CN113222140B - 一种基于c4.5算法和bp神经元的配电网故障辅助决策方法 - Google Patents

Abstract

本发明涉及一种基于C4.5算法和BP神经元的配电网故障辅助决策方法，属于电力系统领域。该方法包括以下步骤：S1：整合电网各监控平台数据，结合调控人员日常使用需求进行分类优化阶段；S2：基于C4.5算法，确定电网事故等级，制定多层级告警策略；S3：基于BP神经网络，对电网事故进行辅助决策，最后输出辅助决策方案。本发明改进了现有的配电网故障辅助决策方案，能够用于配网故障信息的筛选分类、分层告警以及辅助决策，建立更高效、更快速的辅助决策模型。

Description

一种基于C4.5算法和BP神经元的配电网故障辅助决策方法

技术领域

本发明属于电力系统领域，涉及一种基于C4.5算法和BP神经元的配电网故障辅助决策方法。

背景技术

现阶段，配电网各告警信息主要来自于SCADA系统和EMS系统，这些告警信息包含信息不一且与故障研判系统相对独立。调度人员主要依赖经验对重要信息进行提取，在事故发生时，大量的信息涌入系统，根据经验做出决策往往是不可靠的。且并未建立对引发事故的设备合理评判标准，缺乏科学和快速评估基础。这一现实很难适应电网的持续发展和日渐复杂的情况，当下极其需要改变这种过于依赖工作人员经验的状态。客观地提出可以应付各种各样的预警信号，为调度员提出辅助决策建议和展示智能报警的综合性方案。

当前基于配电网的告警技术主要包括两个方面，一个是运用人工智能分析算法(遗传算法、专家系统等)，对上传的告警信息进行分析处理，最终进行在线诊断；另一种是以上传信息的数据特征为基础，通过分层与分类相结合的方式，对信息分析、故障推理等方面进行深入研究。

两种方法各有利弊，在实践使用中，均能有效地提高配电网辅助决策能力，但并不能有效的支撑大电网运行。

现有目前针对配电网故障辅助决策方案还存在以下问题及难点，(1)受设备质量、环境等影响，会出现大量误报、频繁上报的情况。这使得当前配电自动化主站系统面临着信息量大、刷新频繁、工作效率低下等问题；(2)对于上报的告警信息，未做进一步分析；(3)各等级的调控中心缺乏数据与信息间的相互流通。

针对传统电网处理系统无法满足一体化供电管理需求的问题，面向故障的智能综合告警技术设计了一套电力调度多源数据融合的故障事件等级自动识别及风险预控系统。该系统通过研究用户关系、网络结构、变压器检测信息、开关动作信息以及故障录波数据等多源事件的内在时序及逻辑关联性，采用决策树分类与BP神经元算法相结合的方式，实现电网多层级告警、闭环告警推送、辅助决策等功能。

发明内容

有鉴于此，本发明的目的在于提供一种基于C4.5算法和BP神经元的配电网故障辅助决策方法。改进现有故障辅助决策方案，实现电网多层级告警、闭环告警推送、辅助决策等功能。达到降低误报、重复上报信息，使故障信息分类更加清楚的效果。

为达到上述目的，本发明提供如下技术方案：

一种基于C4.5算法和BP神经元的配电网故障辅助决策方法，该方法包括以下步骤：

S1：整合电网各监控平台数据，结合调控人员日常使用需求进行分类优化阶段；

S2：基于C4.5算法，确定电网事故等级，制定多层级告警策略；

S3：基于BP神经网络，对电网事故进行辅助决策。

可选的，所述S2中，C4.5算法为：

①C4.5算法在ID3算法的基础上引入属性值空缺以及属性连续处理方案；对决策树的建立通过生成树和剪枝树两步进行；对每个属性节点计算其对应的信息增益率，并将信息增益率最高的节点属性作为集合S的测试属性，通过递归算法，由递归属性建立分支，通过C4.5算法得到决策树雏形的步骤具体如下：

期望信息：设数据样本S_i的集合为S，假定有m个不同值的类标号属性，并定义m个不同值的类为Ti(i＝1,...,m)，设类Ti中样本数为S_i，对于一个给定的样本，计算分类所需的期望值公式为：

②信息增益：由属性A划分成子集的信息量为：

期望信息与新的需求之间的差即为信息增益，公式为：

Gain(A)＝Info(s)-E(A) (3)

③信息增益率：以属性A例，其信息增益率的计算公式如下：

④剪枝：C4.5算法的剪枝方案为悲观剪枝法，作为一种后剪枝算法，C4.5不需要额外增加新的剪枝数据集，而是基于训练集进行剪枝操作；基本思路为：基于当前决策树，采用叶子节点替换字树，如果错误率降低，就执行该替换操作；

