基于NLP技術(shù)實現(xiàn)停電原因智能分析的方法

秦浩 趙永生 江和順 梅戰(zhàn)旗 魏希文 吳少雄

關(guān)鍵詞：NLP技術(shù);智能分析;用電網(wǎng)絡(luò);高維度電力數(shù)據(jù)分析;電網(wǎng)停電數(shù)據(jù)

在互聯(lián)網(wǎng)技術(shù)蓬勃發(fā)展的環(huán)境下，電力設(shè)備能否正常運行給智能電網(wǎng)、電力用戶、工作等造成重要影響，給電力企業(yè)用戶造成無法衡量的損失。伴隨著電網(wǎng)信息技術(shù)的發(fā)展，產(chǎn)生了大量的電網(wǎng)信息數(shù)，尤其是造成停電原因的數(shù)據(jù)，如果電網(wǎng)用戶能夠恰當(dāng)?shù)貙ふ彝ｋ姅?shù)據(jù)信息，將在一定程度上挽回企業(yè)損失。停電的因素有很多，諸如無法抗拒的自然界外力因素，電力設(shè)備故障因素，在電網(wǎng)技術(shù)中電力需求側(cè)的供需失衡遭到破壞、人為蓄意地破壞、管理不足等方面。在較大的電網(wǎng)系統(tǒng)中，提供配電網(wǎng)的可靠性和穩(wěn)定性就需要一種分析智能電網(wǎng)停電的方法。

傳統(tǒng)技術(shù)中的分析方法通過檢測設(shè)備來衡量，這種方法檢測效果差，技能落后，已經(jīng)很難滿足現(xiàn)有電力、電網(wǎng)技術(shù)發(fā)展的需要。這就急需一種快速分析方法來克服上述技術(shù)的不足。本文引用一種中文搜索的方法引擎，能夠快速、便捷地提高停電原因分析，優(yōu)化提取配置配電網(wǎng)電力參數(shù)項目的智能化方式。針對停電原因信息的特點，采用基于神經(jīng)網(wǎng)絡(luò)訓(xùn)練（NLP）的智能電網(wǎng)信息提取模型，并在該模型的基礎(chǔ)上，采用關(guān)聯(lián)度匹配的檢測方法實現(xiàn)配電網(wǎng)項目關(guān)鍵指標(biāo)的大數(shù)據(jù)的重新勾畫，然后采用大數(shù)據(jù)關(guān)聯(lián)算法規(guī)則挖掘的方法對電力配電網(wǎng)中的關(guān)鍵指標(biāo)數(shù)據(jù)進(jìn)行有用信息的提取，然后再結(jié)合NLP深度學(xué)習(xí)算法對配電網(wǎng)項目關(guān)鍵指標(biāo)特征進(jìn)行自適應(yīng)學(xué)習(xí)和誤差補償。

1整體架構(gòu)設(shè)計

基于互聯(lián)網(wǎng)技術(shù)集成NLP技術(shù)，融人大數(shù)據(jù)降維技術(shù)PCA和聚類分析技術(shù)，在系統(tǒng)中設(shè)定Python等高級語言，進(jìn)而構(gòu)設(shè)出整體構(gòu)架框圖，其架構(gòu)設(shè)計圖如圖1所示。在圖1中，架構(gòu)圖包括電力設(shè)備層、數(shù)據(jù)存儲層、數(shù)據(jù)分析層和數(shù)據(jù)應(yīng)用層。在電力設(shè)備層中，布局有多種電力設(shè)備傳感器，通過各種傳感器設(shè)備實現(xiàn)對電網(wǎng)與用電設(shè)備的電流、電壓、功率、頻率等相關(guān)數(shù)據(jù)的采集，采集到的數(shù)據(jù)通過路由器進(jìn)行數(shù)據(jù)上傳。在數(shù)據(jù)存儲層中，根據(jù)數(shù)據(jù)的不同種類，按照用電數(shù)據(jù)信息、停電數(shù)據(jù)信息、故障數(shù)據(jù)信息等各種標(biāo)準(zhǔn)進(jìn)行分類存儲。在數(shù)據(jù)分析層中，通過NLP技術(shù)對存儲信息進(jìn)行分析，其中分析方法包括大數(shù)據(jù)降維處理分析法、聚類分析法，和數(shù)據(jù)的預(yù)處理。進(jìn)過數(shù)據(jù)分析后，復(fù)雜而龐大的數(shù)據(jù)，將會變得非常直觀，呈現(xiàn)與數(shù)據(jù)應(yīng)用層面再次存儲與各種數(shù)據(jù)庫。用戶使用時可直接從相應(yīng)的數(shù)據(jù)庫進(jìn)行數(shù)據(jù)調(diào)用。

