Public Safety

Ontology model construction and application in the power grid emergency planning domain

  • Jing LI , 1 ,
  • Qiyu FANG 1 ,
  • Cheng GUAN 2 ,
  • Zhizhen ZHANG 1 ,
  • Xiao LI 3 ,
  • Xuecai XIE 4, 5
Expand
  • 1. School of Emergency Management and Safety Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China
  • 2. Information and Communication Institute, China Electric Power Research Institute Co. Ltd. Beijing 102200, China
  • 3. Safety Supervision Department, State Grid Henan Electric Power Company, Zhengzhou 450052, China
  • 4. School of Safety Science, Tsinghua University, Beijing 100084, China
  • 5. School of Engineering and Technology, China University of Geosciences (Beijing), Beijing 100083, China

Received date: 2025-02-01

  Online published: 2025-05-24

Copyright

All rights reserved. Unauthorized reproduction is prohibited.

Abstract

Objective: With the continuous expansion of power grid engineering and the rapid enhancement of information technology, the complexity of accident scenarios has increased significantly, leading to an explosive growth in monitoring data. This study aims to address the limitations of current power grid emergency plans in large-scale data querying and on-site guidance, and assist emergency decision-makers in quickly generating response plans, accurately allocating emergency resources, and promote the digitalization of emergency plans. Toward this goal, this study proposes an improved method for constructing an ontology model in power grid emergency planning. Methods: First, the traditional seven-step ontology construction method is refined based on the Toronto virtual enterprise (TOVE) and skeletal methods. In the refinement process, an "application scenario analysis" phase is introduced in the initial step to enhance the relevance of the ontology construction. Additionally, after creating ontology instances, a "qualitative and quantitative analysis" phase is adopted to verify the scientific validity and feasibility of the ontology, thereby improving model quality. Subsequently, the improved method comprehensively implements the goal determination and construction processes of the ontology model. These processes include defining knowledge in the power grid emergency planning domain; evaluating the reuse of existing ontologies; clarifying key concepts from legislation, emergency scenarios, and enterprise planning systems; and establishing class hierarchies and attributes. Next, the Protégé tool is employed for model visualization. For the example of the emergency plan for typhoon disaster events from a provincial power company, a model was constructed comprising 39 ontology categories, 24 relationship categories, and 14 attribute categories, supplemented by 408 entities, 774 relationships, and 334 attributes. Finally, the ontology model is applied to study the semantic network of emergency plans, designing a schema for the knowledge graph of emergency plans for power enterprises based on the resource description framework schema and web ontology language frameworks. The ontology model in the field of power grid emergency planning is visualized using Protégé. The richness and structural integrity of the model are evaluated using a HermiT1.4.3.456 reasoning engine and the ontology quality analysis method. Results: The results indicate that the relationship richness of the model approaches 1, suggesting a rich relationship structure; the attribute richness value exceeds 1, indicating reasonable attribute settings; and the richness of major classes is 1, whereas that of minor classes is 0.9474, close to 1, demonstrating a high utilization rate of classes. Overall, the model exhibits good rationality and practicality. Conclusions: Empirical results demonstrate that this ontology model effectively addresses impracticality issues, usability, and relevance often encountered in emergency plans. It significantly enhances the efficiency of emergency personnel in response and decision-making while also improving the expressiveness and digital construction of knowledge related to power grid emergency planning.

Cite this article

Jing LI , Qiyu FANG , Cheng GUAN , Zhizhen ZHANG , Xiao LI , Xuecai XIE . Ontology model construction and application in the power grid emergency planning domain[J]. Journal of Tsinghua University(Science and Technology), 2025 , 65(6) : 1079 -1089 . DOI: 10.16511/j.cnki.qhdxxb.2025.22.021

