1、言息实现Journal of Jilin University(Information Science Edition)2023年5月May2023No.3Vol.41第3期第41卷吉林大学学报（信息科学版）文章编号：16 7 1-58 96(2 0 2 3)0 3-0 47 4-10基于知识图谱技术的配电站房智能运检曹捷，阙小生，李慎兴，范永学，李兴，宋文志（1.国网福建省电力有限公司建设分公司，福州350 0 13；2.北京国电通网络技术有限公司建设及安监业务事业部，北京10 0 10 2）摘要：针对配电房主要依赖传统的人工巡检方式，存在巡检成本高、故障隐患误报漏报率较高等问题，基于知识图
2、谱和智能认知技术，提出了配电站房运检业务知识库及高级应用的理论和技术，深人研究了知识共享管理、智能搜索和推荐、数据标签及故障智能推理，建立了配电站房知识库并在山西电网进行了示范应用。利用研究成果构建了配电站房智能运检业务知识库，并开展了智慧应用研究，实现了故障隐患智能分析等知识赋能，减小了巡检成本，提高了智能运检能力。关键词：知识图谱；知识库；智能推理；智能运检中图分类号：TP391文献标志码：AIntelligent Operation Inspection of Distribution StationBuilding Based on Knowledge Map TechnologyCA
3、O Jie,QUE Xiaosheng,LI Shenxing,FANG Yongxue,LI Xing,SONG Wenzhi?(1.Construction Branch,State Grid Fujian Electric Power Company Limited,Fuzhou 350013,China;2.Construction and Safety Supervision Business Department,Beijing Guodiantong Network Technology Company Limited,Beijing 100102,China)Abstract:
4、At present,the distribution room mainly relies on the traditional manual inspection method,which hasthe problems of high inspection cost and high false alarm rate of hidden trouble.Based on the knowledge mapand intelligent cognitive technology,the basic theory and key technology of the knowledge bas
5、e and advancedapplication of the operation inspection business of the distribution station building are expounded.The knowledgesharing management,knowledge intelligent search,knowledge intelligent recommendation,knowledge data labeland fault intelligent reasoning are studied.The distribution station
6、 building knowledge base is established andapplied in Shanxi power grid.The research results build a knowledge base for intelligent operation and inspectionof power distribution station buildings,and carry out intelligent application research,realize knowledgeempowerment such as intelligent analysis
