一种基于图神经网络的电力监控事件识别与智能分析方法

本发明涉及电力系统领域，具体来说涉及一种基于图神经网络的电力监控事件识别与智能分析方法。

背景技术：

1、电力系统是由发电、变电、输电、配电、用电、调度等环节组成的电能生产与消费系统。而电力系统每天都会出现大量告警信号，这些告警信号包括事故、异常、越限、变位、告知。目前在电力监控技术领域，告警窗和系统监控是监控工作中采用的主要方式。然而，这两种方法均无法满足目前的电力监控需求。监视告警窗平均每值每天需要处理监控告警一千七百余条，每五十秒需要对一条告警信号进行分析、判断并进行处置，故障频发时监屏压力剧增，容易出现漏通知、误判；系统监控存在对告警信号识别不充分、分析不准确的现象，导致对告警信号的实时处理效率降低。

2、因此，现在需要一种能够提高分析处理告警信号效率的方法，使得能够满足现在电力监控的需求，能够对大量告警信号迅速作出分析判断，提高判断的准确度。

3、知识图谱作为知识工程领域一项新研究，应用于电力系统领域可以实现对电力知识的存储和累积。电力领域的知识不会随时间而发生变化，而会逐渐扩充完善。由于电力行业对安全标准的严格把控，很多时候专家经验的可靠性往往优于各种人工智能算法，而知识图谱作为专家经验的集成语料库，其检索匹配能力和故障推理能力完美契合电力领域对安全性和快速响应的需求。因此，越来越多目光聚焦于知识图谱在电力领域中不同场合的应用。

技术实现思路

1、针对上述现有技术中的缺陷，本发明提供了一种基于图神经网络的电力监控事件识别与智能分析方法，包括如下步骤：

2、步骤1，采集电网出现告警信号时的告警信息；

3、步骤2，对所述告警信息通过知识抽取、知识融合、知识加工，构建电力监控事件知识图谱；

4、步骤3，图神经网络读取电力监控事件知识图谱的图结构特征，计算实体隐藏特征向量；

5、步骤4，基于具有注意机制的图神经网络在知识图谱中推理事件故障类型，提供辅助解决方案。

6、优先地，采集电网出现告警信号时的告警信息。电力监控的告警信息表示了站内某设备或动作的状态变化情况，它以文本格式在告警窗中显示并存入告警记录文件，内容包括电压等级、设备名称、设备编号、动作行为。

7、优先地，对所述告警信息通过知识抽取、知识融合、知识加工，构建电力监控事件知识图谱。鉴于电力监控文本包括：电压等级、设备名称、设备编号、动作行为，其中存在数字与中文混杂的信息描述方法，会影响对缺陷水平的判断。将常规的知识提取模型应用于电力监控事件中，所提取的故障信息识别精度低，因此，本发明考虑了数字周围的文本信息对数字词向量训练的影响，在原有知识提取模型基础上进行了优化。

8、对于获取的电力监控事件，首先进行命名实体定义，将需要提取的电力监控事件实体定义为设备名称、事件内容和事件等级；然后对原始数据进行预处理，去除冗余、噪声信息和数据标签，以词向量的形式表示监控事件文本有助于正式的数据训练；接着对生成的单词向量进行实体识别训练操作，本发明在bilstm-crf模型的基础上添加可选择的位置信息，获得缺陷文本中数字的文本表示，作为模型的输入。

9、本发明使用一个双向长短期记忆网络bilstm来进行基准测试，可以充分考虑数据的上下文信息与双向语义依赖性之间的联系。lstm单元具有三个门控制器，即输入门、遗忘门和输出门。它们的正向传播过程可以分别用式(1)到式(5)来表示：

10、it＝σ(wxixt+whiht-1+wcict-1+bi)   (1)

11、ft＝σ(wxfxt+whfht-1+wcfct-1+bf)   (2)

12、ct＝ftct-1+ittanh(wxcxt+whcht-1+bc)   (3)

13、ot＝σ(wxyxt+whfht-1+wσct-1+bf)   (4)

14、ht＝ottanh(ct)   (5)

15、其中，b表示偏置量，t表示当前时刻，xt表示输入，ht为隐藏单元的状态，σ为s型激活函数，i、f、o、c为输入门、忘记门、输出门和单位向量，权矩阵w表示下标连接权矩阵对应的单位，。

