CN104951871A - 一种电力仿真培训的智能评价方法及系统 - Google Patents

Abstract

本发明实施例公开了一种电力仿真培训的智能评价方法及系统，其中，该方法包括：输入电力仿真的培训记录因素；对培训记录因素进行模糊化处理，获得处理结果；根据处理结果计算每条培训记录因素的规则的适用度；对适用度进行归一化处理，并获得归一化处理结果；根据对每个培训记录因素的规则和归一化处理结果计算各规则输出，并进行解模糊化处理，获得培训记录因素的评价结果。在本发明实施例中，将模糊理论表达知识的能力和神经网络自学能力有效结合起来，提高整个系统对知识的学习和表达能力，代替人们去处理设计评价系统时遇到的部分繁杂的智能性工作，提高模糊评价系统的学习和表达能力，并提高工作效率。

Description

一种电力仿真培训的智能评价方法及系统

技术领域

本发明涉及电力仿真培训技术领域，尤其涉及一种电力仿真培训的智能评价方法及系统。

背景技术

随着我国电力工业的迅猛发展，电力系统规模日益扩大、运行方式日趋复杂，人员技能要求也越来越高，基于计算机仿真技术的电力培训仿真系统能够真实模拟现场设备电气特性、物理特性和化学特性，营造逼真的作业环境，在电力培训体系中得到了广泛而深入的应用。相当一部分电力培训仿真系统还包含有评价系统，是人员培训过程中加强培训质量的有效途径和重要手段。

目前应用于电力培训仿真系统的评价方法主要有数理统计法、专家评价法等，这些方法存在指标建立不全面、权值分配不合理、人工参与程度高等问题，或主观性较强，或只是从定性角度综合评价，都难以从复杂、不确定的数据输入(操作记录、培训档案等)中得到确定的信息(存在问题、改进方面等)，结果描述存在模糊性，评价不够客观、全面，容易降低评价结果的可靠性和可信性，不能全面地了解学员学习培训的历程，不能及时、有针对性地提出改进的意见。

另一方面，电力公司应对产业升级大力开展全员岗位培训，电力培训仿真系统的应用规模、范围和深度不断扩大，很多培训中心通过电力培训仿真系统积累了大量的培训记录、数据和档案，面对“堆积如山”的数据集合，传统的数据分析手段只能获得这些数据的表层信息，难以从中挖掘出深层次、有价值、客观全面的信息，难以对当前正在进行的培训过程及培训评价形成反馈，企业并不能充分利用这些数据中的大量信息去客观评价学员的实际工作能力，给培训管理评价工作带来了很大困难。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种电力仿真培训的智能评价方法及系统，提高模糊评价系统的学习和表达能力，使电力仿真培训评价过程能更好模拟人类智能而提高工作效率。

为了解决上述问题，本发明提出了一种电力仿真培训的智能评价方法，所述方法包括：

输入电力仿真的培训记录因素；

对所述培训记录因素进行模糊化处理，获得处理结果；

根据所述处理结果计算每条培训记录因素的规则的适用度；

对所述适用度进行归一化处理，并获得归一化处理结果；

根据对每个培训记录因素的规则和所述归一化处理结果计算各规则输出，并进行解模糊化处理，获得所述培训记录因素的评价结果。

优选地，所述对所述培训记录因素进行模糊化处理，获得处理结果的步骤包括：

将所述培训记录因素进行分类；

将所述培训记录因素的所有分类构建评定集。

优选地，所述将所述培训记录因素的所有分类构建评定集的步骤包括：根据以下公式构建评定集：

$F=\left\{\begin{array}{c}{f}_1=p_{1}x+q_{1}y+r_1\\ f_2=p_{2}x+q_{2}y+r_2\\ ...\\ f_k=p_{k}x+q_{k}y+r_k\end{array}\right.;$

其中，x为每个培训记录因素x，y为输出，F为培训记录因素的所有分类的评定集合，f为各个培训记录因素的规则，r为模糊矩阵元素，{p_k,q_k,r_k},k＝1,2,…m为结论参数。

优选地，所述对所述适用度进行归一化处理，并获得归一化处理结果的步骤包括：

根据以下公式对所述适用度进行归一化处理，并获得归一化处理结果：

$V_{k_1{k}_2{k}_N}=\left\{v_k\right\}=\frac{W_{k_1{k}_2{k}_N}}{\underset{k_1,k_2,k_N=1}{\overset{M}{\mathrm{\Σ}}}{W}_{k_1{k}_2{k}_N}};$