在上述系統(tǒng)分析層中，考慮到用戶的多樣性，在設(shè)計軟件時，軟件通常以模塊化的方式設(shè)計，因此可以在界面以及功能上進(jìn)行自由組合。同時，它可以通過用戶需求的變化在一定程度上快速修改，而不需要調(diào)整軟件的核心部分。通信網(wǎng)絡(luò)層的作用是為系統(tǒng)軟件層以及智能設(shè)備層之間的信息傳輸提供技術(shù)支持以及平臺。然而，在其開發(fā)過程中，通信網(wǎng)絡(luò)層也增加了許多功能。除了提供基本的有線數(shù)據(jù)傳輸之外，它現(xiàn)在可以實現(xiàn)無線連接，并已在許多方面得到廣泛應(yīng)用。例如：物聯(lián)網(wǎng)技術(shù)、現(xiàn)場總線、無線傳輸、工業(yè)以太網(wǎng)、無線通訊、光纖技術(shù)等。用戶可以根據(jù)現(xiàn)場工作條件、數(shù)據(jù)處理容量情況等以各種可以組合的方式進(jìn)行組合。停電分析系統(tǒng)經(jīng)過不斷發(fā)展，不僅僅具有實時數(shù)據(jù)采集、遠(yuǎn)程控制、故障分析、程序管理等先進(jìn)功能。對于低壓電氣系統(tǒng)，由于可以直接連接到控制終端，所以需要應(yīng)用的設(shè)備更多，而且配電以及布局復(fù)雜，因此操作將變得非常頻繁。在停電分析系統(tǒng)中，它具有面向?qū)ο蟮墓ぷ髂Ｊ揭约昂軓姷目垢蓴_能力。它使用智能組件層的智能組件來完成控制工作。它是一個網(wǎng)絡(luò)集成控制系統(tǒng)，能夠?qū)崿F(xiàn)快速、高可靠性的運行狀態(tài)。在停電分析系統(tǒng)中，低壓智能設(shè)備在功能上可分為幾種類型，包括：測量參數(shù)模塊、電能質(zhì)量測量、開關(guān)保護(hù)以及控制等。由于總線技術(shù)的使用，智能設(shè)備可以獨立工作而不依賴于計算機網(wǎng)絡(luò)。該模式大大提高了系統(tǒng)工作效率，滿足了停電分析系統(tǒng)運行管理的要求。

2NLP技術(shù)分析方法

在對現(xiàn)代電力電網(wǎng)停電數(shù)據(jù)進(jìn)行智能化分析時，存在著多種對電力電網(wǎng)干擾的外界環(huán)境因素，諸如多種不同的網(wǎng)絡(luò)數(shù)據(jù)參數(shù)、信息報警數(shù)據(jù)、電網(wǎng)干擾電波、空氣濕度或者溫度范圍比較大的數(shù)據(jù)，自然環(huán)境災(zāi)害對電網(wǎng)環(huán)境的自然影響因素和人為影響因素、諧波電壓、電流等的不穩(wěn)定性因素、電壓的不穩(wěn)定性、電網(wǎng)信息異常跳動狀態(tài)頻率等。當(dāng)在電網(wǎng)波形中出現(xiàn)嚴(yán)重變形的信號時，這些各種干擾因素都能夠會造成停電。這些因素的整理也不是一件容易的事情，往往會摻雜各種外界的干擾因素，因此，剛開始時，就需要對各種不同的停電影響要素進(jìn)行分析、參考，對數(shù)據(jù)進(jìn)行預(yù)處理，過濾掉沒用的數(shù)據(jù)信息，獲取較為純潔的數(shù)據(jù)信息。數(shù)據(jù)預(yù)處理包括的方法有數(shù)據(jù)清理、數(shù)據(jù)集成數(shù)據(jù)變換、數(shù)據(jù)歸約等。

