王慧 孫國法 付龍海

摘要：針對現(xiàn)有故障預測模型無法兼顧不同類型數(shù)據(jù)的特性，預測精度和效率較低等問題，提出了一種將計及罕見變量的動態(tài)關聯(lián)規(guī)則挖掘模型和模糊推理系統(tǒng)相結合用于輸電線路故障預測。使用外部環(huán)境數(shù)據(jù)（連續(xù)和離散特征）用作輸入數(shù)據(jù)，連續(xù)特征由集成模型處理，離散特征由計及罕見變量的動態(tài)關聯(lián)規(guī)則挖掘模型處理。通過算例對預測方法的性能進行比較分析，驗證了該方法的優(yōu)越性。結果表明，與傳統(tǒng)的預測方法相比，該預測模型考慮了不同類型輸入數(shù)據(jù)的特征，可以進一步提高預測效果，有一定的參考價值。

關鍵詞：輸電線路；故障預測；環(huán)境數(shù)據(jù)；動態(tài)關聯(lián)；推理系統(tǒng)

中圖分類號：TM711.2文獻標志碼：A文章編號：1001-5922（2023）05-0183-05

Comparativeanalysisof transmissionlinesafetyoperationdatabasedonimprovedDARMmcrmodel

WANG Hui1，SUN Guofa2，F(xiàn)U Longhai1

（1. Yantai Vocational College，Yantai 264000，Shandong，China；

2. Qingdao University of Technology Qingdao 266000，Shandong，China）

Abstract： Aiming at the problems that the existing fault prediction models cannot take into account the characteris? tics of different types of data and low prediction accuracy and efficiency，a dynamic association rule mining model considering rare variables and fuzzy reasoning system were proposed for transmission line fault prediction. External environment data（continuous and discrete features）were used as input data，with the continuous features pro? cessed by the integrated model，and the discrete features processed by the dynamic association rule mining model considering rare variables. The performance of the prediction method was compared and analyzed through an exam? ple to verify the superiority of the method. The results showed that compared with the traditional prediction meth? ods，the prediction model considered the characteristics of different types of input data，which could further im? prove the prediction effect and has a certain reference value.

Keywords： transmission line；fault prediction model；external library data；dynamic association rule；fuzzy infer? ence system

近年來，電網(wǎng)結構不斷優(yōu)化，輸電能力和供電水平不斷提高[1]。然而，輸電線路長期暴露于大氣環(huán)境，易發(fā)生導線外部材料老化進而導致粘連等情況，且部分線路由于材料質(zhì)量較差，無法有效承受較大荷載電力，導致輸電線路極易破損。其可靠運行與氣象環(huán)境密切相關，如何有效防治輸電線路故障，仍是當前研究的重點[2]。利用先進的智能技術預測輸電線路故障，進行差異化運行維護，降低輸電線路故障發(fā)生的可能性，提高供電可靠性。因此，對輸電線路故障預測方法進行研究具有重要的實際意義。

國內(nèi)外學者從多方面對輸電線路故障預測方法提出了一些可能的解決方案，取得了一些優(yōu)異的成果。提出一種結合樸素貝葉斯算法和時間序列相似性匹配相構建輸電線路故障預警模型。與傳統(tǒng)預測模型相比，該模型能更好地挖掘故障因子，預測結果更準確[3]。提出了一種將BP 神經(jīng)網(wǎng)絡與改進的粒子群優(yōu)化（PSO）算法相結合的輸電線路雷電故障預測方法。該方法預測雷擊的準確性在80%以上，有一定的參考價值[4]。將改進自組織映射聚類算法用于電力系統(tǒng)連鎖故障預測模型。該方法能在更短的時間內(nèi)預測故障線路，覆蓋率達97%。這不僅有效地縮短了預測時間，而且擴大了預測范圍[5]。將最小二乘支持向量機算法、模糊評價和粒子群優(yōu)化算法相結合用于輸電線路故障率預測。該方法可以顯著提高預測精度，更適合于輸電線路故障率的預測[6]。

