基于FP-growth算法的電網運行風險分析

鄧智廣

（廣東電網有限責任公司佛山供電局，廣東 佛山 528000）

0 引 言

伴隨電網智能化程度的不斷加深，電網結構必然日益龐大且復雜化，因此在電網運行過程中必然會存在很多潛在的不確定風險，這也對確保電網安全方法提出了更高的要求[1]。為有效避免由于電網運行風險導致的電網故障，進一步確保電網的安全穩定運行，分析電網運行風險是解決此問題的有效途徑。本文通過將FP-growth算法引進到電網運行風險分析方法中，致力于在保障電網能夠正常運行的同時，使電力能夠得到可靠供應。FP-growth算法在本質上是一種關聯分析算法，可以通過構建FP-tree前綴樹，加快整個挖掘過程，同時FP-growth算法以其頻繁模式對關聯信息具有出色的保留能力，能夠廣泛應用于數據挖掘中，并可以取得良好的應用效果[2]。為此，本文提出基于FP-growth算法的電網運行風險分析方法，通過運用FP-growth算法中的FP-tree，搜索最短傳輸路徑，獲取危險線路，從而提高電網運行風險分析的精準度，為電網運行工作提供理論依據。

1 基于FP-growth算法的電網運行風險分析

1.1 構造電網運行風險分析FP-tree

首先，運用FP-growth算法中的FP-tree特殊數據結構，通過兩次掃描電網運行風險數據，將原始數據壓縮到一個FP-tree中。在同一個FP-tree中，只要擁有相同的路徑就能夠達到壓縮數據的目的。設在電網運行風險數據集為c，那么c={c1,c2,c3,…cn}，ci指的是電網運行風險數據集c中的任一事物。本文以c為例，通過二次遍歷構造電網運行風險分析FP-tree。

第一次遍歷c，設電網運行風險數據元素項為l；出現頻率為f，將每一個電網運行風險數據元素項以出現頻率的降序作為排列順序，并進行排列[3]。預先將支持度設為fmin，只選取大于fmin的元素項，根據標識信息中的相同電網運行風險數據元素項節點進而建立連接關系。第二次遍歷c，將經過排序和篩選處理的電網運行風險數據元素項重新以出現頻率的降序作為排列順序進行排列，得到新的電網運行風險數據集，設數據集為cn，對該數據集進行充新掃描。cn數據集本身作為一個空集存在，需要將ci按照具有相同前綴分支的標準依次添加到cn數據集中，若包含前電網運行風險數據元素項數值記為加1，若不包含則建立新的分支，直至完成電網運行風險分析FP-tree構造。

假定在cn數據集中包含4條事物，分別為c1={l1,l2,l3,l4}，c1={l2,l4,l5,l6}，c3={l2,l3,l4}，c4={l1,l2,l3,l4,l5,l6}，則基于cn數據集構造的電網運行風險分析FP-tree具體結構，如圖1所示。

圖1 電網運行風險分析FP-tree結構示意圖

通過圖1可知，包含前電網運行風險數據元素項數值的元素項之間可以用曲線連接，不包含前電網運行風險數據元素項數值的元素項之間則通過直線建立新的分支[4]。

1.2 挖掘電網運行風險關鍵線路

在得出電網運行風險分析FP-tree的基礎上，運用FP-growth算法挖掘電網運行風險關鍵線路，挖掘電網運行風險關鍵線路的具體流程如圖2所示。

圖2 電網運行風險關鍵線路挖掘流程

通過圖2可知，在電網運行過程中將發生過N次的故障導入電網運行風險模擬器，將模擬結果輸出并結合線路故障發生的原因形成風險鏈，再對風險鏈進行格式化，得到格式化風險鏈，最后導入電網運行風險數據，利用FP-growth算法挖掘頻繁項集，輸出挖掘結果，確定電網運行風險關鍵線路[5]。利用FP-growth算法挖掘頻繁項集可以通過對FP-tree中的電網運行風險數據元素項遞歸獲取條件模式基，構建條件FP-tree，保存頻繁項，直到FP-tree僅存一條分支終止遞歸，得到最終的頻繁項集列表，則該列表保存含電網運行風險的頻繁項。

1.3 分析電網運行風險

在挖掘出電網運行風險關鍵線路的基礎上，運用風險理論分析電網運行風險。由于電網運行狀態的風險伴隨著極高的不確定性，這就要求對電網運行狀態風險數據的分析越來越精準可靠。通過以上研究，基于FP-growth算法的數據挖掘能夠分析出電網運行狀態風險的有效信息，可以進一步掌握電網運行狀態。為了滿足電網運行狀態風險分析的實際情況，就必須加大FP-growth算法在電網運行風險分析中的應用力度。

2 仿真實驗

2.1 實驗準備

設計仿真實驗，運用SIEEEVE-118節點測試系統分析電網運行狀態風險，選取49條電網運行關鍵線路作為實驗對象，根據電網運行狀態風險信息傳輸路徑作為分析依據，搜索最短傳輸路徑。本次仿真實驗選取的49條電網運行關鍵線路具體參數如表1所示。

表1 電網運行關鍵線路參數

結合表1信息，分別使用傳統風險分析方法和本文設計風險分析方法進行仿真實驗，設置傳統的風險分析方法為實驗對照組。仿真實驗軟件為SIEEEVE-118節點測試系統，主要用于對電網運行風險分析的仿真模擬。仿真實驗主要內容為測試兩種風險分析方法的風險誤報率，從而評定分析精度更高的風險分析方法。在此次的仿真實驗中，共針對49條線路進行3組對比實驗，針對SIEEEVE-118節點測試系統測得的風險誤報率，記錄實驗結果，進而判斷兩種風險分析方法對于電網運行風險的分析能力。

2.2 實驗結果分析與結論

根據上述設計的仿真實驗步驟，采集3組對比實驗數據，將兩種風險分析方法下的風險誤報率進行對比。為更加直觀地表現出兩種風險分析方法在風險誤報率方面的差異，將兩種風險分析方法下得出的風險誤報率繪制為曲線圖，如圖3所示。

圖3 風險誤報率對比圖

通過圖3可得出如下的結論，本文設計的風險分析方法風險誤報率最高為0.249%，實驗對照組為0.496%，設計的風險分析方法風險誤報率更低，可以實現對電網運行風險精準分析。通過仿真驗證結果，證明所設計的風險分析方法其各項功能均可以滿足設計總體要求，可以廣泛應用于電網運行風險分析方面。

3 結 論

通過仿真實驗證明，本文設計風險分析方法在電網運行狀態風險分析中的具體優勢已經顯現出來。風險誤報率的高低是保證電網運行狀態風險分析精度的主要衡量標準，而針對電網運行狀態風險分析方法進行基于FP-growth算法的優化可以大幅度提高風險分析精度。引進FP-growth算法的風險分析方法不但能夠完成傳統的風險分析方法所不能完成的任務，還能以FP-growth算法為核心算法，為電網運行狀態風險分析領域的研究提供學術意義。