基于海量數(shù)據(jù)分析的電力工程動態(tài)智能監(jiān)控技術(shù)研究

李 璽，張維堂，常健翔，李敏銀

（1.國網(wǎng)甘肅省電力公司，甘肅蘭州 730030；2.國網(wǎng)隴南供電公司，甘肅隴南 746000；3.國網(wǎng)慶陽供電公司，甘肅 慶陽 745000）

科學(xué)合理、高效有序地推進(jìn)電力工程建設(shè)，是促進(jìn)經(jīng)濟(jì)迅速發(fā)展的重要舉措之一[1-2]。近年來隨著電力工程的不斷推進(jìn)，發(fā)輸配變等各環(huán)節(jié)自動化、信息化的逐步完善，電網(wǎng)公司對于電力工程投資的精準(zhǔn)性、工程建設(shè)的質(zhì)量等要求也越發(fā)嚴(yán)苛。因此，對于電力工程監(jiān)控的重要性也日益凸顯[3-4]。在該工程建設(shè)過程中，積累了海量的工程數(shù)據(jù)。而如何結(jié)合大數(shù)據(jù)分析技術(shù)實(shí)現(xiàn)電力工程的智能化監(jiān)控，成為了亟待解決的問題[5-7]。大數(shù)據(jù)分析技術(shù)在電力領(lǐng)域的應(yīng)用主要集中在負(fù)荷預(yù)測、故障診斷與運(yùn)維檢修等方面[8-10]，其在電力工程監(jiān)控方面的應(yīng)用仍然較少。

針對此問題，該文將大數(shù)據(jù)分析技術(shù)應(yīng)用于電力工程監(jiān)控中，并實(shí)現(xiàn)了對該工程的動態(tài)智能化監(jiān)測，進(jìn)而為電網(wǎng)公司電力工程的高效投資、精益管理與高質(zhì)量發(fā)展建設(shè)提供了保障。

1 動態(tài)智能監(jiān)控體系架構(gòu)

文中通過對電力工程數(shù)據(jù)的綜合分析，從進(jìn)度、成本及質(zhì)量三方面構(gòu)建了工程動態(tài)智能監(jiān)控指標(biāo)體系。如圖1 所示，該體系涵蓋了可研、初設(shè)、施工與竣工驗(yàn)收等不同階段的20 個(gè)監(jiān)控指標(biāo)。

圖1 電力工程動態(tài)智能監(jiān)控指標(biāo)體系

2 監(jiān)控算法設(shè)計(jì)

該文基于標(biāo)度法（Scaling Method，SM）[11]與先驗(yàn)算法（Apriori）[12]提出了電力工程動態(tài)智能監(jiān)控算法的框架設(shè)計(jì)方案，其流程如圖2 所示。

圖2 基于SM-Apriori的電力工程智能監(jiān)控算法

首先在電力工程監(jiān)控指標(biāo)體系的基礎(chǔ)上，采用標(biāo)度法篩選出工程項(xiàng)目的主要影響指標(biāo)；然后在Apriori 算法的基礎(chǔ)上，利用歷史電力工程數(shù)據(jù)挖掘監(jiān)控指標(biāo)之間、監(jiān)控指標(biāo)與項(xiàng)目總目標(biāo)之間的強(qiáng)關(guān)聯(lián)規(guī)則；之后，構(gòu)建電力工程動態(tài)智能監(jiān)控的有向網(wǎng)絡(luò)模型；最終將現(xiàn)有工程數(shù)據(jù)輸入該模型，從而獲得電力工程的監(jiān)控預(yù)警結(jié)果。

2.1 基于SM的主要影響指標(biāo)篩選

為實(shí)現(xiàn)電力工程的精準(zhǔn)監(jiān)控，此次采用標(biāo)度法從中篩選主要影響指標(biāo)。算法包括以下幾個(gè)步驟：

1）通過咨詢行業(yè)專家，采用數(shù)字1-9 來描述第k層指標(biāo)相對于第k-1 層指標(biāo)的重要程度。不同數(shù)字標(biāo)度的含義，如表1 所示。

表1 1-9標(biāo)度值的含義

2）構(gòu)建第k層n個(gè)指標(biāo)相對于第k-1 層元素的判別矩陣可表征為：

式中，mij為指標(biāo)的標(biāo)度與指標(biāo)標(biāo)度的比值。其計(jì)算方式為：

3）計(jì)算判別矩陣的最大特征根及對應(yīng)的特征向量：

式中，λmax和W(k)分別為M(k)H的最大特征根與對應(yīng)的特征向量。

4）查找表2，并根據(jù)式（4）進(jìn)行一致性校檢。

表2 RI取值表

式中，RI為平均隨機(jī)一致性系數(shù)，其可根據(jù)階數(shù)n的大小查找表2 獲取；CR為隨機(jī)一致性參數(shù)，且當(dāng)CR＜0.1 時(shí)，滿足一致性校檢。

