陳俊全， 黃曉旭， 伍仕紅， 安甦， 范翔， 姚剛

(貴州電網(wǎng)有限責(zé)任公司電力調(diào)度控制中心，貴州 貴陽(yáng) 550002)

0 引 言

調(diào)度操作票校核的目的在于辨識(shí)操作票潛在的錯(cuò)誤，避免誤操作、誤控制事件發(fā)生[1-2]。傳統(tǒng)模式下，調(diào)度操作票主要依靠調(diào)度員人工校核[3-4]。實(shí)際執(zhí)行中，電網(wǎng)多采用“三審三?！毙：四Ｊ?，依靠增加審核環(huán)節(jié)和人力投入，提升校核準(zhǔn)確率。然而近年來(lái)頻發(fā)的誤操作、誤控制事件表明，單純?cè)O(shè)置復(fù)雜的審核流程并不能確保校核結(jié)果正確，而且費(fèi)時(shí)費(fèi)力，嚴(yán)重影響調(diào)度操作效率。

為此，采用自動(dòng)智能校核代替人工，已成為調(diào)度操作校核領(lǐng)域發(fā)展的必然趨勢(shì)[5]164-175,[6]171-176。特別是近年來(lái)，隨著人工智能技術(shù)的快速發(fā)展，效用評(píng)估[7]44-45、模糊理論[8]4-6、字典學(xué)習(xí)[9]38-43,[10]33-39、神經(jīng)網(wǎng)絡(luò)[11]20-34,[12]76-79等新方法不斷引入該研究領(lǐng)域。文獻(xiàn)[7]所提出的基于效用評(píng)估理論的調(diào)度操作智能校核方法中，通過(guò)對(duì)調(diào)度操作過(guò)程操作步驟的效用值進(jìn)行評(píng)估分析，來(lái)判定其執(zhí)行有效性。文獻(xiàn)[8]利用模糊理論分析了調(diào)度操作的缺項(xiàng)漏項(xiàng)問(wèn)題。文獻(xiàn)[9-10]則采用字典學(xué)習(xí)模型，通過(guò)人工給定字典庫(kù)，對(duì)歷史數(shù)據(jù)挖掘，實(shí)現(xiàn)對(duì)調(diào)度操作校核的自動(dòng)學(xué)習(xí)。文獻(xiàn)[11-12]通過(guò)神經(jīng)網(wǎng)絡(luò)智能學(xué)習(xí)可從語(yǔ)義角度出發(fā)分析調(diào)度操作票內(nèi)容是否存在操作邏輯錯(cuò)誤。

然而目前的研究主要集中于調(diào)度操作票文字錯(cuò)誤、潮流校核兩個(gè)方面，盡管在辨識(shí)錯(cuò)字、拓?fù)浞治龊统绷骺刂频确矫嫒〉昧肆己玫膶?shí)際效果，但是并不能結(jié)合操作任務(wù)，對(duì)調(diào)度操作票的內(nèi)在邏輯進(jìn)行校核，難以滿(mǎn)足實(shí)際需要。為此，本文將引入人工智能領(lǐng)域中的規(guī)則學(xué)習(xí)方法，通過(guò)人工設(shè)置、自動(dòng)學(xué)習(xí)兩種模式，構(gòu)建規(guī)則庫(kù)，實(shí)現(xiàn)對(duì)調(diào)度操作票的自動(dòng)智能校核。

1 規(guī)則學(xué)習(xí)基本概念與算法流程

1.1 基本概念

規(guī)則學(xué)習(xí)最早于1992年由學(xué)者M(jìn)uggleton提出[13]，當(dāng)前對(duì)規(guī)則學(xué)習(xí)中“規(guī)則”比較公認(rèn)的定義可表述為：能夠描述數(shù)據(jù)分布隱含的客觀規(guī)律并能夠標(biāo)準(zhǔn)形式表達(dá)的邏輯語(yǔ)句[14]2865-2878。所謂的標(biāo)準(zhǔn)形式為條件表達(dá)式如下：

?←f1∧f2∧…fL

(1)

式中：←為邏輯推導(dǎo)符號(hào)；f1∧f2∧…fL為“規(guī)則體”，規(guī)則體中，f1、f2、…fL依次為所需要滿(mǎn)足的L個(gè)條件，∧為表示并列關(guān)系的邏輯判斷符號(hào)；?為“規(guī)則頭”，其含義為若滿(mǎn)足右側(cè)規(guī)則體的條件，則能夠推導(dǎo)得到左側(cè)規(guī)則頭的結(jié)論。

