改進(jìn)DARMmcr模型的輸電線路安全運(yùn)行數(shù)據(jù)比較分析

王慧 孫國(guó)法 付龍海

摘要：針對(duì)現(xiàn)有故障預(yù)測(cè)模型無(wú)法兼顧不同類型數(shù)據(jù)的特性，預(yù)測(cè)精度和效率較低等問(wèn)題，提出了一種將計(jì)及罕見(jiàn)變量的動(dòng)態(tài)關(guān)聯(lián)規(guī)則挖掘模型和模糊推理系統(tǒng)相結(jié)合用于輸電線路故障預(yù)測(cè)。使用外部環(huán)境數(shù)據(jù)（連續(xù)和離散特征）用作輸入數(shù)據(jù)，連續(xù)特征由集成模型處理，離散特征由計(jì)及罕見(jiàn)變量的動(dòng)態(tài)關(guān)聯(lián)規(guī)則挖掘模型處理。通過(guò)算例對(duì)預(yù)測(cè)方法的性能進(jìn)行比較分析，驗(yàn)證了該方法的優(yōu)越性。結(jié)果表明，與傳統(tǒng)的預(yù)測(cè)方法相比，該預(yù)測(cè)模型考慮了不同類型輸入數(shù)據(jù)的特征，可以進(jìn)一步提高預(yù)測(cè)效果，有一定的參考價(jià)值。

關(guān)鍵詞：輸電線路；故障預(yù)測(cè)；環(huán)境數(shù)據(jù)；動(dòng)態(tài)關(guān)聯(lián)；推理系統(tǒng)

中圖分類號(hào)：TM711.2文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2023）05-0183-05

Comparativeanalysisof transmissionlinesafetyoperationdatabasedonimprovedDARMmcrmodel

WANG Hui1，SUN Guofa2，F(xiàn)U Longhai1

（1. Yantai Vocational College，Yantai 264000，Shandong，China；

2. Qingdao University of Technology Qingdao 266000，Shandong，China）

Abstract： Aiming at the problems that the existing fault prediction models cannot take into account the characteris? tics of different types of data and low prediction accuracy and efficiency，a dynamic association rule mining model considering rare variables and fuzzy reasoning system were proposed for transmission line fault prediction. External environment data（continuous and discrete features）were used as input data，with the continuous features pro? cessed by the integrated model，and the discrete features processed by the dynamic association rule mining model considering rare variables. The performance of the prediction method was compared and analyzed through an exam? ple to verify the superiority of the method. The results showed that compared with the traditional prediction meth? ods，the prediction model considered the characteristics of different types of input data，which could further im? prove the prediction effect and has a certain reference value.

Keywords： transmission line；fault prediction model；external library data；dynamic association rule；fuzzy infer? ence system

近年來(lái)，電網(wǎng)結(jié)構(gòu)不斷優(yōu)化，輸電能力和供電水平不斷提高[1]。然而，輸電線路長(zhǎng)期暴露于大氣環(huán)境，易發(fā)生導(dǎo)線外部材料老化進(jìn)而導(dǎo)致粘連等情況，且部分線路由于材料質(zhì)量較差，無(wú)法有效承受較大荷載電力，導(dǎo)致輸電線路極易破損。其可靠運(yùn)行與氣象環(huán)境密切相關(guān)，如何有效防治輸電線路故障，仍是當(dāng)前研究的重點(diǎn)[2]。利用先進(jìn)的智能技術(shù)預(yù)測(cè)輸電線路故障，進(jìn)行差異化運(yùn)行維護(hù)，降低輸電線路故障發(fā)生的可能性，提高供電可靠性。因此，對(duì)輸電線路故障預(yù)測(cè)方法進(jìn)行研究具有重要的實(shí)際意義。

