／秦皇島供電公司 張屹 李明祥／

CBR在電力信息運(yùn)維中的應(yīng)用

／秦皇島供電公司 張屹 李明祥／

在信息專業(yè)日常運(yùn)維工作中，技術(shù)人員在長(zhǎng)期的工作實(shí)踐中積累了解決各類具有相似性問題的經(jīng)驗(yàn)，并把這些經(jīng)驗(yàn)收錄整理。然而由于地域的局限性，信息很難進(jìn)行共享。即使有些運(yùn)維經(jīng)驗(yàn)被集中收錄，但在運(yùn)維經(jīng)驗(yàn)查詢時(shí)，只能按文章標(biāo)題、文章作者等這些信息檢索。而在實(shí)際工作中碰到的故障現(xiàn)象往往是屬于描述性的，僅憑這些信息并不能及時(shí)找到類似的案例。文章針對(duì)現(xiàn)有信息運(yùn)維典型經(jīng)驗(yàn)搜索引擎方式進(jìn)行了分析，建立了一套專業(yè)的查詢分析系統(tǒng)以更好地服務(wù)信息運(yùn)維人員。

電力信息運(yùn)維；CBR；案例庫；推理

0 引言

在信息運(yùn)維日常工作中，公司信息運(yùn)維技術(shù)人員經(jīng)常會(huì)碰到各類問題，如信息網(wǎng)絡(luò)問題、信息系統(tǒng)軟件、硬件故障等，這些問題往往具有類似性；在長(zhǎng)期的工作實(shí)踐中信息運(yùn)維技術(shù)人員積累了解決這些問題的經(jīng)驗(yàn)，并把這些經(jīng)驗(yàn)收錄整理，但是在實(shí)際工作中，碰到的問題現(xiàn)象往往是屬于描述性的，僅憑這些信息并不能及時(shí)找到類似的案例來解決相應(yīng)問題。提高企業(yè)管理水平，合理分配人力資源，以最小的人力創(chuàng)造最佳的生產(chǎn)效率，在企業(yè)信息化發(fā)展的今天，信息運(yùn)維部門更應(yīng)利用技術(shù)手段實(shí)現(xiàn)信息資源共享，而不是將信息資源封閉在一個(gè)孤島上，傳統(tǒng)的信息運(yùn)維經(jīng)驗(yàn)、規(guī)章制度查詢、管理利用方式僅僅是將相關(guān)資料電子化，更類似于一本電子書籍或雜志，并沒有實(shí)現(xiàn)技術(shù)上的創(chuàng)新，對(duì)于信息運(yùn)維工作人員而言，對(duì)自身工作量減少和工作效率的提升沒有太多幫助。如何減少重復(fù)性的工作，使信息資源充分共享被利用以達(dá)到發(fā)揮信息資源的最大使用價(jià)值。為了解決上述問題，避免同一類似問題被多次鉆研，更好地運(yùn)用公司的信息運(yùn)維典型經(jīng)驗(yàn)，發(fā)揮其價(jià)值，運(yùn)用CBR技術(shù)建立典型經(jīng)驗(yàn)信息平臺(tái)達(dá)到資源共享的最大化。

1 國內(nèi)外研究現(xiàn)狀

通過借鑒人類解決問題的方式，基于案例的推理利用相關(guān)領(lǐng)域內(nèi)知識(shí)專家日常積累的知識(shí)和經(jīng)驗(yàn)來解決領(lǐng)域中的各種問題，從20世紀(jì)80年代開始逐漸成為人工智能領(lǐng)域的研究熱點(diǎn)。在20世紀(jì)80年代初期，Roger Shank首次提出了CBR理論的認(rèn)知模型及框架。之后Kolodner在此基礎(chǔ)上，開發(fā)出了CTRUS的CBR系統(tǒng)。從此，CBR理論開始走向人工智能領(lǐng)域的研究和應(yīng)用。特別是在20世紀(jì)80年代后期，ReMind系統(tǒng)的出現(xiàn)被認(rèn)為是CBR從認(rèn)知科學(xué)向人工智能方向轉(zhuǎn)變的標(biāo)志[1]。

