基于數(shù)據(jù)挖掘的電力系統(tǒng)故障自動診斷方法研究

勵力帆，虞偉，桑清城

(國網(wǎng)舟山供電公司，浙江 舟山 316000)

0 引言

步入21世紀(jì)后，電力系統(tǒng)設(shè)備狀態(tài)監(jiān)測變成電力管理的核心問題。伴隨電網(wǎng)規(guī)模逐漸變大，電力自檢性能被看作必備功能[1]。自動故障診斷性能具有核心作用，如果電網(wǎng)出現(xiàn)故障，電力調(diào)度中心將獲取海量故障信息。怎樣在大量故障數(shù)據(jù)里高精度獲取故障信息，并實(shí)現(xiàn)電力故障自動診斷，對電力安全有著不可忽視的作用[2]。近年來，中國電力企業(yè)在設(shè)備運(yùn)行狀態(tài)監(jiān)測問題中進(jìn)行大量研究與創(chuàng)新，全面、高精度獲取電力狀態(tài)信息對保護(hù)電力運(yùn)行安全存在直接影響[3]。

數(shù)據(jù)挖掘技術(shù)是近幾年出現(xiàn)的智能技術(shù)，其屬于人工智能和數(shù)據(jù)庫技術(shù)相融的結(jié)晶。通過數(shù)據(jù)挖掘相關(guān)方法可在海量數(shù)據(jù)中獲取潛在的有價(jià)值信息。數(shù)據(jù)挖掘方法目前層出不窮，例如粗糙集方法、模糊集方法、神經(jīng)網(wǎng)絡(luò)方法等，但單一數(shù)據(jù)挖掘方法在診斷電力故障時(shí)，容錯性能未能符合診斷需求，且診斷時(shí)易進(jìn)入局部最優(yōu)，診斷速度較慢[4]。

為了獲得更好的電力系統(tǒng)故障自動診斷結(jié)果，本文將數(shù)據(jù)挖掘中的粗糙集方法(rough sets, RS)與免疫算法(immune algorithm, IA)相結(jié)合，并結(jié)合關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘方法，提出基于數(shù)據(jù)挖掘的故障自動診斷方法，先實(shí)現(xiàn)故障點(diǎn)定位，再針對故障點(diǎn)實(shí)現(xiàn)故障狀態(tài)診斷。

1 數(shù)據(jù)挖掘的電力系統(tǒng)故障自動診斷方法

1.1 基于數(shù)據(jù)挖掘的故障定位方法

基于數(shù)據(jù)挖掘的故障定位方法流程如下：

1)使用電力信息系統(tǒng)有關(guān)知識，建立故障挖掘的數(shù)據(jù)庫[5]；

2)獲取故障特征，設(shè)置和其對應(yīng)的條件屬性與決策屬性；

3)按照第2)步所設(shè)置條件屬性和決策屬性，以RS決策表形式描述故障集合；

4)將決策表里求約簡問題變換為求區(qū)分矩陣最小約簡數(shù)問題，使用IA實(shí)現(xiàn)最優(yōu)屬性約簡；

5)在最優(yōu)屬性約簡集合里獲取所需故障點(diǎn)定位規(guī)則。

最優(yōu)屬性約簡步驟如下所述。

Step1：運(yùn)算電力系統(tǒng)故障特征決策屬性E對條件屬性D的依賴水平SD，并設(shè)置Dore(D)=Φ，分別刪除某個(gè)單重屬性b∈D。如果SD-b≠SD(SD-b代表去除單重屬性b后，故障特征決策屬性E對條件屬性D的依賴水平)，那么Dore(D)=Dore(D)∪b，Dore(D)代表核。如果SDore=SD，那么最優(yōu)屬性約簡值是Dore，反之實(shí)施第2)步。

Step2：建立初始抗體集合并實(shí)施編碼。通過二進(jìn)制編碼方法，將條件屬性D數(shù)目設(shè)成抗體長度，抗體條件屬性是否有效需要根據(jù)基因判斷[6]。約簡過程中留下某條件屬性時(shí)，則抗體基因值必須是1；若基因值是0，則對應(yīng)的條件屬性需要去除。初始化過程中，將核里的條件屬性值設(shè)成1，抗體規(guī)模設(shè)成M，以此獲取初始抗體集合。

Step3：運(yùn)算親和度。抗原和抗體間親和度可以體現(xiàn)可行解是否符合問題要求。親和度較大，則解符合程度越大[7-8]。將適應(yīng)度函數(shù)倒數(shù)設(shè)成親和度函數(shù)，則親和度運(yùn)算方法是：

(1)

式中：條件屬性數(shù)目設(shè)成M；抗體u中“1”的數(shù)目設(shè)成uv；依賴水平與調(diào)整系數(shù)依次設(shè)成R、B。

