基于機器學習的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫構建方法

陳章國，周 波，喬治中，胡 超

(南京南瑞信息通信科技有限公司，江蘇 南京 210003)

城市基礎設施中的核心部分之一即為電力系統(tǒng)，電力生產(chǎn)與工作的過程主要分成發(fā)電、輸電、變電、配電以及用電，其中，配電環(huán)節(jié)直接影響用戶對配電服務的滿意度。配電是通過一次設備所建立的配電網(wǎng)，與二次設備聯(lián)合應用后建立為配電系統(tǒng)，配電系統(tǒng)根據(jù)固定的規(guī)則運行，可以為用戶提供其所需的電力服務。

為實現(xiàn)配電網(wǎng)自動化管理，需要引入配電網(wǎng)信息智能分析技術，如文獻[5]方法和文獻[6]方法做出的貢獻，但是因電力領域數(shù)據(jù)量近幾年出現(xiàn)爆發(fā)式增長，導致配電網(wǎng)信息智能分析效率較低，實時性受限。

為此，提出基于機器學習的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫構建方法，主要使用此方法建立配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫，并引入故障檢測識別、故障信息關聯(lián)規(guī)則更新方法，保證配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫的使用效果，使其可滿足配電網(wǎng)監(jiān)控的信息分析需求。

1 基于機器學習的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫構建方法

1.1 規(guī)則庫構建

為了保證各類設備(變壓器、電抗器、電容器、組合電器、斷路器)操作、電網(wǎng)操作規(guī)則及相互間的關系的完整性，使規(guī)則庫中的信息具有整體性，基于機器學習的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫結構圖如圖1所示。

圖1 基于機器學習的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫結構圖

如圖1所示，配電網(wǎng)監(jiān)控信息智能分析規(guī)則頭與規(guī)則選項2種邏輯部分統(tǒng)稱為規(guī)則，規(guī)則頭可描述規(guī)則行為信息，規(guī)則選項可描述警告信息、故障數(shù)據(jù)包所在方位。

首先，全部規(guī)則根據(jù)規(guī)則頭排序，并設成主鏈，按照配電網(wǎng)監(jiān)控信息智能分析規(guī)則選項，將規(guī)則導進鏈表里，生成規(guī)則集，此操作下，各個監(jiān)控信息數(shù)據(jù)包都存在一個分析規(guī)則。

其次，基于機器學習的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫運行時，使用Libpcap接口在配電網(wǎng)網(wǎng)絡里提取一個監(jiān)控信息數(shù)據(jù)包，建立數(shù)據(jù)包解析函數(shù)，按照數(shù)據(jù)包種類與所在位置，實現(xiàn)監(jiān)控信息數(shù)據(jù)包的協(xié)議解析，解析后數(shù)據(jù)存儲于Packet結構里。

最后，在配電網(wǎng)監(jiān)控信息數(shù)據(jù)包解析后，使用基于機器學習的配電網(wǎng)故障數(shù)據(jù)分類方法，識別Packet結構中配電網(wǎng)監(jiān)控信息中的故障數(shù)據(jù)，并按照所識別的故障數(shù)據(jù)分析規(guī)則(下文稱為頻繁項集)，使用基于 MapReduce 的并行關聯(lián)規(guī)則增量更新算法，更新配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫中的信息智能分析規(guī)則。

之后，可把配電網(wǎng)監(jiān)控信息中的其他數(shù)據(jù)包和配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫里二維鏈表進行對比，若檢測到具有匹配性的規(guī)則條目，便可按照對應的模式實現(xiàn)警示，停止此數(shù)據(jù)包的處理，以此模式循環(huán)，實現(xiàn)配電網(wǎng)監(jiān)控信息智能分析。

圖2是基于機器學習的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫運行流程示意圖。

1.2 基于機器學習的配電網(wǎng)故障數(shù)據(jù)分類方法

為了保證相關運行規(guī)程符合操作的規(guī)則，即《中華人民共和國電力法》《電力監(jiān)管條例》和《電網(wǎng)調(diào)度管理條例》等，使用層次聚類方法分析配電網(wǎng)監(jiān)控信息中的故障數(shù)據(jù)的極端隨機數(shù)，保證其符合實際情況，使用了配電網(wǎng)監(jiān)控信息中故障數(shù)據(jù)的故障出現(xiàn)概率與聚類頻次分布，以此描述故障元素在配電網(wǎng)監(jiān)控信息中出現(xiàn)差異頻次的概率，此概率設成sup()，那么配電網(wǎng)監(jiān)控信息中故障數(shù)據(jù)故障層次聚類的模糊迭代不等式能夠變換為：

