基于深度学习的水电站工作票存取管控体系构建

张建军

(国能大渡河大岗山发电有限公司，四川 雅安 625400)

0 引言

工作票主要用于记录变电站的设备检修、运行、施工等方面信息，是电气设备检修的关键凭据，具有保障电力安全和电力工作人员安全的作用[1].因此，各个变电站都有电力设备管理人员填写工作票，记录变电站所有电力设备信息[2].电力行业是关系到国家发展和社会正常运行的基础产业和公共事业，一直以来我国十分重视变电站建设，不断提升全国电网规模以满足人们用电需求的增长[3].传统的天然气、煤炭、石油等能源已经难以满足全国变电站供电需求，基于此，相关学者提出使用水资源作为变电站供电能源，通过建立水力发电站(简称水电站)将水的位能和动能转化为动能，满足变电站供电能源需求[4].然而，水电站的电力设备相较传统变电站的电力设备，需要更多配备水工建筑物和水利机械等水电站专用设备，所以，水电站需要管理的电力设备明显多于传统变电站，若此时还采用传统人工填写工作票的方式管理电力设备，新建水电站激增的电力设备会给工作人员添加更多烦琐的工作，也增添了设备管理难度和失误率[5].因此，亟需研究适合水电站工作票的管理方法.

目前国内外已经研究出VIRGO专家系统、EOSES、慧源电子工作票系统、UT-2000、基于图形化的系统、AS-5000、UT-GZP工作票系统、Net 1.08等.然而这些工作票管控系统在管控工作票时，存在存取类别混乱问题，在影响电力设备管控人员管控电力设备效率的同时，还可能造成电力设备工作票填写错误等问题[6].基于此，相关学者在国内外研究成果的基础上，提出如下观点：文献[7]将检修工作票作为研究对象，引入分层有限状态机确定工作票状态，并根据这一状态设计相应的防误管控体系.文献[8]以移动终端为载体，结合NFC、无线传感器等先进技术，为水电站技术人员进行现场操作和状态分析提供智能化手段，实现了水电站运行过程中工作票的实时管理.上述学者研究的工作票管控方法在管控工作票存取时，存在工作票存取准确率低、存取收敛速度慢的问题，为此提出基于深度学习的水电站工作票存取管控体系构建.

1 基于深度学习的水电站工作票存取管控体系构建

1.1 设计水电站工作票编制

水电站工作票在存票之前，需要将取出的工作票按照特定的编制编写工作票，在建立工作票管控体系模型之前，需要先编制工作票关键项规则和推理机制.

1.1.1 水电站工作票编制规则根据水电站工作票在水电站中的主要作用，以及水电站的电气设备类型，设计了如下述内容所示的工作票编制规则：

(1) 确定编制工作票设备类型，如母线、开关、变压器等；

(2) 设计电气设备任务；

(3) 填写电气设备接线形式，如母线的单接线、双接线等；

(4) 制定电气设备子任务，如母线的母联开关转运行、所有开关热备用等；

(5) 选择子任务的子任务，如母线开关中的旁路开关；

(6) 判断电气设备的初始状态和目标状态[9].

上述6步即为工作表填写规则库，只有按照上述6步填写的工作票，才能成功存入工作票管控系统中.

1.1.2 水电站工作票推理机制以此次研究设计的工作票编写规则为依据，制定的工作票推理机制如下：

(1) 接取水电站电气设备检修任务；

(2) 根据水电站检修电气设备制定推理机制.a.判断电气设备是否停电；b.若停电，检查电气设备停电原因；c.查看电气设备是否装接地线，悬挂标识牌.

(3) 根据推理机制，通过电气设备拓扑关系、工作票编写规则库操作推理项；

(4) 完成水电站工作票编写.

当完成工作票编写后，划分工作票类别.

1.2 划分水电站工作票类别

在此次研究设置的工作票编制下，依据工作票记录的水电站电气设备信息类别，如母线、变压器等电气设备类别，短路、断路等电气设备故障类别，划分水电站工作票类别.

由于水电站工作票的功用固定，因此其在使用过程中，会存在高频率的领域性词汇，如停电、短路、断路等，为此，将这些高频率词汇作为工作票领域本体特征.引入N-gram特征模型提取工作票中存在的重复性词语组合，根据N-gram特征模型中N值的大小生成gram.然而，这一领域知识提取过程效率偏低，为了提高工作票领域知识提取效率，使用LZW数据压缩算法，将工作票领域知识转化为一个字符串表，并不断将新发现的领域知识加入字符串中，直至字符串表中不再新增领域知识，停止数据压缩过程.最后，使用多模式匹配算法构建有限状态模式匹配自动机，确定工作票领域知识使用频率[10].

