一种考虑设备状态与气温的配网故障关联规则分析方法与流程

本发明属于考虑设备状态与气温的配网故障关联规则分析领域，提出了一种考虑设备状态与气温的配网故障关联规则分析方法。

背景技术

随着电网自动化程度不断地提高，电力行业面临着正在形成的大数据环境，大数据时代对电力行业发展提出新的挑战，但也带来新的发展机遇。当前，配电网故障智能处理系统与生产系统等多个系统间彼此间的信息相对孤立，彼此间业务的协同效率低，影响了电力企业优质服务和智能化抢修水平的进一步提升。为了解决当前配电网终端报送故障信息不准确，用户对停复电投诉多等问题，基于多系统数据融合的电力大数据平台下的主动抢修显得尤为重要。面对这种海量数据的增加，多数电力部门仅使用传统的数据分析和简单的传统统计方法进行数据分析，由于受到人力、物力、财力的限制，数据背后隐藏的深层次知识无法有效得以理解使用，相反却带来了“数据灾难”和“数据荒废”。因此针对出现的故障工单数据进行关联规则分析，比较经典的数据挖掘算法有及apriori其改进算法、fp-增长算法、c4.5算法、k-means算法、em算法、knn算法等，深入了解故障因素的关联性，是国家电网做好抢修服务中重要的一个环节，也是电力公司发现问题和提升服务质量的重要途径。

技术实现要素：

针对目前收集到的故障工单，结合设备状态信息与气温，分析配电网的故障关联规则，以此基础判断实时故障工单的误报可能性，于是提出了一种考虑设备状态与气温的配网故障关联规则分析方法。为实现上述目的，本发明采取以下技术方案：包括以下步骤，

步骤1、采集配电网的故障工单信息除杂去冗，并建立原始数据库，构建故障工单层次化数据体系；

步骤2、采集对应历史工单的气象数据和配电网台区的台帐数据，配电网台帐数据包括变压器使用年限、变压器温度、电缆温度以及开关柜温度；气象数据包括每天平均温度值、天气情况，将所得信息整编到原始数据库对应日期地点的工单中，获得配电网故障工单时空分布特性；

步骤3、将采集的气象数据以及设备数据分影响因素等级，细化影响因素等级；

步骤4、采用apriori关联规则算法，设定最小支持度和最小置信度，得到算法的关联规则结果；

步骤5、分析实时故障工单，收取实时气象数据与故障台区设备数据，根据所求关联规则，由考虑的相关实际因素提前预判出现误报的可能性，减少抢修工作量，提升服务品质。

所述步骤1，具体如下：

故障工单中存在较多误报漏报的数据，对进一步深入挖掘关联规则有着较大干扰性，采取回归的算法检测异常数据剔除工单中信息缺失的工单，以此提高规则挖掘效率，建立完整的原始数据库；

所述步骤2，具体如下：

步骤2.1，通过无线监控可以获取配电网设备状态信息，以及天气温度的情况；

步骤2.2，根据配电网故障工单信息，将相对应的时空特性下的设备信息及其天气温度情况整合在同一层级下，形成完整的因素与工单的有机结合；

步骤2.3，针对特殊的天气状况，如暴雨、雷电、冰雪以及大风的恶劣天气，将进行额外的信息标注；

所述步骤3，具体如下：

将故障工单中城市中不同的地区用i(i＝0～9)之间的数字区分开来；

将各故障因素按xi表示，(x＝0～9)分别表示工单类型、故障类型、故障原因、故障台区变压器使用年限信息、变压器温度、日平均气温、天气，(i＝0～9)分别表示每个因素下的各层级。

所述步骤4，具体如下：

利用关联规则中的apriori算法对处理过后的数据库中进行关联规则挖掘，在进行关联规则挖掘时，然后对信息数据库中的故障因素数据进行关联规则挖掘，apriori算法是根据布鲁尔频繁项集计算关联，其主要的思路就是通过连接产生候选项与设定的支持度产生频繁项集，以此得到相关性；

