CN105894177A - 一种基于决策树算法的电力设备运行风险分析评估方法 - Google Patents

Abstract

本发明公开了一种基于决策树算法的电力设备运行风险分析评估方法，包括如下步骤：S1，获得已退役设备退役前的运行数据；S2，将获得的所述运行数据作为训练元祖，将训练元组按属性进行划分，提取特征属性，依据特征属性的优先级构建决策树；S3，采用决策树算法，将电力设备的实时数据带入决策树的根节点，并按照每级节点对应的电力设备属性值选择输出分支，直至到达叶子节点，根据叶子节点存储的内容输出分析结果。该方法通过对电力设备进行风险分析评估，准确地了解电力设备状态，对电力设备进行合理安排，对即将停用、检修的设备提出及时合理的退役建议。

Description

一种基于决策树算法的电力设备运行风险分析评估方法

技术领域

本发明涉及一种电力设备运行风险分析评估方法，尤其涉及一种基于决策树算法的电力设备运行风险分析评估方法，属于电力系统调度自动化技术领域。

背景技术

随着电力系统规模的加大和电网的快速发展，用电负荷逐步攀升，电网稳定安全运行经受着严峻的考验，电网设备能否可靠运行已经变为人们关心的焦点。电网公司作为资产密集型企业，其核心竞争力是资产效率最大化和成本最低化。多年来电网公司也在不断尝试设备资产管理的新理念，从早期的事后故障修理，到强调事先保养的预防性维护，电网设备资产精细化管理的意识正在逐步建立。如何有效管理资产，并将其与企业的生产成本和盈利能力综合平衡，是对企业生产经营能力的一种考验。

在整个社会对电力供应的依赖性日益强烈的今天，因电力设备故障而引起的损失是无法估量的，除了人为的操作不当及自然条件的突变所引起的设备损坏而无法预知外，正常情况下，通过对电力设备运行风险进行分析评估，适时的进行检修及维护，可以提高设备的可靠性，降低故障几率，实现设备利用率最大化。但是，现有的设备运行风险分析评估方法并不能很好的及时发现电网运行过程中出现的故障，难以适应现代化电网生产建设和发展的需要。

为了解决上述问题，在公开号为CN 105184473 A的中国发明专利申请中公开了一种基于稳定规程的电网运行风险监视方法，包括如下步骤：S1，建立稳定规程存储模型；S2，将稳定规程以及其包含的逻辑结构一起录入到建立的稳定规程存储模型中；S3，获取电力系统运行过程中的实时数据，将实时数据带入到稳定规程存储模型中提取出的前缀表达式进行分析判断，根据判断结果判断设备当前状态，如满足稳定规程的告警条件，则进行告警通知，同时展示稳定规程对应的调整建议。上述方法不仅将电网调度运行人员从繁重的限值修改中解脱出来，并且在电网运行方式和重要设备状态变化时，可以及时发现故障并快速处理。

但是，对于电网运行过程中，电力设备存在的安全隐患并不能很好地发现并剔除，一旦存在安全隐患的设备发生故障，将给电网运行带来极大的损失，不能满足电网安全稳定运行需求。

发明内容

针对现有技术的不足，本发明所要解决的技术问题在于提供一种基于决策树算法的电力设备运行风险分析评估方法。

为实现上述发明目的，本发明采用下述的技术方案：

一种基于决策树算法的电力设备运行风险分析评估方法，包括如下步骤：

S1，获得已退役设备退役前的运行数据；

S2，将获得的所述运行数据作为训练元祖，将训练元组按属性进行划分，提取特征属性，依据特征属性的优先级构建决策树；

S3，采用决策树算法，将电力监控设备的实时数据带入决策树的根节点，并按照每级节点对应的电力设备属性值选择输出分支，直至到达叶子节点，根据叶子节点存储的内容输出分析结果。

其中较优地，在步骤S2中，将训练元组按属性进行划分，提取特征属性，依据特征属性的优先级构建决策树，包括如下步骤：

S21，将训练元组按属性进行划分，计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，并设置优先级为1，作为决策树的一级中间节点，所述特征属性的类别作为一级分支；