其中，V为评价等级的模糊尺度集合，W为评价因素或指标的权重或权系数向量，k为取值参数，M和N为取值范围。

优选地，所述根据对每个培训记录因素的规则和所述归一化处理结果计算各规则输出，并进行解模糊化处理，获得所述培训记录因素的评价结果的步骤，包括：

采用以下公式根据对每个培训记录因素的规则和所述归一化处理结果计算各规则输出，并进行解模糊化处理，获得所述培训记录因素的评价结果：

$y_k=V_{k_1{k}_2{k}_N}F=\underset{i}{\mathrm{\Σ}}{v}_k{f}_i/v_k;$

其中，V为评价规则适用度归一化处理结果，k为取值参数，N为取值范围，F为培训记录因素规则集合，i为角标，f_i为每个培训记录因素的规则。

优选地，所述方法还包括：

通过神经模糊网络的自学习功能获取前提参数和结论参数。

优选地，所述通过神经模糊网络的自学习功能获取前提参数和结论参数的步骤包括：

确定前提参数的初始值，使用最小二乘法计算结论参数；

更新前提参数，输入前提参数和结论参数。

相应地，本发明还提供一种电力仿真培训的智能评价系统，所述系统包括：

输入模块，用于输入电力仿真的培训记录因素；

模糊化处理模块，用于对所述输入模块所输入的培训记录因素进行模糊化处理，获得处理结果；

适用度计算模块，用于根据所述模糊化处理模块获得的处理结果计算每条培训记录因素的规则的适用度；

归一化模块，用于对所述适用度计算模块所计算的适用度进行归一化处理，并获得归一化处理结果；

评价模块，用于根据对每个培训记录因素的规则和所述归一化处理结果计算各规则输出，并进行解模糊化处理，获得所述培训记录因素的评价结果。

优选地，所述模糊化处理模块包括：

分类单元，用于将所述培训记录因素进行分类；

构建单元，用于将所述培训记录因素的所有分类构建评定集。

优选地，所述系统还包括：自学习模块，用于通过神经模糊网络的自学习功能获取前提参数和结论参数。

在本发明实施例中，将模糊理论表达知识的能力和神经网络自学能力有效结合起来，一方面采用模糊综合评定法可以很好地模仿人的思维方式去解决模糊的、难以量化问题，另一方面利用神经网络对环境的变化所具有的自学习能力，实现对既有评价结果的近似推理，对新产生的过程数据具备自学习或自调整的能力，可以对培训过程进行全方位、多层次的分析，自动生成、调整评定矩阵，从而提高整个系统对知识的学习和表达能力，建立客观、公正的培训评价体系，保证培训质量和效果。另外，将神经网络引入到评价系统，从而代替人们去处理设计评价系统时遇到的部分繁杂的智能性工作，诸如生成、调整评定矩阵等，提高模糊评价系统的学习和表达能力；同时克服了模糊理论不具备自学习能力和神经网络无法表达人类自然语言的缺点，从而使电力仿真培训评价过程能更好模拟人类智能而提高工作效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例的电力仿真培训的智能评价方法的流程示意图；

图2是本发明实施例的神经模糊评价系统结构示意图；

图3是本发明实施例的电力仿真培训的智能评价系统的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例的电力仿真培训的智能评价方法的流程示意图，如图1所示，该方法包括：

S101，输入电力仿真的培训记录因素；

S102，对培训记录因素进行模糊化处理，获得处理结果；

S103，根据处理结果计算每条培训记录因素的规则的适用度；

S104，对适用度进行归一化处理，并获得归一化处理结果；

S105，根据对每个培训记录因素的规则和归一化处理结果计算各规则输出，并进行解模糊化处理，获得培训记录因素的评价结果。

神经模糊系统(FNN)则融合了模糊系统和神经网络的技术，并利用两者的优点，使新构成的系统既具有模糊逻辑的处理能力，也具有神经网络的学习能力和自动模式识别能力，这样既可以处理模糊信息和精确信息，也能够实现精确性联想和不精确性联想及映射。这实际上是人类大脑结构和功能的模拟，即模拟大脑神经网络“硬件”拓扑结构和信息模糊处理“软件”的思维功能。

神经模糊系统的学习过程是一种多变量寻优技术。从结构上看，神经模糊系统是神经网络的模糊化，以模糊集、模糊逻辑系统为主，利用神经网络的自组织性和学习性，实现柔性信息处理的最优化。神经模糊系统通常是五层的前向神经网络。