应急预案是为应对潜在事故而预先制定的应急响应措施,旨在减少事故损害,在突发事件中发挥着不可替代的作用[1]。国家电网有限公司已构建了“1+27+ N ”的预案体系,编制超30万项预案,现有预案覆盖了监测、预警、响应、恢复等关键环节,并制定了详尽的处置措施和人员配置。然而,大量预案主要针对单一的突发事件,难以有效应对多情景复杂灾害的衍生问题,例如“暴雨—洪涝—泥石流”耦合灾害链和“区域停电—设备损坏—系统失效”事故链,灾害情景与预案间的关联度还需进一步提升。这种局限性增加了现场人员的应急压力,影响了处置效率。因此,如何从海量的异构情景中快速、精准地关联任务措施,为决策者提供有效的应急处置和资源配置方案,已成为应急预案的研究重点。领域本体构建方法为此提供了解决方案。
本体旨在研究事物的本质和存在方式。1990年,Tim Berners-Lee等将语义网引入本体工程[2]。本体作为语义网络的核心之一,能够描述信息的含义和关系,推动信息自动化处理。国内外学者在地理科学领域[3]、安全领域[4]、生物医学领域[5]和电子商务领域[6]均已实现了从领域词典到领域本体的转化和应用。刘广宇等[7]基于领域本体模型,针对公路工程安全管理中的知识缺口,提出了一种实现领域知识建模与更新的方法。梁昌勇等[8]为满足用户多元化与个性化需求,构建了基于本体的个性化目录引擎模型。徐静海等[9]构建了地震灾害应急响应(earthquake disaster emergency response, EDER)知识的概念模型,采用地理本体表示EDER知识的地理空间特征,该模型能够辅助智能应急。李志义等[10]提出基于混合策略的本体概念抽取方法,使用语言聚类模型和关联规则分别抽取概念间的分类关系和非分类关系,从而自动构建电子商务领域本体。
随着语义网络、深度学习和图数据库等技术的兴起,本体的应用范围进一步扩展[11]。例如,Amailef等[12]基于移动应急系统提出了本体案例推理方法,用于降低紧急灾难情景下的风险。李子昂等[13]提出了基于本体的失业率预测框架,通过挖掘与失业相关的概念及其语义关系,从搜索引擎查询中提取有用的预测特征。杨继星等[14]选用METHONTOLOGY法解构应急预案并获得应急预案本体知识,完成了应急预案本体建模和本体化描述。王芳等[15]基于文本挖掘构建了火灾应急上位本体,并填充火灾应急领域知识,进而构建了火灾应急管理本体模型。
可见,领域本体模型能行之有效地关联“情景-任务”。因此,本文采用本体理论对电网应急预案领域知识进行建模,并提出了电网应急预案领域本体模型构建流程。首先,细化现有的本体构建方法,提升模型的科学性和可行性;其次,明确电网应急预案的领域知识,并从法律法规、突发事件情景和企业预案体系3方面定义本体的核心概念、属性及关系;最后,构建电网应急预案领域本体模型,并利用Protégé工具进行可视化展示,通过软件验证、定性验证和丰富度评价证实了所构建的本体模型的科学性。本研究旨在结合实际业务需求,丰富预案本体概念与关系类别,增强“情景-预案”的关联度,简化应急人员的处置程序,提升电网预案的应急响应能力。

1 电网应急预案领域本体构建方法

本体构建应基于科学且成熟的方法。在企业领域,常用方法包括多伦多虚拟企业(Toronto virtual enterprise, TOVE)法、骨架法和集成定义(integrated definition, IDEF)法,而在其他领域则多采用Methodology法和七步法,半自动的本体构建方法主要包括五步循环法和循环获取法[16],但这些方法都面临技术不成熟的挑战。其中,七步法[17]因其流程清晰、应用广泛,被选为本文构建电网应急预案本体模型的主要方法。
目前,七步法在本体领域内的针对性研究尚不充分,同时在实际应用中存在局限:1) 缺乏与具体情景的紧密衔接,2) 对构建完成的本体缺少检查、评估和反馈。
为细化本体构建七步法,本文借鉴了其他方法的优秀思路:1) 参考TOVE法的“假设场景提出问题”环节,在确定本体领域和范围时,加入“应用情景分析”,以增强本体的针对性。2) 借鉴骨架法的“本体评价及完善”环节,在创建本体实例后,增加“定性定量分析”环节,以验证本体的科学性和可行性,从而提升模型质量。改进后的七步法本体构建流程如图 1所示。
图 1 改进的本体构建七步法

