基于知識(shí)圖譜的臺(tái)區(qū)線損異常分析

高澤璞，趙云，張?zhí)崽?，張蓮?/p>

（1.武漢大學(xué)電氣與自動(dòng)化學(xué)院，湖北 武漢 430072；2.南方電網(wǎng)科學(xué)研究院，廣東 廣州 510080）

在低壓配電網(wǎng)中，隨著人們生活水平的不斷提高，各種電力設(shè)備數(shù)量的急劇增加導(dǎo)致用電量飛速增長(zhǎng)，電網(wǎng)企業(yè)越來越關(guān)注統(tǒng)計(jì)線損率，其成為衡量供電公司管理水平、經(jīng)濟(jì)效益的核心指標(biāo)[1]。低壓配電網(wǎng)作為大電網(wǎng)線路末梢，錯(cuò)綜復(fù)雜的拓?fù)浣Y(jié)構(gòu)使得線損異常問題愈加嚴(yán)重。配電網(wǎng)端提高線損管理水平是降損、減損以及消除異常線損的有效手段。

目前，確定線損異常原因的方法多為電網(wǎng)工作人員現(xiàn)場(chǎng)勘查、總結(jié)，之后人工錄入[2]。伴隨電網(wǎng)信息化的技術(shù)引入，目前南方電網(wǎng)在積極推進(jìn)配電側(cè)信息檔案化管理，與配電網(wǎng)相匹配的檔案線損異常原因分析模型的研究尚處于起步階段。目前，低壓配電網(wǎng)線損管理的主要形式為分臺(tái)區(qū)管理[3]。針對(duì)臺(tái)區(qū)線損所存在的異常問題，國(guó)內(nèi)外學(xué)者也做了大量研究。文獻(xiàn)[4]使用實(shí)測(cè)負(fù)荷數(shù)據(jù)和理論線損計(jì)算方法分析線損產(chǎn)生機(jī)制，提出了節(jié)能降損的策略，但該文獻(xiàn)僅分析了理論情況，未就實(shí)際的用電情況進(jìn)行討論，不具備實(shí)際可操作性。文獻(xiàn)[5]使用小波變換對(duì)電流諧波進(jìn)行檢測(cè)，通過分析頻譜信息解決了因電流畸變導(dǎo)致線損異常的問題，但存在一定的局限性，臺(tái)區(qū)線損異常包含諸多因素，該文獻(xiàn)僅僅討論了其中一種，不具備代表性。文獻(xiàn)[6]提出了一種灰色關(guān)聯(lián)分析與改進(jìn)神經(jīng)網(wǎng)絡(luò)相結(jié)合的線損預(yù)測(cè)方法，并與實(shí)際線損比較從而確定線損是否異常，該方法可以較好地篩選出異常線損，但無法確定線損異常的具體原因，從源頭解決線損異常問題。文獻(xiàn)[7]使用相似性方法，分析了與線損相關(guān)的氣象因素，從而有針對(duì)性地對(duì)不同區(qū)域采取不同線損異常治理方法，但其采用外部因素對(duì)線損異常進(jìn)行宏觀調(diào)控，沒有分析內(nèi)部因素對(duì)臺(tái)區(qū)線損異常的影響。

基于現(xiàn)有的線損異常原因分析研究現(xiàn)狀，針對(duì)目前研究者對(duì)線損異常分析的研究尚處于局部分析的問題，本文提出了一種基于檔案管理的整體線損異常原因研究，將較好地推動(dòng)當(dāng)前線損管理方面的研究進(jìn)程，提高線損異常原因判斷的實(shí)用性和實(shí)時(shí)性。其具體實(shí)施方案為：將大量的線損異常原因檔案數(shù)據(jù)依照相似性歸類，依據(jù)每類異常原因不同的表現(xiàn)特征，設(shè)定不同的異常原因判斷規(guī)則，并將規(guī)則集合成線損異常判斷知識(shí)圖譜，用作線損異常分析判斷。知識(shí)圖譜技術(shù)在處理數(shù)據(jù)關(guān)系時(shí)具有優(yōu)勢(shì)，與線損異常原因的分類及特性分析的研究需要完全契合。文獻(xiàn)[8]將知識(shí)圖譜運(yùn)用在電氣設(shè)備缺陷查詢中，產(chǎn)生了良好的效果。因此，本文提出了一種使用知識(shí)庫(kù)的線損異常原因判斷方法，并運(yùn)用推演格算法對(duì)其進(jìn)行規(guī)則優(yōu)化。采用實(shí)際數(shù)據(jù)進(jìn)行檢驗(yàn)，并與傳統(tǒng)專家?guī)爝M(jìn)行對(duì)比，驗(yàn)證了本方法在線損異常原因判斷方面具有良好的效果。