國(guó)內(nèi)外學(xué)者從多方面對(duì)輸電線路故障預(yù)測(cè)方法提出了一些可能的解決方案，取得了一些優(yōu)異的成果。提出一種結(jié)合樸素貝葉斯算法和時(shí)間序列相似性匹配相構(gòu)建輸電線路故障預(yù)警模型。與傳統(tǒng)預(yù)測(cè)模型相比，該模型能更好地挖掘故障因子，預(yù)測(cè)結(jié)果更準(zhǔn)確[3]。提出了一種將BP 神經(jīng)網(wǎng)絡(luò)與改進(jìn)的粒子群優(yōu)化（PSO）算法相結(jié)合的輸電線路雷電故障預(yù)測(cè)方法。該方法預(yù)測(cè)雷擊的準(zhǔn)確性在80%以上，有一定的參考價(jià)值[4]。將改進(jìn)自組織映射聚類算法用于電力系統(tǒng)連鎖故障預(yù)測(cè)模型。該方法能在更短的時(shí)間內(nèi)預(yù)測(cè)故障線路，覆蓋率達(dá)97%。這不僅有效地縮短了預(yù)測(cè)時(shí)間，而且擴(kuò)大了預(yù)測(cè)范圍[5]。將最小二乘支持向量機(jī)算法、模糊評(píng)價(jià)和粒子群優(yōu)化算法相結(jié)合用于輸電線路故障率預(yù)測(cè)。該方法可以顯著提高預(yù)測(cè)精度，更適合于輸電線路故障率的預(yù)測(cè)[6]。

基于此，提出了一種將計(jì)及罕見(jiàn)變量的動(dòng)態(tài)關(guān)聯(lián)規(guī)則挖掘（DARMmcr）模型和模糊推理系統(tǒng)（FIs）相結(jié)合用于輸電線路故障預(yù)測(cè)。使用外部環(huán)境數(shù)據(jù)（連續(xù)和離散特征）用作輸入數(shù)據(jù)，連續(xù)特征由集成模型處理，離散特征由DARMmcr模型處理。通過(guò)算例對(duì)該預(yù)測(cè)方法進(jìn)行驗(yàn)證。研究結(jié)果可為線路故障預(yù)測(cè)提供參考依據(jù)，且可為線路老化、導(dǎo)線粘接等情況提供參考。

1 模型構(gòu)建

1.1 模糊推理系統(tǒng)

模糊系統(tǒng)是在模糊集合上定義輸入、輸出和狀態(tài)變量，模糊系統(tǒng)模擬人的綜合推理，它能較好地解決非線性問(wèn)題，在自動(dòng)控制、模式識(shí)別、決策分析等領(lǐng)域應(yīng)用廣泛[10-12]。

模糊推理是指基于模糊邏輯的映射，它有2種類型：Mamdani 和Sugeno[13]。但它們之間的區(qū)別主要在于輸出決策方法。更常用的 Mamdani 型模糊推理系統(tǒng)輸出隸屬度函數(shù)是模糊集，而Sugeno型為線性或常數(shù)。本文采用 Mamdani 型模糊推理系統(tǒng)分析概率模糊風(fēng)險(xiǎn)。

典型的模糊推理系統(tǒng)結(jié)構(gòu)如圖1所示。主要由3部分組成，模糊化、模糊運(yùn)算、去模糊化。

1.2 計(jì)及罕見(jiàn)變量的關(guān)聯(lián)規(guī)則挖掘模型

鑒于研究主要針對(duì)長(zhǎng)期預(yù)測(cè)，由于數(shù)據(jù)量較小，執(zhí)行時(shí)間相對(duì)可控[14]。因此，文中主要目標(biāo)不是減少算法的執(zhí)行時(shí)間，因此關(guān)聯(lián)規(guī)則挖掘算法采用 FP-growth算法。

FP-growth 算法基于AprilI原理。它通過(guò)在 FP （Frequent Pattern）樹(shù)中存儲(chǔ)數(shù)據(jù)來(lái)檢測(cè)頻繁項(xiàng)集，但不能檢測(cè)數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則。FP-growth 算法只需要掃描數(shù)據(jù)庫(kù)2次，而AprilI算法需要為每個(gè)潛在的頻繁項(xiàng)集掃描數(shù)據(jù)集一次，F(xiàn)P-growth 算法計(jì)算速度大大提高[15]。FP-growth算法流程如圖2所示。

FP-growth 算法使用相同和固定重要性的診斷標(biāo)準(zhǔn)評(píng)分計(jì)算方法和閾值設(shè)置方法，罕見(jiàn)變量被丟棄，但實(shí)際故障與丟棄變量有一定的關(guān)聯(lián)性。