2 电网应急预案领域本体模型构建方法

2.1 电网应急预案领域知识的界定

随着电网规模的不断扩大、项目外包比例的不断增加以及能源清洁低碳转型的不断推进,电网安全应急的薄弱性逐渐凸显。因此,提升应急预案的规范性和操作性对于增强电力企业处理生产安全事故的能力至关重要。本研究聚焦于电力企业应急预案的应急管理问题,构建的本体范围覆盖电网应急预案与电网突发事件的各要素。
电力企业应根据应急法规、能源行业章程和标准,结合本企业安全生产实际情况编制应急预案,并制定相关规范性文件以确保预案有效实施。基于电力企业自身特点,突发事件主要对电网运行安全、设施设备安全、员工人身安全以及网络信息安全4个关键要素产生影响[18],即应急处置的重点也需围绕这4个关键要素展开。基于此,电力企业应急预案领域本体构建主要针对应急预案及其相关文件,匹配自然灾害、事故灾害、公共卫生事件和社会安全事件4类电力突发事件,并为预案的实际应用提供支持。

2.2 重用现有本体的可能性判断

通过分析国内外的本体研究,发现现有的本体模型尚未充分结合事件情景和应急预案,预案本体与事件本体通常是独立构建的,而实际应用中预案与事件情景紧密相关。这使得现有本体难以满足实际需求,使用难度较大。基于电力企业的应急预案文本,构建针对电力事件的应急管理本体模型能够有效支撑保供电应急处置,因此重新构建电网应急预案领域本体具有现实意义。

2.3 明确电网应急预案本体的重要概念

从应急预案法律依据、电力突发事件和电网应急预案体系3方面进行本体领域知识分析,即预案本体的重要概念可分为3个子域:法律法规、突发事件情景和企业预案体系。每个子域具有各自的特点和要求。
1) 法律法规子域。法律法规子域涉及与应急预案强相关的法律法规文件见表 1。该子域涵盖的核心概念包括预案体系、应急组织机构与职责、应急保障、风险管理、应急响应、应急准备、善后处置和应急知识等。
表 1 基于相关法律法规编码应急预案关键要素
法律法规名称 规定的主要内容 重要概念
《生产经营单位生产安全事故应急预案编制导则》(GB/T 29639—2020) 规定了生产经营单位生产安全事故应急预案的编制程序、体系构成和综合应急预案、专项应急预案、现场处置方案的主要内容 应急预案体系,应急准备,事故风险,预警流程,响应流程,应急保障,预案编制
《生产安全事故应急条例》(国务院令(第708号)) 明确了政府统一领导、行业监管部门分工负责、综合监管部门指导协调的工作体制;细化了应急预案、应急队伍和应急物资相关制度;规范了现场应急救援工作 应急准备,应急工作体制,应急预案,救援队伍,救援装备和物资,应急救援,善后处置,应急职责
《突发事件应急预案管理办法》(国办发〔2024〕5号) 规定了应急预案需侧重应急责任人、风险监测、信息报告、预警和应急响应、应急处置措施、人员疏散转移、应急资源调用等方面 应急知识,应急责任人,组织机构,应急任务,应急程序
2) 突发事件情景子域。灾害系统理论指出,事故通常由孕灾环境、致灾因子和承灾载体的相互作用引起。结合公共安全管理三角形理论,电网安全包括突发事件、承灾载体和应急管理3个要素。因此,该子领域的核心概念包括应急事件(类型与级别)、承灾载体(类型与严重程度)以及应急管理(监测预警、事故救援和善后处置)。
3) 企业预案体系子域。根据《电力企业应急预案管理办法》(国能安全〔2014〕508号)和《国家电网有限公司应急预案管理办法》(国网(安监/3)484—2019),电网应急预案体系包括总体预案、专项预案、部门预案和现场处置方案。专项预案的核心概念包括危险源分析、应急指挥机构与职责、预防预警、信息报告、应急响应程序和处置措施等。
综合上述分析,电力企业应急预案本体的关键概念包括:电网应急预案体系、灾害事件、承灾载体、指挥组织机构、监测预警、应急响应、处置措施、应急队伍、应急状态、应急资源、应急知识等。

