本發(fā)明涉及電網(wǎng)故障技術(shù)領(lǐng)域，特別是涉及基于數(shù)據(jù)挖掘技術(shù)的電網(wǎng)故障追蹤方法。

背景技術(shù)：

從目前故障診斷算法的研究成果來看，在保護(hù)及斷路器均正確動(dòng)作的前提下，對故障元件的分析會非常準(zhǔn)確。但是在保護(hù)或斷路器發(fā)生拒動(dòng)的情況下，很多診斷算法只是根據(jù)遠(yuǎn)后備的動(dòng)作情況判斷出有拒動(dòng)的情況發(fā)生，并不能推斷出是保護(hù)還是斷路器拒動(dòng)，更不能對拒動(dòng)的原因進(jìn)行故障追蹤。

電網(wǎng)故障追蹤在本發(fā)明中的含義是指在調(diào)度端對收集到的報(bào)警信息調(diào)用故障診斷算法之后，發(fā)現(xiàn)有斷路器及保護(hù)有不正確動(dòng)作，或者報(bào)警信息有丟失的情況，運(yùn)用數(shù)據(jù)挖掘技術(shù)對變電站內(nèi)部的數(shù)據(jù)進(jìn)行分類抽取，進(jìn)而找出錯(cuò)誤動(dòng)作及信息丟失根源的過程。

導(dǎo)致目前故障追蹤研究較為少見的根源在于當(dāng)前的診斷算法完全依賴上傳至調(diào)度端的事故級報(bào)警信息，未能對在變電站層的故障斷面進(jìn)行全面的分析。如果要深入到變電站層進(jìn)行數(shù)據(jù)分析，需要解決怎樣在海量的站內(nèi)數(shù)據(jù)中提取出能夠被故障追蹤算法所用數(shù)據(jù)的問題。本發(fā)明將運(yùn)用數(shù)據(jù)挖掘技術(shù)解決變電站層數(shù)據(jù)的分析及故障追蹤方法。

綜上所述，現(xiàn)有技術(shù)中對于怎樣在海量的站內(nèi)數(shù)據(jù)中提取出能夠被故障追蹤算法所用數(shù)據(jù)的問題，尚缺乏有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于數(shù)據(jù)挖掘技術(shù)的電網(wǎng)故障追蹤方法，本發(fā)明的目的在于解決了目前的故障診斷僅能夠判斷出故障元件的弊端，能夠?qū)⒃\斷結(jié)果深入到變電站層，找出保護(hù)或斷路器拒動(dòng)的原因。

基于數(shù)據(jù)挖掘技術(shù)的電網(wǎng)故障追蹤方法，包括以下步驟：

智能變電站的各類數(shù)據(jù)采集系統(tǒng)作為原始數(shù)據(jù)來源；

選擇決策樹對站內(nèi)信息進(jìn)行分類，對調(diào)度端的故障追蹤程序提供決策支持；

分類步驟：訓(xùn)練集首先進(jìn)入歸納算法，若樣本在監(jiān)督模型中，則成為監(jiān)督模型上層節(jié)點(diǎn)中的樹葉；

若不在監(jiān)督模型中，則按照信息增益最大原則選取最佳分類的變量分割為一個(gè)節(jié)點(diǎn)，根據(jù)監(jiān)督模型的中間邏輯，為該分割變量的節(jié)點(diǎn)分配一個(gè)分枝；

當(dāng)訓(xùn)練集所有樣本都存在于某個(gè)節(jié)點(diǎn)，則分割停止，決策樹分類完成；

通過決策樹過濾后的數(shù)據(jù)按照監(jiān)督模型分為三大類：保護(hù)拒動(dòng)信號類、信號通道故障信號類、斷路器拒動(dòng)信號類；

決策樹對訓(xùn)練樣本的分類算法完成之后，對未知類別的數(shù)據(jù)集進(jìn)行預(yù)測，對應(yīng)于電網(wǎng)故障追蹤的過程，即對變電站層的各種數(shù)據(jù)進(jìn)行分析，給出保護(hù)或斷路器拒動(dòng)原因。

