管理“计量树”（精选3篇）
管理“计量树” 第1篇
1 10kV配网计量管理的现状
就现状而言, 从500kV到110kV每条线和每座变电站之间都可以实现专线线损和变电站内部的电量平衡率计算, 统计出电能网间损耗和线间损耗, 而且上述电压等级的专变用户负荷率也已经基本实现了在线监控, 因为他们至少都是变电站专线用户, 日常管理直接纳入了变电站值守人员的监控范围, 每天至少抄一次表计, 所以计量故障率很低。但是在10kV公用出线上, 用户分布零散, 点多面广, 给日常管理带来很多不便。再加上合环运行的10kV线路, 对10kV线损计算提出新的要求。虽然, 通过近几年台线管理工作的开展, 我们逐步完善了台区计量的管理, 对专变用户也积极主动安装了多功能电子表。但是, 据不完全统计, 窃电案件95%以上发生在10kV的公用线路上。究其缘由, 主要是由于人工管理存在很多不确定因素, 如不按规定时间完成路线抄表、员工责任心不强等, 造成线路线损波动较大, 给用电检查和反窃电工作带来很多不便, 最终造成电能浪费, 线路损耗居高不下。
2 配网计量管理的模型及延伸
下面结合工作实际情况, 模拟设计以10kV公用线路为基础的“计量树”管理模型, 其基本模型如图1所示:
按照图1所示, 变电站关卡表使用智能型电能表, 并且可以实现远程集抄, 线路上的线路分段计量、专变用户计量和公变台区计量的电能表全部实现远程集抄, 结合现代通讯技术和电力营销技术, 与配网自动化进行同步规划和设计。这样可以避免由于人工管理带来的诸多不利因素, 全部实现线损适时管理。按照给定公式设计程序进行自动计算, 从而可以方便计算出分线、分层线损, 实现动态监控。各类型线损率计算公式如公式 (1) 和公式 (2) 所示。
公式 (1) :第一阶段线路供电线损率= (变电站出线计量电量-专变计量1电量-公变台区计量1电量-10kV线路分段计量1电量) /变电站出线计量电量×100%。
公式 (2) :公变台区1供电线损率= (公变台区计量1电量-普通用户1电量-普通用户2电量) /公变台区计量1电量。
同时, 结合预付费应用技术, 还可以实现用电信息异常报警、电能质量检测、预付电费在线管理、普通用户负荷适时管理和控制, 达到科学监控的目的, 从而为降低线路损耗提供更加准确的科学依据和排查方向, 有效防止窃电案件发生。
3 配网计量管理模型的综合应用
参照图示, 进一步细解:首先只要变电站出线电能表、专变用户电能表和公变台区计量电能表全部采用远程集抄智能型电能表, 坐在办公室就可以计算10kV分段线损率和高压线损率。如果公变用户 (普通居民家用电表) 也全部采用远程集抄智能预付费电能表, 那么只要与营销系统端口连线, 就可以对配网10kV分线线损、分段线损和400V分层线损进行自动化智能计算, 随时掌握线损, 有效监督损耗变化, 及时制定降损计划, 堵塞用户窃电和用电等管理上的漏洞。如果进一步与电力通讯载波技术相融合, 那么智能“计量树”的应用更加广泛。
按照智能“计量树”的设想, 我们可以从单线管理过渡到复杂多线合环运行管理, 甚至扩展到整个供电企业的电能管理, 只要每个计量点都采用智能化电能表, 再结合国家电网公司SG186工程, 只要通过专用电脑, 就可以在家适时计算出本供电企业各电压等级的线路线损, 从而实现电网线损分压、分线、分段和分层的损耗管理系统, 使电能计量进入到自动化管理, 最终实现电能损耗最小化的智能计量网络。
4 结束语