S22，按照特征属性的类别种类将训练元组进行划分，训练群组将已经判定为特征属性的属性去除，并判断所述特征属性是否存在使运行类别为退役的类别，如果存在，则所述类别对应的下一节点为叶子节点，所述叶子节点中存储所述退役的运行类别，转向步骤S23；否则，直接转向步骤S23；

S23，在每个新划分的训练群组中计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，并设置优先级为t，作为决策树的t级中间节点，其中t＝2，3，4……N，N为正整数；

S24，重复步骤S22～S23，直至新划分的训练群组中只存在一个属性，将所述属性作为特征属性，所述特征属性的类别对应的运行类别均存储在下一分支的叶子节点中，决策树构建完成。

其中较优地，在步骤S21中，将训练元组按属性进行划分，计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，包括如下步骤：

S211，获取训练元组的属性，计算训练元组对于属性的m个类别种类的熵，采用如下公式：

$\inf o\left(D\right)=\underset{i=1}{\overset{m}{\Σ}}-p_i{\log }_2\left(p_i\right);$

其中，D为训练元组，p_i表示属性A的类别i在整个训练元组D中出现的概率；

S212，将训练元组按照属性A进行划分，计算属性A对训练元祖划分的期望信息，采用如下公式：

${\mathrm{info}}_A\left(D\right)=\underset{j\∈Values\left(A\right)}{\Σ}\frac{\left|D_j\right|}{\left|D\right|}\inf o\left(D_j\right);$

其中，Values(A)表示属性A的属性值集合，j表示一个属性值，D_j是训练元组D中属性值为j的子集；

S213，采用如下公式计算属性A的信息增益：

gain(D，A)＝info(D)-info_A(D)；

S214，依次从训练元组中取出属性，重复步骤S211～S213，直至得到训练元组中所有属性的信息增益，对所有属性的信息增益进行排序，息增益值最大的属性即为特征属性。

其中较优地，在步骤S23中，如果特征属性不同类别的分组中，通过信息增益选择出的下一优先级的特征属性相同，则将选择出相同优先级的特征属性的所述不同分组进行合并。

其中较优地，在步骤S3中，采用决策树算法，将电力设备的实时数据带入决策树的根节点，并按照每级节点对应的电力设备属性值选择输出分支，直至到达叶子节点，根据叶子节点存储的内容输出分析结果，包括如下步骤：

获取电力设备运行的实时数据；

将实时数据带入决策树的根节点；

根据每级节点存储的特征属性，获取电力设备对应属性的实时数据；

按照所述对应属性的属性值选择输出分支，直至到达叶子节点，将叶子节点存放的运行类别作为分析结果输出。

其中较优地，所述的基于决策树算法的电力设备运行风险分析评估方法，还包括如下步骤：

S4，当所述叶子节点输出分析结果为退役时，给出“设备退役”建议，否则进行下一电力设备的判断。

本发明所提供的基于决策树算法的电力设备运行风险分析评估方法，通过对已退役设备退役前一段时间的告警数据以及设备缺陷数据的分析总结构建决策树；采用决策树算法将电力设备的实时数据带入决策树的根节点，并按照每级节点存储的特征属性对应的电力设备属性值选择输出分支，直至到达叶子节点，根据叶子节点存储的内容输出分析结果。该方法通过对电力设备进行风险分析评估，准确地了解设备状态，对设备进行合理安排，对即将停用、检修的设备提出及时合理的退役建议。

附图说明

图1为本发明所提供的基于决策树算法的电力设备运行风险分析评估方法的流程图；

图2为本发明所提供的一个实施例中，选取一级中间节点后构建的部分决策树的结构示意图；

图3为本发明所提供的一个实施例中，选取二级中间节点后构建的部分决策树的结构示意图；

图4为本发明所提供的一个实施例中，选取二级中间节点进行分支合并后构建的部分决策树的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。

