基于知識圖譜的輸變電工程輔助評審系統架構及關鍵技術分析

胡杰, 許剛,齊立忠,郄鑫,榮經國

(1.華北電力大學電氣與電子工程學院, 北京市 102206; 2.國網經濟技術研究院有限公司,北京市 102209)

0 引 言

碳達峰、碳中和國家戰略目標下,新型電力系統以清潔低碳、開放互動為目標不斷建設,成為實現“雙碳”目標的重要抓手[1-3]。在此背景下,輸變電工程建設加速推進,尤其是特高壓工程已成集中開工態勢[4-5]。工程規模與數量的不斷擴大、建設復雜度的不斷提升,對輸變電工程建設提出了更高要求。隨著數字技術與實體經濟的深度融合,推動輸變電工程建設領域數字化轉型,成為支撐新型電力系統建設、把握新一輪科技革命和產業變革新機遇的戰略選擇[6-8]。工程評審作為工程建設管控關鍵環節,目前仍停留在以專家線下評審為主的低效率模式中,難以滿足輸變電工程大規模、高質量建設需求。亟需通過知識圖譜、推理解析、大數據等數字化手段,建設輸變電工程輔助評審系統,推動實現輸變電工程評審工作數字化、智能化轉型升級。

目前,輸變電工程輔助評審系統通常使用瀏覽器和服務器架構(browser/server, B/S),相比較客戶端服務器端架構(client/server, C/S),具有分布性強、開發簡單、共享性強、維護方便等優勢[9-10]。在此基礎上,結合工程評審單位以及相關電力設計院具體業務需求,開展系統建設工作。文獻[11]提出適用于110 kV及以下輸變電工程設計評審管理平臺的關鍵因素提取法和光學字符識別(optical character recognition,OCR),實現歷史數據的收集、分析和研究。文獻[12]面向110 kV及以上輸變電工程智能規劃評審需求,提出基于典型歷史工程關鍵特性指標的輔助評審系統架構,提升數據收集、意見發文管理效率。文獻[13]研究了福建輸變電工程設計評審系統,指出使用B/S模式的系統架構,在評審業務的標準化管理和評審文件的模板化管理方面發揮了良好的作用。文獻[14]基于B/S和.NET平臺設計并實現了輸變電工程設計評審系統,其底層數據庫采用了常見的SQL Server 2005關系型數據庫。電力規劃總院根據自身業務需求及已有數據儲備,建立了咨詢評審平臺和專家輔助決策系統,實現了工程庫信息錄入、計劃管理、評審管理、知識庫、輔助決策等業務功能。上述分析的系統平臺多聚焦于評審業務流程線上開展,對歷史工程數據進行分析以輔助工程評審方面開展的工作較少。隨著電網規模的不斷擴大,工程數據量不斷增加,亟需具備對歷史工程文本數據進行知識建模、存儲和分析能力的新型軟件平臺。

知識圖譜是最初由谷歌公司提出的一種用于增強搜索引擎功能的輔助知識庫,它采用“實體-關系-實體”三元組的形式描述現實世界中的物體及其之間的關系,具有關系表達能力強、推理、糾錯能力強等優勢[15-19]。目前,知識圖譜在電力系統的應用尚處于起步階段,主要應用場景有電網故障處置[20-21]、電力設備故障診斷[22-23]、智能問答[24-27]、電力調度[28]等,在輸變電工程建設領域尚屬空白。文獻[29]提出了電力領域知識表示架構圖,并詳細列舉了電力系統知識圖譜的應用業務需求及應用方向。文獻[30]分析了電網故障處置預案的文本特點,采用TextCNN、LR-CNN和BiGRU-Attention完成了命名實體識別和關系抽取,在沒有使用基于變換器的雙向編碼器表示技術(bidirectional encoder representation from transformers, BERT)等常見的預訓練語言模型背景下,仍取得了較好的效果。文獻[31]提出了面向配電網故障調度的知識圖譜構建流程,并以neo4j數據庫為核心,設計了故障調度輔助決策系統。文獻[32]面向配電網故障處置,分析了配網設備臺賬數據、故障預案數據、調度規程數據和配網缺陷數據,提出了一種基于BERT-BiLSTM-CRF模型的命名實體識別方案。文獻[33]針對電力文本實體邊界模糊、術語較多等特點,設計提出了一種新的命名實體識別方法I-BRC。文獻[34]基于ALBERT語言預訓練模型,開展電力變壓器運維數據的命名實體識別和關系抽取,提出基于知識圖譜的電力變壓器運維策略。

