电力调度智能操作的知识模型和实现技术

朱思婷，管霖，徐尧燚，宋晓维，张卫华，黎翔

（1.华南理工大学电力学院， 广州 510641；2.华为技术有限公司， 广东 深圳 518000；3.广东电网有限责任公司广州供电局电力调度控制中心（系统运行部）， 广州 510620）

0 引言

在电网实际运行中，调度员通过调度手册、接线图和运行监测数据来获取调度领域知识，并在运行方式和继保专业人员出具的检修计划指导下，完成计划停送电的安全校核和倒闸操作执行工作［1-3］。随着自动化系统的发展，调度员可以人工修改部分设备状态，通过调度员潮流软件，计算区域电网目标状态下的潮流分布，完成负荷校核任务［4-5］。在执行操作环节，现有生产环境中的操作票系统引入网络重构、间隔规则推理等技术［6-8］，可根据人工输入的操作任务或设备目标状态编制操作票。对于涉及多厂站的复杂运行方式转换，则需要调度员手动修改或填写。一些管理较先进的电网已开发了程序化操作软件，可对具备开关-刀闸遥控能力的厂站按操作票进行五防校核和自动执行［9］。尽管如此，在整个停送电的分析和执行过程仍依赖调度员分别调用不同的辅助系统支持［10-14］。这些系统或多或少存储了一部分调度和操作的相关知识但远不完整，因此只能起到辅助作用，应用中很大程度上依靠调度员串联不同的任务和系统，起到理解、转换、决策和查缺补漏等枢纽作用。要想进一步提高调度操作的智能化水平，实现全过程自动化，瓶颈在于智能系统内部需要构建更为完整和全面的电网调度知识模型，并能有效地组织和运用这些不同层面的知识完成复杂的组合业务。

在具体知识模型的设计方面，文献［15］基于设备的连接关系提出了操作对象原子的概念，并以其为核心建立了电网操作认知模型。文献［16］在上述认知模型的基础上，加入了设备状态，并将网络分析引入专家系统中，进一步延伸了通用认知模型的范畴，加强了规则表达能力。随着电网公共信息模型（CIM）在电网企业中的大规模推广，文献［17］和文献［14］均从CIM模型出发，根据间隔和调度任务检索典型操作票模板，而后翻译为实际操作票。由于缺乏对典型票模板中操作任务的具体建模和解析，这样形成的操作票无法在软件内部自动转化为实际电网拓扑变位序列，难以扩展安全校核等功能。此外，以间隔为单位进行一次设备建模也难以实现跨站操作和二次设备操作的自动生成。

文献［15-18］都对电力调度领域知识模型的构造进行了有益的探索。但是距离实现复杂业务过程智能化的目标仍有加大差距。现有电网数据模型大多侧重于设备的细节描述，颗粒度较小。而调度人员进行分析和决策时往往从更加宏观的接线模式、转供电操作类型及其影响等层面进行思考和描述。这就需要丰富和完善智能系统中的操作对象本体模型及其属性和关系，还需要构建更加完整的因果和序贯决策知识系统来限定设备操作之间的逻辑和时序约束。

知识工程是一门将知识集成到计算机系统中以开发复杂问题解决方案的学科［19-20］。本文结合知识工程模型和电网调度领域知识构成，设计了一套具备扩展性且相对完整的电网智能操作知识模型（intelligent operation knowledge model， IOKM）。

本文的主要贡献如下。

1）综合应用本体模型和一阶谓词规则两种知识表达方式，充实了调度层面更加宏观的描述设备、拓扑和调度任务的相关概念和分类，完善了知识本体。

2）改进了描述复杂操作序列及其因果链的一阶谓词规则表达和组织方式。

3）提出了事实库的动态构建方法和规则库的分层设计方案，实现以本体为对象描述的规则到检修任务实例的映射和高效搜索。

4）通过实际调度任务中的闭环应用证明了这套知识模型的有效性。

1 IOKM的总体架构

知识模型［19］是在计算机中对系统和设备功能、行为、结构和参数等信息的描述和存储方式，其功能是将知识进行形式化和结构化的抽象。将电力调度操作领域的知识进行梳理和统一表示，对数据进行集成和融合是对电力调度操作领域知识进一步运用的基础。

