歐一鳴，蘇雍賀+，靳 健，倪瑋晨，陶 飛

(1.北京航空航天大學 自動化科學與電氣工程學院，北京 100191；2.北京師范大學 政府管理學院，北京 100875;3.國網(wǎng)天津市電力公司 電力科學研究院，天津 300384)

1 問題的提出

近年來，分布式光伏產(chǎn)業(yè)呈現(xiàn)爆發(fā)式增長，電站數(shù)量顯著增多。與大規(guī)模集中式電站不同，分布式電站與運維站點距離過遠、運維資金有限，組建高專業(yè)度團隊的運維模式覆蓋范圍不足，不能滿足分布式光伏的運維需求。因此，目前的分布式光伏運維工作大多是將工單派發(fā)給第三方公司或個人，這些人員專業(yè)度普遍不高，往往導致故障判斷不準確，進而降低運維效率。分布式光伏電站結(jié)構復雜，主要由太陽能電池組件、逆變器、匯流箱、基座等多個部件組成，每個部件的作用、原理和構造均不相同，如圖1所示，這更加劇了分布式光伏運維人員專業(yè)度不足的矛盾。因此，亟需一種智慧運維手段，根據(jù)運維訴求提供精準的方案支持，改善當前的運維現(xiàn)狀。在實際運維工作中，常常出現(xiàn)多個故障組成的復合型訴求、要素缺失的不完整訴求等，這些特殊訴求也對智慧運維的方案支持能力提出了挑戰(zhàn)。

輔助人員從運維訴求中獲取信息、得出運維方案的方案匹配智能化應用可以降低運維工作的專業(yè)度門檻，減輕對運維人員時間、精力的負擔，對分布式光伏智慧運維具有重要意義。而知識圖譜(knowledge graph)可以對智慧運維系統(tǒng)提供專業(yè)度的支撐。如雷兵[1]使用OWL(Web ontology language)描述語言構建了圖譜形式的知識庫，通過專業(yè)領域的知識庫可以有效地對深層次的專業(yè)需求進行理解。對于分布式光伏運維領域而言，有了知識圖譜作為支撐，智慧運維系統(tǒng)就可以更準確地識別用戶訴求，并以更高的專業(yè)度匹配運維方案。

這種輸入訴求、輸出運維方案的智能化應用可以看作是一種基于知識圖譜的問答系統(tǒng)。近年來，針對知識圖譜問答系統(tǒng)的研究主要集中在開放領域，這類系統(tǒng)主要面向大范圍、專業(yè)度較低的簡單問答[2](如“中國的首都是哪”)。相比之下，專業(yè)領域的問答系統(tǒng)需要回答范圍更小、專業(yè)性更高的問題，需要更深入地從圖譜和訴求文本中獲取回答。

基于知識圖譜的專業(yè)領域問答系統(tǒng)主要分為檢索圖譜本身和利用圖譜選擇答案兩類[3]。檢索圖譜本身是指搜索知識圖譜中的目標節(jié)點或連接作為答案輸出。如“油枕從屬于什么設備”這一問題，系統(tǒng)經(jīng)過搜索找到知識圖譜中的三元組[油枕，從屬關系，油式變壓器]，即可回答“油枕從屬于油式變壓器”。目前，微軟必應、谷歌、百度等搜索引擎大多采用此類方法來回答簡單問題[4-5]。而利用圖譜選擇答案則是利用知識圖譜作為媒介，在備選回答中進行選擇，輸出最匹配的一個回答。如電網(wǎng)智能運維中，存在一種基于知識圖譜的電力設備維修記錄檢索方法，將圖譜節(jié)點之間的路徑作為特征，檢索相應的設備維修記錄文本，為運維人員提供指導[6]。當前，分布式光伏領域的主要數(shù)據(jù)來源于運維手冊等含有文本形式的方案庫，因此更適用于利用圖譜選擇答案的模式。

實際工作中，運維訴求的提供者通常是分布式光伏電站的所有者(戶主)，這類人群普遍缺乏專業(yè)性，往往出現(xiàn)訴求中實體要素缺失的問題，且當前運維流程也不具備通過對話[7]等方式補充要素的條件，給方案的準確檢索造成了困難。

