基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型及其在國家電力智能調(diào)度支持系統(tǒng)開發(fā)管理中的應(yīng)用

2014-11-05 17:37:13閆華鋒

軟科學(xué) 2014年9期

閆華鋒

摘要：提出了一種基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型。以國家電力智能調(diào)度支持系統(tǒng)的開發(fā)管理為例，詳細闡述了該系統(tǒng)的建設(shè)背景、研發(fā)過程以及IMKT-L模型在其知識轉(zhuǎn)移過程中的應(yīng)用分析。通過知識轉(zhuǎn)移效率比較，表明了IMKT-L模型能有效降低知識在轉(zhuǎn)移過程中的損失。

關(guān)鍵詞：智能學(xué)習(xí)；知識轉(zhuǎn)移；智能調(diào)度支持系統(tǒng)

中圖分類號：C93-03；F273文獻標識碼：A文章編號：1001-8409（2014）09-0129-05

Improved Model of Knowledge Transfer Based on Learning

and Application of State Power Intelligent Scheduling

Support System Development Management

YAN Huafeng

（School of Economics and Management， Southeast University， Nanjing 210013；

State Grid Electric Power Research Institute， Nanjing 210003）

Abstract： Improved model of knowledge transfer based on learning was present. Meanwhile， in the case of state power smart scheduling support system which was a complex competitive system， this paper elaborated its construction backgrounds， development process and application analysis of IMKTL in the knowledge transfer process in detail. Comparative analysis on knowledge transfer efficiency show that IMKTL could effectively reduce knowledge loss in knowledge transfer process.

Key words： intelligent learning； knowledge transfer； intelligent scheduling support system

1引言

隨著我國電網(wǎng)的快速發(fā)展和特高壓電網(wǎng)建設(shè)的穩(wěn)步推進，電網(wǎng)運行的復(fù)雜程度和難度越來越大，對技術(shù)手段和人員的要求越來越高。因此，加強公司電網(wǎng)調(diào)度能力建設(shè)，全面提升調(diào)度系統(tǒng)駕馭大電網(wǎng)和進行資源優(yōu)化配置的能力、提高電網(wǎng)調(diào)度運行管理水平顯得愈加重要和迫切[1]。

電力智能調(diào)度支持系統(tǒng)將以往獨立建設(shè)的能量管理系統(tǒng)、廣域向量測量系統(tǒng)、電能量計量系統(tǒng)等十余套應(yīng)用系統(tǒng)集成整合為由一個平臺和四大類應(yīng)用的一體化系統(tǒng)[2]。鑒于電力智能調(diào)度支持系統(tǒng)的復(fù)雜性，其開發(fā)設(shè)計和實施涉及眾多研發(fā)設(shè)計和實施單位以及眾多信息系統(tǒng)的集成，各自采用不同的設(shè)計理念、方法和標準，嚴重阻礙了該系統(tǒng)的順利設(shè)計研發(fā)和整體信息流的暢通，也難以采集各參與單位之所長。因此，高效管理電力智能調(diào)度支持系統(tǒng)項目勢必會成為該系統(tǒng)研發(fā)的重要環(huán)節(jié)，而其中相關(guān)知識轉(zhuǎn)移又是項目管理過程中的重點和難點所在。

知識轉(zhuǎn)移是指建立起技能傳授、學(xué)習(xí)和知識管理的體系，將戰(zhàn)略設(shè)計、組織和績效設(shè)計、管理流程設(shè)計、系統(tǒng)流程設(shè)計等各方面知識在員工中進行貫徹，讓大家對相關(guān)知識消化吸收，保證系統(tǒng)的運行。本文以傳統(tǒng)的知識轉(zhuǎn)移過程模型為基礎(chǔ)，結(jié)合智能學(xué)習(xí)的理念，提出了一種基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L），并以電力智能調(diào)度支持系統(tǒng)為例分析整個知識轉(zhuǎn)移的過程。

本文的主要研究內(nèi)容包括：① 以傳統(tǒng)的知識轉(zhuǎn)移過程模型為基礎(chǔ)，結(jié)合智能學(xué)習(xí)的理念，提出一種基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型；②結(jié)合電力智能調(diào)度支持系統(tǒng)設(shè)計開發(fā)和實施過程，以IMKT-L模型為指導(dǎo)，詳細闡述和分析在整個系統(tǒng)運作過程中知識轉(zhuǎn)移的詳細過程。

