基于LSTM和CNN文本分類模型實現(xiàn)配網作業(yè)智能風險評估

許杰 朱超越 畢成 吳琴 陳潘霞

摘? 要：文章介紹了配網工程及安全管理現(xiàn)狀，分析了開展科學、準確的配網作業(yè)智能風險評估的迫切需求，通過明確各類作業(yè)風險評估的風險要素，確定了配網作業(yè)智能風險評估模型和算法要解決“作業(yè)內容”文本分析的難題，并提出了基于LSTM和CNN文本分類模型的解決方案。通過搭建配網作業(yè)全過程管控平臺，實現(xiàn)了配網作業(yè)風險自動評級，有效指導各項安全控制措施的編制、現(xiàn)場監(jiān)護及到崗到位的排定，提高了配網作業(yè)全過程管控的智能化水平。

關鍵詞：配網作業(yè);風險評估;LSTM;CNN

中圖分類號：TP182;TP311? ? ? 文獻標識碼：A 文章編號：2096-4706（2020）18-0153-05

Abstract：The article introduces the status of safety management of distribution networks operations and analyzes the urgent need for scientific and precise distribution network operation intelligent risk assessment. By clarifying the risk factors of various operations risk assessment，it is determined that the intelligent risk assessment model and algorithm of distribution network operations should solve the problem of text analysis of“job content”and proposed a solution based on LSTM and CNN text classification model. Through the establishment of a management and control platform for the entire process of distribution network operation，automatic risk assessment of distribution network operation has been realized，which effectively guides the preparation of various safety control measures，on-site monitoring and on-the-job scheduling，and improves the intelligence of the entire process of distribution network operation level.

Keywords：distribution network operation;risk assessment;LSTM;CNN

0? 引? 言

近年來，電力配網建設得到長足發(fā)展，國家能源局2015年發(fā)布的《配網建設改造行動計劃（2015—2020年）》、國家發(fā)展改革委2016年發(fā)布的《關于加快配電網建設改造的指導意見》等文件中，均明確提出加快現(xiàn)代配網建設。與此同時，電力工程安全監(jiān)管逐漸得到人們的重視。目前，我國配網工程管理中存在著一定的安全隱患，加之現(xiàn)階段缺乏有效、準確的作業(yè)風險評估方式，難以辨識配網作業(yè)的重點風險、重點管控內容，加劇了配網施工管理難度。因此，在電力配網施工中，公司迫切需要利用移動互聯(lián)網、人工智能等技術，開展對配網作業(yè)智能風險評估模型算法的研究和應用，為現(xiàn)場作業(yè)管理提供技術支撐，實現(xiàn)科學、準確的作業(yè)風險評估，并為作業(yè)現(xiàn)場提供安全指導。

1? 模型算法實現(xiàn)

1.1? 明確風險要素

實現(xiàn)模型算法的第一步是明確風險要素。首先對配網作業(yè)開展分類風險識別，實現(xiàn)針對不同類型作業(yè)的風險要素分析，并在此基礎上對有影響的風險要素進行歸類分級。本文根據(jù)大量歷史數(shù)據(jù)積累、各專業(yè)專家經驗、基層單位調查分析等，從作業(yè)性質、裝備配置、作業(yè)環(huán)境、人員情況、重點“作業(yè)內容”5方面來表述風險要素類別，并結合電力作業(yè)的專業(yè)不同風險要素也不同的特性，將重點“作業(yè)內容”項分類型提煉表述。配網作業(yè)重要的風險要素如圖1所示。

1.2? 建立智能風險評估模型

配網作業(yè)智能風險評估模型，從人員情況、裝備配置、作業(yè)性質、作業(yè)環(huán)境、重點“作業(yè)內容”共5類風險要素開展配網作業(yè)風險分析。以周工作計劃為主線，基于人員信息庫和大型安全工器具庫自動拆分匹配風險要素項，并抽取“作業(yè)內容”，利用LSTM和CNN混合模型文本分類算法對“作業(yè)內容”項進行計算，結合各專業(yè)風險評定標準庫對各項“作業(yè)內容”進行風險賦值得出總分，并自動輸出各項目作業(yè)計劃的風險等級。根據(jù)風險等級的不同，可指導各項控制措施的編制、現(xiàn)場監(jiān)護及到崗到位的排定。智能風險評估模型如圖2所示。

