基于海量數(shù)據(jù)分析的電力工程動態(tài)智能監(jiān)控技術(shù)研究

李 璽，張維堂，常健翔，李敏銀

（1.國網(wǎng)甘肅省電力公司，甘肅蘭州 730030；2.國網(wǎng)隴南供電公司，甘肅隴南 746000；3.國網(wǎng)慶陽供電公司，甘肅 慶陽 745000）

科學合理、高效有序地推進電力工程建設(shè)，是促進經(jīng)濟迅速發(fā)展的重要舉措之一[1-2]。近年來隨著電力工程的不斷推進，發(fā)輸配變等各環(huán)節(jié)自動化、信息化的逐步完善，電網(wǎng)公司對于電力工程投資的精準性、工程建設(shè)的質(zhì)量等要求也越發(fā)嚴苛。因此，對于電力工程監(jiān)控的重要性也日益凸顯[3-4]。在該工程建設(shè)過程中，積累了海量的工程數(shù)據(jù)。而如何結(jié)合大數(shù)據(jù)分析技術(shù)實現(xiàn)電力工程的智能化監(jiān)控，成為了亟待解決的問題[5-7]。大數(shù)據(jù)分析技術(shù)在電力領(lǐng)域的應(yīng)用主要集中在負荷預測、故障診斷與運維檢修等方面[8-10]，其在電力工程監(jiān)控方面的應(yīng)用仍然較少。

針對此問題，該文將大數(shù)據(jù)分析技術(shù)應(yīng)用于電力工程監(jiān)控中，并實現(xiàn)了對該工程的動態(tài)智能化監(jiān)測，進而為電網(wǎng)公司電力工程的高效投資、精益管理與高質(zhì)量發(fā)展建設(shè)提供了保障。

1 動態(tài)智能監(jiān)控體系架構(gòu)

文中通過對電力工程數(shù)據(jù)的綜合分析，從進度、成本及質(zhì)量三方面構(gòu)建了工程動態(tài)智能監(jiān)控指標體系。如圖1 所示，該體系涵蓋了可研、初設(shè)、施工與竣工驗收等不同階段的20 個監(jiān)控指標。

圖1 電力工程動態(tài)智能監(jiān)控指標體系

2 監(jiān)控算法設(shè)計

該文基于標度法（Scaling Method，SM）[11]與先驗算法（Apriori）[12]提出了電力工程動態(tài)智能監(jiān)控算法的框架設(shè)計方案，其流程如圖2 所示。

圖2 基于SM-Apriori的電力工程智能監(jiān)控算法

首先在電力工程監(jiān)控指標體系的基礎(chǔ)上，采用標度法篩選出工程項目的主要影響指標；然后在Apriori 算法的基礎(chǔ)上，利用歷史電力工程數(shù)據(jù)挖掘監(jiān)控指標之間、監(jiān)控指標與項目總目標之間的強關(guān)聯(lián)規(guī)則；之后，構(gòu)建電力工程動態(tài)智能監(jiān)控的有向網(wǎng)絡(luò)模型；最終將現(xiàn)有工程數(shù)據(jù)輸入該模型，從而獲得電力工程的監(jiān)控預警結(jié)果。

2.1 基于SM的主要影響指標篩選

為實現(xiàn)電力工程的精準監(jiān)控，此次采用標度法從中篩選主要影響指標。算法包括以下幾個步驟：

1）通過咨詢行業(yè)專家，采用數(shù)字1-9 來描述第k層指標相對于第k-1 層指標的重要程度。不同數(shù)字標度的含義，如表1 所示。

表1 1-9標度值的含義

2）構(gòu)建第k層n個指標相對于第k-1 層元素的判別矩陣可表征為：

式中，mij為指標的標度與指標標度的比值。其計算方式為：

3）計算判別矩陣的最大特征根及對應(yīng)的特征向量：

式中，λmax和W(k)分別為M(k)H的最大特征根與對應(yīng)的特征向量。

4）查找表2，并根據(jù)式（4）進行一致性校檢。

表2 RI取值表

式中，RI為平均隨機一致性系數(shù)，其可根據(jù)階數(shù)n的大小查找表2 獲取；CR為隨機一致性參數(shù)，且當CR＜0.1 時，滿足一致性校檢。