評(píng)價(jià)指標(biāo)如下，輸入環(huán)境元素集合 I {v1. v2. v3.…}，故障記錄為 D {t1. t2.…. tm}。

支持度為輸入數(shù)據(jù)庫(kù)中含有 X 的記錄占總數(shù)的比例，如式（1）所示[16]。

式中：D 為輸入數(shù)據(jù)庫(kù)；X 為輸入元素集合的子集。置信度為同時(shí)含有 X 和 Y 的記錄數(shù)量占 X 的百分比，如式（2）所示。

式中：Y 為目標(biāo)變量。

提升度為 X 和 Y 共同出現(xiàn)的頻率大于預(yù)期，如式（3）所示。

信服度為 X 出現(xiàn)與 Y 未出現(xiàn)2個(gè)概率的乘積與同時(shí)滿足概率的比值，如式（4）所示。

杠桿度為并非完全獨(dú)立的期望下與無(wú)此期望下 X 和Y 同時(shí)出現(xiàn)在 D 中的概率的差值，如式（5）所示。

因此，基于上述診斷標(biāo)準(zhǔn)，提出了相應(yīng)條件形式分?jǐn)?shù)計(jì)算方法，進(jìn)一步挖掘HILP元素。如果關(guān)聯(lián)規(guī)則Xg +Xr喻 Y 包含特定環(huán)境特征 fj 中的罕見(jiàn)環(huán)境元素，得分計(jì)算方法如式（6）所示[17]。

式中：Rg為數(shù)值區(qū)間，[2，（n +1）]；i =2，3， … ， （ m +1）為 Dy 的一行；Xg、Xr分別為常見(jiàn)和罕見(jiàn)變量集。

1.3 計(jì)及罕見(jiàn)變量的動(dòng)態(tài)關(guān)聯(lián)規(guī)則挖掘

在前面模型基礎(chǔ)上，結(jié)合環(huán)境風(fēng)險(xiǎn)指數(shù)（ERI）和時(shí)間風(fēng)險(xiǎn)指數(shù)（TRI），建立雙重風(fēng)險(xiǎn)指數(shù)TFRI的計(jì)算模型[18]：

式中：mE、mT為相應(yīng)權(quán)重，文中采用mE = mT =1；θhS為一個(gè)季度的TRI 數(shù)值；θej. k為單個(gè)元素ej.k的ERI 數(shù)值。

預(yù)測(cè)模型的應(yīng)用將影響ERI 和TRI，因?yàn)樵诓煌臅r(shí)間段，由于不同的故障，持續(xù)時(shí)間會(huì)發(fā)生變化[19]。

Dy eD ={D1.D2.D3.….Dy .….Dz}為輸入數(shù)據(jù)庫(kù) D 中任一年份的數(shù)據(jù)，基于此設(shè)置，TFRI 模型的參數(shù)每年自適應(yīng)動(dòng)態(tài)調(diào)整1次；圖3為DARMret模型的預(yù)測(cè)流程。

2 算例結(jié)果與分析

2.1 算例參數(shù)設(shè)置

為了驗(yàn)證方法的性能，將通過(guò)算例分析該方法在各種場(chǎng)景下的性能。設(shè)備為聯(lián)想PC。文中的輸入數(shù)據(jù)來(lái)自某省高壓輸電系統(tǒng)，能夠提供足夠的故障樣本，滿足研究預(yù)測(cè)方法的需要。分析采用2016年至2021年系統(tǒng)110 kV及以上線路的故障，氣象數(shù)據(jù)由中國(guó)氣象局提供，數(shù)據(jù)每1 h更新1次。采用9個(gè)環(huán)境特征和9個(gè)氣象特征進(jìn)行預(yù)測(cè)，表1所示為氣象特征和包含的元素。

2.2 算例分析

2.2.1 專家權(quán)重優(yōu)化分析

為了減少預(yù)測(cè)過(guò)程中的誤差，共測(cè)試了9組。FIs 和DARMmcr預(yù)測(cè)模型各專家權(quán)重比分別為9/1、8/2、7/3、6/4、5/5、4/6、3/7、2/8和1/9，優(yōu)化專家權(quán)重的過(guò)程使用AUROC 作為實(shí)際預(yù)測(cè)效果的度量標(biāo)準(zhǔn)；不同權(quán)重的誤差變化如圖4所示。

