基于弱關聯挖掘技術的電網故障自動診斷研究

摘 要： 針對電網故障進行診斷的過程中，故障信息存在不完整或不確定性，甚至存在關鍵信息丟失的情況，造成故障診斷難以得出正確結論的問題，提出一種基于弱關聯挖掘技術的電網故障自動診斷方法。首先進行支持度計算，得到電網故障的表述參數，并將電網故障類別看作是貝葉斯網絡的父節點，將挖掘的弱關聯規則作為子節點，構建基于弱關聯挖掘的貝葉斯網絡模型，對各父節點的先驗概率及各子節點的條件概率進行計算，完成對電網故障的自動診斷。仿真實驗結果表明，采用所提方法對電網故障進行自動診斷，正確性高，容錯性好，實用性強，具有很高的診斷精度。

關鍵詞： 弱關聯挖掘； 電網； 故障診斷； 支持度計算

中圖分類號： TN926?34； TM711 文獻標識碼： A 文章編號： 1004?373X（2016）10?0152?04

Research on power grid fault automatic diagnosis based on weak association

mining technology

MA Liqiang， WANG Tianzheng， YANG Dongdong， WANG Zhipeng

（Electric Power Research Institute， Shanxi Electric Power Company of State Grid， Taiyuan 030001， China）

Abstract： In the process of fault diagnosis of power grids， it is difficult to obtain the correct conclusion of the fault diagnosis due to the imperfection or uncertainty of fault information， even the key information loss. A power grid fault automatic diagnosis method based on weak association mining technology is put forward. The support degree calculation is executed first to obtain the expression parameters of power grid fault. The power grid fault category is regarded as the father node of Bayesian network， and weak association mining rule as the child node to construct the Bayesian network model based on weak association mining. After that the prior probability of each father node and conditional probability of each child node are calculated to complete the automatic diagnosis of power grid failure. The simulation results show that the proposed method can automatically diagnose the power grid fault， and has high accuracy， good fault?tolerance， strong practicability， and high diagnostic accuracy.

Keywords： weak association mining； power grid； fault diagnosis； support degree calculation

0 引 言

近年來，隨著我國電網規模的逐漸擴大，電網出現故障的情況也逐漸增多，給人們的生活帶來了很大的影響[1?2]。因此，研究一種電網故障自動診斷方法對電力系統的快速恢復具有重要意義，已經成為相關學者研究的重點課題，受到越來越廣泛的關注[3?5]。

目前，常用的電網故障自動診斷方法主要包括模糊理論方法、人工神經網絡方法和信息理論方法等，相關研究也取得了一定的成果。其中，文獻[6]提出一種基于粗糙集理論的電網故障自動診斷方法，通過粗糙集理論對電網故障進行診斷，該方法在丟失的故障信息并非關鍵信息的情況下不會對診斷結果產生影響，但在丟失的故障信息是關鍵信息的情況下會造成診斷錯誤；文獻[7]提出一種基于特征挖掘的電網故障自動診斷方法，結合電網故障信息特征對電網故障進行判斷，該方法在某種程度上提高了系統在缺失關鍵信息情況下的容錯性，但當電網故障較多時，該方法的診斷速度會受到影響；文獻[8]提出一種基于貝葉斯網絡的電網故障自動診斷方法，對節點概率進行訓練，從而實現電網故障的自動診斷，但該方法在電網規模較大時無法實現自動建模；文獻[9]提出一種基于人工智能網絡的電網故障自動診斷方法，通過人工智能網絡對電網故障信息進行訓練，根據訓練的結果實現電網故障的自動診斷，但該方法會造成診斷所依據的信息不確定與不完整，導致診斷結果不準確；文獻[10]提出一種基于遺傳算法的電網故障自動診斷方法，依據內斷路器跳閘的分段時序信息識別電網故障，但該方法很難構建合理的電網故障診斷模型，導致診斷結果不準確。