基于此，提出了一種將計及罕見變量的動態(tài)關聯(lián)規(guī)則挖掘（DARMmcr）模型和模糊推理系統(tǒng)（FIs）相結合用于輸電線路故障預測。使用外部環(huán)境數(shù)據(jù)（連續(xù)和離散特征）用作輸入數(shù)據(jù)，連續(xù)特征由集成模型處理，離散特征由DARMmcr模型處理。通過算例對該預測方法進行驗證。研究結果可為線路故障預測提供參考依據(jù)，且可為線路老化、導線粘接等情況提供參考。

1 模型構建

1.1 模糊推理系統(tǒng)

模糊系統(tǒng)是在模糊集合上定義輸入、輸出和狀態(tài)變量，模糊系統(tǒng)模擬人的綜合推理，它能較好地解決非線性問題，在自動控制、模式識別、決策分析等領域應用廣泛[10-12]。

模糊推理是指基于模糊邏輯的映射，它有2種類型：Mamdani 和Sugeno[13]。但它們之間的區(qū)別主要在于輸出決策方法。更常用的 Mamdani 型模糊推理系統(tǒng)輸出隸屬度函數(shù)是模糊集，而Sugeno型為線性或常數(shù)。本文采用 Mamdani 型模糊推理系統(tǒng)分析概率模糊風險。

典型的模糊推理系統(tǒng)結構如圖1所示。主要由3部分組成，模糊化、模糊運算、去模糊化。

1.2 計及罕見變量的關聯(lián)規(guī)則挖掘模型

鑒于研究主要針對長期預測，由于數(shù)據(jù)量較小，執(zhí)行時間相對可控[14]。因此，文中主要目標不是減少算法的執(zhí)行時間，因此關聯(lián)規(guī)則挖掘算法采用 FP-growth算法。

FP-growth 算法基于AprilI原理。它通過在 FP （Frequent Pattern）樹中存儲數(shù)據(jù)來檢測頻繁項集，但不能檢測數(shù)據(jù)之間的關聯(lián)規(guī)則。FP-growth 算法只需要掃描數(shù)據(jù)庫2次，而AprilI算法需要為每個潛在的頻繁項集掃描數(shù)據(jù)集一次，F(xiàn)P-growth 算法計算速度大大提高[15]。FP-growth算法流程如圖2所示。

FP-growth 算法使用相同和固定重要性的診斷標準評分計算方法和閾值設置方法，罕見變量被丟棄，但實際故障與丟棄變量有一定的關聯(lián)性。

評價指標如下，輸入環(huán)境元素集合 I {v1. v2. v3.…}，故障記錄為 D {t1. t2.…. tm}。

支持度為輸入數(shù)據(jù)庫中含有 X 的記錄占總數(shù)的比例，如式（1）所示[16]。

式中：D 為輸入數(shù)據(jù)庫；X 為輸入元素集合的子集。置信度為同時含有 X 和 Y 的記錄數(shù)量占 X 的百分比，如式（2）所示。

式中：Y 為目標變量。

提升度為 X 和 Y 共同出現(xiàn)的頻率大于預期，如式（3）所示。

信服度為 X 出現(xiàn)與 Y 未出現(xiàn)2個概率的乘積與同時滿足概率的比值，如式（4）所示。

杠桿度為并非完全獨立的期望下與無此期望下 X 和Y 同時出現(xiàn)在 D 中的概率的差值，如式（5）所示。

因此，基于上述診斷標準，提出了相應條件形式分數(shù)計算方法，進一步挖掘HILP元素。如果關聯(lián)規(guī)則Xg +Xr喻 Y 包含特定環(huán)境特征 fj 中的罕見環(huán)境元素，得分計算方法如式（6）所示[17]。