從圖4可以看出，在所有3種故障處理結(jié)果的預(yù)測(cè)中，采用9/1專家權(quán)重時(shí)，誤差降低幅度均為最大。然而，誤差值本身的數(shù)值結(jié)果表明，當(dāng)分別使用8/2、5/5和9/1的專家權(quán)重時(shí)，預(yù)測(cè)結(jié)果誤差最小。綜合考慮，本文采用9/1、7/3和9/1的專家權(quán)重，后續(xù)可以進(jìn)一步測(cè)試找到最優(yōu)權(quán)重。

2.2.2 預(yù)測(cè)結(jié)果分析

根據(jù)不同的預(yù)測(cè)對(duì)象，根據(jù)3類故障的結(jié)果，將這些故障記錄分為3組進(jìn)行驗(yàn)證。在算例中，首先，對(duì)于表1中的離散特征，通過(guò)診斷標(biāo)準(zhǔn)計(jì)算方法挖掘每個(gè)環(huán)境特征的罕見(jiàn)環(huán)境元素。初始閾值分別設(shè)置為 min supp 0.2、minconv01.1、minlift00.6、 minconv01.1、minleve00.1。離散特征通過(guò)DARMmcr模型進(jìn)行分析，罕見(jiàn)元素如表2所示。

通過(guò)一個(gè)實(shí)例將本文所提預(yù)測(cè)模型與DARMmcr預(yù)測(cè)模型和FIs 的預(yù)測(cè)結(jié)果進(jìn)行了比較；不同模型預(yù)測(cè)結(jié)果的比較如表3所示。

首先，在算例中基于ROC 曲線比較了本文模型、DARMmcr模型和FIs 模型的預(yù)測(cè)結(jié)果，比較結(jié)果如圖5所示。

結(jié)合圖5和表3的預(yù)測(cè)結(jié)果可以看出，與FIs 和DARMmcr預(yù)測(cè)模型相比，提出的模型在AUROC 的得分最高，AUROC 得分平均增加了6.9%、9.9%。模型的預(yù)測(cè)結(jié)果MaxKS距離最大，與FIs 和DARMmcr預(yù)測(cè)模型相比，分別提高了18.5%和19.9%。說(shuō)明所提預(yù)測(cè)模型在3類故障預(yù)測(cè)中取得了良好的預(yù)測(cè)效果。

2.2.3模型對(duì)比

將提出的模型與文獻(xiàn)[20]的預(yù)測(cè)模型進(jìn)行對(duì)比分析。提出的模型與文獻(xiàn)[20]模型的預(yù)測(cè)結(jié)果比較，具體如表4所示。

由表4可知，所提處的預(yù)測(cè)模型在雷擊、動(dòng)物、數(shù)目、違法施工、設(shè)備故障方面的預(yù)測(cè)準(zhǔn)確率都優(yōu)于文獻(xiàn)[20]的預(yù)測(cè)模型。文獻(xiàn)[20]模型相較于正常ARM 模型有一定的提升，這是因?yàn)樘岢龅念A(yù)測(cè)模型能夠利用幾乎所有環(huán)境特征，提高了模型的適應(yīng)性和全面性。

3 結(jié)語(yǔ)

針對(duì)現(xiàn)有故障預(yù)測(cè)模型無(wú)法兼顧各類數(shù)據(jù)的特征，預(yù)測(cè)精度和效率不高的問(wèn)題，提出了將DARMmcr模型和FIs 相結(jié)合用于構(gòu)建輸電線路故障預(yù)測(cè)模型，外部環(huán)境數(shù)據(jù)（連續(xù)和離散特征）用作輸入數(shù)據(jù)，連續(xù)特征采用文中集成模型處理，離散特征采用DARMmcr模型處理。預(yù)測(cè)3種故障處理結(jié)果，在綜合考慮誤差值和誤差降低幅度時(shí)，專家權(quán)重比9/1、7/3和9/1被用作處理結(jié)果預(yù)測(cè)為“成功”、“合格”和“失敗”的權(quán)重比。該研究具有一定的實(shí)用價(jià)值。與傳統(tǒng)的預(yù)測(cè)方法相比，文中的方法具有一定的實(shí)用性。

【參考文獻(xiàn)】

[1] 何昕雷.基于模糊 PID 算法的自動(dòng)控制研究[J].粘接，2022，49（3）：177-181.

