基于弱关联挖掘技术的电网故障自动诊断研究

  • 投稿菜花
  • 更新时间2016-06-02
  • 阅读量1031次
  • 评分4
  • 51
  • 0
 摘 要: 针对电网故障进行诊断的过程中,故障信息存在不完整或不确定性,甚至存在关键信息丢失的情况,造成故障诊断难以得出正确结论的问题,提出一种基于弱关联挖掘技术的电网故障自动诊断方法。首先进行支持度计算,得到电网故障的表述参数,并将电网故障类别看作是贝叶斯网络的父节点,将挖掘的弱关联规则作为子节点,构建基于弱关联挖掘的贝叶斯网络模型,对各父节点的先验概率及各子节点的条件概率进行计算,完成对电网故障的自动诊断。仿真实验结果表明,采用所提方法对电网故障进行自动诊断,正确性高,容错性好,实用性强,具有很高的诊断精度。 
  关键词: 弱关联挖掘; 电网; 故障诊断; 支持度计算 
  中图分类号: TN926?34; TM711 文献标识码: A 文章编号: 1004?373X(2016)10?0152?04 
  Research on power grid fault automatic diagnosis based on weak association 
  mining technology 
  MA Liqiang, WANG Tianzheng, YANG Dongdong, WANG Zhipeng 
  (Electric Power Research Institute, Shanxi Electric Power Company of State Grid, Taiyuan 030001, China) 
  Abstract: In the process of fault diagnosis of power grids, it is difficult to obtain the correct conclusion of the fault diagnosis due to the imperfection or uncertainty of fault information, even the key information loss. A power grid fault automatic diagnosis method based on weak association mining technology is put forward. The support degree calculation is executed first to obtain the expression parameters of power grid fault. The power grid fault category is regarded as the father node of Bayesian network, and weak association mining rule as the child node to construct the Bayesian network model based on weak association mining. After that the prior probability of each father node and conditional probability of each child node are calculated to complete the automatic diagnosis of power grid failure. The simulation results show that the proposed method can automatically diagnose the power grid fault, and has high accuracy, good fault?tolerance, strong practicability, and high diagnostic accuracy. 
  Keywords: weak association mining; power grid; fault diagnosis; support degree calculation 
  0 引 言 
  近年来,随着我国电网规模的逐渐扩大,电网出现故障的情况也逐渐增多,给人们的生活带来了很大的影响[1?2]。因此,研究一种电网故障自动诊断方法对电力系统的快速恢复具有重要意义,已经成为相关学者研究的重点课题,受到越来越广泛的关注[3?5]。 
  目前,常用的电网故障自动诊断方法主要包括模糊理论方法、人工神经网络方法和信息理论方法等,相关研究也取得了一定的成果。其中,文献[6]提出一种基于粗糙集理论的电网故障自动诊断方法,通过粗糙集理论对电网故障进行诊断,该方法在丢失的故障信息并非关键信息的情况下不会对诊断结果产生影响,但在丢失的故障信息是关键信息的情况下会造成诊断错误;文献[7]提出一种基于特征挖掘的电网故障自动诊断方法,结合电网故障信息特征对电网故障进行判断,该方法在某种程度上提高了系统在缺失关键信息情况下的容错性,但当电网故障较多时,该方法的诊断速度会受到影响;文献[8]提出一种基于贝叶斯网络的电网故障自动诊断方法,对节点概率进行训练,从而实现电网故障的自动诊断,但该方法在电网规模较大时无法实现自动建模;文献[9]提出一种基于人工智能网络的电网故障自动诊断方法,通过人工智能网络对电网故障信息进行训练,根据训练的结果实现电网故障的自动诊断,但该方法会造成诊断所依据的信息不确定与不完整,导致诊断结果不准确;文献[10]提出一种基于遗传算法的电网故障自动诊断方法,依据内断路器跳闸的分段时序信息识别电网故障,但该方法很难构建合理的电网故障诊断模型,导致诊断结果不准确。 
  1 电网故障检测参数的选择 
  1.1 电网故障数据的支持度 
  支持度就是给定模式在给定故障数据库中出现的频率。对弱关联规则故障进行挖掘时,模式不是电网故障属性的集合,而是和故障属性对应的弱关联值的集合,也就是弱关联模利用式(4)计算得到的电网故障置信度参数为第一置信度,其主要用于对弱关联规则下的电网故障有效性进行判断,若某弱关联规则的故障第一置信度大于其值,则认为该规则是有效的;反之,认为该故障是无效的。利用式(5)计算得到的规则后件的置信度为第二置信度,其主要用于弱关联规则电网设备的完备性判断,若某规则的第二置信度大于其值,则认为该设备是完备的;反之,认为该设备是不完备的。 2 电网故障自动诊断实现 
  本文在第1节故障参数选择的前提下,构建电网故障诊断结构流程图,以此为模板建立基于弱关联挖掘朴素贝叶斯网络的电网故障自主诊断模型,流程图见图1。 
  图1 电网故障诊断结构流程图 
  模型的详细构建过程如下: 
  (1) 假设存在电网故障样本; 
  (2) 假设选择的故障参数都是有效的; 
  (3) 完成对电网故障类别的判断; 
  (4) 取出电网故障数据的置信度,同时将电网故障类别看作是基于弱关联挖掘的贝叶斯网络的父节点,将挖掘的弱关联规则作为子节点,构建基于弱关联挖掘的贝叶斯网络模型,如图2所示。 
   