在频率筛选的基础上，计算工作票领域知识的互信息和剩余逆文档频率，挖掘多频率词汇中包含的工作票术语，则有：

(1)

式(1)中：ξ表示短语；a、e共同表示一个词语；ω表示词汇或短语出现频率；H表示互信息；P表示剩余逆文档频率；N表示工作票数量；exp表示取经验值；M表示包含某个短语的工作票数量.

从式(1)中可以看出，H值和P值越大，所选择的工作票词汇属于工作票领域知识的可能性越高[11].

根据式(1)所筛选出的工作票领域本体特征词汇，使用向量空间模型表示工作票领域本体特征，则有：

(2)

式(2)中：υ表示工作票领域本体特征词汇；W表示υ在工作票领域本体特征中的权重；α表示指数因子；κ表示工作票领域本体特征词汇数量；χi表示第i个关键词汇.

依据式(2)计算得到的W(υ)值，采用Euclidean距离计算工作票相似性，有：

(3)

式(3)中：υi和υj分别表示第i个和第j个工作票领域本体特征词汇，且υi≠υj；D表示υi与υj之间的距离[12].从式(3)中可以看出，D(υi,υj)值越小，工作票与工作票之间的相似性越高.

按照上述3个公式计算过程，重复计算工作票之间的距离，并将工作票之间存在相同距离的工作票划分为同一类别，实现工作票分类.

1.3 基于深度学习建立水电站工作票存取管控模型

在式(1)～式(3)划分的水电站工作票类别结果，以深度学习算法结构为依据，建立的水电站工作票存取管控模型，共包括输入层、隐藏层、全连接隐藏层和输出层4层，其在运算的过程中，会依据水电站工作票数量划分不同层次域.在模型输入层中，一次性输入34个工作票样本，进行工作票存取管控；隐藏层和全连接隐藏层神经元个数共设置为69个；输出层神经元个数设置为2个，即依据隐藏层和全连接隐藏层神经元迭代训练结果，得到存入或取出操作状态值.因此，此次研究建立的管控模型属于全连接结构.基于此次研究建立的水电站工作票存取管控模型，设置的模型训练步骤如下.

1.3.1 标准化工作票样本标准化处理水电站工作票，并将工作票本身的数据范围压缩至[-1，+1]之间，则工作票标准化处理公式如下式所示：

(4)

式(4)中：u'表示标准化处理后的工作票；ui表示第i个工作票样本；min(u)表示工作票样本中存在的最小值；max(u)表示工作票样本中存在的最大值.

只有按照式(4)标准化处理后的工作票样本，才能作为模型训练的输入层输入样本，否则会直接影响模型训练输出结果精度.

1.3.2 设定模型激活函数及神经元节点输出值此次研究建立的管控模型以深度学习算法为依据，设定模型激活函数.考虑模型网络节点及输出值数量，激活函数为：

，

(5)

式(5)中，f(u)表示激活函数.

在式(5)所示的激活函数作用下，工作票样本在隐藏层、全连接隐藏层、输出层的神经元节点输出值分别为：

(6)

式(6)中：ζ表示神经元输出值；n=34表示输入层R输入的样本数；Yj表示隐藏层第j个神经元；Ri表示输入层第i个神经元；wRY表示R与Y之间的连接权值；bj表示Yj的偏置；Qk表示全连接隐藏层第k个神经元；bk表示Qk的偏置；Ch表示输出层第h个神经元；wYQ表示Y与Q之间的连接权值；wQC表示Q与C之间的连接权值；bh表示Ch的偏置.

如式(6)所示的各层输出计算方程，其在运算时，会在模型隐藏层和全连接隐藏层传播误差，导致模型最终管控结果弥散，难以达到稳定的状态[13].因此，需要在式(6)的基础上，设定模型训练过程，降低模型各层输出误差.

1.3.3 模型训练此次研究训练模型将单一训练一层，并将上一层的训练结果作为输入[14]，基于此，设定的模型训练过程如下：

(1) 计算预训练连接权值w和偏置向量b，则有：

(7)

式(7)中：∂表示求导符号；f(w,b,u)表示目标函数；γ表示训练误差；l=1,2,3,4表示模型中的任意一层；c表示模型激活值.

(2)采用式(7)计算得到的w和b值初始化模型；

(3)根据式(6)计算样本输出值；

(4)计算样本输出层误差γ：

(8)

式(8)中，∇l表示式(6)计算样本得到的梯度项；ε表示网络阈值.