16、条件随机场crf本质上是一个判别的无向图。如果观察到的序列x＝{x1,x2,...,xn}，对应的标记序列为y＝{y1,y2,...,yn}，则在两个条件概率之间构造的条件随机场为p(x|y)。

17、在bilstm-crf的模型输入前，对数字附近的词向量按距离赋权重，重新给数字向量赋值；计算公式如下：

18、vi'＝αi-1×vi-1+...+αi-k×vi-k+vi+αi+1×vi+1+...+αi+k×vi+k   (6)

19、其中，α＝{α1,α2,...,αn}中前后k个数据作为词向量的权重，与v＝{v1,v2,...,vn}相乘，得到新定义的数字向量；αi-1表示第i-1个向量相对数字向量的权重，vi'表示优化模型计算的数字向量。

20、优先地，图神经网络读取电力监控事件知识图谱的图结构特征，计算实体隐藏特征向量。针对使用图神经网络学习电力监控告警信号特征，采用具有注意机制的图神经网络提取告警信号中具有价值的节点，设置语义注意层，将步骤2中所构建的电力监控事件知识图谱中的节点嵌入到向量空间，形成嵌入向量矩阵，并通过在训练过程中保持节点嵌入向量具有相同的维数，来保证本注意力层获得足够有表达能力的特征信息，通过自注意机制计算每个标签节点与周围的一步邻居节点的注意得分，标签节点yl∈y与它的k个邻居hl＝{h1,h2,...,hk}，两个节点hi和hj之间的自我注意得分为：

21、uij＝selfatt(whi,whj)   (7)

22、由所述公式可以表明本节点的特征学习考虑到了所有邻居节点的对其的影响。

23、其中，hl＝{h1,h2,...,hk}为k个邻居节点，w为对邻居节点进行线性变换得到的邻域实体特征矩阵，uij为自我注意得分，selfatt为前馈神经网络。

24、图神经网络在学习时通过将所有相邻节点的特征添加到节点特征中进行学习图的拓扑结构，节点集作为特征矩阵hl嵌入，邻接矩阵a作为图神经网络的输入，节点特征的更新由卷积操作生成，所述卷积操作为：

25、

26、

27、所述卷积操作就是图神经网络从l层到l+1层的神经转换。

28、其中，a为邻接矩阵，表示顶点间的关系，其大小为n*n，n为节点的数量；h为特征矩阵，其大小为n*d，d为图神经网络中l层节点特征的维数；l为图神经网络的层数；d为a的度矩阵，表示图中每个节点与其自身相关联的边的数量，其大小为n*n；w是变换权值矩阵，其大小为n*d'，d'为图神经网络中l+1层节点特征的维数，w保证了转换过程中消息的有效传递；ρ为非线性激活函数。

29、在训练过程中，每个节点特征向量的更新会影响邻居节点的特征学习，于是每个节点的特征都融合了邻居节点的特征信息；在特征融合过程中，需要去除掉冗余特征信息，对来源不同的特征进行融合，综合隐藏特征向量的计算公式为：

30、

31、所述公式中，fi'表示前向隐藏特征向量，fi”表示后向隐藏特征向量，表示关系稀疏矩阵与卷积运算得到的隐藏状态h'(l+1)乘法运算。

32、在训练过程中，由于节点的隐藏特征向量的学习是并行进行的，每个节点特征向量的更新，都会影响其邻居节点的特征学习，因此，节点的隐藏特征向量的学习过程是不断循环迭代的，直到每个节点的特征趋于稳定为止，该过程中，采用最小化交叉损失函数优化实体特征向量，直到更新收敛于某个值或者最大迭代次数。

33、优先地，基于具有注意机制的图神经网络在知识图谱中推理事件故障类型，提供辅助解决方案。将告警信号输入电力监控事件知识图谱，采用基于注意力机制的图卷积神经网络(att-gcn)对知识图谱中告警信号实体与其所有邻居实体进行相关性计算，准确推理该告警信号的隐藏特征向量，进而链接预测确定故障类型，匹配辅助方案。

34、本发明的有益效果是：

35、(1)本发明利用图神经网络与知识图谱相结合，提高了电力监控工作人员的效率，降低了误判、漏判的情况，满足了多业务场景需求。

36、(2)本发明属于基于图神经网络的深度学习方法，具有自适应学习能力，学习能力强，能根据输入数据更新数据库，不断完善，逐渐提高解决问题的效率。