竇如婷，石嘉豪，陶秀杰，周育忠

（南方電網(wǎng)科學研究院有限責任公司，廣東 廣州510663）

1 知識結構化業(yè)務邏輯設計

電網(wǎng)運維知識結構化工具可對知識庫進行進一步加工和規(guī)范，知識庫數(shù)據(jù)包括電網(wǎng)生產(chǎn)典型案例庫、重大事故事件、制度庫、報告成果庫、設備管理情報庫、新技術新產(chǎn)品知識庫等，以及外部數(shù)據(jù)知網(wǎng)期刊文獻、互聯(lián)網(wǎng)電力相關數(shù)據(jù)等。該模塊包括多源數(shù)據(jù)融合、模型管理、數(shù)據(jù)預處理和知識簡報，該模塊的主要功能是為給電網(wǎng)知識管理工具中的其他模塊提供服務和支撐，增強知識的可用性和功能的可擴展性。多數(shù)據(jù)融合是對電網(wǎng)電力數(shù)據(jù)中的多種知識進行融合；模型管理為結合電網(wǎng)數(shù)據(jù)的實體識別、關系屬性抽取等建立起多種深度學習模型，可便于進行統(tǒng)一管理；數(shù)據(jù)預處理是對知識數(shù)據(jù)庫數(shù)進行加工與處理，多種應用的要求；知識簡報是利用智能技術形成分析報告，管理層進行決策分析。

2 多數(shù)據(jù)源融合

結合電網(wǎng)運維數(shù)據(jù)信息來源，充分利用云計算及分布存儲工具獲取數(shù)據(jù)，通過建立規(guī)范化的模式將數(shù)據(jù)信息進行結構化、非結構化資源抽取，通過整合、加工、加換、裝載電網(wǎng)數(shù)據(jù)，對多種類型的源據(jù)信息進行全量抽取、實時抽取。兼容多種類型的數(shù)據(jù)源、目標庫，抽取數(shù)據(jù)可用于傳輸，常用的數(shù)據(jù)源、目源庫有OracleMySql、Hbase、GreenPlum、GDS等，可支持EXCEL、FTP、JSON等文件類型，消息處理采用Webservice、Kafka。可對不同類型的數(shù)據(jù)源抽取匯聚進行配置，滿足跨服務器文件型數(shù)據(jù)的安全傳輸，不同的服務接口、數(shù)據(jù)庫等也可以進行數(shù)據(jù)傳輸。

3 模型管理

以電網(wǎng)數(shù)據(jù)源作為基礎的智識規(guī)范化管理，可以為不同用戶需求提供多維度、多渠道的知識服務，包括知識圖譜、模型管理、知識檢索等，也可以向專業(yè)人員提供數(shù)據(jù)挖掘分析、創(chuàng)建專家模型等服務。模塊管理是根據(jù)服務實體、對應關系和數(shù)據(jù)屬性，根據(jù)數(shù)據(jù)抽取模型來實現(xiàn)管理，管理內容主要有電網(wǎng)數(shù)據(jù)屬性標簽、模型識別、對應關系標簽等，該管理模塊可用于結構化構建、檢索發(fā)現(xiàn)新詞，是對知識圖譜的有力支持，加強對實體、對應關系、數(shù)據(jù)屬性標簽的規(guī)范化管理，為知識管理工具中每個模塊功能的實現(xiàn)打下良好基礎，具有很好的后續(xù)擴展功能。

4 數(shù)據(jù)預處理

4.1 數(shù)據(jù)處理原則

處理電網(wǎng)運維知識數(shù)據(jù)信息時應統(tǒng)一決策，處理相同數(shù)據(jù)庫里數(shù)據(jù)時將工作方法、技術指標進行統(tǒng)一管理，這樣才能保證數(shù)據(jù)處理的一致性。還需保證數(shù)據(jù)信息的描述與對應實體的特點相符，保證描述數(shù)據(jù)不存在記錄缺失問題，相同實體的屬性值能否在不同的數(shù)據(jù)處理系統(tǒng)中保持一致，被描述數(shù)據(jù)能否達到用戶特定域值范圍，是否存在著描述數(shù)據(jù)多次記錄的問題。處理數(shù)據(jù)應該具有可用性，從時間性角度來看，需要核實描述的數(shù)據(jù)是否為當前或歷史數(shù)據(jù)，從穩(wěn)定性角度來看，應該保證描述數(shù)據(jù)的穩(wěn)定性是否在有效期內。