1.3? 實現(xiàn)智能風險評估算法

上一節(jié)建立的評估模型可明確算法的核心是要解決各專業(yè)“作業(yè)內容”的自動識別，即實現(xiàn)對“作業(yè)內容”的語義識別。語義識別主要基于文本分類算法實現(xiàn)對“作業(yè)內容”的分類識別，本節(jié)采用了一種基于LSTM和CNN混合模型文本分類算法來實現(xiàn)“作業(yè)內容”的自動識別，從而實現(xiàn)配網作業(yè)智能風險評估，其簡要介紹如下。

1.3.1? CNN

CNN（卷積神經網絡）是一種深度學習網絡，通常由輸入層、卷積層、池化層、全連接層、輸出層構成。

（1）輸入層：可以表達為整個神經網絡的開始，在文本處理領域，卷積神經網絡的輸入可以認為是一張文本矩陣。

（2）卷積層：作為CNN最重要的一部分，卷積層中每一個節(jié)點的輸入為上一層神經網絡的一小塊，卷積層將每一小塊進行更加深入的分析從而得到更加抽象的特征。以Hi表示卷積神經網絡第i層的文本特征（H0=X），W表示權值向量，b表示偏移量，假設Hi是卷積層，Hi的具體產生過程如下：

（3）池化層：可以非常有效地縮小文本矩陣尺寸，經常被使用的兩種操作為最大值池化和平均值池化，可以進一步減少全連接層中的節(jié)點個數(shù)，最終達到減少整個神經網絡中參數(shù)的目的。

（4）全連接層：提取文本特征，通過全連接層完成“作業(yè)內容”的分類，此時分類可以明確配網作業(yè)的專業(yè)類型。

（5）輸出層：輸出層完成基于專業(yè)類型的細化危險因素分類問題，得到當前“作業(yè)內容”屬于不同種類的概率分布情況。

1.3.2? LSTM

LSTM（長短期記憶網絡）是一種特殊的RNN（循環(huán)神經網絡），RNN是一種廣泛用于處理可變長序列的神經網絡，但由于典型的RNN相當于多層前反饋神經網絡，長序列帶來的大量歷史信息會導致傳輸中的梯度消失和梯度爆炸問題。LSTM的提出是為了克服RNN網絡不能處理遠距離依賴的問題，是一種改進的基于RNN的網絡結構，其通過增加存儲單元、輸入門、遺忘門和輸出門來有效地保存長序列的歷史信息，改善由于RNN訓練層數(shù)較多而導致的信息丟失問題。LSTM單元結構如圖3所示。

（1）存儲單元：存儲單元設置C用來存儲當前時刻歷史信息。

（2）輸入門：輸入門設ut決定當前時刻輸入向量對存儲單元中信息的改變量。

（3）遺忘門：遺忘門設rt是歷史信息對當前信息的影響程度。假設我們正在閱讀文本中的單詞，并希望使用LSTM來跟蹤語法結構，如果主語從單數(shù)變成復數(shù)，需要找到一種方法來擺脫我們先前存儲的單復數(shù)狀態(tài)的記憶值。通過遺忘門和輸入門，LSTM結構可以更加有效地決定哪些信息應該被遺忘，哪些信息應該得到保留。

（4）輸出門：輸出門Ot用于控制當前存儲單元中信息的輸出量，xt為輸入的詞向量矩陣，ht為LSTM的最終輸出。

可以理解為LSTM根據(jù)輸入門、遺忘門、輸出門3個門控單元對信息進行過濾，并通過線性自連接的存儲單元累積信息，將其作為中間產物以求出當前時刻隱藏層的輸出。

1.3.3? LSTM和CNN混合模型

隨著多種神經網絡的混合使用在語音識別和計算機視覺等領域的盛行，對將CNN和LSTM等模型結合運用在自然語言處理領域的研究也逐漸增多，結合CNN及LSTM這兩種不同深度學習模型優(yōu)點的混合模型也開始被提出和應用。前文通過分析明確了要解決各專業(yè)“作業(yè)內容”的自動識別，配網作業(yè)智能風險評估模型和算法核心需采用LSTM和CNN混合模型來進行文本分類。LSTM和CNN混合模型結構如圖4所示。

