知识图谱在电力系统调度运行中的应用与展望.pdf

第 21 卷 第 7 期 电 力 信 息 与 通 信 技 术 Vol.21 No.7 2023 年 7 月 Electric Power Information and Communication Technology Jul.2023 中图分类号：TM734 文献标志码：A 文章编号：2095-641X(2023)07-027-09 DOI：10.16543/j.2095-641x.electric.power.ict.2023.07.04 著录格式：卢冠华，陈俊斌，丁茂生，等知识图谱在电力系统调度运行中的应用与展望J电力信息与通信技术，2023，21(7)：27-35 知识图谱在电力系统调度运行中的应用与展望 卢冠华1，陈俊斌1，丁茂生2，杨慧彪2（1华南理工大学 电力学院，广东省 广州市 510640；2国网宁夏电力有限公司，宁夏回族自治区 银川市 750001）Application and Prospect of Knowledge Graph in Power System Dispatching Operation LU Guanhua1,CHEN Junbin1,DING Maosheng2,YANG Huibiao2(1.College of Electric Power,South China University of Technology,Guangzhou 510640,Guangdong Province,China;2.State Grid Ningxia Electric Power Co.,Ltd.,Yinchuan 750001,Ningxia Hui Autonomous Region,China)摘要：知识图谱是人工智能技术领域新兴起的一种知识表达方法，是当前知识自动化领域的研究热门。知识图谱通过三元组关系表达实体与实体间的关系，从而将知识以“图”的形式表达出来。由于电力系统本身拓扑结构契合于图论的关系结构，以知识图谱的方式表达电力系统调度运行中潜藏的知识已经成为国内外研究的重点。文章从电力系统中人工智能的发展、知识图谱在各个领域的应用、知识图谱的构建及知识挖掘方法，对目前知识图谱的研究成果加以总结，并对这一领域在电力系统的应用做进一步的展望。关键词：知识图谱；人工智能；电力系统；调度运行 ABSTRACT:Knowledge graph(KG)is an emerging knowledge representation method in the field of artificial intelligence technology,and is a hot research topic in the field of knowledge automation.Knowledge graph expresses the relationship between entities through triples,and thus expresses knowledge in the form of graph.Because the topological structure of power system fits the relation structure of graph theory,it has become the focus of domestic and foreign research to express the hidden knowledge in power system dispatching operation by the way of knowledge graph.In this paper,the existing achievements of knowledge graph are summarized involving the development of artificial intelligence in power system,the application of knowledge graph in various fields,the construction of knowledge graph and the method of knowledge mining,and the further application of knowledge graph in power system is prospected.KEY WORDS:knowledge graph;artificial intelligence;power system;dispatching operation 0 引言 电力系统是一个严格遵循物理定律运行的超大规模工业系统，其中调度运行系统是电力系统安全、稳定、可靠运行的保障。传统的电力调度，依靠电力调度员按照调度规程和调度计划，根据电力系统实际运行情况，在调控专业知识的支撑下人工判断并实施调度操作，过程十分繁琐复杂，且过度依赖于调度员的经验1。