2基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型

2.1知識轉(zhuǎn)移概述

知識轉(zhuǎn)移的思想是1977年美國學(xué)者Teece首次提出的[3]。Huber指出知識轉(zhuǎn)移與共享密切相關(guān)，卻又各不相同，知識共享只是知識轉(zhuǎn)移其中的一個環(huán)節(jié)，其未必可以理解和應(yīng)用知識[4]。Argote l等從知識轉(zhuǎn)移效益的角度，認為其是一個主體對其他主體的影響過程，強調(diào)知識是從專家向著無經(jīng)驗者方向進行單向轉(zhuǎn)移[5]。

國內(nèi)外眾多學(xué)者對知識轉(zhuǎn)移的相關(guān)理論、方法及其應(yīng)用開展了詳細的研究。Szulanski提出了由初始、執(zhí)行、實施和整合等四個階段組成的四階段模型[6]。Jeffrey等提出了包括知識源、知識受體、轉(zhuǎn)移的知識及轉(zhuǎn)移情境等四要素的模型[7]。Nonaka等在其所提出的SECI模型中分析了知識轉(zhuǎn)移的四種模式，即社會化、外部化、聯(lián)合化及內(nèi)在化等四種模式[8]。羅艷玲通過比較傳統(tǒng)知識轉(zhuǎn)移的各種模型，分析了現(xiàn)有各類知識轉(zhuǎn)移模型的缺陷，提出了知識轉(zhuǎn)移優(yōu)化模型[9]。王君等提出了一種基于 Multi-Agent的組織內(nèi)知識轉(zhuǎn)移模型，詳細描述了該模型中實現(xiàn)知識轉(zhuǎn)移的關(guān)鍵技術(shù)和搜索算法，依據(jù)該模型可有利于提高知識管理的有效性[10]。Denis Helic等將知識轉(zhuǎn)移的理念引入到網(wǎng)絡(luò)環(huán)境下各類知識的獲取、存儲、構(gòu)造以及轉(zhuǎn)移中來，通過比較分析了基于知識轉(zhuǎn)移的WBT系統(tǒng)與現(xiàn)有WBT系統(tǒng)的區(qū)別[11]。同時，為了體現(xiàn)知識轉(zhuǎn)移在信息系統(tǒng)開發(fā)中的優(yōu)勢，劉瑩等結(jié)合ERP、CRM及SCM的實施，提出了基于ERP、CRM與SCM 整合系統(tǒng)的知識轉(zhuǎn)移模型[12]。張俊等依據(jù)知識轉(zhuǎn)移的理論，從開發(fā)團隊的組織、知識轉(zhuǎn)移的模型和知識轉(zhuǎn)移方式三個方面，對重型開發(fā)方法與輕型開發(fā)方法進行了知識轉(zhuǎn)移的比較分析[13]。

2.2基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型描述

2.2.1傳統(tǒng)的知識轉(zhuǎn)移模型

知識轉(zhuǎn)移模型眾多，其中過程模型是知識轉(zhuǎn)移中重要的一種模型。何永剛詳細描述了整個過程模型的概念[14]。過程模型是將整個知識轉(zhuǎn)移看成一個過程并分為不同的階段，具有代表性的是知識螺旋模型、四階段模型等。

Nonaka等提出的知識螺旋（SECI）模型，把整個知識創(chuàng)造活動分為社會化、外在化、整合化、內(nèi)在化四種模式，其中從隱性知識到顯性知識是知識創(chuàng)造活動中的關(guān)鍵階段[8]。知識在組織中不斷向上升，從個體到團隊，最后上升至組織，這個過程不斷循環(huán)往復(fù)，促使組織知識不斷擴充（見圖1）。

