一种电力数据解析方法、解析系统及电力系统、终端设备、存储介质与流程

本技术涉及电力系统的，具体涉及一种电力数据解析方法、解析系统及电力系统、终端设备、存储介质。

背景技术：

1、电力系统是现代社会不可或缺的基础设施之一，其运行状态和效率直接关系到人们的生产生活和国家的发展。目前电力系统数据具有数量级大、种类复杂、多尺度等特征，针对以上特征，电力系统数据以业务领域、时间维度、数据结构分为不同类型。如图1所示，电力系统数据按业务领域大致分为系统运行、企业运营管理、非电能源、非能源数据四个类型。其中系统运行包括新能源及系统发电资源电能生产数据、电网及各分布式资源运行状态监控数据、设备生命周期数据、负荷数据以及柔性负荷、电动汽车(electric vehicle，ev)状态数据。企业运营管理数据汇总企业电力的各方面数据，其中包含企业发售电量、用户用电的数据、资源计划、物资管理以及电力市场的价格数据。非电能源领域中也包含一定的电力数据，例如天然气系统供应数据、天然气负荷数据、热力系统供应数据、冷热负荷数据以及能量耦合和转换设备数据。非电能源数据包含天然气等一次和二次能源数据。由于能源之间耦合有着积极的作用，因此彼此之间的数据需要进行共享。非能源包括政策、环境与气象和碳水平等数据，非能源支撑着电力系统的精准负荷预测、合理规划和调度等。电力系统数据按时间维度分为历史数据、在线量测数据、仿真推演数据以及预测数据等。随着数据的增加，电力系统数据的时间维度也逐渐复杂，依据数据结构分为结构化数据、非结构化数据、半结构化数据。

2、随着电力系统规模的不断扩大和复杂性的增加，电力数据解析成为了电力系统管理和运营的重要问题。电力数据解析是指对电力系统中的各种数据进行处理和分析，以提取有用的信息和洞察。

3、传统的电力数据解析主要依赖于人工经验和规则，即使利用了人工智能技术，也多是一些基于统计学习的模型，这些方法存在着以下缺点：(1)规则编写需要大量的人工经验和专业知识，且难以适应数据变化和异常情况；(2)统计学习模型需要大量的标注数据和特征工程，且难以捕捉数据之间的复杂关系和非线性映射；(3)这些方法通常只针对单一类型或单一维度的数据进行解析或校验，缺乏对多源多维度数据的综合分析能力。也就是说，传统的电力数据解析方法存在效率低下、易出错和难以适应复杂变化的问题。因此，如何提高电力数据解析的准确性和效率成为了当前的研究热点。

技术实现思路

1、为了解决上述技术缺陷之一，本技术实施例中提供了一种电力数据解析方法、解析系统及电力系统、终端设备、存储介质。

2、根据本技术实施例的第一个方面，提供了一种电力数据解析方法，包括：

3、采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱；构建强化学习模型，其中：模型环境为电力知识图谱，模型智能体为电力数据解析算法，模型状态为电力数据变化结果，模型动作为电力数据变化值，模型奖励为解析效果值；响应于用户的解析请求，触发强化学习模型对目标电力数据进行指定轮数的预测解析；解析结束后，对强化学习模型每一轮的输出结果进行整理，形成电力解析数据的奖励值-迭代次数的对应关系图；最后，将所述对应关系图以及对应的电力数据预测解析结果输出给用户，以供用户对目标电力数据进行合理预测。

4、优选地，所述采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱，具体包括：采用对应的数据获取手段从多种来源处获取电力相关的数据，所述电力相关的数据包括结构化电力数据、半结构化电力数据和非结构化电力数据；其中：结构化电力数据主要由电力文本数据构成，半结构化电力数据主要由电力文本数据和电力图片数据组合构成，非结构化电力数据主要由电力图片数据构成；采用正则表达式、分词、词性标注、命名实体识别中的一种或多种手段对电力文本数据进行清洗，采用图像增强、去噪、分割中的一种或多种手段对电力图片数据进行清洗；从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示；对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱；将各电力知识图谱存储在适合查询和分析的结构中，并提供相应的接口和服务；从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中。

