車延博，郁舒雁，葛磊蛟

（天津大學(xué) 電氣自動(dòng)化與信息工程學(xué)院，天津 300072）

0 引言

配電網(wǎng)故障定位是配電自動(dòng)化的重要功能之一。當(dāng)配電網(wǎng)實(shí)際出現(xiàn)故障后，通過(guò)故障定位功能可快速找出故障發(fā)生的區(qū)域，為隔離故障和盡快恢復(fù)用戶供電提供有效指導(dǎo)，對(duì)提高供電可靠性具有重要意義。配電網(wǎng)故障定位一般包括故障告警、故障相關(guān)性分析和故障精確定位3個(gè)步驟。

目前，基于饋線終端單元（FTU）上報(bào)故障信息進(jìn)行配電網(wǎng)故障定位的分析方法主要有2類：一類是配電網(wǎng)故障區(qū)段判斷和隔離的統(tǒng)一矩陣算法，這種診斷方式基于健全信息進(jìn)行故障定位，較為傳統(tǒng)，可靠性高，但對(duì)計(jì)算內(nèi)存要求較高且診斷能力有限［1-4］；另一類是近些年興起的人工智能化故障診斷方案，這類方案能夠基于非健全的故障信息進(jìn)行診斷定位，主流的方法有專家系統(tǒng)、人工神經(jīng)、模糊理論、遺傳算法GA（Genetic Algorithm）和免疫算法IA（Immune Algorithm）等［5-9］。由于FTU大多位于室外，受自然環(huán)境影響較大，故使用矩陣算法得到錯(cuò)誤故障信息的可能性偏高。在人工智能故障診斷方面，國(guó)內(nèi)外一些學(xué)者進(jìn)行了研究，文獻(xiàn)［10-11］將改進(jìn)的GA用于配電網(wǎng)故障區(qū)段定位，雖然該算法能夠處理配電網(wǎng)信息畸變而造成故障定位誤判的情況，但其在運(yùn)算過(guò)程中進(jìn)行隨機(jī)的迭代搜索，結(jié)果容易產(chǎn)生局部最優(yōu)；文獻(xiàn)［12］針對(duì)IA能夠進(jìn)行全局搜索的優(yōu)點(diǎn)，將IA應(yīng)用于配電網(wǎng)故障定位，效果優(yōu)于GA。近些年，也有學(xué)者采用數(shù)據(jù)挖掘DM（Data Mining）技術(shù)，通過(guò)對(duì)已有數(shù)據(jù)庫(kù)進(jìn)行分析，挖掘出相關(guān)性數(shù)據(jù)特征，為發(fā)現(xiàn)問(wèn)題規(guī)律、尋找解決方案提供參考信息［13］。文獻(xiàn)［14］應(yīng)用基于粗糙集 RS（Rough Sets）理論和 GA相結(jié)合的數(shù)據(jù)挖掘模型來(lái)進(jìn)行信息發(fā)生丟失或畸變情況下的配電網(wǎng)故障定位分析。比較發(fā)現(xiàn)，該方案定位診斷的正確率遠(yuǎn)高于常規(guī)人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neural Network）模型。

大體而言，IA與GA都運(yùn)用群體搜索策略，算法結(jié)構(gòu)基本一致，但GA更容易陷入局部最優(yōu)。針對(duì)戶外FTU獲取的配電網(wǎng)故障信息存在不確定性的情況，本文借鑒基于RS和GA相結(jié)合的數(shù)據(jù)挖掘模型，提出基于RS和IA相結(jié)合的數(shù)據(jù)挖掘技術(shù)，構(gòu)建配電網(wǎng)故障定位模型。首先，通過(guò)RS理論獲取故障信息，將已有的變異故障模式集轉(zhuǎn)化成RS理論中的決策表，并利用IA理論進(jìn)行決策表的屬性約簡(jiǎn)，挖掘出該問(wèn)題中輸入矢量（條件屬性）與輸出矢量（決策屬性）的關(guān)聯(lián)性規(guī)則；然后，利用此數(shù)據(jù)挖掘方法處理FTU實(shí)時(shí)輸入信息的畸變，根據(jù)各分段開(kāi)關(guān)的電流越限信息序列，判斷各段線路故障狀態(tài)，實(shí)現(xiàn)配電網(wǎng)的故障定位；最后，與基于RS-GA數(shù)據(jù)挖掘模型進(jìn)行對(duì)比，仿真結(jié)果表明利用IA能夠較好地求得RS決策表中的最佳屬性約簡(jiǎn)，所提模型在故障定位分析過(guò)程中能有效地克服信息畸變的情況，具有較高的容錯(cuò)性和有效性。

