一种配电网线路故障规律挖掘方法、系统及存储介质与流程

本发明实施例涉及电力系统配电网运行技术领域，尤其涉及一种配电网线路故障规律挖掘方法、系统及存储介质。

背景技术：

配电网作为直接面向用户的电力网，配电网设备规模大、覆盖范围广，设备所处的外在环境复杂，据统计目前电网80％的故障属于配电网故障。引起配电网故障跳闸原因相关关联因素包括温度、线路长度、运行年限、所属配变数量以及线路的动态运行数据等。为了提升供电可靠性，需要提前针对线路进行巡检，由于配电网分布广、设备规模体量大，在没有故障辅助策略条件下，实现全部区域线路及设备的巡视及检修费用巨大，很难实现对线路的动态运行数据实时故障的预判。

因此，现有的配电网的全部区域线路及设备的巡视及检修费用高的问题亟待解决。

技术实现要素：

本发明实施例提供一种配电网线路故障规律挖掘方法、系统及存储介质，实现配电网故障范围判断，缩小配电网巡视巡维范围，以解决现有的配电网的全部区域线路及设备的巡视及检修费用高的问题。

为实现上述技术问题，本发明采用以下技术方案：

第一方面，本发明实施例提供了一种配电网线路故障规律挖掘方法，包括：

采集配电网线路故障跳闸记录，生成配电网线路故障及原因场景下的标记事件；

根据所述标记事件，生成含有多属性信息的配电线路故障信息库；

基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集；

将所述属性初级分类集进行等频优化，得到故障属性分类集；

基于apriori算法，对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集；

根据所述频繁候选项集，基于所述配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选。

进一步地，所述采集配电网线路故障跳闸记录，生成配电网线路故障及原因场景下的标记事件，包括：

采集所述配电网线路故障跳闸记录；

基于调度自动化系统或其他动态监控系统，根据采集到的所述配电网线路故障跳闸记录，产生配电网线路故障跳闸标记事件。

进一步地，根据所述标记事件，生成含有多属性信息的配电线路故障信息库，包括：

根据所述标记事件，基于信息化系统的多源数据，对配电网线路馈线级有效信息进行处理；

根据每一起配电网线路的故障跳闸记录及故障跳闸发生时间，整合故障时刻的属性，生成含有多属性信息的所述配电线路故障信息库；

其中，所述故障时刻的属性包括温度、雨量、风速、线路总长、架空线路总长、配电线路所属区域、配电线路下辖配变数量、线路电压、电流、有功、无功等运行数据以及线路运行年限中的一种或者至少两种。

进一步地，所述线路总长为电缆线路和架空线路导线段总和；所述架空线路总长为架空线路导线段总和；

所述根据每一起配电网线路的故障跳闸记录及故障跳闸发生时间，整合故障时刻的属性，生成含有多属性信息的所述配电线路故障信息库，包括：

通过拓扑数据获取配电线路每一段导线段长度，计算所述线路总长和所述架空线路总长。

进一步地，所述架空线路总长，通过下述公式计算得到：

lj＝∑bi

所述线路总长，通过下述公式计算得到：

lt＝∑ai+∑bi

其中，ai和bi分别是电缆导线段i段和架空导线段i段的长度。

进一步地，基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集，包括：

根据待分类属性的分类数量，设定属性分类初始值；

采用k-means算法，设定迭代次数，重新求解分类点设定值。

进一步地，所述分类点设定值通过下述公式计算：

ej＝∑eij

e＝∑ej

其中，e为基于当前分类下的所有对象的变差量，ej是簇内变差量,eij是每个对象到中心点的距离；xij分类为j簇内的i元素，是j簇内中心点，以ej和eij最小为目标，不断调整每个簇内的元素xij。

