CBR在電力信息運維中的應用

／秦皇島供電公司 張屹 李明祥／

CBR在電力信息運維中的應用

／秦皇島供電公司 張屹 李明祥／

在信息專業日常運維工作中，技術人員在長期的工作實踐中積累了解決各類具有相似性問題的經驗，并把這些經驗收錄整理。然而由于地域的局限性，信息很難進行共享。即使有些運維經驗被集中收錄，但在運維經驗查詢時，只能按文章標題、文章作者等這些信息檢索。而在實際工作中碰到的故障現象往往是屬于描述性的，僅憑這些信息并不能及時找到類似的案例。文章針對現有信息運維典型經驗搜索引擎方式進行了分析，建立了一套專業的查詢分析系統以更好地服務信息運維人員。

電力信息運維；CBR；案例庫；推理

0 引言

在信息運維日常工作中，公司信息運維技術人員經常會碰到各類問題，如信息網絡問題、信息系統軟件、硬件故障等，這些問題往往具有類似性；在長期的工作實踐中信息運維技術人員積累了解決這些問題的經驗，并把這些經驗收錄整理，但是在實際工作中，碰到的問題現象往往是屬于描述性的，僅憑這些信息并不能及時找到類似的案例來解決相應問題。提高企業管理水平，合理分配人力資源，以最小的人力創造最佳的生產效率，在企業信息化發展的今天，信息運維部門更應利用技術手段實現信息資源共享，而不是將信息資源封閉在一個孤島上，傳統的信息運維經驗、規章制度查詢、管理利用方式僅僅是將相關資料電子化，更類似于一本電子書籍或雜志，并沒有實現技術上的創新，對于信息運維工作人員而言，對自身工作量減少和工作效率的提升沒有太多幫助。如何減少重復性的工作，使信息資源充分共享被利用以達到發揮信息資源的最大使用價值。為了解決上述問題，避免同一類似問題被多次鉆研，更好地運用公司的信息運維典型經驗，發揮其價值，運用CBR技術建立典型經驗信息平臺達到資源共享的最大化。

1 國內外研究現狀

通過借鑒人類解決問題的方式，基于案例的推理利用相關領域內知識專家日常積累的知識和經驗來解決領域中的各種問題，從20世紀80年代開始逐漸成為人工智能領域的研究熱點。在20世紀80年代初期，Roger Shank首次提出了CBR理論的認知模型及框架。之后Kolodner在此基礎上，開發出了CTRUS的CBR系統。從此，CBR理論開始走向人工智能領域的研究和應用。特別是在20世紀80年代后期，ReMind系統的出現被認為是CBR從認知科學向人工智能方向轉變的標志[1]。

CBR的研究共分兩方面。研究的其中一方面是各個學科（如人工智能學科、數據挖掘學科、思維科學學科、計算機科學學科等相關類別）的知識及相關理論的集成及在對應實踐領域內應用。具體應用表現在天氣、災害預報，以往法律審判裁決，機器常見隱患故障判斷處理，企業未來發展咨詢及重大事項決策，以及解決各類常見通用問題。CBR研究的另一方面是通過某些技術方式如匹配算法搜索、抽取特征值等從案例檢索、案例修正和案例學習等方面的研究深入到相關方面具體問題的研究[2]。

專家系統在電力系統中已經得到了廣泛的應用，不過這些應用大部分都集中在故障診斷上。主要采用的方法有專家系統、人工神經網絡、優化技術、Petri網絡、粗糙集理論、模糊集理論、貝葉斯網絡、多Agent技術和基于故障錄波器信息等[3-8]。