(5)反向训练模型.将式(8)计算得到的误差逆向传播，作为上一隐藏层神经元梯度项；

(6)重复第5步计算过程，直至完成所有隐藏层误差计算；

(7)更新所有权值矩阵，则有：

(9)

式(9)中：μ表示模型学习速率；d表示模型迭代训练步骤[15].

上述7步训练过程，即完成对水电站工作票存取过程的迭代训练.综合上述内容，将工作票编制及划分的工作票类别作为工作票存取管控前提，以深度学习算法为基础，设计模型训练过程和参数，实现工作票存取管控.

2 管控模型结果评估

选择文献[7]方法和文献[8]方法作为此次实验的对比方法，将水电站工作票作为此次实验研究对象，在TensorFlow深度学习框架中，验证此次研究构建的基于深度学习的水电站工作票存取管控体系.

2.1 水电站工作票数据

此次实验选择的水电站工作票来自某区域的水电站工作票操作系统数据库，共包括66 007个样本、63类标识、形式稳定、用词标准统一、属于实时监测类的系统智能历史工作票数据集和43 337个样本、95类标识、形式自由、存在错误、属于自然语言描述类的用户手工操作生成的历史工作票数据集两种.基于此，此次实验选择的用户手工操作生成的历史工作票数据集管控难度更大.根据此次实验选择的实验数据集，将两个数据集划分为训练数据集样本和测试数据集样本，作为3组管控体系输入数据.

2.2 不同管控体系模型对比

2.2.1 模型管控准确性对比采用此次实验选择的3组管控体系分别管控水电站工作票存取过程，并在管控工作票存取的过程中，检测3组管控体系管控水电票存取结果与水电票实际存取结果是否一致，以此来计算3组管控体系模型在不同迭代次数下管控工作票存取准确性，其得到的管控结果如表1所示.

表1 工作票存取管控准确性对比表(%)

从图1中可以看出，除文献[7]方法外，文献[8]方法和研究管控体系的准确性均随着迭代次数的增加而提高，但是，当迭代次数达到最大时，此次研究的管控体系管控水电站工作票存取准确率相较此次实验选择的两组管控体系分别高6.5%、38.5%、21%、42.11%.由此可见，此次研究的管控体系在管控水电站工作票存取时，具有较高的工作票存取管控准确性.

2.2.2 模型收敛速度对比在准确性实验的基础上，统计3组管控体系管控水电站工作票存取收敛速度，其统计结果如图1所示.

从图1中可以看出，研究方法在训练管控体系模型算法的训练样本数达到2 000时，在训练过程中产生的训练误差函数值就已经完全收敛，而文献[8]方法训练样本数则需要达到4 000，文献[7]方法训练样本数则需要达到8 000.由此可见，此次研究的管控体系具有较快的收敛速度.

2.2.3 模型预设阈值对模型准确性影响将此次实验选择的3组管控体系管控水电站工作票存取模型算法阈值设为[0,1]，在设置阈值之间，随机选取不同大小的阈值数，比较3组管控体系管控不同数据集存取数据准确率，其实验结果如图2所示.

从图2中可以看出，3组管控体系在管控系统智能历史工作票数据集存取时，其预设阈值对工作票存取管控准确率影响不明显，但是对于用户手工操作生成的历史工作票数据集存取管控准确率影响十分明显.但是，研究管控体系管控两个工作票数据集存取的预设阈值为0.8时，管控准确率达到最高，其准确率分别为100%和90%；文献[8]方法管控两个工作票数据集存取的预设阈值为0.8时，管控准确率达到最高，其准确率分别为93.5%和69%；文献[7]方法管控两个工作票数据集存取的预设阈值为0.16时，管控准确率达到最高，其准确率分别为61.5%和47.89%.由此可见，设置合适的预设阈值，就可以得到最优的管控准确率，但是研究管控体系在最优阈值下的管控准确率相较此次实验选择的两组管控体系分别高6.5%、38.5%、21%、42.11%.

综合上述3组实验结果可知，此次研究管控体系只要设置了合适的阈值，其在管控存取票时，就具有较高管控准确率和较快的训练收敛速度.

3 结束语

本文研究充分利用深度学习算法设计水电站工作票存取管控体系模型，提高管控体系管控工作票存取准确率和误差收敛速度.经实验验证，文中研究的管控体系模型的预训练十分重要，可以直接影响管控体系管控操作票存取准确率和误差收敛速度.在今后的研究中，还需深入研究深度学习的预训练步骤，进一步提高工作票存取管控准确性.