基于知识图谱和深度强化学习的电力调度任务票生成方法与流程

1.本发明涉及电力系统操作任务票成票技术领域，具体涉及一种基于知识图谱和深度强化学习的电力调度任务票生成方法。


背景技术：

2.电力系统中通常设置有多种电力设备，电力设备之间存在特定的连接关系，根据这些连接关系，生成设备关系图谱。在对电力系统执行调度更改或者变电等操作时，通常需要按照特定的执行顺序对电力设备进行一系列操作。为了方便管理，将特定的执行顺序以指令票的形式开具，一方面，指令票是实际操作人员在现场进行操作的依据，另一方面，留存的指令票能够作为历史数据，成为历史操作任务票可供后续使用。
3.目前人工拟票仍是电网调度任务票开票的主要模式，需要逐字填写操作任务和相关事项，并进行人工校核；这种方式花费时间长，效率也很低；面对大量的检修任务时，人工拟票往往给调度人员造成大量繁重的工作，甚至会导致错误开票，造成电网安全事故；随着电网的规模越来越大，复杂度越来越高，人工开票方式逐渐难以满足智能电网的安全稳定运行要求，利用人工智能方式来实现调度任务票的辅助开票变得尤为必要。


技术实现要素：

4.本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种基于知识图谱和深度强化学习的电力调度任务票生成方法，能够提高电网的调控效率、减轻调控人员的工作压力，而且进一步提升了电网运行的安全性。
5.为解决上述问题，本发明提供了一种基于知识图谱和深度强化学习的电力调度任务票生成方法，具体包括以下步骤：
6.s1、基于电网系统的结构化数据以及半结构化数据，构建电力知识图谱；
7.s2、基于所述电力知识图谱构建采用深度强化学习的人工智能算法，设计深度强化学习框架；
8.s3、获取所述知识图谱中的结构化数据以及半结构化数据，以及电网系统中各电力设备实时运行方式和相关约束属性，采用深度强化学习框架生成操作指令票。
9.优选地，s31、利用nlp技术处理申请单内容，并从处理结果中获取目标对象、目标操作内容；
10.s32、通过查询电力知识图谱获取所述目标对象的运行方式，包括各种运行参数和相互之间的连接状态；
11.s33、利用电力知识图谱中获取到的数据，生成操作任务票。
12.优选地，所述目标对象的运行方式包括台账属性、拓扑属性，以及对应的实时运行数据包括电压、电流、有功功率和设备实时状态等。
13.优选地，所述电力知识图谱包括四个子图谱，分别为：电网实体图谱、业务逻辑图谱、案例图谱和概念图谱。
14.优选地，所述概念图谱包含各种概念模型，概念模型与电网实体图谱中的实体对象之间存在一对多的关系映射
15.优选地，所述电网实体图谱包含电网中各类一次或二次设备实体、各设备实体之间的连接关系以及各设备实体的属性，同时各设备实体的电压、功率、频率属性。
16.优选地，根据电网系统实时运行数据更新所述电网实体图谱。
17.优选地，所述业务逻辑图谱从故障处置预案、调度细则、监控处置手册文本中抽取得到的知识，包含通用的操作原则、原因分析、处置要点信息。
18.优选地，所述案例图谱用于对典型的操作任务票、历史操作任务票进行记录和保存，并形成结构化的案例库；当有新的操作任务生成后，对该新的操作任务进行特征提取并计算相似度，从案例图谱中获取相似案例的成票内容，生成新的操作任务票。
19.优选地，所述电网系统包括：
20.ems系统，用于存储数据；
21.oms系统，用于管理信息；
22.pms系统，设有模型数据，gis空间数据；
23.五防系统，设有防误操作校验。
24.本发明具有以下有益效果：
25.基于ems、oms和pms等系统的各类数据构建电力知识图谱，基于电力知识图谱，构建基于深度强化学习的ai智能算法，设计深度强化学习框架，并依据知识图谱中的结构化知识，如设备信息、业务规则、拓扑逻辑、历史案例、以及电网实时运行方式和相关约束属性等，由系统自动生成操作任务票。能够提高电网的调控效率、减轻调控人员的工作压力，而且进一步提升了电网运行的安全性。
附图说明
26.图1为本发明电力调度任务票生成方法流程图。
具体实施方式
27.以下结合附图和具体实施方式对本发明提出的一种基于知识图谱和深度强化学习的电力调度任务票生成方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