2 系統開發設計

2.1 CBR技術介紹

CBR（Case-based Reasoning），以案例為基礎的推理，國內學術界通常稱之為基于案例的推理。該推理方式和以規則為基礎的推理方式不同，基于規則推理方式是通過建立規則庫，在進行案例判斷時通過邏輯運算比較是否符合對應規則來給出對應結果，而CBR的推理方式更多的是通過比較案例庫中某些案例的相似度，給出待解問題的相應解決方案，即通過舊案例解決新問題[9-10]。在CBR系統內，把一個故障或問題事件的發生原因、現象、導致的結果及解決的方法描述成一個案例，案例庫就是過去所有已發生的并已積累下來的知識內容，當然在CBR中這些案例是需要通過一定的數據組織形式存在的，以便隨時調用。CBR技術彌補了RBR（基于規則的推理）的不足，解決了在技術領域內那些在內容上表述困難的問題，同時在案例庫自我學習、更新技術上與其他技術相比也較為先進。

CBR的基本思想是[10]將所發生過的或是待解的問題描述、問題可能導致的結果、解決問題的方法等內容用案例的形式表現，案例庫中已存在的案例的積累是一個歷史積淀的過程，是以往處理問題方法經驗的總結，在日常遇到新故障時，根據以往類似故障處理經驗即舊案例搜索來解決新故障，同時可將此過程在CBR中作為一個新案例進行積累，并作為未來可能會發生故障的參考案例，如圖1所示。這就像日常進行探索性工作時更多的是依靠前人的經驗摸索解決。

在CBR方法中，通過案例將無法或者很難以規則形式表達的專家求解問題的深層知識和經驗保存起來。正確的解答案例保存在案例庫中，當處理新的案例的時候，在案例庫中找出與新的案例最匹配（或相似）的一個案例，如果該案例滿足要求，則輸出結果；否則對最匹配（或相似）的案例進行修改以滿足要求，并將修改后的案例添加到案例庫中。

圖1 CBR的基本思想

2.2 案例表示及案例庫的建立

在案例庫的初期階段，由于案例庫中的案例積累數量相對較少，在組織架構上可以相對松散，但案例庫并不是一成不變沒有數據更新的，隨著更新案例數目的逐漸增加，要極力避免這種松散、無序的情況，在數據組織形式上，可以用關系數據庫來解決該問題。

用數據庫的方式以框架結構為基礎組織案例、存儲案例是目前使用較多的方法，用框架和槽的形式來對應相關案例的特征，數據庫中的數據項和數據表名字則由槽和主框架逐一對應表示，其中的每一個槽都可以作為一個子框架，當其展開時，數據庫內的其他數據表項可以由這些子框架、子特征作進一步關系對應，最終完成數據庫表和主框架表構成關系。案例庫中大量案例在系統內存儲的表現形式就是一個龐大的數據表框架結構，每當有新案例數據更新存儲，就存儲數據表，對應填充數據項。

在CBR系統案例推理運行效率上，如何將案例適當的表示是最主要的問題，案例的表示牽涉以下幾項問題：

1）在眾多的信息中哪些是有用的可以存儲在案例中；

2）在描述案例內容上用何種結構是合適的；

3）在案例庫內該如何進行組織和索引。

根據搜集上來的運維信息文檔的情況，總結出案例庫所應包含的信息：知識編號、知識分類、作者、創建用戶、創建用戶所屬部門、標題、摘要、關鍵字。案例表示即可描述如表1所示。

當前的CBR系統大多是用靜態的框架來描述案例，這種方法有以下的缺點：首先，當新的案例不斷出現的時候，舊的框架無法描述新案例的新特征；其次，框架的構造是很繁瑣的一項工作，對于CBR系統應用而言，只能在那些可以積累大量經驗并且這些經驗可被反復使用的知識領域內推廣。

用關系數據庫存儲案例是比較通用的方法。在案例庫結構映射上可以通過特征空間結構來實現，案例對應著記錄，特征分量對應著字段，使用時通過以下流程來實現：建立一個數據庫管理系統，可供選擇的軟件很多，如Access、Oracle等；建立一個數據庫結構主要功能用作案例存儲；將案例導入到數據庫中構成案例庫。