生成决策树的形成过程如下：

①根据预处理数据表及工作的实际要求，为数据表中每一个样本确定决策属性对应的值；

②计算取出的各属性的信息熵，并将信息熵最大的属性置于决策树顶端；

③根据已确定的属性，按照不同属性值，将样本划分为若干子集，并继续进行分析；

④将上一步得到的各个子集，重复(ii)和(iii)中的过程，不断循环直到最后子集满足以下条件：

a.最终子集中全部信息均属于同一类；

b.最终子集经历过所有决策树属性的筛选；

c.最终子集中剩下的全部测试属性值都一致，分类属性不一样，且这些子集已经无根据要求继续划分；

⑤进行剪枝操作，将决策树中每个节点分支组个修剪，并计算剪枝前后分类错误率的大小，若剪枝后错误率表小，保留该剪枝操作，反之，对该分支进行保留；

多层级告警：电网将事故等级划分为4个层次，分别为：转入事件、一般事故、较大事故和重大事故；多层级告警即在电网发生故障时，通过对告警信息进行分类筛选后，基于决策树模型，判定事故对应等级，评估风险，针对不同用户，发送告警信息；

分层判定作为面向事件的综合智能告警技术的上层应用，对数据的识别、分类和筛选等，不仅要满足对故障设备的准确获取，该部分可数据库自动触发设置进行，同时还需要满足故障源开关消息的准确解析；多级告警步骤包括：

①数据源获取，经预处理后，应主要包括：告警类型、负荷类型、报发间隔、上送频次、设备状态值、载流量大小、开关开闭状态等；

②决策树判定；

③现场反馈，优化更新。

可选的，所述S2中，BP神经网络包括两个阶段，第一阶段为信号的前向传播，该阶段信号从输入层经过隐含层，最后到达输出层；第二阶段为误差的反向传播，在阶段中误差信号从输出层到隐含层，最后到输入层，该阶段依次对隐含层到输出层以及输入层到隐含层的权重和偏置进行调节；

辅助决策模型库建立：以停电影响因素和辅助决策方案的典型基准数据库为输入层，输入到神经网络中；采用BP神经网络框架进行分层训练，最终建立停电方案与各影响因素之间的模型关系；针对每一次辅助决策，都进行上述分层训练，最终对基准数据库中所有决策模型进行精确校准和完善；

通过神经网络进一步对综合停电作业模型进行训练；输入层是每次决策的停电时长，输出层是计划停电时长；

优化更新：以半年为一个更新周期，在神经网络建模的基础上，结合大数据平台筛选分类后的数据结果，对典型基准数据库的部分内容进行修订覆盖，保持正常更新；加入后期班组作业实践检查整改环节，根据半年内区域内的工作特点，适当增减基准数据库中的典型决策项目，对现场工作人员进行跟踪汇报，细化考核，调整标准化作业时间范围；

利用BP神经网络对各辅助决策模型进行训练，探索不同决策组合对停电时长的影响。

本发明的有益效果在于：改进了现有的配电网故障辅助决策方案，能够用于配网故障信息的筛选分类、分层告警以及辅助决策，建立更高效、更快速的辅助决策模型。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为多层级告警流程图；

图2为BP神经网络计算模型；

图3为辅助决策流程图；

图4为本发明整体框架图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，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。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

如图1～图4所示，本发明包括以下三部分：

(1)整合电网各监控平台数据，通过技术手段，并结合调控人员日常使用需求进行分类优化阶段；

(2)基于C4.5算法，确定电网事故等级，制定多层级告警策略阶段；

(3)基于BP神经网络，对电网事故进行辅助决策阶段。

一、基于C4.5算法的多层级故障告警策略

(1)C4.5算法

①C4.5算法在ID3算法的基础上引入属性值空缺以及属性连续处理方案(李春生,焦海涛,刘澎,等.基于C4.5决策树分类算法的改进与应用[J].计算机技术与发展,2020,30(05):185-189.)。对决策树的建立通过生成树和剪枝树两步进行。大致过程为，对每个属性节点计算其对应的信息增益率，并将信息增益率最高的节点属性作为集合S的测试属性，通过递归算法，由递归属性建立分支，通过C4.5算法得到决策树雏形的步骤具体如下：

期望信息(也称信息熵)：设数据样本S_i的集合为S，假定有m个不同值的类标号属性，并定义m个不同值的类为Ti(i＝1,...,m)，设类Ti中样本数为S_i，对于一个给定的样本，计算分类所需的期望值公式为：

②信息增益：由属性A划分成子集的信息量为：

期望信息与新的需求之间的差即为信息增益，公式为：

Gain(A)＝Info(s)-E(A) (3)