一方面，现有的电力调度操作领域的数据存在于多个辅助决策系统中，系统之间的数据并不互通，尚未有统一的数据表示架构。另一方面，在大型知识库中，推理会遇到时间和内存消耗的性能问题。电力调度中存在复杂的分析和决策过程，能否对知识进行有效组织和表示，是影响知识的使用和推理效率的重要因素。

本体是对领域实体存在本质的抽象，强调实体间的关联，用显式描述和规范来定义特定领域内知识概念之间的实体、属性和关系，这些描述和规范呈现了人和机器都能理解的可交互操作格式，因此它可以用于构建基于知识的系统［20］。与其他知识表示方法不同的是，本体表达了概念的定义、概念之间的关系，解决了知识共享和使用中的问题，在知识表示领域得到了广泛的运用。

基于本体进行知识表示，能够通过定义好的本体模型实现异源异构数据的结构、语义、语法的统一组织。基于本体思想，本文提出了一种如图1所示的知识模型。

图1 智能操作知识模型的总体架构Fig.1 The overall architecture of IOKM

电网智能操作知识模型IOKM分为3层，分别为元素知识层、拓展的本体知识层和推理知识层。元素知识层存储着异源异构的未经处理的粗知识，包括以文本、XML等形式存在的实时量测数据、拓扑信息、检修计划单、调度规程等。这些数据描述的实际对象一致，如检修计划单中的检修设备存在实时量测数据、拓扑连接关系等，同时也有针对此类设备检修的相应调度规程，但是没有统一的架构进行规约，在同一个领域内产生了描述相同本体的异构数据，无法建立联系。这些粗知识是构建扩展的本体知识层的基础。拓展的本体知识层将元素知识层的粗知识进行整理和结构化的抽象，将描述相同本体的数据映射在一起从而实现本体映射。电网调度是一个知识密集型任务，各类调度和操作规程规范构成调度操作的决策依据。以计算机可以理解和利用的方式有效地组织和表达这些知识是电网调度操作智能化的核心，也是本文研究的重点。最后一层推理知识层将本体知识转化为规则推理需要的事实库，完成知识推理。

2 IOKM拓展的本体知识层的设计

IOKM拓展的本体知识层包括调度任务类本体、检修计划本体和拓扑类本体。

2.1 调度任务类本体设计

以CIM为代表的传统电网数据模型，侧重于设备的细节描述，粒度较小。面对设备检修任务，调度员的思考方式是从整体到细节逐步展开：先按设备状态变更要求和接线类型确定转供环节，再细化到具体设备的操作时序。为此，通过拓展目前以设备为对象的电网描述模型，建立了形式化、明确化、通用化的调度任务概念，并扩展了本体模型对调度任务进行描述。

本文结合调度术语，从调度操作任务的描述出发，按一次网架和运行方式调整、二次设备运行调整梳理了调度任务的层级化分类，如图2所示。以运行方式调整为例，包括倒母线操作、旁母串供、设备运行状态转换变更等10余项子任务。部分子任务进一步细分，如设备运行状态转换包括转检修、转热备用、转冷备用等不同的要求。

图2 调度任务分类示意图Fig.2 Schematic diagram of dispatching task classification

调度任务类本体包含概念、属性、关系等元素。以“分母串供”为例，其属性包括与分母串供操作相关的一系列操作对象，如：负责串供的＜分列母线＞、被串供的＜负荷线路＞、负责串供的＜负荷转入线路＞、串供之后对被串供线路供电的上级变电站＜负荷转入厂站＞以及串供之前对被串供线路供电的上级变电站＜负荷转出厂站＞等。关系描述了两类调度任务本体之间的关系，如对偶关系、因果关系等。

