電網應急預案知識圖譜構建方法與應用*

周義棋，劉 暢，，龍 增，李丹煜，陳鵬沖，劉 彬，鐘茂華

（1.清華大學工程物理系公共安全研究院，北京 100084；2.中國電力科學研究院有限公司，北京 100192）

0 引言

電網是保障城市安全運行和能源經濟健康的命脈，面臨突發事件時，及時有效地啟動電網事故應急響應是保障電網和城市正常運行的關鍵。隨著電力系統發展日趨龐大，電網事故的應急處置難度、內容和流程日益復雜。目前，電網事故的應急決策往往基于決策人員對應急預案的理解與經驗進行主觀決定。此外，電網事故處置需要多個部門協同，因此在應急過程中，難免出現職責劃分不清、應急處置任務覆蓋不全、協同效率低等情況。電網應急預案中包含突發事件下各職責部門的應急工作內容，然而人工查閱的方式耗時較長，難以滿足應急處置的時效性需求。因此電網系統需要借助智能化手段，將電網應急知識轉換為結構化、可視化的形式，輔助決策人員檢索應急知識和應急任務，協調各部門采取應急措施，提高電網事故的處置效率。

知識圖譜（knowledge graph）作為智能化知識表示方法，以圖形式將三元組知識（頭實體，關系，尾實體）進行存儲和關聯表示。目前，知識圖譜在電力和公共安全領域已有初步探索。在電力領域，閃鑫等[1]分析人工智能在電網調控中的應用，表明知識圖譜可作為1 種有效的智能輔助決策手段；蒲天驕等[2]概述知識工程在電力系統中的發展歷程，提出1 種電力領域知識圖譜應用框架設計。目前電力領域針對知識圖譜的研究主要應用于故障處置方面，喬驥等[3]基于知識圖譜針對電網故障處理業務場景的應用思路進行初探；郭榕等[4]提出1 種電網故障處置知識圖譜構建方法，分析知識圖譜在故障處置中的應用；王駿東等[5]基于知識圖譜實現電網故障的輔助知識問答、案例匹配和業務推薦。在公共安全領域，杜志強等[6]和陶坤旺等[7]分別通過洪澇和地震災害驗證知識圖譜在應急管理中的可行性；盧穎等[8]針對踩踏事故預防監控領域的發展趨勢進行知識圖譜可視化研究；林穿等[9]構建電力事故事理知識圖譜，為預控電力事故發展提供知識服務。知識圖譜構建的關鍵技術為實體抽取和關系抽取，Danilo等[10]利用自然語言處理技術抽取文本中的實體和關系；Phuc等[11]基于深度學習的分類模型生成三元組知識并構建知識圖譜用于智能問答系統；廖佳路[12]結合電網領域專業詞典和深度學習模型從電網故障案例文本中抽取故障信息。綜上可知，電力領域知識圖譜的相關研究多數聚焦于電網故障處置，在電網突發事故應急管理方面的相關研究較少且研究不深。

因此，本文根據電網自然災害和大面積停電事件應急預案，梳理電網應急預案知識內容體系，提出基于規則與深度學習的電網應急知識圖譜構建方法并通過Neo4j圖數據庫進行可視化分析，通過大面積停電實際案例驗證構建方法的有效性，以期通過構建電網應急知識圖譜提高電網突發事故的處置效率。

1 數據來源與分析

1.1 電網應急預案數據來源

應急預案是電網應急管理體系建設的核心內容之一，在突發事件處置等方面起著重要作用[13]。針對自然災害、事故災難、公共衛生和社會安全4 類突發事件，我國均已制定相關應急預案。電力系統事故中，除運行設備故障和人為操作失誤外，自然災害是大部分事故的原因，且自然災害對電網的影響較為嚴重，例如2008年中國南方冰凍雨雪災害和汶川地震，導致電網設施大面積毀損，造成重大社會經濟損失[14]。各類自然災害導致的大面積停電可能會引發巨大經濟影響，甚至引發社會混亂[15]。因此，本文針對電網自然災害及其引發的大面積停電事件進行研究，通過中國部分省市（不包括港澳臺，下同）政府官方網站搜集各層級大面積停電事件應急預案共57 份，同時通過省級電力公司安全管理部門搜集涵蓋臺風、地震等自然災害應急預案共7 份，如表1所示。

