基于数据挖掘的配电网故障风险预警探讨

陈益果，何安宏

（南瑞集团有限公司（国网电力科学研究院有限公司），江苏 南京 211100）

1 数据挖掘技术与常见算法

数据挖掘算法是大规模数据整合和分析的关键工作。为了科学表现大数据的特征，需要将对应这些数据的类型和形式算法进行定式化。这些算法是基于统计的统计方法，只有这样，挖掘的数据才能够充分发挥其本来价值。数据挖掘的主体没有限制，主要是将现有数据通过数据挖掘算法进行预测性分析，进行一些高级别的数据分析，可利用Mahout工具实现，典型算法有SVM、Kmeans等[1]。下文将列举一些比较常用的数据挖掘方法。

MBR（Memory-BasedReasoning）方式主要的核心是记忆基础推理法，涵盖距离函数和结合函数，前者旨在找到最相似案例，后者则将相似案例属性结合起来，以便预测分析时使用。该方法的优点在于能够容许各种型态的数据且不需要服从某些假设，具备自学习能力，能够凭借旧案例的学习获取关于新案例的知识，但需要大量历史数据的支撑。处理费时，效率不高，在欺骗行为侦测、预测客户反应、医学诊疗等方面，有较强的应用前景[2]。

ClusterDetection（聚类分析）技术拥有广泛的应用范围，涵盖基因算法、类神经网络、统计学中的群集分析，主要是找出数据中以前未知的相似群体。

2 数据挖掘技术在各领域中的应用

数据挖掘最重要的作用是为相关决策提供有效支撑。就企业来讲，企业的ERP系统应用过程中能够积累大量的业务数据，这对大数据技术的应用提供了较好的前提条件。所以，在运营过程中构建统一的数据平台，可实现数据的集成和共享，为机构决策提供技术支撑。该机构基于市场风险、信用风险以及内部控制，建立起风险管理系统，整合现有风险控制形成风控战略能力，建立起KRI（关键风险管理指标）、风险分析、风险组合管理、风险保管等，极大地提升了机构风险管理水平。同时，在统一平台下实现了业务中心、各部门不同层次的风控要求，满足了不同的业务需求[3]，为该机构市场、信用以及仓储三方面的风险控制提供了极大助力，且强大的开放性便于后续的扩展深化。具体而言，即建立风控计量模型，基于历史数据和数据挖掘算法，针对模型进行调整优化，实现量化监控、预测分析以及自动预警。

本文主要研究数据挖掘技术在配电网故障风险预警工作中的应用，流程如图1所示。

3 算例分析

3.1 故障关联因素分析

以某城市配电网运行数据为研究对象，利用从配电网管理系统中采集的数据进行分析，总结归纳得到故障特征，然后经过对故障关联因素的进一步分析，剔除其中一些不适用的冗余特征，结果如表1所示。

表1 电力故障特征关联因素

图1 风险预警流程图

然后，采用Relief算法计算得到所有特征值的权重大小，最终结果中与馈线故障直接相关的故障特征全部得以保留。这些特征与故障强相关，且各自相互独立。

3.2 风险预警

故障风险是不断变化的，因此在对其进行分析时需要考量时变因素。本文选择2016年5月到2017年4月的数据来作为训练样本，2017年6月、7月的数据作为测试数据。其中，训练样本用来进行相关模型的获取和检验，测试样本主要用来进一步优化模型，以便保证模型的预警效果。

风险等级的样本数量如表2所示。

通过选择使用基于RBF的SVM方法对样本风险实施预警和分析，结果如表3所示。

由表3得知，该模型对馈线风险的预警准确率保持在90%以上。因此，从某种程度上讲，该模型具有较强的实用性和准确性。

4 结 论

数据挖掘技术在大数据配电网故障风险预警中具有重要的作用。通过数据挖掘技术构建的风险预警模型，能够准确的预警配电网风险，对保障电力安全具有重要意义。

表2 风险等级样本的数量

表3 配电网故障风险等级预警结果