電力設(shè)備健康管理知識圖譜：基本概念、關(guān)鍵技術(shù)及研究進(jìn)展

李 剛，李銀強(qiáng)，王洪濤，謝 慶，黃文琦，侯佳萱

（1. 華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，河北省保定市 071003；2. 復(fù)雜能源系統(tǒng)智能計(jì)算教育部工程研究中心（華北電力大學(xué)），河北省保定市 071003；3. 華北電力大學(xué)電氣與電子工程學(xué)院，河北省保定市 071003；4.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東省廣州市 510670）

0 引言

電力設(shè)備（如發(fā)電機(jī)、變壓器、繼電保護(hù)裝置等）狀態(tài)評估（如風(fēng)電機(jī)組狀態(tài)預(yù)測、變壓器剩余壽命、輸電線路狀態(tài)監(jiān)測等）對保障電力系統(tǒng)安全穩(wěn)定運(yùn)行有著重要的理論意義［1］。隨著智能電網(wǎng)體系的不斷完善，電力設(shè)備的類型、數(shù)量、工況復(fù)雜性大幅增加。以變壓器為例，國家電網(wǎng)有限公司在運(yùn)110 kV及以上電壓等級變壓器已達(dá)30 000 余臺［2］。隨著投運(yùn)設(shè)備的增加，存在于電力設(shè)備健康管理全生命周期各環(huán)節(jié)中的大量相關(guān)知識也大幅增加，如何有效管理和利用這些知識，是電力設(shè)備精細(xì)化運(yùn)維與健康管理的重要內(nèi)容之一。已有研究將計(jì)算機(jī)領(lǐng)域中近年來廣泛應(yīng)用的知識圖譜（knowledge graph）技術(shù)引入電力系統(tǒng)領(lǐng)域［3］。

知識圖譜的概念最初由Google 公司于2012 年提出［4］，Google 知識圖譜通過三元組對“概念實(shí)體”、“屬性”和“關(guān)系”等核心要素進(jìn)行形式化描述，以最小的代價(jià)將大規(guī)模網(wǎng)絡(luò)信息有效組織起來，實(shí)現(xiàn)了互聯(lián)網(wǎng)領(lǐng)域的數(shù)億實(shí)體、屬性和關(guān)聯(lián)關(guān)系的可視化存儲(chǔ)、組織和管理［5］。知識圖譜可定義為形如（h，r，t）的三元組，其中h為頭實(shí)體，r為關(guān)系，t為尾實(shí)體。知識圖譜本質(zhì)上是一個(gè)有向圖。通過網(wǎng)狀拓?fù)浣Y(jié)構(gòu)對知識進(jìn)行更好的串聯(lián)和呈現(xiàn)，它可以對多源異構(gòu)數(shù)據(jù)進(jìn)行整合和知識提取，包含了實(shí)體之間更豐富的語義關(guān)聯(lián)，并且可以結(jié)合推理得到的隱含信息為用戶提供個(gè)性化服務(wù)，被廣泛應(yīng)用于智能搜索、智能問答、文本分類等領(lǐng)域［6］。國外在知識圖譜構(gòu)建方面 起 步 較 早，較 為 知 名 的 有YAGO［7］、Wikidata［8］。國內(nèi)已有不少互聯(lián)網(wǎng)和研究機(jī)構(gòu)在知識圖譜構(gòu)建方面做了相應(yīng)工作，比如上海交通大學(xué)最早構(gòu)建的中文知識圖譜平臺zhishi.me；百度推出的中文知識圖譜搜索；復(fù)旦大學(xué)GDM 實(shí)驗(yàn)室推出的中文知識圖譜展示平臺等［9］。

知識圖譜作為人工智能領(lǐng)域的一個(gè)重要分支，目前在各個(gè)領(lǐng)域均開始有一些初步的研究，在電力領(lǐng)域尚屬起步階段。例如，文獻(xiàn)［10］根據(jù)調(diào)度自動(dòng)化系統(tǒng)的源碼、配置文件、數(shù)據(jù)庫和專家經(jīng)驗(yàn)整理出離散的調(diào)度知識，構(gòu)建了調(diào)度自動(dòng)化系統(tǒng)知識圖譜，用于業(yè)務(wù)知識的動(dòng)態(tài)搜索；文獻(xiàn)［11］采用電力詞典抽取缺陷信息實(shí)體，構(gòu)建了電力設(shè)備缺陷知識圖譜，用于故障缺陷信息的檢索；文獻(xiàn)［12］利用知識圖譜建立了面向智能變電站的搜索引擎，開發(fā)了安全措施自動(dòng)生成系統(tǒng)，對二次檢修的效率以及安全措施的準(zhǔn)確性有一定提高；文獻(xiàn)［13］基于知識圖譜技術(shù)構(gòu)建了以Neo4j 圖數(shù)據(jù)庫為支撐的電網(wǎng)信息搜索引擎，較之于傳統(tǒng)的搜索引擎可更便捷、快速、準(zhǔn)確地獲取信息；文獻(xiàn)［14］針對電網(wǎng)業(yè)務(wù)數(shù)據(jù)無法跨專業(yè)貫通、數(shù)據(jù)資源無法被智能分析與管理等問題，提出基于全業(yè)務(wù)統(tǒng)一數(shù)據(jù)中心的知識圖譜構(gòu)建方法，實(shí)現(xiàn)了運(yùn)檢數(shù)據(jù)的自動(dòng)匹配；文獻(xiàn)［15］從電網(wǎng)調(diào)度規(guī)則、故障預(yù)案以及人工經(jīng)驗(yàn)知識中進(jìn)行知識抽取，構(gòu)建了電網(wǎng)故障調(diào)度知識圖譜，用于輔助配電網(wǎng)故障決策診斷。當(dāng)前，知識圖譜在電力系統(tǒng)中的應(yīng)用尚屬起步階段，應(yīng)用場景并不明確，并且缺乏對關(guān)鍵技術(shù)的深入研究，如知識圖譜的構(gòu)建、知識推理、圖譜補(bǔ)全等。文獻(xiàn)［10，12，14］采用基于模板的方法進(jìn)行圖譜構(gòu)建，靈活性較低，難以應(yīng)對時(shí)變的數(shù)據(jù)，而文獻(xiàn)［11，15］則是采用了機(jī)器學(xué)習(xí)的方法和針對文本處理特定的方法進(jìn)行圖譜構(gòu)建，需要在特征工程上耗費(fèi)大量精力。

綜上，知識圖譜在電力系統(tǒng)的各業(yè)務(wù)環(huán)節(jié)均有所研究，但并未形成一套有效的知識圖譜構(gòu)建方法，對知識圖譜的應(yīng)用也處于起步階段。在電力設(shè)備健康管理中存在著大量的專業(yè)業(yè)務(wù)知識，如何構(gòu)建完備的知識圖譜，并在此基礎(chǔ)上挖掘其應(yīng)用價(jià)值，實(shí)現(xiàn)設(shè)備的精細(xì)化運(yùn)維以及知識和健康管理的良性互動(dòng)，是當(dāng)前及今后一段時(shí)間內(nèi)，能源電力系統(tǒng)推動(dòng)數(shù)字化轉(zhuǎn)型的重要方向之一。

1 知識圖譜技術(shù)體系

1.1 知識圖譜構(gòu)建方法

知識圖譜可以分為不限領(lǐng)域知識圖譜（通用知識圖譜）和限定領(lǐng)域知識圖譜（領(lǐng)域知識圖譜）［16］。通用知識圖譜涵蓋面廣，其知識來自各行各業(yè)，而領(lǐng)域知識圖譜則是面向特定行業(yè)進(jìn)行知識抽取，需要有豐富的領(lǐng)域背景知識。本節(jié)將對知識圖譜的構(gòu)建方法及其關(guān)鍵技術(shù)進(jìn)行詳細(xì)介紹，如圖1 所示。由于當(dāng)前不同文獻(xiàn)對知識圖譜中所出現(xiàn)的部分術(shù)語表述有差異，本文嘗試做了梳理，如附錄A 表A1所示［17-21］。

