基于光伏电站的智能运维知识库的研究

王景丹，刘桂莲，孔波，董永超，龚晓伟

(1.国家电网许继集团微电网系统公司，河南许昌461000；2.国家电网许继集团柔性输电系统公司，河南许昌461000)

基于光伏电站的智能运维知识库的研究

王景丹1，刘桂莲1，孔波1，董永超1，龚晓伟2

(1.国家电网许继集团微电网系统公司，河南许昌461000；2.国家电网许继集团柔性输电系统公司，河南许昌461000)

光伏电站存在现场运维人员多而运维效率低的问题，为减少光伏电站人工运维成本，提高运维效率，提出了无人或少人值守的光伏电站智能运维系统，而智能运维功能需要一个符合光伏电站实际运维需求的知识库平台支撑，以专家理论数据、已建光伏电站的历史经验数据和光伏电站设备运行实时监测数据为基础，采用产生式规则表达式与模糊逻辑推理技术研究并构建光伏电站运维知识库模型，通过运维知识库模型实现光伏电站智能运维功能。

光伏电站；知识库；智能运维；模糊推理

随着光伏产业的发展，光伏电站的建设日益增多，光伏电站运维服务应运而生，最初常用的运维方式是人工巡检，但人工成本高、工人技能水平参差不齐，光伏电站运维进入运维成本高而效率提升不明显的尴尬境地，信息系统的建设为运维服务提供了新的发展道路，而信息化、智能化的运维服务要求信息系统数据库具备丰富的光伏电站领域运维知识。

目前，我国针对知识库的研究与应用还处于前期发展阶段，尤其是在近几年发展迅猛的光伏行业，针对光伏电站运维服务的领域知识库研究还较少。本文以公司光伏电站建设项目为依托，研究光伏电站运维服务的运维领域知识库，构建运维知识库模型，实现运维知识库在光伏电站运维服务系统中的应用。

1 知识管理与知识表示

1.1 知识管理

知识管理是对运维服务中有价值的知识进行获取、分类、评审、表示的过程[1]。知识管理为知识库模型的构建提供了基础数据。

其中，知识获取即是挖掘光伏电站运维领域知识，一方面来自领域内专家的理论知识，另一方面来自现场运维服务人员累积的经验知识，随着信息系统的建设与发展，还有一方面知识来自光伏电站监控系统的实时监测数据。

知识聚类是对获取到的知识按照实体概念进行整理、抽取、划分、聚类，同时建立实体单元之间的联系。知识聚类的模型如图1。

图1 知识聚类模型

图1中，统计分析是基础，然后对知识进行分类学习、聚类分析，建立知识集合与知识关联规则。

知识评审即是对知识进行质量评估，确认某条知识是否具有价值，同时检查知识的冗余性、多义性、包含性、相容性与完整性，保证知识库无冗余、无二义。

知识表示是以某种方式存储知识的过程，是知识库建模的关键。知识表示方式有多种，包括一阶谓词逻辑表示法、框架表示法、脚本表示法、产生式规则表示法、面向对象表示法、语义网表示法、本体表示法[2]。它们都有其适用范围，比如脚本表示法适用于实验过程，逻辑表示法适用于研究结论，面向对象表示法适用于具有封装性、继承性、模块性的对象，语义网表示法适用于概念关系，产生式规则表示法能够表示不确定的知识，本体表示法能够解决信息组织、重用和人机交互问题。

1.2 知识表示

本体表示法一般采用三元组(对象，属性，值)或(关系，对象1，对象2)来表示事实，其中对象就是实体变量，是知识库模型中不可再分的知识单元，包括现象、概念、标准、公理和基本的操作关系等[3]。考虑到运维领域知识关联的不确定性，引入置信度，定义为μ，则0<μ<1。本文采用四元组表示方法，即：(对象，属性，值，置信度)或(关系，对象1，对象2，置信度)。例如：

事实“智能汇流箱的最大持续工作电压是1.3Uoc(STC)”，可表示为[Smart junction box，Uc，1.3Uoc(STC)，1]。

其中，第四个参数表示置信度为1。

事实“超过热极限导致IGBT失效”，可表示为(IGBT失效，超过热极限，0.4)。

其中，第四个参数表示由“超过热极限”导致IGBT失效的置信度为0.4，因为发生了超过热极限，可能IGBT模块仍然处于正常运行状态，但IGBT失效的原因之一就是超过热极限。

基于产生式规则的知识表示是目前实现知识表示最基本、最成熟的方法。一般来说，基于产生式规则的知识库就是一个规则库，包含大量的业务知识规则。

产生式规则表示法的基本形式是：IF P Then Q。其中P是产生式的前提条件，即前件，由事实的逻辑组合构成，Q是结论或动作，即产生式的后件，它表示当前件P满足时应当推出的结论或应当执行的动作。举例如下：