关联规则中的支持度是指项集x、y同时发生的概率：

置信度则是项集a发生的情况下，项集b发生的概率：

根据实际情况可以选择设定合适的最小支持度，表示项目集在统计意义上的最低重要性，设定最小置信度，表示关联规则的最低可靠性，只有当同时满足这两个要求情况下，关联规则才称为强关联规则。

所述步骤5，具体实现过程如下：

步骤5.1，读取故障工单信息；

步骤5.2，收集对应故障台区配电设备信息和天气情况数据，并将以上数据与工单信息整合，去除无关信息；

步骤5.3，根据所得关联规则，预判故障工单出现误报的可能性，提高检修效率。

本发明一种考虑设备状态与气温的配网故障关联规则分析方法，本发明具有思路清晰，算法简便，工作量较少，执行效率高的特点；本发明针对实际工作中的难点，利用数据挖掘技术对影响因素进行关联规则挖掘，并对已有数据进行分析处理，来判断当出现故障工单信息时，判断这则信息的准确性，并给出概率，在保证故障能够得到及时处理，同时也能减少人工成本；克服了以往得到故障工单信息在无法判断准确与否的情况下派出检修人员，这能够大大地提升电网检修的效率，做到“你用电，我用心”的服务宗旨。

附图说明

图1是本发明的流程图。

具体实施方式

本发明包括以下步骤：

一种考虑设备状态与气温的配网故障关联规则分析方法，包括如下步骤：

步骤1、采集配电网的故障工单信息除杂去冗，并建立原始数据库，构建故障工单层次化数据体系；

步骤2、采集对应历史工单的气象数据和配电网台区的台帐数据，配电网台帐数据包括变压器使用年限、变压器温度、电缆温度以及开关柜温度；气象数据包括每天平均温度值、天气情况，将所得信息整编到原始数据库对应日期地点的工单中，获得配电网故障工单时空分布特性；

步骤3、将采集的气象数据以及设备数据分影响因素等级，细化影响因素等级；

步骤4、采用apriori关联规则算法，设定最小支持度和最小置信度，得到算法的关联规则结果；

步骤5、分析实时故障工单，收取实时气象数据与故障台区设备数据，根据所求关联规则，由考虑的相关实际因素提前预判出现误报的可能性，减少抢修工作量，提升服务品质。

所述步骤1，具体实现过程如下：

故障工单中存在较多误报漏报的数据，对进一步深入挖掘关联规则有着较大干扰性，采取回归的算法检测异常数据剔除工单中信息缺失的工单，以此提高规则挖掘效率，建立完整的原始数据库；

所述步骤2，具体实现过程如下：

步骤2.1，通过无线监控可以获取配电网设备状态信息，以及天气温度的情况；

步骤2.2，根据配电网故障工单信息，将相对应的时空特性下的设备信息及其天气温度情况整合在同一层级下，形成完整的因素与工单的有机结合；

步骤2.3，针对特殊的天气状况，如暴雨、雷电、冰雪以及大风的恶劣天气，将进行额外的信息标注；

所述步骤3，具体实现过程如下：

将故障工单中城市中不同的地区用i(i＝0～9)之间的数字区分开来；

将各故障因素按xi表示，(x＝0～9)分别表示工单类型、故障类型、故障原因、故障台区变压器使用年限信息、变压器温度、日平均气温、天气，(i＝0～9)分别表示每个因素下的各层级。

所述步骤4，具体实现过程如下：

利用关联规则中的apriori算法对处理过后的数据库中进行关联规则挖掘，在进行关联规则挖掘时，然后对信息数据库中的故障因素数据进行关联规则挖掘，apriori算法是根据布鲁尔频繁项集计算关联，其主要的思路就是通过连接产生候选项与设定的支持度产生频繁项集，以此得到相关性；

关联规则中的支持度是指项集x、y同时发生的概率：

置信度则是项集a发生的情况下，项集b发生的概率：

根据实际情况可以选择设定合适的最小支持度，表示项目集在统计意义上的最低重要性，设定最小置信度，表示关联规则的最低可靠性，只有当同时满足这两个要求情况下，关联规则才称为强关联规则。

