CN103400214A - 基于多维多层关联规则的电压暂降预测分析方法 - Google Patents

Abstract

基于多维多层关联规则的电压暂降预测分析方法，属于电能质量分析方法技术领域。方法包括选取暂降关联规则挖掘维度；对历史数据离散化处理；根据最小支持度和最小置信度，挖掘暂降关联规则；构造电压暂降关联规则知识库；匹配关联规则得出预测结论。本发明对历史电压暂降关联规则进行挖掘，将挖掘后得到的强关联规则形成知识库，将未来可能出现的电网运行情况作为预测条件，输入规则库进行匹配，就可以得到未来可能出现的电压暂降情况。本发明对现有的电能质量智能监测系统是一大补充，具有十分重要的现实意义。

Description

基于多维多层关联规则的电压暂降预测分析方法

技术领域

本发明涉及一种基于多维多层关联规则的电压暂降预测分析方法，属于电能质量分析方法技术领域。

背景技术

电能质量问题包括稳态电能质量和暂态电能质量两个方面。随着电力市场化的逐步推进以及工业自动化、国民经济信息化的发展，一方面，配电网中非线性负荷对电网的电能质量构成了严重的威胁；另一方面，配电网中诸如计算机等用电设备对系统干扰的高敏感性，对电能质量提出了高可靠性、高暂态恒定性、高可控性等要求。有监测数据表明，现有电能质量问题中，80%或者更多的是电压暂降所引起的。因此，暂态电能质量问题成为当前国内外研究的热点之一。

加拿大电气协会（CEA）耗时三年对电能质量问题进行了专门调查。在550个供电点上进行实际监测，其中对工业用户测量结果表明：平均每个用户每相每月发生38次电压暂降，即平均每天都有电压暂降发生，给工业生产造成严重损失。美国一项调查研究表明电压暂降对工商业大用户造成的平均经济损失达7694$/次，平均短时间中断损失达11027$/次。在我国，国家电网公司曾在2003年对北京地区的电能质量问题进行调查和统计，调查结果表明在全年的电能质量事件中，短时中断占43%、电压暂降占38%、长时间中断占9%、谐波及其他占10%。首钢日电电子有限公司曾对电压暂降造成的生产工艺流水线中断、设备停机损失进行过估算，认为单次暂降事故的平均经济损失在200～300万元之间。由此可见，如果对电压暂降历史记录进行分析，找出其中隐藏的规律，及时对可能发生的暂降事件做出预测预警，对实际生活生产具有重要的现实经济意义。

在电力系统运行方式变化时，经验丰富的现场运行通过长时间的运行实践，掌握了代表电力系统安全运行水平的关键部位的状态量和其他量的关联性，他们可根据电力系统中控制量和扰动量的变化趋势，预测出这些关键部位在运行方式变化时的状态，这在很大程度上是一种经验的积累。若要将这种经验积累以智能算法的方式实现，并以直观的形式展示出来，方法之一就是要用到关联规则思想。

关联规则挖掘是数据挖掘的重要分支，其通过描述数据库中不同数据属性之间所存在的潜在关系规则，找出满足给定支持度和置信度之间的依赖关系。关联规则通过特定的搜索方法可挖掘出数据集中项集之间有价值的关联关系，从而给出数据集的关联特征描述，可以帮助决策者分析历史数据和当前数据的特征和规律，从而进一步预测未来。

经过多年的实际运行，电能质量智能信息系统已经累积了大量的电能质量电压暂降事件记录，我们采用量化属性的静态离散化方法挖掘多维多层关联规则，寻找混合关联规则中的频繁项集。得到强关联规则后，形成关联规则历史知识库，再利用CBR推理方法，将未来可能存在的一种电网状态作为已知条件，与挖掘到的关联规则库中的规则进行匹配，最终得到暂降预测的可能性结果。

