張保平，曾軍，劉景立，馬宜軍，曹磊，叢雷，楊劍，趙子根，黎強

1.國網(wǎng)河北省電力有限公司保定供電分公司，河北保定071000

2.國網(wǎng)河北省電力有限公司檢修分公司，河北石家莊050070

3.長園深瑞繼保自動化有限公司，廣東深圳518057

隨著科學(xué)技術(shù)的的發(fā)展，電力系統(tǒng)結(jié)構(gòu)愈發(fā)復(fù)雜，規(guī)模愈發(fā)龐大，在日常維護(hù)過程中，難免出現(xiàn)缺陷和問題。供電企業(yè)對電力設(shè)備進(jìn)行缺陷處理，能夠有效提高電力系統(tǒng)的安全、穩(wěn)定運行[1-4]。

針對電力系統(tǒng)維護(hù)過程中遇到的問題，國內(nèi)外學(xué)者進(jìn)行了大量的研究工作。吳丹等[5]采用三角模糊和層次分析相結(jié)合的方法，解決了多種不確定因素影響電力負(fù)荷預(yù)測的問題，能夠有效地提高電力負(fù)荷的預(yù)測精度。王文琦[6]針對傳統(tǒng)的人工方式消缺效率低的問題，提出將層次分析法(AHP)應(yīng)用在智能缺陷識別系統(tǒng)中，提高了消缺效率，驗證了方法的可行性。劉大偉等[7]將云策略和微軟媒體服務(wù)器協(xié)議(Microsoft media server protocol，MMS)相結(jié)合，設(shè)計自動測試系統(tǒng)，降低了成本，提高了調(diào)試效率。Luis Hernández-Callejo[8]利用決策支持模型對電力設(shè)備進(jìn)行檢修和維護(hù)，提高了電網(wǎng)運行的效率。

目前，層次分析法被廣泛應(yīng)用在缺陷處理中。但是針對電力系統(tǒng)結(jié)構(gòu)復(fù)雜、數(shù)據(jù)量大的問題，層次分析法也受到局限。本文將差分模型[9]和k 最鄰近(k-nearest neighbor, kNN)[10-12]算法應(yīng)用到層次分析方法中，結(jié)合專家?guī)靃13-14]進(jìn)行自學(xué)習(xí)，推理出缺陷處理[15-18]的方案，提高了缺陷處理的準(zhǔn)確性。

1 消缺處理中的自學(xué)習(xí)方法

1.1 kNN 文本分類算法

kNN是一種常用的分類算法，其核心內(nèi)容為：文本信息以加權(quán)特征向量的方式作為測試文本，計算與各個訓(xùn)練文本的相似度，找到k個最相似的文本，根據(jù)加權(quán)距離的計算結(jié)果得到該文本所在的分類。具體步驟如下：

1)將測試文本轉(zhuǎn)化成測試文本向量；

2)計算測試文本和各個訓(xùn)練文本的相似度，根據(jù)距離的大小順序從小到大進(jìn)行排序，找到距離最小的k個文本；

3)確定k個文本所在類的權(quán)重；

4)返回k個文本權(quán)重最大的類即為預(yù)測分類。

1.2 層次分析法

層次分析法是一種能夠?qū)?fù)雜的決策信息按照一定的準(zhǔn)則逐級分層，并進(jìn)行定性和定量分析的決策方法。該方法無需大量的信息，即可有效地進(jìn)行決策，在決策方面得到大量應(yīng)用。分層模型如圖1所示。

圖1 分層模型

從圖1可以看出，測試文本所在類別有A和B兩類。當(dāng)測試文本屬于A類時，那么排除B類的影響，從第2層的A1、A2、A3中尋找；進(jìn)一步測試文本為A1時，則排除A2和A3的影響，最后在第3層的A11和A12類中，找到測試文本所屬的類別。傳統(tǒng)方法需要逐一比較，耗費了大量的計算時間，而本文方法有效地提高計算效率。