近年来，随着电力系统的发展，传统的调度方法已经不能满足调度需求，新型电力系统对电力数据的处理方面有着更高的要求，原因有以下两方面。1）随着“碳中和”及“碳达峰”的提出，新 基金项目：国家电网有限公司总部科技项目资助“面向日前调度优化决策的动态知识图谱构建方法研究”(5229NX21001Q)。能源迎来发展的新一轮浪潮，分布式发电的持续发展使得电力系统组成成分越来越复杂，且其运行的不稳定性显著增强，导致电力调度运行对电力数据处理的广度、维度和效率等的要求显著增加，而这依靠传统的纯人工调度操作难以满足2。2）随着市场化的推进，用户用电行为变得越来越难以预测，而通过海量历史数据对用户用电行为的评估和预测对电网市场化交易和电压实时平衡具有重要作用，凭借人力难以有效利用这些历史数据3。为了适应电力调度对数据处理的要求越来越高的现状，以深度学习为代表的人工智能逐渐应用于电力调度运行的各个业务领域4。2017 年 5 月，国务院印发新一代人工智能发展规划5，明确提出要推动人工智能技术与其他28 卢冠华等：知识图谱在电力系统调度运行中的应用与展望 Vol.21 No.7 学科的交叉融合，由此推动了近几年来人工智能技术成为各个行业迅猛发展的技术支撑，其中知识计算引擎与知识服务技术更是提供了不竭助力。随着电力系统体量不断增大，系统内新元素日益增多，调度运行不再仅仅满足于对数据的挖掘应用，而是面临将数据转化成知识的技术瓶颈。结合当下移动互联网的发展，万物互联成为历史发展的必然趋势。以往的人工智能技术专注于分析单一或小规模系统内的个体上。然而在物联网时代，超大规模系统个体与个体之间关系分析也成为不可忽视的一部分，其数据恰好是分析关系的最有价值原料。超大规模电力系统作为一个复杂的非线性运行系统，在多年的运行中积累了海量数据，但其仍采用传统的基于人工经验的调控模式，或是基于数据的智能运行方案探索，对于接入系统的海量设备及超大体量数据尚没有真正做到万物互联。新一代人工智能发展规划中明确指出，重点突破关联理解与知识挖掘、知识图谱构建与学习、知识演化与推理、智能描述与生成等技术。由此，知识图谱有望成为下一代调度系统的核心技术。本文据此出发，结合人工智能技术的发展、电力系统对人工智能技术的需求分析，以及通过对知识图谱的起源和基础技术的介绍，对知识图谱的发展历程进行简要阐述，最后对知识图谱应用的场景及前景进行总结与展望，为其在电力系统调度运行中的进一步深入应用提供有益参考。1 知识图谱的基本内涵及应用 知识图谱(knowledge graph，KG)是以图的形式表现客观世界中的实体及其相互关系的结构化语义知识库6。在知识图谱中，实体的属性特征使用“属性值”对表示，实体间关系的基本组成单位为“实体关系实体”三元组7。因此知识图谱可以表示为：G=(E,R,S)，其中 E=e1,e2,e|E|表示实体集合中共有|E|种不同实体；R=r1,r2,r|R|表示关系集合中共有|R|种不同的关系；SERE 表示知识库中的三元组集合。知识图谱本质上是一种语义网8，其发展历程可追溯至 20 世纪 50 年代提出的“知识图谱”(mapping knowledge domain)9和语义网络10。随着大数据时代的到来，传统的数据处理、知识表示、自然语言处理等单方面的技术已经不能满足科研及应用的需求，文献11阐述了当前各领域对海量数据处理新的有效方法的迫切需求。知识图谱框架的搭建大致可以分为 4 个过程：知识抽取、知识表示学习、知识挖掘、知识推理和融合7。1.1 知识抽取 知识抽取在构建知识图谱过程中起着决定性作用，抽取到的知识质量直接影响知识图谱构建的质量，主要分为术语抽取、关系抽取、概念抽取3 个步骤7。首先是术语抽取，实现方法有多种，包括基于字典、规则、统计、机器学习 4 种术语抽取方法；其次是关系抽取，难点主要是同义关系的抽取7；最后一步是概念抽取，目前较常用的概念抽取方法是基于语言学或统计学的抽取方法12-15。1.2 知识表示学习 知识必须经过合理表示才能被计算机处理，将知识表示为计算机可以理解的数据库16。传统的用于描述 Web 资源的标记语言(resource description framework，RDF)三元组知识表示方式存在计算效率低和数据稀疏严重等问题，国内外学者开始把更多的精力集中于知识表示学习的研究。文献17指出知识表示学习能显著提升计算效率，有效缓解数据稀疏和实现异质信息融合，在相似度计算、知识图谱补全等方面有重要应用。传统的知识表示学习模型有 TransE、TransR、TransD、TransG 和 TransH 等模型18，随后许多学者进行改进提出了 PTransE19、RotatE20等模型。除此之外，为了解决特定领域特定条件的一些问题，还有学者提出了一些新颖的方法，如 JAPE 模型21、ConvE 模型22等。究其本质，知识表示致力于对每个三元组(h,r,t)，寻找合适的 lh、lt对头实体和尾实体进行向量化表示，关系 lr是从头实体向量 lh到尾实体向量 lt的翻译，使得 lh+lrlt。