7、 of fault hidden dangers,reduce the inspection cost,and improve theintelligent operation and inspection capability.Key words:knowledge graph;knowledge base;intelligent reasoning;intelligent operation inspection0引言随着社会经济的发展和城镇化进程加快，配电站房已成为城市配电网络的重要组成部分，是名电力系统末端配电网中传输、分配电能的重要电气设备场所。目前对配电站房的管理相对薄弱，亻收稿日
8、期：2 0 2 2-0 6-2 7基金项目：国家电网公司科技基金资助项目（SCITDT00YXJS2101411）作者简介：曹捷（196 9一），男，福州人，国网福建省电力有限公司高级工程师，硕士，主要从事电网建设管理、电网工程规划与建设研究，（Tel)86-15210833893（E-ma i l)59412 2 58 1 q q.c o m；通讯作者：李兴（197 7 一），男，贵州遵义人，北京国电通网络技术有限公司高级工程师，主要从事人工智能、大数据、物联网等电网信息化新技术研究，（Tel)86-18910850738(E-mail)lixing0405 sina,com。475曹捷，等
9、：基于知识图谱技术的配电站房智能运检第3期融合性不够全面，安全事故时有发生。对配电站房的巡检主要依赖传统的人工巡检方式，其成本和故障隐患误报漏报率较高。根据笔者调研分析，电网运检业务出台了不少标准规范及作业要求，但多为线下纸质或非结构化材料，没有形成完整的知识体系，也无法实现运检业务知识的搜索查询和智能推荐，不便于指导运检作业的开展。同时，针对当前配电站房运行的检修维护，存在监测数据比较单一孤立，缺少知识综合关联、数据抽取及融合性分析的信息化手段等问题。由此导致故障隐患发现不及时，而且即使发现故障，也无法准确判断导致事故的原因，对配电站房正常运行造成了不利的影响。2012年Google公司通过
10、推出“知识图谱”项目，首次提出了知识图谱技术，构建了可提供语义检索和计算服务的知识库。知识图谱技术的提出，为弥补认知智能的“知识”内核提供了实现方式与技术手段2，且相关应用已经在部分行业初步体现出优势，但知识图谱在电网运检业务领域的应用研究尚未充分开展。笔者提出采用知识图谱技术，通过构建配站房运检知识库及其应用体系，将配电站房传感器、电气参数和环境数据以及告警规则、检修工艺等全方位的信息通过知识图谱技术进行数据接入及标注，构建其完整的全景知识库，实现数据关联、融合和综合分析3。笔者的贡献分为两方面：1）构建了基于知识图谱的配电站房运检领域的知识库，实现了运检知识的可查询、可共享；2）在知识库基
11、础上对配电站房运检的典型智能应用进行研究。1配电站房知识库构建笔者以配电站房运检为研究对象，围绕知识库构建及其知识应用进行了相关研究。如图1为总体架构，其分为知识数据、知识库和知识应用共3层。数据层主要为知识库简历提供结构化及非结构化数据，知识库作为知识应用支撑基础，通过知识图谱技术，构建了知识本体、关联、实体等组成知识仓库，为其应用提供知识内容翼移动端PC端VR端知识应用层智能诊断智能推荐智能搜索知识浏览知识共享内容维护内容审核规则构建与执行知识图谱知识挖掘与发现数据/知识评估业务规则辅助置信度指标规则擎贝叶斯统计频繁项挖掘概率图模型治理评估体系4知识库层本体构建知识抽取知识图谱多源信息融合
12、分词NER槽填充关系抽取事件抽取本体结构化构建标注后文本训练一数据导引摩本体自动抽取引擎父引擎人工标注信息抽取模型模型人工抽取指数数据层工况数据纸质文档文件扫描过程记录告警信息业务数据图1总体架构示意图Fig.1Schematic diagram of overall architecture1.1知识图谱随着互联网时代的到来，海量数据爆发式增长，传统的专家系统模式已不能满足人工智能发展对“智能”方面的需求。2 0 12 年，Google公司推出了“知识图谱”项目，提出了知识图谱的知识库构建技术。该项目综合运用了知识抽取、融合、推理等知识库管理技术，通过对来自多个数据源的信息进行清洗整合，形成
13、一个可以为Google搜索引擎提供语义检索和计算服务的知识库4。基于该知识库，现实世界不概第41卷吉林大学学报（信息科学版）476再是一个个的文本字符串（Strings），而是机器可以理解的“事物（Things）”，由此实现了机器的认知智能化。知识中心建设与应用的提升主要体现在如下两个方面。1）知识库建设。由程序自动获取数据，对数据的内容进行处理，包括提取本体、实体、事件以构建本体库、实体库和事件库等，对内容进行匹配，链接，去穴余，融合，以及在知识库中使用推理机制进行内部构建，利用已有知识发现新的知识等。2）知识应用。从传统的专家系统注重逻辑推理，转向注重事实知识的检索，知识图谱下沉到人工智能
