前运行场景与配置结构日益复杂的微电网系统高效、可靠运行的需求，亟需研究决策时间短、可靠通用的微电网调度与控制策略制定方法，提高微电网经济效益与调控性能。常规的基于物理机理分析通过建立优化调度模型，采用优化算法制定调度策略的传统方法，在实施调度使微电网系统运行足够年限后，积累了丰富的运行场景集及其对应的调度策略，这些数据场景及其对应调度策略能够为未来周期调度策略的制定提供可比拟专家知识的调度规则库，将有效提高微电网调度决策效率。
[0003]近年来随着人工智能技术的发展，借助数据驱动思想利用深度学习方法来提高微电网智能化调控性能，具有潜在的“去模型化”的技术优势，成为制定微电网调控策略的新思路。其中知识图谱作为一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系通过三元组的形式进行描述，构成网状的知识结构。相较于传统的知识组织、管理方式，知识图谱基于图的数据组织结构支持更高效的数据调取，能够处理复杂多样的关联表示。因此，通过构建微电网调度策略的领域知识图谱，以图的形式对调度知识进行组织和存储，利用计算机进行语义搜索与辅助决策，帮助调度人员全面快速掌握微电网运行状态关键信息，为调度策略制定提供智能化的信息服务与应用将具有广阔的前景。
[0004]在微电网调度策略制定方面，现有的研究多是基于物理机理分析，通过建立优化调度模型，采用某种优化算法制定调度策略。这种传统的微电网调度策略制定方法，随着新能源、分布式电源的发展，微电网运行和用户用电不确定性增强，其态势日趋复杂，以往基于物理系统的数学建模方法存在求解过程冗余复杂、维数灾、优化计算效率低、易陷入局部最优解等问题，难以满足当前微电网运行实时性要求。另一方面，针对电力调度的信息化工程应用中，电力公司集中力量开发了数量众多的应用系统，引入了知识工程技术特别是专家系统框架，实现了由数据到知识的提升。通过大量历史数据对源荷储整体特性进行聚类分析，通过电网调控运行经验与规程进行学习和模拟，是目前知识图谱等人工智能技术的强项。因此未来微电网调控系统设计要从数学建模分析扩展到“数学建模+知识驱动”相结合的方式，最终演变为知识引导。
[0005]领域知识图谱以其数据规模巨大、语义关系丰富、质量优秀、结构友好等特性逐渐在医疗、金融等多个领域或行业取得了应用。在电力行业的研究应用主要集中在故障检修、智能客服等方面，尚未应用到微电网运行调度策略制定领域。若能够在微电网调度策略制定中引入知识图谱这一新兴的知识工程技术，以结构化方式刻画微电网调度中的概念、实体、事件及其间的关系，进而根据感知的运行状态完成微电网调度策略的制定，将能够为微
电网运行的调度问题提供实用化解决方法。

