閆華鋒

摘要：提出了一種基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型。以國(guó)家電力智能調(diào)度支持系統(tǒng)的開(kāi)發(fā)管理為例，詳細(xì)闡述了該系統(tǒng)的建設(shè)背景、研發(fā)過(guò)程以及IMKT-L模型在其知識(shí)轉(zhuǎn)移過(guò)程中的應(yīng)用分析。通過(guò)知識(shí)轉(zhuǎn)移效率比較，表明了IMKT-L模型能有效降低知識(shí)在轉(zhuǎn)移過(guò)程中的損失。

關(guān)鍵詞：智能學(xué)習(xí)；知識(shí)轉(zhuǎn)移；智能調(diào)度支持系統(tǒng)

中圖分類(lèi)號(hào)：C93-03；F273文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-8409（2014）09-0129-05

Improved Model of Knowledge Transfer Based on Learning

and Application of State Power Intelligent Scheduling

Support System Development Management

YAN Huafeng

（School of Economics and Management， Southeast University， Nanjing 210013；

State Grid Electric Power Research Institute， Nanjing 210003）

Abstract： Improved model of knowledge transfer based on learning was present. Meanwhile， in the case of state power smart scheduling support system which was a complex competitive system， this paper elaborated its construction backgrounds， development process and application analysis of IMKTL in the knowledge transfer process in detail. Comparative analysis on knowledge transfer efficiency show that IMKTL could effectively reduce knowledge loss in knowledge transfer process.

Key words： intelligent learning； knowledge transfer； intelligent scheduling support system

1引言

隨著我國(guó)電網(wǎng)的快速發(fā)展和特高壓電網(wǎng)建設(shè)的穩(wěn)步推進(jìn)，電網(wǎng)運(yùn)行的復(fù)雜程度和難度越來(lái)越大，對(duì)技術(shù)手段和人員的要求越來(lái)越高。因此，加強(qiáng)公司電網(wǎng)調(diào)度能力建設(shè)，全面提升調(diào)度系統(tǒng)駕馭大電網(wǎng)和進(jìn)行資源優(yōu)化配置的能力、提高電網(wǎng)調(diào)度運(yùn)行管理水平顯得愈加重要和迫切[1]。

電力智能調(diào)度支持系統(tǒng)將以往獨(dú)立建設(shè)的能量管理系統(tǒng)、廣域向量測(cè)量系統(tǒng)、電能量計(jì)量系統(tǒng)等十余套應(yīng)用系統(tǒng)集成整合為由一個(gè)平臺(tái)和四大類(lèi)應(yīng)用的一體化系統(tǒng)[2]。鑒于電力智能調(diào)度支持系統(tǒng)的復(fù)雜性，其開(kāi)發(fā)設(shè)計(jì)和實(shí)施涉及眾多研發(fā)設(shè)計(jì)和實(shí)施單位以及眾多信息系統(tǒng)的集成，各自采用不同的設(shè)計(jì)理念、方法和標(biāo)準(zhǔn)，嚴(yán)重阻礙了該系統(tǒng)的順利設(shè)計(jì)研發(fā)和整體信息流的暢通，也難以采集各參與單位之所長(zhǎng)。因此，高效管理電力智能調(diào)度支持系統(tǒng)項(xiàng)目勢(shì)必會(huì)成為該系統(tǒng)研發(fā)的重要環(huán)節(jié)，而其中相關(guān)知識(shí)轉(zhuǎn)移又是項(xiàng)目管理過(guò)程中的重點(diǎn)和難點(diǎn)所在。

知識(shí)轉(zhuǎn)移是指建立起技能傳授、學(xué)習(xí)和知識(shí)管理的體系，將戰(zhàn)略設(shè)計(jì)、組織和績(jī)效設(shè)計(jì)、管理流程設(shè)計(jì)、系統(tǒng)流程設(shè)計(jì)等各方面知識(shí)在員工中進(jìn)行貫徹，讓大家對(duì)相關(guān)知識(shí)消化吸收，保證系統(tǒng)的運(yùn)行。本文以傳統(tǒng)的知識(shí)轉(zhuǎn)移過(guò)程模型為基礎(chǔ)，結(jié)合智能學(xué)習(xí)的理念，提出了一種基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L），并以電力智能調(diào)度支持系統(tǒng)為例分析整個(gè)知識(shí)轉(zhuǎn)移的過(guò)程。

本文的主要研究?jī)?nèi)容包括：① 以傳統(tǒng)的知識(shí)轉(zhuǎn)移過(guò)程模型為基礎(chǔ)，結(jié)合智能學(xué)習(xí)的理念，提出一種基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型；②結(jié)合電力智能調(diào)度支持系統(tǒng)設(shè)計(jì)開(kāi)發(fā)和實(shí)施過(guò)程，以IMKT-L模型為指導(dǎo)，詳細(xì)闡述和分析在整個(gè)系統(tǒng)運(yùn)作過(guò)程中知識(shí)轉(zhuǎn)移的詳細(xì)過(guò)程。

2基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型

2.1知識(shí)轉(zhuǎn)移概述

知識(shí)轉(zhuǎn)移的思想是1977年美國(guó)學(xué)者Teece首次提出的[3]。Huber指出知識(shí)轉(zhuǎn)移與共享密切相關(guān)，卻又各不相同，知識(shí)共享只是知識(shí)轉(zhuǎn)移其中的一個(gè)環(huán)節(jié)，其未必可以理解和應(yīng)用知識(shí)[4]。Argote l等從知識(shí)轉(zhuǎn)移效益的角度，認(rèn)為其是一個(gè)主體對(duì)其他主體的影響過(guò)程，強(qiáng)調(diào)知識(shí)是從專(zhuān)家向著無(wú)經(jīng)驗(yàn)者方向進(jìn)行單向轉(zhuǎn)移[5]。

