新型智能操作票系统应用研究

宋 哲，冷磊磊

（北京科东电力控制系统有限责任公司，北京 100193）

0 引言

随着电网规模的不断扩大以及网架结构的日益复杂，传统电网调度管理模式渐显弊端，主要表现在：通过人工开具操作票的方式已经不能满足数量庞大且日益复杂的电力调度操作要求，并且人工成票会给电网运行带来一定的安全风险，还严重影响成票的质量和效率，导致调度效率不高［1］。在我国当前电力系统运行的过程中，电网调度的地位举足轻重，其工作内容复杂，工作环节之间的联系也非常密切，且实际操作中的安全风险因素较多，一旦出现调度不够合理的情况，就难以保证电力的供应效果。电网操作票是保证电网调度安全稳定进行、电力系统安全运行及管理的有效措施［2］。操作票管理系统的智能性和通用性是判断系统实用化的基础［3］。

1 调度操作票

调度操作票是针对特定设备和特定操作任务，根据电网安全操作规程，按照规范的操作术语描述顺序倒换有关设备运行状态的操作指令集。操作票的生成要求严格按照操作票格式填写，统一编号，不漏项，步骤正确不能颠倒，有关内容按规定逐项填写，并且每项内容只允许填写一个最小单元的操作内容，操作完成后做标记等［4］。

操作票按照功能不同可分为四类：停电类、送电类、方式调整类和新设备启动/退出类［5-6］。四类操作票的内容、形式、要求等均不相同。

1.1 调度操作票生成

操作票的生成方式经历了两个阶段，分别是人工出票及智能出票。调度操作票的传统生成模式是极为耗时的人工开票模式，而后随着计算机技术的发展，智能操作票系统逐渐成熟，在实现智能开票的基础上，引入了五防校验与模拟预演，但智能化程度依旧不高，成票过程依赖手动输入。

操作票人工出票主要依靠调度员对于输配电线路及检修申请单的深入理解和丰富的工作经验实现成票［7］。目前，人工开票已经难以满足智能电网安全运行的要求，利用智能化方式来实现操作票的辅助开票变得尤为必要［4］。

操作票的智能开票能够提高电网的调控效率、减轻调控人员的工作压力，智能开票也是当前普遍应用的操作票生成方式，其本身属于一项经验与技术并存的综合型工作［5］。在具体工作中，如果所采用的信息技术相对落后，工作人员就很难运用有缺陷的技术建立完善的数学模型，而且计算出的相关参数必然难以保证精确性［8］，因而有必要引入先进的信息技术，优化人员配置，由专业知识水平高和经验丰富的工作人员执行此项操作，这样才能保证操作票的生成质量。但是当前所使用的智能自动化调度操作票系统尚不完善，智能化水平较低，虽然能够自动生成一部分典型的操作票来处理简单的问题，却在面对更加复杂的操作任务时，必须运用“以机代笔”的模式［9］，所耗时间在15 min 以上。对于描述、识别和学习操作规则来讲，智能操作票系统依然存在各种问题。

1.2 综合功能不足

配电系统运行模式趋于多样化和复杂化，当前普遍的调度智能操作票系统的综合功能存在不足，主要为：无法对将要执行的操作票实施准确的模拟预演、无法对已操作的设备进行快速恢复及智能化水平不高［4］。

2 新型智能操作票系统

智能操作票系统是用来辅助调度员编写操作票的辅助软件，基于电力系统的实际网络模型，实现操作票智能生成等［7］。现阶段智能操作票系统的功能不完善［10］，智能化水平并不高，不能实时开票［11］，操作票内容存在严重不规范性，缺乏严格的校验，且成票及校验规则复杂，难以复用。因此为了推动软件的规范化，使设计人员遵循统一的详细书写规范，减少地市间的区别，降低系统实现的风险，本次研究基于D5000 平台搭建新型智能操作票系统。

2.1 功能描述

新型智能操作票系统在保留智能操作票系统“以机代笔”及点图成票功能的基础上，加入了逆向成票、模拟预演及新型防误校验模块，并且利用深度学习算法［12-13］及智能推理算法［14］优化操作票生成过程。新型智能操作票系统的功能流程图，如图1 所示。

