CN112765133B - 一种用于pas案例库的维护系统及维护方法 - Google Patents

Abstract

本发明公开了一种用于PAS案例库的维护系统，包括数据收集模块，用于收集单个案例、案例库及电力系统的维护数据；维护类型选择模块，用于对维护数据进行分析，并根据触发维护的分析结果选择待使用的维护类型；维护类型包括定期维护、条件维护或特定维护；条件维护包括根据案例库内存、检索案例时间、检索失败次数进行的维护；操作类型选择模块，用于从PAS案例库的索引结构、领域内容、检所记录及维护策略中选出待使用的操作类型；维护操作执行模块，用于根据维护类型、操作类型及操作方法对PAS案例库进行维护；操作方法包括不确定删除法、选择删除法及非删除法。本发明提供的维护系统，能够提高案例库的智能化程度，减少检索时间，提高使用效率。

Description

一种用于PAS案例库的维护系统及维护方法

技术领域

本发明涉及电力系统技术领域，尤其涉及一种用于PAS案例库的维护系统及维护方法。

背景技术

PAS，即电力系统高级应用软件，已成为电力系统中辅助调度员实现运行方式分析、事故预演的重要工具。PAS的实际应用使调度从经验型向分析型转变，提高了电网的安全稳定和经济运行水平。现有技术中，调度员潮流计算的准确度偏低。特别地，随着互联电网的复杂化，现有调度员潮流模块的计算结果与实际结果出入较大，甚者相差几倍。其主要原因在于PAS中的案例库自身的维护程度较低，因为调度员自身缺乏原理分析和长期的统计跟踪，对该类软件缺少评估和预警，从而使电网存在故障风险的隐患。而随着案例库的不断扩大，会导致相似案例的检索时间大大增加，进而影响系统的能力与运行效率，甚至出现无效案例的堆积，导致分析结果的不准确。因此，如何提供一种用于PAS的案例库的维护方法是目前亟待解决的问题。

发明内容

本发明的目的在于提供一种用于PAS案例库的维护系统及维护方法，该系统能够提高案例库的智能化程度，减少检索时间并提高使用效率。

为了克服上述现有技术中的缺陷，本发明实施例提供了一种用于PAS案例库的维护系统，包括：

数据收集模块，用于收集单个案例、案例库及电力系统的维护数据；

维护类型选择模块，用于对所述维护数据进行分析，并根据触发维护的分析结果选择待使用的维护类型；所述维护类型包括定期维护、条件维护或特定维护；所述条件维护包括根据案例库内存、检索案例时间、检索失败次数进行的维护；

操作类型选择模块，用于从PAS案例库的索引结构、领域内容、检索记录及维护策略中选出待使用的操作类型；

维护操作执行模块，用于根据所述维护类型、所述操作类型及操作方法对PAS案例库进行维护；所述操作方法包括不确定删除法、选择删除法及非删除法，所述非删除法包括交叉覆盖维护算法及粒计算。

作为优选地，所述用于PAS案例库的维护系统，还包括，案例库构建模块，用于，

获取初始数据，对所述初始数据进行匹配后得到初始算例；所述初始数据包括CIM模型数据、E格式断面数据及状估数据；

根据量测调整、通信调整、参数调整、档位调整、平衡机控制调整、电机控制调整及联络线控制调整对所述初始算例进行调整；

计算所述调整后案例的基准数据，并对所述基准数据进行基准拓扑分析；

将所述分析后的算例作为标准算例，并存储至案例库。

作为优选地，所述单个案例的维护数据包括所述单个案例被成功应用和被失败应用的次数；

所述案例库的维护数据包括所述案例库内的内存大小；

所述电力系统的维护数据包括所述电力系统的已解决故障问题和未解决故障问题。

作为优选地，所述维护操作执行模块，还用于在实现级、表示级或知识级进行PAS案例库的维护；

所述实现级包括将PAS案例库内存维持在第一预设阈值以内的操作；

所述表示级包括对不一致的特征值名称、不同案例格式的调整；

所述知识级包括对错误特征值的修正、对单个案例的增减。

作为优选地，所述不确定删除法，包括当PAS案例库中的规则数量大于第二预设阈值时，删除任意一个随机规则项；

所述选择删除法，包括：优先级分类法、相似度分析法及孤立点分析法；

所述优先级分类法，包括按照优先级从高到低的顺序依次删除辅助案例，支持案例，连接案例及核心案例；

所述相似度分析法，包括根据相似粗糙集计算PAS案例库中所有案例两两之间的相似度，删除所述相似度大于第三预设阈值所对应的案例；

所述孤立点分析法，包括将检索案例的距离大于第四预设阈值的作为孤立点，并将所述孤立点聚类后进行删除。

本发明某一实施例还提供一种用于PAS案例库的维护方法，包括：

收集单个案例、案例库及电力系统的维护数据；

对所述维护数据进行分析，并根据触发维护的分析结果选择待使用的维护类型；所述维护类型包括定期维护、条件维护或特定维护；所述条件维护包括根据案例库内存、检索案例时间、检索失败次数进行的维护；

