基于知識圖譜輔助大模型的多源電力系統場景問答技術

中圖分類號：TM74;TQ018 文獻標識碼：A 文章編號：1001-5922（2025）10-0191-04

Multi-source power system scenario question answering technology based on knowledge graph assisted large model

DUJianguang，CHENZhenyu，ZHU Tianyou，LIJiwei，YANGShiyu （StateGrid Corporationof ChinaBig Data Center，Beijing1OOO52，China）

Abstract： The multi-source power system involves a wide range of data sources and diverse formats. These data need to be processd in a complex manner during the fusion process，increasing the time cost of data processing， and thus affecting the response speed of the question answering system.Therefore，this paper focuses on the multi-source power system scenario question answering technology based on knowledge graph-assisted large model， aiming to improvethe inteligent level of power system management.The effective fusion of multi-source power systemdatais realized to ensure thecomprehensivenessand accuracyofthedata.Using knowledge extraction technology to extract key information from massive dataand construct a structured knowledge system;through the finely constructed knowledge graph to asist thelarge model，deepen the understanding of thecomplexrelationshipofthe power system; using knowledge graph template matching question answering to realize natural language procesing and accurate answer return of user queries，the information interaction eficiency and decision support abilityof power system are improved.The experimental results significantly improve the information processing eficiency and response speed，andverifyitsgreatpotential inintegrating multi-source data，quicklyunderstandingandresponding to complex scenarios of power systems.

Key words： knowledge graph; knowledge graph asisted large model; multi source power system scenario; scene Qamp;A; scene Qamp;A technology

基于知識圖譜輔助大模型的多源電力系統場景問答技術，為電力系統的智能化轉型開辟了一條新路徑。該技術融合了知識圖譜的強大語義表示與推理能力和大模型的深度學習能力，旨在構建一個能夠理解和回答電力系統多源場景下復雜問題的智能系統[1]。知識圖譜作為結構化的語義網絡，能夠精準描述電力系統中的設備、運行狀態、故障模式等實體及其之間的關系，為問答系統提供堅實的知識基礎2]。而大模型，如預訓練語言模型，則通過海量數據的學習，掌握了豐富的自然語言處理能力和泛化能力，能夠更準確地解析用戶提問，并在知識圖譜中檢索、推理，最終給出準確、詳盡的答案3。本文聚焦于這一前沿技術，深入探討其在大規模電力系統中的應用潛力與挑戰，為電力系統的智能化、精細化管理提供理論依據與實踐指導。

1多源電力系統數據融合

在現代電力系統中，隨著新能源的廣泛接入和智能電網的發展，數據來源變得多樣化且復雜。多源電力系統數據融合是將來自不同源的數據進行集成和整合的過程4。通過高效的數據融合技術，可以全面捕捉電力系統的運行狀態和潛在規律。

面對數據的多源性與異構性挑戰，本文引入典型相關分析（CCA）數據融合工具。典型相關分析能夠跨越不同數據領域的界限，捕捉并提取出各數據源之間潛在的關聯性特征，將它們映射到一個統一的特征空間內5。在這個過程中，強相關的特征會被顯著增強，而弱相關或無關的特征則會被削弱或剔除，從而實現了數據的深度整合與降維[]

設有2個數據集 和 ，其中 n 是樣本數量， p 和 q 分別是2個數據集的特征維度。典型相關分析的目標是找到2組線性變換 a∈R^p 和b∈R^q ，使得變換后的電力系統數據 a^TX 和 b^TY 之間的相關性最大化。其融合問題可表示：

式中： cov（a^TX，b^TY） 是 a^TX 和 b^TY 之間的協方差，var（a^TX） 和 var（b^TY） 分別是 a^TX 和 b^TY 的方差。

為了求解融合問題，添加約束條件， 和 ，其中 和 分別是 X 和 Y 的協方差矩陣[8]。

在添加了約束條件后，典型相關分析的融合問題可以轉化為求解廣義特征值問題，得到一系列的特征向量對，它們分別對應著數據 X 和Y中最相關的特征組合[9。這些特征組合可以被用來將原始數據映射到一個統一的特征空間內，實現數據的深度整合與降維。

2 知識抽取

在數據融合的基礎上，知識抽取成為提取有價值信息和構建知識庫的關鍵環節。知識抽取涉及從海量數據中自動識別并提取出與電力系統相關的實體、關系、事件等關鍵信息[]。通過知識抽取將原始數據轉化為結構化的知識表示，為后續構建知識圖譜提供素材。

面對如文本報告和視頻監控資料，采用詞嵌入技術，即構建定制化的詞向量模型。詞嵌入技術通常通過圖神經網絡模型將詞匯映射到高維向量空間，使得在數值層面上能夠反映文本內容的相似性和差異性[11]。這樣的處理方式，使得計算機能夠直接操作并理解文本數據。