2.4 定义类和类的层次结构

在明确关键概念后,下一步工作是定义类的规范化表示和层次结构。类是领域内一组具有共同特征实体的抽象集合。本研究首先根据应急预案文本一级指标,提取概念大类别,并结合应急处置的实际情景定义大类别的具体含义;然后,根据应急管理相关规定和预警、响应处置流程,丰富大类的层次结构以提升应急预案概念的系统性。主要的类列举如下:
1) 应急预案体系(Emergency Response Plan System):生产经营单位若干应急处置指导文件的集合。文件类型包括综合预案、专项预案和现场处置方案,按灾害类型和行业性质可进一步分为突发事件应急预案体系和行业应急预案体系。
2) 电网公司应急预案(Power Grid Enterprises Emergency Response Plan):为减少事故损害而预先制定的应急准备方案,属于应急预案体系的子类。电力企业应急预案包括公司本部、分部、省级、地市级及县级电力公司的应急预案,通过“stipulate”与其他概念连接。
3) 应急事件(Emergency Event):影响电网正常运行或引发情景变化的事件,属于事件的子类。应急事件类型包括电网运行、设备安全、人员安全和网络信息安全。应急事件通过“hasPatient”与人员连接,通过“destroy”与设备连接,通过“hasResult”与环境连接,通过“hasInput、hasOutput”与应急状态连接,通过“hasAction”与应急任务连接。
4) 承灾载体(Hazard-affected Body):直接或间接受到灾害影响和破坏的社会实体,属于具象的子类。其表象为人员、自然环境和设备设施。
5) 应急组织(Emergency Organization):负责协调、管理和执行应急响应工作的组织,属于资源的子类。其表象为政府部门、电力公司、应急领导小组、专项小组和部门等子类。应急组织通过“isRole”与角色连接、通过“hasKnowledge”与能力连接,通过“prepare”与应急物资、应急技术、应急队伍和设备设施连接。
6) 应急资源(Emergency Resources):应急响应所需的资源,属于资源的子类。其表象为应急队伍、应急物资和应急技术等。应急资源通过“useTool”与应急任务连接。
7) 应急处置(Emergency Disposal):对突发事件的响应、控制和管理,属于工作的子类。其表象为监测预警、响应启动、处置措施和保障措施等。应急处置通过“hasRealized”与应急任务连接,通过“constrained”与约束连接。
8) 应急任务(Emergency Task):应急处置的目标和实现,属于动作的子类。应急任务通过“hasResult”与人员连接,通过“useTool”与应急资源连接。
9) 隐性因素(Recessive Factor):影响应急效果的抽象因素,属于隐性的子类。其表象为知识、角色、约束等内容。
10) 应急状态(Emergency State):应急过程中呈现的状态,属于状态的子类。
类与类之间的关系是连接它们的桥梁,主要包括两部分:1) 基于电网应急预案本体的通用概念属性定义,提供框架支撑;2) 结合电网灾害情景和应急流程新增的关系,增强本体的动态性。电力企业应急预案领域本体概念主要关系如表 2所示。
表 2 电力企业应急预案领域本体概念关系举例
关系 字符表示 具体含义
结果关系 hasResult 表示某一元素引发了另一元素的发生
伤害关系 hasPatient 表示某一元素使另一元素受伤
破坏关系 destory 表示某一元素使另一元素受到破坏
动作关系 hasAction 表示某一元素需要动作对其展开处理
约束关系 constrained 表示某一元素被另一元素的规则所约束
规定关系 stipulate 表示某一元素规定了另一元素的内容
输入输出关系 hasInput/hasOutput 表示两个元素之间存在时间上的前后因果关系
充当角色关系 isRole 表示某一元素充当了某种角色
具备知识关系 hasKnowledge 表示某一元素需要具备某种知识
使用工具关系 useTool 表示某一元素作为工具与另一元素存在使用关系
准备关系 prepare 表示某一元素为另一元素作出安排或预备
组成关系 subclassOf 表示整体与部分关系
协同关系 cooperate 表示两个元素协同处理同一件任务
实现关系 hasRealized 表示抽象的元素通过具象或时象的元素来具体实现