从PAS案例库的索引结构、领域内容、检索记录及维护策略中选出待用操作类型；

根据所述维护类型、所述操作类型及操作方法对PAS案例库进行维护；所述操作方法包括不确定删除法、选择删除法及非删除法，所述非删除法包括交叉覆盖维护算法及粒计算。

作为优选地，在所述收集单个案例、案例库及电力系统的维护数据之前，还包括：

获取初始数据，对所述初始数据进行匹配后得到初始算例；所述初始数据包括CIM模型数据、E格式断面数据及状估数据；

根据量测调整、通信调整、参数调整、档位调整、平衡机控制调整、电机控制调整及联络线控制调整对所述初始算例进行调整；

计算所述调整后案例的基准数据，并对所述基准数据进行基准拓扑分析；

将所述分析后的算例作为标准算例，并存储至案例库。

作为优选地，所述单个案例的维护数据包括所述单个案例被成功应用和被失败应用的次数；

所述案例库的维护数据包括所述案例库内的内存大小；

所述电力系统的维护数据包括所述电力系统的已解决故障问题和未解决故障问题。

作为优选地，所述根据所述维护类型、所述操作类型及操作方法对PAS案例库进行维护，包括在实现级、表示级或知识级进行PAS案例库的维护，其中，

所述实现级包括将PAS案例库内存维持在第一预设阈值以内的操作；

所述表示级包括对不一致的特征值名称、不同案例格式的调整；

所述知识级包括对错误特征值的修正、对单个案例的增减。

作为优选地，所述不确定删除法，包括当PAS案例库中的规则数量大于第二预设阈值时，删除任意一个随机规则项；

所述选择删除法，包括：优先级分类法、相似度分析法及孤立点分析法；

所述优先级分类法，包括按照优先级从高到低的顺序依次删除辅助案例，支持案例，连接案例及核心案例；

所述相似度分析法，包括根据相似粗糙集计算PAS案例库中所有案例两两之间的相似度，删除所述相似度大于第三预设阈值所对应的案例；

所述孤立点分析法，包括将检索案例的距离大于第四预设阈值的作为孤立点，并将所述孤立点聚类后进行删除。

本发明某一实施例还提供了一种计算机终端设备，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的用于PAS案例库的维护方法。

本发明某一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如上任一项所述用于PAS案例库的维护方法。

相对于现有技术，本发明实施例提供的用于PAS案例库的维护系统能够提高案例库的智能化程度，减少检索时间并提高使用效率。

附图说明

图1是本发明某一实施例提供的用于PAS案例库的维护系统的结构示意图；

图2是本发明某一实施例提供的构建案例库的步骤示意图；

图3是本发明某一实施例提供的用于PAS案例库的维护方法的流程示意图；

图4是本发明某一实施例提供的构建案例库的流程示意图。

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。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

第一方面：

请参阅图1，本发明实施例提供了一种用于PAS案例库的维护系统，包括：

数据收集模块，用于收集单个案例、案例库及电力系统的维护数据；

维护类型选择模块，用于对所述维护数据进行分析，并根据触发维护的分析结果选择待使用的维护类型；所述维护类型包括定期维护、条件维护或特定维护；所述条件维护包括根据案例库内存、检索案例时间、检索失败次数进行的维护；

操作类型选择模块，用于从PAS案例库的索引结构、领域内容、检索记录及维护策略中选出待使用的操作类型；

维护操作执行模块，用于根据所述维护类型、所述操作类型及操作方法对PAS案例库进行维护；所述操作方法包括不确定删除法、选择删除法及非删除法，所述非删除法包括交叉覆盖维护算法及粒计算。