14、领域的基础设施中，提供基础的结构化知识，比如基于知识图谱可构建智能搜索、问答、对话机器人等应用，而不像专家系统作为一个独立的应用出现5 1.2知识库构建配电站房运检专业涉及数据较多，常见的有：在线监测类，如温湿度、侵水和烟火等环境监测；运行状态及电气数据类，如高低压柜电压、电流和频率等；运检业务类，如工单。上述数据总体可分为结构化及非结构化数据，对非结构化数据，需对文本数据中包含的词、语法和语义等信息进行标识、理解和抽取，挖掘其中存在的知识和规律。配电站房运检专业知识库构建需对上述数据和知识进行知识建模、数据抽取、知识实体和实体关联等步骤，具体如表1所示表1#知识库构建步骤表Tab.1TTab
15、le of knowledge base construction steps序号流程节点业务步骤业务信息1概念建模对原始知识收集、整理，建立关联关系建立检修工艺、巡检标准、感知及工况数据的图谱概念模型及关联关系2数据抽取常态化建立知识收集方式获取在线系统中的数据，以及线下标准文档3知识实体抽取的数据转化为图数据库的属性实体将数据抽取的数据转化为知识实体4实体关联通过关系关联各属性根据概念模型建立知识实体间的关联关系1.2.1概念建模念模型建立是构建知识图谱的基础，开展知识存储之前需建立特定知识领域数据本体模型本体可理解为是一堆相似事物的概念集合6。相应地，概念的实例化称之为实体，概念之间存在
16、关联关系，概念下的实体也可继承概念间关联关系7 具体来说，对变电站房运检业务建立传感器、电气参数和环境数据以及告警规则、检修工艺的图谱概念模型及关联关系。以配电站房主要设备变压器为例，按照知识图谱“实体-关系-实体”三元组的基本思路，构建配电站房初步的知识概念模型如图2所示8 台账规则温度操作信息噪声变压器信息局放电流检修电压信息图2概念建模实例图Fig.2Example diagram of concept modeling概念模型建立后，需设计其各概念对象的属性，以便后续做对应数据抽取。通过属性管理可对已定义的属性和关系进行管理，可对概念中属性和关系进行删除脱钩，也可配置属性或关系对应概念
17、，同一概念可对应多个属性或关系。以变压器主体为例的概念模型属性表如表2 所示，包含但不限于表2中属性。表2概念模型属性表Tab.2Table of concept model attribute属性名称属性类型所属概念数值类型属性名称属性类型所属概念数值类型所在配电站房对象属性变压器配电站房检修信息文本属性变压器字符串值温度值数值属性变压器数值告警信息文本属性变压器字符串值噪声值数值属性变压器数值操作信息文本属性变压器字符串值局放值数值属性变压器数值台账文本属性变压器字符串值电流电压数值属性变压器数值规则文本属性变压器字符串值曹捷，等：基于知识图谱技术的配电站房智能运检第3期4771.2.2数
18、据抽取数据抽取是实现知识图谱的基础和关键环节，即从不同来源和结构的数据中进行知识提取，形成知识（结构化数据）存人到知识图谱。为构建配电站房运检业务信息知识图谱，需开展检修工艺等文本特征提取技术研究，从海量的文本数据中抽取必要信息，为配电站房运检知识库的构建奠定基础9。数据抽取基本技术流程如图3所示本体构建本体本体构建引擎模型知识图谱多源异构信息融合基于深度学习的信息自动化抽取结构化分词NER槽填充关系抽取事件抽取数据导引擎父引擎标注后文本训练自动抽取人工半自动化标注实时自动信息抽取模型人工抽取图3数据抽取流程图Fig.3Flow chart of data extraction配电站房运检领域
19、相关的文本数据包括国家电网公司变电运维管理规定、变压器巡视作业卡、设备运检数字化班组评价细则等大量以非结构化形式存在的文本，因此需针对非结构数据的实体抽取、关系抽取技术开展研究。1）实体抽取。实体抽取又称命名实体识别，目的在于从文本中抽取实体信息元素，包括变压器名称、故障和试验名称等。对非结构化的实体抽取，首先需从文本中识别定位实体，例如“2 0 19 年5 月4日变电站开展检修”，其中的“2 0 19 年5 月4日”就是时间的实体。实体的抽取问题研究大致可分为：基于规则、统计模型和深度学习的方法10。笔者采用深度学习方法进行实体抽取，对设备台账、故障、评价、异常及缺陷信息，试验数据、跳闸、非