進(jìn)一步的，所述基于數(shù)據(jù)挖掘技術(shù)的電網(wǎng)故障追蹤方法采用大數(shù)據(jù)平臺下的分布式?jīng)Q策樹故障追蹤算法，該分布式算法底層由運(yùn)行在各廠站端的局部決策樹歸納算法組成，該算法負(fù)責(zé)提取本廠站內(nèi)部的各種報(bào)警信號，通過監(jiān)督模型將其遞歸分割為決策樹的一枝子樹；上層為運(yùn)行在調(diào)動(dòng)中心的最終決策樹，該算法匯集故障區(qū)域內(nèi)各變電站的監(jiān)督模型以及決策子樹，形成最終決策樹預(yù)測模型。

本發(fā)明的采用上述方案的意義在于：變電站端分布式數(shù)據(jù)劃分與調(diào)度端決策樹集中生成相結(jié)合的方法，不僅避免了數(shù)據(jù)在調(diào)度端的大量堆積，而且能夠和目前的電力信息一體化平臺緊密結(jié)合，根據(jù)電力系統(tǒng)網(wǎng)絡(luò)的特點(diǎn)使運(yùn)行速度最大化。

進(jìn)一步的，故障追蹤算法具體為：

各變電站內(nèi)調(diào)用局部算法：對站內(nèi)報(bào)警信息進(jìn)行預(yù)處理，形成訓(xùn)練樣本集，按監(jiān)督模型對局部報(bào)警信息進(jìn)行分類；

廠站在選擇當(dāng)前監(jiān)督模型時(shí)，將當(dāng)前樣本集的屬性按照監(jiān)督模型傳給調(diào)度端全局算法；

全局算法：綜合各廠站傳來的監(jiān)督模型，求出最大信息增益量返回給各廠站的局部算法；

局部算法根據(jù)最大信息增益量建立數(shù)據(jù)的一個(gè)節(jié)點(diǎn)，繼續(xù)分割各自的報(bào)警信息，進(jìn)而形成局部決策樹；

當(dāng)各廠站的所有樣本被劃分完畢后，形成的局部決策樹被傳送至全局算法，在調(diào)動(dòng)端形成最終決策樹；

最終決策樹根據(jù)輸入的分類數(shù)據(jù)以及增益數(shù)值，給出預(yù)測結(jié)果。

進(jìn)一步的，所述保護(hù)拒動(dòng)信號類包括主要元件故障及外圍硬件故障，主要元件故障為保護(hù)主要元件故障信號，包括保護(hù)閉鎖及保護(hù)未閉鎖，保護(hù)閉鎖為導(dǎo)致保護(hù)閉鎖信號，保護(hù)閉鎖信號包括直流供電電源故障告警、ram故障信號、定值區(qū)內(nèi)容損壞信號、保護(hù)a/d故障信號、dsp故障信號，保護(hù)未閉鎖為導(dǎo)致保護(hù)未啟動(dòng)信號，包括保護(hù)軟壓板未投入告警、采樣數(shù)據(jù)異常/無效告警、對端保護(hù)裝置告警；

外圍硬件故障為外圍硬件故障信號，包括保護(hù)內(nèi)部通訊異常告警、保護(hù)出口故障告警。

進(jìn)一步的，所述信號通道故障信號類包括smv網(wǎng)故障及goose網(wǎng)故障，smv網(wǎng)故障sv采樣值異常，包括保護(hù)電壓/電流采樣無效、互感器一次側(cè)絕緣故障信號、ct/pt斷線報(bào)警、ct/pt采樣異常、互感器固件故障報(bào)警、供電電源開斷及抖動(dòng)報(bào)警；

goose網(wǎng)故障為goose報(bào)文異常，包括goose鏈路斷鏈、對端goose信號異常、goose信號抖動(dòng)或畸變。

進(jìn)一步的，所述斷路器拒動(dòng)信號類包括機(jī)械拒動(dòng)及電氣拒動(dòng)，機(jī)械拒動(dòng)指機(jī)械故障報(bào)警，包括儲能回路報(bào)警、繼電器切換不良報(bào)警、跳閘線圈斷線報(bào)警；

電氣拒動(dòng)指電氣故障報(bào)警，包括控制電源失電報(bào)警、低氣壓閉鎖信號、sf6微水在線監(jiān)測報(bào)警、局放在線監(jiān)測報(bào)警。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