1 基于RS-IA數(shù)據(jù)挖掘模型的故障定位原理

1.1 概述

數(shù)據(jù)挖掘通常與計(jì)算機(jī)科學(xué)有關(guān)，并利用人工智能、統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫(kù)技術(shù)、情報(bào)檢索和模式識(shí)別等諸多方法。它通過(guò)分析每個(gè)數(shù)據(jù)，從大量數(shù)據(jù)中尋找規(guī)律，并盡可能以人們可理解的形式將數(shù)據(jù)表示出來(lái)［13，15-16］。RS 理論是一種處理模糊與不確定性知識(shí)的數(shù)學(xué)理論，是信息科學(xué)的研究熱點(diǎn)之一，已經(jīng)在醫(yī)學(xué)、材料學(xué)、機(jī)械、管理科學(xué)等領(lǐng)域得到了廣泛應(yīng)用。IA是一種通用的隨機(jī)搜索優(yōu)化算法，它借鑒、利用生物免疫系統(tǒng)的原理和機(jī)制，具有免疫記憶特性、抗體的自我識(shí)別能力和免疫的多樣性特點(diǎn)，擁有高效的全局優(yōu)化搜索能力［17-18，26-27］。基于 RS-IA 數(shù)據(jù)挖掘技術(shù)構(gòu)造故障定位模型，能夠快速實(shí)現(xiàn)故障信息畸變或丟失情況下的故障診斷，具有較高的正確率和容錯(cuò)性。

1.2 RS理論

RS理論能夠有效地分析不準(zhǔn)確、非一致、不完全的各種模糊信息，對(duì)數(shù)據(jù)進(jìn)行推理和總結(jié)，從中發(fā)現(xiàn)深層的知識(shí)，揭示預(yù)測(cè)規(guī)律［17，19］。

RS 中的一個(gè)信息系統(tǒng)由 S＝（U，A，｛VT｝，T）表示，其中，論域U、屬性集合A均為非空有限集合；VT為屬性T?A的值域；映射T用來(lái)為U中每個(gè)對(duì)象賦予相應(yīng)的屬性值，為單值映射。若C∪D＝A且C∩D＝，則稱該信息系統(tǒng)為決策表（DS）。其中，C中的屬性稱為條件屬性，D中的屬性稱為決策屬性，通常用（U，C∪｛D｝）表示決策表。決策表為一張二維表格，行表征對(duì)象，列表征對(duì)象屬性。根據(jù)決策表可以產(chǎn)生相應(yīng)的決策規(guī)則，且由于決策表的屬性并不是同等重要的，因此刪除其中某些不重要的屬性不會(huì)影響決策表的決策和分類判斷能力［20］。

屬性約簡(jiǎn)作為RS理論的核心內(nèi)容，指以保證信息系統(tǒng)分類能力一致為前提，刪除對(duì)決策影響較小的冗余屬性，得到待求問(wèn)題的最優(yōu)解，即使得根據(jù)約簡(jiǎn)后的條件屬性和全部條件屬性對(duì)決策屬性D所形成的分類相同［21］。對(duì)于給定的決策表S＝（U，C∪｛D｝），條件屬性集合C的約簡(jiǎn)是指C的一個(gè)非空子集C′，滿足：IND（C′，｛d｝）＝IND（C，｛d｝）；不存在 C″?C′，使得 IND（C″，｛d｝）＝IND（C，｛d｝）。其中 IND（）表示不分辨關(guān)系。

所有條件屬性C的約簡(jiǎn)的交稱為C的核Core（C）。對(duì)于核，有 Core（C）=｛a?C|KC-a≠KC｝成立。

1.3 IA

約簡(jiǎn)可以理解為以最簡(jiǎn)單的條件屬性的組合形式表示決策表中的決策屬性。但隨著屬性表的變大，約簡(jiǎn)的計(jì)算難度將增加。一個(gè)決策表的屬性約簡(jiǎn)并不是唯一的，得到?jīng)Q策表的最佳屬性約簡(jiǎn)已被證明是NP完全問(wèn)題［22］，在大數(shù)據(jù)量、高維數(shù)的決策表上進(jìn)行最佳約簡(jiǎn)的求解至今還沒(méi)有公認(rèn)、通用、高效的解決方法。許多學(xué)者應(yīng)用啟發(fā)式搜索算法來(lái)進(jìn)行屬性約簡(jiǎn)，雖計(jì)算速度快，但得到的不一定是最佳約簡(jiǎn)［23］。文獻(xiàn)［24］提出了運(yùn)用基于GA的屬性約簡(jiǎn)方法，在約簡(jiǎn)過(guò)程中相對(duì)縮小了搜索空間，取得較好的效果，但易于出現(xiàn)“早熟”現(xiàn)象。為了避免進(jìn)行盲目的隨機(jī)搜索或窮舉搜索，能快速獲得最佳屬性約簡(jiǎn)并提取規(guī)則，可利用IA的全局尋優(yōu)能力對(duì)領(lǐng)域知識(shí)進(jìn)行智能式搜索。文獻(xiàn)［22］將RS與IA結(jié)合，進(jìn)一步提高了尋找最佳約簡(jiǎn)的效率，提高了算法全局搜索能力，較好地求解出了最佳屬性約簡(jiǎn)集合。