圖1 知識圖譜構(gòu)建過程Fig.1 Construction process of knowledge graph

1.1.1 自頂向下

自頂向下（top down）的構(gòu)建方法可分為本體學(xué)習(xí)（ontology learning）、實(shí)體學(xué)習(xí)（entity learning）?！氨倔w”是對知識圖譜在概念層面的定義，定義了知識圖譜構(gòu)建的規(guī)則、概念，本體較為抽象。例如，在構(gòu)建電力設(shè)備健康管理知識圖譜時(shí)，首先需要對電力設(shè)備進(jìn)行分類，這個(gè)分類就是本體。而本體中的具體對象就是實(shí)體，如變壓器、氣體絕緣金屬封閉開關(guān)設(shè)備（GIS）等。本體學(xué)習(xí)的目的是從當(dāng)前語料、文本中提取行業(yè)術(shù)語，習(xí)得本體的概念，抽取本體之間的關(guān)系完成本體層的構(gòu)建，制定數(shù)據(jù)層實(shí)體、關(guān)系抽取規(guī)則。實(shí)體學(xué)習(xí)則是在本體學(xué)習(xí)的基礎(chǔ)上對數(shù)據(jù)進(jìn)行實(shí)體、關(guān)系抽取，并完成實(shí)體對齊任務(wù)，獲得實(shí)體的統(tǒng)一描述，如“局放”、“局部放電”、“局部放電故障”，均可歸納為“局部放電故障”，然后進(jìn)行實(shí)體填充獲得完備的實(shí)體表述。

1.1.2 自底向上

自底向上（bottom up）的構(gòu)建方法可分為知識抽?。╧nowledge extraction）、知識融合（knowledge fusion）、知識加工。知識抽取包含：1）實(shí)體抽取（entity extraction）；2）關(guān) 系 抽 ?。╮elationship extraction）；3）屬性抽取，從數(shù)據(jù)源中抽取實(shí)體，獲取實(shí)體之間的關(guān)聯(lián)關(guān)系，通過關(guān)系將實(shí)體連接起來構(gòu)成知識網(wǎng)，最后進(jìn)行實(shí)體信息抽取。知識融合包括：1）實(shí)體對齊（entity alignment），自底向上的實(shí)體對齊同自頂向下實(shí)體對齊，都是對同一實(shí)體的不同表達(dá)去噪得到統(tǒng)一描述；2）實(shí)體消歧（entity disambiguation），是對知識圖譜中存在多種含義的實(shí)體進(jìn)行區(qū)分，如“變壓器”，可指代“110 kV 變壓器”，也可指代“220 kV 變壓器”，通過實(shí)體消歧可將具有同樣名稱的實(shí)體進(jìn)行區(qū)分；3）屬性值填充，目的是將抽取的屬性按照實(shí)體進(jìn)行匹配，以完善實(shí)體。知識加工包括：本體構(gòu)建、質(zhì)量評估、知識推理（knowledge reasoning），通過計(jì)算實(shí)體相似度形成本體層與數(shù)據(jù)層結(jié)合形成知識圖譜，通過人工或者自動(dòng)化的方式對知識圖譜質(zhì)量進(jìn)行評估，最后對知識圖譜進(jìn)行推理，發(fā)現(xiàn)其中包含的錯(cuò)誤實(shí)體關(guān)系對或者隱性知識。

1.2 知識圖譜構(gòu)建中的關(guān)鍵技術(shù)

構(gòu)建知識圖譜所涉及的關(guān)鍵技術(shù)可分為2 種：一是構(gòu)建知識圖譜本身所需的關(guān)鍵技術(shù)，如實(shí)體抽取、實(shí)體關(guān)系抽取、實(shí)體-關(guān)系聯(lián)合抽?。╦oint extraction of entity relations）等，屬于自然語言處理的范疇；二是知識圖譜的本源技術(shù)，如圖譜完善，旨在通過現(xiàn)有的知識挖掘出新的知識、不斷完善知識圖譜。本文接下來將從實(shí)體抽取、關(guān)系抽取、知識推理等幾個(gè)關(guān)鍵環(huán)節(jié)做詳細(xì)介紹。

1.2.1 實(shí)體抽取

實(shí)體抽取又稱命名實(shí)體識別，其任務(wù)包括識別文中提及的命名實(shí)體，消除實(shí)體的歧義，并將抽取的實(shí)體與知識庫中的對象連接起來［22］。實(shí)體抽取方法可分為傳統(tǒng)實(shí)體抽取方法、基于機(jī)器學(xué)習(xí)的抽取方法和基于神經(jīng)網(wǎng)絡(luò)的抽取方法［23］。傳統(tǒng)方法多依靠領(lǐng)域?qū)＜抑贫ǔ槿∫?guī)則和模板完成實(shí)體抽取，自動(dòng)化程度較低，適用于小數(shù)據(jù)集?；谝?guī)則的方法往往需要大量的語言學(xué)知識，且費(fèi)時(shí)費(fèi)力、可移植性不好。目前，部分實(shí)體抽取任務(wù)被機(jī)器學(xué)習(xí)算法解決［24］?；诮y(tǒng)計(jì)機(jī)器學(xué)習(xí)的實(shí)體抽取方法通常需要進(jìn)行特征工程如數(shù)據(jù)升維、降維、量化等，對特征選擇要求較高，同時(shí)需要大規(guī)模語料集。而深度學(xué)習(xí)方法可以實(shí)現(xiàn)特征的自動(dòng)學(xué)習(xí)，采用低維、稠密的實(shí)值向量表示數(shù)據(jù)，避免對人工和專家知識的嚴(yán)重依賴。近年來，基于深度學(xué)習(xí)的實(shí)體抽取方法受到關(guān)注［25］。通常采用機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)的方法能夠較為靈活地抽取實(shí)體。例如，文獻(xiàn)［26］提出一種基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)（BiLSTM）與條件隨機(jī)場（CRF）的神經(jīng)網(wǎng)絡(luò)模型，用于序列標(biāo)注與實(shí)體抽取任務(wù)，較之于隱馬爾可夫模型（HMM）和CRF 實(shí)驗(yàn)效果更好；文獻(xiàn)［27］采用BiLSTM+CRF 構(gòu)建了二次設(shè)備功能缺陷知識圖譜；在復(fù)雜的電力實(shí)體抽取任務(wù)中傳統(tǒng)方式以及基于監(jiān)督學(xué)習(xí)的方式難以應(yīng)對，因此，文獻(xiàn)［28］分別使用了BiLSTM 與CRF 模型進(jìn)行電力實(shí)體抽取，同樣獲得了不錯(cuò)的表現(xiàn)。

1.2.2 關(guān)系抽取

關(guān)系抽取又稱實(shí)體關(guān)系抽取，通過從文本中抽取未知的實(shí)體關(guān)系并加入知識圖譜中，它是知識圖譜構(gòu)建的關(guān)鍵任務(wù)［29］。同樣，關(guān)系抽取可分為基于模式匹配的關(guān)系抽取、基于機(jī)器學(xué)習(xí)的關(guān)系抽取、基于深度學(xué)習(xí)的關(guān)系抽?。?0-31］。關(guān)系抽取和實(shí)體抽取密不可分，通常進(jìn)行實(shí)體抽取的模型和方法對關(guān)系抽取同樣適用。早期采用的方法大多基于模式匹配的關(guān)系抽取，即通過領(lǐng)域?qū)＜抑贫P(guān)系抽取規(guī)則，然后與數(shù)據(jù)進(jìn)行匹配完成關(guān)系抽取任務(wù)?；谝?guī)則的關(guān)系抽取方法的缺點(diǎn)是對跨領(lǐng)域的可移植性較差、人工標(biāo)注成本較高以及召回率較低［30］。目前，關(guān)系抽取任務(wù)逐漸被機(jī)器學(xué)習(xí)替代，基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)方法首先需要大量人工標(biāo)注的語料庫，然后再進(jìn)行特征抽取和選擇，利用不同的機(jī)器學(xué)習(xí)算法訓(xùn)練分類模型，自動(dòng)抽取、發(fā)現(xiàn)新的實(shí)體對及其關(guān)系［32］?；趥鹘y(tǒng)機(jī)器學(xué)習(xí)的關(guān)系抽取方法在特征提取過程中存在誤差傳播問題，而深度學(xué)習(xí)因其能夠自動(dòng)學(xué)習(xí)更高階語義特征并具有較高的精確度，逐漸成為實(shí)體關(guān)系抽取領(lǐng)域新的研究熱點(diǎn)［33］。文獻(xiàn)［34］就采用了基于注意力機(jī)制的門控循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行電力實(shí)體關(guān)系抽取，與傳統(tǒng)方法相比可獲得更高的準(zhǔn)確度。

