基于數據挖掘的電力系統故障自動診斷方法研究

勵力帆，虞偉，桑清城

(國網舟山供電公司，浙江 舟山 316000)

0 引言

步入21世紀后，電力系統設備狀態監測變成電力管理的核心問題。伴隨電網規模逐漸變大，電力自檢性能被看作必備功能[1]。自動故障診斷性能具有核心作用，如果電網出現故障，電力調度中心將獲取海量故障信息。怎樣在大量故障數據里高精度獲取故障信息，并實現電力故障自動診斷，對電力安全有著不可忽視的作用[2]。近年來，中國電力企業在設備運行狀態監測問題中進行大量研究與創新，全面、高精度獲取電力狀態信息對保護電力運行安全存在直接影響[3]。

數據挖掘技術是近幾年出現的智能技術，其屬于人工智能和數據庫技術相融的結晶。通過數據挖掘相關方法可在海量數據中獲取潛在的有價值信息。數據挖掘方法目前層出不窮，例如粗糙集方法、模糊集方法、神經網絡方法等，但單一數據挖掘方法在診斷電力故障時，容錯性能未能符合診斷需求，且診斷時易進入局部最優，診斷速度較慢[4]。

為了獲得更好的電力系統故障自動診斷結果，本文將數據挖掘中的粗糙集方法(rough sets, RS)與免疫算法(immune algorithm, IA)相結合，并結合關聯規則數據挖掘方法，提出基于數據挖掘的故障自動診斷方法，先實現故障點定位，再針對故障點實現故障狀態診斷。

1 數據挖掘的電力系統故障自動診斷方法

1.1 基于數據挖掘的故障定位方法

基于數據挖掘的故障定位方法流程如下：

1)使用電力信息系統有關知識，建立故障挖掘的數據庫[5]；

2)獲取故障特征，設置和其對應的條件屬性與決策屬性；

3)按照第2)步所設置條件屬性和決策屬性，以RS決策表形式描述故障集合；

4)將決策表里求約簡問題變換為求區分矩陣最小約簡數問題，使用IA實現最優屬性約簡；

5)在最優屬性約簡集合里獲取所需故障點定位規則。

最優屬性約簡步驟如下所述。

Step1：運算電力系統故障特征決策屬性E對條件屬性D的依賴水平SD，并設置Dore(D)=Φ，分別刪除某個單重屬性b∈D。如果SD-b≠SD(SD-b代表去除單重屬性b后，故障特征決策屬性E對條件屬性D的依賴水平)，那么Dore(D)=Dore(D)∪b，Dore(D)代表核。如果SDore=SD，那么最優屬性約簡值是Dore，反之實施第2)步。

Step2：建立初始抗體集合并實施編碼。通過二進制編碼方法，將條件屬性D數目設成抗體長度，抗體條件屬性是否有效需要根據基因判斷[6]。約簡過程中留下某條件屬性時，則抗體基因值必須是1；若基因值是0，則對應的條件屬性需要去除。初始化過程中，將核里的條件屬性值設成1，抗體規模設成M，以此獲取初始抗體集合。

Step3：運算親和度。抗原和抗體間親和度可以體現可行解是否符合問題要求。親和度較大，則解符合程度越大[7-8]。將適應度函數倒數設成親和度函數，則親和度運算方法是：

(1)

式中：條件屬性數目設成M；抗體u中“1”的數目設成uv；依賴水平與調整系數依次設成R、B。

Step4：運算抗體濃度。先運算兩個抗體間親和度：

(2)

式中抗體間結合水平表示同一方位基因編碼值存在差異的數目，此值設成eiffervw。

那么抗體u在種群中濃度是：

(3)

(4)

Step5：抗體控制與優化。為了提升抗體的多樣化，需要優化親和度較高的抗體濃度。但是，抗體濃度超標，親和作用可能被抑制，需要掌握抗體控制與優化的程度[9]。

Step6：更新記憶庫。把每個抗體群里親和度高、濃度小的z個抗體保存在記憶庫里，并持續更新[10]。

Step7：下一代父代抗體群(后續故障點)主要通過選擇、交叉與變異形式獲取。

Step8：符合停止條件便停止，輸出故障點定位結果；反之回到Step3步再次循環操作。

綜上所述，根據最優屬性約簡值能夠獲取決策規則，可把故障和決策規則相融，快速定位電力故障點[11-12]。

1.2 基于數據挖掘的故障自動診斷方法

將1.1小節定位的故障點故障信息設成A=(A1,A2,…,An)，故障區域是W=(W1,W2,…,WM)，故障診斷關聯規則為I?J，當中I、J依次代表A、W的故障模式。

基于關聯規則數據挖掘電網故障診斷方法的診斷流程圖見圖1。首先將電力故障點信息作為基于關聯規則數據挖掘的故障自動診斷方法的輸入，按照故障點信息構建故障狀態決策表，在此表中設置故障狀態關聯頻繁項，分析故障狀態關聯頻繁項的關聯規則，此規則需要按照電力故障點實際狀況實施設置，若規則符合實際需求，便通過規則內容實現故障狀態診斷。