5、优选地，所述的从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示，具体包括：对于结构化电力数据和半结构化电力数据，执行以下步骤：采用分词、去除停用词中的一种或多种手段对经过清洗后的电力文本数据进行预处理，采用图像预处理、标注中的一种或多种手段对经过清洗后的电力图片数据进行预处理；采用词嵌入手段将经过预处理的电力文本数据转换为密集向量表示，利用卷积神经网络对经过预处理的电力图片数据进行图像特征提取，然后将转换后的密集向量表示、提取后的图像特征形成对应的训练集；选择合适的模型对训练集中的电力数据进行训练，最后抽取出概念、实体、属性和关系；对于非结构化电力数据，执行以下步骤：使用目标检测手段从图片中检测出感兴趣的物体，将这些物体设置为实体；利用图像分类手段对图片进行分类，识别出图片中的属性，该属性包括主题和场景；通过图像描述生成手段，生成用于描述图片内容的文本信息，最后抽取出概念、实体、属性和关系；在完成概念、实体、属性和关系的抽取后，执行以下步骤：使用预训练模型，分别将抽取出的实体的嵌入量、向量与知识库中的实体的嵌入量、向量，进行相似度匹配，将匹配度最高的抽取实体和知识库实体进行链接，所述知识库主要由所有的电力知识图谱构成；将抽取出的各实体作为预训练模型的输入，通过模型输出实体和实体之间的关系概率分布图，最终选择概率最高的关系作为实体之间的分类结果；在完成实体链接和关系分类之后，执行以下步骤：将从电力数据中识别出的概念、实体、属性和关系，转换为标准格式的电力知识表示。

6、优选地，在对不同来源和类型的电力知识进行整合的过程中，所述的电力知识，包括：在本轮解析过程中形成的标准格式的新电力知识文本数据、以及在本轮解析之前已经形成的电力知识图谱数据；所述的对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱，具体包括：采用清洗、分词、词性标注中的一种或多种手段对新电力知识文本数据进行预处理，并将不同来源的电力知识图谱进行统一格式的转换；利用基于向量表示的手段，将经过预处理后的来自不同数据源的各电力知识数据中的同名实体嵌入到同一向量空间，计算实体之间的相似度，根据计算结果判断它们是否指向同一概念，根据判断结果对这些同名实体进行消歧；利用基于向量表示的手段，将不同电力知识图谱中的同义关系或相似关系嵌入到同一向量空间，以使嵌入模型对关系的表示进行学习，然后计算不同电力知识图谱中关系之间的相似度，根据计算结果对这些关系进行对齐；利用本体匹配和映射手段，比较不同电力知识图谱中的本体结构和语义信息，找到相似的部分，进行合并；利用逻辑推理手段，对各电力知识图谱进行一致性检查后，解决冲突问题；最后，将经过整合处理后的各电力知识按照电力数据类型的分类，形成多个统一和一致的电力知识图谱。

7、优选地，所述的从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中，具体包括：采用清洗、去重、格式标准化中的一种或多种手段对电力知识图谱数据进行预处理，并将其转换成适合推理的格式，然后：执行如下步骤：使用推理引擎递归式执行预定义的多个推理规则，对实体之间的关系进行匹配，逐步推导出新的电力知识和规律，最后对推理结果进行评估，根据评估结果对各推理规则的优先级进行调整，以对推理过程进行调优；所述的推理规则被规则语言定义为描述电力知识图谱中实体之间的关系和约束；或执行如下步骤：将电力知识图谱表示成图的形式，利用图计算模型学习图结构中的特征，并通过迭代优化推理出图结构中隐含的电力知识和规律，最后对推理结果进行评估，根据评估结果对图计算模型的参数进行调整，以对推理过程进行调优；将推理得到的新的电力知识转换为标准格式后集成到原有的电力知识图谱中，并更新已有实体之间的关系，形成更新后的电力知识图谱。