表1 案例描述

關系數據庫除了為專家系統提供一種良好的知識組織形式之外，還能夠為專家系統提供強大的索引能力。

案例索引就是能將各個案例彼此區分的主要關鍵字匯集，而案例庫索引主要參考了數據庫的索引技術，雖一字之差，但還是有區別的：

1）二者索引時在所選擇的數據庫上是通用的，但索引時在關鍵字的選取和標準的選擇是不同的。案例庫的索引為了區分各個案例，主要關注如何從定義上將案例庫劃分為實際有作用的分段。

2）二者在索引時比照關鍵字的方式不同。在案例檢索上，目前主要采用的關鍵字相似度匹配的方式；而在案例庫索引上，在數據庫系統內檢索相關數據記錄時，要精確對應相關關鍵字段，去除那些不符合條件的記錄。

因此，本文將選取關系數據庫組織和存儲案例，構建知識庫，同時在數據庫的索引的基礎上，實現對案例的相似匹配。

案例庫的所對應的數據表結構如表2所示。在表2中，包含如下字段：KNOWLDEGE_ID為知識編號、主鍵；CREATOR是知識的創建者；DEPARTMENT_ID是知識所屬的部門；VERIFY是知識的審核者；TITLE是知識的標題；ABSTRACT是知識的摘要；KEYWORD是知識的關鍵字；FILE_PATH是包含該知識的原始文件的存儲路徑。

表2 案例表

根據表2給出的案例庫結構，給出的電力運維案例實例文檔如表3所示。

表3 案例實例

2.3 案例推理機制

表4給出了電力運維信息的案例表示方法的8個字段的數據類型以及能否作為案例的屬性特征。

表4 屬性特征值的選擇

從表4中可以看到，在這8個字段中，知識編號不能作為屬性特征，這是因為知識編號是案例在數據表中存儲的主鍵，對于用戶而言，沒有任何意義。而其他7個字段則都能夠作為屬性特征。

同時也能夠看到，這7個屬性特征都是文本型的。但是這7個屬性特征在相似度計算上也并不是完全一樣，可以將其分成兩大類：

第一類是取值限定在幾個固定的值上的屬性特征，如知識分類和創建用戶所屬部門。這種類型的屬性特征只可能有兩種匹配結果完全匹配或者不匹配。其特征相似度可以用下式計算

第二類是取值無法限定的屬性特征。剩下的5個屬性特征都屬于這一類。設Oi和Ei分別為目標案例和源案例中的某個屬性特征的文本類型的取值。則Oi和Ei匹配情況則可以表示如下

式（1）與式（2）相比，增加了對于部分匹配的定義。

給出屬性特征的相似度計算公式之后，在計算案例相似度之前還要確定各個屬性特征的權重。權重的分配是很多研究領域都會遇到的一個重要問題，如何確定權重值，方法有很多種，在這里主要考慮的是用原始數據的來源來計算權重，按照這一標準主要有客觀賦權法和主觀賦權法兩類：客觀賦權法，目前對其研究還不是很完善，偶爾會發生與指標的實際重要程度嚴重偏離的情況，主要算法原理是用數學方法計算原始數據之間的關系得出權重值，目前應用較多的有均方差法、主成分分析法等；主觀賦權法，這一方法客觀性不強，需要相關知識領域專家根據自有經驗判斷原始數據并賦予合適的權值，如AHP法、古林法等；綜合以上兩種算法優缺點，學界內新提出了一類算法組合賦權法，其又分為線性加權組合方法和乘法合成的歸一化方法兩類。

對于本文根據專家經驗以及用戶使用情況，表5給出了各個屬性特征的初始權值。然而在實際的使用過程中，用戶輸入的屬性特征可能只是上述7個屬性特征中的一部分，只對用戶輸入的屬性特征進行匹配，而忽略沒有輸入的屬性特征。同時用戶也可以根據自己的情況自行調整各個屬性特征的權值。