所述CBR（Case base reasoning）推理方法是一种增量型、可持续的学习方法，其基本原理为：以实例为基础进行推理，把以往的经验存成一个个的实例，当面临新的问题时，就可以对实例库进行搜索，找到合适的实例作为参考，实现经验的重用。

发明内容

本发明的目的在于，提出一种改进后的多维多层关联规则方法，挖掘历史电压暂降事件中的强关联规则，达到对未来暂降可能性的预测。

首先，结合电压暂降直接影响因素和监测点运行环境，选取暂降关联规则挖掘维度。电压暂降的发生频次和严重程度与电网结构、运行状况、负荷类型有密切关系，本发明选取的挖掘维度包括：监测点位置、监测点所属电压等级、监测点负荷类型、暂降发生时间、暂降原因，其中暂降原因为必选维度，除暂降原因外的其他维度可以任意一项或多项。

然后，对参与挖掘的暂降维度历史数据进行离散化分层处理。所述离散化分层处理方式包括：对于监测点位置，按监测网络区域划分层次；对于电压等级，可以根据我国常用电压等级划分为11层，也可以合并相邻层以减少总层次数；对于监测点负荷类型，按普通、新能源、重负荷、敏感用户分层；对于暂降发生时间，又可以划分出3个维度：季度、星期、时间段，对于季度分一季度、二季度、三季度、四季度4层，对于星期分工作日和节假日，对于时间段把一天分为3个时间段（0:00～8:00、8:00～18:00、18:00～24:00）；对于暂降原因，划分为短路、变压器投运、重负荷启动、新能源、其他；对各维度层次分别以0，1，2…代表。层次最多的维度所含有的层次数目作为挖掘的总层次数，用LayerNum表示，LayerNum的数值大小选定在10以内。

其次，挖掘暂降关联规则。对离散化处理后的电压暂降历史数据进行扫描，根据用户设定的最小支持度min_sup和最小置信度min_cof，按基于Apriori的多维关联规则方法做逐层连接和剪枝，直至所有扫描项结束。

再次，存储电压暂降关联规则，形成关联规则知识库。从暂降历史数据库中维度间关系得到频繁k-项集后，由频繁谓词集输出强关联规则。强关联规则就是满足最小支持度阈值和最小置信度阈值的关联规则，电压暂降强关联规则具有更强可信度。

最后，利用规则知识库做预测。经过上述的挖掘过程可以得到一个包含了历史暂降数据关联规则的知识库。获取到的预测相关任务因素作为已知条件，放入规则库中进行规则匹配，采用CBR推理方法得到预测结果。

可行性分析：第一，符合实际需求；目前我国很多省市已建立起了电能质量监测网络，引入了电能质量智能信息系统，基本实现了对日常电能质量状况的实时监测，进一步控制和治理电能质量问题，特别是暂降问题，是目前电能质量研究部门关注的重点。多个省网公司已经纷纷提出了希望能在现有电能质量平台中引入电能质量预测预警模块；第二，具备数据挖掘条件；当前投入使用的电能质量智能信息系统已经累积了大量的电压暂降事件记录，并拥有各监测点的详细信息，为暂降事件关联规则的挖掘提供了可靠的数据来源；第三，技术的可行性；关联规则作为数据挖掘重要方法，目前已经提出了很多成熟的算法。而且在其他领域中，已经成功的将关联规则挖掘思想应用于预测预警模型中，技术层面上也具备了可靠的理论依据和现实依据。

本发明的有益效果：提供一种基于多维多层关联规则的电压暂降预测分析方法，该方法能够实现对历史电压暂降关联规则进行挖掘，将挖掘后的得到的强关联规则形成知识库，将未来可能出现的电网运行情况作为预测条件，将这些特定的预测条件输入规则库进行匹配，就可以得到未来可能出现的电压暂降情况。对现有的电能质量智能监测系统是一大补充，具有十分重要的现实意义。