本体侧重于描述通用的概念和关系。在推理运用时需要根据具体任务对象进行实例化。图3展示了一个调度业务的本体实例化结果。

图3对应的调度任务用自然语言描述为：“堂河站经110 kV清堂线串供110 kV清风线，清月站采用分母串供方式，清月站110 kV 1M母线分列运行，其余母线保持并列。方式变更后，原清月站110 kV清风线负荷转由堂河站供电，110 kV清堂线堂河站侧开关保护范围改变，需调整零序过流二段定值为0.7 A”。

图3 调度任务本体的实例Fig.3 An example of dispatching task ontology

上述要求对应于知识系统中的两个调度任务本体“分母串供”和“保护定值更改”，且两者之间具备因果关系。在这个具体任务中，两个调度任务的属性均被实例化。显然本体模型和属性包含了调度任务所有的关键信息。将其实例化后放入事实库，经第3节的推理知识层进一步推理细化到具体调度指令和操作序列。

2.2 检修计划类本体的设计

检修计划单（power outage plan， POP）是检修任务的起点，一则POP内容如图4所示。

图4 一则POP示例Fig.4 A sample of power outage plan

POP包含申请编号、检修设备等结构化数据，以及方式意见、保护意见等非结构化数据。为了结构化表达POP中包含的重要信息，IOKM模型在本体知识层构建了检修计划类本体，如图5所示。检修计划类本体包括检修计划单本体、方式变更任务本体、保护变更任务本体。

图5 POP本体模型Fig.5 POP ontology model

其中检修计划单本体中包含检修设备、计划停复电时间等属性。方式变更任务、保护变更任务分别对应于方式变更意见和保护变更意见。方式/保护变更任务以调度任务为核心，依靠调度时段、执行情况给出了调度任务时段的执行时间和方式，如图6所示。

图6 方式/保护变更任务本体结构Fig.6 Changing opinion ontology structure

我们将调度操作的不同时段划分为停电前至复电后的5个阶段，在POP本体模型中将调度任务与检修设备、检修时间关联起来，一方面构建了检修设备与调度任务之间的因果关系，丰富了智能操作推理的事实库。另一方面给出了调度任务与检修时间的映射关系，为后续进行安全校核提供信息。

采用自然语言理解技术（natural language understanding，NLU）［21］，可以将 POP 中的方式意见和保护意见可以转化为多个调度任务本体。

2.3 拓扑类本体的设计和构建

目前电力企业用CIM描述了所有生产相关的主要对象，特别是电力系统中的一次设备。然而在电力调度任务领域中，CIM缺乏从宏观层面对接线方式的描述，如单母分段接线、旁路开关组等，难以与调度员的思考方式和规则直接对接。本文给出了扩展化拓扑类本体的设计思路。

参考调度员的认知层级，本体知识层中的拓扑类本体包括3个层级，分别为厂站-线路拓扑层级、站内拓扑层级、开关组层级。图7是以某220 kV变电站的三级拓扑模型示意图，自下而上分别是描述电网结构的厂站-线路拓扑层、描述站内220 kV/110 kV/10 kV等电压等级主接线的站内拓扑级，以及描述每个间隔中断路器、隔离开关、二次设备及其连接关系细节的开关组层级。

图7 220 kV片网的拓扑模型示意图Fig.7 Schematic diagram of the topology ontology model of 220 kV slice network

一个本体可以根据不同的应用场景，形式化定义为不同类型的元组，如六元组［22］和包含关系、属性和概念的三元组类型［20］。考虑到调度领域拓扑概念通常以连接关系或特定属性定义，本文将拓扑类本体设计为包含概念、关系和属性的三元组。

对于一次设备本体，所有类型的本体均有的属性定义为共有属性，以表现它们作为一次设备的共性，如图8所示。

图8 一次设备类本体的共有属性和共有关系Fig.8 Common attributes and common relationships of primary device class ontology

在传统的CIM架构下，仅对将设备根据定义进行分类，并未考虑相同类型在不同电网不同位置作用上的不同。如开关可根据与其他设备的相对位置分为线路开关、变高开关，根据潮流方向可分为负荷开关和电源开关。而调度操作中对于设备的定位往往基于设备的功能而不是设备的基础定义，对设备进行宽泛的分类难以适应检修任务的推理需求。

