摘 要： 針對電網(wǎng)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(guān)鍵信息丟失的情況，造成故障診斷難以得出正確結(jié)論的問題，提出一種基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動診斷方法。首先進行支持度計算，得到電網(wǎng)故障的表述參數(shù)，并將電網(wǎng)故障類別看作是貝葉斯網(wǎng)絡(luò)的父節(jié)點，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，對各父節(jié)點的先驗概率及各子節(jié)點的條件概率進行計算，完成對電網(wǎng)故障的自動診斷。仿真實驗結(jié)果表明，采用所提方法對電網(wǎng)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(guān)鍵詞： 弱關(guān)聯(lián)挖掘； 電網(wǎng)； 故障診斷； 支持度計算

中圖分類號： TN926?34； TM711 文獻標(biāo)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(wǎng)規(guī)模的逐漸擴大，電網(wǎng)出現(xiàn)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(wǎng)故障自動診斷方法對電力系統(tǒng)的快速恢復(fù)具有重要意義，已經(jīng)成為相關(guān)學(xué)者研究的重點課題，受到越來越廣泛的關(guān)注[3?5]。

目前，常用的電網(wǎng)故障自動診斷方法主要包括模糊理論方法、人工神經(jīng)網(wǎng)絡(luò)方法和信息理論方法等，相關(guān)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(wǎng)故障自動診斷方法，通過粗糙集理論對電網(wǎng)故障進行診斷，該方法在丟失的故障信息并非關(guān)鍵信息的情況下不會對診斷結(jié)果產(chǎn)生影響，但在丟失的故障信息是關(guān)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(wǎng)故障自動診斷方法，結(jié)合電網(wǎng)故障信息特征對電網(wǎng)故障進行判斷，該方法在某種程度上提高了系統(tǒng)在缺失關(guān)鍵信息情況下的容錯性，但當(dāng)電網(wǎng)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(wǎng)絡(luò)的電網(wǎng)故障自動診斷方法，對節(jié)點概率進行訓(xùn)練，從而實現(xiàn)電網(wǎng)故障的自動診斷，但該方法在電網(wǎng)規(guī)模較大時無法實現(xiàn)自動建模；文獻[9]提出一種基于人工智能網(wǎng)絡(luò)的電網(wǎng)故障自動診斷方法，通過人工智能網(wǎng)絡(luò)對電網(wǎng)故障信息進行訓(xùn)練，根據(jù)訓(xùn)練的結(jié)果實現(xiàn)電網(wǎng)故障的自動診斷，但該方法會造成診斷所依據(jù)的信息不確定與不完整，導(dǎo)致診斷結(jié)果不準(zhǔn)確；文獻[10]提出一種基于遺傳算法的電網(wǎng)故障自動診斷方法，依據(jù)內(nèi)斷路器跳閘的分段時序信息識別電網(wǎng)故障，但該方法很難構(gòu)建合理的電網(wǎng)故障診斷模型，導(dǎo)致診斷結(jié)果不準(zhǔn)確。

1 電網(wǎng)故障檢測參數(shù)的選擇

1.1 電網(wǎng)故障數(shù)據(jù)的支持度

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

2 電網(wǎng)故障自動診斷實現(xiàn)

本文在第1節(jié)故障參數(shù)選擇的前提下，構(gòu)建電網(wǎng)故障診斷結(jié)構(gòu)流程圖，以此為模板建立基于弱關(guān)聯(lián)挖掘樸素貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障自主診斷模型，流程圖見圖1。

圖1 電網(wǎng)故障診斷結(jié)構(gòu)流程圖

模型的詳細(xì)構(gòu)建過程如下：

（1） 假設(shè)存在電網(wǎng)故障樣本；

（2） 假設(shè)選擇的故障參數(shù)都是有效的；

（3） 完成對電網(wǎng)故障類別的判斷；

（4） 取出電網(wǎng)故障數(shù)據(jù)的置信度，同時將電網(wǎng)故障類別看作是基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)的父節(jié)點，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，如圖2所示。

圖2 電網(wǎng)故障自動診斷模型

采用基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型對電網(wǎng)故障進行自動診斷的詳細(xì)過程為：

（1） 假設(shè)電網(wǎng)故障樣本各個屬性值確定，該電網(wǎng)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(wǎng)故障樣本屬于某故障類別的上述概率值最大，則該電網(wǎng)故障樣本即屬于該故障類。

因為針對全部電網(wǎng)故障類別而言，故障的數(shù)據(jù)類型均為常數(shù)，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(wǎng)設(shè)備的先驗概率及各子設(shè)備的條件概率進行計算，則與最大概率相應(yīng)的[Ck]就是與電網(wǎng)故障樣本相應(yīng)的故障類別。