附图说明

图1基于多维多层关联规则的电压暂降预测分析方法的结构示意图。

图2本发明流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

图1基于多维多层关联规则的电压暂降预测分析方法的结构示意图。图2本发明流程图。如图1、2所示，基于多维多层关联规则的电压暂降预测分析方法，该方法步骤如下：

步骤1：选取暂降关联规则挖掘维度；

本专利选取的挖掘维度包括：监测点位置、监测点所属电压等级、监测点负荷类型、暂降发生时间、暂降原因，其中暂降原因为必选维度，除暂降原因外的其他维度可以任意一项或多项；

步骤2：对历史数据的离散化分层处理，主要对时间或空间上连续的维度数据做离散化处理；

所述离散化分层处理方式包括：对于监测点位置，按监测网络区域划分层次；对于电压等级，可以根据我国常用电压等级划分为11层，也可以合并相邻层以减少总层次数；对于监测点负荷类型，按普通、新能源、重负荷、敏感用户分层；对于暂降发生时间，又可以划分出3个维度：季度、星期、时间段，对于季度分4层，对于星期分工作日和节假日，对于时间段把一天分为3个时间段（0:00～8:00、8:00～18:00、18:00～24:00）；对于暂降原因，划分为短路、变压器投运、重负荷启动、新能源、其他。对各维度层次分别以0，1，2…代表，层次最多的维度所含有的层次数目作为挖掘的总层次数，用LayerNum表示，LayerNum的数值大小选定在10以内；

步骤3：用户输入最小支持度min_sup和最小置信度min_cof；

步骤4：挖掘电压暂降关联规则，对离散化处理后的电压暂降历史数据进行扫描，根据步骤3中的min_sup和min_cof按多维关联规则方法做逐层连接和剪枝；

步骤5：存储电压暂降关联规则，形成电压暂降关联规则知识库；

步骤6：预测准备阶段：获取预测条件，依据步骤2中挖掘维度的离散化方式，对预测条件数据进行离散化处理；

步骤7：预测过程开始，将预测条件输入预测程序进行关联规则匹配，得出最优匹配结果作为预测结论；

其中步骤7所述预测过程分解为以下步骤：

步骤1：形成电压暂降关联规则知识库；

步骤2：获取暂降预测任务因素，对各项条件做离散化分层处理；

步骤3：利用CBR推理方法将预测因素与知识库进行匹配；

步骤4：若不存在匹配条件，则给出提示；

步骤5：若存在匹配条件，判断是否对应唯一规则，若对应多条规则，可采取将支持度、置信度从高到低排列，选出支持度或置信度最高的一条规则，作为可能的预测结果。

[实施例1]

本实施例的样本暂降数据源是选取某省电能质量监测系统中2008至2012年间4052条电压暂降记录，样本中包含10个区域，66个监测点。通过设定不同的min_sup和min_conf，可以挖掘出暂降样本集中相对应的强关联规则，构造样本集的暂降关联规则库。假定几组预测条件，基于规则库可以得到可能的暂降预测结果。