基于上述分析，除了调度称谓、编号、限值、电压等级等CIM模型中已有属性外，IOKM拓扑类本体加入了调度分类属性用以区分同种设备之间功能、相对位置上的差异，从而简化知识的表达。拓扑类本体调度分类如表1所示。同一设备可以有多个维度的调度分类，以适应调度对设备分类的多维视角。

表1 拓扑类本体的调度分类Tab.1 Dispatching classification of topology class ontology

CIM模型中仅给出了通用化的设备间电气连接关系，对于调度领域运用而言，这种通用化的设计使得信息过于冗余，使得运用时需要基于复杂的逻辑判断才能定位特定的设备。本文将需要结合逻辑判断才能从关系中提取的知识定义为设备本体的特有属性，如表2所示。

表2 一次设备类本体的特有属性Tab.2 Unique properties of the primary device class ontology

如母线的接线方式属性能够直接给出当前母线所属母线组的接线方式，不需要在运用拓扑类知识时再结合母线、开关、刀闸等多种设备进行联合判断。这种定义方式将CIM中包含的通用知识特化为更加贴合调度任务需求的领域知识，简化知识表达，提升知识的运用效率。二次设备的属性包括保护类型、保护定值、自投策略、调度分类等，二次设备特有的附属关系将一次、二次设备本体连接起来。厂站本体定义方式与一次设备类似，如图9所示。其中厂站设备特有的组合关系给出了设备和厂站之间的所属关系，接线方式给出了各电压等级母线的接线方式。

图9 厂站类本体结构Fig.9 Station class ontology structure

由于本体模型本身可以自由扩充，当系统中出现新设备或新接线方式时，只需要定义新本体的概念、关系和属性即可将其融入原有的知识表达体系。

3 推理知识层设计

本文中的智能操作定义为闭环完成一次检修任务。检修任务的最终目标是将检修设备转至目标状态。一个检修任务可能被划分为多个操作任务，涉及多个厂站的协同操作，对应多张操作票。调度任务是对操作任务的进一步细化。调度任务以任务为描述对象，没有显式给出具体设备的操作顺序和操作方式。因此还需要将调度任务转化为由时序约束的调度指令。顺序执行调度指令组成的操作票，即能完成一次智能操作过程。

调度任务类本体、拓扑类本体和检修计划类本体已经囊括了完成智能操作所需的所有信息。但是还需要在此基础上构建更加完整的因果和序贯决策知识系统来限定设备操作之间的逻辑和时序约束。电力调度领域的因果和序贯决策有明确而复杂逻辑约束，本文采用基于确定性规则的专家系统［19］实现智能操作。一阶谓词逻辑是一种围绕对象和关系建立的语言，擅长处理对象及对象间关系。为了实现因果、顺承关系的表达，本文选用一阶谓词逻辑作为规则的构造基础。专家系统的核心包括事实库、规则库以及推理机3个部分。推理机采用python下的NLTK工具包提供的推理算法。它可以解析按语法规则表述的知识，将事实与规则前提逐级匹配，实现一阶谓词逻辑判断。下面重点介绍事实库构建和规则库的设计。

3.1 事实库的圈定与构建

由于规则采用一阶谓词逻辑表达，与之相对应的，事实库也应由谓词形式的事实构成。事实库的构建主要包括圈定拓扑范围和本体转化两个环节。推理机推理速度与事实库的大小强相关，在实现机制中，为了缩小搜索范围，我们使用动态构造的方式形成小事实库，从而提高匹配效率。根据POP圈定拓扑范围流程如图10所示。首先提取POP中的相关设备形成设备本体集，而后根据组合关系查找其所属厂站本体，最后依据线路、厂站本体，在厂站-线路拓扑中提取出所需拓扑。

图10 事实库构造范围的圈定Fig.10 Delimitation of the fact base structure scope

本体转化是将缩小后的拓扑类本体和调度任务类本体、POP类本体的属性和关系信息转化为谓词结构，如“厂站（清风站）”表示清风站为厂站、“间接连接（清风站，清西线）”表示清风站与清西线之间存在间接连接关系。设备的调度称谓转化为括号内的实体，而其余属性和关系转化为谓词名，如“检修设备（110 kV牛洲甲线）”表示检修设备是110 kV牛洲甲线。