1.2.3 實(shí)體-關(guān)系聯(lián)合抽取

實(shí)體抽取和關(guān)系抽取作為構(gòu)建知識圖譜中最重要的2 個(gè)任務(wù)，其抽取質(zhì)量直接關(guān)系著最終知識圖譜的質(zhì)量，通常它們是2 個(gè)分離的任務(wù)，但存在以下問題：傳統(tǒng)的關(guān)系抽取劃分為2 個(gè)流水線式的子任務(wù)，即命名實(shí)體識別和關(guān)系分類，實(shí)體抽取的誤差會(huì)傳播至關(guān)系分類，即前一個(gè)子任務(wù)的錯(cuò)誤會(huì)累積到下一個(gè)子任務(wù)，導(dǎo)致性能較差；同時(shí)流水線式模式還忽略了2 個(gè)任務(wù)之間的相關(guān)性，尤其是在實(shí)體抽取時(shí)沒有利用到關(guān)系信息［35-36］。針對此情況，越來越多的研究集中在單個(gè)模式中同時(shí)抽取實(shí)體和關(guān)系，通常稱之為“實(shí)體-關(guān)系聯(lián)合抽取”，因充分利用了上下文信息，在抽取的結(jié)果上往往有更好的表現(xiàn)。但在目前電力系統(tǒng)相關(guān)知識圖譜構(gòu)建中尚無應(yīng)用。

1.2.4 圖譜完善

圖譜完善又稱圖譜補(bǔ)全，即通過挖掘缺失實(shí)體、關(guān)系或者發(fā)現(xiàn)新的知識，對知識圖譜進(jìn)行完善，被廣泛應(yīng)用到知識圖譜上游應(yīng)用中，是提高知識圖譜質(zhì)量的重要方法［37］。例如，目前規(guī)模較大的開放知識圖譜Freebase 中，有75% 的人沒有國籍信息，Dbpedia 中有60%的人物實(shí)體沒有相關(guān)的出生地信息等。這時(shí)使用圖譜完善技術(shù)對其中缺失或者錯(cuò)誤的實(shí)體、關(guān)系進(jìn)行補(bǔ)全或糾正就顯得尤為重要，尤其是對領(lǐng)域知識圖譜進(jìn)行補(bǔ)全工作，能夠幫助人們更好地理解潛在的專業(yè)知識。與圖譜完善對應(yīng)的是知識推理，即從現(xiàn)有數(shù)據(jù)中推斷出新的實(shí)體關(guān)系，并對圖譜進(jìn)行反饋、豐富［38］。圖譜完善和知識推理都可以對當(dāng)前圖譜中存在的錯(cuò)誤或缺失信息進(jìn)行糾正，但圖譜完善僅對圖譜進(jìn)行完善補(bǔ)全工作，而知識推理則更注重在完善圖譜的同時(shí)發(fā)現(xiàn)隱性知識，幫助人們獲得更高階的知識表示，因此，圖譜完善可以看作是知識推理的子任務(wù)。

當(dāng)前電力領(lǐng)域知識圖譜的構(gòu)建工作大部分是沒有進(jìn)行質(zhì)量評估的，不能形成對知識圖譜質(zhì)量的全局把控，在圖譜完善和知識推理方面還有待完善。

2 知識圖譜在電力設(shè)備健康管理中的應(yīng)用

當(dāng)前電力設(shè)備健康管理工作所使用的數(shù)據(jù)多為一段時(shí)間連續(xù)的在線監(jiān)測數(shù)據(jù)，如電壓、電流、油色譜，或者采用紅外、紫外、設(shè)備外觀圖像進(jìn)行故障分類與診斷，忽略了日常巡檢累積的大量電力文本語料，同時(shí)大量使用數(shù)據(jù)驅(qū)動(dòng)的方法進(jìn)行健康管理工作，最直接的問題便是結(jié)果的可解釋性，基于符號主義的知識圖譜在文本數(shù)據(jù)挖掘和可解釋性方面有較好的優(yōu)勢。隨著知識圖譜技術(shù)的發(fā)展，研究者提出了諸多知識圖譜驅(qū)動(dòng)的智能問答、商品推薦、數(shù)據(jù)挖掘范式，展現(xiàn)了知識圖譜廣闊的應(yīng)用前景［39］，其在電力領(lǐng)域的應(yīng)用也逐漸開始。因此，本章首先分析電力設(shè)備健康管理知識圖譜的特點(diǎn)，然后給出知識圖譜在電力設(shè)備健康管理中的應(yīng)用場景。

2.1 電力設(shè)備健康管理知識圖譜的特點(diǎn)

電力系統(tǒng)數(shù)據(jù)已呈現(xiàn)海量化、多樣化和快速化的大數(shù)據(jù)特征［40］，包含文本、圖像、音頻等這樣的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，這些多樣性的數(shù)據(jù)導(dǎo)致了在構(gòu)建電力設(shè)備健康管理知識圖譜時(shí)，在知識和信息的表示上呈現(xiàn)多模態(tài)的特點(diǎn)。

從所構(gòu)建的圖譜來看，電力設(shè)備健康管理知識圖譜涵蓋如下3 個(gè)方面：1）最基本的知識圖譜，其知識來源為關(guān)系型數(shù)據(jù)庫、文本、文檔等結(jié)構(gòu)化數(shù)據(jù)，用途為管理結(jié)構(gòu)化知識和圖譜可視化；2）多模態(tài)圖譜，多模態(tài)知識圖譜將多模態(tài)知識（文本、視頻、圖片）進(jìn)行整合，可為用戶提供多個(gè)不同維度的知識，還可以實(shí)現(xiàn)不同模態(tài)數(shù)據(jù)之間的跨模態(tài)交互［41］。例如，電力設(shè)備故障診斷和健康管理中通常有基于紅外光譜數(shù)據(jù)［42］、紫外光譜數(shù)據(jù)［43］、振動(dòng)信號［44］等方法。通過神經(jīng)網(wǎng)絡(luò)提取這些非結(jié)構(gòu)化數(shù)據(jù)特征進(jìn)行分類，可得到設(shè)備故障類型的文本描述，有助于圖譜構(gòu)建，常見的方法有卷積神經(jīng)網(wǎng)絡(luò)、目標(biāo)檢測，通過預(yù)先標(biāo)注的故障類型和設(shè)備類型進(jìn)行模型訓(xùn)練，從而得到圖片中設(shè)備或者故障類型的文本描述；3）事理圖譜，又稱事件圖譜，以事件為節(jié)點(diǎn)，以事件關(guān)系為邊，能夠較好地表現(xiàn)事件之間的耦合關(guān)系，實(shí)現(xiàn)事件因果關(guān)系的預(yù)測［45］。例如，當(dāng)設(shè)備發(fā)生故障時(shí)，由于設(shè)備故障具有較強(qiáng)的耦合性和因果關(guān)系，構(gòu)建電力設(shè)備事理圖譜可有效進(jìn)行故障溯源，明晰故障原因、部位，極大提高運(yùn)維的靈活程度。

電力設(shè)備健康管理知識圖譜應(yīng)具有更好的知識表達(dá)能力，涵蓋豐富的電力設(shè)備信息，因其應(yīng)用場景特定，加之電力行業(yè)積累的海量數(shù)據(jù)，能對電力設(shè)備知識做到較完備的表示。另外，無論是從保證用電安全的角度，還是確保巡檢人員安全的角度，所構(gòu)建的圖譜在參與輔助決策時(shí)應(yīng)具有良好的知識表達(dá)能力，這就要求所構(gòu)建的知識圖譜較之于通用知識圖譜應(yīng)擁有更細(xì)粒度的知識。