CBR的研究共分兩方面。研究的其中一方面是各個(gè)學(xué)科（如人工智能學(xué)科、數(shù)據(jù)挖掘?qū)W科、思維科學(xué)學(xué)科、計(jì)算機(jī)科學(xué)學(xué)科等相關(guān)類別）的知識(shí)及相關(guān)理論的集成及在對(duì)應(yīng)實(shí)踐領(lǐng)域內(nèi)應(yīng)用。具體應(yīng)用表現(xiàn)在天氣、災(zāi)害預(yù)報(bào)，以往法律審判裁決，機(jī)器常見隱患故障判斷處理，企業(yè)未來發(fā)展咨詢及重大事項(xiàng)決策，以及解決各類常見通用問題。CBR研究的另一方面是通過某些技術(shù)方式如匹配算法搜索、抽取特征值等從案例檢索、案例修正和案例學(xué)習(xí)等方面的研究深入到相關(guān)方面具體問題的研究[2]。

專家系統(tǒng)在電力系統(tǒng)中已經(jīng)得到了廣泛的應(yīng)用，不過這些應(yīng)用大部分都集中在故障診斷上。主要采用的方法有專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、優(yōu)化技術(shù)、Petri網(wǎng)絡(luò)、粗糙集理論、模糊集理論、貝葉斯網(wǎng)絡(luò)、多Agent技術(shù)和基于故障錄波器信息等[3-8]。

2 系統(tǒng)開發(fā)設(shè)計(jì)

2.1 CBR技術(shù)介紹

CBR（Case-based Reasoning），以案例為基礎(chǔ)的推理，國內(nèi)學(xué)術(shù)界通常稱之為基于案例的推理。該推理方式和以規(guī)則為基礎(chǔ)的推理方式不同，基于規(guī)則推理方式是通過建立規(guī)則庫，在進(jìn)行案例判斷時(shí)通過邏輯運(yùn)算比較是否符合對(duì)應(yīng)規(guī)則來給出對(duì)應(yīng)結(jié)果，而CBR的推理方式更多的是通過比較案例庫中某些案例的相似度，給出待解問題的相應(yīng)解決方案，即通過舊案例解決新問題[9-10]。在CBR系統(tǒng)內(nèi)，把一個(gè)故障或問題事件的發(fā)生原因、現(xiàn)象、導(dǎo)致的結(jié)果及解決的方法描述成一個(gè)案例，案例庫就是過去所有已發(fā)生的并已積累下來的知識(shí)內(nèi)容，當(dāng)然在CBR中這些案例是需要通過一定的數(shù)據(jù)組織形式存在的，以便隨時(shí)調(diào)用。CBR技術(shù)彌補(bǔ)了RBR（基于規(guī)則的推理）的不足，解決了在技術(shù)領(lǐng)域內(nèi)那些在內(nèi)容上表述困難的問題，同時(shí)在案例庫自我學(xué)習(xí)、更新技術(shù)上與其他技術(shù)相比也較為先進(jìn)。

CBR的基本思想是[10]將所發(fā)生過的或是待解的問題描述、問題可能導(dǎo)致的結(jié)果、解決問題的方法等內(nèi)容用案例的形式表現(xiàn)，案例庫中已存在的案例的積累是一個(gè)歷史積淀的過程，是以往處理問題方法經(jīng)驗(yàn)的總結(jié)，在日常遇到新故障時(shí)，根據(jù)以往類似故障處理經(jīng)驗(yàn)即舊案例搜索來解決新故障，同時(shí)可將此過程在CBR中作為一個(gè)新案例進(jìn)行積累，并作為未來可能會(huì)發(fā)生故障的參考案例，如圖1所示。這就像日常進(jìn)行探索性工作時(shí)更多的是依靠前人的經(jīng)驗(yàn)摸索解決。

