数据挖掘的电力自动化系统故障自动诊断系统设计

叶 华，王国平，陈 飞，郭云鹏

（云南电力调度控制中心，云南昆明 650217）

电力自动化系统包含继电保护装置、自动化装置、故障录波器等电子装置[1]，各类电子装置的投入越来越多，导致电力自动化系统故障发生概率显著上升[2]。以往诊断电力自动化系统通常采用基于故障树的故障诊断系统[3]和基于多维信息融合的故障诊断系统[4]，但上述系统均存在易受主观因素影响、运行功率高的缺陷。

数据挖掘技术的出现为解决上述问题提供了有效途径。利用人工智能技术分析数据得到相关知识的过程即数据挖掘，该过程获取的知识一般为概念、规则、特征等[5]。将数据挖掘应用于电力自动化系统中，设计基于数据挖掘的电力自动化系统故障自动诊断系统，准确诊断电力自动化系统的故障，降低故障诊断系统的运行功率。

1 数据挖掘的电力自动化系统故障自动诊断系统

1.1 系统整体设计

基于数据挖掘的电力自动化系统故障自动诊断系统整体结构如图1 所示，其采用多层多模块设计理念[6]，整体分为3 个层次：实现人机交互功能的应用表现层、包含处理业务逻辑的业务处理层和存放支持系统运行数据的数据层。

图1 系统整体结构设计

1）应用表现层是人机交互的工具[7]，可将系统操作者的需求传递至业务处理层内，同时利用显示器显示业务处理层数据处理结果，完成信息交流。基于数据挖掘的电力自动化系统故障自动诊断系统中应用表现层即系统的控制界面，故障显示界面。

2）业务处理层在接收应用表现层发送的控制命令后，根据设定逻辑完成命令。在此过程中，系统程序会依照命令调度相关数据，分析数据后将相关结果反馈至应用表现层。业务处理层中包含的主要功能有基本信息采集、故障分析与判断、故障追踪、预警分析等。

3）数据层中包含系统初始化设置信息、电力自动化系统信息、设备信息、录播数据信息、电力自动化系统分布图等。数据层为业务处理层提供信息服务，数据层内各项信息存储模型各不相同[8]：部分数据存储于数据库内、部分数据以XML 文件形式存储、电力自动化系统分布图等均以图片形式存储。

1.2 系统功能模块设计

为实现电力自动化系统稳定运行需求，提升电力自动化系统信息化、智能化整体水平，使自动诊断系统运行的不同环节实现可控与能控[9-10]，设计了电力自动化系统故障自动诊断系统功能模块，如图2所示。系统主要包括数据采集、数据储存、故障诊断、故障追踪以及警告管理等功能模块，利用这些功能模块实现系统整体有效的运行。

图2 系统功能模块设计

1.3 基于数据挖掘的故障自动诊断算法

电气自动化系统状态参量通常具有多变性，针对电气自动化系统参量间相关性挖掘分析的不足，造成系统参量缺少系统性认知。组合电力自动化系统多参量，提取特征量并对其实施合并，分析状态参量间相关性等均可由状态参量关联规则分析完成。电气自动化系统状态参量关联规则可通过A=＞B的形式描述，代表“假设存在A，则存在B”[11-12]。其中A和B分别表示前项状态参量与后项状态参量，A既可以是一个状态参量也可以是状态参量集合，B通常是一个状态参量。用W表示电力自动化系统故障，U表示待挖掘关联规则库，假设电力自动化系统中包含n个故障，则U={W1,W2,…,Wj,…,Wn}，各故障中又包含m个项，W={V1,V2,…,Vi,…,Vm} 。