1 知識(shí)圖譜技術(shù)

1.1 知識(shí)圖譜簡(jiǎn)述

知識(shí)圖譜又稱知識(shí)領(lǐng)域映射地圖，能夠挖掘、分析、構(gòu)建、繪制和顯示知識(shí)及它們之間的聯(lián)系，利用可視化技術(shù)，直觀清楚地展示知識(shí)之間的關(guān)系，并將知識(shí)之間的關(guān)系轉(zhuǎn)化成三元組的形式，存儲(chǔ)到圖數(shù)據(jù)庫(kù)中[9]。知識(shí)圖譜的基本結(jié)構(gòu)為“實(shí)體—關(guān)系—實(shí)體”或“實(shí)體—屬性—屬性值”的形式。圖譜顯示為以實(shí)體為節(jié)點(diǎn)、關(guān)系為邊的多實(shí)體、多關(guān)系的網(wǎng)狀結(jié)構(gòu)圖[10]。

目前，知識(shí)圖譜多應(yīng)用于學(xué)科發(fā)展趨勢(shì)分析和互聯(lián)網(wǎng)領(lǐng)域，在電力行業(yè)中應(yīng)用較少。根據(jù)應(yīng)用領(lǐng)域的不同，知識(shí)圖譜可分為通用知識(shí)圖譜和行業(yè)知識(shí)圖譜[11]。通用知識(shí)圖譜知識(shí)來源多、覆蓋范圍廣，通常采用自底向上的知識(shí)圖譜構(gòu)建方法，其多用于搜索引擎中，最具代表性的是國(guó)外的谷歌知識(shí)圖譜以及國(guó)內(nèi)百度知心知識(shí)圖譜等[12]。行業(yè)知識(shí)圖譜是以特定領(lǐng)域中的知識(shí)作為基礎(chǔ)來構(gòu)建，知識(shí)之間的關(guān)系網(wǎng)簡(jiǎn)單、明確，抗干擾能力強(qiáng)。行業(yè)知識(shí)圖譜通常采用自頂向下與自底向上相結(jié)合的構(gòu)建方法。最具代表性的行業(yè)知識(shí)圖譜有Geonames，Linked Movie Database等[13]。

1.2 知識(shí)圖譜的構(gòu)建環(huán)節(jié)

通常知識(shí)圖譜的構(gòu)建環(huán)節(jié)包括知識(shí)抽取、知識(shí)表示、知識(shí)融合、知識(shí)存儲(chǔ)等4個(gè)步驟[14]。

1）知識(shí)抽取：根據(jù)不同形式的數(shù)據(jù)源，采用適當(dāng)方法分別抽取出實(shí)體、關(guān)系、屬性等知識(shí)。

2）知識(shí)表示：將抽取出的實(shí)體、關(guān)系和屬性按照該領(lǐng)域的知識(shí)結(jié)構(gòu)和人的思維方式轉(zhuǎn)化為計(jì)算機(jī)可處理的形式。

3）知識(shí)融合：不同數(shù)據(jù)源所獲取的知識(shí)在表示命名時(shí)，可能存在重疊關(guān)系，需進(jìn)行消岐整合。

4）知識(shí)存儲(chǔ)：將知識(shí)及關(guān)系依照三元組的結(jié)構(gòu)存儲(chǔ)到圖數(shù)據(jù)庫(kù)中，方便查詢與顯示。

2 臺(tái)區(qū)線損異常知識(shí)圖譜的構(gòu)建

在電網(wǎng)稽查部門的線損檔案數(shù)據(jù)庫(kù)中，對(duì)線損異常臺(tái)區(qū)的異常原因及處理辦法的記錄方式通常為自然語言[15]。知識(shí)圖譜技術(shù)可以將記錄中的實(shí)體及關(guān)系以三元組的形式清晰明確地表示出來，解決了臺(tái)區(qū)線損異常原因查詢、復(fù)檢以及參考難的問題。

