基于機(jī)器學(xué)習(xí)的調(diào)度操作行為挖掘與推薦技術(shù)研究及應(yīng)用

吳自博，王 波，3，陳 清，郭耀松，趙京虎，閃 鑫，3

（1. 南瑞集團(tuán)有限公司（國(guó)網(wǎng)電力科學(xué)研究院有限公司）,江蘇省 南京市 211106；2. 國(guó)電南瑞科技股份有限公司,江蘇省 南京市 211106；3. 智能電網(wǎng)保護(hù)和運(yùn)行控制國(guó)家重點(diǎn)實(shí)驗(yàn)室,江蘇省 南京市 211106）

0 引言

調(diào)度系統(tǒng)作為現(xiàn)代電網(wǎng)平穩(wěn)運(yùn)行的基石,涵蓋了輸、配電等調(diào)度業(yè)務(wù)和對(duì)電網(wǎng)整體運(yùn)行狀態(tài)的監(jiān)測(cè)、控制、管理等任務(wù)。調(diào)度員通過調(diào)度系統(tǒng)監(jiān)控電網(wǎng)運(yùn)行狀況,分析電網(wǎng)故障信息,保障電網(wǎng)的安全與穩(wěn)定。但隨著電網(wǎng)規(guī)模的不斷擴(kuò)大、調(diào)度系統(tǒng)的迭代升級(jí)、操作程序的日趨復(fù)雜,調(diào)度員的工作量和工作負(fù)擔(dān)也逐漸加重,尤其是調(diào)度員在調(diào)控系統(tǒng)上進(jìn)行斷面監(jiān)視、負(fù)荷控制、方式調(diào)整及故障分析等工作時(shí),往往需要花費(fèi)大量精力在多個(gè)系統(tǒng)頁面之間進(jìn)行反復(fù)跳轉(zhuǎn)、查找,以獲取某個(gè)業(yè)務(wù)場(chǎng)景所需指標(biāo),或在特定頁面上實(shí)施重復(fù)煩瑣的操作流程,嚴(yán)重影響了調(diào)度員的工作效率［1-4］。因此,如何優(yōu)化調(diào)度員的操作流程、簡(jiǎn)化調(diào)度員操作任務(wù),對(duì)于減少調(diào)度員工作負(fù)擔(dān)、提高調(diào)度工作效率具有重要意義,值得深入研究［5］。

隨著大數(shù)據(jù)的普及和發(fā)展,近年來基于用戶日志的數(shù)據(jù)挖掘和推薦技術(shù)日趨成熟,并在許多領(lǐng)域取得了成功應(yīng)用。文獻(xiàn)［6-7］通過分析用戶在網(wǎng)站上的瀏覽路徑,對(duì)網(wǎng)站的頁面結(jié)構(gòu)進(jìn)行優(yōu)化,方便用戶快速到達(dá)其感興趣的頁面。文獻(xiàn)［8-9］通過對(duì)用戶的瀏覽記錄進(jìn)行聚類分類,實(shí)現(xiàn)對(duì)不同類型用戶推薦不同內(nèi)容的功能。文獻(xiàn)［10］根據(jù)期刊的推薦業(yè)務(wù)需求,設(shè)計(jì)了數(shù)字期刊推薦系統(tǒng)的框架,實(shí)現(xiàn)期刊內(nèi)容資源與用戶需求的有效匹配。

在電網(wǎng)調(diào)度領(lǐng)域,目前鮮有對(duì)調(diào)度操作行為模式挖掘和推薦的技術(shù)研究,更多的是基于調(diào)度規(guī)程和人工經(jīng)驗(yàn)的操作輔助決策。文獻(xiàn)［11］指出了當(dāng)前電網(wǎng)調(diào)度的一些業(yè)務(wù)模式及相應(yīng)規(guī)范準(zhǔn)則,但不涉及調(diào)度員操作模式挖掘及效率提升。文獻(xiàn)［12］采用自然語言處理技術(shù)對(duì)線路跳閘的處理規(guī)程進(jìn)行知識(shí)抽取,形成流程化的知識(shí),用于協(xié)助調(diào)控人員完成故障處理。文獻(xiàn)［13-14］提出通過構(gòu)建調(diào)控領(lǐng)域的知識(shí)圖譜,支撐調(diào)度員在故障處置、倒閘操作、對(duì)話問答等業(yè)務(wù)場(chǎng)景的輔助決策,有效地降低人工處置的風(fēng)險(xiǎn)。