2.2 電力設(shè)備健康管理知識圖譜構(gòu)建分析

通常在完成本體構(gòu)造、實(shí)體和關(guān)系抽取任務(wù)后便可得到知識圖譜的大體框架，但正如前文所述，實(shí)體和關(guān)系抽取的質(zhì)量將影響最終知識圖譜的質(zhì)量，所以在構(gòu)建知識圖譜之前須確保抽取的實(shí)體及關(guān)系有著較高的準(zhǔn)確率。當(dāng)前不少工作是將實(shí)體抽取和關(guān)系抽取視為2 個(gè)分離的任務(wù)，故本文對實(shí)體-關(guān)系聯(lián)合抽取做了相應(yīng)回顧。實(shí)體、關(guān)系分離抽取存在的最大問題就是忽視了誤差傳播因素，隨著自然語言處理（NLP）的快速發(fā)展，必將涌現(xiàn)出一系列實(shí)體-關(guān)系聯(lián)合抽取方法，以獲得高質(zhì)量的實(shí)體及關(guān)系。在知識圖譜構(gòu)建完成之后須進(jìn)行圖譜完善以及知識推理工作，并對現(xiàn)有的知識圖譜進(jìn)行反饋得到更為全面的知識圖譜。同時(shí)，數(shù)據(jù)的不斷累積將導(dǎo)致關(guān)鍵數(shù)據(jù)稀疏情況的出現(xiàn)，所以，如何從海量數(shù)據(jù)中獲取目標(biāo)數(shù)據(jù)也是知識圖譜構(gòu)建過程中的一大難題。因此，本節(jié)將從數(shù)據(jù)準(zhǔn)備、圖譜構(gòu)建、圖譜完善等方面展開論述，詳細(xì)介紹電力設(shè)備健康管理知識圖譜的構(gòu)建過程，總體框架如圖2 所示。

圖2 電力設(shè)備健康管理知識圖譜構(gòu)建過程Fig.2 Construction process of health management knowledge graph of power equipment

2.2.1 數(shù)據(jù)準(zhǔn)備

電力系統(tǒng)運(yùn)行、檢修和管理過程中產(chǎn)生的海量全景狀態(tài)數(shù)據(jù)通常存儲(chǔ)在生產(chǎn)管理系統(tǒng)（PMS）、管控平臺、文件系統(tǒng)、數(shù)據(jù)中臺等，并夾雜著大量的噪聲［46］，這就需要研究如何從高噪聲、價(jià)值密度稀疏的數(shù)據(jù)中有效挖掘目標(biāo)數(shù)據(jù)及其潛在價(jià)值。通常通用知識圖譜可以通過網(wǎng)絡(luò)爬蟲的形式增加數(shù)據(jù)集以獲得更多數(shù)據(jù)，但對于電力知識圖譜來說，該方法具有一定的局限性；此外，在知識抽取環(huán)節(jié)，通常開放領(lǐng)域知識圖譜可采用開放眾包的方式來加快知識抽取過程，但是電力數(shù)據(jù)通常有保密性要求，文本標(biāo)注環(huán)節(jié)只能在電力行業(yè)內(nèi)部進(jìn)行，進(jìn)一步加大了知識圖譜構(gòu)建的難度，可在開源第三方工具（如Jieba 分詞）的基礎(chǔ)上增加電力設(shè)備數(shù)據(jù)模板（如借助行業(yè)內(nèi)規(guī)范、白皮書等），進(jìn)一步加快抽取過程，并形成標(biāo)簽供使用。

其中，電力設(shè)備數(shù)據(jù)的稀疏性主要表現(xiàn)為：設(shè)備故障存在偶然性，歷史數(shù)據(jù)及在線監(jiān)測數(shù)據(jù)中故障樣本偏少，導(dǎo)致現(xiàn)有故障診斷算法由于數(shù)據(jù)分布不均使得診斷效果低下。針對此種情況，需選取合適的方法對故障樣本進(jìn)行擴(kuò)充。例如，文獻(xiàn)［47］提出一種基于注意力機(jī)制的對抗生成網(wǎng)絡(luò)，可實(shí)現(xiàn)輸電線路中螺栓缺陷樣本的生成，有效擴(kuò)充了可用于訓(xùn)練的樣本集。

2.2.2 圖譜構(gòu)建

知識圖譜的構(gòu)建方式通?？煞譃樽皂斚蛳隆⒆缘紫蛏虾突旌戏绞? 種［29］，電力設(shè)備健康管理知識圖譜屬于領(lǐng)域知識圖譜，通常采用自頂向下和自底向上相結(jié)合的混合構(gòu)建方式，即先定義本體層，然后在數(shù)據(jù)層進(jìn)行知識抽取，同時(shí)反復(fù)更新本體層，再將新得的知識添加至本體中完成圖譜構(gòu)建，靈活性較高。

普通圖譜只由實(shí)體和關(guān)系組成，而多模態(tài)圖譜需對數(shù)據(jù)做出意圖理解，然后將所識別的意圖加入實(shí)體或者關(guān)系中；事件圖譜則是將事件和事件關(guān)系作為圖譜的實(shí)體和關(guān)系。依靠傳統(tǒng)的基于模板的方法較難處理海量電力數(shù)據(jù)，缺點(diǎn)在于處理速度較慢，且實(shí)體和關(guān)系抽取精度不高。因此，針對多模態(tài)圖譜和事件圖譜，可考慮使用自動(dòng)化方法進(jìn)行實(shí)體和關(guān)系抽取、意圖理解、事件抽取等，其中深度學(xué)習(xí)方法前景較好。

屬性在知識圖譜中起到的作用是描述實(shí)體，然而，實(shí)體屬性填充面臨著如下的困境：1）由于電力設(shè)備健康管理中的實(shí)體多為電力設(shè)備或器件，而在線監(jiān)測系統(tǒng)會(huì)大量采集其相關(guān)屬性和指標(biāo)，如果全部加入知識圖譜中會(huì)導(dǎo)致圖譜規(guī)模過于龐大影響上層應(yīng)用；2）所采集的數(shù)據(jù)具有一定的不完備性，可能存在指標(biāo)缺失的情況，因此，將何種指標(biāo)作為屬性還有待進(jìn)一步研究。

2.2.3 圖譜完善

圖譜完善可看作是知識推理的子任務(wù)，因此，可使用相同的模型及算法來簡化完善流程以及知識推理過程。常用的方法有基于規(guī)則的推理、基于分布式表示的推理和基于神經(jīng)網(wǎng)絡(luò)的推理［38］。其中，基于分布式表示的推理在應(yīng)對大規(guī)模知識圖譜推理時(shí)表現(xiàn)了良好的伸縮性和效率，能更為有效地推斷出新的知識［48］。而電力設(shè)備在線監(jiān)測數(shù)據(jù)、巡檢數(shù)據(jù)、維修記錄等源源不斷的信息，導(dǎo)致知識圖譜的規(guī)模也會(huì)不斷增大，基于規(guī)則的推理靈活性較低，難以應(yīng)對時(shí)變數(shù)據(jù)，泛化力較差。基于神經(jīng)網(wǎng)絡(luò)的推理模型復(fù)雜度高且可解釋性差。因此，在需要進(jìn)行知識的快速推理、明晰故障原因的場景下，知識推理和圖譜完善可選擇基于分布式表示的推理，主要以多關(guān)系嵌入模型（TransE）［49］為主，后續(xù)衍生出了超平面知識圖譜嵌入（TransH）［50］、自適應(yīng)稀疏矩陣圖譜完善（TranSparse）［51］等模型，其思想是將實(shí)體和關(guān)系映射到低維空間向量，利用語義表達(dá)式進(jìn)行推理，充分利用了知識圖譜中的結(jié)構(gòu)信息，方法簡單，適用于大規(guī)模知識圖譜，但基于分布式表示的推理方法在建立推理模型時(shí)沒有考慮先驗(yàn)知識，只考慮滿足知識圖譜中事實(shí)三元組的約束條件，缺乏更深層次的成分信息，限制了推理能力。由于電力設(shè)備運(yùn)行的特殊性，可考慮犧牲計(jì)算時(shí)間，采用基于神經(jīng)網(wǎng)絡(luò)的推理方法以獲得更準(zhǔn)確的結(jié)果。該推理方法依靠深度學(xué)習(xí)模型的自學(xué)習(xí)能力抽取特征，然后利用其記憶推理能力建立實(shí)體關(guān)系預(yù)測模型。