1.3 知识挖掘 知识挖掘是指使用链路预测、神经元网络技术、决策树等方法对知识图谱隐含的知识进行挖掘和补充，是知识推理和融合的技术基础，也是大规模知识图谱构建必不可少的技术手段，主要可以划分为：线索挖掘、关系推理和关系预测7。线索挖掘是通过子图构建、链路分支查找等图处理方法，实现实体关系挖掘的重要手段23-24。文献25和文献26分别通过关系分类和相关性分析技术对知识图谱潜在实体关系进行挖掘。这两种方法都对整个知识库的实体进行了逐一分析，计算量大且不够灵活，对于大型知识图谱不适用。第 21 卷 第 7 期 电 力 信 息 与 通 信 技 术 29 不同于线索挖掘，关系推理注重于仅对两个实体之间的连接关系进行推理。目前常见的关系推理方法有两种，分别是基于规则和基于概率图的方法。前者多使用基于 Horn 子句或归纳逻辑(FOIL)27等机器学习相关技术来推理实体间的潜在关系；而后者偏向对知识库中的实体和关系进行有效分类，形成 Markov 逻辑网络，由此推理实体间的潜在关系。关系预测主要是解决知识库中实体间关系随着新信息的汇入或者时间的发展可能发生变化的问题。Jia 等人28通过无监督的机器学习技术对微博在线数据进行了关系预测，获得了较好的效果。关系预测技术是知识图谱实时更新的基础，也是知识图谱扩大规模的重要手段，是未来的重点研究方向。1.4 知识推理和融合 知识推理和融合是指通过对同一知识图谱内或不同知识图谱间的旧知识与新知识隐含关系的深度挖掘，从而对知识图谱进行完善和拓展及实时更新的操作，是知识图谱构建中最核心的一步。知识图谱的完善和拓展依赖于推理规则的制定及有效的挖掘方法，近年来国内外学者在这方面的研究有了突破性的进展，如文献29提出了集成全局信息与关联规则的概率模型图分解最大期 望 算 法(factor graph expectation-maximization algorithm，FGEM)，实现了推理规则的自动化高效学习，大幅提升图谱补全效率；文献30提出了规则、逻辑、路径推理三合一的推理方法，结合电力生产安全知识的特殊性，为电力知识图谱的构建及补全提供新思路。目前，国内外学者对于知识图谱实时更新的研究更多地停留于手动更新，对于自动更新的研究成果较少。文献31提出了一种双向循环进化的实体链接及知识推理框架，实现了基于循环进化机制的知识快速增量更新，在知识图谱的推理及更新中起到了较好的效果；文献32创新性地提出了一种基于图卷积神经网络的图匹配更新方法，有效解决了知识和数据之间冗余度高、关联性弱等问题，为知识图谱的实时更新提供了新思路。1.5 知识图谱的应用 目前，知识图谱的应用大致分为两类：通用领域知识图谱应用和特定领域知识图谱应用。在通用领域方面，目前比较常见的是语义搜索、智能问答和信息推荐 3 种。语义搜索不仅为Google、百度等搜索引擎大幅提升了准确性和预测性，也给云资源调度33、电力领域34和软件开发专业35注入了新的活力。随着近年来智能问答系统研究热度的飞速飙升，基于知识图谱的智能问答系统已经在多个领域有所应用，如文献36-38分别介绍了智能问答系统在专利计量情报、企业风险、无人系统故障 3 个方面的应用模型的构建与实现。随着手机、电脑等电子产品的盛行，信息推荐系统已融入人们的日常生活，因此，基于知识图谱的电子信息精准推荐系统已被广泛应用于电商39和风控40等领域。在特定领域方面，目前知识图谱应用比较有代表性的有中医领域41、金融领域42以及计算机技术领域43等。2 知识图谱在电力系统中的应用框架和关键技术 当前人工智能技术在电力系统中的应用已经处于比较成熟的阶段，大量的新技术应用于调度运行的多个专业领域。堆叠自编码器的强鲁棒性44-46、深度信念网络的推理能力47-49、深度卷积网络的特征提取能力50-52被广泛应用于负荷预测、故障诊断、电力系统稳定性评估等，在提高预测精度、缩小故障位置诊断范围及提高稳定性评估效率方面都取得了较好的效果。控制系统在运行要求极高的电力系统中占据举足轻重的地位，大量的人工智能技术应用在电力系统优化控制方面，集中体现在无功电压控制53及自动发电控制54方面，均有令人较为满意的表现。人工智能技术在发展的过程中，逐渐遇到了数据处理与管理的瓶颈，知识图谱作为新一代数据系统核心，专家学者对此开展了大量针对性的研究：在电力调度方面，文献55将知识图谱融入调度领域，为调度系统的辅助决策提供了一种新的思路；刘广一等面向配电网拓扑，提出了“电网一张图”的理念，构建新一代运营指挥系统平台56；张虹等面 向 交 直 流 大 电 网 设 计 了 基 于 知 识 图 谱 的断面越限快速决策流程，实现计算流程电子化、结构化、系统化、可视化57；蒲天骄等基于 NoDKG，对电力领域知识图谱框架进行设计，包含了故障处理、工单处理、智能问答等基本应用58。但由于调度数据及调度知识中存在大量非结构数据，电网拓扑结构庞大复杂，调度过程繁琐多变，目前知识图谱在电力调度领域的应用还不够深入，只是发挥了30 卢冠华等：知识图谱在电力系统调度运行中的应用与展望 Vol.21 No.7 基础的辅助作用。