因此,受互聯(lián)網(wǎng)用戶個(gè)性化推薦思路的啟發(fā),本文基于調(diào)度員的歷史操作行為數(shù)據(jù),采用機(jī)器學(xué)習(xí)技術(shù)與數(shù)據(jù)挖掘算法對(duì)調(diào)度員操作行為模式挖掘進(jìn)行了深入研究,并在此基礎(chǔ)上實(shí)現(xiàn)了基于操作模式挖掘結(jié)果的調(diào)度智能推薦,有效簡(jiǎn)化了調(diào)度員的操作步驟,節(jié)省了操作時(shí)間,提升了工作效率。

1 整體框架

基于機(jī)器學(xué)習(xí)的調(diào)度操作行為模式挖掘與操作推薦總體框架如圖1 所示,主要包括:數(shù)據(jù)采集、模式挖掘、實(shí)時(shí)推薦、交互界面4 個(gè)模塊。

圖1 電網(wǎng)調(diào)度行為模式挖掘及推薦框架Fig.1 Mining and recommendation framework for power grid dispatch behavior pattern

1）數(shù)據(jù)采集模塊對(duì)不同用戶在系統(tǒng)界面中的操作動(dòng)作進(jìn)行記錄和管理。行為捕捉以內(nèi)部埋點(diǎn)跟蹤和事件觸發(fā)的方式捕捉調(diào)度員的操作動(dòng)作；行為處理將捕捉到的操作以行為日志和實(shí)時(shí)消息的形式生成相應(yīng)結(jié)構(gòu)化操作日志。如附錄A 圖A1 所示,操作日志通過預(yù)設(shè)標(biāo)簽標(biāo)識(shí)用戶名、操作時(shí)間、圖形名稱、操作內(nèi)容等信息。

2）模式挖掘模塊負(fù)責(zé)對(duì)歷史操作記錄中的調(diào)度員瀏覽和操作模式進(jìn)行挖掘。其中,數(shù)據(jù)預(yù)處理用以將原始的調(diào)度員操作記錄處理成后續(xù)模型需要的用戶會(huì)話；聚類挖掘?qū)τ脩魰?huì)話進(jìn)行挖掘分析獲得相應(yīng)的操作行為模式；關(guān)聯(lián)規(guī)則模塊以聚類分析出的模式為基礎(chǔ),構(gòu)造該模式的頻繁模式樹（FPtree）并挖掘出頻繁模式項(xiàng)作為后續(xù)的推薦數(shù)據(jù)源。

3）實(shí)時(shí)推薦模塊通過實(shí)時(shí)跟蹤用戶頁面操作序列,在線匹配識(shí)別用戶所處操作行為模式,完成對(duì)后續(xù)操作的關(guān)聯(lián)推薦、統(tǒng)計(jì)推薦等智能操作推薦服務(wù)。

4）交互界面負(fù)責(zé)操作推薦結(jié)果的實(shí)時(shí)展示與操作交互,提供即時(shí)推薦、熱點(diǎn)排行、定時(shí)任務(wù)等多種操作推薦方式,并可通過快捷操作的交互方式實(shí)現(xiàn)對(duì)推薦內(nèi)容的一鍵操作。

2 關(guān)鍵技術(shù)

行為模式挖掘與操作實(shí)時(shí)推薦是整個(gè)技術(shù)框架的核心內(nèi)容,下面將介紹其涉及的關(guān)鍵技術(shù)。

2.1 數(shù)據(jù)預(yù)處理

2.1.1 頁面類型劃分

在電網(wǎng)調(diào)度系統(tǒng)中,有的類型頁面可以展示不同場(chǎng)站、設(shè)備的內(nèi)容。例如所有“XX 變電站.fac”表示各具體廠站圖,即廠站類型的頁面。在操作模式挖掘中需將這樣的頁面進(jìn)行歸一化處理,避免將具體廠站、設(shè)備信息混雜在操作模式中,影響后續(xù)模式的聚類效果。