本文從分布式光伏運維行業(yè)現(xiàn)狀出發(fā)，為了緩解運維工作專業(yè)度門檻高、智能化程度低的情況，設計了一種基于知識圖譜的分布式光伏運維方案匹配方法。這套流程以分布式光伏運維知識圖譜作為中介，使用圖搜索方法將輸入的運維訴求與文本方案庫中的故障描述相匹配，從而得出相應的方案。對于實踐中常常出現(xiàn)的多種故障描述組合成的復合型運維訴求，本文利用知識圖譜對訴求進行拆分再匹配，相比用依存句法樹作為中間流程的方法，具有更高的準確度。針對方案匹配過程中，訴求文本的實體要素不全，導致無法執(zhí)行匹配流程的問題，本文設計了基于知識圖譜聯(lián)想能力的要素補全方法以及相應的匹配策略，所設計的方案匹配系統(tǒng)自動化程度較高，對于分布式光伏運維行業(yè)而言，可以有效減少人工成本。同時方案匹配流程能夠在低專業(yè)度人員操作下運行，相較其他方案匹配方法，準確性和可靠性也有了一定的提高。

2 國內(nèi)外研究現(xiàn)狀

2.1 方案匹配方法在智慧運維中的應用現(xiàn)狀

在智慧運維中應用的方案匹配方法主要分為專家系統(tǒng)和問答系統(tǒng)兩種。專家系統(tǒng)含有專家級知識和經(jīng)驗，可以模仿專家解決專業(yè)領域的復雜問題。近年來，隨著機器學習技術的發(fā)展，許多研究利用維修案例數(shù)據(jù)訓練專家系統(tǒng)來進行故障診斷和方案匹配[8]。這種故障診斷專家系統(tǒng)，可以應對如重型機床領域[9]的高復雜度、高專業(yè)度的情況。但分布式光伏運維是新興領域，沒有足夠的有標注案例數(shù)據(jù)支撐，不適用此類方法。問答系統(tǒng)以文本作為輸入，系統(tǒng)從訴求文本中獲取信息，通過文本搜索等手段匹配到與訴求最相符的運維方案，并反饋給用戶。如可以用深度卷積神經(jīng)網(wǎng)絡[10]等方法提取訴求文本的特征，搜索并找到相似度最高的案例作為回答。這種方法可以不依賴大量的有標注數(shù)據(jù)，更適用于當前缺乏有標注數(shù)據(jù)的狀況。但基于問答系統(tǒng)的方案匹配方法對于本文分布式光伏運維背景的適用性，還需進一步探究。

2.2 基于問答系統(tǒng)的方案匹配方法研究現(xiàn)狀

在本研究中，數(shù)據(jù)來源主要是運維手冊中的文字說明與文本方案庫，因此問答系統(tǒng)形式主要包括基于文本分析的問答和知識圖譜問答兩類[11]?；谖谋痉治龅膯柎鹣到y(tǒng)主要根據(jù)輸入的文本進行分類或檢索。例如使用神經(jīng)網(wǎng)絡可以對變壓器運維領域的缺陷文本進行深度信息挖掘，給出設備故障類型的診斷[12]。但這種方法只以文本作為依據(jù)來給出回答，忽略了領域詞匯之間的內(nèi)在聯(lián)系[13]，在分布式光伏運維等專業(yè)領域中，容易導致匹配失準[14]。知識圖譜問答指的是借助知識圖譜中包含的知識，對自然語言形式的問題進行回答，根據(jù)過程的不同可以細分為圖譜檢索和答案選擇。圖譜檢索指的是問答系統(tǒng)在理解問題后，根據(jù)問題語義從圖譜中檢索答案，答案通常為圖譜蘊含的實體或關系[15-16]。答案選擇則是利用圖譜中蘊含的知識，從候選答案中找出最匹配的一個[17]，如ZHAO等[18]使用圖神經(jīng)網(wǎng)絡對自由文本知識圖譜(free-text knowledge graph)進行推理以選擇答案。本研究需要從文本形式的運維方案庫中找出最符合運維訴求的方案，因此方案匹配任務對應答案選擇類型的方法。但是在分布式光伏和智慧運維領域，基于知識圖譜的應用研究目前較少，還需進一步分析相關方法。