需要说明的是，EMS(Energy Management System)系统，即能量管理系统发展至今，已从单机系统发展到基于网络的分布式多机系统，从原来只有简单的监控功能，如SCADA应用已经发展到电力系统高级应用软件PAS(Power Application Software)。PAS已成为辅助调度运行人员实现运行方式分析、事故预演的重要工具。PAS的实际应用使调度从经验型向分析型转变，提高了电网的安全稳定和经济运行水平。目前，电网的安全稳定运行对调度管理提出了越来越高的要求。随着电网规模进一步得到发展，将为地方经济发展提供强有力的电源储备，电网改造建设过程中运行方式的变化需要保证电网安全稳定运行，对调度运行分析能力提出了更高的要求。目前部分地区电网对调度自动化系统应用软件的基本功能提出了基本的要求和验收细则。通过制定量化指标并将结果与实际操作后的实时量测值(或状态估计值)进行误差统计，从而实现PAS的考核。但是这种考核方式存在一些不足，由于计算的结果都来自PAS应用本身，只能粗放的进行数据对比，不能精细的评估软件各方面的性能。

进一步地，在现有技术中，调度员潮流计算的准确度偏低。特别地，随着互联电网的复杂化，现有调度员潮流模块的计算结果与实际结果出入较大，甚者相差几倍。同时调度员潮流模块缺乏原理分析和长期的统计跟踪，很难找到软件功能的不足和一些隐性缺陷，对该类软件缺少评估和预警，从而使电网存在故障风险的隐患。各地方调度使用的PAS产自不同的厂家，存在多个版本，不同厂家制造的软件在模型、算法和数据处理方面都存在一定的差异，同样的数据可能得到不同的结果，此时需要统一的标准和校核方法对PAS进行考核。而考核的关键就在于对PAS案例库的考核。

其中，案例库是PAS系统中的主要知识库，系统中的学习功能即是不断往案例库中增加新的案例。当案例库不断增大时，带来的好处是很容易找出相同案例或相似案例，减少修正的次数与时间。一般来说知识库越大，知识越丰富，这样系统可以解决更多的问题，体现了它的智能水平。但伴随着案例库的不断扩大，会导致相似案例的检索时间大大增加，检索时间越来越长，从而影响了系统的能力，导致“沼泽问题”的出现，由此引发了系统的能力与效率问题。另一方面，系统需要随着环境的变化而不断完善。促使系统维护复杂化的原因在于它有许多不同的知识，每类知识都对系统的性能有影响。这些知识包括案例知识，相似性知识，修正知识，索引知识等；而这些知识也都需要维护，本发明实施例的目的就是在于提供用于PAS案例库的维护系统，以增强案例库的智能化程度。

具体地，在本实施例中，案例库的维护策略或构架涉及到以下几个方面：如何收集与维护相关的数据，何时触发维护操作，如何确定维护操作的类型，如何执行所选出的维护操作。而它们分别对应本实施例的四个功能模块：数据收集模块1、维护类型选择模块2、操作类型选择模块3及维护操作执行模块4。需要说明的是，案例库维护是指实现一些更新案例库组织结构或内容的策略，其中包括表达方式、领域内容、描述信息、实现方式，以保证未来的推理能完成特定的性能指标。最近的研究工作突现了在案例库维护的重要性，越来越多的研究人员认为案例推理系统包含了案例库维护的有关过程。案例库难以维护，一个主要因素是案例库大，并且是非结构化或半结构化的，用自然语言来表达的。案例知识库的维护涉及到：案例的增加与删除，案例库结构的调整，案例库的更新，索引机制的调整等。目前主要集中在两个方面的研究：案例库的索引机制；当新案例不断增加到案例库中，整个系统的能力和效率如何保证，即案例库本身的维护。

进一步地，数据收集模块1，用于收集关于单个案例11、整个案例库12及整个电力系统13的维护信息。关于单个案例11的数据收集，可以记录每个案例成功应用的次数、失败应用的次数；关于整个案例库12的数据收集，主要是监视案例库的大小；关于整个电力系统13的维护数据收集，包括记录下输入问题的聚类或不能成功解决的目标问题。维护的时间分为：定期的处理，有条件的处理，特定要求下的处理。维护处理方式有两种：离线处理，在线处理。在数据收集结束之后，可以根据数据收集和分析的结果，决定案例库是否有必要维护的引擎。当需要进行维护时，进入维护类型选择环节；

具体地，通过维护类型选择模块2来选择维护类型，其中，维护类型包括定期维护、条件维护或特定维护，而条件维护即根据一定的条件触发问题进行维护，主要可以分为三类：

a）基于空间的触发，如达到了有限的案例库大小；

b）基于时间的触发，如检索时间超出了规定时间；

c）基于结果的触发，如系统无法求解出给定问题的次数逐渐增多。

进一步地，在触发问题后，进行操作类型选择步骤，这一步通过操作类型选择模块3执行，主要做法是从PAS案例库的索引结构、领域内容、检索记录及维护策略中选出待使用的操作类型；