通常系統(tǒng)頁面可分為應(yīng)用系統(tǒng)圖、廠站圖、曲線圖等不同類型。頁面類型劃分時(shí),對(duì)于邏輯上具有唯一性的應(yīng)用系統(tǒng)圖,采用不同頁面編號(hào)來劃分定義；而對(duì)于具有不同頁面實(shí)例的廠站圖（如XX 變電站廠站圖）、曲線圖（如XX 設(shè)備有功功率今日曲線）等頁面類型,按照其所屬頁面類型定義為相同的頁面編號(hào)。

2.1.2 會(huì)話識(shí)別

調(diào)度員的操作行為記錄是時(shí)間上連續(xù)的一串頁面瀏覽序列,會(huì)話為按照不同調(diào)度業(yè)務(wù)從整串頁面瀏覽序列中截取出的子序列,調(diào)度員通過瀏覽子序列中的頁面完成某個(gè)任務(wù)。會(huì)話中的單個(gè)頁面及其停留時(shí)長(zhǎng)構(gòu)成相應(yīng)的一個(gè)頁面實(shí)例。

本文采用時(shí)間窗口法進(jìn)行會(huì)話識(shí)別［15］。時(shí)間窗口法認(rèn)為兩個(gè)連續(xù)頁面之間的時(shí)間間隔大于某個(gè)閾值時(shí),原會(huì)話截止,新的會(huì)話產(chǎn)生。在調(diào)度系統(tǒng)中,調(diào)度員連續(xù)操作頁面進(jìn)行跳轉(zhuǎn)時(shí),若某一頁面與其下一頁面的間隔時(shí)間大于設(shè)定閾值,則認(rèn)為該頁面與其下一頁面分屬不同的會(huì)話,通常會(huì)話識(shí)別默認(rèn)閾值為300 s［16］。

在電網(wǎng)調(diào)度系統(tǒng)中,調(diào)控人員為了監(jiān)視某些指標(biāo),經(jīng)常在一些頁面長(zhǎng)時(shí)間停留,遠(yuǎn)超過300 s,會(huì)話并未就此斷開。針對(duì)該特點(diǎn),本文提出對(duì)于不同頁面通過分析其頁面實(shí)例停留時(shí)長(zhǎng)的分布區(qū)間給出不同的會(huì)話識(shí)別閾值。具體地,定義頁面實(shí)例停留時(shí)長(zhǎng)的中位數(shù)為頁面參考時(shí)長(zhǎng),當(dāng)頁面的參考時(shí)長(zhǎng)超過300 s 時(shí),則其會(huì)話識(shí)別閾值調(diào)整為默認(rèn)閾值的2 倍,即600 s。

2.1.3 事務(wù)識(shí)別

在頁面瀏覽序列中,根據(jù)用戶瀏覽性質(zhì)可將頁面分為事務(wù)頁和導(dǎo)航頁。事務(wù)頁是具有訪問目的、調(diào)控人員感興趣的頁面,如電網(wǎng)負(fù)荷監(jiān)視頁；而導(dǎo)航頁是調(diào)控人員在瀏覽過程中跳轉(zhuǎn)性質(zhì)的頁面,如廠站目錄頁。所謂事務(wù)識(shí)別就是區(qū)分出頁面瀏覽序列中的事務(wù)頁。事務(wù)識(shí)別如圖2 所示,其中N 表示導(dǎo)航頁,C 表示事務(wù)頁。

圖2 事務(wù)識(shí)別示意圖Fig.2 Schematic diagram of routine identification

頁面實(shí)例的停留時(shí)長(zhǎng)超過設(shè)定閾值時(shí),該頁面實(shí)例是事務(wù)頁；反之該頁面實(shí)例是導(dǎo)航頁［17］。其中,閾值的設(shè)定通過分析典型事務(wù)頁和導(dǎo)航頁的頁面停留時(shí)長(zhǎng)分布狀況給出。其設(shè)定過程同會(huì)話識(shí)別類似,根據(jù)二八原則,定義80%的頁面實(shí)例不超過的停留時(shí)長(zhǎng)為事務(wù)參考值。

