基于加權樸素貝葉斯算法的調度指揮態勢感知模塊設計

陳興望，辛 闊，孫雁斌，張 勇，薛國權

(1．中國南方電網電力調度控制中心，廣東 廣州 510700；2.泰豪軟件股份有限公司，江西 南昌 330096)

隨著南方五省區社會經濟的穩步發展，近年來南方電網的設備規模成倍增長，檢修操作任務量大幅增加，現場等待操作的情況頻繁出現。廠站人員由于缺乏對調度操作準備進程的了解，經常出現不明原因的持續等待，現場不能有效利用等待時間安排其他站內工作，影響工作效率。同時現場會反復詢問調度操作進展，這又影響了調度的操作效率，使得任務進一步推遲。此外，隨著南方區域電力市場的持續深入推進，現貨市場對主設備操作時間的預測要求也越來越高，在實時市場中，調度需提前把主設備的停復電時間提供給現貨技術支持系統，作為下次市場出清的邊界條件。如果預測出現較大偏差，有可能導致節點電價出清異常，影響市場的公平秩序。因此，亟需一個可預測展示的功能模塊。基于近年來興起的調度網絡發令系統，業界開發過一些類似的功能模塊，文獻[1]、[2]中基于DICP系統開發了操作電子公告牌；文獻[3]中提出了一種結合航班信息公告以及銀行服務叫號的調度操作信息公告牌。以上模塊主要聚焦于解決調度向現場展示調度指揮信息的問題，但對于業務時間的預估功能關注不多，更多的是依靠人工修正，在業務繁忙時反而會降低調度操作效率。

要實現對調度業務開展時間的準確預測關鍵在于獲取調度員的當前所處業務環境，并實現機器的自我理解，然后作出對下令時間的預測。這類似于航天軍事領域的“態勢感知”概念，即在一定的時空條件下, 對環境因素的獲取、理解以及對未來狀態的預測，該概念中的“理解”實際上是通過對獲取的環境因素進行數據挖掘實現的。數據挖掘近年來已經廣泛應用于電力行業中，在負荷預測，故障診斷等方面都得到了長足發展。其中，樸素貝葉斯算法是一類應用較為廣泛的大數據挖掘分類算法，與同類其他算法如決策樹、支持向量機相比，其更加直觀，計算量小，可實現高速度與高精度，但須建立在條件屬性相互獨立的基礎上，而實際上這個假設往往不成立。文獻[12]嘗試放松獨立性的假設，提出了一種基于條件屬性對類別屬性的相關度進行加權的樸素貝葉斯算法，取得了不錯的效果。

首次將大數據挖掘理念引入了調度指揮領域，在南方電網調度指揮控制系統(Power Dispatch Command Control System，DCCS)的基礎上，設計了一種對調度指揮態勢進行實時感知的功能模塊。該模塊可通過DCCS獲取調度員在業務準備過程多個關鍵操作節點的實時業務環境特征數據，并針對預測實時計算時的高速度需求，考慮不同業務對預計準備時間影響的差異度，選取加權樸素貝葉斯算法在海量業務環境數據中對調度員的實時忙碌程度(忙碌系數)進行挖掘，結合歷史數據對忙碌系數進行匹配，隨業務進程動態更新操作業務的預計開展時間，得到結果后可自動傳輸至現貨技術支持系統，作為節點電價計算的邊界條件。此外，該模塊還具備操作預約、操作通知、智能編排、態勢展示等功能，可構建一個共享、交互的調度-現場設備操作信息公告平臺，并解決調度與現場在電網調度運行協調與溝通方面的問題，提升調度操作效率。

1 調度指揮態勢感知模塊設計

1.1 DCCS簡介

調度指揮態勢感知模塊基于DCCS開發。DCCS是南方電網電力調度控制中心于2017年開始建設，2019年正式投入使用的調度指揮網絡交互系統，目前已協同南方電網6家省調建成了網省地互聯互通的調度網絡指揮控制體系，大幅提升了南方電網的調度操作效率。系統基于網絡信息技術，將調度業務的開展方式由電話溝通轉變為網絡交互，調度機構之間、調度與廠站之間通過網絡交互各類調度業務信息。