Szulanski提出了包括初始階段、實施階段、調(diào)整階段及整合階段等知識轉(zhuǎn)移四階段模型[6]。其中初始階段主要是組織或個人發(fā)現(xiàn)知識不足并識別滿足要求的知識，做出知識轉(zhuǎn)移的決策，其目標就是為知識轉(zhuǎn)移決策提供相應(yīng)的決策依據(jù)；實施階段主要是雙方建立起適合知識轉(zhuǎn)移需求的渠道，同時對待轉(zhuǎn)移的知識進行調(diào)整以適應(yīng)接收方的需要；調(diào)整階段主要是接收方對發(fā)送方轉(zhuǎn)移的知識進行相應(yīng)調(diào)整，以適應(yīng)接收方新的需求；整合階段主要是接收方開始使用獲得的知識，形成相應(yīng)規(guī)則和制度，使所轉(zhuǎn)移知識成為接收方自身知識的一部分（見圖2）。

2.2.2基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型

由圖2可知，傳統(tǒng)的知識轉(zhuǎn)移過程模型從初始階段到最后的整合階段都是一種學(xué)習(xí)的過程，但是整個學(xué)習(xí)的過程屬于主觀的，不利于在信息系統(tǒng)開發(fā)過程中實現(xiàn)自動化和智能化。為此，本文在傳統(tǒng)的知識轉(zhuǎn)移模型基礎(chǔ)上，提出基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L）。在該模型中，基于智能學(xué)習(xí)的理念對每一個階段的內(nèi)容進行優(yōu)化和內(nèi)在挖掘，使得每一個階段的研究內(nèi)容更加智能化和客觀。整個IMKT-L原理描述如下：

（1）接收方在開發(fā)信息系統(tǒng)時，首先要開展需求和相關(guān)技術(shù)調(diào)研。

（2）根據(jù)信息系統(tǒng)的總體設(shè)計目標，利用人工智能算法分析相關(guān)調(diào)研結(jié)果與總體設(shè)計目標之間的誤差，把所有的誤差作為屬性或者參數(shù)，基于數(shù)據(jù)挖掘提煉出知識規(guī)則。

（3）實施階段，建立影響接收和發(fā)送雙方的知識轉(zhuǎn)移渠道的參數(shù)模型，以待轉(zhuǎn)移的知識為輸入或研究對象，通過學(xué)習(xí)算法來優(yōu)化轉(zhuǎn)移情景渠道，使得優(yōu)化后的知識轉(zhuǎn)移情景渠道能最大化滿足發(fā)送方和接收方的需求。

（4）調(diào)整階段，以接收方對發(fā)送方轉(zhuǎn)移的知識屬性為輸入，以接收方新需求為輸出，基于學(xué)習(xí)算法對輸入?yún)?shù)進行優(yōu)化，以期更好地滿足接收方新的需求。

（5）整合階段，以接收方接收到的所有知識為輸入，為了更好地滿足接收方自身的需要，需要從接收到的知識信息中基于增量式學(xué)習(xí)算法挖掘出相應(yīng)的知識規(guī)則，建立相應(yīng)的專家知識庫，便于后期相應(yīng)人員使用。

整個模型如圖3所示。為了更好地評價整個基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型的效率，本文給出了知識轉(zhuǎn)移效率的概念。

定義1：知識轉(zhuǎn)移效率（Knowledge Transfer Efficiency， KTF）設(shè)初始知識集合KI=，其中RK表示需求分析階段所包含的知識數(shù)目，DK表示系統(tǒng)設(shè)計開發(fā)階段所包含的知識數(shù)目，TK表示系統(tǒng)測試階段所包含的知識數(shù)目，MK表示系統(tǒng)建設(shè)期間管理所包含的知識數(shù)目。設(shè)經(jīng)過知識轉(zhuǎn)移后的最終知識集合KF=，其中R′K、D′K、T′K、M′K分別表示需求分析、系統(tǒng)設(shè)計開發(fā)、系統(tǒng)測試和管理在知識轉(zhuǎn)移后所包含的知識數(shù)目。則知識轉(zhuǎn)移效率KTF=（R′K+D′K+T′K+M′K）-（RK+DK+TK+MK）（RK+DK+TK+MK）。

由定義1可以看出，當KTF→0，表示整個知識轉(zhuǎn)移過程中知識損失越?。划擪TF>0，表示系統(tǒng)建設(shè)中原始知識在經(jīng)過IMKT-L模型后，通過知識融合，在原有知識基礎(chǔ)上，形成了新的滿足知識接收方的新知識；當KTF<0，表示系統(tǒng)建設(shè)中原始知識在經(jīng)過IMKT-L模型后，知識有所損失。

