黃劍湘，林 錚，劉可真，駱 釗，禹晉云，徐 峰

考慮換流站海量事件的關(guān)聯(lián)規(guī)則挖掘分析方法

黃劍湘1，林 錚2，劉可真2，駱 釗2，禹晉云1，徐 峰1

(1.中國(guó)南方電網(wǎng)有限責(zé)任公司超高壓輸電公司昆明局，云南 昆明 650217；2.昆明理工大學(xué)電力工程學(xué)院，云南 昆明 650500)

為提高換流站運(yùn)維人員面對(duì)海量生成事件的分析能力，提出一種考慮換流站海量事件的關(guān)聯(lián)規(guī)則挖掘分析方法。首先，利用原始事件元組特性進(jìn)行記錄事件與響應(yīng)日志的實(shí)體特征篩選，并進(jìn)行換流站實(shí)體特征的布爾映射與關(guān)聯(lián)挖掘建模。然后，利用互信息(MI)原理與對(duì)稱不確定性(SU)理論改進(jìn)FP-Growth算法。最后，基于改進(jìn)算法進(jìn)行換流站事件關(guān)聯(lián)分析，進(jìn)而基于關(guān)聯(lián)規(guī)則結(jié)果進(jìn)行換流站異常反饋。通過(guò)挖掘昆柳龍直流換流站調(diào)試期間海量生成事件，表明所提出的方法可以有效地從海量事件中提取判斷特征與結(jié)果特征的強(qiáng)關(guān)聯(lián)規(guī)則，及時(shí)發(fā)現(xiàn)換流站的設(shè)備異常動(dòng)作，并為運(yùn)維分析提供決策支撐。

事件元組特性；布爾映射；改進(jìn)FP-Growth算法；異常反饋；昆柳龍直流換流站

0 引言

隨著泛在電力物聯(lián)網(wǎng)建設(shè)的不斷發(fā)展以及信息物理系統(tǒng)在電力系統(tǒng)中的深度融合[1-2]，電力系統(tǒng)數(shù)據(jù)量呈爆炸增長(zhǎng)的趨勢(shì)[3]，電力電氣行業(yè)的大數(shù)據(jù)時(shí)代已經(jīng)到來(lái)[4]，且換流站的復(fù)雜程度與設(shè)備智能化程度逐漸升高，因此對(duì)換流站的智能化運(yùn)維水平提出了更高的要求。當(dāng)直流系統(tǒng)進(jìn)行順控操作或出現(xiàn)故障時(shí)，換流站記錄系統(tǒng)生成海量異構(gòu)、多態(tài)的數(shù)據(jù)[5-6]，包含了很多典型的事件集及強(qiáng)關(guān)聯(lián)性的特征事件，對(duì)其進(jìn)行數(shù)據(jù)挖掘與數(shù)據(jù)分析對(duì)于提升換流站的運(yùn)維管控水平有重要的意義。但國(guó)內(nèi)外對(duì)于換流站故障事件數(shù)據(jù)挖掘的技術(shù)較少，缺乏對(duì)換流站故障數(shù)據(jù)日志間的關(guān)聯(lián)分析，如國(guó)內(nèi)某換流站發(fā)生主變中壓側(cè)開關(guān)偷跳事件中，由于其他異常的同時(shí)發(fā)生，生成了超過(guò)19頁(yè)的記錄事件信息，而通過(guò)人工檢索對(duì)應(yīng)特征事件，如國(guó)內(nèi)某換流站發(fā)生主變中壓側(cè)開關(guān)偷跳事件中，由于未及時(shí)發(fā)現(xiàn)其他異常事件信息而導(dǎo)致?lián)Q流站事故范圍擴(kuò)大，國(guó)內(nèi)外曾多次發(fā)生過(guò)類似情況。

利用數(shù)據(jù)挖掘技術(shù)分析復(fù)雜數(shù)據(jù)，近年來(lái)在電網(wǎng)的數(shù)據(jù)分析中得到了廣泛的應(yīng)用[7-9]，且利用數(shù)據(jù)挖掘算法對(duì)電力系統(tǒng)的運(yùn)行數(shù)據(jù)進(jìn)行分析[10-12]已經(jīng)逐步成為主流的方法。文獻(xiàn)[13]引入了數(shù)據(jù)挖掘與關(guān)聯(lián)分析的思想，提出了尋找二次設(shè)備的薄弱環(huán)節(jié)的混合聚類分析的網(wǎng)損評(píng)估方法并為分析處理電網(wǎng)故障提供決策支持。文獻(xiàn)[14]采用分布式并行頻繁模式樹并針對(duì)二次設(shè)備的缺陷特征建立異常模型，為二次設(shè)備家族性缺陷的認(rèn)定提供數(shù)據(jù)基礎(chǔ)。文獻(xiàn)[15]建立線路缺陷狀態(tài)與相關(guān)因素的特征庫(kù)，并利用FP-Growth算法挖掘各因素與缺陷狀態(tài)間的關(guān)聯(lián)規(guī)則。但對(duì)于換流站的數(shù)據(jù)挖掘與分析文獻(xiàn)相對(duì)較少，尤其是在換流站數(shù)據(jù)建模與海量事件挖掘還處在探索階段[16]，而換流站發(fā)生某種特定故障或順控操作時(shí)，其相關(guān)設(shè)備協(xié)同動(dòng)作會(huì)產(chǎn)生海量的記錄事件，無(wú)法及時(shí)查看其中是否存在異常情況。