IA是模擬生物免疫系統(tǒng)行為的一種仿生算法，其將優(yōu)化問(wèn)題的求解過(guò)程模擬成免疫系統(tǒng)發(fā)現(xiàn)抗原并進(jìn)行抗體進(jìn)化的過(guò)程，通過(guò)不斷選擇、交叉和變異找到最優(yōu)抗體來(lái)求解問(wèn)題，抗原和抗體分別對(duì)應(yīng)于待優(yōu)化問(wèn)題和問(wèn)題的最優(yōu)解［22］。該算法主要包括問(wèn)題識(shí)別、產(chǎn)生抗體群、計(jì)算親和力、生成免疫記憶庫(kù)、抗體的促進(jìn)與抑制、抗體群更新6個(gè)過(guò)程，其流程如圖1所示。

圖1 IA流程圖Fig.1 Flowchart of immune algorithm

2 基于RS-IA數(shù)據(jù)挖掘模型的故障定位

基于RS-IA數(shù)據(jù)挖掘模型的故障定位主要是利用RS來(lái)提取領(lǐng)域知識(shí)，獲取待求問(wèn)題的輸入矢量與輸出矢量的相關(guān)性規(guī)則［14］。為了減少對(duì)故障模式空間進(jìn)行盲目的隨機(jī)或窮舉搜索，避免陷入局部最優(yōu)的情況，采用IA對(duì)故障模式信息進(jìn)行智能式搜索，在保證信息系統(tǒng)分類能力不變的前提下，刪除冗余屬性，尋求最佳屬性約簡(jiǎn)。

基于RS-IA數(shù)據(jù)挖掘模型進(jìn)行故障定位的具體步驟如下：

a.根據(jù)信息系統(tǒng)相關(guān)知識(shí)，構(gòu)造故障挖掘數(shù)據(jù)庫(kù)；

b.提取故障特征，確定相應(yīng)對(duì)象的條件屬性和決策屬性；

c.依據(jù)已定的條件屬性與決策屬性，將故障模式集合轉(zhuǎn)換成RS決策表；

d.把從決策表中求取約簡(jiǎn)的問(wèn)題轉(zhuǎn)化為在區(qū)分矩陣中求取組合數(shù)最小的約簡(jiǎn)，借助IA求得最佳屬性約簡(jiǎn)；

e.從最佳屬性約簡(jiǎn)集中提取規(guī)則；

f.依照生成的故障定位規(guī)則進(jìn)行故障區(qū)段定位。

借助IA求解最佳屬性約簡(jiǎn)的算法流程如下。

a.計(jì)算決策屬性D對(duì)條件屬性C的依賴程度KC。令 Core（C）=，依次去掉某單個(gè)屬性 a ? C，若KC-a≠KC，則 Core（C）=Core（C）∪a，即核為Core（C）。若KCore=KC，則Core為最佳屬性約簡(jiǎn)，否則實(shí)行步驟b。

b.產(chǎn)生初始抗體群及其編碼。本文采用二進(jìn)制編碼方式，抗體的長(zhǎng)度即條件屬性C的個(gè)數(shù)，抗體的每一位基因代表對(duì)應(yīng)條件屬性的取舍狀態(tài)，1表示約簡(jiǎn)時(shí)選擇該條件屬性，0表示舍去該條件屬性。初始化時(shí)，核中的條件屬性對(duì)應(yīng)位取1，其余位隨機(jī)取0 或 1?？贵w的表現(xiàn)形式為［0，1，1，…，0，1］，由此產(chǎn)生規(guī)模為N的初始抗體群。

c.計(jì)算親和力?？乖c抗體之間的親和力表示可行解對(duì)問(wèn)題的滿足程度，親和力越高，說(shuō)明解越好。本文選取的親和力函數(shù)為適應(yīng)度函數(shù)的倒數(shù)，適應(yīng)度函數(shù)為：

其中，N為條件屬性的個(gè)數(shù)；lv為抗體v中“1”的個(gè)數(shù)，即約簡(jiǎn)后的條件屬性個(gè)數(shù)；A為調(diào)節(jié)因子；K為依賴程度。

d.計(jì)算抗體濃度。首先計(jì)算兩抗體間的親和力：

其中，differvw為2個(gè)抗體間的結(jié)合強(qiáng)度，即相同位置基因編碼值不同的個(gè)數(shù)。

大部分學(xué)生還在單純依靠背誦的方式學(xué)習(xí)文化這部分的知識(shí)，而不會(huì)選擇理解、合作討論、自主探究的方式進(jìn)行學(xué)習(xí)，充滿被動(dòng)性，他們更加傾向于把課后所有學(xué)習(xí)時(shí)間放在背誦之前所畫(huà)的知識(shí)點(diǎn)上，出現(xiàn)了本末倒置的錯(cuò)誤。這導(dǎo)致學(xué)生死記硬背，不能靈活運(yùn)用知識(shí)點(diǎn)，在課后習(xí)題和日常考試中，在面對(duì)源于知識(shí)卻又高于知識(shí)且變化多端的選擇題、材料題時(shí)感到無(wú)從下手，成績(jī)下降。有一些高中生普遍缺乏文化參與的熱情，故而難以在實(shí)踐中運(yùn)用、檢驗(yàn)所學(xué)知識(shí)。