在CBR方法中，通過案例將無法或者很難以規(guī)則形式表達(dá)的專家求解問題的深層知識(shí)和經(jīng)驗(yàn)保存起來。正確的解答案例保存在案例庫中，當(dāng)處理新的案例的時(shí)候，在案例庫中找出與新的案例最匹配（或相似）的一個(gè)案例，如果該案例滿足要求，則輸出結(jié)果；否則對(duì)最匹配（或相似）的案例進(jìn)行修改以滿足要求，并將修改后的案例添加到案例庫中。

圖1 CBR的基本思想

2.2 案例表示及案例庫的建立

在案例庫的初期階段，由于案例庫中的案例積累數(shù)量相對(duì)較少，在組織架構(gòu)上可以相對(duì)松散，但案例庫并不是一成不變沒有數(shù)據(jù)更新的，隨著更新案例數(shù)目的逐漸增加，要極力避免這種松散、無序的情況，在數(shù)據(jù)組織形式上，可以用關(guān)系數(shù)據(jù)庫來解決該問題。

用數(shù)據(jù)庫的方式以框架結(jié)構(gòu)為基礎(chǔ)組織案例、存儲(chǔ)案例是目前使用較多的方法，用框架和槽的形式來對(duì)應(yīng)相關(guān)案例的特征，數(shù)據(jù)庫中的數(shù)據(jù)項(xiàng)和數(shù)據(jù)表名字則由槽和主框架逐一對(duì)應(yīng)表示，其中的每一個(gè)槽都可以作為一個(gè)子框架，當(dāng)其展開時(shí)，數(shù)據(jù)庫內(nèi)的其他數(shù)據(jù)表項(xiàng)可以由這些子框架、子特征作進(jìn)一步關(guān)系對(duì)應(yīng)，最終完成數(shù)據(jù)庫表和主框架表構(gòu)成關(guān)系。案例庫中大量案例在系統(tǒng)內(nèi)存儲(chǔ)的表現(xiàn)形式就是一個(gè)龐大的數(shù)據(jù)表框架結(jié)構(gòu)，每當(dāng)有新案例數(shù)據(jù)更新存儲(chǔ)，就存儲(chǔ)數(shù)據(jù)表，對(duì)應(yīng)填充數(shù)據(jù)項(xiàng)。

在CBR系統(tǒng)案例推理運(yùn)行效率上，如何將案例適當(dāng)?shù)谋硎臼亲钪饕膯栴}，案例的表示牽涉以下幾項(xiàng)問題：

1）在眾多的信息中哪些是有用的可以存儲(chǔ)在案例中；

2）在描述案例內(nèi)容上用何種結(jié)構(gòu)是合適的；

3）在案例庫內(nèi)該如何進(jìn)行組織和索引。

根據(jù)搜集上來的運(yùn)維信息文檔的情況，總結(jié)出案例庫所應(yīng)包含的信息：知識(shí)編號(hào)、知識(shí)分類、作者、創(chuàng)建用戶、創(chuàng)建用戶所屬部門、標(biāo)題、摘要、關(guān)鍵字。案例表示即可描述如表1所示。

當(dāng)前的CBR系統(tǒng)大多是用靜態(tài)的框架來描述案例，這種方法有以下的缺點(diǎn)：首先，當(dāng)新的案例不斷出現(xiàn)的時(shí)候，舊的框架無法描述新案例的新特征；其次，框架的構(gòu)造是很繁瑣的一項(xiàng)工作，對(duì)于CBR系統(tǒng)應(yīng)用而言，只能在那些可以積累大量經(jīng)驗(yàn)并且這些經(jīng)驗(yàn)可被反復(fù)使用的知識(shí)領(lǐng)域內(nèi)推廣。

用關(guān)系數(shù)據(jù)庫存儲(chǔ)案例是比較通用的方法。在案例庫結(jié)構(gòu)映射上可以通過特征空間結(jié)構(gòu)來實(shí)現(xiàn)，案例對(duì)應(yīng)著記錄，特征分量對(duì)應(yīng)著字段，使用時(shí)通過以下流程來實(shí)現(xiàn)：建立一個(gè)數(shù)據(jù)庫管理系統(tǒng)，可供選擇的軟件很多，如Access、Oracle等；建立一個(gè)數(shù)據(jù)庫結(jié)構(gòu)主要功能用作案例存儲(chǔ)；將案例導(dǎo)入到數(shù)據(jù)庫中構(gòu)成案例庫。

