一种电力信息系统故障诊断方法及装置与流程

本发明涉及故障处理领域，尤其涉及一种电力信息系统故障诊断方法及装置。

背景技术：

随着我国智能电网建设及信息化发展战略实施，国家电网公司的信息化建设不断提高。信息系统应用覆盖了电力系统方方面面，业务覆盖范围逐年扩大，智能电网的建设对整个电网安全可靠性运行提出了更好的要求。电力信息设备故障是影响电网安全运行的重要因素之一，并且已愈来愈引起重视。

现代电力信息设备结构日趋复杂，数据信息多源、多样化。影响电力信息系统安全稳定运行的因素众多，信息系统安全稳定性评估尚且没有完整公认的评价指标体系；并且，目前信息系统故障诊断，方法单一，准确率低，自动化和智能化水平也较低。

技术实现要素：

有鉴于此，本发明实施例公开了一种电力信息系统故障诊断方法及装置，解决了现有技术中，由于对系统故障诊断的指标数据冗余，导致故障诊断效率低、准确率低的问题。

本发明实施例公开了一种电力信息系统故障诊断方法，包括：

获取表征电力信息系统运行状况的特征指标集；

基于所述特征指标集，构建故障诊断决策表；

计算所述特征指标集中每个特征指标的权重；

依据所述故障诊断决策表和所述特征指标集中每个所述特征指标的权重，对所述特征指标集进行约简，得到约简决策表；

利用预设的决策树规则提取算法对约简决策表提取诊断规则，建立诊断决策树模型；

将实际测量的数据输入到诊断决策树模型中，计算故障诊断结果；

根据所述故障诊断结果，确定故障诊断策略。

可选的，所述获取表征电力信息系统运行状况的特征指标集，包括：

选取表征电力信息系统运行状况的初始特征指标集；

对所述初始特征指标集进行离散化，得到表征电力信息系统运行状况的特征指标集。

可选的，所述依据所述特征指标集，构建故障诊断决策表，包括：

获取电力信息系统的故障类别集合，并将所述故障类别集合作为决策属性集；

将所述特征指标集作为条件属性集；

获取电力信息系统的对象集；

确定所述决策属性集和所述条件属性集对应的属性值集合；

基于所述条件属性集、决策属性集和对象集和属性值集合，构建故障诊断决策表。

可选的，计算所述特征指标集中每个特征指标的权重，包括：

依据所述特征指标集中每两个指标之间的相对重要程度，构建判断矩阵；

计算所述判断矩阵的最大特征值对应的特征向量；

对所述特征向量进行归一化处理，得到所述指标集中各个指标的重要性排序；排序越靠前的指标权重越大。

可选的，所述依据所述故障诊断决策表和所述特征指标集中每个所述特征指标的权重，对所述特征指标集进行约简，包括：

依据所述特征指标集中各个特征指标的重要性排序，获取多个特征指标子集；

针对任意一个特征指标子集，计算所述特征指标子集相对于所述决策属性集的正域和所述特征指标集相对于所述决策属性集的正域；

若所述特征指标子集相对于所述决策属性集的正域和所述特征指标集相对于所述决策属性集的正域相等，则所述指标子集为约简后的特征指标集。

可选的，所述利用预设的决策树规则提取算法对约简决策表提取诊断规则，建立诊断决策树模型，包括：

依据约简决策表属性集计算条件属性的信息增益率；

根据信息增益率确定决策树的测试属性节点；

根据所述测试属性节点上条件属性的值对决策树进行分支。

可选的，所述根据所述故障诊断结果，确定故障诊断策略，包括：

对故障信息进行分析，确定故障信息的标签；

依据所述故障信息的标签确定故障策略。

本发明实施例还公开了一种电力信息系统故障诊断装置，包括：

获取单元，用于获取表征电力信息系统运行状况的特征指标集；

构建单元，用于基于所述特征指标集，构建故障诊断决策表；

权重计算单元，用于计算所述特征指标集中每个特征指标的权重；

约简单元，用于依据所述故障诊断决策表和所述特征指标集中每个所述特征指标的权重，对所述特征指标集进行约简，得到约简决策表；

决策树模型构建单元，用于利用预设的决策树规则提取算法对约简决策表提取诊断规则，建立诊断决策树模型；

故障诊断单元，用于将实际测量的数据输入到诊断决策树模型中，计算故障诊断结果；

故障诊断策略确定单元，用于根据所述故障诊断结果，确定故障诊断策略。

可选的，所述权重计算单元，包括：

