CN111125078A - 一种继电保护装置缺陷数据修正方法 - Google Patents
一种继电保护装置缺陷数据修正方法 Download PDFInfo
- Publication number
- CN111125078A CN111125078A CN201911313948.1A CN201911313948A CN111125078A CN 111125078 A CN111125078 A CN 111125078A CN 201911313948 A CN201911313948 A CN 201911313948A CN 111125078 A CN111125078 A CN 111125078A
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- grading
- attribute
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 190
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012937 correction Methods 0.000 title claims abstract description 48
- 238000012423 maintenance Methods 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000008030 elimination Effects 0.000 claims abstract description 11
- 238000003379 elimination reaction Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000002715 modification method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012986 modification Methods 0.000 abstract description 2
- 230000004048 modification Effects 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 101100027969 Caenorhabditis elegans old-1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用于决策树分析的继电保护装置缺陷数据定级修改方法。首先，进行缺陷定级结果相异数据筛选。将缺陷属性与缺陷定级结果对应后，筛选缺陷属性集赋值结果一致但定级结果冲突数据作为待处理对象。其次，对待修正数据生成定级分类树，有分类规则支撑的数据按分类结果统一。无分类规则支撑的根据实际运维中对缺陷定级要求及消除缺陷规定进一步确定数据修正方法。最后，通过具体程序实现几种不同定级结果分布情况下的数据修正，与原始数据对比修正前后缺陷定级结果分布情况。上述方法同时考虑了实际运维条件和决策树分析方法对数据准确性的要求，并根据比例比较法和向上修改原则对数据修正，更符合大数据方法的数据需求。
Description
技术领域
本发明涉及继电保护装置缺陷分析技术领域，尤其涉及一种综合考虑实际运维条件和用于决策树分析的继电保护装置缺陷数据修改方法。
背景技术
继电保护系统作为保证电网安全的第一道防线，构成该防线的装置数目日益增长，总体呈现出种类繁多、型号各异的特征。然而，因外界干扰、部件老化、设计缺失等因素，继电保护装置发生缺陷在所难免，继而引起装置失效从而影响继电保护系统可靠性，威胁电网安全。近年来，大型电力系统互联及其频繁发生的大事故表明，大停电事故往往和继电保护设备的不正确动作相关，值得注意的是，继电保护装置缺陷作为不正确动作行为的引起因素之一，缺陷数据分析的工作重要性日益凸显。
目前，继电保护行业已经积累了大量的继电保护装置缺陷信息数据。伴随着缺陷数据量的增长，传统数据分析方法开始向机器学习算法过渡，这为缺陷数据的分析提供了新的思路。在众多机器学习算法中，决策树算法作为一种对高维数据进行分类的数据挖掘方法，可提供由若干节点和分支构成的树状图形，形象直观地描述可能出现的层次及状态。但是，该类缺陷分析技术对原始数据的准确度依赖性很高，因此，研究开展相关缺陷原始数据修正工作具有良好实际意义。
发明内容
本发明的目的是提供一种综合考虑实际运维条件和用于决策树分析的继电保护装置数据缺陷定级修改方法，该方法能较好地实现对缺陷属性相同但缺陷等级不同的数据的校准目标，为基于决策树方法建立缺陷定级模型提供可靠基础数据。
本发明的目的是通过以下技术方案实现的：