式中：Rg為數(shù)值區(qū)間，[2，（n +1）]；i =2，3， … ， （ m +1）為 Dy 的一行；Xg、Xr分別為常見和罕見變量集。

1.3 計及罕見變量的動態(tài)關聯(lián)規(guī)則挖掘

在前面模型基礎上，結合環(huán)境風險指數(shù)（ERI）和時間風險指數(shù)（TRI），建立雙重風險指數(shù)TFRI的計算模型[18]：

式中：mE、mT為相應權重，文中采用mE = mT =1；θhS為一個季度的TRI 數(shù)值；θej. k為單個元素ej.k的ERI 數(shù)值。

預測模型的應用將影響ERI 和TRI，因為在不同的時間段，由于不同的故障，持續(xù)時間會發(fā)生變化[19]。

Dy eD ={D1.D2.D3.….Dy .….Dz}為輸入數(shù)據(jù)庫 D 中任一年份的數(shù)據(jù)，基于此設置，TFRI 模型的參數(shù)每年自適應動態(tài)調(diào)整1次；圖3為DARMret模型的預測流程。

2 算例結果與分析

2.1 算例參數(shù)設置

為了驗證方法的性能，將通過算例分析該方法在各種場景下的性能。設備為聯(lián)想PC。文中的輸入數(shù)據(jù)來自某省高壓輸電系統(tǒng)，能夠提供足夠的故障樣本，滿足研究預測方法的需要。分析采用2016年至2021年系統(tǒng)110 kV及以上線路的故障，氣象數(shù)據(jù)由中國氣象局提供，數(shù)據(jù)每1 h更新1次。采用9個環(huán)境特征和9個氣象特征進行預測，表1所示為氣象特征和包含的元素。

2.2 算例分析

2.2.1 專家權重優(yōu)化分析

為了減少預測過程中的誤差，共測試了9組。FIs 和DARMmcr預測模型各專家權重比分別為9/1、8/2、7/3、6/4、5/5、4/6、3/7、2/8和1/9，優(yōu)化專家權重的過程使用AUROC 作為實際預測效果的度量標準；不同權重的誤差變化如圖4所示。

從圖4可以看出，在所有3種故障處理結果的預測中，采用9/1專家權重時，誤差降低幅度均為最大。然而，誤差值本身的數(shù)值結果表明，當分別使用8/2、5/5和9/1的專家權重時，預測結果誤差最小。綜合考慮，本文采用9/1、7/3和9/1的專家權重，后續(xù)可以進一步測試找到最優(yōu)權重。

2.2.2 預測結果分析

根據(jù)不同的預測對象，根據(jù)3類故障的結果，將這些故障記錄分為3組進行驗證。在算例中，首先，對于表1中的離散特征，通過診斷標準計算方法挖掘每個環(huán)境特征的罕見環(huán)境元素。初始閾值分別設置為 min supp 0.2、minconv01.1、minlift00.6、 minconv01.1、minleve00.1。離散特征通過DARMmcr模型進行分析，罕見元素如表2所示。

通過一個實例將本文所提預測模型與DARMmcr預測模型和FIs 的預測結果進行了比較；不同模型預測結果的比較如表3所示。

首先，在算例中基于ROC 曲線比較了本文模型、DARMmcr模型和FIs 模型的預測結果，比較結果如圖5所示。

結合圖5和表3的預測結果可以看出，與FIs 和DARMmcr預測模型相比，提出的模型在AUROC 的得分最高，AUROC 得分平均增加了6.9%、9.9%。模型的預測結果MaxKS距離最大，與FIs 和DARMmcr預測模型相比，分別提高了18.5%和19.9%。說明所提預測模型在3類故障預測中取得了良好的預測效果。

2.2.3模型對比

將提出的模型與文獻[20]的預測模型進行對比分析。提出的模型與文獻[20]模型的預測結果比較，具體如表4所示。

由表4可知，所提處的預測模型在雷擊、動物、數(shù)目、違法施工、設備故障方面的預測準確率都優(yōu)于文獻[20]的預測模型。文獻[20]模型相較于正常ARM 模型有一定的提升，這是因為提出的預測模型能夠利用幾乎所有環(huán)境特征，提高了模型的適應性和全面性。

3 結語

針對現(xiàn)有故障預測模型無法兼顧各類數(shù)據(jù)的特征，預測精度和效率不高的問題，提出了將DARMmcr模型和FIs 相結合用于構建輸電線路故障預測模型，外部環(huán)境數(shù)據(jù)（連續(xù)和離散特征）用作輸入數(shù)據(jù)，連續(xù)特征采用文中集成模型處理，離散特征采用DARMmcr模型處理。預測3種故障處理結果，在綜合考慮誤差值和誤差降低幅度時，專家權重比9/1、7/3和9/1被用作處理結果預測為“成功”、“合格”和“失敗”的權重比。該研究具有一定的實用價值。與傳統(tǒng)的預測方法相比，文中的方法具有一定的實用性。

【參考文獻】

[1] 何昕雷.基于模糊 PID 算法的自動控制研究[J].粘接，2022，49（3）：177-181.