智能化的计量网络由于受资金等因素影响, 可能短时期难以实施, 供电企业可以分步、分层逐步实施, 做到先主网后配网, 或者在电能损耗高的地区进行, 再逐步推广, 也可以设立示范点, 然后辐射推广。但是, 在城区10kV配网管理上应该着重推行“计量树”的管理思想, 可以先人工管理, 逐步过渡到远程集抄, 再实现城区10kV配网的电能计量自动化管理, 从根本上提高台线损耗管理水平。
摘要：提出“计量树”的管理思路, 着重介绍10kV典型线路分段、分台变“远程集抄”的综合应用, 从“智能化台线”管理到“智能化计量线路”管理的延伸过程, 重点介绍“计量树”管理模型的应用和推广, 特别对于合环运行的线路损耗计算有着重要意义, 强调在城区推行“计量树”管理的必要性。
管理“计量树” 第2篇
【关键词】计量企业；计量管理体系；意义；策略
企业由于处于不同的行业、规模不同、组织架构不同以及运营模式的不同，会导致企业构建不同的计量管理体系，但是对于任何企业来说，计量管理体系是重要的管理体系，对于企业的发展起到重要的作用。这里仅仅对制造业如何构建符合企业要求、符合法律规范的计量管理体系进行探讨。企业运行需要依靠准确的数据，而准确的数据来源于企业的计量管理体系。产品是企业的生命，而计量管理体系是确保产品过程受控的关键。因此需要构建适合企业发展的计量管理体系。
1、计量企业建立计量管理体系的意义
在2003年以前，大部分的企业没有形成企业系统化的计量检验管理体系，而且基本上各个子公司依据其自身的情况拥有各自的计量检验管理体系。这样的管理验证体系，存在着一些弊端：由于一些子公司没有自身的计量检验管理体系，从而造成了人力资源和设备资源的浪费。由于缺乏计量检验系统的管理，造成系统业务培训和系统的技术交流无法正常的运行。另外，由于计量管理体系没有监督和监管，会造成各个分公司之间的物流过程中出现“金属不平衡，物料不平衡”的问题，还会造成企业的有形资产的隐蔽性流出。针对这些情况，计量企业逐渐的建立起来计量管理体系，它可以强化标准化测量管理体系有效的运行和持续改进，能够促使企业的测量活动处于受控制的状态，而且能够为企业各个管理阶层实施决策提供可靠的数据依据。通过建立计量管理体系，计量企业可以建立内部审核评价活动，而且企业通过对下级企业实施审核评审活动，构建了计量管理体系的约束机制。
2、构建计量企业管理体系的策略
2.1加强计量管理体系的宣贯
集团公司计量管理体系文件于2007年正式的颁布实施。集团的计量管理部门对集团公司与体系相关的主要职能部门、主要的分管领导以及各个单位的计量员进行宣贯。对分管领导进行在《计量管理手册》的重点的宣传，而对于管理人员进行《计量管理体系程序》的宣贯。集团公司计量管理部门的管理人员需要到集团公司各个主要的部门进行《计量管理体系程序》的宣贯。各主要的相关部门需要对操作人员进行测量设备的培训，从而达到正确的理解和自觉的执行系统文件的目的。
2.2重视对计量管理体系程序的重点推进
对于有特殊要求而且执行难度比较大的计量管理系统程度，需要进行重点的推进。例如对于《产品研制过程计量检测控制》程序，这种程序是国防科技工业承担军品研制单位的特殊要求，但是执行起来具有一定的难度，因此在这种程序的执行中，需要采取重点宣贯、问题研讨、组织协调等方式进行推进。对于涉及面比较宽，而且具有一定深度的计量管理体系需要进行重点的推进。例如对于《产品生产过程计量检测控制》程序，它涉及面比较广，而且具有一定的深度，因此在程序的执行过程中，需要采取召开专题推进会的形式进行推进。对于基础薄弱而且操作难度大的计量管理体系程序进行重点的推进。例如《测量过程控制》程序，由于测量过程的基础比较薄弱，操作起来具有一定的难度。