[2] 謝樺，亞夏爾·吐?tīng)柡椋愱唬?基于支持向量機(jī)算法的配電線路時(shí)變狀態(tài)預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化，2020，44（18）：74-80.

[3] 鄭茂然，余江，陳宏山，等.基于大數(shù)據(jù)的輸電線路故障預(yù)警模型設(shè)計(jì)[J].南方電網(wǎng)技術(shù)，2017，11（4）：30-37.

[4] 吳琛，蘇明昕，謝云云，等.基于BP 神經(jīng)網(wǎng)絡(luò)的輸電線路雷擊故障預(yù)測(cè)[J].電力工程技術(shù)，2020，39（5）：133-139.

[5] 宋玉琴，趙攀，周琪瑋.基于改進(jìn)自組織映射聚類算法的連鎖故障預(yù)測(cè)模型[J].科學(xué)技術(shù)與工程，2021，21（3）：1037-1044.

[6] 方權(quán)，劉闖，宋敏，等.模糊評(píng)價(jià)與PSO 優(yōu)化的LSSVM 架空輸電線路故障率預(yù)測(cè)[J].水電能源科學(xué)，2021，39（1）：171-175.

[7] 余夢(mèng)天，熊煒.計(jì)及沖擊風(fēng)險(xiǎn)及分布熵的電網(wǎng)連鎖故障預(yù)測(cè)[J].電力科學(xué)與工程，2019，35（5）：19-25.

[8] 費(fèi)春國(guó)，霍洪雙.基于電流振幅與SVM的輸電線路故障分類[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2019，31（4）：139-144.

[9] 鄒豪，曾祥君，喻錕，等.基于零序電壓調(diào)控的故障選線選相新方法[J].電力系統(tǒng)保護(hù)與控制，2020，48（15）：69-76.

[10] 常安，宋云海，張晗，等.考慮參量有效性的輸電線路狀態(tài)評(píng)估方法研究及應(yīng)用[J].高壓電工，2017，53（6）：72-78.

[11] 尹桂來(lái)，李侶，陳田，等.吸能超雙疏防覆冰涂層對(duì)輸電線路防覆冰影響研究[J].粘接，2022，49（4）：37-40.

[12] 童曉陽(yáng)，余森林.基于隨機(jī)矩陣譜分析的輸電線路系統(tǒng)故障檢測(cè)算法[J].電力系統(tǒng)自動(dòng)化，2019，43（10）：101-115.

[13] 易俊，卜廣全，郭強(qiáng)，等.巴西“3·21”大停電事故分析及對(duì)中國(guó)電網(wǎng)的啟示[J].電力系統(tǒng)自動(dòng)化，2019，43（2）：1-9.

[14]LiHJ，HabibiS，AscheidG. Handoverpredictionfor long-termwindowschedulingbasedonSINRmaps[C].2013 IEEE 24th Annual International Symposium on Per? sonal，Indoor，andMobileRadioCommunications（PIM? RC）. London，UK：IEEE Press，2013.

[15] 王毅星.基于深度學(xué)習(xí)和遷移學(xué)習(xí)的電力數(shù)據(jù)挖掘技術(shù)研究[D].杭州：浙江大學(xué)，2019.

[16]DHIMISH M，HOLMES V，MEHRDADI B，et al. Photo? voltaicfaultdetectionalgorithmbasedontheoretical curves modelling and fuzzy classification system[J]. Ener? gy，2017，140（1）：276-290.

[17] 胡程平，陳婧，胡劍地，等.配電臺(tái)區(qū)線損率異常自動(dòng)檢測(cè)系統(tǒng)設(shè)計(jì)[J].粘接，2022，49（5）：188-192.

[18] 曹海紅.基于雙DSP的異步電機(jī)控制系統(tǒng)設(shè)計(jì)[J].粘接，2021，47（8）：143-146.

[19] 李振璧，張坤，姜媛媛，等.基于變分模態(tài)分解與近似熵的輸電線路兩相接地故障診斷[J].科學(xué)技術(shù)與工程，2018，18（5）：70-75.

[20]DOOSTANM，CHOWDHURYBH. Powerdistributionsystem fault cause analysis by using association rule min? ing[J]. Electric Power Systems Research，2017，152（1）：140-145.