2.5 定义类的属性及属性方面

属性是本体语义表达的核心,不仅能够详细描述类的各个方面,还能揭示类与类之间的复杂关联,使本体模型更具系统性和结构性。结合电网灾害情景的关键信息,本研究通过分析应急预案文本,发现预案本体大类和小类的属性具有继承性,并确定概念大类的属性,如表 3所示。
表 3 电网应急预案领域本体类的属性
概念大类 属性形式 举例
应急预案体系 层级 总部、分部、省级、地市级及县级应急预案
灾害类型 自然灾害、事故灾难、公共卫生事件、社会安全事件
专责部门 应急领导小组、专项小组、应急指挥部、职能部门
应急事件 时间 监测预警、先期处置、应急响应、后期处置
地点 公司本部、事发现场
环境 雨雪冰冻、洪涝、地震、地质灾害、大面积停电
应急任务 现场情况 人员伤亡、设备损失、电网负荷和灾情信息
过程复杂性 指挥协调、应急救援、预警响应调整、区域联动
应急处置 承灾载体 人员、设备设施(杆塔、线路、变电站)、电网系统
区域范围 区域性电网减供负荷30%以上、10%~30%、7%~10%、4%~7%;直辖市电网减供负荷50%以上、20%~50%、10%~20%、5%~10%
应急组织 职责 抢险处置、电网调度、安全保障、供电服务、舆情处置、支撑保障、信息上报
联系方式 电话、邮箱和传真等通信手段
应急资源 资源类型 应急队伍、物资、电源、通信设备、后勤保障、救援装备
资源数量 应急资源(发电设备、照明设备、通信设备、排涝设备、医疗救护设备)的数量

3 本体模型可视化及实证

3.1 本体模型可视化

通过明确本体的核心概念、定义概念类别、类别间关系及属性,构建了电网应急预案本体模型(如图 2所示)。使用Protégé软件搭建模型,涵盖类别概念、类别间关系和属性,并通过添加具体实例实现了预案的可视化展示(如图 3所示)。以某省电力公司台风灾害事件应急预案为例,共构建本体类别39条(顶层本体11条、概念大类9条和概念小类19条)、关系类别24条和属性类别14条;同时,模型中还添加了实体408条、关系774条和属性334条。
图 2 电力企业应急预案领域本体模型
图 3 电网应急预案领域本体模型的类及类的层次结构

3.2 定性验证

以某省台风事件发展演变过程为例,采用电网应急预案领域本体模型进行分析,如图 4所示。
图 4 应急预案与突发事件的定性匹配(监测预警)
首先,细化台风事件的发展阶段:台风生成—演变阶段—成熟阶段—衰减阶段—结束阶段。其次,根据台风演变过程关联应急环节,“台风生成—气象监测—台风登陆—预警发布—台风加剧(伴随设备损坏)—局部区域断电—响应启动—台风减弱、供电恢复—响应调整—响应结束”。最后,在各环节中针对设备损失关联具象化的处置措施,在预警期间,“预警响应—设备巡检(重点检查设备固定情况、绝缘子状态和基础稳固性)—预防性措施(设备加固、防水及防潮处理)”;在响应期间,“响应行动—先期处置(对积水区域初步排水、疏通及设备检查,采取紧急防水措施保护电气部件)—设备抢修(受损杆塔现场隔离并临时加固,受损变电站远程控制隔离并采取临时防护措施)—应急供电(调整线路负载分配、转移风险区域的电力负荷,启用备用电源和备用线路、快速恢复受影响区域供电)”。
上述“事件-情景-处置”链条完整地揭示了台风事件下电网设备从预警、损坏到应急响应和恢复的全流程闭环管理机制。通过多维度的本体映射,本文方法构建的本体模型系统化呈现了应急预案的核心要素及其与突发事件之间的动态响应关系,实现了电网应急预案内容知识的高效管理。