设系统有N个输入x_i、一个输出z，且每个输入分为M个模糊集，则系统有M^N个模糊规则，为：

$\begin{array}{cccc}\mathrm{If}& x_1=A_{{1k}_1}& \mathrm{and}& x_2=A_{2k2}...x_N=A_N{k}_N;\end{array}$

$\begin{array}{cc}\mathrm{Then}& y_{k_1{k}_2...k_N}=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_{k_1{k}_2...k_N}\left(j\right)x_j+r_{k_1{k}_2...k_N};\end{array}$

上式中，p和r为决定模糊规则的系数，k_i∈[1,M]，i∈[1,N]。

图2为上述N个输入、1个输出系统的模型结构图，该网络模型分为5个层次，分别实现学员培训评价的不同功能。第一层为培训记录输入层，该层中神经元节点的个数N为培训记录因素的个数；第二层为模糊化层，该层的神经元个数是每个输入变量隶属函数的总和。第三层和第四层共同完成模糊推理的过程，第三层完成推理的前提参数(或前件参数)的确定，第四层完成结论参数(或后件参数)的确定。两层的神经元个数为模糊规则总个数；第五层为解模糊化层，神经元个数为输出量z的个数。

在S101中，由于在通过电力培训仿真系统进行学员培训过程中，存在许多类型的记录，主要有用户参与度(用户回访率、人均停留时间)、用户行为(操作正确项、操作错误项、提问和总结、参与讨论)、资源使用(资源检索次数、资源下载次数)等。为了清晰地阐述评价系统的工作过程，本发明选取一些主要的、且有代表性的培训记录因素作为系统的输入，确定因素集X作为系统的是输入量。

X＝{Xi}＝{用户回访率、人均停留时间、操作正确项、操作错误项、提问和总结、参与讨论、资源检索次数、资源下载次数}；(i＝1,2,…8)。

具体实施中，S102进一步包括：

将培训记录因素进行分类；将培训记录因素的所有分类构建评定集。

为了对培训记录因素进行模糊处理，需要对其进行模糊化处理。在电力技能培训过程中，通常根据不同岗位的职务所要求员工具备的水平不同，将培训记录进行分类，培训记录因素所有分类的评定集合称为评定集。在此选取评定集为：

V＝{V_j}＝{卓越、优秀、一般、改进、辞退}，(j＝1,2,…5)；

为了确定各个培训记录因素的水平程度，将其分别用隶属函数确定各自的隶属度，即采用如下数学公式进行计算：

$O_i=g(x_i,a_i,b_i,c_i)=\frac{1}{1+{\left[{\left(\frac{x-c_i}{a_i}\right)}^2\right]}^{b_i}}.$

式中，{a_i,b_i,c_i}为前提参数(或前件参数)，通过神经网络的自学习、自调整(实现过程在后面详细介绍)得到。隶属函数的形状随这些参数的改变而发生变化，从而改变各个培训记录因素的危险程度。

具体实施中，根据以下公式构建评定集：

$F=\left\{\begin{array}{c}{f}_1=p_{1}x+q_{1}y+r_1\\ f_2=p_{2}x+q_{2}y+r_2\\ ...\\ f_k=p_{k}x+q_{k}y+r_k\end{array}\right.;$

其中，x为每个培训记录因素x，y为输出，F为培训记录因素的所有分类的评定集合，f为各个培训记录因素的规则，{p_k,q_k,r_k},k＝1,2,…m为结论参数(或后件参数)，r为模糊矩阵元素。

为了表示每个模糊规则是否合适，需要得到各条规则的适用度，通过获得，其中，W为评价因素权重集合，ω为评价因素模糊规则适用度，M为评价因素权重集合的取值上限，O为评价因素模糊规则。

S104进一步包括：

根据以下公式对适用度进行归一化处理，并获得归一化处理结果：

$V_{k_1{k}_2{k}_N}=\left\{v_k\right\}=\frac{W_{k_1{k}_2{k}_N}}{\underset{k_1,k_2,k_N=1}{\overset{M}{\mathrm{\Σ}}}{W}_{k_1{k}_2{k}_N}};$

