張建軍

(國能大渡河大崗山發(fā)電有限公司，四川 雅安 625400)

0 引言

工作票主要用于記錄變電站的設(shè)備檢修、運(yùn)行、施工等方面信息，是電氣設(shè)備檢修的關(guān)鍵憑據(jù)，具有保障電力安全和電力工作人員安全的作用[1].因此，各個變電站都有電力設(shè)備管理人員填寫工作票，記錄變電站所有電力設(shè)備信息[2].電力行業(yè)是關(guān)系到國家發(fā)展和社會正常運(yùn)行的基礎(chǔ)產(chǎn)業(yè)和公共事業(yè)，一直以來我國十分重視變電站建設(shè)，不斷提升全國電網(wǎng)規(guī)模以滿足人們用電需求的增長[3].傳統(tǒng)的天然氣、煤炭、石油等能源已經(jīng)難以滿足全國變電站供電需求，基于此，相關(guān)學(xué)者提出使用水資源作為變電站供電能源，通過建立水力發(fā)電站(簡稱水電站)將水的位能和動能轉(zhuǎn)化為動能，滿足變電站供電能源需求[4].然而，水電站的電力設(shè)備相較傳統(tǒng)變電站的電力設(shè)備，需要更多配備水工建筑物和水利機(jī)械等水電站專用設(shè)備，所以，水電站需要管理的電力設(shè)備明顯多于傳統(tǒng)變電站，若此時還采用傳統(tǒng)人工填寫工作票的方式管理電力設(shè)備，新建水電站激增的電力設(shè)備會給工作人員添加更多煩瑣的工作，也增添了設(shè)備管理難度和失誤率[5].因此，亟需研究適合水電站工作票的管理方法.

目前國內(nèi)外已經(jīng)研究出VIRGO專家系統(tǒng)、EOSES、慧源電子工作票系統(tǒng)、UT-2000、基于圖形化的系統(tǒng)、AS-5000、UT-GZP工作票系統(tǒng)、Net 1.08等.然而這些工作票管控系統(tǒng)在管控工作票時，存在存取類別混亂問題，在影響電力設(shè)備管控人員管控電力設(shè)備效率的同時，還可能造成電力設(shè)備工作票填寫錯誤等問題[6].基于此，相關(guān)學(xué)者在國內(nèi)外研究成果的基礎(chǔ)上，提出如下觀點：文獻(xiàn)[7]將檢修工作票作為研究對象，引入分層有限狀態(tài)機(jī)確定工作票狀態(tài)，并根據(jù)這一狀態(tài)設(shè)計相應(yīng)的防誤管控體系.文獻(xiàn)[8]以移動終端為載體，結(jié)合NFC、無線傳感器等先進(jìn)技術(shù)，為水電站技術(shù)人員進(jìn)行現(xiàn)場操作和狀態(tài)分析提供智能化手段，實現(xiàn)了水電站運(yùn)行過程中工作票的實時管理.上述學(xué)者研究的工作票管控方法在管控工作票存取時，存在工作票存取準(zhǔn)確率低、存取收斂速度慢的問題，為此提出基于深度學(xué)習(xí)的水電站工作票存取管控體系構(gòu)建.

1 基于深度學(xué)習(xí)的水電站工作票存取管控體系構(gòu)建

1.1 設(shè)計水電站工作票編制

水電站工作票在存票之前，需要將取出的工作票按照特定的編制編寫工作票，在建立工作票管控體系模型之前，需要先編制工作票關(guān)鍵項規(guī)則和推理機(jī)制.

