考虑多参数耦合的电力施工承载力分析系统

王春丽，陈秉乾，刘 沁，高 献，尹 琛，黄典祖，林晓宁，叶民权

(1.国网福建省电力有限公司经济技术研究院，福建 福州 350012； 2.国网福建省电力有限公司，福建 福州 350012)

电力施工承载力代表一个电力公司在指定时间段中承担施工任务的能力。近年来，用电量的迅速增长，导致电力企业的工作量呈爆炸式增长趋势，同时也增加了电力施工班组的工作强度[1-3]，大幅度提升了电力施工风险发生概率。为降低电力施工风险发生概率，需要分析电力施工承载力，根据承载力分析结果，制定合理的施工方案，确保电力施工安全，令电力公司的经济效益达到最大化[4]。传统电力施工承载力分析是通过施工人员的工作经验与以往施工数据获取分析结果，这种分析结果的计算较为繁琐，且影响电力施工承载力的因素较多，其分析结果的可用性较低。

为解决这一问题，吕学宾等[5]设计变电站施工安全分析系统，以施工安全培训完成度与身体机能等为评价指标，分析变电站施工安全等级，提升变电站施工的合理性，提升施工安全，但该系统仅考虑人员因素，考虑因素的全面性较差，无法全面分析变电站施工安全情况，不能充分发挥安全风险降低作用；陈博文等[6]通过层次分析法与熵权法确定指标权重，添加博弈论实现指标的综合赋权，依据博弈论与云模型，设计电力施工安全评价系统，该系统可有效获取电力施工安全评价结果，具备较优的应用价值；但该系统无法解决繁琐的电力施工安全问题，评价结果准确定较低，获取分析结果的时间较长。

影响电力施工承载力的因素包含人力、工具与时间，全方面考虑影响承载力因素[7]，可提升承载力分析效果。为此设计考虑多参数耦合的电力施工承载力分析系统，提升承载力分析效果。

1 多参数数据融合过程

多参数数据集成模块内多参数数据融合单元，利用基于节点加权的改进证据理论融合方法融合多参数数据，实现多参数数据耦合，具体步骤如下。

(1)步骤1：输入待融合多参数电力施工承载力分析数据X={X1，X2，…，Xn)，m个电力施工承载力分析数据节点的信任度函数mi(X)，对应电力施工承载力分析数据节点的权重wi，i=1，2，…，m。

(3)步骤3：求解m1(X)与m2(X)的冲突系数K，K=1情况下，利用基于节点加权的改进证据理论融合公式展开电力施工承载力分析数据融合；K≠1情况下，利用式(1)展开数据融合，获取新的融合电力施工承载力分析数据m(C)，公式如下：

(1)

X∩X′=∅情况下，m(C)=0。

(4)步骤4：循环m-2次，重复步骤3，更新m(C)。

(5)步骤5：循环终止，获取最终的m(C)即电力施工承载力分析数据耦合结果。

(2)

依据ki确定权重总量W=m×ki×wmin，通过修正W，获取修正后的数据节点权重为：

(3)

依据w′求解m″(Xi)，在式(1)代入m″(Xi)，获取改进后的证据理论融合公式。

2 电力施工承载力分析系统总体架构

考虑多参数耦合的电力施工承载力分析系统包含源数据、数据仓库与承载力评估分析等模块，其总体架构如图1所示。

图1 电力施工承载力分析系统Fig.1 Analysis system of power construction capacity

图1中，该系统包含界面层、业务逻辑层、数据仓库层、源数据层等多个层次。

(1)源数据层。源数据层属于数据仓库的电力施工承载力分析的数据来源，在人力资源管理、电力施工工具管理与施工进度管理源系统内提取有关电力施工承载力分析的多参数数据，传输至数据仓库层。

(2)数据仓库层。数据仓库层接收多参数电力施工承载力分析数据，利用多参数数据集成模块融合多参数电力施工承载力分析数据，统一数据格式，实现多参数耦合，通过数据操作模块在耦合后数据的基础上，添加抽取时间与增量结束日期字符，获取版本不一的电力施工承载力分析数据，降低系统损耗[8]，采用原子数据模块存储各版本数据的细粒度数据，实现数据的分类存储，通过数据集市模块塑造分类数据的集成化数据环境，为各种用户提供其所需的粒度数据，实现各种用户的访问需求。