20、停、带电检测，月度运行分析、技术分析和年度总结报告等数据，以及隐患变压器专题专项工作管理方面数据等文本报告做结构化处理，从以上非结构化文档中提取关键信息，包括文档关键词、摘要、标签等，将非结构化数据转化为结构化模型。对结构化数据知识抽取，可从贴源库中建立和用户源库相同的数据表，并和数据源编号匹配，则可进行数据抽取操作，抽取后用户源库中对应数据表的数据将写入贴源库中对应的数据表中然后，将知识图谱库知识结构和贴源库数据结构建立映射关系，将关系型数据抽取到知识图谱平台12 O2）关系抽取。关系抽取是信息抽取任务中的重要一环，对存放在文件中的非结构化数据，关系抽取主要基于文本相似度匹配技术，研究实体关
21、系的描述语句的筛选方法，形成关系描述语句集合，实现实体之间的具体关系挖掘和抽取，从语料基础库形成电网基建领域实体关系库（知识库）。对存放在关系数据中的结构化数据，关系抽取主要将关系型数据库中结构化数据映射抽取到图数据库中，需从MySQL、O r a c l e、H i v e、SQ LSe r v e r 等结构化数据库及CSV（Co mma-Se p a r a t e d Va l u e s）等文件中导人数据。因关系数据库存在全量及增量两种形势，笔者设计了全量和增量知识抽取两种模式13】，分别如图4、图5 所示。对闲时时间或初次抽取，建议采用全量知识抽取；对实时性要求高或随机性强数据，建
22、议采用增量知识抽取。通过全量及增量抽取，可抽取现有运检系统的各设备运行状态、电器试验、业务流程数据等信息并与图谱实体实现关联3）知识实体。笔者以配电站房日常巡检业务为例，其知识实体包括：巡检设备类型、名称、对象取值、管理规定、标准工艺、要点和参考示例等实体信息。构建知识实体的详细步骤及方法如表3所示。478第41卷吉林大学学学报（信息科学版）数据传输用户数据数据复制ETL工具数据传输贴源库数据转义服务实体模型存储概念库实体库图4全量知识抽取设计图Fig.4Design drawing of totalknowledge extraction数据推送用户数据备份消费缓冲队列知识抽取消费贴源库实体
23、模型数据转义服务?存储概念库实体库图5增量知识抽取设计图Fig.5Design drawing of incrementalknowledge extraction表3知识实体创建流程表Tab.3Flow chart of knowledge entity creation序号实体流程信息流程步骤业务信息1实体创建构建配电站房日常巡检标准工艺特征的实体设备运检细则、运维管理规定2Excel导人实体导人配电站房日常巡检标准工艺的实体设备运检细则、运维管理规定3同步实体到搜索同步配电站房日常巡检标准工艺实体到搜索设备运检细则、运维管理规定4批量删除批量删除配电站房日常巡检标准工艺的实体设备运检细则
24、、运维管理规定5编辑实体编辑配电站房日常巡检标准工艺的实体设备运检细则、运维管理规定6删除实体删除配电站房日常巡检标准工艺的实体设备运检细则、运维管理规定7删除关系删除配电站房日常巡检标准工艺的关系信息设备运检细则、运维管理规定8搜索实体快速查找配电站房日常巡检标准工艺实体信息设备运检细则、运维管理规定4）实体关联。实体关联如图6 所示，通过将变压器类型、归属配电站房信息、作业部位、巡检内容和要点、参考示例等概念模型与知识实体进行绑定，构建其关联关系。进行实体关联的业务流程如表4所示。巡检设备类型包含的设备类型巡检设备名称巡检管理规章制定遵循的巡检要点巡检要点巡检部位名称遵循的巡检标准巡检管理
25、规定参考示例巡检标准工艺图6 知识关联原型图Fig.6Prototype of knowledge association表4知识实体创建流程表Tab.4Flow chart of knowledge entity creation序号实体关联概念名称业务描述业务信息1巡检设备类型构建配电站房日常巡检设备类型实体设备运检细则、运维管理规定2巡检设备名称配电站房日常巡检设备名称实体信息设备运检细则、运维管理规定3巡检部位名称配电站房日常巡检对象实体信息设备运检细则、运维管理规定4巡检管理规定配电站房日常巡检管理规定实体信息设备运检细则、运维管理规定5巡检标准工艺配电站房日常巡检标准工艺实体信息设