如图1所示，本发明所提供的基于决策树算法的电力设备运行风险分析评估方法，包括如下步骤：首先，获得已退役设备退役前一段时间的告警数据以及设备缺陷数据；然后，将获得的告警数据以及设备缺陷数据作为训练元祖，将训练元组按属性进行划分，提取特征属性，依据特征属性的优先级构建决策树；最后，采用决策树算法，将电力设备实时数据带入决策树的根节点，并按照每级节点存储的特征属性对应的电力设备的属性值选择输出分支，直至到达叶子节点，根据叶子节点存储的内容输出分析结果。下面对这一过程做详细具体的说明。

S1，获得已退役设备退役前一段时间的运行数据，包括告警数据以及设备缺陷数据。

获得已退役设备退役前一段时间的告警数据以及设备缺陷数据，通过对这些数据进行分析归纳，得到设备整个运行周期的运行特点，通过对这些运行特点进行分析，对现有未退役的电力设备进行判断，当电力设备运行产生需要退役的数据时，及时让电力设备退役，可以有效地消除安全隐患。对已退役设备退役前一段时间的告警数据以及设备缺陷数据的分析归纳以及对现有未退役的电力设备进行判断在后续进行详细的描述，在此便不再赘述了。其中，一段时间可以是2年每个月的告警数据以及设备缺陷数据，也可以是1年每10天的告警数据以及设备缺陷数据，根据需要以及实际情况进行提取。

S2，将获得的告警数据以及设备缺陷数据作为训练元祖，将训练元组按属性进行划分，提取特征属性，依据特征属性的优先级构建决策树。

决策树是一个树结构(可以是二叉树或非二叉树)。在本发明所提供的实施例中，构建的决策树的每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶子节点存放一个运行类别。使用决策树进行分析的过程就是从根节点开始，测试待分类项(待分类设备)中相应的属性，并按照其属性值选择输出分支，直到到达叶子节点，将叶子节点存放的运行类别作为分析结果。

决策树的构造过程不依赖领域知识，它使用属性选择度量来将元组最好地划分成不同的特征属性。所谓决策树的构造就是通过属性选择度量确定各个特征属性以及各个特征属性之间的拓扑结构。

将训练元组按属性进行划分，提取特征属性，依据特征属性的优先级构建决策树，具体包括如下步骤：

S21，将训练元组按属性进行划分，计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，并设置优先级为1，作为决策树的一级中间节点，信息增益值最大的属性(特征属性)的类别作为一级分支。

在构建决策树之前，先获取已退役设备退役前一段时间的告警数据以及设备缺陷数据，并将其作为训练元组，在本发明所提供的第一实施例中，获取训练元组中的一部分数据进行说明。如表1所示，为已退役设备部分记录信息表。

表1已退役设备部分记录信息表

将训练元组按属性进行划分，在表1所示的训练样例中，训练元组分为4个属性：检修频率、故障、缺陷和告警；计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，并设置优先级为1，作为决策树的一级中间节点，信息增益值最大的属性的类别作为一级分支。

从信息论知识中得知，期望信息越小，信息增益越大，从而纯度越高。所以构建决策树的核心思想就是选择分裂后信息增益最大的属性作为特征属性，再进行下一步分裂。其中，核心部分就是计算每个属性的信息增益，根据信息增益获得特征属性，具体包括如下步骤：

S211，获取训练元组的属性，计算训练元组对于属性的m个类别种类的熵info(D)，采用如下公式：

$\inf o\left(D\right)=\underset{i=1}{\overset{m}{\Σ}}-p_i{\log }_2\left(p_i\right);$

其中，D为训练元组，p_i表示属性A的类别i在整个训练元组D中出现的概率，可以用属于此类别的元素的数量除以训练元组中元素总数量作为估计。熵的实际意义表示是训练元组D中元组的类别标号所需要的平均信息量。