Step4：運(yùn)算抗體濃度。先運(yùn)算兩個(gè)抗體間親和度：

(2)

式中抗體間結(jié)合水平表示同一方位基因編碼值存在差異的數(shù)目，此值設(shè)成eiffervw。

那么抗體u在種群中濃度是：

(3)

(4)

Step5：抗體控制與優(yōu)化。為了提升抗體的多樣化，需要優(yōu)化親和度較高的抗體濃度。但是，抗體濃度超標(biāo)，親和作用可能被抑制，需要掌握抗體控制與優(yōu)化的程度[9]。

Step6：更新記憶庫。把每個(gè)抗體群里親和度高、濃度小的z個(gè)抗體保存在記憶庫里，并持續(xù)更新[10]。

Step7：下一代父代抗體群(后續(xù)故障點(diǎn))主要通過選擇、交叉與變異形式獲取。

Step8：符合停止條件便停止，輸出故障點(diǎn)定位結(jié)果；反之回到Step3步再次循環(huán)操作。

綜上所述，根據(jù)最優(yōu)屬性約簡值能夠獲取決策規(guī)則，可把故障和決策規(guī)則相融，快速定位電力故障點(diǎn)[11-12]。

1.2 基于數(shù)據(jù)挖掘的故障自動診斷方法

將1.1小節(jié)定位的故障點(diǎn)故障信息設(shè)成A=(A1,A2,…,An)，故障區(qū)域是W=(W1,W2,…,WM)，故障診斷關(guān)聯(lián)規(guī)則為I?J，當(dāng)中I、J依次代表A、W的故障模式。

基于關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘電網(wǎng)故障診斷方法的診斷流程圖見圖1。首先將電力故障點(diǎn)信息作為基于關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘的故障自動診斷方法的輸入，按照故障點(diǎn)信息構(gòu)建故障狀態(tài)決策表，在此表中設(shè)置故障狀態(tài)關(guān)聯(lián)頻繁項(xiàng)，分析故障狀態(tài)關(guān)聯(lián)頻繁項(xiàng)的關(guān)聯(lián)規(guī)則，此規(guī)則需要按照電力故障點(diǎn)實(shí)際狀況實(shí)施設(shè)置，若規(guī)則符合實(shí)際需求，便通過規(guī)則內(nèi)容實(shí)現(xiàn)故障狀態(tài)診斷。

圖1 故障自動診斷流程

電力系統(tǒng)里電力數(shù)據(jù)存在巨量性，為了詳細(xì)描述圖1中的診斷過程，圖2電力系統(tǒng)為例進(jìn)行詳述。如圖2所示，此電力系統(tǒng)存在3個(gè)線路，3個(gè)線路均存在過流保護(hù)裝置DP1、DP2、DP3。在線路1中設(shè)置距離保護(hù)裝置SS1，用來實(shí)現(xiàn)線路2與線路3的后備保護(hù)。DC1、DC2、DC3為斷路器。將故障診斷時(shí)的條件屬性值依次設(shè)成1和0，若故障診斷時(shí)的條件屬性值是1，則斷路器從閉合變成斷開或保護(hù)狀態(tài)，若屬性值是0，則斷路器沒有出現(xiàn)變位。

圖2 電力系統(tǒng)結(jié)構(gòu)

將故障信息設(shè)成斷路器動作信息，將決策屬性設(shè)成故障點(diǎn)中的故障狀態(tài)。將故障點(diǎn)設(shè)定6種故障診斷的關(guān)聯(lián)規(guī)則。

規(guī)則1：若故障點(diǎn)出現(xiàn)在線路1，運(yùn)行過流保護(hù)裝置DP1，跳開斷路器DC1，此線路短路；

規(guī)則2：若故障點(diǎn)出現(xiàn)在線路2，運(yùn)行過流保護(hù)裝置DP2，跳開斷路器DC2，此線路短路；

規(guī)則3：若故障點(diǎn)出現(xiàn)在線路3，運(yùn)行過流保護(hù)裝置DP3，跳開斷路器DC3，此線路短路；

規(guī)則4：若故障點(diǎn)出現(xiàn)在線路2，運(yùn)行過流保護(hù)裝置CP2，而DP3斷路器沒有開啟，后備距離保護(hù)SS1運(yùn)行，跳開斷路器DC1，線路2短路；

規(guī)則5：若故障點(diǎn)出現(xiàn)在線路3，運(yùn)行過流保護(hù)裝置CP3，而斷路器DP3未開啟，后備距離保護(hù)SS1運(yùn)行，跳開斷路器DC1，線路3短路；

規(guī)則6：若故障點(diǎn)先出現(xiàn)在線路2，再出現(xiàn)線路3，過流保護(hù)失效，后備保護(hù)SS1開啟，跳開斷路器DC1，則雙線短路。