4.2 數(shù)據(jù)處理流程

4.2.1 數(shù)據(jù)預處理

將不同維度、不同來源和多種結構的數(shù)據(jù)進行匯集以后，需要對數(shù)據(jù)信息進行預處理，從而對錯誤數(shù)據(jù)信息進行修復與更改，還需要對數(shù)據(jù)進行整理和存儲。數(shù)據(jù)抽取是從數(shù)據(jù)源中獲取數(shù)據(jù)信息的過程，多采用ETL技術，可應用的數(shù)據(jù)抽取工具比較多，需要結合電網(wǎng)運維業(yè)務形成的數(shù)據(jù)特點，選擇最為適宜的抽取工具。從數(shù)據(jù)庫中抽取數(shù)據(jù)信息可采用如下方式：①全量抽取。該種數(shù)據(jù)抽取方式與數(shù)據(jù)鏡像比較相似，可以把表與視圖數(shù)據(jù)從數(shù)據(jù)源內完整提取出來，多用于系統(tǒng)數(shù)據(jù)初始化階段。②增量抽取。在完成全部抽取以后，對數(shù)據(jù)庫內新增加或修改后的數(shù)據(jù)進行抽取。進入數(shù)據(jù)過濾階段，可對電網(wǎng)運維業(yè)務形成的不滿足規(guī)矩要求或無效的數(shù)據(jù)進行過濾處理，保證獲取到的數(shù)據(jù)信息滿足標準要求，而有些數(shù)據(jù)信息存在著格式錯誤、代碼值沖突等問題，需要進行業(yè)務數(shù)據(jù)轉換，才能滿足數(shù)據(jù)加載處理的需要。數(shù)據(jù)加載主要有插入與修改兩種操作，把轉換后的干凈數(shù)據(jù)、臟數(shù)據(jù)都插到數(shù)據(jù)表內，如果數(shù)據(jù)量比較大可創(chuàng)建數(shù)據(jù)庫，對應用文本文件進行存儲，并結合腳本處理程序進行操作。

4.2.2 數(shù)據(jù)清洗

處理缺失值，如果數(shù)據(jù)屬性值為空白，則認定該數(shù)據(jù)存在缺失值，為不完整的數(shù)據(jù)類型，先確定好缺失值范圍，對每個字段進行計算來確定缺失值比例，根據(jù)缺失比與字段重要性來制訂清洗策略。針對重要性較高、缺失率小的數(shù)據(jù)，可結合經(jīng)驗與業(yè)務知識進行評價，也可以通過計算補充缺失值。對于重要指標、缺失率高的數(shù)據(jù)，應該與數(shù)據(jù)采集人員、電網(wǎng)運維人員聯(lián)系，看能否從其他渠道得到準確的數(shù)據(jù)，可以重新進行采集，如果不能得到數(shù)據(jù)則應補充缺失值。而對于指標不重要、缺失率低的數(shù)據(jù)可不做處理，需備位指標重要、缺失率高的數(shù)據(jù)，刪除不需要字段。填補空缺值時可利用如下方法：充分結合電網(wǎng)運維業(yè)務知識、經(jīng)驗來填充缺失值。利用眾數(shù)、均值等來填充缺失值。應用不同指標計算結果填充缺失值。