規(guī)則學(xué)習(xí)實(shí)際上就是通過(guò)對(duì)訓(xùn)練數(shù)據(jù)集的歸納分析，生成如式(1)所示的規(guī)則語(yǔ)句，并利用規(guī)則語(yǔ)句對(duì)待判定的數(shù)據(jù)進(jìn)行校驗(yàn)，以檢驗(yàn)其是否滿(mǎn)足相同規(guī)則的人工智能算法[15]1683-1687。根據(jù)訓(xùn)練數(shù)據(jù)集學(xué)習(xí)模式的不同，規(guī)則學(xué)習(xí)可分為“自頂向下”和“自底向上”兩種算法類(lèi)型，結(jié)合本文所介紹的調(diào)度操作校核任務(wù)的實(shí)際需要，這里重點(diǎn)介紹“自頂向下”學(xué)習(xí)算法。

1.2 辨識(shí)方法

“自頂向下”規(guī)則學(xué)習(xí)算法是指從訓(xùn)練數(shù)據(jù)集最顯著的條件項(xiàng)出發(fā)，不斷增加條件項(xiàng)約束，縮小規(guī)則覆蓋范圍，直至得到滿(mǎn)足搜索要求的規(guī)則語(yǔ)句的學(xué)習(xí)過(guò)程[16]。規(guī)定訓(xùn)練數(shù)據(jù)集中每一個(gè)數(shù)據(jù)項(xiàng)可表示為(a1,a2,…aM,r)，其中，a1，a2…aM為數(shù)據(jù)項(xiàng)的M項(xiàng)屬性類(lèi)型，第i項(xiàng)屬性類(lèi)型有si項(xiàng)取值可能；r為判定結(jié)果，包括R種取值可能。如圖1所示，“自頂向下”規(guī)則學(xué)習(xí)算法的實(shí)施過(guò)程包括三個(gè)主要實(shí)施步驟[14]2865-2878，[15]1683-1687。

1)根據(jù)顯著性，選定初始規(guī)則體條件

判定結(jié)果顯著性由其在訓(xùn)練數(shù)據(jù)集中的出現(xiàn)次數(shù)決定，次數(shù)越多，表明判定結(jié)果r在該取值下的概率越高，顯著性越強(qiáng)。選取顯著性最強(qiáng)的判定結(jié)果取值ri，計(jì)算不同屬性不同取值與該判定結(jié)果取值的相關(guān)性，計(jì)算公式為：

(2)

式中：Cor()為滿(mǎn)足r=ri和aj=aj,m條件的相關(guān)性函數(shù)；Count()為記數(shù)函數(shù)，用于給定數(shù)據(jù)集中統(tǒng)計(jì)滿(mǎn)足條件的數(shù)據(jù)量；Data為訓(xùn)練數(shù)據(jù)集；Count(Data,r=ri,aj=aj,m)，Count(Data,r≠ri,aj=aj,m)分別為訓(xùn)練數(shù)據(jù)集中在判定結(jié)果取值為rI和ri不為兩種情況下屬性aj取值為aj,m的數(shù)據(jù)項(xiàng)數(shù)。

導(dǎo)致顱內(nèi)壓升高的因素。術(shù)后嚴(yán)密觀察患者意識(shí)、瞳孔、體溫變化，注意有無(wú)腦膜刺激征，留取腦脊液并及時(shí)送檢。出院指導(dǎo)：囑患者定期返院復(fù)查，告知復(fù)查時(shí)間及內(nèi)容。定期檢測(cè)血糖、尿量變化，堅(jiān)持規(guī)范用藥，指導(dǎo)科學(xué)飲食，養(yǎng)成健康生活方式與行為習(xí)慣，維持良好心態(tài)，改善生活質(zhì)量。

統(tǒng)計(jì)顯著性最強(qiáng)的判定結(jié)果ri下所有屬性取值與其相關(guān)性，相關(guān)性最高的一項(xiàng)屬性取值即為初始規(guī)則體條件。

2)根據(jù)相關(guān)性概率，完善規(guī)則體語(yǔ)句

在滿(mǎn)足aj=aj,m條件下，繼續(xù)搜索其他屬性取值與判定結(jié)果r=ri的相關(guān)性，并將相關(guān)性最高的屬性條件補(bǔ)充進(jìn)規(guī)則體語(yǔ)句。

3)收斂性判定

預(yù)先設(shè)置規(guī)則體語(yǔ)句和規(guī)則學(xué)習(xí)的收斂條件，避免規(guī)則學(xué)習(xí)過(guò)擬合。一般設(shè)置的條件項(xiàng)為規(guī)則體中條件數(shù)和規(guī)則語(yǔ)句條數(shù)限制，即：

