摘 要： 针对电网故障进行诊断的过程中，故障信息存在不完整或不确定性，甚至存在关键信息丢失的情况，造成故障诊断难以得出正确结论的问题，提出一种基于弱关联挖掘技术的电网故障自动诊断方法。首先进行支持度计算，得到电网故障的表述参数，并将电网故障类别看作是贝叶斯网络的父节点，将挖掘的弱关联规则作为子节点，构建基于弱关联挖掘的贝叶斯网络模型，对各父节点的先验概率及各子节点的条件概率进行计算，完成对电网故障的自动诊断。仿真实验结果表明，采用所提方法对电网故障进行自动诊断，正确性高，容错性好，实用性强，具有很高的诊断精度。
关键词： 弱关联挖掘； 电网； 故障诊断； 支持度计算
Abstract： In the process of fault diagnosis of power grids， it is difficult to obtain the correct conclusion of the fault diagnosis due to the imperfection or uncertainty of fault information， even the key information loss. A power grid fault automatic diagnosis method based on weak association mining technology is put forward. The support degree calculation is executed first to obtain the expression parameters of power grid fault. The power grid fault category is regarded as the father node of Bayesian network， and weak association mining rule as the child node to construct the Bayesian network model based on weak association mining. After that the prior probability of each father node and conditional probability of each child node are calculated to complete the automatic diagnosis of power grid failure. The simulation results show that the proposed method can automatically diagnose the power grid fault， and has high accuracy， good fault?tolerance， strong practicability， and high diagnostic accuracy.
Keywords： weak association mining； power grid； fault diagnosis； support degree calculation
0 引 言
近年来，随着我国电网规模的逐渐扩大，电网出现故障的情况也逐渐增多，给人们的生活带来了很大的影响[1?2]。因此，研究一种电网故障自动诊断方法对电力系统的快速恢复具有重要意义，已经成为相关学者研究的重点课题，受到越来越广泛的关注[3&5]。
目前，常用的电网故障自动诊断方法主要包括模糊理论方法、人工神经网络方法和信息理论方法等，相关研究也取得了一定的成果。其中，文献[6]提出一种基于粗糙集理论的电网故障自动诊断方法，通过粗糙集理论对电网故障进行诊断，该方法在丢失的故障信息并非关键信息的情况下不会对诊断结果产生影响，但在丢失的故障信息是关键信息的情况下会造成诊断错误；文献[7]提出一种基于特征挖掘的电网故障自动诊断方法，结合电网故障信息特征对电网故障进行判断，该方法在某种程度上提高了系统在缺失关键信息情况下的容错性，但当电网故障较多时，该方法的诊断速度会受到影响；文献[8]提出一种基于贝叶斯网络的电网故障自动诊断方法，对节点概率进行训练，从而实现电网故障的自动诊断，但该方法在电网规模较大时无法实现自动建模；文献[9]提出一种基于人工智能网络的电网故障自动诊断方法，通过人工智能网络对电网故障信息进行训练，根据训练的结果实现电网故障的自动诊断，但该方法会造成诊断所依据的信息不确定与不完整，导致诊断结果不准确；文献[10]提出一种基于遗传算法的电网故障自动诊断方法，依据内断路器跳闸的分段时序信息识别电网故障，但该方法很难构建合理的电网故障诊断模型，导致诊断结果不准确。
1 电网故障检测参数的选择
1.1 电网故障数据的支持度
支持度就是给定模式在给定故障数据库中出现的频率。对弱关联规则故障进行挖掘时，模式不是电网故障属性的集合，而是和故障属性对应的弱关联值的集合，也就是弱关联模利用式（4）计算得到的电网故障置信度参数为第一置信度，其主要用于对弱关联规则下的电网故障有效性进行判断，若某弱关联规则的故障第一置信度大于其值，则认为该规则是有效的；反之，认为该故障是无效的。利用式（5）计算得到的规则后件的置信度为第二置信度，其主要用于弱关联规则电网设备的完备性判断，若某规则的第二置信度大于其值，则认为该设备是完备的；反之，认为该设备是不完备的。 2 电网故障自动诊断实现
本文在第1节故障参数选择的前提下，构建电网故障诊断结构流程图，以此为模板建立基于弱关联挖掘朴素贝叶斯网络的电网故障自主诊断模型，流程图见图1。
图1 电网故障诊断结构流程图
模型的详细构建过程如下：
（1） 假设存在电网故障样本；
（2） 假设选择的故障参数都是有效的；
（3） 完成对电网故障类别的判断；
（4） 取出电网故障数据的置信度，同时将电网故障类别看作是基于弱关联挖掘的贝叶斯网络的父节点，将挖掘的弱关联规则作为子节点，构建基于弱关联挖掘的贝叶斯网络模型，如图2所示。
............略
基于弱关联挖掘技术的电网故障自动诊断研究
论文库：电气 时间：2022-01-08 10:06:53 点击：次