基于此，本文提出一種考慮換流站海量事件的關(guān)聯(lián)規(guī)則挖掘分析方法，利用記錄事件元組特性進(jìn)行特征篩選與降維，并對(duì)應(yīng)完成響應(yīng)日志實(shí)體篩選，使之完成布爾映射與建模，進(jìn)而利用互信息原理與對(duì)稱不確定性理論改進(jìn)FP-Growth算法，最后完成基于改進(jìn)算法進(jìn)行換流站事件關(guān)聯(lián)分析與異常反饋，通過(guò)挖掘換流站海量事件的強(qiáng)關(guān)聯(lián)性與異常反饋逆向推斷換流站重要事件出現(xiàn)的合理性，方便換流站運(yùn)維人員及時(shí)發(fā)現(xiàn)換流站的設(shè)備異常動(dòng)作，有效提升了換流站運(yùn)維的可靠性。

1 數(shù)據(jù)挖掘的關(guān)聯(lián)規(guī)則算法

1.1 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則(Association Rules, AR)反映一個(gè)事物與其他事物之間的相互依存性和關(guān)聯(lián)性[17-18]，是數(shù)據(jù)挖掘的一個(gè)重要技術(shù)，用于在大型數(shù)據(jù)庫(kù)中挖掘出有價(jià)值的數(shù)據(jù)項(xiàng)之間的相關(guān)關(guān)系[19]。關(guān)聯(lián)規(guī)則的強(qiáng)度取決于支持度和置信度[20]。

1) 支持度()：全部事件中，事件與出現(xiàn)的可能性，即總項(xiàng)目集中子項(xiàng)目集{,}的比重。

2) 置信度()：在關(guān)聯(lián)規(guī)則中，事件發(fā)生的條件下，另一事件發(fā)生的概率，即一個(gè)項(xiàng)目集中同時(shí)含有和的概率。

支持度作為關(guān)聯(lián)規(guī)則強(qiáng)度的度量之一，衡量子項(xiàng)目集在總項(xiàng)目集出現(xiàn)的頻率。通過(guò)設(shè)置最小支持度閾值(min)，篩選出現(xiàn)頻率較多的有意義規(guī)則，剔除出現(xiàn)頻率較小的無(wú)意義規(guī)則。支持度大于最小支持度閾值的項(xiàng)集被稱為頻繁項(xiàng)集(Frequent Itemset, FI)。而置信度作為關(guān)聯(lián)規(guī)則強(qiáng)度的又一個(gè)度量，衡量頻繁項(xiàng)集中兩個(gè)事務(wù)同時(shí)出現(xiàn)的概率。通過(guò)設(shè)置最小置信度閾值(min)，篩選出頻繁項(xiàng)集中兩個(gè)事務(wù)同時(shí)發(fā)生的概率。置信度大于最小置信度的頻繁項(xiàng)集被稱為強(qiáng)規(guī)則(Strong Rule, SR)。

常見的關(guān)聯(lián)規(guī)則包括布爾關(guān)聯(lián)規(guī)則和數(shù)值型規(guī)則關(guān)聯(lián)[21]，而換流站的數(shù)據(jù)屬于布爾型數(shù)據(jù)。Apriori算法和FP-Growth算法是最常見的關(guān)聯(lián)規(guī)則算法[22-23]，但由于Apriori算法需要掃描數(shù)據(jù)庫(kù)多次且操作過(guò)程中產(chǎn)生大量的候選集，導(dǎo)致時(shí)間、空間成本過(guò)高，而FP-Growth算法僅需要對(duì)數(shù)據(jù)集掃描兩次，且不生產(chǎn)候選集，有效地降低了FP-Growth算法的I/O次數(shù)[24]，算法比較如表1所示。

表1 Apriori和FP-Growth的比較

本文綜合考慮Apriori算法和FP-Growth算法的優(yōu)缺點(diǎn)，采用FP-Growth算法，實(shí)現(xiàn)換流站發(fā)生故障的事件告警關(guān)聯(lián)規(guī)則挖掘。

1.2 FP-Growth算法

FP-Growth算法挖掘頻繁項(xiàng)集主要包括兩個(gè)步驟[25]：

1) 建立頻繁模式樹(Frequent Pattern-tree, FP-Tree)

