基于CBR的電力事故應急輔助決策方法

門永生，劉山葆

（1.北京科技大學土木與環境工程學院，北京100083；2.國網智能電網研究院，北京102209；3.廣東省通信管理局，廣東 廣州510080）

1 引言

我國電力工業正處于高速發展時期，各類自然災害及電力系統突發事件頻發，對電網設施安全運行造成嚴重威脅[1]。2009年南方雨雪冰凍災害、2013年四川雅安特大地震等都對變電站、輸電線路等電網設施造成了災難性打擊，給人民群眾生活與社會穩定帶來巨大影響[2]。電力事故應急處置要求標準較高，在緊急情況下利用科學的方法與智能化的手段輔助決策者進行科學決策，成為當前電力安全與應急工作迫切希望得到解決的問題，而基于案例推理的應急決策方法恰恰提供了解決思路與方法[3]。

案例推理（case-based reasoning，CBR）是人工智能領域近年來興起的一種創新性的推理方法，該方法最早源于美國耶魯大學教授Roger Schank[4]。所謂案例推理是充分運用以往的經驗，采用一定算法或規則的相似性比對，把案例的經驗與模式作為解決當前決策問題的參考，進而對源案例進行修正，運用到當前的應急決策中。近年來，國內外在基于案例推理的應急輔助決策領域開展了許多研究工作，如張英菊[5]針對案例屬性缺失問題，設計了基于屬性相似度和結構相似度的雙層結構框架下的相似度算法；石浩[6]對決策支持的數據層次進行了分析，并把案例推理應用到火災預案中。

對于電力事故而言，事故應急響應主要依靠應急人員依靠歷史經驗和應急預案進行決策，將基于案例推理的智能化決策方法運用到電力事故應急處置過程中，有助于提高電力事故應急搶險能力與水平。

2 電力事故案例特征描述

運用案例推理的方法進行應急決策，其決策效果很大程度上依賴于事故案例知識描述方式以及案例庫的結構。針對電力事故應急處置的特點，從事故應急處置的角度考慮，案例必須包含事故基本情況、事故處置過程以及處置效果評價3個部分的內容。

（1）事故基本情況

包括事故發生時間、地點、周邊環境、天氣條件、事故類別、事故級別、持續時間、事發地應急搶險隊伍與設施等。表1給出了各屬性的具體內容。

（2）事故處置過程

包括參與應急搶險的電力應急隊伍及其在搶險過程中所做的工作、使用的專業設備及其發揮的作用、個人防護裝備使用情況、事故演變過程、事故處置的主要決策等。

表1 事故基本情況描述

（3）事故處置效果

包括各項搶險措施的有效性、事故影響范圍、經濟損失、事故處置的經驗教訓等。

3 電力事故案例知識提取方法

電力事故進行應急決策時需要從已有案例庫中檢索與事故相似度最高的案例作為參考，這個檢索的過程和方法決定了案例推理學習的效能。事故案例中包含了多種屬性，按照屬性特征可分為4類：數值型屬性，這類屬性用數值表示，如事故發生地當時的溫度、風速；無序枚舉型屬性，如事故的類型可分為設備事故、電網調度運行事故等；有序枚舉型屬性，如按照事故的級別可以分為一般、較大、重大和特別重大等，或者按照其他標準進行的有序型分類；模糊屬性，對于事故應急處置效果的評價可以采用｛很好、較好、一般、較差、很差｝模糊概念屬性。

在進行基于案例推理的應急輔助決策時，需要針對不同屬性的特征采用相應的方法進行案例檢索，本文提出了歸納式推理檢索和相似度計算兩種方法。

3.1 歸納式推理檢索

歸納式推理檢索是采用歸納的方式，按照事故案的層級關系和構建規則建立案例數據庫。當進行新的應急事件檢索時，只要按照該事件所屬的類別，即可找出相似度最高的案例。

針對無序枚舉和有序枚舉型屬性，可以運用基于決策樹的學習算法進行案例的檢索。具體流程是從案例的各組成部分提取能將事故案例有效區分的要素，并根據這些要素將事故案例構建成一個類似于判別網絡的層次結構。進行歸納式檢索時，按照決策樹（decision tree）的運作方式進行案例檢索。

3.2 案例相似度算法

3.2.1 屬性相似度算法

案例推理的核心是案例相似度算法的設計。最近相鄰算法是CBR檢索算法中最常用，也是相對比較成熟的算法之一。應用傳統最近相鄰算法時，首先計算出案例屬性相似度，然后根據屬性的權值計算案例之間的加權相似度，要求案例的屬性值不能為空。

常用兩個對象在特征空間中的距離來描述兩個案例間的相似性。常用的距離度量函數有歐拉距離和Hamming距離[7]。

歐拉距離度量法：

Hamming距離度量法：

其中，權重Wi表示第i個屬性的重要度。

這種相似性度量方法，可以用于數值型屬性和無序枚舉型屬性。對于有序枚舉型屬性，可以采用：

其中，m表示屬性i的取值個數。

在電力事故案例中存在許多模糊屬性，模糊屬性常用梯形模糊集、高斯函數、三角形模糊集等模擬其隸屬函數。部分屬性主要依靠人的主觀判斷來進行，例如對事故應急處置效果的評價。

本文采用模糊評價方法將事故案例中的模糊屬性分為5個等級，則有評語集V={V1,V2,V3,V4,V5}，例如V1表示處置效果很好，V2表示較好，V3表示一般，V4表示較差，V5表示很差。邀請具有豐富電力事故處置經驗的20名專家對案例中的多種模糊屬性進行評價，給出不同案例各模糊屬性的隸屬函數關系。例如針對X和Y兩個電力事故處置效果屬性進行專家打分，隸屬關系見表2。