R1：

if测控装置通信中断and测控装置液晶面板无显示and运行指示灯不亮

then测控装置失电告警

其中，R1是产生式序号，“测控装置通信中断and测控装置液晶面板无显示and运行指示灯不亮”是前件P，“测控装置失电告警”是后件Q。

产生式规则知识表示具有自然性、模块化、有效性、清晰性。其中，自然性是指直观自然，可推理；模块化是指知识规则与推理机构相对独立，对规则库的维护方便；有效性是指产生式规则既可表示确定性知识，又可表示不确定性知识，既有利于表示启发式知识，又可方便地表示过程性知识，因此可用于不确定性的问题研究；清晰性是指产生式规则由前件与后件构成，格式固定，便于编程实现。

产生式规则表示法中的前件与后件可以用本体表示，使知识表示更灵活，更具有科学性和指导性。

2 模糊逻辑推理机制

知识的组织和推理在不同领域所需求解的问题域不同。在光伏电站信息化系统中，智能运维主要运用的逻辑推理方式有穷举法和模糊推理法。穷举法推理精确度高，能有效排除误遥信的影响，但适应性较差，因为同一光伏设备的型号可能不同，告警信号不可能完全一致，因此，这种推理方法在实际应用中具有一定的局限性；模糊推理法的精确度不如穷举法,偶然会受误遥信的干扰，但适应性很好，引入置信度，在条件没有完全满足的情况下，就可利用模糊函数推理，推理精确度也足以满足实际运行的需要。

2.1 模糊逻辑

经典逻辑坚持所有对象都可以用二元的布尔值(0或1，黑或白，是或否)来表达，但日常问题和语意陈述往往是模糊的，模糊逻辑是处理部分真实概念的布尔逻辑扩展，用真实度替代了布尔真值[4]。

本文所涉及的运维领域的专家经验、运维操作人员历史运维经验、启发性知识等往往缺乏明确的逻辑关系，因此在推理过程中使用了基于定性分析的模糊语言。

历史研究中的推理方法有非精确推理、非单调推理、模糊逻辑、粗糙集推理。其中，模糊逻辑推理是将不确定性的领域知识以模糊子集的表示方法存储在规则知识库中，同时采用模糊近似匹配规则的模糊推理过程，从而实现快速模糊推理。模糊逻辑产生式可表示为：

式中：α1、α2与α3表示各前件对象的权值；βb表示后件对象的置信值；μ表示该条规则的置信值。

2.2 推理机制

推理是指依据一定的原则，自动选择适当的规则从已有的事实出发推出结论的过程。基于模糊逻辑的推理系统包括三个组成部分：一是以特征向量形式表示的实体单元数据库；二是存放模糊产生式规则的规则数据库；三是利用实时获得的故障特征向量与各规则前提条件进行模糊匹配获取故障诊断结果的推理机[5]。推理逻辑结构如图2所示。

图2 推理逻辑结构图

图2中，首先将领域知识进行知识表示，用特征向量进行描述，将待检特征向量作为输入值，然后基于领域知识的产生式规则和模糊逻辑并行推理，进行决策融合，最终得出智能诊断结果。

3 运维知识库模型

3.1 知识库

知识库是通过全面有组织地进行知识管理后形成事实、关联规则和概念的知识集群，是设备运维的理论基础，智能决策的重要依据。知识库的组织结构如图3所示。

图3 知识库组织结构

3.2 模型构建

在一个短时间段内，光伏电站某一厂房内设备连续发生两个及以上告警或事故信号，这些连续发生的信号是一个存在关联的有机整体，称为一个综合事件。这个综合事件必然是由设备的某种异常或事故引起，运用反向推理，即需要根据发生的综合事件推理出该设备究竟发生了何种异常，并给出一个综合判断的解决方案。本文构建的运维知识库模型的体系结构如图4所示。

图4 运维知识库体系结构

图4中，原始数据库用来存放光伏电站应用环境的初始状态和原始推理依据，同时，存放推理过程中动态产生的临时结果和信息，所以原始数据库处于不断更新的状态；规则库是知识库模型中的核心部分，包含了将问题从初始状态转换成目标状态所需要的所有变换规则；推理机由一组程序组成，使用规则库中的规则和数据库中的数据信息进行推理，并对推理进行解释。

图4表明，知识库的自我构建过程也是光伏电站智能运维系统实际运行的过程。通过人机交互界面与原始数据库的数据采集与人工录入，进行知识获取，经过知识管理建立知识库与推理机制，根据告警信息得出告警原因，同时查询知识库，系统自动给出运维决策，即相应告警情况的可参考解决方案，语音提醒相关运维人员采取措施，修复故障，运维人员最终修复故障的措施反馈给系统，继而实现知识库的更新，通过知识库的不断更新与积累，提高了系统智能运维知识推理的正确性和结果的有效性。

4 运维知识库模型的应用

4.1 光伏电站智能运维

光伏电站设备运行监视的模拟量、开关量信息由数据监测系统采集上来以后，大部分是按照时序显示的事件，未作任何的分层或判断处理，如图5所示。当发生事故产生大量时序信息时，变电所值班员很容易眼花缭乱、抓不住重点，影响事故的正确处理，并可能遗漏重要告警信号，延误处理造成事故。

