Apriori算法继电保护装置缺陷自动诊断方法

摘要：继电保护装置由于长年不断电运行且数量庞大，故障概率相对较高，给电力系统的安全稳定运行带来了严重威胁。文章提出基于Apriori算法继电保护装置缺陷自动诊断方法。基于Apriori算法构建装置缺陷指标集，深入分析对继电保护通信电路产生影响的关联指标，建立装置故障缺陷的识别模型，识别装置故障缺陷文本。实验结果表明：基于Apriori算法继电保护装置缺陷自动诊断方法能够准确地诊断出过流保护设备的额定电流过小所在的缺陷发生的时刻。

关键词：数据挖掘；缺陷诊断；继电保护装置；电力系统；Apriori算法

中图分类号：D26.4" 文献标志码：A

0 引言

随着电力系统的完善与发展，继电保护装置在电网中的作用愈发关键。传统的继电保护装置故障诊断方法检测项目少，告警主要针对装置各项功能输出结果而不涉及装置元件，对故障原因分析不足。王凯^［1］通过学习历史故障数据，提取故障特征，建立故障诊断模型，实现对继电保护装置故障的准确诊断。管飞飞^［2］通过对继电保护装置的故障类型、原因和表现形式进行深入分析，提取出故障特征，实现对故障的自动识别和分类。

1 基于Apriori算法继电保护装置缺陷自动诊断方法的设计

1.1 基于Apriori算法构建装置缺陷指标集

Apriori算法是数据挖掘中用于关联规则学习的经典算法^［3］，通过逐层搜索的迭代技术，利用连接和剪枝的过程，来寻找与数据库和项集之间的关联，进而建立新规则。因此，该研究选择Apriori算法进行继电保护装置缺陷自动诊断的设计。针对构建的初始装置缺陷指标集^［4］，深入分析对继电保护通信电路产生影响的关联指标，包括以下2个核心步骤。

1.1.1 步骤一 识别频繁项集

（1）扫描整个初始指标集，统计并累积每个项的计数。（2）收集满足预设最小支持度阈值的项，构建频繁1-项集集合（记作a1），利用a1继续寻找频繁2-项集集合（记作a2），直到无法再找到满足条件的更高阶频繁项集^［5］。

1.1.2 步骤二 生成关联规则

为提升关联规则分析的效率，对Apriori算法进行优化：（1）通过引入支持度计算支撑数组，有效简化了支持度的计算过程。（2）通过新建立的邻接字典链表，算法可以动态地找到所有符合支持度条件的二项式字频繁集。（3）实施分支筛选优化策略，动态删除无效分支^［6］。

经过上述挖掘后构建的继电保护装置缺陷指标集如表1所示。

同时，继电保护装置的缺陷可分为硬件故障、软件问题、设计缺陷、电源问题等，其中这些缺陷主要分为硬件和软件缺陷。硬件缺陷可能引发CPU的自动关机，严重时甚至会导致保护装置退出运行状态。而软件缺陷可能会引发诸如误动、装置闭锁等危害性后果。

1.2 建立装置故障缺陷的识别模型

故障树是一种系统性的方法，基于1.1节设计的故障动作行为的缺陷集，构建了2个故障树模型。

第一个是以继电保护系统中的故障元件作为底层事件，揭示系统结构及其潜在的缺陷位置，更清晰地了解系统中哪些元件的故障可能导致整个系统的不正确动作。

第二个是在探讨以继电保护系统缺陷的构成因素时，可以从装置原理、外部环境、运行维护、元器件老化与质量等方面分析缺陷的具体原因。

故障树构建完成后，获取相关数据并对数据采取以下处理方式：（1）清理不完整或损坏的数据。（2）对数据进行分类整理，形成不同的数据集。（3）识别并关联不正确的动作行为与缺陷装置。

故障树动作行为构建流程如图1所示。

在构建流程中，设定某条继电保护装置的缺陷数据X的标签序列y的识别模型，识别出缺陷概率的计算公式如下：

p（y|X）=exp（score（X，y））∑y～∈yXexpX，y～

Loss=log（p（y|X））（1）

其中，Loss为损失函数；y～为真实文字标签；score为缺陷文本数据X与标签序列y对应程度的打分；yX为某条缺陷文本数据X的全部可能标签的组合。

在使用上述装置故障缺陷识别模型对继电保护装置的缺陷文本数据实体标注的最终识别时，对该模型进行求解，公式如下：

y′=argmaxscoreX，y～（2）

其中：y′为得分最大值的实体标准的识别结果序列。

1.3 实现继电保护装置缺陷的自动诊断

通过逐步增加训练样本的数量，持续对分类器进行训练，直至最终获得准确的分类结果。其具体步骤如下。

1.3.1 缺陷文本分词处理

为每个类别创建特定的词汇集。缺陷文本分词处理在缺陷管理、文本挖掘等领域中是一个关键环节。处理过程中，对于重复出现的词汇，处理方法是保留其中一个，对所有保留词汇进行汇总，一次整合为较为全面的特征词集。