28.如图1中所示，本实施例展示的一种基于知识图谱和深度强化学习的电力调度任务票生成方法，包含以下步骤：
29.s1、基于电网系统现有的结构化数据以及半结构化数据，构建电力知识图谱；
30.s2、基于所述电力知识图谱采用深度强化学习的ai(人工智能)算法，设计深度强
化学习框架；
31.s3、获取所述电力知识图谱中的结构化数据以及半结构化数据，以及电网系统中各电力设备实时运行方式和相关约束属性，采用深度强化学习框架生成操作任务票。
32.优选地，在一个具体实施例中，所述s3中利用nlp(自然语言处理)技术作为ai智能算法来处理多张检修申请单内容；具体的，s31、对每张检修申请单进行专业分词抽取，并从处理结果中获取检修对象、检修内容；然后，s32、通过查询电力知识图谱，得出检修设备的运行方式和相互之间的连接关系(相关约束属性)，包括所述检修对象的台账属性、拓扑属性以及对应的实时运行数据；s33、利用电力知识图谱中获取到的数据，生成操作任务票。
33.优选地，所述电力知识图谱包括四个子图谱，分别为：电网实体图谱、业务逻辑图谱、案例图谱和概念图谱。优选地，所述概念图谱包含各种概念模型，概念模型与电网实体图谱中的实体对象之间存在一对多的关系映射。优选地，所述电网实体图谱包含电网系统中各类一次或二次设备实体、各设备实体之间的连接关系以及各设备实体的属性，同时设备实体的电压、功率、频率等属性；并根据电网系统实时运行数据进行更新。
34.优选地，所述业务逻辑图谱从故障处置预案、调度细则、监控处置手册等文本中抽取得到的知识，包含通用的操作原则、原因分析、处置要点等信息。
35.优选地，所述案例图谱用于对典型的操作任务票、历史操作任务票进行记录和保存，并形成结构化的案例库；当有新的操作任务生成后，对该新的操作任务进行特征提取并计算相似度，从案例图谱中获取相似案例的成票内容，生成新的操作任务票。成票过程说明如下：
36.s31、首先导入检修工作内容：35千伏航空变电站：1号主变回路检修，根据导入的工作内容，利用nlp技术，获取设备名称、设备类型和所属厂站名称，如分别为1号主变，35kv航空站。
37.s32、根据设备和厂站名称，通过查询电力知识图谱，得出检修设备的运行方式和相互之间的连接关系，在其一示例中从案例图谱搜索相似案例；
38.若能匹配已有案例，s33、可据已有案例生成新的操作任务票内容。
39.若最终无法匹配已有案例，则根据设备类型，设备名称和所属厂站；
40.在另一示例中，s32、则根据电力知识图谱的概念图谱和电网实体图谱中获取到对应的设备实体；根据实体属性，比如设备id，得到所属厂站目前的拓扑关系和厂站所属设备的实时运行数据，主要是电压、电流、有功功率和设备当前实时状态，将上述参数作为初始化条件提交给深度强化学习算法，通过算法生成操作任务的内容；
41.s33、最后通过操作票生成系统，将内容输出为操作任务票标准格式供打印或导出。
42.优选地，所述电网系统包括：
43.ems系统，用于存储数据；ems系统是能量管理系统，包括实时数据传；
44.oms系统，用于管理信息；oms系统是智能调度管理系统，包括停电申请等；
45.pms系统，设有模型数据，gis空间数据；pms系统是运检部的设备管理系统，包括单线图；
46.五防系统，设有防误操作校验。
47.本发明提供的基于知识图谱和深度强化学习的电力调度任务票生成方法，与现有
技术相比有以下优点：
48.本发明的基于知识图谱和深度强化学习的电力调度任务票生成方法，基于ems、oms和pms等系统的运行数据、模型数据、图形数据、台账数据、调度操作数据等结构化数据，以及调规、安规、校核规则、运行守则等半(非)结构化数据构建电力知识图谱，电力知识图谱包括电网实体图谱、业务逻辑图谱和案例图谱；然后基于电力知识图谱，构建基于深度强化学习的ai智能算法，设计深度强化学习框架中的智能体、动作选择、奖惩函数、环境序列、经验回放数据等，并依据知识图谱中的结构化知识，如设备信息、业务规则、拓扑逻辑、历史案例、以及电网实时运行方式和相关约束属性等，由系统自动生成操作任务票。能够提高电网的调控效率、减轻调控人员的工作压力，而且进一步提升了电网运行的安全性。
49.尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。