3.2 规则库的层次化和优先级设计

由于检修任务、操作任务、调度任务、调度指令之间存在层次关系，规则库也采用层次化设计。规则库分为操作任务规则库和调度指令规则库。操作任务规则库结合检修任务和调度任务，推理得到操作任务以及之间的执行顺序。

图11展示了操作任务规则库的结构。操作任务规则库的规则成功匹配后的输出包括交互语句模板等，优先级用于推理执行顺序，例如由于检修时需要保证无失负荷情况，因此线路负荷切除、旁母串供等站外转供操作均比220 kV主变停电操作优先级高。

图11 操作任务规则库结构Fig.11 Rule base structure of operation task

操作任务规则库结论更新事实库后，将进入调度指令规则库相应分支。调度指令规则库需要生成设备操作层面的调度指令、对调度指令进行排序以及实现调度指令正确性的自检。图12为110 kV线路停电检修任务对应的调度指令规则库结构示意图。

图12 以110 kV线路停电检修为例的调度指令规则库Fig.12 Operation order rule base for 110 kV line power outage

在调度业务中，系统与人的交互极为重要。为了使得调度指令规则库的各个推理节点都能被人理解，IOKM的规则库依据调度员的思考方式，采用层次化设计。规则库分为3层，调度任务层规则实现对调度任务类事实匹配和筛选。拓扑状态层规则在调度任务层结论的基础上，实现对拓扑类本体转化的拓扑状态类事实的匹配和判断。调度指令层将调度任务映射到具体的设备，对应的优先级将决定操作顺序的推理，最终将得到带有执行顺序的调度指令。

规则库的精简性、强解释性、拓展性是设计目标。下面本文将从这几个维度出发具体介绍调度指令规则库的设计。

1）精简性：精简性体现在操作顺序的生成机制和分层设计上。

传统的产生式规则通过循环推理的方式进行推理。若要在循环推理的架构下实现操作顺序的正确推理，则需要在编写规则时通过加入谓词限制规则的执行顺序。这使得规则的通用性下降、维护难度提升。而本文所用的优先级对操作指令层实例化的结论进行排序，从而大大降低了规则的体量。

此外，调度领域的规则具有精细化的特点：细微的拓扑状态、调度任务的改变，都将影响最终的调度指令。若使用谓词和逻辑符号在规则条件中描述这种区别，将使得规则之间相似性增大，易造成规则库冗余和推理速率下降。本文参考决策树的思想，将规则库层次化、分级化，使用规则之间的上下级关系代替谓词描述，使得规则库更为精简。

2）强解释性：强解释性体现在分层交互语句输出和优先级的构建机制上。

调度指令规则库依据调度员的思维方式分为调度任务层、拓扑状态层和调度指令层。当任意一条规则被触发匹配时，都将同时展示当前规则对应交互语句，提示用户目前正在执行的逻辑，当完成第三层的推理后，将输出操作票形式的执行方案，相较于间隔化、模板化的操作票自动生成系统，解释性更强。

在优先级的构建机制上，本文采用了四位优先级的设计：第一位优先级对应调度任务，第二位对应拓扑状态层，在110 kV线路停电检修任务中能够给出不同线路负荷转出措施的操作顺序。第三位、第四位对应调度命令层，第三位优先级给出了不同操作的调度命令之间的操作顺序。第四位优先级给出了同操作的调度命令之间的操作顺序。这种设计可以简单直观地展示操作顺序生成的逻辑。优先级由调度员人工输入和管理。