5）計算各監(jiān)控指標的權(quán)重系數(shù)。

首先對W進行標幺化，得到第k層指標相對于第k-1 層指標的權(quán)重向量W*(k)：

進一步計算第k層指標相對于目標的權(quán)重向量Q(k)：

式中，Q(k-1)為第k-1 層相對于目標的權(quán)重向量。

2.2 Apriori算法

在電力工程N條數(shù)據(jù)樣本中，監(jiān)控指標a的所有取值構(gòu)成其項集A，監(jiān)控指標b的所有取值構(gòu)成項集B。

支持度可描述項集A與B中監(jiān)控指標同時出現(xiàn)的比例：

式中，S(A→B)為項集A對于項集B的支持度，λ(A,B)則為項集A與B同時出現(xiàn)的樣本數(shù)。

置信度則是描述在項集A發(fā)生的前提下，項集A與項集B中監(jiān)控指標出現(xiàn)的概率：

式中，C(A→B)為項集A對于項集B的置信度；λ(A)為項集A出現(xiàn)的樣本數(shù)。

而提升度則是描述項集A出現(xiàn)導致項集B出現(xiàn)的概率：

式中，L(A→B)為項集A對于項集B的提升度；λ(B)為項集B出現(xiàn)的樣本數(shù)。

當支持度、置信度及提升度均滿足以下最小閾值的條件時，說明項集之間存在強關(guān)聯(lián)關(guān)系；反之，則說明項集之間的關(guān)聯(lián)關(guān)系較弱。

式中，Sσ、Cσ和Lσ分別為支持度、置信度與提升度的最小閾值。

僅滿足式（10）中最小支持度閾值的項集，便是頻繁項集。

Apriori算法利用了頻繁項集的兩個重要性質(zhì)[13]：

1）頻繁項集的所有非空子集也為頻繁項集；

2）非頻繁項集與其他項集或事件的并集也是非頻繁項集。

Apriori 算法的核心思想是[14-15]：從最小的項集出發(fā)構(gòu)建候選項集，計算支持度并篩選出頻繁項集；然后通過連接操作形成下一階項集作為新一輪的候選項集，且再次計算支持度，并篩選出頻繁項集；如此經(jīng)過多輪循環(huán)，直至無法生成新的頻繁項集為止；最終計算所有頻繁項集的置信度及支持度，進而輸出項集之間的強關(guān)聯(lián)規(guī)則。

基于Apriori 算法的電力工程動態(tài)監(jiān)控算法，如圖3 所示[16]。

圖3 基于Apriori算法的關(guān)聯(lián)規(guī)則挖掘

2.3 構(gòu)建有向網(wǎng)絡(luò)模型

有向網(wǎng)絡(luò)模型可表示為G(Vi,Vj,θij)，關(guān)聯(lián)規(guī)則Vi→Vj對應(yīng)的是有向網(wǎng)絡(luò)模型中的一條有向邊。其起點與終點分別為監(jiān)控指標Vi及Vj，邊θij的權(quán)重則為關(guān)聯(lián)規(guī)則的置信度。有向網(wǎng)絡(luò)模型的構(gòu)建示意圖，如圖4 所示。

圖4 有向網(wǎng)絡(luò)模型構(gòu)建示意圖

2.4 監(jiān)控預警指標獲取

收集現(xiàn)有電力工程項目各監(jiān)控指標的偏差情況，計算偏差置信度為：

式中，αi為第i個指標的偏差置信度，di為現(xiàn)有電力工程項目中第i個監(jiān)控指標出現(xiàn)偏差的項目數(shù)量，D則為現(xiàn)有電力工程項目總數(shù)。