1.1.1 水電站工作票編制規(guī)則根據(jù)水電站工作票在水電站中的主要作用，以及水電站的電氣設(shè)備類型，設(shè)計了如下述內(nèi)容所示的工作票編制規(guī)則：

(1) 確定編制工作票設(shè)備類型，如母線、開關(guān)、變壓器等；

(2) 設(shè)計電氣設(shè)備任務(wù)；

(3) 填寫電氣設(shè)備接線形式，如母線的單接線、雙接線等；

(4) 制定電氣設(shè)備子任務(wù)，如母線的母聯(lián)開關(guān)轉(zhuǎn)運(yùn)行、所有開關(guān)熱備用等；

(5) 選擇子任務(wù)的子任務(wù)，如母線開關(guān)中的旁路開關(guān)；

(6) 判斷電氣設(shè)備的初始狀態(tài)和目標(biāo)狀態(tài)[9].

上述6步即為工作表填寫規(guī)則庫，只有按照上述6步填寫的工作票，才能成功存入工作票管控系統(tǒng)中.

1.1.2 水電站工作票推理機(jī)制以此次研究設(shè)計的工作票編寫規(guī)則為依據(jù)，制定的工作票推理機(jī)制如下：

(1) 接取水電站電氣設(shè)備檢修任務(wù)；

(2) 根據(jù)水電站檢修電氣設(shè)備制定推理機(jī)制.a.判斷電氣設(shè)備是否停電；b.若停電，檢查電氣設(shè)備停電原因；c.查看電氣設(shè)備是否裝接地線，懸掛標(biāo)識牌.

(3) 根據(jù)推理機(jī)制，通過電氣設(shè)備拓?fù)潢P(guān)系、工作票編寫規(guī)則庫操作推理項；

(4) 完成水電站工作票編寫.

當(dāng)完成工作票編寫后，劃分工作票類別.

1.2 劃分水電站工作票類別

在此次研究設(shè)置的工作票編制下，依據(jù)工作票記錄的水電站電氣設(shè)備信息類別，如母線、變壓器等電氣設(shè)備類別，短路、斷路等電氣設(shè)備故障類別，劃分水電站工作票類別.

由于水電站工作票的功用固定，因此其在使用過程中，會存在高頻率的領(lǐng)域性詞匯，如停電、短路、斷路等，為此，將這些高頻率詞匯作為工作票領(lǐng)域本體特征.引入N-gram特征模型提取工作票中存在的重復(fù)性詞語組合，根據(jù)N-gram特征模型中N值的大小生成gram.然而，這一領(lǐng)域知識提取過程效率偏低，為了提高工作票領(lǐng)域知識提取效率，使用LZW數(shù)據(jù)壓縮算法，將工作票領(lǐng)域知識轉(zhuǎn)化為一個字符串表，并不斷將新發(fā)現(xiàn)的領(lǐng)域知識加入字符串中，直至字符串表中不再新增領(lǐng)域知識，停止數(shù)據(jù)壓縮過程.最后，使用多模式匹配算法構(gòu)建有限狀態(tài)模式匹配自動機(jī)，確定工作票領(lǐng)域知識使用頻率[10].

在頻率篩選的基礎(chǔ)上，計算工作票領(lǐng)域知識的互信息和剩余逆文檔頻率，挖掘多頻率詞匯中包含的工作票術(shù)語，則有：

(1)

式(1)中：ξ表示短語；a、e共同表示一個詞語；ω表示詞匯或短語出現(xiàn)頻率；H表示互信息；P表示剩余逆文檔頻率；N表示工作票數(shù)量；exp表示取經(jīng)驗值；M表示包含某個短語的工作票數(shù)量.

從式(1)中可以看出，H值和P值越大，所選擇的工作票詞匯屬于工作票領(lǐng)域知識的可能性越高[11].

根據(jù)式(1)所篩選出的工作票領(lǐng)域本體特征詞匯，使用向量空間模型表示工作票領(lǐng)域本體特征，則有：

(2)

式(2)中：υ表示工作票領(lǐng)域本體特征詞匯；W表示υ在工作票領(lǐng)域本體特征中的權(quán)重；α表示指數(shù)因子；κ表示工作票領(lǐng)域本體特征詞匯數(shù)量；χi表示第i個關(guān)鍵詞匯.