3.3 丰富度评价

Protégé软件自带的推理机Reasoner能够从一组断言的事实或公理中推断逻辑结果,可用于检测本体的一致性及类之间的包含关系。本文使用HermiT1.4.3.456进行检测,结果如图 5所示。图 5显示推理机已启用,并已将类层次结构切换为Inferred模式,检测过程中未出现任何错误,表明本体模型通过了一致性测试。
图 5 推理机HermiT1.4.3.456验证结果
此外,还通过本体质量分析(ontology quality analysis, OntoQA)方法对本文建立的本体模型进行丰富度评价。OntoQA方法由Tartir Samir等[19]提出,可基于不同角度评价本体的通用性。根据本文构建的本体模型特征,从类丰富度、关系丰富度和属性丰富度3个方面进行分析评价,以验证模型的合理性。评价指标详见表 4
表 4 电网应急预案领域本体模型丰富度评价指标
丰富度评价指标 公式 指标含义
类丰富度(class richness, CR):与实例如何跨类分布有关 $\mathrm{CR}=\frac{C^{\prime}}{C}$ CR为类丰富度,C为模型中类的数量,C′为存在实例的类的数量。CR越接近1表示类的设置越合理
关系丰富度(relationship richness, RR):反映了关系的多样性 $\mathrm{RR}=\frac{P}{\mathrm{SC}+P}$ RR为关系丰富度,P为本体模型中关系的数量,SC为本体模型中表示子类或继承关系的数量。RR越接近于1表示关系的丰富度越高
属性丰富度(attribute richness, AR):表明本体设计的质量和与实例数据相关的信息量 $\mathrm{AR}=\frac{\mathrm{att}}{C}$ AR为属性丰富度,att为领域本体中所有具备属性类的数量之和,C为模型中类的数量。AR越高表示属性丰富度越高
经计算,P=24,SC=1,att=43,C=28,C′=28;RR=0.96,AR=1.535 7,CR=1。
由上述结果可知,本文模型的RR接近于1,表明关系较为丰富;AR大于1,表明属性设置较为合理;大类的丰富度均为1,小类的丰富度为0.947 4,接近于1,表明类的利用率较高。可见,模型具有较好的合理性和实用性。小类的丰富度未达到1,主要原因为电网承灾载体在事件中并不是均匀受灾的。例如,在本文台风预案中,电力企业的重点在于预防设施设备损坏,因此对人员伤亡的描述较少。

4 电网应急预案领域本体模型应用

在构建和验证电网应急预案领域本体模型的基础上,本文将其应用于语义网络研究。通过资源描述框架(resource description framework, RDF)、RDF模式(RDF schema, RDFS)和Web本体语言(web ontology language, OWL)等知识表达方法,增强应急预案知识的完备性,将文本数据转化为结构化的知识,实现数字化存储。
在RDF中,知识表示为三元组的形式,主要结构包括了“实体-关系-实体”和“实体-属性-属性值”两种类型[20]。在图数据库中,实体和值作为图的节点,属性作为边,RDF知识库则是包含节点和边的图结构。一个三元组结构是图的一个单元。例如,“某省公司应急办公室应及时发布预警信息”中存在的三元组结构为“某省公司应急办公室-发布-预警信息”。为降低应急预案文本的复杂性,可将谓语统一为“执行”。此外,RDF采用开放世界假设,可存储不完整的知识。例如,“某省公司应急办公室”的任务内容除“发布预警”外,还包括“汇总灾害相关监测信息”,分布式存储的结构如图 6所示;根据需要可对分布式知识进行自动合并,如图 7所示。
图 6 RDF图谱的分布式存储
图 7 分布式知识的自动合并
RDFS是一种描述知识图谱中概念类和属性的语言模式,用于创建和管理RDF三元组数据[21]。例如,rdf: type和rdfs: subClassOf分别表示物质个体的子类和父类;rdfs: subPropertyOf、rdfs: domain和rdfs: range分别表示属性的父类、定义域和值域。RDFS中的知识既包括数据层面的知识,如“某省公司应急办公室type应急组织”,也包括模式层面的知识,如“执行部门domain应急组织”(见图 8)。OWL作为RDFS的扩展,增强了其表达能力。
图 8 RDFS表示方式示例
结合上述理论分析和电力企业应急预案领域本体模型,再基于RDFS和OWL语言框架设计了电力企业应急预案知识图谱Schema,如图 9所示。
图 9 电力企业应急预案Schema结构
基于此Schema结构,在人工标注或机器抽取应急预案知识时,能够快速分析并提取语句中的实体、关系和属性信息。例如,“公司防汛防台办公室接到公司各单位预警信息及气象部门或政府下发的预警通知后,立即汇总相关信息,分析研判,提出公司台风灾害事件预警建议,报公司台风灾害事件应急领导小组批准,由公司防汛防台办发布预警信息”。通过分析句子结构和各信息间的关联度,提取出的关键实体有“阶段、应急领导小组、政府部门、职能部门、任务前提和应急任务”。从中形成的三元组结构包括:“接到预警信息及预警通知-约束-立即汇总相关信息,分析研判”“公司防汛防台办公室-执行-立即汇总相关信息,分析研判”“公司防汛防台办公室-执行-提出公司台风灾害事件预警建议,上报”“公司台风灾害事件应急领导小组-执行-批准公司台风灾害事件预警建议”“公司防汛防台办公室-执行-发布预警信息”“公司防汛防台办公室-反馈-公司台风灾害事件应急领导小组”。此外,每个实体的属性信息是独立的,可根据预案文本人工或自动补充。