26、备运检细则、运维管理规定6巡检要点配电站房日常巡检要点实体信息设备运检细则、运维管理规定7参考示例配电站房日常巡检参考示例实体信息设备运检细则、运维管理规定曹捷，等：基于知识图谱技术的配电站房智能运检479第3期通过上述过程，基本构建了配电站房的知识图谱，具备了开展知识应用的基础2配电站房知识中心应用知识库建立后，为支撑笔者提出的配电站房智能运检应用体系的构建，需开展知识应用研究。对应知识应用，常规的知识展现有知识内容浏览查看和共享等，主要是实现了知识内容的上传、预览、审核、下载、查看和删除等功能14。对应知识图谱的智能推理和处理能力，笔者设计了知识智能搜索、设备故障智能诊断等功能应用。2.1
27、知识智能搜索现有知识存储形式多为电子文档，缺乏统一有效的管理和索引。智能搜索功能通过Web端及手持终端实现了知识统一管理和搜索，解决了检索和查询难问题15。用户可输人关键字进行模糊搜索，系统智能匹配用户输入与知识的标题、内容及附件等信息，并推荐相关的知识文档，其业务流程如表5 所示。知识搜索通过语义搜索实现，实现语义搜索的主要功能流程如图7 所示。表5知识搜索业务流程表Tab.5IFlow chart of knowledge search序号流程节点业务步骤业务信息1输人关键字按标题、内容、附件进行搜索设备运检细则、运维管理规定2展示知识显示要搜索的知识设备运检细则、运维管理规定3相关推荐显
28、示与检索相关的知识点设备运检细则、运维管理规定用户输入切词搜索词Y识别到意图YN搜索词语义扩展搜索词同义扩展搜索词权重调整搜索词权重调整（根据知识图谱）（根据分词）错词纠正搜索词属性域聚合搜索词属性域聚合拼音纠正Y执行检索执行检索是否第1次执行用户建议生成是否有N结果NY返回结果图7 语义搜索功能流程图Fig.7Flow chart of semantic search function若意图识别命中，则进行以下步骤。1）搜索词语义扩展：根据词汇在知识图谱中找到对应的概念。2）搜索词权重调整：通过知识图谱，查询搜索目标所属的概念有哪些属性。3）搜索词属性域聚合：一方面做搜索属性域的扩展，另一方
29、面生成过滤筛选项4）执行检索：搜索属性域扩展后，选择部分属性域加入搜索，对生成查询条件集合的条件权重进行动态计算，执行搜索并生成用户搜索的建议若意图识别未命中，根据首次搜索是否有结果，运行不同的实现逻辑，分为如下两种情况。1）意图识别没命中，首次搜索有结果。同义扩展后，对扩展词集合进行权重动态计算，并按搜索结果属性聚合生成过滤筛选项，最后返回结果，2）意图识别没命中，首次搜索无结果。拼音及错词纠正解决用户输出失误的问题，提升用户体验，引导用户搜索，防止用户流失。错词一般将词的谐音转化成拼音，再通过拼音匹配命中平台最希望用户搜索的词16 O480第41卷吉林大学学报（信息科学版）通过上述知识智能
30、搜索，实现了大量配电站房的结构化和非结构化知识的知识搜索和快速推荐。2.2设备故障智能诊断通过知识图谱智能推理能力实现电力设备故障智能诊断是配电站房智能运检应用研究的主要内容知识图谱的推理常见于基于规则的推理，这些规则可表示各关联概念间的关系，笔者以电力油侵式变压器为例，梳理了其常见的故障及现象，并设计了故障规则对应表17，如表6 所示。表65变压器常见故障规则Tab.6Common fault rules of transformer序号异常状态特征参量序号异常状态特征参量1电流回路发热直流电阻不平衡系数铁心泄露电流CO相对产气速率5绕组故障直流电阻不平衡系数CO,相对产气速率绕组介损C,H
31、x含量套管介损2局部放电局部放电量6变压器油劣化绕组介损H2含量油介损C,H,含量油击穿电压油中微水含量酸值3绝缘受潮油介损油中微水含量油击穿电压7绝缘老化绕组介损极化指数油介损H2含量CxHx含量油中微水含量糠醛含量4铁心故障C,Hx含量对变压器，每个故障对应一个典型异常状态，而每个异常状态可由对应的特征参量指标评价。上述特征参量值可在变压器油色谱分析、电气试验、优化试验中取得，并根据其规格定义各工作区间相关阈值。例如，若：绕组介损、油介损、C,Hx含量、糠醛含量指标超出值，即可判断该变压器出现了绝缘老化故障。为构建其知识图谱，设计故障关联矩阵图18，如图8 所示。特征指标/故障征兆电流回路