获取电力信息系统的故障类别集合，并将所述故障类别集合作为决策属性集；

判断矩阵构建子单元，用于依据所述特征指标集中每两个指标之间的相对重要程度，构建判断矩阵；

特征向量构建子单元，用于计算所述判断矩阵的最大特征值对应的特征向量；

排序子单元，用于对所述特征向量进行归一化处理，得到所述指标集中各个指标的重要性排序；排序越靠前的指标权重越大。

可选的，所述决策树模型构建单元，包括：

第一计算子单元，用于依据约简决策表属性集计算条件属性的信息增益率；

确定子单元，用于根据信息增益率确定决策树的测试属性节点；

分支子单元，用于根据所述测试属性节点上条件属性的值对决策树进行分支。

本发明实施例公开了一种电力信息系统故障诊断方法及装置，包括：获取表征电力信息系统运行状况的特征指标集；基于所述特征指标集，构建故障诊断决策表；计算所述特征指标集中每个特征指标的权重；依据所述故障诊断决策表和所述特征指标集中每个所述特征指标的权重，对所述特征指标集进行约简，得到约简决策表；利用预设的决策树规则提取算法对约简决策表提取诊断规则，建立诊断决策树模型；将实际测量的数据输入到诊断决策树模型中，计算故障诊断结果；根据所述故障诊断结果，确定故障诊断策略。由此可知，将用于电力信息系统故障诊断的指标进行约简，得到相关性更大的指标，并且，通过决策树对故障进行诊断，不仅实现了故障诊断的智能化，也提高了诊断的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1示出了本发明实施例公开的一种电力信息系统故障诊断方法的流程示意图；

图2示出了本发明实施例公开的一种电力信息系统故障诊断装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1，示出了本发明实施例公开的一种电力信息系统故障诊断方法的流程示意图，在本实施例中，该方法包括：

s101:获取表征电力信息系统运行状况的特征指标集；

对于特征指标集的获取包括对指标的选取以及离散化，具体的，s101包括：

选取表征电力信息系统运行状况的初始特征指标集；

对所述初始特征指标集进行离散化，得到表征电力信息系统运行状况的特征指标集。

本实施例中，选取的用于表征电力信息系统运行状况的指标可以根据实际需要进行调整，在本实施例中不进行限定。

举例说明：表征电力信息系统运行状况的指标包括：主机服务器cpu平均负载、日均负载，网络服务器平均负载、日均负载，安全设备内存平均负载、日均负载，缓存使用率，共享内存使用率，中间件可用连接，堆栈内存使用率，服务器迁移、变更状况，数据库核心参数调整，设备是否维保期内等指标。

本实施例中，针对于指标的离散化，相当于将每个指标进行数值化处理，例如，假设每项指标为zi(i＝1,2,...,n)，，离散处理后可以标记为0,1，…，k。

举例说明：将服务器cpu平均负载离散化后可以表示为：0,1,2：其中，0表示为负载率低，1表示负载率正常范围内，2表示负载率过高。

s102:依据所述特征指标集，构建故障诊断决策表。

本实施例中，故障诊断决策表包括：条件属性集、决策属性集、电力信息系统的对象集以及条件属性集和决策属性集的属性值的集合。

其中，s101中获取到的特征指标集可以作为条件属性集，电力信息系统的故障类别集合可以作为决策属性集，具体的，s102包括：

获取电力信息系统的故障类别集合，并将所述故障类别集合作为决策属性集；

将所述特征指标集作为条件属性集；

获取电力信息系统的对象集；

确定所述决策属性集和所述条件属性集对应的属性值集合；

基于所述条件属性集、决策属性集和对象集和属性值集合，构建故障诊断决策表。

本实施例中，电力信息系统的故障类别集合可以包括：正常工作、故障预警和故障状态，例如可以表示为d＝{正常,预警,故障}。

举例说明：构建的故障诊断决策表可以表示为s＝<u,a,v,f>；其中，u＝{x1,x2,...,xk}为电力信息系统对象集；a为属性集合，由信息系统的条件属性c和决策属性d组成，a＝c∪d；v表示属性值va(a∈a)集合，f：信息函数，为每个信息系统对象的每个条件属性赋予信息值，对任意a∈a，x∈u，满足f(x,a)∈va。