基于该样本实施步骤如下：

1.选取挖掘维度：监测点所在区域、电压等级、负荷类型、暂降发生季度、发生星期、发生时间段、暂降原因；

2.样本数据离散化分层处理：

1)监测点按所在的10个区域分层：0、1、2、3、4、5、6、7、8、9；

2)电压等级：0（220V、380V）、1（10kV、24）、2（35kV）、3（110kV）、4（220kV）、5（500kV、800kV、1000kV）；

3)负荷类型：0（普通）、1（新能源）、2（重负荷）、3（敏感用户）；

4)季度：0（一季度）、1（二季度）、3（三季度）、4（四季度）；

5)星期：0（工作日）、1（非工作日）；

6)时间段：0（0:00～8:00）、1（8:00～18:00）、2（18:00～24:00）；

7)暂降原因：0（短路）、1（变压器投运）、2（重负荷启动）、3（新能源）、

4（其他）。

3.挖掘到关联规则举例：

设定min_sup=15%;min_conf=0.5%；

区域0002∧35kV∧普通负荷∧二季度∧工作日∧时间1→短路；

区域0004∧110kV∧重负荷∧三季度∧工作日∧时间1→重负荷启动；

区域0006∧220kV∧普通负荷∧二季度∧工作日∧时间0→变压器投运；

……

4.基于样本规则库，假定预测目标：区域0002在下年二季度可能出现哪些情况的电压暂降，预测结果举例：

区域0002∧35kV∧普通负荷∧二季度∧工作日∧时间1→短路，概率为82%；

区域0002∧110kV∧普通负荷∧二季度∧工作日∧时间0→变压器投运，概率为73%；

……

[实施例2]

本实施例的样本数据同实施例1。选择监测点、电压等级、负荷类型以及暂降原因作为挖掘维度。

基于该样本，基于多维多层关联规则的电压暂降预测分析方法，实施步骤如下：

1.选取挖掘维度：监测点所在区域、电压等级、负荷类型、暂降原因；

2.样本数据离散化分层处理：

1)监测点按所在的10个区域分层：0、1、2、3、4、5、6、7、8、9；

2)电压等级：0（220V、380V）、1（10kV、24）、2（35kV）、3（110kV）、4（220kV）、5（500kV、800kV、1000kV）；

3)负荷类型：0（普通）、1（新能源）、2（重负荷）、3（敏感用户）；

4)暂降原因：0（短路）、1（变压器投运）、2（重负荷启动）、3（新能源）、4（其他）。

3.设定与实施例1相同的min_sup和min_conf，挖掘到关联规则举例：

设定min_sup=15%;min_conf=0.5%；

区域0001∧35kV∧普通负荷→短路；

区域0002∧35kV∧普通负荷→短路；

区域0002∧110kV∧普通负荷→变压器投运；

区域0004∧110kV∧重负荷→重负荷启动；

……

4.基于样本规则库，假定预测目标：区域0002中所有普通负荷类型监测点，在各电压等级下可能出现哪类电压暂降，预测结果举例：

区域0002∧普通负荷∧35kV→短路，概率为95%；

区域0002∧普通负荷∧110kV→变压器投运，概率为84%；

……

本发明提供一种基于多维多层关联规则的电压暂降预测分析方法，该方法能够实现对历史电压暂降关联规则进行挖掘，将挖掘后得到的强关联规则形成知识库，将未来可能出现的电网运行情况作为预测条件，将这些特定的预测条件输入规则库进行匹配，就可以得到未来可能出现的电压暂降情况。对现有的电能质量智能监测系统是一大补充，具有十分重要的现实意义。

本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的具体实现方式不应构成本发明的限定，本发明将以附权利要求书界定的范围作为本发明的保护范围。

Claims (7)

1.基于多维多层关联规则的电压暂降预测分析方法，其特征在于，该方法包括以下步骤：

步骤1：选取暂降关联规则挖掘维度；

步骤2：对历史数据进行离散化分层处理；

步骤3：用户设定最小支持度min_sup和最小置信度min_cof；

步骤4：挖掘电压暂降关联规则：对离散化处理后的电压暂降历史数据进行扫描，根据步骤3中用户设定的min_sup和min_cof按多维关联规则方法做逐层连接和剪枝，直至所有扫描项结束；

步骤5：存储电压暂降关联规则，形成电压暂降关联规则知识库；

步骤6：预测前准备：获取预测条件，依据步骤2中挖掘维度的离散化方式，对预测条件数据也进行离散化分层处理；

步骤7：预测过程开始：将预测条件输入预测程序进行关联规则匹配，得出最优匹配结果作为预测结论。

2.根据权利要求1所述的基于多维多层关联规则的电压暂降预测分析方法，其特征在于，所述暂降关联规则挖掘维度包括暂降原因，以及监测点位置、监测点所属电压等级、监测点负荷类型、暂降发生时间四者中的任意一项或多项。