綜上所述，選取何種方式進(jìn)行知識推理以獲得隱性知識，依賴于具體的應(yīng)用場景。

2.3 電力設(shè)備健康管理知識圖譜的典型應(yīng)用場景

目前，知識圖譜在電力領(lǐng)域尚處于起步階段，在電力設(shè)備健康管理的應(yīng)用和落地方面，可參考其他領(lǐng)域應(yīng)用的成功經(jīng)驗(yàn)并結(jié)合行業(yè)特點(diǎn)進(jìn)行分析。文獻(xiàn)［52］指出，知識圖譜可用于電力調(diào)度故障處理、電力巡檢工單處理、電力客服智能問答，未來在智能搜索、智能推薦、智能問答、智能決策等應(yīng)用上也有較好潛力。因此，本節(jié)在現(xiàn)有工作的基礎(chǔ)上，詳細(xì)闡述電力設(shè)備健康管理知識圖譜的應(yīng)用場景，總體如附錄A 圖A1 所示。

2.3.1 電力設(shè)備知識管理

電力設(shè)備知識來源于2 個(gè)方面：1）設(shè)備固有特性所組成的知識，如電力變壓器是由銅、鐵、紙等材料組成的復(fù)雜設(shè)備；2）人為經(jīng)驗(yàn)知識，如檢測變壓器套管故障可依據(jù)其測量溫度。前者是設(shè)備固有的屬性和知識，可直接進(jìn)行知識抽取；后者的知識卻是動(dòng)態(tài)變化的，并受限于科技發(fā)展程度、從業(yè)者經(jīng)驗(yàn)等。早期健康管理工作可借助專家經(jīng)驗(yàn)展開，但是隨著電力設(shè)備投運(yùn)數(shù)量的大幅增加，其所蘊(yùn)含的知識也快速增長，這些知識零散地分布在在線監(jiān)測系統(tǒng)、設(shè)備運(yùn)行日志、電力巡檢工單中，僅依靠專家經(jīng)驗(yàn)難以應(yīng)對快速增長的業(yè)務(wù)需求。因此，對這些海量多源異構(gòu)數(shù)據(jù)進(jìn)行處理并提取有用知識，形成電力設(shè)備知識管理系統(tǒng)，用于指導(dǎo)健康管理工作將是未來的應(yīng)用場景之一，運(yùn)用知識圖譜可更快捷、高效地抽取和管理知識，為其他需要知識圖譜的場景提供數(shù)據(jù)保證。

2.3.2 健康管理輔助決策

設(shè)備健康管理輔助決策包含3 個(gè)階段：問答生成、搜索匹配和決策策略生成及推薦。問答生成面向的是機(jī)對機(jī)和人-機(jī)問答。機(jī)對機(jī)是由故障診斷系統(tǒng)評判后交由知識圖譜進(jìn)行處理，診斷結(jié)果一般比較規(guī)范，便于機(jī)器處理和理解。但人-機(jī)問答則需先理解人為意圖，并將得到的數(shù)據(jù)處理成知識圖譜可計(jì)算的三元組數(shù)據(jù)，然后送至知識圖譜進(jìn)行匹配操作，得到歷史類似應(yīng)對方案。例如，文獻(xiàn)［53］就將用戶意圖轉(zhuǎn)化為了訴求子圖并與知識圖譜中的故障描述匹配得到運(yùn)維方案。在進(jìn)行匹配時(shí)往往會(huì)得到多個(gè)結(jié)果，但是選取何種方案需要考慮運(yùn)維方案給電力系統(tǒng)帶來的影響，在此種情況下需要對生成的運(yùn)維方案進(jìn)行評分，并借助專家經(jīng)驗(yàn)綜合評定得到最優(yōu)解。較之于傳統(tǒng)的決策方式，更加全面地考慮了輔助決策會(huì)給電力系統(tǒng)帶來的影響，并且可以為每個(gè)電力設(shè)備制定獨(dú)特的巡檢和運(yùn)維方式。

2.3.3 數(shù)據(jù)+知識驅(qū)動(dòng)的計(jì)算引擎

目前，電力行業(yè)正在積極部署數(shù)字化轉(zhuǎn)型戰(zhàn)略，數(shù)據(jù)中臺的建設(shè)就是內(nèi)涵之一，通過有效整合數(shù)據(jù)、發(fā)揮數(shù)據(jù)價(jià)值，可為電力設(shè)備數(shù)字化轉(zhuǎn)型提供良好的數(shù)據(jù)基礎(chǔ)。電力設(shè)備故障預(yù)測與健康管理目前主要分為數(shù)據(jù)驅(qū)動(dòng)、模型驅(qū)動(dòng)及混合方法3 類［2］。在電力數(shù)字化轉(zhuǎn)型的背景下，基于數(shù)據(jù)驅(qū)動(dòng)的電力設(shè)備狀態(tài)評估和健康管理也必將邁上新的臺階。知識驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)策略各有優(yōu)劣，前者過于依靠知識的質(zhì)量、準(zhǔn)則、專家意見以及其他可提供支撐的數(shù)據(jù)，后者僅依賴數(shù)據(jù)質(zhì)量［54］。數(shù)據(jù)驅(qū)動(dòng)的方法多基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，數(shù)據(jù)稀疏性嚴(yán)重制約了該方法在設(shè)備健康管理中的發(fā)展。知識驅(qū)動(dòng)的方法多依賴專家經(jīng)驗(yàn)，此類方法具有較強(qiáng)的主觀性，并且需要大量的人為經(jīng)驗(yàn)積累，如何整合存在于其中的知識是個(gè)難點(diǎn)。人類所能理解的知識對計(jì)算機(jī)而言較難計(jì)算和理解，而知識圖譜的出現(xiàn)就很好地解決了這個(gè)問題，它能從多模態(tài)數(shù)據(jù)和多源異構(gòu)數(shù)據(jù)中提取知識，更好地對知識進(jìn)行建模，將其轉(zhuǎn)變?yōu)橛?jì)算機(jī)可計(jì)算的數(shù)據(jù)或者程序。例如，文獻(xiàn)［55］提出了一種基于數(shù)據(jù)和知識聯(lián)合驅(qū)動(dòng)的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法。單一依靠數(shù)據(jù)驅(qū)動(dòng)或知識驅(qū)動(dòng)具有很大的局限性，數(shù)據(jù)驅(qū)動(dòng)表現(xiàn)為不可解釋性，知識驅(qū)動(dòng)表現(xiàn)為主觀性，二者結(jié)合后在消除不可解釋性帶來的影響的同時(shí)也減少了知識的主觀性。

2.3.4 自動(dòng)化運(yùn)維問答機(jī)器人

知識圖譜廣泛應(yīng)用的另一個(gè)場景就是自動(dòng)問答系統(tǒng)，旨在利用知識圖譜中的事實(shí)來回答自然語言問題。它使普通用戶能夠通過自然語言方便地訪問大型知識圖譜中有價(jià)值但復(fù)雜的信息，這也是一個(gè)具有挑戰(zhàn)性的問題［56］。自動(dòng)化運(yùn)維問答機(jī)器人屬于知識推理的高階應(yīng)用，對比傳統(tǒng)的巡檢運(yùn)維方式，運(yùn)維人員需查閱大量的操作手冊和處置規(guī)范，自動(dòng)問答機(jī)器人通過理解問答，在知識圖譜中進(jìn)行搜索、推理得到答案，可幫助巡檢運(yùn)維人員快速查找問題，得到故障應(yīng)急處置方案和巡檢方案，明晰故障原因等，達(dá)到隨時(shí)隨地、所問即所得的目標(biāo)，在最大程度上提高運(yùn)維的靈活性。隨著智能終端在電力系統(tǒng)中的廣泛應(yīng)用，自動(dòng)問答機(jī)器人可有效與智能設(shè)備集成，形成嵌入運(yùn)管系統(tǒng)中的中間件，而問題答案的質(zhì)量則依賴于所構(gòu)建知識圖譜或者知識庫的質(zhì)量。例如，文獻(xiàn)［57］詳細(xì)總結(jié)了自動(dòng)問答中的關(guān)鍵技術(shù)、評價(jià)標(biāo)準(zhǔn)、潛在挑戰(zhàn)等問題，可為運(yùn)維問答機(jī)器人的構(gòu)建提供參考。