(1)

式中，配電網(wǎng)監(jiān)控信息中故障數(shù)據(jù)的類間聚類分析元素在規(guī)則庫中出現(xiàn)的次數(shù)最大值是num()；代表第個故障數(shù)據(jù)。

使用大數(shù)據(jù)分類全局檢索方法實現(xiàn)故障數(shù)據(jù)分類的動態(tài)規(guī)劃，以此運算sup()。則：

(2)

(-|()|)}}

(3)

圖2 基于機器學習的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫運行流程示意圖

將配電網(wǎng)監(jiān)控信息的所有數(shù)據(jù)樣本實施抽樣訓練，獲取故障數(shù)據(jù)的關聯(lián)特征量，通過一個四元素結構代表故障數(shù)據(jù)的關聯(lián)特征：

(,,(sup1(),…,sup()),

(1,…,))

(4)

式中，故障數(shù)據(jù)在1時間段抵達窗口的第次出現(xiàn)的第個數(shù)據(jù)元素是；輸出優(yōu)化訓練的最佳概率是；數(shù)據(jù)聚類中心擾動概率分布值是(sup1(),…,sup())；目前窗口元素存在故障數(shù)據(jù)的頻繁項是(1,,)。通過機器學習算法，對故障數(shù)據(jù)實施分類，則機器學習迭代方法是：

(5)

綜上所述，基于機器學習的配電網(wǎng)故障數(shù)據(jù)聚類方法的具體步驟是：

輸入：配電網(wǎng)監(jiān)控信息數(shù)據(jù)流、故障數(shù)據(jù)關聯(lián)樣本閾值、統(tǒng)計分布概率閾值、采樣窗口長度。輸出：

(1)初始化機器學習參數(shù)與故障數(shù)據(jù)分類系數(shù)；

(2)任意選擇一個配電網(wǎng)監(jiān)控信息數(shù)據(jù)點，建立故障數(shù)據(jù)分類的全部聚簇中心點；

(3)通過聚簇交叉運算它的概率；

(4)通過機器學習算法提取故障數(shù)據(jù)特征；

(5)更新目前窗口中故障數(shù)據(jù)樣本，運算故障種類的概率分布值；

(6)運算配電網(wǎng)監(jiān)控信息中大于頻次閾值的故障數(shù)據(jù)樣本集，使用累積概率分布方法獲取統(tǒng)計特征量；

(7)將故障樣本集實施回歸分析，把故障數(shù)據(jù)導進窗口集合中；

(8)檢索過期樣本元素并去除；

(9)將所有配電網(wǎng)監(jiān)控信息樣本實施抽樣訓練，刷新窗口概率分布值；

(10)提取配電網(wǎng)監(jiān)控信息中故障數(shù)據(jù)識別的頻繁項集，實現(xiàn)故障數(shù)據(jù)分類。

1.3 基于 MapReduce 的并行關聯(lián)規(guī)則增量更新算法

1.3.1 原始規(guī)則庫中并行頻繁項集挖掘

保證針對可能發(fā)生的故障，為迅速、有序地開展應急行動而預先制定的行動方案，本文主要使用MapReduce模型以并行挖掘的模式獲取監(jiān)控信息節(jié)點中數(shù)據(jù)分片的頻繁項集后保存，當配電網(wǎng)監(jiān)控信息逐漸更新時，使用MapReduce模型再次更新頻繁項集(信息智能分析規(guī)則)。