國(guó)內(nèi)外眾多學(xué)者對(duì)知識(shí)轉(zhuǎn)移的相關(guān)理論、方法及其應(yīng)用開(kāi)展了詳細(xì)的研究。Szulanski提出了由初始、執(zhí)行、實(shí)施和整合等四個(gè)階段組成的四階段模型[6]。Jeffrey等提出了包括知識(shí)源、知識(shí)受體、轉(zhuǎn)移的知識(shí)及轉(zhuǎn)移情境等四要素的模型[7]。Nonaka等在其所提出的SECI模型中分析了知識(shí)轉(zhuǎn)移的四種模式，即社會(huì)化、外部化、聯(lián)合化及內(nèi)在化等四種模式[8]。羅艷玲通過(guò)比較傳統(tǒng)知識(shí)轉(zhuǎn)移的各種模型，分析了現(xiàn)有各類(lèi)知識(shí)轉(zhuǎn)移模型的缺陷，提出了知識(shí)轉(zhuǎn)移優(yōu)化模型[9]。王君等提出了一種基于 Multi-Agent的組織內(nèi)知識(shí)轉(zhuǎn)移模型，詳細(xì)描述了該模型中實(shí)現(xiàn)知識(shí)轉(zhuǎn)移的關(guān)鍵技術(shù)和搜索算法，依據(jù)該模型可有利于提高知識(shí)管理的有效性[10]。Denis Helic等將知識(shí)轉(zhuǎn)移的理念引入到網(wǎng)絡(luò)環(huán)境下各類(lèi)知識(shí)的獲取、存儲(chǔ)、構(gòu)造以及轉(zhuǎn)移中來(lái)，通過(guò)比較分析了基于知識(shí)轉(zhuǎn)移的WBT系統(tǒng)與現(xiàn)有WBT系統(tǒng)的區(qū)別[11]。同時(shí)，為了體現(xiàn)知識(shí)轉(zhuǎn)移在信息系統(tǒng)開(kāi)發(fā)中的優(yōu)勢(shì)，劉瑩等結(jié)合ERP、CRM及SCM的實(shí)施，提出了基于ERP、CRM與SCM 整合系統(tǒng)的知識(shí)轉(zhuǎn)移模型[12]。張俊等依據(jù)知識(shí)轉(zhuǎn)移的理論，從開(kāi)發(fā)團(tuán)隊(duì)的組織、知識(shí)轉(zhuǎn)移的模型和知識(shí)轉(zhuǎn)移方式三個(gè)方面，對(duì)重型開(kāi)發(fā)方法與輕型開(kāi)發(fā)方法進(jìn)行了知識(shí)轉(zhuǎn)移的比較分析[13]。

2.2基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型描述

2.2.1傳統(tǒng)的知識(shí)轉(zhuǎn)移模型

知識(shí)轉(zhuǎn)移模型眾多，其中過(guò)程模型是知識(shí)轉(zhuǎn)移中重要的一種模型。何永剛詳細(xì)描述了整個(gè)過(guò)程模型的概念[14]。過(guò)程模型是將整個(gè)知識(shí)轉(zhuǎn)移看成一個(gè)過(guò)程并分為不同的階段，具有代表性的是知識(shí)螺旋模型、四階段模型等。

Nonaka等提出的知識(shí)螺旋（SECI）模型，把整個(gè)知識(shí)創(chuàng)造活動(dòng)分為社會(huì)化、外在化、整合化、內(nèi)在化四種模式，其中從隱性知識(shí)到顯性知識(shí)是知識(shí)創(chuàng)造活動(dòng)中的關(guān)鍵階段[8]。知識(shí)在組織中不斷向上升，從個(gè)體到團(tuán)隊(duì)，最后上升至組織，這個(gè)過(guò)程不斷循環(huán)往復(fù)，促使組織知識(shí)不斷擴(kuò)充（見(jiàn)圖1）。

Szulanski提出了包括初始階段、實(shí)施階段、調(diào)整階段及整合階段等知識(shí)轉(zhuǎn)移四階段模型[6]。其中初始階段主要是組織或個(gè)人發(fā)現(xiàn)知識(shí)不足并識(shí)別滿(mǎn)足要求的知識(shí)，做出知識(shí)轉(zhuǎn)移的決策，其目標(biāo)就是為知識(shí)轉(zhuǎn)移決策提供相應(yīng)的決策依據(jù)；實(shí)施階段主要是雙方建立起適合知識(shí)轉(zhuǎn)移需求的渠道，同時(shí)對(duì)待轉(zhuǎn)移的知識(shí)進(jìn)行調(diào)整以適應(yīng)接收方的需要；調(diào)整階段主要是接收方對(duì)發(fā)送方轉(zhuǎn)移的知識(shí)進(jìn)行相應(yīng)調(diào)整，以適應(yīng)接收方新的需求；整合階段主要是接收方開(kāi)始使用獲得的知識(shí)，形成相應(yīng)規(guī)則和制度，使所轉(zhuǎn)移知識(shí)成為接收方自身知識(shí)的一部分（見(jiàn)圖2）。

2.2.2基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型

由圖2可知，傳統(tǒng)的知識(shí)轉(zhuǎn)移過(guò)程模型從初始階段到最后的整合階段都是一種學(xué)習(xí)的過(guò)程，但是整個(gè)學(xué)習(xí)的過(guò)程屬于主觀的，不利于在信息系統(tǒng)開(kāi)發(fā)過(guò)程中實(shí)現(xiàn)自動(dòng)化和智能化。為此，本文在傳統(tǒng)的知識(shí)轉(zhuǎn)移模型基礎(chǔ)上，提出基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L）。在該模型中，基于智能學(xué)習(xí)的理念對(duì)每一個(gè)階段的內(nèi)容進(jìn)行優(yōu)化和內(nèi)在挖掘，使得每一個(gè)階段的研究?jī)?nèi)容更加智能化和客觀。整個(gè)IMKT-L原理描述如下：