2.3.5 設(shè)備家族缺陷故障分析

電力設(shè)備的采購?fù)ǔＪ谴笈?、集中采購，往往同一廠商生產(chǎn)的同一批次設(shè)備存在類似的缺陷和故障，不同廠家的產(chǎn)品質(zhì)量也不盡相同。當(dāng)某一電力設(shè)備發(fā)生故障時(shí)，就要進(jìn)行設(shè)備家族缺陷跟蹤，對同一批在運(yùn)電力設(shè)備安排巡檢，可有效避免由于家族缺陷帶來的故障，也能為設(shè)備狀態(tài)的多維度和差異化評價(jià)提供支撐，形成電力設(shè)備多維度狀態(tài)評價(jià)的指標(biāo)體系［58］。

傳統(tǒng)的故障溯源工作涉及的設(shè)備數(shù)量較多，并且設(shè)備數(shù)據(jù)離散地存儲(chǔ)在電力系統(tǒng)中，實(shí)現(xiàn)故障溯源是不小的挑戰(zhàn)。在原有電力設(shè)備家族缺陷分析方法上應(yīng)用知識圖譜、知識推理及圖分析技術(shù)，可實(shí)現(xiàn)知識的多跳推理和知識發(fā)現(xiàn)，挖掘隱含的實(shí)體關(guān)系對，可為健康管理工作提供新的思路。例如，文獻(xiàn)［59］使用知識圖譜對設(shè)備家族缺陷進(jìn)行分析，構(gòu)建了電力設(shè)備質(zhì)量綜合管理系統(tǒng)，可得到設(shè)備疑似家族性缺陷的概率并排序，便于用戶判斷其他相關(guān)設(shè)備發(fā)生潛在缺陷故障的可能性。

2.3.6 設(shè)備知識智能搜索引擎

谷歌最初提出知識圖譜的目的是為了構(gòu)建下一代搜索引擎，它可實(shí)現(xiàn)語義搜索，將用戶意圖轉(zhuǎn)變?yōu)橹R圖譜能夠理解的三元組進(jìn)行匹配得到結(jié)果，在語義搜索的基礎(chǔ)上還可以將搜索結(jié)果進(jìn)行可視化展示。在知識圖譜上也可以進(jìn)行關(guān)系搜索，獲得實(shí)體之間的關(guān)系。例如，搜索套管，可能會(huì)得到（套管，屬于，變壓器）、（套管，產(chǎn)生，過熱故障）這樣的三元組事實(shí)，便于對結(jié)果的理解。區(qū)別于傳統(tǒng)的搜索方式，基于知識圖譜的搜索引擎能在知識推理的基礎(chǔ)上進(jìn)行多跳搜索，獲得更多的潛在知識。

隨著電網(wǎng)規(guī)模的不斷擴(kuò)大，投運(yùn)的電力設(shè)備越來越多，積累的設(shè)備運(yùn)維日志、在線監(jiān)測數(shù)據(jù)、行業(yè)標(biāo)準(zhǔn)文件等也呈現(xiàn)上升趨勢，日常設(shè)備健康管理工作都需在這些文件中進(jìn)行搜索獲得想要的答案，而目標(biāo)內(nèi)容通常零散存在于各類文件和系統(tǒng)中，不能僅僅依靠單一文檔制定相應(yīng)的維護(hù)方案，通常是結(jié)合多個(gè)文件使結(jié)果更加精確、全面。而不同的巡檢人員在面對同樣的情況時(shí)可能會(huì)有不同的意見，如何使用較少的描述得到完備的搜索結(jié)果也是需要考慮的問題，知識圖譜的出現(xiàn)就為設(shè)備知識的檢索提供了全新的思路，可將圖譜中相關(guān)聯(lián)知識以及隱藏知識經(jīng)過整合以后反饋給用戶。

3 電力設(shè)備健康管理對知識圖譜技術(shù)的需求

3.1 融合促進(jìn)電網(wǎng)一張圖業(yè)務(wù)

能源互聯(lián)網(wǎng)的技術(shù)內(nèi)涵是運(yùn)用新一代信息通信技術(shù)，將電力用戶及其設(shè)備、電網(wǎng)企業(yè)及其設(shè)備、發(fā)電企業(yè)及其設(shè)備、電工裝備企業(yè)及其設(shè)備有機(jī)連接起來，通過信息廣泛交互和充分共享，通過數(shù)字化管理手段大幅提升能源生產(chǎn)、消費(fèi)和相關(guān)領(lǐng)域的安全、質(zhì)量和效率［60］。能源互聯(lián)網(wǎng)的構(gòu)建離不開“電網(wǎng)一張圖”業(yè)務(wù)的推進(jìn)，其內(nèi)涵是將電力系統(tǒng)中存在的各個(gè)子系統(tǒng)通過融合方式形成圖拓?fù)浣Y(jié)構(gòu)，這也是能源電力系統(tǒng)實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型的途徑之一。此外，電力系統(tǒng)輸、變、配環(huán)節(jié)連通的各類電力設(shè)備天然形成了物理拓?fù)浣Y(jié)構(gòu)，也為電網(wǎng)一張圖的構(gòu)建提供了支撐。目前，電網(wǎng)一張圖的構(gòu)建還處于初步階段，受限于數(shù)據(jù)及構(gòu)建方法，一定時(shí)間內(nèi)建立完整大規(guī)模的圖結(jié)構(gòu)還較為困難，可在單獨(dú)的領(lǐng)域開展先試工作，再將各個(gè)分散的圖進(jìn)行融合。

電力設(shè)備健康管理知識圖譜在數(shù)據(jù)的計(jì)算和存儲(chǔ)上與電網(wǎng)一張圖所使用的技術(shù)路線基本一致，都需要將數(shù)據(jù)存放在圖數(shù)據(jù)庫，這就確保了數(shù)據(jù)來源的一致性。知識圖譜本質(zhì)是由實(shí)體和關(guān)系構(gòu)成的圖結(jié)構(gòu)，在空間結(jié)構(gòu)上與電網(wǎng)一張圖相同，從可計(jì)算性上保證了一致性。例如，文獻(xiàn)［61］就提出一種電力圖計(jì)算平臺用于取代傳統(tǒng)關(guān)系型數(shù)據(jù)庫的計(jì)算方法，展示了圖計(jì)算在電力系統(tǒng)中應(yīng)用的可行性。

建立電力設(shè)備健康管理知識圖譜可有效感知電力設(shè)備運(yùn)行質(zhì)量，而該過程需要解決數(shù)據(jù)-知識融合問題。長期以來，大數(shù)據(jù)融合主要集中在多源數(shù)據(jù)的統(tǒng)一訪問上，缺乏對知識的理解，數(shù)據(jù)結(jié)構(gòu)松散，沒有解釋數(shù)據(jù)背后的含義。因此，數(shù)據(jù)融合應(yīng)與知識理解并行，盡可能形成機(jī)理模型，發(fā)現(xiàn)數(shù)據(jù)之間存在的關(guān)聯(lián)關(guān)系［62］。

因此，健康管理知識圖譜可視作電網(wǎng)一張圖的一部分，知識圖譜完成知識計(jì)算后再融入電網(wǎng)一張圖中，通過打通數(shù)據(jù)壁壘，從設(shè)備健康管理環(huán)節(jié)，延伸至輸、變、配環(huán)節(jié)，最終延伸至整個(gè)能源互聯(lián)網(wǎng)領(lǐng)域，實(shí)現(xiàn)多圖譜融合計(jì)算，如附錄A 圖A2 所示，其中，附錄A 圖A2 左側(cè)部分是本文在已有數(shù)據(jù)的基礎(chǔ)上構(gòu)建的一個(gè)電力設(shè)備健康管理知識圖譜（示例）。本文給出一個(gè)變壓器運(yùn)維知識圖譜，見本文支撐數(shù)據(jù)，供感興趣的讀者參考閱讀。附錄B 表B1 與B2 為變壓器實(shí)體信息及實(shí)體關(guān)系三元組舉例。