进一步地，将所述属性初级分类集进行等频优化，得到故障属性分类集，包括：

对各所述属性初级分类集中的样本数量进行排序，并将各属性初级分类总数与属性分类数量预设值比较，当所述属性初级分类总数小于所述属性分类数量预设值，进行等频优化；

将各所述属性初级分类集中的样本数量与属性分类样本预设值比较，根据比较结果和所述属性初级分类集中的样本数量进行排序，对各所述属性初级分类集中的样本数量从高到底进行等频优化，直至属性分类总数等于所述属性分类数量预设值，进而得到故障属性分类集。

进一步地，所述等频优化通过下述公式计算：

x＝[x1x2...xn]

x1＝[x1x2...xn]

x2＝[xn+1xn+2...xn+n]

...

xk'＝[xn-n+1xn-n+2...xn]

其中，x为基于k-means算法下的某一分类，k‘为x分类的待拆分子类数量，xi是子类，n是每个子分类下样本数量。

进一步地，基于apriori算法，对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集，包括：

根据所述配电线路故障信息库，基于apriori算法，对配电线路故障的频繁项集的判定支持计数阈值进行设定；

根据设定的所述判定支持计数阈值，构建涵盖不同频繁属性个数的故障频繁项候选集。

进一步地，所述构建涵盖不同频繁属性个数的频繁候选项集，包括：

扫描所述配电线路故障信息库，计算k项集支持度，当次数大于支持计数阈值，计入k项频繁候选项集；

根据k项频繁候选项集进行匹配拼接，生成k+1项集；

经过k+1项集的支持度计数筛选，生成k+1项频繁候选项集；

循环计算，直至无法寻找到更多频繁候选项集为止；

其中，所述k项集支持度，为k个属性值同时出现的次数。

进一步地，根据所述频繁候选项集，基于所述配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选，包括：

根据所述频繁候选项集，计算所述配电线路故障信息库中样本总量下的支持度、置信度以及提升度；

根据计算得的所述支持度、所述置信度以及所述提升度，进行配网线路故障跳闸强相关规则筛选。

进一步地，所述支持度通过下述公式计算得到：

所述置信度通过下述公式计算得到：

所述提升度通过下述公式计算得到：

其中，是在b故障场景下a频繁项集发生的所述支持度，在b故障场景下a频繁项集发生的所述置信度，表示a和b同时发生的所述支持度计数，count(a)，是a发生的所述支持度计数，d是故障样本总量；lift(a,b)是a和b同时发生的所述提升度，p(a∪b)是a和b在全量样本d中同时发生的概率，p(b/a)是b在a条件下的概率。

第二方面，本发明实施例还提供一种配电网线路故障规律挖掘系统，包括：

标记事件生成模块，用于采集配电网线路故障跳闸记录，生成配电网线路故障及原因场景下的标记事件；

故障信息库生成模块，用于根据所述标记事件，生成含有多属性信息的配电线路故障信息库；

属性聚类模块，用于基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集；

等频优化模块，用于将所述属性初级分类集进行等频优化，得到故障属性分类集；

故障频繁项集挖掘模块，基于apriori算法，对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集；

强相关规则筛选模块，用于根据所述频繁候选项集，基于所述配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选。

第三方面，本发明实施例还提供一种可读存储介质，当所述存储介质中的指令由配电网线路故障规律挖掘系统的处理器执行时，使得配电网线路故障规律挖掘系统能够执行如第一方面任意所述的配电网线路故障规律挖掘方法。

本发明实施例提供的一种配电网线路故障规律挖掘方法，通过采集配电网线路故障跳闸记录，生成配电网线路故障及原因场景下的标记事件；根据所述标记事件，生成含有多属性信息的配电线路故障信息库；基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集；将所述属性初级分类集进行等频优化，得到故障属性分类集；基于apriori算法，对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集；根据所述频繁候选项集，基于所述配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选，实现将现有配电网故障样本数据融合故障下的其他多源数据，融合k-means的数据离散化方法和频繁项集数据挖掘方法，挖掘故障关联规则，缩小配电网巡视运维范围，以提高配电网运行可靠性，解决了现有的配电网的全部区域线路及设备的巡视及检修费用巨大的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据本发明实施例的内容和这些附图获得其他的附图。