線損檔案中的臺(tái)區(qū)線損異常原因所涉及范圍的數(shù)據(jù)既包括結(jié)構(gòu)化數(shù)據(jù)（電壓、設(shè)備容量等），也包含自然語言類的無結(jié)構(gòu)化數(shù)據(jù)。因此，在知識(shí)抽取、融合及構(gòu)建三元組時(shí)，需分開進(jìn)行。

2.1 實(shí)體、屬性抽取及關(guān)系建立

臺(tái)區(qū)線損異常原因知識(shí)圖譜中，所涉及的實(shí)體包括：臺(tái)區(qū)、變壓器、低壓用戶表、臺(tái)區(qū)總表等。首先，每一類對(duì)象建立本體V，本體是一類物理設(shè)備的抽象概念，例如變壓器。每一類本體包含若干實(shí)體V={v1,v2,…,vn}，n表示每一類本體下的實(shí)體數(shù)，實(shí)體數(shù)量由構(gòu)建知識(shí)圖譜時(shí)所抽取的對(duì)應(yīng)知識(shí)數(shù)來決定。每個(gè)實(shí)體表示為（vi|id,E），id為每個(gè)實(shí)體的唯一標(biāo)識(shí)，E為實(shí)體自身的屬性集合。實(shí)體與實(shí)體之間可能存在關(guān)系r，[vt,r,vh]為兩個(gè)存在關(guān)系的實(shí)體組成的三元組結(jié)構(gòu)。從電網(wǎng)信息系統(tǒng)中，抽取出線損異常原因所涉及的實(shí)體及其主要屬性。這些數(shù)據(jù)為結(jié)構(gòu)化數(shù)據(jù)，保存在源數(shù)據(jù)庫(kù)中，源數(shù)據(jù)庫(kù)表的字段表示每一列的數(shù)據(jù)類型，源數(shù)據(jù)庫(kù)表的每一行為同一實(shí)體的各個(gè)屬性[16]。將抽取出的知識(shí)按照上述方法，根據(jù)關(guān)系組成三元組，即構(gòu)成知識(shí)圖譜雛形。例如抽取出“臺(tái)區(qū)A”的電壓值，則構(gòu)成“臺(tái)區(qū)A—電壓—電壓數(shù)值”。

2.2 線損異常原因抽取及分詞處理

設(shè)備名稱、屬性這些結(jié)構(gòu)化數(shù)據(jù)知識(shí)抽取方法比較簡(jiǎn)單，而臺(tái)區(qū)線損異常原因?yàn)榉墙Y(jié)構(gòu)化數(shù)據(jù)，沒有規(guī)則性，知識(shí)抽取較困難。本文采用自然語言處理（natural language processing，NLP）基于詞典的分詞算法對(duì)臺(tái)區(qū)線損異常原因的非結(jié)構(gòu)化數(shù)據(jù)（自然語言表示的數(shù)據(jù)）進(jìn)行劃分，并過濾掉停用詞[17]。分詞結(jié)果實(shí)例如表1所示?；诜衷~的結(jié)果，可以將自然語言組成[臺(tái)區(qū)，連接（錯(cuò)誤），用戶]的三元組。

表1 分詞結(jié)果實(shí)例Tab.1 Examples of segmentation results

對(duì)分詞結(jié)果使用TF-IDF算法，將涉及的實(shí)體及異常表現(xiàn)形式按照權(quán)重進(jìn)行排序，對(duì)權(quán)重較大的實(shí)體及異常形式著重分析并建立判斷規(guī)則[18]。TF-IDF算法表達(dá)式如下：

當(dāng)該詞的TF×IDF越大，表明該詞在臺(tái)區(qū)線損異常原因中占比越大。對(duì)453個(gè)臺(tái)區(qū)的線損異常原因樣進(jìn)行NLP分詞及TF-IDF算法分析，結(jié)果如表2所示。從表2可以看出，臺(tái)區(qū)線損異常原因多集中在總表、分表、采集器等數(shù)據(jù)傳輸塊，異常形式也多與數(shù)據(jù)采集相關(guān)。

表2 實(shí)體及異常原因前三名關(guān)鍵詞Tab.2 Top three keywords for entities and abnormal reasons