2.2 聚類挖掘

經(jīng)過上文數(shù)據(jù)預(yù)處理后,調(diào)度員的操作日志被分段逐條整理成經(jīng)過編號(hào)的瀏覽序列,然后通過聚類算法將相似的瀏覽序列劃分為一類,從而識(shí)別出調(diào)度員的瀏覽行為模式。本文采用近鄰傳播（AP）聚類算法進(jìn)行模式挖掘［18］。該算法無須預(yù)先指定聚類的簇?cái)?shù),輸入?yún)?shù)為兩兩會(huì)話之間的相似度,以解決多個(gè)會(huì)話向量維度無法統(tǒng)一的問題。

2.2.1 會(huì)話相似度計(jì)算

會(huì)話相似度計(jì)算的本質(zhì)方法為余弦相似度的計(jì)算,首先根據(jù)0-0 匹配原則對(duì)2 個(gè)會(huì)話建立非零的會(huì)話向量［19］,其過程如下。

建立2 個(gè)事務(wù)會(huì)話集a、b及a、b的并集c,a={a1,a2,…,an},b={b1,b2,…,bm},c={c1,c2,…,ck},其中,n、m、k分別為a、b、c中事務(wù)的個(gè)數(shù)?；诓⒓痗可以將集合a、b轉(zhuǎn)換為向量x、y的形式表示,即x=[x1,x2,…,xk],y=[y1,y2,…,yk],其向量元素xk和yk分別表示會(huì)話集a、b中第k個(gè)事務(wù)在事務(wù)并集c中出現(xiàn)的次數(shù)。

考慮到存在用戶需要反復(fù)在幾個(gè)事務(wù)頁間切換的情況,事務(wù)頁出現(xiàn)次數(shù)過高,會(huì)使得相似會(huì)話的相似度降低,影響分類結(jié)果。針對(duì)該問題,本文提出對(duì)會(huì)話向量中的元素進(jìn)行頻次加權(quán)處理:

如果經(jīng)過若干次迭代之后保持不變或者算法執(zhí)行超過設(shè)定的迭代次數(shù),則算法結(jié)束。

聚類效果以輪廓系數(shù)為評(píng)價(jià)標(biāo)準(zhǔn)［21］。對(duì)于個(gè)體點(diǎn)其輪廓系數(shù)Si為:

式中:bi為第i個(gè)對(duì)象和不包含該對(duì)象的任意簇中所有對(duì)象的平均距離的最小值；ai為第i個(gè)對(duì)象到所屬簇中所有其他對(duì)象的平均距離。

2.3 關(guān)聯(lián)規(guī)則

實(shí)時(shí)推薦時(shí)需要對(duì)用戶操作序列和挖掘出的行為模式在線逐個(gè)匹配并計(jì)算置信度,因此,選取一種合適的數(shù)據(jù)結(jié)構(gòu)緩存行為模式的相關(guān)信息對(duì)于提升匹配和推薦效率至關(guān)重要。本文采用頻繁模式增長(zhǎng)（FP-Growth）算法來建立FP-tree 數(shù)據(jù)緩存結(jié)構(gòu)并挖掘關(guān)聯(lián)規(guī)則［22］。