在表1所示的训练样例中，例如属性A取检修频率，则属性A的类别种类为3种：高、中、低，即m＝3。P_高表示属性A的类别：高在整个训练元组D中出现的概率，P_高＝4/14。

S212，将训练元组按照属性A进行划分，计算属性A对训练元祖划分的期望信息，采用如下公式：

${\mathrm{info}}_A\left(D\right)=\underset{j\∈Values\left(A\right)}{\Σ}\frac{\left|D_j\right|}{\left|D\right|}\inf o\left(D_j\right);$

其中，Values(A)表示属性A的属性值集合，j表示一个属性值，D_j是训练元组D中属性A的值为j的子集。

S213，采用如下公式计算属性A的信息增益，信息增益即为两者的差值：

gain(D，A)＝info(D)-info_A(D)；

S214，依次从训练元组中取出属性，重复步骤S211～S213，直至得到训练元组中所有属性的信息增益，对所有属性的信息增益进行排序，息增益值最大的属性即为特征属性。

在表1所示的训练样例中，训练元组中四个属性的信息增益分别为：

gain(D，检修频率)＝0.246；

gain(D，缺陷)＝0.151；

gain(D，告警)＝0.048；

gain(D，故障)＝0.029；

对所有属性的信息增益进行排序，信息增益值最大的属性：检修频率即为特征属性。即根据信息增益标准，属性检修频率在训练样例上提供了对电力设备是否退役的最佳预测，检修频率优先级为1，作为决策树的一级中间节点，检修频率的类别(高、中、低)作为一级分支。

S22，按照特征属性的类别种类将训练元组进行划分，训练群组中将已经判定为特征属性的属性去除；并判断该特征属性是否存在使运行类别为退役的类别，如果存在，则该种类类别对应的下一节点为叶子节点，该叶子节点中存储该退役的运行类别，转向步骤S23；否则，直接转向步骤S23。

按照特征属性的类别种类将训练元组进行划分，训练群组中将已经判定为特征属性的属性去除，在表1所示的训练样例中，特征属性：检修频率的类别种类为三种：高、中、低。按照类别种类将训练元组划分为三组，将训练元组中已经判定为特征属性的检修频率去除，表示为：

D_中＝{广宁寺变#1主变，金家变#1主变，连丰变#2主变，胜利变#1主变，大潭变#1主变}

D_低＝{宫家变#1主变，宫家变#2主变，宫家变#3主变，胜利变#2主变，周水子变#2主变}

D_高＝{金马变#1主变，连丰变#1主变，大潭变#2主变，周水子变#1主变}

并判断该特征属性是否存在使运行类别为退役的类别种类，当检修频率的类别种类为高时，设备的运行类别为退役。所以将该种类类别为高的分支，所对应的下一节点设置为叶子节点，如图2所示，该叶子节点中存储该退役的运行类别；在本训练样例中直接展示为退役。然后转向步骤S23。S23，在每个新划分的训练群组中计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，并设置优先级为t，作为决策树的t级中间节点，其中t＝2，3，4……N，N为正整数。

在每个新划分的训练群组中计算每个属性的信息增益，在表1所示的训练样例中，新划分为2个训练群组，在每个群组中计算每个属性的信息增益，计算结果如下：

gain(D_中，缺陷)＝0.970-(3/5)0.0-(2/5)0.0＝0.970；

gain(D_中，故障)＝0.970-(2/5)1.0-(2/5)1.0-(1/5)0.0＝0.570；

gain(D_中，告警)＝0.970-(2/5)1.0-(3/5).918＝0.019；

对所有属性的信息增益进行排序，信息增益值最大的属性：缺陷即为特征属性。并设置优先级为2，作为决策树的2级中间节点，如图3所示。

按照特征属性的类别种类将训练元组进行划分，训练群组中将已经判定为特征属性的属性去除，在表1所示的训练样例中，特征属性：缺陷的类别种类为两种：一般和严重。按照类别种类将训练元组划分为两组，将训练元组中已经判定为特征属性的检修频率去除，表示为：