本文基于以上研究基礎,通過梳理分析輸變電工程評審業務流程,提出基于知識圖譜的智能輔助評審體系架構,從知識圖譜構建和圖譜解析推理等方面分析了系統實現所需關鍵技術,最后介紹基于知識圖譜的輸變電工程輔助評審系統在工程中的應用,為新型電力系統構建和數字化轉型背景下輸變電工程建設提供技術支撐。

1 輸變電工程評審業務分析

1.1 輸變電工程評審業務概述

輸變電工程評審是工程建設階段的關鍵環節之一,其工作質量對電網建設工作的設備選擇、工程量計算和造價產生直接影響。與一般民建工程相比,輸變電工程評審更加嚴格,可研階段增加了設計審查環節;初步設計階段需要對全部電壓等級工程組織設計審查,而非特殊工程或達到一定規模的工程;施工圖階段重點關注土建相關部分,由同一圖審部門進行評審。另外,國家電網有限公司還會對重大工程,如特高壓工程及部分常規工程組織全專業施工圖審查工作。輸變電工程評審主要內容包括初步設計評審(含概算、技術規范書、安穩專題等)、施工圖評審(含預算、重大設計變更等)、相關專題評審等。涉及電氣一次、電氣二次、線路結構、土建等多個領域,具有專業性強、流程復雜、對評審人員的經驗要求高等特點。

輸變電工程評審需要相關電力設計院和工程評審單位共同完成,具體流程如圖1所示,其中評審資料的收集驗證、各專業評審、評審意見形成、工程資料歸檔入庫是所有工作的重點。由于評審資料多為非結構化文本數據和圖紙類文件,為了提高評審效率,充分利用歷史工程數據及評審成果,需在總結專家經驗基礎上,提出輸變電工程評審關鍵要素,為輔助評審平臺建設提供支撐。

圖1 輸變電工程評審流程圖

1.2 輸變電工程評審要素分析

根據不同的工程實際情況,輸變電工程評審主要包括變電、架空線路及電纜工程評審,主要依據現行的國家、行業及企業標準,例如《國家電網公司輸變電工程通用造價》《電力建設工程裝置性材料預算價格》《國家電網公司輸變電工程通用設計》《國家電網公司基建技術經濟管理規定》《國家電網公司輸變電工程初步設計審批管理辦法》《國務院關于調整和完善固定資產投資項目資本金制度的通知》《國家電網公司輸變電工程初步設計內容深度規定》《電網工程建設預算編制與計算標準》等。結合現有標準規范、專家經驗和工程實際情況,共總結出54個大類指標,共189個二級指標,其部分內容如表1—3所示。

表1 變電工程評審要素

表2 架空線路工程評審要素

表3 電纜線路工程評審要素

2 輸變電工程輔助評審體系架構及關鍵技術

2.1 基于知識圖譜的輸變電工程輔助評審系統基本架構

構建輸變電工程輔助評審系統,一方面要充分利用現行國家標準、行業標準、企業標準及歷史評審經驗,另一方面要避免專家個人經驗的局限性和傾向性。要實現業務需求和數據基礎的兼顧,關鍵在于從大量低價值密度數據中抽取出高價值數據,同時保證數據準確性和完整性,構建結構化數據庫,服務于檢索、問答等基本業務功能。另外,考慮到電網工程各項技術參數和設計規范的不斷優化更新,輔助評審系統的數據模型應具備自適應更新升級能力,并能夠處理好新數據模型與舊數據模型之間的關系,從而得到更加完備準確的數據庫,支撐評審平臺上層應用。

本文提出基于知識圖譜的輸變電評審系統架構,如圖2所示,重點在于基于結構化數據形成知識圖譜,推動數據和業務需求的高度融合,提高輸變電工程歷史數據利用價值,達到提質增效的目的。系統架構主要由五個組件構成:原始數據接入組件、人工智能平臺組件、知識圖譜組件、應用場景組件及其他輔助組件,通過設計報告、專題報告等各類數據的安全接入、存儲與綜合管理,輔助評審業務工作開展。