將線損異常原因中的實(shí)體與實(shí)體、實(shí)體與異常形式之間建立完善的三元組關(guān)系，并與1.1節(jié)中的知識(shí)圖譜相結(jié)合，則構(gòu)成了臺(tái)區(qū)線損異常知識(shí)圖譜。

3 臺(tái)區(qū)線損異常原因判斷方法

本文對(duì)臺(tái)區(qū)線損異常做了大量調(diào)研以及參考電網(wǎng)中的相關(guān)線損文件，將異常原因分為6大類：檔案因素、計(jì)量因素、采集因素、統(tǒng)計(jì)因素、技術(shù)因素以及竊電因素[19]。根據(jù)2.2節(jié)臺(tái)區(qū)線損異常原因關(guān)鍵詞提取結(jié)果，所掌握數(shù)據(jù)未涉及統(tǒng)計(jì)因素與竊電因素，因此只針對(duì)其余4類異常原因進(jìn)行分析。臺(tái)區(qū)線損異常原因分類如圖1所示。

圖1 臺(tái)區(qū)線損異常原因分類圖Fig.1 Classification diagram of the cause of transformer areas line loss anomaly

3.1 臺(tái)區(qū)線損異常原因判斷規(guī)則

本文針對(duì)每大類異常原因，挑選出異常形式占比較高的具體小類原因設(shè)定規(guī)則。具體線損異常原因判斷規(guī)則如表3所示。

表3 異常原因判斷規(guī)則Tab.3 Judgment rules for abnormal causes

所挑選出的臺(tái)區(qū)異常原因包括失壓、失流、臺(tái)戶關(guān)系不正確、三相不平衡等在內(nèi)的10種異常原因。借鑒電網(wǎng)中對(duì)這些臺(tái)區(qū)異常原因的定義和判斷方法，改進(jìn)后形成本文的臺(tái)區(qū)線損異常原因的判斷規(guī)則步驟。判斷算法不是本文研究的重點(diǎn)，在此不再過多贅述。

3.2 臺(tái)區(qū)線損異常原因判斷流程

將表3每小類線損異常原因按照各自判斷規(guī)則構(gòu)建出算法流程圖。每類算法的執(zhí)行步驟之間存在先后順序，根據(jù)這種先后關(guān)系將其整理成三元組的形式，構(gòu)成異常判斷知識(shí)圖譜。將推演格算法應(yīng)用于異常判斷知識(shí)圖譜中，利用知識(shí)融合技術(shù)將異常判斷知識(shí)圖譜的各算法步驟優(yōu)化整合。

推演格算法是一種智能高效的偏序推理模型[20]。推演規(guī)則包括：1）C1∧ C2∧ …∧Cn→h，其中，C1，C2，…，Cn是條件，h 為結(jié)論；2）若C1∧C2∧（Ci∨…∨Ci+n）→h，須拆分為：C1∧ C2∧ Ci→ h,…,C1∧ C2∧ Ci+n→ h；3）若存在C1∧C2∧C3→h1和h1∧C4∧C5→h，則可將其合并為C1∧C2∧C3∧C4∧C5→h。

以計(jì)量、采集因素下的線損異常原因?yàn)槔谖唇?jīng)過推演格優(yōu)化前，每個(gè)異常原因小類的算法流程步驟都是獨(dú)立的，實(shí)際運(yùn)用中需要對(duì)每個(gè)算法逐個(gè)運(yùn)行進(jìn)行判斷。經(jīng)過推演格優(yōu)化后的算法流程步驟如圖2所示，從圖2中可以看出，不同的小類異常原因的算法中存在相同的判斷步驟，如果按照先前的異常原因判斷方法，會(huì)造成大量的判斷冗余，影響線損異常原因的判斷速度。優(yōu)化之后的算法步驟不需從根節(jié)點(diǎn)進(jìn)行算法判斷，線損異常判斷速度得到了提高。

圖2 優(yōu)化后異常規(guī)則流程圖Fig.2 Flow chart of the optimized exception rules

4 算例分析

為驗(yàn)證本文所述的線損異常分析方法在實(shí)際應(yīng)用中的效果，以現(xiàn)有臺(tái)區(qū)線損異常數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，并與電網(wǎng)中現(xiàn)有的線損異常判斷專家?guī)斓膶?shí)驗(yàn)結(jié)果作對(duì)比。