D_中，一般＝{广宁寺变#1主变，金家变#1主变，连丰变#2主变}

D_中，严重＝{胜利变#1主变，大潭变#1主变}

并判断该特征属性是否存在使运行类别为退役的类别种类，当缺陷的类别种类为严重时，设备的运行类别为退役。所以将该种类类别为严重的分支，所对应的下一节点设置为叶子节点，该叶子节点中存储该退役的运行类别；在本训练样例中直接展示为退役。然后转向步骤S23。对于表1所示的训练样例中，特征属性：检修频率的类别种类为低时的处理方法，其和类别种类为高时的处理方法，在此便不再赘述了。另外，当检修频率的类别种类为低时，在群组中计算每个属性的信息增益，如果属性的信息增益的排序和检修频率的类别种类为高时属性的信息增益的排序相同，则将检修频率的类别种类为低时与检修频率的类别种类为高时的分支合并成一个，对应同一个下一级中间节点，如图4所示。即，如果在特征属性不同类别的分组中，通过信息增益选择出的下一优先级的特征属性相同，则将选择出相同优先级的特征属性的分组合并。

S24，重复步骤S22～S23，直至新划分的训练群组中只存在一个属性，将该属性作为特征属性，该特征属性的类别对应运行类别均存储在下一级的叶子节点中，决策树构建完成。运行类别即为对该电力设备的分析结果。

重复步骤S22～S23，直至新划分的训练群组中只存在一个属性，例如：故障，将该属性作为特征属性，该特征属性的类别对应的运行类别均存储在下一级的叶子节点中，在表1所示的训练样例中，运行类别直接表示为退役不退役两种，决策树构建完成。

决策树的关键步骤是分裂属性。所谓分裂属性就是在某个节点处按照某一特征属性的不同划分构造不同的分支，其目标是让各个分裂子集尽可能地“纯”。尽可能“纯”就是尽量让一个分裂子集中待分类项属于同一类别，使用属性划分的一个子集进行测试，按照“属于此子集”和“不属于此子集”分成两个分支。

S3，采用决策树算法，将电力设备的实时数据带入决策树的根节点，并按照每级节点存储的特征属性对应的电力设备属性值选择输出分支，直至到达叶子节点，根据叶子节点存储的内容输出分析结果。

在使用决策树算法之前，先判断电力设备的设备类型，根据该电力设备的设备类型选取同类型的已退役设备退役前的运行数据构建的决策树。然后，采用决策树算法，将实时数据带入决策树的根节点，并按照每级节点存储的特征属性对应的电力设备属性值选择输出分支，直至到达叶子节点，根据叶子节点存储的内容输出分析结果，具体包括如下步骤：

获取电力设备运行的实时数据，其中，电力设备包括电力运行设备和电力监控设备；

将实时数据带入决策树的根节点；

根据每级节点存储的特征属性，获取电力设备对应属性的实时数据；

按照属性值选择输出分支，直至到达叶子节点，将叶子节点存放的运行类别作为分析结果输出。

S4，使用此决策树算法对当前电力设备进行风险评估，如果叶子节点分析结果为退役，则给出“设备退役”建议，否则进行下一电力设备的判断。

综上所述，本发明所提供的基于决策树算法的电力设备运行风险分析评估方法，通过对已退役设备退役前一段时间的告警数据以及设备缺陷数据的分析总结构建决策树；采用决策树算法将电力设备的实时数据带入决策树的根节点，并按照每级节点存储的特征属性对应的电力设备属性值选择输出分支，直至到达叶子节点，根据叶子节点存储的内容输出分析结果。该方法通过对电力设备进行风险分析评估，准确地了解电力设备状态，对电力设备进行合理安排，对即将停用、检修的设备提出及时合理的退役建议。除此之外，该方法可以协助监控人员及时掌握电网运行中存在隐患的电力设备，保证电网安全稳定运行。

上面对本发明所提供的基于决策树算法的电力设备运行风险分析评估方法进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (6)