图1是本发明实施例提供的一种配电网线路故障规律挖掘方法流程图；

图2是本发明实施例提供的另一种配电网线路故障规律挖掘方法流程图；

图3是本发明实施例提供的又一种配电网线路故障规律挖掘方法流程图；

图4是本发明实施例提供的一种配电网线路故障规律挖掘系统的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

本发明实施例提供一种配电网线路故障规律挖掘方法。图1是本发明实施例提供的一种配电网线路故障规律挖掘方法流程图。参见图1，本发明实施例提供的配电网线路故障规律挖掘方法，包括：

s101、采集配电网线路故障跳闸记录，生成配电网线路故障及原因场景下的标记事件。

具体地，配电网线路故障跳闸记录包括配电网线路故障跳闸信息及配电网线路故障原因，根据采集的配电网线路故障跳闸信息及配电网线路故障原因，生成配电网线路故障及原因场景下的标记事件。

s102、根据所述标记事件，生成含有多属性信息的配电线路故障信息库。

具体地，针对每一起配电网线路故障跳闸标记事件，基于信息化系统多源数据，完成配网线路馈线级有效信息处理，生成含有多属性信息的配电线路故障信息库。

s103、基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集。

具体地，对配电线路故障信息库中每一项属性信息，基于k-means的数据离散化方法进行聚类，得到属性初级分类集，属性初级分类集包括具有相似属性信息构成的组类的集合。

s104、将所述属性初级分类集进行等频优化，得到故障属性分类集。

具体地，根据巡检运维实际需求设定分类条件，将属性初级分类集中的属性值与分类条件比较，将不满足分类条件的属性初级分类集中的属性值进行等频优化，实现属性合理化分类，得到故障属性分类集。

s105、基于apriori算法，对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集。

具体地，设定配电线路故障的频繁属性集的判定所需的支持计数阈值，统计某些特定的属性同时出现的次数，将统计得到的某些特定的属性同时出现的次数与支持计数阈值进行比较，循环计算，构建涵盖不同频繁属性个数的频繁候选项集。

s106、根据所述频繁候选项集，基于所述配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选。

具体地，根据所述频繁候选项集，基于所述配电线路故障信息库，计算配电线路故障信息库中样本总量下的支持度、置信度以及提升度，将计算得的支持度、置信度以及提升度分别与对应的预设阈值进行比较，得到配网线路故障跳闸强相关规则，从而挖掘得到故障关联规则，缩小了配电网巡视运维范围，可以有效提高配电网运行可靠性。

本发明实施例提供的一种配电网线路故障规律挖掘方法，通过采集配电网线路故障跳闸记录，生成配电网线路故障及原因场景下的标记事件；根据标记事件，生成含有多属性信息的配电线路故障信息库；基于k-means的数据离散化方法，对配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集；将所述属性初级分类集进行等频优化，得到故障属性分类集；基于apriori算法，对故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集；根据频繁候选项集，基于配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选，能实现将现有配电网故障样本数据，包括实时样本数据和历史样本数据，融合故障下的其他多源数据，融合频繁项集数据挖掘方法，挖掘故障关联规则，通过基于k-means的数据离散化方法，对配电线路故障信息库中每一项属性信息进行聚类，得到故障属性分类集，基于apriori算法，对故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，实现配网线路故障跳闸强相关规则筛选，缩小了配电网巡视运维范围，提高了配电网运行可靠性，解决了现有的配电网的全部区域线路及设备的巡视及检修费用高昂的问题。