在圖卷積的框架下，空間基方法通過定義一個操作，該操作圍繞每個中心節點（即圖中的每個像素點），聚合其直接鄰居節點（即相鄰像素）的信息。這一過程通常涉及一個“卷積核”，用于計算中心節點與其鄰居節點特征的加權和，這一過程不僅捕獲了節點（像素）的局部空間依賴性，還通過節點的更新表示反映了這種依賴性的變化[12]

具體到實體抽取階段，對實體特征進行文本相似度加權分析，精準衡量實體間的相似程度。這一過程依賴于精確的計算公式，確保相似度評估的科學與準確性。假設有兩個實體 e₁ 和 e₂ ，它們的特征向量分別為 f₁∈R^d 和 f₂∈R^d （這里 d 是特征維度）：

利用上述相似度計算方法，可以對多源電力系統中的所有實體進行兩兩比較，并根據相似度閾值將它們分組或合并[13]。綜上所述，通過一系列精心設計的步驟構建一套高效的多源電力系統知識抽取框架

3構建知識圖譜輔助大模型

基于知識抽取得到的結構化知識構建電力系統領域的知識圖譜。知識圖譜是一種圖狀的數據結構，用于表示實體之間的復雜關系。在電力系統中，知識圖譜可以包含電網結構、設備信息、運行狀態、故障模式等多種類型的知識[14]。構建知識圖譜輔助大模型能夠更準確地理解電力系統的問題和需求，從而提高決策和預測的準確性。

構建一個綜合性的知識網絡，該網絡通過精細定義的“實體-關系-實體\"或“實體-屬性-屬性值\"三元組結構，將電力系統的多元組件、屬性及其相互關聯緊密編織在一起。知識圖譜大模型如圖1所示。

圖1知識圖譜大模型構建

Fig.1 Constructionofknowledgemaplargemodel

圖2問答流程示意圖Fig.2SchematicdiagramofQamp;Aprocess

知識圖譜構建核心環節中，屬性抽取指從文本、圖像等非結構化數據中提取實體的屬性信息，如電力系統的電壓等級、容量等[15]。而共指消解指解決多個實體指稱同一對象的問題，確保知識圖譜中實體的唯一性和一致性。

知識圖譜大模型構建后進行知識圖譜的質量評估，檢查知識庫中是否存在錯誤或矛盾的信息。實施錯誤修正和矛盾解決策略，提升知識圖譜的準確性和可靠性[16]

4知識圖譜模板匹配問答

在構建了電力系統知識圖譜之后，利用模板匹配技術來實現問答系統的智能化。知識圖譜模板匹配問答是一種基于知識圖譜的查詢與推理方法，它允許用戶以自然語言的形式提出問題，系統則通過匹配知識圖譜中的模板和規則來尋找答案。

運用模板匹配技術，使得用戶能夠以自然語言的形式輕松提問，而系統則能迅速在知識圖譜中搜尋并匹配相應的模板與規則，從而精準地提供答案。問答流程示意如圖2所示。

而當電力系統中的設備發出告警信息，這些信息會被即時捕獲并作為輸入，在通過解析意圖識別層傳遞的概念、實體及屬性信息，精心構建查詢子圖。隨后，這些查詢子圖會被轉化為標準的查詢語言，以便在知識圖譜中高效檢索并返回相關的三元組數據或問答對結果。

5 實驗驗證

5.1 實驗準備

本實驗旨在通過應用基于知識圖譜輔助大模型的多源電力系統場景問答技術，提升電力系統規劃的準確性和效率時，實現對電力系統運行場景的精準描述和快速問答。在實驗準備階段啟動實驗環境，如表1所示。

表1實驗環境搭建 Tab.1 Establishment of experimentalenvironment

在模型訓練過程中，不斷優化算法參數，提升模型對電力系統場景的理解能力和問答準確性。

5.2 實驗數據

在數據準備階段，對收集到的海量語料進行細致的預處理工作，對保留下的文本數據進行精細化的分段與分句處理。為了更具體地展示數據準備工作的成果，整理表2故障報告實體類型及屬性列表。

表2故障報告實體類型及屬性列表

Tab.2 List of fault reporting entity types and attributes

列出在故障報告這一特定場景下，識別出的主要實體類型以及它們各自的屬性。

通過這樣的方式，為多源電力系統場景下的故障問答奠定堅實的數據基礎。

5.3 實驗結果與分析

在完成實驗準備并成功部署了基于知識圖譜輔助大模型的多源電力系統場景問答系統后，針對系統的性能進行了全面的測試，特別關注問答響應速度這一關鍵指標。根據實驗數據整理出的關鍵觀察結果，并通過表3形式直觀展示問答響應速度。