MapReduce模型將 MapReduce分解為 Map (映射)任務和 Reduce (歸約)任務， MapReduce將任務傳遞到配電系統(tǒng)中各個監(jiān)控信息節(jié)點，各個監(jiān)控信息節(jié)點的處理過程會引入2個函數(shù)map、reduce。MapReduce模型先按照監(jiān)控信息節(jié)點中數(shù)據(jù)分片的數(shù)目，建立多個Map任務并行處理，各個Map任務把輸入的數(shù)據(jù)分片為多個鍵值對，map函數(shù)會將數(shù)據(jù)分片都逐次處理成，將鍵值相同的數(shù)據(jù)分片放在一起設成中心結果變成Reduce的輸入；Reduce任務獲取存在一致性的鍵值，使用reduce函數(shù)對映射頻繁項集和原項集進行歸約處理后輸出。

將配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫里全部項的頻繁項集集合設成={,,…,}，把配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫傳輸至Hadoop分布式文件系統(tǒng)中，配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫或新增故障信息數(shù)據(jù)庫(此數(shù)據(jù)庫中故障信息主要來自2.2小節(jié)所識別的故障信息)都會保存在個節(jié)點中，此時={,,…,}，={,,…,}。、都存在于一個數(shù)據(jù)分片中。

輸入：原始配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫。

輸出：原始配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫的頻繁項集。

(1)使用MapReduce模型計算原始配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫全部頻繁項的支持計數(shù)，獲取的1-項集；

(2)建立分組，使用把各項與支持度進行對比，獲取1-頻繁項集。然后將里的項分成個組，各組設置一個編碼id，把全部項標記成相應的分組號；

(3)并行挖掘頻繁項集，此過程需要使用MapReduce模型實現(xiàn)，主要獲取每個數(shù)據(jù)分組的頻繁項集。

1.3.2 增量更新

輸入：新增故障信息數(shù)據(jù)庫、原始配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫、原始配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫的1-項集。

輸出：更新后規(guī)則庫的頻繁項集。

(1)使用MapReduce模型中的map函數(shù)計算各個監(jiān)控信息頻繁項集在更新后規(guī)則庫中的支持計數(shù)，挖掘頻繁項集。頻繁項集各個項目在∪里的支持計數(shù)滿足以下條件：

support()≤()

(6)

其中，為小支持度閾值。

()=map(,)

(7)

由此建立挖掘監(jiān)控信息頻繁項集的map函數(shù)

函數(shù)：map()，通過和編碼id尋找頻繁項集。

輸入：分組號，其中記錄著頻繁項目下次出現(xiàn)的組號。

：用戶設定的最小支持數(shù)；填寫了相應支持數(shù)的向量。

函數(shù)：Reduce()，通過和編碼id尋找分析規(guī)則庫的一致性鍵值。

輸入：候選項集。

遍歷原始配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫在此組的映射事務集；

計算一致性鍵值=Reduce()；

輸出：更新后規(guī)則庫的頻繁項集。

由此完成基于 MapReduce 的并行關聯(lián)規(guī)則庫增量更新。

2 實驗分析

在MATLAB仿真軟件中，編寫本文方法的應用程序，對本文方法的操作性能進行仿真測試。

將本文方法使用在虛擬的配電網(wǎng)設備信息監(jiān)控系統(tǒng)中，測試本文方法的使用效果。虛擬的配電網(wǎng)設備信息監(jiān)控系統(tǒng)參數(shù)如表1所示。

表1 虛擬的配電網(wǎng)設備信息監(jiān)控系統(tǒng)參數(shù)

2.1 規(guī)則庫構建效果

配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫的構建效果，主要通過配電網(wǎng)監(jiān)控中網(wǎng)絡故障信息識別效果凸顯，故障信息識別效果好，表示構建的規(guī)則庫中信息智能分析規(guī)則涵蓋范圍較為全面。故障信息主要以配電網(wǎng)信息監(jiān)控中DOS入侵信息(下文簡稱A-1故障)、R2L入侵信息(下文簡稱A-2故障)、U2R入侵信息(下文簡稱A-3故障)為主，測試本文方法、文獻[5]方法、文獻[6]方法的配電網(wǎng)監(jiān)控中故障信息識別效果，以準確度、檢出率、假陽性率三種指標體現(xiàn)。

(8)

(9)

(10)

其中，、、、依次表示配電網(wǎng)監(jiān)控中故障信息被準確識別的次數(shù)、非故障信息被識別成非故障信息的次數(shù)、故障信息被誤識的次數(shù)、非故障信息被誤識的次數(shù)。