2 診斷性能分析

假定圖2中存在8個(gè)故障點(diǎn)，詳情見圖3。

圖3 需診斷的電力故障點(diǎn)示意圖

采用本文方法對圖3中8個(gè)故障點(diǎn)的故障狀況進(jìn)行診斷。診斷時(shí)，使用本文方法獲取的最優(yōu)條件屬性約簡集合見表1。

表1 最優(yōu)條件屬性約簡集合

分析本文方法對8個(gè)故障點(diǎn)故障狀態(tài)的誤診率與漏診率，結(jié)果見表2。分析表2可知，本文方法對該大型配電網(wǎng)輸電線路中8個(gè)故障點(diǎn)的誤診率與漏診率極小，符合診斷需求。

表2 本文方法誤診率與漏診率

為了測試本文方法對電力故障的診斷性能，設(shè)定某大型配電網(wǎng)電力系統(tǒng)故障類型依次是單線短路、雙線短路、保護(hù)或斷路器失效、單相接地、開路。測試本文方法、基于故障錄波信息的電網(wǎng)故障診斷方法、基于灰色關(guān)聯(lián)度的電網(wǎng)故障診斷方法對5種故障的定位精度，結(jié)果見圖4。分析圖4可知，本文方法對5種電力故障的定位精度高于對比方法，且故障定位精度值高達(dá)99.56%。

圖4 3種方法故障定位精度對比結(jié)果

測試3種方法對5種電力故障的診斷耗時(shí)，結(jié)果見表3。分析表3中數(shù)據(jù)可知，本文方法診斷5種電力故障的平均耗時(shí)少于兩種對比方法且診斷耗時(shí)最短，診斷效率最高。

表3 3種方法故障診斷耗時(shí)對比結(jié)果 單位：s

在MATLAB仿真環(huán)境中，測試本文方法在實(shí)施電力系統(tǒng)故障自動診斷時(shí)其生命周期變動情況。設(shè)定該電力系統(tǒng)存在200個(gè)故障點(diǎn)，把各個(gè)故障點(diǎn)看成一個(gè)節(jié)點(diǎn)，分別采用本文方法、基于故障錄波信息的電網(wǎng)故障診斷方法、基于灰色關(guān)聯(lián)度的電網(wǎng)故障診斷方法對200個(gè)故障點(diǎn)進(jìn)行故障診斷時(shí)對電力系統(tǒng)生命周期的影響，結(jié)果見圖5。分析圖5可知，本文方法實(shí)施電力系統(tǒng)故障診斷后，電力系統(tǒng)中死亡節(jié)點(diǎn)數(shù)最大值為9個(gè)，而其他的對比方法應(yīng)用后，電力系統(tǒng)死亡節(jié)點(diǎn)數(shù)最大值均高于40個(gè)，和本文方法相比，差異顯著。由此可知，本文方法的使用對電力系統(tǒng)生命周期不存在較大損耗，不會干擾電力系統(tǒng)的使用壽命。

圖5 生命周期變動狀況

為了測試本文方法在診斷電力故障時(shí)的抗干擾性，在電力系統(tǒng)數(shù)據(jù)中引入噪聲數(shù)據(jù)，測試3種方法在噪聲數(shù)據(jù)干擾下，診斷電力短路故障時(shí)的魯棒性，結(jié)果見表4。表4數(shù)據(jù)顯示，在電力系統(tǒng)數(shù)據(jù)中引入噪聲數(shù)據(jù)后，伴隨噪聲數(shù)據(jù)數(shù)目的增多，本文方法的魯棒性并未受到不良影響，魯棒性始終>0.980 0。另外兩種方法的魯棒性雖然也未出現(xiàn)較大變動，但低于本文方法。

表4 3種方法魯棒性測試結(jié)果

3 結(jié)語

本文提出一種基于數(shù)據(jù)挖掘的電力系統(tǒng)故障自動診斷方法，并在實(shí)驗(yàn)中驗(yàn)證其有效性，經(jīng)驗(yàn)證結(jié)論如下：

1)本文方法對某大型配電網(wǎng)輸電線路中8個(gè)故障點(diǎn)的誤診率與漏診率極小；

2)本文方法對5種電力故障的定位精度高于對比方法，故障定位精度值高達(dá)99.56%；

3)本文方法診斷5種電力故障的平均耗時(shí)僅有1.18s；

4)本文方法的使用對電力系統(tǒng)生命周期不存在較大損耗，不會干擾其使用壽命；

5)在電力系統(tǒng)數(shù)據(jù)中引入噪聲數(shù)據(jù)后，本文方法的魯棒性并未受到不良影響。

綜上所述，本文方法對電力系統(tǒng)故障診斷問題有使用價(jià)值。