王鸣誉，徐 岩，范 文，李铁成，任江波

(1.华北电力大学 电气与电子工程学院，河北 保定 071003；2.国网河北省电力有限公司电力科学研究院，河北 石家庄 050021；3.国网河北省电力有限公司，河北 石家庄 050021)

0 引 言

目前，智能变电站实现了数字化[1]。设备之间的物理回路变成了一种逻辑层面的连接关系[2]，虚回路与物理回路的映射关系不可见，这种隐蔽的信息传输方式给运行人员带来了很大的麻烦，目前二次回路的故障还是依赖工作人员的工作经验以及相应的专业设备，同时故障发生时会产生很多冗余信息，同时这些故障信息还可能存在信息丢失或虚假信息，这使得故障难以迅速定位。

为解决上述问题，文献[3]利用通信链路状态对每一条回路进行分析，确定故障的大致位置，但是无法确定具体的故障装置。文献[4]采用了深度学习理论中的RNN模型，对二次设备故障进行建模，并利用典型二次回路验证了该模型的性能，但是深度学习模型的选择缺乏理论依据，并且很难获得完整的样本集。文献[5]提出了一种基于Petri网的GOOSE(Generic Object-Oriented Substation Event)回路故障诊断法，但是该方法需要用人力判断变迁是否触发。文献[6]利用专家系统来对二次系统故障进行诊断，该方法所需的样本量较大，很难做到完善，同时也不具备自学习的能力。

除了上述方法，目前关联分析也被用于电力领域，关联分析是数据挖掘中的一种关键的技术，关联分析的作用是发现不同数据之间的潜在联系，通常关联分析被用来进行通常用来预测数据，文献[7，8]利用apriori算法处理二次设备缺陷原因和二次设备之间的关系。……