2.3 基于知識圖譜問答系統(tǒng)的方案匹配方法研究現(xiàn)狀

基于知識圖譜的方案匹配方法主要分為基于模板、基于圖譜向量和基于圖搜索的方法?；谀０宓姆椒ㄍǔ＠媚０鍋砝斫廨斎氲膯栴}，如ABDALGHANI等[19]使用自動生成模板的方法將問題分割為多個簡單句法樹，再結(jié)合知識圖譜對問題進行回答。但這類方法對模板有較高要求，分布式光伏數(shù)據(jù)量不足以支撐此類方法，因此無法使用;基于圖譜向量的方法是根據(jù)圖譜節(jié)點之間的連接關系，訓練出某種模型進行圖譜的分布式表示，將節(jié)點表示成向量，使計算機可以直接對圖譜進行運算，如TransE[20]系列模型和node2vec[21]等圖神經(jīng)網(wǎng)絡模型，轉(zhuǎn)化為向量后可以根據(jù)向量空間中的距離來獲取回答[22]。另一些研究將過程轉(zhuǎn)化為類似QQP(quora question pairs)問題進行求解[23]。這類方法對有標注的訓練語料(如表示同樣內(nèi)容的不同提問句式)數(shù)量有較高的要求，而當前分布式光伏領域的可用數(shù)據(jù)多為手冊、書籍中的無標注文本，不能滿足模型訓練所需;基于圖搜索的方法是將方案匹配轉(zhuǎn)化為一個子圖匹配問題，再設計搜索策略等進行匹配，如CHOWDHURY等[24]構建了一種“選擇—評估(SCALE)”框架來實現(xiàn)高效的圖搜索過程，但實踐中容易出現(xiàn)由多個故障描述組合成的復合型提問或關鍵實體名詞要素缺失問題，無法直接精確匹配，需要進行搜索流程的優(yōu)化。

3 基于知識圖譜的分布式光伏運維方案匹配問題描述

為了將分布式光伏領域的運維訴求與文本形式的方案庫相匹配，需要利用知識圖譜來進行專業(yè)領域問題的搜索。文本方案庫由文本形式的故障描述與對應解決方案組成，首先將故障描述映射到分布式光伏知識圖譜中，形成方案庫的故障描述子圖;用戶輸入運維訴求時，運維訴求同樣映射到知識圖譜中，形成運維訴求子圖;再利用知識圖譜進行圖搜索，將用戶的運維訴求子圖與方案庫的故障描述子圖相匹配，最終得出運維方案。整體流程如圖2所示。

已有的分布式光伏運維知識圖譜是通過實體提取和實體關系提取兩個步驟，從分布式光伏運維手冊中獲取信息構建的[25]，并經(jīng)過少量人工調(diào)整使其準確度滿足方案匹配所需。該圖譜由實體和實體關系兩部分組成，如圖3所示。實體包括分布式光伏領域的部件設備(如組件、變壓器等)和領域概念(如短路、異響等)。實體關系包括“因果關系”等8類有向關系：“因果關系”指故障造成現(xiàn)象的因果，如“過熱”會導致“報警”；“作用關系”指某部件起到某種作用，如“蓄電池”是用來“蓄電”；“產(chǎn)生關系”表示部件會發(fā)生的故障，如“電纜”會產(chǎn)生“短路”；“包含關系”是概念上的包含，如“短路”是一種“故障”；“位于關系”表示位置上的聯(lián)系，如“光伏板”位于“支架”上；“從屬關系”代表設備由哪些部件組成，如“油枕”從屬于“油式變壓器”；“同義詞關系”如“空開”、“空氣開關”與“空氣斷路器”是同義詞；“其他關系”則是其他不能直接概括的關系。描述實體關系的基本單元為三元組:[頭實體(Head),實體關系(Relation),尾實體(Tail)]，許多個三元組將實體連接起來形成知識圖譜。