FP-Growth 算法通過對(duì)源數(shù)據(jù)進(jìn)行2 次掃描,將數(shù)據(jù)信息存儲(chǔ)至FP-tree,從而避免產(chǎn)生候選項(xiàng)集的步驟,減少了數(shù)據(jù)匹配開銷。該算法由構(gòu)建FPtree 和頻繁項(xiàng)集挖掘2 個(gè)步驟組成。FP-tree 是一種擴(kuò)展的前綴樹結(jié)構(gòu),由頻繁項(xiàng)頭指針表和項(xiàng)前綴樹構(gòu)成,存儲(chǔ)關(guān)于頻繁模式次數(shù)的信息；頻繁項(xiàng)集挖掘是通過頭指針表生成條件模式基后,根據(jù)計(jì)數(shù)值判定該路徑集合是否為頻繁項(xiàng),迭代重復(fù)上述步驟,遞歸地發(fā)現(xiàn)頻繁項(xiàng)、條件模式基以及另外的條件樹。其中,挖掘出的頻繁項(xiàng)集是用戶日常工作中的頁面關(guān)聯(lián)規(guī)則。在電網(wǎng)調(diào)控領(lǐng)域,用戶的頁面瀏覽順序和業(yè)務(wù)背景有密切關(guān)系,但該頻繁項(xiàng)集無法反應(yīng)頁面的瀏覽順序。因此,本文參考?xì)v史會(huì)話中的頁面瀏覽順序?qū)﹃P(guān)聯(lián)規(guī)則中的頁面進(jìn)行重新排序,篩選出包含關(guān)聯(lián)規(guī)則中所有頁面的最新歷史會(huì)話,以最新歷史會(huì)話中的頁面瀏覽順序作為該關(guān)聯(lián)規(guī)則的頁面順序。

2.4 實(shí)時(shí)推薦

實(shí)時(shí)推薦以挖掘出的調(diào)度員行為模式為基礎(chǔ),結(jié)合調(diào)度員最近的操作行為序列推薦出后續(xù)操作,包括模式識(shí)別、關(guān)聯(lián)推薦等,整體流程如圖3 所示。

圖3 實(shí)時(shí)推薦流程Fig.3 Process of real-time recommendation

2.4.1 模式識(shí)別

模式識(shí)別用于判斷當(dāng)前用戶所處的操作模式。首先,通過在線跟蹤捕獲用戶在系統(tǒng)頁面上的操作,形成實(shí)時(shí)操作序列；然后,通過在線預(yù)處理獲得調(diào)度員當(dāng)前正在進(jìn)行的會(huì)話事務(wù)序列；最后,遍歷各行為模式的頻繁項(xiàng)集,進(jìn)行模式匹配。若實(shí)時(shí)會(huì)話序列和判定行為模式的頻繁項(xiàng)存在交集,則該行為模式可能為當(dāng)前實(shí)時(shí)會(huì)話序列的匹配模式,選取其中匹配度最高的若干行為模式作為模式識(shí)別的結(jié)果。

2.4.2 關(guān)聯(lián)推薦

關(guān)聯(lián)推薦以模式識(shí)別生成的當(dāng)下模式和FPtree 為基礎(chǔ)進(jìn)行,分析出當(dāng)前用戶行為序列置信度最高的操作事務(wù)。首先,通過比對(duì)模式識(shí)別結(jié)果,生成備選事務(wù)；然后,對(duì)備選事務(wù)進(jìn)行置信評(píng)估,獲得發(fā)生概率最高的若干備選事務(wù)。具體地,搜索FPtree 逐個(gè)計(jì)算備選推薦事務(wù)的置信度,選取置信度前N名的事務(wù)項(xiàng)作為頁面推薦內(nèi)容。

3 驗(yàn)證與應(yīng)用

本文采用某電力調(diào)度中心智能電網(wǎng)調(diào)度技術(shù)支持系統(tǒng)（D5000）中的調(diào)度員歷史操作數(shù)據(jù)進(jìn)行推薦應(yīng)用與算法驗(yàn)證。

3.1 算法驗(yàn)證

3.1.1 頁面瀏覽統(tǒng)計(jì)

本節(jié)以瀏覽行為模式挖掘?yàn)槔榻B算法驗(yàn)證情況。收集的數(shù)據(jù)時(shí)間范圍為2020 年6 月1 日至6 月30 日。該時(shí)間段內(nèi)共采集操作記錄5 932 條,涉及頁面241 個(gè)。對(duì)上述241 個(gè)頁面進(jìn)行瀏覽次數(shù)統(tǒng)計(jì),排名前十的頁面如圖4 所示。從圖中可以看出,調(diào)度員瀏覽次數(shù)最多的為“電網(wǎng)負(fù)荷監(jiān)視.fac”、“自動(dòng)發(fā)電控制（AGC）-運(yùn)行監(jiān)控.agc”、“系統(tǒng)首頁.sys”等頁面。