1.3 差分模型

假設(shè)有A、B、C3個已知類別，測試文本m 到3個類別的距離分別為a、b、c，當(dāng)a=max{a,b,c}，b=max{b,c}，根據(jù)kNN 方法，測試文本m 則屬于a類；根據(jù)分層思想，測試文本m 再到a的子類中尋找，最后再按照kNN 方法進(jìn)行判斷，得到所屬類別；當(dāng)采用差分模型的方法時，當(dāng)且僅當(dāng)|a|-|b|＞n時，才能將測試文本m 判別到a類中，否則在a和b的子類中再進(jìn)行kNN算法，得到測試文本m 最后的類別。

1.4 差分層次kNN算法

本文將kNN 算法、層次分析法以及差分模型結(jié)合起來，得到差分層次kNN 算法。改進(jìn)后的算法能夠綜合各個算法的優(yōu)點，并且能降低各個算法的缺點對缺陷處理的影響，算法的優(yōu)勢從以下幾個方面進(jìn)行闡述：

1)利用層次分析法構(gòu)建層次結(jié)構(gòu)。層次分析法無需大量的數(shù)據(jù)即可完成決策，解決了kNN 算法因在計算過程中需要對所有文本進(jìn)行計算的問題，降低了計算量，提高了計算效率。

2)差分比較。由于電力系統(tǒng)結(jié)構(gòu)復(fù)雜，在缺陷處理方面存在類別交叉的問題，該算法能夠避免經(jīng)過權(quán)重比較后，直接判斷測試文本所屬類別的問題，能夠正確判別最近鄰和次近鄰，提高了缺陷處理的可靠性。

3)自動添加新類別。由于電力系統(tǒng)數(shù)據(jù)信息較為復(fù)雜，信息量較為龐大，針對缺陷處置過程中無法給出具體的消缺方法，在算法結(jié)束的位置自動添加新類別。

2 差分層次kNN 算法計算過程

2.1 算法流程

差分層次kNN 算法的基本過程為：首先，文本信息以加權(quán)特征向量的方式作為測試文本；然后，利用層次分析法構(gòu)建層次結(jié)構(gòu)，計算每層測試文本與各個訓(xùn)練文本的相似度；接著，找到k個最相似的文本；最后，根據(jù)加權(quán)距離的計算結(jié)果進(jìn)行差分比較，得到該文本所在的分類，算法過程結(jié)束。具體流程如下：

1)將測試文本轉(zhuǎn)化成測試文本向量；

2)利用層次分析法，將訓(xùn)練文本集合進(jìn)行分層，形成n層層次結(jié)構(gòu)；

3)計算測試文本和1～n層各個訓(xùn)練文本的相似度，通過相似度計算公式計算相似度，第1層的計算方法如下

4)對第n層進(jìn)行權(quán)重的差分比較后，如果比較的結(jié)果不唯一，還存在個別干擾性，則在第n層自動添加新類別；如果比較的結(jié)果唯一，則權(quán)重最大的類即為預(yù)測分類。

2.2 時間復(fù)雜度計算

3 應(yīng)用實例

為了進(jìn)一步驗證本文方法在檢修[21-24]輔助決策系統(tǒng)的實用性和有效性，本文以某省電力公司的檢修輔助決策系統(tǒng)為研究對象，將差分層次kNN算法應(yīng)用到該系統(tǒng)中，通過系統(tǒng)的處理結(jié)果驗證本文方法的實用價值。

3.1 專家系統(tǒng)簡介

在對缺陷數(shù)據(jù)進(jìn)行處理和優(yōu)化的基礎(chǔ)上，構(gòu)成能顯示缺陷數(shù)據(jù)并且提供相應(yīng)的缺陷處理方法的系統(tǒng)。該系統(tǒng)主要是知識工程師和領(lǐng)域?qū)＜彝ㄟ^獲取器形成知識庫，同時采用數(shù)據(jù)挖掘?qū)⑿畔⒋鎯Φ綌?shù)據(jù)庫中，用于匹配知識庫中的條件，數(shù)據(jù)庫內(nèi)信息通過推理機到解釋器，從而反饋到人機界面中。專家系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 專家系統(tǒng)結(jié)構(gòu)