2.3强化计量管理体系运行的日常监督
集团公司计量管理体系在运行中需要强化日常的监督。建立完善的两极计量监督运行机制。集团公司计量管理部门的主要领导和计量管理科室领导需要依照季度计划加强对集团计量工作的监督，集团公司计量管理部门需要定期的计量监督网络机构的计量监督人员进行业务培训，提高这些人员业务水平。在监督中如果发生问题，计量监督人员需要依照《纠正措施》记录相关的错误，并且及时的督促责任单位进行解决。对于监督过程中发生的问题以及整改的情况利用局域网进行定期的通报，这样的监督方式有效地促进了计量管理体系的正常运行。
2.4实施计量管理体系的内部审核
内部审核是计量管理体系运行的重要环节，加强内部审核是确保计量管理体系的重要手段。在计量企业的计量管理体系中，首先做好内审员的选拔和培训工作。内审员在不断的变动，要及时的补充新的内审员，才能够确保内审队伍的建设。对于内审员需要进行业务的培训和新标准的宣贯，确保提高内审员的审核水平。做好内部审核工作计划，审核主管和业务管理人员需要依照之前的审核情况，依照集团公司的规定进行定期的审核，并且结合计量管理体系中出现的问题，编制内部审核计划，在经过计量主观部门的审核合格后，才能够实施。内部审核人员必须依照审核计划进行现场的审核，确保收集第一手的资料，从而能够对审核单位进行正确的评价。审核人员需要对于不符合项给予判断，确保问题的彻底解决。做好问题整改的跟踪检查和验证。加强计量企业的内部审核，确保计量管理系统的正常运行。在计量管理体系的管理中需要对体系运行中的问题进行及时的改进和完善，因此做好问题的整改的跟踪检查和验证，是确保计量管理体系运行的重要的保证。内部审核人员对于发现的问题，需要进行及时的整改，并且对于整改的情况进行跟踪和反映，确保问题能够彻底的解决。
2.5做好计量管理体系的管理评审
计量管理体系的评审，目的在于确保计量管理体系的适应性和有效性。加强对现有计量管理体系的评审，从而确定改进的方向和措施。想要做好体系管理评审的工作，一是要把握好管理评审的时机。依照集团公司的计量管理体系的规定，管理的评审工作需要每年进行一次，而且两次的评审工作不应该超过12个月。依照相關程序的规定，集团公司的组织机构、产品结构、资源会发生重大变化，或者是由于工作失误而造成质量事故，在这样的情况下，可以适当的增加管理评审的频率，从而减少计量管理体系的运行风险。二是重视管理评审的策划。加强对管理评审工作的策划，通过评审能够对测量过程进行有效的控制和改进。依照集团公司的管理规定，在实施评审前，评审计划必须由集团计量管理部门负责编制，而由主管领导进行审核，审核合格的才可以进行计量体系的评价。三是注重管理评审的后续工作。责任单位需要对管理计量评审部门提出额问题进行整改，并且进行跟踪验证，及时的记录验证结果。
3、结语
在企业的发展中，企业构建符合企业发展实际的计量管理体系，促使计量检验业务能够始终处于受控的状态，确保实现重要的计量检验业务环节。企业计量管理体系是不断改进的过程，因此需要通过加强监督和管理确保计量管理体系正常的运行。
参考文献
[1]]董效林.贯彻测量管理体系应作为企业通过其他管理体系的充分必要条件[J].中国计量，2010，17（5）：34-35.
[2]温旭.航天科研企业计量管理系统的设计与实现[J].计量技术，2008，16（11）：115-120.
[3]刘捷，张静宇.浅谈企业计量管理体系的建立与运行[J].工业计量，2008，17（05）：156-158.
[4]]曹国昌.基于ISO 10012的计量管理信息系统设计[J].计量技术，2007，18（9）：58-60.