技术实现思路

[0006]针对现有技术中存在的缺陷，本专利技术的目的在于提供一种基于知识图谱的微电网调度策略智能检索系统。本专利技术借助知识图谱涉及的命名实体识别等自然语言处理技术，结合机器学习特别是深度学习等人工智能技术，利用微电网调度相关文献、资料构建了微电网运行调度领域的知识图谱，搭建了基于知识图谱的微电网调度策略检索系统架构，制定了系统工作原理过程及关键技术环节；根据获取的各微电网实时运行数据，通过逻辑判断、内容分词、实体识别等环节将微电网当前运行状态映射到微电网调度领域知识图谱中的实体和关系上，通过检索实现微电网当前运行状态下调度策略的生成，并将结果对应调度策略反馈至调度人员。
[0007]为达到以上目的，本专利技术采取的技术方案是：
[0008]基于知识图谱的微电网调度策略智能检索系统，其特征在于，包括信息解析模块、微网状态判断模块、微电网调度领域知识图谱和调度策略检索模块；
[0009]所述信息解析模块对上传至检索系统的各微电网实时运行数据进行计算与逻辑判断，并将判断结果与微电网调度领域知识图谱中的实体及关系进行匹配；
[0010]所述微网状态判断模块根据信息解析模块实体匹配结果对需进行检索的微电网的状态进行判断和确认，生成检索图；上述匹配结果包括调控目标、储能情况；
[0011]所述调度策略检索模块利用知识计算引擎寻找微电网调度领域知识图谱中相匹配的知识路径，得出最终检索结果；
[0012]所述微电网调度领域知识图谱中的数据包括经解析的结构化数据、经过标注的半结构化数据和非结构化数据；其中结构化数据来自电网调度系统；
[0013]经过标注的半结构化数据和非结构化数据分为数据实体、数据实体关系，上述半结构化数据和非结构化数据具体包括微电网运行方式、微电网调度策略、微电网调控目标和调度原则。
[0014]在上述方案的基础上，经解析的结构化数据存入微电网调度领域知识图谱的步骤为：
[0015]步骤1、连接数据库进行初始化操作；
[0016]步骤2、构造SQL语句并进行数据查询；
[0017]步骤3、数据类型、结构、属性转换；
[0018]步骤4、判断数据是否存在于数据库中，如果存在返回步骤2，否则进行步骤5的数据存储；
[0019]步骤5、构建数据存储语句，并结合SQL语句抽取的信息确定上下位关系，创建节点；
[0020]步骤6、判断SQL语句是否查询完毕，如果查询完毕，退出抽取流程，如果没有则返回步骤2，继续构建SQL语句进行数据查询；
[0021]所述结构化数据包括：微电网负荷数据、风/光可再生能源发电功率和储能荷电状态；
[0022]所述数据库为Neo4j数据库；所述数据存储语句为为Neo4j数据存储语句。
[0023]在上述方案的基础上，所述数据实体使用BiLSTM
‑
CRF模型进行识别和属性抽取，具体方法为：
[0024]步骤1、将微电网调度策略文本使用jieba进行分词，然后使用gensim工具包的word2vec进行训练得到词向量矩阵，将待识别文本使用训练好的词向量矩阵进行映射，形成词向量序列x，x＝{x1，x2，...，x
n
}，其中x
t
表示第t个词的输入向量，式中t＝1，2，3
…
n；
[0025]步骤2、将步骤1得到的词向量序列x作为前向LSTM层的输入，x的逆序列作为后向LSTM层的输入；在t时刻，前向LSTM层输出的隐状态序列h
R
与后向LSTM层输出的隐状态序列h
L
按位置进行拼接h
t
＝[h
R
；h
L
]∈R
m
，得到完整的隐状态序列(h1，h2，
…
，h
n...