3.2 全生命周期健康管理的多知識圖譜融合

一般情況下，為了契合各業(yè)務(wù)場景的需要，構(gòu)建圖譜時(shí)會(huì)為每個(gè)業(yè)務(wù)方單獨(dú)開發(fā)知識圖譜，方便與業(yè)務(wù)方共同管理數(shù)據(jù)。然而，隨著業(yè)務(wù)及管理層級的深入，就會(huì)發(fā)現(xiàn)單個(gè)業(yè)務(wù)知識圖譜因?yàn)橐?guī)模較小，在文本語義理解類任務(wù)上非常受限，此時(shí)就需要將多個(gè)知識圖譜進(jìn)行融合，打通知識邊界。例如，針對某電力設(shè)備可以構(gòu)建其知識圖譜，針對電力設(shè)備的某類故障也可以構(gòu)建其知識圖譜。由于不同的知識圖譜信息來源不同，其知識描述體系也是不同的，多知識圖譜融合不是簡單地把知識圖譜合并，而是要發(fā)現(xiàn)圖譜中的等價(jià)實(shí)例，如何對知識圖譜進(jìn)行融合表示，對于建立統(tǒng)一的大規(guī)模知識圖譜意義重大［63］。知識圖譜融合涉及多種技術(shù)，這里就不展開介紹，讀者可參閱文獻(xiàn)［64］。

多知識圖譜融合后的電力設(shè)備健康管理，在知識表示上會(huì)更為豐富，在事實(shí)呈現(xiàn)上會(huì)更加精確，在跨度上囊括了設(shè)備出廠、投運(yùn)、檢修、報(bào)廢等環(huán)節(jié)的知識，對上層應(yīng)用的支撐效果更好，進(jìn)行知識推理能獲得更多潛在知識，明晰數(shù)據(jù)之間的聯(lián)系，為健康管理工作提供新的思路，讓傳統(tǒng)的運(yùn)維巡檢方式由感知變?yōu)檎J(rèn)知。

3.3 促進(jìn)健康管理數(shù)字化轉(zhuǎn)型

電力系統(tǒng)數(shù)字化轉(zhuǎn)型方興未艾，傳感技術(shù)、通信技術(shù)、智能電力裝備以及電力系統(tǒng)集成化、智能化技術(shù)快速發(fā)展，為電網(wǎng)可觀性、可控性以及智能化的提升帶來巨大機(jī)遇［65］。電力設(shè)備健康管理作為電力系統(tǒng)中的關(guān)鍵一環(huán)，保障著設(shè)備安全和用電安全，在能源轉(zhuǎn)型與碳中和背景下，借助知識圖譜技術(shù)促進(jìn)健康管理數(shù)字化轉(zhuǎn)型迫在眉睫。

“數(shù)據(jù)先行”是數(shù)字化轉(zhuǎn)型過程中的基礎(chǔ)工作，通過挖掘企業(yè)積累的數(shù)據(jù)中的價(jià)值，有助于改變傳統(tǒng)業(yè)務(wù)架構(gòu)。例如，文獻(xiàn)［66］將數(shù)字化轉(zhuǎn)型的共性歸結(jié)為技術(shù)、價(jià)值、結(jié)構(gòu)和財(cái)務(wù)方面的變化。電力設(shè)備健康管理數(shù)字化轉(zhuǎn)型中，同樣需要引入新的技術(shù)，一方面是新型傳感技術(shù)和在線監(jiān)測技術(shù)的更新迭代，另一方面則是更為有效的數(shù)據(jù)管理方法、電力設(shè)備狀態(tài)評估算法、更加智能的設(shè)備健康管理方案推薦算法。知識圖譜技術(shù)的引入可滿足數(shù)據(jù)知識管理的需求，而基于知識圖譜的推薦算法也能較好地契合智能運(yùn)維的推薦場景，將基于經(jīng)驗(yàn)的運(yùn)維方式轉(zhuǎn)變?yōu)橹R導(dǎo)向的運(yùn)維，提前發(fā)現(xiàn)設(shè)備存在的運(yùn)行風(fēng)險(xiǎn)，將事后維修轉(zhuǎn)變?yōu)轭A(yù)防性維修，在評估結(jié)構(gòu)上改變了傳統(tǒng)模式，加入知識的解釋之后更能闡釋數(shù)據(jù)和故障的因果關(guān)系，做到定點(diǎn)、定向精準(zhǔn)運(yùn)維服務(wù)。從2020 年發(fā)布的《中國知識圖譜應(yīng)用趨勢報(bào)告》［67］來看，能源電力領(lǐng)域作為勞動(dòng)密集型企業(yè)，吸收了大量的勞動(dòng)資源，業(yè)務(wù)復(fù)雜，面臨著知識難以積累、人員培訓(xùn)難度大等痛點(diǎn)，在數(shù)字化轉(zhuǎn)型過程中需要加快推進(jìn)領(lǐng)域知識庫的建立。利用知識圖譜，可打通底層數(shù)據(jù)，將數(shù)據(jù)形成知識，整合行業(yè)知識形成知識中臺，賦能上層應(yīng)用。

4 對未來發(fā)展的展望

4.1 知識圖譜賦能智能運(yùn)維

電力設(shè)備智能運(yùn)維強(qiáng)調(diào)2 個(gè)方面：一是設(shè)備具有智能性，二是對設(shè)備的運(yùn)維管理方案具有智能性。設(shè)備的智能性是指基于對自身的智能感知、狀態(tài)分析與健康管理而具備自主思維，可通過在電力設(shè)備本體（或邊緣側(cè)）配置嵌入式傳感器與人工智能模塊，完成本體信息采集、就近計(jì)算與信息交互，使電力設(shè)備本身具備“智慧”功能［68］。運(yùn)維管理方案的智能性體現(xiàn)在系統(tǒng)能夠根據(jù)當(dāng)前設(shè)備運(yùn)行的狀態(tài)、風(fēng)險(xiǎn)給出最佳的巡檢方案，將設(shè)備風(fēng)險(xiǎn)降到最低。由于故障的發(fā)生具有不確定性，定期巡檢仍難以應(yīng)對突發(fā)情況，智能運(yùn)維就需要增加靈活性來應(yīng)對電力設(shè)備故障的不確定性。傳感設(shè)備的大量投入緩解了數(shù)據(jù)瓶頸問題，但是運(yùn)維方案的生成、故障的推理溯源卻是當(dāng)前電力設(shè)備健康管理有待深入的問題，知識圖譜技術(shù)的出現(xiàn)可有效解決智能運(yùn)維方案生成及故障推理溯源。

開放領(lǐng)域中知識圖譜技術(shù)最為廣泛的應(yīng)用場景就是推薦系統(tǒng)，通過對知識圖譜中的節(jié)點(diǎn)進(jìn)行聚類和分布式表示，以獲得特征；對原有節(jié)點(diǎn)和新增節(jié)點(diǎn)進(jìn)行分類，實(shí)現(xiàn)個(gè)性化推薦。同理，在電力設(shè)備健康管理知識圖譜中也可實(shí)現(xiàn)對故障的分類和個(gè)性化運(yùn)維方案推薦。通過設(shè)備運(yùn)維日志、巡檢手冊、行業(yè)標(biāo)準(zhǔn)等電力文本語料所構(gòu)建的電力設(shè)備健康管理知識圖譜，涵蓋了電力設(shè)備歷史故障信息以及應(yīng)急處理方案、運(yùn)檢方案等，為電力設(shè)備個(gè)性化運(yùn)維提供了數(shù)據(jù)上的支撐。近年來，隨著圖神經(jīng)網(wǎng)絡(luò)、圖卷積網(wǎng)絡(luò)、深度學(xué)習(xí)在知識圖譜實(shí)體分類、關(guān)系預(yù)測等任務(wù)中的應(yīng)用，也為研究者提供了對于非歐氏空間數(shù)據(jù)處理的思路，為智能運(yùn)維方案推薦提供了模型及算法上的保障。

