數據挖掘的電力自動化系統故障自動診斷系統設計

葉 華，王國平，陳 飛，郭云鵬

（云南電力調度控制中心，云南昆明 650217）

電力自動化系統包含繼電保護裝置、自動化裝置、故障錄波器等電子裝置[1]，各類電子裝置的投入越來越多，導致電力自動化系統故障發生概率顯著上升[2]。以往診斷電力自動化系統通常采用基于故障樹的故障診斷系統[3]和基于多維信息融合的故障診斷系統[4]，但上述系統均存在易受主觀因素影響、運行功率高的缺陷。

數據挖掘技術的出現為解決上述問題提供了有效途徑。利用人工智能技術分析數據得到相關知識的過程即數據挖掘，該過程獲取的知識一般為概念、規則、特征等[5]。將數據挖掘應用于電力自動化系統中，設計基于數據挖掘的電力自動化系統故障自動診斷系統，準確診斷電力自動化系統的故障，降低故障診斷系統的運行功率。

1 數據挖掘的電力自動化系統故障自動診斷系統

1.1 系統整體設計

基于數據挖掘的電力自動化系統故障自動診斷系統整體結構如圖1 所示，其采用多層多模塊設計理念[6]，整體分為3 個層次：實現人機交互功能的應用表現層、包含處理業務邏輯的業務處理層和存放支持系統運行數據的數據層。

圖1 系統整體結構設計

1）應用表現層是人機交互的工具[7]，可將系統操作者的需求傳遞至業務處理層內，同時利用顯示器顯示業務處理層數據處理結果，完成信息交流。基于數據挖掘的電力自動化系統故障自動診斷系統中應用表現層即系統的控制界面，故障顯示界面。

2）業務處理層在接收應用表現層發送的控制命令后，根據設定邏輯完成命令。在此過程中，系統程序會依照命令調度相關數據，分析數據后將相關結果反饋至應用表現層。業務處理層中包含的主要功能有基本信息采集、故障分析與判斷、故障追蹤、預警分析等。

3）數據層中包含系統初始化設置信息、電力自動化系統信息、設備信息、錄播數據信息、電力自動化系統分布圖等。數據層為業務處理層提供信息服務，數據層內各項信息存儲模型各不相同[8]：部分數據存儲于數據庫內、部分數據以XML 文件形式存儲、電力自動化系統分布圖等均以圖片形式存儲。

1.2 系統功能模塊設計

為實現電力自動化系統穩定運行需求，提升電力自動化系統信息化、智能化整體水平，使自動診斷系統運行的不同環節實現可控與能控[9-10]，設計了電力自動化系統故障自動診斷系統功能模塊，如圖2所示。系統主要包括數據采集、數據儲存、故障診斷、故障追蹤以及警告管理等功能模塊，利用這些功能模塊實現系統整體有效的運行。

圖2 系統功能模塊設計

1.3 基于數據挖掘的故障自動診斷算法

電氣自動化系統狀態參量通常具有多變性，針對電氣自動化系統參量間相關性挖掘分析的不足，造成系統參量缺少系統性認知。組合電力自動化系統多參量，提取特征量并對其實施合并，分析狀態參量間相關性等均可由狀態參量關聯規則分析完成。電氣自動化系統狀態參量關聯規則可通過A=＞B的形式描述，代表“假設存在A，則存在B”[11-12]。其中A和B分別表示前項狀態參量與后項狀態參量，A既可以是一個狀態參量也可以是狀態參量集合，B通常是一個狀態參量。用W表示電力自動化系統故障，U表示待挖掘關聯規則庫，假設電力自動化系統中包含n個故障，則U={W1,W2,…,Wj,…,Wn}，各故障中又包含m個項，W={V1,V2,…,Vi,…,Vm} 。