3.根据权利要求1所述的基于多维多层关联规则的电压暂降预测分析方法，其特征在于，所述离散化分层处理为：对于监测点位置，按监测网络区域划分层次；对于电压等级，根据我国常用电压等级划分为11层；对于监测点负荷类型，按普通、新能源、重负荷、敏感用户分层；对于暂降发生时间，划分出3个维度：季度、星期、时间段，对于季度分一季度、二季度、三季度、四季度4层，对于星期分工作日和节假日，对于时间段把一天分为3个时间段（0:00～8:00、8:00～18:00、18:00～24:00）；对于暂降原因，划分为短路、变压器投运、重负荷启动、其他。对各维度层次分别以0，1，2…代表，层次最多的维度所含有的层次数目作为挖掘的总层次数，用LayerNum表示，LayerNum的数值大小选定在10以内。

4.根据权利要求1所述的基于多维多层关联规则的电压暂降预测分析方法，其特征在于，所述多维关联规则方法为基于Arpriori算法寻找多维关联规则中频繁项集的方法，该方法在关联规则挖掘过程中仅扫描一遍数据库。

5.根据权利要求4所述的基于多维多层关联规则的电压暂降预测分析方法，其特征在于，所述关联规则挖掘过程在整个过程中仅扫描数据库一次的实现方式是通过计数器；

在合并相同信息的基础上，计数器统计所有记录中所有维度的层次信息，最后得到一个记录所有不同任务信息的一维数组，用Count[SagDimen]表示；数组的维度SagDimen就是每个属性的层次数按从那从低到高顺序组成的一组数字，Count[SagDimen]对应的值就是具有相同属性相同层次的不同记录的计数；Count[SagDimen]初始值都为0，若扫描数据库后还存在Count[SagDimen]的值为0，说明数据库中没有匹配维度和层次SagDimen的记录；

其次，开始寻找频繁项集；通过count[SagDimen]记录暂降原始数据表中所有维度和层次，找出各级频繁项集；扫描count[SagDimen]得到一个形如count[att,lay]的二维数组，表示每个维度在各层次等级上的累积计数，同样采用用户设定的最小支持度原则，用min_sup表示，即有：

min_count=totalCount*min_sup

其中，totalCount表示所有记录数，min_count表示最小支持计数；当不小于min_count，则相应的att、lay才符合频繁1-项集的定义，输出L₁；建立频繁k-项集的候选集是将频繁k-1-项集两两组合，得到频繁k-项集的候选集C_k；扫描Count[SagDimen]，每得到一个count不为0的SagDimen都需要扫描一遍C_k，若找到C_k中记录的属性和层次与SagDimen中的att和lay值一致的，则将Sag计数值叠加到C_k计数中；最后再次扫描C_k，清除计数值所有小于min_count的记录，输出频繁k-项集L_k。

6.根据权利要求1所述的基于多维多层关联规则的电压暂降预测分析方法，其特征在于，步骤5所述存储电压暂降关联规则为：扫描得到的各个频繁项集，频繁1-项集除外，计算每条记录中不同属性层次组合的计数与所有母属性层次的计数的比值，比值不低于min_cof的则输出为强关联规则，得到各个频繁项集中的强关联规则，以及置信度数值。

7.根据权利要求1所述的基于多维多层关联规则的电压暂降预测分析方法，其特征在于，步骤7所述预测过程包括以下步骤：

步骤1：形成电压暂降关联规则知识库；

步骤2：获取暂降预测任务因素，对各项条件做离散化分层处理；

步骤3：利用CBR推理方法将预测因素与知识库进行匹配；

步骤4：若不存在匹配条件，则给出提示；

步骤5：若存在匹配条件，判断是否对应唯一规则；若对应多条规则，可采取将支持度、置信度从高到低排列，选出支持度和置信度最高的一条规则，作为可能的预测结果。

Images