1.一种基于决策树算法的电力设备运行风险分析评估方法，其特征在于包括如下步骤：

S1，获得已退役设备退役前的运行数据；

S2，将获得的所述运行数据作为训练元祖，将训练元组按属性进行划分，提取特征属性，依据特征属性的优先级构建决策树；

S3，采用决策树算法，将电力监控设备的实时数据带入决策树的根节点，并按照每级节点对应的电力设备属性值选择输出分支，直至到达叶子节点，根据叶子节点存储的内容输出分析结果。

2.如权利要求1所述的基于决策树算法的电力设备运行风险分析评估方法，其特征在于在步骤S2中，将训练元组按属性进行划分，提取特征属性，依据特征属性的优先级构建决策树，包括如下步骤：

S21，将训练元组按属性进行划分，计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，并设置优先级为1，作为决策树的一级中间节点，所述特征属性的类别作为一级分支；

S22，按照特征属性的类别种类将训练元组进行划分，训练群组将已经判定为特征属性的属性去除，并判断所述特征属性是否存在使运行类别为退役的类别，如果存在，则所述类别对应的下一节点为叶子节点，所述叶子节点中存储所述退役的运行类别，转向步骤S23；否则，直接转向步骤S23；

S23，在每个新划分的训练群组中计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，并设置优先级为t，作为决策树的t级中间节点，其中t＝2，3，4……N，N为正整数；

S24，重复步骤S22～S23，直至新划分的训练群组中只存在一个属性，将所述属性作为特征属性，所述特征属性的类别对应的运行类别均存储在下一分支的叶子节点中，决策树构建完成。

3.如权利要求2所述的基于决策树算法的电力设备运行风险分析评估方法，其特征在于在步骤S21中，将训练元组按属性进行划分，计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，包括如下步骤：

S211，获取训练元组的属性，计算训练元组对于属性的m个类别种类的熵，采用如下公式：

$\inf o\left(D\right)=\underset{i=1}{\overset{m}{\Σ}}-p_i{\log }_2\left(p_i\right);$

其中，D为训练元组，p_i表示属性A的类别i在整个训练元组D中出现的概率；

S212，将训练元组按照属性A进行划分，计算属性A对训练元祖划分的期望信息，采用如下公式：

${\mathrm{info}}_A\left(D\right)=\underset{j\∈Values\left(A\right)}{\Σ}\frac{\left|D_j\right|}{\left|D\right|}\inf o\left(D_j\right);$

其中，Values(A)表示属性A的属性值集合，j表示一个属性值，D_j是训练元组D中属性值为j的子集；

S213，采用如下公式计算属性A的信息增益：

gain(D，A)＝info(D)-info_A(D)；

S214，依次从训练元组中取出属性，重复步骤S211～S213，直至得到训练元组中所有属性的信息增益，对所有属性的信息增益进行排序，息增益值最大的属性即为特征属性。

4.如权利要求2所述的基于决策树算法的电力设备运行风险分析评估方法，其特征在于：

在步骤S23中，如果特征属性不同类别的分组中，通过信息增益选择出的下一优先级的特征属性相同，则将选择出相同优先级的特征属性的所述不同分组进行合并。

5.如权利要求1所述的基于决策树算法的电力设备运行风险分析评估方法，其特征在于在步骤S3中，采用决策树算法，将电力设备的实时数据带入决策树的根节点，并按照每级节点对应的电力设备属性值选择输出分支，直至到达叶子节点，根据叶子节点存储的内容输出分析结果，包括如下步骤：

获取电力设备运行的实时数据；

将实时数据带入决策树的根节点；

根据每级节点存储的特征属性，获取电力设备对应属性的实时数据；

按照所述对应属性的属性值选择输出分支，直至到达叶子节点，将叶子节点存放的运行类别作为分析结果输出。

6.如权利要求1所述的基于决策树算法的电力设备运行风险分析评估方法，其特征在于还包括如下步骤：

S4，当所述叶子节点输出分析结果为退役时，给出“设备退役”建议，否则进行下一电力设备的判断。