[发明专利]基于大数据驱动的电网故障预测和诊断方法

权利要求书

1.基于大数据驱动的电网故障预测与诊断模型建模方法，其特征在于：考虑以数据采集与监控系统SCADA在实际中压配电网络中收集的数据集，由基于数据特征提取、时间窗、关联规则挖掘和关联分类器分析的方法进行评估，并自动识别相关性，从故障中断前后时间窗，建立预测-诊断模型。

2.基于大数据驱动的电网故障预测和诊断方法，其特征在于包括以下步骤：

步骤一、以某地区电网N年的大数据集为基础，并通过数据采集与监控系统SCADA提取所记录的事件和故障；

步骤二、时间窗口化阶段：

在该阶段，将数据采集与监控系统SCADA中所记录的数据进行窗口化模块处理，以提取故障前和故障后的时间窗口，为基于数据集的故障表征提供基础；

步骤三：关联规则挖掘阶段：

该阶段自动识别代表故障前和故障后窗口的所有强耦合关联规则；

步骤四：关联分类器分析阶段：

用于评估数据集的预测-诊断潜力。

3.根据权利要求2所述基于大数据驱动的电网故障预测和诊断方法，其特征在于：所述步骤一中，对符合以下三点的故障进行特征提取：

①故障持续事件超过180秒；

②故障位置已被识别；

③故障诱因已被确定；

这些故障事件被认定为永久服务中断PSI，故障事件包含45种不同的故障原因并与30个受不同程度影响的电网组件相关联。

4.根据权利要求2所述基于大数据驱动的电网故障预测和诊断方法，其特征在于：所述步骤二中，时间窗口指的是：在时间维度上，定义了一个PSI发生前的时间窗口，称为故障前窗口PFW，紧接PSI发生后的时间窗口，称为故障后窗口AFW；

在空间维度中，只考虑在电网中发生PSI的同一部分观察到的SCADA事件，即由作为收集数据来源的同一馈线报告的事件；考虑到最关注的是预测未来一个月内发生PSI的可能性，因此设定PFW的时间窗口为1、7、30天，AFW的时间窗口为1小时、1天、7天。

5.根据权利要求2所述基于大数据驱动的电网故障预测和诊断方法，其特征在于：所述步骤三中，关联规则挖掘指的是：

设D是一个数据集，其一般记录r由一组同时发生的事件组成，即在同一时间窗口内发生的事件；每个事件，也称为项，是一对属性值，该属性为SCADA事件类型、故障原因、故障波及组件，如果该属性在某时间窗口中为真，则该值为1，否则为0；

SCADA事件可能表示在分析PSI之前或之后发生的另一个PSI或小故障；项目集I是数据集D记录r中一组共同发生的事件、故障波及组件、故障原因；PFW或AFW中的这一组项目I够成了规则挖掘提取的输入特征量；

项目集I的支持度计数是包含I的记录r的数目；项目集I的支持度是S(I)是包含I的记录r相对于整个数据集中记录r的总数的百分比；当其支持度大于或等于最小支持度阈值Minsup时，则称项集是频繁的。

6.根据权利要求5所述基于大数据驱动的电网故障预测和诊断方法，其特征在于：

所述步骤三中，

关联规则挖掘的目的是根据统计相关的度量，识别经常存在于分析数据集中的频繁项集；为了提取在数据挖掘过程中最有意义的关联规则，可以利用支持度、置信度和提升度作为相应的度量指标；

支持度S(X,Y)表示在数据集中包含X和Y记录的百分比，它代表了X∪Y的先验概率，其概率表达式如式(1)所示；

置信度C(X→Y)表示在Y发生的条件下X发生的可能性，其概率表达式如式(2)所示；

S(X→Y)＝P(X∪Y) (1)

当挖掘出一定关联规则后，采用提升度来删除冗余规则，使得挖掘结果更加精炼；

提升度代表一条关联规则X→Y前因后果的相关程度，其概率表达式如式(3)所示；如果提升度L(X,Y)＝1，则代表二者在统计上是相互独立的，项集X和Y不相关；如果提升小于1，则表示项集X和Y之间呈现负相关，而提升度高于1的关联规则则表示X和Y呈现正相关，较高的提升度代表了更强的关联规则；

7.根据权利要求1所述基于大数据驱动的电网故障预测和诊断方法，其特征在于：所述步骤四中，关联规则从通用预测-诊断方法中提取，关联规则属性包括a.受故障影响的成分；b.故障的原因，这是预测-诊断背景中两个期望的目标变量；使用的关联分类器是L3型分类器。