(3)业务逻辑层。业务逻辑层具备电力施工承载力评估管理的能力，属于系统的关键部分，用于验证用户权限，避免出现非法访问情况，负责确定承载力风险要素，评估电力施工承载力，在承载力超过极限情况下，经由界面层提醒用户；该层通过电力施工用户管理模块设置访问权限；承载力风险要素模块依据数据仓库层的数据确定风险要素；利用电力施工角色管理模块记录电力施工班组内的角色名称，记录各班组内存在高级职称与初级职称等人员的数量；通过电力施工工具管理模块统一管理各角色人员的工具[9-10]，每个班组只能按照任务领取工具，并及时登记工具领取资料；电力施工任务管理模块，负责在明确任务内容后分配合理的施工人员及工具数量；电力施工计划安排模块负责明确任务执行时间，并及时修正工具及施工人员数量；电力施工承载力评估模块利用贝叶斯网络结合风险要素，输出承载力评估结果；电力施工承载力提示模块根据评估结果，结合设置阈值，分析承载力是否出现越限情况，并及时向用户发出警报。

(4)界面层。通过用户界面的形式，向用户呈现电力施工承载力分析结果。

3 电力施工承载力分析系统硬件设计

3.1 配置数据库服务器

系统数据仓库层的硬件设计由数据库服务器、业务应用服务器、Web客户端服务器模块组成。

(1)数据库服务器模块。主要服务于分析系统的数据仓库层、源数据层。该服务器负责存储用户的业务数据，采用Oracle数据库集群的方式服务，并对数据库的表空间和索引进行优化配置。包括ETL服务器、数据仓库处理服务器、备份服务器；硬件配置要求机型为机柜式服务器：数据库服务器采用的是CISC体系结构，内存必须在4 G以上，数据存储容量至少1 TB。

(2)业务应用服务器模块。主要服务于系统的业务逻辑层。该服务器负责电力施工用户管理、电力施工规则检查、电力施工承载力分析及电力施工任务管理。该服务器基于J2EE的标准架构可以分析电力施工动态负载分布和电力工程任务集成。包括电力施工承载力评估服务器和电力工程任务调度服务器；硬件配置要求内存要大于等于2 G，能够加载25GE智能高速网卡，存储容量在4 G以上。

(3)Web端应用服务器模块。主要服务于用户界面层。该服务器负责对外部业务的Web接入，能够通过一定的缓存提高数据的处理速度。Web服务器也可以根据用户的需求进行集群对外提供服务。客户端用户可以通过Internet或者局域网连接到后端的Web服务器上，进行登录和相关的业务处理操作。包括Web服务器、客户端服务器。硬件配置要求Web服务器为Apache和Microsoft的Internet信息服务器。CPU在PⅢ以上；存储容量应在4 G以上。客户端服务器内存在256 M以上即可。

3.2 配置子模块间的通信形式

硬件模块的联系架构设计采用一片PL2303HX芯片将USB虚拟成串口。通过USB接口可以方便地实现各子模块和PC之间的通信，信号则通过天线输出。天线采用的是的IFA2.4G单端50 Ω电线，其由终端开路传输线和终端短路传输线并联而成。界面层客户端的GUI向Web服务器发出请求，Web服务器与业务应用服务器之间、业务应用服务器与数据库服务器之间都通过DTO进行数据交互。数据库服务器、业务应用服务器、Web客户端服务器需要通过100 M以上的局域网连接通讯。客户端内部需要10 M以上的局域网访问Web服务器。

3.3 多参数数据集成模块

依据元标记语言(Extensible Markup Language，XML)设计多参数数据集成模块，系统中源数据类型不同，所存储的格式也各不一样，而XML具备数据内容间彼此分离与可转换等优势，因此，依据XML设计多参数数据集成模块，实现多参数数据的耦合，便于后期业务逻辑层的数据调用，该模块的结构如图2所示。