在經(jīng)過數(shù)據(jù)清洗之后，在清洗后的數(shù)據(jù)中，通過NLP技術(shù)引出“定義指令”。

在采用指令時，借助于Python語言，使用戶得出能夠與備注的數(shù)據(jù)庫相匹配的指令。在該指令庫中，能夠向檢索數(shù)據(jù)庫一樣被檢索到。進(jìn)而使用戶能夠直接看到各條不同指令表達(dá)的含義，然后用戶能夠通過圖文的多種表達(dá)方式確保用戶指令下達(dá)的正確性，通過語言編寫的方式編制這種方式，能夠使它被已知的現(xiàn)有系統(tǒng)認(rèn)可、接受。在工作之初，編寫完畢的對應(yīng)“定義指令”與“指令詞庫”相對應(yīng)。因此，僅僅需要將這種技術(shù)特征的指令編譯輸入“指令詞庫”即可。在應(yīng)用中，可以根據(jù)數(shù)據(jù)錯誤的情況修改對應(yīng)的參數(shù)。

通過構(gòu)建上述NLP分析模型，然后采用大數(shù)據(jù)降維技術(shù)PCA（ PrincipaIComponentAnalysis）即主成分對數(shù)據(jù)進(jìn)行分析，該方法是用于探索高維數(shù)據(jù)結(jié)構(gòu)的技術(shù)。PCA常用于現(xiàn)代大數(shù)據(jù)高維降維處理，使不可見的高維數(shù)據(jù)變成可視化的低維數(shù)據(jù)圖像。PCA在數(shù)據(jù)分析中最重要的一點就是將具有關(guān)聯(lián)特性的數(shù)據(jù)合成線性無關(guān)的低維數(shù)據(jù)，這在PCA降維技術(shù)中稱之為主成分。雖然高維數(shù)據(jù)經(jīng)過了降維處理，但是通過PCA轉(zhuǎn)換的低維數(shù)據(jù)仍具備原有數(shù)據(jù)所需的變量特征。而特征性稀疏，特征維度高又是現(xiàn)在自然語言的本身特性。而高特征維數(shù)又會使在建立模型時出現(xiàn)高維特征性問題。使最后運算出來的數(shù)據(jù)失真，變得毫無價值。又極易出現(xiàn)連鎖高維特征運算崩潰，加大計算難度與準(zhǔn)確度。稀疏的特征又會占用計算機大量資源，是計算機一直重復(fù)計算不必要的特征。由此可見，在進(jìn)行大量數(shù)據(jù)分析并包含自然語言時，降維使我們應(yīng)該首先考慮的事情。通過分析本次技術(shù)包含自然語言，本文設(shè)計中通過使用PVA技術(shù)使停電分析原因變得顯而易見。

在對大數(shù)據(jù)分析時，在經(jīng)歷了大數(shù)據(jù)降維之后，可以再采用聚類方法對處理后的數(shù)據(jù)進(jìn)行二次處理。常見的聚類算法有很多種，比如聚類分析算法、決策樹分類方法、與關(guān)聯(lián)聚類方法以及與網(wǎng)格有關(guān)的聚類方法等。在諸多的算法類型中，進(jìn)行合適的聚類分類對于用戶處理數(shù)據(jù)具有重要的作用。由于分析樣本數(shù)量巨大，重復(fù)率高而且樣本特征混雜，采用劃分聚類法將會使計算分析變得十分簡單。在本文應(yīng)用中，采用K-means算法對降維后的數(shù)據(jù)進(jìn)行分析、聚類。在應(yīng)用時，假設(shè)要將N個停電數(shù)據(jù)類型劃分為K類，則可以隨機地選擇K個不同的對象，在所選擇的K個不同的對象中定義表示個類的停電設(shè)備數(shù)據(jù)中心，然后將距離最小的停電故障數(shù)據(jù)分配到用戶規(guī)定的不同屬性的數(shù)據(jù)類型中。在首次的停電數(shù)據(jù)信息分配到用戶設(shè)定的屬性中后，然后求出剩余屬性的停電數(shù)據(jù)信息對象的個體屬性均值，再將該均值作為數(shù)據(jù)劃分屬性的新中心，然后再次重新分配，直到達(dá)到用戶的滿意值為止。這種方法能夠根據(jù)用戶設(shè)定的各種屬性類型來實現(xiàn)不同電網(wǎng)設(shè)備停電的數(shù)據(jù)的不同分類。