5）計(jì)算各監(jiān)控指標(biāo)的權(quán)重系數(shù)。

首先對W進(jìn)行標(biāo)幺化，得到第k層指標(biāo)相對于第k-1 層指標(biāo)的權(quán)重向量W*(k)：

進(jìn)一步計(jì)算第k層指標(biāo)相對于目標(biāo)的權(quán)重向量Q(k)：

式中，Q(k-1)為第k-1 層相對于目標(biāo)的權(quán)重向量。

2.2 Apriori算法

在電力工程N(yùn)條數(shù)據(jù)樣本中，監(jiān)控指標(biāo)a的所有取值構(gòu)成其項(xiàng)集A，監(jiān)控指標(biāo)b的所有取值構(gòu)成項(xiàng)集B。

支持度可描述項(xiàng)集A與B中監(jiān)控指標(biāo)同時(shí)出現(xiàn)的比例：

式中，S(A→B)為項(xiàng)集A對于項(xiàng)集B的支持度，λ(A,B)則為項(xiàng)集A與B同時(shí)出現(xiàn)的樣本數(shù)。

置信度則是描述在項(xiàng)集A發(fā)生的前提下，項(xiàng)集A與項(xiàng)集B中監(jiān)控指標(biāo)出現(xiàn)的概率：

式中，C(A→B)為項(xiàng)集A對于項(xiàng)集B的置信度；λ(A)為項(xiàng)集A出現(xiàn)的樣本數(shù)。

而提升度則是描述項(xiàng)集A出現(xiàn)導(dǎo)致項(xiàng)集B出現(xiàn)的概率：

式中，L(A→B)為項(xiàng)集A對于項(xiàng)集B的提升度；λ(B)為項(xiàng)集B出現(xiàn)的樣本數(shù)。

當(dāng)支持度、置信度及提升度均滿足以下最小閾值的條件時(shí)，說明項(xiàng)集之間存在強(qiáng)關(guān)聯(lián)關(guān)系；反之，則說明項(xiàng)集之間的關(guān)聯(lián)關(guān)系較弱。

式中，Sσ、Cσ和Lσ分別為支持度、置信度與提升度的最小閾值。

僅滿足式（10）中最小支持度閾值的項(xiàng)集，便是頻繁項(xiàng)集。

Apriori算法利用了頻繁項(xiàng)集的兩個(gè)重要性質(zhì)[13]：

1）頻繁項(xiàng)集的所有非空子集也為頻繁項(xiàng)集；

2）非頻繁項(xiàng)集與其他項(xiàng)集或事件的并集也是非頻繁項(xiàng)集。

Apriori 算法的核心思想是[14-15]：從最小的項(xiàng)集出發(fā)構(gòu)建候選項(xiàng)集，計(jì)算支持度并篩選出頻繁項(xiàng)集；然后通過連接操作形成下一階項(xiàng)集作為新一輪的候選項(xiàng)集，且再次計(jì)算支持度，并篩選出頻繁項(xiàng)集；如此經(jīng)過多輪循環(huán)，直至無法生成新的頻繁項(xiàng)集為止；最終計(jì)算所有頻繁項(xiàng)集的置信度及支持度，進(jìn)而輸出項(xiàng)集之間的強(qiáng)關(guān)聯(lián)規(guī)則。

基于Apriori 算法的電力工程動態(tài)監(jiān)控算法，如圖3 所示[16]。

圖3 基于Apriori算法的關(guān)聯(lián)規(guī)則挖掘

2.3 構(gòu)建有向網(wǎng)絡(luò)模型

有向網(wǎng)絡(luò)模型可表示為G(Vi,Vj,θij)，關(guān)聯(lián)規(guī)則Vi→Vj對應(yīng)的是有向網(wǎng)絡(luò)模型中的一條有向邊。其起點(diǎn)與終點(diǎn)分別為監(jiān)控指標(biāo)Vi及Vj，邊θij的權(quán)重則為關(guān)聯(lián)規(guī)則的置信度。有向網(wǎng)絡(luò)模型的構(gòu)建示意圖，如圖4 所示。

圖4 有向網(wǎng)絡(luò)模型構(gòu)建示意圖

2.4 監(jiān)控預(yù)警指標(biāo)獲取

收集現(xiàn)有電力工程項(xiàng)目各監(jiān)控指標(biāo)的偏差情況，計(jì)算偏差置信度為：

式中，αi為第i個(gè)指標(biāo)的偏差置信度，di為現(xiàn)有電力工程項(xiàng)目中第i個(gè)監(jiān)控指標(biāo)出現(xiàn)偏差的項(xiàng)目數(shù)量，D則為現(xiàn)有電力工程項(xiàng)目總數(shù)。

以每個(gè)指標(biāo)為起點(diǎn)，并根據(jù)有向網(wǎng)絡(luò)模型，沿著監(jiān)控指標(biāo)間的加權(quán)邊計(jì)算每個(gè)監(jiān)控指標(biāo)誤差導(dǎo)致項(xiàng)目最終出現(xiàn)偏差的置信度：