3）拓展性：通过前述介绍的调度领域知识的全域构建、规则库的基础设计，IOKM已可以实现全流程自动生成操作票的功能。一个良好的知识模型应该是面向多任务建模的。智能操作功能围绕着操作票的编写、审核和执行，而其中需要设计复杂规则的部分仅为操作内容的推理和操作顺序的选择上，已知操作内容的情况下，可以进一步调用通用性的函数对推理得到的操作内容进行分析和表达。如在调度指令层生成一条调度指令后，可以调用函数结合拓扑类本体和事实库中的设备状态进行操作五防校核。在特定规则被触发匹配后，可以调用潮流计算函数，结合次日负荷预测数据，对当前推理空间下的虚拟电网进行负荷校核。负荷校核和五防校核的嵌入实际上实现了调度指令正确性的自检。此外针对其他智能操作系统操作票生成和实际执行分离的现状，IOKM可以在生成与调度员进行交互的书面操作票同时，在知识本体中查询搜索，得到面向自动发令系统的操作序列。

3.3 规则体的结构设计

规则的整体结构为产生式表达，推理规则的通用表达形式如下，同时表3给出了操作票推理规则的示例。

表3 推理规则示例Tab.3 An example of IOKM rules

ID，Layer

If(Cond)

Then(Conc，St，Optp，Opseq，Chk)

Priority，Parent，Reason

Layer和ID分别表示当前规则所处的层级和层级编号。Cond表示规则条件，由多项子条件构成，子条件Op（Predicate（Vj，…））由谓词Predicate（Vj，…）和逻辑运算符号Op组成。谓词由前述的谓词符号Predicate和变量Vj或常量构成，变量经由推理机后将实例化为实体进行判断和运算。逻辑运算符除与、或、非等简单逻辑外，还能表示存在、蕴含、等价、存在、任意、不存在等较复杂的逻辑。规则结论由结论谓词Conc，交互语句模板Optp，操作序列内容Opseq，变更状态St，校核内容Chk构成，均以F（Vj，…）或其组合的形式存在。当规则被触发后，F（Vj，…）中的变量被实例化为实体。结论谓词和变更状态的F对应为谓词符号名，将作为新事实存入事实库，达到更新当前执行步骤和设备状态的目的。对于交互语句模板Optp，F为标准中文模板，在触发后输出与调度员进行人机交互的语句。校核内容和操作序列内容中的F对应为函数名，能通过调用函数在该规则匹配后完成潮流校核、五防校核、操作序列的生成。Parent表示该规则的上级规则编号。3.2节中层次化规则库示意图中每一个框图均代表着一条规则。框图之间的连线代表规则之间确定的因果或顺承关系。推理机根据已触发匹配上层规则的ID字段寻找Parent字段对应的下层规则读取，以此实现规则库中规则的顺序触发。Priority表示规则优先级，Reason是规则的解释内容。

4 IOKM应用举例

基于以上知识模型，本文已开发了一套城市电网电力调度人工智能系统，并于某城市电网调度中心进行试点应用。下面给出了该系统的应用实例，以“110 kV牛洲乙线”停电为例，信息如图13所示。

图13 110 kV牛洲乙线停电检修任务信息Fig.13 Information of 110 kV Niuzhou line B power outage maintenance task

110 kV牛洲乙线为220 kV牛月站的一条110 kV出线，与110 kV牛洲甲线构成双回线路。检修前，牛洲甲乙线同时给奋进站、南风站、沙洲站供电，奋进站、南风站、沙洲站分列运行。检修单中给出检修设备为110 kV牛洲乙线。方式意见文本信息经自然语言理解（NLU）后，可实例化为3项方式变更任务本体，其中调度时段均为“停电前”，执行情况均为“执行操作”，调度任务本体分别为“负荷转线路供”、“母线转并列运行”、“主变低压侧转供”、“设备退出运行”。根据自然语言的分词结果，将调度任务本体中的设备名与实际拓扑中的设备映射起来，经圈定范围后，可得到“110 kV牛洲乙线”停电任务对应的事实库，如图14所示。

图14 110 kV牛洲乙线停电检修任务的事实库Fig.14 Fact base of 110 kV Niuzhou Line B power outage

“停电设备（110 kV牛洲乙线）”事实以及相关拓扑事实进入操作任务规则库后，输出交互语句“110 kV牛洲乙线由运行转检修”，并进入相应调度指令规则库。

将事实库中知识本体元组化后，调用推理机读取规则库，规则触发流程及输出交互语句如图15所示。

图15 110 kV牛洲乙线停电检修任务的规则触发示意图Fig.15 Schematic diagram of the rule trigger 110 kV Niuzhou Line B power outage