從某電網(wǎng)公司中選取600個(gè)線損異常臺(tái)區(qū)作為實(shí)驗(yàn)數(shù)據(jù)源。選取判斷正確率和判斷速度作為臺(tái)區(qū)線損異常原因判斷效果的評(píng)判標(biāo)準(zhǔn)。600個(gè)臺(tái)區(qū)中的線損異常原因分類數(shù)量如表4所示。

表4 各大類線損異常臺(tái)區(qū)數(shù)量Tab.4 Quantity of major types of abnormal line loss transformers

4.1 臺(tái)區(qū)線損異常判斷庫(kù)判斷結(jié)果分析

從電網(wǎng)信息系統(tǒng)中抽取此600個(gè)目標(biāo)臺(tái)區(qū)的屬性數(shù)據(jù)，按照本文方法構(gòu)建出臺(tái)區(qū)線損異常知識(shí)圖譜。運(yùn)用本文的優(yōu)化后的臺(tái)區(qū)線損異常原因規(guī)則對(duì)600個(gè)線損異常臺(tái)區(qū)的異常原因進(jìn)行判斷，并與電網(wǎng)中的專家?guī)炫袛嘟Y(jié)果相比較，如圖3、表5所示。

圖3 臺(tái)區(qū)線損異常原因判斷結(jié)果Fig.3 Judgment results of the cause of transformer areas line loss anomaly

表5 臺(tái)區(qū)線損異常原因判斷結(jié)果Tab.5 Judgment results of the cause of transformer areas line loss anomaly

從圖3和表5中可以看出，本文方法對(duì)臺(tái)區(qū)線損異常的原因判斷正確率與電網(wǎng)中所使用方法的異常原因判斷正確率相當(dāng)，特別是檔案原因與技術(shù)原因，判斷正確率分別達(dá)到了98.7%和96.0%，超過了電網(wǎng)方法的正確率，表明了本文方法在臺(tái)區(qū)線損異常原因判斷方面具有可行性與實(shí)際應(yīng)用價(jià)值。其中計(jì)量因素與采集因素的判斷正確率稍低，其原因有2個(gè)：1）本文構(gòu)建的異常判斷規(guī)則沒有涵蓋電網(wǎng)中所有的線損異常行為，存在原因遺漏；2）計(jì)量與采集因素的規(guī)則判斷多依賴于配電網(wǎng)采集數(shù)據(jù)（電壓、電流、電量等），這類數(shù)據(jù)處于動(dòng)態(tài)變化中，其數(shù)據(jù)質(zhì)量直接影響著異常原因判斷結(jié)果的準(zhǔn)確性。以某電網(wǎng)公司某臺(tái)區(qū)為例說明判斷流程：該臺(tái)區(qū)原始數(shù)據(jù)包括各相電壓和電流，數(shù)據(jù)頻率為15 min 1個(gè)數(shù)據(jù)點(diǎn)，每天96個(gè)數(shù)據(jù)點(diǎn)。該臺(tái)區(qū)數(shù)據(jù)如表6所示。表6中為各相電壓、電流1 d的平均值，通過方法流程判斷，A相電壓小于78%的正常工作電壓，A相電流大于0.5%的額定電流，因此該臺(tái)區(qū)線損異常原因判斷為A相失壓。

表6 某臺(tái)區(qū)計(jì)量數(shù)據(jù)Tab.6 Measurement data of a certain transformer area

本文方法中所使用的臺(tái)區(qū)線損異常原因判斷規(guī)則參考了電網(wǎng)中已有的規(guī)則，并根據(jù)每一種異常原因所表現(xiàn)的電力數(shù)據(jù)特點(diǎn)，構(gòu)建的規(guī)則更具針對(duì)性。當(dāng)判斷出當(dāng)前臺(tái)區(qū)的異常原因時(shí)，對(duì)臺(tái)區(qū)線損異常原因知識(shí)圖譜進(jìn)行知識(shí)拓展，將該臺(tái)區(qū)的判斷算法及判斷結(jié)果以三元組的形式擴(kuò)充入知識(shí)圖譜中，將其不斷完善，為電網(wǎng)工作人員日后的線損異常處理提供參考，具有借鑒意義。知識(shí)圖譜實(shí)例如圖4所示。

