一种基于机器学习的检修单签发意见辨识智能成票系统

本发明涉及电网调度技术领域，具体涉及一种基于机器学习的检修单签发意见辨识智能成票系统。

电网运行中一项繁重而关键的日常工作是检修计划安排(检修单)和调度操作单的编制，特别是操作单的编制，其任何错误都会导致电网的误停电，甚至发生设备和人身事故。现有技术中，检修单和操作单从来都是由有经验的检修计划人员和调度人员编制，还要经过严格的校核。即使如此，由于电网运行方式的千变万化，依靠人的经验总不能完全避免错误。这一状况主要是开票环境不易真实以及操作单正确性辨识尚未解决等问题所造成。

本发明的目的在于提出一种基于机器学习的检修单签发意见辨识智能成票系统，以解决上述开票环境不易真实以及操作单正确性辨识的问题。

为实现上述目的，本发明的实施例提出一种基于机器学习的检修单签发意见辨识智能成票系统，包括DMIS调度单元、主网调度检修申请单识别单元、主网调度操作单生成单元、人工智能单元以及数据库单元；

所述DMIS调度单元用于建立主网调度检修申请单的开票以及辨识环境，基于SCADA环境形成包括数据和画面在内的开票辨识数据环境，用于保持数据环境的一致性；

所述主网调度检修申请单识别单元用于将接收到的主网调度检修申请单进行辨识，对后续智能生成的操作单进行调度术语、拓扑五防和潮流防误校验；

所述主网调度操作单生成单元用于对辨识后的主网调度检修申请单进行操作单生成，基于SCADA调度模块中读取所需的实时数据，结合设备的初始状态与目标状态，比较初始状态与实时状态是否一致，进行拓扑分析和安全校核，生成准确的操作单；

所述人工智能单元用于获取数据库中主网调度检修申请单的签发意见与操作单的关系数据，提高主网调度检修申请单的辨识准确性。

优选地，所述DMIS调度单元包括量测模型，所述量测模型用于描述任何测量的、计算的或非测量非计算的物理量及其在电网中的关系。

优选地，所述主网调度操作单生成单元包括建模模块、推理模块、操作单生成模块；

所述建模模块，用于基于UML语言技术进行图形预演，使用用例图、静态图、行为图、交互图以及实现图进行建模；

所述推理模块，用于在接线图上选择设备、指定操作任务的功能，程序根据选定的设备进行安全校核和拓扑分析，寻相关接线形式和设备，查询操作规则库，采用数据驱动的前向推理机制，循环利用操作规则进行推理，逐步匹配形成操作序列，然后通过操作术语进行翻译；

所述操作单生成模块，用于根据所述推理模块的翻译结果生成对应操作单，所述操作单由操作对象、操作任务、操作规则和操作术语4个要素组成，所述操作对象包括调度所辖的所有一次、二次设备；所述操作任务包括保证电网安全运行的所有运行维护操作；所述操作术语为调度操作的规范用语，所述操作规则是确保电网安全运行的根本策略，指导操作顺序的制定，需要与实时的电气设备运行状况和电网接线方式、保护密切配合。

优选地，所述人工智能单元包括机器学习训练模块、数据导入模块以及训练结果导出模块；

所述机器学习训练模块，用于训练签发意见的习惯用语特征和操作单操作项目特征，将全部数据分成用训练模型和用于评估模型的别断能力两部分，选择并建立预测模型，训练模型直到达到理想的辨识准确性；

所述数据导入模块，用于导入训练数据；

所述训练结果导出模块，用于导出训练结果。

优选地，所述主网调度检修申请单识别单元包括检修申请单录入模块、检修申请单辨识模块、检修申请单数据导出模块；

所述检修申请单录入模块，用于录入检修申请单；

所述检修申请单辨识模块，用于基于所述机器学习训练模块进行训练，使用内置的评估数据测试预测模型，微调预测模型参数提高模型的精度，并根据训练结果对录入的检修申请单进行辨识；

所述检修申请单数据导出模块，用于导出检修申请单数据，包括检修申请单辨识结果。

优选地，所述数据库单元包括操作规则库、操作单存储库、申请单存储库、电网参数库，分别用于为所述DMIS调度单元、主网调度检修申请单识别单元、主网调度操作单生成单元、人工智能单元提供相关数据库的数据支持。