32、发热局部放电绝缘受潮铁心故障绕组故障变压器油劣化绝缘老化直流电阻不平衡系数1000100CO相对产气速率1000000CO,相对产气速率1000000COx含量1101001局部放电量0100000H含量0110000油中微水含量0110010油介损0110011油击穿电压0110010极化指数0010000铁心泄露电流0001000绕组介损0000111糠醛含量0000001套管介损0000100图8 变压器故障关联矩阵图Fig.8Transformer fault incidence matrix完成故障关联矩阵后，即可参照第2 节所述步骤构建变压器故障的知识图谱，如图9 所示，以故障关联
33、矩阵为输人，经过知识抽取，完成变压器故障诊断19。同理，笔者研究方法可扩展到高低压柜及配电站房其他电气设备的故障智能预测。知识建模知识抽取知识验证故障关联故障诊断故障诊断矩阵分析结果图9变压器故障诊断知识图谱构建流程图Fig.9Flow chart of knowledge map constructionfor transformer fault diagnosis第3期曹捷，等于知识图谱技术的配电站房智能运检4813应用成效笔者采用知识图谱技术构建了配电站室运检业务知识库及应用体系，并在国家电网山西省开展了为期近一年的试点建设。通过试点建设及应用，验证了配电站房运检业务领域的知识快速浏览、
34、共享管理、智能搜索和推荐等应用功能。通过智能推理，用知识图谱中配电站房运检所涉及相关的大量故障记录、状态分析、判别规则等信息构成了相关故障树，可快速推理出故障发生的原因，提供处理措施和建议，实现了配电站房故障智能推理，流程如图10 所示。当开关局放有异常现象发生时，将该现象输人知识图谱，得到引起该现象的可能故障，其通过故障树的形式表示2 0，因此巡检人员可有目的地排查故障，发现引起开关局放异常现象的原因。再将电流互感器放电输人知识图谱，得到整改建议：安全绝缘距离是否合规、防潮措施是否到位、螺丝是否松动等。开关柜局放异常故障树故障原因解释人员故障原因：安装绝故障发生分析缘隔离一般原因电流互受潮电
35、流互感器放电感器放一般原因电螺栓一般原因松动检索返回故障更新检索返回配电站房知识图谱视频温湿度低压配电柜运行规程中压电缆气体操作信息配电站房台账运行规程告警信息台账烟雾温度变压器检修信息中压配电柜噪声局放电压电流图10知识图谱的故障推理流程Fig.10Fault reasoning process of knowledge map图11为研究成果首页实例图，该应用一方面提升配电站房运检业务知识提取效率，通过纸质材料语义识别，减少手工录人工作量，改变了基层人员的工作模式，减轻基层用户操作负担；另一方面开展配电站房运检知识共享传播，建立知识关联，构建智能知识库，实现对知识统一管理、按需供给和智能推
36、荐，提升了配电站房运检业务智能化水平。完成了原纸质材料9 5%智能提取入库，平均每配电站房减少了15 0 人天的日常运检工作量，通过知识智能推理，将开关、局放等典型设备的故障隐患排查时间由原平均2 0 h时长，减少到4h，大幅减少了故障隐患排查时间，提高了配电站房安全管理水平。标游#8,7 9 6,447133,212,255知识中心272,141.616754,201,878常用订阅区知识文库专业培训工作模板数字化档案一每话分始一每语介一谐介呢一份请介组一份遇介一包遇介组一包谐介错一勿适介一每送介绝一每语介招一包选介一切请介络图11知识应用实例图Fig.11Example diagram o
37、f knowledge application4结语知识图谱作为大数据技术的重要组成范畴，随着其技术的日趋完善和发展，多源数据通过图谱技术实现综合关联，并支撑正常和异常工作状态的特征比对进而实现故障隐患智能分析和预测。笔者结合配482吉林大学学报（信息科学版）第41卷电站室运检业务需要，构建了配电站室知识库及其体系，有效实现了故障隐患的智能发现和提前预警预测，实现了显著的经济效益和社会效益。笔者基于配电站房运检业务开展研究，未来也可拓展到其他类似需求的业务中，因此具备较好的创新价值和推广意义。参考文献：1肖新华，黄明烨，宋志强基于智能配变终端的低压配电网智能运检体系构建研究J供用电，2 0 1
38、9，36(6):55-61.XIAO X H,HUANG M Y,SONG Z Q.Research on the Construction of Intelligent Operation Inspection System for LowVoltage Distribution Network Based on Intelligent Distribution Transformer Terminal J.Power Supply and Consumption,2019,36(6):55-61.2 饶子昀，张毅，刘俊涛，等应用知识图谱的推荐方法与系统J自动化学报，2 0 2 1，47（9