依據(jù)式(2)計算得到的W(υ)值，采用Euclidean距離計算工作票相似性，有：

(3)

式(3)中：υi和υj分別表示第i個和第j個工作票領(lǐng)域本體特征詞匯，且υi≠υj；D表示υi與υj之間的距離[12].從式(3)中可以看出，D(υi,υj)值越小，工作票與工作票之間的相似性越高.

按照上述3個公式計算過程，重復(fù)計算工作票之間的距離，并將工作票之間存在相同距離的工作票劃分為同一類別，實現(xiàn)工作票分類.

1.3 基于深度學(xué)習(xí)建立水電站工作票存取管控模型

在式(1)～式(3)劃分的水電站工作票類別結(jié)果，以深度學(xué)習(xí)算法結(jié)構(gòu)為依據(jù)，建立的水電站工作票存取管控模型，共包括輸入層、隱藏層、全連接隱藏層和輸出層4層，其在運(yùn)算的過程中，會依據(jù)水電站工作票數(shù)量劃分不同層次域.在模型輸入層中，一次性輸入34個工作票樣本，進(jìn)行工作票存取管控；隱藏層和全連接隱藏層神經(jīng)元個數(shù)共設(shè)置為69個；輸出層神經(jīng)元個數(shù)設(shè)置為2個，即依據(jù)隱藏層和全連接隱藏層神經(jīng)元迭代訓(xùn)練結(jié)果，得到存入或取出操作狀態(tài)值.因此，此次研究建立的管控模型屬于全連接結(jié)構(gòu).基于此次研究建立的水電站工作票存取管控模型，設(shè)置的模型訓(xùn)練步驟如下.

1.3.1 標(biāo)準(zhǔn)化工作票樣本標(biāo)準(zhǔn)化處理水電站工作票，并將工作票本身的數(shù)據(jù)范圍壓縮至[-1，+1]之間，則工作票標(biāo)準(zhǔn)化處理公式如下式所示：

(4)

式(4)中：u'表示標(biāo)準(zhǔn)化處理后的工作票；ui表示第i個工作票樣本；min(u)表示工作票樣本中存在的最小值；max(u)表示工作票樣本中存在的最大值.

只有按照式(4)標(biāo)準(zhǔn)化處理后的工作票樣本，才能作為模型訓(xùn)練的輸入層輸入樣本，否則會直接影響模型訓(xùn)練輸出結(jié)果精度.

1.3.2 設(shè)定模型激活函數(shù)及神經(jīng)元節(jié)點輸出值此次研究建立的管控模型以深度學(xué)習(xí)算法為依據(jù)，設(shè)定模型激活函數(shù).考慮模型網(wǎng)絡(luò)節(jié)點及輸出值數(shù)量，激活函數(shù)為：

，

(5)

式(5)中，f(u)表示激活函數(shù).

在式(5)所示的激活函數(shù)作用下，工作票樣本在隱藏層、全連接隱藏層、輸出層的神經(jīng)元節(jié)點輸出值分別為：

(6)

式(6)中：ζ表示神經(jīng)元輸出值；n=34表示輸入層R輸入的樣本數(shù)；Yj表示隱藏層第j個神經(jīng)元；Ri表示輸入層第i個神經(jīng)元；wRY表示R與Y之間的連接權(quán)值；bj表示Yj的偏置；Qk表示全連接隱藏層第k個神經(jīng)元；bk表示Qk的偏置；Ch表示輸出層第h個神經(jīng)元；wYQ表示Y與Q之間的連接權(quán)值；wQC表示Q與C之間的連接權(quán)值；bh表示Ch的偏置.

如式(6)所示的各層輸出計算方程，其在運(yùn)算時，會在模型隱藏層和全連接隱藏層傳播誤差，導(dǎo)致模型最終管控結(jié)果彌散，難以達(dá)到穩(wěn)定的狀態(tài)[13].因此，需要在式(6)的基礎(chǔ)上，設(shè)定模型訓(xùn)練過程，降低模型各層輸出誤差.

