CN107967199A - 一种基于关联规则挖掘的电力设备温度预警分析方法 - Google Patents

Abstract

本发明公开一种基于关联规则挖掘的电力设备温度预警分析方法，对电力设备的温度特性及多方面的影响因素进行全方位分析，建立电力设备温度特性分析模型；根据分析模型，建立关于电力设备温度状态的多个影响因素的事务集合；提出一种改进的关联规则挖掘算法，使用一种自上而下的方法找到频繁项集，将频繁项集划分为存储桶的散列函数；此外，消除候选集中的非频繁项集，大大减少寻找频繁项集时的迭代次数，从而节省时间和空间；最后，建立关联规则，找到多个影响因素与设备温度状态的关联关系，通过对影响因素的实时监控，实现设备温度的及时预警。

Description

一种基于关联规则挖掘的电力设备温度预警分析方法

技术领域

本发明涉及电力设备领域，更具体地，涉及一种基于关联规则挖掘的电力设备温度预警分析方法。

背景技术

随着人们生产生活活动对电力越来越依赖,安全稳定运行的电网系统显得尤为重要,它是社会稳定,工业生产和居民生活的重要保障。而保障电力设备的安全运行则是电网系统安全稳定运行的基础。电力设备的运行温度一直以来就是电力设备运行维护人最为关心的参数之一,而且大多数电力设备故障形成与发展过程中都伴随着电力设备的异常发热和升温,因此，对电力通信网下的电力设备的温度进行现行状态分析和运行趋势分析，并对异常情况进行及时预警既有安全意义，也有经济意义。

电力机柜是用于存放电力设备和专业电力布线的设备，是电力系统中重要的电力设备，机柜的运行良好关系到电力系统的正常稳定运行。通信机房作为各类电力设备控制和管理的基础设施，其安全运行至关重要。为了保持安全的运行环境，通信机房通常处于密闭状态，各类设备的不间断运行会导致通信机房温度不断升高。因此，电力系统机柜和通信机房的温度分析与预警是正常工作中必不可少的环节。目前，常用的设备运行趋势分析和预警的智能分析方法主要有时间序列分析法、神经网络、粗糙集理论和关联规则等。现有的设备状态分析与预警方法大多通过对设备的历史状态数据进行智能分析，但很少将设备温度的多个影响因素与温度状态数据结合进行综合性研究，其算法复杂，带来大量的资源开销，并且计算时间较长。因此，对电力设备的温度特性以及多方面的影响因素进行研究，实现设备的运行趋势分析和预警具有重要的研究价值。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于关联规则挖掘的电力设备温度预警分析方法。

为解决上述技术问题，本发明的技术方案如下：

如图1所示，一种基于关联规则挖掘的电力设备温度预警分析方法，包括以下步骤：

S1：分析电力设备的温度特性及其他影响因素，建立电力设备温度特性分析模型；

对电力设备的温度特性以及多方面的影响因素进行研究，在不同的因素影响下，电力设备呈现的温度状态是不同的。电力设备属于电流致热型设备，影响电力设备温度变化的因素首先包括负荷电流的大小和导体接触电阻，根据焦耳定律，电流流过导体产生的热效应为Q＝I²Rt，其中I是电流强度，R是电阻强度。同时，电力设备温度与导体环境温度存在明显的关联，本发明基于环境温度，结合上述电力设备电流致热分析，建立设备温度特性分析模型T＝T_amb+CI²R。

其中，T是电力设备表面温度,T_amb是设备环境温度,C是常数，单位为K/W。由于电力环境中，电力设备电流变化不明显、不频繁，电阻是设备的内在固有属性，因此，本发明主要从电力设备的环境温度来对电力设备温度进行状态趋势分析和预警。

电力设备在过高和过低的环境温度下，表面温度会有几十摄氏度的差别，智能分析时应予以考虑；此外，由于电力设备发热后还存在着一个散热的过程(热量传递过程)，散热条件不好、日照的强度很高都将导致设备温度升高。导致设备环境条件差异较大的影响因素如下表1所示：

表1对电力设备影响较大的因素

S2：根据电力设备温度特性分析模型，建立关于电力设备温度状态的多个影响因素的事务集合；

在对电力设备的温度状态进行分析时，首先，在某特定地理范围内，随机、随时、随地采集n组关于多个影响因素与电力设备温度的实时数据；然后，为每个影响因素设定一个添加条件，分析每一组数据，若影响因素的真实数据满足添加条件，则将该影响因素对应的编号添加到本条事务对应的项集中。电力设备的温度范围为0℃-45℃，建议温度为15℃-30℃。在这里仅对影响电力设备温度高于建议温度范围的情况进行分析，低于建议温度的范围的情况与之类似，如表2所示。