用Z表示項集A的支持度，其計算公式如下：

式（2）表示A=＞B關聯規則的支持度：

式中，Z和N(A?W)分別為支持度和集合數量。

K為A=＞B關聯規則的可信度，具體為：

式中，K描述的是項集內同時存在A項集與B項集的幾率[13]。

針對電力自動化系統狀態參量的關聯規則，狀態參量可通過定義最小支持度與可信度的閾值確定，獲取Z值與K值均較高的關聯規則，由此判斷電力自動化系統故障類型。

1.4 基于數據挖掘的故障追蹤流程

根據相關規則確定電力自動化系統故障類型后，根據決策樹算法提出基于數據挖掘的故障追蹤流程對故障進行追蹤，分析電力自動化系統數據，確定故障產生原因[14-16]。基于數據挖掘的故障追蹤包含兩部分，分別是電力自動化系統各廠站端的局部決策樹歸納和故障自動診斷系統內的最終決策樹。局部決策樹歸納的主要功能是采集對應廠站的不同報警信號，經由監督模型將其遞歸劃分成決策樹的枝子樹；最終決策樹中包含故障區域內各監督模型和決策子樹，將整體信息增量最高的決策子樹作為優先確定的子樹，構建故障原因預測模型。通過上述過程構建的故障原因預測模型既可防止數據在系統中的大量存放，還能夠將決策樹模型緊密結合，提升故障原因追蹤效率。電力自動化系統中基于數據挖掘的故障追蹤流程如圖3 所示，其中實現和虛線分別代表控制流和數據流。系統故障自動診斷模塊利用基于數據挖掘的故障自動診斷算法確定故障類型后，調用故障追蹤流程。故障區域中不同廠站內調用局部算法，實時預處理對應站內報警信息，構建訓練集合，依照監督模型劃分局部報警信息模型。廠站確定當前監督模型，并且根據確定的監督模型向全局算法傳遞當前樣本。全局算法匯總不同廠站的監督模型與樣本增益，逐次計算全局信息增量上限值反饋至不同廠站的局部算法。局部算法依照接收的反饋信息生成報警信息節點，構建以信息增量值、報警記錄和故障類型分別為根節點、枝節點和葉節點的局部決策樹。不同廠站的樣本類型劃分成功后生成的局部決策樹傳輸至全局算法內，選取信息增量上限值作為優先決策。全局決策樹依照分類數據與增益數值確定故障原因，進一步優化系統故障診斷性能。

圖3 故障追蹤流程

2 電力自動化系統故障自動診斷系統的測試分析

為驗證設計的數據挖掘的電力自動化系統故障自動診斷系統的實用性，選取某市電力自動化系統為研究對象，其中包含相鄰7 座220 kV 變電站的電力系統調度相關信息，這些信息均來自于在線監測系統，利用模擬通信信息將其匯總至該文系統中作為參照數據。設定故障類型與故障原因，采用該文系統進行故障自動診斷實驗。表1 所示為實驗過程中主要狀態參量名稱。

表1 主要狀態參量名稱表

2.1 數據采集結果

圖4 所示為該文系統采集的研究對象調度數據結果與實際在線監測系統采集結果的對比情況。分析圖4 可知，該文系統采集的研究對象電力調度數據與在線監測系統采集結果基本一致，由此說明該文系統數據采集結果具有較高精度，側面驗證該文系統故障診斷精度。

圖4 數據采集結果

2.2 故障類型診斷結果

設定研究對象故障類型為W2，采用該文系統診斷研究對象故障類型，結果如圖5所示。分析圖5得到，各項狀態參數中W2(套管接地)與W10(絕緣油帶電傾向)的支持度較高，而W2(套管接地)、W5(主絕緣介損)和W7(主絕緣電阻)的可信度相對較高。將各項狀態參數的支持度與可信度相結合，得到W2(套管接地)為研究對象故障類型。該文系統診斷結果與設定結果一致，說明該文系統能夠自動、準確診斷研究對象故障類型。

圖5 故障類型識別結果

2.3 故障原因診斷結果

設定研究對象的故障原因，采用該文系統診斷研究對象故障原因，與設定原因進行對比，以驗證該文系統故障原因診斷精度，對比結果如表2 所示。分析表2 得到，該文系統故障原因診斷結果與設定故障原因基本一致，由此說明該系統能夠自動、準確診斷研究對象的故障原因。

表2 故障原因的診斷結果

2.4 系統運行功率測試

為測試該系統運行功率，分別以基于故障樹故障診斷系統(文獻[3])和基于多維信息融合的故障診斷系統(文獻[4])為對比系統進行實驗。測試該文系統和對比系統在不同工作時長條件下的運行功率，設定測試時間為600 min，測試結果如表3 所示。分析表3 能夠得到，在研究對象不同運行時長條件下，采用該文系統診斷研究對象故障過程中，該文系統運行功率均值43.95 W；對比系統診斷研究對象故障過程中的運行功率均值分別為49.55 W和48.63 W，由此可知該文系統運行功率較低。同時分析表3 中數據還能得到該文系統運行功率狀態波動并不顯著，平緩性顯著優于對比系統。上述結果說明該文系統故障診斷時具有較高的穩定性。

表3 各系統的運行功率測試

3 結束語

該文設計數據挖掘的電力自動化系統故障自動診斷系統，利用基于數據挖掘的故障自動診斷算法和故障追蹤流程進行電力自動化系統故障自動診斷，實驗結果說明該系統能夠準確診斷電力自動化系統故障類型與故障原因。受環境條件制約，該文系統還需進一步完善，例如提升系統存儲空間利用率等，期望通過進一步優化與開發完善系統性能。