【技术保护点】

【技术特征摘要】
1.基于知识图谱的微电网调度策略智能检索系统，其特征在于，包括信息解析模块、微网状态判断模块、微电网调度领域知识图谱和调度策略检索模块；所述信息解析模块对上传至检索系统的各微电网实时运行数据进行计算与逻辑判断，并将判断结果与微电网调度领域知识图谱中的实体及关系进行匹配；所述微网状态判断模块根据信息解析模块实体匹配结果对需进行检索的微电网的状态进行判断和确认，生成检索图；上述匹配结果包括调控目标、储能情况；所述调度策略检索模块利用知识计算引擎寻找微电网调度领域知识图谱中相匹配的知识路径，得出最终检索结果；所述微电网调度领域知识图谱中的数据包括经解析的结构化数据、经过标注的半结构化数据和非结构化数据；其中结构化数据来自电网调度系统；经过标注的半结构化数据和非结构化数据分为数据实体、数据实体关系，上述半结构化数据和非结构化数据具体包括微电网运行方式、微电网调度策略、微电网调控目标和调度原则。2.如权利要求1所述的基于知识图谱的微电网调度策略智能检索系统，其特征在于：经解析的结构化数据存入微电网调度领域知识图谱的步骤为：步骤1、连接数据库进行初始化操作；步骤2、构造SQL语句并进行数据查询；步骤3、数据类型、结构、属性转换；步骤4、判断数据是否存在于数据库中，如果存在返回步骤2，否则进行步骤5的数据存储；步骤5、构建数据存储语句，并结合SQL语句抽取的信息确定上下位关系，创建节点；步骤6、判断SQL语句是否查询完毕，如果查询完毕，退出抽取流程，如果没有则返回步骤2，继续构建SQL语句进行数据查询；所述结构化数据包括：微电网负荷数据、风/光可再生能源发电功率和储能荷电状态；所述数据库为Neo4j数据库；所述数据存储语句为为Neo4j数据存储语句。3.如权利要求1所述的基于知识图谱的微电网调度策略智能检索系统，其特征在于：所述数据实体使用BiLSTM
‑
CRF模型进行识别和属性抽取，具体方法为：步骤1、将微电网调度策略文本使用jieba进行分词，然后使用gensim工具包的word2vec进行训练得到词向量矩阵，将待识别文本使用上述词向量矩阵进行映射，形成词向量序列x，x＝{x1,x2,...,x
n
}，其中x
t
表示第t个词的输入向量，式中t＝1,2,3
…
n；步骤2、将步骤1得到的词向量序列x作为前向LSTM层的输入，x的逆序列作为后向LSTM层的输入；在t时刻，前向LSTM层输出的隐状态序列h
R
与后向LSTM层输出的隐状态序列h
L
按位置进行拼接h
t
＝[h
R
；h
L
]∈R
m
，得到完整的隐状态序列(h1，h2，
…
，h
n
)∈R
n
×
m
，m是隐状态向量维度，如下式所示：h
R
＝f(Wx
t
+Uh
t
‑1+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)；h
L
＝f(Wx
t
+Uh
t+1
+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；式中，f()为非线性激活函数，W＝(w1,w2,...,w
n
)
T
为状态
‑
输入权重矩阵，U＝(u1,
u2,...,u
n
)
T
为状态
‑
状态权重矩阵，x
t
为当前时刻的输入，为向量拼接操作，h
t
为t时刻拼接后的完整隐状态序列，表示当前时刻外部状态，h
t
‑1为上一时刻的外部状态，h
t+1
为下一时刻的外部状态，b为偏置值；步骤3、将完整向量序列传递至输出层，将m维向量映射至k维向量，k代表标注集中所有的标签数，映射成n
×
k维特征矩阵P并输出，P＝(p1,p2,...,p
n
)∈R
n
×
k
，则p
i
∈R
k
的每一位P
ij
为词x
i
分类到第j个标签的打分值；步骤4、将步骤3得到的矩阵P输入至CRF模型，CRF模型学习标签之间的标注规则进行计算得分，并输出最佳的标签序列；如下式所示：上式中；s(x,y)为输入序列x＝{x1,x2,...,x
n
}经CRF层预测标签等于标签序列y的分数，标签序列y＝{y1,y2,...,y
n
}；为CRF模型中状态转移矩阵分数值，表示状态转移矩阵M中各元素从y
i
变化到y
i+1
的可能性；为词x
i
分类到y
i
标签的分数值；将上式(4)使用Softmax函数进行归一化处理，得到模型概率公式，如下式(5)所示：上式中，P(y|x)为输入序列x分类到标签序列y的概率值，y'代表一种可能的标签序列，y'∈Y(x)，Y(x)表示所有可能的标签序列，∑
y'∈Y(x)
exp(s(x,y'))表示所有标签序列得分之和，输出的概率值最大的y即为最终的标签序列。4.如权利要求3所述的基于知识图谱的微电网调度策略智能检索系统，其特征在于：所述数据实体关系使用BiGRU
‑
Attention模型进行数据实体关系抽取及分类，具体方法为：步骤1、将微电网调度策略文本使用jieba进行分词，然后使用gensim工具包的word2vec进行训练得到词向量矩阵，将待识别文本使用上述词向量矩阵进行映射，得到词向量序列x，x＝{x1,x2,...,x
n
}，其中x
i
表...

【专利技术属性】
技术研发人员：牛焕娜，窦伟，李宗晟，薛佳炜，井天军，王江波，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：