電網二次設備消缺處理中的自學習方法

張保平，曾軍，劉景立，馬宜軍，曹磊，叢雷，楊劍，趙子根，黎強

1.國網河北省電力有限公司保定供電分公司，河北保定071000

2.國網河北省電力有限公司檢修分公司，河北石家莊050070

3.長園深瑞繼保自動化有限公司，廣東深圳518057

隨著科學技術的的發展，電力系統結構愈發復雜，規模愈發龐大，在日常維護過程中，難免出現缺陷和問題。供電企業對電力設備進行缺陷處理，能夠有效提高電力系統的安全、穩定運行[1-4]。

針對電力系統維護過程中遇到的問題，國內外學者進行了大量的研究工作。吳丹等[5]采用三角模糊和層次分析相結合的方法，解決了多種不確定因素影響電力負荷預測的問題，能夠有效地提高電力負荷的預測精度。王文琦[6]針對傳統的人工方式消缺效率低的問題，提出將層次分析法(AHP)應用在智能缺陷識別系統中，提高了消缺效率，驗證了方法的可行性。劉大偉等[7]將云策略和微軟媒體服務器協議(Microsoft media server protocol，MMS)相結合，設計自動測試系統，降低了成本，提高了調試效率。Luis Hernández-Callejo[8]利用決策支持模型對電力設備進行檢修和維護，提高了電網運行的效率。

目前，層次分析法被廣泛應用在缺陷處理中。但是針對電力系統結構復雜、數據量大的問題，層次分析法也受到局限。本文將差分模型[9]和k 最鄰近(k-nearest neighbor, kNN)[10-12]算法應用到層次分析方法中，結合專家庫[13-14]進行自學習，推理出缺陷處理[15-18]的方案，提高了缺陷處理的準確性。

1 消缺處理中的自學習方法

1.1 kNN 文本分類算法

kNN是一種常用的分類算法，其核心內容為：文本信息以加權特征向量的方式作為測試文本，計算與各個訓練文本的相似度，找到k個最相似的文本，根據加權距離的計算結果得到該文本所在的分類。具體步驟如下：

1)將測試文本轉化成測試文本向量；

2)計算測試文本和各個訓練文本的相似度，根據距離的大小順序從小到大進行排序，找到距離最小的k個文本；

3)確定k個文本所在類的權重；

4)返回k個文本權重最大的類即為預測分類。

1.2 層次分析法

層次分析法是一種能夠將復雜的決策信息按照一定的準則逐級分層，并進行定性和定量分析的決策方法。該方法無需大量的信息，即可有效地進行決策，在決策方面得到大量應用。分層模型如圖1所示。

圖1 分層模型

從圖1可以看出，測試文本所在類別有A和B兩類。當測試文本屬于A類時，那么排除B類的影響，從第2層的A1、A2、A3中尋找；進一步測試文本為A1時，則排除A2和A3的影響，最后在第3層的A11和A12類中，找到測試文本所屬的類別。傳統方法需要逐一比較，耗費了大量的計算時間，而本文方法有效地提高計算效率。

1.3 差分模型

假設有A、B、C3個已知類別，測試文本m 到3個類別的距離分別為a、b、c，當a=max{a,b,c}，b=max{b,c}，根據kNN 方法，測試文本m 則屬于a類；根據分層思想，測試文本m 再到a的子類中尋找，最后再按照kNN 方法進行判斷，得到所屬類別；當采用差分模型的方法時，當且僅當|a|-|b|＞n時，才能將測試文本m 判別到a類中，否則在a和b的子類中再進行kNN算法，得到測試文本m 最后的類別。

1.4 差分層次kNN算法

本文將kNN 算法、層次分析法以及差分模型結合起來，得到差分層次kNN 算法。改進后的算法能夠綜合各個算法的優點，并且能降低各個算法的缺點對缺陷處理的影響，算法的優勢從以下幾個方面進行闡述：

1)利用層次分析法構建層次結構。層次分析法無需大量的數據即可完成決策，解決了kNN 算法因在計算過程中需要對所有文本進行計算的問題，降低了計算量，提高了計算效率。

2)差分比較。由于電力系統結構復雜，在缺陷處理方面存在類別交叉的問題，該算法能夠避免經過權重比較后，直接判斷測試文本所屬類別的問題，能夠正確判別最近鄰和次近鄰，提高了缺陷處理的可靠性。