一种综合考虑实际运维条件和用于决策树分析的继电保护装置数据缺陷定级修改方法，所述方法包括：
步骤1、缺陷定级结果相异数据筛选。将缺陷属性与缺陷定级结果对应后，筛选缺陷属性集赋值结果一致但定级结果冲突数据作为待处理对象。
步骤2、对待修正数据生成定级分类树，有分类规则支撑的数据按分类结果统一。无分类规则支撑的根据实际运维中对缺陷定级要求及消除缺陷规定进一步确定数据修正方法。
步骤3、通过具体程序实现几种不同定级结果分布情况下的数据修正，与原始数据对比修正前后缺陷定级结果分布情况。
由上述本发明提供的技术方案可以看出，上述方法同时考虑了继电保护装置实际运维中的缺陷定级常用属性，且根据决策树分析方法对二义性数据的避免原则对缺陷数据中缺陷定级结果进行修正，修正结果不违背实际运维定级要求，且适用于决策树算法应用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的继电保护装置缺陷数据修正方法总体流程示意图；
图2为本发明实施例中继电保护装置缺陷数据修正所用算法的具体流程。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的继电保护装置缺陷数据修正方法总体流程示意图，所述方法包括：
步骤1、缺陷定级结果相异数据筛选。将缺陷属性与缺陷定级结果对应后，筛选缺陷属性集赋值结果一致但定级结果冲突数据作为待处理对象。
在该步骤1中，筛选缺陷属性集赋值结果一致但定级结果冲突的数据具体过程为：
首先，根据决策树学习算法，以信息增益为准则来选择缺陷属性。
建立度量样本集合纯度指标“信息熵”：
式中，D为样本集合，pk为第k类样本所占的比例,Ent(D)的值越小，则D的纯度越高。
在此基础上，计算用属性a对样本集D进行划分所获得的“信息增益”：
式中，假定离散属性a有V个可能的取值{a1,a2,a3,…,aV}，若使用a来对样本集D进行划分，则会产生V个分支结点，其中第v个分支结点包含了D中所有在属性a上取值为av的样本，记为Dv。根据式(1)计算出Dv的信息熵，再考虑到不同分支结点所包含的样本数不同，给分支结点赋予权重|Dv|/|D|，即样本数越多的分支结点的影响越大。
信息熵益越大，意味着使用属性a来进行划分所获得的“纯度越大”。因此，通过以下方法选择适用于决策树算法的缺陷属性：第一步，遍历所有缺陷数据包含属性，优先去除描述缺陷现象、缺陷持续时间和缺陷消除情况的属性；保留具有不同分支的属性将其统称为有效属性；第二步，计算各有效属性的信息增益并进行排序，从中选择处于前6位的缺陷属性。
其次，将所选择的属性分别进行赋值。具体的，从自然数0开始，由小到大对每一属性中所涉及到的分支属性进行赋值，直至每个属性的分支属性赋值完毕为止。得到赋值属性矩阵Am×n，其中m为缺陷数据条数，n为所选择属性个数。
随后，对缺陷等级属性按照0对应危急缺陷、1对应一般缺陷及2对应严重缺陷的赋值方法进行赋值。形成m条缺陷数据的结果矩阵Bm×1。将Am×n与Bm×1合并得到新的矩阵Cm×n+1即为包含缺陷属性与缺陷定级结果的数值矩阵。
最后，对进行分析获得需要修正的数据。具体的，按照行数将矩阵C分为m行的行向量，自第1行开始获取该属性集对应的缺陷定级结果分布情况，若与之一致的缺陷属性集仅出现一种定级结果，将包含该属性集的全部行向量集中作为有效数据；若与之一致的缺陷属性集出现两种或两种以上定级结果，将包含该属性集的全部行向量集中作为待修正数据。遍历整个矩阵后再从第2行开始重复以上过程，直到遍历所有缺陷属性集为止。。以此方法得到所有待修正的数据。
步骤2、对待修正数据生成定级分类树，有分类规则支撑的数据可不修正。无分类规则支撑的根据实际运维中对缺陷定级要求及消除缺陷规定进一步确定数据修正方法。
同一缺陷属性集所包含的不同分类结果数据会出现以下两种情况，第一种是各分类结果中某一类别比例很大而其余类别出现次数很少，即各个分类结果比例相差悬殊；第二种是各分类结果中各个类别出现的次数基本持平，即各个分类结果比例十分接近。对于第一种数据，决策树算法自带的剪枝功能可以自行将相异分类分支进行修剪，但是对于第二种数据算法会出现“信息增益”冲突从而直接规避该属性集包含的分类情况。
基于此，首先对待修正数据生成定级分类树，经过算法自身处理后，有分类规则支撑的数据即为上述第一种类型，将该类数据所包含的所有缺陷属性集对应结果按照分类树结果统一即可。无分类规则支撑的数据则根据实际运维中对缺陷定级要求及消除缺陷规定确定数据修正方法。
对于第二种数据，确立以下两种数据修正思路：
(1)同等条件下，向频次较多结果修正；
(2)同等条件下，向出现的结果中影响更大的修正。
联系生产实际中对缺陷定级的需求和易出现的问题具体展开数据修正方法，共包含两方面内容：
(1)实际运维过程中，不同地区不同人员面对同一缺陷现象，其主观分析影响缺陷定级结果。但在统一规范下缺陷属性相同的事件其定级应保持一致，因此，在修正过程中，主要考虑按占比大小作为数据修正的依据，将属性相同但占比小的缺陷定级结果向占比大的修正。
