基于大数据关联规则的电网系统故障诊断技术

殷伟斌，丁一岷，范明，傅进

（国网浙江省电力有限公司嘉兴供电公司，浙江嘉兴 314000）

随着我国经济的快速发展，我国95%的地区都实现了通电，不仅便利了大众的生活，而且提高了各个地区经济发展的效益，为了保障电资源的传输稳定和合理分配，电网成为用户和电力系统重要的连接纽带。正是因为电网存在的意义重大，一旦出现故障和意外，都会引起电资源的浪费并降低电力经济效益的增长，但是电网系统出现故障是在所难免的，因此只有提高电网系统故障诊断速度以及精准度，才能在根本上降低电网系统故障带来的损失[1-2]。

综上所述，该文根据大数据关联规则逻辑和电网系统存在的基本故障类型，突破传统的电网系统故障诊断技术核心，以提高故障诊断效率为目的，设计基于大数据关联规则的电网系统故障诊断技术。最后通过实验证明，此技术具有实践性，可以投入使用。该文设计的基于大数据关联规则的电网系统故障诊断技术的核心是深入分析电网系统的内部结构并结合大数据关联规则，通过电网系统的故障状态，进行电网系统故障特征的提取，快速确定故障的类型，解决故障问题，达到文章预期设计的目的。

1 基于Petri网的电网系统故障特征提取

引入Petri 网提取电网系统故障特征，设定Petri网络结构如图1 所示。

图1 Petri网络结构

观察图1 可知，Petri 网络结构由一个5 元组组成，设定Petri 网络结构为N，则可以表示为N=(P,T,K,α,β)，其中P表示网络结构内部的所有库所节点，P={p1,p2,…,pn}(n≥0)，通过圆圈表示；T表示网络结构中的变迁节点，T={t1,t2,…,tm}(m≥0)，变迁节点用竖线表示；K表示库所节点中的初始托肯节点，数据有限集合K={k1,k2,…,kn}(n≥0)，网络结构中的小黑点表示初始托肯节点；库所节点到变迁节点的有向弧用α表示；变迁节点到库所节点的有向弧用β表示[3-4]。

在电网系统故障特征提取过程中，Petri 网络以静态的方式展示，变迁节点中的触发点火和托肯节点的改变能够体现出Petri 网络的动态性能[5-6]。在满足一定条件后，对变迁节点进行点火，确保托肯能够按照有向弧的方向变迁，将数据从输入库转移输出库，图1 中的网络结构表示的变迁节点从点火库所P1将托肯转移到P2中[7-8]。

建立网络矩阵，通过矩阵表示电网系统的运行状态。该文引入关联矩阵C来表示Petri 网络的拓扑结构，|P|表示拓扑结构中的库所P集合元素个数，|T|表示拓扑结构中的变迁T集合元素个数，关联矩阵C表示方式如式（1）所示：

其中，(p,t)表示从p到t的有向通路，w(p,t)表示从库所p到变迁t的有向弧产生的权值[9-10]。根据式（1）得到关联矩阵如下：

设置网络标识向量M，点火向量为U，通过表示向量展示图1 中的托肯标识情况，设定初始向量为M0，则电网系统数据的变化状况如下：

其中，M1表示电网系统数据的运行状况[11-12]。

确定电网系统数据运行状态后，提取数据的瞬时向量。分析电网运行数据的动态变化方式，对频段信号进行检测，将检测结果应用到电网系统的数据实时检测中。连续信号定义公式为：

其中，x(t)表示连续信号，连续信号的一阶导数为x′(t)，二阶导数为x′′(t)。

根据式（4）得到瞬时状态的采样点，电网系统的特征数据能量算子能够很好地反映出电力系统的瞬时特性，如果系统数据的瞬时特性较好，则代表该电力系统数据为非故障数据，如果电力系统数据的瞬时特性较差，则代表该电力系统数据为故障数据[13-14]。

2 电网系统故障诊断

在提取电网系统故障特征后，利用大数据关联规则对电网系统故障进行诊断。该文引入的关联规则挖掘共有两步：

第一步，确定频繁项集。

第二步，根据频繁项集得到关联规则。

相比较于第一步，第二步的精度更高。

在诊断电网系统数据过程中，多次扫描数据库，从而得到频繁项集。数据划分挖掘过程如图2所示。

根据图2 可知，数据划分挖掘主要分为两个过程。过程1：利用关联挖掘规则将数据分成多个分区，且不同的分区都是互相不重叠的，设定数据集中最小支持度阈值为min-suo，局部频繁项集则至少要在一个分区内部显示。过程2：在完成第一次扫描后，需要进行二次扫描。对扫描的评估模型进行审阅，分析每个候选集的实际支持度，从而得到全局频繁项集[15-16]。