最后，在操作类型确定后，要对应的选用操作方法包括不确定删除法、选择删除法及非删除法，其中非删除法又包括交叉覆盖维护算法及粒计算，其中，维护操作可以在三个层次上进行：实现级，如当案例库超出了一定大小；表示级，如调整不一致特征值名称或来源于不同渠道的案例格式；知识级，如改正一个错误特征值，增加或删除一个案例。当操作类型、维护层次及操作方法均确定后，通过维护操作执行模块4进行案例库维护操作。

本发明实施例在收集大量数据后分析，根据分析结果触发维护问题，并从丰富的操作类型和操作方法中选择与触发的问题对应的手段，提高了案例库的智能化程度，减少了检索时间并提高使用效率。

在某一个示例性的实施例中，不确定删除法，包括当PAS案例库中的规则数量大于第二预设阈值时，删除任意一个随机规则项；需要说明的是，这一办法在知识库系统中能工作得很好，且效率像其它方法一样，有时比实用值度量法的效果还好些。但这一方法用在系统中会有些问题，因为在系统中，案例库是关键性的。如果没有案例，则系统无法运转；随机地删除案例，可能会导致系统能力的急剧下降且会导致有的目标问题永远无解。所以在系统中，这种不能保障系统性能的策略是无法有效地使用。

进一步地，选择删除法包括：优先级分类法、相似度分析法及孤立点分析法；该方法认为在案例库中并不是所有案例都个个平等，它通过计算一个案例的覆盖度及其可触及的程度，区分出了4个类型的案例：核心案例，连接案例，辅助案例，支持案例。由此我们自然会对整个案例库的案例进行分类。基于删除策略的维护算法的基本思路是：依次删除辅助案例，支持案例，连接案例，核心案例，（优先级排序）以保证案例库不超过一定的大小。

优先级分类法即基于分类的删除算法，它有两个缺点，其一是没有考虑各个案例的实用程度，即低Utility值的案例有时会保留在库中，而有相同能力贡献的高Utility值却被删除；其二，有时核心案例的删除，会造成系统性能的急剧恶化，给系统带来不稳定性。在保存案例时，可以进行模式归纳，即寻找两个类似案例的共性，再加以抽象和泛化。通过模式归纳，可以在案例库中删除一些极为相似的案例（相似度计算）。在CBR系统中，当有了抽象的一般化知识，在求解问题时，可以不必借助于相似的案例；在检索过程中，可以一定程度地减少候选集合中源案例的数量，也可以减少类比过程其他部分的工作量。而且，一般性的知识还能辅助找到抽象出来的那些案例。

相似度分析法基于相似粗糙集技术，相似粗糙集技术可以有效地利用差别矩阵，通过不同的相似度阈值发现以及处理案例库的冗余，从而可以有选择地删除满足阈值的多余的相似案例，保证了案例库拥有较高的覆盖度；同时减少了案例库维护过程中相似度的计算量。因此，这样进行的案例库维护所删除的案例，对于整个案例库的损失较少，问题的求解质量较高，并且可以实现案例库的动态维护。

孤立点分析法即根据孤立点元素进行分析，在给定的数据对象中存在的显著相异的、异常的或不一致的就是孤立点；孤立点在数据挖掘中有着广泛的应用。孤立点检测有通常的基于统计、基于距离、基于偏离三种方法，以及基于聚类分析、基于规则分析的孤立点数据挖掘；在案例知识库维护中，我们都可以根据需要选用。我们在实验中，采用了基于距离的孤立点方法，这是因为距离度量是案例检索的基础，因而算法并不需要特别额外的时空开销。我们可以首先通过聚类等任何方法，剔除噪声或错误等确实无用的孤立点，确保案例库知识的真实性，这样，剩余的案例中保留了可靠的孤立点—非凡的案例知识，具有极高的泛化能力。然后对案例库中的其它案例性能进行分析计算，只保留具有最高性能的案例。

进一步地，非删除法是指不通过删除数据的方式进行维护。如上所述，不确定删除法虽然可以限制案例库的无限膨胀，但是效果并不可靠，因此使用受到限制。选择删除法，是基于这样的假设：随着案例系统的学习，会有各种冗余的案例加入案例库，因此可以使用某些策略来搜寻并将其永久地删除，只需保留一些符合某些标准的“高质量”的案例。因此通过制定这样的标准，如案例的覆盖度与能力标准(其主要思想就是选择保留它们认为具有最大泛化能力的案例)，对案例区别对待，从而删除特定的案例，这是目前案例库维护中冗余处理的主要手段。但是，删除法或多或少是以牺牲知识库为代价，以换取系统推理时间和空间的平衡。或者，由于系统的长期持久的运行，导致在不断变化的环境中的系统维护，由于领域知识的变化，导致类比的基础即由特殊到特殊的知识假设推理失效，也只能对此选用删除法进行案例库维护。其中，非删除法基于交叉覆盖维护算法及粒计算。