图2 多参数数据集成模块结构Fig.2 Structure diagram of multi-parameter data integration module

图2中，数据端利用多参数数据封装器解析不同类型的电力施工承载力分析数据，依据模式抽取、数据抽取与数据转换方式将不同类型的多参数电力施工承载力分析数据转换为统一的格式，降低数据的异构性；业务处理服务器端利用多参数数据互操作服务处理统一后的数据，通过基于节点加权的证据理论改进方法融合格式统一后的多参数电力施工承载力分析数据，实现多参数数据耦合，将耦合后的数据映射至数据操作模块，设计电力施工承载力分析数据查询分析服务单元，为客户端提供数据查询与分析服务；客户端以浏览器的方式查询电力施工承载力分析数据。

4 电力承载力评估

4.1 确认电力施工承载力风险要素

电力施工承载力风险要素模块依据数据仓库层的数据确定风险要素，风险要素确定结果见表1。

B1的计算公式如下：

(4)

表1 指标体系Tab.1 Index system

电力施工任务中存在大型工器具参与情况时，B2的计算公式如下：

(5)

式中，Gi′、τi′分别为电力施工任务i′时大型工器具参与数量及匹配程度；G总、τ总分别为电力施工总任务时大型工器具参与数量及匹配程度；电力施工任务中不存在大型工器具参与情况时，B2=0。

B3的计算公式如下：

(6)

式中，∑Nb为某时间段中某班组完成各个电力施工任务的总工作日；∑Ta为某班组完成电力施工任务的实际工时累计值；Q为事先设置的日工作小时。

4.2 评估电力施工承载力

利用贝叶斯网络依据风险要素，完成电力施工承载力评估，具体步骤如下。

(1)定级各风险要素。获取风险要素等级，利于贝叶斯网络分析，风险要素定级公式如下：

SBα′Rβ′=DBα′Rβ′×PBα′Rβ′

(7)

式中，S为风险要素等级；D为各指标损失；P为各风险要素出现概率。

(2) 建立贝叶斯网络。依据结构性学习建立贝叶斯网络，获取各风险要素间的关系，经由参数学习求解各风险要素的可能性，令Bα′的出现概率表达式P(B|R1，R2，…，Rβ′)，因为各风险要素间彼此无关，所以式P(B|R1，R2，…，Rβ′)的计算公式如下：

(8)

以调查问卷与专家分析方式，获取贝叶斯网络全部数据节点的概率，结合式(8)，获取电力施工承载力风险要素的出现概率。

(3) 风险要素控制。各风险要素利用贝叶斯网络敏感性分析展开评估，输出电力施工承载力评估分析结果，并针对风险出现概率较高的要素，通过相关措施实施控制，电力施工承载力风险发生概率的等级标准见表2。

表2 电力施工承载力风险出现概率的等级标准Tab.2 Grade standard of risk occurrence probability of power construction carrying capacity

5 实例分析

以某电力公司为实验对象，利用本文系统分析该电力公司的电力施工承载力，验证本文系统分析电力施工承载力分析效果。选择该电力公司一个带电作业项目应用本文系统该电力施工工程的施工班组共10名电工，收到抢修命令后，迅速赶到现场，合理分组配合，地面电工负责准备工作和配合塔上电工传递工器具，塔上电工负责更换绝缘子。在施工过程中利用本文系统评估该电力施工项目的承载力，计算二级指标的权值分布情况(表3)。

表3 二级指标的权值分布情况Tab.3 Weight distribution of secondary indicators

计算一级指标权值，展开电力施工承载力分析数据融合，得出的评估结果如图3所示。

图3 电力施工承载力评估结果Fig.3 Evaluation results of power construction capacity

根据图3可知，本文系统可有效获取电力施工承载力评估分析结果，对比表2的电力施工承载力风险出现概率的标准等级可知，该电力施工项目的承载力处于稍有风险等级，其中时间承载力的风险出现概率较高，处于一般风险等级，需要及时调整时间承载力相应的风险要素，工具承载力的风险出现概率，处于稍有风险等级，也需要及时调整工具承载力相应的风险要素，仅有人力承载力的风险出现概率，处于安全等级，无需调整。实验证明：本文系统可有效评估分析电力施工承载力。