本发明实施例具有以下有益效果：通过获取在量检修单的签发意见与操作票的对应关系数据，研究签发意见的习惯用语特征和操作票操作项且特征，将全部数据分成用于训练模型和用于评估模型的判断能力两部分，选择并建立合适的预测模型，训练模型直到达到理想的辨识准确性，使用预留的评估数据测试预测模型，微调预测模型参数提高模型的精度，对智能生成的操作票进行调度术语、拓扑五防和潮流防误校验。

本发明实施例的其它特征和优点将在随后的说明书中阐述。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中的一种基于机器学习的检修单签发意见辨识智能成票系统的结构示意图；

图2为本发明实施例中的人工智能单元的结构示意图；

图3为本发明实施例中的主网调度检修申请单识别单元的结构示意图；

图4为本发明实施例中的数据库单元的结构示意图。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外，为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。

参阅图1-4，本发明的实施例提出一种基于机器学习的检修单签发意见辨识智能成票系统，包括DMIS调度单元、主网调度检修申请单识别单元、主网调度操作单生成单元、人工智能单元以及数据库单元；

所述DMIS调度单元用于建立主网调度检修申请单的开票以及辨识环境，基于SCADA环境形成包括数据和画面在内的开票辨识数据环境，用于保持数据环境的一致性；

所述主网调度检修申请单识别单元用于将接收到的主网调度检修申请单进行辨识，对后续智能生成的操作单进行调度术语、拓扑五防和潮流防误校验；

所述主网调度操作单生成单元用于对辨识后的主网调度检修申请单进行操作单生成，基于SCADA调度模块中读取所需的实时数据，结合设备的初始状态与目标状态，比较初始状态与实时状态是否一致，进行拓扑分析和安全校核，生成准确的操作单；

所述人工智能单元用于获取数据库中主网调度检修申请单的签发意见与操作单的关系数据，提高主网调度检修申请单的辨识准确性。

进一步地，所述DMIS调度单元包括量测模型，所述量测模型用于描述任何测量的、计算的或非测量非计算的物理量及其在电网中的关系；包括与量测相关的有量测类、量测值类以及量测值质量类，每个量测可以有一个或多个量测值，各个量测通过量测类型来分类，量测类型包括电流、频率、有功功率、温度以及压力；某一个量测的各个量测值通过量测值源来分类，量测值源包括SCADA调度模块测量、状态估计结果、通过其他量测值计算得到的结果、人工置数；量测通过两种方式配置到设备上，第一、由一个电力系统资源所包含，用于和连接无关的各种量测；第二、通过导电设备的端点来配置，用于和连接有关的量测。

进一步地，所述主网调度操作单生成单元包括建模模块、推理模块、操作单生成模块；

所述建模模块，用于基于UML语言技术进行图形预演，使用用例图、静态图、行为图、交互图以及实现图进行建模；

所述推理模块，用于在接线图上选择设备、指定操作任务的功能，程序根据选定的设备进行安全校核和拓扑分析，寻相关接线形式和设备，查询操作规则库，采用数据驱动的前向推理机制，循环利用操作规则进行推理，逐步匹配形成操作序列，然后通过操作术语进行翻译；

所述操作单生成模块，用于根据所述推理模块的翻译结果生成对应操作单，所述操作单由操作对象、操作任务、操作规则和操作术语4个要素组成，所述操作对象包括调度所辖的所有一次、二次设备；所述操作任务包括保证电网安全运行的所有运行维护操作；所述操作术语为调度操作的规范用语，所述操作规则是确保电网安全运行的根本策略，指导操作顺序的制定，需要与实时的电气设备运行状况和电网接线方式、保护密切配合。

其中，用例图是从用户角度描述系统功效，并指出各功效操作者。

其中，静态图，包含类图、对象图和包图，类图描述系统中类静态结构，不仅定义系统中类，表示类之间联络如关联、依靠、聚合等，也包含类内部结构(类属性和操作)。类图描述是一个静态关系，在系统整个生命周期全部是有效。对象图是类图实例，几乎使用和类图完全相同标识，一个对象图是类图一个实例，因为对象存在生命周期，所以对象图只能在系统某一时间段存在。包由包或类组成，表示包和包之间关系，包图用于描述系统分层结构。