3知識轉(zhuǎn)移改進模型在國家電力智能調(diào)度支持系統(tǒng)開發(fā)管理中的應(yīng)用

3.1電力智能調(diào)度支持系統(tǒng)建設(shè)背景及研發(fā)管理過程

電力智能調(diào)度技術(shù)支持系統(tǒng)是電網(wǎng)運行控制和調(diào)度生產(chǎn)管理的重要技術(shù)支撐手段，由基礎(chǔ)平臺和實時監(jiān)控與預(yù)警、調(diào)度計劃、安全校核、調(diào)度管理等四大類應(yīng)用組成，其研發(fā)過程主要包括系統(tǒng)需求分析和概念設(shè)計、詳細設(shè)計、任務(wù)分解和分包、模塊開發(fā)和系統(tǒng)集成以及系統(tǒng)交付使用與跟蹤服務(wù)等幾個方面。

首先獲取各級調(diào)度技術(shù)支持系統(tǒng)用戶的需求，并對需求進行分析、整理。然后進行系統(tǒng)總體設(shè)計和建設(shè)框架工作，總體設(shè)計對系統(tǒng)體系架構(gòu)進行了設(shè)計，確定了四大類應(yīng)用各功能模塊的組成以及系統(tǒng)內(nèi)部各種數(shù)據(jù)邏輯關(guān)系，并進行性能和指標設(shè)計。建設(shè)框架明確了建設(shè)原則、建設(shè)目標、總體思路，為后續(xù)功能規(guī)范制定、系統(tǒng)詳細設(shè)計、研發(fā)和試點建設(shè)提供了科學(xué)依據(jù)。詳細設(shè)計就是在概念設(shè)計的基礎(chǔ)上，對系統(tǒng)中每個模塊給出足夠詳細的過程描述。電力智能調(diào)度技術(shù)支持系統(tǒng)由一系列功能模塊組成，合理安排這些功能模塊的研發(fā)并保證其按時完成，才能保證整個系統(tǒng)建設(shè)進度能夠如期完成。在系統(tǒng)交付使用后，及時對相關(guān)系統(tǒng)使用人員進行操作培訓(xùn)和維護培訓(xùn)，并提供系統(tǒng)正常運行后的常規(guī)維護和功能擴充開發(fā)工作。

3.2知識轉(zhuǎn)移分析

3.2.1電力智能調(diào)度支持系統(tǒng)中基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型

電力智能調(diào)度技術(shù)支持系統(tǒng)是一個龐大復(fù)雜的系統(tǒng)，為了融合各方優(yōu)勢，更好更快地研發(fā)該系統(tǒng)，整個項目組設(shè)立了領(lǐng)導(dǎo)小組、平臺開發(fā)組、應(yīng)用規(guī)范組、秘書組和專家咨詢組，組織開展項目的研究、開發(fā)和試點。各個小組之間職能分工明確，但由于項目之間牽涉到眾多業(yè)務(wù)系統(tǒng)的集成和整合，需要不同專業(yè)的領(lǐng)域知識配合。在整個系統(tǒng)研發(fā)過程中，需要在各個小組之間對各個方面的專業(yè)知識進行有效的轉(zhuǎn)移，便于各個小組從總體上能對整個項目有宏觀的把握。

本文利用基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型（IMKT-L），來分析整個電力智能調(diào)度支持系統(tǒng)中各類知識的轉(zhuǎn)移分析過程。整個步驟如下：

（1）為了更好地利用IMKT-L模型，通過訪談、調(diào)研等手段，確定電力智能調(diào)度支持系統(tǒng)設(shè)計開發(fā)過程中各個項目小組涉及到的電力、計算機、自動化等各類相關(guān)知識和電力調(diào)度需求；分析總結(jié)出各個項目小組之間知識共享和傳播的渠道；明確整個系統(tǒng)開發(fā)的總體目標。

（2）在IMKT-L模型的初始階段，利用聚類算法挖掘出電力智能調(diào)度支持系統(tǒng)設(shè)計總體目標與已有知識和需求之間的差距，把所有的誤差作為關(guān)聯(lián)規(guī)則算法的參數(shù)，挖掘出相關(guān)的知識規(guī)則，以此作為下一步進行知識轉(zhuǎn)移的決策依據(jù)。