其中，V为评价等级的模糊尺度集合，W为评价因素或指标的权重或权系数向量，k为取值参数，M和N为取值范围。

采用以下公式根据对每个培训记录因素的规则和归一化处理结果计算各规则输出，并进行解模糊化处理，获得培训记录因素的评价结果：

$y_k=V_{k_1{k}_2{k}_N}F=\underset{i}{\mathrm{\Σ}}{v}_k{f}_i/v_k;$

其中，V为评价规则适用度归一化处理结果，k为取值参数，N为取值范围，F为培训记录因素规则集合，i为角标，f_i为每个培训记录因素的规则。

在上述评价过程中，为了确定各个培训记录因素的有效性及水平程度，需要利用隶属函数确定各自的隶属度，隶属度值的确定是由前提参数(或前件参数){a_i,b_i,c_i}(k＝1,2,M)来确定的，而前件参数的取得是通过神经网络的自学习过程来实现的。同样，在计算模糊规则的适用度时，使用的结论参数(或后件参数){p_k,q_k,r_k}(k＝1,2,M)也是通过神经网络系统的学习功能实现的。

本发明实施例的方法还包括：

通过神经模糊网络的自学习功能获取前提参数和结论参数。

其中，通过神经模糊网络的自学习功能获取前提参数和结论参数的步骤包括：

确定前提参数的初始值，使用最小二乘法计算结论参数；

更新前提参数，输入前提参数和结论参数。

学习过程如下所示：

(1)确定前提参数的初始值，使用最小二乘法计算结论参数，计算公式为：

y＝Σ(v_kx)p_k＝(v₁x)p₁+(v₁y)q₁+v₁r₁+

(v₂x)p₂+(v₂y)q₂+v₂r₁...

(v_Mx)p_M+(v_My)q_M+v_Mr_M＝Aθ。

式中，列向量θ的元素构成培训记录因素评价系统中结论参数的集合,即θ＝{p₁,q₁,r₁,p₂,q₂,r₂,...p_M,q_M,r_M}，行向量A的元素构成v_kx的集合，即A＝{v₁x,v₂x,v_Mx}。

在学习过程中，需要利用各种培训记录因素的输入量和其对应的输出量作为训练样本，通常训练样本的个数远远大于培训记录因素的个数。这时，使用最小二乘法可以得到均方根误差最小意义下的结论参数的最佳估计，即：

θ^*＝(A^TA)^-1A^Ty。

培训评价系统在线学习的时候，系统每增加培训记录因素和其对应的评价结果的一组数据，参数就更新一次，这种学习策略对于评价系统的参数辨识是非常重要的。

(2)更新培训评价系统的前提参数。根据上面得到的结论参数对系统的误差进行计算，采用前馈神经网络中的BP算法，将误差由培训评价系统的输出反向传到培训记录因素的输出端，用梯度下降的办法更新前提参数，从而优化隶属函数的形状。

相应地，本发明实施例还提供一种电力仿真培训的智能评价系统，如图3所示，该系统包括：

输入模块1，用于输入电力仿真的培训记录因素；

模糊化处理模块2，用于对输入模块1所输入的培训记录因素进行模糊化处理，获得处理结果；

适用度计算模块3，用于根据模糊化处理模块2获得的处理结果计算每条培训记录因素的规则的适用度；

归一化模块4，用于对适用度计算模块3所计算的适用度进行归一化处理，并获得归一化处理结果；

评价模块5，用于根据对每个培训记录因素的规则和归一化处理结果计算各规则输出，并进行解模糊化处理，获得培训记录因素的评价结果。

模糊化处理模块2包括：

分类单元，用于将培训记录因素进行分类；

构建单元，用于将培训记录因素的所有分类构建评定集。

该系统还包括：自学习模块，用于通过神经模糊网络的自学习功能获取前提参数和结论参数。

具体地，本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述，这里不再赘述。

在本发明实施例中，将模糊理论表达知识的能力和神经网络自学能力有效结合起来，一方面采用模糊综合评定法可以很好地模仿人的思维方式去解决模糊的、难以量化问题，另一方面利用神经网络对环境的变化所具有的自学习能力，实现对既有评价结果的近似推理，对新产生的过程数据具备自学习或自调整的能力，可以对培训过程进行全方位、多层次的分析，自动生成、调整评定矩阵，从而提高整个系统对知识的学习和表达能力，建立客观、公正的培训评价体系，保证培训质量和效果。另外，将神经网络引入到评价系统，从而代替人们去处理设计评价系统时遇到的部分繁杂的智能性工作，诸如生成、调整评定矩阵等，提高模糊评价系统的学习和表达能力；同时克服了模糊理论不具备自学习能力和神经网络无法表达人类自然语言的缺点，从而使电力仿真培训评价过程能更好模拟人类智能而提高工作效率。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的电力仿真培训的智能评价方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种电力仿真培训的智能评价方法，其特征在于，所述方法包括：

