基于CBR與RBR變壓器檢修策略專家系統(tǒng)設(shè)計

趙小霞，苑津莎，劉 磊，祖文超

(華北電力大學(xué)電子與通信工程系，河北保定 071003)

電力變壓器作為電力系統(tǒng)的樞紐設(shè)備，其運行的可靠性直接關(guān)系到電力系統(tǒng)的安全與穩(wěn)定。目前，我國主要采用停電預(yù)防性試驗和定期維修來保證變壓器的安全運行。定期維修制度則存在“過度維修”或“維修不足”的缺陷，因此，電力變壓器的狀態(tài)檢修方式已成為必然發(fā)展趨勢［1］。目前，關(guān)于變壓器狀態(tài)維修的研究成果主要集中在變壓器運行狀態(tài)的監(jiān)測、故障診斷和狀態(tài)評估等方面，而有關(guān)狀態(tài)維修策略制定方法的研究還處于起步階段。

專家系統(tǒng)內(nèi)部含有大量某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗，能夠利用人類專家的知識和解決問題的方法來處理該領(lǐng)域問題。專家系統(tǒng)應(yīng)用較廣泛的是基于規(guī)則推理(RBR，Rule－Based Reasoning)，這種方法具有表達直觀、形式統(tǒng)一、模塊性強和推理機制簡單等特點，但最大的問題就是推理鏈過于復(fù)雜并且在規(guī)則較多時，易引起組合爆炸。基于案例推理的核心思想是用過去人們解決問題的歷史經(jīng)驗來解決新問題，采用這種方法可以簡化問題推理的過程、提高推理的效率［2］。但案例庫所存的案例都是特殊化的，案例不能把每種情況都能總結(jié)到案例庫中。所以，針對變壓器狀態(tài)量繁多且復(fù)雜，規(guī)則提取困難的情況，結(jié)合案例推理的方法作為狀態(tài)檢修的補充，降低了知識獲取的負擔(dān)，也提高了系統(tǒng)的擴展性。

1 專家系統(tǒng)的框架模型

基于CBR(Case－Based Reasoning)與RBR變壓器檢修策略專家系統(tǒng)的總體框架模型如圖1所示，它由知識庫、推理機、綜合數(shù)據(jù)庫、解釋處理系統(tǒng)和人機交互界面為主要組成部分。

變壓器檢修策略專家系統(tǒng)的主要功能是進行變壓器狀態(tài)量的計算和分析，并在此基礎(chǔ)上進行專家推理，得出專家系統(tǒng)對變壓器檢修策略的分析結(jié)果和措施，達到最優(yōu)設(shè)計。專家系統(tǒng)的知識庫和推理機是核心部分，知識庫用于存儲某領(lǐng)域?qū)＜蚁到y(tǒng)的專門知識，包括事實、可行操作與規(guī)則等，建立知識庫要解決知識獲取和知識表示問題。推理機對知識庫的計算結(jié)果以設(shè)計指標(biāo)為目標(biāo)函數(shù)進行推理和優(yōu)化，是實現(xiàn)專家推理的關(guān)鍵環(huán)節(jié)。綜合數(shù)據(jù)庫用于存儲領(lǐng)域或問題的初始數(shù)據(jù)，輸入、輸出數(shù)據(jù)及中間計算結(jié)果。解釋部分用于對用戶解釋專家系統(tǒng)的計算推理過程和結(jié)果。

圖1 系統(tǒng)的總體框架

2 專家系統(tǒng)知識庫的設(shè)計

2.1 知識的獲取

對電力變壓器運行健康狀況作出全面和準(zhǔn)確的判斷，需總結(jié)反應(yīng)變壓器狀態(tài)特征量作為標(biāo)準(zhǔn)。根據(jù)國家電網(wǎng)公司公布的《油浸式變壓器(電抗器)狀態(tài)檢修導(dǎo)則》等文件中，總結(jié)出變壓器狀態(tài)量和變壓器各狀態(tài)發(fā)生后的檢修措施等。這些狀態(tài)量可以通過電氣試驗、非電氣試驗項目、歷史運行資料、不良運行工況記錄等獲取，并根據(jù)專家經(jīng)驗和文件規(guī)定歸納出狀態(tài)量的注意值。