1 電網故障檢測參數的選擇

1.1 電網故障數據的支持度

支持度就是給定模式在給定故障數據庫中出現的頻率。對弱關聯規則故障進行挖掘時，模式不是電網故障屬性的集合，而是和故障屬性對應的弱關聯值的集合，也就是弱關聯模利用式（4）計算得到的電網故障置信度參數為第一置信度，其主要用于對弱關聯規則下的電網故障有效性進行判斷，若某弱關聯規則的故障第一置信度大于其值，則認為該規則是有效的；反之，認為該故障是無效的。利用式（5）計算得到的規則后件的置信度為第二置信度，其主要用于弱關聯規則電網設備的完備性判斷，若某規則的第二置信度大于其值，則認為該設備是完備的；反之，認為該設備是不完備的。

2 電網故障自動診斷實現

本文在第1節故障參數選擇的前提下，構建電網故障診斷結構流程圖，以此為模板建立基于弱關聯挖掘樸素貝葉斯網絡的電網故障自主診斷模型，流程圖見圖1。

圖1 電網故障診斷結構流程圖

模型的詳細構建過程如下：

（1） 假設存在電網故障樣本；

（2） 假設選擇的故障參數都是有效的；

（3） 完成對電網故障類別的判斷；

（4） 取出電網故障數據的置信度，同時將電網故障類別看作是基于弱關聯挖掘的貝葉斯網絡的父節點，將挖掘的弱關聯規則作為子節點，構建基于弱關聯挖掘的貝葉斯網絡模型，如圖2所示。

圖2 電網故障自動診斷模型

采用基于弱關聯挖掘的貝葉斯網絡模型對電網故障進行自動診斷的詳細過程為：

（1） 假設電網故障樣本各個屬性值確定，該電網故障樣本屬于某故障類[Ci]的概率是可以求出的，如果該電網故障樣本屬于某故障類別的上述概率值最大，則該電網故障樣本即屬于該故障類。

因為針對全部電網故障類別而言，故障的數據類型均為常數，所以，僅需使屬于某個故障類型的概率達到最大即可完成判斷。

通過上述過程，對各電網設備的先驗概率及各子設備的條件概率進行計算，則與最大概率相應的[Ck]就是與電網故障樣本相應的故障類別。

3 方法的應用試驗分析

為了驗證本文提出的電網故障自動診斷方法的有效性，需要進行相關的實驗分析。實驗將傳統基于粗糙集的電網故障自動診斷方法作為對比，在Matlab環境下進行仿真。

本文首先將某局部電力系統繼電保護系統作為研究對象，該系統共28個元件、84個保護以及40個斷路器。28個元件依次為[A1，…，A4]，[T1，…，T8]，[B1，…，B8]，[L1，…，L8]。40個斷路器依次為[K1，…，K40]。84個保護中分別為[A1m，…，A4m]，[T1m，…，T8m]，[B1m，…，B8m]，[L1Sm，…，L8Sm]，[L1Rm，…，L8Rm]，[T1p，…，T8p]，[T1s，…，T8s]，[L1Sp，…，L8Sp]，[L1Rp，…，L8Rp]，[L1Ss，…，L8Ss]，[L1Rs，…，L8Rs]。本文將該電力網劃分成4個子網絡，劃分結果見圖3。

圖3 示例電力網

在上述分析的基礎上，采用本文方法對電網故障診斷規則庫進行提取，得到的電網聯合故障診斷規則庫如表1所示，限于篇幅，只給出前10個規則。

表1 電網故障診斷規則庫

依據表1給出的規則庫，分別采用本文方法和粗糙集方法對電網故障進行自動診斷，得到的結果如表2所示。

表2 示例電網故障診斷結果

分析表2可以看出，針對每個樣本，本文方法的診斷結果均優于粗糙集方法。尤其是當出現如第5個樣本的聯絡線故障時，甚至出現如第6和第7個樣本的帶有聯絡線的復雜故障時，本文方法均可有效準確地診斷出故障元件，說明本文方法具有很高的診斷準確性，驗證了本文方法的有效性。