第一次掃描目標(biāo)數(shù)據(jù)集，篩選頻繁項(xiàng)為1的項(xiàng)目集，并定義項(xiàng)目出現(xiàn)最少次數(shù)即最小支持度，定向刪減項(xiàng)目支持度小于最小支持度的項(xiàng)目，并將目標(biāo)數(shù)據(jù)集中的條目按項(xiàng)目支持度降序進(jìn)行排列，在此基礎(chǔ)上二次掃描目標(biāo)數(shù)據(jù)集，并創(chuàng)建自頂向下的項(xiàng)頭表和FP-Tree。

2) 從FP-Tree中挖掘頻繁項(xiàng)集

將項(xiàng)目按照從頂向下的順序查找其條件模式基(Conditional Patten Base, CPB)，遞歸調(diào)用樹結(jié)構(gòu)以刪除小于最小支持度的項(xiàng)，直至呈現(xiàn)單一路徑的樹結(jié)構(gòu)。

1.3 互信息與對(duì)稱不確定性

熵在信息論中用來(lái)度量隨機(jī)變量的不確定性，而互信息則利用其隨機(jī)變量序列的熵衡量其信息相似程度[26-27]。假設(shè)兩個(gè)特征與，則互信息的公式如式(3)所示。

互信息(Mutual Information, MI)在選取特征較多時(shí)，其計(jì)算復(fù)雜度與空間復(fù)雜度會(huì)成倍增加，為了降低其復(fù)雜度，采用了對(duì)稱不確定性(Symmetric Uncertainty, SU)，將互信息的范圍縮放到[0,1]使之歸一化互信息，對(duì)稱不確定性公式為

基于對(duì)稱不確定性互信息(MISU)，需保證判斷特征與結(jié)果特征間相關(guān)性互信息最大，判斷特征間相關(guān)性互信息最小，即需要保證以下公式。

2 換流站事件關(guān)聯(lián)規(guī)則挖掘

2.1 換流站事件特征篩選

1) 換流站記錄事件特征篩選

在原始SER事件的數(shù)據(jù)中：時(shí)間表征事件的生成時(shí)刻，方便收集故障發(fā)生后產(chǎn)生的數(shù)據(jù)；主機(jī)方便定位產(chǎn)生事件的控制保護(hù)裝置；系統(tǒng)告警表明主機(jī)的哪一套冗余系統(tǒng)(A/B)產(chǎn)生該事件；事件等級(jí)表明該事件需要給予的關(guān)注度，分為“正常”、“輕微”、“報(bào)警”和“緊急”4個(gè)等級(jí)；報(bào)警組為產(chǎn)生該事件的設(shè)備組或產(chǎn)生該事件的主機(jī)的控制軟件的模塊；事件列表為系統(tǒng)對(duì)當(dāng)前運(yùn)行下進(jìn)行的動(dòng)作帶有嵌入值的事件內(nèi)容描述。記錄事件系統(tǒng)現(xiàn)場(chǎng)圖如附圖1。

通過(guò)換流站記錄事件特征篩選，可以降低記錄事件模型維度[28-29]，故需從原始事件特征中選取有效特征，本文從原始記錄數(shù)據(jù)中利用時(shí)間和等級(jí)作為索引，報(bào)警組和事件作為特征來(lái)進(jìn)行布爾映射。

2) 換流站響應(yīng)日志特征篩選

換流站響應(yīng)日志包含時(shí)間、故障區(qū)域與故障等內(nèi)容，需要在業(yè)務(wù)經(jīng)驗(yàn)下進(jìn)行換流站實(shí)體篩選，如“在20201007 10：48：10發(fā)生線路整流側(cè)出現(xiàn)極1出線金屬性接地”篩選后變?yōu)椤绊憫?yīng)時(shí)間：20201007 10：48：10；故障區(qū)域：線路；故障：線路接地”，使之具有元組特性，便于進(jìn)行布爾映射。換流站事件特征篩選具體過(guò)程如圖1所示。

圖1 換流站事件特征篩選過(guò)程圖

2.2 換流站事件關(guān)聯(lián)挖掘建模

本文換流站事件分為記錄事件與響應(yīng)日志兩部分，由于換流站記錄事件自帶元組特性，同時(shí)響應(yīng)日志中的故障可作為結(jié)果特征，在建立模型時(shí)，可以考慮采用布爾數(shù)據(jù)建模方法，將判斷特征進(jìn)行布爾映射，使其可以進(jìn)行布爾類數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘，具體公式如式(8)所示。

式中：為第i個(gè)判斷特征；為第j個(gè)結(jié)果特征；B為布爾映射函數(shù)；為判斷特征集；為結(jié)果特征集。其建模流程如圖2所示。

其建模部分包括：

1) 數(shù)據(jù)整合

將換流站記錄事件與換流站響應(yīng)日志進(jìn)行數(shù)據(jù)整合、分類，并將直流系統(tǒng)故障與順控操作換流站響應(yīng)事件后120 s的記錄事件生成記錄事件集。