2.2 知識的表示

專家系統(tǒng)運用知識進行推理和判斷，準(zhǔn)確的知識表示了進行準(zhǔn)確推理判斷的一個重要前提。為表達知識，在系統(tǒng)中采用產(chǎn)生式規(guī)則模型，其規(guī)則的表達形式為:IF(P)THEN(T)，其中P是產(chǎn)生式規(guī)則中的條件;T是指當(dāng)P所指的所有條件被滿足時所得到的結(jié)論。

2.3 知識庫的設(shè)計

變壓器檢修策略專家系統(tǒng)的知識庫，采用通用、功能強的關(guān)系數(shù)據(jù)庫語言——Microsoft SQL Sever建立。基于關(guān)系數(shù)據(jù)庫的知識庫主要采用二維表存儲知識。將數(shù)據(jù)庫和知識庫二者結(jié)合，可以把知識和規(guī)則系統(tǒng)化、規(guī)范化［3］，更利于管理。變壓器檢修策略專家系統(tǒng)的知識庫由事實庫和規(guī)則庫組成。在事實庫中，由事實表來存儲事實性知識;在規(guī)則庫中，由一系列規(guī)則表來存儲啟發(fā)性知識。

2.3.1 事實庫的建立

事實庫主要是存儲事實性知識，其數(shù)據(jù)表包括記錄設(shè)備的出廠值和電壓等級的設(shè)備信息表，還有表達變壓器狀態(tài)的狀態(tài)量事實表。

2.3.2 規(guī)則庫的建立

規(guī)則庫中的數(shù)據(jù)表主要由構(gòu)成規(guī)則所需的各表，分為兩部分:一部分是用于案例推理的規(guī)則表;另一部分是用于規(guī)則推理的規(guī)則表。

用于案例推理的規(guī)則表包括案例表和案例狀態(tài)量權(quán)值表。案例表存儲變壓器的經(jīng)典案例，其中包括案例編號、描述變壓器狀態(tài)的所有狀態(tài)量、還有該案例的維修措施，案例狀態(tài)量權(quán)值表存儲各狀態(tài)量的特征參數(shù)。

用于規(guī)則推理的規(guī)則表包括條件表、結(jié)論表、規(guī)則表。其中條件表存儲規(guī)則的知識，即滿足一定結(jié)論所需的所有變壓器的特征值條件，結(jié)論表則存儲知識的結(jié)論部分，就是變壓器達到某種狀態(tài)的檢修策略。

3 專家系統(tǒng)推理機的設(shè)計

系統(tǒng)采用CBR與RBR串行推理的方式，其推理流程如圖2所示。由于案例的特殊性，變壓器的特征值個數(shù)有限，若能進行檢索匹配可以快速地得出檢修策略，節(jié)省了推理時間，有效利用了歷史經(jīng)驗，提高了系統(tǒng)的效率。而當(dāng)沒有合適與事實庫中的案例匹配時，就采用普通的規(guī)則推理。并將推理產(chǎn)生的且證實準(zhǔn)確的規(guī)則結(jié)論作為該案例的檢修策略結(jié)果，成為新的案例，存到案例知識庫中。

圖2 CBR與RBR串行推理的流程圖

3.1 基于CBR推理的設(shè)計

3.1.1 CBR推理的流程

輸入當(dāng)前變壓器的基本信息，在案例庫中檢索相似案例，若有相似案例則輸出該案例的檢修策略，若無相似案例則轉(zhuǎn)入規(guī)則推理，輸出規(guī)則知識庫的檢修策略，證實檢修策略正確后再將該案例作為新案例加入到案例知識庫中，其流程如圖3所示。

3.1.2 相似度的計算

圖3 CBR流程圖

CBR推理有兩個目標(biāo):檢索出的案例數(shù)量要少;檢索出的案例盡可能與目標(biāo)案例接近。判斷案例是否相似轉(zhuǎn)換成計算兩個案例間的相似性問題。相似性是衡量對象之間相似程度的指標(biāo)，一般通過計算對象在特征空間中的距離獲得。在CBR、模式識別、信息檢索、聚類等研究中，相似性是相對關(guān)鍵的概念［4］。