5 结论

本文改进了本体构建七步法,建立了电网应急预案领域本体模型。一方面,在本体构建的第一步,就明确了电网应急预案知识本体的构建方向,增强了本体与电网自然灾害情景的匹配性;另一方面,通过Peasoner和OntoQA等定性与定量方法验证了所建立的本体模型的丰富度较好,提升了模型的科学性。
本文提出了一种将应急预案本体模型应用于语义网络的方法,并验证了其在应急决策和资源配置中的实际应用价值。该方法采用RDFS与OWL相结合的三元组结构来表示和存储应急预案知识。基于该方法,构建了电力企业应急预案知识的Schema结构。
本文的局限性在于仅针对某省电力公司的台风应急预案构建了本体模型,尚未涵盖其他预案类型及国外电力公司。未来研究方向将扩展本体模型的应用范围,覆盖更多类型的电力应急预案,实现预案的数字化管理,并辅助构建智能管理系统,包括任务推送、智能生成、知识问答及合规性校对等功能,以进一步提升应急管理的智能化水平。
1
张海波. 中国应急预案体系: 结构与功能[J]. 公共管理学报, 2013, 10 (2): 1-13, 137.

ZHANG H B . China's emergency plans: Structure and function[J]. Journal of Public Management, 2013, 10 (2): 1-13, 137.

2
黄必清, 王涛, 朱鹏, 等. 基于本体的临床试验数据语义查询[J]. 清华大学学报(自然科学版), 2012, 52 (1): 47- 54.

HUANG B Q , WANG T , ZHU P , et al. Ontology-based semantic query for clinical trials[J]. Journal of Tsinghua University (Science & Technology), 2012, 52 (1): 47- 54.

3
李媛媛, 翁文国, 袁宏永. 基于GIS的林火蔓延模拟[J]. 清华大学学报(自然科学版), 2012, 52 (12): 1726- 1730.

LI Y Y , WENG W G , YUAN H Y . GIS-based forest fire spread simulation[J]. Journal of Tsinghua University (Science & Technology), 2012, 52 (12): 1726- 1730.

4
LIU H L , LUO N X , ZHAO Q S . Research on the construction of typhoon disaster chain based on Chinese web corpus[J]. Journal of Marine Science and Engineering, 2022, 10 (1): 44.

DOI

5
The Gene Ontology Consortium . Gene ontology consortium: Going forward[J]. Nucleic Acids Research, 2015, 43 (D1): D1049- D1056.

DOI

6
CHANG X M , TERPENNY J . Ontology-based data integration and decision support for product e-Design[J]. Robotics and Computer-Integrated Manufacturing, 2009, 25 (6): 863- 870.

DOI

7
刘广宇, 安芃, 伍震, 等. 基于本体的公路工程安全领域知识建模和应用[J]. 清华大学学报(自然科学版), 2024, 64 (2): 224- 234.

DOI

LIU G Y , AN P , WU Z , et al. Ontology-based modeling and application of highway engineering safety knowledge[J]. Journal of Tsinghua University (Science & Technology), 2024, 64 (2): 224- 234.

DOI

8
梁昌勇, 杨大寨, 司光昀. 基于本体的政务信息资源个性化目录体系[J]. 清华大学学报(自然科学版), 2012, 52 (11): 1650- 1656.