为提升多参数数据耦合的效率，避免恶意数据污染多参数数据耦合效果，需在多参数数据耦合时丢弃恶意数据，本文系统利用改进数据融合方法实现多参数数据耦合，为此利用盲目丢弃数据率衡量本文系统在多参数数据耦合时的正确数据损失情况，盲目丢弃数据率越低，说明多参数数据耦合时正确损失程度越小，即多参数数据耦合效果越佳，本文系统中多参数数据耦合是利用节点加权方式改进证据理论融合方法实现的，测试本文系统在不同恶意节点跳数时，利用改进前后的数据融合方法实现多参数数据耦合的盲目丢弃数据率，如图4所示。

根据图4可知，随着恶意节点跳数的增加，本文系统数据融合方法改进前后的盲目数据丢弃率均随之降低。当恶意节点跳数低于9时，各恶意节点跳数时本文系统数据融合方法改进后的盲目数据丢弃率均显著低于改进前，改进后的盲目数据丢弃率在恶意节点跳数在5时，已趋于稳定，降至最低，低至0%；当恶意节点跳数为10时，改进前后的盲目数据丢弃率相同，均为0%。实验证明，本文系统数据融合方法改进后的盲目数据丢弃率较低，改进数据融合方法后，可有效避免多参数数据耦合过程中正确数据被丢弃。

图4 盲目丢弃数据率测试结果Fig.4 Test results of blind discarding data rate

该电力公司的电力施工承载力分析数据内共包含3种关联强度的参数，分别是弱关联参数、中等关联参数与强关联参数，利用过滤无效数据量衡量本文系统的数据查询效果，分析本文系统在不同数据属性值时各关联强度参数的查询效果，见表4。

表4 过滤无效数据量分析结果Tab.4 Analysis results of filtered invalid data volume

由表4可知，本文系统在3种参数关联强度时的过滤无效数据量，均随数据属性值的增加而增加，参数关联强度越高，过滤的无效数据量越多；各参数关联强度时，本文系统的过滤无效数据量均与实际无效数据量相差较小，说明本文系统在不同参数关联强度时的查询效果均较优。实验证明：在不同参数关联强度时，本文系统过滤无效数据量的精度较高，即查询效果较佳，有效过滤无效数据，可提升系统的查询效率。

利用信息损失度衡量本文系统的数据传输效果，分析本文系统在不同数据属性值时的信息损失度，为确保系统的数据传输效果较优，需将信息损失度控制在10以内，如图5所示。

图5 信息损失度测试结果Fig.5 Test results of information loss degree

根据图5可知，数据属性值越高，本文系统的信息损失度越高，当数据属性值达到35时，信息损失度达到最高值9.4左右，当数据属性值超过35时，信息损失度不再发生改变，最高信息损失度低于10，说明本文系统的信息损失度较低，具备较优的数据传输效果。

分析该电力公司应用本文系统一年后，该公司在不同电压等级时电力施工情况的改善效果，分析结果见表5。

表5 分析结果Tab.5 Analysis results

根据表5可知，在电力施工电压等级为500 kV与220 kV时，应用本文系统后的施工人数均显著低于应用前，且未超过人力承载力极限值，说明应用本文系统后可有效缩减电力施工人数，并始终高于人力承载力极限值，确保施工人数分配的合理性，电压等级为110 kV时，应用本文系统后的施工人数虽超过应用前，但应用前的施工人数已超过人力承载力极限值，说明应用前的施工人数分配不合理，应用本文系统后的施工人数略高于人力承载力极限值，说明应用本文系统后的施工人数并不会出现人员浪费情况；在不同电压等级时，应用本文系统后的工具使用率均显著高于应用前，且年施工项目数量也高于应用前。实验证明，应用本文系统后，可合理分配电力施工人数，并确保施工人数略高于人力承载力极限值，避免出现人员浪费情况，充分利用电力施工工具，提升年电力施工项目数量。

6 结论

设计的考虑多参数耦合的电力施工承载力分析系统，可帮助电力公司精准了解其电力施工承载力，制定符合电力施工承载力的施工方案，合理分配施工人员，充分利用施工工具，确保施工安全，有效评估分析电力公司的电力施工承载力，为工作人员调整施工方案提供可靠的数据支持，为企业创造更多的经济效益。