表1 案例描述

關(guān)系數(shù)據(jù)庫除了為專家系統(tǒng)提供一種良好的知識(shí)組織形式之外，還能夠?yàn)閷＜蚁到y(tǒng)提供強(qiáng)大的索引能力。

案例索引就是能將各個(gè)案例彼此區(qū)分的主要關(guān)鍵字匯集，而案例庫索引主要參考了數(shù)據(jù)庫的索引技術(shù)，雖一字之差，但還是有區(qū)別的：

1）二者索引時(shí)在所選擇的數(shù)據(jù)庫上是通用的，但索引時(shí)在關(guān)鍵字的選取和標(biāo)準(zhǔn)的選擇是不同的。案例庫的索引為了區(qū)分各個(gè)案例，主要關(guān)注如何從定義上將案例庫劃分為實(shí)際有作用的分段。

2）二者在索引時(shí)比照關(guān)鍵字的方式不同。在案例檢索上，目前主要采用的關(guān)鍵字相似度匹配的方式；而在案例庫索引上，在數(shù)據(jù)庫系統(tǒng)內(nèi)檢索相關(guān)數(shù)據(jù)記錄時(shí)，要精確對(duì)應(yīng)相關(guān)關(guān)鍵字段，去除那些不符合條件的記錄。

因此，本文將選取關(guān)系數(shù)據(jù)庫組織和存儲(chǔ)案例，構(gòu)建知識(shí)庫，同時(shí)在數(shù)據(jù)庫的索引的基礎(chǔ)上，實(shí)現(xiàn)對(duì)案例的相似匹配。

案例庫的所對(duì)應(yīng)的數(shù)據(jù)表結(jié)構(gòu)如表2所示。在表2中，包含如下字段：KNOWLDEGE_ID為知識(shí)編號(hào)、主鍵；CREATOR是知識(shí)的創(chuàng)建者；DEPARTMENT_ID是知識(shí)所屬的部門；VERIFY是知識(shí)的審核者；TITLE是知識(shí)的標(biāo)題；ABSTRACT是知識(shí)的摘要；KEYWORD是知識(shí)的關(guān)鍵字；FILE_PATH是包含該知識(shí)的原始文件的存儲(chǔ)路徑。

表2 案例表

根據(jù)表2給出的案例庫結(jié)構(gòu)，給出的電力運(yùn)維案例實(shí)例文檔如表3所示。

表3 案例實(shí)例

2.3 案例推理機(jī)制

表4給出了電力運(yùn)維信息的案例表示方法的8個(gè)字段的數(shù)據(jù)類型以及能否作為案例的屬性特征。

表4 屬性特征值的選擇

從表4中可以看到，在這8個(gè)字段中，知識(shí)編號(hào)不能作為屬性特征，這是因?yàn)橹R(shí)編號(hào)是案例在數(shù)據(jù)表中存儲(chǔ)的主鍵，對(duì)于用戶而言，沒有任何意義。而其他7個(gè)字段則都能夠作為屬性特征。

同時(shí)也能夠看到，這7個(gè)屬性特征都是文本型的。但是這7個(gè)屬性特征在相似度計(jì)算上也并不是完全一樣，可以將其分成兩大類：

第一類是取值限定在幾個(gè)固定的值上的屬性特征，如知識(shí)分類和創(chuàng)建用戶所屬部門。這種類型的屬性特征只可能有兩種匹配結(jié)果完全匹配或者不匹配。其特征相似度可以用下式計(jì)算

第二類是取值無法限定的屬性特征。剩下的5個(gè)屬性特征都屬于這一類。設(shè)Oi和Ei分別為目標(biāo)案例和源案例中的某個(gè)屬性特征的文本類型的取值。則Oi和Ei匹配情況則可以表示如下