（1）接收方在開(kāi)發(fā)信息系統(tǒng)時(shí)，首先要開(kāi)展需求和相關(guān)技術(shù)調(diào)研。

（2）根據(jù)信息系統(tǒng)的總體設(shè)計(jì)目標(biāo)，利用人工智能算法分析相關(guān)調(diào)研結(jié)果與總體設(shè)計(jì)目標(biāo)之間的誤差，把所有的誤差作為屬性或者參數(shù)，基于數(shù)據(jù)挖掘提煉出知識(shí)規(guī)則。

（3）實(shí)施階段，建立影響接收和發(fā)送雙方的知識(shí)轉(zhuǎn)移渠道的參數(shù)模型，以待轉(zhuǎn)移的知識(shí)為輸入或研究對(duì)象，通過(guò)學(xué)習(xí)算法來(lái)優(yōu)化轉(zhuǎn)移情景渠道，使得優(yōu)化后的知識(shí)轉(zhuǎn)移情景渠道能最大化滿(mǎn)足發(fā)送方和接收方的需求。

（4）調(diào)整階段，以接收方對(duì)發(fā)送方轉(zhuǎn)移的知識(shí)屬性為輸入，以接收方新需求為輸出， 基于學(xué)習(xí)算法對(duì)輸入?yún)?shù)進(jìn)行優(yōu)化，以期更好地滿(mǎn)足接收方新的需求。

（5）整合階段，以接收方接收到的所有知識(shí)為輸入，為了更好地滿(mǎn)足接收方自身的需要，需要從接收到的知識(shí)信息中基于增量式學(xué)習(xí)算法挖掘出相應(yīng)的知識(shí)規(guī)則，建立相應(yīng)的專(zhuān)家知識(shí)庫(kù)，便于后期相應(yīng)人員使用。

整個(gè)模型如圖3所示。為了更好地評(píng)價(jià)整個(gè)基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型的效率，本文給出了知識(shí)轉(zhuǎn)移效率的概念。

定義1：知識(shí)轉(zhuǎn)移效率（Knowledge Transfer Efficiency， KTF） 設(shè)初始知識(shí)集合KI=，其中RK表示需求分析階段所包含的知識(shí)數(shù)目，DK表示系統(tǒng)設(shè)計(jì)開(kāi)發(fā)階段所包含的知識(shí)數(shù)目，TK表示系統(tǒng)測(cè)試階段所包含的知識(shí)數(shù)目，MK表示系統(tǒng)建設(shè)期間管理所包含的知識(shí)數(shù)目。設(shè)經(jīng)過(guò)知識(shí)轉(zhuǎn)移后的最終知識(shí)集合KF=，其中R′K、D′K、T′K、M′K分別表示需求分析、系統(tǒng)設(shè)計(jì)開(kāi)發(fā)、系統(tǒng)測(cè)試和管理在知識(shí)轉(zhuǎn)移后所包含的知識(shí)數(shù)目。則知識(shí)轉(zhuǎn)移效率KTF=（R′K+D′K+T′K+M′K）-（RK+DK+TK+MK）（RK+DK+TK+MK）。

由定義1可以看出，當(dāng)KTF→0，表示整個(gè)知識(shí)轉(zhuǎn)移過(guò)程中知識(shí)損失越??；當(dāng)KTF>0，表示系統(tǒng)建設(shè)中原始知識(shí)在經(jīng)過(guò)IMKT-L模型后，通過(guò)知識(shí)融合，在原有知識(shí)基礎(chǔ)上，形成了新的滿(mǎn)足知識(shí)接收方的新知識(shí)；當(dāng)KTF<0，表示系統(tǒng)建設(shè)中原始知識(shí)在經(jīng)過(guò)IMKT-L模型后，知識(shí)有所損失。

3知識(shí)轉(zhuǎn)移改進(jìn)模型在國(guó)家電力智能調(diào)度支持系統(tǒng)開(kāi)發(fā)管理中的應(yīng)用

3.1電力智能調(diào)度支持系統(tǒng)建設(shè)背景及研發(fā)管理過(guò)程

電力智能調(diào)度技術(shù)支持系統(tǒng)是電網(wǎng)運(yùn)行控制和調(diào)度生產(chǎn)管理的重要技術(shù)支撐手段，由基礎(chǔ)平臺(tái)和實(shí)時(shí)監(jiān)控與預(yù)警、調(diào)度計(jì)劃、安全校核、調(diào)度管理等四大類(lèi)應(yīng)用組成，其研發(fā)過(guò)程主要包括系統(tǒng)需求分析和概念設(shè)計(jì)、詳細(xì)設(shè)計(jì)、任務(wù)分解和分包、模塊開(kāi)發(fā)和系統(tǒng)集成以及系統(tǒng)交付使用與跟蹤服務(wù)等幾個(gè)方面。

首先獲取各級(jí)調(diào)度技術(shù)支持系統(tǒng)用戶(hù)的需求，并對(duì)需求進(jìn)行分析、整理。然后進(jìn)行系統(tǒng)總體設(shè)計(jì)和建設(shè)框架工作，總體設(shè)計(jì)對(duì)系統(tǒng)體系架構(gòu)進(jìn)行了設(shè)計(jì)，確定了四大類(lèi)應(yīng)用各功能模塊的組成以及系統(tǒng)內(nèi)部各種數(shù)據(jù)邏輯關(guān)系，并進(jìn)行性能和指標(biāo)設(shè)計(jì)。建設(shè)框架明確了建設(shè)原則、建設(shè)目標(biāo)、總體思路，為后續(xù)功能規(guī)范制定、系統(tǒng)詳細(xì)設(shè)計(jì)、研發(fā)和試點(diǎn)建設(shè)提供了科學(xué)依據(jù)。詳細(xì)設(shè)計(jì)就是在概念設(shè)計(jì)的基礎(chǔ)上，對(duì)系統(tǒng)中每個(gè)模塊給出足夠詳細(xì)的過(guò)程描述。電力智能調(diào)度技術(shù)支持系統(tǒng)由一系列功能模塊組成，合理安排這些功能模塊的研發(fā)并保證其按時(shí)完成，才能保證整個(gè)系統(tǒng)建設(shè)進(jìn)度能夠如期完成。在系統(tǒng)交付使用后，及時(shí)對(duì)相關(guān)系統(tǒng)使用人員進(jìn)行操作培訓(xùn)和維護(hù)培訓(xùn)，并提供系統(tǒng)正常運(yùn)行后的常規(guī)維護(hù)和功能擴(kuò)充開(kāi)發(fā)工作。