表1 電網應急預案數據來源Table 1 Data sources of power grid emergency plans

電網應急預案具有下述特點，導致應急知識抽取存在一定困難：1）預案內容根據發布部門層級不同有所差異，知識提取時可能造成各級實體混淆；2）災害的多樣性導致各類應急預案涉及的專業詞匯不同；3）涉及部門較多導致實體邊界容易混淆。盡管如此，各預案的應急組織架構和應急處置流程具有共通模式[16]。本文結合搜集的各類電網自然災害以及大面積停電事故應急預案，分析電網災害事故應急組織架構和應急處置流程。

1.2 電網應急預案結構化分析

1.2.1 電網災害事故應急組織架構

為應對電網突發災害事故，政府部門和電力企業均需建立應急組織架構，并在災害事故發生時密切協作。根據我國大面積停電事件應急預案，由國務院或國務院授權發展改革委成立應急指揮部，統一領導指揮大面積停電事件應對工作，其組織框架如圖1（a）所示[17]。電力企業建立健全應急指揮機構，在政府應急指揮部領導下開展電網災害事件應對工作。根據某省級電力公司提供的電網自然災害應急預案，分析電力企業應急組織架構如圖1（b）所示。

圖1 電網災害事故應急組織架構Fig.1 Emergency organization framework for power grid disasters and accidents

1.2.2 電網災害事故應急處置流程

電網應急管理指災害事故的預防與應急準備、監測與預警、應急處置與救援、事后恢復與重建等應對活動[18]。在應急預案體系中，電網災害事故應急處置流程包括日常保障、監測預警、應急響應和后期處置4 個階段，如圖2所示。日常保障階段的主要內容包括應急隊伍保障，裝備物資保障，通信、交通與運輸保障，技術保障和資金保障；監測預警的流程包括信息監測，風險研判，提出預警信息發布建議，預警發布，預警行動以及預警解除；應急響應階段包括發布響應，采取響應措施以及響應終止，各響應措施均由相應的職責部門執行；后期處置階段包括總結評估，事件調查，善后處置以及恢復重建。

圖2 電網災害事故應急處置流程Fig.2 Emergency disposal pr ocess of power grid disasters and accidents

2 電網應急預案知識圖譜構建方法

電網應急知識圖譜的構建包括模式層構建和數據層構建。模式層是對實體概念、屬性以及實體間關系進行描述的組織框架。數據層構建即選擇合適方法對電網應急知識進行實體、關系抽取。數據層中的實體和關系按照模式層預設方式進行關聯映射，從而得到電網應急知識圖譜。模式層和數據層分別采用自頂向下和自底向上的方式構建，總體流程如圖3所示。

圖3 電網應急知識圖譜構建流程Fig.3 Construction process of power grid emer gency knowledge graph

2.1 模式層構建

以圖2中電網災害事故應急處置流程的4 個階段為主要線索，分析各階段所關注的實體概念和屬性，構建電網應急預案知識圖譜模式層如圖4所示。在應急處置各階段中，本文重點關注各職責部門及其職責內容，因此需抽取職責部門實體和職責內容實體。應急響應啟動后，還需關注所成立的應急工作組及其職責內

容。在實體屬性方面，構建“級別”屬性以避免不同級別部門實體間的混淆。按照如圖4所示模式層預設方式，從電網應急預案文本中提取對應的實體和屬性，從而實現電網應急預案知識圖譜的構建。

圖4 電網應急知識圖譜模式層Fig.4 Mode layer of power gr id emergency knowledge graph

2.2 數據層構建

電網應急知識圖譜可用G=（E，R，S）表示，其中E為知識庫中的實體集合，R為關系集合，S 為“節點—關系—節點”三元組知識集合。數據層構建即在模式層組織框架指導下，從應急預案文本中提取所需實體及關系。數據層構建的關鍵技術包括實體抽取、關系抽取、知識融合和知識更新。

2.2.1 實體抽取

電網應急知識圖譜中，每個實體（entity）對應1 個節點（node），節點具有標簽（label）和屬性（property），可用式（1）表示：

式中：Name表示該實體名稱；Property1，Property2 表示該實體的多個屬性，用來區分不同類型、級別和階段的實體。

本文主要關注職責部門、工作組、人員物資和職責內容4 類實體。知識抽取方法分為基于規則的抽取方法和基于深度學習的抽取方法。根據實體和屬性的特點，分別采用2 種方法對電網應急知識進行抽取，所需提取的實體類型和提取方式如表2所示。

表2 電網應急知識類別及提取方式Table 2 Categor ies and extraction methods of power grid emergency knowledge