CNN-LSTM利用CNN提取較高層次的單詞表示序列，并將其輸入LSTM中得到句子表示。它既能夠捕獲文本的局部特征，又能獲取句子的時態(tài)語義，在情感分類任務中表現(xiàn)良好。基于LSTM和CNN的混合模型將詞嵌入后的文本融合到各個卷積層的輸出中，加強了原始特征的傳遞，解決了由于神經網絡深度增加所帶來的模型訓練困難、時間復雜度高、學習周期長、收斂速度慢、梯度消失等問題，提高了文本分類的準確率和性能。同理，將其應用至配網作業(yè)“作業(yè)內容”文本分析中也能提高其分類的準確率和性能;應用至配網作業(yè)智能風險評估模型算法中，也使得風險評估結果更為科學、準確。

1.4? 結果驗證

為了證明本文評估模型算法的有效性、準確性，本文通過搭建模型訓練環(huán)境，使用公司近2年配網工程施工的作業(yè)計劃作為訓練集擬合模型。大批量的訓練集數(shù)據(jù)中，每項作業(yè)計劃數(shù)據(jù)都包含了前文已明確的風險要素類別，并且每項作業(yè)計劃均已包含了風險定級，此風險定級結果是已經過公司各生產單位實際工作經驗積累，在事后敲定的風險等級，可作為參照值來指導模型訓練。經訓練，進一步明確不同作業(yè)類型的每一小項風險要素類別取舍，并敲定其權重分值，便于事前開展科學、準確的風險定級。例如，經訓練明確的配電運檢作業(yè)風險定級標準規(guī)范如表1所示。

使用公司近6個月配網工程施工的作業(yè)計劃作為測試集對模型算法的結果進行測試，同樣測試集數(shù)據(jù)中每項作業(yè)計劃數(shù)據(jù)也都包含了風險要素類別和風險定級，最終分工程類型將測試結果與測試數(shù)據(jù)值進行對比分析，得出總體準確率保持在95%以上，測試結果如圖5所示。

2? 平臺建設

基于配網作業(yè)智能風險評估模型的算法研究和模型測試結果，公司使用TensorFlow開發(fā)和應用了配網作業(yè)全過程管控平臺，通過平臺功能實現(xiàn)了各專業(yè)風險賦值表的建立、人員信息庫的建立、大型工器具庫的建立，為智能風險評估和定級提供了數(shù)據(jù)支撐;并融入了基于LSTM和CNN的文本分類模型，實現(xiàn)了智能風險評估模型和算法，為現(xiàn)場作業(yè)管理提供技術支撐，實現(xiàn)對現(xiàn)場作業(yè)的全過程實時管控，實現(xiàn)科學、準確的配網作業(yè)風險評估。

通常情況下，配網風險管理由作業(yè)管理人員以周作業(yè)計劃為單位批量導入，導入后根據(jù)后臺設定的自動評測時間，定時觸發(fā)開啟對所有作業(yè)的風險自動評估定級。平臺同時支持對單條計劃手動觸發(fā)風險自動評估定級，定級后可查看各作業(yè)計劃的每項風險要素類別判斷結果。自動風險評估結果展示如圖6所示。

3? 結? 論

綜上所述，基于LSTM和CNN文本分類模型實現(xiàn)的配網作業(yè)智能風險評估模型和算法，為作業(yè)風險評估的科學性、準確性奠定了基礎。公司通過應用模型算法搭建配網作業(yè)全過程管控平臺，實現(xiàn)了各類配網作業(yè)的智能化風險評估，實現(xiàn)了對配網作業(yè)全過程的標準化、全景化、電子化、實時化管控，進一步提高了配網作業(yè)管理的針對性和工作效率，實現(xiàn)了管理水平和工作效率的雙提升。

參考文獻：

[1] 國家電網公司.供電企業(yè)安全風險評估規(guī)范 [M].北京：中國電力出版社，2008.

[2] 林奕歐，雷航，李曉瑜，等.自然語言處理中的深度學習：方法及應用 [J].電子科技大學學報，2017，46（6）：913-919.

[3] 邱寧佳，叢琳，周思丞，等.結合改進主動學習的SVD-CNN彈幕文本分類算法 [J].計算機應用.

[4] 陳磊，李俊.基于詞向量的文本特征選擇方法研究 [J].小型微型計算機系統(tǒng)，2018，39（5）：991-994.

作者簡介：許杰（1984.04—），男，漢族，浙江杭州人，高級工程師，本科，主要研究方向：電力工程項目的信息化管理、電氣試驗、電動汽車充換電與配電網融合互動。