买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网山西省电力公司电力科学研究院

摘要：本发明提供一种量子游走和量子热力学的电网动态知识图谱链接预测方法，涉及电力系统主设备缺陷诊断与动态图表示学习技术领域，该方法包括收集电网动态知识图谱的相关数据，包括电网设备的状态、连接关系、时间戳，构建数据集，并将数据集划分为训练集和测试集；构建基于量子游走和量子热力学的电网动态知识图谱链接预测模型，所述模型包括量子迁移感知编码器和温度感知混合专家模型解码器；使用训练集数据对模型进行训练，通过反向传播算法优化模型参数，得到训练好的模型；利用测试集对训练好的模型进行评估。本发明可以精确预测电网设备未来可能产生故障，提升电网稳定性与安全性。

主权项：1.一种量子游走和量子热力学的电网动态知识图谱链接预测方法，其特征在于，包括：收集电网动态知识图谱的相关数据，包括电网设备的状态、连接关系、时间戳，构建数据集，并将数据集划分为训练集和测试集；所述动态知识图谱是按照时间顺序排列的四元组，四元组的形式包括头实体，关系，尾实体，时间；实体是电网设备和故障，边在电网设备和故障之间，四元组代表在某个时间某个电网设备发生了某种故障；构建基于量子游走和量子热力学的电网动态知识图谱链接预测模型，所述模型包括量子迁移感知编码器和温度感知混合专家模型解码器；其中所述量子迁移感知编码器用于基于动态知识图谱，以当前要推理的节点为中心节点进行子图采样，得到以中心节点为中心的子图结构；基于子图结构，在子图上进行量子游走，计算中心节点到各节点的量子偏置值；基于子图结构和量子偏置值，使用图注意力网络从邻居节点聚合信息，并引入量子偏置调整注意力权重，得到中心节点的更新嵌入；所述温度感知混合专家模型解码器用于基于动态知识图谱的连续时刻数据，计算动态知识图谱的全局演化特征；基于中心节点的嵌入、连边时间、全局演化特征，得到未来可能存在的边的预测结果；所述基于动态知识图谱，以当前要推理的节点为中心节点进行子图采样的方法为：基于动态知识图谱，以当前要推理的节点为中心节点进行子图采样，采样范围在中心节点k-step的范围内，其中k为游走次数，采样有固定上限，同时优先采样出现较晚的边；所述基于子图结构，在子图上进行量子游走，计算中心节点到各节点的量子偏置值，具体包括：基于子图结构，对采样得到的子图增加一个虚拟自环后计算中心节点到其他被采样节点的量子偏置值，其中，所述虚拟自环是指在推理可能存在的连边的时候，为中心节点添加一个指向自己，时间为推理时间的边，所述量子偏置值的定义为量子从中心节点出发经过足够长的时间后能够在子图每个节点上被观察到的平均几率，其计算公式为： 其中，是系统哈密尔顿矩阵，且λ1,λ2,…,λn是哈密尔顿矩阵n个不同的特征值，Pi是具有相同特征值的特征矩阵之和；T1是时间上限；t是不特定时间；Ut和U-t是时间t时的量子共轭矩阵；Qt是在时间t时，从不同节点出发的量子在节点上被观察到的几率矩阵；计算出量子偏置矩阵Q之后，根据中心节点的序号就能够获得中心节点相对于其他节点的量子偏置值；所述基于子图结构和量子偏置值，使用图注意力网络从邻居节点聚合信息，并引入量子偏置调整注意力权重，得到中心节点的更新嵌入，具体包括：基于子图结构，计算中心节点相较于邻居节点的注意力值，首先通过图注意力网络的方法计算原始基于特征的注意力值，之后加入前一步计算得到的量子偏置值，通过以下公式计算得到： 其中，是矩阵转置符号；是量子偏置值；是节点u相对节点v的量子偏置值；是在时间t以u为中心节点采样得到的子图；是中心节点的嵌入线性变化之后的值；dh是嵌入的维度，用于放缩attention值使其不至于过度稀疏；和是中心节点、邻居节点与中心节点连接的边的嵌入线性变化之后的值，计算过程如下： 其中，||·||是拼接操作，将多个向量合并成一个更长的向量；φ·是一个基于三角函数的时间编码模型；是在tk时刻，u和v之间的连边总数；是第l-1层的节点嵌入；tq是推理发生的时间；tk是选取的该连边的时间戳，也就是对应时间的发生时间；Wq和WK是参数投影矩阵；节点聚合邻居信息，公式如下： 其中，Vvt是邻居节点与中心节点连接的边的嵌入；softmax·是softmax激活函数；是第l层更新后的节点嵌入；表示中心节点v的邻居节点集合；最后再用一个多层感知机网络融合邻居信息的聚合以及节点本身历史嵌入，生成最终的节点嵌入，公式如下： 其中，MLP||是多层感知机；是第I层的节点嵌入；所述基于动态知识图谱的连续时刻数据，计算动态知识图谱的全局演化特征，具体包括：假设动态知识图谱系统是一个体积不变的系统，得到其中T是温度，U表示系统的能量，S表示系统的熵；采用冯诺依曼熵作为系统的熵，并且采用近似计算的方法计算冯诺依曼熵，计算公式如下： 其中，V是节点数量；SVN是冯诺依曼熵；du、dv分别表示节点u、v的度，即与节点u、v相连边条数；E表示动态知识图谱在当前时刻包含的所有边；近似认为动态知识图谱的规模代表图的能量，表示成U＝a·|E|，其中a是常量；确定两个时刻，通过计算两个时刻熵和能量的变化来计算量子热力学温度通过采用不同的时间，获得多个量子热力学温度，它们从不同角度反应了当前网络的状态相较之前网络状态的变化趋势，构成了当前时刻动态知识图谱的全局演化特征，表示如下：TM＝[T1,T2,…,Tn]；其中，TM是全局演化特征，T1,T2,…,Tn分别表示不同角度的温度值；所述基于中心节点的嵌入、连边时间、全局演化特征，得到未来可能存在的边的预测结果，具体包括：选取多层感知机作为子解码器，基于中心节点的嵌入、连边时间，子解码器预测给定的某个节点是否在改时间和头节点是否会产生对应连接；基于全局演化特征，使用专家混合模型为不同的子解码器生成对应的权重，最后将所有子解码器的结果加权求和得到未来可能存在的边的预测结果，其中解码过程的表示如下： α＝softmaxTMWd；其中，scoreu,v表示连接存在的可能性得分；hv、hu分别表示中心节点u、v的嵌入；Ne是专家数量；TM是全局演化特征；Wd是投影参数矩阵；α是归一化后的权重，代表在判断这个连接存在与否时专家对应专家的重要程度；MLPi,是多层感知机；softmax·是softmax激活函数；使用训练集数据对模型进行训练，通过反向传播算法优化模型参数，得到训练好的模型；利用测试集对训练好的模型进行评估。

全文数据：

权利要求：

百度查询： 国网山西省电力公司电力科学研究院 量子游走和量子热力学的电网动态知识图谱链接预测方法