3.2知識(shí)轉(zhuǎn)移分析

3.2.1電力智能調(diào)度支持系統(tǒng)中基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型

電力智能調(diào)度技術(shù)支持系統(tǒng)是一個(gè)龐大復(fù)雜的系統(tǒng)，為了融合各方優(yōu)勢(shì)，更好更快地研發(fā)該系統(tǒng)，整個(gè)項(xiàng)目組設(shè)立了領(lǐng)導(dǎo)小組、平臺(tái)開(kāi)發(fā)組、應(yīng)用規(guī)范組、秘書(shū)組和專(zhuān)家咨詢(xún)組，組織開(kāi)展項(xiàng)目的研究、開(kāi)發(fā)和試點(diǎn)。各個(gè)小組之間職能分工明確，但由于項(xiàng)目之間牽涉到眾多業(yè)務(wù)系統(tǒng)的集成和整合，需要不同專(zhuān)業(yè)的領(lǐng)域知識(shí)配合。在整個(gè)系統(tǒng)研發(fā)過(guò)程中，需要在各個(gè)小組之間對(duì)各個(gè)方面的專(zhuān)業(yè)知識(shí)進(jìn)行有效的轉(zhuǎn)移，便于各個(gè)小組從總體上能對(duì)整個(gè)項(xiàng)目有宏觀的把握。

本文利用基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型（IMKT-L），來(lái)分析整個(gè)電力智能調(diào)度支持系統(tǒng)中各類(lèi)知識(shí)的轉(zhuǎn)移分析過(guò)程。整個(gè)步驟如下：

（1）為了更好地利用IMKT-L模型，通過(guò)訪談、調(diào)研等手段，確定電力智能調(diào)度支持系統(tǒng)設(shè)計(jì)開(kāi)發(fā)過(guò)程中各個(gè)項(xiàng)目小組涉及到的電力、計(jì)算機(jī)、自動(dòng)化等各類(lèi)相關(guān)知識(shí)和電力調(diào)度需求；分析總結(jié)出各個(gè)項(xiàng)目小組之間知識(shí)共享和傳播的渠道；明確整個(gè)系統(tǒng)開(kāi)發(fā)的總體目標(biāo)。

（2）在IMKT-L模型的初始階段，利用聚類(lèi)算法挖掘出電力智能調(diào)度支持系統(tǒng)設(shè)計(jì)總體目標(biāo)與已有知識(shí)和需求之間的差距，把所有的誤差作為關(guān)聯(lián)規(guī)則算法的參數(shù)，挖掘出相關(guān)的知識(shí)規(guī)則，以此作為下一步進(jìn)行知識(shí)轉(zhuǎn)移的決策依據(jù)。

（3）針對(duì)電力智能調(diào)度支持系統(tǒng)知識(shí)轉(zhuǎn)移實(shí)施階段的各類(lèi)渠道進(jìn)行建模，建立各類(lèi)知識(shí)轉(zhuǎn)移渠道的知識(shí)轉(zhuǎn)移效率表，然后基于學(xué)習(xí)算法優(yōu)化該知識(shí)轉(zhuǎn)移效率表，使得各類(lèi)渠道轉(zhuǎn)移相關(guān)知識(shí)的性能最優(yōu)化。

（4）基于相關(guān)學(xué)習(xí)算法對(duì)相關(guān)知識(shí)屬性進(jìn)行優(yōu)化，便于滿(mǎn)足系統(tǒng)設(shè)計(jì)開(kāi)發(fā)各個(gè)項(xiàng)目小組的新需求。

（5）根據(jù)本系統(tǒng)開(kāi)發(fā)過(guò)程中所有的知識(shí)，基于增量式規(guī)則挖掘算法，挖掘出相應(yīng)的知識(shí)規(guī)則，并建立電力智能調(diào)度支持系統(tǒng)專(zhuān)家知識(shí)庫(kù)。

（6）根據(jù)計(jì)算知識(shí)轉(zhuǎn)移效率KTF的大小，判斷整個(gè)知識(shí)轉(zhuǎn)移過(guò)程中知識(shí)的損失，以此作為調(diào)整IMKT-L模型中各個(gè)階段優(yōu)化參數(shù)的依據(jù)。

通過(guò)上述六個(gè)步驟，可以使電力智能調(diào)度支持系統(tǒng)在整個(gè)調(diào)研、設(shè)計(jì)及開(kāi)發(fā)過(guò)程中，各個(gè)項(xiàng)目小組之間的領(lǐng)域知識(shí)轉(zhuǎn)移溝通更加優(yōu)化和科學(xué)，同時(shí)可保證整個(gè)系統(tǒng)可以更好更快地研發(fā)。

其中步驟（2）中的聚類(lèi)算法采用K-Means聚類(lèi)，對(duì)電力智能調(diào)度支持系統(tǒng)設(shè)計(jì)總體目標(biāo)進(jìn)行聚類(lèi)，并計(jì)算各類(lèi)到聚類(lèi)中心的距離誤差。具體流程如算法1所示。