1.3.3 模型訓(xùn)練此次研究訓(xùn)練模型將單一訓(xùn)練一層，并將上一層的訓(xùn)練結(jié)果作為輸入[14]，基于此，設(shè)定的模型訓(xùn)練過程如下：

(1) 計算預(yù)訓(xùn)練連接權(quán)值w和偏置向量b，則有：

(7)

式(7)中：?表示求導(dǎo)符號；f(w,b,u)表示目標(biāo)函數(shù)；γ表示訓(xùn)練誤差；l=1,2,3,4表示模型中的任意一層；c表示模型激活值.

(2)采用式(7)計算得到的w和b值初始化模型；

(3)根據(jù)式(6)計算樣本輸出值；

(4)計算樣本輸出層誤差γ：

(8)

式(8)中，?l表示式(6)計算樣本得到的梯度項；ε表示網(wǎng)絡(luò)閾值.

(5)反向訓(xùn)練模型.將式(8)計算得到的誤差逆向傳播，作為上一隱藏層神經(jīng)元梯度項；

(6)重復(fù)第5步計算過程，直至完成所有隱藏層誤差計算；

(7)更新所有權(quán)值矩陣，則有：

(9)

式(9)中：μ表示模型學(xué)習(xí)速率；d表示模型迭代訓(xùn)練步驟[15].

上述7步訓(xùn)練過程，即完成對水電站工作票存取過程的迭代訓(xùn)練.綜合上述內(nèi)容，將工作票編制及劃分的工作票類別作為工作票存取管控前提，以深度學(xué)習(xí)算法為基礎(chǔ)，設(shè)計模型訓(xùn)練過程和參數(shù)，實現(xiàn)工作票存取管控.

2 管控模型結(jié)果評估

選擇文獻(xiàn)[7]方法和文獻(xiàn)[8]方法作為此次實驗的對比方法，將水電站工作票作為此次實驗研究對象，在TensorFlow深度學(xué)習(xí)框架中，驗證此次研究構(gòu)建的基于深度學(xué)習(xí)的水電站工作票存取管控體系.

2.1 水電站工作票數(shù)據(jù)

此次實驗選擇的水電站工作票來自某區(qū)域的水電站工作票操作系統(tǒng)數(shù)據(jù)庫，共包括66 007個樣本、63類標(biāo)識、形式穩(wěn)定、用詞標(biāo)準(zhǔn)統(tǒng)一、屬于實時監(jiān)測類的系統(tǒng)智能歷史工作票數(shù)據(jù)集和43 337個樣本、95類標(biāo)識、形式自由、存在錯誤、屬于自然語言描述類的用戶手工操作生成的歷史工作票數(shù)據(jù)集兩種.基于此，此次實驗選擇的用戶手工操作生成的歷史工作票數(shù)據(jù)集管控難度更大.根據(jù)此次實驗選擇的實驗數(shù)據(jù)集，將兩個數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集樣本和測試數(shù)據(jù)集樣本，作為3組管控體系輸入數(shù)據(jù).

2.2 不同管控體系模型對比

2.2.1 模型管控準(zhǔn)確性對比采用此次實驗選擇的3組管控體系分別管控水電站工作票存取過程，并在管控工作票存取的過程中，檢測3組管控體系管控水電票存取結(jié)果與水電票實際存取結(jié)果是否一致，以此來計算3組管控體系模型在不同迭代次數(shù)下管控工作票存取準(zhǔn)確性，其得到的管控結(jié)果如表1所示.