2) 質(zhì)量檢驗(yàn)

對(duì)于記錄事件集與換流站響應(yīng)日志進(jìn)行字段檢查與初步核實(shí)，以保證其字段質(zhì)量。

3) 特征降維

采用前期選擇的主機(jī)、報(bào)警組、事件判斷特征項(xiàng)，同時(shí)過(guò)濾其無(wú)意義的字段。

4) 記錄事件集布爾映射

根據(jù)換流站記錄事件集自帶元組特性，將其自動(dòng)進(jìn)行布爾映射。

5) 響應(yīng)日志布爾映射

由于換流站響應(yīng)日志不具備元組特性，本文針對(duì)其進(jìn)行業(yè)務(wù)經(jīng)驗(yàn)下的換流站實(shí)體篩選，進(jìn)行響應(yīng)日志預(yù)處理后形成結(jié)果特征，進(jìn)而進(jìn)行布爾映射。

2.3 換流站事件關(guān)聯(lián)挖掘分析與異常反饋

利用FP-Growth算法的關(guān)聯(lián)規(guī)則挖掘特性，形成換流站記錄事件與響應(yīng)日志間的關(guān)聯(lián)規(guī)則，即判斷特征與結(jié)果特征間的關(guān)聯(lián)規(guī)則，在設(shè)置最小支持度與最小置信度后，滿足其特點(diǎn)的即為換流站事件SR，以此得到其一次、二次設(shè)備動(dòng)作與其對(duì)應(yīng)的直流系統(tǒng)故障與順控操作的規(guī)則。若后續(xù)診斷與SR不匹配，則可以通過(guò)其規(guī)則缺失情況，定向查看該設(shè)備的異常情況或其通信異常情況。圖3為換流站事件關(guān)聯(lián)分析流程圖，圖4為換流站事件異常反饋流程圖。

圖3 換流站事件關(guān)聯(lián)分析流程圖

圖4 換流站事件異常反饋流程圖

3 算例分析

3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)來(lái)源

本文采用操作系統(tǒng)為Windows 10、內(nèi)存為8 GB、CPU為Intel(R) Core(TM) i3-9100F CPU @ 3.60 GHz、GPU為NVIDIA GeForce GTX 1650的實(shí)驗(yàn)環(huán)境，使用Python3.8語(yǔ)言開發(fā)，實(shí)驗(yàn)軟件平臺(tái)為Anacaoda3，編寫數(shù)據(jù)建模程序與算法程序。數(shù)據(jù)來(lái)源于昆柳龍直流系統(tǒng)2020年5月20日—2020年12月20日調(diào)試期間換流站記錄的事件/報(bào)警信息，由控制保護(hù)系統(tǒng)主機(jī)及總線產(chǎn)生，經(jīng)由站LAN網(wǎng)發(fā)送到SCADA系統(tǒng)，由SCADA系統(tǒng)處理后保存到實(shí)時(shí)數(shù)據(jù)庫(kù)和歷史數(shù)據(jù)庫(kù)中。

3.2 昆柳龍換流站事件關(guān)聯(lián)分析

考慮到昆柳龍直流換流站調(diào)試期間數(shù)據(jù)量較小，單次事件的事件集數(shù)據(jù)不完善，故設(shè)置本文算法的最小支持度為1%，最小置信度為70%。最小支持度設(shè)置1%的意義為結(jié)果特征出現(xiàn)概率超過(guò)1%，即結(jié)果特征對(duì)應(yīng)故障發(fā)生次數(shù)與總故障次數(shù)的比值超過(guò)1%，最小置信度設(shè)置70%的意義為其結(jié)果特征出現(xiàn)時(shí)其判斷特征出現(xiàn)的可能性大于70%，表明其存在SR，即出現(xiàn)10次結(jié)果特征中至少存在7次與結(jié)果特征對(duì)應(yīng)的判斷特征。根據(jù)換流站事件復(fù)雜度不同，可分為直流系統(tǒng)故障挖掘與順控操作挖掘，直流系統(tǒng)故障挖掘較為復(fù)雜，故采用記錄事件的“事件”即對(duì)應(yīng)設(shè)備動(dòng)作的布爾映射。而順控操作挖掘較為簡(jiǎn)單，采用“報(bào)警組”即對(duì)應(yīng)設(shè)備的布爾映射。換流站直流系統(tǒng)故障關(guān)聯(lián)規(guī)則挖掘結(jié)果與換流站順控操作關(guān)聯(lián)規(guī)則挖掘結(jié)果分別如表2與表3所示。