可选地，图2是本发明实施例提供的另一种配电网线路故障规律挖掘方法流程图。在上述实施例的基础上，参见图2，本发明实施例提供的另一种配电网线路故障规律挖掘方法，包括：

s201、采集所述配电网线路故障跳闸记录。

具体地，配电网线路故障跳闸记录可以是现有的配电网线路故障跳闸记录，即配电网线路故障跳闸历史信息，包括配电网线路故障跳闸的具体时间、配电网线路故障原因以及配电网线路故障电流、电压信息等。

s202、基于调度自动化系统或其他动态监控系统，根据采集到的所述配电网线路故障跳闸记录，产生配电网线路故障跳闸标记事件。

具体地，调度自动化系统或其他动态监控系统可以提供配电网的遥控、遥测信息，结合采集到的不同配电网线路故障跳闸记录，产生不同的配电网线路故障跳闸标记事件。

s203、根据所述标记事件，生成含有多属性信息的配电线路故障信息库。

s204、基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集。

s205、将所述属性初级分类集进行等频优化，得到故障属性分类集。

s206、基于apriori算法，对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集。

s207、根据所述频繁候选项集，基于所述配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选。

可选地，图3是本发明实施例提供的又一种配电网线路故障规律挖掘方法流程图。在上述实施例的基础上，参见图3，本发明实施例提供的又一种配电网线路故障规律挖掘方法，包括：

s301、采集配电网线路故障跳闸记录，生成配电网线路故障及原因场景下的标记事件。

s302、根据所述标记事件，基于信息化系统的多源数据，对配电网线路馈线级有效信息进行处理。

具体地，信息化系统包括调度自动化系统、故障统计分析系统、设备管理系统、gis信息系统以及气象系统。其中，调度自动化系统用于提供配电线路出口断路器跳闸记录，故障统计分析系统用于提供配电线路故障跳闸原因信息，设备管理系统用于提供配电线路设备基础台账数据，gis信息系统用于提供设备连接关系、馈线拓扑数据，气象系统用于提供包括故障标记时刻的温度、雨量以及风速。

s303、根据每一起配电网线路的故障跳闸记录及故障跳闸发生时间，整合故障时刻的属性，生成含有多属性信息的所述配电线路故障信息库；

其中，所述故障时刻的属性包括温度、雨量、风速、线路总长、架空线路总长、配电线路所属区域、配电线路下辖配变数量、线路电压、电流、有功、无功等运行数据以及线路运行年限中的一种或者至少两种。

具体地，根据每一起配电网线路的故障跳闸记录及故障跳闸发生时间，整合故障时刻的温度、雨量、风速、线路总长、架空线路总长、配电线路所属区域、配电线路下辖配变数量、线路电压、电流、有功、无功等运行数据以及线路运行年限等属性，生成含有多种故障时刻属性信息的配电线路故障信息库。

s304、基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集。

s305、将所述属性初级分类集进行等频优化，得到故障属性分类集。

s306、基于apriori算法，对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集。

s307、根据所述频繁候选项集，基于所述配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选。

可选地，线路总长为电缆线路和架空线路导线段总和，架空线路总长为架空线路导线段总和。根据每一起配电网线路的故障跳闸记录及故障跳闸发生时间，整合故障时刻的属性，生成含有多属性信息的所述配电线路故障信息库，包括：

通过拓扑数据获取配电线路每一段导线段长度，计算所述线路总长和所述架空线路总长。

具体地，通过配电网的拓扑数据获取到每一段导线的长度，架空线路总长可以通过下述公式计算得到：

lj＝∑bi

线路总长可以通过下述公式计算得到：

lt＝∑ai+∑bi

其中，ai和bi分别是电缆导线段i段和架空导线段i段的长度。

可选地，基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集，包括：

其一、根据待分类属性的分类数量，设定属性分类初始值；

具体地，待分类属性的分类数量可以为待分类的配电网线路故障的分类数量，设定属性分类初始值，根据设定的属性分类初始值开始计算。

其二、采用k-means算法，设定迭代次数，重新求解分类点设定值。

具体地，根据配电线路故障信息库中的属性信息，采用k-means算法，设定迭代次数，从属性分类初始值开始计算，重新求解分类点设定值，根据分类点设定值对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集。