1.3.2 文本特征表示方法

文本特征表示方法以TF-IDF作为原理，用以评估一个词语对于一个文件集中一份文件的重要程度。其中，TF为特定特征项在文本中出现的频率，词语的重要性与它在文件中出现的次数成正比增加，TF出现的频率越高，则证明该词语的重要性越大。逆文档频率（Inverse Document Frequency，IDF），表示词语的普遍重要性。该方法能够过滤掉一些常见词语，保留重要词语，从而更好地表示文本特征。

1.3.3 归一化处理

将特征词频进行等比例缩放，使其落入一定区间，计算公式如下：

k=（w-min）（max-min）（3）

其中，min、max分别为缺陷特征文本在全部文本中的最小、最大词频；w为特征词出现的频率。

1.3.4 文本分类流程

采用向量机技术来对缺陷文本转化的高维度向量集合进行分类。通过对集合内容进行整合和分析，进而调整测试和训练样本的集合内容。在文本分类进程中，进行多轮交叉训练以优化集合内容，最终实现对不同缺陷程度类别的准确划分与诊断。

2 实验测试与分析

2.1 实验准备

本次实验以MATLAB软件作为实验平台模拟出一个继电保护装置的故障场景，仿真模块频率均为50 Hz，仿真起止时间为0—2 s。如表2所示为本次实验中设定的各项环境参数。

将本文方法与王凯^［1］、管飞飞^［2］方法进行对比，设定以继电保护装置中的过流保护设备的额定电流出现缺陷故障为例，进行3种方法的测试。

2.2 实验结果与分析

基于上述实验准备，3种方法的实验结果如表3所示。

从表3可以看出，若额定电流过小，可能导致过流保护设备在发生漏电电流较小的电击事故时无法及时断电。本文方法能够准确地诊断出过流保护设备的额定电流过小所在的缺陷发生的时刻。而其余2种方法的诊断结果误差较大，证明本文方法能够精准实现对故障的自动诊断和预警。

3 结语

随着电力系统对安全稳定运行要求的日益提高，继电保护装置的可靠运行变得至关重要。Apriori算法在数据挖掘和关联规则学习方面的强大能力，能够深入分析继电保护装置运行数据中的潜在关联，进而准确识别出可能存在的缺陷。这种方法不仅提高了诊断的准确性和效率，还降低了对专业人员经验的依赖，为电力系统的故障诊断提供了新的思路和方法。今后，将积极探索与其他先进技术的融合，以构建更加智能、高效的故障诊断系统。

参考文献

［1］王凯.基于模糊神经网络的火电厂继电保护系统故障诊断方法［J］.自动化应用，2023（13）：209-212，216.

［2］管飞飞.智能变电站继电保护隐藏故障诊断与系统重构方法［J］.化学工程与装备，2020（1）：205-206.

［3］胡良枫，李智威，张赵阳，等.基于非齐次泊松过程的继电保护装置检修周期研究［J］.电工材料，2024（3）：55-57.

［4］张秦琴，赵力思，魏猛，等.继电保护智能整定技术在110kV电网系统中的应用［J］.石河子科技，2024（3）：13-14.

［5］张艺，张天龙，张智文，等.基于继电保护装置及变电站二次回路可视化建模应用研究［J］.自动化与仪器仪表，2024（5）：209-212，217.

［6］张楠，李涛涛.基于改进蚁群算法的复杂电网继电保护自动整定方法［J］.自动化应用，2024（9）：212-214.

（编辑 沈 强编辑）

Automatic defects diagnosis method for the relay protection device based on Apriori algorithm

YU" Xiang

（Linfen Power Supply Company of State Grid Shanxi Electric Power Company， Linfen 041000， China）

Abstract：" Because the relay protection device operates for years and the large number of devices is large， its failure probability is relatively high， which brings a serious threat to the safe and stable operation of the power system. The automatic defect diagnosis method for relay protection device based on Apriori algorithm is proposed. Based on the Apriori algorithm， the device defect index set is constructed， the correlation indexes affecting the relay protection communication circuit are deeply analyzed， the identification model of the device fault defect is established， and the text of the device fault defect is identified. The experimental results show that the automatic defect diagnosis method of the relay protection device based on the Apriori algorithm can accurately diagnose the defect occurrence time of the excessively small rated current of the overcurrent protection device.

Key words： data mining; defect diagnosis; relay protection device; power system; Apriori algorithm