表2对影响电力设备温度高于建议温度范围的情况进行分析

S3：提出一种改进的关联规则挖掘算法，使用自上而下的方法找到频繁项集；

根据Apriori算法以自下而上的广度优先搜索方式运行，从最小的频繁项集开始，向上移动，直到达到最大频繁项集。本发明提出一种以自上而下的方式寻找频繁项集的方法，从最大的频繁项集开始，向下移动，不断对最大频繁项集进行剪枝。维护一个项集列表，扫描数据库时，计算候选项集的支持度，以查看它们是否真正是频繁的，频繁项集的所有子集也是频繁的，因此可以将其从要扫描的列表中删除，以此来提高算法工作效率。

S4：建立关联规则，找到多个影响因素与电力设备温度状态的关联关系；

建立关联规则，找到多个影响因素与设备温度状态的关联关系：

频繁项集为{3,5,7}，其非空子集为{3,5,7}，{3,5}，{3,7}，{5,7}，{3}，{5}和{7}。得到关联规则及对应的置信度如下表3：

表3关联规则及对应的置信度

获取置信度大于85％且预警分析对象为结果的关联规则。

S5：对电力设备温度状态进行智能分析和运行趋势预警。

在开启新一轮的预警分析后，获取通过上述算法所推出的全部关联规则，完成针对每个关联规则的分析。

根据置信度为σ的关联规则：

其中，X₁,X₂,X₃,…,X_n为电力设备温度的多个影响因素，Y为结果，即电力设备的温度状态。

对电力设备状态进行实时监控，基于现场运维感知信息，获取X中包含的影响因素X₁,X₂,X₃,…,X_n的实时数值。若影响因素X₁,X₂,X₃,…,X_n均达到了相应的添加条件，说明Y在置信度为σ的情况下成立。即在可能性为σ的情况下，电力设备温度可能在未来的某个时刻，超过电力设备运行的建议温度，30摄氏度，完成基于现场运维感知信息的主动预警。此时，需要重点关注电力设备的温度状态情况，及时采取相关措施对造成该电力设备温度预警的影响因素X₁,X₂,X₃,…,X_n进行抑制，避免出现电力设备过度升温的情况。

在一种优选的方案中，步骤S3中所述的一种改进的关联规则挖掘算法，包括以下步骤，

Y1：计算每个项在事务集中出现的次数；

如表4所示，事务集合的事务数目为15条，最小支持度＝20％，最小支持阈值＝20*15/100＝3，最小置信度＝85％。

表4 15条事务集合的事务

事务编号	项集
		1	1,5,6,8
2	2,4,8
		3	4,5,7
4	2,3
		5	5,6,7
6	2,3,4
		7	2,6,7,9
8	5
		9	8
10	3,5,7
		11	3,5,7
12	5,6,8
		13	2,4,6,7
14	1,3,5,7
		15	2,3,9

计算每个项在事务集中出现的次数，如表5所示：

表5计算每个项在事务集中出现的次数

Y2：根据1-项集，生成S类-项集集合；根据S类-项集集合，对最大频繁项集M进行剪枝；

若S＝{a,b}，M＝{a,b,c}，则剪枝后得到M＝{{b,c},{a,c}}。

根据步骤1的结果，将项集分类到L和S中，则：

M＝{1,2,3,4,5,6,7,8,9}

L＝{2,3,4,5,6,7,8}

S＝{1,9}

剪枝后，

Y3：根据第一次剪枝后的最大频繁项集M，生成2-项集，并且根据高于和低于最小支持度分为L和S两类项集集合，项集的支持度如表6所示；

表6项集的支持度

分类得，

L＝{{2,3},{2,4},{3,5},{3,7},{5,6},{5,7},{6,7}}

Y4：根据最新的S类-项集集合，持续对最新的最大频繁项集M＝{2,3,4,5,6,7,8}进行剪枝，直到得出最高支持度的最大频繁项集M。

针对S类-项集集合中的{2,5}，移除2得到{3,4,5,6,7,8}，然后移除5得到{2,3,4,6,7,8}。

得到，

M＝{{2,3,4,6,7,8},{3,4,5,6,7,8}}

针对S类-项集集合中的{2,6}，移除2得到{3,4,6,7,8}，然后移除6得到{2,3,4,7,8}

不需要对{3,4,5,6,7,8}进行剪枝，因为它不包含{2,6}中的2。

得到，

M＝{{3,4,6,7,8},{2,3,4,7,8},{3,4,5,6,7,8}}，

因为{3,4,6,7,8}是{3,4,5,6,7,8}的子集，因此在此自顶而下的方法中，使用超集即可。

得到，

M＝{{2,3,4,7,8},{3,4,5,6,7,8}}，

以此类推，如表7所示持续根据S类-项集集合对最大频繁项集M进行剪枝。

表7持续根据S类-项集集合对最大频繁项集M进行剪枝

得到最终结果M＝{{3,5,7},{8},{5,6,7},{4,5},{2,3},{2,4}}，其中，包含2个3-项集，{3,5,7}和{5,6,7}，{3,5,7}的支持度为3，{5,6,7}的支持度为1，因此，频繁项集为{3,5,7}，而且其所有子集也是频繁的。