目前調(diào)度中心都是通過向上收集事故級報(bào)警信息來判斷故障元件，而本發(fā)明能夠在調(diào)度中心監(jiān)控到下層變電站層的其它數(shù)據(jù)，例如一般級和預(yù)告級報(bào)警數(shù)據(jù)，根據(jù)這些數(shù)據(jù)可以判斷出保護(hù)及斷路器拒動(dòng)的情況，及時(shí)掌握電力系統(tǒng)的情況，為電網(wǎng)的故障自愈節(jié)省時(shí)間。

附圖說明

構(gòu)成本申請的一部分的說明書附圖用來提供對本申請的進(jìn)一步理解，本申請的示意性實(shí)施例及其說明用于解釋本申請，并不構(gòu)成對本申請的不當(dāng)限定。

圖1數(shù)據(jù)挖掘過程；

圖2決策樹分類步驟；

圖3保護(hù)拒動(dòng)信號類；

圖4信號通道故障信號類；

圖5斷路器拒動(dòng)信號類；

圖6分布式?jīng)Q策樹故障追蹤算法。

具體實(shí)施方式

應(yīng)該指出，以下詳細(xì)說明都是例示性的，旨在對本申請?zhí)峁┻M(jìn)一步的說明。除非另有指明，本文使用的所有技術(shù)和科學(xué)術(shù)語具有與本申請所屬技術(shù)領(lǐng)域的普通技術(shù)人員通常理解的相同含義。

需要注意的是，這里所使用的術(shù)語僅是為了描述具體實(shí)施方式，而非意圖限制根據(jù)本申請的示例性實(shí)施方式。如在這里所使用的，除非上下文另外明確指出，否則單數(shù)形式也意圖包括復(fù)數(shù)形式，此外，還應(yīng)當(dāng)理解的是，當(dāng)在本說明書中使用術(shù)語“包含”和/或“包括”時(shí)，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。

術(shù)語解釋：數(shù)據(jù)挖掘是指從大數(shù)據(jù)集或數(shù)據(jù)倉庫中，提取人們有用的、感興趣的知識，這些知識是隱含的、事先未知的潛在有用信息。由于數(shù)據(jù)挖掘應(yīng)用的領(lǐng)域不盡相同，隨之也產(chǎn)生了相應(yīng)的算法，例如適用于頻繁模式和關(guān)聯(lián)規(guī)則的apriori算法、適用于數(shù)據(jù)分類的決策樹算法以及直接聚類方法k-means算法。數(shù)據(jù)挖掘的全過程描述如圖1所示。

在圖1當(dāng)中，首先通過數(shù)據(jù)清洗清除數(shù)據(jù)噪點(diǎn)以及與挖掘主題無關(guān)的數(shù)據(jù)，然后通過數(shù)據(jù)集成形成數(shù)據(jù)倉庫。數(shù)據(jù)轉(zhuǎn)換的作用是將數(shù)據(jù)倉庫轉(zhuǎn)換為易于進(jìn)行數(shù)據(jù)挖掘的特定數(shù)據(jù)集，該數(shù)據(jù)集經(jīng)過數(shù)據(jù)挖掘得到與目標(biāo)相匹配的數(shù)據(jù)模式或規(guī)律知識。最后，通過模式評估或知識表示方法通過評估標(biāo)準(zhǔn)或知識轉(zhuǎn)換技術(shù)選擇出用戶感興趣(或者智能算法所需要)的知識。

正如背景技術(shù)所介紹的，現(xiàn)有技術(shù)中存在在海量的站內(nèi)數(shù)據(jù)中提取出能夠被故障追蹤算法所用數(shù)據(jù)的不足，為了解決如上的技術(shù)問題，本申請?zhí)岢隽艘环N基于數(shù)據(jù)挖掘技術(shù)的電網(wǎng)故障追蹤方法。

本申請的一種典型的實(shí)施方式中，如圖1所示，提供了基于數(shù)據(jù)挖掘技術(shù)的電網(wǎng)故障追蹤方法，本發(fā)明利用智能變電站(或者經(jīng)過數(shù)字化改造的傳統(tǒng)變電站)的各類數(shù)據(jù)采集系統(tǒng)，例如變電站智能告警系統(tǒng)、保護(hù)裝置自檢報(bào)警系統(tǒng)、斷路器在線監(jiān)測系統(tǒng)、后臺機(jī)web日志作為原始數(shù)據(jù)來源，重點(diǎn)對其中涉及的故障診斷相關(guān)數(shù)據(jù)進(jìn)行分類評估，進(jìn)而對調(diào)度端的故障追蹤程序提供決策支持。