学者们对知识图谱的研究工作主要集中在电力运检方面，例如汤亚宸等设计自顶向下的知识图谱，将电力设备质量管理从运维延伸至生产环节59；Tang 等提出用于穷举搜索期望信息的图搜索方法来提高电力设备管理效率60；赵振兵等61提出利用门控图神经网络构建栓母对知识图谱，实现了栓母对先验知识的有效运用。此外知识图谱在核电设备62、变电站63及二次设备64等都有较多的研究成果。但对于不同的设备或不同的研究对象需要针对性地构建不同的知识图谱，这对于知识图谱的融合及更新是一个很大的挑战。此外，还有部分学者致力于开发嵌入知识图谱的电力营销体系，如深圳供电局基于知识图谱建立客服知识库，提高了知识整理和知识检索效率65；文献66讨论了三层级客服知识图谱构建及其知识推理机制；针对客服问答系统中的中文表达模糊问题，谭刚等引入长短期记忆网络(long short-term memory，LSTM)的注意力模型提升知识图谱的回答质量67。但一个成熟的问答系统需要在与用户的问答交互中不断完善知识库与问答体系，从而提升用户的使用体验感，这需要知识图谱与人工智能的其他技术相结合，目前国内外学者对这方面的研究还较少。2.1 总体框架 结合知识图谱当前研究技术以及电力系统调控领域需求，从基础数据、数据处理、知识抽取、图谱构建及图谱应用几个方面提出知识图谱应用于调度运行的基本框架(见图 1)。多元异构数据多元异构数据外界环境实时状态结构化数据结构化数据调度案例电力词库半结构化数据半结构化数据运行理论调度规程非结构化数据非结构化数据数据处理数据处理缺失处理重复处理噪声过滤文本加工知识抽取知识抽取术语抽取关系抽取概念抽取图谱构建图谱构建知识融合图数据库存储调控知识表示图谱应用图谱应用线索挖掘关系推理知识推理知识推理关系预测潮流计算参数调节知识应用知识应用鲁棒调度新知识更新图谱知识支撑新知识更新图谱知识支撑工程应用工程应用数据处理数据处理基础数据基础数据基础数据基础数据 图 1 电力系统调度运行知识图谱框架 Fig.1 Power system dispatching operation knowledge graph framework 适应于大规模电力系统领域的知识图谱应当具有以下技术特征。1）时空动态特性。针对电力系统时变特性，为知识图谱中的实体 id、name 等基础属性及功率、潮流等特征属性搭建时间戳系统，制定更新极值，在系统运行中实时更新知识图谱动态信息，满足知识图谱与电力系统同步流转的需求。2）多元数据融合。电力系统调度领域存在数据量庞大、数据类型多样、数据高速性及价值性等特征，构建过程中将图像识别、语义分析、设备监测等多类来源的数据融入知识图谱，为实现潜在关系挖掘提供丰富的数据基础。3）领域业务交叉。结合电力系统调度领域中的通信、继保、自动化等业务需求差异，精细化、规范化、差别化构建业务知识图谱，系统化构建不同业务间交叉流程，为调度领域建立完备的领域知识图谱。2.2 调度运行知识图谱支撑场景 适用于电力系统调度运行业务的多层级知识图谱如图 2 所示。多层级知识图谱以物理层知识图谱为核心，契合于图论，该层根据真实电网拓扑结构构建电力系统图；数据层对应电网实际运行工况，与物理层共同构建实时更新的动态电力调度知识图谱；高级应用层为动态知识图谱提供负荷预测、调度决策等外接技术支撑。第 21 卷 第 7 期 电 力 信 息 与 通 信 技 术 31 风电负荷光伏负荷预测新能源预测运行方式聚类决策节点 图 2 适用于电力系统调度运行业务的多层级知识图谱 Fig.2 Multi-level knowledge graph for power system dispatching operation 2.2.1 负荷平衡调度 基于知识图谱的电力系统负荷平衡调度业务如图 3 所示。电力系统节点之间以支路相连接的结构与知识图谱的结构有天然的相似性，电力系统物理模型中能量的流动与知识图谱实体间信息传递存在极为吻合的拓扑结构。因此可以将电力系统的拓扑结构关系建模到知识图谱中，以知识图谱中的“实体”对应电力系统中的节点，以知识图谱中的“关系”对应电力系统中的支路。由于电力系统在运行中面对大量的随机性，且系统运行的边界条件时刻变化，给传统的负荷平衡调度带来巨大的障碍。通过构建动态知识图谱，结合图神经网络等图处理技术，将“数据”转化成“知识”存储，实现更加符合实际工况的调度方案。电力系统仿真系统运行数据仿真数据GAN生成数据基础数据数据获取输入训练样本训练样本离线训练离线训练图神经网络/知识挖掘等输入输出生成图谱生成图谱在线应用在线应用训练完成的图神经网络/知识挖掘模型等计算结果调节参数调节参数新数据新数据输出 图 3 基于知识图谱的电力系统负荷平衡调度业务 Fig.3 Power system load balance dispatching based on knowledge graph 2.2.2 垂直风险管控 新型电网的建设使得电网安全运行形势日益严峻，存在“难见难查难管控”的问题，急需被实时监视、量化评估和智能管控。