③信息增益率：以属性A例，其信息增益率的计算公式如下：

④剪枝：C4.5算法的剪枝方案为悲观剪枝法，作为一种后剪枝算法，C4.5不需要额外增加新的剪枝数据集，而是基于训练集进行剪枝操作。基本思路为：基于当前决策树，采用叶子节点替换字树，如果错误率降低，就执行该替换操作。

(2)生成决策树

告警决策树的形成过程如下：

①根据预处理数据表及工作的实际要求，为数据表中每一个样本确定决策属性对应的值。

②计算取出的各属性的信息熵，并将信息熵最大的属性置于决策树顶端。

③根据已确定的属性，按照不同属性值，将样本划分为若干子集，并继续进行分析。

④将上一步得到的各个子集，重复(ii)和(iii)中的过程，不断循环直到最后子集满足以下条件：

a.最终子集中全部信息均属于同一类。

b.最终子集经历过所有决策树属性的筛选。

c.最终子集中剩下的全部测试属性值都一致，分类属性不一样，且这些子集已经无根据要求继续划分。

⑤进行剪枝操作，将决策树中每个节点分支组个修剪，并计算剪枝前后分类错误率的大小，若剪枝后错误率表小，保留该剪枝操作，反之，对该分支进行保留。

(3)多层级告警

一般情况下，电网将事故等级划分为4个层次，分别为：转入事件、一般事故、较大事故、重大事故。多层级告警即在电网发生故障时，通过对告警信息进行分类筛选后，基于决策树模型，判定事故对应等级，评估风险，针对不同用户，发送告警信息。

分层判定作为面向事件的综合智能告警技术的上层应用，对数据的识别、分类和筛选等，不仅要满足对故障设备的准确获取，该部分可数据库自动触发设置进行，同时还需要满足故障源开关消息的准确解析。综上，多级告警流程如图1所示，主要步骤包括：

①数据源获取，经预处理后，应主要包括：告警类型、负荷类型、报发间隔、上送频次、设备状态值、载流量大小、开关开闭状态等。

②决策树判定。

③现场反馈，优化更新。

二、基于BP神经网络的辅助决策模型

(1)BP神经网络

BP神经网络的实现过程如图2所示，该实现过程主要包括两个阶段，第一阶段为信号的前向传播，该阶段信号从输入层经过隐含层，最后到达输出层；第二阶段为误差的反向传播，在阶段中误差信号从输出层到隐含层，最后到输入层，该阶段依次对隐含层到输出层以及输入层到隐含层的权重和偏置进行调节(吴琛,苏明昕,谢云云,等.基于BP神经网络的输电线路雷击故障预测[J].电力工程技术,2020,39(05):133-139.)。

(2)辅助决策模型库建立

以停电影响因素和辅助决策方案的典型基准数据库为输入层，输入到神经网络中。采用BP神经网络框架进行分层训练，最终建立停电方案与各影响因素之间的模型关系。针对每一次辅助决策，都进行上述分层训练，最终对基准数据库中所有决策模型进行精确校准和完善。

为了满足“一停多用”的基本使用要求，即一次停电作业涉及两种或两种以上的决策类型，总停电作业时间消耗与各决策类型时间消耗之间存在着典型的多条件、非线性、强耦合的复杂关系，考虑到系统特性，需要通过神经网络进一步对综合停电作业模型进行训练。此时输入层是每次决策的停电时长，输出层是计划停电时长。

(3)优化更新

随着各地区电网的发展以及作业技术、流程等的不断变化，标准化评估体系也需要不断更新优化。以半年为一个更新周期，在上述神经网络建模的基础上，结合大数据平台筛选分类后的数据结果，对典型基准数据库的部分内容进行修订覆盖，保持正常更新。此外，加入后期班组作业实践检查整改环节，根据半年内区域内的工作特点，适当增减基准数据库中的典型决策项目，对现场工作人员进行跟踪汇报，细化考核，调整标准化作业时间范围等使之更符合实际操作现场。

综上，利用BP神经网络对各辅助决策模型进行训练，进一步探索不同决策组合对停电时长的影响，以实现“一停多用”的基本要求。其总体流程如图3所示。

实施例：

首先通过EMS系统、故障录波系统、SCADA系统等获取数据，然后：

(1)对数据进行可信度分析，并根据上传信息对电网的重要等级、影响程度以及所属类型，对信息进行分类优化；

(2)将处理后的信息通过生成的决策树进行分层，并根据故障层级确定告警策略；

(3)根据事件层级以及重要的故障信息作为输入，通过BP神经网络所构建的辅助决策模型进行分析。最后输出辅助决策方案。

本发明中将故障等级分为4级，辅助决策方案包括6类。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于C4.5算法和BP神经元的配电网故障辅助决策方法，其特征在于：该方法包括以下步骤：