圖4 頁面瀏覽次數(shù)排名Fig.4 Pageview ranking

3.1.2 頁面類型劃分

以點(diǎn)擊次數(shù)前10 的頁面為例,其頁面類型劃分結(jié)果如表1 所示。其中,類型對(duì)應(yīng)該頁面在后續(xù)模式挖掘中的編號(hào)。

表1 頁面類型劃分示例Table 1 Example of page type division

3.1.3 會(huì)話識(shí)別結(jié)果

對(duì)研究樣本數(shù)據(jù)通過前述會(huì)話識(shí)別、事務(wù)識(shí)別、頁面類型劃分后,梳理出有效會(huì)話196 個(gè)。以2020 年6 月1 日為例,選取發(fā)生的典型會(huì)話,如表2所示。其中,事務(wù)頁序列為會(huì)話中事務(wù)頁的頁面類型劃分編號(hào)。

表2 會(huì)話識(shí)別結(jié)果Table 2 Session recognition results

3.1.4 會(huì)話相似度計(jì)算

以表2 中的9448、9450、9465、9466 會(huì)話為例,計(jì)算對(duì)應(yīng)相似度矩陣如表3 所示。矩陣中數(shù)字為該數(shù)值對(duì)應(yīng)的行和列上的會(huì)話的相似度。

表3 相似度矩陣Table 3 Similarity matrix

3.1.5 聚類分類

以上文梳理出的196 個(gè)會(huì)話為對(duì)象進(jìn)行聚類分類。以輪廓系數(shù)為評(píng)價(jià)標(biāo)準(zhǔn),通過調(diào)整衰減系數(shù)λ獲取最佳聚類結(jié)果。

如圖5 所示,隨著衰減系數(shù)λ的增大,聚類結(jié)果的簇?cái)?shù)隨之增加。輪廓系數(shù)在λ=0.3 時(shí)最大。隨著聚類簇?cái)?shù)的增大,單一點(diǎn)簇?cái)?shù)增加,輪廓系數(shù)隨之下降。綜合來看,λ選取0.3 比較合適。

圖5 最佳聚類結(jié)果分析Fig.5 Analysis of optimal clustering results

以衰減系數(shù)λ=0.3 時(shí)的聚類結(jié)果為例,獲得聚類簇?cái)?shù)19 個(gè),限于篇幅原因,這里簡(jiǎn)要展示聚類結(jié)果如表4 所示,其中,會(huì)話集中的數(shù)字為該聚類包含的會(huì)話編號(hào)。

表4 聚類結(jié)果簡(jiǎn)要展示Table 4 Brief display of clustering results

3.1.6 模式分析

依據(jù)前述操作模式挖掘結(jié)果,結(jié)合實(shí)際電網(wǎng)調(diào)度業(yè)務(wù)工作情況,對(duì)相關(guān)模式進(jìn)行分析。結(jié)果表明,挖掘的部分行為模式與調(diào)度員日常操作流程相吻合,驗(yàn)證了所提方法的有效性。

按照發(fā)生頻率選取調(diào)度員經(jīng)常進(jìn)行的畫面瀏覽行為模式挖掘結(jié)果,如表5 所示。

表5 典型行為模式挖掘結(jié)果Table 5 Mining results of typical behavior pattern

其中,行為模式2 對(duì)應(yīng)調(diào)度員日常工作中聯(lián)絡(luò)線守護(hù)的操作模式。在該業(yè)務(wù)場(chǎng)景中,調(diào)度員通過查看電網(wǎng)負(fù)荷監(jiān)視、聯(lián)絡(luò)線監(jiān)視曲線確定聯(lián)絡(luò)線是否運(yùn)行在考核范圍內(nèi),如果超出范圍則需要查看AGC 運(yùn)行監(jiān)控確認(rèn)是否有機(jī)組可進(jìn)行反向調(diào)節(jié)［23］。

