摘 要：为应对愈加复杂的电网安全运行形势，本文针对电网安全态势的全面掌控和精准分析需求，设计电力领域知识图谱构建框架并分析其关键技术，从而实现基于知识图谱的框架构建、态势解析、智能推理与智能反馈。最后，对未来知识图谱在智能电网安全态势中的应用和挑战进行的总结展望，对提升电网安全态势智能化水平具有重要意义。

关键词：电网安全态势；知识图谱；智能推理；态势解析；智能反馈

0 引言

信息驱动的智能电网是能源革命和信息通信技术相互融合的产物，随着电网智能模式的转变，在安全、交互等方面对电网安全态势防护体系提出了更高的要求。安全分析本质上是从现有电网实时态势中提取异样信息，并综合分析的过程。然而随着智能电网规模增大，安全数据的量及种类激增，导致安全分析的过程越来越复杂、难度越来越大，亟需借助智能化技术，将纷繁复杂的态势信息进行有效整合、分析归类，在电网安全态势不明朗的情况下，帮助管理人员主动、快速、全面地掌控态势处理的关键信息，为态势处理提供相应的辅助决策。电网安全态势系统是一个典型的信息密集型和知识密集型决策控制中心。通过对领域经验、操作规范、规则进行知识建模，是实现知识驱动智能控制的重要手段之一。知识图谱 (knowledge graph) 作为一种基于人工智能技术的知识组织和构建方法，其信息表达更接近人类认知世界的形式，能从语义层面表示复杂的关联关系，提供一种更好地管理和理解海量信息的能力。构建电网态势处理领域知识图谱，可以把不可见的、看似毫无关联的告警信息转换成直观的、便于理解的内外部威胁情报，方便安全态势管理人员对海量告警事件精准分析，从而快速有效地感知电网态势，判别网络异常和攻击，是智能电网全场景安全防护的重要新技术手段。

本文针对电网安全态势的全面掌控和精准分析需求，设计电力领域知识图谱构建框架并分析其关键技术，旨在对电网安全态势的多维度信息数据进行凝练，形成基于语义网络的判断方法和操作逻辑，通过知识查询、链接和推理进行安全态势的智能掌控与分析。

1 电网安全态势知识图谱基本内涵与框架

1.1 基本内涵

知识图谱是一种揭示实体之间关系的语义网络，可以对各类事物及其相互关系进行形式化描述。其基本组成单位是“实体 - 关系 - 实体”三元组，实体间通过关系相互联结，构成网状的知识结构。电网安全态势知识图谱是一个典型的领域知识图谱，构建和应用目标是基于对于安全态势的掌控和预测，设计相关实体、关系与属性的精准描述。

1.2 知识图谱框架

本文构建的安全态势知识图谱框架包含信息抽取层、图谱构建层、信息解析层和智能反馈层四个层次。其中，信息抽取层主要包含电网安全态势所包含的基础数据，作为图谱构建的基础语料；图谱构建层从语料中提取相关知识，形成结构化的知识网络；信息解析层是对安全态势的监测过程中接收到的实时信号进行解析和结构化表示，并从知识图谱的图数据库中匹配、检索或抽取相关数据和知识；智能反馈层是针对管理人员的定向查询，给出基于知识图谱友好的便于理解的结构化知识，从而进行态势保护操作校核及历史经验回顾等。

2 电网安全态势知识图谱关键技术

对于电网安全态势的概念图谱构建，主要技术包括知识抽取、知识融合、知识加工和知识更新，使得电网模糊冗长的数据信息结构化展现。而对于构建电网安全态势的全面逻辑导向知识图谱，本文基于现有图谱构建技术，提出了电网安全态势的智能解析技术、智能推理技术和智能反馈技术等智能图谱构建的关键技术，其框架如图 1 所示。

图 1 信息驱动的电网安全态势知识图谱智能构建技术框架

2.1 知识图谱构建技术

知识图谱智能构建技术框架，如图 2 所示。

（1）知识抽取

知识抽取主要面向文本数据，通过自动化技术抽取出可用的知识单元。随着人工智能技术的不断发展，逐渐形成了基于机器学习的知识抽取方法。知识抽取中的关键问题主要是实体抽取和属性抽取两方面。实体抽取是根据文本特征进行实体识别，进而完成关系抽取。电网安全态势知识图谱需要从文本中抽取的关系，主要包括因果关系、顺承关系、条件关系等内容，将结构化数据库中的实体与拓扑作为先验知识，从而对语料进行预标注。态势信息处理的属性抽取任务主要指从态势信息库、实时监测反馈中提取相关状态量限值。

