一种针对变电运维知识的智能自适应方法及计算机设备与存储介质技术

本发明专利技术公开了一种针对变电运维知识的智能自适应方法及计算机设备与存储介质，所述方法包括：获取变电站运维知识相关实体特征内容；将所述的变电站运维知识相关实体特征内容构建成领域模型；利用项目反应理论来评估知识水平；通过调查方式获取初期认知风格，然后使用贝叶斯方法确定认知风格；定义决策向量，并且利用粒子群优化算法寻找最佳决策向量。本发明专利技术不仅能够使得变电人员知识技能水平提升，还能为学习者推荐最优学习资源，实现变电站运维知识的高效个性化学习。知识的高效个性化学习。知识的高效个性化学习。

【技术实现步骤摘要】
一种针对变电运维知识的智能自适应方法及计算机设备与存储介质


[0001]本专利技术涉及变电站运维知识领域，具体涉及一种针对变电运维知识的智能自适应方法及计算机设备与存储介质。

技术介绍

[0002]变电站的安全稳定运行对于保障电网安全具有重要意义。随着智能电网的发展，大量新技术、新设备、新系统在变电站的应用加速了变电站运维知识的更新，对变电站人员的能力提出了更高的要求。然而，传统的针对数量大、能力层次不一的人员的培训方式，大多缺乏针对性和个性化。以很多学习平台为例，它只是简单地将线下的学习资源和试题等资源转移到网页上，而无法动态生成适合每个用户的学习内容，不利于培训资源更好的发挥作用。
[0003]近年来，人工智能的快速发展为有效进一步提升变电站人员的知识技能水平提供了可能。自适应学习技术能够通过对用户学习行为和需求的深度实时分析，为用户选择、组合和呈现个性化的学习内容。自适应学习技术涉及多种计算机科学和人工智能方法，包括本体、数据挖掘、项目反应理论、贝叶斯网络等。对于以测试结果为主要评估指标之一的变电运维培训，项目反应理论(IRT)建立能力水平与答题准确率之间的关联，据此可以科学地测试每个学员在不同知识模块上的掌握情况，且答题的题目应该更加贴合实际工作，例如变电站监视、巡视与维护，变电站设备验收，变电站倒闸操作，变电站异常处理，变电站事故处理等，侧重于专业技能的测试。借助粒子群优化算法，可以为学员提供个性化的资源推荐和学习导航，以有效提升自己。此外，在选择匹配类型的学习资源时考虑学习习惯和认知方式，可以进一步提高训练效率，持续为电网发展提供智力支持和人才保障。
[0004]同时，随着电网技术的不断发展，从传统变电站到智能变电站的过渡，传统的电缆变为了先进的光缆，数字化后的二次回路具有“看不见、摸不着、一体化、互动化”等典型特征。这些数字化技术的应用带来的“看不见、摸不着”问题会导致实际生产过程中的一系列问题。使得工作人员实际日常运维的技术难度加大。所以需要对变电运维知识进行补充学习。因此，为保障变电站安全运行，迫切需要研究变电站可视化运维技术，将变电站的数字化带来的“虚”进行可视化处理，使其“实”化，从而可以采用传统的运维、管控手段进行日常工作，解决电网技术发展带来的新问题。