三種方法的配電網(wǎng)監(jiān)控中故障信息識別效果如表2、表3、表4所示。

表2 A-1 故障識別效果

表3 A-2故障識別效果

表4 A-3故障識別效果

由表2、表3、表4可知，多次測試中，文獻[5]方法和文獻[6]方法識別配電網(wǎng)監(jiān)控信息中的A-1故障、A-2故障、A-3故障時，識別結果的準確度、檢出率均值都低于0.90，假陽性率都大于0.04；而使用本文方法，配電網(wǎng)監(jiān)控信息中，識別A-1故障、A-2故障、A-3故障時，識別結果的準確度、檢出率均值都大于0.97，假陽性率都是0.01，由此可知，本文方法可提升配電網(wǎng)故障監(jiān)控效果。

配電網(wǎng)監(jiān)控中，故障信息識別實時性可體現(xiàn)本文方法所構建規(guī)則庫的關聯(lián)規(guī)則更新具有實時性，在MATLAB仿真軟件中提前預設A-1故障、A-2故障、A-3故障的出現(xiàn)時間，測試使用本文方法、文獻[5]方法、文獻[6]方法的配電網(wǎng)監(jiān)控中故障信息識別實時性。測試結果如表5所示。

表5 關聯(lián)規(guī)則更新實時性測試結果

由表5可知，在MATLAB仿真軟件中提前預設A-1故障、A-2故障、A-3故障的出現(xiàn)時間后，本文方法所構建的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫，能夠協(xié)助配電網(wǎng)監(jiān)控系統(tǒng)實時識別配電網(wǎng)監(jiān)控中故障信息，由此證明本文方法所構建規(guī)則庫的關聯(lián)規(guī)則更新實時性，可滿足應用需求。

2.2 新增數(shù)據(jù)量對本文方法應用性能的影響

為了深入測試該方法構建的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫是否能滿足海量數(shù)據(jù)包智能分析的應用要求，測試該方法構建的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫的頻繁項集(信息智能分析規(guī)則)是否能隨數(shù)據(jù)包的增加而實時更新，測試了頻繁項集更新結果與更新速度，測試結果如圖3、表6所示。

圖3 規(guī)則庫頻繁項集更新結果

表6 頻繁項集更新速度

由圖3、表6可知，本文方法所構建的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫的頻繁項集可以伴隨數(shù)據(jù)包增多而實時更新，頻繁項集更新數(shù)量和新增數(shù)據(jù)包數(shù)量一致，更新時間與數(shù)據(jù)包新增時間一致。由此驗證，新增數(shù)據(jù)量對本文方法應用性能不存在負面影響，本文方法所構建的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫對配電網(wǎng)故障監(jiān)控工作存在實用價值。

3 結 論

配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫對配電網(wǎng)監(jiān)控信息分析速度與分析效果存在直接影響，而配電網(wǎng)監(jiān)控信息分析效果對配電網(wǎng)故障監(jiān)控存在直接影響。為此，提出了基于機器學習的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫構建方法，利用所構建的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫，實現(xiàn)配電網(wǎng)監(jiān)控信息智能分析。實驗中，本文方法經(jīng)過仿真測試后，被驗證存在以下幾點實用價值：

(1)多次測試中，本文方法使用前，配電網(wǎng)監(jiān)控信息中，A-1故障、A-2故障、A-3故障識別時，識別結果的準確度、檢出率均值都低于0.90，假陽性率都大于0.04；使用本文方法后，配電網(wǎng)監(jiān)控信息中，A-1故障、A-2故障、A-3故障識別時，識別結果的準確度、檢出率均值都大于0.97，假陽性率都是0.01。

(2)本文方法所構建的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫，能夠協(xié)助配電網(wǎng)監(jiān)控系統(tǒng)實時識別配電網(wǎng)監(jiān)控中故障信息。

(3)本文方法所構建的配電網(wǎng)監(jiān)控信息智能分析規(guī)則庫的頻繁項集可以伴隨數(shù)據(jù)包的增多而實時更新，頻繁項集更新數(shù)量和新增數(shù)據(jù)包數(shù)量一致，更新時間與數(shù)據(jù)包新增時間一致。