管理“计量树” 第3篇
决策树是用于分类和预测的主要技术, 它着眼于从一组无规律的事例中推理出决策树表示形式的分类规则, 采用自顶向下的递归方式, 在决策树的内部节点进行属性值的比较, 并根据不同属性判断从该节点向下分支, 在决策树的叶节点得到结论。决策树的主要优点包括易于用户理解, 只要训练事例能够用属性的方式表达出来, 就可以使用其进行学习;并且易于转换为规则, 从根节点到叶节点就对应着一条合理规则, 整棵树就对应着一组表达式规则。而且许多实验及应用也说明了其良好的有效性[1,2]。近年来, 决策树方法在机器学习、知识发现等领域得到了广泛的应用。
在决策树方法中, 有2 个基本步骤:构造树并将树应用于数据库。一般情况下, 决策树的构造基本使用面向对象的高级语言完成, 再调用数据库中的数据。这样的做法往往使得数据结构多样、算法处理复杂、实现难度加大等。而随着现代数据库技术的发展, 其语言支持功能愈发强大, 例如PL/SQL和存储过程。存储过程是一种子程序, 实际存放在数据库的数据字典中, 应用程序可通过它来访问关系型数据库系统。存储过程的典型应用有结合数据库的数据有效性验证和访问控制机制。而且, 存储过程可以统一并加强原本只在应用程序中实现的复杂逻辑过程, 从而应用程序可以调用该存储过程[3,4]。而且存储过程可以接受参数并回传值, 灵活性和运行效率都有所提高。
因此本文中将这两个步骤全部放在SQL Server数据库中完成, 利用存储过程完成了C4.5 算法的快速实现, 并把其应用在一个动力计量计费系统中。
1 C4.5 算法基本原理
C4.5 是Ross Quinlan为改进ID3 算法而提出来的一种决策树生成算法。它根据给定的样本集, 以树的形式给出分类规则。其生成过程如下[5,6]。
假设类别表示为{C1, C2, …, Ck}, T表示为训练集。针对决策树给定节点中T的内容, 在构造决策树时一般会有以下3 种可能的情况:
(1) 当T包含的一个或多个样本都属于某个类别Cj, 那么针对T的决策树则是指向类别Cj的叶节点;
(2) 当T不包含任何样本时, 此时决策树仍是叶节点, 但与此节点关联的类别则是其父节点中出现频率最高的类别;
(3) 当T包含的样本属于不同的类别时, 提出相应的设定, 即基于单个属性确定一个结果集{O1, O2, …, On}, T被分成若干个子集{T1, T2, …, Tn}, 其中Ti包含了产生Oi的所有样本。此时决策树包含了一个指向该设定的决策点, 该决策点的每条分支对应到每个可能的结果。
对于每个子节点都可以继续进行判断, 重复上述操作, 直到满足决策树的终止条件为止, 这个终止条件可以是:节点对应的所有样本属于同一类;或者不存在可以再分割的属性。
以下是决策树生成算法的一般描述。其中T为训练集, A为条件属性集, Y为目标属性, 最终生成Tree。
其中节点如何进行分裂是决策树生成过程中的重要步骤。只有根据不同的属性将节点分开, 方能形成多个类别。因此, 整个问题的核心就是如何选择分裂的属性。通常的做法是测试所有的属性, 对每个属性分类的好坏做出相应的量化评价, 选择其中一个最好的分类方式。特征选择策略提供了这种量化的指标, 这主要依赖于对集合不纯度的度量方法, 信息增益就是其中一种, 它衡量每个属性对分类后的数据子集的信息量的贡献[7]。
假设训练集T包含n个样本, 这些样本分别属于m个类, 其中第i个类在T中出现的比例为pi, 那么T的信息熵为[3，8]:
如果m=1, 也就是T的样本都属于一个类, 那么I (T) =0, 达到最小值;如果p1=p2=…=pm, 也就是每类样本的个数相同, 那么I (T) =log m, 达到最大值。
假设属性A把集合T划分成V个子集{T1, T2, …, Tv}, 其中Ti所包含的样本数为ni, 那么划分后的熵就是:
那么, 分裂后的信息增益为Gain (A) =I (T) -E (A) 。
2 决策树的节点生成
首先选取训练样本集, 本文中使用的是某公司动力分厂中各种动力用量和费用作为数据集, 如图1 所示。构造决策树的目的就是希望能够知道一个时间段内各个单位各种动力用量高低对于其最终动力费用的影响程度。为描述简单, 这里仅仅使用四种动力:综合电ZHD、高峰电GFD、低谷电DGD和平峰电PFD来描述整个决策树算法的快速实现与应用。