表1 工作票存取管控準(zhǔn)確性對比表(%)

從圖1中可以看出，除文獻(xiàn)[7]方法外，文獻(xiàn)[8]方法和研究管控體系的準(zhǔn)確性均隨著迭代次數(shù)的增加而提高，但是，當(dāng)?shù)螖?shù)達(dá)到最大時，此次研究的管控體系管控水電站工作票存取準(zhǔn)確率相較此次實驗選擇的兩組管控體系分別高6.5%、38.5%、21%、42.11%.由此可見，此次研究的管控體系在管控水電站工作票存取時，具有較高的工作票存取管控準(zhǔn)確性.

2.2.2 模型收斂速度對比在準(zhǔn)確性實驗的基礎(chǔ)上，統(tǒng)計3組管控體系管控水電站工作票存取收斂速度，其統(tǒng)計結(jié)果如圖1所示.

從圖1中可以看出，研究方法在訓(xùn)練管控體系模型算法的訓(xùn)練樣本數(shù)達(dá)到2 000時，在訓(xùn)練過程中產(chǎn)生的訓(xùn)練誤差函數(shù)值就已經(jīng)完全收斂，而文獻(xiàn)[8]方法訓(xùn)練樣本數(shù)則需要達(dá)到4 000，文獻(xiàn)[7]方法訓(xùn)練樣本數(shù)則需要達(dá)到8 000.由此可見，此次研究的管控體系具有較快的收斂速度.

2.2.3 模型預(yù)設(shè)閾值對模型準(zhǔn)確性影響將此次實驗選擇的3組管控體系管控水電站工作票存取模型算法閾值設(shè)為[0,1]，在設(shè)置閾值之間，隨機(jī)選取不同大小的閾值數(shù)，比較3組管控體系管控不同數(shù)據(jù)集存取數(shù)據(jù)準(zhǔn)確率，其實驗結(jié)果如圖2所示.

從圖2中可以看出，3組管控體系在管控系統(tǒng)智能歷史工作票數(shù)據(jù)集存取時，其預(yù)設(shè)閾值對工作票存取管控準(zhǔn)確率影響不明顯，但是對于用戶手工操作生成的歷史工作票數(shù)據(jù)集存取管控準(zhǔn)確率影響十分明顯.但是，研究管控體系管控兩個工作票數(shù)據(jù)集存取的預(yù)設(shè)閾值為0.8時，管控準(zhǔn)確率達(dá)到最高，其準(zhǔn)確率分別為100%和90%；文獻(xiàn)[8]方法管控兩個工作票數(shù)據(jù)集存取的預(yù)設(shè)閾值為0.8時，管控準(zhǔn)確率達(dá)到最高，其準(zhǔn)確率分別為93.5%和69%；文獻(xiàn)[7]方法管控兩個工作票數(shù)據(jù)集存取的預(yù)設(shè)閾值為0.16時，管控準(zhǔn)確率達(dá)到最高，其準(zhǔn)確率分別為61.5%和47.89%.由此可見，設(shè)置合適的預(yù)設(shè)閾值，就可以得到最優(yōu)的管控準(zhǔn)確率，但是研究管控體系在最優(yōu)閾值下的管控準(zhǔn)確率相較此次實驗選擇的兩組管控體系分別高6.5%、38.5%、21%、42.11%.

綜合上述3組實驗結(jié)果可知，此次研究管控體系只要設(shè)置了合適的閾值，其在管控存取票時，就具有較高管控準(zhǔn)確率和較快的訓(xùn)練收斂速度.

3 結(jié)束語

本文研究充分利用深度學(xué)習(xí)算法設(shè)計水電站工作票存取管控體系模型，提高管控體系管控工作票存取準(zhǔn)確率和誤差收斂速度.經(jīng)實驗驗證，文中研究的管控體系模型的預(yù)訓(xùn)練十分重要，可以直接影響管控體系管控操作票存取準(zhǔn)確率和誤差收斂速度.在今后的研究中，還需深入研究深度學(xué)習(xí)的預(yù)訓(xùn)練步驟，進(jìn)一步提高工作票存取管控準(zhǔn)確性.