Count[Rule(fi)]≤RFmax

(3)

Count(Rule)≤Rmax

(4)

式中：Count[Rule(fi)]、Count(Rule)分別為任意規(guī)則中的規(guī)則體條件數(shù)量和規(guī)則學(xué)習(xí)所得規(guī)則條數(shù)；RFmax、Rmax分別為給定的規(guī)則體條件數(shù)限值和規(guī)則條數(shù)限值。

2 調(diào)度操作智能算法設(shè)計(jì)

2.1 實(shí)施框架

相比于常見(jiàn)的圖像辨識(shí)、語(yǔ)音識(shí)別等問(wèn)題，利用規(guī)則學(xué)習(xí)解決調(diào)度操作智能校核時(shí)，必須重點(diǎn)考慮如下問(wèn)題：

(1)數(shù)據(jù)建模問(wèn)題，調(diào)度操作票本質(zhì)上為文本數(shù)據(jù)，必須將其轉(zhuǎn)換為便于機(jī)器學(xué)習(xí)的數(shù)據(jù)格式。

(2)訓(xùn)練數(shù)據(jù)集有效性問(wèn)題，由歷史數(shù)據(jù)庫(kù)中的調(diào)度操作票均為經(jīng)過(guò)“三審三?！钡臉悠?，錯(cuò)票數(shù)量極少，限制了智能體的學(xué)習(xí)深度。

(3)規(guī)則完備性問(wèn)題，調(diào)度操作與電網(wǎng)特性結(jié)合緊密，導(dǎo)致規(guī)則學(xué)習(xí)過(guò)程難以及時(shí)跟蹤電網(wǎng)特性變化，必須在算法設(shè)計(jì)上予以考慮。

綜合以上三方面要求，本文提出了“自動(dòng)學(xué)習(xí)+人工設(shè)置”為基礎(chǔ)的調(diào)度操作校核規(guī)則學(xué)習(xí)方法。如圖1、圖2所示，其實(shí)施流程要點(diǎn)包括：

(1)根據(jù)典型操作模式，將調(diào)度操作票轉(zhuǎn)換為適用于機(jī)器學(xué)習(xí)的數(shù)據(jù)模型。

(2)利用文獻(xiàn)[5]介紹的隨機(jī)泛化算法，對(duì)歷史票進(jìn)行隨機(jī)重組，生成異常票數(shù)據(jù)集，并補(bǔ)充進(jìn)調(diào)度操作票歷史數(shù)據(jù)庫(kù)中，形成訓(xùn)練數(shù)據(jù)集，由人工對(duì)其判定，給出判定結(jié)果。

(3)利用當(dāng)前較為成熟的規(guī)則學(xué)習(xí)算法，對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行自動(dòng)學(xué)習(xí)，生產(chǎn)規(guī)則庫(kù)，同時(shí)根據(jù)人工經(jīng)驗(yàn)，補(bǔ)充規(guī)則條款，匯總形成調(diào)度操作智能校核規(guī)則庫(kù)，以此實(shí)施調(diào)度操作票的智能校核。

圍繞上面提出的三方面問(wèn)題，下面重點(diǎn)介紹其解決方法。

2.2 數(shù)據(jù)建模

調(diào)度操作票由操作任務(wù)和多條操作指令組成，操作任務(wù)包括操作設(shè)備和設(shè)備狀態(tài)轉(zhuǎn)化要求兩部分。每一條操作指令包括操作對(duì)象和操作措施兩部分?？紤]到調(diào)度操作票規(guī)范化程度較高，因此可以按照典型操作票格式對(duì)其進(jìn)行轉(zhuǎn)換。限于篇幅，僅在表1中例舉部分操作指令數(shù)據(jù)轉(zhuǎn)換前后的對(duì)應(yīng)關(guān)系。

2.3 異常數(shù)據(jù)重構(gòu)

異常數(shù)據(jù)重構(gòu)的目的在于根據(jù)經(jīng)過(guò)“三審三?！?、票面正確的調(diào)度操作票隸屬數(shù)據(jù)生成大量異常數(shù)據(jù)。文獻(xiàn)[5]介紹了一種基于隨機(jī)泛化的異常票生成方法，其基本思路是對(duì)于每一步操作指令，其操作對(duì)象和操作措施，可以從操作對(duì)象和操作措施庫(kù)中按照一定概率隨機(jī)選取，生成龐大的異常調(diào)度操作票。這里不贅述實(shí)施細(xì)節(jié)，通過(guò)該步驟能夠獲得大量異常調(diào)度操作票數(shù)據(jù)，保證學(xué)習(xí)的有效性。