面向复杂电网进行多重风险耦合分析，将包括风险规程等文本知识及专家经验的半结构化/非结构化数据，结合运行数据等结构化数据，通过知识抽取等手段，建立垂直风险知识图谱(见图 4)。继保继保自动化自动化通信通信网安网安调度调度分析分析通信专业风险通信专业风险继保专业风险调度专业风险自动化专业风险分析专业风险网安专业风险继保专业风险调度专业风险自动化专业风险分析专业风险网安专业风险风险规程风险细则风险预案拓扑结构运行数据风险事件专家经验半结构化/非结构化数据结构化数据垂直风险知识图谱应用层应用层风险推理方案推荐高危预警特殊需求 图 4 多重耦合垂直风险示意图 Fig.4 Multiple coupling vertical risk schematic 基于图 4 知识图谱，在实际工况下对实体、属性、关系等元素进行实时在线更新，结合调度业务中风险管控专业的风险预测、管控方案推荐等需求，对电网运行面临的风险进行正向影响分析和反向溯源查询，有助于复杂电力系统的全面安全风险分析和管控，成果转化前景广阔。2.2.3 运行方式分析 随着高比例新能源的接入及多元化负荷的涌现，电力系统运行方式逐渐被这些新元素主导。为了有效还原真实系统以更加准确评价电力系统的安全32 卢冠华等：知识图谱在电力系统调度运行中的应用与展望 Vol.21 No.7 性、稳定性、可靠性等，研究电力系统运行方式变化机理的重要性逐渐凸显。面对纷繁复杂的运行方式，如图 5 所示，藉由动态知识图谱获得多时间断面下的系统运行方式图，电力系统运行方式包括传统机组出力、新能源机组出力、输电线路潮流及负荷特征等。通过聚类算法和紧密度指标计算，对海量多变的电力系统运行方式可以精细化辨识新型电力系统典型运行方式，避免根据经验选取典型运行方式的方法在大型实际电力系统实际运行中的不足。拓扑结构运行数据结构化数据解析海量运行方式图谱生成聚类及可视化应用层应用层运行分析典型运方异常预警 图 5 基于知识图谱的运行方式分析示意图 Fig.5 Schematic diagram of operation mode analysis based on knowledge graph 2.2.4 辅助优化决策 知识图谱辅助优化决策示意图如图 6 所示。头实体关系尾实体结合结合预测预测知识推理知识推理规程经验知识图谱实体向量关系空间潜在三元组关系优化模型改进经验更新 图 6 知识图谱辅助优化决策示意图 Fig.6 Schematic diagram of optimization decision assisted by knowledge graph 对于调度优化软件来说，计划编制人员会有相关的优化模型改进经验，可明显提升调度优化软件的计算效率及决策质量。以过往调度经验为数据，构建规程经验知识图谱，搜索出与之对应的改进经验。针对已有的调度优化软件，通过规范经验图谱，构建电网拓扑、负荷预测等系统数据与优化模型改进经验之间的映射聚类模型。2.2.5 超级调参 高随机性环境下超大规模电力系统运行对参数调节的精确度和实时性提出了更高的挑战，如电力系统稳定器(power system stabilizer，PSS)的参数对抑制电力系统低频振荡有着关键性影响。传统整定方法采用根轨迹法、状态空间模型等方法，但通常不具有泛化性且易于陷入局部最优，当运行状况发生变化时并不能实现自更新。以知识图谱为核心，将异质的知识与数据融入知识图谱数据层，在知识图谱高级应用层中加入 PSS 的选型及参数，挖掘运行状态与运行参数的深层关系，实现以超大规模参数实时自调节为核心的超级调参，也是知识图谱的一个重要发展方向。2.3 技术难点 知识图谱是对人工智能应用于电力系统的又一次技术升华，随着知识图谱的逐步演进有发展为调度系统控制中心的大脑知识库之趋势。然而，在真正将知识图谱应用到实际工程的过程中仍存在一些问题。从知识图谱角度存在以下问题：1）知识获取方面：电力系统存在大量的运行数据，这其中包括海量经验数据及运行数据。由于数据的多元异构性，数据的获取及处理将是一个工作量极大的工程。2）知识表示方面：电力系统是一个极其复杂的多层交叉的立体系统，将每一层的数据恰当地融合为包括源网荷储等信息的知识图谱，为从数据到知识的知识表示过程带来了极高的挑战。3）知识应用方面：知识图谱本质上是将数据转化为知识，如何从已有的图谱中高速准确挖掘出有效信息，从而在特定的场景中为系统的寻优过程减少寻优空间，对知识图谱的灵活应用提出了较高的要求。从调度应用角度存在以下问题：1）目前知识图谱在电力调度领域的应用还停留在运维、问答等方面，相关知识图谱的规模较小，若涉及到大范围、大规模的电力调度领域的应用如拓扑识别、辅助决策等领域，将给相关知识图谱的构建及融合带来挑战。2）电力行业各部门之间分工明确，但又联系紧密，存在高耦合、多维度交叉的特点，传统的知识图谱构建及表示方法无法满足这一需求。3）电力调度是一个实时、快速、多变、复杂的过程，使得电力调度知识图谱在实际运用过程中制定合适的质量评价体系变得十分困难。