[0020] 步驟D:將經過二維云表達后的產生式規則知識，與成熟的神經網絡相結合，實在 智能推理，如圖4所示，挖掘對用戶有用的信息。
[0021] 輸入層：輸入案例庫的原始數據。
[0022] 云發生器層：每個節點由一組二維云發生器組成，對于每個輸入的 A，通過云發生器，得到輸出檢索最大隸屬度％。
[0023] 隱含層：隸屬度通過神經網絡隱含層進行映射學習，采用非線性輸出關系
[0024]
輸出層：對應案例庫中的原始數據按模塊輸出。
[0025] 步驟E:建立基于云模型的智能決策電網知識庫。用戶查詢時，若有相對應的決策 知識則直接輸出給用戶；若沒有則通過數據挖掘找到最合適的決策知識反饋給用戶并將新 得到的決策知識存入智能決策電網知識庫中，更新知識庫。
[0026] 實施例二 步驟A:根據國網山東省電力公司濰坊供電公司電網運行的工作性質，將電網知識分 為7大模塊：設備臺賬模塊，缺陷管理模塊、檢修管理模塊、試驗管理模塊、培訓管理模塊、 運行管理模塊、備品備件管理模塊，如圖2所示。
[0027] 下面以國網山東省電力公司濰坊供電公司"繼電保護系統智能維護及運行知識 庫"中的設備臺賬模塊進行說明。主變的設備臺賬包括以下22個方面：產品名稱、產品型 號、額定容量、額定電壓、額定頻率、相數、連接組號、絕緣水平、標準代號、高壓電壓、高壓電 流、低壓電流、阻抗電壓、冷卻方式、使用條件、產品代號、總重、油重、出廠序號、制造日期、 制造廠家、投運日期。
[0028] 步驟B:劃分數據粒度。設備臺賬模塊因其特殊性，只需要將每個模塊的數據粒度 分為專業短語級別即可。專業術語={產品名稱、產品型號、額定容量、額定電壓、額定頻率、 相數、連接組號、絕緣水平、標準代號、高壓電壓、高壓電流、低壓電流、阻抗電壓、冷卻方式、 使用條件、產品代號、總重、油重、出廠序號、制造日期、制造廠家、投運日期}。
[0029] 步驟C:運用基于云模型的產生式規則表達電網知識。因設備臺賬內容規范固 定且專業術語較多，以術語"產品名稱"為例進行說明。令P(產品名稱）=P(產品的名 稱）=P (主變名稱）=P (主要大型變壓器的名稱）=1存入電腦中，此舉目的在于消息不同工 作人員由不同語言習慣造成的語義模糊，實現定性到定量的轉變。以此類推，專業術語一產 品型號、額定容量、額定電壓、額定頻率、相數、連接組號、絕緣水平、標準代號、高壓電壓、高 壓電流、低壓電流、阻抗電壓、冷卻方式、使用條件、產品代號、總重、油重、出廠序號、制造日 期、制造廠家、投運日期也用相同的方法處理。
[0030] 主變設備臺賬經二維云模型表達后，如圖3所示，仍以主變"產品名稱"為例進行 說明，經二維云變換后(1〇^ 7,2)=(1(?(綜自），隸屬度11，所屬模塊），隸屬度11取其對某一 產生式規則的確切隸屬度，這里將這一產生式規則定義為：設備臺賬之間的信息互相關聯， 當查詢設備臺賬其中一個專業術語下所對應的信息時，其他專業術語所代表的信息也可以 輕松鏈接過去。
[0031] 步驟D:將經過二維云表達后的產生式規則知識，與成熟的神經網絡相結合，實在 智能推理，如圖4所示，挖掘對用戶有用的信息。
[0032] 輸入層：輸入案例庫的原始數據。
[0033] 云發生器層：每個節點由一組二維云發生器組成，對于每個輸入的％，通過云發生 器，得到輸出檢索最大隸屬度《%。
[0034] 隱含層：隸屬度通過神經網絡隱含層進行映射學習，采用非線性輸出關系
[0035] 輸出層：對應案例庫中的原始數據按模塊輸出。
