淺析電力數據中的知識提取算法及應用

郝景昌

摘 ?要：隨著計算機技術及互聯網產業的發展，電力行業越來越多的數據進入網絡。海量的數據給電力行業中的數據存儲、處理、分析帶來較大的開銷。知識圖譜、屬性約簡、智能決策等技術為電力大數據的處理提供了較好的解決方案。然而在多維度、全方位的電力大數據中，針對知識本身的提取及表示的相關研究仍有所不足。電力大數據中的知識在多個維度的歸一化、知識表達的標準化方面仍有所不足。基于云模型本身的定性定量不確定性轉換能力，對多維云模型增加歸一化改進，進而提出一種面向電力大數據的知識提取算法。

關鍵詞：電力大數據;知識圖譜;數據約簡;知識提取

1引言

隨著國家新電改方案的實施與推進，“互聯網+電力”思維逐漸開始引領電力企業，成為一種主要的經營思路之一。隨著電力企業市場化的推進，電力企業逐漸告別壟斷，開始走向營銷服務的時代。另一方面，隨著工業互聯網，能源互聯網的發展，電力行業的各個環節，從發電到電力公司的運營，均開始向信息化、自動化、智能化方向發展。

在“互聯網+電力”的發展過程中，越來越多的電力數據進入互聯網。這些數據涵蓋電力行業的全過程，包含多個場景、多種環節。電力行業也在逐步邁入大數據時代。

當前電力大數據領域的研究均在數據的處理與分析基礎上進行。其中，電力知識的構建是其核心過程。然而，當前研究中，對于電力知識的構建過程仍有進一步提升的空間。在多維數據的處理中，如何有效挖掘不同維度數據中的信息，如何能夠既避免噪聲的干擾，又不忽略實際具有價值的信息，是當前知識構建中的主要難題。

本文圍繞電力大數據中的知識構建展開研究，在云模型的基礎上，提出了一種改進的多維云模型。該模型能夠對多維屬性進行歸一化處理，處理后構建多維云。在改進的多維云模型基礎上，本文提出一種電力大數據中的知識提取算法，該算法能夠有效提取核心屬性信息，并基于核心屬性信息，構建知識的抽象表示。所提取的知識還具備重構數據的能力。仿真實驗表明了本文所提出的算法在數據重構以及知識準確提取方面均具有較強的性能。

2改進的多維云模型

2.1多維空間知識

物理世界中的現象映射至互聯網空間時，數據往往包括多種維度的屬性。此時的知識包含多個維度下，數值接近的數據點。數據點的集合形成多維空間知識。現給出多維空間知識的定義及表示方法。

定義1 多維空間知識. 設U是N維空間中數值表示的定量論域，K是U上一類數據的集合，使用給定值 ，將X在論域上的分布稱為多維空間知識，記作K（X），每個X稱為知識的一次實現，其表示為N維空間中的一個數據點： 。

多維空間中的知識提取，是將觀察到的知識的若干次實現提取為知識的抽象表示的過程。為此，我們引入改進的多維云模型。

2.1改進的多維云模型

李德毅院士在基于概論率、模糊數學的基礎上提出了云模型的概念，實現了包含不確定性的語言概念值與定量數值之間的相互轉換。云模型的數據特征用期望Ex ，熵En 和超熵He來表示，它們反映概念整體的定性特征。云模型既可以表示一維空間中的概念，也可以表示多維空間中的概念。當使用云模型表示多維空間中的概念時，三個特征值均為多維數據。然而，由于多維空間中的數據尺度變化較大，缺乏統一的度量，本文云模型基礎上引出了多維屬性的歸一化策略，提出一種改進的多維云模型，用以表示多維空間中的知識。

定義2 多維空間云模型. 設U是N維空間中數值表示的定量論域，K是U上的知識，其中包含M次實現。多維空間云模型MC用以對K進行抽象表示，包含兩部分信息：核與多維尺度因子。其數學表示如下： ?。其中， 表示核，是N維云的中心點， ;A表示云在N個維度下的不確定性， ;I表示多維尺度因子，為一個N維向量 。

在多維空間云模型中，核 是云的中心點，是最能代表知識的點，也是知識最典型的實現，也可以表示知識的內涵。不確定性A由知識的隨機性和模糊性共同決定，是多維屬性歸一化后的結果，表示與知識的內涵、外延無關的，蘊含在知識中的不確定性。多維尺度因子I表示知識在多個屬性下的標尺，是多維屬性歸一化后提取出的結果，也可以用來表示知識在多個維度下的外延。

2.2多維屬性的歸一化方法

在知識的多維屬性中，不同維度的數值具有各自不同的量綱，不同維度下數值的分布會出現分布不均衡的現象。在提取知識時，分布范圍較窄的屬性往往會被忽略，這將造成知識提取的不準確。為此，本文提出一種多維屬性的歸一化方法。