在專家系統(tǒng)案例檢索方法中有最近鄰匹配法(KNN)、歸納索引法、知識引導(dǎo)法等［5］。在這些算法中，最近鄰匹配法結(jié)合了領(lǐng)域知識，解釋能力強，應(yīng)用簡單，因此最近鄰匹配法較適合CBR推理［7］。最近鄰匹配法的核心思想是計算案例間的相似度，找出一個或多個最大相似度的案例為檢索結(jié)果。

由于變壓器的狀態(tài)量參數(shù)較多，一般算法效率較低，所以案例采取基于部分特征的KNN算法的檢索方式。這種檢索方式并非每次檢索都要考察案例的所有特征，即在計算兩個案例的過程中，僅根據(jù)部分特征就可以判斷這兩個案例是否近鄰。這樣，就可以降低平均特征比較數(shù)，從而降低計算的復(fù)雜度。

這樣，就將推理過程即案例的匹配過程分為兩次檢索，第一次檢索應(yīng)對變壓器的部分特征值進行匹配，大于一定的閾值的案例可以形成一個案例集進行第二次檢索，小于該閾值可直接轉(zhuǎn)為規(guī)則推理［6］。第二次檢索則利用變壓器的所有特征值進行檢索，與第一次檢索得出的案例集匹配，如匹配相似度低于給定值，則放棄案例推理，轉(zhuǎn)為規(guī)則推理。

每個案例包含n個特征量，案例集中的每個案例可用一個 n維向量表示 Xi{xi1，xi2，…，xin}。xij(j=1，2，…，n)是案例集中第i個案例的第j個特征量的取值。源案例表示為 X{x1，x2，…，xn}。

案例間的相似度［2］定義為

其中，0≤SIM(X，Xi)≤1;ωj表示案例特征向量第j個特征值xj的權(quán)值，且是源案例與目標(biāo)案例第j個屬性的相似度。

第一次檢索的部分特征量，選擇對故障比較敏感且變化范圍較大的油中溶解氣體，以0.7作為閾值，大于該值進入第二次檢索，小于該值將案例轉(zhuǎn)為規(guī)則推理。與第一次檢索相類似，對于第二次檢索，將在第一次檢索中得出的案例集中檢索。檢索所有的特征量，由相似度定義可知，相似度為0.9～1.0，設(shè)閾值為0.9，大于該值認為找到?jīng)Q策案例，小于該值則轉(zhuǎn)入規(guī)則推理。

3.1.3 特征值權(quán)重的設(shè)計

第一次檢索中所涉及的變壓器特征量為油中溶解氣體。其成分都有 CH4、C2H6、C2H4、C2H2、H2、CO、C。運用層次分析法(AHP)中的和根法確定這幾種氣體的權(quán)重，并經(jīng)過了一致性檢驗，權(quán)重分配如表1所示。

表1 第一次檢索各成分的權(quán)重

由于變壓器的特征量比較分散復(fù)雜，具有很大的自由性，文中變壓器特征量的權(quán)重通過國家電網(wǎng)公司發(fā)布的文件《油浸式變壓器(電抗器)狀態(tài)評價導(dǎo)則》中的變壓器狀態(tài)量評價標(biāo)準(zhǔn)［7］來設(shè)定。

其中，αi為變壓器特征量基本扣分值的最大值;βi變壓器特征量的權(quán)重系數(shù)。

3.1.4 檢索閾值的設(shè)計

在已知的案例庫中選擇一系列有檢修結(jié)果且檢修策略是一致的案例，求案例間的相互相似度，把最低的相似度作為閾值。此處驗證第一次檢索的閾值0.7。

從案例庫中滿足條件的案例如表2所示。

表2 相似案例

經(jīng)過式(2)，式(3)計算可知案例間的相互相似度，具體如表3所示。從表3可知，將第一次檢索的閾值設(shè)為0.7比較合理，最相似的案例不會被漏選。