39、）：2 0 6 1-2 0 7 7.RAO Z J,ZHANG Y,LIU J T,et al.Recommendation Method and System of Applied Knowledge Atlas J.Journal ofAutomation,2021,47(9):2061-2077.【3】常亮，张伟涛，古天龙，等知识图谱的推荐系统综述J智能系统学报，2 0 19（2）：2 0 7-2 16.CHANG L,ZHANG W T,GU T L,et al.A Review of Knowledge Map Recommendation System J.Journal of I
40、ntelligentSystems,2019(2):207-216.【4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，2 0 2 0，33（9）：6 6-7 6.GAO H X,MIAO L,LIU J N,et al.Overview of Knowledge Atlas and Its Application in Power System JJ.GuangdongElectric Power,2020,33(9):66-76.5 JLI R Q,DAI W B,HE S,et al.A Knowledge Graph Framework for Softwar
41、e-Defined Industrial Cyberphysical Systems C/Proceedings of 45th Annual Conference of the IEEE Industrial Electronics Society.Lisbon,Portugal:IEEE,2019:2877-2882.6JTANG Y C,LIU T T,LIU G Y,et al.Enhancement of Power Equipment Management Using Knowledge Graph C/Proceedings of IEEE PES Innovative Smar
42、t Grid Technologies Asia.Chengdu,China:IEEE,2019:905-910.【7 庄严，李国良，冯建华知识库实体对齐技术综述J.计算机研究与发展，2 0 16（1）：16 5-19 2.ZHUANG Y,LI G L,FENG J H.Overview of Knowledge Base Entity Alignment Technology JJ.Computer Research andDevelopment,2016(1):165-192.【8 姚萍，李坤伟，张一帆知识图谱构建技术综述J.信息系统工程，2 0 2 0（5）：12 1，12 3.YAO
43、 P,LI K W,ZHANG Y F.Overview of Knowledge Map Construction Technology JJ.Information System Engineering,2020(5):121,123.9 郭炜杰，包晓安.知识数据库中非结构化文本关键信息抽取模型J计算机仿真，2 0 2 1，38（9）：35 7-36 0,39 4.GUO W J,BAO X A.Key Information Extraction Model of Unstructured Text in Knowledge Database J.ComputerSimulation,2
44、021,38(9):357-360,394.1OJNICKEL M,MURPHY K,TRESP V,et al.A Review of Relational Machine Learning for Knowledge Graphs J.Proceedings of the IEEE,2016,104(1):11-33.11张吉祥，张祥森，武长旭，等。知识图谱构建技术综述J。计算机工程，2 0 2 2，48（3）：2 3-37.ZHANG J X,ZHANG X S,WU C X,et al.Overview of Knowledge Map Construction Technology
