【技术实现步骤摘要】
本专利技术涉及碳排放数据处理，尤其涉及一种基于知识图谱的区域电力系统碳排放大数据分析方法。
技术介绍
1、不同于其他能源系统，电力系统具有严格的“发电-用能”实时平衡特性，而电网连接着电力生产和消费，是重要的能源网络平台，是引领电力碳减排的核心枢纽，既要保障新能源大规模开发和高效利用，又要满足经济社会发展的用电需求。因此，需要对电力系统的碳排放情况进行实时、准确和全面的监测，这绝不仅仅是源侧的任务，也需要源、网和荷全环节的协同配合。实时、准确和全面直接监测电力系统源侧碳排放、间接检测网和荷全环节的碳排放，是掌握电力行业碳排放现状与趋势、挖掘电力碳减排潜力、引导电力用户互动减碳、促进电力经济低碳转型的基础与前提，也是支撑碳市场健康发展的基础保障。
2、现阶段电力系统的直接碳排放监测主要基于宏观统计法，即根据全年、全省/大区的发电总燃料消耗换算得到总碳排放量；用电间接碳排放监测主要基于平均碳排放因子法，该方法基于省级或大区电网级全年燃料统计值和发电量计算得到用户的单位用电碳排放因子，通过平均碳排放因子与用电量得到用户的用电间接碳排放量。
3、然而，现有的相关技术的碳检测方法简单，却无法对复杂关系的区域电力系统进行处理，导致对复杂场景下的碳排放数据的控制精确度低。
技术实现思路
1、本专利技术的目的是针对上述现有的相关技术的不足，提出基于知识图谱的区域电力系统碳排放大数据分析方法，能够对复杂场景下的碳排放数据进行精确控制。
2、本专利技术提供的一种基于
3、根据区域电力系统的组成，对所述区域电力系统的碳排放知识进行表示，得到区域电力系统对象的实体关系，并从公共平台上采集对所述区域电力系统的源侧、网侧和荷侧发布的非结构化数据；
4、根据所述实体关系，将所述非结构化数据作为基于预先训练的多分支并行神经网络的输入进行知识抽取，输出第一知识抽取结果；其中，所述第一知识抽取结果包括：所述非结构化数据中的实体和实体之间的关系；多分支并行神经网络并行的多个分支网络结构相同，且结构相互独立，仅在多分支并行神经网络输入前和输入后进行数据融合；
5、获取融合实体标识和名称，并根据所述融合实体标识和所述名称，对所述第一知识抽取结果进行知识融合，得到所述实体关系对应的碳排放属性值，将所述碳排放属性值存入碳排放知识库中。
6、本专利技术先对区域电力系统进行知识表示，获取区域电力系统对象的实体关系，并同时采集非结构化数据，并基于知识图谱，采用多分支并行神经网络对非结构数据进行知识抽取，能够准确抓取非结构化数据，从而能够提高复杂场景下的碳排放数据的检测精确度，进而有利于掌握电力行业碳排放现状与趋势，并通过知识抽取挖掘电力碳减排潜力，并将提取得到的碳排放数融合后进行存储，能够对区域电力系统的碳排放数据进行精确控制，通过碳排放知识库对区域电力系统的碳排放数据进行管理，有利于基于知识图谱获取碳排放数据后引导电力用户互动减碳、促进电力经济低碳转型和支撑碳市场健康发展。
7、在一些实施例中，获取预先训练的多分支并行神经网络，包括：
8、将初始实体关系作为正样本，从所述区域电力系统对象中随机抽取样本替换所述初始实体关系中的元素，得到负样本，分别将所述正样本和所述负样本作为初始多分支并行神经网络的输入，分别输出正例输出和负例输出，根据所述正例输出和所述负例输出进行训练，得到所述多分支并行神经网络。
9、在一些实施例中，将所述正样本作为初始多分支并行神经网络的输入，输出正例输出，包括：
10、将所述正样本对应的头实体、关系和尾实体进行至少两两融合后，将得到的多个第一融合结果分别作为所述初始多分支并行神经网络的输入，输出并行的多个输出结果；所述第一融合结果包括：由所述头实体与所述关系的融合、由所述关系与所述尾实体的融合、和由所述头实体、所述关系与所述尾实体的融合；
11、对所述多个输出结果做两两融合，得到多个第二融合结果，将每个第二融合结果通过预设激活函数进行输出融合，得到正例输出；所述多个第二融合结果包括：由第一个分支网络的输出结果与第二个分支网络的输出结果的融合、由第二个分支网络的输出结果与第三个分支网络的输出结果的融合和由第一个分支网络的输出结果与第三个分支网络的输出结果的融合。
12、在一些实施例中，所述将每个第二融合结果通过预设激活函数进行输出融合，得到正例输出，包括：
13、将依次将多个第二融合结果通过两次sigmoid激活函数的连续映射，得到映射结果，统计所述多个第二融合结果对应的映射结果，得到正例输出；
14、其中，所述正例输出表示为：
15、，
16、其中，为第二交互结果的sigmoid函数；为动态调整因子，用于调节sigmoid函数的取值范围；为头实体，为尾实体，为到的约束关系。