表2 換流站直流系統(tǒng)故障關(guān)聯(lián)規(guī)則

表3 換流站順控操作關(guān)聯(lián)規(guī)則

3.3 昆柳龍換流站事件異常反饋

以某次昆柳線直流線路(金屬性)接地故障為例，其事件如附表1所示，通過(guò)匹配結(jié)果特征為線路接地可得到兩組判斷特征，并定義為第一判斷特征與第二判斷特征，如表4所示。通過(guò)進(jìn)行規(guī)則匹配發(fā)現(xiàn)滿足第一判斷特征與第二判斷特征，則反饋該次昆柳線直流線路(金屬性)接地故障無(wú)異常。

表4 線路接地判斷特征

3.4 算法性能分析

為進(jìn)一步證明本文算法對(duì)比其他算法的優(yōu)越性，本文采用加入對(duì)稱不確定性互信息的FP-Growth算法與未改進(jìn)FP-Growth算法和Apriori算法在不同事件數(shù)情況下的挖掘速度進(jìn)行對(duì)比，對(duì)比結(jié)果如圖5所示。

圖5 不同算法計(jì)算時(shí)間

圖5中，當(dāng)事件數(shù)低于100時(shí)，不同算法挖掘時(shí)間差距較小。當(dāng)事件數(shù)大于100時(shí)，Apriori算法計(jì)算時(shí)間明顯增加，同時(shí)，本文算法對(duì)比未改進(jìn)FP-Growth算法在運(yùn)算時(shí)間上保持明顯優(yōu)勢(shì)，考慮未來(lái)昆柳龍直流換流站運(yùn)行并積累海量事件，本文算法有更大的優(yōu)勢(shì)。

本文選取的算法挖掘換流站結(jié)果特征與判斷特征間關(guān)聯(lián)規(guī)則挖掘結(jié)果差別不明顯，僅在計(jì)算支持度與置信度時(shí)由于算法構(gòu)造方法導(dǎo)致結(jié)果略有不同，但結(jié)果差距較小，并不影響結(jié)果特征所對(duì)應(yīng)的判斷特征挖掘，線路接地判斷特征的支持度與置信度如圖6所示。

圖6 線路接地判斷特征的支持度與置信度

4 結(jié)論

本文提出了一種考慮換流站海量事件的關(guān)聯(lián)規(guī)則挖掘分析方法，得到以下結(jié)論：

1) 通過(guò)自動(dòng)特征篩選記錄事件與業(yè)務(wù)經(jīng)驗(yàn)實(shí)體篩選響應(yīng)日志，有效減少換流站事件維度，便于從中提取結(jié)果特征與判斷特征；

2) 利用特征量化方法，將換流站海量事件文字映射為布爾變量，為后續(xù)關(guān)聯(lián)規(guī)則挖掘提供模型基礎(chǔ)；

3) 采用對(duì)稱不確定性理論與互信息原理改進(jìn)FP-Growth算法，可以有效地提升挖掘算法的挖掘速度，高效挖掘換流站海量事件的結(jié)果特征、判斷特征關(guān)聯(lián)性。

綜上所述，本文所提出的方法可以有效地從海量事件中提取判斷特征與結(jié)果特征的強(qiáng)關(guān)聯(lián)規(guī)則，及時(shí)發(fā)現(xiàn)換流站的設(shè)備異常動(dòng)作，并為運(yùn)維人員輔助服務(wù)提供決策支撐。

隨著換流站SCADA系統(tǒng)積累更多的運(yùn)維數(shù)據(jù)，將利用Hadoop大數(shù)據(jù)平臺(tái)挖掘關(guān)聯(lián)事件數(shù)據(jù)，提取出故障發(fā)生的事件數(shù)據(jù)，自動(dòng)判斷換流站事件異常狀態(tài)，并直接應(yīng)用于昆柳龍直流工程，并可為未來(lái)白鶴灘-江蘇±800 kV特高壓直流輸電工程換流站高效運(yùn)維提供參考。