  图2 电网故障自动诊断模型 
  采用基于弱关联挖掘的贝叶斯网络模型对电网故障进行自动诊断的详细过程为: 
  (1) 假设电网故障样本各个属性值确定,该电网故障样本属于某故障类[Ci]的概率是可以求出的,如果该电网故障样本属于某故障类别的上述概率值最大,则该电网故障样本即属于该故障类。 
  因为针对全部电网故障类别而言,故障的数据类型均为常数,所以,仅需使属于某个故障类型的概率达到最大即可完成判断。 
  通过上述过程,对各电网设备的先验概率及各子设备的条件概率进行计算,则与最大概率相应的[Ck]就是与电网故障样本相应的故障类别。 
  3 方法的应用试验分析 
  为了验证本文提出的电网故障自动诊断方法的有效性,需要进行相关的实验分析。实验将传统基于粗糙集的电网故障自动诊断方法作为对比,在Matlab环境下进行仿真。 
  本文首先将某局部电力系统继电保护系统作为研究对象,该系统共28个元件、84个保护以及40个断路器。28个元件依次为[A1,…,A4],[T1,…,T8],[B1,…,B8],[L1,…,L8]。40个断路器依次为[K1,…,K40]。84个保护中分别为[A1m,…,A4m],[T1m,…,T8m],[B1m,…,B8m],[L1Sm,…,L8Sm],[L1Rm,…,L8Rm],[T1p,…,T8p],[T1s,…,T8s],[L1Sp,…,L8Sp],[L1Rp,…,L8Rp],[L1Ss,…,L8Ss],[L1Rs,…,L8Rs]。本文将该电力网划分成4个子网络,划分结果见图3。 
   
  图3 示例电力网 
  在上述分析的基础上,采用本文方法对电网故障诊断规则库进行提取,得到的电网联合故障诊断规则库如表1所示,限于篇幅,只给出前10个规则。 
  表1 电网故障诊断规则库 
  依据表1给出的规则库,分别采用本文方法和粗糙集方法对电网故障进行自动诊断,得到的结果如表2所示。 
  表2 示例电网故障诊断结果 
  分析表2可以看出,针对每个样本,本文方法的诊断结果均优于粗糙集方法。尤其是当出现如第5个样本的联络线故障时,甚至出现如第6和第7个样本的带有联络线的复杂故障时,本文方法均可有效准确地诊断出故障元件,说明本文方法具有很高的诊断准确性,验证了本文方法的有效性。 
  从某省电力公司采集了238条故障记录,构建含200条记录的挖掘库以及含38条记录的测试库,在CPU为3.06 GHz,内存为1 GB的Windows XP系统计算机上进行实验。将这200 条故障记录扩展至400条和800条故障记录,测试大样本状态下两种方法的效率,得到的结果如表3所示。 
  表3 两种方法效率比较结果 
  分析表3可以看出,采用本文方法进行电网故障挖掘所需的时间远远少于粗糙集方法,在规则覆盖率相同的情况下,本文方法产生的规则数明显低于粗糙集方法,因此,电网故障诊断效率很高。 
  在挖掘库中添加不良记录时,对故障诊断中的丢失信息、错误信息和冗余信息进行模拟,再采用本文方法和粗糙集方法进行电网故障诊断,得到的结果如表4所示。 
  表4中的样本1是对200条正常故障进行诊断的结果,样本2,样本3,样本4是在样本1的基础上添加50条不良记录的诊断结果,分析表4可以看出,粗糙集方法会产生更多的规则,但其并未分析电网自身的特点,很多规则不符合实际,降低诊断效率。不仅如此,本文方法诊断的可信度更高,进一步验证了本文方法的有效性。 
  表4 含有不良数据记录的诊断结果 
  4 结 论 
  本文提出一种基于弱关联挖掘技术的电网故障自动诊断方法,对支持度进行计算,得到频繁弱关联模式集,求出频繁弱关联模式集的置信度,获取弱关联规则。在弱关联挖掘的基础上,将电网故障类别看作是基于弱关联挖掘的贝叶斯网络的父节点,将挖掘的弱关联规则作为子节点,构建基于弱关联挖掘的贝叶斯网络模型,对各父节点的先验概率及各子节点的条件概率进行计算,最大概率相应的就是电网故障样本相应的故障类别。仿真实验结果表明,采用所提方法对电网故障进行自动诊断,正确性高、容错性好,实用性强,具有很高的诊断精度。 
  参考文献 
  [1] 张鑫.基于数据挖掘技术的SF_6气体分析和故障诊断研究[J].电气开关,2013,51(5):37?40. 
  [2] 袁文铎.基于数据挖掘的故障诊断专家系统推理机设计[J].航空维修与工程,2013(1):67?69. 
  [3] 谢晓燕.基于数据挖掘技术的网络故障诊断分析[J].计算机光盘软件与应用,2013(15):125?126. 
  [4] 薛毓强,李宗辉.基于因果时序网络的FOA?GRNN电网故障诊断方法[J].电力系统及其自动化学报,2014,26(11):72?77. 
  [5] 熊国江,石东源,朱林,等.基于径向基函数神经网络的电网模糊元胞故障诊断[J].电力系统自动化,2014,38(5):59?65. 
  [6] 胡非,刘志刚,何士玉,等.一种基于模型的配电网故障诊断搜索算法[J].电力自动化设备,2013,33(1):81?84. 
  [7] 周丽丽,孙晶,王涛.面向设备故障诊断的数据挖掘技术方法的研究[J].自动化技术与应用,2015,34(2):18?22. 
  [8] 陈铁军,宁美凤.电网自愈控制中故障实时监测及诊断研究[J].自动化仪表,2013,34(1):14?17.