图 2 知识图谱智能构建技术框架

（2）知识融合

知识融合是消除实体、关系、属性等指称项与事实对象之间的歧义，形成高质量的知识库，从而确保知识的质量，主要内容为实体链接和知识合并。实体链接是指对于从文本中抽取得到的实体对象，通过相似度计算将其链接到知识库中对应的正确实体对象。知识合并用于将已有的知识库与抽取的信息进行合并，重点解决融合过程中的实体冲突与冗余问题。电网的运行实体在态势信息系统的数据库中已有明确定义和命名，可作为知识合并的主要标准。通过自动化手段，将已有的系统数据库转换成资源描述框架的三元组形式，其他形式抽取的知识要素再与其进行知识融合。

（3）知识加工

知识加工旨在对抽取的知识进行整合、提炼和专业评估，主要内容包括本体构建、知识推理和质量评估。本体是对该领域进行描述的语义基础，在电网安全态势感知和评估领域的操作本体主要指实体本体的所有实际动作集合，如态势检测、异常感知、对比反馈和应急响应等；状态本体则是电网当前态势状态的概括，如稳态、暂态等。知识推理从知识库中已有的实体关系数据出发，通过机器学习挖掘新的实体或建立实体间的新关联，从而拓展和丰富知识网络。质量评估是新增知识在加入知识库之前的可信度量化评价过程，从而消除知识错误或冲突。

（4）知识更新

知识更新则是在电网结构或态势改变时，进行图谱的更新拓展。从逻辑上看，知识库更新包括概念层和实体层更新，概念层更新是指新增数据后获得了新概念，需要自动将新概念添加到知识库概念层中；实体层更新主要是新增或更新实体、关系和属性值，如电网接入新设备对稳定态势潮流限值的影响。

2.2 态势信息智能解析技术

当电网安全态势出现异常时，可借助知识图谱的自然语言处理技术，对异常告警信息知识进行自动解析，形成可供机器进行理解和计算的结构化表示，再基于知识图谱中存储的态势信息进行查询匹配与判断分析。态势信息解析技术包含三项关键技术（见图 3）。

（1）态势信息捕捉。当电网安全态势出现异常情况时，采用态势信息捕捉技术，保障异常态势发生时遥信信息的完整获取，同时排除与本次异常无关的告警信号。

（2）态势信息解析。采用基于机器学习技术，对异常信息逐条解析，获取态势诊断所需要的逻辑变量，配合电网态势预案信息对异常态势进行实体识别等操作。

（3）态势信息可视化展示。为便于机器理解和计算，需要对态势信息进行结构化表示。针对结构化解析后的态势告警信息，从态势实体图谱中进行快速匹配，得到失稳区域相应的网络拓扑结构与环境数据，以便进行动作逻辑分析和态势诊断，从而实现电网态势知识的完整表达。

图 3 态势信息智能解析技术框架

2.3 态势信息智能推理技术
基于电网安全态势知识图谱，对异常信号解析后的关键信息流进行电网暂态处理，采用基于分布式表示和基于神经网络的智能推理技术来进行电网态势的智能推理。表 1 示出了态势信息智能推理技
术方法。

表 1 态势信息智能推理技术方法

（1）基于分布式表示的推理。首先通过表示模型学习知识图谱中的事实元组 , 得到知识图谱的低维向量表示，然后将推理预测转化为基于表示模型的简单向量操作。在电网失稳分析过程中，选取与可能暂态形成的多元组得分高的实体作为预测结果，将关系看成实体间的转移 , 进而发展出更复杂的转移假设。

（2）基于神经网络的推理。在不同维度下 , 将头实体和尾实体联系起来 , 刻画实体间复杂的语义联系。这类推理适用于电网出现异常态势时指向不明且头尾关系实体难以确定的知识谱图的推理与匹配，从而对于失稳状况选择合适的控制方式。

2.4 态势图谱智能反馈技术

态势知识图谱的构建不仅能实现对电网态势信息的实时查询，还能根据对图谱的各项功能反馈进行智能人机交互。态势信息智能反馈技术框架，如图 4 所示。

（1）异常信息同源性展示。知识图谱通过分析电网异常态势信息，建立电网异常态势信息的本体，获取异常样本的共有属性，将样本间的同源性通过图形进行展示。对关键信息提示，同时将知识网络中的相关知识节点与本次异常的设备、概念、业务实体相链接，从而提升异常态势信息的分析效率和决策可靠性。

（2）异常扩散路径分析。异常态势扩散是威胁电网态势知识图谱的搜索和关联过程。为了阻止威胁造成的影响，深入分析异常扩散路径，知识图谱能很好地表达这种路径结构，通过抽取安全数据中的关键属性，将安全数据知识图谱化，从而发现安全数据间的依赖关系，进而进行有效的安全溯源和异常分析。