表3 案例間的相似度

同樣的方法可以得出第二次檢索的閾值應(yīng)為0.9。

3.2 基于RBR推理的設(shè)計

系統(tǒng)中基于RBR推理采用的是數(shù)據(jù)驅(qū)動的正向推理策略，從變壓器的狀態(tài)量開始，運用知識庫中的規(guī)則，最后推導(dǎo)出最終的檢修策略。其推理流程如圖4所示。

圖4 正向推理的流程圖

3.3 系統(tǒng)知識庫的管理維護

本系統(tǒng)將知識庫管理維護也分為兩個部分，案例庫的管理維護與規(guī)則知識庫的管理維護。

案例庫的管理維護包括兩個方面:案例庫的查詢和編輯修改。查詢功能主要是通過控制案例的ID實現(xiàn)，每個案例都有唯一的ID，檢索時可以準(zhǔn)確地找出所要查找的案例。案例庫的編輯修改包括對案例的修改，也包括添加新案例。由于CBR采用增量式學(xué)習(xí)方法，必然會導(dǎo)致案例庫越來越龐大，給檢索造成困難。所以，在增加新案例時采取相似度閾值限制的方式來限制案例的規(guī)模。在第一次檢索中相似度小于閾值0.7的情況下，將該案例作為待添加新案例，二次檢索決策案例相似度應(yīng)在0.9～1.0之間，小于閾值0.9時把該案例作為待添加新案例，＜0.9時設(shè)定閾值0.95，＜0.95認為與已有案例重合，不加入案例數(shù)據(jù)庫，若在0.9～0.95之間需要人工判斷是否作為新案例。

規(guī)則庫的管理維護也包括兩個部分，包括規(guī)則庫的瀏覽查詢、編輯修改。與案例庫的管理維護模塊類似，瀏覽查詢功能可以通過控制規(guī)則ID實現(xiàn)，同時給出相關(guān)聯(lián)的選項。編輯修改包括新規(guī)則的添加和現(xiàn)有規(guī)則的刪除與修改，同樣也是通過控制規(guī)則的ID實現(xiàn)。

4 系統(tǒng)實現(xiàn)

系統(tǒng)采用關(guān)系數(shù)據(jù)庫設(shè)計知識庫，可以對知識庫中的各種知識進行集中管理，可以方便的對這些知識進行增加、刪除、修改、瀏覽等操作，簡化了系統(tǒng)的設(shè)計和維護人員對已有知識的訪問、管理和維護難度。通過面向?qū)ο蟮某绦蛟O(shè)計方法，用Visual C++編程，通過模塊化的設(shè)計方式，有利于系統(tǒng)的擴充與完善。

5 結(jié)束語

利用CBR和RBR相混合的推理思想，設(shè)計了基于CBR與RBR變壓器檢修策略專家系統(tǒng)，解決了制約構(gòu)建知識庫的成長問題，提高了系統(tǒng)的準(zhǔn)確度和檢索效率，有效利用了專家經(jīng)驗。通過自學(xué)習(xí)機制，使知識庫不斷完善，推理更加嚴(yán)密，結(jié)果更可靠。

［1］ 王麗麗.電力變壓器狀態(tài)評估方法綜述［J］.電氣開關(guān)，2010，48(2):4 －6，10.

［2］ 江志農(nóng)，徐文明.基于CBR的旋轉(zhuǎn)機械故障診斷專家系統(tǒng)的設(shè)計［J］.組合機床與自動化加工技術(shù)，2011(8):43－46.

［3］ 周波，唐桂彬.大壩安全檢測專家系統(tǒng)知識庫的研究［J］.計算機時代，2011(1):23－24.

［4］ 葉施仁.高維數(shù)據(jù)中有效的相似性計算方法［J］.計算機研究與發(fā)展，2000，37(10):1166 －1172.

［5］ 朱福喜，朱三元，伍春香.人工智能基礎(chǔ)教程［M］.北京:清華大學(xué)出版社，2006.

［6］ 朱傳敏.故障樹與案例推理在數(shù)控機床故障診斷專家系統(tǒng)中的應(yīng)用研究［J］.計算機工程，2011，33(10):21－24，66.

［7］ 國家電網(wǎng)公司.油浸式變壓器(電抗器)狀態(tài)檢修導(dǎo)則［S］.北京:中國電力出版社，2008.