則抗體v在種群中的濃度為：

其中，Tac1為免疫選擇設(shè)定閾值。

e.抗體的促進(jìn)與抑制。為了保證抗體的多樣性，提高親和力大的抗體的濃度，但抗體濃度過(guò)高就會(huì)被抑制，反之相應(yīng)提高低濃度抗體的產(chǎn)生和選擇概率。

f.更新記憶庫(kù)。將各抗體群中高親和力、低濃度的s個(gè)抗體存儲(chǔ)在記憶庫(kù)中并不斷更新。

g.進(jìn)行選擇、交叉和變異操作，形成下一代父代抗體群。

h.滿足終止條件則結(jié)束，輸出結(jié)果；否則轉(zhuǎn)步驟c。

根據(jù)得到的最佳屬性約簡(jiǎn)可導(dǎo)出決策規(guī)則。配電網(wǎng)故障發(fā)生時(shí)，可利用已知的故障診斷決策規(guī)則快速進(jìn)行故障定位。

3 基于RS-IA數(shù)據(jù)挖掘模型的配電網(wǎng)故障定位

圖2 故障定位模型Fig.2 Model of fault location

由于配電網(wǎng)大多都采取開(kāi)環(huán)運(yùn)行，其可等效解耦成若干個(gè)單一樹(shù)干網(wǎng)的形式，因此可將對(duì)復(fù)雜網(wǎng)絡(luò)的故障診斷簡(jiǎn)化為對(duì)某一單樹(shù)干網(wǎng)的故障區(qū)段定位?？紤]到來(lái)自FTU的故障信息極易丟失或變異，本文按獲取信息中出現(xiàn)一位畸變信息來(lái)構(gòu)造故障模式集，預(yù)先構(gòu)建好線路元件數(shù)目不等的單畸變信息樹(shù)干網(wǎng)故障定位模型，作為決策規(guī)則數(shù)據(jù)庫(kù)。故障模式信息組成為：輸入為各開(kāi)關(guān)（包括斷路器、分段開(kāi)關(guān)、聯(lián)絡(luò)開(kāi)關(guān)等）的電流越限信息序列，將各開(kāi)關(guān)從進(jìn)線開(kāi)關(guān)（斷路器）開(kāi)始依次排列，在故障元件線路之前的開(kāi)關(guān)有故障電流流過(guò)，“1”表示有電流越限信號(hào)，之后的開(kāi)關(guān)無(wú)電流越限信號(hào)以“0”表示；輸出為線路元件的狀態(tài)序列，線路處故障狀態(tài)用“1”表示，正常狀態(tài)用“0”表示。

將構(gòu)造的故障模式數(shù)據(jù)庫(kù)轉(zhuǎn)化為RS中的決策表，其中輸入矢量集合為條件屬性集合，而輸出矢量集合形成決策屬性集合。利用IA理論進(jìn)行屬性約簡(jiǎn)，去掉決策表中的冗余屬性，求得最小條件屬性組合，即最佳屬性約簡(jiǎn)。依據(jù)最佳屬性約簡(jiǎn)，提取出隱含其中的相關(guān)決策規(guī)則，可形成決策規(guī)則數(shù)據(jù)庫(kù)。

配電網(wǎng)發(fā)生故障后，安裝于各開(kāi)關(guān)處的FTU檢測(cè)到故障電流，與預(yù)定的故障電流定值比較后形成離散的故障信息。當(dāng)FTU收集到的故障報(bào)警信息被上傳到控制主站后，可根據(jù)基于RS-IA數(shù)據(jù)挖掘模型得到的決策規(guī)則，分析分段開(kāi)關(guān)電流越限信息與故障線路位置間的關(guān)系，找出該分段開(kāi)關(guān)電流越限信息所對(duì)應(yīng)的線路故障狀態(tài)，從而對(duì)配電網(wǎng)故障線路進(jìn)行正確定位。