(2)继电保护装置缺陷等级主要包括危急、严重和一般三个等级，在实际运维中，一般缺陷通常能够通过装置自检或运维得以发现并及时消除，因此工程实践表明一般缺陷在总体缺陷数据中占比较少。危急和严重缺陷则多在装置运行过程中出现，且根据缺陷对继保系统或相关一次设备的影响确定严重等级，不同严重程度的缺陷决定了不同消缺时间和工作量，越严重的缺陷越能够引起运维人员重视。因此，采用向上修正的方法，在缺陷属性相同且定级结果比例一致的情况下，将缺陷等级低的结果向缺陷等级高的结果修正。
步骤3、通过具体程序实现几种不同定级结果分布情况下的数据修正，与原始数据对比修正前后缺陷定级结果分布情况。
在该步骤3中，数据修正算法依赖于待处理数据中相冲突缺陷定级结果各自所占比例，总体上是一种向更严重等级修正的方法，这一方法有效更改了实际填报数据中的错误判定结果，通过对比缺陷数据信息并查看相关缺陷信息记录，缺陷数据修正主要采取以下方法：
(1)当同属性下出现两种不同缺陷程度时，若不等比例，就通过少数服从多数将比例较少的进行改正。若两种缺陷程度等比例，则按程度更严重的进行修正。
(2)当同属性下出现三种不同缺陷程度时，若等比例，则统一划分到危急缺陷程度。若不等比例，就通过少数服从多数将比例较少两类的统一进行改正。
(3)当同属性下出现三种不同缺陷程度时，若其中有两种严重程度等比例且大于第三类，则修正为等比例中更为严重的程度。若其中有两种严重程度等比例且小于第三类，则修正为第三类缺陷严重程度。
其具体的修正所用算法如图2所示。
下面再以具体的实例对上述缺陷数据修正方法进行论证与说明：
该实施例利用某地区2009-2018年缺陷数据进行分析与修正，选取该数据的原因主要有：一方面，缺陷信息采集系统在2008年后投入，因此之前缺陷数据记录较少；另一方面，2008年以前对装置的健康状态评估多从异常情况分析着手，较少进行缺陷等级划分。缺陷数据总览如表1所示。
表1 2009年-2018年装置缺陷情况总览
| 年份 | 危急缺陷次数 | 严重缺陷次数 | 一般缺陷次数 | 合计 | 装置台数 | 缺陷率 |
| 2009年 | 1 | 40 | 128 | 169 | 39137 | 0.4318 |
| 2010年 | 28 | 58 | 103 | 189 | 45395 | 0.4163 |
| 2011年 | 23 | 32 | 181 | 236 | 51503 | 0.4582 |
| 2012年 | 49 | 170 | 355 | 574 | 57574 | 0.9969 |
| 2013年 | 77 | 235 | 173 | 485 | 65691 | 0.7383 |
| 2014年 | 195 | 169 | 123 | 487 | 75683 | 0.6434 |
| 2015年 | 163 | 105 | 77 | 345 | 84000 | 0.4107 |
| 2016年 | 199 | 104 | 106 | 409 | 91880 | 0.4451 |
| 2017年 | 227 | 133 | 96 | 456 | 99311 | 0.4591 |
| 2018年 | 461 | 334 | 241 | 1036 | 103567 | 1.0003 |
| 合计 | 1429 | 1385 | 1583 | 4397 | 103567 | 4.2455 |
缺陷数据记录属性齐全。通过数据可以明确看到是否辅助设备缺陷，从这一点出发，可以将缺陷数据分为两大类即辅助设备缺陷和非辅助设备缺陷进行定级建模。进一步的，针对辅助设备和非辅助设备，由公式(2)计算各个属性的信息增益以选取待赋值属性，具体的，将涉及到的缺陷属性分别罗列在表2中。
表2设备缺陷属性总览
通过对缺陷属性赋值，得到包含缺陷属性与缺陷定级结果的数值矩阵C。节选部分矩阵作为说明，如下表3所示：
表3赋值矩阵节选
如上表所示，相同缺陷信息属性赋值结果，缺陷定级结果会出现偏差。对于前10行数据，其定级结果共两类，其中严重等级比例远小于危急等级比例，其定级结果通过对待修正数据建立分类树并根据分类树中相关分类规则可进行结果统一。但对于后10行数据，其定级结果共两类，其中严重等级比例与危急等级比例接近，需要引入步骤3的算法进行修正。
与上述例子所采用方法一致，将4397条缺陷数据的定级结果修正，修正前后结果如下表所示：
表4修正前后缺陷分布总览
| 严重程度 | 危急 | 严重 | 一般 |
| 修正前 | 1429 | 1385 | 1583 |
| 修正后 | 1823 | 1460 | 1114 |
修正前同属性不同定级结果的数据最多达120种，共572条数据。修正后同属性缺陷其严重程度均保持一致，有效减少了数据偏差对大数据方法分析的干扰。此外，遵循向上修正原则的同时有效避免了全部归类为危急的极端情况。