“停电设备（110kV牛洲乙线）”事实以及相关拓扑事实进入操作任务规则库后，输出交互语句“110 kV牛洲乙线由运行转检修”，并进入相应调度指令规则库。

调度指令规则库调度任务层根据调度任务类本体解析得到的事实进行匹配和筛选。触发“110 kV线路检修T接主变负荷转供”、“双回线路，其中一回检修经另一回供”、“110 kV检修线路通过所供负荷站调整母线运行方式转负荷”、“110 kV检修线路转热备用”等规则得到相应交互语句。

进一步，拓扑状态层规则在调度任务层结论的基础上，实现对拓扑类本体转化的拓扑状态类事实的匹配和判断。如“牛洲乙线线路开关由热备用转冷备用”规则触发后，需要结合拓扑连接方式和开关状态，判断牛洲乙线上的线路开关包含124开关和123开关，并在此基础上确认其状态不为冷备用。若由于其他转电、检修操作，导致线路开关已为冷备用，则下一层规则不被触发，避免重复操作。同理，“牛洲甲线与牛洲乙线为双回线路，经牛洲甲线供牛洲乙线负荷”规则触发后，出于防误需求，拓扑状态层对应规则需要确认110 kV牛洲甲线处于运行状态。

调度指令层将调度任务映射到具体的设备。已触发“110 kV牛洲乙线T接奋进站1号主变负荷转供”、“奋进站站内有2台主变”规则并实例化后，根据拓扑类事实可规则推理得到奋进站1号主变通过10 kV母联开关连接奋进站2号主变，因此触发奋进站1号主变负荷转2号主变供，输出交互语句“奋进站1号主变转2号主变供”。在事实库中新增模拟状态变更事实“冷备用（奋进站1号主变）”同时调用操作序列生成函数、五防预校核函数，得到面向自动发令系统的开关刀闸操作序列。在此基础上，调用潮流计算函数，校核奋进站全站负荷是否将导致2号主变过载。“110 kV牛洲乙线由运行转检修”任务中负荷校核还包括校核南风站全站负荷是否将导致南风2号主变过载、牛洲甲乙线负荷是否将导致牛洲甲线过载、沙洲站110 kV母线转并列运行后，母线是否正常带电等。负荷校核和五防校核的嵌入对影响停电检修任务正常执行的情况进行了自检，提升了操作准确性。

表7统计了采用优先级和不采用优先级设计分别触发的规则数。可见采用优先级设计后，触发规则的数量下降，说明优先级设计能显著提升推理性能，加快推理速度。

表7 触发规则数量统计Tab.7 Statistics on the number of trigger rules

当调度指令层所有规则均遍历过后，记录被触发的规则优先级。经优先级排序后，得到图15中绿色框中所示合序。组合最后一层规则得到的调度命令、操作任务、合序，可得到表8所示的操作票。

表8 操作票输出票面Tab.8 Dispatching operation ticket output

5 结论

本文对城市电网调度操作涉及的规则和知识进行了深入分析，提出了一种具有扩展性的智能操作知识模型。知识模型综合使用一阶谓词规则和知识本体两种知识表达方式。其中，调度任务本体、拓扑本体和检修计划本体的描述属性和结构均根据操作推理需要进行了扩展。本文提出了面向复杂操作序列及其因果链的一阶谓词逻辑表达方式。为了实现描述本体的规则到设备、检修任务实例的映射和高效搜索，本文提出了动态化的事实库构建方法和规则库分层设计方案，使得推理过程具有强解释性、精简性和拓展性。最后，在实际检修执行的应用中，展示了知识模型构建和闭环运用过程，证明了该模型的有效性。

建立持续学习机制不断扩展和完善知识库是后续研究的重点。任务之一是设计利用自然语言理解等技术从调度人员的手动修改中提取新的规则。任务二是自动学习获得的零散知识和规则如何自动融入核心知识架构，并维持知识体系的自洽性和完备性。这对于知识密集型人工智能系统是更具挑战性的课题。