1.2 調度指揮態勢感知模塊架構

調度指揮態勢感知模塊架構如圖1所示，分為主站端和受令端。系統采用客戶機/瀏覽器/服務器的架構，客戶機實時監視調度指揮控制系統數據庫并實時刷新調度指揮態勢展示數據庫，瀏覽器端實現態勢展示信息的修改與展示，通過前端展示接口按角色權限顯示態勢展示信息，而服務器發揮存儲公告信息及Web發布等功能。

圖1 調度指揮態勢感知模塊架構

1.3 調度指揮態勢感知模塊總體功能設計

調度指揮態勢感知模塊適用于向網內各單位展示調度當前工作狀態，向受令單位展示業務的開展進程及必要關聯信息。受令單位業務開展時間發生變化時，可通過該模塊向調度申請變更業務下令操作時間，同時調度也可以主動編排業務開展時間與順序，并通知現場。該模塊基本涵蓋了目前接入DCCS的所有調度業務，主要業務包括直接操作、委托操作、許可操作、臨時安全措施、線路帶電作業、定值單執行、送受電計劃調整、機組開停機計劃、電網故障匯報等，是一個集成式的調度-現場業務信息交互平臺，可實時展現當前的調度指揮態勢，解決了調度與現場在設備操作信息交互方面溝通不暢的問題。

1.3.1 調度指揮態勢可視化展示

調度指揮態勢可視化界面主要分為調度指揮態勢展示主頁面、公告牌、待辦事項三個部分，如圖2所示。調度指揮態勢主頁面主要展示業務名稱、業務狀態(“計劃中”“申請中”“操作中”)、方式計劃時間、調度預計下令及等待時間等字段，展現當前調度指揮的態勢情況及必要關聯信息。頁面左上方的公告牌主要用于調度處于事故或交接班等特殊情況下的臨時展示，告知現場非必要事項不應電話干擾調度臺。頁面下方的待辦事項按照系統的預置規則對現場提起的“申請中”的調度業務進行智能編排，調度員可自上而下進行逐一操作。

圖2 調度指揮態勢感知模塊界面

1.3.2 基于業務進程信息的多節點調度指揮態勢動態感知

模塊在業務準備過程中各關鍵節點(表1)，抓取DCCS當前的業務環境特征數據，通過加權樸素貝葉斯算法對歷史業務數據進行挖掘得出忙碌因子，并進一步匹配歷史操作數據，滾動估算業務的預計下令時間。例如調度員受理了現場提起的直接操作申請，如表1所示的關鍵節點，模塊均會調用算法進行忙碌因子挖掘并估算當前節點(=1,2,…,)及節點+1(=1,2,…,-1)后所需要的準備時間。若調度員在節點與+1節點間耗費了過多時間(超過了兩個節點的預計準備時間差)，模塊會保持+1節點準備時間不流逝，并根據實時時間持續刷新預計下令時間。這個“卡點”功能解決了調度員因業務溝通等，業務準備進程堵塞，使時間估算不準確的問題，進一步提高了調度指揮態勢感知的準點率。

表1 部分主要調度業務關鍵節點列表

1.3.4 調度業務開展順序智能編排

在操作高峰期，現場將通過DCCS上報大量的各類型業務申請，模塊可根據預置規則，對“申請中”的業務進行自動智能編排，調度員可在“待辦事項”模塊，根據編排順序逐一開展操作。

調度業務自動智能編排功能可輔助調度員初步梳理目前開展的調度業務，按照預定規則區分業務主次，確保調度員不因主觀失誤遺漏重要業務，降低因重要業務延遲帶來的系統安全風險，保障了電網的安全穩定運行。

2 基于加權樸素貝葉斯算法的調度指揮態勢感知功能模型設計

2.1 模型設計

調度指揮態勢感知模型主要分為調度業務類型與節點判定、調度業務狀態特征抓取等六個環節，如圖3所示。

圖3 調度指揮態勢感知功能模型流程圖

1)調度業務類型及節點判定。

設定表示調度業務的類型節點矩陣，判定前=0。設系統獲取的待測業務類型為(=1…)，進程節點為(=1…)，則使=1，后令=+1，再使=1，(需計算與+1節點的預計耗時，用于預計進程與操作進程不一致時進行“卡點”)。以便(3)環節中選取相對應的貝葉斯分類器。