如圖4所示，以油式變壓器為例，其設備由油枕、分接開關、套管等多個部件組成，還有聲響等現(xiàn)象，分別會出現(xiàn)著火、破損、放電等故障，產(chǎn)生相應訴求。將訴求蘊含的實體映射到分布式光伏運維知識圖譜中，根據(jù)知識圖譜里的實體關系相互連接，則得到運維訴求的子圖化形式。

本文將從單一故障完整訴求、多故障復合型訴求和實體要素缺失的不完整訴求3種情況出發(fā)，分別設計方案匹配流程。

(1)單一完整訴求,如輸入訴求在進行同義詞替換后為“變壓器的風機發(fā)出異響”，該訴求包含實體{變壓器，風機，異響}和實體關系{[風機，從屬，變壓器]，[風機，產(chǎn)生，異響]}，對應知識圖譜中的一個子圖{變壓器→風機→異響}；而文本方案庫中有描述同樣映射到圖譜中{變壓器→風機→異響}這個子圖，則認為匹配成功，輸出方案庫中該描述的對應方案，如果方案庫中沒有相應的子圖，則無法直接匹配，要判斷是復合型還是不完整訴求，進入相應的匹配流程。

(2)在實踐中，往往還存在由多個故障描述組成的復合型訴求，如“變壓器的風機發(fā)出異響，鐵芯也有異響”，方案庫中沒有完全匹配的故障描述子圖，只有{變壓器→風機→異響}和{變壓器→鐵芯→異響}兩個覆蓋了一部分的子圖，不能直接匹配，需要將原訴求拆分為多個單一子訴求再分別匹配方案。

(3)實體缺失的不完整訴求也很常見。如業(yè)主可能只會告訴客服“變壓器有異響”，或者由于業(yè)主專業(yè)度不高而表達為“變壓器里散熱的東西很響”，同義詞替換和實體對齊后也只能獲取{變壓器，異響}兩個實體。該情況導致訴求子圖缺失了中間的實體無法直接匹配，而由于當前運維流程，方案匹配系統(tǒng)無法獲取更多信息判斷“變壓器”的哪個部件有“異響”。此時，需要通過知識圖譜聯(lián)想將訴求補全為{變壓器→風機→異響}和{變壓器→鐵芯→異響}等幾個可能的訴求，再同時匹配方案。

4 單一故障完整訴求的分布式光伏運維方案匹配方法

一些研究[19,26]會使用依存句法、詞性分析等工具從文本中提取實體對，再將實體對映射到圖譜中。由于這些手段在短文本中使用的準確率并不穩(wěn)定[27]，會降低整個流程的可靠性，本文認為構建同義詞表并統(tǒng)一替換后直接從文本中找出即可，限定領域的小規(guī)模知識圖譜本身可以為實體和關系提供足夠的約束。

同義詞表的構建主要屬于共指消解任務，因為分布式光伏運維訴求一類的短文本幾乎不考慮代詞[28]，所以只針對名詞進行構建。本文使用知識圖譜中的“同義詞”關系與詞向量共同構建同義詞表。知識圖譜中的“同義詞”關系提取自有明確記載的分布式光伏領域文本，如手冊中記載“光伏組件又稱太陽電池組件”;詞向量則是根據(jù)一個詞匯的上下文語境訓練得到，本文使用Skip-Gram模型，設定詞向量維度為300維，通過向量空間中的余弦相似度來判斷是否為同義詞。