[2] 謝樺，亞夏爾·吐爾洪，陳昊，等.基于支持向量機算法的配電線路時變狀態(tài)預測方法[J].電力系統(tǒng)自動化，2020，44（18）：74-80.

[3] 鄭茂然，余江，陳宏山，等.基于大數(shù)據(jù)的輸電線路故障預警模型設計[J].南方電網(wǎng)技術，2017，11（4）：30-37.

[4] 吳琛，蘇明昕，謝云云，等.基于BP 神經(jīng)網(wǎng)絡的輸電線路雷擊故障預測[J].電力工程技術，2020，39（5）：133-139.

[5] 宋玉琴，趙攀，周琪瑋.基于改進自組織映射聚類算法的連鎖故障預測模型[J].科學技術與工程，2021，21（3）：1037-1044.

[6] 方權，劉闖，宋敏，等.模糊評價與PSO 優(yōu)化的LSSVM 架空輸電線路故障率預測[J].水電能源科學，2021，39（1）：171-175.

[7] 余夢天，熊煒.計及沖擊風險及分布熵的電網(wǎng)連鎖故障預測[J].電力科學與工程，2019，35（5）：19-25.

[8] 費春國，霍洪雙.基于電流振幅與SVM的輸電線路故障分類[J].電力系統(tǒng)及其自動化學報，2019，31（4）：139-144.

[9] 鄒豪，曾祥君，喻錕，等.基于零序電壓調(diào)控的故障選線選相新方法[J].電力系統(tǒng)保護與控制，2020，48（15）：69-76.

[10] 常安，宋云海，張晗，等.考慮參量有效性的輸電線路狀態(tài)評估方法研究及應用[J].高壓電工，2017，53（6）：72-78.

[11] 尹桂來，李侶，陳田，等.吸能超雙疏防覆冰涂層對輸電線路防覆冰影響研究[J].粘接，2022，49（4）：37-40.

[12] 童曉陽，余森林.基于隨機矩陣譜分析的輸電線路系統(tǒng)故障檢測算法[J].電力系統(tǒng)自動化，2019，43（10）：101-115.

[13] 易俊，卜廣全，郭強，等.巴西“3·21”大停電事故分析及對中國電網(wǎng)的啟示[J].電力系統(tǒng)自動化，2019，43（2）：1-9.

[14]LiHJ，HabibiS，AscheidG. Handoverpredictionfor long-termwindowschedulingbasedonSINRmaps[C].2013 IEEE 24th Annual International Symposium on Per? sonal，Indoor，andMobileRadioCommunications（PIM? RC）. London，UK：IEEE Press，2013.

[15] 王毅星.基于深度學習和遷移學習的電力數(shù)據(jù)挖掘技術研究[D].杭州：浙江大學，2019.

[16]DHIMISH M，HOLMES V，MEHRDADI B，et al. Photo? voltaicfaultdetectionalgorithmbasedontheoretical curves modelling and fuzzy classification system[J]. Ener? gy，2017，140（1）：276-290.

[17] 胡程平，陳婧，胡劍地，等.配電臺區(qū)線損率異常自動檢測系統(tǒng)設計[J].粘接，2022，49（5）：188-192.

[18] 曹海紅.基于雙DSP的異步電機控制系統(tǒng)設計[J].粘接，2021，47（8）：143-146.

[19] 李振璧，張坤，姜媛媛，等.基于變分模態(tài)分解與近似熵的輸電線路兩相接地故障診斷[J].科學技術與工程，2018，18（5）：70-75.

[20]DOOSTANM，CHOWDHURYBH. Powerdistributionsystem fault cause analysis by using association rule min? ing[J]. Electric Power Systems Research，2017，152（1）：140-145.