1）基于深度學習的知識抽取

“職責部門”、“工作組”及“人員物資”實體概念均為名詞詞組且具有規律性，可通過命名實體識別進行提取。本文采用基于BERT（bidirectional encoder representation from transformers）模型的命名實體識別方法對應急預案文本中的實體進行抽取。首先，標注文本語料構成訓練集來訓練深度學習模型，采用的標注模式為BIO模式，其中B表示實體開始部分，I表示實體中間部分，O表示非實體部分，如表3所示。選取部分應急預案文本，進行長句切分后對1 130 個句子進行人工標注，以9 :1 的比例劃分訓練集和驗證集。訓練所得模型可對文本中的“職責部門”、“工作組”和“人員物資”類實體進行抽取。

表3 電網應急預案實體標注方法Table 3 Entity labeling method for power grid emergency plans

2）基于規則的知識抽取

根據文本中的關系詞人工總結匹配模板對電網應急知識進行抽取。例如，部門的“級別”屬性，根據文本中的關鍵字進行識別，如實體名稱包含“省”，則其屬性為{level=省級}。實體的“階段”屬性則根據其文本在應急預案中的位置決定。應急預案文本中部門的職責內容多樣，不單由詞組來構成且多為動賓結構，如“加強監測電力設備運行情況”等，因此針對職責內容使用深度學習方式進行抽取的難度較大。然而，應急預案文本中職責內容的描述相對固定，動賓搭配組合均為常規用法，如：“負責…工作”、“加強…”等。因此采用基于規則的方式對應急預案文本中的職責內容進行抽取。職責內容的提取規則如式（2）所示：

式中：＜Strstart＞表示起始符；＜Strend＞表示終止符。起始符和終止符界定職責內容的實體邊界，其間內容便為職責內容duty。對電網應急預案文本職責內容進行提取的部分規則如表4所示，若某起始符不存在對應的終止符（記為None），則以句號、逗號等標點作為該條規則的天然終止符。

表4 電網應急預案文本職責內容提取規則（部分）Table 4 Extraction rules for responsibility contents in text of power grid emergency plans（partial）

2.2.2 關系抽取

電網應急知識圖譜中的關系如式（3）所示：

式中：nodestart，nodeend分別表示頭實體，尾實體，箭頭表明關系具有方向性；rel表示關系名稱；Property3 表示關系屬性。實體間的關系通過基于規則的方式抽取，根據電網應急預案文本特點制定的抽取規則如表5所示。

表5 電網應急知識實體關系抽取規則（部分）Table 5 Extraction rules for entity relationship of power grid emergency knowledge（partial）

2.2.3 知識融合

知識融合將含義相同的多個實體用單一實體進行表示，即A={a1，a2，…，am}，其中a1～am表示含義相同的m個實體，A為融合后的實體。電網應急知識融合流程如圖5所示。在電網應急預案文本中，需要進行知識融合的情況為以下2 種。

圖5 電網應急知識融合流程Fig.5 Fusion process of power grid emergency knowledge

1）全稱和簡稱的混合使用。在應急預案文本中，部分職責部門和工作組因名稱過長需要對名稱作簡化處理，如“某省大面積停電應急指揮部”和“省電力應急指揮部”應為同一實體；“某省大面積停電事件應急指揮部辦公室”和“省電力應急辦”應為同一實體。此類情況采用基于規則的方式進行知識融合，例如：名稱包含“指揮部”的實體歸為“電力應急指揮部”；同時包含“辦公室”的實體歸為“電力應急辦”。

2）文本表示的多樣性，指由字詞差異導致誤識為多個實體。如“現場指揮機構”和“現場指揮部”應為同一實體；“北京人民政府”和“北京市人民政府”應為同一實體。此類情況難以制定完備的知識融合規則，因此采用文本聚類算法進行知識融合，即遍歷每個實體，計算該實體與其余實體的文本相似度，將相似度高于閾值的實體合并。實體語義相似度S 的計算公式如式（4）所示：

式中：A，B分別為2 個實體名稱經過分詞后得到的詞頻向量；n 為分詞個數。語義相似度S 越高，2 個實體相似度越高。

2.2.4 知識更新

目前，電力領域發展迅速，電網相關應急文件也在不斷增加。因此，電網應急知識圖譜需要持續更新以保證應急知識的有效性，確保知識圖譜能在突發事故發生時為電網應急決策提供參考。電網應急預案的主要內容形式相對固定，因此模式層相對固定。在將來新增應急預案或完善當前預案時，會增加新的電網應急知識，因此需要對知識圖譜數據層進行更新。新增電網應急知識需通過知識融合后方可加入原有知識圖譜中，同時應考慮：對于新增的實體或關系，在已有圖譜中是否已存在相同實體或關系，若存在則進行去重；知識更新后是否存在失效實體或關系，若存在則應剔除。