图 4 态势信息智能反馈技术框架

（3）辅助态势监测控制。知识图谱通过已有态势信息库对异常态势信息进行解析、修正及推理，将本次异常态势信息与历史案例库进行同源性匹配，给出具有相似逻辑的控制方式，进而映射至设备实体图谱，实现机器决策精度的逐步提升。

（4）人机交互反馈。知识图谱可充分理解调度人员查询意图，提供结构化的关键信息摘要，并通过丰富的语义内容进行知识结构化展示，供管理人员查询历史态势信息，以便进行历史回顾和经验总结，快速提升对电网安全态势的全面感知与掌控，从而提供智能信息搜索与交互服务。

2.5 电网态势图谱

借助信息驱动的电网安全态势知识图谱构建了态势智能评估和辅助决策大数据平台，该平台基于大数据和可视化技术，应用各类可视化数据分析图表展示各类电网业务数据，并实现多级数据联动；基于手势交互或语音命令，模拟插入电网线路故障点、切掉节点负荷、调节发电量等各类业务操作，获得系统的动态反馈；基于仿真数据在电网沙盘上以动画加特效的形式模拟演示电网进行智能调度的过程。

例如，某个发电节点发生故障后，整个电网是如何智能调节，快速恢复到稳定状态的过程，在模拟推演过程中还可结合手势交互功能进行人机互动，插入某个随机事件（如增加发电量、切负荷等），观测电网受影响区域及智能调节过程。结合二、三维地理信息系统数据，以及电网实际量测数据实现3D 大电网沙盘模拟，重点展现大电网智能运行状态，利用 VR 技术实现三维调度地图绘制。3D 调度地图支持自由旋转和缩放，便于系统进行实时监测、查看行情数据，进行技术分析等，方便管理人员进行分析和查询，从而实现知识图谱技术在电网态势全面感知与精准评估方面的智能应用。

针对电网安全态势的全面掌控和精准分析需求，将信息驱动的知识图谱构建技术应用于电网安全态势的全面感知和智能评估，旨在对电网安全态势的多维度信息数据进行凝练方便安全态势管理人员对告警事件精准分析，从而快速有效地感知电网态势，判别网络异常和攻击，是智能电网全态安全防护的重要技术手段。

3 电网态势图谱挑战及展望

3.1 面临的挑战

当前，知识图谱在信息检索、推荐系统等领域得到了广泛应用，在电网安全领域中也开始发挥越来越重要的作用。但现有的电网安全态势知识图谱基于深度学习技术，所构建的图谱仍然存在不准确、不全面的问题。首先，深度学习技术依赖于大量的标注的语料库，目前通用知识语料库主要还是关注人物、事物等，将深度学习知识图谱引入到领域图谱中时会出现准确率大大降低等问题，可移植性较低；其次，知识图谱涉及各个方面和场景，并不像图片、语音可以在单一的维度训练模型，从而达到足够的精度和召回率；在电网安全领域的知识推理方面，单纯依赖大量的标注数据，诸多先验知识无法有效使用并融合到深度学习的推理模型中。

3.2 未来展望

后续可以围绕如何提升电网安全领域信息抽取的准确性，如何融合已有的专家知识构建电网安全领域知识图谱表示模型和推理模型，进一步开展以下研究和探索工作，以提高电网安全态势主动防御能力。

（1）建立更全面、完善的、基于知识图谱的电网安全态势感知预测模型。本文提到的知识图谱构建技术仅涵盖了电网安全态势感知和控制的初级阶段，未来可基于态势知识图谱技术的更新完善对态势预测进行探讨。

（2）寻找更加准确、有效的电网安全知识图谱的构建方法。电网安全知识图谱虽然是领域知识图谱，但在实际构建过程中仍存在非结构化数据的实体关系抽取问题、难以实现完全自动化构建的问题，以及电网安全知识图谱融合时的共指消歧问题。知识图谱自身内容的准确性直接影响到其应用的效果。

（3）丰富电网态势图谱的可视化功能。在后续的研究开发过程中需要在图谱现有可视化研究的基础上进一步完善图谱构建相关内容，如对应节点图片的上传等还需要进一步探索。

4 结束语

为了实现智能电网安全态势全面感知与精准控制，本文结合知识图谱的技术特点和使用范围，研究了信息驱动下的电网安全态势知识图谱构建的关键技术。知识图谱作为一种新兴的知识表示和分析方式，对于电网中庞大复杂的态势信息有天然的利用优势和处理框架，文中从知识图谱现有技术和趋势出发，针对知识图谱在电网安全态势中应用思路和图谱构建方法进行了探索，建立新的电网侧与信息侧融合的态势评估和预测的理论方法与技术，为日常态势感知、风险预警、异常态势解析与推理及预防控制提供更有效的决策支撑，以实现智能电网的网络安全态势数据的感知及电网态势人机智能交互。

来源: 《中国人工智能学会通讯》