圖2 基于知識圖譜的輸變電輔助評審系統框架圖

1)原始數據接入組件。該組件實現從業務系統、數據中臺或線下采集輸變電工程評審所需數據,并通過數據接口安全可靠地將數據接入到人工智能平臺中去。根據以上對輸變電工程評審業務的分析可知,需要提交分析的數據資料包括初步設計報告、專題報告、設備清冊等文本數據。目前,國網經濟技術研究院有限公司已經建設完成了基建全過程綜合數字化管理平臺,從數據收集、接口設計、數據字典等多個方面對數據的匯集、整理、傳輸做了詳細的要求和規定,可以為輸變電輔助評審平臺提供數據接入服務。為保證數據傳輸的統一性和規范性,接口API仍采用基建全過程綜合數字化管理平臺數據貫通實施方案,即面向不同數據結構類型,去掉適用于進行流媒體類的視頻直播、回放等場景的第5類接口,使用簡化的4類接口傳輸結構化和非結構化數據。

2)人工智能平臺組件。該組件主要實現人工智能模型的管理、訓練和樣本的存儲等功能。其作用是使用業務、專家團隊預先標注的樣本對訓練語言預訓練模型,得到適用于輸變電工程評審的命名實體識別模型、關系抽取模型等服務于知識圖譜構建和應用的人工智能模型。

3)知識圖譜組件。知識圖譜組件是輸變電工程輔助評審系統的核心,主要承擔完成評審原始數據的接入、知識建模、數據存儲、可視化及相關基于圖數據的推理分析等功能。該組件將經過評審專家分析的、通過眾包形成的大量包含歷史工程知識的文本數據通過數據清洗、知識抽取、知識表示等流程,形成準確度較高的結構化數據,并以知識圖譜的形式,使用Neo4j、GraphDB、ArangoDB等圖數據庫進行存儲,并最終服務于可視化、語義檢索、知識推理、知識圖譜問答等應用。根據細分的不同業務需求,返回的數據通過RESRful API、SDK、WebService、HTML等服務接口傳遞給不同用戶,并支持不同終端、不同業務部門高并發訪問。

4)其他組件。同一電壓等級輸變電工程已有典型設計規范,但最終設計文件的編制,不同設計院仍有自己的標準和習慣,這也就導致需要不同的輔助模塊以應對多種不同的情況。例如,需要OCR模塊對PDF文件進行預處理,提取出文件中的字符;自然語言處理(natural language processing,NLP)模塊對使用自然語言的訪問需求進行理解和分類,減少使用人員對系統內在構建機理的要求,降低系統操作的復雜度,擴大輸變電工程輔助評審系統的使用范圍。

2.2 關鍵技術分析

輸變電工程輔助評審系統集數據收集、處理、建模、傳輸、應用為一體,依托知識圖譜構建、解析推理等關鍵技術作為數據處理的核心手段,滿足輸變電工程評審數據關聯信息抽取、技經指標糾錯、工程綜合評分等典型需求,對于實現評審業務的數字化和智能化具有重要意義。

2.2.1 知識圖譜構建技術

知識圖譜的本質是一種結構化的語義網絡,主要用于描述物理世界的各種概念、實體以及他們之間的相互關系。知識圖譜主要采用資源描述框架(resource description framework,RDF)來進行標識,形式上可以表示為SPO三元組,即A=(S,P,O),其中S代表主語(subject),O代表賓語(object),P代表謂語(predicate)。知識圖譜的構建過程通常分為模式層和數據層兩部分。模式層的構建方法主要分為自頂向下、自底向上和兩者的混合方式,輸變電輔助評審系統知識圖譜屬于垂直領域知識圖譜,具有專業性強、術語更新快等特點,通常采用混合方式構建。數據層的構建方式可依據數據的特點而定,通常情況下,對于結構化程度較高的設備清冊等表格類文件可采用正則表達式或規則抽取的方法,而對非結構化的初步設計說明書等文件,則需要使用命名實體識別、關系抽取、實體消歧等自然語言處理技術提取數據文件中的知識,并進行知識建模。本文基于專家經驗提出了面向輸變電工程評審的知識圖譜構建總體框架圖,如圖3所示。該框架主要包括圖譜模式層、數據處理層和圖譜構建層。

圖3 面向輸變電工程評審的知識圖譜構建技術框架圖

1)圖譜模式層:由變電工程模式層、架空線路模式層和電纜線路模式層組成,主要負責為知識圖譜提供本體架構。這些本體架構通常來源于專家評審經驗和歷史工程建設實踐,可以為知識圖譜的本體抽取、關系抽取的訓練提供標簽集。當新型設備設施引入電網后,受益于知識圖譜可拓展性較強的特點,只需在模式層構建新的概念和關系,即可方便引入新的技術。