图2 数据划分挖掘过程

引入并行分层算法诊断电网数据故障。在预处理阶段，对数据库进行划分，得到多个非重叠区域，在划分过程中，要尽量保证不同的区间大小相似。随机分割算法能够有效减少数据之间的依赖聚类，分区大小相似可以保证在硬件条件相同的情况下，电网系统数据挖掘时间最短，从而提高挖掘效率。

电网系统的并行分层挖掘工作流如图3 所示。

图3 电网系统的并行分层挖掘工作流

观察上图可知，在扫描电力系统的不同分区时，采用并行挖掘算法得到不同分区的局部频繁项集，将局部频繁项集作为候选项集。在确定候选项集的实际支持度后，得到全局频繁项集后，对电力系统的各个分区再次分割，从而得到更小的分区。

利用Petri 网提取电网系统故障特征后，得到故障模拟诊断网络模型，如图4 所示。

利用图4 的故障模拟诊断网络模型在控制中心中得到报警信息，从而得到托肯的初始分布方式，在断路器中标记托肯，在完成标记后，寻找满足条件的变迁节点，启动变迁节点的出发点火模式。点火时，线路必须要满足如下条件：拥有主保护动作，并且变迁的输入库中存在托肯，这样在启动主保护动作后，可以跳开相应的断路器。变迁节点需要满足如下点火条件：线路拥有后备保护动作，变迁的输入库存在托肯，在进行后备保护动作后，可以跳开相应的断路器。

图4 故障模拟诊断网络模型

在满足上述条件后，在电网系统中完成点火工作，使托肯能够在Petri 网模型中重新分布，显示分布情况，探讨被触发节点所达到的稳定状态，从而分析线路是否存在故障。对达到稳定状态的Petri 网模型进行分析，如果库所仍然存在托肯，则可以确定线路为故障线路，如果库所不存在托肯，则可以确定线路为正常线路。

由于该文研究的线路和母线模型存在一般性，所以不能完全应用到实际诊断工作中。在实际诊断过程中，需要分析每个电网元件，对每个电网元件进行相应的分析，增加库所单元数，针对电网的每个元件建立Petri 网模型，确定所有元件在Petri 网模型中托肯的初始分布状态，从而完成故障诊断。当电网系统存在双回线故障和复故障时，则需要进行多次诊断，从而得到准确的电网系统故障诊断结果。

3 实验分析

为验证该文提出的基于大数据关联规则的电网系统故障诊断技术的有效性，与传统的诊断技术进行对比实验。设定实验参数如表1 所示。

表1 实验参数

根据上述参数，选用该文提出的系统和传统系统进行对比实验。电网系统故障信号分布方式如图5所示。

图5 电网系统故障信号分布方式

检测时间实验结果如图6 所示。

图6 检测时间实验结果

根据上图可知，该文提出的诊断技术能够在更短的时间内确定故障幅值。检测的电网系统异常幅值共有两次，分别出现在0.08 V 和0.16 V，当电压为0.08 V时，传统技术检测时间为0.14 s，该文技术的检测时间为0.04 s，当电压为0.16 V时，传统技术检测时间为0.31 s，该文技术的检测时间为0.26 s，该文技术能够更加快速地诊断出故障类别。

选用该文技术和传统技术对三类异常数据和三类告警数据进行数据识别，在输入样本数为1 000 的情况下，传统诊断技术和该文诊断技术对电力系统的识别率如表2 所示。

根据上表可知，该文技术对电网系统故障识别率要高于传统技术故障识别率，能够更好地分析特征向量，当确定电网系统存在突变阶段之后，该文设计的诊断技术会发出预警，如果突变阶段的TEO 数值超过阈值，会发出告警。相比较于传统技术，该文技术具有更高的精确度。

4 结束语

该文通过一系列具有逻辑关系的公式以及理论知识作为技术研究基础，完成基于大数据关联规则的电网系统故障诊断技术的分析，并利用对比实验，验证技术的合理性和精准度，可以快速诊断出电网系统故障类型，提出一些解决故障的辅助策略，最大程度地缩短电网系统故障的持续时间，降低电网系统的损失。以该文的研究作为电网系统优化的背景，可以促进电网结构的紧密性，降低电网系统的运行故障率。