进一步地，交叉覆盖维护算法首先通过扩维、空间投射方法，较好地实现案例库中的相似案例的领域覆盖，实现信息的选择性过滤。其次，通过将这些获得的覆盖领域，输入到多层前馈神经网络中实现案例匹配，提高检索效率。该方法并没有缩减案例库，通过使用易于构造、易于理解的多层前馈神经网络，并且采用交叉覆盖算法来有效地降低网络的算法复杂度，建立起了一种可信赖的高性能、确保案例的性能与效率，解决了因案例学习导致的案例库规模增长而产生的问题，为系统的实际应用打下基础。

进一步地，粒计算是一种基于问题概念空间划分的新的智能信息处理理论和方法，覆盖了所有有关粒度的理论、方法、技术和工具的研究，也是人工智能研究领域的热点之一，在国际上受到广泛的关注和重视。采用动态知识粒度，有助于多层次、分阶段地从模糊的、不完整的、不精确的及海量案例知识库中提取相关知识，从而保持系统高效运行。商空间法作为粒计算的一种模型，与粗糙集类似，商空间理论也使用等价关系来描述，但其独到之处在于不只是研究二维的关系，还研究了对象之间的结构关系。由于考虑到论域的结构，借助于拓扑中连通性以及映射的连续性，可以得到该推理模型具有的最重要的性质—同态原则，即保真原理(或保假原理)；因而可以通过合理的分层递阶，大大降低问题求解的复杂性。这样，应用商空间粒度模型所获取的典型意义就在于—可以实现类似结构化数据库的案例检索知识片段，方法是：建立基于不同粒度知识的类似决策树，直接实现粗到细的案例知识逐步检索，配合复合知识的多粒度合成，极大地降低检索复杂度，克服案例库知识增加导致的案例知识检索性能降低的难题。如前所述的交叉覆盖法就是一种运用知识粒度的检索，但该方法中的知识只是基于某种“定”粒度的划分，尚未运用不同粒度的变换。而商空间法可以提供动态的知识粒度的变换，有效地减少检索时间，实现不可删除案例库的维护。

请参阅图2，在某一个示例性的实施例中，所述用于PAS案例库的维护系统还包括案例库构建模块，用于执行以下步骤：

1）获取初始数据，对所述初始数据进行匹配后得到初始算例；所述初始数据包括CIM模型数据、E格式断面数据及状估数据；

2）根据量测调整、通信调整、参数调整、档位调整、平衡机控制调整、电机控制调整及联络线控制调整对所述初始算例进行调整；

3）计算所述调整后案例的基准数据，并对所述基准数据进行基准拓扑分析；

4）将所述分析后的算例作为标准算例，并存储至案例库。

第二方面：

请参阅图3，在某一个示例性的实施例中，还提供一种用于PAS案例库的维护方法，包括：

S10、收集单个案例、案例库及电力系统的维护数据；

在这一步中，主要通过数据收集模块1执行，其中单个案例11的数据收集，可以记录每个案例成功应用的次数、失败应用的次数；关于整个案例库12的数据收集，主要是监视案例库的大小；关于整个电力系统13的维护数据收集，包括记录下输入问题的聚类或不能成功解决的目标问题。维护的时间分为：定期的处理，有条件的处理，特定要求下的处理。维护处理方式有两种：离线处理，在线处理。在数据收集结束之后，可以根据数据收集和分析的结果，决定案例库是否有必要维护的引擎。当需要进行维护时，进入维护类型选择环节；

S20、对所述维护数据进行分析，并根据触发维护的分析结果选择待使用的维护类型；所述维护类型包括定期维护、条件维护或特定维护；所述条件维护包括根据案例库内存、检索案例时间、检索失败次数进行的维护；

在本步骤中，具体地，通过维护类型选择模块2来执行，其中，维护类型包括定期维护、条件维护或特定维护，而条件维护即根据一定的条件触发问题进行维护，主要可以分为三类：

a）基于空间的触发，如达到了有限的案例库大小；

b）基于时间的触发，如检索时间超出了规定时间；

c）基于结果的触发，如系统无法求解出给定问题的次数逐渐增多。

S30、从PAS案例库的索引结构、领域内容、检索记录及维护策略中选出待用操作类型；需要说明的是，通过操作类型选择模块3从PAS案例库的索引结构、领域内容、检索记录及维护策略中选出待使用的操作类型；