式中，φi為第i個(gè)監(jiān)控指標(biāo)偏差導(dǎo)致項(xiàng)目最終出現(xiàn)偏差的置信度；q為目標(biāo)節(jié)點(diǎn)。

最后，判斷φi是否大于監(jiān)控閾值φmax的指標(biāo)。若是，則判定該監(jiān)控指標(biāo)存在風(fēng)險(xiǎn)，并將其作為預(yù)警結(jié)果輸出。

3 算例分析

該文從某實(shí)際電力工程業(yè)務(wù)系統(tǒng)中，導(dǎo)出共2 500 條數(shù)據(jù)作為實(shí)驗(yàn)樣本。預(yù)處理時(shí)對于某個(gè)監(jiān)控指標(biāo)：其中若存在負(fù)向偏差，則該指標(biāo)值記為1；否則，該指標(biāo)的值為0。同時(shí)，在Matlab 平臺上對所設(shè)計(jì)的監(jiān)控算法進(jìn)行仿真驗(yàn)證。

3.1 關(guān)聯(lián)規(guī)則挖掘結(jié)果

將支持度、置信度及提升度的閾值分別設(shè)置為0.05、0.4 和1，通過Apriori 算法進(jìn)行監(jiān)控指標(biāo)之間的關(guān)聯(lián)規(guī)則挖掘，且總共得到22 條強(qiáng)關(guān)聯(lián)規(guī)則。所有強(qiáng)關(guān)聯(lián)規(guī)則的相關(guān)指標(biāo)，如圖5 所示。

圖5 強(qiáng)關(guān)聯(lián)規(guī)則的相關(guān)指標(biāo)

以第1 條強(qiáng)關(guān)聯(lián)規(guī)則“項(xiàng)目申報(bào)及審批進(jìn)度（項(xiàng)集A）→開工時(shí)間（項(xiàng)集B）”為例進(jìn)行說明分析，其3 個(gè)指標(biāo)值分別為0.051 3、0.705 9 和1.729 4。上述指標(biāo)說明：“項(xiàng)目申報(bào)及審批進(jìn)度”和“開工時(shí)間”同時(shí)出現(xiàn)偏差的比例為5.13%，且在“項(xiàng)目申報(bào)及審批進(jìn)度”出現(xiàn)偏差的項(xiàng)目中，有70.59%的項(xiàng)目在“開工時(shí)間”指標(biāo)上也出現(xiàn)了偏差。此外，“項(xiàng)目申報(bào)及審批進(jìn)度”出現(xiàn)偏差還導(dǎo)致“開工時(shí)間”出現(xiàn)偏差的概率提升了1.729 4 倍。

3.2 監(jiān)控預(yù)警應(yīng)用結(jié)果分析

將該文方法應(yīng)用于某電網(wǎng)公司現(xiàn)有的124 個(gè)電力工程項(xiàng)目的動態(tài)智能監(jiān)控中。通過數(shù)據(jù)收集獲得各項(xiàng)監(jiān)控指標(biāo)的偏差置信度，再利用有向網(wǎng)絡(luò)模型計(jì)算其導(dǎo)致項(xiàng)目出現(xiàn)偏差的可能性。測試將項(xiàng)目偏差置信度的閾值設(shè)置為20%，以此判決是否發(fā)出預(yù)警。監(jiān)控預(yù)警應(yīng)用結(jié)果，如表3 所示。

表3 監(jiān)控預(yù)警應(yīng)用結(jié)果

由表可知，物資配送進(jìn)度a5、開工時(shí)間a6、完工時(shí)間a8、竣工結(jié)算b6以及隱蔽工程驗(yàn)收全覆蓋c45 個(gè)監(jiān)控指標(biāo)，有較大可能會導(dǎo)致項(xiàng)目在進(jìn)度、成本與質(zhì)量方面存在偏差。故應(yīng)加強(qiáng)對此類環(huán)節(jié)的管控，以降低項(xiàng)目偏差的風(fēng)險(xiǎn)。

4 結(jié)束語

該文利用SM 和Apriori 算法對海量電力工程數(shù)據(jù)進(jìn)行處理與分析，實(shí)現(xiàn)了電力工程的動態(tài)智能監(jiān)控。數(shù)值實(shí)驗(yàn)結(jié)果表明，該算法能夠挖掘不同監(jiān)控指標(biāo)對電力工程項(xiàng)目偏差風(fēng)險(xiǎn)的內(nèi)在關(guān)聯(lián)關(guān)系。同時(shí)在現(xiàn)有電力工程的監(jiān)控應(yīng)用中，還發(fā)現(xiàn)物資配送進(jìn)度、開工時(shí)間等監(jiān)控指標(biāo)易導(dǎo)致項(xiàng)目偏差風(fēng)險(xiǎn)的增加，因此需加強(qiáng)對上述指標(biāo)相關(guān)環(huán)節(jié)的管控。但目前該方法僅能識別某些環(huán)節(jié)的風(fēng)險(xiǎn)，而無法實(shí)現(xiàn)更加精細(xì)化的風(fēng)險(xiǎn)識別定位，這將在后續(xù)研究中開展。