算法1： 基于K-Means的目標(biāo)與需求誤差挖掘

Input：已有需求的量化值

Output：目標(biāo)量化值與需求量化值之間的誤差

Begin {

1. 對(duì)現(xiàn)有的電力智能調(diào)度支持系統(tǒng)的需求和總體設(shè)計(jì)目標(biāo)進(jìn)行量化，得到需求量化序列樣本集合Rp×m=R11，R12，...，R1m

…………

Rp1，Rp2，…，Rpm和總體設(shè)計(jì)目標(biāo)量化樣本集合Tn×m=T11，T12，…，T1m

…………

Tn1，Tn2，…，Tnm。

2. 根據(jù)經(jīng)驗(yàn)值，從需求序列樣本集合Rp×m隨機(jī)選擇K個(gè)樣本作為聚類(lèi)中心。

3. 對(duì)于總體設(shè)計(jì)目標(biāo)量化樣本集合Tn×m中的每一行元素，計(jì)算其到k個(gè)樣本的距離，并將其聚類(lèi)到距離最近的樣本中，重新計(jì)算k個(gè)聚類(lèi)中心。

4. 反復(fù)計(jì)算總體設(shè)計(jì)目標(biāo)量化樣本集合Tn×m中剩下的元素到新的k個(gè)聚類(lèi)中心的距離，直到滿(mǎn)足終止條件為止。

5. 計(jì)算最終k類(lèi)中Tn×m的元素到其聚類(lèi)中心的距離，即目標(biāo)量化值與需求量化值之間的誤差。

End

}同時(shí)，步驟（4）中采用粗糙集算法來(lái)優(yōu)化知識(shí)屬性集合，大大簡(jiǎn)化知識(shí)屬性的個(gè)數(shù)，以便減小電力智能調(diào)度支持系統(tǒng)專(zhuān)家知識(shí)規(guī)則挖掘的難度，提高其效率和準(zhǔn)確率。為了更好地利用粗糙集進(jìn)行知識(shí)屬性的約簡(jiǎn)，根據(jù)電力智能調(diào)度支持系統(tǒng)知識(shí)屬性，構(gòu)造決策表T=，其中U為電力智能調(diào)度支持系統(tǒng)知識(shí)集合，C∪D=R為電力智能調(diào)度支持系統(tǒng)知識(shí)數(shù)據(jù)的屬性集合，C={c1，c2，…，cn}為電力智能調(diào)度支持系統(tǒng)知識(shí)數(shù)據(jù)的條件屬性集合，D={d1，d2，…，dm}為電力智能調(diào)度支持系統(tǒng)知識(shí)數(shù)據(jù)的決策屬性集合，V=∪vr，r∈R是電力智能調(diào)度支持系統(tǒng)知識(shí)數(shù)據(jù)屬性值的集合，vr表示某一個(gè)屬性r∈R的屬性值范圍，f：U×R→V定義一個(gè)信息函數(shù)，其指定U中每一對(duì)象x的屬性值，即對(duì)于r∈R，x∈U，有f（x，r）∈vr。然后基于決策表T協(xié)調(diào)性的原理進(jìn)行相應(yīng)的屬性約簡(jiǎn)，具體流程如算法2所示。

算法2：基于粗糙集的知識(shí)屬性約簡(jiǎn)

Input：知識(shí)屬性決策表T=。

Output：約簡(jiǎn)后的知識(shí)屬性集合bestAttribute。

Begin {

1.讀取知識(shí)屬性決策表T中的每一行數(shù)據(jù)。

2.比較每一行數(shù)據(jù)中條件屬性值與決策屬性值。

3.若相等，則為約簡(jiǎn)，并加入bestAttribute集合中。

4.否則重復(fù)步驟1和2，直到讀取T中的所有數(shù)據(jù)為止。

5.輸出bestAttribute。

}概括來(lái)說(shuō)，在電力智能調(diào)度支持系統(tǒng)開(kāi)發(fā)的具體知識(shí)轉(zhuǎn)移過(guò)程中，首先根據(jù)知識(shí)轉(zhuǎn)移過(guò)程模型，劃分等同的四個(gè)階段：系統(tǒng)的需求分析階段、系統(tǒng)設(shè)計(jì)階段、系統(tǒng)測(cè)試階段及系統(tǒng)建設(shè)階段。在系統(tǒng)需求分析階段，通過(guò)訪談、調(diào)研等手段來(lái)收集系統(tǒng)開(kāi)發(fā)相應(yīng)的需求知識(shí)，根據(jù)IMKT-L模型中的K_means算法挖掘分析現(xiàn)有的需求知識(shí)和系統(tǒng)最終的建設(shè)目標(biāo)之間的量化差距，然后對(duì)所有誤差進(jìn)行規(guī)則挖掘，以此作為下一步是否發(fā)生知識(shí)轉(zhuǎn)移的依據(jù)。對(duì)于電力智能調(diào)度支持系統(tǒng)設(shè)計(jì)階段的各類(lèi)設(shè)計(jì)路線進(jìn)行建模，建立各類(lèi)系統(tǒng)設(shè)計(jì)路線的知識(shí)轉(zhuǎn)移效率表，然后優(yōu)化該知識(shí)轉(zhuǎn)移效率表，同時(shí)利用粗糙集方法約簡(jiǎn)相應(yīng)的知識(shí)屬性集合，得到滿(mǎn)足系統(tǒng)設(shè)計(jì)開(kāi)發(fā)的最小知識(shí)集合。最后針對(duì)系統(tǒng)建設(shè)階段，利用增量式規(guī)則挖掘算法得到最終的電力智能調(diào)度支持系統(tǒng)專(zhuān)家知識(shí)庫(kù)，并通過(guò)計(jì)算整體系統(tǒng)開(kāi)發(fā)知識(shí)轉(zhuǎn)移效率來(lái)反饋優(yōu)化算法，使得最終得到的專(zhuān)家知識(shí)庫(kù)便于后期相應(yīng)人員使用。