2.4 規(guī)則完善

規(guī)則完善的目的在于解決規(guī)則學(xué)習(xí)過(guò)程主要基于調(diào)度操作票文本信息，而忽略了其與電網(wǎng)運(yùn)行特性之間關(guān)系的問(wèn)題。結(jié)合調(diào)度操作校核實(shí)際，需要補(bǔ)充的規(guī)則主要為潮流校核規(guī)則[6]171-174，可表示為：若某一步調(diào)度指令操作導(dǎo)致系統(tǒng)運(yùn)行斷面越限，則該調(diào)度操作票有誤。

3 實(shí)施效益分析

3.1 實(shí)施方法

本文所提出的方法已在貴州電網(wǎng)得到實(shí)際應(yīng)用，作為補(bǔ)充模塊，在原調(diào)度操作系統(tǒng)中集成，從而對(duì)調(diào)度操作票實(shí)施在線校核分析。實(shí)施過(guò)程中，以該省電網(wǎng)2018年全年共計(jì)7 430張調(diào)度操作票為基礎(chǔ)，通過(guò)模型構(gòu)建和異常調(diào)度操作票重構(gòu)，共生成包含15 000張調(diào)度操作票數(shù)據(jù)的訓(xùn)練數(shù)據(jù)集。利用規(guī)則學(xué)習(xí)算法對(duì)上述訓(xùn)練數(shù)據(jù)集進(jìn)行智能體訓(xùn)練，共得到120條調(diào)度操作票校核規(guī)則，將潮流校核人工補(bǔ)充設(shè)置為規(guī)則后，所得到的規(guī)則庫(kù)包括校核規(guī)則121條，其中以“線路由運(yùn)行轉(zhuǎn)檢修”為操作目的的調(diào)度操作票對(duì)應(yīng)校核規(guī)則共10條，如表2所示。

3.2 效益分析

該規(guī)則庫(kù)為調(diào)度運(yùn)行人員進(jìn)行調(diào)度操作校核提供了智能化的解決方案，從2019年4月正式應(yīng)用至今，已成功用于1 200張調(diào)度操作票的校核。為保證最終結(jié)果的正確，在利用人工智能方法進(jìn)行校核的同時(shí)，也采用傳統(tǒng)的“三審三?！蹦Ｊ綄?duì)上述調(diào)度操作票進(jìn)行校核。

據(jù)統(tǒng)計(jì)，傳統(tǒng)的“三審三?！蹦Ｊ焦舶l(fā)現(xiàn)調(diào)度操作票錯(cuò)誤87處，而人工智能校驗(yàn)則發(fā)現(xiàn)錯(cuò)誤95處，錯(cuò)誤識(shí)別率提升高達(dá)8.4%。更重要的是，“三審三校”模式所發(fā)現(xiàn)的87處錯(cuò)誤均涵蓋在人工智能校驗(yàn)方法所發(fā)現(xiàn)錯(cuò)誤中，充分證明了規(guī)則學(xué)習(xí)算法解決調(diào)度操作校核問(wèn)題的有效性。而從校核業(yè)務(wù)投入來(lái)看，規(guī)則學(xué)習(xí)具有自我學(xué)習(xí)完善的特性，通過(guò)補(bǔ)充新的訓(xùn)練數(shù)據(jù)，該方法能保持與調(diào)度操作習(xí)慣的一致性，校核耗時(shí)在10 s以?xún)?nèi)，不需要投入新的調(diào)度員人力。而傳統(tǒng)的“三審三校”則需要投入三名專(zhuān)業(yè)調(diào)度運(yùn)行技術(shù)員，以該省實(shí)際運(yùn)行經(jīng)驗(yàn)，每張票的平均校核時(shí)間在1 h左右。這一特點(diǎn)表明，規(guī)則學(xué)習(xí)能夠大大降低校核的人力投入，提升操作效率。

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)人工校核為主的調(diào)度操作校核問(wèn)題，本文提出了一種基于規(guī)則學(xué)習(xí)的調(diào)度操作智能校核方法。通過(guò)對(duì)調(diào)度操作票的模型轉(zhuǎn)換、數(shù)據(jù)重構(gòu)和學(xué)習(xí)訓(xùn)練，將自動(dòng)學(xué)習(xí)所生成的校核規(guī)則與人工設(shè)置規(guī)則匯總，形成了能夠滿(mǎn)足實(shí)際要求的校核規(guī)則庫(kù)。該方法不僅能大幅提升調(diào)度操作準(zhǔn)確性，而且能夠降低校核人力投入和耗費(fèi)時(shí)間，對(duì)提高調(diào)度操作效率具有重要作用。