式（1）與式（2）相比，增加了對(duì)于部分匹配的定義。

給出屬性特征的相似度計(jì)算公式之后，在計(jì)算案例相似度之前還要確定各個(gè)屬性特征的權(quán)重。權(quán)重的分配是很多研究領(lǐng)域都會(huì)遇到的一個(gè)重要問題，如何確定權(quán)重值，方法有很多種，在這里主要考慮的是用原始數(shù)據(jù)的來源來計(jì)算權(quán)重，按照這一標(biāo)準(zhǔn)主要有客觀賦權(quán)法和主觀賦權(quán)法兩類：客觀賦權(quán)法，目前對(duì)其研究還不是很完善，偶爾會(huì)發(fā)生與指標(biāo)的實(shí)際重要程度嚴(yán)重偏離的情況，主要算法原理是用數(shù)學(xué)方法計(jì)算原始數(shù)據(jù)之間的關(guān)系得出權(quán)重值，目前應(yīng)用較多的有均方差法、主成分分析法等；主觀賦權(quán)法，這一方法客觀性不強(qiáng)，需要相關(guān)知識(shí)領(lǐng)域?qū)＜腋鶕?jù)自有經(jīng)驗(yàn)判斷原始數(shù)據(jù)并賦予合適的權(quán)值，如AHP法、古林法等；綜合以上兩種算法優(yōu)缺點(diǎn)，學(xué)界內(nèi)新提出了一類算法組合賦權(quán)法，其又分為線性加權(quán)組合方法和乘法合成的歸一化方法兩類。

對(duì)于本文根據(jù)專家經(jīng)驗(yàn)以及用戶使用情況，表5給出了各個(gè)屬性特征的初始權(quán)值。然而在實(shí)際的使用過程中，用戶輸入的屬性特征可能只是上述7個(gè)屬性特征中的一部分，只對(duì)用戶輸入的屬性特征進(jìn)行匹配，而忽略沒有輸入的屬性特征。同時(shí)用戶也可以根據(jù)自己的情況自行調(diào)整各個(gè)屬性特征的權(quán)值。

表5 屬性特征值的權(quán)值

本系統(tǒng)的推理流程如圖2所示。

首先用戶根據(jù)具體情況輸入要查詢案例的屬性特征，輸入的時(shí)候可以根據(jù)需要調(diào)整各個(gè)屬性特征的默認(rèn)權(quán)值。然后推理機(jī)根據(jù)用戶輸入的屬性特征在案例庫中進(jìn)行相似度匹配。這里系統(tǒng)會(huì)有一個(gè)默認(rèn)的匹配度的閾值，用戶也可以更改。凡是匹配度大于這個(gè)閾值的案例均會(huì)匹配成功。如果沒有匹配上的案例，則可以返回重新輸入案例的屬性特征。如果存在匹配的案例，用戶則可以查看這些案例的詳細(xì)信息。當(dāng)用戶沒有找到匹配的案例或者有匹配的案例但是案例的內(nèi)容不能滿足用戶的需求的時(shí)候，用戶可以根據(jù)自身的情況添加新的案例。

具體的算法描述如下：步驟一，用戶輸入屬性特征，根據(jù)需要調(diào)整各個(gè)屬性特征的權(quán)值以及匹配閾值。步驟二，系統(tǒng)進(jìn)行相似度匹配，如果不存在匹配的案例并且希望重新輸入屬性特征則轉(zhuǎn)步驟一；如果不存在匹配的案例并且希望添加新案例則轉(zhuǎn)步驟四。步驟三，按照相似度從高到低將匹配成功的案例顯示給用戶。如果用戶對(duì)這些案例提供的情況滿意，則轉(zhuǎn)步驟五；如果不滿意，想要添加新案例，則轉(zhuǎn)步驟四。步驟四，添加新案例。步驟五，結(jié)束。

