RMCNN多领域知识融合的电力风险预警模型

摘要

为了解决电力系统中故障和异常数据稀缺且不完整的问题，提高预测的准确性和实时性，研究提出了一种多领域知识融合模型。利用卷积神经网络的特征提取能力，并结合相关记忆机制，来提高知识图谱链接预测的准确性。通过知识图谱揭示潜在复杂关联并识别可能的风险点，使用CombE模型结合1D和2D卷积嵌入来进行链路预测。结果表明，相较于基线模型TransE,所提相关记忆-卷积神经网络模型(relevant memory convolutional neural network, RMCNN)在FB15K-237和WN18RR上的平均倒数排名分别提高了25%和150%。RMCNN在FB15K-237上的平均倒数排名和Hit@10较ConvE分别提高了13%和12%。多领域知识模型在电力系统风险预警中的应用，显著提升了预警的准确性和可靠性，为电力系统的安全运行提供了有力保障。

关键词

RMCNN / 电力系统 / 多领域知识融合 / 风险预警 / 建模