行為模式8 為故障發(fā)生后進(jìn)行故障預(yù)演的操作模式。調(diào)度員一般通過斷面越限和獨(dú)立計(jì)算等功能預(yù)演出故障發(fā)生后的斷面狀態(tài)數(shù)據(jù),作為后續(xù)決策的參考依據(jù)。

行為模式12 為調(diào)度員監(jiān)視新能源出力受阻情況的模式,經(jīng)常在上午發(fā)生。09:00—10:00 處于新能源機(jī)組出力爬坡時(shí)段,此時(shí)調(diào)度員需要時(shí)常查看新能源受阻情況和新能源監(jiān)視等圖形監(jiān)控新能源機(jī)組的運(yùn)行情況,確保新能源的消納能力［24］。

行為模式14 對(duì)應(yīng)調(diào)度員進(jìn)行調(diào)頻、調(diào)峰的模式。水電站是比較經(jīng)濟(jì)高效的旋轉(zhuǎn)備用電源,當(dāng)調(diào)度員需要進(jìn)行一次調(diào)頻、深度調(diào)峰等操作時(shí),通常需要查看直調(diào)水電站的水位曲線、出入庫流量等數(shù)據(jù),以判斷水電站的調(diào)節(jié)能力邊界［25］。

3.2 推薦應(yīng)用

基于本文的行為模式挖掘與操作推薦技術(shù)研發(fā)的調(diào)度操作智能推薦軟件,為調(diào)度員的日常系統(tǒng)頁面瀏覽和操作提供個(gè)性化、智能化推薦,整體推薦效果如附錄A 圖A2 所示。該系統(tǒng)以獨(dú)立插件的方式與D5000 系統(tǒng)人機(jī)界面實(shí)現(xiàn)集成,在使用時(shí)調(diào)度員點(diǎn)擊調(diào)度系統(tǒng)頁面的懸浮圖標(biāo),推薦界面會(huì)以滑動(dòng)窗口的方式在頁面右側(cè)顯示,效果如圖A2 右側(cè)推薦軟件界面所示。

以行為模式2 和14 為例,說明智能操作推薦的效果。如附錄A 圖A2 所示,當(dāng)調(diào)度員進(jìn)入“電網(wǎng)負(fù)荷監(jiān)視圖”后,智能操作推薦軟件結(jié)合模式2 自動(dòng)推薦出調(diào)閱“AGC-運(yùn)行監(jiān)視”“聯(lián)絡(luò)線監(jiān)視曲線”等關(guān)聯(lián)界面,結(jié)合模式14 自動(dòng)推薦出龍羊峽等水電站水位曲線和“水情信息監(jiān)視”等關(guān)聯(lián)界面,點(diǎn)擊按鈕可以直接跳轉(zhuǎn)到相應(yīng)頁面。

以此場(chǎng)景為例,簡(jiǎn)單對(duì)比使用推薦軟件前后的操作效果差異。行為模式2 原有系統(tǒng)從“電網(wǎng)負(fù)荷監(jiān)視圖”頁面完成上述關(guān)聯(lián)頁面的跳轉(zhuǎn)至少需要6 步操作,分別為:1）打開“系統(tǒng)首頁”；2）打開“實(shí)時(shí)監(jiān)視”；3）打開“AGC-運(yùn)行監(jiān)視”；4）返回“系統(tǒng)首頁”；5）打開“聯(lián)絡(luò)線考核主界面”；6）打開“聯(lián)絡(luò)線監(jiān)視曲線”。而使用智能推薦功能只需要一鍵直接打開“AGC-運(yùn)行監(jiān)視”和“聯(lián)絡(luò)線監(jiān)視曲線”畫面,操作步驟由6 步簡(jiǎn)化至2 步,操作效率提升了約70%。