本文所構(gòu)建的故障定位模型與基于RS-GA的數(shù)據(jù)挖掘模型結(jié)構(gòu)大致相同，但是RS-GA僅根據(jù)親和力評(píng)價(jià)、選擇個(gè)體，而本文模型在評(píng)價(jià)、選擇個(gè)體時(shí)是根據(jù)個(gè)體的親和力和濃度進(jìn)行的，這就增加了群體的多樣性，避免算法陷入局部收斂，而且增加記憶單元，保留部分最優(yōu)群體，避免交叉、變異過(guò)程使群體退化。所提模型的構(gòu)建將配電網(wǎng)的故障定位問(wèn)題轉(zhuǎn)化成了一個(gè)化簡(jiǎn)RS決策表、提取決策規(guī)則的問(wèn)題，并采用IA來(lái)求取最佳約簡(jiǎn)，實(shí)現(xiàn)了配電網(wǎng)故障區(qū)段的準(zhǔn)確定位，具有高度的容錯(cuò)性。同時(shí)，該模型將復(fù)雜的配電網(wǎng)故障定位問(wèn)題化簡(jiǎn)為簡(jiǎn)單的單個(gè)樹(shù)干網(wǎng)故障定位，所建立的決策規(guī)則庫(kù)具有通用性，基本適用于大部分配電網(wǎng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

4 算例分析

實(shí)際工程運(yùn)行經(jīng)驗(yàn)表明，配電線路故障中單一故障的發(fā)生概率占故障總數(shù)的70%～80%，所以本文以假定的單一故障來(lái)進(jìn)行仿真。以一個(gè)典型的三電源環(huán)網(wǎng)開(kāi)環(huán)運(yùn)行配電網(wǎng)為例，其網(wǎng)絡(luò)拓?fù)淙鐖D3所示。圖中有 3 個(gè)斷路器（Z1—Z3）、2 個(gè)聯(lián)絡(luò)開(kāi)關(guān)（SL1、SL2）、16 個(gè)分段開(kāi)關(guān)（S1—S16），19 條饋線對(duì)應(yīng) 19 個(gè)定位區(qū)段。以斷路器為標(biāo)志，以聯(lián)絡(luò)開(kāi)關(guān)為界限可以分為3個(gè)獨(dú)立配電區(qū)域。

圖3 三電源環(huán)網(wǎng)開(kāi)環(huán)運(yùn)行配電網(wǎng)Fig.3 Distribution network with three power sources in open-loop operation

4.1 計(jì)及信息畸變的故障定位分析

基于RS-IA數(shù)據(jù)挖掘的配電網(wǎng)故障定位模型對(duì)配電網(wǎng)進(jìn)行全面仿真。根據(jù)數(shù)據(jù)挖掘故障模式的構(gòu)造原則，該線路的基本故障模式應(yīng)為11個(gè)（10條線路故障和無(wú)線路故障模式），故障樣本輸入矢量由10個(gè)元素構(gòu)成?？紤]可能出現(xiàn)一位元素畸變的原則，每個(gè)基本故障模式可衍生出10個(gè)變異模式，共有110個(gè)模式。

用IA在廣義故障模式集中進(jìn)行全局優(yōu)化搜索，求取RS的最佳屬性約簡(jiǎn)。本文記憶庫(kù)容量取30，種群規(guī)模為60，交叉概率pc為0.5，變異概率pm為0.05，濃度閾值取0.7，算法迭代次數(shù)的最大值設(shè)為150。挖掘所得到的故障定位最佳屬性約簡(jiǎn)見(jiàn)表1。

為了能清晰地說(shuō)明研究問(wèn)題的實(shí)質(zhì)，從全部仿真中提取一個(gè)具有10條線路、9個(gè)分段開(kāi)關(guān)的樹(shù)干網(wǎng)，用有一條線路發(fā)生故障時(shí)的具體實(shí)例來(lái)描述。樹(shù)干網(wǎng)如圖4 所示，其中 a、b、…、 j為線路，S1—S9為分段開(kāi)關(guān)。

表1 故障定位最佳屬性約簡(jiǎn)Table 1 Optimal attribute reduction for fault location

圖4 樹(shù)干網(wǎng)Fig.4 Trunk network

以線路b發(fā)生故障為例，利用IA求取RS最佳約簡(jiǎn)的收斂曲線如圖5所示。

圖5 IA收斂曲線Fig.5 Convergence curves of immune algorithm

基于RS-IA數(shù)據(jù)挖掘故障定位模型得到的配電網(wǎng)故障模式及形成的診斷結(jié)果如表2所示。其中，輸入元素中標(biāo)注*的為畸變信息位，輸出元素中標(biāo)注#的為錯(cuò)判的元件。

表2 配電網(wǎng)故障模式和診斷結(jié)果Table 2 Fault patterns and diagnosis results

由表2可知，常規(guī)的故障電流越限信號(hào)判別法對(duì)信息的畸變非常敏感，無(wú)容錯(cuò)能力，極易導(dǎo)致故障的誤判、錯(cuò)判。本文提出的基于RS-IA數(shù)據(jù)挖掘的配電網(wǎng)故障定位模型具有較高的容錯(cuò)能力，在絕大多數(shù)情況下能夠準(zhǔn)確實(shí)現(xiàn)配電網(wǎng)的故障定位。