在一种优选的方案中，在每个步骤中，在生成候选项集之后，将它们分成两类；其支持度高于最低支持阈值的为L类-项集集合，其支持度低于最小支持阈值的为S类-项集集合，将最大候选项目集M中所有支持度小于最小支持阈值的项进行修剪。

在一种优选的方案中，所述的支持度为候选项集的频繁度。

与现有技术相比，本发明技术方案的有益效果是：一种基于关联规则挖掘的电力设备温度预警分析方法，对电力机柜和电力机房的温度特性及多方面的影响因素进行全方位分析，建立设备温度特性分析模型；根据分析模型，建立关于电力设备温度状态的多个影响因素的事务集合；提出一种改进的关联规则挖掘算法，与Apriori算法结合使用，使用一种自上而下的方法找到频繁项集，将频繁项集划分为存储桶的散列函数，此外，消除候选集中的非频繁项集，大大减少寻找频繁项集时的迭代次数，从而节省时间和空间；最后，建立关联规则，找到多个影响因素与设备温度状态的关联关系，通过对影响因素的实时监控，实现设备温度的及时预警。

附图说明

图1为本发明的方法流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

为验证本发明提出方法的有效性，在某地区范围内对15台电力机柜的实验数据进行分析，其详细数据如下表所示，其中，表格的每一列代表一台电力机柜，表格的每一行代表一种影响因素，表格的内容区域包含15台电力机柜的全部现场运维感知历史数据，如表8所示。

表8 15台电力机柜的全部现场运维感知历史数据

根据关联规则挖掘算法得关联规则以及对应的置信度如下表9：

表9根据关联规则挖掘算法得关联规则以及对应的置信度

根据关联规则可知，影响因素2、影响因素3、影响因素6、影响因素7和影响因素8对电力设备温度状态的影响较大，即月份、天气、风扇状态、空调状态和排风系统。尤其，月份处于6月～9月且晴天的情况下，天气晴朗且风扇系统没有正常运转的情况下，风扇系统和空调系统均没有正常运转的情况下，或者风扇系统和排风系统均没有正常运转的情况下，该地区的电力设备的温度状态受到较大影响，且很有可能发生电力设备温度上升甚至超过最大建议温度30摄氏度的情况。因此，在上述4种情况下，相关部门应当加大对电力设备温度数据的实时监控力度，适时通风，适时调整空调系统和风扇系统，避免设备的过度发热和升温，保障电力设备的安全运行。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种基于关联规则挖掘的电力设备温度预警分析方法，其特征在于，包括以下步骤：

S1：分析电力设备的温度特性及其他影响因素，建立电力设备温度特性分析模型；

S2：根据电力设备温度特性分析模型，建立关于电力设备温度状态的多个影响因素的事务集合；

S3：提出一种改进的关联规则挖掘算法，使用自上而下的方法找到频繁项集；

S4：建立关联规则，找到影响因素与电力设备温度状态的关联关系；

S5：对电力设备温度状态进行智能分析和运行趋势预警。

2.根据权利要求1所述的基于关联规则挖掘的电力设备温度预警分析方法，其特征在于，步骤S1中所述的其他影响因素包括时间、月份、天气、实时环境温度、日平均温度、风扇状态、空调状态、排风系统、规划建设情况以及电力设备温度。

3.根据权利要求1所述的基于关联规则挖掘的电力设备温度预警分析方法，其特征在于，步骤S3中所述的一种改进的关联规则挖掘算法，包括以下步骤，

Y1：计算每个项在事务集中出现的次数；

Y2：根据1-项集，生成S类-项集集合；根据S类-项集集合，对最大频繁项集进行剪枝；

Y3：根据第一次剪枝后的最大频繁项集，生成2-项集，并且根据高于和低于最小支持度分为L和S两类项集集合；

Y4：根据最新的S类-项集集合，持续对最新的最大频繁项集进行剪枝，直到得出最高支持度的最大频繁项集。

4.根据权利要求3所述的基于关联规则挖掘的电力设备温度预警分析方法，其特征在于，在每个步骤中，在生成候选项集之后，将它们分成两类；其支持度高于最低支持阈值的为L类-项集集合，其支持度低于最小支持阈值的为S类-项集集合。

5.根据权利要求3或者4所述的基于关联规则挖掘的电力设备温度预警分析方法，其特征在于，所述的支持度为候选项集的频繁度。