图1 新型智能操作票系统功能流程图Fig.1 Function flow chart of new intelligent operation ticket system

新型智能操作票系统可供客户进行选择人为生成及智能生成两种生成模式。人为生成模式可通过点击界面设备，进而生成操作票；也可通过解析检修票的内容，获取生成操作票的必备信息，进而生成操作票。智能生成模式可根据接入的检修票申请单内容进行解析，得到生成操作票的必要内容，进而生成操作票，具体步骤为：根据申请信息分析调令类型；将检修票的停或送电范围作为操作票的操作目的；解析计划开工时间和竣工时间，并关联到操作票的相关信息里；结合检修票的停或送电范围和工作内容，生成操作指令，并根据各地方的习惯，定制本地化的术语指令。生成操作票之后，必须通过防误校验才允许继续执行。生成的操作票通过防误校验后，可选择是否进行模拟预演和逆向出票来校验正确性或减少成票流程，全部结束后即可发布操作票。

2.2 创新功能

2.2.1 深度学习算法

深度学习算法将电网调度管理系统OMS 中检修申请单的分散内容进行识别提取，转化为检修操作任务，作为后续操作票推理的依据［13］。选用LSTM 算法、TEXTCNN 算法、BiLSTM+CRF 算法三种方案进行比选。基于4 种检修申请单类型对不同地市的20 条线路的停电类、20 条线路的送电类、20 条线路的方式调整类及20 条线路的新设备启动/退出类的检修申请单进行试验，统计语义解析平均时间并计算语义解析完全匹配率，见式（1）和式（2）。

经过对比试验后得到试验结果，如表1。

表1 深度学习方案分析论证Tab.1 Analysis and demonstration of deep learning scheme

三种方案的语义解析完全匹配率和语义解析平均时间都可以达到实际要求；LSTM 算法语义解析完全匹配率最低，为95.00%；TEXTCNN 算法的语义解析平均时间最长，为38.88 s；BiLSTM+CRF 算法的语义解析完全匹配率最高，为97.50%，且语义解析平均时间最短，为36.67 s。综合考虑，选用BiLSTM+CRF 算法作为深度学习算法，其原理如图2。

图2 BiLSTM+CRF 算法方案原理图Fig.2 Schematic diagram of BiLSTM+CRF algorithm scheme

2.2.2 智能推理算法

智能推理算法内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。智能推理算法基于深度学习算法对所输出的操作任务进行进一步分析处理，最终输出操作项和操作票。选用决策树推理、朴素贝叶斯推理及专家系统推理三种方案，选取不同地市的停电类、送电类、方式调整类及新设备启动/退出类操作任务分别为15 条、15 条、10 条、10 条，共50 条操作任务进行比对试验，统计操作项完整率、操作步骤正确率和推理平均时间，见式（3）—式（5）。

经过对比试验后得到试验结果，如表2。其中采用决策树推理方案的操作项完整率为92%、操作步骤正确率为92%，均较低，不满足实际要求；采用朴素贝叶斯推理方案的操作项完整率为100%、操作步骤正确率为98%，较采用决策树推理方案高，但推理时间最长，为45.770 s；采用专家系统推理方案的推理时间最短，为40.274 s，操作项完整率为98%，操作步骤正确率为98%，较采用朴素贝叶斯推理方案低，但可以满足实际要求。综合考虑，选用专家系统推理作为智能推理算法，其原理如图3。

图3 专家系统推理算法原理图Fig.3 Schematic diagram of expert system reasoning algorithm

表2 智能推理方案分析论证Tab.2 Analysis and demonstration of intelligent reasoning scheme

2.2.3 模拟预演功能

模拟预演功能是在操作票执行之前在模拟线路上进行操作票内容虚拟操作，根据结果判断操作票内容是否正确。模拟预演功能不仅可以增加操作票执行结果的可观性，还可以大幅度减少人工校核的耗时［14］。

模拟预演模块可实现全流程或逐条执行模拟操作，不需要过多的人为参与，并且该模块配备了一键恢复到线路初始状态的功能。不仅如此，模拟预演模块内的“设置断点”功能保留了人为干预的部分，有助于调度员对线路的调度情况做进一步分析。