4.2 RS-IA與RS-GA模型性能對(duì)比

為了驗(yàn)證本文所提模型的優(yōu)越性，將RS-IA模型與文獻(xiàn)［14］所提的基于RS-GA數(shù)據(jù)挖掘模型的方法進(jìn)行對(duì)比，用MATLAB編制了基于2種模型的配電網(wǎng)故障定位程序，對(duì)圖3所示樹(shù)干網(wǎng)進(jìn)行仿真實(shí)現(xiàn)其故障定位。2種算法基本設(shè)置相同，算法的最大迭代次數(shù)均取150次，測(cè)試結(jié)果如表3所示。

表3 2種方法測(cè)試結(jié)果比較Table 3 Comparison of test results between two methods

由表3可知，在相同設(shè)置的情況下，RS-IA模型能較好地求得最佳屬性約簡(jiǎn)，而且收斂速度較快。且引入濃度機(jī)制，能夠抑制IA中較高濃度的解的產(chǎn)生，防止算法過(guò)早地收斂于局部最優(yōu)，有效地克服了GA“早熟”的缺點(diǎn)，既提高了效率，又使準(zhǔn)確率有所提升。

4.3 實(shí)例驗(yàn)證

為了驗(yàn)證本文方法的實(shí)際可操作性，參考文獻(xiàn)［25］所述，對(duì)某市配電網(wǎng)改造區(qū)域線路采取故障重現(xiàn)方式（已知開(kāi)關(guān)24之后配電線路段發(fā)生故障），基于本文模型對(duì)其進(jìn)行故障定位，該線路化簡(jiǎn)后如圖6所示，其中虛線為一個(gè)環(huán)網(wǎng)柜。

圖6 某配電網(wǎng)改造區(qū)域簡(jiǎn)化線路圖Fig.6 Simplified line diagram of a reconstructed distribution network

現(xiàn)開(kāi)關(guān)4終端不在線（信息丟失），配電主站系統(tǒng)實(shí)時(shí)接收的過(guò)電流上傳信息，即經(jīng)過(guò)開(kāi)關(guān)的電流越限信息為［1 1 1？0 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0］。該線路可等效解耦為15個(gè)單一樹(shù)干網(wǎng)，圖7是其中某單一樹(shù)干網(wǎng)，其開(kāi)關(guān)過(guò)電流信息為［1 1 1？0 1 1 1 1 1 1］。

圖7 開(kāi)關(guān)24所在單一樹(shù)干網(wǎng)Fig.7 Single trunk network containing switch-24

對(duì)得到的開(kāi)關(guān)電流越限信號(hào)進(jìn)行分析，可以發(fā)現(xiàn)開(kāi)關(guān)6有電流越限信號(hào)，而開(kāi)關(guān)6位于開(kāi)關(guān)5之后，因此可判斷出開(kāi)關(guān)5處獲得的信號(hào)發(fā)生畸變。從基于本文模型形成的決策規(guī)則數(shù)據(jù)庫(kù)中提取相應(yīng)規(guī)則，對(duì)其進(jìn)行故障定位。經(jīng)查找匹配后發(fā)現(xiàn)，故障區(qū)段可能為開(kāi)關(guān)15之后的配電線路段或開(kāi)關(guān)24之后的配電線路段。由于開(kāi)關(guān)4、5、15處于同一環(huán)網(wǎng)柜，開(kāi)關(guān)4信息丟失，開(kāi)關(guān)5信息畸變，因此判斷該環(huán)網(wǎng)柜出現(xiàn)故障，認(rèn)為開(kāi)關(guān)15信息也發(fā)生了畸變，配電線路故障區(qū)段位于開(kāi)關(guān)24以后，與實(shí)際情況相符。

5 結(jié)論

a.利用IA能夠較好地求得決策表中的最佳屬性約簡(jiǎn)。相同設(shè)置的情況下，IA的性能優(yōu)于GA。

b.本文將RS理論處理模糊、不確定問(wèn)題的能力與IA全局最優(yōu)解搜索功能相結(jié)合，構(gòu)造了基于RSIA數(shù)據(jù)挖掘的配電網(wǎng)故障定位模型。仿真結(jié)果表明該模型簡(jiǎn)單、快速、有效、可行，且具有良好的容錯(cuò)性能，適應(yīng)配電網(wǎng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，很好地解決了因配電網(wǎng)獲取信息的畸變而造成的故障定位誤判問(wèn)題。以人工智能方法為基礎(chǔ)的配電網(wǎng)故障定位方法的發(fā)展有重要作用，具有良好的應(yīng)用前景。

參考文獻(xiàn)：

［1］羅梅，楊洪耕.配電網(wǎng)故障定位的一種改進(jìn)通用矩陣算法［J］.電力系統(tǒng)保護(hù)與控制，2012，40（5）：64-68.LUO Mei，YANG Honggeng.An improved general matrix algorithm for fault locating in distribution system［J］.Power System Protection and Control，2012，40（5）：64-68.