用Z表示项集A的支持度，其计算公式如下：

式（2）表示A=＞B关联规则的支持度：

式中，Z和N(A⊆W)分别为支持度和集合数量。

K为A=＞B关联规则的可信度，具体为：

式中，K描述的是项集内同时存在A项集与B项集的几率[13]。

针对电力自动化系统状态参量的关联规则，状态参量可通过定义最小支持度与可信度的阈值确定，获取Z值与K值均较高的关联规则，由此判断电力自动化系统故障类型。

1.4 基于数据挖掘的故障追踪流程

根据相关规则确定电力自动化系统故障类型后，根据决策树算法提出基于数据挖掘的故障追踪流程对故障进行追踪，分析电力自动化系统数据，确定故障产生原因[14-16]。基于数据挖掘的故障追踪包含两部分，分别是电力自动化系统各厂站端的局部决策树归纳和故障自动诊断系统内的最终决策树。局部决策树归纳的主要功能是采集对应厂站的不同报警信号，经由监督模型将其递归划分成决策树的枝子树；最终决策树中包含故障区域内各监督模型和决策子树，将整体信息增量最高的决策子树作为优先确定的子树，构建故障原因预测模型。通过上述过程构建的故障原因预测模型既可防止数据在系统中的大量存放，还能够将决策树模型紧密结合，提升故障原因追踪效率。电力自动化系统中基于数据挖掘的故障追踪流程如图3 所示，其中实现和虚线分别代表控制流和数据流。系统故障自动诊断模块利用基于数据挖掘的故障自动诊断算法确定故障类型后，调用故障追踪流程。故障区域中不同厂站内调用局部算法，实时预处理对应站内报警信息，构建训练集合，依照监督模型划分局部报警信息模型。厂站确定当前监督模型，并且根据确定的监督模型向全局算法传递当前样本。全局算法汇总不同厂站的监督模型与样本增益，逐次计算全局信息增量上限值反馈至不同厂站的局部算法。局部算法依照接收的反馈信息生成报警信息节点，构建以信息增量值、报警记录和故障类型分别为根节点、枝节点和叶节点的局部决策树。不同厂站的样本类型划分成功后生成的局部决策树传输至全局算法内，选取信息增量上限值作为优先决策。全局决策树依照分类数据与增益数值确定故障原因，进一步优化系统故障诊断性能。

图3 故障追踪流程

2 电力自动化系统故障自动诊断系统的测试分析

为验证设计的数据挖掘的电力自动化系统故障自动诊断系统的实用性，选取某市电力自动化系统为研究对象，其中包含相邻7 座220 kV 变电站的电力系统调度相关信息，这些信息均来自于在线监测系统，利用模拟通信信息将其汇总至该文系统中作为参照数据。设定故障类型与故障原因，采用该文系统进行故障自动诊断实验。表1 所示为实验过程中主要状态参量名称。

表1 主要状态参量名称表

2.1 数据采集结果

图4 所示为该文系统采集的研究对象调度数据结果与实际在线监测系统采集结果的对比情况。分析图4 可知，该文系统采集的研究对象电力调度数据与在线监测系统采集结果基本一致，由此说明该文系统数据采集结果具有较高精度，侧面验证该文系统故障诊断精度。

图4 数据采集结果

2.2 故障类型诊断结果

设定研究对象故障类型为W2，采用该文系统诊断研究对象故障类型，结果如图5所示。分析图5得到，各项状态参数中W2(套管接地)与W10(绝缘油带电倾向)的支持度较高，而W2(套管接地)、W5(主绝缘介损)和W7(主绝缘电阻)的可信度相对较高。将各项状态参数的支持度与可信度相结合，得到W2(套管接地)为研究对象故障类型。该文系统诊断结果与设定结果一致，说明该文系统能够自动、准确诊断研究对象故障类型。

图5 故障类型识别结果

2.3 故障原因诊断结果

设定研究对象的故障原因，采用该文系统诊断研究对象故障原因，与设定原因进行对比，以验证该文系统故障原因诊断精度，对比结果如表2 所示。分析表2 得到，该文系统故障原因诊断结果与设定故障原因基本一致，由此说明该系统能够自动、准确诊断研究对象的故障原因。

表2 故障原因的诊断结果

2.4 系统运行功率测试

为测试该系统运行功率，分别以基于故障树故障诊断系统(文献[3])和基于多维信息融合的故障诊断系统(文献[4])为对比系统进行实验。测试该文系统和对比系统在不同工作时长条件下的运行功率，设定测试时间为600 min，测试结果如表3 所示。分析表3 能够得到，在研究对象不同运行时长条件下，采用该文系统诊断研究对象故障过程中，该文系统运行功率均值43.95 W；对比系统诊断研究对象故障过程中的运行功率均值分别为49.55 W和48.63 W，由此可知该文系统运行功率较低。同时分析表3 中数据还能得到该文系统运行功率状态波动并不显著，平缓性显著优于对比系统。上述结果说明该文系统故障诊断时具有较高的稳定性。

表3 各系统的运行功率测试

3 结束语

该文设计数据挖掘的电力自动化系统故障自动诊断系统，利用基于数据挖掘的故障自动诊断算法和故障追踪流程进行电力自动化系统故障自动诊断，实验结果说明该系统能够准确诊断电力自动化系统故障类型与故障原因。受环境条件制约，该文系统还需进一步完善，例如提升系统存储空间利用率等，期望通过进一步优化与开发完善系统性能。