2)調度指揮業務環境特征抓取。

按業務類型抓取DCCS當前時間所有處于申請中、操作中狀態的業務數量數據，作為調度指揮狀態的特征數據。所涉及的調度業務包括直接操作、委托操作、許可操作、配合操作、臨時安全措施、線路帶電作業、定值單執行、信息匯報、電網故障等。

3)初始化對應的貝葉斯分類器。

對獲取的業務環境特征項與目標類別(忙碌與否)之間進行相關度分析，去掉相關度較小的特征項。根據以及有效特征項選擇相應的貝葉斯分類器(基于歷史業務準備耗時數據訓練獲得)，并對分類器數據進行基本校核，完成分類器初始化，構建忙碌系數數據挖掘庫。

4)基于加權樸素貝葉斯算法挖掘忙碌系數。

鑒于模塊對數據的實時與準確性需求，采用加權樸素貝葉斯算法對(2)中得到的數據挖掘庫進行數據挖掘，得到當前節點的忙碌系數。樸素貝葉斯算法可適應海量、復雜、高維的數據環境。算法計算相對簡單，對內存需求不大，可實現大數據訓練與查詢時的高速度，符合模塊的實時展示需求。此外，對樸素貝葉斯算法進行屬性加權，可削弱屬性之間的聯系，進一步提升計算精度。

5)基于歷史業務耗時數據感知調度指揮態勢

通過歷史業務準備耗時數據與忙碌系數，計算得到忙碌系數-耗時數據曲線。將(4)環節計算得出的忙碌系數與該關系進行匹配計算得出與+1節點對應的預計準備時間。此外當業務流轉至下一節點后，計算流程將再次流轉至環節(1)進行循環計算，樣本數據也將補充至貝葉斯分類器中。

6)調度指揮態勢可視化展示

將上述計算得到的預計調度下令時間以及調度業務其他必要關聯信息通過DCCS展示出來。

2.2 業務行為特征項篩選

在形成忙碌系數挖掘庫之前，需要對業務行為的特征項與目標類別之間進行相關性分析，剔除相關性較小的特征項，以保證算法執行的效率與忙碌系數結果的準確性。

首先定義相關性的測算指標：對于兩個已知特征項與(,=1,2，…，)，其概率密度可表示為()與()，聯合概率密度可表示為(,)，則與的互信息見式(1)，本文將互信息作為特征項與目標類別相關度的測量指標。

(1)

以在“直接操作”業務的節點2-“接受現場操作申請”，抓取到的“信息匯報”業務特征為例說明相關性分析過程。此時業務類型節點矩陣元素=1,=1，需對“接收現場操作申請”以及“操作票進入一審”兩個節點的特征數據與忙碌度進行相關性分析(下一節點的業務特征數據由于未知將仍采用本節點的特征數據，實際上，兩個節點的業務數據一般變化不大)。設定表示目標類別，其中=0表示調度員不忙碌，=1表示調度員忙碌，“忙碌”的定義為該節點后所耗費的業務實際準備時間是否超過標準時間，標準時間是根據歷史業務數據并結合調度相關標準制定的。基于模塊2020年1月上線后得到的樣本數據，訓練得到，“直接操作”業務節點2“接收現場操作申請”對應的忙碌概率(=0)=047，(=1)=053。表2給出了“信息匯報”業務特征項的概率值以及信息匯報特征項與忙碌度之間的聯合概率值。

表2 “信息匯報”業務特征項的相關概率值

(2)

根據表中數據，計算可得信息匯報與忙碌度的相關度為0.013。初始化相關度閾值，基于試湊法通過跟蹤預計耗時誤差率反復迭代閾值，初值設定為0.02，迭代300余次后約為0.017，即經過相關度分析應排除信息匯報業務特征項。事實上，“信息匯報”業務由于完全形成了電子化流程，只需點擊同步即可，處理非常便捷，且系統具備重要信息匯報提醒，非重要的信息可以延后處理，因此對其他業務的干擾較小，與上文的相關性分析結果是一致的。而其他業務例如直接操作，由于業務相對復雜，現場電話詢問以及值內溝通協調情況相對較多，因此對其他業務準備時間的影響相對較大，按上述方法計算得相關度結果為0.22，顯著大于閾值與“信息匯報”的指標。