在构造决策树之前, 已经使用朴素Bayes算法将各个动力用量按照高、中、低进行了分类。而后为决策树实现确定数据结构, 图2 是节点的主体结构。
其中Type表示的是某种电量如综合电ZHD, H表示高, M表示中, L表示低。HH表示当ZHD用量分类为高时, 总费用分类为高;HM表示当ZHD用量分类为高时, 总费用为分类中, 其他类推。Node ID是该节点编号, Parent ID是其父节点编号, Ancestor保存了其祖辈信息。图3 是一个节点的具体实例。
以根节点为例说明一个节点的具体生成过程, 算法描述如下:
输入:训练样本集
输出:节点表新增一条节点记录
处理:主要使用T_DTVALUE表, 该表中存放了确定分裂结点所需要的各种数值, 例如动力类型、费用高中低各自的个数及总个数、信息量值、熵值以及信息增益值
(1) 生成属性取值和类别分布:使用的存储过程是PRC_CREDVALUE, 传递一个字符串型的输入参数, 即动力类型的名称, 进而生成费用高中低的个数及其总个数, 其T_DTVALUE中的部分数值如图4 所示。
(2) 计算训练样本的信息量:变量@H、@M和@L分别是目标属性高中低的样本个数, 变量@TOTAL是总个数, 根据公式 (1) 得到信息量值, 这里取小数点后4 位。
SET @H= (SELECT TOP 1 SUM (ZFYHIGH) FROM T_DT-VALUE GROUP BY TYPE)
SET @M= (SELECT TOP 1 SUM (ZFYMIDDLE) FROM T_DTVALUE GROUP BY TYPE)
SET @L= (SELECT TOP 1 SUM (ZFYLOW) FROM T_DT-VALUE GROUP BY TYPE)
SET @TOTAL=@H+@M+@L
SET @IT=- @H/@TOTAL*LOG (@H/@TOTAL) - @M/@TO-TAL*LOG (@M/@TOTAL) -@L/@TOTAL*LOG (@L/@TOTAL)
(3) 计算每个属性的信息增益:根据式 (1) , (2) , 编写存储过程PRC_ Compute Entropy, 通过输入参数灵活求取各个动力类型的熵值。即先求取每个属性值的各个样本子集的信息量, 而后信息量之和就是熵值, 再用训练样本的信息量减去熵值得到信息增益。表T_DT-VALUE中的信息增益值如图5 所示。
(4) 确定分裂结点, 插入到结点表中:选取信息增益最大的属性作为分裂的节点, 因为这里使用的是倒序排列, 因此取第1 位;因为是根节点, 因此无父节点, 赋值为0;因为根节点的所有直接子节点没有产生完毕, 因此ISOK赋值为0。
SET @TYPE= ( SELECT TOP 1 TYPE FROM T_DTVALUE ORDER BY GAIN DESC)
INSERT INTO T_DTNODES (TYPE, PARENTID, ISOK) VALUES (@TYPE, 0, 0)
3 决策树节点扩展与剪枝
分裂节点确定之后, 需要生成其下属子节点。本文中采用了非递归式广度优先来生成决策树, 即产生一个节点所有的直接子节点, 而后根据这些子节点的顺序再依次产生其所有的直接子节点。为实现非递归方式, 同时保证过程的灵活性, 除了表结构需要特别仔细的设计外, 还大量地使用了MSSQL动态指令执行语句:EXE-CUTE和SP_Execute SQL[9,10]。
为了使得到的决策树所蕴含的规则具有普遍意义, 必须对决策树进行修剪。树枝修剪的任务主要是删除一个或更多的树枝, 并用叶替换这些树枝, 使决策树简化, 以提高今后分类识别的速度和分类识别新数据的能力。通常采用两种方法进行树枝的修剪, 即事前修剪和事后修剪。本文中采用了事前修剪, 为每个节点扩展设置了一个阀值, 一旦有结果超过阀值, 该子树就停止生长。本系统中根据经验值和生产要求设置当前阀值为80%, 当综合电用量为高时, 总费用为高的比例超过80%, 那就不需要进行子节点扩展了。这种剪枝方式比较简单直接而且有效, 但是难点就通常在于阀值的确定。
节点表中的HH, HM等字段的赋值表明该节点是否需要进行子节点扩展, 例如HH为-1 表示规则已经产生;为0 表示该节点不需要扩展;为-2 表示继续生长;为1 时表示没有这类情况出现。以根节点的子节点生成为例, 描述节点扩展与剪枝的算法过程。
输入:根节点结构的初始值和训练样本集
输出:根节点的扩展子节点