（3）針對電力智能調(diào)度支持系統(tǒng)知識轉(zhuǎn)移實施階段的各類渠道進行建模，建立各類知識轉(zhuǎn)移渠道的知識轉(zhuǎn)移效率表，然后基于學(xué)習(xí)算法優(yōu)化該知識轉(zhuǎn)移效率表，使得各類渠道轉(zhuǎn)移相關(guān)知識的性能最優(yōu)化。

（4）基于相關(guān)學(xué)習(xí)算法對相關(guān)知識屬性進行優(yōu)化，便于滿足系統(tǒng)設(shè)計開發(fā)各個項目小組的新需求。

（5）根據(jù)本系統(tǒng)開發(fā)過程中所有的知識，基于增量式規(guī)則挖掘算法，挖掘出相應(yīng)的知識規(guī)則，并建立電力智能調(diào)度支持系統(tǒng)專家知識庫。

（6）根據(jù)計算知識轉(zhuǎn)移效率KTF的大小，判斷整個知識轉(zhuǎn)移過程中知識的損失，以此作為調(diào)整IMKT-L模型中各個階段優(yōu)化參數(shù)的依據(jù)。

通過上述六個步驟，可以使電力智能調(diào)度支持系統(tǒng)在整個調(diào)研、設(shè)計及開發(fā)過程中，各個項目小組之間的領(lǐng)域知識轉(zhuǎn)移溝通更加優(yōu)化和科學(xué)，同時可保證整個系統(tǒng)可以更好更快地研發(fā)。

其中步驟（2）中的聚類算法采用K-Means聚類，對電力智能調(diào)度支持系統(tǒng)設(shè)計總體目標進行聚類，并計算各類到聚類中心的距離誤差。具體流程如算法1所示。

算法1：基于K-Means的目標與需求誤差挖掘

Input：已有需求的量化值

Output：目標量化值與需求量化值之間的誤差

Begin {

1. 對現(xiàn)有的電力智能調(diào)度支持系統(tǒng)的需求和總體設(shè)計目標進行量化，得到需求量化序列樣本集合Rp×m=R11，R12，...，R1m

…………

Rp1，Rp2，…，Rpm和總體設(shè)計目標量化樣本集合Tn×m=T11，T12，…，T1m

…………

Tn1，Tn2，…，Tnm。

2. 根據(jù)經(jīng)驗值，從需求序列樣本集合Rp×m隨機選擇K個樣本作為聚類中心。

3. 對于總體設(shè)計目標量化樣本集合Tn×m中的每一行元素，計算其到k個樣本的距離，并將其聚類到距離最近的樣本中，重新計算k個聚類中心。

4. 反復(fù)計算總體設(shè)計目標量化樣本集合Tn×m中剩下的元素到新的k個聚類中心的距離，直到滿足終止條件為止。

5. 計算最終k類中Tn×m的元素到其聚類中心的距離，即目標量化值與需求量化值之間的誤差。

End

}同時，步驟（4）中采用粗糙集算法來優(yōu)化知識屬性集合，大大簡化知識屬性的個數(shù)，以便減小電力智能調(diào)度支持系統(tǒng)專家知識規(guī)則挖掘的難度，提高其效率和準確率。為了更好地利用粗糙集進行知識屬性的約簡，根據(jù)電力智能調(diào)度支持系統(tǒng)知識屬性，構(gòu)造決策表T=，其中U為電力智能調(diào)度支持系統(tǒng)知識集合，C∪D=R為電力智能調(diào)度支持系統(tǒng)知識數(shù)據(jù)的屬性集合，C={c1，c2，…，cn}為電力智能調(diào)度支持系統(tǒng)知識數(shù)據(jù)的條件屬性集合，D={d1，d2，…，dm}為電力智能調(diào)度支持系統(tǒng)知識數(shù)據(jù)的決策屬性集合，V=∪vr，r∈R是電力智能調(diào)度支持系統(tǒng)知識數(shù)據(jù)屬性值的集合，vr表示某一個屬性r∈R的屬性值范圍，f：U×R→V定義一個信息函數(shù)，其指定U中每一對象x的屬性值，即對于r∈R，x∈U，有f（x，r）∈vr。然后基于決策表T協(xié)調(diào)性的原理進行相應(yīng)的屬性約簡，具體流程如算法2所示。