3仿真實驗與分析

在模擬仿真時，在國網(wǎng)安徽省電力有限公司內(nèi)部提供的硬件資源和平臺進(jìn)行仿真和模擬。仿真系統(tǒng)采用的語言為VisuaIC，采用的服務(wù)器操作系統(tǒng)為WindowsServer2015，數(shù)據(jù)庫管理系統(tǒng)軟件為SQLServer2015，Web服務(wù)器軟件為IIS6.O。采用的仿真試驗根據(jù)IEC61850標(biāo)準(zhǔn)建立電能質(zhì)量監(jiān)測模型，實驗時通過MMS協(xié)議將電能質(zhì)量監(jiān)測數(shù)據(jù)實時傳遞到主站，并對數(shù)據(jù)進(jìn)行計算、存儲。通過客戶端內(nèi)的Silverlight程序進(jìn)行WCF服務(wù)，進(jìn)而獲取實時監(jiān)測的電力網(wǎng)路數(shù)據(jù)，在OneNet平臺中進(jìn)行一體化處理、顯示。試驗結(jié)構(gòu)原理圖如圖3所示。

實驗時在電力網(wǎng)絡(luò)中的不同位置分別設(shè)置5臺電力網(wǎng)絡(luò)質(zhì)量檢測模塊。隨機從采集檢測數(shù)據(jù)，分別在50V、100V、120V、150V.200V和220V時電力網(wǎng)絡(luò)線路附近監(jiān)測線路上的停電信息情況。在此，僅僅對電壓和電流的誤差數(shù)據(jù)作為評估，測試數(shù)據(jù)樣本如表2所示。

通過上述分析，當(dāng)K=2時，能夠?qū)⑼ｋ娦畔澐譃?類（通過NIP語意的方式分別表示對應(yīng)表中的1和2），因此可以看出屬于那種故障類型。當(dāng)K=3時，停電原因可以表示為繼電器開關(guān)壞，轉(zhuǎn)向泵漏油等其他類別中的3種（分別對應(yīng)表中=3時的2、5等），由此可見，同種類型的停電信息之間的語義較為接近。當(dāng)K值增加時，對于停電類型的劃分將逐步地細(xì)化，當(dāng)類別數(shù)增加時，聚類中心個數(shù)也在增加，在停電信息中，停電信息由于存在各種不同的情況，將剛開始聚類分析時被聚為一類的電網(wǎng)設(shè)備停電信息重新構(gòu)成新的屬性，使得停電信息類型的屬性劃分更加細(xì)化。

通過圖4可以看出，在相同時間內(nèi)，采用相同的常規(guī)設(shè)備儀器檢定停電原因分析與采用NIP技術(shù)進(jìn)行比較。采用常規(guī)方法的數(shù)據(jù)正確率低于80%，采用NLP技術(shù)時，數(shù)據(jù)的完整性高于90%，近乎100%。因此，比起常規(guī)方法的數(shù)據(jù)正確率，采用NLP技術(shù)的數(shù)據(jù)正確率略高。

4結(jié)論

通過采用NLP技術(shù)對電力電網(wǎng)中設(shè)備的各種智能停電原因進(jìn)行智能分析。區(qū)別于常規(guī)技術(shù)，采用人工編制停用詞表、機械分詞法進(jìn)行數(shù)據(jù)預(yù)處理，這種方式能夠直接地描述智能電網(wǎng)停電原因信息。采用NLP技術(shù)設(shè)定的故障信息語句精短，語義容易理解。有利用用戶在處理復(fù)雜信息時建立合理的向量空間模型，在應(yīng)用過程中，通過采用自然語言處理的智能搜索引擎，便于用戶更大程度地對電網(wǎng)智能數(shù)據(jù)進(jìn)行分析。為后續(xù)實現(xiàn)智能電網(wǎng)分析技術(shù)提供重要技術(shù)支撐。