处理:当综合电ZHD用量分类为高时
(1) 计算各种情况下的数值比例。例如下段代码就是求取综合电ZHD用量分类为高且总费用分类为高时的比例@HRATE。首先把赋值语句SELECT以字符串的形式赋给变量@STR, 而后使用系统存储过程SP_EXECUTESQL执行该条语句, @FLAG的赋值为H, 以获取到各个计数值, @NODEID是当前扩展节点的编号。
同理, 还需要计算总费用分类为中和低时的比例, 即@MRATE和@LRATE。
(2) 回写扩展标识以确定是否在后续过程中得到相应的处理。下段代码是判断综合电ZHD用量分类为高时的子节点生成情况。这里利用到了CASE语句, 把求取到的@HRATE, @MRATE和@LRATE和确定好的阀值做比较, 来决定不同的结果值。
同理, 还需要回写当总费用分类为中和为低时的扩展标识。
4 规则的生成
当决策树生成之后, 就可以从中推导出分类规则, 这个步骤称为规则抽取。每个叶节点表示为一条规则, 规则的条件是从根节点出发到该叶节点路径上的所有中间节点构成的一个“与”判断, 规则的结论是叶节点的类别。在对新样本进行分类时, 如果样本满足某条分类规则的条件判断, 那么它的类别就是规则右边的值。这部分算法比较简单, 大致的流程描述如下。
输入:节点表T_DTNODES, 主要使用到的字段就是节点编号nodeid, 父节点编号parentid, ancestor是该节点的所有父辈节点的文字描述;部分数据如图6 所示。
输出:规则表T_DTRULES, 部分数据如图7 所示。
处理:由于在生成树的过程中就较好地保存了各个节点相对应的祖父信息, 因此只需要根据nodeid和parentid进行相应的遍历, 把这些信息转换成对应的文字表示即可。规则生成比较简单, 主要在存储过程中使用了游标, 逐行处理。最后还要进行规则的适当调整。
5 结语
本文利用SQL Server数据库中的表结构和存储过程实现了一个决策树算法。其中数据结构简单, 基本就是二维表, 易于处理;全部算法过程放置在几个存储过程中, 非递归式层层调用, 增强了灵活性, 易于理解;而且应用中由于对数据的访问都是通过存储过程来进行的, 可以在不改动存储过程接口的情况下对数据库进行任何改动, 使得更新对应用程序而言具有透明性, 增强适应性和可维护性。在实际应用中, 算法能够正确运行, 对于大量的数据具有较好的执行能力, 其规则也体现了一定的准确性。不过训练数据由于受到人员录入方式、朴素Bayes分类结果等因素的影响, 使得阀值的确定难度加大, 进而使得生成的决策树会存在一定的偏差, 希望在下一步的工作中调整。
摘要：决策树算法的实现往往采用面向对象语言工具来实现, 与数据库中的结构通常存在一定的差异, 需要进行大量的数据转换。现在充分利用数据库中表结构特点和存储过程中PL/SQL语法的强大性及灵活性, 采用一个动力计量计费系统中的数据, 快速、有效且非递归地实现了决策树C4.5算法中的节点生成、扩展与剪枝主要过程;并进行了规则抽取。应用结果表明, 该算法的实现方法具有一定的高效性、稳定性和普适性。
关键词：C4.5算法,信息增益,存储过程,动力计量计费系统
参考文献
[1]冯少荣.决策树算法的研究与改进[J].厦门大学学报:自然科学版, 2007, 46 (4) :496-500.
[2]DUNHAM M H.数据挖掘教程[M].郭崇慧, 田凤占, 靳晓明, 等译.北京:清华大学出版社, 2005.
[3]徐人凤, 曾建华.SQL Server 2005数据库及应用[M].北京:高等教育出版社, 2007.
[4]王珊.数据库系统概论[M].4版.北京:高等教育出版社, 2007.
[5]陈安, 陈宁, 周龙骧.数据挖掘技术及应用[M].北京:科学出版社, 2006.
[6]曲守宁, 卢健.C4.5分类算法在硕士研究生智育测评中的应用[J].济南大学学报:自然科学版, 2009, 23 (3) :253-256.
[7]马伟杰.C4.5决策树法在高校贫困生认定中的应用[J].河南教育学院学报:自然科学版, 2012, 21 (3) :27-30.
[8]吴小刚, 周萍, 彭文惠.决策树算法在大学生心理健康评测中的应用[J].计算机应用与软件, 2011, 28 (10) :240-244.
[9]郭绍虑, 甄涛, 贾琦.基于存储过程的海量邮件数据挖掘[J].计算机工程, 2010, 36 (1) :40-42.