S1：整合电网各监控平台数据，结合调控人员日常使用需求进行分类优化阶段；

S2：基于C4.5算法，确定电网事故等级，制定多层级告警策略；

S3：基于BP神经网络，对电网事故进行辅助决策；

所述S2中，C4.5算法为：

①C4.5算法在ID3算法的基础上引入属性值空缺以及属性连续处理方案；对决策树的建立通过生成树和剪枝树两步进行；对每个属性节点计算其对应的信息增益率，并将信息增益率最高的节点属性作为集合S的测试属性，通过递归算法，由递归属性建立分支，通过C4.5算法得到决策树雏形的步骤具体如下：

期望信息：设数据样本S_i的集合为S，假定有m个不同值的类标号属性，并定义m个不同值的类为Ti(i＝1,...,m)，设类Ti中样本数为S_i，对于一个给定的样本，计算分类所需的期望值公式为：

②信息增益：由属性A划分成子集的信息量为：

期望信息与新的需求之间的差即为信息增益，公式为：

Gain(A)＝Info(s)-E(A) (3)

③信息增益率：以属性A例，其信息增益率的计算公式如下：

④剪枝：C4.5算法的剪枝方案为悲观剪枝法，作为一种后剪枝算法，C4.5不需要额外增加新的剪枝数据集，而是基于训练集进行剪枝操作；基本思路为：基于当前决策树，采用叶子节点替换字树，如果错误率降低，就执行该替换操作；

生成决策树的形成过程如下：

①根据预处理数据表及工作的实际要求，为数据表中每一个样本确定决策属性对应的值；

②计算取出的各属性的信息熵，并将信息熵最大的属性置于决策树顶端；

③根据已确定的属性，按照不同属性值，将样本划分为若干子集，并继续进行分析；

④将上一步得到的各个子集，重复(ii)和(iii)中的过程，不断循环直到最后子集满足以下条件：

a.最终子集中全部信息均属于同一类；

b.最终子集经历过所有决策树属性的筛选；

c.最终子集中剩下的全部测试属性值都一致，分类属性不一样，且这些子集已经无根据要求继续划分；

⑤进行剪枝操作，将决策树中每个节点分支组个修剪，并计算剪枝前后分类错误率的大小，若剪枝后错误率表小，保留该剪枝操作，反之，对该分支进行保留；

多层级告警：电网将事故等级划分为4个层次，分别为：转入事件、一般事故、较大事故和重大事故；多层级告警即在电网发生故障时，通过对告警信息进行分类筛选后，基于决策树模型，判定事故对应等级，评估风险，针对不同用户，发送告警信息；

分层判定作为面向事件的综合智能告警技术的上层应用，对数据的识别、分类和筛选等，不仅要满足对故障设备的准确获取，该部分可数据库自动触发设置进行，同时还需要满足故障源开关消息的准确解析；多级告警步骤包括：

①数据源获取，经预处理后，应主要包括：告警类型、负荷类型、报发间隔、上送频次、设备状态值、载流量大小、开关开闭状态等；

②决策树判定；

③现场反馈，优化更新。

2.根据权利要求1所述的一种基于C4.5算法和BP神经元的配电网故障辅助决策方法，其特征在于：所述S2中，BP神经网络包括两个阶段，第一阶段为信号的前向传播，该阶段信号从输入层经过隐含层，最后到达输出层；第二阶段为误差的反向传播，在阶段中误差信号从输出层到隐含层，最后到输入层，该阶段依次对隐含层到输出层以及输入层到隐含层的权重和偏置进行调节；

辅助决策模型库建立：以停电影响因素和辅助决策方案的典型基准数据库为输入层，输入到神经网络中；采用BP神经网络框架进行分层训练，最终建立停电方案与各影响因素之间的模型关系；针对每一次辅助决策，都进行上述分层训练，最终对基准数据库中所有决策模型进行精确校准和完善；

通过神经网络进一步对综合停电作业模型进行训练；输入层是每次决策的停电时长，输出层是计划停电时长；

优化更新：以半年为一个更新周期，在神经网络建模的基础上，结合大数据平台筛选分类后的数据结果，对典型基准数据库的部分内容进行修订覆盖，保持正常更新；加入后期班组作业实践检查整改环节，根据半年内区域内的工作特点，适当增减基准数据库中的典型决策项目，对现场工作人员进行跟踪汇报，细化考核，调整标准化作业时间范围；

利用BP神经网络对各辅助决策模型进行训练，探索不同决策组合对停电时长的影响。

Images