2)數據處理層:由輸變電工程評審中實際處理的氣象等結構化數據、初設說明書等非結構化數據和設備清冊等半結構化數據組成數據源,為知識圖譜構建提供數據準備。由于這些數據通常來源于各電力設計院,數據量較大,數據冗余程度較高,且往往存在一定程度的數據缺失和錯誤等問題,同時會存在PDF格式的文件數據,因此有必要使用OCR技術識別文檔中的字符,然后通過數據挖掘、神經網絡技術對生數據進行數據清洗,最后針對特高壓工程等工程數量少的典型輸變電工程進行文本增強,擴大樣本數量,為后續知識圖譜應用提供良好的數據基礎。例如經過OCR技術后的某段非結構化數據為:“系統接入方案:本工程特高壓站擴建2×3 000 MVA主變,本期無新增 1 000 kV及500 kV出線;為降低短路電流,變電站500 kV母線分列運行,至A地2回、B地2回出線在一段母線運行;至C地2回、D地2回出線在另一段母線運行。后續需結合‘十四五’電網規劃,進一步研究論證降低該地特高壓站及周邊 500 kV 站點短路電流的措施。”這段文本數據充分說明了該特高壓變電站的工程類型、系統接入方案及后續工作需要注意的情況。

3)圖譜構建層:圖譜構建層是輸變電工程輔助評審系統中負責圖譜生成、管理及更新的模塊,主要從已經清洗好的數據中按照模式層的指導提取出相關的工程知識,形成結構化的知識圖譜。由于從海量數據中人工抽取數據耗時長、準確率不高,采用基于自然語言處理的計算機自動處理技術成為了抽取結構化知識的首選方法。針對現有語言預訓練模型對樣本庫敏感的特點,首先需要通過眾包、正則表達式等方式從結構化和非結構化數據中構建樣本庫,然后采用實體抽取、關系抽取、屬性抽取等知識建模的方式從輸變電工程文本數據中抽取結構化知識,便于形成變電工程知識圖譜、架空線工程知識圖譜、電纜工程知識圖譜和典型設計知識圖譜,其中典型設計圖譜不同于其他三類歷史數據知識圖譜,是一種規范化、樣本化的子圖,體現了輸變電工程設計專家的經驗。知識圖譜完善模塊可以促進知識圖譜的演進,提取新的特征,挖掘缺失實體并補充完成他們之間的關系,形成新的工程建設知識。

2.2.2 基于知識圖譜的解析推理技術

基于知識圖譜的解析推理技術主要由關鍵信息解析和推理兩部分組成。其中關鍵信息解析指的是將知識圖譜中存儲的設備、屬性、工程規模等信息通過檢索提取出來的技術,這項技術的實現有助于對錯誤信息進行比對和糾錯,從而減少工程評審中人工信息查找所需要的時間。為了擴大變電工程輔助評審系統的用戶范圍,讓缺少計算機相關知識的專家也能順暢使用該系統,在關鍵信息檢索技術的前端通常會增加自然語言識別系統,將專家使用的自然語言處理形成關鍵詞,投入到基于知識圖譜的數據庫的查詢系統中,常用的自然語言處理前端可以是以BERT為基礎的預訓練語言模型,也可以使用ChatGPT等新技術。基于知識圖譜的推理主要是通過圖神經網絡等基于圖的深度學習網絡,結合正則表達式,對新建工程與歷史工程的關鍵信息進行比對、相似度查詢和匹配,并通過典型設計等案例進行分析和處理。

3 輸變電工程輔助評審系統的典型應用

本文所提基于知識圖譜的輸變電工程輔助評審系統架構借鑒了國網經濟技術研究院設計評審管理系統,更新了后臺數據庫模式為知識圖譜圖數據庫結構,建設完成后可以滿足關鍵指標糾錯、修改建議生成和知識圖譜質量分析等典型應用需求。

3.1 關鍵指標糾錯

輸變電工程關鍵指標糾錯指的是依據相關的設計規范和工程實際,對電力設計院提交文件的關鍵信息進行全面的梳理分析,及時快速提出可能影響工程實施的問題,為專家人工評審提供參考。輸變電工程評審需要關注的關鍵問題包括設計深度是否達標、基建標準化應用程度是否達標、建設規模與核準規模是否一致、投資概算是否合理、新技術應用情況等[35]。目前,現有的評審關鍵指標糾錯方法主要還是以人工糾錯為主,對專家經驗的依賴程度較高,因此探索使用輔助評審系統將可能存在的問題提前梳理出來,交由各領域的專家進行二次審核能夠大大減小專家的工作量,提高工作效率。

