基于频繁项集的调控大数据平台设备故障关联分析研究/李大鹏，刘东，狄方春，高兴宇，崔灿，叶瑞丽，黄运豪，陶蕾
DOI：
0 1
研究背景
随着电网结构日益复杂，设备间相互影响而造成电网设备异常运行的潜在因素也随之增加。2016年开始国家电网公司在调控领域开展了调控云建设，构建了调控大数据平台，实现了海量数据存储、数据集成处理和数据服务等功能。本文基于调控云及海量电网数据，开展了基于频繁项集的电网调控大数据设备故障关联分析。
0 2
研究内容
本文首先对设备故障的关联特征进行选取，同时利用互信息方法筛选出主要特征，然后利用频繁项集关联算法对设备故障间的关联关系进行深度挖掘，通过建模对故障设备间的潜在关联关系进行评估、分析，来指导电网调度对设备故障的发生进行预判，提高电网运行的稳定性。
03
创新点
本文基于改进的FP-Growth算法，利用互信息方法和特征筛选技术对主要条件特征进行筛选，形成设备故障关联分析条件特征与结果特征间的强关联规则，构建特征模型库进行设备故障关联分析，达到缩短故障诊断模型的训练时间、增强模型适应能力、提高诊断效果。
（1）设备故障关联特征库构建
基于事故设备对象、事故发生时间、事故结束时间、事故发生类型、事故原因类型、线路跳闸情况、线路重合情况等数据，通过选取设备事故关联特征，形成设备事故发生的频繁项集和设备事故的关联实例。利用互信息对主要条件特征进行筛选。对挖掘出的强关联规则进一步筛选出以设备故障类型为后项的强关联规则，得到设备故障关联分析规则库。
（2）设备故障关联分析建模
设备故障关联分析建模过程主要是完成数据处理的过程，通过整合数据、质量校验、数据降维、中间预处理、数据类型设置等步骤实现对设备故障关联分析建模。
设备事故因素分析建模流程图
设备事故关联分析建模流程图
（3）实验验证与分析
本文首先利用自定义的条件特征作为候选特征构建特征库，利用互信息准则进行特征筛选，筛选出21个主要特征。然后选取故障挖掘库中的300条记录与300条正常运行记录共600条记录作为训练库，选取100条为测试库，利用FP-Growth算法进行关联规则挖掘，并对线路事故因素及FP-Growth算法预测性能等进行验证分析，图1为事故现场天气、原因类型关联分析结果，由分析结果可推断出，雷击是线路事故的强关联因素，其次是设备原因。图2为线路事故类型的原因占比分析，通过该次的模型验证，初步得出的结论是：不同信号之间确实存在一定关系的伴生性，并且不同要素对于设备的事故发生确实有不同的作用。图3为FP-Growth与Apriori算法训练时间对比分析，由图可见在无论在哪种异常情况下，本文采用的算法训练速度快于FP-Growth算法，而2种算法都优于Apriori算法，且随着数据量的增大优势越明显。
图1 事故现场天气、原因类型关联分析结果
图2 事故类型的原因占比分析结果
图3 FP-Growth与Apriori算法训练时间对比分析
04
后续研究方向
针对本文提出的基于频繁项集的设备故障关联分析方法，进一步研究利用人工智能技术进行精准的设备故障智能诊断与预测分析。
杨清波，陈振宇，刘东，等．基于容器的调控云PaaS平台的设计与实现[J]．电网技术，2020，44(6)：2030-2037．
团队介绍
中国电科院调控云团队隶属于中国电力科学研究院有限公司电力自动化研究所，依托国家级、北京市、国网公司重点实验室，围绕公司能源互联网企业发展战略，结合“云大物移智链”等新技术，开展基础理论及核心技术攻关，形成涵盖PaaS基础组件、模型数据平台、运行数据平台、大数据平台及数据分析挖掘应用等调控云研究成果，入选发改委《中国＂互联网＋＂行动百佳实践》＂智慧能源＂领域的典型实践案例，荣获公司第五届青年创新创意大赛金奖等多项省部级、公司级奖励。
责任编辑：温杰
审核：李兰欣
本文为原创作品，所涉及文字及图片版权均属《电网技术》编辑部所有，根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编我社的作品，务请提前联系我编辑部。个人请按本微信原文转发、分享。返回搜狐，查看更多
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。