表2 處置效果評價統計

對于模糊屬性，可以采用：

其中，N為專家總人數；VXi,j、VYi,j分別表示對事故X、Y第i個屬性給出第j個評語的專家人數。

權重A={A1,A2,A3,A4,A5}={3,1,0,-1,-3}，針對不同屬性特征根據實際需求對權重進行修改。

由于電力事故致災因子眾多，而各種特征屬性作用于事故案例的程度也不同，因此對于屬性權重的確定是進行案例推理的關鍵。確定權重的方法較多，可基于粗糙—模糊集理論計算各屬性的權重，也可采用層次分析法確定屬重系數。本文選取了常用的領域專家打分法。

3.2.2 結構相似度算法

結構相似度的計算是進行案例推理的關鍵環節，結合電力事故特點設計案例結構相似度算法如下：假定需要案例庫中的源案例a與目標案例b進行結構匹配，描述該結構的相似度計算算法如圖1所示。

圖1 結構相似度算法設計

從案例庫中提取源案例C1，計算C1所有非空屬性構成的集合，記為S1；然后需要計算與之準備進行匹配的目標案例C2的所有非空屬性構成的集合，記為S2；進一步計算S1與S2的交集和并集，分別記為S3和S4；計算交集S3中所有屬性的權重和，記為w1；計算并集S4中所有屬性的權重和，記為w2；將源案例C1和目標案例C2的結構相似度記為S，則案例結構相似度為：

4 基于CBR的電力事故應急決策過程

4.1 電力事故應急決策案例推理流程

圖2給出了電力事故應急決策案例推理的基本流程，具體可以分為以下幾個步驟。

（1）事故信息輸入

一旦發生電力事故，要通過各種渠道快速獲取案例推理所需的詳細信息、輸入模型中對應的各變量并進行知識解釋，完成突發事件標準化流程的信息輸入。

（2）案例檢索與匹配

應用相似度計算與歸納式檢索方法，從案例庫中進行有效檢索，利用設計好的規則依次計算當前應急事件與案例相應類型模型的相似度，有則進行修正，生成處置方案；沒有則輸出一組近似案例，根據應急決策事實，依據案例規則進行推理和方案修正，生成處置方案。

（3）案例修正

根據專家判斷和規則推理修正處置方案，使之適合于解決當前應急決策事件，生成方案；訪問知識庫，結合當前事件的特征，依照知識庫中存儲的專家知識及案例修正規則對處置方案進行合理化修正。

圖2 電力事故應急決策案例推理流程

（4）應急決策方案生成

將合理化修正后的應急決策方案輸出，為應急決策者提供科學合理的指導意見，完成科學的應急輔助決策。

（5）應急方案評估及保存

電力事故應急處置結束后，要對效果進行評估，并根據既定的案例自學習策略，將符合條件的新案例增加到案例庫中保存，以備今后使用。

5 結束語

本文結合電力事故的特點，簡述了基于CBR的電力事故應急決策方法，重點介紹了案例特征屬性的描述框架，提出歸納式檢索和相似度計算兩種方法搜索相似案例，并通過專家打分確定模糊屬性的隸屬函數，并計算模糊屬性的相似度。最后，給出了基于CBR模型的電力事故應急決策過程。

當前許多案例結構規范性不夠，對電力事故的演化過程、處置措施的描述過于簡單，影響了案例推理的輔助決策效果。在應急輔助決策方法上，需要將案例推理與規則推理、數據挖掘等方法相結合，從而更好地解決電力事故應急輔助決策問題。

[1]郭劍波.我國電力科技現狀與發展趨勢[J].電網技術,2006,30(18):1-7.GUO J B.Current situation and development trend of electric power technology in China[J].Power Grid Technology,2006,30(18):1-7.

[2]門永生,金龍哲,朱朝陽,等.電力突發事件應急標準體系框架研究[J].電信科學,2013,29(11):104-108.MEN Y S,JIN L Z,ZHU C Y,et al.Research on emergency standard framework of power emergencies [J].Telecommunications Science,2013,29(11):104-108.

[3]劉武警.基于本體的電網應急案例表示方法研究[D].哈爾濱:哈爾濱工業大學,2013.LIU W J.The method of the research on power grid emergency case based on ontology[D].Harbin:Harbin Institute of Technology,2013.

[4]SCHANK R.Dynamic memory:a theory of reminding and learning in computers and people[M].Cambridge:Cambridge University Press,1982.

[5]張英菊,仲秋雁,葉鑫,等.基于案例推理的應急輔助決策方法研究[J].計算機應用研究,2009,26(4):1412-1415.ZHANG Y J,ZHONG Q Y,YE X,et al.Research on method of emergency aid decision-making based on CBR[J].Application Research of Computers,2009,26(4):1412-1415.

[6]石浩.基于案例推理的城市應急決策支持系統的研究[D].杭州:浙江工業大學,2004.SHI H.Study on city emergency decision support system based on CBR[D].Hangzhou:Zhejiang University of Technology,2004.

[7]BAUMEISTER J,ATZMULLER M,PUPPE F.Inductive learning for case-based diagnosis with multiple faults[C]//The 6th European Conference Advances in Case-Based Reasoning(ECCBR2002),September 4-7,2002,Aberdeen,Scotland,UK.Berlin:Springer,2002:28-43.