行為模式14 原有系統(tǒng)至少需要經(jīng)過5 步操作才能完成上述操作,分別為:1）在龍羊峽水位數(shù)據(jù)上右鍵單擊；2）在彈出的右鍵菜單上點(diǎn)擊“今日曲線”選項(xiàng),打開“龍羊峽水位曲線”畫面；3）返回“系統(tǒng)首頁”畫面；4）打開“穩(wěn)態(tài)監(jiān)控”畫面；5）點(diǎn)擊水情信息按鈕,打開“水情信息監(jiān)視”畫面。而使用智能推薦功能只需要一鍵直接打開“龍羊峽水位曲線”和“水情信息監(jiān)視”畫面,操作步驟由5 步簡(jiǎn)化至2 步,操作效率提升了約60%。

以上述調(diào)度會(huì)話為例,分析使用推薦工具帶來的效率提升,如圖6 所示。未使用推薦工具時(shí)完成會(huì)話需要的操作步數(shù)為1 778；使用推薦工具時(shí)完成會(huì)話需要的操作步數(shù)為1 116。通過統(tǒng)計(jì)分析,使用推薦工具時(shí)可以減少約37.2%的頁面跳轉(zhuǎn)流程,顯著提升了調(diào)度員在調(diào)度系統(tǒng)上的交互效率和便捷性。

圖6 工作效率對(duì)比Fig.6 Comparison of operation efficiency

此外,本軟件系統(tǒng)還可提供依據(jù)操作熱點(diǎn)統(tǒng)計(jì)的操作排行推薦、依據(jù)固定時(shí)段操作模式的定時(shí)操作推薦等多種操作推薦模式。例如對(duì)于行為模式12,推薦軟件會(huì)在09:00—10:00 直接定時(shí)推薦出當(dāng)下調(diào)度員需要執(zhí)行的打開“新能源監(jiān)視圖”、查看“新能源機(jī)組負(fù)荷曲線”等操作,無須頻繁跳轉(zhuǎn)到相關(guān)頁面進(jìn)行操作,通過對(duì)定時(shí)操作的智能提醒與一鍵交互,可以高效地輔助調(diào)度員完成操作任務(wù)。

4 結(jié)語

本文主要闡述了基于調(diào)度員的歷史操作數(shù)據(jù),結(jié)合機(jī)器學(xué)習(xí)、數(shù)據(jù)分析等方法對(duì)調(diào)度操作行為模式進(jìn)行挖掘與推薦的技術(shù)。通過在實(shí)際調(diào)度系統(tǒng)中的驗(yàn)證分析,表明挖掘出的調(diào)度員操作模式與實(shí)際電網(wǎng)調(diào)度業(yè)務(wù)具有高度一致性,驗(yàn)證了該技術(shù)的有效性。此外,該技術(shù)采用了FP-tree 數(shù)據(jù)結(jié)構(gòu)存儲(chǔ)模式數(shù)據(jù),并在此基礎(chǔ)上通過在線匹配、置信評(píng)估等方法為調(diào)度員提供了準(zhǔn)確的推薦服務(wù)和便捷的操作方式。

總的來說,調(diào)度員操作行為模式挖掘與推薦技術(shù)在改善調(diào)度員與調(diào)度系統(tǒng)交互方式、減輕調(diào)度員工作量、提高調(diào)度員工作效率等方面有顯著的提升。但是本文提出的模式挖掘與操作推薦技術(shù)目前仍只適用于日常相對(duì)固化的流程性業(yè)務(wù)模式,在電網(wǎng)故障或異常等緊急場(chǎng)景下并不適用。當(dāng)電網(wǎng)發(fā)生故障時(shí),運(yùn)行人員須結(jié)合電網(wǎng)運(yùn)行數(shù)據(jù)、影響情況和處置經(jīng)驗(yàn)進(jìn)行針對(duì)性的處置,并且處置過程的部分操作不是通過系統(tǒng)而是通過電話或其他手段實(shí)施的,完整的處置記錄很難準(zhǔn)確獲取。因此,在上述緊急場(chǎng)景下,如何結(jié)合電網(wǎng)運(yùn)行情況和調(diào)度業(yè)務(wù)數(shù)據(jù)的復(fù)雜場(chǎng)景進(jìn)行操作推薦,是后續(xù)研究的方向。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。