所述步骤5，具体实现过程如下：

步骤5.1，读取故障工单信息；

步骤5.2，收集对应故障台区配电设备信息和天气情况数据，并将以上数据与工单信息整合，去除无关信息；

步骤5.3，根据所得关联规则，预判故障工单出现误报的可能性，提高检修效率。

以下为以某市为例的具体实施过程。

步骤一：采集配电网的故障工单信息除杂去冗，并建立原始数据库，构建故障工单层次化数据体系。

故障工单包含县公司、供电所、处理状态、工单编号、工单来源、工单类型、主单编号、主线名称、支线名称、台区名称、台区编号、台区类型、抢修班组、抢修人员、故障类型、故障原因、故障地点等信息。去除与故障无关的数据，保留工单类型、故障类型、故障原因的数据。

步骤二：采集对应历史工单的气象数据和配电网台区的台帐数据，配电网台帐数据包括变压器使用年限、变压器温度、电缆温度以及开关柜温度；气象数据包括每天平均温度值、天气情况，将所得信息整编到原始数据库对应日期地点的工单中，获得配电网故障工单时空分布特性。

步骤三：将采集的气象数据以及设备数据分影响因素等级，细化影响因素等级。

将工单类型用1i(i＝1～9)表示，包括线下报修设为11，配变停电设为12，配变重过载设为13，支线跳闸设为14，主线跳闸设为15；

将故障类型用2i(i＝1～9)表示，10kv线路故障设为21,10kv开关设备故障设为22,10kv变压器故障设为23，低压线路故障设为24，高压线路故障设为25，高压变电设备故障设为26；

将故障原因用3i(i＝1～9)表示，过负荷设为31，雷击设为32，设备老化设为33，设备缺陷设为34，停限电设为35，消缺不及时设为36，运行方式不当设为37，地质灾害设为38；

将故障台区变压器使用年限信息每5年分一层级用4i(i＝1～9)表示，使用年限5年内设为41，使用年限5～10年内设为42，使用年限10～15年内设为43，使用年限15～20年内设为44，使用年限20年以上设为45；

将变压器温度按国家额定标准95℃起每15℃分一层级用5i(i＝1～9)表示，变压器温度在95℃以下设为51，变压器温度在95℃～110℃之间设为52，变压器温度在110℃～125℃之间设为53，变压器温度在125℃～140℃之间设为54，变压器温度大于140℃设为55；

将日平均气温从0℃起每5℃分一层级用6i(i＝1～9)表示，气温在0℃以下设11为61，气温在0℃～5℃之间设为62，气温在5℃～10℃之间设为63，气温在10℃～15℃之间设为64，气温在15℃～20℃之间设为65，由于气温在20℃～30℃之间设为66，气温在25℃～30℃之间设为67，气温在30℃～35℃之间设为68，气温在35℃设为69；

将天气按不同类型用7i(i＝1～9)表示，雨天设为71，晴天设为72，多云设为73,极端天气设为74。

步骤四：采用apriori关联规则算法，设定最小支持度和最小置信度，得到算法的关联规则结果。

利用关联规则中的apriori算法对处理过后的数据库中进行关联规则挖掘，在进行关联规则挖掘时，然后对信息数据库中的故障因素数据进行关联规则挖掘，apriori算法是根据布鲁尔频繁项集计算关联，其主要的思路就是通过连接产生候选项与设定的支持度产生频繁项集，以此得到相关性；

关联规则中的支持度是指项集x、y同时发生的概率：

置信度则是项集a发生的情况下，项集b发生的概率：

根据实际情况可以选择设定合适的最小支持度，表示项目集在统计意义上的最低重要性，设定最小置信度，表示关联规则的最低可靠性，同时满足这两个要求情况下，得出故障因素与故障间的关联规则强度。

步骤五：分析实时故障工单，收取实时气象数据与故障台区设备数据，根据所求关联规则，由考虑的相关实际因素提前预判出现误报的可能性，减少抢修工作量，提升服务品质。

读取实时的故障工单信息，收集对应故障台区配电设备信息和天气情况数据，并将以上数据与工单信息整合，去除无关信息，根据所得关联规则，预判故障工单出现误报的可能性，提高检修效率。