匹配的詳細算法過程如算法1所示。

算法1要素齊全的運維訴求與故障描述匹配算法。

步驟1輸入運維訴求X與故障描述q。

步驟2故障描述q包含實體集合N={n1,n2,…,nn}，將N在圖譜中標記出來。

步驟4判斷節(jié)點n′是否被標記，如被標記，進入步驟5，若沒有被標記，則轉(zhuǎn)步驟3。

步驟5判斷訴求X中是否存在未選定過的實體，若存在則循環(huán)執(zhí)行步驟3～步驟5，否則進入步驟6。

步驟6判斷集合N中是否還存在未選定過的節(jié)點，若存在則匹配失敗，否則匹配成功。

5 復合型訴求的分布式光伏運維方案匹配方法

復合型的運維訴求在實際運維工作中十分常見。在分布式光伏電站出現(xiàn)多個故障的時候，往往會形成復合型的運維訴求，在方案庫中對應多個解決方案。如“變壓器發(fā)出共振聲，且出現(xiàn)高溫”這一訴求，X={變壓器,共振，高溫}是由x1={變壓器,共振}和x2={變壓器,高溫}兩個子問題組成的，即X={x1,x2}。對于復合型訴求的拆分，本文認為：在一個子問題中，有且只有一條實體關系路徑，且同種的實體關系方向都相同。拆分示意圖如圖7所示。

拆分過程是通過知識圖譜中實體關系的跳轉(zhuǎn)來實現(xiàn)的，一個節(jié)點通過一次實體關系的跳轉(zhuǎn)到達相鄰節(jié)點的距離稱為“1跳”。拆分后，對每個子問題單獨進行方案匹配。算法2為復合型訴求的拆分及匹配過程。

算法2復合型運維訴求的匹配算法。

步驟2在X中不重復地隨機選定一個節(jié)點n′。

步驟3在選定的節(jié)點周圍1跳范圍內(nèi)進行廣度優(yōu)先的節(jié)點搜索，選定下一個節(jié)點n″。

步驟4判斷最新選取的實體之間關系的方向是否與已有同種方向相反，若相反則轉(zhuǎn)步驟3重新選取n″，否則進入步驟5。

步驟5判斷n″周圍是否存在未選定過的節(jié)點，若存在則轉(zhuǎn)步驟3選定下一跳的節(jié)點，否則認為完成了對單個子問題的拆分，進入步驟6。

步驟6對該子問題遍歷方案庫中的故障描述，并執(zhí)行算法1，若算法1通過則將該方案加入解集，若全部不通過則認為該子問題在方案庫中沒有對應描述，轉(zhuǎn)步驟3拆分下一個子問題。

步驟7如果步驟3中最初選定的節(jié)點也沒有未選定過的相鄰節(jié)點，則判斷集合X中是否存在未選定過的節(jié)點，若存在則轉(zhuǎn)步驟2，否則結(jié)束算法2，輸出解集。

6 不完整訴求的分布式光伏運維方案匹配方法

在分布式光伏電站的實際運維工作中，由于光伏業(yè)主們普遍不具備較高的專業(yè)性，運維訴求中容易缺失實體要素。由于目前“業(yè)主——客服——運維人員”的運維模式，運維人員也無法通過其他信息來源補全訴求，即不可能確切地知道具體缺失了哪個實體。本文方案匹配方法作為人員的輔助，將利用現(xiàn)有信息，借助圖譜的聯(lián)想能力最大限度地補全訴求、搜索可能的方案。

如果運維訴求中，一個子問題沒有匹配到任何方案庫中方案，則可以認為該子問題是不完整的?？紤]到通常子問題的實體數(shù)量不超過4個，本文僅考慮要素缺失數(shù)量為1的情況。要素補全的核心是利用圖譜搜索已知實體要素1跳范圍內(nèi)的節(jié)點，形成新的子問題。補全示意圖如圖8所示。

補全訴求信息之后，會得到多個可能的子問題，之后的過程類似復合型問題，將子問題分別與方案庫中的故障描述進行匹配，得到用戶訴求的解集。完整的匹配流程如算法3所示。得到解集后可根據(jù)杰卡德系數(shù)(Jaccard Index)進行排序，獲取最可能的Top-N匹配方案。

算法3要素不全運維訴求的匹配算法。

步驟2在x中不重復地隨機選定一個節(jié)點n′。

步驟3在節(jié)點n′周圍1跳范圍內(nèi)進行廣度優(yōu)先的節(jié)點搜索，選定一個節(jié)點n″作為補全的實體要素。

步驟4判斷節(jié)點n″與n′的實體關系方向是否與子問題x中已有同種方向相反。若相反則轉(zhuǎn)步驟3重新選取n″；否則將節(jié)點n″劃入該子問題，進入步驟5。