圖4 知識(shí)圖譜實(shí)例展示Fig.4 Example of knowledge graph

4.2 臺(tái)區(qū)線損異常判斷庫(kù)判斷速度分析

在正確率保持在較高水平的基礎(chǔ)上，對(duì)本文方法的異常原因判斷速度做進(jìn)一步的實(shí)驗(yàn)驗(yàn)證。根據(jù)不同異常判斷算法的流程步驟個(gè)數(shù)，將現(xiàn)有樣本臺(tái)區(qū)線損異常原因分為[1，9]區(qū)間的復(fù)雜程度，異常判斷算法的步驟越多、流程越長(zhǎng)，其復(fù)雜程度也就越高。將本文方法對(duì)復(fù)雜程度為1的臺(tái)區(qū)線損異常原因的判斷所需時(shí)間作為基礎(chǔ)，判斷其他復(fù)雜程度的異常原因所需時(shí)間與該時(shí)間相比較，求得出相對(duì)速度。本文方法和電網(wǎng)方法的異常原因判斷速度對(duì)比結(jié)果如圖5所示。

圖5 臺(tái)區(qū)線損異常原因判斷速度結(jié)果Fig.5 Speed result of judging the cause of transformer areas line loss anomaly

從圖5中可以看出，在對(duì)臺(tái)區(qū)線損異常原因進(jìn)行判斷時(shí)，本文方法的判斷相對(duì)速度優(yōu)于電網(wǎng)方法的判斷相對(duì)速度，并且隨著判斷規(guī)則復(fù)雜程度的增加，判斷相對(duì)速度的差距越來越大。本文方法的判斷相對(duì)速度下降趨勢(shì)遠(yuǎn)小于電網(wǎng)方法的下降趨勢(shì)，且逐漸趨于穩(wěn)定；而電網(wǎng)方法的判斷相對(duì)速度隨著判斷規(guī)則復(fù)雜程度的增加而急劇下降。這是因?yàn)楸疚姆椒ㄟ\(yùn)用了推演格算法進(jìn)行優(yōu)化，將各算法規(guī)則中的冗余步驟相融合，在對(duì)目標(biāo)臺(tái)區(qū)進(jìn)行異常判斷時(shí)，無需每次都從頭運(yùn)行算法規(guī)則流程，從而節(jié)約了異常原因判斷的時(shí)間，大大提升了臺(tái)區(qū)線損異常原因的判斷速度。

5 結(jié)論

本文將知識(shí)圖譜技術(shù)運(yùn)用于臺(tái)區(qū)線損異常原因判斷分析中，構(gòu)建出臺(tái)區(qū)線損異常知識(shí)圖譜。分析并建立對(duì)臺(tái)區(qū)線損異常原因的判斷規(guī)則，并利用知識(shí)圖譜技術(shù)將判斷規(guī)則按照步驟先后順序組合為三元組進(jìn)行存儲(chǔ)，運(yùn)用推演格算法理論和知識(shí)融合技術(shù)，對(duì)判斷規(guī)則優(yōu)化整合，構(gòu)建出本文的臺(tái)區(qū)線損異常原因判斷方法。與電網(wǎng)現(xiàn)使用的臺(tái)區(qū)線損異常判斷方法相比較，所提方法能夠在準(zhǔn)確率上與其處于持平狀態(tài)，并大大提高了臺(tái)區(qū)線損異常原因的判斷速度，具有極好的實(shí)用性和高效性。異常判斷結(jié)果和所使用的判斷算法可對(duì)現(xiàn)有臺(tái)區(qū)線損異常原因知識(shí)圖譜進(jìn)行增補(bǔ)完善。利用知識(shí)圖譜的可視化技術(shù)，能夠給電網(wǎng)工作人員提供參考借鑒，便于對(duì)線損異常臺(tái)區(qū)進(jìn)行查詢、復(fù)檢等工作。

本文不足之處是所采用的異常原因判斷算法沒有涵蓋當(dāng)前所有的臺(tái)區(qū)線損異常原因，在之后的研究中，將繼續(xù)擴(kuò)大臺(tái)區(qū)線損異常判斷規(guī)則的數(shù)量和范圍，不斷對(duì)臺(tái)區(qū)線損異常知識(shí)圖譜進(jìn)行完善，提高其完備性及應(yīng)用范圍。