3 结语 知识图谱作为人工智能发展的一个新方向，结合了数据存储、数据处理、异质数据共存等重要理论方法，改变了传统人工智能方法“以算法解决问题”的思路，提供了“以知识获取结论”的全新思路，打开了从“数据”到“知识”的路径，被认为是下一代人工智能的核心研究领域，受到了学界的广泛关注。因此，进一步研究知识图谱及其应用，对各个行业具有重要的理论价值和工程意义。参考文献 1 孙宏斌，黄天恩，郭庆来，等面向调度决策的智能机器调度员研制与应用J电网技术，2020，44(1)：1-8 SUN Hongbin，HUANG Tianen，GUO Qinglai，et alAutomatic operator for decision-making in dispatch：research and 第 21 卷 第 7 期 电 力 信 息 与 通 信 技 术 33 applicationsJPower System Technology，2020，44(1)：1-8(in Chinese)2 史光耀，邱晓燕，赵劲帅，等计及风电功率预测误差与需求响应的电力系统滚动调度J现代电力，2018，35(6)：9-15 SHI Guangyao，QIU Xiaoyan，ZHAO Jinshuai，et al Rolling dispatch of power system considering wind power prediction error and demand responseJ Modern Electric Power，2018，35(6)：9-15(in Chinese)3 程杉，陈欢田基于 Stackelberg 博弈的智能电网完全分布式需求响应策略J智慧电力，2019，47(3)：60-65，96 CHENG Shan，CHEN HuantianFully distributed demand response strategy for smart grid based on Stackelberg gameJSmart Power，2019，47(3)：60-65，96(in Chinese)4 吕泽芳，马刚，孙先文，等人工智能安全的概念、分类及研究现状综述(一)J智慧电力，2019，47(8)：32-42 LV Zefang，MA Gang，SUN Xianwen，et alOverview of concept,classification&study status of artificial intelligence security()JSmart Power，2019，47(8)：32-42(in Chinese)5 国务院新一代人工智能发展规划Z2017 6 高海翔，苗璐，刘嘉宁，等知识图谱及其在电力系统中的应用研究综述J广东电力，2020，33(9)：66-76 GAO Haixiang，MIAO Lu，LIU Jianing，et al Review on knowledge graph and its application in power systemsJGuangdong Electric Power，2020，33(9)：66-76(in Chinese)7 唐荣华基于知识图谱的多阶段智能故障处理系统的研究及应用J信息与电脑(理论版)，2022，34(22)：175-178 TANG RonghuaResearch and application of multi-stage intelligent fault processing system based on knowledge atlasJInformation&Computer，2022，34(22)：175-178(in Chinese)8 LI Ruoqi，DAI Wenbin，HE Sheng，et alA knowledge graph framework for software-defined industrial cyber-physical systemsC/Proceedings of 45th Annual Conference of the IEEE Industrial Electronics SocietyLisbon，Portugal：IEEE，2019：2877-2882 9 GARFIELD ECitation indexes for science：a new dimension in documentation through association of ideasJScience，1955，122(3159)：108-111 10 李涛，王次臣，李华康知识图谱的发展与构建J南京理工大学学报，2017，41(1)：22-34 LI Tao，WANG Cichen，LI Huakang Development and construction of knowledge graphJJournal of Nanjing University of Science and Technology，2017，41(1)：22-34(in Chinese)11 陈国青，吴刚，顾远东，等管理决策情境下大数据驱动的研究和应用挑战范式转变与研究方向J管理科学学报，2018，21(7)：1-10 