從某省電力公司采集了238條故障記錄，構建含200條記錄的挖掘庫以及含38條記錄的測試庫，在CPU為3.06 GHz，內存為1 GB的Windows XP系統計算機上進行實驗。將這200 條故障記錄擴展至400條和800條故障記錄，測試大樣本狀態下兩種方法的效率，得到的結果如表3所示。

表3 兩種方法效率比較結果

分析表3可以看出，采用本文方法進行電網故障挖掘所需的時間遠遠少于粗糙集方法，在規則覆蓋率相同的情況下，本文方法產生的規則數明顯低于粗糙集方法，因此，電網故障診斷效率很高。

在挖掘庫中添加不良記錄時，對故障診斷中的丟失信息、錯誤信息和冗余信息進行模擬，再采用本文方法和粗糙集方法進行電網故障診斷，得到的結果如表4所示。

表4中的樣本1是對200條正常故障進行診斷的結果，樣本2，樣本3，樣本4是在樣本1的基礎上添加50條不良記錄的診斷結果，分析表4可以看出，粗糙集方法會產生更多的規則，但其并未分析電網自身的特點，很多規則不符合實際，降低診斷效率。不僅如此，本文方法診斷的可信度更高，進一步驗證了本文方法的有效性。

表4 含有不良數據記錄的診斷結果

4 結 論

本文提出一種基于弱關聯挖掘技術的電網故障自動診斷方法，對支持度進行計算，得到頻繁弱關聯模式集，求出頻繁弱關聯模式集的置信度，獲取弱關聯規則。在弱關聯挖掘的基礎上，將電網故障類別看作是基于弱關聯挖掘的貝葉斯網絡的父節點，將挖掘的弱關聯規則作為子節點，構建基于弱關聯挖掘的貝葉斯網絡模型，對各父節點的先驗概率及各子節點的條件概率進行計算，最大概率相應的就是電網故障樣本相應的故障類別。仿真實驗結果表明，采用所提方法對電網故障進行自動診斷，正確性高、容錯性好，實用性強，具有很高的診斷精度。

參考文獻

[1] 張鑫.基于數據挖掘技術的SF_6氣體分析和故障診斷研究[J].電氣開關，2013，51（5）：37?40.

[2] 袁文鐸.基于數據挖掘的故障診斷專家系統推理機設計[J].航空維修與工程，2013（1）：67?69.

[3] 謝曉燕.基于數據挖掘技術的網絡故障診斷分析[J].計算機光盤軟件與應用，2013（15）：125?126.

[4] 薛毓強，李宗輝.基于因果時序網絡的FOA?GRNN電網故障診斷方法[J].電力系統及其自動化學報，2014，26（11）：72?77.

[5] 熊國江，石東源，朱林，等.基于徑向基函數神經網絡的電網模糊元胞故障診斷[J].電力系統自動化，2014，38（5）：59?65.

[6] 胡非，劉志剛，何士玉，等.一種基于模型的配電網故障診斷搜索算法[J].電力自動化設備，2013，33（1）：81?84.

[7] 周麗麗，孫晶，王濤.面向設備故障診斷的數據挖掘技術方法的研究[J].自動化技術與應用，2015，34（2）：18?22.

[8] 陳鐵軍，寧美鳳.電網自愈控制中故障實時監測及診斷研究[J].自動化儀表，2013，34（1）：14?17.

[9] 韓笑，宋麗群，朱冬力.配電網廣域監測及故障定位信息集成方案[J].電力系統自動化，2013，37（2）：97?101.

[10] 黃劍，郭勁松.智能電網調控一體的變電站故障診斷專家系統[J].數字化用戶，2013（28）：33?35.