附圖1 換流站SER事件現(xiàn)場(chǎng)圖

Attached Fig. 1 Site map of converter station SER event

附表1 昆柳線直流線路(金屬性)接地故障日志

Attached Table 1 Kun-Liu line DC line (metallic) ground fault log

報(bào)警組事件列表備注 系統(tǒng)監(jiān)視UVY的C相電壓零漂異常 系統(tǒng)監(jiān)視輕微故障出現(xiàn) 直流線路系統(tǒng)金屬性接地故障啟動(dòng)移相出現(xiàn)第二判斷特征 直流線路直流線路電壓突變量保護(hù)(27DUDT)I段動(dòng)作第一判斷特征 直流線路直流線路行波保護(hù)(WFPDL)I段動(dòng)作第一判斷特征 直流線路保護(hù)保護(hù)發(fā)出高壓線路重啟命令第二判斷特征 直流線路保護(hù)系統(tǒng)金屬性接地故障啟動(dòng)移相第二判斷特征 站間通信向其他站發(fā)出線路保護(hù)動(dòng)作命令出現(xiàn)第一判斷特征 極控線路再啟動(dòng)保護(hù)第1次原壓重啟請(qǐng)求移相第一判斷特征 DFP1A保護(hù)啟動(dòng)出現(xiàn) DFP1A過(guò)電流II段啟動(dòng)出現(xiàn) 直流線路直流線路行波保護(hù)(WFPDL)I段動(dòng)作第一判斷特征 直流線路直流線路電壓突變量保護(hù)(27DUDT)I段動(dòng)作第一判斷特征 站間通信收到柳北站線路保護(hù)動(dòng)作命令出現(xiàn)第一判斷特征 無(wú)功控制Umax越上限報(bào)警Uac 581.629822 kV Umax_limit 572 kV 后備無(wú)功控制Umax越限報(bào)警禁止投入濾波器/電容器 無(wú)功控制Umax越限報(bào)警禁止投入濾波器/電容器 電壓應(yīng)力保護(hù)禁止降分接頭 電壓應(yīng)力保護(hù)請(qǐng)求升分接頭 極控直流線路保護(hù)重啟動(dòng)邏輯重啟成功

[1] 秦博雅, 劉東. 電網(wǎng)信息物理系統(tǒng)分析與控制的研究進(jìn)展與展望[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2020, 40(18): 5816-5827.

QIN Boya, LIU Dong. Research progresses and prospects on analysis and control of cyber-physical system for power grid[J]. Proceedings of the CSEE, 2020, 40(18): 5816-5827.

[2] CHEN H, WANG X, LI Z, et al. Distributed sensing and cooperative estimation/detection of ubiquitous power internet of things[J]. Protection and Control of Modern Power Systems, 2019, 4(2): 151-158.

[3] 薛禹勝, 賴業(yè)寧. 大能源思維與大數(shù)據(jù)思維的融合(一)大數(shù)據(jù)與電力大數(shù)據(jù)[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(1): 1-8.

XUE Yusheng, LAI Yening. Integration of macro energy thinking and big data thinking part one big data and power big data[J]. Automation of Electric Power Systems, 2016, 40(1): 1-8.

[4] 趙洪山, 馬利波. 基于張量Tucker分解的智能配電網(wǎng)大數(shù)據(jù)壓縮[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(16): 4744-4752, 4976.

ZHAO Hongshan, MA Libo. Big data compression of smart distribution systems based on tensor Tucker decomposition[J]. Proceedings of the CSEE, 2019, 39(16): 4744-4752, 4976.

[5] BAEK J, VU Q H, LIU J K, et al. A secure cloud computing based framework for big data information management of smart grid[J]. IEEE Transactions on Cloud Computing, 2015, 3(2): 233-244.

[6] SIMMHAN Y. Cloud-based software platform for big data analytics in smart grids[J]. Computing in Science & Engineering, 2013, 15(4): 38-47.

[7] 王罡, 劉敬文, 李國(guó)鵬, 等. 基于多源異構(gòu)數(shù)據(jù)融合的綜合管廊電力艙系統(tǒng)保護(hù)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(7): 103-109.

WANG Gang, LIU Jingwen, LI Guopeng, et al. System protection of a pipe corridor power cabin based on multi-source heterogeneous data fusion[J]. Power System Protection and Control, 2021, 49(7): 103-109.

[8] SHENG G, HOU H, JIANG X, et al. A novel association rule mining method of big data for power transformers state parameters based on probabilistic graph model[J]. IEEE Transactions on Smart Grid, 2018, 9(2): 695-702.

[9] 袁智勇, 肖澤坤, 于力, 等. 智能電網(wǎng)大數(shù)據(jù)研究綜述[J]. 廣東電力, 2021, 34(1): 1-12.

YUAN Zhiyong, XIAO Zekun, YU Li, et al. Research review of big data for smart grid[J]. Guangdong Electric Power, 2021, 34(1): 1-12.

[10] 郭國(guó)棟, 龔雁峰, 吳迪, 等. 引入HoloLens進(jìn)行信息融合與數(shù)據(jù)挖掘的新型巡檢方式及體驗(yàn)[J]. 中國(guó)電力, 2021, 54(7): 208-216.

GUO Guodong, GONG Yanfeng, WU Di, et al. New inspection method and experience by introducing Hololens into information fusion and data mining[J]. Electric Power, 2021, 54(7): 208-216.

[11] 張延旭, 胡春潮, 黃曙, 等. 基于Apriori算法的二次設(shè)備缺陷數(shù)據(jù)挖掘與分析方法[J]. 電力系統(tǒng)自動(dòng)化, 2017, 41(19): 147-151, 163.

ZHANG Yanxu, HU Chunchao, HUANG Shu, et al. Apriori algorithm based data mining and analysis method for secondary device defects[J]. Automation of Electric Power Systems, 2017, 41(19): 147-151, 163.