圖2 推理流程圖

3 基于CBR技術(shù)信息運(yùn)維典型經(jīng)驗(yàn)查詢系統(tǒng)的應(yīng)用

下面將給出使用本系統(tǒng)進(jìn)行電力信息運(yùn)維案例推理的具體例子。問題案例描述如下：信息運(yùn)維人員接到報(bào)告反映某變電站遠(yuǎn)程抄表客戶端（采集器）網(wǎng)絡(luò)不通，現(xiàn)場(chǎng)查看后網(wǎng)絡(luò)設(shè)備運(yùn)行正常，網(wǎng)絡(luò)設(shè)備與采集器之間的網(wǎng)絡(luò)連接正常。之前已處理過類似案例并已在案例庫內(nèi)儲(chǔ)存，此次需要做的是檢索相應(yīng)案例進(jìn)行問題解決。在案例庫內(nèi)儲(chǔ)存的相關(guān)案例知識(shí)表如表6所示。

表6 案例知識(shí)表

經(jīng)過查詢，發(fā)現(xiàn)滿足此特征的案例共有三項(xiàng)，如圖3所示。

圖3 案例查詢后結(jié)果反饋

由于此故障案例主要針對(duì)的是變電站遠(yuǎn)程抄表客戶端網(wǎng)絡(luò)不通，這時(shí)我們可進(jìn)一步通過匹配關(guān)鍵字進(jìn)行有針對(duì)性的查詢，最終檢索到一個(gè)解答案例.

4 結(jié)束語

電力信息運(yùn)維典型經(jīng)驗(yàn)查詢系統(tǒng)在利用CBR這一技術(shù)后，不管是信息運(yùn)維技術(shù)人員還是普通員工在遇到日常無法解決的故障后，需要的僅僅是在系統(tǒng)內(nèi)輸入幾個(gè)查詢的關(guān)鍵詞即可調(diào)閱出類似的相關(guān)運(yùn)維經(jīng)驗(yàn)，處理相關(guān)問題，其實(shí)這些功能更類似利用互聯(lián)網(wǎng)的搜索引擎搜索自己所需的相關(guān)資源，通過不斷地嘗試所匹配的案例來解決問題，直到找到最合適的唯一案例或是幾個(gè)案例結(jié)合使用為止，彌補(bǔ)了基于規(guī)則匹配的專家系統(tǒng)模糊查詢功能不足的缺陷。

[1]孔艷,劉成新.利用基于案例的推理來支持學(xué)習(xí)[J].中國現(xiàn)代教育裝備，2005(11):95-98.

[2]郭艷紅,鄧貴仕.基于事例的推理研究綜述[J].計(jì)算機(jī)工程與應(yīng)用,2004(2).

[3]毛鵬,許揚(yáng),蔣平.輸電網(wǎng)故障診斷研究綜述及發(fā)展[J].電力系統(tǒng)保護(hù)與控制,2005,33(22):79-86.

[4]郭創(chuàng)新,朱傳柏,曹一家,等.電力系統(tǒng)故障診斷的研究現(xiàn)狀與發(fā)展趨勢(shì)明[J].電力系統(tǒng)自動(dòng)化,2004,28(1):34-37.

[5]畢天姝,倪以信,楊奇遜.人工智能技術(shù)在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用述評(píng)[J].電力系統(tǒng)自動(dòng)化,2000,24(25):11-16.

[6]陳玉林,陳允平,孫金莉等.電網(wǎng)故障診斷方法綜述[J].中國電力,2006，39(5):27-31.

[7]曾素瓊.人工智能及其在輸配電網(wǎng)絡(luò)故障診的應(yīng)用[J].海南大學(xué)學(xué)報(bào)自然科學(xué)版,2006,24(2):188-193.

[8]廖志偉,孫雅明,葉青華.人工智能技術(shù)在電力系統(tǒng)故障診斷中應(yīng)用[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2003,15(6):71-78.

[9]嚴(yán)悅,哈進(jìn)兵.利用ART神經(jīng)網(wǎng)絡(luò)優(yōu)化相似案例匹配方法 [J].信息系統(tǒng)工程,2012,(3):70-74.

[10]趙曉軍,田富強(qiáng),胡和平.流域水量調(diào)度專家系統(tǒng)的應(yīng)用研究[J].水力發(fā)電,2005,21(9):70-74.