圖1 故障自動診斷流程

電力系統里電力數據存在巨量性，為了詳細描述圖1中的診斷過程，圖2電力系統為例進行詳述。如圖2所示，此電力系統存在3個線路，3個線路均存在過流保護裝置DP1、DP2、DP3。在線路1中設置距離保護裝置SS1，用來實現線路2與線路3的后備保護。DC1、DC2、DC3為斷路器。將故障診斷時的條件屬性值依次設成1和0，若故障診斷時的條件屬性值是1，則斷路器從閉合變成斷開或保護狀態，若屬性值是0，則斷路器沒有出現變位。

圖2 電力系統結構

將故障信息設成斷路器動作信息，將決策屬性設成故障點中的故障狀態。將故障點設定6種故障診斷的關聯規則。

規則1：若故障點出現在線路1，運行過流保護裝置DP1，跳開斷路器DC1，此線路短路；

規則2：若故障點出現在線路2，運行過流保護裝置DP2，跳開斷路器DC2，此線路短路；

規則3：若故障點出現在線路3，運行過流保護裝置DP3，跳開斷路器DC3，此線路短路；

規則4：若故障點出現在線路2，運行過流保護裝置CP2，而DP3斷路器沒有開啟，后備距離保護SS1運行，跳開斷路器DC1，線路2短路；

規則5：若故障點出現在線路3，運行過流保護裝置CP3，而斷路器DP3未開啟，后備距離保護SS1運行，跳開斷路器DC1，線路3短路；

規則6：若故障點先出現在線路2，再出現線路3，過流保護失效，后備保護SS1開啟，跳開斷路器DC1，則雙線短路。

2 診斷性能分析

假定圖2中存在8個故障點，詳情見圖3。

圖3 需診斷的電力故障點示意圖

采用本文方法對圖3中8個故障點的故障狀況進行診斷。診斷時，使用本文方法獲取的最優條件屬性約簡集合見表1。

表1 最優條件屬性約簡集合

分析本文方法對8個故障點故障狀態的誤診率與漏診率，結果見表2。分析表2可知，本文方法對該大型配電網輸電線路中8個故障點的誤診率與漏診率極小，符合診斷需求。

表2 本文方法誤診率與漏診率

為了測試本文方法對電力故障的診斷性能，設定某大型配電網電力系統故障類型依次是單線短路、雙線短路、保護或斷路器失效、單相接地、開路。測試本文方法、基于故障錄波信息的電網故障診斷方法、基于灰色關聯度的電網故障診斷方法對5種故障的定位精度，結果見圖4。分析圖4可知，本文方法對5種電力故障的定位精度高于對比方法，且故障定位精度值高達99.56%。

圖4 3種方法故障定位精度對比結果

測試3種方法對5種電力故障的診斷耗時，結果見表3。分析表3中數據可知，本文方法診斷5種電力故障的平均耗時少于兩種對比方法且診斷耗時最短，診斷效率最高。

表3 3種方法故障診斷耗時對比結果 單位：s

在MATLAB仿真環境中，測試本文方法在實施電力系統故障自動診斷時其生命周期變動情況。設定該電力系統存在200個故障點，把各個故障點看成一個節點，分別采用本文方法、基于故障錄波信息的電網故障診斷方法、基于灰色關聯度的電網故障診斷方法對200個故障點進行故障診斷時對電力系統生命周期的影響，結果見圖5。分析圖5可知，本文方法實施電力系統故障診斷后，電力系統中死亡節點數最大值為9個，而其他的對比方法應用后，電力系統死亡節點數最大值均高于40個，和本文方法相比，差異顯著。由此可知，本文方法的使用對電力系統生命周期不存在較大損耗，不會干擾電力系統的使用壽命。

圖5 生命周期變動狀況

為了測試本文方法在診斷電力故障時的抗干擾性，在電力系統數據中引入噪聲數據，測試3種方法在噪聲數據干擾下，診斷電力短路故障時的魯棒性，結果見表4。表4數據顯示，在電力系統數據中引入噪聲數據后，伴隨噪聲數據數目的增多，本文方法的魯棒性并未受到不良影響，魯棒性始終>0.980 0。另外兩種方法的魯棒性雖然也未出現較大變動，但低于本文方法。

表4 3種方法魯棒性測試結果

3 結語

本文提出一種基于數據挖掘的電力系統故障自動診斷方法，并在實驗中驗證其有效性，經驗證結論如下：

1)本文方法對某大型配電網輸電線路中8個故障點的誤診率與漏診率極小；

2)本文方法對5種電力故障的定位精度高于對比方法，故障定位精度值高達99.56%；

3)本文方法診斷5種電力故障的平均耗時僅有1.18s；

4)本文方法的使用對電力系統生命周期不存在較大損耗，不會干擾其使用壽命；

5)在電力系統數據中引入噪聲數據后，本文方法的魯棒性并未受到不良影響。

綜上所述，本文方法對電力系統故障診斷問題有使用價值。