3.2.2比較分析

為了更好地分析知識(shí)轉(zhuǎn)移模型在電力智能調(diào)度支持系統(tǒng)中各個(gè)階段的作用，本文針對(duì)電力智能調(diào)度支持系統(tǒng)的特點(diǎn)，通過(guò)訪談等方式收集整個(gè)系統(tǒng)開(kāi)發(fā)階段所需要的知識(shí)。其中需求分析階段在知識(shí)轉(zhuǎn)移前主要包括功能需求、性能需求、接口需求等21項(xiàng)，經(jīng)過(guò)知識(shí)轉(zhuǎn)移后將形成需求分析文檔，對(duì)所有的系統(tǒng)開(kāi)發(fā)建設(shè)所涉及的需求進(jìn)行歸納總結(jié)；由于系統(tǒng)設(shè)計(jì)階段已經(jīng)對(duì)系統(tǒng)的需求和目標(biāo)較為明確，故不會(huì)形成新的知識(shí)數(shù)目；系統(tǒng)測(cè)試階段比較特殊，由于在知識(shí)轉(zhuǎn)移前包含相關(guān)系統(tǒng)測(cè)試文檔和用戶(hù)使用手冊(cè)等，在知識(shí)轉(zhuǎn)移后則對(duì)所測(cè)試的結(jié)果進(jìn)行歸納總結(jié)，而相關(guān)的測(cè)試文檔則不需要；系統(tǒng)建設(shè)階段在知識(shí)轉(zhuǎn)移前主要包括系統(tǒng)詳細(xì)設(shè)計(jì)方案、系統(tǒng)實(shí)施的網(wǎng)絡(luò)拓?fù)浼軜?gòu)等知識(shí)，在知識(shí)轉(zhuǎn)移后則需要形成詳細(xì)的系統(tǒng)建設(shè)方案，便于指導(dǎo)系統(tǒng)實(shí)施。表1給出了知識(shí)轉(zhuǎn)移前后整個(gè)電力智能調(diào)度支持系統(tǒng)各個(gè)階段所包含的知識(shí)數(shù)目。

從圖4可以看出，在需求分析和系統(tǒng)建設(shè)階段，由于知識(shí)轉(zhuǎn)移效率值大于0，則表示通過(guò)知識(shí)轉(zhuǎn)移和融合，在原有知識(shí)基礎(chǔ)上，形成了新的滿(mǎn)足電力調(diào)度支持部門(mén)所需的新知識(shí)；而在系統(tǒng)測(cè)試階段，由于知識(shí)轉(zhuǎn)移效率值小于0，表明知識(shí)轉(zhuǎn)移造成了電力智能調(diào)度支持系統(tǒng)開(kāi)發(fā)過(guò)程中系統(tǒng)測(cè)試知識(shí)的損失。但從整個(gè)電力智能調(diào)度支持系統(tǒng)知識(shí)轉(zhuǎn)移效率看，在整個(gè)知識(shí)轉(zhuǎn)移過(guò)程中知識(shí)的損失較小。

4總結(jié)

本文以傳統(tǒng)的知識(shí)轉(zhuǎn)移模型為基礎(chǔ)，結(jié)合智能學(xué)習(xí)的理念，提出了一種基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L），并以電力智能調(diào)度支持系統(tǒng)為例，詳細(xì)描述了在電力智能調(diào)度支持系統(tǒng)的需求分析階段、系統(tǒng)設(shè)計(jì)階段、系統(tǒng)測(cè)試階段及系統(tǒng)建設(shè)階段中，IMKT-L模型如何利用智能學(xué)習(xí)算法挖掘知識(shí)規(guī)則、對(duì)設(shè)計(jì)路線建模以及優(yōu)化知識(shí)集合，并通過(guò)自定義的知識(shí)轉(zhuǎn)移效率比較來(lái)反饋優(yōu)化專(zhuān)家知識(shí)庫(kù)。最后通過(guò)比較分析得知，IMKT-L模型可有效降低整個(gè)電力智能調(diào)度支持系統(tǒng)需求、設(shè)計(jì)開(kāi)發(fā)、測(cè)試及建設(shè)過(guò)程中知識(shí)的損失。

參考文獻(xiàn)：

[1]張文亮，劉壯志，王明俊，等. 智能電網(wǎng)的研究進(jìn)展及發(fā)展趨勢(shì)[J]. 電網(wǎng)技術(shù)， 2009，33（13）：1-11.

[2]吳瓊，劉文穎，楊以涵. 智能型電網(wǎng)調(diào)度決策支持系統(tǒng)的開(kāi)發(fā)與實(shí)現(xiàn)[J]. 電力系統(tǒng)自動(dòng)化， 2006， 30（12）：79-83.

[3]Teece D. Technology Transfer by Multinational Firms：The Resource Costs of Transferring Technological Kow- how [J]. The Economic Journal， 1977（87） ：242- 261.

[4]Hubel G. Organizational Learning：The Contributing Process and the Literatures[J]. Organization Science， 1991，2（1）：88-115.

[5]Argote l， Ingram P. Knowledge Transfer：A Basic for Competitive Advantage in Firms [J]. Organization Behavior and Human Decision Process， 2000， 82（1）：150-169.

[6]Szulanski G. Exploring Internal Stickiness：Impediments to the Transfer of Best Practice Within the Firm [J]. Strategic Management Journal （Special Issue）， 1996（17）：27- 44.

[7]Jeffrey L Cummings， Bing - Sheng Teng. Transferring R&D Knowledge：The Key Factors Affecting Knowledge Transfer Success [J]. Journal of Engineering and Technology Management， 2003（20）：39-68.