[0036] 步驟E:建立基于云模型的智能決策電網知識庫。用戶查詢時，若有相對應的決策 知識則直接輸出給用戶；若沒有則通過數據挖掘找到最合適的決策知識反饋給用戶并將新 得到的決策知識存入智能決策電網知識庫中，更新知識庫。
[0037] 另外五個模塊--缺陷管理模塊、檢修管理模塊、試驗管理模塊、運行管理模塊、 備品備件管理模塊，它們的基于云模型的智能決策電網知識表達方法與以上兩個實施例相 同，此處不再贅述。
[0038] 最后應當說明的是：以上實施例僅用以說明本發明的技術方案而非對其限制，盡 管參照上述實施例對本發明進行了詳細的說明，所屬領域的普通技術人員應當理解：依然 可以對本發明的【具體實施方式】進行修改或者等同替換，而未脫離本發明精神和范圍的任何 修改或者等同替換，其均應涵蓋在本發明的權利要求范圍當中。
【主權項】
1. 一種基于云模型的智能決策電網知識庫的搭建方法，其特征在于，所述方法包括： 根據電網運行的工作性質，將電網知識分為7大模塊，即設備臺賬模塊，缺陷管理模 塊、檢修管理模塊、試驗管理模塊、培訓管理模塊、運行管理模塊、備品備件管理模塊； 為每個模塊劃分為三級數據粒度，即專業短語、句子、段落； 建立正向云模型，消除自然語言表達時電網運行知識的不確定性與模糊性； 建立云發生器-神經網絡互聯云模型，挖掘對用戶有用的信息，基于云模型的數據挖 掘技術學習能力，而且結合了云理論處理知識的不確定性的能力； 建立智能決策電網知識庫，并具有自我更新能力。2. 根據權利要求1所述的基于云模型的智能決策電網知識庫的搭建方法，其特征在 于：專業短語包含整個行業都認可的術語與專業術語組成的短語。3. 根據權利要求1或2所述的基于云模型的智能決策電網知識庫的搭建方法，其特征 在于：云模型將不確定性自然語言表達的定性知識轉換為定量描述，再用產生式規則表達 知識的邏輯關系。4. 根據權利要求3所述的基于云模型的智能決策電網知識庫的搭建方法，其特征在 于，建立基于云模型的數據挖掘規則，包括將正向二維云模型與神經網絡相結合，建立云發 生器與神經網絡互聯云，挖掘對用戶有用的信息。5. 根據權利要求4所述的基于云模型的智能決策電網知識庫的搭建方法，其特征在 于：建立基于云模型的智能決策電網知識庫，用戶查詢時，若有相對應的決策知識則直接輸 出給用戶；若沒有則通過數據挖掘找到最合適的決策知識反饋給用戶并將新得到的決策知 識存入智能決策電網知識庫中，更新知識庫。
【專利摘要】本發明公開了一種基于云模型的智能決策電網知識庫的搭建方法包括：將電網知識分為七大模塊，并將每個模塊的知識粒度分為3級；基于云模型的電網知識表達方法，將不確定性電網知識由定性描述變為人工智易于處理的定量描述；基于云模型的數據挖掘技術，將云模型與神經網絡相結合，實現數據挖掘技術處理不確定性知識的能力；建立基于云模型的智能決策電網知識庫，為決策者提供輔助決策信息。本發明的電網知識庫擁有輔助決策能力,將電網知識系統全面的分為7個模塊，運用云模型將定性知識表達轉變為定量知識表達，建立智能決策庫可快速為工作人員提供電網運行所需相關知識。
【IPC分類】G06F17/30
【公開號】CN105468663
【申請號】CN201510074617
【發明人】楊晶晶, 鄭凱, 王敬海, 晉飛, 林騫, 呂學賓, 張帥, 孫延棟, 時飛, 林金輝
【申請人】國網山東省電力公司濰坊供電公司, 國家電網公司
【公開日】2016年4月6日
【申請日】2015年2月12日