45、J.ComputerEngineering,2022,48(3):23-37.12陈仁杰，郑小盈，祝永新融合实体类别信息的实体关系联合抽取J计算机工程，2 0 2 2，48（3）：46-5 3.CHEN R J,ZHENG X Y,ZHU Y X.Entity Relationship Joint Extraction Based on Entity Category Information J.Computer Engineering,2022,48(3):46-53.13张正航，钱育蓉，行艳妮，等.知识表示学习方法研究综述J计算机应用研究，2 0 2 1，38（4）：9 6 1-9 6 7
46、.ZHANG ZH,QIAN Y R,XING Y N,et al.A Review of Knowledge Representation Learning Methods J.ComputerApplication Research,2021,38(4):961-967.14曹倩，赵一鸣知识图谱的技术实现流程及相关应用J情报理论与实践，2 0 15（12）：12 7-132.CAO Q,ZHAO Y M.Technical Implementation Process and Related Applications of Knowledge Atlas JJ.Information Th
47、eoryand Practice,2015(12):127-132.责任编辑：刘俏亮）第3 期曹捷，等：基于知识图谱技术的配电站房智能运检48315 袁满，张维罡，李明轩基于认知图谱的智能问答系统推理模型研究J吉林大学学报（信息科学版），2 0 2 1，39(5):589-595.YUAN M,ZHANG W G,LI M X.Research on Reasoning Model of Intelligent Question Answering System Based on CognitiveMap J.Journal of Jilin University(Information Sc
48、ience Edition),2021,39(5):589-595.16王立才，孟祥武，张玉洁上下文感知推荐系统J.软件学报，2 0 12（1：1-2 0.WANG L C,MENG X W,ZHANG Y J.Context Aware Recommendation System J.Journal of Software,2012(1):1-20.17刘世丹，陈桥平，李一泉，等变电站继保设备智能运检能力评价模型与方法J.广东电力，2 0 2 1，34(6):105-110.LIU S D,CHEN Q P,LI Y Q,et al.Evaluation Model and Method f
49、or Intelligent Operation Inspection Capability of RelayProtection Equipment in Substation J.Guangdong Electric Power,2021,34(6):105-110.18 JKIM H,PARK J,BENNIS M,et al.Blockchained on-Device Federated Learning J.IEEE Commun Lett,2019,24(6):1279-1283.19冯永，陈以刚，强保华融合社交因素和评论文本卷积网络模型的汽车推荐研究J自动化学报，2 0 19(
50、3):518-529.FENG Y,CHEN Y G,QIANG B H.Research on Automobile Recommendation Based on Social Factors and Comment TextConvolution Network Model J.Journal of Automation,2019(3):518-529.20李慧，马小平，施珺，等复杂网络环境下基于信任传递的推荐模型研究J自动化学报，2 0 18（2）：36 3-37 6.LI H,MA X P,SHI J,et al.Research on Recommendation Model Ba