3 方法的應(yīng)用試驗分析

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

本文首先將某局部電力系統(tǒng)繼電保護系統(tǒng)作為研究對象，該系統(tǒng)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(wǎng)劃分成4個子網(wǎng)絡(luò)，劃分結(jié)果見圖3。

圖3 示例電力網(wǎng)

在上述分析的基礎(chǔ)上，采用本文方法對電網(wǎng)故障診斷規(guī)則庫進行提取，得到的電網(wǎng)聯(lián)合故障診斷規(guī)則庫如表1所示，限于篇幅，只給出前10個規(guī)則。

表1 電網(wǎng)故障診斷規(guī)則庫

依據(jù)表1給出的規(guī)則庫，分別采用本文方法和粗糙集方法對電網(wǎng)故障進行自動診斷，得到的結(jié)果如表2所示。

表2 示例電網(wǎng)故障診斷結(jié)果

分析表2可以看出，針對每個樣本，本文方法的診斷結(jié)果均優(yōu)于粗糙集方法。尤其是當(dāng)出現(xiàn)如第5個樣本的聯(lián)絡(luò)線故障時，甚至出現(xiàn)如第6和第7個樣本的帶有聯(lián)絡(luò)線的復(fù)雜故障時，本文方法均可有效準(zhǔn)確地診斷出故障元件，說明本文方法具有很高的診斷準(zhǔn)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(gòu)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(nèi)存為1 GB的Windows XP系統(tǒng)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(tài)下兩種方法的效率，得到的結(jié)果如表3所示。

表3 兩種方法效率比較結(jié)果

分析表3可以看出，采用本文方法進行電網(wǎng)故障挖掘所需的時間遠(yuǎn)遠(yuǎn)少于粗糙集方法，在規(guī)則覆蓋率相同的情況下，本文方法產(chǎn)生的規(guī)則數(shù)明顯低于粗糙集方法，因此，電網(wǎng)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(wǎng)故障診斷，得到的結(jié)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(jié)果，樣本2，樣本3，樣本4是在樣本1的基礎(chǔ)上添加50條不良記錄的診斷結(jié)果，分析表4可以看出，粗糙集方法會產(chǎn)生更多的規(guī)則，但其并未分析電網(wǎng)自身的特點，很多規(guī)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(shù)據(jù)記錄的診斷結(jié)果

4 結(jié) 論

本文提出一種基于弱關(guān)聯(lián)挖掘技術(shù)的電網(wǎng)故障自動診斷方法，對支持度進行計算，得到頻繁弱關(guān)聯(lián)模式集，求出頻繁弱關(guān)聯(lián)模式集的置信度，獲取弱關(guān)聯(lián)規(guī)則。在弱關(guān)聯(lián)挖掘的基礎(chǔ)上，將電網(wǎng)故障類別看作是基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)的父節(jié)點，將挖掘的弱關(guān)聯(lián)規(guī)則作為子節(jié)點，構(gòu)建基于弱關(guān)聯(lián)挖掘的貝葉斯網(wǎng)絡(luò)模型，對各父節(jié)點的先驗概率及各子節(jié)點的條件概率進行計算，最大概率相應(yīng)的就是電網(wǎng)故障樣本相應(yīng)的故障類別。仿真實驗結(jié)果表明，采用所提方法對電網(wǎng)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(shù)據(jù)挖掘技術(shù)的SF_6氣體分析和故障診斷研究[J].電氣開關(guān)，2013，51（5）：37?40.

[2] 袁文鐸.基于數(shù)據(jù)挖掘的故障診斷專家系統(tǒng)推理機設(shè)計[J].航空維修與工程，2013（1）：67?69.

[3] 謝曉燕.基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)絡(luò)故障診斷分析[J].計算機光盤軟件與應(yīng)用，2013（15）：125?126.

[4] 薛毓強，李宗輝.基于因果時序網(wǎng)絡(luò)的FOA?GRNN電網(wǎng)故障診斷方法[J].電力系統(tǒng)及其自動化學(xué)報，2014，26（11）：72?77.

[5] 熊國江，石東源，朱林，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的電網(wǎng)模糊元胞故障診斷[J].電力系統(tǒng)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(wǎng)故障診斷搜索算法[J].電力自動化設(shè)備，2013，33（1）：81?84.

[7] 周麗麗，孫晶，王濤.面向設(shè)備故障診斷的數(shù)據(jù)挖掘技術(shù)方法的研究[J].自動化技術(shù)與應(yīng)用，2015，34（2）：18?22.

[8] 陳鐵軍，寧美鳳.電網(wǎng)自愈控制中故障實時監(jiān)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(wǎng)廣域監(jiān)測及故障定位信息集成方案[J].電力系統(tǒng)自動化，2013，37（2）：97?101.

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