多維屬性的歸一化主要目標是將多個維度的屬性數值進行處理，使各個維度的云模型表示中熵值均等于1。此時各維度下所去除的標尺即為多維尺度因子，此時的超熵值即為不確定度。使用K表示N維空間上的某一知識： 。其中， ，多維屬性的歸一化可以從數據中提取抽象特征，得到多維空間的云模型。

相比原始的逆向云模型算法，增加了歸一化處理的改進的多維云模型能夠去除不同維度下屬性尺度的影響。在知識發現中，能夠有效防止忽略變化范圍小的數據。當數據在多個維度分布時，增加歸一化處理之后，一方面可以使多個維度下的尺度統一，另一方面在數據特征提取及數據生成時，由于各個維度數據統一，可以通過特征的提取與疊加實現多維度下數據的統一快速處理。

3面向電力大數據的知識提取算法

在電力大數據中，數據涵蓋的范圍非常廣泛，主要包括電力行業基本信息數據、電力標準數據、電力基礎設施數據、電力業務數據、用電行為數據、運維行為數據、商業運營數據等等。其中任何一個領域中的數據又包含多種維度，這些維度可能存在交叉，也可能具有高度的相關性。因此，在面對特定范圍內電力數據的知識提取中，首先需要對多維數據進行分析，去除噪聲，尋找屬性的相關性，獲取其核心屬性，進而在核心屬性的基礎上，提取知識。

3.1電力大數據的核心屬性發現算法

針對某一范圍的電力數據，其中往往含有多種屬性，在這些屬性中，有三類屬性在知識發現中無需參與運算，本文定義為“非核心屬性”。非核心屬性主要包含如下三類：

（1）非數值型屬性。某些屬性的數據不具備數值特性，例如用戶ID，用戶手機號等。這些數據沒有數學意義，無法參與數學運算，屬于離散的非數字屬性。這些屬性在知識發現中無法參與運算，因而需要首先進行排除。

（2）噪聲屬性。某些屬性的數據雖然具備數值特定，然而這些數值始終相同或極為接近，基本不會發生變化，這些數據在知識發現中將沖淡核心屬性的價值，屬于噪聲數據，也應在知識發現中進行排除。

（3）從屬屬性。某些屬性的數據雖然具備數值特性也會變化，然而其變化受某種核心屬性的影響，隨某種核心屬性的變化而變化。這類數據稱之為核心數據的從屬數據。在知識發現中，基于核心屬性已經足以進行知識的發現。從屬數據將增大知識發現的計算量，對知識發現結果的影響較小，因而也需要進行排除。

3.2電力大數據的知識提取過程

在電力大數據中，知識的提取是從多個定量數據轉化為抽象的數學表示的過程。假設當前存在某種知識的多次實現，使用多維數據集合K表示。電力大數據中的知識提取可表示為： 。具體步驟如下：

（1）知識數據集獲取。從已有數據全集中，根據先驗知識，得出其中表示某種知識的數據集合K。

（2）核心數據發現。基于算法2，從數據全集中去除非核心屬性，保留核心屬性，形成數據集合K。

（3）基于改進云模型的知識提取。對現有數據集合K進行歸一化處理，得出改進的多維云模型 。

（4）此時，改進的多維云模型 即為該知識的抽象表示。

在改進的多維云模型中，云模型的核 表示該知識的內涵;表示多維尺度因子I表示該知識在多個屬性下的外延;云模型的不確定性A，代表該知識在多維維度下的不確定性。改進的多維云模型一方面可以表示該知識的抽象特征，另一方面還可以根據該抽象特征生成該知識的實現。

3.3基于知識的數據生成算法

根據知識的抽象特性生成數據，是多維云模型屬性歸一化的逆向過程。

對于已經得到的某種知識抽象特性，可以基于知識生成近似的數據。為知識提取提供了一種抽象概念到具體數據的轉換方法。對于模擬電力領域中的業務，構建電力領域知識圖譜都具有一定的應用價值。

4結論及未來工作展望

針對當前電力大數據領域中的知識表達能力缺乏標準、知識提取能力相對較弱等問題展開研究，針對云模型進行了改進，并提出了一種面向電力大數據的知識提取算法。仿真實驗驗證了該算法在數據重構、知識提取等方面均有較好的性能。該算法電力行業大數據分析，知識圖譜構建具有一定的參考價值。

參考文獻

[1]盛魁.混合數據的鄰域區分度增量式屬性約簡算法[J].電子學報，2020，48（04）：682-696.

[2]周峰.泛在電力物聯網智能感知關鍵技術發展思路[J].中國電機工程學報，2020，40（01）：70-82+375.