以每個指標為起點，并根據(jù)有向網(wǎng)絡(luò)模型，沿著監(jiān)控指標間的加權(quán)邊計算每個監(jiān)控指標誤差導致項目最終出現(xiàn)偏差的置信度：

式中，φi為第i個監(jiān)控指標偏差導致項目最終出現(xiàn)偏差的置信度；q為目標節(jié)點。

最后，判斷φi是否大于監(jiān)控閾值φmax的指標。若是，則判定該監(jiān)控指標存在風險，并將其作為預警結(jié)果輸出。

3 算例分析

該文從某實際電力工程業(yè)務(wù)系統(tǒng)中，導出共2 500 條數(shù)據(jù)作為實驗樣本。預處理時對于某個監(jiān)控指標：其中若存在負向偏差，則該指標值記為1；否則，該指標的值為0。同時，在Matlab 平臺上對所設(shè)計的監(jiān)控算法進行仿真驗證。

3.1 關(guān)聯(lián)規(guī)則挖掘結(jié)果

將支持度、置信度及提升度的閾值分別設(shè)置為0.05、0.4 和1，通過Apriori 算法進行監(jiān)控指標之間的關(guān)聯(lián)規(guī)則挖掘，且總共得到22 條強關(guān)聯(lián)規(guī)則。所有強關(guān)聯(lián)規(guī)則的相關(guān)指標，如圖5 所示。

圖5 強關(guān)聯(lián)規(guī)則的相關(guān)指標

以第1 條強關(guān)聯(lián)規(guī)則“項目申報及審批進度（項集A）→開工時間（項集B）”為例進行說明分析，其3 個指標值分別為0.051 3、0.705 9 和1.729 4。上述指標說明：“項目申報及審批進度”和“開工時間”同時出現(xiàn)偏差的比例為5.13%，且在“項目申報及審批進度”出現(xiàn)偏差的項目中，有70.59%的項目在“開工時間”指標上也出現(xiàn)了偏差。此外，“項目申報及審批進度”出現(xiàn)偏差還導致“開工時間”出現(xiàn)偏差的概率提升了1.729 4 倍。

3.2 監(jiān)控預警應(yīng)用結(jié)果分析

將該文方法應(yīng)用于某電網(wǎng)公司現(xiàn)有的124 個電力工程項目的動態(tài)智能監(jiān)控中。通過數(shù)據(jù)收集獲得各項監(jiān)控指標的偏差置信度，再利用有向網(wǎng)絡(luò)模型計算其導致項目出現(xiàn)偏差的可能性。測試將項目偏差置信度的閾值設(shè)置為20%，以此判決是否發(fā)出預警。監(jiān)控預警應(yīng)用結(jié)果，如表3 所示。

表3 監(jiān)控預警應(yīng)用結(jié)果

由表可知，物資配送進度a5、開工時間a6、完工時間a8、竣工結(jié)算b6以及隱蔽工程驗收全覆蓋c45 個監(jiān)控指標，有較大可能會導致項目在進度、成本與質(zhì)量方面存在偏差。故應(yīng)加強對此類環(huán)節(jié)的管控，以降低項目偏差的風險。

4 結(jié)束語

該文利用SM 和Apriori 算法對海量電力工程數(shù)據(jù)進行處理與分析，實現(xiàn)了電力工程的動態(tài)智能監(jiān)控。數(shù)值實驗結(jié)果表明，該算法能夠挖掘不同監(jiān)控指標對電力工程項目偏差風險的內(nèi)在關(guān)聯(lián)關(guān)系。同時在現(xiàn)有電力工程的監(jiān)控應(yīng)用中，還發(fā)現(xiàn)物資配送進度、開工時間等監(jiān)控指標易導致項目偏差風險的增加，因此需加強對上述指標相關(guān)環(huán)節(jié)的管控。但目前該方法僅能識別某些環(huán)節(jié)的風險，而無法實現(xiàn)更加精細化的風險識別定位，這將在后續(xù)研究中開展。