s103:计算所述特征指标集中每个特征指标的权重；

本实施例中，特征指标集中指标的权重可以表示为指标的重要程度。

具体的，s103包括：

依据所述特征指标集中每两个指标之间的相对重要程度，构建判断矩阵；

计算所述判断矩阵的最大特征值对应的特征向量；

对所述特征向量进行归一化处理，得到所述指标集中各个指标的重要性排序；排序越靠前的指标权重越大。

其中，对所述特征向量进行归一化处理的过程，具体包括：

计算所述判断矩阵的随机一致性比率；

在所述随机一致性比率大于预设的阈值且最大特征值不等于特征指标集总数量的情况下，则对所述判断矩阵进行调整；

在所述随机一致性比率小于等于预设的阈值的情况下，输出指标集中各个指标的重要性排序；

在所述随机一致性比率大于预设的阈值且最大特征值等于特征指标集总数量的情况下，输出指标集中各个指标的重要性排序。

举例说明：

首先，建立电力信息系统故障诊断层次分析模型，例如该模型可以包括三层：指标层、准则层和目标层；其中，特征指标集中包含的各个指标属于指标层，表示为：z＝{z1，z2，...,zn}；运行状况、运行环节、稳定性作为准则层；决策属性集作为目标层。由于指标层中包含大量的指标数据，可能会存在冗余的情况，因此在本实施例中，对指标层中的各个指标进行约简。具体的约简过程包括：

步骤3-1)构建层次分析n阶判断矩阵p，度为1-9，具体的如下公式1)

所示：1)

其中，zij表示指标zi和指标zj相对重要程度值。

步骤3-2)根据判断矩阵p，求得矩阵最大特征值λmax对应的特征向量ζ，其中，需要满足：pζ＝λmaxζ。

步骤3-3)对特征向量进行归一化处理，得到指标重要性排序z^*＝{z1，z2，...,zn}，满足z1≥z2≥...≥zn。

其中步骤3-3)具体包括：

3-4)一致性检验：计算判断矩阵随机一致性比率cr，其中ri为判断矩阵平均一致性比率。

3-5)调整p中元素，重复步骤以上步骤3-1)到步骤3-5)直到满足cr≤0.1或λmax＝n，输出z^*。

s104:依据所述故障诊断决策表和所述特征指标集中每个所述特征指标的权重，对所述特征指标集进行约简；

本实施例中，可以采用模糊集理论的方法对指标进行约简，具体的，s104包括：

依据所述特征指标集中各个特征指标的重要性排序，获取多个特征指标子集；

针对任意一个特征指标子集，计算所述特征指标子集相对于所述决策属性集的正域和所述特征指标集相对于所述决策属性集的正域；

若所述特征指标子集相对于所述决策属性集的正域和所述特征指标集相对于所述决策属性集的正域相等，则所述指标子集为约简后的特征指标集。

本实施例中，对于特征指标子集的获取，可以按照各特征指标的重要性先选取一个最小的子集，然后逐渐增加子集中特征指标的数量。

举例说明：假设得到的各个指标的重要性排序为z^*＝{z1，z2，...,zn}，则可以按照指标的重要性，依次获取子集，各个子集表示如下：

r1＝{z1},r2＝{z1，z2},r3＝{z1，z2，z3},...,r14＝{z1，z2,...,z3}。

本实施例中，对特征指标集进行约简，相当于从上述各个子集中选出可以和特征指标集实现同样效果的指标集，其中，可以从最小的子集开始，逐个对子集进行判断，直到确定出可以代替特征指标集的子集。

举例说明：以指标值r1为例，对特征指标集的约简过程进行介绍：

步骤4-1)依次计算指标子集r1与决策属性d的互信息，计算过程如下：

1)分别求得r1与d在u上的等价类u/r1与u/d：

假设r1与d在u上的等价类别数分别为m,m，u/r1＝{y1,y2,...,ym}，u/d＝{g1,g2,...,gm}，其中yi(i＝1,2,...,m)与gj(j＝1,2,...,m)都为电力信息系统对象集u的子集，且满足如下公式2和公式3)所示的条件：

2)求r1与d得概率分布p(y)与p(h)，如下的公式4)和公式5)：

3)求r1与d得联合概率分布p(yh)，如下公式6)所示：

4)计算r1的信息熵h(r1)，如下公式7)所示：

5)计算r1相对于d的条件熵h(d|r1)，如下公式8)所示：

6)计算r1与d的互信息，如下公式9)所示：

公式9)i(r1；d)＝h(r)-h(r1|d)。

4-2)：判断posr1(d)与posc(d)是否相等；

其中，posr1(d)表示指标子集相对于所述决策属性集的正域，posc(d)表示特征指标集相对于所述决策属性集的正域，具体的，如下公式10)和公式11)：

其中，条件属性c对u的等价类为：u/c＝{w1,w2,...,wr}；

4-3)：若posr1(d)与posc(d)相等，则r1为最佳属性约简集。若不等，则按照步骤4-1)所述，选取第二个指标子集r2，重复步骤4-1)-4-3)直到得到最佳属性约简集。

s105:利用预设的决策树规则提取算法对约简决策表提取诊断规则，建立诊断决策树模型。

本实施例中，假设整个样本数据集为s，定义n个不同类的类别集为d1,d2,......dn，设符号e为集合e的基数，则任意样本属于某类别di的概率pi＝|di|/|s|,对数据集s进行分类所需的初始信息熵为：