綜合分析上述輸變電工程可能存在的問題,可以將其分為兩類:指標類問題和合規性問題。指標類問題涉及工程規模、設備選擇、設備參數等問題,可以簡單地從數據中提取關鍵信息后與歷史工程或規范文件進行比對,從而得到準確的結果。合規性問題包括投資概算是否合理、新技術新材料的應用情況等問題,這些問題受特定工程自然條件、設備及工人工資等因素的影響,與歷史工程數值可能產生一些偏差,因此只要數值在一定范圍內或滿足一定的發展趨勢均可視為正常。從知識圖譜的角度看,指標類問題通常可以看作實體或屬性糾錯的問題,可以通過預先定義關鍵指標集,通過檢索和與歷史數據或規范類文件比對的方式解決,需要注意的是由于不同設計院慣用的命名規則均有所不同,所以在對特定指標進行對比之前,需要通過本體層構建的數據字典進行實體對齊,保證數據的完整性;合規類問題不僅僅需要對指標進行單獨判斷,還需要對工程概況有深入理解,因此可以將工程基本信息看作子圖,進行圖嵌入學習,從而得到較多的特征值,同時可以使用正則表達式的方式引入專家經驗,對關鍵指標進行聚類分析,從而得到可能存在的合規類問題,提交專家審核。

3.2 修改建議生成

修改建議生成是輸變電工程評審后的一項工作,是面向電力設計院的一項服務。目前主要以評審會后的會議紀要為主要依據,由專家編寫生成,通常包括工程信息概況、問題說明和修改建議等多個部分。其中工程信息概況需要提取多專業關鍵信息,問題說明通常會指出數據中存在的錯誤和位置,而修改建議需要總結上述所有信息,對工程給出一個總結性概括說明。輸變電工程輔助評審系統修改建議生成功能展示如圖4所示。

圖4 輸變電工程輔助評審系統修改建議生成功能展示

綜合以上分析,修改建議生成需要知識圖譜檢索技術、語義槽填充技術和自然語言理解生成技術。利用知識圖譜的快速檢索特性,將檢索到的工程概況信息和電氣一次、電氣二次、土建消防等各專業的關鍵信息提取出來,利用預先定義的語義槽填入會議紀要中,最后基于自然語言生成技術產生對該工程的修改建議。該技術框架中對工程信息的準確理解和對專家意見傾向的明確分類是修改建議生成的基礎和前提,因此,構建準確性高、泛化能力強的輸變電工程輔助評審預訓練模型是該領域研究的重點和難點。

3.3 電網輔助評審系統知識圖譜質量分析

目前對知識圖譜的質量、效能的研究仍然較少,尚未形成統一的國際標準。由于知識圖譜是由模式、實體、屬性三類對象及其之間的關聯關系組成的,因此對知識圖譜質量的評判主要也是面對幾類對象分別進行的。從數據的角度看,知識圖譜的準確性、一致性、完整性和時效性可以作為評判知識圖譜質量的四個要素。其中準確性考察知識的準確度,由于從原始數據中獲取的知識往往存在不可避免的錯誤,因此可以通過抽樣的方式對已建成的知識圖譜的準確度進行分析;一致性衡量的是知識圖譜中知識表達是否一致,是否存在矛盾的知識;完整性考量的是已建成的知識圖譜是否能夠完整覆蓋輸變電工程建設輔助評審業務;時效性側重考察知識是否是最新的,我國電網建設工程的電壓等級不斷提高,隨之而來的新設備和新技術也應及時體現在知識圖譜的模式層和數據層中。

4 結束語

通過梳理輸變電工程評審業務的主要流程和業務要素,本文以知識圖譜為關鍵技術,設計了面向工程實際的輔助評審體系架構。該框架集數據收集、人工智能模型訓練、知識圖譜模型生成為一體,可以實現自上而下的數據模式層設計和自下而上的數據抽取及價值挖掘。最后,文章從關鍵指標糾錯、修改建議生成和圖譜質量分析三個方面對評審典型業務需求進行了梳理,為平臺的落地應用提供了技術參考。