[发明专利]一种基于知识图谱的可解释电压暂降分类方法

说明书

本发明提供了一种基于知识图谱的可解释电压暂降分类方法，属于电力数据处理技术领域。该方法利用暂降知识图谱中蕴含的语义信息辅助模型进行暂降类型识别，将暂降知识与录波图像联合学习，实现语义空间与图像空间特征对齐，使得模型在完成暂降类型识别的同时，得到录波特征对应的相关语义知识的预测结果，为用户提供可信的决策依据，提高了基于数据驱动模型的透明性。基于知识图谱的解释符合人类认知过程，解释对象面向范围更加广泛的普通用户，这有利于增强用户对深度学习模型的信任，提高人机协作的可能性，具有实际应用价值。

技术领域

本发明涉及一种基于知识图谱的可解释电压暂降分类方法，属于电力数据处理技术领域。

背景技术

随着工业智能化、信息化发展，大量精密的电力电子设备接入电网，电能质量问题备受关注。经研究调查，70％以上的电能质量问题为电压暂降。电压暂降指电压方均根值暂时下降至额定电压幅值的90％～10％，持续时间为0.5～30个周波的一种暂态扰动现象。电压暂降发生时可能造成设备损坏、工厂停运、居民用电中断，给生产生活带来严重经济损失。因此，有必要对暂降事件类型进行准确识别，以便及时采取应对措施，降低经济损失。

目前，暂降分类方法大体上分为两种：机理分析方法和数据驱动方法。基于机理分析的方法以暂降录波数据为研究对象，通过对数据进行时域、频域变换提取数据特征，再将特征输入分类器中进行识别。这类方法依赖人工经验提取特征、方法参数选择难度大、处理过程繁琐，难以准确识别复杂电网环境下的暂降事件。基于数据驱动的方法利用深度学习技术，用模型自动拟合大规模带标签数据的特征，进而精确地识别暂降类型。这类方法有效避免了机理分析方法中存在问题，然而，人们不能理解这类模型的决策结果和决策依据，也无法判断输出结果是否正确，这是因为深度学习模型具有黑盒性，缺乏支持其决策过程的可解释理由。

为克服这一弱点，许多学者对深度模型的可解释性展开大量研究。现有的可解释方法分为事前可解释和事后可解释两类，前者指通过建立结构简单、可解释性好的模型或将可解释性结合到模型中，使模型本身具有可解释能力，如朴素贝叶斯、线性回归、决策树、随机森林等；后者指开发可解释性技术对已经训练好的模型进行解释，主要包括敏感性分析、显著性映射、注意力机制等。

然而，大多数方法将解释局限于数据和模型涉及的特征，例如显著性映射方法对模型关注的特征区域进行可视化，但其不代表模型学习逻辑，也不蕴含任何语义知识，因此本专利提出一种基于知识图谱的可解释方法，利用丰富的语义描述对模型做出解释。基于知识图谱的解释方法符合人类的认知过程，更容易被普通用户理解，具有广阔的应用场景。

发明内容

本发明的目的在于，提出一种基于知识图谱的可解释电压暂降分类方法。该方法用专家知识语义对模型的决策结果做出解释，是一种更加准确、友好的解释方法。

首先，对电压暂降数据进行数据预处理。所述数据处理包括对暂降数据归一化处理、数据转换成图片处理。

然后，构建电压暂降知识图谱。对电力系统数据库中存储的典型暂降事件，采用直接抽取方式，将结构化数据转换成三元组形式，构建成暂降知识图谱，利用TransH翻译模型进行知识表示，作为模型的输入数据。

其次，录波图像特征由卷积神经网络提取，提取到的图像特征和语义向量连接输入长短时记忆网络进行学习，在注意力机制的作用下，实现知识到图像的映射，共同指导模型参数的更新。

最后，根据图像特征输出暂降类型以及语言描述。

可行性分析：第一，符合实际应用需求：传统的电压暂降分类模型具有黑盒性质，用户无法理解模型的决策过程和决策依据，也无法判断模型输出结果的准确性，因此提高模型的可解释性成为亟待解决的问题；第二，具备数据支撑条件：电力系统中保存了大量的暂降事件数据，为本模型提供了可靠的数据支撑；第三，技术可行性：采用的卷积神经网络和长短时记忆神经网络具有大量的研究基础和实验验证，为技术可行性提供保障。