模拟预演的功能流程如下：初始化线路状态；操作票模拟预演模块执行；系统自动加载操作票的操作，选择是否设置断点；逐条或自动进行模拟预演；线路恢复到初始化状态（模拟预演结束）。模拟预演模块功能界面，如图4 所示。

图4 模拟预演功能界面Fig.4 Simulation preview function interface

2.2.4 逆向出票功能

故障恢复操作票必须在线实时开票才能发挥最大作用，因此逆向开票的思想可以弥补开具恢复类操作票时的冗余流程［14］。

操作票操作后，现场的调度人员需根据操作票的内容，手动开具恢复类操作票，影响调度员的工作进度。新型智能操作票系统在新建操作票模块中加入了逆向生成操作票的功能。逆向成票的功能在于利用已生成的操作票，一键生成线路恢复操作票，相较于人工开票，此方法大大减少了开具线路恢复类操作票的时间，逆向出票界面如图5 所示。

逆向生成操作票后，结合模拟预演功能对恢复类操作票进行模拟预演，预演无误后可交至现场人员执行。如图5 所示，已根据检修申请票生成了停电类操作票，选择“生成逆向票”，即可自动生成相应的“复电类”操作票。

图5 逆向出票界面Fig.5 Reverse ticketing interface

3 效果验证

在实际工程项目中，现场要求开票总时间小于3 min，其中深度学习算法的语义解析完全匹配率不小于95%，语义解析时间不大于40 s，智能推理算法的操作项完整率不小于98%，操作步骤正确率不小于98%，推理时间不大于45 s。

3.1 深度学习算法效果验证

在公司实验室部署检修申请单数据库，搭建了模拟测试环境对BiLSTM+CRF 算法进行试验分析。将某电力公司管辖内不同线路上的检修申请单作为试验数据，将其分为停电类、送电类、方式调整类和新设备启动/退出类共4 类，每类10 条数据。将40 条试验数据进行试验并统计语义解析平均时间和语义解析完全匹配率，试验结果如图6。

图6 BiLSTM+CRF 算法试验分析结果图Fig.6 Experimental analysis results of BiLSTM+CRF algorithm

利用式（1）和式（2）可计算出4 类试验数据BiLSTM+CRF 算法的语义解析完全匹配率平均为97.5%；语义解析平均时间为36.67 s。由试验结果可知，BiLSTM+CRF 算法解析4 种不同类型的检修申请单时，在语义解析完全匹配率大于等于95%的情况下，解析时间均小于40 s。

3.2 智能推理算法效果验证

在公司实验室部署调度操作票综合管理系统，在操作项生成模块上部署智能推理试验程序。分别选取某电力公司的4 类操作任务15 条、15 条、10 条、10 条，共50 条数据对专家系统推理算法进行试验，将4 类操作任务按顺序依次进行试验，并根据结果绘制直方图如图7。

图7 专家系统推理算法试验统计直方图Fig.7 Statistical histogram of expert systemreasoning algorithm experiment

根据式（3）—式（5）可计算出专家系统推理算法的操作项完整率为98%，操作步骤正确率为98%，推理平均时间为40.274 s。专家系统推理方案处理试验数据的推理时间均小于45 s，操作项的操作步骤正确率均达到98%。

3.3 操作票生成时间

选用某地市不同线路的20 条4 类（共80 条）检修申请单作为试验数据，分别利用人工开票、智能操作票系统及新型智能操作票系统进行试验，统计每类检修申请单成票所需平均时间，试验结果如图8 所示。

由图8 可知，新型智能操作票系统开票时间为90 s 左右，相较于人工成票和智能操作票系统，该系统可大幅度缩短成票时间，有利于提高调度人员的工作效率。

图8 操作票生成试验结果图Fig.8 Operation ticket generation test result diagram

4 结语

新型智能操作票系统弥补了操作票现有生成方式的缺陷，大幅度提高了操作票生成效率和质量，填补了配电网调度操作票智能化生成的空白，应用深度学习算法搭建语义识别模型实现文本识别，利用智能推理算法进行操作项的推理，可实现全流程自动化、高质量、高效率、智能化生成操作票。