基于FP-growth算法的电网运行风险分析

邓智广

（广东电网有限责任公司佛山供电局，广东 佛山 528000）

0 引 言

伴随电网智能化程度的不断加深，电网结构必然日益庞大且复杂化，因此在电网运行过程中必然会存在很多潜在的不确定风险，这也对确保电网安全方法提出了更高的要求[1]。为有效避免由于电网运行风险导致的电网故障，进一步确保电网的安全稳定运行，分析电网运行风险是解决此问题的有效途径。本文通过将FP-growth算法引进到电网运行风险分析方法中，致力于在保障电网能够正常运行的同时，使电力能够得到可靠供应。FP-growth算法在本质上是一种关联分析算法，可以通过构建FP-tree前缀树，加快整个挖掘过程，同时FP-growth算法以其频繁模式对关联信息具有出色的保留能力，能够广泛应用于数据挖掘中，并可以取得良好的应用效果[2]。为此，本文提出基于FP-growth算法的电网运行风险分析方法，通过运用FP-growth算法中的FP-tree，搜索最短传输路径，获取危险线路，从而提高电网运行风险分析的精准度，为电网运行工作提供理论依据。

1 基于FP-growth算法的电网运行风险分析

1.1 构造电网运行风险分析FP-tree

首先，运用FP-growth算法中的FP-tree特殊数据结构，通过两次扫描电网运行风险数据，将原始数据压缩到一个FP-tree中。在同一个FP-tree中，只要拥有相同的路径就能够达到压缩数据的目的。设在电网运行风险数据集为c，那么c={c1,c2,c3,…cn}，ci指的是电网运行风险数据集c中的任一事物。本文以c为例，通过二次遍历构造电网运行风险分析FP-tree。

第一次遍历c，设电网运行风险数据元素项为l；出现频率为f，将每一个电网运行风险数据元素项以出现频率的降序作为排列顺序，并进行排列[3]。预先将支持度设为fmin，只选取大于fmin的元素项，根据标识信息中的相同电网运行风险数据元素项节点进而建立连接关系。第二次遍历c，将经过排序和筛选处理的电网运行风险数据元素项重新以出现频率的降序作为排列顺序进行排列，得到新的电网运行风险数据集，设数据集为cn，对该数据集进行充新扫描。cn数据集本身作为一个空集存在，需要将ci按照具有相同前缀分支的标准依次添加到cn数据集中，若包含前电网运行风险数据元素项数值记为加1，若不包含则建立新的分支，直至完成电网运行风险分析FP-tree构造。

假定在cn数据集中包含4条事物，分别为c1={l1,l2,l3,l4}，c1={l2,l4,l5,l6}，c3={l2,l3,l4}，c4={l1,l2,l3,l4,l5,l6}，则基于cn数据集构造的电网运行风险分析FP-tree具体结构，如图1所示。

图1 电网运行风险分析FP-tree结构示意图

通过图1可知，包含前电网运行风险数据元素项数值的元素项之间可以用曲线连接，不包含前电网运行风险数据元素项数值的元素项之间则通过直线建立新的分支[4]。

1.2 挖掘电网运行风险关键线路

在得出电网运行风险分析FP-tree的基础上，运用FP-growth算法挖掘电网运行风险关键线路，挖掘电网运行风险关键线路的具体流程如图2所示。

图2 电网运行风险关键线路挖掘流程

通过图2可知，在电网运行过程中将发生过N次的故障导入电网运行风险模拟器，将模拟结果输出并结合线路故障发生的原因形成风险链，再对风险链进行格式化，得到格式化风险链，最后导入电网运行风险数据，利用FP-growth算法挖掘频繁项集，输出挖掘结果，确定电网运行风险关键线路[5]。利用FP-growth算法挖掘频繁项集可以通过对FP-tree中的电网运行风险数据元素项递归获取条件模式基，构建条件FP-tree，保存频繁项，直到FP-tree仅存一条分支终止递归，得到最终的频繁项集列表，则该列表保存含电网运行风险的频繁项。

1.3 分析电网运行风险

在挖掘出电网运行风险关键线路的基础上，运用风险理论分析电网运行风险。由于电网运行状态的风险伴随着极高的不确定性，这就要求对电网运行状态风险数据的分析越来越精准可靠。通过以上研究，基于FP-growth算法的数据挖掘能够分析出电网运行状态风险的有效信息，可以进一步掌握电网运行状态。为了满足电网运行状态风险分析的实际情况，就必须加大FP-growth算法在电网运行风险分析中的应用力度。

2 仿真实验

2.1 实验准备

设计仿真实验，运用SIEEEVE-118节点测试系统分析电网运行状态风险，选取49条电网运行关键线路作为实验对象，根据电网运行状态风险信息传输路径作为分析依据，搜索最短传输路径。本次仿真实验选取的49条电网运行关键线路具体参数如表1所示。

表1 电网运行关键线路参数

结合表1信息，分别使用传统风险分析方法和本文设计风险分析方法进行仿真实验，设置传统的风险分析方法为实验对照组。仿真实验软件为SIEEEVE-118节点测试系统，主要用于对电网运行风险分析的仿真模拟。仿真实验主要内容为测试两种风险分析方法的风险误报率，从而评定分析精度更高的风险分析方法。在此次的仿真实验中，共针对49条线路进行3组对比实验，针对SIEEEVE-118节点测试系统测得的风险误报率，记录实验结果，进而判断两种风险分析方法对于电网运行风险的分析能力。

2.2 实验结果分析与结论

根据上述设计的仿真实验步骤，采集3组对比实验数据，将两种风险分析方法下的风险误报率进行对比。为更加直观地表现出两种风险分析方法在风险误报率方面的差异，将两种风险分析方法下得出的风险误报率绘制为曲线图，如图3所示。

图3 风险误报率对比图

通过图3可得出如下的结论，本文设计的风险分析方法风险误报率最高为0.249%，实验对照组为0.496%，设计的风险分析方法风险误报率更低，可以实现对电网运行风险精准分析。通过仿真验证结果，证明所设计的风险分析方法其各项功能均可以满足设计总体要求，可以广泛应用于电网运行风险分析方面。

3 结 论

通过仿真实验证明，本文设计风险分析方法在电网运行状态风险分析中的具体优势已经显现出来。风险误报率的高低是保证电网运行状态风险分析精度的主要衡量标准，而针对电网运行状态风险分析方法进行基于FP-growth算法的优化可以大幅度提高风险分析精度。引进FP-growth算法的风险分析方法不但能够完成传统的风险分析方法所不能完成的任务，还能以FP-growth算法为核心算法，为电网运行状态风险分析领域的研究提供学术意义。