2.3 基于加權樸素貝葉斯算法的忙碌系數挖掘

1)給定一個業務特征向量=(,,…,)，該向量為待分類向量，其中表示其中一個特征項，比如許可操作特征項。

2)確定目標類別即忙碌與否的量化集合=()，其中表示忙碌，表示不忙碌。

3)根據對應業務類型節點的忙碌系數挖掘數據庫，得到以下條件概率：

(|),(|)

(|),(|)

?

(|),(|)

(3)

4)根據貝葉斯定理，有：

(4)

其中，若的各特征項相互獨立，則有：

(5)

實際上，各項調度業務為不同廠站根據方式安排的計劃工作獨立進行申請，業務申請本身不存在相互關聯關系，可以近似為相互獨立。

5)根據式(4)與式(5)，可以得出某業務環境下調度員忙碌與不忙碌的概率比，如下式：

(6)

該定義的好處是可省去()的計算，而()的計算難度較大。

6)式(6)的形式認為不同特征項是等價影響目標類別的，但事實上，不同條件對目標類別的影響程度是不一致的，甚至差異性較大。比如特征項中的“直接操作”，由于其操作的復雜性，在其業務數量較多時對正處于操作中業務的準備耗時是有較大影響的。若是特征項中的“許可操作”，由于其操作的簡便性，其對業務耗時延時的影響有限的。此外，樸素貝葉斯算法的分類準確性建立在對象特征項的相互獨立性上，調度業務的申請雖簡化為相互獨立，但方式安排檢修業務具有一定的集中性，業務申請可能出現“扎堆”現象，某些業務導致調度忙碌的高概率或許并非由其本身導致，而是由同一時刻其他復雜業務造成，這就使得某些業務對業務準備時間的影響程度被高估了。因此，為體現不同類型業務對業務準備時間的影響差異，削弱因業務之間聯系而帶來的誤差，提高算法計算精度，本文采用加權樸素貝葉斯算法，基于特征項與目標類別的互信息，對特征屬性進行加權得到挖掘結果。設為與之間的互信息即屬性之間的相關度，則忙碌系數可定義為：

(7)

同樣以“直接操作”業務的節點2-“接受現場操作申請”為例說明樸素貝葉斯算法的實現。此時需通過當前的業務環境特征對“接收現場操作申請”以及“操作票進入一審”兩個節點進行忙碌系數挖掘，以“接收現場操作申請”節點的計算為例。基于模塊2020年1月上線后得到的樣本數據，訓練得到(=0)=047，(=1)=053。經相關度測算確定采取以下9項業務作為數據挖掘的特征項。根據業務狀態特征數據調取相應貝葉斯分類器中的條件概率可得表3。

表3 挖掘忙碌系數所需的特征項與條件概率

根據表中條件概率與相關度數據，可計算忙碌系數為4.36。

053×035022×…×004006=0048

(8)

047×002022×…×028006=0011

(9)

(9)

2.4 基于歷史業務耗時數據感知調度指揮態勢

根據式(9)得出的忙碌系數，將其帶入業務類型節點矩陣相應元素(上節算例中對應為)對應的忙碌系數-準備耗時曲線(與上節算例對應為)中求取準備耗時。忙碌系數-準備耗時曲線是根據業務的歷史忙碌系數以及相應實際準備耗時數據擬合而成的曲線，數據成對數關系。其中表示(=1，…，)待測業務類型，(=1，…，)進程節點所對應的忙碌系數-準備耗時曲線。以為例，將2020年1月模塊上線后，“直接操作”進入操作中節點后的實際耗時數據以及計算得到的忙碌系數作為樣本訓練，擬合數據曲線如圖4所示：