CHEN Guoqing，WU Gang，GU Yuandong，et al The challenges for big data driven research and applications in the context of managerial decision-making：Paradigm shift and research directionsJ Journal of Management Sciences in China，2018，21(7)：1-10(in Chinese)12 王晓辉，宋学坤基于知识图谱的网络安全漏洞类型关联分析系统设计J电子设计工程，2021，29(17)：85-89 WANG Xiaohui，SONG XuekunDesign of network security vulnerability association analysis system based on knowledge graphJElectronic Design Engineering，2021，29(17)：85-89(in Chinese)13 梁铭基于英汉平行语料库术语词典的自动抽取J电脑知识与技术，2009，5(19)：5081-5083 LIANG Ming English-Chinese parallel corpora based on the automatic extraction of terms dictionaryJ Computer Knowledge and Technology，2009，5(19)：5081-5083(in Chinese)14 YANG Nian，SHI Dongxin，HUA Yan Bidirectional gated recurrent unit neural networks for relation extraction of Chinese enterprisesC/2020 IEEE 4th Information Technology，Networking，Electronic and Automation Control Conference(ITNEC)Chongqing：IEEE，2020：1539-1543 15 陈霞，罗晨希，张立波，等一种分析学科演化的模型及方法J工程研究跨学科视野中的工程，2018，10(2)：168-179 CHEN Xia，LUO Chenxi，ZHANG Libo，et alMethodology of modeling and analyzing disciplinary evolutionJ Journal of Engineering Studies，2018，10(2)：168-179(in Chinese)16 DETTMERS T，MINERVINI P，STENETORP P，et al Convolutional 2D knowledge graph embeddingsC/Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence and Thirtieth Innovative Applications of Artificial Intelligence Conference and Eighth AAAI Symposium on Educational Advances in Artificial IntelligenceNew Orleans，LA：ACM，2018：221 17 刘知远，孙茂松，林衍凯，等知识表示学习研究进展J计算机研究与发展，2016，53(2)：247-261 LIU Zhiyuan，SUN Maosong，LIN Yankai，et alKnowledge representation learning：a reviewJJournal of Computer Research and Development，2016，53(2)：247-261(in Chinese)18 胡旭阳，王治政，孙媛媛，等融合语义解析的知识图谱表示方法J计算机研究与发展，2022，59(12)：2878-2888 HU Xuyang，WANG Zhizheng，SUN Yuanyuan，et alKnowledge graph representation method combined with semantic parsingJJournal of Computer Research and Development，2022，59(12)：2878-2888(in Chinese)19 许智宏，赵杏，董永峰，等基于知识图谱知识推理的视频推荐算法J计算机工程与设计，2020，41(3)：710-715 XU Zhihong，ZHAO Xing，DONG Yongfeng，et alVideo recommendation algorithm bas