可选地，所述分类点设定值通过下述公式计算：

ej＝∑eij

e＝σej

其中，e为基于当前分类下的所有对象的变差量，ej是簇内变差量,eij是每个对象到中心点的距离；xij分类为j簇内的i元素，是j簇内中心点，以ej和eij最小为目标，不断调整每个簇内的元素xij。

可选地，将所述属性初级分类集进行等频优化，得到故障属性分类集，包括：

其一、对各所述属性初级分类集中的样本数量进行排序，并将各属性初级分类总数与属性分类数量预设值比较，当所述属性初级分类总数小于所述属性分类数量预设值，进行等频优化。

具体地，对各属性初级分类集中的样本数量进行排序，并将属性初级分类集中的属性初级分类总数与属性分类数量预设值比较，当属性初级分类总数小于属性分类数量预设值时，需要对不满足样本数量的各属性初级分类集进行等频优化。

其二、将各所述属性初级分类集中的样本数量与属性分类样本预设值比较，根据比较结果和所述属性初级分类集中的样本数量进行排序，对各所述属性初级分类集中的样本数量从高到底进行等频优化，直至属性分类总数等于所述属性分类数量预设值，进而得到故障属性分类集。

具体地，若属性初级分类集中的样本数量大于1.5倍属性分类样本预设值，则按照各属性初级分类集中样本数量从高到低的顺序，对属性初级分类集中的样本数量大于1.5倍属性分类样本预设值的各属性初级分类集进行等频分类，直至属性分类总数等于属性分类数量预设值而满足分类总数要求，得到故障属性分类集。

可选地，所述等频优化通过下述公式计算：

x＝[x1x2...xn]

x1＝[x1x2...xn]

x2＝[xn+1xn+2...xn+n]

...

xk'＝[xn-n+1xn-n+2...xn]

其中，x为基于k-means算法下的某一分类，k‘为x分类的待拆分子类数量，xi是子类，n是每个子分类下样本数量。

可选地，基于apriori算法，对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集，包括：

其一、根据所述配电线路故障信息库，基于apriori算法，对配电线路故障的频繁项集的判定支持计数阈值进行设定。

具体地，根据配电线路故障信息库中的标记事件，基于apriori算法，设定满足需求的配电线路故障的频繁项集的判定所需的支持计数阈值。需要说明的是，属性即为项，频繁属性的集合即为频繁项集。

其二、根据设定的所述判定支持计数阈值，构建涵盖不同频繁属性个数的故障频繁项候选集。

具体地，根据设定的所述判定支持计数阈值，构建涵盖不同频繁属性个数的频繁候选项集，可以包括：扫描配电线路故障信息库，计算标记事件的k项集支持度，进行支持度计数筛选，当次数大于支持计数阈值时，计入k项频繁候选项集；根据k项频繁候选项集进行匹配拼接，生成k+1项集；经过k+1项集的支持度计数筛选，生成k+1项频繁候选项集；循环计算，直至无法寻找到更多频繁候选项集为止。其中，所述k项集支持度为k个属性值同时出现的次数，n为配电线路故障信息库中标记事件的故障属性的总数量，k为1,2,3，……，n。

可选地，根据所述频繁候选项集，基于所述配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选，包括：

其一、根据所述频繁候选项集，计算所述配电线路故障信息库中样本总量下的支持度、置信度以及提升度。

具体地，支持度可以通过下述公式计算得到：

置信度可以通过下述公式计算得到：

提升度可以通过下述公式计算得到：

其中，是在b故障场景下a频繁项集发生的支持度，在b故障场景下a频繁项集发生的置信度，表示a和b同时发生的支持度计数，count(a)，是a发生的支持度计数，d是故障样本总量；lift(a,b)是a和b同时发生的提升度，p(a∪b)是a和b在全量样本d中同时发生的概率，p(b/a)是b在a条件下的概率。