如上述实验结果所示本发明所述方法适用于继电保护装置缺陷数据的定级结果修正，本专利可以为数据分析人员提供有效的数据修正方案，且修正结果有可靠的准确度。
综上，本发明所述的考虑实际运维条件和用于决策树分析的继电保护装置数据缺陷定级修改方法可行，且具有工程应用价值。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (4)
1.一种继电保护装置缺陷数据修正方法，其特征在于，所述方法包括：
步骤1、缺陷定级结果相异数据筛选；
将缺陷属性与缺陷定级结果对应后，筛选缺陷属性集赋值结果一致但定级结果相异数据作为待处理对象；
步骤 2、对待修正数据生成定级分类树，有分类规则支撑的数据按分类结果统一；
无分类规则支撑的根据实际运维中对缺陷定级要求及消除缺陷规定进一步确定数据修正方法；
步骤3、对不同定级结果分布情况下的数据修正，与原始数据对比修正前后缺陷定级结果分布情况。
2.根据权利要求1所述综合考虑实际运维条件和用于决策树分析的继电保护装置缺陷数据定级修改方法，其特征在于，基于决策树算法中“信息熵”和“信息增益”选择缺陷属性，得到赋值矩阵后选取待处理数据，具体包括：
首先，根据决策树学习算法，以信息增益为准则来选择缺陷属性，
建立度量样本集合纯度指标“信息熵”：
式中，D为样本集合，pk为第k类样本所占的比例,Ent(D)的值越小，则D的纯度越高；
在此基础上，计算用属性a对样本集D进行划分所获得的“信息增益”：
式中，假定离散属性a有V个可能的取值{
}，若使用a来对样本集D进行划分，则会产生V个分支结点，其中第
个分支结点包含了D中所有在属性a上取值为a v 的样本，记为Dv；
根据式（1）计算出Dv的信息熵，再考虑到不同分支结点所包含的样本数不同，给分支结点赋予权重
/
，即样本数越多的分支结点的影响越大；
信息熵益越大，意味着使用属性a来进行划分所获得的“纯度越大”；
因此，通过以下方法选择适用于决策树算法的缺陷属性：第一步，遍历所有缺陷数据包含属性，优先去除描述缺陷现象、缺陷持续时间和缺陷消除情况的属性；保留具有不同分支的属性将其统称为有效属性；第二步，计算各有效属性的信息增益并进行排序，从中选择处于前6位的缺陷属性；
其次，将所选择的属性分别进行赋值；
具体的，从自然数0开始，由小到大对每一属性中所涉及到的分支属性进行赋值，直至每个属性的分支属性赋值完毕为止；
得到赋值属性矩阵
，其中m为缺陷数据条数，n为所选择属性个数；
随后，对缺陷等级属性按照0对应危急缺陷、1对应一般缺陷及2对应严重缺陷的赋值方法进行赋值；
形成m条缺陷数据的结果矩阵；
将与合并得到新的矩阵即为包含缺陷属性与缺陷定级结果的数值矩阵；
最后，对
进行分析获得需要修正的数据；
具体的，按照行数将矩阵C分为m行
的行向量，自第1行开始获取该属性集对应的缺陷定级结果分布情况，若与之一致的缺陷属性集仅出现一种定级结果，将包含该属性集的全部行向量集中作为有效数据；若与之一致的缺陷属性集出现两种或两种以上定级结果，将包含该属性集的全部行向量集中作为待修正数据；
遍历整个矩阵后再从第2行开始重复以上过程，直到遍历所有缺陷属性集为止；
以此方法得到所有待修正的数据。
3.根据权利要求2所述对待修正数据生成定级分类树，有分类规则支撑的数据按分类结果统一；
无分类规则支撑的根据实际运维中对缺陷定级要求及消除缺陷规定确定数据修正方法；
其特征在于，所述步骤2中集合决策树算法的剪枝操作与实际运维中对缺陷定级要求及消除缺陷规定确定数据修正方法；
具体过程如下：
同一缺陷属性集所包含的不同分类结果数据会出现以下两种情况，第一种是各分类结果中某一类别比例很大而其余类别出现次数很少，即各个分类结果比例相差悬殊；第二种是各分类结果中各个类别出现的次数基本持平，即各个分类结果比例十分接近；
对于第一种数据，决策树算法自带的剪枝功能可以自行将相异分类分支进行修剪，但是对于第二种数据决策树算法会出现“信息增益”冲突从而直接规避该属性集包含的分类情况；
基于此，首先对待修正数据生成定级分类树，经过算法自身处理后，有分类规则支撑的数据即为上述第一种类型，将该类数据所包含的所有缺陷属性集对应结果按照分类树结果统一即可；
无分类规则支撑的数据则根据实际运维中对缺陷定级要求及消除缺陷规定确定数据修正方法；
对于第二种数据，确立以下两种数据修正思路：
（1）同等条件下，向频次较多结果修正；
（2）同等条件下，向出现的结果中影响更大的修正；
联系生产实际中对缺陷定级的需求和易出现的问题具体展开数据修正方法，共包含两方面内容：
（1）实际运维过程中，不同地区不同人员面对同一缺陷现象，其主观分析影响缺陷定级结果；
但在统一规范下缺陷属性相同的事件其定级应保持一致，因此，在修正过程中，主要考虑按占比大小作为数据修正的依据，将属性相同但占比小的缺陷定级结果向占比大的修正；
