励力帆，虞伟，桑清城

(国网舟山供电公司，浙江 舟山 316000)

0 引言

步入21世纪后，电力系统设备状态监测变成电力管理的核心问题。伴随电网规模逐渐变大，电力自检性能被看作必备功能[1]。自动故障诊断性能具有核心作用，如果电网出现故障，电力调度中心将获取海量故障信息。怎样在大量故障数据里高精度获取故障信息，并实现电力故障自动诊断，对电力安全有着不可忽视的作用[2]。近年来，中国电力企业在设备运行状态监测问题中进行大量研究与创新，全面、高精度获取电力状态信息对保护电力运行安全存在直接影响[3]。

数据挖掘技术是近几年出现的智能技术，其属于人工智能和数据库技术相融的结晶。通过数据挖掘相关方法可在海量数据中获取潜在的有价值信息。数据挖掘方法目前层出不穷，例如粗糙集方法、模糊集方法、神经网络方法等，但单一数据挖掘方法在诊断电力故障时，容错性能未能符合诊断需求，且诊断时易进入局部最优，诊断速度较慢[4]。

为了获得更好的电力系统故障自动诊断结果，本文将数据挖掘中的粗糙集方法(rough sets, RS)与免疫算法(immune algorithm, IA)相结合，并结合关联规则数据挖掘方法，提出基于数据挖掘的故障自动诊断方法，先实现故障点定位，再针对故障点实现故障状态诊断。

1 数据挖掘的电力系统故障自动诊断方法

1.1 基于数据挖掘的故障定位方法

基于数据挖掘的故障定位方法流程如下：

1)使用电力信息系统有关知识，建立故障挖掘的数据库[5]；

2)获取故障特征，设置和其对应的条件属性与决策属性；

3)按照第2)步所设置条件属性和决策属性，以RS决策表形式描述故障集合；

4)将决策表里求约简问题变换为求区分矩阵最小约简数问题，使用IA实现最优属性约简；

5)在最优属性约简集合里获取所需故障点定位规则。

最优属性约简步骤如下所述。

Step1：运算电力系统故障特征决策属性E对条件属性D的依赖水平SD，并设置Dore(D)=Φ，分别删除某个单重属性b∈D。如果SD-b≠SD(SD-b代表去除单重属性b后，故障特征决策属性E对条件属性D的依赖水平)，那么Dore(D)=Dore(D)∪b，Dore(D)代表核。如果SDore=SD，那么最优属性约简值是Dore，反之实施第2)步。

Step2：建立初始抗体集合并实施编码。通过二进制编码方法，将条件属性D数目设成抗体长度，抗体条件属性是否有效需要根据基因判断[6]。约简过程中留下某条件属性时，则抗体基因值必须是1；若基因值是0，则对应的条件属性需要去除。初始化过程中，将核里的条件属性值设成1，抗体规模设成M，以此获取初始抗体集合。

Step3：运算亲和度。抗原和抗体间亲和度可以体现可行解是否符合问题要求。亲和度较大，则解符合程度越大[7-8]。将适应度函数倒数设成亲和度函数，则亲和度运算方法是：

(1)

式中：条件属性数目设成M；抗体u中“1”的数目设成uv；依赖水平与调整系数依次设成R、B。

Step4：运算抗体浓度。先运算两个抗体间亲和度：

(2)

式中抗体间结合水平表示同一方位基因编码值存在差异的数目，此值设成eiffervw。

那么抗体u在种群中浓度是：

(3)

(4)

Step5：抗体控制与优化。为了提升抗体的多样化，需要优化亲和度较高的抗体浓度。但是，抗体浓度超标，亲和作用可能被抑制，需要掌握抗体控制与优化的程度[9]。

Step6：更新记忆库。把每个抗体群里亲和度高、浓度小的z个抗体保存在记忆库里，并持续更新[10]。

Step7：下一代父代抗体群(后续故障点)主要通过选择、交叉与变异形式获取。

Step8：符合停止条件便停止，输出故障点定位结果；反之回到Step3步再次循环操作。

综上所述，根据最优属性约简值能够获取决策规则，可把故障和决策规则相融，快速定位电力故障点[11-12]。

1.2 基于数据挖掘的故障自动诊断方法

将1.1小节定位的故障点故障信息设成A=(A1,A2,…,An)，故障区域是W=(W1,W2,…,WM)，故障诊断关联规则为I⟹J，当中I、J依次代表A、W的故障模式。

基于关联规则数据挖掘电网故障诊断方法的诊断流程图见图1。首先将电力故障点信息作为基于关联规则数据挖掘的故障自动诊断方法的输入，按照故障点信息构建故障状态决策表，在此表中设置故障状态关联频繁项，分析故障状态关联频繁项的关联规则，此规则需要按照电力故障点实际状况实施设置，若规则符合实际需求，便通过规则内容实现故障状态诊断。