[12] 任偉, 徐子立, 宋曉林, 等. 基于數(shù)據(jù)挖掘的配網(wǎng)數(shù)字化計(jì)量系統(tǒng)運(yùn)行特性監(jiān)測(cè)和評(píng)價(jià)方法研究[J]. 高壓電器, 2020, 56(8): 183-191.

REN Wei, XU Zili, SONG Xiaolin, et al. On-site monitoring and evaluation method of operation characteristics of MV distribution digital metering system based on data mining technique[J]. High Voltage Apparatus, 2020, 56(8): 183-191.

[13] 李昀昊, 王建學(xué), 王秀麗. 基于混合聚類分析的電力系統(tǒng)網(wǎng)損評(píng)估方法[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(1): 60-65.

LI Yunhao, WANG Jianxue, WANG Xiuli. A power system network loss evaluation method based on hybrid clustering analysis[J]. Automation of Electric Power Systems, 2016, 40(1): 60-65.

[14] 方曉潔, 黃偉瓊, 葉東華, 等. 分布式并行FP-growth算法在二次設(shè)備缺陷監(jiān)測(cè)中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(8): 160-167.

FANG Xiaojie, HUANG Weiqiong, YE Donghua, et al. Application of a distributed parallel FP-growth algorithm in secondary device defects monitoring[J]. Power System Protection and Control, 2021, 49(8): 160-167.

[15] 葉萬(wàn)余, 蘇超, 羅敏輝, 等. 基于關(guān)聯(lián)規(guī)則挖掘的輸電線路缺陷狀態(tài)預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(20): 104-111.

YE Wanyu, SU Chao, LUO Minhui, et al. Transmission line defect state prediction based on association rule mining[J]. Power System Protection and Control, 2021, 49(20): 104-111.

[16] HE Jinghan, CHEN Keao, LI Meng, et al. Review of protection and fault handling for a flexible DC grid[J]. Protection and Control of Modern Power Systems, 2020, 5(2): 151-165.

[17] 楊志淳, 沈煜, 楊帆, 等. 考慮多元因素態(tài)勢(shì)演變的配電變壓器遷移學(xué)習(xí)故障診斷模型[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(7): 1505-1515.

YANG Zhichun, SHEN Yu, YANG Fan, et al. A transfer learning fault diagnosis model of distribution transformer considering multi-factor situation evolution[J]. Transactions of China Electrotechnical Society, 2019, 34(7): 1505-1515.

[18] 程江洲, 聶瑋瑤, 張赟寧, 等. 基于FP-network關(guān)聯(lián)規(guī)則挖掘算法的配電網(wǎng)薄弱點(diǎn)分析研究[J]. 電測(cè)與儀表, 2021, 58(3): 47-53.

CHENG Jiangzhou, NIE Weiyao, ZHANG Yunning, et al. Analysis and research on weak point of distribution network based on FP-network association rule mining algorithm[J]. Electrical Measurement & Instrumentation, 2021, 58(3): 47-53.

[19] HEATON J. Comparing dataset characteristics that favor the Apriori, Eclat or FP-Growth frequent itemset mining algorithms[C] // IEEE SoutheastCon 2016, March 30-April 3, 2016, Norfolk, US: 1-7.

[20] 陳碧云, 丁晉, 陳紹南. 基于關(guān)聯(lián)規(guī)則挖掘的電力生產(chǎn)安全事故事件關(guān)鍵誘因篩選[J]. 電力自動(dòng)化設(shè)備, 2018, 38(4): 68-74.

CHEN Biyun, DING Jin, CHEN Shaonan. Selection of key incentives for power production safety accidents based on association rule mining[J]. Electric Power Automation Equipment, 2018, 38(4): 68-74.

[21] 孫豐杰, 王承民, 謝寧. 面向智能電網(wǎng)大數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘的頻繁模式網(wǎng)絡(luò)模型[J]. 電力自動(dòng)化設(shè)備, 2018, 38(5): 110-116.

SUN Fengjie, WANG Chengmin, XIE Ning. Frequent pattern network model for association rule mining of big data in smart grid[J]. Electric Power Automation Equipment, 2018, 38(5): 110-116.

[22] ABDEL-BASSET. Neutrosophic association rule mining algorithm for big data analysis[J]. Symmetry, 2018, 10(4): 106-116.

[23] 郭凱, 呂閆, 馬曉忱, 等. 基于關(guān)聯(lián)規(guī)則算法的直流輸電受端電網(wǎng)斷面過(guò)載調(diào)整方法研究[J]. 智慧電力, 2020, 48(8): 63-69.

GUO Kai, Lü Yan, MA Xiaochen, et al. Overload adjustment method of DC transmission receiving-end power grid transmission section based on association rules algorithm[J]. Smart Power, 2020, 48(8): 63-69.

[24] TSENG V S, SHIE B, WU C, et al. Efficient algorithms for mining high utility itemsets from transactional databases[J]. IEEE Transactions on Knowledge and Data Engineering, 2013, 25(8): 1772-1786.