2.3 Neo4j圖譜構建

采用圖數據庫Neo4j展示可視化電網應急預案知識圖譜，所構建知識圖譜可儲存所抽取的實體和關系，并可視化表示“節點—關系—節點”三元組知識，具有可視化效果佳和搜索高效的特點。電網應急預案知識圖譜可通過查詢語句查找電網突發事故應急處置中的各個節點和關系，幫助電網事故應急決策人員在事故處置的各個階段，迅速確定所需執行的工作及其負責部門，大幅度提高電網事故的應對效率。

3 電網應急預案知識圖譜構建案例及應用

3.1 大面積停電為例的知識圖譜構建

基于所提出的電網應急預案知識圖譜構建方法，以電網大面積停電事故為例，搜集我國各級單位電網大面積停電應急預案文件共57 份，經過長句切分后共得到數據6 442 條，對其文本進行實體抽取、關系抽取和知識融合后，通過圖數據庫Neo4j進行電網應急預案知識圖譜可視化展示，部分結果如圖6所示，所構建知識圖譜中關鍵節點和邊的類型及數量如表6所示。

表6 電網大面積停電應急預案知識圖譜關鍵節點與關系統計數據Table 6 Statistical data of key nodes and relationship in knowledge graph of emergency plan for large-area blackout in power grid

3.2 基于知識圖譜的電網突發事故案例分析

以電網大面積停電事故為例，所構建電網大面積停電應急預案知識圖譜可為電網事故應急管理處置提供建議。2006年4月25日，廣東省中山市500 kV香山站#1 主變由于設備發生故障，導致中山地區出現大面積停電[19]。中山市應對該起事故流程如下：25日，緊急成立系統故障應急領導組和生產保障、客戶服務、故障修復、安全監察4 個工作組；26日，求助地方政府和上級供電部門并首次召開新聞發布會；28日，啟動用電戶輪休方案，保障重要單位供電工作，啟動新聞危機應急方案，統一對外宣傳口徑；后續搶修工作直到5月21日才恢復正常供電?？偨Y中山市此次事故中應對的不足：與上級部門溝通不及時，無法及時獲取上級部門幫助；輿情引導工作開展不及時；未及時考慮重要用電單位的供電工作。由此可知，中山市采用傳統的決策方法，決策耗時過長，采取應對措施在時間上具有滯后性，大面積停電事故的應急處置效率仍有很大提升空間。

基于本文構建的大面積停電應急預案知識圖譜，通過Cypher查詢語句獲取應急處置流程中各職責部門所應采取的措施。以應急響應階段為例，采用的Cypher語句為“MATCH（n{stage：‘應急響應’}）--（m：‘職責內容’） return n，m”，可獲取應急響應階段涉及的所有職責部門和職責內容如圖7所示。

根據圖7所示查詢結果，可在事故發生后第一時間安排職責部門執行相關措施。對比由知識圖譜生成的處置方案和中山市實際采取的處置措施，如表7所示。中山市所采用的應對措施均可在所構建知識圖譜中體現，且知識圖譜中的應急處置方案更為詳細。綜上所述，所構建的電網應急預案知識圖譜可用于輔助決策，大幅度縮短傳統人工決策所需的時間；同時，知識圖譜提供所有可能的事故應對措施，避免人工決策可能造成的遺漏，有利于幫助決策人員充分考慮多方面因素，提高電網事故應急處置效率，加快電網系統恢復，減少由事故帶來的損失。

表7 基于知識圖譜生成的大面積停電應急處置方案Table 7 Emergency disposal scheme of large-area blackout gener ated based on knowledge graph

圖7 應急響應階段各部門職責內容查詢結果Fig.7 Query results of responsibility contents of each depar tment in emergency response stage

4 結論

1）本文以電網自然災害及大面積停電事故應急預案為數據源，分析并梳理電網災害事故應急組織架構和應急處置流程，研究電網應急預案知識圖譜構建方法。

2）以電網災害事故應急處置流程為線索構建電網應急預案知識圖譜模式層，結合基于規則與基于深度學習的方法對電網應急預案文本中的知識進行結構化抽取。

3）采用Neo4j圖數據庫對電網應急預案知識圖譜進行可視化分析，實現知識圖譜中的節點與關系的高效檢索，減少人工檢索應急知識所消耗的時間。

4）以大面積停電事故為例，構建電網應急預案知識圖譜并生成應急處置方案。結果表明，電網應急預案知識圖譜能夠提供應急決策支持，縮短應急決策所需時間，幫助決策人員充分考慮多方面因素，提高電網災害事故應急處置效率。