步驟5在節(jié)點n″周圍1跳范圍內(nèi)搜索節(jié)點，判斷是否存在子問題x以外的、屬于運維訴求X的其他節(jié)點n?；若存在則進入步驟6，否則進入步驟7。

步驟6判斷節(jié)點n?能否劃入該子問題，若不能則退回步驟6，否則將節(jié)點n?劃入該子問題，進入步驟8。

步驟7對新的子問題執(zhí)行算法1，若算法1通過，則將匹配到的方案加入解集，若全部不通過則認為該子問題在方案庫中沒有對應描述，轉(zhuǎn)步驟3重新選擇補全的實體要素。

步驟8判斷x中是否還存在未選定過的節(jié)點，若存在則轉(zhuǎn)步驟2，否則結(jié)束算法3，輸出解集。

7 驗證分析

7.1 驗證設置與評價指標

7.1.1 驗證數(shù)據(jù)來源

本文采用國家電網(wǎng)提供的《分布式光伏電站系列操作手冊—運行維護》和書籍[29]作為該領域的文本數(shù)據(jù)來源，分為文本說明和文本方案庫兩個獨立部分，文本說明部分約6 000條句子、共40萬字，文本方案庫部分包含142條分布式光伏設備的故障描述及對應方案。知識圖譜構建使用文本說明部分，采用實體提取和實體關系提取兩個步驟的自動化構建方法[25]，并通過人工校正使其準確度滿足方案匹配要求，圖譜規(guī)模為341個領域?qū)嶓w和1 257條實體關系。知識圖譜存儲在neo4j圖數(shù)據(jù)庫中，部分圖譜的可視化展現(xiàn)示意圖如圖9所示。

7.1.2 評價指標設置

在單一完整訴求的方案匹配，以準確率(Accuracy)作為評價指標，采用小批次人工抽驗的方式，重復多次求平均值。準確率A的計算公式如下：

(1)

式中：T為正確的樣本數(shù)；F為錯誤的樣本數(shù)。復合型訴求的方案匹配，同樣用準確率(Accuracy)作為匹配性能的評價指標。

對于要素不全訴求的方案匹配，需要衡量在信息缺失的情況下搜索可能方案的能力，因此繪制Top-N召回率曲線來進行評價。召回率

(2)

7.2 驗證結(jié)果與分析

7.2.1 單一故障完整訴求的方案匹配方法

在理想情況下，將本文所設計的基于圖搜索的方案匹配方法與單純的文本分析方法(LDA模型、word2vec聚類)進行對比，隨機抽取50條單一問題完整訴求進行測試，共測試5個批次，準確率結(jié)果如表1所示。

表1 單一故障完整訴求的方案匹配準確率

由該結(jié)果可知，基于知識圖譜的方案匹配方法在專業(yè)問題上的表現(xiàn)優(yōu)于純文本的分析方法。純文本方法在專業(yè)領域中，對于句式相似的問題，分辨能力不如具備專業(yè)知識的圖搜索方法。利用分布式光伏運維知識圖譜約束的匹配方法，可以精準地捕捉到運維訴求所包含的設備部件以及故障信息，而純文本方法會傾向于將句式相近的描述匹配到一起。因此，基于知識圖譜的匹配方法在分布式光伏智能運維背景下具有更高的準確度。

7.2.2 復合型訴求的方案匹配方法

復合型訴求的方案匹配使用準確率作為匹配性能的評價指標。本文隨機將2～5條單一完整的故障描述相組合后，生成復合型提問，并輸入方案匹配流程。本次實驗每次生成100條訴求，共生成5個批次，本文方法與使用句法樹分解問題的匹配方法準確率如表2所示。