S40、根据所述维护类型、所述操作类型及操作方法对PAS案例库进行维护；所述操作方法包括不确定删除法、选择删除法及非删除法，所述非删除法包括交叉覆盖维护算法及粒计算。

这一步中，即在操作类型确定后，要对应的选用操作方法包括不确定删除法、选择删除法及非删除法，其中非删除法又包括交叉覆盖维护算法及粒计算，其中，维护操作可以在三个层次上进行：实现级，如当案例库超出了一定大小；表示级，如调整不一致特征值名称或来源于不同渠道的案例格式；知识级，如改正一个错误特征值，增加或删除一个案例。当操作类型、维护层次及操作方法均确定后，通过维护操作执行模块4进行案例库维护操作。

请参阅图4，在某一个示例性的实施例中，在所述收集单个案例、案例库及电力系统的维护数据之前，还包括：

S01、获取初始数据，对所述初始数据进行匹配后得到初始算例；所述初始数据包括CIM模型数据、E格式断面数据及状估数据；

S02、根据量测调整、通信调整、参数调整、档位调整、平衡机控制调整、电机控制调整及联络线控制调整对所述初始算例进行调整；

S03、计算所述调整后案例的基准数据，并对所述基准数据进行基准拓扑分析；

S04、将所述分析后的算例作为标准算例，并存储至案例库。

在某一个示例性的实施例中，用于PAS案例库的维护方法中采用了多种操作方法包括不确定删除法、选择删除法、非删除法；非删除法包括交叉覆盖维护算法及粒计算，具体地：

不确定删除法，包括当PAS案例库中的规则数量大于第二预设阈值时，删除任意一个随机规则项；需要说明的是，这一办法在知识库系统中能工作得很好，且效率像其它方法一样，有时比实用值度量法的效果还好些。但这一方法用在系统中会有些问题，因为在系统中，案例库是关键性的。如果没有案例，则系统无法运转；随机地删除案例，可能会导致系统能力的急剧下降且会导致有的目标问题永远无解。所以在系统中，这种不能保障系统性能的策略是无法有效地使用。

进一步地，选择删除法包括：优先级分类法、相似度分析法及孤立点分析法；该方法认为在案例库中并不是所有案例都个个平等，它通过计算一个案例的覆盖度及其可触及的程度，区分出了4个类型的案例：核心案例，连接案例，辅助案例，支持案例。由此我们自然会对整个案例库的案例进行分类。基于删除策略的维护算法的基本思路是：依次删除辅助案例，支持案例，连接案例，核心案例，（优先级排序）以保证案例库不超过一定的大小。

优先级分类法即基于分类的删除算法，它有两个缺点，其一是没有考虑各个案例的实用程度，即低Utility值的案例有时会保留在库中，而有相同能力贡献的高Utility值却被删除；其二，有时核心案例的删除，会造成系统性能的急剧恶化，给系统带来不稳定性。在保存案例时，可以进行模式归纳，即寻找两个类似案例的共性，再加以抽象和泛化。通过模式归纳，可以在案例库中删除一些极为相似的案例（相似度计算）。在CBR系统中，当有了抽象的一般化知识，在求解问题时，可以不必借助于相似的案例；在检索过程中，可以一定程度地减少候选集合中源案例的数量，也可以减少类比过程其他部分的工作量。而且，一般性的知识还能辅助找到抽象出来的那些案例。

相似度分析法基于相似粗糙集技术，相似粗糙集技术可以有效地利用差别矩阵，通过不同的相似度阈值发现以及处理案例库的冗余，从而可以有选择地删除满足阈值的多余的相似案例，保证了案例库拥有较高的覆盖度；同时减少了案例库维护过程中相似度的计算量。因此，这样进行的案例库维护所删除的案例，对于整个案例库的损失较少，问题的求解质量较高，并且可以实现案例库的动态维护。

孤立点分析法即根据孤立点元素进行分析，在给定的数据对象中存在的显著相异的、异常的或不一致的就是孤立点；孤立点在数据挖掘中有着广泛的应用。孤立点检测有通常的基于统计、基于距离、基于偏离三种方法，以及基于聚类分析、基于规则分析的孤立点数据挖掘；在案例知识库维护中，我们都可以根据需要选用。我们在实验中，采用了基于距离的孤立点方法，这是因为距离度量是案例检索的基础，因而算法并不需要特别额外的时空开销。我们可以首先通过聚类等任何方法，剔除噪声或错误等确实无用的孤立点，确保案例库知识的真实性，这样，剩余的案例中保留了可靠的孤立点—非凡的案例知识，具有极高的泛化能力。然后对案例库中的其它案例性能进行分析计算，只保留具有最高性能的案例。