基于決策樹的故障數(shù)據(jù)分類方法：決策樹(decisiontree，dt)是目前最為廣泛的歸納分類算法之一，主要用于處理非連續(xù)型變量的分類及預(yù)測問題，可以用樹形結(jié)構(gòu)或if-then形式進(jìn)行描述，是一種可收斂的分類器或預(yù)測模型。決策樹通過對輸入信息不斷的細(xì)化分類，使依賴變量的差別最大化，最終將數(shù)據(jù)分類到無交集的分枝，在依賴變量的值上建立最強(qiáng)的分類。相對于神經(jīng)網(wǎng)絡(luò)聚類、高斯混合聚類、k-means等聚類算法，決策樹具有如下優(yōu)點(diǎn)：第一，決策樹模型可用圖形或規(guī)則進(jìn)行描述，對于推理過程具有可解釋性；第二，由于決策樹的大小與數(shù)據(jù)集大小無關(guān)，因此計(jì)算量不會隨數(shù)據(jù)量增多而變大。結(jié)合電網(wǎng)故障后各變電站產(chǎn)生大量報(bào)警信息的特點(diǎn)，本發(fā)明選擇決策樹對站內(nèi)信息進(jìn)行分類，以期對調(diào)度端的故障追蹤程序提供決策支持。決策樹的生成主要是利用信息論中的信息增益原理來搜索數(shù)據(jù)集中有最大信息量的部分，進(jìn)而根據(jù)該信息建立一個(gè)節(jié)點(diǎn)，再根據(jù)變量的不同建立相關(guān)分枝。對每個(gè)分枝重復(fù)上述過程，一直到建立起一棵完整的決策樹。

決策樹的定義如下：對于一個(gè)數(shù)據(jù)集d＝{d1，d2,…,dn}，其中每一元組ti∈d包含變量a＝{a1,a2,…,am}。同時(shí)給定類別集合c＝{c1,c2,…,ck}。對于數(shù)據(jù)集d，決策樹t是具有下列性質(zhì)的樹：

(1)每個(gè)內(nèi)部節(jié)點(diǎn)都被標(biāo)記一個(gè)屬性ai∈a，表示一個(gè)變量的測試。

(2)每個(gè)分枝代表一個(gè)測試輸出，表示變量的一個(gè)可能值。

(3)每個(gè)葉節(jié)點(diǎn)被標(biāo)記為一個(gè)類cj∈c，表示分類結(jié)果的類別。

利用決策樹對數(shù)據(jù)進(jìn)行分類和預(yù)測的步驟如圖2所示。

決策樹分類算法是一種監(jiān)督式學(xué)習(xí)方法，以訓(xùn)練樣本作為輸入，以監(jiān)督模型作為分類規(guī)則，通過歸納算法產(chǎn)生決策樹，再對陌生數(shù)據(jù)集進(jìn)行預(yù)測分析。結(jié)合智能變電站信號傳輸機(jī)制以及保護(hù)、斷路器的硬件結(jié)構(gòu)，本文將訓(xùn)練樣本分為三類進(jìn)行測試：保護(hù)拒動(dòng)信號類、信號通道故障信號類、斷路器拒動(dòng)信號類。其中，保護(hù)拒動(dòng)信號類如圖3所示，信號通道故障信號類如圖4所示，斷路器拒動(dòng)信號類如圖5所示。