［2］梅念，石東源，楊增力，等.一種實(shí)用的復(fù)雜配電網(wǎng)故障定位的矩陣算法［J］.電力系統(tǒng)自動(dòng)化，2007，31（10）：66-70.MEI Nian，SHI Dongyuan，YANG Zengli，et al.A practica matrix based fault location algorithm for complex distribution network［J］.Automation of Electric Power Systems，2007，31（10）：66-70.

［3］劉健，張小慶，同向前，等.含分布式電源配電網(wǎng)的故障定位［J］.電力系統(tǒng)自動(dòng)化，2013，37（2）：36-42，48.LIU Jian，ZHANG Xiaoqing，TONG Xiangqian，et al.Fault location for distribution systems with distributed generations［J］.Automation of Electric Power Systems，2013，37（2）：36-42，48.

［4］衛(wèi)志農(nóng)，何樺，鄭玉平.配電網(wǎng)故障定位的一種新算法［J］.電力系統(tǒng)自動(dòng)化，2001，25（14）：48-50.WEI Zhinong，HE Hua，ZHENG Yuping.A novel algorithm for fault location in power distribution network［J］.Automation of Electric Power Systems，2001，25（14）：48-50.

［5］武娜，焦彥軍.基于模擬植物生長(zhǎng)算法的配電網(wǎng)故障定位［J］.電力系統(tǒng)保護(hù)與控制，2009，37（4）：23-28.WU Na，JIAO Yanjun.Fault location of distribution network based on plant growth simulation algorithm ［J］.Power System Protection and Control，2009，37（4）：23-28.

［6］李超文，何正友，張海平，等.基于二進(jìn)制粒子群算法的輻射狀配電網(wǎng)故障定位［J］.電力系統(tǒng)保護(hù)與控制，2009，37（7）：35-39.LI Chaowen，HE Zhengyou，ZHANG Haiping，et al.Fault location for radialized distribution networks based on BPSO algorithm［J］.Power System Protection and Control，2009，37（7）：35-39.

［7］周湶，鄭柏林，廖瑞金，等.基于粒子群和差分進(jìn)化算法的含分布式電源配電網(wǎng)故障區(qū)段定位［J］.電力系統(tǒng)保護(hù)與控制，2013，41（4）：33-37.ZHOU Quan，ZHENG Bolin，LIAO Ruijin，etal.Fault-section location for distribution networks with DG based on a hybrid algorithm of particle swarm optimization and differential evolution［J］.Power System Protection and Control，2013，41（4）：33-37.

［8］翁藍(lán)天，劉開(kāi)培，劉曉莉，等.復(fù)雜配電網(wǎng)故障定位的鏈表法［J］.電工技術(shù)學(xué)報(bào)，2009，24（5）：190-196.WENG Lantian，LIU Kaipei，LIU Xiaoli，et al.Chain table algorithm for fault location of complicated distribution network ［J］.Transactions of China Electrotechnical Society，2009，24（5）：190-196.

［9］ZHANG J N，ZHOU R，ZHONG K.Application of improved ant colony algorithm in fault-section location of complex distribution network［C］∥2011 4th International Conference on Electric Utility Deregulation and Restructuring and Power Technologies（DRPT）.Weihai，China：IEEE，2011：1067-1071.

［10］劉鵬程，李新利.基于多種群遺傳算法的含分布式電源的配電網(wǎng)故障區(qū)段定位算法［J］.電力系統(tǒng)保護(hù)與控制，2016，44（2）：36-41.LIU Pengcheng，LI Xinli.Fault-section location of distribution network containing distributed generation based on the multiplepopulation genetic algorithm［J］.Power System Protection and Control，2016，44（2）：36-41.

［11］衛(wèi)志農(nóng)，何樺，鄭玉平.配電網(wǎng)故障區(qū)間定位的高級(jí)遺傳算法［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2002，22（4）：127-130.WEIZhinong，HE Hua，ZHENG Yuping.A refined genetic algorithm for the fault sections location［J］.Proceedings of the CSEE，2002，22（4）：127-130.

［12］鄭濤，潘玉美，郭昆亞，等.基于免疫算法的配電網(wǎng)故障定位方法研究［J］.電力系統(tǒng)保護(hù)與控制，2014，42（1）：77-83.ZHENG Tao，PAN Yumei，GUO Kunya，et al.Fault location of distribution network based on immune algorithm［J］.Power System Protection and Control，2014，42（1）：77-83.

［13］廖志偉，孫雅明.數(shù)據(jù)挖掘技術(shù)及其在電力系統(tǒng)中的應(yīng)用［J］.電力系統(tǒng)自動(dòng)化，2001，25（11）：62-66.LIAO Zhiwei，SUN Yaming.Data mining technology and its application on power system［J］.Automation of Electric Power Systems，2001，25（11）：62-66.