输入电力仿真的培训记录因素；

对所述培训记录因素进行模糊化处理，获得处理结果；

根据所述处理结果计算每条培训记录因素的规则的适用度；

对所述适用度进行归一化处理，并获得归一化处理结果；

根据对每个培训记录因素的规则和所述归一化处理结果计算各规则输出，并进行解模糊化处理，获得所述培训记录因素的评价结果。

2.如权利要求1所述的电力仿真培训的智能评价方法，其特征在于，所述对所述培训记录因素进行模糊化处理，获得处理结果的步骤包括：

将所述培训记录因素进行分类；

将所述培训记录因素的所有分类构建评定集。

3.如权利要求2所述的电力仿真培训的智能评价方法，其特征在于，所述将所述培训记录因素的所有分类构建评定集的步骤包括：根据以下公式构建评定集：

$F=\left\{\begin{array}{c}{f}_1=p_{1}x+q_{1}y+r_1\\ f_2=p_{2}x+q_{2}y+r_2\\ ...\\ f_k=p_{k}x+q_{k}y+r_k\end{array}\right.;$

其中，x为每个培训记录因素x，y为输出，F为培训记录因素的所有分类的评定集合，f为各个培训记录因素的规则，r为模糊矩阵元素，{p_k,q_k,r_k},k＝1,2,…m为结论参数。

4.如权利要求1所述的电力仿真培训的智能评价方法，其特征在于，所述对所述适用度进行归一化处理，并获得归一化处理结果的步骤包括：

根据以下公式对所述适用度进行归一化处理，并获得归一化处理结果：

$V_{k_1{k}_2{k}_N}=\left\{v_k\right\}=\frac{W_{k_1{k}_2{k}_N}}{\underset{k_1,k_2,k_{N=1}}{\overset{M}{\mathrm{\Σ}}}{W}_{k_1{k}_2{k}_N}};$

其中，V为评价等级的模糊尺度集合，W为评价因素或指标的权重或权系数向量，k为取值参数，M和N为取值范围。

5.如权利要求1所述的电力仿真培训的智能评价方法，其特征在于，所述根据对每个培训记录因素的规则和所述归一化处理结果计算各规则输出，并进行解模糊化处理，获得所述培训记录因素的评价结果的步骤，包括：

采用以下公式根据对每个培训记录因素的规则和所述归一化处理结果计算各规则输出，并进行解模糊化处理，获得所述培训记录因素的评价结果：

$y_k=V_{k_1{k}_2{k}_N}F=\underset{i}{\mathrm{\Σ}}{v}_k{f}_i/v_k;$

其中，V为评价规则适用度归一化处理结果，k为取值参数，N为取值范围，F为培训记录因素规则集合，i为角标，f_i为每个培训记录因素的规则。

6.如权利要求1所述的电力仿真培训的智能评价方法，其特征在于，所述方法还包括：

通过神经模糊网络的自学习功能获取前提参数和结论参数。

7.如权利要求6所述的电力仿真培训的智能评价方法，其特征在于，所述通过神经模糊网络的自学习功能获取前提参数和结论参数的步骤包括：

确定前提参数的初始值，使用最小二乘法计算结论参数；

更新前提参数，输入前提参数和结论参数。

8.一种电力仿真培训的智能评价系统，其特征在于，所述系统包括：

输入模块，用于输入电力仿真的培训记录因素；

模糊化处理模块，用于对所述输入模块所输入的培训记录因素进行模糊化处理，获得处理结果；

适用度计算模块，用于根据所述模糊化处理模块获得的处理结果计算每条培训记录因素的规则的适用度；

归一化模块，用于对所述适用度计算模块所计算的适用度进行归一化处理，并获得归一化处理结果；

评价模块，用于根据对每个培训记录因素的规则和所述归一化处理结果计算各规则输出，并进行解模糊化处理，获得所述培训记录因素的评价结果。

9.如权利要求8所述的电力仿真培训的智能评价系统，其特征在于，所述模糊化处理模块包括：

分类单元，用于将所述培训记录因素进行分类；

构建单元，用于将所述培训记录因素的所有分类构建评定集。

10.如权利要求8或9所述的电力仿真培训的智能评价系统，其特征在于，所述系统还包括：自学习模块，用于通过神经模糊网络的自学习功能获取前提参数和结论参数。