进一步地，非删除法是指不通过删除数据的方式进行维护。如上所述，不确定删除法虽然可以限制案例库的无限膨胀，但是效果并不可靠，因此使用受到限制。选择删除法，是基于这样的假设：随着案例系统的学习，会有各种冗余的案例加入案例库，因此可以使用某些策略来搜寻并将其永久地删除，只需保留一些符合某些标准的“高质量”的案例。因此通过制定这样的标准，如案例的覆盖度与能力标准(其主要思想就是选择保留它们认为具有最大泛化能力的案例)，对案例区别对待，从而删除特定的案例，这是目前案例库维护中冗余处理的主要手段。但是，删除法或多或少是以牺牲知识库为代价，以换取系统推理时间和空间的平衡。或者，由于系统的长期持久的运行，导致在不断变化的环境中的系统维护，由于领域知识的变化，导致类比的基础即由特殊到特殊的知识假设推理失效，也只能对此选用删除法进行案例库维护。其中，非删除法基于交叉覆盖维护算法及粒计算。

进一步地，交叉覆盖维护算法首先通过扩维、空间投射方法，较好地实现案例库中的相似案例的领域覆盖，实现信息的选择性过滤。其次，通过将这些获得的覆盖领域，输入到多层前馈神经网络中实现案例匹配，提高检索效率。该方法并没有缩减案例库，通过使用易于构造、易于理解的多层前馈神经网络，并且采用交叉覆盖算法来有效地降低网络的算法复杂度，建立起了一种可信赖的高性能、确保案例的性能与效率，解决了因案例学习导致的案例库规模增长而产生的问题，为系统的实际应用打下基础。

进一步地，粒计算是一种基于问题概念空间划分的新的智能信息处理理论和方法，覆盖了所有有关粒度的理论、方法、技术和工具的研究，也是人工智能研究领域的热点之一，在国际上受到广泛的关注和重视。采用动态知识粒度，有助于多层次、分阶段地从模糊的、不完整的、不精确的及海量案例知识库中提取相关知识，从而保持系统高效运行。商空间法作为粒计算的一种模型，与粗糙集类似，商空间理论也使用等价关系来描述，但其独到之处在于不只是研究二维的关系，还研究了对象之间的结构关系。由于考虑到论域的结构，借助于拓扑中连通性以及映射的连续性，可以得到该推理模型具有的最重要的性质—同态原则，即保真原理(或保假原理)；因而可以通过合理的分层递阶，大大降低问题求解的复杂性。这样，应用商空间粒度模型所获取的典型意义就在于—可以实现类似结构化数据库的案例检索知识片段，方法是：建立基于不同粒度知识的类似决策树，直接实现粗到细的案例知识逐步检索，配合复合知识的多粒度合成，极大地降低检索复杂度，克服案例库知识增加导致的案例知识检索性能降低的难题。如前所述的交叉覆盖法就是一种运用知识粒度的检索，但该方法中的知识只是基于某种“定”粒度的划分，尚未运用不同粒度的变换。而商空间法可以提供动态的知识粒度的变换，有效地减少检索时间，实现不可删除案例库的维护。

第三方面：

本发明某一实施例还提供了一种计算机终端设备，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的用于PAS案例库的维护方法。

处理器用于控制该计算机终端设备的整体操作，以完成上述的用于PAS案例库的维护方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

计算机终端设备可以被一个或多个应用专用集成电路(Application Specific1ntegrated Circuit，简称AS1C) 、数字信号处理器(Digital Signal Processor，简称DSP) 、数字信号处理设备(Digital Signal Processing Device ,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD) 、现场可编程门阵列(Field ProgrammableGate Array ，简称FPGA) 、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的用于PAS案例库的维护方法，并达到如上述方法一致的技术效果。

本发明某一实施例还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现如上述任一项实施例所述的用于PAS案例库的维护方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成如上述任一项实施例所述的用于PAS案例库的维护方法，并达到如上述方法一致的技术效果。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种用于PAS案例库的维护系统，其特征在于，包括：

案例库构建模块，用于获取初始数据，对所述初始数据进行匹配后得到初始算例；所述初始数据包括CIM模型数据、E格式断面数据及状估数据；

根据量测调整、通信调整、参数调整、档位调整、平衡机控制调整、电机控制调整及联络线控制调整对所述初始算例进行调整；

计算调整后案例的基准数据，并对所述基准数据进行基准拓扑分析；

将分析后的算例作为标准算例，并存储至案例库；

数据收集模块，用于收集单个案例、案例库及电力系统的维护数据；

维护类型选择模块，用于对所述维护数据进行分析，并根据触发维护的分析结果选择待使用的维护类型；所述维护类型包括定期维护、条件维护或特定维护；所述条件维护包括根据案例库内存、检索案例时间、检索失败次数进行的维护；