技术实现思路

[0005]本专利技术针对上述现有技术中存在的问题，提供一种针对变电运维知识的智能自适应方法，解决了现有技术中系统对变电站运维人员学习缺乏针对性的问题，本专利技术还能为学习者推荐最优学习资源。
[0006]本专利技术解决上述技术问题的技术方案如下：
[0007]一种针对变电运维知识的智能自适应方法，所述针对变电运维知识的智能自适应
方法包括：
[0008]S1：获取变电站运维知识相关实体特征内容；
[0009]S2：将所述的变电站运维知识相关实体特征内容构建成领域模型；
[0010]S3：利用项目反应理论来评估知识水平；
[0011]S4：通过调查方式获取初期认知风格，然后使用贝叶斯方法确定认知风格；
[0012]S5：定义决策向量，并且利用粒子群优化算法寻找最佳决策向量。
[0013]优选的，所述步骤S1中，变电站运维知识相关实体特征内容包括与变电站实体设备相关的变电站运维知识结构、试题、课件相关资料。
[0014]优选的，所述步骤S2中，利用变电站运维知识相关构建的领域模型是用来描述变电站运维知识结构、存储试题、课件相关资料，将领域知识以知识图谱的形式归纳存储；之后建立知识模块与试题、学习资料的联系，试题偏向于知识图谱中的专业技能与基本技能，每个试题都与最相关的知识模块相关联，并标有难度值d；对于K个知识模块，每个知识模块对应Q个试题，建立难度矩阵D＝[d
kq
]K
×
Q
,d的范围为
‑
4.0到4.0，d
kq
越高，试题难度越大；对于试题资源，一份变电站运维学习资源涉及多个知识模块，建立学习资源矩阵R＝[r
mk
]M
×
(K+1)
来描述M个学习资源与K个知识模块之间的关系，r
mk
定义为：
[0015]当k≤K,
[0016]当k＝K+1,
[0017]优选的，所述步骤S3中知识水平的求解过程如下：
[0018]S31：对于K个知识模块，从每个知识模块随机抽取I(I≤Q)道试题，测试后得到测试结果矩阵A＝[a
ki
]K
×
I
：
[0019][0020]S32：项目反应理论(IRT)是一种建立测试结果和潜在特征之间联系的现代心理测量理论，基于该理论的单参数Logistic模型用于估计知识水平c
k
,所述模型中将知识水平为c
k
的人正确回答问题(a
ki
＝1)的概率描述为：
[0021][0022]错误回答的概率是1
‑
p，d
ki
表示第k个模块对应的第i个问题的难度，e表示自然数。
[0023]S33：基于测试结果矩阵A，采用极大似然估计方法估计知识水平c
k
,使用如下似然函数L，其中∏表示求积函数:
[0024][0025]第k个知识模块上的知识水平等于使ln(L)达到最大值的c
k
。使用Newton
‑
Raphson迭代算法求解该问题，可以得到与K个知识模块相关的知识水平向量C＝[c
k
]K
，c
k
的范围从
‑
4.0到4.0，从知识水平进一步推导出学习需求，如果一个人在某个知识模块上的知识水平很低，那么他在这一点上有很高的学习需求，使用以下函数来量化知识水平和学习需求之
间的关系：
[0026][0027]n
k
表示第k个知识模块的学习需求，取值范围为
‑
1.0～1.0。基于知识水平向量C计算学习需求向量N＝[n
k
]。
[0028]优选的，所述步骤S4中，调查方式采用问卷调查，贝叶斯方法用于确定认知风格，设计概率量表，计算出认知风格Sty：
[0029][0030]其中s1,s2,s3是认知风格向量S＝[s1,s2,s3]。其中s1表示视频类(包括动画)学习资源在所有学习资源中所占的百分比。s2和s3分别代表PPT类和文本类学习资源的百分比，
[0031]优选的，所述步骤S5中，决策向量X＝[x
m
]M
，
[0032][0033]决策向量X决定了最终推荐M个学习资源中的哪一个。对应于决策向量，目标函数表述如下，∑表示求和函数：
[0034][0035][0036]F＝min(ξ1F1+ξ2F2)
[0037]F1函数表示学习资源涉及的知识模块与学习需求相关的知本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对变电运维知识的智能自适应方法，其特征在于，所述针对变电运维知识的智能自适应方法：S1：获取变电站运维知识相关实体特征内容；S2：将所述的变电站运维知识相关实体特征内容构建成领域模型；S3：利用项目反应理论来评估知识水平；S4：通过调查方式获取初期认知风格，然后使用贝叶斯方法确定认知风格；S5：定义决策向量，并且利用粒子群优化算法寻找最佳决策向量。2.根据权利要求1所述的针对变电运维知识的智能自适应方法，其特征在于，所述步骤S1中，变电站运维知识相关实体特征内容包括与变电站实体相关的变电站运维知识结构、试题、课件相关资料。3.根据权利要求1所述的针对变电运维知识的智能自适应方法，其特征在于，所述步骤S2中，利用变电站运维知识相关构建的领域模型是用来描述变电站运维知识结构、存储试题、课件相关资料，将领域知识以知识图谱的形式归纳存储；之后建立知识模块与试题、学习资料的联系；试题偏向于变电运维专业知识图谱中的专业技能，每个试题都与最相关的知识模块相关联，并标有难度值d，对于K个知识模块，每个知识模块对应Q个试题，建立难度矩阵D＝[d
kq
]
K
×
Q
,d的范围为
‑
4.0到4.0，d
kq
越高，试题难度越大；对于试题资源，一份变电站运维学习资源涉及多个知识模块，建立学习资源矩阵R＝[r
mk
]
M
×
(K+1)
来描述M个学习资源与K个知识模块之间的关系，r
mk
定义为：当当4.根据权利要求1所述的针对变电运维知识的智能自适应方法，其特征在于，所述步骤S3中知识水平的求解过程如下：S31：对于K个知识模块，从每个知识模块随机抽取I(I≤Q)道试题，测试后得到测试结果矩阵A＝[a
ki
]
K
×
I
：S32：项目反应理论(IRT)是一种建立测试结果和潜在特征之间联系的现代心理测量理论，基于该理论的单参数Logistic模型用于估计知识水平c
k
,所述模型中将知识水平为c
k
的人正确回答问题(a
ki
＝1)的概率描述为：错误回答的概率是1
‑
p,d
ki
表示第k个模块对应的第i个问题的难度，e表示自然数；S33：基于测试结果矩阵A，采用极大似然估计方法估计知识水平c
k
,使用如下似然函数L，其中∏表示求积函数:
第k个...

【专利技术属性】
技术研发人员：赵德仁，于常乐，李文文，张肃，杨林，季彦辰，朱远达，万家，张晴晴，李政达，肖傲，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：