（2）继电保护装置缺陷等级主要包括危急、严重和一般三个等级，在实际运维中，一般缺陷通常能够通过装置自检或运维得以发现并及时消除，因此工程实践表明一般缺陷在总体缺陷数据中占比较少；
危急和严重缺陷则多在装置运行过程中出现，且根据缺陷对继保系统或相关一次设备的影响确定严重等级，不同严重程度的缺陷决定了不同消缺时间和工作量，越严重的缺陷越能够引起运维人员重视；
因此，采用向上修正的方法，在缺陷属性相同且定级结果比例一致的情况下，将缺陷等级低的结果向缺陷等级高的结果修正。
4.根据权利要求3所述综合考虑实际运维条件和用于决策树分析的继电保护装置缺陷数据定级修改方法，其特征在于，所述步骤3中根据几种不同定级结果分布情况实现数据修正方法；
具体过程如下：
数据修正算法依赖于待处理数据中相冲突缺陷定级结果各自所占比例，总体上是一种向更严重等级修正的方法，这一方法有效更改了实际填报数据中的错误判定结果，通过对比缺陷数据信息并查看相关缺陷信息记录，缺陷数据修正主要采取以下方法：
（1）当同属性下出现两种不同缺陷程度时，若不等比例，就通过少数服从多数将比例较少的进行改正；
若两种缺陷程度等比例，则按程度更严重的进行修正；
（2） 当同属性下出现三种不同缺陷程度时，若等比例，则统一划分到危急缺陷程度；
若不等比例，就通过少数服从多数将比例较少两类的统一进行改正；
（3） 当同属性下出现三种不同缺陷程度时，若其中有两种严重程度等比例且大于第三类，则修正为等比例中更为严重的程度；
若其中有两种严重程度等比例且小于第三类，则修正为第三类缺陷严重程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911313948.1A CN111125078A (zh) | 2019-12-19 | 2019-12-19 | 一种继电保护装置缺陷数据修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911313948.1A CN111125078A (zh) | 2019-12-19 | 2019-12-19 | 一种继电保护装置缺陷数据修正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111125078A true CN111125078A (zh) | 2020-05-08 |
Family
ID=70500127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911313948.1A Pending CN111125078A (zh) | 2019-12-19 | 2019-12-19 | 一种继电保护装置缺陷数据修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111125078A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308120A (zh) * | 2020-10-15 | 2021-02-02 | 国家电网公司华北分部 | 对继电保护装置缺陷进行定级的方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
| CN107179749A (zh) * | 2016-03-11 | 2017-09-19 | 宝山钢铁股份有限公司 | 热镀锌产品全流程质量控制方法 |
| CN108170769A (zh) * | 2017-12-26 | 2018-06-15 | 上海大学 | 一种基于决策树算法的装配制造质量数据处理方法 |
| WO2019001220A1 (zh) * | 2017-06-26 | 2019-01-03 | 江南大学 | 一种基于决策树的数控车床车削过程能耗预测系统及方法 |
| CN109669030A (zh) * | 2018-12-28 | 2019-04-23 | 佛山科学技术学院 | 一种基于决策树的工业注塑产品缺陷诊断方法 |
-
2019
- 2019-12-19 CN CN201911313948.1A patent/CN111125078A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107179749A (zh) * | 2016-03-11 | 2017-09-19 | 宝山钢铁股份有限公司 | 热镀锌产品全流程质量控制方法 |
| CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
| WO2019001220A1 (zh) * | 2017-06-26 | 2019-01-03 | 江南大学 | 一种基于决策树的数控车床车削过程能耗预测系统及方法 |