[8]Nonaka Ikujiro， Toyama Ryoko， Konno Noboru. SECI， Ba and Leadership：A Unified Model of Dynamic Knowledge Creation [J]. Long Range Planning， 2000（33）：5- 34.

[9]羅艷玲. 知識(shí)轉(zhuǎn)移模型的優(yōu)化研究[J]. 情報(bào)科學(xué)，2010，28（10）：1578-1583.

[10]王君，樊治平. 一種基于Multi-Agent 的知識(shí)轉(zhuǎn)移模型框架[J]. 東北大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2003，24（1）：94-97.

[11]Denis Helic， Hermann Maurer， Nick Scerbakov. Knowledge Transfer Processes in a Modern WBT System [J]. Journal of Network and Computer Applications， 2004，27（3）：163–190.

[12]劉瑩，徐蓓蕓. ERP、CRM與SCM整合過(guò)程中的知識(shí)轉(zhuǎn)移研究[J]. 現(xiàn)代商業(yè)， 2008，23：196-197.

[13]張俊，張亮，杜子平. 基于知識(shí)轉(zhuǎn)移視角的信息系統(tǒng)開(kāi)發(fā)方法的比較[J]. 圖書(shū)館學(xué)研究， 2011（1）：59-63.

[14]何永剛. 信息系統(tǒng)開(kāi)發(fā)過(guò)程中的知識(shí)轉(zhuǎn)移研究[D]. 復(fù)旦大學(xué)博士論文，2007.

（責(zé)任編輯：張勇）

從圖4可以看出，在需求分析和系統(tǒng)建設(shè)階段，由于知識(shí)轉(zhuǎn)移效率值大于0，則表示通過(guò)知識(shí)轉(zhuǎn)移和融合，在原有知識(shí)基礎(chǔ)上，形成了新的滿(mǎn)足電力調(diào)度支持部門(mén)所需的新知識(shí)；而在系統(tǒng)測(cè)試階段，由于知識(shí)轉(zhuǎn)移效率值小于0，表明知識(shí)轉(zhuǎn)移造成了電力智能調(diào)度支持系統(tǒng)開(kāi)發(fā)過(guò)程中系統(tǒng)測(cè)試知識(shí)的損失。但從整個(gè)電力智能調(diào)度支持系統(tǒng)知識(shí)轉(zhuǎn)移效率看，在整個(gè)知識(shí)轉(zhuǎn)移過(guò)程中知識(shí)的損失較小。

4總結(jié)

本文以傳統(tǒng)的知識(shí)轉(zhuǎn)移模型為基礎(chǔ)，結(jié)合智能學(xué)習(xí)的理念，提出了一種基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L），并以電力智能調(diào)度支持系統(tǒng)為例，詳細(xì)描述了在電力智能調(diào)度支持系統(tǒng)的需求分析階段、系統(tǒng)設(shè)計(jì)階段、系統(tǒng)測(cè)試階段及系統(tǒng)建設(shè)階段中，IMKT-L模型如何利用智能學(xué)習(xí)算法挖掘知識(shí)規(guī)則、對(duì)設(shè)計(jì)路線建模以及優(yōu)化知識(shí)集合，并通過(guò)自定義的知識(shí)轉(zhuǎn)移效率比較來(lái)反饋優(yōu)化專(zhuān)家知識(shí)庫(kù)。最后通過(guò)比較分析得知，IMKT-L模型可有效降低整個(gè)電力智能調(diào)度支持系統(tǒng)需求、設(shè)計(jì)開(kāi)發(fā)、測(cè)試及建設(shè)過(guò)程中知識(shí)的損失。

參考文獻(xiàn)：

[1]張文亮，劉壯志，王明俊，等. 智能電網(wǎng)的研究進(jìn)展及發(fā)展趨勢(shì)[J]. 電網(wǎng)技術(shù)， 2009，33（13）：1-11.

[2]吳瓊，劉文穎，楊以涵. 智能型電網(wǎng)調(diào)度決策支持系統(tǒng)的開(kāi)發(fā)與實(shí)現(xiàn)[J]. 電力系統(tǒng)自動(dòng)化， 2006， 30（12）：79-83.

[3]Teece D. Technology Transfer by Multinational Firms：The Resource Costs of Transferring Technological Kow- how [J]. The Economic Journal， 1977（87） ：242- 261.

[4]Hubel G. Organizational Learning：The Contributing Process and the Literatures[J]. Organization Science， 1991，2（1）：88-115.

[5]Argote l， Ingram P. Knowledge Transfer：A Basic for Competitive Advantage in Firms [J]. Organization Behavior and Human Decision Process， 2000， 82（1）：150-169.

[6]Szulanski G. Exploring Internal Stickiness：Impediments to the Transfer of Best Practice Within the Firm [J]. Strategic Management Journal （Special Issue）， 1996（17）：27- 44.

[7]Jeffrey L Cummings， Bing - Sheng Teng. Transferring R&D Knowledge：The Key Factors Affecting Knowledge Transfer Success [J]. Journal of Engineering and Technology Management， 2003（20）：39-68.

[8]Nonaka Ikujiro， Toyama Ryoko， Konno Noboru. SECI， Ba and Leadership：A Unified Model of Dynamic Knowledge Creation [J]. Long Range Planning， 2000（33）：5- 34.

[9]羅艷玲. 知識(shí)轉(zhuǎn)移模型的優(yōu)化研究[J]. 情報(bào)科學(xué)，2010，28（10）：1578-1583.

[10]王君，樊治平. 一種基于Multi-Agent 的知識(shí)轉(zhuǎn)移模型框架[J]. 東北大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2003，24（1）：94-97.

[11]Denis Helic， Hermann Maurer， Nick Scerbakov. Knowledge Transfer Processes in a Modern WBT System [J]. Journal of Network and Computer Applications， 2004，27（3）：163–190.