LIANG C Y , YANG D Z , SI G Y . Ontology based personalized catalog system of e-government information resource[J]. Journal of Tsinghua University (Science & Technology), 2012, 52 (11): 1650- 1656.

9
XU J H , NYERGES T L , NIE G Z . Modeling and representation for earthquake emergency response knowledge: Perspective for working with geo-ontology[J]. International Journal of Geographical Information Science, 2014, 28 (1): 185- 205.

DOI

10
李志义, 李德惠, 赵鹏武. 电子商务领域本体概念及概念间关系的自动抽取研究[J]. 情报科学, 2018, 36 (7): 85- 90.

LI Z Y , LI D H , ZHAO P W . Research on automatic extraction of dontology concept and its relation in e-commerce[J]. Information Science, 2018, 36 (7): 85- 90.

11
李爱华, 徐以则, 迟钰雪. 本体构建及应用综述[J]. 情报理论与实践, 2023, 46 (11): 189- 195.

LI A H , XU Y Z , CHI Y X . Review of ontology construction and applications[J]. Information Studies: Theory & Application, 2023, 46 (11): 189- 195.

12
AMAILEF K , LU J . Ontology-supported case-based reasoning approach for intelligent m-Government emergency response services[J]. Decision Support Systems, 2013, 55 (1): 79- 97.

DOI

13
LI Z A , XU W , ZHANG L K , et al. An ontology-based web mining method for unemployment rate prediction[J]. Decision Support Systems, 2014, 66, 114- 122.

DOI

14
杨继星, 宋重阳, 金龙哲. 基于METHONTOLOGY法的应急预案本体化构建[J]. 安全与环境学报, 2018, 18 (4): 1427- 1431.

YANG J X , SONG C Y , JIN L Z . On the ontology construction of the emergency plan based on the METHONTOLOGY approach[J]. Journal of Safety and Environment, 2018, 18 (4): 1427- 1431.

15
王芳, 杨京, 徐路路. 面向火灾应急管理的本体构建研究[J]. 情报学报, 2020, 39 (9): 914- 925.

DOI

WANG F , YANG J , XU L L . Ontology construction for fire emergency management[J]. Journal of the China Society for Scientific and Technical Information, 2020, 39 (9): 914- 925.

DOI

16
王向前, 张宝隆, 李慧宗. 本体研究综述[J]. 情报杂志, 2016, 35 (6): 163- 170.

WANG X Q , ZHANG B L , LI H Z . Overview of ontology research[J]. Journal of Intelligence, 2016, 35 (6): 163- 170.

17
NOY N F, McGUINNESS D L. Ontology development 101: A guide to creating your first ontology [R/OL]. San Francisco, USA: Stanford University, 2001: 1-25. https://protege.stanford.edu/publications/ontology_development/ontology101.pdf.

18
冯杰, 张鉴燮, 于振, 等. 基于任务特征的电网企业应急预案体系重构[J]. 中国安全生产科学技术, 2020, 16 (10): 146- 151.

FENG J , ZHANG J X , YU Z , et al. Reconstruction of emergency plan system in power grid enterprises based on task characteristics[J]. Journal of Safety Science and Technology, 2020, 16 (10): 146- 151.

19
TARTIR S, ARPINAR I B, MOORE M, et al. OntoQA: Metric-based ontology quality analysis [C]//Proceedings of the IEEE Workshop on Knowledge Acquisition from Distributed, Autonomous, Semantically Heterogeneous Data and Knowledge Sources. Houston, USA: IEEE, 2005.

20
HU Z Z , LENG S , LIN J R , et al. Knowledge extraction and discovery based on BIM: A critical review and future directions[J]. Archives of Computational Methods in Engineering, 2022, 29 (1): 335- 356.

DOI

21
赵天忠, 张亚非, 苗壮, 等. 基于语义的智能多媒体信息检索技术研究[J]. 情报科学, 2007, 25 (3): 422-425, 434.

DOI

ZHAO T Z , ZHANG Y F , MIAO Z , et al. Research on the technology of intelligent multimedia information retrieval based on semantic[J]. Information Science, 2007, 25 (3): 422-425, 434.

DOI

Outlines

/