處理錯誤數(shù)據(jù)時，對于格式內容問題、邏輯問題錯誤，需先分析再制訂處理辦法。數(shù)據(jù)格式內容問題如下：①時間、全半角等格式不一致問題。需要將錯誤數(shù)據(jù)處理為一致的格式，該種數(shù)據(jù)多是由于人工采集或填寫原因導致，在格式及內容方面存在問題，對多種來源數(shù)據(jù)進行整理時也會存在格式錯誤問題。②內容字符問題。采用半自動、半人工方式來發(fā)現(xiàn)存在的問題，刪除沒用的字符。③數(shù)據(jù)內容和字段不符。導致該問題的原因比較多，多是導入數(shù)據(jù)列沒對齊、人工填寫失誤、沒對前端校驗等原因引起的，需要對問題類型進行深入分析。如果存在邏輯問題數(shù)據(jù)，可應用邏輯推理辦法來發(fā)現(xiàn)問題數(shù)據(jù)，避免分析結果出現(xiàn)錯誤。把去重操作設置為格式內容清洗，只有進行內容清理才可以發(fā)現(xiàn)存在重復問題的數(shù)據(jù)。電網(wǎng)運維環(huán)境比較復雜，存在數(shù)據(jù)多次上報等問題，數(shù)據(jù)重復問題比較多見，可通過字段相似度來進行識別。數(shù)據(jù)采集還受技術或物理方面的影響，使數(shù)據(jù)值超過采集范圍，出現(xiàn)離群值。針對離散程度大的數(shù)據(jù)源，可應用箱型圖法，如果利用數(shù)據(jù)分布特征或電網(wǎng)運維業(yè)務來對噪聲數(shù)據(jù)進行識別存在困難，可應用聚類識別方法。有些字段需要進行相互間的驗證，結合字段的數(shù)據(jù)來源情況來識別哪些字段信息比較可靠、哪些字段需要被消除和重構。

處理錯誤關聯(lián)數(shù)據(jù)時，如果電網(wǎng)運維數(shù)據(jù)存在多個來源，則需對數(shù)據(jù)的關聯(lián)性進行驗證。對多個來源的數(shù)據(jù)進行整合存在較大的難度，需要充分考慮數(shù)據(jù)的關聯(lián)性，分析時應該防止數(shù)據(jù)間存在矛盾。處理不一致數(shù)據(jù)時，由于受數(shù)據(jù)完整性要求的限制，可對元數(shù)據(jù)、數(shù)據(jù)字典等進行整理與分析，對數(shù)據(jù)間關系進行全面梳理，對錯誤關聯(lián)數(shù)據(jù)進行修正。很多不一致數(shù)據(jù)多是由于缺少數(shù)據(jù)標準導致的，可應用統(tǒng)計學原理把數(shù)據(jù)屬性作為隨機變量，利用數(shù)據(jù)的置信區(qū)間來判斷。采用聚類方法處理，結合數(shù)據(jù)信息的相似度進行分組處理，可以發(fā)現(xiàn)無法分組的孤立點。應用距離方法，對數(shù)據(jù)對象相似性進行準確度量。采用分類法，可以建立正常數(shù)據(jù)、異常數(shù)據(jù)分類查勘型。按照關聯(lián)規(guī)則的處理方法，需要先定義好數(shù)據(jù)關聯(lián)規(guī)要求，無法達到規(guī)則要求的數(shù)據(jù)則被歸類到異常數(shù)據(jù)。

4.2.3 規(guī)則處理引擎

為保證更好地對電網(wǎng)運維數(shù)據(jù)信息進行處理，需要對每個數(shù)據(jù)項制訂相關聯(lián)的數(shù)據(jù)元標準和處理規(guī)則，可以進行拼接賦值、數(shù)據(jù)轉換和數(shù)據(jù)校驗等。利用機器學習技術，對每個數(shù)據(jù)字段進行識別處理，再采用數(shù)據(jù)自動對標技術，應對數(shù)據(jù)處理不規(guī)范的問題。將數(shù)據(jù)項與標準庫數(shù)據(jù)項進行對應，通過機器學習來進一步降低人工工作強度，結合語立體相近度開展采樣值域測試，確定相似度大的數(shù)據(jù)項作為關聯(lián)數(shù)據(jù)表字段，再按照數(shù)據(jù)特點選取最為合理的數(shù)據(jù)轉換規(guī)則，再以規(guī)則模板形成生成字段的稽核任務。

5 結語

綜上所述，電網(wǎng)運維知識結構化工具可對知識庫進行進一步加工和規(guī)范，以知識庫數(shù)據(jù)作為基礎，通過多數(shù)據(jù)融合、模型管理、數(shù)據(jù)預處理和知識簡報來逐步實現(xiàn)設計，可為電網(wǎng)管理層決策提供數(shù)據(jù)支持。