其二、根据计算得的所述支持度、所述置信度以及所述提升度，进行配网线路故障跳闸强相关规则筛选。

具体地，设定支持度和置信度的阈值，设定提升度的正向阈值和反向阈值，当支持度和置信度大于设定阈值，且提升度大于正向阈值时，则判定当前规则为正向强相关规则；当支持度和置信度大于设定阈值，且提升度小于反向阈值时，则判定为反向强相关规则；其余关联规则筛除。当配网线路故障跳闸强相关规则筛选结果为强相关规则，则说明配电网线路区域内故障，当配网线路故障跳闸强相关规则筛选结果为正向强相关规则时，则需要对该区域内配网线路故障跳闸进行检修；当配网线路故障跳闸强相关规则筛选结果为反向强相关规则时，则为巡检提供依据，通过提前巡检降低故障率。

图4是本发明实施例提供的一种配电网线路故障规律挖掘系统的结构示意图。参见图4，本发明实施例提供的配电网线路故障规律挖掘系统，包括：

标记事件生成模块100，用于采集配电网线路故障跳闸记录，生成配电网线路故障及原因场景下的标记事件。

故障信息库生成模块200，用于根据所述标记事件，生成含有多属性信息的配电线路故障信息库。

属性聚类模块300，用于基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集。

等频优化模块400，用于将所述属性初级分类集进行等频优化，得到故障属性分类集。

故障频繁项集挖掘模块500，基于apriori算法，对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集。

强相关规则筛选模块600，用于根据所述频繁候选项集，基于所述配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选。

本发明实施例提供的配电网线路故障规律挖掘系统，包括标记事件生成模块、故障信息库生成模块、属性聚类模块、等频优化模块、故障频繁项集挖掘模块和强相关规则筛选模块，通过标记事件生成模块采集配电网线路故障跳闸记录，生成配电网线路故障及原因场景下的标记事件，由故障信息库生成模块根据所述标记事件，生成含有多属性信息的配电线路故障信息库，属性聚类模块基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集，通过等频优化模块将所述属性初级分类集进行等频优化，得到故障属性分类集，并基于apriori算法，故障频繁项集挖掘模块对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集，根据所述频繁候选项集，基于所述配电线路故障信息库，强相关规则筛选模块进行配网线路故障跳闸强相关规则筛选。本发明实施例提供的配电网线路故障规律挖掘系统实现了将现有配电网故障样本数据融合故障下的其他多源数据，融合k-means的数据离散化方法和频繁项集数据挖掘方法，挖掘故障关联规则，缩小配电网巡视运维范围，以提高配电网运行可靠性，解决了现有的配电网的全部区域线路及设备的巡视及检修费用巨大的问题。

本发明实施例还提供一种可读存储介质，其上存储有软件程序，当所述存储介质中的指令由配电网线路故障规律挖掘系统的处理器执行时，使得配电网线路故障规律挖掘系统能够执行如上述任意实施例所述的配电网线路故障规律挖掘方法。该方法包括：采集配电网线路故障跳闸记录，生成配电网线路故障及原因场景下的标记事件；根据所述标记事件，生成含有多属性信息的配电线路故障信息库；基于k-means的数据离散化方法，对所述配电线路故障信息库中每一项属性信息进行聚类，得到属性初级分类集；将所述初级属性分类进行等频优化，得到故障属性分类集；基于apriori算法，对所述故障属性分类集中每一类故障属性进行不同故障原因场景下的故障频繁项集挖掘，构建涵盖不同频繁属性个数的频繁候选项集；根据所述频繁候选项集，基于所述配电线路故障信息库，进行配网线路故障跳闸强相关规则筛选。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的配电网线路故障规律挖掘方法操作，还可以执行本发明任意实施例所提供的配电网线路故障规律挖掘方法中的相关操作，且具备相应的功能和有益效果。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品可以存储在可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的配电网线路故障规律挖掘方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。