系統(tǒng)具備常規(guī)的用戶登錄功能，管理員、執(zhí)行員屬于高級用戶，administrator 屬于一般用戶。高級用戶權(quán)限較多，可對數(shù)據(jù)進(jìn)行增、刪、改、查等操作；一般用戶只能進(jìn)行基本操作。

3.2 差分層次kNN算法應(yīng)用

根據(jù)差分層次kNN 算法的缺陷處理模型，將每次分類的結(jié)果自動生成到知識庫中，原有的知識庫模板得到有效擴充，形成更新、更全面的知識庫。自學(xué)習(xí)使通過差分層次kNN 方法得到的分類結(jié)果自動擴充到知識庫這一過程得以體現(xiàn)。

在檢修輔助決策系統(tǒng)的專家?guī)旎A(chǔ)上，根據(jù)缺陷信息，提供詳細(xì)分析結(jié)果和處理方法，提高了缺陷處理的準(zhǔn)確性和智能性。

4 實驗及結(jié)果分析

實驗1將缺陷信息形成數(shù)據(jù)集，分成6組進(jìn)行測試，實驗對比模型采用傳統(tǒng)的動態(tài)時間歸整(dynamic time warping，DTW)算法、最小方差匹配(minimal variance matching,MVM)算法和層次分析算法，通過對準(zhǔn)確率進(jìn)行對比，驗證本文方法的有效性。其中，準(zhǔn)確率為分類的正確文本數(shù)與實際分類文本數(shù)的比值。實驗結(jié)果如表1所示。

表1 準(zhǔn)確率對比結(jié)果

從表1的6組實驗結(jié)果可以看出，DTW 算法的準(zhǔn)確率在0.65～0.72，MVM算法的準(zhǔn)確率在0.64～0.77，AHP算法的準(zhǔn)確率在0.64～0.66，而本文提出的差分層次kNN算法的準(zhǔn)確率在0.76～0.93，并且每組實驗中，本文提出的方法的準(zhǔn)確率都比DTW、MVM和AHP 算法的準(zhǔn)確率有顯著提高，證明本文方法能夠有效提高缺陷處理的準(zhǔn)確性。

實驗2將數(shù)據(jù)集分成3組，采用本文提出的方法和kNN方法進(jìn)行對比，計算分類所用時間，實驗結(jié)果如表2所示。

表2 分類時間對比結(jié)果s

從表2可以看出，第1 組實驗中，本文提出的查分層次kNN算法所用時間縮短了990 s；第2組實驗中，本文提出算法所用時間縮短了1 230 s，接近kNN 算法時間的一半；第3組實驗中，本文所提算法所用時間縮短了822 s?？梢钥闯霰疚乃惴ㄋ脮r間明顯縮短，能夠快速對缺陷進(jìn)行分類。

以220 kV 母聯(lián)智能終端與220 kV 主變保護(hù)裝置支架goose斷鏈為例，系統(tǒng)給出相應(yīng)的定位、建議以及影響范圍，驗證了方法的可行性。該系統(tǒng)缺陷處理的結(jié)果如圖3所示。

圖3 缺陷處理結(jié)果

5 結(jié)論

為了解決電力系統(tǒng)結(jié)構(gòu)復(fù)雜、數(shù)據(jù)量過多問題，本文提出一種基于差分層次kNN算法。為了驗證本文算法的有效性，開展準(zhǔn)確率實驗和分類所需時間實驗，得到以下結(jié)論：

1)與層次分析算法相比，本文方法避免了缺陷處理中不能為決策提供新方案和權(quán)重難以確定等問題；通過與DTW 算法、MVM 算法和AHP算法的準(zhǔn)確率進(jìn)行對比，本文方法能夠有效提高缺陷處理的準(zhǔn)確性。

2)與kNN 方法進(jìn)行對比，本文方法能夠有效縮短分類所需時間，降低了時間復(fù)雜度，提高了缺陷處理的效率。