[25] 劉思怡, 蘇運(yùn), 張焰. 基于FP-Growth算法的10 kV配電網(wǎng)分支線斷線故障診斷與定位方法[J]. 電網(wǎng)技術(shù), 2019, 43(12): 4575-4582.

LIU Siyi, SU Yun, ZHANG Yan. Open-line fault diagnosis and positioning method for 10 kV power distribution network branch line based on FP-growth algorithm[J]. Power System Technology, 2019, 43(12): 4575-4582.

[26] 劉金朋, 劉福炎, 呂睿博, 等. 考慮網(wǎng)格信息熵的配電網(wǎng)資產(chǎn)運(yùn)維投入優(yōu)化方法研究[J]. 智慧電力, 2020, 48(12): 65-70.

LIU Jinpeng, LIU Fuyan, Lü Ruibo, et al. Research on optimization method of distribution network asset operation and maintenance investment considering grid information entropy[J]. Smart Power, 2020, 48(12): 65-70.

[27] 齊山成, 史志鴻, 馬臨超, 等. 輸電線路主成分狀態(tài)量風(fēng)險(xiǎn)信息熵的檢修計(jì)劃研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(1): 96-101.

QI Shancheng, SHI Zhihong, MA Linchao, et al. Study of maintenance schedule for the risk information entropy of principle component state of transmission line[J]. Power System Protection and Control, 2020, 48(1): 96-101.

[28] 趙晉泉, 夏雪, 徐春雷, 等. 新一代人工智能技術(shù)在電力系統(tǒng)調(diào)度運(yùn)行中的應(yīng)用評(píng)述[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(24): 1-10.

ZHAO Jinquan, XIA Xue, XU Chunlei, et al. Application review on application of new generation artificial intelligence technology in power system dispatching and operation[J]. Automation of Electric Power Systems, 2020, 44(24): 1-10.

[29] 崔燦, 肖先勇, 吳奎華, 等. 基于HHT和特征離散化的電壓暫降擾動(dòng)源分類特征提取[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(24): 8-15.

CUI Can, XIAO Xianyong, WU Kuihua, et al. Feature extraction in classification of voltage sag sources based on HHT and feature discretization[J]. Power System Protection and Control, 2018, 46(24): 8-15.

Association rule mining analysis method considering massive events in a converter station

HUANG Jianxiang1, LIN Zheng2, LIU Kezhen2, LUO Zhao2, YU Jinyun1, XU Feng1

(1. Kunming Bureau of CSG EHV Transmission Company, Kunming 650217, China; 2. Faculty of Electric Power Engineering, Kunming University of Science and Technology, Kunming 650500, China)

To improve the ability of converter station operational and maintenance personnel to analyze massive generated events, this paper proposes an association rule mining analysis method considering a large number of events in converter stations. First, the entity features of recorded event and response logs are filtered using the original event tuple features. Then Boolean mapping and association mining modeling of the entity features of the converter station are performed. Then, an FP-Growth algorithm is improved using the mutual information (MI) principle and symmetric uncertainty (SU) theory. Finally, based on the improved algorithm, event correlation analysis of the converter station is carried out, and then the feedback of the converter station anomaly is carried out based on the results of the correlation rules. By mining the massive generated events during the commissioning of the Kun-Liu-Long DC converter station, it is shown that the proposed method can effectively extract strong correlation rules of judgment and result features from the massive events, discover the abnormal equipment actions of the converter station in time, and provide the decision support for operation and maintenance analysis.

event tuple characteristics; Boolean mapping; improved FP-Growth algorithm; abnormality feedback; Kun-Liu-Long DC converter station

10.19783/j.cnki.pspc.211148

2021-08-23；

2021-12-21

黃劍湘(1989—)，男，工程師，學(xué)士，研究方向?yàn)楦邏褐绷髋c柔性直流輸電，±800 kV特高壓直流運(yùn)行維護(hù)工作；

林 錚(1997—)，男，碩士研究生，研究方向?yàn)樯疃葘W(xué)習(xí)、能源互聯(lián)網(wǎng)；

駱 釗(1986—)，男，博士，通信作者，副教授，研究方向?yàn)榫C合能源系統(tǒng)，區(qū)塊鏈、大數(shù)據(jù)、人工智能在電力系統(tǒng)中的應(yīng)用等。E-mail: waiting.198611@live. Com

國(guó)家自然科學(xué)基金項(xiàng)目資助(51907084)；中國(guó)南方電網(wǎng)有限責(zé)任公司超高壓輸電公司核心攻關(guān)科技項(xiàng)目資助(CGYKJXM20180212)；云南省應(yīng)用基礎(chǔ)研究計(jì)劃項(xiàng)目資助(202101AT070080)

This work is supported by the National Natural Science Foundation of China (No. 51907084).

(編輯 周金梅)