圖4 忙碌系數-準備耗時擬合曲線

圖7中曲線的擬合函數如下式所示，擬合優度為0.935。

()=7689ln()+35727,=0935

(10)

帶入上節中得到的忙碌系數，可得預計準備耗時為47min，超出了業務標準準備時間，調度臺處于忙碌狀態。

3 調度指揮態勢感知模塊的應用實踐

調度指揮態勢感知模塊于2020年1月在DCCS上線，模塊上線后實時展示了調度業務的進程以及調度臺當前狀態，現場不再因操作暫停而反復打進電話詢問暫停原因，同時也完全消除了現場對業務預計開展時間的電話質詢，同時，模塊具備向現貨市場技術支持系統傳輸業務預計開展時間的功能，進一步提高了調度操作效率與節點電價的計算精度。以下數據是根據模塊2020年1月上線后產生的業務歷史數據統計得到相關指標情況，主要從信息展示與業務處理情況、預計耗時誤差率兩個方面來說明。

3.1 信息展示與業務處理情況

自模塊上線以來，共計展示3290項業務進程信息，1422項調度臺狀態信息，完成214項現場向調度預約操作下令時間的業務流程，完成148項調度主動更改下令時間并通知現場的業務流程，按50%的業務會延時并引來現場質詢的情形估算，模塊上線一年來至少可省去約3429個電話，平均每天可省去約10個電話。各類業務展示信息數量明細如圖5所示：

圖5 業務展示信息數量明細

3.2 預計耗時誤差率

預計耗時誤差率指某業務節點的系統預計準備耗時與實際準備耗時偏差占預計準備耗時的比率。單次業務的預計耗時誤差率為多節點誤差率的平均值，如式(10)所示。第類業務的預計耗時誤差率則為多次業務預計耗時誤差率的平均值，如式(11)所示：

(11)

(12)

上線初期為了積累足夠數據訓練貝葉斯分類器，采用的是預置定額時間為預計耗時，此時由于未考慮調度臺實時的業務處理環境，誤差相對較大，圖6為便用加權樸素貝葉斯算法前后各類業務進入“操作中”環節的時間誤差率對比，可見，采用算法后誤差率顯著減少。其中誤差率提升最大的是“許可操作”業務，這是由于其準備時間相對較短，系統預置的定額時間也較小，一旦受到其他業務的干擾則會拖延準備進程，其誤差率會相對較大。且該類型業務有一定考慮核實的工作量，需仔細核對檢修單與設備狀態信息，易受其他業務的干擾。在采用加權貝葉斯算法后，由于考慮實時業務環境對準備耗時的影響，誤差率減小了41%，效果顯著。此外，可以看到，直接操作的誤差率減小到14%，在所有業務中效果最好，這主要是由于該類型業務的業務節點設置相對較多，這使得其可再業務進程中進行多次預計耗時評估，這有助于進一步減小預計耗時誤差率。

圖6 使用加權貝葉斯算法前后的預計耗時誤差率對比圖

4 結 論

基于DCCS設計了“調度指揮態勢感知”的功能模塊。該模塊可實現調度操作預約、調度操作通知、任務智能編排、指揮態勢感知與展示等功能。在業務操作準備過程中，可通過DCCS獲取業務準備進程關鍵操作節點的實時業務環境數據，并針對預測實時計算時的高速度需求，考慮不同業務對預計準備時間影響的差異度，采用加權樸素貝葉斯算法在業務環境數據挖掘庫中對潛在忙碌系數進行挖掘，再結合由歷史數據訓練得到的準備耗時-忙碌系數曲線對忙碌系數進行匹配，得到該業務節點與下一節點的預計準備時間，若實際準備進程與預計準備進程產生偏差，還可通過時間“卡點”功能糾正偏差，動態更新業務下令時間，提高業務下令時間預計準確率。模塊應用后，大幅減少了詢問業務進程事項的電話量，解決了調度與現場在電網調度運行協調與溝通方面的問題；此外，實現了系統根據實時業務環境自動預測業務下令時間的功能，并可自動傳輸至現貨市場技術支持系統，解決了過分依賴人工修改停復電時間的問題，提高了節點電價的計算精度，提升了調度操作效率。