图1 故障自动诊断流程

电力系统里电力数据存在巨量性，为了详细描述图1中的诊断过程，图2电力系统为例进行详述。如图2所示，此电力系统存在3个线路，3个线路均存在过流保护装置DP1、DP2、DP3。在线路1中设置距离保护装置SS1，用来实现线路2与线路3的后备保护。DC1、DC2、DC3为断路器。将故障诊断时的条件属性值依次设成1和0，若故障诊断时的条件属性值是1，则断路器从闭合变成断开或保护状态，若属性值是0，则断路器没有出现变位。

图2 电力系统结构

将故障信息设成断路器动作信息，将决策属性设成故障点中的故障状态。将故障点设定6种故障诊断的关联规则。

规则1：若故障点出现在线路1，运行过流保护装置DP1，跳开断路器DC1，此线路短路；

规则2：若故障点出现在线路2，运行过流保护装置DP2，跳开断路器DC2，此线路短路；

规则3：若故障点出现在线路3，运行过流保护装置DP3，跳开断路器DC3，此线路短路；

规则4：若故障点出现在线路2，运行过流保护装置CP2，而DP3断路器没有开启，后备距离保护SS1运行，跳开断路器DC1，线路2短路；

规则5：若故障点出现在线路3，运行过流保护装置CP3，而断路器DP3未开启，后备距离保护SS1运行，跳开断路器DC1，线路3短路；

规则6：若故障点先出现在线路2，再出现线路3，过流保护失效，后备保护SS1开启，跳开断路器DC1，则双线短路。

2 诊断性能分析

假定图2中存在8个故障点，详情见图3。

图3 需诊断的电力故障点示意图

采用本文方法对图3中8个故障点的故障状况进行诊断。诊断时，使用本文方法获取的最优条件属性约简集合见表1。

表1 最优条件属性约简集合

分析本文方法对8个故障点故障状态的误诊率与漏诊率，结果见表2。分析表2可知，本文方法对该大型配电网输电线路中8个故障点的误诊率与漏诊率极小，符合诊断需求。

表2 本文方法误诊率与漏诊率

为了测试本文方法对电力故障的诊断性能，设定某大型配电网电力系统故障类型依次是单线短路、双线短路、保护或断路器失效、单相接地、开路。测试本文方法、基于故障录波信息的电网故障诊断方法、基于灰色关联度的电网故障诊断方法对5种故障的定位精度，结果见图4。分析图4可知，本文方法对5种电力故障的定位精度高于对比方法，且故障定位精度值高达99.56%。

图4 3种方法故障定位精度对比结果

测试3种方法对5种电力故障的诊断耗时，结果见表3。分析表3中数据可知，本文方法诊断5种电力故障的平均耗时少于两种对比方法且诊断耗时最短，诊断效率最高。

表3 3种方法故障诊断耗时对比结果 单位：s

在MATLAB仿真环境中，测试本文方法在实施电力系统故障自动诊断时其生命周期变动情况。设定该电力系统存在200个故障点，把各个故障点看成一个节点，分别采用本文方法、基于故障录波信息的电网故障诊断方法、基于灰色关联度的电网故障诊断方法对200个故障点进行故障诊断时对电力系统生命周期的影响，结果见图5。分析图5可知，本文方法实施电力系统故障诊断后，电力系统中死亡节点数最大值为9个，而其他的对比方法应用后，电力系统死亡节点数最大值均高于40个，和本文方法相比，差异显著。由此可知，本文方法的使用对电力系统生命周期不存在较大损耗，不会干扰电力系统的使用寿命。

图5 生命周期变动状况

为了测试本文方法在诊断电力故障时的抗干扰性，在电力系统数据中引入噪声数据，测试3种方法在噪声数据干扰下，诊断电力短路故障时的鲁棒性，结果见表4。表4数据显示，在电力系统数据中引入噪声数据后，伴随噪声数据数目的增多，本文方法的鲁棒性并未受到不良影响，鲁棒性始终>0.980 0。另外两种方法的鲁棒性虽然也未出现较大变动，但低于本文方法。

表4 3种方法鲁棒性测试结果

3 结语

本文提出一种基于数据挖掘的电力系统故障自动诊断方法，并在实验中验证其有效性，经验证结论如下：

1)本文方法对某大型配电网输电线路中8个故障点的误诊率与漏诊率极小；

2)本文方法对5种电力故障的定位精度高于对比方法，故障定位精度值高达99.56%；

3)本文方法诊断5种电力故障的平均耗时仅有1.18s；

4)本文方法的使用对电力系统生命周期不存在较大损耗，不会干扰其使用寿命；

5)在电力系统数据中引入噪声数据后，本文方法的鲁棒性并未受到不良影响。

综上所述，本文方法对电力系统故障诊断问题有使用价值。