表2 復合型訴求的方案匹配準確率

可以看出，本文設計的基于圖譜拆分問題再匹配的方法，相比使用依存句法樹分解問題的匹配方法，準確率更優(yōu)。一個可能的原因是依存句法樹本身的準確度不高，不太適合作為知識圖譜深度應用的中間環(huán)節(jié)。在分析術語較多的短文本的情況下，依存句法樹存在將詞匯的詞性標為名詞的傾向。例如句子“電纜頭電暈放電”，其中包含的“電纜頭”、“電暈”、“放電”3個詞匯雖然都具有名詞詞性，但組合在一起應當是“主語+謂語”的結(jié)構，依存句法樹會將其看作3個并列的名詞，從而不能有效地拆分訴求結(jié)構。而本文基于圖譜的拆分方法以圖譜蘊含的關系方向等作為拆分訴求的依據(jù)與約束，相比于僅分析句子結(jié)構的依存句法樹方法，中間環(huán)節(jié)更少，避免了錯誤率疊加的問題。而且有了知識圖譜作為支撐，方案匹配中對專業(yè)性較高的訴求分析能力更強。因此，在復合型訴求方案匹配中，本文所使用的方法具有更優(yōu)的效果。

7.2.3 不完整訴求的方案匹配方法

對于要素補全的情況，選取95條單一問題完整訴求，測試時每條訴求隨機刪除其中的一個實體要素，返回匹配到的所有可能的結(jié)果，取其中的TOP-N計算召回率，繪制TOP-1～TOP-5的召回率曲線。本文知識圖譜聯(lián)想補全方法與實體杰卡德系數(shù)排序和word2vec聚類方法對比測試結(jié)果如圖10所示。由該曲線可以看出，本文的方法如果僅計算TOP-1召回率，結(jié)果是不理想的，相比word2vec方法落后較多。但本文方法在TOP-2時召回率開始升高，到TOP-4達到較高的水平。分析原因，本文方法基于知識圖譜聯(lián)想補全不完整訴求時將給出所有可能的結(jié)果，再用Jaccard Index排序，雖然通過知識圖譜設定條件做出了約束，但仍然會給出數(shù)個可能的結(jié)果。在沒有其他信息渠道的情況下，即使是分布式光伏領域的專家也很難確定哪個結(jié)果能夠滿足訴求，因此全部都要作為結(jié)果輸出，但真正的原始訴求只有一個。一般訴求中包含的實體不超過4個，排序后很容易發(fā)生并列的情況，從而造成TOP-1的召回率不理想，但當返回更多可能結(jié)果時，正確的原始訴求就有更高的可能被輸出。也正是由于在排序前使用知識圖譜進行了補全和約束，預先排除了一些錯誤的故障描述，本文方法的召回率在TOP-N曲線中均高于單純對實體使用杰卡德系數(shù)排序的方法。實驗結(jié)果表明，在輸出TOP-4時，正確訴求有很大的可能被找到，即運維人員只要依據(jù)前幾個最可能的方案進行多方面準備，就能夠提高運維的準確度，這也證明了利用圖譜補全訴求的有效性。因此可以認為，本文設計的基于知識圖譜匹配不完整訴求的方法提高了方案匹配流程的健壯性。

8 結(jié)束語

近年來，分布式光伏產(chǎn)業(yè)飛速發(fā)展，該行業(yè)對于智慧運維的需求也隨之增長。因此，設計一種針對分布式光伏領域的、高專業(yè)度的運維方案匹配方法，在提升運維工作的智能化程度、標準化規(guī)范化運維流程、降低從業(yè)人員門檻等方面都具有重要作用。本文采用基于知識圖譜的圖搜索方法進行方案匹配，相比傳統(tǒng)句法樹方法準確率更高。同時，針對運維實踐中面臨的復合型運維訴求與不完整訴求兩類問題，改進了方案匹配流程，提升了分布式光伏運維的可靠性。但該流程仍有許多不足，如復合型訴求包含實體較多或要素補全的可能的組合較多時，要判斷的子問題數(shù)量可能會急劇增大，導致匹配效率降低。本文的不完整訴求方案匹配方法，是在當前分布式光伏運維流程缺乏補充信息的背景下采用的方法。未來可以結(jié)合額外的信息來源，如大量的運維記錄或能夠與戶主溝通等，改進基于知識圖譜的方案匹配方法。此外，圖搜索屬于NP-Hard問題，本文使用知識圖譜關系方向作為約束，提升了在分布式光伏運維這一小規(guī)模知識圖譜中的搜索速度，未來可以借助神經(jīng)網(wǎng)絡、node2vec等手段，設計一套更加先進高效的流程。