17、本专利技术采用两次sigmoid激活函数对输出结果进行处理，能够解决正负样本输出相似度差距大的问题，减少正负样本间震荡，从而提高复杂场景下的碳排放数据的检测精确度，进而有利于通过知识抽取挖掘电力碳减排潜力，并将提取得到的碳排放数融合后进行存储，能够对区域电力系统的碳排放数据进行精确控制。
18、在一些实施例中，所述根据所述正例输出和所述负例输出进行训练，包括：
19、统计每个正样本的正例输出与每个负样本的负例输出之间的输出差距，并从输出差距和预设阈值中选取最大值，通过累计所述最大值，建立铰链损失函数，根据所述铰链损失函数，对所述多分支并行神经网络进行训练。
20、在一些实施例中，除了根据所述实体关系，将所述非结构化数据作为基于预先训练的多分支并行神经网络的输入进行知识抽取，输出第一知识抽取结果外，还包括：
21、从所述区域电力系统中直接收集源侧、网侧和荷侧的结构化数据和半结构化数据，并基于数据库映射关系，对所述结构化数据进行知识抽取，得到第二知识抽取结果，基于分类算法，对所述半结构化数据进行知识抽取，得到第三知识抽取结果，以使根据所述融合实体标识和所述名称，对所述第一知识抽取结果、所述第二知识抽取结果和所述第三知识抽取结果同时进行知识融合；其中，所述第二知识抽取结果包括：所述结构化数据中的实体和实体之间的关系；所述第三知识抽取结果包括：所述半结构化数据中的实体和实体之间的关系。
22、在一些实施例中，所述根据所述融合实体标识和所述名称，对所述第一知识抽取结果进行知识融合，得到所述实体关系对应的碳排放属性值，包括：
23、根据所述融合实体标识和所述名称，爬取融合实体多源信息，并根据多特征命名，消除所述第一知识抽取结果的实体歧义，得到无歧义结果；
24、对所述无歧义结果进行碳排放属性对齐，得到对齐结果，根据贝叶斯算法检测出所述对齐结果中的属性真值，对所述属性真值进行融合，得到所述实体关系对应的碳排放属性值。
25、在一些实施例中本文档来自技高网...
【技术保护点】
1.一种基于知识图谱的区域电力系统碳排放大数据分析方法，其特征在于，包括：
2.如权利要求1所述的区域电力系统碳排放大数据分析方法，其特征在于，获取预先训练的多分支并行神经网络，包括：
3.如权利要求2所述的区域电力系统碳排放大数据分析方法，其特征在于，将所述正样本作为初始多分支并行神经网络的输入，输出正例输出，包括：
4.如权利要求3所述的区域电力系统碳排放大数据分析方法，其特征在于，所述将每个第二融合结果通过预设激活函数进行输出融合，得到正例输出，包括：
5.如权利要求2所述的区域电力系统碳排放大数据分析方法，其特征在于，所述根据所述正例输出和所述负例输出进行训练，包括：
6.如权利要求1所述的区域电力系统碳排放大数据分析方法，其特征在于，除了根据所述实体关系，将所述非结构化数据作为基于预先训练的多分支并行神经网络的输入进行知识抽取，输出第一知识抽取结果外，还包括：
7.如权利要求1所述的区域电力系统碳排放大数据分析方法，其特征在于，所述根据所述融合实体标识和所述名称，对所述第一知识抽取结果进行知识融合，
8.如权利要求1所述的区域电力系统碳排放大数据分析方法，其特征在于，所述将所述碳排放属性值存入碳排放知识库中，包括：
9.如权利要求1所述的区域电力系统碳排放大数据分析方法，其特征在于，所述根据区域电力系统的组成，对所述区域电力系统的碳排放知识进行表示，得到区域电力系统对象的实体关系，包括：
10.如权利要求1-9任一项所述的区域电力系统碳排放大数据分析方法，其特征在于，所述区域电力系统包括：网侧电碳平台、需监测碳排放的多个源侧碳表、多个荷侧碳表和多个网侧电表，以及连接不同碳表的通信链路。
...【技术特征摘要】
1.一种基于知识图谱的区域电力系统碳排放大数据分析方法，其特征在于，包括：
2.如权利要求1所述的区域电力系统碳排放大数据分析方法，其特征在于，获取预先训练的多分支并行神经网络，包括：
3.如权利要求2所述的区域电力系统碳排放大数据分析方法，其特征在于，将所述正样本作为初始多分支并行神经网络的输入，输出正例输出，包括：
4.如权利要求3所述的区域电力系统碳排放大数据分析方法，其特征在于，所述将每个第二融合结果通过预设激活函数进行输出融合，得到正例输出，包括：
5.如权利要求2所述的区域电力系统碳排放大数据分析方法，其特征在于，所述根据所述正例输出和所述负例输出进行训练，包括：
6.如权利要求1所述的区域电力系统碳排放大数据分析方法，其特征在于，除了根据所述实体关系，将所述非结构化数据作为基于预先训练的多分支并行神经...
【专利技术属性】
技术研发人员：龚贤夫，彭勃，李耀东，刘正超，卢洵，娄源媛，彭穗，黄裕春，顾延勋，钟俊琛，林海生，刘晓光，彭虹桥，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。