算法2：基于粗糙集的知識屬性約簡

Input：知識屬性決策表T=。

Output：約簡后的知識屬性集合bestAttribute。

Begin {

1.讀取知識屬性決策表T中的每一行數(shù)據(jù)。

2.比較每一行數(shù)據(jù)中條件屬性值與決策屬性值。

3.若相等，則為約簡，并加入bestAttribute集合中。

4.否則重復(fù)步驟1和2，直到讀取T中的所有數(shù)據(jù)為止。

5.輸出bestAttribute。

}概括來說，在電力智能調(diào)度支持系統(tǒng)開發(fā)的具體知識轉(zhuǎn)移過程中，首先根據(jù)知識轉(zhuǎn)移過程模型，劃分等同的四個階段：系統(tǒng)的需求分析階段、系統(tǒng)設(shè)計階段、系統(tǒng)測試階段及系統(tǒng)建設(shè)階段。在系統(tǒng)需求分析階段，通過訪談、調(diào)研等手段來收集系統(tǒng)開發(fā)相應(yīng)的需求知識，根據(jù)IMKT-L模型中的K_means算法挖掘分析現(xiàn)有的需求知識和系統(tǒng)最終的建設(shè)目標之間的量化差距，然后對所有誤差進行規(guī)則挖掘，以此作為下一步是否發(fā)生知識轉(zhuǎn)移的依據(jù)。對于電力智能調(diào)度支持系統(tǒng)設(shè)計階段的各類設(shè)計路線進行建模，建立各類系統(tǒng)設(shè)計路線的知識轉(zhuǎn)移效率表，然后優(yōu)化該知識轉(zhuǎn)移效率表，同時利用粗糙集方法約簡相應(yīng)的知識屬性集合，得到滿足系統(tǒng)設(shè)計開發(fā)的最小知識集合。最后針對系統(tǒng)建設(shè)階段，利用增量式規(guī)則挖掘算法得到最終的電力智能調(diào)度支持系統(tǒng)專家知識庫，并通過計算整體系統(tǒng)開發(fā)知識轉(zhuǎn)移效率來反饋優(yōu)化算法，使得最終得到的專家知識庫便于后期相應(yīng)人員使用。

3.2.2比較分析

為了更好地分析知識轉(zhuǎn)移模型在電力智能調(diào)度支持系統(tǒng)中各個階段的作用，本文針對電力智能調(diào)度支持系統(tǒng)的特點，通過訪談等方式收集整個系統(tǒng)開發(fā)階段所需要的知識。其中需求分析階段在知識轉(zhuǎn)移前主要包括功能需求、性能需求、接口需求等21項，經(jīng)過知識轉(zhuǎn)移后將形成需求分析文檔，對所有的系統(tǒng)開發(fā)建設(shè)所涉及的需求進行歸納總結(jié)；由于系統(tǒng)設(shè)計階段已經(jīng)對系統(tǒng)的需求和目標較為明確，故不會形成新的知識數(shù)目；系統(tǒng)測試階段比較特殊，由于在知識轉(zhuǎn)移前包含相關(guān)系統(tǒng)測試文檔和用戶使用手冊等，在知識轉(zhuǎn)移后則對所測試的結(jié)果進行歸納總結(jié)，而相關(guān)的測試文檔則不需要；系統(tǒng)建設(shè)階段在知識轉(zhuǎn)移前主要包括系統(tǒng)詳細設(shè)計方案、系統(tǒng)實施的網(wǎng)絡(luò)拓撲架構(gòu)等知識，在知識轉(zhuǎn)移后則需要形成詳細的系統(tǒng)建設(shè)方案，便于指導(dǎo)系統(tǒng)實施。表1給出了知識轉(zhuǎn)移前后整個電力智能調(diào)度支持系統(tǒng)各個階段所包含的知識數(shù)目。

從圖4可以看出，在需求分析和系統(tǒng)建設(shè)階段，由于知識轉(zhuǎn)移效率值大于0，則表示通過知識轉(zhuǎn)移和融合，在原有知識基礎(chǔ)上，形成了新的滿足電力調(diào)度支持部門所需的新知識；而在系統(tǒng)測試階段，由于知識轉(zhuǎn)移效率值小于0，表明知識轉(zhuǎn)移造成了電力智能調(diào)度支持系統(tǒng)開發(fā)過程中系統(tǒng)測試知識的損失。但從整個電力智能調(diào)度支持系統(tǒng)知識轉(zhuǎn)移效率看，在整個知識轉(zhuǎn)移過程中知識的損失較小。