| CN108170769A (zh) * | 2017-12-26 | 2018-06-15 | 上海大学 | 一种基于决策树算法的装配制造质量数据处理方法 |
| CN109669030A (zh) * | 2018-12-28 | 2019-04-23 | 佛山科学技术学院 | 一种基于决策树的工业注塑产品缺陷诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| YIMIN LIU 等: "《Defect Rating for Different Production Models of Line Protection Devices Based on Decision Trees》" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308120A (zh) * | 2020-10-15 | 2021-02-02 | 国家电网公司华北分部 | 对继电保护装置缺陷进行定级的方法、装置及存储介质 |
| CN112308120B (zh) * | 2020-10-15 | 2023-09-29 | 国家电网公司华北分部 | 对继电保护装置缺陷进行定级的方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180375373A1 (en) | Impact increments-based state enumeration reliability assessment approach and device thereof | |
| US7050935B1 (en) | Method for assessing the reliability of technical systems | |
| JP2006318263A (ja) | 情報分析システム、情報分析方法及びプログラム | |
| CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
| WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| CN115756919A (zh) | 一种面向多维数据的根因定位方法及系统 | |
| CN110672951B (zh) | 一种配电网电压脆弱区域辨识方法及装置 | |
| CN109902133B (zh) | 基于电网任意分割区域的多源数据纠错处理方法及系统 | |
| CN116388402A (zh) | 一种应用于变电设备的异常报警分析方法 | |
| CN103914386B (zh) | 基于输入参数特征谱的软件缺陷定位方法 | |
| CN111125078A (zh) | 一种继电保护装置缺陷数据修正方法 | |
| CN114461858A (zh) | 一种因果关系分析模型构建及因果关系分析方法 | |
| CN117909864A (zh) | 一种电力故障预测系统及方法 | |
| CN114169521A (zh) | 一种基于故障模式及影响分析信息的知识图谱构建方法 | |
| CN112288593A (zh) | 一种电网应急体系的评估数据处理方法、装置和介质 | |
| CN113986900A (zh) | 数据质量问题分级处理方法、存储介质及系统 | |
| CN112162528B (zh) | 一种数控机床的故障诊断方法、装置、设备和存储介质 | |
| CN108520168A (zh) | 一种基于线性时间算法的故障树模块扩展分解方法 | |
| CN112308120B (zh) | 对继电保护装置缺陷进行定级的方法、装置及存储介质 | |
| CN112052147B (zh) | 监控方法、电子设备及存储介质 | |
| CN114386510A (zh) | 一种电力系统量测错误辨识方法及系统 | |
| CN109325287B (zh) | 一种估计机械件可靠性参数的方法 | |
| CN109558258B (zh) | 一种分布式系统根源故障定位的方法及装置 | |
| US20140355866A1 (en) | Method and apparatus for identifying root cause of defect using composite defect map | |
| CN110855480A (zh) | 一种网络故障定因分析方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200508 |
|
| WD01 | Invention patent application deemed withdrawn after publication |