3)自動添加新類別。由于電力系統數據信息較為復雜，信息量較為龐大，針對缺陷處置過程中無法給出具體的消缺方法，在算法結束的位置自動添加新類別。

2 差分層次kNN 算法計算過程

2.1 算法流程

差分層次kNN 算法的基本過程為：首先，文本信息以加權特征向量的方式作為測試文本；然后，利用層次分析法構建層次結構，計算每層測試文本與各個訓練文本的相似度；接著，找到k個最相似的文本；最后，根據加權距離的計算結果進行差分比較，得到該文本所在的分類，算法過程結束。具體流程如下：

1)將測試文本轉化成測試文本向量；

2)利用層次分析法，將訓練文本集合進行分層，形成n層層次結構；

3)計算測試文本和1～n層各個訓練文本的相似度，通過相似度計算公式計算相似度，第1層的計算方法如下

4)對第n層進行權重的差分比較后，如果比較的結果不唯一，還存在個別干擾性，則在第n層自動添加新類別；如果比較的結果唯一，則權重最大的類即為預測分類。

2.2 時間復雜度計算

3 應用實例

為了進一步驗證本文方法在檢修[21-24]輔助決策系統的實用性和有效性，本文以某省電力公司的檢修輔助決策系統為研究對象，將差分層次kNN算法應用到該系統中，通過系統的處理結果驗證本文方法的實用價值。

3.1 專家系統簡介

在對缺陷數據進行處理和優化的基礎上，構成能顯示缺陷數據并且提供相應的缺陷處理方法的系統。該系統主要是知識工程師和領域專家通過獲取器形成知識庫，同時采用數據挖掘將信息存儲到數據庫中，用于匹配知識庫中的條件，數據庫內信息通過推理機到解釋器，從而反饋到人機界面中。專家系統結構如圖2所示。

圖2 專家系統結構

系統具備常規的用戶登錄功能，管理員、執行員屬于高級用戶，administrator 屬于一般用戶。高級用戶權限較多，可對數據進行增、刪、改、查等操作；一般用戶只能進行基本操作。

3.2 差分層次kNN算法應用

根據差分層次kNN 算法的缺陷處理模型，將每次分類的結果自動生成到知識庫中，原有的知識庫模板得到有效擴充，形成更新、更全面的知識庫。自學習使通過差分層次kNN 方法得到的分類結果自動擴充到知識庫這一過程得以體現。

在檢修輔助決策系統的專家庫基礎上，根據缺陷信息，提供詳細分析結果和處理方法，提高了缺陷處理的準確性和智能性。

4 實驗及結果分析

實驗1將缺陷信息形成數據集，分成6組進行測試，實驗對比模型采用傳統的動態時間歸整(dynamic time warping，DTW)算法、最小方差匹配(minimal variance matching,MVM)算法和層次分析算法，通過對準確率進行對比，驗證本文方法的有效性。其中，準確率為分類的正確文本數與實際分類文本數的比值。實驗結果如表1所示。

表1 準確率對比結果

從表1的6組實驗結果可以看出，DTW 算法的準確率在0.65～0.72，MVM算法的準確率在0.64～0.77，AHP算法的準確率在0.64～0.66，而本文提出的差分層次kNN算法的準確率在0.76～0.93，并且每組實驗中，本文提出的方法的準確率都比DTW、MVM和AHP 算法的準確率有顯著提高，證明本文方法能夠有效提高缺陷處理的準確性。

實驗2將數據集分成3組，采用本文提出的方法和kNN方法進行對比，計算分類所用時間，實驗結果如表2所示。

表2 分類時間對比結果s

從表2可以看出，第1 組實驗中，本文提出的查分層次kNN算法所用時間縮短了990 s；第2組實驗中，本文提出算法所用時間縮短了1 230 s，接近kNN 算法時間的一半；第3組實驗中，本文所提算法所用時間縮短了822 s。可以看出本文算法所用時間明顯縮短，能夠快速對缺陷進行分類。

以220 kV 母聯智能終端與220 kV 主變保護裝置支架goose斷鏈為例，系統給出相應的定位、建議以及影響范圍，驗證了方法的可行性。該系統缺陷處理的結果如圖3所示。

圖3 缺陷處理結果

5 結論

為了解決電力系統結構復雜、數據量過多問題，本文提出一種基于差分層次kNN算法。為了驗證本文算法的有效性，開展準確率實驗和分類所需時間實驗，得到以下結論：

1)與層次分析算法相比，本文方法避免了缺陷處理中不能為決策提供新方案和權重難以確定等問題；通過與DTW 算法、MVM 算法和AHP算法的準確率進行對比，本文方法能夠有效提高缺陷處理的準確性。

2)與kNN 方法進行對比，本文方法能夠有效縮短分類所需時間，降低了時間復雜度，提高了缺陷處理的效率。