表5 屬性特征值的權值

本系統的推理流程如圖2所示。

首先用戶根據具體情況輸入要查詢案例的屬性特征，輸入的時候可以根據需要調整各個屬性特征的默認權值。然后推理機根據用戶輸入的屬性特征在案例庫中進行相似度匹配。這里系統會有一個默認的匹配度的閾值，用戶也可以更改。凡是匹配度大于這個閾值的案例均會匹配成功。如果沒有匹配上的案例，則可以返回重新輸入案例的屬性特征。如果存在匹配的案例，用戶則可以查看這些案例的詳細信息。當用戶沒有找到匹配的案例或者有匹配的案例但是案例的內容不能滿足用戶的需求的時候，用戶可以根據自身的情況添加新的案例。

具體的算法描述如下：步驟一，用戶輸入屬性特征，根據需要調整各個屬性特征的權值以及匹配閾值。步驟二，系統進行相似度匹配，如果不存在匹配的案例并且希望重新輸入屬性特征則轉步驟一；如果不存在匹配的案例并且希望添加新案例則轉步驟四。步驟三，按照相似度從高到低將匹配成功的案例顯示給用戶。如果用戶對這些案例提供的情況滿意，則轉步驟五；如果不滿意，想要添加新案例，則轉步驟四。步驟四，添加新案例。步驟五，結束。

圖2 推理流程圖

3 基于CBR技術信息運維典型經驗查詢系統的應用

下面將給出使用本系統進行電力信息運維案例推理的具體例子。問題案例描述如下：信息運維人員接到報告反映某變電站遠程抄表客戶端（采集器）網絡不通，現場查看后網絡設備運行正常，網絡設備與采集器之間的網絡連接正常。之前已處理過類似案例并已在案例庫內儲存，此次需要做的是檢索相應案例進行問題解決。在案例庫內儲存的相關案例知識表如表6所示。

表6 案例知識表

經過查詢，發現滿足此特征的案例共有三項，如圖3所示。

圖3 案例查詢后結果反饋

由于此故障案例主要針對的是變電站遠程抄表客戶端網絡不通，這時我們可進一步通過匹配關鍵字進行有針對性的查詢，最終檢索到一個解答案例.

4 結束語

電力信息運維典型經驗查詢系統在利用CBR這一技術后，不管是信息運維技術人員還是普通員工在遇到日常無法解決的故障后，需要的僅僅是在系統內輸入幾個查詢的關鍵詞即可調閱出類似的相關運維經驗，處理相關問題，其實這些功能更類似利用互聯網的搜索引擎搜索自己所需的相關資源，通過不斷地嘗試所匹配的案例來解決問題，直到找到最合適的唯一案例或是幾個案例結合使用為止，彌補了基于規則匹配的專家系統模糊查詢功能不足的缺陷。

[1]孔艷,劉成新.利用基于案例的推理來支持學習[J].中國現代教育裝備，2005(11):95-98.

[2]郭艷紅,鄧貴仕.基于事例的推理研究綜述[J].計算機工程與應用,2004(2).

[3]毛鵬,許揚,蔣平.輸電網故障診斷研究綜述及發展[J].電力系統保護與控制,2005,33(22):79-86.

[4]郭創新,朱傳柏,曹一家,等.電力系統故障診斷的研究現狀與發展趨勢明[J].電力系統自動化,2004,28(1):34-37.

[5]畢天姝,倪以信,楊奇遜.人工智能技術在輸電網絡故障診斷中的應用述評[J].電力系統自動化,2000,24(25):11-16.

[6]陳玉林,陳允平,孫金莉等.電網故障診斷方法綜述[J].中國電力,2006，39(5):27-31.

[7]曾素瓊.人工智能及其在輸配電網絡故障診的應用[J].海南大學學報自然科學版,2006,24(2):188-193.

[8]廖志偉,孫雅明,葉青華.人工智能技術在電力系統故障診斷中應用[J].電力系統及其自動化學報,2003,15(6):71-78.

[9]嚴悅,哈進兵.利用ART神經網絡優化相似案例匹配方法 [J].信息系統工程,2012,(3):70-74.

[10]趙曉軍,田富強,胡和平.流域水量調度專家系統的應用研究[J].水力發電,2005,21(9):70-74.