图5 数据监测显示

因此，需要建立智能运维系统，对光伏电站运行信息进行智能化处理，提取故障报警信息，辅助故障判断及处理，处理告警和异常状况，同时弥补运维人员技术水平参差不齐带来的隐患，并可作为运维人员的上岗培训系统。

光伏电站的运维内容一般可分为全站巡检、设备维护、设备故障检修三大类，如图6所示。本文主要针对设备故障检修进行智能运维，实现对设备故障的短期预警、瞬时告警、源头定位、异常现象分析、故障原因判断，并及时提供可参考的解决方案。

图6 运维粗分类

图6表明，随着光伏电站的大规模建设，一次设备与二次设备之间紧密关联，造成运维故障源增多，且故障原因多元化，因此需要构建运维知识库模型，解决故障源多且原因复杂的问题。

4.2 运维知识库模型应用

运维知识库中，一条运维知识单元一般应包括运维或故障现象的描述、运维或故障的设备状态及实时数据、对故障原因的详细分析，以及对应的可行性解决方案。

本文中运维知识库模型将应用于光伏电站智能运维服务系统中，基于知识库的智能运维体系结构如图7所示。

图7 智能运维体系结构

图7中，业务逻辑层为智能运维体系结构的核心，包含了告警信息解析、数据获取、知识管理、模糊逻辑推理等一系列模块。数据层是智能运维系统的基础，从逻辑上划分，包括了原始数据库和采用产生式规则生成的知识库。

以光伏电站某一故障告警推理知识库中的业务规则为例，将业务知识转化为产生式规则，形成运维知识库，如表1所示。

???? !"????????????????? ?????? ???? ?????????????????????????????#$%&????

光伏电站智能运维系统对光伏电站内各设备运行状态进行实时监测，同时分析实时监测数据，如发电量、电压、电流、功率值等，比如当发电量曲线在一周内持续下滑时，系统会自动检索知识库，并返回给用户检索结果，系统自动给出发电量持续下滑的原因是光伏组件长期未清洗，由于光伏组件蒙尘，得到的辐照度降低，直接导致发电效率的降低，系统提供的相应解决方案即是及时清洗组件。

运维知识库通过智能运维系统得以长期有效地被补充、完善，反之，光伏电站智能运维系统通过运维知识库得以实现高效运维、智能诊断。

5 结束语

本文基于目前发展迅速的光伏发电项目需求提出智能运维系统，采用产生式规则生成知识库，利用模糊逻辑技术建立推理机制，并在实际应用中不断更新、完善知识库，实现了智能运维知识库模型的构建。并且，经过现有光伏电站智能运维系统的仿真验证，表明了该运维知识库模型的实时性、科学性与准确性，具有较好的工程实用价值。

[1]吴肖琴，张晓凌.基于运维服务的知识库系统模型的研究[J].电脑与信息技术，2011，19(2)：6-8.

[2]吴钊，项经猛.一种面向对象的模糊知识库模型[J].计算机应用与软件，2005，22(1)：22-23.

[3]HAO C J.Research on knowledge model for ontology-based knowledge base[C]//Business Computing and Global Informatization,2011 International Conference on.Shanghai:Institute of Electrical and Electronics Engineers,2011:397-399.

[4]REN Y C,XING T,CHAI X G,et al.Fuzzy rule representation and knowledge base construction in expert system[C]//Intelligent Systems and Knowledge Engineering(ISKE),2010 International Conference on.Hangzhou:Institute of Electrical and Electronics Engineer,2010:106-110.

[5]薛寒，谢利理，叶留义.基于模糊推理的电机故障诊断专家系统研究[J].计算机测量与控制，2010，18(1)：8-10.

Research on KB of intelligence operation based on PV power station

WANG Jing-dan1,LIU Gui-lian1,KONG Bo1,DONG Yong-chao1,GONG Xiao-wei2
(1.State Grid XJ Group Micro Grid Systems,Xuchang Henan 461000,China;2.State Grid XJ Group Flexible Transmission Systems,Xuchang Henan 461000,China)

The PV power station has prominent problems of superfluous operation staff and inefficient operation.In order to reduce cost of artificial operation of PV power station and improve operational efficiency,an intelligence operation and maintenance system of unattended or less people on duty PV power station was put forward.The intelligence operation function requires the support of knowledge base platform in line with the actual operational need of PV power station.Based on theoretical data of experts,historical and empirical data of constructed PV power station and real-time monitoring data of running PV equipment,operation knowledge base model of PV power station was researched and built by using production rule expressions and fuzzy logic inference techniques.The intelligence operation and maintenance was realized with operation KB model.

PV power station;knowledge base;intelligence operation;fuzzy reasoning

TM 182

A

1002-087 X(2016)08-1669-04

2016-01-22

王景丹(1987—)，女，河南省人，硕士，主要研究方向为光伏系统运行控制和故障运维技术。