[12]劉瑩，徐蓓蕓. ERP、CRM與SCM整合過(guò)程中的知識(shí)轉(zhuǎn)移研究[J]. 現(xiàn)代商業(yè)， 2008，23：196-197.

[13]張俊，張亮，杜子平. 基于知識(shí)轉(zhuǎn)移視角的信息系統(tǒng)開(kāi)發(fā)方法的比較[J]. 圖書(shū)館學(xué)研究， 2011（1）：59-63.

[14]何永剛. 信息系統(tǒng)開(kāi)發(fā)過(guò)程中的知識(shí)轉(zhuǎn)移研究[D]. 復(fù)旦大學(xué)博士論文，2007.

（責(zé)任編輯：張勇）

從圖4可以看出，在需求分析和系統(tǒng)建設(shè)階段，由于知識(shí)轉(zhuǎn)移效率值大于0，則表示通過(guò)知識(shí)轉(zhuǎn)移和融合，在原有知識(shí)基礎(chǔ)上，形成了新的滿(mǎn)足電力調(diào)度支持部門(mén)所需的新知識(shí)；而在系統(tǒng)測(cè)試階段，由于知識(shí)轉(zhuǎn)移效率值小于0，表明知識(shí)轉(zhuǎn)移造成了電力智能調(diào)度支持系統(tǒng)開(kāi)發(fā)過(guò)程中系統(tǒng)測(cè)試知識(shí)的損失。但從整個(gè)電力智能調(diào)度支持系統(tǒng)知識(shí)轉(zhuǎn)移效率看，在整個(gè)知識(shí)轉(zhuǎn)移過(guò)程中知識(shí)的損失較小。

4總結(jié)

本文以傳統(tǒng)的知識(shí)轉(zhuǎn)移模型為基礎(chǔ)，結(jié)合智能學(xué)習(xí)的理念，提出了一種基于學(xué)習(xí)的知識(shí)轉(zhuǎn)移改進(jìn)模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L），并以電力智能調(diào)度支持系統(tǒng)為例，詳細(xì)描述了在電力智能調(diào)度支持系統(tǒng)的需求分析階段、系統(tǒng)設(shè)計(jì)階段、系統(tǒng)測(cè)試階段及系統(tǒng)建設(shè)階段中，IMKT-L模型如何利用智能學(xué)習(xí)算法挖掘知識(shí)規(guī)則、對(duì)設(shè)計(jì)路線建模以及優(yōu)化知識(shí)集合，并通過(guò)自定義的知識(shí)轉(zhuǎn)移效率比較來(lái)反饋優(yōu)化專(zhuān)家知識(shí)庫(kù)。最后通過(guò)比較分析得知，IMKT-L模型可有效降低整個(gè)電力智能調(diào)度支持系統(tǒng)需求、設(shè)計(jì)開(kāi)發(fā)、測(cè)試及建設(shè)過(guò)程中知識(shí)的損失。

參考文獻(xiàn)：

[1]張文亮，劉壯志，王明俊，等. 智能電網(wǎng)的研究進(jìn)展及發(fā)展趨勢(shì)[J]. 電網(wǎng)技術(shù)， 2009，33（13）：1-11.

[2]吳瓊，劉文穎，楊以涵. 智能型電網(wǎng)調(diào)度決策支持系統(tǒng)的開(kāi)發(fā)與實(shí)現(xiàn)[J]. 電力系統(tǒng)自動(dòng)化， 2006， 30（12）：79-83.

[3]Teece D. Technology Transfer by Multinational Firms：The Resource Costs of Transferring Technological Kow- how [J]. The Economic Journal， 1977（87） ：242- 261.

[4]Hubel G. Organizational Learning：The Contributing Process and the Literatures[J]. Organization Science， 1991，2（1）：88-115.

[5]Argote l， Ingram P. Knowledge Transfer：A Basic for Competitive Advantage in Firms [J]. Organization Behavior and Human Decision Process， 2000， 82（1）：150-169.

[6]Szulanski G. Exploring Internal Stickiness：Impediments to the Transfer of Best Practice Within the Firm [J]. Strategic Management Journal （Special Issue）， 1996（17）：27- 44.

[7]Jeffrey L Cummings， Bing - Sheng Teng. Transferring R&D Knowledge：The Key Factors Affecting Knowledge Transfer Success [J]. Journal of Engineering and Technology Management， 2003（20）：39-68.

[8]Nonaka Ikujiro， Toyama Ryoko， Konno Noboru. SECI， Ba and Leadership：A Unified Model of Dynamic Knowledge Creation [J]. Long Range Planning， 2000（33）：5- 34.

[9]羅艷玲. 知識(shí)轉(zhuǎn)移模型的優(yōu)化研究[J]. 情報(bào)科學(xué)，2010，28（10）：1578-1583.

[10]王君，樊治平. 一種基于Multi-Agent 的知識(shí)轉(zhuǎn)移模型框架[J]. 東北大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2003，24（1）：94-97.

[11]Denis Helic， Hermann Maurer， Nick Scerbakov. Knowledge Transfer Processes in a Modern WBT System [J]. Journal of Network and Computer Applications， 2004，27（3）：163–190.

[12]劉瑩，徐蓓蕓. ERP、CRM與SCM整合過(guò)程中的知識(shí)轉(zhuǎn)移研究[J]. 現(xiàn)代商業(yè)， 2008，23：196-197.

[13]張俊，張亮，杜子平. 基于知識(shí)轉(zhuǎn)移視角的信息系統(tǒng)開(kāi)發(fā)方法的比較[J]. 圖書(shū)館學(xué)研究， 2011（1）：59-63.

[14]何永剛. 信息系統(tǒng)開(kāi)發(fā)過(guò)程中的知識(shí)轉(zhuǎn)移研究[D]. 復(fù)旦大學(xué)博士論文，2007.

（責(zé)任編輯：張勇）