基于數據挖掘的配電網故障風險預警探討

陳益果，何安宏

（南瑞集團有限公司（國網電力科學研究院有限公司），江蘇 南京 211100）

1 數據挖掘技術與常見算法

數據挖掘算法是大規模數據整合和分析的關鍵工作。為了科學表現大數據的特征，需要將對應這些數據的類型和形式算法進行定式化。這些算法是基于統計的統計方法，只有這樣，挖掘的數據才能夠充分發揮其本來價值。數據挖掘的主體沒有限制，主要是將現有數據通過數據挖掘算法進行預測性分析，進行一些高級別的數據分析，可利用Mahout工具實現，典型算法有SVM、Kmeans等[1]。下文將列舉一些比較常用的數據挖掘方法。

MBR（Memory-BasedReasoning）方式主要的核心是記憶基礎推理法，涵蓋距離函數和結合函數，前者旨在找到最相似案例，后者則將相似案例屬性結合起來，以便預測分析時使用。該方法的優點在于能夠容許各種型態的數據且不需要服從某些假設，具備自學習能力，能夠憑借舊案例的學習獲取關于新案例的知識，但需要大量歷史數據的支撐。處理費時，效率不高，在欺騙行為偵測、預測客戶反應、醫學診療等方面，有較強的應用前景[2]。

ClusterDetection（聚類分析）技術擁有廣泛的應用范圍，涵蓋基因算法、類神經網絡、統計學中的群集分析，主要是找出數據中以前未知的相似群體。

2 數據挖掘技術在各領域中的應用

數據挖掘最重要的作用是為相關決策提供有效支撐。就企業來講，企業的ERP系統應用過程中能夠積累大量的業務數據，這對大數據技術的應用提供了較好的前提條件。所以，在運營過程中構建統一的數據平臺，可實現數據的集成和共享，為機構決策提供技術支撐。該機構基于市場風險、信用風險以及內部控制，建立起風險管理系統，整合現有風險控制形成風控戰略能力，建立起KRI（關鍵風險管理指標）、風險分析、風險組合管理、風險保管等，極大地提升了機構風險管理水平。同時，在統一平臺下實現了業務中心、各部門不同層次的風控要求，滿足了不同的業務需求[3]，為該機構市場、信用以及倉儲三方面的風險控制提供了極大助力，且強大的開放性便于后續的擴展深化。具體而言，即建立風控計量模型，基于歷史數據和數據挖掘算法，針對模型進行調整優化，實現量化監控、預測分析以及自動預警。

本文主要研究數據挖掘技術在配電網故障風險預警工作中的應用，流程如圖1所示。

3 算例分析

3.1 故障關聯因素分析

以某城市配電網運行數據為研究對象，利用從配電網管理系統中采集的數據進行分析，總結歸納得到故障特征，然后經過對故障關聯因素的進一步分析，剔除其中一些不適用的冗余特征，結果如表1所示。

表1 電力故障特征關聯因素

圖1 風險預警流程圖

然后，采用Relief算法計算得到所有特征值的權重大小，最終結果中與饋線故障直接相關的故障特征全部得以保留。這些特征與故障強相關，且各自相互獨立。

3.2 風險預警

故障風險是不斷變化的，因此在對其進行分析時需要考量時變因素。本文選擇2016年5月到2017年4月的數據來作為訓練樣本，2017年6月、7月的數據作為測試數據。其中，訓練樣本用來進行相關模型的獲取和檢驗，測試樣本主要用來進一步優化模型，以便保證模型的預警效果。

風險等級的樣本數量如表2所示。

通過選擇使用基于RBF的SVM方法對樣本風險實施預警和分析，結果如表3所示。

由表3得知，該模型對饋線風險的預警準確率保持在90%以上。因此，從某種程度上講，該模型具有較強的實用性和準確性。

4 結 論

數據挖掘技術在大數據配電網故障風險預警中具有重要的作用。通過數據挖掘技術構建的風險預警模型，能夠準確的預警配電網風險，對保障電力安全具有重要意義。

表2 風險等級樣本的數量

表3 配電網故障風險等級預警結果