分類步驟如下。

step1：訓(xùn)練集首先進(jìn)入歸納算法，若樣本在監(jiān)督模型中，則成為監(jiān)督模型上層節(jié)點(diǎn)中的樹葉。

step2：若不在監(jiān)督模型中，則按照信息增益最大原則選取最佳分類的變量分割為一個(gè)節(jié)點(diǎn)，根據(jù)監(jiān)督模型的中間邏輯，為該分割變量的節(jié)點(diǎn)分配一個(gè)分枝。

step3：當(dāng)訓(xùn)練集所有樣本都存在于某個(gè)節(jié)點(diǎn)，則分割停止，決策樹分類完成。

通過分類步驟可以看出，在監(jiān)督模型確定的情況下，訓(xùn)練集中的樣本數(shù)越多，生成的決策樹越完善，分類越精確。例如，某些系統(tǒng)對電壓/電流互感器采樣失敗產(chǎn)生的報(bào)警信息為“電壓/電流采樣異?！?，與監(jiān)督模型提供的“ct/pt采樣異常”同意不同名。若該信息多次出現(xiàn)，根據(jù)信息增益最大原則，會另外形成一個(gè)新節(jié)點(diǎn)，避免分類錯(cuò)誤。

進(jìn)入信息一體化平臺的數(shù)據(jù)經(jīng)過決策樹分類，會剔除保護(hù)啟動(dòng)、保護(hù)動(dòng)作、斷路器跳閘、錄波完成、變壓器監(jiān)測等與故障追蹤無關(guān)信息，通過決策樹過濾后的數(shù)據(jù)按照監(jiān)督模型分為三大類。

分布式?jīng)Q策樹故障追蹤算法：決策樹對訓(xùn)練樣本的分類算法完成之后，就可以對未知類別的數(shù)據(jù)集進(jìn)行預(yù)測。對應(yīng)于電網(wǎng)故障追蹤的過程，即對變電站層的各種數(shù)據(jù)進(jìn)行分析，給出保護(hù)或斷路器拒動(dòng)原因。

本發(fā)明提出了一種大數(shù)據(jù)平臺下的分布式?jīng)Q策樹故障追蹤算法，該分布式算法底層由運(yùn)行在各廠站端的局部決策樹歸納算法組成，該算法負(fù)責(zé)提取本廠站內(nèi)部的各種報(bào)警信號，通過監(jiān)督模型將其遞歸分割為決策樹的一枝子樹；上層為運(yùn)行在調(diào)動(dòng)中心的最終決策樹，該算法匯集故障區(qū)域內(nèi)各變電站的監(jiān)督模型以及決策子樹，形成最終決策樹預(yù)測模型。這種變電站端分布式數(shù)據(jù)劃分與調(diào)度端決策樹集中生成相結(jié)合的方法，不僅避免了數(shù)據(jù)在調(diào)度端的大量堆積，而且能夠和目前的電力信息一體化平臺緊密結(jié)合，根據(jù)電力系統(tǒng)網(wǎng)絡(luò)的特點(diǎn)使運(yùn)行速度最大化。

電網(wǎng)故障追蹤算法具體過程如下：故障診斷程序判斷出有保護(hù)或斷路器拒動(dòng)，調(diào)用分布式?jīng)Q策樹生成算法。首先，各變電站內(nèi)調(diào)用局部算法，對站內(nèi)報(bào)警信息進(jìn)行預(yù)處理，形成訓(xùn)練樣本集，按監(jiān)督模型對局部報(bào)警信息進(jìn)行分類。廠站在選擇當(dāng)前監(jiān)督模型時(shí)，將當(dāng)前樣本集的屬性按照監(jiān)督模型傳給調(diào)度端全局算法。全局算法綜合各廠站傳來的監(jiān)督模型，求出最大信息增益量返回給各廠站的局部算法。局部算法根據(jù)最大信息增益量建立數(shù)據(jù)的一個(gè)節(jié)點(diǎn)，繼續(xù)分割各自的報(bào)警信息，進(jìn)而形成局部決策樹。當(dāng)各廠站的所有樣本被劃分完畢后，形成的局部決策樹被傳送至全局算法，在調(diào)動(dòng)端形成最終決策樹。最終決策樹根據(jù)輸入的分類數(shù)據(jù)以及增益數(shù)值，給出預(yù)測結(jié)果。考慮到各廠家的監(jiān)測系統(tǒng)報(bào)警數(shù)據(jù)上傳間隔不同，本文取最大周期值的3倍，為6秒。算法流程圖如圖6所示。

以上所述僅為本申請的優(yōu)選實(shí)施例而已，并不用于限制本申請，對于本領(lǐng)域的技術(shù)人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本申請的保護(hù)范圍之內(nèi)。