操作类型选择模块，用于从PAS案例库的索引结构、领域内容、检索记录及维护策略中选出待使用的操作类型；

维护操作执行模块，用于根据所述维护类型、所述操作类型及操作方法对PAS案例库进行维护；所述操作方法包括不确定删除法、选择删除法及非删除法，所述非删除法包括交叉覆盖维护算法及粒计算。

2.根据权利要求1所述的用于PAS案例库的维护系统，其特征在于，

所述单个案例的维护数据包括所述单个案例被成功应用和被失败应用的次数；

所述案例库的维护数据包括所述案例库内的内存大小；

所述电力系统的维护数据包括所述电力系统的已解决故障问题和未解决故障问题。

3.根据权利要求1所述的用于PAS案例库的维护系统，其特征在于，所述维护操作执行模块，还用于在实现级、表示级或知识级进行PAS案例库的维护；

所述实现级包括将PAS案例库内存维持在第一预设阈值以内的操作；

所述表示级包括对不一致的特征值名称、不同案例格式的调整；

所述知识级包括对错误特征值的修正、对单个案例的增减。

4.根据权利要求1所述的用于PAS案例库的维护系统，其特征在于，

所述不确定删除法，包括当PAS案例库中的规则数量大于第二预设阈值时，删除任意一个随机规则项；

所述选择删除法，包括：优先级分类法、相似度分析法及孤立点分析法；

所述优先级分类法，包括按照优先级从高到低的顺序依次删除辅助案例，支持案例，连接案例及核心案例；

所述相似度分析法，包括根据相似粗糙集计算PAS案例库中所有案例两两之间的相似度，删除所述相似度大于第三预设阈值所对应的案例；

所述孤立点分析法，包括将检索案例的距离大于第四预设阈值的作为孤立点，并将所述孤立点聚类后进行删除。

5.一种用于PAS案例库的维护方法，其特征在于，包括：

获取初始数据，对所述初始数据进行匹配后得到初始算例；所述初始数据包括CIM模型数据、E格式断面数据及状估数据；

根据量测调整、通信调整、参数调整、档位调整、平衡机控制调整、电机控制调整及联络线控制调整对所述初始算例进行调整；

计算调整后案例的基准数据，并对所述基准数据进行基准拓扑分析；

将分析后的算例作为标准算例，并存储至案例库；

收集单个案例、案例库及电力系统的维护数据；

对所述维护数据进行分析，并根据触发维护的分析结果选择待使用的维护类型；所述维护类型包括定期维护、条件维护或特定维护；所述条件维护包括根据案例库内存、检索案例时间、检索失败次数进行的维护；

从PAS案例库的索引结构、领域内容、检索记录及维护策略中选出待用操作类型；

根据所述维护类型、所述操作类型及操作方法对PAS案例库进行维护；所述操作方法包括不确定删除法、选择删除法及非删除法，所述非删除法包括交叉覆盖维护算法及粒计算。

6.根据权利要求5所述的用于PAS案例库的维护方法，其特征在于，

所述单个案例的维护数据包括所述单个案例被成功应用和被失败应用的次数；

所述案例库的维护数据包括所述案例库内的内存大小；

所述电力系统的维护数据包括所述电力系统的已解决故障问题和未解决故障问题。

7.根据权利要求5所述的用于PAS案例库的维护方法，其特征在于，所述根据所述维护类型、所述操作类型及操作方法对PAS案例库进行维护，包括在实现级、表示级或知识级进行PAS案例库的维护，其中，

所述实现级包括将PAS案例库内存维持在第一预设阈值以内的操作；

所述表示级包括对不一致的特征值名称、不同案例格式的调整；

所述知识级包括对错误特征值的修正、对单个案例的增减。

8.根据权利要求5所述的用于PAS案例库的维护方法，其特征在于，

所述不确定删除法，包括当PAS案例库中的规则数量大于第二预设阈值时，删除任意一个随机规则项；

所述选择删除法，包括：优先级分类法、相似度分析法及孤立点分析法；

所述优先级分类法，包括按照优先级从高到低的顺序依次删除辅助案例，支持案例，连接案例及核心案例；

所述相似度分析法，包括根据相似粗糙集计算PAS案例库中所有案例两两之间的相似度，删除所述相似度大于第三预设阈值所对应的案例；

所述孤立点分析法，包括将检索案例的距离大于第四预设阈值的作为孤立点，并将所述孤立点聚类后进行删除。