［14］廖志偉，孫雅明，杜紅衛(wèi).基于數(shù)據(jù)挖掘模型的配電網(wǎng)故障定位診斷［J］.天津大學(xué)學(xué)報(bào)（自然科學(xué)與工程技術(shù)版），2002，35（3）：322-326.LIAO Zhiwei，SUN Yaming，DU Hongwei.A new approach for fault section diagnosis of distribution system based on data mining model［J］.Journal of Tianjin University（Science and Technology），2002，35（3）：322-326.

［15］REFONAA J，LAKSHMI M，VIVEK V.Analysis and prediction of natural disaster using spatial data mining technique［C］∥International Conference on Circuit，Power and Computing Technologies.［S.l.］：IEEE，2015：1-6.

［16］AN H G，KOH J J.A study on the selection of bitmap join index using data mining techniques［C］∥International Forum on Strategic Technology.Tomsk，Russia：IEEE，2012：1-5.

［17］束洪春，孫向飛，司大軍.基于故障投訴電話信息的配電網(wǎng)故障定位粗糙集方法［J］.電網(wǎng)技術(shù)，2004，28（1）：64-66.SHU Hongchun，SUN Xiangfei，SI Dajun.A rough set approach to distribution network fault location based on fault complain call information［J］.Power System Technology，2004，28（1）：64-66.

［18］ZHU Z，SUN Y.Application of quantum immune algorithm for fault-section estimation［C］∥2009 2nd International Conference on Power Electronics and Intelligent Transportation System（PEITS）.Shenzhen，China：IEEE，2009：317-320.

［19］ZHAI J，WAN B，ZHANG S.Probabilistic tolerance rough set model［C］∥2015 International Conference on Wavelet Analysis and Pattern Recognition（ICWAPR）.Guangzhou,China：IEEE，2015：214-219.

［20］HEDAR A R，OMAR M A，SEWISY A A.Rough sets attribute reduction using an accelerated genetic algorithm［C］∥2015 IEEE /ACIS 16th International Conference on Software Engineering，Artificial Intelligence，Networking and Parallel/Distributed Computing（SNPD）.Takamatsu，Japan：IEEE，2015：1-7.

［21］田思慶，王越男，張艷麗，等.基于粗糙集配電網(wǎng)故障定位系統(tǒng)［J］.佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，28（3）：337-339.TIAN Siqing，WANG Yuenan，ZHANG Yanli，et al.Fault location of distribution network based on rough set［J］.Journal of Jiamusi University（Natural Science Edition），2010，28（3）：337-339.

［22］朱志勇，林睦綱，徐長(zhǎng)梅.基于免疫算法的屬性約簡(jiǎn)方法［J］.計(jì)算機(jī)工程與科學(xué)，2012，34（1）：174-177.ZHU Zhiyong，LIN Mugang，XU Changmei.Attribute reduction approach based on immune algorithm［J］.Computer Engineering&Science，2012，34（1）：174-177.

［23］SKOWRON A.Extracting laws from decision tables：a rough set approach［J］.Computational Intelligence，1995，11（2）：371-388.

［24］葉玉玲，傘冶.基于遺傳算法的粗糙集混合數(shù)據(jù)屬性約簡(jiǎn)［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2008，40（5）：683-687.YE Yuling，SAN Zhi.Rough set reduction for hybrid data based on genetic algorithm［J］.Journal of Harbin Institute of Technology，2008，40（5）：683-687.

［25］蘇譯，彭敏放，朱亮，等.基于信息還原與膜計(jì)算的配電網(wǎng)故障定位［J］.儀器儀表學(xué)報(bào)，2014（12）：2700-2708.SU Yi，PENG Minfang，ZHU Liang，et al.Fault section location for distribution networks based on information restoration and membrane computing［J］.Chinese Journal of Scientific Instrument，2014（12）：2700-2708.

［26］葛磊蛟，王守相，瞿海妮.智能配用電大數(shù)據(jù)存儲(chǔ)架構(gòu)設(shè)計(jì)［J］.電力自動(dòng)化設(shè)備，2016，36（6）：194-202.GE Leijiao，WANG Shouxiang，QU Haini.Design of storage framework for big data of SPDU［J］.Electric Power Automation Equipment，2016，36（6）：194-202.

［27］徐青山，王文帝，林章歲，等.面向行業(yè)大數(shù)據(jù)特征挖掘的電力經(jīng)理指數(shù)指標(biāo)體系的建立與應(yīng)用［J］.電力自動(dòng)化設(shè)備，2015，35（7）：15-21.XU Qingshan，WANG Wendi，LIN Zhangsui，et al.Establishment and application of EMI indicator system orienting to massive industrial data mining［J］.Electric Power Automation Equipment，2015，35（7）：15-21.