4.2 多學(xué)科交叉融合研究的新范式

電力設(shè)備健康管理知識圖譜的構(gòu)建是多學(xué)科融合的典型場景，不僅需要利用計(jì)算機(jī)技術(shù)從復(fù)雜的電力文本、語料中挖掘?qū)嶓w、關(guān)系、本體等構(gòu)建知識圖譜所需的關(guān)鍵成分，更需要電力系統(tǒng)良好的先驗(yàn)知識作為支撐。優(yōu)質(zhì)的數(shù)據(jù)和使用方法決定了圖譜質(zhì)量的下限，而對電力設(shè)備的深入理解則決定了知識圖譜質(zhì)量的上限。對本體層和數(shù)據(jù)層定義的不一致最終也會(huì)導(dǎo)致所構(gòu)建的知識圖譜有本源差別。所以，對計(jì)算機(jī)知識和電力系統(tǒng)知識的充分了解可使得構(gòu)建的知識圖譜具有良好的魯棒性。

電力設(shè)備健康管理需要加強(qiáng)故障診斷方法、狀態(tài)評估方法、故障機(jī)理、圖譜構(gòu)建方法、推理算法等的研究。完備的故障機(jī)理模型能夠有效刻畫現(xiàn)實(shí)物理模型，從設(shè)備機(jī)理出發(fā)，研究新型傳感器獲得能表征設(shè)備運(yùn)行狀態(tài)的關(guān)鍵數(shù)據(jù)，為故障診斷方法、評估方法提供理論上的支撐，這就需要電力系統(tǒng)從業(yè)人員加深對電力設(shè)備全生命周期的理解。為應(yīng)對電力數(shù)據(jù)分布不均的問題，使用小樣本學(xué)習(xí)、生成對抗網(wǎng)絡(luò)等方法在現(xiàn)有數(shù)據(jù)上學(xué)習(xí)獲得特征或者直接進(jìn)行數(shù)據(jù)擴(kuò)充，為知識圖譜的構(gòu)建提供方法上的保障也是研究的重點(diǎn)。

因此，在構(gòu)建電力設(shè)備健康管理知識圖譜的過程中，不同學(xué)科之間相互獨(dú)立，卻又互相聯(lián)系，電力學(xué)科和計(jì)算機(jī)學(xué)科表現(xiàn)最為明顯，而針對特定電力設(shè)備的一些部件，如變壓器絕緣紙、GIS 絕緣氣體等，甚至還需要材料學(xué)的介入。在能源電力系統(tǒng)轉(zhuǎn)型的背景下，需要各個(gè)學(xué)科深入研究各領(lǐng)域中存在的難點(diǎn)和痛點(diǎn)問題，最終形成多學(xué)科交叉融合研究的新范式。

4.3 電力人工智能的可解釋性

當(dāng)前人工智能分為符號主義、連接主義、行為主義三大流派。符號主義的代表是知識圖譜和專家系統(tǒng)，連接主義的代表是深度學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)，行為主義的代表是強(qiáng)化學(xué)習(xí)和機(jī)器人。符號主義擁有良好的解釋性，而連接主義預(yù)測精度高但缺乏可解釋性，行為主義不需要標(biāo)注樣本，可在復(fù)雜的環(huán)境中自行學(xué)習(xí)樣本特征。在智能電網(wǎng)階段，基于連接主義的人工智能方法在電力設(shè)備故障診斷、狀態(tài)評估中獲得了重要的應(yīng)用，卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)在各類電力設(shè)備故障診斷、故障預(yù)測、故障樣本生成任務(wù)中取得了優(yōu)異的表現(xiàn)，為健康管理工作提供了良好的算法模型支持。端到端的深度學(xué)習(xí)故障診斷和狀態(tài)評估算法，接受大樣本作為訓(xùn)練輸入，所獲得的模型本質(zhì)上是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)，而預(yù)測的過程則是參數(shù)計(jì)算的過程，計(jì)算和預(yù)測的過程不是透明的，過程缺乏可解釋性。深度學(xué)習(xí)模型實(shí)質(zhì)為黑箱模型，學(xué)習(xí)器對輸入輸出的映射往往不具可解釋性，因而對電力系統(tǒng)生產(chǎn)實(shí)踐的指導(dǎo)效果有限［69］。而根據(jù)深度學(xué)習(xí)模型得到的結(jié)果在參與電力設(shè)備健康管理輔助決策時(shí)通常是缺乏證據(jù)支撐的，且不能給出合理的解釋［70］，導(dǎo)致電力系統(tǒng)從業(yè)人員對機(jī)器產(chǎn)生的結(jié)果無法全部相信，還需借助專家經(jīng)驗(yàn)。因此，需要加強(qiáng)對電力人工智能可解釋性的研究，增強(qiáng)其可信度和可解釋性。

知識圖譜技術(shù)的出現(xiàn)打破了上述僵局，知識圖譜的可解釋性在于它是一種語義網(wǎng)絡(luò)結(jié)構(gòu)，包含了豐富的實(shí)體、關(guān)系、屬性、概念等信息，更符合人類邏輯思維，這便使得解釋成為可能。2017 年，國務(wù)院印發(fā)了關(guān)于新一代人工智能發(fā)展規(guī)劃的通知，將關(guān)聯(lián)理解與知識挖掘、知識圖譜構(gòu)建與學(xué)習(xí)、知識演化與推理等技術(shù)作為新一代人工智能關(guān)鍵共性技術(shù)體系的重點(diǎn)突破領(lǐng)域。而知識圖譜所帶來的解釋性可分為2 個(gè)方面：1）在所構(gòu)建的知識圖譜中應(yīng)用知識推理技術(shù)，可獲得故障原因并按需生成可解釋的運(yùn)維方案；2）與深度學(xué)習(xí)相融合，將深度學(xué)習(xí)診斷的結(jié)果轉(zhuǎn)化為知識圖譜可以理解的三元組進(jìn)行推理，理解數(shù)據(jù)驅(qū)動(dòng)方法的黑箱模型。

因此，雖然針對知識圖譜本身的研究正在逐步展開，但是對于知識圖譜與深度學(xué)習(xí)融合的可解釋性研究目前尚處在探索階段。這也是“人工智能2.0”時(shí)代最大的瓶頸問題——可解釋性，這是因?yàn)楝F(xiàn)有人工智能過于依賴訓(xùn)練數(shù)據(jù)，缺乏深層次數(shù)據(jù)語義挖掘，導(dǎo)致可解釋性差。未來的弱人工智能、可解釋性和可理解性人工智能、強(qiáng)人工智能等在理論研究方面仍將任重道遠(yuǎn)［71］。這同樣是今后研究中需要通過知識圖譜增強(qiáng)電力人工智能可解釋性的重點(diǎn)之一。

5 結(jié)語

由于知識圖譜技術(shù)具有良好的結(jié)構(gòu)化知識表示方式和推理能力，近幾年得到快速發(fā)展，并開始逐漸被引入電力系統(tǒng)調(diào)度、電網(wǎng)故障診斷、電力問答等領(lǐng)域，而在電力設(shè)備健康管理中還鮮有研究。在對電力設(shè)備進(jìn)行狀態(tài)評估、故障診斷、故障預(yù)測時(shí)，可在歷史運(yùn)維日志數(shù)據(jù)的基礎(chǔ)上，構(gòu)建電力設(shè)備健康管理知識圖譜，可有效進(jìn)行知識管理，并進(jìn)一步采用數(shù)據(jù)+知識聯(lián)合驅(qū)動(dòng)的方法形成上層應(yīng)用，可對數(shù)據(jù)驅(qū)動(dòng)的黑箱模型進(jìn)行解釋，為輔助決策提供證據(jù)支撐，有助于理解電力設(shè)備故障機(jī)理，達(dá)到精準(zhǔn)運(yùn)維的目標(biāo)。而在“電網(wǎng)一張圖”、數(shù)字化轉(zhuǎn)型等背景下，知識圖譜的出現(xiàn)更是為“電力設(shè)備一張圖”提供了良好的支撐。

隨著知識圖譜在電力設(shè)備健康管理工作中研究的深入，相信在未來會(huì)形成以知識為主體的“電力設(shè)備健康管理大腦”，賦予設(shè)備自我感知、自我認(rèn)知的能力，更好地與業(yè)務(wù)場景相融合，最終提升電力設(shè)備健康管理的水平。

支撐數(shù)據(jù)和附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。