其中，行为图，描述系统动态模型和组成对象间交互关系。其中状态图描述类对象全部可能状态和事件发生时状态转移条件。通常，状态图是对类图补充。在实用上并不需要为全部类画状态图，仅为那些有多个状态其行为受外界环境影响而且发生改变类画状态图。而活动图描述满足用例要求所要进行活动和活动间约束关系，有利于识别并行活动。

其中，交互图(Interactive diagram)，描述对象间交互关系。其中次序图显示对象之间动态合作关系，它强调对象之间消息发送次序，同时显示对象之间交互；合作图描述对象间协作关系，合作图跟次序图相同，显示对象间动态合作关系。除显示信息交换外，合作图还显示对象和它们之间关系。假如强调时间和次序，则使用次序图；假如强调上下级关系，则选择合作图。

其中，实现图是指其中构件图描述代码部件物理结构及各部件之间依靠关系。一个部件可能是一个资源代码部件、一个二进制部件或一个可实施部件。它包含逻辑类或实现类相关信息。部件图有利于分析和了解部件之间相互影响程度。

进一步地，所述人工智能单元包括机器学习训练模块、数据导入模块以及训练结果导出模块；

所述机器学习训练模块，用于训练签发意见的习惯用语特征和操作单操作项目特征，将全部数据分成用训练模型和用于评估模型的别断能力两部分，选择并建立预测模型，训练模型直到达到理想的辨识准确性；

所述数据导入模块，用于导入训练数据；

所述训练结果导出模块，用于导出训练结果。

进一步地，所述主网调度检修申请单识别单元包括检修申请单录入模块、检修申请单辨识模块、检修申请单数据导出模块；

所述检修申请单录入模块，用于录入检修申请单；

所述检修申请单辨识模块，用于基于所述机器学习训练模块进行训练，使用内置的评估数据测试预测模型，微调预测模型参数提高模型的精度，并根据训练结果对录入的检修申请单进行辨识；

所述检修申请单数据导出模块，用于导出检修申请单数据，包括检修申请单辨识结果。

进一步地，所述数据库单元包括操作规则库、操作单存储库、申请单存储库、电网参数库，分别用于为所述DMIS调度单元、主网调度检修申请单识别单元、主网调度操作单生成单元、人工智能单元提供相关数据库的数据支持。

基于上述实施例所述的基于机器学习的检修单签发意见辨识智能成票系统，对系统进行技术开发成果进行验证：

指标名称：智能成票正确率

指标定义：调度通知检修单后，系统根据其设备且标状态要求和方式、继保、安自等专业签发意见，解析一、二次设备操作意图，智能生成操作票，其中让划检修单智能成票正确的数量/所需操作票总数，即为智能成票正确率。

中期检查应达到的量值：≥30％

验收应达到的量值：≥60％

评测方式(方法)：中期检查时通过机器学习的预测模型，使用增量检修单数据进行离线评测：验收时通过整体集成后的实际应用情况进行在线评测。离线评测时，智能成票结果与调度员实际使用的操作票一致的认为是正确的操作票：在线评测时，智能成票后调度员未经修改即最终执行的认为是正确的操作票。以最近连续三个月的数据为准。

2)指标名称：设备状态辨识正确率

指标定义：许可现场开/竣工时，系统自动通过SCADA、调度操作票、调度日志辨识设备状态，设备状态辨识结果与实际状态一致的次数/辨识的总次数，即为设备状态辨识正确率。

中期检查应达到的量值：≥80％

验收应达到的量值：≥95％

评测方式(方法)：中期检查时，通过测试环境测试数据或整体集成后的实际应用情况进行评测：验收时，通过实际应用情况进行评测。以最近连续三个且的数据为准。

本发明实施例具有以下优点：通过获取在量检修单的签发意见与操作票的对应关系数据，研究签发意见的习惯用语特征和操作票操作项且特征，将全部数据分成用于训练模型和用于评估模型的判断能力两部分，选择并建立合适的预测模型，训练模型直到达到理想的辨识准确性，使用预留的评估数据测试预测模型，微调预测模型参数提高模型的精度，对智能生成的操作票进行调度术语、拓扑五防和潮流防误校验。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。