表3問答響應速度

Tab.3 Qamp;A response speed

本次實驗通過構建基于知識圖譜輔助大模型的多源電力系統場景問答系統，顯著提升了電力系統的信息處理效率和響應速度。實驗結果顯示，針對不同類型的電力系統實體（如變壓器故障、輸電線路故障等），系統均能在極短的時間內（平均響應時間介于 0.8～4.5s 之間）提供準確的問答服務。這充分證明了該技術能夠有效整合多源數據，利用知識圖譜的語義關聯特性，實現對電力系統復雜場景的快速理解和響應。尤其值得注意的是，系統在處理天氣影響因素這類高頻次但相對簡單的查詢時，展現出了極高的效率（0.8s），而在處理如維修工作記錄等復雜信息時，也能保持穩定的響應速度。這些結果充分展示了基于知識圖譜輔助大模型的多源電力系統場景問答技術在提升電力系統管理效能和智能化水平方面的巨大潛力。

6結語

通過構建精細化的電力系統知識圖譜，并結合大模型的深度學習能力，該技術不僅顯著提升了問答系統的準確性和響應速度，還極大地增強了系統處理復雜、多變電力系統場景的能力。但知識圖譜的構建與維護需要耗費大量的人力與資源，且隨著電力系統規模的擴大和技術的快速迭代，知識圖譜的更新速度可能難以跟上實際需求。隨著自動化構建與更新技術的不斷進步，知識圖譜的維護成本將逐漸降低，其覆蓋范圍和精度也將不斷提升。我們有理由相信，在不久的將來，這一技術將成為推動電力系統智能化轉型的重要力量。

【參考文獻】

[1]王玉璽，王禹灃，侯世昌.多源異構數據情景下的電力系統智能輔助決策建模[J].長江信息通信，2024，37（3）：86-89.

[2]熊小舟，徐瀅，劉小康，等.基于知識圖譜技術的電力行業多源異構數據融合研究[J].中國高新科技，2023（3）：111-112.

[3]葉欣智，尚磊，董旭柱，等.面向配電網故障處置的知識圖譜研究與應用[J].電網技術，2022，46（10）：3739-3749.

[4]王金浩，樊瑞，肖螢，等.基于低碳需求響應的新型電力系統中源-網-荷-儲協調的優化調度[J].太原理工大學學報，2024，55（1）：46-56.

[5]張妍，冷媛，尚楠，等.考慮碳排放需求響應及碳交易的電力系統雙層優化調度[J].電力建設，2024，45（5）：94-104.

[6]臧延雪，邊曉燕，梁思琪，等.計及線路傳輸能力的新能源電力系統靈活性評估及優化調度方法[J].電力系統保護與控制，2023，51（11）：15-26.

[7]HOUR，LIUH，HU Y，et al. Research on secure transmis-sion and storage of energy IoT information based on Block-chain[J]. Peer-to-Peer Networking and Applications，2020，13（4）：1225-1235.

[8]DUAN Z，TANG S.A fast classification method of mass da-tain Internet of things based on fuzzy clustering maximumtree algorithm[J]. Web Intelligence，2023，21（2）：139-147.

[9]阮詩迪，劉欣然，張雄寶，等.智能電網海量信息處理中的關聯規則與數據流挖掘研究[J].微型電腦應用，2023，39（7）：61-64.

[10]AMIN M，SAYAD M H. A privacy-preserving homomor-phic scheme with multiple dimensions and fault tolerancefor metering data aggregation in smart grid[J]. IEEETransactions on Smart Grid，2021，12（6）：5212-5220.

[11]MAY，CAI D，YANG X，et al.A novel SSO parametersidentification technique for power grid with high propor-tion renewable energy using synchrophasor data[J]. Inter-national Journal of Electrical Power and Energy Systems，2021，132：107131.

[12]馬海鑫，余杰文，侯劍，等.智能電網海量非結構化數據分布式存儲研究[J].電子設計工程，2023，31（11）：116-119.

[13]SRIKANTHA P，LIU J，SAMARABANDU J. A novel dis-tributed and stealthy attack on active distribution net-works and a mitigation strategy[J]. IEEE Transactions onIndustrial Informatics，2020，16（2）：823-831.

[14]MA G，ZHANGL，CUI G，et al. Design of medical exami-nation data mining system based on decision tree mod-el[J]. Journal of Physics： Conference Series，2O19，1237（2）：022022.

[15]吳浩，李廷鵑，李玉健，等.基于數據挖掘的數據庫信息查詢訪問控制系統設計[J].電子設計工程，2023，31（18）：6-9.

[16]張鵬飛，王芳，楊澤亮，等.基于多維數據挖掘的配變臺區線損系統設計與實現[J].中國高新科技，2023（15）：73-75.