8、根据本技术实施例的第二个方面，提供了一种电力数据解析系统，包括：电力知识图谱构建单元：用于采集电力系统中的结构化电力数据、半结构化电力数据和非结构化电力数据，构建不同电力数据类型对应的多个电力知识图谱；强化学习模型构建单元：用于构建强化学习模型，其中：模型环境为电力知识图谱，模型智能体为电力数据解析算法，模型状态为电力数据变化结果，模型动作为电力数据变化值，模型奖励为解析效果值；电力数据解析单元：用于响应于用户的解析请求，触发强化学习模型对目标电力数据进行指定轮数的预测解析；对应关系图生成单元：用于在解析结束后，对强化学习模型每一轮的输出结果进行整理，形成电力解析数据的奖励值-迭代次数的对应关系图；预测解析结果输出单元：用于将所述对应关系图以及对应的电力数据预测解析结果输出给用户，以供用户对目标电力数据进行合理预测。

9、优选地，所述电力知识图谱构建单元，包括：数据采集模块：用于采用对应的数据获取手段从多种来源处获取电力相关的数据，所述电力相关的数据包括结构化电力数据、半结构化电力数据和非结构化电力数据；其中：结构化电力数据主要由电力文本数据构成，半结构化电力数据主要由电力文本数据和电力图片数据组合构成，非结构化电力数据主要由电力图片数据构成；数据清洗模块：用于采用正则表达式、分词、词性标注、命名实体识别中的一种或多种手段对电力文本数据进行清洗，采用图像增强、去噪、分割中的一种或多种手段对电力图片数据进行清洗；知识抽取模块：用于从清洗后的电力数据中识别出电力领域的概念、实体、属性和关系，并将其转换为标准格式的电力知识表示；知识融合模块：用于对不同来源和类型的电力知识进行整合，按照电力数据类型的分类，形成多个统一和一致的电力知识图谱；知识存储模块：用于将各电力知识图谱存储在适合查询和分析的结构中，并提供相应的接口和服务；知识推理模块：用于从电力知识图谱中挖掘出隐含的电力知识和规律，并将推理结果添加到对应的电力知识图谱中。

10、根据本技术实施例的第三个方面，提供了一种电力系统，包括：如前所述的电力数据解析系统。

11、根据本技术实施例的第四个方面，提供了一种终端设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如前所述的电力数据解析方法。

12、根据本技术实施例的第五个方面，提供了一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如前所述的电力数据解析方法。

13、本技术实施例为了解决电力数据预测解析这一特定技术问题，针对性地将知识图谱和强化学习融合在一起，形成了专用于电力系统的全新的、可行的、可靠的数据解析方法和系统。本技术实施例中的电力知识图谱，可以将电力系统中的各种实体和关系以图的形式进行建模，帮助电力数据解析系统理解电力系统的拓扑结构、设备特性和运行规律；而本技术实施例中的强化学习模型，可以将电力系统通过知识图谱建模为一个强化学习环境，将数据解析算法视为智能体，通过与环境的交互来学习如何解析电力数据，在解析过程中，可以根据电力系统的实时状态和反馈信息，动态调整解析策略，以适应电力系统的变化和需求。本技术创新性地将二者进行特定结合，通过利用知识图谱的结构化表示和推理能力，更好地整合和利用了不同数据源中的信息，同时，根据电力系统的实时情况进行自主学习和优化，从而提供更灵活和智能的数据解析策略；因此，本方案具有以下优点：(1)无需人工编写规则或者标注数据，降低了人工成本和错误率；(2)无需进行特征工程，可以直接从原始数据中提取有效特征，并且可以处理多种类型和格式的数据；(3)可以捕捉数据之间的复杂关系和非线性映射，并且可以综合考虑多个目标和约束条件；(4)可以适应数据变化和异常情况，并且可以实时更新策略。整体而言，本方案有效地提高了电力数据解析的准确性和效率，其应用可以帮助电力系统运营商和管理者更好地理解和管理电力系统，提高电力系统的安全性、稳定性和效益。

14、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所指出的内容来实现和获得。