设属性a具有v个不同模糊取值，属性a可以将s划分为v个子集{s1,s2,...,sv}，其中，s′j(j＝1,2...,v)中的样本在属性a上具有相同的值；则根据属性a划分数据集s所得的信息熵为：

其中，pij＝|dij|/|sj|表示数据子集sj中类别为di的样本所占的比例；e(a)越小表示该属性对数据集划分的纯度越高，由式12)-14)可以得到按属性a划分样本集s的信息增益：

公式15)gain(a)＝(|d1|,|d2|,...,|dm|)-e(a)；

属性a的分割信息为：

由式公式15)和公式16)可得信息增益率的计算公式：

其中，建立决策树模型的过程可以包括：

依据约简决策表属性集计算条件属性的信息增益率；

根据信息增益率确定决策树的测试属性节点；

根据所述测试属性节点上条件属性的值对决策树进行分支。

举例说明：将约简决策表属性集集上计算条件属性的信息增益率，将信息增益率最大的属性加入队列中；将队列中的属性作为决策树的测试属性节点，并清空队列，根据节点上条件属性的值进行分支，对每一分支进行分支测试，若某一分支中所有的样本都来自于同一个决策类别，则产生一个标有该类别名的叶节点；对于不符合属性分支测试的支路，选取一个分支并返回执行将约简决策表属性集集上计算条件属性的信息增益率，将信息增益率最大的属性加入队列中，直到所有分支都达到叶节点为止。

s106：将实际测量的数据输入到诊断决策树中，计算故障诊断结果；

s107：根据所述故障诊断结果，确定故障诊断策略。

本实施例中，为了快速的处理产生的故障，对不同的故障与解决故障的策略相关联，在确定出故障之后，可以快速的定位解决故障的手段，以对技术人员提供参考，快速的解决问题。

具体的，还包括：

对预设的故障通过标签进行标注；

将不同的标签与故障策略进行关联。

当确定出故障后，s107具体包括：

对故障信息进行分析，确定故障信息的标签；

依据所述故障信息的标签确定故障策略。

本实施例中，获取表征电力信息系统运行状况的特征指标集；基于所述特征指标集，构建故障诊断决策表；计算所述特征指标集中每个特征指标的权重；依据所述故障诊断决策表和所述特征指标集中每个所述特征指标的权重，对所述特征指标集进行约简，得到约简决策表；利用预设的决策树规则提取算法对约简决策表提取诊断规则，建立诊断决策树模型；将实际测量的数据输入到诊断决策树模型中，计算故障诊断结果；根据所述故障诊断结果，确定故障诊断策略。由此可知，将用于电力信息系统故障诊断的指标进行约简，得到相关性更大的指标，并且，通过决策树对故障进行诊断，不仅实现了故障诊断的智能化，也提高了诊断的效率。

参考图2，示出了本发明实施例公开的一种电力信息系统故障诊断装置的结构示意图，在本实施例中，该装置包括：

获取单元201，用于获取表征电力信息系统运行状况的特征指标集；

构建单元202，用于基于所述特征指标集，构建故障诊断决策表；

权重计算单元203，用于计算所述特征指标集中每个特征指标的权重；

约简单元204，用于依据所述故障诊断决策表和所述特征指标集中每个所述特征指标的权重，对所述特征指标集进行约简，得到约简决策表；

决策树模型构建单元205，用于利用预设的决策树规则提取算法对约简决策表提取诊断规则，建立诊断决策树模型；

故障诊断单元206，用于将实际测量的数据输入到诊断决策树模型中，计算故障诊断结果；

故障诊断策略确定单元207，用于根据所述故障诊断结果，确定故障诊断策略。

可选的，所述权重计算单元，包括：

获取电力信息系统的故障类别集合，并将所述故障类别集合作为决策属性集；

判断矩阵构建子单元，用于依据所述特征指标集中每两个指标之间的相对重要程度，构建判断矩阵；

特征向量构建子单元，用于计算所述判断矩阵的最大特征值对应的特征向量；

排序子单元，用于对所述特征向量进行归一化处理，得到所述指标集中各个指标的重要性排序；排序越靠前的指标权重越大。

可选的，所述决策树模型构建单元，包括：

第一计算子单元，用于依据约简决策表属性集计算条件属性的信息增益率；

确定子单元，用于根据信息增益率确定决策树的测试属性节点；

分支子单元，用于根据所述测试属性节点上条件属性的值对决策树进行分支。

通过本实施例的装置，将用于电力信息系统故障诊断的指标进行约简，得到相关性更大的指标，并且，通过决策树对故障进行诊断，不仅实现了故障诊断的智能化，也提高了诊断的效率。需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。