4總結(jié)

本文以傳統(tǒng)的知識轉(zhuǎn)移模型為基礎(chǔ)，結(jié)合智能學(xué)習(xí)的理念，提出了一種基于學(xué)習(xí)的知識轉(zhuǎn)移改進模型（Improved Model of Knowledge Transfer based on Learning，IMKT-L），并以電力智能調(diào)度支持系統(tǒng)為例，詳細描述了在電力智能調(diào)度支持系統(tǒng)的需求分析階段、系統(tǒng)設(shè)計階段、系統(tǒng)測試階段及系統(tǒng)建設(shè)階段中，IMKT-L模型如何利用智能學(xué)習(xí)算法挖掘知識規(guī)則、對設(shè)計路線建模以及優(yōu)化知識集合，并通過自定義的知識轉(zhuǎn)移效率比較來反饋優(yōu)化專家知識庫。最后通過比較分析得知，IMKT-L模型可有效降低整個電力智能調(diào)度支持系統(tǒng)需求、設(shè)計開發(fā)、測試及建設(shè)過程中知識的損失。

參考文獻：

[1]張文亮，劉壯志，王明俊，等. 智能電網(wǎng)的研究進展及發(fā)展趨勢[J]. 電網(wǎng)技術(shù)， 2009，33（13）：1-11.

[2]吳瓊，劉文穎，楊以涵. 智能型電網(wǎng)調(diào)度決策支持系統(tǒng)的開發(fā)與實現(xiàn)[J]. 電力系統(tǒng)自動化， 2006， 30（12）：79-83.

[3]Teece D. Technology Transfer by Multinational Firms：The Resource Costs of Transferring Technological Kow- how [J]. The Economic Journal， 1977（87）：242- 261.

[4]Hubel G. Organizational Learning：The Contributing Process and the Literatures[J]. Organization Science， 1991，2（1）：88-115.

[5]Argote l， Ingram P. Knowledge Transfer：A Basic for Competitive Advantage in Firms [J]. Organization Behavior and Human Decision Process， 2000， 82（1）：150-169.

[6]Szulanski G. Exploring Internal Stickiness：Impediments to the Transfer of Best Practice Within the Firm [J]. Strategic Management Journal （Special Issue）， 1996（17）：27- 44.

[7]Jeffrey L Cummings， Bing - Sheng Teng. Transferring R&D Knowledge：The Key Factors Affecting Knowledge Transfer Success [J]. Journal of Engineering and Technology Management， 2003（20）：39-68.

[8]Nonaka Ikujiro， Toyama Ryoko， Konno Noboru. SECI， Ba and Leadership：A Unified Model of Dynamic Knowledge Creation [J]. Long Range Planning， 2000（33）：5- 34.

[9]羅艷玲. 知識轉(zhuǎn)移模型的優(yōu)化研究[J]. 情報科學(xué)，2010，28（10）：1578-1583.

[10]王君，樊治平. 一種基于Multi-Agent 的知識轉(zhuǎn)移模型框架[J]. 東北大學(xué)學(xué)報（自然科學(xué)版）， 2003，24（1）：94-97.

[11]Denis Helic， Hermann Maurer， Nick Scerbakov. Knowledge Transfer Processes in a Modern WBT System [J]. Journal of Network and Computer Applications， 2004，27（3）：163–190.

[12]劉瑩，徐蓓蕓. ERP、CRM與SCM整合過程中的知識轉(zhuǎn)移研究[J]. 現(xiàn)代商業(yè)， 2008，23：196-197.

[13]張俊，張亮，杜子平. 基于知識轉(zhuǎn)移視角的信息系統(tǒng)開發(fā)方法的比較[J]. 圖書館學(xué)研究， 2011（1）：59-63.

[14]何永剛. 信息系統(tǒng)開發(fā)過程中的知識轉(zhuǎn)移研究[D]. 復(fù)旦大學(xué)博士論文，2007.

（責任編輯：張勇）